基于心率变异分析的注意力集中程度的检测装置及方法

摘要

本发明公开了一种基于心率变异分析的注意力集中程度的检测装置及方法，主要解决现有技术中的注意力判断依据信号干扰大和测试不便的问题。其测试步骤是：按照MV5导联方式采集原始心电数字信号；滤除原始心电数字信号中的干扰，提取R波的位置，计算心率变异信号；对心率变异信号进行归整化和分段；对每段心率变异信号进行经验模式分解；计算心率变异信号和本征模式函数分量信号的近似熵；将求得的近似熵作为反传神经网络算法的输入矢量，训练神经网络，并确定神经网络各节点的参数；利用训练完成的神经网络对受试者的注意力集中程度进行检测，输出检测结果。本发明具有依据信号强度大，检测方便，准确度高的优点，用于对人的注意力集中程度的测试。

说明书

技术领域

本发明属于信息处理技术领域，涉及医学信息处理，具体地说是一种通过提取人体心率变异HRV信号并进行信号处理和聚类分析，以最终完成注意力集中程度的判断。本发明可用于对少年儿童或成人进行注意力是否集中的定量判定，也为医学临床确诊注意缺陷障碍症ADD或定量评价医治效果提供依据。

背景技术

注意力集中是正常学习和工作的重要前提，但部分人不能有效控制自己的注意力。少年儿童时期最常见的行为障碍性疾病ADD就是一个典型例子。一般认为，ADD是一种介于心理与生理交叉领域的疾病，也称身心疾病，以主动注意的选择性和稳定性差、易冲动和易分心为主要特征。目前临床上对ADD的诊断主要靠医师听取家长的口述来主观决定患者的病情。近年来，一些客观评定注意集中程度或ADD的设备已陆续开始研制，如申请号为00218646.2、200420021337.2和200310109026.1的专利文献均公开了评定注意状态或ADD的有关仪器，但这些装置都是在短时间内测试，通过视觉追踪目标光点运动测定眼角膜和视网膜间的电信号反应曲线，将测定的曲线与标准参考曲线进行比较，根据偏离程度确定患者的病种和程度。由于存在注意力调控缺陷的人或ADD患者在短时间内注意力完全可能集中，特别是在看到自己感兴趣的东西时，注意力短时间内还可能相当集中，所以，上述测定方法的生理依据并不可靠，这也是上述专利产品难以为临床医师接受的主要原因。

近年来通过脑电图分析提取注意状态的研究多了起来，比较典型的报道包括燕南、王珏、魏娜等的发表的“基于样本熵的注意力相关脑电特征信息提取与分类”，见西安交通大学学报2007年1237-1241页；Gleb V.、Tcheslavski A.A.等发表的“Phasesynchrony and coherence analyses of EEG as tools to discriminate between children withand without attention deficit disorder”，见Biomedical Signal Processing and Control期刊2006年151-161页等。另外，申请号为200710017810.8的专利文献记载的方法也属于这一类。这些基于脑电图分析提取注意状态的方法存在以下几个方面的缺陷，限制了其在临床上的广泛应用。

(1)脑电信号微弱，各种干扰对信号的影响非常显著，另外，多种因素如心理状态、神经精神疾病、血压甚至眼睛的闭合都会影响脑电图的波形，脑电图的有效分析方法都还在探索之中，基于脑电分析的注意测量方法的准确性还待验证。

(2)测试时在人头部放置多个电极非常不便，为了测量准确常要求剃去部分头发，电极导电膏的使用使得测试完毕需要立即洗头，非常麻烦。

(3)脑电放大装置价格不菲，这使得基于脑电分析的注意测量和反馈矫治仪器价格较高，难以进入家庭用户。

发明内容

本发明的目的是克服上述现有技术的缺点，提供一种使用简便，价格低廉的基于心率变异分析的注意力集中程度的检测装置及方法，以提高检测信号的强度，实现准确的判断注意力集中程度。

