本發(fā)明涉及eeg專注度-分心度雙維度分類方法，具體為基于非線性數(shù)學(xué)的eeg專注度-分心度雙維度分類方法。

背景技術(shù)：

1、傳統(tǒng)的注意力評(píng)估方法往往只關(guān)注專注度，忽視了分心度的獨(dú)立作用?，F(xiàn)有技術(shù)主要存在以下局限：

2、單一維度：大多數(shù)方法(如us10398370b2,cn110099025a)僅考慮單一的注意力維度，無法全面描述復(fù)雜的認(rèn)知狀態(tài)。

3、線性假設(shè)：許多現(xiàn)有方法(如ep3315069a1)采用線性或簡單非線性模型，難以捕捉eeg信號(hào)中的復(fù)雜動(dòng)態(tài)特性。

4、狀態(tài)分類粗糙：現(xiàn)有技術(shù)通常只能區(qū)分有限的幾種注意力狀態(tài)，難以識(shí)別細(xì)微的狀態(tài)差異。

5、個(gè)體適應(yīng)性差：大多數(shù)方法缺乏對(duì)個(gè)體差異的有效適應(yīng)機(jī)制。

6、本發(fā)明旨在克服這些局限，提供一種更全面、精確的認(rèn)知狀態(tài)評(píng)估方法。

技術(shù)實(shí)現(xiàn)思路

1、為實(shí)現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實(shí)現(xiàn)：基于非線性數(shù)學(xué)的eeg專注度-分心度雙維度分類方法，包括以下步驟：

2、步驟一、采集高精度腦電信號(hào)；

3、步驟二、對(duì)所述腦電信號(hào)進(jìn)行復(fù)數(shù)變換，分離專注度和分心度相關(guān)信號(hào)；

4、步驟三、提取二維相位角，構(gòu)建專注度-分心度相空間；

5、步驟四、應(yīng)用非線性耦合動(dòng)力學(xué)模型進(jìn)行特征提??；

6、步驟五、利用混沌和分形分析方法量化認(rèn)知狀態(tài)的復(fù)雜動(dòng)態(tài)；

7、步驟六、使用支持向量機(jī)結(jié)合動(dòng)態(tài)系統(tǒng)特征進(jìn)行狀態(tài)分類；

8、步驟七、通過自適應(yīng)算法動(dòng)態(tài)調(diào)整模型參數(shù)以適應(yīng)個(gè)體差異。

9、優(yōu)選的，所述非線性耦合動(dòng)力學(xué)模型使用如下方程：

10、da/dt＝α1a-β1a^3-γ1ad+η1；

11、dd/dt＝α2d-β2d^3-γ2ad+η2其中a表示專注度，d表示分心度，α、β、γ為系數(shù)，η為噪聲項(xiàng)。

12、優(yōu)選的，所述混沌分析包括計(jì)算最大李雅普諾夫指數(shù)，包括如下步驟：

13、(1)、在相空間中選取一個(gè)初始點(diǎn)和一個(gè)微小擾動(dòng)點(diǎn)，隨著時(shí)間的演化，計(jì)算兩點(diǎn)之間距離的變化率；

14、(2)、對(duì)不同的初始條件重復(fù)這個(gè)過程，取平均值得到最大李雅普諾夫指數(shù)，如果指數(shù)為正，則系統(tǒng)具有混沌特性；

15、所述分形分析包括估算關(guān)聯(lián)維數(shù)，包括如下步驟：

16、(1)、將腦電信號(hào)對(duì)應(yīng)的相空間中的點(diǎn)進(jìn)行劃分，計(jì)算不同尺度下兩點(diǎn)之間的距離小于給定閾值的概率，即關(guān)聯(lián)積分；

17、(2)、通過改變尺度，得到一系列關(guān)聯(lián)積分值；

18、(3)利用對(duì)數(shù)-對(duì)數(shù)圖擬合直線，直線的斜率即為關(guān)聯(lián)維數(shù)。

19、優(yōu)選的，所述狀態(tài)分類包括但不限于：高專注低分心、高專注高分心、低專注低分心、低專注高分心和中等專注中等分心五種狀態(tài)，且在這五種狀態(tài)的分類中，總體準(zhǔn)確率不低于90％。

20、優(yōu)選的，所述自適應(yīng)算法包括以下步驟：

21、a)設(shè)置初始參數(shù)集；

22、b)計(jì)算模型預(yù)測與實(shí)際觀測狀態(tài)之間的誤差；

23、c)使用梯度下降法更新參數(shù)；

24、d)應(yīng)用自適應(yīng)學(xué)習(xí)率；

25、e)在實(shí)際應(yīng)用中持續(xù)監(jiān)控性能并在需要時(shí)觸發(fā)參數(shù)重新調(diào)整。

26、優(yōu)選的，所述方法能在不超過2秒的時(shí)間窗口內(nèi)實(shí)現(xiàn)可靠的狀態(tài)檢測。

27、優(yōu)選的，在信噪比為10db的條件下，分類準(zhǔn)確率不低于85％。

28、優(yōu)選的，通過4周的持續(xù)使用，分類準(zhǔn)確率相對(duì)于初始水平的提升不低于5％，且能夠識(shí)別并分類"高專注高分心"狀態(tài)，該狀態(tài)的分類準(zhǔn)確率不低于90％。

