焦点检测算法和焦点

可视化小部件

孙望舒2016.7.27发布

本文介绍了用于聚焦的聚焦算法的发展

可视化小部件，它几乎与黑暗迷宫中使用的相同。

利用我们的“我们<你”

直到3月15日！

15%

折扣

登录

参加

�� ��

S H O P L E AR N I N G C O MMU N I T Y F O R U M D O W N L O AD S F AQ

在浏览器专业版中打开你是开发人员吗？试用HTML到PDF API http://www.el-boy.com

1、设计实验收集数据

2、记录脑电图数据和事件时间

3、在设计算法之前做出假设

4.计算拟议的alpha和beta特征

5、在Excel中构建和测试算法

6、在其他节目中使用焦点事件

7、进一步思考

概述：

1、设计实验收集数据

乔丹执行的任务是盯着香蕉看一段时间

然后，试着在另一段时间内失去注意力。

2、记录脑电图数据和事件时间

使用OpenBCI GUI记录脑电图数据，同时记录

屏幕上有QuickTime的音频输入，所以他开始和丢失的时间

焦点由语音注释。据说额叶与认知有关

所以我们只看通道1和2（10-20中的Fp1和Fp2

系统）。

3、在设计算法之前做出假设

Conor认为焦点与α和β波段有关，这两个波段是

脑电图的一些频率成分，我从FFT图开始。

FFT代表快速傅立叶变换。傅立叶变换是一种

将任何周期数据分解为不同“频率”的数学方法

组件”。快速傅立叶变换是

傅立叶变换，因此得到的频率分量是

名为FFT箱的频带。OpenBCI GUI中的FFT图是FFT

振幅图，每个数据点的y值代表该点的振幅

在浏览器专业版中打开你是开发人员吗？试用HTML到PDF API pdfcrowd.com

频率箱，x值代表该频率的中心频率

箱子

在FFT图中，阿尔法频带可以定义为

7.5–12 Hz，β频带定义为12.5–12.5之间的频率分量

30赫兹。根据这个定义，我观察到了这种高α振幅的模式

与未聚焦状态相比，β振幅较低。

聚焦状态下的典型FFT图：

非聚焦状态下的典型FFT图：

在浏览器专业版中打开你是开发人员吗？试用HTML到PDF API pdfcrowd.com









http://www.el-boy.com

浮点FFT\u freq\u Hz，FFT\u value\u uV；

int alpha\u计数=0，beta\u计数=0；

对于（int-Ichan=0；Ichan<2；Ichan++）{//只考虑fir

st双通道

对于（int-Ibin=0；Ibin

{

FFT\u freq\u Hz=fftBuff[Ichan].indexToFreq（Ibin）；

4.计算拟议的alpha和beta特征

为了计算α和β水平，计算了FFT幅度值

需要时，可以在EEG_Processing.pde内检索到

（如果您使用的是OpenBCI GUI v2.0，则为DataProcessing_User.pde）。

然后我开始计算平均α和β振幅作为

α和β波段功率的表示。它们被定义为平均值

α或β波段的FFT bin振幅：

alpha_avg={average（FFT_value_uV）|FFT_freq_Hz in[7.5,12.5]}

beta_avg={average（FFT_value_uV）|（FFT_freq_Hz in（12.5，30）}

以下是在EEG_Processing.pde中编辑的关于FFT的处理代码

在浏览器专业版中打开你是开发人员吗？试用HTML到PDF API pdfcrowd.com

FFT_value_uV=fftBuff[Ichan].getBand（Ibin）；

如果（FFT\u freq\u Hz>=7.5和FFT\u freq\u Hz<=12.5）{//FFT b

alpha范围内的惯性导航

alpha_avg+=FFT_value_uV；

alpha_计数++；

}else if（FFT\u freq\u Hz>12.5和FFT\u freq\u Hz<=30）{

beta_avg+=FFT_value_uV；

βu计数++；

}

}

}

alpha\u avg=alpha\u avg/alpha\u count；/每个箱子的平均紫外线

beta_avg=beta_avg/beta_count；/每个箱子的平均紫外线

下面是alpha_avg和beta_avg的打印值。（注意指数=7100是

乔丹开始专注的时间）

在浏览器专业版中打开你是开发人员吗？试用HTML到PDF API pdfcrowd.com

5、在Excel中构建和测试算法

接下来，构建一种算法，将聚焦状态与非聚焦状态分离

州，我将alpha_avg、beta_avg随时间导出到Excel电子表格

并用图表将其可视化（灵感来自马图拉）。

通过实验不同的α和β阈值组合，我

最后提出了一个经验方程，表示以下假设：

“α高，β低”，额外的4uV上限用于

噪音处理：

焦点==（αu平均值>0.7uV）&（βu平均值<0.4uV）&&

（alpha_平均值）<4uV。

在对除Jordan之外的多人进行实验后，测试的阈值

已从（<0.4uV）更改为（<0.7uV），因此不太关键。

后来在春季节目中，它被进一步更改为：

焦点==（α平均值>1.0uV）和&（β平均值<1.0uV）&&

在browser PRO中打开产生了具有最高效数据传输的网络。因此，15Hz双耳拍

可用于成功增强工作记忆性能。

支持信息

S1.OLS回归中使用的指标之间的相关性分析。

矩阵元素是度量之间的成对相关系数。

doi:10.1371/journal.pone.0166630.s001

（每股收益）

致谢

本材料基于Alexander Leonessa在

（在）国家科学基金会任职。

作者贡献

概念化：CB AL NA。

形式分析：CB NA RM RD。

在浏览器专业版中打开你是开发人员吗？试用HTML到PDF API pdfcrowd.com

查看文章PubMed/NCBI谷歌学者

1.

查看文章PubMed/NCBI谷歌学者

2.

查看文章PubMed/NCBI谷歌学者

3.

查看文章PubMed/NCBI谷歌学者

4.

5.

查看文章PubMed/NCBI谷歌学者

6.

调查：CB。

方法：CB RM。

写作-原稿：CB。

写作-审查和编辑：CB NA RM RD AL。

工具书类

Jensen O，Idiart M，Lisman JE。自联想的生理现实形成

具有θ/γ振荡的网络中的内存：快速NMDA通道的作用。

学习与记忆。1996;3（2-3）：243-256。doi:10.1101/lm.3.2-3.243。pmid:10456094

Jensen O，Kaiser J，Lachaux JP。人体伽马频率振荡与

注意力和记忆力。神经科学趋势。2007;30（7）：317-324。内政部：

10.1016/j.tins.2007.05.001 pmid:17499860

Moran RJ、Campo P、Maestu F、Reilly RB、Dolan RJ、Strange BA。峰值频率

θ和α带与人类的工作记忆能力相关。前沿

在人类神经科学中。2010;4： 200.doi:10.3389/fnhum