一种教学用脑波分析耳机的设计与实现

郭猛

摘要：该文叙述了一种教学环境中使用的脑波分析耳机的工作原理和设计方法，其核心是对EEG脑电波信号的采集、滤波，运用时频谱和复杂度分析的方法进行综合分析提取精神状态特征，设计神经网络多层分类器对精神状态进行分类和识别，最后完成精神状态的自动检测和识别，以提高学生上课的注意力。

关键词：EEG；Cortex-A9；α波；8波；ANN-BP

中图分类号：TP391.4 文献标识码：A 文章编号：1009-3044（2018）08-0150-02

近年来大学教育的学时趋于进一步压缩，新的知识量却逐年递增，学生在课堂教学上的学习效率和效果尤其重要。如今的教学课堂上，学生低头玩手机或者疲倦打瞌睡的现象很普遍，这也是影响课堂教学质量的主要因素，如果能通过一种可穿戴的设备，检测到学生低头玩手机或者课堂上疲劳打瞌睡，就主动提醒学生的话，将会减少教师维持课堂纪律的工作，提高学生的注意力和学习效率，通过该设备还可以无线连接后台服务器，对学生课堂听讲过程的情况进行记录、统计和分析，为学生学习或者教师的今后教学提供有力的支持。

1脑波分析耳机系统的组成和工作原理

本系统主要应用在教育教学领域，采用最新数字信号处理、嵌入式软硬件、网络通信等技术，针对课堂教学环节，为培养学生集中注意力、提高学习效率而研发的一种可穿戴式智能硬件设备。

如何检测疲劳状态，目前采用的技术方法有：1）检测人员的生理信号，比如脑电信号EEG，心电信号ECG，眼电信号EOG，呼吸参数等等，根据采集信号的特性来判别是疲劳或者兴奋状态。2）检测人员的物理反应，比如眨眼频率、点头频率等等。3）检测人员的控制行为，比如开车时方向偏离、看书时候的书本不翻页等等。本文采用的方法，就是将EEG信号的采集装置和硬件电路做到了耳机里面，方便穿戴使用，內部高速CPU同时对采集后的信号进行快速处理和判断。

在探测手机以防学生课堂上玩手机方面，目前有一些手段：1）通过金属探测器来检测是否携带手机或含有金属部件的通信设备。2）手机信号探测仪，利用开机后的手机会不断地向基站发射无线信号，探测器也会接收到这些信号从而探测出手机。3）谐波雷达探测器。其原理类似军事雷达，技术实现复杂，成本高，对于普通的课堂教学并不合适。综合考虑到成本、实现技术的复杂度以及各自的优缺点，本文采用金属探测电路来进行手机探测。

探测可知，系统主要由2部分构成：脑电信号的采集和分析部分以及手栅金属探测部分。脑电信号的采集和分析部分，做成耳机的方式，方便人员的佩戴，并且为了简化结构和降低复杂性，通过单极脑电极的方式来采集EEG信号，如图1所示，其中夹在耳朵上的作为基准电极，另2个电极紧贴于前额Fp1和Fp2处。采集到的脑电信号非常微弱，并且极易受到眼动信号和工频干扰，通常需要EEG放大电路进行信号放大调理。实际的EEG放大电路，对其放大增益、输入阻抗、共模抑制比、信号噪声比有很高的要求，往往采用CBIA（电流平衡仪表放大电路）电路。放大后的EEG信号经过线性光耦隔离电路之后输入到ADC数模转换器，由Cortex-A9处理器读取转换后的EEG数据，完成采样。

利用Cortex-A9嵌入式多核处理器强大的计算能力，随后对数字化后的EEG信号进行预处理，去除眼动信号EOG、工频信号等外界干扰。并将EEG数据分成合适长度的数据段，利用有效的特征提取方法提取每个数据段的特征，通过特征选择的方法进一步提高特征提取的有效性，组成新的特征向量，然后构建有效的分类器进行分类，将分类之后的结果保存到存储器并且通过ZigBee通信模块和网关汇集数据之后进一步上传到Web服务器。

手机探测电路分为发射电路和接收电路两部分。探测发射电路，采用LC电容三点式振荡电路，产生频率30Khz的脉冲信号，经过功率放大后输入到发射线圈中，通电的线圈周围便会产生磁场。

探测接收电路，涡流传感器接收感应到的磁场变化，将磁场强度转变为电压信号输出。在无金属的情况下，涡流传感器的输出电压经过后面的检波、放大、ADC之后会得到一个基准值并保存到单片机中；当有金属物体检测的时候，涡流传感器的输出电压就会发生变化，再经过后面的检波、放大、ADC之后得到另一个数值，与无金属时候的基准值做比较判断，就会得出有金属物体被检测到的结论，同时单片机通过驱动振动马达或者点亮指示灯的方式警告学生不要再使用手机，另外也通过蓝牙模块将本次事件的发生时间、持续时间等基本信息发送给Cortex-A9处理器，Cortex-A9处理器除了记录该事件到存储器之外，也通过ZigBee模块和网关将事件上传到Web服务器。

2精神状态的检测与识别

本课题的主要研究内容在于识别学生课堂的精神状况。具体研究内容和研究方法包括EEG脑电波信号和EOG眼动信号的采集、滤波，去除眼动信号，用时频谱方法进行分析提取精神状态特征，设计ANN-BP多层分类器对精神状态进行分类和识别，最后完成疲劳的自动检测和识别。

EEG提取不同波段不同EEG的典型特征（比如熟睡时候出现频率为0.5～4Hz的8波，放松状态下出现频率为8～12Hz的α波等）并进行分类，以此来识别人员的精神状况。同时采集人员的垂直和水平眼电EOG信号。采用伪迹减法去除原始EEG信号中包含的眼动信号、工频等噪声，也就是针对不同的导联，将EOG信号乘以一个相对应的加权系数进行幅值调整，再从EEG信号中减去调整幅度后的EOG部分，最终得到预处理之后的EEG信号。

这里采用未分段的方式，对预处理之后的EEG数据使用p=6的6阶AR模型，Burg估计算法对每个通道输入的EEG数据进行AR参数估计，得到长度为12的系数序列，构成一个特征向量（C1Fp1，C1Fp2，C2Fp1，C2Fp2…，C6Fpl，C6Fp2）作为一个样本，作为BP神经网络的输入。

BP神经网络是目前应用最为广泛的神经网络之一，是一种多层网络的逆推学习算法，由输入层、输出层和中间层组成，如图2所示。对分段后的EEG数据，神经网络输入层神经元数目为12，输出层神经元数目为log₂m，其中m为4，代表分类的数目。本文分类数目m为4（表明精神集中、正常、放松、疲劳），采用3层BP神经网络，中间层神经元数目由经验在7-16较为合适。为了确定中间层神经元数目，开始时先放人较少数目的神经元，学习一定次数如果不成功再增加中间层神经元的数目，直到达到合理为止。中间层的神经元传递函数采用tan-sig双曲正切s型函数，输出层神经元传递函数采用log-sig正切S型函数。

在确定了BP网络的结构后，利用输入，输出样本集进行学习训练，也就是对网络的权值和偏差进行学习和调整，使网络实现给定的输入/输出映射关系，完成对系统的辨识。原始的BP学习算法是梯度下降法。参数沿着与误差梯度相反的方向移动，使误差函数减小，直到取得极小值，它的计算的复杂度主要是由计算偏导数引起的，这种基于梯度下降方法的线性收敛速度很慢。而LM算法是一种利用标准的数值优化技术的快速算法，它是梯度下降法与高斯一牛顿法的结合，既有高斯一牛顿法的局部收敛性，又具有梯度法的全局特性。由于LM算法利用了近似的二阶导数信息，所以LM算法比梯度法快得多。

3总结

本设计实际应用到教学环境中，对课堂教学中的每个学生，每人一套该设备，脑波耳机佩戴到头部，手机探测电路内嵌到学生的课桌里，均通过可充电电池来供电。每个设备都通过ZigBee和网关连接Web服务器，将经过识别后的人员状态可以定时发送给WEB服务器，并有数据库做数据记录以及简单的统计分析。教师或者学生都可以通过智能手机APP访问该Web服务器，查看个人或者全班教学过程以及统计分析的结果。实践证明，通过此种方式，教师容易做到对课堂教学过程和教学质量全程监控，心中有数，并对进一步的教法改革做出相应的调整规划。