CN111638790A - 一种基于tgam芯片的脑电数据反馈的专注度优化方法 - Google Patents
一种基于tgam芯片的脑电数据反馈的专注度优化方法 Download PDFInfo
- Publication number
- CN111638790A CN111638790A CN202010489096.8A CN202010489096A CN111638790A CN 111638790 A CN111638790 A CN 111638790A CN 202010489096 A CN202010489096 A CN 202010489096A CN 111638790 A CN111638790 A CN 111638790A
- Authority
- CN
- China
- Prior art keywords
- data
- concentration
- packet
- degree
- region
- 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.)
- Granted
Links
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及脑‑机接口技术,其公开了一种基于TGAM芯片的脑电数据反馈的专注度优化方法,解决传统TGAM芯片输出的专注度数据存在波动大、准确性低的问题。该方法包括:A、接收TGAM芯片的输出数据,判断数据包的类型,若为小包数据,则进入步骤B,若为大包数据,则进入步骤C;B、对小包数据进行解析获取原始数据,利用原始数据的波动来检测使用者的眨眼动作,计算眨眼频率;C、对大包数据进行提取和筛选,提取有效专注度数据;D、利用步骤B中计算的所述眨眼频率对提取的有效专注度数据进行优化,并分级输出。
Description
技术领域
本发明涉及脑-机接口(Brain-Computer Interface,BCI)技术,具体涉及一种基于TGAM(蓝牙脑电模块)芯片的脑电数据反馈的专注度优化方法。
背景技术
近年来,一种与人类的意念、思维和意识等相关概念为基础的控制系统发展迅速。这种系统与传统的计算机控制系统的区别在于它直接以人脑为核心,以脑电信号(Electroencephalogram,EEG)为基础进行数据分析。此类通过人脑对相应系统进行控制的方式又称之为脑-机接口(Brain-computer Interface,BCI)。
1875年,Richard等在对暴露的家兔脑的研究时首次发现了脑电。1924年,Hans首次发表了头皮信号追踪到EEG的论文。尽管脑电的发现距今已有一百多年,但在早期研究中,因为脑的意念、思维等活动所产生的信号,通常比EEG波幅低很多,所以大多信号被淹没在自发电位之中。仅根据最原始EEG,研究人员不太可能取得被测试者的“特异性感觉和复杂认知的一些信息”。
近年来,生物技术的重大突破和计算机技术的迅猛发展使脑电和脑机接口这个处于交叉学科领域的技术发展日新月异。随着事件相关电位(Event-related potential,ERP)、伴随负反应(Contingent negative variation,CNV)等脑电关键特点的发现,该技术逐渐从理想走到了现实。1999年,Nature首次发表了有关脑-机接口的文章。作为当时的标志性成果,该文章展现出慢皮层电位实现脑-机接口的搭建可用于拼写功能。
民用单节点便携性脑电设备是当今研究的热点方向,且在未来有较大发展潜力。美国神念科技(NeuroSky)的便携式脑电设备占据了大部分市场,该公司所有设备的核心都是TGAM模块及其封装算法,不同设备的区别只在于蓝牙版本、API类型以及数据接收方式。
目前已经有很多利用TGAM模块的研究成果,如:用意念控制俄罗斯方块的研究,意念四驱车,如用脑电对轮椅的控制以发展残疾人服务业。可见,此技术的应用领域十分广泛,除了传统的残疾人服务设备方面,还在游戏娱乐、VR环境、人机交互领域都有深远的应用潜力和使用价值。
尽管TGAM芯片的初代芯片早在2012年就已经面世,在此后的时间内经过一些算法更新,但效果仍然不尽人意。比如芯片自带算法计算出的专注度数据在现实应用中存在波动大,准确性低的问题。
发明内容
本发明所要解决的技术问题是:提出一种基于TGAM芯片的脑电数据反馈的专注度优化方法,解决传统TGAM芯片输出的专注度数据存在波动大、准确性低的问题。
