CN108919962B - 基于脑机数据集中处理的辅助钢琴训练方法 - Google Patents
基于脑机数据集中处理的辅助钢琴训练方法 Download PDFInfo
- Publication number
- CN108919962B CN108919962B CN201810937724.7A CN201810937724A CN108919962B CN 108919962 B CN108919962 B CN 108919962B CN 201810937724 A CN201810937724 A CN 201810937724A CN 108919962 B CN108919962 B CN 108919962B
- Authority
- CN
- China
- Prior art keywords
- brain
- music
- centralized processing
- training
- processing platform
- 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.)
- Expired - Fee Related
Links
- 238000012545 processing Methods 0.000 title claims abstract description 69
- 238000012549 training Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 20
- 210000004556 brain Anatomy 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 5
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000003931 cognitive performance Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
Images
Classifications
-
- 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
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B15/00—Teaching music
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
- G06F2203/01—Indexing scheme relating to G06F3/01
- G06F2203/012—Walk-in-place systems for allowing a user to walk in a virtual environment while constraining him to a given position in the physical environment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Dermatology (AREA)
- Neurology (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Neurosurgery (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Electrophonic Musical Instruments (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供了基于脑机数据集中处理的辅助钢琴训练方法，包括音乐偏好测试部分和休息时间确定部分，音乐偏好测试部分在测试者佩戴脑机接口后，播放不同曲风的音乐，分别采集脑电波数据，发送到集中处理平台，计算出大脑用脑量和放松度，结合历史音乐数据，生成音乐偏好库；休息时间确定部分在测试者弹钢琴时采集脑电波数据，发送到集中处理平台计算专注度和用脑量，当专注度低于设定阈值时，进行休息，并自动播放音乐偏好库的音乐，根据接下来的训练时段时长负反馈的调节下一个休息时长；本发明的基于脑机数据集中处理的辅助钢琴训练方法能够显著的提高测试者在单位时间内的学习效率，从而帮助测试者更好掌握技能。
Description
技术领域
本发明涉及脑电设备技术和音乐推荐算法领域，具体涉及一种基于脑机数据集中处理的辅助钢琴训练方法。
背景技术
