本发明属于人工智能领域，具体是一种认知负荷分类识别方法和认知负荷反馈方法。
背景技术：
1、认知负荷(cognitive load,cl)反映认知系统在处理工作、生活问题时承载负荷的多维结构的复杂程度，认知负荷的增大意味着更多的注意力、思考，也可能表明潜在的记忆通路正在形成。在认知负荷理论中，认知加工活动(注意力，问题解决，执行，回忆，逻辑思考等)所需的认知资源高于个体现有认知资源时，认知负荷增大，外在表现为认知超载，信息处理速度下降，情感易出现波动。在任何形式的个性化训练计划中，都应该考虑认知负荷的变化对康复者训练状态的影响：(1)认知负荷的升高是否影响判断和执行力，使执行者进入无效训练时间；(2)认知负荷始终处于较低水平，康复训练强度未能引起认知超载，无法刺激执行者强化认知功能；(3)认知负荷随时间变化不稳定，个性化训练系统无法提供给执行者循序渐进的决策。
2、使用生理和行为数据评估认知负荷是常见的方法，包括心率、心电、脑电、语音和眼动追踪评估等。其中眼动追踪技术可以记录被试者在执行任务时的眼动轨迹，包括注视点、注视持续时间、瞳孔直径等信息。这些信息可以用来评估被试者的认知负荷。当被试者需要同时处理多个任务时，他们的注视点和扫视路径可能会更加分散和复杂。也有研究指出，当高龄受试者需要记忆和处理大量信息时，他们的注视持续时间可能会更长，因为他们需要更多的时间来处理信息。瞳孔变化也被证明是反映认知负荷变化的重要指标。已有研究使用眼动特征通过负荷研究区分不同亚型的mci患者，利用眼动特征进行认知负荷变化的相关研究也出现在驾驶员、工程师等健康人群中。
3、认知负荷测评技术的发展主要经历：主观评定，任务绩效测量和生理测量三个阶段。在认知负荷理论提出的早期，认知负荷不是直接测量的。研究者常使用主观评定量表以评估负荷水平，如nasa-tlx量表(将认知负荷分为六个维度：任务需求、身体需求、时间需求、心理需求、努力程度和绩效)和正负性情绪效价(positive and negative affectschedule,panas)量表等。参与者在评定过程中根据自己的感受，自我评估自己在任务中所承受的各维度认知负荷。之后有研究者根据认知负荷量表评定原则设计结合主任务使用辅助任务(额外的认知活动)并测量任务绩效的方式反映认知负荷的变化。如果主任务的认知负荷较重，则辅助任务的绩效会降低；而在较低认知负荷载量的主任务下，辅助任务的绩效会提高。常见的任务绩效有完成时间和完成准确度等。
4、在计算机设备发展逐渐便携和高效化后，认知负荷研究者对生理与行为信号与认知负荷的关系展现出了兴趣。其中心率和心率变异性(heart rate variability,hrv)包含连续心跳时间变化的时域和频域属性，被证明可以用作衡量认知负荷的指标：高认知负荷与hrv的下降有关。瞳孔直径与其变化情况是眼动追踪数据中的一类指标，被认为与执行任务所需的认知投入量有关：高认知负荷与瞳孔更大的扩张有关。另一个眼动追踪指标为眼球运动信息，包含注视信息与扫视信息，它们被认为与注意力分配及认知负荷改变相关。
5、对于心率相关生理指标，需要使用心电采集设备进行获取与分析；对于眼动追踪相关行为指标，需要使用眼动追踪仪进行获取与分析。结合虚拟现实技术和生物医学传感器，可以采集到人们在虚拟环境中的生理和行为反应数据，其中包括眼动追踪和心率等数据。相较于传统的眼动仪与穿戴式心电设备，vr设备用于采集眼动追踪数据和心率数据具备技术优势。1、vr技术可以使参与者更加自然、真实地产生生理和行为反应，提高了测试数据的实验控制性和可重复性。2、集成于虚拟现实设备中的眼动追踪仪可以精准、实时地记录眼动追踪数据和心率数据，可以对参与者的生理反应进行连续监测，从而提供更为准确的数据资料。3、相较于传统实验室或临床研究，虚拟现实设备提高了测试的自动化程度，并减少实验过程中的外界干扰，如光照、人为干扰和因采集设备监测感到不适等，这些都可能影响测试结果。
6、然而vr数据采集也同样存在问题，采集的原始数据没有控制软件进行任何形式的预处理，需研究者自行除噪、分类等，同时数据流易因vr设备控制不当中断采集，需受试者对vr操作有一定基础等。
