基于TGAM的学习专注度监测系统设计与实现

解莉 蒙洁 尚颖*

（1.解放军92228部队 北京市 100072 2.北京化工大学 北京市 100029）

1 引言

俄国教育学家乌申斯基指出，“专注是我们心灵的唯一门户，意识中的一切，必然都要经过它才能进来。”“专注”指注意力集中，即全神贯注、专心致志地做某事；专注度则指注意力集中的程度，是个很难量化的指标，是影响效率高低的关键因素。随着现代快节奏的生活，碎片化时间导致人们的注意力下降，工作、学习效率低，如何监控、量化表示，乃至提升专注度是人们最关心的问题之一。

2019年10月30日，一款能监测上课走神的“脑机接口头环”在某小学应用的话题高居微博热搜榜，脑机接口技术作为一种前沿技术也随之走进大众视野。脑机接口是一种生物脑细胞与外部设备之间创建的直接连接通路，脑机接口系统可以通过采集和分析脑电信号，即脑细胞群自发性、周期性的电位活动，实现生物脑细胞与设备的信息交换[1]。近年来基于脑电信号的研究主要集中在认知任务学习、视觉注意和情感分析，但是对于脑电信号在专注状态和分类的研究还处于初级阶段。

本文基于神念公司推出的面向普通大众的脑机接口TGAM[2]开发学习专注度监测系统。该系统首先采集脑电信号，对脑电信号进行分类得到专注度和放松度。然后在移动端构建学习专注度监测系统，实现学习专注度的实时监测与动态展示。该监测系统依据对脑力专注度的分析，设计成就模块展示学习专注度监测历史；同时设计专注度联机对战模块，用以训练并激励用户提升学习专注度。最后实验验证学习专注度监测系统的有效性。

2 系统整体框架

基于TGAM的学习专注度监测系统实现对用户实时学习专注度的监测，通过采集用户的脑电信号分析处理得到实时专注度。系统实现对用户专注度统计分析，设计学习成就展示子系统；同时设计训练提升用户专注度的联机对战子系统。系统框架图如图1所示。

图1：学习专注度监测系统框架

3 系统设计

3.1 TGAM脑机接口模块

TGAM模块实物图如图2所示，其采用先进的干电极技术，有效地采集脑内微弱的脑电信号，采样频率为512Hz，在信号采集过程中，去除周围噪声的影响，通过调制、数字滤波、A/D转换等信号处理技术获得清晰的数字信号，并通过信号分类算法，输出在特定频率范围内的独立脑电波，如δ、θ、α、β、γ波。本文采用TGAM模块采集脑电信号并通过该模块“慢自适应”算法对脑电信号进行分析，再通过其蓝牙模块将专注度数据传输至移动端，其框图如图3所示。

图2：TGAM脑机接口模块实物图

图3：TGAM脑机接口模块工作流程

3.2 学习专注度监测

本学习专注度监测系统能够记录用户的学习时长，并且能够通过监测用户的脑电信号，分析得到实时专注度。这些实时专注度能够准确地映用户的学习状态，帮助系统更为精确地引导用户投入学习中，对用户的激励效果也更加明显。

用户通过直观地观测到自己的学习专注度，能够及时地调整自己的学习状态，提高学习效率。

TGAM脑电信号采集设备能够将采集到的脑电信号经过预处理后，以每秒一个数据的速率通过蓝牙模块传送到移动端，移动端安装学习专注度监测系统APP。该软件采用账号登录制，每个用户需要先注册，初始用户设置。然后用户可使用蓝牙接收TGAM传输过来的数据，并显示实时学习专注度。

学习专注度监测系统每次记录的脑电信号与学习时长等信息都会保存在数据库，用于后续的数据分析与功能开发。由于采集的数据类型基本相同，并且数据存储结构简单，因此在Android端采用LitePal进行数据库设计。

3.3 学习成就展示

学习专注度监测系统可以及时反馈用户当前的学习状态，但不能统计一段时间的学习效果。为了让用户了解到自己在一段时间内的学习情况，将实时监测系统采集的数据进行离线统计分析，得出一周的学习评价，并以此构建了学习成就系统。学习成就系统要求用户每周设置一个学习目标，如图4所示，并随之种下一棵树，用户可以选择其品种。

图4：创建本周学习目标流程图

初始只有一棵基本树种，随着学习成就的积累会不断解锁新的树种，并在每周设置学习目标的同时判断用户上周学习目标达成度和专注度情况，若评价为非常专注，则会进入解锁新树种界面，然后在所有已解锁树种中选择一种树进行栽培。

用户每周将得到系统的专注度评价，当专注度大于60即为专注状态，对应学习时长称为专注时长，当专注时长占总学习时长的70%，本周即为非常专注，可解锁新的树种，系统动态展示用户不同阶段的学习成就树的形态变化，系统实时更新最新数据，并且判断当前用户学习成就处于哪个阶段，并展示用户不同阶段成就树的形态。学习成就成长树生长流程图如图5所示。

图5：学习成就树成长流程

3.4 专注度训练

学习专注度监测系统设计联机对战子系统，以赛车的形式呈现，赛车的速度与用户专注度保持一致，对抗双方专注度高者获胜，让用户在游戏中锻炼自己的专注度，提高自己对专注度的控制能力。联机对战专注度训练流程如图6所示。首先，用户在主页点击“游戏模块”，进入游戏大厅开始匹配，匹配完成后进入游戏界面。双方准备就绪则游戏开始，一方获胜则游戏结束。之后退出游戏界面并返回匹配大厅，用户可以选择“继续匹配”或“退出大厅”。

图6：游戏运行流程图

4 系统实现

4.1 学习专注度监测

用户在学习时，头戴TGAM设备，通过蓝牙连接至移动端，在移动端需要完成与TGAM的蓝牙连接与数据传输，以得到实时专注度数据。TGDevice对象是用来管理单个ThinkGear硬件设备的连接问题的，在最普遍的连接场景，即安卓APP通过采用TGDevice (BluetoothAdapter, Handler)构造的标准传输协议来连接ThinkGear硬件设备[3]。程序在监测实时专注度时必须与TGAM脑电采集设备保持蓝牙连接，专注度按0～100划分，移动端将实时专注度以每秒变化一次的频率形式动态呈现。如图7所示，为TGAM采集并分析的脑电信号数据，其中图7-a专注实验下的专注度与放松度；图7-b为放松实验下的专注度与放松度，其中绿色部分代表专注度，蓝色部分代表放松度，两个值的范围均在0至100之间。从图中不难看出，在专注状态下，专注度值普遍高于60；而在放松状态下，专注度的平均值未超过30。TGAM模块能够正确采集并处理脑电信号，并得到学习专注度，因此基于此TGAM模块进行学习专注度监测系统的应用开发具备有效性和可靠性。图8是用户开始学习第11秒时本系统展示的当前实时专注度值。

图7

图8：学习专注度监测界面

4.2 学习成就展示

用户在成就系统中，可随时查看自己的本周学习情况，每次学习的数据记录在用户数据库中，用户可查看历史学习记录，并统计汇总，可按日、周、月形式查看。主要数据库结构包括用户表、脑电数据表、用户学习表及周成就表等。如表1至表3所示。图9是学习成长树成长至第3个阶段的形态，用户还可以随时了解到自己一周中各天的学习进展，以及专注时长，其中黑色框部分表学习时长，黄色部分表专注时长（专注度大于60），树的形态会随学习时长不断变化。

表1：脑电数据表Eeg

表2：学习表study

表3：周成就表week

图9：学习成就展示界面

图10：专注度训练联机对战界面

4.3 联机对战

在专注度训练联机对战系统中，游戏展示以小车对抗形式呈现，通过socket实现局域网通信传递实时数据，以此来控制画面的同步。两名用户分别在主页点击“Game”按钮，即可跳转至游戏的匹配大厅，其中一名用户可以选择点击“创建房间”按钮，即可进入等待匹配界面，当另一个用户点击“进入房间”按钮，输入创建房间用户id，连接成功后跳转入同一游戏界面。

在本联机对战系统中，游戏运行环节即小车的运动阶段，双方匹配用户的数据发送和接收都是基于UDP协议的，通过传递双方的实时专注度从而达到游戏的同步，双方Socket之间并没有虚拟链路，这两个Socket只是发送、接收数据报的对象，Java提供了DatagramSocket作为基于UDP协议的Socket，使用DatagramPacket代表DatagramSocket发送、接收的数据报[4]。

由于Android只有主线程能更新UI，但在主线程中进行大量的耗时操作会报错。为了避免出现这种情况，本系统创建子线程完成小车的移动，动画更新采用 runOnUIThread进行[5]。为解决数据之间消息传递问题而导致的双方小车移动不同步问题，本系统设置缓冲区，用户收到一个实时专注度后，小车并不会立即移动，而是在缓冲区中记录本次的数据，待一次实时专注度传来后，再执行缓冲区中的移动，并新的实时专注度存进缓冲区。

5 结论

本系统基于TGAM完成学习专注度监测系统的Android应用开发，系统对用户学习时长与专注度进行动态展示及统计分析，通过这种形式激励用户坚持学习，并保持专注状态；寓教于乐的专注度赛车对抗游戏，锻炼用户专注度控制能力，提高学习效率。

系统对脑电信号的处理较简单，并且学习专注度未综合考虑眨眼强度等多幅值考虑，未来可进一步优化。