CN114272488B - 声光同步刺激调控方法、装置和计算机可读存储介质 - Google Patents
声光同步刺激调控方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN114272488B CN114272488B CN202111574770.3A CN202111574770A CN114272488B CN 114272488 B CN114272488 B CN 114272488B CN 202111574770 A CN202111574770 A CN 202111574770A CN 114272488 B CN114272488 B CN 114272488B
- Authority
- CN
- China
- Prior art keywords
- data
- acousto
- model
- parameter data
- optic
- 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
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 141
- 230000000638 stimulation Effects 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000033228 biological regulation Effects 0.000 title claims abstract description 25
- 230000004044 response Effects 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 43
- 230000002159 abnormal effect Effects 0.000 claims description 42
- 238000013145 classification model Methods 0.000 claims description 39
- 238000013136 deep learning model Methods 0.000 claims description 36
- 230000005856 abnormality Effects 0.000 claims description 32
- 238000012706 support-vector machine Methods 0.000 claims description 28
- 238000007637 random forest analysis Methods 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 230000006461 physiological response Effects 0.000 abstract description 15
- 230000004770 neurodegeneration Effects 0.000 abstract description 10
- 208000015122 neurodegenerative disease Diseases 0.000 abstract description 10
- 230000009471 action Effects 0.000 abstract description 6
- 230000003287 optical effect Effects 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000009123 feedback regulation Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 20
- 210000003128 head Anatomy 0.000 description 18
- 230000000694 effects Effects 0.000 description 12
- 230000006872 improvement Effects 0.000 description 8
- 230000010354 integration Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 7
- 208000024827 Alzheimer disease Diseases 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000004397 blinking Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000001126 phototherapy Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 102000014461 Ataxins Human genes 0.000 description 2
- 108010078286 Ataxins Proteins 0.000 description 2
- 201000006474 Brain Ischemia Diseases 0.000 description 2
- 206010008025 Cerebellar ataxia Diseases 0.000 description 2
- 206010008120 Cerebral ischaemia Diseases 0.000 description 2
- 208000023105 Huntington disease Diseases 0.000 description 2
- 208000018737 Parkinson disease Diseases 0.000 description 2
- 208000009415 Spinocerebellar Ataxias Diseases 0.000 description 2
- 206010002026 amyotrophic lateral sclerosis Diseases 0.000 description 2
- 201000004562 autosomal dominant cerebellar ataxia Diseases 0.000 description 2
- 208000029028 brain injury Diseases 0.000 description 2
- 206010008118 cerebral infarction Diseases 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 208000020401 Depressive disease Diseases 0.000 description 1
- 208000009205 Tinnitus Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000009098 adjuvant therapy Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 208000028683 bipolar I disease Diseases 0.000 description 1
- 208000025307 bipolar depression Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000030833 cell death Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003007 myelin sheath Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000012672 seasonal affective disease Diseases 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000003977 synaptic function Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种声光同步刺激调控方法、装置和计算机可读存储介质，还公开了一种计算机设备，其中，本发明的方法能够通过采集用户的生理反应数据，结合监督学习模型，实现声光同步刺激数据的实时反馈调节，可自我调节控制，自我学习优化反馈；同时，本发明采用光信号和声信号共同作用，对用户产生视觉和听觉双重刺激声光同步刺激，可以应用于辅助治疗神经退行性疾病的辅助治疗设备，而本发明的方法因为具有反馈调节和自我学习优化的设计，能够克服用户个体差异性所衍生的问题，使得本发明的方法和基于本发明方法的装置和设备能够适用于不同的用户。
Description
技术领域
本发明属于医疗/健康辅助设备领域，特别涉及一种声光同步刺激调控方法、装置、计算机可读存储介质、计算机设备。
背景技术
神经退行性疾病是由神经元和/或其髓鞘的丧失所致，随着时间的推移而恶化，出现功能障碍。可分为急性神经退行性疾病和慢性神经退行性疾病，前者主要包括脑缺血(CI)、脑损伤(BI)、癫痫；后者包括阿尔茨海默病(AD)、帕金森病(PD)、亨廷顿病(HD)、肌萎缩性侧索硬化(ALS)、不同类型脊髓小脑共济失调(SCA)等。
神经退行性疾病的治疗方式为药物治疗和行为学校正即非药物治疗。药物治疗虽作为主要治疗方法，但尚无根治性药物，研究表明非药物治疗对神经退行性疾病的治疗起到比较重要的辅助作用。非药物的辅助性治疗主要包括：利用声音、光线、气味等物理因素介入患者。
光疗被用来治疗许多精神健康问题，包括：季节性情感障碍；双相抑郁；慢性抑郁障碍；目前的研究表明，它对阿尔茨海默病也有用。研究人员最新发现，光疗可以增强突触功能，防止阿尔兹海默症患者的神经细胞死亡，特定频率LED光源照射能有效改善实验体的阿尔茨海默症，恢复大脑认知。研究表明，40Hz左右的脑电信号与大脑认知活动的相关性很强(王永红，杨浩，董为伟.短时认知过程中40Hz脑电事件相关电位分析，重庆大学学报(自然科学版)，2001(02):64-67.)。
现有的声光治疗往往要依附于专有设备，如头戴型、眼镜型等，不仅体积大，而且操作复杂，使用不方便，影响用户体验，且缺乏可自动调节控制的反馈学习系统，不能根据不同的用户情况做出适应性调节。
发明内容
针对上述问题，本发明提供了一种可用于辅助治疗神经退行性疾病的声光同步刺激调控方法、装置，具有反馈机制，并结合机器学习实现自动学习和反馈的功能。
本发明提供一种声光同步刺激调控方法，包括下面步骤：
获取当前声光同步刺激的参数数据；
采集当前用户在所述参数数据的声光同步刺激下的反应数据；
判断所述反应数据是否存在异常；
确认存在异常时，将所述反应数据和所述参数数据输入监督学习模型，获取针对所述参数数据的调节指令；
其中，所述监督学习模型是根据多个参考用户在不同的声光同步刺激下的历史反应数据和所述历史反应数据所对应的声光同步刺激的参数数据建立的。
进一步地，在所述的获取针对所述参数数据的调节指令的步骤之后还包括步骤：
根据所述调节指令对所述参数数据进行调整，直至所述反应数据不存在异常。
进一步地，在所述的获取当前声光同步刺激的数据的步骤之前，还包括下面步骤：
获取多个参考用户在不同的声光同步刺激下的历史反应数据和所述历史反应数据所对应的声光同步刺激的参数数据，建立样本数据库；
根据反应数据是否存在异常将所述样本数据库分为正常数据集和异常数据集。
进一步地，根据所述样本数据库建立所述监督学习模型，
其中，所述监督学习模型包括随机森林分类模型、支持向量机识别分类模型、朴素贝叶斯识别分类模型和深度学习模型；
所述的监督学习模型的构建方法包括步骤：
通过所述样本数据库对所述随机森林分类模型进行训练，获取第一子模型；
通过所述异常数据集对所述支持向量机识别分类模型进行训练，并通过所述正常数据集对所述支持向量机识别分类模型进行验证，获取第二子模型；
通过所述样本数据库对所述朴素贝叶斯识别分类模型进行训练，获取第三子模型；
通过所述样本数据库对所述深度学习模型进行训练，获取第四子模型。
进一步地，所述的获取针对所述参数数据的调节指令的步骤包括：
将所述正常数据集中的参数数据输入所述监督学习模型，获取标准综合指数；
根据存在异常的所述参数数据和所述监督学习模型，获取计算综合指数；
将所述模型综合指数和所述标准综合指数进行比较，并根据比较结果获取调整指令。
进一步地，所述的获取计算综合指数包括下面步骤：
将存在异常的所述参数数据输入所述第一子模型，获取第一指数；
将存在异常的所述参数数据输入所述第二子模型，获取第二指数；
将存在异常的所述参数数据输入所述第三子模型，获取第三指数；
将存在异常的所述参数数据输入所述第四子模型，获取第四指数；
根据所述第一指数、所述第二指数、所述第三指数和所述第四指数进行加权运算得到所述计算综合指数。
进一步地，所述的根据比较结果获取调整指令包括步骤：
当所述计算综合指数与所述标准综合指数的差值超过第一阈值时，对所述声光同步刺激的参数数据直至所述计算综合指数与所述标准综合指数的差值在所述第一阈值内；
其中，当所述计算综合指数大于所述标准综合指数时，调整指令为减小所述声光同步刺激的参数数据；
当所述计算综合指数小于所述标准综合指数时，调整指令为增大所述声光同步刺激的参数数据。
进一步地，当判断所述反应数据是不存在异常时，间隔第二预设的时间段重新采集所述用户在所述声光同步刺激下的反应数据并进行判断。
进一步地，还包括下面步骤：
将所述的当前声光同步刺激的参数数据和所述当前用户在当前声光同步刺激下的反应数据添加至所述样本数据库；
每隔第一预设的时间段对所述样本数据库进行更新，并根据更新后的所述样本数据库更新所述监督学习模型。
进一步地，在所述的对所述样本数据库进行更新的步骤之后，还包括步骤：
根据更新后的所述监督学习模型，更新所述标准综合指数。
本发明还提供一种声光同步刺激调控装置，包括：
获取模块，用于获取当前声光同步刺激的参数数据；
采集模块，用于采集当前用户在所述参数数据的声光同步刺激下的反应数据；
判断模块，用于判断所述反应数据是否存在异常；
调节模块，用于在确认存在异常时，将所述反应数据和所述参数数据输入监督学习模型，获取针对所述参数数据的调节指令；
其中，所述监督学习模型是根据多个参考用户在不同的声光同步刺激下的历史反应数据和所述历史反应数据所对应的声光同步刺激的参数数据建立的。
进一步地，还包括：
反馈调整模块，用于根据所述调节指令对所述参数数据进行调整，直至所述反应数据不存在异常。
进一步地，还包括：
数据库建立模块，用于获取多个参考用户在不同的声光同步刺激下的历史反应数据和所述历史反应数据所对应的声光同步刺激的参数数据，建立样本数据库；
所述数据库建立模块还用于根据反应数据是否存在异常将所述样本数据库分为正常数据集和异常数据集。
进一步地，还包括：
模型建立模块，用于根据所述样本数据库构建监督学习模型，
其中，所述监督学习模型包括随机森林分类模型、支持向量机识别分类模型、朴素贝叶斯识别分类模型和深度学习模型；
所述的监督学习模型的构建方法包括步骤：
通过所述样本数据库对所述随机森林分类模型进行训练，获取第一子模型；
通过所述异常数据集对所述支持向量机识别分类模型进行训练，并通过所述正常数据集对所述支持向量机识别分类模型进行验证，获取第二子模型；
通过所述样本数据库对所述朴素贝叶斯识别分类模型进行训练，获取第三子模型；
通过所述样本数据库对所述深度学习模型进行训练，获取第四子模型。
进一步地，所述调节模块在获取所述调节指令时实现下面步骤：
将所述正常数据集中的参数数据输入所述监督学习模型，获取标准综合指数；
根据存在异常的所述参数数据和所述监督学习模型，获取计算综合指数；
将所述模型综合指数和所述标准综合指数进行比较，并根据比较结果获取调整指令。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明的声光同步刺激调控方法。
本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明的声光同步刺激调控方法。
本发明的一种声光同步刺激调控方法，能够通过采集用户的生理反应数据，结合监督学习模型，实现声光同步刺激数据的实时反馈调节，可自我调节控制，自我学习优化反馈；同时，本发明采用光信号和声信号共同作用，对用户产生视觉和听觉双重刺激，即声光同步刺激，可以应用于辅助治疗神经退行性疾病的辅助治疗设备，而本发明的方法因为具有反馈调节和自我学习优化的功能，克服了用户个体差异性所衍生的问题，能够适用于不同的用户。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明的声光同步刺激调控方法流程示意图；
图2示出了根据本发明实施例声光同步刺激调控装置结构示意图；
图3示出了根据本发明实施例的监督学习模型的结构示意图；
图4示出了根据本发明实施例的随机森林模型训练流程图；
图5示出了根据本发明实施例的支持向量机识别分类模型训练流程图；
图6示出了根据本发明实施例的朴素贝叶斯识别分类模型训练流程图；
图7示出了根据本发明实施例的深度学习模型训练流程图；。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，为本发明的一种声光同步刺激调控方法的流程图，包括下面步骤：
获取当前声光同步刺激的参数数据；
采集当前用户在参数数据的声光同步刺激下的反应数据；
判断反应数据是否存在异常；
确认存在异常时，将反应数据和参数数据输入监督学习模型，获取针对参数数据的调节指令；
其中，监督学习模型是根据多个参考用户在不同的声光同步刺激下的历史反应数据和历史反应数据所对应的声光同步刺激的参数数据建立的。
进一步的改进在于，在获取针对参数数据的调节指令的步骤之后还包括步骤：
根据调节指令对参数数据进行调整，直至反应数据不存在异常。
进一步的改进在于，在获取当前声光同步刺激的数据的步骤之前，还包括下面步骤：
获取多个参考用户在不同的声光同步刺激下的历史反应数据和历史反应数据所对应的声光同步刺激的参数数据，建立样本数据库；
根据反应数据是否存在异常将样本数据库分为正常数据集和异常数据集。
进一步的改进在于，根据样本数据库建立监督学习模型，
其中，监督学习模型包括随机森林分类模型、支持向量机识别分类模型、朴素贝叶斯识别分类模型和深度学习模型；
监督学习模型的构建方法包括步骤：
通过样本数据库对随机森林分类模型进行训练，获取第一子模型；
通过异常数据集对支持向量机识别分类模型进行训练，并通过正常数据集对支持向量机识别分类模型进行验证，获取第二子模型；
通过样本数据库对朴素贝叶斯识别分类模型进行训练，获取第三子模型；
通过样本数据库对深度学习模型进行训练，获取第四子模型。
进一步的改进在于，获取针对参数数据的调节指令的步骤包括：
将正常数据集中的参数数据输入监督学习模型，获取标准综合指数；
根据存在异常的参数数据和监督学习模型，，获取计算综合指数；
将模型综合指数和标准综合指数进行比较，并根据比较结果获取调整指令。
具体地，获取计算综合指数包括下面步骤：
将存在异常的参数数据输入第一子模型，获取第一指数；
将存在异常的参数数据输入第二子模型，获取第二指数；
将存在异常的参数数据输入第三子模型，获取第三指数；
将存在异常的参数数据输入第四子模型，获取第四指数；
根据第一指数、第二指数、第三指数和第四指数进行加权运算得到计算综合指数。
具体地，根据比较结果获取调整指令包括步骤：
当计算综合指数与标准综合指数的差值超过第一阈值时，对声光同步刺激的参数数据直至计算综合指数与标准综合指数的差值在第一阈值内；
其中，当计算综合指数大于标准综合指数时，调整指令为减小声光同步刺激的参数数据；
当计算综合指数小于标准综合指数时，调整指令为增大声光同步刺激的参数数据。
进一步的改进在于，当判断反应数据是不存在异常时，间隔第二预设的时间段重新采集用户在声光同步刺激下的反应数据并进行判断。
进一步的改进在于，还包括下面步骤：
将当前声光同步刺激的参数数据和当前用户在当前声光同步刺激下的反应数据添加至样本数据库；
每隔第一预设的时间段对样本数据库进行更新，并根据更新后的样本数据库更新监督学习模型。
进一步的改进在于，在对样本数据库进行更新的步骤之后，还包括步骤：
根据更新后的监督学习模型，更新标准综合指数。
具体地，根据本发明的一个具体实施例，通过声光同步刺激的参数数据中的同步频率数据来计算标准综合指数和计算综合指数。
本发明还提供了一种声光同步刺激调控装置，包括：
获取模块，用于获取当前声光同步刺激的参数数据；
采集模块，用于采集当前用户在参数数据的声光同步刺激下的反应数据；
判断模块，用于判断反应数据是否存在异常；
调节模块，用于在确认存在异常时，将反应数据和参数数据输入监督学习模型，获取针对参数数据的调节指令；
其中，监督学习模型是根据多个参考用户在不同的声光同步刺激下的历史反应数据和历史反应数据所对应的声光同步刺激的参数数据建立的。
进一步的改进在于，本发明的调控装置还包括：
反馈调整模块，用于根据调节指令对参数数据进行调整，直至反应数据不存在异常。
进一步的改进在于，本发明的声光同步刺激调控装置还包括：
数据库建立模块，用于获取多个参考用户在不同的声光同步刺激下的历史反应数据和历史反应数据所对应的声光同步刺激的参数数据，建立样本数据库；
数据库建立模块还用于根据反应数据是否存在异常将样本数据库分为正常数据集和异常数据集。
进一步的改进在于，本发明的声光同步刺激调控装置还包括：
模型建立模块，用于根据本发明的样本数据库构建监督学习模型，
其中，监督学习模型包括随机森林分类模型、支持向量机识别分类模型、朴素贝叶斯识别分类模型和深度学习模型；
监督学习模型的构建方法包括步骤：
通过样本数据库对随机森林分类模型进行训练，获取第一子模型；
通过异常数据集对支持向量机识别分类模型进行训练，并通过正常数据集对支持向量机识别分类模型进行验证，获取第二子模型；
通过样本数据库对朴素贝叶斯识别分类模型进行训练，获取第三子模型；
通过样本数据库对深度学习模型进行训练，获取第四子模型。
进一步的改进在于，调节模块在获取调节指令时实现下面步骤：
将正常数据集中的参数数据输入监督学习模型，获取标准综合指数；
根据存在异常的参数数据和监督学习模型，，获取计算综合指数；
将模型综合指数和标准综合指数进行比较，并根据比较结果获取调整指令。
本发明还公开了一种计算机可读存储介质，该存储介质上存储有计算机程序，计算机程序被处理器执行时实现本发明的方法的步骤。
本发明还公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现本发明的方法的步骤。
根据本发明的一个具体实施例，利用声光作为刺激因素介入患者的心理感知，将声光一体同步，实现针对患有神经退行性疾病用户声疗和光疗同步的综合治疗。并且在使用中可以根据效果自我调整控制，监督学习反馈，以获得更加优异的治疗效果。
基于本发明声光同步刺激调控方法的一种声光同步刺激调控系统，包括：
显示终端，用于显示声光同步刺激；
本实施例中选用具有高清纯光屏幕的终端设备作为声光同步刺激的显示终端，例如MINILED、OLED、LED的高清纯光屏幕。采用纯光发出来的光的非常纯净，没有光污染产生。在适合的光照颜色、强度、频率和色温条件下，能够达到对蓝光最大效率的过滤，从而尽可能降低蓝光对人的眼睛的伤害。
控制装置，用于产生控制信号来控制改变声光同步刺激的数据；
声光同步刺激由光源模块和声源模块共同产生，控制装置通过产生控制信号来调节光源模块发出光的颜色、形状、频率，并通过产生控制信号控制光刺激的开始、暂停和结束；控制装置通过产生控制信号来调节声源模块发出的声音的音强、频率及控制声刺激的开始、暂停、结束。控制装置还可以控制光源模块和声源模块采用同频工作，即保证输出的光刺激和声刺激共振频率始终保持一致，达到声光同步刺激一体同步控制的效果。
进一步地，声光同步刺激的频率范围在30-50hz，优选为40hz，这个数据是根据医学研究中对包括阿尔兹海默症在内的部分神经退行性疾病辅助治疗效果最佳的参数数据。
具体地，本实施例中光源模块采用LED光源，通过LED光源实现产生特定频率的光学刺激，应当理解的是，本发明的LED光源频闪区可以通过应用程序编程控制；且可以根据用户实际需要，对发出的光刺激的颜色、形状、大小或频率等多个参数维度进行调控。不同的光源组合可以实现混合光强度以及色温的高低调整。
具体地，本实施例中声源模块采用扬声器，扬声器的声场区可以通过应用程序编程控制，实现发出不同音强和频率的声音信号，被用户接收；具体地，产生的声音信号可以通过外接耳机(包覆式耳机、入耳式降噪耳机、头戴式耳机)进行音频输出，被用户所接收。
声光同步刺激调控系统还包括本发明的声光同步刺激调控装置，用于实现本发明声光同步刺激调控方法。
具体地，当在声源模块和光源模块在控制装置控制下产生同步一体声光同步刺激后，可以通过对产生的效果监测，自动进行调整控制。即对用户的生理反应数据进行采集，同时收集相对应的声光同步刺激的数据，并根据这些数据，再反馈到控制装置，通过控制装置进一步控制调整光源和声源，实现根据用户反馈对声光同步刺激进行调节。
其中，声光同步刺激的数据包括不限于光源的强度、光源的频率、光源的色温、声源的音强和声源的频率等；
由于用户在声光同步刺激下，眼睛和头等五官会产生不同的生理反应，本实施例中，采集用户的眨眼信息、头的摆动幅度及摆动角度作为用户的生理反应数据，并作为向控制装置反馈的依据。
具体地，眨眼检测是通过动态摄像监测来识别眨眼动作从而获取眨眼的频率，光的闪烁和亮度能够对眼睛起到生理性的刺激，当眼睛眨眼动作过于频繁，眼疲劳指数异常时，眨眼则更多地与用户的心理状况有关：紧张的时候眨眼频率高，聚精会神时眨眼频率高，正常人的正常眨眼频率为每分钟10～20次。本实施例中，判断模块判断生理数据是否存在异常的判断机制为：如果眨眼的频率过低或者过高，低于每分钟10次，高于每分钟20次，均会被视为异常数据，即生理反应数据存在异常。
本实施例中，用户头的摆动幅度及摆动角度是通过终端设备中的陀螺仪传感器进行监测和记录，设置当用户头部摆动幅度及摆动角度超过30度或者每分钟头部摆动次数超过20次时，为光源和声源刺激不合适，即生理反应数据存在异常；具体实现过程为：配置用户头部过大的生理反应动作(当头部摆动幅度及摆动角度超过30度或者每分钟头部摆动次数超过20次时)就会触发到陀螺仪传感器，陀螺仪传感器将这些数据信号作为异常的数据信号进行监测并将其记录下来。
异常的数据信号将被动态摄像和/或陀螺仪传感器捕捉记录下来，并且传给反馈调整模块，反馈调整模块接收信号(存在异常情况的生理反应数据)，并通过监督学习模型生成对控制装置调整的调节指令，控制装置依据接收到的调节指令做出相应调整，从而改变发出的声源和光源；循环这种控制——反馈的操作，直到到达用户最舒服的治疗体验。
监督学习模型的原理为用已知某种或某些特性(不同时间/不同环境/不同条件下，不同的声光一体同步刺激，使用者眼睛、头等可监测的生理数据信号)的样本作为训练集，以建立一个数学模型，再用已建立的模型来预测未知样本。从而实现模型自动获取不同时间/不同环境/不同条件下，可以让用户感到最舒适，使用效果最好的声光同步刺激的数据。
本发明中的监督学习模型的建立方法为：
采集不同声光同步刺激下的参考用户的生理反应数据及对应的声光同步刺激的参数数据；
本实施例中具体为：统计光源的强度、光源的频率、光源的色温、声源的音强和声源的频率作为声光同步刺激的参数数据，并统计用户在不同声光同步刺激下的眨眼次数、眨眼频率、头部摆动幅度及头部摆动角度作为生理反应数据，作为用于训练“监督学习模型”的样本数据库的数据源。
根据多个参考用户在不同的声光同步刺激下的历史反应数据和所述历史反应数据所对应的声光同步刺激的参数数据，建立样本数据库。基于所述样本数据库构建监督学习模型，对所述监督学习模型进行训练，获得训练后的所述监督学习模型。
本实施例中，如图3所示，监督学习模型包括了相互独立的深度学习模型、朴素贝叶斯识别分类模型、支持向量机识别分类模型和随机森林分类模型。通过所述样本数据库分别对深度学习模型、朴素贝叶斯识别分类模型、支持向量机识别分类模型和随机森林分类模型进行训练，最后获得一个综合指数作为生成调节指令的依据。
具体地，通过随机森林分类模型获取第一指数n1，通过支持向量机识别分类模型获取第二指数n2，通过朴素贝叶斯识别分类模型获取第三指数n3，通过深度学习模型获取第四指数n4；
根据四个指数n1、n2、n3、n4依据预设的权重比例大小计算公式得出综合指数S，具体的权重比例是本领域技术人员可以根据实际情况进行设定的，例如可以设为平均权重；将综合指数S和标准指数N做对比判断，从而得出是否需要生成调节指令调节声光同步刺激的参数数据，以及调节指令的具体内容。根据本发明的一个实施例：
如果N-N*5％≤S≤N+N*5％，则做出判断当前的声光同步刺激的参数数据正常，控制模块不进行参数调整；当S＜N-N*5％，则做出声光一体较弱的判断，需要进行声光同步刺激的参数数据的调整，相应的控制装置会依次向上增加声光一体的频率，即调高声光同步刺激的参数数据；如果S＞N-N*5％，则做出声光一体较强的判断，需要进行声光同步刺激的参数数据的调整，相应的控制装置会依次向下减弱声光一体的频率，即调高声光同步刺激的参数数据；每进行一次参数调整之后，会重新计算一次综合指数S，直到生成的综合指数S满足N-N*5％≤S≤N+N*5％之间范围内，此时说明当前的声光同步刺激的参数数据合理。
应当理解的是，上述举例仅为示意，本领域技术人员可以根据实际情况设定判断标准。
其中标准指数N最初的确定是通过向监督学习模块输入正常数据生成的，即通过正常数据的样本集得到标准指数N。但是标准指数N不是一成不变的，它可以在一次又一次的反馈调整中不断优化，进而使得生成的综合指数S的判断愈加精确；从而改变发出的声源和光源，声源和光源同步一体化后再次产生刺激信号，成为监督学习反馈中有监督学习的数据样本，不断进化优化学习反馈。
随机森林分类、支持向量机识别分类、朴素贝叶斯识别分类、深度学习对训练集数据进行训练和分类，训练出分类器模型，综合多个分类器模型的分类结果得到一个更加科学的和客观的调节指令。
所述的样本数据库除了通过参考用户获取，也可以通过用户自己的使用数据进行创建。例如前期用户自主设置声光同步刺激的数据，以及在这些设置好的光源和声源声光一体刺激下，使用者产生的生理反应数据，如眨眼次数频率及头的摆动幅度及摆动角度等。后期随着使用次数的增加，可以靠对前期数据效果的监测调整反馈，依次循环源源不断的产生新的各项有关数据，采集、记录和积累新的数据，实现数据库的样本数据积累和更新。数据库有储存、释放过、滤数的作用。
本发明的监督学习模型的具体建立过程为：
随机森林：指的是利用多棵树对样本进行训练并预测的一种分类器，具体为：获取所述样本数据库的数据，将数据载入预训练后的随机森林分类器中，对所述样本数据库中的数据进行分类，获取声光一体分类结果，然后再进行声光一体数据的提取。随机森林分类器根据使用者在舒适度及作用效果的综合评判下，对其进行分类，分类标签包括光照频率、强度，声音频率、音强，眨眼次数频率和头的摆动幅度及摆动角度等。即最终得到不同光照频率、强度，声音频率、音强下，相对应的眨眼次数频率和头的摆动幅度及摆动角度。
声光一体指的是声光同步刺激参数数据，舒适度和作用效果的体现为眨眼次数频率和头的摆动幅度及摆动角度均在正常值范围内。
参见图4，为本实施例中，随机森林模型的建立流程图。
随机森林模型中，特征数据的选取包括：声光同步刺激治疗下，身体生理正常和异常反应数据(眨眼频率/头的部摆动幅度及摆动角度)以及相对应下的声光同步频率。
通过采集到的这些用户生理反应数据和声光同步刺激的参数数据(选用声光刺激的同步频率)构建样本集，通过对模型关键参数的设置来对其样本进行训练，训练后的样本数据可以进一步来对特征数据进行确定，而特征数据的确定又可以反过来修正模型的关键参数，直至模型训练完成。
并且对训练出来的样本进行评估，不符合条件的异常数据将重新回到样本集中，而符合条件的正常数据进入到下一数据集中来构建正常声光同步一体数据集，最后只对数据集中声光一体的同步频率数据进行计算得到第一指数n1。
支持向量机(Support Vector Machine，SVM)：是一类按监督学习(supervisedlearning)方式对数据进行二元分类的广义线性分类器，在各领域的模式识别问题中有应用，包括人像识别、文本分类、手写字符识别、生物信息学等。具体为：获取使用者声光一体的样本，即所述样本数据库中的样本数据，并对样本进行标记得到声光一体的样本数据，提取样本的特征向量，将样本数据划分为训练样本数据和验证样本数据，(其中，训练样本数据为每次判断出的的异常数据样本，验证样本数据为正常数据信号下的数据样本，两者所指的数据皆包括声光一体同步的声光同步刺激的数据以及相对应的声光同步刺激下用户的生理反应数据)采用训练样本数据训练支持向量机分类器，得到支持向量机识别分类器。
参见图5，支持向量机模型中，特征数据选取包括：声光同步刺激治疗下，身体生理正常和异常反应数据(眨眼频率/头的部摆动幅度及摆动角度)以及相对应下的声光同步频率。根据这些数据构建样本集，通过对样本进行标记，提取样本的特征向量，将样本数据划分为训练样本数据和验证样本数据，训练样本数据就是不符合要求的异常数据样本，验证样本数据就是正常数据样本。对训练出来的样本进行评估，不符合条件的异常数据将重新回到样本集中，而符合条件的正常数据进入到验证样本中，验证样本数据进入到下一数据集中来构建正常声光同步一体数据集，最后只对数据集中声光一体的同步频率数据进行计算得到第二指数n2。
朴素贝叶斯：基于贝叶斯定理与特征条件独立假设的分类方法，具体为：对所述样本数据库的数据(声光的频率强度及相应的生理反应，如眨眼次数频率和头的摆动幅度及摆动角度)进行处理，创建样本集，构建朴素贝叶斯识别分类模型。
参见图6，朴素贝叶斯模型的搭建中，同随机森林模型中是一样的，只是不同的模型参数设置得到训练出来的最后的结果略有不同。特征数据的选取包括，声光同步刺激治疗下，身体生理正常和异常反应数据(眨眼频率/头的部摆动幅度及摆动角度)以及相对应下的声光同步频率。这些数据构建样本集，通过对模型关键参数的设置来对其样本进行训练，训练后的样本数据可以进一步来对特征数据进行确定，而特征数据的确定又可以反过来修正模型的关键参数。同时对训练出来的样本进行评估，不符合条件的异常数据将重新回到样本集中，而符合条件的正常数据进入到下一数据集中来构建正常声光同步一体数据集，最后只对数据集中声光一体的同步频率数据进行计算得到第三指数n3。
深度学习：是机器学习(ML，Machine Learning)领域中一个新的研究方向，是学习样本数据的内在规律和表示层次，学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大帮助。具体为：对所述样本数据库的数据及有关指数进行处理，并且利用AlexNet和VGGNet来获取不同的深度学习模型(采用不同的多个深度学习模型，就是为了有更大的机率获取到识别率最高的深度学习模型，两者是因果关系，而不是替代关系)，在此之后，通过不断调整深度学习模型的各类参数来获取新的深度学习模型，在每次调整后，均以识别率更高的深度学习模型作为基础，与下次调整后的深度学习模型进行比较(如果调整后的深度学习模型的识别率低于调整前一次的深度学习模型，依旧用前一次识别率更高的深度学习模型作为下一次比较的基础)，不断获取识别率更高的深度学习模型。这样能够针对深度学习模型的各项参数分别进行优化，能够快速自动调整得到最适合用户的声光同步刺激的数据，最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
参见图7，深度学习模型的搭建过程中，特征数据的选取包括，声光同步刺激治疗下，身体生理正常和异常反应数据(眨眼频率/头的部摆动幅度及摆动角度)以及相对应下的声光同步频率。这些数据构建样本集，通过对模型关键参数的设置来对其样本进行训练，训练后的样本数据可以进一步来对特征数据进行确定，而特征数据的确定又可以反过来修正模型的关键参数。
并利用AlexNet和VGGNet来获取不同的深度学习模型，通过对关键参数的设置及样本的训练，来获取新的深度学习模型，在每次调整后，均以识别率更高的深度学习模型作为基础与下次调整后(下次调整的也就是最新的一次调整后都要与调整前一次识别率更高的深度学习模型对比)的进行比较，也将对模型的关键参数进行修正。
同时对训练出来的样本进行评估，不符合条件的异常数据将重新回到样本集中，而符合条件的正常数据进入到下一数据集中，来构建正常声光同步一体数据集，最后只对数据集中声光一体的同步频率数据进行计算得到第四指数n4。
本发明技术方案的优点在于：
本发明的集合了声疗、光疗，实现了声光一体同步同频治疗，并且可以可自我调节控制，自我学习优化反馈，具有普遍适用性。
本发明可以结合高清纯光屏幕终端来实现，具有更好的治疗效果，通过相同频率的光信号和声信号共同作用，对患者产生视觉和听觉双重刺激，且光源和声源的频率可以在30-50hz之间进行调节，来满足不同患者的差异需求，以达到更好的治疗效果，通过声光一体同步同频的刺激，从而保证刺激的有效性，特定频率LED光及特定频率声场协同使用，用于提高治疗效果。
且本发明的方法能够与现有便携式终端设备融为一体，例如手机，体积小，可以提高使用者的便捷性，使用者更容易接受，结构、操作简单，甚至用户自己都可以独立操作使用。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种声光同步刺激调控方法，其特征在于，包括下面步骤：
获取当前声光同步刺激的参数数据；
采集当前用户在所述参数数据的声光同步刺激下的反应数据；
判断所述反应数据是否存在异常；
确认存在异常时，将所述反应数据和所述参数数据输入监督学习模型，获取针对所述参数数据的调节指令；
其中，所述监督学习模型是根据多个参考用户在不同的声光同步刺激下的历史反应数据和所述历史反应数据所对应的声光同步刺激的参数数据建立的；
在所述的获取当前声光同步刺激的数据的步骤之前，还包括下面步骤：
获取多个参考用户在不同的声光同步刺激下的历史反应数据和所述历史反应数据所对应的声光同步刺激的参数数据，建立样本数据库；
根据反应数据是否存在异常将所述样本数据库分为正常数据集和异常数据集；
根据所述样本数据库建立所述监督学习模型，
其中，所述监督学习模型包括随机森林分类模型、支持向量机识别分类模型、朴素贝叶斯识别分类模型和深度学习模型；
所述的监督学习模型的构建方法包括步骤：
通过所述样本数据库对所述随机森林分类模型进行训练，获取第一子模型；
通过所述异常数据集对所述支持向量机识别分类模型进行训练，并通过所述正常数据集对所述支持向量机识别分类模型进行验证，获取第二子模型；
通过所述样本数据库对所述朴素贝叶斯识别分类模型进行训练，获取第三子模型；
通过所述样本数据库对所述深度学习模型进行训练，获取第四子模型；
根据所述调节指令对所述参数数据进行调整，直至所述反应数据不存在异常；
将所述正常数据集中的参数数据输入所述监督学习模型，获取标准综合指数；
根据存在异常的所述参数数据和所述监督学习模型，获取计算综合指数；
将所述计算综合指数和所述标准综合指数进行比较，并根据比较结果获取调整指令；
将存在异常的所述参数数据输入所述第一子模型，获取第一指数；
将存在异常的所述参数数据输入所述第二子模型，获取第二指数；
将存在异常的所述参数数据输入所述第三子模型，获取第三指数；
将存在异常的所述参数数据输入所述第四子模型，获取第四指数；
根据所述第一指数、所述第二指数、所述第三指数和所述第四指数进行加权运算得到所述计算综合指数。
2.根据权利要求1所述的声光同步刺激调控方法，其特征在于，所述的根据比较结果获取调整指令包括步骤：
当所述计算综合指数与所述标准综合指数的差值超过第一阈值时，对所述声光同步刺激的参数数据直至所述计算综合指数与所述标准综合指数的差值在所述第一阈值内；
其中，当所述计算综合指数大于所述标准综合指数时，调整指令为减小所述声光同步刺激的参数数据；
当所述计算综合指数小于所述标准综合指数时，调整指令为增大所述声光同步刺激的参数数据。
3.根据权利要求1或2所述的声光同步刺激调控方法，其特征在于，当判断所述反应数据是不存在异常时，间隔第二预设的时间段重新采集所述用户在所述声光同步刺激下的反应数据并进行判断。
4.根据权利要求3所述的声光同步刺激调控方法，其特征在于，还包括下面步骤：
将所述的当前声光同步刺激的参数数据和所述当前用户在当前声光同步刺激下的反应数据添加至所述样本数据库；
每隔第一预设的时间段对所述样本数据库进行更新，并根据更新后的所述样本数据库更新所述监督学习模型。
5.根据权利要求4所述的声光同步刺激调控方法，其特征在于，在所述的对所述样本数据库进行更新的步骤之后，还包括步骤：
根据更新后的所述监督学习模型，更新所述标准综合指数。
6.一种声光同步刺激调控装置，其特征在于，包括：
获取模块，用于获取当前声光同步刺激的参数数据；
采集模块，用于采集当前用户在所述参数数据的声光同步刺激下的反应数据；
判断模块，用于判断所述反应数据是否存在异常；
调节模块，用于在确认存在异常时，将所述反应数据和所述参数数据输入监督学习模型，获取针对所述参数数据的调节指令；
其中，所述监督学习模型是根据多个参考用户在不同的声光同步刺激下的历史反应数据和所述历史反应数据所对应的声光同步刺激的参数数据建立的；
数据库建立模块，用于获取多个参考用户在不同的声光同步刺激下的历史反应数据和所述历史反应数据所对应的声光同步刺激的参数数据，建立样本数据库；
所述数据库建立模块还用于根据反应数据是否存在异常将所述样本数据库分为正常数据集和异常数据集；
模型建立模块，用于根据所述样本数据库构建监督学习模型，
其中，所述监督学习模型包括随机森林分类模型、支持向量机识别分类模型、朴素贝叶斯识别分类模型和深度学习模型；
所述的监督学习模型的构建方法包括步骤：
通过所述样本数据库对所述随机森林分类模型进行训练，获取第一子模型；
通过所述异常数据集对所述支持向量机识别分类模型进行训练，并通过所述正常数据集对所述支持向量机识别分类模型进行验证，获取第二子模型；
通过所述样本数据库对所述朴素贝叶斯识别分类模型进行训练，获取第三子模型；
通过所述样本数据库对所述深度学习模型进行训练，获取第四子模型；
反馈调整模块，用于根据所述调节指令对所述参数数据进行调整，直至所述反应数据不存在异常；
所述调节模块在获取所述调节指令时实现下面步骤：
将所述正常数据集中的参数数据输入所述监督学习模型，获取标准综合指数；
根据存在异常的所述参数数据和所述监督学习模型，获取计算综合指数；
将所述计算综合指数和所述标准综合指数进行比较，并根据比较结果获取调整指令。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述的方法的步骤。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111574770.3A CN114272488B (zh) | 2021-12-21 | 2021-12-21 | 声光同步刺激调控方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111574770.3A CN114272488B (zh) | 2021-12-21 | 2021-12-21 | 声光同步刺激调控方法、装置和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114272488A CN114272488A (zh) | 2022-04-05 |
| CN114272488B true CN114272488B (zh) | 2024-04-12 |
Family
ID=80873788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111574770.3A Active CN114272488B (zh) | 2021-12-21 | 2021-12-21 | 声光同步刺激调控方法、装置和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114272488B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090111372A (ko) * | 2008-04-22 | 2009-10-27 | (주) 싱크업 | 시, 청각 자극을 제공하는 인지능력 향상 장치 |
| CN102160527A (zh) * | 2011-03-07 | 2011-08-24 | 沈阳医学院 | 用于动物记忆训练系统的智能无线遥控刺激装置 |
| CN106264520A (zh) * | 2016-07-27 | 2017-01-04 | 深圳先进技术研究院 | 一种神经反馈运动训练系统及方法 |
| CN113244533A (zh) * | 2021-06-24 | 2021-08-13 | 景昱医疗器械(长沙)有限公司 | 参数调整方法、装置、电子设备及计算机可读存储介质 |
| CN113457021A (zh) * | 2021-07-14 | 2021-10-01 | 李云 | 一种基于脑电波的自适应治疗阿尔兹海默症的系统及方法 |
| CN113499085A (zh) * | 2021-06-16 | 2021-10-15 | 南京曦光信息科技研究院有限公司 | 一种自学习型慢性神经疾病风险评估与调控装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6975898B2 (en) * | 2000-06-19 | 2005-12-13 | University Of Washington | Medical imaging, diagnosis, and therapy using a scanning single optical fiber system |
| WO2021165747A1 (en) * | 2020-02-17 | 2021-08-26 | GlucoGear Tecnologia LTDA | Devices, systems, and methods for predicting blood glucose levels based on a personalized blood glucose regulation model |
-
2021
- 2021-12-21 CN CN202111574770.3A patent/CN114272488B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090111372A (ko) * | 2008-04-22 | 2009-10-27 | (주) 싱크업 | 시, 청각 자극을 제공하는 인지능력 향상 장치 |
| CN102160527A (zh) * | 2011-03-07 | 2011-08-24 | 沈阳医学院 | 用于动物记忆训练系统的智能无线遥控刺激装置 |
| CN106264520A (zh) * | 2016-07-27 | 2017-01-04 | 深圳先进技术研究院 | 一种神经反馈运动训练系统及方法 |
| CN113499085A (zh) * | 2021-06-16 | 2021-10-15 | 南京曦光信息科技研究院有限公司 | 一种自学习型慢性神经疾病风险评估与调控装置 |
| CN113244533A (zh) * | 2021-06-24 | 2021-08-13 | 景昱医疗器械(长沙)有限公司 | 参数调整方法、装置、电子设备及计算机可读存储介质 |
| CN113457021A (zh) * | 2021-07-14 | 2021-10-01 | 李云 | 一种基于脑电波的自适应治疗阿尔兹海默症的系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114272488A (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111477299B (zh) | 结合脑电检测分析控制的声电刺激神经调控方法及装置 | |
| CN110522983B (zh) | 基于人工智能的脑刺激系统、方法、设备和存储介质 | |
| Strauch et al. | Pupillometry as an integrated readout of distinct attentional networks | |
| EP2939706B1 (en) | Cognitive enhancement using feedback | |
| US20180360340A1 (en) | Device for neurovascular stimulation | |
| US20180103917A1 (en) | Head-mounted display eeg device | |
| US10799698B2 (en) | Transcutaneous electrically amplified cognitive enhancement system | |
| US20210369194A1 (en) | Mediation of traumatic brain injury | |
| CN108543193B (zh) | 一种用户状态干预方法及装置 | |
| CN110251798A (zh) | 一种用于阿尔茨海默病的头戴式声光治疗仪 | |
| US11609633B2 (en) | Monitoring of biometric data to determine mental states and input commands | |
| JP2022525985A (ja) | 前頭部脳活動モニタリングセンサからの情報に基づいた深い睡眠の強化 | |
| CN114272488B (zh) | 声光同步刺激调控方法、装置和计算机可读存储介质 | |
| CN108491792B (zh) | 基于眼电信号的办公场景人机交互行为识别方法 | |
| CN114259651A (zh) | 一种针对帕金森疾病的主动式实时闭环电刺激系统 | |
| Boostani et al. | Optimising brain map for the diagnosis of schizophrenia | |
| US20230302253A1 (en) | Systems, methods, and devices for measurement, identification, and generation of sleep state models | |
| US20220409849A1 (en) | Systems and methods for electronic patient stimulation and diagnosis | |
| Virdi et al. | Home automation control system implementation using SSVEP based brain computer interface | |
| US20220249803A1 (en) | Systems and methods for visual cortex targeting and treatment | |
| US20220265959A1 (en) | Systems and methods for auditory, visual and/or auditory and visual cortex targeting and treatment | |
| Molina | Direct brain-computer communication through scalp recorded EEG signals | |
| US20220225920A1 (en) | Systems and methods for processing biological signals | |
| US11612757B1 (en) | Inducement, verification and optimization of neural entrainment through biofeedback, data analysis and combinations of adaptable stimulus delivery | |
| Liu et al. | Emotion recognition based on EEG changes in movie viewing |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |