CN112515688A - 专注力自动侦测方法和系统 - Google Patents
专注力自动侦测方法和系统 Download PDFInfo
- Publication number
- CN112515688A CN112515688A CN201910810607.9A CN201910810607A CN112515688A CN 112515688 A CN112515688 A CN 112515688A CN 201910810607 A CN201910810607 A CN 201910810607A CN 112515688 A CN112515688 A CN 112515688A
- Authority
- CN
- China
- Prior art keywords
- brain wave
- concentration
- user
- attention
- signal
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- 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
Abstract
本发明提供一种专注力自动侦测方法，接收用户的脑电波信号；对所述脑电波信号进行预处理，所述预处理包括加窗处理、快速傅立叶变换、归一化和滤波；对预处理后的脑电波信号进行特征值运算得到特征参数；利用所述特征参数进行专注力指数运算得到运算结果；及根据所述运算结果判断使用者是否专注。本发明还提供一种专注力自动侦测系统。本发明可更加准确的识别使用者的专注力状态，并对所述专注力状态进行标注，提高识别使用者的专注力状态。
Description
技术领域
本发明涉及一种专注力自动侦测方法和系统。
背景技术
穿戴式的脑波侦侧装置提供了人们了解自身脑部活动的机会，也提供了量化学习指标的可能性。现有许多辅助学习工具或特定的应用程序，主要利用脑电波量测来提供专注力的评估或训练辅助。传统脑电波专注力算法仅依靠单个频段的脑电波信号，或偏重少数特定频段的脑电波信号，或采用无正规化计算的时域能量阀值进行侦测。由于脑电波信号个体差异颇大，甚至同一个体在同日不同时段也会有能量差异，故此类算法不仅需要频繁地依使用者特性调准阀值，且通常侦测结果都具有高度波动的特性。
发明内容
鉴于以上问题，本申请提出一种专注力自动侦测方法，更加准确的识别使用者的专注力状态。
一方面，本申请提供一种专注力自动侦测方法，包括：
接收用户的脑电波信号；
对所述脑电波信号进行预处理，所述预处理包括加窗处理、快速傅立叶变换、归一化和滤波；
对预处理后的脑电波信号进行特征值运算得到特征参数；
利用所述特征参数进行专注力指数运算得到运算结果；及
根据所述运算结果判断使用者是否专注。
优选地，所述特征参数包括所述脑电波信号中各频段信号的能量、频段信号比值及所述脑电波信号的分形维数。
优选地，通过以下公式计算所述专注力指数：
其中，Cch(n)为所述专注力指数，θch(t)、αch(t)、βch(t)和γch(t)分别脑电波信号中各频段信号的能量，
至
为各特征参数的权重值，CLch(n)为所述脑电波信号的分形维数。
优选地，所述根据所述运算结果判断使用者是否专注包括：
比对所述运算结果与一阈值；
当所述运算结果大于或等于所述阈值时，确认所述使用者专注；及
当所述运算结果小于所述阈值时，确认所述使用者不专注。
优选地，所述方法还包括：
对使用者的专注力结果进行标注；
当所述运算结果大于或等于所述阈值时，确认所述使用者专注，将对应时间段内的脑电波信号标注为1；
当所述运算结果小于所述阈值时，确认所述使用者不专注，将对应时间段内的脑电波信号标注为0。
优选地，所述方法还包括：
对于相邻两专注事件中之短时间非专注事件，将小于波动时间容许阀值的非专注事件改设为专注状态，并将所述短时间非专注事件对应的脑电波信号标注为1；
对于相邻两非专注事件中之短时间专注事件，将小于波动时间容许阀值的专注事件改设为非专注状态，并将所述短时间专注事件对应的脑电波信号标注为0。
另一方面，本申请提供一种专注力自动侦测系统，所述系统包括：
信号接收模块，用于接收用户的脑电波信号；
信号处理模块，用于对所述脑电波信号进行预处理，所述预处理包括加窗处理、快速傅立叶变换、归一化和滤波；
特征值运算模块，用于对预处理后的脑电波信号进行特征值运算得到特征参数；
专注力指数运算模块，用于利用所述特征参数进行专注力指数运算得到运算结果；及
判断模块，用于根据所述运算结果判断使用者是否专注。
优选地，所述特征参数包括所述脑电波信号中各频段信号的能量、频段信号比值及所述脑电波信号的分形维数。
优选地，通过以下公式计算所述专注力指数：
其中，Cch(n)为所述专注力指数，θch(t)、αch(t)、βch(t)和γch(t)分别脑电波信号中各频段信号的能量，
至
为各特征参数的权重值，CLch(n)为所述脑电波信号的分形维数。
优选地，所述判断模块还用于比对所述运算结果与一阈值；当所述运算结果大于或等于所述阈值时，确认所述使用者专注；及当所述运算结果小于所述阈值时，确认所述使用者不专注。
优选地，所述系统还包括标注模块，所述标注模块用于对用户的专注力结果进行标注；
当所述运算结果大于或等于所述阈值时，确认所述使用者专注，所述标注模块将对应时间段内的脑电波信号标注为1；
当所述运算结果小于所述阈值时，确认所述使用者不专注，所述标注模块将对应时间段内的脑电波信号标注为0。
优选地，对于相邻两专注事件中之短时间非专注事件，将小于波动时间容许阀值的非专注事件改设为专注状态，并将所述短时间非专注事件对应的脑电波信号标注为1；
对于相邻两非专注事件中之短时间专注事件，将小于波动时间容许阀值的专注事件改设为非专注状态，并将所述短时间专注事件对应的脑电波信号标注为0。
