CN115374837A - 基于脑电信号识别沉浸度的方法及系统 - Google Patents

基于脑电信号识别沉浸度的方法及系统 Download PDF

Info

Publication number
CN115374837A
CN115374837A CN202210815662.9A CN202210815662A CN115374837A CN 115374837 A CN115374837 A CN 115374837A CN 202210815662 A CN202210815662 A CN 202210815662A CN 115374837 A CN115374837 A CN 115374837A
Authority
CN
China
Prior art keywords
immersion
degree
electroencephalogram
duration
concentration
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
Application number
CN202210815662.9A
Other languages
English (en)
Inventor
陈亮
王楠
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.)
Shanghai Jue Health Technology Co ltd
Original Assignee
Shanghai Jue Health 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 Shanghai Jue Health Technology Co ltd filed Critical Shanghai Jue Health Technology Co ltd
Priority to CN202210815662.9A priority Critical patent/CN115374837A/zh
Publication of CN115374837A publication Critical patent/CN115374837A/zh
Pending legal-status Critical Current

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
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/251—Means for maintaining electrode contact with the body
    • A61B5/256—Wearable electrodes, e.g. having straps or bands
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

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

Abstract

本发明提供了一种基于脑电信号识别沉浸度的方法及系统，包括如下步骤：分析算法获取步骤：获取沉浸度分析算法；沉浸度识别步骤：通过沉浸度分析算法进行沉浸度的识别。本发明被试者通过佩戴头戴式脑电设备，可以行动不受限制地完成特定任务，并且由实验者记录下进入沉浸的时间和沉浸度，从而大大降低实验的成本，且识别结果具有高准确性。既克服了主观方式中的困扰，又避免了客观方式的影响。

Description

基于脑电信号识别沉浸度的方法及系统
技术领域
本发明涉及脑电波的技术领域，具体地，涉及一种基于脑电信号识别沉浸度的方法及系统。尤其是，优选的涉及一种基于EEG设备获取脑电信号识别沉浸度状态的方法和系统。
背景技术
最初“沉浸”作为电子游戏是否能引人入胜的关键衡量标准，成为体验一款成功的电子游戏的外在呈现。尽管在电游社区大家对“沉浸”有一个广泛的共识，但是沉浸到底是什么？是由什么引起的？
沉浸，作为一个概念，适用于令人感兴趣的参与中，比如追随、参与、出席和认知的吸收中。Brown和Cairns将沉浸简单的定义为“参与游戏的程度”。在他们对沉浸的描述中，Coomans和Timmermans将沉浸概括为当人们“当人们进入到一个虚拟世界但感觉仿佛一个真实世界”的一种深入的参与感，这个广义的定义被人们所接受，因为它们特有的性质更为大多数的人所接受。一些对沉浸广义的定义是参考于人们对虚拟游戏的参与程度或者是切断或脱离现实世界进入到虚拟世界的程度。然而其它的定义认为沉浸式体验是在一段时间内以虚拟环境代替现实的环境或者成为体验的一部分。沉浸的特征被认为是你对时间和周围的现实环境缺乏意识感受，或是在一种任务环境中真正存在的感觉——沉浸给人以一种与现实世界分离的感觉。
沉浸迄今为止是人机交互中被人忽视的一部分，虽然它经常在游戏环境中被提及，但是当你阅读一本特别引人入胜的书的时候，观看电影或者是电视节目的时候也可以这么去形容。“当人们观看一本书或者是电影中的某个角色的时候，往往会把自己代入到角色的位置，经历那些角色所经历的”。然而，沉浸于书中或者是电影中的感受是和沉迷于游戏中的感受是非常不同的，在大多数的媒体中，玩家会随着剧情的发展而非外界的输入感知角色，因为这个角色的个性已经被写书作者或者是导演所决定。相反的，在游戏中，玩家对游戏角色的控制以及这种代入感成为了影响游戏环境的重要因素。
目前，沉浸度的量化定义通过主观方式(比如，问卷)和客观方法(比如眼动和计算任务完成时间)来实现。但不管哪种方法，都存在着缺陷。主观方式的优点是能最短时间内搜集到最多量化数据。缺点：如果不能控制事件发生和填卷之间的间隔时间，或者受到被调查者疲劳、情绪抵触等影响，数据的严谨性将大打折扣。客观方式的优点能获得截面数据。缺点：不适合分析序列数据，其结果很难扩展到其他被试和实验环境中。并且受到经费等影响测试样本难以完备，外部效度低。
目前，神经科学在用户体验领域得到了广泛的应用，其中EEG技术提供了一种访问和记录用户神经活动的方法，允许计算机检索并分析用户思考时产生的脑电频谱特征，是一种可靠且具有高分辨率的生理测量手段。相比于其他脑神经研究方法(正电子发射断层扫描技术、功能磁共振成像等)，无创伤的脑电测量能够直接反映出人们的具体心理活动，且成本较低，是探索脑活动的一种常用技术。
公开号为CN114418026A的中国发明专利文献公开了一种脑电信号识别模型训练方法、识别方法、装置及设备，该方法中的时序卷积神经网络和一维深度卷积神经网络共用一个输入层和输出层，首先通过时序卷积神经网络的隐藏层得到脑电信号时序特征，并通过一维深度卷积神经网络的隐藏层得到脑电信号空间特征；然后通过时序卷积神经网络和一维深度卷积神经网络共用的全连接层对脑电信号时序特征和脑电信号空间特征进行特征拼接，以从多个维度全面提取脑电信号的特征；最后通过共用的输出层输出分类结果，并采用反向传播算法对时序卷积神经网络和一维深度卷积神经网络进行参数调整，得到分类精度较高的脑电信号识别模型。
针对上述中的相关技术，发明人认为上述方法识别沉浸度的效果较差。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于脑电信号识别沉浸度的方法及系统。
根据本发明提供的一种基于脑电信号识别沉浸度的方法，包括如下步骤：
分析算法获取步骤：获取沉浸度分析算法；
沉浸度识别步骤：通过沉浸度分析算法进行沉浸度的识别。
优选的，所述分析算法获取步骤包括如下步骤：
信号采集步骤：采集用户在指定任务或指定场景下的脑电信号；
预处理步骤：对脑电信号进行预处理；
特征值提取步骤：对预处理后的脑电信号进行特征值提取；
