CN115547490A - 心理压力的预测方法、装置、设备及存储介质 - Google Patents

心理压力的预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115547490A
CN115547490A CN202110723716.4A CN202110723716A CN115547490A CN 115547490 A CN115547490 A CN 115547490A CN 202110723716 A CN202110723716 A CN 202110723716A CN 115547490 A CN115547490 A CN 115547490A
Authority
CN
China
Prior art keywords
electroencephalogram
pressure
prediction model
target user
attribute information
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
Application number
CN202110723716.4A
Other languages
English (en)
Inventor
俞轶
朱国康
张聪
孟孜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Huami Health Technology Co Ltd
Original Assignee
Anhui Huami Health Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Huami Health Technology Co Ltd filed Critical Anhui Huami Health Technology Co Ltd
Priority to CN202110723716.4A priority Critical patent/CN115547490A/zh
Publication of CN115547490A publication Critical patent/CN115547490A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Cardiology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Pulmonology (AREA)

Abstract

本申请公开了一种心理压力的预测方法、装置、设备及信息介质，其中，方法包括：在获取到目标用户处于特定状态下的属性信息后，将属性信息输入标准压力预测模型，得到的标准压力预测模型输出的目标用户的预测脑电压力值后，根据目标用户的预测脑电压力值与特定状态下的脑电压力标准值之间的差异，对标准压力预测模型的参数进行调整，以得到目标用户的压力预测模型，进而，采用目标用户的压力预测模型对目标用户进行心理压力预测。由此，考虑到了目标用户的个体差异性，通过对标准压力预测模型的参数进行调整，得到目标用户对应的个性化的压力预测模型后，采用个性化的压力预测模型对目标用户的心理压力进行预测，提高了心理压力预测的准确度。

Description

心理压力的预测方法、装置、设备及存储介质
技术领域
本申请涉及深度学习技术领域，尤其涉及一种心理压力的预测方法、装置、设备及存储介质。
背景技术
压力是现代社会中影响人类身心健康的重要问题，压力的出现被认为与外界附加在个体上的需求与外部资源或者个体自身需求动机的不匹配有关。适当的压力水平有助于激发个体的工作动力与潜能，然而过度的压力则会造成心脑血管及骨骼肌肉系统等一系列的疾病。因此，心理压力水平的监控与评估，及高压状态下给予相关提醒是进行压力管控和预防高压力状态导致的相关疾病的重要手段。在生理上，压力事件和应激反应会造成自主神经系统的一系列动态变化，如心率变异性、皮肤电阻、呼吸率和脑电的一系列变化。然而，最新的神经科学研究表明大脑是人体精神压力的最主要目标器官，因为大脑有能力决定一个事件是否属于应激性或威胁性事件。
但是，相关技术中采用可穿戴脑电采集设备监测用户的心理压力时，存在测量误差大以及应用场景受限等问题。
发明内容
本申请的目的旨在至少在一定程度上解决相关技术中的技术问题之一。
本申请第一方面实施例提出了一种心理压力的预测方法，包括：
获取目标用户处于特定状态下的属性信息；其中，所述属性信息包括性别、年龄、身高、体重、心率信息、心率变异性信息、活动量信息、睡眠分期信息或呼吸率信息中多个组合；
获取标准压力预测模型；其中，所述标准压力预测模型已学习得到所述属性信息和脑电压力值之间的对应关系；
将所述属性信息输入所述标准压力预测模型，得到所述标准压力预测模型输出的所述目标用户的预测脑电压力值；
根据所述目标用户的预测脑电压力值与所述特定状态下的脑电压力标准值之间的差异，对所述标准压力预测模型的参数进行调整，以得到所述目标用户的压力预测模型；
采用所述目标用户的压力预测模型对所述目标用户进行心理压力预测。
可选地，所述根据所述目标用户的预测脑电压力值与所述特定状态下的脑电压力标准值之间的差异，对所述标准压力预测模型的参数进行调整，包括：
根据所述目标用户的预测脑电压力值和所述特定状态下的脑电压力标准值，确定所述标准压力预测模型的均方误差损失项和相关系数损失项；
根据所述目标用户的预测脑电压力值和所述特定状态下的脑电压力标准值之间的差异，对所述标准压力预测模型的参数进行调整，直至所述均方误差损失项和所述相关系数损失项之和最小。
可选地，所述标准压力预测模型是通过以下方法生成的：
获取多个用户的属性信息和实际脑电压力值；
根据所述多个用户的属性信息和所述实际脑电压力值，生成多个训练样本；
采用多个所述训练样本对所述标准压力预测模型进行训练，以得到经过训练的所述标准压力预测模型。
可选地，所述获取所述用户的实际脑电压力值，包括：
获取所述用户的脑电数据；
对所述用户的脑电数据进行带通滤波，以得到滤波后的脑电数据；
对所述滤波后的脑电数据进行功率谱密度的计算，生成功率谱密度曲线；
根据所述滤波后的脑电数据中第一波段与第二波段的所述功率谱密度曲线的面积，分别确定所述第一波段与所述第二波段的功率；其中，所述第二波段小于所述第一波段；
根据所述第一波段的功率与所述第二波段的功率比值，确定所述用户的实际脑电压力值。
可选地，所述将所述属性信息输入所述标准压力预测模型，包括：
将所述属性信息中的睡眠分期信息输入长短记忆网络LSTM的第一层编码层；
将所述属性信息中的心率变异性信息输入所述LSTM的第二层编码层；其中，所述第二层编码层与所述第一层编码层之间通过第一拼接层连接；
将所述属性信息中的心率信息、活动量信息或呼吸率信息中至少一个输入所述LSTM的第三层编码层；其中，所述第三层编码层与所述第二层编码层之间通过第二拼接层连接；
将所述LSTM的第三层编码层输出的特征与所述属性信息中的基本信息合并后输入解码器，以得到所述属性信息的序列；
将所述属性信息的序列输入所述标准压力预测模型。
本申请实施例的心理压力的预测方法，在获取到目标用户处于特定状态下的属性信息后，将属性信息输入标准压力预测模型，得到的标准压力预测模型输出的目标用户的预测脑电压力值后，根据目标用户的预测脑电压力值与特定状态下的脑电压力标准值之间的差异，对标准压力预测模型的参数进行调整，以得到目标用户的压力预测模型，进而，采用目标用户的压力预测模型对目标用户进行心理压力预测。由此，考虑到了目标用户的个体差异性，通过对标准压力预测模型的参数进行调整，得到目标用户对应的个性化的压力预测模型后，采用个性化的压力预测模型对目标用户的心理压力进行预测，提高了心理压力预测的准确度。
本申请第二方面实施例提出了一种心理压力的预测装置，包括：
第一获取模块，用于获取目标用户处于特定状态下的属性信息；其中，所述属性信息包括性别、年龄、身高、体重、心率信息、心率变异性信息、活动量信息、睡眠分期信息或呼吸率信息中多个组合；
第二获取模块，用于获取标准压力预测模型；其中，所述标准压力预测模型已学习得到所述属性信息和脑电压力值之间的对应关系；
输入模块，用于将所述属性信息输入所述标准压力预测模型，得到所述标准压力预测模型输出的所述目标用户的预测脑电压力值；
调整模块，用于根据所述目标用户的预测脑电压力值与所述特定状态下的脑电压力标准值之间的差异，对所述标准压力预测模型的参数进行调整，以得到所述目标用户的压力预测模型；
预测模块，用于采用所述目标用户的压力预测模型对所述目标用户进行心理压力预测。
本申请实施例的心理压力的预测装置，在获取到目标用户处于特定状态下的属性信息后，将属性信息输入标准压力预测模型，得到的标准压力预测模型输出的目标用户的预测脑电压力值后，根据目标用户的预测脑电压力值与特定状态下的脑电压力标准值之间的差异，对标准压力预测模型的参数进行调整，以得到目标用户的压力预测模型，进而，采用目标用户的压力预测模型对目标用户进行心理压力预测。由此，考虑到了目标用户的个体差异性，通过对标准压力预测模型的参数进行调整，得到目标用户对应的个性化的压力预测模型后，采用个性化的压力预测模型对目标用户的心理压力进行预测，提高了心理压力预测的准确度。
本申请第三方面实施例提出了一种计算机设备，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，实现上述实施例中所述的心理压力的预测方法。
本申请第四方面实施例提出了一种非临时性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上述实施例中所述的心理压力的预测方法。
本申请第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行上述实施例中所述的心理压力的预测方法。
本申请附加的方面和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，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中，
图1为本申请实施例提供的一种心理压力的预测方法的流程示意图；
图2为本申请实施例提供的一种标准压力预测模型训练方法的流程示意图；
图3为本申请实施例提供的另一种心理压力的预测方法的流程示意图；
图4为本申请实施例提供的一种LSTM的结构示意图；
图5为本申请实施例提供的一种心理压力的预测方法的流程示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
现有基于可穿戴设备的压力评估模型可分为两大类，分别是定性的压力评估和定量的压力评估模型。定性的压力评估将用户的压力水平定性的分成无心理压力、有心理压力、与心理压力大三大类。具体地，首先采集多个正常心态下用户的生理参数，通过学习或者自行设定的方法取得相关参数的正常值参考范围，如正常心态下的用户的平均心率范围等。然后将这些参数的正常值范围作为参照预存于系统当中。当需要评估用户在某个周期内的压力状态时，首先利用可穿戴设备获取预定周期内个体的生理参数，根据个体多项指标是否超过预存参数以及超出预存值范围的参数个数来判定用户是否有心理压力及心理压力的严重程度。还例如，可以根据先验知识定义心理异常特征值，如睡眠异常特征值和步数异常特征值等，并将各个特征值映射到0-5之间的分数，分数越高表示压力越大，然后将各个特征值对应的压力分数进行累加即可得到最终的心理压力级别。
定性的评估往往把压力离散化为等级指标，并将不同的压力水平对应到不同的等级上。而定量的压力评估则根据机器学习模型，或者一些可以定量描述压力水平的指标将可穿戴设备采集到的生理参数指标转化成量化的压力评估值。例如，可以利用心理压力刺激实验获取试验后的心理压力主观自评值作为金标准。通过构建机器学习模型，以生理参数测量值相比参考值的变化量作为模型输入，而将生理参数测量值及参考值对应的心理压力变化量作为模型输出。实际应用时，可以预先设定心理压力变化量阈值，当模型估计出的心理压力变化量高于阈值时，对用户加以高压力警告。还例如，可以利用可穿戴设备中的光电容积传感器(Photo Plethysmo Graph，简称PPG)获取用户的心率变异性(Heart RateVariation，简称HRV)参数，并利用频域分析方法将HRV分解到超低频，低频，和高频三个频段分量上。并最终利用一个可以衡量压力水平的指标LF/HF来定量的表征受试者的心理压力大小。
但是，当前定性压力评估中的压力分级方法往往依赖于一些先验知识或者人为定义的标准。例如，定义生理参数的正常参考值标准时仅利用数据库中现存的正常心态下采集到的生理参数范围作依据，利用先验知识定义正常的生理参数范围，这些做法依赖于大量的数据库数据，同时也没有考虑到用户的个体化差异。此外，进行压力分级时，依赖于所选取生理参数的个数与内容。
当前定量的压力评估方法对于金标准压力评估值的估计方法是间接的。例如，利用心理学实验的方法，通过实验打分来估计受试者的压力值。因为心理学实验受到干扰因素较多，如样本的人口学特征，教育背景，文化程度等等，这种金标准的估计方法并不是直接的压力测量方法。此外，当前量化评估使用的机器学习模型比较简单，如支持向量机模型。事实上，压力评估模型的输入往往是一些复杂的时间序列信号，如心率，呼吸率，心率变异性等等，简单的模型可能并没有办法获取输入信号时间点与时间点之间的关联特征。
为了解决相关技术中对用户的心理压力预测时存在的问题，本申请提出了一种心理压力的预测方法，本申请实施例的心理压力的预测方法，在获取到目标用户处于特定状态下的属性信息后，将属性信息输入标准压力预测模型，得到的标准压力预测模型输出的目标用户的预测脑电压力值后，根据目标用户的预测脑电压力值与特定状态下的脑电压力标准值之间的差异，对标准压力预测模型的参数进行调整，以得到目标用户的压力预测模型，进而，采用目标用户的压力预测模型对目标用户进行心理压力预测。
下面参考附描述本申请实施例的心理压力的预测方法、装置、设备及存储介质。
图1为本申请实施例提供的一种心理压力的预测方法的流程示意图。
本申请实施例以该预测方法被配置于预测装置中来举例说明，该预测装置可以应用于任一计算机设备中，以使该计算机设备可以执行预测功能。
其中，计算机设备可以为个人电脑、云端设备、移动设备、可穿戴设备等等。如，可穿戴设备可以为智能手表、智能手环等等。
如图1所示，该心理压力的预测方法包括以下步骤：
步骤101，获取目标用户处于特定状态下的属性信息。
其中，属性信息包括性别、年龄、身高、体重、心率信息、心率变异性信息、活动量信息、睡眠分期信息或呼吸率信息中多个组合。
作为一种可能的实现方式，可以从目标用户佩戴的电子设备中获取目标用户处于特定状态下的属性信息。其中，电子设备可以为智能运动手环、智能手机等智能设备。
其中，特定状态可以为目标用户处于深睡眠状态，即，可以获取目标用户处于深睡眠状态下的属性信息。目标用户佩戴电子设备进行一晚上的数据采集，从采集的数据中获取目标用户深睡眠状态下采集的生理参数数据。
本申请实施例中，目标用户佩戴电子设备时，在登录用户认证信息后，可以将个人基本信息存储至电子设备，例如，可以将用户性别、年龄、身高、体重等属性信息记录在电子设备中，因此可以从电子设备获取到目标用户的性别、年龄、身高、体重。
本申请实施例中，目标用户处于特定状态下的属性信息中的心率信息、心率变异性信息、活动量信息、睡眠分期信息或呼吸率信息，可以通过目标用户佩戴的电子设备中设置的加速度传感器和PPG采集的数据计算得到。
本申请实施例中，心率信息是指与用户的心率变化相关的信息，可以包括平均心率、最大心率、最小心率或心率标准差中至少一个。
本申请实施例中，心率变异性是指用户每次心跳周期差异性的变化，它受神经体液因素的调节，从而判断其对心血管疾病的病情及预防，在临床上它是预测心源性猝死和心律失常的一个有价值的指标。其中，心率变异性信息可以包括RR间期平均值、RR间期标准差、相邻RR之间差异的标准差、相邻RR间期的差方和的均值的平方根、RR间隔差的中位数的绝对值、连续RR间期间隔差大于50ms的数量、用连续RR间期间隔差大于50ms的数量与RR间期数量的比值、连续RR间期间隔差大于20ms的数量、用连续RR间期间隔差大于20ms的数量与RR间期数量的比值、RR间期最大值和最小值的差异、连续差异的变化系数、变异系数、总功率密度谱、极低频时(0.003-0.04hz)HRV的方差、低频时(0.04-0.15hz)HRV的方差、高频时(0.15-40hz)HRV的方差、低频时(0.04-0.15hz)HRV的方差与高频时(0.15-40hz)HRV的方差的比值、归一化低频功率、归一化高频功率、交感神经指数、迷走神经指数、改良迷走神经指数、庞加莱图在垂直于等式的线的直线上投影的标准差、庞加莱投影的标准差或庞加莱投影的标准差与庞加莱图在垂直于等式的线的直线上投影的标准差的比值中至少一个。
其中，RR间期是指心电图上两个R波之间的时限。可以通过PPG传感器采集的数据确定RR间期。相邻RR间期的差方和的均值的平方根反映了高频(快速或副交感神经)对HRV的影响。极低频时(0.003-0.04hz)HRV的方差反了映心脏产生的内在节律，受交感神经活动调节。低频时(0.04-0.15hz)HRV的方差反映了交感神经和副交感神经活动。高频时(0.15-40hz)HRV的方差反映了由副交感神经(迷走神经)活动引起的一拍一拍变异性的快速变化。
活动量信息是指目标用户佩戴电子设备时采集的目标用户的活动量。睡眠分期信息是指根据用户在睡眠过程中脑电表现，将睡眠分为不同的时相。呼吸率信息即呼吸频率信息，是指用户每分钟呼吸的次数。
步骤102，获取标准压力预测模型；其中，标准压力预测模型已学习得到属性信息和脑电压力值之间的对应关系。
其中，脑电压力值是指根据脑电设备采集的压力相关数据得到的值。
本申请实施例中，标准压力预测模型为经过训练样本进行训练得到的，已经学习得到用户的属性信息和脑电压力值之间的对应关系的预测模型。
可以理解的是，由于不同用户佩戴电子设备采集得到的生理数据并不相同，存在特异性差异，为了提高心理压力预测的准确性，本申请中先获取标准压力预测模型，通过对标准压力预测模型的参数进行调整，以得到各目标用户的压力预测模型。
步骤103，将属性信息输入标准压力预测模型，得到标准压力预测模型输出的目标用户的预测脑电压力值。
由于标准压力预测模型已经学习得到了用户的属性信息和脑电压力值之间的对应关系，因此，在获取到目标用户处于特定状态下的属性信息后，可以采用标准压力预测模型预测目标用户的预测脑电压力值。
例如，获取到目标用户A在深睡眠状态下的属性信息后，可以将该用户的属性信息输入标准压力预测模型，即可得到该目标用户的预测脑电压力值。
步骤104，根据目标用户的预测脑电压力值与特定状态下的脑电压力标准值之间的差异，对标准压力预测模型的参数进行调整，以得到目标用户的压力预测模型。
其中，特定状态下的脑电压力标准值，可以为多个用户在特定状态下的脑电压力值的均值。例如，可以采集1000个用户在深睡眠状态下的脑电压力值，将1000个用户的脑电压力值的均值作为深睡眠状态下的脑电压力标准值。由于人与人之间在深睡眠状态下的压力基线较为接近，因此，可以将多个用户在深睡眠状态下的脑电压力值的均值作为脑电压力标准值。
可以理解的是，由于人与人之间生理信号本身的差异性，不同用户在特定状态下的属性信息存在差异，在将目标用户的属性信息输入标准压力预测模型后，可以根据标准压力预测模型输出的目标用户的预测脑电压力值与特定状态下的脑电压力标准值之间的差异，对标准压力预测模型的参数进行调整，以得到目标用户的压力预测模型。
作为一种可能的实现方式，在根据目标用户的预测脑电压力值与特定状态下的脑电压力标准值之间的差异，对标准压力预测模型的参数进行调整时，可以根据目标用户的预测脑电压力值和特定状态下的脑电压力标准值，确定标准压力预测模型的均方误差损失项和相关系数损失项，进而，根据目标用户的预测脑电压力值和特定状态下的脑电压力标准值之间的差异，对标准压力预测模型的参数进行调整，直至均方误差损失项和相关系数损失项之和最小。由此，通过对标准压力预测模型的参数进行微调，得到目标用户的压力预测模型，实现了标准压力预测模型的个性化迁移，提高了模型预测的准确度。
步骤105，采用目标用户的压力预测模型对目标用户进行心理压力预测。
本申请实施例中，通过对标准压力预测模型的参数进行调整，得到目标用户的压力预测模型后，可以获取目标用户的属性信息，将目标用户的属性信息输入目标用户的压力预测模型，以根据目标用户的压力预测模型输出确定目标用户的心理压力。
需要解释的是，输入目标用户的属性信息，不限于在特定状态下采集的信息，可以为目标用户处于任意状态下采集的属性信息，如，目标用户在吃饭状态、运动状态下采集的属性信息，等等，本申请中对此不做限定。
本申请中，目标用户的属性信息可以通过目标用户佩戴的电子设备采集的数据得到，电子设备中不需要包含脑电传感器，避免了可穿戴脑电设备采集数据存在的测量误差较大以及应用场景受限等问题。
本申请实施例的心理压力的预测方法，在获取到目标用户处于特定状态下的属性信息后，将属性信息输入标准压力预测模型，得到的标准压力预测模型输出的目标用户的预测脑电压力值后，根据目标用户的预测脑电压力值与特定状态下的脑电压力标准值之间的差异，对标准压力预测模型的参数进行调整，以得到目标用户的压力预测模型，进而，采用目标用户的压力预测模型对目标用户进行心理压力预测。由此，考虑到了目标用户的个体差异性，通过对标准压力预测模型的参数进行调整，得到目标用户对应的个性化的压力预测模型后，采用个性化的压力预测模型对目标用户的心理压力进行预测，提高了心理压力预测的准确度。
在上述实施例中已经提及了标准压力预测模型，下面结合图2对标准压力预测模型的训练过程进行详细介绍，图2为本申请实施例提供的一种用于标准压力预测模型的训练方法的流程示意图。
如图2所示，该训练方法可以包括以下步骤：
步骤201，获取多个用户的属性信息和实际脑电压力值。
可以理解的是，由于不同用户自身的性别、年龄、身体、体重、心率信息、心率变异性信息、活动量信息、睡眠分期信息、呼吸率信息等存在差异，从而导致不同用户的心理压力并不相同。因此，在训练用于预测用户的心理压力的标准压力预测模型时，可以基于多个用户的属性信息和实际脑电压力值，对标准预测模型进行训练。
本申请实施例中，可以获取多个用户同时佩戴电子设备和脑电设备采集得到的属性信息和实际的脑电压力值。
例如，可以通过蒙特利尔压力测试(Montreal Imaging Stress Task，简称MIST)诱发多个用户产生不同的压力状态，以获取用户在不同压力状态下的属性信息和实际的脑电压力值。
大脑是人类对于压力与应激场景最直接的反应器官，且研究表明前额叶脑电波的相对Gamma波能量可以有效的表征大脑的压力状态，也就是说，可以用相对Gamma波能量来反应用户实际的脑电压力值。
作为一种可能的实现方式，在获取用户的实际脑电压力值时，可以首先获取脑电设备采集的用户的脑电数据，在获取到用户的脑电数据后，对用户的脑电数据进行带通滤波，以得到滤波后的脑电数据。例如，可以对用户的脑电数据进行1-100Hz的带通滤波，并利用陷波器去除工频噪声。
进一步地，对滤波后的脑电数据进行功率谱密度的计算，生成功率谱密度曲线，根据滤波后的脑电数据中第一波段与第二波段的功率谱密度曲线的面积，分别确定第一波段与第二波段的功率，以根据第一波段的功率与第二波段的功率比值，确定用户的实际脑电压力值。其中，第二波段小于第一波段。
作为一种示例，第一波段可以为Gamma波段，如25-45Hz，第二波段可以为低频波段，如4-13Hz，可以计算Gamma波段与低频波段的功率比值，以得到相对Gamma波能量，根据相对Gamma波能量表征用户的实际脑电压力值。
需要说明的是，实时压力评估可以按照滑动窗口的方式进行。以3min的滑动窗长为例，每相隔1秒钟截取一个长度为3min的生理数据片段，并在此片段中统计多个用户的属性信息中心率信息、心率变异性信息、活动量信息、睡眠分期信息或呼吸率信息中至少一个，并截取与之对应的3min实际脑电压力值。
步骤202，根据多个用户的属性信息和实际脑电压力值，生成多个训练样本。
其中，训练样本是指用于对标准压力预测模型进行训练的样本。
本申请实施例中，每一个训练样本可以包括用户的属性信息和实际脑电压力值。在获取到多个用户的属性信息和实际脑电压力值后，可以根据各用户的属性信息和实际脑电压力值，生成多个训练样本。
步骤203，采用多个训练样本对标准压力预测模型进行训练，以得到经过训练的标准压力预测模型。
本申请实施例中，根据多个用户的属性信息和实际脑电压力值，生成多个训练样本后，可以采用多个训练样本对标准压力预测模型进行训练。
可选地，在将多个训练样本分别输入标准压力预测模型后，可以根据标准压力预测模型输出的预测脑电压力值与用户实际脑电压力值之间的差异，对标准压力预测模型的模型参数进行调整，以得到经过训练的标准压力预测模型。由于经过训练的标准压力预测模型预测得到的预测脑电压力值和用户的实际脑电压力值之间的差异最小，因此，经过训练的标准压力预测模型根据输入的用户的属性信息，可以预测得到用户的脑电压力值。
作为一种可能的实现方式，采用多个训练样本对标准压力预测模型进行训练时，可以将多个训练样本输入标准压力预测模型，预测得到多个预测脑电压力值，根据多个预测脑电压力值和对应的实际脑电压力值，确定压力预测模型的均方误差损失项和相关系数损失项。进一步地，根据预测脑电压力值和实际脑电压力值之间的差异，对标准压力预测模型的参数进行调整，直至均方误差损失项和相关系数损失项之和最小。由此，相较于常规的模型使用损失函数，本申请中在损失函数中增加了相关系数损失项，减轻了信号中异常值对回归结果的影响。
作为一种示例，标准压力预测模型的损失函数可以如下公式(1)：
Loss＝MSE(f(t),g(t))+Correlation_coefficient_loss(f(t),g(t)) (1)
Figure BDA0003137665840000101
Correlation_coefficient_loss＝1-(Pearson'scorrelationcoefficient)2 (3)
Figure BDA0003137665840000102
其中，Loss标识标准压力预测模型的损失函数，MSE代表均方误差损失项，即标准压力预测模型输出的各预测脑电压力值与脑电压力标准值之间差的平方值的累加。f(t)为预测脑电压力值，g(t)为脑电压力标准值，Correlation_coefficient_loss代表相关系数损失项，其反比于输入窗口内的预测曲线与金标准曲线之间的皮尔逊相关系数，mean(f(t))代表预测脑电压力值的均值，mean(g(t))代表脑电压力标准值的均值。由于仅使用MSE的误差可能会受到采集的数据中某些极大或极小值的影响，因此，本申请中在损失函数中额外增加了相关系数损失项，具体计算方法参考公式(3)、公式(4)。相关系数损失项参考预测脑电压力值和脑电压力标准值之间整体曲线的相关性，其对于输入数据当中异常值的鲁棒性较高。
本申请实施例中，获取多个用户的属性信息和实际脑电压力值，根据多个用户的属性信息和实际脑电压力值，生成多个训练样本，采用多个训练样本对标准压力预测模型进行训练，以得到经过训练的标准压力预测模型。由此，基于多个用户的属性信息和实际脑电压力值对标准压力预测模型进行训练，在预测用户的心理压力时，仅通过对标准压力预测模型的参数进行微调即可得到个性化的压力预测模型，提高了预测用户心理压力的精确度。
在上述实施例的基础上，在将用户的属性信息输入标准压力预测模型时，可以基于长短记忆网络的各层网络结构输入属性信息的各部分信息，下面结合图3进行详细介绍，图3为本申请实施例提供的另一种心理压力的预测方法的流程示意图。
如图3所示，该心理压力的预测方法，可以包括以下步骤：
步骤301，将属性信息中的睡眠分期信息输入长短记忆网络LSTM的第一层编码层。
其中，长短记忆网络(Long Short Term Memory Network，简称LSTM)是一种特殊的递归神经网络，能够解决时间序列问题的预测，并且具有循环结构。
可以理解的是，由于大部分的输入参数特征为时间序列特征，为了使回归网络能够充分提炼不同时间点之间的复杂关系特征，拟采用LSTM作为主体网络结构。
本申请实施例中，用户的属性信息中包含的各生理参数特征的获取均需要在时间窗口内进行统计与计算，并且不同特征涉及的计算窗口也有差异性，如睡眠分期结果的计算周期为30秒(即30秒出一个分期结果数据，对应采样率为1/30)，心率变异性信息(RR间隔数据的二级特征)相关指标的计算窗口为5秒，而其他特征如心率相关特征，呼吸率特征，以及原始RR间隔数据特征均按1秒为单位输出结果。因此，为了在神经网络中体现不同生理参数的输入在采样率上的差异，可以采用图4所示的层级LSTM结构设计。
可选地，可以将用户属性信息中包含的心率信息、心率变异性信息、活动量信息、睡眠分期信息或呼吸率信息按照采样率由低到高分成3个不同的等级，采样率最低的睡眠分期信息为第一层编码层的输入，而采样率最高的心率相关特征输入作为最里层的输入。
本申请实施例中，获取到用户属性信息中的睡眠分期信息后，可以对睡眠分期信息进行特征提取，以得到睡眠分期特征，将睡眠分期特征输入LSTM的第一层编码层，第一层编码层对睡眠分期特征进行LSTM的编码。
步骤302，将属性信息中的心率变异性信息输入LSTM的第二层编码层。
其中，第二层编码层与第一层编码层之间通过第一拼接层连接。
本申请实施例中，获取到用户的属性信息中的心率变异性信息后，可以对心率变异性信息进行特征提取，得到心率变异性特征后，将心率变异性特征输入LSTM的第二层编码层。
步骤303，将属性信息中的心率信息、活动量信息或呼吸率信息中至少一个输入LSTM的第三层编码层。
其中，第三层编码层与第二层编码层之间通过第二拼接层连接。
本申请实施例中，获取到用户的属性信息中的心率信息、活动量信息或呼吸率信息中至少一个后，可以对心率信息、活动量信息或呼吸率信息中至少一个进行特征提取，得到心率特征、活动量特征或呼吸率特征中至少一个后，将心率特征、活动量特征或呼吸率特征中至少一个输入LSTM的第三层编码层。
本申请实施例中，LSTM的每个编码层对输入的特征进行编码，以充分学习时间点之间的相互关系，并且不同编码层之间通过不同的拼接层进行联系。
步骤304，将LSTM的第三层编码层输出的特征与属性信息中的基本信息合并后输入解码器，以得到属性信息的序列。
本申请实施例中，获取到用户属性信息后，可以对属性信息中的基本信息进行特征提取，得到基本信息特征，将LSTM的第三层编码层输出的特征与基本信息特征进行合并，将合并后的特征输入解码器，以得到属性信息的序列。
可选地，将LSTM的第三层编码层输出的特征与基本信息特征进行合并时，基本信息特征可以在LSTM的第三层编码层输出的特征前面，也可以在LSTM的第三层编码层输出的特征后面，在此不做限定。
作为一种示例，如图4所示，对于一个3min的输入数据窗口，假设睡眠分期的采样周期为30s，心率变异性信息的采样周期为5s，心率信息、活动量信息和呼吸率信息的采样周期为1s，则LSTM的第一层编码层输入为6个采样点，第二层编码层输入为36个采样点，第一层编码层的输入经过LSTM第一层编码层后的输入为6*1的维度，经过第一拼接成的重采样后对应维度变成36*1，再与第二次编码层输入的36*k(k为第二层编码层输入对应的生理参数个数)进行拼接，拼接后的特征维度变成36*(k+1)。最后，将经过LSTM第三层编码层后的特征与基本信息合并，再经过一个解码器输出属性信息的序列。
步骤305，将属性信息的序列输入标准压力预测模型。
本申请实施例中，得到属性信息的序列后，可以将属性信息的序列输入标准压力预测模型，以根据标准压力预测模型输出预测得到预测脑电压力值。
本申请实施例中，通过LSTM从用户的属性信息中提取得到不同时间点之间的复杂关系特征，根据输入特征采样率的差异设计不同的编码层，通过重采样和拼接的方式实现对不同采样率的编码层进行拼接。
为了实现上述实施例，本申请提出了一种心理压力的预测装置。
图5为本申请实施例提供的一种心理压力的预测装置的结构示意图。
如图5所示，该心理压力的预测装置500，可以包括：第一获取模块510、第二获取模块520、输入模块530、调整模块540以及预测模块550。
其中，第一获取模块510，用于获取目标用户处于特定状态下的属性信息；其中，属性信息包括性别、年龄、身高、体重、心率信息、心率变异性信息、活动量信息、睡眠分期信息或呼吸率信息中多个组合；
第二获取模块520，用于获取标准压力预测模型；其中，标准压力预测模型已学习得到属性信息和脑电压力值之间的对应关系；
输入模块530，用于将属性信息输入标准压力预测模型，得到标准压力预测模型输出的目标用户的预测脑电压力值；
调整模块540，用于根据目标用户的预测脑电压力值与特定状态下的脑电压力标准值之间的差异，对标准压力预测模型的参数进行调整，以得到目标用户的压力预测模型；
预测模块550，用于采用目标用户的压力预测模型对目标用户进行心理压力预测。
作为一种可能的情况，调整模块540，还可以用于：
根据所述目标用户的预测脑电压力值和所述特定状态下的脑电压力标准值，确定所述标准压力预测模型的均方误差损失项和相关系数损失项；
根据所述目标用户的预测脑电压力值和所述特定状态下的脑电压力标准值之间的差异，对所述标准压力预测模型的参数进行调整，直至所述均方误差损失项和所述相关系数损失项之和最小。
作为另一种可能的情况，该心理压力的预测装置500，还可以包括：
第三获取模块，用于获取多个用户的属性信息和实际脑电压力值；
生成模块，用于根据多个用户的属性信息和实际脑电压力值，生成多个训练样本；
训练模块，用于采用多个训练样本对标准压力预测模型进行训练，以得到经过训练的标准压力预测模型。
作为另一种可能的情况，第三获取模块，还可以用于：
获取用户的脑电数据；对用户的脑电数据进行带通滤波，以得到滤波后的脑电数据；对滤波后的脑电数据进行功率谱密度的计算，生成功率谱密度曲线；根据滤波后的脑电数据中第一波段与第二波段的功率谱密度曲线的面积，分别确定第一波段与第二波段的功率；其中，所述第二波段小于所述第一波段；根据第一波段的功率与第二波段的功率比值，确定用户的实际脑电压力值。
作为另一种可能的情况，输入模块530，还可以用于：
将属性信息中的睡眠分期信息输入长短记忆网络LSTM的第一层编码层；将属性信息中的心率变异性信息输入LSTM的第二层编码层；其中，第二层编码层与第一层编码层之间通过拼接层连接；将属性信息中的心率信息、活动量信息或呼吸率信息中至少一个输入LSTM的第三层编码层；其中，第三层编码层与第二层编码层之间通过第二拼接层连接；将LSTM的第三层编码层输出的特征与属性信息中的基本信息合并后输入解码器，以得到属性信息的序列；将属性信息的序列输入标准压力预测模型。
需要说明的是，前述对预测方法实施例的解释说明也适用于该实施例的预测装置，此处不再赘述。
本申请实施例的心理压力的预测装置，在获取到目标用户处于特定状态下的属性信息后，将属性信息输入标准压力预测模型，得到的标准压力预测模型输出的目标用户的预测脑电压力值后，根据目标用户的预测脑电压力值与特定状态下的脑电压力标准值之间的差异，对标准压力预测模型的参数进行调整，以得到目标用户的压力预测模型，进而，采用目标用户的压力预测模型对目标用户进行心理压力预测。由此，考虑到了目标用户的个体差异性，通过对标准压力预测模型的参数进行调整，得到目标用户对应的个性化的压力预测模型后，采用个性化的压力预测模型对目标用户的心理压力进行预测，提高了心理压力预测的准确度。
为了实现上述实施例，本申请还提出了一种计算机设备，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，实现如上述实施例中所述的心理压力的预测方法。
为了实现上述实施例，本申请还提出一种非临时性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上述实施例中所述的心理压力的预测方法。
为了实现上述实施例，本申请还提出一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，实现上述实施例中所述的心理压力的预测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。

Claims (12)

1.一种心理压力的预测方法，其特征在于，包括：
获取目标用户处于特定状态下的属性信息；其中，所述属性信息包括性别、年龄、身高、体重心率信息、心率变异性信息、活动量信息、睡眠分期信息或呼吸率信息中多个组合；
获取标准压力预测模型；其中，所述标准压力预测模型已学习得到所述属性信息和脑电压力值之间的对应关系；
将所述属性信息输入所述标准压力预测模型，得到所述标准压力预测模型输出的所述目标用户的预测脑电压力值；
根据所述目标用户的预测脑电压力值与所述特定状态下的脑电压力标准值之间的差异，对所述标准压力预测模型的参数进行调整，以得到所述目标用户的压力预测模型；
采用所述目标用户的压力预测模型对所述目标用户进行心理压力预测。
2.根据权利要求1所述的预测方法，其特征在于，所述根据所述目标用户的预测脑电压力值与所述特定状态下的脑电压力标准值之间的差异，对所述标准压力预测模型的参数进行调整，包括：
根据所述目标用户的预测脑电压力值和所述特定状态下的脑电压力标准值，确定所述标准压力预测模型的均方误差损失项和相关系数损失项；
根据所述目标用户的预测脑电压力值和所述特定状态下的脑电压力标准值之间的差异，对所述标准压力预测模型的参数进行调整，直至所述均方误差损失项和所述相关系数损失项之和最小。
3.根据权利要求1或2所述的预测方法，其特征在于，所述标准压力预测模型是通过以下方法生成的：
获取多个用户的属性信息和实际脑电压力值；
根据所述多个用户的属性信息和所述实际脑电压力值，生成多个训练样本；
采用多个所述训练样本对所述标准压力预测模型进行训练，以得到经过训练的所述标准压力预测模型。
4.根据权利要求3所述的预测方法，其特征在于，所述获取所述用户的实际脑电压力值，包括：
获取所述用户的脑电数据；
对所述用户的脑电数据进行带通滤波，以得到滤波后的脑电数据；
对所述滤波后的脑电数据进行功率谱密度的计算，生成功率谱密度曲线；
根据所述滤波后的脑电数据中第一波段与第二波段的所述功率谱密度曲线的面积，分别确定所述第一波段与所述第二波段的功率；其中，所述第二波段小于所述第一波段；
根据所述第一波段的功率与所述第二波段的功率比值，确定所述用户的实际脑电压力值。
5.根据权利要求1或2所述的预测方法，其特征在于，所述将所述属性信息输入所述标准压力预测模型，包括：
将所述属性信息中的睡眠分期信息输入长短记忆网络LSTM的第一层编码层；
将所述属性信息中的心率变异性信息输入所述LSTM的第二层编码层；其中，所述第二层编码层与所述第一层编码层之间通过第一拼接层连接；
将所述属性信息中的心率信息、活动量信息或呼吸率信息中至少一个输入所述LSTM的第三层编码层；其中，所述第三层编码层与所述第二层编码层之间通过第二拼接层连接；
将所述LSTM的第三层编码层输出的特征与所述属性信息中的基本信息合并后输入解码器，以得到所述属性信息的序列；
将所述属性信息的序列输入所述标准压力预测模型。
6.一种心理压力的预测装置，其特征在于，包括：
第一获取模块，用于获取目标用户处于特定状态下的属性信息；其中，所述属性信息包括性别、年龄、身高、体重、心率信息、心率变异性信息、活动量信息、睡眠分期信息或呼吸率信息中多个组合；
第二获取模块，用于获取标准压力预测模型；其中，所述标准压力预测模型已学习得到所述属性信息和脑电压力值之间的对应关系；
输入模块，用于将所述属性信息输入所述标准压力预测模型，得到所述标准压力预测模型输出的所述目标用户的预测脑电压力值；
调整模块，用于根据所述目标用户的预测脑电压力值与所述特定状态下的脑电压力标准值之间的差异，对所述标准压力预测模型的参数进行调整，以得到所述目标用户的压力预测模型；
预测模块，用于采用所述目标用户的压力预测模型对所述目标用户进行心理压力预测。
7.根据权利要求6所述的预测装置，其特征在于，所述调整模块，还用于：
根据所述目标用户的预测脑电压力值和所述特定状态下的脑电压力标准值，确定所述标准压力预测模型的均方误差损失项和相关系数损失项；
根据所述目标用户的预测脑电压力值和所述特定状态下的脑电压力标准值之间的差异，对所述标准压力预测模型的参数进行调整，直至所述均方误差损失项和所述相关系数损失项之和最小。
8.根据权利要求6或7所述的预测装置，其特征在于，所述装置，还包括：
第三获取模块，用于获取多个用户的属性信息和实际脑电压力值；
生成模块，用于根据所述多个用户的属性信息和所述实际脑电压力值，生成多个训练样本；
训练模块，用于采用多个所述训练样本对所述标准压力预测模型进行训练，以得到经过训练的所述标准压力预测模型。
9.根据权利要求8所述的预测装置，其特征在于，所述第三获取模块，还用于：
获取所述用户的脑电数据；
对所述用户的脑电数据进行带通滤波，以得到滤波后的脑电数据；
对所述滤波后的脑电数据进行功率谱密度的计算，生成功率谱密度曲线；
根据所述滤波后的脑电数据中第一波段与第二波段的所述功率谱密度曲线的面积，分别确定所述第一波段与所述第二波段的功率；其中，所述第二波段小于所述第一波段；
根据所述第一波段的功率与所述第二波段的功率比值，确定所述用户的实际脑电压力值。
10.根据权利要求6或7所述的预测装置，其特征在于，所述输入模块，还用于：
将所述属性信息中的睡眠分期信息输入长短记忆网络LSTM的第一层编码层；
将所述属性信息中的心率变异性信息输入所述LSTM的第二层编码层；其中，所述第二层编码层与所述第一层编码层之间通过拼接层连接；
将所述属性信息中的心率信息、活动量信息或呼吸率信息中至少一个输入所述LSTM的第三层编码层；其中，所述第三层编码层与所述第二层编码层之间通过第二拼接层连接；
将所述LSTM的第三层编码层输出的特征与所述属性信息中的基本信息合并后输入解码器，以得到所述属性信息的序列；
将所述属性信息的序列输入所述标准压力预测模型。
11.一种计算机设备，其特征在于，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，实现如权利要求1-5中任一所述的心理压力的预测方法。
12.一种非临时性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权利要求1-5中任一所述的心理压力的预测方法。
CN202110723716.4A 2021-06-29 2021-06-29 心理压力的预测方法、装置、设备及存储介质 Pending CN115547490A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110723716.4A CN115547490A (zh) 2021-06-29 2021-06-29 心理压力的预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110723716.4A CN115547490A (zh) 2021-06-29 2021-06-29 心理压力的预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115547490A true CN115547490A (zh) 2022-12-30

Family

ID=84716966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110723716.4A Pending CN115547490A (zh) 2021-06-29 2021-06-29 心理压力的预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115547490A (zh)

Similar Documents

Publication Publication Date Title
Petković et al. Adaptive neuro-fuzzy estimation of autonomic nervous system parameters effect on heart rate variability
US9872652B2 (en) Method and apparatus for heart rate monitoring using an electrocardiogram sensor
US20190175028A1 (en) Seizure Detection Methods, Apparatus, and Systems Using an Autoregression Algorithm
US8666482B2 (en) Method, system and software product for the measurement of heart rate variability
CN111386068B (zh) 基于摄像机的压力测量系统与方法
JPH10506034A (ja) 胎児データ処理システム及び方法
CN103584872A (zh) 一种基于多生理参数融合的心理压力评估方法
JP2011517982A (ja) 睡眠／覚醒状態評価方法及びシステム
CN114748080B (zh) 一种感觉运动功能的检测量化方法和系统
EP3479758A1 (en) System and method for breathing pattern extraction from ppg signals
Begum et al. Mental state monitoring system for the professional drivers based on Heart Rate Variability analysis and Case-Based Reasoning
Park et al. Prediction of daily mental stress levels using a wearable photoplethysmography sensor
Soman et al. Analysis of physiological signals in response to stress using ECG and respiratory signals of automobile drivers
EP3116381A1 (de) System zur bestimmung von vitalparametern
Yue et al. Heart rate and heart rate variability as classification features for mental fatigue using short-term ppg signals via smartphones instead of ecg recordings
CN105266764B (zh) 一种中医宗气测评装置
GB2469547A (en) Measurement of heart rate variability
CN112494026A (zh) 一种基于非接触的远程心脏猝死预警方法
Maier et al. A mobile solution for stress recognition and prevention
CN116211308A (zh) 一种高强度运动下机体疲劳评估方法
CN116269289A (zh) 一种基于短时心率变异性的运动员心理生理健康评价方法
CN115547490A (zh) 心理压力的预测方法、装置、设备及存储介质
WO2017057022A1 (ja) 生体状態推定装置、生体状態推定方法及びコンピュータプログラム
RU2326587C1 (ru) Способ исследования вариабельности сердечного ритма человека
CN114897304A (zh) 一种消防员训练效能评估方法及系统

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