WO2020024688A1 - 注意力测评方法、系统及计算机可读存储介质 - Google Patents

注意力测评方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
WO2020024688A1
WO2020024688A1 PCT/CN2019/089042 CN2019089042W WO2020024688A1 WO 2020024688 A1 WO2020024688 A1 WO 2020024688A1 CN 2019089042 W CN2019089042 W CN 2019089042W WO 2020024688 A1 WO2020024688 A1 WO 2020024688A1
Authority
WO
WIPO (PCT)
Prior art keywords
score
attention
eeg
answer
data
Prior art date
Application number
PCT/CN2019/089042
Other languages
English (en)
French (fr)
Inventor
韩璧丞
杨钊祎
萧凯中
魏昕
黄家萃
Original Assignee
深圳市心流科技有限公司
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 深圳市心流科技有限公司 filed Critical 深圳市心流科技有限公司
Publication of WO2020024688A1 publication Critical patent/WO2020024688A1/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/168—Evaluating attention deficit, hyperactivity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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]
    • A61B5/375—Electroencephalography [EEG] using biofeedback
    • 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
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6814—Head
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present application relates to the technical field of attention assessment, and in particular, to a method, system, and computer-readable storage medium for attention assessment.
  • Attention refers to the ability of a person's mental activity to point to and concentrate on something. It is the direction and concentration of certain activities to certain objects. It is a common psychological feature that accompanies mental processes such as perception, memory, thinking, and imagination. . According to the attention dimension, attention can be divided into the following five categories: selective attention (alternative attention), alternative attention (attention), sustained attention (sustained attention), dispersed attention (divided attention) And attention breadth.
  • the main purpose of this application is to provide a method, system and computer-readable storage medium for attention assessment, which aims to improve the accuracy of the results of attention assessment.
  • the present application provides an attention assessment method, which is applied to an attention assessment system.
  • the attention assessment system includes an attention assessment terminal and a smart headband.
  • the attention assessment method includes the following steps:
  • the attention evaluation terminal acquires answer data of a user playing a preset attention game, and acquires corresponding EEG data of the brain wave through the smart headband;
  • the attention score is obtained according to the answer score, EEG score, and a preset multivariate regression equation.
  • the present application also provides an attention evaluation system, which includes an attention evaluation terminal and a smart headband, and further includes a memory, a processor, and a memory stored on the memory and accessible on the memory.
  • An attention evaluation program running on the processor, and when the attention evaluation program is executed by the processor, the steps of the attention evaluation method described above are implemented.
  • the present application also provides a computer-readable storage medium, where the computer-readable storage medium stores an attention assessment program, and the attention assessment program is implemented by the processor to implement Steps in Attention Assessment Method.
  • the present application provides an attention measurement method, system, and computer-readable storage technology.
  • the attention measurement method is applied to an attention evaluation system, which includes an attention evaluation terminal and a smart headband.
  • the attention test terminal obtains the answer data when the user performs a preset attention game, and obtains the corresponding EEG data through a smart headband; and then processes the answer data and EEG data to obtain the corresponding answer score and EEG score , Finally, the answer score and EEG score are brought into the preset multivariate regression equation, and the attention score can be obtained.
  • This application uses brain-computer interface technology to obtain EEG data, combines answer data and EEG data, and processes the corresponding answer scores and EEG scores.
  • Attention scores, answer scores, and EEG scores obtained through prior optimization
  • the multivariate regression equation between the two is used to calculate the score of the attention.
  • the present application can improve the accuracy of the assessment results of the attention.
  • FIG. 1 is a schematic structural diagram of a terminal in a hardware operating environment according to an embodiment of the present application
  • FIG. 2 is a schematic flowchart of a first embodiment of an attention assessment method of this application
  • FIG. 3 is a schematic flowchart of a second embodiment of the attention assessment method of this application.
  • FIG. 4 is a schematic flowchart of a third embodiment of the attention assessment method of this application.
  • FIG. 5 is a schematic diagram of a first distribution curve in an embodiment of the present application.
  • FIG. 6 is a schematic flowchart of a fourth embodiment of the attention assessment method of the present application.
  • the present application provides an attention evaluation method, system and computer-readable storage technology.
  • the attention evaluation method is applied to an attention evaluation system.
  • the attention evaluation system includes an attention evaluation terminal and a smart headband. .
  • the attention test terminal obtains the answer data when the user performs a preset attention game, and obtains the corresponding EEG data through a smart headband; and then processes the answer data and EEG data to obtain the corresponding answer score and EEG score , Finally, the answer score and EEG score are brought into the preset multivariate regression equation, and the attention score can be obtained.
  • This application uses brain-computer interface technology to obtain EEG data, combines answer data and EEG data, and processes the corresponding answer scores and EEG scores.
  • Attention scores, answer scores, and EEG scores obtained through prior optimization
  • the multivariate regression equation between the two is used to calculate the score of the attention.
  • the present application can improve the accuracy of the assessment results of the attention.
  • FIG. 1 is a schematic structural diagram of a terminal in a hardware operating environment according to an embodiment of the present application.
  • the terminal in the embodiment of the present application is an attention evaluation terminal.
  • the attention evaluation terminal may be a PC or a mobile terminal device with a display function such as a smart phone, a tablet computer, or a portable computer. Preset attention games.
  • the terminal may include a processor 1001, such as a CPU, a communication bus 1002, a user interface 1003, a network interface 1004, and a memory 1005.
  • the communication bus 1002 is used to implement connection and communication between these components.
  • the user interface 1003 may include a display, an input unit such as a keyboard, and the optional user interface 1003 may further include a standard wired interface and a wireless interface.
  • the network interface 1004 may optionally include a standard wired interface and a wireless interface (such as a Wi-Fi interface).
  • the memory 1005 may be a high-speed RAM memory or a non-volatile memory (for example, a magnetic disk memory).
  • the memory 1005 may optionally be a storage device independent of the foregoing processor 1001.
  • terminal structure shown in FIG. 1 does not constitute a limitation on the terminal, and may include more or fewer components than shown in the figure, or some components may be combined, or different components may be arranged.
  • the memory 1005 as a computer storage medium may include an operating system, a network communication module, a user interface module, and an attention evaluation program.
  • the network interface 1004 is mainly used to connect to the background server and perform data communication with the background server;
  • the user interface 1003 is mainly used to connect to the client and perform data communication with the client; and the processor 1001 may be used to
  • the attention evaluation program stored in the memory 1005 is called, and each step of the attention evaluation method provided in the embodiment of the present application is executed.
  • This application provides a method for attention assessment.
  • FIG. 2 is a schematic flowchart of a first embodiment of a method for attention assessment in this application.
  • the attention assessment method is applied to an attention assessment system, which includes an attention assessment terminal and a smart headband.
  • the attention evaluation terminal has a built-in attention game for users and appraisers to evaluate attention.
  • the attention game includes continuous attention games and other attention games.
  • Other attention games include Selective attention game, transformative attention game, distracted attention game, and attention span game.
  • the attention evaluation terminal is used to obtain the answer data and smart headband sent by the user and the evaluator when performing a preset attention game.
  • the EEG data is then processed to get the final attention score.
  • the smart headband uses brain-computer interface technology to collect EEG (Electroencephalogram, brain wave) data from users and evaluators, and can communicate with the attention test terminal to transmit the EEG to the attention test terminal for processing evaluation.
  • EEG Electroencephalogram, brain wave
  • the attention assessment method includes:
  • step S10 the attention assessment terminal obtains answer data of a user performing a preset attention game, and obtains corresponding EEG data of the brain wave through the smart headband;
  • the attention evaluation terminal first obtains the user's answer data when performing a preset attention game, and obtains the corresponding EEG data through a smart headband.
  • the answer data may include, but is not limited to, correct answers, wrong answers, maximum consecutive correct answers, and total number of answers. Different answer data may be obtained according to different types of preset attention games. For example, when the preset attention game is a continuous attention game, the corresponding answer data may be recorded as the first answer data, and the first answer data may include the maximum number of consecutive correct answers and the total number of answers; the preset attention game is other During the attention game, the corresponding answer data may be recorded as the second answer data, and the second answer data may include the maximum consecutive correct number of answers and the total number of answers.
  • Step S20 process the answer data and EEG data to obtain corresponding answer scores and EEG scores
  • the answer data and EEG data are processed to obtain corresponding answer scores and EEG scores.
  • the answer data and EEG data obtained may also be inconsistent, and the corresponding data processing methods are also different.
  • the answer score may include a first answer score and a second score
  • the EEG score may include a first EEG score and a second EEG score.
  • step S30 the attention score is obtained according to the answer score, EEG score, and a preset multivariate regression equation.
  • the attention evaluation terminal obtains the final attention score value according to the answer score, EEG score, and preset multivariate regression equation.
  • the preset multivariate regression equation includes a multivariate regression equation for continuous attention and a multivariate regression equation for other attentions.
  • the multivariate regression equation for other attentions includes a multivariate regression equation for selective attention. Attention multivariate regression equation, distracted multivariate regression equation and attention span multivariate regression equation.
  • This embodiment provides an attention evaluation method, which is applied to an attention evaluation system.
  • the attention evaluation system includes an attention evaluation terminal and a smart headband.
  • the attention test terminal obtains the answer data when the user performs a preset attention game, and obtains the corresponding EEG data through a smart headband; and then processes the answer data and EEG data to obtain the corresponding answer score and EEG score , Finally, the answer score and EEG score are brought into the preset multivariate regression equation, and the attention score can be obtained.
  • This application uses brain-computer interface technology to obtain EEG data, combines answer data and EEG data, and processes the corresponding answer scores and EEG scores. Attention scores, answer scores, and EEG scores obtained through prior optimization The multivariate regression equation between the two is used to calculate the score of the attention. Compared with the prior art, which only scores and scores based on the scoring rules of the game itself, the present application can improve the accuracy of the assessment results of the attention.
  • FIG. 3 is a second embodiment of the attention assessment method of the present application.
  • Step S10 includes:
  • step S100 the attention evaluation terminal obtains first answer data and second answer data when the user is performing a continuous attention game and other attention games, and obtains corresponding first EEG data through the smart headband. And second EEG data;
  • the attention test terminal obtains the first answer data and the second answer data when the user is performing a continuous attention game and other attention games, and obtains the corresponding first EEG data and second EEG data through a smart headband, respectively.
  • the first answer data includes, but is not limited to, the maximum number of consecutive correct answers and the total number of answers
  • the second answer data includes, but is not limited to, the correct number of answers and the number of incorrect answers.
  • step S20 includes:
  • Step S200 The first answer data, the first EEG data, the second answer data, and the second EEG data are processed respectively to obtain corresponding first answer scores, first EEG scores, second answer scores, and Second EEG score;
  • first answer data, the first EEG data, the second answer data, and the second EEG data are processed to obtain corresponding first answer points, first EEG points, second answer points, and second EEG. Points.
  • first EEG points first EEG points
  • second answer points second EEG. Points.
  • step S30 includes:
  • step S300 according to the first answer score, the first EEG score, the second answer score, the second EEG score, and a preset multivariate regression equation, a score value and other attention of the continuous attention game are obtained.
  • the score value is obtained.
  • the preset multivariate regression equation includes a continuous attention multivariate regression equation and other attentions. Force multivariate regression equation, other attention multivariate regression equations include multivariate regression equations for selective attention, multivariate regression equations for transformative attention, multivariate regression equations for distracted attention, and attention span Multivariate regression equation.
  • the score value of the continuous attention game can be obtained.
  • the second answer score and the second EEG score are correspondingly brought into the multivariate regression equation of other attentions, and the scores of other attention games can be obtained.
  • FIG. 4 is a schematic flowchart of a third embodiment of the attention assessment method of the present application.
  • the attention assessment method further includes:
  • Step S410 Obtain first test answer data and first self-score when the tester performs the continuous attention game, and obtain corresponding first test EEG data through the smart headband;
  • continuous attention refers to the persistence of focus on important messages, and its algorithm is inconsistent with the algorithms of other attention scores.
  • This embodiment describes the algorithm optimization process of continuous attention scores.
  • the attention assessment terminal first obtains the first assessment answer data and the first self-scoring when the assessor performs the continuous attention game, and obtains the corresponding first assessment EEG data through the smart headband.
  • the first test answer data includes the maximum number of consecutive correct answers and the total number of answers.
  • the first self-score is the number of self-scores entered by the tester on the attention test terminal after completing the continuous attention game (at Before the evaluator enters, the meaning of continuous attention can be explained to ensure that the evaluator understands and then performs self-evaluation to improve the accuracy of the algorithm and the accuracy of the final evaluation result).
  • Step S420 preprocessing the first assessment answer data and the first assessment EEG data to obtain corresponding first scores and second scores;
  • the concentration algorithm is obtained through multiple experiments and optimizations, and is not disclosed here.
  • Step S430 performing kernel density estimation on the first score and the second score, respectively, to obtain corresponding first distribution curves and second distribution curves;
  • the kernel density estimation is performed on the first score and the second score, respectively, to obtain corresponding first distribution curves and second distribution curves.
  • Step S440 Obtain a score of the continuous attention test according to the first score and the first distribution curve, and obtain an EEG score of the continuous attention according to the second score and the second distribution curve;
  • the score of the continuous attention test is obtained, and according to the second score and the second distribution curve, the score of the continuous attention test EEG is obtained. Specifically, the area S11 between the curve corresponding to the left part of the first distribution curve and the horizontal axis and the area S12 between the first distribution curve and the horizontal axis are calculated, and then the percentage of the area S11 and the area S12 is calculated.
  • the value is the score of the assessment questions for continuous attention.
  • the first score is 40
  • the corresponding first distribution curve is shown in FIG. 5
  • S11 is the area corresponding to the shaded part in FIG. 5.
  • the first and second scores can be recorded as C1, C2, and the first and second distribution curves are recorded as f 1 (x) and f 2 (x), and the specific formula is as follows:
  • a first multivariate regression equation is constructed according to the scores of the continuous attention assessment answers, the EEG scores of the continuous attention assessment, and the first self-scoring, and the first multivariate regression is obtained through a normal equation A first optimal coefficient of the equation, the first optimal coefficient is brought into the first multivariate regression equation to obtain a continuous attention multivariate regression equation of the preset multivariate regression equation.
  • a first multivariate regression equation is constructed based on the assessment scores of continuous attention, the EEG scores of continuous assessment, and the first self-score.
  • the first optimal coefficient of the first multivariate regression equation is brought into the first multivariate regression equation to obtain a continuous attention multivariate regression equation of a preset multivariate regression equation.
  • FIG. 3 is a schematic flowchart of a second embodiment of an attention assessment method of the present application.
  • the attention evaluation method further includes:
  • Step S510 obtaining second assessment answer data and second self-scoring when the assessor performs the other attention game, and obtaining corresponding second assessment EEG data through the smart headband;
  • the algorithm optimization process of other attention scores is introduced in this embodiment, that is, selective attention, conversion Algorithmic optimization of four attention scores: sexual attention, distracted attention, and attention span.
  • the attention assessment terminal first obtains the second assessment answer data and the second self-score when the assessor performs other attention games, and obtains the corresponding second assessment EEG data through the smart headband.
  • the second test answer data includes the number of correct answers and the number of wrong answers
  • the second self-scoring is the number of self-scores entered by the tester in the attention test terminal after completing other attention games (the tester Before entering, you can explain the meaning of corresponding other attention to ensure that the evaluator understands before performing self-evaluation to improve the accuracy of the algorithm and the accuracy of the final evaluation result).
  • the other attention games include selective attention games, transitional attention games, distracted attention games, and attention span games.
  • the multivariate regression equations of other attentions finally obtained also include four types, namely the multivariate regression equation of selective attention, the multivariate regression equation of transformative attention, and dispersion Multivariate regression equations for attention and multivariate regression equations for attention span.
  • Step S520 preprocessing the second assessment answer data and the second assessment EEG data respectively to obtain corresponding third scores and fourth scores;
  • the concentration algorithm is obtained through multiple experiments and optimizations, and is not disclosed here.
  • Step S530 Perform kernel density estimation on the third score and the fourth score, respectively, to obtain corresponding third distribution curves and fourth distribution curves;
  • the kernel density estimation is performed on the third score and the fourth score, respectively, to obtain corresponding third distribution curves and fourth distribution curves.
  • Step S540 Obtain evaluation scores for other attentions according to the third score and the third distribution curve, and obtain EEG scores for other attentions according to the fourth score and the fourth distribution curve;
  • the third score corresponds to the area S31 between the curve on the left side of the third distribution curve and the horizontal axis, and the area S32 between the third distribution curve and the horizontal axis, and then calculates the percentage of the area S31 and the area S32.
  • the value is the score of the other answer assessment questions.
  • the third and fourth scores can be recorded as C3, C4, and the third and fourth distribution curves are recorded as f 3 (x) and f 4 (x), and the specific formula is as follows:
  • step S550 a second multivariate regression equation is constructed according to the evaluation scores of the other attentions, the EEG scores of the other attentions, and the second self-scoring, and the second multivariate regression equation is obtained through a normal equation.
  • a second optimal coefficient bringing the second optimal coefficient into the second multivariate regression equation to obtain a multivariate regression equation of other attention of the preset multivariate regression equation.
  • a second multivariate regression equation is constructed based on the evaluation scores of other attentions, the EEG scores of other attentions, and the second self-scoring.
  • steps S410-S450 in the second embodiment and the steps S510-S550 in the third embodiment are performed in no particular order.
  • step S200 includes:
  • Step S210 preprocessing the first answer data, the first EEG data, the second answer data, and the second EEG data, respectively, to obtain corresponding fifth scores, sixth scores, seventh scores, and eighth scores. Score
  • the attention evaluation terminal obtains the first answer data and the second answer data when the user performs the continuous attention game and other attention games, respectively, and obtains the corresponding first EEG through the smart headband.
  • the first answer data, the first EEG data, the second answer data, and the second EEG data are respectively preprocessed to obtain the corresponding fifth score, sixth score, and seventh score. And eighth score.
  • the percentage value of the maximum number of consecutive correct answers to the total number of answers in the first answer data is the fifth score; the difference between the number of correct answers in the second test answer data minus the number of incorrect answers, that is, Is the sixth score; the average concentration value corresponding to the first EEG data is calculated by the concentration algorithm, and the time corresponding to the longest continuous greater than the average concentration value is obtained according to the first EEG data and the average concentration value, And calculate the percentage value of this time to the total game time, which is the seventh point value; the average concentration value corresponding to the second EEG data is calculated by the concentration algorithm, which is the eighth point value.
  • step S220 an area under the first curve corresponding to the fifth score and a first total area between the first distribution curve and the horizontal axis are obtained through integration according to the fifth score and the first distribution curve. And the percentage value of the area under the first curve and the first total area is recorded as the first answer point value;
  • Step S230 Integrate the area under the second curve corresponding to the sixth score and the second total area between the second distribution curve and the horizontal axis through integration according to the sixth score and the second distribution curve. And the percentage value of the area under the second curve and the second total area is recorded as the first EEG score;
  • step S240 an area under the third curve corresponding to the seventh score and a third total area between the third distribution curve and the horizontal axis are obtained through integration according to the seventh score and the third distribution curve. And the percentage value of the area under the third curve and the third total area is recorded as the second answer score;
  • step S250 the area under the fourth curve corresponding to the eighth score and the fourth total area between the fourth distribution curve and the horizontal axis are obtained through integration according to the eighth score and the fourth distribution curve.
  • the percentage value of the area under the fourth curve and the fourth total area is recorded as the second EEG score.
  • an area under the first curve corresponding to the fifth score and a first total area between the first distribution curve and the horizontal axis are obtained through integration, and the first curve is reduced.
  • the percentage value of the area and the first total area is recorded as the first answer score.
  • the first distribution curve is obtained during the algorithm optimization process.
  • the fifth score is denoted as C5.
  • the sum of The area under the first curve corresponding to the fifth score is denoted as S13
  • the first total area between the first distribution curve and the horizontal axis is S12 in the above embodiment, then:
  • an area under the second curve corresponding to the sixth score and a second total area between the second distribution curve and the horizontal axis are obtained through integration, and the second The percentage value of the area under the curve and the second total area is recorded as the first EEG score; according to the seventh score and the third distribution curve, the area under the third curve and the third distribution corresponding to the seventh score are obtained by integration.
  • the third total area between the curve and the horizontal axis, and the percentage value of the area under the third curve and the third total area is recorded as the second answer score; according to the eighth score and the fourth distribution curve, the sum is obtained by integrating The area under the fourth curve corresponding to the eighth score and the fourth total area between the fourth distribution curve and the horizontal axis, and the percentage value of the area under the fourth curve and the fourth total area is recorded as the second EEG score .
  • steps S220 to S250 are performed in no particular order.
  • step S300 may further include:
  • Step S310 Obtain the score value of the continuous attention game according to the first answer score, the first EEG score, and the multivariate regression equation of the continuous attention in the preset multivariate regression equation, and according to the first The multivariate regression equations for the second-answer score, the second EEG score, and other attentions in the preset multivariate regression equation obtain scores for other attentions.
  • the first answer score and the first EEG score it is brought into the multivariate regression equation of the continuous attention in the preset multivariate regression equation, and the score value of the continuous attention game can be obtained.
  • the second answer score and the second EEG score are correspondingly brought into the multivariate regression equation of other attentions in the preset multivariate regression equation, and the score values of other attention games can be obtained.
  • the present application also provides an attention assessment system, which includes an attention assessment terminal and a smart headband, and further includes a memory, a processor, and an attention stored in the memory and operable on the processor.
  • a force evaluation program which when executed by the processor, implements the steps of the attention evaluation method according to any one of the above embodiments.
  • the present application also provides a computer-readable storage medium on which a concentration assessment program is stored, and when the concentration assessment program is executed by a processor, the concentration assessment program according to any one of the foregoing embodiments is implemented. Steps of the evaluation method.
  • the methods in the above embodiments can be implemented by means of software plus a necessary universal hardware platform, and of course, also by hardware, but in many cases the former is better.
  • Implementation Based on such an understanding, the technical solution of this application that is essentially or contributes to the existing technology can be embodied in the form of a software product.
  • the computer software product is stored in a storage medium (such as ROM / RAM) as described above. , Magnetic disk, optical disc), including a number of instructions to enable a terminal device (which may be a mobile phone, a computer, a server, an air conditioner, or a network device, etc.) to execute the methods described in the embodiments of this application.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • Developmental Disabilities (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Educational Technology (AREA)
  • Social Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Physiology (AREA)
  • Neurosurgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种注意力测评方法、系统及计算机可读存储介质。所述注意力测评方法应用于注意力测评系统，所述注意力测评系统包括注意力测评终端和智能头环，所述注意力测评方法包括：所述注意力测评终端获取用户进行预设注意力游戏时的答题数据，并通过所述智能头环获取对应的脑电波EEG数据（S10）；对所述答题数据和EEG数据进行处理，得到对应的答题分值和EEG分值（S20）；根据所述答题分值、EEG分值和预设多变量回归方程，得到注意力分数值（S30）。能够提高注意力测评结果的准确性。

Description

注意力测评方法、系统及计算机可读存储介质
本申请要求于2018年8月1日提交中国专利局、申请号为201810868482.0、申请名称为“注意力测评方法、系统及计算机可读存储介质”的中国专利申请的优先权，其全部内容通过引用结合在申请中。
技术领域
本申请涉及注意力测评技术领域，尤其涉及一种注意力测评方法、系统及计算机可读存储介质。
背景技术
注意力是指人的心理活动指向和集中于某种事物的能力，是心理活动对一定对象的指向和集中，是伴随着感知觉、记忆、思维、想象等心理过程的一种共同的心理特征。根据注意力维度可将注意力分为以下五种类别：选择性注意力(selective attention)、转换性注意力(alternating attention)、持续性注意力(sustained attention)、分散性注意力(divided attention)和注意力广度(attention width)。
由于注意力对用户的很多方面有着重要的关联和影响，例如，儿童的注意力水平影响其认知发展，因此，现在推出很多注意力游戏来测试用户的注意力，以便后期有针对性地培养和提升用户的注意力。但是目前对于注意力的测评主要是通过一些相关的注意力游戏进行打分，其测评结果仅仅基于游戏本身的计分规则，存在测评结果准确性较低的问题。
上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种注意力测评方法、系统及计算机 可读存储介质，旨在提高注意力测评结果的准确性。
为实现上述目的，本申请提供一种注意力测评方法，应用于注意力测评系统，所述注意力测评系统包括注意力测评终端和智能头环，所述注意力测评方法包括以下步骤：
所述注意力测评终端获取用户进行预设注意力游戏时的答题数据，并通过所述智能头环获取对应的脑电波EEG数据；
对所述答题数据和EEG数据进行处理，得到对应的答题分值和EEG分值；
根据所述答题分值、EEG分值和预设多变量回归方程，得到注意力分数值。
此外，为实现上述目的，本申请还提供一种注意力测评系统，所述注意力测评系统包括注意力测评终端和智能头环，还包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的注意力测评程序，所述注意力测评程序被所述处理器执行时实现如上所述的注意力测评方法的步骤。
此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有注意力测评程序，所述注意力测评程序被处理器执行时实现如上所述的注意力测评方法的步骤。
本申请提供一种注意力测评方法、系统及计算机可读存储技术，该注意力测评方法应用于注意力测评系统，该注意力测评系统包括注意力测评终端和智能头环。注意力测评终端通过获取用户进行预设注意力游戏时的答题数据，并通过智能头环获取对应的EEG数据；然后对该答题数据和EEG数据进行处理，得到对应的答题分值和EEG分值，最后将答题分值和EEG分值带入到预设多变量回归方程，即可得到注意力分值。本申请利用脑机接口技术获取EEG数据，将答题数据和EEG数据相结合，处理得到对应的答题分值和EEG分值，并通过前期优化得到的注意力分值与答题分值和EEG分值之间的多变量回归方程来计算注意力的分值，相比现有技术中仅单一地根据游戏本身的计分规则进行测评打分，本申请可提高注意力测评结果的准确性。
附图说明
图1为本申请实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本申请注意力测评方法第一实施例的流程示意图；
图3为本申请注意力测评方法第二实施例的流程示意图；
图4为本申请注意力测评方法第三实施例的流程示意图；
图5为本申请实施例中第一分布曲线的一示意图；
图6为本申请注意力测评方法第四实施例的流程示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在现有技术中，由于注意力对用户的很多方面有着重要的关联和影响，例如，儿童的注意力水平影响其认知发展，因此，现在推出很多注意力游戏来测试用户的注意力，以便后期有针对性地培养和提升用户的注意力。但是目前对于注意力的测评主要是通过一些相关的注意力游戏进行打分，其测评结果仅仅基于游戏本身的计分规则，存在测评结果准确性较低的问题。
为了解决上述技术问题，本申请提供一种注意力测评方法、系统及计算机可读存储技术，该注意力测评方法应用于注意力测评系统，该注意力测评系统包括注意力测评终端和智能头环。注意力测评终端通过获取用户进行预设注意力游戏时的答题数据，并通过智能头环获取对应的EEG数据；然后对该答题数据和EEG数据进行处理，得到对应的答题分值和EEG分值，最后将答题分值和EEG分值带入到预设多变量回归方程，即可得到注意力分值。本申请利用脑机接口技术获取EEG数据，将答题数据和EEG数据相结合，处理得到对应的答题分值和EEG分值，并通过前期优化得到的注意力分值与答题分值和EEG分值之间的多变量回归方程来计算注意力的分值，相比现有 技术中仅单一地根据游戏本身的计分规则进行测评打分，本申请可提高注意力测评结果的准确性。
请参阅图1，图1为本申请实施例方案涉及的硬件运行环境的终端结构示意图。
本申请实施例终端为注意力测评终端，该注意力测评终端可以是PC，也可以是智能手机、平板电脑、便携计算机等具有显示功能的可移动式终端设备，该注意力测评终端中内置有预设注意力游戏。
如图1所示，该终端可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及注意力测评程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的注意力测评程序，并执行本申请实施例提供的注意力测评方法的各个步骤。
基于上述硬件结构，提出本申请注意力测评方法实施例。
本申请提供一种注意力测评方法。
请参阅图2，图2为本申请注意力测评方法第一实施例的流程示意图。
在本申请实施例中，该注意力测评方法应用于注意力测评系统，该注意力测评系统包括注意力测评终端和智能头环。其中，该注意力测评终端中内置有预设注意力游戏，供用户和测评者进行测评注意力用，其中预设注意力游戏包括持续性注意力游戏和其他注意力游戏，其他注意力游戏包括选择性注意力游戏、转换性注意力游戏、分散性注意力游戏和注意力广度游戏，该注意力测评终端用于获取用户和测评者进行预设注意力游戏时的答题数据和智能头环发送的EEG数据，然后进行处理得到最终的注意力分数。智能头环运用了脑机接口技术，用于采集用户和测评者的EEG(Electroencephalogram，脑电波)数据，可以与注意力测评终端进行通信连接，以将EEG传送给注意力测评终端进行处理评测。
该注意力测评方法包括：
步骤S10，所述注意力测评终端获取用户进行预设注意力游戏时的答题数据，并通过所述智能头环获取对应的脑电波EEG数据；
在本实施例中，注意力测评终端首先获取用户在进行预设注意力游戏时的答题数据，并通过智能头环获取对应的EEG数据。其中，答题数据可以包括但不限于答题正确数、答题错误数、最大连续答题正确数和答题总数，可根据预设注意力游戏的种类不同，获取不同的答题数据。例如，预设注意力游戏为持续性注意力游戏时，对应的答题数据可记为第一答题数据，该第一答题数据可以包括最大连续答题正确数和答题总数；预设注意力游戏为其他注意力游戏时，对应的答题数据可记为第二答题数据，该第二答题数据可以包括最大连续答题正确数和答题总数。
步骤S20，对所述答题数据和EEG数据进行处理，得到对应的答题分值和EEG分值；
然后，对该答题数据和EEG数据进行处理，得到对应的答题分值和EEG分值。具体的，由于不同种类的注意力的测评，其获取的答题数据和EEG数据也可能不一致，其对应的数据处理方法也不相同。具体的处理方法可以参照下述各实施例，此处不作赘述。对应上述实施例中，该答题分值可以包括第一答题分值和第二分值，EEG 分值可以包括第一EEG分值和第二EEG分值。
步骤S30，根据所述答题分值、EEG分值和预设多变量回归方程，得到注意力分数值。
最后，注意力测评终端根据该答题分值、EEG分值和预设多变量回归方程，得到最终的注意力分数值。其中，该预设多变量回归方程包括持续性注意力的多变量回归方程和其他注意力的多变量回归方程，其他注意力的多变量回归方程包括选择性注意力的多变量回归方程、转换性注意力的多变量回归方程、分散性注意力的多变量回归方程和注意力广度的多变量回归方程。该预设多变量回归方程的通式为：Z＝aX+bY，其中，Z为注意力分值，X为答题分值，Y为EEG分值，a，b分别为对应的最优系数。将答题分值和EEG分值带入预设多变量回归方程，即可得到注意力分值。
本实施例提供一种注意力测评方法，应用于注意力测评系统，该注意力测评系统包括注意力测评终端和智能头环。注意力测评终端通过获取用户进行预设注意力游戏时的答题数据，并通过智能头环获取对应的EEG数据；然后对该答题数据和EEG数据进行处理，得到对应的答题分值和EEG分值，最后将答题分值和EEG分值带入到预设多变量回归方程，即可得到注意力分值。本申请利用脑机接口技术获取EEG数据，将答题数据和EEG数据相结合，处理得到对应的答题分值和EEG分值，并通过前期优化得到的注意力分值与答题分值和EEG分值之间的多变量回归方程来计算注意力的分值，相比现有技术中仅单一地根据游戏本身的计分规则进行测评打分，本申请可提高注意力测评结果的准确性。
进一步地，请参阅图3，图3为本申请注意力测评方法的第二实施例。
基于图2所示的第一实施例中，鉴于持续性注意力与其他注意力(包括计算选择性注意力、转换性注意力、分散性注意力和注意力广度)的基本属性不一致，因此，在计算各维度注意力对应的分值时，其处理方法、算法也有所不同，其中，计算选择性注意力、转换性注意力、分散性注意力和注意力广度这四种注意力分值的算法相同，计 算持续性注意力分值的算法则为另一种。对应的，预设注意力游戏包括持续性注意力游戏和其他注意力游戏，所述其他注意力游戏包括选择性注意力游戏、转换性注意力游戏、分散性注意力游戏和注意力广度游戏。当然，在具体实施例中，预设注意力游戏可以包括5个关卡，每一关卡对应测试一种注意力。步骤S10包括：
步骤S100，所述注意力测评终端分别获取用户进行持续性注意力游戏和其他注意力游戏时的第一答题数据和第二答题数据，并分别通过所述智能头环获取对应的第一EEG数据和第二EEG数据；
在本实施例中，由于持续性注意力分值和其他注意力分值的算法不一致，因此，需分别获取各对应游戏的游戏数据，并分别进行对应的处理和计算。首先，注意力测评终端分别获取用户进行持续性注意力游戏和其他注意力游戏时的第一答题数据和第二答题数据，并分别通过智能头环获取对应的第一EEG数据和第二EEG数据，其中，该第一答题数据包括但不限于最大连续答题正确数和答题总数，第二答题数据包括但不限于答题正确数和答题错误数。
此时，步骤S20包括：
步骤S200，分别对所述第一答题数据、第一EEG数据、第二答题数据和第二EEG数据进行处理，得到对应的第一答题分值、第一EEG分值、第二答题分值和第二EEG分值；
然后，分别对第一答题数据、第一EEG数据、第二答题数据和第二EEG数据进行处理，得到对应的第一答题分值、第一EEG分值、第二答题分值和第二EEG分值。具体的处理方法，可以参照下述第五实施例中所描述的，此处不作赘述。
此时，步骤S30包括：
步骤S300，根据所述第一答题分值、第一EEG分值、第二答题分值、第二EEG分值和预设多变量回归方程，得到持续性注意力游戏的分数值和其他注意力的分数值。
最后，根据第一答题分值、第一EEG分值、第二答题分值、第二EEG分值和预设多变量回归方程，得到持续性注意力游戏的分数值和其他注意力的分数值。其中，预设多变量回归方程是前期优化出 来的，可以参见下述第三和第四实施例中所描述的，该预设多变量回归方程包括持续性注意力的多变量回归方程和其他注意力的多变量回归方程，其他注意力的多变量回归方程包括选择性注意力的多变量回归方程、转换性注意力的多变量回归方程、分散性注意力的多变量回归方程和注意力广度的多变量回归方程。将第一答题分值、第一EEG分值带入该持续性注意力的多变量回归方程，即可得到持续性注意力游戏的分数值。同样的，将第二答题分值、第二EEG分值对应带入其他注意力的多变量回归方程中，即可得到其他注意力游戏的分数值。
进一步的，请参阅图4，图4为本申请注意力测评方法第三实施例的流程示意图。
基于上述第一实施例和第二实施例，由于在对用户进行测评前，需选取测评者，根据测评者的答题结果来优化对应的算法。因此，在步骤S100之前，该注意力测评方法还包括：
步骤S410，获取测评者进行所述持续性注意力游戏时的第一测评答题数据和第一自评分，并通过所述智能头环获取对应的第一测评EEG数据；
在本实施例中，持续性注意力是指对重要讯息的专注持久度，其算法与其他注意力分值的算法不一致，本实施例介绍了持续性注意力分值的算法优化过程。
在本实施例中，注意力测评终端首先获取测评者进行持续性注意力游戏时的第一测评答题数据和第一自评分，并通过智能头环获取对应的第一测评EEG数据。其中，第一测评答题数据包括最大连续答题正确数和答题总数；第一自评分为测评者在完成持续性注意力游戏后，在该注意力测评终端输入的对其自身的自评分数(在测评者输入前，可讲解持续性注意力所代表的意义，以确保测评者了解后再进行自评，提高算法的准确性，以提高最终测评结果的准确性)。
需要说明的是，为保证注意力算法的准确性，对于测评者的选择和数量有一定要求，其中选择要求不作具体的阐述，测评者的数量应在一定范围内，可根据实际情况进行选择设定，本实施例中，作为一 个较佳的测量者数量，可选择15个测评者进行测评。
步骤S420，分别对所述第一测评答题数据和第一测评EEG数据进行预处理，得到对应的第一分值、第二分值；
其次，分别对第一测评答题数据和第一测评EEG数据进行预处理，得到对应的第一分值和第二分值。具体的，通过计算第一测评答题数据中的最大连续答题正确数与答题总数的百分比值，即为第一分值，例如，该持续性注意力游戏总共5题(即答题总数为5)，某一测试者答对了第3、4题(即最大连续答题正确数为2)，则第一分值为2/5*100＝40。然后通过专注力算法计算出第一测评EEG数据所对应的平均专注力值，根据该第一测评EEG数据和该平均专注力值得到最长连续大于该平均专注力值所对应的时间t 1，并计算该时间t 1与总游戏时间的百分比值，即为第二分值。其中，该专注力算法是通过多次试验和优化得到的，此处不作公开。
步骤S430，分别对所述第一分值和第二分值进行核密度估计，得到对应的第一分布曲线和第二分布曲线；
再次，分别对该第一分值和第二分值进行核密度估计，得到对应的第一分布曲线和第二分布曲线。具体的实现原理和技术可参照现有技术，此处不作赘述。
步骤S440，根据所述第一分值和第一分布曲线得到持续性注意力的测评答题分值，并根据所述第二分值和第二分布曲线得到持续性注意力的测评EEG分值；
然后，根据第一分值和第一分布曲线得到持续性注意力的测评答题分值，并根据第二分值和第二分布曲线得到持续性注意力的测评EEG分值。具体的，计算第一分值对应第一分布曲线左侧部分的曲线与横轴之间的面积S11，及第一分布曲线与横轴之间的面积S12，然后计算面积S11与面积S12的百分比值，即为持续性注意力的测评答题分值。例如，上述例子中，得到第一分值为40，对应的第一分布曲线如图5所示，则S11则为图5中的阴影部分所对应的面积。接着，计算第二分值对应第二分布曲线左侧部分的曲线与横轴之间的面积S21，及第二分布曲线与横轴之间的面积S22，然后计算面积S21 与面积S22的百分比值，即为持续性注意力的测评EEG分值。为方便说明，可将第一、第二分值分别记为C1、C2，第一、第二分布曲线分别记为f 1(x)、f 2(x)，具体公式如下：
Figure PCTCN2019089042-appb-000001
Figure PCTCN2019089042-appb-000002
步骤S450，根据所述持续性注意力的测评答题分值、持续性注意力的测评EEG分值和第一自评分构建第一多变量回归方程，并通过正规方程得到所述第一多变量回归方程的第一最优系数，将所述第一最优系数带入所述第一多变量回归方程以得到所述预设多变量回归方程的持续性注意力的多变量回归方程。
最后，根据持续性注意力的测评答题分值、持续性注意力的测评EEG分值和第一自评分构建第一多变量回归方程，该第一多变量回归方程可以为：Z 1＝a 1X 1+b 1Y 1，其中，Z 1表示第一自评分，X 1表示持续性注意力的测评答题分值，Y 1表示持续性注意力的测评EEG分值，然后，通过正规方程得到该第一多变量回归方程的第一最优系数，将所述第一最优系数带入该第一多变量回归方程以得到预设多变量回归方程的持续性注意力的多变量回归方程。
例如，在上述例子中，由于选择了15个测评者，则获取到15组第一测评答题数据、15组第一自评分和15组第一测评EEG数据，经处理后，对应的得到15组持续性注意力的测评答题分值和15组持续性注意力的测评EEG分值。然后根据15组第一自评分、15组持续性注意力的测评答题分值、15组持续性注意力的测评EEG分值和第一多变量回归方程，通过正规方程找出最优系数a 1和b 1，假设a 1＝0.6和b 1＝0.4，则持续性注意力的分值计算公式为：Z 1＝0.6X 1+0.4Y 1。
请参阅图3，图3为本申请注意力测评方法第二实施例的流程示意图。
基于图2所示的第一实施例，在步骤S100之前，该注意力测评方法还包括：
步骤S510，获取所述测评者进行所述其他注意力游戏时的第二测评答题数据和第二自评分，并通过所述智能头环获取对应的第二测评EEG数据；
在本实施例中，由于其他注意力分值的算法与持续性注意力分值的算法不一致，因此，本实施例中介绍了其他注意力分值的算法优化过程，即选择性注意力、转换性注意力、分散性注意力和注意力广度这四种注意力分值的算法优化过程。
在本实施例中，注意力测评终端首先获取测评者进行其他注意力游戏时的第二测评答题数据和第二自评分，并通过智能头环获取对应的第二测评EEG数据。其中，第二测评答题数据包括答题正确数和答题错误数；第二自评分为测评者在完成其他注意力游戏后，在该注意力测评终端输入的对其自身的自评分数(在测评者输入前，可讲解对应其他注意力所代表的意义，以确保测评者了解后再进行自评，提高算法的准确性，以提高最终测评结果的准确性)。需要说明的是，该其他注意力游戏包括选择性注意力游戏、转换性注意力游戏、分散性注意力游戏和注意力广度游戏，因此，本实施例中数据的获取与计算过程中，也分别有4种注意力所各自对应的数据，最终得到的其他注意力的多变量回归方程也包括4种，即选择性注意力的多变量回归方程、转换性注意力的多变量回归方程、分散性注意力的多变量回归方程和注意力广度的多变量回归方程。
步骤S520，分别对所述第二测评答题数据和第二测评EEG数据进行预处理，得到对应的第三分值和第四分值；
其次，分别对第二测评答题数据和第二测评EEG数据进行预处理，得到对应的第三分值和第四分值。具体的，通过计算第二测评答题数据中的答题正确数减去答题错误数的差值，该差值即为第三分值。然后通过专注力算法计算出第二测评EEG数据所对应的平均专注力值，该平均专注力值即为第四分值。其中，该专注力算法是通过多次试验和优化得到的，此处不作公开。
步骤S530，分别对所述第三分值和第四分值进行核密度估计，得到对应的第三分布曲线和第四分布曲线；
再次，分别对该第三分值和第四分值进行核密度估计，得到对应的第三分布曲线和第四分布曲线。具体的实现原理和技术可参照现有技术，此处不作赘述。
步骤S540，根据所述第三分值和第三分布曲线得到其他注意力的测评答题分值，并根据所述第四分值和第四分布曲线得到其他注意力的测评EEG分值；
然后，根据第三分值和第三分布曲线得到其他注意力的测评答题分值，并根据第四分值和第四分布曲线得到其他注意力的测评EEG分值。具体的，计算第三分值对应第三分布曲线左侧部分的曲线与横轴之间的面积S31，及第三分布曲线与横轴之间的面积S32，然后计算面积S31与面积S32的百分比值，即为其他注意力的测评答题分值。计算第四分值对应第四分布曲线左侧部分的曲线与横轴之间的面积S41，及第三分布曲线与横轴之间的面积S42，然后计算面积S41与面积S42的百分比值，即为其他注意力的测评EEG分值。为方便说明，可将第三、第四分值分别记为C3、C4，第三、第四分布曲线分别记为f 3(x)、f 4(x)，具体公式如下：
Figure PCTCN2019089042-appb-000003
Figure PCTCN2019089042-appb-000004
步骤S550，根据所述其他注意力的测评答题分值、其他注意力的测评EEG分值和第二自评分构建第二多变量回归方程，并通过正规方程得到所述第二多变量回归方程的第二最优系数，将所述第二最优系数带入所述第二多变量回归方程以得到所述预设多变量回归方程的其他注意力的多变量回归方程。
最后，根据其他注意力的测评答题分值、其他注意力的测评EEG分值和第二自评分构建第二多变量回归方程，该第二多变量回归方程可以为：Z 2＝a 2X 2+b 2Y 2，其中，Z 2表示第二自评分，X 2表示其他注意力的测评答题分值，Y 2表示其他注意力的测评EEG分值，然后，通过正规方程得到该第二多变量回归方程的第二最优系数，将所述第二 最优系数带入该第二多变量回归方程以得到预设多变量回归方程的其他注意力的多变量回归方程。
例如，就选择性注意力而言，在上述例子中，由于选择了15个测评者，则获取到15组第二测评答题数据、15组第二自评分和15组第二测评EEG数据，经处理后，对应的得到15组其他注意力的测评答题分值和15组其他注意力的测评EEG分值。然后根据15组第二自评分、15组其他注意力的测评答题分值、15组其他注意力的测评EEG分值和第二多变量回归方程，通过正规方程找出最优系数a 2和b 2，假设a 2＝0.5和b 2＝0.7，则选择性注意力的分值计算公式为：Z 2＝0.5X 2+0.7Y 2。
需要说明的是，上述第二实施例中的步骤S410-S450与第三实施例中的步骤S510-S550之间的执行不分先后。
进一步的，基于图2至图4所示的上述实施例，提出本申请注意力测评方法的第五实施例。
基于上述实施方式，在本实施例中，步骤S200包括：
步骤S210，分别对所述第一答题数据、第一EEG数据、第二答题数据和第二EEG数据进行预处理，得到对应的第五分值、第六分值、第七分值和第八分值；
在本实施例中，注意力测评终端在分别获取到用户进行持续性注意力游戏和其他注意力游戏时的第一答题数据和第二答题数据，并分别通过智能头环获取对应的第一EEG数据和第二EEG数据之后，先分别第一答题数据、第一EEG数据、第二答题数据和第二EEG数据进行预处理，得到对应的第五分值、第六分值、第七分值和第八分值。具体的，计算第一答题数据中的最大连续答题正确数与答题总数的百分比值，即为第五分值；计算第二测评答题数据中的答题正确数减去答题错误数的差值，即为第六分值；通过专注力算法计算出第一EEG数据所对应的平均专注力值，根据第一EEG数据和该平均专注力值得到最长连续大于该平均专注力值所对应的时间，并计算该时间与总游戏时间的百分比值，即为第七分值；通过专注力算法计算出第二EEG数据所对应的平均专注力值，即为第八分值。
步骤S220，根据所述第五分值和第一分布曲线通过积分得到与所述第五分值对应的第一曲线下面积及所述第一分布曲线与横轴之间的第一总面积，并将所述第一曲线下面积与第一总面积的百分比值记为第一答题分值；
步骤S230，根据所述第六分值和第二分布曲线通过积分得到与所述第六分值对应的第二曲线下面积及所述第二分布曲线与横轴之间的第二总面积，并将所述第二曲线下面积与第二总面积的百分比值记为第一EEG分值；
步骤S240，根据所述第七分值和第三分布曲线通过积分得到与所述第七分值对应的第三曲线下面积及所述第三分布曲线与横轴之间的第三总面积，并将所述第三曲线下面积与第三总面积的百分比值记为第二答题分值；
步骤S250，根据所述第八分值和第四分布曲线通过积分得到与所述第八分值对应的第四曲线下面积及所述第四分布曲线与横轴之间的第四总面积，并将所述第四曲线下面积与第四总面积的百分比值记为第二EEG分值。
然后，根据第五分值和第一分布曲线通过积分得到与该第五分值对应的第一曲线下面积及第一分布曲线与横轴之间的第一总面积，并将第一曲线下面积与第一总面积的百分比值记为第一答题分值。其中，该第一分布曲线是在算法优化过程中得到的，为方便说明将第五分值记为C5，根据第五分值C5和第一分布曲线f 1(x)通过积分得到的与该第五分值对应的第一曲线下面积记为S13，第一分布曲线与横轴之间的第一总面积即为上述实施例中的S12，则：
Figure PCTCN2019089042-appb-000005
类似地，根据第六分值和第二分布曲线通过积分得到与该第六分值对应的第二曲线下面积及该第二分布曲线与横轴之间的第二总面积，并将第二曲线下面积与第二总面积的百分比值记为第一EEG分值；根据第七分值和第三分布曲线通过积分得到与该第七分值对应的第三曲线下面积及该第三分布曲线与横轴之间的第三总面积，并将第 三曲线下面积与第三总面积的百分比值记为第二答题分值；根据第八分值和第四分布曲线通过积分得到与该第八分值对应的第四曲线下面积及该第四分布曲线与横轴之间的第四总面积，并将第四曲线下面积与第四总面积的百分比值记为第二EEG分值。具体的处理方法可以参照上述实施方式中所述的，此处不再赘述。
需要说明的是，步骤S220至步骤S250中各步骤的执行不分先后。
此时，步骤S300还可以包括：
步骤S310，根据所述第一答题分值、第一EEG分值和预设多变量回归方程中的持续性注意力的多变量回归方程得到续性注意力游戏的分数值，并根据所述第二答题分值、第二EEG分值和预设多变量回归方程中的其他注意力的多变量回归方程得到其他注意力的分数值。
在本实施例中，根据第一答题分值、第一EEG分值带入预设多变量回归方程中的持续性注意力的多变量回归方程中，即可得到持续性注意力游戏的分数值。同样的，将第二答题分值、第二EEG分值对应带入预设多变量回归方程中的其他注意力的多变量回归方程中，即可得到其他注意力游戏的分数值。
本申请还提供一种注意力测评系统，该注意力测评系统包括注意力测评终端和智能头环，还包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的注意力测评程序，所述注意力测评程序被所述处理器执行时实现如以上任一项实施例所述的注意力测评方法的步骤。
本申请注意力测评系统的具体实施例与上述注意力测评方法各实施例基本相同，在此不作赘述。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质上存储有注意力测评程序，所述注意力测评程序被处理器执行时实现如以上任一项实施例所述的注意力测评方法的步骤。
本申请计算机可读存储介质的具体实施例与上述注意力测评方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例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，本申请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如上所述的一个存储介质(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，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种注意力测评方法，其中，应用于注意力测评系统，所述注意力测评系统包括注意力测评终端和智能头环，所述注意力测评方法包括以下步骤：
    所述注意力测评终端获取用户进行预设注意力游戏时的答题数据，并通过所述智能头环获取对应的脑电波EEG数据；
    对所述答题数据和EEG数据进行处理，得到对应的答题分值和EEG分值；
    根据所述答题分值、EEG分值和预设多变量回归方程，得到注意力分数值。
  2. 如权利要求1所述的注意力测评方法，其中，所述预设多变量回归方程的通式为：Z＝aX+bY，其中，Z为注意力分值，X为答题分值，Y为EEG分值，a，b分别为对应的最优系数。
  3. 如权利要求1所述的注意力测评方法，其中，所述预设注意力游戏包括持续性注意力游戏和其他注意力游戏，所述其他注意力游戏包括选择性注意力游戏、转换性注意力游戏、分散性注意力游戏和注意力广度游戏，所述注意力测评终端获取用户进行预设注意力游戏时的答题数据，并通过所述智能头环获取对应的脑电波EEG数据的步骤，包括：
    所述注意力测评终端分别获取用户进行持续性注意力游戏和其他注意力游戏时的第一答题数据和第二答题数据，并分别通过所述智能头环获取对应的第一EEG数据和第二EEG数据；
    所述对所述答题数据和EEG数据进行处理，得到对应的答题分值和EEG分值的步骤，包括：
    分别对所述第一答题数据、第一EEG数据、第二答题数据和第二EEG数据进行处理，得到对应的第一答题分值、第一EEG分值、第二答题分值和第二EEG分值；
    所述根据所述答题分值、EEG分值和预设多变量回归方程，得到注意力分数值的步骤，包括：
    根据所述第一答题分值、第一EEG分值、第二答题分值、第二EEG分值和预设多变量回归方程，得到持续性注意力游戏的分数值和其他注意力的分数值。
  4. 如权利要求3所述的注意力测评方法，其中，所述注意力测评方法还包括：
    获取测评者进行所述持续性注意力游戏时的第一测评答题数据和第一自评分，并通过所述智能头环获取对应的第一测评EEG数据；
    分别对所述第一测评答题数据和第一测评EEG数据进行预处理，得到对应的第一分值、第二分值；
    分别对所述第一分值和第二分值进行核密度估计，得到对应的第一分布曲线和第二分布曲线；
    根据所述第一分值和第一分布曲线得到持续性注意力的测评答题分值，并根据所述第二分值和第二分布曲线得到持续性注意力的测评EEG分值；
    根据所述持续性注意力的测评答题分值、持续性注意力的测评EEG分值和第一自评分构建第一多变量回归方程，并通过正规方程得到所述第一多变量回归方程的第一最优系数，将所述第一最优系数带入所述第一多变量回归方程以得到所述预设多变量回归方程的持续性注意力的多变量回归方程。
  5. 如权利要求4所述的注意力测评方法，其中，所述注意力测评方法还包括：
    获取所述测评者进行所述其他注意力游戏时的第二测评答题数据和第二自评分，并通过所述智能头环获取对应的第二测评EEG数据；
    分别对所述第二测评答题数据和第二测评EEG数据进行预处理，得到对应的第三分值和第四分值；
    分别对所述第三分值和第四分值进行核密度估计，得到对应的第三分布曲线和第四分布曲线；
    根据所述第三分值和第三分布曲线得到其他注意力的测评答题分值，并根据所述第四分值和第四分布曲线得到其他注意力的测评 EEG分值；
    根据所述其他注意力的测评答题分值、其他注意力的测评EEG分值和第二自评分构建第二多变量回归方程，并通过正规方程得到所述第二多变量回归方程的第二最优系数，将所述第二最优系数带入所述第二多变量回归方程以得到所述预设多变量回归方程的其他注意力的多变量回归方程。
  6. 如权利要求5所述的注意力测评方法，其中，所述分别对所述第一答题数据、第一EEG数据、第二答题数据和第二EEG数据进行处理，得到对应的第一答题分值、第一EEG分值、第二答题分值和第二EEG分值的步骤，包括：
    分别对所述第一答题数据、第一EEG数据、第二答题数据和第二EEG数据进行预处理，得到对应的第五分值、第六分值、第七分值和第八分值；
    根据所述第五分值和第一分布曲线通过积分得到与所述第五分值对应的第一曲线下面积及所述第一分布曲线与横轴之间的第一总面积，并将所述第一曲线下面积与第一总面积的百分比值记为第一答题分值；
    根据所述第六分值和第二分布曲线通过积分得到与所述第六分值对应的第二曲线下面积及所述第二分布曲线与横轴之间的第二总面积，并将所述第二曲线下面积与第二总面积的百分比值记为第一EEG分值；
    根据所述第七分值和第三分布曲线通过积分得到与所述第七分值对应的第三曲线下面积及所述第三分布曲线与横轴之间的第三总面积，并将所述第三曲线下面积与第三总面积的百分比值记为第二答题分值；
    根据所述第八分值和第四分布曲线通过积分得到与所述第八分值对应的第四曲线下面积及所述第四分布曲线与横轴之间的第四总面积，并将所述第四曲线下面积与第四总面积的百分比值记为第二EEG分值。
  7. 如权利要求5所述的注意力测评方法，其中，所述根据所述 第一答题分值、第一EEG分值、第二答题分值、第二EEG分值和预设多变量回归方程，得到续性注意力游戏的分数值和其他注意力的分数值的步骤，包括：
    根据所述第一答题分值、第一EEG分值和预设多变量回归方程中的持续性注意力的多变量回归方程得到续性注意力游戏的分数值，并根据所述第二答题分值、第二EEG分值和预设多变量回归方程中的其他注意力的多变量回归方程得到其他注意力的分数值。
  8. 如权利要求7所述的注意力测评方法，其中，所述第一答题数据和第一测评答题数据包括最大连续答题正确数和答题总数，所述第二答题数据和第二测评答题数据包括答题正确数和答题错误数。
  9. 一种注意力测评系统，其中，所述注意力测评系统包括注意力测评终端和智能头环，还包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的注意力测评程序，所述注意力测评程序被所述处理器执行时实现以下步骤：
    所述注意力测评终端获取用户进行预设注意力游戏时的答题数据，并通过所述智能头环获取对应的脑电波EEG数据；
    对所述答题数据和EEG数据进行处理，得到对应的答题分值和EEG分值；
    根据所述答题分值、EEG分值和预设多变量回归方程，得到注意力分数值。
  10. 如权利要求9所述的注意力测评系统，其中，所述预设多变量回归方程的通式为：Z＝aX+bY，其中，Z为注意力分值，X为答题分值，Y为EEG分值，a，b分别为对应的最优系数。
  11. 如权利要求9所述的注意力测评系统，其中，所述预设注意力游戏包括持续性注意力游戏和其他注意力游戏，所述其他注意力游戏包括选择性注意力游戏、转换性注意力游戏、分散性注意力游戏和注意力广度游戏，所述注意力测评程序被所述处理器执行时还实现以下步骤：
    所述注意力测评终端分别获取用户进行持续性注意力游戏和其他注意力游戏时的第一答题数据和第二答题数据，并分别通过所述智 能头环获取对应的第一EEG数据和第二EEG数据；
    所述对所述答题数据和EEG数据进行处理，得到对应的答题分值和EEG分值的步骤，包括：
    分别对所述第一答题数据、第一EEG数据、第二答题数据和第二EEG数据进行处理，得到对应的第一答题分值、第一EEG分值、第二答题分值和第二EEG分值；
    所述根据所述答题分值、EEG分值和预设多变量回归方程，得到注意力分数值的步骤，包括：
    根据所述第一答题分值、第一EEG分值、第二答题分值、第二EEG分值和预设多变量回归方程，得到持续性注意力游戏的分数值和其他注意力的分数值。
  12. 如权利要求11所述的注意力测评系统，其中，所述注意力测评程序被所述处理器执行时还实现以下步骤：
    获取测评者进行所述持续性注意力游戏时的第一测评答题数据和第一自评分，并通过所述智能头环获取对应的第一测评EEG数据；
    分别对所述第一测评答题数据和第一测评EEG数据进行预处理，得到对应的第一分值、第二分值；
    分别对所述第一分值和第二分值进行核密度估计，得到对应的第一分布曲线和第二分布曲线；
    根据所述第一分值和第一分布曲线得到持续性注意力的测评答题分值，并根据所述第二分值和第二分布曲线得到持续性注意力的测评EEG分值；
    根据所述持续性注意力的测评答题分值、持续性注意力的测评EEG分值和第一自评分构建第一多变量回归方程，并通过正规方程得到所述第一多变量回归方程的第一最优系数，将所述第一最优系数带入所述第一多变量回归方程以得到所述预设多变量回归方程的持续性注意力的多变量回归方程。
  13. 如权利要求12所述的注意力测评系统，其中，所述注意力测评程序被所述处理器执行时还实现以下步骤：
    获取所述测评者进行所述其他注意力游戏时的第二测评答题数 据和第二自评分，并通过所述智能头环获取对应的第二测评EEG数据；
    分别对所述第二测评答题数据和第二测评EEG数据进行预处理，得到对应的第三分值和第四分值；
    分别对所述第三分值和第四分值进行核密度估计，得到对应的第三分布曲线和第四分布曲线；
    根据所述第三分值和第三分布曲线得到其他注意力的测评答题分值，并根据所述第四分值和第四分布曲线得到其他注意力的测评EEG分值；
    根据所述其他注意力的测评答题分值、其他注意力的测评EEG分值和第二自评分构建第二多变量回归方程，并通过正规方程得到所述第二多变量回归方程的第二最优系数，将所述第二最优系数带入所述第二多变量回归方程以得到所述预设多变量回归方程的其他注意力的多变量回归方程。
  14. 如权利要求13所述的注意力测评系统，其中，所述注意力测评程序被所述处理器执行时还实现以下步骤：
    分别对所述第一答题数据、第一EEG数据、第二答题数据和第二EEG数据进行预处理，得到对应的第五分值、第六分值、第七分值和第八分值；
    根据所述第五分值和第一分布曲线通过积分得到与所述第五分值对应的第一曲线下面积及所述第一分布曲线与横轴之间的第一总面积，并将所述第一曲线下面积与第一总面积的百分比值记为第一答题分值；
    根据所述第六分值和第二分布曲线通过积分得到与所述第六分值对应的第二曲线下面积及所述第二分布曲线与横轴之间的第二总面积，并将所述第二曲线下面积与第二总面积的百分比值记为第一EEG分值；
    根据所述第七分值和第三分布曲线通过积分得到与所述第七分值对应的第三曲线下面积及所述第三分布曲线与横轴之间的第三总面积，并将所述第三曲线下面积与第三总面积的百分比值记为第二答 题分值；
    根据所述第八分值和第四分布曲线通过积分得到与所述第八分值对应的第四曲线下面积及所述第四分布曲线与横轴之间的第四总面积，并将所述第四曲线下面积与第四总面积的百分比值记为第二EEG分值。
  15. 如权利要求13所述的注意力测评系统，其中，所述注意力测评程序被所述处理器执行时还实现以下步骤：
    根据所述第一答题分值、第一EEG分值和预设多变量回归方程中的持续性注意力的多变量回归方程得到续性注意力游戏的分数值，并根据所述第二答题分值、第二EEG分值和预设多变量回归方程中的其他注意力的多变量回归方程得到其他注意力的分数值。
  16. 如权利要求15所述的注意力测评系统，其中，所述第一答题数据和第一测评答题数据包括最大连续答题正确数和答题总数，所述第二答题数据和第二测评答题数据包括答题正确数和答题错误数。
  17. 一种计算机可读存储介质，其中，所述计算机可读存储介质上存储有注意力测评程序，所述注意力测评程序被处理器执行时实现以下步骤：
    所述注意力测评终端获取用户进行预设注意力游戏时的答题数据，并通过所述智能头环获取对应的脑电波EEG数据；
    对所述答题数据和EEG数据进行处理，得到对应的答题分值和EEG分值；
    根据所述答题分值、EEG分值和预设多变量回归方程，得到注意力分数值。
  18. 如权利要求17所述的计算机可读存储介质，其中，所述预设多变量回归方程的通式为：Z＝aX+bY，其中，Z为注意力分值，X为答题分值，Y为EEG分值，a，b分别为对应的最优系数。
  19. 如权利要求18所述的计算机可读存储介质，其中，所述预设注意力游戏包括持续性注意力游戏和其他注意力游戏，所述其他注意力游戏包括选择性注意力游戏、转换性注意力游戏、分散性注意力游戏和注意力广度游戏，所述注意力测评程序被处理器执行时还实现 以下步骤：
    所述注意力测评终端分别获取用户进行持续性注意力游戏和其他注意力游戏时的第一答题数据和第二答题数据，并分别通过所述智能头环获取对应的第一EEG数据和第二EEG数据；
    所述对所述答题数据和EEG数据进行处理，得到对应的答题分值和EEG分值的步骤，包括：
    分别对所述第一答题数据、第一EEG数据、第二答题数据和第二EEG数据进行处理，得到对应的第一答题分值、第一EEG分值、第二答题分值和第二EEG分值；
    所述根据所述答题分值、EEG分值和预设多变量回归方程，得到注意力分数值的步骤，包括：
    根据所述第一答题分值、第一EEG分值、第二答题分值、第二EEG分值和预设多变量回归方程，得到持续性注意力游戏的分数值和其他注意力的分数值。
  20. 如权利要求19所述的计算机可读存储介质，其中，所述注意力测评程序被处理器执行时还实现以下步骤：
    获取测评者进行所述持续性注意力游戏时的第一测评答题数据和第一自评分，并通过所述智能头环获取对应的第一测评EEG数据；
    分别对所述第一测评答题数据和第一测评EEG数据进行预处理，得到对应的第一分值、第二分值；
    分别对所述第一分值和第二分值进行核密度估计，得到对应的第一分布曲线和第二分布曲线；
    根据所述第一分值和第一分布曲线得到持续性注意力的测评答题分值，并根据所述第二分值和第二分布曲线得到持续性注意力的测评EEG分值；
    根据所述持续性注意力的测评答题分值、持续性注意力的测评EEG分值和第一自评分构建第一多变量回归方程，并通过正规方程得到所述第一多变量回归方程的第一最优系数，将所述第一最优系数带入所述第一多变量回归方程以得到所述预设多变量回归方程的持续性注意力的多变量回归方程。
PCT/CN2019/089042 2018-08-01 2019-05-29 注意力测评方法、系统及计算机可读存储介质 WO2020024688A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810868482.0A CN109009171B (zh) 2018-08-01 2018-08-01 注意力测评方法、系统及计算机可读存储介质
CN201810868482.0 2018-08-01

