基于TGAM 與圖神經網絡算法的注意力檢測方法研究

摘要：本研究旨在開發一種基于TGAM傳感器與圖結構改進神經網絡算法的注意力檢測系統。針對當前注意力檢測技術在精度和實時性上的不足，本研究通過整合TGAM傳感器提供的實時眼球追蹤數據與圖結構優化的神經網絡算法，旨在實現注意力檢測的高精度識別與快速響應，從而有效提升系統性能。

關鍵詞：TGAM傳感器；圖神經網絡；注意力檢測；高精度識別；快速響應

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2025）04-0051-03 開放科學（資源服務） 標識碼（OSID） ：

0 引言

自20世紀末以來，隨著人工智能與腦機接口技術的迅猛發展，注意力作為人類認知活動的核心要素，其重要性日益受到學術界與產業界的廣泛關注。注意力在個體層面深刻影響認知、學習、工作及日常行為，在社會層面上對提高生產效率、優化教育模式及促進醫療健康等領域具有重大意義。然而，注意力的主觀性和個體差異性為精確測量帶來了挑戰。

在此背景下，神經科學和生物醫學工程的進展為理解注意力機制提供了新的途徑。腦電波（EEG） 作為一種非侵入性、高時效性的腦部信號記錄手段，已成為研究注意力動態變化的重要工具。特別是ThinkGear ASIC Module（TGAM） 腦電波傳感器的問世，為實時、高效地獲取腦電信號提供了便捷途徑。TGAM不僅能實現腦電信號的即時采集，還具備預處理與濾波功能，為后續深入分析奠定了堅實基礎。通過分析腦電波信號中蘊含的豐富生理信息，可以間接反映個體的認知狀態及注意力水平。

盡管如此，腦電波信號的處理與分析仍面臨諸多挑戰，如信號噪聲大、個體間差異顯著等。傳統分析方法主要聚焦于特定頻段的功率譜密度變化，卻忽視了不同腦區間的空間關聯。實際上，腦區間的協同作用是完成復雜認知任務的關鍵。因此，如何有效捕捉腦電信號中的空間信息成為當前研究的熱點。

基于此背景，本研究旨在探索一種融合TGAM腦電波傳感器與圖結構改進神經網絡算法的全新注意力檢測系統。該系統有望在教育、醫療、心理健康等多個領域發揮重要作用，提升個體認知水平，改善工作效率與生活質量。通過深入研究腦電信號的空間特征與圖神經網絡的算法創新，本研究期望在注意力檢測領域實現更精確、智能化的解決方案。

1 材料與方法

ThinkGear ASIC Module（TGAM） 腦電波傳感器采用電極技術，實時采集微弱腦電信號，采樣頻率為512Hz且功耗低。內置濾波、放大和A/D轉換功能，有效去噪。支持UART接口，輸出原始數據及eSenseTM 分類數據（包括δ、θ、α、β、γ波及“關注度”“放松度”指數） 。采用“慢速自適應”算法校準，抗干擾能力強，適用于不同個體和環境下的可靠采集[1]。

1.1 數據采集

運用TGAM進行腦電信號數據的實時采集。該傳感器能夠實時捕捉個體在不同認知任務執行過程中腦部活動所產生的腦電活動信號，這些信號承載著個體認知狀態的重要信息。如圖1所示。

1.2 數據預處理

首先，通過消除可能受到外部干擾或肌肉活動影響的噪聲，保留與認知過程相關的信號。其次，進行降噪、濾波等處理，以去除噪聲和偽跡，提高數據質量。

1.3 特征提取

采用基于可調Q 因子小波變換（TQWT） 的特征提取方法。對腦電信號數據進行TQWT 分析，能夠提取出多尺度、多頻段的能量特征，從而提高后續分析的精度和可信度，為準確理解個體注意力水平奠定堅實基礎。

1.4 構建圖結構

本研究設計了針對圖數據的神經網絡算法，利用改進的圖卷積神經網絡（GCN） 挖掘腦電信號中的圖結構信息，通過腦區節點及其特征向量有效傳遞時空信息。引入注意力機制，優化網絡關注關鍵腦區連接，提升分類性能。經大量訓練與參數調整，該模型在個體注意力水平預測中達到最佳效果。

1.5 圖結構改進神經網絡算法

基于腦電信號構建圖結構，以腦區作為節點，連接表區域間相互作用。利用時序信息分析腦電同步性與相互影響，節點依據腦電關聯建立，邊權反映區域連接強度，代表交流程度。

1.6 系統集成

將經過圖結構改進的神經網絡算法與TGAM腦電波傳感器進行無縫融合，構建一個完整、高效的注意力檢測系統。在集成過程中，需要確保技術上的高度協調，同時保證數據的穩定性和準確性，以確保系統的可靠性[2]。

