專利名稱：用于生成注意力水平表示的設備和方法
技術領域：
本發(fā)明大致涉及用于生成受試者注意力水平表示的設備和方法，并涉及計算機儲存媒介，該計算機儲存媒介上儲存有計算機代碼裝置，該計算機代碼裝置用于命令計算機設備執(zhí)行生成受試者注意力水平表示的方法。
背景技術：
注意力缺陷多動障礙(ADHD)是小孩中常見的行為障礙，其具有諸如注意力不集中和多動的癥狀。目前對ADHD的管理常常導致使用藥理學興奮劑藥物。然而，家長可能關心這些藥物的潛在的未知副作用，包括頭痛、胃疼、失眠、食欲不振、身體生長遲緩，等等。最近，人們對基于心理社會方面的ADHD的治療越來越感興趣。雖然重要，但迄今為止，這種治療已經證實不如藥物治療。然而，已經注意到，先進技術諸如腦-機接口(BCI)能夠被用來改善基于心理方面的ADHD治療。BCI在人腦和外部設備之間提供直接通信路徑。其依賴諸如腦電圖(EEG)的生物信號，因此是低成本和非侵入性的接口。各種研究已經證明了神經反饋(NFB)或EEG 生物反饋在ADHD治療中的功效。美國專利第6402520號描述了基于各自的平均毫伏活動調整所測量的θ和β波活動(更具體地，為了減少θ波活動并增加β波活動)。然而，還沒有建立所測量的平均毫伏θ和β活動與注意力之間的清楚和直接的對應。因此，該文獻中的訓練方法所涉及的用戶僅學會控制它們的被測量的平均毫伏θ和β活動，這些活動并不是注意力的直接測量。因此，雖然用戶可以開發(fā)用于控制被測量平均毫伏θ和β活動的機構，但這與獲得更高的注意力水平并不直接對應。因此需要提供用于生成受試者注意力水平表示設備和方法，以求解決至少一個上述問題。
發(fā)明內容
根據本發(fā)明的第一方面，提供了一種用于生成受試者注意力水平表示的設備，包括測量來自受試者的大腦信號的裝置；從大腦信號提取時間特征的裝置；使用分類器將提取的時間特征分類以給出分數X1的裝置；從大腦信號提取譜空間特征的裝置；從提取的譜空間特征集合中選擇含有專注狀態(tài)與非專注狀態(tài)之間的區(qū)別信息的譜空間特征的裝置；使用分類器將提取的譜空間特征分類以給出分數&的裝置；將分數X1和分數&結合以給出單一分數的裝置；以及將所述單一分數呈現給受試者的裝置。
呈現裝置可以以游戲的形式呈現所述分數。呈現所述分數的裝置可以基于所述分數自適應地調整游戲的至少一個控制參數。所述一個參數的調整可以包括使用所述分數與所述一個控制參數之間的關系在第一段時間內呈現所述游戲；確定受試者在第一段時間內的分數的代表值；
基于代表值調整關系；以及使用所述分數與所述一個控制參數之間的被修改的關系在第二段時間內呈現所述游戲。所述關系的調整可以是這樣的，游戲在第二段時間內的難度水平與在第一段時間內的代表值成比例。從大腦信號提取時間特征的步驟可以包括在多個電極通道中的每個電極通道中計算大腦波形的統計量；以及將統計量連接成聯合特征向量。大腦波形的統計量可以是標準偏差。從大腦信號提取譜空間特征的步驟可以包括使用濾波器組在離散頻率窗口中提取各個大腦信號分量以獲得大腦信號的譜特征；以及使用CSP陣列將CSP算法應用于每個譜特征以獲得大腦信號的譜空間特征。從提取的譜空間特征集合選擇含有專注狀態(tài)和非專注狀態(tài)之間的區(qū)別信息的譜空間特征的步驟還可以包括基于與專注狀態(tài)和非專注狀態(tài)相關的特征的相互依賴性選擇譜空間特征。將分數X1和&結合以給出單一分數的步驟還可以包括根據等式(X-mx) /sx將分數X1和&標準化以給出Xln和x2n，其中mx和Sx分別是使用訓練抽樣從分類器得到的輸出的平均值和標準偏差；將權重W1和W2分別分配給標準化的分數Xln和；以及根據等式xln*wi+&n*w2將分數Xln和結合以給出單一的分數。權重W1和W2可以根據等式Wi = (yi)P計算，其中，如果i = Lyi則是將提取的時間特征分類的分類精確度，如果i = 2，yi則是將提取的譜空間特征分類的分類精確度，并且P(P > 0)在單一分數的計算中控制Wi的功率。分類器可以包括線性判別分析分類器、神經網絡、支持矢量機器、模糊接口系統、 樹基分類器，模糊類型2和相關性矢量機器中的一個或多個。該設備可以使用訓練數據以生成參數，該參數用于通過使用分類器將提取的時間特征分類、用于從大腦信號提取譜空間特征、用于從提取的譜空間特征集合選擇包含專注狀態(tài)和非專注狀態(tài)之間的區(qū)別信息的譜空間特征、以及用于通過使用分類器將所選擇的譜空間特征分類。該參數可以包括用于CSP算法的CSP的投影矩陣、用于基于交互信息選擇譜空間特征的參數、和用于分類器的模型中的一個或者多個。使用訓練數據生成參數的步驟還可以包括從執(zhí)行一組任務的受試者收集訓練數據；以及
通過機器學習方法確定所述參數。根據本發(fā)明的第二方面，提供了一種用于生成受試者注意力水平表示的方法，包括測量來自受試者的大腦信號；從大腦信號提取時間特征；使用分類器將提取的時間特征分類以給出分數X1 ；從大腦信號提取譜空間特征；從提取的譜空間特征集合中選擇含有專注狀態(tài)與非專注狀態(tài)之間的區(qū)別信息的譜空間特征；使用分類器將提取的譜空間特征分類以給出分數& ；將分數X1和分數&結合以給出單一分數；以及
將所述單一分數呈現給受試者。將所述單一分數呈現給受試者的步驟可以包括以游戲的形式呈現所述分數。將所述單一分數呈現給受試者的步驟可以包括基于所述分數自適應地調整游戲的至少一個控制參數。調整所述一個參數的步驟可以包括使用所述分數與所述一個控制參數之間的關系在第一段時間內呈現所述游戲；確定受試者在第一段時間內的分數的代表值；基于代表值調整關系；以及使用所述分數與所述一個控制參數之間的被修改的關系在第二段時間內呈現所述游戲。調整所述關系的步驟可以是這樣的，游戲在第二段時間內的難度水平與在第一段時間內的代表值成比例。從大腦信號提取時間特征的步驟可以包括在多個電極通道中的每個中計算大腦波形的統計量；以及將統計量連接成聯合特征向量。大腦波形的統計量可以是標準偏差。從大腦信號提取譜空間特征的步驟可以包括使用濾波器組在離散頻率窗口中提取各個大腦信號分量以獲得大腦信號的譜特征；以及使用CSP陣列將CSP算法應用于每個譜特征以獲得大腦信號的譜空間特征。從提取的譜空間特征集合選擇含有專注狀態(tài)和非專注狀態(tài)之間的區(qū)別信息的譜空間特征的步驟還可以包括基于與專注狀態(tài)和非專注狀態(tài)相關的特征的相互依賴性選擇譜空間特征。將分數X1和&結合以給出單一分數的步驟還可以包括根據等式(X-mx) /sx將分數X1和&標準化以給出Xln和x2n，其中mx和Sx分別是使用訓練抽樣從分類器得到的輸出的平均值和標準偏差；將權重W1和W2分別分配給標準化的分數Xln和；以及根據等式Xln*wi+X2n*w2將分數Xln和結合以給出單一的分數。