本发明解决上述技术问题采用的技术方案是:
一种基于TGAM芯片的脑电数据反馈的专注度优化方法,包括:
A、接收TGAM芯片的输出数据,判断数据包的类型,若为小包数据,则进入步骤B,若为大包数据,则进入步骤C;
B、对小包数据进行解析获取原始数据,利用原始数据的波动来检测使用者的眨眼动作,计算眨眼频率;
C、对大包数据进行提取和筛选,提取有效专注度数据;
D、利用步骤B中计算的所述眨眼频率对提取的有效专注度数据进行优化,并分级输出。
作为进一步优化,步骤A中,通过蓝牙串口接收TGAM芯片的输出数据,通过包头来判断数据包的类型。
作为进一步优化,步骤B具体包括:
B1、检测小包数据的校验和是否正确,若正确,则进入步骤B2,否则,丢弃此数据包,返回步骤A;
B2、提取并计算原始数据,保存至Rawdata数组;
B3、通过Rawdata数组判断用户是否眨眼,若是,则进入步骤B4;否则,返回步骤A;
B4、计算本次眨眼与上一次眨眼之间的时间差,通过预先设置的眨眼频率的区域分割表判断此时的专注区域,并通过参数Blink_type进行记录。
作为进一步优化,步骤B3中,所述通过Rawdata数组判断用户是否眨眼,具体包括:
通过将Rawdata数组中记录的原始数据的变化值与阈值进行比较,若超过阈值,则判定为眨眼;所述阈值取1000。
作为进一步优化,步骤B4中,所述预先设置的眨眼频率的区域分割表中设有眨眼频率与对应专注区域和对应对专注度数据的补偿策略的映射关系,所述专注区域被划分为无效区、正常区、专注区和高度专注区。
作为进一步优化,所述步骤C具体包括:
C1、采用字节停顿的方式提取大包数据;
C2、检测大包数据的校验和是否正确,若正确,则进入步骤C3;否则,返回步骤C1;
C3、与上一个大包数据进行交叉验证,分别检测专注度和放松度是否一致,若否,则进入步骤C4,若是,则返回步骤C1;
C4、对数据进行噪声检测,若检测通过,则进入步骤C5,否则,返回步骤C1;
C5、基于专注度-放松度关系的边界检测机制,检测专注度对应的放松度是否在边界范围内,若是,则进入步骤C6,否则,返回步骤C1;
C6、提取并计算波值数据,对波值数据进行正则化处理后,基于波值-专注度关系的边界检测机制,判断专注度对应的波值是否有三种或以上的波值超出边界,若是,则返回步骤C1,否则,进入步骤C7;
C7、判定本次提取的专注度数据为有效专注度数据。
作为进一步优化,步骤C1中,在提取大包数据时,每提取一个字节停顿10us,提取36个字节共停顿350us。
作为进一步优化,步骤D具体包括:
D1、根据Blink_type记录的专注区域在所述眨眼频率的区域分割表中对应的专注度数据的补偿策略,对步骤C中提取的有效专注度数据进行补偿,计算结果保存至含有两个元素的Attention数组;所述两个元素中一个用于保存当前大包的专注度数据,另一个用于保存上一个大包数据的专注度数据;
D2、计算Attention数组中两个元素的平均值,对应至预先划分的专注度级别并输出。
作为进一步优化,所述预先划分的专注度级别包括:去除专注度空值区域后,将专注度划分为7个等级。
本发明的有益效果是:
对大包数据进行筛选、去除错误数据等优化,并提取有效专注度数据,对小包数据进行眨眼频率的检测,并通过眨眼频率反馈到对有效专注度数据的进一步优化;因此,经过本发明的二次优化后,不仅滤掉了噪声大时传输的错误数据,还能根据眨眼频率反过来增强专注度数据,使得优化后的专注度数据更加平稳与准确。
附图说明
图1为本发明中的专注度优化过程示意图;
图2为封装算法的专注度-放松度输出图像;
图3为验证实例中的学习(3a)、游戏(3b)两种场景下小包优化前后的随机提取的50组专注度值对比图;
图4为验证实例中的学习(4a)、游戏(4b)两种场景下的各专注度等级输出占比图。
具体实施方式
本发明旨在提出一种基于TGAM芯片的脑电数据反馈的专注度优化方法,解决传统TGAM芯片输出的专注度数据存在波动大、准确性低的问题。其核心思想是:通过对两种数据包(大包和小包)的分别优化来提高专注度数据表现力。其中大包优化主要包括通过在提取数据时,采用字节停顿的方式,以此保证大包数据的精确提取,另外我们通过噪声检测、交叉校验、校验和校验、专注度-放松度的边界检测、专注度-波值的边界检测等手段去除错误数据,从而提取有效的专注度数据;小包优化主要是通过解析出原始数据,并分析眨眼频率,将眨眼频率反馈于对大包提取的有效专注度数据的进一步优化上。采用本发明的方案,可以在不改变芯片本身的封装算法、与原封装算法在相同甚至更低延迟的情况下,显著提升专注度数据表现性,大大提升数据稳定性和准确性。
