CN116269244B - 基于眼动的睡眠记忆情感张力量化的方法、系统和装置 - Google Patents
基于眼动的睡眠记忆情感张力量化的方法、系统和装置 Download PDFInfo
- Publication number
- CN116269244B CN116269244B CN202310562296.5A CN202310562296A CN116269244B CN 116269244 B CN116269244 B CN 116269244B CN 202310562296 A CN202310562296 A CN 202310562296A CN 116269244 B CN116269244 B CN 116269244B
- Authority
- CN
- China
- Prior art keywords
- tension
- sleep
- time phase
- memory
- emotion
- 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.)
- Active
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 303
- 230000007958 sleep Effects 0.000 title claims abstract description 300
- 230000004424 eye movement Effects 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000004622 sleep time Effects 0.000 claims abstract description 241
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 181
- 238000011002 quantification Methods 0.000 claims abstract description 130
- 210000004556 brain Anatomy 0.000 claims abstract description 105
- 238000001514 detection method Methods 0.000 claims abstract description 97
- 238000004458 analytical method Methods 0.000 claims abstract description 91
- 210000001508 eye Anatomy 0.000 claims abstract description 90
- 230000004913 activation Effects 0.000 claims abstract description 86
- 238000012937 correction Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 55
- 230000036578 sleeping time Effects 0.000 claims abstract description 33
- 210000005252 bulbus oculi Anatomy 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 31
- 230000001360 synchronised effect Effects 0.000 claims abstract description 30
- 230000033001 locomotion Effects 0.000 claims abstract description 19
- 238000012098 association analyses Methods 0.000 claims abstract description 18
- 238000012512 characterization method Methods 0.000 claims description 163
- 238000001994 activation Methods 0.000 claims description 84
- 230000007774 longterm Effects 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 42
- 238000013139 quantization Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000007726 management method Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 14
- 230000008878 coupling Effects 0.000 claims description 13
- 238000010168 coupling process Methods 0.000 claims description 13
- 238000005859 coupling reaction Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 13
- 210000003128 head Anatomy 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000012880 independent component analysis Methods 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000002996 emotional effect Effects 0.000 claims 4
- 239000008280 blood Substances 0.000 claims 1
- 210000004369 blood Anatomy 0.000 claims 1
- 230000004410 intraocular pressure Effects 0.000 claims 1
- 238000005070 sampling Methods 0.000 description 6
- 210000000744 eyelid Anatomy 0.000 description 5
- 230000033764 rhythmic process Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 210000003710 cerebral cortex Anatomy 0.000 description 3
- 210000001595 mastoid Anatomy 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000008667 sleep stage Effects 0.000 description 3
- 206010010071 Coma Diseases 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000005259 peripheral blood Anatomy 0.000 description 2
- 239000011886 peripheral blood Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 230000003935 attention Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002582 magnetoencephalography Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037053 non-rapid eye movement Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000004461 rapid eye movement Effects 0.000 description 1
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 1
- 230000007420 reactivation Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/113—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining or recording eye movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- 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
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
-
- 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
