CN113925509A - 基于脑电信号的注意力值计算方法、装置和电子装置 - Google Patents

基于脑电信号的注意力值计算方法、装置和电子装置 Download PDF

Info

Publication number
CN113925509A
CN113925509A CN202111054302.3A CN202111054302A CN113925509A CN 113925509 A CN113925509 A CN 113925509A CN 202111054302 A CN202111054302 A CN 202111054302A CN 113925509 A CN113925509 A CN 113925509A
Authority
CN
China
Prior art keywords
attention
target
attention value
adaptive
calculation model
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.)
Granted
Application number
CN202111054302.3A
Other languages
English (en)
Other versions
CN113925509B (zh
Inventor
陈子豪
童路遥
易昊翔
丘志强
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.)
Hangzhou Enter Electronic Technology Co ltd
Original Assignee
Hangzhou Enter Electronic Technology Co ltd
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 Hangzhou Enter Electronic Technology Co ltd filed Critical Hangzhou Enter Electronic Technology Co ltd
Priority to CN202111054302.3A priority Critical patent/CN113925509B/zh
Publication of CN113925509A publication Critical patent/CN113925509A/zh
Application granted granted Critical
Publication of CN113925509B publication Critical patent/CN113925509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本申请涉及一种基于脑电信号的注意力值计算方法、装置和电子装置，其中，该注意力计算方法包括：获取在目标电极位点采集的脑电信号作为目标电信号，并提取目标电信号的特征参数，在自适应阶段，计算特征参数的目标特征分布，并根据目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型，将特征参数输入调整后的注意力计算模型，得到目标电信号的自适应注意力值。其实现了根据目标电信号的特征对注意力计算模型的自适应调整，从而能够提高注意力计算模型处理不同用户的EEG信号的准确度，进而能够降低注意力值的分布偏差。