29、基于非線性數(shù)學(xué)的eeg專注度-分心度雙維度分類方法的裝置，包括：

30、信號(hào)采集模塊，用于采集高精度腦電信號(hào)；

31、信號(hào)處理模塊，用于進(jìn)行復(fù)數(shù)變換和相位角提取；

32、動(dòng)力學(xué)分析模塊，用于應(yīng)用非線性耦合動(dòng)力學(xué)模型；

33、特征提取模塊，用于進(jìn)行混沌和分形分析；

34、分類模塊，用于進(jìn)行狀態(tài)分類；

35、參數(shù)調(diào)整模塊，用于動(dòng)態(tài)調(diào)整模型參數(shù)。

36、本發(fā)明提供了基于非線性數(shù)學(xué)的eeg專注度-分心度雙維度分類方法。具備以下有益效果：

37、本發(fā)明在多個(gè)關(guān)鍵方面顯著優(yōu)于現(xiàn)有技術(shù)：

38、更全面的認(rèn)知狀態(tài)描述，通過雙維度模型捕捉復(fù)雜的認(rèn)知狀態(tài)；

39、更高的分類精度，非線性模型能識(shí)別細(xì)微的狀態(tài)差異；

40、更好的個(gè)體適應(yīng)性，動(dòng)態(tài)參數(shù)調(diào)整適應(yīng)個(gè)體差異；

41、更強(qiáng)的抗噪能力，混沌動(dòng)力學(xué)特性提高了對(duì)eeg信號(hào)噪聲的魯棒性；

42、本發(fā)明在以下領(lǐng)域具有廣泛的應(yīng)用潛力：

43、高精度認(rèn)知監(jiān)測，如飛行員、空管員的實(shí)時(shí)狀態(tài)監(jiān)控；

44、個(gè)性化學(xué)習(xí)系統(tǒng)，根據(jù)學(xué)習(xí)者的認(rèn)知狀態(tài)動(dòng)態(tài)調(diào)整教學(xué)策略；

45、腦機(jī)接口優(yōu)化，提高腦控設(shè)備的準(zhǔn)確性和響應(yīng)速度；

46、認(rèn)知障礙診斷，為注意力缺陷等障礙提供更精確的診斷工具。

技術(shù)特征：

1.基于非線性數(shù)學(xué)的eeg專注度-分心度雙維度分類方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于非線性數(shù)學(xué)的eeg專注度-分心度雙維度分類方法，其特征在于，所述非線性耦合動(dòng)力學(xué)模型使用如下方程：

3.根據(jù)權(quán)利要求2所述的基于非線性數(shù)學(xué)的eeg專注度-分心度雙維度分類方法，其特征在于，所述混沌分析包括計(jì)算最大李雅普諾夫指數(shù)，包括如下步驟：

4.根據(jù)權(quán)利要求3所述的基于非線性數(shù)學(xué)的eeg專注度-分心度雙維度分類方法，其特征在于，所述狀態(tài)分類包括但不限于：高專注低分心、高專注高分心、低專注低分心、低專注高分心和中等專注中等分心五種狀態(tài)，且在這五種狀態(tài)的分類中，總體準(zhǔn)確率不低于90％。

5.根據(jù)權(quán)利要求4所述的基于非線性數(shù)學(xué)的eeg專注度-分心度雙維度分類方法，其特征在于，所述自適應(yīng)算法包括以下步驟：

6.根據(jù)權(quán)利要求5所述的基于非線性數(shù)學(xué)的eeg專注度-分心度雙維度分類方法，其特征在于，所述方法能在不超過2秒的時(shí)間窗口內(nèi)實(shí)現(xiàn)可靠的狀態(tài)檢測。

7.根據(jù)權(quán)利要求6所述的基于非線性數(shù)學(xué)的eeg專注度-分心度雙維度分類方法，其特征在于，在信噪比為10db的條件下，分類準(zhǔn)確率不低于85％。

8.根據(jù)權(quán)利要求7所述的基于非線性數(shù)學(xué)的eeg專注度-分心度雙維度分類方法，其特征在于，通過4周的持續(xù)使用，分類準(zhǔn)確率相對(duì)于初始水平的提升不低于5％，且能夠識(shí)別并分類"高專注高分心"狀態(tài)，該狀態(tài)的分類準(zhǔn)確率不低于90％。

9.根據(jù)權(quán)利要求8所述的基于非線性數(shù)學(xué)的eeg專注度-分心度雙維度分類方法的裝置，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明公開了基于非線性數(shù)學(xué)的EEG專注度?分心度雙維度分類方法，包括以下步驟：步驟一、采集高精度腦電信號(hào)；步驟二、對(duì)所述腦電信號(hào)進(jìn)行復(fù)數(shù)變換，分離專注度和分心度相關(guān)信號(hào)；步驟三、提取二維相位角，構(gòu)建專注度?分心度相空間；步驟四、應(yīng)用非線性耦合動(dòng)力學(xué)模型進(jìn)行特征提?。徊襟E五、利用混沌和分形分析方法量化認(rèn)知狀態(tài)的復(fù)雜動(dòng)態(tài)；步驟六、使用支持向量機(jī)結(jié)合動(dòng)態(tài)系統(tǒng)特征進(jìn)行狀態(tài)分類，本發(fā)明涉及EEG專注度?分心度雙維度分類方法技術(shù)領(lǐng)域。該基于非線性數(shù)學(xué)的EEG專注度?分心度雙維度分類方法，能夠?qū)崿F(xiàn)更全面的認(rèn)知狀態(tài)描述，通過雙維度模型捕捉復(fù)雜的認(rèn)知狀態(tài)，更高的分類精度，非線性模型能識(shí)別細(xì)微的狀態(tài)差異。

技術(shù)研發(fā)人員：李永文
受保護(hù)的技術(shù)使用者：龍巖學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30