arXiv cs.AI· Isabella Guan·· 12 小时前AI 评分31
EEGBiFormer：混合 CNN-Transformer 实现实时 EEG 注意力分类，并用 EEG 引导的听觉协议验证
EEGBiFormer: Real-Time EEG Attention Classification via Hybrid CNN-Transformer with EEG-Informed Auditory Protocol Validation
AI 导读
EEGBiFormer 通过混合 CNN-Transformer 从 16 通道 EEG 信号实时二分类专注与非专注状态，窗口级验证准确率 91.3%、F1 94.5%，17 个独立会话的记录级准确率 88.2%，端到端延迟低于 100 ms。
正文 · AI 翻译
摘要：持续注意力对学业表现至关重要，但现有的听觉辅助工具是静态的，且未以实时神经证据为依据。本文提出 EEGBiFormer，一种混合 CNN-Transformer 模型，用于从 16 通道 EEG 信号中对注意力状态（专注与非专注）进行实时二分类。我们设计并搭建了定制模拟前端采集板，用于采集基于任务的 EEG 数据集。在模型训练之前，使用功率谱密度和相位锁定值进行的频谱与连通性分析证实了不同注意力状态之间存在明显的神经特征，为分类方法提供了生理学依据。EEGBiFormer 在 17 个独立会话中实现了 91.3% 的窗口级验证准确率和 94.5% 的 F1 分数，以及 88.2% 的记录级准确率。端到端系统延迟测得低于 100 ms，支持实时响应。训练好的模型进一步用于按专注状态置信度对听觉刺激进行客观排序，从而得到由 EEG 指导的音频方案。在一项有 37 名参与者参加的配对受试者内行为研究中，这些方案相比静默对照组使综合注意力分数产生了统计学显著的 20% 提升，效应量为中到大。这项工作展示了从定制 EEG 硬件到神经信号分析、深度学习分类以及基于证据的听觉方案设计的完整流程。
| 评论： | 被 IEEE MIT URTC 2026 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；人机交互（cs.HC） |
| 引用为： | arXiv:2610.33832 [cs.LG] |
| （或 arXiv:2610.33832v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.33832 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Isabella Guan [查看电子邮件]
[v1]
2026 年 10 月 24 日星期六 18:10:46 UTC（2,556 KB）
来源：arXiv cs.AI · arxiv.org