脑电专注度&放松度检测

1. 理论依据

专注度

目前，应用最广泛的评价专注度方法是Pope等于1995年提出的根据alpha,beta，theta频段能量计算认知专注度的公式(Pope et al., 1995)。 即beta频段能量与alpha和theta频段能量之和的比值，根据现今对脑电信号的理解，这是因为人们在注意力集中或者警觉的情况下脑电信号主要表现为beta频段的信号， 而人们在静息态或者睡眠时主要表现为alpha或者theta甚至更低频率频段的信号，因此这个比值可以表征人们注意力专注程度[1]。

[1] 李翀.基于机器人辅助神经康复的患者训练参与度与专注度研究.2017.清华大学,PhD dissertation.

放松度

许多研究发现，𝛼波成分在放松时会增加，在有压力时会减小, 因此𝛼波的含量被认为可以作为平静放松程度的一个指标。而一般成年人脑电中𝛿波和𝛾波所占比例非常小[2]。

[2] 吴轶. 基于脑电的多模态情绪放松系统的实现与研究[D].上海交通大学,2020.

2. 算法pipeline

3. 接口

HHTFilter(eegRaw, componentsRetain)

滤波，去除眼电干扰
:param eegRaw: 分帧后的数据      
:param componentsRetain: 需要保留的信号成分     
:return: 去除眼电后的干净数据

get_attention_score(features)

获得当前帧的瞬时专注度
:param oneframe: 一帧脑电数据
:param features: 节律波特征
:return: 当前专注度得分

smooth_atten_score(attention_cache, observe_window, frame_window):

attention得分平滑处理
:param attention_cache: 历史attention得分
:param observe_window: smooth时间窗口大小
:param frame_window: 分帧的窗口大小
:return: 输出有效attention得分

get_rhythm_features_fft(oneframe):

提取信号节律波特征值
:param oneframe: eeg信号
:param fs: 采样频率
:return: 节律波特征值集合

get_meditation_score(features):

获得当前帧的瞬时放松度
:param oneframe: 一帧脑电数据
:param features: 节律波特征
:return: 当前放松度得分

4. 测试

4.1 专注度

python test_attention_cal.py

4.2 冥想值

python test_meditation_cal.py

4.3 插值算法

python test_interpolation.py

更新日志

• 2021.12.8 小包返回8个节律波能量值，移植看featureExtraction.py的get_attention_score get_meditation_score get_rhythm_features_fft三个接口

• 2021.9.27 更新attention pipeline,引入小波求能量（fix_attention.py和featureExtraction.py）

结果对比