Are We in The Zone? Exploring The Features and Method of Detecting Simultaneous Flow Experiences Based on EEG Signals

当执行团队目的的相互依存的个人任务时，同时个人流（即同时流）是实现共享团队流的先决条件。检测同时流有助于更好地了解团队成员的状态，因此对于优化多用户交互系统非常重要。然而，目前缺乏探索检测同时流的客观特征和方法。基于团队合作中流的大脑机制和先前关于基于脑电图（EEG）的个人流检测的研究，本研究旨在探索与同时流相关的重要EEG特征，以及基于EEG信号的有效检测方法。首先，设计了一个两人同时流任务，基于此构建了第一个同时流的多EEG信号数据集。然后，我们探索可能与个人和同时流相关的潜在EEG信号特征，并使用各种机器学习模型验证它们在同时流检测中的有效性。结果表明：1）因为增强了模型检测不同类型的同时流，因此跨脑同步特征与同时流相关；2）在检测同时流时，额叶区域的特征似乎优先考虑；3）随机森林在二元分类中表现最佳，而神经网络和深度神经网络在三元分类中表现最佳。

探索多人团队中的同时心流状态检测方法和相关脑电信号特征，解决当前缺乏此类研究的问题。

通过构建首个多人同时心流脑电信号数据集，探索脑电信号特征与同时心流状态的关系，并验证其有效性。

设计了两人同时心流任务，构建了数据集，并使用多种机器学习模型验证了脑电信号特征的有效性。结果表明，跨脑同步特征与同时心流状态相关，前额叶区域的特征更能有效检测同时心流状态，Random Forests在二元分类中表现最好，而神经网络和深度神经网络在三元分类中表现最好。

相关研究包括基于脑电信号的个体心流检测、多人协同性研究等。