基於腦機介面與動態時間彎曲的眼動反應時間評估
arXiv - Human-Computer InteractionShantanu Sarkar, Sai Shashank Gandavarapu, Jeff Feng, Saurabh Prasad, Reza Khanbabaie, Jose L. Contreras-Vidal
結合EEG與AR視覺任務，利用RDWT深度網路與DTW估算個別眼動反應時間，證明此方法能有效區分mTBI受試者。
AI 幫你先抓重點
AI 重點 1
RDWT+DTW結合提供一種多模態、非侵入式的早期mTBI生物標記，可透過可穿戴EEG-AR裝置實現便攜式診斷。
滑鼠懸停看 AI 判斷理由
此結合將先進的波形分析與時間序列對齊技術應用於可穿戴硬體，提供傳統影像檢查之外的即時、低成本診斷方案，對臨床與教育科技領域皆具突破性影響。
AI 重點 2
任務特定的時間動態（追蹤的反應性 vs 掃視的前瞻性）強調在VOMS評估中選擇合適任務的重要性。
滑鼠懸停看 AI 判斷理由
了解哪類任務能更敏感捕捉眼動時序差異，能優化篩檢流程與介入策略，提升早期偵測準確度，對設計更有效的學習與康復介入具有關鍵指導意義。
核心研究發現
- 1
RDWT驅動的深度神經框架結合可訓練零相位卷積過濾，顯著提升眼動反應時間預測的去噪與準確度（Pearson ≥0.5）。
- 2
DTW導出的眼動反應指標在所有VOMS任務中顯示顯著的受試者間差異，Mann‑Whitney U檢定證實其統計顯著性。
- 3
交叉相關分析顯示追蹤任務呈現反應性追蹤行為，而掃視任務則表現前瞻性反應，說明任務依賴的時間動態差異。
對教育工作者的啟發
實務工作者可採用RDWT+DTW流程於可穿戴EEG-AR裝置，聚焦追蹤任務以提升眼動時序辨識；設定滑動窗口預測並用DTW對齊，能即時估算反應時間；結合統計檢定驗證差異，為早期mTBI篩檢提供可行、低成本的工具；此方法亦可擴展至學習平台，透過眼動數據監測學生注意力與自我調節，進一步促進自主學習。
原始文獻資訊
- 英文標題：
- BCI-Based Assessment of Ocular Response Time Using Dynamic Time Warping Leveraging an RDWT-Driven Deep Neural Framework
- 作者：
- Shantanu Sarkar, Sai Shashank Gandavarapu, Jeff Feng, Saurabh Prasad, Reza Khanbabaie, Jose L. Contreras-Vidal
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。