CN102149320A - 用于专注度检测的方法和系统 - Google Patents

Abstract

提出了一种用于专注度检测的方法和系统。用于专注度检测的方法包括：从大脑信号提取时间特征；通过使用分类器将提取的时间特征分类以给出分数x₁；从大脑信号提取谱空间特征；从提取的谱空间特征集合中选择包含专注状态和非专注状态之间的区别信息的谱空间特征；通过使用分类器将选择的谱空间特征分类以给出分数x₂；将分数x₁和x₂组合以给出单一分数；以及基于该单一分数确定受试者是否处于专注状态。

Description

用于专注度检测的方法和系统

技术领域

本发明广泛涉及用于专注度检测的方法和系统。

背景技术

专注度检测方法可以使用在诸如神经认知状况诊断等多种应用中，例如注意力缺陷多动障碍(ADHD)。此外，可以将这些方法用于体育运动、博彩、驾驶等的行为监控和提升改造中，或者用于评估工作相关的压力。还可以将专注度检测方法用于监控诸如临床药物试验等药物治疗的有效性或者诸如生物反馈等治疗和康复的有效性。

通常，可取的是，专注度检测方法允许对专注度或者注意力水平的连续检测和测量。此外，专注度检测方法要求精确性和稳定性。还可取的是，专注度检测方法容易使用且成本低。

Monastra和Lubar介绍了计算专注度检测的注意力指数的方法(Monastra和Lubar于2000年公开的US06097980，题为“Quantitativeelectroencephalographic(QEEG)process and apparatus for assessingattention deficit hyperactivity disorder”；V.J.Monastra、S.Lynn、M.Linden、J.F.Lubar、J.Gruzelier和T.J.Lavaque的题为“Electroencephalographic Biofeedback in the Treatment of AttentionDeficit/Hyperactivity Disorder”的文章，发表于Applied Psychophysiolo-gy and Biofeedback，卷30，第2章，第95-114页，2005年6月)。将该注意力指数计算为对于由受试者执行的每一后续任务的θ比β的功率比的平均值。在这些任务中，受试者必须以固定凝视(用作基线)保持他的或者她的眼睛张开、阅读、收听或者绘画。等式(1)示出了注意力指数(attention index)的计算，其中

是θ功率，

是β功率，且N是执行任务的总数。将θ频带定义为4-8赫兹，而β频带定义为13-21赫兹。

$\mathrm{Attention\; Index}=\frac{1}{N}{\mathrm{\Σ}}_{\mathrm{Task}=1}^N\frac{{\mathrm{EEGpower}}_{\mathrm{theta}}^{\mathrm{Task}}}{{\mathrm{EEGpower}}_{\mathrm{beta}}^{\mathrm{Task}}}---\left(1\right)$

图1示出了说明Cox等人的另一现有技术的开发基础的图表(Cox等人于2004年公开的US20040152995A1，题为“Method，apparatus，andcomputer program product for assessment of attentional impairments”)。图1A和1B是EEG频率维度的图形表示，分别示出了对于一致EEG转换情况和非一致EEG转换情况的两种认知任务的EEG功率谱。在图1A和1B中，曲线102A和102B表示执行任务的受试者的功率谱，并且曲线104A和104B表示同一受试者在执行邻接任务时的功率谱。在图1A中，在较低频段处曲线102A在曲线104A之上，并且在较高频段处(16赫兹以上)曲线102A几乎在曲线104A之下。这示出了从一个任务到另一个(从曲线102A到104A)的变换导致较高频率的增加和较低频率的减少。相反，在图1B中，观察到在两个任务上的频率分布中没有特别的变化。

图1中示出的EEG一致性用作Cox等人开发的基础。根据该基础，Cox等人描述了用于注意力损害评估的两个测量。第一个测量是一致性指数(CI)，其计算为等式(2)中示出的从一个任务到另一个任务的EEG功率改变距离(PCD)转换。在等式(2)中，N表示任务的总数，且δ_i表示PCD是否是大于(δ_i＝1)、等于(δ_i＝0)或者小于(δ_i＝-1)截断值。表示δ_i的和小于截断值，且

表示δ_i的和大于截断值。

$\mathrm{CI}=100\left|\frac{1}{N}(\underset{\mathrm{belowcutoff}}{\mathrm{\Σ}}{\mathrm{\δ}}_i-\underset{\mathrm{abovecutoff}}{\mathrm{\Σ}}{\mathrm{\δ}}_i)\right|---\left(2\right)$

Cox等人的第二个测量是α阻断指数(ABI)，其基于谱分析，特别是大脑中的α活动。等式(3)中给出了ABI的计算。在等式3中，α_i表示当第i个任务或者第i个保持时期时在受试者大脑中的α功率，且k表示任务和保持时期的总数。

$\mathrm{ABI}=\frac{100}{k-1}\underset{i=2}{\overset{k}{\mathrm{\Σ}}}\left|\frac{{\mathrm{\α}}_i-{\mathrm{\α}}_{i-1}}{\max ({\mathrm{\α}}_{i-1},{\mathrm{\α}}_i)}\right|---\left(3\right)$

Cowan和Prell(Cowan和Prell在1999年公开的US05983129，题为“Method for determining an individual’s intensity of focusedattention and integrating same into computer program”)提出使用从受试者大脑额叶收集的EEG，并且定义与额叶EEG的振幅测量的数学转换成反比的注意力指示因子。额叶EEG在0-11赫兹的频带内。然而，由于EEG振幅随时间改变并且对于不同受试者会具有显著变化，因此Cowan和Prell的方法不能够提供注意力的量化标准。

用于执行专注度测量方法的其它现有技术如下：E.Molteni、A.M.Bianchi、M.Butti、G.Reni、C.Zucca的“Analysis of the dynamicalbehaviour of the EEG rhythms during a test of sustained attention”，发表于2007年第29届医学和生物学学会IEEE工程年度国际学术会会议录，EMBS 2007，2007年8月22-26日，第1298-1301页；C.A.Mann、J.F.Lubar、A.W.Zimmerman、C.A.Miller和R.A.Muenchen的“Quantitative analysis of EEG in boys with attention deficit-hyperactivitydisorder：Controlled study with clinical implications”，发表于PediatricNeurogoly，卷8，第1章，第30-36页，1992年1-2月；A.J.Haufler、T.W.Spalding、D.L.Santa Maria和B.D.Hatfield的“Neuro-cognitiveactivity during a self-paced visuospatial task：comparative EEG profilesin marksmen and novice shooters”，发表于Biological Psychology，卷53，第2-3章，第131-160页，2000年7月；T.-P.Jung、S.Makeig、M.Stensmo和T.J.Sejnowski的“Estimating alertness from the EEG powerspectrum”，发表于IEEE Transactions on Biomedical Engineering，卷44，第1章，第60-69页，1997年。