为便于理解,这里首先对TGAM芯片传输的数据包进行介绍:
对于TGAM芯片而言,其从内部锁死有线传输协议,只能使用蓝牙传输,传输的数据分为大包和小包,本文都用16进制表示。无论大包、小包都由三个部分组成:包头(Packetheader)、有效数据(Payload)、校验和(Checksum)。
其中,小包共8字节,每2ms传输一个;大包共36个字节,每512个小包之后传输一个大包。大包中的数据(除用于同步、校验和检测的数据之外)都是用之前512个小包中的原始数据(Raw data)计算后导出的结果。小包中,前两个字节的值为0xAA,用于数据同步;第三个字节的值是0x04,代表这个包是一个小包只有4个字节的有效数据,前三字节被称为包头,从第四个字节开始,除了校验和外所有的数据都被称为有效数据。
大包同样以两个0xAA开始,用于数据同步,第三个字节是0x20,代表有32个有效数据;前三个字节为包头,有效数据从第四个字节开始,专注度(Attention)和放松度(Meditation)数据分别位于第33和35字节,它们都是0-100的整数。但考虑到放松度这一标准在大部分时候的实用性并不如专注度,因此大部分使用TGAM模块进行的研究工作都只分析专注度。本发明的最终优化目的也只针对专注度。
具体实施上,如图1所示,本发明中的专注度优化过程可分为如下几个大的步骤:
S1、通过蓝牙串口接收TGAM芯片的数据,判断数据包类型;
S2、如检测为小包,进入小包优化(眨眼反馈)过程;
S3、如检测为大包,进入大包优化过程;
S4、结合两类优化,计算专注度数据并分级输出,返回至终端或输出到指定文件。
其中,在步骤S1中,可以通过收到的数据包的包头来判断数据包类型,比如:前三个字节为AA/AA/20为大包,AA/AA/04为小包。由于TGAM芯片的传输机制是先传512个小包后再传一个大包,因此,接收到的数据包绝大部分为小包数据。
在步骤S2中,我们对于小包数据采用以下方式优化:
S21、检测校验和是否正确;正确则进入下一步,错误,则丢弃此包,返回S1步骤继续检测判断;
S22、提取并计算原始数据,保存至Rawdata数组;具体实现时,可以使用包含两个元素的Rawdata数组记录原始数据的变化,该变化幅度将与眨眼检测的阈值进行比对。
S23、通过Rawdata数组判断用户是否眨眼,若是,则进入下一步;否定,返回S1步骤继续检测判断;
具体实现时,我们可以设置1000为眨眼检测的阈值,此阈值是我们通过上万样本的数据集分析所得来的。数据分析表明,当脑电信号正常时,原始数据数值会被限制在±550之内。最高值不超过528,最低值不低于-427,绝大部分(超过95%)都在±350之内。因此,即使原始数据出现一定程度的异动,差值也不会超过528+427=952,所以本算法设置1000为原始数据差值来检测眨眼信号是比较合理的。
即,当原始数据的变化幅度超过1000,基本可以判定为用户在眨眼,而用户没有眨眼动作时的脑电信号的原始数据是比较稳定的。
S24、计算两次眨眼之间的时间差,通过眨眼频率的区域分割表,判断此时的专注区域。
具体实现时,我们可以采用参数Blink_type来记录专注区域,这里的专注区域是预先划分好的区域分割表中对应区域,区域分割表如表1所示:
表1:眨眼频率的区域分割表:
频率(秒/次) | 区域 | 专注度处理方法 |
<2 | 无效区 | 无 |
2-4.81 | 正常区 | 加10 |
4.81-6.51 | 专注区 | 加(10+频率×0.8) |
6.51-8.33 | 高度专注区 | 加(10+频率×1.5) |
>8.33 | 无效区 | 无 |
从上表中可以看出:我们将眨眼频率对应的区域分割划分为4块区域,分别为无效区、正常区、专注区和高度专注区;之所以将过小和过大的频率设置为无效区是为了有效规避硬件或佩戴问题导致的采集错误。
由于眨眼本身导致的原始数据波动会使得专注度骤降。经过研究,大部分情况下,眨眼会使得下一个大包中的专注度数据有8-20的降低,再下一个会恢复正常。因此,我们在此表中设置了正常区、专注区和高度专注区对应的专注度数据处理策略;该策略即是用于对大包提取的专注度数据进行“补偿”,来使得数据贴近前一个大包。根据眨眼时刻的数据分析和实验反馈,本发明使用一个较低的反馈值10作为眨眼补偿的基数,加以频率和最值就构成了整个眨眼优化。