Description

基于脑电信号的注意力值计算方法、装置和电子装置
技术领域
本申请涉及信号处理领域，特别是涉及基于脑电信号的注意力值计算方法、装置和电子装置。
背景技术
基于脑机中提取的EEG信号计算得到的注意力值，在玩具、游戏以及教学中得到广泛应用。由于目前的消费级脑机设备的信号采集通道数量有限，往往从前额或者耳后等通道进行EEG信号采集，基于这些通道构建的注意力值计算模型较为单一。在使用单一的注意力值计算模型处理不同年龄和性别的用户差异较大的EEG信号时，计算得到的注意力值存在分布偏差。
针对相关技术中存在基于不同用户的EEG信号计算得到的注意力值存在分布偏差的问题，目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种基于脑电信号的注意力值计算方法、装置和电子装置，以解决相关技术中存在基于不同用户的EEG信号计算得到的注意力值存在分布偏差的问题。
第一个方面，在本实施例中提供了一种基于脑电信号的注意力计算方法，包括：
获取在被测对象的头部设置的目标电极位点采集的脑电信号，作为目标电信号，并提取所述目标电信号的特征参数；
在自适应阶段，计算所述特征参数的目标特征分布，并根据所述目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型；
将所述特征参数输入调整后的注意力计算模型，得到所述目标电信号的自适应注意力值。
在其中的一些实施例中，所述获取在被测对象的头部设置的目标电极位点采集的脑电信号，作为目标电信号，还包括：
对在所述被测对象的头部设置的目标电极位点采集的脑电信号进行信号截取处理，将截取后的所述脑电信号片段作为目标电信号。
在其中的一些实施例中，所述根据所述目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型，包括：
根据所述目标特征分布与所述参考特征分布在方差和均值上的差异，得到所述目标特征分布与所述参考特征分布之间的线性变换；
根据所述线性变换调整上一自适应阶段使用的所述注意力计算模型。
在其中的一些实施例中，所述方法还包括：
在非自适应阶段，将所述特征参数输入上一个自适应阶段调整得到的注意力计算模型，计算得到所述目标电信号对应的自适应注意力值。
在其中的一些实施例中，所述将所述特征参数输入调整后的注意力计算模型，得到所述目标电信号的自适应注意力值，包括：
将所述特征参数输入调整后的注意力计算模型，得到注意力值；
对所述注意力值与预设的初始注意力值进行加权求和，得到所述目标电信号的自适应注意力值；在对所述注意力值与预设的初始注意力值进行加权求和的过程中，所述初始注意力值对应的权重，随着所述自适应阶段的深入而减小，直至所述自适应阶段结束，所述初始注意力值对应的权重缩小为0。
在其中的一些实施例中，所述目标电信号为单通道脑电信号。
第二个方面，在本实施例中提供了一种基于脑电信号的注意力值计算装置，所述基于脑电信号的注意力值计算装置包括：获取模块、调整模块、以及计算模块，其中：
所述获取模块，用于获取在被测对象的头部设置的目标电极位点采集的脑电信号，作为目标电信号，并提取所述目标电信号的特征参数；
所述调整模块，用于在自适应阶段，计算所述特征参数的目标特征分布，并根据所述目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型；
所述计算模块，用于将所述特征参数输入调整后的注意力计算模型，得到所述目标电信号的自适应注意力值。
第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的基于脑电信号的注意力值计算方法。
第四个方面，在本实施例中提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一个方面所述的基于脑电信号的注意力值计算方法的步骤。
第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的基于脑电信号的注意力值计算方法。
上述基于脑电信号的注意力值计算方法、装置和电子装置，获取在目标电极位点采集的脑电信号作为目标电信号，并提取目标电信号的特征参数，在自适应阶段，计算特征参数的目标特征分布，并根据目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型，将特征参数输入调整后的注意力计算模型，得到目标电信号的自适应注意力值。其实现了根据目标电信号的特征对注意力计算模型的自适应调整，从而能够提高注意力计算模型处理不同用户的EEG信号的准确度，进而能够降低注意力值的分布偏差。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是相关技术的基于脑电信号的注意力值计算方法的终端的硬件结构框图；
图2是本实施例的基于脑电信号的注意力值计算方法的流程图；
图3是本实施例的调整阶段示意图；
图4是本实施例的特征分布示意图；
