CN116382488B - 基于人体状态识别的人机交互智能化调控决策系统及方法 - Google Patents
基于人体状态识别的人机交互智能化调控决策系统及方法 Download PDFInfo
- Publication number
- CN116382488B CN116382488B CN202310636257.5A CN202310636257A CN116382488B CN 116382488 B CN116382488 B CN 116382488B CN 202310636257 A CN202310636257 A CN 202310636257A CN 116382488 B CN116382488 B CN 116382488B
- Authority
- CN
- China
- Prior art keywords
- pulse
- characteristic
- feature
- current
- state information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 103
- 238000012545 processing Methods 0.000 claims abstract description 47
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 164
- 238000004458 analytical method Methods 0.000 claims description 139
- 230000035790 physiological processes and functions Effects 0.000 claims description 105
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000017531 blood circulation Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 20
- 210000004204 blood vessel Anatomy 0.000 claims description 18
- 230000001766 physiological effect Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 230000004087 circulation Effects 0.000 claims description 4
- 238000005065 mining Methods 0.000 abstract description 6
- 230000008447 perception Effects 0.000 abstract description 6
- 230000002596 correlated effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 24
- 206010041349 Somnolence Diseases 0.000 description 22
- 230000001976 improved effect Effects 0.000 description 21
- 238000001514 detection method Methods 0.000 description 20
- 230000009286 beneficial effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000005484 gravity Effects 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 8
- 230000000284 resting effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 210000002302 brachial artery Anatomy 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 210000001061 forehead Anatomy 0.000 description 4
- 230000002040 relaxant effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000003403 autonomic nervous system Anatomy 0.000 description 2