现有技术的方法都不能提供量化测量，例如对于检测的注意力水平用1-100标记。此外，现有技术方法基于谱分析且因此对各种变化，例如由于人工制品、噪声、测量装置等导致的变化，固有地具有敏感性。现有技术的方法还不能提供对于不同受试者的一致性测量。

图2示出了流程图200，其说明基于谱分析的现有技术的专注度检测方法的总体进程。由图2所示，在现有技术中，在获取的EEG上执行频率分析步骤202。其次，在步骤204生成指数以给出专注度检测的注意力指示因子。

因此，鉴于以上所述内容，需要一种专注度检测方法和系统力图解决至少一个上述问题。

发明内容

根据本发明的第一方面，提供了用于专注度检测的方法，包括以下步骤：从大脑信号提取时间特征；使用分类器将提取的时间特征分类以给出分数x₁；从大脑信号提取谱空间特征；从提取的谱空间特征集合选择包含专注状态和非专注状态之间的区别信息的谱空间特征；使用分类器将选择的谱空间特征分类以给出分数x₂；将分数x₁和x₂结合以给出单一分数；以及基于单一分数确定受试者是否处于专注状态。

从大脑信号提取时间特征的步骤还可以包括：在多个电极通道的每个中计算大脑波形的统计量；以及将统计量连接成联合特征矢量。

大脑波形的统计量可以是标准偏差。

提取大脑信号的谱空间特征的步骤还可以包括：使用滤波器组在离散频率窗口中提取各个大脑信号分量以获得大脑信号的谱特征；以及使用CSP阵列将CSP算法应用于每个谱特征以获得大脑信号的谱空间特征。

滤波器组可以包括具有4赫兹通带宽度的低次带通Chebyshev II型滤波器。

从提取的谱空间特征集合选择包含专注状态和非专注状态之间的区别信息的谱空间特征的步骤还可以包括：基于与专注状态和非专注状态相关的特征的相互依赖性选择谱空间特征。

将分数x₁和x₂结合以给出单一分数的步骤还可以包括：根据等式(x-m_x)/s_x将分数x₁和x₂标准化以给出x_1n和x_2n，其中m_x和s_x分别是使用训练抽样从分类器得到的输出的平均值和标准偏差；将权重w₁和w₂分别分配给标准化的分数x_1n和x_2n；以及根据等式x_1n*w₁+x_2n*w₂将分数x_1n和x_2n结合以给出单一的分数。

权重w₁和w₂可以根据等式w_i＝(y_i)^p而计算，其中，如果i＝1，y_i则是将提取的时间特征分类的分类精确度，如果i＝2，y_i则是将提取的谱空间特征分类的分类精确度，并且p(p＞0)在单一分数的计算中控制w_i的功率。

基于单一分数确定受试者是否处于关注度状态的步骤还可以包括：如果单一分数高于阈值，则确定受试者处于专注状态；如果单一分数低于阈值，则确定受试者不处于专注状态。

分类器可以包括由线性判别分析分类器、神经网络、支持矢量机器、模糊接口系统、树基分类器，模糊类型2和相关性矢量机器构成的组中的一个或多个。

该方法还可以包括：使用训练数据以生成参数，参数用于通过使用分类器将提取的时间特征分类、用于从大脑信号提取谱空间特征、用于从提取的谱空间特征集合选择包含专注状态和非专注状态之间的区别信息的谱空间特征、以及用于通过使用分类器将所选择的谱空间特征分类。

参数可以包括由用于CSP算法的CSP的投影矩阵、用于基于互信息选择谱空间特征的参数、和用于分类器的模型构成的组中的一个或者多个。

使用训练数据生成参数的步骤还可以包括：从执行一系列任务的受试者收集训练数据；以及通过机器学习方法确定参数。

上述的一系列任务可以包括由阅读技术论文、闭眼执行心算、放松和环顾四周、以及闭眼休息构成的组中的一个或者多个。

根据本发明的第二方面，提供了一种用于专注度检测的系统，包括：时间特征提取单元，用于从大脑信号提取时间特征；时间特征分类单元，通过使用分类器将所提取的时间特征分类以给出分数x₁；谱空间特征提取单元，用于从大脑信号提取谱空间特征；谱空间特征选择单元，用于从提取的谱空间特征集合选择包含专注状态和非专注状态之间的区别信息的谱空间特征；谱空间特征分类单元，通过使用分类器将所选择的谱空间特征分类以给出分数x₂；以及耦合于时间特征分类单元和谱空间特征分类单元的处理单元，用于将分数x₁和x₂结合以给出单一的分数，并且用于基于单一的分数确定受试者是否处于专注状态。

该系统还可以包括：滤波器组，以在离散频率窗口提取各个大脑信号分量以便获得大脑信号的谱特征；以及CSP阵列，用以将CSP算法应用到每个谱特征来获得大脑信号的谱空间特征。

滤波器组可以包括具有4赫兹的通带宽度的低阶带通ChebyshevII型滤波器。

根据本发明的第三方面，提供了存储有计算机代码装置的数据存储介质，该计算机代码装置用于指示计算机系统执行用于专注度检测方法，该方法包括以下步骤：从大脑信号提取时间特征；使用分类器将提取的时间特征分类以给出分数x₁；从大脑信号提取谱空间特征；从提取的谱空间特征集合选择包含专注状态和非专注状态之间的区别信息的谱空间特征；使用分类器将选择的谱空间特征分类以给出分数x₂；将分数x₁和x₂结合以给出单一分数；以及基于单一分数确定受试者是否处于专注状态。

根据本发明的第四方面，提供了用于专注度检测的方法，包括以下步骤：从大脑信号提取特征；从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征；通过使用分类器将所选择的特征分类以给出分数；其中将依赖于受试者的训练数据用于生成参数，参数用于从大脑信号提取特征、从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征、和通过使用分类器将所选择的特征分类；以及基于分数确定受试者是否处于专注状态。

根据本发明的第五方面，提供了用于专注度检测的系统，包括：特征提取单元，用于从大脑信号提取特征；特征选择单元，用于从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征；特征分类单元，通过使用分类器将所选择的特征分类以给出分数；其中将依赖于受试者的训练数据用于生成参数，参数用于从大脑信号提取特征、从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征、和通过使用分类器将所选择的特征分类；以及处理单元，用于基于分数确定受试者是否处于专注状态。

