CN110464368A - 基于机器学习的大脑关注度评估方法及系统 - Google Patents
基于机器学习的大脑关注度评估方法及系统 Download PDFInfo
- Publication number
- CN110464368A CN110464368A CN201910808687.4A CN201910808687A CN110464368A CN 110464368 A CN110464368 A CN 110464368A CN 201910808687 A CN201910808687 A CN 201910808687A CN 110464368 A CN110464368 A CN 110464368A
- Authority
- CN
- China
- Prior art keywords
- attention rate
- brain
- eeg
- machine learning
- eeg data
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Developmental Disabilities (AREA)
- Software Systems (AREA)
- Psychology (AREA)
- Data Mining & Analysis (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于机器学习的大脑关注度评估方法及系统,所述方法包括:S1、采集不同关注度下的脑电数据并提取不同波段的脑电信号,根据关注度和脑电信号训练得到Softmax分类模型;S2、采集待评估对象的实时脑电数据;S3、提取脑电数据中的脑电信号,并通过Softmax分类模型评估待评估对象的大脑关注度状态;S4、输出待评估对象的大脑关注度评估结果。本发明综合采用各个频率的脑电数据,充分挖掘了不同频率脑电数据与关注度的关系,增加了关注度评估结果的准确性与稳定性。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种基于机器学习的大脑关注度评估方法及系统。
背景技术
大脑关注度(attention)表示待评估对象精神集中的程度(注意力大小),高度集中会产生较高的关注度,而思维“遨游”或者焦虑会降低关注度。脑电波是一些自发的有节律的神经电活动,根据不同的频率范围,可将脑电信号划分为五个波段的信号,即δ波(1-3Hz)、θ波(4-7Hz)、α波(8-13Hz)、β波(14-30Hz)、γ波(30-50Hz)。当对象的关注度发生变化时,此时的脑电数据(α、β、γ波等)也会发生相应变化。
现有技术中神念科技的TGAM芯片,其可根据大脑前额皮质的脑电信号,输出关注度数值,但其方法为采集大量实验数据,从而拟合经验公式,最终输出关注度数值。
现有技术中关注度数值的指定具有明显的人为性,未能充分利用各种脑电数据与关注度的关系,影响了关注度评估结果的准确性与稳定性。
因此,针对上述技术问题,有必要提供一种基于机器学习的大脑关注度评估方法及系统。
发明内容
有鉴于此,本发明的目的在于提供一种基于机器学习的大脑关注度评估方法及系统。
为了实现上述目的,本发明一实施例提供的技术方案如下:
一种基于机器学习的大脑关注度评估方法,所述方法包括:
S1、采集不同关注度下的脑电数据并提取不同波段的脑电信号,根据关注度和脑电信号训练得到Softmax分类模型;
S2、采集待评估对象的实时脑电数据;
S3、提取脑电数据中的脑电信号,并通过Softmax分类模型评估待评估对象的大脑关注度状态;
S4、输出待评估对象的大脑关注度评估结果。
作为本发明的进一步改进,所述Softmax分类模型为:
其中,hθ(x)为假设函数,对于给定的样本x,用假设函数对每一个类别j估算出概率值P(y=j|x),即估计x的每一种分类结果出现的概率,假设函数将要输出一个k维的向量表示这k个估计的概率值;
θ1,θ2,K,θk∈Rn+1为模型参数,k为样本类别数,n为样本特征维数。
作为本发明的进一步改进,所述Softmax分类模型为:
其中,m为样本数。
作为本发明的进一步改进,所述步骤S1还包括:
根据已知的关注度和脑电信号,通过梯度下降法习得模型参数θ1,θ2,K,θk。
作为本发明的进一步改进,所述步骤S3还包括:
通过Softmax分类模型预测未知样本x属于每一个类别j的概率φj=P(y=j|x;θ),然后选择概率最大的类别作为未知样本x的类别。
作为本发明的进一步改进,所述步骤S1或步骤S3中,脑电信号的提取具体为:
采集脑电数据后,采用信号傅里叶变换方法对脑电数据进行分析,首先将时域信号转为频域信号,然后根据不同波段脑电信号的频率分布特征分别提取多种脑电信号。
作为本发明的进一步改进,所述步骤S1或步骤S3中,脑电信号的提取具体为:
采集脑电数据后,采用信号小波变换方法对脑电数据进行分析,首先把脑电数据进行多尺度分解,在若干尺度上对干扰信号进行消除,然后依据不同波段脑电信号的频带分布特征提取动态脑电信号。
作为本发明的进一步改进,所述关注度包括低关注度、中关注度、高关注度。