传统的钢琴训练方法及系统多利用心理学规律进行设计，伴随着脑科学的发展，可穿戴设备的普及以及脑机接口技术的逐渐成熟，使得利用脑机装置采集生理数据辅助训练成为可能。工业界现已有较为成熟的设备和方案；如神念公司(NeuroSky)提供有完整的脑机装置，脑电算法，以及数据分析API/SDK。本系统采用三触点脑机接口设备采集脑电波数据，通过采集不同脑区的脑波数据发送到集中处理平台，集中处理平台分析和建模后发送控制命令，指导测试者进行训练和休息，并提供给测试者有效的休息方式。
在心理学研究中莫扎特效应是一种通过让测试者倾听一定时间的具有类似莫扎特曲风的音乐，可以显著提高测试者认知表现的现象，本系统通过采集学习者脑电波数据确定学习者的休息时刻，再结合学习者的音乐偏好，播放一定时间的具有莫扎特效应的音乐，帮助学习者更快的消除疲劳。本系统将生理学数据和心理学规律结合起来，从而可以较显著的提高学习者的学习效率。
发明内容
有鉴于此，为解决上述现有技术中的问题，本发明提供了基于脑机数据集中处理的辅助钢琴训练方法，通过采集学习者脑电波数据，合理安排训练和休息时间，并结合学习者的音乐偏好，播放一定时间的具有莫扎特效应的音乐，帮助学习者更快的消除疲劳，本系统将生理学数据和心理学规律结合起来，从而可以较显著的提高学习者的学习效率。
为实现上述目的，本发明的技术方案如下。
基于脑机数据集中处理的辅助钢琴训练方法，包括音乐偏好测试部分和休息时间确定部分，所述音乐偏好测试部分包括以下步骤：
步骤1、脑机接口、集中处理平台、音乐播放模块、通信模块依次初始化后，佩戴脑机接口，脑机接口与集中处理平台之间，音乐播放模块与集中处理平台之间通过通信模块相互发送测试信号，经集中处理平台确认测试信号正常后，确认系统工作正常；
步骤2、在音乐播放模块的音乐库中分别添加不同曲风的音乐，每种音乐设定播放时间长度相同，采集测试者在曲风p下的脑电波数据计算出相应的放松度a(p)和用脑量b(p)，分别存储在集中处理平台的脑机处理数据库中；
步骤3、将测试者的历史音乐记录输入集中处理平台中，通过统计不同类型音乐的出现频率计算出测试者对于曲风p的偏好度c(p)；
步骤4、通过加权公式计算出曲风p音乐对测试者的“莫扎特效应”的有效度EX(p)，按有效度EX(p)从高到低的顺序生成测试者的音乐偏好库
所述休息时间确定部分包括以下步骤：
步骤a、脑机接口、集中处理平台、音乐播放模块、通信模块依次初始化后，佩戴脑机接口，脑机接口与集中处理平台之间，音乐播放模块与集中处理平台之间通过通信模块相互发送测试信号，经集中处理平台确认测试信号正常后，确认系统工作正常；
步骤b、训练开始，设定时间窗口为T1，每间隔T1时间长度将测试者的脑电波数据包发送到集中处理平台，分别计算出测试者在T1时间内的平均专注度d(x)和平均用脑量e(x)；
步骤c、集中处理平台通过将测试者在T1时间内的平均用脑量e(x)和平均专注度d(x)分别与系统设定的平均专注度阈值d(th)和平均用脑量阈值e(th)进行比较，如果d(x)<d(th)或者e(x)>e(th)则将T1时间段内的标志位flag置1，否则置0；步骤d、判断接收到的数据包是否为训练开始后第一个T1时间段内采集到的数据包，称为第一个数据包，如果是第一个数据包，返回步骤b，否则，进行步骤e；
步骤e、判断本次T1时间段内的flag位和上次T1时间段内的flag位是否同时为1，如果本次T1内flag＝1且上次T1内flag＝1则提示测试者进行休息，更新本次训练已训练时长T(al)，更新已训练总时长T(sum)＝T(sum)+T(al)；
步骤f、启动测试者的音乐偏好库，按偏好度从高到低的顺序播放音乐，设播放时长为T2，比较本次训练已训练时长T(al)与上次训练的训练时长T(alp)，若T(al)>T(alp)，则更新休息时间T2＝T2-t；若T(al)<T(alp)，则更新T2＝T2+t；
步骤g、判断已训练总时长T(sum)是否大于系统设定最大训练时长，如果是，结束训练，关闭系统；否则返回步骤b。
进一步地，在步骤f中，所述t为微调灵敏度，具体为3min。
进一步地，在步骤4中，所述“莫扎特效应”的有效度EX(p)采用下列公式计算得出：
EX(p)＝α·a(p)+β·b(p)+γ·c(p)
其中，a(p)为采集测试者在曲风p下的放松度，b(p)采集测试者在曲风p下的用脑量，c(p)为采集测试者在曲风p下的偏好度，且α+β+γ＝1。
进一步地，在步骤b中，所述时间窗口T1为2s。
进一步地，所述放松度a(p)、用脑量b(p)、偏好度c(p)、平均专注度d(x)和平均用脑量e(x)采用eSense算法计算，映射为0～10区间的数值。
与现有技术比较，本发明的基于脑机数据集中处理的辅助钢琴训练方法，通过采集学习者脑电波数据，合理安排训练和休息时间，并结合学习者的音乐偏好，播放一定时间的具有莫扎特效应的音乐，帮助学习者更快的消除疲劳，本系统将生理学数据和心理学规律结合起来，从而可以较显著的提高学习者的学习效率。
