BR112021001717A2

BR112021001717A2 - métodos implementados por processador para personalizar uma experiência educacional com base em treinamento de neuro-feedback, sistema de treinamento de neuro-feedback, meios legíveis por computador, método e sistema de avaliação de atenção

Info

Publication number: BR112021001717A2
Application number: BR112021001717-8A
Authority: BR
Inventors: Max Newlon; Disi A; Yue Sun; Dongsheng SUN; Bicheng HAN; Hui Zheng; Xiang Yu; Zhoayi Yang; Juewei Dong; Lawrence FRANCHINI; Joshua Varela
Original assignee: BrainCo Inc.; Lawrence Franchini; Joshua Varela; Disi A; Yue Sun; Shenzhen Xinliu Technology Co., Ltd.; Max Newlon; Dongsheng Sun; Bicheng Han; Hui Zheng; Xiang Yu; Zhoayi Yang; Juewei Dong
Priority date: 2018-08-01
Filing date: 2019-10-01
Publication date: 2021-05-25
Also published as: WO2020024688A1; CN109009171A; CN109009171B; WO2020037332A2; WO2020037332A3

Abstract

MÉTODOS IMPLEMENTADOS POR PROCESSADOR PARA PERSONALIZAR UMA EXPERIÊNCIA EDUCACIONAL COM BASE EM TREINAMENTO DE NEURO-FEEDBACK, SISTEMA DE TREINAMENTO DE NEURO-FEEDBACK, MEIOS LEGÍVEIS POR COMPUTADOR, MÉTODO E SISTEMA DE AVALIAÇÃO DE ATENÇÃO. A presente invenção se refere a um método e sistema para treinamento de neuro-feedback. O método pode incluir a detecção de um sinal de ondas cerebrais associado a uma atividade elétrica de um cérebro de um aprendiz; analisar uma característica do sinal de ondas cerebrais; gerar uma pontuação de atenção indicativa de um nível de envolvimento do aprendiz; determinar uma pontuação de desempenho do aprendiz; ajustar o estímulo com base em uma combinação da pontuação de atenção e da pontuação de desempenho para personalizar a experiência educacional do aprendiz. Um método e sistema de avaliação de atenção são divulgados. O método compreende obter dados de resposta quando um usuário executa um jogo de atenção predefinido e pode adquirir dados de EEG correspondentes por meio de um dispositivo vestível. Os dados da resposta e os dados do EEG podem ser processados, de modo que as pontuações das respostas e as pontuações do EEG correspondentes possam ser obtidas. As pontuações das respostas e as pontuações do EEG podem ser substituídas em uma equação para obter pontuações de atenção.

Description

“MÉTODOS IMPLEMENTADOS POR PROCESSADOR PARA PERSONALIZAR UMA EXPERIÊNCIA EDUCACIONAL COM BASE EM TREINAMENTO DE NEURO-FEEDBACK, SISTEMA DE TREINAMENTO DE NEURO-FEEDBACK, MEIOS LEGÍVEIS POR COMPUTADOR, MÉTODO E SISTEMA DE AVALIAÇÃO DE ATENÇÃO” PEDIDO RELACIONADO

[001] Este pedido reivindica prioridade em relação ao Pedido N°. CN

201810868482.0, depositado em 1 de agosto de 2018, cujos conteúdos são aqui incorporados a título de referência em sua totalidade.

CAMPO DA TÉCNICA

[002] A presente revelação se refere geralmente a uma interface cérebro- máquina e, mais particularmente, a sistemas e métodos de treinamento de neuro-feedback para aprendizagem personalizada e experiência de ensino usando dados biométricos de um usuário.

ANTECEDENTES

[003] O cérebro humano consiste em bilhões de neurônios que estão densamente interconectados por meio de sinapses, que atuam como portas de entrada para a atividade inibitória ou excitatória. Quando milhares de neurônios disparam em sincronia, eles geram um campo elétrico forte o suficiente para se espalhar pelos tecidos, ossos e crânio. Eventualmente, isso pode ser medido na superfície da cabeça por meio de Eletroencefalografia (EEG). Os sinais elétricos do cérebro humano podem variar com base na atividade que está sendo realizada por uma pessoa. Por exemplo, no estado de repouso, os neurônios disparam muito mais devagar do que quando a pessoa está ativamente envolvida em uma atividade mental, uma conversa ou uma tarefa de aprendizagem. Tradicionalmente, pesquisadores e médicos têm usado dispositivos de EEG para medir e caracterizar os sinais elétricos do cérebro. Os métodos atuais de avaliação do envolvimento em sala de aula dependem da intuição do professor, de dados de pesquisa ou de hardware de rastreamento ocular em configurações de pesquisa.

[004] Em situações acadêmicas, como uma sala de aula, o envolvimento do aluno pode não ser determinado de forma confiável, em parte porque o nível de envolvimento é difícil de quantificar além de pesquisas tendenciosas e intuição do professor. Embora qualitativas, as pesquisas indicam que o envolvimento médio do aluno ativo pode ser tão baixo quanto 50% em algumas situações de sala de aula. A pesquisa também mostrou que um pequeno aumento percentual no envolvimento do aluno pode resultar em uma melhoria de 6 a 8% nas notas de leitura e matemática. Portanto, o envolvimento do aluno pode ser um fator importante para melhorar a experiência educacional.

[005] Os professores geralmente encontram o desafio de criar e manter altos níveis de envolvimento do aluno em uma sala de aula. Isso ocorre porque o cérebro humano reage de maneira diferente aos estímulos de aprendizagem, e as pessoas têm seu próprio estilo de aprendizagem, como auditivo, visual, cinestésico, linguístico, lógico-matemático e similares. Como resultado, mesmo em uma sala de aula cheia de pessoas igualmente inteligentes, um plano de aula que funciona com sucesso para alguns aprendizes pode não funcionar tão bem para outros. Além disso, os professores podem não reconhecer a carga de trabalho cognitivo de um aluno porque, embora alguns alunos na sala de aula possam achar uma tarefa de aprendizagem desanimadora, outros podem achar a mesma tarefa impressionante. Portanto, pode ser desejável personalizar a experiência educacional com base no envolvimento do aluno e na carga de trabalho cognitivo.

[006] Além disso, para aprimorar a experiência educacional para aprendizes e educadores, não é apenas importante quantificar o envolvimento do aluno, mas também pode ser benéfico quantificar o envolvimento do aluno em tempo real, fornecendo aos professores e alunos um índice que pode ajudar a prever estratégias de sucesso.

[007] Os sistemas e métodos de treinamento de neuro-feedback revelados se destinam a mitigar ou superar um ou mais dos problemas estabelecidos acima e/ou outros problemas na técnica anterior.

SUMÁRIO

[008] Um aspecto da presente revelação se refere a um método implementado por processador para personalizar uma experiência educacional com base em treinamento de neuro-feedback. O método pode compreender etapas implementadas por processador que compreendem detectar um sinal de ondas cerebrais de um aprendiz gerado em resposta a um estímulo, analisar pelo menos uma característica do sinal de ondas cerebrais, gerar um índice de carga de trabalho cognitivo indicativo de uma quantidade de esforço aplicada pelo aprendiz para responder ao estímulo, com base na análise, e ajustar o estímulo com base no índice de carga de trabalho cognitivo gerado para personalizar a experiência educacional.

[009] O método pode compreender ainda atualizar em tempo real, o índice de carga de trabalho cognitivo em um banco de dados associado ao processador, e ajustar o estímulo com base no índice de carga de trabalho cognitivo atualizado, em que o estímulo compreende uma tarefa educacional. O método também pode incluir gerar um perfil de aprendiz personalizado, incluindo informações associadas a um aprendiz; e atualizar o perfil de aprendiz personalizado com base no índice de carga de trabalho cognitivo atualizado e o estímulo ajustado.

[0010] Analisar a pelo menos uma característica do sinal de ondas cerebrais pode compreender a análise de uma dentre uma forma de onda, uma frequência, uma distribuição de frequência, uma amplitude e uma periodicidade do sinal de ondas cerebrais. O método também pode incluir transmitir pelo processador através de uma rede de comunicação, o índice de carga de trabalho cognitivo atualizado para pelo menos um de uma plataforma de aprendizagem online, um programa de aprendizagem offline e um educador.

[0011] Gerar o índice de carga de trabalho cognitivo pode compreender determinar o índice de carga de trabalho cognitivo usando um algoritmo baseado em inteligência artificial (AI). Ajustar o estímulo pode compreender ajustar pelo menos um dentre uma dificuldade, um ritmo e uma sequência de uma pluralidade de tarefas educacionais apresentadas ao aprendiz. O sinal de ondas cerebrais pode ser indicativo de uma atividade elétrica do cérebro do aprendiz e pode compreender um sinal de eletroencefalografia (EEG). O processador pode compreender um sensor disposto em um dispositivo vestível e configurado para receber e detectar o sinal de ondas cerebrais, e o dispositivo vestível pode compreender uma faixa de cabeça usada pelo aprendiz.

[0012] Outro aspecto da presente revelação é direcionado a um método implementado por processador para personalizar uma experiência educacional com base em treinamento de neuro-feedback. O método pode compreender etapas implementadas por processador que compreendem detectar um sinal de ondas cerebrais de um aprendiz gerado em resposta a um estímulo, analisar pelo menos uma característica do sinal de ondas cerebrais, gerar, com base na análise, uma pontuação de atenção indicativa de um nível de envolvimento do aprendiz, determinar uma pontuação de desempenho do aprendiz com base na resposta ao estímulo e ajustar o estímulo com base em uma combinação da pontuação de atenção e a pontuação de desempenho para personalizar a experiência educacional do aprendiz.

[0013] O método pode compreender adicionalmente atualizar em tempo real a pontuação de atenção e a pontuação de desempenho em um banco de dados associado ao processador e ajustar o estímulo com base na pontuação de atenção atualizada e na pontuação de desempenho atualizada, em que o estímulo compreende uma tarefa educacional. O método pode incluir adicionalmente gerar um perfil de aprendiz personalizado que inclui informações associadas ao aprendiz; e atualizar o perfil de aprendiz personalizado com base na pontuação de atenção atualizada, na pontuação de desempenho atualizada e no estímulo ajustado.

[0014] Analisar pelo menos uma característica do sinal de onda cerebral compreende a análise de uma dentre uma forma de onda, uma frequência, uma distribuição de frequência, uma amplitude e uma periodicidade do sinal de onda cerebral. O método pode incluir adicionalmente transmitir pelo processador através de uma rede de comunicação a pontuação de atenção atualizada e a pontuação de desempenho atualizada para pelo menos um dentre uma plataforma de aprendizagem online, um programa de aprendizagem offline e um educador.

[0015] Transmitir a pontuação de atenção atualizada e a pontuação de desempenho atualizada pode compreender a comunicação sem fio com um dispositivo associado a pelo menos uma plataforma de aprendizagem online, o programa de aprendizagem offline e o educador. Gerar a pontuação de atenção compreende determinar a pontuação de atenção usando um algoritmo baseado em AI.

[0016] Ainda outro aspecto da presente revelação se refere a um sistema de treinamento de neuro-feedback. O sistema pode compreender um sensor acoplado a um processador. O processador pode ser configurado para detectar um sinal de ondas cerebrais gerado em resposta a um estímulo, analisar pelo menos uma característica do sinal de ondas cerebrais, gerar, com base na análise, uma pontuação de atenção indicativa de um nível de envolvimento do aprendiz, determinar uma pontuação de desempenho do aprendiz com base na resposta ao estímulo, e ajustar o estímulo com base em uma combinação da pontuação de atenção e pontuação de desempenho para personalizar a experiência educacional do aprendiz. O estímulo pode compreender uma pluralidade de tarefas educacionais. O sinal de ondas cerebrais pode ser indicativo de uma atividade elétrica de um cérebro do aprendiz e pode compreender um sinal de eletroencefalografia (EEG). O processador pode compreender um sensor disposto em um dispositivo vestível e configurado para receber e detectar o sinal de ondas cerebrais, e o dispositivo vestível pode compreender uma faixa de cabeça usada pelo aprendiz. A pelo menos uma característica do sinal de ondas cerebrais compreende uma de uma forma de onda, uma frequência, uma distribuição de frequência, uma amplitude e uma periodicidade do sinal de ondas cerebrais.

[0017] Ainda outro aspecto da presente invenção se refere a um meio legível por computador não transitório que armazena instruções que, quando executadas, fazem com que um ou mais processadores executem um método para treinamento de neuro-feedback. O método pode compreender detectar um sinal de ondas cerebrais de um aprendiz gerado em resposta a um estímulo, analisar pelo menos uma característica do sinal de ondas cerebrais, gerar, com base na análise, uma pontuação de atenção indicativa de um nível de envolvimento do aprendiz, determinar uma pontuação de desempenho do aprendiz com base na resposta ao estímulo, e ajustar o estímulo com base em uma combinação da pontuação de atenção e pontuação de desempenho para personalizar a experiência educacional do aprendiz.

[0018] Outro aspecto da presente revelação refere-se ao campo técnico da avaliação de atenção, em particular a um método de avaliação de atenção, um sistema de avaliação de atenção e um meio de armazenamento legível por computador.

[0019] Atenção é a capacidade das pessoas de apontar e focar em algumas coisas, e é direcionada e concentrada em um determinado objeto por atividades psicológicas, e é uma característica psicológica comum que é acompanhada por processos psicológicos, como percepção sensorial, memória, pensamento, imaginação e similares. De acordo com a dimensão da atenção, a atenção pode ser classificada nas cinco categorias a seguir: uma atenção seletiva, uma atenção alternada, uma atenção prolongada, uma atenção dividida e uma amplitude de atenção. A atenção tem correlação e influência importantes em muitos aspectos dos usuários, por exemplo, os níveis de atenção das crianças afetam seu desenvolvimento cognitivo, portanto, muitos jogos de atenção podem ser usados para testar a atenção do usuário, de modo que a atenção do usuário possa ser desenvolvida e promovida de forma direcionada. No entanto, como a avaliação de atenção é baseada principalmente em alguns jogos de atenção relacionados, o resultado da avaliação é baseado apenas na regra de pontuação do jogo e, portanto, a precisão dos resultados da avaliação é baixa.

[0020] Algumas modalidades da presente revelação são direcionadas a fornecer um método e sistema de avaliação de atenção e um meio de armazenamento legível por computador e visa melhorar a precisão dos resultados da avaliação de atenção. A fim de melhorar a precisão dos resultados da avaliação de atenção, o método de avaliação de atenção revelado é aplicado ao sistema de avaliação de atenção, em que o sistema de avaliação de atenção compreende um terminal de avaliação de atenção e um dispositivo vestível inteligente.

[0021] O método de avaliação de atenção pode compreender adquirir dados de resposta quando um usuário executa um jogo de atenção predefinido, e adquirir dados EEG de ondas cerebrais correspondentes através do dispositivo vestível inteligente; processar os dados de resposta e os dados EGG de ondas cerebrais para obter pontuações de resposta e pontuações de EEG correspondentes. De acordo om a pontuação de resposta, a pontuação de EEG e a equação de regressão multivariável, um valor de pontuação de atenção pode ser obtido. A fórmula geral da presente equação de regressão multivariável predefinida é: Z = aX + bY, em que Z é a pontuação de atenção, x é a pontuação de resposta, y é a pontuação de EEG e a e b são coeficientes ótimos correspondentes, respectivamente.

[0022] O jogo de atenção predefinido pode incluir jogos de atenção contínua e outros jogos de atenção, e os outros jogos de atenção compreendem um jogo de atenção seletiva, um jogo de atenção de conversão, um jogo de atenção de dispersão e um jogo de amplitude de atenção, o terminal de avaliação de atenção adquire dados de resposta quando um usuário executa o jogo de atenção predefinido e adquire dados de EEG de ondas cerebrais correspondentes através do dispositivo vestível inteligente, o método compreendendo as seguintes etapas:

[0023] O terminal de avaliação de atenção respectivamente adquire os primeiros dados de resposta e os segundos dados de resposta quando o usuário executa jogos de atenção contínua e outros jogos de atenção e,

respectivamente, adquirir primeiros dados de EEG e segundos dados de EEG correspondentes através do dispositivo vestível inteligente; processar os dados de resposta e os dados de EEG para obter pontuações de resposta e pontuações de EEG correspondentes, o método compreende as seguintes etapas: processar os primeiros dados de resposta, os primeiros dados de EEG, os segundos dados de resposta e os segundos dados de EEG, respectivamente, e obter uma primeira pontuação de resposta correspondente, uma primeira pontuação de EEG, uma segunda pontuação de resposta e uma segunda pontuação de EEG; e a etapa de obter o valor de atenção de acordo com a pontuação de resposta, a pontuação de EEG e a equação de regressão multivariável predefinida compreende as seguintes etapas: primeira e segunda pontuações da respostas de acordo com a primeira pontuação da resposta, a primeira pontuação de EEG e a segunda pontuação de resposta, um segundo subvalor de EEG e uma equação de regressão multivariável predefinida para obter um valor fracionário do jogo de atenção contínua e um valor fracionário de outra atenção.

[0024] Opcionalmente, o método de avaliação de atenção compreende adicionalmente: adquirir os primeiros dados de resposta de avaliação e as primeiras autopontuações quando uma pessoa avaliadora realiza o jogo de atenção contínua e adquirir os primeiros dados de EEG de avaliação correspondentes através do dispositivo vestível inteligente; pré-processar os primeiros dados de resposta de avaliação e os primeiros dados de EEG de avaliação para obter as primeiras pontuações e as segundas pontuações correspondentes; realizar estimativa estatística na primeira e na segunda pontuação para obter uma primeira curva de distribuição e uma segunda curva de distribuição correspondente; obter uma pontuação de resposta de avaliação de atenção contínua de acordo com a primeira pontuação e a primeira curva de distribuição e obter uma pontuação de EEG de avaliação de atenção contínua de acordo com a segunda pontuação e a segunda curva de distribuição.

[0025] A primeira equação de regressão multivariável é construída de acordo com a pontuação de resposta de avaliação de atenção contínua, a pontuação de EEG de avaliação de atenção contínua e a primeira autopontuação, e obtenção de um primeiro coeficiente ótimo da primeira equação de regressão multivariável por meio de uma equação normal, substituindo o primeiro coeficiente ótimo na primeira de regressão multivariável para obter uma equação de regressão multivariável da atenção contínua da equação de regressão multivariável predefinida.

[0026] Opcionalmente, o método de avaliação de atenção compreende adicionalmente: adquirir dados de resposta de segunda avaliação e segundas autopontuações quando a pessoa avaliadora realiza os outros jogos de atenção e adquirir dados de EEG de segunda avaliação correspondentes através do dispositivo vestível inteligente; pré-processar os segundos dados de resposta da avaliação e os dados da segunda avaliação EEG para obter a terceira e a quarta pontuação correspondentes; realizar estimativa estatística no terceiro subvalor e no quarto subvalor para obter uma terceira curva de distribuição e uma quarta curva de distribuição correspondentes; obtenção de pontuações de avaliação de resposta de outra atenção de acordo com a terceira curva de distribuição e a terceira curva de distribuição e obtenção de pontuações de EEG de avaliação de outra atenção de acordo com a quarta curva de distribuição e a quarta curva de distribuição; estabelecer uma segunda equação de regressão multivariável de acordo com as pontuações de resposta de avaliação da outra atenção, as pontuações de EEG de avaliação de outra atenção e a segunda autopontuação, e obter um segundo coeficiente ótimo da segunda equação de regressão multivariável por meio de uma equação normal, substituindo o segundo coeficiente ótimo na segunda equação de regressão multivariável para obter uma equação de regressão multivariável de outra atenção da equação de regressão multivariável predefinida.

