美国 ABM 脑电仪 B-Alert

美国ABM公司推出的B-Alert可移动无线脑电系统为科学研究和工程应用提供实时测量的解决方案,包括闭环性能监测和仿真训练,人机交互设计评估,情景意识和团队动态监测,工作效率和训练状态监测,是移动脑电解决方案首选 。多功能化设计提供了医疗级的信号质量,适用于实验室、医院和工作场所,如工厂、野外、体育比赛现场等各种环境;应用领域适包括运动科学、人因工程、车辆驾驶员监测、心理认知研究等。

美国 ABM 脑电仪 B-Alert

仪器信息

品牌Advanced Brain Monitoring
分类脑电仪
仪器编码美国 ABM 脑电仪 B-Alert
地区来源美国
更新时间2026-10-14
研究领域神经科学、神经康复、神经工效学、消费者神经科学、创业学

技术参数

共 152 条规格记录

功能指标

可采集信号类型头皮 EEG 与 3 轴体动,可选 ECG、EEG、EOG、EMG
工作模式Monitoring mode(经蓝牙传输)、Hibernation(关机)、Disconnect(长期存放)
体动检测功能3 轴 12 位加速度计测得角度
阻抗测量功能由主机启动,仅对 EEG 通道进行,ExG 两针通道不做阻抗监测
机载存储记录功能不支持,无机载记录模式
视频记录功能支持 MP4 视频记录与远程视频监看
实时认知状态指标参与度(engagement)与困倦(drowsiness)
实时认知负荷评估功能支持,用于测量被试的心理努力程度
报警功能不具备基于 EEG 分类的报警,仅有过度伪迹提示报警(B-Alert X10,文档 D10-8201-2 Rev 11)
应用领域人因工程、工效学、神经游戏、神经营销、神经领导力、团队神经动力学、脑机接口

性能指标

输入电压范围±1000 μV(EEG 通道)
输入电压范围±1000–2000 μV(B-Alert X10 整机标称)
电压分辨率0.038 μV(EEG 通道,文档 D35-8202-2 Rev 4)
电压分辨率0.03 μV(EEG 通道,早期版本规格,文档 D10-8201-2 Rev 11)
A/D 转换分辨率16 bit(EEG 通道)
EEG 通道数9(B-Alert X10)
EEG 通道数最高 20(B-Alert X24)
辅助通道数1 个可选 ECG、EMG 或 EOG 通道(B-Alert X10)
辅助通道数1 个可选 ECG、EOG 或 EMG 通道(B-Alert X24,文档 D35-8201-2 Rev 4)
辅助通道数最多 4 个可选通道,经双导连接器连接两个传感器(B-Alert X24,FDA 510(k) K131383 所述配置)
采样率256 samples/second(所有通道)
带宽0.1 Hz 高通(固件)、67 Hz 低通(硬件)
带宽0.1 Hz 高通(硬件)、100 Hz 低通(硬件)(早期版本规格,文档 D10-8201-2 Rev 11)
输入噪声3 μV peak-to-peak,typical(EEG 通道)
输入噪声±3.7 μV peak-to-peak(EEG 通道,早期版本规格,文档 D10-8201-2 Rev 11)
输入阻抗500 MΩ,typical
输入阻抗100 GΩ(早期版本规格,文档 D10-8201-2 Rev 11)
共模抑制比-115 dB,typical
共模抑制比110 dB,typical(早期版本规格,文档 D10-8201-2 Rev 11)
辅助输入电压范围±2000 μV(可选辅助通道,ECG)
加速度计测量范围-180–180°
加速度计分辨率12 bit
加速度计采样率10 Hz(由 100 Hz 降采样)
位置测量准确度±3°(±60° 范围内)
无线传输速率3 Mbaud
数据吞吐率典型 10 KB/sec,最大 30 KB/sec(文档 D35-8201-2 Rev 4)
数据吞吐率典型 34 Kbit/sec,最大 100 Kbit/sec(B-Alert X10,早期版本规格,文档 D10-8201-2 Rev 11)
无线传输距离约 10 m(视距,板载天线)
无线传输距离最大 20 m(视距);推荐 10 m(B-Alert X10,早期版本规格,文档 D10-8201-2 Rev 11)
无线传输延迟<340 ms
无线传输延迟最高 300 ms(早期版本规格,文档 D35-8201-2 Rev 4)
无线传输延迟最高 200 ms(B-Alert X10,早期版本规格,文档 D10-8201-2 Rev 11)
数据丢包率平均 <0.1%

硬件配置

系统组成X10 与 X24 头戴采集器及附件、Synapse Cream 导电膏、X-Series Basic 软件、蓝牙接收单元
EEG 电极类型泡沫传感器(100 PPI 天然色滤泡棉),配 Kustomer Kinetics 透明导电膏
ECG 电极类型MBS(3BF3)一次性带胶 Ag/AgCl 传感器
参考方式固定增益,参考至双侧乳突(linked mastoids)
电极布局Fz、F3、F4、Cz、C3、C4、POz、P3、P4(B-Alert X10 标准传感器条)
电极布局标准 10-20 导联加 POz:Fz、Cz、Pz、F3、F4、C3、C4、P3、P4、O1、O2、T5、T3、F7、Fp1、Fp2、F8、T4、T6,配双侧乳突参考(B-Alert X24,文档 D35-8201-2 Rev 4)
电极布局POz、Fz、Cz、Pz、F3、F4、C3、C4、P3、P4(B-Alert X10,早期版本规格,文档 D10-8201-2 Rev 11)
传感器条材料聚酯薄膜(Polyester film)
传感器条尺寸规格X-Small、Small、Medium(每位点在 10-20 系统 ±1 cm 内)
传感器条使用寿命25 次使用
头带材料氯丁橡胶(Neoprene),配环扣
外壳材料ABS
导电膏成分低致敏基质中的高导电电解质与防腐剂,缓冲至皮肤 pH
设备操作按键On/Off 触控开关
状态指示灯绿色、琥珀色
无线通信标准Bluetooth SPP 2.0
无线通信标准Laird BL652(Bluetooth 5.0),配 USB dongle
无线通信标准Bluetooth v2.1+EDR,符合 IEEE 802.15.1(早期版本规格,文档 D35-8201-2 Rev 4)
无线工作频段2.4–2.48 GHz(ISM 频段)
天线形式板载天线
无线发射功率Class 2 +4 dBm
USB 接口规范USB 2.0
外部同步单元B-Alert ESU 多通道外部同步单元,带串口与并口
可选配件CBLX10(模拟输出同步线缆);B-ALERT-ESU(外部同步单元)

