TW202108077A - 專注力自動偵測方法和系統 - Google Patents
專注力自動偵測方法和系統 Download PDFInfo
- Publication number
- TW202108077A TW202108077A TW108131146A TW108131146A TW202108077A TW 202108077 A TW202108077 A TW 202108077A TW 108131146 A TW108131146 A TW 108131146A TW 108131146 A TW108131146 A TW 108131146A TW 202108077 A TW202108077 A TW 202108077A
- Authority
- TW
- Taiwan
- Prior art keywords
- focused
- concentration
- brain wave
- user
- wave signal
- Prior art date
Links
Images
Abstract
本發明提供一種專注力自動偵測方法,所述方法包括:接收使用者的腦電波信號;對所述腦電波信號進行預處理,所述預處理包括加窗處理、快速傅立葉變換、歸一化和濾波;對預處理後的腦電波信號進行特徵值運算得到特徵參數;利用所述特徵參數進行專注力指數運算得到運算結果;及根據所述運算結果判斷使用者是否專注。本發明還提供一種專注力自動偵測系統。本發明可更加準確的識別使用者的專注力狀態,並對所述專注力狀態進行標注,提高識別使用者的專注力狀態。
Description
本發明涉及一種專注力自動偵測方法和系統。
穿戴式的腦波偵側裝置提供了人們瞭解自身腦部活動的機會,也提供了量化學習指標的可能性。現有許多輔助學習工具或特定的應用程式,主要利用腦電波量測來提供專注力的評估或訓練輔助。傳統腦電波專注力演算法僅依靠單個頻段的腦電波信號,或偏重少數特定頻段的腦電波信號,或採用無正規化計算的時域能量閥值進行偵測。由於腦電波信號個體差異頗大,甚至同一個體在同日不同時段也會有能量差異,故此類演算法不僅需要頻繁地依使用者特性調準閥值,且通常偵測結果都具有高度波動的特性。
鑒於以上問題,本申請提出一種專注力自動偵測方法,更加準確的識別使用者的專注力狀態。
一方面,本申請提供一種專注力自動偵測方法,包括:
接收使用者的腦電波信號;
對所述腦電波信號進行預處理,所述預處理包括加窗處理、快速傅立葉變換、歸一化和濾波;
對預處理後的腦電波信號進行特徵值運算得到特徵參數;
利用所述特徵參數進行專注力指數運算得到運算結果;及
根據所述運算結果判斷使用者是否專注。
優選地,所述特徵參數包括所述腦電波信號中各頻段信號的能量、頻段信號比值及所述腦電波信號的分形維數。
優選地,所述根據所述運算結果判斷使用者是否專注包括:
比對所述運算結果與一閾值;
當所述運算結果大於或等於所述閾值時,確認所述使用者專注;及
當所述運算結果小於所述閾值時,確認所述使用者不專注。
優選地,所述方法還包括:
對使用者的專注力結果進行標注;
當所述運算結果大於或等於所述閾值時,確認所述使用者專注,將對應時間段內的腦電波信號標注為1;
當所述運算結果小於所述閾值時,確認所述使用者不專注,將對應時間段內的腦電波信號標注為0。
優選地,所述方法還包括:
對於相鄰兩專注事件中之短時間非專注事件,將小於波動時間容許閥值的非專注事件改設為專注狀態,並將所述短時間非專注事件對應的腦電波信號標注為1;
對於相鄰兩非專注事件中之短時間專注事件,將小於波動時間容許閥值的專注事件改設為非專注狀態,並將所述短時間專注事件對應的腦電波信號標注為0。
一方面,本申請提供一種專注力自動偵測系統,包括:
信號接收模組,用於接收使用者的腦電波信號;
信號處理模組,用於對所述腦電波信號進行預處理,所述預處理包括加窗處理、快速傅立葉變換、歸一化和濾波;
特徵值運算模組,用於對預處理後的腦電波信號進行特徵值運算得到特徵參數;
專注力指數運算模組,用於利用所述特徵參數進行專注力指數運算得到運算結果;及
判斷模組,用於根據所述運算結果判斷使用者是否專注。
優選地,所述特徵參數包括所述腦電波信號中各頻段信號的能量、頻段信號比值及所述腦電波信號的分形維數。
優選地,所述判斷模組還用於比對所述運算結果與一閾值;當所述運算結果大於或等於所述閾值時,確認所述使用者專注;及當所述運算結果小於所述閾值時,確認所述使用者不專注。
優選地,所述系統還包括標注模組,所述標注模組用於對使用者的專注力結果進行標注;
當所述運算結果大於或等於所述閾值時,確認所述使用者專注,所述標注模組將對應時間段內的腦電波信號標注為1;
當所述運算結果小於所述閾值時,確認所述使用者不專注,所述標注模組將對應時間段內的腦電波信號標注為0。
優選地,對於相鄰兩專注事件中之短時間非專注事件,將小於波動時間容許閥值的非專注事件改設為專注狀態,並將所述短時間非專注事件對應的腦電波信號標注為1;
對於相鄰兩非專注事件中之短時間專注事件,將小於波動時間容許閥值的專注事件改設為非專注狀態,並將所述短時間專注事件對應的腦電波信號標注為0。
