CN116671938A - 一种任务执行方法、装置、存储介质及电子设备 - Google Patents
一种任务执行方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116671938A CN116671938A CN202310931904.5A CN202310931904A CN116671938A CN 116671938 A CN116671938 A CN 116671938A CN 202310931904 A CN202310931904 A CN 202310931904A CN 116671938 A CN116671938 A CN 116671938A
- Authority
- CN
- China
- Prior art keywords
- basic
- frequency range
- data
- specified
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 210000004556 brain Anatomy 0.000 claims abstract description 257
- 230000004399 eye closure Effects 0.000 claims abstract description 37
- 230000004397 blinking Effects 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims description 56
- 230000003595 spectral effect Effects 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 23
- 230000006996 mental state Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 230000003321 amplification Effects 0.000 claims description 10
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 210000001061 forehead Anatomy 0.000 description 4
- 208000013403 hyperactivity Diseases 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 1
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 1
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- A61B5/24—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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本说明书公开了一种任务执行方法、装置、存储介质及电子设备,可以获取到由于用户的眨眼或闭眼所产生的部分基础脑电数据的特征,以及获取到用户的基础脑电数据中用于表征用户不同行为能力的不同指定频率范围下的脑电波的特征。从而可以基于用于表征用户眨眼和闭眼情况的特征以及用户的不同指定频率范围下的脑电波的特征,确定出用户的专注度值,进而可以提升确定出的用户的专注度值的准确率。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种任务执行方法、装置、存储介质及电子设备。
背景技术
注意力缺陷与多动障碍(Attention deficit and hyperactivity disorder,ADHD)是一种发生于儿童期的综合症,患者主要表现出学习困难、好动、认知能力下降、注意力集中困难、空间认知障碍、视觉反应迟钝等症状。目前,常用的治疗方法中需要对患者进行注意力训练,而在注意力训练的过程中需要实时确定患者的专注度,以评估注意力训练的效果。
但是,目前在对患者进行注意力训练时,不能准确地确定出患者在进行注意力训练时的专注度,从而导致对患者进行的注意力训练效果较低。
因此,如何提升在患者在注意力训练时准确地确定出患者在进行注意力训练时的专注度,则是一个亟待解决的问题。
发明内容
本说明书提供一种任务执行方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种任务执行方法,包括:
采集用户的基础脑电数据;
基于预设的筛选条件从所述基础脑电数据中筛选出指定波段的基础脑电数据,并根据所述指定波段的基础脑电数据,确定所述用户的眨眼时长以及闭眼时长;
对所述基础脑电数据进行滤波处理,以确定所述基础脑电数据在各指定频率范围下的脑电波,并确定所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,不同指定频率范围的脑电波所表征出的用户的身心状态特征不完全相同;
将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,并根据所述专注度值,进行任务执行。
可选地,基于预设的筛选条件从所述基础脑电数据中筛选出指定波段的基础脑电数据,并根据所述指定波段的基础脑电数据,确定所述用户的眨眼时长,具体包括:
从所述基础脑电数据中筛选出波峰与波谷之间的幅度差值超过预设阈值的波段的基础脑电数据,作为指定波段的基础脑电数据;
根据所述指定波段的基础脑电数据中包含的所述波峰对应的时刻和所述波谷对应的时刻,确定所述用户的眨眼时长。
可选地,基于预设的筛选条件从所述基础脑电数据中筛选出指定波段的基础脑电数据,并根据所述指定波段的基础脑电数据,确定所述用户的闭眼时长,具体包括:
通过预设的时间窗,从所述基础脑电数据中截取出指定时间长度的子基础脑电数据;
对所述指定时间长度的子基础脑电数据进行滤波处理,以确定在目标频率范围下的子基础脑电数据,作为指定波段的基础脑电数据;
将所述指定波段的基础脑电数据输入到预设的预测模型中,以通过所述预测模型根据所述指定波段的基础脑电数据,预测出所述用户的闭眼时长。
可选地,对所述基础脑电数据进行滤波处理,以确定所述基础脑电数据在各指定频率范围下的脑电波之前,所述方法还包括:
针对所述基础脑电数据中包含的波峰或波谷,根据所述波峰或波谷对应的幅度值的大小,从所述基础脑电数据中筛除眼电伪迹,以得到去噪后基础脑电数据;
对所述基础脑电数据进行滤波处理,以确定所述基础脑电数据在各指定频率范围下的脑电波,具体包括:
对所述去噪后基础脑电数据进行滤波处理,以确定所述去噪后基础脑电数据在各指定频率范围下的脑电波。
可选地,将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,具体包括:
根据所述眨眼时长与采集所述用户的基础脑电数据的单位时长的比值,确定所述用户的眨眼时长占比,以及根据所述闭眼时长与所述单位时长的比值,确定所述用户的闭眼时长占比;
对所述眨眼时长占比、所述闭眼时长占比进行加权平均,得到第一特征数据;
将所述第一特征数据,以及所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
可选地,将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,具体包括:
根据所述基础脑电数据在各指定频率范围下的脑电波的频谱能量值,确定总频谱能量值;
根据所述总频谱能量值,以及所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,确定所述基础脑电数据在每种指定频率范围下的脑电波对应的相对能量值;
将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,以及所述基础脑电数据在每种指定频率范围下的脑电波对应的相对能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
可选地,根据所述总频谱能量值,以及所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,确定所述基础脑电数据在每种指定频率范围下的脑电波对应的相对能量值,具体包括:
针对所述基础脑电数据在每种指定频率范围下的脑电波,确定该脑电波的频谱能量值与所述总频谱能量值之间的比值,作为该脑电波对应的相对能量值。
可选地,将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,以及所述基础脑电数据在每种指定频率范围下的脑电波对应的相对能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,具体包括:
根据每个指定频率范围的脑电波所表征的用户的身心状态,从所述各指定频率范围中,确定出至少部分指定频率范围,作为第一指定频率范围集,以及,根据每个指定频率范围的脑电波所表征的用户的身心状态,从所述各指定频率范围中,确定出至少部分指定频率范围,作为第二指定频率范围集;
将所述眨眼时长、所述闭眼时长、所述基础脑电数据在所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值,以及,所述基础脑电数据在所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
可选地,将所述眨眼时长、所述闭眼时长、所述基础脑电数据在所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值,以及,所述基础脑电数据在所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,具体包括:
根据所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值,确定总相对能量值;
根据所述总相对能量值与所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值,确定第二特征数据;
将所述眨眼时长、所述闭眼时长以及所述第二特征数据输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
可选地,将所述眨眼时长、所述闭眼时长、所述基础脑电数据在所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值,以及,所述基础脑电数据在所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,具体包括:
针对所述第一指定频率范围集中包含的每种指定频率范围下的脑电波以及所述第二指定频率范围集中包含的每种指定频率范围下的脑电波,根据该脑电波的频谱能量值在采集所述用户的基础脑电数据的单位时长内的变化幅度值,确定该脑电波对应的放大系数;
通过所述放大系数,对所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值进行增强,得到所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的增强后相对能量值,以及,对所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值进行增强,得到所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的增强后频谱能量值;
将所述眨眼时长、所述闭眼时长、所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的增强后相对能量值以及所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的增强后频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
本说明书提供了一种任务执行装置,包括:
采集模块,用于采集用户的基础脑电数据;
第一确定模块,用于基于预设的筛选条件从所述基础脑电数据中筛选出指定波段的基础脑电数据,并根据所述指定波段的基础脑电数据,确定所述用户的眨眼时长以及闭眼时长;
第二确定模块,用于对所述基础脑电数据进行滤波处理,以确定所述基础脑电数据在各指定频率范围下的脑电波,并确定所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,不同指定频率范围的脑电波所表征出的用户的身心状态特征不完全相同;
执行模块,用于将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,并根据所述专注度值,进行任务执行。
可选地,所述第一确定模块,具体用于,从所述基础脑电数据中筛选出波峰与波谷之间的幅度差值超过预设阈值的波段的基础脑电数据,作为指定波段的基础脑电数据;根据所述指定波段的基础脑电数据中包含的所述波峰对应的时刻和所述波谷对应的时刻,确定所述用户的眨眼时长。
可选地,所述第一确定模块,具体用于,通过预设的时间窗,从所述基础脑电数据中截取出指定时间长度的子基础脑电数据;对所述指定时间长度的子基础脑电数据进行滤波处理,以确定在目标频率范围下的子基础脑电数据,作为指定波段的基础脑电数据;将所述指定波段的基础脑电数据输入到预设的预测模型中,以通过所述预测模型根据所述指定波段的基础脑电数据,预测出所述用户的闭眼时长。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任务执行方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任务执行方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的任务执行方法中,首选采集用户的基础脑电数据,基于预设的筛选条件从基础脑电数据中筛选出指定波段的基础脑电数据,并根据指定波段的基础脑电数据,确定用户的眨眼时长以及闭眼时长,对基础脑电数据进行滤波处理,以确定基础脑电数据在各指定频率范围下的脑电波,并确定基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,其中,不同指定频率范围的脑电波所表征出的用户的身心状态特征不完全相同,将眨眼时长、闭眼时长、基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过专注度确定模型确定用户对应的专注度值,并根据专注度值,进行任务执行。
从上述方法可以看出,可以获取到由于用户的眨眼或闭眼所产生的部分基础脑电数据的特征,以及获取到用户的基础脑电数据中用于表征用户不同行为能力的不同指定频率范围下的脑电波的特征,从而可以基于用于表征用户眨眼和闭眼情况的特征以及用户的不同指定频率范围下的脑电波的特征,确定出用户的专注度值,进而可以提升确定出的用户的专注度值的准确率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种任务执行方法的流程示意图;
图2为本说明书中提供的基础脑电数据的示意图;
图3为本说明书中提供的相对能量值的确定方法的示意图;
图4为本说明书提供的一种任务执行装置的示意图;
图5为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种任务执行方法的流程示意图,包括以下步骤:
S101:采集用户的基础脑电数据。
在实际应用场景中,可以通过指定设备实时采集用户的基础脑电数据,并将采集到的基础脑电数据发送给业务平台,以使业务平台在获取到用户的基础脑电数据后,可以根据用户的基础脑电数据,实时确定出用户的专注度值,进而可以根据确定出的专注度值,进行任务执行。
例如:当用户在进行注意力训练之前,可以预先佩戴指定设备,以通过指定设备在用户进行注意力训练的过程中,每间隔一段单位时长,将在该单位时长内采集到的用户的脑电数据,作为基础脑电数据发送给业务平台,以使业务平台可以根据接收到的用户的基础脑电数据进行注意力训练效果的评估。
其中,上述的指定设备可以是脑机设备,上述的基础脑电数据可以是通过指定设备采集到的用户的脑电图(即,从用户头皮上将大脑皮层的自发性生物电位加以放大记录而获得的图,可以表征脑细胞群的自发性、节律性电活动)。
需要说明的是,上述的脑机设备具有FP1和FP2两个电极,通过这个两个电极可以采集用户的左前额和右前额的基础脑电数据,从而可以仅根据采集到的用户的左前额和右前额的基础脑电数据,确定出用户的专注度值,进而可以避免由于佩戴较多电极时对用户造成的不适,而导致的用户的注意力下降、出现厌烦情绪、易动等情况发生。
在本说明书中,用于任务执行方法的执行主体,可以是指服务器等设置于业务平台的指定设备,也可以是指诸如台式电脑、笔记本电脑、手机等指定设备,为了便于描述,下面仅以服务器是执行主体为例,对本说明书提供的任务执行方法进行说明。
S102:基于预设的筛选条件从所述基础脑电数据中筛选出指定波段的基础脑电数据,并根据所述指定波段的基础脑电数据,确定所述用户的眨眼时长以及闭眼时长。
服务器在通过指定设备采集到用户的基础脑电数据之后,可以基于预设的筛选条件从基础脑电数据中筛选出指定波段的基础脑电数据,并根据指定波段的基础脑电数据,确定在采集用户的基础脑电数据的单位时长中用户的眨眼时长占比以及闭眼时长占比。
具体地,服务器可以从基础脑电数据中筛选出波峰与波谷之间的幅度差值超过预设阈值的波段的基础脑电数据,作为指定波段的基础脑电数据,根据指定波段的基础脑电数据中包含的波峰对应的时刻和波谷对应的时刻,确定用户的眨眼时长,具体可以参考如下公式。
|(t2-t1)|+2*t_blank
上述公式中,t1为波峰对应的时刻,t2为波谷对应的时刻,t_blank为裕量。
从上述公式中可以看出,由于波峰对应的时刻和波谷对应的时刻之间的差值与用户真实的眨眼时长之间存在一定的偏差,因此,可以通过预设的裕量对波峰对应的时刻和波谷对应的时刻之间的差值进行补偿,从而可以使得计算出的用户的眨眼时长与用户真实的眨眼时长之间的偏差减小,上述的裕量可以根据实际需求设定,优选地,上述的裕量可以设为0.025s。
需要说明的是,当通过指定设备采集用户的脑电信号的同时,可能会采集到由于用户在采集过程中出现的眨眼、闭眼等动作而产生眼电信号,从而导致最终采集的基础脑电数据同时包含有用户的脑电信号以及眼电信号(这里的眼电信号给脑电信号带来了噪声),而眼电信号在基础脑电数据中以异常峰值的形式存在,如图2所示。
图2为本说明书中提供的基础脑电数据的示意图。
从图2中可以看出,当用户在采集用户的脑电数据的过程中,出现眨眼动作时,会使得采集到的基础脑电数据中出现较大的波动,即出现波峰以及波谷。
由于用户在采集用户的基础脑电数据的过程中的眨眼、闭眼等动作往往是由于用户在精神涣散,注意力不集中的情况下才出现的,因此,用户在采集用户的基础脑电数据的过程中的眨眼、闭眼等动作可以反映出用户的专注度。基于此,服务器可以根据基础脑电数据中包含的波峰对应的时刻和波谷对应的时刻,确定用户的眨眼时长。
需要说明的是,由于用户的闭眼动作相比于眨眼动作的时间较长,从而导致在采集到的基础脑电数据中无法像眨眼动作一样呈现出波峰的跃变。
基于此,服务器可以通过预设的时间窗,从基础脑电数据中截取出指定时间长度的子基础脑电数据,对指定时间长度的子基础脑电数据进行滤波处理,以确定在目标频率范围下的子基础脑电数据,作为指定波段的基础脑电数据,将指定波段的基础脑电数据输入到预设的预测模型中,以通过预测模型根据指定波段的基础脑电数据,预测出用户的闭眼时长,这里的目标频率范围可以根据实际需求设定,例如:10~12赫兹(Hertz,HZ)。
其中,上述的时间窗可以为跳动时间窗,这里的跳动时间窗可以理解为在单位时长的基础脑电数据中不断移动的一个时长单位(例如:50ms,即跳动时间窗口每移动一次可以截取50ms的基础脑电数据,如:0~50ms,50ms~100ms),每次移动时,可以从单位时长的基础脑电数据中截取出部分基础脑电数据,这部分基础脑电数据的时长为上述时长单位的时长,进而可以通过预设的预测模型针对截取出的这部分基础脑电数据中处于目标频率范围下的脑电波,预测出用户的闭眼时长。
S103:对所述基础脑电数据进行滤波处理,以确定所述基础脑电数据在各指定频率范围下的脑电波,并确定所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,不同指定频率范围的脑电波所表征出的用户的身心状态特征不完全相同。
进一步地,服务器可以对基础脑电数据进行滤波处理,以确定基础脑电数据在各指定频率范围下的脑电波,并确定基础脑电数据在每种指定频率范围下的脑电波的频谱能量值。
其中,不同指定频率范围的脑电波所表征出的用户的身心状态特征不完全相同,例如:当用户的西塔波的幅度较高时,则表明用户此时的身心状态可能为注意力不集中等,当用户的西塔波的幅度较低时,则表明用户此时的身心状态可能为焦虑等。再例如:当用户的阿尔法波的幅度较高时,则表明用户此时的身心状态可能为抑郁等,当用户的阿尔法波的幅度较低时,则表明用户此时的身心状态可能为焦虑等。
上述的不同指定频率范围的脑电波可以是诸如:α波(阿尔法波)、β波(贝塔波)、smr波(感觉运动节律波)、δ波(德尔塔波)和θ波(西塔波),其中,α波的频率范围可以为8~12HZ、β波的频率范围可以为16~20HZ、smr波的频率范围可以为13~15HZ、δ波的频率范围可以为1~3HZ和θ波的频率范围可以为4~7HZ。