软件与数据

采集软件B-Alert Essential
可选分析软件B-Alert Live
操作系统兼容性Windows 7、8 或 10(文档 D35-8201-2 Rev 4)
操作系统兼容性Windows 7(早期版本规格,文档 D10-8201-2 Rev 11)
计算机处理器要求Pentium 4 或同等及以上
计算机内存要求1 GB RAM(文档 D35-8201-2 Rev 4)
计算机内存要求2 GB RAM 与 4 MB 虚拟内存(B-Alert 软件 v1.4)
硬盘空间要求每 5 小时记录至少 50 MB(B-Alert 软件 v1.4)
显示器尺寸要求15–21 inch(认知指标基准采集需要)(B-Alert 软件 v1.4,认知指标基准采集)
软件运行环境要求已安装 .NET framework 3.5(B-Alert 软件 v1.4)
自动伪迹去除功能支持,可去除 EMG、EOG、尖波、饱和与漂移伪迹并保留原始数据
离线分析功能情感状态、参与度与工作负荷、额叶不对称、Mu 抑制、伪迹检测
数据文件格式EDF(European Data Format)
数据文件格式EDF+(European Data Format Plus)(FDA 510(k) K131383 所述配置)
数据文件大小1 MB/min,每 8 小时 480 MB(文档 D35-8201-2 Rev 4)
数据文件大小每 8 小时记录 512 MB(FDA 510(k) K131383 所述配置)
SDK 支持范围MatLab、EEGLab、BCI2000、qEEG
第三方软件兼容性可由医师使用 FDA 批准的第三方软件(如 Persyst Software,K011397)分析

使用条件

主机尺寸2.7 inch(长)×1.9 inch(宽)×0.8 inch(高)(头戴采集器(当前 X 系列))
主机尺寸2.8 inch(长)×1.9 inch(宽)×0.8 inch(深)(文档 D35-8201-2 Rev 4(X24))
主机尺寸5.0 inch(长)×2.25 inch(宽)×1.0 inch(深)(B-Alert X10,早期版本规格,文档 D10-8201-2 Rev 11)
主机重量2.0 ounces(头戴采集器(当前 X 系列))
主机重量0.071 kg(含电池)(文档 D35-8201-2 Rev 4(X24))
主机重量3.9 ounces(含电池)(B-Alert X10,早期版本规格,文档 D10-8201-2 Rev 11)
电池额定容量650 mAh(Li-ION)
电池额定容量600 mAh 或 650 mAh,3.7 V 锂聚合物电池(文档 D35-8201-2 Rev 4)
电池额定容量600 mAh,3.7 V 锂离子电池(B-Alert X10,早期版本规格,文档 D10-8201-2 Rev 11)
功耗约 60 mA(B-Alert X10)
功耗45 mAh,典型(监测模式,文档 D35-8201-2 Rev 4)
功耗约 40 mA @ 3.7 V,典型(B-Alert X10,早期版本规格,文档 D10-8201-2 Rev 11)
续航时间8+ 小时连续无线采集
续航时间12+ 小时(B-Alert Mobile 系统)
续航时间10.5–12.5 小时(监测模式,充电后 0–4 天,文档 D35-8201-2 Rev 4)
续航时间9.5–12.0 小时(监测模式,充电后 5–10 天,文档 D35-8202-2 Rev 4)
续航时间14–15 小时(B-Alert X10,充电后前四天,早期版本规格,文档 D10-8201-2 Rev 11)
续航时间16–17 小时(监测模式,充电后 0–4 天,FDA 510(k) K131383 所述配置)
充电方式经 USB 线连接 USB 端口(5 V/0.5 A)或 USB 壁式充电器
充电方式经 JED 连接器与 USB 线连接 USB 端口(5 V/0.5 A)或 USB 壁式充电器 FY-0501000(B-Alert X10,早期版本规格,文档 D10-8201-2 Rev 11)
充电时间0.5–5.0 小时,典型
电池预期使用寿命2 年
工作温度范围5–40 °C(文档 D35-8201-2 Rev 4)
工作相对湿度15%–90%,非冷凝(工作条件,文档 D35-8202-2 Rev 4)
工作相对湿度15%–95%,非冷凝(早期版本规格,文档 D10-8201-2 Rev 11)
工作大气压70–106 kPa
工作海拔-382–3012 m(文档 D35-8201-2 Rev 4)
工作海拔-390–3012 m(早期版本规格,文档 D10-8201-2 Rev 11)
储运温度范围-25–5 °C;5–35 °C;>35–70 °C(文档 D35-8201-2 Rev 4)
储运温度范围-20–70 °C(早期版本规格,文档 D10-8201-2 Rev 11)
导电膏温度要求7–20 °C
可触及部件最高温度<57 °C(环境温度 22.8 °C 时)
可触及部件最高温度<45 °C(环境温度 22.2 °C 时)
禁用环境不得在 MRI 环境或磁共振成像系统附近使用,不得与高频手术设备或在手术室内使用
校准要求无需校准
佩戴部位头皮与胸部
佩戴准备时间约 10 分钟
适用人群6 岁青少年至成人
适用人群6 岁及以上
操作人员资质要求受训技师
设备预期使用寿命5 年
IP 防护等级IP22
IP 防护等级IPXO(依据 IEC 60601-1 sub-clause 44.6)(早期版本规格,文档 D10-8201-2 Rev 11)
电击防护类型Type BF 应用部分,内部电池供电(B-Alert X10,文档 D10-8201-2 Rev 11)
运行模式分类连续运行(Continuous)
医用电气安全标准IEC 60601-1、CSA 601.1、EN865、EN/IEC 60601-1-2 2nd edition(文档 D10-8201-2 Rev 11)
辐射发射标准CISPR 11,RF 发射 Group 1、Class B
辐射发射标准Class B,EN 55011:2009+A1:2010
静电放电抗扰度EN 61000-4-2
射频电磁场辐射抗扰度EN 61000-4-3
工频磁场抗扰度EN 61000-4-8
无线电设备 EMC 标准EN 301 489-1、EN 301 489-17
无线电设备指令Radio Equipment Directive
低电压指令Low Voltage Directive
无线电发射合规FCC Part 15 Class B;加拿大 ICES-003
SAR 合规低于美国 24.979 mW 与欧盟 20 mW 限值(蓝牙模块最差情况 5.85 dBm)(文档 D10-8201-2 Rev 11)
FDA 510(k) 编号FDA 510(k) K131383;分类 882.1400 Electroencephalograph;产品代码 GWQ、OMC
预期用途在家庭、医疗机构或临床研究环境中处方使用,采集、传输、显示和存储 6 岁及以上患者的生理信号
用途限制不用于患者的诊断或治疗,面向非医疗应用与 IRB 批准的人体受试者研究
诊断分析声明仅采集与显示生理信号,不对信号的准确度、精密度与可靠性作分析声明
基本性能声明无会导致不可接受风险的基本性能
清洁消毒方式用异丙醇擦拭清洁消毒
清洁消毒方式用 70% 异丙醇擦拭清洁消毒(B-Alert X10,早期版本规格,文档 D10-8201-2 Rev 11)

其他

整机订货号B-ALERT110-WA;B-ALERT110CS-WA;B-Alert-SFT-W
系列内型号构成B-Alert X10 与 B-Alert X24 两款头戴采集器
系列内型号构成X10 面向功能性与简便性的 9 通道系统;X24 面向 LORETA、BCI、神经反馈训练、ERP 与认知状态研究的 20 通道系统
前代型号K130013 X4 System