承上所述,本申請提供的專注力自動偵測方法與系統,可以將採集的使用者的腦電波信號進行分析判斷使用者是否專注,並在圖形化顯示的腦電波信號中進行專注力結果標注。以方便使用者在進行自主訓練時有客觀進步指標,做為調整訓練內容的參照依據。可以提供有效偵測專注狀態但對於短暫狀態波動能有抑制力,從而避免頻繁干涉的影響,能準確穩定提供連續性事件專注力判斷。
參閱圖1所示,為本發明一實施例中的專注力自動偵測系統的方塊示意圖。
本發明實施例一提供的專注力自動偵測系統應用於一電子裝置1,所述電子裝置1包括,但不僅限於,記憶體、至少一個處理器、通訊單元11和顯示單元12。所述記憶體存儲可在所述處理器上運行的專注力自動偵測系統10及相關的資訊。
在本實施方式中,所述電子裝置1還包括其他的硬體,例如,所述電子裝置1還可包括晶片組、感測裝置等,由於電子裝置1的其他硬體屬於習知技術的一部份,因此,此處省略介紹。
所述通訊單元11可以是包含必要的硬體、軟體、或韌體的電子模組,組配來藉由通信網路建立與其他通訊設備進行資料交換。舉例而言,在一些實施方式中,所述通訊單元11可以與穿戴式量測裝置2建立通訊連接,從所述穿戴式量測裝置2接收使用者的腦電波信號。在另一些實施方式中,所述通訊單元11也可以與伺服器建立連接,從所述伺服器中獲取所述使用者的腦電波信號。所述通信網路可以包括有線網路和無線網路其中至少一者。所述無線網路和有線網路可以是現有技術中存在的和未來出現的任何適用於所述電子裝置1與所述穿戴式量測裝置2通訊的網路。
所述顯示單元12用於顯示腦電波信號和/或標注後的專注力自動偵測結果。在本實施方式中,所述顯示單元12可以具有觸摸功能,如液晶(Liquid Crystal Display,LCD)顯示螢幕或有機發光二極體(Organic Light-Emitting Diode,OLED)顯示螢幕。
所述記憶體中存儲有專注力自動偵測系統10以及各種資料,例如生理參數資料。所述記憶體可以是但不限於唯讀記憶體(Read-Only Memory,ROM)、隨機記憶體(Random Access Memory,RAM)、可程式設計唯讀記憶體(Programmable Read-Only Memory,PROM)、可抹除可程式設計唯讀記憶體(Erasable Programmable Read-Only Memory,EPROM)等。
在一實施方式中,所述電子裝置1還包括設於所述記憶體內的訓練資料庫(圖中未示出)。其中,所述訓練資料庫用於接收和存儲從穿戴式量測裝置2傳送過來的腦電波信號。
所述腦電波信號可以通過以下方式採集得到。所述訓練資料庫可以存儲由穿戴式量測裝置2採集的測試者進行標準化專注力實驗事件時的腦電波信號。例如,所述穿戴式量測裝置2採集共20人次測試者進行標準化專注力實驗事件時的腦電波信號。所述專注力實驗事件包含閱讀、朗讀、數字俄羅斯方塊遊戲、射擊遊戲、駕車、事件中斷、靜坐閉目養神、過動兒童檢測試之Go/NoGo測試等。在測試者進行上述實驗事件程式中,還可以通過多個鏡頭進行同步錄影,從而記錄測試者臉部、眼部、及現場環境資訊。除此之外,為確認實驗事件與腦電波信號對應頻段訊號關聯的重現性,可以對測試者進行多次同類型實驗事件,分別採集測試者每次進行實驗事件時的腦電波信號。
所述處理器可以是包括一個或多個硬體、軟體、或韌體的電子模組,例如伺服器。這些伺服器可以採用集中式的配置或分散式的集群安排。在其他實施方式中,所述處理器可以是單一電腦或電腦中的中央處理器(Central Processing Unit,CPU),又或者是數位訊號處理器(Digital Signal Processor,DSP)、專用積體電路(Application Specific Integrated Circuit,ASIC)、現成可程式設計閘陣列(Field-Programmable Gate Array,FPGA)等。
所述處理器通過運行或執行存儲在所述記憶體內的專注力自動偵測系統10時,實現下述的專注力自動偵測方法實施例中的方法步驟。
在本實施方式中,所述電子裝置1可為平板電腦、智慧型手機、筆記型電腦等掌上型運算裝置。
在本實施方式中,所述穿戴式量測裝置2包括記憶體和處理器。所述記憶體包括量測模組210及傳輸模組211。所述量測模組210用於測量使用者的生理資訊,例如,腦電波資訊。所述量測模組210可以包括六軸或九軸加速度、陀螺儀、地磁感測器和膚電偵測器,可以測量參考信號。所述傳輸模組211用於將測量的生理資訊發送至所述電子裝置1。所述傳輸模組211可以通過無線網路(如藍芽、WI-FI)或有線網路傳輸所述生理資訊。
在一些實施例中,所述專注力自動偵測系統10運行於所述電子裝置1中。所述專注力自動偵測系統10可以包括多個由程式碼段所組成的功能模組。所述專注力自動偵測系統10中的各個程式段的程式碼可以存儲於電子裝置1的記憶體中,並由至少一個處理器執行,以實現專注力自動偵測和/或標注功能。
本實施例中,所述專注力自動偵測系統10根據其所執行的功能,可被劃分成多個功能模組。所述功能模組可以包括:信號接收模組101、信號處理模組102、特徵值運算模組103、專注力指數運算模組104、判斷模組105及標注模組106。
所述信號接收模組101用於接收使用者的腦電波信號。
在本實施方式中,所述腦電波信號由所述穿戴式量測裝置2偵測後,發送至所述電子裝置1,所述信號接收模組101接收所述使用者的腦電波信號。所述穿戴式量測裝置2可以是可追蹤腦電波的智慧頭帶,所述智慧頭帶採用的是彈性材料,可與使用者的頭部接觸。例如,將所述智能頭帶配戴於前額至雙耳後。所述智慧頭帶具有七個電極,分別為第一電極、第二電極、第三電極、第四電極、第五電極、第六電極和第七電極。所述第一電極和第七電極分別與使用者左耳和右耳上方接觸,所述第二電極、第三電極、第四電極、第五電極和第六電極可以與使用者前額接觸。其中,位於中間位置的第三電極、第四電極和第五電極為參考電極,所述第一電極、第二電極、第六點電極和第七電極為測量電極,用於測量使用者的腦電波信號。
在一些實施方式中,所述穿戴式量測裝置2可在一時間區間中週期性的擷取使用者的腦電波信號。例如,穿戴式量測裝置2可以每秒擷取一次使用者的腦電波,且每次持續10秒。然而,應注意的是,本實施例中時間區間與腦波擷取頻率僅為一種實施方式,本發明不以此為限。
依據腦電圖儀與臨床生理學會國際聯盟的分類將所述腦電波信號的頻率由低至高細分為:δ波(0.5~4Hz)、θ波(4~7Hz)、α波(8~13Hz)、β波(14~30Hz),γ波(30Hz~100+Hz),α波代表一個人最清醒、安靜、穩定且專注的狀態;β波代表情緒涉入工作狀態,是處於緊張、焦慮或興奮、不安等高度思維時的腦波;θ波(4~7Hz)代表人在一種輕眠、打盹的狀態,正常成人在清醒狀態下很少出現θ波;δ波代表人的睡眠狀態,正常成人在清醒狀態下沒有δ波;γ波則與意識感知有關。
在本實施方式中,所述穿戴式量測裝置2還可以輸出參考信號,所述參考信號包括加速度、接觸品質、碰觸前額、訊號品質、咀嚼特徵腦波、眨眼特徵腦波、電池電量、專注力指數和放鬆指數。
由於採集腦電波時將所述穿戴式量測裝置2與使用者前額葉接觸,而眼睛與所述前額葉十分接近,且角膜或眼皮肌肉運動時會帶微量電荷。因此,往往在腦電波採集過程中,會同時採集到因為眨眼所造成的眨眼特徵腦波。同樣由於所述穿戴式量測裝置2與使用者耳朵上方接觸,在使用者咀嚼過程中由於肌肉運動,會導致在腦電波採集過程中,採集到因為咀嚼所造成的咀嚼特徵腦波。
在本實施方式中,所述穿戴式量測裝置2將所述腦電波信號以及所述參考信號通過藍芽或其他無線網路傳輸方式發送至所述電子裝置1。
信號處理模組102用於對所述腦電波信號進行預處理,所述預處理包括加窗處理、快速傅立葉變換、歸一化和濾波。為了使提取的頻段信號更加可靠,在接收到腦電波信號後,對所述腦電波信號進行預處理。所述預處理主要包括加窗處理、快速傅立葉變換、歸一化和濾波。
(1)加窗處理:在對所述腦電波信號進行快速傅立葉變換之前,需要對所述腦電波信號通過加窗處理分成多個資料片段。所述加窗處理是將所述腦電波信號經過窗函數處理,得到多個資料片段。在本實施方式中,可以通過Hamming窗作為觀測窗對所述腦電波信號進行處理。
(2)快速傅立葉變換:對每個窗內的資料作快速傅立葉變換得到頻域腦電波信號,計算所述腦電波信號的功率譜得到所述腦電波信號的能量分佈。
(3)歸一化:在本實施方式中,通過將不同特徵波段的腦電波信號能量總和除以採樣頻率內所有腦電波信號能量總和對各個頻段腦電波信號進行歸一化處理。由於不同年齡段使用者腦電波信號強度不一致,甚至同一使用者在不同時間段採集的腦電波信號也不一致。因此,通過歸一化處理所述腦電波信號,使得所有使用者的腦電波信號都在百分比範圍內。從而方便所述專注力自動標注系統適用於不同年齡段使用者。
(4)濾波:對所述歸一化後的腦電波信號濾波。所述濾波包括通過帶通濾波器和陷波器對所述歸一化後的腦電波信號濾波。例如,先通過帶通濾波將所述腦電波信號中的δ波、θ波、α波、β波和γ波保留,而去除其他頻段的信號,再通過均值濾波器(如average filter)將δ波、θ波、α波、β波和γ波中的干擾信號去除。
可以理解的是,在其他實施方式中,上述對所述腦電波信號進行預處理可以在所述穿戴式量測裝置2中執行,所述穿戴式量測裝置2再將預處理後的腦電波信號發送至所述電子裝置1。
特徵值運算模組103用於對所述預處理後的腦電波信號進行特徵值運算得到特徵參數。
在本實施方式中,所述特徵參數包括所述腦電波信號中各頻段信號的能量、頻段信號比值及所述腦電波信號的分形維數。
在本實施方式中,所述頻段信號比值包括β波與θ波之間的比值β/θ、γ波與α波之間的比值γ/α、β波與α波之間的比值β/α。
所述腦電波信號的分形維數可以通過Katz提出的一種針對波形資料計算分形維數的方法。具體計算方法為現有技術,在此不再贅述。