根据本发明的第六方面，提供了存储有计算机代码装置的数据存储介质，该计算机代码装置用于指示计算机系统执行用于专注度检测的方法，该方法包括以下步骤：从大脑信号提取特征；从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征；通过使用分类器将所选择的特征分类以给出分数；其中将依赖于受试者的训练数据用于生成参数，参数用于从大脑信号提取特征、从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征、和通过使用分类器将所选择的特征分类；以及基于分数确定受试者是否处于专注状态。

附图说明

根据以下仅用于示例性目的的描述并结合附图，本领域的普通技术人员将更好地理解并且容易明白本发明的实施方式，其中：

图1a和b示出了说明现有技术发展基础的曲线图。

图2示出说明现有技术方法的专注度检测总体进程的流程图。

图3示出说明根据本发明实施方式的专注度检测方法的流程图。

图4说明根据本发明实施方式的非独立受试者模型培训方法的数据收集协议。

图5示出说明根据本发明实施方式的用于专注度检测方法和非独立受试者培训方法之间联系的示意框图。

图6a和b说明当使用根据本发明实施方式的专注度检测方法和现有技术方法时，对于受试者1的结果。

图7a和b说明当使用根据本发明实施方式的专注度检测方法和现有技术方法时，对于受试者2的结果。

图8a和b说明当使用根据本发明实施方式的专注度检测方法和现有技术方法时，对于受试者3的结果。

图9a和b说明当使用根据本发明实施方式的专注度检测方法和现有技术方法时，对于受试者4的结果。

图10a和b说明当使用根据本发明实施方式的专注度检测方法和现有技术方法时，对于受试者5的结果。

图11a和b说明当使用根据本发明实施方式的专注度检测方法和现有技术方法时，对于受试者1-5的平均结果。

图12说明根据本发明实施方式的用于专注度检测系统的示意框图。

图13说明可以执行示例实施方式的方法和系统的计算机系统的示意框图。

图14示出说明根据本发明实施方式的用于专注度检测方法的流程图。

图15说明根据本发明实施方式的用于专注度检测系统的示意框图。

图16示出说明根据本发明实施方式的用于专注度检测方法的流程图。

具体实施方式

以下描述的一部分明确地或者暗含地表现在算法和对计算机存储器内数据的操作的功能或者符号表示。这些算法的描述和功能或者符号表示是数据处理领域内普通技术人员用于更有效地向本领域内其它普通技术人员表达他们工作实质的手段。此处通常将算法设想为生成期望结果的一系列有条理的步骤。这些步骤是命令对诸如能够存储、传送、组合、对比以及通过其它方式操控的电、磁或者光信号等物理量进行物理操控的步骤。

除非特别说明，否则由以下可显而易见，应该理解通篇本说明书，使用的诸如“计算”、“确定”、“生成”、“输出”、“提取”、“分类”、“选择”、“组合”、“估算”、“连接(concentrating)”、“应用”、“标准化”、“分配”等术语的讨论，涉及计算机系统或者类似电子装置的动作和处理，上述的电子装置将表示为计算机系统内物理量的数据操控和转换成同样表示为计算机系统或者其它信息存储、传输或者显示装置内物理量的其它数据。

本说明书还公开了用于执行方法操作的装置。这种装置可以特别构成为用于所需要的目的，或者可以包括通用计算机或者其它由存储在计算机中的计算机程序选择性启动或者重新配置的其它装置。此处介绍的算法和显示不是固有地与任何具体计算机或者其它装置相关。各种通用机器可以根据此处讲授的程序一起使用。作为一种选择，用于执行所要求的方法步骤的更特殊的装置构造是可以适用的。常规的通用计算机的结构将在以下描述中介绍。

此外，由于可以由计算机代码实施本文描述方法的各步骤对本领域的普通技术人员是显而易见的，因此本说明书还暗含地公开计算机程序。该计算机程序不趋向于限制于任何具体的编程语言及其执行。应该理解，可以使用多种编程语言及其代码以执行本文包含的公开的讲授。此外，该计算机程序不趋向于限制于任何具体的控制流。在不脱离本发明精神或者范围的情况下，有许多其它种类的、可以使用不同控制流的计算机程序。

而且，可以并行地而不是顺序地执行计算机程序的一个或者多个步骤。这种计算机程序可以存储在任何计算机可读媒介上。计算机可读媒介可以包括诸如磁盘或者光盘、存储器芯片或者适于与通用计算机接口的其它存储装置等存储装置。计算机可读媒介还可以包括诸如在因特网系统中的硬接线媒介，或者诸如在GSM移动电话系统中的无线媒介。当计算机程序在这种通用计算机上装载和执行时，有效地实现执行优选方法的步骤的装置。

本发明的实施方式力图通过使用名为“混合EEG模型”的更先进的方法来克服现有技术的局限性。

图3示出了说明关于根据本发明实施方式的专注度检测方法300的流程图。在步骤302中，通过使用实时数据采集和处理平台，执行多通道EEG采集。在一个示例中，数据采集和处理平台执行以下步骤。首先使用Neuroscan公司的NuAmps装置测量头皮大脑信号。然后从设置在用户头部表面的Ag-AgCl电极记录大脑信号。用于大脑信号记录的数字转换器工作在250赫兹的采样率。然后使用例如具有[0.5，40]赫兹通带的第5阶数字Butterworth滤波器，对记录的大脑信号进行时域滤波以便除去高频噪声和非常慢的波。随后通过因子4对经过滤波的大脑信号进行下采样以便减少计算的复杂性。

在步骤304，执行窗口化和预处理。通过使用运行的窗口化机构，步骤304选择感兴趣的电极通道并且将进来的数据流划分成组块。通过使用训练数据，确定窗口尺寸和变换步骤。步骤304还通过滤波除去噪声和人工因素。

在步骤306，执行时间特征提取。在每个通道，步骤306计算诸如窗口化和预处理后的EEG波形的标准偏差等统计量。然后将统计量连接成连接特征矢量。随后将该特征矢量输入步骤308。在步骤308，执行诸如线性判别式分析(LDA)等的分类器以生成分数，例如x₁，指示假设的可能性，此处假设是受试者处于专注状态，即，集中注意力的状态。可以使用的其它分类器包括神经网络(NNs)、支持矢量机器(SVM)、模糊接口系统(FIS)、树基分类器等，以及它们的诸如模糊类型2和相关性矢量机器(RVM)等变型。在方法300中，步骤306和308形成时间特征提取模块。