- 230000003906 autonomic nervous system functioning Effects 0.000 description 2
- 230000009084 cardiovascular function Effects 0.000 description 2
- 210000000748 cardiovascular system Anatomy 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 210000002321 radial artery Anatomy 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 206010027951 Mood swings Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
- G06F2203/01—Indexing scheme relating to G06F3/01
- G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Hospice & Palliative Care (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Theoretical Computer Science (AREA)
- Educational Technology (AREA)
- General Engineering & Computer Science (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Hematology (AREA)
- General Physics & Mathematics (AREA)
- Neurosurgery (AREA)
- Neurology (AREA)
- Dermatology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人机交互智能化调控决策技术领域，具体公开了基于人体状态识别的人机交互智能化调控决策系统及方法，包括：采集模块用于读取人体脉动波形特征；信号接收与处理模块用于提取有效特征；计算模块用于计算多个有效特征以生成新的特征并构建动态数据集；动态矩阵生成模块用于将动态数据集转换生成动态特征矩阵；状态识别模块用于比对和判断动态特征矩阵；调控决策模块用于基于状态识别模块得出的人体状态建立人机交互决策机制。本系统通过深度挖掘和分析人体信号中与人体状态高度关联的生物信息，提升人机交互系统对人体状态的识别与判断能力，为提升智能家居、智能座舱、智慧医疗和智能感知类相关系统调控决策的智能化水平提供技术支撑。
Description
技术领域
本发明涉及人机交互智能化调控决策技术领域，尤其涉及一种基于人体状态识别的人机交互智能化调控决策系统及方法。
背景技术
脉搏信号是反映心血管和自主神经系统功能的主要生物信息来源，且在量化心血管和自主神经系统功能方面具有重要价值，通过对脉搏信号多维度（包括瞬时和动态过程以及趋势性方面）的特征，特别是动态和趋势性特征的发现、提取、量化和分析，具有重要的研究价值和科学意义。
临床实践表明，人体的生理状态（包括心理活动诱发的生理改变）均对人体的心血管和自主神经系统功能产生程度不同的影响，也即人体的心理/生理变化会或多或少反映在心血管和自主神经系统功能的变化上，并体现在经优化组合的脉搏信号数据集的特征上，也即：脉搏信号数据集特征的变化也在一定程度上反映了人体的心理/生理状态改变进而对人体状态产生的影响。
可见，将经优化的脉搏信号数据集用于对人体状态的智能化识别可增加信息维度，从而提高对人体状态判断和量化的敏感性与特异性，进而为人机交互系统提供可靠的数据参考依据尤为重要。
发明内容
本发明提供一种基于人体状态识别的人机交互智能化调控决策系统及方法，能够基于脉搏信号数据集实现对人体状态的智能化识别，进而能够为人机交互系统提供可靠的数据参考依据。
为了解决上述技术问题，本发明第一方面公开了一种基于人体状态识别的人机交互智能化调控决策系统，所述系统包括采集模块、信号接收与处理模块、计算模块、动态矩阵生成模块、状态识别模块以及调控决策模块；其中：
所述信号接收与处理模块，用于对所述采集模块在一定时间段内采集到的若干个目标对象对应的脉搏信号进行滤波与归一化处理，得到每个所述目标对象对应的脉搏信号处理结果；
