CN108937967A - 一种基于vr技术的心理学记忆数据提升检测方法及系统 - Google Patents
一种基于vr技术的心理学记忆数据提升检测方法及系统 Download PDFInfo
- Publication number
- CN108937967A CN108937967A CN201810533149.4A CN201810533149A CN108937967A CN 108937967 A CN108937967 A CN 108937967A CN 201810533149 A CN201810533149 A CN 201810533149A CN 108937967 A CN108937967 A CN 108937967A
- Authority
- CN
- China
- Prior art keywords
- data
- memory
- psychological
- module
- training
- 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.)
- Pending
Links
- 230000015654 memory Effects 0.000 title claims abstract description 99
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000005516 engineering process Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 78
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 12
- 230000008451 emotion Effects 0.000 claims description 11
- 230000006872 improvement Effects 0.000 claims description 11
- 238000005728 strengthening Methods 0.000 claims description 11
- 230000003340 mental effect Effects 0.000 claims description 10
- 239000011521 glass Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000007087 memory ability Effects 0.000 claims description 4
- 230000006993 memory improvement Effects 0.000 claims description 4
- 230000036387 respiratory rate Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006996 mental state Effects 0.000 claims description 3
- 230000036651 mood Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000003014 reinforcing effect Effects 0.000 abstract 2
- 241000282414 Homo sapiens Species 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 235000006629 Prosopis spicigera Nutrition 0.000 description 2
- 240000000037 Prosopis spicigera Species 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000008897 memory decline Effects 0.000 description 2
- 230000006883 memory enhancing effect Effects 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004793 poor memory Effects 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004800 psychological effect Effects 0.000 description 2
- 230000008433 psychological processes and functions Effects 0.000 description 2
- FLWGCAJANMGQBB-UHFFFAOYSA-N CCCC1=CCCC1 Chemical compound CCCC1=CCCC1 FLWGCAJANMGQBB-UHFFFAOYSA-N 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
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
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Technology (AREA)
- Biomedical Technology (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Developmental Disabilities (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明属于记忆提升技术领域,公开了一种基于VR技术的心理学记忆数据提升检测方法及系统,系统包括:数据输入模块、内容分类模块、学习模块、主控模块、数据库模块、心理评估模块、记忆加强模块、VR模块。同时公开一种基于VR技术的心理学记忆数据提升检测方法实施方案。本发明通过心理评估模块可以采集得到大量的用户数据可以用于实现云计算,运用机器学习的方法挖掘出用户个性化心理特征,进一步提供针对性的心理辅导;同时通过记忆加强模块通过分析图像信息对用户产生的心理效应,选择显示具有积极效果的图像信息从而调整用户的心理状态数据信息,使用户的生活更健康;提升记忆能力。
Description
技术领域
本发明属于记忆提升技术领域,尤其涉及一种基于VR技术的心理学记忆数 据提升检测方法及系统。
背景技术
目前,业内常用的现有技术是这样的:
心理学包括基础心理学与应用心理学两大领域,其研究涉及知觉、认知、 情绪、思维、人格、行为习惯、人际关系、社会关系等许多领域,也与日常生 活的许多领域——家庭、教育、健康、社会等发生关联。心理学一方面尝试用 大脑运作来解释个体基本的行为与心理机能,同时,心理学也尝试解释个体心 理机能在社会行为与社会动力中的角色;另外,它还与神经科学、医学、哲学、 生物学、宗教学等学科有关,因为这些学科所探讨的生理或心理作用会影响个 体的心智。实际上,很多人文和自然学科都与心理学有关,人类心理活动其本 身就与人类生存环境密不可分。然而,现有人类心理健康问题层出不穷,容易 造成记忆差;同时通常的表现是记忆力衰退等各方面机能下降,例如听力、视 力下降、行动不便等,这会严重的影响我们生活质量;传统的药物容易带来的 副作用所引起的二次伤害。
综上所述,现有技术存在的问题是:
现有人类心理健康问题层出不穷,容易造成记忆差;同时通常的表现是记 忆力衰退等各方面机能下降,例如听力、视力下降、行动不便等,这会严重的 影响我们生活质量;传统的药物容易带来的副作用所引起的二次伤害。
现有技术没有借助于VR技术物理辅助构建加强用户记忆表,不能对能力 提升进行有效检测。
现有的相位噪声测量方法都是利用专门的硬件电路提取被测信号源的相位 信息,并以此分析被测信号源的单边带相位噪声,这样相位提取电路的提取性 能在很大程度上决定了相位噪声测量的性能,而且相位提取电路的频率响应也 会对测量结果造成影响。
发明内容
针对现有技术存在的问题,本发明提供了基于VR技术的心理学记忆数据提 升检测方法及系统。
本发明是这样实现的,一种基于VR技术的心理学记忆数据提升检测方法, 包括:
输入记忆训练内容数据;将输入的记忆训练内容数据进行存储;
对记忆训练内容数据进行分类;若训练样本有k类,k≥2;依据训练样 本类别,由两类样本组成个训练子集,训练子集Xn为:Xn={{xi},{xj}},其中,i,j∈{1,2,…,n}且i≠j,{xi}和{xj}分别表示训练集中第i和第j 类样本的集合;利用训练子集Xn生成判别模型yn=fn(x);利用非线性连续函数对分 类器组输出yn进行映射,若为第n个分类器输出的非线性映射,为:
其中a是为增强算法泛化性能而引入的松弛变量;a>0;分类器 组由k个分类器组成,则为数据处理结果;得到记忆训练内容数据 不同类别信息;
利用训练子集Xn生成判别模型yn=fn(x);中,
具体包括:
1)求Xn中i,j两类样本的均值和
2)求类内散度矩阵Swn:
其中是的转置矩阵;
3)求类间散度矩阵Sbn:
4)求投影方向Wn:
Wn=Swn -1·Sbn
5)求Fisher判别阈值w0n:
则得训练子集Xn对应的判别模型:yn=fn(x)=Wn·x-w0n;
6)按照步骤1)至步骤5)的方法求出每个训练子集对应的判别模型,生 成个Fisher分类器,形成分类器组,其中第n个分类器可表示为:
通过心理评估模块集成的心率检测传感器、呼吸频率检测传感器、脉搏检 测传感器对用户的心理状态数据信息进行检测后通过计算机进行评估;评估中 设目标与决策层中有决策指标p1,p2,…,pm,目标与决策层下的网络架构层有 C1,C2,…,CN个指标集,其中Ci中有元素ei1,ei2,…,i=1,2,...,N;以目标与决策层决 策指标ps(s=1,2,…,m)为准则,以Cj中元素ejk(k=1,2,…,nj)为次准则,将指标 集Ci中指标按对ejk的影响力大小进行间接优势度比较,在准则ps下构造判断矩 阵:
并由特征根法得权重向量wi1 (jk),wi2 (jk),…,对于k=1,2..,ni重复上述步骤, 得到下式所示矩阵Wij;其中,Wij的列向量为Ci中的元素ei1,ei2,...,对Cj中元素ej1,ej2,...,的影响程度排序向量;若Cj中元素不受 Ci中元素影响,则Wij=0;对于i=1,2,...,N;j=1,2,...,N重复将指标集Ci中指标按对ejk的影响力大小进行间接优势度比较,在准则ps下构造判断矩阵,获得决策准则ps下的超矩阵W:
在所述超矩阵W中,元素Wij反映元素i对元素j的一步优势度;还计算W2,元素 wij 2表示元素i对元素j的二步优势度,W2仍然列为归一化矩阵,以此类推,计算 W3,W4,…,当W∞存在时,W∞的第j列就是准则ps下网络架构层中各元素对 于j的极限相对权重向量,则其中每一行的数值, 即为相应元素的局部权重向量;当某一行全部为0时,则相应的局部权重为1; 将局部权重按元素顺序排列即得到局部权重向量; 根据评估数据建立信息数据库,辅助构建加强用户记忆表;
通过VR模块佩戴VR眼镜身临其境到虚拟的记忆训练场景中进行训练记忆 能力的测试;依据式采用非线性最小二乘法,确定参数的初 值,取(β=0,1,2,3,4),即需要选择aβ的初值,将式表 示为如下的矩阵形式:
FA=S;
其中:
A=[a0 a1 … a4]T S=[S0 S1 … S4]T;
矩阵F中所要用的数据点是从N个{(fi,Si)}i=1,2,…,N中选取五个频率点, 选取的数值应保证矩阵F是满秩可逆;
由此得表示参数aβ初值的矩阵A的初值为:
以为初始值进行迭代对矩阵A的值进行估计,l表示 迭代次数,此时l=0;并编写正则方程组对参数进行修正,最终得到满足既定要 求的参数;再根据信号功率谱与其相位噪声幂律模型的关系,将求得的参数代 入相位噪声幂律模型中,进而得到被测信号的相位噪声测量结果。
进一步,参数估计的误差β=0,1,…,4,由以下方程估算:
其中系数和为:
其中Sk表示频率fk处的功率谱测量值,表示频率fk处对应的功率谱的第l 次迭代值,即:
进一步,噪声模型参数估计的判断方法为:
判断如不满足误差要求,令:
l=l+1;
并将修正后的和对应的功率谱测量数据代入正则方程组进行求解,得到各参数的修正值β=0,1,…4,重新判断直至误差满足测量要求或达 到设定的迭代次数;
满足误差要求,则将参数值作为(β=0,1,2,3,4)的值代入式中,得到被测信号的相位噪声,并由此 绘制相位噪声曲线。
进一步,对用户的心理状态数据信息通过计算机进行评估方法进一步包括:
第1步,选定心理量表;
第2步,将所选定的心理量表虚拟场景化,呈现基于特定心理量表设计的 评估内容;
第3步,实时采集受试者问答数据、行为数据和生理数据;
第4步,基于受试者的问答选项,完成心理量表问题的智能跳转;
第5步,对量表内容进行综合智能分析,综合智能分析将行为数据通过卷 积神经网络训练、问答数据通过循环神经网络训练、生理数据通过卷积神经网 络训练后的输出经特征融合后输入到一个softmax层,得出心理评估模型;
第6步,采用心理评估模型对受试者初步学习获得的心理评估结果与医生 标签进行比对,通过计算损失函数和梯度反向传导,对受试者的问答选项进行 智能校正;
第7步,再将生理数据、行为数据和经校正的问答选项由心理评估模型计 算,从而得到最终综合评估结果。
进一步,记忆加强检测方法如下:
建立原始信息数据库并按照用户查看所述原始信息数据库中原始信息时不 同的心理状态对所述原始信息进行数据更新,并将更新的数据储存于关联信息 数据库中,同时建立触发信息数据库;
所述触发信息数据库基于用户提供的触发信息和关联信息数据库的数据信 息,提取产生至少一个原始信息数据库中原始信息的推荐,以辅助用户建立记 忆网络;
所述触发信息数据库中触发条件与所述关联信息数据库的心理状态数据和/ 或所述原始信息数据库的原始信息建立映射关系;
所述触发信息数据库中的触发条件种类至少包括时间触发、地点触发、人 物触发、内容触发和情绪触发;其中所述情绪触发为触发信息数据库基于用户 的心情系数Y、情绪触发与关联信息数据库的心理状态数据的映射关系以及心 理状态数据与原始信息的映射关系提取产生至少一个原始信息数据库中原始信 息的推荐。
本发明另一目的在于提供一种实现所述基于VR技术的心理学记忆数据提 升检测方法的计算机程序。
本发明另一目的在于提供一种实现所述基于VR技术的心理学记忆数据提 升检测方法的信息数据处理终端。
本发明另一目的在于提供一种计算机可读存储介质,包括指令,当其在计 算机上运行时,使得计算机执行所述的基于VR技术的心理学记忆数据提升检测 方法。
本发明另一目的在于提供一种实现所述基于VR技术的心理学记忆数据提 升检测方法的基于VR技术的心理学记忆数据提升检测系统,所述基于VR技术 的心理学记忆数据提升检测系统包括:
数据输入模块,与主控模块连接,用于输入记忆训练内容数据;
内容分类模块,与主控模块连接,用于对记忆训练内容数据进行分类;
学习模块,与主控模块连接,用于学习记忆加强相关知识;
主控模块,与数据输入模块、内容分类模块、学习模块、数据库模块、心 理评估模块、记忆加强模块、VR模块连接,用于控制各个模块正常工作;
数据库模块,与主控模块连接,用于将输入的记忆训练内容数据进行存储;
心理评估模块,与主控模块连接,用于对用户的心理状态数据信息通过计 算机进行评估;
记忆加强模块,与主控模块连接,用于建立信息数据库辅助构建加强用户 记忆表;
VR模块,与主控模块连接,用于通过VR眼镜身临其境到虚拟的记忆训练 场景中进行训练记忆能力的检测。
本发明另一目的在于提供一种搭载有所述基于VR技术的心理学记忆数据 提升检测系统的心理学记忆数据信息检测设备
本发明的优点及积极效果为:
本发明通过心理评估模块将心理量表评估过程具象化,利用虚拟现实技术 将量表问题转化成为便于受试者理解的虚拟场景,同时将医生观测数据数字化, 并采集受试者生理数据,将问答数据、生理数据和行为数据进行综合分析,获 得受试者心理评估结果,同时评估结果与医生标签进行比对实现受试者问答选 项的智能校正。利用传统的医生经验与客观的生理参数,可以提升心理评估的 准确性,帮助用户及时了解自身心理状态,帮助用户管理心理健康,预防心理 疾病的发生。同时可以减少医生工作量,节约医疗资源。而且本方法为医学研 究提供了新的研究思路和方法,有利于找到相关情绪、心理判断标志物及机制。 本方法采集得到大量的用户数据可以用于实现云计算,运用机器学习的方法挖 掘出用户个性化心理特征,进一步提供针对性的心理辅导;同时通过记忆加强 模块能够根据用户查看原始信息的心理状态预测用户的心理信息,根据预测的 情绪信息调整显示的图像信息,使用户在积极的心理状态下达到强化记忆的效 果。本发明通过分析图像信息对用户产生的心理效应,选择显示具有积极效果 的图像信息从而调整用户的心理状态数据信息,使用户的生活更健康;提升记 忆能力。
本发明通过心理评估模块集成的心率检测传感器、呼吸频率检测传感器、 脉搏检测传感器对用户的心理状态数据信息进行检测后通过计算机进行评估; 评估中设目标与决策层中有决策指标p1,p2,…,pm,目标与决策层下的网络架构层 有C1,C2,…,CN个指标集,其中Ci中有元素ei1,ei2,…,i=1,2,...,N;以目标与决策层 决策指标ps(s=1,2,…,m)为准则,以Cj中元素ejk(k=1,2,…,nj)为次准则,将指 标集Ci中指标按对ejk的影响力大小进行间接优势度比较,可准确获得测试数据。 为计算机评估提供依据。
本发明通过VR眼镜身临其境到虚拟的记忆训练场景中进行训练记忆能力的 检测。没有采用硬件相位噪声提取电路提取被测信号的相位信息,而是利用振 荡器信号功率谱与其相位噪声幂律谱模型的关系,通过非线性最小二乘法实现 参数计算,从而基于相位噪声数学模型实现了振荡器信号相位噪声测量。本发 明的方法相对于现有相位噪声测量方法的主要优势是回避了硬件相位噪声提取 电路对测量性能的影响。从而获得记忆能力提升的实时信息。
本发明对记忆训练内容数据进行分类中,相较于其它数据处理方法,利用 分类器组将样本的类别信息作为先验知识,使处理后的数据更易被正确分类;
利用多个简单的二分类器进行数据映射,为分类器在多分类场景下提供更 多有用信息;
“非线性连续函数”映射可减小连续空间中奇异值和野值对后续分类器的 影响;综上,本发明所涉方法可提高分类器在多分类识别中的正确率。
现有技术中,数据归一化后,不采用任何处理方法正确识别率为90.06%, 本发明提出的方法正确识别率为98.83%。
附图说明
图1是本发明实施例提供的基于VR技术的心理学记忆提升系统结构框图。
图2是本发明实施例提供的基于VR技术的心理学记忆数据提升检测方法流 程图。
图中:1、数据输入模块;2、内容分类模块;3、学习模块;4、主控模块; 5、数据库模块;6、心理评估模块;7、记忆加强模块;8、VR模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并 配合附图详细说明如下。
如图1所示,本发明实施例提供的基于VR技术的心理学记忆提升系统包括: 数据输入模块1、内容分类模块2、学习模块3、主控模块4、数据库模块5、心 理评估模块6、记忆加强模块7、VR模块8。
数据输入模块1,与主控模块4连接,用于输入记忆训练内容数据;
内容分类模块2,与主控模块4连接,用于对记忆训练内容数据进行分类;
学习模块3,与主控模块4连接,用于学习记忆加强相关知识;
主控模块4,与数据输入模块1、内容分类模块2、学习模块3、数据库模 块5、心理评估模块6、记忆加强模块7、VR模块8连接,用于控制各个模块正 常工作;
数据库模块5,与主控模块4连接,用于将输入的记忆训练内容数据进行存 储;
心理评估模块6,与主控模块4连接,用于对用户的心理状态数据信息通过 计算机进行评估;
记忆加强模块7,与主控模块4连接,用于建立信息数据库辅助构建加强用 户记忆表;
VR模块8,与主控模块4连接,用于通过VR眼镜身临其境到虚拟的记忆 训练场景中进行训练记忆能力的检测。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的基于VR技术的心理学记忆数据提升检测方法,包括:
S101:输入记忆训练内容数据;将输入的记忆训练内容数据进行存储;
S102:对记忆训练内容数据进行分类;
S103:通过心理评估模块集成的心率检测传感器、呼吸频率检测传感器、 脉搏检测传感器对用户的心理状态数据信息进行检测后通过计算机进行评估;
S104:根据评估数据建立信息数据库,辅助构建加强用户记忆表;
S105:通过VR模块佩戴VR眼镜身临其境到虚拟的记忆训练场景中进行训 练记忆能力的测试。
步骤S102中,对记忆训练内容数据进行分类;若训练样本有k类,k≥2; 依据训练样本类别,由两类样本组成个训练子集,训练子集Xn为: 其中,ij∈{1,2,…,n}且i≠j,{xi}和{xj}分别表示 训练集中第i和第j类样本的集合;利用训练子集Xn生成判别模型yn=fn(x);利用 非线性连续函数对分类器组输出yn进行映射,若为第n个分类器输出的 非线性映射,为:
其中a是为增强算法泛化性能而引入的松弛变量;a>0;分类器 组由k个分类器组成,则为数据处理结果;得到记忆训练内容数据 不同类别信息;
利用训练子集Xn生成判别模型yn=fn(x);中,
具体包括:
1)求Xn中i,j两类样本的均值和
2)求类内散度矩阵Swn:
其中是的转置矩阵;
3)求类间散度矩阵Sbn:
4)求投影方向Wn:
Wn=Swn -1·Sbn
5)求Fisher判别阈值w0n:
则得训练子集Xn对应的判别模型:yn=fn(x)=Wn·x-w0n;
6)按照步骤1)至步骤5)的方法求出每个训练子集对应的判别模型,生 成个Fisher分类器,形成分类器组,其中第n个分类器可表示为:
步骤S103中,评估中设目标与决策层中有决策指标p1,p2,…,pm,目标与决 策层下的网络架构层有C1,C2,…,CN个指标集,其中Ci中有元素 ei1,ei2,…,i=1,2,...,N;以目标与决策层决策指标ps(s=1,2,…,m)为准则,以Cj中元素ejk(k=1,2,…,nj)为次准则,将指标集Ci中指标按对ejk的影响力大小进行间 接优势度比较,在准则ps下构造判断矩阵:
并由特征根法得权重向量对于k=1,2..,ni重复上述步骤, 得到下式所示矩阵Wij;其中,Wij的列向量为Ci中的元素ei1,ei2,...,对Cj中元素ej1,ej2,...,的影响程度排序向量;若Cj中元素不受 Ci中元素影响,则Wij=0;对于i=1,2,...,N;j=1,2,...,N重复将指标集Ci中指标按对ejk的影响力大小进行间接优势度比较,在准则ps下构造判断矩阵,获得决策准则ps下的超矩阵W:
在所述超矩阵W中,元素Wij反映元素i对元素j的一步优势度;还计算W2,元素 wij 2表示元素i对元素j的二步优势度,W2仍然列为归一化矩阵,以此类推,计算 W3,W4,…,当W∞存在时,W∞的第j列就是准则ps下网络架构层中各元素对 于j的极限相对权重向量,则其中每一行的数值, 即为相应元素的局部权重向量;当某一行全部为0时,则相应的局部权重为1; 将局部权重按元素顺序排列即得到局部权重向量; 根据评估数据建立信息数据库,辅助构建加强用户记忆表;
步骤S105中,依据式采用非线性最小二乘法,确定参 数的初值,取(β=0,1,2,3,4),即需要选择aβ的初值,将式 表示为如下的矩阵形式:
FA=S;
其中:
A=[a0 a1 … a4]T S=[S0 S1 … S4]T;
矩阵F中所要用的数据点是从N个{(fi,Si)}i=1,2,…,N中选取五个频率点, 选取的数值应保证矩阵F是满秩可逆;
由此得表示参数aβ初值的矩阵A的初值为:
以为初始值进行迭代对矩阵A的值进行估计,l表示 迭代次数,此时l=0;并编写正则方程组对参数进行修正,最终得到满足既定要 求的参数;再根据信号功率谱与其相位噪声幂律模型的关系,将求得的参数代 入相位噪声幂律模型中,进而得到被测信号的相位噪声测量结果。
参数估计的误差β=0,1,…,4,由以下方程估算:
其中系数和为:
其中Sk表示频率fk处的功率谱测量值,表示频率fk处对应的功率谱的第l 次迭代值,即:
噪声模型参数估计的判断方法为:
判断如不满足误差要求,令:
l=l+1;
并将修正后的和对应的功率谱测量数据代入正则方程组进行求解,得到 各参数的修正值β=0,1,…4,重新判断直至误差满足测量要求或达 到设定的迭代次数;
满足误差要求,则将参数值作为(β=0,1,2,3,4)的值代入式中,得到被测信号的相位噪声,并由此 绘制相位噪声曲线。
对用户的心理状态数据信息通过计算机进行评估方法进一步包括:
第1步,选定心理量表;
第2步,将所选定的心理量表虚拟场景化,呈现基于特定心理量表设计的 评估内容;
第3步,实时采集受试者问答数据、行为数据和生理数据;
第4步,基于受试者的问答选项,完成心理量表问题的智能跳转;
第5步,对量表内容进行综合智能分析,综合智能分析将行为数据通过卷 积神经网络训练、问答数据通过循环神经网络训练、生理数据通过卷积神经网 络训练后的输出经特征融合后输入到一个softmax层,得出心理评估模型;
第6步,采用心理评估模型对受试者初步学习获得的心理评估结果与医生 标签进行比对,通过计算损失函数和梯度反向传导,对受试者的问答选项进行 智能校正;
第7步,再将生理数据、行为数据和经校正的问答选项由心理评估模型计 算,从而得到最终综合评估结果。
记忆加强检测方法如下:
建立原始信息数据库并按照用户查看所述原始信息数据库中原始信息时不 同的心理状态对所述原始信息进行数据更新,并将更新的数据储存于关联信息 数据库中,同时建立触发信息数据库;
所述触发信息数据库基于用户提供的触发信息和关联信息数据库的数据信 息,提取产生至少一个原始信息数据库中原始信息的推荐,以辅助用户建立记 忆网络;
所述触发信息数据库中触发条件与所述关联信息数据库的心理状态数据和/ 或所述原始信息数据库的原始信息建立映射关系;
所述触发信息数据库中的触发条件种类至少包括时间触发、地点触发、人 物触发、内容触发和情绪触发;其中所述情绪触发为触发信息数据库基于用户 的心情系数Y、情绪触发与关联信息数据库的心理状态数据的映射关系以及心 理状态数据与原始信息的映射关系提取产生至少一个原始信息数据库中原始信 息的推荐。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组 合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程 序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指 令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可 以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算 机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向 另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、 计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或 无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据 中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用 介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。 所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、 或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
本发明使用时,通过数据输入模块1输入记忆训练内容数据;接着,通过 内容分类模块2对记忆训练内容数据进行分类;通过学习模块3学习记忆加强 相关知识;主控模块4调度数据库模块5将输入的记忆训练内容数据进行存储; 通过心理评估模块6对用户的心理状态数据信息通过计算机进行评估;通过记 忆加强模块7建立信息数据库辅助构建加强用户记忆表;最后,通过VR模块8 佩戴VR眼镜身临其境到虚拟的记忆训练场景中进行训练记忆能力。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的 限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变 化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种基于VR技术的心理学记忆数据提升检测方法,其特征在于,所述基于VR技术的心理学记忆数据提升检测方法包括:
输入记忆训练内容数据;将输入的记忆训练内容数据进行存储;
对记忆训练内容数据进行分类;若训练样本有k类,k≥2;依据训练样本类别,由两类样本组成个训练子集,训练子集Xn为:Xn={{xi},{xj}},其中,且i≠j,{xi}和{xj}分别表示训练集中第i和第j类样本的集合;利用训练子集Xn生成判别模型yn=fn(x);利用非线性连续函数对分类器组输出yn进行映射,若为第n个分类器输出的非线性映射,为:
其中a是为增强算法泛化性能而引入的松弛变量;a>0;分类器组由k个分类器组成,则为数据处理结果;得到记忆训练内容数据不同类别信息;
通过心理评估模块集成的心率检测传感器、呼吸频率检测传感器、脉搏检测传感器对用户的心理状态数据信息进行检测后通过计算机进行评估;评估中设目标与决策层中有决策指标p1,p2,…,pm,目标与决策层下的网络架构层有C1,C2,…,CN个指标集,其中Ci中有元素ei1,ei2,…,eini,i=1,2,...,N;以目标与决策层决策指标ps(s=1,2,…,m)为准则,以Cj中元素ejk(k=1,2,…,nj)为次准则,将指标集Ci中指标按对ejk的影响力大小进行间接优势度比较,在准则ps下构造判断矩阵:
并由特征根法得权重向量对于k=1,2..,ni重复上述步骤,得到下式所示矩阵Wij;其中,Wij的列向量为Ci中的元素对Cj中元素的影响程度排序向量;若Cj中元素不受Ci中元素影响,则Wij=0;对于i=1,2,...,N;j=1,2,...,N重复将指标集Ci中指标按对ejk的影响力大小进行间接优势度比较,在准则ps下构造判断矩阵,获得决策准则ps下的超矩阵W:
在所述超矩阵W中,元素Wij反映元素i对元素j的一步优势度;还计算W2,元素wij 2表示元素i对元素j的二步优势度,W2仍然列为归一化矩阵,以此类推,计算W3,W4,…,当W∞存在时,W∞的第j列就是准则ps下网络架构层中各元素对于j的极限相对权重向量,则其中每一行的数值,即为相应元素的局部权重向量;当某一行全部为0时,则相应的局部权重为1;将局部权重按元素顺序排列即得到局部权重向量;根据评估数据建立信息数据库,辅助构建加强用户记忆表;
通过VR模块佩戴VR眼镜身临其境到虚拟的记忆训练场景中进行训练记忆能力的测试;依据式采用非线性最小二乘法,确定参数的初值,取即需要选择aβ的初值,将式表示为如下的矩阵形式:
FA=S;
其中:
A=[a0 a1 … a4]T S=[S0 S1 … S4]T;
矩阵F中所要用的数据点是从N个{(fi,Si)}i=1,2,…,N中选取五个频率点,选取的数值应保证矩阵F是满秩可逆;
由此得表示参数aβ初值的矩阵A的初值为:
以为初始值进行迭代对矩阵A的值进行估计,l表示迭代次数,此时l=0;并编写正则方程组对参数进行修正,最终得到满足既定要求的参数;再根据信号功率谱与其相位噪声幂律模型的关系,将求得的参数代入相位噪声幂律模型中,进而得到被测信号的相位噪声测量结果。
2.如权利要求1所述的基于VR技术的心理学记忆数据提升检测方法,其特征在于,
参数估计的误差 由以下方程估算:
其中系数和为:
其中Sk表示频率fk处的功率谱测量值,表示频率fk处对应的功率谱的第l次迭代值,即:
3.如权利要求1所述的基于VR技术的心理学记忆数据提升检测方法,其特征在于,
噪声模型参数估计的判断方法为:
判断如不满足误差要求,令:
l=l+1;
并将修正后的和对应的功率谱测量数据代入正则方程组进行求解,得到各参数的修正值重新判断直至误差满足测量要求或达到设定的迭代次数;
满足误差要求,则将参数值作为的值代入式中,得到被测信号的相位噪声,并由此绘制相位噪声曲线。
4.如权利要求1所述的基于VR技术的心理学记忆数据提升检测方法,其特征在于,对用户的心理状态数据信息通过计算机进行评估方法进一步包括:
第1步,选定心理量表;
第2步,将所选定的心理量表虚拟场景化,呈现基于特定心理量表设计的评估内容;
第3步,实时采集受试者问答数据、行为数据和生理数据;
第4步,基于受试者的问答选项,完成心理量表问题的智能跳转;
第5步,对量表内容进行综合智能分析,综合智能分析将行为数据通过卷积神经网络训练、问答数据通过循环神经网络训练、生理数据通过卷积神经网络训练后的输出经特征融合后输入到一个softmax层,得出心理评估模型;
第6步,采用心理评估模型对受试者初步学习获得的心理评估结果与医生标签进行比对,通过计算损失函数和梯度反向传导,对受试者的问答选项进行智能校正;
第7步,再将生理数据、行为数据和经校正的问答选项由心理评估模型计算,从而得到最终综合评估结果。
5.如权利要求1所述基于VR技术的心理学记忆数据提升检测方法,其特征在于,基于VR技术的心理学记忆数据提升检测方法进一步包括:记忆加强检测方法:
建立原始信息数据库并按照用户查看所述原始信息数据库中原始信息时不同的心理状态对所述原始信息进行数据更新,并将更新的数据储存于关联信息数据库中,同时建立触发信息数据库;
所述触发信息数据库基于用户提供的触发信息和关联信息数据库的数据信息,提取产生至少一个原始信息数据库中原始信息的推荐,以辅助用户建立记忆网络;
所述触发信息数据库中触发条件与所述关联信息数据库的心理状态数据和/或所述原始信息数据库的原始信息建立映射关系;
所述触发信息数据库中的触发条件种类至少包括时间触发、地点触发、人物触发、内容触发和情绪触发;其中所述情绪触发为触发信息数据库基于用户的心情系数Y、情绪触发与关联信息数据库的心理状态数据的映射关系以及心理状态数据与原始信息的映射关系提取产生至少一个原始信息数据库中原始信息的推荐。
6.一种实现权利要求1~5任意一项所述基于VR技术的心理学记忆数据提升检测方法的计算机程序。
7.一种实现权利要求1~5任意一项所述基于VR技术的心理学记忆数据提升检测方法的信息数据处理终端。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的基于VR技术的心理学记忆数据提升检测方法。
9.一种实现权利要求1所述基于VR技术的心理学记忆数据提升检测方法的基于VR技术的心理学记忆数据提升检测系统,其特征在于,所述基于VR技术的心理学记忆数据提升检测系统包括:
数据输入模块,与主控模块连接,用于输入记忆训练内容数据;
内容分类模块,与主控模块连接,用于对记忆训练内容数据进行分类;
学习模块,与主控模块连接,用于学习记忆加强相关知识;
主控模块,与数据输入模块、内容分类模块、学习模块、数据库模块、心理评估模块、记忆加强模块、VR模块连接,用于控制各个模块正常工作;
数据库模块,与主控模块连接,用于将输入的记忆训练内容数据进行存储;
心理评估模块,与主控模块连接,用于对用户的心理状态数据信息通过计算机进行评估;
记忆加强模块,与主控模块连接,用于建立信息数据库辅助构建加强用户记忆表;
VR模块,与主控模块连接,用于通过VR眼镜身临其境到虚拟的记忆训练场景中进行训练记忆能力的检测。
10.一种搭载有权利要求9所述基于VR技术的心理学记忆数据提升检测系统的心理学记忆数据信息检测设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533149.4A CN108937967A (zh) | 2018-05-29 | 2018-05-29 | 一种基于vr技术的心理学记忆数据提升检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810533149.4A CN108937967A (zh) | 2018-05-29 | 2018-05-29 | 一种基于vr技术的心理学记忆数据提升检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108937967A true CN108937967A (zh) | 2018-12-07 |
Family
ID=64492390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810533149.4A Pending CN108937967A (zh) | 2018-05-29 | 2018-05-29 | 一种基于vr技术的心理学记忆数据提升检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108937967A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885677A (zh) * | 2018-12-26 | 2019-06-14 | 中译语通科技股份有限公司 | 一种多方位大数据采集整理系统及方法 |
CN111079814A (zh) * | 2019-12-10 | 2020-04-28 | 温州大学 | 一种基于vr技术的记忆提升检测方法及系统 |
CN111599472A (zh) * | 2020-05-14 | 2020-08-28 | 重庆大学 | 用于学生心理状态识别的方法及装置、计算机 |
CN112117002A (zh) * | 2020-09-09 | 2020-12-22 | 温州大学 | 结合虚拟现实技术的新型智能化心理评估干预系统、方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104306006A (zh) * | 2014-10-15 | 2015-01-28 | 东南大学 | 便携式工作记忆评测与训练装置 |
CN105512431A (zh) * | 2016-01-04 | 2016-04-20 | 西安电子科技大学 | 一种基于相位噪声数学模型的相位噪声测量方法 |
CN105956174A (zh) * | 2016-05-24 | 2016-09-21 | 甘肃百合物联科技信息有限公司 | 一种构建记忆链条及将其用于加强记忆的方法 |
CN106062856A (zh) * | 2014-02-28 | 2016-10-26 | 林肯环球股份有限公司 | 便携式虚拟焊接系统 |
CN106295708A (zh) * | 2016-08-19 | 2017-01-04 | 重庆大学 | 一种基于Fisher分类器组的连续型数据预处理方法 |
CN106600545A (zh) * | 2016-11-11 | 2017-04-26 | 韩晓东 | 一种基于物联网的超声骨科手术控制方法及控制系统 |
CN107678470A (zh) * | 2017-08-25 | 2018-02-09 | 李旭光 | 一种渗灌系统管控平台 |
CN107799165A (zh) * | 2017-09-18 | 2018-03-13 | 华南理工大学 | 一种基于虚拟现实技术的心理评估方法 |
-
2018
- 2018-05-29 CN CN201810533149.4A patent/CN108937967A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106062856A (zh) * | 2014-02-28 | 2016-10-26 | 林肯环球股份有限公司 | 便携式虚拟焊接系统 |
CN104306006A (zh) * | 2014-10-15 | 2015-01-28 | 东南大学 | 便携式工作记忆评测与训练装置 |
CN105512431A (zh) * | 2016-01-04 | 2016-04-20 | 西安电子科技大学 | 一种基于相位噪声数学模型的相位噪声测量方法 |
CN105956174A (zh) * | 2016-05-24 | 2016-09-21 | 甘肃百合物联科技信息有限公司 | 一种构建记忆链条及将其用于加强记忆的方法 |
CN106295708A (zh) * | 2016-08-19 | 2017-01-04 | 重庆大学 | 一种基于Fisher分类器组的连续型数据预处理方法 |
CN106600545A (zh) * | 2016-11-11 | 2017-04-26 | 韩晓东 | 一种基于物联网的超声骨科手术控制方法及控制系统 |
CN107678470A (zh) * | 2017-08-25 | 2018-02-09 | 李旭光 | 一种渗灌系统管控平台 |
CN107799165A (zh) * | 2017-09-18 | 2018-03-13 | 华南理工大学 | 一种基于虚拟现实技术的心理评估方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885677A (zh) * | 2018-12-26 | 2019-06-14 | 中译语通科技股份有限公司 | 一种多方位大数据采集整理系统及方法 |
CN111079814A (zh) * | 2019-12-10 | 2020-04-28 | 温州大学 | 一种基于vr技术的记忆提升检测方法及系统 |
CN111599472A (zh) * | 2020-05-14 | 2020-08-28 | 重庆大学 | 用于学生心理状态识别的方法及装置、计算机 |
CN111599472B (zh) * | 2020-05-14 | 2023-10-24 | 重庆大学 | 用于学生心理状态识别的方法及装置、计算机 |
CN112117002A (zh) * | 2020-09-09 | 2020-12-22 | 温州大学 | 结合虚拟现实技术的新型智能化心理评估干预系统、方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Few-shot class-incremental learning for medical time series classification | |
Li et al. | Blood pressure prediction via recurrent models with contextual layer | |
CN108937967A (zh) | 一种基于vr技术的心理学记忆数据提升检测方法及系统 | |
US20210225510A1 (en) | Human body health assessment method and system based on sleep big data | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
Kwong et al. | A prediction model of blood pressure for telemedicine | |
WO2020224433A1 (zh) | 基于机器学习的目标对象属性预测方法及相关设备 | |
WO2023160264A1 (zh) | 医疗数据处理方法、装置及存储介质 | |
WO2019137538A1 (en) | Emotion representative image to derive health rating | |
CN111887867A (zh) | 基于表情识别与心理学测试生成性格的分析方法及系统 | |
JP2020518050A (ja) | エンティティ間のコンテキスト的類似度の学習及び適用 | |
Shi et al. | Multiple disease risk assessment with uniform model based on medical clinical notes | |
Liu et al. | Noninvasive evaluation of mental stress using by a refined rough set technique based on biomedical signals | |
CN112185493A (zh) | 人格偏好诊断装置及基于该装置的项目推荐系统 | |
CN114190897A (zh) | 睡眠分期模型的训练方法、睡眠分期方法及装置 | |
CN116864139A (zh) | 疾病风险评估方法、装置、计算机设备及可读存储介质 | |
Paul et al. | Deep learning and its importance for early signature of neuronal disorders | |
Wu et al. | Multi-modal emotion identification fusing facial expression and EEG | |
Sim et al. | Improving the accuracy of erroneous-plan recognition system for Activities of Daily Living | |
CN114191665A (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
Mahalakshmi et al. | Predictions of College Students’ Mental Stress using Machine Learning Algorithms | |
CN115063574A (zh) | 伤残等级的鉴定方法、装置、电子设备及存储介质 | |
Malviya et al. | Mental stress level detection using LSTM for WESAD dataset | |
CN104598866A (zh) | 一种基于人脸的社交情商促进方法及系统 | |
VeerasekharReddy et al. | Diet Recommendation System for Human Health Using Machine Learning |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181207 |