CN108721048B - 计算机可读存储介质和终端 - Google Patents
计算机可读存储介质和终端 Download PDFInfo
- Publication number
- CN108721048B CN108721048B CN201810413775.XA CN201810413775A CN108721048B CN 108721048 B CN108721048 B CN 108721048B CN 201810413775 A CN201810413775 A CN 201810413775A CN 108721048 B CN108721048 B CN 108721048B
- Authority
- CN
- China
- Prior art keywords
- training
- rehabilitation
- emotion
- resistance
- characteristic parameters
- 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
- 238000012549 training Methods 0.000 claims abstract description 269
- 230000008909 emotion recognition Effects 0.000 claims abstract description 73
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000008451 emotion Effects 0.000 claims description 130
- 238000002474 experimental method Methods 0.000 claims description 88
- 230000004044 response Effects 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000003183 myoelectrical effect Effects 0.000 claims description 17
- 230000000241 respiratory effect Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 7
- 206010048909 Boredom Diseases 0.000 claims description 5
- 210000000216 zygoma Anatomy 0.000 claims description 5
- 230000002996 emotional effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 17
- 230000001419 dependent effect Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000000540 analysis of variance Methods 0.000 description 10
- 230000003993 interaction Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 208000006011 Stroke Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 210000003205 muscle Anatomy 0.000 description 6
- 230000037007 arousal Effects 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 230000036651 mood Effects 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 102000003712 Complement factor B Human genes 0.000 description 2
- 108090000056 Complement factor B Proteins 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000009290 primary effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 208000030090 Acute Disease Diseases 0.000 description 1
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 208000012886 Vertigo Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 201000007201 aphasia Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 208000035474 group of disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000001543 one-way ANOVA Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 231100000430 skin reaction Toxicity 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 231100000889 vertigo Toxicity 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
- A61H1/02—Stretching or bending or torsioning apparatus for exercising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/16—Physical interface with patient
- A61H2201/1657—Movement of interface, i.e. force application means
- A61H2201/1659—Free spatial automatic movement of interface within a working area, e.g. Robot
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2230/00—Measuring physical parameters of the user
- A61H2230/04—Heartbeat characteristics, e.g. E.G.C., blood pressure modulation
- A61H2230/045—Heartbeat characteristics, e.g. E.G.C., blood pressure modulation used as a control parameter for the apparatus
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2230/00—Measuring physical parameters of the user
- A61H2230/08—Other bio-electrical signals
- A61H2230/085—Other bio-electrical signals used as a control parameter for the apparatus
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2230/00—Measuring physical parameters of the user
- A61H2230/40—Respiratory characteristics
- A61H2230/405—Respiratory characteristics used as a control parameter for the apparatus
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Evolutionary Computation (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Pain & Pain Management (AREA)
- Physical Education & Sports Medicine (AREA)
- Rehabilitation Therapy (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种康复训练控制方法、计算机可读存储介质和终端,所述方法包括:构建情绪识别BP神经网络模型;采用所述情绪识别BP神经网络模型对康复抗阻训练中的康复训练对象进行情绪识别;采用所得到的情绪识别结果对所述康复抗阻训练的训练难度进行调整。上述的方案,可以提高康复阻抗训练的训练效果,提升用户的使用体验。
Description
技术领域
本发明涉及技术领域,具体地涉及一种计算机可读存储介质和终端。
背景技术
随着现代社会老龄化趋势的越加明显,脑卒中在现代人群中的发病率越来越高。脑卒中是由脑局部供血障碍所引起的以神经机能丧失为特征的一组疾病,包括颅内动脉、静脉和静脉安等,具有发病急,病死率高的特点,并同时引发失语、偏瘫、肢麻、眩晕、意识障碍等生理问题。
现代神经康复医学研究表明,有脑卒中病史的患者,病情易反复且复发后症状会更加严重,因此在康复治疗过程中提高脑中风患者的康复效果具有重大的意义。
但是,现有的康复训练方法存在着训练效果差的问题,影响了用户的使用体验。
发明内容
本发明解决的技术问题是如何提高康复阻抗训练的训练效果,提升用户的使用体验。
为解决上述技术问题,本发明实施例提供了一种康复训练控制方法,所述方法包括:
构建情绪识别BP神经网络模型;
采用所述情绪识别BP神经网络模型对康复抗阻训练中的康复训练对象进行情绪识别;
采用所得到的情绪识别结果对所述康复抗阻训练的训练难度进行调整。
可选地,所述构建情绪识别BP神经网络模型,包括:
获取康复训练对象样本组和正常对象样本组分别在康复抗阻训练实验中和在国际情绪图片系统实验中在预设的目标情绪下产生的生理信号;
对所获取的康复训练对象样本组和正常对象样本组在康复抗阻训练实验中和在国际情绪图片系统实验中在所述目标情绪下产生的生理信号进行分析计算,得到康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数;
对所得到的康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数进行分析,以从所述多种生理特征参数中提取不受抗阻影响且反应目标情绪变化的生理特征参数;
采用提取得到的不受抗阻影响且反应目标情绪变化的生理特征参数构建所述情绪识别BP神经网络模型。
可选地,在构建情绪识别BP神经网络模型之前,所述方法还包括:
对所构建的情绪识别BP神经网络模型进行验证。
可选地,所述对所得到的康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数进行分析,以从所述多种生理特征参数中提取不受抗阻影响且反应目标情绪变化的生理特征参数,包括:
采用单因素方差分析法对所得到的康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数进行方差分析,以从多种生理特征参数中去除康复训练中受抗阻影响的生理特征参数;
采用两因素重复测量实验方差分析法对所述所得到的康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数进行显著差异性分析,以从所述多种生理特征参数中去除了康复训练中受抗阻影响的生理特征参数的剩余生理特征参数中提取所述不受抗阻影响且反应目标情绪变化的生理特征参数。
可选地,所述生理信号包括心电、脉搏、皮电、呼吸、颧骨肌肌电和皱眉肌肌电信号。
可选地,所述不受抗阻影响且反应目标情绪变化的生理特征参数包括:心电信号RR间期0.15-0.4Hz频段的功率、心电信号RR间期规一化的高频段功率、脉搏NN间期的最大值与最小值之差、脉搏NN间期0-0.04Hz频段的功率、呼吸信号均值、颧骨肌肌电信号功率频率平均值、皮肤电导响应均值、皮肤电导响应最大值、皮肤电导响应最小值、全部信号中皮肤电导响应峰值的均值、脉搏信号上升时间标准差、呼吸信号一阶差分均值、皱眉肌肌电信号均值、皮肤电导响应一阶差分标准差、皮肤电导响应一阶差分最大值、皮肤电导响应一阶差分最小值、皮肤电导响应一阶差分最大值与最小值之差、皮肤电导响应二阶差分标准差、皱眉肌肌电信号一阶标准差和皱眉肌肌电信号积分肌电值。可选地,所述采用所述情绪识别BP神经网络模型对康复抗阻训练中的康复训练对象进行情绪识别,包括:
采用康复抗阻训练对训练对象进行训练,采集所述训练对象对应的生理信号;
采用采集到的所述训练对象对应的生理信号进行分析计算得到对应的所述不受抗阻影响且反应目标情绪变化的生理特征参数;
将所述不受抗阻影响且反应目标情绪变化的生理特征参数输入所述情绪识别BP神经网络模型,得到所述训练对象当前所处的目标情绪。
可选地,所述目标情绪包括厌烦、挫败和兴奋,所述采用所得到的情绪识别结果对所述康复抗阻训练的训练难度进行调整,包括:
当所述训练对象当前所处的目标情绪为厌烦时,则提高康复抗阻训练的训练难度;
当所述训练对象当前所处的目标情绪为兴奋时,则保持康复抗阻训练的训练难度不变;
当所述训练对象当前所处的目标情绪为挫败时,则降低康复抗阻训练的训练难度。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述任一项所述的康复训练控制方法的步骤。
本发明实施例还提供了一种终端,包括存储器和处理器,所述存储器上储存有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述任一项所述的康复训练控制方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
上述的方案,采用所述情绪识别BP神经网络模型对康复抗阻训练中的康复训练对象进行情绪识别,并采用所得到的情绪识别结果对所述康复抗阻训练的训练难度进行调整,可以为患者提供高质量抗阻康复训练的同时,通过感知患者在康复训练过程中的生理情绪状态,为之提供与当前情绪状态相适应的训练任务,可以使患者获得最适合的康复治疗条件,从而可以提高机器人辅助康复抗阻训练的治疗效果,使得患者的抗阻康复训练更加积极、更加有效,提升患者的使用体验。
附图说明
图1是本发明实施例中的一种康复训练控制方法的流程示意图;
图2示出了本发明实施例中的另一种康复训练控制方法的流程示意图;
图3是本发明实施例中的机器人辅助康复抗阻训练的虚拟环境示意图;
图4是本发明实施例中的实验调查问卷对应的二维情绪坐标模型的示意图;
图5是采用单因素方差分析法对所得到的多种生理特征参数进行方差分析的流程示意图;
图6是两因素重复测量实验方差分析法对所得到的多种生理特征参数进行显著差异性分析的流程示意图;
图7是本发明实施例中的情绪识别BP神经网络的均方误差曲线示意图;
图8是本发明实施例中的情绪识别BP神经网络的神经网络回归分析示意图;
图9是本发明实施例中的情绪识别BP神经网络的误差梯度曲线示意图;
图10是本发明实施例中的情绪识别BP神经网络的交叉验证结果示意图;
图11是本发明实施例中的一种康复训练控制装置的结构示意图。
具体实施方式
本发明实施例中的技术方案通过采用所述情绪识别BP神经网络模型对康复抗阻训练中的康复训练对象进行情绪识别,并采用所得到的情绪识别结果对所述康复抗阻训练的训练难度进行调整,可以为患者提供高质量抗阻康复训练的同时,通过感知患者在康复训练过程中的生理情绪状态,为之提供与当前情绪状态相适应的训练任务,可以使患者获得最适合的康复治疗条件,从而可以提高机器人辅助康复抗阻训练的治疗效果,使得患者的抗阻康复训练更加积极、更加有效,提升患者的使用体验。
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例的一种康复训练控制方法的流程示意图。参考图1,一种康复训练控制方法,可以包括如下的步骤:
步骤S101:构建情绪识别BP神经网络模型。
步骤S102:采用所述情绪识别BP神经网络模型对康复抗阻训练中的康复训练对象进行情绪识别。
步骤S103:采用所得到的情绪识别结果对所述康复抗阻训练的训练难度进行调整。
上述的方案,采用所述情绪识别BP神经网络模型对康复抗阻训练中的康复训练对象进行情绪识别,并采用所得到的情绪识别结果对所述康复抗阻训练的训练难度进行调整,可以为患者提供高质量抗阻康复训练的同时,通过感知患者在康复训练过程中的生理情绪状态,为之提供与当前情绪状态相适应的训练任务,可以使患者获得最适合的康复治疗条件,从而可以提高机器人辅助康复抗阻训练的治疗效果,使得患者的抗阻康复训练更加积极、更加有效,提升患者的使用体验。
下面将对本发明实施例中的康复训练控制方法进行进一步详细的介绍。
图2示出了本发明实施例中的一种康复训练控制方法的流程示意图。参见图2,本发明实施例中的一种康复训练控制方法,具体可以包括如下的步骤:
步骤S201:获取康复训练对象样本组和正常对象样本组分别在康复抗阻训练实验和在国际情绪图片系统(IAPS)实验中在预设的目标情绪下产生的生理信号。
在具体实施中,所述康复训练对象样本组由预设数量的康复训练对象组成,所述正常对象样本组由所述数量的正常对象组成。其中,所述康复训练对象为接受康复抗阻训练的疾病患者,如中风患者等;所述正常对象为非身患疾病、身体健康的人。
在具体实施中,当康复训练对象样本组和正常对象样本组构建完成时,可以对所构建的康复训练对象样本组和正常对象样本组构建分别进行康复阻抗实验和所述国际情绪图片系统实验。
在本发明一实施例中,当康复阻抗训练的对象为中风患者时,所述康复阻抗实验在通过Barrett Technology公司研发的轻型手臂(WAM Arm)机器人构建机器人辅助康复抗阻训练虚拟环境中进行。参见图3,在对康复训练对象样本组和正常对象样本组进行机器人辅助康复抗阻训练实验时,康复训练对象样本组和正常对象样本组的样本(或称为受试者)分别需要通过轻型手臂机器人操作末端控制该场景中的方块从虚线区域开始慢慢移动立方体沿着抛物线方向至桌面上,再由桌面沿着抛物线方向回到地面虚线位置。其中,通过调整方块重量设置欠挑战(Under-challenge)、挑战(Challenge)和过挑战(Over-challenge)三种难度不同的康复训练任务,以分别诱发受试者产生对应目标情绪,如挫败、兴奋和厌烦三种目标情绪等。
对康复训练对象样本组和正常对象样本组进行国际情绪图片系统实验,则是采用国际情绪图片系统中选取的图片引发康复训练对象样本组和正常对象样本组中的受试者产生对应的目标情绪。
其中,在进行上述机器人辅助康复抗阻训练实验中,对于康复训练对象样本组和正常对象样本组中的受试者分别进行了四次实验,分别是正常状态(即平静状态)实验和三种目标情绪状态实验,每次实验之间具有一定的时间间隔,如3分钟等,以便受试者可以得到较为充足的休息,避免受试者在上一个实验中产生的生理或心理的变化对下一次实验产生影响。
在完成每次实验的训练任务时,采集受试者的生理信号。在本发明一实施例中,所采集的受试者的生理信号的包括心电、脉搏、皮电、呼吸、颧骨肌肌电信号和皱眉肌肌电信号。
同时,在每次实验结束后分别对受试者、实验人员和康复医师三方进行及时的情绪问卷调查,获取三个角度对受试者的情绪状态的判断结果,并进行非参数统计,以具有统计意义的结果作为最终实验情绪调查问卷结果。
参见图4,实验调查问卷将目标感情绘制到二维平面上的不同位置上,构建出对应的二维情绪坐标模型。其中,情绪坐标模型横坐标是效价(Valence),表示表情感状态,它包含积极和消极两个部分,从正面情绪到负面情绪之间设置从1到9逐级增加的情绪等级;情绪坐标模型纵坐标代表的是唤醒度(Arousal),表示精神警觉性和身体活动的状态,从正唤醒(high)到低唤醒(low)之间同样设置从1到9逐级增加的唤醒状态。
