自然场景下注意力如何耳周脑电可靠监测

听觉注意力是大脑在复杂听觉场景中选择相关信息、抑制无关信息的重要认知功能。传统研究多在实验室内使用笨重设备与人工刺激进行，限制了其生态效度。本研究采用语音包络跟踪、被试间相关性和频谱熵三种方法来评估听觉注意力。例如，语音包络跟踪通过分析脑电信号与语音慢波包络的相关性，判断听者正在注意的说话者；被试间相关性则通过比较不同听者之间的脑电同步性，反映共同注意力方向；频谱熵则用于评估听者持续注意力的水平变化。这些方法为在自然环境下研究听觉注意力提供了有效工具。

 

HUIYING

耳周脑电检测听觉注意力概述

 

耳周脑电（如cEEGrid）是一种环绕耳朵放置的柔性电极阵列（图1），用于记录大脑电活动。其机理在于通过多个电极捕捉听觉皮层及相关脑区的电信号，进而通过上述三种方法解码听觉注意力状态。相较于传统脑电帽，耳周脑电具有隐蔽性强、佩戴舒适、适合长时间自然场景使用的优势（图1B），且能有效捕捉与听觉处理相关的神经信号，适用于日常环境中的注意力监测。

 

 

图1：cEEGrid电极布局与实验设置示意图

 

图1 分为两部分。图1A展示了一个cEEGrid传感器实物佩戴在左耳后的照片，直观体现了其隐蔽、环绕耳周的形态。图1B展示了分析所用的双耳cEEGrid电极布局图，明确标注了10个电极（每耳）的位置、接地和参考电极（R4a， R4b），以及分析时为了对称性而移除的电极（L4a）。图1 是理解整个研究技术基础的关键，它证明了该设备在不大幅改变外观的情况下，能提供多通道、双侧的脑电记录能力，为实现自然场景监测提供了硬件前提。

 

HUIYING

耳周脑电注意力监测系统的设计关键

设计基于耳周脑电的自然场景注意力监测系统需考虑以下关键因素：

信号质量与抗干扰能力：需使用如ASR等伪迹校正方法处理运动、眼动等噪声（图2A）；

个体化模型优化：研究发现个体化超参数（如时间窗和正则化参数）可显著提升解码准确率（图2C）；

多模态注意力指标融合：结合语音包络跟踪、ISC和频谱熵可全面评估注意力的方向与水平；

系统便携性与实时性：cEEGrid结合移动放大器（如SMARTING）支持蓝牙传输，适合野外或移动场景使用（图1）。

 

 

图2：语音包络跟踪解码模型的性能优化分析

 

图2 以四个子图系统展示了提升解码准确性的探索。图2A 显示，使用伪迹子空间重建（ASR）进行校正后，解码准确率（72.13%）与未校正（71.3%）无显著差异，表明对于长片段（60秒）数据，运动等伪迹对解码模型的干扰有限。图2B 的热图揭示了最优解码参数（时间窗与正则化参数）在个体间存在显著差异（彩色散点），而群体最优参数（黑框）仅为折中选择。图2C 验证了参数个体化在常规交叉验证中的巨大优势，能将平均准确率从71.3%提升至82.59%。图2D 通过嵌套交叉验证揭示了关键限制：当使用更严谨的验证方法防止过拟合时，个体化模型的优势消失，群体模型反而更优。这说明个体化模型的有效性高度依赖于大量、高质量的个体数据，为未来实际应用（如助听器）的数据校准策略提供了重要依据。

 

HUIYING

临床研究

研究方法

 

本研究采用双说话者竞争范式，评估耳周脑电（cEEGrid）在自然听觉场景中解码注意力的可行性。36名听力正常的参与者在实验室中，持续注意两个同时呈现的空间分离男性叙事语音（有声书）之一。使用环绕双耳的cEEGrid柔性电极阵列同步记录脑电信号，其设计兼顾了信号质量与佩戴的隐蔽性。研究系统分析了三种神经指标：

语音包络跟踪：通过建模cEEGrid信号与语音慢波包络的关系，解码听者注意的说话者，并探索了伪迹校正与模型参数个体化对解码准确率的影响。

被试间相关性：计算不同听者之间脑电信号的同步性，以检验注意同一故事是否能产生更高的神经同步。

频谱熵：计算脑电频谱在8-32 Hz的熵值，作为评估注意力水平随时间变化的指标。

 

研究结果

 

