CN110916631B - 基于可穿戴生理信号监测的学生课堂学习状态评测系统 - Google Patents
基于可穿戴生理信号监测的学生课堂学习状态评测系统 Download PDFInfo
- Publication number
- CN110916631B CN110916631B CN201911279624.0A CN201911279624A CN110916631B CN 110916631 B CN110916631 B CN 110916631B CN 201911279624 A CN201911279624 A CN 201911279624A CN 110916631 B CN110916631 B CN 110916631B
- Authority
- CN
- China
- Prior art keywords
- physiological signal
- module
- server
- student
- wearable
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000007405 data analysis Methods 0.000 claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000008054 signal transmission Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 9
- 230000008451 emotion Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 210000001652 frontal lobe Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- PIZHFBODNLEQBL-UHFFFAOYSA-N 2,2-diethoxy-1-phenylethanone Chemical compound CCOC(OCC)C(=O)C1=CC=CC=C1 PIZHFBODNLEQBL-UHFFFAOYSA-N 0.000 claims description 5
- 230000036992 cognitive tasks Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims description 2
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 7
- 210000004556 brain Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008909 emotion recognition Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002360 prefrontal effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- 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
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于可穿戴生理信号监测的学生课堂学习状态评测系统,包括穿戴式多生理信号采集模块、生理信号传输与同步模块、服务器端数据分析模块和学习状态评测模块。穿戴式多生理信号采集模块采集学生的脑电信号、心电信号和脉搏波信号;生理信号传输与同步模块同步各生理信号的时间戳,并通过无线方式将数据传输至服务器端数据分析模块;服务器端数据分析模块对各生理信号进行预处理和特征提取,将特征向量输入分类模型中得到学生学习状态指标,并上传至学习状态评测模块;学习状态评测模块将服务器端数据分析模块上传的数据显示给教学者。本发明比之现有评测方式更加智能、客观和精准,有利于促进教学水平和教学质量的提升。
Description
技术领域
本发明属于教育信息化领域,特别涉及了一种学生课堂学习状态评测系统。
背景技术
学生课堂学习状态的有效评测是促进学生进步、提高课堂教学质量的重要手段。信号处理、大数据、人工智能等技术迅猛发展,将成为支撑引领教育现代化发展,推动教育信息化升级的内生变量。
随着可穿戴设备技术和信号处理算法的发展,生理信号被广泛地用于情绪、注意力、压力、疲劳度等精神状态的监测。基于穿戴式设备采集的多生理信号能全面和精确地反应被测对象的状态,提高监测系统的整体性能。
目前的评测方式主要是依靠教师课堂观察或者监控录像的方式进行。教师观测到异常后再进行调整和改进,教师往往无法兼顾所有学生的学习状态,且评价方式的主观性大。视频监控的方式虽然简便,但是存在很大的缺陷,包括鲁棒性低、受外界影响因素大、不能识别虚假面部表情、实时计算要求高等不足,更重要的是采集面部视频涉及侵犯学生隐私的问题,在校园中的使用已被严加限制和管理
发明内容
为了解决上述背景技术提到的技术问题,本发明提出了基于可穿戴生理信号监测的学生课堂学习状态评测系统。
为了实现上述技术目的,本发明的技术方案为:
基于可穿戴生理信号监测的学生课堂学习状态评测系统,包括穿戴式多生理信号采集模块、生理信号传输与同步模块、服务器端数据分析模块和学习状态评测模块;所述穿戴式多生理信号采集模块包括穿戴式脑电设备、穿戴式心电设备和脉搏波检测手环,分别对应采集学生的脑电信号、心电信号和脉搏波信号;所述生理信号传输与同步模块将穿戴式多生理信号采集模块采集的各生理信号的时间戳保持同步,并通过无线方式将数据传输至服务器端数据分析模块;所述服务器端数据分析模块对各生理信号进行预处理和特征提取,将特征向量输入分类模型中得到学生的注意力、情绪、疲劳和压力的指标,基于这4个指标得到学生的学习参与度指标,并将这些指标上传至学习状态评测模块;所述学习状态评测模块将服务器端数据分析模块上传的数据显示给教学者,并将其保存形成历史数据。
