CN108363487A - 梦境重现模型的构建方法、梦境重现方法及装置 - Google Patents
梦境重现模型的构建方法、梦境重现方法及装置 Download PDFInfo
- Publication number
- CN108363487A CN108363487A CN201810082506.XA CN201810082506A CN108363487A CN 108363487 A CN108363487 A CN 108363487A CN 201810082506 A CN201810082506 A CN 201810082506A CN 108363487 A CN108363487 A CN 108363487A
- Authority
- CN
- China
- Prior art keywords
- brain wave
- wave data
- dreamland
- perceptive object
- characteristic value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010276 construction Methods 0.000 title claims abstract description 19
- 210000004556 brain Anatomy 0.000 claims abstract description 158
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000008447 perception Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000009877 rendering Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 3
- 230000035479 physiological effects, processes and functions Effects 0.000 description 3
- 210000001525 retina Anatomy 0.000 description 3
- 239000003814 drug Substances 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003860 sleep quality Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Dermatology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
公开了一种梦境重现模型的构建方法、梦境重现方法及装置，该梦境重现方法包括：获得用户在睡眠状态下的脑电波数据；对所获得的脑电波数据进行特征提取，得到所述脑电波数据的特征值；将所得到的脑电波数据的特征值输入所述梦境重现模型，得到对应的输出值；从所述对应关系中，确定与所述输出值具有最高相似度的可感知对象，以生成梦境重现结果。
Description
技术领域
本说明书实施例涉及计算机应用技术领域，尤其涉及一种梦境重现模型的构建方法、梦境重现方法及装置。
背景技术
现代医学认为，梦是人体睡眠时，体内外各种刺激因素，例如心理、生理、病理、环境因素等作用于大脑特定的皮层所产生的，其形式可以为影像、声音、思想、感觉等。研究表明，美好的梦境在一定程度上可以带给人主观上较为愉悦的感受，人甚至可以在梦境中找到解决实际问题的灵感，但由于梦境的产生不受人体主观意识控制，从而人体从睡眠状态醒来后，通常不会记忆起完整清晰的梦境。
发明内容
针对上述技术问题，本说明书实施例提供梦境重现模型的构建方法、梦境重现方法及装置，技术方案如下：
根据本说明书实施例的第一方面，提供一种梦境重现模型的构建方法，所述方法包括：
获得至少一组包含可感知对象与用户在感知所述可感知对象时的脑电波数据的对应关系；
分别对每一组所述对应关系进行特征提取，获得训练样本集合，其中，每条训练样本以提取到的所述脑电波数据的特征值为输入值，以提取到的所述可感知对象的特征值为标签值；
利用有监督学习算法对所述训练样本进行训练，得到梦境重现模型，所述梦境重现模型以脑电波数据的特征值作为输入值，以可感知对象的特征值作为输出值。
根据本说明书实施例的第二方面，提供一种梦境重现方法，所述方法包括：
获得用户在睡眠状态下的脑电波数据；
对所获得的脑电波数据进行特征提取，得到所述脑电波数据的特征值；
将所得到的脑电波数据的特征值输入所述梦境重现模型，得到对应的输出值；
从所述对应关系中，确定与所述输出值具有最高相似度的可感知对象，以生成梦境重现结果。
根据本说明书实施例的第三方面，提供一种梦境重现模型的构建装置，所述装置包括：
数据获取模块，用于获得至少一组包含可感知对象与用户在感知所述可感知对象时的脑电波数据的对应关系；
样本获取模块，用于分别对每一组所述对应关系进行特征提取，获得训练样本集合，其中，每条训练样本以提取到的所述脑电波数据的特征值为输入值，以提取到的所述可感知对象的特征值为标签值；
样本训练模块，用于利用有监督学习算法对所述训练样本进行训练，得到梦境重现模型，所述梦境重现模型以脑电波数据的特征值作为输入值，以可感知对象的特征值作为输出值。
根据本说明书实施例的第四方面，提供一种梦境重现装置，所述装置包括：
脑电波获取模块，用于获得用户在睡眠状态下的脑电波数据；
特征提取模块，用于对所获得的脑电波数据进行特征提取，得到所述脑电波数据的特征值；
输出模块，用于将所得到的脑电波数据的特征值输入所述梦境重现模型，得到对应的输出值；
重现模块，用于从所述对应关系中，确定与所述输出值具有最高相似度的可感知对象，以生成梦境重现结果。
根据本说明书实施例的第五方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现本说明书一个或多个实施例提供的任一项梦境重现模型的构建方法。
根据本说明书实施例的第六方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现本说明书一个或多个实施例提供的任一项梦境重现方法。
