CN112826509A - 视觉注意力水平识别方法 - Google Patents

视觉注意力水平识别方法 Download PDF

Info

Publication number
CN112826509A
CN112826509A CN202011056426.0A CN202011056426A CN112826509A CN 112826509 A CN112826509 A CN 112826509A CN 202011056426 A CN202011056426 A CN 202011056426A CN 112826509 A CN112826509 A CN 112826509A
Authority
CN
China
Prior art keywords
visual
visual attention
stimuli
electroencephalogram
attention level
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
Application number
CN202011056426.0A
Other languages
English (en)
Inventor
许敏鹏
程秀敏
魏斯文
明东
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202011056426.0A priority Critical patent/CN112826509A/zh
Publication of CN112826509A publication Critical patent/CN112826509A/zh
Pending legal-status Critical Current

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
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Developmental Disabilities (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及脑电技术、医疗器械，为提出一种通过测量背景SSVEP进行视觉注意力水平识别的新策略，发展适用于识别不同视觉注意力水平下SSVEP信号的判别典型模式匹配(discriminative canonical pattern matching,DCPM)算法，并获得理想的分类正确率。为此，本发明采取的技术方案是，视觉注意力水平识别方法,设计以稳态视觉刺激为背景且可诱发视觉注意力疲劳的实验范式，搭建好实验所需的脑电信号采集装置，利用搭建的装置，采集操作者的行为学数据和脑电信号，将其存储后再进行预处理和特征提取，最后进行分类，计算其判别正确率。本发明主要应用于视觉注意力水平识别场合。