權重W1和W2可以根據等式Wi = (yi)P計算，其中，如果i = Lyi則是將提取的時間特征分類的分類精確度，如果i = 2，yi則是將提取的譜空間特征分類的分類精確度，并且P(P > 0)在單一分數的計算中控制Wi的功率。分類器可以包括線性判別分析分類器、神經網絡、支持矢量機器、模糊接口系統、 樹基分類器，模糊類型2和相關性矢量機器中的一個或多個。該設備可以使用訓練數據以生成參數，該參數用于通過使用分類器將提取的時間特征分類、用于從大腦信號提取譜空間特征、用于從提取的譜空間特征集合選擇包含專注狀態(tài)和非專注狀態(tài)之間的區(qū)別信息的譜空間特征、以及用于通過使用分類器將所選擇的譜空間特征分類。該參數可以包括用于CSP算法的CSP的投影矩陣、用于基于交互信息選擇譜空間特征的參數、和用于分類器的模型中的一個或者多個。使用訓練數據生成參數的步驟還包括從執(zhí)行一組任務的受試者收集訓練數據；以及通過機器學習方法確定所述參數。根據本發(fā)明的第三方面，提供了一種計算機存儲媒介，其上存儲有計算機代碼工具，該計算機代碼工具用于命令計算機設備執(zhí)行生成受試者注意力水平表示的方法，該方法包括如下步驟測量來自受試者的大腦信號；從大腦信號提取時間特征；使用分類器將提取的時間特征分類以給出分數X1 ；從大腦信號提取譜空間特征；從提取的譜空間特征集合中選擇含有專注狀態(tài)與非專注狀態(tài)之間的區(qū)別信息的譜空間特征；使用分類器將提取的譜空間特征分類以給出分數、；將分數X1和分數&結合以給出單一分數；以及將所述單一分數呈現給受試者。
對本領域技術人員來說，通過閱讀下面的描述，僅通過實施例并結合附圖，本發(fā)明的實施方式將被更好地理解并更容易顯而易見，其中圖1示出說明根據一個示例實施方式的用于生成受試者注意力水平表示的設備的概觀的原理圖；圖2是根據示例實施方式的圖1的設備對一個客戶端實施的詳細原理圖；圖3示出說明根據本發(fā)明的實施方式的專注度檢測方法的流程圖；圖4示出根據本發(fā)明的實施方式的用于依賴受試者的模型訓練方法的數據收集協議；圖5示出說明根據本發(fā)明的實施方式的用于專注度檢測的方法與依賴受試者的訓練方法之間的連接的原理框圖；圖6示出用于實施示例實施方式的方法和系統的實驗設備的圖像；
圖7示出說明根據示例實施方式的用于生成受試者注意力水平表示的方法的流程圖；圖8示出說明用于實施示例實施方式的方法和系統的計算機系統的原理圖。
具體實施例方式本發(fā)明的示例實施方式提供基于BCI的系統，以求改善ADHD治療，例如，改善用戶的注意力。示例實施方式的BCI技術已經以計算機游戲的方式實施。玩家可以使用它們的注意力級別/水平和BCI設備來控制各種游戲參數，例如，魚躍、速度賽車、解密部分等等。圖1示出說明根據示例實施方式的用于生成受試者注意力水平表示設備100的概觀的原理圖。設備100包括多個客戶端102a、102b... 102η，這些客戶端通過網絡連接 104(例如內聯網或互聯網)連接至服務器106。服務器106還連接至玩家管理器112，玩家管理器112優(yōu)選地管理各客戶端102的互聯和數據流。在示例實施方式中，客戶端102啟動會話，例如，通過請求服務器106提供游戲。隨后客戶端102從服務器106下載游戲。由服務器106提供給客戶端102的游戲程序110包括，用于EEG處理、分析和分類的算法114，注意力模型116以及嵌入其中的游戲118。可以開發(fā)各種類型的游戲以用于示例實施方式。在進行游戲時，客戶端102能夠保存信息(即數據108)并將其發(fā)回服務器106以更新儲存在玩家管理器112上的相應玩家檔案。此外， 示例實施方式的系統100有利地能夠多用戶操作。