CN114343637B - 基于卷积和循环神经网络运动员心理压力评估方法及系统 - Google Patents
基于卷积和循环神经网络运动员心理压力评估方法及系统 Download PDFInfo
- Publication number
- CN114343637B CN114343637B CN202111641148.XA CN202111641148A CN114343637B CN 114343637 B CN114343637 B CN 114343637B CN 202111641148 A CN202111641148 A CN 202111641148A CN 114343637 B CN114343637 B CN 114343637B
- Authority
- CN
- China
- Prior art keywords
- athlete
- module
- psychological
- psychological stress
- difficulty
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000006698 induction Effects 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000000763 evoking effect Effects 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000005037 parasympathetic nerve Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002889 sympathetic effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000037147 athletic performance Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000012360 testing method Methods 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
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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]
- A61B5/346—Analysis of electrocardiograms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于卷积和循环神经网络运动员心理压力评估方法及系统,其方法包括:S1:基于运动员的心跳变化建立心理压力数据集;S2:基于所述心理压力数据集构建并训练心理压力监测模型,压力监测模型包括卷积网络层和循环网络层;S3:根据所述心理压力监测模型,预测运动员心理压力等级结果。本发明利用卷积神经网络和循环神经网络能够自动提取心电信号特征,一定程度上克服了传统方法手工提取特征的局限性。
Description
技术领域
本发明涉及医疗设备及生理信号检测技术领域,更具体的说是涉及一种基于卷积神经网络和循环神经网络的运动员心理压力评估方法。
背景技术
目前,随着体育事业的发展,每个运动员不得不承受越来越多的心理压力。心理压力过大已经成为影响运动员竞技状态的重要问题。只有连续对心理压力状态进行实时监测,才能够第一时间发现心理压力过大并有效应对以避免产生严重的后果。除此之外对心理压力的实时监测还能够帮助体育教练对运动员的心理健康状态进行评估,及时进行心理辅导。心跳活动的变化与心理压力状态的改变都由交感神经与副交感神经的共同作用决定,具有同源性,因而理论上可以通过表征心脏活动的ECG信号来对心理压力进行实时推测。
但是,现有基于生理参数的心理压力监测方法大都采用人工提取特征,并采用统计学机器学习模型分类,这类方法利用短时间的ECG信号推测心理压力时准确度较低,很难满足实时性监测的需求;少部分基于深度学习的方法只尝试在其他场景下进行研究,无法满足训练过程中的运动员心理压力监测的需求。
因此,如何提供一种运动员心理压力的实时监测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于卷积和循环神经网络运动员心理压力评估方法及系统,利用卷积神经网络和循环神经网络能够自动提取心电信号特征,一定程度上克服了传统方法手工提取特征的局限性。
为了实现上述目的,本发明采用如下技术方案:基于卷积和循环神经网络运动员心理压力评估方法,包括以下步骤:
S1:基于运动员的心跳变化建立心理压力数据集;
S2:基于所述心理压力数据集构建并训练心理压力监测模型;
S3:根据所述心理压力监测模型,预测运动员心理压力等级结果。
优选的,S1中包括以下步骤:
S11:采集运动员在低压力诱发、中压力诱发、高压力诱发场景下的心电信号;S12:对所述心电信号进行降采样,得到降采样后的心电信号;对降采样后的心电信号进行去躁处理,得到去噪后的心电信号;S13:每隔一段时间根据去噪后的心电信号对心理压力进行打分,获得三分类的心理压力数据集。
优选的,所述低压力诱发场景的数据包括:采集运动员在低压力诱发场景下的心电信号;所述中压力诱发场景的数据包括:在增加奖惩机制下,采集运动员完成中等难度数学计算题目时的心电信号;高压力诱发场景的数据包括:在增大奖惩机制、增加数学计算题目难度以及增加答题难度基础上,采集运动员完成高等难度数学计算题目时的心电信号。
优选的,所述增加数学计算题目难度包括根据运动员的答题情况改变题目难度;所述增加答题难度包括:根据运动员的答题情况改变按键位置、按键数量以及改变剩余答题时间。
优选的,所述心理压力监测模型包括卷积网络层、循环网络层、全连接网络层和分类输出层,所述卷积网络层依次连接所述循环网络层、全连接网络层和分类输出层;所述卷积网络层为一维卷积层,用于根据所述心理压力数据集自动提取心电信号的局部特征;所述循环网络层包括两层双向长短期记忆网络,用于提取所述局部特征在时间上的前后特征;所述全连接网络层根据所述前后特征得到三种压力下的压力预测分数;所述分类输出层基于所述压力预测分数输出压力等级结果。
优选的,基于卷积和循环神经网络运动员心理压力评估系统,包括心电信号数据采集模块和心理压力监测模块;所述心电信号数据采集模块基于运动员的心跳变化建立心理压力数据集;所述心理压力监测模块用于根据所述心理压力数据集输出运动员的心理压力等级。
优选的,所述心电信号数据采集模块包括低压力诱发场景模块、中压力诱发场景模块和高压力诱发场景模块,所述低压力诱发场景模块用于采集运动员在低压力诱发场景下的心电信号;所述中压力诱发场景模块用于采集运动员在中压力诱发场景下的心电信号;所述高压力诱发场景模块用于采集运动员在高压力诱发场景下的心电信号。
优选的,所述高压力诱发场景模块包括题目难度自适应模块和答题难度自适应模块;所述答题难度自适应模块包括按键布局自适应模块和剩余时间自适应模块;所述按键布局自适应模块根据运动员答题的准确率改变按键位置和按键数量;所述剩余时间自适应模块根据运动员答题的准确率改变剩余答题时间;所述题目难度自适应模块根据运动员答题的准确率改变题目难度。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于卷积和循环神经网络的运动员心理压力评估方法及系统,卷积神经网络能够自动的从图片中提取不同的特征;循环神经网络能够是一类用于处理序列数据的神经网络,能够通过前时刻的数据预测出下一个时刻的数据,利用了序列数据之间的相关性。本发明分别利用卷积神经网络和循环神经网络自动提取心电信号特征,一定程度上克服了传统方法手工提取特征的局限性。
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,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的流程示意图。
图2附图为本发明提供的心理压力监测模型结构示意图。
图3附图为本发明中压力诱发实验的场景示意图。
图4附图为本发明高压力诱发实验的场景示意图。
图5附图为本发明实施例1高压力诱发实验答题正确率的示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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。
本发明实施例公开了一种基于卷积和循环神经网络的运动员心理压力评估方法,包括以下步骤:S1:基于运动员的心跳变化建立心理压力数据集;S2:基于心理压力数据集构建并训练心理压力监测模型;S3:根据心理压力监测模型,预测运动员心理压力等级结果。心跳活动的变化与心理压力状态的改变都由交感神经与副交感神经的共同作用决定,具有同源性,所以本发明通过心脏活动的心电信号来对心理压力进行实时推测。
在本实施例中,S1中包括以下步骤:S11:采集运动员在压力诱发、中压力诱发、高压力诱发场景的心电信号;S12:对心电信号进行预处理;S13:每隔一段时间根据预处理的心电信号对心理压力进行打分,获得三分类的心理压力数据集。
在本实施例中,预处理过程为:1.为了加快模型训练和减少内存占用,将滤波后信号降采样到100Hz;2.采用截止频率为0.1~50Hz的FIR带通滤波器去除原始心电图信号中的基线漂移和工频干扰。
在本实施例中,低压力诱发场景的数据包括:采集运动员在放松状态下的心电信号;中压力诱发场景的数据包括:在增加奖惩机制下,采集运动员完成中等难度数学计算题目的心电信号;高压力诱发场景的数据包括:在增大奖惩机制、增加数学计算题目难度以及增加答题难度基础上,采集运动员完成高等难度数学计算题目的心电信号。运动员在三种场景下完成实验任务,实验过程中采集运动员的心电数据,每30s为心电数据打上心理压力标签以获得三分类的心理压力数据集。
在本实施例中,增加数学计算题目难度包括根据运动员的答题情况改变题目难度;高压力诱发场景增加答题难度包括:根据运动员的答题情况改变按键位置、按键数量以及改变剩余答题时间。由于不同的被试者具有不同的运算能力,为防止固定难度的答题难度对运算能力强的实验者缺乏挑战性,对运算能力弱的实验者缺乏参与性,高压力诱发场景增加了数学计算题目难度和增加了答题难度,依照实验者答题准确度进行改变难度。
在本实施例中,心理压力监测模型包括卷积网络层、循环网络层、全连接网络层和分类输出层,卷积网络层依次连接循环网络层、全连接网络层和分类输出层;卷积网络层为一维卷积层,用于根据心理压力数据集自动提取心电信号的局部特征;循环网络层包括两层双向长短期记忆网络,用于提取局部特征在时间上的前后特征;全连接网络层根据前后特征得到三种压力下的压力预测分数;分类输出层基于压力预测分数输出压力等级结果。心电信号是以心跳间期为周期的近似周期信号,为提取心电信号每个心动周期的特征,本发明在网络表层采用一维卷积神经网络,卷积核的尺寸对应平均心动周期长度的采样点数。卷积网络提取局部特征后将其输入由两层双向长短期记忆网络组成的循环神经网络层以提取心电信号在时间上的前后特征,最终获得的特征输出到全连接层和分类输出(Softmax)层以获得对应的压力等级。
在本实施例中,基于卷积和循环神经网络运动员心理压力评估系统,包括心电信号数据采集模块和心理压力监测模块;数据采集模块用于采集运动员的心电信号;心理压力监测模块用于根据心电信号输出运动员的心理压力等级。
在本实施例中,心电信号数据采集模块包括低压力诱发场景模块、中压力诱发场景模块和高压力诱发场景模块,低压力诱发场景模块用于采集运动员在无压力时的心电信号;中压力诱发场景模块用于采集运动员在中压力时的心电信号;高压力诱发场景模块用于采集运动员在高压力时的心电信号。
在本实施例中,高压力诱发场景模块包括自适应模块,用于判断当前答题情况;当连续答对题目时,答题时间减少以及题目难度增加;当连续答错题目时,答题时间增加以及题目难度减少;自适应模块包括题目难度自适应模块和答题难度自适应模块;答题难度自适应模块包括按键布局自适应模块和剩余时间自适应模块;题目难度自适应模块根据运动员答题的准确率改变题目难度;按键布局自适应模块根据运动员答题的准确率改变按键位置和按键数量;剩余时间自适应模块根据运动员答题的准确率改变剩余答题时间。
实施例1
采集运动员在低压力诱发、中压力诱发、高压力诱发三个场景下的心电信号;其中低压力诱发场景在视觉上一般让被试者观看轻松的视频或者动图,在听觉上让其聆听悠扬的音乐比如梁祝,从而让运动员尽可能放松心情释放压力;
中压力诱发场景让运动员通过心算完成中等难度的数学计算任务,同时增加奖惩机制以提升运动员参与实验的专注度和积极性,并且将惩罚金额以大标题的形式放在答题页面醒目位置意图干扰答题者并增加其被剥夺感,答题背景设置为阴暗色调。如试验开始前可以提前告知运动员起始奖励为100元,如果五分钟时间内运动员全部回答正确将获得100元的奖励,期间每答错一道题扣除1元,扣除奖金最多可达到100元,答对没有奖励;实验过程中要求被试者完成两位数加减运算的任务,算式可以包含四个变量,为增加题目的不确定性,最后一个变量可能为负。每个变量范围设定为0-20,共三个固定算子(-、+、-)。在算式下方,显示答题正确率,同时增加剩余时间进度条,设定时间为5秒,时间较为充足,当5秒结束时若当前题目仍未作答,则系统判定该题错误,计时条重新计时并更新题目。此阶段用来模拟运动员在学习或者工作中完成较为轻松的目标,时间也较为充足,此时常会感受到低程度的心理压力;
高压力诱发场景:将高压力场景的奖金提升到200元,运动员在答题过程中,每答错一道题扣除3元,答对不扣钱,奖金最多扣完为止;并且还增加了初始题目的难度,还增加了倒计时条。当计时条用完时,当前题目会被判定错误并扣除奖金,倒计时条作为另一个应激源能够进一步增加答题者的紧张感。此外,按键被缩小甚至在某些阶段位置会被随机设置,尽可能增加运动员的答题难度。此阶段用来模拟运动员在学习或者工作中需要完成困难目标的情况,此时时间较为紧张,即使运动员全力以赴也很难取得理想结果,在此过程中运动员会有较强被剥夺感并会感受到较大的心理压力。另外,还设置瞬时准确率来判断当前答题情况:当答题者连续答对3道题目时,答题时间变为当前时间的2/3,难度增加,当连续答错3道题目时,答题时间变为当前的4/3时减低难度。
实验过程中采集运动员的心电数据,每30s为心电数据打上心理压力标签以获得三分类的心理压力数据集。根据心理压力数据集对构建的神经网络模型进行训练,获得心理压力监测模型。将心电数据集输入到心理压力监测模型中,通过卷积神经网络和循环神经网络获得最终特征,最终特征输出到全连接网络层和分类输出层以获得对应的压力等级。本发明实现了自动提取心电信号特征,一定程度上克服了传统方法手工提取特征的局限性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.基于卷积和循环神经网络运动员心理压力评估方法,其特征在于,包括以下步骤:
S1:基于运动员的心跳变化建立心理压力数据集;
S1中包括以下步骤:
S11:采集运动员在低压力诱发、中压力诱发、高压力诱发场景下的心电信号;
S12:对所述心电信号进行降采样,得到降采样后的心电信号;对降采样后的心电信号进行去躁处理,得到去噪后的心电信号;
S13:每隔一段时间根据去噪后的心电信号对心理压力进行打分,获得三分类的心理压力数据集;
所述低压力诱发场景的数据包括:采集运动员在低压力诱发场景下的心电信号;
所述中压力诱发场景的数据包括:在增加奖惩机制下,采集运动员完成中等难度数学计算题目时的心电信号;
高压力诱发场景的数据包括:在增大奖惩机制、增加数学计算题目难度以及增加答题难度基础上,采集运动员完成高等难度数学计算题目时的心电信号;
所述增加数学计算题目难度包括根据运动员的答题情况改变题目难度;
所述增加答题难度包括:根据运动员的答题情况改变按键位置、按键数量以及改变剩余答题时间;
S2:基于所述心理压力数据集构建并训练心理压力监测模型;
S3:根据所述心理压力监测模型,预测运动员心理压力等级结果。
2.根据权利要求1所述的基于卷积和循环神经网络运动员心理压力评估方法,其特征在于,所述心理压力监测模型包括卷积网络层、循环网络层、全连接网络层和分类输出层,所述卷积网络层依次连接所述循环网络层、全连接网络层和分类输出层;
所述卷积网络层为一维卷积层,用于根据所述心理压力数据集自动提取心电信号的局部特征;
所述循环网络层包括两层双向长短期记忆网络,用于提取所述局部特征在时间上的前后特征;
所述全连接网络层根据所述前后特征得到三种压力下的压力预测分数;
所述分类输出层基于所述压力预测分数输出压力等级结果。
3.一种实施权利要求1或2所述方法的基于卷积和循环神经网络运动员心理压力评估系统,其特征在于,包括心电信号数据采集模块和心理压力监测模块;所述心电信号数据采集模块基于运动员的心跳变化建立心理压力数据集;所述心理压力监测模块用于根据所述心理压力数据集输出运动员的心理压力等级。
4.根据权利要求3所述的基于卷积和循环神经网络运动员心理压力评估系统,其特征在于,所述心电信号数据采集模块包括低压力诱发场景模块、中压力诱发场景模块和高压力诱发场景模块,所述低压力诱发场景模块用于采集运动员在低压力诱发场景下的心电信号;所述中压力诱发场景模块用于采集运动员在中压力诱发场景下的心电信号;所述高压力诱发场景模块用于采集运动员在高压力诱发场景下的心电信号。
5.根据权利要求4所述的基于卷积和循环神经网络运动员心理压力评估系统,其特征在于,所述高压力诱发场景模块包括题目难度自适应模块和答题难度自适应模块;
所述答题难度自适应模块包括按键布局自适应模块和剩余时间自适应模块;
所述按键布局自适应模块根据运动员答题的准确率改变按键位置和按键数量;
所述剩余时间自适应模块根据运动员答题的准确率改变剩余答题时间;
所述题目难度自适应模块根据运动员答题的准确率改变题目难度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111641148.XA CN114343637B (zh) | 2021-12-29 | 2021-12-29 | 基于卷积和循环神经网络运动员心理压力评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111641148.XA CN114343637B (zh) | 2021-12-29 | 2021-12-29 | 基于卷积和循环神经网络运动员心理压力评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114343637A CN114343637A (zh) | 2022-04-15 |
CN114343637B true CN114343637B (zh) | 2023-10-13 |
Family
ID=81102931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111641148.XA Active CN114343637B (zh) | 2021-12-29 | 2021-12-29 | 基于卷积和循环神经网络运动员心理压力评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114343637B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 |
CN111407260A (zh) * | 2020-03-30 | 2020-07-14 | 华南理工大学 | 方向盘嵌入心电传感器的基于脑电和心电的疲劳检测方法 |
CN112508110A (zh) * | 2020-12-11 | 2021-03-16 | 哈尔滨理工大学 | 一种基于深度学习的心电信号图的分类方法 |
CN112634584A (zh) * | 2020-12-22 | 2021-04-09 | 常州工业职业技术学院 | 智慧型居家养老智能看护报警系统 |
CN113397555A (zh) * | 2021-07-21 | 2021-09-17 | 南通大学附属医院 | 生理参数监测用c-lstm的心率失常分类算法 |
CN113397482A (zh) * | 2021-05-19 | 2021-09-17 | 中国航天科工集团第二研究院 | 一种人类行为分析方法及系统 |
CN113468988A (zh) * | 2021-06-18 | 2021-10-01 | 南京润楠医疗电子研究院有限公司 | 一种基于ecg信号的多压力状态下身份识别方法 |
US11179089B1 (en) * | 2021-05-19 | 2021-11-23 | King Abdulaziz University | Real-time intelligent mental stress assessment system and method using LSTM for wearable devices |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11031133B2 (en) * | 2014-11-06 | 2021-06-08 | leso Digital Health Limited | Analysing text-based messages sent between patients and therapists |
-
2021
- 2021-12-29 CN CN202111641148.XA patent/CN114343637B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 |
CN111407260A (zh) * | 2020-03-30 | 2020-07-14 | 华南理工大学 | 方向盘嵌入心电传感器的基于脑电和心电的疲劳检测方法 |
CN112508110A (zh) * | 2020-12-11 | 2021-03-16 | 哈尔滨理工大学 | 一种基于深度学习的心电信号图的分类方法 |
CN112634584A (zh) * | 2020-12-22 | 2021-04-09 | 常州工业职业技术学院 | 智慧型居家养老智能看护报警系统 |
CN113397482A (zh) * | 2021-05-19 | 2021-09-17 | 中国航天科工集团第二研究院 | 一种人类行为分析方法及系统 |
US11179089B1 (en) * | 2021-05-19 | 2021-11-23 | King Abdulaziz University | Real-time intelligent mental stress assessment system and method using LSTM for wearable devices |
CN113468988A (zh) * | 2021-06-18 | 2021-10-01 | 南京润楠医疗电子研究院有限公司 | 一种基于ecg信号的多压力状态下身份识别方法 |
CN113397555A (zh) * | 2021-07-21 | 2021-09-17 | 南通大学附属医院 | 生理参数监测用c-lstm的心率失常分类算法 |
Non-Patent Citations (1)
Title |
---|
基于可穿戴设备的日常压力状态评估研究;赵湛,韩璐,方震,等;《电子与信息学报》;第39卷(第11期);第2670-2675页,图1-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN114343637A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hwang et al. | Deep ECGNet: An optimal deep learning framework for monitoring mental stress using ultra short-term ECG signals | |
CN108209902B (zh) | 运动员竞技状态评估方法及系统 | |
Chanel et al. | Boredom, engagement and anxiety as indicators for adaptation to difficulty in games | |
Pain et al. | Sprint starts and the minimum auditory reaction time | |
Klämpfl et al. | How to detect the yips in golf | |
KR20190081626A (ko) | 인공지능 기반의 음성분석을 통한 우울증, 불안증, 조기치매, 또는 자살 징후 조기판별 시스템 | |
CN110743079B (zh) | 心理调节训练方法和系统 | |
US20170007147A1 (en) | Cognitive function evaluation apparatus, method, system and program | |
US20080057483A1 (en) | Apparatus and System for Testing Memory | |
CN109805944B (zh) | 一种儿童共情能力分析系统 | |
CN110811648A (zh) | 一种基于残差卷积神经网络的抑郁倾向评估系统 | |
Vachiratamporn et al. | An implementation of affective adaptation in survival horror games | |
CN102058453B (zh) | 一种电刺激听觉音调感知测试与评估系统 | |
CN109674474B (zh) | 睡眠呼吸暂停识别方法、设备及计算机可读介质 | |
Albert et al. | Using machine learning to predict perceived exertion during resistance training with wearable heart rate and movement sensors | |
CN114343637B (zh) | 基于卷积和循环神经网络运动员心理压力评估方法及系统 | |
Chouhan et al. | A comparative study on the effect of audio and visual stimuli for enhancing attention and memory in brain computer interface system | |
CN115363585B (zh) | 一种基于去习惯化与观影任务的标准化群体抑郁风险筛查系统及方法 | |
CN116098634A (zh) | 一种基于刺激事件的脑功能检测评估方法、装置及系统 | |
US20230123617A1 (en) | Ventral striatum activity | |
Marri et al. | Identification of onset of fatigue in biceps brachii muscles using surface EMG and multifractal DMA alogrithm | |
WO2017077018A1 (en) | Method and system for fatigue determination | |
CN115153577A (zh) | 基于医用智能互动设备的心脏康复锻炼的监护方法及系统 | |
CN113077867A (zh) | 一种健身车智能控制方法、系统、智能终端及存储介质 | |
Cholewinski et al. | The Effects of a Peaking Protocol on Heart Rate Variability and its Predictive Associations with Wilks Coefficient in Competitive Powerlifters |
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 |