CN113157101B - 碎片化阅读习惯识别方法、装置、可读介质及电子设备 - Google Patents
碎片化阅读习惯识别方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN113157101B CN113157101B CN202110632489.4A CN202110632489A CN113157101B CN 113157101 B CN113157101 B CN 113157101B CN 202110632489 A CN202110632489 A CN 202110632489A CN 113157101 B CN113157101 B CN 113157101B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- reading habit
- preset
- effective
- numbers
- 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.)
- Expired - Fee Related
Links
- 238000013467 fragmentation Methods 0.000 title claims abstract description 72
- 238000006062 fragmentation reaction Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000002372 labelling Methods 0.000 claims description 72
- 238000001228 spectrum Methods 0.000 claims description 60
- 238000010801 machine learning Methods 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 20
- 230000005484 gravity Effects 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000005236 sound signal Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 230000003930 cognitive ability Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 102000010410 Nogo Proteins Human genes 0.000 description 1
- 108010077641 Nogo Proteins Proteins 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009901 attention process Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002360 prefrontal effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
- G06F3/1407—General aspects irrespective of display type, e.g. determination of decimal point position, display with fixed or driving decimal point, suppression of non-significant zeros
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Neurosurgery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种碎片化阅读习惯识别方法、装置、可读介质及电子设备。本发明提供的技术方案，对于受试者，通过采集其在持续注意测试下的多个有效脑电信号，得到脑电特征集，并将得到的脑电特征集输入预设阅读习惯识别模型，根据预设阅读习惯识别模型输出的多个识别结果识别该受试者有无碎片化阅读习惯。本发明提供的技术方案，不用阅读习惯调查表对用户进行调查，即可获知用户是否有碎片化阅读习惯。
Description
技术领域
本发明涉及机器学习技术领域，具体涉及一种碎片化阅读习惯识别方法、装置、可读介质及电子设备。
背景技术
碎片化阅读指的是利用短而不连续的时间片段进行简短而少量的文本阅读，如用户通过手机浏览新闻、微博、知乎、贴吧、论坛等各种资讯，或者阅读微信朋友圈中的内容分享、订阅感兴趣的公众账号话题等。
目前，获知用户是否有碎片化阅读习惯，通常是采用阅读习惯调查表对用户调查的方式。
发明内容
本发明的目的是提供一种碎片化阅读习惯识别方法、装置、可读介质及电子设备，以实现不用阅读习惯调查表对用户进行调查，即可获知用户是否有碎片化阅读习惯的效果。
为了实现上述目的，本发明实施例提供一种碎片化阅读习惯识别方法，所述方法包括：
获取受试者在持续注意测试下的多个有效脑电信号；
根据多个所述有效脑电信号，得到脑电特征集；
将所述脑电特征集输入预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果，并根据所述多个识别结果识别所述受试者有无碎片化阅读习惯，其中，所述识别结果为有碎片化阅读习惯或无碎片化阅读习惯。
可选地，所述获取受试者在持续注意测试下的多个有效脑电信号的步骤包括：
将伪随机序列中的白色数字依次显示在黑屏中央，每个所述白色数字的显示时间是第一时长，两个所述白色数字显示的间隔时间为第二时长，其中，所述伪随机序列包括由数字1、2、3、4、5、6、7、8、9组成的第一预设数目个数字；
在所述伪随机序列显示期间，获取所述受试者在注视所述黑屏和根据所述黑屏反应下的64通道脑电信号，其中所述反应包括正确反应和错误反应，所述正确反应为：在出现第一数字后出现第二数字的情况下动作，其它情况下不动作，所述第一数字为数字1至9中的任何一个，所述第二数字与所述第一数字不同；
对所述64通道脑电信号进行处理，得到处理后的64通道脑电信号，所述处理包括滤波、平均重参考和去除伪迹；
针对处理后的每通道脑电信号，截取与所述伪随机序列显示各间隔对应的脑电信号，得到第二预设数目段脑电信号，每段脑电信号即为有效脑电信号，其中，每段脑电信号与所述伪随机序列各间隔前显示的数字对应，所述第二预设数目小于或等于所述第一预设数目。
可选地，所述根据多个所述有效脑电信号，得到脑电特征集包括：
针对每个所述有效脑电信号，计算得到该有效脑电信号的功率谱；
根据多个所述有效脑电信号的功率谱计算得到每个所述有效脑电信号的相对功率谱；
根据每个所述有效脑电信号的相对功率谱，计算得到每个所述有效脑电信号的重心频率；
根据每个所述有效脑电信号的功率谱或相对功率谱，得到每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值；
其中，64通道的第二预设数目段脑电信号的每个所述有效脑电信号的重心频率、每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值构成了所述脑电特征集，64通道的每个所述有效脑电信号的重心频率、每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值作为一个样本，则所述脑电特征集包括第二预设数目个样本。
可选地，所述阅读习惯识别模型是通过以下方式训练得到的：
获取多个有碎片化阅读习惯用户的脑电特征集，根据用户输入的第一标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第一标注指令为有碎片化阅读习惯；
获取多个无碎片化阅读习惯用户的脑电特征集，根据用户输入的第二标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第二标注指令为无碎片化阅读习惯；
根据标注后的样本对应的数字，将标注后的所有样本划分为与各数字对应的样本集；
基于所述与各数字对应的样本集分别进行机器学习，得到与各数字对应的阅读习惯识别模型；
将所述与各数字对应的阅读习惯识别模型中准确率高的模型作为所述预设阅读习惯识别模型；
所述将所述脑电特征集输入预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果，并根据所述多个识别结果识别所述受试者有无碎片化阅读习惯包括：
将所述脑电特征集中与所述预设阅读习惯识别模型中对应数字相同的样本输入所述预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果；
根据所述多个识别结果中占比多的识别结果，识别所述受试者有无碎片化阅读习惯。
可选地，所述基于所述与各数字对应的样本集分别进行机器学习，得到与各数字对应的阅读习惯识别模型包括：
将所述与各数字对应的样本集分别输入matlab，遍历Classification Learner中的所有分类模型进行机器学习，并采用十折交叉验证法进行测试验证，筛选出所述所有分类模型中准确率最高的分类模型，作为所述与各数字对应的阅读习惯识别模型。
可选地，所述阅读习惯识别模型是通过以下方式训练得到的：
获取多个有碎片化阅读习惯用户的脑电特征集，根据用户输入的第一标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第一标注指令为有碎片化阅读习惯；
获取多个无碎片化阅读习惯用户的脑电特征集，根据用户输入的第二标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第二标注指令为无碎片化阅读习惯；
根据标注后的样本对应的数字，将标注后的所有样本划分为与各数字对应的样本集；
基于所述与各数字对应的样本集分别进行机器学习，得到与各数字对应的预设阅读习惯识别模型；
所述将所述脑电特征集输入预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果，并根据所述多个识别结果识别所述受试者有无碎片化阅读习惯包括：
将所述脑电特征集中与各所述预设阅读习惯识别模型中对应数字相同的样本输入各所述预设阅读习惯识别模型，得到各所述预设阅读习惯识别模型输出的多个识别结果；
根据所述多个识别结果中占比多的识别结果，识别所述受试者有无碎片化阅读习惯。
可选地，所述阅读习惯识别模型是通过以下方式训练得到的：
获取多个有碎片化阅读习惯用户的脑电特征集，根据用户输入的第一标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第一标注指令为有碎片化阅读习惯；
获取多个无碎片化阅读习惯用户的脑电特征集，根据用户输入的第二标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第二标注指令为无碎片化阅读习惯；
基于标注后的所有样本进行机器学习，得到预设阅读习惯识别模型；
所述将所述脑电特征集输入预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果，并根据所述多个识别结果识别所述受试者有无碎片化阅读习惯包括：
将所述脑电特征集中所有样本输入所述预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果；
根据所述多个识别结果中占比多的识别结果，识别所述受试者有无碎片化阅读习惯。
本发明实施例还提供一种碎片化阅读习惯识别装置，包括：
信号获取模块，用于获取受试者在持续注意测试下的多个有效脑电信号；
特征获取模块，用于根据多个所述有效脑电信号，得到脑电特征集；
识别模块，用于将所述脑电特征集输入预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的识别结果，并根据所述识别结果识别所述受试者有无碎片化阅读习惯，其中，所述识别结果为有碎片化阅读习惯或无碎片化阅读习惯。
本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述方法的步骤。
本发明实施例还提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述方法的步骤。
通过上述技术方案，对于受试者，通过采集其在持续注意测试下的多个有效脑电信号，得到脑电特征集，并将得到的脑电特征集输入预设阅读习惯识别模型，根据预设阅读习惯识别模型输出的多个识别结果识别所述受试者有无碎片化阅读习惯。本发明提供的技术方案，不用阅读习惯调查表对用户进行调查，即可获知用户是否有碎片化阅读习惯。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。
在附图中：图1是本发明实施例提供的一种碎片化阅读习惯识别方法的流程图。
图2是本发明实施例提供的一种伪随机序列的部分示意图。
图3是本发明实施例提供的一种处理前的64通道脑电信号示意图。
图4是本发明实施例提供的一种处理后的64通道脑电信号示意图。
图5是本发明实施例提供的一种64通道的一有效脑电信号的功率谱示意图。
图6是本发明实施例提供的一种64通道的一有效脑电信号的功率谱示意图。
图7是本发明实施例提供的有无碎片化阅读习惯的用户在β1频段的相对功率谱对比图。
图8是本发明实施例提供的一种碎片化阅读习惯识别装置的方框示意图。
图9是本发明实施例提供的一种电子设备的方框示意图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术电信号。语的相关定义将在下文描述中给出。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
用户在使用社交媒体（如微博、微信）时，看到的信息大多简短、多样且不相关，即碎片化阅读。由于社交媒体的内容主要依赖用户分享，不同用户分享的内容完全不相关，阅读者的思维必须在这些零散内容间多次切换而不作深入思考。这导致阅读者的深度思考能力减弱，思维惰性增大，持续注意功能（认知能力）受损。因此，可以使用持续注意功能（认知能力）是否受损的测试下的脑电信号的特征，基于机器学习，建立阅读习惯识别模型来识别用户有无碎片化阅读习惯。
基于此，本发明实施例提供一种碎片化阅读习惯识别方法。图1是根据本发明一实施例示出的一种碎片化阅读习惯识别方法的流程图。如图1所示，该方法包括以下步骤：
步骤S11，获取受试者在持续注意测试下的多个有效脑电信号。
持续注意是指在一段不间断的时间内集中注意力完成某一任务的能力，也即是指在一段较长的时间内对某一刺激保持注意，又被称为警觉。脑成像研究表明，持续注意过程有前额叶参与，还有顶叶的参与，形成额叶-顶叶-感觉区的网络。因此，可以根据脑电信号，反应受试者的持续注意功能的情况(是否受损)。而有碎片化阅读习惯将影响持续注意功能（导致持续注意功能受损），无碎片化阅读习惯将不会影响持续注意功能（不会导致持续注意功能受损）。因此，可以通过脑电信号，反应受试者是否有碎片化阅读习惯。
步骤S12，根据多个所述有效脑电信号，得到脑电特征集。
对多个所述有效脑电信号进行特征提取，得到脑电特征集。
步骤S13，将所述脑电特征集输入预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果，并根据所述多个识别结果识别所述受试者有无碎片化阅读习惯，其中，所述识别结果为有碎片化阅读习惯或无碎片化阅读习惯。
通过上述技术方案，对于受试者，通过采集其在持续注意测试下的多个有效脑电信号，得到脑电特征集，并将得到的脑电特征集输入预设阅读习惯识别模型，根据预设阅读习惯识别模型输出的多个识别结果识别所述受试者有无碎片化阅读习惯。本发明提供的技术方案，不用阅读习惯调查表对用户进行调查，即可获知用户是否有碎片化阅读习惯。
可选地，步骤S11包括：
将伪随机序列中的白色数字依次显示在黑屏中央，每个所述白色数字的显示时间是第一时长，两个所述白色数字显示的间隔时间为第二时长，其中，所述伪随机序列包括由数字1、2、3、4、5、6、7、8、9组成的第一预设数目个数字。
其中，第一预设数目可以根据需要灵活设置，例如可以为462。第一时长和第二时长也可以根据需要灵活设置，例如第一时长可以为500ms，第二时长可以为1000ms。
在所述伪随机序列显示期间，获取所述受试者在注视所述黑屏和根据所述黑屏反应下的64通道脑电信号，其中所述反应包括正确反应和错误反应，所述正确反应为：在出现第一数字后出现第二数字的情况下动作，其它情况下不动作。
其中，所述第一数字为数字1至9中的任何一个，所述第二数字与所述第一数字不同。例如，所述第一数字可以是1，所述第二数字可以是9。在一具体实施方式中，上述持续注意测试具体可以为：462个白色阿拉伯数字符号1、2、3、4、5、6、7、8和9组成的伪随机序列呈现在黑屏的中央（如图2所示，即有462个样本/试次），每个数字显示时间为500ms，间隔（不显示数字）时间为1000ms。第一数字“1”（概率可以为13%）作为启动Go-NoGo任务和诱导反应准备的线索，当第一数字“1”后直接出现第二数字“9”（Go条件，概率6.5%），需受试者动作（如需要用惯用手的食指按下按钮），当紧随第一数字“1”后的数字不是第二数字“9”（NoGo条件，概率6.5%），则无需反应。此外，单独的第二数字“9”前面有一个不是第一数字“1”（Lure条件，概率6.5%），和既没有第一数字“1”也没有第二数字“9”（背景条件，概率80.5%）也都不需要反应。上述步骤，即获取受试者在持续注意测试下的64通道脑电信号。
对所述64通道脑电信号进行处理，得到处理后的64通道脑电信号，所述处理包括滤波、平均重参考和去除伪迹。
对所述64通道脑电信号进行处理，可以基于matlab中的eeglab工具箱对数据进行电极定位，0.3-45Hz滤波，平均重参考，以及基于独立成分分析的人工伪迹(如眼电、肌电、心电等伪迹)剔除，从而得到干净的脑电信号。图3和图4分别示出了处理前的64通道脑电信号和处理后的64通道脑电信号。图3和图4的左边纵坐标表示通道号，下面横坐标表示时间/时长。
针对处理后的每通道脑电信号，截取与所述伪随机序列显示各间隔对应的脑电信号，得到第二预设数目段脑电信号，每段脑电信号即为有效脑电信号，其中，每段脑电信号与所述伪随机序列各间隔前显示的数字对应，所述第二预设数目小于或等于所述第一预设数目。
其中，在没有坏段的情况下，所述第二预设数目等于所述第一预设数目。在出现坏段的情况下，所述第二预设数目小于所述第一预设数目。可选地，在出现坏段的情况下，步骤S11还包括：删除坏段。每个所述有效脑电信号的时长为第二时长。该有效脑电信号不涉及用户按键等动作，也不涉及不同数字造成的视觉影响，较为纯净。
可选地，步骤S12包括：
针对每个所述有效脑电信号，计算得到该有效脑电信号的功率谱。
针对每个所述有效脑电信号，可以基于MATLAB的brainstorm工具包进行基于Welch方法的功率谱计算，计算得到该有效脑电信号的功率谱。如图5示出了64通道的一有效脑电信号的功率谱示意图。
根据多个所述有效脑电信号的功率谱计算得到每个所述有效脑电信号的相对功率谱。
对于不同样本/试次，其对应的有效脑电信号的功率谱在不同的基线状态，因此需要将所有样本/试次的功率谱转换至同一基线，即计算相对功率谱（每一个频率点上的功率值占总功率值的比值）。在计算每个所述有效脑电信号的相对功率谱时，为了适应后面分析及简便计算，可以只截取1-40Hz范围内的有效脑电信号的功率谱进行计算，得到每个所述有效脑电信号（1-40Hz）的相对功率谱。
根据每个所述有效脑电信号的相对功率谱，计算得到每个所述有效脑电信号的重心频率。
其中，重心频率的计算方式为：
其中，
表示每个所述有效脑电信号的重心频率，
表示频率点f对应的相对功率谱的值。
根据每个所述有效脑电信号的功率谱或相对功率谱，得到每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值。
根据有效脑电信号的生理意义，将所述有效脑电信号划分为多个频段。在一实施方式中，所述有效脑电信号可以划分为δ频段（1-3Hz）、θ频段（4-7Hz ）、α1频段（8-10Hz ）、α2频段（11-13Hz ）、β1频段（14-20Hz） 、β2频段（21-29Hz）、低频γ频段（30-40Hz）。在其它实施例中，还可以将所述有效脑电信号划分为δ频段（1-3Hz）、θ频段（4-7Hz ）、α频段（8-13Hz ）、β频段（14-29Hz）、低频γ频段（30-40Hz）。
每个所述有效脑电信号的各频段的相对功率等于，该频段所有频率点对应的相对功率谱（或功率谱）的和与所有频段的频率点的相对功率谱（或功率谱）的和的商。例如，一所述有效脑电信号在δ频段的相对功率等于，1-3Hz频段内所有频率点的相对功率谱（或功率谱）的和，除以1-40Hz频段内所有频率点的相对功率谱（或功率谱）的和，得到的商。
各频段两两之间的相对功率比值等于，划分的所有频段，各频段两两之间的相对功率比值。例如，在一实施方式中，所述有效脑电信号各频段两两之间的相对功率比值包括：δ频段与θ频段的相对功率比值，δ频段与α1频段的相对功率比值，δ频段与α2频段的相对功率比值等。
其中，64通道的第二预设数目段脑电信号的每个所述有效脑电信号的重心频率、每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值构成了所述脑电特征集。64通道的每个所述有效脑电信号的重心频率、每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值作为一个样本，则所述脑电特征集包括第二预设数目个样本。
即，对于一受试者，得到的脑电特征集如表1所示。
表1：
可选地，在一实施方式中 ，所述阅读习惯识别模型是通过以下方式训练得到的：
获取多个有碎片化阅读习惯用户的脑电特征集，根据用户输入的第一标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第一标注指令为有碎片化阅读习惯。
获取有碎片化阅读习惯用户的脑电特征集可以参考步骤S11和步骤S12，在此不做赘述。
获取多个无碎片化阅读习惯用户的脑电特征集，根据用户输入的第二标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第二标注指令为无碎片化阅读习惯。
获取有碎片化阅读习惯用户的脑电特征集可以参考步骤S11和步骤S12，在此不做赘述。
根据标注后的样本对应的数字，将标注后的所有样本划分为与各数字对应的样本集。
由于每段脑电信号与所述伪随机序列各间隔前显示的数字对应，则每个样本与数字对应。可以根据对应的数字，对标注后的样本进行划分，划分为与各数字对应的样本集，即划分为，与数字1对应的样本集，与数字2对应的样本集，与数字3对应的样本集，与数字4对应的样本集，与数字5对应的样本集，与数字6对应的样本集，与数字7对应的样本集，与数字8对应的样本集，与数字9对应的样本集。
基于所述与各数字对应的样本集分别进行机器学习，得到与各数字对应的阅读习惯识别模型。
即，基于与数字1对应的样本集进行机器学习，得到与数字1对应的阅读习惯识别模型；基于与数字2对应的样本集进行机器学习，得到与数字2对应的阅读习惯识别模型；…。可选地，基于所述与各数字对应的样本集分别进行机器学习，得到与各数字对应的阅读习惯识别模型包括：将所述与各数字对应的样本集分别输入matlab，遍历Classification Learner中的所有分类模型进行机器学习，并采用十折交叉验证法进行测试验证，筛选出所述所有分类模型中准确率最高的分类模型，作为所述与各数字对应的阅读习惯识别模型，如图6所示。图6中以与数字1对应的样本集为例，数入与数字1对应的样本集，设置十折交叉验证（10-fold cross-Validation），选用所有模型种类，筛选出所述所有分类模型中准确率最高的分类模型SVM(Cubic)，准确率为95.2%，则将SVM(Cubic)分类模型作为与数字1对应的阅读习惯识别模型。通过该步骤可得到分别与数字1-9分别对应的9个阅读习惯识别模型，即可得到：与数字1对应的阅读习惯识别模型、与数字2对应的阅读习惯识别模型、与数字3对应的阅读习惯识别模型、与数字4对应的阅读习惯识别模型、与数字5对应的阅读习惯识别模型、与数字6对应的阅读习惯识别模型、与数字7对应的阅读习惯识别模型、与数字8对应的阅读习惯识别模型和与数字9对应的阅读习惯识别模型。
将所述与各数字对应的阅读习惯识别模型中准确率高的模型作为所述预设阅读习惯识别模型。
即，将得到的与数字1-9分别对应的9个阅读习惯识别模型中准确率高的模型作为所述预设阅读习惯识别模型。该预设阅读习惯识别模型为与某一数字对应的阅读习惯识别模型。
所述步骤S13包括：
将所述脑电特征集中与所述预设阅读习惯识别模型中对应数字相同的样本输入所述预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果。
例如，所述预设阅读习惯识别模型与数字1对应，则其输入为所述脑电特征集中与数字1对应的所有样本。
根据所述多个识别结果中占比多的识别结果，识别所述受试者有无碎片化阅读习惯。
请再次参阅表1，对于一受试者，所述脑电特征集包括多个样本，所述预设阅读习惯识别模型针对每个样本会输出一识别结果，该识别结果为有碎片化阅读习惯或无碎片化阅读习惯，则将所述多个识别结果中占比多的识别结果作为最终结果。如总共输出100个识别结果，其中，有碎片化阅读习惯占80个，则识别该受试者有碎片化阅读习惯。
可选地，在另一实施方式中 ，所述阅读习惯识别模型是通过以下方式训练得到的：
获取多个有碎片化阅读习惯用户的脑电特征集，根据用户输入的第一标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第一标注指令为有碎片化阅读习惯。
获取多个无碎片化阅读习惯用户的脑电特征集，根据用户输入的第二标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第二标注指令为无碎片化阅读习惯。
根据标注后的样本对应的数字，将标注后的所有样本划分为与各数字对应的样本集。
基于所述与各数字对应的样本集分别进行机器学习，得到与各数字对应的预设阅读习惯识别模型。
所述步骤S13包括：
将所述脑电特征集中与各所述预设阅读习惯识别模型中对应数字相同的样本输入各所述预设阅读习惯识别模型，得到各所述预设阅读习惯识别模型输出的多个识别结果。
根据所述多个识别结果中占比多的识别结果，识别所述受试者有无碎片化阅读习惯。
本实施方式与上一实施方式类似，不同点在于，在得到分别与数字1-9分别对应的9个阅读习惯识别模型后，不对这9个阅读习惯识别模型进行筛选，都作为预设阅读习惯识别模型；在进行识别时，将与数字1对应的所有样本输入与数字1对应的预设阅读习惯识别模型，将与数字2对应的所有样本输入与数字2对应的预设阅读习惯识别模型，…，将与数字9对应的所有样本输入与数字9对应的预设阅读习惯识别模型，根据9个预设阅读习惯识别模型输出的识别结果中占比多的识别结果作为受试者有无碎片化阅读习惯的最终结果。
可选地，在另一实施方式中，所述阅读习惯识别模型是通过以下方式训练得到的：
获取多个有碎片化阅读习惯用户的脑电特征集，根据用户输入的第一标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第一标注指令为有碎片化阅读习惯。
获取多个无碎片化阅读习惯用户的脑电特征集，根据用户输入的第二标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第二标注指令为无碎片化阅读习惯。
基于标注后的所有样本进行机器学习，得到预设阅读习惯识别模型。
所述步骤S13包括：
将所述脑电特征集中所有样本输入所述预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果。
根据所述多个识别结果中占比多的识别结果，识别所述受试者有无碎片化阅读习惯。
本实施方式与上两种实施方式类似，不同点在于，在进行机器学习时，不区分数字，即不管样本与哪一数字对应，基于所有样本进行机器学习，得到一个预设阅读习惯识别模型；在进行识别时，将受试者的所有样本输入该预设阅读习惯识别模型，将该预设阅读习惯识别模型输出的识别结果中占比多的识别结果作为受试者有无碎片化阅读习惯的最终结果。
此外，还可以基于互信息，决策树，支持向量机递归特征消除（SVM-RFE）等特征选择算法进行特征重要性排序，得到能够敏感区分有无碎片化阅读习惯的特征指标，结合相应的生理意义，再次证实碎片化阅读所造成的持续注意功能（认知能力）。比如，得到无论哪种数字条件下，较多通道上的β1频段的相对功率指标的特征权重较高，少数通道上的θ频段相对功率也有很高的特征权重。通过t检验对两组之间的这一指标进行统计比较，如图7所示，同样可以看到β1频段在多数通道上对碎片化阅读习惯组（FR）和无碎片化阅读习惯组（noFR）存在显著区分性。
基于上述发明构思，本发明实施例还提供一种碎片化阅读习惯识别装置10。如图8所示，该碎片化阅读习惯识别装置10包括：
信号获取模块11，用于获取受试者在持续注意测试下的多个有效脑电信号。
特征获取模块12，用于根据多个所述有效脑电信号，得到脑电特征集。
识别模块13，用于将所述脑电特征集输入预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的识别结果，并根据所述识别结果识别所述受试者有无碎片化阅读习惯，其中，所述识别结果为有碎片化阅读习惯或无碎片化阅读习惯。
通过上述技术方案，对于受试者，通过采集其在持续注意测试下的多个有效脑电信号，得到脑电特征集，并将得到的脑电特征集输入预设阅读习惯识别模型，根据预设阅读习惯识别模型输出的多个识别结果识别所述受试者有无碎片化阅读习惯。本发明提供的技术方案，不用阅读习惯调查表对用户进行调查，即可获知用户是否有碎片化阅读习惯。
可选地，信号获取模块11包括：
测试子模块，用于将伪随机序列中的白色数字依次显示在黑屏中央，每个所述白色数字的显示时间是第一时长，两个所述白色数字显示的间隔时间为第二时长，其中，所述伪随机序列包括由数字1、2、3、4、5、6、7、8、9组成的第一预设数目个数字。
信号采集子模块，用于在所述伪随机序列显示期间，获取所述受试者在注视所述黑屏和根据所述黑屏反应下的64通道脑电信号，其中所述反应包括正确反应和错误反应，所述正确反应为：在出现第一数字后出现第二数字的情况下动作，其它情况下不动作，所述第一数字为数字1至9中的任何一个，所述第二数字与所述第一数字不同。
处理子模块，用于对所述64通道脑电信号进行处理，得到处理后的64通道脑电信号，所述处理包括滤波、平均重参考和去除伪迹；
分段子模块，用于针对处理后的每通道脑电信号，截取与所述伪随机序列显示各间隔对应的脑电信号，得到第二预设数目段脑电信号，每段脑电信号即为有效脑电信号，其中，每段脑电信号与所述伪随机序列各间隔前显示的数字对应，所述第二预设数目小于或等于所述第一预设数目。
可选地，特征获取模块12包括：
功率谱计算子模块，用于针对每个所述有效脑电信号，计算得到该有效脑电信号的功率谱。
相对功率谱计算子模块，用于根据多个所述有效脑电信号的功率谱计算得到每个所述有效脑电信号的相对功率谱。
重心频率计算子模块，用于根据每个所述有效脑电信号的相对功率谱，计算得到每个所述有效脑电信号的重心频率。
频段功率计算子模块，用于根据每个所述有效脑电信号的功率谱或相对功率谱，得到每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值。
其中，64通道的第二预设数目段脑电信号的每个所述有效脑电信号的重心频率、每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值构成了所述脑电特征集，64通道的每个所述有效脑电信号的重心频率、每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值作为一个样本，则所述脑电特征集包括第二预设数目个样本。
可选地，在一实施方式中，所述阅读习惯识别模型是通过以下方式训练得到的：
获取多个有碎片化阅读习惯用户的脑电特征集，根据用户输入的第一标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第一标注指令为有碎片化阅读习惯。
获取多个无碎片化阅读习惯用户的脑电特征集，根据用户输入的第二标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第二标注指令为无碎片化阅读习惯。
根据标注后的样本对应的数字，将标注后的所有样本划分为与各数字对应的样本集。
基于所述与各数字对应的样本集分别进行机器学习，得到与各数字对应的阅读习惯识别模型。
可选地，所述基于所述与各数字对应的样本集分别进行机器学习，得到与各数字对应的阅读习惯识别模型包括：将所述与各数字对应的样本集分别输入matlab，遍历Classification Learner中的所有分类模型进行机器学习，并采用十折交叉验证法进行测试验证，筛选出所述所有分类模型中准确率最高的分类模型，作为所述与各数字对应的阅读习惯识别模型。
将所述与各数字对应的阅读习惯识别模型中准确率高的模型作为所述预设阅读习惯识别模型。
所述识别模块13，具体用于：
将所述脑电特征集中与所述预设阅读习惯识别模型中对应数字相同的样本输入所述预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果。
根据所述多个识别结果中占比多的识别结果，识别所述受试者有无碎片化阅读习惯。
可选地，在另一实施方式中，所述阅读习惯识别模型是通过以下方式训练得到的：
获取多个有碎片化阅读习惯用户的脑电特征集，根据用户输入的第一标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第一标注指令为有碎片化阅读习惯；
获取多个无碎片化阅读习惯用户的脑电特征集，根据用户输入的第二标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第二标注指令为无碎片化阅读习惯；
根据标注后的样本对应的数字，将标注后的所有样本划分为与各数字对应的样本集；
基于所述与各数字对应的样本集分别进行机器学习，得到与各数字对应的预设阅读习惯识别模型；
所述识别模块13，具体用于：
将所述脑电特征集中与各所述预设阅读习惯识别模型中对应数字相同的样本输入各所述预设阅读习惯识别模型，得到各所述预设阅读习惯识别模型输出的多个识别结果；
根据所述多个识别结果中占比多的识别结果，识别所述受试者有无碎片化阅读习惯。
可选地，在另一实施方式中，所述阅读习惯识别模型是通过以下方式训练得到的：
获取多个有碎片化阅读习惯用户的脑电特征集，根据用户输入的第一标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第一标注指令为有碎片化阅读习惯；
获取多个无碎片化阅读习惯用户的脑电特征集，根据用户输入的第二标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第二标注指令为无碎片化阅读习惯；
基于标注后的所有样本进行机器学习，得到预设阅读习惯识别模型；
所述识别模块13，具体用于：
将所述脑电特征集中所有样本输入所述预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果；
根据所述多个识别结果中占比多的识别结果，识别所述受试者有无碎片化阅读习惯。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于上述发明构思，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现碎片化阅读习惯识别方法的步骤。
基于上述发明构思，本发明实施例还提供一种电子设备。图9是根据一示例性实施例示出的一种电子设备700的框图。如图9所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出（I/O）接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的碎片化阅读习惯识别方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器（Static Random Access Memory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read-Only Memory，简称EPROM），可编程只读存储器（Programmable Read-Only Memory，简称PROM），只读存储器（Read-Only Memory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信（Near FieldCommunication，简称NFC），2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路（Application Specific Integrated Circuit，简称ASIC）、数字信号处理器（DigitalSignal Processor，简称DSP）、数字信号处理设备（Digital Signal Processing Device，简称DSPD）、可编程逻辑器件（Programmable Logic Device，简称PLD）、现场可编程门阵列（Field Programmable Gate Array，简称FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的碎片化阅读习惯识别方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的碎片化阅读习惯识别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的碎片化阅读习惯识别方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的碎片化阅读习惯识别方法的代码部分。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。
Claims (8)
1.一种碎片化阅读习惯识别方法，其特征在于，所述方法包括：
获取受试者在持续注意测试下的多个有效脑电信号，步骤包括：
将伪随机序列中的白色数字依次显示在黑屏中央，每个所述白色数字的显示时间是第一时长，两个所述白色数字显示的间隔时间为第二时长，其中，所述伪随机序列包括由数字1、2、3、4、5、6、7、8、9组成的第一预设数目个数字；
在所述伪随机序列显示期间，获取所述受试者在注视所述黑屏和根据所述黑屏反应下的64通道脑电信号，其中所述反应包括正确反应和错误反应，所述正确反应为：在出现第一数字后出现第二数字的情况下动作，其它情况下不动作，所述第一数字为数字1至9中的任何一个，所述第二数字与所述第一数字不同；
对所述64通道脑电信号进行处理，得到处理后的64通道脑电信号，所述处理包括滤波、平均重参考和去除伪迹；
针对处理后的每通道脑电信号，截取与所述伪随机序列显示各间隔对应的脑电信号，得到第二预设数目段脑电信号，每段脑电信号即为有效脑电信号，其中，每段脑电信号与所述伪随机序列各间隔前显示的数字对应，所述第二预设数目小于或等于所述第一预设数目；
根据多个所述有效脑电信号，得到脑电特征集，包括：
针对每个所述有效脑电信号，计算得到该有效脑电信号的功率谱；
根据多个所述有效脑电信号的功率谱计算得到每个所述有效脑电信号的相对功率谱；
根据每个所述有效脑电信号的相对功率谱，计算得到每个所述有效脑电信号的重心频率；
根据每个所述有效脑电信号的功率谱或相对功率谱，得到每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值；
其中，64通道的第二预设数目段脑电信号的每个所述有效脑电信号的重心频率、每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值构成了所述脑电特征集，64通道的每个所述有效脑电信号的重心频率、每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值作为一个样本，则所述脑电特征集包括第二预设数目个样本；
将所述脑电特征集输入预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果，并根据所述多个识别结果识别所述受试者有无碎片化阅读习惯，其中，所述识别结果为有碎片化阅读习惯或无碎片化阅读习惯。
2.根据权利要求1所述的方法，其特征在于，所述阅读习惯识别模型是通过以下方式训练得到的：
获取多个有碎片化阅读习惯用户的脑电特征集，根据用户输入的第一标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第一标注指令为有碎片化阅读习惯；
获取多个无碎片化阅读习惯用户的脑电特征集，根据用户输入的第二标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第二标注指令为无碎片化阅读习惯；
根据标注后的样本对应的数字，将标注后的所有样本划分为与各数字对应的样本集；
基于所述与各数字对应的样本集分别进行机器学习，得到与各数字对应的阅读习惯识别模型；
将所述与各数字对应的阅读习惯识别模型中准确率高的模型作为所述预设阅读习惯识别模型；
所述将所述脑电特征集输入预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果，并根据所述多个识别结果识别所述受试者有无碎片化阅读习惯包括：
将所述脑电特征集中与所述预设阅读习惯识别模型中对应数字相同的样本输入所述预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果；
根据所述多个识别结果中占比多的识别结果，识别所述受试者有无碎片化阅读习惯。
3.根据权利要求2所述的方法，其特征在于，所述基于所述与各数字对应的样本集分别进行机器学习，得到与各数字对应的阅读习惯识别模型包括：
将所述与各数字对应的样本集分别输入matlab，遍历Classification Learner中的所有分类模型进行机器学习，并采用十折交叉验证法进行测试验证，筛选出所述所有分类模型中准确率最高的分类模型，作为所述与各数字对应的阅读习惯识别模型。
4.根据权利要求1所述的方法，其特征在于，所述阅读习惯识别模型是通过以下方式训练得到的：
获取多个有碎片化阅读习惯用户的脑电特征集，根据用户输入的第一标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第一标注指令为有碎片化阅读习惯；
获取多个无碎片化阅读习惯用户的脑电特征集，根据用户输入的第二标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第二标注指令为无碎片化阅读习惯；
根据标注后的样本对应的数字，将标注后的所有样本划分为与各数字对应的样本集；
基于所述与各数字对应的样本集分别进行机器学习，得到与各数字对应的预设阅读习惯识别模型；
所述将所述脑电特征集输入预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果，并根据所述多个识别结果识别所述受试者有无碎片化阅读习惯包括：
将所述脑电特征集中与各所述预设阅读习惯识别模型中对应数字相同的样本输入各所述预设阅读习惯识别模型，得到各所述预设阅读习惯识别模型输出的多个识别结果；
根据所述多个识别结果中占比多的识别结果，识别所述受试者有无碎片化阅读习惯。
5.根据权利要求1所述的方法，其特征在于，所述阅读习惯识别模型是通过以下方式训练得到的：
获取多个有碎片化阅读习惯用户的脑电特征集，根据用户输入的第一标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第一标注指令为有碎片化阅读习惯；
获取多个无碎片化阅读习惯用户的脑电特征集，根据用户输入的第二标注指令对得到的每个所述脑电特征集内的每个样本进行标注，所述第二标注指令为无碎片化阅读习惯；
基于标注后的所有样本进行机器学习，得到预设阅读习惯识别模型；
所述将所述脑电特征集输入预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果，并根据所述多个识别结果识别所述受试者有无碎片化阅读习惯包括：
将所述脑电特征集中所有样本输入所述预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的多个识别结果；
根据所述多个识别结果中占比多的识别结果，识别所述受试者有无碎片化阅读习惯。
6.一种碎片化阅读习惯识别装置，其特征在于，包括：
信号获取模块，用于获取受试者在持续注意测试下的多个有效脑电信号，包括：
测试子模块，用于将伪随机序列中的白色数字依次显示在黑屏中央，每个所述白色数字的显示时间是第一时长，两个所述白色数字显示的间隔时间为第二时长，其中，所述伪随机序列包括由数字1、2、3、4、5、6、7、8、9组成的第一预设数目个数字；
信号采集子模块，用于在所述伪随机序列显示期间，获取所述受试者在注视所述黑屏和根据所述黑屏反应下的64通道脑电信号，其中所述反应包括正确反应和错误反应，所述正确反应为：在出现第一数字后出现第二数字的情况下动作，其它情况下不动作，所述第一数字为数字1至9中的任何一个，所述第二数字与所述第一数字不同；
处理子模块，用于对所述64通道脑电信号进行处理，得到处理后的64通道脑电信号，所述处理包括滤波、平均重参考和去除伪迹；
分段子模块，用于针对处理后的每通道脑电信号，截取与所述伪随机序列显示各间隔对应的脑电信号，得到第二预设数目段脑电信号，每段脑电信号即为有效脑电信号，其中，每段脑电信号与所述伪随机序列各间隔前显示的数字对应，所述第二预设数目小于或等于所述第一预设数目；
特征获取模块，用于根据多个所述有效脑电信号，得到脑电特征集，包括：
功率谱计算子模块，用于针对每个所述有效脑电信号，计算得到该有效脑电信号的功率谱；
相对功率谱计算子模块，用于根据多个所述有效脑电信号的功率谱计算得到每个所述有效脑电信号的相对功率谱；
重心频率计算子模块，用于根据每个所述有效脑电信号的相对功率谱，计算得到每个所述有效脑电信号的重心频率；
频段功率计算子模块，用于根据每个所述有效脑电信号的功率谱或相对功率谱，得到每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值；
其中，64通道的第二预设数目段脑电信号的每个所述有效脑电信号的重心频率、每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值构成了所述脑电特征集，64通道的每个所述有效脑电信号的重心频率、每个所述有效脑电信号的各频段的相对功率和各频段两两之间的相对功率比值作为一个样本，则所述脑电特征集包括第二预设数目个样本；
识别模块，用于将所述脑电特征集输入预设阅读习惯识别模型，得到所述预设阅读习惯识别模型输出的识别结果，并根据所述识别结果识别所述受试者有无碎片化阅读习惯，其中，所述识别结果为有碎片化阅读习惯或无碎片化阅读习惯。
7.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-5中任一项所述方法的步骤。
8.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110632489.4A CN113157101B (zh) | 2021-06-07 | 2021-06-07 | 碎片化阅读习惯识别方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110632489.4A CN113157101B (zh) | 2021-06-07 | 2021-06-07 | 碎片化阅读习惯识别方法、装置、可读介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113157101A CN113157101A (zh) | 2021-07-23 |
| CN113157101B true CN113157101B (zh) | 2022-08-19 |
Family
ID=76875939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110632489.4A Expired - Fee Related CN113157101B (zh) | 2021-06-07 | 2021-06-07 | 碎片化阅读习惯识别方法、装置、可读介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113157101B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101049236A (zh) * | 2007-05-09 | 2007-10-10 | 西安电子科技大学 | 基于脑机交互的注意力状态即时检测系统及检测方法 |
| CN102074129A (zh) * | 2010-12-15 | 2011-05-25 | 曾涌潮 | 全脑阅读系统 |
| CN103054576A (zh) * | 2012-12-20 | 2013-04-24 | 清华大学 | 基于眼电信号的阅读状态识别方法及装置 |
| WO2014191805A1 (en) * | 2013-05-27 | 2014-12-04 | Tata Consultancy Services Limited | Devices and methods for determination of cognitive load |
| CN105559779A (zh) * | 2016-03-01 | 2016-05-11 | 夏鹏 | 一种通过脑电频谱进行认知评价的方法 |
| CN111714118A (zh) * | 2020-06-08 | 2020-09-29 | 北京航天自动控制研究所 | 一种基于集成学习的脑认知模型融合方法 |
| CN112434623A (zh) * | 2020-11-27 | 2021-03-02 | 四川大学 | 基于脑网络连通性的个体识别方法、系统及存储介质 |
| CN112890834A (zh) * | 2021-03-01 | 2021-06-04 | 福州大学 | 面向注意力识别的基于机器学习的眼电信号分类器 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2385789B1 (en) * | 2008-12-19 | 2019-03-13 | Agency for Science, Technology and Research | Device and method for generating a representation of a subject's attention level |
| US20130331727A1 (en) * | 2011-01-28 | 2013-12-12 | Agency For Science, Technology And Research | Method and system for detecting attention |
| US10342472B2 (en) * | 2013-07-01 | 2019-07-09 | Think-Now Inc. | Systems and methods for assessing and improving sustained attention |
| EP3011895B1 (en) * | 2014-10-26 | 2021-08-11 | Tata Consultancy Services Limited | Determining cognitive load of a subject from electroencephalography (EEG) signals |
| US20180115802A1 (en) * | 2015-06-23 | 2018-04-26 | Gregory Knox | Methods and systems for generating media viewing behavioral data |
| US11451875B2 (en) * | 2018-06-04 | 2022-09-20 | Samsung Electronics Co., Ltd. | Machine learning-based approach to demographic attribute inference using time-sensitive features |
| 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 |
-
2021
- 2021-06-07 CN CN202110632489.4A patent/CN113157101B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101049236A (zh) * | 2007-05-09 | 2007-10-10 | 西安电子科技大学 | 基于脑机交互的注意力状态即时检测系统及检测方法 |
| CN102074129A (zh) * | 2010-12-15 | 2011-05-25 | 曾涌潮 | 全脑阅读系统 |
| CN103054576A (zh) * | 2012-12-20 | 2013-04-24 | 清华大学 | 基于眼电信号的阅读状态识别方法及装置 |
| WO2014191805A1 (en) * | 2013-05-27 | 2014-12-04 | Tata Consultancy Services Limited | Devices and methods for determination of cognitive load |
| CN105559779A (zh) * | 2016-03-01 | 2016-05-11 | 夏鹏 | 一种通过脑电频谱进行认知评价的方法 |
| CN111714118A (zh) * | 2020-06-08 | 2020-09-29 | 北京航天自动控制研究所 | 一种基于集成学习的脑认知模型融合方法 |
| CN112434623A (zh) * | 2020-11-27 | 2021-03-02 | 四川大学 | 基于脑网络连通性的个体识别方法、系统及存储介质 |
| CN112890834A (zh) * | 2021-03-01 | 2021-06-04 | 福州大学 | 面向注意力识别的基于机器学习的眼电信号分类器 |
Non-Patent Citations (1)
| Title |
|---|
| 网络数字阅读行为对阅读脑的改造及其对认知的影响;袁曦临;《图书馆杂志》;20160415(第04期);18-25页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113157101A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110245213B (zh) | 调查问卷生成方法、装置、设备和存储介质 | |
| JP6926339B2 (ja) | 画像のクラスタリング方法及び装置、電子機器並びに記憶媒体 | |
| Long et al. | Mid-level perceptual features contain early cues to animacy | |
| US20140095308A1 (en) | Advertisement distribution apparatus and advertisement distribution method | |
| US20210228141A1 (en) | Knowledge discovery based on brainwave response to external stimulation | |
| CN112203083B (zh) | 一种视频数据的质量等级确定方法和装置 | |
| CN109276243A (zh) | 脑电心理测试方法及终端设备 | |
| Gordon et al. | Real world BCI: cross-domain learning and practical applications | |
| CN111345808B (zh) | 处理心电信号的方法、心电信号监测设备和存储介质 | |
| Meng et al. | Characterization and robust classification of EEG signal from image RSVP events with independent time-frequency features | |
| Davis III et al. | Brainsourcing: Crowdsourcing recognition tasks via collaborative brain-computer interfacing | |
| CN108418962B (zh) | 基于脑电波的信息响应方法及相关产品 | |
| CN109558531A (zh) | 新闻信息推送方法、装置以及计算机设备 | |
| CN113157101B (zh) | 碎片化阅读习惯识别方法、装置、可读介质及电子设备 | |
| CN109003492B (zh) | 一种题目选择装置及终端设备 | |
| CN111882036B (zh) | 卷积神经网络训练方法、脑电信号识别方法、装置和介质 | |
| CN113425312A (zh) | 脑电数据处理方法及装置 | |
| Alomari et al. | Inside out-A study of users’ perceptions of password memorability and recall | |
| CN104536687B (zh) | 一种翻页终端 | |
| CN110674632A (zh) | 一种确定安全级别的方法及装置、存储介质和设备 | |
| CN114366101B (zh) | 运动想象脑电信号分类方法、装置、设备和存储介质 | |
| Wang et al. | Spatial filtering pipeline evaluation of cortically coupled computer vision system for rapid serial visual presentation | |
| CN115827708A (zh) | 数据抽样方法及装置、存储介质及电子设备 | |
| WO2014191805A1 (en) | Devices and methods for determination of cognitive load | |
| CN111050194B (zh) | 视频序列处理方法、视频序列处理装置、电子设备及计算机可读存储介质 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220819 |