CN115408891A - 包含多个脑电认知指标的用户体验百分制度量的建模方法 - Google Patents

包含多个脑电认知指标的用户体验百分制度量的建模方法 Download PDF

Info

Publication number
CN115408891A
CN115408891A CN202211360866.4A CN202211360866A CN115408891A CN 115408891 A CN115408891 A CN 115408891A CN 202211360866 A CN202211360866 A CN 202211360866A CN 115408891 A CN115408891 A CN 115408891A
Authority
CN
China
Prior art keywords
wave
function
electroencephalogram
probability density
data set
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
CN202211360866.4A
Other languages
English (en)
Other versions
CN115408891B (zh
Inventor
张健
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.)
Shenzhen Lan You Technology Co Ltd
Original Assignee
Shenzhen Lan You 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 Shenzhen Lan You Technology Co Ltd filed Critical Shenzhen Lan You Technology Co Ltd
Priority to CN202211360866.4A priority Critical patent/CN115408891B/zh
Publication of CN115408891A publication Critical patent/CN115408891A/zh
Application granted granted Critical
Publication of CN115408891B publication Critical patent/CN115408891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • A61B5/16—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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (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)
  • Veterinary Medicine (AREA)
  • Developmental Disabilities (AREA)
  • Psychology (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Theoretical Computer Science (AREA)
  • Social Psychology (AREA)
  • Physiology (AREA)
  • Educational Technology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Neurosurgery (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种包含多个脑电认知指标的用户体验百分制度量的建模方法，S1，获取生物测量脑电数据集
Figure 418456DEST_PATH_IMAGE001
，并对获取的生物测量脑电数据集进行加工得到脑电数据集
Figure 574631DEST_PATH_IMAGE002
；通过基于生物测量脑电数据集
Figure 371685DEST_PATH_IMAGE003
、
Figure 980521DEST_PATH_IMAGE004
、
Figure 950751DEST_PATH_IMAGE005
、
Figure 961433DEST_PATH_IMAGE006
、
Figure 929389DEST_PATH_IMAGE007
指标的概率密度函数进行估计，利用
Figure 25521DEST_PATH_IMAGE008
分位数
Figure 737125DEST_PATH_IMAGE009
与概率密度函数
Figure 415362DEST_PATH_IMAGE010
的关系式
Figure 554219DEST_PATH_IMAGE011
，将各个比率指标从不同的度量单位转换为相同的百分制度量单位，既能使具体的电生理指标数值变成更加直观的百分数，也能使不同的电生理指标之间的比较与合并分析成为可能，便于用户体验研究员使用雷达图直观地、全面地呈现认知体验的评估结果。

Description

包含多个脑电认知指标的用户体验百分制度量的建模方法
技术领域
本发明涉及计算机应用技术领域，更具体地说，涉及一种包含多个脑电认知指标的用户体验百分制度量的建模方法。
背景技术
随着企业愈发重视产品用户体验，如何更真实地捕捉用户内心的想法，如何更客观地度量用户的情感体验与认知体验，成为了用户体验研究员需要关心的问题。近年来，用户体验测试的方法更加多样化，研究员可以运用电生理设备捕捉用户在测试过程中皮肤电、心电、脑电的变化，获得更多关于情感体验和认知体验的客观数据。在众多电生理设备中，脑电仪经常用于测量认知负荷、驾驶疲劳等认知数据。
在脑电测量认知体验的现有研究中，往往是基于单一的脑电指标评判产品体验的优劣。然而，运用多个评价指标代替单一评价指标是用户体验度量的要求。
现有脑电相关技术方案对于如何合理地把具有不同度量单位的脑电指标转换至相同的度量单位，如何运用多个脑电指标综合分析用户体验，缺少探究与实践。
传统的归一化方法由于忽略了变量的概率分布，受极端数值的影响较大，存在一定的局限性。
发明内容
本发明要解决的技术问题在于，针对上述技术方案存在的不足，提供包含多个脑电认知指标的用户体验百分制度量的建模方法能够提从多方面综合评估产品认知体验。
本发明提供一种包含多个脑电认知指标的用户体验百分制度量的建模方法，所述方法包括以下步骤：
S1，获取生物测量脑电数据集
Figure 340723DEST_PATH_IMAGE001
，并对获取的生物测量脑电数据集进行加工得到 脑电数据集
Figure 669067DEST_PATH_IMAGE002
；
S2，根据加工得到的生物测量脑电数据集
Figure 654340DEST_PATH_IMAGE002
计算电生理指标
Figure 964099DEST_PATH_IMAGE003
的原始样本集 合
Figure 769244DEST_PATH_IMAGE004
；且
Figure 884968DEST_PATH_IMAGE005
)的 样本集合,其中所述原始样本集合
Figure 724748DEST_PATH_IMAGE004
为
Figure 205408DEST_PATH_IMAGE006
、
Figure 763428DEST_PATH_IMAGE007
、
Figure 666531DEST_PATH_IMAGE008
、
Figure 626396DEST_PATH_IMAGE009
、
Figure 277958DEST_PATH_IMAGE010
；
S3，对原始样本集合
Figure 57695DEST_PATH_IMAGE004
分别进行取对数操作，取对数后的样本集合为
Figure 515221DEST_PATH_IMAGE011
；
S4，根据新的样本集合
Figure 329593DEST_PATH_IMAGE011
建立频率分布直方图
Figure 152056DEST_PATH_IMAGE012
，定义关于频率分布直方 图的点集
Figure 419089DEST_PATH_IMAGE013
；
S5，根据频率分布直方图的点集
Figure 431038DEST_PATH_IMAGE013
并结合变长滑动窗口运用最小二乘法计算窗口 内数据点的回归系数后将回归系数作为直方图对应概率密度函数的导数预测值
Figure 99917DEST_PATH_IMAGE014
；
S6，根据得到的导数预测值构建点集拟合概率密度函数
Figure 93281DEST_PATH_IMAGE015
的估计函数
Figure 847610DEST_PATH_IMAGE016
；
S7，根据
Figure 912518DEST_PATH_IMAGE017
分位数
Figure 435903DEST_PATH_IMAGE018
与概率密度函数
Figure 600169DEST_PATH_IMAGE019
的等式
Figure 153379DEST_PATH_IMAGE020
，构建电生理指 标
Figure 694081DEST_PATH_IMAGE021
的百分制度量转换函数
Figure 71973DEST_PATH_IMAGE022
，其中
Figure 672719DEST_PATH_IMAGE023
为被积函数；
S8，通过脑电仪获取脑电测试数据集，并对获取的脑电测试数据集进行预处理，并 根据步骤S7中的百分制度量转换函数
Figure 198378DEST_PATH_IMAGE024
计算电生理指标
Figure 542772DEST_PATH_IMAGE025
的百分制度量分数后绘制 电生理指标综合评价雷达图。
在本发明所述的包含多个脑电认知指标的用户体验百分制度量的建模方法中，在 所述步骤S4中，根据直方图
Figure 775170DEST_PATH_IMAGE026
个区间
Figure 546817DEST_PATH_IMAGE027
及其频率值
Figure 310504DEST_PATH_IMAGE028
定义点集
Figure 193010DEST_PATH_IMAGE029
，其中设样本集合
Figure 545494DEST_PATH_IMAGE011
所代表的 总体变量为
Figure 488042DEST_PATH_IMAGE030
，
Figure 988293DEST_PATH_IMAGE031
的概率密度函数为
Figure 674490DEST_PATH_IMAGE032
。
在本发明所述的包含多个脑电认知指标的用户体验百分制度量的建模方法中，在 所述步骤S5中，基于点集
Figure 881480DEST_PATH_IMAGE033
，将点
Figure 994930DEST_PATH_IMAGE034
和其周围若干相邻点组成的点集定义为
Figure 237604DEST_PATH_IMAGE035
处的窗 口集合
Figure 461912DEST_PATH_IMAGE036
，运用最小二乘法拟合
Figure 788988DEST_PATH_IMAGE037
内所有点的回归趋势线
Figure 870077DEST_PATH_IMAGE038
，将
Figure 282604DEST_PATH_IMAGE014
作为概率密度函数
Figure 310602DEST_PATH_IMAGE032
在点
Figure 492185DEST_PATH_IMAGE039
处导数的预 测值，基于获得的
Figure 760486DEST_PATH_IMAGE014
(
Figure 394730DEST_PATH_IMAGE040
)构建点集
Figure 960841DEST_PATH_IMAGE041
，拟合概率 密度函数
Figure 262509DEST_PATH_IMAGE032
的估计函数
Figure 950979DEST_PATH_IMAGE042
，其中，所述窗口集合
Figure 72519DEST_PATH_IMAGE043
的计算方式如 下：
Figure 442321DEST_PATH_IMAGE044
。
在本发明所述的包含多个脑电认知指标的用户体验百分制度量的建模方法中，在 所述步骤S2中，所述
Figure 598495DEST_PATH_IMAGE006
的计算方式为：电极
Figure 395550DEST_PATH_IMAGE045
、
Figure 315970DEST_PATH_IMAGE046
的
Figure 223884DEST_PATH_IMAGE047
波功率谱密度之和 与电极
Figure 234565DEST_PATH_IMAGE048
、
Figure 202521DEST_PATH_IMAGE049
的
Figure 360970DEST_PATH_IMAGE050
波功率谱密度之和的比率，其中表达式为
Figure 72574DEST_PATH_IMAGE051
；
所述
Figure 937762DEST_PATH_IMAGE007
的计算方式为：
Figure 76619DEST_PATH_IMAGE052
波功率谱密度与
Figure 660047DEST_PATH_IMAGE050
波、
Figure 988391DEST_PATH_IMAGE047
波功率谱密度 之和的比率，表达式为
Figure 708086DEST_PATH_IMAGE053
；
所述
Figure 17844DEST_PATH_IMAGE008
的计算方式为：
Figure 150885DEST_PATH_IMAGE054
波、
Figure 204292DEST_PATH_IMAGE055
波功率谱密度之和与
Figure 44072DEST_PATH_IMAGE047
波功率 谱密度的比率，表达式为
Figure 524732DEST_PATH_IMAGE056
；
所述
Figure 82752DEST_PATH_IMAGE009
的计算方式为：B
Figure 985855DEST_PATH_IMAGE057
波功率谱密度与
Figure 680142DEST_PATH_IMAGE050
波功率谱密度的比率，其 中表达式为
Figure 597282DEST_PATH_IMAGE058
；
所述
Figure 377019DEST_PATH_IMAGE010
的计算方式为：
Figure 834545DEST_PATH_IMAGE059
波、
Figure 648918DEST_PATH_IMAGE047
波功率谱密度之和与
Figure 471380DEST_PATH_IMAGE050
波 功率谱密度的比率，表达式为
Figure 738413DEST_PATH_IMAGE060
。
在本发明所述的包含多个脑电认知指标的用户体验百分制度量的建模方法中，在 所述步骤S2中，计算电生理指标
Figure 937314DEST_PATH_IMAGE003
的样本集合通过将生物测量脑电数据集
Figure 419242DEST_PATH_IMAGE002
以1s为长 度进行分段并提取所有通道在各个频段的
Figure 412605DEST_PATH_IMAGE061
功率谱密度特征后计算每个分段中
Figure 166935DEST_PATH_IMAGE006
、
Figure 903947DEST_PATH_IMAGE007
、
Figure 489649DEST_PATH_IMAGE008
、
Figure 919493DEST_PATH_IMAGE009
、
Figure 161119DEST_PATH_IMAGE010
的比率指标。
在本发明所述的包含多个脑电认知指标的用户体验百分制度量的建模方法中，在 所述步骤S3中，通过计算
Figure 436242DEST_PATH_IMAGE062
的最小值
Figure 391298DEST_PATH_IMAGE063
与最大值
Figure 726464DEST_PATH_IMAGE064
、计算样本集合
Figure 455386DEST_PATH_IMAGE065
，其中所述 样本集合
Figure 534200DEST_PATH_IMAGE011
的计算方式为：
Figure 94494DEST_PATH_IMAGE066
。
在本发明所述的包含多个脑电认知指标的用户体验百分制度量的建模方法中，所述步骤S4包括以下子步骤：
S41，根据对
Figure 866141DEST_PATH_IMAGE067
向下保留两位小数得到
Figure 816780DEST_PATH_IMAGE068
，根据对
Figure 699285DEST_PATH_IMAGE069
向上保留两位小数 得得到
Figure 51769DEST_PATH_IMAGE070
，并设置组距为0.01和组数为
Figure 807366DEST_PATH_IMAGE071
，将数据从[
Figure 245301DEST_PATH_IMAGE068
,
Figure 665918DEST_PATH_IMAGE070
]分至
Figure 138488DEST_PATH_IMAGE071
个组
Figure 314254DEST_PATH_IMAGE072
后计算频率值
Figure 239485DEST_PATH_IMAGE073
并画出频率分布直方图
Figure 463793DEST_PATH_IMAGE074
。
在本发明所述的包含多个脑电认知指标的用户体验百分制度量的建模方法中，所述步骤S6包括以下子步骤，
S61，所述估计函数
Figure 525290DEST_PATH_IMAGE042
的计算方式如下：
通过拟合导函数
Figure 115366DEST_PATH_IMAGE075
在
Figure 527892DEST_PATH_IMAGE076
上的估计，选择
Figure 555891DEST_PATH_IMAGE077
的子集
Figure 737474DEST_PATH_IMAGE078
作为多项式拟合的 数据集
Figure 989464DEST_PATH_IMAGE079
，其中多项式拟合阶数的参考范围为
Figure 889287DEST_PATH_IMAGE080
，所述拟合的多项式函数记为
Figure 455397DEST_PATH_IMAGE081
表示导 函数
Figure 757065DEST_PATH_IMAGE075
在区间
Figure 930689DEST_PATH_IMAGE076
上的估计；
S62，通过拟合概率密度函数
Figure 317808DEST_PATH_IMAGE032
在
Figure 749926DEST_PATH_IMAGE076
上的估计，将点集
Figure 640522DEST_PATH_IMAGE082
的元素个数标记为
Figure 437577DEST_PATH_IMAGE083
，设
Figure 357997DEST_PATH_IMAGE084
的原函数为
Figure 531489DEST_PATH_IMAGE085
，其中C为常数变量， 将数集
Figure 542171DEST_PATH_IMAGE086
{
Figure 510127DEST_PATH_IMAGE087
} 的元素个数标记为
Figure 668576DEST_PATH_IMAGE088
，求解
Figure 380180DEST_PATH_IMAGE089
在条件
Figure 245367DEST_PATH_IMAGE090
下的最小值
Figure 197274DEST_PATH_IMAGE091
，所述概率密度函数
Figure 780702DEST_PATH_IMAGE092
函数为
Figure 30418DEST_PATH_IMAGE093
，其中
Figure 15691DEST_PATH_IMAGE094
为待定系数；
S63，通过拟合概率密度函数
Figure 387767DEST_PATH_IMAGE032
在
Figure 458491DEST_PATH_IMAGE095
上的估计，令
Figure 511898DEST_PATH_IMAGE096
，基于所述点集
Figure 351678DEST_PATH_IMAGE097
拟合一次函数
Figure 832338DEST_PATH_IMAGE098
，其 中
Figure 436363DEST_PATH_IMAGE099
为函数
Figure 293461DEST_PATH_IMAGE098
的零点，所述概率密度函数
Figure 987747DEST_PATH_IMAGE100
在区间
Figure 639309DEST_PATH_IMAGE101
上的估计函数为
Figure 746942DEST_PATH_IMAGE102
其中
Figure 142151DEST_PATH_IMAGE094
为待定系数；
S64，基于拟合概率密度函数
Figure 690944DEST_PATH_IMAGE032
在
Figure 778986DEST_PATH_IMAGE103
上的估计，令
Figure 859068DEST_PATH_IMAGE104
，基于所述点集
Figure 57969DEST_PATH_IMAGE105
拟合一次函数
Figure 461268DEST_PATH_IMAGE106
，记
Figure 720211DEST_PATH_IMAGE107
为函数
Figure 474541DEST_PATH_IMAGE106
的零点，所述概率密度函数
Figure 273869DEST_PATH_IMAGE032
在 区间
Figure 797255DEST_PATH_IMAGE108
上的估计函数为
Figure 227099DEST_PATH_IMAGE109
，其中
Figure 203145DEST_PATH_IMAGE110
为待定 系数；
S65，将步骤S61~ S64获得所述概率密度函数
Figure 55432DEST_PATH_IMAGE032
在
Figure 698903DEST_PATH_IMAGE111
上的估计函数
Figure 34070DEST_PATH_IMAGE042
，其中
Figure 762991DEST_PATH_IMAGE094
为待定系数：
Figure 841806DEST_PATH_IMAGE112
由于概率密度函数在
Figure 402100DEST_PATH_IMAGE113
上的积分值为1，即
Figure 908168DEST_PATH_IMAGE114
，解得待定系 数
Figure 124385DEST_PATH_IMAGE094
的值为：
Figure 6891DEST_PATH_IMAGE115
。
在本发明所述的包含多个脑电认知指标的用户体验百分制度量的建模方法中，在 所述步骤S7中，所述电生理指标
Figure 172424DEST_PATH_IMAGE003
的百分制度量转换函数
Figure 114972DEST_PATH_IMAGE116
的计算公式为：
Figure 552907DEST_PATH_IMAGE117
。
在本发明所述的包含多个脑电认知指标的用户体验百分制度量的建模方法中，所述步骤S8包括以下子步骤：
S81，对获取的脑电测试数据集，使用专门用于脑电预处理的
Figure 973524DEST_PATH_IMAGE118
工具库
Figure 508410DEST_PATH_IMAGE119
对 脑电测试数据进行定位通道位置、设置通道类型、滤波、去伪迹；
S82，通过将脑电测试数据集以1s为时间单位进行分段，得到分段脑电测试数据集
Figure 356281DEST_PATH_IMAGE120
；
S83，计算分段
Figure 281511DEST_PATH_IMAGE121
的功率谱密度，即计算该分段的每一个通道在各个 频段
Figure 505819DEST_PATH_IMAGE059
波、
Figure 832895DEST_PATH_IMAGE047
波、
Figure 434690DEST_PATH_IMAGE050
波、
Figure 847217DEST_PATH_IMAGE054
波、
Figure 609637DEST_PATH_IMAGE055
波、
Figure 791219DEST_PATH_IMAGE122
波和
Figure 308788DEST_PATH_IMAGE123
波对应的脑 电波能量和；
S84，计算分段
Figure 208611DEST_PATH_IMAGE124
下5个电生理指标
Figure 774722DEST_PATH_IMAGE021
的具体数值
Figure 810811DEST_PATH_IMAGE125
，并将
Figure 436964DEST_PATH_IMAGE125
代入
Figure 637132DEST_PATH_IMAGE126
中，其中，
Figure 741355DEST_PATH_IMAGE126
为电生理指标
Figure 897530DEST_PATH_IMAGE021
在分段
Figure 694584DEST_PATH_IMAGE124
下的百分制度 量分数，重复执行步骤S7直至获得所有分段
Figure 365737DEST_PATH_IMAGE124
的百分制度量分数后计算
Figure 539229DEST_PATH_IMAGE126
的均值
Figure 549911DEST_PATH_IMAGE127
并绘制电生理指标综合评价雷达图。
本发明的包含多个脑电认知指标的用户体验百分制度量的建模方法通过基于生 理测量生物测量脑电数据集对认知负荷指标、投入度指标、专注度指标、放松度指标和执行 负荷指标的概率密度函数进行估计，利用
Figure 517867DEST_PATH_IMAGE017
分位数
Figure 925583DEST_PATH_IMAGE128
与概率密度函数
Figure 371608DEST_PATH_IMAGE129
的关系式
Figure 502375DEST_PATH_IMAGE130
，将各个比率指标从不同的度量单位转换为相同的百分制度量单位，既能 使具体的电生理指标数值变成更加直观的百分数，也能使不同的电生理指标之间的比较与 合并分析成为可能，便于用户体验研究员使用雷达图直观地、全面地呈现认知体验的评估 结果。
附图说明
图1是本发明一种包含多个脑电认知指标的用户体验百分制度量的建模方法实施例的流程示意图；
图2为本发明的一种包含多个脑电认知指标的用户体验百分制度量的建模方法的电生理指标框架；
图3为本发明的一种包含多个脑电认知指标的用户体验百分制度量的建模方法的电生理指标频率分布直方图；
图4为本发明的一种包含多个脑电认知指标的用户体验百分制度量的建模方法的电生理指标综合评价雷达图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-2所示，本发明提供一种包含多个脑电认知指标的用户体验百分制度量的建模方法，包括以下步骤：
在步骤S1中，获取生物测量脑电数据集
Figure 641232DEST_PATH_IMAGE001
，并对获取的生物测量脑电数据集进行 加工得到脑电数据集
Figure 286977DEST_PATH_IMAGE002
；
其中生物测量脑电数据集从现有的脑电公开数据库中获取，本方案中随机选用21 名人员的生物测量脑电数据
Figure 536693DEST_PATH_IMAGE001
进行数据加工，其中数据加工包含剔除采样缺失片段、
Figure 521967DEST_PATH_IMAGE119
预处理和数据拼接3个步骤，其中拼接后的数据集为
Figure 831725DEST_PATH_IMAGE002
；
在步骤S2中，根据加工得到的生物测量脑电数据集
Figure 902449DEST_PATH_IMAGE002
计算电生理指标
Figure 768905DEST_PATH_IMAGE003
的原 始样本集合
Figure 608685DEST_PATH_IMAGE004
；且
Figure 89345DEST_PATH_IMAGE005
) 的样本集合,其中所述原始样本集合
Figure 381786DEST_PATH_IMAGE004
为
Figure 301201DEST_PATH_IMAGE006
、
Figure 995487DEST_PATH_IMAGE007
、
Figure 647049DEST_PATH_IMAGE008
、
Figure 692365DEST_PATH_IMAGE009
、
Figure 87574DEST_PATH_IMAGE010
；具体的，
Figure 947952DEST_PATH_IMAGE131
(
Figure 35993DEST_PATH_IMAGE132
)，其中
Figure 303027DEST_PATH_IMAGE133
表示认知负荷的样本集合，
Figure 236348DEST_PATH_IMAGE134
表示投入度的样本集合，
Figure 905226DEST_PATH_IMAGE135
表示专 注度的样本集合，
Figure 226486DEST_PATH_IMAGE136
表示放松度的样本集合，
Figure 715236DEST_PATH_IMAGE137
表示执行负荷的样本集合。
在步骤S3中，对原始样本集合
Figure 717828DEST_PATH_IMAGE138
分别进行取对数操作，取对数后的样本集合为
Figure 241213DEST_PATH_IMAGE139
；
在步骤S4中，根据新的样本集合
Figure 218527DEST_PATH_IMAGE139
建立频率分布直方图
Figure 460153DEST_PATH_IMAGE140
，定义关于频率 分布直方图的点集
Figure 855DEST_PATH_IMAGE141
；
在步骤S5中，根据频率分布直方图的点集
Figure 378747DEST_PATH_IMAGE142
并结合变长滑动窗口运用最小二乘法 计算窗口内数据点的回归系数后将回归系数作为直方图对应概率密度函数的导数预测值
Figure 41810DEST_PATH_IMAGE143
；
在步骤S6中，根据得到的导数预测值构建点集拟合概率密度函数
Figure 505152DEST_PATH_IMAGE015
的估计函数
Figure 849546DEST_PATH_IMAGE016
；
在步骤S7中，根据
Figure 347523DEST_PATH_IMAGE017
分位数
Figure 165175DEST_PATH_IMAGE018
与概率密度函数
Figure 381393DEST_PATH_IMAGE019
的等式
Figure 263898DEST_PATH_IMAGE020
，构建 电生理指标
Figure 616382DEST_PATH_IMAGE021
的百分制度量转换函数
Figure 293351DEST_PATH_IMAGE022
，其中
Figure 793603DEST_PATH_IMAGE023
为被积函数；
S8，通过脑电仪获取脑电测试数据集，并对获取的脑电测试数据集进行预处理，并 根据步骤S7中的百分制度量转换函数
Figure 479799DEST_PATH_IMAGE024
计算电生理指标
Figure 686789DEST_PATH_IMAGE025
的百分制度量分数后绘制 电生理指标综合评价雷达图。
具体的，步骤S1中的脑电数据集
Figure 800239DEST_PATH_IMAGE144
是使用采样率为256Hz（即 每秒256个采样点）的脑电设备进行采集的，由于
Figure 538519DEST_PATH_IMAGE145
中存在采样点的缺失的秒段，因此需要 剔除这部分秒段：沿时间戳以秒为时间单位，对
Figure 762827DEST_PATH_IMAGE144
逐个进行遍历操作， 删除采样点数小于256的秒段，保留包含完整256个采样点的秒段。通过使用专门用于脑电 预处理的
Figure 89903DEST_PATH_IMAGE146
工具库
Figure 374254DEST_PATH_IMAGE147
对
Figure 583518DEST_PATH_IMAGE144
逐个进行预处理，进行导入、定位通道 位置、设置通道类型、滤波、去伪迹。通过剔除采样缺失片段和
Figure 611517DEST_PATH_IMAGE147
预处理后，将
Figure 793100DEST_PATH_IMAGE144
逐个拼接获得
Figure 248352DEST_PATH_IMAGE148
。
在一实施例中，在步骤S4中，根据直方图
Figure 477337DEST_PATH_IMAGE149
个区间
Figure 43448DEST_PATH_IMAGE072
及 其频率值
Figure 79537DEST_PATH_IMAGE073
定义点集
Figure 705691DEST_PATH_IMAGE150
，其中设样本集合
Figure 827230DEST_PATH_IMAGE065
所代表的总体变量为
Figure 259349DEST_PATH_IMAGE151
，
Figure 415523DEST_PATH_IMAGE152
的概率密度函数为
Figure 212578DEST_PATH_IMAGE015
。
在一实施例中，在步骤S5中，基于点集
Figure 821414DEST_PATH_IMAGE033
，将点
Figure 542377DEST_PATH_IMAGE034
和其周围若干相邻点组成的点集定义为
Figure 553058DEST_PATH_IMAGE035
处的 窗口集合
Figure 521014DEST_PATH_IMAGE153
，运用最小二乘法拟合
Figure 617146DEST_PATH_IMAGE154
内所有点的回归趋势线
Figure 391067DEST_PATH_IMAGE155
，将
Figure 521834DEST_PATH_IMAGE143
作为概率密度函数
Figure 660691DEST_PATH_IMAGE156
在点
Figure 978540DEST_PATH_IMAGE157
处导数的 预测值，基于获得的
Figure 493835DEST_PATH_IMAGE143
(
Figure 790693DEST_PATH_IMAGE158
)构建点集
Figure 100452DEST_PATH_IMAGE159
，拟合概 率密度函数
Figure 905597DEST_PATH_IMAGE015
的估计函数
Figure 959003DEST_PATH_IMAGE016
，其中，窗口集合
Figure 861100DEST_PATH_IMAGE043
的计算方式如 下：
Figure 341760DEST_PATH_IMAGE160
。
具体的，在在步骤S5中，当
Figure 899780DEST_PATH_IMAGE161
时，记点
Figure 491299DEST_PATH_IMAGE162
及其右边相邻的10个点
Figure 451164DEST_PATH_IMAGE163
构成点集
Figure 915775DEST_PATH_IMAGE164
，定义
Figure 695512DEST_PATH_IMAGE165
的子集
Figure 90721DEST_PATH_IMAGE166
为
Figure 905094DEST_PATH_IMAGE162
处的窗口集合
Figure 789873DEST_PATH_IMAGE167
，使用
Figure 56906DEST_PATH_IMAGE167
内的数据点拟合一元回归方程
Figure 255806DEST_PATH_IMAGE168
，将回归系数
Figure 924685DEST_PATH_IMAGE169
作为概率密度函 数
Figure 229633DEST_PATH_IMAGE015
在
Figure 983963DEST_PATH_IMAGE162
处导数的预测值。
当
Figure 986554DEST_PATH_IMAGE170
时，记点
Figure 509939DEST_PATH_IMAGE035
其左边相邻
Figure 736521DEST_PATH_IMAGE171
个点
Figure 978147DEST_PATH_IMAGE172
、右边相邻
Figure 518849DEST_PATH_IMAGE173
个点
Figure 896741DEST_PATH_IMAGE174
构成点 集
Figure 497487DEST_PATH_IMAGE175
，定义
Figure 773878DEST_PATH_IMAGE176
的子集
Figure 118272DEST_PATH_IMAGE177
为
Figure 350670DEST_PATH_IMAGE035
处的窗口集合
Figure 122317DEST_PATH_IMAGE178
，使用
Figure 135273DEST_PATH_IMAGE178
内的数据点拟合一元回归方程
Figure 17778DEST_PATH_IMAGE179
，将回归系数
Figure 370262DEST_PATH_IMAGE180
作为概率密度函 数
Figure 312810DEST_PATH_IMAGE015
在
Figure 750745DEST_PATH_IMAGE035
处导数的预测值。
当
Figure 748525DEST_PATH_IMAGE181
时，记点
Figure 955516DEST_PATH_IMAGE035
及其左边相邻
Figure 68965DEST_PATH_IMAGE173
个点
Figure 994196DEST_PATH_IMAGE182
、右边相邻
Figure 280821DEST_PATH_IMAGE173
个点
Figure 607897DEST_PATH_IMAGE174
构 成点集
Figure 626669DEST_PATH_IMAGE183
，定义
Figure 39195DEST_PATH_IMAGE176
的子集
Figure 880244DEST_PATH_IMAGE184
Figure 61826DEST_PATH_IMAGE185
为
Figure 579395DEST_PATH_IMAGE035
处的窗口集合
Figure 213639DEST_PATH_IMAGE178
，使用
Figure 97193DEST_PATH_IMAGE178
内 的数据点拟合一元回归方程
Figure 398862DEST_PATH_IMAGE179
，将回归系数
Figure 25015DEST_PATH_IMAGE180
作为概率密度函数
Figure 146555DEST_PATH_IMAGE015
在
Figure 578673DEST_PATH_IMAGE035
处导数的预测值。
当
Figure 734848DEST_PATH_IMAGE186
时，记点
Figure 531903DEST_PATH_IMAGE187
及其左边相邻
Figure 140739DEST_PATH_IMAGE173
个点
Figure 48652DEST_PATH_IMAGE182
、右边相邻
Figure 872382DEST_PATH_IMAGE188
个点
Figure 840338DEST_PATH_IMAGE189
构成点集
Figure 936470DEST_PATH_IMAGE190
，定义
Figure 648074DEST_PATH_IMAGE176
的子集
Figure 575579DEST_PATH_IMAGE191
为
Figure 714436DEST_PATH_IMAGE035
处的窗口集合
Figure 297864DEST_PATH_IMAGE178
，使用
Figure 813159DEST_PATH_IMAGE178
内的数据点拟合一元回归方程
Figure 532854DEST_PATH_IMAGE179
，将回归系数
Figure 154197DEST_PATH_IMAGE180
作为概率密度函 数
Figure 224921DEST_PATH_IMAGE015
在
Figure 278328DEST_PATH_IMAGE035
处导数的预测值。
当
Figure 118108DEST_PATH_IMAGE192
时，记点
Figure 661085DEST_PATH_IMAGE193
及其左边相邻10个点
Figure 219105DEST_PATH_IMAGE194
Figure 810623DEST_PATH_IMAGE195
构成点集
Figure 504910DEST_PATH_IMAGE196
，定义
Figure 235099DEST_PATH_IMAGE197
的子集
Figure 14837DEST_PATH_IMAGE198
为
Figure 410046DEST_PATH_IMAGE193
处的窗口集 合
Figure 224418DEST_PATH_IMAGE199
，使用
Figure 46881DEST_PATH_IMAGE199
内的数据点拟合一元回归方程
Figure 376231DEST_PATH_IMAGE200
，将回归系 数
Figure 575131DEST_PATH_IMAGE201
作为概率密度函数
Figure 244010DEST_PATH_IMAGE015
在
Figure 237373DEST_PATH_IMAGE193
处导数的预测值。
在一实施例中，在步骤S2中，
Figure 303287DEST_PATH_IMAGE006
的计算方式为：电极
Figure 40299DEST_PATH_IMAGE045
、
Figure 563684DEST_PATH_IMAGE046
的
Figure 993529DEST_PATH_IMAGE047
波 功率谱密度之和与电极
Figure 297471DEST_PATH_IMAGE048
、
Figure 572595DEST_PATH_IMAGE049
的
Figure 216066DEST_PATH_IMAGE050
波功率谱密度之和的比率，其中表达式为
Figure 551232DEST_PATH_IMAGE051
；
Figure 280154DEST_PATH_IMAGE007
的计算方式为：
Figure 172017DEST_PATH_IMAGE052
波功率谱密度与
Figure 669995DEST_PATH_IMAGE050
波、
Figure 441642DEST_PATH_IMAGE047
波功率谱密度之和 的比率，表达式为
Figure 392280DEST_PATH_IMAGE053
；
Figure 337102DEST_PATH_IMAGE008
的计算方式为：
Figure 689586DEST_PATH_IMAGE054
波、
Figure 632135DEST_PATH_IMAGE055
波功率谱密度之和与
Figure 70069DEST_PATH_IMAGE047
波功率谱密 度的比率，表达式为
Figure 490686DEST_PATH_IMAGE056
；
Figure 274840DEST_PATH_IMAGE009
的计算方式为：B
Figure 388290DEST_PATH_IMAGE057
波功率谱密度与
Figure 313520DEST_PATH_IMAGE050
波功率谱密度的比率，其中表 达式为
Figure 537828DEST_PATH_IMAGE058
；
Figure 661642DEST_PATH_IMAGE010
的计算方式为：
Figure 945993DEST_PATH_IMAGE059
波、
Figure 358520DEST_PATH_IMAGE047
波功率谱密度之和与
Figure 386519DEST_PATH_IMAGE050
波功率 谱密度的比率，表达式为
Figure 381151DEST_PATH_IMAGE060
。
在一实施例中，在步骤S2中，计算电生理指标
Figure 570824DEST_PATH_IMAGE003
的样本集合通过将生物测量脑 电数据集
Figure 470646DEST_PATH_IMAGE202
以1s为长度进行分段并提取所有通道在各个频段的
Figure 99074DEST_PATH_IMAGE061
功率谱密度特征后 计算每个分段中
Figure 400742DEST_PATH_IMAGE006
、
Figure 761316DEST_PATH_IMAGE007
、
Figure 148435DEST_PATH_IMAGE008
、
Figure 823962DEST_PATH_IMAGE009
、
Figure 714558DEST_PATH_IMAGE010
的比率指标。
在一实施例中，在步骤S3中，通过计算
Figure 511612DEST_PATH_IMAGE062
的最小值
Figure 120448DEST_PATH_IMAGE063
与最大值
Figure 293941DEST_PATH_IMAGE064
、计算 样本集合
Figure 366939DEST_PATH_IMAGE065
，其中样本集合
Figure 334895DEST_PATH_IMAGE011
的计算方式为：
Figure 431027DEST_PATH_IMAGE066
， 其中
Figure 142631DEST_PATH_IMAGE063
用科学记数法表示为
Figure 820868DEST_PATH_IMAGE203
，其中
Figure 959725DEST_PATH_IMAGE204
为正整数，
Figure 543153DEST_PATH_IMAGE064
用科学记数法表 示为
Figure 792869DEST_PATH_IMAGE205
，其中
Figure 778143DEST_PATH_IMAGE206
为正整数，若
Figure 150218DEST_PATH_IMAGE207
，对样本集合
Figure 220942DEST_PATH_IMAGE062
的每一个样本值先取倒数，再取对 数，得新的样本集合
Figure 274349DEST_PATH_IMAGE065
；若
Figure 114129DEST_PATH_IMAGE208
，对样本集合
Figure 906373DEST_PATH_IMAGE062
的每一个样本值直接取对数，取对数后的样 本集合记为
Figure 198814DEST_PATH_IMAGE209
同时计算样本集合
Figure 55912DEST_PATH_IMAGE065
的0.0015和0.9985分位数
Figure 750199DEST_PATH_IMAGE210
和
Figure 464077DEST_PATH_IMAGE211
，根据
Figure 509393DEST_PATH_IMAGE212
理论，当位于分布曲线中间99.7%的数据属于正常值，当位于分布曲线两端的0.3%的 数据属于异常值。
在一实施例中，步骤S4包括以下子步骤：
在步骤S41中，根据对
Figure 904602DEST_PATH_IMAGE067
向下保留两位小数得到
Figure 453395DEST_PATH_IMAGE068
，根据对
Figure 541437DEST_PATH_IMAGE069
向上保留 两位小数得到
Figure 621520DEST_PATH_IMAGE070
，并设置组距为0.01和组数为
Figure 820420DEST_PATH_IMAGE071
，将数据从[
Figure 223719DEST_PATH_IMAGE068
,
Figure 482662DEST_PATH_IMAGE070
] 分至
Figure 236992DEST_PATH_IMAGE071
个组
Figure 36320DEST_PATH_IMAGE072
后计算频率值
Figure 559706DEST_PATH_IMAGE073
的画频率分布直方图
Figure 989550DEST_PATH_IMAGE074
。
具体的，基于样本集合
Figure 965596DEST_PATH_IMAGE065
，以0.01为区间长度，将区间[
Figure 817883DEST_PATH_IMAGE068
,
Figure 461354DEST_PATH_IMAGE070
]等分为
Figure 796521DEST_PATH_IMAGE071
个连续的 小区间
Figure 587759DEST_PATH_IMAGE213
、
Figure 666574DEST_PATH_IMAGE214
、
Figure 164551DEST_PATH_IMAGE215
、…、
Figure 670619DEST_PATH_IMAGE216
，统计出样本观测值落入各小区间 的频数
Figure 699886DEST_PATH_IMAGE217
，并计算频率
Figure 582391DEST_PATH_IMAGE218
，建立
Figure 934875DEST_PATH_IMAGE025
的频率分布直 方图
Figure 877423DEST_PATH_IMAGE074
。
基于直方图
Figure 315358DEST_PATH_IMAGE071
个区间的左右端点和频率值，定义关于直方图
Figure 798292DEST_PATH_IMAGE074
的点集
Figure 270862DEST_PATH_IMAGE150
，顺次连接点
Figure 118732DEST_PATH_IMAGE034
形成直方图
Figure 43963DEST_PATH_IMAGE074
的阶梯形折线
Figure 579855DEST_PATH_IMAGE219
。
在一实施例中，步骤S6包括以下子步骤，
在步骤S61中，估计函数
Figure 906931DEST_PATH_IMAGE042
的计算方式如下：
通过拟合导函数
Figure 191282DEST_PATH_IMAGE075
在
Figure 603809DEST_PATH_IMAGE076
上的估计，选择
Figure 428545DEST_PATH_IMAGE077
的子集
Figure 610128DEST_PATH_IMAGE078
作为多项式拟合的 数据集
Figure 65380DEST_PATH_IMAGE079
，其中多项式拟合阶数的参考范围为
Figure 965203DEST_PATH_IMAGE080
，拟合的多项式函数记为
Figure 344363DEST_PATH_IMAGE081
表示导函数
Figure 380452DEST_PATH_IMAGE075
在区间
Figure 6605DEST_PATH_IMAGE076
上的估计；
在步骤S62中，通过拟合概率密度函数
Figure 393724DEST_PATH_IMAGE032
在
Figure 497947DEST_PATH_IMAGE076
上的估计， 将点集
Figure 716438DEST_PATH_IMAGE082
的元素个数标记为
Figure 513493DEST_PATH_IMAGE083
，设
Figure 122329DEST_PATH_IMAGE084
的原函数为
Figure 295821DEST_PATH_IMAGE085
，其中C为常数 变量，将数集
Figure 623946DEST_PATH_IMAGE086
{
Figure 591902DEST_PATH_IMAGE087
} 的元素个数标记为
Figure 688034DEST_PATH_IMAGE088
，求解
Figure 134059DEST_PATH_IMAGE089
在条件
Figure 264826DEST_PATH_IMAGE090
下的最小值
Figure 466000DEST_PATH_IMAGE091
，概率密度函数
Figure 49429DEST_PATH_IMAGE220
函数为
Figure 299144DEST_PATH_IMAGE221
，其中
Figure 284418DEST_PATH_IMAGE094
为待 定系数；
在步骤S63中，通过拟合概率密度函数
Figure 407226DEST_PATH_IMAGE032
在
Figure 477950DEST_PATH_IMAGE095
上的估计，令
Figure 531357DEST_PATH_IMAGE096
，基于点集
Figure 371137DEST_PATH_IMAGE097
拟合一次函数
Figure 851797DEST_PATH_IMAGE098
，其中
Figure 206554DEST_PATH_IMAGE099
为函数
Figure 63652DEST_PATH_IMAGE098
的零点，概率密度函数
Figure 757939DEST_PATH_IMAGE100
在 区间
Figure 409500DEST_PATH_IMAGE101
上的估计函数为
Figure 766401DEST_PATH_IMAGE102
其中
Figure 161610DEST_PATH_IMAGE094
为待 定系数；
在步骤S64中，基于拟合概率密度函数
Figure 710403DEST_PATH_IMAGE032
在
Figure 798445DEST_PATH_IMAGE103
上的估计，令
Figure 65478DEST_PATH_IMAGE104
，基于点集
Figure 61116DEST_PATH_IMAGE105
拟合一次函数
Figure 729994DEST_PATH_IMAGE106
，记
Figure 988937DEST_PATH_IMAGE107
为函数
Figure 477688DEST_PATH_IMAGE106
的零点，概率密度函数
Figure 293328DEST_PATH_IMAGE032
在区间
Figure 816713DEST_PATH_IMAGE103
上的估计函数为
Figure 980978DEST_PATH_IMAGE222
，其中
Figure 222604DEST_PATH_IMAGE094
为待定系数；
在步骤S65中，将步骤S61~ S64获得概率密度函数
Figure 825624DEST_PATH_IMAGE032
在
Figure 203515DEST_PATH_IMAGE111
上的估计函 数
Figure 804261DEST_PATH_IMAGE042
，其中
Figure 267603DEST_PATH_IMAGE094
为待定系数)：
Figure 923581DEST_PATH_IMAGE112
由于概率密度函数在
Figure 421559DEST_PATH_IMAGE113
上的积分值为1，即
Figure 927626DEST_PATH_IMAGE114
，解得待定系 数
Figure 143844DEST_PATH_IMAGE094
的值为：
Figure 26350DEST_PATH_IMAGE223
。
在一实施例中，在步骤S7中，电生理指标
Figure 441150DEST_PATH_IMAGE003
的百分制度量转换函数
Figure 118119DEST_PATH_IMAGE116
的计 算公式为：
Figure 556054DEST_PATH_IMAGE224
。
其中，百分制度量转换函数
Figure 55300DEST_PATH_IMAGE225
根据
Figure 324607DEST_PATH_IMAGE226
分位数
Figure 438056DEST_PATH_IMAGE128
与概率密度函数
Figure 674872DEST_PATH_IMAGE227
的等式
Figure 899179DEST_PATH_IMAGE228
，基于
Figure 226256DEST_PATH_IMAGE229
Figure 510606DEST_PATH_IMAGE230
定义关于样本集
Figure 657554DEST_PATH_IMAGE231
的映射函数
Figure 747870DEST_PATH_IMAGE232
，该映射函数可以将样本值
Figure 929452DEST_PATH_IMAGE233
从实数 域映射至区间
Figure 384704DEST_PATH_IMAGE234
，即
Figure 284527DEST_PATH_IMAGE235
，其中
Figure 663687DEST_PATH_IMAGE236
根据样本集
Figure 699776DEST_PATH_IMAGE231
与样本集
Figure 325930DEST_PATH_IMAGE237
的转换关系，将自变量
Figure 447470DEST_PATH_IMAGE238
替换为
Figure 817271DEST_PATH_IMAGE239
，可以获 得关于样本集
Figure 35763DEST_PATH_IMAGE237
的映射函数
Figure 832817DEST_PATH_IMAGE024
，该映射函数可以将样本值
Figure 441653DEST_PATH_IMAGE240
从正实数域映射至区 间
Figure 349566DEST_PATH_IMAGE234
，即
Figure 689410DEST_PATH_IMAGE241
，且
Figure 657366DEST_PATH_IMAGE242
从样本
Figure 753498DEST_PATH_IMAGE243
推广至总体，最终得到电生理指标
Figure 465102DEST_PATH_IMAGE025
的转换函数
Figure 595869DEST_PATH_IMAGE244
，
Figure 797044DEST_PATH_IMAGE245
为
Figure 114893DEST_PATH_IMAGE025
的具 体数值为：
Figure 630188DEST_PATH_IMAGE246
。
在一实施例中，步骤S8包括以下子步骤，
在步骤S81中，对获取的脑电测试数据集，使用专门用于脑电预处理的
Figure 615461DEST_PATH_IMAGE118
工具 库
Figure 738269DEST_PATH_IMAGE119
对脑电测试数据进行定位通道位置、设置通道类型、滤波、去伪迹
在步骤S82中，通过将脑电测试数据集以1s为时间单位进行分段，得到分段脑电测 试数据集
Figure 543414DEST_PATH_IMAGE120
；
在步骤S83中，参照表1计算分段
Figure 596821DEST_PATH_IMAGE121
的功率谱密度，即计算该分段的 每一个通道在各个频段
Figure 436601DEST_PATH_IMAGE059
波、
Figure 979577DEST_PATH_IMAGE047
波、
Figure 537598DEST_PATH_IMAGE050
波、
Figure 129116DEST_PATH_IMAGE054
波、
Figure 88982DEST_PATH_IMAGE055
波、
Figure 740543DEST_PATH_IMAGE122
波和
Figure 831865DEST_PATH_IMAGE123
波对应的脑电波能量和；
其中表1为本发明参考的脑电波各个频段的划分标准。
Figure 227074DEST_PATH_IMAGE247
在步骤S84中，计算分段
Figure 41446DEST_PATH_IMAGE124
下5个电生理指标
Figure 863909DEST_PATH_IMAGE021
的具体数值
Figure 193259DEST_PATH_IMAGE125
， 并将
Figure 392159DEST_PATH_IMAGE125
代入
Figure 61038DEST_PATH_IMAGE126
中，其中，
Figure 54402DEST_PATH_IMAGE126
为电生理指标
Figure 621780DEST_PATH_IMAGE021
在分段
Figure 624371DEST_PATH_IMAGE124
下的百 分制度量分数，重复执行步骤S7直至获得所有分段
Figure 147757DEST_PATH_IMAGE124
的百分制度量分数后 计算
Figure 312022DEST_PATH_IMAGE126
的均值
Figure 553647DEST_PATH_IMAGE127
并绘制电生理指标综合评价雷达图。其中图4可以反映用户在本 次测试过程中认知体验的综合表现。
其中，当样本容量
Figure 156667DEST_PATH_IMAGE248
无限增大时，频率直方图的阶梯形折线将逼近于概率密度曲 线。也就是说，当n充分大时，频率直方图近似地反映了概率密度曲线的大致形状。如图3，观 察直方图
Figure 534558DEST_PATH_IMAGE074
可知，靠近两端的不少区间的频率为0，这是由于样本量n实际上是有 限的，变量
Figure 135304DEST_PATH_IMAGE238
的取值越接近直方图两端，频率值为0（局部欠抽样）的区间越多，频率值的振荡 越明显，单个区间的频率值估计误差也越大，然而相较于单个区间，其周围若干相邻区间之 间频率值的整体变动趋势受局部欠抽样的影响较小。因此，由于局部欠抽样的存在，直接使 用区间
Figure 598646DEST_PATH_IMAGE249
的频率值
Figure 254625DEST_PATH_IMAGE250
拟合概率密度曲线
Figure 487023DEST_PATH_IMAGE251
会倾向于低估变 量
Figure 258670DEST_PATH_IMAGE238
落在两端区间的概率，而使用区间
Figure 209308DEST_PATH_IMAGE249
周围若干相邻区间之间频率值的平均变 动率
Figure 154130DEST_PATH_IMAGE252
拟合概率密度函数
Figure 506614DEST_PATH_IMAGE253
的导函数
Figure 449163DEST_PATH_IMAGE254
能减少局部欠抽样带来的影响。
进一步地，步骤S5中选择最小二乘回归的原因如下：在回归模型中，回归系数是表 征自变量
Figure 887097DEST_PATH_IMAGE255
对因变量
Figure 573293DEST_PATH_IMAGE256
影响大小的参数，将回归方程式表示为
Figure 593333DEST_PATH_IMAGE257
，其中斜率
Figure 706783DEST_PATH_IMAGE258
即为回 归系数，回归系数可以解释为
Figure 632013DEST_PATH_IMAGE255
每变动一单位，平均而言
Figure 856321DEST_PATH_IMAGE256
将变动b单位。因此，频率值的平均 变动率
Figure 245714DEST_PATH_IMAGE252
可以使用回归系数计算。
本发明实施例提供的一种包含多个脑电认知指标的用户体验百分制度量的建模方法的有益效果至少在于：
1、 本发明系统性地构建了认知体验度量的电生理指标框架，基于
Figure 264486DEST_PATH_IMAGE259
波、
Figure 677013DEST_PATH_IMAGE047
波、
Figure 705012DEST_PATH_IMAGE050
波、
Figure 886594DEST_PATH_IMAGE054
波、
Figure 653431DEST_PATH_IMAGE055
波、
Figure 287674DEST_PATH_IMAGE260
波的功率谱密度，计算5个比率指标：认知负 荷指标、投入度指标、专注度指标、放松度指标和执行负荷指标，相较于使用单一的电生理 指标，本发明的认知体验度量的电生理指标框架能从多方面综合评估产品认知体验，而且 各个指标能够相互验证，使得评估结果更具说服力。
2、本发明提供了一套运用大量统计学理论知识的电生理指标的百分制度量建模 方法，基于生物测量脑电数据集对认知负荷指标、投入度指标、专注度指标、放松度指标和 执行负荷指标的概率密度函数进行估计，利用
Figure 853785DEST_PATH_IMAGE017
分位数
Figure 155453DEST_PATH_IMAGE128
与概率密度函数
Figure 843924DEST_PATH_IMAGE129
的关系式
Figure 965463DEST_PATH_IMAGE130
，将各个比率指标从不同的度量单位转换为相同的百分制度量单位，既能 使具体的电生理指标数值变成更加直观的百分数，也能使不同的电生理指标之间的比较与 合并分析成为可能，便于用户体验研究员使用雷达图直观地、全面地呈现认知体验的评估 结果。
3、本发明的用户体验百分制度量建模方法，适用于对含有人机交互的产品进行体验评估，包括移动端软件、PC端软件、车载中控、智能硬件等，在人因工程、用户体验领域具有广阔的应用前景。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如 ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
因此，以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种包含多个脑电认知指标的用户体验百分制度量的建模方法，其特征在于，所述方法包括以下步骤：
S1，获取生物测量脑电数据集
Figure 821800DEST_PATH_IMAGE001
，并对获取的生物测量脑电数据集进行加工得到脑电数 据集
Figure 723897DEST_PATH_IMAGE002
；
S2，根据加工得到的生物测量脑电数据集
Figure 204557DEST_PATH_IMAGE002
计算电生理指标
Figure 762577DEST_PATH_IMAGE003
的原始样本集合
Figure 354095DEST_PATH_IMAGE004
； 且
Figure 359966DEST_PATH_IMAGE005
)的样本 集合,其中所述原始样本集合
Figure 277107DEST_PATH_IMAGE004
为
Figure 56844DEST_PATH_IMAGE006
、
Figure 452053DEST_PATH_IMAGE007
、
Figure 328742DEST_PATH_IMAGE008
、
Figure 151205DEST_PATH_IMAGE009
、
Figure 418238DEST_PATH_IMAGE010
；
S3，对原始样本集合
Figure 617138DEST_PATH_IMAGE004
分别进行取对数操作，取对数后的样本集合为
Figure 99066DEST_PATH_IMAGE011
；
S4，根据新的样本集合
Figure 92430DEST_PATH_IMAGE011
建立频率分布直方图
Figure 846760DEST_PATH_IMAGE012
，定义关于频率分布直方图的 点集
Figure 583771DEST_PATH_IMAGE013
；
S5，根据频率分布直方图的点集
Figure 169474DEST_PATH_IMAGE013
并结合变长滑动窗口运用最小二乘法计算窗口内数 据点的回归系数后将回归系数作为直方图对应概率密度函数的导数预测值
Figure 599318DEST_PATH_IMAGE014
；
S6，根据得到的导数预测值构建点集拟合概率密度函数
Figure 840943DEST_PATH_IMAGE015
的估计函数
Figure 116067DEST_PATH_IMAGE016
；
S7，根据
Figure 759538DEST_PATH_IMAGE017
分位数
Figure 406289DEST_PATH_IMAGE018
与概率密度函数
Figure 135210DEST_PATH_IMAGE019
的等式
Figure 214025DEST_PATH_IMAGE020
，构建电生理指标
Figure 712002DEST_PATH_IMAGE021
的百分制度量转换函数
Figure 545966DEST_PATH_IMAGE022
，其中
Figure 496605DEST_PATH_IMAGE023
为被积函数；
S8，通过脑电仪获取脑电测试数据集，并对获取的脑电测试数据集进行预处理，并根据 步骤S7中的百分制度量转换函数
Figure 379110DEST_PATH_IMAGE022
计算电生理指标
Figure 731594DEST_PATH_IMAGE021
的百分制度量分数后绘制电生 理指标综合评价雷达图。
2.根据权利要求1所述的包含多个脑电认知指标的用户体验百分制度量的建模方法， 其特征在于，在所述步骤S4中，根据直方图
Figure 487191DEST_PATH_IMAGE024
个区间
Figure 925126DEST_PATH_IMAGE025
及其频率值
Figure 345743DEST_PATH_IMAGE026
定义点集
Figure 818313DEST_PATH_IMAGE027
，其中设样本集合
Figure 931762DEST_PATH_IMAGE011
所代表的 总体变量为
Figure 919310DEST_PATH_IMAGE028
，
Figure 143618DEST_PATH_IMAGE029
的概率密度函数为
Figure 205115DEST_PATH_IMAGE030
。
3.根据权利要求1所述的包含多个脑电认知指标的用户体验百分制度量的建模方法， 其特征在于，在所述步骤S5中，基于点集
Figure 489465DEST_PATH_IMAGE031
，将点
Figure 207717DEST_PATH_IMAGE032
和其周围若干相邻点组成的点集定义为
Figure 235716DEST_PATH_IMAGE033
处的窗 口集合
Figure 417299DEST_PATH_IMAGE034
，运用最小二乘法拟合
Figure 606972DEST_PATH_IMAGE035
内所有点的回归趋势线
Figure 506795DEST_PATH_IMAGE036
，将
Figure 135222DEST_PATH_IMAGE014
作为概率密度函数
Figure 436890DEST_PATH_IMAGE030
在点
Figure 797464DEST_PATH_IMAGE037
处导数的预 测值，基于获得的
Figure 184583DEST_PATH_IMAGE014
(
Figure 367434DEST_PATH_IMAGE038
)构建点集
Figure 258030DEST_PATH_IMAGE039
，拟合概率 密度函数
Figure 55085DEST_PATH_IMAGE030
的估计函数
Figure 726237DEST_PATH_IMAGE040
，其中，所述窗口集合
Figure 899730DEST_PATH_IMAGE041
的计算方式如 下：
Figure 910411DEST_PATH_IMAGE042
。
4.根据权利要求3所述的包含多个脑电认知指标的用户体验百分制度量的建模方法， 其特征在于，在所述步骤S2中，所述
Figure 878367DEST_PATH_IMAGE006
的计算方式为：电极
Figure 286084DEST_PATH_IMAGE043
、
Figure 997688DEST_PATH_IMAGE044
的
Figure 862875DEST_PATH_IMAGE045
波功 率谱密度之和与电极
Figure 1733DEST_PATH_IMAGE046
、
Figure 647478DEST_PATH_IMAGE047
的
Figure 897193DEST_PATH_IMAGE048
波功率谱密度之和的比率，其中表达式为
Figure 882467DEST_PATH_IMAGE049
；
所述
Figure 192226DEST_PATH_IMAGE007
的计算方式为：
Figure 262950DEST_PATH_IMAGE050
波功率谱密度与
Figure 129406DEST_PATH_IMAGE048
波、
Figure 969186DEST_PATH_IMAGE045
波功率谱密度之和 的比率，表达式为
Figure 449846DEST_PATH_IMAGE051
；
所述
Figure 742287DEST_PATH_IMAGE008
的计算方式为：
Figure 661701DEST_PATH_IMAGE052
波、
Figure 355988DEST_PATH_IMAGE053
波功率谱密度之和与
Figure 7549DEST_PATH_IMAGE045
波功率谱密度 的比率，表达式为
Figure 52865DEST_PATH_IMAGE054
；
所述
Figure 448075DEST_PATH_IMAGE009
的计算方式为：B
Figure 308452DEST_PATH_IMAGE055
波功率谱密度与
Figure 396494DEST_PATH_IMAGE048
波功率谱密度的比率，其中表 达式为
Figure 663527DEST_PATH_IMAGE056
；
所述
Figure 862427DEST_PATH_IMAGE057
的计算方式为：
Figure 328044DEST_PATH_IMAGE058
波、
Figure 586987DEST_PATH_IMAGE045
波功率谱密度之和与
Figure 341316DEST_PATH_IMAGE048
波功率谱 密度的比率，表达式为
Figure 78328DEST_PATH_IMAGE059
。
5.根据权利要求4所述的包含多个脑电认知指标的用户体验百分制度量的建模方法， 其特征在于，在所述步骤S2中，计算电生理指标
Figure 601713DEST_PATH_IMAGE060
的样本集合通过将生物测量脑电数据 集
Figure 844607DEST_PATH_IMAGE002
以1s为长度进行分段并提取所有通道在各个频段的
Figure 820653DEST_PATH_IMAGE061
功率谱密度特征后计算每个 分段中
Figure 361356DEST_PATH_IMAGE006
、
Figure 4827DEST_PATH_IMAGE062
、
Figure 402310DEST_PATH_IMAGE008
、
Figure 131232DEST_PATH_IMAGE063
、
Figure 210046DEST_PATH_IMAGE057
的比率指标。
6.根据权利要求5所述的包含多个脑电认知指标的用户体验百分制度量的建模方法， 其特征在于，在所述步骤S3中，通过计算
Figure 708023DEST_PATH_IMAGE064
的最小值
Figure 214091DEST_PATH_IMAGE065
与最大值
Figure 741893DEST_PATH_IMAGE066
、计算样本集 合
Figure 624399DEST_PATH_IMAGE067
，其中所述样本集合
Figure 976883DEST_PATH_IMAGE011
的计算方式为：
Figure 919431DEST_PATH_IMAGE068
。
7.根据权利要求6所述的包含多个脑电认知指标的用户体验百分制度量的建模方法，其特征在于，所述步骤S4包括以下子步骤：
S41，根据对
Figure 419682DEST_PATH_IMAGE069
向下保留两位小数得到
Figure 840299DEST_PATH_IMAGE070
，根据对
Figure 312869DEST_PATH_IMAGE071
向上保留两位小数得得到
Figure 160739DEST_PATH_IMAGE072
，并设置组距为0.01和组数为
Figure 85970DEST_PATH_IMAGE073
，将数据从[
Figure 123327DEST_PATH_IMAGE070
,
Figure 450403DEST_PATH_IMAGE072
]分至
Figure 734754DEST_PATH_IMAGE073
个组
Figure 147281DEST_PATH_IMAGE074
后计算频率值
Figure 909701DEST_PATH_IMAGE075
并画出频率分布直方图
Figure 153600DEST_PATH_IMAGE076
。
8.根据权利要求1所述的包含多个脑电认知指标的用户体验百分制度量的建模方法，其特征在于，所述步骤S6包括以下子步骤，
S61，所述估计函数
Figure 608852DEST_PATH_IMAGE040
的计算方式如下：
通过拟合导函数
Figure 508675DEST_PATH_IMAGE077
在
Figure 74786DEST_PATH_IMAGE078
上的估计，选择
Figure 428319DEST_PATH_IMAGE079
的子集
Figure 54472DEST_PATH_IMAGE080
作为多项式 拟合的数据集
Figure 441591DEST_PATH_IMAGE081
，其中多项式拟合阶数的参考范围为
Figure 545813DEST_PATH_IMAGE082
，所述拟合的多项式函数记为
Figure 701988DEST_PATH_IMAGE083
表示导函数
Figure 561360DEST_PATH_IMAGE077
在区间
Figure 170196DEST_PATH_IMAGE078
上的估计；
S62，通过拟合概率密度函数
Figure 343688DEST_PATH_IMAGE030
在
Figure 354369DEST_PATH_IMAGE078
上的估计，将点集
Figure 135375DEST_PATH_IMAGE084
的元 素个数标记为
Figure 231507DEST_PATH_IMAGE085
，设
Figure 677531DEST_PATH_IMAGE086
的原函数为
Figure 808299DEST_PATH_IMAGE087
，其中C为常数变量，将数 集
Figure 947156DEST_PATH_IMAGE088
{
Figure 592901DEST_PATH_IMAGE089
} 的 元素个数标记为
Figure 842617DEST_PATH_IMAGE090
，求解
Figure 827890DEST_PATH_IMAGE091
在条件
Figure 137649DEST_PATH_IMAGE092
下的最小值
Figure 519957DEST_PATH_IMAGE093
，所述概率密度函数
Figure 573364DEST_PATH_IMAGE094
函数为
Figure 413144DEST_PATH_IMAGE095
，其中
Figure 893804DEST_PATH_IMAGE096
为待定系数；
S63，通过拟合概率密度函数
Figure 186245DEST_PATH_IMAGE030
在
Figure 105659DEST_PATH_IMAGE097
上的估计，令
Figure 799946DEST_PATH_IMAGE098
， 基于所述点集
Figure 451507DEST_PATH_IMAGE099
拟合一次 函数
Figure 496824DEST_PATH_IMAGE100
，其中
Figure 705082DEST_PATH_IMAGE101
为函数
Figure 253875DEST_PATH_IMAGE100
的零点，所述概率密度函数
Figure 341917DEST_PATH_IMAGE102
在区间
Figure 608950DEST_PATH_IMAGE103
上的估计函数为
Figure 542271DEST_PATH_IMAGE104
其中
Figure 273467DEST_PATH_IMAGE096
为待定 系数；
S64，基于拟合概率密度函数
Figure 532410DEST_PATH_IMAGE030
在
Figure 21160DEST_PATH_IMAGE105
上的估计，令
Figure 23751DEST_PATH_IMAGE106
， 基于所述点集
Figure 858721DEST_PATH_IMAGE107
拟合一次 函数
Figure 22986DEST_PATH_IMAGE108
，记
Figure 264611DEST_PATH_IMAGE109
为函数
Figure 805314DEST_PATH_IMAGE108
的零点，所述概率密度函数
Figure 183206DEST_PATH_IMAGE030
在区间
Figure 846268DEST_PATH_IMAGE110
上的估计函数为
Figure 309611DEST_PATH_IMAGE111
，其中
Figure 654004DEST_PATH_IMAGE096
为待定 系数；
S65，将步骤S61~ S64获得所述概率密度函数
Figure 151982DEST_PATH_IMAGE030
在
Figure 471099DEST_PATH_IMAGE112
上的估计函数
Figure 687316DEST_PATH_IMAGE040
，其 中
Figure 569822DEST_PATH_IMAGE096
为待定系数：
Figure 922306DEST_PATH_IMAGE113
由于概率密度函数在
Figure 599275DEST_PATH_IMAGE114
上的积分值为1，即
Figure 99526DEST_PATH_IMAGE115
，解得待定系数
Figure 785722DEST_PATH_IMAGE096
的值为：
Figure 992713DEST_PATH_IMAGE116
。
9.根据权利要求1所述的包含多个脑电认知指标的用户体验百分制度量的建模方法， 其特征在于，在所述步骤S7中，所述电生理指标
Figure 106162DEST_PATH_IMAGE003
的百分制度量转换函数
Figure 342978DEST_PATH_IMAGE117
的计算 公式为：
Figure 567286DEST_PATH_IMAGE118
。
10.根据权利要求1所述的包含多个脑电认知指标的用户体验百分制度量的建模方法，其特征在于，所述步骤S8包括以下子步骤：
S81，对获取的脑电测试数据集，使用专门用于脑电预处理的
Figure 894362DEST_PATH_IMAGE119
工具库
Figure 178712DEST_PATH_IMAGE120
对脑电 测试数据进行定位通道位置、设置通道类型、滤波、去伪迹；
S82，通过将脑电测试数据集以1s为时间单位进行分段，得到分段脑电测试数据集
Figure 325660DEST_PATH_IMAGE121
；
S83，计算分段
Figure 415976DEST_PATH_IMAGE122
的功率谱密度，即计算该分段的每一个通道在各个频段
Figure 597558DEST_PATH_IMAGE058
波、
Figure 52811DEST_PATH_IMAGE045
波、
Figure 952633DEST_PATH_IMAGE048
波、
Figure 331793DEST_PATH_IMAGE052
波、
Figure 367882DEST_PATH_IMAGE053
波、
Figure 994036DEST_PATH_IMAGE123
波和
Figure 115576DEST_PATH_IMAGE124
波对应的脑电波 能量和；
S84，计算分段
Figure 485377DEST_PATH_IMAGE125
下5个电生理指标
Figure 703869DEST_PATH_IMAGE021
的具体数值
Figure 500924DEST_PATH_IMAGE126
，并将
Figure 109759DEST_PATH_IMAGE126
代入
Figure 17673DEST_PATH_IMAGE127
中，其中，
Figure 357516DEST_PATH_IMAGE127
为电生理指标
Figure 325472DEST_PATH_IMAGE021
在分段
Figure 421604DEST_PATH_IMAGE125
下的百分制度量分 数，重复执行步骤S7直至获得所有分段
Figure 133209DEST_PATH_IMAGE125
的百分制度量分数后计算
Figure 263976DEST_PATH_IMAGE127
的均值
Figure 465150DEST_PATH_IMAGE128
并绘制电生理指标综合评价雷达图。
CN202211360866.4A 2022-11-02 2022-11-02 包含多个脑电认知指标的用户体验百分制度量的建模方法 Active CN115408891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211360866.4A CN115408891B (zh) 2022-11-02 2022-11-02 包含多个脑电认知指标的用户体验百分制度量的建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211360866.4A CN115408891B (zh) 2022-11-02 2022-11-02 包含多个脑电认知指标的用户体验百分制度量的建模方法

Publications (2)

Publication Number Publication Date
CN115408891A true CN115408891A (zh) 2022-11-29
CN115408891B CN115408891B (zh) 2023-02-07

Family

ID=84169353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211360866.4A Active CN115408891B (zh) 2022-11-02 2022-11-02 包含多个脑电认知指标的用户体验百分制度量的建模方法

Country Status (1)

Country Link
CN (1) CN115408891B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104523268A (zh) * 2015-01-15 2015-04-22 江南大学 一种具备迁移学习能力的脑电信号识别模糊系统方法
US20200401222A1 (en) * 2019-06-19 2020-12-24 MaddCog Limited Gaming Cognitive Performance
EP3925520A1 (en) * 2020-06-16 2021-12-22 Institut Mines Telecom Method for selecting features from electroencephalogram signals
CN114041793A (zh) * 2021-06-01 2022-02-15 上海大学 一种融合多模态疲劳监测与调控的rsvp目标识别系统及方法
CN114224359A (zh) * 2021-12-18 2022-03-25 西南交通大学 一种针对高铁调度员的脑电疲劳指标判定方法
CN114983414A (zh) * 2022-05-12 2022-09-02 华南理工大学 基于面部视频生理指标提取的大脑认知负荷量化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104523268A (zh) * 2015-01-15 2015-04-22 江南大学 一种具备迁移学习能力的脑电信号识别模糊系统方法
US20200401222A1 (en) * 2019-06-19 2020-12-24 MaddCog Limited Gaming Cognitive Performance
EP3925520A1 (en) * 2020-06-16 2021-12-22 Institut Mines Telecom Method for selecting features from electroencephalogram signals
CN114041793A (zh) * 2021-06-01 2022-02-15 上海大学 一种融合多模态疲劳监测与调控的rsvp目标识别系统及方法
CN114224359A (zh) * 2021-12-18 2022-03-25 西南交通大学 一种针对高铁调度员的脑电疲劳指标判定方法
CN114983414A (zh) * 2022-05-12 2022-09-02 华南理工大学 基于面部视频生理指标提取的大脑认知负荷量化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴一兵: "脑电波中疼痛、焦虑、抑郁等定量指数组的提取", 《中国医学工程》 *

Also Published As

Publication number Publication date
CN115408891B (zh) 2023-02-07

Similar Documents

Publication Publication Date Title
Chakraborty et al. Epilepsy seizure detection using kurtosis based VMD’s parameters selection and bandwidth features
Ivanov et al. Multifractality in human heartbeat dynamics
CN110960233B (zh) 一种基于脑电波的抑郁状态检测方法及系统
CN105595990A (zh) 一种用于心电信号质量评估判别的智能终端设备
CN101259015A (zh) 一种脑电信号分析监测方法及其装置
CN112932505B (zh) 一种基于时频能量的符号传递熵及脑网络特征计算方法
CN109431497A (zh) 一种脑电信号处理方法及癫痫检测系统
CN113274011A (zh) 融合脑电与功能近红外光谱技术的脑功能监测管理方法
CN103876736A (zh) 一种基于功率谱划分的复杂度谱脑电预测和诊断方法
CN116189866A (zh) 一种基于数据分析的远程医用护理分析系统
Arif et al. Design of EEG data acquisition system based on Raspberry Pi 3 for acute ischemic stroke identification
Stepančič et al. Fault detection of fuel cell systems based on statistical assessment of impedance data
CN115281685A (zh) 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质
CN115408891B (zh) 包含多个脑电认知指标的用户体验百分制度量的建模方法
CN111553550A (zh) 一种针对用户行为分析的电力大数据数据质量的评估方法
CN116392087A (zh) 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置
CN113125037B (zh) 一种基于分布式光纤在线测温系统的电缆导体温度估算方法
Gahlan et al. Three dimensional emotion state classification based on EEG via empirical mode decomposition
CN115067878A (zh) 基于EEGNet的静息态脑电意识障碍分类方法及系统
CN113974650A (zh) 一种脑电网络功能分析方法、装置，电子设备及存储介质
CN110263069B (zh) 新能源使用行为的时序特征隐含因素抽取和刻画方法及系统
Firpi et al. On prediction of epileptic seizures by means of genetic programming artificial features
CN117992931B (zh) 一种直流信号特征库与参比信号模型建立系统及方法
CN115778389B (zh) 基于心电和皮肤电联合分析的分娩恐惧检测方法和系统
CN117257303B (zh) 一种焦虑检测方法、装置、电子设备及存储介质

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