Focused State Recognition Using EEG with Eye Movement-Assisted Annotation

随着机器学习的快速发展，基于脑电图和眼动信号的脑活动识别和分析已经达到了高度的复杂程度。利用深度学习模型学习脑电图和眼动特征在分类脑活动方面证明是有效的。专注状态表明在任务或思考上的强烈集中。通过眼动行为来区分专注和不专注状态，反映了脑活动的变化。通过计算眼动信号中的双目聚焦点差异并整合相关的脑电图特征，我们提出了一种专注状态的注释方法。由生物采集设备处理的原始数据产生的综合数据集包括脑电图特征和通过眼动注释的专注标签。在几个深度学习模型上进行广泛的训练和测试，特别是Transformer模型，在受试者依赖实验中获得了90.16％的准确率。通过跨受试者实验，关键频段和脑区分析证实了其普适性并提供了生理解释，从而证明了这种方法的有效性。

论文旨在利用深度学习模型通过眼动和脑电信号识别和分类大脑活动状态，特别是区分集中和不集中状态。

通过计算眼动信号中的双眼焦点差异和整合相关脑电特征，提出了一种注释集中状态的方法，并在多个深度学习模型上进行了广泛的训练和测试。

论文使用了生物采集设备处理原始数据，得到了包括脑电特征和眼动标签的全面数据集。在主观依赖性实验中，Transformer模型的准确率达到了90.16％。跨受试者实验，关键频率带和脑区分析证实了其普适性并提供了生理解释。

最近的相关研究包括：1. "EEG-based classification of video quality perception using deep learning"；2. "Deep learning-based classification of attentional states using eye-tracking and EEG signals"。