CN117158973B - 一种注意力稳定性评价方法、系统、装置及存储介质 - Google Patents
一种注意力稳定性评价方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN117158973B CN117158973B CN202311457817.7A CN202311457817A CN117158973B CN 117158973 B CN117158973 B CN 117158973B CN 202311457817 A CN202311457817 A CN 202311457817A CN 117158973 B CN117158973 B CN 117158973B
- Authority
- CN
- China
- Prior art keywords
- attention
- data
- evaluation
- evaluation index
- index
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013210 evaluation model Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 59
- 238000007781 pre-processing Methods 0.000 claims description 22
- 210000004556 brain Anatomy 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 11
- 230000002688 persistence Effects 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013097 stability assessment Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000036626 alertness Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种注意力稳定性评价方法、系统、装置及存储介质，其属于数据处理技术领域，该方法包括：解析脑电数据得到脑电数据在多个频段上的参数；根据脑电数据在多个频段上的参数得到注意力评价指标；根据注意力评价指标和评估模型得到评估结果。本申请具有提高评估注意力稳定性的准确度的效果。
Description
技术领域
本申请涉及数据处理技术领域，尤其是涉及一种注意力稳定性评价方法、系统、装置及存储介质。
背景技术
注意是心理活动对一定对象的指向和集中，而注意的稳定性是注意力的一个重要特质，是指个体在执行任务的一段时间内，其注意力是否稳定，即是否能够在一定时间内保持稳定的注意力水平。
目前广泛使用的注意力稳定性评价方法主要是基于传统的行为学和心理学实验方法，如N-back任务、连续执行任务等。这些方法通过测量测试对象在不同任务条件下作出的反应及反应的正确率等指标来评估其注意力稳定性。虽然这些方法已经被证明是有效的，但它们的主要缺点是在测量时需要在实验室环境下进行，而且需要专业设备和实验人员的指导，难以实现在线、便捷和无需专业指导的评估。
同时，也存在使用脑电评价注意力稳定性的方法，例如P300 ERP和MMN ERP。这些方法通过测量测试对象在不同任务条件下事件相关电位（event related potential,EPR）的潜伏期和振幅来评估注意力稳定性。虽然这些方法已经被证明是有效的，但同样存在需要精确控制实验条件以及对实验刺激和任务类型的依赖性高的缺点。
为此，如何在降低成本的情况下增加评估注意力稳定性的准确度成为研究热点。
发明内容
本申请提供一种注意力稳定性评价方法、系统、装置及存储介质，具有提高评估注意力稳定性的准确度的特点。
本申请目的一是提供一种注意力稳定性评价方法。
本申请的上述申请目的一是通过以下技术方案得以实现的：
一种注意力稳定性评价方法，包括：
解析脑电数据得到脑电数据在多个频段上的参数；
根据所述脑电数据在多个频段上的参数得到注意力评价指标；
根据所述注意力评价指标和评估模型得到评估结果。
通过采用上述技术方案，首先，本申请是以脑电数据作为评估测试对象的注意力稳定性情况的依据，使得本申请不需要精确控制实验条件，因此所采集的脑电数据可以更好地反映测试对象在日常生活中的注意力表现和稳定性，使得评估注意力稳定性的准确度更高。另外，本申请是通过计算测试对象的脑电数据在多个频段上的参数，再根据参数计算注意力评价指标得到评估结果的，使得本申请计算测试对象的注意力稳定性涉及的数据更加丰富，准确度也更高。
本申请在一较佳示例中可以进一步配置为：所述根据所述脑电数据在多个频段上的参数得到注意力评价指标，包括：
确定稳定性频段和关联性频段，所述稳定性频段和所述关联性频段分别为所述多个频段中的至少一个频段，且所述稳定性频段和所述关联性频段不重叠；
根据所述脑电数据分别在所述稳定性频段和所述关联性频段上的参数得到注意力评价指标。
通过采用上述技术方案，本申请设定稳定性频段和关联性频段，再计算脑电数据分别在稳定性频段和关联性频段上的参数得到注意力评价指标，使所得到的注意力评价指标的准确度更高，从而为评估得到准确的注意力稳定性提供数据支持。
本申请在一较佳示例中可以进一步配置为：通过如下计算公式计算所述注意力评价指标：
，
其中，Pi是第i时刻的注意力评价指标，Fi1是第i时刻所述脑电数据在所述关联性频段上的参数，Fi2是第i时刻所述脑电数据在所述稳定性频段上的参数，K1是第一系数，K2是第二系数。
本申请在一较佳示例中可以进一步配置为：所述根据所述注意力评价指标和评估模型得到评估结果，包括：
获取测试时长T内每一时刻所述脑电数据对应的注意力评价指标得到数据集；
获取持续时间阈值和评价阈值；
将所述数据集中，连续的时刻达到连续时间阈值且注意力评价指标达到所述评价阈值的注意力评价指标标记为数据子集；
根据所述数据子集中的注意力评价指标得到评估指标；
根据所述评估指标得到所述评估结果。
通过采用上述技术方案，本申请在数据集的基础上，采用持续时间阈值和评价阈值提取出数据子集，再采用更有针对性的数据子集作为进一步评估测试对象的注意力稳定性的数据，从而减少数据干扰，以为评估得到准确的注意力稳定性提供数据支持。
本申请在一较佳示例中可以进一步配置为：所述评估指标包括有效注意指标；
通过如下计算公式计算所述有效注意指标：
，
其中，Bl是所述数据子集中的注意力评价指标对应的评估指标，t是数据子集的时间长度，Pmax是预设的注意力评价指标的最大值，Pi是数据子集中的第i个注意力评价指标，N是预设的注意力评价指标等级的数量，l是所述数据子集对应的等级编号。
本申请在一较佳示例中可以进一步配置为：所述评估指标包括注意持续性指标，
通过如下计算公式计算所述注意持续性指标：
，
其中，Cl是所述数据子集中的注意力评价指标对应的评估指标，T是测试时长，Pmax是预设的注意力评价指标的最大值，Tj是第j个数据子集的时长，Max(Tj)是取多个数据子集中时间最长的数据子集的时长，N是预设的注意力评价指标等级的数量，l是所述数据子集对应的等级编号。
本申请在一较佳示例中可以进一步配置为：所述评估指标包括注意效率指标；
通过如下计算公式计算所述注意效率指标：
，
其中，Dl是所述数据子集中的注意力评价指标对应的评估指标，T是测试时长，Pmax是预设的注意力评价指标的最大值，K是指在测试时长内的数据子集数量，Tk是第k个数据子集的时长，N是预设的注意力评价指标等级的数量，l是所述数据子集对应的等级编号。
通过采用上述技术方案，本申请提供了上述三种用于根据数据子集中的注意力评价指标得到评估指标的评估方式，以能够得到有效注意指标、注意持续性指标和注意效率指标，从而使所得到的评估指标的数据更加丰富，进而为依据评估指标得到准确更高的评估结果提供数据保障。
本申请目的二是提供一种注意力稳定性评价系统。
本申请的上述申请目的二是通过以下技术方案得以实现的：
一种注意力稳定性评价系统，用于执行上述任意一种注意力稳定性评价方法，包括依次通信连接的脑电仪、脑电数据采集模块、数据预处理模块、数据分析模块以及数据报告模块；
所述脑电仪用于采集测试对象的脑电信号；
所述脑电数据采集模块用于将所述脑电信号转换为脑电数据；
所述数据预处理模块用于解析所述脑电数据得到脑电数据在多个频段上的参数，还用于根据所述脑电数据在多个频段上的参数得到注意力评价指标：
所述数据分析模块用于根据所述注意力评价指标和评估模型得到评估结果；
所述数据报告模块用于展示所述评估结果。
本申请目的三是提供一种注意力稳定性评价装置。
本申请的上述申请目的三是通过以下技术方案得以实现的：
一种注意力稳定性评价装置，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现上述任意一种注意力稳定性评价方法。
本申请目的四是提供一种计算机可读存储介质，能够存储相应的程序。
本申请的上述申请目的四是通过以下技术方案得以实现的：
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任意一种注意力稳定性评价方法。
综上所述，本申请包括以下至少一种有益技术效果：
1.本申请是以脑电数据作为评估测试对象的注意力稳定性情况的依据，使得本申请不需要精确控制实验条件，因此所采集的脑电数据可以更好地反映测试对象在日常生活中的注意力表现和稳定性，使得评估注意力稳定性的准确度更高；
2.本申请设定稳定性频段和关联性频段，再计算脑电数据分别在稳定性频段和关联性频段上的参数得到注意力评价指标，使所得到的注意力评价指标准确更高；
