我们进入心流状态了吗？探索基于 EEG 信号检测同时心流体验的特征与方法

基于摘要分析。本研究关注团队成员执行相互依赖任务时，各自同时进入心流状态的 EEG 特征及检测方法；同时心流被视为共享团队心流的前置条件，两者并非同一概念。研究设计双人同时心流任务，构建多 EEG 信号数据集，并利用多种机器学习模型检验个体与同时心流相关特征的检测价值。 方法上，研究依据团队心流的脑机制及既有 EEG 个体心流检测工作，探索潜在 EEG 特征，重点涉及脑间同步与额叶区域信息。摘要没有说明脑间同步的计算方式、频段、时间窗、特征融合流程或心流标签的获取方法，相关实现尚未验证。作者称所构建数据集是首个同时心流多 EEG 信号数据集，其首创性及公开可用性仍需进一步核对。 作者报告，在所设计的双人任务及同时心流分类评估中，加入脑间同步特征能够提升模型对不同类型同时心流的检测表现；额叶区域特征似乎值得优先关注。作者报告，Random Forests 在二分类中表现最佳，Neural Network 与 Deep Neural Network3 在三分类中表现最佳。这些结论限于摘要所述评估，具体类别定义、指标、数值、对照配置及统计不确定性均尚未验证；不能据此判断跨被试或跨任务泛化能力，也不能从模型名称推断网络结构。 复现时应优先核对双人任务流程、同步采集与预处理、心流标签依据、脑间同步特征定义，以及训练和测试如何按参与者、配对或任务片段划分。还需确认共同任务刺激与个体 EEG 特征对脑间同步增益的影响，以及额叶特征优先性的验证依据。被试数量、实验协议、消融及统计信息尚未验证；摘要支持的是团队交互情境中的状态检测探索，而非已验证的在线 BCI 控制或交互优化效果。