翟雪松 許家奇 陳鑫源 楚肖燕 李雨珊 李 媛

（1.浙江大學(xué) 教育學(xué)院，浙江杭州 310058；2.浙江省教育技術(shù)中心 數(shù)字資源部，浙江杭州 310012；3.浙江大學(xué) 外國語學(xué)院，浙江杭州 310058）

一、引言

近年來，研究者圍繞人工智能技術(shù)與教育場景開展了大量交叉研究，重點(diǎn)聚焦人機(jī)交互數(shù)據(jù)，如資源瀏覽、在線討論、課堂互動等文本和行為，利用人工智能分類或預(yù)測算法進(jìn)行學(xué)習(xí)分析，提高分析和預(yù)測的準(zhǔn)確性，為數(shù)據(jù)驅(qū)動的教與學(xué)提供有效策略（李海峰等，2022）。然而，基于文本和行為數(shù)據(jù)的分析雖然能夠客觀反映學(xué)習(xí)者學(xué)習(xí)狀態(tài)，但難以呈現(xiàn)相關(guān)狀態(tài)的生理過程，以及解釋學(xué)習(xí)者認(rèn)知、情感和行為變化的內(nèi)在機(jī)制（鄭旭東等，2020）。隨著腦神經(jīng)科學(xué)理論的發(fā)展及腦科學(xué)分析工具的實(shí)時性和便攜性提高，教育神經(jīng)學(xué)成為發(fā)現(xiàn)教育行為機(jī)制的重要學(xué)術(shù)研究領(lǐng)域（韋鈺，2022）。腦神經(jīng)伴隨師生行為會產(chǎn)生海量數(shù)據(jù)。其中，腦電數(shù)據(jù)具有無侵入、輕量化、易采集、可視化強(qiáng)等特點(diǎn)，成為教育神經(jīng)學(xué)的主要研究對象。然而，腦神經(jīng)數(shù)據(jù)量大、多維性強(qiáng)，給描述性統(tǒng)計(jì)提出了挑戰(zhàn)，也為教育神經(jīng)學(xué)與人工智能的相互彌合帶來機(jī)遇。

基于腦神經(jīng)大數(shù)據(jù)的教育人工智能可以更好地解釋學(xué)習(xí)行為產(chǎn)生的內(nèi)在原因，然而兩大領(lǐng)域結(jié)合挑戰(zhàn)大，實(shí)證研究不足。究其原因，一方面要借助人腦神經(jīng)工作機(jī)制，把知識驅(qū)動與數(shù)據(jù)驅(qū)動結(jié)合起來，充分發(fā)揮知識、數(shù)據(jù)、算法和算力四要素的作用；另一方面要從認(rèn)知、行為層面的學(xué)習(xí)分析擴(kuò)展到腦的活動模式及其與學(xué)習(xí)過程關(guān)系的分析（翟雪松等，2022a）?；诖耍狙芯恳栽诰€學(xué)習(xí)者視覺舒適度的識別分析為案例，使用變分模態(tài)分解和樣本熵的方法提取和分析腦電數(shù)據(jù)特征，運(yùn)用人工智能機(jī)器學(xué)習(xí)方法分類，探尋人工智能與神經(jīng)科學(xué)在教育場景下協(xié)同分析的方法與路徑。

二、文獻(xiàn)綜述

腦電（electroencephalogram，EEG）和人工智能的教育應(yīng)用都經(jīng)歷了多個發(fā)展階段，從不同階段的應(yīng)用場景和挑戰(zhàn)分析兩個學(xué)科的協(xié)同價值為本研究提供理論基礎(chǔ)。此外，為解決不同教育問題，兩者不同階段的應(yīng)用模式可以相互交叉，為研究者探索人工智能與腦神經(jīng)科學(xué)的教育協(xié)同技術(shù)路徑提供參考。本研究對腦電教育應(yīng)用現(xiàn)狀、數(shù)據(jù)視角下人工智能教育應(yīng)用模式、腦電與人工智能融合的數(shù)據(jù)分析三方面進(jìn)行綜述。

（一）腦電教育應(yīng)用現(xiàn)狀

腦電分析是腦科學(xué)研究的典型方法，主要基于腦電波生理反饋技術(shù)，先后形成了自發(fā)腦電、誘發(fā)腦電和生物信息（bioinformatics）三種應(yīng)用模式。1）自發(fā)腦電指在無明顯外界刺激時大腦呈現(xiàn)的規(guī)律及不同程度的電位變化。自發(fā)腦電分析以具有節(jié)律性的腦電信號頻段為基礎(chǔ)，主要聚焦分析δ、θ、α、β、γ五個頻率腦電波段（見表一）。多元頻段的腦電分析能直觀地觀察腦電各個節(jié)律的分布變化，探究學(xué)習(xí)過程中認(rèn)知、情感等發(fā)生的內(nèi)在機(jī)理。丹恩等（Dan et al.，2017）利用 α 和 θ 波比較學(xué)習(xí)者在虛擬3D與2D環(huán)境下面對相同任務(wù)時認(rèn)知負(fù)荷的高低。馬敏元等（Ma et al.，2016）通過測量大腦的α波和β波，探究不同媒體形式的繪本對兒童注意力的影響。在認(rèn)知神經(jīng)科學(xué)實(shí)驗(yàn)中，僅使用連續(xù)的自發(fā)腦電記錄不能提供足夠的信息，無法體現(xiàn)完成特定學(xué)習(xí)任務(wù)腦神經(jīng)的發(fā)生機(jī)制（Beres，2017）。因此，借助額外的教育刺激提供必要的信息，即誘發(fā)腦電成為教育神經(jīng)學(xué)第二個發(fā)展階段關(guān)注的重點(diǎn)。