附图说明
图1为本发明的基于脑机数据集中处理的辅助钢琴训练方法中音乐偏好测试部分流程图。
图2为本发明的基于脑机数据集中处理的辅助钢琴训练方法中休息时间确定部分流程图。
具体实施方式
下面将结合附图和具体的实施例对本发明的具体实施作进一步说明。需要指出的是，所描述的实施例仅仅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。
基于脑机数据集中处理的辅助钢琴训练方法，采用3通道单触点脑电接口设备，可采集大脑的8种原始脑电波数据，脑机接口设备会每隔固定时间T1(T1＝2s)向数据集中处理平台(可以采用电脑或数据处理器)发送数据包，数据包中包括脑电原始信号数据，包括8种原始脑电波，集中处理平台先对原始脑电信号进行滤波，判断脑电波数据的可信度，如果可信度较低则丢弃，将滤波和判断后的脑电波里数据通过神念公司提供的eSense算法计算测试者的用脑量，专注度，放松度等指标，用脑量，专注度，放松度均映射为0～10区间的数值，便于分析和比较；
如图1所示，为本发明的基于脑机数据集中处理的辅助钢琴训练方法中音乐偏好测试部分流程图，包括以下步骤：
步骤1、脑机接口、集中处理平台、音乐播放模块、通信模块依次初始化后，佩戴脑机接口，脑机接口与集中处理平台之间，音乐播放模块与集中处理平台之间通过通信模块相互发送测试信号，经集中处理平台确认测试信号正常后，确认系统工作正常，进入步骤2；
步骤2、在音乐播放模块的音乐库M中分别添加m种曲风的音乐(确保m>n且M覆盖N)，设定每种曲风的音乐设定播放时间长度均为T3(T3＝10min)，每种曲风的音乐播放结束后，采集测试者在每种曲风的音乐下的脑电波数据，发送到集中处理平台处理，将测试者听曲风p音乐的脑电波数据通过eSense算法计算出相应的放松度a(p)和用脑量b(p)，分别存储在集中处理平台的脑机处理数据库中；其他曲风音乐同样处理，得出放松度和用脑量，存入集中处理平台的脑机处理数据库中；
步骤3、将测试者的历史音乐记录N输入集中处理平台中，并根据音乐分类算法对测试者的历史音乐记录分成n类，统计曲风p下音乐出现的频率通过音乐推荐算法计算出测试者对于曲风p音乐的偏好度c(p)，存入集中处理平台的脑机处理数据库中；
步骤4、通过加权公式计算出曲风p音乐对测试者的“莫扎特效应”的有效度EX(p)，按有效度EX(p)从高到低的顺序生成测试者的音乐偏好库，所述“莫扎特效应”的有效度EX(p)采用下列公式计算得出：
EX(p)＝α·a(p)+β·b(p)+γ·c(p)
其中，a(p)为采集测试者在曲风p下的放松度，b(p)采集测试者在曲风p下的用脑量，c(p)为采集测试者在曲风p下的偏好度，且α+β+γ＝1。
如图2所示，为本发明的基于脑机数据集中处理的辅助钢琴训练方法中休息时间确定部分流程图，包括以下步骤：
步骤a、脑机接口、集中处理平台、音乐播放模块、通信模块依次初始化后，佩戴脑机接口，脑机接口与集中处理平台之间，音乐播放模块与集中处理平台之间通过通信模块相互发送测试信号，经集中处理平台确认测试信号正常后，确认系统工作正常；
步骤b、训练开始，设定时间窗口为T1(T1＝2s)，每隔T1时间长度脑机接口将测试者的脑电波数据报发送到集中处理平台，通过eSense算法分别计算出测试者在T1时间内的平均专注度d(x)和平均用脑量e(x)；
步骤c、将测试者在T1时间内的平均用脑量e(x)和平均专注度d(x)分别与系统设定的用脑量阈值e(th)和平均专注度阈值d(th)进行比较，如果e(x)>e(th)或d(x)<d(th)则T1时间段内的标志位flag置1，否则置0；
步骤d、判断接收到的数据报是否为开始训练后第一个T1时间段内的数据包，称为第一个数据包，如果是第一个数据包，返回步骤b；否则，进行步骤e；
步骤e、将上次T1时间段内的flag值与本次T1时间段内的flag值进行与运算，运算后的结果存入变量res，判断res值，若res>0，则提示训练者进行休息，更新本次训练已训练时长T(al)，并更新已训练总时长T(sum)＝T(sum)+T(al)；
步骤f、启动音乐播放模块，根据音乐推荐库按偏好度从高到低的顺序播放音乐，设播放时长为T2，比较本次训练已训练时长T(al)与上次训练时段的训练时长T(alp)，若T(al)>T(alp)，则更新休息时间T2＝T2-t；若T(al)<T(alp)，则更新T2＝T2+t(t＝3min)；
步骤g、判断已训练总时长T(sum)是否大于系统设定的最大训练时长T(max)，如果是，结束训练，关闭系统；否则返回步骤b。
综上所述，本发明的基于脑机数据集中处理的辅助钢琴训练方法，通过采集学习者脑电波数据，合理安排训练和休息时间，并结合学习者的音乐偏好，播放一定时间的具有莫扎特效应的音乐，帮助学习者更快的消除疲劳，本系统将生理学数据和心理学规律结合起来，从而可以较显著的提高学习者的学习效率。