3.本申请还提供了多种用于根据数据子集中的注意力评价指标得到评估指标的评估方式，以能够得到有效注意指标、注意持续性指标和注意效率指标，从而使所得到的评估指标的数据更加丰富，进而为依据评估指标得到准确更高的评估结果提供数据保障。
附图说明
图1是本申请实施例的注意力稳定性评价系统框图。
图2是本申请实施例的注意力稳定性评价方法的流程图。
图3是本申请方法实施例的评估模型依据数据子集得到评估指标的示例图。
附图标记说明：1、脑电仪；2、脑电数据采集模块；3、数据预处理模块；4、数据分析模块；5、数据报告模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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全部其他实施例，都属于本申请保护的范围。
图1示出了根据本申请实施例的注意力稳定性评价系统框图，该系统包括脑电仪1、脑电数据采集模块2、数据预处理模块3、数据分析模块4以及数据报告模块5。
其中，脑电仪1上设置有多个脑电电极，在将脑电仪1佩戴在测试对象的头上时，由脑电电极采集测试对象头部上的脑电信号，并将采集的脑电信号传输给脑电数据采集模块2。为了能够实现灵活测量脑电信号，本申请的脑电仪1采用的是便携式脑电仪，具体的便携式脑电仪的型号在此不作限制。
在一个具体的示例中，脑电数据采集模块2、数据预处理模块3、数据分析模块4以及数据报告模块5可以集成在一个设备中，以减少本申请的注意力稳定性评价系统的体积。在其他示例中，脑电数据采集模块2、数据预处理模块3、数据分析模块4以及数据报告模块5也可以独立设置，从而便于实现灵活采集测试对象的脑电信号的目的，但在各个模块分开设置时，脑电数据采集模块2、数据预处理模块3、数据分析模块4以及数据报告模块5依次通信连接，具体的通信方式可以是有线通信连接，如采用电线通信连接，还可以是无线通信连接，如采用WIFI通信模块、蓝牙通信模块、4G/5G通信模块等进行无线通信连接。
具体地，脑电数据采集模块2是基于TIADS1299芯片而设计的，即脑电数据采集模块2是在TIADS1299芯片的基础上集成了其他的功能模块。在本示例中，脑电采集模块对脑电信号进行滤波和放大后，将脑电信号转化为数字化的脑电数据，并将脑电数据传输给数据预处理模块3。数据预处理模块3采用MCU300系列的芯片，具体可以采用STM32F407芯片，STM32F407是一款基于ARM CortexM3内核的32位嵌入式微处理器，数据预处理模块3采用IIR滤波器对脑电数据进行软件滤波，再对脑电数据进行频谱分析得到分析结果，最后将分析结果传输给数据分析模块4。数据分析模块4根据分析结果和预存的评估模型，对测试对象的注意力稳定性进行评估，以生成评估结果，并将评估结果传输至数据报告模块5中进行展示，所以数据报告模块5可以为显示屏。
需要说明的是，图1所示的注意力稳定性评价系统仅是解释性的，绝不是为了限制本发明实施例的应用或用途。例如，该评价系统中可以包括多个脑电仪1，而脑电数据采集模块2、数据预处理模块3、数据分析模块4以及数据报告模块5能够互相配合，以能够实现同时处理多个脑电仪1上传的脑电数据的目的。
图2示出了根据本申请实施例的注意力稳定性评价方法的流程图，该方法的主要流程描述如下。
步骤S100、获取脑电数据。
由评价系统的实施例可知，脑电数据是由脑电仪1采集测试人员的脑电信号转换而得的。而且在脑电仪1采集到脑电信号后，脑电信号还经过脑电数据采集模块2的处理才传输至数据预处理模块3中，即数据预处理模块3接收到脑电数据。
步骤S200、解析脑电数据得到脑电数据在多个频段上的参数。
数据预处理模块3在接收到脑电数据后，先将处于时域的脑电数据转换到频域上。具体地，本申请提前设置有多个频段，然后将脑电数据分别转换每一个频段上，根据脑电数据转换到对应的频段上的强度值，得到脑电数据在该频段上的参数。也就是说，脑电数据在频段上的参数是指其转换到频段后的强度值。
在一个具体的示例中，数据预处理模块3提前设置的频段包括4-7Hz和13-30Hz，并为了便于区分脑电数据在不同的频段上的强度值，而将脑电数据转换到4-7Hz后得到的强度值作为第一参数，而将脑电数据转换到13-30Hz后得到的强度值作为第二参数。需要说明的是，由于4-7Hz位于θ脑电波频段（4-8Hz）内，而θ脑电波频段为人体的睡眠初期阶段，这一阶段人体注意力下降，而13-30Hz位于β脑电波频段（14-100Hz）内，β脑电波频段与警觉、思考、注意力和集中精神有关，所以本申请以选择的频段为4-7Hz和13-30Hz为例，作为用来评估测试对象的注意力集中情况及注意力稳定性情况。但在其他示例中，也可以根据需要设置多个频段，且频段的选择也可以为其他区间，本申请在此均不作限制。
另外，为了深入评估不同测试对象之间的注意力稳定性差异，降低评估过程中影响因素对评估结果的影响，如时间影响因素，所以本申请采集的是一段时间内的测试对象的脑电数据，该时间段也称为测试时长，测试时长可根据实际需要确定具体的时间长度，本申请不作限制。同时，针对测试时长内所采集到的脑电数据，均会把每一时刻的脑电数据转换到对应的频段上，并获取每一时刻对应频段上的参数。为了便于区分测试时长内的不同频段上的参数，本示例将测试时长内的每一时刻所得到的第一参数组成第一参数数组，而将测试时长内的每一时刻所得的第二参数组成第二参数数组。
步骤S300、根据脑电数据在多个频段上的参数得到注意力评价指标。
由步骤S200可知，数据预处理模块3内提前设置有4-7Hz和13-30Hz两个频段，而且13-30Hz位于β脑电波频段内，所以本示例以13-30Hz确定为稳定性频段，而将位于θ脑电波频段内的4-7Hz确定为关联性频段。在其他示例，也可以根据需要设置稳定性频段和关联性频段为其他的脑电波范围区间，同时，为了便于分析测试对象在稳定性频段和关联性频段之间的强度值，所选择的稳定性频段和关联性频段之间尽量不重叠，甚至间隔一定的距离。
数据预处理模块3在确定稳定性频段和关联性频段后，再根据脑电数据分别在稳定性频段和关联性频段上的参数得到注意力评价指标。具体地，由于本示例采集的是测试时长内的脑电数据，而且脑电数据在测试时长内，在稳定性频段（13-30Hz）所得到的是第二参数数组，而在关联性频段（4-7Hz）所得到的是第一参数数组，所以具体的计算注意力评价指标为：
，
其中，Pi是第i时刻的注意力评价指标，Fi1是第i时刻脑电数据在关联性频段上的参数，Fi2是第i时刻脑电数据在稳定性频段上的参数，K1是第一系数，K2是第二系数，第一系数和第二系数均是提前设置的。
由此可知，当测试时长越长，测试时长内的时刻越多，则得到的注意力评价指标数量越多，从而为评估测试对象的注意力稳定性提供数据支持。当然，在测试时长过长时，大量的注意力评价指标也会增加数据预处理模块3的计算量，所以设置测试时长时，还需要根据实际需要进行设置。
为了便于数据预处理模块3进行数据管理，本示例将在测试时长内，计算同一个测试对象的脑电数据所得的多个注意力评价指标组成一个数据集，然后将数据集传输给数据分析模块4。
步骤S400、根据注意力评价指标和评估模型得到评估结果。
数据分析模块4接收数据预处理模块3传输的数据集，同时获取存储在其内部的评估模型，然后将数据集输入评估模型中，由评估模型处理数据集并输出评估结果。具体地，评估模型处理数据集并输出评估结果的具体过程如下：
步骤S410、获取持续时间阈值和评价阈值。
持续时间阈值是提前设定的并存储在数据分析模块4中，持续时间阈值的设置是为了便于从数据集中提取可用来进一步作为评估测试对象的注意力稳定性的注意力评价指标的，所以持续时间阈值为连续的多个时刻。在一个具体的示例中，持续时间阈值可以为5秒，在其他示例中，持续时间阈值还可以为其他连续的多个时刻。
评价阈值也是提前设定并存储在数据分析模块4中的，评价阈值的数量可以为多个。在一个具体的示例中，评价阈值设置有三个，分别为A1、A2、A3且A1、A2、A3分别对应一个等级，按等级由低到高分别是L1、L2、L3。具体地，若注意力评价指标大于或等于A1，则对应等级为L1；若注意力评价指标位于A2和A3之间，则对应等级为L2；而若注意力评价指标大于A3，则对应等级为L3。
步骤S420、将数据集中，连续的时刻达到连续时间阈值且注意力评价指标达到评价阈值的注意力评价指标标记为数据子集。
具体地，在得到数据集、持续时间阈值和评价阈值后，将数据集中，连续的时刻达到连续时间阈值且注意力评价指标达到评价阈值的注意力评价指标提取出来，作为数据子集。需要说明的是，一个数据集中可能存在多段连续的时刻达到连续时间阈值且注意力评价指标达到评价阈值的注意力评价指标，所以一个数据集中可能得到多个数据子集。还需要说明的是，本示例是以每一个等级对应的连续时间阈值相等为例进行说明的，即L1、L2、L3均对应同一个连续时间阈值，在其他示例中，每一个等级对应的连续时间阈值可以不相等。
步骤S430、根据数据子集中的注意力评价指标得到评估指标。
为了保障评估的准确性，本申请的评估模型提供了三种评估方式，每一种评估方式对应一个评估指标，本申请为了便于区分，而依次称为有效注意指标、注意持续性指标和注意效率指标。具体地，三种评估方式分别对应下述的步骤S431-步骤S433。
步骤S431、根据数据子集中的注意力评价指标得到有效注意指标，具体的计算公式为：
，
其中，Bl是数据子集中的注意力评价指标对应的有效注意指标，t是数据子集的时间长度，Pmax是预设的注意力评价指标的最大值，Pi是数据子集中的第i个注意力评价指标，N是预设的注意力评价指标等级的数量，l是数据子集对应的等级编号。
需要说明的是，在上述步骤S431中，如果其中一个等级上具有多个数据子集，则计算多个数据子集中每一个数据子集中包含的注意力评价指标的均值，再采用均值最大的数据子集按照上述公式计算得到有效注意指标。为了便于说明，举例如图3所示，本示例中N=1，持续时间阈值为5秒，评价阈值为50，最大注意力评价指标Pmax为100，则在L1等级上提取出两个数据子集，分别为Q1和Q2（如图3所示），其中，Q1中包含的注意力评价指标依次为50、52、58、61、76、73，而Q2中包含的注意力评价指标依次为58、56、58、69、71、76、79、82、66，则得到：Q1对应计算得到的均值为61.67，而Q2对应计算得到的均值为68.33，因此，取数据子集Q2按照上述计算公式进行计算，得到的有效注意力评价指标B=84.17。
步骤S432、根据数据子集中的注意力评价指标得到注意持续性指标，具体的计算公式为：
，
其中，Cl是数据子集中的注意力评价指标对应的注意持续性指标，T是测试时长，Pmax是预设的注意力评价指标的最大值，Tj是第j个数据子集的时长，Max(Tj)是取多个数据子集中时间最长的数据子集的时长，N是预设的注意力评价指标等级的数量，l是数据子集对应的等级编号。
为了便于说明计算注意持续性指标的过程，依然采用如图3所示的示例，本示例中N=1，持续时间阈值为5秒，评价阈值为50，最大注意力评价指标Pmax为100，则在L1等级上提取出两个数据子集，分别为Q1和Q2（如图3所示），其中，Q1中包含的注意力评价指标依次为50、52、58、61、76、73，而Q2中包含的注意力评价指标依次为58、56、58、69、71、76、79、82、66，由于Q1时长为6秒，Q2时长为9秒，取Q1和Q2中的最大值，即取9秒，而测试时长T=30秒，则根据上述公式计算得到注意持续性指标C=65。
步骤S433、根据数据子集中的注意力评价指标得到注意效率指标，具体的计算公式为：
，
其中，Dl是数据子集中的注意力评价指标对应的注意效率指标，T是测试时长，Pmax是预设的注意力评价指标的最大值，K是指在测试时长内的数据子集数量，Tk是第k个数据子集的时长，N是预设的注意力评价指标等级的数量，l是数据子集对应的等级编号。
为了便于说明计算注意持续性指标的过程，依然采用如图3所示的示例，本示例中N=1，持续时间阈值为5秒，评价阈值为50，最大注意力评价指标Pmax为100，则在L1等级上提取出两个数据子集，分别为Q1和Q2（如图3所示），其中，Q1中包含的注意力评价指标依次为50、52、58、61、76、73，而Q2中包含的注意力评价指标依次为58、56、58、69、71、76、79、82、66，则依次将数据子集Q1的时长6秒和数据子集Q2的时长9秒输入上述公式中进行计算，得到注意持续性指标D=75。
需要说明的是，在采用步骤S431-步骤S433中的三种评估方式来分别计算数据子集对应的评估指标时，若L1、L2、L3等级上均提取出至少一个数据子集，则优先以L3等级上的数据子集作为评估测试对象的注意力稳定性的依据；若L3等级上没有数据子集，L1和L2等级上均提取出至少一个数据子集，则优先以L2等级上的数据子集作为评估测试对象的注意力稳定性的依据；若L2和L3等级上均没有数据子集，L1等级上提取出至少一个数据子集，则以L1等级上的数据子集作为评估测试对象的注意力稳定性的依据。若测试对象的脑电数据在L1、L2、L3等级上均未提取出任意一个数据子集，则评估模型直接输出B=C=D=0。
由此可知，数据子集分别通过步骤S431-步骤S433处理后，得到有效注意指标、注意持续性指标和注意效率指标，即评估指标包括有效注意指标、注意持续性指标和注意效率指标。
步骤S440、根据评估指标得到评估结果。
得到评估指标后，根据评估指标匹配对应的稳定性等级，再根据稳定性等级确定测试对象的注意力稳定性。
在一个具体的示例中，稳定性等级的设置如下：
0-20为五级，对应注意力稳定性较差；
21-40为四级，对应注意力稳定性一般；
41-60为三级，对应注意力稳定性好；
61-80为二级，对应注意力稳定性较好；
81-100为一级，对应注意力稳定性极好。
在得到评估指标后，根据评估指标中的有效注意指标、注意持续性指标、注意效率指标分别落入的稳定性等级范围，确定测试对象的评估结果，例如测试对象b的有效注意指标为48，注意持续性指标为32，注意效率指标为50，由于48落入稳定性三级中，32落入稳定性四级中，50落入稳定性三级中，所以评估结果可以为[有效注意指标：注意力有效性好；注意持续性指标：注意力持续性一般；注意效率指标：注意力效率好]。在本示例中，数据分析模块4在得到评估结果后，将评估结果发送至数据报告模块5中进行展示，以便于测试对象直观的获知其对应的注意力稳定性情况，而针对注意力不稳定的情况，能够进行早期干预和治疗，有助于预防注意力缺陷症状进一步发展。
为了更好地执行上述方法的程序，本申请还提供一种注意力稳定性评价装置，该装置包括存储器和处理器。
其中，存储器可用于存储指令、程序、代码、代码集或指令集。存储器可以包括存储程序区和存储数据区，其中存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令以及用于实现上述注意力稳定性评价方法的指令等；存储数据区可存储上述注意力稳定性评价方法中涉及到的数据等。
处理器可以包括一个或者多个处理核心。处理器通过运行或执行存储在存储器内的指令、程序、代码集或指令集，调用存储在存储器内的数据，执行本申请的各种功能和处理数据。处理器可以为特定用途集成电路、数字信号处理器、数字信号处理装置、可编程逻辑装置、现场可编程门阵列、中央处理器、控制器、微控制器和微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。
本申请还提供一种计算机可读存储介质，例如包括：U盘、移动硬盘、只读存储器（Read Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。该计算机可读存储介质存储有能够被处理器加载并执行上述注意力稳定性评价方法的计算机程序。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (6)
1.一种注意力稳定性评价方法，其特征在于，包括：
解析脑电数据得到脑电数据在多个频段上的参数；
根据所述脑电数据在多个频段上的参数得到注意力评价指标；
根据所述注意力评价指标和评估模型得到评估结果，包括：
获取测试时长T内每一时刻所述脑电数据对应的注意力评价指标得到数据集；
获取持续时间阈值和评价阈值；
将所述数据集中，连续的时刻达到连续时间阈值且注意力评价指标达到所述评价阈值的注意力评价指标标记为数据子集；
根据所述数据子集中的注意力评价指标得到评估指标，所述评估指标包括有效注意指标、注意持续性指标和注意效率指标；
通过如下计算公式计算所述有效注意指标：
，
其中，Bl是所述数据子集中的注意力评价指标对应的评估指标，t是数据子集的时间长度，Pmax是预设的注意力评价指标的最大值，Pi是数据子集中的第i个注意力评价指标，N是预设的注意力评价指标等级的数量，l是所述数据子集对应的等级编号；
通过如下计算公式计算所述注意持续性指标：
，
其中，Cl是所述数据子集中的注意力评价指标对应的评估指标，T是测试时长，Pmax是预设的注意力评价指标的最大值，Tj是第j个数据子集的时长，Max(Tj)是取多个数据子集中时间最长的数据子集的时长，N是预设的注意力评价指标等级的数量，l是所述数据子集对应的等级编号；
通过如下计算公式计算所述注意效率指标：
，
其中，Dl是所述数据子集中的注意力评价指标对应的评估指标，T是测试时长，Pmax是预设的注意力评价指标的最大值，K是指在测试时长内的数据子集数量，Tk是第k个数据子集的时长，N是预设的注意力评价指标等级的数量，l是所述数据子集对应的等级编号；
根据所述评估指标得到所述评估结果。
2.根据权利要求1所述的注意力稳定性评价方法，其特征在于，所述根据所述脑电数据在多个频段上的参数得到注意力评价指标，包括：
确定稳定性频段和关联性频段，所述稳定性频段和所述关联性频段分别为所述多个频段中的至少一个频段，且所述稳定性频段和所述关联性频段不重叠；
根据所述脑电数据分别在所述稳定性频段和所述关联性频段上的参数得到注意力评价指标。
3.根据权利要求2所述的注意力稳定性评价方法，其特征在于，通过如下计算公式计算所述注意力评价指标：
，
其中，Pi是第i时刻的注意力评价指标，Fi1是第i时刻所述脑电数据在所述关联性频段上的参数，Fi2是第i时刻所述脑电数据在所述稳定性频段上的参数，K1是第一系数，K2是第二系数。
4.一种注意力稳定性评价系统，其特征在于，用于执行如权利要求1-3中任意一项所述的方法，包括依次通信连接的脑电仪(1)、脑电数据采集模块(2)、数据预处理模块(3)、数据分析模块(4)以及数据报告模块(5)；
所述脑电仪(1)用于采集测试对象的脑电信号；
所述脑电数据采集模块(2)用于将所述脑电信号转换为脑电数据；
所述数据预处理模块(3)用于解析所述脑电数据得到脑电数据在多个频段上的参数，还用于根据所述脑电数据在多个频段上的参数得到注意力评价指标：
所述数据分析模块(4)用于根据所述注意力评价指标和评估模型得到评估结果，包括：
获取测试时长T内每一时刻所述脑电数据对应的注意力评价指标得到数据集；
获取持续时间阈值和评价阈值；
将所述数据集中，连续的时刻达到连续时间阈值且注意力评价指标达到所述评价阈值的注意力评价指标标记为数据子集；
根据所述数据子集中的注意力评价指标得到评估指标，所述评估指标包括有效注意指标、注意持续性指标和注意效率指标；
通过如下计算公式计算所述有效注意指标：
，
其中，Bl是所述数据子集中的注意力评价指标对应的评估指标，t是数据子集的时间长度，Pmax是预设的注意力评价指标的最大值，Pi是数据子集中的第i个注意力评价指标，N是预设的注意力评价指标等级的数量，l是所述数据子集对应的等级编号；
通过如下计算公式计算所述注意持续性指标：
，
其中，Cl是所述数据子集中的注意力评价指标对应的评估指标，T是测试时长，Pmax是预设的注意力评价指标的最大值，Tj是第j个数据子集的时长，Max(Tj)是取多个数据子集中时间最长的数据子集的时长，N是预设的注意力评价指标等级的数量，l是所述数据子集对应的等级编号；
通过如下计算公式计算所述注意效率指标：
，
其中，Dl是所述数据子集中的注意力评价指标对应的评估指标，T是测试时长，Pmax是预设的注意力评价指标的最大值，K是指在测试时长内的数据子集数量，Tk是第k个数据子集的时长，N是预设的注意力评价指标等级的数量，l是所述数据子集对应的等级编号；
根据所述评估指标得到所述评估结果；
所述数据报告模块(5)用于展示所述评估结果。
5.一种注意力稳定性评价装置，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如权利要求1-3中任意一项所述的方法。
6.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-3中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311457817.7A CN117158973B (zh) | 2023-11-04 | 2023-11-04 | 一种注意力稳定性评价方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311457817.7A CN117158973B (zh) | 2023-11-04 | 2023-11-04 | 一种注意力稳定性评价方法、系统、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117158973A CN117158973A (zh) | 2023-12-05 |
| CN117158973B true CN117158973B (zh) | 2024-03-15 |
Family
ID=88930366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311457817.7A Active CN117158973B (zh) | 2023-11-04 | 2023-11-04 | 一种注意力稳定性评价方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117158973B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103815902A (zh) * | 2013-11-22 | 2014-05-28 | 刘志勇 | 基于脑电频域特征指标化算法的课堂教学评估系统及方法 |
| CN109009171A (zh) * | 2018-08-01 | 2018-12-18 | 深圳市心流科技有限公司 | 注意力测评方法、系统及计算机可读存储介质 |
| CN110123314A (zh) * | 2019-04-24 | 2019-08-16 | 华南理工大学 | 基于脑电信号判断大脑专注放松状态的方法 |
| DE202021106795U1 (de) * | 2021-12-14 | 2022-02-04 | Jupitara Hazarika | Ein System zur Diagnose der kognitiven Wirkung von Tele-Serien auf das menschliche Gehirn unter Verwendung entrauschter EEG-Signale |
| CN114343640A (zh) * | 2022-01-07 | 2022-04-15 | 北京师范大学 | 注意力评估方法及电子设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9269046B2 (en) * | 2012-01-18 | 2016-02-23 | Brainscope Company, Inc. | Method and device for multimodal neurological evaluation |
| US11847926B2 (en) * | 2019-01-30 | 2023-12-19 | Tarbiat Modares University | Attention-based neurofeedback training |
-
2023
- 2023-11-04 CN CN202311457817.7A patent/CN117158973B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103815902A (zh) * | 2013-11-22 | 2014-05-28 | 刘志勇 | 基于脑电频域特征指标化算法的课堂教学评估系统及方法 |
| CN109009171A (zh) * | 2018-08-01 | 2018-12-18 | 深圳市心流科技有限公司 | 注意力测评方法、系统及计算机可读存储介质 |
| CN110123314A (zh) * | 2019-04-24 | 2019-08-16 | 华南理工大学 | 基于脑电信号判断大脑专注放松状态的方法 |
| DE202021106795U1 (de) * | 2021-12-14 | 2022-02-04 | Jupitara Hazarika | Ein System zur Diagnose der kognitiven Wirkung von Tele-Serien auf das menschliche Gehirn unter Verwendung entrauschter EEG-Signale |
| CN114343640A (zh) * | 2022-01-07 | 2022-04-15 | 北京师范大学 | 注意力评估方法及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 基于课堂视频的学生课堂参与度分析;缪佳;禹东川;;教育生物学杂志(第04期);第26-32页 * |
| 缪佳 ; 禹东川 ; .基于课堂视频的学生课堂参与度分析.教育生物学杂志.2019,(第04期),第26-32页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117158973A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
| CN111544015B (zh) | 基于认知力的操控工效分析方法、设备及系统 | |
| CN101822863A (zh) | 情绪调节装置和方法 | |
| CN108392211A (zh) | 一种基于多信息融合的疲劳检测方法 | |
| CN111598451B (zh) | 基于任务执行能力的操控工效分析方法、设备及系统 | |
| US11406304B2 (en) | Systems and methods for physiological sign analysis | |
| CN106236027B (zh) | 一种脑电与温度相结合的抑郁人群判定系统 | |
| CN102246705A (zh) | 一种利用信号处理技术分析动物行为的方法和系统 | |
| CN106901727A (zh) | 一种基于脑电信号的抑郁症风险筛查装置 | |
| CN105726013A (zh) | 一种具有心电信号质量判别功能的心电监测系统 | |
| CN106510702B (zh) | 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统及方法 | |
| CN103405225A (zh) | 一种获取疼感评测指标的方法、装置及设备 | |
| CN106859673A (zh) | 一种基于睡眠脑电的抑郁症风险筛查系统 | |
| Qin et al. | Stress level evaluation using BP neural network based on time-frequency analysis of HRV | |
| CN109106346A (zh) | 抑郁情绪筛查及调节系统 | |
| CN107865638A (zh) | 计算机可读存储介质、入耳式耳塞检测装置 | |
| CN117158973B (zh) | 一种注意力稳定性评价方法、系统、装置及存储介质 | |
| CN106175698B (zh) | 睡眠状态分析中睡眠周期检测装置 | |
| CN109431499B (zh) | 植物人家庭看护辅助系统和辅助方法 | |
| Lin et al. | Design and implementation of wireless multi-channel EEG recording system and study of EEG clustering method | |
| CN107280650B (zh) | 生命体特征参数获取方法及装置 | |
| CN101716074A (zh) | 基于时间特性指标的诱发电位记录仪 | |
| CN214065040U (zh) | 油烟机声品质的评价装置以及油烟机 | |
| CN113729624A (zh) | 意识水平测定方法及计算机程序 | |
| CN117158972B (zh) | 一种注意力转移能力的评价方法、系统、装置及存储介质 |
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 |