基于EEG信号的在线学习认知负荷指数的获取方法技术

本发明专利技术公开了一种基于EEG信号的在线学习认知负荷指数的获取方法，通过在学习者进行在线学习时,采集学习过程中学习者脑电信号，并对脑电信号进行预处理，获得预处理完毕的EEG信号；通过HHT方法来识别EEG信号的局部特征，通过小波包分解计算EEG信号的小波特征；将EEG信号的局部特征和小波特征进行降维，获得学习者的情绪变化的轨迹，将情绪变化的轨迹定量表征为一维线性曲线的高阶过零率；最后通过高阶过零率构建线性回归模型量化认知负荷指数。本发明专利技术可以快速准确的获取在线学习过程中学习者的认知负荷指数，方便观察并掌握学习者的情绪，为后续的课程设计等方面提供量化依据。为后续的课程设计等方面提供量化依据。为后续的课程设计等方面提供量化依据。

【技术实现步骤摘要】
基于EEG信号的在线学习认知负荷指数的获取方法


[0001]本专利技术涉及学习认知
，具体涉及一种基于EEG信号的在线学习认知负荷指数的获取方法。

技术介绍

[0002]认知负荷理论(CLT)已经被广泛用于解释学习过程。由于人类工作记忆的局限性，学习材料的添加可能会引起认知负荷。Mayer将CLT引入多媒体学习，建立了多媒体学习认知理论(CTML)，但该理论只关注认知过程，忽视了情绪对学习的影响。随后，Moreno通过添加动机和情感因素扩展了多媒体学习认知理论，并建立了多媒体学习认知
‑
情感理论(CATLM)，从而开始研究情感和认知如何在多媒体学习过程中相互影响。这就提出了情感如何影响多媒体教学的问题。
[0003]认知负荷是学习材料引起的认知过程对工作记忆产生的负荷，可以在不同的水平上进行评估。学习过程中的情绪和认知负荷可以通过主观(评分量表)和客观技术(生理参数)来衡量。评估认知负荷最常用的方法是主观测量。主观测量包括间接类型，如自我报告的心理努力程度，以及直接类型，如学习材料难度评分。AEQ、SAM以及PANAS问卷是情绪研究中最常用的问卷。主观测量有一些局限性，如信度和效度。被试可能无法准确回答自己的感受，或者他们会以他人的感受回答。
[0004]使用生理信号作为客观数据，可以更好地了解参与者在学习过程中的潜在反应。客观测量，如脑电图(EEG)，可以连续测量瞬时认知负荷和情绪状态，从而更详细、准确地解释教学干预对认知负荷和情绪状态的影响。EEG是一种神经成像技术，可以通过放置在头皮上的电极在真实环境中无创地测量大脑活动。这些测量值随认知刺激水平的不同而不同，EEG是教育心理学中测量认知负荷常用的客观测量技术。EEG信号中的θ和α频段对任务难度更敏感。一些研究人员已经证明，α和θ频段的活动与各种任务要求中的任务难度或认知负荷有关。β频段已被证明与感知和认知有关。与手势和面部表情等其他外部线索相比，EEG具有更高的准确度和客观评价，是一种更可靠的情感识别技术。各种心理生理学研究证明了情绪和EEG信号之间的相关性。此外，随着可穿戴设备和干电极技术的快速发展，基于EEG的情绪识别有可能在真实的应用中实现，如精神状态监测。此外，EEG信号已被证明能够提供对情绪状态做出反应的信息特征。因此如何准确的获取认知负荷指数，用于监测学习者的情绪状态成为了申请人亟待解决的技术问题。

