【技术实现步骤摘要】
本专利技术涉及归因分析领域，尤其涉及基于eeg学习者认知状态的自动检测及归因分析方法。
技术介绍
1、检测学习者在学习活动中的高、低认知状态有助于评估与提高学习者认知能力，是高阶思维能力发展的重要组成部分。利用eeg(electroencephalogram)信号结合深度学习算法有效地实现了认知状态自动检测。然而，我们无法从此类方法获得区分认知状态的eeg特征，从而无法了解与认知状态相对应的神经机制。
2、本专利技术设计触发高低阶认知状态的学习活动，训练分类模型实现认知状态的自动检测，结合可解释人工智能技术对其进行归因分析以验证本实验方法的有效性。首先根据布鲁姆教学目标分类理论和icap(interactive–constructive–active–passive)认知参与理论，设计并实施高、低阶学习活动，采集学习者参与此两类活动的eeg数据进行标注，再基于cnn-lstm模型对学习者参与高低阶学习活动过程中的认知状态进行分类，研究改进的可解释模型lime-ba对高低阶认知状态进行归因分析，并通过删除解释模型得到的重要和非重要eeg特征进行验证，以验证解释的可信度。
3、结果表明，cnn-lstm模型应用于认知状态检测，准确率达到99％，其性能优于单独使用cnn和lstm。归因分析发现，对高阶学习活动中的认知状态贡献度较大的通道主要分布于额叶区和颞叶区，而对于低阶学习活动中的认知状态贡献度较大的通道主要分布于枕叶区和顶叶区，分类模型学习得到的特征与以往脑科学研究中对于认知活动的发现一致，验证了本实验中方
技术实现思路
1、有鉴于此，本专利技术提供了基于eeg学习者认知状态的自动检测及归因分析方法。
2、为解决上述技术问题，本专利技术采取了如下技术方案：
3、基于eeg学习者认知状态的自动检测及归因分析方法，包括以下步骤：
4、步骤s1：实验设计
5、设计高低阶学习活动，招募被试，采集其在参与学习活动时的eeg信号，获得eeg数据，并构建ladataset；
6、步骤s2：认知状态检测
7、基于构建的学习活动数据，分别采用cnn、lstm、cnn-lstm模型检测学习者的高、低阶认知状态；
8、步骤s3：进行归因分析
9、针对采集的eeg数据，把每个通道视为待解释特征，然后，利用线性回归模型拟合解释模型的局部边界，得到待解释样本各通道的贡献值，最后，选择置信度较高的预测样本，计算其解释结果的平均值。
10、优选的，所述步骤s1中，学习活动包括抄写学习材料、观看学习视频和绘制概念图。
11、优选的，所述步骤1中，低阶学习活动包括抄写材料和观看视频；高阶学习活动包括概念图绘制；
12、优选的，所述步骤1中，将学习者参与高阶学习活动过程产生的eeg信号表征的认知状态标注为高阶，参与低阶学习活动时的eeg信号表征的认知状态标注为低阶。
13、优选的，所述步骤1中，招募的是22名平均年龄24岁的10名女生和12名男生，身体健康，无病史，自愿参与实验的大学生。
14、优选的，所述步骤1中，采集参与学习活动时的eeg信号，并获得eeg数据的方法为：
15、实验者负责协助被试穿戴实验设备，保障eeg设备稳定运行，记录22名被试完成抄写材料、观看视频、绘制概念图的eeg信号；
16、将采集的eeg数据进行预处理，下采样至128hz，再采用带通滤波保留0.5-45hz的信号，采用ica算法进行去除眼动和肌肉运动引起的伪迹，获得eeg数据。
17、优选的，所述步骤1中，构建ladataset的方法为：
18、对eeg数据进行预处理，并使用一秒钟不重叠的时间窗口对eeg数据进行切片，每一秒的eeg数据为一个样本，每个样本的大小为32×128，高认知状态组获得了22704个样本，低认知状态组获得了27192个样本，共同构成了数据集ladataset。
19、优选的，所述步骤2中，cnn-lstm模型主要由输入层、3个卷积模块、1个l stm模块、全连接模块、softmax输出层组成；cnn块由最大池化层和dropout正则化组成。
20、优选的，所述步骤3中，首先，针对采集的eeg数据，把每个通道视为待解释特征，用x∈{0，1}d来表示其可解释特征的二进制向量，其中d为23，对应待解释的额叶区、颞叶区、枕叶区、顶叶区的通道；每个通道都被视为一个待解释的特征，其原始表示记为x∈r23×23×128；1表示对应的通道添加高斯噪声进行扰动，0表示对应的通道不添加高斯噪声；然后，利用线性回归模型拟合解释模型的局部边界，得到待解释样本各通道的贡献值；最后，选择置信度较高的预测样本，计算其解释结果的平均值。
21、优选的，所述步骤3中，计算方法如下：
22、
23、其中，n表示具有高解释置信度的样本总数，wk表示第i个通道在第n个测试样本中的贡献值；ccd值范围为-1到1；正值和负值表示通道对模型预测结果的贡献方向；正值表示与检测模型的预测结果一致，负值表示与预测结果相反，ccd的绝对值越大，表示影响越大，而接近零或零的值则表示影响较小。
24、本专利技术相对于现有技术取得了以下技术效果：
25、通过本专利技术的方法准确率达到99％，并验证了本专利技术方法的有效性。
本文档来自技高网...【技术保护点】
1.基于EEG学习者认知状态的自动检测及归因分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于EEG学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤S1中，学习活动包括抄写学习材料、观看学习视频和绘制概念图。
3.根据权利要求2所述的基于EEG学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤1中，低阶学习活动包括抄写材料和观看视频；高阶学习活动包括概念图绘制。
4.根据权利要求3所述的基于EEG学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤1中，将学习者参与高阶学习活动过程产生的EEG信号表征的认知状态标注为高阶，参与低阶学习活动时的EEG信号表征的认知状态标注为低阶。
5.根据权利要求1所述的基于EEG学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤1中，招募的是22名平均年龄24岁的10名女生和12名男生，身体健康，无病史，自愿参与实验的大学生。
6.根据权利要求1所述的基于EEG学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤1中，采集参
7.根据权利要求1所述的基于EEG学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤1中，构建LADataset的方法为：
8.根据权利要求1所述的基于EEG学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤2中，CNN-LSTM模型主要由输入层、3个卷积模块、1个lstm模块、全连接模块、softmax输出层组成；CNN块由最大池化层和Dropout正则化组成。
9.根据权利要求1所述的基于EEG学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤3中，首先，针对采集的EEG数据，把每个通道视为待解释特征，用x∈{0，1}d来表示其可解释特征的二进制向量，其中d为23，对应待解释的额叶区、颞叶区、枕叶区、顶叶区的通道；每个通道都被视为一个待解释的特征，其原始表示记为x∈R23×23×128；1表示对应的通道添加高斯噪声进行扰动，0表示对应的通道不添加高斯噪声；然后，利用线性回归模型拟合解释模型的局部边界，得到待解释样本各通道的贡献值；最后，选择置信度较高的预测样本，计算其解释结果的平均值。
10.根据权利要求1所述的基于EEG学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤3中，计算方法如下：
...【技术特征摘要】
1.基于eeg学习者认知状态的自动检测及归因分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于eeg学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤s1中，学习活动包括抄写学习材料、观看学习视频和绘制概念图。
3.根据权利要求2所述的基于eeg学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤1中，低阶学习活动包括抄写材料和观看视频；高阶学习活动包括概念图绘制。
4.根据权利要求3所述的基于eeg学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤1中，将学习者参与高阶学习活动过程产生的eeg信号表征的认知状态标注为高阶，参与低阶学习活动时的eeg信号表征的认知状态标注为低阶。
5.根据权利要求1所述的基于eeg学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤1中，招募的是22名平均年龄24岁的10名女生和12名男生，身体健康，无病史，自愿参与实验的大学生。
6.根据权利要求1所述的基于eeg学习者认知状态的自动检测及归因分析方法，其特征在于，所述步骤1中，采集参与学习活动时的eeg信号，并获得eeg数据的方法为：
7.根据权利要...
【专利技术属性】
技术研发人员：何秀玲，李悦，汪鹏，李洋洋，方静，李滢渟，刘晨旭，
申请(专利权)人：华中师范大学，
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。