一种基于舒尔特方格与LSTM的多级注意力分级方法技术

本发明专利技术公开了一种基于舒尔特方格与LSTM的多级注意力分级方法，包括步骤：一、获取有效注意力样本数据；二、有效注意力样本数据的预处理；三、均值化预处理后的有效注意力样本数据的去噪；四、构建注意力样本数据库；五、LSTM深度神经网络的训练；六、多级注意力的分级。本发明专利技术构建舒尔特方格的注意力采集范式，量化检验指标，提升数据客观性，采用原始脑波数据，保证数据完整性，训练LSTM深度神经网络分级模型，对注意力进行多级分级，预留注意力测试样本数据集合验证注意力等级分级效果，完全可以表征不同注意力水平，保留脑电信号的时序信号的特征提取，极大提高识别准确率。极大提高识别准确率。极大提高识别准确率。

【技术实现步骤摘要】
一种基于舒尔特方格与LSTM的多级注意力分级方法


[0001]本专利技术属于多级注意力分级
，具体涉及一种基于舒尔特方格与LSTM的多级注意力分级方法。

技术介绍

[0002]注意力问题一直是驾驶员、飞行员等面临的首要问题，一旦他们的注意力分散，就会造成严重的交通事故。通过对驾驶员的不同注意状态进行监测并预警能够降低事故的发生率。找到能够准确地区分不同注意力水平的特征参数，不仅有助于建立能够调控人的注意力水平的生物反馈系统，而且有益于与注意力相关的脑神经疾病的诊断和治疗。现有的注意力研究已经有很大的进步，但仍存在如下问题：第一，现有注意力研究大多为注意力与非注意力两级的区分，无法进行多级注意力区分的研究，对注意力应用受到局限；第二，注意力采集范式没有量化的指标，注意力数据不够客观，不同注意类型数据采集和标注困难；第三，现有大多注意力特征提取算法采用脑电信号中的某些特定频段数据，拟合注意力模型，这样的做法损失了有效信息，表征注意力不准确；第四，现有注意力研究缺少对脑电信号的时序信号的特征提取，识别准确率有待提高。