相关实验室

以下机构来自本仪器关联论文的作者署名,不代表已确认采购或持有该仪器。

宾夕法尼亚大学

地区:美国

署名作者:Jin Ho Yun、迈克尔·L·普拉特

研究方向:脑电图、创业路演、α 不对称、相关神经活动

关联论文 1 篇

扎耶德大学

地区:阿联酋

署名作者:伊恩·迈克尔

研究方向:名人影响者、目的地营销、神经科学、情绪

关联论文 1 篇

迪拜大学

地区:阿联酋

署名作者:诺埃拉·迈克尔

研究方向:名人影响者、目的地营销、神经科学、情绪

关联论文 1 篇

雪城大学

地区:美国

署名作者:汉娜·N·伦布兰特、埃琳·A·赖利

研究方向:失语症、经颅直流电刺激、瞳孔测量、脑电图

关联论文 1 篇

美国陆军航空医学研究实验室

地区:美国

署名作者:凯瑟琳·A·费尔特曼、阿曼达·M·凯利

研究方向:工作负荷、航空、个体化、脑电图

关联论文 1 篇

美国北达科他大学

地区:美国

署名作者:哈米德·塔赫里·戈尔吉、库希亚尔·塔瓦科利安

研究方向:生物医学工程、脑电图、航空航天工程、人类行为

关联论文 1 篇

实验方法

研究方向:经颅直流电刺激对卒中后失语症患者注意与疲劳的影响、模拟飞行中飞行员工作负荷评估、目的地广告中名人代言效果、创业融资结果的神经预测

卒中后失语症患者经颅直流电刺激前后注意状态的脑电分类评估

方法说明:该方法用于检验单次前额叶经颅直流电刺激(tDCS)能否改善卒中后失语症患者的注意与疲劳。10 名卒中后失语症患者参加真刺激与假刺激两次交叉会话,在注意训练前后各完成一次持续注意任务(Conners CPT-3)。期间 B-Alert X24t 无线脑电系统同步记录脑电,B-Alert 软件基于 FzPO、CzPO 差分导联的 1 Hz 功率谱密度,经四类二次判别函数分析,输出每个试次处于无注意、分心注意、中等注意、高注意四种状态的概率。同时以 Eyelink 1000 Plus 记录瞳孔直径,并采集反应时与主观疲劳评分。

实验仪器:无线脑电系统 B-Alert X24t;经颅电刺激仪 1×1;眼动仪 EyeLink 1000 Plus

实验步骤

  1. 受试者与实验设计

    说明:招募 10 名卒中后失语症患者(5 名男性,平均年龄 62.8 岁),采用被试内交叉设计,完成两次结构相同的数据采集会话:一次接受真 tDCS,一次接受假 tDCS,顺序随机。

    关键点:两次会话之间至少间隔 3 天洗脱期;1 名受试者因 CPT 任务执行错误被排除出反应时分析(Rembrandt 2025)。

  2. 脑电佩戴与校准

    说明:用 B-Alert X24t 脑电系统采集脑电,电极固定于前额尼龙搭扣头带并涂导电凝胶。首次会话进行头部测量,并完成三项校准任务:三选择心理运动警觉任务、睁眼被动警觉任务、闭眼被动警觉任务。

    关键点:校准任务仅在首次会话进行,必要时重复,直至 B-Alert 软件判定注意与投入数据类别已定义充分;每次采集前确认电极阻抗。

  3. 训练前持续注意任务与同步采集

    说明:受试者将头部置于头托,完成 Conners CPT-3 持续注意任务(6 个区组,每区组 60 个试次),同时用 B-Alert X24t 记录脑电、用 Eyelink 1000 Plus 记录右眼单眼瞳孔大小;会话前后各进行一次 0–100 主观疲劳评分。

    关键点:确认脑电阻抗与校准后才开始任务;瞳孔数据按换算系数由任意单位转换为毫米。

  4. 注意训练与经颅直流电刺激

    说明:移除脑电头带,换上 tDCS 头带,用 Soterix 1×1 经颅电刺激设备进行刺激:阳极置于左侧背外侧前额叶(F3),阴极置于 Fp2;真刺激在 30 s 内升至 2 mA 并维持 20 min,期间完成约 25 min 的注意过程训练(APT-3)。

    关键点:假刺激在约 1 min 内升流后降回零,作为盲法对照。

  5. 训练后重复测量

    说明:移除 tDCS 头带,重新佩戴脑电头带,确认阻抗后重复 Conners CPT-3 任务,并同步采集脑电与瞳孔数据。

    关键点:训练后重新评估脑电阻抗,确认后才开始任务。

  6. 注意状态判别与统计分析

    说明:B-Alert 软件对每个试次输出四种注意状态的概率百分比,取概率最高者作为该试次的注意状态,计算各状态的试次占比,并在四个采集时段之间比较。

    关键点:只使用非参数检验:Friedman 检验、Wilcoxon 符号秩检验与 Bonferroni 事后校正(α = 0.0083),效应量 r = |z|/√N;瞳孔数据另做线性回归。

实验数据

试次注意状态(无注意、分心注意、中等注意、高注意)

数据来源:B-Alert X24t 采集脑电,由 B-Alert 软件基于 FzPO、CzPO 的 1 Hz 功率谱密度经四类二次判别函数分析输出各状态概率

实验样本:四种状态的组间比较:无注意 p = 0.83、分心注意 p = 0.20、中等注意 p = 0.95、高注意 p = 0.62(n = 10)

数据呈现:以图表呈现各采集时段各注意状态的试次占比

正确反应时

数据来源:Conners CPT-3 持续注意任务记录

实验样本:条件间无显著差异(n = 9,p = 0.39);假刺激前后 p = 0.17,真刺激前后 p = 0.59

数据呈现:以图表比较四个采集时段的反应时

瞳孔直径变化

数据来源:Eyelink 1000 Plus 单眼记录,由任意单位换算为毫米

实验样本:三种刺激间隔下,真刺激后的瞳孔变化均显著大于训练前(p < 0.01,r = 0.85);回归 R² = 0.38,F(1, 18) = 10.91,β = 2.49

数据呈现:以图表比较各条件下的瞳孔变化

任务性疲劳评分

数据来源:受试者在会话开始与结束时的 0–100 主观疲劳自评

实验样本:假刺激会话疲劳显著上升(p = 0.01),真刺激会话无显著变化(p = 0.12)

数据呈现:以图表比较会话前后的疲劳评分

方法关联论文:单次前额叶经颅直流电刺激相关生理变化的证据:一项预实验研究

模拟飞行任务中飞行员工作负荷的额叶脑电频谱评估

方法说明:该方法用于检验个体化工作负荷操控能否在陆军飞行员中更可靠地诱发高工作负荷。8 名陆军飞行员在全动 UH60 黑鹰飞行模拟器中完成低负荷与个体化高负荷飞行,B-Alert X24 无线湿电极脑电系统全程记录 20 导联脑电。B-Alert Live 软件去除伪迹后经快速傅里叶变换计算功率谱密度,提取 F7、F3、F4、F8 四个额叶导联的 θ、α、β 功率及 β/(α+θ) 比值。同时采集主观工作负荷评分与飞行绩效。

实验仪器:无线脑电系统 B-Alert X24;全动飞行模拟器

实验步骤

  1. 受试者与两次实验安排

    说明:8 名男性陆军持证飞行员(平均年龄 37.25 岁)两次到访实验室:第一次确定个体工作负荷阈值,第二次进行个体化工作负荷操控的飞行。

    关键点:原计划招募 16 人,因新冠疫情限制,采集到 8 人时停止。

  2. 脑电佩戴与基线采集

    说明:佩戴 Advanced Brain Monitoring B-Alert X24 无线湿电极脑电系统(20 导联,按国际 10–20 系统定位),随后完成 B-Alert 系统提供的三项任务,采集基线脑电。

