CN114343640A - 注意力评估方法及电子设备 - Google Patents
注意力评估方法及电子设备 Download PDFInfo
- Publication number
- CN114343640A CN114343640A CN202210018461.6A CN202210018461A CN114343640A CN 114343640 A CN114343640 A CN 114343640A CN 202210018461 A CN202210018461 A CN 202210018461A CN 114343640 A CN114343640 A CN 114343640A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- electroencephalogram
- depth feature
- electroencephalogram data
- 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
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请实施例提供了一种注意力评估方法及电子设备,包括:采集待评估用户的多模态数据,其中,所述多模态数据包括多个从不同角度反映所述用户的注意力特征的模态数据,所述多模式数据包括脑电数据和行为数据;将所述多模态数据输入目标注意力评估模型,获得目标评估结果,其中,所述目标注意力评估模型用于根据所述待评估用户对应的评估标准和目标深度特征,预测获得所述目标评估结果,所述评估标准根据所述行为数据获得,所述目标深度特征根据所述脑电数据获得。
Description
技术领域
本公开实施例涉及神经网络技术领域,更具体地,涉及一种注意力评估方法及电子设备。
背景技术
注意缺陷与多动障碍(Attention deficit and hyperactivity disorder,ADHD)是儿童时期最常见的精神疾病,世界范围内约有5%的儿童受到ADHD的影响,表现主要为控制力差、多动、冲动等症状,这些病症会随儿童成长而一直存在。有大约一半的ADHD儿童的上述问题持续至青少年甚至成人期,并伴随譬如违法犯罪、社会功能不良、学习成绩下等问题的发生。已有儿童ADHD筛查评估方式效率低下、准确性也是较差的。
面对ADHD儿童早期诊断的迫切需求,开展基于深度学习和多模态数据的注意评估模型构建研究,发展特征提取和多模态融合方法,,从而实现ADHD儿童的精准注意评估,为建立高性能、高稳健性的注意评估系统奠定基础。
发明内容
本公开的一个目的是提供一种用于评估注意力的集中程度的新的技术方案。
根据本公开的第一方面,提供了注意力评估方法的一个实施例,包括:
采集待评估用户的多模态数据,其中,所述多模态数据包括多个从不同角度反映所述用户的注意力特征的模态数据,所述多模式数据包括脑电数据和行为数据;
将所述多模态数据输入目标注意力评估模型,获得目标评估结果,其中,所述目标注意力评估模型用于根据所述待评估用户对应的评估标准和目标深度特征,预测获得所述目标评估结果,所述评估标准根据所述行为数据获得,所述目标深度特征根据所述脑电数据获得。
可选地,所述行为数据包括多个数据对,所述数据对包括用户针对同一认知行为的反应时长和反应正确率;所述目标注意力评估模型包括评估标准子模型;
所述评估标准通过以下步骤获得:
对所述多个数据对中的反应时长和反应正确率进行统计处理,获得所述评估标准。
可选地,所述目标注意力评估模型还包括目标深度特征提取子模型;
所述目标深度特征根据以下步骤获得:
对所述脑电数据进行第一预设转换处理,获得目标脑电数据,其中,所述第一预设转换处理包括对所述脑电数据在时间域和空间域上的对应数据进行转换的处理;
将所述目标脑电数据输入所述目标深度特征提取子模型,获得所述目标深度特征。
可选地,所述目标注意力评估模型还包括目标深度特征提取子模型;
所述目标深度特征根据以下步骤获得:
对所述脑电数据进行第二预设转换处理,获得变换后脑电数据,其中,所述数据变换包括以下任一项:裁剪、元素抠除、高斯噪声、高斯模糊;
将所述变换后脑电数据输入所述目标深度特征提取子模型,得到所述目标深度特征。
可选地,所述目标注意力评估模型还包括多层感知机,所述目标评估结果通过以下步骤获得:
将所述目标深度特征输入所述多层感知机中,得到融合特征;
基于所述融合特征和所述评估标准,获得所述目标评估结果。
可选地,所述脑电数据包括静息态脑电数据且为多通道数据;所述对所述脑电数据进行预设转换处理,获得目标脑电数据,包括:
将所述静息态脑电数据按照预定时长进行截取,获得多个第一数据段;
对所述多个第一数据段中的每个第一数据段进行频谱分析,得到所述每个第一数据段对应的时间相关分布,其中,所述时间相关分布用于反应各个通道上时间与频率的对应分布;
对于所述每个第一数据段对应的时间相关分布调整时间分辨率和频率分辨率,得到所述每个第一数据段对应的空间频率相关分布,其中,所述空间频率相关分布用于反应脑电数据对应的通道、时间与频率的分布;
对所述每个第一数据段对应的时间空间频率相关分布进行对数运算,得到所述目标脑电数据。
可选地,所述脑电数据包括任务态脑电数据且为多通道数据,所述对所述脑电数据进行预设转换处理,获得目标脑电数据,包括:
根据所述任务态脑电数据对应的视野,将所述任务态脑电数据划分为两组数据组,其中,所述视野包括左侧视野和右侧视野;
对每个数据组中的脑电数据基于对应认知行为对应的当前时刻和预设时间范围段进行提取,得到多个第二数据段;
对所述多个第二数据段进行计算,得到每个第二数据段对应的时间相关分布;
对所述每个第二数据段对应的时间相关分布进行叠加平均,得到与所述多个第二数据段对应的事件相关波形;
按照目标通道的通道方向,对所述事件相关波形进行叠加,得到所述多个第二数据段对应的空间频率相关分布,将所述空间频率相关分布作为所述目标脑电数据,所述目标通道从所述多通道中选取获得。
可选地,所述目标深度特征提取子模型通过以下步骤得到:
目标注意力评估模型
利用第一样本数据对初始深度特征提取子模型进行一次训练,得到第一深度特征提取子模型;
利用第二样本数据对所述第一深度特征提取子模型进行二次训练,得到目标深度特征提取子模型,其中,所述第二样本数据为根据采集到的用户的脑电数据得到的训练数据。
可选地,所述第二样本数据包括样本脑电数据,样本脑电数据包括样本静息态脑电数据和/或样本任务态脑电数据;
所述利用第二样本数据对所述第一深度特征提取子模型进行二次训练,得到目标特征提取模型,包括:
根据所述样本静息态脑电数据和/或所述样本任务态脑电数据中的至少一项,对所述第一深度特征提取子模型进行训练,以获得所述目标特征提取模型。
根据本公开的第二方面,提供了电子设备的一个实施例,包括:
存储器,用于存储可执行的指令;
处理器,用于根据所述指令的控制运行所述电子设备执行如本说明书的第一方面所述的方法。