特征降维步骤：对提取的特征值做时间序列的多尺度分析，得到特征组合；
分析算法步骤：特征组合通过机器学习算法得到沉浸度分析算法。
优选的，在所述信号采集步骤中，指定任务或指定场景包括但不限于阅读，书法，乐器，体育项目或者多媒体游戏互动。
优选的，在所述信号采集步骤中，采集的脑电信号包括不同频段的脑电信号：δ波、θ波、α波、β波、γ波、专注度和放松度。
优选的，在所述预处理步骤中，预处理的方式为滤波处理，包括工频滤波和带通滤波。
优选的，在所述特征值提取步骤中，对预处理后的不同频段的脑电信号进行提取，提取脑电优势波持续时间、脑电优势波持续时间内对应的专注度和脑电优势波持续时间内对应的放松度。
优选的，在所述特征降维步骤中，对脑电优势波持续时间、脑电优势波持续时间内的专注度数值和脑电优势波持续时间内的放松度数值进行时间序列的多尺度分析，通过特征选取实验得出特征组合。
优选的，在所述分析算法步骤中，利用机器学习算法对识别到的沉浸度有效特征组合数值做离散小波变换，得到沉浸度分析算法；
其中，设沉浸度为Z；放松度为M；专注度为K；脑电优势波持续时间为t，i＝(1，2，.....，N)；其中，i表示时间刻度，以秒为单位；N表示测试时间内的刻度；
首先对放松度做离散小波变换：
Figure BDA0003742044960000031
其中，fM(t)表示沉浸度持续时间内的放松度数值；
Figure BDA0003742044960000032
表示脑电优势波持续时间t上面的放松度每i时刻的质量数值；
Figure BDA0003742044960000033
表示在i时刻的放松度离散参数；
其次对专注度做离散小波变换：
Figure BDA0003742044960000034
其中，fK(t)表示沉浸度持续时间内的专注度数值；
Figure BDA0003742044960000035
表示脑电优势波持续时间t上面的专注度每i时刻的质量数值；
Figure BDA0003742044960000036
表示在i时刻的专注度离散参数；
最后，在脑电优势波持续时间t内对沉浸度进行判别，即
fz(t)＝fM(t)-fK(t)，(fM(t)>＝fK(t))
其中，f(t)表示沉浸度持续时间；fz(t)表示沉浸度持续时间内的持续质量。
优选的，在所述沉浸度识别步骤中，通过沉浸度分析算法对重新经过信号采集步骤、预处理步骤、特征值提取步骤和特征降维步骤获得的脑电数据进行沉浸度识别；
即fM(t)>＝fK(t)时，沉浸度状态存在，并反馈沉浸度持续质量fz(t)和持续时间f(t)数值。
根据本发明提供的一种基于脑电信号识别沉浸度的系统，应用基于脑电信号识别沉浸度的方法，包括如下模块：
分析算法获取模块：获取沉浸度分析算法；
沉浸度识别模块：通过沉浸度分析算法进行沉浸度的识别。
与现有技术相比，本发明具有如下的有益效果：
1、本发明被试者通过佩戴头戴式脑电设备，可以行动不受限制地完成特定任务，并且由实验者记录下进入沉浸的时间和沉浸度，从而大大降低实验的成本，且识别结果具有高准确性。既克服了主观方式中的困扰，由避免了客观方式的影响；
2.本发明通过记录和研究大量的沉浸度实验数据，可以广泛地把沉浸理论应用于商业产品的前期开发，后期测试体验；
3.本发明应用于心理学研究领域，发掘更多人类参与的创新活动中的创新思维的产生条件。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明所提供的一种基于脑电信号沉浸度检测方法的工作流程图；
图2为本发明所提供的一种基于脑电信号沉浸度检测系统结构示意图。
附图标记：
便携式脑电设备 101 Ipad终端显示设备 103
数据分析系统 102
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例公开了一种基于脑电信号识别沉浸度的方法，如图1和图2所示，包括如下步骤：
分析算法获取步骤：获取沉浸度分析算法。
分析算法获取步骤包括如下步骤：
信号采集步骤：采集用户在指定任务或指定场景下的脑电信号。指定任务或指定场景包括但不限于阅读，书法，乐器，体育项目或者多媒体游戏互动。
