CN114159062A - 辅助精神状态识别装置和方法 - Google Patents

Abstract

本申请提供一种辅助精神状态识别装置和方法，所述装置包括：采集目标人物生理信息的采集设备，处理所述目标人物生理信息的主板和储存所述主板处理后数据的数据库，所述采集设备和所述数据库分别与所述主板连接，所述主板被配置为接收并处理所述目标人物生理信息，将处理后的目标人物生理信息储存在数据库中，并通过支持向量机对处理后的目标人物生理信息进行运算得到所述目标人物的精神状态数据。通过多种方式采集目标人物的生理信息，在得到目标人物的精神状态数据后，医生或者相关人员可以根据得到的精神状态数据去判断目标人物的精神状态，从而达到为医生或者相关人员提供参考的效果。

Description

辅助精神状态识别装置和方法

技术领域

本申请涉及精神检测技术领域，尤其涉及一种辅助精神状态识别装置和方法。

背景技术

心理学研究表明，大多数人在人生不同阶段都会产生不同程度的心理障碍或精神疾病问题。现代社会生活节奏快、信息量爆炸，人们面临种种压力，焦虑精神、抑郁精神等在日常生活中愈发常见，许多人处于心理亚健康状态。近年来，社会上罹患抑郁症、自闭症、精神分裂症等严重精神疾病的机率在呈增加趋势。抑郁症有1000种以上可能的症状组合，不同的人可能有不同的症状表现。现在的抑郁诊断主要依靠临床医生面诊或PHQ-9、GAD-7等心理量表。此外，随着人口老龄化趋势，帕金森症、阿兹海默症等神经退行性疾病患者不断增多。这些跟神经系统相关的各种脑疾病，除了给病人带来巨大痛苦外，也给家庭和社会带来日益沉重的负担。脑疾病的诊断处在发展起步阶段，我们对于人脑和神经的认知依旧十分有限。一般采用量表测量、观察法或测量装置对精神疾病进行判断。但在实际中精神状态往往是不稳定的，单一的量表测量、观察法或测量装置不能完整准确的反应当事人的精神状态，给医生的判断带来了一定的困扰，因此需要一种更准确全面的精神状态判断方案以提供给医生参考。

发明内容

有鉴于此，本申请的目的在于提出一种辅助精神状态识别装置和方法。

基于上述目的，本申请提供了一种辅助精神状态识别装置，包括：采集目标人物生理信息的采集设备，处理所述目标人物生理信息的主板和储存所述主板处理后数据的数据库，所述采集设备和所述数据库分别与所述主板连接，其中；

所述采集设备被配置为采集目标人物的生理信息，将所述生理信息组成多维数据集并发送给所述主板，其中所述生理信息包括：脑电波、心率、血氧数据和面部表情的数据；

所述主板被配置为接收所述多维数据集，并处理所述脑电波、心率、血氧和面部表情的数据，将处理后的脑电波、心率、血氧和面部表情的数据按时间戳储存在时序数据库中；以及从所述时序数据库中提取所述处理后的脑电波、心率、血氧和面部表情的数据并合并为高维时序数据；根据支持向量机对所述高维时序数据进行处理，得到所述目标人物的精神状态数据。

在一些实施方式中，所述采集设备包括：采集所述目标人物脑电波的干电极；采集所述目标人物心率的心率仪；采集所述目标人物血氧数据的血氧仪和采集所述目标人物面部表情的摄像头。

