[发明专利]基于脑的记忆刻度和诱导捕捉的自动知识记忆牵引方法

权利要求书

1.基于脑的记忆刻度和诱导捕捉的自动知识记忆牵引方法，基于采集的脑电波，提取脑的专注记忆的定量刻度，并牵引诱导以及捕捉大脑的最佳学习状态，实现知识的自动化记忆，其特征在于：利用脑电波作为原始信号进行处理，离散化采集到计算机或服务器中，施加小波、模式识别、功率谱数学计算分析，将脑电波分解成不同尺度下，涵盖了低频、中频、高频、超高频的分量，提取其中和专注记忆相关的特征成分，经过归一化处理，表达为0-100的无量纲数据，实时反映大脑专注记忆的定量刻度，利用专注记忆刻度的大小控制计算机输出的游戏变化或玩具动作作为刺激信号，游戏呈现方式包括声频和视频，刺激信号实时反馈到大脑的感觉器官中，诱导牵引大脑快速进入学习状态，并在捕捉到特定程度的专注记忆状态时，计算机以声音和视频呈现知识内容，计算机输出的两种状态的交替，形成一种闭环模式，不在学习状态时，进行放松的牵引和诱导，在专注记忆状态时，进行知识的学习和记忆，实现知识的自动化记忆；利用脑电传感电极，佩戴于头部的前额部和耳部，无创采集脑部多个部位的导联电位信号，信号带宽包含脑电波中超过30Hz的超高频成分，各导联的脑电波信号经由前置放大、模数转换，进入单片机，经由有线方式直接传送至计算机系统，或经由无线通讯控制单元的TCP/IP协议包装并发送到互联网数据服务器，计算机或服务器中的计算控制软件系统对接收到的脑电波信号实时处理计算、显示、存储、转发，其中计算部分以小波分析计算为主，结合模式识别算法、功率谱算法，分解脑电波中的波形维度，提取波形极值点、波形的斜率、脑电频率谱、眼动电和肌电频率谱，实时提取出大脑的记忆前准备状态的特征指标，经过归一化处理，获得0-100的无量纲数据，作为实时客观定量反映大脑的专注记忆能力的刻度，软件系统再将刻度以游戏变化或玩具动作表达出来，实时回馈到大脑的听、视的感觉通道中，游戏和玩具的表达受专注记忆刻度的控制；设定记忆刻度的阈值，软件系统一旦捕捉到超过阈值的记忆前准备状态，立即播放需要记忆的知识内容，一旦低于阈值水平，继续输出游戏或玩具动作的内容，过程自动循环往复，播放的知识内容以标准格式编辑，并按照重复次数的设定自动更换；在小波处理计算中，分解眼动电波和肌电波两种生物电信号序列，作为信号强度和干扰信号的标记特征使用；

采用小波公式：

分别是小波变换的缩放因子、平移参数；

是小波变换的角频率；

是小波变换的母函数；

是原始脑电波离散序列的小波变换结果序列；

是反变换后的时域信号序列；

对脑电向量组

b_i1（t）= [ y'₁ y'₂ y'₃ … y'_m’-2 y'_m’-1 y'_m’ ]

i1：脑电波导联数量；

m’：脑电波数据数量；

y'：脑电波数据序列；

t：时间点；

实时计算处理，以多尺度滤波器组算法，分解出各尺度窗口下的小波基函数

(Wb(2^i,w_i（r）)) i∈z

(Wb(2^0, w₀（r）))，(Wb(2^1, w₁（r）))…(Wb(2^N, w_N（r）))

w_i（r）：代表了小波变换后的一组结果数据序列；

r：代表数据序列中的序列号；

z：时域空间；

i：尺度；

由小波基函数和各尺度数据的反变换，获得一组时域重构函数如下：

ｆ_i(t)=∑Wb(2^i,w_i)*Ψ_2^i(u)

i：尺度

Wb：小波基函数；

w_i：各尺度小波变换后的结果数据；

Ψ_2^0(u), Ψ_2^1(u)... Ψ_2^N (u)：母函数尺度小波数据点；

N：阶数；

u：尺度小波数据点的数据序列号；

t：时间点；

各个小波重构函数代表了不同尺度下的脑电波，眼动电波和肌电波的表现；尺度也对应信号的频率成分，分布于脑电图的常规节律和高频节律；对于分解的小波重构函数的各个序列数据，采用模式识别算法中的波形识别算法提取出数据的特征点：

T_i（h）∈ z ；

T：特征值向量；

i：尺度；

h：特征值数据序列号；

z：时域空间；

向量T_i（h）中的特征数据包含特异点、幅度、变异、斜率、面积、自相关、互相关计算结果，计算来自于基本算法：

计算数据序列：

y（j'，i）= （f_i（j'）-f_i（j'-1））/ Δt'

f_i（j'）是f_i（t）的离散时间数据序列；

j'：时间离散数据下标；

i：尺度；

Δt'：是离散点j'-1与j'之间的时间间隔；

获取序列 y（j'，i）中最大数值，其中的正负反相点，就是特异点，特异点的数量由Δt'值的大小决定；

对f_i（j'）序列数据施加迭代微分算法：

Δt₁'：是离散点j₂+k-1与j₂+k之间的时间间隔；

k：Δt₁'的增量，从1至N'；N'为一个常数；

j₂：时间点的数值序号；

i：尺度；

对于矩阵d（j₂，k）中的各个向量，将向量中的数据点排序以及相加，选取每个向量中的数据点的最大值和相加和，作为斜率和幅度；

针对重构函数，将处理得到的结果向量 y（j'，i）、d（j₂，k）生成模式类ω1,ω2,…, ωc，然后利用模式之间的距离函数计算各个小波重构函数的距离；得到小波重构函数的变异、自相关、互相关数值；

计算小波重构函数f_i（t）的积分：

S_i= ∫f_i（t）*dt

t：时间；

i：尺度；

求得各个函数的面积数值；

T_i（h）向量表达了小波重构函数的波形特点和规律；对于采集的脑电波中的眼动电信号和额肌电信号，分布于特定尺度的小波重构函数中，针对这些小波重构函数f'_i（t），首先，求取其中的一阶导数：

D_i（j₂'）=（f'_i（j₂'）-f'_i（j₂'+Δt₂））/Δt₂

f'_i（j₂'）是f'_i（t）的离散时间数据序列；

i：尺度；

j₂'：时间离散数据下标；

Δt₂：是离散点j₂'-1和j₂'的时间间隔；

对D_i（j₂'）排序，得到极大值和极小值，设定阈值Q，求取 D_i（j₂'）的正负极性变异点，得到一组极值点向量：

M_i（t1）：高点；

m_i（t2）：低点；

i：尺度；

t1,t2：极值的时间点；

对相关于眼动和肌电的小波重构函数采用积分算法：

SS =∫f'_i（t）^2 * dt

得到肌电和眼动的功率值大小；针对结果数据，经过归一组合算法：

Sq=exp(a’*abs（M_i-m_i）+b’*SS)；

a’，b’为加权系数,是常数，由信号表达范围决定；

Sq指示干扰的信号强度的定量表达，作为显示结果之一；

针对不同尺度下的小波重构函数，提取各尺度波形功率的复杂度特征值：

f_i（t）：小波重构函数；

i：尺度

j₄：复杂度数据的序列号；

t：时间点；

t3,t5：时间窗口起始点；

t4,t6：时间窗口结束点；

复杂度之和：

i：尺度；

j₄：复杂度数据的序列号；

重构函数中消除了眼动和肌电的小波重构函数，采用功率谱算法：

t：时间点；

：功率谱的角频率；

i：尺度；

获得重构脑电波中功率谱的各个成分：

F_i={α，β，δ，θ，sef，mef}；

i：尺度；

α、β、δ、θ：各波段功率百分比；

sef：功率谱计算的边缘频率；

mef：功率谱计算的中心频率；

结合波形识别所得到的特征向量，组合成为一组涵盖了时域和频域的特征数据：

G_i（j₃）={T_i，F_i}；

i：尺度；

j₃：特征数据序列号；

数据向量G_i（j₃）组，作为脑电波小波重构函数的一次处理结果，被命名为脑电波一级处理的元数据组，被作为二次计算的基础数据；

对于数据序列，经过数据加权，得到以下计算公式：

E={c，d }*{A_i，G_i}；

c，d为加权系数，是常数；

A_i：复杂度之和；

G_i：特征数据；

对E数据施加归一化计算：

记忆刻度=（exp(E)）×100

得到脑电波中的记忆前准备状态的实时客观定量特征指标。