此外，當進行游戲時，用戶(即玩家)能夠示出他/她的注意力水平，例如，作為視覺反饋。這能夠有利地幫助用戶執(zhí)行得更好。以下描述的一部分明確地或者暗含地涉及算法和對計算機存儲器內數據的操作的功能或者符號表示。這些算法的描述和功能或者符號表示是數據處理領域內技術人員用于更有效地向本領域內其它技術人員表達他們工作實質的方法。此處通常將算法設想為生成期望結果的一系列有條理的步驟。這些步驟是命令對諸如能夠存儲、傳送、組合、對比以及通過其它方式操控的電、磁或者光信號等物理量進行物理操控的步驟。除非特別說明，否則如以下可顯而易見地，應該理解本說明書通篇使用的諸如“掃描”、“計算”、“確定”、“置換”、“生成”、“初始”、“輸出”、“并置”、“提取”、“分類” “調節(jié)”等術語的討論，涉及計算機系統或者類似電子設備的動作和處理，上述的電子設備將表示為計算機系統內物理量的數據操控和轉換成同樣表示為計算機系統或者其它信息存儲、傳輸或者顯示設備內物理量的其它數據。本說明書還公開了用于執(zhí)行方法操作的設備。這種設備為所需的目的而特別構成，或者可以包括通用計算機或者其它由存儲在計算機中的計算機程序選擇性啟動或者重新配置的其它設備。此處介紹的算法和顯示不是固有地與任何具體計算機或者其它設備相關。各種通用機器可以根據此處講授的程序一起使用。作為一種選擇，用于執(zhí)行所要求的方法步驟的更特殊的設備構造是可以適用的。常規(guī)的通用計算機的結構將在以下描述中介紹。此外，由于可以由計算機代碼實施本文描述方法的各步驟對本領域的普通技術人員是顯而易見的，因此本說明書還暗含地公開計算機程序。該計算機程序不趨向于限制于任何具體的編程語言及其執(zhí)行。應該理解，可以使用多種編程語言及其代碼以執(zhí)行本文包含的公開的講授。此外，該計算機程序不趨向于限制于任何具體的控制流。在不脫離本發(fā)明精神或者范圍的情況下，有許多其它種類的、可以使用不同控制流的計算機程序。而且，可以并行地而不是順序地執(zhí)行計算機程序的一個或者多個步驟。這種計算機程序可以存儲在任何計算機可讀媒介上。計算機可讀媒介可以包括諸如磁盤或者光盤、 存儲器芯片或者適于與通用計算機接口的其它存儲設備等存儲設備。計算機可讀媒介還可以包括諸如在因特網系統中的硬接線媒介，或者諸如在GSM移動電話系統中的無線媒介。 當在這種通用計算機上加載和執(zhí)行計算機程序時，計算機程序有效地產生實施優(yōu)選方法的步驟的設備。圖2是根據示例實施方式的圖1的設備對一個客戶端的實施的詳細原理圖。該系統包括生理學數據采集模塊204，注意力檢測模塊206，自適應控制模塊210，接口控制模塊 212，以及具有刺激生成器(用于向受試者(即玩家)202提供反饋)的呈現模塊214。在示例實施方式中，生理數據采集模塊204獲得來自玩家202的生物信號并將結果提供給注意力檢測模塊206。注意力檢測結果進而被提供給自適應控制模塊210。接口控制模塊210在自適應控制模塊210與呈現模塊214之間提供鏈接。物理數據采集在示例實施方式中，生理數據采集模塊204用于記錄來自受試者202的生理生物信號。該生物信號包括腦電圖(EEG)、眼電圖(EoG)、肌電圖(EMG)。不同的傳感器畫面剪輯能夠用于示例實施方式中的數據采集。例如，對于依賴刺激的應用(例如基于P300的游戲)，從頭皮的中央頂骨區(qū)域收集EEG信號。對于隨意注意力控制，從前額(pre-frontal) 區(qū)域收集EEG信號。