本发明属于注意力识别，尤其涉及一种基于单通道脑电信号和卷积神经网络的注意力识别方法。
背景技术：
1、注意力对我们的学习和工作都至关重要。注意力识别技术具有重要的应用价值，例如，精确地识别司机在驾驶时的注意力能够有效地降低交通事故的发生概率。此外，注意力识别技术还是神经反馈技术的基础。神经反馈作为一种治疗脑功能障碍的医学技术，具有十分重要的临床价值。相关研究曾使用人体的一些行为特征进行注意力识别，例如头部姿势和面部特征。但这些特征受个体的主观意愿控制，导致识别结果不够客观。因此，由人体自发产生的各种生理信号成为了更合适的选择。常用的生理信号包括脑电信号、心电信号、功能性近红外光谱。其中，脑电信号凭借低成本、非侵入性、高时间分辨率等优点被广泛使用。
2、现有技术中，这些脑电波的功率或能量比率被量化为单一的数值并用作识别注意力的指标。然而，由于大脑的电活动是一个十分复杂的过程且脑电信号存在个体差异性，这种方法的准确性不高，通用性不强。此外，当前主要采用多通道脑电信号来进行注意力识别，但多通道脑电采集设备在佩戴前需要繁琐的准备工作，且佩戴起来也很不方便。
技术实现思路
1、为解决上述技术问题，本发明提出了一种基于单通道脑电信号和卷积神经网络的注意力识别方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本发明提供了一种基于单通道脑电信号和卷积神经网络的注意力识别方法，包括以下步骤：
3、使用不同难度等级的任务诱发受试者的注意力状态，同步采集受试者的脑电信号，获得原始单通道脑电信号；
4、对所述原始单通道脑电信号进行预处理，获得关键特征；
5、构建轻量级卷积神经网络模型，基于所述关键特征对所述轻量级卷积神经网络模型进行训练，获得注意力识别模型；
6、基于所述注意力识别模型对待识别脑电信号进行识别，获得注意力等级。
7、优选地，所述不同难度等级的任务包括stroop色彩干扰测试、schulte表和心算。
8、优选地，对所述原始单通道脑电信号进行预处理的方法包括：
9、为所述原始单通道脑电信号添加标签；
10、将原始单通道脑电信号分解为不同频带，并从中提取关键节点作为关键特征。
11、优选地，所述标签的获取方法包括：
12、受试者使用注意力自评量表报告执行任务期间的注意力水平，报告的结果作为原始单通道脑电信号的数据标签。
13、优选地，将原始单通道脑电信号分解为不同的频带的方法包括：通过十级小波包分解原始单通道脑电信号。
14、优选地，提取关键节点的表达式为：
15、
16、其中，db5表示小波函数，input是输入的原始脑电信号，wpd是用于分解输入信号的小波包分解函数，wpt(s)是与输入信号的第10级分解相对应的小波包树对象，wpr是用于重构分解信号的小波包重构函数，其中，[70]表示第7层的节点0，[87]表示第8层的节点7，[100]表示第10层的节点0，[71]表示第7层的节点1，[72]表示第7层的节点2，[86]表示第8层的节点6，[51]表示第5层的节点1，[815]表示第8层的节点15，[41]表示第4层的节点1。
17、优选地，所述轻量级卷积神经网络模型包括三个卷积层、三个最大池化层、两个全连接层、一个dropout层和输出层；
18、所述卷积层用于从输入数据中提取特征，所有卷积层的卷积核大小为3*3，并选择relu作为激活函数；
19、所述池化层用于在保留主要特征的同时减少参数，最大池化层的大小为2*2；
20、所述全连接层用于将从卷积层和池化层获得的特征映射到样本标记空间；
21、所述dropout层用于随机挑选一些节点参与模型预测，防止过拟合；
22、所述输出层是一个全连接层，输出三种注意力状态的概率，最终的预测结果由最大概率决定。
23、优选地，使用反向传播算法来学习和优化轻量级卷积神经网络模型参数。
24、优选地，所述轻量级卷积神经网络模型性能的评估指标包括精度、召回率、f1-score和准确率；
25、评估指标表达式为：
26、
27、其中，tp表示模型正确地将正样本识别为正样本的数量；fp表示模型错误地将负样本识别为正样本的数量；tn表示模型正确地将负样本识别为负样本的数量；fn表示模型错误地将正样本识别为负样本的数量。
28、优选地，对模型的识别能力进行评估的方法包括10倍交叉验证法和留一交叉验证法。
29、与现有技术相比，本发明具有如下优点和技术效果：
30、本发明公开了一种基于单通道脑电信号和卷积神经网络的注意力识别方法，包括以下步骤：使用不同难度等级的任务诱发受试者的注意力状态，同步采集受试者的脑电信号，获得原始单通道脑电信号；对原始单通道脑电信号进行预处理，获得关键特征；构建轻量级卷积神经网络模型，基于关键特征对轻量级卷积神经网络模型进行训练，获得注意力识别模型；基于注意力识别模型对待识别脑电信号进行识别，获得注意力等级。本发明通过对单通道脑电信号进行识别能够准确获得注意力等级，本发明能够适用于更多应用场景。
1.一种基于单通道脑电信号和卷积神经网络的注意力识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于单通道脑电信号和卷积神经网络的注意力识别方法，其特征在于，
3.根据权利要求1所述的基于单通道脑电信号和卷积神经网络的注意力识别方法，其特征在于，
4.根据权利要求3所述的基于单通道脑电信号和卷积神经网络的注意力识别方法，其特征在于，
5.根据权利要求3所述的基于单通道脑电信号和卷积神经网络的注意力识别方法，其特征在于，
6.根据权利要求3所述的基于单通道脑电信号和卷积神经网络的注意力识别方法，其特征在于，
7.根据权利要求1所述的基于单通道脑电信号和卷积神经网络的注意力识别方法，其特征在于，
8.根据权利要求7所述的基于单通道脑电信号和卷积神经网络的注意力识别方法，其特征在于，
9.根据权利要求7所述的基于单通道脑电信号和卷积神经网络的注意力识别方法，其特征在于，
10.根据权利要求1所述的基于单通道脑电信号和卷积神经网络的注意力识别方法，其特征在于，
