陈峰 李子泉 冯鑫 倪振杰 韩瑞

【摘 要】随着新课程改革的发展和互联网技术的普及，“空中课堂”因其不受时空约束，高效便捷的特性倍受教育者的青睐。为了避免师生不能及时互动的局限性，本文提出一种新的教学研究方法，在FastICA算法的基础上，利用学生观看教师授课视频时所产生的脑电波数据进行科学分析，并通过MATLAB进行仿真实验。实验结果验证了此方法的科学有效性。教育工作者可以利用本文提出的方法及时掌控学生对各知识点掌握的程度以及在学习过程中关注度的变化规律，从而进一步提高教学效果和改进“空中课堂”的教学系统设置。

【关键词】MOOC；FastICA；在线课堂；脑电波

中图分类号： G712.4 文献标识码： A 文章编号： 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

隨着现代化教育的快速发展，互联网技术的日益普及，“空中课堂”因其不受时空约束，高效便捷等特性越来越受教育者的青睐。为了深入推进国家教育信息化试点省建设，率先建成省级基础教育资源运用平台，开展智慧学校建设，安徽省基础教育常规化在线课堂应用实现所有教学点的全覆盖，累计开课53.9万余节，总受益学生35万余人。但是“空中课堂”教学也有其存在的缺陷，例如，教师不能及时掌控学生的学习状况，学生自主学习的盲目性等。为了解决这个问题，本文在FastICA算法基础上，提出一种新型的教学研究方法，利用学生观看授课视频过程中脑电波图像，通过采集学生的EEG，进行数据分析，有利于教师及时掌控学生对知识点的掌握程度，以及学生学习关注度的变化规律，从而为教师提高教学效果，以及学生学习效率提供科学依据。

1 “空中课堂”背景

“空中课堂”是一种新型的教学模式，指的是利用先进的网络通信技术以及现代化的通讯设备进行线上教学。与传统课堂相比，“空中课堂”有三大优势：（1）在学生的闲暇之余，可以随时随地利用身边的一些通讯设备进行学习，比如：手机，台式电脑或平板电脑等移动通讯设备，不受教室的束缚，更为方便快捷；（2）将教师上课的过程录制下来，可供学生反复观看，不受时空的约束；（3）可以支持万人同时听课，在教师资源有限的情况下，充分利用教师资源。因此“空中课堂”随着科技的发展迅速成为热点。“空中课堂”类的网络APP迅速普及，例如：中国大学MOOC，腾讯课堂，网易云课堂，阿里云课堂等APP。

2 脑电波的基本知识[1]

自意大利解剖教授Galvani在18世纪末创立了动物电学说以来，研究电生理学方面的仪器不断得到改善。直至19世纪中叶，英国利物浦皇家学院Richard Carton发现了脑电反应。20世纪早期，德国耶拿大学精神科教授Hans Berger博士采集到了人类的脑电现象，并将其命名为Electroencephalogram（EEG）。20世纪中期，Dieth、Dumenruth、P.Senthil Kumar 和TP Tjung等人开始用FFT、PCA、ICA等方法对EEG进行去除伪迹，有效地将眼电、外界磁场等影响成分分离去除。从而，EEG信号开始用于传统的身份识别、注意力训练、对智能机器的控制、临床医学领域、对癫痫等精神病的治疗和疲劳检测预警等研究领域。

EEG是大脑在活动时，脑皮质细胞群之间形成电位差，从而在大脑皮质的细胞外产生电流。它实时记录下大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。EEG在初期是一个医学上的重要指标和特征，临床应用上将脑电采集设备所采集到的时域EEG信号经过傅里叶变换为频域信号，并根据所处频带的不同，将EEG信号分为δ波（0.53.5Hz）、θ波（47Hz）、？鄣波（812Hz）以及β波（12.528Hz），δ波和θ波所属频率较低，统称慢波；β波所属的频率相对较高，统称快波。δ波频率0.53.5Hz，当人在婴儿期或智力发育不成熟、成年人在极度疲劳和昏睡状态下，可出现这种波段。此外，正常的成年人处于深度睡眠、麻醉或缺氧等状态下也会产生δ波。θ波频率47Hz，成年人在意愿受到挫折和抑郁时以及精神病患者这种波极为显著。通常，当人的精神状态处于深度松弛或者浅睡时，比较容易出现θ波。？鄣波频率812Hz，平均数为10次左右，它是正常人EEG的基本节律，有时出现有时消失，并不是总是存在。例如，在深睡情况下没有？鄣波；如果一个人在激动状态下，或者恐惧，愤怒时，大脑中也没有？鄣脑波。如果没有外加的刺激，其频率是相当恒定的。人在清醒、安静并闭眼时该节律最为明显，睁开眼睛或接受其他刺激时，？鄣波即刻消失。在人心情愉悦或静β波频率12.528Hz，当精神紧张和情绪激动或亢奋时出现此波，当人从睡梦中惊醒时，原来的慢波节律可立即被该节律所替代，在清醒时也出现，需努力能达到的注意力集中。冥想时，一直兴奋的β波、δ波或θ波此刻弱了下来，？鄣波相对来说得到了强化，这种波形最接近右脑的脑电生物节律，人的灵感状态就出现了。

通过以上分析，发现教师可以利用EEG的数据进行科学深入分析，及时掌控学生在“空中课堂”自主学习时对知识点掌握的情况，以及学习关注度的变化规律，从而提高“空中课堂”的教学效果。

3 EEG信号的采集与去噪

EEG信号采集[2]的设备大致分为多电极脑电设备和单电极脑电设备。单电极脑电设备主要是便携式脑电监测设备，在易用性、成本以及便携性等方面优于多电极脑电设备，因此非常适用于“空中课堂”中学生的EEG数据采集。

“空中课堂”从大脑皮层采集的EEG信号非常微弱，并且会夹杂外界设备电磁、噪声和人体自身内部的眼电、肌电、心电等一些干扰信号，因此研究EEG信号必须去除干扰信号。去除EEG伪迹的方法目前有基于时域的回归、基于频域的回归、快速傅里叶变换（FFT）和主成分分析（PCA）等算法，但由于EEG信号具有时变、非平稳等特性，大部分算法存在着较大的局限，不能充分去除伪迹和充分反映脑电信号。由于几乎所有源信号都是统计独立的，所以可以采用快速独立成分分析法（FastICA）从混合信号中分离出源信号，从而有效地从EEG中分离出伪迹信號[3-4]。

4 快速独立成分分析法（FastICA）[1-5]

4.1 快速独立成分分析法（FastICA）的原理

4.3 FastICA的校正[7-8]

由于FastICA估计有盲不确定性，使得变换的结果不能直接用于源识别，但考虑到FastICA估计所特有的波形保持性质，因此需要通过引入必要的分析校正来消除不确定性误差。需要在x（t）=As（t）中加一个幅值n（t），对真实源信号s（t）和混合矩阵A的较为准确的估计，从而实现真实源的识别与重建。

采取如下措施：（1）分 析 校 正 前， 对 FastICA估计源yi的幅值进行归一化处理，以尽可能减小幅值不确定性的影响；（2）试验研究发FastICA估计的相位不确定性往往表现为180°相移误差[10]，则对FastICA估计yi源的相位作180°自适应调整。

5 仿真实验

为验证上述算法的有效性，下面进行MATLAB仿真实验。

利用MATLAB模拟出独立源信号：正弦波、方波、三角波以及随机信号。模拟信号如下图3所示：

加入噪声伪迹后的观测信号如下图4所示：

利于FastICA算法进行分离，得到4个近似信号图如下：

对比图3和图5，运用FastICA算法分离出的信号图与源信号图近似相同，因此可以看出本文所采用去除EEG伪迹的方法可行。

6 脑电波在空中课堂的应用

运用FastICA处理学生上“空中课堂”时的EEG，得出一个源信号，将其划分为α，β，θ，δ4个阶段，其振幅分别为20100uv，520uv，100150uv，20200uv。当注意力集中时，α波的相关系数最高[9]，即EEG主要体现为α波形时，相关系数达90%，学生的注意力特别集中。因此当学生α波相关系数较高时，教育者应该进行重难知识点的教学，当相关系数较低时，教育者应该提醒、激励、鼓励学生，从而可以根据每个学生脑电波分析的不同结果实时掌控和因材施教。

7 总结

通过以上讨论，学生在“空中课堂”的学习过程中，教师可以利用单电极脑电设备采集学生的EEG信号，通过FastICA算法对数据进行处理，从而得到源信号，根据源信号的变化，科学分析得出学生对知识专注度变化的规律，利用这种规律，对教师的上课方式加以改进，进而满足学生的个性化学习，因材施教，提升学生上课的效率，有效促进教师教学水平的提高。

【参考文献】

[1]黄川，戴志诚.脑电波信号处理及其在教育中的应用研究[J].中国学位论文全文数据库，2016.

[2]尹晟霖，李凤银，于晓璇，程佳楷，吉翰云.脑电波传感器研究及应用[J].电子技术，2018（7）.

[3]叶瑜，沈继忠.基于独立分量分析的P300脑电信号处理算法研究[J].中国学位论文全文数据库，2013.

[4]王炳浩，魏建勤，吴永红.汽车驾驶员瞌睡状态脑电波特征的初步探索[J].汽车工程，2004，26（1）：70-72.

[5]王佳威，庄伯金.脑电波信号的处理方法与应用[J].中国学位论文全文数据库，2015.

[6]沈家全，姜罗罗.行为决策与脑电波特征分析[J].中国学位论文全文数据库，2017.

[7]焦卫东，杨世锡，钱苏翔，严供标.基于FFT-MCC分析的ICA（BSS）盲不确定性消除[J].中国机械工程，2006，17（7）：16-20.

[8]莫崇相，陆森林.基于频谱相似度的ICA不确定性快速消除[J].噪声与振动控制，2008，28（5）：102-104.

[9]龚琦，卓旭什，陶茂刚.脑电信号与注意力的关联研究[J].中国学位论文全文数据库，2017.