郭猛

摘要：該文敘述了一種教學環(huán)境中使用的腦波分析耳機的工作原理和設計方法，其核心是對EEG腦電波信號的采集、濾波，運用時頻譜和復雜度分析的方法進行綜合分析提取精神狀態(tài)特征，設計神經網絡多層分類器對精神狀態(tài)進行分類和識別，最后完成精神狀態(tài)的自動檢測和識別，以提高學生上課的注意力。

關鍵詞：EEG；Cortex-A9；α波；8波；ANN-BP

中圖分類號：TP391.4 文獻標識碼：A 文章編號：1009-3044（2018）08-0150-02

近年來大學教育的學時趨于進一步壓縮，新的知識量卻逐年遞增，學生在課堂教學上的學習效率和效果尤其重要。如今的教學課堂上，學生低頭玩手機或者疲倦打瞌睡的現象很普遍，這也是影響課堂教學質量的主要因素，如果能通過一種可穿戴的設備，檢測到學生低頭玩手機或者課堂上疲勞打瞌睡，就主動提醒學生的話，將會減少教師維持課堂紀律的工作，提高學生的注意力和學習效率，通過該設備還可以無線連接后臺服務器，對學生課堂聽講過程的情況進行記錄、統(tǒng)計和分析，為學生學習或者教師的今后教學提供有力的支持。

1腦波分析耳機系統(tǒng)的組成和工作原理

本系統(tǒng)主要應用在教育教學領域，采用最新數字信號處理、嵌入式軟硬件、網絡通信等技術，針對課堂教學環(huán)節(jié)，為培養(yǎng)學生集中注意力、提高學習效率而研發(fā)的一種可穿戴式智能硬件設備。

如何檢測疲勞狀態(tài)，目前采用的技術方法有：1）檢測人員的生理信號，比如腦電信號EEG，心電信號ECG，眼電信號EOG，呼吸參數等等，根據采集信號的特性來判別是疲勞或者興奮狀態(tài)。2）檢測人員的物理反應，比如眨眼頻率、點頭頻率等等。3）檢測人員的控制行為，比如開車時方向偏離、看書時候的書本不翻頁等等。本文采用的方法，就是將EEG信號的采集裝置和硬件電路做到了耳機里面，方便穿戴使用，內部高速CPU同時對采集后的信號進行快速處理和判斷。

在探測手機以防學生課堂上玩手機方面，目前有一些手段：1）通過金屬探測器來檢測是否攜帶手機或含有金屬部件的通信設備。2）手機信號探測儀，利用開機后的手機會不斷地向基站發(fā)射無線信號，探測器也會接收到這些信號從而探測出手機。3）諧波雷達探測器。其原理類似軍事雷達，技術實現復雜，成本高，對于普通的課堂教學并不合適。綜合考慮到成本、實現技術的復雜度以及各自的優(yōu)缺點，本文采用金屬探測電路來進行手機探測。

探測可知，系統(tǒng)主要由2部分構成：腦電信號的采集和分析部分以及手柵金屬探測部分。腦電信號的采集和分析部分，做成耳機的方式，方便人員的佩戴，并且為了簡化結構和降低復雜性，通過單極腦電極的方式來采集EEG信號，如圖1所示，其中夾在耳朵上的作為基準電極，另2個電極緊貼于前額Fp1和Fp2處。采集到的腦電信號非常微弱，并且極易受到眼動信號和工頻干擾，通常需要EEG放大電路進行信號放大調理。實際的EEG放大電路，對其放大增益、輸入阻抗、共模抑制比、信號噪聲比有很高的要求，往往采用CBIA（電流平衡儀表放大電路）電路。放大后的EEG信號經過線性光耦隔離電路之后輸入到ADC數模轉換器，由Cortex-A9處理器讀取轉換后的EEG數據，完成采樣。

利用Cortex-A9嵌入式多核處理器強大的計算能力，隨后對數字化后的EEG信號進行預處理，去除眼動信號EOG、工頻信號等外界干擾。并將EEG數據分成合適長度的數據段，利用有效的特征提取方法提取每個數據段的特征，通過特征選擇的方法進一步提高特征提取的有效性，組成新的特征向量，然后構建有效的分類器進行分類，將分類之后的結果保存到存儲器并且通過ZigBee通信模塊和網關匯集數據之后進一步上傳到Web服務器。

手機探測電路分為發(fā)射電路和接收電路兩部分。探測發(fā)射電路，采用LC電容三點式振蕩電路，產生頻率30Khz的脈沖信號，經過功率放大后輸入到發(fā)射線圈中，通電的線圈周圍便會產生磁場。

探測接收電路，渦流傳感器接收感應到的磁場變化，將磁場強度轉變?yōu)殡妷盒盘栞敵?。在無金屬的情況下，渦流傳感器的輸出電壓經過后面的檢波、放大、ADC之后會得到一個基準值并保存到單片機中；當有金屬物體檢測的時候，渦流傳感器的輸出電壓就會發(fā)生變化，再經過后面的檢波、放大、ADC之后得到另一個數值，與無金屬時候的基準值做比較判斷，就會得出有金屬物體被檢測到的結論，同時單片機通過驅動振動馬達或者點亮指示燈的方式警告學生不要再使用手機，另外也通過藍牙模塊將本次事件的發(fā)生時間、持續(xù)時間等基本信息發(fā)送給Cortex-A9處理器，Cortex-A9處理器除了記錄該事件到存儲器之外，也通過ZigBee模塊和網關將事件上傳到Web服務器。

2精神狀態(tài)的檢測與識別

本課題的主要研究內容在于識別學生課堂的精神狀況。具體研究內容和研究方法包括EEG腦電波信號和EOG眼動信號的采集、濾波，去除眼動信號，用時頻譜方法進行分析提取精神狀態(tài)特征，設計ANN-BP多層分類器對精神狀態(tài)進行分類和識別，最后完成疲勞的自動檢測和識別。

EEG提取不同波段不同EEG的典型特征（比如熟睡時候出現頻率為0.5～4Hz的8波，放松狀態(tài)下出現頻率為8～12Hz的α波等）并進行分類，以此來識別人員的精神狀況。同時采集人員的垂直和水平眼電EOG信號。采用偽跡減法去除原始EEG信號中包含的眼動信號、工頻等噪聲，也就是針對不同的導聯，將EOG信號乘以一個相對應的加權系數進行幅值調整，再從EEG信號中減去調整幅度后的EOG部分，最終得到預處理之后的EEG信號。

這里采用未分段的方式，對預處理之后的EEG數據使用p=6的6階AR模型，Burg估計算法對每個通道輸入的EEG數據進行AR參數估計，得到長度為12的系數序列，構成一個特征向量（C1Fp1，C1Fp2，C2Fp1，C2Fp2…，C6Fpl，C6Fp2）作為一個樣本，作為BP神經網絡的輸入。

BP神經網絡是目前應用最為廣泛的神經網絡之一，是一種多層網絡的逆推學習算法，由輸入層、輸出層和中間層組成，如圖2所示。對分段后的EEG數據，神經網絡輸入層神經元數目為12，輸出層神經元數目為log₂m，其中m為4，代表分類的數目。本文分類數目m為4（表明精神集中、正常、放松、疲勞），采用3層BP神經網絡，中間層神經元數目由經驗在7-16較為合適。為了確定中間層神經元數目，開始時先放人較少數目的神經元，學習一定次數如果不成功再增加中間層神經元的數目，直到達到合理為止。中間層的神經元傳遞函數采用tan-sig雙曲正切s型函數，輸出層神經元傳遞函數采用log-sig正切S型函數。

在確定了BP網絡的結構后，利用輸入，輸出樣本集進行學習訓練，也就是對網絡的權值和偏差進行學習和調整，使網絡實現給定的輸入/輸出映射關系，完成對系統(tǒng)的辨識。原始的BP學習算法是梯度下降法。參數沿著與誤差梯度相反的方向移動，使誤差函數減小，直到取得極小值，它的計算的復雜度主要是由計算偏導數引起的，這種基于梯度下降方法的線性收斂速度很慢。而LM算法是一種利用標準的數值優(yōu)化技術的快速算法，它是梯度下降法與高斯一牛頓法的結合，既有高斯一牛頓法的局部收斂性，又具有梯度法的全局特性。由于LM算法利用了近似的二階導數信息，所以LM算法比梯度法快得多。

3總結

本設計實際應用到教學環(huán)境中，對課堂教學中的每個學生，每人一套該設備，腦波耳機佩戴到頭部，手機探測電路內嵌到學生的課桌里，均通過可充電電池來供電。每個設備都通過ZigBee和網關連接Web服務器，將經過識別后的人員狀態(tài)可以定時發(fā)送給WEB服務器，并有數據庫做數據記錄以及簡單的統(tǒng)計分析。教師或者學生都可以通過智能手機APP訪問該Web服務器，查看個人或者全班教學過程以及統(tǒng)計分析的結果。實踐證明，通過此種方式，教師容易做到對課堂教學過程和教學質量全程監(jiān)控，心中有數，并對進一步的教法改革做出相應的調整規(guī)劃。