CN115843231A - 在室内环境中检测受试者的短期压力并产生警报的方法和系统 - Google Patents
在室内环境中检测受试者的短期压力并产生警报的方法和系统 Download PDFInfo
- Publication number
- CN115843231A CN115843231A CN202280003807.3A CN202280003807A CN115843231A CN 115843231 A CN115843231 A CN 115843231A CN 202280003807 A CN202280003807 A CN 202280003807A CN 115843231 A CN115843231 A CN 115843231A
- Authority
- CN
- China
- Prior art keywords
- bio
- index
- heart rate
- bone
- subject
- 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
Images
Abstract
公开了一种在室内环境中检测受试者的短期压力并产生警报的方法和系统。该系统可以从可穿戴设备接收受试者的心率、皮肤电化学反应和加速度计运动的数据,还可以通过相机捕捉图像帧。之后,该系统可根据心率和皮肤电反应数据进行生物信号分析,并根据图像帧进行骨骼运动分析。根据生物信号分析和骨骼运动分析分别产生的生物信号指数和皮肤传导指数,系统可以进行数据融合以确定短期压力。
Description
技术领域
本发明整体涉及检测短期压力并提供警报的方法和系统。更具体地说,本发明涉及通过分析受试者的骨骼运动,并伴随着心率、皮肤电化学反应以及加速度计运动数据,而检测短期压力并提供警报的方法和系统。
背景技术
照相机和可穿戴检测设备已经彻底改革了对受试者的生物信号和与活动相关的数据的记录和收集。目前,大多数的技术使用心率、皮肤电反应数据(或皮肤电导)以及其他特征来评估受试者的压力水平或健康状况。这些可穿戴设备在消费产品中效果很好,因为这些设备可以在很长一段时间内记录和分析受试者的行为。、
如美国专利申请公开号2014/0200468A1所公开的那样,可以根据生物模式和对个人的提问来评估压力水平。
中国专利申请公开号CN109106384A公开了一种通过使用机器学习算法预测心理压力状况的方法和系统。该机器学习算法是建立在生物信号和深度学习模型之上的。除了心率和皮肤电反应数据外,机器学习算法还需要更多的生物信号,如饮食状况。
然而,如果受试者没有一直佩戴检测设备,或者没有正确佩戴检测设备,那么这些方法可能就不能很好地发挥作用。例如,被拘留者在定罪前可能不会被迫连续长时间地佩戴检测装置;或者学生可能只上一个小时左右的课。
因此,需要一种解决方案,在只使用短时间内收集的数据的情况下确定受试者所经历的压力。
发明内容
本发明的目的是提供检测受试者的短期压力并提供警报的系统和方法,其中该受试者位于封闭环境中。
根据本发明第一方面的一个实施方案,对受试者的心率和皮肤电导进行生物信号分析,以确定受试者的短期压力。
根据本发明第一方面的另一个实施方案,进行骨骼运动分析以确定受试者的骨骼运动;并从分析中产生运动状态和活动细节。受试者的短期压力是通过从相机拍摄的受试者的图像帧中识别的骨骼运动、以及生物信号分析的结果来确定的。如果不能从图像帧中检测到受试者的关节姿势,则进行重建以预测其关节坐标集。
根据本发明的第二个方面,通过应用基于规则的算法来检测压力水平,并根据生物信号指数、运动状态和活动细节提供警报,从而执行数据融合过程。
附图说明
下文将参照附图详细描述本发明的实施方案,其中:
图1描述了根据本发明的一个实施方案的、用于检测短期压力并产生警报的系统的示意图;
图2描述了根据本发明的一个实施方案的,检测短期压力和健康状况的过程流程;
图3描述了根据本发明的一个实施方案的生物信号分析的过程流程;
图4描述了根据本发明的一个实施方案进行骨骼运动分析的过程流程;以及
图5A-5F展示了应用经过训练的模型所分析的运动状态的例子。
具体实施方式
在下面的描述中,检测受试者的短期压力并产生警报等的系统和方法作为优选实施例被提出。对于本领域的技术人员来说,显然可以在不偏离本发明的范围和精神的情况下进行修改,包括增加和/或替换。具体的细节可以省略,以使得本发明不会被模糊。然而,本发明的公开内容是为了使本领域技术人员能够在不进行无止境的实验的情况下实践本发明的教导。