所述计算模块，用于根据预先设置的计算方式，对所有所述目标对象对应的脉搏信号处理结果进行相匹配的计算处理操作，以提取到脉搏波形特征数据集，所述脉搏波形特征数据集包括多个反映特定血管血流特征的脉搏波形特征；
所述动态矩阵生成模块，用于根据所述脉搏波形特征数据集，构建目标特定时长的动态矩阵模型；
所述状态识别模块，用于对所述动态矩阵模型及待检测对象对应的实测脉搏波形特征数据集进行比对分析，得到比对分析结果，并基于所述比对分析结果识别所述待检测对象的当前状态；
所述调控决策模块，用于根据所述待检测对象的当前状态，建立人机交互系统的调节与控制决策机制。
作为一种可选的实施方式，在本发明第一方面中，所述动态矩阵生成模块包括数据阵列生成子模块以及矩阵模型构建子模块，其中：
所述数据阵列生成子模块，用于基于待分析的至少一个反映特定血管血流特征的所述脉搏波形特征数据集，生成量化的数据集队列，并基于所述数据集队列分析每个所述血管血流特征在对应时间段内的波形特征变化趋势，得到分析结果；
所述矩阵模型构建子模块，用于根据所述分析结果、对应的变化时间特征点以及对应的统计参数，构建目标特定时长的动态矩阵模型。
作为一种可选的实施方式，在本发明第一方面中，所述系统还包括分析优化模块，其中：
所述分析优化模块，用于获取所述待检测对象对应的当前身体状态信息，并基于所述当前身体状态信息确定所述待检测对象对应的当前身体状态，并根据所述当前身体状态判断所述比对分析结果是否需要调整，当判断出所述比对分析结果不需要调整时，触发所述状态识别模块执行所述的基于所述比对分析结果识别所述待检测对象的当前状态的操作；当判断出所述比对分析结果需要调整时，基于所述当前身体状态信息对所述比对分析结果执行优化调整操作，以更新所述比对分析结果，并触发所述状态识别模块执行所述的基于所述比对分析结果识别所述待检测对象的当前状态的操作。
作为一种可选的实施方式，在本发明第一方面中，所述分析优化模块根据所述当前身体状态判断所述比对分析结果是否需要调整的具体方式包括：
所述分析优化模块判断所述当前身体状态是否表示所述待检测对象处于预设身体状态，当判断结果为是时，根据所述当前身体状态信息判断所述实测脉搏波形特征数据集是否存在与所述当前身体状态信息具有关联关系的至少一个目标特征，当判断出所述实测脉搏波形特征数据集中存在至少一个所述目标特征时，确定所述比对分析结果需要调整；
其中，与所述当前身体状态信息具有所述关联关系用于表示相应特征随着所述当前身体状态信息的变化而变化。
作为一种可选的实施方式，在本发明第一方面中，所述分析优化模块，还用于在判断出所述实测脉搏波形特征数据集中存在至少一个所述目标特征时，确定所述当前身体状态信息对每个所述目标特征的影响度，并判断所有所述影响度中是否存在大于等于预设影响度阈值的影响度，当判断出所有所述影响度中存在大于等于所述影响度阈值的影响度时，执行所述的确定所述比对分析结果需要调整的操作。
作为一种可选的实施方式，在本发明第一方面中，所述待检测对象的当前状态包括：由所述待检测对象的当前心理/生理活动引起的状态改变信息，所述状态改变信息包括状态变化后的状态等级，和/或，状态变化趋势；
以及，所述动态矩阵模型包括所述脉搏波形特征数据集中的脉搏波形特征在预先确定好的每种心理/生理状态信息下的基准波形特征变化趋势曲线、对应的变化时间特征点及对应的统计参数，所述变化时间特征点包括起始时间点及截止时间点，所述统计参数包括变化幅度、持续时长、重复次数、循环频率、重复时间间隔、对应特征值的变化范围、对应特征值的变化率中的至少一种。
作为一种可选的实施方式，在本发明第一方面中，所述状态识别模块对所述动态矩阵模型及待检测对象对应的实测脉搏波形特征数据集进行比对分析，得到比对分析结果，并基于所述比对分析结果确定所述待检测对象的当前状态的具体方式包括：
所述状态识别模块确定所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线；
所述状态识别模块从所述动态矩阵模型中确定在每种所述状态下每个所述脉搏波形特征的基准波形特征变化趋势曲线；
对于每个所述脉搏波形特征，所述状态识别模块计算该脉搏波形特征的当前波形特征变化趋势曲线与在每种所述心理/生理状态信息下该脉搏波形特征的基准波形特征变化趋势曲线的曲线相似度得到该脉搏特征对应的多个曲线相似度，并根据该脉搏波形特征对应的所有曲线相似度，从所有所述心理/生理状态信息中确定该脉搏特征对应的心理/生理状态信息；
所述状态识别模块根据所有所述脉搏特征对应的心理/生理状态信息，识别所述待检测对象的当前状态。
本发明第二方面公开了基于人体状态识别的人机交互智能化调控决策方法，所述方法应用于人机交互智能化的调控决策系统中，所述方法包括：
所述调控决策系统对一定时间段内采集到的若干个目标对象对应的脉搏信号进行滤波与归一化处理，得到每个所述目标对象对应的脉搏信号处理结果；
所述调控决策系统根据预先设置的计算方式，对所有所述目标对象对应的脉搏信号处理结果进行相匹配的计算处理操作，以提取到脉搏波形特征数据集，所述脉搏波形特征数据集包括多个反映特定血管血流特征的脉搏波形特征；
所述调控决策系统根据所述脉搏波形特征数据集，构建目标特定时长的动态矩阵模型；
所述调控决策系统对所述动态矩阵模型及待检测对象对应的实测脉搏波形特征数据集进行比对分析，得到比对分析结果，并基于所述比对分析结果识别所述待检测对象的当前状态，以及根据所述待检测对象的当前状态，建立人机交互系统的调节与控制决策机制。
作为一种可选的实施方式，在本发明第二方面中，所述调控决策系统根据所述脉搏波形特征数据集，构建目标特定时长的动态矩阵模型，包括：
基于待分析的至少一个反映特定血管血流特征的所述脉搏波形特征数据集（或者至少一个单一波形特征），生成量化的数据集队列，并基于所述数据集队列分析每个所述血管血流特征在对应时间段内的波形特征变化趋势，得到分析结果；
根据所述分析结果、对应的变化时间特征点以及对应的统计参数，构建目标特定时长的动态矩阵模型。
作为一种可选的实施方式，在本发明第二方面中，所述方法还包括：
所述调控决策系统获取所述待检测对象对应的当前身体状态信息，并基于所述当前身体状态信息确定所述待检测对象对应的当前身体状态，并根据所述当前身体状态判断所述比对分析结果是否需要调整，当判断出所述比对分析结果不需要调整时，触发执行所述的基于所述比对分析结果识别所述待检测对象的当前状态的操作；当判断出所述比对分析结果需要调整时，基于所述当前身体状态信息对所述比对分析结果执行优化调整操作，以更新所述比对分析结果，并触发执行所述的基于所述比对分析结果识别所述待检测对象的当前状态的操作。
作为一种可选的实施方式，在本发明第二方面中，所述调控决策系统根据所述当前身体状态判断所述比对分析结果是否需要调整，包括：
判断所述当前身体状态是否表示所述待检测对象处于预设身体状态，当判断结果为是时，根据所述当前身体状态信息判断所述实测脉搏波形特征数据集是否存在与所述当前身体状态信息具有关联关系的至少一个目标特征，当判断出所述实测脉搏波形特征数据集中存在至少一个所述目标特征时，确定所述比对分析结果需要调整；
其中，与所述当前身体状态信息具有所述关联关系用于表示相应特征随着所述当前身体状态信息的变化而变化。
作为一种可选的实施方式，在本发明第二方面中，所述调控决策系统根据所述当前身体状态判断所述比对分析结果是否需要调整，还包括：
在判断出所述实测脉搏波形特征数据集中存在至少一个所述目标特征时，确定所述当前身体状态信息对每个所述目标特征的影响度，并判断所有所述影响度中是否存在大于等于预设影响度阈值的影响度，当判断出所有所述影响度中存在大于等于所述影响度阈值的影响度时，执行所述的确定所述比对分析结果需要调整的操作。
作为一种可选的实施方式，在本发明第二方面中，所述待检测对象的当前状态包括：由所述待检测对象的当前心理/生理活动引起的状态改变信息，所述状态改变信息包括状态变化后的状态等级，和/或，状态变化趋势；
以及，所述动态矩阵模型包括所述脉搏波形特征数据集中的脉搏波形特征在预先确定好的每种心理/生理状态信息下的基准波形特征变化趋势曲线、对应的变化时间特征点及对应的统计参数，所述变化时间特征点包括起始时间点及截止时间点，所述统计参数包括变化幅度、持续时长、重复次数、循环频率、重复时间间隔、对应特征值的变化范围、对应特征值的变化率中的至少一种。
作为一种可选的实施方式，在本发明第二方面中，所述调控决策系统对所述动态矩阵模型及待检测对象对应的实测脉搏波形特征数据集进行比对分析，得到比对分析结果，并基于所述比对分析结果确定所述待检测对象的当前状态，包括：
所述调控决策系统确定所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线；
所述调控决策系统从所述动态矩阵模型中确定在每种所述心理/生理状态信息下每个所述脉搏特征的基准波形特征变化趋势曲线；
对于每个所述脉搏特征，所述调控决策系统计算该脉搏特征的当前波形特征变化趋势曲线与在每种所述心理/生理状态信息下该脉搏特征的基准波形特征变化趋势曲线的曲线相似度得到该脉搏特征对应的多个曲线相似度，并根据该脉搏特征对应的所有曲线相似度，从所有所述心理/生理状态信息中确定该脉搏特征对应的心理/生理状态信息；
所述调控决策系统根据所有所述脉搏特征对应的心理/生理状态信息，识别所述待检测对象的当前状态。