技术实现思路

[0005]本专利技术的目的在于，提供一种基于EEG信号的在线学习认知负荷指数的获取方法。本专利技术可以获取认知负荷指数，具有快速准确的优点。
[0006]为解决上述技术问题，本专利技术提供的技术方案如下：基于EEG信号的在线学习认知负荷指数的获取方法，包括如下步骤：
[0007]S1、在学习者进行在线学习时,采集学习过程中学习者脑电信号，并对脑电信号进
行预处理，获得预处理完毕的EEG信号；
[0008]S2、通过HHT方法来识别EEG信号的局部特征，通过小波包分解计算EEG信号的小波特征；
[0009]S3、将EEG信号的局部特征和小波特征进行降维，获得学习者的情绪变化的轨迹，将情绪变化的轨迹定量表征为一维线性曲线的高阶过零率；
[0010]S4、通过高阶过零率构建线性回归模型量化认知负荷指数。
[0011]上述的基于EEG信号的在先学习认知负荷指数的获取方法，所述脑电信号的预处理包括以下步骤：
[0012]S1.1、通过有限脉冲响应高通滤波器去除脑电信号中1Hz的直流分量，使用FIR低通滤波器去除脑电信号中50Hz高频处的其他伪影噪声；
[0013]S1.2、在脑电信号采集用的电极中，通过每个电极中减去所有采集电极的平均值来对EEG数据进行重参考；
[0014]S1.3、通过独立成分分析以去除眼电信号引起的伪影；
[0015]S1.4、使用HHT方法计算频率分辨率为0.1Hz的每个EEG片段的功率谱；
[0016]S1.5、将0
‑
3.9Hz、3.9
‑
7.8Hz、7.8
‑
13.7Hz、13.7
‑
29.3Hz和29.3
‑
46.9Hz频段对应的各个通道的能量值进行平均，来依次获得δ、θ、α、β和γ频段的能量值。
[0017]前述的基于EEG信号的在先学习认知负荷指数的获取方法，步骤S2中，通过HHT方法来识别EEG信号的局部特征是将数据分解为有限个本征模态函数分量，然后对每个本征模态函数分量应用希尔伯特变换：
[0018][0019]式中：X(t)是最终变换的功率谱；a
j
为第j个本征模态函数分量；t为时间；ω
j
为角频率；n为分解的本征模态函数分量的标号；
[0020]根据上式计算瞬时频率，从而将EEG信号的振幅或能量的视频分布指定为希尔伯特谱，从而识别得到EEG信号的局部特征。
[0021]前述的基于EEG信号的在先学习认知负荷指数的获取方法，通过六阶Daubechies小波包分解计算EEG信号的小波特征，所述小波特征包括用小波能量比R
i
来表示的第i个脑电节律能量E
j
：
[0022][0023]式中：E
total
为频谱总能量；
[0024]以及小波熵特征：
[0025][0026]前述的基于EEG信号的在先学习认知负荷指数的获取方法，步骤S3中，情绪变化的轨迹的获取是通过isomap方法计算，具体步骤如下：
[0027]S3.1、构造邻域连接图：对于每个采样点，搜索k个最近邻，在原始空间中，通过计算每对点的距离作为边权值来构造邻域连接图；
[0028]S3.2、计算最短路径：用d
ij
表示每对点i，j的路径，再用Dijkstra方法结合邻域图计算最短路径；
[0029]S3.3、构造D维嵌入:对于最短路径，将数据表示为矩阵D＝{d
ij
2}，表示点对的测地距离，然后将多维尺度分析应用于该矩阵，以构建数据的嵌入，从而保持流形估计的内部几何结构，获得isomap模型；
[0030]S3.4、将EEG信号的局部特征和小波特征输入到isomap模型中，并降维到一维，从而获得学习者的情绪变化的轨迹。
[0031]前述的基于EEG信号的在先学习认知负荷指数的获取方法，将情绪变化的轨迹定量表征为一维线性曲线的高阶过零率，具体步骤是：
[0032]将情绪变化的轨迹的时间序列s(n)，n＝1，2，
···
，N转换为零均值序列Z(n)，n＝1，2，
···
，N；
[0033]对零均值序列Z(n)，n＝1，2，
···
，N引用M个高通滤波器：
[0034][0035]式中：k表示高通滤波器的阶数，k＝1，2，
···
，M；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于EEG信号的在线学习认知负荷指数的获取方法，其特征在于：包括如下步骤：S1、在学习者进行在线学习时,采集学习过程中学习者脑电信号，并对脑电信号进行预处理，获得预处理完毕的EEG信号；S2、通过HHT方法来识别EEG信号的局部特征，通过小波包分解计算EEG信号的小波特征；S3、将EEG信号的局部特征和小波特征进行降维，获得学习者的情绪变化的轨迹，将情绪变化的轨迹定量表征为一维线性曲线的高阶过零率；S4、通过高阶过零率构建线性回归模型量化认知负荷指数。2.根据权利要求1所述的基于EEG信号的在先学习认知负荷指数的获取方法，其特征在于：所述脑电信号的预处理包括以下步骤：S1.1、通过有限脉冲响应高通滤波器去除脑电信号中1Hz的直流分量，使用FIR低通滤波器去除脑电信号中50Hz高频处的其他伪影噪声；S1.2、在脑电信号采集用的电极中，通过每个电极中减去所有采集电极的平均值来对EEG数据进行重参考；S1.3、通过独立成分分析以去除眼电信号引起的伪影；S1.4、使用HHT方法计算频率分辨率为0.1Hz的每个EEG片段的功率谱；S1.5、将0
‑
3.9Hz、3.9
‑
7.8Hz、7.8
‑
13.7Hz、13.7
‑
29.3Hz和29.3
‑
46.9Hz频段对应的各个通道的能量值进行平均，来依次获得δ、θ、α、β和γ频段的能量值，从而获得预处理完毕后的EEG信号。3.根据权利要1所述的基于EEG信号的在先学习认知负荷指数的获取方法，其特征在于：步骤S2中，通过HHT方法来识别EEG信号的局部特征是将数据分解为有限个本征模态函数分量，然后对每个本征模态函数分量应用希尔伯特变换：式中：X(t)是最终变换的功率谱；a
j
为第j个本征模态函数分量；t为时间；ω
j
为角频率；n为分解的本征模态函数分量的标号；根据上式计算瞬时频率，从而将EEG信号的振幅或能量的视频分布指定为希尔伯特谱，从而识别得到EEG信号的局部特征。4.根据权利要求1所述的基于EEG信号的在先学习认知负荷指数的获取方法，其特征在于：通过六阶...

【专利技术属性】
技术研发人员：郭翔，柳杨，马伟锋，祝天水，吴晨楠，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：