本说明书实施例所提供的技术方案，通过获得至少一组包含可感知对象与用户在感知可感知对象时的脑电波数据的对应关系，分别对每一组对应关系进行特征提取，获得训练样本集合，其中，每条训练样本以提取到的脑电波数据的特征值为输入值，以可感知对象的特征值为标签值，利用有监督学习算法对训练样本进行训练，得到梦境重现模型，该梦境重现模型以脑电波数据的特征值作为输入值，以可感知对象的特征值为输出值，后续，通过该梦境重现模型即可实现利用用户在睡眠状态下的脑电波数据重现用户梦境，满足用户体验。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书实施例。
此外，本说明书实施例中的任一实施例并不需要达到上述的全部效果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本说明书一示例性实施例示出的实现梦境重现的应用场景示意图；
图2为本说明书一示例性实施例示出的梦境重现模型的构建方法的流程图；
图3为本说明书一示例性实施例示出的梦境重现方法的流程图；
图4为本说明书一示例性实施例示出的梦境重现模型的构建装置的实施例框图；
图5为本说明书一示例性实施例示出的梦境重现装置的实施例框图；
图6示出了本说明书实施例所提供的一种更为具体的计算设备硬件结构示意图。
具体实施方式
为了使本领域技术人员更好地理解本说明书实施例中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行详细地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于保护的范围。
现代医学认为，梦是人体睡眠时，体内外各种刺激因素，例如心理、生理、病理、环境因素等作用于大脑特定的皮层所产生的，也就是说，人在做梦时，大脑皮层处于兴奋状态，从而将产生脑电波，而脑电波与人的意识活动具有某种程度的对应，例如，人在看到两幅不同的图像，或者听到两段旋律不同的音乐时，大脑皮层的神经活动不同，从而所产生的脑电波不同，同样的，人做梦梦到不同的场景时，大脑皮层的神经活动不同，从而所产生的脑电波也不同，基于此，本发明提出利用脑电波数据实现梦境重现。
请参见图1，为本说明书一示例性实施例示出的实现梦境重现的应用场景示意图。如图1所示，包括用户110、脑电波传感器120，以及计算机130，其中，脑电波传感器120被佩戴在用户110的头部，用于采集用户110的脑电波数据，并将采集到的脑电波数据发送给计算机130，具体为：在用户110处于清醒状态时，脑电波传感器120采集用户110在感知到可感知对象，例如用户110看到一幅图像时，用户110的脑电波数据，将该脑电波数据，以及该脑电波数据对应的可感知对象的相关信息发送给计算机130，由计算机130基于接收到的脑电波数据与可感知对象的相关信息进行训练，得到梦境重现模型，该梦境重现模型可以以脑电波数据相关信息为输入，以可感知对象相关信息为输出。本领域技术人员可以理解的是，为了得到梦境重现模型，需要若干样本，也即需要采集若干条用户在感知不同的可感知对象时，所产生的脑电波数据。
在训练得到梦境重现模型后，则可以使用脑电波传感器120采集用户在睡眠状态下所产生的脑电波数据，继而脑电波传感器120将该脑电波数据发送至计算机130，计算机130则可以基于梦境重现模型输出与该脑电波数据对应的可感知对象的相关信息，继而则可以基于该可感知对象的相关信息生成梦境重现结果。待用户110醒来后，则可以通过计算机130查看上述梦境重现结果，实现“重温”梦境。
基于图1所示的应用场景，本说明书示出下述实施例分别从梦境重现模型的构建，与基于梦境重现模型实现梦境重现两个方面进行描述。
首先，从梦境重现模型的构建这一方面进行描述：
请参见图2，为本说明书一示例性实施例示出的梦境重现模型的构建方法的流程图，可以包括以下步骤：
步骤202：获得至少一组包含可感知对象与用户在感知可感知对象时的脑电波数据的对应关系。
在本说明书实施例中，可感知对象可以为单幅图像，也可以为视频中截取的一幅图像帧，本领域技术人员可以理解的是，单幅图像与图像帧的本质都是图像，因此，为了描述方便，在本说明书实施例中，即称可感知对象可以为图像。
在一实施例中，可以预设可感知对象集合，例如，该集合包括1000张不同的图像，依次将该可感知对象集合中的每一可感知对象提供给用户110，例如，在特定环境下，以幻灯片形式播放该每一可感知对象，并在向用户110提供可感知对象时，同步采集用户110在感知该可感知对象时的脑电波数据。通过该种处理，每采集一次脑电波数据，即可获得一条包含可感知对象与用户110感知该可感知对象时的脑电波数据的对应关系，例如，获得1000条该对应关系。
在一实施例中，可以按照预设规则，例如每隔5秒钟，向用户110提供一个可感知对象，并在提供第一个可感知对象至最后一个可感知对象的整个过程中，持续采集用户110的脑电波数据，之后，按照与上述预设规则对应的提取规则，例如按照脑电波数据的采集时间，每隔5秒钟，截取一段脑电波数据，之后，建立脑电波数据与可感知对象之间的对应关系。通过该种处理，最终也可以获取到多条包含可感知对象与用户110感知该可感知对象时的脑电波数据的对应关系。
在一实施例中，也可以向用户110提供一段视频，并在用户110观看该视频的整个过程中，持续采集用户110的脑电波数据，之后，按照同样的时间间隔，截取该视频中的图像帧，以及脑电波数据，之后，则可以建立起脑电波数据与可感知对象之间的对应关系。
需要说明的是，上述描述的两个实施例仅仅作为两种可选的实现方式，在实际应用中，还可以存在其他方式获取到至少一组包含可感知对象与用户在感知可感知对象时的脑电波数据的对应关系，例如，可以在用户110按照自主意志进行活动时，采集用户110的脑电波数据，并同步采集用户110的视网膜成像，基于采集时间，即可建立脑电波数据与视网膜成像的对应关系，该视网膜成像即可等同于用户感知到的可感知对象。
本领域技术人员可以理解的是，按照上述描述，图1中所示例的脑电波传感器120还可以具有采集视网膜成像的功能，或者是由另一单独的可佩戴智能芯片(图1中并未示出)负责采集用户110的视网膜成像，本说明书实施例对此不作限制。
步骤204：分别对每一组对应关系进行特征提取，获得训练样本集合，其中，每条训练样本以提取到的脑电波数据的特征值为输入值，以提取到的可感知对象的特征值为标签值。
本说明书实施例中，针对步骤202获得的每一组对应关系，分别对每一组对应关系中的可感知对象与用户感知该可感知对象时的脑电波数据进行特征提取，得到训练样本集合，该训练样本集合中的每一条训练样本则包括提取到的脑电波数据的特征值与提取到的可感知对象的特征值，并且基于上述图1所示应用场景的相关描述，在实际的梦境重现过程中，是通过采集到的用户110在睡眠状态下的脑电波数据确定用户110感知到的可感知对象，因此，上述每一条训练样本则以脑电波数据的特征值为输入值，以提取到的可感知对象的特征值为标签值。
