CN107301497A - 工作记忆能力考核的方法及系统 - Google Patents
工作记忆能力考核的方法及系统 Download PDFInfo
- Publication number
- CN107301497A CN107301497A CN201710391452.0A CN201710391452A CN107301497A CN 107301497 A CN107301497 A CN 107301497A CN 201710391452 A CN201710391452 A CN 201710391452A CN 107301497 A CN107301497 A CN 107301497A
- Authority
- CN
- China
- Prior art keywords
- brain
- working memory
- characteristic value
- memory ability
- electric
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Dermatology (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Game Theory and Decision Science (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种工作记忆能力考核的方法及系统,所述方法包括步骤:在被测人员处于模拟任务状态下,获取所述被测人员的行为指标数据和脑电指标数据;分别将所述行为指标数据和所述脑电指标数据进行特征处理,取得相应的特征值;将所述行为指标数据的特征值和所述脑电指标数据的特征值作为输入样本,采用学习矢量量化算法进行网络训练,得到记忆能力水平输出。采用本发明的工作记忆能力考核的方法及系统,将被测人员脑电幅值和受测者的行为指标相(平均反应时、正确率)融合,并利用了改进的算法,增强了该方法的泛化能力,将原本的长时间训练时间大量降低,这样提高了时效性,从而便于在实际条件下对相应目标人员的工作记忆能力进行实时监测。
Description
技术领域
本发明涉及特定人员工作记忆能力评估领域,特别涉及一种工作记忆能力考核的方法及系统。
背景技术
在高铁调度作业中,当接收到调度作业任务时,临时记忆一串数字或者指令(比如列车的车次号、公里标、速度)对与高铁安全作业十分重要。
但目前对于工作记忆能力的测评基本都停留在定性的实验测试,但对于调度员来说,每次工作周期之前进行测评是不切实际的。目前存在的重复测量各时域的一元方差,得到若干类波幅上存在着明显性,从而提取特征向量的方法时间复杂度太高。
因此亟待开发一种更高效及通用性的调度员工作记忆能力考核方法。
发明内容
有鉴于此,本发明旨在提供一种工作记忆能力考核的方法及系统,通过融合被测人员的行为指标数据和脑电指标数据,增强了泛化能力,将原本的长时间训练时间大量降低,从而提高了时效性,在评判及时性上得到了提高。
具体而言,所述方法包括步骤:在被测人员处于模拟任务状态下,获取所述被测人员的行为指标数据和脑电指标数据;分别将所述行为指标数据和所述脑电指标数据进行特征处理,取得相应的特征值;将所述行为指标数据的特征值和所述脑电指标数据的特征值作为输入样本,采用学习矢量量化算法进行网络训练,得到记忆能力水平输出。
进一步地,,所述行为指标数据的特征值包括平均反应时和正确率。
进一步地,所述脑电指标数据的特征处理包括:使用主成分分析与判别分析方法对脑电幅值进行降维处理,取得特征值,并利用分类器分类。
进一步地,所述分类器包括单类分类器、多类分类器、概率式分类器。
进一步地,所述记忆能力水平输出呈梯度式评价。
进一步地,所述网络训练具体包括:通过欧式距离最小的标准来寻找获胜的神经元,使相似的样本聚合一起,形成若干类。
其特征在于,所述方法中,所述模拟任务状态具体为:在被测者准备完毕后,测试界面启动,界面将产生多个不同难度的任务代号,当出现靶刺激时,被测者根据屏幕之前给出的任务指示,进行符合相应规则的操作。
另一方面,本发明还提供了一种工作记忆能力考核的系统,该系统包括:测试内容显示单元,用于显示被测人员的模拟任务环境;人机交互单元,用于被测人员的人机交互操控;行为记录单元、脑电信号收集单元,分别用于获取被测人员的行为指标数据、脑电指标数据;特征选取处理单元,用于分别将所述行为指标数据和所述脑电指标数据进行特征处理,取得相应的特征值;综合评价处理单元,用于将所述行为指标数据的特征值和所述脑电指标数据的特征值作为输入样本,采用学习矢量量化算法进行网络训练,得到记忆能力水平输出。
进一步地,所述脑电信号收集单元包括脑电仪。
采用本发明的工作记忆能力考核的方法及系统,将被测人员脑电幅值和受测者的行为指标相(平均反应时、正确率)融合,并利用了改进的算法,增强了该方法的泛化能力,将原本的长时间训练时间大量降低,这样提高了时效性,从而便于在实际条件下对相应目标人员的工作记忆能力进行实时监测。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例, 并且与描述一起用于解释本发明的原理。在这些附图中,类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例,而不是全部实施例。对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种工作记忆能力考核的方法的流程示意图;
