伍能彪 朱珍民 王 毅

（1.湘潭大學(xué)信息工程學(xué)院 湘潭 411105）（2.中國科學(xué)院計(jì)算技術(shù)研究所 北京 100190）

1 引言

腦電圖是一種客觀可靠的評估腦功能的方法，經(jīng)常當(dāng)作是一種輔助的手段來檢測抑郁，精神分裂，癲癇等疾病。腦電圖的優(yōu)勢在于它的靈敏性高、成本低，便捷地記錄數(shù)據(jù)。按照國際上通用的分類方法，腦電頻譜可以分為Delta，Theta，Alpha，Low Beta，Midrange Beta，High Beta，Gamma 等。它們的頻帶范圍，以及出現(xiàn)的條件和所處的精神狀態(tài)如表1 所示。本次研究的目的就是通過在視覺、聽覺、混合刺激下，降低實(shí)驗(yàn)者腦電的高頻波段的占比，提升實(shí)驗(yàn)者腦電低頻波段占比，讓實(shí)驗(yàn)者調(diào)整到一種放松的精神狀態(tài)，同時(shí)通過計(jì)算每種刺激方式的有效時(shí)間，比較視覺、聽覺、混合刺激的調(diào)節(jié)效率。

表1 腦電類型

2 相關(guān)工作

精神疲勞容易引起警覺性降低、工作效率下降，一直以來被認(rèn)為是引起交通和工業(yè)事故頻發(fā)的主要原因之一。為了緩解這種情況，近年來，許多大腦研究人員和計(jì)算機(jī)專家使用腦電信號來識別人的情感，檢測人的精神狀態(tài)。Lal and Craig，Papadelis，F(xiàn)an［1～3］等驗(yàn)證了通過提升Alpha 和Theta 波段的功率，降低Beta 和Gamma 波段的功率可以達(dá)到緩解精神疲勞的效果。Sibsambhu Ka［4］等使用相對 能 量 比（Alpha+Beta）/Delta、Shannon entropy、

Rényi entropy、Tsallis wavelet entropy、Generalized Escort-Tsallis entropy 等指標(biāo)用來評價(jià)疲勞程度。Rebecca S.Schaefer［5］指出腦電Alpha 波在聽覺刺激下比視覺刺激下產(chǎn)生的變化更明顯。盧英?。?］等選取古典、流行、搖滾等不同風(fēng)格的音樂緩解悲傷的情緒通過分析主觀悲傷度和重心頻率的關(guān)系為重心頻率越低，緩解的效果越好。Yang Wei，John Tudor［7］等使用情感圖片庫中的圖片作為刺激源，提取功率譜密度、信號功率、共空間模式（CSP）作為特征，使用線性判別式（LDA）分類算法對憤怒、激動(dòng)、悲傷、平靜四種狀態(tài)進(jìn)行分類，獲得了91.75%的準(zhǔn)確率。Xiaowei Li［8］等使用Hamming Window濾波器分解Theta，Alpha，Beta 三種頻帶的腦電信號，在自回歸模型的基礎(chǔ)上分別計(jì)算三種腦電信號的功率譜密度，均方差等816 維特征，使SVM，LR，KNN 分類器對數(shù)據(jù)進(jìn)行分類，用來檢測抑郁癥，取得了88%的準(zhǔn)確率。Laurent 和Vézard［9］等設(shè)計(jì)了如下實(shí)驗(yàn)，每2.5s 播放一次警報(bào)聲，實(shí)驗(yàn)者同時(shí)觀看出現(xiàn)屏幕上顯示的警報(bào)圖標(biāo)，并在過程中采取腦電信號，作者通過使用PCA 提取主成分，然后使用CSP（Common Spatial Patten）和LDA 相結(jié)合的方法對放松狀態(tài)和警戒狀態(tài)的腦電進(jìn)行分類，得到了71.59%的準(zhǔn)確率。Adnan Mehmood Bhatti［10］使用說唱、金屬、搖滾、嘻哈類型風(fēng)格的音樂來識別快樂、悲傷、愛和憤怒的情緒，作者使用基于時(shí)域、頻域、小波提取腦電數(shù)據(jù)特征，使用ANN，KNN，SVM 等分類器進(jìn)行分類，其中SVM 取得了最佳的效果，高興，悲傷情緒的單一準(zhǔn)確率為84.87%，78.125%。

在已有研究的工作中，大部分都是在視覺或者聽覺刺激下，對刺激前后的腦電進(jìn)行分類，并沒有對視覺、聽覺和混合刺激對腦電波的影響進(jìn)行比較分析。所以本文研究在視覺、聽覺和混合刺激下，誘發(fā)實(shí)驗(yàn)者進(jìn)入放松狀態(tài)，比較不同刺激對腦電波的影響，并計(jì)算有效的刺激時(shí)間。

3 研究方法

基于視覺、聽覺、混合刺激誘發(fā)實(shí)驗(yàn)者進(jìn)入高度放松狀態(tài)。研究的總體流程如圖1 所示，該流程包括數(shù)據(jù)獲取、信號預(yù)處理、特征提取、生成分類器和計(jì)算有效刺激時(shí)間五個(gè)模塊，數(shù)據(jù)獲取模塊獲取EEG腦電數(shù)據(jù)，然后信號預(yù)處理模塊對腦電數(shù)據(jù)進(jìn)行預(yù)處理，消除外部噪聲信號帶來的干擾。特征提取模塊提取滑動(dòng)時(shí)間窗口內(nèi)均值、方差、極差等時(shí)域特征和功率熵和重心頻率等頻域特征。生成分類器模塊，使用支持向量機(jī)、LSTM、隨機(jī)森林、GBDT 訓(xùn)練數(shù)據(jù)集，生成分類器。計(jì)算有效刺激時(shí)間模塊，通過分類切分?jǐn)?shù)據(jù)集和實(shí)時(shí)測算兩種方式計(jì)算有效刺激時(shí)間。

圖1 總體流程圖

3.1 EEG數(shù)據(jù)獲取

數(shù)據(jù)采集模塊采集視覺刺激數(shù)據(jù)，聽覺刺激數(shù)據(jù)，混合刺激數(shù)據(jù)。在下面分步詳細(xì)介紹刺激方法，參與者，實(shí)驗(yàn)設(shè)備和實(shí)驗(yàn)過程。

3.1.1 實(shí)驗(yàn)設(shè)備

為了獲取腦電數(shù)據(jù)，使用了Neurosky 耳機(jī)。Neurosky 耳機(jī)是一個(gè)帶有單個(gè)獲取EEG 信號生物傳感器的嵌入式系統(tǒng)。這個(gè)耳機(jī)的主要優(yōu)點(diǎn)是便于數(shù)據(jù)采集和可穿戴性。它的采樣率為512 Hz，可以記錄非侵入性EEG 信號，并通過耳機(jī)中的藍(lán)牙傳輸記錄的數(shù)據(jù)，因此為終端用戶提供了可移動(dòng)性。在本研究中，所有的EEG 記錄都是在隔離和無噪音室完成。

Android 手機(jī)：實(shí)時(shí)接收Neurosky 耳機(jī)藍(lán)牙發(fā)送的數(shù)據(jù)，存儲數(shù)據(jù)集。

Mac Air 筆記本：運(yùn)行視覺刺激、聽覺刺激、混合刺激程序平臺。

3.1.2 參與者

本次研究共有15 名實(shí)驗(yàn)室在讀大學(xué)生參與，參與者年齡在22～26 之間。所有參與者沒有腦疾病的報(bào)告史，并具有正常的聽力和視力。實(shí)驗(yàn)前，參與者被告知研究的范圍和過程，所有參與者對實(shí)驗(yàn)予以同意。

3.1.3 刺激方式

刺激方式分為視覺刺激、聽覺刺激和混合刺激三種方式。

視覺刺激方式是將屏幕顯示器分成左右兩部分，每一部分各有一個(gè)螺旋路徑的目標(biāo)以2Hz的頻率移動(dòng)，實(shí)驗(yàn)者全身放松并兩只眼睛分別跟蹤屏幕中兩個(gè)移動(dòng)目標(biāo)。

聽覺刺激方式采用音樂刺激的方法，使用Childhood Memory、Imagine、Snowdreams、神秘園、Night Dream Melody等經(jīng)典輕音樂作為刺激源。