可以理解的是,計算所述腦電波信號的分形維數的方法還可以是Estellerl et al.等人提出的弧線理論Curve-Length (CL)結合了線長理論Line-Length (LL)計算方法。雖然Katz提供的計算方法採用的對數關係可以提供較易於區分事件的較顯著的計算結果。為了減少電子裝置1的高耗能運算且加速辨識速度,Esteller et al.進一步採用了移除對數關係簡化後的演算法。在本實施方式中,採用Esteller提出的計算方法來計算所述腦電波信號的分形維數CL(n)。Esteller et al.提出的計算方法也為現有技術,在此不再贅述。
在本實施方式中,需要對所述特徵參數對應的波形再次進行加窗處理和濾波處理。所述加窗處理與對腦電波信號進行預處理時的加窗處理一致。其中,所述加窗處理中的時間窗大小及重複比率為依據所收集之訓練資料庫及辨識成功率的平衡所調整出的數值。需要說明的是,雖然採用長時間的時間窗可進一步減低短時間雜訊的影響,但同時亦可能損失對短時間事件的解析度。例如,以五個不同測試者的測試資料測試調整後,採用10秒矩形窗。而所述濾波處理可以採用移動均值濾波器,所述移動均值濾波器可以有效降低離群值與雜訊對特徵參數對應的波形總體趨勢的干擾。
在本實施方式中,為了直觀比較腦電波各頻段信號與各特徵值的曲線變化,以查看所述腦電波各頻段信號與各特徵值與欲偵測事件的關聯性,在對所述預處理後的腦電波信號進行特徵值運算得到特徵參數後,圖形化顯示所述特徵參數。在本實施方式中,通過採用MathWorks公司的Matlab程式將腦電波各頻段信號與各特徵值圖形化顯示後如圖2所示。圖中分別示出了δ波、θ波、α波、β波、γ波及其能量曲線。例如,圖2中Gamma、Beta、Alpha、Theta和Delta分別描述的是所述γ波、β波、α波、θ波及δ波。圖2中GammaAbs描述的是所述γ波的能量曲線,BetaAbs描述的是所述β波的能量曲線,AlphaAbs描述的是所述α波的能量曲線,ThetaAbs描述的是所述θ波的能量曲線。BetaAbs描述的是所述β波的能量曲線,AlphaAbs描述的是所述α波的能量曲線,ThetaAbs描述的是所述θ波的能量曲線。圖2中還示出了頻段信號比值曲線。例如,圖2中B/T表示的是β波與θ波之間的比值β/θ,G/A描述的是γ波與α波之間的比值γ/α,B/A描述的是β波與α波之間的比值β/α。
所述專注力指數運算模組104用於利用所述特徵參數進行專注力指數運算得到運算結果。
需要說明的是,當偵測使用者是否持續性專注時,需要去掉使用者先天專注力狀態起伏資料。由於不同使用者執行不同的事件時,會衍生出不同類型的腦電波資料,並且使用者的腦部分區運用方式也不相同,採集的腦電波資料也會有所不同。為達成上述專注力指數的運算,需同時綜合數種不同優勢頻段腦電波信號及囊括數種不同衍生腦電波信號。因此,可以通過實驗並根據實驗資料以機器學習之反覆運算法找出最佳特徵參數組合及各特徵參數的權重係數。例如,本方案中採用的特徵參數是δ波、θ波、α波、β波,和頻段信號比值β/θ、γ/α和β/α。
在本實施方式中,將頻段信號比值β/θ、γ/α、β/α等三種組合列入的優點是對每一種組合,使用者可同時監控兩種頻段在統一事件中的優勢頻段的消長。例如,如採集使用者在執行記憶與決策事件測驗中優勢頻段轉換的消長。需要說明的是,所述頻段信號比值β/θ、γ/α、β/α均有設定一上限值以避免指數過高形成離群值。
所述判斷模組105用於根據所述運算結果判斷使用者是否專注。
在本實施方式中,通過將所述運算結果與閾值進行比對來判斷使用者是否專注。當所述運算結果大於或等於所述閾值時,確認所述使用者專注;當所述運算結果小於所述閾值時,確認所述使用者不專注。
在另一實施方式中,可以通過將所述特徵參數輸入至分類器,並得到分類結果。所述分類器中可以包括預先建立的專注力判斷模型。例如,持續性專注力判斷模型和多事件專注力判斷模型。可以理解的是,所述專注力判斷模型還可以包括其他模型。
所述專注力判斷模型可以根據輸入的特徵參數輸出對應的判斷結果。例如,當所述專注力判斷模型為持續性專注力判斷模型時,所述分類器可以根據輸入的特徵參數輸出使用者持續性專注的結果,或者輸出使用者持續性不專注的結果。當所述專注力判斷模型為多事件專注力判斷模型時,所述分類器可以根據輸入的特徵參數輸出使用者多事件專注的結果,或者輸出使用者多事件不專注的結果。
在本實施方式中,所述專注力判斷模型為根據採集的使用者的腦電波信號預先建立的。
所述標注模組106用於對使用者的專注力結果進行標注。
在本實施方式中,將所述使用者的專注力結果標注為由0與1所組成之時間序列x[n],參閱圖3A所示,為標注後的專注力結果示意圖。當所述運算結果大於或等於所述閾值時,確認所述使用者專注,將對應時間段內的信號標注為1;當所述運算結果小於所述閾值時,確認所述使用者不專注,將對應時間段內的信號標注為0。例如,圖2中所示score TH表示的是所述閾值,conc表示的是所述運算結果曲線。如圖2中,在0~190s所示時間區間範圍內,所述閾值score TH大於所述運算結果conc。因此,可以得到圖3A中在0~190s所示時間區間範圍內標注結果為0。如圖2中,在190s~250s所示時間區間範圍內,所述閾值score TH小於所述運算結果conc。因此,可以得到圖3A中在190s~250s所示時間區間範圍內標注結果為1。如圖2中,在250s~260s所示時間區間範圍內,所述閾值score TH大於所述運算結果conc。因此,可以得到圖3A中在250s~260s所示時間區間範圍內標注結果為0。如圖2中,在260s~271s所示時間區間範圍內,所述閾值score TH小於所述運算結果conc。因此,可以得到圖3A中在260s~271s所示時間區間範圍內標注結果為1。如圖2中,在272s時,所述閾值score TH大於所述運算結果conc。因此,可以得到圖3A中在272s時標注結果為0。如圖2中,在272s~435s所示時間區間範圍內,所述閾值score TH小於所述運算結果conc。因此,可以得到圖3A中在260s~271s所示時間區間範圍內標注結果為1。依此類推,由圖2中的閾值和運算結果曲線可以對使用者的專注力結果進行標注,得到圖3A所示圖形。
需要說明的是,為了保證圖3A所示圖形中的跨閥值事件之連續性,通過可調式後處理波動時間容許閥值來進一步消除事件中短暫波動。例如,對於相鄰兩專注事件中之短時間非專注事件,圖3A中在250s~260s所示時間區間範圍和272s時的標注結果均為0,由於上述時間區間範圍小於波動時間容許閥值,可以將上述時間區間範圍的標注結果設置為1,得到圖3B所示標注結果。對於相鄰兩非專注事件中之短時間專注事件,如圖3A中在1030s~1045s所示時間區間範圍的標注結果均為1,由於上述時間區間範圍小於波動時間容許閥值,可以將上述時間區間範圍的標注結果設置為0,得到如圖3C所示標注結果。即,對任一段連續性之序列,比對所有採樣點之間之互相關係,首先對於相鄰兩專注事件中之短時間非專注事件,將小於波動時間容許閥值的非專注事件改設為專注狀態,並將所述短時間非專注事件對應的腦電波信號標注為1。通過以下公式來判斷所述非專注事件序列:,
其中,為相鄰兩專注事件中之短時間非專注事件,T為波動時間容許閥值。
而對於相鄰兩非專注事件中之短時間專注事件,將小於波動時間容許閥值的專注事件改設為非專注狀態,並將所述短時間專注事件標注為0。通過以下公式來判斷所述專注事件序列:,
其中,為相鄰兩專注事件中之短時間非專注事件,T為波動時間容許閥值。
請參閱圖4,為本發明一些實施方式中專注力自動偵測方法流程圖。根據不同的需求,該流程圖中步驟的順序可以改變,某些步驟可以省略。為了便於說明,僅示出了與本發明實施例相關的部分。
步驟S41、接收使用者的腦電波信號。
在本實施方式中,所述腦電波信號由所述穿戴式量測裝置2偵測後,發送至所述電子裝置1。所述穿戴式量測裝置2可以是可追蹤腦電波的智慧頭帶,所述智慧頭帶採用的是彈性材料,可與使用者的頭部接觸。例如,將所述智能頭帶配戴於前額至雙耳後。所述智慧頭帶具有七個電極,分別為第一電極、第二電極、第三電極、第四電極、第五電極、第六電極和第七電極。所述第一電極和第七電極分別與使用者左耳和右耳上方接觸,所述第二電極、第三電極、第四電極、第五電極和第六電極可以與使用者前額接觸。其中,位於中間位置的第三電極、第四電極和第五電極為參考電極,所述第一電極、第二電極、第六點電極和第七電極為測量電極,用於測量使用者的腦電波信號。
在一些實施方式中,所述穿戴式量測裝置2可在一時間區間中週期性的擷取使用者的腦電波信號。例如,穿戴式量測裝置2可以每秒擷取一次使用者的腦電波,且每次持續10秒。然而,應注意的是,本實施例中時間區間與腦波擷取頻率僅為一種實施方式,本發明不以此為限。
由於採集腦電波時將所述穿戴式量測裝置2與使用者前額葉接觸,而眼睛與所述前額葉十分接近,且角膜或眼皮肌肉運動時會帶微量電荷。因此,往往在腦電波採集過程中,會同時採集到因為眨眼所造成的眨眼特徵腦波。同樣由於所述穿戴式量測裝置2與使用者耳朵上方接觸,在使用者咀嚼過程中由於肌肉運動,會導致在腦電波採集過程中,採集到因為咀嚼所造成的咀嚼特徵腦波。
在本實施方式中,所述穿戴式量測裝置2將所述腦電波信號以及所述參考信號通過藍芽或其他無線網路傳輸方式發送至所述電子裝置1。
步驟S42、對所述腦電波信號進行預處理,所述預處理包括加窗處理、快速傅立葉變換、歸一化和濾波。
由於採集的腦電波信號較微弱,很容易受到環境內其他信號的干擾。為了使提取的頻段信號更加可靠,在接收到腦電波信號後,對所述腦電波信號進行預處理。所述預處理主要包括加窗處理、快速傅立葉變換、歸一化和濾波。
(1)加窗處理:在對所述腦電波信號進行快速傅立葉變換之前,需要對所述腦電波信號通過加窗處理分成多個資料片段。所述加窗處理是將所述腦電波信號經過窗函數處理,得到多個資料片段。在本實施方式中,可以通過Hamming窗作為觀測窗對所述腦電波信號進行處理。
(2)快速傅立葉變換:對每個窗內的資料作快速傅立葉變換得到頻域腦電波信號,計算所述腦電波信號的功率譜得到所述腦電波信號的能量分佈。
(3)歸一化:在本實施方式中,通過將不同特徵波段的腦電波信號能量總和除以採樣頻率內所有腦電波信號能量總和對各個頻段腦電波信號進行歸一化處理。由於不同年齡段使用者腦電波信號強度不一致,甚至同一使用者在不同時間段採集的腦電波信號也不一致。因此,通過歸一化處理所述腦電波信號,使得所有使用者的腦電波信號都在百分比範圍內。從而方便所述專注力自動標注系統適用於不同年齡段使用者。
(4)濾波:對所述歸一化後的腦電波信號濾波。所述濾波包括通過帶通濾波器和陷波器對所述歸一化後的腦電波信號濾波。例如,先通過帶通濾波將所述腦電波信號中的δ波、θ波、α波、β波和γ波保留,而去除其他頻段的信號,再通過所述均值濾波器將δ波、θ波、α波、β波和γ波中的干擾信號去除。
可以理解的是,在其他實施方式中,上述對所述腦電波信號進行預處理可以在所述穿戴式量測裝置2中執行,所述穿戴式量測裝置2再將預處理後的腦電波信號發送至所述電子裝置1。
步驟S43、對所述預處理後的腦電波信號進行特徵值運算得到特徵參數。
在本實施方式中,所述特徵參數為所述腦電波信號中各頻段信號的能量、頻段信號比值及所述腦電波信號的分形維數。
在本實施方式中,所述頻段信號比值包括β波與θ波之間的比值β/θ、γ波與α波之間的比值γ/α、β波與α波之間的比值β/α。
所述腦電波信號的分形維數可以通過Katz提出的一種針對波形資料計算分形維數的方法。具體計算方法為現有技術,在此不再贅述。
在本實施方式中,需要對所述特徵參數對應的波形再次進行加窗處理和濾波處理。所述加窗處理與對腦電波信號進行預處理時的加窗處理一致。其中,所述加窗處理中的時間窗大小及重複比率為依據所收集之訓練資料庫及辨識成功率的平衡所調整出的數值。需要說明的是,雖然採用長時間的時間窗可進一步減低短時間雜訊的影響,但同時亦可能損失對短時間事件的解析度。例如,以五個不同測試者的測試資料測試調整後,採用10秒矩形窗。而所述濾波處理可以採用移動均值濾波器,所述移動均值濾波器可以有效降低離群值與雜訊對特徵參數對應的波形總體趨勢的干擾。
在本實施方式中,為了直觀比較腦電波各頻段信號與各特徵值的曲線變化,以查看所述腦電波各頻段信號與各特徵值與欲偵測事件的關聯性,在對所述預處理後的腦電波信號進行特徵值運算得到特徵參數後,圖形化顯示所述特徵參數。
步驟S44、利用所述特徵參數進行專注力指數運算得到運算結果。
需要說明的是,當偵測使用者是否持續性專注時,需要去掉使用者先天專注力狀態起伏資料。由於不同使用者執行不同的事件時,會衍生出不同類型的腦電波資料,並且使用者的腦部分區運用方式也不相同,採集的腦電波資料也會有所不同。為達成上述專注力指數的運算,需同時綜合數種不同優勢頻段腦電波信號及囊括數種不同衍生腦電波信號。因此,可以通過實驗並根據實驗資料以機器學習之反覆運算法找出最佳特徵參數組合及各特徵參數的權重係數。例如,本方案中採用的特徵參數是δ波、θ波、α波、β波,和頻段信號比值β/θ、γ/α和β/α。
在本實施方式中,將頻段信號比值β/θ、γ/α、β/α等三種組合列入的優點是對每一種組合,使用者可同時監控兩種頻段在統一事件中的優勢頻段的消長。例如,如採集使用者在執行記憶與決策事件測驗中優勢頻段轉換的消長。需要說明的是,所述頻段信號比值β/θ、γ/α、β/α均有設定一上限值以避免指數過高形成離群值。
步驟S45、根據所述運算結果判斷使用者是否專注。
在本實施方式中,通過將所述運算結果與閾值進行比對來判斷使用者是否專注。當所述運算結果大於或等於所述閾值時,確認所述使用者專注;當所述運算結果小於所述閾值時,確認所述使用者不專注。
在另一實施方式中,可以通過將所述特徵參數輸入至分類器,並得到分類結果。所述分類器中可以包括預先建立的專注力判斷模型。例如,持續性專注力判斷模型和多事件專注力判斷模型。可以理解的是,所述專注力判斷模型還可以包括其他模型。
在本實施方式中,所述專注力判斷模型為根據採集的使用者的腦電波信號預先建立的。
步驟S46、對使用者的專注力結果進行標注。
在本實施方式中,通過上述步驟S41-步驟S46可以將採集的使用者的腦電波信號進行分析判斷使用者是否專注,並在圖形化顯示的腦電波信號中進行專注力結果標注。以方便使用者在進行自主訓練時有客觀進步指標,做為調整訓練內容的參照依據。可以提供有效偵測專注狀態但對於短暫狀態波動能有抑制力,從而避免頻繁干涉的影響,能準確穩定提供連續性事件專注力判斷。
1:電子裝置
2:穿戴式量測裝置
210:量測模組
211:傳輸模組
11:通訊單元
12:顯示單元
10:專注力自動偵測系統
101:信號接收模組
102:信號處理模組
103:特徵值運算模組
104:專注力指數運算模組
105:判斷模組
106:標注模組
為了更清楚地說明本發明實施例或現有技術中的技術方案,下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本發明的實施例,對於本領域普通技術人員來講,在不付出創造性勞動的前提下,還可以根據提供的附圖獲得其他的附圖。
圖1示出了本申請實施例中的專注力自動偵測系統的方塊示意圖。
圖2示出了本申請中特徵參數和專注力指數對應的波形曲線圖。
圖3A示出了專注力指數與閾值比對後的標注結果圖。
圖3B示出了為消除兩專注事件中之短時間非專注事件得到的標注結果圖。
圖3C示出了為消除兩非專注事件中之短時間專注事件得到的標注結果圖。
圖4示出了本申請一些實施例中專注力自動偵測方法的流程圖。
步驟S41~步驟S46
Claims (12)
- 一種專注力自動偵測方法,所述方法包括: 接收使用者的腦電波信號; 對所述腦電波信號進行預處理,所述預處理包括加窗處理、快速傅立葉變換、歸一化和濾波; 對預處理後的腦電波信號進行特徵值運算得到特徵參數; 利用所述特徵參數進行專注力指數運算得到運算結果;及 根據所述運算結果判斷使用者是否專注。
- 如申請專利範圍第1項所述的專注力自動偵測方法,所述特徵參數包括所述腦電波信號中各頻段信號的能量、頻段信號比值及所述腦電波信號的分形維數。
- 如申請專利範圍第1項所述的專注力自動偵測方法,所述根據所述運算結果判斷使用者是否專注包括: 比對所述運算結果與一閾值; 當所述運算結果大於或等於所述閾值時,確認所述使用者專注;及 當所述運算結果小於所述閾值時,確認所述使用者不專注。
- 如申請專利範圍第4項所述的專注力自動偵測方法,所述方法還包括: 對使用者的專注力結果進行標注; 當所述運算結果大於或等於所述閾值時,確認所述使用者專注,將對應時間段內的腦電波信號標注為1; 當所述運算結果小於所述閾值時,確認所述使用者不專注,將對應時間段內的腦電波信號標注為0。
- 如申請專利範圍第5項所述的專注力自動偵測方法,所述方法還包括: 對於相鄰兩專注事件中之短時間非專注事件,將小於波動時間容許閥值的非專注事件改設為專注狀態,並將所述短時間非專注事件對應的腦電波信號標注為1; 對於相鄰兩非專注事件中之短時間專注事件,將小於波動時間容許閥值的專注事件改設為非專注狀態,並將所述短時間專注事件對應的腦電波信號標注為0。
- 一種專注力自動偵測系統,所述系統包括: 信號接收模組,用於接收使用者的腦電波信號; 信號處理模組,用於對所述腦電波信號進行預處理,所述預處理包括加窗處理、快速傅立葉變換、歸一化和濾波; 特徵值運算模組,用於對預處理後的腦電波信號進行特徵值運算得到特徵參數; 專注力指數運算模組,用於利用所述特徵參數進行專注力指數運算得到運算結果;及 判斷模組,用於根據所述運算結果判斷使用者是否專注。
- 如申請專利範圍第7項所述的專注力自動偵測系統,所述特徵參數包括所述腦電波信號中各頻段信號的能量、頻段信號比值及所述腦電波信號的分形維數。
- 如申請專利範圍第7項所述的專注力自動偵測系統,所述判斷模組還用於比對所述運算結果與一閾值;當所述運算結果大於或等於所述閾值時,確認所述使用者專注;及當所述運算結果小於所述閾值時,確認所述使用者不專注。
- 如申請專利範圍第10項所述的專注力自動偵測系統,所述系統還包括標注模組,所述標注模組用於對使用者的專注力結果進行標注; 當所述運算結果大於或等於所述閾值時,確認所述使用者專注,所述標注模組將對應時間段內的腦電波信號標注為1; 當所述運算結果小於所述閾值時,確認所述使用者不專注,所述標注模組將對應時間段內的腦電波信號標注為0。
- 如申請專利範圍第11項所述的專注力自動偵測系統,對於相鄰兩專注事件中之短時間非專注事件,將小於波動時間容許閥值的非專注事件改設為專注狀態,並將所述短時間非專注事件對應的腦電波信號標注為1; 對於相鄰兩非專注事件中之短時間專注事件,將小於波動時間容許閥值的專注事件改設為非專注狀態,並將所述短時間專注事件對應的腦電波信號標注為0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108131146A TW202108077A (zh) | 2019-08-29 | 2019-08-29 | 專注力自動偵測方法和系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108131146A TW202108077A (zh) | 2019-08-29 | 2019-08-29 | 專注力自動偵測方法和系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202108077A true TW202108077A (zh) | 2021-03-01 |
Family
ID=76035239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108131146A TW202108077A (zh) | 2019-08-29 | 2019-08-29 | 專注力自動偵測方法和系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TW202108077A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI819919B (zh) * | 2022-12-08 | 2023-10-21 | 國立陽明交通大學 | 過動症早期輔助診斷系統 |
TWI821082B (zh) * | 2022-12-22 | 2023-11-01 | 國家中山科學研究院 | 全年齡對象自適應腦波意識狀態指標評估方法 |
-
2019
- 2019-08-29 TW TW108131146A patent/TW202108077A/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI819919B (zh) * | 2022-12-08 | 2023-10-21 | 國立陽明交通大學 | 過動症早期輔助診斷系統 |
TWI821082B (zh) * | 2022-12-22 | 2023-11-01 | 國家中山科學研究院 | 全年齡對象自適應腦波意識狀態指標評估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3485806A1 (en) | Wearable device capable of detecting sleep apnea event and detection method thereof | |
EP2698112B1 (en) | Real-time stress determination of an individual | |
US20170367635A1 (en) | Apparatus and Method for Detecting a State of a Driver Based on Biometric Signals of the Driver | |
US20170319063A1 (en) | Apparatus and method for recording and analysing lapses in memory and function | |
CN107106085A (zh) | 用于睡眠监测的设备和方法 | |
CN109222950B (zh) | 数据处理方法及装置 | |
CN104615851B (zh) | 一种睡眠监控方法及终端 | |
CN106725382A (zh) | 基于动作和hrv测量的睡眠状态判别系统及方法 | |
Gunawardhane et al. | Non invasive human stress detection using key stroke dynamics and pattern variations | |
JP2017121286A (ja) | 情動推定システム、情動推定方法および情動推定プログラム | |
CN104720746A (zh) | 一种睡眠阶段确定方法和系统 | |
NZ732929A (en) | Method and apparatus for deriving a mental state of a subject | |
US20160283856A1 (en) | System and method for determining psychological stress of a person | |
CN110141258A (zh) | 一种情绪状态检测方法、设备及终端 | |
TW202108077A (zh) | 專注力自動偵測方法和系統 | |
Gashi et al. | The role of model personalization for sleep stage and sleep quality recognition using wearables | |
Rahman et al. | Mental stress recognition using K-nearest neighbor (KNN) classifier on EEG signals | |
Amidei et al. | Driver drowsiness detection based on variation of skin conductance from wearable device | |
CN115670460A (zh) | 一种心境状态监测方法、装置及存储介质 | |
Mindoro et al. | Drowsy or not? Early drowsiness detection utilizing arduino based on electroencephalogram (eeg) neuro-signal | |
CN112515688A (zh) | 专注力自动侦测方法和系统 | |
CN106361327B (zh) | 睡眠状态分析中清醒状态检测方法和系统 | |
CN106344008B (zh) | 睡眠状态分析中清醒状态检测方法和系统 | |
US20220199245A1 (en) | Systems and methods for signal based feature analysis to determine clinical outcomes | |
Poli et al. | Exploiting blood volume pulse and skin conductance for driver drowsiness detection |