采集的脑电信号包括不同频段的脑电信号：δ波、θ波、α波、β波、γ波、专注度和放松度。
预处理步骤：对脑电信号进行预处理。预处理的方式为滤波处理，包括工频滤波和带通滤波。
特征值提取步骤：对预处理后的脑电信号进行特征值提取。对预处理后的不同频段的脑电信号进行提取，提取脑电优势波持续时间、脑电优势波时长内对应的专注度和脑电优势波时长内对应的放松度。
特征降维步骤：对提取的特征值做时间序列的多尺度分析，得到特征组合。对脑电优势波持续时间、脑电优势波持续时间内的专注度数值和脑电优势波持续时间内的放松度数值进行时间序列的多尺度分析，通过特征选取实验得出特征组合。
分析算法步骤：特征组合通过机器学习算法得到沉浸度分析算法。利用机器学习算法对识别到的沉浸度有效特征组合数值做离散小波变换，得到沉浸度分析算法。
其中，设沉浸度为Z；放松度为M；专注度为K；脑电优势波持续时间为t，i＝(1，2，.....，N)；其中，i表示时间刻度，以秒为单位；N表示测试时间内的刻度。
首先对放松度做离散小波变换：
Figure BDA0003742044960000051
其中，fM(t)表示沉浸度持续时间内的放松度数值；
Figure BDA0003742044960000052
表示脑电优势波持续时间t上面的放松度每i时刻的质量数值；
Figure BDA0003742044960000053
表示在i时刻的放松度离散参数。
其次对专注度做离散小波变换：
Figure BDA0003742044960000054
其中，fK(t)表示沉浸度持续时间内的专注度数值；
Figure BDA0003742044960000055
表示脑电优势波持续时间t上面的专注度每i时刻的质量数值；
Figure BDA0003742044960000061
表示在i时刻的专注度离散参数。
最后，在脑电优势波持续时间t内对沉浸度进行判别，即
fz(t)＝fM(t)-fK(t)，(fM(t)>＝fK(t))
其中，f(t)表示沉浸度持续时间；fz(t)表示沉浸度持续时间内的持续质量。
沉浸度识别步骤：通过沉浸度分析算法进行沉浸度的识别。通过沉浸度分析算法对重新经过信号采集步骤、预处理步骤、特征值提取步骤和特征降维步骤获得的脑电数据进行沉浸度识别。即fM(t)>＝fK(t)时，沉浸度状态存在，并反馈沉浸度持续质量fz(t)和持续时间f(t)数值。
本发明实施例还公开了一种基于脑电信号识别沉浸度的系统，如图1和图2所示，应用基于脑电信号识别沉浸度的方法，包括如下模块：分析算法获取模块：获取沉浸度分析算法。沉浸度识别模块：通过沉浸度分析算法进行沉浸度的识别。
本发明实施例还公开了一种基于EEG设备获取脑电信号识别沉浸度状态的方法和系统，如图1和图2所示。图1为本发明所提供的一种基于脑电信号识别沉浸度状态方法的工作流程图，图2为一种基于脑电信号沉浸度检测系统结构示意图。该方法包括步骤如下：
S1、在被试者接受特定任务的情况下，采集其脑电信号。采集被试人员在接受特定任务的情况下对应的脑波数据，该任务包括但不仅限于阅读，书法，乐器，体育项目或者多媒体游戏互动；采集的脑电信号包括不同波频的脑电信号：Delta(δ波)、theta(θ波)、Alpha(α波)、Beta(β波)、Gamma(γ波)数据和专注度，放松度数据。其中，专注度和放松度数据根据不同波频的脑电信号(包括不限于Delta(δ波)、theta(θ波)、Alpha(α波)、Beta(β波)、Gamma(γ波)数据)获得。
具体为，利用BCI设备对用户在特定任务或场景下的脑电信号进行采集。通过BCI设备对用户进行特定任务或情境下的脑电信号采集。此时的任务或情境包括但不限于写作，画画，看书，弹奏乐器，玩游戏等等。采集初始的不同波频的脑电信号：Delta、theta、Alpha、Beta、Gamma数据和专注度，放松度数据。即数据采集：BCI设备采集用户在特定任务或场景下的脑电信号，这些脑电信号为原始的不同波段的脑电信号Delta、theta、Alpha、Beta、Gamma数据和专注度，放松度数据。
S2、对于S1采集到的脑电信号进行预处理。
具体为，数据预处理：对采集到的脑电信号进行预处理。预处理的方式为滤波处理，包括工频滤波和带通滤波，提升数据精度和准确度。
S3、对于S2预处理过的脑波信号做特征值提取。在不同波频的脑电信号：Delta、theta、Alpha、Beta、Gamma数据中提取脑电优势波Alpha波，以及脑电优势波Alpha波时长内对应的专注度和放松度数值。脑电优势波Alpha波：表示在所有波频的脑电信号功率数据中Alpha波功率数值占总数值比例大于等于50％的Alpha波数据。脑电优势波Alpha波持续时间：为Alpha波功率数值占总数值比例大于等于50％的持续时间。
具体为，提取沉浸度的特征值：脑电优势波Alpha波持续时间，脑电优势波持续时间内的专注度数值和放松度数值。数据处理系统从获得的脑电信号中提取特征值，识别脑电优势波Alpha波持续时间，识别脑电优势波持续时间内的专注度和放松度数据，以备做进一步处理。
S4、对于S3选取到的沉浸度的三个特征值做时间序列的多尺度分析，通过特征选取实验得出最有效的特征组合(识别出有效组合)。
特征选取实验：被测试者要求进行沉浸度的任务情景实验，在脑海中展开一场能够展现自身沉浸度的精神活动，比如专注构思一副画，聆听一首音乐，一场比赛或者回忆一场童年趣事等。在整个沉浸度任务实验的过程中记录被测试者的脑电活动数据。
多尺度分析：对沉浸度特征值-脑电优势波Alpha波持续时间，脑电优势波Alpha波持续时间内的专注度数值和放松度数值进行时间序列的多尺度分析。具体为：对识别到的脑电优势波Alpha波数据做频域转换，然后将转换后的脑电优势波Alpha波数据和沉浸度特征选取实验中的脑电数据做时间尺度分析，一对一比对Alpha波的能量值相对比率，精确分析脑电优势波Alpha波的持续时间，从而得到脑电优势波Alpha波持续时间作为沉浸度的持续时间。同时，提取在沉浸度持续时间内(也是脑电优势波持续时间内的)专注度和放松度数据，用于进一步的沉浸度算法分析。
S5、组合通过脑电波机器学习得到沉浸度分析算法。
通过机器学习算法得到沉浸度分析算法。利用机器学习算法对识别到的沉浸度有效特征组合数值(脑电优势波Alpha波持续时间，脑电优势波Alpha波持续时间内的专注度和放松度数据)做进一步的离散小波变换，得到沉浸度的分析算法。即在有效组合上面进一步离散小波分析，得出沉浸度持续时间和质量的模型。
采用机器学习模型对特征值做离散小波变化，得到沉浸度分析模型。分析算法：采用机器学习模型对沉浸度做离散小波变换得到沉浸度分析模型，其中设沉浸度为Z,放松度为M，专注度为K，脑电优势波Alpha波持续时间为t，i＝(1，2，.....，N)，其中，i表示时间刻度，以秒为单位。N表示3分钟测试时间内每一秒的刻度，范围从1到180。
首先对放松度做离散小波变换：
Figure BDA0003742044960000081
其中，fM(t)表示沉浸度持续时间内的放松度数值；
Figure BDA0003742044960000082
表示脑电优势波Alpha波持续时间t上面的放松度在i时刻的质量数值。
Figure BDA0003742044960000083
表示在i时刻的放松度离散参数。
其次对专注度做离散小波变换：
Figure BDA0003742044960000084
其中，fK(t)表示沉浸度持续时间内的专注度数值；
Figure BDA0003742044960000085
表示脑电优势波波Alpha波持续时间t上面的专注度在i时刻的质量数值。
Figure BDA0003742044960000086
表示在i时刻的专注度离散参数。
最后，在脑电优势波Alpha波持续时间t内对沉浸度进行判别，即
fz(t)＝fM(t)-fK(t)，(fM(t)>＝fK(t))
其中，f(t)表示沉浸度持续时间；fz(t)表示沉浸度持续时间内的持续质量。
当fM(t)>＝fK(t)时，沉浸度状态存在，可进一步得到沉浸度持续时间f(t)数值；沉浸度持续质量fz(t)的数值。当fM(t)<fK(t)时，沉浸度状态不存在，不会得出沉浸度的持续时间和持续质量数值。
根据不断实验的反馈与评估对最终模型做优化调整，并反馈结果。
S6、通过S5中的沉浸度分析模型对重新经过步骤S1-S4获得的脑电数据进行沉浸度模型识别。通过沉浸度分析算法对采集到的脑电信号进行沉浸度状态上是否存在的识别，即fM(t)>＝fK(t)时，沉浸度状态存在，并反馈沉浸度持续质量fz(t)和持续时间f(t)数值。
S7、结果反馈：识别后还包括结果反馈，脑机设备采集用户的脑电数据，通过沉浸度模型分析算法进行分析，获得用户沉浸度持续质量数据和持续时间数据。同时将沉浸度结果：持续时间f(t)和持续质量fz(t)数据传送至终端设备进行结果显示，完成结果反馈。
本发明实施例还公开了一种基于EEG设备获取脑电信号识别沉浸度状态的系统，如图1和图2所示，图2为一种基于脑电信号沉浸度检测系统结构示意图。一套便携式的脑机接口设备(brain-computer interfaces，BCI)系统，包括一个便携式脑电设备，数据分析系统，一台Ipad终端显示设备。图例展示了此BCI系统采集用户脑电信号，经由数据分析系统对用户沉浸度状态进行识别，并在终端Ipad上面进行结果显示的结构示意图。该系统用于实现上述基于脑电信号识别沉浸度检测方法，包括：
便携式脑电设备，采集用户的脑电信号，将脑电信号传输至数据分析系统。
数据分析系统，提取脑电信号的特征值，脑电优势波Alpha波持续时间，专注度，放松度输入至分析算法中进行识别，并反馈沉浸度持续质量fz(t)和持续时间f(t)的结果数据。
终端Ipad，对数据反馈结果进行报告展示，展示内容形式包括但不限于文字，图片，表格，音频，视频等内容。
由此可见，该结构系统通过BCI设备才以及用户脑电信号，通过数据分析系统提取特征值脑电优势波Alpha波持续时间，专注度，放松度进行算法识别，得到沉浸度状态持续质量fz(t)和持续时间f(t)，并在终端设备Ipad获得报告显示。整个过程摆脱了人工依赖，节省了时间，提高了检测的精度和效率。
本发明的核心是提供一种基于脑电信号识别沉浸度状态的方法和系统，以此满足用户自动检测沉浸度的需要，降低人工成本，提高检测准确性。本发明降低目前的检测成本，提高识别结果的准确性。
本发明还公开了一种基于脑电信号的沉浸度状态监测系统，包括：BCI设备采集用户的脑电信号，脑电信号被进一步传送到数据分析系统。数据分析系统通过对脑电信号进行特征值提取：脑电优势波Alpha波持续时间，脑电优势波Alpha波持续时间内的专注度和放松度；对特征数值进行降维做时间序列的多尺度分析；通过机器学习算法对特征数值数据做离散小波变化，获得沉浸度识别算法；经过识别算法对用户沉浸度状态进行识别，得知用户沉浸度持续质量和持续时间。
本发明通过BCI设备采用户的脑电信号，进行数据预处理，提取脑电优势波Alpha波，专注度和放松度作为特征值，对特征值进行时间序列的多尺度分析，形成沉浸度识别的分析算法，利用分析算法得到用户的沉浸度状态持续质量和持续时间的识别结果。以此满足用户自动检测沉浸度的需要，不依赖于主观粗糙反馈，不需要借助外部人工，不耗费大量时间，实现提高检测准确性，降低成本的需要。
本发明具体包括步骤：BCI设备在被试接受特定任务的情况下，采集其脑电信号；对采集到的脑电信号进行预处理；对于处理过的脑波信号进行特征值提取：脑电优势波Alpha波持续时间，脑电优势波Alpha波持续时间内的专注度和放松度；对特征值进行时间序列的多尺度分析，得出最有效的特征组合；对选取到的特征组合通过脑电波机器学习算法得到沉浸度的分析算法；通过沉浸度分析算法对采集到的信号进行沉浸度持续质量和持续时间识别；模型判断并给出反馈结果。该方法通过便携式BCI设备识别大脑沉浸度，可以大大提高研究沉浸度的实验成本并提高实验准确性；通过记录和研究大量的关于沉浸度的实验数据，可以广泛把沉浸理论应用于商业产品前期开发和后期测试；应用于心理学研究领域，探索更多沉浸引发的人类创新活动。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于脑电信号识别沉浸度的方法，其特征在于，包括如下步骤：
分析算法获取步骤：获取沉浸度分析算法；
沉浸度识别步骤：通过沉浸度分析算法进行沉浸度的识别。
2.根据权利要求1所述的基于脑电信号识别沉浸度的方法，其特征在于，所述分析算法获取步骤包括如下步骤：
信号采集步骤：采集用户在指定任务或指定场景下的脑电信号；
预处理步骤：对脑电信号进行预处理；
特征值提取步骤：对预处理后的脑电信号进行特征值提取；
特征降维步骤：对提取的特征值做时间序列的多尺度分析，得到特征组合；
分析算法步骤：特征组合通过机器学习算法得到沉浸度分析算法。
3.根据权利要求2所述的基于脑电信号识别沉浸度的方法，其特征在于，在所述信号采集步骤中，指定任务或指定场景包括但不限于阅读，书法，乐器，体育项目或者多媒体游戏互动。
4.根据权利要求2所述的基于脑电信号识别沉浸度的方法，其特征在于，在所述信号采集步骤中，采集的脑电信号包括不同频段的脑电信号：δ波、θ波、α波、β波、γ波、专注度和放松度。
5.根据权利要求2所述的基于脑电信号识别沉浸度的方法，其特征在于，在所述预处理步骤中，预处理的方式为滤波处理，包括工频滤波和带通滤波。
6.根据权利要求4所述的基于脑电信号识别沉浸度的方法，其特征在于，在所述特征值提取步骤中，对预处理后的不同频段的脑电信号进行提取，提取脑电优势波持续时间、脑电优势波持续时间内对应的专注度和脑电优势波持续时间内对应的放松度。
7.根据权利要求6所述的基于脑电信号识别沉浸度的方法，其特征在于，在所述特征降维步骤中，对脑电优势波持续时间、脑电优势波持续时间内的专注度数值和脑电优势波持续时间内的放松度数值进行时间序列的多尺度分析，通过特征选取实验得出特征组合。
8.根据权利要求7所述的基于脑电信号识别沉浸度的方法，其特征在于，在所述分析算法步骤中，利用机器学习算法对识别到的沉浸度有效特征组合数值做离散小波变换，得到沉浸度分析算法；
其中，设沉浸度为Z；放松度为M；专注度为K；脑电优势波持续时间为t，i＝(1，2，.....，N)；其中，i表示时间刻度，以秒为单位；N表示测试时间内的刻度；
首先对放松度做离散小波变换：
Figure FDA0003742044950000021
其中，fM(t)表示沉浸度持续时间内的放松度数值；
Figure FDA0003742044950000022
表示脑电优势波持续时间t上面的放松度每i时刻的质量数值；
Figure FDA0003742044950000023
表示在i时刻的放松度离散参数；
其次对专注度做离散小波变换：
Figure FDA0003742044950000024
其中，fK(t)表示沉浸度持续时间内的专注度数值；
Figure FDA0003742044950000025
表示脑电优势波持续时间t上面的专注度每i时刻的质量数值；
Figure FDA0003742044950000026
表示在i时刻的专注度离散参数；
最后，在脑电优势波持续时间t内对沉浸度进行判别，即
fz(t)＝fM(t)-fK(t)，(fM(t)>＝fK(t))
其中，f(t)表示沉浸度持续时间；fz(t)表示沉浸度持续时间内的持续质量。
9.根据权利要求8所述的基于脑电信号识别沉浸度的方法，其特征在于，在所述沉浸度识别步骤中，通过沉浸度分析算法对重新经过信号采集步骤、预处理步骤、特征值提取步骤和特征降维步骤获得的脑电数据进行沉浸度识别；
即fM(t)>＝fK(t)时，沉浸度状态存在，并反馈沉浸度持续质量fz(t)和持续时间f(t)数值。
10.一种基于脑电信号识别沉浸度的系统，其特征在于，应用权利要求1-9任一所述的基于脑电信号识别沉浸度的方法，包括如下模块：
分析算法获取模块：获取沉浸度分析算法；
沉浸度识别模块：通过沉浸度分析算法进行沉浸度的识别。
CN202210815662.9A 2022-07-12 2022-07-12 基于脑电信号识别沉浸度的方法及系统 Pending CN115374837A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210815662.9A CN115374837A (zh) 2022-07-12 2022-07-12 基于脑电信号识别沉浸度的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210815662.9A CN115374837A (zh) 2022-07-12 2022-07-12 基于脑电信号识别沉浸度的方法及系统

Publications (1)

Publication Number Publication Date
CN115374837A true CN115374837A (zh) 2022-11-22

Family

ID=84062037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210815662.9A Pending CN115374837A (zh) 2022-07-12 2022-07-12 基于脑电信号识别沉浸度的方法及系统

Country Status (1)

Country Link
CN (1) CN115374837A (zh)

Similar Documents

Publication Publication Date Title
Wen et al. Emotion recognition based on multi-variant correlation of physiological signals
Kumar et al. Envisioned speech recognition using EEG sensors
Hu et al. Attention recognition in EEG-based affective learning research using CFS+ KNN algorithm
Koelstra et al. Deap: A database for emotion analysis; using physiological signals
Leiner et al. EDA positive change: A simple algorithm for electrodermal activity to measure general audience arousal during media exposure
CN101932988B (zh) 调整脑波信号识别方法的装置、方法以及程序
Ding et al. Inter-brain EEG feature extraction and analysis for continuous implicit emotion tagging during video watching
Yazdani et al. Implicit emotional tagging of multimedia using EEG signals and brain computer interface
US20210228141A1 (en) Knowledge discovery based on brainwave response to external stimulation
CN107427250B (zh) 通过脑活动的解析推测感知语义内容的推测方法
Manshouri et al. An EEG-based stereoscopic research of the PSD differences in pre and post 2D&3D movies watching
US20160043819A1 (en) System and method for predicting audience responses to content from electro-dermal activity signals
Arapakis et al. Interest as a proxy of engagement in news reading: Spectral and entropy analyses of EEG activity patterns
CN108363487B (zh) 梦境重现模型的构建方法、梦境重现方法及装置
Niu et al. User experience evaluation in virtual reality based on subjective feelings and physiological signals
Danner et al. Automatic facial expressions analysis in consumer science
CN109770896A (zh) 梦境图像重现方法、装置及存储介质、服务器
CN116211305A (zh) 动态实时情绪检测方法及系统
Wen et al. Construction and cross-correlation analysis of the affective physiological response database
CN111714089B (zh) 一种基于多刺激短视频事件相关电位的毒瘾评估系统
CN112232207A (zh) 脑力评估系统、脑数据云应用系统
Gunes et al. Automatic measurement of affect in dimensional and continuous spaces: Why, what, and how?
CN115374837A (zh) 基于脑电信号识别沉浸度的方法及系统
KR101808956B1 (ko) 대인 감성 평가 시스템 및 대인 감성 평가 정보를 수집하고 이용하는 방법
CN115690528A (zh) 跨主体场景的脑电信号美学评估处理方法、装置、介质及终端

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