一种基于脑机交互的自控力分散预警引导方法及系统与流程
本发明涉及脑机接口,具体来说,涉及一种基于脑机交互的自控力分散预警引导方法及系统。
背景技术:
1、随着线上网课、居家自习、长期刷题备考成为学生群体主流学习模式,青少年、成年学习者每日持续专注学习时长显著提升,长时间高负荷用脑过程中极易出现自控力下降、注意力涣散、思维走神等问题。学生注意力分散会直接造成听课知识点遗漏、做题效率降低、错题率上升,长期走神还会催生拖延、低效学习等不良习惯。当前教育领域逐步引入脑电、心率等生理监测设备实现学习状态量化,通过采集大脑生理信号判断专注程度,以此辅助学生自主调整学习节奏、帮助教师与家长掌握学生课堂/自习专注情况。现有轻量化脑电采集硬件不断成熟,干电极头戴式脑机设备、心率皮电手环等便携设备可无侵入式采集学习者生理数据,依托终端设备本地运算即可实现学习状态实时监测;同时各类学习平板、手机、学习一体机等智能终端普及,具备搭载生理监测算法、实时交互提醒的硬件基础,为基于脑机交互的学习注意力预警技术落地提供了硬件支撑与应用需求。
2、当前面向学习场景的注意力监测与走神预警方案存在核心技术短板,无法满足学生日常自习、网课、刷题的实际使用需求,一方面检测模型适配性差,误报、漏报频发。现有方案多采用单一心率/眼动信号或固定全局判别阈值开展判断,未考虑不同学生脑电基线、生理特征的个体差异,同时忽略教室嘈杂、夜间居家、长时间疲劳等差异化学习环境,同一套阈值对低年级学生、备考成年人的识别效果差距极大,轻微走神频繁弹窗造成学习干扰,重度走神反而识别遗漏;另一方面缺少模型预测不确定度量化机制,伪迹干扰下决策可靠性不足。学生学习过程中频繁眨眼、头部晃动、书写肢体动作极易带来脑电信号伪迹,现有分类模型仅输出“专注/走神”单一结果,无法量化本次判断的可信度,信号噪声大时仍直接弹出提醒,严重打断学生思考节奏;同时,干预策略静态固化,无法平衡提醒效果与学习体验。现有预警手段均为统一的弹窗、响铃提醒,不区分学习时段、任务重要程度与学生主观耐受度,无闭环反馈优化机制,不能根据提醒后学生注意力恢复效果、学生标注的“打扰程度”动态调整提醒方式与强度,高强度刷题、夜间学习场景下的硬性提醒大幅降低使用意愿。
技术实现思路
1、针对相关技术中的问题,本发明提出一种基于脑机交互的自控力分散预警引导方法及系统,以克服现有相关技术所存在的上述技术问题。
2、本发明的技术方案是这样实现的:
3、本发明一方面
4、一种基于脑机交互的自控力分散预警引导方法,包括以下步骤:
5、预先同步采集多通道脑电eeg信号、辅助生理信号以及学习场景专属环境数据,统一时间戳对齐后,按固定窗口时长、滑动步长对全部信号做窗口化处理,得到各窗口原始信号xk;
6、对每个窗口原始信号xk执行预处理,输出标准化干净窗口信号;
7、采用infonce自监督对比损失函数训练表征编码器,将标准化干净窗口信号映射为低维表征向量zk;
8、将表征向量zk输入概率判别模型,输出当前窗口自控力分散概率pd(k)与模型预测不确定度uk;其中,所述概率判别模型采用mc-dropout神经网络,通过t次mc-dropout前向推理的预测方差计算所述预测不确定度uk;
9、采用指数平滑算法对自控力分散概率做平滑处理得到稳定分散评分,并结合学习者近期状态、预测不确定度动态更新自适应预警阈值,用于替代固定全局判别阈值;
10、基于学习场景特征构建风险向量并计算学习风险得分;设置三重预警判定条件,仅当稳定分散评分达到预警阈值、学习风险得分高于场景最低风险阈值、预测不确定度低于单窗口最大允许不确定度时进入预警候选;若预测不确定度超出上限,则执行降级策略,仅后台记录数据,不触发即时提醒;
