注意力可视化
Parent: ai_keywords
核心定义
注意力可视化是指通过人工智能、计算机视觉与神经影像技术，将人类注意力的空间分布、时间动态及其神经机制转化为可解释的图形（如热力图、激活图、眼动轨迹图）的过程。其核心目标是将主观、内隐的注意过程客观化、量化，为认知科学研究与临床神经病学诊断提供直观工具。
关键技术点
-
自注意力机制与可解释权重图
源于Transformer架构的注意力机制，通过计算序列中元素间的相关性权重，生成注意力分数图。在视觉任务中，这些权重可被映射为模型“关注”的图像区域，用于解释AI决策依据。 -
眼动追踪与注视热力图
利用眼动仪记录瞳孔位置与注视时长，通过高斯核密度估计生成空间热力图，直观显示视觉注意的聚焦区域与搜索路径，是行为学研究的黄金标准。 -
神经解码与脑激活映射
基于fMRI、EEG或MEG数据，使用编码模型（如逆向相关、线性回归）将大脑血氧水平依赖（BOLD）信号或电位变化映射至感官刺激空间，重建注意焦点对应的脑区激活模式。 -
梯度类激活图（Grad-CAM）
深度学习可解释性方法，通过对卷积神经网络最终特征图梯度进行全局平均池化，生成与类别相关的显著区域热力图，常被用于验证模型是否学习到与人类一致的注意模式。 -
计算注意力模型
基于特征集成理论（Treisman）或偏置竞争模型（Desimone & Duncan），构建可计算框架（如归一化注意模型），通过参数拟合模拟注意选择过程，并将其动态可视化。
医学/神经科学应用场景
首都医科大学神经病学研究所-老年认知障碍早期筛查
在轻度认知障碍（MCI）患者中，注意力网络（特别是背侧注意系统）的早期损伤常早于记忆丧失。研究团队采用“视觉搜索+眼动追踪”范式，结合Grad-CAM解释性CNN分析患者对目标刺激的注意分配偏差。通过计算注视热力图的熵值与注意捕获时间，构建注意力可视化指标（如空间注意偏侧化指数），联合静息态fMRI背侧注意网络功能连接强度，实现MCI向阿尔茨海默病转化的风险预测（AUC>0.85）。该方法突破了传统心理量表的主观性，为临床提供无创、可量化的神经行为生物标志物。