[0027] Opcionalmente, o processamento é realizado nos primeiros dados de resposta, nos primeiros dados de EEG, nos segundos dados de resposta e nos segundos dados de EEG, respectivamente, e obtém uma primeira pontuação de resposta correspondente, uma primeira pontuação de EEG, uma segunda pontuação de resposta e uma segunda pontuação de EEG, o método compreende as seguintes etapas: pré-processar os primeiros dados de resposta, os primeiros dados de EEG, os segundos dados de resposta e os segundos dados de EEG, respectivamente, e um quinto subvalor, um sexto subvalor, um sétimo subvalor e um oitavo subvalor do quinto subvalor, sexto subvalor, sétimo subvalor e oitavo subvalor correspondentes são obtidos; obter uma área inferior da primeira curva correspondente à quinta pontuação e uma primeira área total entre a primeira curva de distribuição e o eixo transversal de acordo com a quinta pontuação e a primeira curva de distribuição integrando e registrando o valor percentual da área inferior da primeira curva e a primeira área total como uma primeira pontuação de resposta; obter uma segunda área inferior da curva correspondente ao sexto subvalor e uma segunda área total entre a segunda curva de distribuição e o eixo horizontal de acordo com o sexto subvalor e a segunda curva de distribuição, e registrar o valor percentual da área inferior da segunda curva e a segunda área total como as primeiras pontuações do EEG; obter uma área inferior da terceira curva correspondente ao sétimo subvalor e uma terceira área total entre a terceira curva de distribuição e o eixo horizontal de acordo com o sétimo subvalor e a terceira curva de distribuição, e registrar o valor percentual da área inferior da terceira curva e a terceira área total como uma segunda pontuação de resposta; e obter a área inferior da quarta curva correspondente ao oitavo valor e a quarta área total entre a quarta curva de distribuição e o eixo horizontal de acordo com a oitava e quarta curvas de distribuição e registrar o valor percentual da área inferior da quarta curva e a quarta área total como segunda pontuação do EEG.

[0028] Opcionalmente, de acordo com a primeira pontuação de resposta, a primeira pontuação de EEG e a segunda pontuação de resposta, uma segunda pontuação de EEG e uma equação de regressão multivariável predefinida para obter a pontuação do jogo de atenção de acompanhamento e a pontuação de outra atenção; o método compreende as seguintes etapas: obter o valor fracionário do jogo de atenção de acompanhamento de acordo com a pontuação da primeira resposta, a pontuação do primeiro EEG e a equação de regressão multivariável da atenção contínua na equação de regressão multivariável predefinida e obter os valores fracionários de outra atenção de acordo com a segunda pontuação de resposta, a segunda pontuação de EEG e a equação de regressão multivariável de outra atenção na equação de regressão multivariável predefinida.

[0029] Opcionalmente, os primeiros dados de resposta e os primeiros dados de resposta de avaliação compreendem o número correto de resposta contínua máxima e o número total de resposta, em que os dados de segunda resposta e os dados de resposta de avaliação compreendem números de resposta correta e erros de resposta. Além disso, para atingir o objetivo, a invenção fornece adicionalmente um sistema de avaliação de atenção. O sistema de avaliação de atenção compreende um terminal de avaliação de atenção e um dispositivo vestível inteligente, e compreende ainda uma memória, um processador e um programa de avaliação de atenção armazenado na memória e capaz de funcionar no processador, o programa de avaliação de atenção é executado pelo processador para realizar o método de avaliação de atenção, conforme descrito acima.

[0030] Além disso, para atingir o objetivo, a invenção fornece ainda meio de armazenamento legível por computador, o programa de avaliação de atenção é armazenado no meio de armazenamento legível por computador, o programa de avaliação de atenção é executado pelo processador para realizar o método de avaliação de atenção, conforme descrito acima.

[0031] A invenção fornece um método e sistema de avaliação de atenção e uma tecnologia de armazenamento legível por computador. O método de avaliação de atenção é aplicado a um sistema de avaliação de atenção. O sistema de avaliação de atenção compreende um terminal de avaliação de atenção e um dispositivo vestível inteligente. O terminal de avaliação de atenção adquire dados de resposta quando o usuário executa um jogo de atenção predefinido e obtém dados de EEG correspondentes por meio do dispositivo vestível inteligente; em seguida, os dados das respostas e os dados do EEG são processados, de modo que as pontuações das respostas correspondentes e as pontuações do EEG sejam obtidas; finalmente, as pontuações das respostas e as pontuações do EEG são substituídas em uma equação de regressão multivariável predefinida, de modo que as pontuações de atenção possam ser obtidas; de acordo com o método, os dados de EEG são adquiridos usando uma tecnologia de interface cérebro-computador, dados de resposta e dados de EEG são combinados, e pontuações de resposta e pontuações de EEG correspondentes são obtidas por meio do processamento, e as pontuações de atenção são calculadas por meio das pontuações de atenção obtidas por meio da otimização do estágio inicial e da equação de regressão multivariável entre as pontuações de resposta e as pontuações de EEG, e em comparação com a técnica anterior, a avaliação e a pontuação são realizadas apenas em um único modo de acordo com a regra de pontuação do jogo, a precisão do resultado da avaliação de atenção pode ser melhorada, e a precisão do resultado da avaliação de atenção pode ser melhorada.

BREVE DESCRIÇÃO DOS DESENHOS

[0032] A Figura 1 é um diagrama esquemático que ilustra um sistema de treinamento de neuro-feedback 100 exemplificador para personalizar uma experiência educacional, consistente com modalidades da presente revelação.

[0033] A Figura 2 é um diagrama de blocos de um sistema de treinamento de neuro-feedback 200 exemplificador, consistente com modalidades da presente revelação.

[0034] A Figura 3 é um diagrama esquemático que ilustra uma faixa de cabeça exemplificadora para detectar sinal (ou sinais) de ondas cerebrais, consistente com modalidades da presente revelação.

[0035] A Figura 4 é um diagrama esquemático que ilustra um sistema de neuro-feedback exemplificador 400 em uma configuração acadêmica, consistente com modalidades da presente revelação.

[0036] A Figura 5 é um diagrama esquemático que ilustra uma tela de interface de usuário exemplificadora de um sistema de neuro-feedback mostrado na Figura 4, consistente com modalidades da presente revelação.

[0037] A Figura 6 é um diagrama esquemático que ilustra uma interface de usuário exemplificadora de um sistema de neuro-feedback mostrado na Figura 4, consistente com modalidades da presente revelação.

[0038] A Figura 7 é um fluxograma de um método exemplificador para treinamento de neuro-feedback para personalizar uma experiência educacional de um aprendiz, consistente com modalidades da presente revelação.

[0039] A Figura 8 é um fluxograma de um método exemplificador para treinamento de neuro-feedback para personalizar uma experiência educacional de um aprendiz, consistente com modalidades da presente revelação.

[0040] A Figura 9 é um diagrama estrutural esquemático de um terminal exemplificador de um ambiente de execução de hardware, consistente com modalidades da presente revelação.

[0041] A Figura 10 é um fluxograma de uma primeira modalidade de um método de avaliação de atenção, consistente com as modalidades da presente revelação.

[0042] A Figura 11 é um fluxograma de uma segunda modalidade de um método de avaliação de atenção, consistente com modalidades da presente revelação.

[0043] A Figura 12 é um fluxograma de uma terceira modalidade de um método de avaliação de atenção, consistente com modalidades da presente revelação.

[0044] A Figura 13 é uma ilustração esquemática de uma primeira curva de distribuição, consistente com modalidades da presente revelação.

[0045] A Figura 14 é um fluxograma de uma quarta modalidade de um método de avaliação de atenção, consistente com as modalidades da presente revelação.

DESCRIÇÃO DETALHADA

[0046] A descrição detalhada a seguir refere-se aos desenhos anexos.

Sempre que possível, os mesmos números de referência são usados nos desenhos e na descrição a seguir para se referir a peças iguais ou semelhantes. Embora várias modalidades ilustrativas sejam descritas neste documento, modificações, adaptações e outras implementações são possíveis. Por exemplo, substituições, adições ou modificações podem ser feitas aos componentes e etapas ilustradas nos desenhos e os métodos ilustrativos descritos neste documento podem ser modificados pela substituição, reordenação, remoção ou adição de etapas aos métodos revelados. Por conseguinte, a descrição detalhada a seguir não se limita às modalidades e exemplos revelados. Em vez disso, o escopo apropriado da invenção é definido pelas reivindicações anexas.

[0047] As dimensões relativas dos componentes nos desenhos podem ser exageradas para maior clareza. Dentro da descrição dos desenhos a seguir, os mesmos números de referência ou semelhantes referem-se aos mesmos componentes ou entidades ou semelhantes, e apenas as diferenças em relação às modalidades individuais são descritas. Conforme usado neste documento, a menos que especificamente indicado de outra forma, o termo “ou” abrange todas as combinações possíveis, exceto onde inviável. Por exemplo, se for afirmado que um componente pode incluir A ou B, então, a menos que especificamente indicado de outra forma ou inviável, o componente pode incluir A, ou B, ou A e B. Como um segundo exemplo, se for indicado que um componente pode incluir A, B ou C, então, a menos que especificamente indicado de outra forma ou inviável, o componente pode incluir A, ou B, ou C, ou A e B, ou A e C, ou B e C, ou A e B e C.

[0048] Esta revelação é geralmente direcionada a sistemas e métodos para treinamento de neuro-feedback. Nas modalidades reveladas, os sistemas coletam e analisam sinais de ondas cerebrais de um indivíduo humano (ou seja, um usuário do sistema de treinamento de neuro-feedback). Em algumas modalidades, o indivíduo humano que usa o sistema de treinamento de neuro- feedback também pode ser referido como um aprendiz ou um estagiário. Com base no perfil do usuário e na finalidade do treinamento de neuro-feedback, o método pode incluir detectar um sinal de ondas cerebrais associado a uma atividade elétrica de um cérebro de um aprendiz, em que o sinal de ondas cerebrais é gerado em resposta a um estímulo. Pelo menos uma característica do sinal de ondas cerebrais pode ser analisada e com base na análise, uma pontuação de atenção indicativa de um nível de envolvimento do aprendiz pode ser gerada. O método pode incluir determinar uma pontuação de desempenho do aprendiz com base na resposta ao estímulo e ajustar o estímulo com base em uma combinação da pontuação de atenção e da pontuação de desempenho para personalizar a experiência educacional do aprendiz. O método pode incluir ainda gerar, pelo processador com base na análise, um índice de carga de trabalho cognitivo indicativo de uma quantidade de esforço aplicado pelo aprendiz para responder ao estímulo.

[0049] Agora é feita referência à Figura 1, que é um diagrama esquemático que ilustra um sistema de treinamento de neuro-feedback 100 para personalizar uma experiência educacional, consistente com modalidades da presente revelação. O sistema de treinamento de neuro-feedback 100 pode incluir um usuário 105 usando uma faixa de cabeça 110, um ou mais terminais 120, um ou mais servidores em nuvem 130. Deve-se reconhecer que outros componentes relevantes podem ser adicionados ou omitidos do sistema de treinamento de neuro-feedback 100, conforme apropriado.

[0050] Em algumas modalidades, o usuário 105 pode compreender um aprendiz, um aluno, um estagiário, um avaliado, um indivíduo humano e similares. Em algumas modalidades, o usuário 105 pode compreender um grupo de usuários, por exemplo, um grupo de alunos em uma sala de aula, cada um usando uma faixa de cabeça 110.

[0051] Em algumas modalidades, a faixa de cabeça 110 pode ser configurada para detectar e/ou medir pelo menos um sinal de ondas cerebrais do usuário 105. Consistente com as modalidades reveladas, a faixa de cabeça 110 pode reproduzir ou de outra forma transmitir os sinais de ondas cerebrais medidos para o terminal 120 ou servidor na nuvem 130 em tempo real. Tanto o terminal 120 quanto o servidor na nuvem 130 podem ser configurados para armazenar e/ou processar os sinais de ondas cerebrais medidos. Uma ou mais faixas de cabeça 110 podem ser armazenadas em uma sala específica ou em um carrinho móvel. Em algumas modalidades, uma ou mais faixas de cabeça 110 podem ser levadas para uma sala de aula, uma escola ou uma instalação de teste e os alunos podem colocá-las e começar a aprender um software ou realizar uma tarefa.

[0052] O terminal 120, em algumas modalidades, pode ser implementado como um dispositivo eletrônico com recursos de computação, incluindo, mas sem se limitar a, um computador desktop 120A, um telefone móvel 120B ou um laptop 120C. Em algumas modalidades, o terminal 120 pode incluir um ou mais dispositivos vestíveis (por exemplo, um relógio inteligente), um assistente digital pessoal (PDA), um controle remoto, equipamento de exercício, um leitor de e- book, um reprodutor de MPEG (Grupo de Especialistas em Imagens com Movimento) e similares. Uma ou mais tarefas ou estímulos podem ser armazenados no servidor na nuvem 130 e podem ser baixados para o terminal

120. Após o download, as tarefas podem ser instaladas no terminal 120. Quando o usuário 105 seleciona uma tarefa ou estímulo e inicia uma sessão de treinamento de neuro-feedback, o terminal 120 pode carregar a tarefa ou estímulo selecionado e gerar os dados relacionados à tarefa com base nos sinais de ondas cerebrais do usuário 105 recebidos da faixa de cabeça 110. Uma tarefa ou estímulo pode incluir, porém sem limitação, uma tarefa acadêmica, tarefa educacional, uma tarefa de avaliação ou uma tarefa baseada em instrução. Em algumas modalidades, um software, um aplicativo, um conjunto executável de instruções e similares podem ser baixados no terminal 120.

[0053] O terminal 120, em algumas modalidades, pode ser configurado para receber a entrada do usuário ou exibir informações com base na entrada do usuário em tempo real. Por exemplo, em uma configuração acadêmica, como uma sala de aula, enquanto o usuário 105 pode fornecer dados relacionados à execução da tarefa usando o terminal 120 (120A, 120B ou 120C), um educador ou instrutor pode acessar as informações relacionadas ao usuário 105 no terminal 120 com base na entrada fornecida, em tempo real. O terminal 120 pode receber entrada do usuário ou exibir informações por meio de uma interface de usuário. A interface de usuário pode compreender uma interface gráfica de usuário (GUI), uma interface audiovisual e similares.

[0054] Alternativamente, e adicionalmente, em algumas modalidades, a tarefa também pode ser armazenada e executada em um ou mais servidores na nuvem 130. O servidor na nuvem 130 pode ser implementado como um computador de uso geral, um computador mainframe, um ou mais bancos de dados, uma ou mais redes ou qualquer combinação desses componentes. Em algumas modalidades, os bancos de dados podem compreender, por exemplo, bancos de dados Oracle™, bancos de dados Sybase™ ou outros bancos de dados relacionais ou não relacionais, como arquivos de sequência Hadoop™, HBase™ ou Cassandra™. Os bancos de dados podem incluir componentes de computação (por exemplo, sistema de gerenciamento de banco de dados, servidor de banco de dados, etc.) configurados para receber e processar solicitações de dados armazenados em dispositivos de memória do banco de dados e para fornecer dados do banco de dados.

[0055] O servidor na nuvem 130 pode ser implementado como um servidor, um cluster de servidores que consiste em uma pluralidade de servidores ou um centro de serviço de computação na nuvem. O servidor na nuvem 130 pode ser operado por um provedor de serviços terceirizado, um administrador do treinamento de neuro-feedback, um fabricante ou um fornecedor de faixa de cabeça 110. Em algumas modalidades, o servidor na nuvem 130 pode receber os sinais de ondas cerebrais da faixa de cabeça 110 e gerar os dados relacionados à tarefa com base nos sinais de ondas cerebrais recebidos. O servidor na nuvem 130 pode transmitir os dados gerados relacionados à tarefa para o terminal 120, de modo que o usuário possa realizar a tarefa no terminal 120 em tempo real.

[0056] Agora é feita referência à Figura 2, que ilustra um diagrama de blocos de um sistema de treinamento de neuro-feedback 200, consistente com modalidades da presente revelação. O sistema de treinamento de neuro- feedback 200 pode incluir faixa de cabeça 210, um ou mais terminais 220 e servidor (ou servidores) na nuvem 230, conectados entre si através da rede 240. É reconhecido que a faixa de cabeça 210, terminal 220 e servidor na nuvem 230 podem ser substancialmente semelhantes e executar funções substancialmente semelhantes à faixa de cabeça 110, terminal 120 e servidor na nuvem 130 da Figura 1, respectivamente.

[0057] A faixa de cabeça 210 pode compreender componentes incluindo, porém sem limitação, sensores 212 e 214, um módulo de processamento de sinal 216 e um módulo de comunicação 218. Em algumas modalidades, a faixa de cabeça 210 pode formar uma conexão com fio ou sem fio com o terminal 220 e/ou servidor (ou servidores) na nuvem 230 através da rede 240. A rede 240 pode compreender uma rede com fio ou sem fio que permite a transmissão e o recebimento de dados. Por exemplo, a rede 240 pode ser implementada como uma rede celular nacional, uma rede sem fio local (por exemplo, Bluetooth TM ou WiFi) ou uma rede com fio. Em algumas modalidades, a faixa de cabeça 210, o terminal 220 e o servidor (ou servidores) de nuvem 230 podem se comunicar entre si direta ou indiretamente através da rede 240.

[0058] Como mostrado na Figura 2, o terminal 220 pode compreender um controlador 225 e uma interface de usuário 229. O controlador 225 pode incluir, entre outras coisas, uma interface I/O (entrada/saída) 222, uma unidade de processamento 224, um módulo de memória 226 e uma unidade de armazenamento 228. Essas unidades podem ser configuradas para transferir dados e enviar ou receber instruções entre elas. Em algumas modalidades, o controlador 225 também pode ser configurado para se comunicar com o servidor na nuvem 230 através da rede 240.

[0059] A interface I/O 222 pode ser configurada para comunicação bidirecional entre o controlador 225 e vários dispositivos. Por exemplo, como representado na Figura 2, a interface I/O 222 pode enviar e receber sinais para e do módulo de comunicação 218 da faixa de cabeça 210, servidor na nuvem 30 e interface de usuário 229. A interface I/O 222 pode enviar e receber dados entre cada um dos componentes por meio de cabos de comunicação, redes (por exemplo, rede 240) ou outros meios de comunicação.

[0060] A interface I/O 222, em algumas modalidades, pode ser configurada para consolidar os sinais que recebe dos vários componentes e retransmitir os dados para a unidade de processamento 224. A unidade de processamento 224 pode incluir um microprocessador de uso geral ou especial, processador de sinal digital ou microprocessador ou similar. A unidade de processamento 224 pode ser implementada como um módulo de processador separado dedicado para executar os métodos revelados para treinamento de neuro-feedback. Alternativamente, a unidade de processamento 224 pode ser configurada como um módulo de processador compartilhado para executar outras funções do terminal 220 não relacionadas ao treinamento de neuro- feedback.

[0061] Em algumas modalidades, a unidade de processamento 224 pode ser configurada para receber dados e/ou sinais de componentes do sistema de treinamento de neuro-feedback 200 e processar os dados e/ou sinais para fornecer o treinamento de neuro-feedback. Por exemplo, a unidade de processamento 224 pode receber sinais de ondas cerebrais da faixa de cabeça 210 através da interface I/O 222. A unidade de processamento 224 pode ainda processar os sinais de ondas cerebrais recebidos para gerar vários recursos visuais ou audiovisuais apresentados ao usuário 105 antes, durante ou depois de realizar a tarefa. Além disso, se as tarefas forem executadas no servidor na nuvem 230, a unidade de processamento 224 também pode receber dados relacionados à tarefa do servidor na nuvem 230 por meio da interface I/O 222. Em modalidades exemplares, a unidade de processamento 224 pode executar instruções de computador (códigos de programa) armazenadas no módulo de memória 226 e/ou unidade de armazenamento 228 e pode executar funções de acordo com técnicas exemplificativas descritas nesta revelação. Mais funções exemplificadoras da unidade de processamento 224 serão descritas abaixo em relação aos métodos revelados para treinamento de neuro-feedback.

[0062] O módulo de memória 226 e/ou unidade de armazenamento 228 pode incluir qualquer tipo apropriado de meio de armazenamento de dados em massa fornecido para armazenar qualquer tipo de informação que a unidade de processamento 224 pode precisar para operação. O módulo de memória 226 e/ou unidade de armazenamento 228 pode ser volátil ou não volátil, magnético, semicondutor, fita, óptico, removível, não removível ou outro tipo de dispositivo de armazenamento ou meio tangível (isto é, não transitório) legível por computador incluindo, porém sem limitação, uma ROM (memória somente leitura), uma memória flash, uma DRAM (memória de acesso aleatório dinâmica) ou uma SRAM (memória de acesso aleatório estática) e similares.

[0063] O módulo de memória 226 e/ou unidade de armazenamento 228 podem ser configurados para armazenar um ou mais programas de computador que podem ser executados pela unidade de processamento 224 para executar métodos de treinamento de neuro-feedback exemplares revelados neste pedido. Por exemplo, o módulo de memória 226 e/ou unidade de armazenamento 228 podem ser configurados para armazenar programa (ou programas) que pode ser executado pela unidade de processamento 224 para determinar o nível de envolvimento de um aluno com base no sinal (ou sinais) de ondas cerebrais e gerar sinais visuais e/ou efeitos audiovisuais mostrando a pontuação de atenção ou pontuação de interesse determinada.

[0064] A interface de usuário 229 pode ser implementada como e compreender um painel de exibição através do qual a tarefa e outros recursos podem ser acessados pelo usuário 105. O painel de exibição pode incluir uma tela LCD (tela de cristal líquido), uma tela de LED (diodo emissor de luz), uma tela de plasma, uma projeção ou qualquer outro tipo de tela apropriado e também pode incluir microfones, alto-falantes e/ou entradas/saídas de áudio (por exemplo, conectores de fone de ouvido) ou podem ser acoplados a um sistema de áudio do terminal 220.

[0065] Além disso, em algumas modalidades, a interface de usuário 229 também pode ser configurada para receber entrada ou comandos do usuário

105. Por exemplo, o painel de exibição pode ser implementado como uma tela sensível ao toque para receber sinais de entrada do usuário 105. A tela sensível ao toque pode incluir um ou mais sensores de toque para detectar toques, deslizamentos e outros gestos na tela sensível ao toque. Os sensores de toque podem não apenas detectar o limite de um toque ou ação de deslizar, mas também sentir um período de tempo e uma pressão associada ao toque ou ação de deslizar. Alternativamente, ou além disso, a interface de usuário 229 pode incluir outros dispositivos de entrada, como teclados, botões, joysticks, teclados e/ou trackballs. A interface de usuário 229 pode ser configurada para enviar a entrada do usuário para o controlador 225.

[0066] Em algumas modalidades, o servidor na nuvem 230 pode ser conectado à faixa de cabeça 210 e ao terminal 220 por meio da rede 240. O servidor na nuvem 230 pode incluir um ou mais controladores (não mostrado), semelhantes às configurações do controlador 225 descritas acima.

[0067] É feita referência agora à Figura 3, que ilustra uma faixa de cabeça 310 exemplar configurada para detectar o sinal (ou sinais) de ondas cerebrais do usuário 105 que usa a faixa de cabeça 310. A faixa de cabeça 310 pode ser substancialmente semelhante e pode desempenhar funções substancialmente semelhantes à faixa de cabeça 210 da Figura 2 e faixa de cabeça 110 da Figura

1.

[0068] A faixa de cabeça 310 pode ser usada pelo usuário 105 ou presa em torno da cabeça de um usuário. Em algumas modalidades, a faixa de cabeça 310 pode ter um corpo em forma de U e pode envolver a cabeça de um usuário. Em algumas modalidades, a faixa de cabeça 310 pode ter um comprimento ajustável e pode ser feita de memória de formato. Por exemplo, uma porção da faixa de cabeça 310 pode ser elástica ou esticável de outra forma. Como outro exemplo, a faixa de cabeça 310 pode ter uma porção de extensão embutida que pode ser escondida, estendida ou parcialmente estendida para ajustar o comprimento da faixa de cabeça 310. Dessa forma, a faixa de cabeça 310 pode ser adaptada para se ajustar a diferentes dimensões de cabeça.

[0069] A faixa de cabeça 310 pode incluir um ou mais sensores (por exemplo, sensores 312, 314) para detectar ou medir sinal (ou sinais) de ondas cerebrais. Por exemplo, esses sensores podem ser sensores de hidrogel de nível médico capazes de detecção de EEG. Os sensores (312 e 314) podem ser colocados em diferentes locais na faixa de cabeça 310 de modo que detectem sinais de ondas cerebrais de diferentes partes da cabeça do usuário quando fixados corretamente. Como mostrado na Figura 3, os sensores 312 e 314 podem ser montados em diferentes posições na superfície da faixa de cabeça 310, de modo que quando a faixa de cabeça 310 é usada pelo usuário 105, o sensor 312 está em contato substancial e apropriado com a testa do usuário, e o sensor 314 está em contato substancial e apropriado com uma das orelhas do usuário. A testa é um dos locais do couro cabeludo comumente usados para detectar sinal (ou sinais) de ondas cerebrais, enquanto pouco ou nenhum sinal (ou sinais) de ondas cerebrais podem ser registrados nas orelhas e em suas vizinhanças. Como tal, o sensor 314 serve como um sensor de referência, em que a diferença dos sinais registrados pelos sensores 312 e 314 pode ser usada como um sinal de onda cerebral medido. É reconhecido que os sensores 312 e 314 são apenas para fins ilustrativos. A presente revelação não limita o número de sensores e os posicionamentos desses sensores na faixa de cabeça 310 e, portanto, couro cabeludo para registrar o sinal (ou sinais) de ondas cerebrais.

[0070] Em algumas modalidades, a faixa de cabeça 310 pode incluir um módulo de processamento de sinal 316 para processar o sinal (ou sinais) de ondas cerebrais medidos pelos sensores 312 e 314. Por exemplo, o módulo de processamento de sinal 316 pode incluir um ou mais circuitos integrados de aplicação específica (ASICs), controladores, microcontroladores (MCUs), microprocessadores ou outros componentes eletrônicos. Por exemplo, o módulo de processamento de sinal 316 pode incluir um circuito amplificador que determina a diferença entre os sinais medidos pelos sensores 312 e 314 e amplifica o sinal de ondas cerebrais resultante para análise adicional. O módulo de processamento de sinal 316 pode ser implementado como um módulo de processamento de sinal incorporado e pode se comunicar sem fio com um terminal (por exemplo, terminal 220 da Figura 2) ou um servidor na nuvem (por exemplo, servidor na nuvem 230 da Figura 2).

[0071] Em algumas modalidades, a faixa de cabeça 310 pode incluir um módulo de comunicação embutido 318 configurado para facilitar a comunicação, com ou sem fio, entre a faixa de cabeça 310 e outros dispositivos ou componentes do sistema de treinamento de neuro-feedback. Em algumas modalidades, o módulo de comunicação 318 e o módulo de processamento de sinal 316 podem ser integrados na mesma placa de circuito. O módulo de comunicação 318 pode ser configurado para acessar uma rede sem fio com base em um ou mais padrões de comunicação, como WiFi, LTE, 2G, 3G, 4G, 5G, etc. Em uma modalidade exemplificadora, o módulo de comunicação 318 pode incluir um módulo de comunicação de campo próximo (NFC) para facilitar as comunicações de curto alcance entre a faixa de cabeça 310 e outros componentes e dispositivos do sistema. Em algumas modalidades, o módulo de comunicação 318 pode ser implementado com base em uma tecnologia de identificação por radiofrequência (RFID), uma tecnologia de associação de dados infravermelhos (IrDA), uma tecnologia de banda ultralarga (UWB), uma tecnologia Bluetooth (BT) ou outras tecnologias relevantes. Nas modalidades exemplares, o módulo de processamento de sinal 316 pode transmitir, através do módulo de comunicação 318, os sinais de ondas cerebrais processados para outros dispositivos para realizar os métodos revelados para treinamento de neuro-feedback.

[0072] Em algumas modalidades, a faixa de cabeça 310 pode incluir ainda certos componentes não mostrados na Figura 3. Por exemplo, em algumas modalidades, a faixa de cabeça 310 pode incluir uma ou mais luzes de diodo emissor de luz (LED) para indicar incluindo, porém sem limitação, status de operação da faixa de cabeça 310, tal como ligado/desligado da faixa de cabeça

310, nível de bateria/energia, se a faixa de cabeça 310 está conectada, etc. Em algumas modalidades, a faixa de cabeça 310 pode incluir uma porta de barramento serial microuniversal (USB) que serve como uma porta de carregamento. Em algumas modalidades, a faixa de cabeça 310 pode incluir uma luz na posição da testa (doravante referida como “luz da testa”). A luz da testa pode indicar o nível de atenção atual, conforme indicado pelos sinais de ondas cerebrais detectados pelos sensores 312 e 314. Por exemplo, a luz da testa pode indicar o nível de atenção em tempo real do usuário, emitindo diferentes cores de luz. Por exemplo, uma cor vermelha pode indicar que o usuário 105 está altamente focado, uma cor azul pode indicar que o usuário 105 está fora de foco e uma cor verde pode indicar que o usuário 105 está em transição entre diferentes níveis de atenção. Além disso, ou alternativamente, a luz da testa também pode indicar o estado mental do usuário, alterando as intensidades de luz ou padrões de luz (por exemplo, piscando em frequências diferentes). A presente revelação não limita o método usado pela luz da testa para indicar o estado mental do usuário.

[0073] Em algumas modalidades, a faixa de cabeça 310 pode incluir um interruptor de energia (não ilustrado) para ativar ou desativar manualmente a faixa de cabeça 310. A ativação da faixa de cabeça 310 pode compreender iniciar sensores, iniciar módulo de comunicação 318, iniciar módulo de processamento de sinal 316, etc. para habilitar as funcionalidades dos vários componentes. A desativação da faixa de cabeça 310 pode desativar uma ou mais funcionalidades da faixa de cabeça 310 com base em um padrão de pressão do interruptor de energia. Por exemplo, pressionar o botão liga/desliga uma vez só pode desativar o sensor 312 de modo que o sensor 312 não detecte o sinal (ou sinais) de ondas cerebrais, enquanto o módulo de processamento de sinal 316 e o módulo de comunicação 318 podem permanecer ativados para permitir o processamento de dados e a transferência de dados para outros componentes do sistema. Em algumas modalidades, a faixa de cabeça 310 pode ser ativada ou desativada remotamente, por exemplo, através do aplicativo de software.

[0074] Em algumas modalidades, a faixa de cabeça 310 pode incluir recursos de detecção de desgaste para garantir a recepção e detecção de sinal adequadas e maximizar a relação sinal-ruído (SNR). Os sinais de ondas cerebrais podem ser perturbados, modificados ou totalmente bloqueados, por exemplo, pela presença de cabelo entre o sensor 312 e a pele do usuário, partículas de poeira na superfície do sensor 312, etc.

[0075] Agora é feita referência à Figura 4, que ilustra um sistema de neuro- feedback exemplificador 400 em uma configuração acadêmica, consistente com modalidades da presente revelação. A configuração acadêmica pode compreender uma sala de aula, um centro de teste, um auditório, um teatro e similares. O sistema de treinamento de neuro-feedback 400 pode incluir um ou mais usuários 405 usando faixa de cabeça 410 e usando o terminal 420. O usuário 405 pode incluir um grupo de usuários, incluindo alunos e professores. Por exemplo, em uma configuração acadêmica, como uma sala de aula, o usuário 405 pode incluir um professor ou instrutor, bem como vários alunos. O terminal 420 pode incluir, porém sem limitação, um laptop, um computador pessoal desktop, um telefone móvel, um tablet, um leitor de e-book, um reprodutor de MPEG e similares, capaz de exibir a tela de interface de usuário

430.

[0076] O cérebro humano é composto por mais de 100 bilhões de neurônios. Uma maneira de funcionar é enviar pequenos sinais elétricos uns para os outros. Quando um número limite de neurônios “dispara” em uníssono, o sinal é grande o suficiente para ser detectado no couro cabeludo humano. A atividade cerebral muda com base na atividade que está sendo realizada. Por exemplo, durante o sono ou relaxamento, os neurônios disparam mais devagar do que quando um humano está acordado, porque menos informações precisam ser processadas. Do outro lado do espectro, quando um humano está profundamente envolvido em uma conversa ou pensando intensamente, os neurônios disparam muito mais rapidamente. Tradicionalmente, pesquisadores e médicos usam eletroencefalogramas (EEGs) para medir os sinais elétricos que emanam do cérebro, e a técnica é conhecida como eletroencefalografia.

[0077] Os sinais elétricos podem conter informações associadas ao número de neurônios, a frequência de disparo dos neurônios, o ritmo de disparo e similares, com base na atividade cerebral. Os sinais elétricos podem ser manifestados como formas de onda compreendendo uma amplitude, um comprimento de onda e uma frequência. Um ou mais sensores (por exemplo, sensor 312 da Figura 3) podem ser implementados como um sensor de faixa de cabeça e configurados para receber e detectar o sinal elétrico (ou sinais elétricos). Um algoritmo pode ser usado para interpretar os sinais elétricos e, com base na interpretação, o nível de atividade cerebral pode ser determinado. O algoritmo pode ser baseado ou conduzido por técnicas avançadas de aprendizado de máquina ou técnicas baseadas em inteligência artificial.

[0078] Em algumas modalidades, o treinamento de neuro-feedback pode ser implementado analisando uma ou mais banda de frequência (ou bandas de frequência) das ondas cerebrais. Por exemplo, as bandas de frequência mais baixas podem estar associadas ao relaxamento e devaneio, as bandas de frequência média podem estar associadas a pensamento focado e resolução de problemas e as bandas de frequência mais altas podem ser indicativas de ansiedade, hipervigilância e agitação. Em algumas modalidades, a fim de melhorar a capacidade de atenção do usuário (ou seja, manter o foco), as bandas de frequência média, por exemplo, a banda beta baixa, a banda teta e a banda beta alta, por exemplo, podem ser rotuladas ou marcadas para análises adicional. Em algumas modalidades, o treinamento de neuro-feedback pode ser implementado analisando as características do sinal (ou sinais) de ondas cerebrais dentro de uma ou mais banda (ou bandas) de frequência.

[0079] Em algumas modalidades, o treinamento de neuro-feedback pode ser implementado analisando uma ou mais saídas de algoritmo de EEG (ou algoritmos de EEG) que medem diferentes estados cognitivos, como foco ou relaxamento, de modo que o treinamento de neuro-feedback reforce um ou mais desses estados. O algoritmo (ou algoritmos) para medir esses estados podem ser desenvolvidos pela geração de modelos baseados em aprendizado de máquina de sinais de EEG que preveem a probabilidade de um usuário estar em um desses estados.

[0080] Em uma configuração acadêmica, como uma sala de aula, conforme ilustrado na Figura 4, o sistema de treinamento de neuro-feedback 400 pode ser configurado para personalizar uma experiência educacional de ensino e aprendizagem com base em dados biométricos. Uma das várias maneiras de personalizar a experiência educacional pode incluir determinar uma carga de trabalho cognitivo de um aprendiz (por exemplo, um aluno) e usar as informações de carga de trabalho cognitivo obtidas por um instrutor (por exemplo, um professor), para personalizar a experiência educacional do aprendiz. Conforme usado neste documento, a carga de trabalho cognitivo pode se referir à quantidade de esforço colocada pelo aprendiz em relação a uma tarefa de aprendizagem específica ou em resposta a um estímulo. A carga de trabalho cognitivo, em algumas modalidades, pode ser usada para dimensionar fatores, incluindo, porém sem limitação, a dificuldade, o ritmo e a sequência de tarefas de aprendizagem entregues ao aprendiz.

[0081] Por exemplo, os indivíduos podem responder de forma diferente a diferentes tarefas ou estímulos com base em fatores, incluindo, porém sem limitação, o formato das tarefas entregues, a sequência de entrega das tarefas, a dificuldade das tarefas, o ritmo com que as tarefas são entregues, etc. e pode haver uma maneira ótima para os indivíduos aprenderem, como, por exemplo, aprendizes auditivos, aprendizes visuais, etc. Ao compreender como cada aprendiz pode reagir a diferentes tarefas ou estímulos de aprendizagem, um perfil de aprendiz personalizado pode ser gerado para cada aprendiz. O perfil de aprendiz personalizado pode ser usado para aprimorar as experiências educacionais para aprendizes, bem como para educadores, por meio da personalização do conteúdo, da carga de trabalho, da dificuldade e similares.

[0082] Em algumas modalidades, a faixa de cabeça 410 pode ser configurada para detectar sinais de ondas cerebrais. O sinal detectado (ou sinais detectados) pode ser processado para determinar um índice de carga de trabalho cognitivo como uma medida da quantidade de esforço envolvido para a tarefa de aprendizagem ao longo de um período de tempo predefinido. Em algumas modalidades, o índice de carga de trabalho cognitivo pode ser uma avaliação quantitativa da quantidade de esforço colocada pelo aprendiz em direção a uma tarefa ou uma resposta a estímulos. Em algumas modalidades, o índice de carga de trabalho cognitivo pode ser uma avaliação qualitativa da quantidade de esforço colocada pelo aprendiz em relação a uma tarefa de aprendizagem específica ou uma resposta a estímulos, indicada usando níveis de carga de trabalho, como baixo, médio ou alto; ou indicado por uma escala de cores.

[0083] O índice de carga de trabalho cognitivo pode ser um número que varia de 0 a 100, ou 0 a 10, ou qualquer faixa predefinida. O algoritmo baseado em IA pode quantificar a carga de trabalho cognitivo e gerar um índice de carga de trabalho cognitivo com base no sinal (ou sinais) de ondas cerebrais detectado. Em algumas modalidades, um índice de carga de trabalho cognitivo mais alto pode indicar que o aprendiz pode estar sobrecarregado e um índice de carga de trabalho cognitivo mais baixo pode indicar que o aprendiz pode estar desanimado, muito relaxado ou insuficientemente desafiado. O método proposto para determinar a carga de trabalho cognitivo também pode incluir flutuações da carga de trabalho cognitivo para fornecer uma experiência de aprendizagem mais dinâmica para o aprendiz.

[0084] Em algumas modalidades, o desenvolvimento de um algoritmo de carga de trabalho cognitivo baseado em AI pode incluir identificar os dados de EEG brutos com base na intensidade da carga de trabalho e procurar semelhanças entre as diferentes intensidades de tarefa. Os dados brutos de EEG podem ser obtidos a partir de um grande número de indivíduos (por exemplo, usuários ou participantes do teste) completando diferentes tarefas cognitivas com várias intensidades de carga de trabalho. Com base em várias variáveis e recursos no sinal (ou sinais) de EEG, o estado da carga de trabalho pode ser determinado.

[0085] Em algumas modalidades, com base em uma série de fatores, incluindo, porém sem limitação, o índice de carga de trabalho cognitivo dinâmica, dados históricos, informações de perfil do aprendiz, tipo de tarefa, etc., o algoritmo baseado em AI pode definir um “ponto ideal” do índice de carga de trabalho cognitivo para ajustar a carga de trabalho cognitivo a um nível ótimo de desafio. O ponto ideal do índice de carga de trabalho cognitivo pode ser determinado em tempo real com base no perfil do aprendiz ou pode ser predefinido com base em dados históricos, por exemplo. Em algumas modalidades, um administrador de sistema ou um instrutor pode determinar o ponto ideal do índice de carga de trabalho cognitivo com base em dados históricos, desempenho passado, expectativas, objetivos e similares.

[0086] Em algumas modalidades, além do índice de carga de trabalho cognitivo, o sinal (ou sinais) de ondas cerebrais detectado pode ser processado para determinar um nível de envolvimento ou nível de atenção como uma medida de interesse mostrada pelo aprendiz em relação à tarefa de aprendizagem ao longo de um período de tempo predefinido, em tempo real. Com base no sinal (ou sinais) de ondas cerebrais detectado, as experiências de aprendizagem podem ser personalizadas para maximizar o envolvimento e o foco, enquanto mantém o ponto de equilíbrio da carga de trabalho cognitivo.