以下的描述请参考图1。系统100被配置为检测或监测特定环境中的受试者的压力和/或健康状况。该对象可以是例如被监禁的囚犯。该特定环境可以包括室内环境和室外环境。在室外环境中,有更多的因变量需要考虑,如风、温度和湿度。然而,大多数因变量在室内环境中往往保持不变。因此,为了简单起见,这里只说明了室内环境。这里的系统和方法并非只限于检测或监测拘留室中被拘留者的压力和/或健康状况;在这里,拘留室中的被拘留者只是为了说明问题。该系统很容易地可以用于、但不限于以下场景:被监禁的囚犯、老年痴呆症患者或在医疗机构接受诊断或咨询的精神病患者、被审讯的嫌疑人、面试中的受访者,以及接受与压力有关的心理测试的实验对象。在每一种情况下,受试者都会被安置在封闭的区域内接受监控。
系统100包括用于执行至少生物信号分析101、骨骼运动分析102和数据融合103的特定机器指令的一个或多个模块,这些指令可由至少一个处理单元,例如处理单元105执行,并存储在存储介质106中。存储介质106可以是非暂时性计算机可读存储介质。系统100进一步包括至少一个网络接口,例如网络接口104,用于接收来自外部设备的数据,例如本发明中说明的相机或可穿戴设备。本发明对系统100的结构没有限制;系统100的硬件组件可以以任何组合方式连接。
在一个实施方案中,除了至少一个处理单元、至少一个网络接口和非暂时性计算机可读存储介质之外,系统100可以进一步包括存储器和系统总线。该存储器直接连接到至少一个处理单元。该系统总线可将包括但不限于至少一个网络接口和非暂时性计算机可读存储介质的系统组件,与处理单元相连接。系统100能够连接到外部设备,以通过至少一个网络接口收集或接收来自外部设备的数据。本发明并不限制其中提到的功能、过程、方法或分析必须要由系统100的处理单元来处理。
在一个实施方案中,系统100进一步包括通过系统总线耦合到至少一个处理单元的各种设备或模块,如生物信号分析模块、骨骼运动分析模块和数据融合模块。
下面的描述请参考图2。为了检测受试者在短时间内的压力水平,系统100执行生物信号分析201、骨骼运动分析202和数据融合203,这些可以在一个或多个设备上执行,或由至少一个处理单元执行,如图1所示。
系统100可以接收生物数据204和可调参数,以进行生物信号分析201。生物数据204可以包括心率和皮肤电反应数据。系统100还可以接收加速器数据205、视频片段206和环境参数,以进行骨骼运动分析202。生物数据204和加速度计数据205是从可穿戴设备207接收的,而视频片段206是从相机208接收的。
可穿戴设备207至少包括电子电路,其功能是实现与系统100的有线或无线连接。对可穿戴设备207的类型没有限制,其可以是但不限于智能手表、腰带、项链、或包括必要的电子电路的襟针,或其他形式的可穿戴设备。可穿戴设备207可以穿戴在身体的某个部位,如手臂、臂套、腿套、头部、头骨、面部、上背部、下背部、腿部、膝盖、手、手套、脚等。电子电路可以独立部署,并能够确定与植入有关的参数,如植入时间,或生理参数,如心率、EKG数据、活动管理数据、温度、皮肤电反应数据、呼吸数据、液体状态数据、心率变异性等。对生物数据204和加速度计数据205的收集方式没有限制。生物数据204和加速度计数据205可以实时收集或分批收集。
在一个实施方案中,系统100和可穿戴设备207之间建立了连接,用于即时传输生物数据204和加速度计数据205。
在另一个实施方案中,生物数据204和加速度计数据205可以暂时存储在可穿戴设备207中,并在系统100和可穿戴设备207之间建立连接时传输给系统100。
在另一个实施方案中,生物数据204和加速度计数据205从可穿戴设备207传输到第三系统或设备,并进一步传输到系统100。
可调参数可包括但不限于以下一项或多项:生理特征(如身高、体重、体重指数、体脂率、体毛水平等)、人口统计学特征(如性别、年龄、种族、婚姻状况、兄弟姐妹人数、社会经济地位、性取向等)、健康状况(如健康和疾病状态)、饮食习惯(如酒精消费、咖啡因消费)和任何其他合适的行为信息。
相机208可以有线或无线地连接到系统100。相机208可以是红外线相机、3D相机、立体相机系统或任何具有摄像功能的相机或设备,能够在特定环境中捕捉图像或录制视频。例如,在一个2.5米×3.5米×3.5米的房间里,且该房间的照明很少的时候,可能需要红外线相机来捕捉图像,而监控相机安装在天花板上。
在生物信号分析201和骨骼运动分析202完成后,生物信号指数207、运动状态和活动水平208分别被分类和输出,并被传送用于执行数据融合203。生物信号分析和骨骼运动分析的细节将在后面讨论。
下面的描述请参考图3。图3中展示的生物信号分析可以与图2中说明的生物信号分析201相同。
在过程301中,系统可以分别在第一固定时间间隔和第二固定时间间隔从可穿戴设备收集或接收心率和皮肤电反应数据。第一固定时间间隔和第二固定时间间隔可以是相同或不同的。除了心率和皮肤电反应数据外,本发明的生物信号分析不需要额外的生物数据。相反,只需要与一个小的学习窗口进行简单的比较。
在一个例子中,心率可以每2秒收集一次,皮肤电反应数据可以每秒钟收集一次。
在另一个例子中,心率和皮肤电反应数据可以每秒钟收集一次。
在过程302中,系统可将心率和皮肤电反应数据划分到第一时间窗口和第二时间窗口。从可穿戴设备接收到的心率和皮肤电反应数据存储在系统的非暂时性计算机可读存储器中,并均匀地划分到第一时间窗口和第二时间窗口中,使第一时间窗口(t)和第二时间窗口(t+1)的大小相同。
在一个例子中,如果心率和皮肤电反应数据在2分钟内的每秒钟都被收集,那么第一时间窗口和第二时间窗口的大小都是60秒,每个时间窗口可以包含60条数据记录。
在另一个例子中,如果每2秒收集一次心率和皮肤电反应数据,那么在一分钟内就会收集30个数据点。第一个时间窗口和第二个时间窗口的大小都是30秒,每个时间窗口可以包含15条数据记录。
在过程303中,系统可根据每个时间窗口中的心率和皮肤电反应数据的数据记录生成统计数据。统计数据可以是各类统计数据中的任意一种,如平均值数据、中位数数据、标准差数据、变化率数据、范围数据等。
为了示范的目的,统计数据是平均数据(即心率的平均值和皮肤电反应数据的平均值)。因此,第一时间窗口中的心率的平均值(HR_meant)、第二时间窗口中心率的平均值(HR_meant+1)、第一时间窗口中的皮肤电反应数据的平均值(SC_meant)和第二时间窗口中的皮肤电反应数据的平均值(SC_meant+1),可以被获得。之后,产生第一时间窗口和第二时间窗口之间的心率平均值的差异(ΔHR):
ΔHR=HR_meant+1-HR_meant
通常情况下,心率平均值的差异在-20到+20之间。同时,第一时间窗口和第二时间窗口之间的皮肤电反应数据的平均值的差异(ΔSC)在第一时间窗口和第二时间窗口之间也会产生:
ΔSC=SC_meant+1-SC_meant
为了进一步限制皮肤电反应数据的平均值,使其在最大和最小的阈值范围内,引入了剪辑(Clip)函数来缩放皮肤电反应数据的平均值:
在过程304中,系统可以进一步用sigmoid函数映射每个生成的统计数据,以得到指数。生成的统计数据是心率的平均值和皮肤电反应数据的标度平均值之差。心率平均值的差值转化为心率指数是用第一sigmoid函数找到的,而皮肤电导反应数据的比例平均值转化为皮肤传导指数是用第二sigmoid函数映射的。心率指数和皮肤传导指数用于数据融合。
在一个实施方案中,第一sigmoid函数是尖锐区分器(sharp discriminant),它可以将心率的平均值转换为0和1之间的连续和线性的心率指数,该指数变化的敏感性应该用下面的sigmoid函数来调整。
在另一个实施方案中,第一sigmoid函数可以根据可调参数而变化。例如,如果一个患有糖尿病的受试者在特定的环境中被监测,方程内部的常数可以改变。
在一个实施方案中,与第一sigmoid函数相同的是,第二sigmoid函数是尖锐区分器,它可以将皮肤电导反应数据的标度平均值转换成0和1之间的连续和线性皮肤传导指数。
在另一个实施方案中,第二sigmoid函数也可以根据可调参数而变化。例如,可以在皮肤和电极之间引入凝胶、一小滴水或生理盐水,以避免电极干燥并提高导电性。如果引入不同的材料,则可调参数可以被调整。
对于必须在哪里应用sigmoid函数这一点,没有限制;任何能够反映压力和心率之间关系的函数都可以被应用,例如S型函数、“误差函数”(error functions)、双曲切线、sigmoid函数、累积正态分布函数、累积对数正态分布函数,或其任何多项式近似函数。
在过程305中,系统可以生成生物信号指数。应用加权函数将心率指数和皮肤传导指数映射到生物信号指数。该生物信号指数可进一步用于数据融合。
在一个例子中,该加权函数是加权和函数。
