基于TGAM 与图神经网络算法的注意力检测方法研究

摘要：本研究旨在开发一种基于TGAM传感器与图结构改进神经网络算法的注意力检测系统。针对当前注意力检测技术在精度和实时性上的不足，本研究通过整合TGAM传感器提供的实时眼球追踪数据与图结构优化的神经网络算法，旨在实现注意力检测的高精度识别与快速响应，从而有效提升系统性能。

关键词：TGAM传感器；图神经网络；注意力检测；高精度识别；快速响应

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2025）04-0051-03 开放科学（资源服务） 标识码（OSID） ：

0 引言

自20世纪末以来，随着人工智能与脑机接口技术的迅猛发展，注意力作为人类认知活动的核心要素，其重要性日益受到学术界与产业界的广泛关注。注意力在个体层面深刻影响认知、学习、工作及日常行为，在社会层面上对提高生产效率、优化教育模式及促进医疗健康等领域具有重大意义。然而，注意力的主观性和个体差异性为精确测量带来了挑战。

在此背景下，神经科学和生物医学工程的进展为理解注意力机制提供了新的途径。脑电波（EEG） 作为一种非侵入性、高时效性的脑部信号记录手段，已成为研究注意力动态变化的重要工具。特别是ThinkGear ASIC Module（TGAM） 脑电波传感器的问世，为实时、高效地获取脑电信号提供了便捷途径。TGAM不仅能实现脑电信号的即时采集，还具备预处理与滤波功能，为后续深入分析奠定了坚实基础。通过分析脑电波信号中蕴含的丰富生理信息，可以间接反映个体的认知状态及注意力水平。

尽管如此，脑电波信号的处理与分析仍面临诸多挑战，如信号噪声大、个体间差异显著等。传统分析方法主要聚焦于特定频段的功率谱密度变化，却忽视了不同脑区间的空间关联。实际上，脑区间的协同作用是完成复杂认知任务的关键。因此，如何有效捕捉脑电信号中的空间信息成为当前研究的热点。

基于此背景，本研究旨在探索一种融合TGAM脑电波传感器与图结构改进神经网络算法的全新注意力检测系统。该系统有望在教育、医疗、心理健康等多个领域发挥重要作用，提升个体认知水平，改善工作效率与生活质量。通过深入研究脑电信号的空间特征与图神经网络的算法创新，本研究期望在注意力检测领域实现更精确、智能化的解决方案。

1 材料与方法

ThinkGear ASIC Module（TGAM） 脑电波传感器采用电极技术，实时采集微弱脑电信号，采样频率为512Hz且功耗低。内置滤波、放大和A/D转换功能，有效去噪。支持UART接口，输出原始数据及eSenseTM 分类数据（包括δ、θ、α、β、γ波及“关注度”“放松度”指数） 。采用“慢速自适应”算法校准，抗干扰能力强，适用于不同个体和环境下的可靠采集[1]。

1.1 数据采集

运用TGAM进行脑电信号数据的实时采集。该传感器能够实时捕捉个体在不同认知任务执行过程中脑部活动所产生的脑电活动信号，这些信号承载着个体认知状态的重要信息。如图1所示。

1.2 数据预处理

首先，通过消除可能受到外部干扰或肌肉活动影响的噪声，保留与认知过程相关的信号。其次，进行降噪、滤波等处理，以去除噪声和伪迹，提高数据质量。

1.3 特征提取

采用基于可调Q 因子小波变换（TQWT） 的特征提取方法。对脑电信号数据进行TQWT 分析，能够提取出多尺度、多频段的能量特征，从而提高后续分析的精度和可信度，为准确理解个体注意力水平奠定坚实基础。

1.4 构建图结构

本研究设计了针对图数据的神经网络算法，利用改进的图卷积神经网络（GCN） 挖掘脑电信号中的图结构信息，通过脑区节点及其特征向量有效传递时空信息。引入注意力机制，优化网络关注关键脑区连接，提升分类性能。经大量训练与参数调整，该模型在个体注意力水平预测中达到最佳效果。

1.5 图结构改进神经网络算法

基于脑电信号构建图结构，以脑区作为节点，连接表区域间相互作用。利用时序信息分析脑电同步性与相互影响，节点依据脑电关联建立，边权反映区域连接强度，代表交流程度。

1.6 系统集成

将经过图结构改进的神经网络算法与TGAM脑电波传感器进行无缝融合，构建一个完整、高效的注意力检测系统。在集成过程中，需要确保技术上的高度协调，同时保证数据的稳定性和准确性，以确保系统的可靠性[2]。

2 实验与结果

本研究将聚焦于理解、分析和提高个体的注意力水平评估准确性，旨在开发一种创新的系统，为注意力相关应用提供更智能、精准的解决方案。

2.1 注意力检测

对于注意力检测，其中脑电信号直接反映注意力专注程度，这种方法具有精确度高、时效性好的特点。同时，实时准确地捕捉和评估个体的注意力水平对于提高生产效率、改善教育、医疗等领域的应用具有重要意义。

脑电图（EEG） 是一种记录大脑电活动的方法通过TGAM捕捉大脑神经元的电信号，可以生成脑电波数据（如图2所示） 。分别在注意力集中与不集中的状态下采集脑电波，并分析关注值和放松值的差异。低波幅β波是指在脑电图上波幅较低的β波，通常在13至30赫兹之间，与大脑的清醒、警觉和专注状态有关。低波幅可能表示大脑兴奋性降低，与疲劳、睡眠不足、焦虑等心理因素相关。结果表明，在注意力不集中时（如图3所示） ，RAW Wave的幅度在2.4e+006至800 000 之间波动，而δ波的幅度则相对较低，在2.2e+006至600 000 之间；在注意力集中时（如图4 所示） ，RAWWave的幅度波动较大，而δ波的幅度也相对较高，波幅变化显著，频率更加频繁[3]。

2.2 图结构神经网络

基于收集到的脑电信号数据，我们构建了图结构（如图5所示） 。利用脑电信号的时序信息分析不同脑区域之间的同步性和相互影响，同时采用改进的图卷积神经网络（GCN） 挖掘脑电信号中的图结构信息。将脑的不同区域视为图的节点，节点之间的连接则代表这些区域的相互作用。通过建立这样的脑部网络，我们可以更全面、精确地揭示不同脑区域之间的协同作用，从而更好地理解个体的认知状态。

本研究设计了一个合适的GCN网络架构，利用其处理节点间复杂关系的能力，将脑电信号数据嵌入节点特征中。每个脑区作为一个节点，根据其在图中的位置和连接关系被赋予特征向量（如图6所示） 。这样，脑电信号的时空信息能够有效地传递给网络，更好地捕捉不同脑区域之间的相互作用，从而提高对个体认知状态的准确预测能力[4]。

3 验证结果

我们将优化后的图结构神经网络算法与TGAM脑电波传感器进行集成，确保传感器能够实时捕获高质量的脑电信号，并快速准确地传输到处理系统中。在系统中，图结构神经网络算法用于高效分析和处理接收到的脑电信号。

为了验证系统性能，我们设计了一系列实验，涵盖不同认知任务和个体参与者，并在多种环境条件下进行。在每个实验中，我们使用本研究的系统获取脑电信号数据，经过预处理、图结构构建和神经网络算法处理，得到个体注意力水平的预测结果。这些结果将与实际注意力水平进行对比，以评估系统的预测准确性和性能[5]。

4 结论

本研究提出了一种基于TGAM脑电波传感器和改进图神经网络算法的创新注意力检测系统。该系统能够实时处理脑电信号，提取出与注意力水平相关的特征，实现对个体注意力水平的准确评估。本研究为注意力检测提供了有效的新技术路径，推动了脑机接口与图神经网络的深度结合。未来研究将进一步探索该系统在教育、医疗和人机交互等实际应用中的适用性，以期提升其在不同领域的实用价值。

参考文献：

[1] 王萍萍，张晴，刘燕，等.基于TGAM模块的穿戴式脑电实时采集监护系统[J].单片机与嵌入式系统应用，2017，17（7）：75-79.

[2] 董盟盟，仲轶，徐洁，等.基于小波分析的脑电信号处理[J].电子设计工程，2012，20（24）：59-61.

[3] 丛林，马进，胡文东，等.基于TGAM的无线脑电监测系统[J].电子技术应用，2021，47（2）：24-27.

[4] 张芳，单万锦，王雯.基于图结构增强的图神经网络方法[J].天津工业大学学报，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.

【通联编辑：光文玲】

基金项目：2024 年度长春大学旅游学院科研专项基金项目（JS2024039） ;2021 年度吉林省高教科研一般课题（JGJX2021D648） ；长春大学旅游学院第二批“金课”建设项目《分布式计算框架》；大学生创新创业训练项目（S202413623058） （S202413623059）