CN112336353B - 一种基于舒尔特方格与lstm的多级注意力分级方法 - Google Patents

一种基于舒尔特方格与lstm的多级注意力分级方法 Download PDF

Info

Publication number
CN112336353B
CN112336353B CN202011214299.2A CN202011214299A CN112336353B CN 112336353 B CN112336353 B CN 112336353B CN 202011214299 A CN202011214299 A CN 202011214299A CN 112336353 B CN112336353 B CN 112336353B
Authority
CN
China
Prior art keywords
operator touches
controller
operator
attention
touch screen
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
Application number
CN202011214299.2A
Other languages
English (en)
Other versions
CN112336353A (zh
Inventor
王湃
吴凡
乔详
郭春勇
谢双强
秦学斌
汪梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN202011214299.2A priority Critical patent/CN112336353B/zh
Publication of CN112336353A publication Critical patent/CN112336353A/zh
Application granted granted Critical
Publication of CN112336353B publication Critical patent/CN112336353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Psychiatry (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • User Interface Of Digital Computer (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舒尔特方格与LSTM的多级注意力分级方法，包括步骤：一、获取有效注意力样本数据；二、有效注意力样本数据的预处理；三、均值化预处理后的有效注意力样本数据的去噪；四、构建注意力样本数据库；五、LSTM深度神经网络的训练；六、多级注意力的分级。本发明构建舒尔特方格的注意力采集范式，量化检验指标，提升数据客观性，采用原始脑波数据，保证数据完整性，训练LSTM深度神经网络分级模型，对注意力进行多级分级，预留注意力测试样本数据集合验证注意力等级分级效果，完全可以表征不同注意力水平，保留脑电信号的时序信号的特征提取，极大提高识别准确率。