    关键点:三项基线任务用于生成 B-Alert 专有认知状态指标,但本研究未分析这些指标。

  3. 模拟飞行与工作负荷操控

    说明:在配备六自由度运动系统的全动 UH60 黑鹰模拟器中,先完成低负荷训练飞行,再完成个体化高负荷飞行;操控涵盖认知、体力、视觉与听觉维度。模拟器以 60 Hz 记录飞行状态数据,湍流按 1–7 级设定。

    关键点:操控按第一次到访确定的个体阈值设定:7 名飞行员接受听觉操控,3 名接受认知操控,2 名接受体力操控,视觉操控对所有飞行员一致。

  4. 主观工作负荷评定

    说明:采集 ISAW 即时工作负荷评分与 NASA-TLX 量表评分。

    关键点:主观评分与脑电、飞行绩效一并用于判断是否诱发了高工作负荷。

  5. 脑电频谱参数提取

    说明:用 B-Alert Live 软件处理全部脑电:先识别并去除伪迹,再经快速傅里叶变换计算功率谱密度,提取 F7、F3、F4、F8 的 θ(4–8 Hz)、α(9–13 Hz)、β(14–30 Hz)功率,并计算 β/(α+θ) 比值。

    关键点:β 比值只用额叶导联计算,不同于 Freeman 等人使用中央与顶叶导联的做法。

  6. 统计分析

    说明:用配对样本 t 检验比较低负荷与高负荷飞行,计算 Hedges' g 效应量;并与既往组别化操控研究的数据进行重复测量线性回归和 2 × 2 混合方差分析。

    关键点:软件为 R Studio 4.0.2、SPSS 25 及 effectsize 程序包。

实验数据

额叶 θ、α、β 功率谱密度

数据来源:B-Alert X24 记录的 F7、F3、F4、F8 脑电,经 B-Alert Live 去伪迹与快速傅里叶变换计算

实验样本:两种飞行条件下,α 为 0.1592 与 0.1548(p = 0.04),θ 为 0.1727 与 0.1607(p = 0.01),β 为 0.4051 与 0.4121(p = 0.07)

数据呈现:表格(Table 3)列出两种飞行条件下的均值与检验结果

β/(α+θ) 比值

数据来源:由额叶 θ、α、β 功率谱密度计算

实验样本:两种飞行条件下为 1.2303 与 1.3112(p = 0.02)

数据呈现:表格(Table 3)列出两种飞行条件下的均值与检验结果

主观工作负荷评分

数据来源:ISAW 即时评分与 NASA-TLX 量表

实验样本:ISAW 由 2.03 升至 3.42(t(7) = 6.00,p < 0.001,g = 1.88);NASA-TLX 由 19.25 升至 73.71(t(7) = 10.04,p < 0.001,g = 3.16)

数据呈现:表格列出低负荷与高负荷飞行的均值与检验统计量

飞行绩效

数据来源:飞行模拟器以 60 Hz 记录的飞行状态数据

实验样本:触地空速 3.60 与 19.08 KIAS(p = 0.05),尾部速度 p = 0.06

数据呈现:表格列出两种飞行条件下的绩效指标

方法关联论文:利用脑电测量飞行员工作负荷:一种个体化的负荷操纵方法

旅游目的地广告观看中的眼动与脑电情绪认知指标评估

方法说明:该方法用于比较名人代言与非名人代言的旅游目的地广告在注意、情绪、认知负荷与记忆上的效果。40 名受试者观看 16 则广告(8 则含名人,8 则不含名人),佩戴 Tobii 眼动眼镜记录对面孔、品牌与目的地兴趣区的注视。同时用 ABM X-10(B-Alert)脑电监测仪记录 9 导联脑电,按 ABM B-ALERT 流程进行个体化校准后,计算额叶不对称(动机)、情绪唤醒与工作记忆负荷等逐秒指标,并结合广告记忆测验进行分析。

实验仪器:无线脑电系统 B-Alert X10;眼动眼镜 Pro Glasses 2

实验步骤

  1. 受试者招募与刺激准备

    说明:从本地便利样本招募 40 名受试者(21 名女性,年龄 31.95 ± 7.75 岁),采用被试内设计;每人观看 16 则广告,其中 8 则含名人、8 则不含名人,伪随机呈现。

    关键点:16 则广告由 8 个目的地各自的名人版与非名人版组成,每名受试者每个目的地只看其中一个版本。

  2. 设备佩戴与脑电校准

    说明:受试者佩戴 Tobii Glasses Pro 2 眼动眼镜与 ABM X-10 脑电监测仪,脑电按 10–20 系统记录 Fz、F3、F4、Cz、C3、C4、POz、P3、P4 九个位点,以双侧乳突为参考;按 ABM B-ALERT 校准流程进行功能定位测试,采集基准数据,建立个体化脑电轮廓。

    关键点:记录开始前确保所有位点阻抗低于 40 kΩ;校准所得的基准数据用于计算情绪唤醒与认知负荷分数。

  3. 数据采集

    说明:受试者观看广告期间,用 B-Alert Lab 软件(Windows 10 环境)记录脑电,采样率 256 Hz,0.1 Hz 高通与五阶 100 Hz 低通滤波;眼动由 Tobii Glasses Controller 软件记录。

    关键点:采样率 256 Hz,滤波 0.1–100 Hz。

  4. 数据预处理

    说明:脑电经 0.1–100 Hz 带通滤波和 50 Hz 工频陷波后,由 ABM 专有采集软件的算法自动检测并去除眨眼、肌肉运动及环境/电气干扰(尖峰、饱和)造成的伪迹;眼动注视自动检测,人工划定面孔、品牌、目的地三类兴趣区。

    关键点:伪迹去除依赖 ABM X-10 系统的专有算法。

  5. 指标计算

    说明:以 γ 频段(约 > 30 Hz)功率计算额叶不对称,表征趋近/回避动机;以基于神经网络模型的后验概率计算情绪唤醒;以处于高工作负荷脑状态的后验概率计算工作记忆负荷。各指标为 1 s 分辨率,并归一化至 0–1。

    关键点:唤醒与负荷指标依赖个体化校准得到的基准数据。

  6. 统计分析

    说明:用 R v3.2.1 完成一级数据处理,用 JMP v14.1 进行组水平分析,采用以受试者为随机因素的回归模型、Mann-Whitney U 检验及 Shapiro-Wilk 正态性检验。

    关键点:除总体比较外,还进行逐秒比较及针对品牌记忆的探索性回归分析。

实验数据

面孔、人物与品牌注意

数据来源:Tobii Glasses Pro 2 记录的兴趣区注视数据

实验样本:面孔注意 1.37 对 0.95(Z = 5.72,p < 0.0001);全身注意 1.92 对 1.54(p = 0.0007);品牌注意 1.83 对 1.26(p = 0.6175)

数据呈现:以图表比较名人与非名人广告条件下的注意指标

额叶不对称(动机)与情绪唤醒

数据来源:ABM X-10 记录的脑电,经 B-ALERT 个体化校准与模型计算,1 s 分辨率

实验样本:动机 0.501 对 0.506(p = 0.723);唤醒 0.491 对 0.494(p = 0.870);名人广告第 2 秒动机较低(p = 0.0396)