Claims (5)
1.基于脑机数据集中处理的辅助钢琴训练方法，包括音乐偏好测试部分和休息时间确定部分，其特征在于，所述音乐偏好测试部分包括以下步骤：
步骤1、脑机接口、集中处理平台、音乐播放模块、通信模块依次初始化后，佩戴脑机接口，脑机接口与集中处理平台之间，音乐播放模块与集中处理平台之间通过通信模块相互发送测试信号，经集中处理平台确认测试信号正常后，确认系统工作正常；
步骤2、在音乐播放模块的音乐库中分别添加不同曲风的音乐，每种音乐设定播放时间长度相同，采集测试者在曲风p下的脑电波数据计算出相应的放松度a(p)和用脑量b(p)，分别存储在脑机处理数据库中；
步骤3、将测试者的历史音乐记录输入集中处理平台中，通过统计不同类型音乐的出现频率计算出测试者对于曲风p的偏好度c(p)；
步骤4、通过加权公式计算出曲风p音乐对测试者的“莫扎特效应”的有效度EX(p)，按有效度EX(p)从高到低的顺序生成测试者的音乐偏好库；
所述休息时间确定部分包括以下步骤：
步骤a、脑机接口、集中处理平台、音乐播放模块、通信模块依次初始化后，佩戴脑机接口，脑机接口与集中处理平台之间，音乐播放模块与集中处理平台之间通过通信模块相互发送测试信号，经集中处理平台确认测试信号正常后，确认系统工作正常；
步骤b、训练开始，设定时间窗口为T1，每间隔T1时间长度将测试者的脑电波数据包发送到集中处理平台，分别计算出测试者在T1时间内的平均专注度d(x)和平均用脑量e(x)；
步骤c、集中处理平台通过将测试者在T1时间内的平均用脑量e(x)和平均专注度d(x)分别与系统设定的平均专注度阈值d(th)和平均用脑量阈值e(th)进行比较，如果d(x)<d(th)或者e(x)>e(th)则将T1时间段内的标志位flag置1，否则置0；步骤d、判断接收到的数据包是否为训练开始后第一个T1时间段内采集到的数据包，称为第一个数据包，如果是第一个数据包，返回步骤b，否则，进行步骤e；
步骤e、判断本次T1时间段内的flag位和上次T1时间段内的flag位是否同时为1，如果本次T1内flag＝1且上次T1内flag＝1则提示测试者进行休息，更新本次训练已训练时长T(al)，更新已训练总时长T(sum)＝T(sum)+T(al)；
步骤f、启动测试者的音乐偏好库，按偏好度从高到低的顺序播放音乐，设播放时长为T2，比较本次训练已训练时长T(al)与上次训练的训练时长T(alp)，若T(al)>T(alp)，则更新休息时间T2＝T2-t,t为微调灵敏度；若T(al)<T(alp)，则更新T2＝T2+t；
步骤g、判断已训练总时长T(sum)是否大于系统设定最大训练时长，如果是，结束训练，关闭系统；否则返回步骤b。
2.根据权利要求1所述的基于脑机数据集中处理的辅助钢琴训练方法，其特征在于：在步骤f中，所述t为3min。
3.根据权利要求2所述的基于脑机数据集中处理的辅助钢琴训练方法，其特征在于，在步骤4中，所述“莫扎特效应”的有效度EX(p)采用下列加权公式计算得出：
EX(p)＝α·a(p)+β·b(p)+γ·c(p)
其中，a(p)为采集测试者在曲风p下的放松度，b(p)采集测试者在曲风p下的用脑量，c(p)为采集测试者在曲风p下的偏好度，且α+β+γ＝1。
4.根据权利要求3所述的基于脑机数据集中处理的辅助钢琴训练方法，其特征在于：在步骤b中，所述时间窗口T1为2s。
5.根据权利要求4所述的基于脑机数据集中处理的辅助钢琴训练方法，其特征在于：所述放松度a(p)、用脑量b(p)、偏好度c(p)、平均专注度d(x)和平均用脑量e(x)采用eSense算法计算，映射为0～10区间的数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810937724.7A CN108919962B (zh) | 2018-08-17 | 2018-08-17 | 基于脑机数据集中处理的辅助钢琴训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810937724.7A CN108919962B (zh) | 2018-08-17 | 2018-08-17 | 基于脑机数据集中处理的辅助钢琴训练方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108919962A CN108919962A (zh) | 2018-11-30 |
| CN108919962B true CN108919962B (zh) | 2021-06-08 |
Family