在步骤310，在窗口化和预处理后的EEG上执行带通滤波器阵列，即滤波器组。每个滤波器组以具体的频率为中心，以固定间隔进行抽样，并且在每个离散频率窗口提取EEG分量。例如，对于从4赫兹到36赫兹的EEG频率范围，固定间隔可以是4赫兹。在一个示例中，滤波器组是具有低阶和线性相位的数字滤波器。这种滤波器组可以是有限脉冲响应(FIR)滤波器或者无限脉冲响应(IIR)滤波器。在优选的实施方式中，该滤波器组是具有4赫兹通带宽度的低阶带通Chebyshev II型滤波器。可以使用MATLAB(MathWorks公司)工具来设计和执行滤波器组。在滤波器组的输出，对于每个滤波器组均获得EEG分量，每个分量进一步包含来自每个选择的电极通道的分离分量。

在步骤312，执行公共空间模式(CSP)阵列。步骤312将CSP算法应用于在步骤310获得的每个EEG分量以使两个等级，即当受试者分别专注和不专注时，对应于大脑状态的专注度和非专注度等级，之间能量的空间分布差异明显。等式(4)详述CSP算法，其中对于第j个EEG分量，根据等式(4)提取CSP特征cf(j)。在等式(4)中，W₁是包括W的前l₁行和最后l₂行的矩阵，其中将l₁和l₂标准化用于数据处理效率，且l₁和l₂之间的比例保持恒定。此外，E_j是第j个EEG分量的m×n数据矩阵，其中m是选择的电极通道数且n是在一个通道中的EEG分量的抽样数。等式(5)给出W和EEG分量的协方差矩阵之间的关系，其中∑⁽¹⁾和∑⁽²⁾是对应于大脑信号的两个不同等级(即不同的大脑状态)的EEG分量的协方差矩阵，I是单位矩阵且D是对角矩阵。

$\mathrm{cf}\left(j\right)=\mathrm{diag}\left(W_l\frac{E_j{E}_j^T}{\mathrm{trace}\left(E_j{E}_j^T\right)}{W}_l^T\right)---\left(4\right)$

W∑⁽¹⁾W^T＝D，W∑⁽²⁾W^T＝I-D    (5)

通过下文详述的依赖于受试者的模型训练方法，从两个等级的示例获得空间滤波参数即诸如矩阵W的空间模式。CSP阵列生成谱空间特征阵列，每个谱空间特征表示投影到具体空间模式上的EEG分量的能量。由于不是每个谱空间特征都与大脑中的专注状态或者非专注状态相关，因此这种特征阵列通常是过冗余的。优选地，删除不必要的(即冗余的)特征。

在步骤314，执行互信息特征选择以删除不必要特征。步骤314选择包含专注状态和非专注状态之间的区别信息的一系列特征。经由下文详述的依赖于受试者的模型训练方法，通过模型训练程序确定上述一系列特征。在步骤314结束时，获得特征矢量并将该特征矢量输入步骤316。

在步骤316，执行诸如LDA的分类器。利用来自步骤314的特征矢量输入，通过分类器生成分数，例如x₂。该分数指示这样一种假设的可能性，其中该假设是受试者处于专注状态，即集中注意力状态。步骤310-316形成方法300的谱空间特征提取模块。

步骤318执行将从时间特征提取模块和谱空间特征提取模块输出的结果进行融合以获得单一输出。在步骤318，将时间特征提取模块和谱空间特征提取模块中的分类器的连续输出进行标准化。在一个实施方式中，如果输出是分数x，标准化的输出x_n是(x-m_x)/s_x，其中m_x和s_x分别是使用训练样本获得的输出的平均值和标准偏差。因此便获得了分别来自时间特征模块和谱空间模块的两个标准化输出x_1n和x_2n。在一个示例中，根据等式(6)通过使用权重w₁和w₂，将这两个标准化输出x_1n和x_2n结合，其中权重w₁和w₂分别对应于x_1n和x_2n并且反应每个模块的各自的性质。然而，还可以通过使用诸如非线性加权回归等非线性方法将标准化输出x_1n和x_2n结合。根据公式wi＝(y_i)^p计算权重w₁和w₂，其中y_i是单独模块的分类精度并且通过训练抽样而获得，而且p(p＞0)控制结合中精度权重的功率。在一个示例中，p定为1。

Output＝x_1n*w₁+x_2n*w₂            (6)

在步骤320，通过将在步骤318中获得的结合的输出与阈值进行对比而作出受试者是否处于专注状态的判定。如果该结合的输出大于阈值，则判定受试者处于专注状态。否则，则判定受试者不处于专注状态。阈值是通过使用训练抽样基于假阳性率和真阳性率之间期望权衡而确定，假阳性率和真阳性率都是专注度检测方法性能的重要指标。

由于在EEG模型中不同受试者之间具有较大差异，因此在本发明实施方式中使用依赖于受试者的模型训练方法以获得用于方法300的参数和模型。

在示例实施方式的依赖于受试者的模型训练方法中，执行训练数据收集会话以在导航会话期间收集受试者EEG。图4示出了根据本发明实施方式的用于依赖于受试者的模型训练方法的数据收集协议400。该协议包括由受试者执行的4个不同的任务。在任务402中，要求受试者阅读技术论文，因此在该任务中，受试者在专注状态且保持他的或者她的眼睛张开。在任务404中，要求受试者执行心算，例如重复地用400减7，因此在该任务中，受试者在专注状态且保持他的或者她的眼睛闭合。在任务406中，要求受试者放松且四下观望，因此在该任务中，受试者不在专注状态且保持他的或者她的眼睛张开。在任务408中，要求受试者保持他的或者她的身体和思想在休息状态且保持他的或者她的眼睛闭合，因此在该任务中，受试者不在专注状态且保持他的或者她的眼睛闭合。在图4中绘制出了每个任务的注意力理想水平，如线410，其中，当要求受试者在专注状态时注意力理想水平高且，当要求受试者不在专注状态时注意力理想水平低。在一个示例中，要求受试者参加几个会话，每个会话涉及一组交替任务。

另外，在示例实施方式的依赖于受试者的训练方法中，通过机器学习方法确定几组参数。机器学习方法的示例是为重复方法的自动参数最优化。以下给出机器学习方法的进一步详述。在一个示例中，生成三组参数。

首先，获得谱空间特征提取模块(见图3)中用于CSP算法的CSP投影矩阵。通过使用CSP方法执行这些投影矩阵的学习，该CSP方法将两个等级，即，专注度等级和非专注度等级，的两个协方差矩阵联合地对角化。

在一个示例中，CSP方法包括以下步骤。

在步骤1，根据等式(7)计算EEG测量的标准化空间协方差∑。

在等式(7)中，E是表示单次试验的原始EEG测量数据的N×T矩阵，N是通道数，T是每通道的测量抽样数，′表示转置算符，且trace()表示将对角线元素相加的运算。

