论文部分内容阅读
注意力是心理学的一个概念,同时也是脑科学和生物信息学中的一个研究对象。监测人的注意力可以成为人们学习或者工作的一种辅助工具,进而使人的学习和工作效率得到提高,甚至少犯许多严重的错误,例如在学习的过程中,如果有一个监测学生注意力的工具,那么老师可以在学生注意力不集中的时候提醒学生,学生就可以及时更正自己的精神状态。结合计算机科学及生物信息科学,我们可以通过脑机接口来监测人的注意力。用计算机开发各种用途的脑机接口是当前的一个研究热点,但是,目前绝大部分脑机接口的类型都是动作类型,即通过脑机接口来监测大脑在想象做什么样的动作,进而由脑机接口向外部工作发出相同动作的指令,这种脑机接口的典型应用就是机械臂。而关于实时监测注意力这样的精神状态的脑机接口研究比较欠缺,因为注意力涉及到许多心理知识,研究过程比较复杂。而开发一个实时的监测注意力的应用系统更加少,更多的是离线处理的脑机接口,因为脑电波的分析处理十分复杂,中间的每一处理步骤都需要消耗一定的时间,很难做到实时监测。本论文对当前的脑机接口的技术和基础理论进行了深入的分析,并吸收了诸多脑机接口开发的经验和理论知识,自主开发了一个实时监测的脑机接口,并将其应用于监测人在学习中的注意力。该脑机接口采用小波变换对脑电信号进行去噪,然后用基于汉宁窗的FIR算法提取了6个特征值,最后用KNN (k-Nearest Neighbor)算法进行分类。脑机接口需要经过大量的训练才能应用,通常一个脑机接口从一开始到最终的应用需要经过几个月的训练,因此,分类过程将随着训练数据的增多而降低时间效率。而且,目前越来越多脑机接口系统运行于普适环境,而普适环境下很多设备的计算性能并不高,更容易遇到实时响应瓶颈。因此,提高分类器的实时性能对于实时的应用系统至关重要。在本文中,我们采用MPI (Message Passing Interface)并行计算的框架,将分类算法实现并行化,以降低分类过程的时间消耗,从而达到实时应用的需要。