王 湃，吳 凡，汪 梅，秦學(xué)斌

西安科技大學(xué) 電器與控制工程學(xué)院，西安 710054

注意力是心理活動(dòng)對(duì)一定對(duì)象的指向和集中，是伴隨著感知覺(jué)、記憶、思維、想象等心理過(guò)程的一種共同的心理特征[1]。駕駛過(guò)程中的注意力問(wèn)題一直是駕駛員和飛行員面臨的首要問(wèn)題，一旦他們的注意力分散，就會(huì)造成嚴(yán)重交通事故[2]。通過(guò)對(duì)駕駛員的不同注意力狀態(tài)進(jìn)行監(jiān)測(cè)并預(yù)警能夠有效地降低事故的發(fā)生率[3-4]。為此，基于腦電信號(hào)的注意力分級(jí)研究成為該領(lǐng)域內(nèi)的研究熱點(diǎn)問(wèn)題。

劉素杰[5]通過(guò)構(gòu)建腦網(wǎng)絡(luò)，并結(jié)合樣本熵等腦電的非線性特征對(duì)注意力分級(jí)進(jìn)行研究，該方法可以對(duì)兩級(jí)注意力水平和多級(jí)注意力水平進(jìn)行區(qū)分，其準(zhǔn)確率分別為84.54%和73.43%。龔琪[6]通過(guò)提取游戲者的頻域各節(jié)律特征，定性分析專注游戲狀態(tài)下的腦電頻域特征，并通過(guò)計(jì)算腦電信號(hào)中的節(jié)律波頻段與原始腦電信號(hào)的相關(guān)系數(shù)，實(shí)驗(yàn)得出在游戲者的腦電信號(hào)中，α波的相關(guān)系數(shù)有所提升。吳歡等[7]設(shè)計(jì)相關(guān)實(shí)驗(yàn)獲得腦電數(shù)據(jù)，分別對(duì)β波/θ波能量占比特征和樣本熵特征對(duì)注意力的分級(jí)進(jìn)行對(duì)比，最終得出樣本熵對(duì)于多級(jí)注意力的區(qū)分度更好。但是這兩種方法采用的都是腦電中的特定波段作為信號(hào)特征，勢(shì)必會(huì)造成特征損失，這種方法對(duì)于注意力與非注意的區(qū)分效果較好，但是對(duì)于注意力多級(jí)分類效果不一定好。陳群等[8]采用深度森林的算法對(duì)注意和非注意兩種狀態(tài)下的腦電信號(hào)進(jìn)行分析，得到較高的識(shí)別準(zhǔn)確率。上述的方法未提取出時(shí)序特征，不能體現(xiàn)出時(shí)序腦電信號(hào)的關(guān)聯(lián)性，腦電信號(hào)的時(shí)序特征對(duì)于注意力分類能起到很大作用。以上的研究大大推進(jìn)了基于EEG信號(hào)的注意力的研究，但是仍然存在一些亟待解決的難點(diǎn)問(wèn)題：（1）腦電信號(hào)采集范式?jīng)]有統(tǒng)一的客觀評(píng)價(jià)標(biāo)準(zhǔn)，不同注意類型的腦電數(shù)據(jù)采集和標(biāo)注困難；（2）采用節(jié)律數(shù)據(jù)，不能保證原始腦電信號(hào)的完整性，腦電信號(hào)時(shí)序特征被忽視；（3）現(xiàn)有的注意力研究大多區(qū)分的是注意和非注意兩種狀態(tài)，一部分研究提到的注意力多級(jí)分類大多只是區(qū)分兩種注意力狀態(tài)和靜息態(tài)共三類狀態(tài)，極其缺少高注意力、中注意力和低注意力這樣的注意力多級(jí)分類研究。

針對(duì)上述問(wèn)題，本文提出一種基于舒爾特方格與LSTM的注意力分級(jí)模型：設(shè)計(jì)舒爾特范式實(shí)現(xiàn)對(duì)不同注意類型腦電數(shù)據(jù)的采集以及自動(dòng)標(biāo)注；采用原始腦電信號(hào)，保存腦電數(shù)據(jù)的完整性；搭建LSTM深度學(xué)習(xí)網(wǎng)絡(luò)提取注意力特征并將注意力分為高注意力、中等注意力以及低注意力。

1 基于舒爾特方格與LSTM的注意力分級(jí)模型結(jié)構(gòu)設(shè)計(jì)

如圖1所示，基于舒爾特方格與LSTM的注意力分級(jí)模型主要包括腦電多級(jí)注意力數(shù)據(jù)庫(kù)構(gòu)建、腦電數(shù)據(jù)預(yù)處理、腦電信號(hào)特征提取與分類等三部分，分別由舒爾特方格范式、小波包分解和LSTM注意力分級(jí)網(wǎng)絡(luò)實(shí)現(xiàn)。

圖1 基于舒爾特方格與LSTM的注意力分級(jí)模型Fig.1 Flow chart of attention classification model based on Schulte grid and LSTM

2 舒爾特方格范式設(shè)計(jì)

2.1 傳統(tǒng)范式介紹

現(xiàn)有的注意力范式如下：Ke等[9]采用了一種運(yùn)動(dòng)員做球類運(yùn)動(dòng)視頻作為注意任務(wù)刺激，被試坐在屏幕前，屏幕上播放運(yùn)動(dòng)視頻，要求被試集中精力注意視頻中運(yùn)動(dòng)員的肢體動(dòng)作，并想象是自己在做運(yùn)動(dòng)，與之相對(duì)的非注意任務(wù)中，屏幕中仍然播放相同的視頻，被試仍然注視屏幕，但無(wú)需作運(yùn)動(dòng)想象而是思考一些與任務(wù)無(wú)關(guān)的事情。Ming等[10]采用了一種吃魚游戲作為注意任務(wù)刺激，被試坐在屏幕前，屏幕上播放游戲視頻，要求被試集中精力注意屏幕，并假想游戲是由自己控制，控制一條小魚不停地游動(dòng)并吞食其他生物，與之相對(duì)的非注意任務(wù)中，屏幕中仍然顯示與注意任務(wù)一樣的游戲視頻，被試仍被要求注意屏幕，但不需要做出任何反應(yīng)，不得思考游戲相關(guān)內(nèi)容。燕楠等[11]則采用了讀論文和心算作為注意任務(wù)刺激，與之對(duì)應(yīng)的非注意任務(wù)則要求被試放松，并且不可以注意某一特定的事物。上述研究中的范式能夠得到不同注意力水平的腦電數(shù)據(jù)，但是仍然存在一個(gè)技術(shù)難題：沒(méi)有可以量化的指標(biāo)，數(shù)據(jù)評(píng)價(jià)不夠客觀。

2.2 基于視覺(jué)搜索和反應(yīng)時(shí)技術(shù)的舒爾特方格范式設(shè)計(jì)

視覺(jué)搜索是認(rèn)知心理學(xué)家長(zhǎng)期以來(lái)用于研究在復(fù)雜視場(chǎng)中注意分配的經(jīng)典范式，為檢驗(yàn)各種注意理論提供了一個(gè)平臺(tái)，典型的視覺(jué)搜索任務(wù)要求被試記住搜索目標(biāo)，并對(duì)視場(chǎng)中是否存在目標(biāo)作出反應(yīng)[12]。本注意力采集范式正是基于視覺(jué)搜索范式，按照數(shù)字大小搜索目標(biāo)并作出點(diǎn)擊反應(yīng)。

反應(yīng)時(shí)技術(shù)范式是現(xiàn)代認(rèn)知心理學(xué)實(shí)驗(yàn)研究中最廣泛使用的手段之一[13]。反應(yīng)時(shí)間（RT）是心理實(shí)驗(yàn)中使用最早、應(yīng)用最廣的反應(yīng)變量之一[14]。20世紀(jì)80年代末到90年代初，內(nèi)隱學(xué)習(xí)研究中出現(xiàn)了新的研究范式-序列學(xué)習(xí)范式，用以研究人們對(duì)序列規(guī)則的無(wú)意識(shí)活動(dòng)[15]。序列反應(yīng)時(shí)任務(wù)正是序列學(xué)習(xí)范式中的經(jīng)典任務(wù)之一，它以反應(yīng)時(shí)間作為反應(yīng)指標(biāo)，以序列規(guī)則下的操作成績(jī)和隨機(jī)序列下的操作成績(jī)之差來(lái)表示內(nèi)隱學(xué)習(xí)的學(xué)習(xí)量[16]。本研究正是使用反應(yīng)時(shí)間作為不同注意力水平的衡量標(biāo)準(zhǔn)，并用準(zhǔn)確性作為實(shí)驗(yàn)條件，使注意力數(shù)據(jù)更客觀。

本研究采用自制舒爾特方格游戲作為注意力數(shù)據(jù)采集范式。舒爾特方格是美國(guó)神經(jīng)心理醫(yī)生舒爾特發(fā)明的，主要是訓(xùn)練飛行員的注意力，它主要訓(xùn)練內(nèi)容包括視覺(jué)、聽(tīng)覺(jué)、動(dòng)覺(jué)注意力訓(xùn)練和注意力的穩(wěn)定性、廣度、轉(zhuǎn)移、分配等注意力要素特征的訓(xùn)練[17]，并可訓(xùn)練孩子的學(xué)習(xí)能力和細(xì)心性格。舒爾特方格已是普遍認(rèn)為可用來(lái)訓(xùn)練注意力的方式，用此作為范式將使離線實(shí)驗(yàn)數(shù)據(jù)更為客觀。

圖2為舒爾特方格實(shí)驗(yàn)范式設(shè)計(jì)，包括練習(xí)階段和實(shí)測(cè)階段。首先進(jìn)行實(shí)驗(yàn)訓(xùn)練并接受實(shí)驗(yàn)指導(dǎo)，然后進(jìn)入實(shí)測(cè)階段，依次按下1、2直到25，如果其中有錯(cuò)誤的地方，點(diǎn)錯(cuò)的格子會(huì)閃紅提示報(bào)錯(cuò)，提示被試。實(shí)驗(yàn)完成后實(shí)驗(yàn)員對(duì)數(shù)據(jù)進(jìn)行保存。并記錄完成的時(shí)間以及準(zhǔn)確率。

圖2 舒爾特方格范式Fig.2 Schulte grid paradigm

2.3 腦電數(shù)據(jù)采集平臺(tái)

本研究采用的腦電信號(hào)采集設(shè)備是Emotiv System公司開(kāi)發(fā)的Emotiv傳感器，Emotiv傳感器以P3/P4為參考電極[18]，上面安裝著14個(gè)電極，可以采集到14個(gè)通道的腦電信號(hào)，并進(jìn)行放大與濾波，然后通過(guò)無(wú)線USB技術(shù)傳回計(jì)算機(jī)。Emotiv傳感器的電極安放位置采用國(guó)際10-20導(dǎo)聯(lián)制。

Emotiv的傳感器頭采用濕電極，鹽水作為輔助材料，增強(qiáng)信號(hào)質(zhì)量。腦電耳機(jī)通過(guò)無(wú)線USB以及EmotivPro軟件從遠(yuǎn)程服務(wù)器獲得各種數(shù)據(jù)。圖3為腦電數(shù)據(jù)采集平臺(tái)，安卓端為舒爾特方格范式應(yīng)用程序，數(shù)據(jù)采集為頭部的Emotiv Epoc+腦電耳機(jī)，筆記本負(fù)責(zé)記錄并保存數(shù)據(jù)。

圖3 腦電數(shù)據(jù)采集實(shí)驗(yàn)平臺(tái)Fig.3 EEG data acquisition experimental platform

3 腦電數(shù)據(jù)預(yù)處理

腦波信號(hào)的主要頻率在0～30 Hz，處理過(guò)程中應(yīng)該將高頻的擾動(dòng)信號(hào)去除[6]，所以需要先對(duì)腦電注意力信號(hào)進(jìn)行濾波處理[19]，一方面保證數(shù)據(jù)的有效頻率，另一方面去除高頻噪聲，提升數(shù)據(jù)準(zhǔn)確性。

本研究采用小波包分解對(duì)腦電數(shù)據(jù)進(jìn)行預(yù)處理。小波包分解是小波變換的推廣，小波包借助于小波分解濾波器在各個(gè)尺度上，對(duì)每個(gè)子帶均進(jìn)行再次降半劃分，從而得到比二進(jìn)離散小波變換更精細(xì)的信號(hào)分解[20]。小波包是采用非周期信號(hào)，通過(guò)縮放平移變換的基函數(shù)的系數(shù)，構(gòu)成時(shí)頻尺度圖，以便分析突變信號(hào)的位置和頻率可以選擇性去除一部分系數(shù)，再反變換回時(shí)域信號(hào)，達(dá)到濾波的目的[21]。

采用db30小波濾波器對(duì)信號(hào)進(jìn)行6層分解，使用shannon熵得到小波包樹(shù)[22]，最終重構(gòu)得到0～30 Hz的有效數(shù)據(jù)，達(dá)到濾波去噪的目的。圖4和圖5為濾波前后的腦電數(shù)據(jù)對(duì)比，從圖中可以看出，很明顯濾掉了大量的噪聲，提升特征提取準(zhǔn)確率。

圖4 濾波前腦電數(shù)據(jù)波形Fig.4 EEG data waveform before filtering

圖5 濾波后腦電數(shù)據(jù)波形Fig.5 EEG data waveform after filtering

4 基于LSTM的注意力分級(jí)模型

4.1 LSTM網(wǎng)絡(luò)原理

本研究通過(guò)設(shè)計(jì)LSTM網(wǎng)絡(luò)對(duì)注意力分級(jí)。LSTM是通過(guò)引入由輸入門、遺忘門和輸出門構(gòu)成的門控單元系統(tǒng)而產(chǎn)生的一種RNN變體。

LSTM神經(jīng)網(wǎng)絡(luò)記憶單元的基本結(jié)構(gòu)如圖6所示，LSTM用內(nèi)部記憶單元即細(xì)胞的狀態(tài)保存歷史信息，并利用不同的“門”動(dòng)態(tài)地讓網(wǎng)絡(luò)學(xué)習(xí)適時(shí)以往歷史信息，依據(jù)新信息更新細(xì)胞狀態(tài)，以解決RNN中梯度消失與梯度爆炸的問(wèn)題[23]。

圖6 LSTM神經(jīng)網(wǎng)絡(luò)記憶單元Fig.6 LSTM neural network memory unit

遺忘門用來(lái)計(jì)算哪些信息需要忘記，通過(guò)sigmoid處理后為0到1的值，1表示全部保留，0表示全部忘記，于是有：

式中，括號(hào)表示兩個(gè)向量相連合并，w f是遺忘門的權(quán)重矩陣，σ為sigmoid函數(shù)，b f為遺忘門的偏置項(xiàng)[24]。設(shè)輸入層維度為dx，隱藏層維度為dh，上面的狀態(tài)維度為dc，則w f的維度為dc×(dh+dx)。

輸入門用來(lái)計(jì)算哪些信息保存到狀態(tài)單元中，分兩部分，第一部分為：

該部分可以看成當(dāng)前輸入有多少是需要保存到單元狀態(tài)的。第二部分為：

該部分可以看成當(dāng)前輸入產(chǎn)生的新信息來(lái)添加到單元狀態(tài)中。結(jié)合這兩部分來(lái)創(chuàng)建一個(gè)新記憶。

而當(dāng)前時(shí)刻的單元狀態(tài)由遺忘門輸入和上一時(shí)刻狀態(tài)的積加上輸入門兩部分的積，即：

輸出門通過(guò)sigmoid函數(shù)計(jì)算輸出信息，再乘以當(dāng)前單元狀態(tài)通過(guò)tanh函數(shù)的值，得到輸出[25]。

4.2 基于LSTM網(wǎng)絡(luò)的注意力分級(jí)模型

采用LSTM提取序列的前后依賴關(guān)系從而提高識(shí)別準(zhǔn)確率。如圖7所示，本文LSTM網(wǎng)絡(luò)總共分為五層，主要包括序列輸入層、LSTM層、全連接層、SoftMax層以及分類輸出層。

圖7 LSTM深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.7 Structure chart of LSTM deep neural network