$\mathrm{\Σ}=\frac{{\mathrm{EE}}^{\′}}{\mathrm{trace}\left({\mathrm{EE}}^{\′}\right)}---\left(7\right)$

在步骤2，根据等式(8)计算合成空间协方差∑_c。在等式(8)中，将一个分布的空间协方差

用作每个等级试验的平均值，且d∈{1，2}是等级指数。

在步骤3，根据等式(9)计算白化转换矩阵P。在等式(9)中，I是单位矩阵。

P∑_cP′＝I    (9)

在步骤4，根据等式(10)计算两个等级的白化空间协方差。在等式(10)中，∑₁和∑₂分享如等式(11)中示出的共同特征向量B，其中I是单位矩阵且λ是向量值的对角线矩阵。

${\mathrm{\Σ}}_1=P{\stackrel{\‾}{\mathrm{\Σ}}}_1{P}^{\′}$ 和 ${\mathrm{\Σ}}_2=P{\stackrel{\‾}{\mathrm{\Σ}}}_2{P}^{\′}---\left(10\right)$

∑₁＝BλB′和∑₂＝B(I-λ)B′ (11)

在步骤5，根据等式(12)计算CSP投影矩阵W。在等式(12)，W的行是稳态空间滤波器且W^-1的列是公共空间模式。

W＝B′P   (12)

根据等式(13)给出单次试验EEG E的空间滤波信号Z。

Z＝WE    (13)

等式(13)给出的空间滤波信号Z将EEG测量的两个等级的方差的差异最大化。通常，仅将少量的m个空间滤波信号的方差用作分类特征。将使EEG的两个等级的方差中的差异最大化的信号Z_p，p∈{1..2m}，与最大的特征值λ和(I-λ)相关联。在一个示例中，将这些信号用于形成等式(14)中给出的特征向量X_p，其中将特征向量X_p输入分类器。

$X_p=\log (\mathrm{var}\left(Z_P\right)/\underset{i=1}{\overset{2m}{\mathrm{\Σ}}}\mathrm{var}\left(Z_p\right))---\left(14\right)$

其次，确定用于谱空间特征选择模块中的互信息特征选择的一系列参数。该互信息特征选择方法基于互信息，该互信息指示与等级有关特征的相互依赖性。以下是互信息特征选择的进一步详述。

考虑矢量变量X，例如，在等式(14)中获得的CSP特征，及其对应的等级标号Y，等式(15)给出了这两个随机变量X和Y之间的互信息。在等式(15)中，H(X)表示特征变量X的熵，并且H(Y|X)表示在给定特征变量X的情况下等级标号变量Y的条件熵。等式(16)和等式(17)中分别给出了上述的熵和条件熵。

I(X；Y)＝H(X)-H(Y|X)        (15)

$H\left(X\right)=-\underset{x\∈X}{\∫}\mathrm{xp}\left(x\right){\log }_{2}p\left(x\right)\mathrm{dx}---\left(16\right)$

$H\left(Y\right|X)=-\underset{x\∈X}{\∫}p\left(x\right)\underset{y\∈Y}{\mathrm{\Σ}}P\left(y\right|x){\log }_{2}p\left(y\right|x)\mathrm{dx}---\left(17\right)$

在一个示例中，互信息特征选择过程包括以下步骤。

在步骤1，将d个特征的候选集合初始化为F＝{f₁，f₂，...，f_d}且将选择的特征集合初始化为空集

在步骤2，对于候选集合中的每个特征f_k，形成试验性的特征矢量F_k＝Fopt∪{f_k}。然后，用F_k和Bayesian Parzen窗口预测等级标号Y_k。然后计算预测的等级标号和真正的标号的互信息，即，I(Y_k；Y)。

在步骤3，然后选择将I(Y_k；Y)最大化的特征f_k。

在步骤4，如果且互信息中的增益小于预置阈值δ，即，I(Y_k；Y)-I₀＜δ，则结束该过程。否则，在步骤5，令I₀＝I(Y_k；Y)。

在步骤6，通过F→F\{f_k}更新候选集合，而通过Fopt→Fopt∪S{f_k}将选择特征更新。

在步骤7，如果候选集合为空，则结束该过程。否则，从步骤2开始重复上述过程。

在示例实施方式中，特征是指来自滤波器组的CSP特征并且可以在不同情况下取不同值。将以上描述的示例实施方式中的互信息特征选择过程应用于具有加标号的抽样的训练集合。在完成特征选择过程后，选择的特征集合包括确定为对基于加标号抽样之间的相关性进行专注度检测“重要的”或特征性的CSP特征。当处理用于专注度检测的未标号的数据时，在特征选择过程期间，使用该特征集合。

第三，使用加标号的训练数据抽样，通过传统的Fisher线性判别方法获得用于方法300中的分类器的模型。在一个示例中，如果加标号的训练数据抽样是从专注任务记录，则其具有正标号；而如果是从非专注任务记录，则其具有负标号。

在示例实施方式中，通过使用计算机程序可以使用从依赖于受试者的训练方法获得的参数集合重建用于专注度检测的模型。在一个示例中，创建设置/结构(setup/configuration)文件夹，此处该文件夹包括分类器的投影矢量和偏置、每个CSP滤波器的投影矩阵、选择用于滤波器组的带、以及用于将来自时间特征提取模块和谱空间特征提取模块的输出结合的权重。

图5示出了说明根据本发明实施方式的用于专注度检测的方法和依赖于受试者的训练方法之间连接的示意框图。在一个示例中，单元502、504和506对应于依赖于受试者的训练方法，单元508、510和512对应于图3中方法300的谱空间特征提取模块，单元514和516对应于图3中方法300的时间特征提取模块。

在图5中，当受试者在示例实施方式中的依赖于受试者的训练方法中执行的训练数据收集会话期间执行要求的任务时，从受试者获得训练EEGs。然后使用训练EEG在图5中的特征提取训练单元502、特征选择训练单元504和模型化单元506中执行机器学习技术。这将获得特征提取单元508、特征选择单元510和分类单元512和516所需的参数和模型，用于实时EEG的联机处理。

在图5中，在一个示例中，特征提取单元508执行图3中的步骤310和312，而特征提取单元514执行步骤306。此外，特征选择单元510执行步骤314。而且，分类单元516和512分别执行图3中的步骤308和316，而后处理单元520执行图3中的步骤318和320。

通过本发明实施方式赋予的优点可以包括：

首先，示例实施方式中的专注度检测方法提供了对受试者注意力或者关注度水平的精确的量化测量，这是任何现有技术都没有提供的。示例实施方式中的方法针对于特定受试者且使用优化的参数。另一方面，现有技术方法仅基于谱特征，其输出通常基于大量结果的平均值和在检测专注度的窄范围内执行的比较。例如，该范围可以从平均值减去标准偏差延展到平均值加上结果的标准偏差。因此，示例实施方式中的方法更精确。而且，在本发明示例实施方式中，可以连续地获得精确的分数，并且这在需要快速且精确的分数的(近)实时条件中是重要的。

其次，在本发明的示例实施方式中执行的混合模型方法考虑了EEG的全部维度。特别地，这些维度是EEG的时间的、空间的和谱的信息，然后结合这些维度以给出单一的结果。在另一方面，通过与本发明实施方式的对比，现有技术仅集中于EEG的谱信息且因此提供受试者EEG特性的较不详细的图片。此外，在示例实施方式中，窗口化方法允许专注度检测的方法通过将时间划分窗口尺寸改变成最佳的窗口尺寸来调节时间分辨率。这允许在不同的环境下选择不同的窗口尺寸。例如，当需要长期分数时，EEG记录会话优选地较长，而在实时条件下，EEG记录划分优选地较短。

第三，本发明示例实施方式的方法允许对于每个受试者创建最佳模型。该方法还可以基于小的组群创建模型，且因此可以研究特殊组群的问题，例如，一组ADHD男孩。此外，通过使用大数据库，在研究普遍化问题上，该方法也可以是有用的，例如基于人口的医学研究。

第四，在示例实施方式中，由于从特殊受试者模型化自动获得关于方法的参数和模型，因此实现了特征的自动选择和结合。这可以改善示例实施方式中的专注度检测方法的性能。在示例实施方式中的互信息特征选择提供新颖的方式以创建特殊受试者模型化，例如，对于个别的卫生保健、博彩、体育运动等。而且，在示例实施方式中的特殊受试者模型的使用达到更高的精确度并且用于创建特殊受试者模型的机器学习方法允许示例实施方式中的方法更加灵活。

第五，在示例实施方式中，在总体性能评估中使用的度量基于接收器操作特性(ROC)分析。在示例实施方式中，将绘制假阳性率(FPR)对假阴性率的性能曲线用于分析ROC。通过使用简单的曲线，该度量(ROC)客观地示出示例实施方式中方法的真实性能。也将允许确定对每个受试者使用的最好的模型，并且还允许选择沿着ROC曲线适合灵敏性和特殊性要求的模型，同时注意到灵敏性和特殊性之间的权衡。

此外，不同于Cowan和Prell[Cowan和Prell于1999公开的US05983129，题为“Method for determining an individual’s intensity offocused attention and integrating same into computer program”]，通过数据驱动方法，本发明的实施方式可以通过提供对于全部受试者的统一的分数。在示例实施方式中的方法还考虑了谱的、空间的和时间的改变且，因此比Cowan和Prell的方法更精确。而且，不同于Cowan和Prell的方法对于不同受试者需要对参数进行手工调节，示例实施方式中的方法是自动的。

此外，可以以例如软件工具的形式实施示例实施方式中的方法，例如附加到EEG系统或者如基于网络的网页服务。也可以将该方法嵌入类似PDA的医药装置。甚至仅在低抽样率并且仅从前部的几个EEG传感器获得低成本的EEG，示例实施方式中的方法仍能够提供稳定的注意力或者专注度检测和计分。因此，示例实施方式中的方法可以在仅具有前部传感器的简单且便利的系统中实现。

因此，由于示例实施方式基于提取的、并进一步通过使用EEG的多元(空间的、谱的和时间的)分析进一步选择、并通过使用机器学习进一步分类的特征，因此本发明的示例实施方式可以提供对于受试者注意力或者专注度水平的连续的、量化的、精确的且稳定的计分机构。此外，本发明的示例实施方式提供了将特定受试者的EEG特性捕获到计算模型的系统，以及可以找到最好的参数和模型的自动化参数选择过程。另外，本发明的示例实施方式提供了后处理融合方案，其通过多尺度方法改进性能。

为了进一步说明本发明示例实施方式的优点，执行了包括5个参与受试者(全是男的且健康的)的实验性研究。从具有15个通道的标准10/20EEG系统(NeuroScan NuAmps)和从前通道(Fp1/Fp2)记录来自这些受试者的EEG。

表1示出了由根据本发明实施方式的专注度检测方法以及Monastra和Lubar的现有方法[Monastra和Lubar，于2000年公开的US06097980，题为“Quantitative electroencephalographic(QEEG)process and apparatus for assessing attention deficit hyperactivitydisorder”；V.J.Monastra、S.Lynn、M.Linden、J.F.Lubar、J.Gruzelier和T.J.Lavaque的题为“Electroencephalographic Biofeedback in theTreatment of Attention Deficit/Hyperactivity Disorder”的文章，发表于Applied Psychophysiology and Biofeedback，卷30，第2章，第95-114页，2005年6月]完成的结果。在表1中，对应于“θ/β(现有技术)”的行示出由根据现有技术的方法获得的平均精确性，对应于“仅波形”的行示出了仅从时间特征提取模块获得的平均精确性，对应于“仅谱”的行示出了仅从谱空间特征提取模块获得的平均精确度，以及对应于“混合技术”的行示出了从示例实施方式方法获得的平均精确度。而且，表1中的结果是百分数，以“平均值±标准偏差”的形式表达，并且通过2×2折交叉有效性方法获得。从表1，可以看到示例实施方式方法的平均精确度比现有技术的方法明显更好。更特别地，相对于现有技术的方法，示例实施方式的方法的总体性能改进(绝对值)是14.8％。因此，这些结果证明了示例实施方式方法能创建胜过现有技术方法的优化的特殊受试者模型。

表1

表2进一步示出由根据本发明实施方式的用于专注度检测的方法和Monastra和Lubar的现有技术方法获得的结果。在表2中，对于每个受试者，对应于“θ/β(现有技术)”的行示出了由根据现有技术方法获得的相等错误率(EER)，对应于“仅波形”的行示出了仅从时间特征提取模块获得的EER，对应于“仅谱”的行示出了仅从谱空间特征提取模块获得的EER，以及对应于“混合技术”的行示出了从示例实施方式方法获得的EER。该EER是假阳性率和假阴性率相等的比率。而且，表2中的结果是百分数，以“平均值±标准偏差”的形式表达，并且通过2×2折交叉有效性方法获得。对于每个受试者，在表2中列出了每个方法的最好性能。根据等式(18)计算相对误差减少比率。从表2可以看到，总体误差比率减少是42.5％，表示示例实施方式方法比现有技术方法执行得明显好。而且，表2还显示了即使示例实施方式中的仅时间特征提取模块(“仅波形”)或者仅谱空间特征提取模块(“仅谱”)的性能也比现有技术方法更好。这说明依赖于受试者的训练方法可以明显地改善专注度检测方法的性能。

表2

图6-10示出了当使用根据本发明实施方式的专注度检测方法和Monastra和Lubar的现有技术方法时，分别对受试者1-5的结果。在图6-10中，图6A、7A、8A、9A和10A分别示出了在各种窗口-长度条件下的百分率的精确度，其中曲线602、702、802、902和1002表示由现有技术方法获得的精确度，而曲线604、704、804、904和1004表示由本发明实施方式方法获得的精确度。而且，图6B、7B、8B、9B和10B分别示出了在各种窗口-长度条件下的性能曲线，其中曲线606、706、806、906和1006表示由现有技术方法获得的性能曲线，而曲线608、708、808、908和1008表示由本发明实施方式方法获得的性能曲线。通过使用以下窗口尺寸获得图6-10中的性能曲线。对受试者1和3，窗口尺寸对于现有技术方法是2秒且对于示例实施方式方法是4秒。对受试者2，窗口尺寸对于现有技术方法是8秒且对于示例实施方式方法是2秒。对受试者4，窗口尺寸对于现有技术方法是4秒且对于示例实施方式方法是8秒。对受试者5，窗口尺寸对于现有技术方法是8秒且对于示例实施方式方法是8秒。

图11示出了当使用根据本发明实施方式的专注度检测方法和Monastra和Lubar的现有技术方法时受试者1-5的平均结果。在图11中，图11A示出了5位受试者的平均精确度结果，而图11B示出了5位受试者的平均性能曲线。在图11A中，曲线1102表示根据现有技术方法获得的平均精确度，曲线1104表示根据本发明实施方式的方法获得的平均精确度。此外，在图11B中，曲线1106表示根据现有技术方法获得的平均性能曲线，曲线1108表示根据本发明实施方式方法获得的平均性能曲线。

从图6-11，可以看到相对于现有技术的方法，本发明实施方式的方法可以获得更高的精确度和改善的性能曲线。

图12示出了根据本发明实施方式的用于专注度检测的系统1200的示意框图。系统1200包括：输入单元1202以接受大脑信号；时间特征提取单元1204，用于从大脑信号提取时间特征；时间特征分类单元1206，通过使用分类器将提取时间特征分类以给出分数x₁；谱空间特征提取单元1208，用于从大脑信号提取谱空间特征；谱空间特征选择单元1210，用于从提取的谱空间特征集合选择包含专注状态和非专注状态之间的区别信息的谱空间特征；谱空间特征分类单元1212，用于通过使用分类器将选择的谱空间特征分类以给出分数x₂；以及耦合于时间特征分类单元1206和谱空间特征分类单元1212的处理单元1214，用于将分数x₁和x₂结合以给出单一的分数，并且基于该单一的分数用于确定受试者是否处于专注状态。

图13中示意地示出了可以在计算机系统1300上执行示例实施方式的方法和系统。其可以在诸如在计算机系统1300内执行且指示计算机系统1300处理示例实施方式的方法的计算机程序的软件执行。

计算机系统1300包括计算机模块1302、诸如键盘1304和鼠标1306等输入模块、以及诸如显示器1308和打印机1310等多个输出装置。

通过合适的收发装置1314，将计算机模块1302连接到计算机网络1312，以便能够进入例如因特网或者诸如局域网(LAN)或者广域网(WAN)等其它网络系统。

示例中的计算机模块1302包括处理器1318、随机存取存储器(RAM)1320和只读存储器(ROM)1322。计算机模块1302还包括多个输入/输出(I/O)接口，例如用于显示器1308的I/O接口1324，和用于键盘1304的I/O接口1326。

计算机模块1302的元件通常通过互联的总线1328并以相关领域的普通技术人员已知的方式通信。

通常将应用程序编码到诸如CD-ROM或者闪存载体等数据存储介质，并通过使用数据存储装置1330的相应数据存储介质驱动读取，从而提供给计算机系统1300的用户。应用程序由处理器1318的执行读取并控制。程序数据的中间存储可用RAM 1320完成。

图14示出了说明根据本发明实施方式的用于专注度检测方法1400的流程图。在步骤1404，通过使用分类器将提取的时间特征分类以给出分数x₁。在步骤1406，提取来自大脑信号的谱空间特征。在步骤1408，从提取的谱空间特征集合选择包含专注状态和非专注状态之间的区别信息的谱空间特征。在步骤1410，通过使用分类器将选择的谱空间特征分类以给出分数x₂。在步骤1412，将分数x₁和x₂结合以给出单一的分数，且在步骤1414，基于该单一的分数确定受试者是否在专注状态。

图15示出了根据本发明实施方式的用于专注度检测的系统1500的示意框图。系统1500包括：输入单元1502以接受大脑信号；特征提取单元1504，用于从大脑信号提取时间特征；特征选择单元1506，用于从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征；特征分类单元1508，用于通过使用分类器将选择的特征分类以给出分数；以及处理单元1510，用于基于分数确定是否受试者在专注状态。在系统1500中，依赖于受试者的训练数据用来生成参数，以用于从大脑信号提取特征、从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征、以及通过使用分类器将选择的特征分类的参数。

图16示出了说明根据本发明实施方式的用于专注度检测的方法1600的流程图。在步骤1602，从大脑信号提取特征。在步骤1604，从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征。在步骤1606，通过使用分类器将选择的特征分类以给出分数。在步骤1608，基于该分数确定受试者是否在专注状态。在方法1600中，依赖于受试者的训练数据用于生成参数，以用于从大脑信号提取特征、用于从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征、以及用于通过使用分类器将选择的特征分类的参数。

对于本领域技术人员显而易见的是，可以对在具体实施方式中示出的本发明进行大量的变形和/或修改，而不脱离本发明精神或者范围。因此，给出的实施方式在全部方面都应视为是示例性而非限制性的。例如，尽管本发明的示例实施方式中已经描述了EEG的使用，但也可以使用诸如MEG信号或者MEG和EEG信号混合的其它类型的大脑信号。

Claims (21)

1.一种用于专注度检测的方法，所述方法包括以下步骤：

从大脑信号提取时间特征；

使用分类器将提取的时间特征分类以给出分数x₁；

从大脑信号提取谱空间特征；

从提取的谱空间特征集合选择包含专注状态和非专注状态之间的区别信息的谱空间特征；

使用分类器将选择的谱空间特征分类以给出分数x₂；

将所述分数x₁和x₂结合以给出单一分数；以及

基于所述单一分数确定受试者是否处于专注状态。

2.根据任意一个前述权利要求所述的方法，其中从大脑信号提取时间特征的步骤还包括：

在多个电极通道的每个中计算大脑波形的统计量；以及

将所述统计量连接成联合特征矢量。

3.根据权利要求2所述的方法，其中所述大脑波形的所述统计量是标准偏差。

4.根据任意一个前述权利要求所述的方法，其中提取大脑信号的谱空间特征的步骤还包括：

使用滤波器组在离散频率窗口中提取各个大脑信号分量以获得大脑信号的谱特征；以及

使用CSP阵列将CSP算法应用于每个所述谱特征以获得大脑信号的谱空间特征。

5.根据权利要求4所述的方法，其中所述滤波器组包括具有4赫兹通带宽度的低次带通Chebyshev II型滤波器。

6.根据任意一个前述权利要求所述的方法，其中从提取的谱空间特征集合选择包含专注状态和非专注状态之间的区别信息的谱空间特征的步骤还包括：

基于与所述专注状态和非专注状态相关的特征的相互依赖性选择谱空间特征。

7.根据任意一个前述权利要求所述的方法，其中将所述分数x₁和x₂结合以给出单一分数的步骤还包括：

根据等式(x-m_x)/s_x将所述分数x₁和x₂标准化以给出x_1n和x_2n，其中m_x和s_x分别是使用训练抽样从所述分类器得到的输出的平均值和标准偏差；

将权重w₁和w₂分别分配给标准化的分数x_1n和x_2n；以及

根据等式x_1n*w₁+x_2n*w₂将分数x_1n和x_2n结合以给出单一的分数。

8.根据权利要求7所述的方法，其中所述权重w₁和w₂是根据等式w_i＝(y_i)^p而计算，其中，如果i＝1，y_i则是将所述提取的时间特征分类的分类精确度，如果i＝2，y_i则是将所述提取的谱空间特征分类的分类精确度，并且p(p＞0)在所述单一分数的计算中控制w_i的功率。

9.根据任意一个前述权利要求所述的方法，其中基于所述单一分数确定所述受试者是否处于关注度状态的步骤还包括：

如果所述单一分数高于阈值，则确定所述受试者处于专注状态；如果所述单一分数低于阈值，则确定所述受试者不处于专注状态。

10.根据任意一个前述权利要求所述的方法，其中所述分类器包括由线性判别分析分类器、神经网络、支持矢量机器、模糊接口系统、树基分类器，模糊类型2和相关性矢量机器构成的组中的一个或多个。

11.根据任意一个前述权利要求所述的方法，所述方法还包括：

使用训练数据以生成参数，所述参数用于通过使用分类器将所述提取的时间特征分类、用于从大脑信号提取谱空间特征、用于从提取的谱空间特征集合选择包含所述专注状态和非专注状态之间的区别信息的谱空间特征、以及用于通过使用分类器将所选择的谱空间特征分类。

12.根据权利要求11所述的方法，其中所述参数包括由用于CSP算法的CSP的投影矩阵、用于基于互信息选择谱空间特征的参数、和用于所述分类器的模型构成的组中的一个或者多个。

13.根据权利要求11或者12所述的方法，其中使用训练数据生成参数的步骤还包括：

从执行一系列任务的受试者收集训练数据；以及

通过机器学习方法确定所述参数。

14.根据权利要求13所述的方法，其中所述一系列任务包括由阅读技术论文、闭眼执行心算、放松和环顾四周、以及闭眼休息构成的组中的一个或者多个。

15.一种用于专注度检测的系统，所述系统包括：

时间特征提取单元，用于从大脑信号提取时间特征；

时间特征分类单元，通过使用分类器将所提取的时间特征分类以给出分数x₁；

谱空间特征提取单元，用于从大脑信号提取谱空间特征；

谱空间特征选择单元，用于从提取的谱空间特征集合选择包含所述专注状态和非专注状态之间的区别信息的谱空间特征；

谱空间特征分类单元，通过使用分类器将所选择的谱空间特征分类以给出分数x₂；以及

耦合于所述时间特征分类单元和所述谱空间特征分类单元的处理单元，用于将所述分数x₁和x₂结合以给出单一的分数，并且用于基于所述单一的分数确定所述受试者是否处于专注状态。

16.根据权利要求15所述的系统，其中所述系统还包括：

滤波器组，以在离散频率窗口提取各个大脑信号分量以便获得大脑信号的谱特征；以及

CSP阵列，用以将CSP算法应用到每个所述谱特征来获得大脑信号的谱空间特征。

17.根据权利要求16所述的系统，其中所述滤波器组包括具有4赫兹的通带宽度的低阶带通Chebyshev II型滤波器。

18.一种存储有计算机代码装置的数据存储介质，所述计算机代码装置用于指示计算机系统执行用于专注度检测方法，所述方法包括以下步骤：

从大脑信号提取时间特征；

使用分类器将提取的时间特征分类以给出分数x₁；

从大脑信号提取谱空间特征；

从提取的谱空间特征集合选择包含专注状态和非专注状态之间的区别信息的谱空间特征；

使用分类器将选择的谱空间特征分类以给出分数x₂；

将所述分数x₁和x₂结合以给出单一分数；以及

基于所述单一分数确定受试者是否处于专注状态。

19.一种用于专注度检测的方法，所述方法包括以下步骤：

从大脑信号提取特征；

从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征；

通过使用分类器将所选择的特征分类以给出分数；

其中将依赖于受试者的训练数据用于生成参数，所述参数用于从所述大脑信号提取特征、从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征、和通过使用分类器将所选择的特征分类；以及

基于所述分数确定受试者是否处于专注状态。

20.一种用于专注度检测的系统，所述系统包括：

特征提取单元，用于从大脑信号提取特征；

特征选择单元，用于从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征；

特征分类单元，通过使用分类器将所选择的特征分类以给出分数；

其中将依赖于受试者的训练数据用于生成参数，所述参数用于从所述大脑信号提取特征、从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征、和通过使用分类器将所选择的特征分类；以及

处理单元，用于基于所述分数确定受试者是否处于专注状态。

21.一种存储有计算机代码装置的数据存储介质，所述计算机代码装置用于指示计算机系统执行用于专注度检测的方法，所述方法包括以下步骤：

从大脑信号提取特征；

从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征；

通过使用分类器将所选择的特征分类以给出分数；

其中将依赖于受试者的训练数据用于生成参数，所述参数用于从所述大脑信号提取特征、从提取的特征集合选择包含专注状态和非专注状态之间的区别信息的特征、和通过使用分类器将所选择的特征分类；以及

基于所述分数确定受试者是否处于专注状态。

Images