一种基于注意力状态的智能神经调控方法及系统

本发明属于注意力状态分析与调控，具体涉及一种基于注意力状态的智能神经调控方法及系统。

背景技术：

1、人的注意力状态在许多工作和任务中起着关键作用，注意力的集中与否直接影响工作效果和安全性。例如在汽车或飞机驾驶中，都需要驾驶员集中注意力关注设备和环境状况，使其快速应对突发状态。因此通过一些可行的技术调节和增强注意力状态，以避免任务或工作时因分心带来严重事故。

2、基于行为表现的注意力状态分析是一种通过观察和分析个体的外在行为来推测其注意力状态的方法。该方法可以结合不同的行为特征，如眼动、面部表情、身体姿态和活动水平等，来评估个体的注意力集中程度。然而，环境依赖性、主观表现特征和个体差异等因素对数据的准确性带来较大的挑战。

3、通过感官反馈提示来调节注意力状态是一种常用的方法，例如使用声音、视觉信号、触觉振动等方式来提醒个体保持或恢复注意力。然而，在采用这种方法反馈提示时，若使用者在任务中注意力集中关注任务的同时，其感官反馈本身却成为干扰源使得使用者注意力状态降低；也如其他因素导致使用者在任务时注意力下降，其自身感官注意力也会降低，感官提示也可能因使用者注意力不集中而忽略，难以通过自我调节改善注意力状态。

4、在现有方法中，一般通过视频观测使用者的行为表现来评估注意力状态，例如是否哈欠、是否眼睛疲倦(公开号为cn112401887a的中国专利)、是否存在当前行为无关动作(驾车中饮食动作/喝水动作/打电话动作/娱乐动作等)(公开号为cn109937152a的中国专利)，以此为依据仅对使用者的注意力状态进行是与否的两级评估。此外也有少量方法使用脑电信号作为分析依据的注意力状态监测(公开号为cn112957049a的中国专利)。这些现有方法中，一方面是通过评估使用者的行为表现评估容易受主观表现影响识别率，监测设备也受环境影响(视频遮挡)降低识别率；另一方面在通过脑电信号分析注意力状态的方法中，当使用者注意力状态较低往往是通过采用感官提示的方式反馈，但是注意力状态较差时，对于感官的灵敏性也是较差的。

技术实现思路

1、为解决现有注意力状态调控方法存在的准确性以及灵敏度较低的问题，本发明提供了一种基于注意力状态的智能神经调控方法及系统。

2、本发明为解决技术问题所采用的技术方案如下：

3、本发明的一种基于注意力状态的智能神经调控方法，主要包括以下步骤：

4、(1)实时采集用户的eeg信号，捕捉与注意力状态相关的脑电波；

5、(2)对采集的原始eeg信号进行预处理，并提取eeg信号中与注意力相关特征；

6、(3)在用户使用设备的初始阶段时，针对使用任务需求采集用户在不同注意力状态下的eeg信号，以此建立基线数据；利用智能学习算法，基于基线数据训练注意力状态评估模型；

7、(4)在用户使用设备时，系统将实时采集并监测eeg信号，同时利用训练好的注意力状态评估模型对实时采集的eeg信号进行分析和评估，判断用户当前的注意力状态；

8、(5)生成神经调控策略；

9、根据实时注意力状态评估结果，判断是否需要执行神经调控；当需要执行神经调控时，系统将生成神经调控策略，以此选择合适的神经调控方法和神经调控参数；

10、(6)执行神经调控策略。

11、进一步的，步骤(2)中，对采集的原始eeg信号进行滤波处理。

12、进一步的，步骤(2)中，对每个时间窗口内的eeg信号进行频谱分析，使用快速傅里叶变换计算每个频段的功率值。

13、进一步的，步骤(3)中，所述注意力状态评估模型包括：数据预处理模块和浅层卷积神经网络模块；

14、所述数据预处理模块用于对eeg信号数据进行整理和时频转化：首先对数据进行清洗，移除冗余和缺失的数据，减少模型对数据运算负担；然后对每个时间窗口内的eeg信号进行频谱分析，使用快速傅里叶变换计算每个频段的功率值；再采用主成分分析方法来减少特征数量；最后将数据归一化处理以加快模型收敛；

15、所述浅层卷积神经网络模块用于对预处理后的数据进行分类评估；所述该浅层卷积神经网络模块包括：输入层、两个卷积层、两个池化层、全连接层和输出层；所述输入层根据用户个体使用的感知及其所对应的脑区或者多感知获取预处理后的信号；所述卷积层采用双层结构，通过两个卷积层提取局部特征，每个卷积层后设置一个最大池化层以减少特征尺寸；所述全连接层中进一步优化结果，减少过拟合；所述输出层采用softmax激活函数实现注意力状态的分类及评估。

16、进一步的，步骤(3)中，所述注意力状态评估模型的具体训练过程如下：

17、所述注意力状态评估模型的训练过程依赖于用户个体不同注意力状态的eeg信号数据进行训练；用户首次完成的任务分别为高认知负荷任务的复杂数学问题任务、中等认知负荷的阅读任务、低认知负荷的图像辨认任务及放松状态闭目休息，将这些任务依次划分为高注意力状态、中注意力状态、低注意力状态和注意力分散状态，对应不同注意力状态下采集eeg信号数据作为其分类依据，其中训练集和测试集的比例分别是80％和20％，并采用交叉验证的方法训练浅层卷积神经网络模块。

