我们进入心流状态了吗？探索基于 EEG 信号的同时心流体验特征与检测方法

基于摘要分析。该研究关注团队成员在执行相互依赖任务时同时出现的个体心流体验，探索相关 EEG 特征及检测方法，以支持对多人交互中成员状态的理解。其研究对象是同时心流，而非直接测量共享团队心流；摘要将前者视为实现后者的前提条件。 方法上，研究设计了双人同时心流任务，并构建多 EEG 信号数据集，作者称其为首个同时心流多 EEG 数据集。随后，研究探索与个体心流及同时心流可能相关的 EEG 特征，并使用多种机器学习模型评估这些特征对同时心流检测的作用。摘要未提供任务细节、心流标签获取方式、被试人数、通道配置或同步特征的具体计算方法。 作者报告，在所设计任务的不同类型同时心流检测中，脑间同步特征能够提升模型表现；额叶区域特征似乎值得优先关注。作者还报告，在其分类比较中，Random Forests 的二分类表现最佳，Neural Network 与 Deep Neural Network3 的三分类表现最佳。摘要未给出类别定义、评价指标、具体分数、数据划分及对照配置，因此这些结论仅适用于摘要所述评估，不能据此判断模型之间差异的大小或跨被试、跨会话泛化能力。Deep Neural Network3 的结构尚未验证，不能从名称推断其层数。 复现时需核对双人任务与心流标签的操作化定义、个体 EEG 与脑间同步特征的对照方式，以及训练测试划分是否按参与者或参与者配对组织；还需核对任务共同刺激、动作及伪迹对同步特征解释的影响。上述事项是待核对问题，并非已确认的设计缺陷。全文、实验协议、消融及统计信息尚未验证，数据与代码的开放情况亦未确认。该研究提供的是 EEG 状态检测证据，摘要未验证其用于在线多人 BCI 的有效性。