需要说明的是,之所以设置Blink_type来记录专注区域(比如:无效区、正常区、专注区、高度专注区分别对应到参数Blink_type的0-3),是因为检测到眨眼信号之后,系统不会马上修改专注度数据,而是将此参数保存,等待下一个大包数据到达之后,根据它的值再作修正。这样做相对于直接更新,一方面从根本上避免了下一个不正常专注度值的出现;另一方面,也规避了专注度数据返回频率的增高,带来的系统压力。
在步骤S3中,对于大包数据我们采用如下方式优化:
S31、按字节停顿方式提取大包数据;
大包数据提取是整个优化算法体系的基础。经过试验与调查发现,各种版本的官方开发包或开源代码,往往会遇到难以提取到大包数据的问题,具体表现为:3-4秒才输出一个大包(但理论上大包数据是每1026ms一个),或数据几秒钟不变。这是由于原始封装算法的缺陷,大包连续读取会丢失数据。因此,本发明采用每个字节读取后停顿的方式,这个停顿能保证大包每一个字节数据的精准提取。
为了不影响读取数据的准确性,设置的停顿时间要远远小于大包数据传输时间。经过测试,大包数据传输时间与小包数据类似,都是2ms传输一个,因此为了使得停顿不影响数据传输,本算法取10us。即提取完整个大包需要停顿350us。实验证明,这个停顿时间不会对数据传输的准确性产生任何影响。
S32、检测校验和是否正确,正确,则进入下一步;错误则丢弃此包,返回S1步骤继续检测判断;
S33、与上一个大包交叉验证,分别检测专注度和放松度是否一致,否定,则进入下一步;肯定则丢弃此包,返回S1步骤继续检测判断;
经过研究,在脑电设备正常佩戴条件下,没有一组数据的专注度和放松度与上一组同时一样,两个数据都一样的情况只存在于数据采集出现问题时。因此,采用交叉检验可以有效剔除由于硬件接触或噪音问题产生的错误数据。
S34、信号噪声(Poor Signal)检测,若检测为0,则进入下一步;不为0则丢弃此包,返回S1步骤继续检测判断;
S35、基于专注度-放松度关系的边界检测机制,检测专注度对应的放松度是否在边界范围内,对于每一个对应的专注度数值,若该时刻输出的放松度在界限之内,则进入下一步;否则丢弃此包,返回S1步骤继续检测判断;
本步骤中,可使用Isolation Forest进行专注度异常点检测并勾勒决策边界。Isolation Forest是一种无监督异常检测方法,适用于连续数据。2008年,南京大学周志华教授等人首次提出Isolation Forest这个概念,2012年提出其改进版本标志着此算法的成熟。Isolation Forest利用二叉搜索树结构(又叫做“孤立树”)孤立样本,通过对样本点的孤立来检测异常值,这与通过距离,密度等量化指标来表示样本间的疏离程度的异常点检测算法不同。由于TGAM芯片中的专注度值大多处于正确范围之内,异常值的数量较少且与大部分样本有显著的差异性。因此,样本点的孤立会使得异常值会被更早的孤立出来,即异常值会距离的根节点更近,而正常值则会距离根节点有更远的距离。这就是本优化算法使用Isolation Forest进行数据上下界分析的重要原因。
S36、提取并计算波值数据,对波值数据进行正则化处理后,基于波值-专注度关系的边界检测机制,判断专注度对应的波值是否有三种或以上的波值超出边界,若是,则返回S1步骤继续检测判断,否则进入下一步骤;
脑电信号中的八个波值数据分别为Delta、Theta、Low-alpha、High-alpha、Low-beta、High-beta、Low-gamma、Mid-gamma,其分成三个字节(先传输低位)在大包中传输,需要人为拼接。在判定波值是否超出边界之前,先进行正则化处理,正则化会使得数据落在0-1之间,分析上下界比较便利和有效。
S37、判定本次提取的专注度数据为有效专注度数据。
在经过步骤S31-S36的处理后,提取出的专注度数据排除了错误数据的干扰,因此能够作为有效专注度数据。
在步骤S4中,所述结合两类优化,计算专注度数据并分级输出,具体包括:
S41、根据Blink_type对S3中提取的专注度进行补偿,计算结果保存至含有两个元素的Attention数组;
本步骤中,Attention由两个不断更新的专注度值组成,即当前时刻的专注度与上一大包的专注度,其一方面可以用于S33步骤中,交叉检测的数据调用;另一方面可以使得数据变化的更加平滑。
S42、计算Attention数组中两个元素的平均值,对应至预先划分的专注度级别并输出。
本步骤中,采用上一个大包的专注度与当前时刻大包的专注度求取平均值可以减少由于不稳定因素的影响造成专注度变化幅度过大的情况。关于专注度级别的划分,原封装算法输出的专注度和放松度数据其实被人为的分成了很多部分,无意义的空值区域会增大分析成本。如图2所示,空值区域是图2中不会出现的数据点,正是由于原封装算法将专注度等级划分太多以及未处理好空值区域的原因,造成其数据输出不稳定,分析成本也过高;因此,良好的专注度分级是优化数据、加强准确性与降低分析成本的必要步骤。
本发明基于对试验采集到的上万数据集的分析,寻求到一种较优的分级方式:
去除专注度空值区域后,将专注度划分为7个等级,如表2所示:
表2:专注度分级表
需要特别说明的是,上表中,专注度范围是专注度数据会出现的范围,此范围外不会有数据出现。与之对应的就是空值区域,但边界也属于一种空值区域,它是七个专注度等级的边界。放松度的上下界是使用Isolation Forest算法计算的放松度边界,超出边界的即为不正常数据。
验证实例:
为证明本优化算法的可靠性,设计如下实验:
记录两种特定应用场景中一定时间内的专注度变化,选择游戏、学习作为测试场景,分别对应间断专注、高度专注的情况。时间在20分钟左右,在不做任何处理的情况下,会采集约1170组专注度数据(约每1026ms传输一个),随机提取50组以做数据分析。
被测人员不应存在精神病史或服用过精神类药物,无癫痫病史等对脑波动影响较大的疾病。在实验前一晚,被要求经过良好的休息,试验前一天及当天不能摄入引起刺激或兴奋的饮品。
对实验环境,保证明亮和安静,尽量选择让被测人员舒适的环境进行。开始之前被试者被要求闭眼休息,先使得脑电数据达到低噪、稳定的状态,听工作人员吩咐再开始进行对应场景的测试。
测试结果如图3、4所示。图3中的数据都经过大包优化,其中Attention_Cal是经过小包优化(眨眼反馈)的结果。可以看出,由于大包优化已经剔除了绝大部分因为硬件、微表情和环境等原因造成的错误数据,而小包优化让专注度变化的更加平缓而精确,几乎未出现非正常猛升或骤降。图4是两种情景专注度等级,分级后能明显看出,总体来说学习时的专注度比游戏时要高的多,且等级分布本身也符合正态分布原则,可见本算法结果符合预期与被测试者主观期望。也未有跨两个及以上等级变化,或其他非正常变化的情况,可以稳定的反映被测试者的专注度变化趋势。
Claims (9)
1.一种基于TGAM芯片的脑电数据反馈的专注度优化方法,其特征在于,包括:
A、接收TGAM芯片的输出数据,判断数据包的类型,若为小包数据,则进入步骤B,若为大包数据,则进入步骤C;
B、对小包数据进行解析获取原始数据,利用原始数据的波动来检测使用者的眨眼动作,计算眨眼频率;
C、对大包数据进行提取和筛选,提取有效专注度数据;
D、利用步骤B中计算的所述眨眼频率对提取的有效专注度数据进行优化,并分级输出。
2.如权利要求1所述的一种基于TGAM芯片的脑电数据反馈的专注度优化方法,
其特征在于,步骤A中,通过蓝牙串口接收TGAM芯片的输出数据,通过包头来判断数据包的类型。
3.如权利要求1所述的一种基于TGAM芯片的脑电数据反馈的专注度优化方法,
其特征在于,步骤B具体包括:
B1、检测小包数据的校验和是否正确,若正确,则进入步骤B2,否则,丢弃此数据包,返回步骤A;
B2、提取并计算原始数据,保存至Rawdata数组;
B3、通过Rawdata数组判断用户是否眨眼,若是,则进入步骤B4;否则,返回步骤A;
B4、计算本次眨眼与上一次眨眼之间的时间差,通过预先设置的眨眼频率的区域分割表判断此时的专注区域,并通过参数Blink_type进行记录。
4.如权利要求3所述的一种基于TGAM芯片的脑电数据反馈的专注度优化方法,
其特征在于,步骤B3中,所述通过Rawdata数组判断用户是否眨眼,具体包括:
通过将Rawdata数组中记录的原始数据的变化值与阈值进行比较,若超过阈值,则判定为眨眼;所述阈值取1000。
5.如权利要求3所述的一种基于TGAM芯片的脑电数据反馈的专注度优化方法,
其特征在于,步骤B4中,所述预先设置的眨眼频率的区域分割表中设有眨眼频率与对应专注区域和对应对专注度数据的补偿策略的映射关系,所述专注区域被划分为无效区、正常区、专注区和高度专注区。
6.如权利要求3所述的一种基于TGAM芯片的脑电数据反馈的专注度优化方法,其特征在于,所述步骤C具体包括:
C1、采用字节停顿的方式提取大包数据;
C2、检测大包数据的校验和是否正确,若正确,则进入步骤C3;否则,返回步骤C1;
C3、与上一个大包数据进行交叉验证,分别检测专注度和放松度是否一致,若否,则进入步骤C4,若是,则返回步骤C1;
C4、对数据进行噪声检测,若检测通过,则进入步骤C5,否则,返回步骤C1;
C5、基于专注度-放松度关系的边界检测机制,检测专注度对应的放松度是否在边界范围内,若是,则进入步骤C6,否则,返回步骤C1;
C6、提取并计算波值数据,对波值数据进行正则化处理后,基于波值-专注度关系的边界检测机制,判断专注度对应的波值是否有三种或以上的波值超出边界,若是,则返回步骤C1,否则,进入步骤C7;
C7、判定本次提取的专注度数据为有效专注度数据。
7.如权利要求6所述的一种基于TGAM芯片的脑电数据反馈的专注度优化方法,其特征在于,步骤C1中,在提取大包数据时,每提取一个字节停顿10us,提取36个字节共停顿350us。
8.如权利要求6所述的一种基于TGAM芯片的脑电数据反馈的专注度优化方法,其特征在于,步骤D具体包括:
D1、根据Blink_type记录的专注区域在所述眨眼频率的区域分割表中对应的专注度数据的补偿策略,对步骤C中提取的有效专注度数据进行补偿,计算结果保存至含有两个元素的Attention数组;所述两个元素中一个用于保存当前大包的专注度数据,另一个用于保存上一个大包数据的专注度数据;
D2、计算Attention数组中两个元素的平均值,对应至预先划分的专注度级别并输出。
9.如权利要求1-8任意一项所述的一种基于TGAM芯片的脑电数据反馈的专注度优化方法,其特征在于,所述预先划分的专注度级别包括:去除专注度空值区域后,将专注度划分为7个等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489096.8A CN111638790B (zh) | 2020-06-02 | 2020-06-02 | 一种基于tgam芯片的脑电数据反馈的专注度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489096.8A CN111638790B (zh) | 2020-06-02 | 2020-06-02 | 一种基于tgam芯片的脑电数据反馈的专注度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111638790A true CN111638790A (zh) | 2020-09-08 |
CN111638790B CN111638790B (zh) | 2021-08-24 |
Family
ID=72330382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010489096.8A Active CN111638790B (zh) | 2020-06-02 | 2020-06-02 | 一种基于tgam芯片的脑电数据反馈的专注度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111638790B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116661609A (zh) * | 2023-07-27 | 2023-08-29 | 之江实验室 | 一种认知康复训练方法、装置、存储介质及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107168529A (zh) * | 2017-04-26 | 2017-09-15 | 深圳市明德智慧教育科技有限公司 | 用户状态的监测及调控方法及头戴式设备 |
CN108388343A (zh) * | 2018-02-26 | 2018-08-10 | 天津智空科技有限公司 | 基于专注度的脑电特征反馈对vr沉浸教学管理系统 |
CN108836323A (zh) * | 2018-05-08 | 2018-11-20 | 河南省安信科技发展有限公司 | 一种基于脑电波分析的学习状态监测系统及其使用方法 |
CN208239992U (zh) * | 2018-06-22 | 2018-12-14 | 钧古科技(北京)有限责任公司 | 基于脑电波与人体姿态控制的第一视角可变轨道车系统 |
US20190083493A1 (en) * | 2015-01-14 | 2019-03-21 | Children's Hospital Medical Center | Compositions and methods for treatment of fragile x syndrome |
CN109999314A (zh) * | 2019-05-15 | 2019-07-12 | 江南大学 | 一种基于脑电波监测智能助眠系统及其睡眠耳机 |
CN110151199A (zh) * | 2019-03-29 | 2019-08-23 | 江苏理工学院 | 一种基于脑电信号的家教辅助系统 |
-
2020
- 2020-06-02 CN CN202010489096.8A patent/CN111638790B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190083493A1 (en) * | 2015-01-14 | 2019-03-21 | Children's Hospital Medical Center | Compositions and methods for treatment of fragile x syndrome |
CN107168529A (zh) * | 2017-04-26 | 2017-09-15 | 深圳市明德智慧教育科技有限公司 | 用户状态的监测及调控方法及头戴式设备 |
CN108388343A (zh) * | 2018-02-26 | 2018-08-10 | 天津智空科技有限公司 | 基于专注度的脑电特征反馈对vr沉浸教学管理系统 |
CN108836323A (zh) * | 2018-05-08 | 2018-11-20 | 河南省安信科技发展有限公司 | 一种基于脑电波分析的学习状态监测系统及其使用方法 |
CN208239992U (zh) * | 2018-06-22 | 2018-12-14 | 钧古科技(北京)有限责任公司 | 基于脑电波与人体姿态控制的第一视角可变轨道车系统 |
CN110151199A (zh) * | 2019-03-29 | 2019-08-23 | 江苏理工学院 | 一种基于脑电信号的家教辅助系统 |
CN109999314A (zh) * | 2019-05-15 | 2019-07-12 | 江南大学 | 一种基于脑电波监测智能助眠系统及其睡眠耳机 |
Non-Patent Citations (2)
Title |
---|
M. ANTONIO等: ""Spontaneous eye blink rate: an index of dopaminergic component of sustained attention and fatigue"", 《 INTERNATIONAL JOURNAL OF PSYCHOPHYSIOLOGY : OFFICIAL JOURNAL OF THE INTERNATIONAL ORGANIZATION OF PSYCHOPHYSIOLOGY》 * |
孙宇: ""基于脑—机接口的驾驶员疲劳度检测预警系统研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116661609A (zh) * | 2023-07-27 | 2023-08-29 | 之江实验室 | 一种认知康复训练方法、装置、存储介质及电子设备 |
CN116661609B (zh) * | 2023-07-27 | 2024-03-01 | 之江实验室 | 一种认知康复训练方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111638790B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brihadiswaran et al. | EEG-based processing and classification methodologies for autism spectrum disorder: A review | |