[0087] Em algumas modalidades, algoritmos baseados em AI podem determinar o nível de envolvimento ou interesse de um aprendiz com base em uma análise de uma ou mais características do sinal (ou sinais) de ondas cerebrais em tempo real. As características dos sinais de ondas cerebrais podem incluir, porém sem limitação, amplitude, frequência, comprimento de onda, distribuição de banda de frequência, flutuações dentro da banda de frequência e similares. Em algumas modalidades, o sistema de treinamento de neuro- feedback 400 pode ser configurado para quantificar o nível de envolvimento ou o nível de interesse com uma pontuação de atenção. Conforme usado neste documento, a pontuação de atenção pode ser referida como o nível de interesse ou envolvimento mostrado por um aprendiz em relação às tarefas ou estímulos de aprendizagem. A pontuação de atenção pode ser um número que varia de 0 a 100, ou 0 a 10, ou qualquer faixa predefinida. Com base na pontuação de atenção, o sistema, ou um administrador do sistema, ou um instrutor, pode determinar a experiência educacional que mais envolve o aprendiz. Em algumas modalidades, a pontuação de atenção pode ser usada para dimensionar a dificuldade, ritmo, assunto, conjunto de habilidades e similares, para personalizar e aprimorar a experiência de aprendizagem.

[0088] Em algumas modalidades, a pontuação de atenção pode ser usada por um instrutor ou professor para personalizar, desenvolver, modificar ou criar experiências de ensino para aumentar o envolvimento do aluno ou o envolvimento da sala de aula em tempo real. Por exemplo, se a pontuação de atenção média de uma sala de aula de alunos for maior para um problema de matemática envolvendo álgebra em comparação com outros tópicos, a pontuação de atenção pode ser exibida no terminal do professor 420 por meio de uma tela gráfica de interface de usuário 430, conforme mostrado na Figura 4, em tempo real. Com base nas informações obtidas e/ou apresentadas, o professor pode decidir personalizar, em tempo real, o restante do seu material didático para incluir mais álgebra. Além disso, o nível mais baixo de interesse exibido pelos alunos, e determinado pelo algoritmo baseado em IA com base em sinais de ondas cerebrais detectados, em outros tópicos da matemática pode justificar a introdução de técnicas mais criativas ou envolventes do professor.

[0089] Agora é feita referência à Figura 5, que ilustra uma tela gráfica de interface de usuário exemplificadora 530 que representa um painel de exibição de informações 540, consistente com modalidades da presente revelação. O painel de exibição de informações 540 pode compreender informações incluindo, porém sem limitação, perfil do aprendiz, métricas de desempenho em tempo real, dados comparativos, informações relacionadas à tarefa de aprendizagem ou estímulos, status do sistema e similares.

[0090] Em algumas modalidades, como mostrado na Figura 5, o elemento de exibição 550 pode ser configurado para exibir informações associadas ao aprendiz, como detalhes pessoais, tarefa sendo executada, status da tarefa e similares. O elemento de exibição 550 pode compreender uma interface de usuário interativa configurada para receber a entrada do usuário, exibir feedback, situação do sistema e similares. Em algumas modalidades, o elemento de exibição 550 pode compreender um áudio, um vídeo ou uma interface audiovisual. É reconhecido que outros painéis de exibição de informações compreendendo informações relevantes podem ser exibidos com base na entrada do usuário, tarefa de aprendizagem, perfil do aprendiz e similares.

[0091] Em algumas modalidades, o painel de exibição de informações 540 exemplificador pode exibir a pontuação de atenção determinada de um ou mais aprendizes ao longo de um período de tempo. Conforme mostrado na Figura 5, a pontuação média de atenção é representada graficamente e pode ser atualizada em tempo real. O painel de exibição de informações 540 pode ser exibido em um ou mais terminais (por exemplo, terminal 420 da Figura 4) usados por um aluno, um grupo de alunos, um professor, um grupo de professores ou qualquer combinação dos mesmos.

[0092] Em algumas modalidades, um sistema de treinamento de neuro- feedback (por exemplo, sistema de treinamento de neuro-feedback 400 da Figura 4) pode ser configurado para rastrear, em tempo real, o feedback da pontuação de atenção de aprendizes individuais e/ou uma sala de aula de alunos. Por exemplo, um professor pode rastrear a pontuação de atenção dos alunos para determinar a eficácia de uma técnica de ensino, introdução de novo material de assunto, determinar os níveis de desempenho individual e similares. Uma das várias maneiras de rastrear métodos de ensino é “identificar” ou identificar padrões de nível de atenção no painel de exibição de informações 540, pela análise das pontuações de atenção de um indivíduo ou grupo de alunos, em tempo real.

[0093] A identificação, em algumas modalidades, pode incluir marcar ou identificar instâncias de uma grande diferença na pontuação de atenção de uma leitura imediatamente anterior, análise de um padrão de pontuação de atenção crescente ou um padrão de pontuação de atenção decrescente e similares. Em algumas modalidades, algoritmos baseados em AI ou algoritmos de aprendizagem de máquina avançados podem ser configurados para identificar padrões e instâncias de pontuações de atenção com base em um conjunto predefinido de critérios ou um instrutor pode monitorar e marcar manualmente as pontuações de atenção em tempo real.

[0094] Conforme ilustrado na Figura 5, o painel de exibição de informações 540 compreende identificadores de pontuação de atenção 542 e

544. Neste exemplo, o identificador 542 representa uma instância de uma alta pontuação de atenção e o identificador 544 representa uma instância de uma baixa pontuação de atenção. Em algumas modalidades, o professor pode analisar as informações obtidas do sistema de treinamento de neuro-feedback, incluindo os identificadores, e determinar o conteúdo ou o assunto associado ao identificador 542. Por exemplo, o identificador 542 pode ser associado à resposta do aprendiz a uma tarefa de visualização de um objeto em 3D (três dimensões), o professor pode determinar que o aprendiz pode ser o mais engajado e interessado no assunto relacionado. Com base nas informações e na análise, o professor pode criar ou desenvolver uma experiência educacional mais significativa e personalizada para o aprendiz. Os professores também podem fornecer informações para personalizar seus métodos e estratégias de ensino.

[0095] Em algumas modalidades, o aplicativo de software, ou uma plataforma que executa o aplicativo de software, pode ser configurado para gerar um relatório incluindo informações associadas a uma sessão de teste ou uma sessão acadêmica. Os relatórios podem incluir informações relacionadas ao aluno, pontuação de atenção, identificadores, tempo e duração, carga de trabalho cognitivo e similares. O professor pode compartilhar o relatório com o aluno ou com os pais. Em algumas modalidades, o professor pode compartilhar o relatório com a sala de aula no final de uma aula ou sessão para discutir os níveis gerais de atenção da classe, destacar áreas de melhoria, métodos e estratégias de ensino, estratégias de aprendizagem e similares.

[0096] Em algumas modalidades, um sistema de treinamento de neuro- feedback (por exemplo, sistema de treinamento de neuro-feedback 400 da Figura 4) pode ser configurado para personalizar a experiência educacional de um aprendiz com base em uma combinação da pontuação de atenção e uma pontuação de desempenho. Personalizar a experiência educacional pode incluir ajustar a dificuldade das tarefas entregues ao aprendiz com base em seu nível de envolvimento e desempenho, de modo que as tarefas não sejam muito difíceis e desanimadoras ou muito fáceis e chatas. A pontuação de desempenho pode ser determinada em tempo real por algoritmos baseados em IA, técnicas avançadas de aprendizado de máquina, manualmente por um instrutor ou por outros meios relevantes. Em algumas modalidades, o sistema de treinamento de neuro-feedback 400 pode determinar o desempenho geral de um aprendiz combinando a pontuação de atenção e a pontuação de desempenho do aprendiz para a tarefa.

[0097] Agora é feita referência à Figura 6, que ilustra uma tela gráfica de interface de usuário exemplificadora 630 que representa um painel de exibição de informações 640, consistente com modalidades da presente revelação. O painel de exibição de informações 640 pode compreender informações associadas ao desempenho geral de um aprendiz. Em algumas modalidades, o desempenho geral de um aprendiz em responder a uma tarefa de aprendizagem pode ser categorizado com base em uma combinação de pontuação de atenção e pontuação de desempenho para a tarefa. O elemento de exibição 650 pode ser substancialmente semelhante ao elemento de exibição 550 e pode executar funções substancialmente similares. É reconhecido que o elemento de exibição 650 pode ser configurável para exibir outras informações relevantes, conforme apropriado.

[0098] Em uma representação exemplar de um modelo de decisão para determinar a próxima tarefa de aprendizagem, o desempenho geral de um aprendiz pode ser representado nos quadrantes 642, 644, 646 e 648, conforme ilustrado na Figura 6. Em algumas modalidades, o desempenho geral do aprendiz pode ser representado em um formato de matriz, um formato de arranjo e similares. Por exemplo, se a pontuação de atenção for alta e a pontuação de desempenho para a tarefa for baixa, o desempenho geral do aluno pode ser representado pelo primeiro quadrante 642. Uma pontuação de baixo desempenho e uma pontuação de atenção alta indicam que a tarefa de aprendizagem pode ser muito difícil para o aprendiz porque, apesar de o cérebro do aluno estar altamente focado e concentrado, o desempenho do aluno é baixo. Nesse caso, o sistema pode ajustar a tarefa consequentemente, por exemplo, tornando a próxima pergunta do teste um pouco mais fácil.

[0099] O desempenho geral de um aprendiz pode ser representado pelo segundo quadrante 644 se a pontuação de atenção e a pontuação de desempenho para a tarefa forem altas. Altas pontuações de atenção e desempenho para a tarefa indicam que a tarefa de aprendizagem é ótima e adequada para seu crescimento educacional. Nesse caso, o sistema pode continuar entregando tarefas de nível de dificuldade semelhante ou um pouco mais difícil para incentivar o aluno e manter o nível de interesse. Conforme ilustrado na Figura 6, um quadrante (por exemplo, quadrante 644) pode ser destacado nas informações exibidas para indicar o desempenho geral do aprendiz para uma tarefa específica, ou uma série de tarefas. Em algumas modalidades, a pontuação de desempenho geral pode ser calculada, por exemplo, no final de uma sessão, uma tarefa de aprendizagem ou estímulos de aprendizagem.

[00100] O desempenho geral de um aprendiz pode ser representado pelo terceiro quadrante 646 se a pontuação de atenção for baixa e a pontuação de desempenho para a tarefa for alta. Exibir uma pontuação de alto desempenho enquanto a pontuação de atenção é baixa indica que a tarefa de aprendizagem é muito fácil para o aprendiz, e o aprendiz pode ficar entediado, se o nível de envolvimento e dificuldade permanecerem inalterados. Nesse caso, o sistema pode aumentar a dificuldade da tarefa de aprendizagem entregue ao aprendiz para otimizar o desafio e o nível de envolvimento.

[00101] O desempenho geral de um aprendiz pode ser representado pelo quarto quadrante 648 se a pontuação de atenção for baixa e a pontuação de desempenho para a tarefa for baixa. Exibir uma pontuação de baixo desempenho enquanto a pontuação de atenção é baixa, indica que o aluno não está envolvido com a tarefa. O professor pode usar essas informações para envolver novamente o aluno com uma tarefa mais emocionante, uma estratégia de ensino mais emocionante, revisar metas e expectativas durante a reunião com o aluno ou representantes do aluno e assim por diante.

[00102] Em algumas modalidades, a personalização de experiências educacionais pode ser implementada digitalmente e auxiliada por algoritmos e programas orientados por IA em uma plataforma de aprendizagem online. Nesse cenário, a plataforma de aprendizagem online pode se adaptar, atualizar e apresentar tarefas com base nos dados de ondas cerebrais obtidos. Alternativamente, um professor, instrutor ou educador humano pode acessar os dados de ondas cerebrais processados e utilizar as informações para adaptar e alterar as tarefas ou métodos de ensino para criar uma experiência de ensino e aprendizagem personalizada.

[00103] Algumas das vantagens de um sistema de treinamento de neuro-feedback e métodos de personalização da experiência educacional usando o sistema de treinamento de neuro-feedback são as seguintes: i. Monitoramento de desempenho em tempo real - Como proposto, o sistema de treinamento de neuro-feedback pode permitir o monitoramento em tempo real da carga de trabalho cognitivo de um aprendiz e o nível de atenção. A capacidade de monitorar o desempenho em tempo real com base nos sinais de ondas cerebrais pode permitir que o professor ajuste o conteúdo, a quantidade e a forma como as tarefas de aprendizagem podem ser entregues, por exemplo, em uma configuração acadêmica. ii. Feedback em tempo real - Os sinais de ondas cerebrais detectados indicativos da atividade elétrica do cérebro do aprendiz e, portanto, o nível de interesse ou envolvimento podem fornecer feedback instantâneo da eficácia de uma estratégia de ensino, em tempo real. A capacidade de receber feedback em tempo real pode permitir ao professor melhorar os planos de aula, direcionar a atenção em tempo real durante a aula e testar diferentes métodos e ideias com feedback quantitativo sobre a eficácia desses métodos e ideias. iii. Experiência educacional personalizada - Os sistemas e métodos de treinamento de neuro-feedback propostos podem permitir que os alunos desenvolvam a autorregulação e a propriedade sobre sua experiência educacional por meio do aprendizado social, emocional e acadêmico. iv. Compatibilidade do sistema - A plataforma de aprendizagem online pode ser integrada a uma infinidade de aplicativos de software fornecidos por qualquer fornecedor de software educacional ou de aprendizagem.

[00104] Em seguida, métodos de treinamento de neuro-feedback consistentes com a presente revelação serão descritos. Sem explicação especial, a seguinte descrição assume que as etapas dos métodos revelados são realizadas por um terminal (por exemplo, terminal 420 da Fig. 4). No entanto, é contemplado que algumas ou todas as etapas nos métodos descritos a seguir também podem ser realizadas pela faixa de cabeça 410 e/ou servidor na nuvem

230.

[00105] Agora é feita referência à Figura 7, que ilustra um fluxograma de um método 700 para personalizar uma experiência educacional com base no treinamento de neuro-feedback, consistente com modalidades da presente revelação. Por exemplo, um terminal (por exemplo, terminal 420) pode ser instalado com um aplicativo para treinamento de neuro-feedback. Para iniciar uma sessão de treinamento de neuro-feedback, um usuário (por exemplo, usuário 405 da Figura 4) pode usar uma faixa de cabeça (por exemplo, faixa de cabeça 410 da Fig. 4) e ativar a faixa de cabeça para registrar o sinal (ou sinais) de ondas cerebrais do cérebro do usuário. Enquanto isso, o usuário pode então iniciar o aplicativo, de modo que o terminal possa estabelecer uma conexão sem fio com a faixa de cabeça e executar o método 700. Com referência à Figura 7, o método 700 pode incluir as seguintes etapas 710 a 740. É reconhecido que as etapas podem ser adicionadas, omitidas, editadas, reordenadas, conforme necessário.

[00106] Na etapa 710, um sinal de ondas cerebrais gerado por um aprendiz em resposta a um estímulo ou durante a realização de uma tarefa de aprendizagem pode ser detectado. Em algumas modalidades, a faixa de cabeça pode ser configurada para detectar um ou mais sinal (ou sinais) de ondas cerebrais gerado. O sinal (ou sinais) de ondas cerebrais pode ser medido continuamente ao longo do tempo ou durante intervalos de tempo definidos. A faixa de cabeça pode compreender um ou mais sensores (por exemplo, sensores 312 e 314 da Fig. 3) para receber, detectar e medir o sinal (ou sinais) de ondas cerebrais. A faixa de cabeça também pode compreender um módulo de processamento de sinal (por exemplo, módulo de processamento de sinal 316 da Figura 3) para processar o sinal (ou sinais) de ondas cerebrais medido pelos sensores. Por exemplo, o módulo de processamento de sinal pode incluir um ou mais ASICs, controladores, microcontroladores, microprocessadores ou outros componentes eletrônicos. O módulo de processamento de sinal pode incluir um circuito amplificador que determina a diferença entre os sinais medidos pelos sensores e amplifica o sinal de ondas cerebrais resultante para análise posterior. O módulo de processamento de sinal pode ser implementado como um módulo de processamento de sinal embutido e pode se comunicar sem fio com o terminal ou o servidor na nuvem.

[00107] Em algumas modalidades, a faixa de cabeça pode incluir um módulo de comunicação embutido (por exemplo, módulo de comunicação 318 da Figura 3) configurado para facilitar a comunicação, com ou sem fio, entre a faixa de cabeça e outros dispositivos ou componentes do sistema de treinamento de neuro-feedback. Em algumas modalidades, o módulo de comunicação e o módulo de processamento de sinal podem ser integrados na mesma placa de circuito.

[00108] O sinal de ondas cerebrais gerado pode ser um sinal elétrico medido no couro cabeludo do usuário por meio de sensores da faixa de cabeça. A faixa de cabeça pode ser presa em torno da cabeça de modo que o sensor de atividade cerebral fique em contato com a pele da testa. A faixa de cabeça pode ser ativada antes de detectar os sinais das ondas cerebrais.

[00109] Na etapa 720, o terminal pode receber o sinal de ondas cerebrais processado e pode analisar pelo menos uma característica do sinal (ou sinais) de ondas cerebrais. Por exemplo, o terminal pode ser configurado para analisar a amplitude, a frequência ou a distribuição da banda de frequência dos sinais de ondas cerebrais processados. Em algumas modalidades, o terminal pode aplicar um filtro passa-baixa para remover o ruído do sinal e derivar o espectro de potência do sinal de ondas cerebrais, por exemplo, usando métodos matemáticos, como uma transformada de Fourier. Conforme descrito acima, as amplitudes do espectro de potência podem ser agrupadas em diferentes bandas de frequência. Além das bandas normais que mostram as atividades cerebrais, às vezes o espectro de potência também pode incluir uma ou mais bandas de frequência correspondentes a artefatos. Por exemplo, piscar os olhos, mastigar e outros movimentos dos músculos faciais podem dar origem a uma ou mais bandas de artefatos distintas. Quando a amplitude do artefato é maior do que um nível de limite predefinido, todo o espectro de potência pode ser distorcido e tornar a determinação de feedback imprecisa. Se as bandas de artefato estiverem presentes, o terminal pode ainda determinar se a amplitude das bandas de artefato excede seu respectivo limite de artefato. Se pelo menos uma banda de artefato tiver uma amplitude superior ao respectivo limite de artefato, o terminal pode desconsiderar o sinal de ondas cerebrais recebido durante o período de tempo em que o artefato é detectado. Caso contrário, o terminal pode concluir que o sinal das ondas cerebrais é válido.

[00110] Na etapa 730, o terminal pode ser configurado para gerar um índice de carga de trabalho cognitivo com base na análise de pelo menos uma das características do sinal de ondas cerebrais. O índice de carga de trabalho cognitivo é uma medida da quantidade de esforço envolvido na tarefa de aprendizagem durante um período de tempo predefinido. Em algumas modalidades, o índice de carga de trabalho cognitivo pode ser uma avaliação quantitativa da quantidade de esforço colocada pelo aprendiz em direção a uma tarefa ou uma resposta a estímulos. Em algumas modalidades, o índice de carga de trabalho cognitivo pode ser uma avaliação qualitativa da quantidade de esforço colocada pelo aprendiz em relação a uma tarefa de aprendizagem específica ou uma resposta a estímulos, indicada usando níveis de carga de trabalho, como baixo, médio ou alto; ou indicado por uma escala de cores.

[00111] O índice de carga de trabalho cognitivo pode ser um número que varia de 0 a 100, ou 0 a 10, ou qualquer faixa predefinida. O algoritmo baseado em IA pode quantificar a carga de trabalho cognitivo e gerar um índice de carga de trabalho cognitivo com base no sinal (ou sinais) de ondas cerebrais detectado. Em algumas modalidades, um índice de carga de trabalho cognitivo mais alto pode indicar que o aprendiz pode estar sobrecarregado e um índice de carga de trabalho cognitivo mais baixo pode indicar que o aprendiz pode estar desanimado, muito relaxado ou insuficientemente desafiado. O método proposto para determinar a carga de trabalho cognitivo também pode incluir flutuações da carga de trabalho cognitivo para fornecer uma experiência de aprendizagem mais dinâmica para o aprendiz.

[00112] Na etapa 740, a tarefa de aprendizagem ou o estímulo podem ser ajustados com base no índice de carga de trabalho cognitivo gerado para personalizar a experiência educacional para o aprendiz. Ajustar a tarefa de aprendizagem pode incluir determinar se a próxima tarefa de aprendizagem deve ser mais fácil, mais difícil ou inalterada com base no índice de carga de trabalho cognitivo, perfil do aprendiz, objetivos do aprendiz e assim por diante.

[00113] Em algumas modalidades, com base em uma série de fatores, incluindo, porém sem limitação, o índice de carga de trabalho cognitivo dinâmica, dados históricos, informações de perfil do aprendiz, tipo de tarefa, etc.,

o algoritmo baseado em AI pode definir um ponto ideal de índice de carga de trabalho cognitivo para ajustar a carga de trabalho cognitivo a um nível ideal de desafio. O ponto ideal do índice de carga de trabalho cognitivo pode ser determinado em tempo real com base no perfil do aprendiz ou pode ser predefinido com base em dados históricos, por exemplo. Em algumas modalidades, um administrador de sistema ou um instrutor pode determinar o ponto ideal do índice de carga de trabalho cognitivo com base em dados históricos, desempenho passado, expectativas, objetivos e similares.

[00114] Agora é feita referência à Figura 8, que ilustra um fluxograma de um método 800 para personalizar uma experiência educacional com base no treinamento de neuro-feedback, consistente com modalidades da presente revelação. Por exemplo, um terminal (por exemplo, terminal 420) pode ser instalado com um aplicativo para treinamento de neuro-feedback. Para iniciar uma sessão de treinamento de neuro-feedback, um usuário (por exemplo, usuário 405 da Figura 4) pode usar uma faixa de cabeça (por exemplo, faixa de cabeça 410 da Fig. 4) e ativar a faixa de cabeça para registrar o sinal (ou sinais) de ondas cerebrais do cérebro do usuário. Enquanto isso, o usuário pode então iniciar o aplicativo, de modo que o terminal possa estabelecer uma conexão sem fio com a faixa de cabeça e executar o método 800. Com referência à Figura 8, o método 800 pode incluir as seguintes etapas 810 a 850. É reconhecido que as etapas podem ser adicionadas, omitidas, editadas, reordenadas, conforme necessário.

[00115] Na etapa 810, um sinal de ondas cerebrais gerado por um aprendiz em resposta a um estímulo ou durante a realização de uma tarefa de aprendizagem pode ser detectado. Em algumas modalidades, a faixa de cabeça pode ser configurada para detectar um ou mais sinal (ou sinais) de ondas cerebrais gerado. O sinal (ou sinais) de ondas cerebrais pode ser medido continuamente ao longo do tempo ou durante intervalos de tempo definidos. A faixa de cabeça pode compreender um ou mais sensores (por exemplo, sensores 312 e 314 da Fig. 3) para receber, detectar e medir o sinal (ou sinais) de ondas cerebrais. A faixa de cabeça também pode compreender um módulo de processamento de sinal (por exemplo, módulo de processamento de sinal 316 da Figura 3) para processar o sinal (ou sinais) de ondas cerebrais medido pelos sensores. Por exemplo, o módulo de processamento de sinal pode incluir um ou mais ASICs, controladores, microcontroladores, microprocessadores ou outros componentes eletrônicos. O módulo de processamento de sinal pode incluir um circuito amplificador que determina a diferença entre os sinais medidos pelos sensores e amplifica o sinal de ondas cerebrais resultante para análise posterior. O módulo de processamento de sinal pode ser implementado como um módulo de processamento de sinal embutido e pode se comunicar sem fio com o terminal ou o servidor na nuvem.

[00116] Em algumas modalidades, a faixa de cabeça pode incluir um módulo de comunicação embutido (por exemplo, módulo de comunicação 318 da Figura 3) configurado para facilitar a comunicação, com ou sem fio, entre a faixa de cabeça e outros dispositivos ou componentes do sistema de treinamento de neuro-feedback. Em algumas modalidades, o módulo de comunicação e o módulo de processamento de sinal podem ser integrados na mesma placa de circuito.

[00117] O sinal de ondas cerebrais gerado pode ser um sinal elétrico medido no couro cabeludo do usuário por meio de sensores da faixa de cabeça. A faixa de cabeça pode ser presa em torno da cabeça de modo que o sensor de atividade cerebral fique em contato com a pele da testa. A faixa de cabeça pode ser ativada antes de detectar os sinais das ondas cerebrais.

[00118] Na etapa 820, o terminal pode receber o sinal de ondas cerebrais processado e pode analisar pelo menos uma característica do sinal (ou sinais) de ondas cerebrais. Por exemplo, o terminal pode ser configurado para analisar a amplitude, a frequência ou a distribuição da banda de frequência dos sinais de ondas cerebrais processados. Em algumas modalidades, o terminal pode aplicar um filtro passa-baixa para remover o ruído do sinal e derivar o espectro de potência do sinal de ondas cerebrais, por exemplo, usando métodos matemáticos, como uma transformada de Fourier. Conforme descrito acima, as amplitudes do espectro de potência podem ser agrupadas em diferentes bandas de frequência. Além das bandas normais que mostram as atividades cerebrais, às vezes o espectro de potência também pode incluir uma ou mais bandas de frequência correspondentes a artefatos. Por exemplo, piscar os olhos, mastigar e outros movimentos dos músculos faciais podem dar origem a uma ou mais bandas de artefatos distintas. Quando a amplitude do artefato é maior do que um nível de limite predefinido, todo o espectro de potência pode ser distorcido e tornar a determinação de feedback imprecisa. Se as bandas de artefato estiverem presentes, o terminal pode ainda determinar se a amplitude das bandas de artefato excede seu respectivo limite de artefato. Se pelo menos uma banda de artefato tiver uma amplitude superior ao respectivo limite de artefato, o terminal pode desconsiderar o sinal de ondas cerebrais recebido durante o período de tempo em que o artefato é detectado. Caso contrário, o terminal pode concluir que o sinal das ondas cerebrais é válido.

[00119] Na etapa 830, o terminal pode ser configurado para gerar uma pontuação de atenção de um aluno com base na análise de pelo menos uma das características do sinal (ou sinais) de ondas cerebrais. Os sinais de ondas cerebrais detectados podem ser processados para determinar um nível de envolvimento ou nível de atenção como uma medida de interesse mostrado pelo aprendiz para a tarefa de aprendizagem ao longo de um período de tempo predefinido, em tempo real. Com base no sinal (ou sinais) de ondas cerebrais detectado, as experiências de aprendizagem podem ser personalizadas para maximizar o envolvimento e o foco, enquanto mantém o ponto de equilíbrio da carga de trabalho cognitivo.

[00120] Em algumas modalidades, algoritmos baseados em AI podem determinar o nível de envolvimento ou interesse de um aprendiz com base em uma análise de uma ou mais características do sinal (ou sinais) de ondas cerebrais em tempo real. As características dos sinais de ondas cerebrais podem incluir, porém sem limitação, amplitude, frequência, comprimento de onda, distribuição de banda de frequência, flutuações dentro da banda de frequência e similares. Em algumas modalidades, o sistema de treinamento de neuro-feedback pode ser configurado para quantificar o nível de envolvimento ou o nível de interesse com uma pontuação de atenção. Conforme usado neste documento, a pontuação de atenção pode ser referida como o nível de interesse ou envolvimento mostrado por um aprendiz em relação às tarefas ou estímulos de aprendizagem. A pontuação de atenção pode ser um número que varia de 0 a 100, ou 0 a 10, ou qualquer faixa predefinida. Com base na pontuação de atenção, o sistema, ou um administrador do sistema, ou um instrutor, pode determinar a experiência educacional que mais envolve o aprendiz. Em algumas modalidades, a pontuação de atenção pode ser usada para dimensionar a dificuldade, ritmo, assunto, conjunto de habilidades e similares, para personalizar e aprimorar a experiência de aprendizagem.

[00121] Em algumas modalidades, a pontuação de atenção pode ser usada por um instrutor ou professor para personalizar, desenvolver, modificar ou criar experiências de ensino para aumentar o envolvimento do aluno ou o envolvimento da sala de aula em tempo real. Por exemplo, se a pontuação média de atenção de uma sala de aula de alunos for maior para um problema de matemática envolvendo álgebra em comparação com outros tópicos, a pontuação de atenção pode ser exibida no terminal do professor por meio de uma tela gráfica da interface do usuário (por exemplo, tela da interface do usuário 430 da Fig. 4), em tempo real. Com base nas informações obtidas e/ou apresentadas, o professor pode decidir personalizar, em tempo real, o restante do seu material didático para incluir mais álgebra. Além disso, o nível mais baixo de interesse exibido pelos alunos, e determinado pelo algoritmo baseado em IA com base em sinais de ondas cerebrais detectados, em outros tópicos da matemática pode justificar a introdução de técnicas mais criativas ou envolventes do professor.

[00122] Na etapa 840, uma pontuação de desempenho do aprendiz para a tarefa pode ser determinada. A pontuação de desempenho pode ser determinada em tempo real por algoritmos baseados em IA, técnicas avançadas de aprendizado de máquina, manualmente por um instrutor ou por outros meios relevantes.

[00123] Na etapa 850, a tarefa de aprendizagem ou o estímulo podem ser ajustados com base em uma combinação da pontuação de atenção e a pontuação de desempenho para a tarefa de aprendizagem, para personalizar a experiência educacional para o aprendiz. A combinação da pontuação de atenção e pontuação de desempenho para a tarefa pode ser referida como a pontuação de desempenho geral. Personalizar a experiência educacional para o aprendiz pode incluir ajustar a dificuldade das tarefas entregues ao aprendiz com base em seu nível de envolvimento e desempenho, de modo que as tarefas não sejam muito difíceis e desanimadoras ou muito fáceis e chatas. A pontuação de desempenho pode ser determinada em tempo real por algoritmos baseados em IA, técnicas avançadas de aprendizado de máquina, manualmente por um instrutor ou por outros meios relevantes.

[00124] Em geral, embora os métodos 700 e 800 sejam descritos em conexão com as características de frequência do sinal (ou sinais) de ondas cerebrais, a presente revelação não está limitada aos recursos de frequência. Em vez disso, pretende-se que os métodos e sistemas revelados possam usar quaisquer características adequadas do sinal (ou sinais) de ondas cerebrais. Por exemplo, um fenômeno conhecido como Potencial Relacionado a Eventos (ERP) se refere a uma mudança significativa em um sinal de ondas cerebrais após um estímulo específico (por exemplo, ver certas cenas ou ouvir uma música específica). Por exemplo, a exposição de um usuário a certos estímulos pode criar uma mudança significativa na amplitude do sinal de ondas cerebrais aproximadamente 300 milissegundos após a exposição (também conhecido como “P300 ERP”). Essa mudança pode ser usada para detectar a resposta do usuário a um estímulo e gerar neuro-feedback.

[00125] Em modalidades exemplares, os dados usados e gerados pelos métodos revelados para treinamento de neuro-feedback podem ser salvos,

por exemplo, no módulo de memória 226 e/ou unidade de armazenamento 228 para estudo e análise adicionais. Em uma modalidade, os dados podem ser analisados para otimizar o treinamento de neuro-feedback para cada usuário individual. Por exemplo, o módulo de memória 226 e/ou unidade de armazenamento 228 pode armazenar um perfil de usuário auxiliado por cada usuário. O perfil do usuário pode incluir, porém sem limitação a idade de cada usuário, informações demográficas de gênero, características de EEG e sinais de ondas cerebrais anteriores gerados durante o treinamento de neuro- feedback. Métodos de aprendizado de máquina, como algoritmos de regressão ou algoritmos Bayesianos, podem ser empregados para analisar o perfil do usuário e otimizar (ou personalizar) o treinamento de neuro-feedback para o usuário individual.

[00126] Outro aspecto da revelação é direcionado a um meio legível por computador não transitório que armazena instruções que, quando executadas, fazem com que um ou mais processadores executem os métodos, conforme discutido acima. O meio legível por computador pode incluir volátil ou não volátil, magnético, semicondutor, fita, óptico, removível, não removível ou outros tipos de meio legível por computador ou dispositivos de armazenamento legíveis por computador. Por exemplo, o meio legível por computador pode ser a unidade de armazenamento ou o módulo de memória que tem as instruções do computador armazenadas no mesmo, conforme revelado. Em algumas modalidades, o meio legível por computador pode ser um disco ou uma unidade flash com as instruções do computador armazenadas no mesmo.

[00127] Conforme discutido anteriormente, a atenção tem correlação e influência importantes em muitos aspectos dos usuários, por exemplo, o nível de atenção das crianças afeta seu desenvolvimento cognitivo e, portanto, muitos jogos de atenção podem ser jogados para testar a atenção do usuário, de modo que a atenção do usuário possa ser cultivada e promovida de forma direcionada. No entanto, como a avaliação de atenção é baseada principalmente em alguns jogos de atenção relacionados, o resultado da avaliação é baseado apenas na regra de pontuação do jogo, e a precisão do resultado da avaliação é baixa.

[00128] A fim de resolver o problema técnico de resultados de avaliação de atenção imprecisos, esta revelação fornece um método de avaliação de atenção, um sistema e um meio de armazenamento legível por computador. O método de avaliação de atenção pode ser aplicado ao sistema de avaliação de atenção e o sistema de avaliação de atenção pode compreender um terminal de avaliação de atenção e um dispositivo vestível inteligente. O terminal de avaliação de atenção pode obter os dados de resposta quando o usuário executa o jogo de atenção predefinido e pode adquirir dados de EEG correspondentes por meio do dispositivo vestível inteligente. Os dados da resposta e os dados do EEG podem ser processados, de modo que as pontuações das respostas e as pontuações do EEG correspondentes sejam obtidas. Finalmente, as pontuações das respostas e as pontuações do EEG são substituídas em uma equação de regressão multivariada predefinida, para que as pontuações de atenção possam ser obtidas. De acordo com o método, os dados de EEG podem ser adquiridos usando uma tecnologia de interface cérebro-computador, dados de resposta e dados de EEG são combinados, e pontuações de resposta e pontuações de EEG correspondentes são obtidas por meio de processamento, e as pontuações de atenção podem ser calculadas com base nas pontuações de atenção obtidas por meio da otimização do estágio inicial e da equação de regressão multivariável entre as pontuações das respostas e as pontuações do EEG. Em contraste com a técnica anterior, a avaliação e a pontuação são realizadas apenas em um único modo de acordo com a regra de pontuação do jogo, a precisão do resultado da avaliação de atenção pode ser melhorada e a precisão do resultado da avaliação de atenção pode ser melhorada.

[00129] Agora é feita referência à Figura 9, que ilustra um diagrama estrutural esquemático de um terminal de avaliação de atenção 1000 de um ambiente de execução de hardware, consistente com modalidades da presente revelação. O terminal de avaliação de atenção 1000 fornecido pela modalidade da invenção pode ser um PC (computador pessoal) e também pode ser um smartphone e um computador tablet, um computador portátil e similares com uma função de exibição. Um jogo de atenção predefinido pode ser disposto no terminal de avaliação de atenção.

[00130] Conforme ilustrado na Figura 9, o terminal de avaliação de atenção 1000 pode incluir um processador 1001, como uma CPU e um barramento de comunicação 1002, uma interface de usuário 1003, uma interface de rede 1004 e uma memória 1005. O barramento de comunicação 1002 pode ser configurado para ser usado para realizar a comunicação de conexão entre os componentes. A interface de usuário 1003 pode incluir uma tela de exibição (uma tela), uma unidade de entrada, como um teclado. Uma interface de usuário opcional 1003 pode incluir uma interface com fio padrão ou uma interface sem fio. A interface de rede 1004 pode incluir opcionalmente uma interface com fio padrão, uma interface sem fio (por exemplo, uma interface Wi-fi). A memória 1005 pode ser uma memória RAM de alta velocidade ou pode ser uma memória não volátil estável, como uma memória de disco magnético. Em algumas modalidades, a memória 1005 pode ser opcionalmente um dispositivo de memória independente do processador 1001. Será entendido por aqueles versados na técnica que a estrutura terminal mostrada na Figura 9 não se limitada a um terminal, mais ou menos componentes podem ser incluídos ou alguns componentes podem ser combinados, ou diferentes componentes podem ser dispostos, conforme apropriado ou como necessário.

[00131] Conforme ilustrado na Figura 9, um sistema operacional, um módulo de comunicação de rede, um módulo de interface de usuário e um programa de avaliação de atenção podem ser incluídos na memória 1005 de um meio de armazenamento de computador. No terminal de avaliação de atenção 1000 mostrado na Figura 9, a interface de rede 1004 pode ser configurada para ser usada para ser conectada a um servidor de segundo plano e está em comunicação de dados com o servidor de segundo plano; a interface de usuário 1003 pode ser configurada para ser usada para estar conectada a um cliente.

[00132] Em algumas modalidades, o processador 1001 pode ser usado para chamar os programas de avaliação de atenção armazenados na memória 1005 e executar as seguintes operações. i. O terminal de avaliação de atenção 1000 adquire dados de resposta quando um usuário executa jogos de atenção predefinidos e adquire dados de EEG de ondas cerebrais correspondentes através do dispositivo vestível inteligente; ii. Processar os dados de resposta e os dados de EEG para obter pontuações de resposta correspondentes e pontuações de EEG; e iii. Com base na pontuação da resposta, na pontuação de EEG e na equação de regressão multivariável predefinida, um valor de pontuação de atenção é obtido.

[00133] Em algumas modalidades, o processador 1001 pode chamar a atenção para programas de avaliação armazenados na memória 1005 e executar as seguintes operações. A fórmula geral da equação de regressão multivariável predefinida é a seguinte: Z = aX + bY, em que Z é um valor de atenção, x é uma pontuação de resposta, y é uma pontuação de EEG e a e b são coeficientes ótimos correspondentes, respectivamente. Além disso, o jogo de atenção predefinido inclui um jogo de atenção contínua e outros jogos de atenção, incluindo um jogo de atenção seletiva, um jogo de atenção de conversão, um jogo de atenção distribuída e um jogo de amplitude de atenção.

[00134] Em algumas modalidades, o processador 1001 pode chamar a atenção para programas de avaliação armazenados na memória 1005 e ainda executar as seguintes operações. i. O terminal de avaliação de atenção, respectivamente, adquire os primeiros dados de resposta e os segundos dados de resposta quando o usuário executa jogos de atenção contínuos e outros jogos de atenção e, respectivamente, obtém os primeiros dados de EEG e os segundos dados de EEG correspondentes através do dispositivo vestível inteligente; ii. Processar os primeiros dados de resposta, os primeiros dados de EEG,

os segundos dados de resposta e os segundos dados de EEG, respectivamente, e obter uma primeira pontuação de resposta correspondente, uma primeira pontuação de EEG, uma segunda pontuação de resposta e uma segunda pontuação de EEG; e iii. Primeira e segunda pontuações de resposta de acordo com a primeira pontuação de resposta, a primeira pontuação de EEG e a segunda pontuação de resposta, um segundo subvalor EEG e uma equação de regressão multivariável predefinida para obter um valor fracionário do jogo de atenção contínua e um valor fracionário de outra atenção.

[00135] Em algumas modalidades, o processador 1001 pode ser usado para chamar os programas de avaliação de atenção armazenados na memória 1005 e executar as seguintes operações: i. Adquirir os primeiros dados de resposta de avaliação e as primeiras autopontuações quando uma pessoa avaliadora realiza o jogo de atenção contínua e adquirir os dados de EEG da primeira avaliação correspondentes através do dispositivo vestível inteligente; ii. Pré-processar respectivamente os dados de resposta da primeira avaliação e os dados de EEG da primeira avaliação para obter as primeiras pontuações e as segundas pontuações correspondentes; iii. Realizar, respectivamente, estimativa estatística na primeira e na segunda pontuação para obter uma primeira curva de distribuição correspondente e uma segunda curva de distribuição; iv. Obter uma pontuação de resposta de avaliação de atenção contínua de acordo com a primeira pontuação e a primeira curva de distribuição e obter uma pontuação de EEG de avaliação de atenção contínua de acordo com a segunda pontuação e a segunda curva de distribuição; e v. A primeira equação de regressão multivariável é construída de acordo com a pontuação de resposta de avaliação de atenção contínua, a pontuação de EEG de avaliação de atenção contínua e a primeira autopontuação, e a obtenção de um primeiro coeficiente ótimo da primeira equação de regressão multivariável por meio de uma equação normal, substituindo o primeiro coeficiente ótimo na primeira equação de regressão multivariável para obter uma equação de regressão multivariável de atenção contínua da equação de regressão multivariável predefinida.

