CN115399771A - 一种新型的基于脑电信号的人员专注程度检测方法及系统 - Google Patents
一种新型的基于脑电信号的人员专注程度检测方法及系统 Download PDFInfo
- Publication number
- CN115399771A CN115399771A CN202211020315.3A CN202211020315A CN115399771A CN 115399771 A CN115399771 A CN 115399771A CN 202211020315 A CN202211020315 A CN 202211020315A CN 115399771 A CN115399771 A CN 115399771A
- Authority
- CN
- China
- Prior art keywords
- concentration
- electroencephalogram
- module
- concentration degree
- state
- 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
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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7405—Details of notification to user or communication with user or patient ; user input means using sound
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7455—Details of notification to user or communication with user or patient ; user input means characterised by tactile indication, e.g. vibration or electrical stimulation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Physiology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种新型的基于脑电信号的人员专注程度检测方法及系统,专注度检测研究技术领域。专注程度检测方法步骤包括采集脑波信号、分析脑电信号、设计受试者特有的专注度指标、将特有的专注度指标应用受试者日常作业。专注程度检测系统包括脑电采集模块、微处理模块、存储模块、供电模块以及显示模块等。通过本发明,训练得到受试者的专注程度检测模型,该模型不再简单地用约定好频率范围的频段内的能量比值来代表专注程度检测指标,而是考虑到了个体之间在专注状态下脑波能量上升和下降的具体范围的差异,来确定专注程度检测模型。受试者通过自己独特的专注程度监测模型计算得到了专注程度指标结果,大大提高了专注程度检测准确性。
Description
技术领域
本发明涉及一种新型的基于脑电信号的人员专注程度检测方法及系统,属于专注度检测研究技术领域。
背景技术
脑电信号可以被分为两大类,一类被称为时间相关脑电波,又被称为诱发性脑电信号,是大脑受到刺激后做出反应,产生的脑电信号波动,而另一类被称为自发性脑电波,与诱发性脑电信号相反,它是指大脑自发产生的有规律性的电位信号。脑电信号的研究迄今已经有近八十多年的历史,在科技、军事、娱乐、虚拟现实等诸多方面都有显著的应用,特别是针对临床医疗,其作为反映大脑功能状态的重要指标,过去现在及未来都不失其在临床诊断及科学研究的价值。
现存研究显示,临床脑电记录分析的脑电频率大致范围在1.0~100Hz,其主要频段汇集于0.3~30Hz之间,可划分为四个重要波段,即δ(0.5~3Hz)、θ(4~7Hz)、α(8~13Hz)、β(14~30Hz),分别为delta、theta、alpha和beta节律,其频率范围和波形图如图1所示。
脑电信号产生的频率较为丰富,不同波段的脑电信号与思想或者活动的不同状态相关,比如当精神紧张或是情绪亢奋时会出现β波,人在疲劳或是精神抑郁时θ波会比较显著。可见脑电波如同脑功能状态的指示器,在不同的年龄、身体状态、心理状态下都有不同的脑电信号特征显示。对脑波信号进行进一步的分类的意义不言而喻,这不仅与人的精神和生理健康息息相关,而且为脑波控制设备的研发开创了理论基础。
