聽覺注意力是大腦在復雜聽覺場景中選擇相關信息、抑制無關信息的重要認知功能。傳統研究多在實驗室內使用笨重設備與人工刺激進行，限制了其生態效度。本研究采用語音包絡跟蹤、被試間相關性和頻譜熵三種方法來評估聽覺注意力。例如，語音包絡跟蹤通過分析腦電信號與語音慢波包絡的相關性，判斷聽者正在注意的說話者；被試間相關性則通過比較不同聽者之間的腦電同步性，反映共同注意力方向；頻譜熵則用于評估聽者持續注意力的水平變化。這些方法為在自然環境下研究聽覺注意力提供了有效工具。

HUIYING

耳周腦電檢測聽覺注意力概述

耳周腦電（如cEEGrid）是一種環繞耳朵放置的柔性電極陣列（圖1），用于記錄大腦電活動。其機理在于通過多個電極捕捉聽覺皮層及相關腦區的電信號，進而通過上述三種方法解碼聽覺注意力狀態。相較于傳統腦電帽，耳周腦電具有隱蔽性強、佩戴舒適、適合長時間自然場景使用的優勢（圖1B），且能有效捕捉與聽覺處理相關的神經信號，適用于日常環境中的注意力監測。

圖1：cEEGrid電極布局與實驗設置示意圖

圖1分為兩部分。圖1A展示了一個cEEGrid傳感器實物佩戴在左耳后的照片，直觀體現了其隱蔽、環繞耳周的形態。圖1B展示了分析所用的雙耳cEEGrid電極布局圖，明確標注了10個電極（每耳）的位置、接地和參考電極（R4a， R4b），以及分析時為了對稱性而移除的電極（L4a）。圖1是理解整個研究技術基礎的關鍵，它證明了該設備在不大幅改變外觀的情況下，能提供多通道、雙側的腦電記錄能力，為實現自然場景監測提供了硬件前提。

HUIYING

耳周腦電注意力監測系統的設計關鍵

設計基于耳周腦電的自然場景注意力監測系統需考慮以下關鍵因素：

信號質量與抗干擾能力：需使用如ASR等偽跡校正方法處理運動、眼動等噪聲（圖2A）；

個體化模型優化：研究發現個體化超參數（如時間窗和正則化參數）可顯著提升解碼準確率（圖2C）；

多模態注意力指標融合：結合語音包絡跟蹤、ISC和頻譜熵可全面評估注意力的方向與水平；

系統便攜性與實時性：cEEGrid結合移動放大器（如SMARTING）支持藍牙傳輸，適合野外或移動場景使用（圖1）。

圖2：語音包絡跟蹤解碼模型的性能優化分析

圖2以四個子圖系統展示了提升解碼準確性的探索。圖2A顯示，使用偽跡子空間重建（ASR）進行校正后，解碼準確率（72.13%）與未校正（71.3%）無顯著差異，表明對于長片段（60秒）數據，運動等偽跡對解碼模型的干擾有限。圖2B的熱圖揭示了最優解碼參數（時間窗與正則化參數）在個體間存在顯著差異（彩色散點），而群體最優參數（黑框）僅為折中選擇。圖2C驗證了參數個體化在常規交叉驗證中的巨大優勢，能將平均準確率從71.3%提升至82.59%。圖2D通過嵌套交叉驗證揭示了關鍵限制：當使用更嚴謹的驗證方法防止過擬合時，個體化模型的優勢消失，群體模型反而更優。這說明個體化模型的有效性高度依賴于大量、高質量的個體數據，為未來實際應用（如助聽器）的數據校準策略提供了重要依據。

HUIYING

臨床研究

研究方法

本研究采用雙說話者競爭范式，評估耳周腦電（cEEGrid）在自然聽覺場景中解碼注意力的可行性。36名聽力正常的參與者在實驗室中，持續注意兩個同時呈現的空間分離男性敘事語音（有聲書）之一。使用環繞雙耳的cEEGrid柔性電極陣列同步記錄腦電信號，其設計兼顧了信號質量與佩戴的隱蔽性。研究系統分析了三種神經指標：

語音包絡跟蹤：通過建模cEEGrid信號與語音慢波包絡的關系，解碼聽者注意的說話者，并探索了偽跡校正與模型參數個體化對解碼準確率的影響。

被試間相關性：計算不同聽者之間腦電信號的同步性，以檢驗注意同一故事是否能產生更高的神經同步。

頻譜熵：計算腦電頻譜在8-32 Hz的熵值，作為評估注意力水平隨時間變化的指標。

研究結果

本研究通過cEEGrid數據，成功復現并驗證了三種注意力度量方法的有效性，主要發現如下：

語音包絡跟蹤成功解碼注意方向：

使用群體最優超參數時，從cEEGrid數據中識別受注意說話者的平均準確率達到71.3%，顯著高于隨機水平。

偽跡校正（ASR）并未顯著提升解碼準確率（圖2A），表明在1分鐘的長數據段下，偽跡對模型影響有限。

個體化超參數在標準交叉驗證中顯著將平均準確率提升至82.59%（圖2C）。然而，當使用更嚴格的嵌套交叉驗證來防止過擬合時，個體化模型的優勢消失，群體模型反而表現更優（圖2D），提示充足的個體數據對于建立穩定的個性化模型至關重要。

被試間相關性揭示共享注意力：

注意同一故事的兩名參與者之間的ISC總和，顯著高于注意不同故事的參與者對（圖3A）。這一“注意力效應”在ISC最強的兩個成分上尤為明顯（圖3C）。

基于ISC模式，能夠以高準確率（左故事97.83%，右故事80.05%）對個體的注意方向進行分類（圖3B）。

該結果首次證明，即使使用電極覆蓋有限的耳周腦電，也能可靠捕捉到基于注意力的腦間神經同步。

圖3：基于被試間相關性的注意力效應與解碼

圖3證明了耳周腦電同樣能捕捉到高級的、社會性的注意力神經標記。圖3A直觀顯示，大多數參與者與注意相同故事者的ISC總和，顯著高于與注意不同故事者的總和，證實了“共享注意導致神經同步”的現象在耳周腦電上依然成立。圖3B的散點圖顯示，根據與“左故事組”和“右故事組”的ISC同步程度，可以清晰地將個體的注意方向分類開來，分類準確率極高，證明了ISC用于注意力解碼的可行性。圖3C進一步分解發現，注意力對神經同步的調制作用主要體現在前兩個最強的相關成分上。圖3D展示了前三個ISC成分的空間拓撲圖，為這種同步性提供了神經生理學上的可視化解釋，表明耳周電極能夠捕捉到與注意處理相關的協同腦活動模式。

頻譜熵反映注意力水平隨時間下降：

在整個實驗過程中，平均頻譜熵值隨時間顯著下降（圖4B），同時α波（8-12 Hz）功率則隨時間顯著上升（圖4C）。

這一模式與“注意力資源隨時間消耗，抑制干擾的需求增加（表現為α波增強），導致注意集中度下降”的理論解釋相一致。

圖4：頻譜熵與Alpha功率隨時間的變化趨勢

圖4從“注意力水平”維度提供了證據。圖4A的頻譜圖展示了實驗期間8-32Hz腦電活動的整體概貌。圖4B是核心發現：平均頻譜熵值在30分鐘的實驗過程中顯著、持續地線性下降。結合前人研究，熵值降低通常解釋為注意力集中度下降或心理疲勞積累的指標。圖4C提供了互補證據：與頻譜熵下降同步，Alpha波段（8-12 Hz）功率顯著上升。Alpha功率升高通常與抑制無關信息、內省狀態或疲勞相關。兩圖結合，強有力地支持了“在長時間的雙任務注意中，聽者的神經狀態發生系統性變化，反映出認知資源的消耗”這一結論。

注意力度量間的關系：

個體在語音包絡跟蹤中表現出的注意力增益，與其在ISC中表現出的注意力效應（ISC_same - ISC_other）呈顯著正相關（圖5）。這表明兩種方法可能捕捉了聽覺選擇性注意力共同的核心神經機制。

然而，頻譜熵（反映注意力水平/警覺度）與上述兩種選擇性注意力指標均未發現顯著相關，說明注意力“水平”與“方向”可能是相對獨立的認知維度。

圖5：選擇性注意力度量指標間的關聯

散點圖5揭示了兩種不同解碼方法的內在聯系。它表明，個體在語音包絡跟蹤中表現出的對目標語音的神經追蹤優勢（選擇性注意力強度），與其在ISC中表現出的與同注意者神經同步的優勢程度，呈顯著正相關。這意味著，一個能更好地將神經資源聚焦于目標說話者的聽者，其腦活動也與同樣聚焦的他人更同步。這提示兩種方法雖然算法不同，但可能捕捉了聽覺選擇性注意力共同的高級認知神經機制。

HUIYING

總結

本研究系統性地證明，耳周腦電（cEEGrid）是一種能夠有效、隱蔽地在自然聽覺場景中監測多維聽覺注意力的強大工具。它不僅能夠以較高準確率解碼注意力的方向（語音包絡跟蹤），還能捕捉注意力的共享狀態（被試間相關性），并評估注意力水平的動態變化（頻譜熵）。研究為開發下一代神經輔助設備（如智能助聽器、課堂注意力監測系統或疲勞預警系統）提供了關鍵的方法學驗證和實踐洞察，強調了未來在真實環境中進行長期、個體化數據收集以實現穩定應用的重要性。