图5是本实施例的基于脑电信号的注意力值计算装置的结构框图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的基于脑电信号的注意力值计算方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的注意力值计算方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(NetworkInterface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种基于脑电信号的注意力值计算方法，图2是本实施例的基于脑电信号的注意力值计算方法的流程图，如图2所示，该流程包括如下步骤：
步骤S210，获取在被测对象的头部设置的目标电极位点采集的脑电信号，作为目标电信号，并提取目标电信号的特征参数。
其中，目标电信号可以从被测对象的头部采集得到，反映被测对象的大脑皮层或头皮表面的脑神经细胞电生理活动的电信号，例如EEG信号。其中，目标电信号可以通过佩戴于被测对象头部的脑机采集得到。具体地，该目标电信号可以通过脑机中设置于被测对象的前额或耳后的电极采集得到。另外地，目标电信号的特征参数可以为从EEG信号中提取的α波、β波、θ波等典型脑电节律能量和波形的复杂度、基本尺度熵、以及幅值等。上述特征参数可以用于被测对象注意力值的计算。
步骤S220，在自适应阶段，计算特征参数的目标特征分布，并根据目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型。
具体地，基于目标电信号的被测对象的注意力计算的阶段可以包括自适应阶段和非自适应阶段。其中，自适应阶段为基于采集的目标电信号的特性调整注意力模型的时段，而非自适应阶段为直接计算被测对象的注意力值的时段。进一步地，在计算注意力值的过程中，可以包含多个自适应阶段和非自适应阶段，且自适应阶段与非自适应阶段在时间上交替分布。具体如图3所示，计算注意力值的时间段可以被分为若干时间区间，每个时间区间的时长为tc。在每个时间区间中既包含自适应阶段也包含非自适应阶段。当脑机触发进行注意力计算时，若当前时段处于自适应阶段，则对注意力模型进行调整，以提高该注意力模型计算注意力值的准确度。
其中，目标特征分布具体可以为上述步骤S210得到的特征参数的概率随特征参数的值的分布。如图4所示，D1为计算得到的目标特征分布，D0为预设的参考特征分布，其中，图4横坐标为特征参数的值，纵坐标为各特征参数的值出现的概率。另外地，参考特征分布具体可以为预先通过相关机器学习算法确定的特征分布。另外地，目标特征分布与参考特征分布之间的差异，具体可以为目标特征分布与参考特征分布在均值和方差上的数值差异。通过求解目标特征分布与参考特征分布之间差异的线性关系，能够得到目标特征分布调整到参考特征分布的线性变换。利用目标特征分布与参考特征分布之间的线性变换，对注意力计算模型进行调整，从而能够使注意力计算模型适应目标电信号的特性，进而提高该注意力计算模型计算注意力值的准确度。
可以理解，在不同的自适应阶段，所进行调整的注意力计算模型是不同的。具体地，当前自适应阶段需要调整的注意力计算模型，为上一自适应阶段调整完成的注意力计算模型。另外，在最初期的自适应阶段，所进行调整的注意力计算模型可以为预先确定的初始注意力计算模型。另外地，在每个自适应阶段注意力计算模型调整完成后，可以将特征参数输入当前自适应阶段调整完成的注意力计算模型中，得到目标电信号对于的注意力值。
步骤S230，将特征参数输入调整后的注意力计算模型，得到目标电信号的自适应注意力值。
具体地，为了降低各自适应阶段得到的注意力值的误差，还可以预先设置一组权值W0和W1，如图3所示，其中横坐标为时间，纵坐标为权重大小。该权值W0和W1随注意力模型调整的时间大小而变化。对注意力计算模型计算得到的结果进行加权求和，得到注意力值A。具体如下式：
A＝W0*A0+W1*A1 (1)
其中，A0为预先确定的初始注意力值，A1为注意力计算模型计算得到的注意力值。W0为初始注意力值的权重，其取值可以在0至1之间变换，随自适应阶段的深入，该值逐渐减小，直至最后一个自适应阶段，该权重取值为0。W1为A1的权重，W1的大小随W0变化，且W1与W0之和始终为1。
另外地，非自适应阶段可以基于上一个自适应阶段调整完成的注意力计算模型，对特征参数进行计算得到注意力值。通过在获取目标电信号的过程的不同自适应阶段，完成注意力计算模型的自适应调整，能够提高注意力计算模型对不同用户的适应性，从而避免单一注意力计算模型的计算偏差，并且无需在注意力值计算前进行预先校准，进而简化了流程。基于上述步骤计算得到的注意力值，能够均匀分布于0～100的区间内，从而避免注意力值集中分布于高值区或者低值区。
上述步骤S210值步骤S230，获取在目标电极位点采集的目标电信号，并提取目标电信号的特征参数，在自适应阶段，计算特征参数的目标特征分布，并根据目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型，将特征参数输入调整后的注意力计算模型，得到目标电信号的自适应注意力值。其实现了根据目标电信号的特征对注意力计算模型的自适应调整，从而能够提高注意力计算模型处理不同用户的EEG信号的准确度，进而能够降低注意力值的分布偏差。
另外，在一个实施例中，基于上述步骤S210，获取在目标电极位点采集的目标电信号，具体包括以下步骤：
步骤S211，对在被测对象的头部设置的目标电极位点采集的脑电信号进行信号截取处理，将截取后的脑电信号片段作为目标电信号。