表一 腦電信號波段及其特點(diǎn)

2）誘發(fā)腦電或稱之為事件相關(guān)電位（eventrelated potential，ERP），指給予神經(jīng)系統(tǒng)特定刺激，或使大腦對刺激的信息進(jìn)行加工，從而檢測腦的相應(yīng)部位的生物電反應(yīng)。事件相關(guān)電位始于神經(jīng)傳遞過程產(chǎn)生的突觸后電位，反映了由重復(fù)刺激所引起的神經(jīng)元活動。常見的事件相關(guān)電位成分包括外源性成分（P1、N1、P2）和內(nèi)源性成分（N2、P3）兩種。相關(guān)研究一方面利用誘發(fā)腦電分析確切知道刺激在學(xué)習(xí)過程的哪個時間點(diǎn)呈現(xiàn)，從而分析大腦對特定刺激的反應(yīng)，如聲音、單詞、圖片等（Beres，2017）。多媒體學(xué)習(xí)實(shí)驗(yàn)研究發(fā)現(xiàn)，早期的圖片誘發(fā)了獨(dú)特的N300成分，晚期的圖、文均誘發(fā)了N400效應(yīng)（李松清等，2015）。另一方面，用于教育實(shí)驗(yàn)的誘發(fā)腦電能夠有效反映學(xué)習(xí)認(rèn)知過程。例如，在刺激反應(yīng)學(xué)習(xí)中，研究者可以通過檢測P1、P3 成分評判學(xué)習(xí)者獲得的價值效應(yīng)（Molinero et al.，2021）。與自發(fā)腦電相比，誘發(fā)腦電振幅很小，難以在原始腦電記錄呈現(xiàn)，通常需借助獨(dú)立分量分析（independent component analysis，ICA）、極大似然估計(jì) 、 主 成 分 分 析（principal components analysis，PCA）、小波變換、時頻濾波、神經(jīng)網(wǎng)絡(luò)等方法。此外，基于腦電的研究需要納入越來越多的被試，并采集長時間、多階段的數(shù)據(jù)，這些因素導(dǎo)致腦電數(shù)據(jù)量劇增（伏云發(fā)等，2021），大數(shù)據(jù)腦電分析由此需要創(chuàng)新人工智能應(yīng)用方法。

3）在生物信息分析階段，基于人工智能實(shí)時、大規(guī)模的腦電數(shù)據(jù)分析成為研究熱點(diǎn)。常用的分析方法包括有監(jiān)督的機(jī)器學(xué)習(xí)和無監(jiān)督的機(jī)器學(xué)習(xí)。有監(jiān)督的機(jī)器學(xué)習(xí)包括分類和回歸，無監(jiān)督的機(jī)器學(xué)習(xí)包括聚類和降維。常用分析算法包括線性回歸、非線性回歸、支持向量機(jī)（SVM）、K最近鄰 (KNearest Neighbour，KNN）、神經(jīng)網(wǎng)絡(luò) (ANN）、樸素貝葉斯、決策樹和隨機(jī)森林、集成學(xué)習(xí)（EL)、模糊邏輯、強(qiáng)化學(xué)習(xí)等十余種。周筠等（Zhou et al.，2017）基于大規(guī)模在線課程環(huán)境的θ和α波段腦電數(shù)據(jù)，使用支持向量機(jī)方法將在線學(xué)習(xí)分為高認(rèn)知負(fù)荷水平和低認(rèn)知負(fù)荷水平。林福仁等（Lin et al.，2018）采用不同的監(jiān)督學(xué)習(xí)算法檢測在線學(xué)習(xí)活動的腦力勞動，發(fā)現(xiàn)決策樹方法的準(zhǔn)確性優(yōu)于支持向量機(jī)方法和K近鄰方法。朱麗等（2022）發(fā)現(xiàn)基于卷積神經(jīng)網(wǎng)絡(luò)和雙向長短時記憶（Bi-LSTM）網(wǎng)絡(luò)的腦電分析混合模型在效價度（potency degree）和喚醒度方面能夠有效進(jìn)行情感識別。目前，基于人工智能的腦電分析在醫(yī)學(xué)、教育等領(lǐng)域應(yīng)用已有一定探索，但面對復(fù)雜的教育活動，有效分析大腦信號，理解大腦如何進(jìn)行認(rèn)知仍是巨大的挑戰(zhàn)。

