CN112911136A - 一种基于脑电波的录像控制方法 - Google Patents
一种基于脑电波的录像控制方法 Download PDFInfo
- Publication number
- CN112911136A CN112911136A CN202110031403.2A CN202110031403A CN112911136A CN 112911136 A CN112911136 A CN 112911136A CN 202110031403 A CN202110031403 A CN 202110031403A CN 112911136 A CN112911136 A CN 112911136A
- Authority
- CN
- China
- Prior art keywords
- threshold
- concentration
- relaxation
- data
- user
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000000669 biting effect Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000003340 mental effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 2
- 238000001454 recorded image Methods 0.000 description 2
- 230000002040 relaxant effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/76—Television signal recording
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Neurosurgery (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Dermatology (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于脑电波的录像控制方法，包括如下步骤：S1：获取脑电波数据；S2：从所述脑电波数据中提取出下述数据中的至少一个：专注度数据、放松度数据和喜好度数据；S3：若所提取的所述专注度数据、放松度数据或喜好度数据大于预先设置的相应专注度阈值、放松度阈值或喜好度阈值，则启动拍照和/或录像，其中，所述专注度阈值、放松度阈值或喜好度阈值设置为可调节。通过确定阈值的数值范围更精准的获取用户的专注度、放松度和喜好度变化，从而记录用户需要的照片或视频，提供用户的满意度。
Description
技术领域
本发明涉及脑电波技术领域，尤其涉及一种基于脑电波的录像控制方法。
背景技术
随着电子技术的不断发展，脑电检测及应用已经越来越受到人们的关注，脑电波检测技术也取得了很大的进步。
现有技术中的脑电应用中，有一种是利用人在专注或者放松、喜好时，通过人体大脑专注度、放松度和喜好度的变化，通过摄像机记录人在环境中感动、开心、放松或者专注瞬间视频片段。如《CN201810125048-头箍式脑波摄像机》、《CN201610872134-脑波检测仪及其录像控制方法》、《CN201610870482-基于脑波的录像控制方法及装置》等。
但现有技术还存在如下问题：专注度、放松度和喜好度的变化判断是否准确对拍摄的效果有很大的影响，如果发生专注度、放松度和喜好度变化判断不准确就会造成该录的像没有录到，或者录到不该录的像等问题。
现有技术中缺乏一种基于脑电波的设置阈值的方法及计算机程序。
发明内容
本发明为了解决现有中缺乏一种基于脑电波的设置阈值的方法的问题，提供一种基于脑电波的设置阈值的方法。
为了解决上述问题，本发明采用的技术方案如下所述：
一种基于脑电波的录像控制方法，包括如下步骤：S1：获取脑电波数据；S2：从所述脑电波数据中提取出下述数据中的至少一个：专注度数据、放松度数据和喜好度数据；S3：若所提取的所述专注度数据、放松度数据或喜好度数据大于预先设置的相应专注度阈值、放松度阈值或喜好度阈值，则启动拍照和/或录像；其中，所述专注度阈值、放松度阈值或喜好度阈值设置为可调节。
在本发明的一种实施例中，调节所述专注度阈值、放松度阈值或喜好度阈值的方法包括脑波应用训练，包括如下步骤：S31：对大脑进行脑力训练引导；S32：将训练结果上传到云端进行数据分析并得到分析结果；S33：根据所述分析结果调节所述专注度阈值、放松度阈值或喜好度阈值。步骤S32中所述分析结果包括：根据用户认为自己是否达到专注状态、放松状态和喜好状态的判断，分别确定所述用户专注度的值、放松度的值和喜好度的值；所述用户通过咬牙动作反馈自己达到所述专注状态、放松状态或喜好状态；步骤S32中所述分析结果还包括：通过分别采集至少两组数据并取平均值确定所述专注度阈值、放松度阈值或喜好度阈值；或，确定所述专注度阈值、放松度阈值或喜好度阈值：使得用所述专注度阈值、放松度阈值或喜好度阈值判断用户是否处于专注、放松或喜好状态时出错最少，所述出错最少包括误判率最低和漏判率最低。
在本发明的另一种实施例中，调节所述专注度阈值、放松度阈值或喜好度阈值的方法包括调节所述专注度阈值、放松度阈值或喜好度阈值的方法包括设置调节，供用户根据需要人为设置。
在本发明的另一种实施例中，调节所述专注度阈值、放松度阈值或喜好度阈值的方法包括：根据所述用户查看拍摄的照片或视频时对是否符合用户预期的回答而进行调节得到的专注度阈值、放松度阈值或喜好度阈值。
在本发明的另一种实施例中，调节所述专注度阈值、放松度阈值或喜好度阈值的方法包括深度神经网络学习，包括如下步骤：T31：所述拍照和/或录像接受查看和评价；T32：将所述查看和评价结果输入到深度神经网络进行深度学习，从而调节所述专注度阈值、放松度阈值或喜好度阈值的数值范围。
在本发明的另一种实施例中，所述用户查看拍摄的照片或视频时对是否符合用户预期的回答包括：专注度拍摄下的视频数目是多了还是少了还是刚刚好；根据用户的回答上下调整专注度拍摄的阈值，新设定阈值配置在下一次开机拍摄时就会生效；如此循环。
在本发明的另一种实施例中，还将所述专注度阈值、放松度阈值或喜好度阈值上传至云端，进行统计和比对，根据用户标签得到不同用户群体的阈值设置偏好；将所述阈值设置偏好推荐给具有相同所述标签的其他用户。
在本发明的又一种实施例中，步骤S2中提取出的数据还包括咬牙信号数据，将所述咬牙信号数据与预先设置的咬牙信号阈值对比，当所述咬牙信号数据大于所述咬牙信号阈值时，判断为有咬牙动作发生。所述咬牙信号的获取方法包括如下步骤：R1：对所述脑电波信号进行傅立叶变换，得到脑电波信号的频域信号； R2：在频域信号中，求取特定频率范围内的信号幅度的平均值；该平均值作为咬牙信号数据。所述特定频率范围为的下限为14-16Hz，上限为28-32Hz；所述咬牙信号阈值取无咬牙动作时所述特定频率范围内的信号幅度的平均值的10-20 倍。
在本发明的再一种实施例中，还包括如下步骤中的至少一步：S4：将所述拍照和/或录像进行标记并分类；S5：从所述拍照和/或录像中选取出至少一个拍照和/或录像进行处理得到生活记录；S6：将所述生活记录导出或分享。
本发明还提供一种计算机程序，其可被计算机执行，以实现如上所述的方法。
本发明的有益效果为：本发明所提供的一种基于脑电波的录像控制方法，是考虑到我们发现每个人的专注度、放松度和喜好度变化的阈值是不同的，无法设为一个固定的值，而且同一个用户使用脑检测设备的熟练程度不同也会有不同的结果，因此本发明通过可调节的阈值，实现更精准地获取用户的专注度、放松度和喜好度变化，从而记录用户需要的照片或视频，提供用户的满意度。
附图说明
图1是根据本发明一个实施例的一种基于脑电波的录像控制方法的示意图。
图2是根据本发明一个实施例的脑波应用训练确定阈值的数值范围方法的示意图。
图3是根据本发明一个实施例的深度神经网络学习确定阈值的数值范围方法的示意图。
图4a是本发明一个实施例中是咬牙时的脑波信号时域波形示意图。
图4b是本发明一个实施例中是咬牙时的脑波信号频域波形示意图。
图5是根据本发明一个实施例的提取咬牙信号的方法示意图。
图6是根据本发明一个实施例的另一种基于脑电波的录像控制方法的示意图。
图7是根据本发明一个实施例的基于脑电波的录像控制的装置的示意图。
具体实施方式
为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接即可以是用于固定作用也可以是用于电路连通作用。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