ID=64406061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810937724.7A Expired - Fee Related CN108919962B (zh) | 2018-08-17 | 2018-08-17 | 基于脑机数据集中处理的辅助钢琴训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108919962B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111081090B (zh) * | 2019-06-09 | 2022-05-03 | 广东小天才科技有限公司 | 一种点读场景下的信息输出方法及学习设备 |
| CN113520392A (zh) * | 2020-04-17 | 2021-10-22 | 王瀚迪 | 一种基于脑机接口技术评价音乐对学习专注度影响的方法 |
| CN115132026A (zh) * | 2022-05-27 | 2022-09-30 | 深圳市心流科技有限公司 | 基于脑电波的辅助学习方法、终端设备及可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105045898A (zh) * | 2015-08-03 | 2015-11-11 | 东南大学 | 一种基于脑电耳机的动态个性化歌曲推荐系统及其方法 |
| CN105654929A (zh) * | 2014-12-01 | 2016-06-08 | 西安思能网络科技有限公司 | 一种具有脑电波控制功能的电子琴谱 |
| CN106708261A (zh) * | 2016-12-05 | 2017-05-24 | 深圳大学 | 一种基于脑机交互的注意力训练方法及系统 |
| WO2017105720A1 (en) * | 2015-12-15 | 2017-06-22 | Intel Corporation | Electroencephalography (eeg) camera control |
| TW201729756A (zh) * | 2015-10-23 | 2017-09-01 | Zhi-Wei Chen | 生理資訊檢測記錄方法 |
| CN107239138A (zh) * | 2017-05-11 | 2017-10-10 | 哈尔滨工程大学 | 一种基于脑机接口移动终端的学习监控和测试方法 |
| CN107423352A (zh) * | 2017-05-25 | 2017-12-01 | 杭州回车电子科技有限公司 | 音乐推荐方法及系统 |
| CN108095741A (zh) * | 2018-01-30 | 2018-06-01 | 上海智勇教育培训有限公司 | 一种基于脑电信号的脑力疲劳程度测试装置及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090069707A1 (en) * | 2007-09-06 | 2009-03-12 | Sandford Joseph A | Method to improve neurofeedback training using a reinforcement system of computerized game-like cognitive or entertainment-based training activities |
-
2018
- 2018-08-17 CN CN201810937724.7A patent/CN108919962B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654929A (zh) * | 2014-12-01 | 2016-06-08 | 西安思能网络科技有限公司 | 一种具有脑电波控制功能的电子琴谱 |
| CN105045898A (zh) * | 2015-08-03 | 2015-11-11 | 东南大学 | 一种基于脑电耳机的动态个性化歌曲推荐系统及其方法 |
| TW201729756A (zh) * | 2015-10-23 | 2017-09-01 | Zhi-Wei Chen | 生理資訊檢測記錄方法 |
| WO2017105720A1 (en) * | 2015-12-15 | 2017-06-22 | Intel Corporation | Electroencephalography (eeg) camera control |
| CN106708261A (zh) * | 2016-12-05 | 2017-05-24 | 深圳大学 | 一种基于脑机交互的注意力训练方法及系统 |