Description

视觉注意力水平识别方法
技术领域
本发明涉及脑电技术、医疗器械，具体涉及视觉注意力水平识别装置和方法。
背景技术
注意(attention)指心理活动集中于某一事物而忽略其他不相关事物的行为和认知过程。在人们日常学习、工作和生活中，注意发挥着至关重要的作用。但是，对于大多数人而言，长时间保持良好的注意状态是极其困难的。伴随着注意力水平的下降，不仅学习、工作效率会受到直接影响，甚至可能引发严重的事故。如果注意力的下降可以被提前感知，就有可能在失误来临之前采取相应的措施加以阻止，控制由于注意力水平下降造成的失误。然而，大多数时候个体无法准确识别自己的注意状态，特别是当注意已经脱离手头任务的时候。因此，注意力水平识别技术有着重大的研究意义和应用价值。
注意的过程包含大量复杂的神经活动，这导致直接对注意力水平进行识别具有一定的挑战性。现有的注意力水平识别方法主要分为心理行为测验和仪器测量两种。其中心理行为测验包括问卷法和作业法，这些方法操作简便，能够在一定程度上反映被试的注意水平，但是由于在实验过程中被试存在误操作现象以及检测方法的各式各样，导致了测量结果不准确且难以标准化，并且这种方法需要在被试完成全部测试后再进行评估，因此无法实现对注意力水平的早期监测；仪器测量法包括持续性操作测试、行为学检测、眼动检测、脑电图 (electroencephalogram,EEG)、脑磁图(magnetoencephalography,MEG)、磁共振成像(magnetic resonance imaging,MRI)等。持续性操作测试和行为学检测为离线识别，不具备实时性；眼动检测虽然可以实时监测被试的注视行为，但是无法区分注视过程中的注意力水平；EEG、 MEG和MRI作为非侵入式的神经成像技术，包含了大量的人体生理、心理以及病理信息。相较于MEG和MRI，EEG具有时间分辨率高、成像时间短和简便易行等优势，这为基于EEG 的注意力水平识别技术进一步向应用成果转化奠定了有力基础。
以往基于EEG的注意力水平识别大多是直接采取自发脑电信号特征，比如计算θ、α与β波段脑电信号的功率比值。这种方法识别效果易受干扰，且个体间差异性较大。相对于自发脑电，稳态诱发电位具有信噪比高、频率标记、连续时间过程监测等特性。其中稳态视觉诱发电位(steady state visual evoked potential,SSVEP)作为一种相对稳定的大脑活动模式，近年来的研究结果表明，视觉注意对其具有调节作用。具体来讲，在注意情景下，以特定频率振荡的稳态视觉刺激诱发的相应SSVEP的响应幅度会得到增强，但是研究发现这一调节作用非常微弱，目前还未有研究证明视觉注意对SSVEP信号的调制结果具有可分性。因此，证明不同视觉注意水平下SSVEP信号特征是可分的，对于开发新型的视觉注意力水平监测识别技术具有重要意义。
发明内容
为克服现有技术的不足，本发明旨在基于视觉注意对SSVEP的调制作用，结合可诱发视觉注意力疲劳的实验范式，提出一种通过测量背景SSVEP进行视觉注意力水平识别的新策略，发展适用于识别不同视觉注意力水平下SSVEP信号的判别典型模式匹配(discriminative canonical pattern matching,DCPM)算法，并获得理想的分类正确率。为此，本发明采取的技术方案是，视觉注意力水平识别方法,设计以稳态视觉刺激为背景且可诱发视觉注意力疲劳的实验范式，搭建好实验所需的脑电信号采集装置，利用搭建的装置，采集操作者的行为学数据和脑电信号，将其存储后再进行预处理和特征提取，最后进行分类，计算其判别正确率。
构建如下实验范式，视觉刺激由软件产生，视觉刺激包括背景稳态视觉刺激以及能够诱发视觉注意力疲劳的瞬态任务刺激，这里的瞬态任务刺激为出现在背景白圆上半部分或下半部分的蓝色小圆点，被试安静地坐于屏幕前靠椅上，注视着计算机屏幕上的视觉刺激界面进行按键反应，脑电信号由脑电采集系统采集，脑电信号的预处理包括：降采样，带通滤波、有效数据段截取，在脑电信号采集的同时保存被试的行为学反应数据，高、低视觉注意力状态由行为学反应情况判定，将预处理后的脑电信号以及相应的行为学数据输入判别典型模式匹配DCPM算法得到基于脑电的视觉注意状态识别模型，实现对不同视觉注意状态下脑电信号的识别。
视觉刺激的设计以10Hz稳态视觉刺激SSVS(steady state visual stimulus)作为背景的 go/no-go实验范式为例，刺激序列呈现在像素为1600*900，刷新率为60Hz的液晶显示屏上，每个block中包含600个试次，持续时间为10min。在每个go和no-go试次中背景SSVS为位于屏幕中央以10Hz频率闪烁的白色圆形，其半径大小为25个像素，SSVS在整个试次中都存在；瞬态任务刺激TTS(transient task stimulus)为每隔1s随机出现在白圆的上半部分或者下半部分的蓝色RGB(0,0,128)小圆点，其半径大小为1个像素，当蓝色小圆点出现在白圆的上半部分时为go刺激，出现在下半部分时为no-go刺激，go刺激与no-go刺激在每个试次中的持续时间为700ms，实验过程中其余的屏幕背景为黑色(RGB(0,0,0))。
每个block中go刺激出现的概率是88％，此时被试需要尽可能快地按下↑键；no-go刺激出现的概率是12％，此时被试不需要按键。no-go刺激出现时，被试未按键则为反应正确，意味着被试处于高注意力水平；被试按键则为反应错误，意味着被试处于低注意力水平，反应正确和反应错误均指被试在刺激出现后0～1s时间段内所做出的反应。
利用结合空间滤波和模板匹配的DCPM算法构建了分类模板，DCPM算法由三个主要部分组成：(1)判别空间模式DSPs(discriminative spatial patterns)的构建；(2)典型相关分析 CCA(canonical correlation analysis)模板的构建；(3)模板匹配；具体计算过程如下：
(1)构建判别空间模式，以消除共模噪声
Figure RE-GDA0003026416790000021
是模式k＝1,2的训练集，
Figure RE-GDA0003026416790000022
是测试集，其中Nc是导联数，Nt是采样时间点数，Ns是样本量。模式k的模板，记为
Figure RE-GDA0003026416790000023
是训练样本的平均值。
Figure RE-GDA0003026416790000024
的协方差矩阵为：
Figure RE-GDA0003026416790000025
X1和X2的方差为：
Figure RE-GDA0003026416790000031
Figure RE-GDA0003026416790000032
基于Fisher’s线性判别准则，DSP找到一个投影矩阵W，W可被视为一组空间滤波器，
Figure RE-GDA0003026416790000033
SB＝Σ11+Σ22-Σ12-Σ21 (5)
Figure RE-GDA0003026416790000034
其中λi是W第i列的特征值；
(2)CCA模板的构建
通过W去除共模噪声后，利用CCA算法找到两个投影矩阵Uk和Vk来揭示
Figure RE-GDA0003026416790000035
和WTY之间潜在的相关性，这一过程相当于求解：
Figure RE-GDA0003026416790000036
其中ε[·]是期望值；
(3)模板匹配
最后，在模式匹配过程中，确定训练模板和测试数据间的相似度
Figure RE-GDA0003026416790000037
Figure RE-GDA0003026416790000038
的计算过程如下式：
Figure RE-GDA0003026416790000039
其中corr(*)为Pearson’s相关，dist(*)为欧氏距离；
Figure RE-GDA00030264167900000310
Y的预测编码模式为：
Figure RE-GDA00030264167900000311
本发明的特点及有益效果是：
本发明提出了通过测量背景SSVEP实现对视觉注意力水平识别的新策略，该策略通过将一定频率的SSVS设置为可诱发视觉注意力疲劳实验范式的背景，采集到不同视觉注意力水平下的SSVEP信号。利用DCPM算法构建了适用于识别不同视觉注意力水平下SSVEP信号差异的分类模板，针对十五名被试的离线结果显示系统的分类正确率可达76％，且个体间差异性较小，这表明不同视觉注意状态调制SSVEP特征是可分的，本发明提出的新策略可识别人们在一些生活场景中的注意力水平。
附图说明：
图1结构示意。
图2基于脑电的视觉注意状态识别模型的构建。
图3视觉刺激序列。
具体实施方式
稳态视觉诱发电位(SSVEP)是人的视觉系统对外界周期性的视觉刺激做出的响应。研究表明，在注意情景下，以特定频率振荡的稳态视觉刺激诱发的相应SSVEP的响应幅度会得到增强。本发明结合可以诱发视觉注意力疲劳的实验范式，提出了一种通过测量背景SSVEP进行视觉注意力水平识别的新策略，并发展了适用于识别不同视觉注意力水平下SSVEP信号的判别典型模式匹配(DCPM)算法。离线测试实验结果表明，利用DCPM算法可获得较高分类正确率，这证明了不同视觉注意状态调制的SSVEP特征具有可分性，通过测量背景SSVEP可以实现对视觉注意力水平的识别。相关研究思路和技术可供视觉注意力水平识别系统设计与推广应用参考。
其技术流程是：设计以稳态视觉刺激为背景且可诱发视觉注意力疲劳的实验范式，搭建好实验所需的脑电信号采集装置，然后在实验系统指导下，采集操作者的行为学数据和脑电信号，将其存储后再进行一定的预处理和特征提取，最后进行分类，计算其判别正确率。
本发明基于视觉注意对SSVEP的调制作用，结合可诱发视觉注意力疲劳的实验范式，首次提出了一种通过测量背景SSVEP进行视觉注意力水平识别的新策略，发展了适用于识别不同视觉注意力水平下SSVEP信号的判别典型模式匹配(discriminative canonicalpattern matching,DCPM)算法，并获得了理想的分类正确率，证明了视觉注意对SSVEP信号的调制结果具有可分性。进一步研究可实现对注意力水平的实时监测，有望获得可观的社会效益和经济效益。
图1为本发明的结构示意图。该设计可应用于一些需要监测视觉注意力水平的场景，比如学习、工作、驾驶等等，通过采集人们在这些场景中的脑电信号，利用构建的基于脑电的视觉注意状态识别模型可识别出人们在这些场景中的视觉注意力状态。
基于脑电的视觉注意状态识别模型的构建过程如图2所示，其中视觉刺激由MATLAB软件中的Psychtoolbox工具包产生，视觉刺激包括背景稳态视觉刺激以及能够诱发视觉注意力疲劳的瞬态任务刺激，这里的瞬态任务刺激为出现在背景白圆上半部分或下半部分的蓝色小圆点。实验过程中被试安静地坐于距屏幕约60cm的靠椅上，注视着计算机屏幕上的视觉刺激界面并进行按键反应。脑电信号由NeuroScan公司生产的脑电采集系统采集，脑电信号的预处理包括：降采样，带通滤波、有效数据段截取等。在脑电信号采集的同时保存被试的行为学反应数据。高、低视觉注意力状态由行为学反应情况判定。将预处理后的脑电信号以及相应的行为学数据输入DCPM算法得到基于脑电的视觉注意状态识别模型，实现对不同视觉注意状态下脑电信号的识别。
1视觉刺激模块设计
视觉刺激的设计以10Hz稳态视觉刺激(steady state visual stimulus,SSVS)作为背景的go/no-go实验范式为例，go/no-go实验范式是一种常用于研究反应停止能力的范式，长时间执行可诱发视觉注意力疲劳。具体实验设计如图3所示。刺激序列呈现在像素为1600*900，刷新率为60Hz的液晶显示屏上。图3中左上角有(a)的小图表示每个block中包含600个试次，持续时间为10min。图3中左上角有(b)、(c)的小图分别表示在每个go 和no-go试次中SSVS和瞬态任务刺激(transient task stimulus,TTS)的具体呈现方式。其中背景SSVS为位于屏幕中央以10Hz频率闪烁的白色(RGB(255,255,255))圆形，其半径大小为25个像素，SSVS在整个试次中都存在；TTS为每隔1s随机出现在白圆的上半部分或者下半部分的蓝色(RGB(0,0,128))小圆点，其半径大小为1个像素(视角0.076°)，当蓝色小圆点出现在白圆的上半部分时为go刺激，出现在下半部分时为no-go刺激，go刺激与no-go刺激在每个试次中的持续时间为700ms。实验过程中其余的屏幕背景为黑色(RGB (0,0,0))。
每个block中go刺激出现的概率是88％，此时被试需要尽可能快地按下↑键；no-go刺激出现的概率是12％，此时被试不需要按键。no-go刺激出现时，被试未按键则为反应正确，意味着被试处于高注意力水平；被试按键则为反应错误，意味着被试处于低注意力水平。反应正确和反应错误均指被试在刺激出现后0～1s时间段内所做出的反应。
2分类识别模板构建
本设计利用结合空间滤波和模板匹配的DCPM算法构建了分类模板。DCPM算法由三个主要部分组成：(1)判别空间模式(discriminative spatial patterns,DSPs)的构建(2)典型相关分析(canonical correlation analysis,CCA)模板的构建(3)模板匹配。具体计算过程如下：
(1)构建判别空间模式，以消除共模噪声
假设
Figure RE-GDA0003026416790000051
是模式k＝1,2的训练集，
Figure RE-GDA0003026416790000052
是测试集，其中Nc是导联数，Nt是采样时间点数，Ns是样本量。它们在时间上都是零均值。模式k的模板，记为
Figure RE-GDA0003026416790000053
是训练样本的平均值。
Figure RE-GDA0003026416790000054
的协方差矩阵为：
Figure RE-GDA0003026416790000055
X1和X2的方差为：
Figure RE-GDA0003026416790000056
Figure RE-GDA0003026416790000057
基于Fisher’s线性判别准则，DSP找到一个投影矩阵W，W可被视为一组空间滤波器，可使两类模板在经过变换后更易辨别，
Figure RE-GDA0003026416790000058
SB＝Σ11+Σ22-Σ12-Σ21 (5)
Figure RE-GDA0003026416790000059
其中λi是W第i列的特征值。
(2)CCA模板的构建
通过W去除共模噪声后，利用CCA算法找到两个投影矩阵Uk和Vk来揭示
Figure RE-GDA0003026416790000061
和WTY之间潜在的相关性，这一过程相当于求解：
Figure RE-GDA0003026416790000062
其中ε[·]是期望值。
(3)模板匹配
最后，在模式匹配过程中，确定训练模板和测试数据间的相似度
Figure RE-GDA0003026416790000063
Figure RE-GDA0003026416790000064
的计算过程如下式：
Figure RE-GDA0003026416790000065
其中corr(*)为Pearson’s相关，dist(*)为欧氏距离。
Figure RE-GDA0003026416790000066
Y的预测编码模式为：
Figure RE-GDA0003026416790000067
DCPM算法是对传统CCA算法的改进，本设计在此基础上有效利用SSVEP的谐波成分，以组合特征信号为模板输入方式，大大提高了不同注意力水平下SSVEP特征的分类识别正确率。
本发明设计了一种视觉注意力水平的识别方法。该项发明可以用于提高学习效率、保障安全驾驶、辅助运动训练等领域，进一步研究可实现对视觉注意力水平的在线监测，有望获得可观的社会效益和经济效益。