如图1所示，是本发明下述实施例中提供的一种基于脑电波的录像控制方法，包括如下步骤：S1：获取脑电波数据；S2：从所述脑电波数据中提取出下述数据中的至少一个：专注度数据、放松度数据和喜好度数据；S3：若所提取的所述专注度数据、放松度数据或喜好度数据大于预先设置的相应专注度阈值、放松度阈值或喜好度阈值，则启动拍照和/或录像；其中，所述专注度阈值、放松度阈值或喜好度阈值设置为可调节。其中，获取脑电波数据的方法可以采用诸如中国专利文献CN201810125048《头箍式脑波摄像机》中所公开的脑波处理电路获得。
如前所述，因为用户操作的熟练度不同；或，每个用户的阈值不同，即便同一个用户在不同阶段内的阈值也不相同，所以本申请下述各实施例中基于脑电波的录像控制方法基于可调阈值来获取用户的专注度、放松度和喜好度。基于可调阈值，使得所使用的阈值能随时适应用户的大脑状态，来精准判断用户的专注度、放松度和喜好度从而启动拍照和/或录像。
下述实施例中，确定所述阈值的方法包括通过脑波应用训练、深度神经网络学习和人工设置这三种方法之一来调整。下面将逐一介绍。
实施例一
如图2所示，调节所述专注度阈值、放松度阈值或喜好度阈值的方法是在脑波应用训练过程中获取，包括如下步骤：
S31：对大脑进行脑力训练引导；通常，在用户新使用一台脑波摄像机时，我们会建议客户进行脑力训练，以使用户熟悉放松、专注等情况下的感受，从而使用户在后续能尽快的主动进入放松或者专注的状态。在用户训练熟练后就可以将设备投入使用了。
但是在本实施例中我们在此之后还进行了如下的步骤：
S32：将训练结果上传到云端进行数据分析并得到分析结果；分析的结果包括：在训练到用户能熟练掌握时，每次用户认为自己达到放松状态时放松度的值是多少；每次用户认为自己达到专注状态时，专注度的值是多少；每次用户认为自己达到喜好状态时，喜好度的值是多少；等等，通过多组数据的采集取其平均值作为关注度或者放松度或者喜好度的阈值，或者取这样一个阈值：使得用该阈值判断用户是否处于关注、放松或喜好状态时，出错最少，包括误判率最低和漏判率最低。
S33：根据所述分析结果调节所述专注度阈值、放松度阈值或喜好度阈值。专注度阈值、放松度阈值或喜好度阈值调节好后，用户的头戴式脑波摄像机即可以此阈值为基准来判断何时启动摄像设备摄像。摄像时，可以将摄得的图像分类存放，如：专注度达到一定阈值时所拍的图像专门放于“专注”文件夹内，放松度达到一定阈值时，所拍摄的图像放入“放松”文件夹内，喜好度达到一定阈值时，所拍的图像放入“喜好”文件夹内。
这种方法可以针对操作不熟练的用户，或，刚开始使用的用户，当然也可以每隔固定周期对用户进行脑力训练引导，或，用户主动进行脑力训练引导。
本实施例中的脑力训练引导，一方面，使得操作不熟练的用户提高熟练度；另一方面，也使得用户更了解自己，比如，有些用户不清楚什么时候自己是专注的，也不清楚自己的阈值。通过这种脑力训练获取脑电波数据，根据脑电波的变化判断用户的专注度、喜好度、放松度。通过脑电波的变化，用户自己也更清楚什么状态时专注，什么情况下是喜欢，什么状态时放松，也更清楚自己的阈值范围，使得用户可以很好的控制自己的专注度、喜好度、放松度。
实施例二
本实施例在实施例一的基础上，利用咬牙动作来辅助进行脑力训练：在训练的时候，用户感觉自己达到了放松的时候就咬一下牙，这样系统就把他咬牙时候的放松度值记录下来，进行统计；通过多组数据统计以后获得该用户当前最佳的放松度阈值。对于专注度和喜好度也同样如此。
此方案的优点是：在训练的时候，用户可能通过咬牙与系统进行互动，告诉系统自己的感觉，从而使训练过程更加准确有效。
实施例三
本实施例是针对咬牙动作本身进行训练的，比如训练用户咬牙力度的大小，因为力度太小可能无法检测到，力度太大又可能被系统误认为是噪声。
训练的方法是：系统提示用户咬牙，然后在显示屏幕上显出用户咬牙信号的幅度大小，用户可以直观的看到自己的咬牙信号情况，并且观察自己咬牙信号的数据是否落在允许的最佳范围内，并让用户记住自己当时在最佳数值范围时咬牙的力度感觉。
可以理解的是，对大脑进行脑力训练引导可以通过语音引导，视频引导，也可以通过远程引导，具体的引导方式此处不做限定，最终是要引导用户熟练操作并更好的控制自己的专注度、放松度和喜好度。
实施例四
本实施例采用如下所述的深度神经网络学习确定所述阈值的数值范围的方法，以使用户的每一次使用都会让阈值更精准。
如图3所示，本实施例调节所述专注度阈值、放松度阈值或喜好度阈值的方法包括深度神经网络学习，包括如下步骤：
T31：在用户完成一定数量的拍摄后，提示用户对所拍摄到的照片和/或录像进行查看，并做出是“否符合用户预期”的评价；