进一步地,在生理信号传输与同步模块中,通过TCP/IP协议将采集的脑电信号无线传输至服务器端数据分析模块,采集的心电信号和脉搏波信号通过蓝牙传输至匹配的手机,再通过手机发送至服务器端数据分析模块。
进一步地,在服务器端数据分析模块中,首先需要对采集的各生理信号进行信号质量评估,剔除质量不符合要求的数据,保留质量符合要求的数据进行预处理:对于脑电信号,进行带通滤波,并滤除工频干扰,自适应去除眼电和肌电干扰;对于心电信号,滤除工频干扰,并去除高频毛刺和基线漂移;对于脉搏波信号,首先滤除杂波干扰和奇异波,然后进行平滑和降噪处理。
进一步地,在服务器端数据分析模块中,对经过预处理的脑电信号进行特征提取,提取的特征包括不同波段能量的比值、模糊熵、多尺度模糊熵曲线下面积和额叶偏侧化指标。
进一步地,在服务器端数据分析模块中,对经过预处理的心电信号进行特征提取,提取的特征包括时域特征:连续RR间期、R波峰值、P波峰值和QRS波时间间隔,以及这4个时域特征的统计特征,还包括心率变异性频域特征:
超低频功率、低频功率、高频功率和低频高频功率比。
进一步地,在服务器端数据分析模块中,对经过预处理的脉搏波信号进行特征提取,提取的特征包括:脉搏波PPG信号的统计特征,脉搏间期PPI的的统计特征和脉搏间期PPI的频谱。
进一步地,在服务器端数据分析模块中,将三种生理信号的特征组成特征向量分别输入预先训练好的对应于注意力、情绪、疲劳和压力的4个分类模型中,并分别输出注意力、情绪、疲劳和压力指标值,将这4个指标值通过加权求和得到学生的学习参与度综合指标。
进一步地,采用支持向量机作为分类模型,并采用RBF核函数作为支持向量机的核函数;在训练模型时,采用网格搜索法结合十折交叉检验法的支持向量机参数优化算法寻找最优的惩罚因子和径向基函数参数。
进一步地,注意力分类模型的训练数据包括要求被试者执行多种注意力任务时的脑电、心电和脉搏波实验数据;情绪分类模型的训练数据包括被试者观看多种类型视频时诱发不同情绪的脑电、心电和脉搏波实验数据以及DEAP情绪实验数据库的公开数据;疲劳分类模型的训练数据包括被试者执行长时程认知任务时的脑电和心电实验数据;压力分类模型的训练数据包括被试执行多项压力实验时的脑电和心电实验数据。
进一步地,所述学习状态评测模块包括与每位学生一一对应的手机端以及供教学者使用的PC端;学生通过手机端进行座位选择、信息填写、穿戴式设备启闭以及睡眠心电信号采集;教学者通过PC端进行班级整体状态评测和学生个人状态评测,并基于这两种状态评测生成课堂评测报告,所述班级整体状态评测包括班级基本信息,学生分布情况以及班级所有学生的平均注意力、情绪、疲劳、压力指标和学习参与度综合指标的变化曲线,所述学生个人状态评测包括学生基本信息,学生睡眠心电数据以及学生上课的注意力、情绪、疲劳、压力指标和学习参与度综合指标的变化曲线。
采用上述技术方案带来的有益效果:
本发明采用可穿戴式生理信号采集设备采集学生课堂上的脑电、心电和脉搏波信号,通过生理信号的特征提取、分类算法获取学生的注意力、情绪、压力、疲劳和参与度指标,对学生状态进行评估并将评估结果实时展示给教学者,比之现有评测方式更加智能、客观和精准,有利于促进教学水平和教学质量的提升。
附图说明
图1是本发明系统组成框图;
图2是本发明系统工作示意图;
图3是本发明可穿戴设备示意图;
图4是本发明生理信号传输与同步模块示意图;
图5是本发明评测系统的操作流程图;
图6是本发明评测系统的实时监控页面图;
图7是本发明评测系统的个人评测页面图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明设计了一种基于可穿戴生理信号监测的学生课堂学习状态评测系统,如图1和图2所示,包括穿戴式多生理信号采集模块、生理信号传输与同步模块、服务器端数据分析模块和学习状态评测模块。各个模块在本实施例中的具体实现方式如下文所述。
如图3所示,穿戴式多生理信号采集模块包括穿戴式脑电设备、穿戴式心电设备和脉搏波检测手环,分别对应采集学生的脑电信号、心电信号和脉搏波信号。穿戴式脑电设备采用非侵入方式采集前额叶FP1,FP2,F7,F8四通道脑电信号,采样率可以达到1kHz,采集精度为0.28μV,共模抑制比达到100db,干扰噪声小于5μV。此外,穿戴式脑电设备还整合了6轴加速度计,可以测量三轴加速度和三轴角速度信号,可进行身体的姿态和运动状态的判别。该脑电设备具有多种采集模式,WIFI在线采集模式可以续航5小时,离线SD卡采集模式可续航12小时。穿戴式心电设备可采集单导联的心电信号,可以以512Hz采样率续航24小时。脉搏波检测手环利用反射式光电容积技术采集脉搏波信号,其采样率为200Hz,以无线传输方式实施发送给接收端。
如图4所示,生理信号传输与同步模块将穿戴式多生理信号采集模块采集的各生理信号的时间戳保持同步,并通过无线方式将数据传输至服务器端数据分析模块。开始检测前,服务器主机在局域网内主动广播主机系统时间戳,脑电设备通过WiFi芯片接入WiFi局域网,接受系统时间戳将本地设备时间与服务器同步,通过TCP/IP协议将脑电信号无线传输至服务器保存。心电设备和脉搏波手环通过BLE蓝牙4.0与配套的手机进行数据传输,手机端APP在开始检测前通过WiFi局域网主动询问服务器当前时间,然后通过蓝牙协议向心电设备和PPG手环主动同步时间,心电设备和脉搏波手环将心电和脉搏波信号传输至手机端后,手机端APP对接收到的数据进行封装,以json形式的数据通过HTTP协议上传到服务器主机,服务器主机对接收到的数据进行保存。
服务器端数据分析模块对各生理信号进行预处理和特征提取,将特征向量输入分类模型中得到学生的注意力、情绪、疲劳和压力的指标,并将这些指标上传至学习状态评测模块。在预处理之前,需要对采集的信号进行质量评估,剔除质量不符合要求的数据,保留质量符合要求的数据进行预处理。
对于脑电信号的预处理,构造0.1Hz-70Hz的Butterworth滤波器进行带通滤波;50Hz工频陷波去除工频干扰;自适应去眼电/肌电算法将眼电/肌电干扰的脑电数据段减去,排除眼电/肌电对脑电的干扰。
对于脑电信号的特征提取,包括不同波段能量比值特征、模糊熵、多尺度模糊熵曲线下面积和额叶偏侧化指标。
(1)不同波段能量比值特征
采用sym10小波基对原始脑电信号进行小波包分解,得到θ波段(4-8Hz),α波段(8-13Hz),β波段(13-30Hz)的脑电,采用能量的比值作为脑电特征:
Ratioβ/θ=Eβ/Eθ
Ratioβ/α=Eβ/Eα
Ratioβ/(θ+α)=Eβ/(Eθ+Eα)
其中,Eθ、Eα、Eβ分别代表脑电在θ波段、α波段和β波段的能量。
(2)模糊熵
相比于近似熵和样本熵,模糊熵的定义中相似性的量度借用了模糊函数的概念,并选择指数函数作为模糊函数来测度两个向量的相似度,这样保证了其值不会产生突变,且凸性质保证了向量自身的自相似性值最大。
1)对于给定的长度为N的时间序列[u(1),u(2),…,u(N)];
2)定义相空间维数m(m≤N-2)和相似容限度r,重构相空间:
X(i)=[u(i),u(i+1),...,u(i+m-1)]-u0(i),i=1,2,...,N-m+1
需要取合适的相似容限度r才能保证在保留较多的信息的同时降低对生理信号噪声的敏感性。
(3)多尺度模糊熵
用以衡量时间序列在不同尺度因子下的复杂性和自相似性,多尺度模糊熵的计算方法如下:
1)对原始时间序列进行粗粒化处理,对长为N的时间序列xi=[u[1],u[2],…,u[N]],按照给定的嵌入维数m和相似容限度r建立新的粗粒化序列:
其中,τ为尺度因子,j为窗口序号,τ=1时yτ就是原序列,τ非零时长为N的原时间序列被分割为τ个每段长为N/τ的粗粒序列;
2)对每一个尺度因子下的粗粒化序列求其模糊熵,并画成尺度因子的函数,求该函数的尺度1-20的曲线下面积为特征;
3)额叶偏侧化指标为左右脑区的活动强度差异,包括:
Indexα=ln(α_Eright/α_Eleft)
IndexFuzzyEn=ln(FuzzyEnright/FuzzyEnleft)
其中,Indexα、IndexFuzzyEn、IndexMFE分别指alpha波段能量、模糊熵和多尺度模糊熵的额叶偏侧化指标,α_Eleft、α_Eright分别指左、右脑区的alpha波段能量特征,FuzzyEnleft、FuzzyEnright分别指左、右脑区的模糊熵特征,MFE(curve_areascale1-20)left、MFE(curve_areascale1-20)right分别指尺度在1-20下左、右脑区的多尺度模糊熵的曲线下面积。
对于心电信号的预处理,包括滤除50Hz工频干扰、去除高频毛刺和基线漂移。
对于心电信号的特征提取,包括:检测心电信号P波、Q波、R波、S波、T波,通过检测这几种波的间期和波峰作为提取统计特征的数据点,提取的特征包括:各个波形的QS波,TS波之间的的均值、中值、方差、最值和最值之差;心电时域特征包括连续RR间期、R波峰值、P波峰值、QRS波时间间隔,并计算时域特征的统计特征量,包括均值、最大值、中值和方差;提取心率变异性(HRV)频域特征包括:
1)超低频(VLF)功率:心率变异性在0.003Hz-0.04Hz的频带绝对功率;
2)低频(LF)功率:心率变异性在0.04Hz-0.15Hz的频带绝对功率;
3)高频(HF)功率:心率变异性在0.15Hz-0.4Hz的频带绝对功率;
4)低频高频功率比(LF/HF)。
对于脉搏波信号的预处理,首先滤除杂波干扰和奇异波,然后进行平滑和降噪处理。
对于脉搏波信号的特征提取,对脉搏波进行多尺度小波分解,选择适当层次来重构信号,然后根据模极大值法找出脉搏波信号波峰波谷点,计算出脉搏间期PPI。特征包括:
1)脉搏波PPG信号的均值、中值、方差和最值之差等统计特征;
2)脉搏间期PPI的均值、中值、方差和最值之差等统计特征;
3)脉搏间期PPI的频谱。
完成特征提取后,各特征组成的特征向量分别送入注意力、情绪、疲劳、压力的分类模型。采用支持向量机(SVM)作为分类器模型,采用RBF核函数作为SVM核函数,在训练模型时,采用网格搜索法结合十折交叉检验法的支持向量机参数优化算法寻找最优的惩罚因子和径向基函数参数,网格搜索法将惩罚参数因子和和径向基函数参数在一定范围内等间距划分成无数个网格,算法遍历每个网格点的参数值,选择分类精确度最高的点作为最优参数值。
在本实施例中,分类模型采用实验数据和公开数据库相结合的方式对各分类器进行训练。其中,注意力识别模型训练实验数据包括要求被试者执行注意力任务CPT、SART等多种注意力测试时的脑电、心电、脉搏波数据;情绪识别模型训练数据包括被试者观看6种视频诱发不同情绪的脑电、心电、脉搏波数据和公开的DEAP情绪实验数据库;疲劳识别模型训练数据包括被试执行长时程认知任务的脑电、心电实验数据;压力识别模型训练数据包括被试执行多项压力实验的脑电、心电实验数据。
学习状态评测模块包括手机APP端和PC端。
手机APP端包含课堂评测页面和睡眠监测页面。课堂评测页面用于学生进行设备与手机的匹配,选择座位进入课堂评测系统,可供学生进行信息查看和问卷填写。同时在课堂监测中接收心电信号和脉搏波信号并转发至服务器端。睡眠监测页面包含睡眠心电信息,可以提取心电设备睡眠数据并上传至服务器端。
PC端包括:
主菜单包括:实时监控页面、历史记录页面、睡眠监测页面、学生管理页面、标签管理页面和设备管理页面。
实时监控页面:班级整体状态评测和学生个人状态评测。
班级整体状态,包含当前课堂的基本信息和公共标签,显示按照座位分布实时显示当前所有学生的姓名、性别、注意力状态、情绪状态和心率水平,并且显示当前班级平均指标变化曲线。
学生个人状态,可由班级整体状态评测模块中点击学生进入。包含学生基本信息和学生个人标签,显示学生多维实时雷达图、多维实时折线图、心率实时动态图。
历史记录页面:查询学生历史记录和课堂历史记录,学生历史记录展示学生列表,点击学生头像即可查看该学生参加的所有课程,或者搜索姓名、教师名、课程名和时间查看特定学生特定课堂的监测记录,学生个人历史记录展示学生选座位分布情况、课堂指标趋势图、课堂效率比例图、课程兴趣分析、课堂效率分析、睡眠报告情况、睡眠情况、睡眠分析;课堂历史记录展示该班级的所有历史课堂检测。点击对应课堂,或者搜索课程名、教师和时间寻找对应课堂查看对应课堂的监测报告。
课程结束后,可以查看当前课堂评测报告,也可以在历史中查询历史课堂报告,课堂评测报告展示课堂基本信息、全班平均雷达图、不同上课状态时长分布图、平均专注地形分布情况、各指标在不同状态下的对比、各指标在不同区间的人数分布情况和课堂变化趋势图。可以选择导出PDF格式的课堂评测报告。
睡眠监测页面:展示学生睡眠监测列表,功能包括原始数据的下载、上传和睡眠分析报告的下载。
学生管理页面:展示学生信息列表,功能包括管理学生的信息、查看学生的设备使用记录、管理问卷。
标签管理页面:展示该账号的所有标签,可以进行标签管理。
设备管理页面:展示脑电设备、心电设备、手机设备的编号和地址,可以进行设备信息管理。
如图5所示,为课堂评测系统的简单操作流程。教师登入PC端课堂评测系统,进入实时监控页面,填写基本信息后开课。学生通过手机app登入设备匹配页面,佩戴好脑电设备、心电设备和手环设备并检测连接正常后,选择座位进入课堂开始上课。上课期间脑电、心电和脉搏波信号实时传输至服务器端进行分析,并反馈指标至相应的显示页面。教师可以在系统中添加课堂标签和学生标签对课堂状态和学生状态进行标记。教师结束课堂后,可以选择查看课堂评测报告。
如图6所示,为课堂评测系统实时监控页面。页面左侧上部显示开课填写的基本信息、当前课堂持续时间、当前连接学生人数等。页面左侧下部是课堂公共标签的展示和添加。页面右侧上部显示当前课堂中已连接学生的状态及座位信息。座位信息包含了当前学生的性别、心率、注意力、情绪。圆脸表情代表情绪,表情由大笑脸渐变为不开心脸依次代表情绪由最好到最差,爱心符号下方数字为当前学生实时心率,最外层圆环进度条代表学生注意力状态。页面右侧下部为全班平均指标动态折线图,显示注意力、压力、疲劳度、情绪和参与度,如果添加了标签,则会在折线图顶部画出标签区间并用以不同的颜色区分。
如图7所示,为学生个人评测页面,页面包含学生基本信息、学生个人标签、多维发展雷达图、实时心率动态图、多维实时动态折线图。
对比试验
1)注意力识别实验
采集了42名被试执行持续注意力任务Continuous Performance test(CPT)过程中的32通道脑电信号,采集设备为Neuroscan Synamp2,采样率为1000Hz。实验数据如表1所示。
表1
被试 | 平均年龄(SD) | 平均错误率(%) | 平均反应时(SD)[ms] |
16男,26女 | 24.26(1.17) | 8 | 405.04(96.52) |
完成数据预处理后,得到751段20秒任务态脑电数据和244段20秒静息态数据。将任务态数据按反应时间分布分为注意力高、中、低三种类别。表2展示了传统特征(不同能量波段比值)与本发明采用的非线性特征(模糊熵、多尺度模糊熵)的准确度结果,由该表可知,采用的非线性特征组合识别高、中、低三种注意力状态的三分类结果为80.3%,识别高、中、低注意力状态和静息态的四分类结果为83.2%,均高于使用传统的能量特征的分类结果。
表2
特征 | 注意力高/中/低 | 注意力高/中/低/静息 |
β/(α+θ),β/θ,β/α | 77.1% | 79.6% |
FuzzyEn,MFE(1-20) | 80.3% | 83.2% |
2)情绪识别实验
情绪识别模型训练采用公开数据库DEAP。DEAP数据库包括32为健康被试(50%为女性)的脑电信号,年龄在19-37岁(平均年龄26.9±4.45)。该实验执行视频诱发情感任务,每个参与者观看40个视频,并以512Hz的采样率采集32通道脑电信号,通过量表评估每个视频的效价和唤醒度。
将预处理后的数据分为20秒一段,并按照罗素情绪环状模型,将情绪水平分为四个维度,包括439个高效价高唤醒度(HVHA)数据段,298个低效价高唤醒度(LVHA)数据段,269个高效价低唤醒度(HVLA)数据段和274项低效价低唤醒度(LVLA)数据段。
本实验中采用多尺度信息分析方法(MIA),对四个维度上的数据提取多尺度模糊熵特征及基于集合经验模态分解(EEMD)的高频段增强模糊熵特征,并应用支持向量机和交叉验证方法评估分类准确度。如表3可知,本发明最终的四分类表现(准确度62.01%,精度62.03%)远高于经典的基于离散小波变换的能量特征方法(准确度43.98%,精度43.81%)。
表3
实验证实,情绪识别与脑电信号的高频振荡(51-100Hz)更为相关,而且额叶和颞叶脑区的重要性要高于其他脑区。相对于经典的基于离散小波变换、分形维数和样本熵方法,基于高频脑电的多尺度信息分析方法对在情绪识别上具有更好的性能。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (7)
1.基于可穿戴生理信号监测的学生课堂学习状态评测系统,其特征在于:包括穿戴式多生理信号采集模块、生理信号传输与同步模块、服务器端数据分析模块和学习状态评测模块;所述穿戴式多生理信号采集模块包括穿戴式脑电设备、穿戴式心电设备和脉搏波检测手环,分别对应采集学生的脑电信号、心电信号和脉搏波信号;所述生理信号传输与同步模块将穿戴式多生理信号采集模块采集的各生理信号的时间戳保持同步,并通过无线方式将数据传输至服务器端数据分析模块;所述服务器端数据分析模块对各生理信号进行预处理和特征提取,将特征向量输入分类模型中得到学生的注意力、情绪、疲劳和压力的指标,基于这4个指标得到学生的学习参与度指标,并将这些指标上传至学习状态评测模块;所述学习状态评测模块将服务器端数据分析模块上传的数据显示给教学者,并将其保存形成历史数据;