本公开实施例的一个有益效果在于,根据本公开的实施例,通过采集待评估用户的多模态数据,其中,所述多模态数据包括多个从不同角度反映所述用户的注意力特征的模态数据,所述多模式数据包括脑电数据和行为数据;将所述多模态数据输入目标注意力评估模型,获得目标评估结果,其中,所述目标注意力评估模型用于根据所述待评估用户对应的评估标准和目标深度特征,预测获得所述目标评估结果,所述评估标准根据所述行为数据获得,所述目标深度特征根据所述脑电数据获得。利用目标注意评估模型可以提高对上述待评估用户的注意力进行快速且精准的评估,实现了用户注意力情况的精准注意评估,为建立高性能、高稳健性的注意评估系统奠定基础。
通过以下参照附图对本说明书的示例性实施例的详细描述,本说明书的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本说明书的实施例,并且连同其说明一起用于解释本说明书的原理。
图1是本公开实施例提供的一种注意力评估方法的流程示意图。
图2是本公开实施例提供的一种视觉搜索任务实验流程示意图。
图3是本公开实施例提供的一种对比学习流程的示意图。
图4是本公开实施例提供的一种注意力评估装置的实现框图。
图5是本公开实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
<方法实施例>
在脑成像研究领域,大规模的标注数据是十分少见的,少量的标注数据已经十分宝贵,因此无需人工标注数据的无监督学习有更广泛的适用性。除了标注信息外,数据本身也存在着丰富的信息内容,包括数据的结构、分布、内容等,因此可以使用这一类信息在没有标注的数据中作为监督信息,进行进一步的机器学习方法研究,这一类使用数据本身内容信息作为监督的方法称为自监督学习。自监督学习中,常见的做法是针对所使用的数据本身信息设计对应的辅助任务,对机器学习模型进行训练,在完成辅助任务的过程中使得模型完成对数据本身的表征的学习,从而使模型能够提取有效的数据特征,并用于下游任务。
脑电(Electroencephalogram,EEG)是神经活动的群体活动水平的直接测量。作为最重要的脑成像工具之一,它具有时间分辨率高、成本低、无创等特点,已被广泛用于对认知、脑功能和功能障碍的研究中。目前已经提出多种脑电特征提取方法,如时频分析、非线性动力学分析等。然而,不同分析方法提取了脑电信号中的不同属性,适用于不同的研究场景,缺少具有广泛通用性的特征。采用对比学习的框架,对同一数据进行两种不同的变换并提取表征,借助于数据内部信息表征的稳定性,对变换后的数据表征进行对比,尽可能拉近同一数据的不同表征、同时拉远不同数据的表征间的距离
为了克服已有儿童ADHD筛查评估方式的效率低下、准确性较差的不足,本公开的实施例提供了一种注意力评估方法。请参看图1,其是本公开实施例提供的注意力评估方法的流程示意图,该方法可以在电子设备中实施。
如图1所示,本实施例的方法可以包括如下步骤S1100-S1200,以下予以详细说明。
步骤S1100,采集待评估用户的多模态数据,其中,所述多模态数据包括多个从不同角度反映所述用户的注意力特征的模态数据,所述多模式数据包括脑电数据和行为数据。
在一些实施例中,注意力评估方法的执行主体可以是服务器,该执行主体可以通过有线连接方式或者无线连接方式采集待评估用户的多模态数据,其中,所述多模态数据包括多个从不同角度反映所述用户的注意力特征的模态数据,所述多模式数据包括脑电数据和行为数据。上述待评估用户可以是随机选取的用户,上述用户可以是成年人,也可以是儿童。其中,所述脑电数据包括静息态脑电数据和任务态脑电数据,上述脑电数据通常是分别考察用户在安静状态下和执行认知任务过程中的脑电信息。
作为示例,可以招募ADHD儿童以及年龄性别匹配的正常儿童各60名,要求所有儿童视力或校正视力正常,无色盲、色弱等;中国韦氏儿童智力量表智商评分高于80分;无服用神经兴奋性药物或其他治疗注意缺陷问题的药物史;当前并未参与其他认知行为干预或者电磁刺激干预,训练过程中也避免参与;排除器质性疾病、精神分裂、情绪障碍或者癫痫等情况;自我报告无严重的导致昏迷的脑外伤史。
按照指导佩戴多通道脑电帽,采集位置覆盖F3、F4、PO7、PO8、O1、O2;上述多通道脑电帽有16通道脑电帽,还有64通道脑电帽。
待评估用户需要保持安静,调整呼吸至平稳状态。按照指示保持闭眼(eye close,EC)120s,随后按照指示保持睁眼(eye open,EO)120s,过程中保持放松、减少头部和身体活动、减少眨眼和吞咽等动作;
执行视觉搜索(visual search,VS)空间注意任务,VS任务要求被试在一组干扰中对偏侧目标进行搜索反应,实验呈现的刺激如图2所示,实验背景色为黑色。实验刺激是由11个菱形和1个圆形排列组成的圆环,12个刺激项目按照时钟排列,圆形可能在2点钟、4点钟、8点钟、10点钟四个方向位置呈现。被试被要求注视屏幕并将注视点定在屏幕中心的十字上,当刺激呈现时判断圆形呈现上方或者下方视野中,并迅速按键反应。本任务四个位置各45个试次,共计180个试次,用时约6min。
步骤S1200,将所述多模态数据输入目标注意力评估模型,获得目标评估结果,其中,所述目标注意力评估模型用于根据所述待评估用户对应的评估标准和目标深度特征,预测获得所述目标评估结果,所述评估标准根据所述行为数据获得,所述目标深度特征根据所述脑电数据获得。
在一些实施例中,该执行主体可以将所述多模态数据输入目标注意力评估模型,获得目标评估结果,其中,所述目标注意力评估模型用于根据所述待评估用户对应的评估标准和目标深度特征,预测获得所述目标评估结果,所述评估标准根据所述行为数据获得,所述目标深度特征根据所述脑电数据获得。所述目标注意力评估模型可以是预先训练的也可以是支持向量机(Support Vector Machine,SVM)等网络模型,例如,所述目标评估结果可以是“高”、“中”和“低”。
在一些实施例的一些可选的实现方式中,所述行为数据包括多个数据对,所述数据对包括用户针对同一认知行为的反应时长和反应正确率;所述目标注意力评估模型包括评估标准子模型;所述评估标准通过以下步骤获得:对所述多个数据对中的反应时长和反应正确率进行统计处理,获得所述评估标准。上述评估标准可以是以每个被试所有正确试次的平均反应时作为被试注意能力的评估标准,并划分为“高”、“中”和“低”三档。上述被试可以是被测试的人。
在一些实施例的一些可选的实现方式中,所述目标注意力评估模型包括目标深度特征提取子模型;所述目标深度特征根据以下步骤获得:对所述脑电数据进行第一预设转换处理,获得目标脑电数据,其中,所述第一预设转换处理包括对所述脑电数据在时间域和空间域上的对应数据进行转换的处理;将所述目标脑电数据输入所述目标深度特征提取子模型,获得所述目标深度特征。上述目标深度特征提取子模型是基于对比学习的用于脑电特征提取的模型。作为示例,采用SimCLR的结构进行对比学习模型的训练,整体结构如图3所示,其中x表示输入的某个脑电成分所得到的脑区x时间x频率的数据;v及v’表示对数据进行数据变换;fθ表示用于特征提取的深度网络结构,采用在ImageNet上预训练的ResNet50作为模型初始化参数;y表示模型提取的深度特征,后续用于进一步的聚类;gθ表示多层感知机(multi-layer perceptron,MLP),用于抹除脑电数据表征中数据变换相关的特征;z表示MLP的深度特征输出。上述ImageNet是一个用于视觉对象识别软件研究的大型可视化数据库。