根据神经科学的研究成果,注意力状态与脑电信号的节律的相关性得到了普遍的承认。在1985年,William等人发现,在脑电信号中,α和β频段反映了受试者的专注力水平,在进入专注状态时,受试者的α频段能量下降,β频段能量上升。其他大量的研究调查了注意力引起的β,α和其他不同频段之间能量比值的变化。总体而言,很多研究认为像β这样的高频段活动增加是一种注意唤醒的指标,相比较之下,α波段和θ波段的能量则会在注意唤醒时下降。因此,在实践中,研究者常将β波段能量与α波段能量的比值作为专注力程度的一种数学指标。类似地,还可以采用β波段能量与α波段及θ波段能量之和的比值作为专注力程度的另一种数学指标。
然而,将脑电信号不同频段的能量比作为专注力检测的指标存在一个问题大大限制了其在实践中的推广应用,即在实际检测中,该指标的有效性因人而异,一视同仁的计算方法忽略了存在于个体之间的差异,对于一些受试者,该指标往往不能准确的检测专注力水平。为了解决这个问题,有研究者提出了将多种指标结合在一起来衡量专注力水平,比如将β/α、β/θ的指标进行加权平均,得到新的指标来检测专注力水平。
上述基于结合多种指标的方法一定程度上解决了专注力检测准确性的问题,然而由于每种指标依然是传统频段能量指标,对于专注力水平的检测还是不够准确和稳定。
也有研究者提出使用脑电信号的复杂度作为专注力检测的另一类指标。复杂度指标包括近似熵、样本熵、交叉熵等。复杂性的度量应该接近于对某一物体或某一系统的构造和描述的难度。相关研究也已证实在专注于非专注状态下,复杂度指标有显著的统计性差异。
然而,基于复杂度计算的专注力指标的计算复杂,计算模型需要通过特殊的实验获取数据后进行训练和标定,且效果不稳定。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种新型的基于脑电信号的人员专注程度检测方法以及检测系统,能够针对不同个体的脑电特征对其训练,得到独有的专注程度检测模型,并通过新的专注度指标计算得到专注程度指标结果,大大提高了不同个体专注程度检测的准确性。
如上述背景技术部分介绍的内容所示,现有的基于脑电信号的频段能量进行专注力检测方法均存在不稳定的问题。具体地说,在使用脑电各波段的能量的比值作为专注度指标的计算依据的时候,在一般实践中,所采取的脑波的划分标准都是如在现有技术中所述,即δ(0.5~3Hz)、θ(4~7Hz)、α(8~13Hz)、β(14~30Hz),分别为delta、theta、alpha和beta节律。然而,上述划分标准即使在统计上是对广泛人群适用的,其也未必能够适用于每一个个体。例如,对于某一位受试者,其在专注状态下的脑波能量相比非专注状态下的脑波能量在8~15Hz范围内能量下降,而在16~30Hz范围内能量上升,则可以得知利用传统的β波段(14~30Hz)与α波段(8~13Hz)的能量比值作为专注程度的数字指标就不是最优的专注度指标了。因此针对此问题,本发明提出了一种基于训练的针对个体条件波段范围可调整的专注力水平指标和相应的整套专注力状态检测系统。
一种新型的基于脑电信号的人员专注程度检测方法,包括以下步骤:
步骤一:采集脑波信号
对受试者进行专注度诱发实验,利用不同的实验任务使受试者产生非专注和专注两种状态,并记录两种状态下受试者的脑电信号;
步骤二:分析脑电信号
计算步骤一中脑电信号在两种状态下功率谱密度的比值,即P专注/P非专注,根据比值,记录受试者的脑电信号在专注状态被诱发时脑波能量增加的频段范围,即W升,以及脑波能量降低的频段范围,即W降;
步骤三:设计受试者特有的专注度指标
根据步骤二的计算以及记录结果,针对该受试者设计适合其使用的专注度指标,即脑电信号在上升频段内的能量与下降频段内能量的比值,即W升/W降,该指标上升则表示该受试者处于专注的状态,而该指标下降则表示该受试者处于非专注的状态;
步骤四:将特有的专注度指标应用受试者日常作业
根据步骤三所设计的专注度指标,将其应用至常规专注度监测系统,受试者在日常作业中使用该系统对其专注状态进行监测。
作为优选实例,所述专注度诱发实验包括连续操作测验(CPT,ContinuousPerformance Test),测查注意维持、选择性注意和冲动性功能的测验。有多个版本,要求针对不同的数字或符号做出连续的反应,结果按反应的正确数、遗漏数、错误数及时间记分。
作为优选实例,所述功率谱密度计算方法包括Welch法以及Yule-Walker法等。
作为优选实例,所述常规专注度监测系统包括脑电采集设备、处理分析脑电信号的微处理器、供电设备以及用于接受微处理器电信号的报警器,脑电采集设备与报警器分别与微处理器电性连接,所述供电设备为脑电采集设备、微处理器以及报警器供电。