本发明第三方面公开了另一种基于人体状态识别的人机交互智能化调控决策系统，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第二方面所述的基于人体状态识别的人机交互智能化调控决策方法中的步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第二方面所述的基于人体状态识别的人机交互智能化调控决策方法中的步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，信号接收与处理模块对采集模块在一定时间段内采集到的若干个目标对象对应的脉搏信号进行滤波与归一化处理得到脉搏信号处理结果；计算模块根据预先设置的计算方式对所有脉搏信号处理结果进行相匹配的计算处理操作以提取到脉搏波形特征数据集；动态矩阵生成模块根据脉搏波形特征数据集构建特定时长的动态矩阵模型；状态识别模块对动态矩阵模型及待检测对象对应的实测脉搏波形特征数据集进行比对分析得到比对分析结果，并基于比对分析结果识别待检测对象的当前状态，包括：心理/生理活动引起的状态改变（如情绪波动或困倦程度等级）；调控决策模块用于基于状态识别模块得出的人体状态建立人机交互智能化调节与控制决策机制。可见，本发明通过深度挖掘和分析人体信号中与人体状态高度关联的生物信息，提升人机交互系统对人体状态的识别与判断能力，进而为提升智能家居、智能座舱、智慧医疗和智能感知类相关系统调控决策的智能化水平提供技术支撑。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例公开的一种基于人体状态识别的人机交互智能化调控决策系统的结构示意图；
图2是本发明实施例公开的另一种基于人体状态识别的人机交互智能化调控决策系统的结构示意图；
图3是本发明实施例公开的一种基于人体状态识别的人机交互智能化调控决策方法的流程示意图；
图4是本发明实施例公开的另一种基于人体状态识别的人机交互智能化调控决策方法的流程示意图；
图5是本发明实施例公开的又一种基于人体状态识别的人机交互智能化调控决策系统的结构示意图；
图6是本发明实施例公开的一种波形特征提取后对波形图进行划分后形成多个区域相关特征的流程示意图；
图7是本发明实施例公开的一个3×3矩阵所包含数据集中的某一个特征值（AUC0）变化趋势图中所截取的130个连续心跳对应的变化数值的序列示意图；
图8是本发明实施例公开的一个数据集中包含的15个特征值以及其中9个特征值所形成的3×3矩阵数据阵列的示意图；
图9是本发明实施例公开的一种由静息放松状态转变为困倦状态时有关联属性的动态矩阵特征模板在第2个心跳的特征数据集形成的矩阵阵列所对应的可视化图表的图表示意图；
图10是本发明实施例公开的一种由静息放松状态转变为困倦状态时有关联属性的动态矩阵特征模板在第9个心跳的特征数据集形成的矩阵阵列所对应的可视化图表的图表示意图；
图11是本发明实施例公开的一种由静息放松状态转变为困倦状态时有关联属性的动态矩阵特征模板在第24个心跳的特征数据集形成的矩阵阵列所对应的可视化图表的图表示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合、扩展、分拆和/或重组后使用。
本发明公开了一种基于人体状态识别的人机交互智能化调控决策系统及方法，能够基于脉搏信号数据集，包括在多个不同部位采集的脉搏波形信号，如颈动脉脉搏波形信号、肱动脉、桡动脉脉搏波形信号、前额和指端容积波描记信号（即PPG信号）等，实现对人体状态（由心理/生理活动引起的状态改变）的智能化检测、分析和研究，不仅增加了信息维度，而且还提高了多维度信息的客观性，进而能够为人体心理、生理状态的量化检测与评估提供更多科学、客观且准确的数据和分析依据，而通过引入动态矩阵模型能够拓宽观察维度进而提高对人体状态智能化检测的准确性及检测效率；此外，通过深度挖掘和分析人体信号中与人体状态高度关联的生物信息，提升人机交互系统对人体状态的识别与判断能力，进而为提升智能家居、智能座舱、智慧医疗和智能感知类相关系统调控决策的智能化水平提供技术支撑。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于人体状态识别的人机交互智能化调控决策系统的结构示意图。其中，图1所描述的系统可以集成在检测设备中，也可以集成在服务器中，可选的，该服务器可以为本地服务器，也可以为云端服务器，本发明实施例不做限定。如图1所示，该系统可以包括采集模块100、信号接收与处理模块101、计算模块102、动态矩阵生成模块103、状态识别模块104以及调控决策模块105，其中：
信号接收与处理模块101，用于对采集模块100在一定时间段内采集到的若干个目标对象对应的脉搏信号进行滤波与归一化处理，得到每个目标对象对应的脉搏信号处理结果；