在一些实施例的一些可选的实现方式中,所述目标注意力评估模型还包括目标深度特征提取子模型;所述目标深度特征根据以下步骤获得:对所述脑电数据进行第二预设转换处理,获得变换后脑电数据,其中,所述数据变换包括以下任一项:裁剪、元素抠除、高斯噪声、高斯模糊;将所述变换后脑电数据输入所述目标深度特征提取子模型,得到所述目标深度特征。上述第二预设转换处理可以是借助于同一数据的不同转换的表征间的相似性以及不同数据间的表征的差异,采用裁剪、去色、元素抠除、高斯噪声、高斯模糊的数据转换方法,在构造自监督信息的同时保留脑电数据可能的表征信息,用于脑电数据的数据转换。
在一些实施例的一些可选的实现方式中,所述目标注意力评估模型还包括多层感知机,所述目标评估结果通过以下步骤获得:将所述目标深度特征输入所述多层感知机中,得到融合特征;基于所述融合特征和所述评估标准,获得所述目标评估结果。
在一些实施例的一些可选的实现方式中,所述脑电数据包括静息态脑电数据且为多通道数据;所述对所述脑电数据进行预设转换处理,获得目标脑电数据,包括:将所述静息态脑电数据按照预定时长进行截取,获得多个第一数据段;上述预定时长可以是预先设定的,例如,上述预定时长可以是4秒,重叠2秒。
对所述多个第一数据段中的每个第一数据段进行频谱分析,得到所述每个第一数据段对应的时间相关分布,其中,所述时间相关分布用于反应各个通道上时间与频率的对应分布;上述频谱分析可以是利用短时傅里叶变换(short-time Fourier transform,或short-term Fourier transform,STFT)计算每个第一数据段对应的时间相关分布。
对于所述每个第一数据段对应的时间相关分布调整时间分辨率和频率分辨率,得到所述每个第一数据段对应的空间频率相关分布,其中,所述空间频率相关分布用于反应脑电数据对应的通道、时间与频率的分布;对所述每个第一数据段对应的时间空间频率相关分布进行对数运算,得到所述目标脑电数据。
作为示例,使用PO7和PO8两个通道的数据进行计算。其中,静息态数据以数据分段的方式进行数据扩充,截取为长为4s的数据段,重叠2s;使用短时傅里叶变化计算各个成分的时间-频率分布图,调整频率分辨率为1Hz,时间分辨率为0.1s,并根据每个成分在头皮的分布将数据组织为“通道x时间x频率”的三维形式;考虑到头皮脑电的时频特性,将范围限定到0.5-80Hz,并对时频分布取log运算以降低高低频间的幅值差异。
在一些实施例的一些可选的实现方式中,所述脑电数据包括任务态脑电数据且为多通道数据,所述对所述脑电数据进行预设转换处理,获得目标脑电数据,包括:根据所述任务态脑电数据对应的视野,将所述任务态脑电数据划分为两组数据组,其中,所述视野包括左侧视野和右侧视野;
对每个数据组中的脑电数据基于对应认知行为对应的当前时刻和预设时间范围段进行提取,得到多个第二数据段;上述预设时间范围可以是预先设定的,例如,对每个通道的事件相关特征按照事件截取-1s到+1s的数据段。
对所述多个第二数据段进行计算,得到每个第二数据段对应的时间相关分布;其中,所述时间相关分布用于反应所述各个通道上时间与频率的对应分布。
对所述每个第二数据段对应的时间相关分布进行叠加平均,得到与所述多个第二数据段对应的事件相关波形;按照目标通道的通道方向,对所述事件相关波形进行叠加,得到所述多个第二数据段对应的空间频率相关分布,将所述空间频率相关分布作为所述目标脑电数据,所述目标通道从所述多通道中选取获得。
作为示例,对于VS刺激任务数据,分为左侧视野和右侧视野数据两组,每组包含90个试次,按照刺激前后各1s提取脑电数据;每次随机选取60个试次,按照上述步骤计算选取试次的时频图,并进行叠加平均;进行50次随机抽取,将数据量扩充50倍;叠加后的事件相关电位分析方法(Event-Related Potential,ERP)时频图按照PO7和PO8的同侧和对侧叠加为四个通道。
在一些实施例的一些可选的实现方式中,所述目标深度特征提取子模型通过以下步骤得到:利用第一样本数据对初始深度特征提取子模型进行一次训练,得到第一深度特征提取子模型;上述第一样本数据可以是ImageNet图像数据大规模图片数据,作为示例,采用ImageNet图像数据大规模图片数据对初始深度特征提取子模型进行无监督的对比学习训练,可以实现增强模型的特征学习能力。
利用第二样本数据对所述第一深度特征提取子模型进行二次训练,得到目标深度特征提取子模型,其中,所述第二样本数据为根据采集到的用户的脑电数据得到的训练数据。作为示例,上述执行主体可以固定上述第一深度特征提取子模型的浅层网络结构,输入上述脑电数据进行第二步对比学习训练,进一步微调模型参数,提取脑电相关特征。对于静息态脑电数据和VS刺激任务下两种模态脑电数据,分别进行两步对比学习训练,构造两个深度学习网络以提取不同模态下的深度特征。
在一些实施例的一些可选的实现方式中,所述第二样本数据包括样本脑电数据,样本脑电数据包括样本静息态脑电数据和/或样本任务态脑电数据;
所述利用第二样本数据对所述第一深度特征提取子模型进行二次训练,得到目标特征提取模型,包括:根据所述样本静息态脑电数据和/或所述样本任务态脑电数据中的至少一项,对所述第一深度特征提取子模型进行训练,以获得所述目标特征提取模型。
作为示例,以每个被试所有正确试次的平均反应时作为被试注意能力的评估标准,并划分为“高”、“中”和“低”三档。对于静息态脑电数据和任务态脑电数据,分别采用两步对比训练方法训练神经网络并提取对应深度特征;采用多层感知机,设计双流网络分别输入两种深度特征并进行融合,并最终输出评估结果。
本公开的一些实施例公开了一种注意力评估方法,通过采集待评估用户的多模态数据,其中,所述多模态数据包括多个从不同角度反映所述用户的注意力特征的模态数据,所述多模式数据包括脑电数据和行为数据;将所述多模态数据输入目标注意力评估模型,获得目标评估结果,其中,所述目标注意力评估模型用于根据所述待评估用户对应的评估标准和目标深度特征,预测获得所述目标评估结果,所述评估标准根据所述行为数据获得,所述目标深度特征根据所述脑电数据获得。利用目标注意评估模型可以提高对上述待评估用户的注意力进行快速且精准的评估,实现了用户注意力情况的精准注意评估,为建立高性能、高稳健性的注意评估系统奠定基础。
<装置实施例>
本公开的实施例提供了一种注意力评估装置。请继续参看图4,其是本公开实施例提供的注意力评估装置的框图,该装置可以在电子设备中实施。
