编辑推荐：
为解决传统实验室研究难以反映婴儿现实生活中持续注意力（SA）情况，以及缺乏从多模态数据提取 SA 可靠测量方法的问题，研究人员开展了利用可穿戴设备记录的心电图（ECG）和加速度计（Acc）信号，开发自动持续注意力预测（ASAP）方法的研究。结果显示，ASAP 能有效检测婴儿自由玩耍时的 SA，且发现视觉显著性与婴儿注意力的关系。这为在现实场景中研究婴儿发展提供了新途径。
在婴幼儿成长过程中，持续注意力（Sustained Attention，SA）作为一项至关重要的认知能力，在婴儿期便开始显现，并对其后续多方面的发展产生深远影响。它就像一把钥匙，开启了婴儿探索世界、学习新知识的大门，与婴儿的学习、记忆、语言发展以及社交互动等都紧密相连。然而，以往大多数关于 SA 的研究都局限在实验室环境中，这些研究设定的场景过于单一、结构化，与婴儿真实的日常生活环境相差甚远，无法全面反映婴儿在自然状态下的注意力情况。就好比在实验室里观察婴儿对特定刺激的反应，就像是在温室里观察花朵，无法了解花朵在野外自然环境中的生长变化。而且，从多模态数据中提取可靠的 SA 测量指标也一直是个难题，这就像在一堆杂乱无章的拼图中，找不到关键的那几块。
为了解决这些问题，清华大学等研究机构的研究人员开展了一项极具创新性的研究。他们开发了一种自动持续注意力预测（Automatic Sustained Attention Prediction，ASAP）方法，利用可穿戴设备记录的心电图（Electrocardiogram，ECG）和加速度计（Accelerometer，Acc）信号来检测婴儿的 SA。这项研究成果发表在《Scientific Reports》上，为该领域带来了新的曙光。
研究人员在开展研究时，用到了几个主要关键的技术方法。首先，他们创建了一个包含多种同步传感器信号的多模态数据集，数据来自 75 名 6 - 36 个月大的婴幼儿。这些婴幼儿参与了不同的活动，部分活动模拟自然环境，如自由玩耍。其次，通过对 ECG 和 Acc 信号进行处理和特征提取，利用变化点检测（Change Point Detection，CPD）、小波变换等技术来分析信号特征，并采用机器学习算法训练模型以预测注意力时期。
下面来看看具体的研究结果：
- ASAP 模型性能：通过三个步骤逐步逼近人工标注的注意力时期。变化点分割阶段（Step 1）准确率达 80 ± 5%，分类步骤（Step 2）将预测准确率提高到 84 ± 4% ，但召回率有所下降，反映了精度和召回率之间的权衡。细化阶段（Step 3）恢复了注意力持续时间的分布，使其与人工编码的分布在统计上具有可比性。各步骤的性能指标不受年龄显著影响。
- 模型应用：与自我中心视觉信息的交叉验证：研究发现注意力状态对平均显著性有显著影响，注意力集中时注视区域的显著性高于注意力不集中时。年龄与注意力状态在显著性上存在显著交互作用，随着年龄增长，注意力集中时注视区域的显著性降低，而注意力不集中时相对稳定。视觉杂乱度在注意力集中和不集中的区域没有显著差异。
在研究结论和讨论部分，ASAP 模型具有重要意义。它首次利用 ECG 和 Acc 信号，以高时间分辨率对婴幼儿的注意力状态进行分类，非常适合在实验室外的自然环境中使用。该模型成功检测 SA 的关键特征包括 SA 期间心率减速以及心率在时域和频域的波动 。此外，研究还表明，ASAP 检测的注意力时期与人工编码的结果相似，这意味着使用 ASAP 可以节省时间和人力资源，尤其适用于大数据研究。同时，研究也发现了一些有趣的现象，如年龄与视觉显著性的关系，为后续研究提供了方向。然而，该研究也存在一定的局限性，例如模型的精度相对较低，可能受到其他因素的干扰，未来研究可以考虑扩展到其他感官模态，进一步提高模型性能。总的来说，这项研究为理解婴儿在日常生活中注意力的发展提供了有力工具，有助于推动该领域的发展。