11、预警触发后,以当前稳定分散评分、预测不确定度、学习风险得分、历史干预反馈构成全局状态s,通过约束策略优化cpo策略模型自适应选择适配学习场景的分层低侵入引导动作。
12、其中,所述辅助生理信号包含眼电eog、心率ppg、皮肤电eda、加速度信号;所述学习场景专属环境数据包括学习任务类型、连续作业时长、环境噪音等级、室内光照强度、作业难度、学习设备运行参数。
13、其中,所述采用infonce自监督对比损失函数训练表征编码器,表示为:
14、;
15、式中,p为正样本对集合,n(i)为样本i对应的负样本集合,sim(⋅)为向量余弦相似度函数,τ为温度超参数;为不同窗口对应的低维表征向量。
16、其中,所述输出当前窗口自控力分散概率pd(k),表示为:
17、;
18、式中,w为模型权重矩阵,b为偏置项。
19、其中,所述得到稳定分散评分,表示为:
20、
21、式中,α为平滑系数,为上一窗口平滑评分。
22、其中,所述动态更新自适应预警阈值,表示为:
23、;
24、式中,为阈值更新学习率,为预设目标平均分散评分,为近期窗口平均分散评分,为预设允许平均不确定度,为近期窗口平均不确定度,为平衡权重。
25、其中,所述计算学习风险得分,表示为:
26、;
27、式中,ck是多维度场景特征拼接而成的一维向量;为各特征权重,bc为偏置项;σ(⋅)为sigmoid激活函数;c0为场景最低风险阈值,umax为单窗口最大允许不确定度。
28、本发明一方面
29、一种基于脑机交互的自控力分散预警引导系统,应用于上述的基于脑机交互的自控力分散预警引导方法的系统,其特征在于,包括:
30、传感采集模块,用于同步采集多通道eeg、辅助生理信号、环境数据并完成时序对齐与窗口划分;
31、边缘预处理模块,用于对窗口原始信号执行滤波、伪迹去除、归一化处理;
32、自监督表征编码模块,用于内置infonce损失训练的编码器,输出低维表征向量;
33、概率判别模块,用于搭载预设概率化神经网络,输出分散概率与预测不确定度;
34、动态评分模块,用于实现指数平滑评分计算以及自适应阈值迭代更新;
35、安全门控模块,用于根据场景风险得分执行预警判定与高不确定度降级策略;
36、干预决策模块,用于内置cpo优化策略网络,自适应输出场景适配引导动作并校验安全约束。
37、本发明的有益效果:
38、本发明通过多模态脑电、心率、皮电生理信号搭配自监督表征学习,结合适配学习场景的风险打分与自适应动态阈值,充分兼顾不同学生脑电生理基线、学习时长、环境干扰、任务难度差异,大幅降低自习、网课、刷题过程中走神识别的误报与漏报率,实现学生注意力涣散早期精准检测;同时,通过mc-dropout模型预测不确定度并设置三重预警判定与高不确定降级门控,当书写、眨眼、头部晃动造成脑电伪迹、模型判断可信度不足时自动屏蔽即时提醒,避免频繁弹窗、振动打断学生深度思考,显著提升学习过程中的使用舒适度;另外依托约束强化学习构建学习场景专属分层干预策略,以振动、文字弹窗、呼吸引导、短时休息建议形成由轻到重的提醒序列,并结合学生手动反馈、答题正确率持续在线优化干预动作优先级,在有效促使学生收回注意力、提升学习效率的同时,兼顾不同学生、不同学习时段对提醒打扰程度的耐受需求;其整套方案边缘端推理延迟可控,能够轻量化部署在学习平板、手机、便携脑电头戴设备等终端载体,应用范围宽泛。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com