CN113208634A - 一种基于eeg脑波的注意力检测方法、系统 - Google Patents

Abstract

本发明公开了一种基于EEG脑波的注意力检测方法及系统，该方法包括EEG信号采集设备采集用户的脑电信号，对脑电信号进行滤波预处理后传输到数据分析系统；数据分析系统根据任务需要，提取脑电信号的特征，传输至判断识别系统；判断识别系统通过支持向量机SVM识别用户注意力状态。该方法实现对脑波注意力状态检测的智能化，提高了检测准确率，降低检测时间，拓宽了检测的应用场景。

Description

一种基于EEG脑波的注意力检测方法、系统

技术领域

本发明涉及EEG信号识别技术领域，特别是涉及一种基于EEG脑波的注意力检测方法、系统。

背景技术

目前市场上常用的注意力检测方法是通过繁琐的实验，如让被试者做大量的数学题、观看影视视频等，然后进行问卷调查，并进行统计学分析，根据结果分析是否注意力集中，存在一定的主观性。这种进行注意力检测的方法操作繁琐，效率低下，且误差也较大，同时应用场景受到限制。

因此，如何提高识别准确率是亟待解决的问题。

发明内容

本发明的目的是提供一种基于EEG脑波的注意力检测方法、系统，以实现智能化分析脑电信号从而判断注意力状态，提高识别准确率，降低识别时间。

为解决上述技术问题，本发明提供一种基于EEG脑波的注意力检测方法，包括：

EEG信号采集设备采集用户的脑电信号，对脑电信号进行滤波预处理后传输到数据分析系统；

数据分析系统根据任务需要，提取脑电信号的特征，传输至判断识别系统；

判断识别系统通过支持向量机SVM识别用户注意力状态。

优选的，所述滤波预处理包括工频滤波和带通滤波。

优选的，所述对脑电信号进行滤波预处理后，还包括对信号进行数据归一化操作。

优选的，所述脑电信号的特征包括脑电信号的时域特征、频域特征、时频特征。

优选的，所述时域特征包括均值、方差和一阶差分特征。

优选的，所述频域特征为脑电信号在不同频带的功率能量值。

优选的，采用短时傅里叶变换STFT和小波变换方法计算脑电信号的时频特征。

优选的，判断识别系统使用支持向量机SVM训练出一个二分类模型，识别用户注意力状态为注意力集中或者注意力不集中。

本发明还提供一种基于EEG脑波的注意力检测系统，用于实现上述方法，包括：

EEG信号采集设备，用于采集用户的脑电信号，对脑电信号进行滤波预处理后传输到数据分析系统；

数据分析系统，用于根据任务需要，提取脑电信号的特征，传输至判断识别系统；

判断识别系统，用于通过支持向量机SVM识别用户注意力状态。

本发明所提供的一种基于EEG脑波的注意力检测方法、系统，通过EEG信号采集设备采集用户前额电极脑电信号，提取出特征值，计算出不同频带的功率值从而通过算法模型自动判断注意力是否集中。本发明可以实时获取人的注意力状态，并及时做出判断，提升了分析的效率和准确性，且拓宽了检测的应用场景。

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为本发明所提供的一种基于EEG脑波的注意力检测方法的具体实施流程图；

图2为注意力集中状态下的EEG波形图；

图3为注意力不集中状态下EEG波形图

图4为本发明所提供的注意力集中状态下EEG信号频率能量分布示意图；

图5为本发明所提供的注意力不集中状态下EEG信号频率能量分布示意图；

图6为本发明所提供的一种基于EEG脑波的注意力检测系统的结构示意图。

具体实施方式

本发明的核心是提供一种基于EEG脑波的注意力检测方法、系统，以实现智能化分析脑电信号从而判断注意力状态，提高识别准确率，降低识别时间。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明所提供的一种基于EEG脑波的注意力检测方法的具体实施流程图。该方法中获取脑电信号步骤中，本实施例所采用的设备优选为便携式BCI设备，属于少通道高精度EEG采集装置，在满足采集信号质量的前提下，通过电极获取来自前额的高质量EEG信号。设备具有便携性、信号质量稳定性等特点。

脑电信号是人大脑的特定放电活动，EEG脑电图是常用的分析方法。EEG具有获取方式的便捷性、信号的稳定性和较低的成本等优势。EEG信号根据频率分布可以分为delta、theta、alpha、beta和gamma频带信号。当人的注意力非常集中时，可以观察到EEG信号中频(alpha波和beta波)活动增强现象。使用便携式EEG采集设备，可以实时获取人的脑电信号，计算脑电信号在不同频段内的功率值和不同频带能量的比值。以频谱能量作为特征，通过机器学习算法准确检测注意力是否集中。图2为注意力集中状态下的EEG波形图；图3为注意力不集中状态下EEG波形图。

本实施例采用的注意力检测方法包括以下流程：

1.EEG信号采集设备采集用户的脑电信号，对脑电信号进行滤波预处理后传输到数据分析系统。

其中，预处理步骤中，包括了对原始信号进行工频滤波和带通滤波。由于原始EEG信号存在大量的工频干扰噪声，因此本实施例可设计50Hz陷波滤波器，去除工频干扰，并对信号进行0.5-40Hz的带通滤波，并使用独立成分分析去除眼电伪迹。通过上述预处理方法，去除了EEG信号中不相关的无用信息，留下与实验任务相关的干净信号。

由于EEG信号存在个体差异性，本实施例还可以增加采取数据归一化操作，来保证信号的一致性。

2.数据分析系统根据任务需要，提取脑电信号的特征，传输至判断识别系统。

其中，EEG特征提取方法有：(1)时域特征、(2)频域特征、(3)时频特征等。本实施例根据任务需要，选取适合的方法提取EEG信号特征。

其中，信号的时域特征采用均值、方差和一阶差分等特征；计算信号的频域特征采用快速傅里叶(FFT)算法计算信号在delta(0.5-4Hz)、theta(4-8Hz)、alpha(8-14Hz)、beta(14-30Hz)和gamma(30-50Hz)频带的功率能量值。计算信号的时频特征采用短时傅里叶变换(STFT)算法和小波变换方法计算得出。根据注意力任务的特点，计算信号在不同频带内的功率能量值。

根据计算脑电信号在频域上的特征，可以发现人在注意力集中时，delta和theta低频带的功率能量较低，相应的，beta和gamma等高频带功率能量较高，如图4所示；而人处于注意力不集中状态时，delta和theta低频带的功率能量升高，相应的，beta和gamma高频带的功率能量降低，如图5所示。

由此可见，脑电信号的频域特征区分明显，可以通过后续进一步加工以判断注意力集中和注意力不集中状态。

3.判断识别系统通过分类算法识别用户注意力状态。

其中，使用支持向量机(SVM)训练出一个二分类模型，通过空间映射得到分离超平面，计算特征空间中间隔最大的支持向量，从而准确识别注意力集中和不集中两种状态。优选地，同时还可以使用核函数处理非线性信号。

可见，本方法中，通过EEG信号采集设备采集用户前额电极脑电信号，提取出特征值，计算出不同频带的功率值从而通过算法模型自动判断注意力是否集中。本方法可以实时获取人的注意力状态，并及时做出判断，提升了分析的效率和准确性，且拓宽了检测的应用场景。本方法采用便携式采集设备，数据传输具有实时性和安全性，信号分析准确，使用高效的机器学习算法保证分类结果的准确性，应用场景具有多样性。

请参考图6，图6为本发明所提供的一种基于EEG脑波的注意力检测系统的结构示意图，该系统用于实现上述方法，包括：

EEG信号采集设备101，用于采集用户的脑电信号，对脑电信号进行滤波预处理后传输到数据分析系统；

数据分析系统102，用于根据任务需要，提取脑电信号的特征，传输至判断识别系统；

判断识别系统103，用于通过支持向量机SVM识别用户注意力状态.

可见，该系统通过EEG信号采集设备采集用户前额电极脑电信号，提取出特征值，计算出不同频带的功率值从而通过算法模型自动判断注意力是否集中。本发明可以实时获取人的注意力状态，并及时做出判断，提升了分析的效率和准确性，且拓宽了检测的应用场景。

对于本发明提供的基于EEG脑波的注意力检测系统的介绍请参照前述的基于EEG脑波的注意力检测方法的实施例，本发明实施例在此不再赘述。本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种基于EEG脑波的注意力检测方法、系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (9)

1.一种基于EEG脑波的注意力检测方法，其特征在于，包括：

EEG信号采集设备采集用户的脑电信号，对脑电信号进行滤波预处理后传输到数据分析系统；

数据分析系统根据任务需要，提取脑电信号的特征，传输至判断识别系统；

判断识别系统通过支持向量机SVM识别用户注意力状态。

2.如权利要求1所述的基于EEG脑波的注意力检测方法，其特征在于，所述滤波预处理包括工频滤波和带通滤波。

3.如权利要求1所述的基于EEG脑波的注意力检测方法，其特征在于，所述对脑电信号进行滤波预处理后，还包括对信号进行数据归一化操作。

4.如权利要求1所述的基于EEG脑波的注意力检测方法，其特征在于，所述脑电信号的特征包括脑电信号的时域特征、频域特征、时频特征。

5.如权利要求4所述的基于EEG脑波的注意力检测方法，其特征在于，所述时域特征包括均值、方差和一阶差分特征。

6.如权利要求4所述的基于EEG脑波的注意力检测方法，其特征在于，所述频域特征为脑电信号在不同频带的功率能量值。

7.如权利要求4所述的基于EEG脑波的注意力检测方法，其特征在于，采用短时傅里叶变换STFT和小波变换方法计算脑电信号的时频特征。

8.如权利要求1所述的基于EEG脑波的注意力检测方法，其特征在于，判断识别系统使用支持向量机SVM训练出一个二分类模型，识别用户注意力状态为注意力集中或者注意力不集中。

9.一种基于EEG脑波的注意力检测系统，其特征在于，用于实现如权利要求1至8中任意一项所述的方法，包括：

EEG信号采集设备，用于采集用户的脑电信号，对脑电信号进行滤波预处理后传输到数据分析系统；

数据分析系统，用于根据任务需要，提取脑电信号的特征，传输至判断识别系统；

判断识别系统，用于通过支持向量机SVM识别用户注意力状态。

Images