建筑室内学习效率检测方法与系统与流程

本发明涉及学习注意力脑电信号分类技术领域，尤其涉及建筑室内学习效率检测方法与系统。

背景技术：

在科学研究的征途中，人类对自身的研究从未停止过。21世纪是生物科学、脑科学的时代，对人类大脑思维、学习、语言和注意等高级认知功能进行多层次的综合研究也已经成为当代科学发展的热门方向之一，并以几何级数的方式迅速增长。从人的头皮采集而来的脑电信号因其独特的属性而日益成为此类研究中不可缺少的实验及分析手段，因而对脑电信号的分析处理已经成为脑科学研究中必不可少的一项内容，通过脑电信号对学习者注意力研究也成为了一种重要方法。

注意力是人的心理活动对一定事物的指向和集中,人们不管进行任何活动,都需要集中注意力才能达到预期的效果。尤其是建筑室内，比如建筑室内的员工工作、学生学习等，都需要集中注意力才能够更好地提高效率。没有注意力,外界信息就无法进入大脑,认识活动就不可能发生。在学习上尤其这样,只有集中注意力,才能保证感知的形象清晰完整,记忆效果良好。注意力的集中或分散是注意力的重要特征之一。在线学习中的注意力检测方法国内外研究较少，而现有的注意力研究中，因为注意力受主观因素影响较大，所以无法准确的反应学习者注意力状态。

技术实现要素：

本发明所要解决的技术问题在于提供建筑室内学习效率检测方法与系统，以解决无法准确的反应学习者注意力状态。

本发明通过以下技术手段实现解决上述技术问题的：

一种建筑室内学习效率检测方法；包括以下步骤；

s1、获取脑电信号数据；

s2、对采集的脑电信号数据进行预处理；

s3、通过特征提取预处理后脑电信号的不同电极通道下的能量特征；

s4、将特征提取的对应电极通道下的能量特征作为输入特征，输入到bp神经网络中，实现对学习注意力的分类。

通过特征提取脑电信号的不同电极通道下的能量特征，并作为后续分类器的输入特征，准确的反应学习者注意力状态；实现对脑电信号准确分类；实现准确、稳定、可靠地衡量注意力脑电信号的集中程度，对心理学、神经生理学方面的人脑中注意力作用机制等产生广泛的影响。

作为本发明进一步的方案：所述获取脑电信号数据的方法为；通过注意力分级脑电信号采集实验获取。

作为本发明进一步的方案：所述预处理过程为；

s21、变更参考电极；所述实验中的十个电极fp1，fp2，c3，c4，cz，p3，p4，pz，tp9，tp10中，选择tp9，tp10作为参考电极；

s22、根据所要分析的信号频率，设定波形带宽；

s23、采用独立成分分析方法将眨眼或眼动带来的肌电影响进行纠正；

s24、去除由于设备或被试动作带来的伪差信号；

s25、将注意力分级脑电信号采集实验的每个注意力等级的脑电数据按时间每若干秒分一段；得到预处理后的脑电信号数据。

作为本发明进一步的方案：所述步骤s3中，包括；

1)、获取包络估计函数a11(t)；

2)、获取局部均值函数m11(t)；

3)、利用公式(3)将局部均值函数m11(t)从原始信号x(t)里分离出来：

h11(t)＝x(t)-m11(t)(3)

4)、利用公式(4)对h11(t)函数进行调节；

s11(t)＝h11(t)/a11(t)(4)

调节后将得到的s11(t)作为原始信号x(t)返回并执行步骤1)获得包络估计函数a12(t)；判断包络估计函数a12(t)是否满足a12(t)＝1，满足的话则s11(t)为纯调频信号；

如果不满足这个条件，则将s11(t)作为原始信号返回并执行步骤2)-步骤4)进行迭代，直至获得纯调频信号s1n(t)，此时s1n(t)满足-1≤s1n(t)≤1，其包络估计函数a1(n+1)(t)满足a1(n+1)(t)＝1；其中n为迭代次数+1；

综上得到公式(5)和公式(6)：

其中，m12(t)表示将s12(t)作为原始信号x(t)代入公式(1)得到的局部均值函数；

m1n(t)表示将s1(n-1)(t)作为原始信号x(t)代入公式(1)得到的局部均值函数；

a12(t)表示将s11(t)作为原始信号x(t)代入公式(1)得到的包络估计函数；

a1n(t)表示将s1(n-1)(t)作为原始信号x(t)代入公式(1)得到的包络估计函数；

h1n(t)表示分离局部均值函数m11(t)的原始信号；

5)利用公式(7)得到包络信号a1(t)；

6)利用公式(8)获取原始信号x(t)第一个pf分量；

pf1(t)＝a1(t)s1n(t)(8)