本发明的技术方案是这样实现的：

一.技术原理

过去人们通常认为，心脏最主要的功能是泵血，其作用过程是受大脑控制的，心脏对大脑几乎没有什么支配作用。然而，近年来，一系列的研究表明，心脑之间是交互作用的。由美国Andrew Armour和Jeffrey Ardell教授主编的《Basic and ClinicalNeurocardiology》一书(牛津大学出版社2004年出版)全面介绍了心脏对神经系统功能的影响以及中枢神经或外周神经在调节心脏功能中的作用。

美国心脏数理研究院(Institute of HeartMath，www.heartmath.org)的研究表明，心脑之间的信息交流是双向、动态的，一方持续不断地对另一方施加影响。心脏向大脑传递信息的方式主要有4种：神经冲动的传递、通过激素和神经递质、通过压力波和通过电磁场的交互作用，其中心脏电磁场在信息传递过程中扮演着举足轻重的作用。研究结果发现，心脏磁场在强度上是大脑磁场的5000倍左右，心脏磁场在人体周围各个方向几步开外的距离内都可以用基于SQUID方法的电磁计探测到，心脏电磁场向大脑传递的信息不仅影响大脑的活动还能影响大脑工作的效率。同样，心脏的工作状态也间接反映了大脑的调控机制与能力。

生理学和心理学的研究表明，人的注意力是否集中及其调节是由人体的自主神经系统控制的。人体的自主神经系统又由交感和副交感神经组成。当交感和副交感神经作用不平衡时，会导致多种心理及行为问题，如失眠、焦虑、抑郁、注意力难以集中等，而这些问题都会由人体的心率变异HRV信号反映出来。如果人有意识地调整心脏节律，带动自主神经系统进入协调状态，就可能克服上述的心理行为问题。

以上研究说明，从心率变异HRV信号中提取反映人体注意力是否集中的信号是有科学根据的。

二.检测装置

按照上述原理，本发明提供的基于心率变异HRV信号分析的注意力集中程度检测装置包括：

包括心电采集电极、心电图导联线、心电预处理电路、模数转换电路和信号处理器，其特征在于：

A.心电预处理电路，包括心电初级放大电路、心电滤波放大电路和50Hz工频陷波电路，它们之间依次连接；

B.信号处理器包括：

1)心电干扰滤除模块，用于滤除心电信号中的50Hz工频干扰，基线漂移、和肌电干扰；

2)R波提取模块，用于提取心电信号中的R波位置，以计算心率变异信号；

3)规整化分段模块，用于规整化心率变异信号，并对归整化后的心率变异信号进行分段，并以每1200点为一段进行滑动窗处理；

4)经验模式分解模块，用于对心率变异信号进行经验模式分解，并求得本征模式函数分量信号c(i)(1≤i≤5)；

5)近似熵分析模块，用于求本征模式函数分量信号c(i)(1≤i≤5)和心率变异信号的近似熵；

6)反传神经网络训练与测试模块，将求得的近似熵作为矢量输入，最终求得注意力集中的判断结果。

所述的心电采集电极按MV5双极胸导联置位置放，该电极通过屏蔽心电导联线与心电预处理电路相连，预处理电路经过模数转换电路与信号处理器相连。

三.检测方法

根据上述原理，本发明提供的基于心率变异HRV信号分析的注意力集中程度检测方法包括如下步骤：

(1)将心电采集电极按照MV5双极胸导联位置放置，并与屏蔽心电导联线相连，采集原始心电数字信号；

(2)依次滤除原始心电数字信号中的基线漂移、肌电干扰和50Hz工频干扰，并提取R波的位置，计算心率变异信号；

(3)对心率变异信号取均值，再用心率变异信号减去这个均值得到归整化后的心率变异信号；对归整化后的心率变异信号进行分段，以每1200点为一段进行滑动窗处理；

(4)对每段进行经验模式分解，得到每段信号的本征模式函数分量信号c(i)(1≤i≤5)；

(5)计算归整化后的心率变异信号和本征模式函数分量信号c(i)(1≤i≤5)的近似熵；

(6)将求得的近似熵作为反传神经网络算法的输入矢量，训练神经网络，并确定神经网络各节点的参数；

(7)将训练完成的神经网络对受试者的注意力集中程度进行检测，并输出其检测结果。

相对于现有技术，本发明具有如下优点：

(1)利用心率变异信号提取注意力集中的状态，干扰相对脑电采集要小得多，且采集也很方便，并可采用软硬件结合方法剔除干扰，使信号稳定可靠；

(2)采用MV5双极胸导联，绝大多数情况下采集得到的心电信号具有较大的幅值，且心电信号中的QRS波是正向直立的，特别有利于提高R波识别的准确性；

(3)基于心电信号的心率变异采集电路简单，造价低廉，有利于产品普及进入家庭，从而造福民众；

(4)将包括经验模式分解、近似熵分析和神经网络聚类多种非线性方法结合起来，更适应心率变异信号的非线性、非平稳本质，所分析的结果更为可靠；

(5)系统在进行识别时，对于明显错误的识别结果，可人为干预，将正确结果输入作为神经网络聚类分析的监督信息，据此可重新通过反传算法确定网络节点的参数，不断提高对注意力是否集中识别的准确性。

附图说明

图1是本发明的系统结构图；

图2是本发明所用的心电信号初级放大电路图；

图3是本发明所用的心电滤波放大电路图；

图4是本发明所用的50Hz工频陷波电路图；

图5是本发明检测注意力集中程度的过程示意图；

图6是本发明采集心电所用电极位置分布图；

图7是本发明经心电干扰滤除模块处理后的心电数字信号示意图；

图8是本发明从心电图计算得到的心率变异HRV的波形图；

图9是本发明对一段规整化心率变异HRV信号的经验模式分解结果示意图；

图10是本发明所用反传神经网络的结构示意图；

图11是本发明检测过程中所用反传神经网络训练子流程图。

具体实施方式

参照图1，本发明的检测装置是由心电采集电极、心电图导联线、心电预处理电路、模数转换电路和信号处理器构成，它们之间依次连接。其中：

信号处理器，它设有心电干扰滤除模块、R波提取模块、规整化分段模块、经验模式分解EMD模块、近似熵分析模块和反转神经网络训练与测试模块，这些模块的具体功能是：心电干扰滤除模块，用于滤除心电信号中的50Hz工频干扰、基线漂移和肌电干扰；R波提取模块，用于提取心电信号中的R波位置，以计算心率变异信号；规整化分段模块，用于规整化心率变异信号，并对归整化后的心率变异信号进行分段，并以每1200点为一段进行滑动窗处理；经验模式分解模块，用与对心率变异信号进行经验模式分解，并求得本征模式函数分量信号c(i)(1≤i≤5)；近似熵分析模块，用于求本征模式函数分量信号c(i)(1≤i≤5)和心率变异信号的近似熵；反传神经网络训练与测试模块，将求得的近似熵作为反传神经网的矢量输入，最终求得注意力集中的判断结果。

心电预处理电路，包括心电初级放大电路、心电滤波放大电路、50Hz工频陷波电路三个环节。

如图2所示，该心电初级放大电路选用低功耗、高输入阻抗、高共模抑制比的四运放器件ICL7642，它由两级差分电路组成，其中第一级差分电路由第一运算放大器U1和第二运算放大器U2和电阻R0、R1和R2组成，且R1＝R2，第一运算放大器U1和第二运算放大器U2的正向端由屏蔽心电导联线引出，与受试者按照MV5双极胸导联标准指定位置的胸部电极相连，其中第一运算放大器U1正端与左腋前线第5肋位置的电极相连，第二运算放大器U2正端与胸骨柄右缘位置的电极相连，参考地与右腋前线第5肋位置的电极相连；第二级差分电路由第三运算放大器U3及外围电阻组成，且R3＝R4，R5＝R6，第一运算放大器U1的输出经电阻R3与第三运算放大器U3的负端相连，第二运算放大器U2的输出经R4与第三运算放大器U3的正端相连，该初级放大电路的总的放大倍数为：

$A_1=(1+\frac{2R1}{R0})\frac{R5}{R3}=10$

调节电阻取值，使得初级电路放大倍数为10倍左右。

如图3所示，该心电滤波放大电路采用ICL7642的两个运放分别设计成一个二阶压控有源高通滤波器和一个二阶压控有源低通滤波器，组合成带通滤波器，带通滤波器的输入与心电初级放大电路的输出相连，其中第四运算放大器U4和C1、R7、C2及R8组成高通滤波器，第五运算放大器U5和R9、R11、C3及C4组成低通滤波器，第六运算放大器U6和R10、R12组成次级放大器。

为了不损失心电信号的低频成分，调整电路中R7、R8、C1和C2的值，使得高通滤波器的截止频率为

$f_L=\frac{1}{2\pi \sqrt{R7R8C1C2}}0.05\mathrm{Hz}$

应注意的是C1、C2位于信号通道上，它本身的噪声性能是至关重要的。应选用独石电容或钽电容，不要选择电解电容。

考虑到心电信号的高频特性，调整电路中R9、R11、C3和C4的值，使得低通滤波器的截止频率为

$f_H=\frac{1}{2\pi \sqrt{R9R11C3C4}}=100\mathrm{Hz}$

对于由第六运算放大器U6组成的次级放大器，调节电阻R10和R12的阻值，使得次级放大倍数为100左右，初级和次级两级放大的总增益为1000，以使心电信号的幅度适合后续模数转换电路的要求。因此，该次级放大电路的放大倍数为：

$A_2=1+\frac{R12}{R10}=100$

如图4所示，50Hz工频陷波电路采用双T带阻滤波电路，由第七运算放大器U7和外围元件构成，其输出作为模数转换电路的输入。合理选择图中的电阻电容值，以实现50Hz的工频陷波。

上述检测电路的工作原理是：从心电采集电极及心电预处理电路得到模拟心电信号，经12位模数转换后得到原始心电数字信号，并传输到信号处理器中，信号处理器中的功能模块对心电数字信号进行处理，如滤除基线漂移、滤除肌电干扰、滤除50Hz工频干扰和R波提取操作，得到心率变异信号。信号处理器中的规整化分段模块对心率变异信号取均值，再用心率变异信号减去这个均值得到归整化后的心率变异信号，并对归整化后的心率变异信号进行分段，以每1200点为一段进行滑动窗处理，依次进行经验模式分解EMD，获得5个本征模式函数分量信号c(i)(1≤i≤5)，对c(i)(1≤i≤5)及原始规整化信号x(t)分别进行近似熵分析，计算出各个分量和x(t)信号的近似熵值作为反传神经网络算法的输入矢量，神经网络算法的输出就是系统判断受试者注意力集中程度的结果。

参照图5，本发明进行注意力集中程度测试的具体步骤如下：

步骤1.安装电极。将心电采集电极按照按图6所示的MV5双极胸导联位置放置在人体皮肤上，其中正电极位置在左腋前线第5肋，如图6中的③标记位置处，负电极位置在胸骨柄右缘，如图6中的②标记处，参考接地电极处在右腋前线第5肋，如图6中的①标记处。

安装电极时应注意，尽量将电极置于相应部位的骨骼上，如肋骨、胸骨或胸骨柄部分，避免放在肌肉活动部位或女性乳房处，以减少肌肉活动引起电极移动产生干扰。另外，应仔细清洁皮肤，通常需要采用导电膏。

步骤2.心电干扰滤除模块依次滤除原始心电数字信号中的基线漂移、肌电干扰和50Hz工频干扰，并提取R波的位置，计算心率变异信号。

滤除原始心电数字信号中的基线漂移，是用一组基于数学形态学的滤波器，其表达式为f_p＝f-MF_k1(f)，式中f为原心电数字信号，f_p为滤除基线漂移的心电数字信号，MF_k1(f)为f开闭运算和闭开运算的代数和平均，表示为：MF_k1(f)＝[(fоk1)·k1+(f·k1)оk1]/2，其中k1为数学形态学运算的结构元素，且结构元素宽度为72，元素全为0。

滤除原始心电数字信号中的肌电干扰，是用基于数学形态学和3σ准则的自适应阀值的方法滤除肌电干扰，其表达式为：f₁＝MF_k2(f_p)+z，式中f_p为滤除基线漂移的心电数字信号，f_j为滤除肌电干扰的心电数字信号，MF_k2(f_p)为f_p进行数学形态学开闭运算和闭开运算的代数和平均，表示为：MF_k2(f_p)＝[(f_pоk2)·k2+(f_p·k2)оk2]/2，其中k2为数学形态学运算的结构元素，且结构元素宽度为5，元素全为0；z为f_p-MF_k2(f_p)采用基于硬阀值的自适应阀值法处理得到的结果，基于硬阀值的自适应阀值法的具体过程如下：

1)令z₁(n)＝f_p-MF_k(f_p)，1≤n≤N，N为z₁(n)的长度，以16个采样点为单位，将z₁(n)划分成M段，针对每一段信号，采用如下公式估计噪声的均方差：

${\hat{\sigma }}_i=\frac{\mathrm{Median}\left(\right|z_{1i}\left(k\right)\left|\right)}{0.6745}$(i＝1，2，…，M；k＝1，2，…，16)；

2)对(i＝1，2，…，M)进行三次样条插值，求出对z₁(n)信号的瞬时均方差估计(n＝1，2，…N)，N为z₁(n)信号长度；

3)对z₁(n)按下面公式进行阀值处理：

$z\left(n\right)=\left(\begin{array}{cc}{z}_1\left(n\right)=0& \left|z_1\left(n\right)\right|<3\hat{\sigma }\left(n\right);\\ z_1\left(n\right)& \left|z_1\left(n\right)\right|>3\hat{\sigma }\left(n\right);\end{array}\right),n=\mathrm{1,2},...N$

R波提取，是利用一组数学形态学运算得到预处理信号，该预处理信号突出了心电数字信号中的R波，采用基于阀值的极大值法检测该预处理信号，以确定R波的位置，具体步骤如下：

①将滤除基线漂移、肌电干扰和50Hz工频干扰得到的心电数字信号f₁(n)进行运算，得到预处理信号y(n)＝f₁(n)-f₁(n)оk3(m)，1≤n≤N，1≤m≤M，式中N为心电数字信号f₁(n)的长度，k3为数学形态学运算的结构元素，M为数学形态学运算的结构元素的宽度，且M＝22，元素全为0；

②对预处理信号y(n)进行搜索，得到前1.5*fs个序列的最大值max(1)，其中fs为采样频率，用0.8*max(1)作为阀值，用极大值法检测得到第一个R波的位置index(1)，如果index(1)后0.05*fs个序列存在大于y(index(1))的值，则用此序列号替换index(1)，以防止错检，用同样的方法找出第二个R波的位置index(2)，并令i＝3；

③用前两个R波的位置index(i-2)和index(i-1)之差估计本次要搜素的R波位置index(i)，设上一个R波的峰值为y(index(i-1))，如果y(index(i-1))＞y(index(i-2))/0.8，用y(index(i-2))*0.7作为阀值，否则用y(index(i-1))*0.7作为阀值，将index(i-1)+0.3*(index(i-1)-index(i-2))开始用极大值阀值法检测到的R波位置作为本次要搜素的R波位置index(i)；

④如果从index(i)到index(i)+0.05*fs存在大于y(index(i))的值，则用此值的序号作为index(i)，并令i＝i+1；

⑤重复步骤③和④直到检测完所有的预处理信号y(n)。

图7是本发明经心电干扰滤除模块处理后的心电数字信号示意图，图8是一段心率变异HRV信号的示意图。从图7可看出该心电数字信号中的基线漂移、肌电干扰和50Hz工频干扰已被滤除，从图8可看出该心率变异HRV信号幅度基本集中在0.8s附近，400～1000点有比较明显的震荡。

步骤3.规整化与分段。

首先，利用规整化分段模块对心率变异HRV信号取均值，再用HRV信号减去这个均值得到归整化后的HRV信号；然后，对归整化后的HRV信号进行分段，以每1200点为一段进行滑动窗处理。

步骤4.依次对上述每段心率变异信号进行经验模式分解EMD，获得本征模式函数分量信号c(i)(1≤i≤5)。

该经验模式分解的过程如下：

(4.1)设x(i)，1≤i≤1200为待分析的1200点的心率变异信号，确定该信号的所有局部极值点，并将所有极大值点用三次样条函数拟合出原数据序列的上包络线，将所有极小值点用三次样条函数拟合出原数据序列的下包络；

(4.2)求上包络线和下包络线的均值并记为m₁(i)，有：

h₁(i)＝x(i)-m₁(i)                (a)

将h₁(i)看成原信号，重复以上步骤(4.1)～(4.2)，直到h₁(i)满足本征模式函数分量的约束条件，确定第一个本征模式函数分量为：h₁(i)＝c₁(i)，c₁(i)为信号x(i)中的最高频率分量；

(4.3)用x(i)减去c₁(i)得到一个去掉高频分量的差值r₁(i)即

x(i)-c₁(i)＝r₁(i)                        (b)

将r₁(i)看成原信号重复步骤(4.1)～(4.2)，可得到c₂(i)，c₃(i)，…，即

$\left(\begin{array}{c}{r}_1\left(i\right)-c_2\left(i\right)=r_2\left(i\right)\\ .\\ .\\ .\\ r_{n-1}\left(i\right)-c_n\left(i\right)=r_n\left(i\right)\end{array}\right)---\left(c\right)$

当c_n(i)或r_n(i)满足给定的终止条件，循环结束；

(4.4)将式(b)代入式(c)，得到心率变异信号x(i)的分解结果为：

$x\left(i\right)=\underset{k=1}{\overset{n}{\Sigma }}{c}_i\left(k\right)+r_n\left(k\right)---\left(d\right)$

式中，r_n(i)为残余函数，代表信号的平均趋势；本征模式函数分量c₁(i)，c₂(i)…c_n(i)分别包含了信号从高到低不同频率段的成份，每一频率段包含的成份都是不同的且随信号本身变化而变化。

在分解过程中可能会产生多个通道的分量，如果产生超过5个通道以上的本征模式函数IMF分量，由于多余通道的分量信息量很少，可以舍去。规整化心率变异信号HRV经过经验模式分解EMD后的波形如图9所示，从图9中可看出从本征模式函数分量信号C₁到C₅频率逐渐降低。

步骤5.分别计算本征模式函数分量c(i)(1≤i≤5)及原始规整化分段心率变异信号x(i)的近似熵，其计算结果作为反传神经网络算法的输入矢量。

以计算心率变异信号x(i)，1≤i≤1200的近似熵为例，其具体计算步骤如下：

(5.1)先确定两个参数m和r，其中m是预先选定的模式维数，r是预先选定的相似容限，并固定这两个参数m和r不变；

(5.2)设x(i)的长度为N，将心率变异信号x(i)按顺序分成N-m+1个m维矢量X₁，X₂，…X_N-m+1，其中：

Z_i＝[x(i)，x(i+1)，…，x(i+m-1)]，i＝1～N-m+1

X_i表示从第i个点开始连续的m个x(i)的值；

(5.3)设X_i和X_j为X₁，X₂，…X_N-m+1中任意的两个m维矢量，定义X_i和X_j间的距离d[X_i，X_j]为两者对应元素中差值最大的一个，即：

$d[X_i,X_j]=\underset{1\le k\le m}{\max }|X_i\left(k\right)-X_j\left(k\right)|$

对每个i值计算X_i与其余矢量X_j(i，j＝1～N-m+1)间的距离；

(5.4)对每一个i，1≤i≤N-m+1，值统计d[X_i，X_j]小于r的数目及此数目与距离总数N-m+1的比值，记作C_i^m(r)，即：

i＝1～N-m+1

(5.5)先将C_i^m(r)取对数，再求其对所有i的平均值，记作Φ^m(r)，即：

${\Phi }^m\left(r\right)=\frac{1}{N-m+1}\underset{i=1}{\overset{N-m+1}{\Sigma }}\ln C_i^m\left(r\right);$

(5.6)再把维数加1，维数变成m+1，重复步骤(5.2)～(5.5)，得到C_i^m+1(r)和Φ^m+1(r)；

(5.7)当序列长度为N时，近似熵ApEn的估计值为：

ApEn(m，r，N)＝Φ^m(r)-Φ^m+1(r)

根据实践经验摸索得出，当m＝2，r＝0.1～0.25SD(x)时，近似熵ApEn具有较为合理的统计特性，这里的SD是原始数据x(i)，i＝1～N的标准差。由此，本系统近似熵的计算中取m＝2，r＝0.1～0.2SD(x)。

步骤6.训练该神经网络，并确定各节点的参数。

本发明采用的神经网络结构如图10所示，它为6-7-2-1四层前向多层结构，将步骤5得到的本征模式函数分量信号c(i)(1≤i≤5)和心率变异信号HRV的近似熵作为神经网络的输入向量，先对神经网络进行训练，以确定网络中的节点参数。完成训练后的神经网络就可以用来测定的受试者的注意力集中的程度了。

参照图11，神经网络训练的过程如下：

(6.1)在第一次使用网络前，先给网络各节点赋予一个在0～0.5之间的非零较小的随机值；

(6.2)将本征模式函数分量c(i)(1≤i≤5)及原始规整化分段心率变异信号x(i)的近似熵值作为网络的输入向量，输入到神经网络的输入层；

(6.3)计算神经网络的实际输出，该输出值即为神经网络给出注意状态的初步判断结果；

(6.4)计算神经网络的实际输出与理想期望输出的差值，如果训练数据来源于正常人，表示其注意力调控无障碍，如果测试过程中注意力集中，网络输出的理想期望值应为1.0；如果训练使用的数据来源于注意调控障碍患者或测试过程中受试者注意力不集中的情况，网络输出的理想期望值应为0.0。

(6.5)根据以上设定，判断网络的实际输出与网络的期望输出之间的差值是否满足预先设定的一个容忍标准，如果差值在可容忍范围，说明神经网络的各节点参数暂时无需调整，输入下一组训练数据继续判断；如果差值处于不可容忍范围，则按标准反传算法公式反向逐层计算每层神经元的局部梯度，逐个修正节点参数。修正后再输入下一组训练数据继续判断；直到每组训练数据都使用后，训练完成，这时的神经网络各节点参数被确定。

步骤7.将训练完成的神经网络对受试者的注意力集中程度进行检测，并输出其检测结果。

在对受试者进行测试的过程中，如果认为神经网络输出的结果明显与受试者的注意力集中程度的状态不符合，可由医师或受试者本人直接干预测量过程，系统将按步骤6的流程重新确定神经网络的节点参数。

上述训练和测试过程使得神经网络的节点参数可动态更新，在测试中会不断提高注意力集中程度测试的准确性。

在测试开始前，需对神经网络进行训练，在测试过程中如果发现测试结果存在明显失误，可人工干预使得神经网络的节点参数重新调整，以便在实际测试过程中不断提供装置判断注意力是否集中的准确率。

本发明可用于方便地即时检测人的注意力集中程度，对医学临床诊断注意缺陷障碍症和评估治疗效果都有重要价值。