CN114617555A - 基于生理特征稳定性检测的心理评估系统、介质及设备 - Google Patents
基于生理特征稳定性检测的心理评估系统、介质及设备 Download PDFInfo
- Publication number
- CN114617555A CN114617555A CN202210258846.XA CN202210258846A CN114617555A CN 114617555 A CN114617555 A CN 114617555A CN 202210258846 A CN202210258846 A CN 202210258846A CN 114617555 A CN114617555 A CN 114617555A
- Authority
- CN
- China
- Prior art keywords
- physiological data
- detected
- data
- dimensional
- physiological
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 239000008280 blood Substances 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 7
- 230000036760 body temperature Effects 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—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
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Pulmonology (AREA)
- Child & Adolescent Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明属于深度学习与心理学结合的交叉领域,提供了基于生理特征稳定性检测的心理评估方法及系统,根据多维待检测生理数据和训练好的生理数据重构网络,得到对应的重构生理数据;基于多维待检测生理数据和对应的重构生理数据,采用相似度算法,计算多维待检测生理数据与对应重构数据之间的相似度;基于多维待检测生理数据与对应重构数据之间的相似度和正常生理数据的特征向量进行回归拟合,得到心理评估结果。通过拟合正常心理状态时的生理数据曲线避免了由于先验知识不足而导致的评估不严谨的问题。
Description
技术领域
本发明属于人工智能的深度学习与心理学结合的交叉领域,尤其涉及基于生理特征稳定性检测的心理评估系统、介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
传统心理评估方法多通过观察面部微表情、肢体微动作,加以生理特征的测试结果如心率数据的波动情况等进行分析与评估心理状况。传统心理评估方法存在基于的先验知识的评估逻辑不严谨、人为分析判断不准确、易忽视数据中的微小差别和特征等劣势,无法通过生理特征参数获取准确的心理状态,并且评估方法需要消耗大量的人力物力资源,造成了浪费大量的人力成本和由于先验知识不足而导致的评估逻辑不严谨等问题。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供基于生理特征稳定性检测的心理评估系统、介质及设备,其通过检测数据中的异常点评估心理状态,通过拟合正常心理状态时的生理数据曲线避免了由于先验知识不足而导致的评估不严谨。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供基于生理特征稳定性检测的心理评估系统,包括:
数据预处理模块,被配置为:获取多维待检测生理数据并进行预处理;
生理数据重构模块,被配置为:根据多维待检测生理数据和训练好的生理数据重构网络,得到对应的重构生理数据;
相似度计算模块,被配置为:基于多维待检测生理数据和对应的重构生理数据,采用相似度算法,计算多维待检测生理数据与对应重构数据之间的相似度;
心理评估模块,被配置为:基于多维待检测生理数据与对应重构数据之间的相似度和正常生理数据的特征向量进行回归拟合,得到心理评估结果。
本发明的第二个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
获取多维待检测生理数据并进行预处理;
根据多维待检测生理数据和训练好的生理数据重构网络,得到对应的重构生理数据;
基于多维待检测生理数据和对应的重构生理数据,采用相似度算法,计算多维待检测生理数据与对应重构数据之间的相似度;
基于多维待检测生理数据与对应重构数据之间的相似度和正常生理数据的特征向量进行回归拟合,得到心理评估结果。
本发明的第三个方面提供一种计算机设备。
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程序时实现包括如下步骤:
获取多维待检测生理数据并进行预处理;
根据多维待检测生理数据和训练好的生理数据重构网络,得到对应的重构生理数据;
基于多维待检测生理数据和对应的重构生理数据,采用相似度算法,计算多维待检测生理数据与对应重构数据之间的相似度;
基于多维待检测生理数据与对应重构数据之间的相似度和正常生理数据的特征向量进行回归拟合,得到心理评估结果。
与现有技术相比,本发明的有益效果是:
本发明采用生理数据重构方法实现生理数据异常点检测,通过检测数据中的异常点评估心理状态,通过拟合正常心理状态时的生理数据曲线避免了由于先验知识不足而导致的评估不严谨,采用自编码器检测异常点的技术手段,获得运行规模小、运行速度快、短时处理大量数据的效果。
本发明采用多维生理数据评估心理状况的准则,减少由于单一生理数据的误差对评估结果的影响,提升了评估准确率。
本发明采用开放型模型,该模型对原始数据的预处理、相似度算计的选择等都是可变的,能够适应不同人群,不同环境,不同生理参数,从而提高该算法的泛化能力。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例一的整体系统示意图;
图2是本发明实施例一的预处理流程示意图;
图3是本发明实施例一的自编码器整体框架结构图;
图4是本发明实施例一的自编码器训练及相似度算法选择流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释:
生理特征稳定性:生理特征是指人具有的心率、体温、血氧浓度等生理指标。在一般情况下,生理指标会在一个小幅度内波动变化,即保持一定的稳定性。
实施例一
本发明在传统心理评估方法的基础上,利用计算机深度学习领域的方法将获取到的生理数据进行处理,获得被评估者在一般活动下的正常生理数据的特征向量,通过回归拟合出测试时的生理数据,并于真实的生理数据进行对比并算出距离,将该距离与设置好的阈值进行对比,从而判断被评估者在测试情况下的心理是否有较大波动。
采用深度学习中的自编码器算法,将被评估者的一般活动的生理数据作为编码器的输入,通过计算机的多次迭代训练,提取出被评估者一般活动的生理数据的特征,并将该特征用于构建测试时的生理数据,此方法能够提取到更为细微的数据特征,并且节省时间成本和物力成本。将算法集成在具体生理测试仪器上,可以使心理评估操作面向普通人,避免浪费大量的人力成本和由于先验知识不足而导致的评估逻辑不严谨等问题。
如图1所示,基于生理特征稳定性检测的心理评估系统,包括:
数据预处理模块,被配置为:获取多维待检测生理数据并进行预处理;
生理数据重构模块,被配置为:根据多维待检测生理数据和训练好的生理数据重构网络,得到对应的重构生理数据;
相似度计算模块,被配置为:基于多维待检测生理数据和对应的重构生理数据,采用相似度算法,计算多维待检测生理数据与对应重构数据之间的相似度;
心理评估模块,被配置为:基于多维待检测生理数据与对应重构数据之间的相似度和正常生理数据的特征向量进行回归拟合,得到心理评估结果。
作为一种或多种实施例,所述数据预处理模块,被配置为:
多维待检测生理数据的获取过程为:
生理特征是指人具有的心率、体温、血氧浓度等生理指标。在一般情况下,生理指标会在一个小幅度内波动变化,即保持一定的稳定性。
被评估者佩戴手环进行多种生理数据采集,包括心率、体温、血氧浓度等,将采集好的数据按生理类别存入原始数据库。
如图2所示,所述多维待检测生理数据预处理的过程包括:
将原始数据按时间进行切片,本发明以15min为周期进行数据切片预处理。将切片后的数据根据各自生理参数波动的规律,分别采用取s1秒、s2秒、s3秒内的生理数据对时间的均值并以数组的形式进行保存,将预处理后的数据以7:3的比例作为训练集和验证集存入训练集数据库与验证集数据库,并做好种类标记。
如图3所示,作为一种或多种实施例,生理数据重构模块,被配置为:
所述生理数据重构网络为多个并行的自编码器网络,所述每个自编码器网络的输入各个项的待检测生理数据,输出端为对应的重构生理数据;
其中,所述自编码器网络包括编码器和解码器,所述编码器和解码器连接,通过编码器输入待检测生理数据,通过解码器输出重构数据;
所述自编码器模型用g(f(x))=r来表示,其中输出r与输入x相接近。
所述编码器通过编码函数将输入的待检测生理数据压缩成潜在的空间表征,编码函数为:h=f(x);
解码器通过解码函数重构来自潜在空间表征的输入,解码函数为:r=g(h);
所述编码器和解码器采用三层全连接层,编码器的第一层为输入层,第二层和第三层为隐藏层;第二层的节点个数设置为128,第三层的接待个数设置为128;
所述解码器的第一层和第二层为隐藏层,第三层为输出层;第一层接收来自编码器的128维向量,并将其传入第二层,第一层和第二层网络节点个数都为256,第三层节点个数与生理数据向量维数一致。
所述生理数据重构网络的训练过程包括:
分别搭建多个自编码器网络,将训练集数据库中的数据按照心率、体温以及血氧浓度类别分别送入对应的自编码器网络进行训练,得到对应的重构数据。
本实施例以待检测生理数据为心率、体温、血氧浓度为例进行说明。
分别搭建三个自编码器网络AE1、AE2、AE3,将训练集数据库中的数据按照心率、体温以及血氧浓度类别分别送入AE1、AE2、AE3进行训练,得到对应的心率、体温以及血氧浓度的重构数据。
训练过程中,所述训练损失函数采用MSE函数,所述MSE函数为待检测生理数据和重构生理数据的均方差,公式如下:
将训练损失函数进一步优化得到最优模型权重,根据最优模型权重得到最优生理数据重构网络,所述优化损失函数为:
其中,θ为网络权重参数向量,θ*最优模型的权重参数向量。
如图4所示,所述相似度计算模块,还被配置为:所述采用相似度算法,计算多维待检测生理数据与对应重构生理数据之间的相似度包括:
分别采用欧几里得距离、余弦距离以及曼哈顿距离计算多维待检测生理数据与对应重构生理数据之间的相似度;
根据相似度计算结果得到每一维度对应的相似度算法,基于该算法得到每一维度的生理数据和对应重构生理数据之间的最大相似度。
基于多种待检测生理数据与对应重构数据之间的相似度和正常生理数据的特征向量进行回归拟合时,若待检测生理数据与重构生理数据的距离大于设定的阈值K,则偏离正常生理数据的特征向量,评估结果为心理状态不稳定,否则心理状态稳定。
其中欧几里得距离是指重构数据向量与原始数据向量之间的真实距离。其计算公式如下:
余弦距离:也称余弦相似度,是用向量空间中的两个向量夹角的余弦值作为衡量两个个体差异的大小的度量。余弦值越接近1,两个向量越相似。在本发明中,两向量分别为重构数据向量和原始数据向量。计算公式如下:
曼哈顿距离:是用重构数据向量与原始数据向量各分量之间距离之和来表示。计算公式如下:
实施例二
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
S101:获取多维待检测生理数据并进行预处理;
S102:根据多维待检测生理数据和训练好的生理数据重构网络,得到对应的重构生理数据;
S103:基于多维待检测生理数据和对应的重构生理数据,采用相似度算法,计算多维待检测生理数据与对应重构数据之间的相似度;
S104:基于多维待检测生理数据与对应重构数据之间的相似度和正常生理数据的特征向量进行回归拟合,得到心理评估结果。
实施例三
本实施例提供了一种计算机设备,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,所述处理器执行所述程序时实现包括如下步骤:
S101:获取多维待检测生理数据并进行预处理;
S102:根据多维待检测生理数据和训练好的生理数据重构网络,得到对应的重构生理数据;
S103:基于多维待检测生理数据和对应的重构生理数据,采用相似度算法,计算多维待检测生理数据与对应重构数据之间的相似度;
S104:基于多维待检测生理数据与对应重构数据之间的相似度和正常生理数据的特征向量进行回归拟合,得到心理评估结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于生理特征稳定性检测的心理评估系统,其特征在于,包括:
数据预处理模块,被配置为:获取多维待检测生理数据并进行预处理;
生理数据重构模块,被配置为:根据多维待检测生理数据和训练好的生理数据重构网络,得到对应的重构生理数据;
相似度计算模块,被配置为:基于多维待检测生理数据和对应的重构生理数据,采用相似度算法,计算多维待检测生理数据与对应重构数据之间的相似度;
心理评估模块,被配置为:基于多维待检测生理数据与对应重构数据之间的相似度和正常生理数据的特征向量进行回归拟合,得到心理评估结果。
2.如权利要求1所述的基于生理特征稳定性检测的心理评估系统,其特征在于,所述数据预处理模块,还被配置为:
将多维待检测生理数据按时间进行切片,将切片后的数据根据各自生理参数波动的规律,分别采用取相应的生理数据对时间的均值并以数组的形式进行保存。
3.如权利要求1所述的基于生理特征稳定性检测的心理评估系统,其特征在于,所述生理数据重构模块,还被配置为:所述生理数据重构网络为多个并行的自编码器网络,所述每个自编码器网络的输入端各个项的待检测生理数据,输出端为对应的重构生理数据。
4.如权利要求3所述的基于生理特征稳定性检测的心理评估方法,其特征在于,所述生理数据重构模块,还被配置为:所述自编码器网络包括编码器和解码器,所述编码器和解码器连接,通过编码器输入待检测生理数据,通过解码器输出重构数据;
所述编码器通过编码函数将输入的待检测生理数据压缩成潜在的空间表征,解码器通过解码函数重构来自潜在空间表征的输入。
5.如权利要求4所述的基于生理特征稳定性检测的心理评估方法,其特征在于,所述生理数据重构模块,还被配置为:所述编码器和解码器采用三层全连接层,编码器的第一层为输入层,第二层和第三层为隐藏层;
所述解码器的第一层和第二层为隐藏层,第三层为输出层;第一层接收来自编码器的待检测生理数据的向量,并将其传入第二层,第三层节点个数与待检测生理数据向量维数一致。
6.如权利要求1所述的基于生理特征稳定性检测的心理评估方法,其特征在于,所述生理数据重构模块,还被配置为:所述生理数据重构网络进行训练时采用的训练损失函数为MSE函数,所述MSE函数为待检测生理数据和重构生理数据的均方差。
7.如权利要求1所述的基于生理特征稳定性检测的心理评估方法,其特征在于,所述相似度计算模块,还被配置为:所述基于多种待检测生理数据与对应重构数据之间的相似度和正常生理数据的特征向量进行回归拟合时,若待检测生理数据与重构生理数据的距离大于设定的阈值K,则偏离正常生理数据的特征向量,评估结果为心理状态不稳定,否则心理状态稳定。
8.如权利要求1所述的基于生理特征稳定性检测的心理评估方法,其特征在于,相似度计算模块,还被配置为:所述采用相似度算法,计算多维待检测生理数据与对应重构生理数据之间的相似度包括:
分别采用欧几里得距离、余弦距离以及曼哈顿距离计算多维待检测生理数据与对应重构生理数据之间的相似度;
根据相似度计算结果得到每一维度对应的相似度算法,基于该算法得到每一维度下待检测生理数据和对应重构生理数据之间的最大相似度。
9.一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,该程序被处理器执行时实现如下步骤:
获取多维待检测生理数据并进行预处理;
根据多维待检测生理数据和训练好的生理数据重构网络,得到对应的重构生理数据;
基于多维待检测生理数据和对应的重构生理数据,采用相似度算法,计算多维待检测生理数据与对应重构数据之间的相似度;
基于多维待检测生理数据与对应重构数据之间的相似度和正常生理数据的特征向量进行回归拟合,得到心理评估结果。
10.一种计算机设备,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程序时实现包括如下步骤:
获取多维待检测生理数据并进行预处理;
根据多维待检测生理数据和训练好的生理数据重构网络,得到对应的重构生理数据;
基于多维待检测生理数据和对应的重构生理数据,采用相似度算法,计算多维待检测生理数据与对应重构数据之间的相似度;
基于多维待检测生理数据与对应重构数据之间的相似度和正常生理数据的特征向量进行回归拟合,得到心理评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210258846.XA CN114617555A (zh) | 2022-03-16 | 2022-03-16 | 基于生理特征稳定性检测的心理评估系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210258846.XA CN114617555A (zh) | 2022-03-16 | 2022-03-16 | 基于生理特征稳定性检测的心理评估系统、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114617555A true CN114617555A (zh) | 2022-06-14 |
Family
ID=81902802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210258846.XA Pending CN114617555A (zh) | 2022-03-16 | 2022-03-16 | 基于生理特征稳定性检测的心理评估系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114617555A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378394A (zh) * | 2019-06-26 | 2019-10-25 | 广西大学 | 基于神经网络的多生理数据融合分析方法 |
US20190358425A1 (en) * | 2018-05-23 | 2019-11-28 | Shenzhen Institutes Of Advanced Technology | Brain stimulation system, method and apparatus based on artificial intelligence and storage medium |
CN111150410A (zh) * | 2020-01-17 | 2020-05-15 | 哈尔滨工业大学 | 基于心电信号与肌电信号融合的心理压力评测方法 |
CN111513732A (zh) * | 2020-04-29 | 2020-08-11 | 山东大学 | 面向疫病状况下多类人群的心理压力智能评估预警系统 |
CN112618913A (zh) * | 2021-01-06 | 2021-04-09 | 中国科学院心理研究所 | 一种基于多模态的自适应情绪调节系统与方法 |
CN112806994A (zh) * | 2021-01-27 | 2021-05-18 | 首都师范大学 | 一种基于生理信号预测个体压力应对方式的系统和方法 |
KR20210085750A (ko) * | 2019-12-31 | 2021-07-08 | 연세대학교 원주산학협력단 | 딥러닝 기반의 심리생리검사 시스템 및 방법 |
CN113197579A (zh) * | 2021-06-07 | 2021-08-03 | 山东大学 | 一种基于多模态信息融合的智能心理评估方法及系统 |
CN113397546A (zh) * | 2021-06-24 | 2021-09-17 | 福州大学 | 基于机器学习和生理信号的情绪识别模型构建方法及系统 |
-
2022
- 2022-03-16 CN CN202210258846.XA patent/CN114617555A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190358425A1 (en) * | 2018-05-23 | 2019-11-28 | Shenzhen Institutes Of Advanced Technology | Brain stimulation system, method and apparatus based on artificial intelligence and storage medium |
CN110522983A (zh) * | 2018-05-23 | 2019-12-03 | 深圳先进技术研究院 | 基于人工智能的脑刺激系统、方法、设备和存储介质 |
CN110378394A (zh) * | 2019-06-26 | 2019-10-25 | 广西大学 | 基于神经网络的多生理数据融合分析方法 |
KR20210085750A (ko) * | 2019-12-31 | 2021-07-08 | 연세대학교 원주산학협력단 | 딥러닝 기반의 심리생리검사 시스템 및 방법 |
CN111150410A (zh) * | 2020-01-17 | 2020-05-15 | 哈尔滨工业大学 | 基于心电信号与肌电信号融合的心理压力评测方法 |
CN111513732A (zh) * | 2020-04-29 | 2020-08-11 | 山东大学 | 面向疫病状况下多类人群的心理压力智能评估预警系统 |
CN112618913A (zh) * | 2021-01-06 | 2021-04-09 | 中国科学院心理研究所 | 一种基于多模态的自适应情绪调节系统与方法 |
CN112806994A (zh) * | 2021-01-27 | 2021-05-18 | 首都师范大学 | 一种基于生理信号预测个体压力应对方式的系统和方法 |
CN113197579A (zh) * | 2021-06-07 | 2021-08-03 | 山东大学 | 一种基于多模态信息融合的智能心理评估方法及系统 |
CN113397546A (zh) * | 2021-06-24 | 2021-09-17 | 福州大学 | 基于机器学习和生理信号的情绪识别模型构建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027487B (zh) | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 | |
Lancaster et al. | Surrogate data for hypothesis testing of physical systems | |
CN109036553B (zh) | 一种基于自动抽取医疗专家知识的疾病预测方法 | |
CN107463633B (zh) | 一种基于eemd-神经网络的实时数据异常值检测方法 | |
Kulkarni et al. | Pruning of random forest classifiers: A survey and future directions | |
CN108710974B (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
CN106777891A (zh) | 一种数据特征选择和预测方法及装置 | |
CN108108807A (zh) | 学习型图像处理方法、系统及服务器 | |
CN107110743A (zh) | 检查数据处理装置以及检查数据处理方法 | |
CN109864737A (zh) | 一种心电信号中p波识别方法和系统 | |
Rendsburg et al. | Netgan without gan: From random walks to low-rank approximations | |
CN111297327B (zh) | 一种睡眠分析方法、系统、电子设备及存储介质 | |
CN101408912B (zh) | 中医脉象特征函数自动提取方法 | |
CN113926045A (zh) | 一种辅助睡眠的家纺产品的智能控制方法及系统 | |
CN113159192A (zh) | 一种多元时间序列检索方法及系统 | |
CN114617555A (zh) | 基于生理特征稳定性检测的心理评估系统、介质及设备 | |
CN112168188A (zh) | 一种用于压力检测数据的处理方法和装置 | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
Xu et al. | A multi-task learning-based generative adversarial network for red tide multivariate time series imputation | |
CN114004258B (zh) | 一种半监督的心电异常检测方法 | |
Vipani et al. | Identification of epileptic seizures using Hilbert transform and learning vector quantization based classifier | |
CN116304849A (zh) | 一种基于局部切空间排列及门控循环网络的二维活塞泵故障诊断方法 | |
CN114417969A (zh) | 基于细粒度迁移的跨场景认知能力评估方法及系统 | |
Kasubi et al. | A Comparative Study of Feature Selection Methods for Activity Recognition in the Smart Home Environment | |
Wang et al. | Study on missing data filling algorithm of nuclear power plant operation parameters |
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 |