CN109276243A - 脑电心理测试方法及终端设备 - Google Patents
脑电心理测试方法及终端设备 Download PDFInfo
- Publication number
- CN109276243A CN109276243A CN201811015387.2A CN201811015387A CN109276243A CN 109276243 A CN109276243 A CN 109276243A CN 201811015387 A CN201811015387 A CN 201811015387A CN 109276243 A CN109276243 A CN 109276243A
- Authority
- CN
- China
- Prior art keywords
- test
- information
- eeg signals
- psychological test
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- 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
- A61B5/7235—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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for 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]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Psychology (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Multimedia (AREA)
Abstract
本发明涉及计算机技术领域,提供了一种脑电心理测试方法及终端设备。该方法包括:通过脑电采集设备采集受试者感受测试信息时的脑电信号;将所述测试信息输入基于机器学习的信息识别模型,并获取所述信息识别模型输出的识别结果;根据所述脑电信号和在时间上与所述脑电信号相对应的测试信息的识别结果确定心理测试结果。本发明能够利用信息识别模型对测试信息进行识别,无需事先对测试信息进行编辑整理,简化测试流程,提高测试效率,并且能够扩大测试信息的采用范围和数据量,增强心理测试的场景适用性,提升测试效果,使得心理测试更加方便和实用。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种脑电心理测试方法及终端设备。
背景技术
应用脑电波进行心理测试的一种原理是人类看到刺激物后会在脑电波信号上有所反映,而且这些变化是被测试者不容易控制的。对于普通人,相关测试可以协助分析出人的精神状态或思考模式,例如心理变化的刺激源等。对于戒毒者,相关测试可以用来检验是否成功心理戒毒,对于测谎者,相关测试可以用来检验是否说慌。
在利用脑电波测试心理状态的过程中,需要使用事先确定的输入数据集。例如需要用事先编辑好的图片、文字、声音等刺激序列;对于戒毒者需要事先用问卷调查戒毒者的复吸刺激源,然后把相关刺激信息输入***等。输入数据集的编辑整理耗时耗力,而且事先确定的输入数据集覆盖范围固定,限制了测试的适用场景。
发明内容
有鉴于此,本发明实施例提供了脑电心理测试方法及终端设备,以解决目前脑电心理测试过程中需要使用事先确定的输入数据集,由于输入数据集覆盖范围固定导致测试适用场景受到限制的问题。
本发明实施例的第一方面提供了脑电心理测试方法,包括:
通过脑电采集设备采集受试者感受测试信息时的脑电信号;
将所述测试信息输入基于机器学习的信息识别模型,并获取所述信息识别模型输出的识别结果;
根据所述脑电信号和在时间上与所述脑电信号相对应的测试信息的识别结果确定心理测试结果。
本发明实施例的第二方面提供了终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面中的脑电心理测试方法。
本发明实施例的第三方面提供了计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中的脑电心理测试方法。
本发明实施例与现有技术相比存在的有益效果是:通过基于机器学习的信息识别模型对测试信息进行自动识别,再根据受试者的脑电信号和在时间上与脑电信号相对应的测试信息的识别结果确定心理测试结果,能够利用信息识别模型对测试信息进行识别,无需事先对测试信息进行编辑整理,简化测试流程,提高测试效率,并且能够扩大测试信息的采用范围和数据量,增强心理测试的场景适用性,提升测试效果,使得心理测试更加方便和实用。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的脑电心理测试方法的实现流程图;
图2是本发明实施例提供的脑电心理测试方法中识别特殊脑电信号的实现流程图;
图3是本发明实施例提供的脑电采集设备的示意图;
图4是本发明实施例提供的脑电心理测试方法的实现框图;
图5是本发明实施例提供的脑电心理测试装置的示意图;
图6是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1为本发明实施例提供的脑电心理测试方法的实现流程图,详述如下:
在S101中,通过脑电采集设备采集受试者感受测试信息时的脑电信号。
在本实施例中,执行主体可以为终端设备,终端设备可以是桌上型计算机、笔记本、掌上电脑、手机及服务器等计算设备,在此不作限定。脑电采集设备为用于采集受试者脑电信号的设备,例如可以为头戴式的脑电采集设备或者其他形式的采集设备,在此不作限定。终端设备可以获取脑电采集设备采集到的脑电信号。
测试信息可以包括但不限于图片、音频、视频及文字中的一种或多种,在此不作限定。例如,测试信息可以为多个图片组成的图片集合。终端设备可以自身播放或通过其他播放设备播放测试信息,将测试信息呈现给受试者,以便采集受试者感受不同测试信息时的脑电信号。其中受试者为需要进行心理测试的人员,受试者感受测试信息可以为受试者通过视觉观看视频或图片,或者受试者通过听觉收听音频,或者受试者通过其他感知方式感受其他形式的测试信息等,在此不作限定。
可选地,所述脑电信号包括事件相关电位信号、自发电位信号、运动想象脑电信号及视觉诱发电位信号中的至少一种。
其中,事件相关电位(Event Related Potential,ERP)是一种特殊的脑诱发电位,通过有意地赋予刺激以特殊的心理意义,利用多个或多样的刺激所引起的脑的电位。例如受试者要快速判断萤幕上出现的图案为目标(如红色)或非目标(如绿色)时,出现目标相较于非目标物,顶叶的电极在刺激发生后300~500毫秒会记录到正向(positivity)电位,称为P300电位。P300电位被认为与人做决定的评估过程反应有关,可用来判读人的选择。自发电位为从头皮或皮层引出和记录的因脑细胞群自发活动而产生的连续电活动,这种电活动与感觉输入无特殊的相关。运动想象脑电为人想像某种肢体运动时的脑电模式。视觉诱发电位(Visual Evoked Potential,VEP)为神经***接受稳定的视觉刺激(如图形或闪光刺激)所产生的特定活动。
在S102中,将所述测试信息输入基于机器学习的信息识别模型,并获取所述信息识别模型输出的识别结果。
在本实施例中,可以预先建立基于机器学习的信息识别模型,并通过有监督学习和/或无监督学习训练信息识别模型。信息识别模型用于输入测试信息,输出对应的识别结果。
可选地,所述识别结果包括所述测试信息的名称和/或所述测试信息所属的类别。
在本实施例中,采用基于机器学习的信息识别模型时,脑电心理测试的测试信息无需人为预先进行编辑分类,可以直接大量输入,通过信息识别模型的自动识别后,可以获得测试信息的内容,或者测试信息所属的类别,或者测试信息的内容及所属的类别。
作为本发明的一个实施例,所述测试信息为测试图像,所述信息识别模型为通过带标签的图像样本训练的第一图像识别模型,所述第一图像识别模型用于识别所述测试图像中对象的名称或者对象所属的类别。
在本实施例中,可以预先建立第一图像识别模型,通过带标签的图像样本组成训练数据集,对第一图像识别模型进行训练。测试信息可以为多张测试图像。将测试图像输入第一图像识别模型后,第一图像识别模型输出识别到的测试图像中对象的名称或者对象所属的类别。
例如,在寻找影响平静的刺激源场景中,图像样本可以是包含对象的图像,将图像样本中对象的名称作为图像样本的标签,对第一图像识别模型进行训练。训练后的第一图像识别模型可以识别出测试图像中对象的名称;在戒毒心理测试场景中,图像样本可以是毒品、针管、吸毒环境等图片作为正例,其他与吸毒无关的图片作为负例,对第一图像识别模型进行训练,训练后的第一图像识别模型可以识别出测试图像中对象所属的类别,其中,对象所属的类别可以包括与吸毒相关的第一类别以及与吸毒无关的第二类别。
作为本发明的一个实施例,所述测试信息为测试图像,所述信息识别模型为通过无标签的图像样本训练的第二图像识别模型,所述第二图像识别模型用于识别所述测试图像中对象所属的类别。
在本实施例中,可以预先建立第二图像识别模型,通过无标签的图像样本组成训练数据集,对第二图像识别模型进行训练。测试信息可以为多张测试图像。将测试图像输入第二图像识别模型后,第二图像识别模型输出识别到的测试图像中对象所属的类别。
例如,在测试儿童智力的场景中,图像样本可以是包含规则图形(如圆形、正方形等)的图像和包含无规则图形的图像,图像样本无标签,可以通过聚类的无监督学习方法建立和训练第二图像识别模型,训练后的第一图像识别模型可以识别出测试图像中图形所属的类别。其中,图形所属的类别可以包括有规则类别以及无规则类别。
在S103中,根据所述脑电信号和在时间上与所述脑电信号相对应的测试信息的识别结果确定心理测试结果。
在本实施例中,受试者感受某测试信息时产生的脑电信号即为该测试信息对应的脑电信号,该测试信息与该脑电信号存在对应关系。可以获取在时间上相对应的脑电信号和测试信息,获取到该测试信息对应的识别结果,再根据脑电信号和对应的测试信息的识别结果进行心理测试分析,确定心理测试的结果。
例如,可以为每个测试信息设置表征测试信息播放时间的播放时间标识,为每个脑电信号设置表征信号产生时间的产生时间标识,根据测试信息的播放时间标识和脑电信号的产生时间标识确定测试信息和脑电信号的对应关系。
本发明实施例通过基于机器学习的信息识别模型对测试信息进行自动识别,再根据受试者的脑电信号和在时间上与脑电信号相对应的测试信息的识别结果确定心理测试结果,能够利用信息识别模型对测试信息进行识别,无需事先对测试信息进行编辑整理,简化测试流程,提高测试效率,并且能够扩大测试信息的采用范围和数据量,增强心理测试的场景适用性,提升测试效果,使得心理测试更加方便和实用。
需要注意的是,S102和S103两个步骤对应的计算机程序可以在同一终端设备上执行,也可以分别在不同的两个终端设备上执行或者多个终端设备上执行,例如S102和S103两个步骤对应的计算机程序可以都在手机等用户端执行;或者S102步骤对应的计算机程序在手机等用户端执行,S103步骤对应的计算机程序在服务器执行,在此不作限定。
作为本发明的一个实施例,S103可以包括:
根据所述脑电信号、在时间上与所述脑电信号相对应的测试信息的识别结果及预设规则确定心理测试结果;或者,
将所述脑电信号及在时间上与所述脑电信号相对应的测试信息的识别结果输入基于机器学习的心理测试模型得到心理测试结果。
在本实施例中,预设规则为根据实际应用场景设定的心理测试的分析规则。例如,戒毒心理测试场景的分析规则,寻找影响平静的刺激源场景的分析规则,测试儿童智力的场景的分析规则等,在此不作限定。基于机器学习的心理测试模型为用于自动进行心理测试分析的模型,可以根据实际应用场景确定采用的心理测试模型,在此不作限定。本实施例可以基于规则确定心理测试结果,也可以基于机器学习确定心理测试结果。
作为本发明的一个实施例,如图2所示,上述方法还可以包括:
在S201中,通过预设阈值识别出所述脑电信号中的特殊脑电信号。
在S202中,将所述特殊脑电信号对应的测试信息加入到所述信息识别模型的训练数据集,重新对所述信息识别模型进行训练。
在本实施例中,特殊脑电信号为对受试者额叶的波幅和潜伏期影响较大的测试信息所对应的脑电信号,即受试者在感受这些测试信息时产生的脑电信号。这些脑电信号的振幅或频率等信息与普通的脑电信号不同,因此可以通过预设阈值识别出脑电信号中的特殊脑电信号,例如可以将振幅大于预设阈值的脑电信号判定为特殊脑电信号。预设阈值的设置可以根据实际应用场景确定,在此不作限定。
由于特殊脑电信号对应的测试信息对心理测试结果有较大影响,可以判断特殊脑电信号对应的测试信息是否在信息识别模型的训练数据集中,若特殊脑电信号对应的测试信息不在信息识别模型的训练数据集,则将特殊脑电信号对应的测试信息加入到信息识别模型的训练数据集,重新对信息识别进行训练,这样可以提高脑电心理测试的准确度。
作为本发明的一个实施例,如图3所示,所述脑电采集设备为带有摄像头31的眼镜,所述眼镜的鼻梁位置设有第一电极32,所述眼镜的眼镜腿上与佩戴者耳朵相接触的邻近位置设有第二电极33。
在本实施例中,在测试信息为图像、视频、文字等可视信息时,摄像头31可以用于采集测试信息。摄像头31在眼镜上的设置位置可以根据实际情况确定,在此不作限定。第一电极32和第二电极33用于采集受试者的脑电信号。脑电采集设备可以将采集到的测试信息和脑电信号发送给终端设备进行数据处理,实现心理测试。通过带摄像头的眼镜式的脑电采集设备能够同时采集测试信息和脑电信号,提高脑电心理测试的便捷性,使脑电采集设备可以适应更多的应用场景。
作为本发明的一个实施示例,在寻找影响平静的刺激源的应用场景中,可以通过机器学***静状态,而出现ERP信号或者VEP信号作为不平静状态。不平静状态对应的图像标签就是刺激源。
作为本发明的一个实施示例,在寻找影响平静的刺激源的应用场景中,可以通过机器学***静状态,而出现ERP信号或者VEP信号作为不平静状态。不平静状态对应的图像标签就是刺激源。
作为本发明的一个实施示例,在检测是否成功戒毒的应用场景中,可以通过机器学习模块建立机器学习模型。该机器学习模型利用有标签的图像集合建立,例如毒品、针管、吸毒环境等的图片或者文字作为正例,其他与吸毒无关的图片或者文字作为负例。该机器学习模型可以检测输入图像与文字与毒品有关或者无关。脑电采集设备为测量脑电信号的普通设备,例如头箍。测试信息来自于普通计算设备的收集,例如电脑。机器学习模块也在该电脑上,测试信息直接输入机器学习模块。脑电采集设备输出脑电信号给该电脑或者通过蓝牙传送到移动设备,移动设备利用WIFI通信再把脑电信号发送给该电脑。机器学习模块输出数据与毒品有关还是无关的识别结果给心理测试模块。心理测试模块根据时间上对应的脑电信号和识别结果输出测试结果。具体的,可以把脑电信号的P300和N200作为指标统计。如果额叶的波幅和潜伏期变化较大,则是未脱毒者。特别的,如果某些识别结果对于额叶的波幅和潜伏期影响特别大,而又并非训练数据,可以考虑加入训练集合重新训练机器学习模型。
作为本发明的一个实施示例,在检测儿童智力发展的应用场景中,机器学习模块建立机器学习模型。该机器学习模型利用无标签的图像集合建立,例如有规则的图形(圆形,正方形等)和无规则的图形,可以通过图形中心点和边上的距离集合自动分类。脑电采集设备为测量脑电信号的普通设备,例如头箍。测试信息来自于普通计算设备的收集,例如电脑。机器学习模块也在该电脑上,测试信息直接输入机器学习模块。脑电采集设备输出脑电信号给该电脑或者通过蓝牙传送到移动设备,移动设备利用WIFI通信再把脑电信号发送给该电脑。机器学习模块输出测试信息中图形是规则还是不规则的识别结果给心理测试模块。心理测试模块根据时间上对应的脑电信号和识别结果输出测试结果。具体的,可以把脑电信号的P300和N200作为指标统计。如果对于低概率刺激反应明显强于高概率刺激,但是对于两类刺激的幅度明显低于正常值,则可以判断该对象智力发展有异常情况。
如图4所示,虚线框中为心理测试的传统方法,传统方法中是将测试信息输入佩戴脑电采集设备的受试者,脑电采集设备采集受试者的脑电信号,将脑电信号发送给心理测试模块,心理测试模块输出心理测试结果。本发明实施例将测试信息还输入到机器学习模块,机器学习模块对测试信息进行识别,将测试信息的识别结果发送到心理测试模块,心理测试模块根据脑电信号和对应的识别结果得到心理测试结果。本发明实施例对测试信息利用机器学习模型进行信息提取,就能扩大测试的采用范围,无需人为的限定测试信息类别,从而使得心理测试更加方便和实用。传统方法只有虚线框中的两步,本发明实施例增加了对于测试信息的机器学习处理,因此能扩大测试信息输入的范围,提升心理测试的效率。
本发明实施例能够大量的输入各种数据,对于检查刺激源的场景,能高效扩大监测的范围,对于检查心理状态的场景,可以高效增加数据量,能发现固定数据输入中不容易发现的新情况。本发明实施例也提出了一种新的脑电采集设备,将脑电检测电极与摄像头添加到眼镜上,能够使得心理测试的进行更加方便。
本发明实施例通过基于机器学习的信息识别模型对测试信息进行自动识别,再根据受试者的脑电信号和在时间上与脑电信号相对应的测试信息的识别结果确定心理测试结果,能够利用信息识别模型对测试信息进行识别,无需事先对测试信息进行编辑整理,简化测试流程,提高测试效率,并且能够扩大测试信息的采用范围和数据量,增强心理测试的场景适用性,提升测试效果,使得心理测试更加方便和实用。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的脑电心理测试方法,图5示出了本发明实施例提供的脑电心理测试装置的示意图。为了便于说明,仅示出了与本实施例相关的部分。
参照图5,该装置包括采集模块51、机器学习模块52和心理测试模块53。
采集模块51,用于通过脑电采集设备采集受试者感受测试信息时的脑电信号。
机器学习模块52,用于将所述测试信息输入基于机器学习的信息识别模型,并获取所述信息识别模型输出的识别结果。
心理测试模块53,用于根据所述脑电信号和在时间上与所述脑电信号相对应的测试信息的识别结果确定心理测试结果。
可选地,所述脑电信号包括事件相关电位信号、自发电位信号、运动想象脑电信号及视觉诱发电位信号中的至少一种。
可选地,所述识别结果包括所述测试信息的名称和/或所述测试信息所属的类别。
可选地,所述测试信息为测试图像,所述信息识别模型为通过带标签的图像样本训练的第一图像识别模型,所述第一图像识别模型用于识别所述测试图像中对象的名称或者对象所属的类别。
可选地,所述测试信息为测试图像,所述信息识别模型为通过无标签的图像样本训练的第二图像识别模型,所述第二图像识别模型用于识别所述测试图像中对象所属的类别。
可选地,所述心理测试模块53用于:
根据所述脑电信号、在时间上与所述脑电信号相对应的测试信息的识别结果及预设规则确定心理测试结果;或者,
将所述脑电信号及在时间上与所述脑电信号相对应的测试信息的识别结果输入基于机器学习的心理测试模型得到心理测试结果。
可选地,该装置还包括处理模块,所述处理模块用于:
通过预设阈值识别出所述脑电信号中的特殊脑电信号;
将所述特殊脑电信号对应的测试信息加入到所述信息识别模型的训练数据集,重新对所述信息识别模型进行训练。
可选地,所述脑电采集设备为带有摄像头的眼镜,所述眼镜的鼻梁位置设有第一电极,所述眼镜的眼镜腿上与佩戴者耳朵相接触的邻近位置设有第二电极。
本发明实施例通过基于机器学习的信息识别模型对测试信息进行自动识别,再根据受试者的脑电信号和在时间上与脑电信号相对应的测试信息的识别结果确定心理测试结果,能够利用信息识别模型对测试信息进行识别,无需事先对测试信息进行编辑整理,简化测试流程,提高测试效率,并且能够扩大测试信息的采用范围和数据量,增强心理测试的场景适用性,提升测试效果,使得心理测试更加方便和实用。
图6是本发明一实施例提供的终端设备的示意图。如图6所示,该实施例的终端设备6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62,例如程序。所述处理器60执行所述计算机程序62时实现上述各个方法实施例中的步骤,例如图1所示的步骤101至103。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块51至53的功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端设备6的示例,并不构成对终端设备6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,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线、显示器等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种脑电心理测试方法,其特征在于,包括:
通过脑电采集设备采集受试者感受测试信息时的脑电信号;
将所述测试信息输入基于机器学习的信息识别模型,并获取所述信息识别模型输出的识别结果;
根据所述脑电信号和在时间上与所述脑电信号相对应的测试信息的识别结果确定心理测试结果。
2.如权利要求1所述的脑电心理测试方法,其特征在于,所述脑电信号包括事件相关电位信号、自发电位信号、运动想象脑电信号及视觉诱发电位信号中的至少一种。
3.如权利要求1所述的脑电心理测试方法,其特征在于,所述识别结果包括所述测试信息的名称和/或所述测试信息所属的类别。
4.如权利要求1所述的脑电心理测试方法,其特征在于,所述测试信息为测试图像,所述信息识别模型为通过带标签的图像样本训练的第一图像识别模型,所述第一图像识别模型用于识别所述测试图像中对象的名称或者对象所属的类别。
5.如权利要求1所述的脑电心理测试方法,其特征在于,所述测试信息为测试图像,所述信息识别模型为通过无标签的图像样本训练的第二图像识别模型,所述第二图像识别模型用于识别所述测试图像中对象所属的类别。
6.如权利要求1所述的脑电心理测试方法,其特征在于,所述根据所述脑电信号和在时间上与所述脑电信号相对应的测试信息的识别结果确定心理测试结果包括:
根据所述脑电信号、在时间上与所述脑电信号相对应的测试信息的识别结果及预设规则确定心理测试结果;或者,
将所述脑电信号及在时间上与所述脑电信号相对应的测试信息的识别结果输入基于机器学习的心理测试模型得到心理测试结果。
7.如权利要求1所述的脑电心理测试方法,其特征在于,还包括:
通过预设阈值识别出所述脑电信号中的特殊脑电信号;
将所述特殊脑电信号对应的测试信息加入到所述信息识别模型的训练数据集,重新对所述信息识别模型进行训练。
8.如权利要求1至7任一项所述的脑电心理测试方法,其特征在于,所述脑电采集设备为带有摄像头的眼镜,所述眼镜的鼻梁位置设有第一电极,所述眼镜的眼镜腿上与佩戴者耳朵相接触的邻近位置设有第二电极。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811015387.2A CN109276243A (zh) | 2018-08-31 | 2018-08-31 | 脑电心理测试方法及终端设备 |
US16/371,138 US20200069231A1 (en) | 2018-08-31 | 2019-04-01 | Eeg-based psychological test method and terminal device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811015387.2A CN109276243A (zh) | 2018-08-31 | 2018-08-31 | 脑电心理测试方法及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109276243A true CN109276243A (zh) | 2019-01-29 |
Family
ID=65184031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811015387.2A Pending CN109276243A (zh) | 2018-08-31 | 2018-08-31 | 脑电心理测试方法及终端设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20200069231A1 (zh) |
CN (1) | CN109276243A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961018A (zh) * | 2019-02-27 | 2019-07-02 | 易念科技(深圳)有限公司 | 脑电信号分析方法、***及终端设备 |
CN111973178A (zh) * | 2020-08-14 | 2020-11-24 | 中国科学院上海微***与信息技术研究所 | 一种脑电信号识别***及方法 |
CN112674769A (zh) * | 2020-12-10 | 2021-04-20 | 成都探马网络科技有限公司 | 一种基于心理投射的心理测试方法 |
CN114631826A (zh) * | 2022-02-11 | 2022-06-17 | 北京赋思强脑科技有限公司 | 脑力测试方法及设备、存储介质 |
CN115114950A (zh) * | 2021-07-02 | 2022-09-27 | 北京师范大学 | 一种决策不确定性的测试方法、装置及设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112806995B (zh) * | 2021-02-01 | 2023-02-17 | 首都师范大学 | 心理压力分类与评估方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050159668A1 (en) * | 2003-10-16 | 2005-07-21 | Kemere Caleb T. | Decoding of neural signals for movement control |
CN102402621A (zh) * | 2011-12-27 | 2012-04-04 | 浙江大学 | 一种基于图像分类的图像检索方法 |
CN202665556U (zh) * | 2012-07-05 | 2013-01-16 | 西南交通大学 | 一种眼镜式货车驾驶员疲劳参数采集装置 |
US20130338526A1 (en) * | 2009-09-10 | 2013-12-19 | Newton Howard | System, Method, and Applications of Using the Fundamental Code Unit and Brain Language |
CN105631398A (zh) * | 2014-11-24 | 2016-06-01 | 三星电子株式会社 | 识别对象的方法和设备以及训练识别器的方法和设备 |
CN105844072A (zh) * | 2015-01-30 | 2016-08-10 | 松下电器产业株式会社 | 刺激提示***、刺激提示方法、计算机以及控制方法 |
CN107080546A (zh) * | 2017-04-18 | 2017-08-22 | 安徽大学 | 基于脑电图的青少年环境心理的情绪感知***及方法、刺激样本选择方法 |
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
-
2018
- 2018-08-31 CN CN201811015387.2A patent/CN109276243A/zh active Pending
-
2019
- 2019-04-01 US US16/371,138 patent/US20200069231A1/en not_active Abandoned
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050159668A1 (en) * | 2003-10-16 | 2005-07-21 | Kemere Caleb T. | Decoding of neural signals for movement control |
US20130338526A1 (en) * | 2009-09-10 | 2013-12-19 | Newton Howard | System, Method, and Applications of Using the Fundamental Code Unit and Brain Language |
CN102402621A (zh) * | 2011-12-27 | 2012-04-04 | 浙江大学 | 一种基于图像分类的图像检索方法 |
CN202665556U (zh) * | 2012-07-05 | 2013-01-16 | 西南交通大学 | 一种眼镜式货车驾驶员疲劳参数采集装置 |
CN105631398A (zh) * | 2014-11-24 | 2016-06-01 | 三星电子株式会社 | 识别对象的方法和设备以及训练识别器的方法和设备 |
CN105844072A (zh) * | 2015-01-30 | 2016-08-10 | 松下电器产业株式会社 | 刺激提示***、刺激提示方法、计算机以及控制方法 |
CN107080546A (zh) * | 2017-04-18 | 2017-08-22 | 安徽大学 | 基于脑电图的青少年环境心理的情绪感知***及方法、刺激样本选择方法 |
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
Non-Patent Citations (1)
Title |
---|
李娟,刘国忠,高洁: "基于脑电信号的情绪分类", 《北京信息科技大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961018A (zh) * | 2019-02-27 | 2019-07-02 | 易念科技(深圳)有限公司 | 脑电信号分析方法、***及终端设备 |
CN111973178A (zh) * | 2020-08-14 | 2020-11-24 | 中国科学院上海微***与信息技术研究所 | 一种脑电信号识别***及方法 |
CN112674769A (zh) * | 2020-12-10 | 2021-04-20 | 成都探马网络科技有限公司 | 一种基于心理投射的心理测试方法 |
CN112674769B (zh) * | 2020-12-10 | 2023-07-18 | 成都探马网络科技有限公司 | 一种基于心理投射的心理测试方法 |
CN115114950A (zh) * | 2021-07-02 | 2022-09-27 | 北京师范大学 | 一种决策不确定性的测试方法、装置及设备 |
CN115114950B (zh) * | 2021-07-02 | 2023-08-04 | 北京师范大学 | 一种决策不确定性的测试方法、装置及设备 |
CN114631826A (zh) * | 2022-02-11 | 2022-06-17 | 北京赋思强脑科技有限公司 | 脑力测试方法及设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20200069231A1 (en) | 2020-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109276243A (zh) | 脑电心理测试方法及终端设备 | |
Murugan et al. | DEMNET: A deep learning model for early diagnosis of Alzheimer diseases and dementia from MR images | |
CN104871160B (zh) | 用于感觉和认知剖析的***和方法 | |
Manor et al. | Convolutional neural network for multi-category rapid serial visual presentation BCI | |
CN111728609B (zh) | 脑电信号的分类方法、分类模型的训练方法、装置及介质 | |
EP4212100A1 (en) | Electroencephalogram signal classification method and apparatus, and device, storage medium and program product | |
CN105894039A (zh) | 情绪识别模型建立方法、情绪识别方法及装置、智能设备 | |
CN109961018B (zh) | 脑电信号分析方法、***及终端设备 | |
CN110141258A (zh) | 一种情绪状态检测方法、设备及终端 | |
CN107767965A (zh) | 多因素关联比对的健康监测***及方法 | |
US20240050006A1 (en) | System and method for prediction and control of attention deficit hyperactivity (adhd) disorders | |
Zhang et al. | An improved EEGNet for single-trial EEG classification in rapid serial visual presentation task | |
CN110503636A (zh) | 参数调整方法、病灶预测方法、参数调整装置及电子设备 | |
Xia et al. | Dynamic viewing pattern analysis: towards large-scale screening of children with ASD in remote areas | |
CN110473176A (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
Wan et al. | GDNet-EEG: An attention-aware deep neural network based on group depth-wise convolution for SSVEP stimulation frequency recognition | |
CN112842363A (zh) | 一种睡眠脑电检测方法及*** | |
Taherisadr et al. | Erudite: Human-in-the-loop iot for an adaptive personalized learning system | |
CN112957049A (zh) | 基于脑机接口设备技术的注意力状态监测装置及方法 | |
Jagadeesan et al. | Behavioral features based autism spectrum disorder detection using decision trees | |
CN116469557A (zh) | 干预效果评估方法、装置、终端设备及存储介质 | |
CN116301473A (zh) | 基于虚拟现实的用户行为预测方法、装置、设备及介质 | |
Luo et al. | Exploring adaptive graph topologies and temporal graph networks for EEG-based depression detection | |
CN113520409B (zh) | Ssvep信号识别方法、装置、电子装置和存储介质 | |
CN115116088A (zh) | 近视预测方法、装置、存储介质和程序产品 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |
|
RJ01 | Rejection of invention patent application after publication |