通过图4的二维情绪坐标模型对完成受试者在每次实验的训练任务中产生的情绪的是否与预设的目标情绪相符合进行验证,即分析图4的二维情绪坐标模型与对应的训练任务之间的相关性,通过方差分析的方法对训练任务与其情绪调查问卷的相关性进行分析,当分析结果的显著值小于预设的阈值,如0.05时,表明分析具有统计意义,可以确定受试者在对应的训练任务中产生的情绪与预设的情绪相符,以提高实验的准确性。
步骤S202:对所获取的康复训练对象样本组和正常对象样本组在康复抗阻训练实验和在国际情绪图片系统实验中在所述目标情绪下产生的生理信号进行分析计算,得到康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数。
在具体实施中,当所获取的康复训练对象样本组和正常对象样本组在康复抗阻训练实验中和在国际情绪图片系统实验中在所述目标情绪下产生的生理信号时,可以对所获取到的生理信号进行分析计算,分别得到康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数。
在本发明一式实施例中,对所述康复训练对象样本组和正常对象样本组在康复抗阻训练实验中和在国际情绪图片系统实验中在所述目标情绪下产生的包括心电、脉搏、皮电、呼吸、颧骨肌和皱眉肌肌电信号的生理信号进行特征计算,提取出包含信号均值、标准差、一阶差分、均方根、功率等在内的99种生理特征参数。其中,所提取的99种生理特征参数如下表1所示:
表1
步骤S203:对所得到的康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数进行分析,以从所述多种生理特征参数中提取不受抗阻影响且反应目标情绪变化的生理特征参数。
在具体实施中,当得到康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数时,可以对所得到的多种生理特征参数进行分析,以从中提取出不受抗阻影响且反应目标情绪变化的生理特征参数。在本发明一实施例,在执行对所得到的多种生理特征参数进行分析,以从中提取出不受抗阻影响且反应目标情绪变化的生理特征参数的操作时,可以包括如下两部分的操作:
首先,采用单因素方差分析法对所得到的康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数进行方差分析,以从多种生理特征参数中去除康复训练中受抗阻影响的生理特征参数。假设提取出的99种生理特征参数在机器人辅助康复抗阻训练实验的受试者人群和国际情绪图像系统实验的受试者人群之间具有显著性差异,据此建立触觉交互分析模型,通过单因素方差分析的方法对康复训练组和IAPS图像组在三种目标情绪下的生理特征参数进行方差分析,剔除康复训练中受抗阻影响的部分生理特征参数,具体请参见图5,可以包括如下的步骤:
步骤S501:定义组间因素A和因变量。
在具体实施中,将组间因子A定义为实验类型,其有2个水平——A1和A2。其中,A1表示机器人辅助康复抗阻训练实验的受试者人群,A2表示国际情绪图像系统实验的受试者人群。因变量为从实验采集的生理信号进行分析计算得到的多种生理特征参数,如从前述的六种生理信号中提取出的99种生理特征参数。
步骤S502:对因变量进行遍历,获取遍历到的当前因变量。
在具体实施中,对因变量进行遍历,即是对从所采集到的生理信号进行分析计算得到的多种生理特征参数进行逐一遍历。
步骤S503:对组间因素A和当前因变量进行方差齐性检验;当检验通过时,可以执行步骤S503;反之,则可以结束操作。
在具体实施中,对组间因素A和当前因变量进行方差齐性检验是是方差分析里的一个前置条件,样本只有符合了方差齐性这个前提才能进行方差分析,具体过程是对两组之间的生理参数的总体方差进行检验,一般当F=(方差1/方差2)>F表时,则符合方差齐性,可以进行下一步的方差分析。
步骤S504:对组间因素A和当前因变量进行单因素方差分析,并判断主效应是否显著;当判断结果为是时,可以执行步骤S505;反之,则可以执行步骤S506。
在具体实施中,所述判断主效应是否明显是指对某一个生理参数做方差分析时,当作为分析结果的显著性数值小于预设的阈值,如0.05时,则说明方差分析主效应显著,意味着做方差分析的生理特征参数受触觉交互影响。
步骤S505:确定当前因变量受触觉交互影响。
在具体实施中,当确定主效应显著时,可以确定当前因变量受触觉交互影响,即当前的生理特征参数受触觉交互影响。
步骤S506:确定当前因变量不受触觉交互影响。
在具体实施中,当确定主效应不显著时,可以确定当前因变量不受触觉交互影响,即当前生理特征参数不受触觉交互影响。
步骤S507:判断所有的因变量是否遍历完成;当判断结果为是时,可以结束操作;反之,则可以执行步骤S508。
步骤S508:获取下一因变量,并从步骤S503开始执行。
接着,采用两因素重复测量实验方差分析法对所述所得到的康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数进行显著差异性分析,以从所述多种生理特征参数中去除了康复训练中受抗阻影响且反应目标情绪变化的生理特征参数的剩余生理特征参数中提取所述不受抗阻影响且反应目标情绪变化的生理特征参数,具体请参见图6,可以包括如下的操作:
步骤S601:定义样本间变量A、样本内变量B以及因变量。
在具体实施中,所述样本间变量A指不同样本,如正常对象和身患疾病的康复训练对象,样本内变量B指不同的康复训练任务,如包括欠挑战,挑战,过挑战等不同的康复训练任务,因变量分别表示去除了触觉交互效应后剩下的生理特征参数。
步骤S602:对A、B两个因素进行重复测量实验设计方差分析。
步骤S603:判断B因素主效应是否明显;当判断结果为是时,可以执行步骤S604;反之,则可以直接执行步骤S605。
步骤S604:对B因素进行事后非正交多重检验,从而确定生理特征差异显著的两组难度训练任务。
步骤S605:判断A因素主效应是否明显;当判断结果为是时,可以执行步骤S606;反之,则可以直接执行步骤S607。
步骤S606:对A因素进行事后非正交多重检验,从而确定生理特征差异显著的实验与对应的样本组样本。
步骤S607:判断因素A与B的交互效应是否明显;当判断结果为是时,可以执行步骤S608;反之,则可以直接结束操作。
步骤S608:将A与B进行交互简单主效应检验,从而确定生理特征差异显著的样本与相应难度训练任务组合。
通过如图6所示的两因素重复测量实验方差分析法,可以从所述多种生理特征参数中去除了康复训练中受抗阻影响的生理特征参数的剩余生理特征参数中提取所述不受抗阻影响且反应目标情绪变化的生理特征参数。
在本发明一实施例中,所述不受抗阻影响且反应目标情绪变化的生理特征参数包括心电信号的呼吸速率(respiration rate,RR)间期0.15-0.4Hz频段的功率Elfhf、心电信号RR间期规一化的高频段功率ELFnorm、脉搏的全部窦性心搏RR(NN)间期的最大值与最小值之差Prange、脉搏NN间期0-0.04Hz频段的功率Pvlf、呼吸信号均值RRmean、颧骨肌肌电信号功率频率平均值Zpmf、皮肤电导响应均值Smean、皮肤电导响应最大值Smax、皮肤电导响应最小值Smin、全部信号中皮肤电导响应峰值的均值mSpeake、脉搏信号上升时间标准差Psup、呼吸信号一阶差分均值Rdiff1mean、皱眉肌肌电信号均值Cmean、皮肤电导响应一阶差分标准差Sdiff1std、皮肤电导响应一阶差分最大值Sdiff1max、皮肤电导响应一阶差分最小值Sdiff1min、皮肤电导响应一阶差分最大值与最小值之差Sdiff1dvalue、皮肤电导响应二阶差分标准差Sdiff2std、皱眉肌肌电信号一阶标准差Cdiff1std和皱眉肌肌电信号积分肌电值Ciemg的20个生理特征参数作为不受抗阻影响且反应目标情绪变化的生理特征参数,也即作为情绪识别BP神经网络的输入。
步骤S204:采用提取得到的不受抗阻影响且反应目标情绪变化的生理特征参数构建所述情绪识别BP神经网络模型。
在具体实施中,提取到所述不受抗阻影响且反应目标情绪变化的生理特征参数时,可以将所述不受抗阻影响且反应目标情绪变化的生理特征参数作为输入、对应的目标情绪状态作为输出,构建情绪识别BP神经网络。
在本发明一实施例中,在构建情绪识别BP神经网络时,将网络输入层节点数设置为20,隐含层设置为2层,每层节点数设置为18,输出层节点数为设置3,输出层选择pureline函数作为传递函数,隐含层采用通用的tansig函数作为传递函数,训练函数选择迭代次数较少、计算量和存储量较大的trainbfg函数,训练终止条件设置为数据误差值连续六次迭代不再下降时终止训练。训练样本集为康复训练对象样本组中的10位中风患者的生理特征参数组,预先设定的均方误差目标值为0.001,经过60步训练后,网络达到预期设定的均方误差值,结束训练。此时,情绪识别BP神经网络的均方误差曲线、神经网络回归分析和误差梯度曲线及交叉验证请分别参见图7、图8、图9和图10。其中,图8中的内部验证的最优结果的虚线与内部验证的数据点的连线的实线相互重叠。
步骤S205:对所构建的情绪识别BP神经网络模型进行验证。
在具体实施中,当情绪识别BP神经网络模型构建完成时,可以对所构建的情绪识别BP神经网络模型进行验证,以确保所构建情绪识别BP神经网络模型的有效性和准确性,从而可以在后续进行康复训练时提高训练的有效性和准确性。
在本发明一实施例中,采用留一法(Leave-one-out)对所构建的情绪识别BP神经网络模型执行交叉验证,即每次验证将采集到的样本依次留出1组作为测试集样本,其余作为训练集样本,训练神经网络并对测试集样本进行情绪识别,最终统计多次验证结果与情绪调查问卷统计结果的匹配程度作为识别成功率,以验证情绪识别BP神经网络的有效性和准确性,具体的验证结果如表2所示:
表2
通过表2可以看出,本发明实施例中所构建的情绪识别BP神经网络模型的识别准确性达到了83.3%,达到预定的准确率目标。
步骤S206:采用康复抗阻训练对训练对象进行训练,采集所述训练对象对应的生理信号。
在具体实施中,所采集到的所述训练对象对应的生理信号,与构建情绪识别BP神经网络模型时所采集的生理信号一致,如包括心电、脉搏、皮电、呼吸、颧骨肌肌电和皱眉肌肌电信号在内的六种生理信号。
步骤S207:采用采集到的所述训练对象对应的生理信号进行分析计算得到对应的所述不受抗阻影响且反应目标情绪变化的生理特征参数。
在具体实施中,对采集到的所述训练对象对应的生理信号进行分析计算,得到对应的所述不受抗阻影响且反应目标情绪变化的生理特征参数,与构建情绪识别BP神经网络模型时提取的所述不受抗阻影响且反应目标情绪变化的生理特征参数一致,不再赘述。
步骤S208:将所述不受抗阻影响且反应目标情绪变化的生理特征参数输入所述情绪识别BP神经网络模型,得到所述训练对象当前所处的目标情绪。
在具体实施中,当提取训练者在康复训练过程中的不受抗阻影响且反应目标情绪变化的生理特征参数时,通过将所提取的将所述不受抗阻影响且反应目标情绪变化的生理特征参数输入所述情绪识别BP神经网络模型,使得所述情绪识别BP神经网络模型识别出训练者所产生的目标情绪,如为厌烦、兴奋或者挫败等。
在本发明一实施例中,当所述训练对象当前所处的目标情绪为厌烦时,可以执行步骤S209;当所述训练对象当前所处的目标情绪为兴奋时,则可以执行步骤S210;当所述训练对象当前所处的目标情绪为挫败时,则可以执行步骤S211。
步骤S209:提高康复抗阻训练的训练难度。
在具体实施中,当确定所述训练对象当前所处的目标情绪为厌烦时,表康复抗阻训练的训练难度较低,故此时可以提高康复抗阻训练的训练难度。
步骤S210:保持康复抗阻训练的训练难度不变。
在具体实施中,当所述训练对象当前所处的目标情绪为兴奋时,表明康复抗阻训练的当前训练难度与训练对象相符,故可以保持康复抗阻训练的训练难度不变。
步骤S211:降低康复抗阻训练的训练难度。
在具体实施中,当所述训练对象当前所处的目标情绪为挫败时,表明康复抗阻训练的当前训练难度较大,训练对象在一定程度上无法完全承受当前训练难度,故可以保持康复抗阻训练的训练难度不变。
在康复训练的过程中,可以实时或者按照预设的周期对训练者当期前所处的情绪进行识别,并根据所识别出的情绪对康复训练的训练难度进行调整,以为患者提供高质量抗阻康复训练的同时,为之提供与当前情绪状态相适应的训练任务,可以使患者获得最适合的康复治疗条件,从而可以提高机器人辅助康复抗阻训练的治疗效果,使得患者的抗阻康复训练更加积极、更加有效,提升患者的使用体验。
上述对本发明实施例中的方法进行了详细的描述,下面将对上述的方法对应的装置进行介绍。
图11示出了本发明实施例中的一种康复训练控制装置的结构。参见图11,本发明实施例中的一种康复训练控制装置11,可以包括构建单元11、识别单元112和控制单元113,其中:
所述构建单元111,适于构建情绪识别BP神经网络模型。
所述识别单元112,适于采用所述情绪识别BP神经网络模型对康复抗阻训练中的康复训练对象进行情绪识别。
所述控制单元113,适于采用所得到的情绪识别结果对所述康复抗阻训练的训练难度进行调整。
在具体实施中,所述构建单元111,适于获取康复训练对象样本组和正常对象样本组分别在康复抗阻训练实验和在国际情绪图片系统实验中在预设的目标情绪下产生的生理信号;对所获取的康复训练对象样本组和正常对象样本组在康复抗阻训练实验和国际情绪图片系统实验中在所述目标情绪下产生的生理信号进行分析计算,得到康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数;对所得到的康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数进行分析,以从所述多种生理特征参数中提取不受抗阻影响且反应目标情绪变化的生理特征参数;采用提取得到的不受抗阻影响且反应目标情绪变化的生理特征参数构建所述情绪识别BP神经网络模型。在本发明一实施例中,所述构建单元111,适于采用单因素方差分析法对所得到的康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数进行方差分析,以从多种生理特征参数中去除康复训练中受抗阻影响的生理特征参数;采用两因素重复测量实验方差分析法对所述所得到的康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数进行显著差异性分析,以从所述多种生理特征参数中去除了康复训练中受抗阻影响的生理特征参数的剩余生理特征参数中提取所述不受抗阻影响且反应目标情绪变化的生理特征参数。优选地,所述生理信号包括心电、脉搏、皮电、呼吸、颧骨肌肌电信号和皱眉肌肌电信号,所述不受抗阻影响且反应目标情绪变化的生理特征参数包括:心电信号RR间期0.15-0.4Hz频段的功率、心电信号RR间期规一化的高频段功率、脉搏NN间期的最大值与最小值之差、脉搏NN间期0-0.04Hz频段的功率、呼吸信号均值、颧骨肌肌电信号功率频率平均值、皮肤电导响应均值、皮肤电导响应最大值、皮肤电导响应最小值、全部信号中皮肤电导响应峰值的均值、脉搏信号上升时间标准差、呼吸信号一阶差分均值、皱眉肌肌电信号均值、皮肤电导响应一阶差分标准差、皮肤电导响应一阶差分最大值、皮肤电导响应一阶差分最小值、皮肤电导响应一阶差分最大值与最小值之差、皮肤电导响应二阶差分标准差、皱眉肌肌电信号一阶标准差和皱眉肌肌电信号积分肌电值。
在本发明一实施例中,所述装置11还可以包括验证单元114,其中:
所述验证单元114,适于在构建情绪识别BP神经网络模型之前,对所构建的情绪识别BP神经网络模型进行验证。
在具体实施中,所述识别单元112,适于采用康复抗阻训练对训练对象进行训练,采集所述训练对象对应的生理信号;采用采集到的所述训练对象对应的生理信号进行分析计算得到对应的所述不受抗阻影响且反应目标情绪变化的生理特征参数;将所述不受抗阻影响且反应目标情绪变化的生理特征参数输入所述情绪识别BP神经网络模型,得到所述训练对象当前所处的目标情绪。
在具体实施中,所述控制单元113,适于当所述训练对象当前所处的目标情绪为厌烦时,则提高康复抗阻训练的训练难度;当所述训练对象当前所处的目标情绪为兴奋时,则保持康复抗阻训练的训练难度不变;当所述训练对象当前所处的目标情绪为挫败时,则降低康复抗阻训练的训练难度。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的康复训练控制方法的步骤。其中,所述的康复训练控制方法请参见前述部分的详细介绍,不再赘述。
本发明实施例还提供了一种终端,包括存储器和处理器,所述存储器上储存有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的康复训练控制方法的步骤。其中,所述的康复训练控制方法请参见前述部分的详细介绍,不再赘述。
采用本发明实施例中的上述方案,采用所述情绪识别BP神经网络模型对康复抗阻训练中的康复训练对象进行情绪识别,并采用所得到的情绪识别结果对所述康复抗阻训练的训练难度进行调整,可以为患者提供高质量抗阻康复训练的同时,通过感知患者在康复训练过程中的生理情绪状态,为之提供与当前情绪状态相适应的训练任务,可以使患者获得最适合的康复治疗条件,从而可以提高机器人辅助康复抗阻训练的治疗效果,使得患者的抗阻康复训练更加积极、更加有效,提升患者的使用体验。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (7)
1.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行预设的康复训练控制方法的步骤;所述康复训练控制方法包括:
构建情绪识别BP神经网络模型;所述构建情绪识别BP神经网络模型的步骤包括:获取康复训练对象样本组和正常对象样本组分别在康复抗阻训练实验中和在国际情绪图片系统实验中在预设的目标情绪下产生的生理信号;对所获取的康复训练对象样本组和正常对象样本组在康复抗阻训练实验和在国际情绪图片系统实验中在所述目标情绪下产生的生理信号进行分析计算,得到康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数;对所得到的康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数进行分析,以从所述多种生理特征参数中提取不受抗阻影响且反应目标情绪变化的生理特征参数,具体包括:采用单因素方差分析法对所得到的康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数进行方差分析,以从所述多种生理特征参数中去除康复训练中受抗阻影响的生理特征参数;采用两因素重复测量实验方差分析法对所述所得到的康复抗阻训练实验和国际情绪图片系统实验对应的多种生理特征参数进行显著差异性分析,以从所述多种生理特征参数中去除了康复训练中受抗阻影响的生理特征参数的剩余生理特征参数中提取所述不受抗阻影响且反应目标情绪变化的生理特征参数;采用提取得到的不受抗阻影响且反应目标情绪变化的生理特征参数构建所述情绪识别BP神经网络模型;采用所述情绪识别BP神经网络模型对康复抗阻训练中的康复训练对象进行情绪识别;
采用所得到的情绪识别结果对所述康复抗阻训练的训练难度进行调整。
2.根据权利要求1所述的计算机可读存储介质,在构建情绪识别BP神经网络模型之前,还包括:
对所构建的情绪识别BP神经网络模型进行验证。
3.根据权利要求2所述的计算机可读存储介质,其特征在于,所述生理信号包括心电、脉搏、皮电、呼吸、颧骨肌肌电和皱眉肌肌电信号。
4.根据权利要求3所述的计算机可读存储介质,其特征在于,所述不受抗阻影响且反应目标情绪变化的生理特征参数包括:心电信号RR间期0.15-0.4Hz频段的功率、心电信号RR间期规一化的高频段功率、脉搏NN间期的最大值与最小值之差、脉搏NN间期0-0.04Hz频段的功率、呼吸信号均值、颧骨肌肌电信号功率频率平均值、皮肤电导响应均值、皮肤电导响应最大值、皮肤电导响应最小值、全部信号中皮肤电导响应峰值的均值、脉搏信号上升时间标准差、呼吸信号一阶差分均值、皱眉肌肌电信号均值、皮肤电导响应一阶差分标准差、皮肤电导响应一阶差分最大值、皮肤电导响应一阶差分最小值、皮肤电导响应一阶差分最大值与最小值之差、皮肤电导响应二阶差分标准差、皱眉肌肌电信号一阶标准差和皱眉肌肌电信号积分肌电值。
5.根据权利要求1-4任一项所述的计算机可读存储介质,其特征在于,所述采用所述情绪识别BP神经网络模型对康复抗阻训练中的康复训练对象进行情绪识别,包括:
采用康复抗阻训练对训练对象进行训练,采集所述训练对象对应的生理信号;
采用采集到的所述训练对象对应的生理信号进行分析计算得到对应的所述不受抗阻影响且反应目标情绪变化的生理特征参数;
将所述不受抗阻影响且反应目标情绪变化的生理特征参数输入所述情绪识别BP神经网络模型,得到所述训练对象当前所处的目标情绪。
6.根据权利要求5所述的计算机可读存储介质,其特征在于,所述目标情绪包括厌烦、挫败和兴奋,所述采用所得到的情绪识别结果对所述康复抗阻训练的训练难度进行调整,包括:
当所述训练对象当前所处的目标情绪为厌烦时,则提高康复抗阻训练的训练难度;
当所述训练对象当前所处的目标情绪为兴奋时,则保持康复抗阻训练的训练难度不变;
当所述训练对象当前所处的目标情绪为挫败时,则降低康复抗阻训练的训练难度。
7.一种终端,其特征在于,包括存储器和处理器,所述存储器上储存有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行权利要求1至6任一项所述的计算机可读存储介质中的康复训练控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810413775.XA CN108721048B (zh) | 2018-05-02 | 2018-05-02 | 计算机可读存储介质和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810413775.XA CN108721048B (zh) | 2018-05-02 | 2018-05-02 | 计算机可读存储介质和终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108721048A CN108721048A (zh) | 2018-11-02 |
CN108721048B true CN108721048B (zh) | 2020-12-22 |
Family
ID=63936955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810413775.XA Active CN108721048B (zh) | 2018-05-02 | 2018-05-02 | 计算机可读存储介质和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108721048B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741834A (zh) * | 2018-11-13 | 2019-05-10 | 安徽乐叟健康产业研究中心有限责任公司 | 一种针对中风人员的监护系统 |
CN111413874B (zh) * | 2019-01-08 | 2021-02-26 | 北京京东尚科信息技术有限公司 | 用于控制智能设备的方法、装置和系统 |
JP7326927B2 (ja) * | 2019-06-27 | 2023-08-16 | トヨタ自動車株式会社 | 学習装置、リハビリ支援システム、方法、プログラム、及び学習済みモデル |
CN110237397A (zh) * | 2019-07-11 | 2019-09-17 | 重庆市中医院 | 一种大脑认知训练系统 |
CN111180043A (zh) * | 2019-12-17 | 2020-05-19 | 河南水滴智能技术有限公司 | 一种心理建模引导的患者康复训练方法 |
CN112057082B (zh) * | 2020-09-09 | 2022-11-22 | 常熟理工学院 | 基于脑机接口的机器人辅助脑瘫康复表情训练系统 |
CN113391701B (zh) * | 2021-06-15 | 2021-12-07 | 国家康复辅具研究中心 | 一种融合虚拟现实游戏和意图识别的康复训练方法及系统 |
CN114558302B (zh) * | 2022-03-04 | 2023-01-17 | 首都医科大学宣武医院 | 一种用于运动能力锻炼的系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150006949A (ko) * | 2013-07-09 | 2015-01-20 | 중앙대학교 산학협력단 | 생체 신호를 이용한 감정 인식 방법 및 그 장치 |
CN104287747A (zh) * | 2014-10-24 | 2015-01-21 | 南京邮电大学 | 基于情绪感知的运动康复机器人交互控制方法 |
CN104483847A (zh) * | 2014-10-24 | 2015-04-01 | 南京邮电大学 | 基于情绪识别和混杂理论的机器人辅助康复人机交互控制方法 |
CN104887198A (zh) * | 2014-03-06 | 2015-09-09 | 中国科学院沈阳自动化研究所 | 基于人体生理信号多参数融合的疼痛定量分析系统及方法 |
CN105592798A (zh) * | 2013-03-15 | 2016-05-18 | 塞罗拉公司 | 用于多模态生理刺激和脑健康的评估的系统及签名 |
CN105877766A (zh) * | 2016-06-21 | 2016-08-24 | 东北大学 | 一种基于多生理信号融合的精神状态检测系统及方法 |
CN106774906A (zh) * | 2016-12-22 | 2017-05-31 | 南京邮电大学 | 一种基于情绪识别的康复机器人交互控制方法 |
CN107422841A (zh) * | 2017-03-03 | 2017-12-01 | 杭州市第人民医院 | 一种基于非接触式情绪识别的人机交互方法 |
-
2018
- 2018-05-02 CN CN201810413775.XA patent/CN108721048B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105592798A (zh) * | 2013-03-15 | 2016-05-18 | 塞罗拉公司 | 用于多模态生理刺激和脑健康的评估的系统及签名 |
KR20150006949A (ko) * | 2013-07-09 | 2015-01-20 | 중앙대학교 산학협력단 | 생체 신호를 이용한 감정 인식 방법 및 그 장치 |
CN104887198A (zh) * | 2014-03-06 | 2015-09-09 | 中国科学院沈阳自动化研究所 | 基于人体生理信号多参数融合的疼痛定量分析系统及方法 |
CN104287747A (zh) * | 2014-10-24 | 2015-01-21 | 南京邮电大学 | 基于情绪感知的运动康复机器人交互控制方法 |
CN104483847A (zh) * | 2014-10-24 | 2015-04-01 | 南京邮电大学 | 基于情绪识别和混杂理论的机器人辅助康复人机交互控制方法 |
CN105877766A (zh) * | 2016-06-21 | 2016-08-24 | 东北大学 | 一种基于多生理信号融合的精神状态检测系统及方法 |
CN106774906A (zh) * | 2016-12-22 | 2017-05-31 | 南京邮电大学 | 一种基于情绪识别的康复机器人交互控制方法 |
CN107422841A (zh) * | 2017-03-03 | 2017-12-01 | 杭州市第人民医院 | 一种基于非接触式情绪识别的人机交互方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108721048A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108721048B (zh) | 计算机可读存储介质和终端 | |
Hong et al. | Feature extraction and classification methods for hybrid fNIRS-EEG brain-computer interfaces | |
Giannakakis et al. | Review on psychological stress detection using biosignals | |
Pourmohammadi et al. | Stress detection using ECG and EMG signals: A comprehensive study | |
Gandolla et al. | Artificial neural network EMG classifier for functional hand grasp movements prediction | |
Greco et al. | Advances in electrodermal activity processing with applications for mental health | |
Xu et al. | Cluster-based analysis for personalized stress evaluation using physiological signals | |
He et al. | Noninvasive brain-computer interfaces based on sensorimotor rhythms | |
Krishna et al. | An efficient mixture model approach in brain-machine interface systems for extracting the psychological status of mentally impaired persons using EEG signals | |
KR102014176B1 (ko) | 행동모방학습 기반의 뇌 훈련 시뮬레이션시스템 | |
CN108814569B (zh) | 康复训练控制装置 | |
KR101727940B1 (ko) | 생체신호를 이용한 심리상태 판단 장치 및 방법 | |
CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
Baghdadi et al. | Dasps: a database for anxious states based on a psychological stimulation | |
JP2001043345A (ja) | 表情認識装置、およびそれを用いた投薬制御システム、覚醒レベル評価システム、回復評価システム | |
CN113196410A (zh) | 疼痛治疗的系统和方法 | |
Thomas et al. | A study on the impact of neurofeedback in EEG based attention-driven game | |
Xiaoxiao et al. | Electroencephalogram based communication system for locked in state person using mentally spelled tasks with optimized network model | |
Li et al. | Multi-modal emotion recognition based on deep learning of EEG and audio signals | |
JP6593838B2 (ja) | 閾値推定装置、閾値推定方法、ならびに、プログラム | |
Kim et al. | Development of person-independent emotion recognition system based on multiple physiological signals | |
CN111437509B (zh) | 一种手部反射区功能性电刺激装置及控制方法 | |
Garg et al. | Exploring wrist pulse signals using empirical mode decomposition: emotions | |
Lee et al. | Decoding High–level Imagined Speech using Attention–based Deep Neural Networks | |
Romo Badillo et al. | Brain-Computer Interface (BCI) Development for Motor Disabled People Integration in a Water Fountains Company |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 210003, 66 new model street, Gulou District, Jiangsu, Nanjing Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS Address before: 210046 9 Wen Yuan Road, Ya Dong new town, Qixia District, Nanjing, Jiangsu. Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS |
|
GR01 | Patent grant | ||
GR01 | Patent grant |