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提供了基于眼动的睡眠记忆情感张力量化的方法、系统和装置，包括：对用户睡眠的眼生理状态和脑生理状态进行检测采集和信号处理，识别睡眠时相状态并得到睡眠时相分期，进一步识别分析不同睡眠时相状态下眼球运动状态特征，经时相修正生成睡眠时相眼动位速特征；结合所述睡眠时相分期，根据所述脑生理状态数据识别筛选不同睡眠时相状态下记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征；对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析和同步分析，提取张力表征关联指数和张力表征同步指数，生成睡眠记忆情感张力指数。本发明能够实现对睡眠记忆情感强烈程度的、科学全面的、准确高效的检测量化。
Description
技术领域
本发明涉及睡眠记忆情感张力检测量化领域，特别涉及基于眼动的睡眠记忆情感张力量化的方法、系统和装置。
背景技术
眼睛是人类信息获取的最主要来源，视觉信息处理占据了大量的大脑皮层面积，具备着非常核心的生理学意义；同时，眼睛也是心灵的窗口，是注意选择和情感表征的重要基础，具备非常关键的心理学意义。眼动（眼球运动行为）是信息获取、注意选择和情感表征的生理基础，不仅发生在清醒意识状态下，也发生睡眠及昏迷等非意识状态下，是生物生命的基本生理过程。在不同睡眠时相状态过程中，记忆通过信息重放和皮层重激活得到转移和巩固，其中包含了超量视觉信息和情感信息在大脑皮层网络中的显著复合激活过程，情感强烈程度或水平是记忆信息的基本构成。
当前，关于眼动的生理学和心理学研究，以及不同场景的眼动检测应用非常多，但都集中清醒意识状态下的注意、情感、运动和娱乐等，睡眠及昏迷等非意识状态下的快动眼睡眠行为障碍、睡眠时相分期、瞳孔反射、眼跳检测等。而关于眼动在睡眠记忆、睡眠情感等方面的复合研究、检测量化和转化应用，几乎没有。而且，大部分的睡眠刺激关注的是在使用者进入快速眼动睡眠阶段时，并没有将所有睡眠阶段作为一个整体来考虑，缺乏科学性（例如专利文献CN111870813A、CN108778096A）。
如何通过眼动生理变化及状态特征、大脑皮层生理变化及状态特征，科学全面地实现对睡眠记忆情感强烈程度的检测量化；如何进一步仅通过提升眼动生理变化及状态特征对睡眠记忆情感强烈程度的独立评价准确度，准确高效地实现基于眼动的睡眠记忆情感张力检测量化；最后实现不同用户的、个性精准的、实施简便的睡眠记忆情感张力检测量化。这些是当前国内外都没有明确技术方案能够被用来解决的难题。
发明内容
针对现有方法的以上缺陷及改进需求，本发明的目的在于提供一种基于眼动的睡眠记忆情感张力检测量化方法，通过对用户睡眠的眼生理状态和脑生理状态进行检测采集、信号处理和特征分析，识别不同睡眠时相状态下眼球运动状态特征和记忆激活状态特征，提取整个睡眠过程的睡眠时相记忆情感张力曲线和时相情感张力相关系数，生成睡眠记忆情感张力检测量化报告；建立和持续更新个性睡眠记忆情感张力量化长期数据库，并通过持续检测量化、特征表征学习和独立表征模式提取，最后得到基于眼动的睡眠记忆情感张力量化模型；从而实现对睡眠记忆情感强烈程度的、科学全面的、准确高效的检测量化，满足不同用户的、个性精准的、实施简便的检测量化要求。本发明还提供了基于眼动的睡眠记忆情感张力检测量化系统，用于实现上述方法。本发明还提供了基于眼动的睡眠记忆情感张力检测量化装置，用于实现上述系统。
根据本发明的目的，本发明提出了一种睡眠行为活跃水平动态调节的方法，包括以下步骤：
基于眼动的睡眠记忆情感张力检测量化方法，包括以下步骤：
对用户睡眠的眼生理状态和脑生理状态进行检测采集和信号处理，得到眼生理状态数据和脑生理状态数据，识别睡眠时相状态并得到睡眠时相分期；
结合所述睡眠时相分期，根据所述眼生理状态数据识别分析不同睡眠时相状态下眼球运动状态特征，经时相修正生成睡眠时相眼动位速特征；
结合所述睡眠时相分期，根据所述脑生理状态数据识别筛选不同睡眠时相状态下记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征；
对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析和同步分析，提取张力表征关联指数和张力表征同步指数，生成睡眠记忆情感张力指数；
重复上述步骤，完成对用户整个睡眠过程的所述睡眠记忆情感张力的检测量化和持续跟踪，提取睡眠时相记忆情感张力曲线和时相情感张力相关系数，生成睡眠记忆情感张力检测量化报告，建立和持续更新个性睡眠记忆情感张力量化长期数据库；
对所述个性睡眠记忆情感张力量化长期数据库进行特征表征学习，提取并优化所述睡眠时相眼动位速特征对睡眠记忆情感张力的独立表征模式，得到基于眼动的睡眠记忆情感张力量化模型。
更优地，所述对用户睡眠的眼生理状态和脑生理状态进行检测采集和信号处理，得到眼生理状态数据和脑生理状态数据，识别睡眠时相状态并得到睡眠时相分期的具体步骤还包括：
对用户睡眠的眼生理状态和脑生理状态进行检测采集，得到眼生理状态信号和脑生理状态信号；
对所述眼生理状态信号和所述脑生理状态信号进行信号处理，得到所述眼生理状态数据和所述脑生理状态数据；
根据所述眼生理状态数据和所述脑生理状态数据识别用户睡眠时相状态，得到所述睡眠时相分期。
更优地，所述眼生理状态信号至少包括眼电信号、眼压信号、眼球运动信号、眼周血氧水平依赖信号的任意一项。
更优地，所述脑生理状态信号至少包括脑电信号、脑磁信号、功能性近红外光谱成像信号、功能性核磁共振成像信号的任意一项。
更优地，所述信号处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和动态截取；其中，所述矫正处理具体为对信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理，所述动态截取是指根据检测量化的时间周期或频率要求以预设时间窗口和预设时间步长对目标信号进行移动截取处理。
更优地，所述睡眠时相分期的识别方法为：
1)通过深度学习算法对规模睡眠用户样本的所述眼生理状态数据、所述脑生理状态数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；
2)将当前用户的所述眼生理状态数据、所述脑生理状态数据输入所述睡眠时相自动分期模型，得到所对应的所述睡眠时相分期。
更优地，所述结合所述睡眠时相分期，根据所述眼生理状态数据识别分析不同睡眠时相状态下眼球运动状态特征，经时相修正生成睡眠时相眼动位速特征的具体步骤还包括：
根据所述眼生理状态数据中的多角度矩阵测量信号数据，重建提取眼动位矢图；
根据所述眼动位矢图，提取眼球相对位置，经数据计算和数据平滑得到眼动速度矢量和加速度矢量；
根据所述眼球相对位置，所述眼动速度矢量和所述加速度矢量，结合所述睡眠时相分期进行时相修正，生成所述睡眠时相眼动位速特征。
更优地，所述时相修正具体为根据睡眠时相状态对眼动状态特征进行系数修正，以减小不同睡眠时相的眼动状态特征的差异，来保证眼动特征对于记忆情感张力的表征描述能力。
更优地，所述结合所述睡眠时相分期，根据所述脑生理状态数据识别筛选不同睡眠时相状态下记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征的具体步骤还包括：
对所述脑生理状态数据进行特征向量分析，得到脑生理状态数据特征；
根据所述睡眠时相分期和所述脑生理状态数据特征进行目标特征筛选，提取记忆激活状态特征，生成所述睡眠时相记忆激活特征。
更优地，所述特征向量分析至少包括特征频带信号提取、包络分析、小波分解、经验模态分解、主成分分析和独立成分分析。
更优地，所述目标特征筛选具体为根据用户关键生理信息以及不同睡眠时相，确定稳定的筛选规则并从所述脑生理状态数据特征中筛选对应记忆激活状态相关特征；其中，所述用户关键生理信息至少包括年龄、性别、教育文化程度、健康状态和疾病状态。
更优地，所述对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析和同步分析，提取张力表征关联指数和张力表征同步指数，生成睡眠记忆情感张力指数的具体步骤还包括：
对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析，得到所述张力表征关联指数；
对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行同步分析，得到所述张力表征同步指数；
根据所述张力表征关联指数和所述张力表征同步指数，计算提取所述睡眠记忆情感张力指数。
更优地，所述关联分析至少包括相干性分析、皮尔逊相关分析、杰卡德相似分析、线性互信息分析、线性相关分析、欧氏距离分析、曼哈顿距离分析、切比雪夫距离分析的任意一项。
更优地，所述同步分析至少包括锁相分析、相-相耦合分析、相-幅耦合分析和幅-幅耦合分析的任意一项。
更优地，所述睡眠记忆情感张力指数的具体提取方法为：
1)获取当前的所述张力表征关联指数和所述张力表征同步指数，生成张力表征指数集；
2)按照预设张力表征指数权重对所述张力表征指数集进行权重计算，得到张力表征权重修正指数集；
3)对所述张力表征权重修正指数集进行从大到小的数值排序，提取头部预设数量的张力表征权重修正指数的均方根，得到张力表征强度系数；
4)结合对应的所述睡眠时相分期和用户基本信息，对所述张力表征强度系数进行系数修正，得到所述睡眠记忆情感张力指数。
更优地，所述睡眠记忆情感张力指数的具体计算公式为：
；
其中，为所述睡眠记忆情感张力指数；/>为所述张力表征权重修正指数集取值排序后的头部预设数量；/>为一张力表征指数及其对应的预设张力表征指数权重；分别为睡眠时相分期修正系数和用户个性化修正系数。
更优地，所述重复上述步骤，完成对用户整个睡眠过程的所述睡眠记忆情感张力的检测量化和持续跟踪，提取睡眠时相记忆情感张力曲线和时相情感张力相关系数，生成睡眠记忆情感张力检测量化报告，建立和持续更新个性睡眠记忆情感张力量化长期数据库的具体步骤还包括：
完成对用户整个睡眠过程的所述睡眠记忆情感张力的检测量化和持续跟踪，提取所述睡眠时相记忆情感张力曲线和睡眠时相分期曲线；