[00136] Em algumas modalidades, o processador 1001 pode ser usado para chamar os programas de avaliação de atenção armazenados na memória 1005 e executar as seguintes operações: i. Adquirir dados de resposta da segunda avaliação e segunda autopontuação quando a pessoa avaliadora realiza os outros jogos de atenção e adquirir dados de EEG da segunda avaliação correspondentes através do dispositivo vestível inteligente; ii. Pré-processar respectivamente os dados de resposta da segunda avaliação e os dados de EEG da segunda avaliação para obter a terceira e a quarta pontuações correspondentes; iii. Realizar, respectivamente, estimativa estatística sobre o terceiro subvalor e o quarto subvalor para obter uma terceira curva de distribuição correspondente e uma quarta curva de distribuição; iv. Obter pontuações de avaliação de resposta de outra atenção de acordo com a terceira curva de distribuição e a terceira curva de distribuição, e obter pontuações de EEG de avaliação de outra atenção de acordo com a quarta curva de distribuição e a quarta curva de distribuição; e v. Estabelecer uma segunda equação de regressão multivariável de acordo com as pontuações de resposta de avaliação da outra atenção, as pontuações de EEG de avaliação de outra atenção e a segunda autopontuação e obter um segundo coeficiente ótimo da segunda equação de regressão multivariável por meio de uma equação normal substituindo o segundo coeficiente ótimo na segunda equação de regressão multivariável para obter uma equação de regressão multivariável de outra atenção da equação de regressão multivariável predefinida.

[00137] Em algumas modalidades, o processador 1001 pode ser usado para chamar o programa de avaliação de atenção armazenado na memória 1005 e executar as seguintes operações: i. Pré-processar os primeiros dados de resposta, os primeiros dados de EEG, os segundos dados de resposta e os segundos dados de EEG, respectivamente, e um quinto subvalor, um sexto subvalor, um sétimo subvalor e um oitavo subvalor dos correspondentes quinto subvalor, sexto subvalor, sétimo subvalor e oitavo subvalor são obtidos; ii. Obter uma área inferior da primeira curva correspondente à quinta pontuação e uma primeira área total entre a primeira curva de distribuição e o eixo transversal de acordo com a quinta pontuação e a primeira curva de distribuição integrando e registrando o valor percentual da área inferior da primeira curva e a primeira área total como uma pontuação da primeira resposta; iii. Obter uma segunda área inferior da curva correspondente ao sexto subvalor e uma segunda área total entre a segunda curva de distribuição e o eixo horizontal de acordo com o sexto subvalor e a segunda curva de distribuição, e registrar o valor percentual da área inferior de a segunda curva e a segunda área total como as primeiras pontuações do EEG; iv. Obter uma área inferior da terceira curva correspondente ao sétimo subvalor e uma terceira área total entre a terceira curva de distribuição e o eixo horizontal de acordo com o sétimo subvalor e a terceira curva de distribuição, e registrar o valor percentual da área inferior de a terceira curva e a terceira área total como uma segunda pontuação de resposta; e v. Obter a área inferior da quarta curva correspondente ao oitavo valor e a quarta área total entre a quarta curva de distribuição e o eixo horizontal de acordo com a oitava e a quarta curvas de distribuição e registrar o valor percentual da área inferior da quarta curva e a quarta área total como segunda pontuação do EEG.

[00138] Em algumas modalidades, o processador 1001 pode ser usado para chamar os programas de avaliação de atenção armazenados na memória 1005 e executar as seguintes operações. i. Obter o valor fracionário do jogo de atenção de acompanhamento de acordo com a pontuação da primeira resposta, a pontuação do primeiro EEG e a equação de regressão multivariável da atenção contínua na equação de regressão multivariável predefinida e obter os valores fracionários de outra atenção de acordo para a segunda pontuação de resposta, a segunda pontuação de EEG e a equação de regressão multivariável de outra atenção na equação de regressão multivariável predefinida; e ii. Os primeiros dados de resposta e os primeiros dados de resposta de avaliação compreendem o número correto de resposta contínua máxima e o número total de resposta, em que os dados de segunda resposta e os dados de resposta de avaliação compreendem números de resposta correta e erros de resposta.

[00139] É feita referência agora à Figura 10, que ilustra um fluxograma de um método de avaliação de atenção de acordo com uma primeira modalidade da presente revelação. Nesta modalidade da invenção, o método de avaliação de atenção é aplicado a um sistema de avaliação de atenção, como o terminal de avaliação de atenção 1000 da Fig. 9, e o sistema de avaliação de atenção compreende um terminal de avaliação de atenção e um dispositivo vestível inteligente. O terminal de avaliação de atenção é fornecido internamente com um jogo de atenção predefinido para o usuário e a pessoa avaliadora realizarem a avaliação de atenção, em que o jogo de atenção predefinido compreende um jogo de atenção contínuo e outros jogos de atenção. Outros jogos de atenção podem incluir um jogo de atenção seletiva, um jogo de atenção de conversão, um jogo de atenção dispersa e um jogo de amplitude de atenção. O terminal de avaliação de atenção pode ser usado para adquirir dados de resposta e dados de EEG enviados pelo dispositivo vestível inteligente quando o usuário e a pessoa avaliadora realizam o jogo de atenção predefinido e, em seguida, processar os dados de EEG para obter a pontuação de atenção final. Em algumas modalidades, a tecnologia de interface cérebro-computador pode ser aplicada ao dispositivo vestível inteligente e usada para coletar dados de EEG (eletroencefalograma) e ondas cerebrais do usuário e da pessoa avaliadora e pode estar em comunicação com o terminal de avaliação de atenção, de modo a transmitir o EEG para o terminal de avaliação de atenção para processamento e avaliação. O método de avaliação de atenção pode compreender as seguintes etapas:

[00140] Na etapa S10, o terminal de avaliação de atenção pode ser configurado para adquirir dados de resposta quando um usuário executa um jogo de atenção predefinido e adquirir dados de EEG de ondas cerebrais correspondentes através do dispositivo vestível inteligente. Os dados de resposta podem incluir, porém sem limitação, números de respostas corretas e erros de respostas, o número máximo de respostas corretas contínuas e o número total de respostas podem ser obtidos de acordo com diferentes tipos de jogos de atenção predefinidos, e diferentes dados de respostas podem ser adquiridos. Por exemplo, quando um jogo de atenção predefinido é um jogo de atenção contínua, os dados da resposta correspondente podem ser registrados como primeiros dados de resposta e os primeiros dados de resposta podem incluir o número correto máximo da resposta contínua e o número total da resposta. Quando o jogo de atenção predefinido é outro jogo de atenção, os dados de resposta correspondentes podem ser registrados como os segundos dados de resposta e os segundos dados de resposta podem incluir o número máximo de resposta correta contínua e o número total de respostas.

[00141] Na etapa S20, o terminal de avaliação de atenção pode ser configurado para processar os dados de resposta e os dados de EEG para obter pontuações de resposta e pontuações de EEG correspondentes. Especificamente, devido à avaliação de diferentes tipos de atenção, os dados de resposta adquiridos e os dados de EEG podem não ser consistentes e os métodos de processamento de dados correspondentes são diferentes. O método de processamento específico pode ser referido às seguintes modalidades e não é descrito em detalhes neste documento. Nas modalidades, a pontuação da resposta pode incluir uma primeira pontuação de resposta e uma segunda pontuação, e a pontuação do EEG pode incluir uma primeira pontuação do EEG e uma segunda pontuação do EEG.

[00142] Na etapa S30, o terminal de avaliação de atenção pode ser configurado para obter um valor de pontuação de atenção de acordo com a pontuação de resposta, a pontuação do EEG e uma equação de regressão multivariável predefinida. A equação de regressão multivariável predefinida pode compreender uma equação de regressão multivariável de atenção contínua e uma equação de regressão multivariável de outra atenção. A equação de regressão multivariável de outra atenção pode incluir uma equação de regressão multivariável da atenção seletiva, a equação de regressão multivariável da atenção de conversão, a equação de regressão multivariável da atenção de dispersidade e a equação de regressão multivariável da amplitude de atenção. A fórmula geral da equação de regressão multivariável predefinida é conforme descrito anteriormente, onde X é uma pontuação de resposta, Y é uma pontuação do EEG e a e b são coeficientes ótimos correspondentes, respectivamente. As pontuações das respostas e as pontuações do EEG são substituídas em uma equação de regressão multivariável predefinida, para que as pontuações de atenção possam ser obtidas.

[00143] Em algumas modalidades, pode ser fornecido um método de avaliação de atenção aplicado a um sistema de avaliação de atenção. O sistema de avaliação de atenção pode compreender um terminal de avaliação de atenção e um dispositivo vestível inteligente. Um terminal de avaliação de atenção pode adquirir dados de resposta quando um usuário executa um jogo de atenção predefinido e pode adquirir dados de EEG correspondentes por meio do dispositivo vestível inteligente. O sistema de avaliação de atenção pode processar os dados de resposta e os dados de EEG para obter pontuações de resposta e pontuações de EEG correspondentes, finalmente, as pontuações de resposta e as pontuações de EEG são substituídas em uma equação de regressão multivariável predefinida, de modo que as pontuações de atenção possam ser obtidas. De acordo com o método, os dados de EEG são adquiridos usando uma tecnologia de interface cérebro-computador, os dados de resposta e os dados de EEG são combinados, e as pontuações de resposta e EEG correspondentes são obtidas por meio do processamento, e as pontuações de atenção são calculadas por meio das pontuações de atenção obtidos por meio da otimização do estágio inicial e da equação de regressão multivariável entre as pontuações das respostas e as pontuações do EEG. Em contraste com a técnica anterior, porque a avaliação e a pontuação são realizadas apenas em um único modo de acordo com a regra de pontuação do jogo, a precisão do resultado da avaliação de atenção pode ser melhorada.

[00144] Agora é feita referência à Figura 11, que ilustra um fluxograma de um método de avaliação de atenção de acordo com uma segunda modalidade da presente revelação, com base na primeira modalidade mostrada na Figura 10, em vista de atenção persistente e outros jogos de atenção (incluindo atenção de seletividade computacional, atenção de conversão, atenção de dispersidade e amplitude de atenção). Em algumas modalidades, portanto, quando as pontuações correspondentes à atenção de cada dimensão são calculadas, o método de processamento e o algoritmo são diferentes. A atenção seletiva e a atenção de conversão são calculadas, o algoritmo das quatro pontuações de atenção da dispersidade da atenção e a amplitude da atenção é o mesmo, e o algoritmo para o cálculo da pontuação de atenção contínua é diferente. Correspondentemente, o jogo de atenção predefinido compreende um jogo de atenção contínua e outros jogos de atenção, e os outros jogos de atenção compreendem um jogo de atenção seletiva, um jogo de atenção de conversão, um jogo de atenção de dispersão e um jogo de amplitude de atenção. Em outras modalidades, o jogo de atenção predefinido pode incluir cinco pontos de verificação e cada ponto de verificação pode corresponder a uma atenção. O método de avaliação de atenção pode compreender as seguintes etapas:

[00145] Na etapa S100, o terminal de avaliação de atenção pode adquirir os primeiros dados de resposta e os segundos dados de resposta do usuário para jogos de atenção contínuos e outros jogos de atenção, respectivamente, e pode adquirir os primeiros dados de EEG e os segundos dados de EEG correspondentes através do dispositivo vestível inteligente. Neste caso, devido ao fato de que o algoritmo de pontuação de atenção contínua e outras pontuações de atenção não são consistentes, os dados do jogo dos jogos correspondentes precisam ser obtidos respectivamente, e o processamento e o cálculo correspondentes são realizados respectivamente. Em primeiro lugar, o terminal de avaliação de atenção obtém os primeiros dados de resposta e os segundos dados de resposta quando o usuário executa um jogo de atenção contínua e outros jogos de atenção, respectivamente, e os primeiros dados de EEG e os segundos dados de EEG correspondentes são adquiridos através do dispositivo vestível inteligente. Os primeiros dados de resposta podem incluir, porém sem limitação, o número correto máximo da resposta contínua e o número total da resposta, e os segundos dados de resposta podem incluir, porém sem limitação, números de respostas corretas e números de erro de resposta.

[00146] Na etapa S200, o terminal de avaliação de atenção pode processar os primeiros dados de resposta, os primeiros dados de EEG, os segundos dados de resposta e os segundos dados de EEG e obter uma primeira pontuação de resposta correspondente, uma primeira pontuação de EEG, uma segunda pontuação de resposta e uma segunda pontuação de EEG. O sistema pode processar os primeiros dados de resposta, os primeiros dados de EEG, os segundos dados de resposta e os segundos dados de EEG e uma primeira pontuação de resposta correspondente, uma primeira pontuação de EEG, uma segunda pontuação de resposta e uma segunda pontuação de EEG são obtidas.

[00147] Na etapa S300, de acordo com a primeira pontuação de resposta, a primeira pontuação de EEG e a segunda pontuação de resposta, as segundas pontuações de EEG e a equação de regressão multivariável predefinida e os valores fracionários dos jogos de atenção contínua e os valores fracionários de outra atenção são obtidos. A equação de regressão multivariável predefinida é otimizada no estágio anterior. A equação de regressão multivariável predefinida pode compreender uma equação de regressão multivariável de atenção contínua e uma equação de regressão multivariável de outra atenção. A equação de regressão multivariável de outra atenção pode compreender uma equação de regressão multivariável de atenção seletiva, a equação de regressão multivariável da atenção de conversão, a equação de regressão multivariável da atenção de dispersidade e a equação de regressão multivariável de amplitude de atenção. A primeira pontuação de resposta e a primeira pontuação de EEG são substituídas na equação de regressão multivariável de atenção contínua para obter o valor fracionário do jogo de atenção contínua. A segunda pontuação de resposta e a segunda pontuação de EEG são correspondentemente substituídas em uma equação de regressão multivariável de outra atenção para obter os valores fracionários de outros jogos de atenção.

[00148] Agora é feita referência à Figura 12, que é um fluxograma esquemático de uma terceira modalidade do método de avaliação de atenção, consistente com as modalidades da presente revelação. Com base na primeira modalidade e na segunda modalidade, uma pessoa avaliadora precisa ser selecionada antes que o usuário seja avaliado e o algoritmo correspondente é otimizado de acordo com o resultado de resposta da pergunta da pessoa avaliadora. Portanto, antes da etapa S100, o método de avaliação de atenção pode compreender ainda as seguintes etapas:

[00149] Na etapa S410, o método de avaliação de atenção compreende adquirir os primeiros dados de resposta de avaliação e uma primeira autopontuação de uma pessoa avaliadora durante o jogo de atenção contínua, e adquirir os primeiros dados de EEG de avaliação correspondentes através do dispositivo vestível inteligente. Aqui, a atenção persistente se refere à persistência da concentração de uma mensagem importante, e o algoritmo do algoritmo é inconsistente com o algoritmo de outras pontuações de atenção de acordo com a modalidade da invenção, o processo de otimização do algoritmo da pontuação de atenção contínua é introduzido.

[00150] Em algumas modalidades, o método de avaliação de atenção compreende obter os primeiros dados de resposta de avaliação e uma primeira autopontuação de uma pessoa avaliadora em um jogo de atenção contínua e os primeiros dados de avaliação de EEG correspondentes são adquiridos por meio do dispositivo vestível inteligente. Os primeiros dados de resposta da avaliação compreendem o número máximo de respostas corretas contínuas e o número total de respostas. A primeira autopontuação é a entrada do número de autopontuação pelo terminal de avaliação de atenção e é a entrada pelo terminal de avaliação de atenção antes que a pessoa avaliadora termine o jogo de atenção contínua. O significado representado pela atenção contínua pode ser explicado para garantir que o avaliador realize uma autoavaliação após o entendimento, a precisão do algoritmo seja melhorada e a precisão do resultado final da avaliação seja melhorada. Deve-se notar que, a fim de garantir a precisão do algoritmo de atenção, certos requisitos são fornecidos para a seleção e quantidade de pessoas avaliadoras, os requisitos de seleção não são especificamente estabelecidos e o número de pessoas avaliadas está dentro de um determinado intervalo, e podem ser selecionados de acordo com as condições reais. Em algumas modalidades, por exemplo, 15 pessoas avaliadas podem ser selecionadas para avaliação.

[00151] Na etapa S420, o método de avaliação de atenção compreende o pré-processamento dos primeiros dados de resposta de avaliação e os primeiros dados de avaliação EEG que obtêm as primeiras pontuações e as segundas pontuações correspondentes. O valor percentual do número máximo de resposta correta contínua e o número total de respostas nos primeiros dados de resposta da avaliação são calculados, ou seja, uma primeira pontuação, por exemplo, de um total de cinco questões do jogo de atenção contínua (ou seja, o número total de perguntas respondidas é 5), um determinado testador responde à terceira, quarta pergunta (ou seja, o número correto máximo de respostas contínuas é 2) e a primeira pontuação é 2/5 * 100 = 40. Em seguida, o valor de força de concentração média correspondente aos dados de EEG da primeira avaliação é calculado através de um algoritmo de força de concentração, o tempo t1 correspondente ao valor de força de concentração médio é obtido de acordo com os dados de força de concentração da primeira avaliação e o valor de força de concentração média, e calculando o valor percentual do tempo t1 e do tempo total do jogo, ou seja, uma segunda pontuação. O algoritmo da força de concentração é obtido através de múltiplas iterações de experimentos e otimização.

[00152] Na etapa S430, o método de avaliação de atenção compreende realizar estimativa estatística na primeira pontuação e da segunda pontuação obtendo uma primeira curva de distribuição correspondente e uma segunda curva de distribuição, respectivamente. O princípio de implementação e tecnologia específico pode ser referido na técnica anterior e não será descrito em detalhes no presente pedido.

[00153] Na etapa S440, o método de avaliação de atenção compreende obter uma pontuação de resposta de avaliação de atenção contínua de acordo com a primeira pontuação e a primeira curva de distribuição e obter uma pontuação de avaliação de atenção contínua EEG de acordo com a segunda pontuação e a segunda curva de distribuição. Especificamente, calcular a área s11 entre a curva da parte esquerda da primeira curva de distribuição correspondente à primeira curva de distribuição e o eixo horizontal, e a área s12 entre a primeira curva de distribuição e o eixo horizontal, e então calcular o valor percentual da área s11 e área s12, nomeadamente a pontuação da resposta da avaliação de atenção contínua. Por exemplo, a primeira curva de distribuição é 40, a primeira curva de distribuição correspondente é mostrada na Figura 13 e s11 é a área correspondente à parte escura/sombra na Figura 13. Em seguida,

calcular a área s21 entre a curva da parte esquerda da segunda curva de distribuição correspondente à segunda curva de distribuição e o eixo horizontal, e a área s22 entre a segunda curva de distribuição e o eixo horizontal, e então calcular o valor percentual da área s21 e área s22, nomeadamente avaliar as pontuações do EEG para atenção contínua. Por conveniência de explicação, a primeira e a segunda pontuação podem ser marcadas como f1 e f2 respectivamente, a primeira curva de distribuição e a segunda curva de distribuição são marcadas como f1 (x) e f2 (x) respectivamente, e a fórmula específica é a seguinte: 𝑆11 𝑝𝑜𝑛𝑡𝑢𝑎çã𝑜 𝑑𝑒 𝑟𝑒𝑠𝑝𝑜𝑠𝑡𝑎 𝑑𝑒 𝑎𝑣𝑎𝑙𝑖𝑎çã𝑜 𝑑𝑒 𝑎𝑡𝑒𝑛çã𝑜 𝑐𝑜𝑛𝑡í𝑛𝑢𝑎 = × 100 𝑆12 𝐶1 ∫0 𝑓1(𝑥 ) = 100 × 100; ∫0 𝑓1(𝑥 ) 𝑆21 𝑝𝑜𝑛𝑡𝑢𝑎çã𝑜 𝑑𝑒 𝐸𝐸𝐺 𝑑𝑒 𝑎𝑣𝑎𝑙𝑖𝑎çã𝑜 𝑑𝑒 𝑎𝑡𝑒𝑛çã𝑜 𝑐𝑜𝑛𝑡í𝑛𝑢𝑎 = × 100 𝑆22 𝐶2 ∫0 𝑓2(𝑥 ) = 100 × 100 ∫0 𝑓2(𝑥 )

[00154] Na etapa S450, o método de avaliação de atenção compreende estabelecer uma primeira equação de regressão multivariável de acordo com a pontuação de resposta de avaliação de atenção contínua, a pontuação de EEG de avaliação de atenção contínua e a primeira autopontuação, e a obter um primeiro coeficiente ótimo da primeira equação de regressão multivariável por meio uma equação normal, substituindo o primeiro coeficiente ótimo na primeira equação de regressão multivariável para obter uma equação de regressão multivariável da atenção contínua da equação de regressão multivariável predefinida. A primeira equação de regressão multivariável pode ser a seguinte: Z1 = a1X1 + b1Y1, em que a primeira equação de regressão multivariável é mostrada na especificação, o método compreende as seguintes etapas: Z1 representa uma primeira autopontuação; X1 representa a pontuação da resposta da avaliação de atenção contínua; Y1 representa a pontuação de EEG da avaliação da atenção contínua. O método pode incluir obter um primeiro coeficiente ótimo da primeira equação de regressão multivariável por meio de uma equação regular, substituindo o primeiro coeficiente ótimo na primeira equação de regressão multivariável para obter uma equação de regressão multivariável da atenção contínua da equação de regressão multivariável predefinida.

