【技术实现步骤摘要】
本申请涉及认知神经科学领域，具体而言，涉及一种脑电检测的ar场景模拟学生学习状态分析及改善系统。
技术介绍
1、在当今快速发展的教育科技领域，对学生学习状态进行全面深入的分析对于个性化教学和学生发展至关重要。目前，学力评估主要依赖于传统的量表等测试方式。然而，这种方式仅能提供有限的信息，无法全面揭示学生在学习过程中实时的认知状态、注意力集中程度以及学习情绪。
2、一方面，当前脑电检测在医疗领域已经相对成熟，但未能广泛应用于教育现场；市场上有少量基于脑电检测的非医用产品，但是通常只给与某一维度的检测结果报告，且通常为注意力。另一方面，增强现实(ar)产业市场规模不断扩大，涵盖了多个领域，包括消费者应用、企业解决方案、医疗保健等，但极少运用于教育。
3、以下列举了部分现有理论及专利技术：
4、申请号为cn201810507554.9a的专利：基于脑电信号分析的学生听课注意力评价方法
5、申请号为cn201310721511.8a的专利：一种穿戴式脑电注意力训练仪
6、申请号为cn201610778070.9a的专利：一种反馈式注意力调控头环
7、此类产品的检测及训练重点是注意力，而没有学生学习状态的其他维度，如抗干扰力，学习兴趣。同时没有加入增强现实在实时调节方面的应用。
技术实现思路
1、为了弥补以上不足，本申请提供了一种脑电检测的ar场景模拟学生学习状态分析及改善系统，旨在改善教育领域中，ar没有常见应用，及现
2、本申请实施例提供了一种脑电检测的ar场景模拟学生学习状态分析及改善系统，包括脑电帽和ar眼镜。
3、脑电帽上安装有充电装置和信号存储模块，脑电帽上设置有八个电极和传感器的位点，将八个电极平均分布在头皮上；
4、八个电极均为非侵入、接触式电极，由内向外分别为：
5、导电层：由高导电性的材料银氯化钠(agc l)制成，负责与头皮接触并传递生物电信号；
6、支撑基质：是导电层的支持结构，由柔软、灵活弹性聚合物制成，支撑基质使电极能够适应头皮的曲线和运动，同时提供适当的结构支持，不同位点的电极由支撑基质相互连接，形成完整的、适用于不同头型的脑电帽结构；
7、透明保护层：支撑基质之上涂覆的透明保护层，是透明的聚合物或类似材料，用于保护导电层免受污染、氧化或其他损伤；
8、八个电极上均连接有连接线：连接线外部由柔软、耐用的材料制成，内部为导线，用以传输采集到的生物电信号；
9、ar眼镜常态下为透明，不影响正常视物，ar显示屏采取微型显示器技术附加普通于镜片上。
10、在一种具体的实施方案中，脑电帽内部还安装有数据采集模块和信号处理模块，计算机获取信号储存模块中的数据，将电信号转化为数字信号，并由信号处理模块进行预处理。
11、在一种具体的实施方案中，预处理的过程为：
12、s1：去除眼电伪迹：使用小波变换的方法，将信号分解成不同尺度和频率的成分，在小波分析中，使用小波分解(wavelet decomposition)将信号分解成不同层次的细节和近似，选择适合于去除眼电伪迹的小波基函数，以捕捉眼电信号中的低频成分，通过阈值处理，去除低频部分；
13、s2：信号放大及标准化：直接获取的脑电信号数值普遍较小，以0-255的数值范围将采集的整段信号标准化，标准化公式为
14、
15、其中表示原始信号最小值，表示原始信号最大值；
16、s3：片段化：以1秒为片段长度、0.5秒为相邻片段重叠时间，将总采集时间片段化，时长为n秒的数据将被分为2n-1个片段。
17、在一种具体的实施方案中，脑电帽数据处理的人工智能算法为一个堆叠模型，包括深度学习模型(self-attention mechanism)和传统机器学习模型，二者为平行关系。
18、在一种具体的实施方案中，深度学习模型为transformer模型，是一种基于自注意力机制的神经网络架构；注意力指的是模型对于输入信息中重要部分的关注，自注意力机制的神经网络架构与位置编码相结合，可以处理有序的时间序列输入，并保持长记忆；transformer模型包括编译器(encoder)和解码器(decoder)两个部分；
19、模型的输入经过向量处理后，每一个片段为一个向量，记为v1、v2、v3，……与query、key、value矩阵分别点乘用以计算每一个片段相对于所有片段的权重，注意力的计算方法为
20、
21、其中，dmodel为输入片段长度；
22、位置编码用来储存序列的位置信息，公式为
23、
24、
25、其中，d为输出嵌入空间的维度，n为自定义标度，此处取10000；
26、模型输出结果将提取数据的下列特征并以类别的形式输出：注意力，这与脑电波中的与专注状态出现比例较高的β波段密切相关；情绪积极与否，这综合体现在高低频脑电波能量比值以及功率谱密度，模型的实际参数需要采集数据及获取标签后进行调试，调试重点为函数层数、query、key、value矩阵中的具体数值、训练轮数。
27、在一种具体的实施方案中，机器学习模型用以进行抗干扰力检测，其输入为基准情况(对照组)及特殊状况下的脑电数据，学生在无干扰的专注状态下与有干扰状态下的脑电波区别显著程度将作为主要的判断依据，特殊状况下的脑电数据根据对照组标准化及降维度计算后，进行k-均值算法，降维度是将对应八个电极位点的八个脑电信号维度降至欧氏距离可计算的三维，使用的是pca算法，其逻辑为通过识别和捕获数据的主成分来作为保留的低纬度，这些主成分是表示最大方差方向的正交向量。
28、在一种具体的实施方案中，其算法步骤为：
29、s1：将原始数据用行数为n、列数为m的矩阵x，并将每一行进行零均值化；
30、s2：求出协方差矩阵其特征值及对应特征向量；
31、s3：将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵p；
32、s4：y＝px即为降到k维后的数据；
33、随后使用的k-均值算法的目的是：把n个点划分到k个聚类中，使得每个点都被划分在离他最近的均值对应的聚类；算法进行抗干扰力检测并产生3类结果：抗干扰能力强、抗干扰能力中等、抗干扰能力弱，即k＝3，共三个聚类；具体运行过程中，初始均值采用forgy方法，随机从数据点中选择k＝3个点作为聚类中心，每个数据点到3个均值的欧氏距离
34、最小的为本数据点所属的聚类，依次按聚类的坐标平本文档来自技高网...