作为优选实例,所述报警器包括语音模块、警示灯模块以及震动模块,所述报警器用于接收微处理器发出的报警电信号,并触发报警,所述报警电信号由被监测人员处于非专注状态时的脑电信号转换得到。
一种新型的基于脑电信号的人员专注程度检测系统,执行上述的方法,包括:
脑电采集模块,用于:
获取非专注与专注两种状态下的脑电信号;
微处理模块,用于:
对所述脑电采集模块获取的处于专注状态与非专注状态时的脑电信号进行处理,计算脑电信号在两种状态下功率谱密度的比值;
基于比值,获得脑电信号在专注状态被诱发时脑波能量增加与降低的频段范围;
基于功率谱密度比值以及频段范围的结果,获得专注度指标,即脑电信号在上升频段内的能量与下降频段内能量的比值;
存储模块,用于:
存储所述脑电采集模块获取的处于专注状态与非专注状态时的脑电信号;
存储所述微处理模块获得的功率谱密度比值;
存储脑电信号在专注状态被诱发时脑波能量增加与降低的频段范围;
存储专注度指标;
供电模块,用于:
向所述脑电采集模块、微处理模块、存储模块供电。
作为优选实例,本发明专注程度检测系统还包括显示模块,所述显示模块用于对所述专注度指标进行可视化输出,显示模块分别与微处理模块与供电模块电性连接。
本发明的有益效果是:
通过本发明,提供一种新型的基于脑电信号的人员专注程度检测方法以及检测系统,通过训练得到了受试者的专注程度检测模型,该模型不再简单地用约定好频率范围的频段内的能量比值来代表专注程度检测指标,而是考虑到了个体之间在专注状态下脑波能量上升和下降的具体范围的差异,来确定专注程度检测模型。受试者通过自己独特的专注程度监测模型计算得到了专注程度指标结果,大大提高了专注程度检测准确性。
附图说明
图1为脑电信号的频率范围和波形图;
图2本发明提供的新型基于脑电信号的人员专注程度检测方法的处理流程图;
图3为现有的常规专注度监测系统的电路原理框图;
图4为本发明提供的新型基于脑电信号的人员专注程度检测系统的电路结构框图;
图5为本发明实施例中受试者在专注与非专注状态下的功率谱密度之比坐标图;
图6为现有技术中常用的脑电采集设备结构示意图。
具体实施方式
为了对本发明的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示及实施例,进一步阐述本发明。
实施例:
本发明是一种新型的基于脑电信号的人员专注程度检测方法以及检测系统。传统的基于脑电信号的人员专注程度检测方法一般是通过计算各脑电波段的能量并进一步计算其之间的比值得到表征专注力程度和水平高低的数字指标。典型的专注力指标是β波段与α波段的能量比值,而β波段与α波段的划分标准则都是β波段(14~30Hz),以及α波段(8~13Hz)。然而,如此一视同仁的计算方法忽略了存在于个体之间的差异。
如图2所示,为本发明提供的新型基于脑电信号的人员专注程度检测方法的处理流程图,包括四个步骤:
步骤一:采集脑波信号
对受试者进行专注度诱发实验,利用不同的实验任务使受试者产生非专注和专注两种状态,并记录两种状态下受试者的脑电信号;
步骤二:分析脑电信号
计算步骤一中脑电信号在两种状态下功率谱密度的比值,即P专注/P非专注,根据比值,记录受试者的脑电信号在专注状态被诱发时脑波能量增加的频段范围,即W升,以及脑波能量降低的频段范围,即W降;
步骤三:设计受试者特有的专注度指标
根据步骤二的计算以及记录结果,针对该受试者设计适合其使用的专注度指标,即脑电信号在上升频段内的能量与下降频段内能量的比值,即W升/W降,该指标上升则表示该受试者处于专注的状态,而该指标下降则表示该受试者处于非专注的状态;
步骤四:将特有的专注度指标应用受试者日常作业
根据步骤三所设计的专注度指标,将其应用至常规专注度监测系统,受试者在日常作业中使用该系统对其专注状态进行监测。
其中,专注度诱发实验包括连续操作测验(CPT,Continuous Performance Test),测查注意维持、选择性注意和冲动性功能的测验。连续操作测验有多个版本,要求针对不同的数字或符号做出连续的反应,结果按反应的正确数、遗漏数、错误数及时间记分。
功率谱密度计算方法包括Welch法以及Yule-Walker法等。
如图3所示,现有的常规专注度监测系统的电路原理框图,常规专注度监测系统包括脑电采集设备、处理分析脑电信号的微处理器、供电设备以及用于接受微处理器电信号的报警器,脑电采集设备与报警器分别与微处理器电性连接,供电设备为脑电采集设备、微处理器以及报警器供电。
报警器包括语音模块如扬声器、警示灯模块如警示灯以及震动模块如振动器,报警器用于接收微处理器发出的报警电信号,并触发报警来提醒被监测人员,报警电信号由被监测人员处于非专注状态时的脑电信号转换得到。