18、进一步的，步骤(4)中，使用阈值和softmax分类算法评估用户当前的注意力状态，其具体操作流程如下：

19、在数据经过全连接层处理后，将这一优化后的分类结果分别发送到softmax输出层和sigmoid输出层，分别以概率和阈值来判断数据的类别，所述softmax输出层输出多分类概率分布，然后经过argmax获取类别，其中取最大概率类别，再经过softmax预测类别，输出a分类；所述sigmoid输出层输出每个类别的概率，然后通过阈值判断类别，大于阈值为1，最后经过阈值判断类别后输出b分类；最终整合a分类和b分类，获取c分类，输出最终分类结果。

20、进一步的，步骤(5)中，通过eeg实时监测和注意力状态评估结果与经颅电刺激策略做自适应最优神经调控策略筛选，其具体操作流程如下：

21、在经过eeg实时监测和注意力状态评估后得到用户状态等级，对评估的高注意力状态、中注意力状态、低注意力状态或注意力分散状态，设定对应不同参数的经颅电刺激策略：当高注意力状态时，使用0.5～1ma范围的高斯随机电流刺激方案，保持注意力状态和优化注意力资源分配；当中注意力状态时，则采用0.5～1ma范围的两类混合经颅电刺激方案，分别采用高斯随机电流刺激方案和γ波(30～45hz)余/正弦交流电刺激方案；当低注意力状态时，则采用1.0～1.5ma范围的两类混合经颅电刺激方案，分别采用高斯随机电流刺激方案和β波(13～30hz)余/正弦交流电刺激方案；当注意力分散状态时，则采用1.5～2ma范围的三类混合经颅电刺激方案，分别采用高斯随机电流刺激方案、β波余/正弦交流电刺激方案和经颅直流电刺激方案。

22、进一步的，在每个刺激周期结束后将再次对注意力状态评估，并以评估阈值的结果优化经颅电刺激策略；当首次评估结果为高注意力状态时，则实时周期性监测和评估，并依次在1、3、5…个周期后执行高斯随机电流刺激；在注意状态等级再次评估为中注意力状态、低注意力状态或注意力分散状态后，则执行以下对应的经颅电刺激策略：当刺激后的阈值偏向高注意力状态时，则维持上次的经颅电刺激方案，该经颅电刺激方案也为最优神经调控方案；当刺激后的阈值偏向保持不变或降低时，调整上次经颅电刺激方案的参数，同时增加0.1ma电流和1hz频率，每执行一个周期调整一次，直至调整到最优神经调控方案；

23、所述高斯随机电流刺激方案在高、中、低注意力状态和注意力分散状态时对应的时间占比依次为100％、50％、30％和10％；所述注意力分散状态时的经颅直流电刺激方案对应的时间占比为30％，余下的时间则为其对应的余/正弦交流电刺激方案；同时刺激时间周期占比也会随着实时监测阈值偏向高注意力状态而保持不变，或者阈值对应注意力状态不变或偏向低注意力状态而增加余/正弦交流电刺激方案占比时间，以获得最优神经调控方案；而在注意力分散状态时阈值不变或降低，则增加经颅直流电刺激方案对应的时间占比。

24、本发明提供的一种基于注意力状态的智能神经调控系统，用于实现所述的一种基于注意力状态的智能神经调控方法。该系统主要包括：脑电采集模块、主控模块以及神经调控模块；由所述主控模块向所述脑电采集模块发送eeg信号采集的开始指令，所述脑电采集模块开始采集eeg信号并发送给所述主控模块，所述主控模块进行信号处理与特征提取，同时进行模型训练以及实时注意力状态评估，并根据实时注意力状态评估结果，判断是否需要执行神经调控；当需要执行神经调控时，将在所述神经调控模块中生成神经调控策略，所述主控模块向所述神经调控模块发送神经调控参数指令，所述神经调控模块将依据神经调控参数指令执行神经调控策略，并向所述主控模块反馈调控结束信号。

25、进一步的，当需要执行用户注意力状态的神经调控策略时，所述脑电采集模块与神经调控模块交替进行启动和停止循环调控方案运行。

26、本发明的有益效果是：

27、本发明基于脑电信号的注意力状态个性化评估等级，并根据评估结果智能化选择最优非侵入式经颅电刺激神经调控方法，以改善注意力状态。本发明实现了对注意力状态分级评估，以及基于注意力状态较差时采用神经调控的方法改善注意力。

28、本发明主要解决实时监测脑电信号对注意力状态等级评估算法，及根据其评估等级结果采用最优模式的经颅电刺激改善使用者注意力状态，并根据使用者的环境(例如听觉、视觉、触觉等)感知需求可实现多样化的需求。

29、相比行为表现的注意力状态分析方法，本发明采用脑电(eeg)信号来分析可以实现更高的实效性(eeg的测量时间分辨率可以达到毫秒)，实时反应大脑活动变化；同时直接测量大脑活动，能够精确反映注意力状态的生理基础，避免行为表现可能引入的干扰和误差，且eeg对微小的注意力变化非常敏感，能够检测到行为表现无法捕捉到的细微变化，使其具有更高的准确性和灵敏度；行为表现分析依赖于外部表现，容易受到外界环境和个体情绪等因素的影响，而eeg不受这些因素的干扰，能够提供更加稳定和可靠的数据；最重要的是，eeg可以识别出用户在行为上未表现出来的隐性注意力状态，例如注意力分散但行为上看不出明显变化。可见相比行为表现的注意力状态分析方法，采用eeg生理信号分析具有更高的时效性、准确性和灵敏度，不依赖于外部行为表现，能够识别隐性注意力状态，具有广泛的应用前景和实际优势。