2 實驗與結果

本研究將聚焦于理解、分析和提高個體的注意力水平評估準確性，旨在開發一種創新的系統，為注意力相關應用提供更智能、精準的解決方案。

2.1 注意力檢測

對于注意力檢測，其中腦電信號直接反映注意力專注程度，這種方法具有精確度高、時效性好的特點。同時，實時準確地捕捉和評估個體的注意力水平對于提高生產效率、改善教育、醫療等領域的應用具有重要意義。

腦電圖（EEG） 是一種記錄大腦電活動的方法通過TGAM捕捉大腦神經元的電信號，可以生成腦電波數據（如圖2所示） 。分別在注意力集中與不集中的狀態下采集腦電波，并分析關注值和放松值的差異。低波幅β波是指在腦電圖上波幅較低的β波，通常在13至30赫茲之間，與大腦的清醒、警覺和專注狀態有關。低波幅可能表示大腦興奮性降低，與疲勞、睡眠不足、焦慮等心理因素相關。結果表明，在注意力不集中時（如圖3所示） ，RAW Wave的幅度在2.4e+006至800 000 之間波動，而δ波的幅度則相對較低，在2.2e+006至600 000 之間；在注意力集中時（如圖4 所示） ，RAWWave的幅度波動較大，而δ波的幅度也相對較高，波幅變化顯著，頻率更加頻繁[3]。

2.2 圖結構神經網絡

基于收集到的腦電信號數據，我們構建了圖結構（如圖5所示） 。利用腦電信號的時序信息分析不同腦區域之間的同步性和相互影響，同時采用改進的圖卷積神經網絡（GCN） 挖掘腦電信號中的圖結構信息。將腦的不同區域視為圖的節點，節點之間的連接則代表這些區域的相互作用。通過建立這樣的腦部網絡，我們可以更全面、精確地揭示不同腦區域之間的協同作用，從而更好地理解個體的認知狀態。

本研究設計了一個合適的GCN網絡架構，利用其處理節點間復雜關系的能力，將腦電信號數據嵌入節點特征中。每個腦區作為一個節點，根據其在圖中的位置和連接關系被賦予特征向量（如圖6所示） 。這樣，腦電信號的時空信息能夠有效地傳遞給網絡，更好地捕捉不同腦區域之間的相互作用，從而提高對個體認知狀態的準確預測能力[4]。

3 驗證結果

我們將優化后的圖結構神經網絡算法與TGAM腦電波傳感器進行集成，確保傳感器能夠實時捕獲高質量的腦電信號，并快速準確地傳輸到處理系統中。在系統中，圖結構神經網絡算法用于高效分析和處理接收到的腦電信號。

為了驗證系統性能，我們設計了一系列實驗，涵蓋不同認知任務和個體參與者，并在多種環境條件下進行。在每個實驗中，我們使用本研究的系統獲取腦電信號數據，經過預處理、圖結構構建和神經網絡算法處理，得到個體注意力水平的預測結果。這些結果將與實際注意力水平進行對比，以評估系統的預測準確性和性能[5]。

4 結論

本研究提出了一種基于TGAM腦電波傳感器和改進圖神經網絡算法的創新注意力檢測系統。該系統能夠實時處理腦電信號，提取出與注意力水平相關的特征，實現對個體注意力水平的準確評估。本研究為注意力檢測提供了有效的新技術路徑，推動了腦機接口與圖神經網絡的深度結合。未來研究將進一步探索該系統在教育、醫療和人機交互等實際應用中的適用性，以期提升其在不同領域的實用價值。

參考文獻：

[1] 王萍萍，張晴，劉燕，等.基于TGAM模塊的穿戴式腦電實時采集監護系統[J].單片機與嵌入式系統應用，2017，17（7）：75-79.

[2] 董盟盟，仲軼，徐潔，等.基于小波分析的腦電信號處理[J].電子設計工程，2012，20（24）：59-61.

[3] 叢林，馬進，胡文東，等.基于TGAM的無線腦電監測系統[J].電子技術應用，2021，47（2）：24-27.

[4] 張芳，單萬錦，王雯.基于圖結構增強的圖神經網絡方法[J].天津工業大學學報，2024，43（3）：58-65.

[5] WU Q，DEY N，SHI F Q，et al.Emotion classification on eyetrackingand electroencephalograph fused signals employingdeep gradient neural networks[J].Applied Soft Computing，2021（110）：107752.

【通聯編輯：光文玲】

基金項目：2024 年度長春大學旅游學院科研專項基金項目（JS2024039） ;2021 年度吉林省高教科研一般課題（JGJX2021D648） ；長春大學旅游學院第二批“金課”建設項目《分布式計算框架》；大學生創新創業訓練項目（S202413623058） （S202413623059）