在一个实施例中，基于上述步骤S220，根据目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型，具体包括以下步骤：
步骤S221，根据目标特征分布与参考特征分布在方差和均值上的差异，得到目标特征分布与参考特征分布之间的线性变换。
步骤S222，根据线性变换调整上一自适应阶段使用的注意力计算模型。
具体地，可以将目标特征分布与参考特征分布之间的线性变换，添加至上一自适应阶段使用的注意力计算模型的输入端，以调整该注意力计算模型。
另外地，在一个实施例中，上述注意力值计算方法还包括以下步骤：
步骤S240，在非自适应阶段，将特征参数输入上一个自适应阶段调整得到的注意力计算模型，计算得到目标电信号对应的自适应注意力值。其中，在非自适应阶段的上一个自适应阶段，可以为与该非自适应阶段相邻的上一时段。
另外地，在一个实施例中，基于上述步骤S230，将特征参数输入调整后的注意力计算模型，得到目标电信号的自适应注意力值，具体包括以下步骤：
步骤S231，将特征参数输入调整后的注意力计算模型，得到注意力值。
其中，该注意力值为注意力计算模型在当前阶段，根据输入的特征参数计算得到的实际注意力值。当前阶段可以为自适应阶段也可以为非自适应阶段。
步骤S232，对注意力值与预设的初始注意力值进行加权求和，得到目标电信号的自适应注意力值；在对注意力值与预设的初始注意力值进行加权求和的过程中，初始注意力值对应的权重，随着自适应阶段的深入而减小，直至自适应阶段结束，初始注意力值对应的权重缩小为0。
例如，在用户刚刚佩戴上目标电信号采集设备的最初的自适应阶段，由于注意力计算模型还未进行自适应调整，基于当前阶段的注意力计算模型计算得到的注意力值相对实际值的偏差较大，因此通过对当前计算得到的注意力值和初始注意力值进行加权求和，降低注意力计算模型本身的偏差对结果造成的影响。通过对当前阶段的注意力计算模型计算得到的注意力值进行加权处理，能够降低注意力计算模型在未完成自适应调整的过程中，自身计算偏差对当前阶段的计算结果的准确度造成的影响，从而提高最终得到的注意力值的准确度。
另外地，在一个实施例中，目标电信号为单通道脑电信号。
上述步骤，获取在被测对象的头部设置的目标电极位点采集的脑电信号，从而便于提取用于计算注意力值的特征参数；根据目标特征分布于参考特征分布在方差和均值上的差异，得到目标特征分布于参考特征分布之间的线性变换，根据线性变换调整注意力计算模型，从而实现对注意力计算模型的自适应调整；将特征参数输入调整后的注意力计算模型，得到注意力值，对注意力值与预设的初始注意力值进行加权求和，得到目标信号的自适应注意力值；在对注意力值与预设的初始注意力值进行加权求和的过程中，初始注意力值对应的权重，随着自适应阶段的深入而减小，直至自适应阶段结束，初始注意力值对应的权重缩小为0，提高了注意力值的准确度；其实现了根据目标电信号的特征对注意力计算模型的自适应调整，从而能够提高注意力计算模型处理不同用户的EEG信号的准确度，进而能够降低注意力值的分布偏差。
在本实施例中还提供了一种注意力值计算装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是本实施例的注意力值计算装置50的结构框图，如图5所示，该装置50包括：获取模块52、调整模块54、以及计算模块56，其中：
获取模块52，用于获取在被测对象的头部设置的目标电极位点采集的脑电信号，作为目标电信号，并提取目标电信号的特征参数；
调整模块54，用于在自适应阶段，计算特征参数的目标特征分布，并根据目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型；
计算模块56，用于将特征参数输入调整后的注意力计算模型，得到目标电信号的自适应注意力值。
上述注意力值计算装置50，获取在被测对象的头部设置的目标电极位点采集的脑电信号，作为目标电信号，并提取目标电信号的特征参数，在自适应阶段，计算特征参数的目标特征分布，并根据目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型，将特征参数输入调整后的注意力计算模型，得到目标电信号的自适应注意力值。其实现了根据目标电信号的特征对注意力计算模型的自适应调整，从而能够提高注意力计算模型处理不同用户的EEG信号的准确度，进而能够降低注意力值的分布偏差。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
获取在被测对象的头部设置的目标电极位点采集的脑电信号，作为目标电信号，并提取目标电信号的特征参数；
在自适应阶段，计算特征参数的目标特征分布，并根据目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型；
将特征参数输入调整后的注意力计算模型，得到目标电信号的自适应注意力值。
在其中一个实施例中，上述处理器在运行计算机程序时还执行以下步骤：
对在被测对象的头部设置的目标电极位点采集的脑电信号进行信号截取处理，将截取后的脑电信号片段作为目标电信号。
在其中一个实施例中，上述处理器在运行计算机程序时还执行以下步骤：
根据目标特征分布与参考特征分布在方差和均值上的差异，得到目标特征分布与参考特征分布之间的线性变换；
根据线性变换调整上一自适应阶段使用的注意力计算模型。
在其中一个实施例中，上述处理器在运行计算机程序时还执行以下步骤：
在非自适应阶段，将特征参数输入上一个自适应阶段调整得到的注意力计算模型，计算得到目标电信号对应的自适应注意力值。
在其中一个实施例中，上述处理器在运行计算机程序时还执行以下步骤：
将特征参数输入调整后的注意力计算模型，得到注意力值；
对注意力值与预设的初始注意力值进行加权求和，得到目标信号的自适应注意力值；在对注意力值与预设的初始注意力值进行加权求和的过程中，初始注意力值对应的权重，随着自适应阶段的深入而减小，直至自适应阶段结束，初始注意力值对应的权重缩小为0。
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于脑电信号的注意力值计算方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
此外，结合上述实施例中提供的注意力值计算方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种基于脑电信号的注意力值计算方法。
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。
显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于脑电信号的注意力值计算方法，其特征在于，包括：
获取在被测对象的头部设置的目标电极位点采集的脑电信号，作为目标电信号，并提取所述目标电信号的特征参数；
在自适应阶段，计算所述特征参数的目标特征分布，并根据所述目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型；
将所述特征参数输入调整后的注意力计算模型，得到所述目标电信号的自适应注意力值。
2.根据权利要求1所述的基于脑电信号的注意力值计算方法，其特征在于，所述获取在被测对象的头部设置的目标电极位点采集的脑电信号，作为目标电信号，包括：
对在所述被测对象的头部设置的目标电极位点采集的脑电信号进行信号截取处理，将截取后的所述脑电信号片段作为目标电信号。
3.根据权利要求1所述的基于脑电信号的注意力值计算方法，所述根据所述目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型，包括：
根据所述目标特征分布与所述参考特征分布在方差和均值上的差异，得到所述目标特征分布与所述参考特征分布之间的线性变换；
根据所述线性变换调整所述上一自适应阶段使用的注意力计算模型。
4.根据权利要求1所述的基于脑电信号的注意力值计算方法，其特征在于，所述方法还包括：
在非自适应阶段，将所述特征参数输入上一个自适应阶段调整得到的注意力计算模型，计算得到所述目标电信号对应的自适应注意力值。
5.根据权利要求1所述的基于脑电信号的注意力值计算方法，其特征在于，所述将所述特征参数输入调整后的注意力计算模型，得到所述目标电信号的自适应注意力值，包括：
将所述特征参数输入调整后的注意力计算模型，得到注意力值；
对所述注意力值与预设的初始注意力值进行加权求和，得到所述目标电信号的自适应注意力值；在对所述注意力值与预设的初始注意力值进行加权求和的过程中，所述初始注意力值对应的权重，随着所述自适应阶段的深入而减小，直至所述自适应阶段结束，所述初始注意力值对应的权重缩小为0。
6.根据权利要求1至5中任一项所述的基于脑电信号的注意力值计算方法，其特征在于，所述目标电信号为单通道脑电信号。
7.一种基于脑电信号的注意力值计算装置，其特征在于，所述注意力值计算装置包括：获取模块、调整模块、以及计算模块，其中：
所述获取模块，用于获取在被测对象的头部设置的目标电极位点采集的脑电信号，作为目标电信号，并提取所述目标电信号的特征参数；
所述调整模块，用于在自适应阶段，计算所述特征参数的目标特征分布，并根据所述目标特征分布与预设的参考特征分布之间的差异，调整上一自适应阶段使用的注意力计算模型，得到调整后的注意力计算模型；
所述计算模块，用于将所述特征参数输入调整后的注意力计算模型，得到所述目标电信号的自适应注意力值。
8.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至6中任一项所述的基于脑电信号的注意力值计算方法。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的基于脑电信号的注意力值计算方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的基于脑电信号的注意力值计算方法的步骤。
CN202111054302.3A 2021-09-09 2021-09-09 基于脑电信号的注意力值计算方法、装置和电子装置 Active CN113925509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111054302.3A CN113925509B (zh) 2021-09-09 2021-09-09 基于脑电信号的注意力值计算方法、装置和电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111054302.3A CN113925509B (zh) 2021-09-09 2021-09-09 基于脑电信号的注意力值计算方法、装置和电子装置

Publications (2)

Publication Number Publication Date
CN113925509A true CN113925509A (zh) 2022-01-14
CN113925509B CN113925509B (zh) 2024-01-23

Family

ID=79275489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111054302.3A Active CN113925509B (zh) 2021-09-09 2021-09-09 基于脑电信号的注意力值计算方法、装置和电子装置

Country Status (1)

Country Link
CN (1) CN113925509B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115920192A (zh) * 2023-02-06 2023-04-07 西南医科大学附属医院 专注力分配能力训练系统、运行方法及存储介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104887223A (zh) * 2015-05-27 2015-09-09 杭州回车电子科技有限公司 一种无线干电极脑电采集及动作识别方法及系统
CN104958911A (zh) * 2015-06-18 2015-10-07 杭州回车电子科技有限公司 基于脑机接口的路轨赛车系统及控制方法
CN108309328A (zh) * 2018-01-31 2018-07-24 南京邮电大学 一种基于自适应模糊支持向量机的情绪识别方法
CN108537704A (zh) * 2018-04-17 2018-09-14 深圳市心流科技有限公司 课堂评测方法、装置及计算机可读存储介质
CN108670276A (zh) * 2018-05-29 2018-10-19 南京邮电大学 基于脑电信号的学习注意力评价系统
CN109389617A (zh) * 2018-08-27 2019-02-26 深圳大学 一种基于片上异构系统的运动目标识别与追踪方法及系统
CN110531861A (zh) * 2019-09-06 2019-12-03 腾讯科技（深圳）有限公司 运动想象脑电信号的处理方法和装置及存储介质
US20200008701A1 (en) * 2018-07-06 2020-01-09 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for magnetic resonance imaging
CN111493836A (zh) * 2020-05-31 2020-08-07 天津大学 基于脑机接口和深度学习的术后急性疼痛预测系统及应用
CN111493864A (zh) * 2020-03-18 2020-08-07 苏州脑王算法智能科技有限公司 Eeg信号混合噪声处理方法、设备和存储介质
CN211213144U (zh) * 2019-06-25 2020-08-11 杭州回车电子科技有限公司 头戴式设备
CN111728609A (zh) * 2020-08-26 2020-10-02 腾讯科技（深圳）有限公司 脑电信号的分类方法、分类模型的训练方法、装置及介质
CN112244772A (zh) * 2020-10-15 2021-01-22 王映姗 一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备
WO2021049784A2 (ko) * 2019-09-10 2021-03-18 인하대학교 산학협력단 Gan을 이용한 의료 영상의 광강도 분포 일반화 기법
CN112656431A (zh) * 2020-12-15 2021-04-16 中国科学院深圳先进技术研究院 基于脑电的注意力识别方法、装置、终端设备和存储介质
CN113080994A (zh) * 2021-03-30 2021-07-09 北京芯动卫士科技有限公司 一种基于卷积神经网络的多导联心电信号分类方法
CN113208634A (zh) * 2021-04-07 2021-08-06 北京脑陆科技有限公司 一种基于eeg脑波的注意力检测方法、系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104887223A (zh) * 2015-05-27 2015-09-09 杭州回车电子科技有限公司 一种无线干电极脑电采集及动作识别方法及系统
CN104958911A (zh) * 2015-06-18 2015-10-07 杭州回车电子科技有限公司 基于脑机接口的路轨赛车系统及控制方法
CN108309328A (zh) * 2018-01-31 2018-07-24 南京邮电大学 一种基于自适应模糊支持向量机的情绪识别方法
CN108537704A (zh) * 2018-04-17 2018-09-14 深圳市心流科技有限公司 课堂评测方法、装置及计算机可读存储介质
CN108670276A (zh) * 2018-05-29 2018-10-19 南京邮电大学 基于脑电信号的学习注意力评价系统
US20200008701A1 (en) * 2018-07-06 2020-01-09 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for magnetic resonance imaging
CN109389617A (zh) * 2018-08-27 2019-02-26 深圳大学 一种基于片上异构系统的运动目标识别与追踪方法及系统
CN211213144U (zh) * 2019-06-25 2020-08-11 杭州回车电子科技有限公司 头戴式设备
CN110531861A (zh) * 2019-09-06 2019-12-03 腾讯科技（深圳）有限公司 运动想象脑电信号的处理方法和装置及存储介质
WO2021049784A2 (ko) * 2019-09-10 2021-03-18 인하대학교 산학협력단 Gan을 이용한 의료 영상의 광강도 분포 일반화 기법
CN111493864A (zh) * 2020-03-18 2020-08-07 苏州脑王算法智能科技有限公司 Eeg信号混合噪声处理方法、设备和存储介质
CN111493836A (zh) * 2020-05-31 2020-08-07 天津大学 基于脑机接口和深度学习的术后急性疼痛预测系统及应用
CN111728609A (zh) * 2020-08-26 2020-10-02 腾讯科技（深圳）有限公司 脑电信号的分类方法、分类模型的训练方法、装置及介质
CN112244772A (zh) * 2020-10-15 2021-01-22 王映姗 一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备
CN112656431A (zh) * 2020-12-15 2021-04-16 中国科学院深圳先进技术研究院 基于脑电的注意力识别方法、装置、终端设备和存储介质
CN113080994A (zh) * 2021-03-30 2021-07-09 北京芯动卫士科技有限公司 一种基于卷积神经网络的多导联心电信号分类方法
CN113208634A (zh) * 2021-04-07 2021-08-06 北京脑陆科技有限公司 一种基于eeg脑波的注意力检测方法、系统

Non-Patent Citations (12)

* Cited by examiner, † Cited by third party
Title
CHEN, ZH (CHEN, ZIHAO) ; LUO, L (LUO, LUO) ; ZHANG, ZH (ZHANG, ZHIHUA): "Communication Lower Bounds for Distributed Convex Optimization: Partition Data on Features", 《ARXIV》 *
DUAN, T (DUAN, T) ; FINCH, SJ (FINCH, SJ) ; YE, KQ (YE, KQ) ; CHASE, GA (CHASE, GA) ; MENDELL, NR (MENDELL, NR): "Using mixture models to characterize disease-related traits", 《BMC GENETICS 》, vol. 6 *
吕慧霞: "小型猪急性心肌梗死模型血管再生的实验研究", 《CNKI》 *
娄晓光;陈兰岚;宋振振;: "基于多源域迁移学习的脑电情感识别", 计算机工程与设计, no. 07 *
张润东.: "基于压缩感知的目标跟踪研究", 《CNKI》 *
曾焕生: "基于迁移学习的运动想象脑电分类方法研究", 《CNKI》 *
李炳乾, 吴浩杨, 朱长纯, 刘君华: "真空中谐振微梁的品质因数", 西安交通大学学报, no. 03 *
柴鑫: "基于领域适配的跨个体脑电情绪识别方法研究", 《万方》 *
陈子豪, 孟令丙, 蒋步平, 等.: "胃动脉分布及其解剖变异对胃大部切除术临床应用研究", 《昆明学院学报》, vol. 38, no. 6, pages 105 - 108 *
陈子豪, 王江萍, 李雪敏.: "基于大数据背景下的开放式大学校园交通分析", 《中国建筑工业出版社》 *
陈子豪.: "在线教育中个性化推荐课程算法的研究与实现", 《CNKI》 *
陈子豪: "设计图转换组件化HTML代码生成系统的研究与实现", 《CNKI》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115920192A (zh) * 2023-02-06 2023-04-07 西南医科大学附属医院 专注力分配能力训练系统、运行方法及存储介质
CN115920192B (zh) * 2023-02-06 2023-05-09 西南医科大学附属医院 专注力分配能力训练系统、运行方法及存储介质

Also Published As

Publication number Publication date
CN113925509B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN109271020B (zh) 一种基于眼动追踪的稳态视觉诱发脑机接口性能评价方法
CN110732082B (zh) 一种经颅直流电刺激和功能性电刺激的运动功能康复方法
CN113925509A (zh) 基于脑电信号的注意力值计算方法、装置和电子装置
EP3202314A1 (en) Sensor information processing apparatus
CN109961018B (zh) 脑电信号分析方法、系统及终端设备
CN106913325B (zh) 计步方法及装置
CN111387936A (zh) 一种睡眠阶段识别方法、装置及设备
CN110121711A (zh) 一种基于视觉诱发电位的身份识别方法和设备
CN107273705A (zh) 人体植入式医疗装置参数确定、设置方法及设备
CN113349794A (zh) 经颅电刺激控制方法及控制装置
US11975199B2 (en) Phase-dependent brain neuromodulation of cross-frequency coupling
CN108144291A (zh) 基于脑电波的游戏控制方法及相关产品
CN116139403B (zh) 经颅电刺激装置的控制方法和经颅电刺激装置
CN108668008A (zh) 电子装置、显示参数调整方法及相关产品
CN113520409B (zh) Ssvep信号识别方法、装置、电子装置和存储介质
CN113616467A (zh) 按摩仪助眠控制方法、装置、系统和计算机设备
CN114683292B (zh) 肌电设备的采样频率控制方法、智能仿生手及存储介质
CN108553881B (zh) 电子装置、游戏控制方法及相关产品
CN113360876A (zh) 基于ssvep的身份识别方法、装置、电子装置和存储介质
CN112169170A (zh) 一种电刺激治疗装置
CN108427296A (zh) 智能家居控制方法及相关产品
CN108594992A (zh) 电子设备、应用控制方法及相关产品
CN108339267A (zh) 基于脑电波的游戏菜单控制方法及相关产品
US11564609B2 (en) Method, apparatus and computer program for synchronizing biopotential signals
US20230277113A1 (en) Headset with wireless electroencephalograph for neural conditioning

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