实用心流状态检测：基于便携式 EEG 头带的熵特征分类

基于摘要分析。本研究面向现实部署中的心流状态检测，考察消费级便携式 EEG 设备能否通过熵特征实现分类，尤其关注跨被试泛化。作者使用 Muse-S 和 Emotiv Insight，采集了 45 名参与者进行自适应 Tetris 游戏时的 EEG，构建了信号去噪、频带分解、熵特征提取与分类流程。 技术上，研究在去噪后使用 Discrete Wavelet Transform（DWT）将信号分解为多个频率子带，从各子带提取通道内特征 Slope Entropy、Distribution Entropy、Spectral Entropy，以及跨通道特征 Cross Distribution Entropy、Cross Spectral Entropy，再输入 Random Forest（RF）分类器。该流程结合单通道信号复杂性与跨通道描述，但具体频带、特征参数、去噪方法及特征选择步骤尚未验证。 作者报告，RF 在 Random Sampling（RS）交叉验证下的平均 Accuracy 为 97%，在 Leave-One-Subject-Out（LOSO）评估下的平均 Accuracy 为 75%。两者属于不同验证协议，不能将 RS 结果当作未见被试上的性能；LOSO 结果提供了跨被试评估依据，但摘要未说明两种设备的分别表现、类别设置及平均方式。作者还报告使用 SVM-RBF、GentleBoost、k-NN、Fitted Discriminant 和 Naive Bayes 进行多分类器验证，并据此认为熵特征在不同建模框架下具有稳健性；各分类器的具体数值未在摘要中给出。 复现时需核对心流标签的定义与采集方式、样本窗口及重叠设置、RS 的划分单位、预处理与特征选择是否限定在训练折内，以及 LOSO 的调参与统计汇总方式。跨通道特征对设备通道配置的依赖、游戏表现与运动伪迹等潜在混杂因素也需结合全文判断。现有材料支持将其视为便携式 EEG 心流识别研究，尚不足以确认真实场景部署效果或跨设备泛化能力；实验协议、消融及统计信息尚未验证。