（二）人工智能教育應(yīng)用模式

人工智能技術(shù)的發(fā)展及其與教育教學(xué)的深度融合，推動基于多模態(tài)數(shù)據(jù)的學(xué)習(xí)分析成為教育數(shù)字化轉(zhuǎn)型背景下挖掘教育數(shù)據(jù)價值的重要手段（王雪等，2022）。人工智能的基座是數(shù)據(jù)源，基于大數(shù)據(jù)分析的教育平臺建設(shè)是人工智能應(yīng)用于學(xué)習(xí)分析的前提。教育數(shù)據(jù)源隨著學(xué)校信息化建設(shè)不斷豐富，適用人工智能的教育數(shù)據(jù)可分為三類：學(xué)習(xí)平臺的文本數(shù)據(jù)、現(xiàn)實(shí)場景的學(xué)習(xí)行為數(shù)據(jù)、學(xué)習(xí)者生理反饋數(shù)據(jù)。

1.學(xué)習(xí)平臺的文本數(shù)據(jù)。學(xué)習(xí)者使用學(xué)習(xí)平臺會產(chǎn)生交互文本和日志文本數(shù)據(jù)，前者能夠呈現(xiàn)學(xué)習(xí)者的學(xué)習(xí)內(nèi)容和質(zhì)量，后者能揭示學(xué)習(xí)行為和過程。賈文軍等（2020）通過采集學(xué)生在線評論文本數(shù)據(jù)，運(yùn)用聚類分析識別和刻畫在線學(xué)習(xí)者課前、課中和課后的學(xué)習(xí)體驗(yàn)，為線上教學(xué)提供參考。達(dá)科斯塔等（da Costa et al.，2020）基于學(xué)生與學(xué)習(xí)管理系統(tǒng)的互動數(shù)據(jù)，利用多層感知器算法自動識別學(xué)生的五種學(xué)習(xí)風(fēng)格，為優(yōu)化學(xué)生在線學(xué)習(xí)方式提供依據(jù)。

2.現(xiàn)實(shí)場景的行為數(shù)據(jù)。物聯(lián)網(wǎng)、傳感器的不斷發(fā)展和學(xué)校信息化基礎(chǔ)設(shè)施的完善，使得采集在線學(xué)習(xí)者的表情、姿態(tài)、手勢、話語等行為數(shù)據(jù)越來越便捷?；谌斯ぶ悄茉诰€學(xué)習(xí)行為數(shù)據(jù)分析成為反映學(xué)習(xí)者認(rèn)知和情感狀態(tài)的重要手段（張勁松等，2021）：1）通過行為數(shù)據(jù)識別學(xué)習(xí)者的認(rèn)知狀態(tài)。陳鴻仁等（Chen et al.，2012）使用圖像識別技術(shù)檢測面部表情，分析學(xué)習(xí)者的注意力狀態(tài)。齊永鋒等（2021）基于頭部姿態(tài)和表情數(shù)據(jù)，通過Resnext50神經(jīng)網(wǎng)絡(luò)，識別學(xué)習(xí)者在線課堂參與度。2）通過行為數(shù)據(jù)分析識別學(xué)習(xí)者的情感狀態(tài)。撒哈等（Saha et al.，2014）采集被試的肢體動作數(shù)據(jù)，然后利用二元決策樹、集成樹、K近鄰、支持向量機(jī)等機(jī)器學(xué)習(xí)算法進(jìn)行情感分類，發(fā)現(xiàn)集成樹的識別準(zhǔn)確率最高。翟雪松等（2022b）基于VGG-16、ResNet等深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法，通過表情、姿態(tài)數(shù)據(jù)識別學(xué)習(xí)者的四類在線學(xué)習(xí)情感。

3.學(xué)習(xí)者生理數(shù)據(jù)。隨著生理反饋技術(shù)的不斷進(jìn)步，低投入、無侵入、不接觸、易操作的輕量級生理反饋工具已經(jīng)應(yīng)用于教育教學(xué)（翟雪松等，2020）。這使得人工智能應(yīng)用從分析學(xué)習(xí)者的成績和感知，逐步擴(kuò)展到構(gòu)建健康的學(xué)習(xí)環(huán)境。學(xué)習(xí)者的生理數(shù)據(jù)主要包括呼吸、心跳、腦電、眼動、皮膚電等信息，可用于分析心理健康和生理健康。帶有心律監(jiān)測器和情緒識別算法的emWave系統(tǒng)能夠通過檢測心率變化識別學(xué)習(xí)者視頻學(xué)習(xí)的心理狀態(tài)（Chen & Sun，2012）。貝葉斯網(wǎng)絡(luò)（BayesNet）在基于學(xué)習(xí)者眼動數(shù)據(jù)的在線學(xué)習(xí)專注度判別上取得了最好的識別結(jié)果。劉偉鋒等（Liu et al.，2018）提出了強(qiáng)化在線學(xué)習(xí)的機(jī)器學(xué)習(xí)方法，取得了較好的實(shí)時心理狀態(tài)預(yù)測效果。然而，現(xiàn)有研究主要聚焦在心理層面，對生理層面的健康研究相對較少（劉哲雨等，2022）。隨著全社會越來越關(guān)注健康的在線學(xué)習(xí)環(huán)境，協(xié)同生理參數(shù)和智能算法優(yōu)化現(xiàn)有的學(xué)習(xí)環(huán)境將成為重要的研究方向（翟雪松等，2022b）。