技术实现思路

[0003]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于舒尔特方格与LSTM的多级注意力分级方法，其设计新颖合理，构建舒尔特方格的注意力采集范式，量化检验指标，提升数据客观性，采用原始脑波数据，保证数据完整性，训练LSTM深度神经网络分级模型，对注意力进行多级分级，预留注意力测试样本数据集合验证注意力等级分级效果，完全可以表征不同注意力水平，保留脑电信号的时序信号的特征提取，极大提高识别准确率，便于推广使用。
[0004]为解决上述技术问题，本专利技术采用的技术方案是：1.一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于该方法包括以下步骤：
[0005]步骤一、获取有效注意力样本数据，过程如下：
[0006]步骤101、建立注意力样本数据获取平台，所述注意力样本数据获取平台包括执行操作平台和用于采集操作人员脑电信号的脑电信号采集设备；
[0007]所述执行操作平台包括控制器以及均与所述控制器连接的触摸屏和计时器；
[0008]步骤102、利用控制器建立5
×
5的舒尔特方格，并通过触摸屏显示，佩戴脑电信号采集设备；
[0009]步骤103、注意力样本获取平台进行初始化，将1至25以随机分布方式输入至5
×
5的舒尔特方格中，并显示在触摸屏中；
[0010]步骤104、操作人员按照1至25的顺序将触摸屏中显示的数字依次触碰完毕，实现一次测试过程；
[0011]步骤105、输出操作人员操作所用时间，当操作所用时间为0＜t≤Δ1时，脑电信号
采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将该有效注意力样本数据标记为高注意力样本数据，并保留该有效注意力样本数据；
[0012]当操作所用时间为Δ2≤t≤Δ3时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将该有效注意力样本数据标记为中注意力样本数据，并保留该有效注意力样本数据；
[0013]当操作所用时间为t≥Δ4时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将该有效注意力样本数据标记为低注意力样本数据，并保留该有效注意力样本数据；
[0014]当操作所用时间为Δ1＜t＜Δ2或Δ3＜t＜Δ4时，脑电信号采集设备采集操作人员的注意力样本数据为无效注意力样本数据，舍弃该无效注意力样本数据；
[0015]其中，Δ1为高注意力用时阈值，Δ2为中注意力用时阈值下限，Δ3为中注意力用时阈值上限，Δ4为低注意力用时阈值，且Δ1＜Δ2＜Δ3＜Δ4；
[0016]步骤106、利用多个操作人员分别执行步骤103至步骤105，获取多个有效注意力样本数据，有效注意力样本数据的数量不少于2000个且至少2000个有效注意力样本数据包含高注意力样本数据、中注意力样本数据和低注意力样本数据；
[0017]步骤二、有效注意力样本数据的预处理：对每个有效注意力样本数据进行均值化预处理；
[0018]步骤三、均值化预处理后的有效注意力样本数据的去噪：利用小波包分解对均值化预处理后的有效注意力样本数据进行去噪；
[0019]步骤四、构建注意力样本数据库：对均值化预处理且去噪后的有效注意力样本数据构建注意力样本数据库；
[0020]步骤五、LSTM深度神经网络的训练，过程如下：
[0021]步骤501、对注意力样本数据库进行随机分类，获得注意力训练样本数据集合和注意力测试样本数据集合；
[0022]步骤502、在注意力训练样本数据集合中调取一个注意力训练样本数据，输入至LSTM深度神经网络中，对LSTM深度神经网络进行一次训练；
[0023]步骤503、循环步骤502，直至注意力训练样本数据集合中的注意力训练样本数据调取完毕，完成LSTM深度神经网络训练过程；
[0024]步骤六、多级注意力的分级：在注意力测试样本数据集合中调取注意力测试样本数据，输入至训练完成的LSTM深度神经网络中，输出注意力的高、中、低级别。
[0025]上述的一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于：步骤104中，一次测试过程如下：
[0026]步骤1041、操作人员触碰触摸屏中的数字1，控制器判断操作人员触碰的是否为数字1，当控制器识别操作人员触碰的是数字1时，执行步骤1042；当控制器识别操作人员触碰的不是数字1时，触摸屏警示提醒操作人员操作错误，需重新输入数字1，直至控制器识别到数字1对应的信号指令；
[0027]步骤1042、操作人员触碰触摸屏中的数字2，控制器判断操作人员触碰的是否为数字2，当控制器识别操作人员触碰的是数字2时，执行步骤1043；当控制器识别操作人员触碰的不是数字2时，触摸屏警示提醒操作人员操作错误，需重新输入数字2，直至控制器识别到
数字2对应的信号指令；
[0028]步骤1043、操作人员触碰触摸屏中的数字3，控制器判断操作人员触碰的是否为数字3，当控制器识别操作人员触碰的是数字3时，执行步骤1044；当控制器识别操作人员触碰的不是数字3时，触摸屏警示提醒操作人员操作错误，需重新输入数字3，直至控制器识别到数字3对应的信号指令；
[0029]步骤1044、操作人员触碰触摸屏中的数字4，控制器判断操作人员触碰的是否为数字4，当控制器识别操作人员触碰的是数字4时，执行步骤1045；当控制器识别操作人员触碰的不是数字4时，触摸屏警示提醒操作人员操作错误，需重新输入数字4，直至控制器识别到数字4对应的信号指令；
[0030]步骤1045、操作人员触碰触摸屏中的数字5，控制器判断操作人员触碰的是否为数字5，当控制器识别操作人员触碰的是数字5时，执行步骤1046；当控制器识别操作人员触碰的不是数字5时，触摸屏警示提醒操作人员操作错误，需重新输入数字5，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于该方法包括以下步骤：步骤一、获取有效注意力样本数据，过程如下：步骤101、建立注意力样本数据获取平台，所述注意力样本数据获取平台包括执行操作平台和用于采集操作人员脑电信号的脑电信号采集设备；所述执行操作平台包括控制器以及均与所述控制器连接的触摸屏和计时器；步骤102、利用控制器建立5
×
5的舒尔特方格，并通过触摸屏显示，佩戴脑电信号采集设备；步骤103、注意力样本获取平台进行初始化，将1至25以随机分布方式输入至5
×
5的舒尔特方格中，并显示在触摸屏中；步骤104、操作人员按照1至25的顺序将触摸屏中显示的数字依次触碰完毕，实现一次测试过程；步骤105、输出操作人员操作所用时间，当操作所用时间为0＜t≤Δ1时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将该有效注意力样本数据标记为高注意力样本数据，并保留该有效注意力样本数据；当操作所用时间为Δ2≤t≤Δ3时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将该有效注意力样本数据标记为中注意力样本数据，并保留该有效注意力样本数据；当操作所用时间为t≥Δ4时，脑电信号采集设备采集操作人员的注意力样本数据为有效注意力样本数据，将该有效注意力样本数据标记为低注意力样本数据，并保留该有效注意力样本数据；当操作所用时间为Δ1＜t＜Δ2或Δ3＜t＜Δ4时，脑电信号采集设备采集操作人员的注意力样本数据为无效注意力样本数据，舍弃该无效注意力样本数据；其中，Δ1为高注意力用时阈值，Δ2为中注意力用时阈值下限，Δ3为中注意力用时阈值上限，Δ4为低注意力用时阈值，且Δ1＜Δ2＜Δ3＜Δ4；步骤106、利用多个操作人员分别执行步骤103至步骤105，获取多个有效注意力样本数据，有效注意力样本数据的数量不少于2000个且至少2000个有效注意力样本数据包含高注意力样本数据、中注意力样本数据和低注意力样本数据；步骤二、有效注意力样本数据的预处理：对每个有效注意力样本数据进行均值化预处理；步骤三、均值化预处理后的有效注意力样本数据的去噪：利用小波包分解对均值化预处理后的有效注意力样本数据进行去噪；步骤四、构建注意力样本数据库：对均值化预处理且去噪后的有效注意力样本数据构建注意力样本数据库；步骤五、LSTM深度神经网络的训练，过程如下：步骤501、对注意力样本数据库进行随机分类，获得注意力训练样本数据集合和注意力测试样本数据集合；步骤502、在注意力训练样本数据集合中调取一个注意力训练样本数据，输入至LSTM深度神经网络中，对LSTM深度神经网络进行一次训练；
步骤503、循环步骤502，直至注意力训练样本数据集合中的注意力训练样本数据调取完毕，完成LSTM深度神经网络训练过程；步骤六、多级注意力的分级：在注意力测试样本数据集合中调取注意力测试样本数据，输入至训练完成的LSTM深度神经网络中，输出注意力的高、中、低级别。2.按照权利要求1所述的一种基于舒尔特方格与LSTM的多级注意力分级方法，其特征在于：步骤104中，一次测试过程如下：步骤1041、操作人员触碰触摸屏中的数字1，控制器判断操作人员触碰的是否为数字1，当控制器识别操作人员触碰的是数字1时，执行步骤1042；当控制器识别操作人员触碰的不是数字1时，触摸屏警示提醒操作人员操作错误，需重新输入数字1，直至控制器识别到数字1对应的信号指令；步骤1042、操作人员触碰触摸屏中的数字2，控制器判断操作人员触碰的是否为数字2，当控制器识别操作人员触碰的是数字2时，执行步骤1043；当控制器识别操作人员触碰的不是数字2时，触摸屏警示提醒操作人员操作错误，需重新输入数字2，直至控制器识别到数字2对应的信号指令；步骤1043、操作人员触碰触摸屏中的数字3，控制器判断操作人员触碰的是否为数字3，当控制器识别操作人员触碰的是数字3时，执行步骤1044；当控制器识别操作人员触碰的不是数字3时，触摸屏警示提醒操作人员操作错误，需重新输入数字3，直至控制器识别到数字3对应的信号指令；步骤1044、操作人员触碰触摸屏中的数字4，控制器判断操作人员触碰的是否为数字4，当控制器识别操作人员触碰的是数字4时，执行步骤1045；当控制器识别操作人员触碰的不是数字4时，触摸屏警示提醒操作人员操作错误，需重新输入数字4，直至控制器识别到数字4对应的信号指令；步骤1045、操作人员触碰触摸屏中的数字5，控制器判断操作人员触碰的是否为数字5，当控制器识别操作人员触碰的是数字5时，执行步骤1046；当控制器识别操作人员触碰的不是数字5时，触摸屏警示提醒操作人员操作错误，需重新输入数字5，直至控制器识别到数字5对应的信号指令；步骤1046、操作人员触碰触摸屏中的数字6，控制器判断操作人员触碰的是否为数字6，当控制器识别操作人员触碰的是数字6时，执行步骤1047；当控制器识别操作人员触碰的不是数字6时，触摸屏警示提醒操作人员操作错误，需重新输入数字6，直至控制器识别到数字6对应的信号指令；步骤1047、操作人员触碰触摸屏中的数字7，控制器判断操作人员触碰的是否为数字7，当控制器识别操作人员触碰的是数字7时，执行步骤1048；当控制器识别操作人员触碰的不是数字7时，触摸屏警示提醒操作人员操作错误，需重新输入数字7，直至控制器识别到数字7对应的信号指令；步骤1048、操作人员触碰触摸屏中的数字8，控制器判断操作人员触碰的是否为数字8，当控制器识别操作人员触碰的是数字8时，执行步骤1049；当控制器识别操作人员触碰的不是数字8时，触摸屏警示提醒操作人员操作错误，需重新输入数字8，直至控制器识别到数字8对应的信号指令；步骤1049、操作人员触碰触摸屏中的数字9，控制器判断操作人员触碰的是否为数字9，
当控制器识别操作人员触碰的是数字9时，执行步骤10410；当控制器识别操作人员触碰的不是数字9时，触摸屏警示提醒操作人员操作错误，...

【专利技术属性】
技术研发人员：王湃，吴凡，乔详，郭春勇，谢双强，秦学斌，汪梅，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：