混合刺激方式是同時(shí)使用以上兩種刺激方式。

3.1.4 實(shí)驗(yàn)過程

實(shí)驗(yàn)分成兩個(gè)部分。第一部分，分別使用視覺、聽覺、混合刺激采集EEG 數(shù)據(jù)。在開始實(shí)驗(yàn)之前，給參與者講解實(shí)驗(yàn)注意事項(xiàng)。在EEG 數(shù)據(jù)采集過程中，分為三個(gè)階段，分別為刺激前靜坐階段、刺激階段、刺激后靜坐階段，每個(gè)階段均為5min。刺激前靜坐階段和刺激后靜坐階段數(shù)據(jù)標(biāo)記不同標(biāo)簽，作為訓(xùn)練數(shù)據(jù)集。第二部分，分別為這三種不同的刺激方式訓(xùn)練出分類器，對相應(yīng)數(shù)據(jù)集調(diào)節(jié)階段的數(shù)據(jù)進(jìn)行分類，找到最佳的時(shí)間切分點(diǎn)，根據(jù)數(shù)據(jù)比例求出有效的調(diào)節(jié)時(shí)間。根據(jù)三種不同刺激方式有效調(diào)節(jié)時(shí)間的比較，對視覺、聽覺、混合刺激方法進(jìn)行分析。

3.2 信號預(yù)處理

如圖2 所示，腦電信號是非平穩(wěn)隨機(jī)信號，而且其背景噪聲很強(qiáng)，我們有必要對腦電信號進(jìn)行預(yù)處理。在這里我們采取T檢驗(yàn)的方式去除離群點(diǎn)。

圖2 腦電形態(tài)圖

在采集的原始腦電數(shù)據(jù)中，分別有8 種不同頻段的腦電波，如Delta，Theta，Low Alpha，High Alpha，Low Beta，High Beta，Low Gamma，Mid Gamma。我們選擇方差最大的特征Delta，類似于主成分分析（PCA）的思想，進(jìn)行T 檢驗(yàn)。分別選取置信度t 為0.7，0.75，0.80，0.85，0.90，0.95，1.0 的置信區(qū)間的數(shù)據(jù)作為訓(xùn)練樣本集。

由于不同個(gè)體的腦電波的功率差異較大，如果直接用使用原始數(shù)據(jù)作為特征訓(xùn)練分類模型，效果較差，泛化能力較弱。腦電功率符合高斯分布，所以我們選擇Z-Score 變換，這樣處理同時(shí)也保留了數(shù)據(jù)的分布特點(diǎn)。對原始腦電數(shù)據(jù)8 種波形分別進(jìn)行Z-Score標(biāo)準(zhǔn)化處理：

其中Xi為腦電波原始信號，，σ 為該波段腦電信號的均值和標(biāo)準(zhǔn)差。

3.3 特征提取

3.3.1 時(shí)域特征

本文時(shí)域內(nèi)的特征是在進(jìn)行Z-Score標(biāo)準(zhǔn)化之后提取的特征組合。由于腦電信號非平穩(wěn)、非線性以及突變性的特點(diǎn)，本文采用滑動(dòng)時(shí)間窗口的方法對腦電信號進(jìn)行平滑處理。過多次試驗(yàn)，時(shí)間窗口為10，窗口滑動(dòng)步長為3時(shí)取得最佳的效果。

時(shí)間窗口內(nèi)的均值Means：

其中n 表示時(shí)間窗口的大小，Xi表示該波段滑動(dòng)窗口第i 個(gè)功率值。

時(shí)間窗口內(nèi)的方差var：

其中max X ，min X 分別表示該波段在時(shí)間窗口內(nèi)的最大值和最小值。

時(shí)間窗口內(nèi)的變化系數(shù)Vc：

時(shí)間窗口內(nèi)的波動(dòng)指數(shù)FI ：

原始腦電波段，經(jīng)過統(tǒng)計(jì)每種波段滑動(dòng)窗口內(nèi)的Means，var，Range，Vc，F(xiàn)I ，總共可以形成40種訓(xùn)練特征。

3.3.2 頻域特征

原始腦電信號的功率熵E(U)：

其中n 表示原始腦電不同波段的數(shù)量，本文為8。 pi為該波段占總功率的比值。

原始腦電信號的重心平率GF ：

3.4 EEG分類算法

分類器是機(jī)器學(xué)習(xí)算法，學(xué)習(xí)從信號中提取的特征的重要信息，然后在這些特征的基礎(chǔ)上進(jìn)行分類［11］。在本文中，使用了四種不同的分類器。