比如：查看“专注”文件里所拍的一系列照片或者录像，让用户进行回忆每一个照片或录像是否的确是在自己专注状态下拍的，并给出的评价；
查看“放松”文件里所拍的一系列照片或者录像，让用户进行回忆每一个照片或录像是否的确是在自己放松状态下拍的，并给出的评价；
查看“喜好”文件里所拍的一系列照片或者录像，让用户进行回忆每一个照片或录像是否的确是在自己喜好状态下拍的，并给出的评价。
T32：将所述查看和评价结果以及拍摄时用户的脑波变化情况输入到深度神经网络进行深度学习，对神经网络进行训练，从而调节所述专注度阈值、放松度阈值或喜好度阈值。后续在使用时头戴式摄像及就可以根据拍摄时用户的脑波变化情况以及来动态地自动决定相关的阈值并启动拍照。
本实施例可实现在用户使用过程中，通过对每个用户的数据进行分析、学习，可不断提高阈值的准确率，更精准的判断用户的专注度、放松度和喜好度，为下一步进行模式推荐提供更加准确的依据：通过深度神经网络学习不仅可以判断出用户对哪一类视频/图片感兴趣，更了解用户的习惯，调整阈值的数值范围，尽可能的得到用户感兴趣的图片或视频；而且可以在后续拍完视频/照片后让用户进一步对是否符合预期的结果作出评价，可以据此来进一步整专注度、放松度/ 喜好度的触发阈值大小调整和咬牙力度大小，提高精准度和智能化，确保用户得到的视频/照片是所想的。
实施例五
本实施例设置为通过人工调节阈值的数值范围。即用户可以自己调整专注度、放松度和喜好度的触发阈值大小调整，根据个人的不同调整到最适合的拍摄方式。比如演员的专注度、放松度和喜好度变化掌控要优于一般人，本发明的方法可以供用户自己设置阈值从而训练专注度、放松度和喜好度变化。让用户自行选择拍摄的模式，突出产品的可玩性；这就是模式选择功能的精髓所在，所有的设置都有你根据你想要的效果决定，完全主观的，不受任何程序设定的干扰。
现有技术中已经公开了基于脑电波的喜好度、专注度、放松度的检测方法，此处不做赘述，可以理解的是，现有技术中获取人脑喜好度、专注度、放松度的方法都可以结合到本发明中，根据具体的使用情况可以选择合适的方法。
实施例六
在实施例一的基础上，每一次用户在设备端回看拍摄下来的视频时，软件界面上会提示询问用户所拍下来的视频是否符合用户的预期。例如，询问专注度拍摄下的视频数目是多了还是少了，用户在界面上选择回复“多”还是“少”还是“刚刚好”，软件系统会根据用户的回答上下调整专注度拍摄的阈值，新设定阈值配置在下一次开机拍摄时就会生效。如此循环，形成一个机器学习的过程，直至用户觉得阈值适合为止。
更进一步的，所有用户的阈值设置也会被上传至云端，进行统计和比对，得到不同用户群体的阈值设置偏好。根据云端所有用户的阈值设置，会根据用户的特定标签(例如拍摄的场景、年龄、性别、职业、爱好等)列出最多相同组合的阈值配置，再根据具有相同和交集的用户标签进行阈值配置的推荐，例如在软件界面内会弹出“有75％和你一样具有骑行爱好的用户都选择了该项阈值设定，是否也尝试一下这个设定呢？”此举主要是借助用户大数据进行机器学习，优化调整拍摄阈值的准确度。
实施例七
本实施例在与前述实施例的不同之处在于：步骤S2中提取出的数据还包括咬牙信号数据，将所述咬牙信号数据与预先设置的咬牙信号阈值对比，当所述咬牙信号数据大于所述咬牙信号阈值时，判断为有咬牙动作发生，启动头戴式脑波摄像机拍摄。
咬牙信号如图4a所示，该信号在现有技术中也是被当做一种干扰信号来对待的，人们总是将其滤除了事。但本发明人经过长期研究发现，该信号实际上是由于咬牙造成的，并且每次咬牙时该信号总是能确切地出现，变换到频域后，如图4b所示，该信号具有明显的频域特征，其在频率15-30Hz之间具有明显的分量，与普通脑电波和前述非咬牙干扰信号有着明显的分界：普通脑电波信号和非咬牙干扰信号在15-30Hz之间的分量并不明显。
基于此，本实施例采用如下方法来提取咬牙信号，如图5所示：
R1：对所述脑电波信号进行傅立叶变换，得到脑电波信号的频域信号；
R2：在频域信号中，求取特定频率范围内的信号幅度的平均值；该平均值作为咬牙信号数据。
特定频率范围为的下限为14-16Hz，上限为28-32Hz；所述咬牙信号阈值取无咬牙动作时所述特定频率范围内的信号幅度的平均值的10-20倍。
具体的，将每秒采集的RAW值(即初始值)进行一次傅里叶变换，然后求得其在15-30Hz范围内的平均值。
计算15-30Hz范围内的信号平均值，无动作的时候这512个点在15-30Hz 频率范围内的平均值可能幅度值只有100，而咬牙(咬牙会引起部分点的幅度值变大)的时候就到1000以上。
因此，本实施例咬牙算法是以15-30Hz频率范围内信号幅度的平均值来参考计算。
得到这个平均值后，做一个“有”或“无”咬牙动作的判断，若判断为有，则启动头戴式脑波摄像机开始拍照。
此例中，判断有无的阈值选为1500——当平均值大于1500时，判断为有咬牙动作，反之则判断为无。实际中，此阈值可根据情况选择500-10000之间，更优选地可选1000-2000之间，即选择无咬牙动作时平均值的5-200倍，优选10-20 倍。然后利用“有”或“无”咬牙动作的判断来判定用户专注度、放松度和喜好度发生变化进而启动拍照和/或录像，比如：当有咬牙动作时，启动拍照和/或录像，记录当下的脑电波情况。
需要说明的是，虽然15-30Hz这个频率范围正好与脑电波中的β波的范围大致重合，但本实施例通过幅度阈值的合理设置，可以非常准确地实现与β波的区分。人在清醒时大部分时间脑波是处于β波状态，但从图4b和图4a的对比明显可以看出，β波在频域中的波幅明显小于咬牙信号，二者可以通过幅度明显区分开而不会导致混淆——β波的信号在相应频率范围内的平均幅值不会达到平时平均值的5倍，因此，我们选择无咬牙动作时平均值的5-200倍来做为是否有咬牙动作的判断阈值就足以把β波区分开。如果倍数选择为10-20倍，则可以更精准地区分。基于此，我们甚至还可以直接把β波的频率范围做为我们取平均值的频率范围。
关于咬牙信号和β波的区分，还可通过时域频域的结合分析来实现。比如可以通过人工智能机器学习，构建一个模式识别器，根据咬牙信号和β波信号在时域和频域上的信号波形的不同，对二者进行识别。即使是在频域上，β波信号和咬牙信号处于同一频段，但二者的波形仍然相差很大，因此，从波形上对二者进行区分是可行的。
实施例八
如图6所示，本实施例在获取用户的专注度、放松度和喜好度变化启动拍照和/或录像后，还做如下的进一步处理：
S4：将所述拍照和/或录像进行标记并分类；
S5：对分到同一类的一系列拍照和/或录像进行合并处理，制作小视频，得到生活记录片；
S6：将所述生活记录片导出或分享。
在本实施例中，对拍照和/或录像进行标记，并分类；分类是指按照喜好度、专注度、放松度和咬牙动作分类，这样方便用户查阅。
得到生活记录片或回忆记录片的具体方法是：在此基础上，从拍照和/或录像中选取出至少一个拍照和/或录像进行处理得到生活记录，比如把喜好度的照片或视频整合在一起；添加文字、音乐、特效等。可以理解的是，此处的处理方式仅仅是示例性的，实际上，现有技术中的拍照和/或录像的处理方式都可以应用在这里。
用户将处理好的生活记录导出或分享给朋友的分享方式也不限制，可以采用现有技术中的分享方式，包括通过特定的软件或程序分享。
上述步骤，用户可以自己需要仅实施步骤S4、S5和S6中的至少一步；或者可以实施S4、S5；或者可以实施S4、S5和S6；或者可以实施S5、S6；即不经过处理也可以分享。
本发明上述实施例通过提供一种阈值用于精准判断用户的专注度、放松度和喜好度变化，进而启动拍照和/或录像，从而记录用户的美好生活，给用户提供优质的用户体验。
可以理解的是，本发明的方法获取的照片和/或视频还可以有多种的应用，只要这些照片和/或视频是通过本发明的方法得到的，都应该属于本发明的保护范围。
实施例九
本实施例提供了一种头戴式脑波摄像机的结构。如图7所示，本实施例提供的基于脑电波的录像控制的装置的方框示意图，包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如基于脑电波的录像控制的程序。所述处理器执行所述计算机程序时实现上述各个基于脑电波的录像控制的方法实施例中的步骤，例如图1所示的步骤S1-S3。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中单元的功能。
所述基于脑电波的录像控制的装置可以是脑电波检测仪、脑电波摄像机、其他基于脑电波的录像控制的系统、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于脑电波的录像控制的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于脑电波的录像控制的装置备的示例，并不构成对基于脑电波的录像控制的装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于脑电波的录像控制的装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于脑电波的录像控制的装置的控制中心，利用各种接口和线路连接整个基于脑电波的录像控制的装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于脑电波的录像控制的装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD) 卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述基于脑电波的录像控制的装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、 U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
Claims (16)
1.一种基于脑电波的录像控制方法，其特征在于，包括如下步骤：
S1：获取脑电波数据；
S2：从所述脑电波数据中提取出下述数据中的至少一个：专注度数据、放松度数据和喜好度数据；
S3：若所提取的所述专注度数据、放松度数据或喜好度数据大于预先设置的相应专注度阈值、放松度阈值或喜好度阈值，则启动拍照和/或录像；
其中，所述专注度阈值、放松度阈值或喜好度阈值设置为可调节。
2.如权利要求1所述的基于脑电波的录像控制方法，其特征在于，调节所述专注度阈值、放松度阈值或喜好度阈值的方法包括脑波应用训练，包括如下步骤：
S31：对大脑进行脑力训练引导；
S32：将训练结果上传到云端进行数据分析并得到分析结果；
S33：根据所述分析结果调节所述专注度阈值、放松度阈值或喜好度阈值。
3.如权利要求2所述的基于脑电波的录像控制方法，其特征在于，步骤S32中所述分析结果包括：根据用户认为自己是否达到专注状态、放松状态和喜好状态的判断，分别确定所述用户专注度的值、放松度的值和喜好度的值。
4.如权利要求3所述的基于脑电波的录像控制方法，其特征在于，所述用户通过咬牙动作反馈自己达到所述专注状态、放松状态或喜好状态。
5.如权利要求3所述的基于脑电波的录像控制方法，其特征在于，步骤S32中所述分析结果还包括：通过分别采集至少两组数据并取平均值确定所述专注度阈值、放松度阈值或喜好度阈值；
或，确定所述专注度阈值、放松度阈值或喜好度阈值：使得用所述专注度阈值、放松度阈值或喜好度阈值判断用户是否处于专注、放松或喜好状态时出错最少，所述出错最少包括误判率最低和漏判率最低。
6.如权利要求1所述的基于脑电波的录像控制方法，其特征在于，调节所述专注度阈值、放松度阈值或喜好度阈值的方法包括设置调节，供用户根据需要人为设置。
7.如权利要求1所述的基于脑电波的录像控制方法，其特征在于，调节所述专注度阈值、放松度阈值或喜好度阈值的方法包括：根据用户查看拍摄的照片或视频时对是否符合用户预期的回答而进行调节得到的专注度阈值、放松度阈值或喜好度阈值。
8.如权利要求7所述的基于脑电波的录像控制方法，其特征在于，调节所述专注度阈值、放松度阈值或喜好度阈值的方法包括深度神经网络学习，包括如下步骤：
T31：所述拍照和/或录像接受查看和评价；
T32：将所述查看和评价结果输入到深度神经网络进行深度学习，从而调节所述专注度阈值、放松度阈值或喜好度阈值的数值范围。
9.如权利要求7所述的基于脑电波的录像控制方法，其特征在于，所述用户查看拍摄的照片或视频时对是否符合用户预期的回答包括：专注度拍摄下的视频数目是多了还是少了还是刚刚好；根据用户的回答上下调整专注度拍摄的阈值，新设定阈值配置在下一次开机拍摄时就会生效；如此循环。
10.如权利要求1-9中任一权利要求所述的基于脑电波的录像控制方法，其特征在于，将所述专注度阈值、放松度阈值或喜好度阈值上传至云端，进行统计和比对，根据用户标签得到不同用户群体的阈值设置偏好。
11.如权利要求10所述的基于脑电波的录像控制方法，其特征在于，将所述阈值设置偏好推荐给具有相同所述标签的其他用户。
12.如权利要求1所述的基于脑电波的录像控制方法，其特征在于，步骤S2中提取出的数据还包括咬牙信号数据，将所述咬牙信号数据与预先设置的咬牙信号阈值对比，当所述咬牙信号数据大于所述咬牙信号阈值时，判断为有咬牙动作发生。
13.如权利要求12所述的基于脑电波的录像控制方法，其特征在于，所述咬牙信号的获取方法包括如下步骤：
R1：对所述脑电波信号进行傅立叶变换，得到脑电波信号的频域信号；
R2：在频域信号中，求取特定频率范围内的信号幅度的平均值；该平均值作为咬牙信号数据。
14.根据权利要求13所述的基于脑电波的录像控制方法，其特征在于，所述特定频率范围为的下限为14-16Hz，上限为28-32Hz；所述咬牙信号阈值取无咬牙动作时所述特定频率范围内的信号幅度的平均值的10-20倍。
15.如权利要求1所述的基于脑电波的录像控制方法，其特征在于，还包括如下步骤中的至少一步：
S4：将所述拍照和/或录像进行标记并分类；
S5：从所述拍照和/或录像中选取出至少一个拍照和/或录像进行处理得到生活记录；
S6：将所述生活记录导出或分享。
16.一种计算机程序，其可被计算机执行，以实现如权利要求1-15中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110031403.2A CN112911136A (zh) | 2021-01-11 | 2021-01-11 | 一种基于脑电波的录像控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110031403.2A CN112911136A (zh) | 2021-01-11 | 2021-01-11 | 一种基于脑电波的录像控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112911136A true CN112911136A (zh) | 2021-06-04 |
Family
ID=76112368
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110031403.2A Pending CN112911136A (zh) | 2021-01-11 | 2021-01-11 | 一种基于脑电波的录像控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112911136A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103989485A (zh) * | 2014-05-07 | 2014-08-20 | 朱晓斐 | 基于脑电波的人体疲劳度评价方法 |
| US20170171441A1 (en) * | 2015-12-15 | 2017-06-15 | Intel Corporation | Electroencephalography (eeg) camera control |
| CN108882480A (zh) * | 2018-06-20 | 2018-11-23 | 新华网股份有限公司 | 舞台灯光和装置调节方法和系统 |
| CN110051351A (zh) * | 2019-03-28 | 2019-07-26 | 深圳市宏智力科技有限公司 | 咬牙信号获取方法以及电子设备的控制方法及装置 |
-
2021
- 2021-01-11 CN CN202110031403.2A patent/CN112911136A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103989485A (zh) * | 2014-05-07 | 2014-08-20 | 朱晓斐 | 基于脑电波的人体疲劳度评价方法 |
| US20170171441A1 (en) * | 2015-12-15 | 2017-06-15 | Intel Corporation | Electroencephalography (eeg) camera control |
| CN108882480A (zh) * | 2018-06-20 | 2018-11-23 | 新华网股份有限公司 | 舞台灯光和装置调节方法和系统 |
| CN110051351A (zh) * | 2019-03-28 | 2019-07-26 | 深圳市宏智力科技有限公司 | 咬牙信号获取方法以及电子设备的控制方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11213219B2 (en) | Determining intensity of a biological response to a presentation | |
| Berg et al. | Free viewing of dynamic stimuli by humans and monkeys | |
