Predicting lapses in attention: a study of brain oscillations, neural synchrony and eye measures

Abstract

Quando estamos empenhados numa determinada tarefa, os nossos níveis de atenção não se mantêm constantes. Estes sofrem flutuações ao longo do tempo, as quais são mais acentuadas em patologias do foro neurológico, como por exemplo na perturbação de hiperatividade e défice de atenção. Flutuações nos níveis de atenção levam à ocorrência de lapsos de atenção, cujas consequências poderão ter um impacto pouco significativo como, por exemplo, a não deteção de um determinado estímulo; enquanto que, em determinados contextos (condução de veículos, atividades profissionais de risco, etc.) poderão desencadear acontecimentos trágicos. Por conseguinte, a deteção prévia da ocorrência destes lapsos poderá evitar consequências dramáticas. Estudos anteriores sugerem que certos padrões no sinal de eletroencefalograma (EEG) e de movimentos oculares, assim como flutuações no diâmetro da pupila poderão estar relacionados com os níveis de atenção. Neste trabalho pretendeu-se determinar quais desses parâmetros poderão ser empregues na previsão de lapsos de atenção. Segundo a literatura, o estado de atenção é controlado por um compromisso entre a ativação das redes neuronais da atenção, as quais são responsáveis pela manutenção do estado de alerta durante tarefas que requerem concentração; e da Default-Mode Network (DMN), uma rede neuronal caracterizada por um conjunto de regiões cerebrais ativas durante o estado de repouso. A ocorrência de lapsos de atenção está associada a flutuações na atividade destas duas redes neuronais, assim como a alterações nas oscilações cerebrais. Evidências recentes sugerem que alterações em parâmetros oculares, tais como no diâmetro da pupila ou na posição do olhar, refletem alterações no estado cognitivo. Para este estudo foram recrutados vinte jovens adultos saudáveis para a realização de uma tarefa visual, longa e monótona de forma a facilitar a ocorrência de lapsos de atenção, com aquisição simultânea de sinais de EEG e padrões de atividade ocular. Neste tipo de tarefas, flutuações no tempo de reação aos estímulos visuais apresentados aos participantes são associadas a flutuações no estado atencional dos sujeitos. Especificamente neste estudo, foram conduzidas análises aos sinais de EEG e parâmetros de atividade ocular adquiridos, de forma a identificar quais medidas mais fidedignamente preveem o tempo de resposta aos estímulos por parte dos sujeitos. Neste contexto, foram explorados parâmetros de atividade cerebral pré-estímulo (amplitude das ondas alfa em zonas cerebrais posteriores e a sincronia de fase em três bandas de frequência: alfa, beta e gama), com o intuito de apurar se poderiam ser utilizados para prever o nível de desempenho subsequente do sujeito na tarefa. Parâmetros de atividade ocular, tal como o diâmetro da pupila e a posição do olhar foram igualmente estudados com o mesmo objetivo. Também se desenvolveram vários classificadores específicos para cada um dos participantes do estudo, tendo em conta características baseadas nos parâmetros anteriores, com recurso a técnicas de machine learning, para prever lapsos de atenção. Foram então desenvolvidos três tipos diferentes de classificadores unimodais (cada um deles baseado em parâmetros oculares, ou na amplitude das ondas alfa, ou em medidas de sincronia de fase entre sinais de diferentes regiões cerebrais); e quatro classificadores híbridos, tendo em conta os resultados da classificação retornados por cada um dos três classificadores unimodais separadamente, para cada sujeito em específico. Os resultados obtidos neste estudo revelaram que medidas de sincronia de fase nas bandas de frequência beta e gama permitiram prever flutuações no estado atencional dos sujeitos, associadas a diferenças no tempo de reação dentro do mesmo indivíduo. Observou-se que um aumento da sincronia de fase entre as regiões frontal e parietal antes do surgimento de cada estímulo estava associado a respostas mais rápidas. Este resultado enfatiza o papel das redes neuronais da atenção com distribuição fronto-parietal na manutenção dos níveis de atenção. A amplitude das ondas alfa não mostrou estar relacionada com diferenças no tempo de reação. Os resultados obtidos revelaram, ainda, que o diâmetro da pupila é um parâmetro fidedigno para prever flutuações nos níveis de atenção dos sujeitos, contrariamente à posição do olhar. Relativamente aos classificadores que foram desenvolvidos com o intuito de prever lapsos de atenção para cada indivíduo, apenas os classificadores unimodais baseados nos parâmetros oculares asseguraram taxas de classificação acima das que se obteriam tendo em conta uma classificação totalmente aleatória. Os resultados obtidos com os classificadores baseados em características extraídas dos sinais de EEG demonstram que este tipo de parâmetros não será adequado para a previsão de lapsos de atenção. Contrariamente ao que se esperava, não se obtiveram melhores taxas de classificação com os classificadores híbridos, em comparação com os classificadores unimodais. Concluindo, os resultados obtidos neste estudo revelaram que medidas como a sincronia de fase entre as regiões cerebrais com distribuição fronto-parietal, assim como o diâmetro da pupila estão relacionadas com flutuações momentâneas dos níveis de atenção. Adicionalmente, foram encontradas evidências de que os parâmetros oculares estudados poderão ser úteis na previsão do estado atencional do sujeito em tempo real, tendo em conta os resultados obtidos nos classificadores baseados neste tipo de parâmetros. É de evidenciar, portanto, a importância deste último resultado, uma vez que tanto o diâmetro da pupila como a posição do olhar são parâmetros fisiológicos que poderão ser facilmente adquiridos e empregues em sistemas baseados em biofeedback, desenvolvidos com o objetivo de prever lapsos de atenção ou para treino e controlo dos níveis de atenção. Palavras-chave: eletroencefalograma, atenção visual, flutuações na atenção, análise espectral e de sincronia de fase, parâmetros de atividade ocular, classificadores, previsão de lapsos de atenção, técnicas de machine learnin