Description

一种基于舒尔特方格与LSTM的多级注意力分级方法
技术领域
本发明属于多级注意力分级技术领域，具体涉及一种基于舒尔特方格与LSTM的多级注意力分级方法。
背景技术
注意力问题一直是驾驶员、飞行员等面临的首要问题，一旦他们的注意力分散，就会造成严重的交通事故。通过对驾驶员的不同注意状态进行监测并预警能够降低事故的发生率。找到能够准确地区分不同注意力水平的特征参数，不仅有助于建立能够调控人的注意力水平的生物反馈系统，而且有益于与注意力相关的脑神经疾病的诊断和治疗。现有的注意力研究已经有很大的进步，但仍存在如下问题：第一，现有注意力研究大多为注意力与非注意力两级的区分，无法进行多级注意力区分的研究，对注意力应用受到局限；第二，注意力采集范式没有量化的指标，注意力数据不够客观，不同注意类型数据采集和标注困难；第三，现有大多注意力特征提取算法采用脑电信号中的某些特定频段数据，拟合注意力模型，这样的做法损失了有效信息，表征注意力不准确；第四，现有注意力研究缺少对脑电信号的时序信号的特征提取，识别准确率有待提高。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于舒尔特方格与LSTM的多级注意力分级方法，其设计新颖合理，构建舒尔特方格的注意力采集范式，量化检验指标，提升数据客观性，采用原始脑波数据，保证数据完整性，训练LSTM深度神经网络分级模型，对注意力进行多级分级，预留注意力测试样本数据集合验证注意力等级分级效果，完全可以表征不同注意力水平，保留脑电信号的时序信号的特征提取，极大提高识别准确率，便于推广使用。
为解决上述技术问题，本发明采用的技术方案是：1.一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于该方法包括以下步骤：
步骤一、获取有效注意力样本数据，过程如下：
步骤101、建立注意力样本数据获取平台，所述注意力样本数据获取平台包括执行操作平台和用于采集操作人员脑电信号的脑电信号采集设备；
所述执行操作平台包括控制器以及均与所述控制器连接的触摸屏和计时器；
步骤102、利用控制器建立5×5的舒尔特方格，并通过触摸屏显示，佩戴脑电信号采集设备；
步骤103、注意力样本获取平台进行初始化，将1至25以随机分布方式输入至5×5的舒尔特方格中，并显示在触摸屏中；
步骤104、操作人员按照1至25的顺序将触摸屏中显示的数字依次触碰完毕，实现一次测试过程；
步骤105、输出操作人员操作所用时间，当操作所用时间为0＜t≤Δ1时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将该有效注意力样本数据标记为高注意力样本数据，并保留该有效注意力样本数据；
当操作所用时间为Δ2≤t≤Δ3时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将该有效注意力样本数据标记为中注意力样本数据，并保留该有效注意力样本数据；
当操作所用时间为t≥Δ4时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将该有效注意力样本数据标记为低注意力样本数据，并保留该有效注意力样本数据；
当操作所用时间为Δ1＜t＜Δ2或Δ3＜t＜Δ4时，脑电信号采集设备采集操作人员的注意力样本数据为无效注意力样本数据，舍弃该无效注意力样本数据；
其中，Δ1为高注意力用时阈值，Δ2为中注意力用时阈值下限，Δ3为中注意力用时阈值上限，Δ4为低注意力用时阈值，且Δ1＜Δ2＜Δ3＜Δ4；
步骤106、利用多个操作人员分别执行步骤103至步骤105，获取多个有效注意力样本数据，有效注意力样本数据的数量不少于2000个且至少2000个有效注意力样本数据包含高注意力样本数据、中注意力样本数据和低注意力样本数据；
步骤二、有效注意力样本数据的预处理：对每个有效注意力样本数据进行均值化预处理；
步骤三、均值化预处理后的有效注意力样本数据的去噪：利用小波包分解对均值化预处理后的有效注意力样本数据进行去噪；
步骤四、构建注意力样本数据库：对均值化预处理且去噪后的有效注意力样本数据构建注意力样本数据库；
步骤五、LSTM深度神经网络的训练，过程如下：
步骤501、对注意力样本数据库进行随机分类，获得注意力训练样本数据集合和注意力测试样本数据集合；
步骤502、在注意力训练样本数据集合中调取一个注意力训练样本数据，输入至LSTM深度神经网络中，对LSTM深度神经网络进行一次训练；
步骤503、循环步骤502，直至注意力训练样本数据集合中的注意力训练样本数据调取完毕，完成LSTM深度神经网络训练过程；
步骤六、多级注意力的分级：在注意力测试样本数据集合中调取注意力测试样本数据，输入至训练完成的LSTM深度神经网络中，输出注意力的高、中、低级别。
上述的一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于：步骤104中，一次测试过程如下：
步骤1041、操作人员触碰触摸屏中的数字1，控制器判断操作人员触碰的是否为数字1，当控制器识别操作人员触碰的是数字1时，执行步骤1042；当控制器识别操作人员触碰的不是数字1时，触摸屏警示提醒操作人员操作错误，需重新输入数字1，直至控制器识别到数字1对应的信号指令；
步骤1042、操作人员触碰触摸屏中的数字2，控制器判断操作人员触碰的是否为数字2，当控制器识别操作人员触碰的是数字2时，执行步骤1043；当控制器识别操作人员触碰的不是数字2时，触摸屏警示提醒操作人员操作错误，需重新输入数字2，直至控制器识别到数字2对应的信号指令；
步骤1043、操作人员触碰触摸屏中的数字3，控制器判断操作人员触碰的是否为数字3，当控制器识别操作人员触碰的是数字3时，执行步骤1044；当控制器识别操作人员触碰的不是数字3时，触摸屏警示提醒操作人员操作错误，需重新输入数字3，直至控制器识别到数字3对应的信号指令；
步骤1044、操作人员触碰触摸屏中的数字4，控制器判断操作人员触碰的是否为数字4，当控制器识别操作人员触碰的是数字4时，执行步骤1045；当控制器识别操作人员触碰的不是数字4时，触摸屏警示提醒操作人员操作错误，需重新输入数字4，直至控制器识别到数字4对应的信号指令；
步骤1045、操作人员触碰触摸屏中的数字5，控制器判断操作人员触碰的是否为数字5，当控制器识别操作人员触碰的是数字5时，执行步骤1046；当控制器识别操作人员触碰的不是数字5时，触摸屏警示提醒操作人员操作错误，需重新输入数字5，直至控制器识别到数字5对应的信号指令；
步骤1046、操作人员触碰触摸屏中的数字6，控制器判断操作人员触碰的是否为数字6，当控制器识别操作人员触碰的是数字6时，执行步骤1047；当控制器识别操作人员触碰的不是数字6时，触摸屏警示提醒操作人员操作错误，需重新输入数字6，直至控制器识别到数字6对应的信号指令；
步骤1047、操作人员触碰触摸屏中的数字7，控制器判断操作人员触碰的是否为数字7，当控制器识别操作人员触碰的是数字7时，执行步骤1048；当控制器识别操作人员触碰的不是数字7时，触摸屏警示提醒操作人员操作错误，需重新输入数字7，直至控制器识别到数字7对应的信号指令；
步骤1048、操作人员触碰触摸屏中的数字8，控制器判断操作人员触碰的是否为数字8，当控制器识别操作人员触碰的是数字8时，执行步骤1049；当控制器识别操作人员触碰的不是数字8时，触摸屏警示提醒操作人员操作错误，需重新输入数字8，直至控制器识别到数字8对应的信号指令；
