AttentioNet：基于 EEG 测量系统监测学习中学生的注意类型
人机交互
2023-11-07 v1
摘要
学生注意是揭示其目标、意图与兴趣不可或缺的线索，已被证明对从心理学到交互系统等诸多研究领域极具价值。然而，现有多数注意分类方法未能刻画其复杂本质。为弥补此不足，我们提出 AttentioNet，一种基于卷积神经网络的新方法，利用脑电图（EEG）数据将注意分为五种状态：选择性注意、持续性注意、分配性注意、交替性注意与放松状态。我们通过标准神经心理学任务采集了 20 名被试的数据集以诱发不同注意状态。所提模型在该配置下跨学生平均准确率为 92.3%（标准差=3.04），十分适合终端用户应用。我们基于迁移学习对模型进行个性化以适应个体被试，有效解决了 EEG 信号的个体差异问题，从而提升了模型在真实应用中的性能与适应性。这代表了基于 EEG 分类领域的显著进展。实验结果表明，AttentioNet 在独立于被试与依赖于被试两种设定下均优于流行的 EEGnet 基线（p 值 < 0.05），证实了尽管我们的数据集存在局限，所提方法依然有效。这些结果凸显了 AttentioNet 利用 EEG 数据进行注意分类的良好潜力。
引用
@article{arxiv.2311.02924,
title = {AttentioNet: Monitoring Student Attention Type in Learning with EEG-Based Measurement System},
author = {Dhruv Verma and Sejal Bhalla and S. V. Sai Santosh and Saumya Yadav and Aman Parnami and Jainendra Shukla},
journal= {arXiv preprint arXiv:2311.02924},
year = {2023}
}
备注
8 pages, 4 figures, Accepted in AFFECTIVE COMPUTING + INTELLIGENT INTERACTION Conference 2023