在服务器端数据分析模块中,将脑电信号、心电信号和脉搏波信号的特征组成特征向量分别输入预先训练好的对应于注意力、情绪、疲劳和压力的4个分类模型中,并分别输出注意力、情绪、疲劳和压力指标值,将这4个指标值通过加权求和得到学生的学习参与度综合指标;
采用支持向量机作为分类模型,并采用RBF核函数作为支持向量机的核函数;在训练模型时,采用网格搜索法结合十折交叉检验法的支持向量机参数优化算法寻找最优的惩罚因子和径向基函数参数;
注意力分类模型的训练数据包括要求被试者执行多种注意力任务时的脑电、心电和脉搏波实验数据;情绪分类模型的训练数据包括被试者观看多种类型视频时诱发不同情绪的脑电、心电和脉搏波实验数据以及DEAP情绪实验数据库的公开数据;疲劳分类模型的训练数据包括被试者执行长时程认知任务时的脑电和心电实验数据;压力分类模型的训练数据包括被试执行多项压力实验时的脑电和心电实验数据。
2.根据权利要求1所述基于可穿戴生理信号监测的学生课堂学习状态评测系统,其特征在于:在生理信号传输与同步模块中,通过TCP/IP协议将采集的脑电信号无线传输至服务器端数据分析模块,采集的心电信号和脉搏波信号通过蓝牙传输至匹配的手机,再通过手机发送至服务器端数据分析模块。
3.根据权利要求1所述基于可穿戴生理信号监测的学生课堂学习状态评测系统,其特征在于:在服务器端数据分析模块中,首先需要对采集的各生理信号进行信号质量评估,剔除质量不符合要求的数据,保留质量符合要求的数据进行预处理:对于脑电信号,进行带通滤波,并滤除工频干扰,自适应去除眼电和肌电干扰;对于心电信号,滤除工频干扰,并去除高频毛刺和基线漂移;对于脉搏波信号,首先滤除杂波干扰和奇异波,然后进行平滑和降噪处理。
4.根据权利要求1所述基于可穿戴生理信号监测的学生课堂学习状态评测系统,其特征在于:在服务器端数据分析模块中,对经过预处理的脑电信号进行特征提取,提取的特征包括不同波段能量的比值、模糊熵、多尺度模糊熵曲线下面积和额叶偏侧化指标。
5.根据权利要求1所述基于可穿戴生理信号监测的学生课堂学习状态评测系统,其特征在于:在服务器端数据分析模块中,对经过预处理的心电信号进行特征提取,提取的特征包括时域特征:连续RR间期、R波峰值、P波峰值和QRS波时间间隔,以及这4个时域特征的统计特征,还包括心率变异性频域特征:超低频功率、低频功率、高频功率和低频高频功率比。
6.根据权利要求1所述基于可穿戴生理信号监测的学生课堂学习状态评测系统,其特征在于:在服务器端数据分析模块中,对经过预处理的脉搏波信号进行特征提取,提取的特征包括:脉搏波PPG信号的统计特征,脉搏间期PPI的统计特征和脉搏间期PPI的频谱。
7.根据权利要求1所述基于可穿戴生理信号监测的学生课堂学习状态评测系统,其特征在于:所述学习状态评测模块包括与每位学生一一对应的手机端以及供教学者使用的PC端;学生通过手机端进行座位选择、信息填写、穿戴式设备启闭以及睡眠心电信号采集;教学者通过PC端进行班级整体状态评测和学生个人状态评测,并基于这两种状态评测生成课堂评测报告,所述班级整体状态评测包括班级基本信息,学生分布情况以及班级所有学生的平均注意力、情绪、疲劳、压力指标和学习参与度综合指标的变化曲线,所述学生个人状态评测包括学生基本信息,学生睡眠心电数据以及学生上课的注意力、情绪、疲劳、压力指标和学习参与度综合指标的变化曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911279624.0A CN110916631B (zh) | 2019-12-13 | 2019-12-13 | 基于可穿戴生理信号监测的学生课堂学习状态评测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911279624.0A CN110916631B (zh) | 2019-12-13 | 2019-12-13 | 基于可穿戴生理信号监测的学生课堂学习状态评测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110916631A CN110916631A (zh) | 2020-03-27 |
CN110916631B true CN110916631B (zh) | 2022-04-22 |
Family
ID=69859544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911279624.0A Active CN110916631B (zh) | 2019-12-13 | 2019-12-13 | 基于可穿戴生理信号监测的学生课堂学习状态评测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110916631B (zh) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111696011B (zh) * | 2020-06-04 | 2023-09-29 | 信雅达科技股份有限公司 | 一种监测与调控学生自主学习系统及其方法 |
CN111631697A (zh) * | 2020-06-15 | 2020-09-08 | 电子科技大学 | 智能睡眠和疲劳状态信息监护控制系统及方法、监护仪 |
CN111839488B (zh) * | 2020-07-15 | 2023-06-27 | 复旦大学 | 基于脉搏波的无创连续血压测量装置和方法 |
CN112131483A (zh) * | 2020-10-19 | 2020-12-25 | 中国人民解放军国防科技大学 | 在线职业教育的个性化课程内容推荐方法 |
CN112446590B (zh) * | 2020-11-05 | 2021-08-10 | 重庆第二师范学院 | 一种综合性学生管理系统、方法、介质及终端 |
TWI769580B (zh) * | 2020-11-12 | 2022-07-01 | 南開科技大學 | 依據腦波判斷認知向度以安排編班授課之系統與方法 |
CN112370039B (zh) * | 2020-11-17 | 2023-08-08 | 北京中科心研科技有限公司 | 一种基于智慧课堂的课堂质量检测方法及装置 |
CN112580587A (zh) * | 2020-12-29 | 2021-03-30 | 西安精密机械研究所 | 基于振动噪声信号的骨关节受损信息评估系统及评估方法 |
CN112842359B (zh) * | 2021-01-25 | 2022-09-16 | 国网江苏省电力有限公司电力科学研究院 | 一种智能安全帽的压力、疲劳信息监测方法 |
CN112716465A (zh) * | 2021-02-05 | 2021-04-30 | 山西新华防化装备研究院有限公司 | 一种基于多生理信息数据的防化装备生理评价系统及方法 |
CN113191470A (zh) * | 2021-05-07 | 2021-07-30 | 深圳市中幼强脑教育科技有限公司 | 课堂内脑电数据采集系统中快速身份绑定方法 |
CN113359541A (zh) * | 2021-05-19 | 2021-09-07 | 杭州师范大学 | 多感觉模态持续性注意监测系统及方法 |
CN113288168A (zh) * | 2021-05-21 | 2021-08-24 | 天津工业大学 | 一种智能可穿戴疲劳监测及预警系统 |
CN113040788B (zh) * | 2021-06-02 | 2021-09-21 | 博睿康科技(常州)股份有限公司 | 基于频谱分析的脑电信号质量的检测方法 |
CN113349778B (zh) * | 2021-06-03 | 2023-02-17 | 杭州回车电子科技有限公司 | 基于经颅直流电刺激的情绪分析方法、装置和电子装置 |
CN113509189B (zh) * | 2021-07-07 | 2024-07-05 | 科大讯飞股份有限公司 | 一种学习状态监控方法及其相关设备 |
CN113558634A (zh) * | 2021-07-26 | 2021-10-29 | 西南大学 | 一种数据监测方法、装置、电子设备和存储介质 |
CN113907756B (zh) * | 2021-09-18 | 2024-07-23 | 深圳大学 | 一种基于多种模态的生理数据的可穿戴系统 |
CN114343638B (zh) * | 2022-01-05 | 2023-08-22 | 河北体育学院 | 一种基于多模态生理参数信号的疲劳程度评估方法及系统 |
CN114886388B (zh) * | 2022-07-12 | 2022-11-22 | 浙江普可医疗科技有限公司 | 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 |
CN115186014B (zh) * | 2022-09-13 | 2022-12-02 | 江苏巨信众汇数字科技有限公司 | 用于教育实训的数据处理方法 |
CN116491894B (zh) * | 2022-11-09 | 2024-02-27 | 桂林电子科技大学 | 基于欧拉影像放大算法的帕金森病症识别方法 |
CN116616708B (zh) * | 2023-05-22 | 2024-06-25 | 深圳市腾进达信息技术有限公司 | 一种基于智能穿戴设备的生命体征数据处理方法和系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103584872A (zh) * | 2013-10-29 | 2014-02-19 | 燕山大学 | 一种基于多生理参数融合的心理压力评估方法 |
CN103793593A (zh) * | 2013-11-15 | 2014-05-14 | 吴一兵 | 第三种生命维护模式及长寿定量牵引信息交换方法和实现 |
CN103815902A (zh) * | 2013-11-22 | 2014-05-28 | 刘志勇 | 基于脑电频域特征指标化算法的课堂教学评估系统及方法 |
CN105147248A (zh) * | 2015-07-30 | 2015-12-16 | 华南理工大学 | 基于生理信息的抑郁症评估系统及其评估方法 |
CN105956623A (zh) * | 2016-05-04 | 2016-09-21 | 太原理工大学 | 一种基于模糊熵的癫痫脑电信号分类方法 |
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 |
CN108205731A (zh) * | 2016-12-20 | 2018-06-26 | 通用汽车环球科技运作有限责任公司 | 情境评估车辆系统 |
CN108537704A (zh) * | 2018-04-17 | 2018-09-14 | 深圳市心流科技有限公司 | 课堂评测方法、装置及计算机可读存储介质 |
CN108630043A (zh) * | 2018-04-26 | 2018-10-09 | 成都泰盟软件有限公司 | 脉搏传导检测教学设备系统 |
CN108670276A (zh) * | 2018-05-29 | 2018-10-19 | 南京邮电大学 | 基于脑电信号的学习注意力评价系统 |
CN109241879A (zh) * | 2018-08-21 | 2019-01-18 | 北京工业大学 | 基于加权复合多尺度模糊熵的运动想象脑电信号的特征提取方法 |
CN109512442A (zh) * | 2018-12-21 | 2019-03-26 | 杭州电子科技大学 | 一种基于LightGBM的EEG疲劳状态分类方法 |
CN109620262A (zh) * | 2018-12-12 | 2019-04-16 | 华南理工大学 | 一种基于可穿戴手环的情绪识别系统及方法 |
CN109840667A (zh) * | 2018-05-22 | 2019-06-04 | 南京邮电大学 | 一种基于脑电信号的二维心理坐标式过程性教学评价系统 |
CN109998522A (zh) * | 2019-02-27 | 2019-07-12 | 东南大学 | 一种基于穿戴式动态心电的运动负荷检测装置及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013157012A1 (en) * | 2012-04-20 | 2013-10-24 | Carmel-Haifa University Economic Corporation Ltd | System and method for monitoring and training attention allocation |
WO2014172775A1 (en) * | 2013-04-22 | 2014-10-30 | Personal Neuro Devices Inc. | Methods and devices for brain activity monitoring supporting mental state development and training |
US9655532B2 (en) * | 2015-06-19 | 2017-05-23 | Michael Blake | Wearable physiological monitoring and notification system based on real-time heart rate variability analysis |
-
2019
- 2019-12-13 CN CN201911279624.0A patent/CN110916631B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103584872A (zh) * | 2013-10-29 | 2014-02-19 | 燕山大学 | 一种基于多生理参数融合的心理压力评估方法 |
CN103793593A (zh) * | 2013-11-15 | 2014-05-14 | 吴一兵 | 第三种生命维护模式及长寿定量牵引信息交换方法和实现 |
CN103815902A (zh) * | 2013-11-22 | 2014-05-28 | 刘志勇 | 基于脑电频域特征指标化算法的课堂教学评估系统及方法 |
CN105147248A (zh) * | 2015-07-30 | 2015-12-16 | 华南理工大学 | 基于生理信息的抑郁症评估系统及其评估方法 |
CN105956623A (zh) * | 2016-05-04 | 2016-09-21 | 太原理工大学 | 一种基于模糊熵的癫痫脑电信号分类方法 |
CN108205731A (zh) * | 2016-12-20 | 2018-06-26 | 通用汽车环球科技运作有限责任公司 | 情境评估车辆系统 |
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 |
CN108537704A (zh) * | 2018-04-17 | 2018-09-14 | 深圳市心流科技有限公司 | 课堂评测方法、装置及计算机可读存储介质 |
CN108630043A (zh) * | 2018-04-26 | 2018-10-09 | 成都泰盟软件有限公司 | 脉搏传导检测教学设备系统 |
CN109840667A (zh) * | 2018-05-22 | 2019-06-04 | 南京邮电大学 | 一种基于脑电信号的二维心理坐标式过程性教学评价系统 |
CN108670276A (zh) * | 2018-05-29 | 2018-10-19 | 南京邮电大学 | 基于脑电信号的学习注意力评价系统 |
CN109241879A (zh) * | 2018-08-21 | 2019-01-18 | 北京工业大学 | 基于加权复合多尺度模糊熵的运动想象脑电信号的特征提取方法 |
CN109620262A (zh) * | 2018-12-12 | 2019-04-16 | 华南理工大学 | 一种基于可穿戴手环的情绪识别系统及方法 |
CN109512442A (zh) * | 2018-12-21 | 2019-03-26 | 杭州电子科技大学 | 一种基于LightGBM的EEG疲劳状态分类方法 |
CN109998522A (zh) * | 2019-02-27 | 2019-07-12 | 东南大学 | 一种基于穿戴式动态心电的运动负荷检测装置及方法 |
Non-Patent Citations (10)
Title |
---|
Applying Improved Multiscale Fuzzy Entropy for Feature Extraction of MI-EEG;Li, Ming-ai;Liu, Hai-na;Zhu, Wei;《APPLIED SCIENCES-BASEL》;20170131;第7卷(第1期);全文 * |
Dissimilarity measure based on ordinal pattern for physiological signals;Wang, Jing;Shang, Pengjian;Shi, Wenbin;Cui, Xingran;《COMMUNICATIONS IN NONLINEAR SCIENCE AND NUMERICAL SIMULATION》;20160831;第37卷;全文 * |
Frontal alpha asymmetry predicts inhibitory processing in youth with attention deficit/hyperactivity disorder;Alissa J. Ellis,Chantelle Kinzel,Giulia C. Salgari,Sandra K.;《Neuropsychologia》;20171231;全文 * |
Identification of Auditory Object-Specific Attention from Single-Trial Electroencephalogram Signals via Entropy Measures and Machine Learning;Lu, Yun;Wang, Mingjiang;Zhang, Qiquan;《ENTROPY》;20180531;第20卷(第5期);全文 * |
Shao, Xuexiao ; Hu, Bin ; Li, Yalin.A Study of Sleep Stages Threshold Based on Multiscale Fuzzy Entropy.《Lecture Notes in Computer Science》.2018,第11336卷第239-248页. * |
基于光子晶体编码载体的多元分析技术;顾忠泽 赵祥伟 赵远锦 许茜 葛丽芹;《万方》;20130815;全文 * |
基于多尺度模糊熵的脑电信号特征提取方法;傅炜东,罗志增,任通.;《航天医学与医学工程》;20181231;第31卷(第3期);全文 * |
基于脑电多尺度非线性分析的睡眠分期研究;顿士君;《万方》;20170726;全文 * |
脑电多尺度熵用于睡意检测的初步研究;王瑶,黄国睿,谢康宁;《医疗卫生装备》;20161231;第37卷(第12期);全文 * |
脑电注意水平的特征识别;徐鲁强,刘静霞,肖光灿,金炜东;《计算机应用》;20121231;第32卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110916631A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110916631B (zh) | 基于可穿戴生理信号监测的学生课堂学习状态评测系统 | |
CN106886792B (zh) | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 | |
CN103584872B (zh) | 一种基于多生理参数融合的心理压力评估方法 | |
CN101690659B (zh) | 脑电波分析方法 | |
CN111544015B (zh) | 基于认知力的操控工效分析方法、设备及系统 | |
CN111598451B (zh) | 基于任务执行能力的操控工效分析方法、设备及系统 | |
CN111329474A (zh) | 基于深度学习的脑电身份识别方法、系统及信息更新方法 | |
CN113662545B (zh) | 一种基于情绪脑电信号和多任务学习的人格评估方法 | |
CN104173046A (zh) | 一种色彩标记振幅整合脑电图的提取方法 | |
CN113951903B (zh) | 基于脑电数据测定的高速铁路调度员超负荷状态识别方法 | |
CN112806994A (zh) | 一种基于生理信号预测个体压力应对方式的系统和方法 | |
CN113349780A (zh) | 一种情绪设计对在线学习认知负荷影响的评估方法 | |
CN115659207A (zh) | 一种脑电情绪识别方法及系统 | |
CN111067513A (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
Nirabi et al. | Machine Learning-Based Stress Level Detection from EEG Signals | |
CN113269084B (zh) | 基于观众群体情感神经相似性的影视剧市场预测方法及系统 | |
CN112932508B (zh) | 一种基于手臂肌电网络的手指活动识别系统 | |
Cecotti et al. | Suboptimal sensor subset evaluation in a p300 brain-computer interface | |
Saputra et al. | Identification of human stress based on eeg signals using machine learning | |
Rudas et al. | On activity identification pipelines for a low-accuracy EEG device | |
Patel et al. | Performance analysis of convolutional neural network based EEG epileptic seizure classification in presence of ocular artifacts | |
Peya et al. | ASD detection using Higuchi’s fractal dimension from EEG | |
Jyothirmy et al. | Stress Monitoring in Humans using Biomedical Signal Analysis | |
CN110781719A (zh) | 非接触式与接触式协同的心理状态智能监测系统 | |
Worasawate et al. | CNN Classification of Finger Movements using Spectrum Analysis of sEMG Signals |
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 |