- Li Y, Li X, Ratcliffe M, et al. A real-time EEG-based BCI system for attention recognition in ubiquitous environment. ACM, 2011: 33-40.
设备:Nexus-4,256Hz
电极:FPZ,4-second epochs with 50% overlap
特征:the max power of Alpha band, the mean square of Beta band, the peak-to-peak value of Theta
band, the variance of Theta band, the max power of Theta band, and the sum power of Theta band
被试:8人,自评状态
分类:KNN, 57.03% - Liu N H, Chiang C Y, Chu H C. Recognizing the degree of human attention using EEG signals from mobile sensors[J]. Sensors, 2013, 13(8): 10273-10286.
设备:mindSet,512Hz
电极:FP1,1-second epochs
特诊: α, β, δ, and θ波段能量、α/β
分类:SVM,二分类76.82% - Hu B, Li X, Sun S, et al. Attention recognition in EEG-based affective learning research using CFS+ KNN algorithm[J]. IEEE/ACM transactions on computational biology and bioinformatics, 2016, 15(1): 38-45.
设备:Nexus-32 凝胶电极帽
被试:10名,每2-3天参加一次,持续5个月
任务:在线学习10分钟,SAM自评
数据:基于先前研究仅考虑C3,C4,CZ,P3,P4,PZ。把每个10分钟数据分成3个3分钟,丢弃前后30秒。
10名被试有450个样本。
特征:150(6 electrodes× 25 features)
1)时域特征
Hjorth参数:活动,移动性和复杂性。
2)频域特征:自适应自回归(AR)建模获得功率谱特征。
最大功率密度(maxpower),峰值功率频率(中心频率)和功率密度积分(sumpower)
3)非线性特征:近似熵(ApEn),Kolmogorov熵,最大Lyapunov指数,谱熵,Co复杂度,相关维数(D2)和奇异值分解熵(SVDen)。
分类:CFS+KNN(基于相关的特征选择+ k-邻近),注意力三分类:80.84(±3%)
- Ming D, Zhang M, Xi Y, et al. Multiscale entropy analysis of attention ralated EEG based on motor imaginary potential. IEEE, 2009: 24-27.
设备:EMS Phoenix Digital EEG,256Hz
被试: 6人
任务:三种不同的状态:注意力任务、注意力不集中任务、休息任务。每个任务下10段30秒的数据,总时间15分组
方法:多尺度样本熵MSE,m=2,r=0.25*sd,20个scale
结果:注意力任务的MSE值略高于注意力不集中和休息任务;
AR(注意力任务和休息任务差异)和IR(注意力不集中任务和休息任务差异)偏差随scale又增加趋势; - Li W, Ming D, Xu R, et al. Research on visual attention classification based on EEG entropy parameters. World Congress on Medical Physics and Biomedical Engineering May 26-31, 2012, Beijing, China. Springer, Berlin, Heidelberg, 2013: 1553-1556.
任务:“网球试验”。
注意力任务:观看打网球时想象自己试动画中的人在打网球
注意力不集中任务:观看打网球时想无关的事情
休息任务
“步行实验”。动画换成步行,三个任务与上面一致。
每个任务都包含10段34秒常的数据。总厂17分钟
非线性方法:近似熵、样本熵、多尺度熵MSE
结果:
1)网球试验中近似熵结果,注意状态和注意不集中状态、注意状态和休息状态具有显著差异;注意不集中状态和休息状态则没有发现显著差异。
2)步行实验中近似熵结果,注意不集中状态和休息状态也有显著差异
3)样本熵结果与近似熵类似
4)多尺度熵结果。休息状态明显比注意状态要低
5)三分类用样本熵准确率最高,85.24%