5 實(shí)驗(yàn)與結(jié)果分析

5.1 實(shí)驗(yàn)設(shè)計(jì)方案

本研究采用的實(shí)驗(yàn)設(shè)計(jì)方案如下：（1）高注意力任務(wù)：受試者坐在屏幕前，戴上腦電采集裝置，并確保信號(hào)質(zhì)量較好，視覺(jué)與屏幕保持平齊，雙手或單手操作舒爾特方格，開(kāi)始游戲后要求受試者集中精力，在30 s內(nèi)按照順序查找并點(diǎn)擊數(shù)字；（2）中等注意力任務(wù)：受試者坐在屏幕前，開(kāi)始游戲后要求受試者集中精力，在40～50 s內(nèi)按照順序查找并點(diǎn)擊數(shù)字；（3）低注意力任務(wù)：受試者坐在屏幕前，開(kāi)始游戲后要求受試者集中精力，在1 min以上按照順序查找并點(diǎn)擊數(shù)字。在整個(gè)實(shí)驗(yàn)過(guò)程中，保持實(shí)驗(yàn)環(huán)境安靜，讓受試者坐在一個(gè)舒適的靠背椅上，全身肌肉處于一種放松狀態(tài)，不產(chǎn)生任何的肌肉緊張與運(yùn)動(dòng)，保證受試者不受外界干擾。

10位健康受試者，年齡在20～25歲之間，均在頭腦清醒的情況下接受測(cè)試，受試者都是有具備該范式采集的經(jīng)驗(yàn)，腦電電極按照國(guó)際標(biāo)準(zhǔn)10～20系統(tǒng)放置，實(shí)驗(yàn)共采用14個(gè)導(dǎo)聯(lián)。所有數(shù)據(jù)采集完成后，首先去除采集數(shù)據(jù)過(guò)程中有錯(cuò)誤次數(shù)的數(shù)據(jù)，然后對(duì)數(shù)據(jù)進(jìn)行以下條件篩選：高注意力任務(wù)條件下需要完成時(shí)間在30 s以內(nèi)的數(shù)據(jù)并且準(zhǔn)確率在100%才能作為有效數(shù)據(jù)；中等注意力任務(wù)下需要完成時(shí)間在40～50 s以內(nèi)的數(shù)據(jù)并且準(zhǔn)確率在95%以上才作為有效數(shù)據(jù)；低注意力任務(wù)下需要完成時(shí)間在1 min以上并且準(zhǔn)確率在90%以上才能作為有效數(shù)據(jù)。以上三種注意力標(biāo)簽的時(shí)間范圍均為大量實(shí)驗(yàn)獲得，可以更好地區(qū)分三種注意力水平。

總共得到接近35 min的實(shí)驗(yàn)數(shù)據(jù)，考慮到實(shí)驗(yàn)對(duì)比，分別得到1 s樣本數(shù)據(jù)2 100個(gè)，三種標(biāo)簽樣本個(gè)數(shù)各占700個(gè)，其中每一個(gè)樣本為128×14的矩陣數(shù)據(jù)；2 s樣本數(shù)據(jù)1 050個(gè)，三種標(biāo)簽樣本個(gè)數(shù)各占350個(gè)，其中每一個(gè)樣本為256×14的矩陣數(shù)據(jù)；3 s樣本數(shù)據(jù)690個(gè)，三種標(biāo)簽樣本個(gè)數(shù)分別占230個(gè)，其中每一個(gè)樣本為384×14的矩陣數(shù)據(jù)。

5.2 注意力數(shù)據(jù)庫(kù)的分級(jí)準(zhǔn)確性分析

對(duì)于專注程度的定義方式多為節(jié)律信號(hào)的組合比值，其中應(yīng)用比較廣泛的定義方式有兩種：

其中Eα、Eθ、Eβ均為單位時(shí)間內(nèi)的頻段能量值。E通過(guò)計(jì)算的α、β和θ波段的小波相對(duì)能量得到。其中F1越高表示注意力水平越低，F(xiàn)2越高表示注意力水平越高。

分別采用1 s、2 s和3 s作為單位時(shí)間，使用F1[26]和F2[27]作為專注度模型，進(jìn)行不同注意力水平的節(jié)律能量對(duì)比結(jié)果如下：

（1）1 s作為單位時(shí)間，F(xiàn)1作為專注度模型，實(shí)驗(yàn)結(jié)果如圖8。

圖8 1 s+F1的不同注意力節(jié)律能量比值Fig.8 1 s+F1 Rhythm energy ratio of different attention

如圖8所示，整體趨勢(shì)上低注意力數(shù)值大于中注意力大于高注意力，其代表注意力水平越高，對(duì)應(yīng)的F1值越小，與F1對(duì)于注意力的表達(dá)一致。

在t（單位：s）等于1、2、8、9時(shí)很難區(qū)分中注意力和低注意力，主要是由于F1專注度模型只是包含β和θ波段的小波能量，不能夠完全表征原始腦電注意力狀態(tài)，所以判斷出現(xiàn)問(wèn)題。

（2）1 s作為單位時(shí)間，F(xiàn)2作為專注度模型，實(shí)驗(yàn)結(jié)果如圖9。

圖9 1 s+F2的不同注意力節(jié)律能量比值Fig.9 1 s+F2 Rhythm energy ratio of different attention

如圖9所示，整體趨勢(shì)上低注意力數(shù)值小于中注意力小于高注意力，其代表注意力水平越高，對(duì)應(yīng)的F2值越大，與F2對(duì)于注意力的表達(dá)一致。

在t等于1、2、3時(shí)很難區(qū)分高注意力、中注意力和低注意力，主要是由于F2專注度模型只是包含α、β和θ波段的小波能量，不能夠完全表征原始腦電注意力狀態(tài)，所以判斷出現(xiàn)問(wèn)題。

（3）2 s作為單位時(shí)間，F(xiàn)1作為專注度模型，實(shí)驗(yàn)結(jié)果如圖10。

圖10 2 s+F1的不同注意力節(jié)律能量比值Fig.10 2 s+F1 Rhythm energy ratio of different attention

如圖10所示，整體趨勢(shì)上低注意力數(shù)值大于中注意力大于高注意力，其代表注意力水平越高，對(duì)應(yīng)的F1值越小，與F1對(duì)于注意力的表達(dá)一致。

在t等于8、12、20時(shí)很難區(qū)分中注意力和低注意力，主要是由于F1專注度模型只是包含β和θ波段的小波能量，不能夠完全表征原始腦電注意力狀態(tài)，所以判斷出現(xiàn)問(wèn)題。

（4）2 s作為單位時(shí)間，F(xiàn)2作為專注度模型，實(shí)驗(yàn)結(jié)果如圖11。

圖11 2 s+F2的不同注意力節(jié)律能量比值Fig.11 2 s+F2 Rhythm energy ratio of different attention

如圖11所得，整體趨勢(shì)上低注意力數(shù)值小于中注意力小于高注意力，其代表注意力水平越高，對(duì)應(yīng)的F2值越大，與F2對(duì)于注意力的表達(dá)一致。

在t等于4、16時(shí)很難區(qū)分高注意力、中注意力和低注意力，主要是由于由于F2專注度模型只是包含α、β和θ波段的小波能量，不能夠完全表征原始腦電注意力狀態(tài)，所以判斷出現(xiàn)問(wèn)題。

（5）3 s作為單位時(shí)間，F(xiàn)1作為專注度模型，實(shí)驗(yàn)結(jié)果如圖12。

圖12 3 s+F1的不同注意力節(jié)律能量比值Fig.12 3 s+F1 Rhythm energy ratio of different attention

如圖12所示，整體趨勢(shì)上低注意力數(shù)值大于中注意力大于高注意力，其代表注意力水平越高，對(duì)應(yīng)的F1值越小，與F1對(duì)于注意力的表達(dá)一致。

在t等于9、12、27時(shí)很難區(qū)分中注意力和高注意力，主要是由于F1專注度模型只是包含β和θ波段的小波能量，不能夠完全表征原始腦電注意力狀態(tài)，所以判斷出現(xiàn)問(wèn)題。

（6）3 s作為單位時(shí)間，F(xiàn)2作為專注度模型，實(shí)驗(yàn)結(jié)果如圖13。

圖13 3 s+F2的不同注意力節(jié)律能量比值Fig.13 3 s+F2 Rhythm energy ratio of different attention

如圖13所得，整體趨勢(shì)上低注意力數(shù)值小于中注意力小于高注意力，其代表注意力水平越高，對(duì)應(yīng)的F2值越大，與F2對(duì)于注意力的表達(dá)一致。

在t等于15、27、30時(shí)很難區(qū)分高注意力、中注意力和低注意力，主要是由于F2專注度模型只是包含α、β和θ波段的小波能量，不能夠完全表征原始腦電注意力狀態(tài)，所以判斷出現(xiàn)問(wèn)題。

5.3 注意力分級(jí)準(zhǔn)確率對(duì)比

本文采用十折交叉驗(yàn)證法，1 s樣本的訓(xùn)練數(shù)據(jù)為1 890個(gè)，測(cè)試數(shù)據(jù)為210個(gè)；2 s樣本的訓(xùn)練數(shù)據(jù)為945個(gè)，測(cè)試數(shù)據(jù)為105個(gè)；3樣本的訓(xùn)練數(shù)據(jù)為621個(gè)，測(cè)試數(shù)據(jù)為69個(gè)。然后將其余9份依次作為測(cè)試數(shù)據(jù)共可得到10次準(zhǔn)確率，10次平均即得到最終的識(shí)別準(zhǔn)確率。分別采用DWT、近似熵、共空間模式（CSP）以及基于相干系數(shù)的注意力腦網(wǎng)絡(luò)作為特征并結(jié)合支持向量機(jī)SVM作為分類算法以及CNN對(duì)數(shù)據(jù)進(jìn)行分類處理，并與本注意力分級(jí)模型對(duì)比，并得到1 s、2 s和3 s樣本前提下的識(shí)別準(zhǔn)確率。

實(shí)驗(yàn)結(jié)果如表1所示。由表1可以看出：對(duì)比各種算法，LSTM方法識(shí)別準(zhǔn)確率顯著高于各傳統(tǒng)機(jī)器學(xué)習(xí)算法，以1s樣本為例LSTM識(shí)別準(zhǔn)確率高出各傳統(tǒng)機(jī)器學(xué)習(xí)算法至少13.32%，高出CNN9.05%，主要是由于在大樣本的前提下，深度學(xué)習(xí)算法相對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)算法有極大的優(yōu)勢(shì)，可提取泛化能力，即更本質(zhì)的特征，LSTM除了具有普通深度學(xué)習(xí)網(wǎng)絡(luò)的優(yōu)點(diǎn)外，還具有提取時(shí)間序列信號(hào)的前后依賴關(guān)系特征，而EEG信號(hào)在時(shí)序前后本身就具有極強(qiáng)的關(guān)聯(lián)性，另外，隨著樣本長(zhǎng)度增加，其樣本數(shù)據(jù)量減少，這些也就是在腦電注意力研究方面，LSTM極大優(yōu)于各經(jīng)典特征提取算法的主要原因。在小樣本的前提下，傳統(tǒng)機(jī)器學(xué)習(xí)算法隨樣本量的減少，其準(zhǔn)確率變化相對(duì)不大，而深度學(xué)習(xí)算法隨著樣本量的降低，準(zhǔn)確率有明顯的降低。綜上所述，由于LSTM所具備的大樣本下的優(yōu)勢(shì)以及時(shí)序特征的提取，因此，LSTM更有助于腦電注意力的分級(jí)研究。

表1 識(shí)別準(zhǔn)確率對(duì)比表Table 1 Comparison table of recognition accuracy

6 結(jié)論

注意力分級(jí)模型在駕駛員注意力監(jiān)測(cè)方面具有重大的意義，因此本文提出了基于舒爾特方格和LSTM的注意力分級(jí)模型，具體完成如下工作：

（1）采用舒爾特方格作為數(shù)據(jù)采集范式，量化檢驗(yàn)指標(biāo)，并采用原始腦電數(shù)據(jù)，保證數(shù)據(jù)完整性，實(shí)現(xiàn)對(duì)不同注意類型數(shù)據(jù)的采集以及自動(dòng)標(biāo)注。

（2）采用小波包實(shí)現(xiàn)腦電數(shù)據(jù)的濾波和去燥，并設(shè)計(jì)長(zhǎng)短時(shí)記憶深度學(xué)習(xí)網(wǎng)絡(luò)，實(shí)現(xiàn)不同注意力水平的分級(jí)。

（3）實(shí)驗(yàn)結(jié)果表明：本注意力分級(jí)模型可以很好區(qū)分高、中、低三種注意力水平；對(duì)比DWT、近似熵、CSP、基于相干系數(shù)的腦網(wǎng)絡(luò)特征提取算法以及CNN，五種基于腦電信號(hào)的注意力分級(jí)方法，本模型識(shí)別準(zhǔn)確率高出DWT21.49個(gè)百分點(diǎn)；高出近似熵算法25.82個(gè)百分點(diǎn)；高出CSP算法20.53個(gè)百分點(diǎn)；高出基于相干系數(shù)的腦網(wǎng)絡(luò)算法13.32個(gè)百分點(diǎn)；高出CNN9.05個(gè)百分點(diǎn)。