计算所述睡眠时相记忆情感张力曲线和所述睡眠时相分期曲线的相关性系数，得到所述时相情感张力相关系数；
按预设报告周期，生成并输出所述睡眠记忆情感张力检测量化报告；
将睡眠记忆情感张力检测量化过程关键数据存入数据库，建立和持续更新所述个性睡眠记忆情感张力量化长期数据库。
更优地，所述睡眠时相记忆情感张力曲线由按时序排列的所述睡眠时相记忆情感张力指数组成；所述睡眠时相分期曲线由按时序排列的所述睡眠时相分期组成。
更优地，所述相关性系数具体为相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数中的任意一项。
更优地，所述睡眠记忆情感张力检测量化报告至少包括用户基本信息、所述睡眠时相记忆情感张力曲线、所述睡眠时相分期曲线、所述时相情感张力相关系数、所述睡眠时相眼动位速特征的时序曲线、记忆情感张力检测总结。
更优地，所述个性睡眠记忆情感张力量化长期数据库至少包括用户基本信息、所述睡眠时相记忆情感张力曲线、所述睡眠时相分期曲线、所述睡眠时相眼动位速特征、所述睡眠时相记忆激活特征。
更优地，所述对所述个性睡眠记忆情感张力量化长期数据库进行特征表征学习，提取并优化所述睡眠时相眼动位速特征对所述睡眠记忆情感张力指数的独立表征模式，得到基于眼动的睡眠记忆情感张力量化模型的具体步骤还包括：
基于所述个性睡眠记忆情感张力量化长期数据库，对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征的协同表征模式进行特征表征学习，得到特征协同表征混合矩阵；
基于所述特征协同表征混合矩阵和所述睡眠记忆情感张力指数，提取并优化所述睡眠时相眼动位速特征对所述睡眠记忆情感张力指数的独立表征模式，得到所述基于眼动的睡眠记忆情感张力量化模型。
更优地，所述基于眼动的睡眠记忆情感张力量化模型具体为仅需要通过所述眼生理状态信号的采集处理和特征分析，得到所述睡眠时相眼动位速特征，经过该睡眠记忆情感张力量化模型就能得到所述睡眠记忆情感张力指数，完成基于眼动的睡眠记忆情感张力检测量化过程。
更优地，所述特征协同表征混合矩阵具体为量化所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征中不同特征之间的联合协同关系，至少包括联合分布矩阵、过渡矩阵和混淆矩阵。
根据本发明的目的，本发明提出了一种基于眼动的睡眠记忆情感张力检测量化系统，包括以下模块：
状态采集处理模块，用于对用户睡眠的眼生理状态和脑生理状态进行检测采集和信号处理，得到眼生理状态数据和脑生理状态数据，识别睡眠时相状态并得到睡眠时相分期；
眼动特征分析模块，用于结合所述睡眠时相分期，根据所述眼生理状态数据识别分析不同睡眠时相状态下眼球运动状态特征，经时相修正生成睡眠时相眼动位速特征；
记忆特征分析模块，用于结合所述睡眠时相分期，根据所述脑生理状态数据识别筛选不同睡眠时相状态下记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征；
情感张力量化模块，用于对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析和同步分析，提取张力表征关联指数和张力表征同步指数，生成睡眠记忆情感张力指数；
长期跟踪量化模块，用于完成对用户整个睡眠过程的所述睡眠记忆情感张力的检测量化和持续跟踪，提取睡眠时相记忆情感张力曲线和时相情感张力相关系数，生成睡眠记忆情感张力检测量化报告，建立和持续更新个性睡眠记忆情感张力量化长期数据库；
独立表征提取模块，用于对所述个性睡眠记忆情感张力量化长期数据库进行特征表征学习，提取并优化所述睡眠时相眼动位速特征对所述睡眠记忆情感张力指数的独立表征模式，得到基于眼动的睡眠记忆情感张力量化模型；
数据管理中心模块，用于对所述系统中所有过程数据和/或结果数据的可视化展示、统一存储和数据运营管理。
更优地，所述状态采集处理模块还包括以下功能单元：
状态检测采集单元，用于对用户睡眠的眼生理状态和脑生理状态进行检测采集，得到眼生理状态信号和脑生理状态信号；
状态信号处理单元，用于对所述眼生理状态信号和所述脑生理状态信号进行信号处理，得到所述眼生理状态数据和所述脑生理状态数据；
睡眠时相识别单元，用于根据所述眼生理状态数据和所述脑生理状态数据识别用户睡眠时相状态，得到所述睡眠时相分期。
更优地，所述眼动特征分析模块还包括以下功能单元：
眼动位矢提取单元，用于根据所述眼生理状态数据中的多角度矩阵测量信号数据，重建提取眼动位矢图；
位矢参数计算单元，用于根据所述眼动位矢图，提取眼球相对位置，经数据计算和数据平滑得到眼动速度矢量和加速度矢量；
位矢特征生成单元，用于根据所述眼球相对位置，所述眼动速度矢量和所述加速度矢量，结合所述睡眠时相分期进行时相修正，生成所述睡眠时相眼动位速特征。
更优地，所述记忆特征分析模块还包括以下功能单元：
特征向量分析单元，用于对所述脑生理状态数据进行特征向量分析，得到脑生理状态数据特征；
目标特征筛选单元，用于根据所述睡眠时相分期和所述脑生理状态数据特征进行目标特征筛选，提取记忆激活状态特征，生成所述睡眠时相记忆激活特征。
更优地，所述情感张力量化模块还包括以下功能单元：
关联指数分析单元，用于对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析，得到所述张力表征关联指数；
同步指数分析单元，用于对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行同步分析，得到所述张力表征同步指数；
张力指数量化单元，用于根据所述张力表征关联指数和所述张力表征同步指数，计算提取所述睡眠记忆情感张力指数。
更优地，所述长期跟踪量化模块还包括以下功能单元：
循环检测量化单元，用于完成对用户整个睡眠过程的所述睡眠记忆情感张力的检测量化和持续跟踪，提取所述睡眠时相记忆情感张力曲线和睡眠时相分期曲线；
相关系数计算单元，用于计算所述睡眠时相记忆情感张力曲线和所述睡眠时相分期曲线的相关性系数，得到所述时相情感张力相关系数；
量化报告生成单元，用于按预设报告周期，生成所述睡眠记忆情感张力检测量化报告；
报告输出管理单元，用于对所述睡眠记忆情感张力检测量化报告的格式输出、展现形式进行统一管理；
个性数据跟踪单元，用于将睡眠记忆情感张力检测量化过程关键数据存入数据库，建立和持续更新所述个性睡眠记忆情感张力量化长期数据库。
更优地，所述独立表征提取模块还包括以下功能单元：
特征表征学习单元，用于基于所述个性睡眠记忆情感张力量化长期数据库，对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征的协同表征模式进行特征表征学习，得到特征协同表征混合矩阵；
表征模式提取单元，用于基于所述特征协同表征混合矩阵和所述睡眠记忆情感张力指数，提取并优化所述睡眠时相眼动位速特征对所述睡眠记忆情感张力指数的独立表征模式，得到所述基于眼动的睡眠记忆情感张力量化模型。
更优地，所述数据管理中心模块还包括以下功能单元：
用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；
数据可视化管理单元，用于对所述系统中所有数据的可视化展现管理；
数据存储管理单元，用于对所述系统中所有数据的统一存储管理；
数据运营管理单元，用于对所述系统中所有数据的备份、迁移和导出。
根据本发明的目的，本发明提出了一种基于眼动的睡眠记忆情感张力检测量化装置，包括以下模组：
状态采集处理模组，用于对用户睡眠的眼生理状态和脑生理状态进行检测采集和信号处理，得到眼生理状态数据和脑生理状态数据，识别睡眠时相状态并得到睡眠时相分期；
眼动特征分析模组，用于结合所述睡眠时相分期，根据所述眼生理状态数据识别分析不同睡眠时相状态下眼球运动状态特征，经时相修正生成睡眠时相眼动位速特征；
记忆特征分析模组，用于结合所述睡眠时相分期，根据所述脑生理状态数据识别筛选不同睡眠时相状态下记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征；
情感张力量化模组，用于对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析和同步分析，提取张力表征关联指数和张力表征同步指数，生成睡眠记忆情感张力指数；
长期跟踪量化模组，用于完成对用户整个睡眠过程的所述睡眠记忆情感张力的检测量化和持续跟踪，提取睡眠时相记忆情感张力曲线和时相情感张力相关系数，生成睡眠记忆情感张力检测量化报告，建立和持续更新个性睡眠记忆情感张力量化长期数据库；
独立表征提取模组，用于对所述个性睡眠记忆情感张力量化长期数据库进行特征表征学习，提取并优化所述睡眠时相眼动位速特征对所述睡眠记忆情感张力指数的独立表征模式，得到基于眼动的睡眠记忆情感张力量化模型；
数据可视化模组，用于对所述装置中所有过程数据和/或结果数据的统一可视化展示管理；
数据管理中心模组，用于对所述装置中所有过程数据和/或结果数据的统一存储和数据运营管理。
本发明所提供的基于眼动的睡眠记忆情感张力检测量化的方法、系统和装置，通过对用户睡眠的眼生理状态和脑生理状态进行检测采集、信号处理和特征分析，识别不同睡眠时相状态下眼球运动状态特征和记忆激活状态特征，提取张力表征关联指数和张力表征同步指数，提取整个睡眠过程的睡眠时相记忆情感张力曲线和时相情感张力相关系数，生成睡眠记忆情感张力检测量化报告；建立和持续更新个性睡眠记忆情感张力量化长期数据库，通过持续检测量化、特征表征学习和独立表征模式提取，提取并持续优化所述睡眠时相眼动位速特征对睡眠记忆情感张力的独立表征模式，最后得到基于眼动的睡眠记忆情感张力量化模型。本发明关注了睡眠的分段性和整体性，在处理数据时，结合所述睡眠时相分期进行眼球运动特征、记忆激活状态特征的提取，在降噪的同时突出了各阶段的区分度，保障了结果的可靠性。而后更是进一步提供了可实施的睡眠记忆情感张力量化方案，从而实现对睡眠记忆情感强烈程度的、科学全面的、准确高效的检测量化，满足不同用户的、个性精准的、实施简便的检测量化要求。在实际使用场景中，本发明所提供的基于眼动的睡眠记忆情感张力检测量化方法、系统和装置，能够赋能相关产品和服务，提供更加科学高效的睡眠记忆情感张力检测量化实施方法和落地方案。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是本发明一实施例所提供的一种基于眼动的睡眠记忆情感张力检测量化方法的流程步骤示意图；
图2是本发明一实施例所提供的一种基于眼动的睡眠记忆情感张力检测量化系统的模块组成示意图；
图3是本发明一实施例所提供的一种基于眼动的睡眠记忆情感张力检测量化装置的模组构成示意图。
具体实施方式
为了更清楚地说明本发明的目的和技术方案，下面将结合本发明申请实施例中的附图，对本发明进行进一步介绍说明。显而易见地，下面描述的实施例仅是本发明一部分实施例，而不是全部的实施例。在没有创造性劳动前提下，本领域普通技术人员基于本发明的实施例所得到的其他实施例，都应属于本发明的保护范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
如图1所示，本发明实施例提供的基于眼动的睡眠记忆情感张力检测量化方法，包括以下步骤：
P100：对用户睡眠的眼生理状态和脑生理状态进行检测采集和信号处理，得到眼生理状态数据和脑生理状态数据，识别睡眠时相状态并得到睡眠时相分期。
第一步、对用户睡眠的眼生理状态和脑生理状态进行检测采集，得到眼生理状态信号和脑生理状态信号。
本实施例中，眼生理状态信号至少包括眼电信号、眼压信号、眼球运动信号、眼周血氧水平依赖信号的任意一项；脑生理状态信号至少包括脑电信号、脑磁信号、功能性近红外光谱成像信号、功能性核磁共振成像信号的任意一项。
本实施例中，以眼电（图）信号和脑电（图）信号分别作为眼生理状态信号和脑生理状态信号来陈述方法的具体实施过程。
本实施例中，以左右眼的上眼睑中心两侧-2个、外眼角侧中心-1个、下眼睑中心两侧-2个的10（2*5）个位置对称放置眼电采集传感器电极，参考电极为左右耳乳突，采样率为1024Hz，采集用户眼电信号。
本实施例中，通过脑电图对用户整夜睡眠过程的脑电信号进行采集记录，采样率为1024Hz，基于国际10-20系统脑电电极放置标准，记录电极为F3、F4、C3、C4、P7、P8、O1和O2，参考电极为左右耳乳突（与眼电图共用），采集用户脑电信号。
第二步、对眼生理状态信号和脑生理状态信号进行信号处理，得到眼生理状态数据和脑生理状态数据。
本实施例中，信号处理至少包括A/D数模转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和动态截取；其中，矫正处理具体为对信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理，动态截取是指根据检测量化的时间周期或频率要求以预设时间窗口和预设时间步长对目标信号进行移动截取处理。
对眼电信号的信号处理主要包括：去伪迹、矫正处理、离散小波降噪、通过hamming窗、零相位的FIR数字滤波器完成工频50Hz及其倍频陷波处理、带通（30~400Hz）滤波和动态截取。
本实施例中，对脑电信号的信号处理主要包括：去伪迹处理，矫正处理，采用离散小波降噪，通过hamming窗、零相位的FIR数字滤波器完成工频50Hz及其倍频陷波处理、带通（0.5~250Hz）滤波和动态截取。
本实施例中，动态截取的参数为预设检测量化时间窗口（20秒）和时间步长（10秒）。
第三步、根据眼生理状态数据和脑生理状态数据识别用户睡眠时相状态，得到睡眠时相分期。
本实施例中，睡眠时相分期的识别方法为：
1)通过深度学习算法对规模睡眠用户样本的眼生理状态数据、脑生理状态数据及其对应睡眠分期数据进行学习训练和数据建模，得到睡眠时相自动分期模型；
2)将当前用户的眼生理状态数据、脑生理状态数据输入睡眠时相自动分期模型，得到所对应的睡眠时相分期。
P200：结合所述睡眠时相分期，根据所述眼生理状态数据识别分析不同睡眠时相状态下眼球运动状态特征，经时相修正生成睡眠时相眼动位速特征。
第一步、根据眼生理状态数据中的多角度矩阵测量信号数据，重建提取眼动位矢图。
本实施例中，上眼睑中心两侧-2个、外眼角侧中心-1个、下眼睑中心两侧-2个的1024Hz采样率眼电信号组成的多角度矩阵测量信号数据，能够准确捕捉到左右眼球运动行为状态；通过矩阵信号的溯源重建或机器学习模型，提取得到左右眼球运动的位置矢量变化表征曲线，即眼动位矢图。
第二步、根据眼动位矢图，提取眼球相对位置，经数据计算和数据平滑得到眼动速度矢量和加速度矢量。
本实施例中，根据眼动位矢图和采样时间，容易计算得到每个采样点的左右眼球的眼球相对位置，速度矢量和加速度矢量的眼动特征数据曲线；然后对上述眼动特征数据曲线进行数据平滑，因为有采样误差和意外因素的存在。
第三步、根据眼球相对位置，眼动速度矢量和加速度矢量，结合睡眠时相分期进行时相修正，生成睡眠时相眼动位速特征。
本实施例中，不同睡眠时相状态中，眼动状态不一样，需要结合具体睡眠时相（分期）对眼球相对位置，眼动速度矢量和加速度矢量进行时相修正，即放大非快速眼动期的眼动特征值并缩小快速眼动期的眼动特征值，来保证眼动特征对于记忆情感张力的表征描述能力，最后生成睡眠时相眼动位速特征。
P300：结合所述睡眠时相分期，根据所述脑生理状态数据识别筛选不同睡眠时相状态下记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征。
第一步、对脑生理状态数据进行特征向量分析，得到脑生理状态数据特征。
本实施例中，特征向量分析至少包括特征频带信号提取、包络分析、小波分解、经验模态分解、主成分分析和独立成分分析。
本实施例中，脑电信号的特征向量分析包括提取δ节律（0.5~4Hz）、θ节律（4~8Hz）、α节律（8~13Hz）、β节律（13~30Hz）、γ节律(30~180Hz)五个特征频带信号，提取脑电信号的包络信号和主成分信号。
第二步、根据睡眠时相分期和脑生理状态数据特征进行目标特征筛选，提取记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征。
本实施例中，目标特征筛选具体为根据用户关键生理信息以及不同睡眠时相，确定稳定的筛选规则并从脑生理状态数据特征中筛选对应记忆激活状态相关特征；其中，用户关键生理信息至少包括年龄、性别、教育文化程度、健康状态和疾病状态。
本实施例中，在除了重大脑疾病外的绝大多数用户情况下，特征频带信号已经能够表征记忆激活和记忆情感水平，且人群样本之间的差异性相对比较小。所以选择特征频带信号作为记忆激活状态特征，生成睡眠时相记忆激活特征。
P400：对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析和同步分析，提取张力表征关联指数和张力表征同步指数，生成睡眠记忆情感张力指数。
第一步、对睡眠时相眼动位速特征和睡眠时相记忆激活特征进行关联分析，得到张力表征关联指数。
本实施例中，关联分析至少包括相干性分析、皮尔逊相关分析、杰卡德相似分析、线性互信息分析、线性相关分析、欧氏距离分析、曼哈顿距离分析、切比雪夫距离分析的任意一项。张力表征关联指数至少包括一个及以上关联指数。
本实施例中，选择相干系数、皮尔逊相关系数、欧氏距离作为张力表征关联指数。
第二步、对睡眠时相眼动位速特征和睡眠时相记忆激活特征进行同步分析，得到张力表征同步指数。
本实施例中，同步分析至少包括锁相分析、相-相耦合分析、相-幅耦合分析和幅-幅耦合分析的任意一项。张力表征同步指数至少包括一个及以上关联指数。
本实施例中，选择锁相值、相-幅耦合特征值、幅-幅耦合特征值作为张力表征同步指数。
第三步、根据张力表征关联指数和张力表征同步指数，计算提取睡眠记忆情感张力指数。
本实施例中，以相干系数、皮尔逊相关系数、欧氏距离、锁相值、相-幅耦合特征值和幅-幅耦合特征值为基础来提取张力表征关联指数和张力表征同步指数，计算睡眠记忆情感张力指数。
本实施例中，睡眠记忆情感张力指数的具体提取方法为：
1)获取当前的张力表征关联指数和张力表征同步指数，生成张力表征指数集；
2)按照预设张力表征指数权重对张力表征指数集进行权重计算，得到张力表征权重修正指数集；
3)对张力表征权重修正指数集进行从大到小的数值排序，提取头部预设数量的张力表征权重修正指数的均方根，得到张力表征强度系数；
4)结合对应的睡眠时相分期和用户基本信息，对张力表征强度系数进行系数修正，得到睡眠记忆情感张力指数。
本实施例中，睡眠记忆情感张力指数的具体计算公式为：
；
其中，为睡眠记忆情感张力指数；/>为张力表征权重修正指数集取值排序后的头部预设数量；/>为一张力表征指数及其对应的预设张力表征指数权重；分别为睡眠时相分期修正系数和用户个性化修正系数。
P500：重复上述步骤，完成对用户整个睡眠过程的所述睡眠记忆情感张力的检测量化和持续跟踪，提取睡眠时相记忆情感张力曲线和时相情感张力相关系数，生成睡眠记忆情感张力检测量化报告，建立和持续更新个性睡眠记忆情感张力量化长期数据库。
第一步、完成对用户整个睡眠过程的睡眠记忆情感张力的检测量化和持续跟踪，提取睡眠时相记忆情感张力曲线和睡眠时相分期曲线。
本实施例中，通过预设检测量化时间窗口（20秒）和时间步长（10秒）对用户整夜睡眠过程的眼生理状态和脑生理状态进行采集检测、信号处理和特征分析，以及睡眠时相的识别，提取每一个预设检测量化时间窗口的睡眠时相记忆情感张力指数和睡眠时相分期，进而来完成用户整个睡眠过程的睡眠记忆情感张力的检测量化。在睡眠结束或检测量化结束后，生成睡眠时相记忆情感张力曲线和睡眠时相分期曲线。睡眠时相记忆情感张力曲线由按时序排列的睡眠时相记忆情感张力指数组成；睡眠时相分期曲线由按时序排列的睡眠时相分期（值）组成。
第二步、计算睡眠时相记忆情感张力曲线和睡眠时相分期曲线的相关性系数，得到时相情感张力相关系数。
本实施例中，相关性系数具体为相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数中的任意一项。
本实施例中，以睡眠时相记忆情感张力曲线和睡眠时相分期曲线的皮尔逊相关系数作为时相情感张力相关系数。
第三步、按预设报告周期，生成并输出睡眠记忆情感张力检测量化报告。
本实施例中，睡眠记忆情感张力检测量化报告至少包括用户基本信息、睡眠时相记忆情感张力曲线、睡眠时相分期曲线、时相情感张力相关系数、睡眠时相眼动位速特征的时序曲线、记忆情感张力检测总结。
本实施例中，每30分钟，生成并输出睡眠记忆情感张力检测量化报告。在实际使用场景，可以灵活选择不同报告生成周期来对睡眠记忆情感张力表征过程进行不同尺度的统计分析。
第四步、将睡眠记忆情感张力检测量化过程关键数据存入数据库，建立和持续更新个性睡眠记忆情感张力量化长期数据库。
本实施例中，个性睡眠记忆情感张力量化长期数据库至少包括用户基本信息、睡眠时相记忆情感张力曲线、睡眠时相分期曲线、时相情感张力相关系数、睡眠时相眼动位速特征、睡眠时相记忆激活特征。
本实施例中，通过对用户连续多日或不同情形场景的睡眠记忆情感张力的检测量化和持续跟踪，得到用户更全面的、更个性化的、多场景的睡眠记忆情感张力表征关键数据，不断地更新用户个人相关的个性睡眠记忆情感张力量化长期数据库，为后续行为分析、健康管理及检测升级提供可靠数据基础。
P600：对所述个性睡眠记忆情感张力量化长期数据库进行特征表征学习，提取并优化所述睡眠时相眼动位速特征对睡眠记忆情感张力的独立表征模式，得到基于眼动的睡眠记忆情感张力量化模型。
第一步、基于个性睡眠记忆情感张力量化长期数据库，对睡眠时相眼动位速特征和睡眠时相记忆激活特征的协同表征模式进行特征表征学习，得到特征协同表征混合矩阵。
本实施例中，以时相情感张力相关系数为基本参考，通过量化睡眠时相眼动位速特征和睡眠时相记忆激活特征中不同特征之间的联合分布矩阵、过渡矩阵和混淆矩阵，来分析他们之间协同表征模式，得到特征协同表征混合矩阵。
第二步、基于特征协同表征混合矩阵和睡眠记忆情感张力指数，提取并优化睡眠时相眼动位速特征对睡眠记忆情感张力指数的独立表征模式，得到基于眼动的睡眠记忆情感张力量化模型。
本实施例中，基于眼动的睡眠记忆情感张力量化模型具体为仅需要通过眼生理状态信号的采集处理和特征分析，得到睡眠时相眼动位速特征，经过该睡眠记忆情感张力量化模型就能得到睡眠记忆情感张力指数，完成基于眼动的睡眠记忆情感张力检测量化过程；而不在需要对脑生理状态信号的采集处理和特征分析。
如图2所示，本发明实施例提供的一种基于眼动的睡眠记忆情感张力检测量化系统，所述系统被构造以用于执行上述各个方法步骤。所述系统包括如下模块：
状态采集处理模块S100，用于对用户睡眠的眼生理状态和脑生理状态进行检测采集和信号处理，得到眼生理状态数据和脑生理状态数据，识别睡眠时相状态并得到睡眠时相分期；
眼动特征分析模块S200，用于结合睡眠时相分期，根据眼生理状态数据识别分析不同睡眠时相状态下眼球运动状态特征，经时相修正生成睡眠时相眼动位速特征；
记忆特征分析模块S300，用于结合睡眠时相分期，根据脑生理状态数据识别筛选不同睡眠时相状态下记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征；
情感张力量化模块S400，用于对睡眠时相眼动位速特征和睡眠时相记忆激活特征进行关联分析和同步分析，提取张力表征关联指数和张力表征同步指数，生成睡眠记忆情感张力指数；
长期跟踪量化模块S500，用于完成对用户整个睡眠过程的睡眠记忆情感张力的检测量化和持续跟踪，提取睡眠时相记忆情感张力曲线和时相情感张力相关系数，生成睡眠记忆情感张力检测量化报告，建立和持续更新个性睡眠记忆情感张力量化长期数据库；
独立表征提取模块S600，用于对个性睡眠记忆情感张力量化长期数据库进行特征表征学习，提取并优化睡眠时相眼动位速特征对睡眠记忆情感张力指数的独立表征模式，得到基于眼动的睡眠记忆情感张力量化模型；
数据管理中心模块S700，用于对系统中所有过程数据和/或结果数据的可视化展示、统一存储和数据运营管理。
本实施例中，状态采集处理模块S100还包括以下功能单元：
状态检测采集单元，用于对用户睡眠的眼生理状态和脑生理状态进行检测采集，得到眼生理状态信号和脑生理状态信号；
状态信号处理单元，用于对眼生理状态信号和脑生理状态信号进行信号处理，得到眼生理状态数据和脑生理状态数据；
睡眠时相识别单元，用于根据眼生理状态数据和脑生理状态数据识别用户睡眠时相状态，得到睡眠时相分期。
本实施例中，眼动特征分析模块S200还包括以下功能单元：
眼动位矢提取单元，用于根据眼生理状态数据中的多角度矩阵测量信号数据，重建提取眼动位矢图；
位矢参数计算单元，用于根据眼动位矢图，提取眼球相对位置，经数据计算和数据平滑得到眼动速度矢量和加速度矢量；
位矢特征生成单元，用于根据眼球相对位置，眼动速度矢量和加速度矢量，结合睡眠时相分期进行时相修正，生成睡眠时相眼动位速特征。
本实施例中，记忆特征分析模块S300还包括以下功能单元：
特征向量分析单元，用于对脑生理状态数据进行特征向量分析，得到脑生理状态数据特征；
目标特征筛选单元，用于根据睡眠时相分期和脑生理状态数据特征进行目标特征筛选，提取记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征。
本实施例中，情感张力量化模块S400还包括以下功能单元：
关联指数分析单元，用于对睡眠时相眼动位速特征和睡眠时相记忆激活特征进行关联分析，得到张力表征关联指数；
同步指数分析单元，用于对睡眠时相眼动位速特征和睡眠时相记忆激活特征进行同步分析，得到张力表征同步指数；
张力指数量化单元，用于根据张力表征关联指数和张力表征同步指数，计算提取睡眠记忆情感张力指数。
本实施例中，长期跟踪量化模块S500还包括以下功能单元：
循环检测量化单元，用于完成对用户整个睡眠过程的睡眠记忆情感张力的检测量化和持续跟踪，提取睡眠时相记忆情感张力曲线和睡眠时相分期曲线；
相关系数计算单元，用于计算睡眠时相记忆情感张力曲线和睡眠时相分期曲线的相关性系数，得到时相情感张力相关系数；
量化报告生成单元，用于按预设报告周期，生成睡眠记忆情感张力检测量化报告；
报告输出管理单元，用于对睡眠记忆情感张力检测量化报告的格式输出、展现形式进行统一管理；
个性数据跟踪单元，用于将睡眠记忆情感张力检测量化过程关键数据存入数据库，建立和持续更新个性睡眠记忆情感张力量化长期数据库。
本实施例中，独立表征提取模块S600还包括以下功能单元：
特征表征学习单元，用于基于个性睡眠记忆情感张力量化长期数据库，对睡眠时相眼动位速特征和睡眠时相记忆激活特征的协同表征模式进行特征表征学习，得到特征协同表征混合矩阵；
表征模式提取单元，用于基于特征协同表征混合矩阵和睡眠记忆情感张力指数，提取并优化睡眠时相眼动位速特征对睡眠记忆情感张力指数的独立表征模式，得到基于眼动的睡眠记忆情感张力量化模型。
本实施例中，数据管理中心模块S700还包括以下功能单元：
用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；
数据可视化管理单元，用于对系统中所有数据的可视化展现管理；
数据存储管理单元，用于对系统中所有数据的统一存储管理；
数据运营管理单元，用于对系统中所有数据的备份、迁移和导出。
如图3所示，本发明实施例提供的一种基于眼动的睡眠记忆情感张力检测量化装置，包括以下模组：
状态采集处理模组M100，用于对用户睡眠的眼生理状态和脑生理状态进行检测采集和信号处理，得到眼生理状态数据和脑生理状态数据，识别睡眠时相状态并得到睡眠时相分期；
眼动特征分析模组M200，用于结合睡眠时相分期，根据眼生理状态数据识别分析不同睡眠时相状态下眼球运动状态特征，经时相修正生成睡眠时相眼动位速特征；
记忆特征分析模组M300，用于结合睡眠时相分期，根据脑生理状态数据识别筛选不同睡眠时相状态下记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征；
情感张力量化模组M400，用于对睡眠时相眼动位速特征和睡眠时相记忆激活特征进行关联分析和同步分析，提取张力表征关联指数和张力表征同步指数，生成睡眠记忆情感张力指数；
长期跟踪量化模组M500，用于完成对用户整个睡眠过程的睡眠记忆情感张力的检测量化和持续跟踪，提取睡眠时相记忆情感张力曲线和时相情感张力相关系数，生成睡眠记忆情感张力检测量化报告，建立和持续更新个性睡眠记忆情感张力量化长期数据库；
独立表征提取模组M600，用于对个性睡眠记忆情感张力量化长期数据库进行特征表征学习，提取并优化睡眠时相眼动位速特征对睡眠记忆情感张力指数的独立表征模式，得到基于眼动的睡眠记忆情感张力量化模型；
数据可视化模组M700，用于对装置中所有过程数据和/或结果数据的统一可视化展示管理；
数据管理中心模组M800，用于对装置中所有过程数据和/或结果数据的统一存储和数据运营管理。
所述装置被构造以用于对应执行图1的方法中的各个步骤，在此不再赘述。
本发明还提供了可编程的各类处理器（FPGA、ASIC或其他集成电路），所述处理器用于运行程序，其中，所述程序运行时执行上述实施例中的步骤。
本发明还提供了对应的计算机设备，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，所述存储器执行所述程序时实现上述实施例中的步骤。
虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和原则的前提下，可以在实施的形式及细节上进行任何的修改与变化、等同替换等，这些都属于本发明的保护范围。因此，本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (29)
1.一种基于眼动的睡眠记忆情感张力检测量化方法，其特征在于，包括以下步骤：
S1、对用户睡眠的眼生理状态和脑生理状态进行检测采集和信号处理，得到眼生理状态数据和脑生理状态数据，识别睡眠时相状态并得到睡眠时相分期；
S2、结合所述睡眠时相分期，根据所述眼生理状态数据识别分析不同睡眠时相状态下眼球运动状态特征，经时相修正生成睡眠时相眼动位速特征；
S3、结合所述睡眠时相分期，根据所述脑生理状态数据识别筛选不同睡眠时相状态下记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征；
S4、对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析和同步分析，提取张力表征关联指数和张力表征同步指数，生成睡眠记忆情感张力指数；
所述结合所述睡眠时相分期，根据所述脑生理状态数据识别筛选不同睡眠时相状态下记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征的具体步骤还包括：
对所述脑生理状态数据进行特征向量分析，得到脑生理状态数据特征；
根据所述睡眠时相分期和所述脑生理状态数据特征进行目标特征筛选，提取记忆激活状态特征，生成所述睡眠时相记忆激活特征；
所述对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析和同步分析，提取张力表征关联指数和张力表征同步指数，生成睡眠记忆情感张力指数的具体步骤还包括：
对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析，得到所述张力表征关联指数；
对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行同步分析，得到所述张力表征同步指数；
根据所述张力表征关联指数和所述张力表征同步指数，计算提取所述睡眠记忆情感张力指数；
所述睡眠记忆情感张力指数的具体提取方法为：
1)获取当前的所述张力表征关联指数和所述张力表征同步指数，生成张力表征指数集；
2)按照预设张力表征指数权重对所述张力表征指数集进行权重计算，得到张力表征权重修正指数集；
3)对所述张力表征权重修正指数集进行从大到小的数值排序，提取头部预设数量的张力表征权重修正指数的均方根，得到张力表征强度系数；
4)结合对应的所述睡眠时相分期和用户基本信息，对所述张力表征强度系数进行系数修正，得到所述睡眠记忆情感张力指数；
所述睡眠记忆情感张力指数的具体计算公式为：
；
其中，为所述睡眠记忆情感张力指数；/>为所述张力表征权重修正指数集取值排序后的头部预设数量；/>为一张力表征指数及其对应的预设张力表征指数权重；分别为睡眠时相分期修正系数和用户个性化修正系数。
2.如权利要求1所述的方法，其特征在于,还包括：
S5、重复上述步骤S1-S4，完成对用户整个睡眠过程的所述睡眠记忆情感张力的检测量化和持续跟踪，提取睡眠时相记忆情感张力曲线和时相情感张力相关系数，生成睡眠记忆情感张力检测量化报告，建立和持续更新个性睡眠记忆情感张力量化长期数据库；
S6、对所述个性睡眠记忆情感张力量化长期数据库进行特征表征学习，提取并优化所述睡眠时相眼动位速特征对睡眠记忆情感张力的独立表征模式，得到基于眼动的睡眠记忆情感张力量化模型。
3.如权利要求1或2所述的方法，其特征在于：所述对用户睡眠的眼生理状态和脑生理状态进行检测采集和信号处理，得到眼生理状态数据和脑生理状态数据，识别睡眠时相状态并得到睡眠时相分期的具体步骤还包括：
对用户睡眠的眼生理状态和脑生理状态进行检测采集，得到眼生理状态信号和脑生理状态信号；
对所述眼生理状态信号和所述脑生理状态信号进行信号处理，得到所述眼生理状态数据和所述脑生理状态数据；
根据所述眼生理状态数据和所述脑生理状态数据识别用户睡眠时相状态，得到所述睡眠时相分期。
4.如权利要求3所述的方法，其特征在于：所述眼生理状态信号至少包括眼电信号、眼压信号、眼球运动信号、眼周血氧水平依赖信号的任意一项。
5.如权利要求3所述的方法，其特征在于：所述脑生理状态信号至少包括脑电信号、脑磁信号、功能性近红外光谱成像信号、功能性核磁共振成像信号的任意一项。
6.如权利要求3所述的方法，其特征在于：所述信号处理至少包括A/D模数转换、重采样、重参考、降噪、去伪迹、工频陷波、低通滤波、高通滤波、带阻滤波、带通滤波、矫正处理和动态截取；其中，所述矫正处理具体为对信号中的包含伪迹或失真的信号数据片段进行信号矫正及预测平滑处理，所述动态截取是指根据检测量化的时间周期或频率要求以预设时间窗口和预设时间步长对目标信号进行移动截取处理。
7.如权利要求1或2所述的方法，其特征在于：所述结合所述睡眠时相分期，根据所述眼生理状态数据识别分析不同睡眠时相状态下眼球运动状态特征，经时相修正生成睡眠时相眼动位速特征的具体步骤还包括：
根据所述眼生理状态数据中的多角度矩阵测量信号数据，重建提取眼动位矢图；
根据所述眼动位矢图，提取眼球相对位置，经数据计算和数据平滑得到眼动速度矢量和加速度矢量；
根据所述眼球相对位置，所述眼动速度矢量和所述加速度矢量，结合所述睡眠时相分期进行时相修正，生成所述睡眠时相眼动位速特征。
8.如权利要求7所述的方法，其特征在于：所述时相修正具体为根据睡眠时相状态对眼动状态特征进行系数修正，以减小不同睡眠时相的眼动状态特征的差异，来保证眼动特征对于记忆情感张力的表征描述能力。
9.如权利要求1所述的方法，其特征在于：所述特征向量分析至少包括特征频带信号提取、包络分析、小波分解、经验模态分解、主成分分析和独立成分分析。
10.如权利要求1所述的方法，其特征在于：所述目标特征筛选具体为根据用户关键生理信息以及不同睡眠时相，确定稳定的筛选规则并从所述脑生理状态数据特征中筛选对应记忆激活状态相关特征；其中，所述用户关键生理信息包括年龄、性别、教育文化程度、健康状态和疾病状态至少一项。
11.如权利要求1所述的方法，其特征在于：所述关联分析至少包括相干性分析、皮尔逊相关分析、杰卡德相似分析、线性互信息分析、线性相关分析、欧氏距离分析、曼哈顿距离分析、切比雪夫距离分析的任意一项。
12.如权利要求11所述的方法，其特征在于：所述同步分析至少包括锁相分析、相-相耦合分析、相-幅耦合分析和幅-幅耦合分析的任意一项。
13.如权利要求2所述的方法，其特征在于，所述重复上述步骤，完成对用户整个睡眠过程的所述睡眠记忆情感张力的检测量化和持续跟踪，提取睡眠时相记忆情感张力曲线和时相情感张力相关系数，生成睡眠记忆情感张力检测量化报告，建立和持续更新个性睡眠记忆情感张力量化长期数据库的具体步骤还包括：
完成对用户整个睡眠过程的所述睡眠记忆情感张力的检测量化和持续跟踪，提取所述睡眠时相记忆情感张力曲线和睡眠时相分期曲线；
计算所述睡眠时相记忆情感张力曲线和所述睡眠时相分期曲线的相关性系数，得到所述时相情感张力相关系数；
按预设报告周期，生成并输出所述睡眠记忆情感张力检测量化报告；
将睡眠记忆情感张力检测量化过程关键数据存入数据库，建立和持续更新所述个性睡眠记忆情感张力量化长期数据库。
14.如权利要求13所述的方法，其特征在于，所述睡眠时相记忆情感张力曲线由按时序排列的所述睡眠时相记忆情感张力指数组成；所述睡眠时相分期曲线由按时序排列的所述睡眠时相分期组成。
15.如权利要求13所述的方法，其特征在于，所述相关性系数具体为相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数和线性相关系数中的任意一项。
16.如权利要求13所述的方法，其特征在于，所述睡眠记忆情感张力检测量化报告至少包括用户基本信息、所述睡眠时相记忆情感张力曲线、所述睡眠时相分期曲线、所述时相情感张力相关系数、所述睡眠时相眼动位速特征的时序曲线、记忆情感张力检测总结。
17.如权利要求13所述的方法，其特征在于，所述个性睡眠记忆情感张力量化长期数据库至少包括用户基本信息、所述睡眠时相记忆情感张力曲线、所述睡眠时相分期曲线、所述睡眠时相眼动位速特征、所述睡眠时相记忆激活特征。
18.如权利要求2所述的方法，其特征在于：所述对所述个性睡眠记忆情感张力量化长期数据库进行特征表征学习，提取并优化所述睡眠时相眼动位速特征对所述睡眠记忆情感张力指数的独立表征模式，得到基于眼动的睡眠记忆情感张力量化模型的具体步骤还包括：
基于所述个性睡眠记忆情感张力量化长期数据库，对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征的协同表征模式进行特征表征学习，得到特征协同表征混合矩阵；
基于所述特征协同表征混合矩阵和所述睡眠记忆情感张力指数，提取并优化所述睡眠时相眼动位速特征对所述睡眠记忆情感张力指数的独立表征模式，得到所述基于眼动的睡眠记忆情感张力量化模型。
19.如权利要求18所述的方法，其特征在于：所述基于眼动的睡眠记忆情感张力量化模型具体为仅需要通过眼生理状态信号的采集处理和特征分析，得到所述睡眠时相眼动位速特征，经过该睡眠记忆情感张力量化模型就能得到所述睡眠记忆情感张力指数，完成基于眼动的睡眠记忆情感张力检测量化过程。
20.如权利要求18所述的方法，其特征在于：所述特征协同表征混合矩阵具体为量化所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征中不同特征之间的联合协同关系，至少包括联合分布矩阵、过渡矩阵和混淆矩阵。
21.一种基于眼动的睡眠记忆情感张力检测量化系统，其特征在于，包括以下模块：
状态采集处理模块，用于对用户睡眠的眼生理状态和脑生理状态进行检测采集和信号处理，得到眼生理状态数据和脑生理状态数据，识别睡眠时相状态并得到睡眠时相分期；
眼动特征分析模块，用于结合所述睡眠时相分期，根据所述眼生理状态数据识别分析不同睡眠时相状态下眼球运动状态特征，经时相修正生成睡眠时相眼动位速特征；
记忆特征分析模块，用于结合所述睡眠时相分期，根据所述脑生理状态数据识别筛选不同睡眠时相状态下记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征；
情感张力量化模块，用于对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进关联分析和同步分析，提取张力表征关联指数和张力表征同步指数，生成睡眠记忆情感张力指数；
所述记忆特征分析模块还包括以下功能单元：
特征向量分析单元，用于对所述脑生理状态数据进行特征向量分析，得到脑生理状态数据特征；
目标特征筛选单元，用于根据所述睡眠时相分期和所述脑生理状态数据特征进行目标特征筛选，提取记忆激活状态特征，生成所述睡眠时相记忆激活特征；
所述情感张力量化模块还包括以下功能单元：
关联指数分析单元，用于对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析，得到所述张力表征关联指数；
同步指数分析单元，用于对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行同步分析，得到所述张力表征同步指数；
张力指数量化单元，用于根据所述张力表征关联指数和所述张力表征同步指数，计算提取所述睡眠记忆情感张力指数；
所述睡眠记忆情感张力指数的具体提取方法为：
1)获取当前的所述张力表征关联指数和所述张力表征同步指数，生成张力表征指数集；
2)按照预设张力表征指数权重对所述张力表征指数集进行权重计算，得到张力表征权重修正指数集；
3)对所述张力表征权重修正指数集进行从大到小的数值排序，提取头部预设数量的张力表征权重修正指数的均方根，得到张力表征强度系数；
4)结合对应的所述睡眠时相分期和用户基本信息，对所述张力表征强度系数进行系数修正，得到所述睡眠记忆情感张力指数；
所述睡眠记忆情感张力指数的具体计算公式为：
；
其中，为所述睡眠记忆情感张力指数；/>为所述张力表征权重修正指数集取值排序后的头部预设数量；/>为一张力表征指数及其对应的预设张力表征指数权重；分别为睡眠时相分期修正系数和用户个性化修正系数。
22.如权利要求21所述的系统，其特征在于，所述系统还包括：
长期跟踪量化模块，用于完成对用户整个睡眠过程的所述睡眠记忆情感张力的检测量化和持续跟踪，提取睡眠时相记忆情感张力曲线和时相情感张力相关系数，生成睡眠记忆情感张力检测量化报告，建立和持续更新个性睡眠记忆情感张力量化长期数据库；
独立表征提取模块，用于对所述个性睡眠记忆情感张力量化长期数据库进行特征表征学习，提取并优化所述睡眠时相眼动位速特征对所述睡眠记忆情感张力指数的独立表征模式，得到基于眼动的睡眠记忆情感张力量化模型；
数据管理中心模块，用于对所述系统中所有过程数据和/或结果数据的可视化展示、统一存储和数据运营管理。
23.如权利要求21或22所述的系统，其特征在于，所述状态采集处理模块还包括以下功能单元：
状态检测采集单元，用于对用户睡眠的眼生理状态和脑生理状态进行检测采集，得到眼生理状态信号和脑生理状态信号；
状态信号处理单元，用于对所述眼生理状态信号和所述脑生理状态信号进行信号处理，得到所述眼生理状态数据和所述脑生理状态数据；
睡眠时相识别单元，用于根据所述眼生理状态数据和所述脑生理状态数据识别用户睡眠时相状态，得到所述睡眠时相分期。
24.如权利要求23所述的系统，其特征在于，所述眼动特征分析模块还包括以下功能单元：
眼动位矢提取单元，用于根据所述眼生理状态数据中的多角度矩阵测量信号数据，重建提取眼动位矢图；
位矢参数计算单元，用于根据所述眼动位矢图，提取眼球相对位置，经数据计算和数据平滑得到眼动速度矢量和加速度矢量；
位矢特征生成单元，用于根据所述眼球相对位置，所述眼动速度矢量和所述加速度矢量，结合所述睡眠时相分期进行时相修正，生成所述睡眠时相眼动位速特征。
25.如权利要求22所述的系统，其特征在于，所述长期跟踪量化模块还包括以下功能单元：
循环检测量化单元，用于完成对用户整个睡眠过程的所述睡眠记忆情感张力的检测量化和持续跟踪，提取所述睡眠时相记忆情感张力曲线和睡眠时相分期曲线；
相关系数计算单元，用于计算所述睡眠时相记忆情感张力曲线和所述睡眠时相分期曲线的相关性系数，得到所述时相情感张力相关系数；
量化报告生成单元，用于按预设报告周期，生成所述睡眠记忆情感张力检测量化报告；
报告输出管理单元，用于对所述睡眠记忆情感张力检测量化报告的格式输出、展现形式进行统一管理；
个性数据跟踪单元，用于将睡眠记忆情感张力检测量化过程关键数据存入数据库，建立和持续更新所述个性睡眠记忆情感张力量化长期数据库。
26.如权利要求22或25所述的系统，其特征在于，所述独立表征提取模块还包括以下功能单元：
特征表征学习单元，用于基于所述个性睡眠记忆情感张力量化长期数据库，对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征的协同表征模式进行特征表征学习，得到特征协同表征混合矩阵；
表征模式提取单元，用于基于所述特征协同表征混合矩阵和所述睡眠记忆情感张力指数，提取并优化所述睡眠时相眼动位速特征对所述睡眠记忆情感张力指数的独立表征模式，得到所述基于眼动的睡眠记忆情感张力量化模型。
27.如权利要求22所述的系统，其特征在于，所述数据管理中心模块还包括以下功能单元：
用户信息管理单元，用于用户基本信息的登记输入、编辑、查询、输出和删除；
数据可视化管理单元，用于对所述系统中所有数据的可视化展现管理；
数据存储管理单元，用于对所述系统中所有数据的统一存储管理；
数据运营管理单元，用于对所述系统中所有数据的备份、迁移和导出。
28.一种基于眼动的睡眠记忆情感张力检测量化装置，其特征在于，包括以下模组：
状态采集处理模组，用于对用户睡眠的眼生理状态和脑生理状态进行检测采集和信号处理，得到眼生理状态数据和脑生理状态数据，识别睡眠时相状态并得到睡眠时相分期；
眼动特征分析模组，用于结合所述睡眠时相分期，根据所述眼生理状态数据识别分析不同睡眠时相状态下眼球运动状态特征，经时相修正生成睡眠时相眼动位速特征；
记忆特征分析模组，用于结合所述睡眠时相分期，根据所述脑生理状态数据识别筛选不同睡眠时相状态下记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征；
情感张力量化模组，用于对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析和同步分析，提取张力表征关联指数和张力表征同步指数，生成睡眠记忆情感张力指数；
所述结合所述睡眠时相分期，根据所述脑生理状态数据识别筛选不同睡眠时相状态下记忆激活状态特征，经特征选择生成睡眠时相记忆激活特征的具体步骤还包括：
对所述脑生理状态数据进行特征向量分析，得到脑生理状态数据特征；
根据所述睡眠时相分期和所述脑生理状态数据特征进行目标特征筛选，提取记忆激活状态特征，生成所述睡眠时相记忆激活特征；
所述对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析和同步分析，提取张力表征关联指数和张力表征同步指数，生成睡眠记忆情感张力指数的具体步骤还包括：
对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行关联分析，得到所述张力表征关联指数；
对所述睡眠时相眼动位速特征和所述睡眠时相记忆激活特征进行同步分析，得到所述张力表征同步指数；
根据所述张力表征关联指数和所述张力表征同步指数，计算提取所述睡眠记忆情感张力指数；
所述睡眠记忆情感张力指数的具体提取方法为：
1)获取当前的所述张力表征关联指数和所述张力表征同步指数，生成张力表征指数集；
2)按照预设张力表征指数权重对所述张力表征指数集进行权重计算，得到张力表征权重修正指数集；
3)对所述张力表征权重修正指数集进行从大到小的数值排序，提取头部预设数量的张力表征权重修正指数的均方根，得到张力表征强度系数；
4)结合对应的所述睡眠时相分期和用户基本信息，对所述张力表征强度系数进行系数修正，得到所述睡眠记忆情感张力指数；
所述睡眠记忆情感张力指数的具体计算公式为：
；
其中，为所述睡眠记忆情感张力指数；/>为所述张力表征权重修正指数集取值排序后的头部预设数量；/>为一张力表征指数及其对应的预设张力表征指数权重；分别为睡眠时相分期修正系数和用户个性化修正系数。
29.如权利要求28所述的装置，其特征在于，所述装置还包括：
长期跟踪量化模组，用于完成对用户整个睡眠过程的所述睡眠记忆情感张力的检测量化和持续跟踪，提取睡眠时相记忆情感张力曲线和时相情感张力相关系数，生成睡眠记忆情感张力检测量化报告，建立和持续更新个性睡眠记忆情感张力量化长期数据库；
独立表征提取模组，用于对所述个性睡眠记忆情感张力量化长期数据库进行特征表征学习，提取并优化所述睡眠时相眼动位速特征对所述睡眠记忆情感张力指数的独立表征模式，得到基于眼动的睡眠记忆情感张力量化模型；
数据可视化模组，用于对所述装置中所有过程数据和/或结果数据的统一可视化展示管理；
数据管理中心模组，用于对所述装置中所有过程数据和/或结果数据的统一存储和数据运营管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310562296.5A CN116269244B (zh) | 2023-05-18 | 2023-05-18 | 基于眼动的睡眠记忆情感张力量化的方法、系统和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310562296.5A CN116269244B (zh) | 2023-05-18 | 2023-05-18 | 基于眼动的睡眠记忆情感张力量化的方法、系统和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116269244A CN116269244A (zh) | 2023-06-23 |
| CN116269244B true CN116269244B (zh) | 2023-08-15 |
Family
ID=86794538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310562296.5A Active CN116269244B (zh) | 2023-05-18 | 2023-05-18 | 基于眼动的睡眠记忆情感张力量化的方法、系统和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116269244B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018027141A1 (en) * | 2016-08-05 | 2018-02-08 | The Regents Of The University Of Colorado, A Body Corporate | In-ear sensing systems and methods for biological signal monitoring |
| CN108143409A (zh) * | 2016-12-06 | 2018-06-12 | 中国移动通信有限公司研究院 | 睡眠阶段分期方法及装置 |
| CN109091141A (zh) * | 2018-07-25 | 2018-12-28 | 浙江理工大学 | 一种基于脑电及眼电的睡眠质量监测仪及其监测方法 |
| CN110101366A (zh) * | 2019-04-26 | 2019-08-09 | 华南师范大学 | 一种睡眠监测系统 |
| CN211674231U (zh) * | 2020-01-17 | 2020-10-16 | 大立光电股份有限公司 | 睡眠感测系统 |
| CN112438738A (zh) * | 2019-09-03 | 2021-03-05 | 西安慧脑智能科技有限公司 | 基于单通道脑电信号睡眠分期的方法、装置及存储介质 |
| CN114847968A (zh) * | 2021-02-04 | 2022-08-05 | 西安电子科技大学青岛计算技术研究院 | 一种基于长短期记忆网络的脑电信号睡眠分期方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8021299B2 (en) * | 2005-06-01 | 2011-09-20 | Medtronic, Inc. | Correlating a non-polysomnographic physiological parameter set with sleep states |
| JP5879833B2 (ja) * | 2011-09-06 | 2016-03-08 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| EP3366213A4 (en) * | 2015-10-24 | 2019-05-01 | Shenzhen Medica Technology Development Co., Ltd. | METHOD AND DEVICE FOR INDICATING A SLEEP EVALUATION AND EVALUATION DEVICE |
-
2023
- 2023-05-18 CN CN202310562296.5A patent/CN116269244B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018027141A1 (en) * | 2016-08-05 | 2018-02-08 | The Regents Of The University Of Colorado, A Body Corporate | In-ear sensing systems and methods for biological signal monitoring |
| CN108143409A (zh) * | 2016-12-06 | 2018-06-12 | 中国移动通信有限公司研究院 | 睡眠阶段分期方法及装置 |
| CN109091141A (zh) * | 2018-07-25 | 2018-12-28 | 浙江理工大学 | 一种基于脑电及眼电的睡眠质量监测仪及其监测方法 |
| CN110101366A (zh) * | 2019-04-26 | 2019-08-09 | 华南师范大学 | 一种睡眠监测系统 |
| CN112438738A (zh) * | 2019-09-03 | 2021-03-05 | 西安慧脑智能科技有限公司 | 基于单通道脑电信号睡眠分期的方法、装置及存储介质 |
| CN211674231U (zh) * | 2020-01-17 | 2020-10-16 | 大立光电股份有限公司 | 睡眠感测系统 |
| CN114847968A (zh) * | 2021-02-04 | 2022-08-05 | 西安电子科技大学青岛计算技术研究院 | 一种基于长短期记忆网络的脑电信号睡眠分期方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116269244A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wierzgała et al. | Most popular signal processing methods in motor-imagery BCI: a review and meta-analysis | |
| Mumtaz et al. | Review of challenges associated with the EEG artifact removal methods | |
| Li et al. | The obf database: A large face video database for remote physiological signal measurement and atrial fibrillation detection | |
| Khalili et al. | Emotion detection using brain and peripheral signals | |
| CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
| CN115804573A (zh) | 一种睡眠深度量化及干预的方法、系统和装置 | |
| CN103405225B (zh) | 一种获取疼感评测指标的方法、装置及设备 | |
| CN106901727A (zh) | 一种基于脑电信号的抑郁症风险筛查装置 | |
| CN106859673A (zh) | 一种基于睡眠脑电的抑郁症风险筛查系统 | |
| CN116392083B (zh) | 基于局部变换的睡眠趋稳性量化及调节方法、系统和装置 | |
| CN115376695A (zh) | 基于扩展现实的神经心理评估及干预的方法、系统和装置 | |
| CN106974660B (zh) | 基于脑功能活动检测中的血氧特征实现性别判定的方法 | |
| CN116509337A (zh) | 基于局部分解的睡眠周期性检测及调节方法、系统和装置 | |
| TWI288875B (en) | Multiple long term auto-processing system and method thereof | |
| Islam et al. | Probability mapping based artifact detection and wavelet denoising based artifact removal from scalp EEG for BCI applications | |
| CN116392085B (zh) | 基于趋势分析的睡眠趋稳性量化及调节方法、系统和装置 | |
| CN116392087B (zh) | 基于模态分解的睡眠趋稳性量化及调节方法、系统和装置 | |
| CN116525063B (zh) | 基于时频分析的睡眠周期性检测及调节方法、系统和装置 | |
| CN116092641B (zh) | 一种睡眠感官应激水平动态调节的方法、系统和装置 | |
| CN116392088B (zh) | 基于时频分析的睡眠趋稳性量化及调节方法、系统和装置 | |
| CN115969330B (zh) | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 | |
| Ibrahim et al. | EEG-Based Epileptic Seizures Detection with Adaptive Learning Capability. | |
| CN116269244B (zh) | 基于眼动的睡眠记忆情感张力量化的方法、系统和装置 | |
| Sutharsan et al. | Electroencephalogram signal processing with independent component analysis and cognitive stress classification using convolutional neural networks | |
| CN115966308A (zh) | 一种睡眠记忆活跃水平检测量化的方法、系统和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |