基于脑电的注意力识别方法调研

1. Li Y, Li X, Ratcliffe M, et al. A real-time EEG-based BCI system for attention recognition in ubiquitous environment. ACM, 2011: 33-40.
   设备：Nexus-4，256Hz
   电极：FPZ，4-second epochs with 50% overlap
   特征：the max power of Alpha band, the mean square of Beta band, the peak-to-peak value of Theta
   band, the variance of Theta band, the max power of Theta band, and the sum power of Theta band
   被试：8人，自评状态
   分类：KNN, 57.03%
2. Liu N H, Chiang C Y, Chu H C. Recognizing the degree of human attention using EEG signals from mobile sensors[J]. Sensors, 2013, 13(8): 10273-10286.
   设备：mindSet，512Hz
   电极：FP1，1-second epochs
   特诊： α, β, δ, and θ波段能量、α/β
   分类：SVM，二分类76.82%
3. Hu B, Li X, Sun S, et al. Attention recognition in EEG-based affective learning research using CFS+ KNN algorithm[J]. IEEE/ACM transactions on computational biology and bioinformatics, 2016, 15(1): 38-45.
   设备：Nexus-32 凝胶电极帽
   被试：10名，每2-3天参加一次，持续5个月
   任务：在线学习10分钟，SAM自评
   数据：基于先前研究仅考虑C3,C4,CZ,P3,P4,PZ。把每个10分钟数据分成3个3分钟，丢弃前后30秒。
   10名被试有450个样本。
   特征：150（6 electrodes× 25 features）
   1）时域特征
   Hjorth参数：活动，移动性和复杂性。
   2）频域特征：自适应自回归（AR）建模获得功率谱特征。
   最大功率密度（maxpower），峰值功率频率（中心频率）和功率密度积分（sumpower）
   3）非线性特征：近似熵（ApEn），Kolmogorov熵，最大Lyapunov指数，谱熵，Co复杂度，相关维数（D2）和奇异值分解熵（SVDen）。
   分类：CFS+KNN（基于相关的特征选择+ k-邻近），注意力三分类：80.84（±3%）
   
4. Ming D, Zhang M, Xi Y, et al. Multiscale entropy analysis of attention ralated EEG based on motor imaginary potential. IEEE, 2009: 24-27.
   设备：EMS Phoenix Digital EEG，256Hz
   被试: 6人
   任务：三种不同的状态：注意力任务、注意力不集中任务、休息任务。每个任务下10段30秒的数据，总时间15分组
   方法：多尺度样本熵MSE，m=2，r=0.25*sd，20个scale
   结果：注意力任务的MSE值略高于注意力不集中和休息任务；
   AR（注意力任务和休息任务差异）和IR（注意力不集中任务和休息任务差异）偏差随scale又增加趋势；
5. Li W, Ming D, Xu R, et al. Research on visual attention classification based on EEG entropy parameters. World Congress on Medical Physics and Biomedical Engineering May 26-31, 2012, Beijing, China. Springer, Berlin, Heidelberg, 2013: 1553-1556.
   任务：“网球试验”。
   注意力任务：观看打网球时想象自己试动画中的人在打网球
   注意力不集中任务：观看打网球时想无关的事情
   休息任务
   “步行实验”。动画换成步行，三个任务与上面一致。
   每个任务都包含10段34秒常的数据。总厂17分钟
   非线性方法：近似熵、样本熵、多尺度熵MSE
   结果：
   1）网球试验中近似熵结果，注意状态和注意不集中状态、注意状态和休息状态具有显著差异；注意不集中状态和休息状态则没有发现显著差异。
   
   2）步行实验中近似熵结果，注意不集中状态和休息状态也有显著差异
   
   3）样本熵结果与近似熵类似

4）多尺度熵结果。休息状态明显比注意状态要低
5）三分类用样本熵准确率最高，85.24%