[论文解读] An Effective Entropy-assisted Mind-wandering Detection System with EEG Signals based on MM-SART Database

Yi-Ta Chen, Hsing-Hao Lee+5 more|arXiv (Cornell University)|May 25, 2020

Mind wandering and attention参考文献 37被引用 5

一句话总结

本论文提出了一种基于EEG的走神检测系统，利用新型MM-SART数据库中的熵辅助特征，通过随机森林分类在完成通道与特征选择后实现了0.725的AUC。该系统通过仅选择两个关键EEG通道并应用基于相关性的特征消除，显著降低了计算负载，提升了实时远程学习应用中的效率与准确性。

ABSTRACT

Mind-wandering (MW), which usually defined as a lapse of attention, occurs between 20%-40% of the time, has negative effects on our daily life. Therefore, detecting when MW occurs can prevent us from those negative outcomes resulting from MW, such as failing to keep track of course during learning. In this work, we first collect a multi-modal Sustained Attention to Response Task (MM-SART) database for detecting MW. Eighty-two participants' data are collected in our experiments. For each participant, we collect measures of 32-channels electroencephalogram (EEG) signals, photoplethysmography (PPG) signals, galvanic skin response (GSR) signals, eye tracker signals, and several questionnaires for detailed analyses. Then, we propose an effective MW detection system based on the collected EEG signals. To explore the non-linear characteristics of EEG signals, we utilize the entropy-based features in time, frequency, and wavelet domains. The experimental results show that we can reach 0.712 AUC score by using the random forest (RF) classifier with the leave-one-subject-out cross-validation. Moreover, to lower the overall computational complexity of the MW detection system, we apply techniques of channel selection and feature selection. By using the only two most significant EEG channels, we can reduce the training time of the classifier by 44.16%. By performing correlation importance feature elimination (CIFE) on the feature set, we can further improve the AUC score to 0.725 but with only 14.6% of the selection time compared with the recursive feature elimination (RFE) method. By proposing the MW detection engine, current work can be applied to educational scenarios, especially in the era of remote learning nowadays.

研究动机与目标

• 开发一种高效且计算资源消耗低的基于EEG信号的走神检测系统。
• 收集并利用包含82名受试者的新型多模态MM-SART数据库，以支持稳健的走神分析。
• 通过时域、频域和小波域中的熵基特征，探索EEG信号中的非线性动力学特性。
• 通过EEG通道与特征选择降低计算复杂度，同时不牺牲检测性能。
• 通过优化设计实现实时部署，适用于远程学习环境。

提出的方法

• 使用MM-SART任务从82名受试者中采集了32导EEG、PPG、GSR、眼动追踪及问卷数据。
• 从EEG信号中提取时域、频域和小波域的熵基特征，以捕捉非线性动力学特性。
• 采用随机森林分类器并结合留一被试者交叉验证方法进行走神检测。
• 执行EEG通道选择以减少训练时间，仅保留两个最重要的通道。
• 采用基于相关性的特征消除（CIFE）进行特征选择，将选择时间减少至RFE的14.6%，同时提升AUC。
• 优化检测引擎，实现实时教育场景下的低延迟部署。

实验结果

研究问题

• RQ1 多域EEG信号中的熵基特征能否有效检测走神事件？
• RQ2 通道选择如何影响走神检测系统的计算效率与性能？
• RQ3 CIFE在特征选择中是否能优于RFE，同时降低计算成本？
• RQ4 所提出的系统在仅使用极少EEG通道与特征的情况下，能在多大程度上保持高精度？
• RQ5 该系统能否在远程学习环境中实际部署，实现对注意力的实时监控？

主要发现

• 所提出的系统在使用全部EEG通道与特征并结合随机森林分类器时，AUC达到0.712。
• 仅选择两个最重要的EEG通道使训练时间减少44.16%，且性能损失不显著。
• 应用CIFE进行特征选择后，AUC提升至0.725，优于基线方法。
• CIFE将特征选择时间减少至RFE所需时间的14.6%。
• 优化后的系统实现了低延迟、实时的走神检测，适用于远程学习应用。
• MM-SART数据库为未来注意力与认知状态研究提供了丰富且多模态的数据集。