Publications (1)

Publication Number Publication Date
WO2020024688A1 true WO2020024688A1 (zh) 2020-02-06

Family

ID=64648962

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/CN2019/089042 WO2020024688A1 (zh) 2018-08-01 2019-05-29 注意力测评方法、系统及计算机可读存储介质
PCT/US2019/054057 WO2020037332A2 (en) 2018-08-01 2019-10-01 Systems and methods for personalized learning and attention evaluation through neuro-feedback training

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/US2019/054057 WO2020037332A2 (en) 2018-08-01 2019-10-01 Systems and methods for personalized learning and attention evaluation through neuro-feedback training

Country Status (3)

Country Link
CN (1) CN109009171B (zh)
BR (1) BR112021001717A2 (zh)
WO (2) WO2020024688A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111708674A (zh) * 2020-06-16 2020-09-25 百度在线网络技术（北京）有限公司 用于确定重点学习内容的方法、装置、设备及存储介质
CN112528890A (zh) * 2020-12-15 2021-03-19 北京易华录信息技术股份有限公司 一种注意力评估方法、装置及电子设备
CN112784144A (zh) * 2020-07-18 2021-05-11 广元量知汇科技有限公司 一种基于大数据的在线教育课件管理方法
CN113191438A (zh) * 2021-05-08 2021-07-30 啊哎(上海)科技有限公司 学习风格识别模型训练和识别方法、装置、设备及介质
CN113440151A (zh) * 2021-08-03 2021-09-28 合肥科飞康视科技有限公司 一种专注力检测系统、检测方法及系统的使用方法
CN113546395A (zh) * 2021-07-28 2021-10-26 西安领跑网络传媒科技股份有限公司 一种智能化运动训练系统及训练方法
CN113679386A (zh) * 2021-08-13 2021-11-23 北京脑陆科技有限公司 对注意力进行识别的方法、装置、终端及介质
CN113806534A (zh) * 2021-09-03 2021-12-17 电子科技大学 一种面向社交网络的热点事件预测方法
CN115581457A (zh) * 2022-12-13 2023-01-10 深圳市心流科技有限公司 注意力评估方法、装置、设备及存储介质
CN117158972A (zh) * 2023-11-04 2023-12-05 北京视友科技有限责任公司 一种注意力转移能力的评价方法、系统、装置及存储介质

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109009171B (zh) * 2018-08-01 2020-11-13 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
CN109567797B (zh) * 2019-01-30 2021-10-01 浙江强脑科技有限公司 癫痫预警方法、装置及计算机可读存储介质
CN110522447B (zh) * 2019-08-27 2020-09-29 中国科学院自动化研究所 基于脑-机接口的注意力调控系统
CN111959152A (zh) * 2019-09-30 2020-11-20 菲斯克(北京)体育科技有限公司 幼儿心理行为及情绪问题测评表
CN111223566A (zh) * 2019-12-30 2020-06-02 浙江强脑科技有限公司 注意力测评和训练方法、装置、设备及可读存储介质
CN111297378B (zh) * 2020-01-22 2022-09-09 福建中医药大学 一种注意力评估方法及系统
CN111227849B (zh) * 2020-02-11 2022-04-01 杭州同绘科技有限公司 一种基于vr的注意力评估系统及评估方法
CN111281379A (zh) * 2020-03-02 2020-06-16 清华大学 经颅直流电刺激提升注意力广度的方法及装置
WO2021225517A1 (en) * 2020-05-08 2021-11-11 National University Of Singapore System and method for implementing a learning path
CN112205985B (zh) * 2020-09-29 2021-09-03 北京航空航天大学 视觉持续注意力训练装置、训练与测试系统及其方法
CN112168185B (zh) * 2020-09-29 2021-11-09 北京航空航天大学 视觉持续注意力测试装置和方法
CN112957049A (zh) * 2021-02-10 2021-06-15 首都医科大学宣武医院 基于脑机接口设备技术的注意力状态监测装置及方法
CN113509189A (zh) * 2021-07-07 2021-10-19 科大讯飞股份有限公司 一种学习状态监控方法及其相关设备
CN113827243B (zh) * 2021-11-29 2022-04-01 江苏瑞脑启智医疗科技有限公司 注意力评估方法及系统
CN113974657B (zh) * 2021-12-27 2022-09-27 深圳市心流科技有限公司 基于脑电信号的训练方法、装置、设备及存储介质
CN114159064B (zh) * 2022-02-11 2022-05-17 深圳市心流科技有限公司 基于脑电信号的专注力评估方法、装置、设备及存储介质
CN114224364B (zh) * 2022-02-21 2022-05-17 深圳市心流科技有限公司 用于专注力训练的脑电波信号处理方法、装置及存储介质
CN116687411B (zh) * 2023-08-09 2023-11-17 深圳市心流科技有限公司 一种游戏综合分数获取方法、装置、智能终端和存储介质
CN117158973B (zh) * 2023-11-04 2024-03-15 北京视友科技有限责任公司 一种注意力稳定性评价方法、系统、装置及存储介质
CN117563104B (zh) * 2023-11-07 2024-05-14 好心情健康产业集团有限公司 一种用于训练注意力的设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366618A (zh) * 2013-07-18 2013-10-23 梁亚楠 基于人工智能与虚拟现实用于汉语学习培训的场景设备
CN105139695A (zh) * 2015-09-28 2015-12-09 南通大学 一种基于脑电波采集的课堂教学监测方法及系统
CN106708261A (zh) * 2016-12-05 2017-05-24 深圳大学 一种基于脑机交互的注意力训练方法及系统
CN108182541A (zh) * 2018-01-10 2018-06-19 张木华 一种混合学习效果评估与干预方法与装置
CN108320070A (zh) * 2017-12-22 2018-07-24 新华网股份有限公司 教学质量测评方法和系统
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

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101284156A (zh) * 2008-06-02 2008-10-15 西安电子科技大学 注意缺陷障碍症的个性化矫治方法及装置
US20120130800A1 (en) * 2010-11-24 2012-05-24 Anantha Pradeep Systems and methods for assessing advertising effectiveness using neurological data
SE1150718A1 (sv) * 2011-07-22 2013-01-23 Metod, arrangemang och datorprogram för att förbättra användares kognitiva funktioner
CN102397703B (zh) * 2011-11-23 2013-12-18 杭州尚想科技有限公司 一种新型的基于脑电控制的寻径小车系统
WO2014172775A1 (en) * 2013-04-22 2014-10-30 Personal Neuro Devices Inc. Methods and devices for brain activity monitoring supporting mental state development and training
US10827981B2 (en) * 2013-09-19 2020-11-10 Tata Consultancy Services Limited System and method for evaluating a cognitive load on a user corresponding to a stimulus
US9881512B2 (en) * 2014-08-29 2018-01-30 Dhiraj JEYANANDARAJAN Systems and methods for customizing a learning experience of a user
US10108264B2 (en) * 2015-03-02 2018-10-23 Emotiv, Inc. System and method for embedded cognitive state metric system
US9507974B1 (en) * 2015-06-10 2016-11-29 Hand Held Products, Inc. Indicia-reading systems having an interface with a user's nervous system
US20190008436A1 (en) * 2015-07-31 2019-01-10 Atentiv Llc Method and system for monitoring and improving attention
CN105159465B (zh) * 2015-10-16 2019-08-30 北京京东尚科信息技术有限公司 用户阅读理解度监测方法及系统
KR20170092757A (ko) * 2016-02-04 2017-08-14 동서대학교산학협력단 뇌파를 이용한 집중력 판별 콘텐츠 제공 시스템 및 방법
CN107577343B (zh) * 2017-08-25 2020-04-28 北京航空航天大学 一种基于力触觉反馈和脑电信号分析的注意力训练与评价装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366618A (zh) * 2013-07-18 2013-10-23 梁亚楠 基于人工智能与虚拟现实用于汉语学习培训的场景设备
CN105139695A (zh) * 2015-09-28 2015-12-09 南通大学 一种基于脑电波采集的课堂教学监测方法及系统
CN106708261A (zh) * 2016-12-05 2017-05-24 深圳大学 一种基于脑机交互的注意力训练方法及系统
CN108320070A (zh) * 2017-12-22 2018-07-24 新华网股份有限公司 教学质量测评方法和系统
CN108182541A (zh) * 2018-01-10 2018-06-19 张木华 一种混合学习效果评估与干预方法与装置
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

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111708674A (zh) * 2020-06-16 2020-09-25 百度在线网络技术（北京）有限公司 用于确定重点学习内容的方法、装置、设备及存储介质
CN112784144B (zh) * 2020-07-18 2022-11-29 长沙麦都网络科技有限公司 一种基于大数据的在线教育课件推送方法
CN112784144A (zh) * 2020-07-18 2021-05-11 广元量知汇科技有限公司 一种基于大数据的在线教育课件管理方法
CN112528890A (zh) * 2020-12-15 2021-03-19 北京易华录信息技术股份有限公司 一种注意力评估方法、装置及电子设备
CN112528890B (zh) * 2020-12-15 2024-02-13 北京易华录信息技术股份有限公司 一种注意力评估方法、装置及电子设备
CN113191438A (zh) * 2021-05-08 2021-07-30 啊哎(上海)科技有限公司 学习风格识别模型训练和识别方法、装置、设备及介质
CN113191438B (zh) * 2021-05-08 2023-08-15 啊哎(上海)科技有限公司 学习风格识别模型训练和识别方法、装置、设备及介质
CN113546395A (zh) * 2021-07-28 2021-10-26 西安领跑网络传媒科技股份有限公司 一种智能化运动训练系统及训练方法
CN113440151A (zh) * 2021-08-03 2021-09-28 合肥科飞康视科技有限公司 一种专注力检测系统、检测方法及系统的使用方法
CN113440151B (zh) * 2021-08-03 2024-04-12 合肥科飞康视科技有限公司 一种专注力检测系统、检测方法及系统的使用方法
CN113679386A (zh) * 2021-08-13 2021-11-23 北京脑陆科技有限公司 对注意力进行识别的方法、装置、终端及介质
CN113806534B (zh) * 2021-09-03 2023-04-18 电子科技大学 一种面向社交网络的热点事件预测方法
CN113806534A (zh) * 2021-09-03 2021-12-17 电子科技大学 一种面向社交网络的热点事件预测方法
CN115581457A (zh) * 2022-12-13 2023-01-10 深圳市心流科技有限公司 注意力评估方法、装置、设备及存储介质
CN117158972A (zh) * 2023-11-04 2023-12-05 北京视友科技有限责任公司 一种注意力转移能力的评价方法、系统、装置及存储介质
CN117158972B (zh) * 2023-11-04 2024-03-15 北京视友科技有限责任公司 一种注意力转移能力的评价方法、系统、装置及存储介质

Also Published As

Publication number Publication date
CN109009171A (zh) 2018-12-18
BR112021001717A2 (pt) 2021-05-25
CN109009171B (zh) 2020-11-13
WO2020037332A2 (en) 2020-02-20
WO2020037332A3 (en) 2020-04-30

Similar Documents

Publication Publication Date Title
WO2020024688A1 (zh) 注意力测评方法、系统及计算机可读存储介质
Hartanto et al. Context counts: The different implications of weekday and weekend video gaming for academic performance in mathematics, reading, and science
US8825642B2 (en) Game recommendation engine for mapping games to disabilities
Wermelinger Ávila et al. The Role of Physical Activity in the Association Between Resilience and Mental Health in Older Adults.
Sung et al. Relationship between the knowledge, attitude, and self-efficacy on sexual health care for nursing students
Preau et al. Health-related quality of life and patient–provider relationships in HIV-infected patients during the first three years after starting PI-containing antiretroviral treatment
Schünemann et al. A randomised trial to evaluate the self-administered standardised chronic respiratory questionnaire
JP6635899B2 (ja) 理解度算出装置及び理解度算出方法
Reupert The counsellor's self in therapy: An inevitable presence
CN113974657B (zh) 基于脑电信号的训练方法、装置、设备及存储介质
CN111223566A (zh) 注意力测评和训练方法、装置、设备及可读存储介质
US11935137B2 (en) Method for distributing equity reward for federated learning based on equity theory
Eekhout et al. Analyzing incomplete item scores in longitudinal data by including item score information as auxiliary variables
Kroemeke et al. Well-being and institutional care in older adults: Cross-sectional and time effects of provided and received support
KR20130116982A (ko) Ｓｎｓ에서 사회적 이웃의 관심사와 사회적 활동의 토픽을 통해 사용자 관심사를 추론하는 방법 및 그 시스템
Miley et al. Causal pathways to social and occupational functioning in the first episode of schizophrenia: uncovering unmet treatment needs
Shyan et al. Parental attachment, smartphone addiction and stress among undergraduate students
CN115191002A (zh) 匹配系统、匹配方法以及匹配程序
TWI758036B (zh) 基於孩童性格特質的評估測驗表建立方法、評估測驗表及其評估方法
Bokhonkova et al. Research of Types of Learned Helplessness of Future Specialists in Foreign Philology
JP2019022540A (ja) プログラム、情報処理装置およびストレス評価方法
US11144543B2 (en) Computer-readable recording medium, estimation method and estimation device
KR101890374B1 (ko) 뇌파 신호 및 문제를 이용한 두뇌 훈련 방법 및 이를 이용한 두뇌 훈련 장치
WO2024034037A1 (ja) 支援装置、支援方法及び支援プログラム
Rateau et al. Normative data for the rosner test of visual analysis skills on an Australian population

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19844827

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 10.06.2021)

122 Ep: pct application non-entry in european phase

Ref document number: 19844827

Country of ref document: EP

Kind code of ref document: A1