CN115640827A - 对电刺激数据处理的智能闭环反馈网络方法及系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体地说，涉及对电刺激数据处理的智能闭环反馈网络方法及系统。其步骤为：测定用户对特定神经电刺激参数的耐受阈值和耐受极值；基于预处理得到的特征参数集建立耐受性预测模型；结合生理信号和人口统计学信息生成多模态信息；实时预测用户对当前神经电刺激的耐受程度；匹配安全范围内的最大神经电刺激参数。本发明中智能闭环反馈神经网络算法建立耐受性预测模型，以实时的预测值为反馈信号，形成闭环，在线自适应调整刺激参数，并且在刺激的同时实时分析个体生理信号，为其智能匹配最佳电刺激参数，克服了传统开环刺激系统的不足，在保证安全性的同时兼顾了耐受性与有效性，符合研究需求并具有实用性。

Description

对电刺激数据处理的智能闭环反馈网络方法及系统

技术领域

本发明涉及数据处理技术领域，具体地说，涉及对电刺激数据处理的智能闭环反馈网络方法及系统。

背景技术

神经电刺激(TranscranialElectricalStimulation，tES)是一种无创神经调控技术，通过置于头皮表面的电极将极微弱电流(如2mA)作用于特定脑区，达到调节大脑皮层神经活动的目的。

与其他神经调控技术(如神经磁刺激等)相比，tES具有成本低廉、便携性强和易于操作等特点，在认知科学和临床治疗等领域得到了广泛的研究和应用；一方面，由于神经电刺激可直接证明行为与神经活动之间的因果关系，已被广泛应用于健康人学习和记忆、注意、感知、情绪和决策等认知功能方面的研究中；另一方面，神经电刺激还被大量应用于神经系统疾病(如癫痫、帕金森病、脑卒中、阿尔茨海默病等)和精神疾病(抑郁症、精神分裂症、成瘾、失眠、焦虑)患者的治疗与康复领域中。

然而，目前临床及科研中应用的tES刺激系统均是开环的，即其刺激方案包括刺激靶点、电流强度、频率和相位等刺激参数是预先确定的，对所有个体完全相同且在调控过程中始终保持不变，这种刺激模式忽略了个体间生理状态的差异性及个体生理状态的动态适应性，例如：

皮肤耐受性在个体间高度变异，不同个体对相同刺激参数的耐受性差异巨大，而传统开环刺激系统其刺激方案基于先前经验预先设定的程序化模式，忽略了个体间生理状态的差异性及个体生理状态的动态适应性，所以无法在群体水平上直接提升刺激参数以增强刺激效果，即在安全范围内，传统开环刺激系统无法同时兼顾个体耐受性与有效性，导致不少临床治疗效果呈阴性，结果异质性很高，亟须提出对电刺激数据处理的智能闭环反馈网络方法及系统。

发明内容

本发明的目的在于提供对电刺激数据处理的智能闭环反馈网络方法及系统，以解决上述背景技术中提出的问题。

提供了对电刺激数据处理的智能闭环反馈网络方法，包括如下方法步骤：

S1、测定用户对特定神经电刺激参数的耐受阈值和耐受极值，并在此过程中采集被测定用户的生成数据，然后纳入对应用户构建的数据库内，其中：

所述生成数据包括生理信号和人口统计学信息；

S2、对数据库内的生成数据进行处理，得到特征参数集，智能闭环反馈神经网络算法基于得到的特征参数集建立耐受性预测模型；

S3、结合生理信号和人口统计学信息生成多模态信息；

S4、提取多模态信息反馈至耐受性预测模型，用于实时预测用户对当前神经电刺激的耐受程度；

S5、基于实时预测的耐受程度，以用户耐受阈值为刺激起始值，并在其耐受极值范围内，为其匹配安全范围内的最大神经电刺激参数，在刺激的同时进行S3。

提供了对电刺激数据处理的智能闭环反馈网络系统，包括量效关系数据库模块、模型训练模块、多模态信息采集模块、耐受性分类模块和智能神经电刺激模块，其中：

所述量效关系数据库模块在测定用户耐受阈值和耐受极值的过程中采集被测定用户的生理信号，并将生理信号和采集的人口统计学信息结合得到的生成数据纳入对应用户构建的数据库内；

所述模型训练模块中的智能闭环反馈神经网络算法基于生成数据建立耐受性预测模型；

所述多模态信息采集模块结合生理信号和人口统计学信息生成多模态信息；

所述耐受性分类模块将多模态信息反馈至耐受性预测模型，实时预测用户对当前神经电刺激的耐受程度，并进行实时分类；

所述智能神经电刺激模块基于耐受性分类模块对用户耐受程度进行的预测与实时分类，匹配一个安全范围内的最大神经电刺激参数。

作为本技术方案的进一步改进，所述量效关系数据库模块包括耐受阈值测定单元、耐受极值测定单元、不适感诱发实验单元、生理信号同步采集单元、人口统计学信息采集单元和耐受性量效数据库单元，其中：

所述不适感阈值测定单元和不适感耐受值测定单元的输出端连接至不适感诱发实验单元，用于确定被测定用户对不同神经电刺激的耐受程度；所述不适感诱发实验单元的输出端连接至生理信号同步采集单元，用于以被测定用户参数诱发其不同等级的不适感体验；所述生理信号同步采集单元的输入端连接至不适感诱发实验单元的输出端，用于同步采集被测定用户在不同等级不适感体验中时的生理信号；所述生理信号同步采集单元的输出端连接至耐受性量效数据库单元的输入端，用于将采集到的生理信号储存至耐受性量效数据库单元对应用户构建的数据库内；所述人口统计学信息采集单元的输出端的连接至量效关系数据库单元的输入端，用于采集被试的人口统计学信息，并将其存储至数据库内。

作为本技术方案的进一步改进，所述人口统计学信息为皮肤耐受程度相关的人口统计学特征，包括性别、年龄、身高、体重、民族、职业、文化程度、收入水平、运动时间、睡眠质量、吸烟和饮酒史。

作为本技术方案的进一步改进，所述生理信号同步采集单元采集的生理信号包括皮电信号、心电信号和肌电信号。

作为本技术方案的进一步改进，所述模型训练模块包括信号预处理单元、特征提取单元、特征选择单元、特征降维单元和耐受性模型训练单元，其中：

所述耐受性量效数据库单元的输出端连接到信号预处理单元的输入端，信号预处理单元将采集到的各生理信号进行预处理，得到特征参数集；所述特征提取单元用于提取预处理得到的特征参数集；所述特征选择单元用于对特征参数集进行选择，用以降低特征参数集的数据维度；所述特征降维单元利用特征降维算法寻找特征选择单元选择后特征参数集中的最优特征组；所述耐受性模型训练单元中智能闭环反馈神经网络算法基于最优特征组建立耐受性预测模型。

作为本技术方案的进一步改进，所述信号预处理单元中预处理采用归一化处理，用以消除噪声，其中归一化公式如下：

其中，Xi为原始特征参数分量；Xi’为归一化后特征参数分量，范围在0-1之间；Xmax和Xmin分别为Xi的最大值和最小值，N为输入样本的个数。

作为本技术方案的进一步改进，所述生理信号同步采集单元和人口统计学信息采集单元还组成多模态信息采集模块，所述多模态信息采集模块结合生理信号同步采集单元采集的生理信号以及人口统计学信息采集单元采集的人口统计学信息生成多模态信息。

作为本技术方案的进一步改进，所述生理信号通过可穿戴生理信号采集设备进行采集。

作为本技术方案的进一步改进，所述耐受阈值指的是能够引起用户不适感觉的最小刺激参数；所述耐受极值指的是被测定用户不能再忍受的最小刺激参数。

与现有技术相比，本发明的有益效果：

1、该对电刺激数据处理的智能闭环反馈网络方法及系统中，智能闭环反馈神经网络算法建立耐受性预测模型，以实时的预测值为反馈信号，形成闭环，在线自适应调整刺激参数，并且在刺激的同时实时分析个体生理信号，为其智能匹配最佳电刺激参数，克服了传统开环刺激系统的不足，在保证安全性的同时兼顾了耐受性与有效性，符合研究需求并具有实用性。

2、该对电刺激数据处理的智能闭环反馈网络方法及系统中，利用一种耐受性量效关系数据库的建立方法，在不同耐受等级的刺激强度中实时采集生理信号并结合人口统计学信息，相较于传统的耐受性量表，该方式能够避免个体主观因素，能够更为客观地量化个体对神经电刺激参数的耐受性，准确性更高。

附图说明

图1为本发明的对电刺激数据处理的智能闭环反馈网络方法步骤流程框图；

图2为本发明的对电刺激数据处理的智能闭环反馈网络系统模块框图；

图3为本发明的量效关系数据库模块单元框图。

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。

实施例1

请参阅图1所示，本实施例目的在于，提供了对电刺激数据处理的智能闭环反馈网络方法，包括如下方法步骤：

S1、测定用户对特定神经电刺激参数的耐受阈值和耐受极值，并在此过程中采集被测定用户的生成数据，然后纳入对应用户构建的数据库内，其中：

生成数据包括生理信号和人口统计学信息；

S2、对数据库内的生成数据进行处理，得到特征参数集，智能闭环反馈神经网络算法基于得到的特征参数集建立耐受性预测模型；

S3、结合生理信号和人口统计学信息生成多模态信息；

S4、提取多模态信息反馈至耐受性预测模型，用于实时预测用户对当前神经电刺激的耐受程度；

S5、基于实时预测的耐受程度，以用户耐受阈值为刺激起始值，并在其耐受极值范围内，为其匹配安全范围内的最大神经电刺激参数，在刺激的同时进行S3。

针对上述步骤的原理通过以下举例进行说明：

步骤1：首先招募500名用户进行测定，使用计算机化人口统计学问卷采集人口统计学特征，包括性别、年龄、身高、体重、民族、职业、文化程度、收入水平、运动时间、睡眠质量、吸烟与饮酒史等，并采集5分钟静息态皮电信号、心电信号与肌电信号；使用无线神经电刺激系统，刺激类型选择神经直流电刺激tDCS，刺激靶点为F3，电流强度从0mA开始递增，步长为0.1mA，最大电流强度为4mA，测定用户(即：受试者)对神经电刺激电流强度的疼痛阈值与疼痛极值；

在刺激过程中基于疼痛视觉量表VAS要求被试者对当前电流强度引起的刺激感觉进行10点评分，0代表无疼痛，10代表不能再忍受的疼痛，以第一次不为0评分对应的电流强度作为疼痛阈值，如0.4mA；以第一次10评分对应的电流强度作为疼痛极值，如3mA；

根据测得的疼痛阈值与耐受值确定引起三种疼痛体验的等级，如低强度—0.4mA，中强度—1.7mA，高强度—3mA；以上述三种等级的电流强度诱发受试者产生三种等级的疼痛体验，并在此过程中同步采集受试者的皮电信号、心电信号与肌电信号；人口统计学信息与静息态、刺激时的三种生理信号按照被试编号储存至数据库。

值得说明的是，皮电信号(GSR)基于无线皮肤电阻传感器，将电极置于右手食指和中指远节指骨下侧皮肤表面进行采集；心电信号(ECG)基无线心电信号传感器，将心电电极分别置于胸骨右缘锁骨中线第一肋间、胸骨左缘锁骨中线第一肋间和左锁骨中线剑突水平处进行采集；肌电信号(EMG)基于无线肌电信号传感器，将肌电电极置于颈部一侧斜方肌处进行采集；

上述三种传感器运用精密的运算放大器将采集到的的皮电信号经放大、滤波、AD转换，将采集的数字化数据及波形数据通过无线局域网输出至PC端，储存至数据库，具体的：

信号放大器的输入端连接到GSR、ECG和EMG信号采集电极，采集并放大相应生理信号；所述信号放大器的输出端连接到模拟滤波器的输入端，初步滤除工频干扰；所述模拟滤波器的输出端连接A/D转换器的输入端，将采集到的模拟信号转换为数字信号并传输至量效数据库；A/D转换器的输出端连接量效数据库的输入端，接收并存储转换后的数字化生理信号。

步骤2：首先基于已建立的数据库，对所述生理信号进行预处理，具体将采集到的生理数据导入至MATLAB，去除掉信号中异常片段，选用Daubechies小波函数进行生理信号的分析和处理，Daubechies小波函数简称dbM，其中M是指小波函数的支撑长度，支撑宽度为2M-1，滤波长度为2M；

对于皮电信号的预处理选用db6小波，首先将皮电信号进行8尺度小波分解，之后对尺度1至尺度4的细节分量进行统一的软阈值去噪处理，最后将经过阈值量化处理后的尺度1至尺度4的细节分量与未处理的尺度5至尺度8的细节分量进行小波重构，便可以得到去噪后的信号；

对于心电信号的预处理同样选db6小波，基于小波变换的原理对原始心电信号进行8尺度分解，然后利用小波重构的原理，选取尺度2至尺度4的高频分量重构出QRS波群，由此可以有效剔除原始心电信号中的噪声；

对于肌电信号的预处理选用db5小波，首先将皮电信号进行8尺度小波分解，之后对尺度1至尺度4的细节分量进行统一的软阈值去噪处理，最后将经过阈值量化处理后的尺度1至尺度4的细节分量与未处理的尺度5至尺度8的细节分量进行小波重构，便可以得到去噪后的信号；

当上述生理信号预处理后，对其进行特征提取：

对于皮电信号提取17种典型的皮电信号特征参数，分别为：皮电信号均值、标准差、最大值、最小值、最大值与最小值之差、一阶差分均值、一阶差分标准差、一阶差分最大值、一阶差分最小值、一阶差分最大值与最小值之差、二阶差分均值、二阶差分标准差、二阶差分最大值、二阶差分最小值、二阶差分最大值与最小值之差、峰值响应的次数、峰值响应的均值。

对于心电信号提取18种时域特征，全部窦性心搏RR间期的均值、相邻RR间期差值的均方根、全部窦性心搏RR间期的标准差、RR间期的一阶差分标准差、RR间期最大值与最小值的差值、最大RR间期与最小RR间期的比值、每5分钟RR间期标准差的平均值、全部RR间期中相邻的RR间期之差大于50ms的心搏数、Enn50除以RR间期总数的百分比(Epnn50)、RR间期的总个数除以RR间期直方图的高度；7种频域特征：0-0.04Hz频段的功率(EVIF)、0.04-0.15Hz频段的功率、0.15-0.4Hz频段的功率、心电信号总功率和、规一化后的低频段功率、规一化后的高频段功率、ELF/EHF。

对于肌电信号提取11种时域特征，斜方肌积分肌电值、过零点数、肌电振幅均方根值、均值、标准差、平均绝对值、一阶差分均值、一阶差分中值、一阶差分标准差(Cdiff1std)、斜率符号变化数、平均绝对值斜率；2种频域特征：斜方肌功率频率平均值、斜方肌功率频率中值；

获取全部信号特征后，进行特征预处理，即最小值最大值标准化：

其中，Xi为原始特征参数分量；Xi’为归一化后特征参数分量，范围在0-1之间；Xmax和Xmin分别为Xi的最大值和最小值，N为输入样本的个数。

将所得特征参数集分为训练集与验证集，进行10x10的较差验证，选择随机森林算法，通过监督学习的方式使用训练集建立高准确率的耐受性预测模型；随机森林是最常用的疼痛分类算法，它通过大多数单个树的决策来预测给定测试模式的输出，每个树都是在一个训练集中随机选择的一个例子构建的，RF在训练过程中能够处理很高维度的数据，不用做特征选择，而且能预测各特征之间的互相影响，利用RF分类器能判断出各特征的重要性排名。

步骤3：在耐受性预测模型训练完成后，对使用本系统的新受试者进行多模态信息采集，包括皮电信号、心电信号、肌电信号与人口统计学信息。

步骤4：将采集到的多模态信息进行特征提取，所提取的特征基于步骤2种特征降维后的结果，将所得特征参数集实时输入已建立的耐受性预测模型，对个体当前的耐受程度进行分类。

步骤5：首先基于静息态生理信号与人口统计学信息，对个体耐受阈值进行预测，赋予个体特异性的电刺激起始值；同时，基于滑动时间窗的方式，在刺激中对个体耐受程度进行实时分类，若当前未达高强度疼痛水平，则按照预定步长0.1mA增加刺激强度，直至所预设的最大耐受等级，若当前已达预设最大耐受等级，则按照预设步长0.5mA快速降低电流强度。

实施例2

请参阅图2所示，本实施例提供了，对电刺激数据处理的智能闭环反馈网络系统，包括量效关系数据库模块、模型训练模块、多模态信息采集模块、耐受性分类模块和智能神经电刺激模块，其中：

量效关系数据库模块在测定用户耐受阈值和耐受极值的过程中采集被测定用户的生理信号，并将生理信号和采集的人口统计学信息结合得到的生成数据纳入对应用户构建的数据库内；

模型训练模块中的智能闭环反馈神经网络算法基于生成数据建立耐受性预测模型；

多模态信息采集模块结合生理信号和人口统计学信息生成多模态信息；

耐受性分类模块将多模态信息反馈至耐受性预测模型，实时预测用户对当前神经电刺激的耐受程度，并进行实时分类；

智能神经电刺激模块基于耐受性分类模块对用户耐受程度进行的预测与实时分类，匹配一个安全范围内的最大神经电刺激参数。

具体的，请参阅图3所示，量效关系数据库模块包括耐受阈值测定单元、耐受极值测定单元、不适感诱发实验单元、生理信号同步采集单元、人口统计学信息采集单元和耐受性量效数据库单元，其中：

不适感阈值测定单元和不适感耐受值测定单元的输出端连接至不适感诱发实验单元，用于确定被测定用户对不同神经电刺激(包括神经直流电刺激-tDCS、神经交流电刺激-tACS与神经噪声刺激-tRNS，对应的神经电刺激参数包括电流强度、刺激频率、刺激相位、刺激时长、刺激占空比、刺激靶点与刺激面积等参数)的耐受程度；不适感(指与神经电刺激相关的任何负面感觉，包括疼痛、刺痛、瘙痒、灼烧、头晕、恶心等)诱发实验单元的输出端连接至生理信号同步采集单元，用于以被测定用户参数诱发其不同等级的不适感体验；生理信号同步采集单元的输入端连接至不适感诱发实验单元的输出端，用于同步采集被测定用户在不同等级不适感体验中时的生理信号；生理信号同步采集单元的输出端连接至耐受性量效数据库单元的输入端，用于将采集到的生理信号储存至耐受性量效数据库单元对应用户构建的数据库内；人口统计学信息采集单元的输出端的连接至量效关系数据库单元的输入端，用于采集被试的人口统计学信息，并将其存储至数据库内。

此外，人口统计学信息为皮肤耐受程度相关的人口统计学特征，包括性别、年龄、身高、体重、民族、职业、文化程度、收入水平、运动时间、睡眠质量、吸烟和饮酒史，上述特征可通过计算机化问卷采集。

除此之外，生理信号同步采集单元采集的生理信号包括皮电信号、心电信号和肌电信号，但不限于者三种生理信号。

进一步的，模型训练模块包括信号预处理单元、特征提取单元、特征选择单元、特征降维单元和耐受性模型训练单元，其中：

耐受性量效数据库单元的输出端连接到信号预处理单元的输入端，信号预处理单元将采集到的各生理信号进行预处理，得到特征参数集；特征提取单元用于提取预处理得到的特征参数集；特征选择单元用于对特征参数集进行选择，在不影响计算效果的前提下，通过特定的准则对特征集进行定义、描述和筛选，剔除无关和冗余信息，有效地降低特征参数集的维度，降低计算成本和存储空间，加快数据挖掘过程，改善后期智能闭环反馈神经网络算法的性能，增强模型的泛化能力，从而在一定程度上减少过拟合和欠拟合现象的出现，得到稳定、可靠的模型，因此，为了更好地对生理信号的皮肤耐受性相关指标进行度量，使用特定的特征选择算法进行特征选择，特征选择算法包括但不限于特征排序算法、顺序特征选择算法、遗传算法、粒子群算法、禁忌搜索算法等特征选择方法；特征降维单元利用特征降维算法(包括但不限于主成分分析法PCA和线性判别分析法LDA等特征降维方法)寻找特征选择单元选择后特征参数集中的最优特征组；耐受性模型训练单元中智能闭环反馈神经网络算法基于最优特征组建立耐受性预测模型。

再进一步的，皮电、心电和肌电信号首先经陷波滤波器去除工频干扰，然后通过小波阈值滤波等方式去除肌电、运动伪迹等噪声与基线漂移，并采用归一化处理，用以消除噪声，其中归一化公式如下：

其中，Xi为原始特征参数分量；Xi’为归一化后特征参数分量，范围在0-1之间；Xmax和Xmin分别为Xi的最大值和最小值，N为输入样本的个数，具体原理：在模式识别中，由于不同特征参数的量纲在数量级上差别较为明显；数量级较大的特征参数会淹没小特征参数的信息，从而弱化其对分类的贡献，因此需要统一特征参数的数量级，消除量纲差异；通过特征参数归一化的方法可以避免原始数据信息丢失，缩小变量优化的搜索范围，缩短训练周期，提高模型检测准确率。

此外，生理信号同步采集单元和人口统计学信息采集单元还组成多模态信息采集模块，多模态信息采集模块结合生理信号同步采集单元采集的生理信号以及人口统计学信息采集单元采集的人口统计学信息生成多模态信息。

具体的，生理信号通过可穿戴生理信号采集设备进行采集。

耐受阈值指的是能够引起用户不适感觉的最小刺激参数；耐受极值指的是被测定用户不能再忍受的最小刺激参数。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明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发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.对电刺激数据处理的智能闭环反馈网络方法，其特征在于,包括如下方法步骤：

S1、测定用户对特定神经电刺激参数的耐受阈值和耐受极值，并在此过程中采集被测定用户的生成数据，然后纳入对应用户构建的数据库内，其中：

所述生成数据包括生理信号和人口统计学信息；

S2、对数据库内的生成数据进行处理，得到特征参数集，智能闭环反馈神经网络算法基于得到的特征参数集建立耐受性预测模型；

S3、结合生理信号和人口统计学信息生成多模态信息；

S4、提取多模态信息反馈至耐受性预测模型，用于实时预测用户对当前神经电刺激的耐受程度；

S5、基于实时预测的耐受程度，以用户耐受阈值为刺激起始值，并在其耐受极值范围内，为其匹配安全范围内的最大神经电刺激参数，在刺激的同时进行S3。

2.采用如权利要求1所述的对电刺激数据处理的智能闭环反馈网络方法的系统，其特征在于，包括量效关系数据库模块、模型训练模块、多模态信息采集模块、耐受性分类模块和智能神经电刺激模块，其中：

所述量效关系数据库模块在测定用户耐受阈值和耐受极值的过程中采集被测定用户的生理信号，并将生理信号和采集的人口统计学信息结合得到的生成数据纳入对应用户构建的数据库内；

所述模型训练模块中的智能闭环反馈神经网络算法基于生成数据建立耐受性预测模型；

所述多模态信息采集模块结合生理信号和人口统计学信息生成多模态信息；

所述耐受性分类模块将多模态信息反馈至耐受性预测模型，实时预测用户对当前神经电刺激的耐受程度，并进行实时分类；

所述智能神经电刺激模块基于耐受性分类模块对用户耐受程度进行的预测与实时分类，匹配一个安全范围内的最大神经电刺激参数。

3.根据权利要求2所述的对电刺激数据处理的智能闭环反馈网络系统，其特征在于，所述量效关系数据库模块包括耐受阈值测定单元、耐受极值测定单元、不适感诱发实验单元、生理信号同步采集单元、人口统计学信息采集单元和耐受性量效数据库单元，其中：

所述不适感阈值测定单元和不适感耐受值测定单元的输出端连接至不适感诱发实验单元，用于确定被测定用户对不同神经电刺激的耐受程度；所述不适感诱发实验单元的输出端连接至生理信号同步采集单元，用于以被测定用户参数诱发其不同等级的不适感体验；所述生理信号同步采集单元的输入端连接至不适感诱发实验单元的输出端，用于同步采集被测定用户在不同等级不适感体验中时的生理信号；所述生理信号同步采集单元的输出端连接至耐受性量效数据库单元的输入端，用于将采集到的生理信号储存至耐受性量效数据库单元对应用户构建的数据库内；所述人口统计学信息采集单元的输出端的连接至量效关系数据库单元的输入端，用于采集被试的人口统计学信息，并将其存储至数据库内。

4.根据权利要求3所述的对电刺激数据处理的智能闭环反馈网络系统，其特征在于，所述人口统计学信息为皮肤耐受程度相关的人口统计学特征，包括性别、年龄、身高、体重、民族、职业、文化程度、收入水平、运动时间、睡眠质量、吸烟和饮酒史。

5.根据权利要求3所述的对电刺激数据处理的智能闭环反馈网络系统，其特征在于，所述生理信号同步采集单元采集的生理信号包括皮电信号、心电信号和肌电信号。

6.根据权利要求2所述的对电刺激数据处理的智能闭环反馈网络系统，其特征在于，所述模型训练模块包括信号预处理单元、特征提取单元、特征选择单元、特征降维单元和耐受性模型训练单元，其中：

所述耐受性量效数据库单元的输出端连接到信号预处理单元的输入端，信号预处理单元将采集到的各生理信号进行预处理，得到特征参数集；所述特征提取单元用于提取预处理得到的特征参数集；所述特征选择单元用于对特征参数集进行选择，用以降低特征参数集的数据维度；所述特征降维单元利用特征降维算法寻找特征选择单元选择后特征参数集中的最优特征组；所述耐受性模型训练单元中智能闭环反馈神经网络算法基于最优特征组建立耐受性预测模型。

7.根据权利要求6所述的对电刺激数据处理的智能闭环反馈网络系统，其特征在于，所述信号预处理单元中预处理采用归一化处理，用以消除噪声，其中归一化公式如下：

其中，Xi为原始特征参数分量；Xi’为归一化后特征参数分量，范围在0-1之间；Xmax和Xmin分别为Xi的最大值和最小值，N为输入样本的个数。

8.根据权利要求3所述的对电刺激数据处理的智能闭环反馈网络系统，其特征在于，所述生理信号同步采集单元和人口统计学信息采集单元还组成多模态信息采集模块，所述多模态信息采集模块结合生理信号同步采集单元采集的生理信号以及人口统计学信息采集单元采集的人口统计学信息生成多模态信息。

9.根据权利要求8所述的对电刺激数据处理的智能闭环反馈网络系统，其特征在于，所述生理信号通过可穿戴生理信号采集设备进行采集。

10.根据权利要求1所述的对电刺激数据处理的智能闭环反馈网络系统，其特征在于，所述耐受阈值指的是能够引起用户不适感觉的最小刺激参数；所述耐受极值指的是被测定用户不能再忍受的最小刺激参数。

Images