下面的描述请参考图4。这里进行的骨骼运动分析可以与图2中说明的生物信号分析202相同。该系统可以接收加速度计数据、环境参数和视频剪辑,以进行骨骼运动分析。为了进行骨骼运动分析,可以使用动作-结构自关注图形卷积网络(GCN)来识别基于一个或多个视频片段或一个或多个收到的图像的人类动作。人体动作识别并不局限于动作-结构(actional-structural)自关注(self-attention)GCN,任何适合人体动作识别的GCN,如AS-GCN和ST-GCN,也可以随时被采用。
在一个实施方案中,动作-结构自关注GCN可以包括以下一个或多个功能组件:姿势估计器、姿势归一化器、特征提取器、特征维度还原器、特征精炼器和分类器。动作-结构自关注GCN中的一个或多个功能组件可以由系统100的处理单元实现,如图1所示,或者,动作-结构自关注GCN中的一个或多个功能组件可以由系统中的骨骼运动分析模块实现。
在一个变化方式中,可以应用支持向量机(SVM)算法,这是一种机器学习算法,可用于分类。
在过程401中,系统可以在一个时间段内从视频剪辑中收集图像帧。由于视频片段是由一个以上的图像帧形成的,因此系统可以按顺序分析图像帧,从而可以识别运动。
在一个变化方式中,图像帧可以不按顺序而被分析。
在一个例子中,如果从相机收到每秒140帧的10秒的视频片段,则可以从视频片段中收集1400个图像帧。
在这个过程402中,系统可以确定是否获得标志点(landmark)的集。当从视频剪辑中收集到图像帧时,系统可以尝试从图像帧中人的关节姿势中确定关节坐标集,并且可以从关节坐标集中确定或识别标志点集。该确定可以由任何一种标志点执行工具或程序执行。
在一个例子中,被确定(或识别)的标志点可以在5厘米到90厘米的范围内间隔开来。
这里所说的标志点中的每一个,是指在身体表面或穿戴的服装上的任何点、边界,或一般来说,任何可区分的位置或位置集,其可在三维空间中被识别和跟踪,其精确度足以满足手头的身体尺寸计算应用。在一个例子中,标志点可以从其周围有突出纹理的图像点中选择,标志点周围的小(块)区域内的像素的运动可以有相同的平移运动。标志点也可以用其他方式选择,而上述选择只是为了说明问题。
在本发明中,上述标志点集可以通过选择以下一个以上的标志点来形成:帽子、头发、脸、眼睛、嘴巴、耳朵、耳环、脖子、口红、胡子、外套、四肢、腰带、戒指、手等。
在一个真实的例子中,MMPose被应用于标志点提取。标志点集与MMPose中定义的自下而上的数据集相同,MMPose是一个基于PyTorch的姿势估计的开源工具箱,标志点集的定义如下:“鼻子”、“左眼”、“右眼”、“左耳”、“右耳”、“左肩”、“右肩”、“左腕”、“右腕”、“左胯”、“右胯”、“左膝”、“右膝”、“左踝”和“右踝”。
该标志点集可能与其他软件或工具箱(如MMCV)所定义的数据集相同。
通常情况下,所有的标志点都可以从关节姿势的关节坐标集中确定(或识别),该坐标集是由在特定环境中拍摄的图像帧确定的。然而,由于某些原因,如人的身体的一部分被物体覆盖,可能无法从图像帧中获得标志点集。如果不能获得一些标志点,可以在另一个过程403中进行重建。
在一个实施方案中,系统可以对无法获得标志点集的全部或部分图像帧进行重建。
在另一个实施方案中,系统可以不对无法获得标志点集的全部或部分图像帧进行重建。
在一个变化方式中,无法获得标志点的图像帧可以被暂时储存,以便进一步处理。如果从部分图像帧中获得的标志点足以用于运动状态和活跃度预测,那么系统可以不对剩余的图像帧进行重建。
在过程403中,如果不能获得标志点集,就进行重建。除了图像帧之外,环境数据和加速度计数据也是重建所需要的。该系统可以进行光流分析。光流分析是通过跟踪物体的运动来进行的,以估计与图像帧中的人体运动有关的光流。光流是对一系列图像中随时间变化的运动的一种近似。根据光流确定运动矢量。该系统还可以提取从可穿戴设备接收或收集的加速度计数据的x轴、y轴和z轴。通过将运动矢量与从可穿戴设备接收或收集的加速度计数据的x轴、y轴和z轴集成或映射,可以重建关节姿势,即骨骼预测模型,以及关节姿势的标志点集。
环境参数是指可能影响标志点集采样和骨骼提取的室内环境参数。环境数据包括但不限于环境温度、光线、噪音、湿度和空气质量。
从可穿戴设备中的加速器接收加速器数据,用于根据加速器数据的x轴、y轴和z轴确定对应于受试者运动的后续运动向量。
在过程404中,系统可以确定在视频剪辑的所有图像帧中的被摄者的标志点是否被生成或重建。如果视频片段的所有图像帧中的受试者的标志点被生成或重建,则系统可在过程405中根据从图像帧生成或重建的多个关节姿势生成骨骼运动序列。如果不是,系统可以对下一个图像帧再次执行过程401。
该系统可以对多个关节姿势进行归一化处理,以获得多个归一化关节姿势,并从多个归一化关节姿势中提取多个粗糙特征。通过这样做,进行特征提取并输出多个标志点。
在过程405中,系统可以生成骨骼运动序列。
在过程406中,当生成骨骼运动序列时,系统可以通过将标志点集与训练过的模型进行比较,进一步分析或预测受试者的运动状态和活跃程度。系统可以根据受试者正在进行的动作来预测运动状态,如睡眠、运动、跳跃、行走和做剧烈运动。例如,如果将空间-时间GCN(ST-GCN)应用于运动分类,可以对120种运动进行分类。活跃度指的是受试者身体运动的活跃程度,它可以由系统根据预测的运动状态生成。例如,如果受试者在睡觉,活跃度就会变成“不活跃”;如果受试者在运动、跳跃、行走或做剧烈运动,活跃度就会变成“活跃”。为方便起见,只介绍“活跃”和“不活跃”作为活跃性的例子。对可以分类的活跃性的数量和类型没有限制,上述例子只是为了说明问题。
以下的描述请参考图5A-5F。根据本发明的实施例,可以高精确度地检测身体运动的运动状态。例如,如果检测到图5A中的身体运动,运动状态可能成为“睡眠”。如果检测到图5B中的身体运动,运动状态可能成为“拾取物体”。如果检测到图5C中的身体运动,运动状态可能变成“跳舞”。如果检测到图5D中的身体运动,运动状态可能变成“坐着”。如果检测到图5E中的身体运动,运动状态可能变成“跳来跳去”。如果检测到图5F中的身体运动,运动状态可能成为“走动”。
在一个例子中,YOLO-v4、带有ResNet50的MMPose和空间-时间GCN(ST-GCN)被用来训练模型,分别用于身体检测、标志点提取和运动状态分类。空间-时间GCN(ST-GCN)被用于从120个分类的运动状态中对运动进行分类。
对于是否必须使用上述算法而言,并没有限制,可以应用任何具有实时物体检测功能的算法或技术。例如,可以应用SVM或改进的ST-GCN对120个分类状态的运动进行分类,或者在PyTorch中实现一个以上的预训练的ResNet变化方式(ResNet-50、-101、-152)来进行标志点提取。
在生物信号指数、运动状态和活动水平被产生后,可以进行数据融合。在一个实施方案中,应用基于规则(if-else)的算法来检测压力水平和健康状况的变化,这可以根据不同的应用场景进行修正。
在一个实施方案中,应用基于规则(if-else)的数据融合来纠正压力检测和警报生成。该系统可以根据受试者的运动状态和活动水平来判断心率和皮肤电反应数据是否反映正常的身体状态。例如,当人们睡觉时,他们的心率通常会下降。相反,当人们运动时,心率和皮肤电反应数据通常会被提高。如果生物信号指数能与这些变化同步,这意味着受试者处于正常状态。
表1显示了一个例子,以确定在根据本发明的实施方案执行数据融合时,在特定环境中是否需要警报。
表1
活跃度 | 生物信号指数 | 警报 |
没有 | 低 | 视乎应用情况而定 |
没有 | 中 | 没有 |
没有 | 高 | 是 |
是 | 低 | 视乎应用情况而定 |
是 | 中 | 视乎应用情况而定 |
是 | 高 | 视乎应用情况而定 |
生物信号指数的变化表明心率和皮肤电反应数据的变化。当生物信号指数变成“高”,如0.99时,心率和皮肤电反应数据都可能有明显的上升。当生物信号指数变成“中”,如0.5时,心率和皮肤电反应数据都可能没有明显的上升或下降。当生物信号指数变为“低”,如0.09时,心率和皮肤电反应数据都可能有明显的下降。
在一个例子中,心率和皮肤电反应数据可以通过运动状态和活跃度进行校正。
在另一个例子中,收到的运动状态和活跃度直接用于校正生物信号指数,而不是分别校正心率和皮肤电反应数据。
活动水平可以根据人的运动状态来确定。
在一个实施方案中,系统可以确定在数据融合过程中,是否需要针对特定应用的一个或多个场景为受试者生成警报。例如,在短时间内监测拘留室中被拘留者的压力。如果生物信号指数变成“高”,而活跃性是“无”,那么受试者有可能处于静态状态,如睡觉,但心率很有可能变得异常。因此,警报可能会被传送到拘留室的负责人那里,以便进一步检查。
在一个变化方式中,不需要警报,只需在数据融合期间确定受试者的压力。
在另一种变化方式中,有可能在同一视频片段中出现一个以上的人,因此本发明公开的系统能够在同一时间和同一特定环境下处理一个以上的人的骨骼及其相关数据。上面描述的一个人的骨骼的情况只是为了示例性目的。
根据本文公开的实施例的系统和方法的功能单元和模块可以使用计算装置、计算机处理器或电子电路来实现,包括但不限于根据本公开的教导配置或编程的特定应用集成电路(ASIC)、现场可编程门阵列(FPGA)和其他可编程逻辑装置。在计算装置、计算机处理器或可编程逻辑装置中运行的计算机指令或软件代码,可由软件或电子技术领域的熟练人员根据本公开内容的教导轻易地编制。
根据本实施例的所有或部分方法可以在一个或多个计算设备中执行,包括服务器电脑、个人电脑、笔记本电脑和移动计算设备,如智能手机和平板电脑
本实施方案包括计算机存储介质、临时和非临时存储器件,其中存储有计算机指令或软件代码,可用于对计算机或微处理器进行编程,以执行本发明的任何过程。存储介质、临时和非临时计算机可读存储介质可以包括但不限于软盘、光盘、蓝光光盘、DVD、CD-ROM、磁光盘、ROM、RAM、闪存设备或适合存储指令、代码和/或数据的任何类型的介质或装置。
根据各种实施例的每个功能单元和模块也可以在分布式计算环境和/或云计算环境中实现,其中机器指令的全部或部分由一个或多个通过通信网络互联的处理设备以分布式方式执行,例如内网、广域网(WAN)、局域网(LAN)、互联网和其他形式的数据传输介质。
对本发明的上述描述是为了说明和描述的目的而提供的。这些描述并不旨在详尽无遗,或将本发明限制为所披露的具体形式上。对于本领域的技术人员来说,许多修改和变化都是显而易见的。
选择和描述这些实施例是为了最好地解释本发明的原理及其实际应用,从而使本领域的其他技术人员能够理解本发明的各种实施例和适合于设想的特定用途的各种修改。
Claims (20)
1.一种在室内环境中检测受试者的短期压力并提供警报的方法,包括:
接收来自可穿戴设备的心率、皮肤电反应数据和加速度计数据;
使用相机捕捉图像帧;
通过处理器,根据所述心率和所述皮肤电反应数据进行生物信号分析;
通过处理器,根据所述图像帧进行骨骼运动分析;
通过处理器进行数据融合,以根据生物信号指数和皮肤传导指数确定所述短期压力;
其中,从每个所述图像帧中确定所述受试者的骨骼的关节坐标集;以及
其中,所述骨骼运动分析的结果是运动状态和活跃度。
2.根据权利要求1所述的方法,其中所述生物信号分析在第一时间窗口和第二时间窗口内分析所述心率和所述皮肤电反应数据的变化。
3.根据权利要求1所述的方法,其中所述生物信号指数是心率指数和皮肤传导指数的加权和。
4.根据权利要求1所述的方法,其中所述心率和所述皮肤电导反应数据被进一步处理,并用sigmoid函数映射,分别得到所述生物信号指数和所述皮肤传导指数。
5.根据权利要求1所述的方法,其中所述运动状态和所述活跃度是根据骨骼运动序列产生的。
6.根据权利要求5所述的方法,其中所述骨骼运动序列被划分为不同的运动状态和活跃度。
7.根据权利要求1所述的方法,其中所述数据融合应用了基于规则(if-else)的算法。
8.根据权利要求1所述的方法,进一步包括:
当所述受试者的所述骨骼的所述关节坐标集未被确定时,进行所述骨骼的重建。
9.根据权利要求8所述的方法,其中执行所述重建以预测所述受试者的关节姿势的所述关节坐标集。
10.根据权利要求4所述的方法,其中所述sigmoid函数用于调整所述生物信号指数和所述皮肤传导指数的变化的灵敏度。
11.一种系统,包括:
至少一个网络接口;
内存;
非临时性计算机可读存储介质;
至少一个处理单元,用于执行存储在所述非临时性计算机可读存储介质中的程序指令,以执行以下步骤:
接收来自可穿戴设备的心率、皮肤电反应数据和加速度计数据;
通过相机捕捉图像帧;
根据所述心率和所述皮肤电反应数据进行生物信号分析;
根据所述图像帧进行骨骼运动分析;以及
进行数据融合,以根据生物信号指数和皮肤传导指数确定短期压力;
其中,从每个所述图像帧中确定所述受试者的骨骼的关节坐标集;以及
其中,所述骨骼运动分析的结果是运动状态和活跃度。
12.根据权利要求11所述的系统,其中所述生物信号分析在第一时间窗口和第二时间窗口内分析所述心率和所述皮肤电反应数据的变化。
13.根据权利要求11所述的系统,其中所述生物信号指数是心率指数和皮肤传导指数的加权和。
14.根据权利要求11所述的系统,其中所述心率和所述皮肤电导反应数据被进一步处理,并用sigmoid函数映射,分别得到所述生物信号指数和所述皮肤传导指数。
15.根据权利要求11所述的系统,其中所述运动状态和所述活跃度是根据骨骼运动序列产生的。
16.根据权利要求15所述的系统,其中所述骨骼运动序列被划分为不同的运动状态和活跃度。
17.根据权利要求11所述的系统,其中所述数据融合应用了基于规则的算法。
18.根据权利要求11所述的系统,其中,至少一个处理单元可进一步被操作为:
当所述受试者的所述骨骼的所述关节坐标集未被确定时,进行所述骨骼的重建。
19.根据权利要求18所述的系统,其中执行所述重建以预测所述受试者的关节姿势的所述关节坐标集。
20.根据权利要求14所述的系统,其中所述sigmoid函数用于调整所述生物信号指数和所述皮肤传导指数的变化的灵敏度。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/899,632 US20240065596A1 (en) | 2022-08-31 | 2022-08-31 | Method and system for detecting short-term stress and generating alerts inside the indoor environment |
US17/899,632 | 2022-08-31 | ||
PCT/CN2022/117494 WO2024045208A1 (en) | 2022-08-31 | 2022-09-07 | Method and system for detecting short-term stress and generating alerts inside the indoor environment |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115843231A true CN115843231A (zh) | 2023-03-24 |
Family
ID=85577734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280003807.3A Pending CN115843231A (zh) | 2022-08-31 | 2022-09-07 | 在室内环境中检测受试者的短期压力并产生警报的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115843231A (zh) |
-
2022
- 2022-09-07 CN CN202280003807.3A patent/CN115843231A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210183516A1 (en) | Systems and methods to identify persons and/or identify and quantify pain, fatigue, mood, and intent with protection of privacy | |
King et al. | Application of data fusion techniques and technologies for wearable health monitoring | |
US10080513B2 (en) | Activity analysis, fall detection and risk assessment systems and methods | |
Atallah et al. | Real-time activity classification using ambient and wearable sensors | |
Alvarez et al. | Behavior analysis through multimodal sensing for care of Parkinson’s and Alzheimer’s patients | |
Forbes et al. | Fall prediction using behavioural modelling from sensor data in smart homes | |
Zhang et al. | Activity monitoring using a smart phone's accelerometer with hierarchical classification | |
US20170243354A1 (en) | Automatic frontal-view gait segmentation for abnormal gait quantification | |
Lawal et al. | Deep human activity recognition using wearable sensors | |
Harris et al. | A survey of human gait-based artificial intelligence applications | |
Mikos et al. | A wearable, patient-adaptive freezing of gait detection system for biofeedback cueing in Parkinson's disease | |
González et al. | Comparison between passive vision-based system and a wearable inertial-based system for estimating temporal gait parameters related to the GAITRite electronic walkway | |
Sama et al. | Analyzing human gait and posture by combining feature selection and kernel methods | |
CN107411753A (zh) | 一种识别步态的可穿戴设备 | |
Achanta et al. | Wearable sensor based acoustic gait analysis using phase transition-based optimization algorithm on IoT | |
US20220051145A1 (en) | Machine learning based activity detection utilizing reconstructed 3d arm postures | |
CN114999646A (zh) | 新生儿运动发育评估系统、方法、装置及存储介质 | |
Rastogi et al. | Human fall detection and activity monitoring: a comparative analysis of vision-based methods for classification and detection techniques | |
Khanal et al. | Classification of physical exercise intensity by using facial expression analysis | |
Sama et al. | Time series analysis of inertial-body signals for the extraction of dynamic properties from human gait | |
Papagiannaki et al. | Meeting challenges of activity recognition for ageing population in real life settings | |
CN115843231A (zh) | 在室内环境中检测受试者的短期压力并产生警报的方法和系统 | |
US20240065596A1 (en) | Method and system for detecting short-term stress and generating alerts inside the indoor environment | |
Sethi et al. | Multi‐feature gait analysis approach using deep learning in constraint‐free environment | |
Vijayan et al. | Implementing Pattern Recognition and Matching techniques to automatically detect standardized functional tests from wearable technology |
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 |