Claims (3)

1.一种视觉注意力水平识别方法，其特征是，设计以稳态视觉刺激为背景且可诱发视觉注意力疲劳的实验范式，搭建好实验所需的脑电信号采集装置，利用搭建的装置，采集操作者的行为学数据和脑电信号，将其存储后再进行预处理和特征提取，最后进行分类，计算其判别正确率。
2.如权利要求1所述的视觉注意力水平识别方法，其特征是，构建如下实验范式，视觉刺激由软件产生，视觉刺激包括背景稳态视觉刺激以及能够诱发视觉注意力疲劳的瞬态任务刺激，这里的瞬态任务刺激为出现在背景白圆上半部分或下半部分的蓝色小圆点，被试安静地坐于屏幕前靠椅上，注视着计算机屏幕上的视觉刺激界面进行按键反应，脑电信号由脑电采集系统采集，脑电信号的预处理包括：降采样，带通滤波、有效数据段截取，在脑电信号采集的同时保存被试的行为学反应数据，高、低视觉注意力状态由行为学反应情况判定，将预处理后的脑电信号以及相应的行为学数据输入判别典型模式匹配DCPM算法得到基于脑电的视觉注意状态识别模型，实现对不同视觉注意状态下脑电信号的识别。
3.如权利要求2所述的视觉注意力水平识别方法，其特征是，视觉刺激的设计以10Hz稳态视觉刺激SSVS(steady state visual stimulus)作为背景的go/no-go实验范式，刺激序列呈现在像素为1600*900，刷新率为60Hz的液晶显示屏上，每个block中包含600个试次，持续时间为10min，在每个go和no-go试次中背景SSVS为位于屏幕中央以10Hz频率闪烁的白色圆形，其半径大小为25个像素，SSVS在整个试次中都存在；瞬态任务刺激TTS(transienttask stimulus)为每隔1s随机出现在白圆的上半部分或者下半部分的蓝色RGB(0,0,128)小圆点，其半径大小为1个像素，当蓝色小圆点出现在白圆的上半部分时为go刺激，出现在下半部分时为no-go刺激，go刺激与no-go刺激在每个试次中的持续时间为700ms，实验过程中其余的屏幕背景为黑色(RGB(0,0,0))；
每个block中go刺激出现的概率是88％，此时被试需要尽可能快地按下↑键；no-go刺激出现的概率是12％，此时被试不需要按键。no-go刺激出现时，被试未按键则为反应正确，意味着被试处于高注意力水平；被试按键则为反应错误，意味着被试处于低注意力水平，反应正确和反应错误均指被试在刺激出现后0～1s时间段内所做出的反应；
利用结合空间滤波和模板匹配的DCPM算法构建分类模板，DCPM算法由三个主要部分组成：(1)判别空间模式DSPs(discriminative spatial patterns)的构建；(2)典型相关分析CCA(canonical correlation analysis)模板的构建；(3)模板匹配；具体计算过程如下：
(1)构建判别空间模式，以消除共模噪声
Figure FDA0002710996660000011
是模式k＝1，2的训练集，
Figure FDA0002710996660000012
是测试集，其中Nc是导联数，Nt是采样时间点数，Ns是样本量。模式k的模板，记为
Figure FDA0002710996660000013
是训练样本的平均值，
Figure FDA0002710996660000014
的协方差矩阵为：
Figure FDA0002710996660000015
X1和X2的方差为：
Figure FDA0002710996660000021
Figure FDA0002710996660000022
基于Fisher’s线性判别准则，DSP找到一个投影矩阵W，W可被视为一组空间滤波器，
Figure FDA0002710996660000023
SB＝Σ11+Σ22-Σ12-Σ21 (5)
Figure FDA0002710996660000024
其中λi是W第i列的特征值；
(2)CCA模板的构建
通过W去除共模噪声后，利用CCA算法找到两个投影矩阵Uk和Vk来揭示
Figure FDA0002710996660000025
和WTY之间潜在的相关性，这一过程相当于求解：
Figure FDA0002710996660000026
其中ε[·]是期望值；
(3)模板匹配
最后，在模式匹配过程中，确定训练模板和测试数据间的相似度
Figure FDA00027109966600000210
Figure FDA00027109966600000211
的计算过程如下式：
Figure FDA0002710996660000027
其中corr(*)为Pearson’s相关，dist(*)为欧氏距离；
Figure FDA0002710996660000028
Y的预测编码模式为：
Figure FDA0002710996660000029
CN202011056426.0A 2020-09-30 2020-09-30 视觉注意力水平识别方法 Pending CN112826509A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011056426.0A CN112826509A (zh) 2020-09-30 2020-09-30 视觉注意力水平识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011056426.0A CN112826509A (zh) 2020-09-30 2020-09-30 视觉注意力水平识别方法

Publications (1)

Publication Number Publication Date
CN112826509A true CN112826509A (zh) 2021-05-25

Family

ID=75923471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011056426.0A Pending CN112826509A (zh) 2020-09-30 2020-09-30 视觉注意力水平识别方法

Country Status (1)

Country Link
CN (1) CN112826509A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114145756A (zh) * 2021-12-15 2022-03-08 电子科技大学中山学院 协作机器人控制方法、装置及计算机可读存储介质
CN114343640A (zh) * 2022-01-07 2022-04-15 北京师范大学 注意力评估方法及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130245422A1 (en) * 2010-06-22 2013-09-19 National Research Council Of Canada Cognitive Function Assessment in a Patient
US20160287157A1 (en) * 2013-07-01 2016-10-06 Gregory V. Simpson Systems and Methods for Assessing and Improving Sustained Attention
WO2019048525A1 (fr) * 2017-09-08 2019-03-14 Centre National De La Recherche Scientifique Decodage de l'attention visuelle d'un individu a partir de signaux electroencephalographiques
CN111460892A (zh) * 2020-03-02 2020-07-28 五邑大学 一种脑电图模式分类模型的训练方法、分类方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130245422A1 (en) * 2010-06-22 2013-09-19 National Research Council Of Canada Cognitive Function Assessment in a Patient
US20160287157A1 (en) * 2013-07-01 2016-10-06 Gregory V. Simpson Systems and Methods for Assessing and Improving Sustained Attention
WO2019048525A1 (fr) * 2017-09-08 2019-03-14 Centre National De La Recherche Scientifique Decodage de l'attention visuelle d'un individu a partir de signaux electroencephalographiques
CN111460892A (zh) * 2020-03-02 2020-07-28 五邑大学 一种脑电图模式分类模型的训练方法、分类方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许敏鹏，程秀敏，明东: "《不同视觉注意状态调制稳态视觉诱发电位特征的可分性研究》", 《生物医学工程学杂志》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114145756A (zh) * 2021-12-15 2022-03-08 电子科技大学中山学院 协作机器人控制方法、装置及计算机可读存储介质
CN114343640A (zh) * 2022-01-07 2022-04-15 北京师范大学 注意力评估方法及电子设备
CN114343640B (zh) * 2022-01-07 2023-10-13 北京师范大学 注意力评估方法及电子设备

Similar Documents

Publication Publication Date Title
CN102014742B (zh) 现场可部署的震荡检测器
US9101276B2 (en) Analysis of brain patterns using temporal measures
CN105496404B (zh) 基于脑机接口辅助crs-r量表听觉惊吓的评估方法
CN103699226A (zh) 一种基于多信息融合的三模态串行脑-机接口方法
CN110063732A (zh) 用于精神分裂症早期检测和风险预测系统
Torres et al. Facial emotions are accurately encoded in the neural signal of those with autism spectrum disorder: A deep learning approach
CN112826509A (zh) 视觉注意力水平识别方法
Yudhana et al. Human emotion recognition based on EEG signal using fast fourier transform and K-Nearest neighbor
CN101455569A (zh) 心理生理信号多时窗采集分析系统与测谎方法
CN201200401Y (zh) 一种老年性痴呆的诊断装置
CN109308118A (zh) 基于eog的中文眼写信号识别系统及其识别方法
CN108962379B (zh) 一种脑神经系统疾病的手机辅助检测系统
Barrera et al. Impact of size and shape for textile surface electromyography electrodes: A study of the biceps brachii muscle
Eisenhauer et al. Context-based facilitation in visual word recognition: Evidence for visual and lexical but not pre-lexical contributions
Christoforou et al. Single-trial FRPs: A Machine Learning Approach Towards the Study of the Neural Underpinning of Reading Disorders
Jiao et al. Multilayer correlation maximization for frequency recognition in SSVEP brain-computer interface
Chan et al. ELM (extreme learning machine) method for detecting acute ischemic stroke using conventional and specific asymmetry BSI (brain symmetry index) features based on EEG signals
CN110516711B (zh) Mi-bci系统的训练集质量评估方法和单次训练样本的优化方法
Mohammed et al. A Survey for Lie Detection Methodology Using EEG Signal Processing
CN114983434A (zh) 一种基于多模态脑功能信号识别的系统及方法
Zhang et al. FPGA implementation of visual noise optimized online steady-state motion visual evoked potential BCI System
Vadivu et al. An Novel Versatile Inspiring Wavelet Transform and Resilient Direct Neural Network Classification Techniques for Monitoring Brain Activity System Based on EEG Signal
CN106388812B (zh) 清醒状态下的脑电信号数据类型的标注方法和系统
CN108451526A (zh) 使用瞳孔反应来检测频域心脏信息的方法及系统
Fazel-Rezai P300-based speller brain-computer interface

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210525

WD01 Invention patent application deemed withdrawn after publication