作为本发明的进一步改进,所述脑电信号包括δ波、θ波、α波、β波、γ波。
本发明另一实施例提供的技术方案如下:
一种基于机器学习的大脑关注度评估系统,所述系统包括:
预处理模块,用于采集不同关注度下的脑电数据并提取不同波段的脑电信号,根据关注度和脑电信号训练得到Softmax分类模型;
信号采集模块,用于采集待评估对象的实时脑电数据;
信号处理模块,用于提取脑电数据中的脑电信号,并通过Softmax分类模型评估待评估对象的大脑关注度状态;
输出显示模块,用于输出待评估对象的大脑关注度评估结果。
本发明的有益效果是:
模型训练阶段采集的是被试处于不同关注度下的脑电数据,而未设定关注度数值,降低了实验过程中的人为性;
综合采用各个频率的脑电数据,充分挖掘了不同频率脑电数据与关注度的关系,增加了关注度评估结果的准确性与稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明基于机器学习的大脑关注度评估方法的流程示意图;
图2为本发明基于机器学习的大脑关注度评估系统的模块示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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,都应当属于本发明保护的范围。
参图1所示,本发明公开了一种基于机器学习的大脑关注度评估方法,包括:
S1、采集不同关注度下的脑电数据并提取不同波段的脑电信号,根据关注度和脑电信号训练得到Softmax分类模型;
S2、采集待评估对象的实时脑电数据;
S3、提取脑电数据中的脑电信号,并通过Softmax分类模型评估待评估对象的大脑关注度状态;
S4、输出待评估对象的大脑关注度评估结果。
参图2所示,本发明还公开了一种基于机器学习的大脑关注度评估系统,包括:
预处理模块10,用于采集不同关注度下的脑电数据并提取不同波段的脑电信号,根据关注度和脑电信号训练得到Softmax分类模型;
信号采集模块20,用于采集待评估对象的实时脑电数据;
信号处理模块30,用于提取脑电数据中的脑电信号,并通过Softmax分类模型评估待评估对象的大脑关注度状态;
输出显示模块40,用于输出待评估对象的大脑关注度评估结果。
以下结合具体实施例对本发明中基于机器学习的大脑关注度评估方法及系统进行详细介绍。
在本发明的一具体实施例中,基于机器学习的大脑关注度评估方法包括预处理、信号采集、信号处理及输出显示四个步骤。
预处理:
主要实现机器学习分类模型的训练;首先通过实验采集被试处于不同关注度下(低、中、高关注度)的实时脑电数据,然后利用相关的信号分析方法分别提取脑电信号(包括δ波、θ波、α波、β波、γ波信号),并为其打上对应的数据标签(低、中、高关注度),最后将加了标签的脑电数据传入Softmax分类算法,进行模型训练,并保存最终训练出的模型。
脑电数据指的是脑电采集设备直接获取到的脑电信号(EEG),它记录大脑活动时的电波变化,是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。
获取脑电数据之后,可采用信号傅里叶变换、小波变换等方法对脑电数据进行分析,并提取不同波段的脑电信号(δ波、θ波等)。
傅里叶变换首先将时域信号转为频域信号,然后根据不同波段脑电信号的频率分布特征分别提取多种脑电信号;
小波变换首先把脑电数据在其上进行多尺度分解,在某些尺度上对干扰信号进行消除,然后依据不同波段脑电信号的频带分布特征提取动态脑电信号。
在Softmax分类模型中,对于给定的样本x,用假设函数对每一个类别j估算出概率值P(y=j|x),即估计x的每一种分类结果出现的概率,假设函数将要输出一个k维的向量表示这k个估计的概率值。假设函数hθ(x)为:
其中,θ1,θ2,K,θk∈Rn+1为模型参数,k为样本类别数,n为样本特征维数。
根据对数似然法则,得出其目标函数为:
其中,m为样本数。
应用梯度下降法优化目标函数,有:
故而有:
该模型中,通过梯度下降法习得模型参数θ1,θ2,K,θk。
在模型测试中,通过模型参数,可分别预测未知样本x属于每一个类别j的概率φj=P(y=j|x;θ),然后选择概率最大的类别作为未知样本的类别。
信号采集:
主要实现脑电数据的采集,本实施例中用脑电采集设备采集待评估对象的实时脑电数据。
本发明所采集的脑电数据既可以是整个大脑皮层的数据,也可以是大脑某一区域的数据(如前额皮质等)。
信号处理:
主要实现脑电数据的处理,从采集到的实时脑电数据中提取δ波、θ波、α波、β波、γ波信号,然后将这些数据传入已训练好的Softmax分类模型中,用以评估对待评估对象的大脑关注度状态(低、中、高关注度),并输出结果。
从采集到的实时脑电数据中提取脑电信号的方法与预处理步骤中的方法类似,可以采用信号傅里叶变换、小波变换等方法,此处不再进行赘述。
输出显示:
在设备上显示关注度的评估结果,其输出分别为低关注度、中关注度或高关注度。
应当理解的是,本实施例中将关注度分为低关注度、中关注度、高关注度三个类别,在其他实施例中也可以对应增加或减少类别。
由以上技术方案可以看出,本发明具有如下有益效果:
模型训练阶段采集的是被试处于不同关注度下的脑电数据,而未设定关注度数值,降低了实验过程中的人为性;
综合采用各个频率的脑电数据,充分挖掘了不同频率脑电数据与关注度的关系,增加了关注度评估结果的准确性与稳定性。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种基于机器学习的大脑关注度评估方法,其特征在于,所述方法包括:
S1、采集不同关注度下的脑电数据并提取不同波段的脑电信号,根据关注度和脑电信号训练得到Softmax分类模型;
S2、采集待评估对象的实时脑电数据;
S3、提取脑电数据中的脑电信号,并通过Softmax分类模型评估待评估对象的大脑关注度状态;
S4、输出待评估对象的大脑关注度评估结果。
2.根据权利要求1所述的基于机器学习的大脑关注度评估方法,其特征在于,所述Softmax分类模型为:
其中,hθ(x)为假设函数,对于给定的样本x,用假设函数对每一个类别j估算出概率值P(y=j|x),即估计x的每一种分类结果出现的概率,假设函数将要输出一个k维的向量表示这k个估计的概率值;
θ1,θ2,K,θk∈Rn+1为模型参数,k为样本类别数,n为样本特征维数。
3.根据权利要求2所述的基于机器学习的大脑关注度评估方法,其特征在于,所述Softmax分类模型为:
其中,m为样本数。
4.根据权利要求3所述的基于机器学习的大脑关注度评估方法,其特征在于,所述步骤S1还包括:
根据已知的关注度和脑电信号,通过梯度下降法习得模型参数θ1,θ2,K,θk。
5.根据权利要求4所述的基于机器学习的大脑关注度评估方法,其特征在于,所述步骤S3还包括:
通过Softmax分类模型预测未知样本x属于每一个类别j的概率φj=P(y=j|x;θ),然后选择概率最大的类别作为未知样本x的类别。
6.根据权利要求1所述的基于机器学习的大脑关注度评估方法,其特征在于,所述步骤S1或步骤S3中,脑电信号的提取具体为:
采集脑电数据后,采用信号傅里叶变换方法对脑电数据进行分析,首先将时域信号转为频域信号,然后根据不同波段脑电信号的频率分布特征分别提取多种脑电信号。
7.根据权利要求1所述的基于机器学习的大脑关注度评估方法,其特征在于,所述步骤S1或步骤S3中,脑电信号的提取具体为:
采集脑电数据后,采用信号小波变换方法对脑电数据进行分析,首先把脑电数据进行多尺度分解,在若干尺度上对干扰信号进行消除,然后依据不同波段脑电信号的频带分布特征提取动态脑电信号。
8.根据权利要求1所述的基于机器学习的大脑关注度评估方法,其特征在于,所述关注度包括低关注度、中关注度、高关注度。
9.根据权利要求1所述的基于机器学习的大脑关注度评估方法,其特征在于,所述脑电信号包括δ波、θ波、α波、β波、γ波。
10.一种基于机器学习的大脑关注度评估系统,其特征在于,所述系统包括:
预处理模块,用于采集不同关注度下的脑电数据并提取不同波段的脑电信号,根据关注度和脑电信号训练得到Softmax分类模型;
信号采集模块,用于采集待评估对象的实时脑电数据;
信号处理模块,用于提取脑电数据中的脑电信号,并通过Softmax分类模型评估待评估对象的大脑关注度状态;
输出显示模块,用于输出待评估对象的大脑关注度评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910808687.4A CN110464368A (zh) | 2019-08-29 | 2019-08-29 | 基于机器学习的大脑关注度评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910808687.4A CN110464368A (zh) | 2019-08-29 | 2019-08-29 | 基于机器学习的大脑关注度评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110464368A true CN110464368A (zh) | 2019-11-19 |
Family
ID=68514044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910808687.4A Pending CN110464368A (zh) | 2019-08-29 | 2019-08-29 | 基于机器学习的大脑关注度评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110464368A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112932507A (zh) * | 2021-01-26 | 2021-06-11 | 华中师范大学 | 一种基于脑机接口的学生协作状态评估方法及系统 |
CN113827243A (zh) * | 2021-11-29 | 2021-12-24 | 江苏瑞脑启智医疗科技有限公司 | 注意力评估方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120289854A1 (en) * | 2011-05-13 | 2012-11-15 | Advanced Telecommunications Research Institute International | Brain activity measuring apparatus, brain activity measuring method, brain activity deducing apparatus, brain activity deducing method, and brain-machine interface apparatus |
CN104181819A (zh) * | 2014-08-05 | 2014-12-03 | 常州大学 | 模拟驾驶环境下人脑注意力评估系统及其车模驾驶环境 |
CN104182621A (zh) * | 2014-08-08 | 2014-12-03 | 同济大学 | 基于深度信念网络的adhd判别分析方法 |
CN104523266A (zh) * | 2015-01-07 | 2015-04-22 | 河北大学 | 一种心电信号自动分类方法 |
CN107174262A (zh) * | 2017-05-27 | 2017-09-19 | 西南交通大学 | 注意力评测方法和系统 |
CN107224291A (zh) * | 2017-05-27 | 2017-10-03 | 西南交通大学 | 调度员能力测试系统 |
CN107233104A (zh) * | 2017-05-27 | 2017-10-10 | 西南交通大学 | 认知分心测评方法和系统 |
CN107334481A (zh) * | 2017-05-15 | 2017-11-10 | 清华大学 | 一种驾驶分心检测方法及系统 |
CN108272463A (zh) * | 2017-08-07 | 2018-07-13 | 上海交通大学 | 一种基于脑电信号的飞行员疲劳检测方法 |
CN108784716A (zh) * | 2018-03-29 | 2018-11-13 | 苏州中科先进技术研究院有限公司 | 一种头戴式设备及其注意力评估训练方法 |
US20190066713A1 (en) * | 2016-06-14 | 2019-02-28 | The Trustees Of Columbia University In The City Of New York | Systems and methods for speech separation and neural decoding of attentional selection in multi-speaker environments |
CN110123314A (zh) * | 2019-04-24 | 2019-08-16 | 华南理工大学 | 基于脑电信号判断大脑专注放松状态的方法 |
-
2019
- 2019-08-29 CN CN201910808687.4A patent/CN110464368A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120289854A1 (en) * | 2011-05-13 | 2012-11-15 | Advanced Telecommunications Research Institute International | Brain activity measuring apparatus, brain activity measuring method, brain activity deducing apparatus, brain activity deducing method, and brain-machine interface apparatus |
CN104181819A (zh) * | 2014-08-05 | 2014-12-03 | 常州大学 | 模拟驾驶环境下人脑注意力评估系统及其车模驾驶环境 |
CN104182621A (zh) * | 2014-08-08 | 2014-12-03 | 同济大学 | 基于深度信念网络的adhd判别分析方法 |
CN104523266A (zh) * | 2015-01-07 | 2015-04-22 | 河北大学 | 一种心电信号自动分类方法 |
US20190066713A1 (en) * | 2016-06-14 | 2019-02-28 | The Trustees Of Columbia University In The City Of New York | Systems and methods for speech separation and neural decoding of attentional selection in multi-speaker environments |
CN107334481A (zh) * | 2017-05-15 | 2017-11-10 | 清华大学 | 一种驾驶分心检测方法及系统 |
CN107174262A (zh) * | 2017-05-27 | 2017-09-19 | 西南交通大学 | 注意力评测方法和系统 |
CN107224291A (zh) * | 2017-05-27 | 2017-10-03 | 西南交通大学 | 调度员能力测试系统 |
CN107233104A (zh) * | 2017-05-27 | 2017-10-10 | 西南交通大学 | 认知分心测评方法和系统 |
CN108272463A (zh) * | 2017-08-07 | 2018-07-13 | 上海交通大学 | 一种基于脑电信号的飞行员疲劳检测方法 |
CN108784716A (zh) * | 2018-03-29 | 2018-11-13 | 苏州中科先进技术研究院有限公司 | 一种头戴式设备及其注意力评估训练方法 |
CN110123314A (zh) * | 2019-04-24 | 2019-08-16 | 华南理工大学 | 基于脑电信号判断大脑专注放松状态的方法 |
Non-Patent Citations (3)
Title |
---|
吴铁峰: "大学生篮球运动员运动疲劳与其注意力关系的实验", 《中国优秀硕士学位论文全文数据库(社会科学辑)》 * |
张俐: "科技人员疲劳状况及其与生理指标的相关性", 《卫生职业教育》 * |
杨杰: "大学生疲劳对注意广度的影响研究", 《西江月,课题研究•访谈》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112932507A (zh) * | 2021-01-26 | 2021-06-11 | 华中师范大学 | 一种基于脑机接口的学生协作状态评估方法及系统 |
CN113827243A (zh) * | 2021-11-29 | 2021-12-24 | 江苏瑞脑启智医疗科技有限公司 | 注意力评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
CN102499677B (zh) | 基于脑电非线性特征的情绪状态识别方法 | |
CN107157477A (zh) | 脑电信号特征识别系统及方法 | |
CN104720797B (zh) | 一种基于单通道的脑电信号中肌电噪声消除方法 | |
Chen et al. | Self-organized neural network for the quality control of 12-lead ECG signals | |
CN107024987A (zh) | 一种基于eeg的实时人脑注意力测试和训练系统 | |
CN107361766A (zh) | 一种基于emd域多维信息的情绪脑电信号识别方法 | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN109657642A (zh) | 一种基于黎曼距离的运动想象脑电信号分类方法及系统 | |
CN104503580A (zh) | 一种对稳态视觉诱发电位脑-机接口目标的识别方法 | |
CN109745033A (zh) | 基于时频二维图像和机器学习的动态心电质量评估方法 | |
CN103793058A (zh) | 一种主动式脑机交互系统运动想象任务分类方法及装置 | |
CN107174262A (zh) | 注意力评测方法和系统 | |
CN102488516A (zh) | 一种非线性脑电信号分析方法以及装置 | |
CN113065526B (zh) | 一种基于改进深度残差分组卷积网络的脑电信号分类方法 | |
CN108280414A (zh) | 一种基于能量特征的运动想象脑电信号的识别方法 | |
CN105956624A (zh) | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 | |
CN104635934A (zh) | 基于逻辑思维和形象思维的脑机接口方法 | |
CN110059564B (zh) | 基于功率谱密度和互相关熵谱密度融合的特征提取方法 | |
CN110464368A (zh) | 基于机器学习的大脑关注度评估方法及系统 | |
Cheng et al. | The optimal wavelet basis function selection in feature extraction of motor imagery electroencephalogram based on wavelet packet transformation | |
CN109820503A (zh) | 单通道脑电信号中多种伪迹同步去除方法 | |
CN115081486B (zh) | 一种癫痫发作前期颅内脑电网络定位癫痫灶系统及方法 | |
CN110464371A (zh) | 基于机器学习的疲劳驾驶检测方法及系统 | |
CN114330422B (zh) | 一种实时估计脑电情感特征的跨被试迁移学习方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |