CN108634969B - 情绪检测设备、情绪检测系统、情绪检测方法、存储介质 - Google Patents
情绪检测设备、情绪检测系统、情绪检测方法、存储介质 Download PDFInfo
- Publication number
- CN108634969B CN108634969B CN201810470214.3A CN201810470214A CN108634969B CN 108634969 B CN108634969 B CN 108634969B CN 201810470214 A CN201810470214 A CN 201810470214A CN 108634969 B CN108634969 B CN 108634969B
- Authority
- CN
- China
- Prior art keywords
- heart rate
- emotion
- signal
- detection
- sub
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 267
- 230000008451 emotion Effects 0.000 title claims abstract description 217
- 238000012545 processing Methods 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 239000011521 glass Substances 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000036651 mood Effects 0.000 abstract description 8
- 230000000877 morphologic effect Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 15
- 230000008054 signal transmission Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 8
- 230000002996 emotional effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010033557 Palpitations Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000014221 sudden cardiac arrest Diseases 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
一种情绪检测设备、情绪检测系统、情绪检测方法和计算机可读存储介质。情绪检测设备包括：心率处理模块和情绪处理模块。所述心率处理模块被配置为接收心率信号，并对所述心率信号进行差分处理，以得到与所述心率信号对应的特征参数；所述情绪处理模块被配置为处理所述特征参数，以确定与所述特征参数对应的情绪标签。
Description
技术领域
本公开的实施例涉及一种情绪检测设备、情绪检测系统、情绪检测方法和计算机可读存储介质。
背景技术
随着人们生活水平的提高、生活节奏的加快，心血管疾病的发病率上升，心血管疾病已经成为威胁人们身体健康的主要因素之一。心电图(ECG)可以表示用户的心脏在每一心动周期所产生的电活动变化图形。心电图是诊断心血管疾病等的主要依据，其具有诊断可靠、检测简单方便等优点。心电图可以包括静态心电图，动态心电图和运动心电图等。
发明内容
本公开至少一实施例提供一种情绪检测设备，包括：心率处理模块和情绪处理模块，所述心率处理模块被配置为接收心率信号，并对所述心率信号进行差分处理，以得到与所述心率信号对应的特征参数；所述情绪处理模块被配置为处理所述特征参数，以确定与所述特征参数对应的情绪标签。
例如，在本公开一实施例提供的情绪检测设备中，所述差分处理包括一阶差分处理，所述心率处理模块被配置为：对所述心率信号进行一阶差分处理，以得到差分结果；根据所述差分结果确定所述特征参数。
例如，在本公开一实施例提供的情绪检测设备中，所述差分结果包括第一差分值或第二差分值，所述第一差分值为正，所述第二差分值为负，所述特征参数包括：在预定时间内，所述第一差分值和所述第二差分值的交替次数、所述第一差分值的持续时间和所述第二差分值的持续时间中至少之一。
例如，在本公开一实施例提供的情绪检测设备中，所述情绪处理模块被配置为：通过机器学习算法处理所述特征参数，以得到所述情绪标签。
本公开至少一实施例还提供一种情绪检测系统，包括：可穿戴设备和上述任一项所述的情绪检测设备，所述可穿戴设备包括心率检测电路，所述心率检测电路被配置为检测所述心率信号。
例如，在本公开一实施例提供的情绪检测系统中，所述可穿戴设备为眼镜，所述眼镜包括：眼镜框、第一眼镜腿、第二眼镜腿和心率检测元件；所述心率检测元件被配置为检测并输出与心率相关的电信号，所述心率检测元件至少包括第一检测元件和第二检测元件，所述第一检测元件被固定在所述第一眼镜腿上，所述第二检测元件被固定在所述第二眼镜腿上；所述心率检测电路设置在所述眼镜框中，且所述心率检测电路被配置为接收所述电信号，并对所述电信号进行处理以得到所述心率信号。
例如，在本公开一实施例提供的情绪检测系统中，所述心率检测电路包括滤波子电路、差分子电路和模数转换子电路，所述电信号包括第一子电信号和第二子电信号，所述第一检测元件被配置为输出所述第一子电信号，所述第二检测元件被配置为输出所述第二子电信号，所述差分子电路被配置为接收所述第一子电信号和所述第二子电信号，并对所述第一子电信号和所述第二子电信号进行处理，以得到心率检测信号；所述模数转换子电路被配置为接收所述心率检测信号，并将所述心率检测信号转换为数字心率检测信号；所述滤波子电路被配置为对所述数字心率检测信号进行滤波处理，以得到所述心率信号。
例如，在本公开一实施例提供的情绪检测系统中，所述第一检测元件包括第一电极片，所述第二检测元件包括第二电极片，所述心率检测信号包括心电信号；或者所述第一检测元件包括第一压力传感器，所述第二检测元件包括第二压力传感器，所述心率检测信号包括光电容积脉搏波信号。
例如，在本公开一实施例提供的情绪检测系统中，所述第一眼镜腿的第一端与所述眼镜框连接，所述第二眼镜腿的第一端与所述眼镜框连接，所述第一检测元件被固定在靠近所述第一眼镜腿的第一端的内侧，所述第二检测元件被固定在靠近所述第二眼镜腿的第一端的内侧。
例如，本公开一实施例提供的情绪检测系统还包括评估设备，所述情绪检测设备被配置为检测得到多个情绪标签；所述评估设备被配置为统计所述多个情绪标签以得到统计参数，并根据所述统计参数确定情绪评估结果。