本研究通过cEEGrid数据，成功复现并验证了三种注意力度量方法的有效性，主要发现如下：

语音包络跟踪成功解码注意方向：

使用群体最优超参数时，从cEEGrid数据中识别受注意说话者的平均准确率达到71.3%，显著高于随机水平。

伪迹校正（ASR）并未显著提升解码准确率（图2A），表明在1分钟的长数据段下，伪迹对模型影响有限。

个体化超参数在标准交叉验证中显著将平均准确率提升至82.59%（图2C）。然而，当使用更严格的嵌套交叉验证来防止过拟合时，个体化模型的优势消失，群体模型反而表现更优（图2D），提示充足的个体数据对于建立稳定的个性化模型至关重要。

被试间相关性揭示共享注意力：

注意同一故事的两名参与者之间的ISC总和，显著高于注意不同故事的参与者对（图3A）。这一“注意力效应”在ISC最强的两个成分上尤为明显（图3C）。

基于ISC模式，能够以高准确率（左故事97.83%，右故事80.05%）对个体的注意方向进行分类（图3B）。

该结果首次证明，即使使用电极覆盖有限的耳周脑电，也能可靠捕捉到基于注意力的脑间神经同步。

 

 

图3：基于被试间相关性的注意力效应与解码

 

图3 证明了耳周脑电同样能捕捉到高级的、社会性的注意力神经标记。图3A直观显示，大多数参与者与注意相同故事者的ISC总和，显著高于与注意不同故事者的总和，证实了“共享注意导致神经同步”的现象在耳周脑电上依然成立。图3B的散点图显示，根据与“左故事组”和“右故事组”的ISC同步程度，可以清晰地将个体的注意方向分类开来，分类准确率极高，证明了ISC用于注意力解码的可行性。图3C进一步分解发现，注意力对神经同步的调制作用主要体现在前两个最强的相关成分上。图3D展示了前三个ISC成分的空间拓扑图，为这种同步性提供了神经生理学上的可视化解释，表明耳周电极能够捕捉到与注意处理相关的协同脑活动模式。

 

频谱熵反映注意力水平随时间下降：

在整个实验过程中，平均频谱熵值随时间显著下降（图4B），同时α波（8-12 Hz）功率则随时间显著上升（图4C）。

这一模式与“注意力资源随时间消耗，抑制干扰的需求增加（表现为α波增强），导致注意集中度下降”的理论解释相一致。

 

 

图4：频谱熵与Alpha功率随时间的变化趋势

 

图4 从“注意力水平”维度提供了证据。图4A的频谱图展示了实验期间8-32Hz脑电活动的整体概貌。图4B是核心发现：平均频谱熵值在30分钟的实验过程中显著、持续地线性下降。结合前人研究，熵值降低通常解释为注意力集中度下降或心理疲劳积累的指标。图4C提供了互补证据：与频谱熵下降同步，Alpha波段（8-12 Hz）功率显著上升。Alpha功率升高通常与抑制无关信息、内省状态或疲劳相关。两图结合，强有力地支持了“在长时间的双任务注意中，听者的神经状态发生系统性变化，反映出认知资源的消耗”这一结论。

 

注意力度量间的关系：

个体在语音包络跟踪中表现出的注意力增益，与其在ISC中表现出的注意力效应（ISC_same - ISC_other）呈显著正相关（图5）。这表明两种方法可能捕捉了听觉选择性注意力共同的核心神经机制。

然而，频谱熵（反映注意力水平/警觉度）与上述两种选择性注意力指标均未发现显著相关，说明注意力“水平”与“方向”可能是相对独立的认知维度。

 

 

图5：选择性注意力度量指标间的关联

 

散点图5 揭示了两种不同解码方法的内在联系。它表明，个体在语音包络跟踪中表现出的对目标语音的神经追踪优势（选择性注意力强度），与其在ISC中表现出的与同注意者神经同步的优势程度，呈显著正相关。这意味着，一个能更好地将神经资源聚焦于目标说话者的听者，其脑活动也与同样聚焦的他人更同步。这提示两种方法虽然算法不同，但可能捕捉了听觉选择性注意力共同的高级认知神经机制。

 

HUIYING

总结

本研究系统性地证明，耳周脑电（cEEGrid）是一种能够有效、隐蔽地在自然听觉场景中监测多维听觉注意力的强大工具。它不仅能够以较高准确率解码注意力的方向（语音包络跟踪），还能捕捉注意力的共享状态（被试间相关性），并评估注意力水平的动态变化（频谱熵）。研究为开发下一代神经辅助设备（如智能助听器、课堂注意力监测系统或疲劳预警系统）提供了关键的方法学验证和实践洞察，强调了未来在真实环境中进行长期、个体化数据收集以实现稳定应用的重要性。