基于FastICA的EEG分析在“空中課堂”教學中的應用

陳峰 李子泉 馮鑫 倪振杰 韓瑞

【摘 要】隨著新課程改革的發展和互聯網技術的普及，“空中課堂”因其不受時空約束，高效便捷的特性倍受教育者的青睞。為了避免師生不能及時互動的局限性，本文提出一種新的教學研究方法，在FastICA算法的基礎上，利用學生觀看教師授課視頻時所產生的腦電波數據進行科學分析，并通過MATLAB進行仿真實驗。實驗結果驗證了此方法的科學有效性。教育工作者可以利用本文提出的方法及時掌控學生對各知識點掌握的程度以及在學習過程中關注度的變化規律，從而進一步提高教學效果和改進“空中課堂”的教學系統設置。

【關鍵詞】MOOC；FastICA；在線課堂；腦電波

中圖分類號： G712.4 文獻標識碼： A 文章編號： 2095-2457（2018）33-0001-003

DOI：10.19694/j.cnki.issn2095-2457.2018.33.001

【Abstract】With the development of the new curriculum reform and the popularization of Internet technology，“class online” is favored by educators，which is not constrained by time and space， and it is efficient and convenient as well. In order to avoid the limitation that teachers and students cannot communicate with each other in time，this paper proposes a new teaching research method，which is based on FastICA， by analyzing the EEG data generated by students watching teaching videos scientifically， and the simulation experiment is carried out by MATLAB. Experimental results show that the method is scientific and effective. Educators can make full use of the method to master the situation of students of each knowledge point and the changing rule of their attention in the learning process.These can be used to improve the teaching levels of teachers，and the “class online” teaching system settings.

【Key words】MOOC；FastICA；Class online；EEG

0 前言

隨著現代化教育的快速發展，互聯網技術的日益普及，“空中課堂”因其不受時空約束，高效便捷等特性越來越受教育者的青睞。為了深入推進國家教育信息化試點省建設，率先建成省級基礎教育資源運用平臺，開展智慧學校建設，安徽省基礎教育常規化在線課堂應用實現所有教學點的全覆蓋，累計開課53.9萬余節，總受益學生35萬余人。但是“空中課堂”教學也有其存在的缺陷，例如，教師不能及時掌控學生的學習狀況，學生自主學習的盲目性等。為了解決這個問題，本文在FastICA算法基礎上，提出一種新型的教學研究方法，利用學生觀看授課視頻過程中腦電波圖像，通過采集學生的EEG，進行數據分析，有利于教師及時掌控學生對知識點的掌握程度，以及學生學習關注度的變化規律，從而為教師提高教學效果，以及學生學習效率提供科學依據。

1 “空中課堂”背景

“空中課堂”是一種新型的教學模式，指的是利用先進的網絡通信技術以及現代化的通訊設備進行線上教學。與傳統課堂相比，“空中課堂”有三大優勢：（1）在學生的閑暇之余，可以隨時隨地利用身邊的一些通訊設備進行學習，比如：手機，臺式電腦或平板電腦等移動通訊設備，不受教室的束縛，更為方便快捷；（2）將教師上課的過程錄制下來，可供學生反復觀看，不受時空的約束；（3）可以支持萬人同時聽課，在教師資源有限的情況下，充分利用教師資源。因此“空中課堂”隨著科技的發展迅速成為熱點。“空中課堂”類的網絡APP迅速普及，例如：中國大學MOOC，騰訊課堂，網易云課堂，阿里云課堂等APP。

2 腦電波的基本知識[1]

自意大利解剖教授Galvani在18世紀末創立了動物電學說以來，研究電生理學方面的儀器不斷得到改善。直至19世紀中葉，英國利物浦皇家學院Richard Carton發現了腦電反應。20世紀早期，德國耶拿大學精神科教授Hans Berger博士采集到了人類的腦電現象，并將其命名為Electroencephalogram（EEG）。20世紀中期，Dieth、Dumenruth、P.Senthil Kumar 和TP Tjung等人開始用FFT、PCA、ICA等方法對EEG進行去除偽跡，有效地將眼電、外界磁場等影響成分分離去除。從而，EEG信號開始用于傳統的身份識別、注意力訓練、對智能機器的控制、臨床醫學領域、對癲癇等精神病的治療和疲勞檢測預警等研究領域。

EEG是大腦在活動時，腦皮質細胞群之間形成電位差，從而在大腦皮質的細胞外產生電流。它實時記錄下大腦活動時的電波變化，是腦神經細胞的電生理活動在大腦皮層或頭皮表面的總體反映。EEG在初期是一個醫學上的重要指標和特征，臨床應用上將腦電采集設備所采集到的時域EEG信號經過傅里葉變換為頻域信號，并根據所處頻帶的不同，將EEG信號分為δ波（0.53.5Hz）、θ波（47Hz）、？鄣波（812Hz）以及β波（12.528Hz），δ波和θ波所屬頻率較低，統稱慢波；β波所屬的頻率相對較高，統稱快波。δ波頻率0.53.5Hz，當人在嬰兒期或智力發育不成熟、成年人在極度疲勞和昏睡狀態下，可出現這種波段。此外，正常的成年人處于深度睡眠、麻醉或缺氧等狀態下也會產生δ波。θ波頻率47Hz，成年人在意愿受到挫折和抑郁時以及精神病患者這種波極為顯著。通常，當人的精神狀態處于深度松弛或者淺睡時，比較容易出現θ波。？鄣波頻率812Hz，平均數為10次左右，它是正常人EEG的基本節律，有時出現有時消失，并不是總是存在。例如，在深睡情況下沒有？鄣波；如果一個人在激動狀態下，或者恐懼，憤怒時，大腦中也沒有？鄣腦波。如果沒有外加的刺激，其頻率是相當恒定的。人在清醒、安靜并閉眼時該節律最為明顯，睜開眼睛或接受其他刺激時，？鄣波即刻消失。在人心情愉悅或靜β波頻率12.528Hz，當精神緊張和情緒激動或亢奮時出現此波，當人從睡夢中驚醒時，原來的慢波節律可立即被該節律所替代，在清醒時也出現，需努力能達到的注意力集中。冥想時，一直興奮的β波、δ波或θ波此刻弱了下來，？鄣波相對來說得到了強化，這種波形最接近右腦的腦電生物節律，人的靈感狀態就出現了。

通過以上分析，發現教師可以利用EEG的數據進行科學深入分析，及時掌控學生在“空中課堂”自主學習時對知識點掌握的情況，以及學習關注度的變化規律，從而提高“空中課堂”的教學效果。

3 EEG信號的采集與去噪

EEG信號采集[2]的設備大致分為多電極腦電設備和單電極腦電設備。單電極腦電設備主要是便攜式腦電監測設備，在易用性、成本以及便攜性等方面優于多電極腦電設備，因此非常適用于“空中課堂”中學生的EEG數據采集。

“空中課堂”從大腦皮層采集的EEG信號非常微弱，并且會夾雜外界設備電磁、噪聲和人體自身內部的眼電、肌電、心電等一些干擾信號，因此研究EEG信號必須去除干擾信號。去除EEG偽跡的方法目前有基于時域的回歸、基于頻域的回歸、快速傅里葉變換（FFT）和主成分分析（PCA）等算法，但由于EEG信號具有時變、非平穩等特性，大部分算法存在著較大的局限，不能充分去除偽跡和充分反映腦電信號。由于幾乎所有源信號都是統計獨立的，所以可以采用快速獨立成分分析法（FastICA）從混合信號中分離出源信號，從而有效地從EEG中分離出偽跡信號[3-4]。

4 快速獨立成分分析法（FastICA）[1-5]

4.1 快速獨立成分分析法（FastICA）的原理

4.3 FastICA的校正[7-8]

由于FastICA估計有盲不確定性，使得變換的結果不能直接用于源識別，但考慮到FastICA估計所特有的波形保持性質，因此需要通過引入必要的分析校正來消除不確定性誤差。需要在x（t）=As（t）中加一個幅值n（t），對真實源信號s（t）和混合矩陣A的較為準確的估計，從而實現真實源的識別與重建。

采取如下措施：（1）分 析 校 正 前， 對 FastICA估計源yi的幅值進行歸一化處理，以盡可能減小幅值不確定性的影響；（2）試驗研究發FastICA估計的相位不確定性往往表現為180°相移誤差[10]，則對FastICA估計yi源的相位作180°自適應調整。

5 仿真實驗

為驗證上述算法的有效性，下面進行MATLAB仿真實驗。

利用MATLAB模擬出獨立源信號：正弦波、方波、三角波以及隨機信號。模擬信號如下圖3所示：

加入噪聲偽跡后的觀測信號如下圖4所示：

利于FastICA算法進行分離，得到4個近似信號圖如下：

對比圖3和圖5，運用FastICA算法分離出的信號圖與源信號圖近似相同，因此可以看出本文所采用去除EEG偽跡的方法可行。

6 腦電波在空中課堂的應用

運用FastICA處理學生上“空中課堂”時的EEG，得出一個源信號，將其劃分為α，β，θ，δ4個階段，其振幅分別為20100uv，520uv，100150uv，20200uv。當注意力集中時，α波的相關系數最高[9]，即EEG主要體現為α波形時，相關系數達90%，學生的注意力特別集中。因此當學生α波相關系數較高時，教育者應該進行重難知識點的教學，當相關系數較低時，教育者應該提醒、激勵、鼓勵學生，從而可以根據每個學生腦電波分析的不同結果實時掌控和因材施教。

7 總結

通過以上討論，學生在“空中課堂”的學習過程中，教師可以利用單電極腦電設備采集學生的EEG信號，通過FastICA算法對數據進行處理，從而得到源信號，根據源信號的變化，科學分析得出學生對知識專注度變化的規律，利用這種規律，對教師的上課方式加以改進，進而滿足學生的個性化學習，因材施教，提升學生上課的效率，有效促進教師教學水平的提高。

【參考文獻】

[1]黃川，戴志誠.腦電波信號處理及其在教育中的應用研究[J].中國學位論文全文數據庫，2016.

[2]尹晟霖，李鳳銀，于曉璇，程佳楷，吉翰云.腦電波傳感器研究及應用[J].電子技術，2018（7）.

[3]葉瑜，沈繼忠.基于獨立分量分析的P300腦電信號處理算法研究[J].中國學位論文全文數據庫，2013.

[4]王炳浩，魏建勤，吳永紅.汽車駕駛員瞌睡狀態腦電波特征的初步探索[J].汽車工程，2004，26（1）：70-72.

[5]王佳威，莊伯金.腦電波信號的處理方法與應用[J].中國學位論文全文數據庫，2015.

[6]沈家全，姜羅羅.行為決策與腦電波特征分析[J].中國學位論文全文數據庫，2017.

[7]焦衛東，楊世錫，錢蘇翔，嚴供標.基于FFT-MCC分析的ICA（BSS）盲不確定性消除[J].中國機械工程，2006，17（7）：16-20.

[8]莫崇相，陸森林.基于頻譜相似度的ICA不確定性快速消除[J].噪聲與振動控制，2008，28（5）：102-104.

[9]龔琦，卓旭什，陶茂剛.腦電信號與注意力的關聯研究[J].中國學位論文全文數據庫，2017.