本發(fā)明涉及腦電波控制技術(shù)領(lǐng)域，尤其涉及一種基于深度學習的腦電波智能學習機及其程序控制方法。

背景技術(shù)：
：

基于腦電波的數(shù)據(jù)終端，是物聯(lián)網(wǎng)和大數(shù)據(jù)背景下的一個非常重要的數(shù)據(jù)終端，是一門新興技術(shù)。腦電波是在大腦活動時在大腦皮質(zhì)的細胞外產(chǎn)生的生物電流，不同的腦活動會產(chǎn)生不同的電流波。因此我們可以通過電極來采集這些腦電波信號，然后通過深度學習模型的建立和分析，就能得到不同的腦電波與不同的腦活動之間的對應關(guān)系，再將腦電波信號進行特殊的數(shù)據(jù)處理，就可以通過這些數(shù)據(jù)對應的腦活動，來進行簡單的電子設備的控制。

技術(shù)實現(xiàn)要素：
：

針對上述問題，本發(fā)明要解決的技術(shù)問題是提供一種基于深度學習的腦電波智能學習機及其程序控制方法。

本發(fā)明的基于深度學習的腦電波智能學習機，包括腦電信號采集設備和學習機，所述腦電信號采集設備包括腦電信號采集處理模塊、參考電極、腦電信號采集電極、電源模塊和第一無線通信模塊，所述腦電信號采集處理模塊分別與參考電極、腦電信號采集電極、電源模塊和第一無線通信模塊連接，所述學習機包括控制器、觸摸屏控制器、觸摸顯示屏、FLASH存儲器、第二無線通信模塊、電源、音頻編碼器芯片、SD卡及USB接口，所述控制器分別與觸摸屏控制器、FLASH存儲器、第二無線通信模塊、電源、音頻編碼器芯片、SD卡及USB接口連接，所述觸摸屏控制器連接有觸摸顯示屏，所述第一無線通信模塊與第二無線通信模塊無線連接。

優(yōu)選的，所述參考電極包括前額電極及耳朵電位夾。

優(yōu)選的，所述腦電信號采集處理模塊為ThinkGear TGAM模塊。

優(yōu)選的，所述控制器采用arm處理器。

本發(fā)明的基于深度學習的腦電波智能學習機的程序控制方法，包括以下步驟：

a.建立和訓練單詞記憶深度的腦電信號深度學習模型，建立一個DBN深度學習模型，構(gòu)建包含3個隱含層的DBN網(wǎng)絡，相鄰層構(gòu)成受限玻爾茲曼機RMB，輸入層為x，輸出層為y，在x層輸入待檢圖像特征向量，經(jīng)由三個隱含層，得到分類結(jié)果y，其激活函數(shù)采用sigmoid激活函數(shù)公式為：

；

b.通過腦電信號采集設備采集用戶的原始腦電信號，通過無線通信模塊發(fā)送到學習機上；

c.接收到采集的原始腦電信號后，送往深度學習模型，同時按照ThinkGear傳輸數(shù)據(jù)包格式進行數(shù)據(jù)解析，獲得信號質(zhì)量值和專注度值；

d.通過深度學習模型判斷當前單詞是否需要學習；

e.根據(jù)信號質(zhì)量值和專注度值來分析用戶當前的注意力集中程度；

f.根據(jù)步驟d中的單詞是否繼續(xù)學習的判斷和步驟e中注意力集中程度的判斷，決定是否切換到下一個單詞進行學習。

優(yōu)選的，所述步驟b中通過通過腦電信號采集設備采集用戶的原始腦電信號是通過前額電極、耳朵電位夾和腦電信號采集處理模塊來進行采集的。

本發(fā)明有益效果：本發(fā)明通過監(jiān)測使用者的單詞記憶深度和精神注意力，通過單詞記憶深度來判斷當前單詞是否需要繼續(xù)記憶學習。并通過與注意力相關(guān)的腦電信號的強弱，來判斷使用者注意力是否集中，依此控制記憶單詞的進度，提高外語單詞記憶的效率。

附圖說明：

為了易于說明，本發(fā)明由下述的具體實施及附圖作以詳細描述。

圖1是DBN分類器結(jié)構(gòu)；

圖2是腦電信號采集設備結(jié)構(gòu)圖；

圖3是學習機結(jié)構(gòu)圖；

圖4是腦電信號數(shù)據(jù)包解析過程；

圖5是學習機控制過程；

圖6是腦電信號采集設備電路原理圖；

圖7-8是CPU主電路圖；

圖9是CPU-總線電路圖；

圖10是時鐘電路；

圖11是VGA接口電路圖；

圖12是FLASH存儲器電路圖；

圖13是SD卡電路圖；

圖14是USB接口電路圖；

圖15-16是電源模塊電路圖；

圖17是音頻編碼器芯片電路圖；

圖18是無線通信模塊電路圖；

圖19是觸摸屏控制器電路圖。

圖中：Q1-腦電信號采集處理模塊；Q2-參考電極；Q3-腦電信號采集電極；Q4-電源模塊；Q5-第一無線通信模塊；P1-控制器；P2-觸摸屏控制器；P3-觸摸顯示器；P4-FLASH存儲器；P5-第二無線通信模塊；P6-電源；P7-音頻編碼器芯片；P8-SD卡；P9-USB接口。

具體實施方式：

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明了，下面通過附圖中示出的具體實施例來描述本發(fā)明。但是應該理解，這些描述只是示例性的，而并非要限制本發(fā)明的范圍。此外，在以下說明中，省略了對公知結(jié)構(gòu)和技術(shù)的描述，以避免不必要地混淆本發(fā)明的概念。

如圖1-19所示，本實施例的一種基于深度學習的腦電波智能學習機，包括腦電信號采集設備和學習機，所述腦電信號采集設備包括腦電信號采集處理模塊Q1、參考電極Q2、腦電信號采集電極Q3、電源模塊Q4和第一無線通信模塊Q5，所述腦電信號采集處理模塊Q1分別與參考電極Q2、腦電信號采集電極Q3、電源模塊Q4和第一無線通信模塊Q5連接，所述學習機包括控制器P1、觸摸屏控制器P2、觸摸顯示屏P3、FLASH存儲器P4、第二無線通信模塊P5、電源P6、音頻編碼器芯片P7、SD卡P8及USB接口P9，所述控制器PQ分別與觸摸屏控制器P2、FLASH存儲器P4、第二無線通信模塊P5、電源P6、音頻編碼器芯片P7、SD卡P8及USB接口P9連接，所述觸摸屏控制器P2連接有觸摸顯示屏P3，所述第一無線通信模塊Q5與第二無線通信模塊P5無線連接。

具體地，參考電極Q2包括前額電極及耳朵電位夾；腦電信號采集處理模塊Q1為ThinkGear TGAM模塊；控制器P1采用arm處理器。

本實施例的一種基于深度學習的腦電波智能學習機的程序控制方法，包括以下步驟：

a.建立和訓練單詞記憶深度的腦電信號深度學習模型；

b.通過腦電信號采集設備采集用戶的原始腦電信號，通過無線通信模塊發(fā)送到學習機上；

c.接收到采集的原始腦電信號后，送往深度學習模型，同時按照ThinkGear TGAM傳輸數(shù)據(jù)包格式進行數(shù)據(jù)解析，獲得信號質(zhì)量值和專注度值；

d.通過深度學習模型判斷當前單詞是否需要學習；

e.根據(jù)信號質(zhì)量值和專注度值來分析用戶當前的注意力集中程度；

f.根據(jù)步驟d中的單詞是否繼續(xù)學習的判斷和步驟e中注意力集中程度的判斷，決定是否切換到下一個單詞進行學習。

具體地，步驟a中建立和訓練單詞記憶深度的腦電信號深度學習模型是指建立一個DBN深度學習模型，再通過大量的不同學習者的單詞記憶深度腦電信號樣本來訓練該模型；建立一個DBN深度學習模型，如圖1所示，通過大量的不同學習者的單詞記憶深度腦電信號樣本來訓練該模型。首先將要學習的外語單詞庫讓學習者學習，然后測試學習者的記憶情況，采集測試者的腦電信號，并將信號送入DBN網(wǎng)絡中進行逐層學習，獲取單詞記憶腦電信號的特征，待學習完畢之后，DBN網(wǎng)絡最后一層將按單詞的記憶深度信號特征，對信號進行分類。低于某個分類級別的單詞，認為記憶不是很牢，需要重新推薦記憶學習，而高于某個級別的說明記憶很深很牢，就不再推薦記憶學習。

具體地，步驟B中腦電信號的采集處理是通過前額電極、耳朵電位夾和ThinkGear TGAM腦電信號處理模塊來完成的，采集到的數(shù)據(jù)是通過無線通信模塊發(fā)送到學習機上，無線通信模塊為藍牙。

具體地，步驟c中學習機通過藍牙接收b中采集到的腦電信號數(shù)據(jù)，并將原始信號送往深度學習模型，同時按照ThinkGear TGAM傳輸數(shù)據(jù)包格式進行數(shù)據(jù)解析，獲得信號質(zhì)量值和專注度值。解析出數(shù)據(jù)包中的第3字節(jié)的值為信號質(zhì)量值，第34字節(jié)的值即為專注度值；第7～30字節(jié)可以解析出delta波、theta波、alpha波、beta波、gamma波的值。