| CN107239138A (zh) * | 2017-05-11 | 2017-10-10 | 哈尔滨工程大学 | 一种基于脑机接口移动终端的学习监控和测试方法 |
| CN107423352A (zh) * | 2017-05-25 | 2017-12-01 | 杭州回车电子科技有限公司 | 音乐推荐方法及系统 |
| CN108095741A (zh) * | 2018-01-30 | 2018-06-01 | 上海智勇教育培训有限公司 | 一种基于脑电信号的脑力疲劳程度测试装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| P300脑机接口的半监督和无监督学习算法研究;王俊杰;《中国优秀硕士学位论文全文数据库》;20180715;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108919962A (zh) | 2018-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3469584B1 (en) | Neural decoding of attentional selection in multi-speaker environments | |
| CN109785850A (zh) | 一种噪声检测方法、装置和存储介质 | |
| CN108919962B (zh) | 基于脑机数据集中处理的辅助钢琴训练方法 | |
| US5715372A (en) | Method and apparatus for characterizing an input signal | |
| Kates | Classification of background noises for hearing‐aid applications | |
| CN102781322B (zh) | 语音听取的评价系统、及方法 | |
| US20200178883A1 (en) | Method and system for articulation evaluation by fusing acoustic features and articulatory movement features | |
| CN101426168B (zh) | 一种发声体异常音检测方法及系统 | |
| CN111951824A (zh) | 一种基于声音判别抑郁症的检测方法 | |
| CN105448291A (zh) | 基于语音的帕金森症检测方法及检测系统 | |
| CN110567575B (zh) | 一种汽车门锁闭合声品质评价方法 | |
| CN102469961B (zh) | 语音清晰度评价系统和方法 | |
| CN106233379A (zh) | 声音合成设备和用于合成声音的方法 | |
| Berisha et al. | Modeling pathological speech perception from data with similarity labels | |
| CN103405217A (zh) | 基于实时构音建模技术的构音障碍多维测量系统及其方法 | |
| CN116597864A (zh) | 一种嗓音检测方法及装置 | |
| CN111640451A (zh) | 一种成熟度评估方法及装置、存储介质 | |
| CN117041847B (zh) | 用于助听器中自适应传声器匹配方法及系统 | |
| CN104036785A (zh) | 语音信号的处理方法和装置、以及语音信号的分析系统 | |
| Groll et al. | Automated relative fundamental frequency algorithms for use with neck-surface accelerometer signals | |
| Heard et al. | Speech workload estimation for human-machine interaction | |
| WO2023284813A1 (zh) | 一种基于深度学习算法的鼾声监测方法与系统以及相应的电动床控制方法和系统 | |
| CN110580917B (zh) | 一种语音数据质量检测方法、装置、服务器及存储介质 | |
| KR20230135844A (ko) | 생체 및 감성 반응형 마스킹 사운드 자동 제어 장치, 방법 및 시스템 | |
| CN114358321A (zh) | 一种电机异响机器学习检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210608 |