[发明专利]基于眼动数据的脑电实验评估系统及方法

说明书

一种基于眼动数据的脑电实验评估系统及方法，通过眼动仪采集对象眼动数据，根据眼动数据中的注视点建立时间‑空间模型；然后使用动态时间规整算法快速技术计算序列之间相似程度并构建距离矩阵，再通过基于密度的聚类算法进行离群点检测，并根据聚类结果采用学习排序训练模型，经量化排序后得到对象的参与度；本发明能够客观量化评价对象参与实验认真程度，为实验以及模型形成反馈，以保证数据质量以及提高模型预测精确度。对对象参与实验的程度进行了量化的评估，构造了情绪识别实验的量化反馈。

技术领域

本发明涉及的是一种信息处理领域的技术，具体是一种基于眼动数据的脑电实验评估系统及方法。

背景技术

机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。机器学习从学习方式上，可以分成：1.监督学习；2.非监督学习；3.半监督学习；4.增强学习。当今监督学习在各领域均有相对较成熟的运用，但是，监督学习对样本标签的依赖限制了其进一步发展：标签不精确、样本基数过大导致给定标签代价过大等等均可能影响监督学习准确度。相反，半监督学习、非监督学习以及增强学习更加接近于人类的学习方式，通过观察来学习做成如何的动作，每个动作都会对环境有所影响，学习对象根据观察到的周围环境的反馈来做出判断。因此，半监督学习、非监督学习以及增强学习在机器学习领域占据了很重要的一部分。反馈是实现半监督、非监督学习、增强学习十分重要的一环。因此，此方法的提出也是实现更好的非监督学习的重要的一步。

现今多数实验均需要通过对象参与实验采集数据，因此，对象参与程度直接影响了数据的优劣程度。例如在情绪识别实验中，对象通过观看刺激素材，被诱发相应的情绪并采集脑电数据，根据脑电数据预测对象在观看各个刺激素材时的情绪。如果对象在观看刺激素材是，出现发呆、走神、或故意不认真观看素材的行为，将导致数据质量低下、模型预测精确度降低。在此方法提出之前，普遍采用填表反馈的方式，对象在结束一个片段的观看后，在反馈表格上填写对自己情绪的评价。这种反馈主观因素过大，也存在对象故意隐瞒、欺骗的可能性，因此，一个客观的基于真实数据来评估对象参与程度的方式十分的重要。

动态时间规整算法(DTW)曾经是语音识别的一种主流方法。其将时间规整与距离规整测度结合起来，采用动态规划技术，比较两个大小不同的模式，解决语音识别中语速多变的难题。其基于动态规划，能有效减小搜索时间，但对于大量样本数据，O(n²)时间复杂度仍然会消耗大量运算时间。因此，本方法中采用了DTW的快速技术，由文献Stan SalvadorPhilip Chan,FastDTW:Toward Accurate Dynamic Time Warping in Linear Time andSpace.KDD Workshop on Mining Temporal and Sequential Data提出的FastDTW算法。由于眼动数据的长度不一，本方法将原用于语音识别的技术用在眼动数据匹配上，成为本方法重要的一个组成部分。

眼动仪是近年新型的科技产品，佩戴之后，可以精确采集佩戴者关于眼睛运动的信息，包括：眨眼、注视点、注视时长、瞳孔大小。并可统计出：眨眼次数，注视次数，扫视、平均瞳孔大小、平均眨眼时长、眨眼频率、注视频率等。在文献Yifei Lu,Wei-Long Zheng,Binbin Li,and Bao-Liang Lu,Combining Eye Movements and EEG to Enhance EmotionRecognition,in Proc.of the International Joint Conference on ArtificialIntelligence(IJCAI'15)中，通过从眼动仪统计数据中提取特征，可以单独用作情绪识别或构造多模态。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于眼动数据的脑电实验评估系统及方法，客观量化评价对象参与实验认真程度，为实验以及模型形成反馈，以保证数据质量以及提高模型预测精确度。对对象参与实验的程度进行了量化的评估，构造了情绪识别实验的量化反馈。