基于脑电信号的电子游戏难度动态调整方法技术

基于脑电信号的电子游戏难度动态调整方法，即基于单通道脑机接口EEG信号的特征提取方法。其中所述方法包括：通过脑电传感器采集玩家脑电信号；对采集到的脑电信号进行预处理后，输入到已经训练好的一维多分支卷积神经网络1D

【技术实现步骤摘要】
基于脑电信号的电子游戏难度动态调整方法


[0001]本专利技术提出基于脑电信号的电子游戏难度动态调整方法，尤其涉及EEG信号处理领域以及深度学习领域。

技术介绍

[0002]电子游戏正日益成为人们重要的休闲娱乐方式，适当平衡电子游戏的难度对于为玩家提供愉快的体验来说至关重要。但电子游戏的难度设计很难照顾到全部玩家，大多数开发人员使用动态难度方法利用游戏数据估算玩家的情绪，并相应地调整难度级别以最大限度提高玩家的满意度。这一方法虽然应用广泛，但其局限性在于只考虑了玩家在游戏中的表现，而非玩家在游戏中所获得的乐趣。
[0003]一般而言，脑电波的产生分为自发脑电与诱发脑电两种，实验中通过观察脑区主要波段或人脑专注/放松值的大小，可得到此时人脑活跃状态，进而可提取有效的脑电信号。近年来深度学习在处理EEG信号方面的优势越来越明显，许多研究者将深度学习算法应用到EEG信号处理领域并取得了相当的成果。
[0004]目前，设定游戏的难点主要采用将游戏试用版发给玩家，通过游戏论坛或者反馈意见收集游戏玩家对于游戏的反馈意见，并根据反馈意见重新调整游戏难度。但上述方法反馈周期长且缺乏时效性，且只能根据大部分的玩家修改内容，具有很大的局限。