如图4所示,为本发明中提供的新型基于脑电信号的人员专注程度检测系统的电路结构框图,本发明的专注程度检测系统用于执行上述的专注程度检测方法,它包括:
脑电采集模块,可以采用现有脑电信号采集设备,如图6所示Emotiv公司的Epoc脑电信号采集设备产品,其用于:
获取非专注与专注两种状态下的脑电信号。
微处理模块,采用微处理控制器,用于:
对脑电采集模块获取的处于专注状态与非专注状态时的脑电信号进行处理,计算脑电信号在两种状态下功率谱密度的比值;
然后基于比值,获得脑电信号在专注状态被诱发时脑波能量增加与降低的频段范围;
然后基于功率谱密度比值以及频段范围的结果,获得专注度指标,即脑电信号在上升频段内的能量与下降频段内能量的比值。
存储模块,采用存储器,用于:
存储脑电采集模块获取的处于专注状态与非专注状态时的脑电信号;
存储微处理模块获得的功率谱密度比值;
存储脑电信号在专注状态被诱发时脑波能量增加与降低的频段范围;
以及存储专注度指标。
供电模块,采用蓄电池,用于:
向脑电采集模块、微处理模块、存储模块供电。
显示模块,采用显示器,用于:
对专注度指标进行可视化输出。
上述的常规专注度监测系统与本发明中的专注度检测系统,两者功能虽然不同,但可以采用同一套设备实现检测与监测的功能,两个系统共同包括设备有脑电信号采集设备与微处理器。
举例来说,对于某一位具体的受试者,其在专注状态下的脑波能量相比非专注状态下的脑波能量在8~15Hz范围内能量下降,而在16~30Hz范围内能量上升,则对于这一位受试者来说,更优的指标是16~30Hz范围内的脑波能量与8~15Hz范围内的脑波能量的比值,其相比于传统的β波段(14~30Hz)与α波段(8~13Hz)的能量比值,可以收集更多的反应受试者专注度变化的脑波能量涨落,因此也可以获得更好的预测和表征水平。
为了实现上述的针对个体特征的,波段范围可调的专注度计算指标,第一步是需要针对个体明确其在专注状态或是注意水平高的情况下,其各波段脑波能量变化的具体情况。我们可以通过定制的专注度诱发实验来实现该目的。具体地,可以让每一位受试者参与下述实验,实验分为两个阶段,第一个阶段维持2分钟,受试者在该阶段保持睁眼,但维持在休息状态,受试者没有明确的任务,第一阶段结束后受试者随即进入第二阶段的实验;第二个阶段同样维持2分钟,但受试者在这个阶段需要完成一个定制的实验任务,叫做CPT任务,为了完成该任务,受试者在这2分钟的时间内需要对面前的显示器上随机出现的英文字母做出快速反应,当屏幕上出现英文字母X时,受试者需要在尽可能短的时间内敲击键盘做出反应,当屏幕上出现除X以外的其他英文字母时,受试者无需做出敲击键盘的动作,而当屏幕上在字母A后出现字母X时,受试者需要对此X抑制反应,无需做出敲击键盘的动作。任务如此设计是为了使受试者在此阶段保持尽可能的专注,诱发相比较休息状态明显的专注水平变化。在整个实验的过程中,对受试者的脑电进行不间断的采集。4分钟的实验(第一阶段2分钟,第二阶段2分钟)为一轮,可以进行多轮实验并在后续数据处理环节对多轮实验数据平均得到最终结果,可以实现更高的估计性能。
得到受试者在参与上述实验过程中的脑电数据后,可以对受试者在实验的第一阶段(非专注状态)和第二阶段(专注状态)的脑电的功率谱密度进行估计,功率谱估计的方法可以采用包括Welch方法、Yule-Walker方法等。上述多轮实验的数据可以通过平均的方式提高功率谱估计的准确度。在得到受试者在非专注状态和专注状态下的功率谱密度后,可以对比两者的不同,并通过对应频率的功率谱密度的除法来获得受试者在专注状态诱发之后的各频率脑波能量的变化情况。在我们的前期实验中得到了如图5所示的图像,反映的是该受试者在专注状态诱发之后的各频率脑波能量的变化情况,横坐标是脑波的频率,纵坐标是该频率的脑波能量的变化情况。曲线高于1的部分说明此范围内的脑波能量在专注状态高于非专注状态,而曲线低于1的部分则说明此范围内的脑波能量在专注状态低于非专注状态。依据此图,我们可以观察得到每一位具体的受试者其在专注状态下脑波能量上升和下降的具体范围。根据图5,我们可以发现此受试者在专注状态下脑波能量下降的范围在频率上界处要略大于我们一般认可的α波段(α波段与β波段的范围在图5中使用虚线标出)。这样的实验结果反映了我们所提出的问题的有效性,也为我们设计新的针对个体条件波段范围可调整的专注力水平指标提供了依据。具体地,我们可以依据图5结果,针对具体受试者,划定其在专注状态下脑波能量下降的范围具体为,在专注状态下脑波能量上升的范围具体为,则新的专注力水平指标即是。