承上所述，本申请提供的专注力自动侦测方法与系统，可以将采集的使用者的脑电波信号进行分析判断使用者是否专注，并在图形化显示的脑电波信号中进行专注力结果标注。以方便使用者在进行自主训练时有客观进步指标，做为调整训练内容的参照依据。可以提供有效侦测专注状态但对于短暂状态波动能有抑制力，从而避免频繁干涉的影响，能准确稳定提供连续性事件专注力判断。
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的实施例，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，还可以根据提供的附图获得其他的附图。
图1示出了本申请实施例中的专注力自动侦测系统的方块示意图。
图2示出了本申请中特征参数和专注力指数对应的波形曲线图。
图3A示出了专注力指数与阈值比对后的标注结果图。
图3B示出了为消除两专注事件中之短时间非专注事件得到的标注结果图。
图3C示出了为消除两非专注事件中之短时间专注事件得到的标注结果图。
图4示出了本申请一些实施例中专注力自动侦测方法的流程图。
主要元件符号说明
电子装置 1
穿戴式量测装置 2
量测模块 210
传输模块 211
通讯单元 11
显示单元 12
专注力自动侦测系统 10
信号接收模块 101
信号处理模块 102
特征值运算模块 103
专注力指数运算模块 104
判断模块 105
标注模块 106
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
参阅图1所示，为本发明一实施例中的专注力自动侦测系统的方块示意图。
本发明实施例一提供的专注力自动侦测系统应用于一电子装置1，所述电子装置1包括，但不仅限于，内存、至少一个处理器、通讯单元11和显示单元12。所述内存存储可在所述处理器上运行的专注力自动侦测系统10及相关的信息。
在本实施方式中，所述电子装置1还包括其他的硬件，例如，所述电子装置1还可包括芯片组、感测装置等，由于电子装置1的其他硬件属于习知技术的一部份，因此，此处省略介绍。
所述通讯单元11可以是包含必要的硬件、软件、或韧体的电子模块，组配来藉由通信网路建立与其他通讯设备进行数据交换。举例而言，在一些实施方式中，所述通讯单元11可以与穿戴式量测装置2建立通讯连接，从所述穿戴式量测装置2接收用户的脑电波信号。在另一些实施方式中，所述通讯单元11也可以与服务器建立连接，从所述服务器中获取所述用户的脑电波信号。所述通信网路可以包括有线网络和无线网络其中至少一者。所述无线网络和有线网络可以是现有技术中存在的和未来出现的任何适用于所述电子装置1与所述穿戴式量测装置2通讯的网络。
所述显示单元12用于显示脑电波信号和/或标注后的专注力自动侦测结果。在本实施方式中，所述显示单元12可以具有触摸功能，如液晶(Liquid Crystal Display，LCD)显示屏幕或有机发光二极管(Organic Light-Emitting Diode，OLED)显示屏幕。
所述内存中存储有专注力自动侦测系统10以及各种数据，例如生理参数数据。所述内存可以是但不限于只读存储器(Read-Only Memory，ROM)、随机内存(Random AccessMemory，RAM)、可程序设计只读存储器(Programmable Read-Only Memory，PROM)、可擦除式程序设计只读存储器(Erasable Programmable Read-Only Memory，EPROM)等。
在一实施方式中，所述电子装置1还包括设于所述内存内的训练数据库(图中未示出)。其中，所述训练数据库用于接收和存储从穿戴式量测装置2传送过来的脑电波信号。
所述脑电波信号可以通过以下方式采集得到。所述训练数据库可以存储由穿戴式量测装置2采集的测试者进行标准化专注力实验事件时的脑电波信号。例如，所述穿戴式量测装置2采集共20人次测试者进行标准化专注力实验事件时的脑电波信号。所述专注力实验事件包含阅读、朗读、数字俄罗斯方块游戏、射击游戏、驾车、事件中断、静坐闭目养神、过动儿童检测试之Go/NoGo测试等。在测试者进行上述实验事件程序中，还可以通过多个镜头进行同步录像，从而记录测试者脸部、眼部、及现场环境信息。除此之外，为确认实验事件与脑电波信号对应频段讯号关联的重现性，可以对测试者进行多次同类型实验事件，分别采集测试者每次进行实验事件时的脑电波信号。
所述处理器可以是包括一个或多个硬件、软件、或韧体的电子模块，例如服务器。这些服务器可以采用集中式的配置或分布式的集群安排。在其他实施方式中，所述处理器可以是单一计算机或计算机中的中央处理器(Central Processing Unit，CPU)，又或者是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现成可程序设计门阵列(Field-ProgrammableGate Array，FPGA)等。
所述处理器通过运行或执行存储在所述内存内的专注力自动侦测系统10时，实现下述的专注力自动侦测方法实施例中的方法步骤。
在本实施方式中，所述电子装置1可为平板计算机、智能型手机、笔记本电脑等掌上型运算装置。
在本实施方式中，所述穿戴式量测装置2包括内存和处理器。所述内存包括量测模块210及传输模块211。所述量测模块210用于测量用户的生理信息，例如，脑电波信息。所述量测模块210可以包括六轴或九轴加速度、陀螺仪、地磁传感器和肤电侦测器，可以测量参考信号。所述传输模块211用于将测量的生理信息发送至所述电子装置1。所述传输模块211可以通过无线网络(如蓝牙、WI-FI)或有线网络传输所述生理信息。