| Hout et al. | Target templates: The precision of mental representations affects attentional guidance and decision-making in visual search | |
| CN107948732B (zh) | 视频的播放方法、视频播放装置及系统 | |
| Egner et al. | Expectation and surprise determine neural population responses in the ventral visual stream | |
| CN104871160B (zh) | 用于感觉和认知剖析的系统和方法 | |
| US20140020089A1 (en) | Access Control System using Stimulus Evoked Cognitive Response | |
| CN107341762B (zh) | 拍照处理方法、装置和终端设备 | |
| US20070201731A1 (en) | Imaging method and system | |
| US20070265507A1 (en) | Visual attention and emotional response detection and display system | |
| Zhao et al. | Rapid ocular responses are modulated by bottom-up-driven auditory salience | |
| US20120083675A1 (en) | Measuring affective data for web-enabled applications | |
| CN108078573A (zh) | 一种基于生理反应信息与刺激信息的兴趣取向值测验方法 | |
| US20140316881A1 (en) | Estimation of affective valence and arousal with automatic facial expression measurement | |
| US20120243751A1 (en) | Baseline face analysis | |
| Khalili et al. | Emotion detection using brain and peripheral signals | |
| US11449992B2 (en) | Method and system for teledentistry images | |
| US20200350057A1 (en) | Remote computing analysis for cognitive state data metrics | |
| JP5789735B2 (ja) | コンテンツ評価装置、方法、及びそのプログラム | |
| CN110279415B (zh) | 基于脑电信号的图像失真阈值系数估计方法 | |
| JP6941800B2 (ja) | 感情推定装置、感情推定方法及びプログラム | |
| Lecluyse et al. | A simple single-interval adaptive procedure for estimating thresholds in normal and impaired listeners | |
| CN116235197A (zh) | 利用生物特征数据生成产品推荐的系统 | |
| CN118303899A (zh) | 脑电信号处理方法、装置、设备及计算机可读介质 | |
| Hanso et al. | Tolerance of the ERP signatures of unfamiliar versus familiar face perception to spatial quantization of facial images |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |
|
| RJ01 | Rejection of invention patent application after publication |