EP3777674A1 (en) | Time series data learning and analyzing method using artificial intelligence | |
Buscema et al. | The IFAST model allows the prediction of conversion to Alzheimer disease in patients with mild cognitive impairment with high degree of accuracy | |
Chuang et al. | IC-U-Net: a U-Net-based denoising autoencoder using mixtures of independent components for automatic EEG artifact removal | |
CN110037693A (zh) | 一种基于面部表情和eeg的情绪分类方法 | |
Migliorelli et al. | SGM: a novel time-frequency algorithm based on unsupervised learning improves high-frequency oscillation detection in epilepsy | |
WO2022135449A1 (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN111638790B (zh) | 一种基于tgam芯片的脑电数据反馈的专注度优化方法 | |
CN114533086A (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN114366124A (zh) | 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法 | |
CN114190897B (zh) | 睡眠分期模型的训练方法、睡眠分期方法及装置 | |
Zhang et al. | DWT-Net: Seizure detection system with structured EEG montage and multiple feature extractor in convolution neural network | |
CN114557708A (zh) | 基于脑电双特征融合的体感刺激意识检测装置和方法 | |
CN117457229A (zh) | 基于人工智能的麻醉深度监测系统及方法 | |
Zhong et al. | A sleep stage classification algorithm of wearable system based on multiscale residual convolutional neural network | |
CN108078563A (zh) | 一种集成分类器的eeg信号分析方法 | |
CN115736920A (zh) | 基于双模态融合的抑郁状态识别方法及系统 | |
CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
CN116035577A (zh) | 一种结合注意力机制与crnn的脑电情感识别方法 | |
CN113171102B (zh) | 基于持续深度学习的ecg数据分类方法 | |
CN114970641A (zh) | 情感类别的识别方法、装置、处理器及电子设备 | |
Dan et al. | Sensor selection and miniaturization limits for detection of interictal epileptiform discharges with wearable EEG | |
CN112989971A (zh) | 一种不同数据源的心电数据融合方法及装置 | |
CN111128387A (zh) | 建立癫痫发作检测模型的方法和设备 | |
Saibene et al. | The evolution of AI approaches for motor imagery EEG-based BCIs |
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 |