（三）腦電與人工智能融合的數(shù)據(jù)分析困境

機(jī)器學(xué)習(xí)、大數(shù)據(jù)、深度學(xué)習(xí)等技術(shù)為人工智能的發(fā)展帶來新突破，越來越多的研究將人工智能技術(shù)與腦科學(xué)、認(rèn)知科學(xué)等進(jìn)行學(xué)科交叉與融合，并應(yīng)用于研究在線學(xué)習(xí)環(huán)境，但腦電與人工智能融合在高質(zhì)量數(shù)據(jù)處理、多通道和多頻段的腦電協(xié)同分析和學(xué)習(xí)者健康分析方面還存在不足。

首先，人工智能對訓(xùn)練數(shù)據(jù)集的精確性和準(zhǔn)確性要求較高，高質(zhì)量的數(shù)據(jù)處理是保證數(shù)據(jù)分析準(zhǔn)確的前提。當(dāng)前，部分腦電研究直接將原始（或僅預(yù)處理后）的腦電信號嵌入模型進(jìn)行訓(xùn)練分析（李錦瑤等，2022）。這種方式一定程度上能保證完整的腦電數(shù)據(jù)片段和足夠的數(shù)據(jù)量，減少數(shù)據(jù)分析成本，但原始腦電數(shù)據(jù)會存在偽跡的非大腦信號，即大腦中的污染信號（Kaur & Kaur，2015）。腦電數(shù)據(jù)分析的準(zhǔn)確性也會因偽跡象、噪音等的影響而大打折扣。原始腦電信號要經(jīng)過各種處理（如降噪、特征提取等）才能變得可讀。納夫陽和阿爾達(dá)耶夫（Al-Nafjan & Aldayel，2022）使用腦電信號檢測學(xué)生在線學(xué)習(xí)注意力，對腦電數(shù)據(jù)進(jìn)行帶通濾波、ICA濾波等去除偽跡操作后，利用功率譜密度（power spectral density，PSD）方法進(jìn)行特征提取，并通過k-最近鄰、支持向量機(jī)和隨機(jī)森林三種機(jī)器學(xué)習(xí)方法評估系統(tǒng)對腦電數(shù)據(jù)的分類準(zhǔn)確性，其中隨機(jī)森林方法的效果最佳。

其次，多通道、多頻段的腦電信號協(xié)同分析能夠有效解釋大腦的信息加工過程。基于腦電的在線學(xué)習(xí)分析往往通過單通道或者單頻段計(jì)算在線學(xué)習(xí)者的注意力、學(xué)習(xí)情感等，通過學(xué)習(xí)者的專注度和放松度表明學(xué)習(xí)者的認(rèn)知和情感狀態(tài)。然而，單通道或頻段的數(shù)據(jù)分析可解釋性弱，不能準(zhǔn)確反映大腦產(chǎn)生相關(guān)認(rèn)知或情感狀態(tài)的內(nèi)在機(jī)制和真實(shí)情況（許子明等，2021）。在線學(xué)習(xí)過程中，學(xué)習(xí)者的認(rèn)知和情感狀態(tài)產(chǎn)生原因是復(fù)雜的，通過多通道和多頻段的協(xié)同分析，并考慮通道和頻段間的相互影響才是解釋學(xué)習(xí)者大腦信息加工過程、分析學(xué)習(xí)狀態(tài)的有效方法。沃特等（Walter et al.，2017）使用包含28個通道的腦電設(shè)備采集在線學(xué)習(xí)者的腦電數(shù)據(jù)，基于伯格最大熵譜分析法（Burg's maximum entropy method）分析學(xué)習(xí)者的 θ、α、δ和β波段的腦電信號，通過多通道和多頻段的協(xié)同分析，在線估計(jì)學(xué)習(xí)者的學(xué)習(xí)量，并及時調(diào)整學(xué)習(xí)材料難度，從而支持學(xué)習(xí)者學(xué)習(xí)。

最后，腦電分析應(yīng)同時關(guān)注學(xué)習(xí)者認(rèn)知、情感和健康。腦電與人工智能融合在線學(xué)習(xí)分析多關(guān)注學(xué)習(xí)者的認(rèn)知和情感狀態(tài)，缺少健康方面的分析、測量與干預(yù)?；谀X電的認(rèn)知計(jì)算能夠準(zhǔn)確反映學(xué)習(xí)者的認(rèn)知負(fù)荷和注意力等認(rèn)知狀態(tài)。阿加沃爾等（Aggarwal et al.，2021）通過腦電頻段評估學(xué)習(xí)者M(jìn)OOC學(xué)習(xí)的注意力水平，并采用支持向量機(jī)的機(jī)器學(xué)習(xí)分類模型，將學(xué)生心理狀態(tài)分為專注型和非專注型。腦電分析可以反映學(xué)習(xí)者不同的情感狀態(tài)。瓦倫齊等（Valenzi et al.，2014）基于腦電數(shù)據(jù)測試七種分類方法對學(xué)習(xí)者觀看在線視頻的四種情緒效果發(fā)現(xiàn)，支持向量機(jī)方法的分類精度最高，達(dá)97.2%。在實(shí)時在線學(xué)習(xí)情感分類中，南迪等（Nandi et al.，2021） 基 于隨機(jī) 梯 度下降（stochastic gradient descent，SGD）算法和 Logistic 回歸開發(fā)了實(shí)時情緒分類系統(tǒng)，通過分析腦電數(shù)據(jù)流實(shí)現(xiàn)效價度和喚醒度維度的在線學(xué)習(xí)情緒狀態(tài)識別。然而，在線學(xué)習(xí)健康研究少。在線學(xué)習(xí)時間長和強(qiáng)度大，學(xué)習(xí)者會出現(xiàn)疲勞、干眼等癥狀，進(jìn)而引發(fā)計(jì)算機(jī)視覺綜合征（翟雪松等，2021）。視覺健康是在線學(xué)習(xí)者健康的重要分析內(nèi)容。視覺舒適度作為反映視覺健康的關(guān)鍵指標(biāo)，基于腦電數(shù)據(jù)智能識別在線學(xué)習(xí)視覺舒適度，對改善在線學(xué)習(xí)環(huán)境，保護(hù)學(xué)習(xí)者的視覺健康有重要意義。

三、研究過程與方法

（一）研究假設(shè)

本研究利用腦電分析技術(shù)，探究不同媒體表征的文本材料對在線學(xué)習(xí)視覺舒適度的影響和腦電信號的反饋特征，并通過不同機(jī)器學(xué)習(xí)算法分析識別效果?；诖?，本研究提出三個假設(shè)：

H1：學(xué)習(xí)者面對不同媒體表征的文本資料時，不同功能腦區(qū)腦電信號存在差異。

H2：反映學(xué)習(xí)者視覺舒適度的腦電信號的不同腦波頻段存在差異。

H3：不同人工智能分類模型對腦電信號識別具有差異性。

（二）樣本與實(shí)驗(yàn)內(nèi)容選擇

本研究的被試是我國東部某高校的40名德語專業(yè)研究生和本科生，均自愿參加實(shí)驗(yàn)，知情并同意實(shí)驗(yàn)內(nèi)容。實(shí)驗(yàn)內(nèi)容為60個有一定難度的德語句子。選擇這一實(shí)驗(yàn)內(nèi)容的原因?yàn)椋阂皇菍W(xué)習(xí)者閱讀句子需要理解單詞的含義和句法成分，這會增加學(xué)習(xí)者信息處理的認(rèn)知負(fù)荷，有助于發(fā)揮腦電分析細(xì)顆粒度信息的優(yōu)勢（Britton et al.，2017）；二是將德語作為唯一文本表征形式，避免了在線學(xué)習(xí)環(huán)境其他媒體因素對學(xué)習(xí)者認(rèn)知的干擾，突顯媒體表征刺激的效果。

此外，為了驗(yàn)證不同媒體表征的德語文本對學(xué)習(xí)者帶來的不同視覺舒適度，本研究基于多媒體學(xué)習(xí)認(rèn)知理論設(shè)計(jì)了短閃、漸變模糊、模擬眨眼和顏色變化四種媒體表征形式（見圖1），將德語文本以四種表征形式分別呈現(xiàn)給學(xué)習(xí)者。

圖1 腦電協(xié)同人工智能分析技術(shù)路線

（三）實(shí)驗(yàn)工具

本研究的實(shí)驗(yàn)工具包括腦電設(shè)備Emotiv Epoc X和問卷。腦電采集設(shè)備為包含14個電極（AF3，F(xiàn)7，F(xiàn)3，F(xiàn)C5，T7，P7，O1，O2，P8，T8，F(xiàn)C6，F(xiàn)4，F(xiàn)8，AF4）的移動便攜式腦電儀，采樣率為128 Hz。問卷內(nèi)容包括基本信息和視覺舒適度，前者包括實(shí)驗(yàn)對象的姓名、性別、年齡和班級；后者包括學(xué)習(xí)者觀看不同媒體表征教學(xué)視頻時視覺舒適程度，為后續(xù)視覺舒適程度劃分提供依據(jù)。本研究基于茨諾夫爾沙寧等（Crnovrsanin et al.，2014）研究結(jié)論，即不同的媒體表征（如短閃、模糊等）刺激會影響在線學(xué)習(xí)者的視覺舒適度，且被試對模糊刺激的滿意度高于短閃刺激。本研究將視覺舒適程度由高到低分為四個等級，媒體表征刺激對應(yīng)情況為：顏色變化、模擬眨眼、漸變模糊、短閃。顏色變化媒體表征方式使被試的視覺最舒適，模擬眨眼、模糊次之，短閃的媒體表征方式讓學(xué)習(xí)者最不舒適，被試實(shí)驗(yàn)后填寫的視覺舒適度問卷分析也印證了視覺舒適度的劃分標(biāo)準(zhǔn)。

（四）統(tǒng)計(jì)方法

1.數(shù)據(jù)預(yù)處理和智能特征提取

數(shù)據(jù)預(yù)處理過程包括：1）將Emotiv采集的腦電數(shù)據(jù)格式轉(zhuǎn)換為腦電分析軟件（electroencephalogram lab，EEGLAB）可以處理的數(shù)據(jù)格式；2）進(jìn)行通道定位，剔除與本研究無關(guān)的眼電、心電、肌電等電極；3）對腦電信號進(jìn)行降噪、全腦平均、分段，剔除壞段處理和不合格的腦電數(shù)據(jù)；4）進(jìn)行ICA獨(dú)立成分分析和極端值去偽跡操作，去除眼動相關(guān)和超過正負(fù)100微伏的腦電偽跡。本研究選擇的通道包括 FC5、T7、O1-O2，選擇依據(jù)包括：1）FC5 對應(yīng)負(fù)責(zé)認(rèn)知處理的大腦額葉區(qū)域，O2對應(yīng)負(fù)責(zé)視覺感知的枕葉區(qū)域（Khasnobish et al.，2013）。2）耳周圍電極（如T7，對應(yīng)顳葉區(qū)域）能夠移動監(jiān)測腦電圖，受環(huán)境干擾小，且在視覺刺激任務(wù)中是有效的通道（Ergin et al.，2019）。本研究分析腦電信號低頻與高頻信號頻段發(fā)現(xiàn)：θ波與在線學(xué)習(xí)者的認(rèn)知負(fù)荷和情緒狀態(tài)有關(guān)，分析該頻段能夠反映不同視覺舒適度與學(xué)習(xí)情感的關(guān)系；β波與緊張和注意力狀態(tài)有關(guān)，分析該頻段可反映不同視覺舒適度與學(xué)習(xí)認(rèn)知的關(guān)系。

本研究采用變分模態(tài)分解（variational mode decomposition，VMD）方法進(jìn)行腦電信號特征提取時發(fā)現(xiàn)：1）時頻分析能描述腦電信號的頻譜含量是怎樣隨時間變化的，相較于獨(dú)立的時域和頻域分析具有更高的時間精度和準(zhǔn)確性。2）變分模態(tài)分解方法是一種自適應(yīng)、完全非遞歸的模態(tài)變化和信號處理方法，能自主選擇模態(tài)個數(shù)，特征提取精度更高，更具魯棒性（Dragomiretskiy & Zosso，2013）。變分模態(tài)分解方法認(rèn)為信號是由不同頻率占優(yōu)的子信號疊加而成的，其目的是要把信號分解成不同頻率的子信號。變分模態(tài)分解過程分為兩個階段（劉長良等，2015）：1）變分問題構(gòu)造，包括利用希爾伯特變換（Hilbert）得到每個模態(tài)的解析信號和對應(yīng)頻譜，然后將每個模態(tài)分量頻譜平移到基帶，再利用高斯平滑（Gaussian smoothness）估計(jì)信號的帶寬。2）變分問題求解，即通過引入二次懲罰因子和拉格朗日乘法算子將約束性變分問題變?yōu)榉羌s束性變分問題，并采用乘法算子交替方向法解決變分問題。

樣本熵（SampEn）的計(jì)算步驟包括：構(gòu)建一組時間序列向量、計(jì)算不同向量之間的最大距離、給定相似容度、計(jì)算樣本熵。腦電信號樣本熵的大小表示腦電信號的復(fù)雜程度，樣本熵越大，腦電信號越復(fù)雜，樣本熵越小，腦電信號越穩(wěn)定（Richman et al.，2004；丁正敏等，2018）。

2.智能識別模型構(gòu)建

在選擇分類模型上，機(jī)器學(xué)習(xí)的選擇標(biāo)準(zhǔn)是輕量化、效率高且能夠同時執(zhí)行多類標(biāo)簽分類任務(wù)。本研究腦電數(shù)據(jù)分析采用離線模式，便于對數(shù)據(jù)進(jìn)行無限次掃描，成本較低。本研究的在線學(xué)習(xí)視覺舒適度智能識別模型（見圖2），包括數(shù)據(jù)獲取和預(yù)處理、數(shù)據(jù)分析、分類識別三個模塊。其中，數(shù)據(jù)獲取和預(yù)處理指采集在線學(xué)習(xí)者學(xué)習(xí)過程的腦電數(shù)據(jù)并進(jìn)行預(yù)處理?；诖?，本研究數(shù)據(jù)在腦電特征提取后基于決策樹、支持向量機(jī)、K最鄰近、邏輯回歸和集成學(xué)習(xí)建立在線學(xué)習(xí)視覺舒適度分類識別模型，并通過比較選出最優(yōu)分類模型，據(jù)此得到四類在線視覺舒適度。

圖2 基于腦電的在線學(xué)習(xí)視覺舒適度智能識別模型

四、結(jié)果分析

（一）特征提取結(jié)果

本研究利用變分模態(tài)分解方法分解被試腦電信號特征。腦電信號FC5導(dǎo)聯(lián)變分模態(tài)分解效果和頻譜分析結(jié)果見圖3。腦電信號分解為5個IMF分量，避免了模態(tài)重疊。此外，該方法還能自適應(yīng)地將腦電信號分解成不同頻段，實(shí)現(xiàn)腦電信號的頻段分離（謝平等，2016）。分解效果和頻譜分析結(jié)果表明，變分模態(tài)自適應(yīng)分解后的腦電信號的各個分量能較準(zhǔn)確地對應(yīng)不同的功能頻帶，如IMF2頻率范圍為 4 Hz-7 Hz，對應(yīng)θ 頻帶；IMF4 頻率范圍為30 Hz-33 Hz，對應(yīng) β 頻帶。

圖3 腦電信號FC5導(dǎo)聯(lián)變分模態(tài)分解效果（左）和頻譜分析結(jié)果（右）

（二）樣本熵分析結(jié)果

θ頻段腦電樣本熵均值隨時間變化情況（FC5、T7、O2電極）見圖4。β頻段腦電樣本熵均值隨時間變化情況（FC5、T7、O2電極）見圖5。其中，Comf1、Comf2、 Comf3、 Comf4 分別對應(yīng)模擬眨眼、顏色變化、模糊和短閃四種視覺刺激下視覺舒適度的腦電樣本熵均值變化。

圖4 θ 頻段腦電樣本熵均值隨時間變化（FC5、T7、O2 電極）

圖5 β 頻段腦電樣本熵均值隨時間變化（FC5、T7、O2 電極）

三個電極中，β頻段的樣本熵均值整體大于θ頻段的樣本熵均值。這說明在有媒體表征刺激的在線學(xué)習(xí)中，學(xué)習(xí)者θ頻段腦電信號比β頻段腦電信號更規(guī)則，即β波更活躍，說明學(xué)習(xí)者注意力水平較高。隨著在線學(xué)習(xí)時間的延長，θ頻段的四類視覺舒適度樣本熵均值呈下降趨勢。這說明隨著視覺刺激時間的增加，腦電信號變化更加規(guī)則。這可能與在線學(xué)習(xí)者逐漸適應(yīng)媒體表征刺激有關(guān)，引發(fā)認(rèn)知負(fù)荷相關(guān)的腦波活躍程度降低。隨著在線學(xué)習(xí)時間的延長，β頻段四類視覺舒適度樣本熵均值變化波動不太明顯。

θ頻段樣本熵均值變化結(jié)果（見表二）顯示，O2導(dǎo)聯(lián)（枕葉區(qū)）的樣本熵均值大于FC5導(dǎo)聯(lián)（額葉區(qū)）和T7導(dǎo)聯(lián)（顳葉區(qū)）的樣本熵均值。由此可見，四類視覺刺激引起的θ波信號中，枕葉區(qū)的θ波信號最復(fù)雜。這與枕葉區(qū)的功能與視覺信息的感知和加工處理有關(guān)。從枕葉區(qū)不同媒體刺激對應(yīng)視覺舒適度的樣本熵均值可以看出，漸變模糊和短閃的樣本熵均值較高，這兩種視覺舒適度的腦電信號較復(fù)雜，腦波活動比較頻繁；顏色變化樣本熵均值最低，腦電信號相對穩(wěn)定。

表二 θ頻段不同視覺舒適度在不同腦區(qū)的樣本熵均值大小

β頻段的樣本熵均值變化結(jié)果（見表三）顯示，O2導(dǎo)聯(lián)（枕葉區(qū)）和FC5導(dǎo)聯(lián)（額葉區(qū)）的樣本熵均值幾乎相等，且大于和T7導(dǎo)聯(lián)（顳葉區(qū)）的樣本熵均值。由此可見，四類視覺刺激引起的β波活動中，枕葉區(qū)和額葉區(qū)的腦電信號最復(fù)雜，即腦波活動最頻繁。這與枕葉區(qū)視覺信息處理功能有關(guān)，也與學(xué)習(xí)者在線學(xué)習(xí)需要額葉區(qū)參與認(rèn)知處理有關(guān)。比較枕葉區(qū)不同媒體刺激對應(yīng)視覺舒適度的腦電情況表明，漸變模糊樣本熵均值最大，容易引起較強(qiáng)的腦波活動。比較額葉區(qū)不同媒體刺激對應(yīng)視覺舒適度的腦電情況表明，漸變模糊和模擬眨眼樣本熵均值最大，腦電信號最復(fù)雜。枕葉區(qū)和額葉區(qū)的顏色變化的樣本熵值最小，腦電信號相對穩(wěn)定。

表三 β頻段不同視覺舒適度在不同腦區(qū)的樣本熵均值大小

綜上，在線學(xué)習(xí)視覺舒適度的腦電數(shù)據(jù)樣本熵分析結(jié)果表明：1）不同視覺刺激會提高學(xué)習(xí)者的注意力水平；2）短閃、漸變模糊的視覺舒適度對腦電信號影響較大，能引起枕葉區(qū)較強(qiáng)的大腦活動；3）顏色變化的視覺舒適度對腦電影響最小，三個腦區(qū)的腦電信號都較穩(wěn)定。

（三）識別結(jié)果

本研究對四類視覺舒適度的腦電數(shù)據(jù)進(jìn)行識別發(fā)現(xiàn)，四類腦電數(shù)據(jù)的區(qū)分度不高，識別效果不夠良好。基于腦電數(shù)據(jù)的樣本熵分析結(jié)果，本研究選取腦電數(shù)據(jù)區(qū)分度較高的兩類視覺舒適度（短閃和顏色變化）進(jìn)行基于人工智能算法的識別分析。

五種識別算法可較好地識別在線視覺舒適度，準(zhǔn)確率均高于50%（見表四）。其中，顳葉區(qū)的識別準(zhǔn)確率高于其他兩個區(qū)域，K近鄰算法的準(zhǔn)確率最高，為62.5%；支持向量機(jī)和集成學(xué)習(xí)的準(zhǔn)確率也超過60%；邏輯回歸準(zhǔn)確率為58.4%；決策樹模型識別準(zhǔn)確率最低，為57.5%。

表四 五種人工智能算法的視覺舒適度識別結(jié)果

五、反思與展望

（一）人工智能協(xié)同腦神經(jīng)分析的理論貢獻(xiàn)

腦電等生理數(shù)據(jù)能夠反映學(xué)生學(xué)習(xí)的真實(shí)狀態(tài)。相較于表情、姿態(tài)等行為數(shù)據(jù)，它具有高精確和低侵入的特點(diǎn)。然而，腦電分析的困難源于信號的復(fù)雜性。腦電數(shù)據(jù)的成倍增加和所需分析解讀的信號類型日益復(fù)雜，對腦電信號分析算法提出了更高要求，即海量數(shù)據(jù)下腦電信號分析算法能保持高效、穩(wěn)定和較高的精度。人工智能算法能夠提高數(shù)據(jù)處理的效率和準(zhǔn)確度，數(shù)據(jù)越多、越廣，人工智能算法的效果越好?；诖?，腦電與人工智能協(xié)同彌合了兩者的內(nèi)在張力，確保腦電數(shù)據(jù)的客觀真實(shí)和人工智能算法的準(zhǔn)確高效。本研究通過腦電和人工智能協(xié)同分析，從在線學(xué)習(xí)角度豐富了腦電與人工智能協(xié)同分析理論。未來研究應(yīng)繼續(xù)關(guān)注神經(jīng)生物學(xué)、認(rèn)知心理學(xué)和人工智能之間的聯(lián)系，結(jié)合知識驅(qū)動與數(shù)據(jù)驅(qū)動，豐富和創(chuàng)新人工智能協(xié)同腦神經(jīng)教育分析理論（單美賢等， 2021）。

（二）人工智能協(xié)同腦神經(jīng)分析的有效方法

人工智能協(xié)同腦神經(jīng)的分析方法可用于探究學(xué)習(xí)者大腦的信息加工和組織方式，并結(jié)合腦波和腦區(qū)解釋學(xué)習(xí)認(rèn)知、情感和健康狀態(tài)背后的原因。但實(shí)驗(yàn)室的腦電分析方法已無法滿足教育研究的個性化和規(guī)模化要求。一方面，現(xiàn)有腦電數(shù)據(jù)集主要集中在情感分析數(shù)據(jù)集，如上海交通大學(xué)BCMI實(shí)驗(yàn)室提供的SEED腦電數(shù)據(jù)集、英國倫敦瑪麗皇后大學(xué)等研究機(jī)構(gòu)提供的DEAP腦電數(shù)據(jù)集（Koelstra et al.，2011）。學(xué)習(xí)分析領(lǐng)域腦電數(shù)據(jù)集不完善使得個性化教學(xué)評價難以實(shí)現(xiàn)。另一方面，現(xiàn)有研究大多基于常規(guī)人工智能算法，尚未建立針對大規(guī)模在線學(xué)習(xí)的腦電分析方法。本研究針對在線學(xué)習(xí)者視覺舒適度的識別問題，構(gòu)建了面向在線學(xué)習(xí)者的視覺舒適度腦電數(shù)據(jù)集，可為后續(xù)研究提供數(shù)據(jù)基礎(chǔ)；利用變分模態(tài)分解和樣本熵的智能特征提取分析方法，結(jié)合大腦額葉、顳葉和枕葉三個區(qū)域兩個頻段的腦波變化情況，討論了不同視覺刺激對在線學(xué)習(xí)者認(rèn)知和注意力的影響。未來人工智能和腦神經(jīng)協(xié)同分析應(yīng)考慮教育問題的綜合性和多維立體性，既要構(gòu)建多維度、高質(zhì)量、大規(guī)模的教育腦電數(shù)據(jù)集，也要針對具體教育問題，找到有效分析方法。

（三）人工智能協(xié)同腦神經(jīng)分析的教育場景多維分析

人工智能與腦神經(jīng)的協(xié)同為在線學(xué)習(xí)分析創(chuàng)造了更多空間。這包括揭示在線學(xué)習(xí)者的大腦工作原理和學(xué)習(xí)認(rèn)知、情感的發(fā)生機(jī)制；通過人工智能算法模型解決多種學(xué)習(xí)場景問題，賦能教學(xué)變革和教學(xué)質(zhì)量提升（翟雪松等，2023）?，F(xiàn)有腦電分析更多關(guān)注學(xué)習(xí)者認(rèn)知和情感，對在線學(xué)習(xí)環(huán)境的生理健康因素關(guān)注較少。本研究從視覺健康視角出發(fā)，基于腦電數(shù)據(jù)識別在線學(xué)習(xí)者視覺舒適度，有助于解決極端環(huán)境下大規(guī)模開放性課程帶來的視覺疲勞問題，提高視覺疲勞診斷和調(diào)控的客觀性、準(zhǔn)確性，并實(shí)現(xiàn)智能干預(yù)。未來人工智能協(xié)同腦神經(jīng)分析應(yīng)注重在線學(xué)習(xí)健康狀態(tài)與學(xué)習(xí)行為、認(rèn)知、情感等的關(guān)系，深化新時代教育評價改革。