基于计算机视觉分析的EEG视觉刺激实验中注意力缺失自动标记方法研究

本研究针对EEG视觉刺激实验中人工标记注意力缺失的主观性和耗时问题，创新性地提出利用计算机视觉分析(CVA)结合多层感知机(MLP)模型，通过头部姿态、视线坐标等特征实现注意力缺失自动检测。在23名自闭症谱系障碍(ASD)儿童数据验证中，模型曲线下面积(AUC)达0.989，与人工标注一致性(Cohen's kappa)为0.888，显著提升EEG数据预处理效率与客观性。

　　

在神经科学研究中，脑电图(EEG)是探索大脑与行为关系的重要工具，但儿童尤其是自闭症谱系障碍(ASD)或注意力缺陷多动症(ADHD)患者进行视觉刺激实验时，注意力维持困难导致数据质量不稳定。传统依赖人工标记注意力缺失的方法存在主观性强、耗时等问题，而专业眼动仪设备成本高昂。Dmitry Yu Isaev团队在《Scientific Reports》发表的研究，通过计算机视觉分析(CVA)结合机器学习，为这一难题提供了创新解决方案。

研究采用普通摄像头采集23名49-95月龄ASD儿童（含11名ADHD共病患者）的EEG实验视频，通过开源软件提取鼻部坐标、头部旋转角度（pitch/yaw/roll）和视线坐标等37维特征。关键技术创新包括：1）基于OpenFace和iTracker的模块化特征提取流程；2）采用多层感知机(MLP)模型进行二分类预测；3）随机采样策略实现个体化模型微调（仅需85秒标注数据）。

研究结果部分：

1. 1.

   模型性能验证：留一法交叉验证显示，微调后模型检测注意力缺失的中位AUC达0.989（IQR 0.984-0.993），显著优于序列采样策略（AUC 0.862）。

2. 2.

   人工标注一致性：与人工标注的Cohen's kappa达0.888（范围0.616-0.944），接近两名人类标注员间的一致性（0.548-0.859）。

3. 3.

   时间效率：传统人工标注需220分钟/视频，而本方法仅需24分钟即可完成等效标注。

讨论指出，该方法首次实现EEG实验中注意力缺失的自动化、低成本检测，其开源可视化工具支持特征校验与结果后处理。研究突破在于：1）通过头部姿态与视线特征组合（如鼻部坐标对侧向转头敏感）提升检测精度；2）解决EEG头网遮挡、多人同框等特殊场景的适用性问题；3）为多中心研究提供标准化预处理方案。未来可探索对5.38%面部检测失败帧的插值优化，进一步扩大应用范围。

这项研究不仅为神经发育障碍儿童的EEG研究提供关键技术支撑，其模块化设计也适用于成人或典型发育人群，对推动神经科学研究的可重复性具有重要意义。