CN113907756A

CN113907756A - 一种基于多种模态的生理数据的可穿戴系统

Info

Publication number: CN113907756A
Application number: CN202111101955.2A
Authority: CN
Inventors: 邹永攀; 王丹阳; 许铎腾; 伍楷舜
Original assignee: Shenzhen University
Current assignee: Shenzhen University
Priority date: 2021-09-18
Filing date: 2021-09-18
Publication date: 2022-01-11

Abstract

本发明公开了一种基于多种模态的生理数据的可穿戴系统。所述系统包括可穿戴设备和智能终端，该可穿戴带设备以非侵入方式测量用户的多种模态的生理数据，包括智能脑电帽、智能耳机和智能手环，其中智能脑电帽用于采集脑电信号；智能耳机用于通过麦克风采集耳道内心跳声信号；智能手环用于采集脉搏信号；智能终端被设置为对接收的脑电信号、心跳声信号和脉搏信号进行滤波和归一化处理，并分别从对应时频图中提取特征，通过特征加权获得融合的特征向量，进而将该融合特征向量输入到预训练的深度学习模型，获得情绪障碍的检测结果。本发明具有无创、便捷舒适、低成本、实时监测等优势，并且识别准确度高。

Description

一种基于多种模态的生理数据的可穿戴系统

技术领域

本发明涉及可穿戴设备技术领域，更具体地，涉及一种基于多种模态的生理数据的可穿戴系统。

背景技术

情绪障碍，亦称“心境障碍”是一类涉及情感紊乱的精神疾病，表现为持久的过度悲伤(抑郁)和/或过度欢快或欣快(躁狂)。其中具有代表性的为：抑郁障碍、双相障碍以及焦虑障碍。

抑郁障碍是一类以显著而持久的心境低落、兴趣减退等临床表现为特征的心境障碍，具有高发病率、高复发率、高自杀率及高致残率等特点，给患者的身心带来了痛苦，也给患者的家庭和社会造成沉重的负担。根据世界卫生组织(WHO)于2017年发布的《抑郁症及其他常见精神障碍》报告，世界范围内患有抑郁障碍人数高达3亿人，全球平均发病率在4.4％左右。双相障碍，也被称为躁狂抑郁症，主要特征为抑郁相与躁狂相反复交替发作或同时发作。双相障碍的复发率以及自杀率相比抑郁障碍更高，且病程较长，症状严重时可伴有精神病性症状，又因其通常以抑郁发作起病，故常被误诊或漏诊。而焦虑障碍是明显感觉焦虑和恐惧感的一种精神疾病，包括广泛性焦虑障碍、惊恐障碍和恐惧症。虽然这些疾病各不相同，但是它们都特征性地表现出痛苦和功能障碍，特别是与焦虑和恐惧相关。焦虑障碍对于女性的影响几乎是男性的两倍，且经常与抑郁障碍、酒精和其他物质使用障碍以及人格障碍同时发生。虽然这些情绪障碍可以通过心理治疗或医疗处方进行治疗，但由于病症的独特性和诊断的昂贵性，仍然是持续存在的健康问题，如能够及早诊断并治疗，对于个人和社会都具有重要意义。

在现有技术中，检测情绪障碍的方法主要有以下几种：1)基于问卷、手册专业知识的诊断。这种方法需要借助专业人士的服务，人力资源成本较高。而且无法排除患者的主观思想，并存在隐私泄露以及刻意隐瞒的情况，也无法避免由于医生个人经验等对结果的影响。2)基于语音信号的检测。这种方法通过对语音的语义内容进行分析或者对说话者的说话韵律进行分析，同样有泄露用户语音内容的风险，且受个体表达情绪的习惯差异影响较大，同样容易伪装而无法测到真实的心理状态，需用户说话时才能进行监测，需用户配合才能使用。3)基于生理数据的检测方式。例如常见的生理信号有脑电信号(EEG)、脑磁图(MEG)、心电信号(ECG)、脉搏信号、呼吸信号(RSP)等，这些生理数据与人体心理变化有着密切的联系，是因为人的生理信号只受自主神经系统和内分泌系统的支配，且具备高精准、研究层次深入的优点。但目前这种方式的信号采集过程较为复杂，尤其脑电信号、脑磁图的采集需要独有昂贵的采集设备，检测流程繁杂，需要较高的专业性，不具有普适性。4)基于多模态的检测方式。该方法综合以上技术的两种及以上的不同信号，虽然具有准确率的优越性，但是同时兼具了他们的缺点。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于多种模态的生理数据的可穿戴系统。

根据本发明的第一方面，提供一种基于多种模态的生理数据的可穿戴系统，包括可穿戴设备和智能终端，该可穿戴带设备以非侵入方式测量用户的多种模态的生理数据，包括智能脑电帽、智能耳机和智能手环，其中：

所述智能脑电帽用于采集脑电信号；

所述智能耳机用于通过麦克风采集耳道内心跳声信号，该心跳声信号反映心脏跳动产生的压力变化带动耳内结构和耳道内的空气振动；

所述智能手环用于采集脉搏信号；

所述智能终端被设置为执行：

对接收的脑电信号、心跳声信号和脉搏信号进行滤波和归一化处理，并分别从对应时频图中提取对应特征，获得脑电信号特征、心跳声信号特征和脉搏信号特征，并从中选择特征进行加权融合，获得融合特征向量；

将所述融合特征向量输入到预训练的深度学习模型中，获得相应的情绪障碍检测结果。

根据本发明的第二方面，提供一种基于本发明所提供系统的进行情绪障碍检测的方法，包括以下步骤：

以非侵入方式采集脑电信号、脉搏信号以及耳道内心跳声信号，该心跳声信号反映心脏跳动产生的压力变化带动耳内结构和耳道内的空气振动；

对采集到的脑电信号、心跳声信号和脉搏信号进行滤波和归一化处理，并分别从对应时频图中提取特征，从中选择特征进行加权融合，获得融合特征向量，进而将该融合特征向量输入到预训练的深度学习模型，获得情绪障碍检测结果。

与现有技术相比，本发明的优点在于，所提出的基于多模态生理数据的可穿戴系统，通过可穿戴设备以非侵入方式采集用户的脑电、心跳以及脉搏的生理数据，能够真实反应用户的生理特征，进而实现对情绪障碍检测的高效识别。此外，所提供的系统携带使用方便，并能够实现对使用者病情发作情况、发作程度以及情绪状态进行随时随地的监控，适合日常及长期使用。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的智能脑电帽的结构图；

图2是根据本发明一个实施例的智能手环的结构图；

图3是根据本发明一个实施例的智能耳机的结构以及佩戴图；

图4是根据本发明一个实施例的基于多种模态的生理数据的可穿戴系统进行情绪障碍检测的过程示意图；

图5是根据本发明一个实施例的智能终端进行情绪状态实时检测的过程示意图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明提供基于多种模态的生理数据的可穿戴系统，整体上包括可穿戴设备和智能终端，可穿戴带设备以非侵入方式测量用户的多种模态的生理数据，包括智能脑电帽、智能耳机和智能手环。其中智能脑电帽用于采集脑电信号；智能耳机通过麦克风采集耳道内心跳声信号，收集当心脏跳动产生的压力变化进而带动耳内结构如鼓膜以及耳道内的空气的振动，即为基于声学原理所采集的心跳信号；智能手环用于采集脉搏血氧信号。智能终端用于对接收的脑电信号、耳道内心跳声信号和脉搏血氧信号进行处理和融合，转换为时频图，输入到预训练的深度学习模型，获得情绪障碍检测的分类结果。

在本发明实施例中，智能设备可以是多种类型的电子设备，例如智能终端或可穿戴装置，包括智能手机、平板电子设备、台式电脑或车载设备等。在下文中将以移动终端或智能手机为例进行说明。

参见图1所示，智能脑电帽本体包括纺织电极帽1，AG/AGCL(银/氯化银)湿电极2，信号传输电缆3，信号处理电路板4。可设置多个AG/AGCL湿电极2，分别对应用户脑部的多个位置。信号传输电缆3用于连接AG/AGCL湿电极2和信号电路板4，该电路板4用于对采集的脑电信号进行放大，并将处理后的脑电信号传输到与外部智能设备，例如采用蓝牙协议传输信号，以使系统更具便携性以及轻便性。

在一个实施例中，脑电帽选取电极位置根据国际10-20标准，选取左半脑(FP1-T3通道对)与右半脑(FP2-T4通道对)。例如，用户在头部佩戴一个智能脑电帽，脑电帽中分布有六个电极用于监测脑电信息，六个电极分别位于左半脑及右半脑的额叶、枕叶、顶叶。

参见图2的智能手环，包括信号处理板11，光电容积脉搏传感器12和手环本体13。光电脉搏传感器12用于感测脉搏血氧信号。信号处理板11通过运算放大器，微处理器等对脉搏信号进行放大处理，并将处理后的信号例如基于蓝牙协议传输至外部智能设备。手环本体13可采用硅胶材质制备。

智能耳机参见图3所示，其包括麦克风21和信号处理电路板22。麦克风21作为信号采集的传感器，用于耳道内心跳声检测，收集当心脏跳动产生的压力变化进而带动耳内结构如鼓膜以及耳道内的空气的振动，即为基于声学原理所采集的心跳信号。信号处理电路板22用于对检测到的心跳声信号进行放大处理，即耳道声音信号放大。优选地，采用入耳式耳机，以屏蔽周围环境噪音，准确感测耳道内心跳声信号。

以移动终端为例，参见图4所示，上述可穿戴系统进行情绪障碍检测的步骤如下：

S1、启动脑电帽采集脑电信号，耳机麦克风采集心跳信号，手环采集脉搏血氧信号，获得多种模态的生理信号。

S2、通过信号放大电路对采集到的生理信号进行放大处理。

S3、将放大处理后的生理信号传输到移动终端。

S4、移动终端对接收到的生理数据进行两两融合处理，利用融合特征输入到情绪障碍检测模型，并将检测结果显示在手机端APP，反馈给用户。

移动终端将接收到的生理数据进行处理与融合，并利用情绪障碍检测模型检测，将最终结果反馈给用户。多模态生理数据融合是基于数据级和基于特征级的模态融合策略，使用多模态数据协同进行情绪障碍的检测，能够尽可能减少数据冗余造成能量浪费，并且对不同类型数据进行有效融合，提高了检测结果的准确性。

具体地，参见图5所示，步骤S4包括以下子步骤：

S41、对原始多模态信号进行数据切分。

例如，首先对放大后的生理信号进行接收，并使用系统时钟对连续的信号以例如15s为窗口大小进行切分。

S42、对各通道信号进行滤波降噪，而后进行归一化处理，截断异常数据。

具体地，对于脑电信号，使用Z-score归一化来克服振幅缩放问题和消除偏移效应，进而利用带通滤波提取出有效信号。例如，带通滤波的频率范围设置为0.5-47Hz，采用多源眼校正(MSEC)方法进行肌电、心电、眼动等伪影校正。

对于脉搏信号，由于其主要分布在12Hz，对信号进行FFT(快速傅里叶变换)变换后首先对小于0.2Hz的成分进行截断，然后保留0.1Hz至12Hz的频带，使用小波去噪EMD去除PPG(PPG光电容积脉搏波)信号的高频基线噪声及低频基线漂移。

对于心跳声信号，由于耳机采集的心跳信号频率集中范围为0.8Hz到300Hz之间，可选择契比雪夫滤波器来滤除带外的噪音，按照上述分析设置带通频率，滤波器采样率为1000Hz，滤波器的脉冲响应类型使用的是IIR。

S43、从脑电帽通道提取脑电信号，耳机通道提取出心跳声信号，手环通道提取出脉搏信号。

S44、对每个通道的时频图提取特征，对三个信号选择其二进行特征加权融合，后形成三个融合后的单一特征向量。

对采集到的信号进行上述预处理，然后得到3通道时频图按照脑电、心跳、脉搏三种信号模态送入例如SENet+ResNet网络结构中。利用ResNet18网络结构，将其全连接层去掉后作为基础特征提取器，对三种信号模态分别进行特征提取。

例如，对于脑电信号，提取大脑左半球额叶处分别在4-8Hz、8-16Hz、16-32Hz、32-64Hz频段的特征值。对于心跳声信号，提取时域与频域特征包括但不限于梅尔频谱系数、梅尔频率倒谱系数、均方根、过零率等。

在提取特征后，基于SENet基本结构，通过Squeeze和Excitation结构自动获取每通道的重要程度，将学习到的重要程度作用到原通道特征，以赋予不同特征通道不同的权重。然后将从这三个通道特征提取器获得的特征选择其二，连接起来，进行加权融合，形成三个单一的融合特征向量，例如第一融合特征向量包含脑电信号特征和心跳声信号特征，第二融合特征向量包含脑电信号特征和脉搏信号特征，第三融合特征向量包含心跳声信号特征和脉搏信号特征。通过以三选二组合方式选择特征并进行加权融合，在保证情绪障碍识别准确率的前提下，兼顾了处理效率，并且使得所提供的可穿戴系统不必须同时包含智能脑电帽、智能耳机和智能手环中所有类型。

S45、采用特征级融合模型进行情绪障碍的识别与检测。

特征级融合的深度学习模型可利用卷积神经网络和递归神经网络等多种类型。例如，采用ResNet18网络结构建立情绪障碍诊断模型。将步骤S44提取出特征向量反馈送到FC(全连接)层，使用交叉熵作为分类的损失函数。为了研究模型的稳定性和预测结果的准确性，可采用十折交叉验证，每次实验进行10次取平均值，最后得出分类结果。

应理解的是，情绪障碍诊断模型的预训练过程也可以离线方式在服务器或云端进行，而将训练好的模型嵌入到移动终端即可实现实时地情绪状态检测。

S46、将检测结果在APP端显示，反馈给用户。

将检测诊断的结果在手机端APP界面上显示出来，记录用户情绪，生成用户健康报告，同时APP界面记录用户心境障碍自我诊断调查问卷，方便用户对个人心理健康情况的了解。

综上所述，本发明通过采集多种模态的生理数据，能够对情绪障碍的检测提供更具严谨性和精准性的结果，且系统的使用无需专业心理学知识，方便用户日常使用。所提供的可穿戴系统以无创方式同步获取用户的心电信号、脑电信号、心跳声信号，具有无创、无疼痛、便捷舒适、低成本、实时监测等优势，能够广泛运用于儿童、青少年、老人等不同群体的情绪障碍检测，用于日常监测或临床指示。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims

1.一种基于多种模态的生理数据的可穿戴系统，包括可穿戴设备和智能终端，该可穿戴带设备以非侵入方式测量用户的多种模态的生理数据，包括智能脑电帽、智能耳机和智能手环，其中：

所述智能脑电帽用于采集脑电信号；

所述智能手环用于采集脉搏信号；

所述智能终端被设置为执行：

2.根据权利要求1所述的系统，其特征在于，所述智能脑电帽是纺织电极帽，其上设置多个AG/AGCL湿电极，信号传输电缆和电路板，其中所述AG/AGCL湿电极对应用户脑部的多个位置，所述信号传输电缆用于连接所述AG/AGCL湿电极和所述电路板，所述电路板用于对采集的脑电信号进行放大处理，并实现与智能设备之间的信息交互。

3.根据权利要求1所述的系统，其特征在于，所述智能手环是硅胶材质手环，其上设有信号处理板和光电容积脉搏传感器，其中所述信号处理板用于对脉搏信号进行放大处理，并实现与智能设备之间的信息交互，所述光电容积脉搏传感器用于感测脉搏信号。

4.根据权利要求1所述的系统，其特征在于，所述智能耳机设置有麦克风和信号处理电路板，其中所述麦克风用于检测耳道内心跳声信号，所述信号处理电路板用于对检测到的心跳声信号进行放大处理，并实现与智能设备之间的信息交互。

5.根据权利要求1所述的系统，其特征在于，所述智能设备根据以下步骤获得情绪障碍检测结果：

对接收的脑电信号、耳道内心跳声信号和脉搏信号，以设定的窗口大小进行切分；

对于脑电信号进行滤波和归一化，并采用带通滤波提取出有效的脑电信号，对于脉搏信号进行FFT变换后，通过截断设定的频率成分，提取出有效频带，并经过小波变换进行信号去噪处理，对于心跳声信号采用切比雪夫滤波器滤除带外的噪音。

将经处理的脑电信号、脉搏信号和心跳声信号分别转换为相应的时频图；

根据时频图提取时频和能量特征，获得脑电信号特征、心跳声信号特征和脉搏信号特征，并以三选二组合方式选择其中的两种类型特征进行加权融合，获得第一融合特征向量、第二融合特征向量和第三融合特征向量；

从第一融合特征向量、第二融合特征向量和第三融合特征向量中选择至少一种输入预训练的深度学习模型中，获得相应的情绪障碍检测结果。

6.根据权利要求5所述的系统，其特征在于，对于脑电信号，采用带通滤波的频率范围设置为0.5Hz-47Hz；对于脉搏信号，对信号进行FFT变换后首先对小于0.2Hz的成分进行截断，并保留0.1Hz至12Hz的频带，使用经验模态分解法EMD去除高频基线噪声及低频基线漂移；对心跳声信号，选择的切比雪夫带通滤波器范围为0.8Hz到300Hz。

7.根据权利要求1所述的系统，其特征在于，所述智能终端将情绪障碍检测结果在界面上显示，记录用户情绪，生成用户健康报告，且APP界面记录用户心境障碍自我诊断调查问卷。

8.根据权利要求1所述的系统，其特征在于，所述智能设备包括智能终端或可穿戴装置。

9.一种基于权利要求1至8任一项所述的系统进行情绪障碍检测的方法，包括以下步骤：

10.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时执行权利要求9所述方法的步骤。