例如，在本公开一实施例提供的情绪检测系统中，所述情绪检测设备集成在所述可穿戴设备中，或者，所述情绪检测设备和所述可穿戴设备为不同的设备。
例如，本公开一实施例提供的情绪检测系统还包括训练设备，所述训练设备被配置为对所述情绪检测设备中的机器学习算法进行训练。
本公开至少一实施例还提供一种情绪检测方法，包括：接收心率信号；对所述心率信号进行差分处理，以得到与所述心率信号对应的特征参数；以及处理所述特征参数，以确定与所述特征参数对应的情绪标签。
例如，在本公开一实施例提供的情绪检测方法中，对所述心率信号进行差分处理，以得到与所述心率信号对应的特征参数，包括：对所述心率信号进行一阶差分处理，以得到差分结果；以及根据所述差分结果，确定所述特征参数。
例如，在本公开一实施例提供的情绪检测方法中，处理所述特征参数，以确定与所述特征参数对应的情绪标签，包括：利用机器学习算法处理所述特征参数，以确定所述情绪标签。
例如，本公开一实施例提供的情绪检测方法还包括：统计多个情绪标签以得到统计参数；以及根据所述统计参数确定情绪评估结果。
本公开至少一实施例还提供一种情绪检测设备，包括：存储器，用于存储非暂时性计算机可读指令；以及处理器，用于运行所述非暂时性计算机可读指令，所述非暂时性计算机可读指令被所述处理器运行时执行根据上述任一所述的情绪检测方法。
本公开至少一实施例还提供一种计算机可读存储介质，用于存储非暂时性计算机指令，当所述非暂时性计算机指令由计算机运行时执行根据上述任一所述的情绪检测方法。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。
图1为本公开一实施例提供的一种情绪检测设备的示意性框图；
图2A为本公开一实施例提供的一种情绪检测系统的示意性框图；
图2B为本公开又一实施例提供的一种情绪检测系统的示意性框图；
图2C为本公开另一实施例提供的一种情绪检测系统的示意性框图；
图3为本公开一实施例提供的一种可穿戴设备的示意图；
图4A为本公开一实施例提供的一种情绪检测系统的硬件框图；
图4B为本公开一实施例提供的一种情绪检测系统的流程框图；
图5为本公开一实施例提供的一种情绪检测方法的流程图；
图6为本公开一实施例提供的一种提取特征参数的示意图；
图7为本公开另一实施例提供的一种情绪检测设备的示意性框图。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。
由于心血管疾病具有不确定性，用户的心电图需要被长期监测。动态心电图设备可以通过在用户的胸部粘贴多个电极，从而检测用户的心电信号。例如，在日常生活状态下，通过在用户的身体上粘贴两个电极，即可获取良好的心电信号。然而，由于用户的胸部粘贴了电极，用户会感到不适，难以实现日常实时监测。随着科技的不断进步和发展，人们可以利用可穿戴设备检测身体的各种指标(例如，心电信号等)。可穿戴设备不影响人们的日常生活，同时可以实时监测心电信号，从而实时监测人们的身体状况。
本公开至少一实施例提供一种情绪检测设备、情绪检测系统、情绪检测方法和计算机可读存储介质，其通过分析用户的心率信号的变化，将心率信号的变化映射到情绪中，从而评估用户的情绪状态，实现对用户的情绪进行监控。
下面结合附图对本公开的几个实施例进行详细说明，但是本公开并不限于这些具体的实施例。
本公开一实施例提供一种情绪检测设备。图1为本公开一实施例提供的一种情绪检测设备的示意性框图。
例如，如图1所示，本公开一实施例提供的情绪检测设备100包括心率处理模块110和情绪处理模块120。心率处理模块110被配置为接收心率信号，并对心率信号进行差分处理以得到与心率信号对应的特征参数；情绪处理模块120被配置为处理特征参数，以确定与特征参数对应的情绪标签。
例如，情绪检测设备100可以实时获取观看某一视频的用户的心率信号，并对心率信号进行分析以评估用户的情绪状态，从而实现对该视频的整体评估，由此，可以对尚未观看过该视频的用户进行客观地指导，同时还可以对用户的健康进行监护，规避由于情绪所带来的对用户的身体的负面影响。例如，在一些实施例中，情绪检测设备110可以应用于电影院，通过情绪检测设备100对观看电影的观影人员的情绪进行监测，从而实现对电影进行整体评估，同时，可以根据观影人员的情绪变化指导电影院的排片，并还可以对观影人员的健康进行监护。
例如，差分处理包括一阶差分处理。心率处理模块110被配置为：对心率信号进行一阶差分处理，以得到差分结果；根据差分结果确定特征参数。一阶差分处理的算法计算度小，从而心率处理模块110的硬件可实现性强。需要说明的是，“一阶差分处理”可以表示用于对相邻两个时间间隔内的心率信号进行差值，以得到差分结果。时间间隔例如可以为1分钟。
例如，差分结果可以包括第一差分值或第二差分值，第一差分值为正，第二差分值为负。差分结果可以表示为：
Δy(x)＝y(x+1)-y(x)
其中，Δy表示差分结果，y(x+1)表示在第x+1个时间间隔内的心率信号，y(x)表示在第x个时间间隔内的心率信号，x为正整数。当Δy大于零时，即差分结果包括第一差分值时，则第x+1个时间间隔内的心率信号大于第x个时间间隔内的心率信号，也就是说，用户的心率变快；当Δy小于零时，即差分结果包括第二差分值时，则第x+1个时间间隔内的心率信号小于第x个时间间隔内的心率信号，也就是说，用户的心率变缓。
例如，特征参数可以包括：在预定时间内，第一差分值和第二差分值的交替次数、第一差分值的持续时间和第二差分值的持续时间中至少之一。例如，第一差分值的持续时间可以由在预定时间内的第一差分值的数量表示，第二差分值的持续时间可以由在预定时间内的第二差分值的数量表示。
例如，在预设时间内，心率处理模块110可以接收多个(例如，Y个)心率信号，并对该多个心率信号进行一阶差分处理，以得到多个(例如，Y-1个)差分结果。多个差分结果包括至少一个第一差分值和至少一个第二差分值，或者多个差分结果仅包括第一差分值，或者多个差分结果仅包括第二差分值。在一些示例中，时间间隔可以为1分钟，预定时间可以为31分钟，在该预定时间内，心率处理模块110可以接收31个心率信号，并对该31个心率信号进行一阶差分处理，以得到30个差分结果。该30个差分结果可以包括16个第一差分值和14个第二差分值，第一差分值和第二差分值的交替次数为17，由此，特征参数可以包括交替次数17次、正差分值持续时间为16分钟和/或负差分值持续时间为14分钟。
例如，特征参数可以包括第一差分值和第二差分值的交替次数、第一差分值的持续时间、第二差分值的持续时间中的一个或多个的组合。当特征参数包括第一差分值和第二差分值之间的交替次数以及第一差分值的持续时间时，则根据特征参数确定的情绪标签可以更加准确。
需要说明的是，特征参数还可以包括第一差分值连续出现的时间、数量和次数，或者第二差分值连续出现的时间、数量和次数等。本公开对此不作限制。
例如，情绪处理模块120被配置为通过机器学习算法处理特征参数，以得到情绪标签。机器学习算法例如可以包括神经网络(例如，深度卷积神经网络)、支持向量机(SupportVector Machine,SVM)算法、遗传算法等中的一种或多种。本公开对此不作限制。
例如，差分结果可以表征用户的心率信号的变化情况，从而可以根据差分结果得到特征参数，最终确定用户的情绪变化。
例如，情绪标签可以包括正面情绪标签和负面情绪标签等，正面情绪标签包括兴奋、开心、喜爱等，负面情绪标签可以包括惊恐、无聊、愤怒、悲伤等。
例如，在一些实施例中，本公开提供的情绪检测设备100还可以包括一个或多个处理器以及一个或多个存储器。处理器被配置为处理数据信号，且可以包括各种计算结构，例如复杂指令集计算机(CISC)结构、结构精简指令集计算机(RISC)结构或者一种实行多种指令集组合的结构。存储器可以保存处理器执行的指令和/或数据。这些指令和/或数据可以包括代码，用于实现本申请实施例描述的一个或多个模块的一些功能或全部功能。例如，存储器包括动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、闪存(flash memory)、光存储器(optical memory)，或其他的本领域技术人员熟知的存储器。
例如，在本公开的一些实施例中，心率处理模块110和情绪处理模块120包括存储在存储器中的代码和程序；处理器可以执行该代码和程序以实现如上所述的心率处理模块110和情绪处理模块120的一些功能或全部功能。
例如，在本公开的一些实施例中，心率处理模块110和情绪处理模块120可以是专用硬件器件，用来实现如上所述的心率处理模块110和情绪处理模块120的一些或全部功能。例如，心率处理模块110和情绪处理模块120可以是一个电路板或多个电路板的组合，用于实现如上所述的功能。在本申请实施例中，该一个电路板或多个电路板的组合可以包括：(1)一个或多个处理器；(2)与处理器相连接的一个或多个非暂时的计算机可读的存储器；以及(3)处理器可执行的存储在存储器中的固件。
本公开一实施例还提供一种情绪检测系统。图2A-2C为本公开实施例提供的一种情绪检测系统的示意性框图，图3为本公开一实施例提供的一种可穿戴设备的示意图。
例如，如图2A所示，情绪检测系统200包括上述任一项所述的情绪检测设备100和可穿戴设备210。可穿戴设备210包括心率检测电路211，心率检测电路211被配置为检测并生成心率信号。
例如，可穿戴设备210可以包括头部可穿戴设备、颈部可穿戴设备、手部可穿戴设备、臂部可穿戴设备、脚部可穿戴设备等。例如，可穿戴设备210可以包括手环、手表、眼镜、衣帽、项链等中的一种或多种。
例如，在一些示例中，可穿戴设备210可以为眼镜。眼镜可以为3D眼镜。由于一般3D眼镜比普通眼镜大，从而可以为心率检测电路211的嵌入提供有利物质条件，以保证用户佩戴眼镜时的舒适感。用户在电影院观看3D电影时，观影人员的心率信号可以通过3D眼镜中的心率检测电路211进行检测，从而及时反馈至电影院监控中心，电影院监控中心可以监控观影人员的情绪状态，规避由于惊吓等情绪因素对观影人员的身体造成负面影响；同时，观影人员的心率信号的改变可映射用户的情绪变化，根据观影人员的情绪变化可以实现对电影的整体评估，由此，可以对尚未观看过该电影的用户进行客观地指导，达到更好的排片效果。
例如，如图3所示，眼镜包括眼镜框1、第一眼镜腿2、第二眼镜腿3和心率检测元件7。心率检测元件7被配置为检测并输出与心率相关的电信号，心率检测元件7至少包括第一检测元件71和第二检测元件72，第一检测元件71被固定在第一眼镜腿2上，第二检测元件72被固定在第二眼镜腿3上。心率检测电路211设置在眼镜框1中，且心率检测电路211被配置为接收电信号，并对电信号进行分析处理以得到心率信号。
例如，心率检测元件7可以包括多个检测元件(例如三个、四个等)，多个检测元件可以设置在用户的不同身体部位处，从而可以在不同身体部位处检测与心率相关的电信号，提高心率信号的准确性。
例如，如图2A所示，心率检测电路211可以包括滤波子电路2111、差分子电路2112和模数转换子电路2113。电信号包括第一子电信号和第二子电信号，第一检测元件71被配置为检测并输出第一子电信号，第二检测元件72被配置为检测并输出第二子电信号。差分子电路2112被配置为接收第一子电信号和第二子电信号，并对第一子电信号和第二子电信号进行处理，以得到心率检测信号。
需要说明的是，由于心率检测信号较微弱，心率检测信号需要被放大以便于得到更准确的心率信号，因此差分子电路2112还可以被配置为放大该心率检测信号，放大后的心率检测信号可以被传输至模数转换子电路2113，以进行后续处理。
例如，第一检测元件71包括第一电极片，第二检测元件72包括第二电极片。此时，第一子电信号可以为电压信号或电流信号，相应地，第二子电信号可以为电压信号或电流信号，心率检测信号包括心电信号(ECG)。
又例如，第一检测元件71包括第一压力传感器，第二检测元件72包括第二压力传感器。此时，第一子电信号和第二子电信号可以为压力信号，心率检测信号包括光电容积脉搏波信号(PPG)。由于心脏膨胀收缩致会使血管的膨胀与收缩，从而在皮肤表面形成压力，此时可通过第一检测元件71和第二检测元件72检测动脉膨胀收缩时在表面产生的相对压力，以得到压力信号，并根据压力信号得到心率检测信号。
例如，模数转换子电路2113被配置为接收心率检测信号，并将心率检测信号转换为数字心率检测信号；滤波子电路2111被配置为对数字心率检测信号进行滤波处理，以得到心率信号。
例如，滤波子电路2111被配置为对数字心率检测信号执行数学形态学滤波，以去除数字心率信号的尖峰和毛刺等噪声信号。例如，若数字心率检测信号为一维信号，且数字化序列为f(n)，形态学结构元可以为k(m)，数字心率检测信号f(n)关于形态学结构元k(m)的形态学膨胀运算可以表示为：
其中，N为数字心率检测信号f(n)的数字化序列长度，即横向宽度，M为形态学结构元k(m)的长度，即横向宽度，且N>M。形态学结构元k(m)的幅值为零。
例如，数字心率检测信号f(n)关于形态学结构元k(m)的形态学腐蚀运算可以表示为：
例如，根据数字心率检测信号f(n)的形态学膨胀运算和腐蚀运算可以组成形态学开运算和闭运算。形态学开运算表示为：
形态学闭运算可以表示为：
例如，原始数字心率检测信号f(n)的波峰和波谷会受高频或低频噪声的干扰，从而数字心率检测信号f(n)的波峰和波谷不明显。形态学开运算可以消除数字心率检测信号f(n)中的尖峰，形态学闭运算可以填充数字心率检测信号f(n)中的波谷。也就是说，数字心率检测信号f(n)经过形态学开运算后，数字心率检测信号f(n)中的尖峰会被去除，数字心率检测信号f(n)经过形态学闭运算后，数字心率检测信号f(n)中的波谷会被去除。因此，当形态学开运算的结果和形态学闭运算的结果分别与数字心率检测信号f(n)相减后，则可以得到数字心率检测信号f(n)中相应的波峰和波谷。
例如，对数字心率检测信号f(n)执行形态学开运算后的结果可以得到心率开运算结果，对数字心率检测信号f(n)执行形态学闭运算后的结果可以得到心率闭运算结果。从数字心率检测信号f(n)中减去心率开运算结果可以得到数字心率检测信号f(n)的峰值，从数字心率检测信号f(n)中减去心率闭运算结果可以得到数字心率检测信号f(n)的谷值。
例如，在形态学开运算中，数字心率检测信号f(n)中被去除的尖峰的宽度取决于形态学结构元k(m)的宽度，在形态学闭运算中，数字心率检测信号f(n)中被填充的波谷的宽度也取决于形态学结构元k(m)的宽度。如果所选择的形态学结构元k(m)的宽度大于某种脉冲的宽度，则形态学开运算和形态学闭运算可以分别去除这种正脉冲和负脉冲。例如，在一些示例中，形态学结构元k(m)的宽度为t，则形态学开运算可以去除宽度小于t的正脉冲，形态学闭运算可以去除宽度小于t的负脉冲。为了实现滤除高频信号的干扰，形态学结构元k(m)的宽度t应小于所有特征子波形(例如，P波、Q波、R波、S波、T波和U波等)的宽度，则小于宽度t的脉冲(例如，毛刺等)会被消除；去除基线漂移可认为是去除缓慢变化的信号(即低频信号)，此时形态学结构元k(m)的宽度t应大于所有特征子波形宽度。
例如，形态学结构元k(m)的宽度可以根据实际需要进行选取，基于形态学结构元k(m)对数字心率检测信号f(n)进行滤波后，数字心率检测信号f(n)中的R波能够明显突出；然后，通过滑动窗口选取数字心率检测信号f(n)的最大值，从而初步确定R波的峰值位置；接着，确定数字心率检测信号f(n)的RR间期(即两个QRS波中的R波之间的时间间隔)；最后根据RR间期确定R波数量，当确定R波数量后，即可根据R波数量得到相应的心率信号。心率信号表示在单位时间间隔(例如，一分钟)内RR间期的数量，也就是说，R波的数量。例如，在单位时间间隔内，RR间期越短，则R波数量越多，心率越快；RR间期越长，则R波数量越少，心率越快。
例如，在确定数字心率检测信号f(n)的RR间期的过程中，可以设定RR间期的阈值，以实现对R波的峰值的搜索检查，防止R波的检测出现误差。例如，RR间期的阈值范围可以为(r1，r2)。在检测过程中，可以得到第一RR间期和第二RR间期，若第一RR间期小于r1，由于第一RR间期小于RR间期的阈值范围的最小值，则在第一RR间期中的R波峰值可能属于噪声信号，从而可以去除第一RR间期的一个R波；当第二RR间期大于r2时，由于第二RR间期大于RR间期的阈值范围的最大值，则在第二RR间期中R波峰值可能没有被检测到，从而可以在第二RR间期中添加一个R波。
例如，如图3所示，第一眼镜腿2的第一端与眼镜框1连接，第二眼镜腿3的第一端与眼镜框1连接。第一眼镜腿2和第二眼镜腿3可以与眼镜框1活动连接，即第一眼镜腿2和第二眼镜腿3可以相对于眼镜框1转动。例如，第一眼镜腿2和第二眼镜腿3不能从眼镜框1上拆卸。但不限于此，第一眼镜腿2和第二眼镜腿3也可以可拆卸地安装在眼镜框1上，以满足不同用户的需求。
例如，眼镜框1包括两个镜圈和鼻梁桥，鼻梁桥设置在两个镜圈之间，且被配置为连接两个镜圈。如图3所示，心率检测电路211可以设置在鼻梁桥中。
例如，第一检测元件71被固定在靠近第一眼镜腿2的第一端的内侧，第二检测元件72被固定在靠近第二眼镜腿3的第一端的内侧。当用户佩戴该眼镜时，第一检测元件71和第二检测元件72可以贴附在用户的太阳穴处。由于太阳穴的位置比较平坦，第一检测元件71和第二检测元件72容易贴附在太阳穴处；同时，太阳穴的动脉位置贴近皮肤层，检测得到的信号(例如，电信号或压力信号等)的信噪比较其他位置高；另外，考虑到眼镜的对称性与舒适性，第一检测元件71和第二检测元件72贴附在太阳穴也是较优的选择。综上所述，第一检测元件71和第二检测元件72贴附在用户的太阳穴处可以提升获取心率检测信号的准确性。
需要说明的是，“第一眼镜腿2的第一端的内侧”表示第一眼镜腿2的第一端的面向第二眼镜腿3的一侧，“第二眼镜腿3的第一端的内侧”表示第二眼镜腿3的第一端的面向第一眼镜腿2的一侧。
例如，第一检测元件71也可以可拆卸地设置在靠近第一眼镜腿2的第一端的内侧，第二检测元件72也可以可拆卸地设置在靠近第二眼镜腿3的第一端的内侧。当不需要检测用户的心率信号时，第一检测元件71和第二检测元件72可以从眼镜上被取下，以减轻眼镜的重量，提高用户佩戴眼镜时的舒适感。
例如，如图3所示，眼镜还可以包括塑料件4。塑料件4可拆卸地包裹在眼镜框1外侧，塑料件4可以保护眼镜框1。塑料件4可以从眼镜框1上取下或装配上，从而便于对设置在眼镜框1中的电子器件进行检测维修等。
例如，如图3所示，电源模块5可以集成在可穿戴设备210中。例如，电源模块5可以集成在第一眼镜腿2的第二端。但不限于此，电源模块5也可以集成在第二眼镜腿3的第二端。
例如，电源模块5可以包括可充电电池、太阳能电池等。但不限于此，电源模块5也可以包括一次电池或二次电池。例如，当电源模块5包括可充电电池时，电源模块5可以从可穿戴设备210上拆卸，以便于对可充电电池进行充电。
例如，如图2A所示，可穿戴设备210还包括信号传输电路212。信号传输电路212被配置为传输心率信号至情绪检测设备100。
例如，第一眼镜腿2的第一端与眼镜框1连接，信号传输电路212设置在远离第一眼镜腿2的第一端的一侧，即信号传输电路212设置在靠近第一眼镜腿2的第二端的一侧。但不限于此，信号传输电路212设置在靠近第二眼镜腿3的第二端的一侧。
例如，信号传输电路212可以通过有线或无线方式传输心率信号。信号传输电路212例如可以包括有线网络接口等，即信号传输电路212可以采用双绞线、同轴电缆或光纤等有线传输方式进行信息传输；信号传输电路212也可以包括蓝牙模块、无线网卡(即，WiFi模块)或近距离无线通讯模块(NFC)等，即信号传输电路212可以采用3G/4G/5G移动通信网络、蓝牙、Zigbee或者WiFi等无线传输方式进行信息传输。
例如，可穿戴设备210还可以包括信号线，信号线设置在第一眼镜腿2、第二眼镜腿3和眼镜框1的内部，信号线用于电连接眼镜上集成的电子元件(例如，心率检测电路211、心率检测元件7、电源模块5和信号传输电路212等)，以实现信号传输。
例如，情绪检测设备100可以集成在可穿戴设备210中(如图2C所示)，从而用户可以随时随地检测情绪状态。
又例如，情绪检测设备100和可穿戴设备210为不同的设备(如图2B所示)，情绪检测设备100例如可以设置在服务器端(或云端)，从而无需在可穿戴设备210处设置特殊的硬件和复杂的软件，降低可穿戴设备210的成本，减轻可穿戴设备210的重量。例如，情绪检测系统200可以应用于电影院，此时，可穿戴设备210可以设置在用户处，即用户穿戴该可穿戴设备210，情绪检测设备100可以设置在电影院的控制中心，从而可以实现远程实时检测观影人员的情绪变化。
例如，情绪检测设备100中的机器学习算法可以预先被训练，以建立特征参数与情绪标签的映射模型。如图2A所示，情绪检测系统200还包括训练设备220。训练设备220被配置为对情绪检测设备中的机器学习算法进行训练。
例如，训练设备220可以设置在服务器端(或云端)。例如，如图2B所示，在一些示例中，情绪检测设备100和训练设备220均设置在服务器端(或云端)；在另一些示例中，如图2C所示，情绪检测设备100集成在可穿戴设备210中，而训练设备220设置在服务器端(或云端)。本公开对此不作限制。
例如，训练设备220可以包括情绪数据库。在构建情绪数据库时，可以预先让受试者佩戴该可穿戴设备210观看视频，记录受试者的训练心率信号，然后由受试者为该训练心率信号填写目标情绪标签，从而得到情绪数据库，情绪数据库可以包括多个训练心率信号和相对应的多个目标情绪标签。情绪数据库可以包括与不同类型的视频相对应的训练心率信号和目标情绪标签。例如，受试者可以为不同年龄、不同地域的用户，以提升情绪数据库中的数据的全面性和准确性。
例如，训练设备220被配置为对情绪数据库中的训练心率信号进行差分处理，以得到与训练心率信号对应的训练特征参数；然后利用训练特征参数作为输入，与该训练心率信号对应的目标情绪标签作为输出，训练机器学习算法。由此，建立心率信号和情绪标签之间的关联模型(即机器学习算法)。
例如，在训练阶段中，机器学习算法的初始参数可以设置为随机数。训练阶段可以包括以下步骤：对情绪数据库中的训练心率信号进行差分处理，以得到与训练心率信号对应的特征参数；通过机器学习算法处理特征参数，以得到训练情绪标签；根据训练情绪标签调整机器学习算法的参数；判断机器学习算法的损失函数是否满足预定条件，在机器学习算法的损失函数满足预定条件时，则获得训练好的机器学习算法，在机器学习算法的损失函数不满足预定条件时，则继续输入训练心率信号以重复执行上述训练过程。
例如，在一个示例中，预定条件可以表示机器学习算法的损失函数的最小化。在另一个示例中，预定条件可以表示机器学习算法的训练次数或训练周期达到预定数目。
例如，训练阶段还可以包括反向传播(Back propagation)过程。在反向传播过程中，可以采用损失函数计算机器学习算法的参数的误差值；然后，根据该误差值计算机器学习算法的参数的修正值，并根据修正值对机器学习算法的参数进行修正，以优化机器学习算法的参数，获取较好的机器学习算法模型，从而提高获取的情绪标签的准确性。
例如，如图2A所示，情绪检测系统200还包括评估设备230。情绪检测设备100被配置为检测得到多个情绪标签；评估设备230被配置为统计多个情绪标签以得到统计参数，并根据统计参数得到情绪评估结果。
例如，当情绪检测系统200应用于电影院时，情绪检测设备100可以检测并得到观看某一电影的所有观影人员的情绪标签，评估设备230被配置统计所有观影人员的情绪标签，以得到统计参数，并根据统计参数得到情绪评估结果。例如，统计参数可以包括不同种类的情绪标签的数量，数量最多的三种情绪标签即可作为情绪评估结果，情绪评估结果可以表示电影的评估结果，电影院可以根据电影的评估结果对该电影进行排片。
例如，当情绪评估结果包括惊恐、无聊、悲伤等负面情绪标签时，电影院可以选择特定观影人员(例如，限制观影人员的年龄、健康状态等)观看该电影，或者减少该电影的排片量。另一方面，当检测到观影人员出现心脏骤停、心慌等不良身体状况，可以及时对观影人员进行治疗，从而可以实现监护观影人员的健康状况。
值得注意的是，图2A和图2B的不同之处包括：在图2B中，情绪检测设备100位于服务器250中，训练设备220和评估设备230也位于服务器250中，服务器250和可穿戴设备210通过网络260连接。图2B和图2C的不同之处包括：在图2C中，情绪检测设备100位于可穿戴设备210中。
图4A为本公开一实施例提供的一种情绪检测系统的硬件框图，图4B为本公开一实施例提供的一种情绪检测系统的流程框图。
例如，在图4B中，获取数字心率检测信号、滤波处理、确定R波、确定心率信号的操作可以在可穿戴设备中执行；确定特征参数、机器学习算法处理特征参数、确定情绪标签的操作可以在情绪检测设备中执行；确定情绪评估结果的操作可以在评估设备中执行。
例如，如图4A和4B所示，在本公开实施例提供的情绪检测系统中，首先通过第一检测元件71和第二检测元件72检测并得到第一子电信号和第二子电信号。然后，该第一子电信号和第二子电信号可以分别被传输至差分子电路2112的第一输入端和第二输入端，差分子电路对第一子电信号和第二子电信号进行差值处理，以得到心率检测信号。例如，心率检测信号可以为表示为：
Q＝V1-V2
其中，Q表示心率检测信号，V1表示第一子电信号，V2表示第二子电信号。但不限于此，心率检测信号也可以为表示为：Q＝V2-V1。差分子电路还可以放大心率检测信号，并将放大后的心率检测信号传输至模数转换子电路。
例如，模数转换子电路被配置为将放大后的心率检测信号转换为数字心率检测信号，并将数字心率检测信号传输至滤波子电路。滤波子电路被配置为对数字心率检测信号进行滤波处理，以确定R波，然后根据R波得到心率信号。信号传输电路被配置为将心率信号传输至情绪检测设备。情绪检测设备被配置为对心率信号进行差分处理，以得到与心率信号对应的特征参数；然后通过机器学习算法处理特征参数，以确定与特征参数对应的情绪标签。由此，本公开实施例提供的情绪检测系统通过分析用户的心率信号的变化，评估用户的情绪状态，从而实现对用户的情绪进行监控。
例如，情绪检测设备可以生成多个情绪标签，多个情绪标签可以被传输至评估设备，评估设备可以统计多个情绪标签以得到统计参数，并根据统计参数得到情绪评估结果。例如，在一些示例中，情绪评估结果可以表示电影的评估结果，即观影人员对该电影的观看感受，电影院可以根据电影的评估结果对该电影进行排片、对尚未观看过此部电影的人员进行客观指导，从而规避由于情绪对观影人员的身体造成负面影响。
例如，在一些实施例中，本公开提供的情绪检测系统200还可以包括一个或多个处理器以及一个或多个存储器。即情绪检测设备100中的心率处理模块110和情绪处理模块120、训练设备220、评估设备230等可以包括存储在存储器中的代码和程序；处理器可以执行该代码和程序以实现如上所述的心率处理模块110、情绪处理模块120、训练设备220和评估设备230的一些功能或全部功能。
本公开至少一实施例还提供一种情绪检测方法。图5为本公开一实施例提供的一种情绪检测方法的流程图；图6为本公开一实施例提供的一种提取特征参数的示意图。
例如，如图5所示，本公开的实施例提供的情绪检测方法可以包括以下步骤：
步骤S1：接收心率信号；
步骤S2：对心率信号进行差分处理，以得到与心率信号对应的特征参数；
步骤S3：处理特征参数，以确定与特征参数对应的情绪标签。
例如，在步骤S1中，可以通过可穿戴设备获取心率信号。需要说明的是，关于可穿戴设备的详细说明可以参考上述情绪检测系统的实施例中的相关描述，在此不再赘述。
例如，如图6所示，步骤S2可以包括：对心率信号进行一阶差分处理，以得到差分结果；根据差分结果，确定特征参数。例如，在预设时间段内，差分结果可以包括第一差分值或第二差分值，第一差分值为正，第二差分值为负。特征参数可以包括：在预定时间内，第一差分值和第二差分值的交替次数、第一差分值的持续时间和第二差分值的持续时间中至少之一。
例如，步骤S3可以包括：利用机器学习算法处理特征参数，以确定情绪标签。
例如，机器学习算法可以包括神经网络等。
需要说明的是，上述任一项所述的情绪检测设备可以执行步骤S2和步骤S3，因此关于步骤S2和步骤S3的详细说明可以参考上述情绪检测设备的实施例中的相关描述，在此不再赘述。
例如，在一些示例中，情绪检测方法可以还包括：统计多个情绪标签以得到统计参数；以及根据统计参数得到情绪评估结果。关于根据情绪标签得到情绪评估结果的详细描述可以参考上述情绪检测系统的实施例中关于评估设备的相关说明。
本公开至少一实施例还提供一种情绪检测设备。图7为本公开另一实施例提供的一种情绪检测设备的示意性框图。如图7所示，情绪检测设备100可以包括存储器80和处理器85。存储器80用于存储非暂时性计算机可读指令；处理器85用于运行所述非暂时性计算机可读指令，所述非暂时性计算机可读指令被处理器85运行时可以执行根据上文所述的情绪检测方法中的一个或多个步骤。
需要说明的是，当所述非暂时性计算机可读指令由处理器85运行时还可以执行上文所述的情绪检测系统中的训练设备的一些功能或全部功能，即可以执行训练机器学习算法的步骤。
例如，处理器85可以是中央处理单元(CPU)或者具有数据处理能力和/或程序执行能力的其它形式的处理单元，例如现场可编程门阵列(FPGA)或张量处理单元(TPU)等。又例如，中央处理器(CPU)可以为X86或ARM架构等。
例如，存储器80可以包括一个或多个计算机程序产品的任意组合，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。在存储器80上可以存储一个或多个非暂时性计算机可读指令，处理器85可以运行所述非暂时性计算机可读指令，以实现各种功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据，以及应用程序使用和/或产生的各种数据等。
例如，关于情绪检测方法的详细说明可以参考情绪检测方法的实施例中的相关描述，重复之处不再赘述。
本公开至少一实施例还提供一种计算机可读存储介质。该计算机可读存储介质存储有存储一个或多个非暂时性计算机指令。非暂时性计算机指令被计算机运行时可以执行根据上文所述的情绪检测方法中的一个或多个步骤。
例如，在本公开实施例的一个示例中，该计算机可读存储介质可以应用于上述任一实施例所述的情绪检测设备中，例如，其可以为情绪检测设备中的存储器80。需要说明的是，关于计算机可读存储介质的说明可以参考情绪检测设备的实施例中对于存储器80的描述，重复之处不再赘述。
对于本公开，还有以下几点需要说明：
(1)本公开实施例附图只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计。
(2)在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上所述仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，本公开的保护范围应以所述权利要求的保护范围为准。
Claims (15)
1.一种情绪检测设备，包括：心率处理模块和情绪处理模块，
其中，所述心率处理模块被配置为接收心率信号，并对所述心率信号进行差分处理，以得到与所述心率信号对应的特征参数；
所述情绪处理模块被配置为处理所述特征参数，以确定与所述特征参数对应的情绪标签，
所述差分处理包括一阶差分处理，所述心率处理模块被配置为：对所述心率信号进行一阶差分处理，以得到差分结果；根据所述差分结果确定所述特征参数；
所述差分结果包括第一差分值或第二差分值，所述第一差分值为正，所述第二差分值为负，
所述特征参数包括：在预定时间内，所述第一差分值和所述第二差分值的交替次数、所述第一差分值的持续时间和所述第二差分值的持续时间中至少之一。
2.根据权利要求1所述的情绪检测设备，其中，所述情绪处理模块被配置为：通过机器学习算法处理所述特征参数，以得到所述情绪标签。
3.一种情绪检测系统，包括：可穿戴设备和权利要求1或2所述的情绪检测设备，
其中，所述可穿戴设备包括心率检测电路，所述心率检测电路被配置为检测所述心率信号。
4.根据权利要求3所述的情绪检测系统，其中，所述可穿戴设备为眼镜，所述眼镜包括：眼镜框、第一眼镜腿、第二眼镜腿和心率检测元件；
所述心率检测元件被配置为检测并输出与心率相关的电信号，所述心率检测元件至少包括第一检测元件和第二检测元件，所述第一检测元件被固定在所述第一眼镜腿上，所述第二检测元件被固定在所述第二眼镜腿上；以及
所述心率检测电路设置在所述眼镜框中，且所述心率检测电路被配置为接收所述电信号，并对所述电信号进行处理以得到所述心率信号。
5.根据权利要求4所述的情绪检测系统，其中，所述心率检测电路包括滤波子电路、差分子电路和模数转换子电路，
所述电信号包括第一子电信号和第二子电信号，所述第一检测元件被配置为输出所述第一子电信号，所述第二检测元件被配置为输出所述第二子电信号，
所述差分子电路被配置为接收所述第一子电信号和所述第二子电信号，并对所述第一子电信号和所述第二子电信号进行处理，以得到心率检测信号；
所述模数转换子电路被配置为接收所述心率检测信号，并将所述心率检测信号转换为数字心率检测信号；
所述滤波子电路被配置为对所述数字心率检测信号进行滤波处理，以得到所述心率信号。
6.根据权利要求5所述的情绪检测系统，其中，所述第一检测元件包括第一电极片，所述第二检测元件包括第二电极片，所述心率检测信号包括心电信号；或者
所述第一检测元件包括第一压力传感器，所述第二检测元件包括第二压力传感器，所述心率检测信号包括光电容积脉搏波信号。