其中，pf1(t)包含着原始信号x(t)里最高频率的成分，是单分量调幅-调频信号，pf1(t)的瞬时幅值为包络信号a1(t)，利用公式(9)及公式(10)求出瞬时相位θ1(t)与瞬时频率f1(t)；

θ1(t)＝arccos(s1n(t))(9)

7)利用公式u1(t)＝x(t)-pf1(t)，把第一个pf分量pf1(t)从原信号x(t)里分离，获得新的信号u1(t)，将u1(t)当作原始信号x(t)返回并执行步骤1)-步骤6)，得到第二个pf分量pf2(t)，如此循环n次，其中n为任意正整数；一直到un(t)成为单调函数，如下式：

至此，将原始信号x(t)分解为n个pf分量与一个单调函数un(t)之和，即：

8)获取最终能量特征；

利用公式(12)计算经过若干秒划分后的脑电信号x(n)的能量；其中x(n)代入公式即可得到脑电信号x(n)的能量e(x)；

再利用公式(13)对e(xi)分别进行归一化处理：

从而得到能特征量为e＝{e1,e2,e3…en}。

作为本发明进一步的方案：所述获取包络估计函数a11(t)包括；

寻找原始信号x(t)中全部局部极值点ei，利用公式(1)求包络估计值ai，即相邻的两极值点ei和ei+1的差，取绝对值再除以2，获得包络估计值ai：

得到包络估计值ai后，再用直线将所有的包络估计值ai连接起来，然后移动平均法做平滑处理，获得包络估计函数a11(t)。

作为本发明进一步的方案：所述获取局部均值函数m11(t)包括；

寻找原始信号x(t)中全部局部极值点ei，利用公式(2)求相邻的两极值点ei和ei+1的平均值mi：

得到平均值mi后，用直线将所有的相邻两极值点平均值mi连接起来，移动平均法做平滑处理，获得局部均值函数m11(t)。

作为本发明进一步的方案：所述bp神经网络包括依次串联的输入层、若干层隐藏层、输出层。

作为本发明进一步的方案：所述bp神经网络中有n1个输入和m1个输出，并且在隐藏层中有s个神经元，则隐藏层的输出为bj，隐藏层的阈值为θj，输出层的阈值为θk，隐藏层的传递函数为f1，输出层的传递函数为f2，从输入层到隐藏层的权重为wij，从隐藏层到输出层的权重为wjk；可以得到网络的输出yk，期望的输出是tk，隐藏层的第j个神经元的输出是；

计算输出层的输出yk：

通过网络实际输出定义误差函数，即：

网络训练是权重和阈值之间不断进行重新调整，然后将预测样本输入到经过训练的网络中，以获得预测结果。

作为本发明进一步的方案：所述bp神经网络的学习率设置为0.2。

一种基于所述的建筑室内学习效率检测方法的检测系统；包括；

获取模块，用于获取脑电信号数据；

预处理模块，用于对采集的脑电信号数据进行预处理；

提取模块，用于通过特征提取脑电信号的不同电极通道下的能量特征作为后续分类器的输入特征；

输入模块，用于将特征提取的对应电极通道下的能量特征作为输入特征，输入到bp神经网络中，实现对学习注意力的分类。

本发明的优点在于：

1、本发明通过特征提取脑电信号的不同电极通道下的能量特征，并作为后续分类器的输入特征，准确的反应建筑室内学习者注意力状态；实现对脑电信号准确分类；实现准确、稳定、可靠地衡量注意力脑电信号的集中程度，而学习效率通过注意力来表征；对心理学、神经生理学方面的人脑中注意力作用机制等产生广泛的影响，也能够更好地研究学习效率。

2、本发明中对脑电信号预处理在脑电信号减少伪迹，提高信噪比，在稳定基线中起到了关键作用。

3、本发明对注意力脑电进行分级，以fp1，fp2，c3，c4，cz，p3，p4，pz导联处的能量作为特征值，基于bp神经网络平均识别正确率可达到93.17％，能量特征在注意力脑电分级中有很高的应用价值。

4、本发明能够检测建筑室内学习者注意力来分析其学习状态，学习效率通过注意力来表征，方便根据对应的学习情况进行互动从而辅助学习者学习。

附图说明

图1为本发明实施例1的流程方框图。

图2为本发明中bp神经网络结构示意图。

图3为本发明实施例1的系统框图。

图4为本发明实施例2的结构示意图。

图5为本发明实施例1中电极帽中电极的分配位置示意图。

图6为本发明实施例1中的性能结果曲线图。

图中，301-获取模块，302-预处理模块，303-提取模块，304-输入模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了更好地理解本发明，首先对本实施例中涉及到的名词进行介绍；

被试，心理学实验或心理测验中接受实验或测试的对象，可产生或显示被观察的心理现象或行为特质；在心理测量中实施测验的人叫主试；

meansquarederror(均方误差)，即mse，是反映估计量与被估计量之间差异程度的一种度量。

需要说明的是，本实施例主要针对建筑室内进行注意力分析。

实施例1

如图1及图3，图1为本发明实施例1的流程方框图，图3为本发明实施例1的系统框图；一种建筑室内学习效率检测方法，包括以下步骤；

s1、获取脑电信号数据；

本实施例中，获取脑电信号数据的方式为通过注意力分级脑电信号采集实验获取；

具体的，所述注意力分级脑电信号采集实验包括以下步骤；

s11、获取实验在线学习视频；

所述在线学习视频可以截取自中国大学mooc的15段10分钟的视频，保证所有学生都在同一建筑室内进行学习，分别选15门学科，且每门学科所选取的片段内容相对完整且趣味程度不相同，这样能够更好地反映注意力集中、注意力一般、注意力不集中；被试分别对这15段视频进行兴趣程度排名，主试最终统计排名最高、排名中等、排名最低作为三段视频，且三段视频分别代表注意力集中、注意力一般、注意力不集中，用做实验学习视频；

其中，排名最高、排名中等、排名最低可以根据实际情况进行设定，例如排名最高为分数最高的三个，排名最低为分数最低的三个，排名中等为剩余的九个。

s12、被试进入设定好的标准光照工况300lx-4100k，于实验台前静坐10分钟，在此期间，播放一些比较轻松的音乐。同时给被试戴好脑电电极帽，开启bp脑电设备，准备实验数据的采集；

s13、被试开始在线mooc视频学习，测试时间为若干分钟，优选为10分钟，且保持bp脑电设备实时采集脑电信号；

s14、学习结束后，保持室内的热环境稳定，光环境保持不变，给被试者播放一些轻松的音乐，休息若干分钟，优选为5分钟，使被试能够完全放松，同时主试重新设定脑电设备；

s15、重复以上步骤s12、s13、s14，最终完成三段在线mooc视频的学习。

需要说明的是，本实验中，所述电极帽包括fp1，fp2，c3，c4，cz，p3，p4，pz，tp9，tp10一共10个电极，且10个电极摆放位置如图5所示；所述位置101为电极fp1，位置102为电极fp2，位置103为电极c3，位置104为电极cz，位置105为电极c4，位置106为电极tp9，位置107为电极p3，位置108为电极pz，位置109为电极p4，位置1010为电极tp10，

脑电信号数据为对被试者进行注意力分级脑电信号采集实验得到的注意力等级数据；

s2、对采集的脑电信号数据进行预处理；

进一步的，在注意力分级脑电信号采集实验中，涉及到的电极包括十个电极，分别为fp1，fp2，c3，c4，cz，p3，p4，pz，tp9，tp10，选择tp9，tp10作为参考电极；采样率预先设定为500hz，实际分析eeg数据时，将采样率降为实际所需求的频率。滤波器的通带设置为0.5～30hz，在数据采集过程中设置系统自动将50hz工频干扰滤除；具体步骤如下：

s21、变更参考电极：通常注意力分级脑电信号采集实验的电极帽都是以fcz做为参考电极，而本实验实际分析脑电波形时，根据tp9、tp10做为参考电极；通过tp9、tp10做为参考电极能够更好地进行对比，提高预测准确率；

s22、滤波；根据所要分析的信号频率，适当设定波形带宽，滤除不必要的信号，本实施例中，预处理带宽优选设定为0hz～30hz；

s23、眼电纠正；采用独立成分分析方法(independentcomponentanalysis,ica)将眨眼或眼动带来的肌电影响进行纠正；

需要说明的是，独立成分分析方法为现有技术，此处不再详细进行描述。

s24、伪迹去除；去除由于设备或被试动作带来的伪差信号；

需要说明的是，去除伪差信号为现有技术，此处不再详细进行描述

s25、分段；将注意力分级脑电信号采集实验得到的每个注意力等级的脑电数据按时间每若干秒分一段，本实施例中优选为10s一段；得到预处理后的脑电信号数据；

s3、通过特征提取预处理后脑电信号的不同电极通道下的能量特征；

进一步的，脑电信号的能量特征提取方法采用局域均值分解(localmeandecomposition，lmd)算法，对于脑电信号数据中的原始信号x(t)，lmd算法的分解过程为：

1)、寻找原始信号x(t)中全部局部极值点ei，利用公式(1)求包络估计值ai，即相邻的两极值点ei和ei+1的差，取绝对值再除以2，获得包络估计值ai：

得到包络估计值ai后，再用直线将所有的包络估计值ai连接起来，然后移动平均法做平滑处理，获得包络估计函数a11(t)。

2)、寻找原始信号x(t)中全部局部极值点ei，利用公式(2)求相邻的两极值点ei和ei+1的平均值mi：

得到平均值mi后，用直线将所有的相邻两极值点平均值mi连接起来，移动平均法做平滑处理，获得局部均值函数m11(t)。

3)、利用公式(3)将局部均值函数m11(t)从原始信号x(t)里分离出来：

h11(t)＝x(t)-m11(t)(3)

其中，h11表示分离局部均值函数m11(t)的原始信号；

4)、利用公式(4)对h11(t)函数进行调节；即用h11(t)除以所述包络估计函数a11(t)，对h11(t)进行解调，得到：

s11(t)＝h11(t)/a11(t)(4)

并将s11(t)作为原始信号x(t)代入公式(1)获得包络估计函数a12(t)；判断包络估计函数a12(t)是否满足a12(t)＝1，满足的话则s11(t)为纯调频信号；

如果不满足这个条件，则将s11(t)作为原始信号返回并执行步骤2)-步骤4)进行迭代，直至获得纯调频信号s1n(t)，此时s1n(t)满足-1≤s1n(t)≤1，其包络估计函数a1(n+1)(t)满足a1(n+1)(t)＝1；其中n为迭代次数+1；

综上得到公式(5)和公式(6)：

其中，m12(t)表示将s11(t)作为原始信号x(t)代入公式(1)得到的局部均值函数；

m1n(t)表示将s1(n-1)(t)作为原始信号x(t)代入公式(1)得到的局部均值函数；

a1n(t)表示将s1(n-1)(t)作为原始信号x(t)代入公式(1)得到的包络估计函数；

h1n(t)表示分离局部均值函数m11(t)的原始信号；

5)利用公式(7)得到包络信号a1(t)，即把得到的纯调频信号s1n(t)之前每次迭代过程里得到的包络估计函数，公式(5)与公式(6)中得到的包络估计函数相乘即可得到原始信号x(t)的第一个pf分量的包络信号a1(t)(瞬时幅值函数)，即：

6)利用公式(8)获取原始信号x(t)第一个pf分量；即包络信号a1(t)乘以纯调频信号s1n(t)得到原始信号x(t)第一个pf分量pf1(t)；

pf1(t)＝a1(t)s1n(t)(8)

其中，pf1(t)包含着原始信号x(t)里最高频率的成分，是单分量调幅-调频信号，pf1(t)的瞬时幅值为包络信号a1(t)，利用公式(9)及公式(10)求出瞬时相位θ1(t)与瞬时频率f1(t)，即瞬时相位θ1(t)与瞬时频率f1(t)均可以从纯调频信号s1n(t)求出；

θ1(t)＝arccos(s1n(t))(9)

7)利用公式u1(t)＝x(t)-pf1(t)，把第一个pf分量pf1(t)从原信号x(t)里分离，获得新的信号u1(t)，将u1(t)当作原始信号x(t)返回并执行步骤1)-步骤6)，得到第二个pf分量pf2(t)，如此循环n次，其中n为任意正整数；一直到un(t)成为单调函数，如下式：

其中；un(t)为经过un-1(t)-pfn(t)计算处理的新信号；

pfn(t)为对应的原始信号x(t)的第n个pf分量；

至此，将原始信号x(t)分解为n个pf分量与一个单调函数un(t)之和，即：

8)获取最终能量特征；

利用公式(12)计算经过若干秒划分后的脑电信号x(n)的能量；且

其中，e(x)表示脑电信号的能量；

再利用公式(13)对e(x)分别进行归一化处理：

其中，e(i)表示第i个脑电信号的能量；

从而得到能量特征为e＝{e1,e2,e3…en}，其中e表示脑电信号的能量特征。

优选的，本实施例中，对于lmd分解得到的前4个pf分量pf1、pf2、pf3、pf4，计算其能量作为脑电信号的特征量。

根据公式(12)分别计算每段脑电信号的lmd分解前4个分量的能量，得到的结果依次记为e(x1)、e(x2)、e(x3)、e(x4)；然后利用公式(13)对e(x1)、e(x2)、e(x3)、e(x4)分别进行归一化处理：

这样，最终得到能量特征为e＝{e1,e2,e3,e4}，其中e表示脑电信号的特征量集合。

s4、将特征提取的对应电极通道下的能量特征作为输入特征，输入到bp神经网络中，实现对学习注意力的分类。

如图2，图2为本发明中bp神经网络结构示意图；所述bp神经网络包括依次串联的输入层、若干层隐藏层、输出层，且输入层、若干层隐藏层、输出层之间的传递函数为purelin函数(线性传输函数)；输入值与输出值可取任意值。

优选的，本实施例中，所述隐藏层数量为两个，同时利用公式得出隐藏层神经元个数，隐藏层神经元个数为(7,16)；其中n1为bp神经网络中输入的个数，m1为bp神经网络中输出的个数；l表示隐藏层神经元的个数；a表示参数；

所述bp神经网络中有n1个输入和m1个输出，其中，n1、m1为任意正整数；并且在隐藏层中有s个神经元，则隐藏层的输出为bj，隐藏层的阈值为θj，输出层的阈值为θk，隐藏层的传递函数为f1，输出层的传递函数为f2，从输入层到隐藏层的权重为wij，从隐藏层到输出层的权重为wjk；可以得到网络的输出yk，期望的输出是tk，隐藏层的第j个神经元的输出是；

其中，xi为每段脑电信号的lmd分解的分量的能量；

计算输出层的输出yk：

通过网络实际输出定义误差函数，即：

网络训练是权重和阈值之间不断进行重新调整的过程，目的是使网络错误减少到预设的最小值或在预设的训练步骤停止；然后将预测样本输入到经过训练的网络中，以获得预测结果，所述预测样本为脑电波数据。

进一步的，bp神经网络中的学习率设置可以根据实际情况进行设定，学习率设置偏小可以保证网络收敛，但是收敛较慢；相反，学习率设置偏大则有可能使网络训练不收敛，影响识别效果。因此本实施例中的学习率优选设置为0.2。

示例性的，于注意力分级脑电信号采集实验的原始脑电信号数据中，选取80％脑电信号数据作为训练集，20％脑电数据作为测试集，将注意力等级分为集中、一般和不集中，学习效率通过注意力来表征，通过本发明进行分类，分类准确率为93.17％，实现了对脑电信号很好的分类；能够检测学习者注意力来分析其学习状态，方便根据对应的学习情况进行互动从而辅助学习者学习。

在线学习注意力分级脑电信号采集实验经过lmd分解提取前四个pf分量计算其能量特征，得到维度为2160*32能量特征向量矩阵，一共包含脑电数据2160组，选取1728组作为训练集，432组作为测试集，通过matlab编程进行各参数调优得到分类准确率为93.17％。性能结果图如图6所示，均方误差mse(meansquarederror)为0.010489，当迭代次数(即横坐标中的epochs)达到49990次时，曲线比较平滑，网络得到收敛，而与实际真实值进行比对，93.17％的预测值是实际被真实值覆盖的，表明在线学习注意力能够准确被分级。

实施例2

如图4，图4为本发明实施例2的结构示意图；一种基于所述的建筑室内学习效率检测方法的检测系统，其特征在于，包括；

获取模块，用于获取脑电信号数据；

预处理模块，用于对采集的脑电信号数据进行预处理；

提取模块，用于通过特征提取脑电信号的不同电极通道下的能量特征作为后续分类器的输入特征；

输入模块，用于将特征提取的对应电极通道下的能量特征作为输入特征，输入到bp神经网络中，实现对学习注意力的分类。

以上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。