使用脑电图(EEG)信号进行注意力检测已成为研究热点。然而目前缺乏对EEG注意力检测中机器学习方法的系统性综述。南京航空航天大学张道强教授团队概述了过去五年中基于脑电图的注意力检测方面的最新进展，并重点关注听觉注意检测(AAD)和注意力水平分类。首先，文章简要概述了其常用范式、预处理技术与伪迹处理方法，并整理了过往研究中公开可用的数据集。其次，将当前主流的机器学习分类方法归纳为传统机器学习与深度学习两大类别，深入分析了各类方法的使用频率，并探讨了影响算法性能与应用场景的关键因素。最后，文章讨论了该领域现有的挑战和未来趋势。

全文下载：

Attention Detection Using EEG Signals and Machine Learning: A Review

Qianru Sun, Yueying Zhou, Peiliang Gong, Daoqiang Zhang

https://link.springer.com/article/10.1007/s11633-024-1492-6

https://www.mi-research.net/article/doi/10.1007/s11633-024-1492-6

全文导读

注意力是指选择、调节并持续专注于对行为最相关信息的能力，它在所有的感知和认知活动中都起着至关重要的作用。注意力帮助个体将认知资源聚焦于特定任务，同时屏蔽背景干扰。此外，注意力作为神经科学及其他许多学科研究的重要参考指标，已成为学术界和工业界备受关注的课题。

尽管注意力相当重要，但它一直概念模糊，难以给出准确定义。根据Knudsen提出的注意力模型，注意力被视为三个协同作用过程的结果： (A)对正在进行的认知过程的监控和评估，(B)激活与任务相关的过程，以及(C)抑制与任务无关的过程。注意力可以进一步细分为几个子类型，包括选择性注意、空间注意、视觉注意、持续注意和警觉性。

由于注意力在日常生活中至关重要，对其状态的分析具有广泛的实际应用价值。为了满足现实需求，研究人员已开发出多种注意力状态监测技术，包括眼动追踪、功能性磁共振成像(fMRI)、肌电图和脑电图(EEG)。其中，脑电图是一种无创、高效且便捷的注意力分析手段，它通过记录大脑产生的电信号来反映脑活动的实时变化。基于脑电图信号分析，研究人员不仅能有效区分不同注意状态，还可以监测视觉持续性注意的变化，并解码听觉和空间注意力。因此，将脑电图信号应用于注意力检测和分析，对相关研究具有重要的实践意义。

利用脑电图信号研究注意力的历史由来已久。早在20世纪80年代，就有多项研究发现伽马波段可能与运动的注意或意图相关。自那以后，研究人员不断发现注意力和脑电图信号之间的联系，证实了视觉注意、空间注意、听觉注意和注意力水平都可以通过脑电图信号分析进行测量。许多研究人员已将该技术投入实际应用，例如：评估驾驶员警觉性和注意力水平，以确保交通安全；使用EEG传感器来检测听觉注意力，并将其应用于神经增强的助听设备；利用显性与隐性注意力实现了对脑机接口(BCI)系统的可靠控制；对注意力状态的检测有助于诊断常见的疾病，如行为障碍或注意力缺陷多动障碍(ADHD)等。此外，当前研究还呈现出EEG设备便携化的趋势。例如，有学者证明通过单试次的脑电图数据即可解码被试的听觉注意力；还有学者开发了基于入耳式EEG设备的注意状态分类系统。

近年来，许多学者从不同角度对脑电图分析进行了综述，涵盖了情感识别、疾病诊断和运动想象等领域。然而，关于脑电图信号在注意力检测中的应用，尚缺乏系统性综述。现有研究多聚焦于注意力的特定方面，如综述听觉注意力及其未来的应用；回顾听觉注意力检测的方法。另一些研究则关注特定场景下的注意力检测，如对虚拟环境中的注意力检测进行综述；系统回顾脑机接口(BCI)游戏中的注意力检测方法。但迄今为止，尚未出现全面、系统、深入分析机器学习算法在脑电图注意力检测中应用的综述。

为此，本文提供了最新的关于使用脑电图信号进行注意力检测的全面且深入的概述。本综述致力于对该领域进行全景式剖析，而非聚焦于某一特定子领域。为了实现这一目标，本文总结了注意力检测中不同阶段所使用的方法，深入探讨了当前存在的挑战和未来趋势，并为未来的研究人员提供了完整的研究建议。图1为利用脑电图信号进行注意力检测的整体流程，包括六个关键步骤：实验范式设计，即设置好任务与刺激，并将其呈现给受试者；EEG数据采集，即利用电极记录被试的脑电信号；数据预处理，消除眼动、肌电等伪迹，并进行滤波与分段处理；特征提取，从EEG信号中提取功率谱、熵和相干性等有效特征；分类识别，运用机器学习算法模型，根据上述特征对注意力水平进行分类；结果反馈，将分类结果呈现给用户。

图1 使用EEG信号进行注意力检测的流程图

本文的主要贡献可归纳如下：

１) 系统、全面地回顾了基于EEG信号进行注意力检测相关的论文，逐步梳理了从实验设计到结果反馈的全流程研究方法。。

2) 本研究复现了深度学习与机器学习方法，基于三个公开数据集开展对比实验，系统分析了不同方法的特性差异。

3) 提出了最佳实践建议，并讨论了现有问题和未来发展趋势。

本文结构如下：第2部分阐述注意力分类的基础理论框架。第3部分涵盖数据来源、常用实验范式、脑电信号采集流程、预处理方法及主流分类方法，主要关注基于EEG的注意力检测中机器学习方法的应用。第4部分提供最佳实践建议，讨论该领域的关键问题，并给出未来研究的可能方向。第5部分总结全文。

全文下载：

Attention Detection Using EEG Signals and Machine Learning: A Review

Qianru Sun, Yueying Zhou, Peiliang Gong, Daoqiang Zhang

https://link.springer.com/article/10.1007/s11633-024-1492-6

https://www.mi-research.net/article/doi/10.1007/s11633-024-1492-6

BibTex:

@Article {MIR-2023-09-190,

author={Qianru Sun, Yueying Zhou, Peiliang Gong, Daoqiang Zhang},

journal={Machine Intelligence Research},

title={Attention Detection Using EEG Signals and Machine Learning: A Review},

year={2025},

volume={22},

issue={2},

pages={219-238},

doi={10.1007/s11633-024-1492-6}}

特别感谢本文第一作者&南京航空航天大学孙茜茹对以上内容的审阅和修改！

关于Machine Intelligence Research

Machine Intelligence Research（简称MIR，原刊名International Journal of Automation and Computing）由中国科学院自动化研究所主办，于2022年正式出版。MIR立足国内、面向全球，着眼于服务国家战略需求，刊发机器智能领域最新原创研究性论文、综述、评论等，全面报道国际机器智能领域的基础理论和前沿创新研究成果，促进国际学术交流与学科发展，服务国家人工智能科技进步。期刊入选"中国科技期刊卓越行动计划"，已被ESCI、EI、Scopus、中国科技核心期刊、CSCD等20余家国际数据库收录，入选图像图形领域期刊分级目录-T2级知名期刊。2022年首个CiteScore分值在计算机科学、工程、数学三大领域的八个子方向排名均跻身Q1区，最佳排名挺进Top 4%，2023年CiteScore分值继续跻身Q1区。2024年获得首个影响因子(IF) 6.4，位列人工智能及自动化&控制系统两个领域JCR Q1区；2025年发布的最新影响因子达8.7，继续跻身JCR Q1区，最佳排名进入全球第6名；2025年一举进入中科院期刊分区表计算机科学二区。