在示例實施方式中，EEG信號首先穿過濾波器組并被分解成子頻帶，其中頻帶的數量N可以根據任務變化。設X(t)為多通道EEG/EMG/E0G信號，其被濾波以生成N個子頻帶信號Xi (t) = T(Xa)5Ai5Bi), i = 1, ... ,N (1)其中Ai, Bi是帶通濾波器的系數。示例實施方式中的濾波器可以是無限脈沖響應(IIR)或有限脈沖響應(FIR)濾波器。此外，通過排除示例實施方式中的更低頻率的濾波器(0-4Hz)，有利地去除的人為因素并改善了后續(xù)階段中的檢測精度。濾波信號隨后被發(fā)送至對應于各頻帶的空間濾波器。示例實施方式中的空間濾波器基于公共空間模式(CSP)。CSP濾波器通過所涉及的兩個等級的方差的連接最大化/最小化來訓練。對于第i個頻帶，空間濾波信號Yiα)如下面所給出Yi(t) = WXi(t) (2)其中W是CSP的投影矩陣。W的行是穩(wěn)態(tài)空間濾波器，T1的列是公共空間模式。等式(2)中所給出的空間濾波信號使EEG測量的兩個等級的方差中的差異最大化。然而，僅將少量的m個空間濾波信號的方差在示例實施方式中用作分類特征。Yi (t)的前m行與后m行形成特征向量O/
Im
Oti 二lOg(Var(”(0)/Svar_))( 3 )
/=權利要求
1.一種用于生成受試者注意力水平表示的設備，包括測量來自所述受試者的大腦信號的裝置；從所述大腦信號提取時間特征的裝置；使用分類器將提取的時間特征分類以給出分數X1的裝置；從所述大腦信號提取譜空間特征的裝置；從提取的譜空間特征集合中選擇含有專注狀態(tài)與非專注狀態(tài)之間的區(qū)別信息的譜空間特征的裝置；使用分類器將提取的譜空間特征分類以給出分數&的裝置；將分數X1和分數&結合以給出單一分數的裝置；以及將所述單一分數呈現給所述受試者的裝置。
2.如權利要求1所述的設備，其中呈現裝置以游戲的形式呈現所述單一分數。
3.如權利要求2所述的設備，其中呈現所述單一分數的裝置基于所述單一分數自適應地調整所述游戲的至少一個控制參數。
4.如權利要求3所述的設備，其中所述一個參數的調整包括使用所述單一分數與所述一個控制參數之間的關系在第一段時間內呈現所述游戲；確定所述受試者在所述第一段時間內的單一分數的代表值；基于所述代表值調整所述關系；以及使用所述單一分數與所述一個控制參數之間的被修改的關系在第二段時間內呈現所述游戲。
5.如權利要求4所述的設備，其中所述關系的調整是這樣的，所述游戲在所述第二段時間內的難度水平與在所述第一段時間內的代表值成比例。
6.如前述權利要求中任一項所述的設備，其中從所述大腦信號提取所述時間特征的步驟包括在多個電極通道中的每個電極通道中計算大腦波形的統計量；以及將所述統計量連接成聯合特征向量。
7.如權利要求6所述的設備，其中所述大腦波形的統計量是標準偏差。
8.如前述權利要求中任一項所述的設備，其中從所述大腦信號提取譜空間特征的步驟包括使用濾波器組在離散頻率窗口中提取各個大腦信號分量以獲得大腦信號的譜特征；以及使用CSP陣列將CSP算法應用于每個所述譜特征以獲得大腦信號的譜空間特征。
9.如前述權利要求中任一項所述的設備，其中從提取的譜空間特征集合選擇含有專注狀態(tài)和非專注狀態(tài)之間的區(qū)別信息的譜空間特征的步驟還包括基于與所述專注狀態(tài)和非專注狀態(tài)相關的特征的相互依賴性選擇譜空間特征。
10.如前述權利要求中任一項所述的設備，其中將所述分數X1和&結合以給出單一分數的步驟還包括根據公式(X-mx) /sx將所述分數X1和&標準化以給出Xln和x2n，其中mx和Sx分別是使用訓練抽樣從所述分類器得到的輸出的平均值和標準偏差；將權重W1和W2分別分配給標準化的分數Xln和；以及根據公式xln*Wl+&n*w2將分數Xln和結合以給出單一分數。
11.如權利要求10所述的設備，其中所述權重W1和W2根據公式Wi=(yi)p計算，其中， 如果i = 1，Yi則是將所述提取的時間特征分類的分類精確度，如果i = 2，yi則是將所述提取的譜空間特征分類的分類精確度，并且P (P > 0)在所述單一分數的計算中控制Wi的功率。
12.如前述權利要求中任一項所述的設備，其中所述分類器包括線性判別分析分類器、 神經網絡、支持矢量機器、模糊接口系統、樹基分類器，模糊類型2和相關性矢量機器中的一個或多個。
13.如前述權利要求中任一項所述的設備，其中所述設備使用訓練數據以生成參數， 所述參數用于通過使用分類器將所述提取的時間特征分類、用于從大腦信號提取譜空間特征、用于從提取的譜空間特征集合選擇包含所述專注狀態(tài)和非專注狀態(tài)之間的區(qū)別信息的譜空間特征、以及用于通過使用分類器將所選擇的譜空間特征分類。
14.如權利要求13所述的設備，其中所述參數包括用于CSP算法的CSP的投影矩陣、用于基于交互信息選擇譜空間特征的參數、和用于所述分類器的模型中的一個或者多個。
15.如權利要求13或14所述的設備，其中使用訓練數據生成參數的步驟還包括 從執(zhí)行一組任務的受試者中收集訓練數據；以及通過機器學習方法確定所述參數。
16.一種用于生成受試者注意力水平表示的方法，包括 測量來自所述受試者的大腦信號；從所述大腦信號提取時間特征；使用分類器將提取的時間特征分類以給出分數X1 ；從所述大腦信號提取譜空間特征；從提取的譜空間特征集合中選擇含有專注狀態(tài)與非專注狀態(tài)之間的區(qū)別信息的譜空間特征；使用分類器將提取的譜空間特征分類以給出分數&； 將分數X1和分數&結合以給出單一分數；以及將所述單一分數呈現給所述受試者。
17.如權利要求16所述的方法，其中將所述單一分數呈現給所述受試者的步驟包括以游戲的形式呈現所述分數。
18.如權利要求17所述的方法，其中將所述單一分數呈現給所述受試者的步驟包括基于所述分數自適應地調整所述游戲的至少一個控制參數。
19.如權利要求18所述的方法，其中調整所述一個參數的步驟包括使用所述單一分數與所述一個控制參數之間的關系在第一段時間內呈現所述游戲； 確定所述受試者在第一段時間內的單一分數的代表值； 基于所述代表值調整所述關系；以及使用所述單一分數與所述一個控制參數之間的被修改的關系在第二段時間內呈現所述游戲。
20.如權利要求19所述的方法，其中調整所述關系是這樣的，所述游戲在所述第二段時間內的難度水平與在所述第一段時間內的代表值成比例。
21.如權利要求16至20中任一項所述的方法，其中從所述大腦信號提取所述時間特征的步驟包括在多個電極通道中的每個電極通道中計算大腦波形的統計量；以及將所述統計量連接成聯合特征向量。
22.如權利要求21所述的方法，其中所述大腦波形的統計量是標準偏差。
23.如權利要求16至22中任一項所述的方法，其中從所述大腦信號提取譜空間特征的步驟包括使用濾波器組在離散頻率窗口中提取各個大腦信號分量以獲得大腦信號的譜特征；以及使用CSP陣列將CSP算法應用于每個所述譜特征以獲得大腦信號的譜空間特征。
24.如權利要求16至23中任一項所述的方法，其中從提取的譜空間特征集合選擇含有專注狀態(tài)和非專注狀態(tài)之間的區(qū)別信息的譜空間特征的步驟還包括基于與所述專注狀態(tài)和非專注狀態(tài)相關的特征的相互依賴性選擇譜空間特征。
25.如權利要求16至M中任一項所述的方法，其中將所述分數X1和&結合以給出單一分數的步驟還包括根據公式(X-mx) /sx將所述分數X1和&標準化以給出Xln和x2n，其中mx和Sx分別是使用訓練抽樣從所述分類器得到的輸出的平均值和標準偏差；將權重W1和W2分別分配給標準化的分數Xln和；以及根據公式xln*wi+&n*w2將分數xln和結合以給出單一的分數。
26.如權利要求25所述的方法，其中所述權重W1和W2根據公式Wi=(yi)p計算，其中，如果i = 1，Yi則是將所述提取的時間特征分類的分類精確度，如果i = 2，yi則是將所述提取的譜空間特征分類的分類精確度，并且P (P > 0)在所述單一分數的計算中控制Wi的功率。
27.如權利要求16至沈中任一項所述的方法，其中所述分類器包括線性判別分析分類器、神經網絡、支持矢量機器、模糊接口系統、樹基分類器，模糊類型2和相關性矢量機器中的一個或多個。
28.如權利要求16至27中任一項所述的方法，其中所述設備使用訓練數據以生成參數，所述參數用于通過使用分類器將所述提取的時間特征分類、用于從大腦信號提取譜空間特征、用于從提取的譜空間特征集合選擇包含所述專注狀態(tài)和非專注狀態(tài)之間的區(qū)別信息的譜空間特征、以及用于通過使用分類器將所選擇的譜空間特征分類。
29.如權利要求觀所述的方法，其中所述參數包括用于CSP算法的CSP的投影矩陣、用于基于交互信息選擇譜空間特征的參數、和用于所述分類器的模型中的一個或者多個。
30.如權利要求觀或四所述的方法，其中使用訓練數據生成參數的步驟還包括從執(zhí)行一組任務的受試者收集訓練數據；以及通過機器學習方法確定所述參數。
31.一種計算機存儲媒介，其上存儲有計算機代碼工具，所述計算機代碼工具用于命令計算機設備執(zhí)行生成受試者注意力水平表示的方法，所述方法包括如下步驟測量來自所述受試者的大腦信號；從所述大腦信號提取時間特征；使用分類器將提取的時間特征分類以給出分數X1 ；從所述大腦信號提取譜空間特征；從提取的譜空間特征集合中選擇含有專注狀態(tài)與非專注狀態(tài)之間的區(qū)別信息的譜空間特征；使用分類器將提取的譜空間特征分類以給出分數&；將分數X1和分數&結合以給出單一分數；以及將所述單一分數呈現給所述受試者。
全文摘要
一種用于生成受試者注意力水平表示的設備和方法。該設備包括測量來自受試者的大腦信號的裝置；從大腦信號提取時間特征的裝置；使用分類器將提取的時間特征分類以給出分數x1的裝置；從大腦信號提取譜空間特征的裝置；從提取的譜空間特征集合中選擇含有專注狀態(tài)與非專注狀態(tài)之間的區(qū)別信息的譜空間特征的裝置；使用分類器將提取的譜空間特征分類以給出分數x2的裝置；將分數x1和分數x2結合以給出單一分數的裝置；以及將所述分數呈現給受試者的裝置。
文檔編號A61B5/0482GK102573619SQ200980157260
公開日2012年7月11日 申請日期2009年9月14日 優(yōu)先權日2008年12月19日
發(fā)明者蘭嘉·克里什楠, 關存太, 馮舜圣, 布萊姆·哈馬蒂查萊弗, 張海宏, 李迪士, 林春源, 洪介卿, 王傳初, 鄭敬平, 陳政揚 申請人:心理衛(wèi)生學院, 新加坡國立大學, 新加坡科技研究局