如图4所示,本实施例的装置4000可以包括如下模块4100-4200,以下予以详细说明。
采集模块4100,用于采集待评估用户的多模态数据,其中,所述多模态数据包括多个从不同角度反映所述用户的注意力特征的模态数据,所述多模式数据包括脑电数据和行为数据;
输入模块4200,用于将所述多模态数据输入目标注意力评估模型,获得目标评估结果,其中,所述目标注意力评估模型用于根据所述待评估用户对应的评估标准和目标深度特征,预测获得所述目标评估结果,所述评估标准根据所述行为数据获得,所述目标深度特征根据所述脑电数据获得。
根据本公开实施例提供的技术方案,通过采集待评估用户的多模态数据,其中,所述多模态数据包括多个从不同角度反映所述用户的注意力特征的模态数据,所述多模式数据包括脑电数据和行为数据;将所述多模态数据输入目标注意力评估模型,获得目标评估结果,其中,所述目标注意力评估模型用于根据所述待评估用户对应的评估标准和目标深度特征,预测获得所述目标评估结果,所述评估标准根据所述行为数据获得,所述目标深度特征根据所述脑电数据获得。利用目标注意评估模型可以提高对上述待评估用户的注意力进行快速且精准的评估,实现了用户注意力情况的精准注意评估,为建立高性能、高稳健性的注意评估系统奠定基础。
在一些实施例的一些可选的实现方式中,所述行为数据包括多个数据对,所述数据对包括用户针对同一认知行为的反应时长和反应正确率;所述目标注意力评估模型包括评估标准子模型;所述评估标准通过以下步骤获得:对所述多个数据对中的反应时长和反应正确率进行统计处理,获得所述评估标准。
在一些实施例的一些可选的实现方式中,所述目标注意力评估模型还包括目标深度特征提取子模型;所述目标深度特征根据以下步骤获得:对所述脑电数据进行第一预设转换处理,获得目标脑电数据,其中,所述第一预设转换处理包括对所述脑电数据在时间域和空间域上的对应数据进行转换的处理;将所述目标脑电数据输入所述目标深度特征提取子模型,获得所述目标深度特征。
在一些实施例的一些可选的实现方式中,所述目标注意力评估模型还包括目标深度特征提取子模型;所述目标深度特征根据以下步骤获得:对所述脑电数据进行第二预设转换处理,获得变换后脑电数据,其中,所述数据变换包括以下任一项:裁剪、元素抠除、高斯噪声、高斯模糊;将所述变换后脑电数据输入所述目标深度特征提取子模型,得到所述目标深度特征。
在一些实施例的一些可选的实现方式中,所述目标注意力评估模型还包括多层感知机,所述目标评估结果通过以下步骤获得:将所述目标深度特征输入所述多层感知机中,得到融合特征;基于所述融合特征和所述评估标准,获得所述目标评估结果。
在一些实施例的一些可选的实现方式中,所述脑电数据包括静息态脑电数据且为多通道数据;所述对所述脑电数据进行预设转换处理,获得目标脑电数据,被进一步配置成:将所述静息态脑电数据按照预定时长进行截取,获得多个第一数据段;对所述多个第一数据段中的每个第一数据段进行频谱分析,得到所述每个第一数据段对应的时间相关分布,其中,所述时间相关分布用于反应各个通道上时间与频率的对应分布;对于所述每个第一数据段对应的时间相关分布调整时间分辨率和频率分辨率,得到所述每个第一数据段对应的空间频率相关分布,其中,所述空间频率相关分布用于反应脑电数据对应的通道、时间与频率的分布;对所述每个第一数据段对应的时间空间频率相关分布进行对数运算,得到所述目标脑电数据。
在一些实施例的一些可选的实现方式中,所述脑电数据包括任务态脑电数据且为多通道数据,所述对所述脑电数据进行预设转换处理,获得目标脑电数据,被进一步配置成:根据所述任务态脑电数据对应的视野,将所述任务态脑电数据划分为两组数据组,其中,所述视野包括左侧视野和右侧视野;对每个数据组中的脑电数据基于对应认知行为对应的当前时刻和预设时间范围段进行提取,得到多个第二数据段;对所述多个第二数据段进行计算,得到每个第二数据段对应的时间相关分布;对所述每个第二数据段对应的时间相关分布进行叠加平均,得到与所述多个第二数据段对应的事件相关波形;按照目标通道的通道方向,对所述事件相关波形进行叠加,得到所述多个第二数据段对应的空间频率相关分布,将所述空间频率相关分布作为所述目标脑电数据,所述目标通道从所述多通道中选取获得。
在一些实施例的一些可选的实现方式中,所述目标深度特征提取子模型通过以下步骤得到:利用第一样本数据对初始深度特征提取子模型进行一次训练,得到第一深度特征提取子模型;利用第二样本数据对所述第一深度特征提取子模型进行二次训练,得到目标深度特征提取子模型,其中,所述第二样本数据为根据采集到的用户的脑电数据得到的训练数据。
在一些实施例的一些可选的实现方式中,所述第二样本数据包括样本脑电数据,样本脑电数据包括样本静息态脑电数据和/或样本任务态脑电数据;所述利用第二样本数据对所述第一深度特征提取子模型进行二次训练,得到目标特征提取模型,被进一步配置成:根据所述样本静息态脑电数据和/或所述样本任务态脑电数据中的至少一项,对所述第一深度特征提取子模型进行训练,以获得所述目标特征提取模型。
<设备实施例>
与上述方法实施例相对应,在本实施例中,还提供一种电子设备,请参看图5,其是本公开实施例提供的一种电子设备的结构示意图。
如图5所示,该电子设备500可以包括处理器520和存储器510,该存储器510用于存储可执行的指令;该处理器520用于根据指令的控制运行电子设备以执行根据本公开任意实施例的方法。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,adhoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:采集待评估用户的多模态数据,其中,所述多模态数据包括多个从不同角度反映所述用户的注意力特征的模态数据,所述多模式数据包括脑电数据和行为数据;将所述多模态数据输入目标注意力评估模型,获得目标评估结果,其中,所述目标注意力评估模型用于根据所述待评估用户对应的评估标准和目标深度特征,预测获得所述目标评估结果,所述评估标准根据所述行为数据获得,所述目标深度特征根据所述脑电数据获得。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元,确定单元,第二获取单元,替换单元和完成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“响应于检测到针对应用的第一用户操作,获取上述应用的当前版本信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种注意力评估方法,其特征在于,包括:
采集待评估用户的多模态数据,其中,所述多模态数据包括多个从不同角度反映所述用户的注意力特征的模态数据,所述多模式数据包括脑电数据和行为数据;
将所述多模态数据输入目标注意力评估模型,获得目标评估结果,其中,所述目标注意力评估模型用于根据所述待评估用户对应的评估标准和目标深度特征,预测获得所述目标评估结果,所述评估标准根据所述行为数据获得,所述目标深度特征根据所述脑电数据获得。
2.根据权利要求1所述的方法,其特征在于,所述行为数据包括多个数据对,所述数据对包括用户针对同一认知行为的反应时长和反应正确率;所述目标注意力评估模型包括评估标准子模型;
所述评估标准通过以下步骤获得:
对所述多个数据对中的反应时长和反应正确率进行统计处理,获得所述评估标准。
3.根据权利要求2所述的方法,其特征在于,所述目标注意力评估模型还包括目标深度特征提取子模型;
所述目标深度特征根据以下步骤获得:
对所述脑电数据进行第一预设转换处理,获得目标脑电数据,其中,所述第一预设转换处理包括对所述脑电数据在时间域和空间域上的对应数据进行转换的处理;
将所述目标脑电数据输入所述目标深度特征提取子模型,获得所述目标深度特征。
4.根据权利要求2所述的方法,其特征在于,所述目标注意力评估模型还包括目标深度特征提取子模型;
所述目标深度特征根据以下步骤获得:
对所述脑电数据进行第二预设转换处理,获得变换后脑电数据,其中,所述数据变换包括以下任一项:裁剪、元素抠除、高斯噪声、高斯模糊;
将所述变换后脑电数据输入所述目标深度特征提取子模型,得到所述目标深度特征。
5.根据权利要求3或4所述的方法,其特征在于,所述目标注意力评估模型还包括多层感知机,所述目标评估结果通过以下步骤获得:
将所述目标深度特征输入所述多层感知机中,得到融合特征;
基于所述融合特征和所述评估标准,获得所述目标评估结果。
6.根据权利要求3所述的方法,其特征在于,所述脑电数据包括静息态脑电数据且为多通道数据;所述对所述脑电数据进行预设转换处理,获得目标脑电数据,包括:
将所述静息态脑电数据按照预定时长进行截取,获得多个第一数据段;
对所述多个第一数据段中的每个第一数据段进行频谱分析,得到所述每个第一数据段对应的时间相关分布,其中,所述时间相关分布用于反应各个通道上时间与频率的对应分布;
对于所述每个第一数据段对应的时间相关分布调整时间分辨率和频率分辨率,得到所述每个第一数据段对应的空间频率相关分布,其中,所述空间频率相关分布用于反应脑电数据对应的通道、时间与频率的分布;
对所述每个第一数据段对应的时间空间频率相关分布进行对数运算,得到所述目标脑电数据。
7.根据权利要求3所述的方法,其特征在于,所述脑电数据包括任务态脑电数据且为多通道数据,所述对所述脑电数据进行预设转换处理,获得目标脑电数据,包括:
根据所述任务态脑电数据对应的视野,将所述任务态脑电数据划分为两组数据组,其中,所述视野包括左侧视野和右侧视野;
对每个数据组中的脑电数据基于对应认知行为对应的当前时刻和预设时间范围段进行提取,得到多个第二数据段;
对所述多个第二数据段进行计算,得到每个第二数据段对应的时间相关分布;
对所述每个第二数据段对应的时间相关分布进行叠加平均,得到与所述多个第二数据段对应的事件相关波形;
按照目标通道的通道方向,对所述事件相关波形进行叠加,得到所述多个第二数据段对应的空间频率相关分布,将所述空间频率相关分布作为所述目标脑电数据,所述目标通道从所述多通道中选取获得。
8.根据权利要求3所述的方法,其特征在于,所述目标深度特征提取子模型通过以下步骤得到:
利用第一样本数据对初始深度特征提取子模型进行一次训练,得到第一深度特征提取子模型;
利用第二样本数据对所述第一深度特征提取子模型进行二次训练,得到目标深度特征提取子模型,其中,所述第二样本数据为根据采集到的用户的脑电数据得到的训练数据。
9.根据权利要求8所述的方法,其特征在于,所述第二样本数据包括样本脑电数据,样本脑电数据包括样本静息态脑电数据和/或样本任务态脑电数据;
所述利用第二样本数据对所述第一深度特征提取子模型进行二次训练,得到目标特征提取模型,包括:
根据所述样本静息态脑电数据和/或所述样本任务态脑电数据中的至少一项,对所述第一深度特征提取子模型进行训练,以获得所述目标特征提取模型。
10.一种电子设备,其特征在于,包括:
存储器,用于存储可执行的指令;
处理器,用于根据所述指令的控制运行所述电子设备执行如权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210018461.6A CN114343640B (zh) | 2022-01-07 | 2022-01-07 | 注意力评估方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210018461.6A CN114343640B (zh) | 2022-01-07 | 2022-01-07 | 注意力评估方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114343640A true CN114343640A (zh) | 2022-04-15 |
CN114343640B CN114343640B (zh) | 2023-10-13 |
Family
ID=81107164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210018461.6A Active CN114343640B (zh) | 2022-01-07 | 2022-01-07 | 注意力评估方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114343640B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117158973A (zh) * | 2023-11-04 | 2023-12-05 | 北京视友科技有限责任公司 | 一种注意力稳定性评价方法、系统、装置及存储介质 |
CN117198537A (zh) * | 2023-11-07 | 2023-12-08 | 北京无疆脑智科技有限公司 | 任务完成数据分析方法、装置、电子设备和存储介质 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1444904A (zh) * | 2003-01-27 | 2003-10-01 | 周曙 | 神经行为通用测试系统 |
JP2004147253A (ja) * | 2002-10-28 | 2004-05-20 | Fuji Xerox Co Ltd | 画像処理装置及び画像処理方法 |
CN103019382A (zh) * | 2012-12-17 | 2013-04-03 | 北京大学 | 一种利用诱发电位反映脑部主观动机信号的脑机接口方法 |
WO2014146168A1 (en) * | 2013-03-19 | 2014-09-25 | National Ict Australia Limited | Automatic detection of task transition |
CN106126786A (zh) * | 2016-06-17 | 2016-11-16 | 中国航空无线电电子研究所 | 座舱显示器人机界面设计人机工效定量评估方法 |
US20170030986A1 (en) * | 2014-09-01 | 2017-02-02 | bioProtonics LLC | Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms |
CN106384129A (zh) * | 2016-09-13 | 2017-02-08 | 西安科技大学 | 一种基于闭环驾驶模型的驾驶员驾驶状态辨识方法 |
CN106595849A (zh) * | 2016-12-13 | 2017-04-26 | 江铃汽车股份有限公司 | 汽车急加速时整车抖动的测试方法及装置 |
CN107239895A (zh) * | 2017-05-27 | 2017-10-10 | 西南交通大学 | 用于持续性注意力考核的方法及系统 |
CN107529646A (zh) * | 2017-05-02 | 2018-01-02 | 广东工业大学 | 一种基于欧拉影像放大的无接触式心率测量方法及装置 |
WO2019009420A1 (ja) * | 2017-07-07 | 2019-01-10 | 国立大学法人大阪大学 | トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびIoTを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量 |
US20190189146A1 (en) * | 2017-12-14 | 2019-06-20 | Beyond Verbal Communication Ltd. | Method and system for diagnosing coronary artery disease (cad) using a voice signal |
CA3143539A1 (en) * | 2019-07-17 | 2021-01-21 | Silencer Devices, LLC | Noise cancellation with improved frequency resolution |
CN112256123A (zh) * | 2020-09-25 | 2021-01-22 | 北京师范大学 | 基于脑负荷的操控工效分析方法、设备及系统 |
CN112587155A (zh) * | 2020-12-12 | 2021-04-02 | 中山大学 | 一种基于自监督学习的脑电波图异常检测的方法及装置 |
CN112826509A (zh) * | 2020-09-30 | 2021-05-25 | 天津大学 | 视觉注意力水平识别方法 |
CN112971811A (zh) * | 2021-02-09 | 2021-06-18 | 北京师范大学 | 脑功能定位方法、装置及电子设备 |
CN113191178A (zh) * | 2020-12-04 | 2021-07-30 | 中国船舶重工集团公司第七一五研究所 | 一种基于听觉感知特征深度学习的水声目标识别方法 |
CN113256751A (zh) * | 2021-06-01 | 2021-08-13 | 平安科技(深圳)有限公司 | 基于语音的图像生成方法、装置、设备及存储介质 |
CN113283338A (zh) * | 2021-05-25 | 2021-08-20 | 湖南大学 | 驾驶员驾驶行为识别方法、装置、设备及可读存储介质 |
CN113288175A (zh) * | 2021-05-31 | 2021-08-24 | 量心科技(深圳)有限公司 | 脑电信号的质量检测方法、装置、电子设备及存储介质 |
CN113729707A (zh) * | 2021-09-06 | 2021-12-03 | 桂林理工大学 | 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法 |
CN113729710A (zh) * | 2021-09-26 | 2021-12-03 | 华南师范大学 | 一种融合多生理模态的实时注意力评估方法及系统 |
CN113762062A (zh) * | 2021-05-27 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 专注度评估方法、装置、计算机设备和存储介质 |
-
2022
- 2022-01-07 CN CN202210018461.6A patent/CN114343640B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004147253A (ja) * | 2002-10-28 | 2004-05-20 | Fuji Xerox Co Ltd | 画像処理装置及び画像処理方法 |
CN1444904A (zh) * | 2003-01-27 | 2003-10-01 | 周曙 | 神经行为通用测试系统 |
CN103019382A (zh) * | 2012-12-17 | 2013-04-03 | 北京大学 | 一种利用诱发电位反映脑部主观动机信号的脑机接口方法 |
WO2014146168A1 (en) * | 2013-03-19 | 2014-09-25 | National Ict Australia Limited | Automatic detection of task transition |
US20170030986A1 (en) * | 2014-09-01 | 2017-02-02 | bioProtonics LLC | Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms |
CN106126786A (zh) * | 2016-06-17 | 2016-11-16 | 中国航空无线电电子研究所 | 座舱显示器人机界面设计人机工效定量评估方法 |
CN106384129A (zh) * | 2016-09-13 | 2017-02-08 | 西安科技大学 | 一种基于闭环驾驶模型的驾驶员驾驶状态辨识方法 |
CN106595849A (zh) * | 2016-12-13 | 2017-04-26 | 江铃汽车股份有限公司 | 汽车急加速时整车抖动的测试方法及装置 |
CN107529646A (zh) * | 2017-05-02 | 2018-01-02 | 广东工业大学 | 一种基于欧拉影像放大的无接触式心率测量方法及装置 |
CN107239895A (zh) * | 2017-05-27 | 2017-10-10 | 西南交通大学 | 用于持续性注意力考核的方法及系统 |
WO2019009420A1 (ja) * | 2017-07-07 | 2019-01-10 | 国立大学法人大阪大学 | トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびIoTを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量 |
US20190189146A1 (en) * | 2017-12-14 | 2019-06-20 | Beyond Verbal Communication Ltd. | Method and system for diagnosing coronary artery disease (cad) using a voice signal |
CA3143539A1 (en) * | 2019-07-17 | 2021-01-21 | Silencer Devices, LLC | Noise cancellation with improved frequency resolution |
CN112256123A (zh) * | 2020-09-25 | 2021-01-22 | 北京师范大学 | 基于脑负荷的操控工效分析方法、设备及系统 |
CN112826509A (zh) * | 2020-09-30 | 2021-05-25 | 天津大学 | 视觉注意力水平识别方法 |
CN113191178A (zh) * | 2020-12-04 | 2021-07-30 | 中国船舶重工集团公司第七一五研究所 | 一种基于听觉感知特征深度学习的水声目标识别方法 |
CN112587155A (zh) * | 2020-12-12 | 2021-04-02 | 中山大学 | 一种基于自监督学习的脑电波图异常检测的方法及装置 |
CN112971811A (zh) * | 2021-02-09 | 2021-06-18 | 北京师范大学 | 脑功能定位方法、装置及电子设备 |
CN113283338A (zh) * | 2021-05-25 | 2021-08-20 | 湖南大学 | 驾驶员驾驶行为识别方法、装置、设备及可读存储介质 |
CN113762062A (zh) * | 2021-05-27 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 专注度评估方法、装置、计算机设备和存储介质 |
CN113288175A (zh) * | 2021-05-31 | 2021-08-24 | 量心科技(深圳)有限公司 | 脑电信号的质量检测方法、装置、电子设备及存储介质 |
CN113256751A (zh) * | 2021-06-01 | 2021-08-13 | 平安科技(深圳)有限公司 | 基于语音的图像生成方法、装置、设备及存储介质 |
CN113729707A (zh) * | 2021-09-06 | 2021-12-03 | 桂林理工大学 | 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法 |
CN113729710A (zh) * | 2021-09-26 | 2021-12-03 | 华南师范大学 | 一种融合多生理模态的实时注意力评估方法及系统 |
Non-Patent Citations (12)
Title |
---|
CHEN, H (CHEN, HE) [1] ; SONG, Y (SONG, YAN) [1] ; LI, XL (LI, XIAOLI) [1]: "A deep learning framework for identifying children with ADHD using an EEG-based brain network", vol. 356, pages 83 - 96 * |
GIULIANO, LORETTA;MOSTILE, GIOVANNI;FATUZZO, DANIELA: "Abnormal visual sensitivity in eyelid myoclonia with absences: Evidence from electrocortical connectivity and non-linear quantitative analysis of EEG signal", vol. 69, pages 118 - 124, XP085716794, DOI: 10.1016/j.seizure.2019.04.007 * |
刘雨心,王莉,张昊.: "基于分层注意力机制的神经网络垃圾评论检测模型", vol. 38, no. 11, pages 3063 - 3068 * |
吴子阳: "立体影像视觉疲劳的脑电信号评估与研究" * |
张丹,张帅,李小俚,康健楠.: "基于小波相干性算法的孤独症儿童脑电评估", vol. 47, no. 03, pages 678 - 684 * |
张昊: "考虑时空相关性的机场和航班延误预测研究" * |
张琰,郝冬梅,吕岫华: "大鼠脑缺血不同时期躯体感觉诱发电位的研究", vol. 33, no. 3, pages 297 - 305 * |
曾浩: "脑干听觉诱发电位信号特征的单次提取算法研究" * |
朱坚民,张雷,翟东婷,雷静桃.: "基于声音多特征贝叶斯网络融合的话者识别研究", vol. 34, no. 09, pages 2058 - 2067 * |
潘煜,万岩,陈国青,胡清,黄丽华,王刊良,王求真,王伟军,饶恒毅.: "神经信息系统研究:现状与展望", vol. 21, no. 05, pages 1 - 21 * |
王贵松.: "次声波对于生物体脑电(EEG)的影响及规律研究" * |
闫佳庆,李占英,顾恒,姚群力,李小俚.: "基于脑电微状态的脑力负荷评价方法", vol. 6, no. 03, pages 245 - 250 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117158973A (zh) * | 2023-11-04 | 2023-12-05 | 北京视友科技有限责任公司 | 一种注意力稳定性评价方法、系统、装置及存储介质 |
CN117158973B (zh) * | 2023-11-04 | 2024-03-15 | 北京视友科技有限责任公司 | 一种注意力稳定性评价方法、系统、装置及存储介质 |
CN117198537A (zh) * | 2023-11-07 | 2023-12-08 | 北京无疆脑智科技有限公司 | 任务完成数据分析方法、装置、电子设备和存储介质 |
