用于在线学习中心理注意力状态分类的多标签 EEG 数据集
人机交互
2025-01-10 v2
摘要
注意力是在线学习环境中学习和记忆的关键认知过程。基于行为信号的在线学习者注意力状态分类传统方法容易失真，促使人们对利用脑电图（EEG）信号进行真实准确评估的兴趣增加。然而，基于 EEG 信号的在线学习注意力状态分类面临挑战，包括公开可用数据集的稀缺、标准化数据收集范式的缺乏，以及需要考虑注意力与其他心理状态之间的相互作用。鉴于此，我们提出了用于在线学习中心理注意力状态分类的多标签 EEG 数据集（MEMA）。我们精心设计了一个可靠且标准的实验范式，包含三种注意力状态：中性、放松和专注，考虑了人类生理和心理特征。该范式从 20 名受试者收集 EEG 信号，每人参与 12 次试验，共获得 1060 分钟数据。同时收集情绪状态标签、基本个人信息和人格特质，以研究注意力与其他心理状态的关系。广泛的定量和定性分析，包括多标签相关性研究，验证了 EEG 注意力数据的质量。MEMA 数据集及分析为推进在线学习注意力研究提供了宝贵见解。数据集公开可用，网址为 \url{https://github.com/GuanjianLiu/MEMA}。
引用
@article{arxiv.2411.09879,
title = {A Multi-Label EEG Dataset for Mental Attention State Classification in Online Learning},
author = {Huan Liu and Yuzhe Zhang and Guanjian Liu and Xinxin Du and Haochong Wang and Dalin Zhang},
journal= {arXiv preprint arXiv:2411.09879},
year = {2025}
}