CN111265209A - 一种基于心电图和脑电图来评判着装接触舒适度的方法 - Google Patents
一种基于心电图和脑电图来评判着装接触舒适度的方法 Download PDFInfo
- Publication number
- CN111265209A CN111265209A CN202010178397.9A CN202010178397A CN111265209A CN 111265209 A CN111265209 A CN 111265209A CN 202010178397 A CN202010178397 A CN 202010178397A CN 111265209 A CN111265209 A CN 111265209A
- Authority
- CN
- China
- Prior art keywords
- contact comfort
- comfort
- wearing
- electrocardiogram
- fabric
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- 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
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种基于心电图和脑电图来评判着装接触舒适度的方法,包括确定M个目标织物,并获取N个用户轮流佩戴同一目标织物后的心脑电图;接收N个用户对每个目标织物的着装接触舒适度;以心率变异和脑波指标参数为响应变量,以着装接触舒适度为预测变量,利用三种机器学习法构建预测评判模型;对每个目标织物的心脑电图预处理和时频域分析后,结合相应的着装接触舒适度,对三种预测评判模型进行拟合验证,构建着装接触舒适度评价指数函数;将待测织物的心脑电图预处理和时频域分析后代入着装接触舒适度评价指数函数,根据指数得到相应着装接触舒适度。实施本发明,弥补传统客观评价方式脱离人体本身感知与主观评价差异性高和可重复性差的缺陷。
Description
技术领域
本发明涉及服装设计技术领域,尤其涉及一种基于心电图和脑电图来评判着装接触舒适度的方法。
背景技术
着装舒适性(即考察服装与人的联系特性)是服装各种形状与人体生理、心理因素与环境状态和谐互动的一种结果。着装舒适性的研究主要集中在热湿舒适性、接触舒适性和压感舒适性三大领域。其中,接触舒适性对人体起着直接的影响。
在日常生活中,织物覆盖人体并频繁地与人体大部分皮肤接触,从而产生了各种机械、热、化学或电学方面的刺激。因此,由织物与皮肤的接触刺激所引起的人体感官知觉变化,影响到服装的全部舒适状态。着装接触舒适性检测的对象既可以是织物本身的性能即客观检测,也可以是人体自身的感知即主观检测。由于现有的客观检测方式,即对织物各方面理化性能的测试,脱离了人体本身的感知;而主观检测方式,即分级调查问卷的填写,又欠缺精度,个体差异性大,实验可重复性差。正是由于现存传统方法存在的缺陷,所以至今为止,理论上人体对织物的接触感知评价大多为定性,而无法构筑织物刺激与人体生理感知量的内在联系与定量表征。由此可见,人体对纺织品接触感知性一直没有形成确定的标准和统一的评价体系,故如何在不脱离人体本身的生理心理感知,而又能客观精确地评判着装接触舒适性,建立定量的舒适度评价体系,是近年来国内外学者都纷纷尝试解决的关键问题。
目前,基于EMG(肌电信号分析)、EEG(脑电图)和fMRI(机能性磁共振成像)技术的织物接触舒适性研究已初有成效,但实验织物多为丝织物与麻织物,实验结果多为信号强弱度、正负相关性和脑区定位等定性研究,同时研究对象多为高触觉灵敏度的手掌、手指等人体无毛区皮肤,从而建立织物触摸手感的脑电评价体系。
但是,在现有的研究仍需完善的是织物的普及性、人体有毛区皮肤的参与度以及多种电生理检测技术的融合运用,因此传统客观评价方式存在脱离人体本身感知,与主观评价差异性高和可重复性差的缺陷。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于心电图和脑电图来评判着装接触舒适度的方法,能弥补传统客观评价方式脱离人体本身感知与主观评价差异性高和可重复性差的缺陷,适用于各类日常着装织物面料,以最符合人体日常着装时与织物的接触方式。
为了解决上述技术问题,本发明实施例提供了一种基于心电图和脑电图来评判着装接触舒适度的方法,包括以下步骤:
确定需用户佩戴的M个目标织物,并获取N个用户轮流佩戴同一个目标织物后由预设生理信号采集设备所采集到的心电图和脑电图,得到由N个用户针对每一个目标织物的心电图和脑电图;其中,M、N均为正整数;
接收N个用户针对每一个目标织物所反馈回来的着装接触舒适度;
以心电图的心率变异指标参数和脑电图的脑波指标参数为响应变量,以着装接触舒适度为预测变量,并利用神经网络BP、支持向量机SVM、随机森林RF三种机器学习法分别构建着装接触舒适性的预测评判模型;
待对得到的由N个用户针对每一个目标织物的心电图和脑电图分别进行预处理和时频域分析后,结合接收的N个用户针对每一个目标织物的着装接触舒适度,对神经网络BP、支持向量机SVM、随机森林RF三种机器学习法分别构建的着装接触舒适性的预测评判模型进行拟合并验证,构建出着装接触舒适度评价指数函数;其中,所述着装接触舒适度评价指数函数是由响应变量中的心率变异指标参数及脑波指标参数对应与预测变量中的着装接触舒适度关联而成的;
获取某用户佩戴待测织物后由预设生理信号采集设备所采集到的心电图和脑电图并进一步进行预处理和时频域分析后,所得到的心率变异指标值和脑波指标值代入所述着装接触舒适度评价指数函数中,即可根据输出的着装接触舒适度评价指数得到待测织物的着装接触舒适度。
其中,所述预设生理信号采集设备采用MindAngel WBR08无线便携式生理信号采集设备,同时采集心电和脑电信号,8通道,最高采样率1000Hz,共模抑制比125db,本底噪声小于0.1微伏。
其中,所述得到的由N个用户针对每一个目标织物的心电图和脑电图是在一定实验环境下进行的;其中,
所述实验环境为用户佩戴目标织物于上臂、下臂与肩膀,以15次/分钟的节拍呼吸,两耳塞住,全程保持静止,闭眼并保持放松清醒状态下持续2分钟处于温度27.5℃±1.4℃,相对湿度31±4.5%的室内。
其中,所述着装接触舒适度分别为6、5、4、3、2、1、0,依次顺序对应的舒适感为非常舒适、舒适、比较舒适、无不舒适、比较不舒适、不舒适、非常不舒适。
实施本发明实施例,具有如下有益效果:
本发明结合ECG(心电图)和EEG(脑电图)两种电生理检测技术,将心电图的心率变异指标参数和脑电图的脑波指标参数为响应变量,以着装接触舒适度为预测变量,利用三种机器学习法分别构建着装接触舒适性的预测评判模型,并通过对三种预测评判模型进行拟合得到的着装接触舒适度评价指数函数对用户佩戴待测织物后的心电图和脑电图进行评价,快速得到待测织物的着装接触舒适度,从而能弥补传统客观评价方式脱离人体本身感知与主观评价差异性高和可重复性差的缺陷,适用于各类日常着装织物面料,以最符合人体日常着装时与织物的接触方式。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提出的一种基于心电图和脑电图来评判着装接触舒适度的方法的流程图;
图2为本发明实施例提出的一种基于心电图和脑电图来评判着装接触舒适度的方法的应用场景中10个目标织物的结构参数表示图;
图3为本发明实施例提出的一种基于心电图和脑电图来评判着装接触舒适度的方法的应用场景中心电ECG信号实时显示图;
图4为本发明实施例提出的一种基于心电图和脑电图来评判着装接触舒适度的方法的应用场景中脑电α波、β波、θ波、δ波信号实时显示图;
图5为本发明实施例提出的一种基于心电图和脑电图来评判着装接触舒适度的方法的应用场景中8通道脑热力图;
图6为本发明实施例提出的一种基于心电图和脑电图来评判着装接触舒适度的方法的应用场景中频谱分析显示图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提出的一种基于心电图和脑电图来评判着装接触舒适度的方法,包括以下步骤:
步骤S1、确定需用户佩戴的M个目标织物,并获取N个用户轮流佩戴同一个目标织物后由预设生理信号采集设备所采集到的心电图和脑电图,得到由N个用户针对每一个目标织物的心电图和脑电图;其中,M、N均为正整数;
步骤S2、接收N个用户针对每一个目标织物所反馈回来的着装接触舒适度;
步骤S3、以心电图的心率变异指标参数和脑电图的脑波指标参数为响应变量,以着装接触舒适度为预测变量,并利用神经网络BP、支持向量机SVM、随机森林RF三种机器学习法分别构建着装接触舒适性的预测评判模型;
步骤S4、待对得到的由N个用户针对每一个目标织物的心电图和脑电图分别进行预处理和时频域分析后,结合接收的N个用户针对每一个目标织物的着装接触舒适度,对神经网络BP、支持向量机SVM、随机森林RF三种机器学习法分别构建的着装接触舒适性的预测评判模型进行拟合并验证,构建出着装接触舒适度评价指数函数;其中,所述着装接触舒适度评价指数函数是由响应变量中的心率变异指标参数及脑波指标参数对应与预测变量中的着装接触舒适度关联而成的;