在一些实施例中，所述专注力自动侦测系统10运行于所述电子装置1中。所述专注力自动侦测系统10可以包括多个由程序代码段所组成的功能模块。所述专注力自动侦测系统10中的各个程序段的程序代码可以存储于电子装置1的内存中，并由至少一个处理器执行，以实现专注力自动侦测和/或标注功能。
本实施例中，所述专注力自动侦测系统10根据其所执行的功能，可被划分成多个功能模块。所述功能模块可以包括：信号接收模块101、信号处理模块102、特征值运算模块103、专注力指数运算模块104、判断模块105及标注模块106。
所述信号接收模块101用于接收用户的脑电波信号。
在本实施方式中，所述脑电波信号由所述穿戴式量测装置2侦测后，发送至所述电子装置1，所述信号接收模块101接收所述用户的脑电波信号。所述穿戴式量测装置2可以是可追踪脑电波的智能头带，所述智能头带采用的是弹性材料，可与用户的头部接触。例如，将所述智能头带配戴于前额至双耳后。所述智能头带具有七个电极，分别为第一电极、第二电极、第三电极、第四电极、第五电极、第六电极和第七电极。所述第一电极和第七电极分别与使用者左耳和右耳上方接触，所述第二电极、第三电极、第四电极、第五电极和第六电极可以与使用者前额接触。其中，位于中间位置的第三电极、第四电极和第五电极为参考电极，所述第一电极、第二电极、第六点电极和第七电极为测量电极，用于测量用户的脑电波信号。
在一些实施方式中，所述穿戴式量测装置2可在一时间区间中周期性的撷取用户的脑电波信号。例如，穿戴式量测装置2可以每秒撷取一次使用者的脑电波，且每次持续10秒。然而，应注意的是，本实施例中时间区间与脑波撷取频率仅为一种实施方式，本发明不以此为限。
依据脑电图仪与临床生理学会国际联盟的分类将所述脑电波信号的频率由低至高细分为：δ波(0.5～4Hz)、θ波(4～7Hz)、α波(8～13Hz)、β波(14～30Hz)，γ波(30Hz～100+Hz)，α波代表一个人最清醒、安静、稳定且专注的状态；β波代表情绪涉入工作状态，是处于紧张、焦虑或兴奋、不安等高度思维时的脑波；θ波(4～7Hz)代表人在一种轻眠、打盹的状态，正常成人在清醒状态下很少出现θ波；δ波代表人的睡眠状态，正常成人在清醒状态下没有δ波；γ波则与意识感知有关。
在本实施方式中，所述穿戴式量测装置2还可以输出参考信号，所述参考信号包括加速度、接触质量、碰触前额、讯号质量、咀嚼特征脑波、眨眼特征脑波、电池电量、专注力指数和放松指数。
由于采集脑电波时将所述穿戴式量测装置2与用户前额叶接触，而眼睛与所述前额叶十分接近，且角膜或眼皮肌肉运动时会带微量电荷。因此，往往在脑电波采集过程中，会同时采集到因为眨眼所造成的眨眼特征脑波。同样由于所述穿戴式量测装置2与用户耳朵上方接触，在使用者咀嚼过程中由于肌肉运动，会导致在脑电波采集过程中，采集到因为咀嚼所造成的咀嚼特征脑波。
在本实施方式中，所述穿戴式量测装置2将所述脑电波信号以及所述参考信号通过蓝牙或其他无线网络传输方式发送至所述电子装置1。
信号处理模块102用于对所述脑电波信号进行预处理，所述预处理包括加窗处理、快速傅立叶变换、归一化和滤波。为了使提取的频段信号更加可靠，在接收到脑电波信号后，对所述脑电波信号进行预处理。所述预处理主要包括加窗处理、快速傅立叶变换、归一化和滤波。
(1)加窗处理：在对所述脑电波信号进行快速傅立叶变换之前，需要对所述脑电波信号通过加窗处理分成多个数据片段。所述加窗处理是将所述脑电波信号经过窗函数处理，得到多个数据片段。在本实施方式中，可以通过Hamming窗作为观测窗对所述脑电波信号进行处理。
(2)快速傅立叶变换：对每个窗内的数据作快速傅立叶变换得到频域脑电波信号，计算所述脑电波信号的功率谱得到所述脑电波信号的能量分布。
(3)归一化：在本实施方式中，通过将不同特征波段的脑电波信号能量总和除以采样频率内所有脑电波信号能量总和对各个频段脑电波信号进行归一化处理。由于不同年龄段用户脑电波信号强度不一致，甚至同一使用者在不同时间段采集的脑电波信号也不一致。因此，通过归一化处理所述脑电波信号，使得所有用户的脑电波信号都在百分比范围内。从而方便所述专注力自动标注系统适用于不同年龄段使用者。
(4)滤波：对所述归一化后的脑电波信号滤波。所述滤波包括通过带通滤波器和陷波器对所述归一化后的脑电波信号滤波。例如，先通过带通滤波将所述脑电波信号中的δ波、θ波、α波、β波和γ波保留，而去除其他频段的信号，再通过均值滤波器(如averagefilter)将δ波、θ波、α波、β波和γ波中的干扰信号去除。
可以理解的是，在其他实施方式中，上述对所述脑电波信号进行预处理可以在所述穿戴式量测装置2中执行，所述穿戴式量测装置2再将预处理后的脑电波信号发送至所述电子装置1。
特征值运算模块103用于对所述预处理后的脑电波信号进行特征值运算得到特征参数。
在本实施方式中，所述特征参数包括所述脑电波信号中各频段信号的能量、频段信号比值及所述脑电波信号的分形维数。
在本实施方式中，所述频段信号比值包括β波与θ波之间的比值β/θ、γ波与α波之间的比值γ/α、β波与α波之间的比值β/α。
所述脑电波信号的分形维数可以通过Katz提出的一种针对波形数据计算分形维数的方法。具体计算方法为现有技术，在此不再赘述。
可以理解的是，计算所述脑电波信号的分形维数的方法还可以是Estellerl etal.等人提出的弧线理论Curve-Length(CL)结合了线长理论Line-Length(LL)计算方法。虽然Katz提供的计算方法采用的对数关系可以提供较易于区分事件的较显著的计算结果。为了减少电子装置1的高耗能运算且加速辨识速度，Esteller et al.进一步采用了移除对数关系简化后的算法。在本实施方式中，采用Esteller提出的计算方法来计算所述脑电波信号的分形维数CL(n)。Esteller et al.提出的计算方法也为现有技术，在此不再赘述。
在本实施方式中，需要对所述特征参数对应的波形再次进行加窗处理和滤波处理。所述加窗处理与对脑电波信号进行预处理时的加窗处理一致。其中，所述加窗处理中的时间窗大小及重复比率为依据所收集之训练数据库及辨识成功率的平衡所调整出的数值。需要说明的是，虽然采用长时间的时间窗可进一步减低短时间噪声的影响，但同时亦可能损失对短时间事件的分辨率。例如，以五个不同测试者的测试数据测试调整后，采用10秒矩形窗。而所述滤波处理可以采用移动均值滤波器，所述移动均值滤波器可以有效降低离群值与噪声对特征参数对应的波形总体趋势的干扰。
在本实施方式中，为了直观比较脑电波各频段信号与各特征值的曲线变化，以查看所述脑电波各频段信号与各特征值与欲侦测事件的关联性，在对所述预处理后的脑电波信号进行特征值运算得到特征参数后，图形化显示所述特征参数。在本实施方式中，通过采用MathWorks公司的Matlab程序将脑电波各频段信号与各特征值图形化显示后如图2所示。图2中分别示出了δ波、θ波、α波、β波、γ波及其能量曲线。例如，图2中Gamma、Beta、Alpha、Theta和Delta分别描述的是所述γ波、β波、α波、θ波及δ波。图2中GammaAbs描述的是所述γ波的能量曲线，BetaAbs描述的是所述β波的能量曲线，AlphaAbs描述的是所述α波的能量曲线，ThetaAbs描述的是所述θ波的能量曲线。BetaAbs描述的是所述β波的能量曲线，AlphaAbs描述的是所述α波的能量曲线，ThetaAbs描述的是所述θ波的能量曲线。图2中还示出了频段信号比值曲线。例如，图2中B/T表示的是β波与θ波之间的比值β/θ，G/A描述的是γ波与α波之间的比值γ/α，B/A描述的是β波与α波之间的比值β/α。
所述专注力指数运算模块104用于利用所述特征参数进行专注力指数运算得到运算结果。
在本实施方式中，通过以下公式将所述特征参数进行专注力指数运算C(n)：
其中，Cch(n)为所述专注力指数，θch(t)、αch(t)、βch(t)和γch(t)分别脑电波信号中各频段信号的能量，
至
为各特征参数的权重值，CLch(n)为所述脑电波信号的分形维数。
需要说明的是，当侦测使用者是否持续性专注时，需要去掉使用者先天专注力状态起伏数据。由于不同使用者执行不同的事件时，会衍生出不同类型的脑电波数据，并且用户的脑部分区运用方式也不相同，采集的脑电波数据也会有所不同。为达成上述专注力指数的运算，需同时综合数种不同优势频段脑电波信号及囊括数种不同衍生脑电波信号。因此，可以通过实验并根据实验资料以机器学习之迭代法找出最佳特征参数组合及各特征参数的权重系数。例如，本方案中采用的特征参数是δ波、θ波、α波、β波，和频段信号比值β/θ、γ/α和β/α。
在本实施方式中，将频段信号比值β/θ、γ/α、β/α等三种组合列入的优点是对每一种组合，用户可同时监控两种频段在统一事件中的优势频段的消长。例如，如采集用户在执行记忆与决策事件测验中优势频段转换的消长。需要说明的是，所述频段信号比值β/θ、γ/α、β/α均有设定一上限值以避免指数过高形成离群值。
所述判断模块105用于根据所述运算结果判断使用者是否专注。
在本实施方式中，通过将所述运算结果与阈值进行比对来判断使用者是否专注。当所述运算结果大于或等于所述阈值时，确认所述使用者专注；当所述运算结果小于所述阈值时，确认所述使用者不专注。
在另一实施方式中，可以通过将所述特征参数输入至分类器，并得到分类结果。所述分类器中可以包括预先建立的专注力判断模型。例如，持续性专注力判断模型和多事件专注力判断模型。可以理解的是，所述专注力判断模型还可以包括其他模型。
所述专注力判断模型可以根据输入的特征参数输出对应的判断结果。例如，当所述专注力判断模型为持续性专注力判断模型时，所述分类器可以根据输入的特征参数输出用户持续性专注的结果，或者输出使用者持续性不专注的结果。当所述专注力判断模型为多事件专注力判断模型时，所述分类器可以根据输入的特征参数输出用户多事件专注的结果，或者输出使用者多事件不专注的结果。
在本实施方式中，所述专注力判断模型为根据采集的用户的脑电波信号预先建立的。
所述标注模块106用于对用户的专注力结果进行标注。
在本实施方式中，将所述使用者的专注力结果标注为由0与1所组成之时间序列x[n]，参阅图3A所示，为标注后的专注力结果示意图。当所述运算结果大于或等于所述阈值时，确认所述使用者专注，将对应时间段内的信号标注为1；当所述运算结果小于所述阈值时，确认所述使用者不专注，将对应时间段内的信号标注为0。例如，图2中所示score TH表示的是所述阈值，conc表示的是所述运算结果曲线。如图2中，在0～190s所示时间区间范围内，所述阈值score TH大于所述运算结果conc。因此，可以得到图3A中在0～190s所示时间区间范围内标注结果为0。如图2中，在190s～250s所示时间区间范围内，所述阈值scoreTH小于所述运算结果conc。因此，可以得到图3A中在190s～250s所示时间区间范围内标注结果为1。如图2中，在250s～260s所示时间区间范围内，所述阈值score TH大于所述运算结果conc。因此，可以得到图3A中在250s～260s所示时间区间范围内标注结果为0。如图2中，在260s～271s所示时间区间范围内，所述阈值score TH小于所述运算结果conc。因此，可以得到图3A中在260s～271s所示时间区间范围内标注结果为1。如图2中，在272s时，所述阈值score TH大于所述运算结果conc。因此，可以得到图3A中在272s时标注结果为0。如图2中，在272s～435s所示时间区间范围内，所述阈值score TH小于所述运算结果conc。因此，可以得到图3A中在260s～271s所示时间区间范围内标注结果为1。依此类推，由图2中的阈值和运算结果曲线可以对用户的专注力结果进行标注，得到图3A所示图形。
需要说明的是，为了保证图3A所示图形中的跨阀值事件之连续性，通过可调式后处理波动时间容许阀值来进一步消除事件中短暂波动。例如，对于相邻两专注事件中之短时间非专注事件，图3A中在250s～260s所示时间区间范围和272s时的标注结果均为0，由于上述时间区间范围小于波动时间容许阀值，可以将上述时间区间范围的标注结果设置为1，得到图3B所示标注结果。对于相邻两非专注事件中之短时间专注事件，如图3A中在1030s～1045s所示时间区间范围的标注结果均为1，由于上述时间区间范围小于波动时间容许阀值，可以将上述时间区间范围的标注结果设置为0，得到如图3C所示标注结果。即，对任一段连续性之序列，比对所有采样点之间之互相关系，首先对于相邻两专注事件中之短时间非专注事件，将小于波动时间容许阀值的非专注事件改设为专注状态，并将所述短时间非专注事件对应的脑电波信号标注为1。通过以下公式来判断所述非专注事件序列：
其中，xd[n]为相邻两专注事件中之短时间非专注事件，T为波动时间容许阀值。
而对于相邻两非专注事件中之短时间专注事件，将小于波动时间容许阀值的专注事件改设为非专注状态，并将所述短时间专注事件标注为0。通过以下公式来判断所述专注事件序列：
其中，xc[n]为相邻两专注事件中之短时间非专注事件，T为波动时间容许阀值。
请参阅图4，为本发明一些实施方式中专注力自动侦测方法流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。为了便于说明，仅示出了与本发明实施例相关的部分。
步骤S41、接收用户的脑电波信号。
在本实施方式中，所述脑电波信号由所述穿戴式量测装置2侦测后，发送至所述电子装置1。所述穿戴式量测装置2可以是可追踪脑电波的智能头带，所述智能头带采用的是弹性材料，可与用户的头部接触。例如，将所述智能头带配戴于前额至双耳后。所述智能头带具有七个电极，分别为第一电极、第二电极、第三电极、第四电极、第五电极、第六电极和第七电极。所述第一电极和第七电极分别与使用者左耳和右耳上方接触，所述第二电极、第三电极、第四电极、第五电极和第六电极可以与使用者前额接触。其中，位于中间位置的第三电极、第四电极和第五电极为参考电极，所述第一电极、第二电极、第六点电极和第七电极为测量电极，用于测量用户的脑电波信号。
在一些实施方式中，所述穿戴式量测装置2可在一时间区间中周期性的撷取用户的脑电波信号。例如，穿戴式量测装置2可以每秒撷取一次使用者的脑电波，且每次持续10秒。然而，应注意的是，本实施例中时间区间与脑波撷取频率仅为一种实施方式，本发明不以此为限。
由于采集脑电波时将所述穿戴式量测装置2与用户前额叶接触，而眼睛与所述前额叶十分接近，且角膜或眼皮肌肉运动时会带微量电荷。因此，往往在脑电波采集过程中，会同时采集到因为眨眼所造成的眨眼特征脑波。同样由于所述穿戴式量测装置2与用户耳朵上方接触，在使用者咀嚼过程中由于肌肉运动，会导致在脑电波采集过程中，采集到因为咀嚼所造成的咀嚼特征脑波。
在本实施方式中，所述穿戴式量测装置2将所述脑电波信号以及所述参考信号通过蓝牙或其他无线网络传输方式发送至所述电子装置1。
步骤S42、对所述脑电波信号进行预处理，所述预处理包括加窗处理、快速傅立叶变换、归一化和滤波。
由于采集的脑电波信号较微弱，很容易受到环境内其他信号的干扰。为了使提取的频段信号更加可靠，在接收到脑电波信号后，对所述脑电波信号进行预处理。所述预处理主要包括加窗处理、快速傅立叶变换、归一化和滤波。
(1)加窗处理：在对所述脑电波信号进行快速傅立叶变换之前，需要对所述脑电波信号通过加窗处理分成多个数据片段。所述加窗处理是将所述脑电波信号经过窗函数处理，得到多个数据片段。在本实施方式中，可以通过Hamming窗作为观测窗对所述脑电波信号进行处理。
(2)快速傅立叶变换：对每个窗内的数据作快速傅立叶变换得到频域脑电波信号，计算所述脑电波信号的功率谱得到所述脑电波信号的能量分布。
(3)归一化：在本实施方式中，通过将不同特征波段的脑电波信号能量总和除以采样频率内所有脑电波信号能量总和对各个频段脑电波信号进行归一化处理。由于不同年龄段用户脑电波信号强度不一致，甚至同一使用者在不同时间段采集的脑电波信号也不一致。因此，通过归一化处理所述脑电波信号，使得所有用户的脑电波信号都在百分比范围内。从而方便所述专注力自动标注系统适用于不同年龄段使用者。
(4)滤波：对所述归一化后的脑电波信号滤波。所述滤波包括通过带通滤波器和陷波器对所述归一化后的脑电波信号滤波。例如，先通过带通滤波将所述脑电波信号中的δ波、θ波、α波、β波和γ波保留，而去除其他频段的信号，再通过所述均值滤波器将δ波、θ波、α波、β波和γ波中的干扰信号去除。
可以理解的是，在其他实施方式中，上述对所述脑电波信号进行预处理可以在所述穿戴式量测装置2中执行，所述穿戴式量测装置2再将预处理后的脑电波信号发送至所述电子装置1。
步骤S43、对所述预处理后的脑电波信号进行特征值运算得到特征参数。
在本实施方式中，所述特征参数为所述脑电波信号中各频段信号的能量、频段信号比值及所述脑电波信号的分形维数。
在本实施方式中，所述频段信号比值包括β波与θ波之间的比值β/θ、γ波与α波之间的比值γ/α、β波与α波之间的比值β/α。
所述脑电波信号的分形维数可以通过Katz提出的一种针对波形数据计算分形维数的方法。具体计算方法为现有技术，在此不再赘述。
在本实施方式中，需要对所述特征参数对应的波形再次进行加窗处理和滤波处理。所述加窗处理与对脑电波信号进行预处理时的加窗处理一致。其中，所述加窗处理中的时间窗大小及重复比率为依据所收集之训练数据库及辨识成功率的平衡所调整出的数值。需要说明的是，虽然采用长时间的时间窗可进一步减低短时间噪声的影响，但同时亦可能损失对短时间事件的分辨率。例如，以五个不同测试者的测试数据测试调整后，采用10秒矩形窗。而所述滤波处理可以采用移动均值滤波器，所述移动均值滤波器可以有效降低离群值与噪声对特征参数对应的波形总体趋势的干扰。
在本实施方式中，为了直观比较脑电波各频段信号与各特征值的曲线变化，以查看所述脑电波各频段信号与各特征值与欲侦测事件的关联性，在对所述预处理后的脑电波信号进行特征值运算得到特征参数后，图形化显示所述特征参数。
步骤S44、利用所述特征参数进行专注力指数运算得到运算结果。
在本实施方式中，通过以下公式将所述特征参数进行专注力指数运算C(n)：
其中，Cch(n)为所述专注力指数，θch(t)、αch(t)、βch(t)和γch(t)分别脑电波信号中各频段信号的能量，
至
为各特征参数的权重值，CLch(n)为所述脑电波信号的分形维数。
需要说明的是，当侦测使用者是否持续性专注时，需要去掉使用者先天专注力状态起伏数据。由于不同使用者执行不同的事件时，会衍生出不同类型的脑电波数据，并且用户的脑部分区运用方式也不相同，采集的脑电波数据也会有所不同。为达成上述专注力指数的运算，需同时综合数种不同优势频段脑电波信号及囊括数种不同衍生脑电波信号。因此，可以通过实验并根据实验资料以机器学习之迭代法找出最佳特征参数组合及各特征参数的权重系数。例如，本方案中采用的特征参数是δ波、θ波、α波、β波，和频段信号比值β/θ、γ/α和β/α。
在本实施方式中，将频段信号比值β/θ、γ/α、β/α等三种组合列入的优点是对每一种组合，用户可同时监控两种频段在统一事件中的优势频段的消长。例如，如采集用户在执行记忆与决策事件测验中优势频段转换的消长。需要说明的是，所述频段信号比值β/θ、γ/α、β/α均有设定一上限值以避免指数过高形成离群值。
步骤S45、根据所述运算结果判断使用者是否专注。
在本实施方式中，通过将所述运算结果与阈值进行比对来判断使用者是否专注。当所述运算结果大于或等于所述阈值时，确认所述使用者专注；当所述运算结果小于所述阈值时，确认所述使用者不专注。
在另一实施方式中，可以通过将所述特征参数输入至分类器，并得到分类结果。所述分类器中可以包括预先建立的专注力判断模型。例如，持续性专注力判断模型和多事件专注力判断模型。可以理解的是，所述专注力判断模型还可以包括其他模型。
在本实施方式中，所述专注力判断模型为根据采集的用户的脑电波信号预先建立的。
步骤S46、对使用者的专注力结果进行标注。
在本实施方式中，通过上述步骤S41-步骤S46可以将采集的用户的脑电波信号进行分析判断用户是否专注，并在图形化显示的脑电波信号中进行专注力结果标注。以方便使用者在进行自主训练时有客观进步指标，做为调整训练内容的参照依据。可以提供有效侦测专注状态但对于短暂状态波动能有抑制力，从而避免频繁干涉的影响，能准确稳定提供连续性事件专注力判断。
Claims (12)
1.一种专注力自动侦测方法，其特征在于，所述方法包括：
接收用户的脑电波信号；
对所述脑电波信号进行预处理，所述预处理包括加窗处理、快速傅立叶变换、归一化和滤波；
对预处理后的脑电波信号进行特征值运算得到特征参数；
利用所述特征参数进行专注力指数运算得到运算结果；及
根据所述运算结果判断使用者是否专注。
2.如权利要求1所述的专注力自动侦测方法，其特征在于，所述特征参数包括所述脑电波信号中各频段信号的能量、频段信号比值及所述脑电波信号的分形维数。
3.如权利要求2所述的专注力自动侦测方法，其特征在于，通过以下公式计算所述专注力指数：
其中，Cch(n)为所述专注力指数，θch(t)、αch(t)、βch(t)和γch(t)分别脑电波信号中各频段信号的能量，
至
为各特征参数的权重值，CLch(n)为所述脑电波信号的分形维数。
4.如权利要求1所述的专注力自动侦测方法，其特征在于，所述根据所述运算结果判断使用者是否专注包括：
比对所述运算结果与一阈值；
当所述运算结果大于或等于所述阈值时，确认所述使用者专注；及
当所述运算结果小于所述阈值时，确认所述使用者不专注。
5.如权利要求4所述的专注力自动侦测方法，其特征在于，所述方法还包括：
对使用者的专注力结果进行标注；
当所述运算结果大于或等于所述阈值时，确认所述使用者专注，将对应时间段内的脑电波信号标注为1；
当所述运算结果小于所述阈值时，确认所述使用者不专注，将对应时间段内的脑电波信号标注为0。
6.如权利要求5所述的专注力自动侦测方法，其特征在于，所述方法还包括：
对于相邻两专注事件中之短时间非专注事件，将小于波动时间容许阀值的非专注事件改设为专注状态，并将所述短时间非专注事件对应的脑电波信号标注为1；
对于相邻两非专注事件中之短时间专注事件，将小于波动时间容许阀值的专注事件改设为非专注状态，并将所述短时间专注事件对应的脑电波信号标注为0。
7.一种专注力自动侦测系统，其特征在于，所述系统包括：
信号接收模块，用于接收用户的脑电波信号；
信号处理模块，用于对所述脑电波信号进行预处理，所述预处理包括加窗处理、快速傅立叶变换、归一化和滤波；
特征值运算模块，用于对预处理后的脑电波信号进行特征值运算得到特征参数；
专注力指数运算模块，用于利用所述特征参数进行专注力指数运算得到运算结果；及
判断模块，用于根据所述运算结果判断使用者是否专注。
8.如权利要求7所述的专注力自动侦测系统，其特征在于，所述特征参数包括所述脑电波信号中各频段信号的能量、频段信号比值及所述脑电波信号的分形维数。
9.如权利要求8所述的专注力自动侦测系统，其特征在于，通过以下公式计算所述专注力指数：
其中，Cch(n)为所述专注力指数，θch(t)、αch(t)、βch(t)和γch(t)分别脑电波信号中各频段信号的能量，
至
为各特征参数的权重值，CLch(n)为所述脑电波信号的分形维数。
10.如权利要求7所述的专注力自动侦测系统，其特征在于，所述判断模块还用于比对所述运算结果与一阈值；当所述运算结果大于或等于所述阈值时，确认所述使用者专注；及当所述运算结果小于所述阈值时，确认所述使用者不专注。
11.如权利要求10所述的专注力自动侦测系统，其特征在于，所述系统还包括标注模块，所述标注模块用于对用户的专注力结果进行标注；
当所述运算结果大于或等于所述阈值时，确认所述使用者专注，所述标注模块将对应时间段内的脑电波信号标注为1；
当所述运算结果小于所述阈值时，确认所述使用者不专注，所述标注模块将对应时间段内的脑电波信号标注为0。
12.如权利要求11所述的专注力自动侦测系统，其特征在于，对于相邻两专注事件中之短时间非专注事件，将小于波动时间容许阀值的非专注事件改设为专注状态，并将所述短时间非专注事件对应的脑电波信号标注为1；
对于相邻两非专注事件中之短时间专注事件，将小于波动时间容许阀值的专注事件改设为非专注状态，并将所述短时间专注事件对应的脑电波信号标注为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910810607.9A CN112515688A (zh) | 2019-08-29 | 2019-08-29 | 专注力自动侦测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910810607.9A CN112515688A (zh) | 2019-08-29 | 2019-08-29 | 专注力自动侦测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112515688A true CN112515688A (zh) | 2021-03-19 |
Family
ID=74973997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910810607.9A Pending CN112515688A (zh) | 2019-08-29 | 2019-08-29 | 专注力自动侦测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112515688A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114159064A (zh) * | 2022-02-11 | 2022-03-11 | 深圳市心流科技有限公司 | 基于脑电信号的专注力评估方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102920453A (zh) * | 2012-10-29 | 2013-02-13 | 泰好康电子科技（福建）有限公司 | 一种脑电波信号处理方法及其装置 |
| KR101640788B1 (ko) * | 2015-08-13 | 2016-07-29 | 국방과학연구소 | 사용자의 뇌파를 이용한 집중 상태 및 비집중 상태 검출 방법 및 그 장치 |
| CN106406534A (zh) * | 2016-09-28 | 2017-02-15 | 雷嘉兴 | 一种脑波参与控制的虚拟现实游戏设计技术 |
| CN106974647A (zh) * | 2017-04-01 | 2017-07-25 | 南京阿凡达机器人科技有限公司 | 一种脑电波头戴装置及遥控机器人和锻炼大脑的方法 |
| CN108805089A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态的情绪识别方法 |
| CN109637222A (zh) * | 2019-01-28 | 2019-04-16 | 探客柏瑞科技（北京）有限公司 | 脑科学智慧教室 |
| CN109758767A (zh) * | 2019-02-20 | 2019-05-17 | 浙江强脑科技有限公司 | 游戏难度调整方法、终端及计算机可读存储介质 |
| 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 CN201910810607.9A patent/CN112515688A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102920453A (zh) * | 2012-10-29 | 2013-02-13 | 泰好康电子科技（福建）有限公司 | 一种脑电波信号处理方法及其装置 |
| KR101640788B1 (ko) * | 2015-08-13 | 2016-07-29 | 국방과학연구소 | 사용자의 뇌파를 이용한 집중 상태 및 비집중 상태 검출 방법 및 그 장치 |
| CN106406534A (zh) * | 2016-09-28 | 2017-02-15 | 雷嘉兴 | 一种脑波参与控制的虚拟现实游戏设计技术 |
| CN106974647A (zh) * | 2017-04-01 | 2017-07-25 | 南京阿凡达机器人科技有限公司 | 一种脑电波头戴装置及遥控机器人和锻炼大脑的方法 |
| CN108805089A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态的情绪识别方法 |
| CN109637222A (zh) * | 2019-01-28 | 2019-04-16 | 探客柏瑞科技（北京）有限公司 | 脑科学智慧教室 |
| CN109758767A (zh) * | 2019-02-20 | 2019-05-17 | 浙江强脑科技有限公司 | 游戏难度调整方法、终端及计算机可读存储介质 |
| 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 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114159064A (zh) * | 2022-02-11 | 2022-03-11 | 深圳市心流科技有限公司 | 基于脑电信号的专注力评估方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020119245A1 (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
| US9801553B2 (en) | System, method, and computer program product for the real-time mobile evaluation of physiological stress | |
| EP2698112B1 (en) | Real-time stress determination of an individual | |
| US8323216B2 (en) | System and method for applied kinesiology feedback | |
| US20170367635A1 (en) | Apparatus and Method for Detecting a State of a Driver Based on Biometric Signals of the Driver | |
| CN108836323B (zh) | 一种基于脑电波分析的学习状态监测系统及其使用方法 | |
| Gunawardhane et al. | Non invasive human stress detection using key stroke dynamics and pattern variations | |
| KR20040032451A (ko) | 생체신호 기반의 건강 관리 기능을 갖는 모바일 기기 및이를 이용한 건강 관리 방법 | |
| JP2017121286A (ja) | 情動推定システム、情動推定方法および情動推定プログラム | |
| JP2023520573A (ja) | Ｅｅｇの記録および分析 | |
| CN114246589A (zh) | 记忆认知能力测评方法及系统 | |
| Rahman et al. | Mental stress recognition using K-nearest neighbor (KNN) classifier on EEG signals | |
| TW202108077A (zh) | 專注力自動偵測方法和系統 | |
| Khalil et al. | Implementation of machine learning in BCI based lie detection | |
| CN112515688A (zh) | 专注力自动侦测方法和系统 | |
| JP2008253727A (ja) | モニタ装置、モニタシステム及びモニタ方法 | |
| JPH1119075A (ja) | メンタルストレス判定装置 | |
| EP3305181B1 (en) | Method and system for determining inactive state and its implication over cognitive load computation of a person | |
| KR20170123133A (ko) | 생체정보를 이용한 감성 인식 시스템 및 방법 | |
| Zhang et al. | A novel accelerometer-based method for the real-time assessment of Parkinson's tremor | |
| CN106361327B (zh) | 睡眠状态分析中清醒状态检测方法和系统 | |
| CN111902084B (zh) | 信息处理装置、疲劳评价方法以及程序 | |
| Mohammadzadeh et al. | Prediction of physiological response over varying forecast lengths with a wearable health monitoring platform | |
| CN114983434A (zh) | 一种基于多模态脑功能信号识别的系统及方法 | |
| DE102018000883B4 (de) | Biofeedbacksystem zur Verwendung in einem Verfahren zur Prävention, Diagnose und Therapie von Stress und kognitivem Leistungsabfall bedingt durch der Unterhaltung, Kommunikation und Datenverarbeitung dienende, elektronische Bildschirmgeräte |
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 |