3.4.1 隨機(jī)森林（Random Forest）算法

隨機(jī)森林［12］（Random Forest）是Bagging 的一個(gè)擴(kuò)展變體。它以決策樹作為基礎(chǔ)學(xué)習(xí)器，構(gòu)建Bagging［13］集成分類器，但在決策樹學(xué)習(xí)過程中引入了隨機(jī)特征選擇。具體說，傳統(tǒng)決策樹在選擇特征時(shí)是在當(dāng)前節(jié)點(diǎn)的特征集合選擇最大信息增益或最大增益比的特征。隨機(jī)森林構(gòu)建基礎(chǔ)分類器時(shí)，隨機(jī)從特征集合中選擇k 個(gè)特征，隨機(jī)抽取部分?jǐn)?shù)據(jù)集作為訓(xùn)練集，按照傳統(tǒng)決策樹的訓(xùn)練方法構(gòu)建單個(gè)基礎(chǔ)分類器。隨機(jī)森林通過引入特征擾動(dòng)，雖然個(gè)體學(xué)習(xí)器的性能會有所降低，但是隨著個(gè)體學(xué)習(xí)器數(shù)量的增加，隨機(jī)森林會收斂到更小的泛化誤差。隨機(jī)森林簡單，容易實(shí)現(xiàn)，計(jì)算開銷小。由于每個(gè)基礎(chǔ)分類器相互獨(dú)立，隨機(jī)森林支持分布式計(jì)算，提高運(yùn)行效率，在很多現(xiàn)實(shí)任務(wù)中表現(xiàn)出強(qiáng)大的性能隨機(jī)森林也存在如下缺點(diǎn)：1）如果數(shù)據(jù)噪聲較大，分類或回歸問題易過擬合；2）級別劃分較多的特征會對隨機(jī)森林產(chǎn)生更大的影響，所以隨機(jī)森林計(jì)算出的特征權(quán)值是不可信的。

3.4.2 梯度提升樹（GBDT）算法

梯度提升樹GBDT（Gradient Boosting Tree）是一種迭代的決策樹算法，該算法結(jié)合了決策樹和Gradient Boosting［14］算法。GBDT 算法集成了眾多比較弱的決策樹學(xué)習(xí)器（一般使用CART 樹［15］），每個(gè)弱分類器以上一棵樹的訓(xùn)練誤差作為訓(xùn)練數(shù)據(jù)，每棵樹朝著誤差減小的梯度方向?yàn)橛?xùn)練目標(biāo)。GBDT 被認(rèn)為是泛化能力較強(qiáng)的算法，但是GBDT對異常值敏感，而且GBDT 算法中每個(gè)弱學(xué)習(xí)器依賴于前一個(gè)學(xué)習(xí)器的結(jié)果，無法在分布式集群中運(yùn)算。

3.4.3 支持向量機(jī)（SVM）算法

支持向量機(jī)［16］（Support Vector Machine，SVM）是分類與回歸分析中分析數(shù)據(jù)的監(jiān)督式學(xué)習(xí)模型與相關(guān)的學(xué)習(xí)算法。SVM 是Vapnik 等在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上對線性分類器提出的一種最佳設(shè)計(jì)準(zhǔn)則。它是針對線性可分情況進(jìn)行分析，對于線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對樣本的非線性特征進(jìn)行線性分析成為可能［17］。它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論之上在特征空間中構(gòu)建最優(yōu)超平面，使得學(xué)習(xí)器得到全局最優(yōu)化，并且在整個(gè)樣本空間的期望以某個(gè)概率滿足一定上界。SVM 在分文分類，手寫字體識別，圖像分類等方面表現(xiàn)出優(yōu)異的性能但SVM 也有局限性，SVM 僅僅直接適用于兩類任務(wù)，SVM擴(kuò)展后分類多類任務(wù)效果一般而且模型解出的參數(shù)很難理解。

3.4.4 長短時(shí)記憶（LSTM）算法

長短時(shí)記憶［18］（Long Short-Term Memory）是一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)（RNN），由Schmidhuber J 于1997 年首次提出。LSTM 是在RNN 基礎(chǔ)處上的一個(gè)變體，在RNN 算法中加入了判斷信息是否有用的“處理器”，這個(gè)處理器的結(jié)構(gòu)被稱作是Cell。一個(gè)Cell中放置了三扇門［19］，分別為輸入門、輸出門、遺忘門。圖3 是經(jīng)典的LSTM 模型。圖中的C 表示遺忘門，輸入門由t 時(shí)刻的輸入和t-1 時(shí)刻的輸出組成，輸出門由輸入門和遺忘門經(jīng)過運(yùn)算得到。如果輸入門與遺忘門運(yùn)算輸出近似于零，輸出門就會擋住信息，也就不會進(jìn)入下一層。如果遺忘門輸出的值近似等于零，將會把Cell中存放的值清除。由于獨(dú)特的設(shè)計(jì)結(jié)構(gòu)，LSTM 適合于處理和預(yù)測時(shí)間序列中間隔和延遲非常長的重要事件。LSTM的表現(xiàn)通常比時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)及隱馬爾科夫模型（HMM）更好。作為非線性模型，LSTM 可作為復(fù)雜的非線性單元用于構(gòu)造更大型深度神經(jīng)網(wǎng)絡(luò)。

圖3 LSTM模型圖

4 實(shí)驗(yàn)結(jié)果

4.1 不同刺激方式下的重心頻率分析

在前人的研究中，重心頻率是一個(gè)衡量精神狀態(tài)的一個(gè)重要的指標(biāo)，正常情況下人體的重心頻率的范圍為7Hz～13Hz［20］。當(dāng)重心頻率偏高時(shí)，人一般處于壓抑、緊張、注意力集中等狀態(tài)，重心頻率低時(shí)，人處于放松狀態(tài)。

圖4 三種不同刺激方式三個(gè)階段重心頻率

經(jīng)過不同刺激的三個(gè)不同階段的重心頻率如圖4所示，視覺刺激下重心頻率下降了44.7%，聽覺刺激下重心頻率下降了38.96%，混合刺激下重心頻率下降了44.59%。三種不同的刺激方式下，重心頻率明顯降低，說明了刺激方式是有效性。視覺刺激和混合刺激的重心頻率的下降幅度比聽覺刺激高出近6%，說明了視覺刺激調(diào)節(jié)效果好于聽覺刺激。

4.2 三種刺激方式對腦電不同頻段的影響

三種不同刺激前后不同腦電頻段的功率占比如表2 所示，不同的刺激方式，腦電頻段的轉(zhuǎn)化是不同的。視覺刺激下，八種頻段功率占比的變化率分別為-0.011，0.056，-0.046，0.086，-0.018，-0.001，-0.041，-0.228。Gamma 頻段主要向Theta 和High Alpha 頻段轉(zhuǎn)化。聽覺刺激下，八種頻段功率占比的 變 化 率 分 別 為 0.071，00.194，-0.199，0-0.019，-0.031，-0.015，-0.044，-0.959。Gamma頻段主要向Delta 頻段轉(zhuǎn)化。混合刺激下，八種頻段 功 率 占 比 的 變 化 率 分 別 為0.097，-0.064，-0.000，-0.240，-0.319，，-318，-0.38 8，-0.466。Gamma 頻段主要向Delta 頻段轉(zhuǎn)化。由此可見視覺刺激主要影響腦電Theta、Alpha 頻段，而聽覺刺激主要影響腦電Delta頻段。

4.3 三種刺激方式的不同分類器分類分析

視覺刺激下，四種不同的分類器在不同置信度下的準(zhǔn)確率如圖5所示。

圖5 視覺刺激模型分類結(jié)果

聽覺刺激下，四種不同的分類器在不同置信度下的準(zhǔn)確率如圖6所示。

圖6 聽覺刺激模型分類結(jié)果

混合刺激下，四種不同的分類器在不同置信度下的準(zhǔn)確率如圖7所示。

由圖5、圖6、圖7 所示，當(dāng)置信度較小時(shí)，即數(shù)去噪聲比例較大，四種分類的準(zhǔn)確率均在85%以下?？赡茉蛟谟冢械奶卣鞫际腔诨瑒?dòng)時(shí)間窗口方式統(tǒng)計(jì)得到，當(dāng)數(shù)據(jù)去除比例較大時(shí)，會影響到數(shù)據(jù)在時(shí)間上的連貫性。當(dāng)置信度過大時(shí)，四種不同的分類器的平均準(zhǔn)確率均呈下降趨勢，原因在噪聲數(shù)據(jù)過多從而影響到模型的準(zhǔn)確率。三種不同的刺激的四種分類器均在置信度0.85 時(shí)取得了最佳的分類效果。選取置信度為0.85 時(shí)訓(xùn)練得到的分類器作為預(yù)測第二階段數(shù)據(jù)的分類器。置信度為0.85時(shí)，三種不同刺激下，LSTM均取得了最佳的分類效果，視覺、聽覺、混合刺激的準(zhǔn)確率分別為92.48%，91.36%，92.05%。