除此之外,为了提升基于用户的基础脑电数据确定出的用户的专注度的准确性,服务器还可以针对基础脑电数据中包含的波峰或波谷,根据波峰或波谷对应的幅度值的大小,从基础脑电数据中筛除眼电伪迹,以得到去噪后基础脑电数据,并对去噪后基础脑电数据进行滤波处理,以确定去噪后基础脑电数据在各指定频率范围下的脑电波,进而可以根据去噪后基础脑电数据在各指定频率范围下的脑电波,确定用户的专注度值。
S104:将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,并根据所述专注度值,进行任务执行。
服务器可以根据眨眼时长与采集用户的基础脑电数据的单位时长的比值,确定用户的眨眼时长占比,以及根据闭眼时长与单位时长的比值,确定用户的闭眼时长占比,进而可以对眨眼时长占比、闭眼时长占比进行加权平均,得到第一特征数据,将第一特征数据,以及基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过专注度确定模型确定用户对应的专注度值。
上述内容中,用户的眨眼时长占比、闭眼时长占比可以根据采集到的基础脑电数据的整体波形确定,例如:当基础脑电数据中的噪声较多时,此时,则说明采集到的基础脑电数据中包含的脑电信号存在较多的干扰,准确率较低,而此时可以更多的依据基础脑电数据中包含的眼电信号来确定用户的注意度值,因此,此时服务器可以为用户的眨眼时长占比设定较高的权重。
进一步地,服务器可以根据基础脑电数据在各指定频率范围下的脑电波的频谱能量值,确定总频谱能量值,并根据总频谱能量值,以及基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,确定基础脑电数据在每种指定频率范围下的脑电波对应的相对能量值。
进而可以将上述的第一特征数据、基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,以及基础脑电数据在每种指定频率范围下的脑电波对应的相对能量值输入到预设的专注度确定模型中,以通过专注度确定模型确定用户对应的专注度值。
具体地,服务器可以针对基础脑电数据在每种指定频率范围下的脑电波,确定该脑电波的频谱能量值与总频谱能量值之间的比值,作为该脑电波对应的相对能量值,具体如图3所示。
图3为本说明书中提供的相对能量值的确定方法的示意图。
在图3中,Edelta、Etheta、Ealpha、Esmr和Ebeta即为基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,Rsmr即为smr波对应的相对能量值,Rbetar即为贝塔波对应的相对能量值。
需要说明的是,并不是所有的指定频率范围的脑电波均能反应用户的专注度,在不同指定频率范围的脑电波中与用户的注意力密切相关的仅为不同指定频率范围的脑电波中的部分指定频率范围的脑电波,即,感觉运动节律波、贝塔波、西塔波。
因此,服务器可以根据每个指定频率范围的脑电波所表征的用户的身心状态,从各指定频率范围中,确定出至少部分指定频率范围,作为第一指定频率范围集,以及,根据每个指定频率范围的脑电波所表征的用户的身心状态,从各指定频率范围中,确定出至少部分指定频率范围,作为第二指定频率范围集,其中,第一指定频率范围集中可以包含感觉运动节律波对应的指定频率范围、贝塔波对应的指定频率范围,第二指定频率范围集中可以包含西塔波对应的指定频率范围。
进一步地,服务器可以将第一特征数据、基础脑电数据在第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值,以及,基础脑电数据在第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过专注度确定模型确定用户对应的专注度值。
具体地,服务器可以根据第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值,确定总相对能量值,并根据总相对能量值与第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值,确定第二特征数据。
进而可以上述的第一特征数据以及上述的第二特征数据输入到预设的专注度确定模型中,以通过专注度确定模型确定用户对应的专注度值。
另外,在实际应用场景中,由于用户在专注和不专注时,采集到的用户的基础脑电数据的变化趋势基本相同,但是,变化的幅度值却并不相同(即,当用户不专注时用户的基础脑电数据的变化幅度值可能较小),因此,在采集到的用户的基础脑电数据的变化幅度值较小时,可以通过预先确定放大系数,对用户的基础脑电数据的变化幅度值进行放大。
具体地,服务器可以针对第一指定频率范围集中包含的每种指定频率范围下的脑电波以及第二指定频率范围集中包含的每种指定频率范围下的脑电波,根据该脑电波的频谱能量值在采集用户的基础脑电数据的单位时长内的变化幅度值,确定该脑电波对应的放大系数。通过放大系数,对第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值进行增强,得到第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的增强后相对能量值,以及,对第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值进行增强,得到第二指定频率范围集中包含的每种指定频率范围下的脑电波的增强后频谱能量值。
进一步地,服务器可以根据第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的增强后相对能量值以及第二指定频率范围集中包含的每种指定频率范围下的脑电波的增强后频谱能量值,确定第二特征数据,并将第一特征数据、第二特征数据输入到预设的专注度确定模型中,以通过专注度确定模型确定用户对应的专注度值,其中,根据第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的增强后相对能量值以及第二指定频率范围集中包含的每种指定频率范围下的脑电波的增强后频谱能量值,确定第二特征数据的方法可以参考如下公式。
(w1*Rsmr+w2*Rbeta)/w3*Rtheta
上述公式中,w1、w2、w3即为第一指定频率范围集中包含的每种指定频率范围下的脑电波以及第二指定频率范围集中包含的每种指定频率范围下的脑电波对应的放大系数。
需要说明的是,服务器在获取到用户的专注度值后,可以根据获取到的专注度值,进行任务执行,这里的任务执行可以是例如:检测用户的专注度值是否低于指定值,若是,则向用户播放用于舒缓情绪的音乐。再例如:生成用户在注意力训练过程中的专注度值表,并将生成的专注度值表发送到指定用户所使用的设备中,以使指定用户根据生成的专注度值表,为用户制定相应的注意力训练策略等。
从上述方法可以看出,可以获取到由于用户的眨眼或闭眼所产生的部分基础脑电数据的特征,以及获取到用户的基础脑电数据中用于表征用户不同行为能力的不同指定频率范围下的脑电波的特征。从而可以基于用于表征用户眨眼和闭眼情况的特征以及用户的不同指定频率范围下的脑电波的特征,确定出用户的专注度值,进而可以提升确定出的用户的专注度值的准确率。
以上为本说明书的一个或多个实施任务执行方法,基于同样的思路,本说明书还提供了相应的任务执行装置,如图4所示。
图4为本说明书提供的一种任务执行装置的示意图,包括:
采集模块401,用于采集用户的基础脑电数据;
第一确定模块402,用于基于预设的筛选条件从所述基础脑电数据中筛选出指定波段的基础脑电数据,并根据所述指定波段的基础脑电数据,确定所述用户的眨眼时长以及闭眼时长;
第二确定模块403,用于对所述基础脑电数据进行滤波处理,以确定所述基础脑电数据在各指定频率范围下的脑电波,并确定所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,不同指定频率范围的脑电波所表征出的用户的身心状态特征不完全相同;
执行模块404,用于将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,并根据所述专注度值,进行任务执行。
可选地,所述第一确定模块402,具体用于,从所述基础脑电数据中筛选出波峰与波谷之间的幅度差值超过预设阈值的波段的基础脑电数据,作为指定波段的基础脑电数据;根据所述指定波段的基础脑电数据中包含的所述波峰对应的时刻和所述波谷对应的时刻,确定所述用户的眨眼时长。
可选地,所述第一确定模块402,具体用于,通过预设的时间窗,从所述基础脑电数据中截取出指定时间长度的子基础脑电数据;对所述指定时间长度的子基础脑电数据进行滤波处理,以确定在目标频率范围下的子基础脑电数据,作为指定波段的基础脑电数据;将所述指定波段的基础脑电数据输入到预设的预测模型中,以通过所述预测模型根据所述指定波段的基础脑电数据,预测出所述用户的闭眼时长。
可选地,所述第二确定模块403,具体用于,针对所述基础脑电数据中包含的波峰或波谷,根据所述波峰或波谷对应的幅度值的大小,从所述基础脑电数据中筛除眼电伪迹,以得到去噪后基础脑电数据;对所述去噪后基础脑电数据进行滤波处理,以确定所述去噪后基础脑电数据在各指定频率范围下的脑电波。
可选地,所述第一确定模块402,具体用于,根据所述眨眼时长与采集所述用户的基础脑电数据的单位时长的比值,确定所述用户的眨眼时长占比,以及根据所述闭眼时长与所述单位时长的比值,确定所述用户的闭眼时长占比;对所述眨眼时长占比、所述闭眼时长占比进行加权平均,得到第一特征数据;将所述第一特征数据,以及所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
可选地,所述执行模块404,具体用于,根据所述基础脑电数据在各指定频率范围下的脑电波的频谱能量值,确定总频谱能量值;根据所述总频谱能量值,以及所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,确定所述基础脑电数据在每种指定频率范围下的脑电波对应的相对能量值;将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,以及所述基础脑电数据在每种指定频率范围下的脑电波对应的相对能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
可选地,所述执行模块404,具体用于,针对所述基础脑电数据在每种指定频率范围下的脑电波,确定该脑电波的频谱能量值与所述总频谱能量值之间的比值,作为该脑电波对应的相对能量值。
可选地,所述执行模块404,具体用于,根据每个指定频率范围的脑电波所表征的用户的身心状态,从所述各指定频率范围中,确定出至少部分指定频率范围,作为第一指定频率范围集,以及,根据每个指定频率范围的脑电波所表征的用户的身心状态,从所述各指定频率范围中,确定出至少部分指定频率范围,作为第二指定频率范围集;将所述眨眼时长、所述闭眼时长、所述基础脑电数据在所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值,以及,所述基础脑电数据在所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
可选地,所述执行模块404,具体用于,根据所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值,确定总相对能量值;根据所述总相对能量值与所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值,确定第二特征数据;将所述眨眼时长、所述闭眼时长以及所述第二特征数据输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
可选地,所述执行模块404,具体用于,针对所述第一指定频率范围集中包含的每种指定频率范围下的脑电波以及所述第二指定频率范围集中包含的每种指定频率范围下的脑电波,根据该脑电波的频谱能量值在采集所述用户的基础脑电数据的单位时长内的变化幅度值,确定该脑电波对应的放大系数;通过所述放大系数,对所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值进行增强,得到所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的增强后相对能量值,以及,对所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值进行增强,得到所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的增强后频谱能量值;将所述眨眼时长、所述闭眼时长、所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的增强后相对能量值以及所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的增强后频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种任务执行方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的任务执行方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device, PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(HardwareDescription Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(AdvancedBoolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(JavaHardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby HardwareDescription Language)等,目前最普遍使用的是VHDL(Very-High-Speed IntegratedCircuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器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也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置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。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (15)
1.一种任务执行方法,其特征在于,包括:
采集用户的基础脑电数据;
基于预设的筛选条件从所述基础脑电数据中筛选出指定波段的基础脑电数据,并根据所述指定波段的基础脑电数据,确定所述用户的眨眼时长以及闭眼时长;
对所述基础脑电数据进行滤波处理,以确定所述基础脑电数据在各指定频率范围下的脑电波,并确定所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,不同指定频率范围的脑电波所表征出的用户的身心状态特征不完全相同;
将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,并根据所述专注度值,进行任务执行。
2.如权利要求1所述的方法,其特征在于,基于预设的筛选条件从所述基础脑电数据中筛选出指定波段的基础脑电数据,并根据所述指定波段的基础脑电数据,确定所述用户的眨眼时长,具体包括:
从所述基础脑电数据中筛选出波峰与波谷之间的幅度差值超过预设阈值的波段的基础脑电数据,作为指定波段的基础脑电数据;
根据所述指定波段的基础脑电数据中包含的所述波峰对应的时刻和所述波谷对应的时刻,确定所述用户的眨眼时长。
3.如权利要求1所述的方法,其特征在于,基于预设的筛选条件从所述基础脑电数据中筛选出指定波段的基础脑电数据,并根据所述指定波段的基础脑电数据,确定所述用户的闭眼时长,具体包括:
通过预设的时间窗,从所述基础脑电数据中截取出指定时间长度的子基础脑电数据;
对所述指定时间长度的子基础脑电数据进行滤波处理,以确定在目标频率范围下的子基础脑电数据,作为指定波段的基础脑电数据;
将所述指定波段的基础脑电数据输入到预设的预测模型中,以通过所述预测模型根据所述指定波段的基础脑电数据,预测出所述用户的闭眼时长。
4.如权利要求1所述的方法,其特征在于,对所述基础脑电数据进行滤波处理,以确定所述基础脑电数据在各指定频率范围下的脑电波之前,所述方法还包括:
针对所述基础脑电数据中包含的波峰或波谷,根据所述波峰或波谷对应的幅度值的大小,从所述基础脑电数据中筛除眼电伪迹,以得到去噪后基础脑电数据;
对所述基础脑电数据进行滤波处理,以确定所述基础脑电数据在各指定频率范围下的脑电波,具体包括:
对所述去噪后基础脑电数据进行滤波处理,以确定所述去噪后基础脑电数据在各指定频率范围下的脑电波。
5.如权利要求1所述的方法,其特征在于,将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,具体包括:
根据所述眨眼时长与采集所述用户的基础脑电数据的单位时长的比值,确定所述用户的眨眼时长占比,以及根据所述闭眼时长与所述单位时长的比值,确定所述用户的闭眼时长占比;
对所述眨眼时长占比、所述闭眼时长占比进行加权平均,得到第一特征数据;
将所述第一特征数据,以及所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
6.如权利要求1所述的方法,其特征在于,将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,具体包括:
根据所述基础脑电数据在各指定频率范围下的脑电波的频谱能量值,确定总频谱能量值;
根据所述总频谱能量值,以及所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,确定所述基础脑电数据在每种指定频率范围下的脑电波对应的相对能量值;
将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,以及所述基础脑电数据在每种指定频率范围下的脑电波对应的相对能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
7.如权利要求6所述的方法,其特征在于,根据所述总频谱能量值,以及所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,确定所述基础脑电数据在每种指定频率范围下的脑电波对应的相对能量值,具体包括:
针对所述基础脑电数据在每种指定频率范围下的脑电波,确定该脑电波的频谱能量值与所述总频谱能量值之间的比值,作为该脑电波对应的相对能量值。
8.如权利要求6所述的方法,其特征在于,将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,以及所述基础脑电数据在每种指定频率范围下的脑电波对应的相对能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,具体包括:
根据每个指定频率范围的脑电波所表征的用户的身心状态,从所述各指定频率范围中,确定出至少部分指定频率范围,作为第一指定频率范围集,以及,根据每个指定频率范围的脑电波所表征的用户的身心状态,从所述各指定频率范围中,确定出至少部分指定频率范围,作为第二指定频率范围集;
将所述眨眼时长、所述闭眼时长、所述基础脑电数据在所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值,以及,所述基础脑电数据在所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
9.如权利要求8所述的方法,其特征在于,将所述眨眼时长、所述闭眼时长、所述基础脑电数据在所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值,以及,所述基础脑电数据在所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,具体包括:
根据所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值,确定总相对能量值;
根据所述总相对能量值与所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值,确定第二特征数据;
将所述眨眼时长、所述闭眼时长以及所述第二特征数据输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
10.如权利要求8所述的方法,其特征在于,将所述眨眼时长、所述闭眼时长、所述基础脑电数据在所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值,以及,所述基础脑电数据在所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,具体包括:
针对所述第一指定频率范围集中包含的每种指定频率范围下的脑电波以及所述第二指定频率范围集中包含的每种指定频率范围下的脑电波,根据该脑电波的频谱能量值在采集所述用户的基础脑电数据的单位时长内的变化幅度值,确定该脑电波对应的放大系数;
通过所述放大系数,对所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的相对能量值进行增强,得到所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的增强后相对能量值,以及,对所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的频谱能量值进行增强,得到所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的增强后频谱能量值;
将所述眨眼时长、所述闭眼时长、所述第一指定频率范围集中包含的每种指定频率范围下的脑电波对应的增强后相对能量值以及所述第二指定频率范围集中包含的每种指定频率范围下的脑电波的增强后频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值。
11.一种任务执行装置,其特征在于,包括:
采集模块,用于采集用户的基础脑电数据;
第一确定模块,用于基于预设的筛选条件从所述基础脑电数据中筛选出指定波段的基础脑电数据,并根据所述指定波段的基础脑电数据,确定所述用户的眨眼时长以及闭眼时长;
第二确定模块,用于对所述基础脑电数据进行滤波处理,以确定所述基础脑电数据在各指定频率范围下的脑电波,并确定所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值,不同指定频率范围的脑电波所表征出的用户的身心状态特征不完全相同;
执行模块,用于将所述眨眼时长、所述闭眼时长、所述基础脑电数据在每种指定频率范围下的脑电波的频谱能量值输入到预设的专注度确定模型中,以通过所述专注度确定模型确定所述用户对应的专注度值,并根据所述专注度值,进行任务执行。
12.如权利要求11所述的装置,其特征在于,所述第一确定模块,具体用于,从所述基础脑电数据中筛选出波峰与波谷之间的幅度差值超过预设阈值的波段的基础脑电数据,作为指定波段的基础脑电数据;根据所述指定波段的基础脑电数据中包含的所述波峰对应的时刻和所述波谷对应的时刻,确定所述用户的眨眼时长。
13.如权利要求11所述的装置,其特征在于,所述第一确定模块,具体用于,通过预设的时间窗,从所述基础脑电数据中截取出指定时间长度的子基础脑电数据;对所述指定时间长度的子基础脑电数据进行滤波处理,以确定在目标频率范围下的子基础脑电数据,作为指定波段的基础脑电数据;将所述指定波段的基础脑电数据输入到预设的预测模型中,以通过所述预测模型根据所述指定波段的基础脑电数据,预测出所述用户的闭眼时长。
14.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~10任一项所述的方法。
15.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310931904.5A CN116671938A (zh) | 2023-07-27 | 2023-07-27 | 一种任务执行方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310931904.5A CN116671938A (zh) | 2023-07-27 | 2023-07-27 | 一种任务执行方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116671938A true CN116671938A (zh) | 2023-09-01 |
Family
ID=87782208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310931904.5A Pending CN116671938A (zh) | 2023-07-27 | 2023-07-27 | 一种任务执行方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116671938A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117257303A (zh) * | 2023-11-21 | 2023-12-22 | 北京视友科技有限责任公司 | 一种焦虑检测方法、装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104305964A (zh) * | 2014-11-11 | 2015-01-28 | 东南大学 | 头戴式疲劳检测装置及方法 |
CN106691443A (zh) * | 2017-01-11 | 2017-05-24 | 中国科学技术大学 | 基于脑电的穿戴式司机防疲劳智能监测预警系统 |
CN108537704A (zh) * | 2018-04-17 | 2018-09-14 | 深圳市心流科技有限公司 | 课堂评测方法、装置及计算机可读存储介质 |
CN111160239A (zh) * | 2019-12-27 | 2020-05-15 | 中国联合网络通信集团有限公司 | 专注度评估方法和装置 |
CN111956217A (zh) * | 2020-07-15 | 2020-11-20 | 山东师范大学 | 一种面向实时脑电信号的眨眼伪迹识别方法及系统 |
CN112546390A (zh) * | 2020-11-23 | 2021-03-26 | 苏州中科先进技术研究院有限公司 | 一种注意力训练方法、装置、计算机设备及存储介质 |
CN113076885A (zh) * | 2021-04-09 | 2021-07-06 | 中山大学 | 一种基于人眼动作特征的专注度分级方法及系统 |
CN113558621A (zh) * | 2021-07-23 | 2021-10-29 | 福州数据技术研究院有限公司 | 一种驾驶员疲劳检测与提醒的方法和系统 |
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 |
CN115067971A (zh) * | 2022-05-18 | 2022-09-20 | 上海暖禾脑科学技术有限公司 | 基于脑电信号反馈控制虚拟对象的神经反馈系统 |
CN116348042A (zh) * | 2020-08-25 | 2023-06-27 | 英乐爱有限公司 | 用於量化注意力的方法及系統 |
-
2023
- 2023-07-27 CN CN202310931904.5A patent/CN116671938A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104305964A (zh) * | 2014-11-11 | 2015-01-28 | 东南大学 | 头戴式疲劳检测装置及方法 |
CN106691443A (zh) * | 2017-01-11 | 2017-05-24 | 中国科学技术大学 | 基于脑电的穿戴式司机防疲劳智能监测预警系统 |
CN108537704A (zh) * | 2018-04-17 | 2018-09-14 | 深圳市心流科技有限公司 | 课堂评测方法、装置及计算机可读存储介质 |
CN111160239A (zh) * | 2019-12-27 | 2020-05-15 | 中国联合网络通信集团有限公司 | 专注度评估方法和装置 |
CN111956217A (zh) * | 2020-07-15 | 2020-11-20 | 山东师范大学 | 一种面向实时脑电信号的眨眼伪迹识别方法及系统 |
CN116348042A (zh) * | 2020-08-25 | 2023-06-27 | 英乐爱有限公司 | 用於量化注意力的方法及系統 |
CN112546390A (zh) * | 2020-11-23 | 2021-03-26 | 苏州中科先进技术研究院有限公司 | 一种注意力训练方法、装置、计算机设备及存储介质 |
CN113076885A (zh) * | 2021-04-09 | 2021-07-06 | 中山大学 | 一种基于人眼动作特征的专注度分级方法及系统 |
CN113558621A (zh) * | 2021-07-23 | 2021-10-29 | 福州数据技术研究院有限公司 | 一种驾驶员疲劳检测与提醒的方法和系统 |
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 |
CN115067971A (zh) * | 2022-05-18 | 2022-09-20 | 上海暖禾脑科学技术有限公司 | 基于脑电信号反馈控制虚拟对象的神经反馈系统 |
Non-Patent Citations (1)
Title |
---|
吴昊: "基于前额单通道脑电分析的睁闭眼状态检测", 计算机应用与软件, vol. 40, no. 7, 12 July 2023 (2023-07-12), pages 50 - 54 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117257303A (zh) * | 2023-11-21 | 2023-12-22 | 北京视友科技有限责任公司 | 一种焦虑检测方法、装置、电子设备及存储介质 |
CN117257303B (zh) * | 2023-11-21 | 2024-02-06 | 北京视友科技有限责任公司 | 一种焦虑检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Raut et al. | Global waves synchronize the brain’s functional systems with fluctuating arousal | |
CN109464130B (zh) | 睡眠辅助方法、系统及可读存储介质 | |
Coull et al. | SMA selectively codes the active accumulation of temporal, not spatial, magnitude | |
CN116671938A (zh) | 一种任务执行方法、装置、存储介质及电子设备 | |
Kloosterman et al. | Top-down modulation in human visual cortex predicts the stability of a perceptual illusion | |
CN113367657B (zh) | 基于高频脑电睡眠质量评价方法、装置、设备和存储介质 | |
US20080154148A1 (en) | Method and apparatus for operating terminal by using brain waves | |
Rodrigue et al. | Spatio-temporal detection of divided attention in reading applications using EEG and eye tracking | |
Yaacob et al. | Application of artificial intelligence techniques for brain-computer interface in mental fatigue detection: a systematic review (2011-2022) | |
CN112102938A (zh) | 一种睡眠分期方法及装置 | |
CN116153522B (zh) | 一种基于皮质-肌肉-皮质网络图的模型训练方法及装置 | |
Al-shammari et al. | Attention enhancement system for college students with brain biofeedback signals based on virtual reality | |
KR102295808B1 (ko) | 개인의 작업 메모리 부하에 영향을 미치는 센스 입력들의 식별 | |
Frid et al. | What technology can and cannot offer an ageing population: Current situation and future approach | |
CN116661609B (zh) | 一种认知康复训练方法、装置、存储介质及电子设备 | |
CN116343314A (zh) | 一种表情识别方法、装置、存储介质及电子设备 | |
CN112070141B (zh) | 一种融合注意力检测的ssvep异步分类方法 | |
Krishna et al. | An iot model to improve cognitive skills of student learning experience using neurosensors | |
Kalafatovich et al. | Prediction of memory retrieval performance using EAR-EEG signals | |
CN115202606A (zh) | 一种音频信号控制方法及装置 | |
Stins et al. | Unveiling intermittency in the control of quiet upright standing: beyond automatic behavior | |
CN111427450A (zh) | 一种情绪识别的方法、系统、设备及可读存储介质 | |
CN116942180A (zh) | 一种多特征加权融合的脑电分类方法及装置 | |
CN112774037A (zh) | 一种植入式闭环自响应系统中数据传输方法和系统 | |
Rostami et al. | Evaluation of mental workload and familiarity in human computer interaction with integrated development environments using single-channel EEG |
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 |