技术实现思路

[0005]为了解决现有关于路径研究的不足，本专利技术提出一种新型的动态难度调整方法，提出一种基于脑电信号的电子游戏难度动态调整方法，利用结合注意力机制的一维卷积网络建立脑电信号与游戏投入状态之间的对应关系，判断游戏玩家的游戏状态，最大限度地提高玩家满意度。
[0006]本专利技术是通过以下技术方案实现的：基于脑电信号的电子游戏难度动态调整方法，其步骤为：
[0007]S1：通过脑电传感器采集玩家的脑电信号；
[0008]所述脑电信号采集设备采用的是非侵入式单通道脑电传感器，包含头带、耳夹、前额传感器、蓝牙传输模块，通过单极导联法完成对人脑的实时信号采集。
[0009]S2：对采集到的脑电信号进行眼动伪迹与坏段去除、转换格式、归一化预处理，建立脑电信号数据集，并将数据集划分为训练集与测试集；
[0010]利用MATLAB软件平台，采用ICA工具箱调用独立成分分析算法对脑电信号进行数据处理；
[0011]S21：通过频率范围为0.1Hz
‑
30Hz的带通滤波器对玩家脑电信号进行滤波，得到需要的脑电活动区间并去除坏段；运用ICA算法进行相关运算处理，实现脑电信号的眼动伪迹滤除；
[0012]S22：对预处理过的脑电数据进行格式转换，将数据转换为TGAM格式，使数据信息
以数字阈值形式进行保存，实现对脑电信号的可视化处理；
[0013]S23：对数据进行归一化处理，使用min
‑
max标准化又称离差标准化，是对原始数据的线性变换，使结果值映射到[0
‑
1]之间，转换函数如下：其中max为样本数据的最大值，min为样本数据的最小值；
[0014]S24：使用K
‑
Fold交叉验证按5：1比例划分训练集与测试集，增大训练数据量，避免过拟合问题；
[0015]S25：分别计算训练集与验证集的脑电信号的时域维度，利用窗口函数分别对训练集和测试集的脑电信号进行划分；计算时域维度为其中NT为时域样本点，f为脑电信号采样频率，L为时间窗大小；利用N
t
个时域样本点的窗口函数分别对训练集的脑电信号和测试集的脑电信号进行时域划分。
[0016]S3；构建结合注意力机制的一维多分支卷积神经网络1D
‑
MBCNN模型；
[0017]S31：1D
‑
MBCNN的架构可以视为由四个多分支单元MB
‑
Unit层和三个全连接层组成，网络的输入是一个包含脑电信号的长度208的向量，输出专注度向量；
[0018]S32：1D
‑
MBCNN的架构包含四个MB
‑
Unit，其中每一个MB
‑
Unit由三个分支组成，分支1基于1D
‑
SKConv自适应地动态提取特征，由于1D
‑
SKConv包含两种不同的卷积运算，需要利用不同的填充方式进行数据填充，以避免丢失边缘信息；
[0019]常规卷积的填充值计算方式为
[0020]空洞卷积的填充值计算方式为
[0021]其中insize与outsize表示输入特征图与输出特征图的大小,stride为步长取1，k为卷积核大小，d表示空洞卷积的膨胀率，取值为2；
[0022]分支2采用了1
×
1卷积，这有助于减少网络的内部参数，而分支3使用最大池化层进行特征提取，尽可能的增加网络效率和性能，充分利用硬件资源；
[0023]S33：在每一个MB
‑
Unit单元的末尾，特征信息由ReLU函数激活，然后由1
×
2最大池化层进行下采样；
[0024]S34：通过MB
‑
Unit提取特征后，网络将特征图进行展平，并将它们传递给全连接层。为了防止过拟合，提高网络的泛化能力，每个全连接层引入了dropout技术，随机丢弃20％的神经元。
[0025]S4：通过S2得到的训练集对结合注意力机制的一维多分支卷积神经网络1D
‑
MBCNN模型进行训练；
[0026]所述的S4中，模型1D
‑
MBCNN训练前需要选择的超参数包括：训练次数Train epoch、批大小Batch size、学习率Learning rate以及正则化参数。
[0027]S5：通过S2得到的测试集对结合注意力机制的一维多分支卷积神经网络1D
‑
MBCNN模型进行测试，并对网络模型的性能做出评价；若评价结果网络的符合要求，则使用网络进行游戏投入度判别；若评价结果不符合要求，重新采集脑电信号并重新训练网络，直至网络符合要求；
[0028]在使用训练集对模型完成训练后使用测试集对模型进行测试并对模型性能进行评价，评价的标准为正确率accuracy、错误率error rate、灵敏度sensitive、精度
precision、召回率recall；
[0029]将分类目标计为正例positive和负例negtive分别是：
[0030](1)True positives:被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数；
[0031](2)False positives:被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；
[0032](3)False negatives:被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；
[0033](4)True negatives:被正确地划分为负例的个数，即实际为负例且被分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于脑电信号的电子游戏难度动态调整方法，其特征在于，其步骤为：S1：通过脑电传感器采集玩家的脑电信号；S2：对采集到的脑电信号进行眼动伪迹与坏段去除、转换格式、归一化预处理，建立脑电信号数据集，并将数据集划分为训练集与测试集；S3；构建结合注意力机制的一维多分支卷积神经网络1D
‑
MBCNN模型；S4：通过S2得到的训练集对结合注意力机制的一维多分支卷积神经网络1D
‑
MBCNN模型进行训练；S5：通过S2得到的测试集对结合注意力机制的一维多分支卷积神经网络1D
‑
MBCNN模型进行测试，并对网络模型的性能做出评价；若评价结果网络的符合要求，则使用网络进行游戏投入度判别；若评价结果不符合要求，重新采集脑电信号并重新训练网络，直至网络符合要求；S6：采集玩家实时脑电信号，将预处理后的实时脑电信号输入经过训练后的1D
‑
MBCNN网络，得到玩家的专注度与放松度状态信号；S7：根据玩家的专注度与放松度判断玩家的游戏投入度；S8：根据玩家的游戏投入度变化对游戏的难度进行动态调整。2.根据权利要求1所述的基于脑电信号的电子游戏难度动态调整方法，其特征在于，所述S1具体为，所述脑电信号采集设备采用的是非侵入式单通道脑电传感器，包含头带、耳夹、前额传感器、蓝牙传输模块，通过单极导联法完成对人脑的实时信号采集。3.根据权利要求1所述的基于脑电信号的电子游戏难度动态调整方法，其特征在于，所述的S2中，利用MATLAB软件平台，采用ICA工具箱调用独立成分分析算法对脑电信号进行数据处理。4.根据权利要求2所述的基于脑电信号的电子游戏难度动态调整方法，其特征在于，所述的S2数据处理方法为：S21：通过频率范围为0.1Hz
‑
30Hz的带通滤波器对玩家脑电信号进行滤波，得到需要的脑电活动区间并去除坏段；运用ICA算法进行相关运算处理，实现脑电信号的眼动伪迹滤除；S22：对预处理过的脑电数据进行格式转换，将数据转换为TGAM格式，使数据信息以数字阈值形式进行保存，实现对脑电信号的可视化处理；S23：对数据进行归一化处理，使用min
‑
max标准化又称离差标准化，是对原始数据的线性变换，使结果值映射到[0
‑
1]之间，转换函数如下：其中max为样本数据的最大值，min为样本数据的最小值；S24：使用K
‑
Fold交叉验证按5：1比例划分训练集与测试集，增大训练数据量，避免过拟合问题；S25：分别计算训练集与验证集的脑电信号的时域维度，利用窗口函数分别对训练集和测试集的脑电信号进行划分；计算时域维度为其中NT为时域样本点，f为脑电信号采样频率，L为时间窗大小；利用N
t
个时域样本点的窗口函数分别对训练集的脑电信号和测试集的脑电信号进行时域划分。5.根据权利要求1所述的基于脑电信号的电子游戏难度动态调整方法，其特征在于，所
述的S3中具体方法为：S31：1D
‑
MBCNN的架构可以视为由四个多分支单元MB
‑
Unit层和三个全连接层组成，网络的输入是一个包含脑电信号的长度208的向量，输出专注度向量；S32：1D
‑
MBCNN的架构包含四个MB
‑
Unit，其中每一个MB
‑
Unit由三个分支组成，分支1基于1D
‑
SKConv自适应地动态提取特征，由于1D
‑
SKConv包含两种不同的卷积运算，需要利用不同的填充方式进行数据填充，以避免丢失边缘信息；常规卷积的填充值计算方式为空洞卷积的填充值计算方式为其中insize与outsize表示输入特征图与输出特征图的大小,stride为步长取1，k为卷积核大小，d表示空洞卷积的膨胀率，取值为2；分支2采用了1
×
1卷积，这有助于减少网络的内部参数，而分支3使用最大池化层进行特征提取，尽可能的增加网络效率和性能，充分利用硬件资源；...

【专利技术属性】
技术研发人员：许超，郝达，刘鑫，王浩宇，王云健，高森源，
申请(专利权)人：辽宁大学，
类型：发明
国别省市：