数据呈现:以图表呈现两类广告的总体比较与逐秒时间进程

工作记忆(认知)负荷

数据来源:ABM X-10 脑电经个体化校准计算的高工作负荷状态后验概率

实验样本:总体 0.516 对 0.502(p = 0.437);名人广告在第 5 秒(p = 0.0105)与第 6 秒(p = 0.0485)较高

数据呈现:以图表呈现两类广告的总体比较与逐秒时间进程

品牌记忆

数据来源:观看后的记忆测验

实验样本:1.81 对 1.64(Z = 0.97,p = 0.331);面孔注意、动机与认知负荷对品牌记忆的回归系数分别为 β = 0.948、3.18、3.11

数据呈现:以图表与回归结果呈现

方法关联论文:评估名人对品牌注意、情绪与记忆的影响

创业路演视频观看中的群体脑电额叶α不对称与被试间相关分析

方法说明:该方法用于检验小规模实验室焦点小组的脑电信号能否预测创业路演的投资结果。28 名有行业或商业背景的受试者观看 14 段电视创业路演视频,B-Alert X24 移动脑电系统以 1024 Hz 记录 20 导联脑电。数据经 MNE-Python 预处理后,计算 F3/F4 额叶 α 不对称(FAA)与中央区 α 活动的被试间相关(ISC),再与受试者自报投资兴趣、线上样本外投资兴趣评分及节目中的实际融资结果做关联分析。

实验仪器:移动脑电系统 B-Alert X24

实验步骤

  1. 受试者招募与刺激准备

    说明:经沃顿行为实验室招募 28 名有行业或商业背景的受试者(年龄 29.43 ± 10.85 岁,14 名女性),观看 14 段 2022–2024 年播出的 Shark Tank 创业路演视频(平均时长 85.36 s),实验程序使用 PsychoPy;另由 497 名 MTurk 线上样本提供样本外投资兴趣评分。

    关键点:视频在创业者性别上保持平衡,并兼顾种族与产品类型的差异;1 名受试者因技术错误只观看了 10 段视频。

  2. 脑电采集

    说明:用 Advanced Brain Monitoring 的 B-Alert X24 移动脑电系统记录 20 个电极(10–20 系统)及乳突参考与眼电,采样率 1024 Hz。

    关键点:电极阻抗保持在 40 kΩ 以下。

  3. 数据预处理

    说明:用 MNE-Python 进行 0.3–50 Hz 带通滤波,用 Autoreject 的 RANSAC 校正坏导,用独立成分分析分解出 15 个成分并依据眼电剔除眼动成分,以 −0.2–0 s 做基线校正。

    关键点:带通 0.3–50 Hz,ICA 15 个成分。

  4. 神经特征提取

    说明:以 Welch 功率谱估计 F3/F4 的 α 频段(8–13 Hz)功率,计算额叶 α 不对称,并用 5 s Morlet 小波滑动窗计算时程 FAA;在 Cz、C3、C4 上计算 α 活动的被试间相关,取 378 对受试者两两 Pearson 相关的均值。

    关键点:计算 ISC 前降采样至 250 Hz;同时用 VADER、NRCLex 与 LIWC 提取路演文本的情感特征作为对照。

  5. 统计建模

    说明:以随机截距的分层线性(混合效应)模型检验 FAA 对个体投资兴趣的预测;以 Pearson 相关与秩相关检验神经指标与样本外兴趣、融资金额及成交结果的关系,并以 5000 次自助法估计置信区间。

    关键点:事先进行蒙特卡洛功效分析,论文将本研究定位为探索性、生成假设的研究。

实验数据

额叶 α 不对称(FAA)

数据来源:B-Alert X24 记录的 F3、F4 脑电,由 α 频段(8–13 Hz)功率谱密度计算

实验样本:全片 FAA 预测个体投资兴趣 β = 0.331(p = 0.032);4–8 s 滑动窗 β = 9.542(p = 0.030);第 4 窗与样本外兴趣的自助法 r = 0.59(95% CI [0.05, 0.85]);平均 FAA 预测融资金额 β = 1989.98(p = 0.010)

数据呈现:以图表呈现滑动窗 FAA 与投资兴趣相关系数的时间进程及回归结果

α 活动被试间相关(ISC)

数据来源:B-Alert X24 记录的 Cz、C3、C4 脑电 α 活动,降采样至 250 Hz 后计算 378 对受试者两两 Pearson 相关的均值

实验样本:约 47–50 s 处预测是否成交 r > 0.50(p < 0.05);48 s 处与融资金额边缘相关 r = 0.458(p < 0.10)

数据呈现:以图表呈现 ISC 随路演时间变化的曲线及其与结果的相关

自报投资兴趣与路演文本情感

数据来源:受试者问卷、MTurk 样本外评分,以及 VADER、NRCLex、LIWC 对路演文本的分析

实验样本:文本情感与情绪指标与结果无显著关系;控制动态能力与喜悦情感后 FAA 仍显著(β = 0.326,p = 0.035)

数据呈现:以表格列出回归系数与显著性

方法关联论文:利用焦点小组脑电数据预测创业者融资成功

主要部件

暂未收录主要部件

相关论文

共 5 篇;当前显示第 1 页

评估名人对品牌注意、情绪与记忆的影响

原文题名:Evaluating celebrity influence on brand attention, emotion, and memory

发表年份:2026

作者:诺埃拉·迈克尔;托马斯·佐埃加·拉姆瑟;伊恩·迈克尔

刊源:Scientific Reports

DOI 10.1038/s41598-026-38902-z
查看论文摘要与书目信息

摘要 · 中文整理:本研究关注营销中日益流行的以名人作为影响者的趋势,企业在名人代言上投入巨大。研究考察名人影响者在目的地营销中的效果,并将其影响力与非名人影响者进行比较。研究借助神经科学工具与方法,了解认知与情绪因素如何影响消费者决策及其出行意愿。结果表明,启用名人并不总能提高受众对目的地的投入与注意。普通人将名人视为一个整体,而非聚焦于某一具体特征。此外,含影响者的广告与含陌生人的广告在激励水平或情绪反应上没有显著差异。名人影响者通常不会明显增加观看者的认知负荷,但在某些情境下可能略微增加心理努力。结果表明,影响者营销能够吸引注意,但不应盖过品牌本身。

原文摘要:This study focuses on the growing trend of celebrities being used as influencers in marketing, with firms investing substantially in celebrity endorsements. The study examines the effectiveness of celebrity influencers in destination marketing, comparing their influence with that of non-celebrity influencers. Neuroscience tools and methods were used to understand how cognitive and emotional factors impact consumer decisions and their likelihood to travel. The results show that employing a celebrity does not always increase audience engagement and attention toward the destination. The average person perceives the celebrity as a whole rather than focusing on one specific feature. Moreover, there were no significant differences in motivating levels or emotional responses between advertisements with influencers and those with unknown individuals. Celebrity influencers often do not contribute much to the cognitive load of viewers, although there are certain situations where they may slightly increase mental effort. The results suggest that influencer marketing can attract attention but should not overshadow the brand.

关键词:名人影响者、目的地营销、神经科学、情绪、认知、出行意愿

研究目标:企业在名人代言上投入巨大,但在旅游目的地营销中,名人影响者是否比非名人更有效尚不清楚。本研究借助眼动与脑电等神经科学方法,考察名人代言对广告注意、情绪、认知负荷与记忆的影响。

主要结论:名人代言提高了对面孔与人物整体的注意(面孔注意 1.37 对 0.95,p < 0.0001),但没有提高对品牌的注意(p = 0.6175)。动机、唤醒与认知负荷总体无显著差异,只在个别时间点名人广告的认知负荷略高;品牌记忆无显著差异(p = 0.331)。研究认为,影响者营销能吸引注意,但不应盖过品牌本身。

创新点:在旅游目的地营销情境中,同时使用可穿戴眼动与 ABM X-10 脑电,以逐秒的额叶不对称、唤醒与认知负荷指标结合兴趣区注视和记忆测验,比较名人与非名人影响者广告的效果。

后续建议:针对论文自述的小规模便利样本局限,采用更大且具代表性的样本,并开展跨文化验证。;按论文提出的方向,开展纵向研究,考察影响者广告的长期效果。;论文方法部分以 γ 频段计算额叶不对称,结果部分却提及 α 频段,可统一频段定义并同时报告两种频段的结果,以增强可比性。;广告质量与操纵检验缺少推断统计,可补充对名人知名度与广告质量的正式检验。

APA 引文:Michael, N., Ramsøy, T. Z., & Michael, I. (2026). Evaluating celebrity influence on brand attention, emotion, and memory. Scientific Reports, 16, 9123. https://doi.org/10.1038/s41598-026-38902-z

仪器引用:We used the Tobii Glasses Pro 2 eye tracking system and an ABM X-10 electroencephalography (EEG) brain monitor. | EEG calibration was performed using functional localizer tests based on the ABM B-ALERT calibration process.

利用焦点小组脑电数据预测创业者融资成功

原文题名:Predicting entrepreneur fundraising success from focus group EEG data

发表年份:2026

作者:Jin Ho Yun;索维·希顿;JuiHsuan Sharon Wong;彼得·克莱因;迈克尔·L·普拉特

刊源:PLOS One

DOI 10.1371/journal.pone.0340606
查看论文摘要与书目信息

摘要 · 中文整理:我们考察了脑电(EEG)脑活动如何响应寻求风险投资的创业路演,以及来自小型实验室焦点小组(N = 28)的脑电信号能否用于预测后续的投资结果。我们发现,路演前 10 秒的 α 不对称可预测总体层面的投资兴趣与投资金额,且优于标准的自报与文本测量。此外,观看者之间的相关神经活动——一种衡量沟通效果的指标——在路演过程中随时间上升,并可预测成交结果。这些发现表明,评估者观看创业路演时的脑电信号可作为总体投资兴趣与融资结果的早期指标。总之,我们的发现为利用脑信号逆向设计创业者路演、提高融资成功率指明了未来路线。

原文摘要:We examined how electroencephalographic (EEG) brain activity responded to entrepreneurial pitches for venture funding and whether EEG signals from a small laboratory focus group (N = 28) could be used to predict subsequent investment outcomes. We found that alpha asymmetry in the first 10 seconds of a pitch predicted population-level investment interest and investment amounts, above and beyond standard self-report and textual measures. Furthermore, correlated neural activity among viewers—a measure of communication effectiveness—ramped up over time during the pitch presentation and predicted deal outcomes. These findings suggest that EEG signals in evaluators viewing entrepreneurial pitches provide early indicators of aggregate investment interest and fundraising outcomes. Together, our findings illuminate a future roadmap for reverse engineering entrepreneurs' pitches using brain signals to enhance funding success.

关键词:脑电图、创业路演、α 不对称、相关神经活动、投资结果

研究目标:创业者路演能否获得融资难以事先判断,自报与文本测量的预测力有限。本研究考察观看路演时脑电活动如何响应,以及小规模实验室焦点小组的脑电信号能否预测总体投资兴趣与实际融资结果。

主要结论:路演前 10 秒的额叶 α 不对称可预测总体投资兴趣与投资金额,且优于自报与文本测量(平均 FAA 预测融资金额 β = 1989.98,p = 0.010)。观看者之间的相关神经活动随路演推进而上升,并可预测成交结果(约 47–50 s,r > 0.50,p < 0.05);文本情感指标与结果无显著关系。评估者的脑电信号可作为总体投资兴趣与融资结果的早期指标。

创新点:将神经预测(以小样本脑电预测群体行为)的思路引入创业融资情境,用焦点小组观看真实电视路演时的额叶 α 不对称与被试间相关,预测样本外投资兴趣和实际融资结果,并与自报及文本情感测量进行比较。

后续建议:论文的功效分析显示对中小效应的敏感度有限,可扩大焦点小组样本以提高检验力。;实验观看的是录制视频,缺少问答与谈判环节,可在交互式路演情境中复现实验。;行为基准来自 MTurk 便利样本,可改用职业风险投资人或天使投资人的评分作为样本外基准。;结果依赖单一组 14 段视频,可在更多、更多样的路演视频集上验证 FAA 与 ISC 的预测作用。;时频 FAA 未能预测二分类成交结果,可尝试结合 FAA 与 ISC 的多特征模型,以提高成交预测能力。

APA 引文:Yun, J. H., Heaton, S., Wong, J. S., Klein, P., & Platt, M. L. (2026). Predicting entrepreneur fundraising success from focus group EEG data. PLOS One, 21(1), e0340606. https://doi.org/10.1371/journal.pone.0340606

仪器引用:The EEG recording data were collected via the B-Alert X24 Series Mobile EEG system developed by Advanced Brain Monitoring (ABM) operating at a rate of 1024 samples per second.

单次前额叶经颅直流电刺激相关生理变化的证据:一项预实验研究

原文题名:Evidence of physiological changes associated with single-session pre-frontal tDCS: a pilot study

发表年份:2025

作者:汉娜·N·伦布兰特;埃琳·A·赖利

刊源:Frontiers in Human Neuroscience

DOI 10.3389/fnhum.2025.1549248
查看论文摘要与书目信息

摘要 · 中文整理:目的 经颅直流电刺激(tDCS)是一种向大脑特定区域施加直流电刺激的无创、无痛方法。卒中后人群的行为改善表明,它能有效增强注意并改善卒中后疲劳。虽然行为证据支持这一方法,但缺乏印证这种改善的生理数据。本研究旨在通过相关生理方法,考察单次 tDCS 能否改善卒中后失语症患者的注意与疲劳。 方法 10 名受试者(5 名男性;平均年龄 62.8 岁)参加了两次结构相同的数据采集会话,两次之间至少间隔 3 天洗脱期。每次会话先进行持续注意任务,同时采集脑电(EEG)与瞳孔测量数据,随后进行注意训练,同时施加真或假 tDCS。tDCS 结束后,受试者重复持续注意任务,并同步采集脑电与瞳孔数据。受试者在一次会话中接受真 tDCS,在另一次中接受假 tDCS,顺序随机。 结果 持续注意任务的行为结果(即正确反应的反应时;n = 9,p = 0.39)在各条件间无差异。脑电测得的四种注意状态数据同样无差异:无注意(n = 10,p = 0.83)、分心注意(n = 10,p = 0.20)、中等注意(n = 10,p = 0.95)、高注意(n = 10,p = 0.62)。真 tDCS 刺激后条件下的瞳孔扩张显著大于任一训练前条件(n = 10,p < 0.01)。tDCS 刺激减轻了从会话开始到结束任务性疲劳的上升:受试者接受假 tDCS 时任务性疲劳显著上升(n = 10,p = 0.01),而在真刺激会话中任务性疲劳无显著变化(n = 10,p = 0.12)。 结论 真刺激条件下观察到的瞳孔直径变化提示,单次 tDCS 即可激活蓝斑-去甲肾上腺素(LC-NE)通路;但反应时与注意状态均无显著变化,表明在同一时间窗内,tDCS 对行为测得或脑电测得的注意没有直接影响。不同受试者对真刺激的主观疲劳评分反应各异;总体而言,真 tDCS 缓解了任务性疲劳。这一关系有待进一步研究。

原文摘要:Objective Transcranial direct current stimulation (tDCS), a non-invasive, painless method of applying direct current electrical stimulation to specific areas of the brain, is an effective method for enhancing attention and post-stroke fatigue, as shown by behavioral improvements in post-stroke populations. While behavioral evidence supports this method, there is a paucity of physiological data corroboration of this improvement. The current study is designed to investigate if a single session of tDCS will improve attention and fatigue as shown by relevant physiological methods in persons with post-stroke aphasia. Methods Ten participants (5 male; mean age: 62.8) engaged in two identically structured data collection sessions with at least a 3-day wash-out period between them. Sessions started with a sustained attention task with simultaneous electroencephalography (EEG) and pupillometry data collection, followed by an attention training program with simultaneous active or sham tDCS. Following tDCS, participants repeated the sustained attention task with simultaneous EEG and pupillometry data collection. Participants received active tDCS during one session, and sham tDCS during the other, with the order randomized. Results No differences between conditions were found for either behavioral results from the sustained attention task (i.e., reaction time of correct responses; n = 9 p = 0.39) or EEG measured attention state data for any of the four attention states: no attention (n = 10, p = 0.83), distracted attention (n = 10, p = 0.20), moderate attention (n = 10, p = 0.95), or high attention (n = 10, p = 0.62). Pupil dilation was significantly greater in the post-active tDCS stimulation condition than in either pre-training condition (n = 10, p < 0.01). tDCS stimulation lessened the increase in task-based fatigue from the beginning to the end of the session such that there was a significant increase in task-based fatigue when participants received sham tDCS (n = 10, p = 0.01) but no significant change in task-based fatigue during the active condition session (n = 10, p = 0.12). Conclusion Changes in pupil diameter observed in the active stimulation condition suggest activation of the locus coeruleus-norepinephrine (LC-NE) pathway within a single session of tDCS administration, but the lack of significant changes for either response time or attention states indicate no direct effect on behaviorally measured or EEG measured attention within the same timeframe. Responses to active stimulation in terms of subjective fatigue rating varied between individual participants; overall, active tDCS mitigated task-based fatigue. More research is needed to investigate this relationship.

关键词:失语症、经颅直流电刺激、瞳孔测量、脑电图、注意

研究目标:行为研究表明 tDCS 可改善卒中后人群的注意与卒中后疲劳,但缺乏生理层面的印证。本研究要回答:单次前额叶 tDCS 对卒中后失语症患者注意与疲劳的改善,能否在脑电、瞳孔等生理指标上体现出来。

主要结论:在 10 名卒中后失语症患者中,反应时(p = 0.39)与脑电测得的四种注意状态在真、假刺激条件间均无差异。真刺激后瞳孔扩张显著大于训练前(p < 0.01),提示单次 tDCS 激活了蓝斑-去甲肾上腺素通路,但在同一时间窗内对行为或脑电测得的注意无直接影响。假刺激会话任务性疲劳显著上升(p = 0.01),真刺激会话无显著变化(p = 0.12);总体上真 tDCS 缓解了任务性疲劳,但个体反应差异较大。

创新点:在卒中后失语症人群中,将 tDCS 联合注意训练,并同步采集脑电注意状态分类、瞳孔测量与主观疲劳评分,以生理指标而不仅以行为结果评估单次前额叶 tDCS 对注意与疲劳的作用。

后续建议:针对论文自述的样本量仅 10 人的局限,扩大卒中后失语症受试者样本以提高统计检验力。;按论文提出的未来方向,考察多次 tDCS 会话的累积效应,以捕捉单次刺激可能遗漏的生理变化。;脑电校准任务仅在首次会话进行,可在每次会话前重复校准,以减少会话间注意状态判别的偏差。;除 B-Alert 输出的四类注意状态外,可同时分析 FzPO、CzPO 等导联的频段功率,更细致地检验 tDCS 对脑电的影响。

APA 引文:Rembrandt, H. N., & Riley, E. A. (2025). Evidence of physiological changes associated with single-session pre-frontal tDCS: A pilot study. Frontiers in Human Neuroscience, 19, 1549248. https://doi.org/10.3389/fnhum.2025.1549248

仪器引用:EEG measurements were collected using a B-Alert® X24t EEG system (Advanced Brain Monitoring).

利用脑电测量飞行员工作负荷:一种个体化的负荷操纵方法

原文题名:Measuring aviator workload using EEG: an individualized approach to workload manipulation

发表年份:2024

作者:凯瑟琳·A·费尔特曼;乔纳森·F·沃格尔;亚伦·麦卡蒂;阿曼达·M·凯利

刊源:Frontiers in Neuroergonomics

DOI 10.3389/fnrgo.2024.1397586
查看论文摘要与书目信息

摘要 · 中文整理:测量操作员的生理状态并利用这些数据预测未来的绩效下降,一直是交通运输多个领域的持续目标。对陆军航空而言,实现这一目标可推动开发能适应操作员需求的自适应自动化系统。然而,达到这一终态需要使用与真实环境相似的实验场景来诱发目标状态,并能兼顾个体在经验、暴露程度及对负荷操纵感知上的差异。本研究采用个体化方法操纵工作负荷,以兼顾个体对负荷操纵反应的差异,同时仍提供具有作战相关性的飞行体验。8 名陆军飞行员参与研究,完成两次实验室访问:第一次访问用于识别个体的工作负荷阈值,第二次访问则进行带个体化负荷操纵的飞行。两次飞行全程采集脑电数据,同时记录主观负荷评分与飞行绩效。脑电数据与负荷评分均提示出现了高负荷。高负荷飞行的主观评分高于低负荷飞行(p<0.001)。在脑电方面,与高负荷场景相比,基线飞行场景中额区 alpha(p=0.04)和 theta(p=0.01)值更低,而 beta/(alpha+theta) 比值(p=0.02)更高。此外,将数据与以往采用基于组的负荷操纵方法的研究进行了比较。个体化方法在脑电和主观评分上均表现出更大的效应量,表明该方法可能为在飞行员中更可靠地产生高负荷提供途径。

原文摘要:Measuring an operator's physiological state and using that data to predict future performance decrements has been an ongoing goal in many areas of transportation. Regarding Army aviation, the realization of such an endeavor could lead to the development of an adaptive automation system which adapts to the needs of the operator. However, reaching this end state requires the use of experimental scenarios similar to real-life settings in order to induce the state of interest that are able to account for individual differences in experience, exposure, and perception to workload manipulations. In the present study, we used an individualized approach to manipulating workload in order to account for individual differences in response to workload manipulations, while still providing an operationally relevant flight experience. Eight Army aviators participated in the study, where they completed two visits to the laboratory. The first visit served the purpose of identifying individual workload thresholds, with the second visit resulting in flights with individualized workload manipulations. EEG data was collected throughout both flights, along with subjective ratings of workload and flight performance. Both EEG data and workload ratings suggested a high workload. Subjective ratings were higher during the high workload flight compared to the low workload flight (p < 0.001). Regarding EEG, frontal alpha (p = 0.04) and theta (p = 0.01) values were lower and a ratio of beta/(alpha+theta) (p = 0.02) were higher in the baseline flight scenario compared to the high workload scenario. Furthermore, the data were compared to that collected in previous studies which used a group-based approach to manipulating workload. The individualized method demonstrated higher effect sizes in both EEG and subjective ratings, suggesting the use of this method may provide a more reliable way of producing high workload in aviators.

关键词:工作负荷、航空、个体化、脑电图、认知状态、操作员状态监测

研究目标:开发面向陆军航空的自适应自动化系统,需要能可靠诱发目标状态的实验场景;而既往按组统一操控工作负荷的做法难以兼顾飞行员在经验、暴露与感知上的个体差异。本研究检验个体化工作负荷操控能否在保持作业相关飞行体验的同时,更可靠地诱发高工作负荷,并以脑电与主观评分加以测量。

主要结论:脑电与主观评分均提示高负荷飞行诱发了高工作负荷:主观评分显著高于低负荷飞行(p < 0.001),额叶 α(p = 0.04)、θ(p = 0.01)与 β/(α+θ) 比值(p = 0.02)在两种飞行之间差异显著,飞行绩效指标无显著差异。与既往组别化操控研究相比,个体化方法在脑电与主观评分上的效应量更高,可能为在飞行员中诱发高工作负荷提供更可靠的途径。

创新点:以第一次到访测得的个体工作负荷阈值为依据,为每名飞行员定制认知、体力、视觉与听觉负荷操控,并与此前采用组别化操控的研究进行跨研究比较,表明个体化方法的效应量更高。

后续建议:针对论文自述的样本仅 8 人且因疫情提前终止的局限,在更大且经验更多样的飞行员样本中重复实验。;跨研究比较使用的是不同受试者,可在同一批飞行员中同时实施个体化与组别化操控,以控制个体差异。;论文认为航路绩效指标可能不够敏感且缺少操纵输入数据,可补充记录操纵输入,以提高绩效测量的敏感度。;不同飞行员在不同时间接受不同操控,可对操控时段进行事件标记并据此对齐脑电分段,以便在受试者之间进行同等比较。;论文采集了 B-Alert 基线任务但未分析其专有认知状态指标,可将这些指标与额叶频谱指标一并分析,比较二者对工作负荷的敏感度。

APA 引文:Feltman, K. A., Vogl, J. F., McAtee, A., & Kelley, A. M. (2024). Measuring aviator workload using EEG: An individualized approach to workload manipulation. Frontiers in Neuroergonomics, 5, 1397586. https://doi.org/10.3389/fnrgo.2024.1397586

仪器引用:The Advanced Brain Monitoring B-Alert X24 wireless wet electrode system recorded EEG activity. The X24 incorporates 20 channels corresponding to scalp locations according to the International 10–20 system.

利用机器学习方法与脑电判别飞行中飞机驾驶员的认知负荷

原文题名:Using machine learning methods and EEG to discriminate aircraft pilot cognitive workload during flight

发表年份:2023

作者:哈米德·塔赫里·戈尔吉;尼古拉斯·威尔逊;杰西卡·范布里;布拉德利·霍夫曼;托马斯·彼得罗斯;库希亚尔·塔瓦科利安

刊源:Scientific Reports

DOI 10.1038/s41598-023-29647-0
查看论文摘要与书目信息

摘要 · 中文整理:即使在正常飞行操作中,飞机驾驶员也会面临不同程度的认知负荷。低认知负荷时段之后可能紧接着高认知负荷时段,反之亦然。在这种需求变化过程中,飞行员可能因无聊或认知任务需求过高而增加出错的可能。为进一步理解航空中的认知负荷,本研究在单发飞机的真实飞行环境中采集了 10 名大学航空专业学员的脑电(EEG)数据。每名飞行员均持有美国联邦航空管理局(FAA)商用飞行员执照以及 FAA I 类或 II 类体检合格证。每名飞行员飞行一个代表平均仪表飞行训练序列的标准化飞行剖面。数据分析使用所记录脑电的四个主要子频带:delta、theta、alpha 和 beta。计算 20 个电极上各子频带的功率谱密度(PSD)与对数能量熵,并输入两种特征选择算法(递归特征消除 RFE 与 Lasso 交叉验证 LassoCV)以及由支持向量机、随机森林和逻辑回归组成的堆叠集成机器学习算法。此外,采用超参数优化与十折交叉验证以提高模型性能、可靠性与泛化能力。特征选择步骤得到 15 个可视为飞行员认知负荷状态指标的特征。将这些特征应用于堆叠集成算法后,使用 RFE 算法所选特征取得最高结果:准确率 91.67%(±0.11)、精确率 93.89%(±0.09)、召回率 91.67%(±0.11)、F 值 91.22%(±0.12),平均 ROC-AUC 为 0.93(±0.06)。结果表明,PSD 与对数能量熵的组合以及精心设计的机器学习算法,显示出利用脑电判别低、中、高负荷时段的潜力,可用于改进飞机系统设计(包括飞行自动化功能)以提升航空安全。

原文摘要:Pilots of aircraft face varying degrees of cognitive workload even during normal flight operations. Periods of low cognitive workload may be followed by periods of high cognitive workload and vice versa. During such changing demands, there exists potential for increased error on behalf of the pilots due to periods of boredom or excessive cognitive task demand. To further understand cognitive workload in aviation, the present study involved collection of electroencephalogram (EEG) data from ten (10) collegiate aviation students in a live-flight environment in a single-engine aircraft. Each pilot possessed a Federal Aviation Administration (FAA) commercial pilot certificate and either FAA class I or class II medical certificate. Each pilot flew a standardized flight profile representing an average instrument flight training sequence. For data analysis, we used four main sub-bands of the recorded EEG signals: delta, theta, alpha, and beta. Power spectral density (PSD) and log energy entropy of each sub-band across 20 electrodes were computed and subjected to two feature selection algorithms (recursive feature elimination (RFE) and lasso cross-validation (LassoCV), and a stacking ensemble machine learning algorithm composed of support vector machine, random forest, and logistic regression. Also, hyperparameter optimization and tenfold cross-validation were used to improve the model performance, reliability, and generalization. The feature selection step resulted in 15 features that can be considered an indicator of pilots' cognitive workload states. Then these features were applied to the stacking ensemble algorithm, and the highest results were achieved using the selected features by the RFE algorithm with an accuracy of 91.67% (± 0.11), a precision of 93.89% (± 0.09), recall of 91.67% (± 0.11), F-score of 91.22% (± 0.12), and the mean ROC-AUC of 0.93 (± 0.06). The achieved results indicated that the combination of PSD and log energy entropy, along with well-designed machine learning algorithms, suggest the potential for the use of EEG to discriminate periods of the low, medium, and high workload to augment aircraft system design, including flight automation features to improve aviation safety.

关键词:生物医学工程、脑电图、航空航天工程、人类行为

使用资料与操作视频

暂未收录使用资料