在传统的专注度指标中,一般通过计算β波段(14~30Hz)与α波段(8~13Hz)的能量比值,然而图5中的结果反映出这样的选择并不是最优的。图5是一位受试者在专注与非专注两种不同状态下脑电的功率谱密度的比值,可以看到该受试者的脑电信号在专注状态下在8-16Hz范围内能量降低,而在16-30Hz范围内能量升高。因此,对于这一位受试者来说,更加合适的专注度指标是16-30Hz范围内的脑电能量除以8-16Hz范围内的脑电能量,而不是传统的β波段(14~30Hz)与α波段(8~13Hz)的能量比值。对于其他的受试者,同样可以根据其训练数据标定其脑波能量上升和下降的具体范围,并依据此设计了新的专注度指标后,可以应用至完整的专注度水平监测评估系统。
工作原理:
采用本发明中的专注程度检测方法对受试者进行检测与监测,具体的,采用便携式脑电采集仪与便携式计算机,计算机内具有能够实现本发明中专注度检测方法的计算机程序。
首先,预先检测一个课堂内的学生的专注度,受试者坐在教室里上课,佩戴便携式的脑电采集仪,使用所发明专注力检测系统对其进行专注力状态检测,受试者正常进行课堂学习行为。此时脑电采集仪会实时采集到受试者的脑电信号,并发送至计算机的微处理器进行计算,通过前述训练阶段得到的该受试者的专注程度检测模型,微处理器进行脑电信号的分析与计算,最终输出该受试者的专注力检测指标结果到计算机显示器与存储器。
然后,继续采用脑电采集仪对该学生进行脑电信号监测,将计算机外接报警器,报警器可以采用外接扬声器、警示灯或振动器来达到报警的目的,专注度监测系统可以通过指标结果分析得到受试者当前的学习状态并将该状态的信号发送至计算机微处理器,若该指标低于一定的门限值(该门限值可以由教师进行调节),计算机微处理器发送报警信号给报警器,教师即可通过提醒或者督促的外界刺激提高该受试者的专注水平,也可以通过一整节课堂的总体专注力水平,制定奖惩规则,实现对于认真听讲的同学的鼓励,从而提高所有同学的学习积极性,达到更高的教学效率。
本发明技术方法及系统不仅能够应用于课堂专注度监测,还可以应用于运动员专注度评估、危险作业人员专注度评估等场景中。
本发明的人员专注程度检测系统区别于传统系统的最大特点,就是其通过训练得到了受试者的专注程度检测模型,该模型不再简单地用约定好频率范围的频段内的能量比值来代表专注程度检测指标,而是考虑到了个体之间在专注状态下脑波能量上升和下降的具体范围的差异,来确定专注程度检测模型。受试者通过自己独特的专注程度检测模型计算得到了专注程度指标结果,大大提高了专注程度检测准确性。
以上详细描述了本发明的较佳具体实施例。通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种新型的基于脑电信号的人员专注程度检测方法,其特征在于,包括以下步骤:
步骤一:采集脑波信号
对受试者进行专注度诱发实验,利用不同的实验任务使受试者产生非专注和专注两种状态,并记录两种状态下受试者的脑电信号;
步骤二:分析脑电信号
计算步骤一中脑电信号在两种状态下功率谱密度的比值,即P专注/P非专注,根据比值,记录受试者的脑电信号在专注状态被诱发时脑波能量增加的频段范围,即W升,以及脑波能量降低的频段范围,即W降;
步骤三:设计受试者特有的专注度指标
根据步骤二的计算以及记录结果,针对该受试者设计适合其使用的专注度指标,即脑电信号在上升频段内的能量与下降频段内能量的比值,即W升/W降,该指标上升则表示该受试者处于专注的状态,而该指标下降则表示该受试者处于非专注的状态;
步骤四:将特有的专注度指标应用受试者日常作业
根据步骤三所设计的专注度指标,将其应用至常规专注度监测系统,受试者在日常作业中使用该系统对其专注状态进行监测。
2.根据权利要求1所述的一种新型的基于脑电信号的人员专注程度检测方法,其特征在于,所述专注度诱发实验包括连续操作测验。
3.根据权利要求1所述的一种新型的基于脑电信号的人员专注程度检测方法,其特征在于,所述功率谱密度计算方法包括Welch法以及Yule-Walker法。
4.根据权利要求1所述的一种新型的基于脑电信号的人员专注程度检测方法,其特征在于,所述常规专注度监测系统包括脑电采集设备、处理分析脑电信号的微处理器、供电设备以及用于接受微处理器电信号的报警器,脑电采集设备与报警器分别与微处理器电性连接,所述供电设备为脑电采集设备、微处理器以及报警器供电。
5.根据权利要求4所述的一种新型的基于脑电信号的人员专注程度检测方法,其特征在于,所述报警器包括语音模块、警示灯模块以及震动模块,所述报警器用于接收微处理器发出的报警电信号,并触发报警,所述报警电信号由被监测人员处于非专注状态时的脑电信号转换得到。
6.一种新型的基于脑电信号的人员专注程度检测系统,其特征在于,用于执行如权利要求1-5中任一项中所述的方法,包括:
脑电采集模块,用于:
获取非专注与专注两种状态下的脑电信号;
微处理模块,用于:
对所述脑电采集模块获取的处于专注状态与非专注状态时的脑电信号进行处理,计算脑电信号在两种状态下功率谱密度的比值;
基于比值,获得脑电信号在专注状态被诱发时脑波能量增加与降低的频段范围;
基于功率谱密度比值以及频段范围的结果,获得专注度指标,即脑电信号在上升频段内的能量与下降频段内能量的比值;
存储模块,用于:
存储所述脑电采集模块获取的处于专注状态与非专注状态时的脑电信号;
存储所述微处理模块获得的功率谱密度比值;
存储脑电信号在专注状态被诱发时脑波能量增加与降低的频段范围;
存储专注度指标;
供电模块,用于:
向所述脑电采集模块、微处理模块、存储模块供电。
7.根据权利要求6所述的一种新型的基于脑电信号的人员专注程度检测系统,其特征在于,还包括显示模块,所述显示模块用于对所述专注度指标进行可视化输出,显示模块分别与微处理模块与供电模块电性连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211020315.3A CN115399771A (zh) | 2022-08-24 | 2022-08-24 | 一种新型的基于脑电信号的人员专注程度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211020315.3A CN115399771A (zh) | 2022-08-24 | 2022-08-24 | 一种新型的基于脑电信号的人员专注程度检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115399771A true CN115399771A (zh) | 2022-11-29 |
Family
ID=84162666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211020315.3A Pending CN115399771A (zh) | 2022-08-24 | 2022-08-24 | 一种新型的基于脑电信号的人员专注程度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115399771A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116510153A (zh) * | 2023-06-30 | 2023-08-01 | 浙江强脑科技有限公司 | 一种基于构建防御攻击机制的专注力训练方法及装置 |
CN117158972A (zh) * | 2023-11-04 | 2023-12-05 | 北京视友科技有限责任公司 | 一种注意力转移能力的评价方法、系统、装置及存储介质 |
-
2022
- 2022-08-24 CN CN202211020315.3A patent/CN115399771A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116510153A (zh) * | 2023-06-30 | 2023-08-01 | 浙江强脑科技有限公司 | 一种基于构建防御攻击机制的专注力训练方法及装置 |
CN116510153B (zh) * | 2023-06-30 | 2023-08-29 | 浙江强脑科技有限公司 | 一种基于构建防御攻击机制的专注力训练方法及装置 |
CN117158972A (zh) * | 2023-11-04 | 2023-12-05 | 北京视友科技有限责任公司 | 一种注意力转移能力的评价方法、系统、装置及存储介质 |
CN117158972B (zh) * | 2023-11-04 | 2024-03-15 | 北京视友科技有限责任公司 | 一种注意力转移能力的评价方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115399771A (zh) | 一种新型的基于脑电信号的人员专注程度检测方法及系统 | |
JP3310498B2 (ja) | 生体情報解析装置および生体情報解析方法 | |
US20170238858A1 (en) | Depression assessment system and depression assessment method based on physiological information | |
KR100743967B1 (ko) | 유발 전위를 이용한 두뇌 분석/계발 장치 | |
Hasanbasic et al. | Recognition of stress levels among students with wearable sensors | |
EP1216656B1 (en) | Method and apparatus for estimating degree of neuronal impairment in brain cortex | |
Sulaiman et al. | EEG-based stress features using spectral centroids technique and k-nearest neighbor classifier | |
US20220280096A1 (en) | Ssvep-based attention evaluation method, training method, and brain-computer interface | |
Gaikwad et al. | Novel approach for stress recognition using EEG signal by SVM classifier | |
KR20180124327A (ko) | 사용자의 졸음의 정도 혹은 집중력의 정도를 측정하기 위한 방법 및 이를 위한 웨어러블 디바이스 | |
KR20130050817A (ko) | 뉴로-퍼지 네트워크 기반 심박 변이도를 이용한 우울증 진단 방법 | |
CN113288147A (zh) | 基于eeg与神经反馈技术的轻度认知障碍康复评估系统 | |
CN113143208A (zh) | 基于多维度测量的疼痛敏感性评估系统和方法 | |
Sulaiman et al. | Offline labview-based EEG signals analysis for human stress monitoring | |
RU2736711C1 (ru) | Система и способ определения состояния стресса на основе биометрического сигнала ЭЭГ | |
Purnamasari et al. | Mobile EEG based drowsiness detection using K-nearest neighbor | |
Smitha et al. | Classifying subjective emotional stress response evoked by multitasking using EEG | |
Ghasemy et al. | Detection of sustained auditory attention in students with visual impairment | |
Vettivel et al. | System for detecting student attention pertaining and alerting | |
CN110495894A (zh) | 一种基于物联网的心理应激训练方法及系统 | |
Yauri et al. | Mental workload detection based on EEG analysis | |
Gandhi et al. | Epilepsy diagnosis using combined duffing oscillator and PNN Model | |
Lestari et al. | Implementation Artificial Neural Network on Microcontroller for Student Attention Level Monitoring Device Using EEG | |
Mohammed et al. | A Survey for Lie Detection Methodology Using EEG Signal Processing | |
Gjoreski | Continuous stress monitoring using a wrist device and a smartphone |
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 |