具體地，步驟d中將步驟c中獲得的單詞腦電信號量送到步驟a中建立的DBN深度學習模型，并判斷當前單詞是否需要學習。

具體地，步驟e中根據(jù)專注度和信號質(zhì)量值來分析使用者當前的注意力集中程度。

具體地，步驟f中根據(jù)步驟d中的單詞是否繼續(xù)學習的判斷和步驟e中注意力集中程度的判斷，按照一定的記憶時間間隔要求，決定是否切換到下一個單詞進行學習。

現(xiàn)在結(jié)合附圖及實例對本發(fā)明作進一步的說明。

圖1描述了DBN分類器結(jié)構(gòu)：考慮均衡DBN網(wǎng)絡的訓練時間和識別時間，本發(fā)明設計了含有3個隱含層的DBN網(wǎng)絡，結(jié)構(gòu)如圖1所示。其中，h₁-h₃分別為網(wǎng)絡中的三個隱含層，相鄰層構(gòu)成受限玻爾茲曼機RMB，x為輸入層，y為輸出層，在x層輸入待檢圖像特征向量，經(jīng)由三個隱含層，得到分類結(jié)果y，k₁-k₃分別為隱含層包含的單元個數(shù)。由于輸入端輸入的是二值向量，所以這里選用二值單元，其激活函數(shù)采用sigmoid激活函數(shù)，如公式（1）所示。

（1）

圖2描述了腦電信號采集設備的結(jié)構(gòu)圖。

腦電信號采集處理模塊：可采用ThinkGear TGAM模塊，模塊可以對采集的腦電信號進行處理，輸出整型值的信號質(zhì)量值、注意力值、原始腦電波采樣值等；

參考電極：包括前額電極及耳朵電位夾，取耳垂做參考電位，使用耳夾電極；

腦電信號采集電極：采集原始的腦電信號；

電源模塊：可以使用鋰電池對各個模塊供電；

第一無線通信模塊：可以使用藍牙通信。

圖3描述了學習機的結(jié)構(gòu)圖。

控制器：可選用arm處理器；

觸摸屏控制器：連接處理器和觸摸屏，接收觸摸信息，并將它轉(zhuǎn)換成觸點坐標，再送給處理器；

觸摸屏：用于顯示單詞記憶的操作界面；

第二無線通信模塊：可以與第一無線通信模塊通信。

Flash存儲卡：存儲應用程序和單詞數(shù)據(jù)；

音頻編解碼芯片：用來對單詞讀音音頻進行編解碼；

SD卡：用來存儲單詞庫，擴展存儲，擴大詞庫；

USB接口：用來供電，或者從設備上上傳或下載文件。

電源：可以使用鋰電池或USB接口對各個模塊供電。

圖4描述了腦電信號數(shù)據(jù)包的解析過程。

步驟S1：學習機上的藍牙接受到腦電信號采集設備的信號數(shù)據(jù)包；

步驟S2：按照ThinkGear TGAM模塊數(shù)據(jù)包格式來解析數(shù)據(jù)；

步驟S3：首先解析出信號質(zhì)量的值，然后存儲單詞記憶深度腦的電信號量和信號質(zhì)量值。信號質(zhì)量值的取值在0到200之間，越小越好，越小說明噪聲越??；

步驟 S4：將存儲的單詞記憶深度腦電信號作為輸入送入DBN網(wǎng)絡；

步驟S5：通過DBN網(wǎng)絡判斷當前單詞是否需要學習，不需要繼續(xù)返回讀取數(shù)據(jù)，需要就繼續(xù)下一步；

步驟S6：判斷信號質(zhì)量值是否小于等于50，如果小于，則轉(zhuǎn)到步驟S5，否則，解析下一個腦電信號數(shù)據(jù)包；

步驟S7：存儲解析出的注意力值，取值在0到100之間，注意力值越大越好，說明注意力越集中；

步驟S8：判斷注意力值是否小于等于60，如果是的話，解析下一個腦電信號數(shù)據(jù)包，否則轉(zhuǎn)到步驟S7；

步驟S9：若注意力值大于60，則置標志位Fnext=1，表示允許記憶下一個單詞。

圖5描述了學習機控制過程。

步驟U1：在單詞需要繼續(xù)學習時，獲取之前記憶的單詞的序號變量值；

步驟U2：判斷標志位Fnext是否等于1，若是則轉(zhuǎn)到步驟U3，否則等待標志位Fnext被置為1；

步驟U3：當前單詞序號變量值加1，顯示下一個單詞；

步驟U4：獲取當前單詞需要記憶的時間，并在屏幕上顯示單詞相應的時間長度；

步驟U5：同時判斷信號質(zhì)量值是否小于等于50，并且注意力值是否大于60，是的話，繼續(xù)顯示下一個單詞，否則轉(zhuǎn)到步驟U6；

步驟U6：把Fnext標志位清零，等待Fnext標志位被置為1。

以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點。本行業(yè)的技術(shù)人員應該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內(nèi)。本發(fā)明要求保護范圍由所附的權(quán)利要求書及其等效物界定。