[00155] Por exemplo, 15 pessoas para avaliação são selecionadas, 15 conjuntos de dados de resposta da primeira avaliação, 15 conjuntos de primeiras autopontuações e 15 conjuntos de dados de EEG da primeira avaliação são adquiridos. Após serem processados, são obtidas as pontuações de avaliação e resposta correspondentes de 15 grupos de atenção contínua e as pontuações de EEG de avaliação de 15 grupos de atenção contínua. Em seguida, as pontuações das respostas são avaliadas de acordo com 15 conjuntos de primeira autopontuação e 15 conjuntos de atenção contínua, 15 conjuntos de pontuações do EEG de avaliação de atenção contínua e uma primeira equação de regressão multivariável, e descobrindo os coeficientes ótimos a1 e b1 por meio de equação, assumindo que a1 = 0,6 eb1 = 0,4. A fórmula de cálculo de segmentação da atenção contínua é a seguinte: Z1 = 0,6X1 +0,4 Y1.

[00156] Em algumas modalidades, antes da etapa S100 da Figura 11, o método de avaliação de atenção pode compreender ainda as seguintes etapas ilustradas na Figura 14.

[00157] Na etapa S510, o método de avaliação de atenção pode compreender a aquisição de uma segunda avaliação de dados de resposta e uma segunda autopontuação da pessoa avaliada durante o outro jogo de atenção, e adquirir dados de EEG da segunda avaliação correspondentes através do dispositivo vestível inteligente. O algoritmo de outras pontuações de atenção é inconsistente com o algoritmo da pontuação de atenção contínua, de modo que o processo de otimização do algoritmo de outras pontuações de atenção é introduzido na modalidade, ou seja, o processo de otimização do algoritmo das quatro pontuações de atenção da atenção, a atenção conversão, a atenção de dispersibilidade e a amplitude de atenção.

[00158] Em algumas modalidades, o terminal de avaliação de atenção obtém em primeiro lugar os dados de resposta de uma segunda avaliação e uma segunda autopontuação de uma pessoa avaliadora para realizar outros jogos de atenção e os dados de EEG de segunda avaliação correspondentes são adquiridos através do dispositivo vestível inteligente. Os segundos dados de resposta da avaliação compreendem o número de resposta correta e o número de erro de resposta, e a segunda autopontuação é a pessoa avaliadora após a conclusão de outros jogos de atenção. O terminal de avaliação de atenção insere o número de autopontuação do terminal de avaliação de atenção (antes da avaliação da pessoa avaliadora), o significado correspondente a outra atenção pode ser explicado de modo a garantir que a pessoa avaliadora possa realizar a autoavaliação após a compreensão, a precisão do algoritmo é melhorada e a precisão do resultado da avaliação final é melhorada). Deve-se notar que os outros jogos de atenção incluem jogos de atenção seletiva, jogos de atenção de conversão, jogos de atenção dispersa e jogos de amplitude de atenção. Portanto, no processo de aquisição e cálculo dos dados na modalidade, os dados correspondentes aos quatro tipos de atenção também são adquiridos. A equação de regressão multivariável finalmente obtida da outra atenção também compreende quatro tipos, a saber, uma equação de regressão multivariável da atenção seletiva, a equação de regressão multivariável da atenção de conversão, a equação de regressão multivariável da atenção de dispersidade e a equação de regressão multivariável da amplitude de atenção.

[00159] Na etapa S520, o método de avaliação de atenção pode compreender o pré-processamento dos dados de resposta da segunda avaliação e os dados de EEG da segunda avaliação para obter as terceiras pontuações e as quartas pontuações correspondentes. O valor da diferença do número do erro da resposta é subtraído do número de resposta correta nos dados de resposta da segunda avaliação e o valor da diferença é a terceira pontuação. Em seguida,

o valor médio da força de concentração correspondente aos dados de EEG da segunda avaliação é calculado por meio de um algoritmo de força de concentração e o valor médio da força de concentração é a quarta pontuação. O algoritmo da força de concentração é obtido através de múltiplas iterações de experimentos e otimização.

[00160] Na etapa S530, o método de avaliação de atenção pode compreender a realização de estimativa estatística no terceiro subvalor e no quarto subvalor para obter uma terceira curva de distribuição correspondente e uma quarta curva de distribuição, respectivamente. O princípio de implementação e tecnologia específico pode ser referido na técnica anterior e não será descrito em detalhes neste documento.

[00161] Na etapa S540, o método de avaliação de atenção pode compreender obter pontuações de resposta de avaliação de outra atenção de acordo com a terceira curva de distribuição e a terceira curva de distribuição e obter pontuações de EEG de avaliação de outra atenção de acordo com a terceira curva de distribuição e a quarta curva de distribuição. Por exemplo, a área s31 entre a curva da parte esquerda da terceira curva de distribuição correspondente à terceira curva de distribuição e o eixo horizontal é calculada, e a área s32 entre a terceira curva de distribuição e o eixo horizontal, e então calcular o valor porcentual da área s31 e da área s32, ou seja, as pontuações das respostas da avaliação de outras atenções. O quarto subvalor é calculado para corresponder à área s41 entre a curva da parte esquerda da quarta curva de distribuição correspondente à quarta curva de distribuição e o eixo horizontal, e a área s42 entre a terceira curva de distribuição e o eixo horizontal, e, a seguir, calcular o valor percentual da área s41 e da área s42 para obter as pontuações de EEG da avaliação de outras atenções. Por conveniência de explicação, a terceira e a quarta pontuações podem ser marcadas como C3 e C4 respectivamente, a terceira curva de distribuição e a quarta curva de distribuição são marcadas como f3 (x) e f4 (x) respectivamente, e a fórmula específica é a seguinte:

𝑆31 𝑝𝑜𝑛𝑡𝑢𝑎çã𝑜 𝑑𝑒 𝑟𝑒𝑠𝑝𝑜𝑠𝑡𝑎 𝑑𝑒 𝑎𝑣𝑎𝑙𝑖𝑎çã𝑜 𝑑𝑒 𝑜𝑢𝑡𝑟𝑎 𝑎𝑡𝑒𝑛çã𝑜 = × 100 𝑆32 𝐶3 ∫0 𝑓3(𝑥 ) = 100 × 100; ∫0 𝑓3(𝑥 ) 𝑆41 𝑝𝑜𝑛𝑡𝑢𝑎çã𝑜 𝑑𝑒 𝐸𝐸𝐺 𝑑𝑒 𝑎𝑣𝑎𝑙𝑖𝑎çã𝑜 𝑑𝑒 𝑜𝑢𝑡𝑟𝑎 𝑎𝑡𝑒𝑛çã𝑜 = × 100 𝑆42 𝐶4 ∫0 𝑓4(𝑥 ) = 100 × 100 ∫0 𝑓4(𝑥 )

[00162] Na etapa S550, o método de avaliação de atenção pode compreender a construção de uma segunda equação de regressão multivariável de acordo com as pontuações de resposta de avaliação da outra atenção, as pontuações de EEG de avaliação de outra atenção e a segunda autopontuação e obter um segundo coeficiente ótimo da segunda equação de regressão multivariável por meio de uma equação normal, substituindo o segundo coeficiente ótimo na segunda equação de regressão multivariável para obter uma equação de regressão multivariável de outra atenção da equação de regressão multivariável predefinida.

[00163] O método pode compreender ainda estabelecer uma segunda equação de regressão multivariável de acordo com pontuações de resposta de avaliação de outra atenção, pontuações de EEG de avaliação de outra atenção e segunda autopontuação, e a segunda equação de regressão multivariável pode ser Z2 = a2X2 + b2Y2, em que Z2 representa uma segunda autopontuação; X2 representa uma pontuação de resposta de avaliação de outra atenção; Y2 representa as pontuações de EEG de avaliação de outra atenção e, então, um segundo coeficiente ótimo da segunda equação de regressão multivariável é obtido por meio de uma equação normal, substituindo o segundo coeficiente ótimo na segunda equação de regressão multivariável para obter uma equação de regressão variável de outra atenção da equação de regressão multivariável predefinida.

[00164] Por exemplo, para atenção seletiva, no exemplo acima, 15 conjuntos de dados de resposta da segunda avaliação são adquiridos, uma vez que 15 pessoas avaliadas são selecionadas, 15 conjuntos de segundas autopontuações e 15 conjuntos de dados de EEG da segunda avaliação após serem processados, 15 conjuntos de outras pontuações de resposta de avaliação de atenção e 15 conjuntos de pontuações de EEG de avaliação de outra atenção são obtidos. Então, de acordo com 15 conjuntos da segunda autopontuação, 15 conjuntos de pontuações de avaliação da outra atenção, 15 conjuntos de pontuações de EEG de avaliação de outra atenção e uma segunda equação de regressão multivariável. Encontrando os coeficientes ótimos a2 e b2 por meio de uma equação regular, e assumindo que a2 = 0,5 e b2 = 0,7, a fórmula de cálculo da divisão da atenção seletiva é a seguinte: Z2 = 0,5 X2 + 0,7 Y2.

[00165] Deve-se notar que as etapas S410 a S450 na segunda modalidade e as etapas S510 a S550 na terceira modalidade podem não ser executadas em sequência ou ordem. Além disso, com base nas modalidades mostradas nas Figuras 10 a 12, uma quinta modalidade (nenhum fluxograma mostrado) do método de avaliação de atenção da presente invenção é proposta.

[00166] Na etapa S210, o método de avaliação de atenção pode compreender o pré-processamento dos primeiros dados de resposta, os primeiros dados de EEG, os segundos dados de resposta e os segundos dados de EEG, respectivamente, e um quinto subvalor, um sexto subvalor, um sétimo subvalor e um oitavo subvalor do quinto subvalor, sexto subvalor, sétimo subvalor e oitavo subvalor correspondente são obtidos. O terminal de avaliação de atenção obtém os primeiros dados de resposta e os segundos dados de resposta quando o usuário executa jogos de atenção contínuos e outros jogos de atenção, e os primeiros dados de EEG correspondentes e os segundos dados de EEG correspondentes são adquiridos através do dispositivo vestível inteligente, respectivamente. Pré-processar os primeiros dados de resposta, os primeiros dados de EEG, os segundos dados de resposta e os segundos dados de EEG, respectivamente, um quinto subvalor, um sexto subvalor, um sétimo subvalor e um oitavo subvalor correspondente ao quinto subvalor, sexto subvalor, sétimo subvalor e oitavo subvalor são obtidos. Especificamente, calcular o valor percentual do número correto de resposta contínua máxima e o número total de respostas nos primeiros dados de resposta, ou seja, a quinta pontuação; e o valor da diferença do número de resposta correta nos dados de resposta da segunda avaliação e o número de erro de resposta é calculado, e o valor da força de concentração média correspondente aos primeiros dados de EEG é calculado por meio de um algoritmo de força de concentração, o tempo correspondente à concentração média o valor da força é obtido de acordo com os primeiros dados do EEG e o valor médio da concentração da força, sendo calculado o valor percentual do tempo e o tempo total do jogo, ou seja, a sétima pontuação; calcular o valor médio da força de concentração correspondente aos segundos dados de EEG por meio de um algoritmo de força de concentração, ou seja, a oitava pontuação.

[00167] Na etapa S220, o método de avaliação de atenção pode compreender, de acordo com o quinto subvalor e a primeira curva de distribuição, integrar do quinto subvalor e a primeira curva de distribuição pela integração da área inferior da primeira curva correspondente à quinta pontuação e a primeira área total entre a primeira curva de distribuição e o eixo horizontal, e registrar o valor percentual da área inferior da primeira curva e a primeira área total como uma primeira pontuação de resposta.

[00168] Na etapa S230, o método de avaliação de atenção pode compreender, de acordo com o sexto subvalor e a segunda curva de distribuição, integrar o sexto subvalor e a segunda curva de distribuição pela integração da área inferior da segunda curva correspondente à sexta pontuação e a segunda área total entre a segunda curva de distribuição e o eixo horizontal, e registrar o valor percentual da área inferior da segunda curva e a segunda área total como primeiras pontuações de EEG.

[00169] Na etapa S240, o método de avaliação de atenção pode compreender, de acordo com o sétimo subvalor e a terceira curva de distribuição, integrar o sétimo subvalor e a terceira curva de distribuição pela integração da área inferior da terceira curva correspondente à sétima pontuação e a terceira área total entre a terceira curva de distribuição e o eixo horizontal, e registrar o valor percentual da área inferior da terceira curva e a terceira área total como uma segunda pontuação de resposta.

[00170] Na etapa S250, o método de avaliação de atenção pode compreender, obter uma oitava pontuação e uma quarta curva de distribuição por meio de integral de acordo com a oitava pontuação e a quarta curva de distribuição, a quarta curva correspondente à oitava pontuação e a quarta área total entre a quarta curva de distribuição e o eixo horizontal, e registrar o valor percentual da área inferior da quarta curva e a quarta área total como segundas pontuações do EEG.

[00171] Em seguida, de acordo com a quinta pontuação e a primeira curva de distribuição, obter a área inferior da primeira curva correspondente à quinta pontuação e a primeira área total entre a primeira curva de distribuição e o eixo horizontal por integração, e o valor percentual da área inferior da primeira curva e a primeira área total são marcadas como a primeira pontuação de resposta. A primeira curva de distribuição é obtida em um processo de otimização de algoritmo, o quinto subvalor é marcado como C5. Por conveniência de descrição, e de acordo com o quinto subvalor C5 e a primeira curva de distribuição f1 (x) e a área inferior da primeira curva correspondente ao quinto subvalor obtido através da integração é registrado como s13, em que o primeiro total área entre a primeira curva de distribuição e o eixo horizontal é s12. 𝐶5 𝑆13 = ∫ 𝑓1(𝑥 ) 0 𝐶3 𝑆13 ∫ 𝑓1(𝑥 ) 𝑝𝑟𝑖𝑚𝑒𝑖𝑟𝑎 𝑝𝑜𝑛𝑡𝑢𝑎çã𝑜 𝑑𝑒 𝑟𝑒𝑠𝑝𝑜𝑠𝑡𝑎 = × 100 = 0100 × 100 𝑆12 ∫0 𝑓1(𝑥 )

[00172] Da mesma forma, a área inferior da segunda curva correspondente à sexta pontuação e a segunda área total entre a segunda curva de distribuição e o eixo horizontal são obtidas por meio da integral de acordo com a sexta pontuação e a segunda curva de distribuição, sendo o valor percentual da área inferior da segunda curva e a segunda área total é registrada como a primeira pontuação do EEG. Obter uma terceira área inferior da curva correspondente ao sétimo subvalor e uma terceira área total entre a terceira curva de distribuição e o eixo horizontal de acordo com o sétimo subvalor e a terceira curva de distribuição, e o valor percentual da área inferior da terceira curva e a terceira área total são marcadas como a segunda pontuação de resposta. Obter a área inferior da quarta curva correspondente ao oitavo valor e a quarta área total entre a quarta curva de distribuição e o eixo horizontal de acordo com o oitavo valor e a quarta curva de distribuição, o valor percentual da área inferior da quarta curva e a quarta área total é registrada como a segunda pontuação do EEG. O método de tratamento específico pode ser descrito com referência às modalidades descritas acima e não é mais descrito no presente pedido. Deve-se notar que a execução de cada etapa nas etapas S220 a S250 não é realizada em sequência.

[00173] Neste momento, a etapa S300 pode compreender ainda as seguintes etapas. Na etapa S310, o método de avaliação de atenção pode compreender, de acordo com a primeira pontuação de resposta, e o valor fracionário do jogo de atenção de acompanhamento é obtido por meio de uma equação de regressão multivariável de atenção contínua no primeiro subvalor de EEG e a equação de regressão multivariável predefinida e obter os valores fracionários de outra atenção de acordo com a segunda pontuação de resposta, a segunda pontuação de EEG e a equação de regressão multivariável de outra atenção na equação de regressão multivariável predefinida. Aqui, de acordo com uma pontuação de primeira resposta, as primeiras pontuações de EEG são substituídas em uma equação de regressão multivariável da atenção contínua em uma equação de regressão multivariável predefinida e o valor fracionário do jogo de atenção contínua pode ser obtido. Da mesma forma, a segunda pontuação de resposta e a segunda pontuação de EEG são substituídas na equação de regressão multivariável de outra atenção na equação de regressão multivariável predefinida, de modo que os valores fracionários de outros jogos de atenção possam ser obtidos.

[00174] É contemplado que os métodos revelados para treinamento de neuro-feedback podem ter várias aplicações, médicas e não médicas. Por exemplo, conforme mencionado acima, os métodos revelados podem ser usados para treinar e melhorar comportamentos relacionados à atenção. Dessa forma, os métodos revelados podem ser usados para efetivamente aliviar ou tratar condições médicas relacionadas à atenção, como TDAH (transtorno de déficit de atenção e hiperatividade). A presente revelação não limita as áreas de aplicação dos métodos e sistemas revelados.

[00175] Será evidente para os versados na técnica que várias modificações e variações podem ser feitas nos sistemas de treinamento de neuro-feedback e métodos relacionados revelados. Outras modalidades serão evidentes para aqueles versados na técnica a partir da consideração do relatório descritivo e prática do sistema de treinamento de neuro-feedback revelado e métodos relacionados. Pretende-se que o relatório descritivo e os exemplos sejam considerados apenas exemplificativos, com um escopo verdadeiro sendo indicado pelas seguintes reivindicações e seus equivalentes.

[00176] A invenção fornece ainda um sistema de avaliação de atenção. O sistema de avaliação de atenção compreende um terminal de avaliação de atenção e um dispositivo vestível inteligente e compreende ainda uma memória, um processador e um programa de avaliação de atenção armazenado na memória e capaz de ser executado no processador, o programa de avaliação de atenção é executado pelo processador para chegar ao método de avaliação de atenção conforme descrito em qualquer uma das modalidades. As modalidades do sistema de avaliação de atenção da presente invenção são basicamente as mesmas que as modalidades do método de avaliação de atenção descrito acima e não são descritas em detalhes no presente pedido. A invenção fornece ainda um meio de armazenamento legível por computador e um programa de avaliação de atenção é armazenado no meio de armazenamento legível por computador, o programa de avaliação de atenção é executado pelo processador de modo a chegar ao método de avaliação de atenção conforme descrito em qualquer modalidade. As modalidades do meio de armazenamento legível por computador e as modalidades do método de avaliação de atenção acima são basicamente as mesmas e não são descritas em detalhes no presente documento. Deve-se notar que os termos “compreende”, “compreendendo” ou quaisquer outras variantes dos mesmos se destinam a cobrir uma inclusão não exclusiva, de modo que um processo que compreende uma série de elementos seja contemplado, métodos, artigos ou sistemas não incluam apenas esses elementos, mas também outros elementos não listados explicitamente, ou também elementos inerentes a tais processos, métodos, artigos ou sistemas. No caso de não haver mais restrições, a afirmação “inclui uma”. Os elementos definidos não excluem outros elementos idênticos no processo, método, artigo ou sistema que compreende o elemento. Os números de sequência das modalidades da presente invenção são apenas para descrição e não representam as desvantagens e desvantagens das modalidades.

[00177] Através da descrição das modalidades acima, será evidente para aqueles versados na técnica que as modalidades descritas acima podem ser implementadas por meio de um software mais a plataforma de hardware universal necessária, a invenção também pode ser implementada por hardware, mas em muitos casos, o primeiro é um modo de implementação melhor. Com base nesse entendimento, a solução técnica da presente invenção essencialmente ou a parte que faz contribuições para a técnica anterior pode ser incorporada na forma de um produto de software, o produto de software de computador é armazenado em um meio de armazenamento (como um ROM/RAM, um disco magnético e um disco óptico) conforme descrito acima), em que as instruções são usadas para habilitar um dispositivo terminal (que pode ser um telefone móvel, um computador, um servidor, um ar condicionado ou equipamento de rede e similares) para executar o método revelado pela modalidade da invenção.

[00178] O acima é apenas uma modalidade preferencial da presente invenção e não se destina a limitar o escopo da patente da presente invenção, e qualquer estrutura equivalente ou conversão de processo equivalente feita usando o relatório descritivo e os desenhos anexos da presente invenção são usados, são direta ou indiretamente aplicados a outros campos técnicos relacionados, e são todos iguais àqueles no escopo de proteção de patente da presente invenção.

Claims

REIVINDICAÇÕES

1. Método implementado por processador para personalizar uma experiência educacional com base em treinamento de neuro-feedback, o método caracterizado pelo fato de que compreende: detectar, usando um processador, um sinal de ondas cerebrais de um aprendiz gerado em resposta a um estímulo; analisar, usando o processador, pelo menos uma característica do sinal de ondas cerebrais; gerar, pelo processador com base na análise, um índice de carga de trabalho cognitivo indicativo de uma quantidade de esforço aplicada pelo aprendiz para responder ao estímulo; ajustar o estímulo com base no índice de carga de trabalho cognitivo gerado para personalizar a experiência educacional.

2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que compreende ainda atualizar em tempo real, o índice de carga de trabalho cognitivo em um banco de dados associado ao processador.

3. Método, de acordo com a reivindicação 2, caracterizado pelo fato de que compreende ainda ajustar o estímulo com base no índice de carga de trabalho cognitivo atualizado, em que o estímulo compreende uma tarefa educacional.

4. Método, de acordo com a reivindicação 2, caracterizado pelo fato de que compreende ainda: gerar um perfil de aprendiz personalizado, incluindo informações associadas a um aprendiz; e atualizar o perfil de aprendiz personalizado com base no índice de carga de trabalho cognitivo atualizado e o estímulo ajustado.

5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a análise de pelo menos uma característica do sinal de ondas cerebrais compreende a análise de uma dentre uma forma de onda, uma frequência, uma distribuição de frequência, uma amplitude e uma periodicidade do sinal de ondas cerebrais.

6. Método, de acordo com a reivindicação 3, caracterizado pelo fato de que compreende ainda transmitir, pelo processador através de uma rede de comunicação, o índice de carga de trabalho cognitivo atualizado para pelo menos um de uma plataforma de aprendizagem online, um programa de aprendizagem offline e um educador.

7. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que a transmissão do índice de carga de trabalho cognitivo atualizado compreende a comunicação sem fio com um dispositivo associado a pelo menos uma plataforma de aprendizagem online, o programa de aprendizagem offline e o educador.

8. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que gerar o índice de carga de trabalho cognitivo compreende determinar o índice de carga de trabalho cognitivo usando um algoritmo baseado em inteligência artificial.

9. Método, de acordo com a reivindicação 4, caracterizado pelo fato de que ajustar o estímulo compreende ajustar pelo menos um dentre uma dificuldade, um ritmo e uma sequência de uma pluralidade de tarefas educacionais apresentadas ao aprendiz.

10. Método, de acordo com a reivindicação 4, caracterizado pelo fato de que o sinal de ondas cerebrais é indicativo de uma atividade elétrica de um cérebro do aprendiz.

11. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o sinal de ondas cerebrais compreende um sinal de eletroencefalografia (EEG).

12. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o processador compreende um sensor disposto em um dispositivo vestível e configurado para receber e detectar o sinal de ondas cerebrais.

13. Método, de acordo com a reivindicação 12, caracterizado pelo fato de que o dispositivo vestível compreende uma faixa de cabeça usada pelo aprendiz.

14. Método implementado por processador para personalizar uma experiência educacional com base em treinamento de neuro-feedback, o método caracterizado pelo fato de que compreende: detectar, usando um processador, um sinal de ondas cerebrais associado a uma atividade elétrica de um cérebro de um aprendiz, o sinal de ondas cerebrais gerado em resposta a um estímulo; analisar, usando o processador, pelo menos uma característica do sinal de ondas cerebrais; gerar, pelo processador com base na análise, uma pontuação de atenção indicativa de um nível de envolvimento do aprendiz; determinar, pelo processador, uma pontuação de desempenho do aprendiz com base na resposta ao estímulo; ajustar o estímulo com base em uma combinação da pontuação de atenção e pontuação de desempenho para personalizar a experiência educacional do aprendiz.

15. Método, de acordo com a reivindicação 14, caracterizado pelo fato de que compreende ainda a atualização em tempo real, da pontuação de atenção e da pontuação de desempenho em um banco de dados associado ao processador.

16. Método, de acordo com a reivindicação 15, caracterizado pelo fato de que compreende ainda ajustar o estímulo com base na pontuação de atenção atualizada e na pontuação de desempenho atualizada, em que o estímulo compreende uma tarefa educacional.

17. Método, de acordo com a reivindicação 15, caracterizado pelo fato de que compreende ainda: gerar um perfil de aprendiz personalizado, incluindo informações associadas ao aprendiz; e atualizar o perfil de aprendiz personalizado com base na pontuação de atenção atualizada, na pontuação de desempenho atualizada e no estímulo ajustado.

18. Método, de acordo com a reivindicação 14, caracterizado pelo fato de que a análise de pelo menos uma característica do sinal de onda cerebral compreende a análise de uma dentre uma forma de onda, uma frequência, uma distribuição de frequência, uma amplitude e uma periodicidade do sinal de onda cerebral.

19. Método, de acordo com a reivindicação 16, caracterizado pelo fato de que compreende ainda transmitir pelo processador através de uma rede de comunicação a pontuação de atenção atualizada e a pontuação de desempenho atualizada para pelo menos um dentre uma plataforma de aprendizagem online, um programa de aprendizagem offline e um educador.

20. Método, de acordo com a reivindicação 19, caracterizado pelo fato de que a transmissão da pontuação de atenção atualizada e da pontuação de desempenho atualizada compreende a comunicação sem fio com um dispositivo associado a pelo menos uma plataforma de aprendizagem online, o programa de aprendizagem offline e o educador.

21. Método, de acordo com a reivindicação 14, caracterizado pelo fato de que gerar a pontuação de atenção compreende determinar a pontuação de atenção usando um algoritmo baseado em inteligência artificial (AI).

22. Método, de acordo com a reivindicação 14, caracterizado pelo fato de que o ajuste do estímulo compreende o ajuste de pelo menos um dentre uma dificuldade, um ritmo e uma sequência de uma pluralidade de tarefas educacionais apresentadas ao aprendiz.

23. Método, de acordo com a reivindicação 14, caracterizado pelo fato de que o sinal de ondas cerebrais compreende um sinal de eletroencefalografia (EEG).

24. Método, de acordo com a reivindicação 14, caracterizado pelo fato de que o processador compreende um sensor disposto em um dispositivo vestível e configurado para receber e detectar o sinal de ondas cerebrais.

25. Método, de acordo com a reivindicação 24, caracterizado pelo fato de que o dispositivo vestível compreende uma faixa para a cabeça usada pelo aprendiz.

26. Sistema de treinamento de neuro-feedback, caracterizado pelo fato de que compreende: um sensor acoplado a um processador, o processador configurado para: detectar um sinal de ondas cerebrais associado a uma atividade elétrica de um cérebro de um aprendiz, o sinal de ondas cerebrais gerado em resposta a um estímulo; analisar pelo menos uma característica do sinal de ondas cerebrais; gerar, com base na análise, uma pontuação de atenção indicativa de um nível de envolvimento do aprendiz; determinar uma pontuação de desempenho do aprendiz com base na resposta ao estímulo; ajustar o estímulo com base em uma combinação da pontuação de atenção e pontuação de desempenho para personalizar a experiência educacional do aprendiz.

27. Sistema, de acordo com a reivindicação 26, caracterizado pelo fato de que o sinal de ondas cerebrais compreende um sinal de eletroencefalografia (EEG).

28. Sistema, de acordo com a reivindicação 26, caracterizado pelo fato de que o sensor é montado em um dispositivo vestível e configurado para receber e detectar o sinal de ondas cerebrais.

29. Sistema, de acordo com a reivindicação 28, caracterizado pelo fato de que o dispositivo vestível compreende uma faixa de cabeça usada pelo aprendiz.

30. Sistema, de acordo com a reivindicação 26, caracterizado pelo fato de que gerar a pontuação de atenção compreende determinar a pontuação de atenção usando um algoritmo baseado em inteligência artificial (AI).

31. Sistema, de acordo com a reivindicação 26, caracterizado pelo fato de que o estímulo compreende uma pluralidade de tarefas educacionais.

32. Sistema, de acordo com a reivindicação 26, caracterizado pelo fato de que pelo menos uma característica do sinal de ondas cerebrais compreende uma de uma forma de onda, uma frequência, uma distribuição de frequência, uma amplitude e uma periodicidade do sinal de ondas cerebrais.

33. Meio legível por computador não transitório que armazena instruções que, quando executadas, fazem com que um ou mais processadores executem um método para treinamento de neuro-feedback, o método caracterizado pelo fato de que compreende: detectar um sinal de ondas cerebrais associado a uma atividade elétrica de um cérebro de um aprendiz, o sinal de ondas cerebrais gerado em resposta a um estímulo; analisar pelo menos uma característica do sinal de ondas cerebrais; gerar, com base na análise, uma pontuação de atenção indicativa de um nível de envolvimento do aprendiz; determinar uma pontuação de desempenho do aprendiz com base na resposta ao estímulo; ajustar o estímulo com base em uma combinação da pontuação de atenção e pontuação de desempenho para personalizar a experiência educacional do aprendiz.

34. Método de avaliação de atenção, caracterizado por ser aplicado a um sistema de avaliação de atenção, em que o sistema de avaliação de atenção compreende um terminal de avaliação de atenção e um dispositivo vestível inteligente; o método de avaliação de atenção compreendendo: adquirir, usando o terminal de avaliação de atenção, dados de resposta de um usuário executando um jogo de atenção predefinido;

adquirir dados de ondas cerebrais correspondentes através do dispositivo vestível inteligente; processar os dados de resposta e os dados de ondas cerebrais para obter uma pontuação de resposta correspondente e uma pontuação de eletroencefalograma (EEG); e determinar, usando uma técnica predefinida, uma pontuação de atenção com base na pontuação de resposta e na pontuação de EEG.

35. Método, de acordo com a reivindicação 34, caracterizado pelo fato de que a técnica predefinida compreende o uso de uma equação de regressão multivariável predefinida e em que a equação de regressão multivariável predefinida é Z = aX + bY, em que Z é a pontuação de atenção, X é a pontuação de resposta, Y é a Pontuação de EEG e a e b são coeficientes ótimos correspondentes.

36. Método, de acordo com a reivindicação 34, caracterizado pelo fato de que compreende ainda um jogo de atenção predefinido, em que o jogo de atenção predefinido compreende um jogo de atenção contínua e outros jogos de atenção, e os outros jogos de atenção compreendem pelo menos um de um jogo de atenção seletiva e um jogo de atenção de conversão, um jogo de atenção de dispersão e um jogo de amplitude de atenção, em que o terminal de avaliação de atenção adquire dados de resposta quando um usuário executa o jogo de atenção predefinido e obtém dados de ondas cerebrais correspondentes através do dispositivo vestível inteligente, o método compreendendo: adquirir, usando o terminal de avaliação de atenção, os primeiros dados de resposta e os segundos dados de resposta quando o usuário executa jogos de atenção contínua e outros jogos de atenção e, respectivamente, adquirir primeiros dados de EEG e segundos dados de EEG através do dispositivo vestível inteligente; processar os dados de resposta e os dados de EEG para obter pontuações de resposta e pontuações de EEG correspondentes, o método compreende as seguintes etapas:

processar os primeiros dados de resposta, os primeiros dados de EEG, os segundos dados de resposta e os segundos dados de EEG, respectivamente, e obter uma pontuação de primeira resposta correspondente, uma primeira pontuação de EEG, uma segunda pontuação de resposta e uma segunda pontuação de EEG; e obter o valor de atenção de acordo com a pontuação de resposta, a pontuação de EEG e a equação de regressão multivariável predefinida compreende as seguintes etapas: pontuações da primeira e segunda respostas de acordo com a pontuação da primeira resposta, a pontuação do primeiro EEG e a pontuação da segunda resposta, um segundo subvalor de EEG e uma equação de regressão multivariável predefinida para obter um valor fracionário do jogo de atenção contínua e um valor fracionário de outra atenção.

37. Método, de acordo com a reivindicação 36, caracterizado pelo fato de que compreende ainda: adquirir os primeiros dados de resposta de avaliação e as primeiras auto- pontuações quando uma pessoa avaliadora realiza o jogo de atenção contínua e adquirir os dados de EEG da primeira avaliação correspondentes através do dispositivo vestível inteligente; pré-processar os primeiros dados de resposta de avaliação e os primeiros dados de avaliação EEG para obter as primeiras pontuações e as segundas pontuações correspondentes; realizar estimativa estatística na primeira e na segunda pontuação para obter uma primeira curva de distribuição correspondente e uma segunda curva de distribuição; e obter uma pontuação de resposta de avaliação de atenção contínua de acordo com a primeira pontuação e a primeira curva de distribuição e obter uma pontuação de EEG de avaliação de atenção contínua de acordo com a segunda pontuação e a segunda curva de distribuição, em que a primeira equação de regressão multivariável é construída de acordo com a pontuação de resposta de avaliação de atenção contínua, a pontuação de EEG de avaliação de atenção contínua e a primeira auto-pontuação, e a obtenção de um primeiro coeficiente ótimo da primeira equação de regressão multivariável por meio de uma equação normal, substituindo o primeiro coeficiente ótimo na primeira equação de regressão multivariável para obter uma equação de regressão multivariável da atenção contínua da equação de regressão multivariável predefinida.

38. Método, de acordo com a reivindicação 37, caracterizado pelo fato de que compreende ainda: adquirir dados de resposta de segunda avaliação e segundas auto- pontuações quando a pessoa avaliadora realiza os outros jogos de atenção e adquirir dados de EEG de segunda avaliação correspondentes através do dispositivo vestível inteligente; pré-processar os dados da segunda resposta da avaliação e os dados da segunda avaliação EEG para obter a terceira e a quarta pontuação correspondentes; realizar estimativa estatística no terceiro subvalor e no quarto subvalor para obter uma terceira curva de distribuição e uma quarta curva de distribuição correspondentes; obtenção de pontuações de avaliação de resposta de outra atenção de acordo com a terceira curva de distribuição e a terceira curva de distribuição e obtenção de pontuações de avaliação de EEG de outra atenção de acordo com a quarta curva de distribuição e a quarta curva de distribuição; e estabelecer uma segunda equação de regressão multivariável de acordo com as pontuações de resposta de avaliação da outra atenção, as pontuações de avaliação de EEG de outra atenção e a segunda auto-pontuação, e obter um segundo coeficiente ótimo da segunda equação de regressão multivariável por meio de uma equação normal, substituindo o segundo coeficiente ótimo na segunda equação de regressão multivariável para obter uma equação de regressão multivariável de outra atenção da equação de regressão multivariável predefinida.

39. Método, de acordo com a reivindicação 38, caracterizado pelo fato de que o processamento é realizado nos primeiros dados de resposta, nos primeiros dados de EEG, nos segundos dados de resposta e nos segundos dados de EEG, respectivamente, e obter uma primeira pontuação de resposta correspondente, uma primeira pontuação de EEG, uma segunda pontuação de resposta e uma segunda pontuação de EEG, o método compreende as seguintes etapas: pré-processar os primeiros dados de resposta, os primeiros dados de EEG, os segundos dados de resposta e os segundos dados de EEG, respectivamente, e um quinto subvalor, um sexto subvalor, um sétimo subvalor e um oitavo subvalor dos correspondentes quinto subvalor, sexto subvalor, sétimo subvalor e oitavo subvalor são obtidos; obter uma área inferior da primeira curva correspondente à quinta pontuação e uma primeira área total entre a primeira curva de distribuição e o eixo transversal de acordo com a quinta pontuação e a primeira curva de distribuição integrando e registrando o valor percentual da área inferior da primeira curva e a primeira área total como uma pontuação da primeira resposta; obter uma segunda área inferior da curva correspondente ao sexto subvalor e uma segunda área total entre a segunda curva de distribuição e o eixo horizontal de acordo com o sexto subvalor e a segunda curva de distribuição, e registrar o valor percentual da área inferior de a segunda curva e a segunda área total como as primeiras pontuações do EEG; obter uma área inferior da terceira curva correspondente ao sétimo subvalor e uma terceira área total entre a terceira curva de distribuição e o eixo horizontal de acordo com o sétimo subvalor e a terceira curva de distribuição, e registrar o valor percentual da área inferior de a terceira curva e a terceira área total como uma segunda pontuação de resposta; e obter a área inferior da quarta curva correspondente ao oitavo valor e a quarta área total entre a quarta curva de distribuição e o eixo horizontal de acordo com a oitava e quarta curvas de distribuição e registrar o valor percentual da área inferior da quarta curva e a quarta área total como segunda pontuação do EEG.

40. Método, de acordo com a reivindicação 38, caracterizado pelo fato de que, de acordo com a primeira pontuação de resposta, a primeira pontuação de EEG e a segunda pontuação de resposta, uma segunda pontuação de EEG e uma equação de regressão multivariável predefinida para obter a pontuação do jogo de atenção de acompanhamento e a pontuação de outra atenção; o método compreendendo obter o valor fracionário do jogo de atenção de acompanhamento de acordo com a pontuação da primeira resposta, a pontuação do primeiro EEG e a equação de regressão multivariável da atenção contínua na equação de regressão multivariável predefinida e obter os valores fracionários de outra atenção de acordo para a segunda pontuação de resposta, a segunda pontuação de EEG e a equação de regressão multivariável de outra atenção na equação de regressão multivariável predefinida.

41. Método, de acordo com a reivindicação 40, caracterizado pelo fato de que os primeiros dados de resposta e os primeiros dados de resposta de avaliação compreendem o número correto de resposta contínua máxima e o número total de resposta, em que os dados de segunda resposta e os dados de resposta de avaliação compreendem números de resposta correta e erros de resposta.

42. Sistema de avaliação de atenção, caracterizado pelo fato de que o sistema de avaliação de atenção compreende um terminal de avaliação de atenção e um dispositivo vestível inteligente, e compreende ainda uma memória, um processador e um programa de avaliação de atenção armazenado na memória e capaz de funcionar no processador, o programa de avaliação de atenção é executado pelo processador, de modo que o método de avaliação de atenção, conforme definido em qualquer uma das reivindicações 34 a 41 seja realizado.

43. Meio de armazenamento legível por computador, caracterizado pelo fato de que um programa de avaliação de atenção é armazenado no meio de armazenamento legível por computador, o programa de avaliação de atenção sendo executado pelo processador para realizar o método de avaliação de atenção, conforme definido em qualquer uma das reivindicações 34 a 41.