步骤1049、操作人员触碰触摸屏中的数字9，控制器判断操作人员触碰的是否为数字9，当控制器识别操作人员触碰的是数字9时，执行步骤10410；当控制器识别操作人员触碰的不是数字9时，触摸屏警示提醒操作人员操作错误，需重新输入数字9，直至控制器识别到数字9对应的信号指令；
步骤10410、操作人员触碰触摸屏中的数字10，控制器判断操作人员触碰的是否为数字10，当控制器识别操作人员触碰的是数字10时，执行步骤10411；当控制器识别操作人员触碰的不是数字10时，触摸屏警示提醒操作人员操作错误，需重新输入数字10，直至控制器识别到数字10对应的信号指令；
步骤10411、操作人员触碰触摸屏中的数字11，控制器判断操作人员触碰的是否为数字11，当控制器识别操作人员触碰的是数字11时，执行步骤10412；当控制器识别操作人员触碰的不是数字11时，触摸屏警示提醒操作人员操作错误，需重新输入数字11，直至控制器识别到数字11对应的信号指令；
步骤10412、操作人员触碰触摸屏中的数字12，控制器判断操作人员触碰的是否为数字12，当控制器识别操作人员触碰的是数字12时，执行步骤10413；当控制器识别操作人员触碰的不是数字12时，触摸屏警示提醒操作人员操作错误，需重新输入数字12，直至控制器识别到数字12对应的信号指令；
步骤10413、操作人员触碰触摸屏中的数字13，控制器判断操作人员触碰的是否为数字13，当控制器识别操作人员触碰的是数字13时，执行步骤10414；当控制器识别操作人员触碰的不是数字13时，触摸屏警示提醒操作人员操作错误，需重新输入数字13，直至控制器识别到数字13对应的信号指令；
步骤10414、操作人员触碰触摸屏中的数字14，控制器判断操作人员触碰的是否为数字14，当控制器识别操作人员触碰的是数字14时，执行步骤10415；当控制器识别操作人员触碰的不是数字14时，触摸屏警示提醒操作人员操作错误，需重新输入数字14，直至控制器识别到数字14对应的信号指令；
步骤10415、操作人员触碰触摸屏中的数字15，控制器判断操作人员触碰的是否为数字15，当控制器识别操作人员触碰的是数字15时，执行步骤10416；当控制器识别操作人员触碰的不是数字15时，触摸屏警示提醒操作人员操作错误，需重新输入数字15，直至控制器识别到数字15对应的信号指令；
步骤10416、操作人员触碰触摸屏中的数字16，控制器判断操作人员触碰的是否为数字16，当控制器识别操作人员触碰的是数字16时，执行步骤10417；当控制器识别操作人员触碰的不是数字16时，触摸屏警示提醒操作人员操作错误，需重新输入数字16，直至控制器识别到数字16对应的信号指令；
步骤10417、操作人员触碰触摸屏中的数字17，控制器判断操作人员触碰的是否为数字17，当控制器识别操作人员触碰的是数字17时，执行步骤10418；当控制器识别操作人员触碰的不是数字17时，触摸屏警示提醒操作人员操作错误，需重新输入数字17，直至控制器识别到数字17对应的信号指令；
步骤10418、操作人员触碰触摸屏中的数字18，控制器判断操作人员触碰的是否为数字18，当控制器识别操作人员触碰的是数字18时，执行步骤10419；当控制器识别操作人员触碰的不是数字18时，触摸屏警示提醒操作人员操作错误，需重新输入数字18，直至控制器识别到数字18对应的信号指令；
步骤10419、操作人员触碰触摸屏中的数字19，控制器判断操作人员触碰的是否为数字19，当控制器识别操作人员触碰的是数字19时，执行步骤10420；当控制器识别操作人员触碰的不是数字19时，触摸屏警示提醒操作人员操作错误，需重新输入数字19，直至控制器识别到数字19对应的信号指令；
步骤10420、操作人员触碰触摸屏中的数字20，控制器判断操作人员触碰的是否为数字20，当控制器识别操作人员触碰的是数字20时，执行步骤10421；当控制器识别操作人员触碰的不是数字20时，触摸屏警示提醒操作人员操作错误，需重新输入数字20，直至控制器识别到数字20对应的信号指令；
步骤10421、操作人员触碰触摸屏中的数字21，控制器判断操作人员触碰的是否为数字21，当控制器识别操作人员触碰的是数字21时，执行步骤10422；当控制器识别操作人员触碰的不是数字21时，触摸屏警示提醒操作人员操作错误，需重新输入数字21，直至控制器识别到数字21对应的信号指令；
步骤10422、操作人员触碰触摸屏中的数字22，控制器判断操作人员触碰的是否为数字22，当控制器识别操作人员触碰的是数字22时，执行步骤10423；当控制器识别操作人员触碰的不是数字22时，触摸屏警示提醒操作人员操作错误，需重新输入数字22，直至控制器识别到数字22对应的信号指令；
步骤10423、操作人员触碰触摸屏中的数字23，控制器判断操作人员触碰的是否为数字23，当控制器识别操作人员触碰的是数字23时，执行步骤10424；当控制器识别操作人员触碰的不是数字23时，触摸屏警示提醒操作人员操作错误，需重新输入数字23，直至控制器识别到数字23对应的信号指令；
步骤10424、操作人员触碰触摸屏中的数字24，控制器判断操作人员触碰的是否为数字24，当控制器识别操作人员触碰的是数字24时，执行步骤10425；当控制器识别操作人员触碰的不是数字24时，触摸屏警示提醒操作人员操作错误，需重新输入数字24，直至控制器识别到数字24对应的信号指令；
步骤10425、操作人员触碰触摸屏中的数字25，结束本次测试过程。
上述的一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于：步骤105中，高注意力用时阈值Δ1为30s，中注意力用时阈值下限Δ2为40s，中注意力用时阈值上限Δ3为50s，低注意力用时阈值Δ4为60s。
上述的一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于：步骤三中，利用DB30小波滤波器对均值化预处理后的有效注意力样本数据进行6层分解，使用Shannon熵得到小波包树，再重构得到0～30Hz的有效数据，实现均值化预处理后的有效注意力样本数据的去噪。
上述的一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于：所述脑电信号采集设备包括Emotiv传感器。
本发明与现有技术相比具有以下优点：
1、本发明建立注意力样本数据获取平台，基于舒尔特方格设计的脑电数据采集范式，利用执行操作平台采集操作操作人员在测试过程中查找正确信息所用时间，同时持续采集测试过程中操作人员的脑电信号，极大改进数据源准确性，获取不同等级注意力的标准数据化，舒尔特方格的注意力采集范式，量化检验指标，提升数据客观性，采用原始脑波数据，保证数据完整性，获取数据快捷，有效解决了不同类型数据采集与标注困难的问题，便于推广使用。
2、本发明通过将1至25以随机分布方式输入至5×5的舒尔特方格中，并显示在触摸屏中，操作人员按照1至25的顺序将触摸屏中显示的数字依次触碰完毕，当出现碰触错误时，警示提醒同时无法继续后续操作，规则严密，简单易行。
3、本发明方法步骤简单，对每个有效注意力样本数据进行均值化预处理，减少数据的复杂度，利用小波包分解对均值化预处理后的有效注意力样本数据进行去噪，小波包分解既可以对低频部分信号进行分解，也可以对高频部分进行分解，而且这种分解既无冗余，也无疏漏，所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析，另外，训练LSTM深度神经网络分级模型，对注意力进行多级分级，预留注意力测试样本数据集合验证注意力等级分级效果，完全可以表征不同注意力水平，保留脑电信号的时序信号的特征提取，极大提高识别准确率，对于现有只能进行注意力与非注意力两级的区分是一次极大的改进，便于推广使用。
综上所述，本发明构建舒尔特方格的注意力采集范式，量化检验指标，提升数据客观性，采用原始脑波数据，保证数据完整性，训练LSTM深度神经网络分级模型，对注意力进行多级分级，预留注意力测试样本数据集合验证注意力等级分级效果，完全可以表征不同注意力水平，保留脑电信号的时序信号的特征提取，极大提高识别准确率，便于推广使用。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的电路原理框图。
具体实施方式
如图1所示，本发明一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于该方法包括以下步骤：
步骤一、获取有效注意力样本数据，过程如下：
步骤101、建立注意力样本数据获取平台，所述注意力样本数据获取平台包括执行操作平台和用于采集操作人员脑电信号的脑电信号采集设备；
所述执行操作平台包括控制器以及均与所述控制器连接的触摸屏和计时器；
步骤102、利用控制器建立5×5的舒尔特方格，并通过触摸屏显示，佩戴脑电信号采集设备；
步骤103、注意力样本获取平台进行初始化，将1至25以随机分布方式输入至5×5的舒尔特方格中，并显示在触摸屏中；
步骤104、操作人员按照1至25的顺序将触摸屏中显示的数字依次触碰完毕，实现一次测试过程；
需要说明的是，建立注意力样本数据获取平台，基于舒尔特方格设计的脑电数据采集范式，利用执行操作平台采集操作操作人员在测试过程中查找正确信息所用时间，同时持续采集测试过程中操作人员的脑电信号，极大改进数据源准确性，获取不同等级注意力的标准数据化，舒尔特方格的注意力采集范式，量化检验指标，提升数据客观性，采用原始脑波数据，保证数据完整性，获取数据快捷，有效解决了不同类型数据采集与标注困难的问题。
实际使用中，通过将1至25以随机分布方式输入至5×5的舒尔特方格中，并显示在触摸屏中，操作人员按照1至25的顺序将触摸屏中显示的数字依次触碰完毕，当出现碰触错误时，警示提醒同时无法继续后续操作，规则严密，简单易行。
步骤105、输出操作人员操作所用时间，当操作所用时间为0＜t≤Δ1时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将该有效注意力样本数据标记为高注意力样本数据，并保留该有效注意力样本数据；
当操作所用时间为Δ2≤t≤Δ3时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将该有效注意力样本数据标记为中注意力样本数据，并保留该有效注意力样本数据；
当操作所用时间为t≥Δ4时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将该有效注意力样本数据标记为低注意力样本数据，并保留该有效注意力样本数据；
当操作所用时间为Δ1＜t＜Δ2或Δ3＜t＜Δ4时，脑电信号采集设备采集操作人员的注意力样本数据为无效注意力样本数据，舍弃该无效注意力样本数据；
其中，Δ1为高注意力用时阈值，Δ2为中注意力用时阈值下限，Δ3为中注意力用时阈值上限，Δ4为低注意力用时阈值，且Δ1＜Δ2＜Δ3＜Δ4；
步骤106、利用多个操作人员分别执行步骤103至步骤105，获取多个有效注意力样本数据，有效注意力样本数据的数量不少于2000个且至少2000个有效注意力样本数据包含高注意力样本数据、中注意力样本数据和低注意力样本数据；
步骤二、有效注意力样本数据的预处理：对每个有效注意力样本数据进行均值化预处理；
步骤三、均值化预处理后的有效注意力样本数据的去噪：利用小波包分解对均值化预处理后的有效注意力样本数据进行去噪；
步骤四、构建注意力样本数据库：对均值化预处理且去噪后的有效注意力样本数据构建注意力样本数据库；
步骤五、LSTM深度神经网络的训练，过程如下：
步骤501、对注意力样本数据库进行随机分类，获得注意力训练样本数据集合和注意力测试样本数据集合；
步骤502、在注意力训练样本数据集合中调取一个注意力训练样本数据，输入至LSTM深度神经网络中，对LSTM深度神经网络进行一次训练；
步骤503、循环步骤502，直至注意力训练样本数据集合中的注意力训练样本数据调取完毕，完成LSTM深度神经网络训练过程；
步骤六、多级注意力的分级：在注意力测试样本数据集合中调取注意力测试样本数据，输入至训练完成的LSTM深度神经网络中，输出注意力的高、中、低级别。
需要说明的是，对每个有效注意力样本数据进行均值化预处理，减少数据的复杂度，利用小波包分解对均值化预处理后的有效注意力样本数据进行去噪，小波包分解既可以对低频部分信号进行分解，也可以对高频部分进行分解，而且这种分解既无冗余，也无疏漏，所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析，另外，训练LSTM深度神经网络分级模型，对注意力进行多级分级，预留注意力测试样本数据集合验证注意力等级分级效果，完全可以表征不同注意力水平，保留脑电信号的时序信号的特征提取，极大提高识别准确率，对于现有只能进行注意力与非注意力两级的区分是一次极大的改进。
本实施例中，步骤104中，一次测试过程如下：
步骤1041、操作人员触碰触摸屏中的数字1，控制器判断操作人员触碰的是否为数字1，当控制器识别操作人员触碰的是数字1时，执行步骤1042；当控制器识别操作人员触碰的不是数字1时，触摸屏警示提醒操作人员操作错误，需重新输入数字1，直至控制器识别到数字1对应的信号指令；
需要说明的是，当控制器识别操作人员触碰的不是数字1时，触摸屏警示提醒操作人员操作错误，操作人员重新选取输入数据，当重新选取的数字不是1时，再次警示提醒操作人员操作错误，直至控制器识别到数字1对应的信号指令，指令严密；后续数字碰触过程与此相同，不再赘述。
步骤1042、操作人员触碰触摸屏中的数字2，控制器判断操作人员触碰的是否为数字2，当控制器识别操作人员触碰的是数字2时，执行步骤1043；当控制器识别操作人员触碰的不是数字2时，触摸屏警示提醒操作人员操作错误，需重新输入数字2，直至控制器识别到数字2对应的信号指令；
步骤1043、操作人员触碰触摸屏中的数字3，控制器判断操作人员触碰的是否为数字3，当控制器识别操作人员触碰的是数字3时，执行步骤1044；当控制器识别操作人员触碰的不是数字3时，触摸屏警示提醒操作人员操作错误，需重新输入数字3，直至控制器识别到数字3对应的信号指令；
步骤1044、操作人员触碰触摸屏中的数字4，控制器判断操作人员触碰的是否为数字4，当控制器识别操作人员触碰的是数字4时，执行步骤1045；当控制器识别操作人员触碰的不是数字4时，触摸屏警示提醒操作人员操作错误，需重新输入数字4，直至控制器识别到数字4对应的信号指令；
步骤1045、操作人员触碰触摸屏中的数字5，控制器判断操作人员触碰的是否为数字5，当控制器识别操作人员触碰的是数字5时，执行步骤1046；当控制器识别操作人员触碰的不是数字5时，触摸屏警示提醒操作人员操作错误，需重新输入数字5，直至控制器识别到数字5对应的信号指令；
步骤1046、操作人员触碰触摸屏中的数字6，控制器判断操作人员触碰的是否为数字6，当控制器识别操作人员触碰的是数字6时，执行步骤1047；当控制器识别操作人员触碰的不是数字6时，触摸屏警示提醒操作人员操作错误，需重新输入数字6，直至控制器识别到数字6对应的信号指令；
步骤1047、操作人员触碰触摸屏中的数字7，控制器判断操作人员触碰的是否为数字7，当控制器识别操作人员触碰的是数字7时，执行步骤1048；当控制器识别操作人员触碰的不是数字7时，触摸屏警示提醒操作人员操作错误，需重新输入数字7，直至控制器识别到数字7对应的信号指令；
步骤1048、操作人员触碰触摸屏中的数字8，控制器判断操作人员触碰的是否为数字8，当控制器识别操作人员触碰的是数字8时，执行步骤1049；当控制器识别操作人员触碰的不是数字8时，触摸屏警示提醒操作人员操作错误，需重新输入数字8，直至控制器识别到数字8对应的信号指令；
步骤1049、操作人员触碰触摸屏中的数字9，控制器判断操作人员触碰的是否为数字9，当控制器识别操作人员触碰的是数字9时，执行步骤10410；当控制器识别操作人员触碰的不是数字9时，触摸屏警示提醒操作人员操作错误，需重新输入数字9，直至控制器识别到数字9对应的信号指令；
步骤10410、操作人员触碰触摸屏中的数字10，控制器判断操作人员触碰的是否为数字10，当控制器识别操作人员触碰的是数字10时，执行步骤10411；当控制器识别操作人员触碰的不是数字10时，触摸屏警示提醒操作人员操作错误，需重新输入数字10，直至控制器识别到数字10对应的信号指令；
步骤10411、操作人员触碰触摸屏中的数字11，控制器判断操作人员触碰的是否为数字11，当控制器识别操作人员触碰的是数字11时，执行步骤10412；当控制器识别操作人员触碰的不是数字11时，触摸屏警示提醒操作人员操作错误，需重新输入数字11，直至控制器识别到数字11对应的信号指令；
步骤10412、操作人员触碰触摸屏中的数字12，控制器判断操作人员触碰的是否为数字12，当控制器识别操作人员触碰的是数字12时，执行步骤10413；当控制器识别操作人员触碰的不是数字12时，触摸屏警示提醒操作人员操作错误，需重新输入数字12，直至控制器识别到数字12对应的信号指令；
步骤10413、操作人员触碰触摸屏中的数字13，控制器判断操作人员触碰的是否为数字13，当控制器识别操作人员触碰的是数字13时，执行步骤10414；当控制器识别操作人员触碰的不是数字13时，触摸屏警示提醒操作人员操作错误，需重新输入数字13，直至控制器识别到数字13对应的信号指令；
步骤10414、操作人员触碰触摸屏中的数字14，控制器判断操作人员触碰的是否为数字14，当控制器识别操作人员触碰的是数字14时，执行步骤10415；当控制器识别操作人员触碰的不是数字14时，触摸屏警示提醒操作人员操作错误，需重新输入数字14，直至控制器识别到数字14对应的信号指令；
步骤10415、操作人员触碰触摸屏中的数字15，控制器判断操作人员触碰的是否为数字15，当控制器识别操作人员触碰的是数字15时，执行步骤10416；当控制器识别操作人员触碰的不是数字15时，触摸屏警示提醒操作人员操作错误，需重新输入数字15，直至控制器识别到数字15对应的信号指令；
步骤10416、操作人员触碰触摸屏中的数字16，控制器判断操作人员触碰的是否为数字16，当控制器识别操作人员触碰的是数字16时，执行步骤10417；当控制器识别操作人员触碰的不是数字16时，触摸屏警示提醒操作人员操作错误，需重新输入数字16，直至控制器识别到数字16对应的信号指令；
步骤10417、操作人员触碰触摸屏中的数字17，控制器判断操作人员触碰的是否为数字17，当控制器识别操作人员触碰的是数字17时，执行步骤10418；当控制器识别操作人员触碰的不是数字17时，触摸屏警示提醒操作人员操作错误，需重新输入数字17，直至控制器识别到数字17对应的信号指令；
步骤10418、操作人员触碰触摸屏中的数字18，控制器判断操作人员触碰的是否为数字18，当控制器识别操作人员触碰的是数字18时，执行步骤10419；当控制器识别操作人员触碰的不是数字18时，触摸屏警示提醒操作人员操作错误，需重新输入数字18，直至控制器识别到数字18对应的信号指令；
步骤10419、操作人员触碰触摸屏中的数字19，控制器判断操作人员触碰的是否为数字19，当控制器识别操作人员触碰的是数字19时，执行步骤10420；当控制器识别操作人员触碰的不是数字19时，触摸屏警示提醒操作人员操作错误，需重新输入数字19，直至控制器识别到数字19对应的信号指令；
步骤10420、操作人员触碰触摸屏中的数字20，控制器判断操作人员触碰的是否为数字20，当控制器识别操作人员触碰的是数字20时，执行步骤10421；当控制器识别操作人员触碰的不是数字20时，触摸屏警示提醒操作人员操作错误，需重新输入数字20，直至控制器识别到数字20对应的信号指令；
步骤10421、操作人员触碰触摸屏中的数字21，控制器判断操作人员触碰的是否为数字21，当控制器识别操作人员触碰的是数字21时，执行步骤10422；当控制器识别操作人员触碰的不是数字21时，触摸屏警示提醒操作人员操作错误，需重新输入数字21，直至控制器识别到数字21对应的信号指令；
步骤10422、操作人员触碰触摸屏中的数字22，控制器判断操作人员触碰的是否为数字22，当控制器识别操作人员触碰的是数字22时，执行步骤10423；当控制器识别操作人员触碰的不是数字22时，触摸屏警示提醒操作人员操作错误，需重新输入数字22，直至控制器识别到数字22对应的信号指令；
步骤10423、操作人员触碰触摸屏中的数字23，控制器判断操作人员触碰的是否为数字23，当控制器识别操作人员触碰的是数字23时，执行步骤10424；当控制器识别操作人员触碰的不是数字23时，触摸屏警示提醒操作人员操作错误，需重新输入数字23，直至控制器识别到数字23对应的信号指令；
步骤10424、操作人员触碰触摸屏中的数字24，控制器判断操作人员触碰的是否为数字24，当控制器识别操作人员触碰的是数字24时，执行步骤10425；当控制器识别操作人员触碰的不是数字24时，触摸屏警示提醒操作人员操作错误，需重新输入数字24，直至控制器识别到数字24对应的信号指令；
步骤10425、操作人员触碰触摸屏中的数字25，结束本次测试过程。
本实施例中，步骤105中，高注意力用时阈值Δ1为30s，中注意力用时阈值下限Δ2为40s，中注意力用时阈值上限Δ3为50s，低注意力用时阈值Δ4为60s。
本实施例中，步骤三中，利用DB30小波滤波器对均值化预处理后的有效注意力样本数据进行6层分解，使用Shannon熵得到小波包树，再重构得到0～30Hz的有效数据，实现均值化预处理后的有效注意力样本数据的去噪。
本实施例中，所述脑电信号采集设备包括Emotiv传感器。
实际使用时，Emotiv传感器以P3/P4为参考电极，上面安装着14个电极，可以采集到14个通道的脑电信号，并进行放大与滤波，然后通过无线技术传回计算机，Emotiv传感器的电极安放位置采用国际10-20导联制。Emotiv的传感器头采用湿电极，盐水作为辅助材料，增强信号质量，脑电耳机通过加密狗以及EmotivPro软件从远程服务器获得各种数据，采集脑电数据为矩阵形式，在对每个有效注意力样本数据进行均值化预处理过程中是计算出每个矩阵的均值后，矩阵中每个位置的参数均减去此均值，降低矩阵的复杂度。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (4)

1.一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于该方法包括以下步骤：
步骤一、获取有效注意力样本数据，过程如下：
步骤101、建立注意力样本数据获取平台，所述注意力样本数据获取平台包括执行操作平台和用于采集操作人员脑电信号的脑电信号采集设备；
所述执行操作平台包括控制器以及均与所述控制器连接的触摸屏和计时器；
步骤102、利用控制器建立5×5的舒尔特方格，并通过触摸屏显示，佩戴脑电信号采集设备；
步骤103、注意力样本获取平台进行初始化，将1至25以随机分布方式输入至5×5的舒尔特方格中，并显示在触摸屏中；
步骤104、操作人员按照1至25的顺序将触摸屏中显示的数字依次触碰完毕，实现一次测试过程；
步骤105、输出操作人员操作所用时间，当操作所用时间为0＜t≤Δ1时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将该有效注意力样本数据标记为高注意力样本数据，并保留该有效注意力样本数据；
当操作所用时间为Δ2≤t≤Δ3时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将操作所用时间为Δ2≤t≤Δ3时脑电信号采集设备采集的有效注意力样本数据标记为中注意力样本数据，并保留操作所用时间为Δ2≤t≤Δ3时脑电信号采集设备采集的有效注意力样本数据；
当操作所用时间为t≥Δ4时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将操作所用时间为t≥Δ4时脑电信号采集设备采集的有效注意力样本数据标记为低注意力样本数据，并保留操作所用时间为t≥Δ4时脑电信号采集设备采集的有效注意力样本数据；
当操作所用时间为Δ1＜t＜Δ2或Δ3＜t＜Δ4时，脑电信号采集设备采集操作人员的注意力样本数据为无效注意力样本数据，舍弃该无效注意力样本数据；
其中，Δ1为高注意力用时阈值，Δ2为中注意力用时阈值下限，Δ3为中注意力用时阈值上限，Δ4为低注意力用时阈值，且Δ1＜Δ2＜Δ3＜Δ4；
步骤106、利用多个操作人员分别执行步骤103至步骤105，获取多个有效注意力样本数据，有效注意力样本数据的数量不少于2000个且至少2000个有效注意力样本数据包含高注意力样本数据、中注意力样本数据和低注意力样本数据；
步骤二、有效注意力样本数据的预处理：对每个有效注意力样本数据进行均值化预处理；
所述脑电信号采集设备包括Emotiv传感器；
Emotiv传感器以P3/P4为参考电极，上面安装着14个电极，可以采集到14个通道的脑电信号，采集脑电数据为矩阵形式，在对每个有效注意力样本数据进行均值化预处理过程中是计算出每个矩阵的均值后，矩阵中每个位置的参数均减去此均值；
步骤三、均值化预处理后的有效注意力样本数据的去噪：利用小波包分解对均值化预处理后的有效注意力样本数据进行去噪；
步骤四、构建注意力样本数据库：对均值化预处理且去噪后的有效注意力样本数据构建注意力样本数据库；
步骤五、LSTM深度神经网络的训练，过程如下：
步骤501、对注意力样本数据库进行随机分类，获得注意力训练样本数据集合和注意力测试样本数据集合；
步骤502、在注意力训练样本数据集合中调取一个注意力训练样本数据，输入至LSTM深度神经网络中，对LSTM深度神经网络进行一次训练；
步骤503、循环步骤502，直至注意力训练样本数据集合中的注意力训练样本数据调取完毕，完成LSTM深度神经网络训练过程；
步骤六、多级注意力的分级：在注意力测试样本数据集合中调取注意力测试样本数据，输入至训练完成的LSTM深度神经网络中，输出注意力的高、中、低级别。
2.按照权利要求1所述的一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于：步骤104中，一次测试过程如下：
步骤1041、操作人员触碰触摸屏中的数字1，控制器判断操作人员触碰的是否为数字1，当控制器识别操作人员触碰的是数字1时，执行步骤1042；当控制器识别操作人员触碰的不是数字1时，触摸屏警示提醒操作人员操作错误，需重新输入数字1，直至控制器识别到数字1对应的信号指令；
步骤1042、操作人员触碰触摸屏中的数字2，控制器判断操作人员触碰的是否为数字2，当控制器识别操作人员触碰的是数字2时，执行步骤1043；当控制器识别操作人员触碰的不是数字2时，触摸屏警示提醒操作人员操作错误，需重新输入数字2，直至控制器识别到数字2对应的信号指令；
步骤1043、操作人员触碰触摸屏中的数字3，控制器判断操作人员触碰的是否为数字3，当控制器识别操作人员触碰的是数字3时，执行步骤1044；当控制器识别操作人员触碰的不是数字3时，触摸屏警示提醒操作人员操作错误，需重新输入数字3，直至控制器识别到数字3对应的信号指令；
步骤1044、操作人员触碰触摸屏中的数字4，控制器判断操作人员触碰的是否为数字4，当控制器识别操作人员触碰的是数字4时，执行步骤1045；当控制器识别操作人员触碰的不是数字4时，触摸屏警示提醒操作人员操作错误，需重新输入数字4，直至控制器识别到数字4对应的信号指令；
步骤1045、操作人员触碰触摸屏中的数字5，控制器判断操作人员触碰的是否为数字5，当控制器识别操作人员触碰的是数字5时，执行步骤1046；当控制器识别操作人员触碰的不是数字5时，触摸屏警示提醒操作人员操作错误，需重新输入数字5，直至控制器识别到数字5对应的信号指令；
步骤1046、操作人员触碰触摸屏中的数字6，控制器判断操作人员触碰的是否为数字6，当控制器识别操作人员触碰的是数字6时，执行步骤1047；当控制器识别操作人员触碰的不是数字6时，触摸屏警示提醒操作人员操作错误，需重新输入数字6，直至控制器识别到数字6对应的信号指令；
步骤1047、操作人员触碰触摸屏中的数字7，控制器判断操作人员触碰的是否为数字7，当控制器识别操作人员触碰的是数字7时，执行步骤1048；当控制器识别操作人员触碰的不是数字7时，触摸屏警示提醒操作人员操作错误，需重新输入数字7，直至控制器识别到数字7对应的信号指令；
步骤1048、操作人员触碰触摸屏中的数字8，控制器判断操作人员触碰的是否为数字8，当控制器识别操作人员触碰的是数字8时，执行步骤1049；当控制器识别操作人员触碰的不是数字8时，触摸屏警示提醒操作人员操作错误，需重新输入数字8，直至控制器识别到数字8对应的信号指令；
步骤1049、操作人员触碰触摸屏中的数字9，控制器判断操作人员触碰的是否为数字9，当控制器识别操作人员触碰的是数字9时，执行步骤10410；当控制器识别操作人员触碰的不是数字9时，触摸屏警示提醒操作人员操作错误，需重新输入数字9，直至控制器识别到数字9对应的信号指令；
步骤10410、操作人员触碰触摸屏中的数字10，控制器判断操作人员触碰的是否为数字10，当控制器识别操作人员触碰的是数字10时，执行步骤10411；当控制器识别操作人员触碰的不是数字10时，触摸屏警示提醒操作人员操作错误，需重新输入数字10，直至控制器识别到数字10对应的信号指令；
步骤10411、操作人员触碰触摸屏中的数字11，控制器判断操作人员触碰的是否为数字11，当控制器识别操作人员触碰的是数字11时，执行步骤10412；当控制器识别操作人员触碰的不是数字11时，触摸屏警示提醒操作人员操作错误，需重新输入数字11，直至控制器识别到数字11对应的信号指令；
步骤10412、操作人员触碰触摸屏中的数字12，控制器判断操作人员触碰的是否为数字12，当控制器识别操作人员触碰的是数字12时，执行步骤10413；当控制器识别操作人员触碰的不是数字12时，触摸屏警示提醒操作人员操作错误，需重新输入数字12，直至控制器识别到数字12对应的信号指令；
步骤10413、操作人员触碰触摸屏中的数字13，控制器判断操作人员触碰的是否为数字13，当控制器识别操作人员触碰的是数字13时，执行步骤10414；当控制器识别操作人员触碰的不是数字13时，触摸屏警示提醒操作人员操作错误，需重新输入数字13，直至控制器识别到数字13对应的信号指令；
步骤10414、操作人员触碰触摸屏中的数字14，控制器判断操作人员触碰的是否为数字14，当控制器识别操作人员触碰的是数字14时，执行步骤10415；当控制器识别操作人员触碰的不是数字14时，触摸屏警示提醒操作人员操作错误，需重新输入数字14，直至控制器识别到数字14对应的信号指令；
步骤10415、操作人员触碰触摸屏中的数字15，控制器判断操作人员触碰的是否为数字15，当控制器识别操作人员触碰的是数字15时，执行步骤10416；当控制器识别操作人员触碰的不是数字15时，触摸屏警示提醒操作人员操作错误，需重新输入数字15，直至控制器识别到数字15对应的信号指令；
步骤10416、操作人员触碰触摸屏中的数字16，控制器判断操作人员触碰的是否为数字16，当控制器识别操作人员触碰的是数字16时，执行步骤10417；当控制器识别操作人员触碰的不是数字16时，触摸屏警示提醒操作人员操作错误，需重新输入数字16，直至控制器识别到数字16对应的信号指令；
步骤10417、操作人员触碰触摸屏中的数字17，控制器判断操作人员触碰的是否为数字17，当控制器识别操作人员触碰的是数字17时，执行步骤10418；当控制器识别操作人员触碰的不是数字17时，触摸屏警示提醒操作人员操作错误，需重新输入数字17，直至控制器识别到数字17对应的信号指令；
步骤10418、操作人员触碰触摸屏中的数字18，控制器判断操作人员触碰的是否为数字18，当控制器识别操作人员触碰的是数字18时，执行步骤10419；当控制器识别操作人员触碰的不是数字18时，触摸屏警示提醒操作人员操作错误，需重新输入数字18，直至控制器识别到数字18对应的信号指令；
步骤10419、操作人员触碰触摸屏中的数字19，控制器判断操作人员触碰的是否为数字19，当控制器识别操作人员触碰的是数字19时，执行步骤10420；当控制器识别操作人员触碰的不是数字19时，触摸屏警示提醒操作人员操作错误，需重新输入数字19，直至控制器识别到数字19对应的信号指令；
步骤10420、操作人员触碰触摸屏中的数字20，控制器判断操作人员触碰的是否为数字20，当控制器识别操作人员触碰的是数字20时，执行步骤10421；当控制器识别操作人员触碰的不是数字20时，触摸屏警示提醒操作人员操作错误，需重新输入数字20，直至控制器识别到数字20对应的信号指令；
步骤10421、操作人员触碰触摸屏中的数字21，控制器判断操作人员触碰的是否为数字21，当控制器识别操作人员触碰的是数字21时，执行步骤10422；当控制器识别操作人员触碰的不是数字21时，触摸屏警示提醒操作人员操作错误，需重新输入数字21，直至控制器识别到数字21对应的信号指令；
步骤10422、操作人员触碰触摸屏中的数字22，控制器判断操作人员触碰的是否为数字22，当控制器识别操作人员触碰的是数字22时，执行步骤10423；当控制器识别操作人员触碰的不是数字22时，触摸屏警示提醒操作人员操作错误，需重新输入数字22，直至控制器识别到数字22对应的信号指令；
步骤10423、操作人员触碰触摸屏中的数字23，控制器判断操作人员触碰的是否为数字23，当控制器识别操作人员触碰的是数字23时，执行步骤10424；当控制器识别操作人员触碰的不是数字23时，触摸屏警示提醒操作人员操作错误，需重新输入数字23，直至控制器识别到数字23对应的信号指令；
步骤10424、操作人员触碰触摸屏中的数字24，控制器判断操作人员触碰的是否为数字24，当控制器识别操作人员触碰的是数字24时，执行步骤10425；当控制器识别操作人员触碰的不是数字24时，触摸屏警示提醒操作人员操作错误，需重新输入数字24，直至控制器识别到数字24对应的信号指令；
步骤10425、操作人员触碰触摸屏中的数字25，结束本次测试过程。
3.按照权利要求1所述的一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于：步骤105中，高注意力用时阈值Δ1为30s，中注意力用时阈值下限Δ2为40s，中注意力用时阈值上限Δ3为50s，低注意力用时阈值Δ4为60s。
4.按照权利要求1所述的一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于：步骤三中，利用DB30小波滤波器对均值化预处理后的有效注意力样本数据进行6层分解，使用Shannon熵得到小波包树，再重构得到0～30Hz的有效数据，实现均值化预处理后的有效注意力样本数据的去噪。
CN202011214299.2A 2020-11-04 2020-11-04 一种基于舒尔特方格与lstm的多级注意力分级方法 Active CN112336353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011214299.2A CN112336353B (zh) 2020-11-04 2020-11-04 一种基于舒尔特方格与lstm的多级注意力分级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011214299.2A CN112336353B (zh) 2020-11-04 2020-11-04 一种基于舒尔特方格与lstm的多级注意力分级方法

Publications (2)

Publication Number Publication Date
CN112336353A CN112336353A (zh) 2021-02-09
CN112336353B true CN112336353B (zh) 2023-07-28

Family

ID=74356154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011214299.2A Active CN112336353B (zh) 2020-11-04 2020-11-04 一种基于舒尔特方格与lstm的多级注意力分级方法

Country Status (1)

Country Link
CN (1) CN112336353B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101584582A (zh) * 2009-06-25 2009-11-25 浙江大学 基于脑电分析的人体电流感觉阀值客观测量方法和系统
CN109646022A (zh) * 2019-01-10 2019-04-19 杭州电子科技大学 儿童注意力评估系统及其方法
CN111358475A (zh) * 2020-03-16 2020-07-03 国网安徽省电力有限公司 电力系统高危作业人员精神状态评估方法及系统
CN111568446A (zh) * 2020-05-28 2020-08-25 兰州大学 结合人口学注意力机制的便携式脑电抑郁检测系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107024987B (zh) * 2017-03-20 2020-04-14 南京邮电大学 一种基于eeg的实时人脑注意力测试和训练系统
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
CN110610168B (zh) * 2019-09-20 2021-10-26 合肥工业大学 一种基于注意力机制的脑电情绪识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101584582A (zh) * 2009-06-25 2009-11-25 浙江大学 基于脑电分析的人体电流感觉阀值客观测量方法和系统
CN109646022A (zh) * 2019-01-10 2019-04-19 杭州电子科技大学 儿童注意力评估系统及其方法
CN111358475A (zh) * 2020-03-16 2020-07-03 国网安徽省电力有限公司 电力系统高危作业人员精神状态评估方法及系统
CN111568446A (zh) * 2020-05-28 2020-08-25 兰州大学 结合人口学注意力机制的便携式脑电抑郁检测系统

Also Published As

Publication number Publication date
CN112336353A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN108236464B (zh) 基于脑电信号的特征提取方法及其检测提取系统
US20200367800A1 (en) Method for identifying driving fatigue based on cnn-lstm deep learning model
CN102119857B (zh) 基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法
CN105654063B (zh) 基于人工蜂群时频参数优化的运动想象脑电模式识别方法
CN112353391A (zh) 一种基于脑电信号的汽车车内声音品质识别方法及装置
CN109480833A (zh) 基于人工智能的癫痫患者脑电信号的预处理和识别方法
CN103699226A (zh) 一种基于多信息融合的三模态串行脑-机接口方法
CN106725452A (zh) 基于情感诱发的脑电信号识别方法
CN105852831A (zh) 一种基于虚拟现实交互技术与脑功能实时监测技术的设备
CN107049269A (zh) 一种中医脉象信号处理分析系统
CN111227830B (zh) 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法
CN107766898A (zh) 基于svm的三分类情绪概率判断方法
CN103405225B (zh) 一种获取疼感评测指标的方法、装置及设备
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
CN109034015B (zh) Fsk-ssvep的解调系统及解调算法
CN110367975A (zh) 一种基于脑机接口的疲劳驾驶检测预警方法
CN113397482B (zh) 一种人类行为分析方法及系统
CN113128585B (zh) 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法
CN112336353B (zh) 一种基于舒尔特方格与lstm的多级注意力分级方法
CN113633296A (zh) 反应时间预测模型构建方法、装置、设备及可读存储介质
CN112842363A (zh) 一种睡眠脑电检测方法及系统
CN113208629A (zh) 一种基于eeg信号的阿尔兹海默症筛查方法及系统
CN109431499B (zh) 植物人家庭看护辅助系统和辅助方法
CN116636859A (zh) 一种基于脑电信号的视觉认知能力的评估方法及系统
CN106843509A (zh) 一种脑机接口系统

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
GR01 Patent grant
GR01 Patent grant