Система и способ определения психоэмоциональных состояний на основе биометрического сигнала ЭЭГ Российский патент 2021 года по МПК A61B5/476 A61B5/16 

Описание патента на изобретение RU2740256C1

Настоящая группа изобретений относится к области психофизиологии, в частности к пользовательской диагностике, и может быть использована для регистрации и анализа электрических сигналов мозга человека для определения различных психоэмоциональных состояний пользователя.

Среди психоэмоциональных состояний различают такие основные состояния, как увлеченность или монотония, когнитивная нагрузка, стресс, усталость или бодрость, концентрация, а также обусловленное комбинацией состояний увлеченности, стресса и концентрации ресурсное состояние.

Заявляемое техническое решение предполагает определение выбранных показателей любого психоэмоционального состояния, определение на их основе индексов, характеризующих различные аспекты состояния пользователей, определение некоторых граничных значений индексов или их сочетаний (триггеров) и генерацию диагностических сообщений пользователям, выдаваемые на различные внешние устройства (экран монитора, мобильные устройства).

Моделирование состояний увлеченности или монотонии у пользователя основывается на определении характера его деятельности. В данном случае под увлеченностью понимается состояние, соответствующее «творческой деятельности» - интересной активности, позволяющей работнику поддерживать работоспособное состояние. Под монотонией понимается состояние, соответствующее «рутинной деятельности» - активности, связанной со стереотипными, постоянно повторяющимися умственными операциями, ведущими к снижению работоспособности.

Оценка уровня когнитивной нагрузки является одним из важных аспектов и значимых факторов, определяющих эффективность деятельности человека. Высокий уровень и превышение когнитивной нагрузки приводит к резкому снижению способности к обучению и ослаблению понимания, увеличению вероятности ошибок при выполнении задач. В настоящий момент выделяют следующие формы когнитивной нагрузки [Sweller J. Cognitive load during problem solving: Effects on learning. Cognitive science, 12(2), 257-285. [Журнал]. - 1988 г.]: внутренняя нагрузка (intrinsic load), внешняя нагрузка (extraneous load), соответствующая нагрузка (germane load). Внутренняя когнитивная нагрузка определяется взаимодействием между характером объекта деятельности и опытом человека. Нагрузка рабочей памяти зависит от количества элементов, которые должны обрабатываться одновременно в рабочей памяти, а количество элементов, которые должны обрабатываться одновременно, в свою очередь, зависит от степени интерактивности элемента. Элемент в данной ситуации - любой изучаемый объект. Чем больше количество элементов входит в изучаемый предмет, тем сложнее он для изучения. Внешняя когнитивная нагрузка отражает усилия по преодолению формы подачи информации (визуальный, аудиальный и др.). Внешняя нагрузка во многом определяется дизайном используемых при осуществлении деятельности материалов. К примеру, внешняя нагрузка при объяснении особенностей геометрических фигур будет ниже при графическом представлении изучаемых объектов и выше - при аудиальном. Соответствующая нагрузка отображает затраты мозга человека на создание и перевод схем взаимодействия элементов объекта из рабочей в долговременную память.

Цель оптимизации деятельности в соответствии с теорией когнитивной нагрузки состоит в сокращении внешней когнитивной нагрузки, увеличении соответствующей нагрузки и управлении внутренней нагрузкой пользователей [Ayres P. Using subjective measures to detect variations of intrinsic cognitive load within problems. Learning and Instruction, 16(5), 389-400. [Журнал]. - 2006 г.].

Существуют различные методы оценки когнитивной нагрузки. Когнитивная нагрузка может оцениваться как снижение темповых характеристик деятельности и качества выполнения работы. Однако этот подход требует сложных лабораторных испытаний и не может использоваться в реальном рабочем или учебном процессе.

На современном этапе наиболее распространён эмпирический подход к оценке когнитивной нагрузки. Эмпирический подход, направлен на оценку ментальных усилий и производительности человека на основе сбора субъективных данных о ментальных усилиях с помощью оценочных шкал и последующего измерения психофизиологических параметров активности.

В настоящее время развиваются подходы к оценке когнитивной нагрузки связаны с применением средств инструментального наблюдения за психофизиологическими параметрами когнитивных процессов: на основе окулографических показателей [М.А. Шурупова, А.В. Красноперов, Л.В. Терещенко, А.В. Латанов Влияние когнитивного задания на параметры движений глаз при просмотре статических и динамических сцен . C. 202-212] и, в особенности, на базе оценки показателей суммарной электрической активности мозга (ЭЭГ). В рамках последнего подхода проведено достаточное количество работ, которые показывают, что когнитивная нагрузка коррелируется со спектральными характеристиками ЭЭГ, преимущественно в диапазонах тэта-(4-7) и нижних частотах альфа-(8-10 Гц) ритмов [Klimesch W. EEG alpha and theta oscillations reflect cognitive and memory performance: a review and analysis. Brain research reviews, 29(2-3), 169-195. [Журнал]. - 1999 г., Поликанова И. С., & Сергеев, А. В. Влияние длительной когнитивной нагрузки на параметры ЭЭГ. Национальный психологический журнал, (1 (13)). [Журнал]. - 2014 г.].

Кроме того, исследования в области оценки когнитивной нагрузки показали взаимосвязь между субъективной оценкой состояния пользователей и объективно измеряемыми психофизиологическими показателями. Так, обнаружена зависимость между когнитивной нагрузкой и параметрами электроэнцефалографией (ЭЭГ), двигательной активностью глаз (ДА), кожно-гальванической реакцией (КГР).

Изменения в продуктивности деятельности у людей могут быть связаны не только с когнитивными характеристиками или общим изменением функционального состояния, но и с чрезмерным повышением уровня активации (в соответствии с законом Йеркса-Додсона об оптимальном уровне активации) в условиях кратковременного стресса, а также со снижением мотивационной составляющей деятельности в случае продолжительного стресса. Традиционно объективный уровень стресса измеряется с помощью регистрации показателей вегетативной нервной системы и анализом баланса вклада симпатической и парасимпатической активации. Существует также возможность измерить уровень стресса в его взаимосвязи с эмоциональным состоянием, измеренным на основе активности ЭЭГ.

Выводы из многочисленных исследований отражают формирующийся консенсус относительно того, что активность левой фронтальной области связана с общей мотивационной системой и поведенческой активацией, в то время как активность правой фронтальной области связана с тенденциями к общему избеганию или системы отмены прекращения деятельности. Это привело к формулированию очень влиятельной модели мотивации Дэвидона - мотивационной модели эмоций. Согласно этой модели, левая фронтальная активность указывает на склонность к стремлению к стимулу, в то время как относительно большая правая фронтальная активность указывает на склонность к избеганию стимула.

Ранние исследования показывают, что фронтальная асимметрия ЭЭГ может служить модератором, участвующим в предсказаниях эмоциональных реакций у младенцев. Например, Дэвидсон и Фокс обнаружили, что младенцы, которые плакали в ответ на разделение матери, имели большую активность в правой фронтальной области в состоянии покоя, чем те, кто этого не делал. Этот результат был реплицирован Foxetal., который также обнаружил, что этот эффект был умеренно стабильным в течение 5 месяцев.

Аналогичные результаты были получены у взрослых. Например, по просьбе Томаркена и др., чтобы сообщить об эмоциональных реакциях на более интенсивными уровнями негативного воздействия на негативно-оцененные клипы, особенно с участием страха. В аналогичном докладе Уилер и др. обнаружили, что лица с большей правой фронтальной активностью демонстрируют более интенсивную негативную реакцию на негативные изображения, люди с большей левой фронтальной активностью демонстрировали более интенсивную положительную реакцию на положительные изображения. Эти исследования показывают, что индивидуальные различия в эмоциональном реагировании частично зависят от индивидуальных различий в асимметрии ЭЭГ. Действительно, Дэвидсон привел эти данные, чтобы утверждать, что аффективный стиль, о чем свидетельствует его асимметрия лобной ЭЭГ, может частично определять риск определенных аффективных расстройств, таких как депрессия и тревога, предложение, которое четко идентифицирует лобную ЭЭГ-асимметрию как модератор эмоций и связанных с ними аффективных процессов.

Степень напряжения регуляторных систем - это интегральный ответ организма на весь комплекс воздействующих на него факторов, независимо от того, с чем они связаны. При воздействии комплекса факторов экстремального характера возникает общий адаптационный синдром, который представляет собой универсальный ответ организма на стрессорные воздействия любой природы и проявляется этот синдром однотипно в виде мобилизации функциональных резервов организма. Здоровый организм, обладая достаточным запасом функциональных возможностей, отвечает на стрессорное воздействие обычным, нормальным, так называемым рабочим напряжением регуляторных систем. Так, например, если нам приходится подниматься по лестнице, то, естественно, энерготраты возрастают и необходима мобилизация дополнительных ресурсов. Однако, для одних людей такая мобилизация не сопровождается значительным напряжением регуляторных систем, а пульс при подъеме, например на 5-й этаж учащается всего на 3-5 ударов, т.е. сердечнососудистый гомеостаз практически не изменяется. Для других людей эта нагрузка слишком велика и возникает выраженное напряжение регуляторных систем с учащением пульса на 15-20 и более ударов: что указывает уже на наличие нарушений гомеостаза.

Даже в условиях покоя напряжение регуляторных систем может быть высоким, если человек не имеет достаточных функциональных резервов. Это выражается, в частности, в высокой стабильности сердечного ритма, характерной для повышенного тонуса симпатического отдела вегетативной нервной системы. Этот отдел регуляторного механизма, ответственный за экстренную мобилизацию энергетических и метаболических ресурсов при любых видах стресса, активируется через нервные и гуморальные каналы. Он является составным элементом гипоталамо-гипофизарно-адренокортикотропной системы, реализующей ответ организма на стрессорное воздействие. Важная роль при этом принадлежит центральной нервной системе, которая координирует и направляет все процессы в организме.

Уже из самого звучание термина «умственная» усталость ясно, что динамику изменения этого состояния можно связать с активностью мозга. Среди методов регистрации активности мозга для задач оценки функциональных состояний человека наиболее прагматичным является регистрации электроэнцефалографии - суммарной электрической активности мозга – в связи с возможностью реализовать такую регистрацию вне лабораторных условий. На сегодняшний день активно развиваются технологии регистрации мобильной ЭЭГ, часть из которых доступны как рыночный продукт для не-специалистов.

Подходы к оценке умственной усталости на основе регистрации ЭЭГ связаны с разнообразием представлений о мозговых механизмах умственного утомления. Один из подходов, развиваемый Джеспер Хопстакен (Hopstaken, 2016), связан с предположением о том, что умственное утомление связано с активностью норадреналинэргических нейронов прилежащего ядра мозга, которые регулируют вовлеченность в выполнение задания. Несмотря на то, что неинвазивно измерить активацию норадреналинэргических систем мозга невозможно, существуют показатели суммарной электрической активности, которые косвенно можно рассматривать в качестве их коррелятов. В качестве основного показателя такого типа рассматривается компонент P3 связанного с событием потенциала (ССП) ЭЭГ. Доводы в пользу такой трактовки P3 были получены в работах Nieuwenhuis с коллегами (2011), которые напрямую связали позитивный сдвиг в диапазоне Р3 с активностью норадреналинэргической системы прилежащего ядра. Известно, что компонент Р3 может быть разделен на подкомпоненты P3a и P3b, связанные с новизной предъявляемых стимулов и мотивационными характеристиками задачи соответственно (Polich & Kok, 1995; Polich, 2007). Begleiter, Porjesz, Chou и Aunon (1983) предположили, что париетальный компонент P3 может отражать мотивационные свойства стимула. Позже выяснилось, что влияние мотивационного значения на амплитуду Р3 также модулируется количеством внимания, которое уделяется стимулу (Johnson, 1993). Сочетание чувствительности как с мотивационным, так и с внимательным аспектом задачи побудило исследователей связать P3 с характеристиками задачи (например, Murphy, Robertson, Balsters, & O'connell, 2011). Наличие мотивационной составляющей в компоненте Р3а также укладывается в представления о его связи с норадреналинэргической системой мозга.

Более распространенной является модель, согласно которой умственное утомление в мозге связано с активностью дофаминэргических систем мозга, ответственных за оценку вознаграждения от текущей деятельности. Роль компромиссов в соотношении затрат и вознаграждений была подчеркнута в исследованиях усталости под руководством Маартена Боксема (например, Boksem & Tops, 2008). Согласно его теории, умственная усталость возникает, когда затраты на участие в задаче превышают прогнозируемые вознаграждения. В соответствии с этим понятием увеличение вознаграждения за выполнение задания при усталости может вызвать сдвиги в мотивации, которые могут привлечь внимание к задачам. Такой эффект был подтвержден в предыдущих исследованиях (Boksem et al., 2006). Они показали, что после двух часов когнитивной деятельности утомленные участники могут частично восстановить свою работоспособность, если получат денежное вознаграждение. Этот эффект сопровождался увеличением компонента связанного с событием потенциала (ССП) ЭЭГ, который получил название связанной с ошибкой негативности (Error-related negativity, ERN).

Компонент ERN состоит из большого отрицательного сдвига в ССП, возникающего после того, как субъекты совершили ошибочный ответ (Falkenstein et al., 1990; Gehring et al., 1990) и генерируется в передней поясной коре (ACC) (Dehaene et al., 1994), структуре, имеющей центральное значение для обработки информации о вознаграждении, наказании и требуемых усилиях. Holroyd and Coles (2002) предположили, что ERN является результатом фазового снижения активности мезенфацилических дофаминергических нейронов после ошибки в прогнозировании вознаграждения (т.е. когда вознаграждение меньше ожидаемого). Это снижение активности активности дофаминэргических нейронов в полосатом теле в свою очередь приводит к растормаживанию апикальных дендритов моторных нейронов в ACC, создавая ERN (Holroyd and Yeung, 2003). Кроме того, многие исследования показали, что ERN связан с мотивационной составляющей: когда требования к выполнению наилучшей работы снижаются, можно наблюдать уменьшение амплитуды ERN (Gehring et al., 1993). Действительно, мотивация, по-видимому, необходима для наблюдения за надежным ERN (Gehring et al., 1993; Gehring and Knight, 2000). Bush et al. (2000) утверждал, что компонент ERN и связанная с ним деятельность ACC представляют собой общую оценочную систему, которая обрабатывает мотивационное значение событий. Согласно Sarter, Gehring, и Kozak (2006), умственные усилия, связанные с одной и той же нейронной системой, способны поддерживать устойчивое когнитивное функционирование даже в субоптимальных условиях, учитывая, что мотивация высока. Помимо мотивации, энергетические затраты являются центральным фактором в этой структуре. Потери энергии (истощение) и потери мотивации из-за неопределенности относительно продолжительности задачи и скуки могут добавить к общей картине умственной усталости.

Описанные выше характеристики электрической активности, несмотря на их изученность в лабораторных условиях, представляют только ограниченную пользу в случае прагматических задач, нацеленных на регистрацию объективных характеристик умственной усталости в условиях реальной деятельности. Сложность в применении этих характеристиках связана с тем, что ССП регистрируются только в определенных условиях и достоверно выделяются только при многократном предъявлении однотипных задач и точной их синхронизации с ЭЭГ.

Состояние концентрации у пользователя предполагает концентрацию внимания (один из показателей устойчивого внимания). Внимание может быть описано с позиций различных теоретических моделей. Одной из них является общая модель Knudsen (2007), которая предполагает четыре ключевых (ядерных) процесса внимания, к которым относятся: хранилище рабочей памяти; конкурентный отбор, который определяет, какая информация получает доступ к рабочей памяти; нисходящий контроль, который регулирует интенсивность сигнала в каналах, и, таким образом, дает преимущество определенным типам информации в доступе к рабочей памяти; восходящие фильтры, которые автоматически повышают реакцию на нечастые стимулы или стимулы, важные для осуществления инстинктов или выученного биологически значимого поведения (экзогенное внимание). Другая широко известная модель внимания разработана М.Познером: внимание состоит из нескольких разноуровневых систем - возбуждения-бдительности, ориентировки (заднеассоциативной системы), управляющего контроля (переднеассоциаивной системы внимания) (Posner, 2004). Если системы возбуждения и ориентировки связаны с автоматическими процессами, то управляющий контроль - с произвольными. Заднеассоциативная система внимания охватывает теменную долю коры головного мозга, таламус, зоны среднего мозга, связанные с движением глаз, и отражает процессы зрительно-пространственного внимания. Управляющий контроль составляет одну из систем внимания, ответственную за селекцию информации, координацию и исполнение актуальных процессов и подавление неактуальных. По мнению М.Познера, эта система реализуется во время активации рабочей памяти, преодоления конфликтов. Таким образом, данная система может рассматриваться как необходимый аппарат для поддержания концентрации внимания. Функционирование управляющего контроля предполагает работу передней поясной извилины, медиальной и вентролатеральной префронтальной коры, базальных ганглиев.

Ресурсное состояние пользователя определяется на основе параметров состояний стресса, увлеченности или монотонии и концентрации и представляет собой интегральный показатель активации нервных центров, сопровождающих текущую деятельность человека.

Известен способ оценки эмоционального состояния человека [патент на изобретение RU 2291720, опубл. 20.01.2007], заключающийся в предъявлении пациенту четырех групп словесных характеристик, отражающих различные эмоциональные состояния и степень их выраженности. Затем анализируют выбранные человеком словесные характеристики, отражающие его состояние с использованием шкалы баллов. Способ позволяет дать количественную оценку степени эмоциональной дезадаптации и позволяет испытуемому самостоятельно осознать характер переживаемых эмоций.

Недостатком известного способа является низкая степень автоматизации сбора и обработки данных и достоверности полученной информации из-за субъективного метода сбора данных.

Известны система и способ обучения [заявка на изобретение US 20170330475, опубл. 16.11.2017], использующая данные электроэнцефалограммы (ЭЭГ) для анализа результатов выполнения тестов и определение того, нужно ли сделать перерыв в учебной деятельности или наоборот усложнить выполняемое задание. Система обучения включает в себя блок вывода, который выводит первую проблему и сообщение на дисплее, предлагающее пользователю сделать перерыв, блок сбора, который получает ответ на первую проблему от пользователя, блок измерения ЭЭГ, который измеряет ЭЭГ пользователя, и блок управления. Блок управления определяет, присутствует ли первая мотивация, на основе потенциала, связанного с первым событием, включенного в ЭЭГ, и, начиная с момента, когда выводится первая проблема, определяет, присутствует ли вторая мотивация пользователя на основе потенциала, связанного со вторым событием, включенным в ЭЭГ, и начинающийся с момента, в который был получен ответ, и инструктирует блок вывода выводить сообщение на дисплей, предлагающее пользователю сделать перерыв, если первая мотивация отсутствует и второй мотивации нет.

Недостатками известной системы является ограниченная сфера применения (только образование), отсутствие информации о текущем психоэмоциональном состоянии пользователя, ограниченный набор выдаваемых рекомендаций (сделать перерыв).

Известны система и способ для модуляции контента на основе данных об электрических сигналах мозга человека [заявка на изобретение US 2018278984, опубл. 27.09.2018], включая изменение представления цифрового контента по меньшей мере на одном вычислительном устройстве. Контент также может модулироваться на основе набора правил, поддерживаемых или доступных компьютерной системе, на основе пользовательского ввода, в том числе посредством приема команды управления представлением, которая может быть обработана компьютерной системой для модификации представления контента. Содержимое также может быть передано со связанной информацией о состоянии мозга. Компьютерная система может обрабатывать данные биосигнала, используя конвейер обработки биологического сигнала, чтобы определить, по меньшей мере, одно состояние мозга пользователя. Можно определить, что данные о состоянии мозга произошли в ответ на представление пользователю определенного цифрового контента. Следовательно, компьютерная система может связывать определенное состояние мозга пользователя с представленным цифровым контентом. Вместо или в дополнение к выполнению этой ассоциации компьютерная система может модифицировать представление цифрового контента, по меньшей мере, на одном вычислительном устройстве, основываясь, по меньшей мере, частично на принятых данных биосигнала и, по меньшей мере, одном правиле модификации представления, связанном с представленным цифровым контентом. Применение любых таких правил может быть использовано для обработки компонентом модулятора, взаимодействующим с источником контента.

Недостатками известных технических решений является ограниченная сфера применения (только медиа сфера), связывание состояние мозга только с представляемым цифровым контентом, узкая интерпретация данных о мозговой активности пользователя.

Настоящая группа изобретений направлена на достижение технического результата, заключающегося в повышении достоверности определения текущего психоэмоционального состояния за счет повышения точности обработки полученных данных и расширенной интерпретации данных о мозговой активности пользователя в режиме реального времени.

Заявленный технический результат в части системы, достигается за счет того, что система определения психоэмоциональных состояний на основе сигнала ЭЭГ включает блок приема сигнала, выполненный с возможностью получения сигнала ЭЭГ от нейроинтерфейса пользователя, с которым соединен блок первичной обработки сигнала, выполненный с возможностью спектрального разложения полученного сигнала на ритмы головного мозга, с которым соединен блок фильтрации первично обработанных сигналов, выполненный с возможностью проверки сигнала на наличие помех и агрегации первично преобразованных сигналов с выделением ритмов головного мозга, соответствующих по меньшей мере одному заданному состоянию, с которым соединен блок определения по меньшей мере одного заданного состояния, выполненный с возможностью определения коррелята этого состояния, с которым соединен блок персонализации заданного состояния, выполненный с возможностью определения границ нормального состояния для данного пользователя путем статистического анализа исторических значений по состоянию пользователя, с которым соединен блок вывода данных, выполненный с возможностью предоставления пользователю полученных результатов.