步骤S5、获取某用户佩戴待测织物后由预设生理信号采集设备所采集到的心电图和脑电图并进一步进行预处理和时频域分析后,所得到的心率变异指标值和脑波指标值代入所述着装接触舒适度评价指数函数中,即可根据输出的着装接触舒适度评价指数得到待测织物的着装接触舒适度。
具体过程为,在步骤S1中,首先挑选出M个目标织物,且每一个目标织物的材料成分均已知,需要每一个用户对1~M个目标织物依次佩戴后进行心脑电图检测。此时,该生理信号采集设备采用MindAngel WBR08无线便携式生理信号采集设备,同时采集心电和脑电信号,8通道,最高采样率1000Hz,共模抑制比125db,本底噪声小于0.1微伏。
其次,将每一个用户佩戴一个目标织物后的心电图和脑电图输入给计算机,使得计算机能够快速得到N个用户针对每一个目标织物的心电图和脑电图,即每一个用户均形成有M个心电图和M个脑电图,因此在计算机共用NxM个心电图和NxM个脑电图。
应当说明的是,由N个用户针对每一个目标织物的心电图和脑电图是在一定实验环境下进行的;该实验环境具体为用户佩戴目标织物于上臂、下臂与肩膀,以15次/分钟的节拍呼吸,两耳塞住,全程保持静止,闭眼并保持放松清醒状态下持续2分钟处于温度27.5℃±1.4℃,相对湿度31±4.5%的室内。
在步骤S2中,计算机接收N个用户针对每一个目标织物所反馈回来的着装接触舒适度;其中,着装接触舒适度分别为6、5、4、3、2、1、0,依次顺序对应的舒适感为非常舒适、舒适、比较舒适、无不舒适、比较不舒适、不舒适、非常不舒适。
应当说明的是,着装接触舒适度是在心脑电图采集过程中完成的,可以通过自动打分并赋予权重值后,输入给计算机。例如,用户在2分钟心脑电图采集过程中,在1分钟填写主观问卷调查后,通过语义差异标尺SD法评价不同织物接触皮肤状态下用户的舒适感打分赋予权重值输入给计算机。定位点是非常舒适、舒适、比较舒适、无不舒适、比较不舒适、不舒适、非常不舒适,相应权重值分别为6、5、4、3、2、1、0。
在步骤S3中,以心电图的心率变异指标参数和脑电图的脑波指标参数为响应变量,以着装接触舒适度为预测变量,并利用神经网络BP、支持向量机SVM、随机森林RF三种机器学习法分别构建着装接触舒适性的预测评判模型。可以理解的是,上述三种机器学习法建模属于本领域的常用技术手段,在此不再赘述。
在步骤S4中,首先,对N个用户针对每一个目标织物的心电图和脑电图分别进行预处理和时频域分析;然后,结合接收的N个用户针对每一个目标织物的着装接触舒适度对上述三种模型进行拟合,并对拟合效果用相关分析的方法作以验证,分析归纳得出人体着装时的心率变异和脑电波信号与着装接触舒适度的对应关系来建立着装接触舒适度的评价指数函数。其中,评价指数命名为I,定义出:当I=0时,人体舒适度最高;当I=0.5时,人体皮肤介于舒适与不舒适的临界状态;当I=1时,人体舒适度最低,人体生理与心理产生极端不舒适感。
在步骤S5中,首先,对待测织物的心电图和脑电图分别进行预处理和时频域分析;然后,所得到的心率变异指标值和脑波指标值代入着装接触舒适度评价指数函数中,得到评价指数I的值,并根据I的大小即可得到待测织物的着装接触舒适度。
如图2至图6所示,对本发明实施例中提出的一种基于心电图和脑电图来评判着装接触舒适度的方法的应用场景做进一步说明:
第一步、选取20名(10男10女)健康的在读大学生作为测试者(年龄19-24岁),该年龄层正处各方面机能强盛,感官与机体反应灵敏的时期,且测试者均为右利手,受教育程度相同,智力正常,无神经类疾病史,视力(矫正视力)正常,未服用促进或抑制神经的药物,实验前一天保证睡眠充足。实验在人工气候室进行,温度27.5℃±1.4℃,相对湿度31±4.5%,每个测试者在进入气候室30分钟后再进行试验,以习惯实验环境。
第二步、准备10块(20cm*20cm)物理性能有相对差异的目标织物(如图2所示)。
第三步、在实验当中要求所有测试者以15次/分钟(0.25Hz)的节拍呼吸,以避免在测量心率时,与呼吸相关的变化不会叠加到心率的低频波动(0.15Hz以下)中。用耳塞将其两耳塞住,受试者全程保持静止、闭眼,并保持放松、清醒状态,以避免在测量脑电信号时噪声、眨眼、昏睡、情绪紧张等所造成的影响。
第四步、为测试者佩戴好生理信号采集仪器,将10块目标织物分别接触测试者的上臂、下臂与肩膀,各持续2分钟,期间持续记录心电图、脑电图(如图3至图6所示)后,反馈给计算机。
第五步、测试者在每2分钟的生理信号采集过后,均需花1分钟填写主观问卷调查并赋予相应的权重值(如6、5、4、3、2、1、0分别代表非常舒适、舒适、比较舒适、无不舒适、比较不舒适、不舒适、非常不舒适)后,输入给计算机。
第六步、通过对采集的心电图与脑电图信息进行预处理和时频域分析,结合主观问卷调查结果,以人体皮肤接触不同织物时的心率变异和脑波指标参数为响应变量,着装接触舒适指数为预测变量,分别用神经网络(BP)、支持向量机(SVM)、随机森林(RF)三种机器学习理论方法建立着装接触舒适性的预测评判模型,并对三种模型的拟合效果用相关分析的方法作以验证,分析归纳得出人体着装时的心率变异和脑电波信号,与着装接触舒适度的对应关系,建立着装接触舒适度的评价指数函数,其中,着装接触舒适度评价指数命名为I。当I=0时,人体舒适度最高;当I=0.5时,人体皮肤介于舒适与不舒适的临界状态;当I=1时,人体舒适度最低,人体生理与心理产生极端不舒适感。
第七步、将建立好的着装接触舒适度评价指数作为标准,此后人体着装待测织物后与生理信息采集仪器相连接,通过对采集到的心电与脑电数据进行处理,经过分析运算后,得到着装接触舒适度评价指数,即可判别舒适程度。
实施本发明实施例,具有如下有益效果:
本发明结合ECG(心电图)和EEG(脑电图)两种电生理检测技术,将心电图的心率变异指标参数和脑电图的脑波指标参数为响应变量,以着装接触舒适度为预测变量,利用三种机器学习法分别构建着装接触舒适性的预测评判模型,并通过对三种预测评判模型进行拟合得到的着装接触舒适度评价指数函数对用户佩戴待测织物后的心电图和脑电图进行评价,快速得到待测织物的着装接触舒适度,从而能弥补传统客观评价方式脱离人体本身感知与主观评价差异性高和可重复性差的缺陷,适用于各类日常着装织物面料,以最符合人体日常着装时与织物的接触方式。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
注:所有批注只是个人想法,如有专业意见,可告知。主要想强调的是,S2步骤“接收N个用户针对每一目标织物所反馈回来的着装接触舒适度”中的“着装接触舒适度”是“主观着装接触舒适度”,避免和本发明主旨最终的“着装接触舒适度”混淆。
Claims (4)
1.一种基于心电图和脑电图来评判着装接触舒适度的方法,其特征在于,包括以下步骤:
确定需用户佩戴的M个目标织物,并获取N个用户轮流佩戴同一个目标织物后由预设生理信号采集设备所采集到的心电图和脑电图,得到由N个用户针对每一个目标织物的心电图和脑电图;其中,M、N均为正整数;
接收N个用户针对每一个目标织物所反馈回来的着装接触舒适度;
以心电图的心率变异指标参数和脑电图的脑波指标参数为响应变量,以着装接触舒适度为预测变量,并利用神经网络BP、支持向量机SVM、随机森林RF三种机器学习法分别构建着装接触舒适性的预测评判模型;
待对得到的由N个用户针对每一个目标织物的心电图和脑电图分别进行预处理和时频域分析后,结合接收的N个用户针对每一个目标织物的着装接触舒适度,对神经网络BP、支持向量机SVM、随机森林RF三种机器学习法分别构建的着装接触舒适性的预测评判模型进行拟合并验证,构建出着装接触舒适度评价指数函数;其中,所述着装接触舒适度评价指数函数是由响应变量中的心率变异指标参数及脑波指标参数对应与预测变量中的着装接触舒适度关联而成的;
获取某用户佩戴待测织物后由预设生理信号采集设备所采集到的心电图和脑电图并进一步进行预处理和时频域分析后,所得到的心率变异指标值和脑波指标值代入所述着装接触舒适度评价指数函数中,即可根据输出的着装接触舒适度评价指数得到待测织物的着装接触舒适度。
2.如权利要求1所述的基于心电图和脑电图来评判着装接触舒适度的方法,其特征在于,所述预设生理信号采集设备采用MindAngel WBR08无线便携式生理信号采集设备,同时采集心电和脑电信号,8通道,最高采样率1000Hz,共模抑制比125db,本底噪声小于0.1微伏。
3.如权利要求1所述的基于心电图和脑电图来评判着装接触舒适度的方法,其特征在于,所述得到的由N个用户针对每一个目标织物的心电图和脑电图是在一定实验环境下进行的;其中,
所述实验环境为用户佩戴目标织物于上臂、下臂与肩膀,以15次/分钟的节拍呼吸,两耳塞住,全程保持静止,闭眼并保持放松清醒状态下持续2分钟处于温度27.5℃±1.4℃,相对湿度31±4.5%的室内。
4.如权利要求1所述的基于心电图和脑电图来评判着装接触舒适度的方法,其特征在于,所述着装接触舒适度分别为6、5、4、3、2、1、0,依次顺序对应的舒适感为非常舒适、舒适、比较舒适、无不舒适、比较不舒适、不舒适、非常不舒适。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010178397.9A CN111265209A (zh) | 2020-03-14 | 2020-03-14 | 一种基于心电图和脑电图来评判着装接触舒适度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010178397.9A CN111265209A (zh) | 2020-03-14 | 2020-03-14 | 一种基于心电图和脑电图来评判着装接触舒适度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111265209A true CN111265209A (zh) | 2020-06-12 |
Family
ID=70991611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010178397.9A Pending CN111265209A (zh) | 2020-03-14 | 2020-03-14 | 一种基于心电图和脑电图来评判着装接触舒适度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111265209A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685276A (zh) * | 2020-12-31 | 2021-04-20 | 陕西科技大学 | 一种面向服务设计过程中用户接触点失效分析方法 |
CN113017652A (zh) * | 2021-03-24 | 2021-06-25 | 湖北省麦诗特生物科技有限公司 | 一种脑电图法用于化妆品消费者神经舒缓功效评估的方法和应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823046A (zh) * | 2014-03-11 | 2014-05-28 | 苏州大学 | 一种织物触摸手感及穿着舒适感的客观评价方法 |
CN110530662A (zh) * | 2019-09-05 | 2019-12-03 | 中南大学 | 一种基于多源生理信号的列车座椅舒适性评价方法及系统 |
-
2020
- 2020-03-14 CN CN202010178397.9A patent/CN111265209A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823046A (zh) * | 2014-03-11 | 2014-05-28 | 苏州大学 | 一种织物触摸手感及穿着舒适感的客观评价方法 |
CN110530662A (zh) * | 2019-09-05 | 2019-12-03 | 中南大学 | 一种基于多源生理信号的列车座椅舒适性评价方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685276A (zh) * | 2020-12-31 | 2021-04-20 | 陕西科技大学 | 一种面向服务设计过程中用户接触点失效分析方法 |
CN112685276B (zh) * | 2020-12-31 | 2024-03-15 | 陕西科技大学 | 一种面向服务设计过程中用户接触点失效分析方法 |
CN113017652A (zh) * | 2021-03-24 | 2021-06-25 | 湖北省麦诗特生物科技有限公司 | 一种脑电图法用于化妆品消费者神经舒缓功效评估的方法和应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Smets et al. | Into the wild: the challenges of physiological stress detection in laboratory and ambulatory settings | |
WO2020119245A1 (zh) | 一种基于可穿戴手环的情绪识别系统及方法 | |
López-Gil et al. | Method for improving EEG based emotion recognition by combining it with synchronized biometric and eye tracking technologies in a non-invasive and low cost way | |
Sun et al. | Activity-aware mental stress detection using physiological sensors | |
Thayer et al. | Estimating respiratory frequency from autoregressive spectral analysis of heart period | |
Tartare et al. | Development of a wearable system for monitoring the firefighter's physiological state | |
CN110600103B (zh) | 一种提升视力的可穿戴智能服务系统 | |
Beh et al. | MAUS: A dataset for mental workload assessmenton N-back task using wearable sensor | |
CN114246589B (zh) | 记忆认知能力测评方法及系统 | |
CN112259237A (zh) | 基于多情感刺激和多级分类模型的抑郁评估系统 | |
Rabbi et al. | Mental workload and task engagement evaluation based on changes in electroencephalogram | |
CN111265209A (zh) | 一种基于心电图和脑电图来评判着装接触舒适度的方法 | |
Dhaouadi et al. | A multimodal physiological-based stress recognition: Deep Learning models’ evaluation in gamers’ monitoring application | |
WO2006008334A1 (en) | Method and device for identifying, measuring and analyzing abnormal neurological responses | |
CN112515676A (zh) | 心理体检方法和主客观相结合的受检者伪装性测试方法 | |
Hernando-Gallego et al. | Individual performance calibration using physiological stress signals | |
CN113116356A (zh) | 一种基于视觉脑电信号分析的自我意识障碍辅助诊断系统 | |
Ribeiro et al. | A New Intelligent Approach for Automatic Stress Levels Assessment based on Multiple Physiological Parameters Monitoring | |
Kim et al. | Psychophysiological changes by navigation in a virtual reality | |
Mansi et al. | Thermal discomfort in the workplace: measurement through the combined use of wearable sensors and machine learning algorithms | |
Zhu et al. | Visceral versus verbal: Can we see depression? | |
CN112687373A (zh) | 一种心理渴求度的量化系统及其方法 | |
Kleckner et al. | Framework for benchmarking mobile sensors in psychophysiological research | |
Zhang et al. | Research on the method of evaluating psychological stress by EEG | |
Martínez-Rodrigo et al. | Aristarko: a software framework for physiological data acquisition |
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 |