7、综上，如果能在认知康复训练的同时进行有效的认知负荷相关数据获取与分析，将对患有早期ad风险的mci患者研究提供积极的意义。
技术实现思路
1、本技术基于背景技术中存在的问题，提出了一种认知负荷分类识别方法和一种认知负荷反馈方法。
2、技术方案：
3、本发明首先公开了一种认知负荷分类识别方法，它包括以下步骤：
4、s1、获取眼动与心率数据；其中眼动数据包括三类，分别为：注视数据，眨眼数据和瞳孔数据；
5、s2、数据预处理，获得眼动追踪数据特征和心率特征，将所有特征划分为特征集；
6、s3、特征集输入至认知负荷分类识别模型，输出认知负荷分类；所述认知负荷分类识别模型为：随机森林rf、支持向量机svm、逻辑回归或人工神经网络中的一种。
7、优选的，s1中，心率数据包括三类，分别为：心率值，全部窦性心搏r-r间期标准差值，r-r间期均方根偏差值。
8、优选的，s1中，眼动与心率数据通过omnicept g2头戴式设备获取。
9、优选的，s2中，预处理步骤包括：
10、(1)、对三类眼动原始数据进行处理：
11、注视点归一化：在进行数据分析前，应该检查数据是否存在异常值或离群点，并将其去除或进行修正；注视数据由左、右眼注视点的三维矢量坐标，组合眼的三维矢量坐标和各注视点坐标置信度组成；对三维矢量坐标进行归一化：矢量的归一化是将一个矢量除以它的模长，从而使其变为单位矢量，归一化后的矢量保留了原始矢量的方向，但其长度为1；
12、(2)、去除离群点或异常值：
13、在硬件debug中设置0和1的置信度，在设备遇到以上情况时向unity控制台输出0置信度，其他情况时输出1，并随眼动数据共同输出；在注视数据去噪时，去除所有置信度为0的原始数据；对于瞳孔数据，除同时根据瞳孔直径、矢量点的置信度去除置信度为0的点外，还去除所有负值点；对于眨眼数据，去除所有空值和置信度为0的点；
14、(3)、数值校正：在预处理时需要根据与各类眼动数据相同位置的二维标准进行校准，因此对于三种数据类型分别进行了不同处理：
15、(3-1)将屏幕的三维坐标转换为物理坐标；
16、(3-2)计算注视点的平均持续时间，在预处理程序中寻找坐标位置相近点，此处设定x，y轴坐标误差均小于1mm的两点为坐标位置相近点；记录相近点出现的次数，按照unity项目中画面渲染frame＝60帧的设定根据次数计算相近坐标点出现的总时间；遍历所有注视点数据，并得到所有不同的相近点及对应存在时间，加权平均后得到相近点的平均注视时间；
17、(3-3)计算瞳孔大小变化率，即每个瞳孔大小数据与随机基线值差值与基线之比；计算瞳孔位置变化率，同样的为每个瞳孔位置的二维数据与随机基线差值与基线之比；
18、(4)、分段与标签：
19、将眼动数据根据时间戳顺序排列，使数据更易于处理和分析；将同一受试者四项stroop测试的数据合并，以“rwoi”，“rwi”，“nwoi”和“nwi”四个标签进行分段，分别代表无干扰文字命名、有干扰文字命名、无干扰颜色命名和有干扰颜色命名的数据；四种数据代表在stroop测试中根据呈现内容先后诱发的四次认知状态：无负荷，低负荷，无负荷，高负荷；
20、心率特征的处理包括心率(heart rate,hr)，rr间期的标准偏差(standarddeviation of the average nn intervals,sdnn)与连续正常r-r间期的均方根差(rootmean square of successive differences between normal heartbeats,rmssd)三种时域特征，其中rr间期是指心电图波形中两个qrs波峰之间的时间间隔。去除异常值、分段与标签的预处理与眼动特征保持一致。
21、作为一种优选的实施方式，s3中，使用全部特征数据训练的逻辑回归模型(logistic regression,lr)作为认知负荷分类识别模型，参数设置为：
22、样本：98，其中训练样本占：0.8，测试集样本占：0.2，random_state：114，
23、训练样本：5折交叉验证，
24、分类器参数设置：class_weight＝"balanced",penalty＝"l2",solver＝"lbfgs",c＝1,max_iter＝300。
25、优选的，使用全部特征数据训练的逻辑回归模型作为认知负荷分类识别模型，用于分类无-低负荷。
26、作为一种优选的实施方式，s3中，使用注视特征与心率特征组合的线性核函数svm模型作为认知负荷分类识别模型。
27、优选的，使用注视特征与心率特征组合的线性核函数支持向量机(supportvector machines,svm)模型，用于分类低-高负荷，参数设置为：
28、样本：98，其中训练样本占：0.8，测试集样本占：0.2，random_state：114，
29、训练样本：10折交叉验证，
30、分类器参数设置：class_weight＝"balanced",gamma＝0.01,c＝100,kernel＝'linear'。
31、本发明还公开了一种认知负荷反馈方法，针对不同认知负荷识别分类结果进行相应反馈：
32、无认知负荷：当训练者的认知负荷很低或不存在时，适当增加训练任务的难度，以促进训练者的认知发展；
33、低认知负荷：当训练者的认知负荷处于较低水平时，维持该状态；
34、高认知负荷：当训练者的认知负荷非常高时，必须降低训练任务的难度，以帮助训练者恢复认知能力并调整情绪；同时征求受试者意见是否需要更多休息时间，考虑主动引导受试者观看放松视频或进入怀旧场景。
35、优选的，采用以下方法维持低认知负荷状态：
36、(1)固定当前的任务内容，重复训练直到认知负荷发生改变或训练时间结束；如果认知负荷发生改变，根据受试者处于当前任务的难度状态确定接下来要进行的任务：
37、(2)若识别到认知负荷升高，则继续进行认知负荷高低状态识别，暂时不更换任务场景；若识别到高负荷，则选择下一个任务为同种类更低难度的任务场景；若识别到低负荷，不改变任务场景，继续进行同种类同难度任务；
38、(3)若识别到认知负荷没有升高，则选择下一个任务为同种类更高难度的任务场景。
39、本发明的有益效果
40、本发明提出了一种认知负荷分类识别方法，为认知负荷分类识别提供了科学、精确、可再现的稳定算法。同时提出了一种基于认知负荷反馈的认知训练方法，能够在认知训练过程中，根据患者的认知负荷情况，在训练内容、难度、时长等方面进行动态调整，提升了认知训练的效果。
41、基于眼动数据和心率数据的认知负荷状态识别可以带来以下几个意义：基于眼动数据和心率数据的认知负荷状态识别技术可以实时监测受试者的认知负荷状态。这有助于受试者及时调整自己的学习策略和方式，以提高学习效率和减轻认知负荷。个性化的学习支持：认知负荷状态识别技术可以根据受试者的认知负荷状态，提供个性化的受试支持。对于认知负荷较高的受试者，可以提供更简单和容易掌握的训练内容，减轻认知负荷；对于认知负荷较低的受试者，可以提供更丰富和挑战性的训练内容，以充分发挥其学习潜力。提高学习效果和效率：认知负荷状态识别技术可以帮助受试者更好地控制自己的认知负荷，从而提高训练效果和效率。
1.一种认知负荷分类识别方法，其特征在于它包括以下步骤：
2.根据权利要求1所述的方法，其特征在于s1中，心率数据包括三类，分别为：心率值，全部窦性心搏r-r间期标准差值，r-r间期均方根偏差值。
3.根据权利要求1所述的方法，其特征在于s1中，眼动与心率数据通过omnicept g2头戴式设备获取。
4.根据权利要求1所述的方法，其特征在于s2中，预处理步骤包括：
5.根据权利要求1所述的方法，其特征在于s3中，使用全部特征数据训练的逻辑回归模型lr作为认知负荷分类识别模型，参数设置为：
6.根据权利要求5所述的方法，其特征在于使用全部特征数据训练的逻辑回归模型作为认知负荷分类识别模型，用于分类无负荷-低负荷。
7.根据权利要求1所述的方法，其特征在于s3中，使用注视特征与心率特征组合的线性核函数svm模型作为认知负荷分类识别模型，参数设置为：
8.根据权利要求7所述的方法，其特征在于使用注视特征与心率特征组合的线性核函数svm模型，用于分类低负荷-高负荷。
9.一种认知负荷反馈方法，基于权利要求1-8任一项所述的认知负荷分类识别方法，其特征在于，针对不同分类结果进行相应反馈：
10.根据权利要求9所述的方法，其特征在于采用以下方法维持低认知负荷状态：