计算模块102，用于根据预先设置的计算方式，对所有目标对象对应的脉搏信号处理结果进行相匹配的计算处理操作，以提取到脉搏波形特征数据集，该脉搏波形特征数据集包括多个脉搏波形特征；
动态矩阵生成模块103，用于根据脉搏波形特征数据集，构建目标特定时长的动态矩阵模型；
状态识别模块104，用于对动态矩阵模型及待检测对象对应的实测脉搏波形特征数据集进行比对分析，得到比对分析结果，并基于比对分析结果识别待检测对象的当前状态；
调控决策模块105，用于根据状态识别模块104识别出的待检测对象的当前状态，建立人机交互系统的调节与控制决策机制。
进一步可选的，在计算模块102提取到脉搏波形特征数据集之后，以及在动态矩阵生成模块103根据脉搏波形特征数据集，构建目标特定时长的动态矩阵模型之前，该系统还可以用于：对组成脉搏波形特征数据集的单一波形特征逐一进行有选择的调用并形成特征组合，有利于提高构建的动态矩阵模型的准确性。又进一步可选的，前述“对组成脉搏波形特征数据集的单一波形特征逐一进行有选择的调用并形成特征组合”可以具体由系统所包括的数据集编辑模块（图1、图2中均未示出）来实现，也可以由动态矩阵生成模块103来实现，本发明实施例不做限定。
本发明实施例中，采集到的若干个目标对象对应的脉搏信号可以具体包括不同目标对象在不同心理/生理状态下的脉搏信号，更为具体的，可以包括不同目标对象在不同心理/生理状态下不同采集部位的脉搏信号，也即不同目标对象在不同心理/生理状态下的脉搏信号组合。可选的，信号接收与处理模块101对一定时间段内采集到的若干个目标对象对应的脉搏信号进行滤波与归一化处理，得到每个目标对象对应的脉搏信号处理结果的具体方式可以包括：
根据每个目标对象在对应的脉搏信号下的心理/生理状态，将心理/生理状态相似或者相近的对象分为一组，得到若干个目标对象组，每个目标对象组对应相似或者相近的心理/生理状态；
对于每个目标对象组，对该目标对象组中所有目标对象对应的脉搏信号进行滤波与归一化处理，得到该目标对象组中每个目标对象对应的脉搏信号处理结果。
可见，实施本发明实施例所描述的系统能够基于脉搏信号数据集，包括在多个不同部位采集的脉搏波形信号，如颈动脉脉搏波形信号、肱动脉、桡动脉脉搏波形信号、前额和指端容积波形信号（即PPG信号）等，实现对人体状态的智能化检测、分析和研究，不仅增加了信息维度，而且还提高了多维度信息的客观性，进而能够为人体状态的量化检测与评估提供更多科学、客观且准确的数据和分析依据，而通过引入动态矩阵模型能够拓宽观察维度进而提高对人体状态智能化检测的准确性及检测效率；此外，通过深度挖掘和分析人体信号中与人体状态高度关联的生物信息，提升人机交互系统对人体状态的识别与判断能力，进而为提升智能家居、智能座舱、智慧医疗和智能感知类相关系统调控决策的智能化水平提供技术支撑。
在本发明实施例中，以目标对象对应的脉搏信号为通过光电容积波描记法采集到指端的容积血流脉搏信号、以将脉搏波形特征数据集转换为三维图形为例，对图1所描述的系统的功能原理加以说明，具体如下：
由信号接收与处理模块101将容积血流脉搏信号经过放大、滤波和归一化处理后的波形图，由计算模块102对处理后的波形图进行特征提取，得到一系列特征值，且单一个特征值或者多个特征值经过运算后可以生成新的特征值，例如：在预先构建的坐标系中将处理后的波形图划分为多个区域，计算每个区域的面积与平面重心坐标，具体请参见图6，图6是本发明实施例公开的一种波形特征提取后对波形图进行划分后形成多个区域相关特征的流程示意图。具体的，图6中的6-A为将整个波形曲线下面积划定为一个区域，该区域被定义为AUC0，其归一化的数值为该波形曲线下面积所占1×1无量纲化的正方形面积的百分比。进一步的，图6中的6-B为按照6-A中波形曲线上升至最大值（也即波形曲线峰值）时，根据峰值的横坐标（px）将6-A中波形曲线上升支和下降支下面积对应的区域自然划分为左右两个区域，该两个区域分别被定义为AUC1和AUC2，且二者归一化的数值分别为该波形图左侧区域所占1 × px无量纲化的矩形面积的百分比以及该波形图右侧区域所占1 × (1-px)无量纲化的矩形面积的百分比；又进一步的，图6中的6-C为按照6-A中波形曲线从峰值下降至转折点时，根据转折点的横坐标（ix）将6-A中波形图对应的区域划分为左右两个区域，该两个区域分别被定义为AUC3和AUC4，且二者归一化的数值分别为该波形图左侧区域所占1 × ix无量纲化的矩形面积的百分比以及该波形图右侧区域所占1 × (1-ix)无量纲化的矩形面积的百分比。需要说明的是：该系统支持上述脉搏波形特征数据集及上述动态矩阵模型大小的设置与编辑，且不设上限。此外，该系统还支持特征值计算公式的编辑，也即支持新特征值添加功能。具体的，在实际应用中，遵守简单实用节约算力原则实现相应内容的设置与编辑。