Имеются варианты развития основного технического решения:

- блок первичной обработки сигнала выполнен с возможностью реализации предварительного сглаживания полученного сигнала;

- блок фильтрации первично обработанных сигналов позволяет выделять ритмы головного мозга, соответствующие состояниям увлеченности или монотонии, когнитивной нагрузки, стресса, бодрости или усталости, концентрации, а блок определения заданного состояния позволяет определять коррелят указанных состояний;

- введен блок фиксации отклонения от нормального состояния пользователя, соединенный с блоком персонализации состояний и блоком вывода данных и выполненный с возможностью определения нахождения пользователя в заданном состоянии.

Заявленный технический результат в части способа достигается за счет того, что способ определения психоэмоциональных состояний на основе сигнала ЭЭГ включает получение сигнала ЭЭГ от нейроинтерфейса пользователя посредством блока приема сигнала, его первичную обработку путем спектрального разложения полученного сигнала на ритмы головного мозга с помощью блока первичной обработки сигнала, проверку сигнала на наличие помех и агрегацию первично преобразованных сигналов с выделением ритмов головного мозга, соответствующих по меньшей мере одному заданному состоянию, с помощью блока фильтрации первично обработанных сигналов, определение по меньшей мере одного заданного состояния посредством блока определения заданного состояния, сконфигурированного для определения коррелята этого состояния, определение границ нормального состояния для данного пользователя путем статистического анализа исторических значений по состоянию пользователя с помощью блока персонализации заданного состояния, вывод данных путем предоставления пользователю полученных результатов с помощью блока вывода данных.

Имеются варианты развития основного технического решения:

- на этапе первичной обработки сигнала ЭЭГ выполняют предварительное сглаживание полученного сигнала;

- на этапе агрегации ритмов головного мозга выделяют ритмы, соответствующие состояниям увлеченности или монотонии, когнитивной нагрузки, стресса, бодрости или усталости, концентрации, а затем определяют корреляты указанных состояний;

- после определения границ нормального состояния для данного пользователя путем статистического анализа исторических значений по состоянию пользователя и перед выводом полученных данных определяют нахождение пользователя в заданном состоянии с помощью блока фиксации отклонения от нормального состояния пользователя.

Таким образом, за счет заявленных совокупностей признаков системы и способа повышается достоверность определения текущего заданного состояния пользователя за счет повышения точности обработки полученных данных и расширенной интерпретации данных о мозговой активности пользователя в режиме реального времени. Это стало возможным благодаря агрегации первично преобразованных сигналов с выделением ритмов головного мозга, соответствующих по меньшей мере одному заданному состоянию с помощью блока фильтрации первично обработанных сигналов, и последующему определению по меньшей мере одного заданного состояния посредством блока определения заданного состояния, сконфигурированного для определения коррелята этого состояния. Одновременно с этим расширена сфера применения заявленных технических решений (образование, собеседования, оценка контента, повышение производительности труда) и объема предоставляемых рекомендаций. Оценка заданного состояния осуществляется без привязки к контенту, в любое время, при различных видах деятельности. С помощью заявленных системы и способа может производиться оценка любых психоэмоциональных состояний. В качестве примеров в данной заявке рассмотрены основные состояния: увлеченность или монотония, когнитивная нагрузка, стресс, усталость или бодрость, концентрация, ресурсное состояние.

Сущность предлагаемой группы изобретений раскрыта более подробно с помощью фигур и дальнейшего описания.

На Фиг. 1 приведена блок схема системы.

На Фиг. 2 приведены исходные данные для определения состояния увлеченности или монотонии.

На Фиг. 3 приведены исходные данные для определения состояния когнитивной нагрузки.

На Фиг. 4 приведены исходные данные для определения состояния стресса на основе ЭЭГ сигнала и ЭДА.

На Фиг. 5 приведены исходные данные для определения состояния усталости или бодрости.

На Фиг. 6 приведены исходные данные для определения состояния концентрации.

На Фиг. 7 приведена блок схема блока определения состояния увлеченности или монотонии.

На Фиг. 8 приведена сводка по рассчитываемым индексам в блоке 5 определения состояния увлеченности или монотонии.

На Фиг. 9 приведена сводка по применяемым триггерам в блоке 5 определения состояния увлеченности или монотонии.

На Фиг. 10 приведен перечень сообщений в блоке 5 определения состояния увлеченности или монотонии.

На Фиг. 11 приведена блок-схема модели определения состояний увлеченности или монотонии пользователя.

На Фиг. 12 приведена блок схема блока определения состояния когнитивной нагрузки.

На Фиг. 13 приведена сводка по рассчитываемым индексам в блоке 5 определения состояния когнитивной нагрузки.

На Фиг. 14 приведена сводка по применяемым триггерам в блоке 5 определения состояния когнитивной нагрузки.

На Фиг. 15 приведен перечень сообщений в блоке 5 определения состояния когнитивной нагрузки.

На Фиг. 16 приведена блок-схема модели определения состояния когнитивной нагрузки пользователя.

На Фиг. 17 приведена блок схема блока определения состояния стресса на основе ЭЭГ сигнала и электродермальной активности.

На Фиг. 18 приведена сводка по рассчитываемым индексам в блоке 5 определения состояния стресса.

На Фиг. 19 приведена сводка по применяемым триггерам в блоке 5 определения состояния стресса.

На Фиг. 20 приведен перечень сообщений в блоке 5 определения состояния стресса.

На Фиг. 21 приведена блок-схема модели определения состояний стресса пользователя.

На Фиг. 22 приведена блок схема блока определения состояния усталости или бодрости.

На Фиг. 23 приведена сводка по рассчитываемым индексам в блоке 5 определения состояния усталости или бодрости.

На Фиг. 24 приведена сводка по применяемым триггерам в блоке 5 определения состояния усталости или бодрости.

На Фиг. 25 приведен перечень сообщений в блоке 5 определения состояния усталости или бодрости.

На Фиг. 26 приведена блок-схема модели определения состояний усталости или бодрости пользователя.

На Фиг. 27 приведена блок схема блока определения состояния концентрации.

На Фиг. 28 приведена сводка по рассчитываемым индексам в блоке 5 определения состояния концентрации.

На Фиг. 29 приведена сводка по применяемым триггерам в блоке 5 определения состояния концентрации.

На Фиг. 30 приведен перечень сообщений в блоке 5 определения состояния концентрации.

На Фиг. 31 приведена блок-схема модели определения состояний концентрации пользователя.

На Фиг. 32 приведена блок схема блока 5 определения ресурсного состояния.

На Фиг. 33 приведена сводка по рассчитываемым индексам в блоке 5 определения ресурсного состояния.

На Фиг. 34 приведена блок-схема модели определения ресурсного состояния пользователя.

На Фиг. 35-39 приведены результаты проведенного исследования по определению ресурсного состояния.

На Фиг. 40 приведены результаты проведенного исследования по определению состояния когнитивной нагрузки.

На Фиг. 41-45 приведены результаты проведенного исследования по определению состояния стресса.

Система определения психоэмоциональных состояний на основе сигнала ЭЭГ (Фиг. 1 и 2) пользователя 1 включает последовательно соединенные друг с другом блок 2 приема сигнала, блок 3 первичной обработки сигнала, блок 4 фильтрации первично обработанных сигналов, блок 5 определения по меньшей мере одного заданного состояния, блок 6 вывода данных.

Дополнительно система может содержать блок 7 персонализации по меньшей мере одного состояния, соединенный с блоком 5 определения заданного состояния и с блоком 6 вывода данных, а также блок 8 фиксации отклонения от нормального состояния пользователя 1, соединенный с блоком 7 персонализации состояний и блоком 6 вывода данных.

Блок 2 приема сигнала выполнен с возможностью получения сигнала ЭЭГ от нейроинтерфейса пользователя 1, снятого с помощью нейрогарнитуры. Нейрогарнитура обеспечивает регистрацию ЭЭГ с 7-ми отведений и двигательной активности головы (в том числе, морганий), а также трансляцию этих данных по беспроводному каналу связи в блок 2 приема посредством адаптера USB-BLE, подключаемого к разъему USB персонального компьютера (ПК).

Блок 3 первичной обработки сигнала выполнен с возможностью спектрального разложения полученного сигнала на ритмы головного мозга и представляет собой преобразователь исходной ЭЭГ-волны в гармонические колебания по алгоритму Фурье с определением абсолютных и относительных спектральных мощностей каждого из заданного диапазонов частот. Также блок 3 может быть выполнен с возможностью реализации предварительного сглаживания полученного сигнала путем проверки на превышение заданной амплитуды сигнала с последующим удалением участка записи, в котором произошло превышение амплитуды.

Блок 4 фильтрации первично обработанных сигналов выполнен с возможностью проверки сигнала на наличие помех путем определения амплитудного всплеска на основе статистического анализа и агрегации первично преобразованных сигналов с выделением ритмов головного мозга, соответствующих по меньшей мере одному заданному состоянию.

Так, например, блок 4 фильтрации первично обработанных сигналов позволяет выделять ритмы головного мозга, соответствующие состояниям: увлеченности или монотонии - левополушарные тета-ритмы, правополушарные альфа- и тета-ритмы; когнитивной нагрузки - левополушарные тета-ритмы; стресса - левополушарные и правополушарные альфа-ритмы; бодрости или усталости - левополушарные альфа- и тета-ритмы; концентрации - левополушарные бета-ритмы.

Для применения в разрабатываемой модели определения характера интеллектуальной деятельности и определения состояний увлеченности и монотонии были взяты методы анализа электрокардиограмм (ЭКГ) и ЭЭГ.

При анализе электроэнцефалограммы используются сигналы с отведений от точек P4,Cz,F3 по системе 10-20. Величина сигналов измеряется в милливольтах (мВ).

На Фиг. 2 приведены исходные данные для определения состояния увлеченности или монотонии.

В качестве метода оценки электрической активности мозга в рамках разрабатываемой модели определения когнитивной нагрузки используется регистрация ЭЭГ. В качестве показателя электрической активности мозга в разрабатываемой модели принимается поток сигнала с электрода в точке F7 по системе «10-20».

Простой, но эффективный метод оценки состояния человека на основе регистрации глазодвигательной деятельности предполагает анализ частоты морганий человека за определённый промежуток времени. Этот показатель представляет собой обычное, просто наблюдаемое и легкодоступное явление, которое отражает активность центральной нервной системы. Другим легко измеряемым показателем является длительность моргания. Этот показатель считается особенно подходящей для прогнозирования сонливости, сопровождающей потерю производительности. Поэтому в случае определения состояния когнитивной нагрузки блок 4 позволяет дополнительно определять параметры морганий.

Таким образом, применяются два показателя глазодвигательной активности:

- Количество морганий;

- Длительность моргания.

Перечень и описание входных (регистрируемых) данных для определения состояния когнитивной нагрузки приведены на Фиг. 3.

При анализе ЭЭГ для определения состояния стресса на основе ЭЭГ сигнала используются сигналы с отведений от точек F3, F4, F6, F7 по системе 10-20. Величина сигналов измеряется в милливольтах (мВ).

Для применения в модели мониторинга уровня стресса на основе ЭЭГ сигнала и электродермальной активности и оптимизации стрессогенных факторов в процессе интеллектуальной деятельности были взяты методы анализа кожно-гальванической реакции (КГР или ЭДА) и ЭЭГ.

При этом дополнительно введен блок (на чертеже не показано) приема сигналов электродермальной активности, соединенный с блоком 3 первичной обработки сигнала и выполненный с возможностью получения сигналов электродермальной активности от браслета, надеваемого на руку пользователя 1 и обеспечивающему трансляцию этих данных по беспроводному каналу связи в этот блок.

Измеряемым показателем при анализе электродермальной активности кожи (ЭДА) является электрическая проводимость кожи между двумя электродами. Этот показатель можно измерить двумя способами:

1) пропускание через кожу слабого тока от внешнего источника и измерение динамики ее электрического сопротивления. Эта методика носит название экзосоматического метода (exosomatic method);

2) Измерение электрической активности поверхности кожи без применения внешнего источника тока. Это эндосоматический метод (endosomaticmethod).

ЭДДА записывается с помощью электродов, помещаемых на ладони или пальцы рук. Величина сигнала измеряется в милливольтах (мВ).

На Фиг. 4 приведены исходные данные для определения состояния стресса на основе ЭЭГ сигнала и ЭДА.

Среди показателей ЭЭГ, которые могут регистрироваться вне условий специально заданных действий необходимо выделить спектральные характеристики в разных частотных диапазонах. Так, было показано, что спектральные характеристики ЭЭГ могут выступать в качестве валидных индикаторов умственной усталости (Lal & Craig, 2002). В целом, сдвиг ЭЭГ в сторону медленноволной активности одновременно со уменьшением вклада высокочастотных составляющих было многократно ассоциировано со снижением функционального состояния человека (Aeschbach et al., 1997; Cajochen, Brunner, Krauchi, Graw, & Wirz-Justice, 1995; Phipps-Nelson, Redman, & Rajaratnam, 2011; Zhao, Zhao, Liu, & Zheng, 2012, Lal & Craig, 2001b). Такие изменения связывают с общим изменением активации организма при утомлении (Tops & Boksem, 2010), а также с переходом в состояние дремоты (De Gennaro et al., 2007; Loomis et al., 1937; Santamaria and Chiappa, 1987). Изменения в тета-активности наиболее выражены в префронтальных областях коры, что может быть связано с процессами, протекающим в передней поясной извилине. Эти изменения также связаны с изменениями в мотивационных характеристиках деятельности, что укладывается в модель Маартена Боксема и коллег (Boksem & Tops, 2008). Эти данные совпадают с данными, полученными в исследовании Трейо с коллегами (Trejo et al., 2015) на основе классификации состояний ЭЭГ по спектральным характеристикам с помощью машинного обучения было показано, где авторы наблюдали взаимосвязь между изменением субъективных характеристик усталости с изменения в спектральной мощности в тета-диапазоне в префронтальных областях мозга.

Таким образом, исходными данными для определения состояния усталости и антипода - бодрости являются данные о медленноволновой ЭЭГ активности с электрода в точке AF7 по системе MCN, приведенные на Фиг. 5.

Нейрофизиологические характеристики концентрации могут отражаться в различных показателях ЭЭГ. К спектральным характеристикам, отражающим концентрацию внимания на определенном объекте, могут быть отнесены высокочастотные показатели, например, гамма-волны в диапазоне свыше 40 Гц. Они генерируются в теменно-фронтальных областях мозга, обнаруживающих синхронизацию работы нейронов в данных регионах (Kaiser, Lutzenberger, 2003; Siegel et al., 2008; Gregoriou et al., 2009; Baldauf, Desimone, 2014). Вовлечение теменных областей обусловлено активацией дорзального потока: системы “Где?”, отвечающей за переработку информации о пространственном положении объекте, и, как следствие, участвующей в активном отслеживании объекта (концентрации внимания на нем) (Mishkin, Ungerleider, 1992). Вовлечение лобных областей обусловлено активацией контролирующих процессов, участвующих в организации работы теменной коры. Другим высокочастотным показателем концентрации внимания может являться мощность в бета-диапазоне (12,5-30 Гц), появляющаяся в лобных областях мозга и распространяющая в процессе активации внимания на другие области (Jensen et al., 2005). Показано, что тренинги бета-активности повышают эффективность выполнения задач, требующих концентрации внимания, у лиц с синдромом дефицита внимания и гиперактивности (СДВГ) (Linden et al, 1996; Egner, Gruzelier, 2004; Kropotov et al., 2005). Сообщается, что дезактивация бета-ритма может являться механизмом нарушения внимания при СДВГ (Clarke et al., 2001). Одним из возможных механизмов, обуславливающих вовлеченность бета-активации в процессы внимания, может быть генетический: например, полиморфизмы гена DAT (гена транспортера дофамина) (Loo et al., 2003). Это согласуется с так называемой “дофаминовой гипотезой”, предполагающей наличие необходимого уровня (оптимума) дофамина, который требуется для эффективного осуществления не только внимания, но и других когнитивных функций посредством нейронов префронтальной коры (Schacht, 2016). Таким образом, активность в бета-диапазоне может являться биомаркером состояния концентрации (устойчивости) внимания, связанного с поддержкой необходимого уровня дофамина.

Таким образом, исходными данными для определения состояния концентрации выбран показатель высокочастотной ЭЭГ активности в бета-диапазоне с электрода в точке AF7 по системе MCN, приведенный на Фиг. 6.

Исходными данными для определения ресурсного состояния являются исходные данные для определения состояний увлеченности, стресса и концентрации.

Блок 5 определения по меньшей мере одного заданного состояния или комбинаций заданных состояний выполнен с возможностью определения коррелята этого/этих состояний. Блок 5 представляет собой программируемый модуль, сконфигурированный для осуществления последовательности вычислительных действий.

При необходимости определения состояния увлеченности или монотонии блок 5 определения состояния увлеченности или монотонии выполнен с возможностью определения коррелята состояния увлеченности или монотонии путем суммирования первично преобразованных сигналов, усреднения суммы отведений по скользящему окну, определения стандартного отклонения индикатора увлеченности или монотонии и глобального среднего индикатора увлеченности или монотонии, определения границы состояния и выхода за нее (Фиг. 7).

На основе измеренных данных производится расчет ряда индексов, всесторонне характеризующих состояние увлеченности или монотонии у пользователей.

Индекс Alpha-index - рассчитывается на основании потока сигнала с электрода в точке P4. Для обработки сигнала используется быстрое преобразование Фурье (FFT)

Iai=FFT(Dp4),

где Dp4 - сигнал с электрода в точке P4,

затем производится расчет вклада частот 8-13 Hz в общий спектр.

Индекс Theta-index left - рассчитывается на основании потока сигнала с электрода в точке F3. Для обработки сигнала используется быстрое преобразование Фурье (FFT)

Itil =FFT(Df3),

где Df3 - сигнал с электрода в точке F3,

затем производится расчет вклада частот 4 - 7 Hz в общий спектр.

Индекс Theta-index right - рассчитывается на основании потока сигнала с электрода в точке P4. Для обработки сигнала используется быстрое преобразование Фурье (FFT)

Itir =FFT(Dp4),

где Dp4 - сигнал с электрода в точке P4,

затем производится расчет вклада частот 4 - 7 Hz в общий спектр.

Индекс Sum - суммирование вкладов част:

Isum = Iai+Itir+Itil

Индекс z-оценки представляет собой персонализацию значений для конкретного пользователя на основе его зарегистрированных статистических показателей мат.ожидания и стандартного отклонения параметра за период наблюдений

Iz = Isum-mean(Isum)/std(Isum)

На Фиг. 8 приведена сводка по рассчитываемым индексам в блоке 5 определения состояния увлеченности или монотонии.

Согласно концепции разрабатываемой модели, после расчета индексов необходимо определить их граничные значения, достижение которых означает определенный уровень когнитивного состояния пользователей (триггеры). В модели определения состояний увлеченности и монотонии у пользователя применяются следующие триггеры.

Триггер «Творческая деятельность». Оператор выполняет деятельность, расцениваемую как творческая. Проверяемое условие триггера:

Iz>1,96

Триггер «Рутинная деятельность». Оператор выполняет деятельность, расцениваемую как компульсивная. Проверяемое условие триггера:

Iz< -1,96

На Фиг. 9 приведена сводка по применяемым триггерам в блоке 5 определения состояния увлеченности или монотонии.

При реализации рассматриваемой модели в составе программного комплекса для регистрации и анализа электрофизиологических параметров человека и предоставления биологической и оптической обратной связи (ПК Ментор), предусматривается определенная реакция ПК на выполнение условий триггеров, рассмотренных выше. Реакция выражается выводом определенных сообщений на внешние устройства из состава ПК: экран монитора или носимый браслет.

Сообщение «Отметка о творческой задаче (увлеченности)». Отметка в журнале о том, что состояние оператора соответствует творческой деятельности.

Сообщение «Отметка о монотонии». Отметка в журнале о том, что состояние оператора соответствует рутинной деятельности.

На Фиг. 10 приведен перечень сообщений в блоке 5 определения состояния увлеченности или монотонии.

Таким образом, в рамках модели определения состояний увлеченности или монотонии у пользователя, была разработана методика определения характера выполняемой деятельности, не требующая самоотчета, визуального наблюдения за действиями специалиста и профессиографии. Для реализации модели выбран метод регистрации показателей электрической активности мозга. На Фиг. 11 приведена блок-схема модели определения состояний увлеченности или монотонии пользователя.

При необходимости определения состояния когнитивной нагрузки блок 5 определения состояния когнитивной нагрузки выполнен с возможностью определения коррелята состояния увлеченности или монотонии путем определения количества морганий в минуту, усреднения суммы отведений по скользящему окну, определения стандартного отклонения индикатора когнитивной нагрузки и глобального среднего индикатора когнитивной нагрузки, определения границы состояния и выхода за нее (Фиг. 12).

Для потока ЭЭГ-сигнала с электрода F7, регистрируемого в сыром виде, происходит последовательная обработка следующего вида:

1. Сигнал проходит полосно-заградительный фильтр;

2. Сигнал проходит дополнительную фильтрацию, удаляющую резкие высокоамплитудные выбросы текущем скользящем окне обработки;

3. Производится быстрое преобразование Фурье;

4. Оценивается мощность спектра в тэта-диапазоне, выделяются средние значения амплитуд, среднеквадратичное отклонение (СКО) за текущее окно анализа;

5. Данные о средних значения и СКО конкретного пользователя сохраняются в Базе данных (БД);

6. Вычисляются статистические показатели (мода, медиана, СКО и пр.) за весь период записи.

На основе измеренных данных производится расчет ряда индексов, всесторонне характеризующих состояние когнитивной активности пользователей.

Колебания ЭЭГ в альфа-и тета-полосе отражают эффективность когнитивных функций и памяти. Хорошая производительность связана с двумя типами явлений ЭЭГ (i) тоническим увеличением альфа, но уменьшением тета-мощности и (ii) большим фазическим (связанным с событиями) снижением альфа, но увеличением тэта, в зависимости от типа памяти. Поскольку альфа-частота показывает большие межличностные различия, связанные с возрастом и памятью, эта двойная диссоциация между альфа-и тета-тоническими и фазовыми изменениями может наблюдаться только в случае отказа фиксированных полос частот. Для этого применяются скорректированные частотные окна альфа- и тета по каждому предмету с использованием отдельные альфа-частоты в качестве опорной точки. Основываясь на этой процедуре, становится возможным последовательная интерпретация различных результатов. В качестве примера, подобно увеличению мозгового объема человека, верхняя альфа-сила увеличивается (но сила тэта уменьшается) с раннего детства до взрослой жизни, тогда как противоположное имеет место и для поздней части жизни. Альфа-мощность снижается, и сила тета усиливается у субъектов с различными неврологическими расстройствами. Кроме того, после продолжительного бодрствования и во время перехода от пробуждения к сна, когда способность реагировать на внешние раздражители прекращается, верхняя альфа-мощность уменьшается, тогда как тета увеличивается. Изменения, связанные с событиями, показывают, что степень альфа-десинхронизации положительно коррелирует с (семантической) долговременной памятью, тогда как синхронизация тета положительно коррелирует с возможностью кодирования новой информации. Рассматриваемые результаты интерпретируются на основе колебаний мозга.

Индекс Low-Alpha-index рассчитывается на основании потока сигнала с электрода в точке F7 (Df7). Для обработки сигнала используется быстрое преобразование Фурье (FFT)

Iai=FFT(Df7),

затем производится расчет вклада частот 8-10 Hz в общий спектр.

Индекс Theta-index рассчитывается на основании потока сигнала с электрода в точке F7 (Df7). Для обработки сигнала используется быстрое преобразование Фурье (FFT)

Iai=FFT(Df7),

затем расчет вклада частот 4-7 Hz в общий спектр.

Индекс частоты моргания рассчитывается на основании измеренного количества морганий (Dblink)

Ibr= 60/ Dblink,

Индекс длительности морганий рассчитывается на основании измеренной длительности морганий (Dbl) как средняя величина измерений за участок записи

Ibl = (Dbl1 +…. DblN )/N

На Фиг. 13 приведена сводка по рассчитываемым индексам в блоке 5 определения состояния когнитивной нагрузки.

Характеристики различных аспектов состояний человека определяются с помощью определения и интерпретации некоторых граничных значений индексов или их сочетаний - триггеров. Под триггерами понимаются условия, выполнение которых приводит к формированию обратной связи пользователю.

Триггер основывается на одном или нескольких индикаторах и предполагает, что эти значения этих индикаторов соответствуют определённому шаблону. Самый простой вид триггера - это выход какого-либо индикатора за границу допустимых значений сверху или снизу. Например, превышение частоты сердечных сокращений предельно допустимого порога.

В настоящей модели определения когнитивной нагрузки триггером является сильный рост тэта-ритма, рассчитываемый как выход текущего значения тэта-ритма за 2,25 СКО, рассчитанного по всем имеющимся данным пользователя. Для отсева резких изменений исходного параметра, не связанных с переходом в состояние высокой когнитивной нагрузки, используется дополнительное условие - для срабатывания триггера выход за исходного параметра за границы должен удерживаться более 10 секунд. Данный классификатор является бинарным и свидетельствует только о выходе когнитивной нагрузки за допустимые пределы. Когда условие, заложенное в триггере, выполняется, этот триггер вызывает одно или несколько событий, полное пространство которых задано массивом возможных сообщений обратной связи S(T) = [S1,…Sl]. Совокупность триггеров составляет множество T = [T1,…Tk].

В модели применяются следующие триггеры.

Триггер "Увеличение низкочастотной активности" формируется на основе индексов Low-Alpha-index (Iai ) и Theta-index (Iti ). Проверяемое условие:

[Iai>(meanIai+1.5*stdIai)] И [Iti>(meanIai+2.25*stdIti)]

Выполнение условия означает сильное увеличение низкочастотной активности, что свидетельствует о увеличении когнитивной нагрузки. Здесь и далее:

1) Аффикс «mean» обозначает, что необходимо взять среднее значение индикатора по трем предыдущим замерам

2) Аффикс «std» обозначает, что необходим взять усредненное стандартное отклонение параметра по трем предыдущим величинам.

Триггер "Увеличение морганий" рассчитывается на основе индексов частоты морганий (Ibr) и средней длительности морганий (Ibl). Проверяемое условие:

[Ibr>(meanIbr+stdIbr)]И[Ibl>(meanIbl+stdIbl)]

Выполнение условия означает увеличение частоты и длительности морганий, что свидетельствует о когнитивном утомлении.

На Фиг. 14 приведена сводка по применяемым триггерам в блоке 5 определения состояния когнитивной нагрузки.

В качестве результатов модель мониторинга и оценки когнитивной нагрузки предусматривает при наступлении определенных условий генерацию и вывод пользователю диагностических сообщений.

Сообщение о когнитивной усталости генерируется, если выполняется триггер Tblink (увеличение морганий). При этом на носимый браслет выдается сигнал вибрации в течение 5 секунд, частота 0,5 Гц. При появлении сигнала рекомендуется прием стимулирующих средств (кофеин), либо использование активирующих упражнений (физические упражения/ активирующий тренинг по бета-ритму).

Сообщение о сложности задачи формируется, если сработало условие Tlow (увеличение низкочастотной активности). При этом на экране монитора формируется фраза: «Сейчас вы склонны переоценивать сложность задачи. Это повышает вероятность ошибок. Отслеживайте их особенно внимательно. Также будет полезно обратиться за помощью к коллегам».

На Фиг. 15 приведен перечень сообщений в блоке 5 определения состояния когнитивной нагрузки.

Разрабатываемая модель предполагает измерение выбранных показателей когнитивной нагрузки, вычисление на их основе индексов, характеризующих различные аспекты состояния усталости и работоспособности пользователей, определение некоторых граничных значений индексов или их сочетаний (триггеров) и генерацию диагностических сообщений пользователям, выдаваемые на различные внешние устройства (экран монитора, мобильные устройства).

Данная модель задаёт основную рамку модели определения когнитивной нагрузки у пользователя. Модель интегрирует все типы активности и задаёт параметры переключения от одного состояния к другому.

На Фиг. 16 приведена блок-схема модели определения состояния когнитивной нагрузки пользователя.

При необходимости определения состояния стресса блок 5 определения состояния стресса выполнен с возможностью определения коррелята состояния стресса путем определения фронтальной асимметрии, усреднения суммы отведений по скользящему окну, определения стандартного отклонения индикатора стресса и глобального среднего индикатора стресса, определения границы состояния и выхода за нее, оценки уровня эмоциональной реакции по электродермальной активности, определения абсолютного значения индикатора стресса (Фиг. 17).

На основе измеренных данных производится расчет ряда индексов, всесторонне характеризующих состояние стресса у пользователей.

Индекс асимметрии рассчитывается на основе показателей потока сигналов ЭЭГ с отведений в точках F3, F4, F6, F7 (Df3, Df4, Df6, Df7 соответственно). Индекс рассчитывается как разность логарифмов сумм мощностей в отведениях F3, F7 и сумм мощностей в отведениях F4, F8:

Iasymmetry = log(sqrt(a)) –log (sqrt (b))

Индекс усредненного ЭДА рассчитывается на основе показателей электрической проводимости кожи между двумя электродами (DEDA) как средняя величина показателей за период измерений

Ieda=mean(Deda1…. DedaN)

На Фиг. 18 приведена сводка по рассчитываемым индексам в блоке 5 определения состояния стресса.

Согласно концепции разрабатываемой модели, после расчета индексов необходимо определить их граничные значения, достижение которых означает определенный уровень когнитивного состояния пользователей (триггеры). В модели применяются следующие триггеры.

Триггер "Рост ЭДА" формируется на основе индекса усредненной ЭДА (Ieda). Проверяемое условие:

[Ieda>(mean Ieda+1.5*stdIeda)]

Выполнение триггера означает сильное увеличение тонической составляющей КГР при сходных температурных условиях. Здесь и далее:

1) Аффикс «mean» обозначает, что необходимо взять среднее значение индикатора по трем предыдущим замерам

2) Аффикс «std» обозначает, что необходим взять усредненное стандартное отклонение параметра по трем предыдущим величинам

Триггер "Асимметрия с преобладанием правополушарной активности "

Триггер формируется на основе индекса асимметрии (Iasymmetry). Проверяемое условие:

[Iasymmetry>0] И [Iasymmetry> (meanIasymmetry+2stdIasymmetry)]

Выполнение триггера означает увеличение асимметрии в альфа-активности фронтальных отведений в сторону преобладания правого полушария.

На Фиг. 19 приведена сводка по применяемым триггерам в блоке 5 определения состояния стресса.

При реализации рассматриваемой модели в составе программного комплекса для регистрации и анализа электрофизиологических параметров человека и предоставления биологической и оптической обратной связи, предусматривается определенная реакция ПК на выполнение условий триггеров, рассмотренных выше. Реакция выражается выводом определенных сообщений на внешние устройства из состава ПК: экран монитора или носимый браслет.

Сообщение формируется при выполнении триггеров " Асимметрия с преобладанием правополушарной активности " (Tasymmetry) или "Рост ЭДА" (Teda). На экран монитора выводится текст: «Вы сейчас переполнены эмоциями. Если вы чувствуете, что вам это мешает сосредоточиться на задаче - пройдите короткий БОС-тренинг на расслабление по альфа-ритму с закрытыми глазами».

На Фиг. 20 приведен перечень сообщений в блоке 5 определения состояния стресса.

Таким образом, в рамках разработки модели определения состояния уравновешенности и стресса у пользователя была разработана экспресс-методика оценки функционального состояния, не требующая сложного оборудования регистрации. Для реализации выбраны методы регистрации показателей электрической активности мозга и электродермальной активности. На Фиг. 21 приведена блок-схема модели определения состояния стресса пользователя.

При необходимости определения состояния усталости или бодрости блок 5 определения состояния усталости или бодрости выполнен с возможностью определения коррелята состояния усталости или бодрости путем определения отношения альфа-ритма к тета-ритмам, усреднения суммы отведений по скользящему окну, определения стандартного отклонения индикатора усталости или бодрости и глобального среднего индикатора усталости или бодрости, определения границы состояния и выхода за нее (Фиг. 22).

На основе измеренных данных производится расчет ряда индексов, всесторонне характеризующих состояние усталости или бодрости пользователей.

Индекс Alpha мощность рассчитывается на основании потока сигнала с электрода в точке AF7 (Daf7). Для обработки сигнала используется быстрое преобразование Фурье (FFT):

IAaf7 =FFT(Daf7),

затем рассчитывается мощность ритмов на полосе частот 8-13 Hz.

Индекс Theta мощность рассчитывается на основании потока сигнала с электрода в точке AF7 (Daf7). Для обработки сигнала используется быстрое преобразование Фурье (FFT):

ITaf7 =FFT(Daf7),

затем рассчитывается мощность ритмов на полосе частот 4-7 Hz.

Индекс Отношение Alpha/Theta рассчитывается как отношение индекса Alpha мощности к индексу Theta мощности по формуле:

Ifatigue = IAaf7 / ITaf7.

Сводка по рассчитываемым индексам приведена на Фиг. 23.

Согласно концепции разрабатываемой модели, после расчета индексов необходимо определить их граничные значения, достижение которых означает определенный уровень когнитивного состояния пользователей (триггеры). В модели применяются следующие триггеры.

Триггер "Бодрость" формируется на основе индекса Отношение Alpha/Theta (IAT). Проверяемое условие:

Ifatigue >Mean(Ifatigue)+1.96*std(Ifatigue).

Выполнение условия означает то, что пользователь находится в состоянии бодрости.

Триггер "Усталость" формируется на основе индекса Отношение Alpha/Theta (IAT). Проверяемое условие:

Ifatigue <Mean(Ifatigue)-1.5*std(Ifatigue)

Выполнение условия означает то, что пользователь находится в состоянии усталости.

Сводка по применяемым триггерам приведена на Фиг. 24.

При реализации рассматриваемой модели в составе программного комплекса для регистрации и анализа электрофизиологических параметров человека и предоставления биологической и оптической обратной связи, предусматривается определенная реакция ПК на выполнение условий триггеров, рассмотренных выше. Реакция выражается выводом определенных сообщений на внешнее устройство из состава ПК (экран монитора) или делается отметка в базе данных. Всего предусматривается одно сообщение и одна отметка в базе данных (Фиг. 25).

Сообщение об усталости генерируется, если выполняется триггер Tfatique (усталость). При появлении сигнала рекомендуется прием стимулирующих средств (кофеин), либо использование активирующих упражнений (физические упражнения/ активирующий БОС-тренинг по бета-ритму).

Отметка о состоянии бодрости формируется, если выполняется триггер Tenergy (бодрость). При этом в базе данных делается отметка о том, что пользователь находится в состоянии бодрости.

Таким образом, в рамках разработки модели определения состояния бодрости и усталости у пользователя была разработана методика оценки функционального состояния специалиста, адекватная для непрерывного мониторинга и расчетов. Для реализации модели выбраны методы регистрации показателей электрической активности мозга. Общий вид модели приведен Фиг. 26.

При необходимости определения состояния концентрации блок 5 определения состояния концентрации выполнен с возможностью суммирования фронтальной и височной бета активности, усреднения суммы отведений по скользящему окну, определения стандартного отклонения индикатора концентрации и глобального среднего индикатора концентрации, определения границы состояния и выхода за нее (Фиг. 27).

На основе измеренных данных производится расчет индекса, характеризующего состояние концентрации пользователей.

Индекс Beta мощность определяется следующим путем.

Индекс рассчитывается на основании потока сигнала с электрода в точке AF7 (Daf7). Для обработки сигнала используется быстрое преобразование Фурье (FFT):

IBaf7 =FFT(Daf7),

затем рассчитывается мощность ритмов на полосе частот 14-30 Hz.

Сводка по рассчитываемому индексу приведена на Фиг. 28.

Согласно концепции разрабатываемой модели, после расчета индексов необходимо определить их граничные значения, достижение которых означает определенный уровень когнитивного состояния пользователей (триггеры). В модели применяется следующий триггер.

Триггер "Ясность" формируется на основе индекса Beta мощность (IB af7). Проверяемое условие:

I Baf7 >Mean(I Baf7)+1.5*std(I Baf7).

Выполнение условия означает то, что пользователь находится в состоянии концентрации.

Сводка по применяемому триггеру приведена на Фиг. 29.

При реализации рассматриваемой модели в составе программного комплекса для регистрации и анализа электрофизиологических параметров человека и предоставления биологической и оптической обратной связи, предусматривается определенная реакция ПК на выполнение условий триггеров, рассмотренных выше. Реакция выражается отметкой в базе данных. Всего предусматривается одна отметка в базе данных (Фиг. 30).

Отметка о состоянии концентрации формируется, если выполняется триггер Tlucidity (ясность). При этом в базе данных делается отметка о том, что пользователь находится в состоянии концентрации.

На Фиг. 31 приведен графический вид модели определения состояний концентрации пользователя.

При необходимости определения ресурсного состояния блок 5 определения ресурсного состояния включает модуль определения состояния стресса на основе выделенных левополушарных и правополушарных альфа-ритмов, модуль определения состояния увлеченности или монотонии на основе выделенных левополушарных тета-ритмов, правополушарных альфа- и тета-ритмов, модуль определения концентрации на основе выделенных левополушарных бета-ритмов (Фиг. 32).

На Фиг. 33 приведена сводка по рассчитываемым индексам в блоке 5 определения ресурсного состояния.

Блок 5 определения ресурсного состояния также выполнен с возможностью нормирования значения каждого параметра, определения промежуточного значения ресурсного состояния, нормирования промежуточного значения ресурсного состояния, определения ресурсного состояния.

Индекс стандартизованной концентрации использует персонализованные данные о вариативности индекса концентрации у пользователя и текущее значение индекса:

Iconcz= (I Baf7-mean I Baf7)/std I Baf7

Индекс стандартизованного стресса использует персонализованные данные о вариативности индекса стресса у пользователя и текущее значение индекса:

Istressz= (I Baf7-mean I Baf7)/std I Baf7

Индекс стандартизованной увлеченности использует персонализованные данные о вариативности индекса увлеченности у пользователя и текущее значение индекса:

Ienthz= (I sum-mean I sum)/std I sum

Индекс ресурсного состояния использует на входе данные о персонализованных значениях индексов концентрации, увлеченности и стресса и рассчитывает их баланс:

IRSI= Ienthz+ Iconcz – 2*Istressz

На Фиг. 34 приведена блок-схема модели определения ресурсного состояния пользователя.

Блок 6 вывода данных представляет собой любое электронное устройство, способное выдавать информацию на какой-то из каналов восприятия пользователя, выполненный с возможностью предоставления пользователю 1 полученных результатов в текстовой, визуальной, звуковой, тактильной форме в зависимости от доступной периферии и задачи. К нему могут быть подключены монитор, дисплей, звуковые колонки, вибратор и др.

Блок 7 персонализации по меньшей мере одного заданного состояния выполнен с возможностью определения границ нормального состояния для данного пользователя 1 путем статистического анализа исторических значений по состоянию пользователя 1, и представляет собой программируемый модуль вычислительных операций, в котором происходит расчет верхней границы нормального заданного состояния пользователя на основе исторических данных, вычисляется разница между текущим значением и границей состояния, а также происходит проверка нахождения среднего значения в диапазоне триггера состояний.

Блок 8 фиксации отклонения от нормального состояния пользователя выполнен с возможностью определения нахождения пользователя 1 в заданном состоянии, и представляет собой модуль, обеспечивающий проверку сильно ли отклоняются показатели текущего состояния пользователя от обычного состояния и насколько устойчиво отклонение.

Питание всех блоков обеспечивается от общего питания ПК.

Дополнительно может быть введен блок (на чертеже не показано) взаимодействия с сервером, на котором хранятся исторические данные по пользователю 1 и на который отправляются данные о состоянии для сохранения в базе данных и предъявления с помощью веб-интерфейсов.

Заявляемая система реализует следующий способ определения психоэмоциональных состояний на основе сигнала ЭЭГ.

Пользователь 1 надевает нейроинтерфейс и включает его блютуз-адаптер для передачи сигнал ЭЭГ в заявляемую систему. В случае определения стресса на основе ЭДА пользователь 1 надевает также браслет (на чертеже не показано) и включает его блютуз-адаптер для передачи сигнала ЭЭГ и сигнала электродермальной активности в заявляемую систему.

Получают сигнал ЭЭГ от нейроинтерфейса пользователя 1 посредством блока 2 приема сигнала, затем осуществляют его первичную обработку путем спектрального разложения полученного сигнала на ритмы головного мозга с помощью блока 3 первичной обработки сигнала, при необходимости выполняют предварительное сглаживание полученного сигнала.

Для определения состояния увлеченности или монотонии осуществляют проверку сигнала на наличие помех и агрегацию первично преобразованных сигналов таких, как левополушарные тета-ритмы, правополушарные альфа- и тета-ритмы с помощью блока 4 фильтрации первично обработанных сигналов. Последующее определение состояния увлеченности или монотонии производят путем определения коррелята состояния увлеченности или монотонии посредством блока 5 определения состояния увлеченности или монотонии, сконфигурированного для выполнения суммирования первично преобразованных сигналов, усреднения суммы отведений по скользящему окну, определения стандартного отклонения индикатора увлеченности или монотонии и глобального среднего индикатора увлеченности или монотонии, определения границы состояния и выхода за нее.

Для определения состояния когнитивной нагрузки осуществляют проверку сигнала на наличие помех и агрегацию первично преобразованных сигналов таких, как левополушарные тета-ритмы и количество морганий, с помощью блока 4 фильтрации первично обработанных сигналов. Последующее определение состояния когнитивной нагрузки производят путем определения коррелята состояния когнитивной нагрузки посредством блока 5 определения состояния когнитивной нагрузки, сконфигурированного для выполнения определения количества морганий в минуту, усреднения суммы отведений по скользящему окну, определения стандартного отклонения индикатора когнитивной нагрузки и глобального среднего индикатора когнитивной нагрузки, определения границы состояния и выхода за нее.

Для определения состояния стресса на основе ЭЭ и ЭДА дополнительно получают сигнал ЭЭГ от нейроинтерфейса пользователя 1 посредством блока 2 приема сигнала. Получают сигнал электродермальной активности от браслета пользователя посредством блока (на чертеже не показано) приема сигнала электродермальной активности. Затем осуществляют первичную обработку полученного сигнала электродермальной активности и первичную обработку сигнала ЭЭГ путем спектрального разложения полученного сигнала на ритмы головного мозга с помощью блока 3 первичной обработки сигнала, при необходимости выполняют предварительное сглаживание полученного сигнала. Далее осуществляют проверку сигналов на наличие помех и агрегацию первично преобразованных сигналов таких, как левополушарные и правополушарные альфа-ритмы, с помощью блока 4 фильтрации первично обработанных сигналов. Последующее определение состояния стресса производят путем определения коррелята состояния стресса посредством блока 5 определения состояния стресса, сконфигурированного для определения фронтальной асимметрии, усреднения суммы отведений по скользящему окну, определения стандартного отклонения индикатора стресса и глобального среднего индикатора стресса, определения границы состояния и выхода за нее, оценки уровня эмоциональной реакции по электродермальной активности, определения абсолютного значения индикатора стресса.

Для определения состояния усталости или бодрости осуществляют проверку сигнала на наличие помех и агрегацию первично преобразованных сигналов таких, как левополушарные альфа- и тета-ритмы с помощью блока 4 фильтрации первично обработанных сигналов. Последующее определение состояния усталости или бодрости производят путем определения коррелята состояния усталости или бодрости посредством блока 5 определения состояния усталости или бодрости, сконфигурированного для определения отношения альфа-ритмов к тета-ритмам, усреднения суммы отведений по скользящему окну, определения стандартного отклонения индикатора усталости или бодрости и глобального среднего индикатора усталости или бодрости, определения границы состояния и выхода за нее.

Для определения состояния концентрации осуществляют проверку сигнала на наличие помех и агрегацию первично преобразованных сигналов таких, как левополушарные бета-ритмы, с помощью блока 4 фильтрации первично обработанных сигналов. Последующее определение состояния концентрации производят путем определения коррелята состояния концентрации посредством блока 5 определения состояния концентрации, сконфигурированного для выполнения суммирования фронтальной и височной бета активности, усреднения суммы отведений по скользящему окну, определения стандартного отклонения индикатора концентрации и глобального среднего индикатора концентрации, определения границы состояния и выхода за нее.

Для определения ресурсного состояния посредством блока 5 определения ресурсного состояния также выполняют нормирование значения каждого параметра, определение промежуточного значения ресурсного состояния, нормирование промежуточного значения ресурсного состояния, определение ресурсного состояния.

При необходимости после определения по меньшей мере одного заданного состояния и перед выводом полученных данных определяют границы нормального состояния для данного пользователя 1 путем статистического анализа исторических значений по состоянию пользователя 1 с помощью блока 7 персонализации состояния. А после определения границ нормального состояния для данного пользователя 1 путем статистического анализа исторических значений по состоянию пользователя и перед выводом полученных данных определяют нахождение пользователя 1 в заданном состоянии с помощью блока 8 фиксации отклонения от нормального состояния пользователя 1.

Конечный вывод данных осуществляют путем предоставления пользователю 1 полученных результатов с помощью блока 6 вывода данных, также могут быть предоставлены рекомендации.

Для перехода в желаемое состояние могут быть использованы рекомендации трех типов:

1. Рекомендации для пользователей, уверенно владеющих психонетическими практиками;

2. Рекомендации, содержащие более подробную последовательность действий;

3. Рекомендации, не связанные с психотехниками и работой с эйдограммами.

Рекомендации на основе психонетических практик требуют ознакомления с базовыми психонетическими практиками, освоение которых поможет пользователю превратить свое внимание в гибкий инструмент в первую очередь для максимально эффективного перехода из нежелательных состояний в необходимое.

Для выхода из состояния монотонии:

1. Глубоко подышите в течение нескольких минут. На вдохе - представьте, как через макушку головы в Ваше тело проникает поток энергии, распространяется по позвоночнику до низа живота. Задержите дыхание на пять секунд. А на выдохе представьте, как этот поток распространяется по всему телу. Совместите дыхание с прогулкой на свежем воздухе в течение 10-15-ти минут.

2. Разогрейте руки потерев их друг о друга. Затем помассируйте уши (мочки, козелки, внутреннюю часть) в течение 3-5-ти минут. Резко сжимайте и разжимайте кулаки. Помассируйте точку в углублении основания большого и указательного пальцев.

3. Дайте Вашему телу интенсивную физическую нагрузку в виде 10-ти минутного бега или других возможных, знакомых, подходящих лично Вам физических упражнений.

4. Отвлекитесь минут на 15-20 на любимое дело, которое всегда вызывает у Вас интерес. Вы вовлечетесь в интенсивный процесс и сможете перенести эту энергию на дальнейшую работу.

Для выхода из состояния когнитивной нагрузки:

1. Устройте 10-ти минутный активный отдых. Вспомните самые простые упражнения из школьных уроков по физкультуре и проделайте их. Сделайте 20 приседаний и/или отжиманий. Устройте пробежку. Активные движения помогут вернуться в активное состояние. После выполнения упражнений вернитесь к работе с информацией, вызвавшей когнитивную перегрузку

2. Постарайтесь разделить поступающую информацию на меньшие структурные элементы, а затем последовательно проследить связи элементов друг с другом.

3. Попробуйте нарисовать схему, отображающее ваше понимание ситуации, вызвавшей когнитивную перегрузку. Элементами схемы могут стать, к примеру, функциональные части рассматриваемого вами объекта.

Для выхода из состояния перенапряжения/стресса:

1. Закройте глаза. Переведите внимание в тело. Почувствуйте, в каких местах у Вас накопилось напряжение и распространите внимание от этой части тела по всему его объему. При этом представьте себе теплый поток, который смывает Ваше напряжение.

2. Глубоко подышите в течение нескольких минут. На вдохе – представьте, как через макушку головы в Ваше тело проникает поток энергии, распространяется по позвоночнику до низа живота. Задержите дыхание на пять секунд. А на выдохе представьте, как этот поток уносит от Вас все раздражение и напряжение.

3. Проветритесь на свежем воздухе - выйдите на балкон или прогуляйтесь по улице в течение 10-15 минут.

4. Попробуйте сопровождать описанные действия успокаивающей музыкой - той, которую Вы любите, или включите ее отдельно, концентрируя внимание лишь на ней.

Для выхода из состояния усталости:

1. Примите контрастный душ. Если такой возможности нет, то умойтесь холодной водой - это снимет напряжение с мышц лица и улучшит кровообращение. 

2. Физическая нагрузка в течение 10-15-ти минут улучшит циркуляцию крови в организме и снимет усталость. Используйте пробежку, приседания или любые другие физические упражнения, которые подходят лично Вам.

3. Хорошо помогает взбодриться и отвлечься от усталости - смех. Включите смешные ролики в интернете или почитайте анекдоты.

4. Можно пойти в обратном направлении и позволить себя полежать, расслабившись и закрыв глаза в течение 15-20-ти минут.

Система и способ могут быть реализованы на базе персонального компьютера и могут быть использованы в любой области и при любом виде деятельности, основной задачей является выявление негативного состояния и информирование о нем пользователя для принятия своевременных мер с целью повышения производительности труда или эффективности обучения.

Примеры применения способа и системы.

1. Для оценки состояния увлеченности или монотонии, стресса и концентрации и ресурсного состояния, в целом.

В детском лагере было проведено пилотное исследование возможностей нейротехнологий по оценке реакции на различные методики преподавания и курсы.

Пилотное исследование включало в себя мониторинг ресурсного состояния детей в разрезе трех состояний:

1. Стресс. Свидетельствует о негативном эмоциональном фоне.

2. Увлеченность. Свидетельствует об интересе к выполняемой задаче.

3. Концентрация. Свидетельствует о повышенном расходе нейронных ресурсов для выполнения задачи.

На основании этих критериев был вычислен Индекс ресурсного состояния (ИРС), отражающий психофизиологический баланс в процессе деятельности. ИРС позволяет провести быструю оценку того, оказывает ли активность положительное влияние на состояние детей. Чем выше ИРС, тем больший положительный эффект получает ребенок от занятия.

В оценке приняли участие 48 детей, посещающих три вида студий:

- «Керамика»

- «Ракетостроение»

- «Фортепиано»

У 7 детей собранные данные не обладают достаточной информативностью из-за особенностей возрастных изменений формы черепа, либо слишком малого времени участия в исследовании. Их данные не были включены в анализ.

На Фиг. 35-37 приведены результаты оценки усредненного состояния для студий ракетостроения, фортепиано, керамики, соответственно.

На Фиг. 38, 39 приведены результаты сравнительного анализа среднего состояния учеников за все время студии.

Ед.изм. - % времени, проведенного в каждом состоянии относительно времени замера

Выводы по исследованию:

1. Каждый из измеряемых показателей состояния находится в сильной зависимости от студии, которую посещает ребенок. Разницу между студиями нельзя объяснить различиями в возрасте детей, гендерными различиями или временем проведения занятия. Среди зафиксированных паттернов состояний нет ни одного участника, у которого встречается равномерно сниженные показатели стресса, увлеченности, концентрации. Это свидетельствует о том, что у дети активно включены в образовательный процесс. Им может не нравиться происходящее на студии (это соответствует высоким показатели стресса), но процесс обучения им не безразличен.

2. Наилучший паттерн («поток» -преобладание увлеченности и концентрации при низком стрессе) состояний наблюдается у всех участников студии «Фортепиано». Вероятнее всего такой результат возникает из-за сочетании двух основных факторов - грамотного чередования разнородной активности (самостоятельной игры на инструменте, хорового пения) и положительного эффекта, который музыка оказывает на мозг ученика. Второй фактор можно использовать для улучшения образовательной динамики остальных студий, внедряя легкую фоновую расслабляющую музыку.

3. Интересной является разница в пении и игре на инструменте: хоровое пение показывает тенденцию к снижению концентрации и повышению стресса участников. Это можно интерпретировать таким образом, что пение является менее когнитивно-сложной активностью, но при этом воспринимается как более социально ответственная деятельность.

4. Наиболее низкий ИРС наблюдается на студии «Ракетостроение». Скорее всего, это вызвано использованием на занятиях формата викторины, которая оказалась слишком сложна для большинства детей, что, в свою очередь, вызвало сильное повышение показателей стресса.

5. Формат предъявление образовательной видеозаписи оказывает положительное воздействие на концентрацию и увлеченность участников, но эффект длится недолго – спустя 3-4 минуты просмотра состояние участников нормализуется. Наилучшие состояние детей наблюдается при выполнении ручных действий - складывание ракеты-оригами. Благодаря этому можно предположить, что на более практически-ориентированных занятиях (сборка модели ракеты) состояние детей показывало бы паттерн состояния «потока».

6. Занятия на студии «Керамика» показывают паттерн состояния «потока» на большей части занятия, однако к концу занятия наблюдается спад показателей и повышение уровня стресса. Скорее всего это вызвано накоплением усталости от ручного занятия и обнаружением ошибок в сделанных изделиях. Возможно, оправдано сделать небольшое переключение (5-7 минут) во второй половине занятия на альтернативную творческую активность, не связанную с ручным трудом. Это позволит поддерживать высокий уровень концентрации детей.

Эти данные могут быть использованы при построении более эффективного учебного процесса.

2. Примером применения системы является получение преподавателем уведомлений о превышении студентами-математиками показателей когнитивной нагрузки при освоении тем из линейной алгебры. Получение подобных уведомлений является поводом для повторного объяснения участка, вызвавшего затруднения, либо организации краткосрочного перерыва. Использование своевременных рекомендаций позволяет повысить усвояемость учебного материала, что приводит к повышению оценок за промежуточное тестирование на 0.27. Результаты исследования, в котором приняли участие 34 студента, приведены на Фиг. 40.

3. При определении состояния стресса. Проведение оценки 5 различных видеороликов с рекламным содержанием на 3х пользователях на предмет обнаружения повышенной эмоциональной реакции для последующей корректировки рекламного предложения. Статистические результаты измерений ЭДА представлены на Фиг. 41-43.