【技术保护点】
1.一种脑电检测的AR场景模拟学生学习状态分析及改善系统，其特征在于，包括脑电帽和AR眼镜，脑电帽上安装有充电装置和信号存储模块，脑电帽上设置有八个电极和传感器的位点，将八个电极平均分布在头皮上；
2.根据权利要求1所述的一种脑电检测的AR场景模拟学生学习状态分析及改善系统，其特征在于，脑电帽内部还安装有数据采集模块和信号处理模块，计算机获取信号储存模块中的数据，将电信号转化为数字信号，并由信号处理模块进行预处理。
3.根据权利要求2所述的一种脑电检测的AR场景模拟学生学习状态分析及改善系统，其特征在于，预处理的过程为：
4.根据权利要求1所述的一种脑电检测的AR场景模拟学生学习状态分析及改善系统，其特征在于，脑电帽数据处理的人工智能算法为一个堆叠模型，包括深度学习模型和传统机器学习模型，二者为平行关系。
5.根据权利要求4所述的一种脑电检测的AR场景模拟学生学习状态分析及改善系统，其特征在于，深度学习模型为Transformer模型，是一种基于自注意力机制的神经网络架构；注意力指的是模型对于输入信息中重要部分的关注，自注意力机制的
6.根据权利要求4所述的一种脑电检测的AR场景模拟学生学习状态分析及改善系统，其特征在于，机器学习模型用以进行抗干扰力检测，其输入为基准情况及特殊状况下的脑电数据，学生在无干扰的专注状态下与有干扰状态下的脑电波区别显著程度将作为主要的判断依据，特殊状况下的脑电数据根据对照组标准化及降维度计算后，进行K-均值算法，降维度是将对应八个电极位点的八个脑电信号维度降至欧氏距离可计算的三维，使用的是PCA算法，其逻辑为通过识别和捕获数据的主成分来作为保留的低纬度，这些主成分是表示最大方差方向的正交向量。
7.根据权利要求6所述的一种脑电检测的AR场景模拟学生学习状态分析及改善系统，其特征在于，其算法步骤为：
8.根据权利要求1所述的一种脑电检测的AR场景模拟学生学习状态分析及改善系统，其特征在于，控制AR眼镜显示画面的程序有两类：
9.根据权利要求1所述的一种脑电检测的AR场景模拟学生学习状态分析及改善系统，其特征在于，八个电极包括
10.根据权利要求1所述的一种脑电检测的AR场景模拟学生学习状态分析及改善系统，其特征在于，AR眼镜的结构为半框架式，框架位于镜片上方，框架内含计算单元、电源、无线通信模块，微型相机以及传感器，传感器为陀螺仪、加速度仪和眼动仪。
...【技术特征摘要】
1.一种脑电检测的ar场景模拟学生学习状态分析及改善系统，其特征在于，包括脑电帽和ar眼镜，脑电帽上安装有充电装置和信号存储模块，脑电帽上设置有八个电极和传感器的位点，将八个电极平均分布在头皮上；
2.根据权利要求1所述的一种脑电检测的ar场景模拟学生学习状态分析及改善系统，其特征在于，脑电帽内部还安装有数据采集模块和信号处理模块，计算机获取信号储存模块中的数据，将电信号转化为数字信号，并由信号处理模块进行预处理。
3.根据权利要求2所述的一种脑电检测的ar场景模拟学生学习状态分析及改善系统，其特征在于，预处理的过程为：
4.根据权利要求1所述的一种脑电检测的ar场景模拟学生学习状态分析及改善系统，其特征在于，脑电帽数据处理的人工智能算法为一个堆叠模型，包括深度学习模型和传统机器学习模型，二者为平行关系。
5.根据权利要求4所述的一种脑电检测的ar场景模拟学生学习状态分析及改善系统，其特征在于，深度学习模型为transformer模型，是一种基于自注意力机制的神经网络架构；注意力指的是模型对于输入信息中重要部分的关注，自注意力机制的神经网络架构与位置编码相结合，可以处理有序的时间序列输入，并保持长记忆；transformer模型包括编译器和解码器两个部分；
【专利技术属性】
技术研发人员：姜孝吾，张书旻，毛威，祝可欣，
申请(专利权)人：宁波未知数字信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。