图2为本发明实施例提供的工作记忆能力考核的方法及系统另一角度的流程及方框示意图;
图3为图本发明实施例提供的一种工作记忆能力考核的系统的方框示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
下面结合附图详细说明本发明实施例涉及的一种工作记忆能力考核的方法。
参见图1和图2所示,该工作记忆能力考核的方法可以包括如下步骤:
在被测人员处于模拟任务状态下,获取所述被测人员的行为指标数据和脑电指标数据;分别将所述行为指标数据和所述脑电指标数据进行特征处理,取得相应的特征值;将所述行为指标数据的特征值和所述脑电指标数据的特征值作为输入样本,采用学习矢量量化算法进行网络训练,得到记忆能力水平输出。
为了能够更好理解本发明的构思,下面结合具体场景及优选实现方式进一 步说明。
在实际考核过程中,被测人员准备完毕后,测试界面启动,界面将产生多个(例如三个)不同难度的任务代号;当出现靶刺激时,根据屏幕之前给出的任务指示,进行符合相应规则的操作。在这个过程中,实时采集被测人员的行为指标数据和脑电指标数据,在练习结束时显示,显示练习阶段的平均反应时、正确率、各脑电幅值指标等参数。
然后,将上述指标作为模型输入,在脑电幅值处理中使用主成分分析与判别分析方法来直接进行降维处理,取得特征值,然后利用分类器进行分类,其中包括单类分类器、多类分类器、概率式分类器,本发明实施例利用学习矢量量化算法进行网络训练,由行为指标(平均反应时、正确率)与降维后脑电幅值输入获取记忆力水平输出,一下为模型方法:
设置上述数据作为输入变量为训练样本,通过欧式距离最小的标准来寻找获胜的神经元,也就是迭代过程中不断的寻找相似的样本,权值向量大的具有更强力的“吸引力”,能将神经网络中的其他神经元包含进来,最终将相似的样本聚合在一起,划分为若干类,实现隐含层的竞争原理,这些非线性的计算都由计算机完成。
鉴于训练样本一般具有一个“标签”,也就是分类的结果,举例而言,可以是二分类“好”与“坏”,构成“{输入,标签}”(比如根据身高和体重来判别一个人是属于哪类身材时,{180cm,80;高且胖}即为一个训练样本);因而在输出结果中形成的几个结果簇中,根据训练样本中的测试者表现情况很容易分辨结果簇属于哪一类,并且对工作记忆能力进行梯度性的评价(60-70/70-80/80-90/90-100)。
从上述可知,本发明的工作记忆能力考核的方法将受测者脑电幅值和受测者的行为指标相(平均反应时、正确率)融合,并利用了改进的算法,增强了该方法的泛化能力,将原本的长时间训练时间大量降低,这样提高了时效性, 从而便于在实际条件下对相应目标人员的工作记忆能力进行实时监测。
参见图3,本发明实施例还提供了一种工作记忆能力考核的系统,该系统可以包括:测试内容显示单元、人机交互单元、行为记录单元、脑电信号收集单元、特征选取处理单元以及综合评价处理单元等,其中:测试内容显示单元,用于显示被测人员的模拟任务环境;人机交互单元,用于被测人员的人机交互操控;行为记录单元、脑电信号收集单元,分别用于获取被测人员的行为指标数据、脑电指标数据;特征选取处理单元,用于分别将所述行为指标数据和所述脑电指标数据进行特征处理,取得相应的特征值;综合评价处理单元,用于将所述行为指标数据的特征值和所述脑电指标数据的特征值作为输入样本,采用学习矢量量化算法进行网络训练,得到记忆能力水平输出。
在具体实施时,脑电信号收集单元可以采用脑电仪。
此外,前述方法实施例涉及的一些扩展也适用于系统实施例,在此不再一一赘述。并且能够直接和毫无疑义得出,本发明实施例的工作记忆能力考核的系统,也具有前述相应的技术效果。
本领域普通技术人员可以理解,实现上述实施例的全部或者部分步骤/单元/模块可以通过程序指令相关的硬件来完成,前述程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述实施例各单元中对应的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光碟等各种可以存储程序代码的介质。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种工作记忆能力考核的方法,其特征在于,所述方法包括步骤:
在被测人员处于模拟任务状态下,获取所述被测人员的行为指标数据和脑电指标数据;
分别将所述行为指标数据和所述脑电指标数据进行特征处理,取得相应的特征值;
将所述行为指标数据的特征值和所述脑电指标数据的特征值作为输入样本,采用学习矢量量化算法进行网络训练,得到记忆能力水平输出。
2.如权利要求1所述的工作记忆能力考核的方法,其特征在于,所述行为指标数据的特征值包括平均反应时和正确率。
3.如权利要求1所述的工作记忆能力考核的方法,其特征在于,所述脑电指标数据的特征处理包括:使用主成分分析与判别分析方法对脑电幅值进行降维处理,取得特征值,并利用分类器分类。
4.如权利要求3所述的工作记忆能力考核的方法,其特征在于,所述分类器包括单类分类器、多类分类器、概率式分类器。
5.如权利要求1所述的工作记忆能力考核的方法,其特征在于,所述记忆能力水平输出呈梯度式评价。
6.如权利要求1至5任一项所述的工作记忆能力考核的方法,其特征在于,所述网络训练具体包括:通过欧式距离最小的标准来寻找获胜的神经元,使相似的样本聚合一起,形成若干类。
7.如权利要求1至5任一项所述的工作记忆能力考核的方法,其特征在于,所述方法中,所述模拟任务状态具体为:在被测者准备完毕后,测试界面启动,界面将产生多个不同难度的任务代号,当出现靶刺激时,被测者根据屏幕之前给出的任务指示,进行符合相应规则的操作。
8.一种工作记忆能力考核的系统,其特征在于,所述系统包括:
测试内容显示单元,用于显示被测人员的模拟任务环境;
人机交互单元,用于被测人员的人机交互操控;
行为记录单元、脑电信号收集单元,分别用于获取被测人员的行为指标数据、脑电指标数据;
特征选取处理单元,用于分别将所述行为指标数据和所述脑电指标数据进行特征处理,取得相应的特征值;
综合评价处理单元,用于将所述行为指标数据的特征值和所述脑电指标数据的特征值作为输入样本,采用学习矢量量化算法进行网络训练,得到记忆能力水平输出。
9.如权利要求8所述的工作记忆能力考核的系统,其特征在于,所述脑电信号收集单元包括脑电仪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710391452.0A CN107301497A (zh) | 2017-05-27 | 2017-05-27 | 工作记忆能力考核的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710391452.0A CN107301497A (zh) | 2017-05-27 | 2017-05-27 | 工作记忆能力考核的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107301497A true CN107301497A (zh) | 2017-10-27 |
Family
ID=60137165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710391452.0A Pending CN107301497A (zh) | 2017-05-27 | 2017-05-27 | 工作记忆能力考核的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301497A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190929A (zh) * | 2018-08-14 | 2019-01-11 | 中国平安人寿保险股份有限公司 | 一种工作量分摊方法、装置、计算机设备及存储介质 |
CN110755041A (zh) * | 2019-10-21 | 2020-02-07 | 北京航空航天大学 | 基于脑血流的模拟失重条件下工作记忆能力评价方法 |
CN112036565A (zh) * | 2020-09-04 | 2020-12-04 | 北京中科心研科技有限公司 | 一种数字工作记忆广度的自适应训练方法及装置 |
CN112735595A (zh) * | 2020-12-30 | 2021-04-30 | 杭州电子科技大学 | 一种工作记忆能力的综合评定方法 |
CN113128876A (zh) * | 2021-04-22 | 2021-07-16 | 北京房江湖科技有限公司 | 基于图像的对象管理方法、装置及计算机可读存储介质 |
CN114521902A (zh) * | 2022-02-14 | 2022-05-24 | 南京邮电大学 | 一种基于ar模型特征和svm分类的工作记忆提高实验方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130330335A1 (en) * | 2010-03-23 | 2013-12-12 | Iogenetics, Llc | Bioinformatic processes for determination of peptide binding |
CN103578322A (zh) * | 2013-11-07 | 2014-02-12 | 成都西麦克虚拟现实电子技术有限公司 | 机场运行指挥模拟训练系统及其模拟训练方法 |
CN105096688A (zh) * | 2015-08-20 | 2015-11-25 | 中交第一公路勘察设计研究院有限公司 | 基于bim仿真环境的驾驶模拟控制系统 |
CN106251583A (zh) * | 2016-09-30 | 2016-12-21 | 防城港市港口区高创信息技术有限公司 | 基于驾驶行为与眼动特征的疲劳驾驶辨识方法 |
-
2017
- 2017-05-27 CN CN201710391452.0A patent/CN107301497A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130330335A1 (en) * | 2010-03-23 | 2013-12-12 | Iogenetics, Llc | Bioinformatic processes for determination of peptide binding |
CN103578322A (zh) * | 2013-11-07 | 2014-02-12 | 成都西麦克虚拟现实电子技术有限公司 | 机场运行指挥模拟训练系统及其模拟训练方法 |
CN105096688A (zh) * | 2015-08-20 | 2015-11-25 | 中交第一公路勘察设计研究院有限公司 | 基于bim仿真环境的驾驶模拟控制系统 |
CN106251583A (zh) * | 2016-09-30 | 2016-12-21 | 防城港市港口区高创信息技术有限公司 | 基于驾驶行为与眼动特征的疲劳驾驶辨识方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190929A (zh) * | 2018-08-14 | 2019-01-11 | 中国平安人寿保险股份有限公司 | 一种工作量分摊方法、装置、计算机设备及存储介质 |
CN109190929B (zh) * | 2018-08-14 | 2023-09-19 | 中国平安人寿保险股份有限公司 | 一种工作量分摊方法、装置、计算机设备及存储介质 |
CN110755041A (zh) * | 2019-10-21 | 2020-02-07 | 北京航空航天大学 | 基于脑血流的模拟失重条件下工作记忆能力评价方法 |
CN110755041B (zh) * | 2019-10-21 | 2020-10-30 | 北京航空航天大学 | 基于脑血流的模拟失重条件下工作记忆能力评价方法 |
CN112036565A (zh) * | 2020-09-04 | 2020-12-04 | 北京中科心研科技有限公司 | 一种数字工作记忆广度的自适应训练方法及装置 |
CN112036565B (zh) * | 2020-09-04 | 2023-03-14 | 北京中科心研科技有限公司 | 一种数字工作记忆广度的自适应训练方法及装置 |
CN112735595A (zh) * | 2020-12-30 | 2021-04-30 | 杭州电子科技大学 | 一种工作记忆能力的综合评定方法 |
CN112735595B (zh) * | 2020-12-30 | 2023-09-26 | 杭州电子科技大学 | 一种工作记忆能力的综合评定方法 |
CN113128876A (zh) * | 2021-04-22 | 2021-07-16 | 北京房江湖科技有限公司 | 基于图像的对象管理方法、装置及计算机可读存储介质 |
CN114521902A (zh) * | 2022-02-14 | 2022-05-24 | 南京邮电大学 | 一种基于ar模型特征和svm分类的工作记忆提高实验方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301497A (zh) | 工作记忆能力考核的方法及系统 | |
CN108229526A (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
CN109829057A (zh) | 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法 | |
CN104318562B (zh) | 一种用于确定互联网图像的质量的方法和装置 | |
CN108229267A (zh) | 对象属性检测、神经网络训练、区域检测方法和装置 | |
CN105894039A (zh) | 情绪识别模型建立方法、情绪识别方法及装置、智能设备 | |
CN104200217B (zh) | 基于一种复合核函数的高光谱分类方法 | |
CN108664893A (zh) | 一种人脸检测方法及存储介质 | |
CN108717663A (zh) | 基于微表情的面签欺诈判断方法、装置、设备及介质 | |
Cutura et al. | VisCoDeR: A tool for visually comparing dimensionality reduction algorithms. | |
CN106127263A (zh) | 基于三维特征提取的人脑磁共振图像分类识别方法及系统 | |
CN109684901A (zh) | 图像处理装置和图像处理方法 | |
CN111026267B (zh) | Vr脑电意念控制接口系统 | |
CN110472808A (zh) | 诊断检查方法及装置 | |
CN106529110A (zh) | 一种用户数据分类的方法和设备 | |
CN110517558B (zh) | 一种钢琴弹奏指法评判方法及系统、存储介质及终端 | |
CN104799852A (zh) | 基于超限学习机自编码的运动想象脑电信号特征的提取方法 | |
CN108628993A (zh) | 电子地图自适应分类方法、装置、设备及存储介质 | |
Raymond et al. | Physics-informed machine learning improves detection of head impacts | |
CN104077524B (zh) | 用于病毒鉴定的训练方法和病毒鉴定方法及装置 | |
CN108447047A (zh) | 抗酸杆菌检测方法及装置 | |
CN109919099A (zh) | 一种基于表情识别的用户体验评价方法及系统 | |
Nazari et al. | Using cgan to deal with class imbalance and small sample size in cybersecurity problems | |
CN107230019A (zh) | 用于考核空间工作记忆更新能力的方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171027 |
|
RJ01 | Rejection of invention patent application after publication |