基于脑电频域特征指标化算法的课堂教学评估系统及方法

1.一种基于脑电频域特征指标化算法的课堂教学评估方法，其特征在于，所述方法步骤如下：
(1)初始化设备硬件；
(2)设置采样时间间隔，采集脑电数据，同时采集音视频信号；
(3)查询所有接入的脑电采集装置，按顺序读取脑电采集装置中的数据；
(4)对采集的数据滤波、去噪、时频分析、计算脑电指标；
(5)将计算的脑电指标传输至数据处理及存储装置并进行显示；
所述步骤(4)中，脑电指标的算法具体如下：
(1)预处理：对量化的脑电波进行数字滤波，去除肌电干扰噪音；滤波器为无限冲激响应(IIR)带通滤波器；
(2)特征表达和提取：从预处理之后的脑电信号中提取反映综合认知状态的基本指标，具体包括alpha波(8-13Hz)、beta波(13-20Hz)，delta(1-4Hz)，theta(4-7Hz)；运用时频分析技术将这些指标从原始时域信号中提取出来，在频域上以能量或功率的时间序列形式加以表达；
(3)指标化表示：将上述基本指标进行标准化，使得不同使用者以及同一个使用者不同时间的同一指标具有相同的物理含义；所述算法输出警觉性水平和紧张度水平两个指标，所述警觉性水平指标和和紧张度水平指标具体如下：
a(t)、b(t)和c(t)分别表示alpha、beta和theta三个频段的时序信号，他们分别由原始脑电信号的经由时频分析并选定特定频段的能量累加实现；
警觉度指标：
S1(t)＝c(t)/a(t)，其中t表示时间，a和c分别表示alpha和theta的能量；紧张度指标：
S2(t)＝b(t)*c(t)，其中t表示时间，b和c分别表示beta和theta的能量；
(4)注意力水平的判定：即以正常使用者在没有困倦、疲劳状态发生的情况下，持续保持注意2分钟的警觉性水平指标和紧张度水平指标两项指标序列的时序均值的60％作为判决门限，低于此门限判决为疲劳发生。
2.根据权利要求1所述一种基于脑电频域特征指标化算法的课堂教学评估方法，其特征在于：所述步骤(1)中，带通滤波器的低通起始频率为1Hz，高通截止频率为35Hz。
3.根据权利要求1所述的一种基于脑电频域特征指标化算法的课堂教学评估方法，其特征在于：
所述步骤(2)特征表达子模块的具体算法如下：
采用Morlat函数为母小波函数，对脑电时域信号进行连续小波变换；输入信号为单导联脑电采集到的离散脑电时间序列，与以上母小波函数卷积并经过变换后得到一系列不同频段的复时间序列信号即小波系数，其中时间与输入信号长度保持一致，频率范围对为
1-35Hz，保留其中1-35Hz用于提取节律特征；对于特定的时刻和频点，系数表示信号的时频分布情况，对其取模，即用功率表示；按照频段范围高低，分别提取alpha波(8-13Hz)、beta波(13-20Hz)，delta(1-4Hz)，theta(4-7Hz)对应频段的复小波系数的模的时间序列，即功率表示频段能量的时序变化。
4.根据权利要求1所述的一种基于脑电频域特征指标化算法的课堂教学评估方法，其特征在于：
所述步骤(3)指标化表示采用特征归一化算法，即：
将某一频段能量占总能量的比值作为指标：
其中，t表示时间，f表示频率，P表示功率，从而Pf(t)表示某一频率f范围内的能量随时间变化的函数，公式的分母部分则表示将1到35Hz频率范围内的能量累加总和；根据以上公式将Pf(t)除以总能量归一化以后，每个频段的相对能量变为0-1范围内的数值，即用Pf’(t)表示。

基于脑电频域特征指标化算法的课堂教学评估系统及方法\n技术领域\n[0001] 本发明属于脑电信号采集及处理领域，特别是涉及一种基于脑电频域特征指标化算法的课堂教学评估系统及方法。\n背景技术\n[0002] 课堂教学评价专指对在课堂教学实施过程中出现的客体对象所进行的评价活动，其评价范围包括教与学两个方面，其价值在于课堂教学。课堂教学评价是促进学生成长、教师专业发展和提高课堂教学质量的重要手段。由此，如何科学有效地进行课堂教学评价也成为现代教学的基本组成部分，它不仅是成功教学的基础，而且是进行各种教育决策的基础。\n[0003] 目前的评价方式一般是采用现场观察或者录像方式进行，由参与者根据现场情况进行打分。但是，现有的评价方式主观性比较大，无客观数据支持\n发明内容\n[0004] 本发明的目的，是提供一种采用最新脑电科技的课堂教学评估系统和方法，提取学生在听课时的注意力指标，当注意力集中时，该指标会升高，当注意力下降时，该指标会下降。根据该指标，可以评判课堂教学内容是否能吸引学生，也反映了老师的教学水平，可以客观地评价课堂教学情况\n[0005] 本发明的技术方案如下：\n[0006] 一种基于脑电频域特征指标化算法的课堂教学评估系统，所述系统包括脑电采集装置、IC电路、音视频采集装置、数据通讯装置、数据处理及存储装置，所述脑电采集装置、音视频采集装置分别采集使用者的脑电信号及课堂环境的音视频信号，所述数据处理及存储装置，采集的数据处理后显示给课堂教学者，及时掌握使用者在课堂上的状态，其特征在于：\n[0007] 所述脑电信号采集装置包括脑电信号采集电极、脑电信号参考电极和信号处理器，所述采集装置对人脑活动产生的脑电波进行采样、量化，变成离散数字信号，进行后续的处理；\n[0008] 所述IC电路包括信号放大器及信号处理器，所述信号放大器为前置信号放大器，将量化的数字信号进行放大，增强处理和传输过程中的抗干扰能力；\n[0009] 所述信号处理器对采集的脑电信号进行去噪预处理，增强脑电波信号的强度，并从中提取反映人认知状态变化的特征指标，评估使用者的状态；\n[0010] 所述音视频采集装置包括摄像头及音频采集设备，采集课堂环境的音频和视频信号并实时传输至数据处理及存储装置；\n[0011] 所述数据通讯装置连接脑电采集装置、音视频采集装置与数据处理及存储装置之间，将脑电采集装置、音视频采集装置的数据传输给数据处理及存储装置；\n[0012] 所述数据处理及存储装置为PC机、笔记本或嵌入式智能设备，所述装置评估使用者的状态，并进行显示。\n[0013] 进一步的，所述脑电信号采集电极位于前额处，脑电信号参考电极夹位于耳部。\n[0014] 进一步的，所述信号传输装置为无线信号传输装置。\n[0015] 一种基于脑电频域特征指标化算法的课堂教学评估方法，其特征在于，所述方法步骤如下：\n[0016] （1）初始化设备硬件；\n[0017] （2）设置采样时间间隔，采集脑电数据，同时采集音视频信号；\n[0018] （3）查询所有接入的脑电采集装置，按顺序读取脑电采集装置中的数据；\n[0019] （4）对采集的数据滤波、去噪、时频分析、计算脑电指标；\n[0020] （5）将计算的脑电指标传输至数据处理及存储装置并进行显示。\n[0021] 进一步的，所述指标化算法具体如下：\n[0022] （1）预处理：对量化的脑电波进行数字滤波，去除肌电等干扰噪音；所述滤波器为无限冲激响应（IIR）带通滤波器；\n[0023] （2）特征表达和提取：从预处理之后的脑电信号中提取反映综合认知状态的基本指标，具体包括alpha波（8-13Hz）、beta波（13-20Hz），delta（1-4Hz），theta（4-7Hz）；运用时频分析技术将这些指标从原始时域信号中提取出来，在频域上以能量或功率的时间序列形式加以表达；\n[0024] （3）指标化表示：将上述基本指标进行标准化，使得不同使用者以及同一个使用者不同时间的同一指标具有相同的物理含义；所述算法输出警觉性水平和紧张度水平两个指标， 所述警觉性水平指标和和紧张度水平指标具体如下：\n[0025] a(t)、b(t)和c(t)分别表示alpha、beta和theta三个频段的时序信号，他们分别由原始脑电信号的经由时频分析并选定特定频段的能量累加实现；\n[0026] 警觉度指标：\n[0027] S1(t)=c(t)/a(t)，其中t表示时间，a和c分别表示alpha和theta的能量；\n[0028] 紧张度指标：\n[0029] S2(t)=b(t)*c(t)，其中t表示时间，b和c分别表示beta和theta的能量；\n[0030] （4）注意力水平的判定：即以正常使用者在没有困倦、疲劳状态发生的情况下，持续保持注意2分钟的警觉性水平指标和和紧张度水平指标两项指标序列的时序均值的60%作为判决门限，低于此门限判决为疲劳发生。\n[0031] 进一步的，所述步骤（1）中，带通滤波器的低通起始频率为1Hz，高通截止频率为\n35Hz。\n[0032] 进一步的，所述步骤（2）特征表达子模块的具体算法如下：\n[0033] 采用Morlat函数为母小波函数，对脑电时域信号进行连续小波变换；输入信号为单导联脑电采集到的离散脑电时间序列，与以上母小波函数卷积并经过变换后得到一系列不同频段的复时间序列信号即小波系数，其中时间与输入信号长度保持一致，频率范围对为1-35Hz，保留其中1-35Hz用于提取节律特征；对于特定的时刻和频点，系数表示信号的时频分布情况，对其取模，即用功率表示；按照频段范围高低，分别提取alpha波（8-13Hz）、beta波（13-20Hz），delta（1-4Hz），theta（4-7Hz）对应频段的复小波系数的模的时间序列，即功率表示频段能量的时序变化。\n[0034] 进一步的，所述步骤（3）指标化表示采用特征归一化算法，即：\n[0035] 将某一频段能量占总能量的比值作为指标：\n[0036] \n[0037] 其中，t表示时间，f表示频率，P表示功率，从而Pf(t)表示某一频率f范围内的能量随时间变化的函数，公式的分母部分则表示将1到35Hz频率范围内的能量累加总和；根据以上模型将Pf(t)除以总能量归一化以后，每个频段的相对能量变为0-1范围内的数值，’\n即用Pf (t)表示。\n[0038] 本发明的有益效果在于：\n[0039] （1）本发明可以全程记录学生的注意力指标，提供给教学者做出客观准确的评估和判断。\n[0040] （2）本发明以录像、录音方式全程记录课堂教学情况，真实可靠。\n[0041] （3）本发明可以实时反映学生注意力是否集中。\n附图说明\n[0042] 图1是本发明的系统结构示意图。\n[0043] 图2是本发明的方法流程图。\n具体实施方式\n[0044] 如图1所示，本发明一种基于脑电频域特征指标化算法的课堂教学评估系统，包括脑电采集装置1、音视频采集装置2、数据通讯装置3、数据处理及存储装置4，脑电采集装置、音视频采集装置。分别采集使用者的脑电信号及音视频信号，数据处理及存储装置将采集的数据处理后，显示给课堂教学者，及时掌握使用者在课堂上的状态，其中脑电采集装置包括：脑电信号采集电极、脑电信号参考电极和脑电信号处理器。实际使用中可以采用各种形状和构造，只要能够顺利的采集使用者的脑电信号的形状均可。所述采集装置对人脑活动产生的模拟脑电波进行采样、量化，变成离散数字信号，进行后续的处理。本发明采用的电极能完全满足脑电信号量级的数据采集。所述信号放大器为前置信号放大器，将量化的数字信号进行放大，增强处理和传输过程中的抗干扰能力。信号处理器对采集的信号进行去噪预处理，增强脑电波信号的强度，并从中提取反映人认知状态变化的计算指标，评估使用者的状态。 一般来说，头戴装置内部，进一步整合有电池仓及电源开关。\n[0045] 本发明中的音视频采集装置包括摄像头及音频采集设备，采集使用者的音频和视频信号并实时传输至数据处理及存储装置。该装置一般设置于使用者的座位前，并可以根据不同的使用者进行位置的调节，实时精确的采集信号。\n[0046] 数据通讯装置连接脑电采集装置、音视频采集装置与数据处理及存储装置之间，将脑电采集装置、音视频采集装置的数据传输给数据处理及存储装置，本发明中优先采用无线信号传输装置。\n[0047] 数据处理及存储装置为PC机、笔记本或嵌入式智能设备，该装置评估使用者的状态，并进行显示，对使用者进行提示。\n[0048] 脑电信号采集电极优选采用位于前额处，脑电信号参考电极位于耳部。\n[0049] 本发明的一种基于脑电频域特征指标化算法的课堂教学评估方法，其特征在于，所述方法步骤如下：\n[0050] （1）初始化设备硬件；\n[0051] （2）设置采样时间间隔，采集脑电数据，同时采集音视频信号；\n[0052] （3）查询所有接入的脑电采集装置，按顺序读取脑电采集装置中的数据；\n[0053] （4）对采集的数据滤波、去噪、时频分析、计算脑电指标；\n[0054] （5）将计算的脑电指标传输至数据处理及存储装置并进行显示。\n[0055] 其中的，指标化算法具体如下：\n[0056] （1）预处理：对量化的脑电波进行数字滤波，去除肌电等干扰噪音；所述滤波器为无限冲激响应（IIR）带通滤波器；\n[0057] （2）特征表达和提取：从预处理之后的脑电信号中提取反映综合认知状态的基本指标，具体包括alpha波（8-13Hz）、beta波（13-20Hz），delta（1-4Hz），theta（4-7Hz）；运用时频分析技术将这些指标从原始时域信号中提取出来，在频域上以能量或功率的时间序列形式加以表达；\n[0058] （3）指标化表示：将上述基本指标进行标准化，使得不同使用者以及同一个使用者不同时间的同一指标具有相同的物理含义；所述算法输出警觉性水平和紧张度水平两个指标， 所述警觉性水平指标和和紧张度水平指标具体如下：\n[0059] a(t)、b(t)和c(t)分别表示alpha、beta和theta三个频段的时序信号，他们分别由原始脑电信号的经由时频分析并选定特定频段的能量累加实现；\n[0060] 警觉度指标：\n[0061] S1(t)=c(t)/a(t)，其中t表示时间，a和c分别表示alpha和theta的能量；\n[0062] 紧张度指标：\n[0063] S2(t)=b(t)*c(t)，其中t表示时间，b和c分别表示beta和theta的能量；\n[0064] （4）注意力水平的判定：即以正常使用者在没有困倦、疲劳状态发生的情况下，持续保持注意2分钟的警觉性水平指标和和紧张度水平指标两项指标序列的时序均值的60%作为判决门限，低于此门限判决为疲劳发生。\n[0065] 其中的，所述步骤（1）中，带通滤波器的低通起始频率为1Hz，高通截止频率为\n35Hz。\n[0066] 其中的，所述步骤（2）特征表达子模块的具体算法如下：\n[0067] 采用Morlat函数为母小波函数，对脑电时域信号进行连续小波变换；输入信号为单导联脑电采集到的离散脑电时间序列，与以上母小波函数卷积并经过变换后得到一系列不同频段的复时间序列信号即小波系数，其中时间与输入信号长度保持一致，频率范围对为1-35Hz，保留其中1-35Hz用于提取节律特征；对于特定的时刻和频点，系数表示信号的时频分布情况，对其取模，即用功率表示；按照频段范围高低，分别提取alpha波（8-13Hz）、beta波（13-20Hz），delta（1-4Hz），theta（4-7Hz）对应频段的复小波系数的模的时间序列，即功率表示频段能量的时序变化。\n[0068] 其中的，所述步骤（3）指标化表示采用特征归一化算法，即：\n[0069] 将某一频段能量占总能量的比值作为指标：\n[0070] \n[0071] 其中，t表示时间，f表示频率，P表示功率，从而Pf(t)表示某一频率f范围内的能量随时间变化的函数，公式的分母部分则表示将1到35Hz频率范围内的能量累加总和；根据以上模型将Pf(t)除以总能量归一化以后，每个频段的相对能量变为0-1范围内的数值，’\n即用Pf (t)表示。\n[0072] 大脑协同程度指标表示：\n[0073] 在以上两项基本指标的基础上，我们又根据不同节律表示的内在生理、心理规律，提出利用节律信号之间的同步性来综合反映使用者的大脑协同状态，从而全面表达大脑活动的状态是否适合工作。\n[0074] 指标计算流程如下：\n[0075] 从原始信号中分别提取出8-13Hz和4-7Hz频段范围的alpha和theta波，用a(t)和c(t)表示，其中t表示时间。\n[0076] 对脑电幅度信号a(t)和b(t)分别进行Hilbert变换，得到其相位信号φa(t)和φb(t)，表示信号相位随时间变化的情况；\n[0077] 计算alpha和theta能量时间序列之间的同步性指标S，表示一段时间内（用∆t表示），两个频段信号总体的相位差值，即同步性的好坏，用于衡量全脑参与维持注意水平的程度，同步性越好，越能调动全脑的认知资源维持较高的注意水平，能够保证警觉性，客服疲劳等因素，提高对外界刺激的加工能力，从而保持较好的工作状态。\n[0078] 指标S的计算模型如下：\n[0079] \n[0080] 其中，S表示拟计算的同步性指标，其中∆t表示选定的一段时间长度，信号将根据该时间段的长度从原始信号中逐步计算出，e表示自然常数，其值约为2.71828；t表示选定时间段内的某一时刻；φ(t)表示节律的相位信息；对一段时间内的相位的差进行累加可以计算出总体的相位同步性，以自然对数形式表示可以保证指标在0和1之间。\n[0081] 本专利中，选定时间段长度为1s，即每1s输出以上指标S一次，以实时地跟踪注意力指标的变化，传输给终端并加以提示。\n[0082] 流程图可以按以下流程进行：\n[0083] 预处理->特征表达和提取->特征归一化->特征指标化表示\n[0084] Alpha\n[0085] Theta\n[0086] Beta\n[0087] 前两个合成 A：警觉度；\n[0088] 后两个合成 B：紧张度；\n[0089] 第一个和第三个深度合成C：协同性指标；\n[0090] 然后指向门限判别和指标输出。