CN117198537B (zh) * | 2023-11-07 | 2024-03-26 | 北京无疆脑智科技有限公司 | 任务完成数据分析方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114343640B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Truong et al. | Epileptic seizure forecasting with generative adversarial networks | |
Chai et al. | Driver fatigue classification with independent component by entropy rate bound minimization analysis in an EEG-based system | |
Chuang et al. | Independent component ensemble of EEG for brain–computer interface | |
Matran-Fernandez et al. | Towards the automated localisation of targets in rapid image-sifting by collaborative brain-computer interfaces | |
Arican et al. | Binary particle swarm optimization (BPSO) based channel selection in the EEG signals and its application to speller systems | |
RU2708807C2 (ru) | Алгоритм комплексного дистанционного бесконтактного мультиканального анализа психоэмоционального и физиологического состояния объекта по аудио- и видеоконтенту | |
CN114343640A (zh) | 注意力评估方法及电子设备 | |
Kim et al. | An analysis of smartphone overuse recognition in terms of emotions using brainwaves and deep learning | |
Ahire et al. | A comprehensive review of machine learning approaches for dyslexia diagnosis | |
Cui et al. | Subject-independent drowsiness recognition from single-channel EEG with an interpretable CNN-LSTM model | |
Hosseini et al. | Deep convolutional neural network for automated detection of mind wandering using EEG signals | |
CN114366103B (zh) | 注意力评估方法、装置及电子设备 | |
Creagh et al. | Interpretable deep learning for the remote characterisation of ambulation in multiple sclerosis using smartphones | |
Cummins et al. | Artificial intelligence to aid the detection of mood disorders | |
Hsiao et al. | Understanding the role of eye movement consistency in face recognition and autism through integrating deep neural networks and hidden Markov models | |
Yang et al. | Multimodal sensing and computational intelligence for situation awareness classification in autonomous driving | |
Bedolla-Ibarra et al. | Classification of attention levels using a Random Forest algorithm optimized with Particle Swarm Optimization | |
Ding et al. | EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals | |
Parmar et al. | Early detection of dyslexia based on EEG with novel predictor extraction and selection | |
Gado et al. | Decoding mental effort in a quasi-realistic scenario: a feasibility study on multimodal data fusion and classification | |
Zubair et al. | Early Detection On Autistic Children by Using EEG Signals | |
Zainuddin et al. | Performance of extreme learning machine kernels in classifying EEG signal pattern of dyslexic children in writing | |
Sun et al. | Decision SincNet: Neurocognitive models of decision making that predict cognitive processes from neural signals | |
Abdullah et al. | EEG Emotion Detection Using Multi-Model Classification | |
Ding et al. | EEG-fest: few-shot based attention network for driver's drowsiness estimation with EEG signals |
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 |