提取脑电波数据的特征值：
在一实施例中，通过复变的数学概念可知，任一频率的实信号都可以表示成一系列周期函数的和，而将实信号表示成一系列周期函数和的过程则是对该实信号进行分析的过程，每一周期函数则相当于该实信号的组成成分，基于此，本说明书提出对脑电波数据进行复变分解，例如利用傅里叶变换对脑电波数据进行复变分解，将脑电波数据表示为至少一个复变函数的和，该至少一个复变函数则可以作为脑电波数据的特征值，例如，所提到的脑电波数据的特征值为(a1f1(sinx)，a2f2(sinx)，a3f3(sinx))。
需要说明的是，上述描述的提取脑电波数据特征值的方式仅仅作为一种可选的实现方式，在实际应用中，还可以通过其他方式提取脑电波数据的特征值，例如，可以通过相关性分析、AR参数估计、Butterworth低通滤波、遗传算法等等方式提取脑电波数据的特征值，所提取到的特征值的具体类型可以由实际算法决定，例如，采用Butterworth低通滤波算法提取到的特征值则为信号幅度的平方值，采用AR参数估计算法提取到的特征值则为功率频谱密度，本说明书实施例不再一一介绍。
提取可感知对象的特征值：
以可感知对象为图像为例，在一实施例中，可以对可感知对象进行颜色统计，得到可感知对象中每种颜色值对应的像素点个数，将所得到的像素点个数表示为2N维向量，其中N为图像的色彩位数，即，该2N维向量即可作为该可感知对象的特征值，例如，所提取到的特征值为(y1、y2、y3、……y2^N)。
进一步，考虑到不同图像的色彩位数可能不同，例如8位图像与16位图像，从而，所提取到的特征值的维数也就不同，为了后续对训练样本进行训练的统一化，规整化，可以将具有不同色彩位数的图像的颜色统计结果映射至统一的向量空间，这里所说的“统一”是指基于颜色统计结果所得到向量的维数相同。
此外，需要说明的是，向量的维数越大，后续对训练样本进行训练的复杂度也就越高，计算量也就越大，因此，在本说明书实施例中，在保证可感知对象特征值的精细度满足用户期望时，可以尽可能地设定一个维数较小的向量空间。
需要说明的是，在实际应用中，针对不同色彩位数的图像，可以首先将这些图像同一设置为相同的色彩位数，继而再按照上述描述进行特征提取，在得到颜色统计结果后，则无需再执行将每一颜色统计结果映射至统一向量空间的步骤。
步骤206：利用有监督学习算法对训练样本进行训练，得到梦境重现模型，梦境重现模型以脑电波数据的特征值作为输入值，以可感知对象的特征值作为输出值。
在本说明书实施例中，可以利用有监督学习算法对步骤204中得到的训练样本进行训练，得到梦境重现模型，该梦境重现模型以脑电波数据的特征值作为输入值，以可感知对象的特征值作为输出值。可以理解的是，训练的到梦境重现模型实质上可以理解为输入值与输出值之间的函数关系，其中，输出值会受到输入值中的全部或部分影响，因此，输出值与输入值之间的函数关系可以如下示例：
y＝f(x1，x2，…xM)
其中，x1，x2，…xM表示M个输入值，也即M个脑电波数据的特征值，y则表示输出值，也即可感知对象的特征值，具体可以为可感知对象中每种颜色值对应的像素点个数之间的比例关系。
需要说明的是，该梦境重现模型的形式可以根据实际训练需求选择，例如线性回归模型(linear regression model)、逻辑斯谛回归模型(logistic regression model)等等。本说明书实施例对模型的选择及具体的训练算法均不作限定。
此外，需要说明的是，不同用户对同一可感知对象的感知能力可能不同，因此，本说明书实施例中提出针对不同用户分别构建不同的梦境重现模型；进一步，同一用户在自身心理、生理处于不同状态下，对同一可感知对象的感知能力可能不同，因此，本说明书实施例中还提出针对同一用户的不同时间段，分别构建不同的梦境重现模型。另外，在实际应用中，还可以存在其他可实现方式，例如，针对不同用户均构建同一梦境重现模型，本说明书实施例对此并不作具体限制。
由上述实施例可见，本说明书实施例提供的技术方案，通过获得至少一组包含可感知对象与用户在感知可感知对象时的脑电波数据的对应关系，分别对每一组对应关系进行特征提取，获得训练样本集合，其中，每条训练样本以提取到的脑电波数据的特征值为输入值，以可感知对象的特征值为标签值，利用有监督学习算法对训练样本进行训练，得到梦境重现模型，该梦境重现模型以脑电波数据的特征值作为输入值，以可感知对象的特征值为输出值，后续，通过该梦境重现模型即可实现利用用户在睡眠状态下的脑电波数据重现用户梦境，满足用户体验。
至此，完成梦境重现模型的构建这一方面的相关描述。
其次，从基于梦境重现模型实现梦境重现这一方面进行描述：
请参见图3，为本说明书一示例性实施例示出的梦境重现方法的流程图，可以包括以下步骤：
步骤302：获得用户在睡眠状态下的脑电波数据。
在本说明书实施例中，可以按照预设规则，例如每隔一分钟、或每隔两分钟等通过图1中所示例的脑电波传感器120获得用户在睡眠状态下的脑电波数据。
步骤304：对所获得的脑电波数据进行特征提取，得到脑电波数据的特征值。
本步骤的详细描述可以参见上述图2所示实施例中步骤204中的相关描述，在此不再详述。
步骤306：将所得到的脑电波数据的特征值输入梦境重现模型，得到对应的输出值。
由上述图2所示实施例中描述的梦境重现模型可知，在本步骤中，可以将步骤304中提取到的脑电波数据的特征值输入梦境重现模型，得到对应的输出值，该输出值可以为可感知对象的特征值。
步骤308：从对应关系中，确定与输出值具有最高相似度的可感知对象，以生成梦境重现结果。
在本说明书实施例中，可以将训练样本集中每一可感知对象的特征值与步骤306中的输出值进行相似度计算，确定与该输出值相似度最高的可感知对象的特征值，继而，则可以在上述图2所示实施例描述的对应关系中，确定与该输出值具有最高相似度的可感知对象，基于所确定的可感知对象即可生成梦境重现结果。
得到训练样本集中每一可感知对象的特征值的具体过程可以参见上述图2所示实施例中的相关描述，在此不再详述。
进一步可以向用户展示梦境重现结果，例如，按照脑电波数据的采集时间的先后顺序，以幻灯片形式播放确定的多张图像。
本领域技术人员可以理解的是，上述与输出值具有最高相似度的可感知对象可以为一个或多个，本说明书实施例对此不作限制。
在上述描述中，计算输出值与可感知对象的特征值之间相似度的具体方式可以为欧式距离算法、余弦相似度计算算法，等等，本说明书实施例对此不作限制。
由上述实施例可见，本说明书实施例提供的技术方案，通过获得用户在睡眠状态下的脑电波数据，对该脑电波数据进行特征提取，得到脑电波数据的特征值，将该特征值输入梦境重现模型，得到对应的输出值，之后，从预先获取到的包含可感知对象与用户感知可感知对象时的脑电波数据的对应关系中，确定与该输出值具有最高相似度的可感知对象，以生成梦境重现结果，从而实现了用户基于梦境重现结果“重温”梦境。
至此，完成基于梦境重现模型实现梦境重现这一方面的相关描述。
相应于上述梦境重现模型的构建方法实施例，本说明书实施例还提供一种梦境重现模型的构建装置，参见图4所示，为本说明书一示例性实施例示出的梦境重现模型的构建装置的实施例框图，该装置可以包括：数据获取模块41、样本获取模块42，以及样本训练模块43。
其中，数据获取模块41，可以用于获得至少一组包含可感知对象与用户在感知所述可感知对象时的脑电波数据的对应关系；
样本获取模块42，可以用于分别对每一组所述对应关系进行特征提取，获得训练样本集合，其中，每条训练样本以提取到的所述脑电波数据的特征值为输入值，以提取到的所述可感知对象的特征值为标签值；
样本训练模块43，可以用于利用有监督学习算法对所述训练样本进行训练，得到梦境重现模型，所述梦境重现模型以脑电波数据的特征值作为输入值，以可感知对象的特征值作为输出值。
在一实施例中，所述数据获取模块41可以包括(图4中未示出)：
提供子模块，用于依次将预设的可感知对象集合中的每一可感知对象提供给用户；
采集子模块，用于在向所述用户提供所述可感知对象时，同步采集所述用户在感知所述可感知对象时的脑电波数据。
在一实施例中，所述样本获取模块42可以包括(图4中未示出)：
第一分解子模块，用于对每一组所述对应关系中的脑电波数据进行复变分解，将所述脑电波数据表示为至少一个复变函数的和；
第一确定子模块，用于将所述至少一个复变函数作为所述脑电波数据的特征值。
在一实施例中，所述可感知对象为图像，所述样本获取模块42可以包括(图4中未示出)：
统计子模块，用于对每一组所述对应关系中的图像进行颜色统计，得到所述图像中每种颜色值对应的像素点个数；
第二确定子模块，用于将所得到的像素点个数表示为2N维向量，其中N为图像的色彩位数。
在一实施例中，所述装置还可以包括(图4中未示出)：
映射模块，用于将具有不同色彩位数的图像的颜色统计结果映射至统一的向量空间。
在一实施例中，针对不同用户分别构建不同的梦境重现模型。
可以理解的是，数据获取模块41、样本获取模块42，以及样本训练模块43作为三种功能独立的模块，既可以如图4所示同时配置在装置中，也可以分别单独配置在装置中，因此图4所示的结构不应理解为对本说明书实施例方案的限定。
此外，上述装置中各个模块的功能和作用的实现过程具体详见上述梦境重现模型的构建方法中对应步骤的实现过程，在此不再赘述。
相应于上述梦境重现方法实施例，本说明书实施例还提供一种梦境重现装置，参见图5所示，为本说明书一示例性实施例示出的梦境重现装置的实施例框图，该装置可以包括：脑电波获取模块51、特征提取模块52、输出模块53，以及重现模块54。
其中，脑电波获取模块51，可以用于获得用户在睡眠状态下的脑电波数据；
特征提取模块52，可以用于对所获得的脑电波数据进行特征提取，得到所述脑电波数据的特征值；
输出模块53，可以用于将所得到的脑电波数据的特征值输入所述梦境重现模型，得到对应的输出值；
重现模块54，可以用于从所述对应关系中，确定与所述输出值具有最高相似度的可感知对象，以生成梦境重现结果。
在一实施例中，所述特征提取模块52可以包括(图5中未示出)：
第二分解子模块，用于对所获得的脑电波数据进行复变分解，将所述脑电波数据表示为至少一个复变函数的和；
第三确定子模块，用于将所述至少一个复变函数作为所述脑电波数据的特征值。
在一实施例中，所述重现模块54可以包括(图5中未示出)：
第四确定子模块，用于确定所述对应关系中每一可感知对象的参考特征值；
计算子模块，用于分别计算所述输出值与所述每一可感知对象的参考特征值之间的相似度；
第五确定子模块，用于确定具有最高相似度的可感知对象，以生成梦境重现结果。
可以理解的是，脑电波获取模块51、特征提取模块52、输出模块53，以及重现模块54作为四种功能独立的模块，既可以如图5所示同时配置在装置中，也可以分别单独配置在装置中，因此图5所示的结构不应理解为对本说明书实施例方案的限定。
此外，上述装置中各个模块的功能和作用的实现过程具体详见上述梦境重现方法中对应步骤的实现过程，在此不再赘述。
相应于上述梦境重现模型的构建方法实施例，本说明书实施例还提供一种计算机设备，其至少包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现前述的梦境重现模型的构建方法、梦境方法，该方法至少包括：获得至少一组包含可感知对象与用户在感知所述可感知对象时的脑电波数据的对应关系；分别对每一组所述对应关系进行特征提取，获得训练样本集合，其中，每条训练样本以提取到的所述脑电波数据的特征值为输入值，以提取到的所述可感知对象的特征值为标签值；利用有监督学习算法对所述训练样本进行训练，得到梦境重现模型，所述梦境重现模型以脑电波数据的特征值作为输入值，以可感知对象的特征值作为输出值。
相应于上述梦境重现方法实施例，本说明书实施例还提供一种计算机设备，其至少包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现前述的梦境重现方法，该方法至少包括：获得用户在睡眠状态下的脑电波数据；对所获得的脑电波数据进行特征提取，得到所述脑电波数据的特征值；将所得到的脑电波数据的特征值输入所述梦境重现模型，得到对应的输出值；从所述对应关系中，确定与所述输出值具有最高相似度的可感知对象，以生成梦境重现结果。
图6示出了本说明书实施例所提供的一种更为具体的计算设备硬件结构示意图，该设备可以包括：处理器610、存储器620、输入/输出接口630、通信接口640和总线650。其中处理器610、存储器620、输入/输出接口630和通信接口640通过总线650实现彼此之间在设备内部的通信连接。
处理器610可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器620可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器620可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器620中，并由处理器610来调用执行。
输入/输出接口630用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图6中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口640用于连接通信模块(图6中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线650包括一通路，在设备的各个组件(例如处理器610、存储器620、输入/输出接口630和通信接口640)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器610、存储器620、输入/输出接口630、通信接口640以及总线650，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
相应于上述梦境重现模型的构建方法实施例，本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述的梦境重现模型的构建方法。该方法至少包括：获得至少一组包含可感知对象与用户在感知所述可感知对象时的脑电波数据的对应关系；分别对每一组所述对应关系进行特征提取，获得训练样本集合，其中，每条训练样本以提取到的所述脑电波数据的特征值为输入值，以提取到的所述可感知对象的特征值为标签值；利用有监督学习算法对所述训练样本进行训练，得到梦境重现模型，所述梦境重现模型以脑电波数据的特征值作为输入值，以可感知对象的特征值作为输出值。
相应于上述梦境重现方法实施例，本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述的梦境重现方法。该方法至少包括：获得用户在睡眠状态下的脑电波数据；对所获得的脑电波数据进行特征提取，得到所述脑电波数据的特征值；将所得到的脑电波数据的特征值输入所述梦境重现模型，得到对应的输出值；从所述对应关系中，确定与所述输出值具有最高相似度的可感知对象，以生成梦境重现结果。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书实施例可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书实施例各个实施例或者实施例的某些部分所述的方法。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，在实施本说明书实施例方案时可以把各模块的功能在同一个或多个软件和/或硬件中实现。也可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本说明书实施例的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本说明书实施例原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本说明书实施例的保护范围。
Claims (20)
1.一种梦境重现模型的构建方法，所述方法包括：
获得至少一组包含可感知对象与用户在感知所述可感知对象时的脑电波数据的对应关系；
分别对每一组所述对应关系进行特征提取，获得训练样本集合，其中，每条训练样本以提取到的所述脑电波数据的特征值为输入值，以提取到的所述可感知对象的特征值为标签值；
利用有监督学习算法对所述训练样本进行训练，得到梦境重现模型，所述梦境重现模型以脑电波数据的特征值作为输入值，以可感知对象的特征值作为输出值。
2.根据权利要求1所述的方法，所述获得至少一组包含可感知对象与用户在感知所述可感知对象时的脑电波数据的对应关系，包括：
依次将预设的可感知对象集合中的每一可感知对象提供给用户；
在向所述用户提供所述可感知对象时，同步采集所述用户在感知所述可感知对象时的脑电波数据。
3.根据权利要求1所述的方法，所述对每一组所述对应关系进行特征提取，包括：
对每一组所述对应关系中的脑电波数据进行复变分解，将所述脑电波数据表示为至少一个复变函数的和；
将所述至少一个复变函数作为所述脑电波数据的特征值。
4.根据权利要求1所述的方法，所述可感知对象为图像，所述对每一组所述对应关系进行特征提取，包括：
对每一组所述对应关系中的图像进行颜色统计，得到所述图像中每种颜色值对应的像素点个数；
将所得到的像素点个数表示为2N维向量，其中N为图像的色彩位数。
5.根据权利要求4所述的方法，还包括：
将具有不同色彩位数的图像的颜色统计结果映射至统一的向量空间。
6.根据权利要求1所述的方法，针对不同用户分别构建不同的梦境重现模型。
7.一种基于如权利要求1至6任一项所述的梦境重现模型的梦境重现方法，所述方法包括：
获得用户在睡眠状态下的脑电波数据；
对所获得的脑电波数据进行特征提取，得到所述脑电波数据的特征值；
将所得到的脑电波数据的特征值输入所述梦境重现模型，得到对应的输出值；
从所述对应关系中，确定与所述输出值具有最高相似度的可感知对象，以生成梦境重现结果。
8.根据权利要求7所述的方法，所述对所获得的脑电波数据进行特征提取，得到所述脑电波数据的特征值，包括：
对所获得的脑电波数据进行复变分解，将所述脑电波数据表示为至少一个复变函数的和；
将所述至少一个复变函数作为所述脑电波数据的特征值。
9.根据权利要求7所述的方法，所述从所述对应关系中，确定与所述输出值具有最高相似度的可感知对象，以生成梦境重现结果，包括：
确定所述对应关系中每一可感知对象的参考特征值；
分别计算所述输出值与所述每一可感知对象的参考特征值之间的相似度；
确定具有最高相似度的可感知对象，以生成梦境重现结果。
10.一种梦境重现模型的构建装置，所述装置包括：
数据获取模块，用于获得至少一组包含可感知对象与用户在感知所述可感知对象时的脑电波数据的对应关系；
样本获取模块，用于分别对每一组所述对应关系进行特征提取，获得训练样本集合，其中，每条训练样本以提取到的所述脑电波数据的特征值为输入值，以提取到的所述可感知对象的特征值为标签值；
样本训练模块，用于利用有监督学习算法对所述训练样本进行训练，得到梦境重现模型，所述梦境重现模型以脑电波数据的特征值作为输入值，以可感知对象的特征值作为输出值。
11.根据权利要求10所述的装置，所述数据获取模块包括：
提供子模块，用于依次将预设的可感知对象集合中的每一可感知对象提供给用户；
采集子模块，用于在向所述用户提供所述可感知对象时，同步采集所述用户在感知所述可感知对象时的脑电波数据。
12.根据权利要求10所述的装置，所述样本获取模块包括：
第一分解子模块，用于对每一组所述对应关系中的脑电波数据进行复变分解，将所述脑电波数据表示为至少一个复变函数的和；
第一确定子模块，用于将所述至少一个复变函数作为所述脑电波数据的特征值。
13.根据权利要求10所述的装置，所述可感知对象为图像，所述样本获取模块包括：
统计子模块，用于对每一组所述对应关系中的图像进行颜色统计，得到所述图像中每种颜色值对应的像素点个数；
第二确定子模块，用于将所得到的像素点个数表示为2N维向量，其中N为图像的色彩位数。
14.根据权利要求13所述的装置，还包括：
映射模块，用于将具有不同色彩位数的图像的颜色统计结果映射至统一的向量空间。
15.根据权利要求10所述的装置，针对不同用户分别构建不同的梦境重现模型。
16.一种基于如权利要求10至15任一项所述的梦境重现模型的梦境重现装置，所述装置包括：
脑电波获取模块，用于获得用户在睡眠状态下的脑电波数据；
特征提取模块，用于对所获得的脑电波数据进行特征提取，得到所述脑电波数据的特征值；
输出模块，用于将所得到的脑电波数据的特征值输入所述梦境重现模型，得到对应的输出值；
重现模块，用于从所述对应关系中，确定与所述输出值具有最高相似度的可感知对象，以生成梦境重现结果。
17.根据权利要求16所述的装置，所述特征提取模块包括：
第二分解子模块，用于对所获得的脑电波数据进行复变分解，将所述脑电波数据表示为至少一个复变函数的和；
第三确定子模块，用于将所述至少一个复变函数作为所述脑电波数据的特征值。
18.根据权利要求16所述的装置，所述重现模块包括：
第四确定子模块，用于确定所述对应关系中每一可感知对象的参考特征值；
计算子模块，用于分别计算所述输出值与所述每一可感知对象的参考特征值之间的相似度；
第五确定子模块，用于确定具有最高相似度的可感知对象，以生成梦境重现结果。
19.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1至6任一项所述的方法。
20.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求7至9任一项所述的方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810082506.XA CN108363487B (zh) | 2018-01-29 | 2018-01-29 | 梦境重现模型的构建方法、梦境重现方法及装置 |
| PCT/CN2018/119764 WO2019144709A1 (zh) | 2018-01-29 | 2018-12-07 | 梦境重现模型的构建方法、梦境重现方法及装置 |
| TW107145449A TWI714926B (zh) | 2018-01-29 | 2018-12-17 | 夢境重現模型的構建方法、夢境重現方法及裝置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810082506.XA CN108363487B (zh) | 2018-01-29 | 2018-01-29 | 梦境重现模型的构建方法、梦境重现方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108363487A true CN108363487A (zh) | 2018-08-03 |
| CN108363487B CN108363487B (zh) | 2020-04-07 |
Family
ID=63007199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810082506.XA Active CN108363487B (zh) | 2018-01-29 | 2018-01-29 | 梦境重现模型的构建方法、梦境重现方法及装置 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN108363487B (zh) |
| TW (1) | TWI714926B (zh) |
| WO (1) | WO2019144709A1 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109589484A (zh) * | 2018-11-29 | 2019-04-09 | 中国地质大学（武汉） | 一种梦境影响的宠物智能交互装置及方法 |
| CN109770896A (zh) * | 2019-01-08 | 2019-05-21 | 平安科技（深圳）有限公司 | 梦境图像重现方法、装置及存储介质、服务器 |
| WO2019144709A1 (zh) * | 2018-01-29 | 2019-08-01 | 阿里巴巴集团控股有限公司 | 梦境重现模型的构建方法、梦境重现方法及装置 |
| CN112017773A (zh) * | 2020-08-31 | 2020-12-01 | 吾征智能技术(北京)有限公司 | 一种基于噩梦的疾病认知模型构建方法及疾病认知系统 |
| CN113208627A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 基于脑电eeg信号的梦境判别方法及系统 |
| CN113208621A (zh) * | 2021-04-06 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于eeg信号的梦境交互方法、系统 |
| CN118197558A (zh) * | 2024-05-17 | 2024-06-14 | 浙江大学 | 基于llm大语言模型和ai绘图技术辅助噩梦治疗师的人工智能生成内容系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4735199A (en) * | 1986-01-14 | 1988-04-05 | Dilullo John D | Dream detection method and system |
| CN101021942A (zh) * | 2007-03-26 | 2007-08-22 | 浙江大学 | 隐写分析系统中基于主元特征的隐写分析算法 |
| CN106560158A (zh) * | 2016-11-23 | 2017-04-12 | 深圳创达云睿智能科技有限公司 | 一种基于脑电的冥想禅修反馈训练方法和装置 |
| CN106620990A (zh) * | 2016-11-24 | 2017-05-10 | 深圳创达云睿智能科技有限公司 | 一种调节情绪的方法及其装置 |
| CN107545049A (zh) * | 2017-08-18 | 2018-01-05 | 腾讯科技（深圳）有限公司 | 图片处理方法及相关产品 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100355392C (zh) * | 2006-03-28 | 2007-12-19 | 北京大学 | 睡眠与梦的监测和干预系统 |
| US9451883B2 (en) * | 2009-03-04 | 2016-09-27 | The Regents Of The University Of California | Apparatus and method for decoding sensory and cognitive information from brain activity |
| CN104125386B (zh) * | 2013-04-25 | 2018-04-17 | 宏达国际电子股份有限公司 | 影像处理装置及其影像处理方法 |
| US10120413B2 (en) * | 2014-09-11 | 2018-11-06 | Interaxon Inc. | System and method for enhanced training using a virtual reality environment and bio-signal data |
| CN108042145A (zh) * | 2017-11-28 | 2018-05-18 | 广州视源电子科技股份有限公司 | 情绪状态识别方法和系统、情绪状态识别设备 |
| CN108363487B (zh) * | 2018-01-29 | 2020-04-07 | 阿里巴巴集团控股有限公司 | 梦境重现模型的构建方法、梦境重现方法及装置 |
-
2018
- 2018-01-29 CN CN201810082506.XA patent/CN108363487B/zh active Active
- 2018-12-07 WO PCT/CN2018/119764 patent/WO2019144709A1/zh active Application Filing
- 2018-12-17 TW TW107145449A patent/TWI714926B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4735199A (en) * | 1986-01-14 | 1988-04-05 | Dilullo John D | Dream detection method and system |
| CN101021942A (zh) * | 2007-03-26 | 2007-08-22 | 浙江大学 | 隐写分析系统中基于主元特征的隐写分析算法 |
| CN106560158A (zh) * | 2016-11-23 | 2017-04-12 | 深圳创达云睿智能科技有限公司 | 一种基于脑电的冥想禅修反馈训练方法和装置 |
| CN106620990A (zh) * | 2016-11-24 | 2017-05-10 | 深圳创达云睿智能科技有限公司 | 一种调节情绪的方法及其装置 |
| CN107545049A (zh) * | 2017-08-18 | 2018-01-05 | 腾讯科技（深圳）有限公司 | 图片处理方法及相关产品 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019144709A1 (zh) * | 2018-01-29 | 2019-08-01 | 阿里巴巴集团控股有限公司 | 梦境重现模型的构建方法、梦境重现方法及装置 |
| CN109589484A (zh) * | 2018-11-29 | 2019-04-09 | 中国地质大学（武汉） | 一种梦境影响的宠物智能交互装置及方法 |
| CN109770896A (zh) * | 2019-01-08 | 2019-05-21 | 平安科技（深圳）有限公司 | 梦境图像重现方法、装置及存储介质、服务器 |
| CN112017773A (zh) * | 2020-08-31 | 2020-12-01 | 吾征智能技术(北京)有限公司 | 一种基于噩梦的疾病认知模型构建方法及疾病认知系统 |
| CN112017773B (zh) * | 2020-08-31 | 2024-03-26 | 吾征智能技术(北京)有限公司 | 一种基于噩梦的疾病认知模型构建方法及疾病认知系统 |
| CN113208621A (zh) * | 2021-04-06 | 2021-08-06 | 北京脑陆科技有限公司 | 一种基于eeg信号的梦境交互方法、系统 |
| CN113208627A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 基于脑电eeg信号的梦境判别方法及系统 |
| CN118197558A (zh) * | 2024-05-17 | 2024-06-14 | 浙江大学 | 基于llm大语言模型和ai绘图技术辅助噩梦治疗师的人工智能生成内容系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108363487B (zh) | 2020-04-07 |
| TW201933049A (zh) | 2019-08-16 |
| TWI714926B (zh) | 2021-01-01 |
| WO2019144709A1 (zh) | 2019-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108363487A (zh) | 梦境重现模型的构建方法、梦境重现方法及装置 | |
| US10313818B2 (en) | HRTF personalization based on anthropometric features | |
| AU2019384515B2 (en) | Adapting a virtual reality experience for a user based on a mood improvement score | |
| CN106355153A (zh) | 一种基于增强现实的虚拟对象显示方法、装置以及系统 | |
| US20150378433A1 (en) | Detecting a primary user of a device | |
| CN108961679A (zh) | 一种注意力提醒方法、装置及电子设备 | |
| WO2022067871A1 (zh) | 一种基于vr交互技术的听觉刺激儿童自闭症的训练方法 | |
| CN110916689A (zh) | 一种自闭症的认知与注意力强化智能评估训练系统及方法 | |
| Lee et al. | Emotion-Based Painting Image Display System. | |
| KR20180011664A (ko) | 얼굴 표현 및 심리 상태 파악과 보상을 위한 얼굴 정보 분석 방법 및 얼굴 정보 분석 장치 | |
| Engan et al. | Chest compression rate measurement from smartphone video | |
| Chan et al. | Declutterar: Mobile diminished reality and augmented reality to address hoarding by motivating decluttering and selling on online marketplace | |
| Du et al. | Visualizing the emotional journey of a museum | |
| CN112218111A (zh) | 图像的显示方法和装置、存储介质和电子设备 | |
| JP2017129924A (ja) | 素材評価方法、及び素材評価装置 | |
| Koh et al. | Your Memory Palace in the Metaverse with AI | |
| Chugh et al. | envolve: Are you listening? inertial sensing to monitor the involvement of silent listeners during an online interaction | |
| CN109032361A (zh) | 智能3d投影技术 | |
| Yumurtaci | A theoretical framework for the evaluation of virtual reality technologies prior to use: A biological evolutionary approach based on a modified media naturalness theory | |
| WO2021241138A1 (ja) | 情報処理装置および情報処理方法 | |
| Kaplan | Integral cinematic analysis: Mapping the multiple dimensions of the cinema and the co-evolution of cinema, consciousness, culture, and society. | |
| CN114911972A (zh) | 信息展示方法及装置 | |
| Jmaa¹ et al. | 1 Efrei Research Lab, Paris Panthéon-Assas University, Paris, France ahmedbaha. benjmaa@ outlook. fr 2 Images and Forms Research Group, CRISTAL Laboratory, ENSI, University of Manouba, Manouba, Tunisia | |
| CN114425164A (zh) | 一种处理方法及处理装置 | |
| Mustafa | ElectroEncephaloGraphics: A Novel Modality For Graphics Research |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1257391 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200924 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Patentee after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Patentee before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200924 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Patentee after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Patentee before: Alibaba Group Holding Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240221 Address after: Guohao Times City # 20-01, 128 Meizhi Road, Singapore Patentee after: Advanced Nova Technology (Singapore) Holdings Ltd. Country or region after: Singapore Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Patentee before: Innovative advanced technology Co.,Ltd. Country or region before: Cayman Islands |