Sustained attention is the ability to focus on specific stimuli for extended periods, and its failure can result both in accidents and poorer performance in tasks like comprehension, memory, and, learning. Accurate measurement of sustained attention in real-world settings is challenging for experimenters, as traditional methods often require active user participation. This typically involves responding to probes or engaging in tasks designed to measure reactivity, making these methods impractical to implement in everyday scenarios. Recent advances in EEG technology and machine learning (ML) offer promising solutions for passive attention monitoring. This study aims to assess whether using multi-channel data from a consumer-grade EEG device can enhance the classification of attention states using a ML-based classifier, compared to single-channel data. The experiment recorded EEG data from 11 participants using the Muse 2 device during the gradual-onset continuous performance task, which requires selective responses to stimuli and provides subsecond-scale labeling. The EEG data was then processed, decomposed into frequency bands, and transformed into features. A support vector machine (SVM) classifier was trained using these features to determine the optimal number of features and the effectiveness of multi-channel data. The multichannel approach achieved an average testing accuracy of 59.09% (SD=0.054) and an F1 score of 57.32% (SD=0.079), compared to the single-channel accuracy of 57.91% (SD=0.053) for AF8 and lower for other individual channels. The combined channel data consistently yielded the highest performance. The study confirms that using multichannel EEG data from a consumergrade device significantly improves the classification of attention states compared to single-channel data. Future work should explore the inclusion of multivariate features to capture channel interactions and extend validation studies to real-world applications. Despite the limitations, these findings underscore the potential of multichannel EEG and ML in enhancing sustained attention monitoring in everyday scenarios.

Vidmakthållen uppmärksamhet är förmågan att fokusera på specifika stimuli under längre perioder, och bristande uppmärksamhet kan leda till både olyckor och sämre prestationer i uppgifter som förståelse, minne och inlärning. Att mäta Vidmakthållen uppmärksamhet i verkliga miljöer är utmanande för forskare, eftersom traditionella metoder ofta kräver aktiv användarmedverkan. Denna medverkan innebär vanligtvis att svara på frågor eller delta i uppgifter som är utformade för att mäta reaktivitet, vilka sedan används för att härleda uppmärksamhetstillstånd, vilket gör dessa metoder opraktiska eller omöjliga att genomföra i vardagliga scenarier.Nya framsteg inom EEGteknologi och maskininlärning (ML) erbjuder lovande lösningar för passiv övervakning av uppmärksamhet. Denna studie syftar till att undersöka om användning av multikanalsdata från en konsumentklassad EEG-produkt kan förbättra klassificeringen av uppmärksamhetstillstånd med hjälp av en maskininlärningsbaserad klassificerare, jämfört med enkankanalsdata. Studien registrerade EEG-data från 11 deltagare med hjälp av Muse 2- produkten under ”gradual-onset continuous performance task”, som kräver selektiva svar på stimuli och möjliggör märkning i subsekundsskala. EEGdatan bearbetades, delades upp i frekvensband och omvandlades till särdrag. En support vector machine (SVM) klassificerare tränades med dessa särdrag för att bestämma det optimala antalet särdrag och effektiviteten hos multikanalsdata. Multikanalsmetoden uppnådde en genomsnittlig testnoggrannhet på 59,09% (SD=0,054) och en F1-poäng på 57,32% (SD=0,079), jämfört med enkankanalens noggrannhet på 57,91% (SD=0,053) för EEG-kanalen AF8 och lägre för andra individuella kanaler. Den kombinerade kanaldata gav konsekvent den högsta prestandan. Studien bekräftar att användning av multikanals EEG-data från en konsumentklassad produkt avsevärt förbättrar klassificeringen av uppmärksamhetstillstånd jämfört med enkankaldata. Framtida arbete bör undersöka inkluderingen av multivariata särdrag för att fånga kanalinteraktioner och utöka valideringsstudier till verkliga tillämpningar. Trots begränsningarna understryker dessa resultat potentialen för multikanals EEG och ML att förbättra övervakningen av Vidmakthållen uppmärksamhet i vardagliga situationer.