Результаты изменения показателя асимметрии полушарий в альфа-диапазоне частот представлены на Фиг. 44. Рост графика означает более выраженное преобладание правополушарной активности.

Результаты изменения показателя электродермальной активности представлены на Фиг. 45. Рост графика означает более высокую электродермальную активность и более выраженную эмоциональную реакцию.

4. Примером сценария применения системы является задача контроля усталости и засыпания у водителей. При срабатывании триггера «Усталость» водитель получает громкое уведомление с рекомендацией сделать остановку для нормализации состояния, что положительно сказывается на снижении аварийности на дороге. Проблема является актуальной, так как согласно исследованиям Ford 32% российских водителей хотя бы раз засыпали за рулем.

Похожие патенты RU2740256C1

название год авторы номер документа
Система и способ определения ресурсного состояния на основе биометрического сигнала ЭЭГ 2020
  • Макаров Александр Николаевич
  • Макаров Андрей Александрович
  • Горюшко Сергей Михайлович
  • Апрельский Егор Вадимович
  • Патрикеева Наталья Валентиновна
  • Утюшева Лариса Дмитриевна
  • Добротворский Алексей Сергеевич
RU2736804C1
Система и способ определения состояния усталости или бодрости на основе биометрического сигнала ЭЭГ 2020
  • Макаров Александр Николаевич
  • Макаров Андрей Александрович
  • Горюшко Сергей Михайлович
  • Апрельский Егор Вадимович
  • Патрикеева Наталья Валентиновна
  • Утюшева Лариса Дмитриевна
  • Добротворский Алексей Сергеевич
RU2736710C1
Система и способ определения состояния увлеченности или монотонии на основе биометрического сигнала ЭЭГ 2020
  • Макаров Александр Николаевич
  • Макаров Андрей Александрович
  • Горюшко Сергей Михайлович
  • Апрельский Егор Вадимович
  • Патрикеева Наталья Валентиновна
  • Утюшева Лариса Дмитриевна
  • Шкварина Анастасия Викторовна
RU2736707C1
Система и способ определения состояния когнитивной нагрузки на основе биометрического сигнала ЭЭГ 2020
  • Макаров Александр Николаевич
  • Макаров Андрей Александрович
  • Горюшко Сергей Михайлович
  • Апрельский Егор Вадимович
  • Патрикеева Наталья Валентиновна
  • Утюшева Лариса Дмитриевна
  • Добротворская Вера Сергеевна
  • Самочадин Александр Викторович
RU2736709C1
Система и способ определения состояния стресса на основе биометрического сигнала ЭЭГ и электродермальной активности 2020
  • Макаров Александр Николаевич
  • Макаров Андрей Александрович
  • Горюшко Сергей Михайлович
  • Апрельский Егор Вадимович
  • Патрикеева Наталья Валентиновна
  • Утюшева Лариса Дмитриевна
  • Павлова Марина Кириловна
  • Шкварина Анастасия Викторовна
RU2736397C1
Система и способ определения состояния стресса на основе биометрического сигнала ЭЭГ 2020
  • Макаров Александр Николаевич
  • Макаров Андрей Александрович
  • Горюшко Сергей Михайлович
  • Апрельский Егор Вадимович
  • Патрикеева Наталья Валентиновна
  • Утюшева Лариса Дмитриевна
  • Добротворская Вера Сергеевна
  • Маслов Максим Юрьевич
RU2736711C1
Система и способ определения состояния концентрации на основе биометрического сигнала ЭЭГ 2020
  • Макаров Александр Николаевич
  • Макаров Андрей Александрович
  • Горюшко Сергей Михайлович
  • Апрельский Егор Вадимович
  • Патрикеева Наталья Валентиновна
  • Утюшева Лариса Дмитриевна
  • Павлова Марина Кирилловна
RU2736803C1
Способ информационного, психоэмоционального и ассоциативного воздействия на состояние человека 2018
  • Шевченко Олег Юрьевич
  • Меркулов Алексей Станиславович
RU2715190C2
СПОСОБ ОПРЕДЕЛЕНИЯ ОСОБЕННОСТЕЙ ТЕЧЕНИЯ ЭПИЛЕПСИИ НА ОСНОВЕ ФИЗИОЛОГИЧЕСКИХ ПОКАЗАТЕЛЕЙ МЕТОДОМ ЛОГИТ-РЕГРЕССИОННОГО АНАЛИЗА 2016
  • Зорин Роман Александрович
  • Жаднов Владимир Алексеевич
  • Лапкин Михаил Михайлович
RU2637297C1
СПОСОБ НОРМАЛИЗАЦИИ ПСИХОФИЗИОЛОГИЧЕСКОГО СОСТОЯНИЯ 2009
  • Константинов Константин Викторович
RU2428927C2

Иллюстрации к изобретению RU 2 740 256 C1

Реферат патента 2021 года Система и способ определения психоэмоциональных состояний на основе биометрического сигнала ЭЭГ

Группа изобретений относится к медицине, а именно к способу и системе определения психоэмоциональных состояний на основе сигнала ЭЭГ. При исполнении способа получают сигнал ЭЭГ от нейроинтерфейса пользователя посредством блока приема сигнала. Выполняют его первичную обработку путем спектрального разложения полученного сигнала на ритмы головного мозга с помощью блока первичной обработки сигнала. Блок первичной обработки соединен с блоком приема сигнала. Выполняют проверку сигнала на наличие помех и агрегацию первично преобразованных сигналов с выделением ритмов головного мозга, соответствующих по меньшей мере одному заданному состоянию, с помощью блока фильтрации первично обработанных сигналов. Блок фильтрации соединен с блоком первичной обработки сигнала. Определяют заданное состояние посредством блока определения заданного состояния, сконфигурированного для определения коррелята этого состояния. Блок определения заданного состояния соединен с блоком фильтрации. Определяют границы нормального состояния для данного пользователя путем статистического анализа исторических значений по состоянию пользователя на основании полученного сигнала ЭЭГ с помощью блока персонализации заданного состояния. Блок персонализации соединен с блоком определения заданного состояния. Выводят данные путем предоставления пользователю полученных результатов с помощью блока вывода данных. Блок вывода соединен с блоком персонализации. Достигается повышение достоверности определения текущего психоэмоционального состояния за счет повышения точности обработки полученных данных и расширенной интерпретации данных о мозговой активности пользователя в режиме реального времени с помощью автоматической персонализации на основе накопления статистических параметров, собранных по индивидуальному пользователю тех инвариантных относительно конкретного пользователя признаков сигнала, которые были обнаружены в ходе проведения исследований. 2 н. и 6 з.п. ф-лы, 45 ил.

Формула изобретения RU 2 740 256 C1

1. Система определения психоэмоциональных состояний на основе сигнала ЭЭГ включает

блок приема сигнала, выполненный с возможностью получения сигнала ЭЭГ от нейроинтерфейса пользователя, с которым соединен

блок первичной обработки сигнала, выполненный с возможностью спектрального разложения полученного сигнала на ритмы головного мозга, с которым соединен

блок фильтрации первично обработанных сигналов, выполненный с возможностью проверки сигнала на наличие помех и агрегации первично преобразованных сигналов с выделением ритмов головного мозга, соответствующих по меньшей мере одному заданному состоянию, с которым соединен

блок определения по меньшей мере одного заданного состояния, выполненный с возможностью определения коррелята этого состояния, с которым соединен

блок персонализации заданного состояния, выполненный с возможностью определения границ нормального состояния для данного пользователя путем статистического анализа исторических значений по состоянию пользователя на основании полученного сигнала ЭЭГ, с которым соединен

блок вывода данных, выполненный с возможностью предоставления пользователю полученных результатов.

2. Система по п. 1, отличающаяся тем, что блок первичной обработки сигнала выполнен с возможностью реализации предварительного сглаживания полученного сигнала.

3. Система по п. 1, отличающаяся тем, что блок фильтрации первично обработанных сигналов позволяет выделять ритмы головного мозга, соответствующие состояниям увлеченности или монотонии, когнитивной нагрузки, стресса, бодрости или усталости, концентрации, а блок определения заданного состояния позволяет определять коррелят указанных состояний.

4. Система по п. 1, отличающаяся тем, что введен блок фиксации отклонения от нормального состояния пользователя, соединенный с блоком персонализации состояний и блоком вывода данных и выполненный с возможностью определения нахождения пользователя в заданном состоянии.

5. Способ определения психоэмоциональных состояний на основе сигнала ЭЭГ включает

получение сигнала ЭЭГ от нейроинтерфейса пользователя посредством блока приема сигнала,

его первичную обработку путем спектрального разложения полученного сигнала на ритмы головного мозга с помощью блока первичной обработки сигнала,

проверку сигнала на наличие помех и агрегацию первично преобразованных сигналов с выделением ритмов головного мозга, соответствующих по меньшей мере одному заданному состоянию, с помощью блока фильтрации первично обработанных сигналов,

определение по меньшей мере одного заданного состояния посредством блока определения заданного состояния, сконфигурированного для определения коррелята этого состояния,

определение границ нормального состояния для данного пользователя путем статистического анализа исторических значений по состоянию пользователя на основании полученного сигнала ЭЭГ с помощью блока персонализации заданного состояния,

вывод данных путем предоставления пользователю полученных результатов с помощью блока вывода данных.

6. Способ по п. 5, отличающийся тем, что на этапе первичной обработки сигнала ЭЭГ выполняют предварительное сглаживание полученного сигнала.

7. Способ по п. 5, отличающийся тем, что на этапе агрегации ритмов головного мозга выделяют ритмы, соответствующие состояниям увлеченности или монотонии, когнитивной нагрузки, стресса, бодрости или усталости, концентрации, а затем определяют корреляты указанных состояний.

8. Способ по п. 5, отличающийся тем, что после определения границ нормального состояния для данного пользователя путем статистического анализа исторических значений по состоянию пользователя и перед выводом полученных данных определяют нахождение пользователя в заданном состоянии с помощью блока фиксации отклонения от нормального состояния пользователя.

Документы, цитированные в отчете о поиске Патент 2021 года RU2740256C1

US 2014316230 A1, 23.10.2014
WO 2008091323 A1, 31.07.2008
ЛАКТИОНОВА О.И., ЭЭГ - КОРРЕЛЯТЫ ПСИХИЧЕСКИХ ОСОБЕННОСТЕЙ И СОСТОЯНИЙ ЧЕЛОВЕКА, ОРЛОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ, 2014 г., 36-37
US 2019328306 A1, 31.10.2019
AU 2016205850 A1, 27.07.2017
RU 2010122123 A, 10.12.2011.

RU 2 740 256 C1

Авторы

Макаров Александр Николаевич

Макаров Андрей Александрович

Горюшко Сергей Михайлович

Апрельский Егор Вадимович

Патрикеева Наталья Валентиновна

Утюшева Лариса Дмитриевна

Даты

2021-01-12Публикация

2020-02-19Подача