CN115563484A - 一种基于生理唤醒识别的街道绿化品质检测方法 - Google Patents
一种基于生理唤醒识别的街道绿化品质检测方法 Download PDFInfo
- Publication number
- CN115563484A CN115563484A CN202211390493.5A CN202211390493A CN115563484A CN 115563484 A CN115563484 A CN 115563484A CN 202211390493 A CN202211390493 A CN 202211390493A CN 115563484 A CN115563484 A CN 115563484A
- Authority
- CN
- China
- Prior art keywords
- greening
- street
- awakening
- quality
- 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 59
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 230000000638 stimulation Effects 0.000 claims abstract description 17
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 238000013526 transfer learning Methods 0.000 claims abstract description 9
- 238000002474 experimental method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 21
- 230000037007 arousal Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 230000009914 physiological arousal Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 230000003938 response to stress Effects 0.000 claims description 9
- 206010062519 Poor quality sleep Diseases 0.000 claims description 8
- 238000012880 independent component analysis Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 239000000470 constituent Substances 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims 3
- 230000005012 migration Effects 0.000 claims 3
- 238000010276 construction Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000846 Bartlett's test Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002889 sympathetic effect 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于生理唤醒识别的街道绿化品质检测方法，包括：根据高频次街道景观特征建立绿化品质因子指标体系，获取并统一处理街道绿化图像以进行绿化刺激生理实验；采集原始数据，根据绿化品质因子指标对原始数据进行重分类和差异波处理，获得可用于绿化品质因子唤醒特征识别的有效生理数据；根据得到的有效生理数据，计算生理唤醒特征参数，利用迁移学习融合训练生理唤醒特征参数，实现生理唤醒特征重要性判定，并识别绿化品质因子的加权平均绿化唤醒指数；分析绿化品质因子的加权平均绿化唤醒指数数据，形成街道绿化品质检测模型，将待解析的标注街道样本输入街道绿化品质检测模型，得到街道绿化品质分级检测目标数据标注结果。
Description
技术领域
本发明涉及建成环境品质测度领域，具体的是一种基于生理唤醒识别的街道绿化品质检测方法。
背景技术
街道绿化是城市景观系统的组成部分之一，与人民的生活密切相关，在建成环境的发展中起着不可或缺的作用。随着我国城镇化进入“精细化运营”时代，建成环境存量更新的内涵日益丰富，街道绿化作为人居环境建设的重要内容，同时也是城市修补、生态赋能、环境提质的最基本景观构成单元，更是满足人民群众对美好生活需求、彰显城市品质的适宜建设行为。例如，在城市街道绿化规划设计时，测量并改善绿化结构形态、视线关系等直接影响绿化营造水平的构成要素，进而影响街道空间形态、环境品质与公众活力。
近年来，建成环境绿化常见品质检测方法多是围绕绿化图像的视觉特征建立评价指标体系，分析绿化要素的变化趋势、组合影响及其对环境场地的建设需求，通过城市环境样本的对比评价产生了一系列的研究成果；相关知识产权成果有：通过静态植物图像采集、优良品质植物特征抽取、时间序列结构化存储、形态特征熵值计算的植物生长品质自动识别方法(申请号：201911040562.8)；通过多层次绩效评价体系建立、信息多元数据库调用、权重判断矩阵计算、堆叠柱状图生成的观赏植物景观绩效综合评价方法(申请号：201910407314.6)；通过植物图像评价数据获取、景观效果阈值分值、绿视率差异性分析、logistic逐步回归模型计算的植物景观视觉舒适性的分析方法(申请号：202210304173.7)等。当前有关绿化品质的发明虽已取得一定进展，但仍有一定的局限性：原始数据的获取还是最终的结果呈现仍受到技术条件与主观意愿的制约，人工标注成本高，数据更新速度难以应对城市高速建设的变化与需求；绿化品质指标体系多基于现有模型与框架，仅聚焦于单一或少数绿化构成要素，影响环境品质整体解析系统的精度和全局性；在具体方案里绿化品质因子参数获取与解析多依靠经验或评价打分，其运行效率、科学性和普适性有待提升。
发明内容
为解决上述背景技术中提到的不足，本发明的目的在于提供一种基于生理唤醒识别的街道绿化品质检测方法。
本发明的目的可以通过以下技术方案实现：一种基于生理唤醒识别的街道绿化品质检测方法，方法包括以下步骤：
根据高频次街道景观特征建立绿化品质因子指标体系，获取并统一处理街道绿化图像以进行绿化刺激生理实验；
采集随街道绿化图像刺激的脑电、心电、皮电和肌电原始数据，根据绿化品质因子指标对原始数据进行重分类和差异波处理后，获得可用于绿化品质因子唤醒特征提取的有效生理数据；
根据得到的有效生理数据，计算绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数，利用迁移学习融合训练生理唤醒特征参数，实现生理唤醒特征重要性判定，并识别绿化品质因子的加权平均绿化唤醒指数；
分析绿化品质因子的加权平均绿化唤醒指数数据，形成街道绿化品质检测模型，用于街道绿化品质对比检测；
将待解析的标注街道样本输入街道绿化品质检测模型，得到街道绿化品质分级检测目标数据标注结果。
优选地，所述绿化品质指标体系建立过程包括以下步骤：
对街道绿化结构、植物属性、视觉景观等研究进行频度统计，选取高频次的街道绿化品质因子，同时采用理论分析法对街道绿化的构成要素、典型特征和环境内涵进行梳理，建立街道绿化品质因子指标体系，所述街道绿化品质因子指标体系包括一级要素维度、二级变量因子和三级因子变化形式指标；
获取建成环境街景图片数据，采用地点场景识别技术确定街景图片中的街道绿化场景类别图像，通过图像要素语义分割技术对绿化场景类别图像的单一绿化品质变量因子进行特征取样，利用平方梯度函数确定清晰的街道绿化目标图像；
随机从街道绿化目标图像中选择m幅街道绿化图像，对m幅街道绿化图像进行三次相位随机化处理，得到3*m幅相位随机图像构成实验刺激图像库；将实验刺激图像库中所有实验刺激图像通过组间实验分成n组，并在实验室环境以随机组间、相同的频率进行播放，实时获取图像对应数据段的脑电信号EEG、心电信号ECG、皮电信号EDA、肌电信号EMG和示波器触发trigger信号。
优选地，绿化品质因子指标体系的一级要素维度指标包括绿化结构、植物质地、视线关系和景观特质；二级变量因子指标是对一级绿化品质要素的扩展；三级因子变化形式指标是变量因子的表现形式，通过建成环境街景图片对绿化品质进行因子特征取样。
优选地，所述采集随街道绿化图像刺激的脑电、心电、皮电和肌电原始数据，根据绿化品质因子指标对原始数据进行重分类和差异波处理的过程包括以下步骤：
截取每张街道绿化目标图像被刺激出现时的原始数据，根据trigger信号记录的marker标记，将代表同一绿化品质变量因子的原始数据段分为一类，每一类数据段反映出受测人在某一变量因子影响下的脑电、心电、皮电和肌电变化状态；对原始数据段进行基线校正、带通滤波处理、平均参考处理、独立分量分析ICA、降噪和伪迹去除，并利用经验模态分解EMD纠正信号偏移，从而求取绿化品质因子刺激状态对非刺激状态电信号的平均波幅和差异波；
利用汉宁窗加窗处理、快速傅里叶变换和小波变换对差异波波形的幅度和相位图像进行分析，提取街道绿化目标图像呈现时间窗内的脑电差异波PZ、P4、P5、O1、OZ、O2五个导联的β和α频率波段、心电差异波R-R间期的低频和高频波段、肌电差异波经全波整流处理的高频波段和皮电差异波归一化导电率GSR，从而计算出脑电、心电和肌电频率波段的功率谱密度，以及皮电导电率的一阶差分，得到用于绿化品质因子生理唤醒特征识别的有效生理数据。
优选地，所述根据得到的有效生理数据，计算绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数，利用迁移学习融合训练生理唤醒特征参数，实现生理唤醒特征重要性判定，并识别绿化品质因子的加权平均绿化唤醒指数的过程包括以下步骤：
根据获得的有效生理数据，将每一类绿化品质因子生理数据叠加平均，分别计算绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数，并将计算得出的绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数进行标准化处理；
针对标准化处理后的绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数，得到绿化品质因子生理唤醒特征向量
式中，
表示第x类绿化品质因子对象的第m个生理唤醒特征，构建生理唤醒特征重要性判定矩阵B＝{bij}，式中，bij表示第i个唤醒特征维度与第j个唤醒特征维度之间的重要性程度比值，由此得到各特征的权重向量w*＝[w1,w2,…,wj]；
利用迁移学习TLDA进行生理唤醒特征融合，将70％样本作为源域数据集，其余30％作为目标域数据集，获取源域街道绿化目标图像的标记唤醒度值，对绿化品质因子生理唤醒特征向量A(m)和标记唤醒度Y进行稀疏自编码处理，确定自编码器的神经元个数为q，q＜m，并将A(m)带入神经网络中，经过神经网络训练赋予生理唤醒特征权重，得到融合特征的集成向量E及E对应的加权平均绿化唤醒指数O，如下式；
式中，ωi表示所述每个源域的权重，即集成向量E中相似度向量的模，ok表示第k类绿化品质因子预测的唤醒度。
优选地，所述计算绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数的过程包括以下步骤：
计算绿化因子对象的脑电唤醒特征参数AEEG，计算公式如下：
式中，Pβ,x和Pα,x表示PZ、P4、P5、O1、OZ、O2五个导联的对于当前计算绿化品质因子对象x的β、α波段的相对平均功率；
计算绿化因子对象的心电唤醒特征参数AECG，计算公式如下：
式中，PLF,x表示第x个绿化品质因子的心电低频分量的功率值，PHF,x表示第x个绿化品质因子的心电高频分量的功率值；
计算绿化因子对象的皮电唤醒特征参数AEDA，计算公式如下：
式中，tpeak和tonset表示应激响应时ΔGSR上升时间的峰值点和开始，speak和sonset表示应激响应时ΔGSR幅度值的峰值点和开始；AEDA表示GSR应激响应时高于基线10％的唤醒；
计算绿化因子对象的肌电唤醒特征参数AEMG，计算公式如下：
式中，PEMG,x表示当前计算绿化品质因子对象x的肌电信号的功率谱密度函数，f表示肌电信号的频率；
将各绿化品质因子生理唤醒特征参数进行标准化处理，引入以下计算公式：
式中，A(i)表示第i个唤醒特征参数，Amin和Amax表示唤醒特征参数的最小和最大值，ANormalized表示归一化后的唤醒特征参数。
优选地，所述分析绿化品质因子的加权平均绿化唤醒指数数据，形成街道绿化品质检测模型的过程包括以下步骤：
获取每一类绿化品质因子的加权平均绿化唤醒指数，采用抽样适合性KMO检验和巴特利Bartlett球状检验对绿化品质因子的加权平均绿化唤醒指数数据进行检验，当KMO值＞0.6，球状检验伴随概率P值≤0.01时，则认为因子变量之间相关性强，适合进一步对绿化因子对象进行分析；
计算初始绿化品质变量矩阵潜在X＝{xij}，(i＝1,2,3,...,m；j＝1,2,3,...,n)主成分的累计方差贡献率MK，选取MK≥80％的绿化品质的潜在主成分，为：
式中，xij表示第i个样本的第j个绿化品质变量因子；
表示第k个绿化品质潜在主成分分量，εij表示第i个变量因子的第j个潜在主成分的因子荷载数，ηij表示第j个潜在主成分的特征根；
提取前k个潜在主成分对街道绿化品质进行检测，根据相关系数矩阵和方差贡献率计算出单个绿化品质变量因子的权重wi'，为：
式中，γj表示第j个绿化品质潜在主成分对应的方差贡献率，wi'越大表示绿化品质变量因子的重要性越大；
根据绿化品质变量因子权重系数形成街道绿化品质检测模型，用于街道绿化品质对比检测，为：
G＝λ1x1+λ2x2+λ3x3+…+λjxj
式中，λ1表示第i个因子的影响系数，xj表示第j个重新提取的因子绿化唤醒指数数据。
优选地，所述将待解析的标注街道样本输入街道绿化品质检测模型，得到街道绿化品质分级检测目标数据标注结果的过程包括以下步骤：
获取J名受试者针对N个街道样本的I张街道绿化图像的生理数据，得到N个街道样本M个绿化品质变量因子的初始绿化品质变量矩阵Z＝{zij}，(i＝1,2,3,...,M；j＝1,2,3,...,N)，根据绿化品质变量因子指标类别分类标注N个街道样本的脑电、心电、皮电和肌电生理唤醒特征参数；
建立脑电、心电、皮电和肌电唤醒特征参数间的绿化唤醒关系融合模型，生成J名受试者对于街道绿化品质变量因子的融合绿化唤醒指数，设置绿化唤醒指数数据的置信度在[0,1]区间内，将所述街道样本的变量因子进行唤醒度标注；
预设绿化品质检测条件，将街道绿化品质分为四个等级G1、G2、G3、G4，并对街道样本的要素维度由高到低进行分级赋值，由此进行街道样本绿化品质排序；
式中，xij表示第i个地点的第j种要素维度的绿化唤醒度标注数据，
表示所有样本绿化唤醒度的平均值，σ表示所有样本绿化唤醒度的标准差，Ci表示第i个要素维度绿化品质赋值后的等级；
将标注街道样本输入街道绿化品质检测模型，通过计算的绿化变量因子和要素维度的权重值，逐一得到街道样本要素维度的唤醒度，在此基础上，对照绿化品质分级检测条件，对各要素维度的绿化品质重新赋值，并按照绿化品质要素维度权重进行加权叠加，形成并标注街道样本无量纲绿化品质值；
式中，Y表示街道样本的绿化品质值，
表示第t个要素维度的权重，Ct'表示第t个要素维度绿化品质的等级赋值。
优选地，一种设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当一个或多个所述程序被一个或多个所述处理器执行，使得一个或多个所述处理器实现如上所述的一种基于生理唤醒识别的街道绿化品质检测方法。
优选地，一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上所述的一种基于生理唤醒识别的街道绿化品质检测方法。
本发明的有益效果：
1针对复合建成环境绿化特征数据统筹解析不足的问题，本发明采用理论分析法对街道绿化的构成要素、典型特征和环境内涵进行梳理，建立括要素维度、变量因子和因子具体变化形式的建立绿化品质因子指标体系，聚焦街道绿化生理唤醒与街道绿化品质的关联数据，实现了绿化因子对象多维度数据的整体分析，提高了街道绿化品质检测的速度与效率。
2针对环境唤醒数据采集过程繁琐、波动幅度较显著、处理流程周期过长等缺陷，本发明以较高的精度将多源生理信号识别为生理唤醒特征，利用迁移学习TLDA进行多个生理唤醒特征融合训练，获取可量化处理的建成环境绿化图像的绿化唤醒指数，提高了绿化唤醒解析数据采集效率与特征融合分析的时间精度、空间精度，克服社会赞许性偏差干扰，推动了建成环境街道绿化基础数据获取的科学化、客观化和标准化发展。
3针对检测结果标注主观性强、成本较高，且侧重于前期测算方法，缺少对后期应用的探索，本发明在层次化绿化品质检测结果上融合建成环境地点样本间的生理唤醒关系，以绿化品质因子对象为数据集合，预设绿化品质分级检测条件，能够提升街道绿化品质检测模型的泛化能力，进而为建成环境绿化品质提升与循证设计提供应用途径，促进建成环境的精细化发展。
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，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是本发明的基于生理唤醒识别的街道绿化品质检测方法流程图；
图2是根据本发明实施例的受试者叠加平均生理唤醒特征反馈图；
图3是根据本发明实施例生理唤醒特征融合结构图；
图4是根据本发明实施例的绿化品质潜在主成分关系图；
图5是根据本发明实施例的绿化品质因子影响权重和综合得分系数分布图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种基于生理唤醒识别的街道绿化品质检测方法，方法包括以下步骤：
(1)根据高频次街道景观特征建立绿化品质因子指标体系，获取并统一处理街道绿化图像以进行绿化刺激生理实验：
(1-1)对现有文献中有关街道绿化结构、植物属性、视觉植物景观等研究进行频度统计，选取高频次的街道绿化品质影响因子，同时采用理论分析法对街道绿化的构成要素、典型特征和环境内涵进行梳理，建立街道绿化品质因子指标体系，包括一级要素维度、二级变量因子和三级因子具体变化形式指标，如表1所示。所述一级要素维度包括绿化结构、植物质地、视线关系和景观特质。所述二级指标是对一级绿化品质要素的扩展，包含绿化形态、绿化构成、绿化构成、绿视率等18种街道绿化变量因子。所述三级指标是变量因子的具体表现形式，通过建成环境街景图片对绿化品质进行因子特征取样；
表1街道绿化品质因子指标体系
(1-2)获取建成环境街景图片数据，采用地点场景识别技术确定街景图片中的街道绿化场景类别图像，通过图像要素语义分割技术对绿化场景类别图像的单一绿化品质变量因子进行特征取样，利用平方梯度函数确定清晰的街道绿化目标图像；
(1-3)随机从所述实验材料中选择m幅街道绿化目标图像，对所述m幅街道绿化目标图像进行三次相位随机化处理，得到3*m幅相位随机图像构成实验刺激图像库。所有实验刺激图像通过组间实验分成n组，并在实验室环境以随机组间、相同的频率进行播放，实时获取图像对应数据段的脑电信号EEG、心电信号ECG、皮电信号EDA、肌电信号EMG和示波器触发trigger信号。
本实施例中，选取Places365-CNN模型数据集和ResNet152-Hybrid1365场景分类模型作为街道绿化场景检测工具，将检测标签中排序前三位并与绿化要素的语义相关的图像判定为街道绿化场景类别图像。通过ADE20K-CNN数据集和Cascade-DilatedNet语义分割模型对街道绿化场景类别图像的变量因子进行特征取样，将绿视率＞5％的图像作为街道绿化目标图像进行下一步分析处理。
每个绿化品质因子选取3～5种不同变化形式的街道绿化典型特征目标图像80张，得到三次相位随机化处理的3*80＝240张街道绿化相位随机图像构成实验刺激图像库。将实验刺激图像分成2组进行组间实验，每张图像循环三遍，并以10Hz的频率闪现3000ms，图像之间的间隔静息态为3000ms。在实验刺激图像播放的同时，向生理示波器发送marker标记，实时记录和采集每张图像播放时的脑电、皮电、肌电、心电和示波器触发信号变化原始数据，共捕捉320个原始数据段。
(2)采集随街道绿化图像刺激的脑电、心电、皮电和肌电原始数据，根据绿化品质因子指标对原始数据进行重分类和差异波处理，获得可用于绿化品质因子唤醒特征提取的有效生理数据；
(2-1)截取每张街道绿化目标图像被刺激时的原始数据，根据trigger信号记录的marker标记，将代表同一绿化品质变量因子的原始数据段分为一类，每一类数据段反映出受测人在某一变量因子影响下的脑电、心电、皮电和肌电变化状态。对原始数据段进行基线校正、带通滤波处理、平均参考处理、独立分量分析ICA、降噪和伪迹去除，并利用经验模态分解EMD纠正信号偏移，从而求取绿化品质因子刺激状态对非刺激状态电信号的平均波幅和差异波；
(2-2)利用汉宁窗加窗处理、快速傅里叶变换和小波变换对差异波波形的幅度和相位图像进行分析，提取街道绿化目标图像呈现时间窗内的脑电差异波PZ、P4、P5、O1、OZ、O2五个导联的(8～12Hz)β和α(14-～30Hz)频率波段、心电差异波R-R间期的低频(LF：0.04～0.15Hz)和高频(HF：0.15～0.4Hz)波段、肌电差异波经全波整流处理的高频波段(MF：50-150Hz)和皮电差异波归一化导电率GSR，从而计算出脑电、心电和肌电频率波段的功率谱密度，以及皮电导电率的一阶差分，得到用于绿化品质因子生理唤醒特征识别的有效生理数据。
本实例中，共采集65名受试者的实验数据，有效数据61组。所述信号采样频率为500Hz，在Matlab平台上利用ECGLab、LedaLab、HRVAS等软件包完成原始数据的基线校正、降噪、伪迹去除、滤波、独立分量分析ICA、纠正信号偏移预处理，其中脑电的各个导联电极的电阻值在10kΩ以下。所述汉宁窗窗口大小设置为25ms，所述小波变换为Daubechiesdb2，截取街道绿化目标图像刺激出现的前2000ms到后5000ms的脑电、心电、皮电和肌电信号变化数据，进而对按照18类绿化品质因子重分类的信号变化数据进行差异波分析。
(3)根据得到的有效生理数据，计算绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数，利用迁移学习融合训练生理唤醒特征参数，实现生理唤醒特征重要性判定，并识别绿化品质因子的加权平均绿化唤醒指数；
(3-1)根据所述步骤(2-2)获得街道绿化因子处理后的有效生理数据，将每一类绿化品质因子的生理数据叠加平均，分别计算绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数(如图2)，具体步骤如下：
(3-1-1)计算绿化因子对象的脑电唤醒特征参数AEEG，计算公式如下：
式中，Pβ,x和Pα,x表示PZ、P4、P5、O1、OZ、O2五个导联的对于当前计算绿化品质因子对象x的β、α波段的相对平均功率，AEEG数值越大表示街道绿化对于大脑视觉区域的唤醒程度越高；
(3-1-2)计算绿化因子对象的心电唤醒特征参数AECG，计算公式如下：
式中，PLF,x表示第x个绿化品质因子的心电低频分量的功率值，PHF,x表示第x个绿化品质因子的心电高频分量的功率值，AECG数值越大表示交感神经越活跃，即街道绿化的唤醒程度越高；
(3-1-3)计算绿化因子对象的皮电唤醒特征参数AEDA，计算公式如下：
式中，tpeak和tonset表示应激响应时ΔGSR上升时间的峰值点和开始，speak和sonset表示应激响应时ΔGSR幅度值的峰值点和开始；AEDA表示GSR应激响应时高于基线10％的唤醒，ArEDA数值越大表示街道绿化的唤醒能量越大；
(3-1-4)计算绿化因子对象的肌电唤醒特征参数AEMG，计算公式如下：
式中，PEMG,x表示当前计算绿化品质因子对象x的肌电信号的功率谱密度函数，f表示肌电信号的频率，AEMG数值越大表示街道绿化的唤醒能量越大；
为了消除受试者的个体差异，将各绿化品质因子生理唤醒特征进行标准化处理，引入以下计算公式：
式中，A(i)表示第i个唤醒特征参数，Amin和Amax表示唤醒特征参数的最小和最大值，ANormalized表示归一化后的生理唤醒特征参数；
(3-2)针对标准化处理后的绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数，得到绿化品质因子生理唤醒特征向量
式中，
表示第x类绿化品质因子对象的第m个生理特征。构建生理唤醒特征重要性判定矩阵B＝{bij}，式中，bij表示第i个唤醒特征维度与第j个唤醒特征维度之间的重要性程度比值，由此得到各特征的权重向量w*＝[w1,w2,…,wj]；
(3-3)利用迁移学习TLDA进行生理唤醒特征融合(如图3)，将70％样本作为源域数据集，其余30％作为目标域数据集，获取源域街道绿化目标图像的标记唤醒度值，对绿化品质因子生理唤醒特征向量A(m)和标记唤醒度Y进行稀疏自编码处理，确定自编码器的神经元个数为q，q＜m，并将A(m)带入神经网络中，经过神经网络训练赋予绿化唤醒特征权重，得到融合特征的集成向量E及E对应的加权平均绿化唤醒指数O，如下式；
式中，ωi表示所述每个源域的权重，即集成向量E中相似度向量的模，ok表示第k类绿化品质因子预测的唤醒度。
本实例中，采集PZ、P4、P5、O1、OZ、O2五个导联的脑电信号，所以脑电有5个特征，加上2个皮电特征，1个心电特征，1个肌电特征，共有9个生理唤醒特征。对于源域标记的唤醒度Y的设定，由SAM量表的环境唤醒度作为判断指标。根据脑电、心电、皮电和肌电生理唤醒特征共训练4个迁移学习模型，所述模型采用sigmoid激活函数，通过梯度下降SGD的方式优化模型的权重参数，利用平衡F分数F1-score和准确率对融合模型进行评价(如表2)。经过训练，脑电+心电+皮电+肌电的模型准确率最高，各生理唤醒特征权重为44.2％、35.47％、12.16％和8.17％。
表2生理唤醒特征融合结果对比
(4)分析绿化品质因子的加权平均绿化唤醒指数数据，形成街道绿化品质检测模型，用于街道绿化品质对比检测
(4-1)获取每一类绿化品质因子的加权平均绿化唤醒指数，采用抽样适合性KMO检验和巴特利Bartlett球状检验对绿化品质因子的加权平均绿化唤醒指数数据进行检验，当KMO值＞0.6，球状检验伴随概率P值≤0.01时，则认为因子变量之间有较强相关，适合进一步对绿化因子对象进行分析；
(4-2)计算初始绿化品质变量矩阵X＝{xij}，(i＝1,2,3,...,m；j＝1,2,3,...,n)潜在主成分的累计方差贡献率MK，选取MK≥80％的绿化品质的潜在主成分，具体为：
式中，xij表示第i个样本的第j个绿化品变量因子；
表示第k个绿化品质潜在主成分分量，εij表示第i个变量因子的第j个潜在主成分的因子荷载数，ηij表示第j个潜在主成分的特征根；
(4-3)提取前k个潜在主成分对街道绿化品质进行检测，根据相关系数矩阵和方差贡献率计算出单个绿化品质变量因子的权重wi'，具体为：
式中，γj表示第j个绿化品质潜在主成分对应的方差贡献率，wi'越大表示绿化品质变量因子的重要性程度越大；
(4-4)根据因子权重系数形成街道绿化品质检测模型，用于街道绿化品质对比检测，该模型反映出影响绿化品质的主要因子及其对绿化品质的贡献率，具体为：
G＝λ1x1+λ2x2+λ3x3+…+λjxj
式中，λ1表示第i个因子变量的影响系数，xj表示第j个重新提取的因子融合绿化唤醒指数数据。
本实例中，以街道绿化环境总体唤醒度为因变量，以绿化品质因子绿化唤醒数据为自变量，构建初始绿化品质变量矩阵，经过KMO和Bartlett球状检验，得到变量矩阵的KMO取样适切性量数为0.610>0.6，Bartlett检验的伴随概率P值等于0.000＜0.01，二者皆满足条件可以进行进一步分析。对绿化品质因子进行潜在主成分提取，获得5个相互独立并包含初始因子信息的新变量，获得解释总方差为80.782％，超过80％(如表3)，从而得到绿化品质潜在主成分关系图(如图4)。根据步骤(4-3)求得每个初始绿化品质变量因子的潜在成分因子系数(如表4)和影响权重(如图5)，所有绿化品质因子的影响权重分布在5％～7％，其中观赏方式(GM)对绿化品质的影响最大。
表3绿化品质潜在主成分总方差解释
表4绿化品质潜在主成分得分系数矩阵
(5)将待解析的标注街道样本输入街道绿化品质检测模型，得到街道绿化品质分级检测目标数据标注结果。
(5-1)获取J名受试者针对N个街道样本的I张街道绿化图像的生理数据，得到N个街道样本M个绿化品质变量因子的初始绿化品质变量矩阵Z＝{zij}，(i＝1,2,3,...,M；j＝1,2,3,...,N)，根据绿化品质变量因子指标类别分类标注N个街道样本的脑电、心电、皮电和肌电生理唤醒特征参数；
(5-2)通过(3-3)建立生理唤醒特征指标间的绿化唤醒关系融合模型，生成J名受试者对于街道绿化品质变量因子的融合绿化唤醒指数，有利于精准地识别受试者对于不同街道绿化在采样时间点内的唤醒程度。设置唤醒置信度在[0,1]区间内，对所述街道样本的变量因子进行唤醒度标注；
(5-3)预设绿化品质检测条件，将街道绿化品质分为四个等级G1、G2、G3、G4，并对街道样本的要素维度由高到低进行分级赋值，由此进行街道样本绿化品质排序；
式中，xij表示第i个地点的第j种要素维度的绿化唤醒度标注数据，
表示所有样本绿化唤醒度的平均值，σ表示所有样本绿化唤醒数据的标准差，Ci表示第i个要素维度绿化品质赋值后的等级；
(5-4)将标注街道样本输入街道绿化品质检测模型，通过计算的绿化变量因子和要素维度的权重值，逐一得到街道样本要素维度的唤醒度，在此基础上，对照绿化品质分级检测条件，对各要素维度的绿化品质重新赋值，并按照绿化品质要素维度权重进行加权叠加，形成并标注街道样本无量纲绿化品质值。
式中，Y表示街道样本的绿化品质值，
表示第t个要素维度的权重，Ct'表示第t个要素维度绿化品质的等级赋值。
本实例中，统计60名受试者对于4个街道样本地点绿化图像的脑电、心电、皮电、肌电生理数据，根据(1-1)绿化品质因子指标体系，融合多个绿化唤醒特征参数得到街道样本18个变量因子和4个要素维度的绿化唤醒指数数据，经过潜在主成分分析、加权叠加和绿化品质分级检测，对照统计标注样本各要素维度指标的绿化品质值，对指标出现异常的区域，提出可实施的改善措施，并将获得的街道样本之间的绿化品质状况进行排序比较(如表5)。本实施例标注结果与前期绿化品质检测模型(4-4)测试获得的结果做比较，发现其匹配率达到86％。
表5部分街道样本唤醒度及环境品质
基于同一种发明构思，本发明还提供一种计算机设备，该计算机设备包括：一个或多个处理器，以及存储器，用于存储一个或多个计算机程序；程序包括程序指令，处理器用于执行存储器存储的程序指令。处理器可能是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其用于实现一条或一条以上指令，具体用于加载并执行计算机存储介质内一条或一条以上指令从而实现上述方法。
需要进一步进行说明的是，基于同一种发明构思，本发明还提供一种计算机存储介质，该存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法。该存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电、磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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公开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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解，本公开不受上述实施例的限制，上述实施例和说明书中描述的只是说明本公开的原理，在不脱离本公开精神和范围的前提下，本公开还会有各种变化和改进，这些变化和改进都落入要求保护的本公开范围内容。
Claims (10)
1.一种基于生理唤醒识别的街道绿化品质检测方法，其特征在于，方法包括以下步骤：
根据高频次街道景观特征建立绿化品质因子指标体系，获取并统一处理街道绿化图像以进行绿化刺激生理实验；
采集随街道绿化图像刺激的脑电、心电、皮电和肌电原始数据，根据绿化品质因子指标对原始数据进行重分类和差异波处理后，获得可用于绿化品质因子唤醒特征提取的有效生理数据；
根据得到的有效生理数据，计算绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数，利用迁移学习融合训练生理唤醒特征参数，实现生理唤醒特征重要性判定，并识别绿化品质因子的加权平均绿化唤醒指数；
分析绿化品质因子的加权平均绿化唤醒指数数据，形成街道绿化品质检测模型，用于街道绿化品质对比检测；
将待解析的标注街道样本输入街道绿化品质检测模型，得到街道绿化品质分级检测目标数据标注结果。
2.根据权利要求1所述的一种基于生理唤醒识别的街道绿化品质检测方法，其特征在于，所述绿化品质因子指标体系的建立过程包括以下步骤：
对街道绿化结构、植物属性、视觉景观等研究进行频度统计，选取高频次的街道绿化品质因子，同时采用理论分析法对街道绿化的构成要素、典型特征和环境内涵进行梳理，建立街道绿化品质因子指标体系，所述街道绿化品质因子指标体系包括一级要素维度、二级变量因子和三级因子变化形式指标；
获取建成环境街景图片数据，采用地点场景识别技术确定街景图片中的街道绿化场景类别图像，通过图像要素语义分割技术对绿化场景类别图像的单一绿化品质变量因子进行特征取样，利用平方梯度函数确定清晰的街道绿化目标图像；
随机从街道绿化目标图像中选择m幅街道绿化图像，对m幅街道绿化图像进行三次相位随机化处理，得到3*m幅相位随机图像构成实验刺激图像库；将实验刺激图像库中所有实验刺激图像通过组间实验分成n组，并在实验室环境以随机组间、相同的频率进行播放，实时获取图像对应数据段的脑电信号EEG、心电信号ECG、皮电信号EDA、肌电信号EMG和示波器触发trigger信号。
3.根据权利要求2所述的一种基于生理唤醒识别的街道绿化品质检测方法，其特征在于，绿化品质因子指标体系的一级要素维度指标包括绿化结构、植物质地、视线关系和景观特质；二级变量因子指标是对一级绿化品质要素的扩展；三级因子变化形式指标是变量因子的表现形式，通过建成环境街景图片对绿化品质进行因子特征取样。
4.根据权利要求1所述的一种基于生理唤醒识别的街道绿化品质检测方法，其特征在于，所述采集随街道绿化图像刺激的脑电、心电、皮电和肌电原始数据，根据绿化品质因子指标对原始数据进行重分类和差异波处理的过程包括以下步骤：
截取每张街道绿化目标图像被刺激出现时的原始数据，根据trigger信号记录的marker标记，将代表同一绿化品质变量因子的原始数据段分为一类，每一类数据段反映出受测人在某一变量因子影响下的脑电、心电、皮电和肌电变化状态；对原始数据段进行基线校正、带通滤波处理、平均参考处理、独立分量分析ICA、降噪和伪迹去除，并利用经验模态分解EMD纠正信号偏移，从而求取绿化品质因子刺激状态对非刺激状态电信号的平均波幅和差异波；
利用汉宁窗加窗处理、快速傅里叶变换和小波变换对差异波波形的幅度和相位图像进行分析，提取街道绿化目标图像呈现时间窗内的脑电差异波PZ、P4、P5、O1、OZ、O2五个导联的β和α频率波段、心电差异波R-R间期的低频和高频波段、肌电差异波经全波整流处理的高频波段和皮电差异波归一化导电率GSR，从而计算出脑电、心电和肌电频率波段的功率谱密度，以及皮电导电率的一阶差分，得到用于绿化品质因子生理唤醒特征识别的有效生理数据。
5.根据权利要求1所述的一种基于生理唤醒识别的街道绿化品质检测方法，其特征在于，所述根据得到的有效生理数据，计算绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数，利用迁移学习融合训练生理唤醒特征参数，实现生理唤醒特征重要性判定，并识别绿化品质因子的加权平均绿化唤醒指数的过程包括以下步骤：
根据获得的有效生理数据，将每一类绿化品质因子生理数据叠加平均，分别计算绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数，并将计算得出的绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数进行标准化处理；
针对标准化处理后的绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数，得到绿化品质因子生理唤醒特征向量
式中，
表示第x类绿化品质因子对象的第m个生理唤醒特征，构建生理唤醒特征重要性判定矩阵B＝{bij}，式中，bij表示第i个唤醒特征维度与第j个唤醒特征维度之间的重要性程度比值，由此得到各特征的权重向量w*＝[w1,w2,...,wj]；
利用迁移学习TLDA进行生理唤醒特征融合，将70％样本作为源域数据集，其余30％作为目标域数据集，获取源域街道绿化目标图像的标记唤醒度值，对绿化品质因子生理唤醒特征向量A(m)和标记唤醒度Y进行稀疏自编码处理，确定自编码器的神经元个数为q，q＜m，并将A(m)带入神经网络中，经过神经网络训
练赋予生理唤醒特征权重，得到融合特征的集成向量E及E对应的加权平均绿化唤醒指数O，如下式；
式中，ωi表示所述每个源域的权重，即集成向量E中相似度向量的模，ok表示第k类绿化品质因子预测的唤醒度。
6.根据权利要求5所述的一种基于生理唤醒识别的街道绿化品质检测方法，其特征在于，所述计算绿化品质因子的脑电、心电、皮电和肌电生理唤醒特征参数的过程包括以下步骤：
计算绿化因子对象的脑电唤醒特征参数AEEG，计算公式如下：
式中，Pβ,x和Pα,x表示PZ、P4、P5、O1、OZ、O2五个导联的对于当前计算绿化品质因子对象x的β、α波段的相对平均功率；
计算绿化因子对象的心电唤醒特征参数AECG，计算公式如下：
式中，PLF,x表示第x个绿化品质因子的心电低频分量的功率值，PHF,x表示第x个绿化品质因子的心电高频分量的功率值；
计算绿化因子对象的皮电唤醒特征参数AEDA，计算公式如下：
式中，tpeak和tonset表示应激响应时ΔGSR上升时间的峰值点和开始，speak和sonset表示应激响应时ΔGSR幅度值的峰值点和开始；AEDA表示GSR应激响应时高于基线10％的唤醒；
计算绿化因子对象的肌电唤醒特征参数AEMG，计算公式如下：
式中，PEMG,x表示当前计算绿化品质因子对象x的肌电信号的功率谱密度函数，f表示肌电信号的频率；
将各绿化品质因子生理唤醒特征参数进行标准化处理，引入以下计算公式：
式中，A(i)表示第i个唤醒特征参数，Amin和Amax表示唤醒特征参数的最小和最大值，ANormalized表示归一化后的唤醒特征参数。
7.根据权利要求1所述的一种基于生理唤醒识别的街道绿化品质检测方法，其特征在于，所述分析绿化品质因子的加权平均绿化唤醒指数数据，形成街道绿化品质检测模型的过程包括以下步骤：
获取每一类绿化品质因子的加权平均绿化唤醒指数，采用抽样适合性KMO检验和巴特利Bartlett球状检验对绿化品质因子的加权平均绿化唤醒指数数据进行检验，当KMO值＞0.6，球状检验伴随概率P值≤0.01时，则认为因子变量之间相关性强，适合进一步对绿化因子对象进行分析；
计算初始绿化品质变量矩阵潜在X＝{xij}，(i＝1,2,3,...,m；j＝1,2,3,...,n)主成分的累计方差贡献率MK，选取MK≥80％的绿化品质的潜在主成分，为：
式中，xij表示第i个样本的第j个绿化品质变量因子；
表示第k个绿化品质潜在主成分分量，εij表示第i个变量因子的第j个潜在主成分的因子荷载数，ηij表示第j个潜在主成分的特征根；
提取前k个潜在主成分对街道绿化品质进行检测，根据相关系数矩阵和方差贡献率计算出单个绿化品质变量因子的权重wi'，为：
式中，γj表示第j个绿化品质潜在主成分对应的方差贡献率，wi'越大表示绿化品质变量因子的重要性越大；
根据绿化品质变量因子权重系数形成街道绿化品质检测模型，用于街道绿化品质对比检测，为：
G＝λ1x1+λ2x2+λ3x3+...+λjxj
式中，λ1表示第i个因子的影响系数，xj表示第j个重新提取的因子绿化唤醒指数数据。
8.根据权利要求1所述的一种基于生理唤醒识别的街道绿化品质检测方法，其特征在于，所述将待解析的标注街道样本输入街道绿化品质检测模型，得到街道绿化品质分级检测目标数据标注结果的过程包括以下步骤：
获取J名受试者针对N个街道样本的I张街道绿化图像的生理数据，得到N个街道样本M个绿化品质变量因子的初始绿化品质变量矩阵Z＝{zij}，(i＝1,2,3,...,M；j＝1,2,3,...,N)，根据绿化品质变量因子指标类别分类标注N个街道样本的脑电、心电、皮电和肌电生理唤醒特征参数；
建立脑电、心电、皮电和肌电唤醒特征参数间的绿化唤醒关系融合模型，生成J名受试者对于街道绿化品质变量因子的融合绿化唤醒指数，设置绿化唤醒指数数据的置信度在[0,1]区间内，将所述街道样本的变量因子进行唤醒度标注；
预设绿化品质检测条件，将街道绿化品质分为四个等级G1、G2、G3、G4，并对街道样本的要素维度由高到低进行分级赋值，由此进行街道样本绿化品质排序；
式中，xij表示第i个地点的第j种要素维度的绿化唤醒度标注数据，
表示所有样本绿化唤醒度的平均值，σ表示所有样本绿化唤醒度的标准差，Ci表示第i个要素维度绿化品质赋值后的等级；
将标注街道样本输入街道绿化品质检测模型，通过计算的绿化变量因子和要素维度的权重值，逐一得到街道样本要素维度的唤醒度，在此基础上，对照绿化品质分级检测条件，对各要素维度的绿化品质重新赋值，并按照绿化品质要素维度权重进行加权叠加，形成并标注街道样本无量纲绿化品质值；
式中，Y表示街道样本的绿化品质值，
表示第t个要素维度的权重，Ct'表示第t个要素维度绿化品质的等级赋值。
9.一种设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当一个或多个所述程序被一个或多个所述处理器执行，使得一个或多个所述处理器实现如权利要求1-8中任一所述的一种基于生理唤醒识别的街道绿化品质检测方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的一种基于生理唤醒识别的街道绿化品质检测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211390493.5A CN115563484A (zh) | 2022-11-08 | 2022-11-08 | 一种基于生理唤醒识别的街道绿化品质检测方法 |
| PCT/CN2023/086184 WO2024098649A1 (zh) | 2022-11-08 | 2023-04-04 | 一种基于生理唤醒识别的街道绿化品质检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211390493.5A CN115563484A (zh) | 2022-11-08 | 2022-11-08 | 一种基于生理唤醒识别的街道绿化品质检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115563484A true CN115563484A (zh) | 2023-01-03 |
Family
ID=84769013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211390493.5A Pending CN115563484A (zh) | 2022-11-08 | 2022-11-08 | 一种基于生理唤醒识别的街道绿化品质检测方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115563484A (zh) |
| WO (1) | WO2024098649A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117598674A (zh) * | 2024-01-24 | 2024-02-27 | 吉林大学 | 多参数心脏功能监测系统及方法 |
| CN117524422B (zh) * | 2024-01-08 | 2024-03-26 | 青岛理工大学 | 基于室内绿植改善人体应激恢复性的评估系统及方法 |
| CN117853936A (zh) * | 2024-03-08 | 2024-04-09 | 山东省气候中心 | 小麦冠层图像的冻害识别方法、系统、终端及存储介质 |
| CN117853936B (zh) * | 2024-03-08 | 2024-05-31 | 山东省气候中心 | 小麦冠层图像的冻害识别方法、系统、终端及存储介质 |
-
2022
- 2022-11-08 CN CN202211390493.5A patent/CN115563484A/zh active Pending
-
2023
- 2023-04-04 WO PCT/CN2023/086184 patent/WO2024098649A1/zh unknown
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117524422B (zh) * | 2024-01-08 | 2024-03-26 | 青岛理工大学 | 基于室内绿植改善人体应激恢复性的评估系统及方法 |
| CN117598674A (zh) * | 2024-01-24 | 2024-02-27 | 吉林大学 | 多参数心脏功能监测系统及方法 |
| CN117598674B (zh) * | 2024-01-24 | 2024-04-12 | 吉林大学 | 多参数心脏功能监测系统及方法 |
| CN117853936A (zh) * | 2024-03-08 | 2024-04-09 | 山东省气候中心 | 小麦冠层图像的冻害识别方法、系统、终端及存储介质 |
| CN117853936B (zh) * | 2024-03-08 | 2024-05-31 | 山东省气候中心 | 小麦冠层图像的冻害识别方法、系统、终端及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024098649A1 (zh) | 2024-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106886792B (zh) | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 | |
| CN110070105B (zh) | 基于元学习实例快速筛选的脑电情绪识别方法、系统 | |
| CN115563484A (zh) | 一种基于生理唤醒识别的街道绿化品质检测方法 | |
| CN109948647A (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
| CN109480833A (zh) | 基于人工智能的癫痫患者脑电信号的预处理和识别方法 | |
| CN111046731B (zh) | 基于表面肌电信号进行手势识别的迁移学习方法和识别方法 | |
| CN109497990B (zh) | 一种基于典型相关分析的心电信号身份识别方法及系统 | |
| CN108492877B (zh) | 一种基于ds证据理论的心血管病辅助预测方法 | |
| CN1359656A (zh) | 评估脑皮层中神经元损伤程度的方法与装置 | |
| CN106618611A (zh) | 基于睡眠多通道生理信号的抑郁症辅助诊断方法和系统 | |
| CN107918487A (zh) | 一种基于皮肤电信号识别中文情感词的方法 | |
| CN108717548B (zh) | 一种面向传感器动态增加的行为识别模型更新方法及系统 | |
| CN112185493A (zh) | 人格偏好诊断装置及基于该装置的项目推荐系统 | |
| CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
| CN109934179B (zh) | 基于自动特征选择和集成学习算法的人体动作识别方法 | |
| CN113288157A (zh) | 基于深度可分离卷积和改进损失函数的心律失常分类方法 | |
| Liu et al. | Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest | |
| CN107045624A (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
| Tiwari et al. | Stress and anxiety measurement" in-the-wild" using quality-aware multi-scale hrv features | |
| CN117883082A (zh) | 一种异常情绪识别方法、系统、设备及介质 | |
| Sun et al. | A practical cross-domain ecg biometric identification method | |
| CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
| CN108078563A (zh) | 一种集成分类器的eeg信号分析方法 | |
| CN115633961A (zh) | 基于动态加权决策融合恐高情绪识别模型构建方法与系统 | |
| CN113143275B (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 |
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 |