DGCSA: Dynamic graph convolution with self-attention for EEG-based attention recognition in VR and 2D environment

人类的心智是专注的大师，然而这种专注力却很脆弱，极易被现代世界的喧嚣所分散。对于教育者和培训师而言，准确判断学生是在真正投入还是心不在焉，长期以来一直是一个依赖于观察肢体语言或询问自我报告的猜测游戏。为了解决这个问题，科学家们转向了大脑本身，使用一种被称为脑电图（EEG）的方法。这种技术涉及在头皮上放置一个传感器帽，以聆听数十亿神经元同步放电时发出的微弱电信号。虽然大脑的电活动极其快速且复杂，但它记录了我们的精神状态。挑战始终在于如何将那些混乱的静电噪声转化为清晰的信号：这个人是在专心致志，还是在走神？

来自西安石油大学和莫纳什大学的一个研究小组开发了一种新方法来解码这些信号，专门用于测量传统学习环境和虚拟学习环境中的注意力水平。他们创建了一个系统，将大脑视为一个动态网络，而非孤立部分的集合，在这个网络中，不同的区域不断进行交流。通过将这种网络视角与一种衡量不同脑波节奏重要性的方法相结合，他们构建了一个能够以卓越精度区分低、中、高注意力水平的工具。他们的工作还提供了一个罕见的内部视角，用以观察虚拟现实（即常用于培训的沉浸式数字世界）是否确实比标准电脑屏幕更能帮助人们集中注意力。

研究人员首先收集了二十名大学生的数据，他们在佩戴着64通道传感器帽时执行了一项特定的心理任务，即舒尔特方格（Schulte Grid）。在这项练习中，参与者必须在随机出现的数字网格中寻找并点击从1到25的数字。他们点击的速度和准确性成为了衡量其精神状态的可靠指标。研究团队将参与者的表现分为三个等级：低注意力，即闭眼休息状态；中等注意力，即完成任务时伴随一些错误或速度较慢；以及高注意力，即快速且完美地完成任务。为了确保数据的稳健性，学生们在两种不同的环境下完成了这些任务：标准的2D屏幕以及佩戴头显并在3D世界中环顾的完全沉浸式虚拟现实环境。

为了处理收集到的海量电信号数据，该团队开发了一个名为DGCSA的复杂计算机模型。传统方法通常通过将脑电信号分解为简单的频率带（如低沉的轰鸣声或高频的嗡鸣声），然后尝试根据这些孤立的声音来推测精神状态。这种新方法则不同，因为它理解大脑是一个相互连接的系统。该模型首先分析不同频率下电信号的强度和复杂度，给予那些对区分注意力最有用的特定脑波更高的权重。然后，它绘制出头帽上不同传感器之间是如何连接的，但有一个关键的转折：该模型并非假设这些连接是固定的，而是学习它们如何随着注意力的转移而实时变化。最后，它使用了一种类似于“聚光灯”的机制，突出最重要的连接并忽略噪声，从而能够洞察大脑活动的全局。

当研究人员测试这个新系统时，结果令人瞩目。该模型的识别准确率达到了91.67%，相比于依赖简单数学规则或标准深度学习模型的旧方法有了显著提升。它在识别学生处于高度专注状态方面表现尤为出色，在测试组中准确识别了每一个高注意力实例。研究还揭示了大脑的自我连接方式会根据环境而改变。在虚拟现实设置中，与扁平的2D屏幕相比，模型检测到了更稳定且一致的专注模式。

数据显示，在虚拟现实环境中，学生保持着更高的注意力水平，且注意力的波动比在2D屏幕上工作时更少。统计分析证实，这种差异并非偶然；虚拟世界的沉浸感似乎比2D屏幕更有效地锚定了学生的注意力。通过观察特定的脑波模式，研究人员发现虚拟环境触发了大脑视觉和空间处理区域的独特反应，这表明大脑正在更努力地整合接收到的丰富3D信息。这种高度的参与感反映在大脑的电活动中，即当学生处于虚拟世界时，其电信号显示出更清晰、更有组织性的特征。

该研究还解决了以往研究中常见的一个局限性，即难以有效结合不同类型的脑电数据。通过使用智能权重系统，新模型可以将脑波强度信息与复杂度信息进行融合，从而描绘出更丰富的精神状态图景。这种方法使系统能够适应每个人大脑功能的独特性，而不是强行将所有大脑都套入一个单一、僵化的模板。研究人员指出，尽管系统高度准确，但它偶尔会将低注意力时刻与高注意力时刻混淆，这可能是因为在短时间的数据快照中，短暂的警觉爆发看起来与持续的专注非常相似。

最终，这项工作为理解我们如何学习提供了一个强大的新工具。它证明了虚拟现实不仅仅是一种新鲜事物，更是一种能够真正增强认知参与度的媒介，这一发现得到了大脑活动中清晰、可衡量变化的有力支持。该新模型提供了一种客观追踪实时注意力的方法，这在未来可能帮助教育者实时调整教学方法，或帮助设计者创造能让学习者深度投入的训练模拟程序。研究证实，当我们步入虚拟世界时，我们的大脑不仅是在观看，更是在以一种区别于观看平面屏幕的方式进行参与、连接和专注，这为教育和培训的未来开辟了一条充满希望的路径。