圖7 混合刺激模型分類結(jié)果

4.4 三種刺激方式的有效刺激時(shí)間分析

4.4.1 切分?jǐn)?shù)據(jù)集計(jì)算有效時(shí)間

通過以上分析，當(dāng)數(shù)據(jù)集去除噪聲的比例為15%，即置信度為0.85 時(shí)，三種不同的刺激方式LSTM 分類器都取得了最佳的分類效果，所以選用LSTM作為切分?jǐn)?shù)據(jù)集的分類器。

分別使用三種不同刺激所訓(xùn)練的分類器對調(diào)節(jié)階段的數(shù)據(jù)進(jìn)行分類，通過循環(huán)迭代每一個(gè)時(shí)間點(diǎn)找到精神狀態(tài)變化的切分位置，求出有效的調(diào)節(jié)時(shí)間。

切分的標(biāo)準(zhǔn)按照如下公式進(jìn)行：

其中∑pt1log pt1表示是切分后第一段的熵值，∑pt2log pt2表示切分后第二段的熵值，當(dāng)L 值最小時(shí)，就是所求的切分點(diǎn)。根據(jù)切分位置計(jì)算兩種精神狀態(tài)所占的時(shí)間比例。三種刺激方式的平均有效刺激時(shí)間如表3所示。

由表3 可知視覺刺激的效果好于聽覺，有效的調(diào)節(jié)時(shí)間比聽覺刺激縮短近20%，而混合刺激模型雖然效果好于視覺刺激，但二者調(diào)節(jié)時(shí)間相近，沒有達(dá)到預(yù)期大幅縮短調(diào)節(jié)時(shí)間的效果。

表3 切分?jǐn)?shù)據(jù)集方式計(jì)算有效時(shí)間

4.4.2 實(shí)時(shí)測算有效刺激時(shí)間

實(shí)時(shí)采集數(shù)據(jù)，每秒向服務(wù)器傳輸一次數(shù)據(jù)，服務(wù)器分類器解析腦電信號，返回精神狀態(tài)?？蛻舳擞涗涀罱?0 個(gè)精神狀態(tài)值，如果10 個(gè)中有8 個(gè)精神狀態(tài)值達(dá)到預(yù)設(shè)目標(biāo)，停止采集，記錄時(shí)間。實(shí)時(shí)采集10 個(gè)實(shí)驗(yàn)者數(shù)據(jù)，三種刺激方式各5 組，求出三種刺激方式的平均有效刺激時(shí)間，如表4所示。

由表4 可知，在實(shí)時(shí)測算方式下，視覺和混合刺激方式效果比較好，其中視覺刺激的效率比聽覺刺激提高24.8%，混合刺激比聽覺刺激提高30.6%。

表4 實(shí)時(shí)計(jì)算有效時(shí)間

5 結(jié)語

本文通過視覺、聽覺、混合刺激來調(diào)節(jié)人體進(jìn)入放松狀態(tài)。通過三種不同的刺激，腦電信號的重心頻率下降了38%～47%，驗(yàn)證了刺激方式的有效性，分析了不同刺激對人體不同頻帶腦電的影響。采用GBDT，SVM，隨機(jī)森林，LSTM等算法對調(diào)節(jié)前后的狀態(tài)予以分類，其中時(shí)間序列模型LSTM 取得了不錯(cuò)的效果，三種不同刺激模型的準(zhǔn)確率都達(dá)到92%。使用學(xué)習(xí)得到的LSTM 分類器，采用切分?jǐn)?shù)據(jù)集和實(shí)時(shí)測算兩種方式計(jì)算不同刺激方式的有效時(shí)間，可得到混合刺激效果最好，其次為視覺刺激。通過最有效的方式誘發(fā)人腦達(dá)到高度放松的狀態(tài)有助于緩解壓力，疲勞，改善生活質(zhì)量，提供工作效率有著重大的意義。

本文的不足之處在于，視覺刺激和聽覺刺激雖然得到不錯(cuò)的效果，但二者相結(jié)合的效果和視覺刺激效果接近，沒有達(dá)到預(yù)期大幅縮減調(diào)節(jié)時(shí)間的目標(biāo)。下一步的工作在于尋找更好的視覺、聽覺刺激混合的方式，更快地讓人體進(jìn)入放松的狀態(tài)。