在一些实施方式中，所述主板接收并处理所述脑电波、心率、血氧和面部表情的数据，将处理后的脑电波、心率、血氧和面部表情的数据按时间戳储存在时序数据库中，包括：

通过主成分分析对所述脑电波的数据进行降维处理，得到处理后的脑电波数据；

对所述处理后的脑电波数据进行小波包分解和独立分量分析，得到脑电波特征数据，并将所述脑电波特征数据按时间戳存入时序数据库中；

将所述心率和血氧数据进行去均值处理，并将去均值处理后的心率和血氧数据按时间戳存入时序数据库中；

提取所述面部表情的关键点数据，并将所述关键点数据按时间戳存入时序数据库中。

在一些实施方式中，所述装置还包括与云平台通信的通信模组；

所述主板通过所述通信模组将所述数据库中的高维时序数据发送给所述云平台，并接收所述云平台根据所述高维时序数据训练完成的支持向量机。

在一些实施方式中，所述干电极安装在头环上，通过无线通信与所述主板进行数据通信。

在一些实施方式中，所述采集设备还包括脑电图检测装置。

在一些实施方式中，所述主板还设有与外部采集装置连接的拓展接口。

在一些实施方式中，所述支持向量机的训练过程包括：

根据预设的权重对将高维时序数据中脑电波、心率、血氧数据和面部表情的数据进行加权得到高维时序数据的加权向量；

根据预设的核函数，将所述高维时序数据的加权向量映射到高维空间进行线性变换得到所述高维时序数据的高维时序向量；

根据预设的SVM损失函数对所述高维时序向量进行分类预测，得到预测结果；

根据预测结果和实际结果的差异值调整SVM损失函数，将调整后的SVM损失函数作为新的SVM损失函数对所述高维时序向量进行分类预测，直到预测结果和实际结果的差异值小于预设的阈值。

基于同一构思，本申请还提供了一种辅助精神状态识别方法，包括：

采集目标人物的脑电波、心率、血氧和面部表情的数据；

处理所述脑电波、心率、血氧和面部表情的数据，将处理后的脑电波、心率、血氧和面部表情的数据按时间戳储存在时序数据库中；

从所述时序数据库中提取所述处理后的脑电波、心率、血氧和面部表情的数据并合并为高维时序数据；

根据所述高维时序数据训练支持向量机，并根据所述训练后的支持向量机对所述高维时序数据进行处理，得到所述目标人物的精神状态数据。

在一些实施方式中，所述处理所述脑电波、心率、血氧和面部表情的数据，将处理后的脑电波、心率、血氧和面部表情的数据按时间戳储存在时序数据库中，包括：

通过主成分分析对所述脑电波的数据进行降维处理，得到处理后的脑电波数据；

对所述处理后的脑电波数据进行小波包分解和独立分量分析，得到脑电波特征数据，并将所述脑电波特征数据按时间戳存入时序数据库中；

将所述心率和血氧数据进行去均值处理，并将去均值处理后的心率和血氧数据按时间戳存入时序数据库中；

提取所述面部表情的关键点数据，并将所述关键点数据按时间戳存入时序数据库中。

从上面所述可以看出，本申请提供的辅助精神状态识别装置和方法，通过多种方式采集目标人物的生理信息，在得到目标人物的精神状态数据后，医生或者相关人员可以根据得到的精神状态数据去判断目标人物的精神状态，从而达到为医生或者相关人员提供参考的效果。

附图说明

为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关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申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例的辅助精神状态识别装置工作流程图；

图2为本申请实施例的辅助精神状态识别装置结构图；

图3为本申请实施例的辅助精神状态识别方法流程图；

图4为本申请实施例的处理采集数据流程图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。

需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“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。

如背景技术部分所述，相关的辅助精神状态识别方案还难以满足医生精神状态判断的需要。申请人在实现本申请的过程中发现，主要问题在于：相关精神疾病辅助诊断手段分为量表和装置两大类。其中装置以事件相关电位(Event-related Potentials,ERPs,即一种与外界刺激有关的脑的电位变化)检测为主，患者就诊时做简单的事件认知与反应测试，仪器记录有关的电位变化，再由医师进行分析，这种手段一般用作认知障碍、精神分裂、阿兹海默症等对认知功能产生影响的精神疾病的诊断手段；量表除传统检查中常用的各种的情感障碍量表外，还存在一些精神科初诊筛查的量表系统或平台，一般在初次就诊时要求患者在自己的手机上完成一个简单的量表自查，结果上传到医院系统，由此医生可以快速地获得对该患者精神症状与可能患有疾病情况的简单了解，如上海市精神卫生中心的初诊量表小程序。但相关广泛应用于精神科的脑电捕获分析仪一般只记录ERPs，没有结合心率血氧与面部表情变化，且佩戴、使用流程极为繁琐，无法落地到日常家庭使用，全程需要专业医师进行辅助。

有鉴于此，本说明书一个或多个实施例提供了一种辅助精神状态识别方案，该方案收集目标人物的脑电波、心率、血氧和面部表情的数据，并将收集到的数据进行结合，处理得到高维时序数据；通过高维时序数据训练支持向量机，并根据训练后的支持向量机对高维时序数据进行处理，得到目标人物的精神状态数据以提供参考。下面对本申请各具体实施例的技术方案进行说明。

本说明书一个实施例的辅助精神状态识别装置，包括：

采集目标人物生理信息的采集设备，处理目标人物生理信息的主板和储存主板处理后数据的数据库，采集设备和数据库分别与主板连接；其中，主板被配置为接收并处理目标人物生理信息，将处理后的目标人物生理信息储存在数据库中，并通过支持向量机对处理后的目标人物生理信息进行运算得到目标人物的精神状态数据。

采集装置被配置为采集目标人物的生理信息，将生理信息组成多维数据集并发送给所述处理模块，其中生理信息包括：脑电波、心率、血氧数据和面部表情的数据；

在本实施例中，目标人物的脑电波一般通过干电极贴合到头部预设的区域进行采集，心率、血氧和面部表情的数据可以通过心率仪、血氧仪和摄像头采集获得。多维数据集的发送可以是有线的也可以是无线的。

主板被配置为接收多维数据集，并处理脑电波、心率、血氧和面部表情的数据，将处理后的脑电波、心率、血氧和面部表情的数据按时间戳储存在时序数据库中；从所述时序数据库中提取所述处理后的脑电波、心率、血氧和面部表情的数据并合并为高维时序数据；之后，根据高维时序数据和支持向量机得到所述目标人物的精神状态数据。

可见，本申请的辅助精神状态识别装置不仅可以用于辅助精神疾病诊断，还可以用于日常生活场景中的初筛、自测、预防和监测。如：各学校可应用此装置代替量表对学生进行初筛；各公司可购入此装置用于员工进行心理状况自测；患有较为严重的精神疾病的患者也可以应用此装置进行日常监测，本申请的辅助精神状态识别装置在患者的授权下，可为患者亲朋提供预警。

作为一个可选的实施例，采集装置包括：采集所述目标人物脑电波的干电极；采集所述目标人物心率的心率仪；采集所述目标人物血氧数据的血氧仪和采集所述目标人物面部表情的摄像头。

其中，干电极、心率仪、血氧仪和摄像头分别与主板连接。

作为一个可选的实施例，本申请的辅助精神状态识别装置还包括与云平台通信的通信模组。

所述主板通过所述通信模组将所述数据库中的高维时序数据发送给所述云平台，并接收所述云平台根据所述高维时序数据训练完成的支持向量机。

在本实施例中，基于边缘计算，支持向量机在云平台进行训练，减少了主板中的训练与计算带来的算力需求，通过数据传输(5G或其他通信方式)将训练好的支持向量机传输至主板。

作为一个可选的实施例，训练支持向量机的过程包括：

根据预设的权重对将高维时序数据中脑电波、心率、血氧数据和面部表情的数据进行加权得到高维时序数据的加权向量；

根据预设的核函数，将所述高维时序数据的加权向量映射到高维空间进行线性变换得到所述高维时序数据的高维时序向量；

本实施例中，可以预先设置核函数，具体地，所述预设的核函数可以包括，但不限于多种方式的组合：多项式核函数、径向基函数核、拉普拉斯核函数、Sigmoid核函数。

根据预设的SVM损失函数对所述高维时序向量进行分类预测，得到预测结果；

根据预测结果和实际结果的差异值调整SVM损失函数，将调整后的SVM损失函数作为新的SVM损失函数对所述高维时序向量进行分类预测，直到预测结果和实际结果的差异值小于预设的阈值。

本实施例中，高维时序数据包含了脑电波、心率、血氧数据和面部表情的数据信息，在对高维时序数据进行线性变换后得到的多个高维时序向量也与脑电波、心率、血氧数据和面部表情的数据对应。支持向量机(support vector machine,简称为SVM)是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法，所述支持向量机中包含有支持向量机层，通过将每个数据的加权数据向量输入至支持向量机层中进行高维映射，将每个数据的加权数据向量映射到希尔伯特空间，得到每个数据的高维数据向量，其中，所述希尔伯特空间由若干个独立坐标构成的抽象空间，指的是一个完备的内积空间，将每个数据的加权数据向量映射到希尔伯特空间进行内积计算，得到每个数据的高维数据向量。

在本实施例中，主板每隔预设的时间就向云平台发送采集到的高维时序数据，随着新数据的输入，云平台可以根据数据的更新而实时更新算法模型，这样保证了算法模型更新的及时性，也节省了本地的计算成本。

作为一个具体的示例，参考图1，本申请实施例的辅助精神状态识别装置工作流程可以表示为：

硬件端(即辅助精神状态识别装置)的主板将高维时序数据发送给云平台。云平台根据接收到的数据对支持向量机进行模型训练，并将训练完成的模型发送个硬件端的主板。接收到训练完成的模型后，硬件端的数据采集设备对目标人物生理信息(脑电波、心率、血氧数据和面部表情的数据)进行采集，并通过训练完成的模型进行计算分析得到计算结果(目标人物的精神状态数据)。主板将运算结果和原数据发送给云平台，云平台接收到运算结果和原数据后将运算结果显示给需要查看的人员，同时根据原数据对模型进行进一步的训练更新。

作为一个可选的实施例，干电极安装在头环上，通过无线通信与主板连接。

作为一个具体的示例，参考图2，本实施例的装置包括：处理所述目标人物生理信息的主板，采集脑电波数据的头环，无线传输脑电波数据的蓝牙发送端；采集面部表情的摄像头，储存采集到的数据的数据库，采集心率和血氧的设备和与蓝牙发送端对应连接，接收蓝牙发送端数据的蓝牙接收端，与云平台通信的通信模组以及电源。

在一些实施例中，通信模组为5G通信模组。

在装置运行时，首先摄像头采集面部表情，心率血氧设备采集心率和血氧，头环采集脑电波数据，然后将采集到的数据发送到主板中，其中头环是通过蓝牙发送数据的。主板将数据处理之后储存在数据库中并将处理后的数据合并成高维时序数据；之后根据训练好的支持向量机进行运算得到精神状态数据。进一步的，主板通过通信模组与云平台进行通信，云平台负责根据主板发送来的高维时序数据训练支持向量机，并将训练好的支持向量机发送给主板，随着数据的不断更新，支持向量机也可以在云平台中实时更新并发送给主板进行更新。

作为一个可选的实施例，本申请的辅助精神状态识别装置还包括脑电图检测装置。

本实施例中，作为一个示例，加入高精度脑电图(electroencephalogram，EEG)检测，EEG检测装置(如Emotiv EPOC Flex)一般具有10-20个电极，需要使用导电凝胶以确保电波读取的精确性，相较于前述实施例的使用干电极的脑电波数据采集具有更高的准确性及更多样的可分析数据。因此，将EEG检测装置作为一个数据采集单元加入本装置，将提高本申请方案的检测准确度。

作为一个可选的实施例，主板还包括与外部采集装置连接的拓展接口。

在本实施例中，本申请的采集设备(如前文所包含的：脑电波单元、心率单元、血氧单元、摄像头单元等)具有可扩展性。预留的接口可根据具体的需要，用于和现有设备及各种相关数据采集设备进行连接。

作为一个可选的实施例，云平台还可以包括：用于管理用户信息的用户管理平台，用于训练支持向量机的模型平台，用于可视化数据的数据可视化平台和用于管理拓展接口的接口服务平台。

在本实施例中，将管理用户信息、可视化数据、管理拓展接口和训练支持向量机都通过云平台完成，节省了本地储存计算和管理成本。

在一些实施例中，用户管理平台、接口服务平台、模型平台和数据可视化平台基于Golang、Vue、Gin、Redis、Clickhouse和MariaDB开发，并通过Nginx、K8S进行分布式部署。

作为一个可选的实施例，主板还用于：通过主成分分析对所述脑电波的数据进行降维处理，得到处理后的脑电波数据；

对所述处理后的脑电波数据进行小波包分解和独立分量分析，得到脑电波特征数据，并将所述脑电波特征数据按时间戳存入时序数据库中；

将所述心率和血氧数据进行去均值处理，并将去均值处理后的心率和血氧数据按时间戳存入时序数据库中；

提取所述面部表情的关键点数据，并将所述关键点数据按时间戳存入时序数据库中。

基于同一发明构思，与上述任意实施例装置相对应的，参考图3，本申请还提供了一种辅助精神状态识别方法，包括以下步骤：

步骤S301、采集目标人物的脑电波、心率、血氧和面部表情的数据。

在本步骤中，目标人物的脑电波一般通过干电极贴合到头部预设的区域进行采集，心率、血氧和面部表情的数据可以通过心率仪、血氧仪和摄像头采集获得。

步骤S302、处理所述脑电波、心率、血氧和面部表情的数据，将处理后的脑电波、心率、血氧和面部表情的数据按时间戳储存在时序数据库中。

在本步骤中，采集到的数据需要进行处理，将各个采集装置采集到的数据转换为数据库可以接收的数据类型才能储存在数据库中，按照时间戳进行处理储存时，对应的数据库为时序数据库prometheus，对应的数据类型为metrics。

步骤S303、从所述时序数据库中提取所述处理后的脑电波、心率、血氧和面部表情的数据并合并为高维时序数据。

步骤S304、根据所述高维时序数据训练支持向量机，并根据所述训练后的支持向量机对所述高维时序数据进行处理，得到所述目标人物的精神状态数据。

在本实施例中，通过多种方式采集目标人物的生理信息，数据的采集可以是一个持续的过程，也可以是只采集一段时间的数据。在数据的采集过程中，会随时间持续产生监测数据，因此在根据高维时序数据训练支持向量机时，一般采用预设的时间周期获取高维时序数据对支持向量机进行训练，时间周期可以根据实际情况选择，作为一个具体的示例，时间周期可以为30s。在得到目标人物的精神状态数据后，医生或者相关人员可以根据得到的精神状态数据去判断目标人物的精神状态，从而达到为医生或者相关人员提供参考的效果。

在一些实施例中，对高维时序数据进行处理采用二分类，即输出0:精神状态正常/1:精神状态异常。

在另外一些实施例中，参考图4，对于前述实施例中所述的处理所述脑电波、心率、血氧和面部表情的数据，将处理后的脑电波、心率、血氧和面部表情的数据按时间戳储存在数据库中，其还可以包括：

步骤S401、通过主成分分析对所述脑电波的数据进行降维处理，得到处理后的脑电波数据。

步骤S402、对所述处理后的脑电波数据进行小波包分解和独立分量分析，得到脑电波特征数据，并将所述脑电波特征数据按时间戳存入时序数据库中。

步骤S403、将所述心率和血氧数据进行去均值处理，并将去均值处理后的心率和血氧数据按时间戳存入时序数据库中。

步骤S404、提取所述面部表情的关键点数据，并将所述关键点数据按时间戳存入时序数据库中。

在本实施例中，通过tensorflow和最邻近节点算法对人脸的关键点数据进行提取。通过上述步骤的具体处理方法，将脑电波、心率、血氧和面部表情的数据按时间戳储存在数据库中。

上述实施例的方法用于前述任一实施例中相应的辅助精神状态判断装置，并且具有相应的装置实施例的有益效果，在此不再赘述。

需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。

本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种辅助精神状态识别装置，包括：采集目标人物生理信息的采集设备，处理所述目标人物生理信息的主板和储存所述主板处理后数据的数据库，所述采集设备和所述数据库分别与所述主板连接，其中；

所述采集设备被配置为采集目标人物的生理信息，将所述生理信息组成多维数据集并发送给所述主板，其中所述生理信息包括：脑电波、心率、血氧数据和面部表情的数据；

所述主板被配置为接收所述多维数据集，并处理所述脑电波、心率、血氧和面部表情的数据，将处理后的脑电波、心率、血氧和面部表情的数据按时间戳储存在时序数据库中；以及从所述时序数据库中提取所述处理后的脑电波、心率、血氧和面部表情的数据并合并为高维时序数据；根据支持向量机对所述高维时序数据进行处理，得到所述目标人物的精神状态数据。

2.根据权利要求1所述的装置，其中，所述采集设备包括：采集所述目标人物脑电波的干电极；采集所述目标人物心率的心率仪；采集所述目标人物血氧数据的血氧仪和采集所述目标人物面部表情的摄像头。

3.根据权利要求1所述的装置，其中，所述主板接收并处理所述脑电波、心率、血氧和面部表情的数据，将处理后的脑电波、心率、血氧和面部表情的数据按时间戳储存在时序数据库中，包括：

通过主成分分析对所述脑电波的数据进行降维处理，得到处理后的脑电波数据；

对所述处理后的脑电波数据进行小波包分解和独立分量分析，得到脑电波特征数据，并将所述脑电波特征数据按时间戳存入时序数据库中；

将所述心率和血氧数据进行去均值处理，并将去均值处理后的心率和血氧数据按时间戳存入时序数据库中；

提取所述面部表情的关键点数据，并将所述关键点数据按时间戳存入时序数据库中。

4.根据权利要求1所述的装置，其中，所述装置还包括与云平台通信的通信模组；

所述主板通过所述通信模组将所述数据库中的高维时序数据发送给所述云平台，并接收所述云平台根据所述高维时序数据训练完成的支持向量机。

5.根据权利要求2所述的装置，其中，所述干电极安装在头环上，通过无线通信与所述主板进行数据通信。

6.根据权利要求2所述的装置，其中，所述采集设备还包括脑电图检测装置。

7.根据权利要求1所述的装置，其中，所述主板还设有与外部采集装置连接的拓展接口。

8.根据权利要求4所述的装置，其中，所述支持向量机的训练过程包括：

根据预设的权重对将高维时序数据中脑电波、心率、血氧数据和面部表情的数据进行加权得到高维时序数据的加权向量；

根据预设的核函数，将所述高维时序数据的加权向量映射到高维空间进行线性变换得到所述高维时序数据的高维时序向量；

根据预设的SVM损失函数对所述高维时序向量进行分类预测，得到预测结果；

根据预测结果和实际结果的差异值调整SVM损失函数，将调整后的SVM损失函数作为新的SVM损失函数对所述高维时序向量进行分类预测，直到预测结果和实际结果的差异值小于预设的阈值。

9.一种辅助精神状态识别方法，其特征在于，包括：

采集目标人物的脑电波、心率、血氧和面部表情的数据；

处理所述脑电波、心率、血氧和面部表情的数据，将处理后的脑电波、心率、血氧和面部表情的数据按时间戳储存在时序数据库中；

从所述时序数据库中提取所述处理后的脑电波、心率、血氧和面部表情的数据并合并为高维时序数据；

根据所述高维时序数据训练支持向量机，并根据所述训练后的支持向量机对所述高维时序数据进行处理，得到所述目标人物的精神状态数据。

10.根据权利要求9所述的方法，其特征在于，所述处理所述脑电波、心率、血氧和面部表情的数据，将处理后的脑电波、心率、血氧和面部表情的数据按时间戳储存在时序数据库中，包括：

通过主成分分析对所述脑电波的数据进行降维处理，得到处理后的脑电波数据；

对所述处理后的脑电波数据进行小波包分解和独立分量分析，得到脑电波特征数据，并将所述脑电波特征数据按时间戳存入时序数据库中；

将所述心率和血氧数据进行去均值处理，并将去均值处理后的心率和血氧数据按时间戳存入时序数据库中；

提取所述面部表情的关键点数据，并将所述关键点数据按时间戳存入时序数据库中。

Images