7.根据权利要求4所述的情绪检测系统，其中，所述第一眼镜腿的第一端与所述眼镜框连接，所述第二眼镜腿的第一端与所述眼镜框连接，
所述第一检测元件被固定在靠近所述第一眼镜腿的第一端的内侧，所述第二检测元件被固定在靠近所述第二眼镜腿的第一端的内侧。
8.根据权利要求3-7任一项所述的情绪检测系统，还包括：评估设备，
其中，所述情绪检测设备被配置为检测得到多个情绪标签；
所述评估设备被配置为统计所述多个情绪标签以得到统计参数，并根据所述统计参数确定情绪评估结果。
9.根据权利要求3-7任一项所述的情绪检测系统，其中，所述情绪检测设备集成在所述可穿戴设备中，或者，所述情绪检测设备和所述可穿戴设备为不同的设备。
10.根据权利要求3-7任一项所述的情绪检测系统，还包括训练设备，
其中，所述训练设备被配置为对所述情绪检测设备中的机器学习算法进行训练。
11.一种情绪检测方法，包括：
接收心率信号；
对所述心率信号进行差分处理，以得到与所述心率信号对应的特征参数；以及
处理所述特征参数，以确定与所述特征参数对应的情绪标签，
其中，对所述心率信号进行差分处理，以得到与所述心率信号对应的特征参数，包括：
对所述心率信号进行一阶差分处理，以得到差分结果；以及
根据所述差分结果，确定所述特征参数；
其中，所述差分结果包括第一差分值或第二差分值，所述第一差分值为正，所述第二差分值为负，所述特征参数包括：在预定时间内，所述第一差分值和所述第二差分值的交替次数、所述第一差分值的持续时间和所述第二差分值的持续时间中至少之一。
12.根据权利要求11所述的情绪检测方法，其中，处理所述特征参数，以确定与所述特征参数对应的情绪标签，包括：
利用机器学习算法处理所述特征参数，以确定所述情绪标签。
13.根据权利要求11所述的情绪检测方法，还包括：
统计多个情绪标签以得到统计参数；以及
根据所述统计参数确定情绪评估结果。
14.一种情绪检测设备，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述非暂时性计算机可读指令，所述非暂时性计算机可读指令被所述处理器运行时执行根据权利要求11-13任一所述的情绪检测方法。
15.一种计算机可读存储介质，用于存储非暂时性计算机指令，当所述非暂时性计算机指令由计算机运行时执行根据权利要求11-13任一所述的情绪检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810470214.3A CN108634969B (zh) | 2018-05-16 | 2018-05-16 | 情绪检测设备、情绪检测系统、情绪检测方法、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810470214.3A CN108634969B (zh) | 2018-05-16 | 2018-05-16 | 情绪检测设备、情绪检测系统、情绪检测方法、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108634969A CN108634969A (zh) | 2018-10-12 |
| CN108634969B true CN108634969B (zh) | 2021-03-12 |
Family
ID=63756388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810470214.3A Active CN108634969B (zh) | 2018-05-16 | 2018-05-16 | 情绪检测设备、情绪检测系统、情绪检测方法、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108634969B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109620262B (zh) * | 2018-12-12 | 2020-12-22 | 华南理工大学 | 一种基于可穿戴手环的情绪识别系统及方法 |
| CN110534135A (zh) * | 2019-10-18 | 2019-12-03 | 四川大学华西医院 | 一种基于语言引导与心率反应来评估情绪特征的方法 |
| CN111144436A (zh) * | 2019-11-15 | 2020-05-12 | 北京点滴灵犀科技有限公司 | 基于可穿戴设备的情绪压力筛查及危机预警方法和装置 |
| CN112315440A (zh) * | 2020-10-26 | 2021-02-05 | 青岛歌尔智能传感器有限公司 | 心率检测方法、可穿戴设备及可读存储介质 |
| CN113069115B (zh) * | 2021-03-09 | 2022-11-11 | 清华大学 | 一种情绪识别方法、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102525412A (zh) * | 2010-12-16 | 2012-07-04 | 北京柏瑞医信科技有限公司 | 用于促进情绪平衡、评估情绪状态和调节效果的方法和设备 |
| CN106037635A (zh) * | 2016-05-11 | 2016-10-26 | 南京邮电大学 | 一种基于可穿戴设备的智能预警系统和方法 |
| CN106997106A (zh) * | 2016-01-22 | 2017-08-01 | 周常安 | 眼镜式生理感测、穿戴装置及眼镜结构 |
| CN107692999A (zh) * | 2017-12-05 | 2018-02-16 | 苏州创莱电子科技有限公司 | 微型心电测量卡片的系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2511988A1 (en) * | 2003-08-08 | 2005-02-17 | Quantum Intech, Inc. | Electrophysiological intuition indicator |
| CN101853259A (zh) * | 2009-03-31 | 2010-10-06 | 国际商业机器公司 | 添加和处理带有情感数据的标签的方法和设备 |
-
2018
- 2018-05-16 CN CN201810470214.3A patent/CN108634969B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102525412A (zh) * | 2010-12-16 | 2012-07-04 | 北京柏瑞医信科技有限公司 | 用于促进情绪平衡、评估情绪状态和调节效果的方法和设备 |
| CN106997106A (zh) * | 2016-01-22 | 2017-08-01 | 周常安 | 眼镜式生理感测、穿戴装置及眼镜结构 |
| CN106037635A (zh) * | 2016-05-11 | 2016-10-26 | 南京邮电大学 | 一种基于可穿戴设备的智能预警系统和方法 |
| CN107692999A (zh) * | 2017-12-05 | 2018-02-16 | 苏州创莱电子科技有限公司 | 微型心电测量卡片的系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108634969A (zh) | 2018-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108634969B (zh) | 情绪检测设备、情绪检测系统、情绪检测方法、存储介质 | |
| Naeini et al. | A real-time PPG quality assessment approach for healthcare Internet-of-Things | |
| Hernandez et al. | Biowatch: estimation of heart and breathing rates from wrist motions | |
| EP3277162B1 (en) | Wearable pulse sensing device signal quality estimation | |
| EP3669768B1 (en) | A method for generating a model for generating a synthetic ecg and a method and system for analysis of heart activity | |
| US10441180B2 (en) | Episodical and continuous ECG monitoring | |
| US20200093386A1 (en) | Method of generating a model for heart rate estimation from a photoplethysmography signal and a method and a device for heart rate estimation | |
| US10368765B2 (en) | Wearable apparatus for ECG signal acquisition | |
| CN107530015B (zh) | 一种生命体征分析方法与系统 | |
| Park et al. | Prediction of daily mental stress levels using a wearable photoplethysmography sensor | |
| Brophy et al. | Cnns for heart rate estimation and human activity recognition in wrist worn sensing applications | |
| Ayesha et al. | Heart rate monitoring using PPG with smartphone camera | |
| CN104808776A (zh) | 检测头戴式智能设备持续附着在人体上的装置和方法 | |
| Qiao et al. | Revise: Remote vital signs measurement using smartphone camera | |
| Brophy et al. | Optimised convolutional neural networks for heart rate estimation and human activity recognition in wrist worn sensing applications | |
| Mesin | A neural algorithm for the non-uniform and adaptive sampling of biomedical data | |
| Majumder et al. | A real-time cardiac monitoring using a multisensory smart IoT system | |
| Sonawani et al. | Biomedical signal processing for health monitoring applications: a review | |
| US20200337567A1 (en) | Systems and Methods of Arrhythmia Detection | |
| US20240156389A1 (en) | Health monitoring system and method | |
| Nair et al. | Illumination invariant non-invasive heart rate and blood pressure estimation from facial thermal images using deep learning | |
| EP3975202A1 (en) | Device and system for detecting heart rhythm abnormalities | |
| Hassanuzzaman et al. | End to end solution for continuous monitoring and real-time analysis of vital signs from ecg signal | |
| Liu et al. | Adaptive-weight network for imaging photoplethysmography signal extraction and heart rate estimation | |
| Masanam et al. | Non-Contact Human Workload Assessment for Adaptive Intelligent Systems |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |