王冰冰,許澤舉,羅 通,潘家輝

（華南師范大學(xué) 軟件學(xué)院,佛山 528225）

1 引言

1.1 研究背景

注意力（attention）是指人的心理活動(dòng)指向和集中于某種事物的能力[1],是人們?cè)谏钆c實(shí)踐活動(dòng)中必須具備的一種重要心理品質(zhì).而青少年的生理和心理發(fā)展均處于變化的階段,易受外界影響,從而出現(xiàn)注意力不集中,學(xué)習(xí)效率低等問題.

但是,目前青少年注意力檢測(cè)和訓(xùn)練的系統(tǒng)功能單一,檢測(cè)準(zhǔn)確率低,在對(duì)青少年的注意力訓(xùn)練上也呈現(xiàn)出效率低的問題.熊朝坤[2]提出基于腦電信號(hào)的便攜式注意力檢測(cè)系統(tǒng),選取δ、θ、α和β四種節(jié)律作為特征值,并采用BP神經(jīng)網(wǎng)絡(luò)分類算法進(jìn)行分類,而該系統(tǒng)對(duì)注意力的檢測(cè)結(jié)果不穩(wěn)定,非注意狀態(tài)的檢測(cè)準(zhǔn)確率高于注意狀態(tài).Sun等[3]提出兩個(gè)基于腦電的神經(jīng)反饋球游戲,利用腦電波的θ和β節(jié)律區(qū)分玩家的不同大腦狀態(tài),訓(xùn)練方式單一且對(duì)于腦電特征值只考慮了θ和β節(jié)律,可信度有待提高.因此,檢測(cè)和訓(xùn)練青少年的注意力具有重要的理論研究?jī)r(jià)值和廣闊的應(yīng)用前景.

1.2 研究現(xiàn)狀

（1）腦電注意力檢測(cè)的相關(guān)研究

傳統(tǒng)的注意力檢測(cè)方法重視腦電信號(hào)特征提取.2008年,Janelle等通過對(duì)腦電信號(hào)的頻譜特征進(jìn)行分析來確定大腦的注意力水平[4].相較于通過觀察θ波和β波能量比值大小來確定注意力的傳統(tǒng)方法,近年來,在提取腦電信號(hào)特征的基礎(chǔ)上,基于深度學(xué)習(xí)的腦電注意力檢測(cè)方法能夠?qū)⒆⒁饬M(jìn)行分類.2011年,Li等[5]用K最近鄰（K-Nearest Neighbor,KNN）算法將腦電注意力分成了3類,平均準(zhǔn)確率僅有57.03%.2013年,路榮等[6]提出了使用小波變換對(duì)獲取的腦電信號(hào)進(jìn)行分析,通過支持向量機(jī)（Support Vector Machine,SVM）進(jìn)行二分類的方法,注意力分類準(zhǔn)確率達(dá)72.5%,但分類少.目前,腦電注意力檢測(cè)的研究有如下難點(diǎn):① 注意力檢測(cè)分類類別少; ② 注意力分類準(zhǔn)確率不佳.

（2）腦電注意力訓(xùn)練的相關(guān)研究

國內(nèi)外訓(xùn)練注意力的方法有很多,但每種方法都有其局限性,而閉環(huán)腦電生物反饋感知技術(shù)作為無刺激、無副作用、訓(xùn)練結(jié)果能夠長(zhǎng)期保持的訓(xùn)練方法,得到了許多學(xué)者的認(rèn)可.2002年,北京大學(xué)精神衛(wèi)生研究所學(xué)者姜榮環(huán)等[7]先后對(duì)7-15歲的90例患兒進(jìn)行治療.結(jié)果顯示,隨著腦電訓(xùn)練次數(shù)的增加,兒童注意力在不斷提高.現(xiàn)如今,結(jié)合游戲和腦電信號(hào)的注意力訓(xùn)練方法成為研究的趨勢(shì)和熱點(diǎn).2014年,Montani等[8]開發(fā)了一款迷宮游戲,其在獨(dú)特的非臨床環(huán)境下能夠改善創(chuàng)傷性腦損傷（TBI）患者的注意力.2019年,Choon等[9]利用3D游戲?qū)DHD患者進(jìn)行干預(yù)和治療,針對(duì)的主要是患者的持續(xù)型注意力.目前,在腦電注意力訓(xùn)練的研究中,訓(xùn)練方式單一,僅針對(duì)注意力其中一方面的特性進(jìn)行訓(xùn)練,從而導(dǎo)致效率低.

基于此背景,本文研發(fā)了一個(gè)基于腦電信號(hào)的青少年注意力檢測(cè)和訓(xùn)練系統(tǒng),提出基于隨機(jī)森林算法改進(jìn)注意力檢測(cè)的準(zhǔn)確率,根據(jù)注意力的持續(xù)性、選擇性和集中性分別設(shè)計(jì)3個(gè)面向青少年的嚴(yán)肅游戲訓(xùn)練模式,提高注意力訓(xùn)練的效率,同時(shí)提供了可視化的反饋界面.

1.3 研究?jī)r(jià)值

針對(duì)以上研究現(xiàn)狀,本文的工作是:① 研發(fā)一個(gè)基于腦電信號(hào)的青少年注意力檢測(cè)和訓(xùn)練系統(tǒng),并提供可視化的反饋界面.② 對(duì)于腦電注意力檢測(cè),利用隨機(jī)森林算法改進(jìn)注意力檢測(cè)的準(zhǔn)確率.③ 對(duì)于腦電注意力訓(xùn)練,本文首次根據(jù)注意力的持續(xù)型、選擇型和集中型,分別設(shè)計(jì)了3個(gè)面向青少年的嚴(yán)肅游戲訓(xùn)練模式,并利用閉環(huán)腦電生物反饋感知技術(shù),以提高訓(xùn)練的效率.

2 系統(tǒng)結(jié)構(gòu)綜述

本文提出了一個(gè)基于腦電信號(hào)的青少年注意力檢測(cè)和訓(xùn)練系統(tǒng),系統(tǒng)總體結(jié)構(gòu)設(shè)計(jì)如圖1所示,主要由腦電信號(hào)處理模塊、注意力檢測(cè)模塊和注意力訓(xùn)練模塊3個(gè)模塊組成.在腦電信號(hào)處理模塊,通過OpenBCI腦機(jī)接口對(duì)腦電信號(hào)進(jìn)行采集,并利用小波變換對(duì)腦電信號(hào)進(jìn)行分析與特征提取; 在注意力檢測(cè)模塊,基于隨機(jī)森林算法對(duì)注意力進(jìn)行分類,主要分成5類:high attention、medium-high attention、medium attention、medium-low attention、low attention; 在注意力訓(xùn)練模塊,根據(jù)注意力的持續(xù)性、選擇性和集中性分別設(shè)計(jì)了3款面向青少年的嚴(yán)肅游戲,并提出4個(gè)評(píng)估指標(biāo),結(jié)合自身對(duì)照法進(jìn)行有效性分析,驗(yàn)證該訓(xùn)練方法的可行性.

圖1 系統(tǒng)總體結(jié)構(gòu)設(shè)計(jì)圖

3 基于腦電信號(hào)的注意力檢測(cè)與訓(xùn)練

3.1 基于腦電信號(hào)的注意力檢測(cè)

3.1.1 注意力檢測(cè)的基本流程

在注意力檢測(cè)模塊中,使用8通道的OpenBCI腦機(jī)接口進(jìn)行腦電信號(hào)的采集,采樣率為256 Hz.對(duì)預(yù)處理后的腦電數(shù)據(jù)利用小波變換進(jìn)行分析與特征提取,提取好特征值后利用隨機(jī)森林檢測(cè)注意力,如圖2所示.

圖2 腦電注意力檢測(cè)基本流程圖

3.1.2 利用小波變換提取腦電信號(hào)特征值

在腦電信號(hào)分析與特征提取階段,利用小波變換從腦電信號(hào)中獲取功率譜密度（Power Spectral Density,PSD）特征.小波分析是將時(shí)域和頻域結(jié)合起來的適用于多尺度的時(shí)頻分析,連續(xù)小波基定義如式（1）所示.

其中,ψs,a（t）表示基本小波的位移與尺度伸縮,可以用來分析不同時(shí)段的信號(hào)成分,s為平移因子,為尺度參數(shù),是歸一化因子.對(duì)于信號(hào)f（t）,連續(xù)小波變換及其逆變換公式如式（2）和式（3）所示.

本文主要采用Daubechies小波變換系數(shù)[11]對(duì)腦電信號(hào)的特征進(jìn)行提取.Daubechies小波具有良好的時(shí)間局部性,在給定的支撐寬度N=2A下具有最大的消失矩?cái)?shù),并且在2A-1個(gè)可能的解中,選擇其縮放濾波器具有外部相位的一個(gè)[12].其中,Daubechies 4小波兼具正交小波的緊支集和平滑性,在對(duì)非平穩(wěn)的腦電信號(hào)進(jìn)行分析中有較好的效果.圖3是利用Daubechies 4小波對(duì)原始信號(hào)進(jìn)行6層分解的示意圖.

圖3中,S表示待分解的原始信號(hào),A（n）（n=1,2,3,···）表示分解后得到的低頻信號(hào),D（n）（n=1,2,3,···）則表示分解后得到的高頻信號(hào).各分量所對(duì)應(yīng)的子頻分別與δ、θ、α、β和γ相對(duì)應(yīng).每個(gè)子帶都有明確的物理含義,分解圖如圖4所示.

圖3 6層小波樹分解示意圖

圖4 小波分解提取的5種節(jié)律圖

3.1.3 使用隨機(jī)森林算法進(jìn)行注意力檢測(cè)的數(shù)據(jù)處理過程

本文主要對(duì)4個(gè)通道（TP9,TP10,AF7,AF8）的腦電信號(hào)進(jìn)行特征提取,提取的腦電信號(hào)節(jié)律[13]為δ（0 Hz

利用小波變換提取腦電信號(hào)特征值后,本文使用隨機(jī)森林算法（Random Forest,RF）[14]對(duì)注意力檢測(cè)的數(shù)據(jù)進(jìn)行分類處理.隨機(jī)森林是多個(gè)決策樹分類器{h（x,φk）,k=1,2,···}的集合,且參數(shù)集{φk}是獨(dú)立同分布的隨機(jī)向量,每一棵決策樹對(duì)輸入的特征變量X單獨(dú)分類,并且按照分類的結(jié)果進(jìn)行預(yù)測(cè),然后組合多棵決策樹的預(yù)測(cè)結(jié)果,以投票的方式選擇得票最多的分類結(jié)果作為輸出.整個(gè)算法主要包括了兩個(gè)部分,決策樹的建立和投票過程[15].檢測(cè)流程如圖5所示.

圖5 基于隨機(jī)森林算法的注意力檢測(cè)流程圖

（1）決策樹的建立

隨機(jī)森林利用自助法（bootstrap）重抽樣技術(shù)[16]從原始的樣本中抽取出多個(gè)樣本,并生成多個(gè)決策樹分類模型.決策樹的建立步驟如下:① 采取有放回的抽樣方法從N個(gè)原始訓(xùn)練集中隨機(jī)抽取一個(gè)bootstrap樣本進(jìn)行分析,重復(fù)k次.② 將每個(gè)bootstrap樣本作為訓(xùn)練集訓(xùn)練一棵決策樹,并作為決策樹根節(jié)點(diǎn)處的樣本.在決策樹的每個(gè)節(jié)點(diǎn)處需要分裂時(shí),隨機(jī)從X個(gè)特征變量中選取x（x?X）個(gè)特征變量進(jìn)行計(jì)算,按照節(jié)點(diǎn)不純度最小的原則,從x個(gè)特征變量中選取最佳特征變量作為該節(jié)點(diǎn)的分支.③ 決策樹的建立過程中,每個(gè)節(jié)點(diǎn)均按照步驟 ② 的方式進(jìn)行分裂,且不進(jìn)行剪枝操作.

隨機(jī)森林在決策樹的建立過程中引入了兩個(gè)隨機(jī)因素:一是從 N 個(gè)原始訓(xùn)練集中抽取的bootstrap樣本,二是選擇決策樹節(jié)點(diǎn)時(shí)隨機(jī)選取特征變量作為分支.因此,隨機(jī)森林正確率穩(wěn)定,不容易過擬合.

（2）投票

通過不同的樣本構(gòu)建不同的決策樹,增加分類模型之間的差異,提高分類模型的預(yù)測(cè)能力.經(jīng)過k輪的訓(xùn)練后得到分類模型的序列{h1（X）,h2（X）,···,hk（X）},將它們組合并采用簡(jiǎn)單多數(shù)投票的方法得到最終的分類結(jié)果.分類決策如式（4）所示.

其中,H（x）表示組合后的分類模型,hi（x）是一個(gè)決策樹的分類模型,Y 表示目標(biāo)變量,F（hi（x）=Y）為示性函數(shù).

3.2 注意力訓(xùn)練的原理和實(shí)現(xiàn)

3.2.1 注意力訓(xùn)練的原理

本文運(yùn)用了3種類型的注意力原理和閉環(huán)腦電生物反饋感知技術(shù)對(duì)注意力訓(xùn)練功能進(jìn)行實(shí)現(xiàn).其中,閉環(huán)腦電生物反饋[17]是一項(xiàng)結(jié)合心理和軀干的腦電技術(shù),主要利用操作性條件反射的原理,通過選擇性地增強(qiáng)或抑制特定腦電波活動(dòng)的頻率、位置、幅度或持續(xù)時(shí)間,使用戶能夠在特定條件下保持大腦狀態(tài),并通過訓(xùn)練改善認(rèn)知功能.

本文提出基于閉環(huán)腦電生物反饋感知技術(shù)的注意力訓(xùn)練方式,如圖6所示,以游戲的形式增加用戶的興趣,讓用戶在輕松的氛圍中提高注意力,且無不良反應(yīng).同時(shí),注意力不集中不僅和心理有關(guān)[18],也和持續(xù)型注意力、選擇型注意力[19]和集中型注意力有一定聯(lián)系.因此,本文分別針對(duì)注意力的持續(xù)性、選擇性和集中性設(shè)計(jì)了3個(gè)嚴(yán)肅游戲:“拔河”游戲,“小鳥歷險(xiǎn)記”游戲和“貪吃的果凍”游戲,如圖7,圖8和圖9所示.

圖6 注意力訓(xùn)練流程圖

圖7 “拔河”游戲（持續(xù)型注意力）界面展示圖

圖8 “小鳥歷險(xiǎn)記”游戲（選擇型注意力）界面展示圖

圖9 “貪吃的果凍”游戲（集中型注意力）界面展示圖

3.2.2 注意力訓(xùn)練游戲的實(shí)現(xiàn)

用戶通過自身的注意力控制游戲,具體的實(shí)現(xiàn)過程如下:通過腦機(jī)接口獲取用戶腦電信號(hào),利用隨機(jī)森林算法進(jìn)行注意力檢測(cè),將檢測(cè)后的結(jié)果量化為用戶在游戲中的注意力水平:high值注意力量化為1,mediumhigh值為0.75,medium值為0.5,medium-low值為0.25,low值為0.在持續(xù)型游戲中,只有當(dāng)用戶的注意力水平超過一個(gè)特定的閾值時(shí),游戲中角色的力氣才會(huì)大于敵人的力氣; 進(jìn)行選擇型游戲時(shí),用戶的注意力水平的高低操控著游戲中小鳥角色的飛行方向（向上、向下或水平飛行）; 針對(duì)集中型游戲,本文對(duì)游戲中的角色賦予了特殊技能,當(dāng)用戶的注意力集中并達(dá)到最大值時(shí),游戲中的角色便可釋放技能.

為提高注意力的訓(xùn)練效率,我們對(duì)游戲圖形界面做了如下優(yōu)化:① 在界面的展示上,以青少年為定位設(shè)計(jì)游戲中的各種背景和角色,提高用戶興趣.② 在游戲過程中,游戲的控制參數(shù)以界面中的進(jìn)度條的形式實(shí)時(shí)向用戶反饋,構(gòu)成了游戲的核心:閉環(huán)腦電生物反饋感知.用戶通過注意力控制著游戲中的角色,同時(shí),游戲也將用戶的注意力程度反饋給用戶,用戶通過進(jìn)度條的長(zhǎng)短得知自己的注意力程度后有意識(shí)地控制自己的注意力,進(jìn)而達(dá)到提高注意力的效果.

4 實(shí)驗(yàn)與結(jié)果分析

4.1 注意力檢測(cè)方法驗(yàn)證實(shí)驗(yàn)

4.1.1 離線實(shí)驗(yàn)

本實(shí)驗(yàn)選用Personal EEG Concentration Tasks數(shù)據(jù)集來驗(yàn)證注意力檢測(cè)的有效性,隨機(jī)選取70%的樣本作為訓(xùn)練集,30%的樣本作為測(cè)試集,并利用不同的算法對(duì)注意力進(jìn)行五分類,結(jié)果如表1所示.

表1 不同算法進(jìn)行注意力五分類的測(cè)試結(jié)果（%）

實(shí)驗(yàn)結(jié)果表明,在5個(gè)算法中,隨機(jī)森林準(zhǔn)確率達(dá)76.17%,損失率為23.83%,召回率為70.61%,精確率達(dá)83.00%,該結(jié)果說明了基于隨機(jī)森林算法的注意力檢測(cè)方法具有較高的準(zhǔn)確率.

4.1.2 在線實(shí)驗(yàn)

圖10概述了本文實(shí)驗(yàn)的整體流程.以任務(wù)的方式誘發(fā)受試者的注意力,同時(shí)記錄其腦電信號(hào).當(dāng)完成任務(wù)后,要求受試者填寫情緒自評(píng)量表（Self-Assessment Manikins,SAM）量表的效價(jià)維度（valence）以此報(bào)告他們的注意力狀態(tài),即high attention、medium-high attention、medium attention、medium-low attention、low attention.

圖10 在線實(shí)驗(yàn)流程圖

在線實(shí)驗(yàn)選取20名身體健康的受試者（50%男性,50%女性）,年齡范圍為8-20歲（平均值=15.95,標(biāo)準(zhǔn)差=4.63）.本實(shí)驗(yàn)中的任務(wù)主要有3類:① 屏幕上出現(xiàn)計(jì)算題,受試者需要在規(guī)定時(shí)間3 min內(nèi)計(jì)算出答案; ② 受試者在3 min內(nèi)完成掃雷游戲; ③ 屏幕呈現(xiàn)一篇文章,受試者在3 min內(nèi)閱讀完畢.實(shí)驗(yàn)過程如下,首先向受試者介紹valence的含義,接著每個(gè)受試者進(jìn)行任務(wù),在每項(xiàng)任務(wù)前有10 s的準(zhǔn)備時(shí)間,結(jié)束后屏幕中央會(huì)出現(xiàn)SAM量表,以收集他們的注意力指標(biāo)（valence維度）,點(diǎn)擊“提交”后,休息 1 min.在試驗(yàn)期間,受試者坐在舒適的椅子上,避免眨眼以及移動(dòng)身體,根據(jù)指示完成整個(gè)實(shí)驗(yàn)過程.

在進(jìn)行測(cè)試之前,需要收集腦電信號(hào)數(shù)據(jù)來進(jìn)行模型的訓(xùn)練.3個(gè)任務(wù)為一組實(shí)驗(yàn),我們收集了每個(gè)受試者10組的實(shí)驗(yàn)數(shù)據(jù),并使用OpenBCI腦機(jī)接口以256 Hz的頻率收集腦電信號(hào),每4 s作為一個(gè)時(shí)間單元,以50%的重疊率進(jìn)行采樣.然后移除存在較多偽影的前4 s和后4 s的腦電信號(hào).最后通過比較預(yù)測(cè)結(jié)果和真實(shí)標(biāo)簽來統(tǒng)計(jì)準(zhǔn)確率.

4.1.3 結(jié)果分析

圖11展示了20個(gè)受試者在測(cè)試過程中分別采用5種算法進(jìn)行注意力檢測(cè)的準(zhǔn)確率.表2展示了測(cè)試過程中各種算法的平均準(zhǔn)確率.從表2可以看出,對(duì)于注意力檢測(cè)的在線實(shí)驗(yàn),隨機(jī)森林的準(zhǔn)確率顯著優(yōu)于其他方法（P<0.05）.

表2 在線實(shí)驗(yàn)各種算法進(jìn)行注意力五分類的平均準(zhǔn)確率（%）

圖11 在線實(shí)驗(yàn)不同對(duì)象進(jìn)行注意力五分類的準(zhǔn)確率

4.2 注意力訓(xùn)練方法結(jié)果及分析

4.2.1 實(shí)驗(yàn)步驟

本實(shí)驗(yàn)選取10名身體健康的受試者（50%男性,50%女性）,年齡范圍為8-18歲（平均值=12.5,標(biāo)準(zhǔn)差=4.32）,采用自身對(duì)照法（self-controlled study）驗(yàn)證訓(xùn)練方法的有效性.自身對(duì)照是指將每名受試者在進(jìn)行訓(xùn)練前、后的測(cè)試結(jié)果進(jìn)行自身比較[20],具有良好的可比性和較高的可信度.實(shí)驗(yàn)期間,每位受試者安靜地坐在椅子上,避免過多的移動(dòng),對(duì)實(shí)驗(yàn)的結(jié)果造成影響.

每位受試者進(jìn)行3次實(shí)驗(yàn),在第一次實(shí)驗(yàn)前和每次實(shí)驗(yàn)后,每位受試者均需要完成一次5×5的舒爾特方格量表,并記錄下完成所需的時(shí)間和該時(shí)間段內(nèi)的腦電信號(hào).每個(gè)實(shí)驗(yàn)由3個(gè)階段組成:準(zhǔn)備階段、訓(xùn)練階段和休息階段.準(zhǔn)備階段持續(xù)3 s,在此期間受試者需要主動(dòng)避免注意到屏幕中的游戲; 在訓(xùn)練階段,先進(jìn)行持續(xù)型注意力訓(xùn)練,記錄受試者通關(guān)所需的時(shí)間,再進(jìn)行選擇型注意力訓(xùn)練,記錄受試者失敗時(shí)的分?jǐn)?shù),最后進(jìn)行集中型注意力訓(xùn)練,記錄受試者釋放技能的次數(shù).休息階段是持續(xù)5 s的放松時(shí)間,在此期間,受試者可以將注意力從屏幕上轉(zhuǎn)移.

4.2.2 有效性分析

針對(duì)10名受試者,主要有以下評(píng)估指標(biāo):

（1）完成舒爾特方格量表的時(shí)間;

（2）持續(xù)型游戲獲勝需要的時(shí)間;

（3）選擇型游戲失敗時(shí)的得分;

（4）集中型游戲中釋放技能的次數(shù).

10位受試者第一次實(shí)驗(yàn)前和每次實(shí)驗(yàn)后完成舒爾特方格量表所需的時(shí)間如圖12所示; 圖13（a）-圖13（c）分別展示的是10位受試者每次實(shí)驗(yàn)持續(xù)型游戲獲勝需要的時(shí)間、選擇型游戲失敗時(shí)的得分、集中型游戲中釋放技能的次數(shù).

從圖12和圖13中可以看出,受試者完成舒爾特方格量表的時(shí)間顯著降低,持續(xù)型游戲獲勝需要的時(shí)間不斷降低、選擇型游戲失敗時(shí)的得分有所增加、集中型游戲中釋放技能的次數(shù)明顯增加,4個(gè)指標(biāo)均有顯著變化（P<0.05）.出現(xiàn)這樣的結(jié)果可能有兩個(gè)原因:（1）因不斷地訓(xùn)練,受試者對(duì)游戲環(huán)境的熟悉程度逐漸增加;（2）閉環(huán)腦電生物反饋感知技術(shù)的有效性.為探究閉環(huán)腦電生物反饋感知技術(shù)對(duì)3次實(shí)驗(yàn)的影響,我們另外設(shè)計(jì)了一個(gè)實(shí)驗(yàn).在相同受試者的基礎(chǔ)上,我們刪除了第3次實(shí)驗(yàn)游戲中腦電生物反饋的相關(guān)元素,即游戲界面中的用于顯示受試者注意力水平的進(jìn)度條和背景音效.其中,圖14展示了前3位受試者每次實(shí)驗(yàn)的4個(gè)評(píng)估指標(biāo)的結(jié)果.為便于比較,我們將指標(biāo)2的值縮小了10倍.

圖12 完成舒爾特方格量表所需時(shí)間

圖13 10位受試者實(shí)驗(yàn)結(jié)果展示

圖14 前3位受試者3次實(shí)驗(yàn)4個(gè)評(píng)估指標(biāo)結(jié)果圖

由于受試者對(duì)游戲愈加熟悉,即使沒有腦電生物反饋,注意力雖在一定程度上也有所提高,但在沒有腦電生物反饋的情況下,4個(gè)指標(biāo)的變化率遠(yuǎn)低于使用閉環(huán)腦電生物反饋感知技術(shù)的變化率.

4.2.3 注意力訓(xùn)練方法比較與分析

注意力訓(xùn)練的相關(guān)研究有很多.2020年,Yoshida等[21]采用包含300種刺激的假隨機(jī)呈現(xiàn)的3組聽覺Oddball范式,提出基于腦電信號(hào)的專注冥想（Focused Attention Meditation,FAM）方法進(jìn)行注意力的訓(xùn)練,通過對(duì)比腦電信號(hào)在Oddball任務(wù)、靜息狀態(tài)和FAM前后8周的結(jié)果,證明了FAM訓(xùn)練的有效性.2019年,Shereena等[22]采用腦電神經(jīng)反饋訓(xùn)練方式設(shè)計(jì)訓(xùn)練任務(wù),通過增強(qiáng)β波抑制θ波,從而改善ADHD兒童的注意力,同時(shí)利用神經(jīng)心理學(xué)測(cè)試、行為測(cè)試等評(píng)估方法對(duì)訓(xùn)練效果進(jìn)行評(píng)估,表明腦電神經(jīng)反饋訓(xùn)練方式能提高ADHD兒童的注意力,可作為其治療方案.

表3 受試者完成舒爾特方格的時(shí)間和注意力檢測(cè)結(jié)果對(duì)比表

綜上,本文在注意力訓(xùn)練方面的貢獻(xiàn)如下:

（1）根據(jù)持續(xù)型、選擇型和集中型注意力,多角度、有針對(duì)性地設(shè)計(jì)嚴(yán)肅游戲.

（2）將注意力檢測(cè)結(jié)果進(jìn)行量化,并作為控制參數(shù)操控對(duì)游戲進(jìn)行操控,且具有一定準(zhǔn)確性.

（3）提出基于閉環(huán)腦電生物反饋感知技術(shù),利用注意力的3大特性設(shè)計(jì)的嚴(yán)肅游戲作為訓(xùn)練注意力的方法.

（4）提出4個(gè)指標(biāo)對(duì)受試者進(jìn)行實(shí)驗(yàn),并驗(yàn)證該方法的有效性.

5 總結(jié)

本文基于腦電信號(hào)研發(fā)了一個(gè)青少年注意力檢測(cè)和訓(xùn)練系統(tǒng),提出了基于隨機(jī)森林的注意力檢測(cè)方法和基于嚴(yán)肅游戲與閉環(huán)腦電生物反饋感知技術(shù)的注意力訓(xùn)練方法.本文進(jìn)行的實(shí)驗(yàn)可驗(yàn)證注意力檢測(cè)模型的準(zhǔn)確性和訓(xùn)練模型的有效性,一定程度上保證了系統(tǒng)的穩(wěn)定性和有效性.

在現(xiàn)有研究的基礎(chǔ)上,對(duì)于嚴(yán)肅游戲訓(xùn)練注意力的研究可以更加深入,如考慮受試者的耐受性狀態(tài); 結(jié)合眼電、肌電等其它生理信息進(jìn)行比較,使得分析的結(jié)果更加全面.近年來,閉環(huán)腦電生物反饋感知技術(shù)憑借其無創(chuàng)傷、副作用小的優(yōu)勢(shì)正逐漸發(fā)展為提升注意力的一種有效的訓(xùn)練工具,而基于嚴(yán)肅游戲的腦電注意力訓(xùn)練方法可以一種潛在的ADHD患者的新療法.