CN108888280B - 基于脑电信号分析的学生听课注意力评价方法 - Google Patents
基于脑电信号分析的学生听课注意力评价方法 Download PDFInfo
- Publication number
- CN108888280B CN108888280B CN201810507554.9A CN201810507554A CN108888280B CN 108888280 B CN108888280 B CN 108888280B CN 201810507554 A CN201810507554 A CN 201810507554A CN 108888280 B CN108888280 B CN 108888280B
- Authority
- CN
- China
- Prior art keywords
- signal
- electroencephalogram
- attention
- component
- analysis
- 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.)
- Expired - Fee Related
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 title claims abstract description 21
- 230000003321 amplification Effects 0.000 claims abstract description 29
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 37
- 238000000354 decomposition reaction Methods 0.000 claims description 21
- 238000012880 independent component analysis Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000000537 electroencephalography Methods 0.000 claims description 12
- 210000004556 brain Anatomy 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 210000003710 cerebral cortex Anatomy 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- Psychology (AREA)
- Signal Processing (AREA)
- Developmental Disabilities (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Child & Adolescent Psychology (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于脑电信号分析的学生听课注意力评价方法,为解决学生听课注意力集中度难以表征的问题,基于脑电信号分析的学生听课注意力评价方法为:1.采集学生的脑电信号:1)采集原始脑电信号;2)对原始脑电信号进行前置一级放大处理;3)对一级放大处理的脑电信号进行再次放大;4)将放大后的脑电信号转换为数字信号;2.分析脑电信号:1)去除脑电信号工频干扰;2)对脑电信号进行低通滤波处理;3)去除眼电伪迹;4)特征提取与量化;6)将样本熵量化为注意力集中度;3.将量化的注意力集中度通过无线发送设备发送;4.通过无线接收设备接收注意力集中度数据;5.存储一段时间的注意力集中度数据;6.通过可视化界面呈现。
Description
技术领域
本发明涉及一种属于认知神经科学和信息技术领域的评价方法,更确切地说,本发明涉及一种基于脑电信号分析的学生听课注意力评价方法。
背景技术
人类的情感、状态的变化与自身的脑电信号的变化有着一定程度的关联。课堂上,学生注意力越集中,就能更清楚地掌握教师所讲内容,而注意力集中程度的变化又切切实实与脑电信号的变化息息相关。
大脑细胞群在活动时,会产生有节律的电场波动。脑电信号(Electroencephalograph,EEG),就是这种电场波动在大脑皮层或头皮表面的总体反映,记录了大脑活动时的电信号的变化。脑电信号是一种随机信号,具有非平稳和非线性的特点,能够反映人体神经***的状态和变化。脑机接口技术(Brain Computer Interface,BCI)就是通过在大脑皮层采集脑电信号,感测大脑神经元电信号模式,经过放大、滤波、特征提取等步骤,将其转化成可以解读的信号,从中辨别人体的状态、情感、意念与情绪等。
脑电信号的频率范围在0-30Hz,按照不同频率可分为δ、θ、α和β四个波段,其中δ波频率范围在0.5-4Hz,幅度在20-200μV,主要反映人处于深度睡眠的状态或者有严重器质性脑疾患;θ波频率范围在4-8Hz,幅度在10-50μV,主要反映人轻睡状态和困倦时的状态;α波频率范围在8-13Hz,幅度在50μV左右,主要反映人处于松弛且闭眼清醒的状态;β波频率范围在13-30Hz,幅度在5-20μV,其复杂程度与精神紧张程度有着很大的相关性,复杂程度越高一般意味着人脑较为清醒、精神紧张、有着较高的注意力集中度。
因此我们通过分析脑电信号中β波复杂程度的变化评价学生听课注意力。
现有的脑机接口专利中还没有将脑电信号分析注意力集中度运用到学生听课注意力评价上,目前已有的专利技术涉及了驾驶环境下注意力的评估(如申请号为CN201410381256)、注意力训练***(如申请号为CN201611106017.0)、注意力测试***(如申请号为CN201710164162.2),而通过分析学生上课过程中脑电波特定频带的变化来评价学生听课注意力是一种新颖且高效的方法,尚未有相关专利予以披露。
发明内容
本发明所要解决的技术问题就是为了解决学生听课注意力集中度难以表征的问题,而提供了一种基于脑电信号分析的学生听课注意力评价方法。
为解决上述技术问题,本发明是采用如下技术方案实现的:所述的基于脑电信号分析的学生听课注意力评价方法的步骤如下:
1)采集学生的脑电信号;
2)滤波处理、单独提取β频带计算样本熵,并将样本熵量化为注意力集中度;
3)将量化的注意力集中度通过无线发送设备发送;
4)通过无线接收设备接收注意力集中度数据;
5)存储一段时间的注意力集中度数据;
6)通过可视化界面呈现。
技术方案中所述的采集学生的脑电信号是指:
(1)采集原始脑电信号;
选用湿电极单通道采集方式,包含一个数据电极,两个参考电极,数据电极放置在国际脑电图学会规定的10-20标准电极放置法中的Fpz位置即额极中点处采集数据,参考电极A1与参考电极A2放置在左右耳乳突处;
(2)对原始脑电信号进行前置一级放大处理
由于采集到的原始脑电信号十分微弱,幅值范围在5μV~100μV,因此需要对其进行放大处理,其放大增益要比一般的信号高得多,一般要放大20000倍左右;
(3)对一级放大处理的脑电信号进行再次放大
为防止放大倍数过高导致的引入噪声使放大器饱和,将放大过程分为两个阶段,本步骤中采用简单的同向放大电路,对前置放大器放大的信号进行再次放大,放大倍数为100;
(4)将放大后的脑电信号转换为数字信号
将放大后的模拟脑电信号通过A/D转换器进行转换,采样频率设置为每秒钟512个样本点,转换后的数字信号送入脑电信号分析单元。
技术方案中所述的滤波处理、单独提取β频带计算样本熵,并将样本熵量化为注意力集中度是指:
(1)去除脑电信号工频干扰
普通环境下,脑电信号的采集受到频率为50Hz的市电电压带来的工频环境干扰,影响脑电信号的分析;此步骤中,本发明采用FIR陷波滤波器来消除工频干扰,其阻带设为45至55Hz;
(2)对脑电信号进行低通滤波处理
由于有用的脑电信号频率较小,因此采用Chebyshev I型低通滤波器去除高频干扰,通带截止频率为50Hz;
(3)去除眼电伪迹;
(4)提取β频带脑电信号;
(5)计算样本熵
对脑电信号加滑动时间窗,以1s长度为滑动时间窗即512个点,计算脑电信号的样本熵,窗口每次移动64个采样点,并计算下1s时间窗的脑电信号的样本熵,直到计算出一分钟时间内信号最后1s时间窗的脑电信号的样本熵为止,从而获得这段样本数据中脑电信号样本熵的时间序列;
将这一组样本熵序列叠加平均,即获得1min时间内信号的样本熵;
(6)将样本熵量化为注意力集中度
通过计算不同时段β波样本熵的值来标定该时段注意力集中度;所述量化过程将样本熵的值按照(0-0.5]、(0.5-1.0]、(1.0-1.5]、(1.5-2.0]和大于2.0量化为label1、label2、label3、label4、label5五级,分别代表低值、较低值,正常水平、高值、较高值,注意力集中程度逐渐提高。
技术方案中所述的去除眼电伪迹是指:
a.总体经验模态分解;
b.快速独立成分分析
采用的快速独立成分分析算法是一种基于负熵的独立成分分析方法,对于a步骤中得到的每个本征模态分量分别输入独立成分分析***中进行盲源分离,得到的源信号包括脑电分量源信号和眼电分量源信号;
c.阈值判定,挑选出纯净的脑电分量
针对源信号中各个分量近似熵设置阈值,当熵值大于0.6时判断为眼电分量,熵值小于等于0.6的判断为脑电分量,同时将眼电分量置0,得到脑电信号源;
d.快速独立成分分析逆变换
通过快速独立成分分析逆变换将上述c步骤中得到的脑电信号源转化为从单个本征模态分量中提取的较为纯净的脑电信号;
e.将d步骤中得到的所有纯净脑电信号加和
将d步骤中提取到的多个纯净信号分量加和,此时便实现了脑电信号的预处理。
技术方案中所述的总体经验模态分解是指:
经过A/D转换后的脑电信号由总体经验模态分解将其分解成若干个本征模态分量,本征模态分量需要满足信号极值点数量与零点数量相等或者差值为1以及由信号的极大值定义的上包络和极小值定义的下包络的局部均值为0这两个条件;
分解过程如下:
a)将均值为零标准差为常数的高斯白噪声Ni(t)加入输入信号S(t)中使得
Si(t)=S(t)+Ni(t)
其中:Ni(t)表示第i次加入的噪声;
b)求出Si(t)所有极值点,包括极大值和极小值;
c)对极值点采用三次样条拟合,求出上、下包络曲线,计算出均值,进而求出原始信号和均值的差值h;
d)判断原始信号和均值的差值h能否满足本征模态分量的两个条件,如果满足,将原始信号和均值的差值h作为第一个本征模态分量;否则对原始信号和均值的差值h进行前两步操作,重复这一过程,直到第k步满足本征模态分量条件,便求得了第一个本征模态分量,求出原信号与本征模态分量的差值r;
e)将差值r作为待分解的信号,进行上述分解过程,直到最终的差值r为单调信号或者只存在一个极点为止;
最终分解结果为:
其中:Cj(t)分解得到的第j个本征模态分量,R(t)为分解得到的余量。
技术方案中所述的提取β频带脑电信号是指:
a.快速傅里叶变换
对预处理后的信号进行快速傅里叶变换,得到频域信号;
b.频带筛选
保留13-30Hz频率段信号,即β波频率范围,将其他频域范围置0;
c.快速傅里叶逆变换
对b步骤中所得的结果进行快速傅里叶逆变换,得到只包含β波频段的时域信号。
与现有技术相比本发明的有益效果是:
本发明所述的基于脑电信号分析的学生听课注意力评价方法是通过分析学生上课时特定频带的大脑皮层电信息,提取注意力集中程度相关的脑电信号特征,通过计算机软件反馈出学生不同时段听课注意力,解决了学生听课注意力集中度难以量化和表征的问题,给教师授课提供建议。
附图说明
图1为本发明所述的基于脑电信号分析的学生听课注意力评价***结构组成的示意框图;
图2为本发明所述的基于脑电信号分析的学生听课注意力评价方法的流程框图;
图3为本发明所述的基于脑电信号分析的学生听课注意力评价方法中脑电信号采集方法的流程框图;
图4为本发明所述的基于脑电信号分析的学生听课注意力评价方法中脑电信号分析方法的流程框图;
图5为本发明所述的基于脑电信号分析的学生听课注意力评价方法的分析脑电信号步骤中去除眼电伪迹方法的流程框图;
图6为本发明所述的基于脑电信号分析的学生听课注意力评价方法的分析脑电信号步骤中特征提取与量化方法的流程框图;
具体实施方式
为使本发明要解决的技术问题、技术方案和优势更加清楚,下面将结合附图和具体实施例对本发明作进一步的描述。
本发明针对学生听课注意力集中度难以表征的问题,提供了一种基于脑电信号分析的学生听课注意力评价方法及***。
参阅图1,所述的基于脑电信号分析的学生听课注意力评价***包括学生端与教师端。
所述的学生端集成为单通道脑电头环,由可充电电池供电,学生端/单通道脑电头环集成了脑电信号采集单元、脑电信号分析单元与蓝牙无线发送单元。
所述的脑电信号采集单元采集大脑皮层的电信号,并进行放大和模数转换,其包括采集电极、前置一级放大器、二级放大电路以及A/D转换器四部分,转换后的信号传入脑电信号分析单元;
所述的脑电信号采集单元中采集电极选用单通道采集方式,使用湿电极更好的实现电路连通,包含一个数据电极,两个参考电极,数据电极放置在国际脑电图学会规定的10-20标准电极放置法中的Fpz位置(即额极中点处),参考电极A1和A2分别位于左右耳乳突处;
所述的脑电信号采集单元中前置一级放大器选用TI公司的仪表放大器INA128,5脚接地,3脚和2脚接差动输入,8脚和1脚接调节增益的电阻,此步骤中最大增益可达10000倍;
所述的脑电信号采集单元中二级放大电路采用简单的同向放大电路,放大倍数为100倍;
所述的脑电信号采集单元中A/D转换器采用美信公司的MAX548A低功耗8位电压型2路模数转换器,采样频率设置为每秒钟512个样本点;
所述的脑电信号分析单元对传入的脑电信号进行工频干扰的去除、低通滤波处理、去除眼电伪迹、相关频带信号特征提取并量化为5个注意力集中度等级,由一块TMS320LF2407 DSP微控制器通过预置程序执行上述步骤,其具有较好的数字信号处理能力,运算速度快,可扩展多个并行外部设备,能可靠地对脑电信号处理;
所述的脑电信号分析单元中TMS320LF2407 DSP微控制器的10引脚与A/D转换器的输出相接;
所述的蓝牙无线发送单元选用深圳市信泰微科技有限公司生产的BT-06蓝牙串口通讯模块,其接在DSP微控制器内嵌的同步串行口(SPI),将学生注意力集中度的量化结果实时传送到教师端;
所述的教师端嵌入在计算机上,包括蓝牙无线接收单元、数据库与可视化界面;学生端与教师端之间为无线通讯连接。
所述的蓝牙无线接收单元为深圳绿联科技有限公司生产的蓝牙适配器4.0,通过USB通用串行接口与教师计算机相连,接收学生端蓝牙无线发送单元传入的注意力集中度数据;
所述的数据库存储搭建计算机硬盘中,采用Redis键值存储数据库,采用记录文件保证数据库记录的持久化,允许随时查询或删除某课时某段时间的注意力集中情况;
所述的可视化界面通过计算机显示屏呈现,由VC++编写,调用数据库中数据,绘制出学生注意力集中度曲线。
参阅图2,本发明所述的基于脑电信号分析的学生听课注意力评价方法的步骤如下:
1.采集学生的脑电信号
参阅图3,采集学生的脑电信号由集成在脑电头环中的脑电信号采集单元完成,其步骤为:
(1)采集原始脑电信号
选用湿电极单通道采集方式,包含一个数据电极,两个参考电极,数据电极放置在国际脑电图学会规定的10-20标准电极放置法中的Fpz位置(即额极中点处)采集数据,参考电极A1和A2放置在左右耳乳突处;
(2)对原始脑电信号进行前置一级放大处理;
由于采集到的原始脑电信号十分微弱,幅值范围在5μV~100μV,因此需要对其进行多级放大处理,其放大增益要比一般的信号高得多,一般要放大20000倍左右;
(3)对一级放大处理的脑电信号进行再次放大;
为防止放大倍数过高导致的引入噪声使放大器饱和,将放大过程分为两个阶段,本步骤中采用简单的同向放大电路,对前置放大器放大的信号进行再次放大,放大倍数为100;
(4)将放大后的脑电信号转换为数字信号
将放大后的模拟脑电信号通过前述A/D转换器进行转换,采样频率设置为每秒钟512个样本点,转换后的数字信号送入脑电信号分析单元;
2.分析脑电信号
参阅图4,这一步骤由集成在脑电头环中的脑电信号分析单元完成,通过预置在DSP微控制器中的程序执行,其步骤为:
(1)去除脑电信号工频干扰
普通环境下,脑电信号的采集受到频率为50Hz的市电电压带来的工频环境干扰,影响脑电活动信号的分析;此步骤中,本发明采用FIR陷波滤波器来消除工频干扰,其阻带设为45至55Hz;
(2)对脑电信号进行低通滤波处理
由于有用的脑电信号频率较小,因此采用Chebyshev I型低通滤波器去除高频干扰,通带截止频率为50Hz;
(3)去除眼电伪迹
参阅图5,眼动等带来的眼电伪迹是脑电信号中的非常常见又严重影响着有用信息提取的噪声;本步骤中,采用总体经验模态分解和快速独立成分分析相结合的方法来消除眼电伪迹得到较为纯净的脑电信号;去除眼电伪迹的步骤为:
a.总体经验模态分解
经过A/D转换后的脑电信号由总体经验模态分解将其分解成若干个本征模态分量,本征模态分量需要满足信号极值点数量与零点数量相等或者差值为一以及由信号的极大值定义的上包络和极小值定义的下包络的局部均值为0这两个条件;
分解过程如下:
a)将均值为零标准差为常数的高斯白噪声Ni(t)加入输入信号S(t)中使得
Si(t)=S(t)+Ni(t)
其中:Ni(t)表示第i次加入的噪声;
b)求出Si(t)所有极值点,包括极大值和极小值;
c)对极值点采用三次样条拟合,求出上、下包络曲线,计算出均值,进而求出原始信号和均值的差值h;
d)判断原始信号和均值的差值h能否满足本征模态分量的两个条件,如果满足,将原始信号和均值的差值h作为第一个本征模态分量;否则对原始信号和均值的差值h进行前两步操作,重复这一过程,直到第k步满足本征模态分量条件,便求得了第一个本征模态分量,求出原信号与本征模态分量的差值r;
e)将差值r作为待分解的信号,进行上述分解过程,直到最终的差值r为单调信号或者只存在一个极点为止;
最终分解结果为:
其中:Cj(t)分解得到的第j个本征模态分量,R(t)为分解得到的余量。
b.快速独立成分分析
这里采用的快速独立成分分析算法是一种基于负熵的独立成分分析方法,对于a步骤中得到的每个本征模态分量分别输入独立成分分析***中进行盲源分离,得到的源信号包括脑电分量源信号和眼电分量源信号;
c.阈值判定,挑选出纯净的脑电分量
针对源信号中各个分量近似熵设置阈值,当熵值大于0.6时判断为眼电分量,熵值小于等于0.6的判断为脑电分量,同时将眼电分量置0,得到脑电信号源;
d.快速独立成分分析逆变换
通过快速独立成分分析逆变换将c步骤中得到的脑电信号源转化为从单个本征模态分量中提取的较为纯净的脑电信号;
e.将d步骤中得到的所有纯净脑电信号加和
将d步骤中提取到的多个纯净信号分量加和,此时便实现了脑电信号的预处理;
(4)特征提取与量化;
参阅图6,学生注意力集中度的脑电特征提取过程仍旧在前述的DSP微控制器中进行,通过内置程序实现信号的处理;本发明通过快速傅里叶变换来提取与注意力集中度相关的β波(即13-30Hz)脑电信号,其步骤为:
a.快速傅里叶变换;
对预处理后的信号进行快速傅里叶变换,得到频域信号;
b.频带筛选;
保留13-30Hz频率段信号,即β波频率范围,将其他频域范围置0;
c.快速傅里叶逆变换;
对b步骤中所得的结果进行快速傅里叶逆变换,得到只包含β波频段的时域信号;
(5)计算样本熵
对脑电信号加滑动时间窗,以1s长度为滑动时间窗(即512个点),计算脑电信号的样本熵,窗口每次移动64个采样点,并计算下1s时间窗的脑电信号的样本熵,直到计算出一分钟时间内信号最后1s时间窗的脑电信号的样本熵为止,从而获得这段样本数据中脑电信号样本熵的时间序列;
将这一组样本序列叠加平均,即获得1min时间内信号的样本熵;
(6)将样本熵量化为注意力集中度
通过计算不同时段β波样本熵的值来标定该时段注意力集中度;所述量化过程将样本熵的值按照(0-0.5]、(0.5-1.0]、(1.0-1.5]、(1.5-2.0]和大于2.0量化为label1、label2、label3、label4、label5五级,分别代表低值、较低值,正常水平、高值、较高值,注意力集中程度逐渐提高;
3.将量化的注意力集中度通过无线发送设备发送
此步骤中使用了BT-06蓝牙模块,将其作为步骤2所述的DSP微控制器的外部设备,从而实现注意力集中度的无线传输;
4.通过无线接收设备接收注意力集中度数据
教师端的蓝牙无线接收单元为蓝牙适配器4.0,其与计算机之间通过USB串口相连,待学生端蓝牙无线发送模块与教师端计算机***的蓝牙无线接收单元配对后,注意力集中度的量化结果被无线实时传送。
5.存储一段时间的注意力集中度数据
数据实时保存在计算机内部的搭建的键值存储数据库中,键值存储数据库采用记录文件保证数据库记录的持久化,允许随时查询某课时某段时间的注意力集中情况,数据库中键为1,2...n...45,表示一课时中的第n分钟,对应的值为第n分钟的注意力集中度量化结果。
6.通过可视化界面呈现
本发明所述的一种基于脑电信号分析的学生听课注意力评价方法的教师端可视化界面由VC++编写,调用数据库中数据,绘制出学生注意力集中度曲线。界面功能如下:可视化软件将一课时(即45分钟)内数据库中存储的数据绘制出学生注意力集中度曲线,通过计算机软件反馈出学生不同时段听课注意力,注意力集中度为高值和较高值的时段曲线为绿色,集中度为低值和较低值的时段曲线标为红色并加粗表示,以提醒教师对红色时段内所授内容和方法进行思考。
本发明提供了一种基于脑电信号分析的学生听课注意力评价方法,通过分析学生上课时特定频带的脑电波信息,提取注意力集中程度相关的脑电波特征,通过计算机软件反馈出学生不同时段听课注意力,解决了学生听课注意力集中度难以量化和表征的问题,给教师授课提供建议。
Claims (6)
1.一种基于脑电信号分析的学生听课注意力评价方法,其特征在于,所述的基于脑电信号分析的学生听课注意力评价方法的步骤如下:
1)采集学生的脑电信号;
2)滤波处理、单独提取β频带计算样本熵,并将样本熵量化为注意力集中度;
3)将量化的注意力集中度通过无线发送设备发送;
4)通过无线接收设备接收注意力集中度数据;
5)存储一段时间的注意力集中度数据;
6)通过可视化界面呈现。
2.按照权利要求1所述的基于脑电信号分析的学生听课注意力评价方法,其特征在于,所述的采集学生的脑电信号是指:
(1)采集原始脑电信号
选用湿电极单通道采集方式,包含一个数据电极,两个参考电极,数据电极放置在国际脑电图学会规定的10-20标准电极放置法中的Fpz位置即额极中点处采集数据,参考电极A1与参考电极A2放置在左右耳乳突处;
(2)对原始脑电信号进行前置一级放大处理
由于采集到的原始脑电信号十分微弱,幅值范围在5μV~100μV,因此需要对其进行放大处理,其放大增益要比一般的信号高得多,一般要放大20000倍左右;
(3)对一级放大处理的脑电信号进行再次放大
为防止放大倍数过高导致的引入噪声使放大器饱和,将放大过程分为两个阶段,本步骤中采用简单的同向放大电路,对前置放大器放大的信号进行再次放大,放大倍数为100;
(4)将放大后的脑电信号转换为数字信号
将放大后的模拟脑电信号通过A/D转换器进行转换,采样频率设置为每秒钟512个样本点,转换后的数字信号送入脑电信号分析单元。
3.按照权利要求1所述的基于脑电信号分析的学生听课注意力评价方法,其特征在于,所述的滤波处理、单独提取β频带计算样本熵,并将样本熵量化为注意力集中度是指:
(1)去除脑电信号工频干扰
普通环境下,脑电信号的采集受到频率为50Hz的市电电压带来的工频环境干扰,影响脑电信号的分析;此步骤中,本发明采用FIR陷波滤波器来消除工频干扰,其阻带设为45至55Hz;
(2)对脑电信号进行低通滤波处理
由于有用的脑电信号频率较小,因此采用Chebyshev I型低通滤波器去除高频干扰,通带截止频率为50Hz;
(3)去除眼电伪迹;
(4)提取β频带脑电信号;
(5)计算样本熵
对脑电信号加滑动时间窗,以1s长度为滑动时间窗即512个点,计算脑电信号的样本熵,窗口每次移动64个采样点,并计算下1s时间窗的脑电信号的样本熵,直到计算出一分钟时间内信号最后1s时间窗的脑电信号的样本熵为止,从而获得这段样本数据中脑电信号样本熵的时间序列;
将这一组样本熵序列叠加平均,即获得1min时间内信号的样本熵;
(6)将样本熵量化为注意力集中度
通过计算不同时段β波样本熵的值来标定该时段注意力集中度;所述量化过程将样本熵的值按照(0-0.5]、(0.5-1.0]、(1.0-1.5]、(1.5-2.0]和大于2.0量化为label1、label2、label3、label4、label5五级,分别代表低值、较低值,正常水平、高值、较高值,注意力集中程度逐渐提高。
4.按照权利要求3所述的基于脑电信号分析的学生听课注意力评价方法,其特征在于,所述的去除眼电伪迹是指:
a.总体经验模态分解;
b.快速独立成分分析
采用的快速独立成分分析算法是一种基于负熵的独立成分分析方法,对于a步骤中得到的每个本征模态分量分别输入独立成分分析***中进行盲源分离,得到的源信号包括脑电分量源信号和眼电分量源信号;
c.阈值判定,挑选出纯净的脑电分量
针对源信号中各个分量近似熵设置阈值,当熵值大于0.6时判断为眼电分量,熵值小于等于0.6的判断为脑电分量,同时将眼电分量置0,得到脑电信号源;
d.快速独立成分分析逆变换
通过快速独立成分分析逆变换将上述c步骤中得到的脑电信号源转化为从单个本征模态分量中提取的较为纯净的脑电信号;
e.将d步骤中得到的所有纯净脑电信号加和
将d步骤中提取到的多个纯净信号分量加和,此时便实现了脑电信号的预处理。
5.按照权利要求4所述的基于脑电信号分析的学生听课注意力评价方法,其特征在于,所述的总体经验模态分解是指:
经过A/D转换后的脑电信号由总体经验模态分解将其分解成若干个本征模态分量,本征模态分量需要满足信号极值点数量与零点数量相等或者差值为1以及由信号的极大值定义的上包络和极小值定义的下包络的局部均值为0这两个条件;
分解过程如下:
a)将均值为零标准差为常数的高斯白噪声Ni(t)加入输入信号S(t)中使得
Si(t)=S(t)+Ni(t)
其中:Ni(t)表示第i次加入的噪声;
b)求出Si(t)所有极值点,包括极大值和极小值;
c)对极值点采用三次样条拟合,求出上、下包络曲线,计算出均值,进而求出原始信号和均值的差值h;
d)判断原始信号和均值的差值h能否满足本征模态分量的两个条件,如果满足,将原始信号和均值的差值h作为第一个本征模态分量;否则对原始信号和均值的差值h进行前两步操作,重复这一过程,直到第k步满足本征模态分量条件,便求得了第一个本征模态分量,求出原信号与本征模态分量的差值r;
e)将差值r作为待分解的信号,进行上述分解过程,直到最终的差值r为单调信号或者只存在一个极点为止;
最终分解结果为:
其中:Cj(t)分解得到的第j个本征模态分量,R(t)为分解得到的余量。
6.按照权利要求3所述的基于脑电信号分析的学生听课注意力评价方法,其特征在于,所述的提取β频带脑电信号是指:
a.快速傅里叶变换
对预处理后的信号进行快速傅里叶变换,得到频域信号;
b.频带筛选
保留13-30Hz频率段信号,即β波频率范围,将其他频域范围置0;
c.快速傅里叶逆变换
对b步骤中所得的结果进行快速傅里叶逆变换,得到只包含β波频段的时域信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810507554.9A CN108888280B (zh) | 2018-05-24 | 2018-05-24 | 基于脑电信号分析的学生听课注意力评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810507554.9A CN108888280B (zh) | 2018-05-24 | 2018-05-24 | 基于脑电信号分析的学生听课注意力评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108888280A CN108888280A (zh) | 2018-11-27 |
CN108888280B true CN108888280B (zh) | 2021-07-13 |
Family
ID=64343335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810507554.9A Expired - Fee Related CN108888280B (zh) | 2018-05-24 | 2018-05-24 | 基于脑电信号分析的学生听课注意力评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108888280B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109646022B (zh) * | 2019-01-10 | 2021-06-01 | 杭州电子科技大学 | 儿童注意力评估***及其方法 |
CN109846477B (zh) * | 2019-01-29 | 2021-08-06 | 北京工业大学 | 一种基于频带注意力残差网络的脑电分类方法 |
CN110595603B (zh) * | 2019-04-26 | 2022-04-19 | 深圳市豪视智能科技有限公司 | 基于视频进行振动分析方法及相关产品 |
CN112472106A (zh) * | 2019-09-10 | 2021-03-12 | 西安慧脑智能科技有限公司 | 一种解析脑电信号的方法、芯片、存储介质及装置 |
CN110897639A (zh) * | 2020-01-02 | 2020-03-24 | 清华大学深圳国际研究生院 | 一种基于深度卷积神经网络的脑电睡眠分期方法 |
CN111258428B (zh) * | 2020-01-20 | 2023-10-24 | 西安臻泰智能科技有限公司 | 脑电控制***及方法 |
CN112185191B (zh) * | 2020-09-21 | 2022-08-16 | 信阳职业技术学院 | 一种智能数字化教学模型 |
CN112245756A (zh) * | 2020-10-16 | 2021-01-22 | 郑州大学 | 一种基于单通道脑电的注意力训练方法 |
CN112494774A (zh) * | 2020-10-16 | 2021-03-16 | 杭州师范大学 | 一种基于延迟脑电反馈的持续注意调控*** |
CN112728604A (zh) * | 2021-01-11 | 2021-04-30 | 杭州老板电器股份有限公司 | 油烟机声品质的评价方法、装置和油烟机 |
CN113080998B (zh) * | 2021-03-16 | 2022-06-03 | 北京交通大学 | 一种基于脑电的专注状态等级评定方法和*** |
CN113476057B (zh) * | 2021-07-08 | 2023-04-07 | 先端智能科技(天津)有限公司 | 一种内容评价的方法和装置、电子装置及存储介质 |
CN116757524B (zh) * | 2023-05-08 | 2024-02-06 | 广东保伦电子股份有限公司 | 一种教师授课质量评价方法和装置 |
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、***、装置及存储介质 |
CN117918862B (zh) * | 2024-03-22 | 2024-05-31 | 南京信息工程大学 | 一种基于原始脑电信号的注意力评估方法、终端及介质 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060257834A1 (en) * | 2005-05-10 | 2006-11-16 | Lee Linda M | Quantitative EEG as an identifier of learning modality |
CN100573622C (zh) * | 2008-05-09 | 2009-12-23 | 杨杰 | 多媒体脑波反馈儿童学习训练方法及训练仪 |
US20110015536A1 (en) * | 2009-07-17 | 2011-01-20 | Michael Milgramm | EEG-based method for determining a subject's compatibility with a work environment |
WO2013147707A1 (en) * | 2012-03-30 | 2013-10-03 | Agency For Science, Technology And Research | Method for assessing the treatment of attention-deficit/hyperactivity disorder |
CN102920453A (zh) * | 2012-10-29 | 2013-02-13 | 泰好康电子科技(福建)有限公司 | 一种脑电波信号处理方法及其装置 |
CN103656833B (zh) * | 2013-12-24 | 2015-12-30 | 天津师范大学 | 一种穿戴式脑电注意力训练仪 |
CN203885496U (zh) * | 2013-12-24 | 2014-10-22 | 天津师范大学 | 穿戴式脑电注意力训练仪 |
CN103989485A (zh) * | 2014-05-07 | 2014-08-20 | 朱晓斐 | 基于脑电波的人体疲劳度评价方法 |
CN104182995B (zh) * | 2014-08-08 | 2017-02-15 | 吉林大学 | 一种基于驾驶疲劳的高速公路路侧景观色彩评价方法 |
CN104644165B (zh) * | 2015-02-11 | 2017-05-17 | 电子科技大学 | 一种佩戴式的脑电采集装置 |
CN104700119B (zh) * | 2015-03-24 | 2018-02-13 | 北京机械设备研究所 | 一种基于卷积盲源分离的脑电信号独立分量提取方法 |
CN106175799A (zh) * | 2015-04-30 | 2016-12-07 | 深圳市前海览岳科技有限公司 | 基于脑电波评估人体情绪和疲劳状态的方法及*** |
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*** |
CN106066697A (zh) * | 2016-06-13 | 2016-11-02 | 吉林大学 | 一种脑控手机拨号的控制装置及控制方法 |
CN105943207B (zh) * | 2016-06-24 | 2017-12-05 | 吉林大学 | 一种基于意念控制的智能假肢运动***及其控制方法 |
CN106691474A (zh) * | 2016-11-25 | 2017-05-24 | 中原电子技术研究所(中国电子科技集团公司第二十七研究所) | 融合脑电信号与生理信号的疲劳检测*** |
CN107174262B (zh) * | 2017-05-27 | 2021-02-02 | 西南交通大学 | 注意力评测方法和*** |
CN107463792B (zh) * | 2017-09-21 | 2023-11-21 | 北京大智商医疗器械有限公司 | 神经反馈装置、***及方法 |
CN107657868A (zh) * | 2017-10-19 | 2018-02-02 | 重庆邮电大学 | 一种基于脑电波的教学跟踪辅助*** |
-
2018
- 2018-05-24 CN CN201810507554.9A patent/CN108888280B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108888280A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108888280B (zh) | 基于脑电信号分析的学生听课注意力评价方法 | |
CN110765920B (zh) | 基于卷积神经网络的运动想象分类方法 | |
CN107024987B (zh) | 一种基于eeg的实时人脑注意力测试和训练*** | |
CN108236464B (zh) | 基于脑电信号的特征提取方法及其检测提取*** | |
CN106725462A (zh) | 基于脑电信号的声光睡眠干预***和方法 | |
CN110946576A (zh) | 一种基于宽度学习的视觉诱发电位识别情绪方法 | |
CN108113660B (zh) | 一种便携式多生物信号放大器 | |
CN110262658B (zh) | 一种基于强化注意的脑机接口字符输入***及实现方法 | |
CN110916652A (zh) | 用于基于运动想象的脑电控制机器人移动的数据采集装置、方法及其应用 | |
CN111616681A (zh) | 基于便携式脑电采集设备和深度学习的麻醉状态监测*** | |
CN109091141A (zh) | 一种基于脑电及眼电的睡眠质量监测仪及其监测方法 | |
CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
CN114403896B (zh) | 单通道脑电信号中眼电伪迹去除方法 | |
Islam et al. | Probability mapping based artifact detection and wavelet denoising based artifact removal from scalp EEG for BCI applications | |
CN114601476A (zh) | 一种基于视频刺激下的eeg信号情感识别方法 | |
CN113197583A (zh) | 一种基于时频分析和循环神经网络的心电图波形分割方法 | |
Korde et al. | Analysis of eeg signals and biomedical changes due to meditation on brain by using ica for feature extraction | |
Demir et al. | Bio-inspired filter banks for frequency recognition of SSVEP-based brain–computer interfaces | |
Radhakrishnan et al. | Investigating EEG Signals of Autistic Individuals Using Detrended Fluctuation Analysis. | |
Bandara et al. | Differentiation of signals generated by eye blinks and mouth clenching in a portable brain computer interface system | |
CN115686208A (zh) | 基于eeg的音乐诱发情绪识别方法及*** | |
Chowdhury et al. | Stress detection through single channel real-time EEG signal from temporal lobe using machine learning model | |
CN115192907A (zh) | 一种实时生物反馈经皮迷走神经电子针灸装置 | |
CN204745287U (zh) | 一种基于心率变异性的催眠治疗抑郁症效果评价*** | |
Tu et al. | Single-trial detection of visual evoked potentials by common spatial patterns and wavelet filtering for brain-computer interface |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210713 |