简单起见，本实施例从15个特征值中选择其中9个特征值（如图8中所示的AUC0、X0、Y0、AUC3、X3、Y3、ACU4、X4以及Y4）构建脉搏波形特征数据集，且提供时长2分钟的波形图队列包含的130个波（也可以理解为包含130个脉动周期时长的数据），也即：每个特征值分别包含了130个连续变化的数值，详见图7，图7是本发明实施例公开的一个3×3矩阵所包含数据集中的某一个特征值（AUC0）变化趋势图中所截取的130个连续心跳对应的变化数值的序列示意图。其中，图7中的横坐标为对应的脉动周期序号，图7中的纵坐标为特征值AUC0，也即：整个波形曲线下面积与对应区域无量纲化矩形面积的比值。
在从15个特征值中选择其中9个特征值之后，动态矩阵生成模块103基于前述9个特征值构建矩阵，且构建的矩阵以3 × 3的大小为例，具体详见图8，图8是本发明实施例公开的一个数据集中包含的15个特征值以及其中9个特征值所形成的3×3矩阵数据阵列的示意图。如图8所示，图8中的8-A、8-B以及8-C表示15个特征值，具体包括：8-A中涉及的AUC0、X0、Y0，8-B中涉及的AUC1、X1、Y1、AUC2、X2、Y2，以及8-C中涉及的AUC3、X3、Y3、ACU4、X4、Y4，其中，AUC0为整个归一化波形曲线下面积，X0为AUC0面积重心横坐标，Y0为 AUC0面积重心纵坐标；AUC1为归一化波形上升支曲线下面积（也即峰值左边区域面积），X1为AUC1面积重心横坐标，Y1为AUC1面积重心纵坐标；AUC2为归一化波形下降支曲线下面积（也即峰值右边区域面积），X2为 AUC2面积重心横坐标，Y2为 AUC2面积重心纵坐标；AUC3为 归一化波形下降支转折点左侧曲线下面积，X3为AUC3面积重心横坐标，Y3为AUC3面积重心纵坐标；AUC4为归一化波形下降支转折点右侧曲线下面积，X4为AUC4面积重心横坐标，Y4为AUC4面积重心纵坐标，以及，图8中的8-D表示从15个特征值中选取的其中9个特征值所形成的3×3矩阵阵列，且该9个特征值具体包括：AUC0、X0、Y0、AUC3、X3、Y3、ACU4、X4以及Y4。
需要特别说明的是，本实施例也支持将脉搏波形特征数据集及动态矩阵转化为常用的可视化图表，如二维柱状图、二维柱状图对应的二维平面图、三维柱状图以及三维柱状图对应的三维曲面图。进一步的，该系统所涉及的波形图原始数据、数据集和矩阵数据均支持数据挖掘、模式识别和机器学习等人工智能应用系统的交互过程。且除了可视化效果之外，图表的扩展应用可增强系统识别能力和分析功能，以矩阵为例，经过优化的特征值排列矩阵所形成的三维曲面图所包含的特征值之间的联动关系能够通过本系统轻松提取，且本系统通过多种图表的综合运用，为数据挖掘、模式识别和机器学习等人工智能相关应用创造条件。例如：以添加辅助等高线的矩阵地形曲面图（三维曲面图）为例，本系统可以追踪计算地形图高度范围对应色块面积大小与面积比值来提升对人体动态特征的观察力和辨识度，拓展观察维度，强化动态趋势分析能力。
进一步的，针对本系统的动态特征提取功能，本实施例列举了某个处于休息状态的目标对象作为样本，对其日常生活中时长2分钟的背景数据结合该样本受试过程的实际状态进行分段对比，结果如下：
样本处于清醒状态，且在播放音乐、静息放松（也即漫不经心没有压力）状态下，本系统采集样本的相应特征值的连续波形图变化动态特征对应的矩阵表达，虽然该矩阵表达在连续变化的波形图所对应的数据集总体上显示相邻心动周期彼此之间存在差异，但是这些差异在矩阵地形图上是处于小幅度波动状态，且动态特征对应的矩阵表达显示有一定周期性循环的规律，没有明显趋势性的变化。本系统会将该变化过程的数据集记录下来，并将其转换为具有可比性的且与静息放松状态有关联属性的特征模板；
同样处于音乐播放状态下，在样本出现困倦打盹现象前20秒提取的连续波形图变化动态特征数据集对应的矩阵阵列。显而易见的，在样本出现困倦打盹前20秒开始的矩阵地形特征已开始出现显著的趋势性变化，虽然相邻脉动周期彼此之间的差异仍然保留有小幅度波动的属性。本系统会将该变化过程的数据集记录下来，并将其转换为具有可比性的且与特定心理/生理状态有关联属性的特征模板。
举例来说，样本由静息放松状态转变为困倦状态时，相应特征数据集所形成的矩阵阵列对应的可视化图表可以如图9、图10以及图11所示，图9-图11分别是本发明实施例公开的一种由静息放松状态转变为困倦状态时有关联属性的动态矩阵特征模板在第2个心跳、第9个心跳以及第24个心跳的特征数据集形成的矩阵阵列所对应的可视化图表的图表示意图。具体的，图9以及图10分别是与静息放松状态有关联属性的特征模板在第2个脉动周期、第9个脉动周期时的特征数据集形成的矩阵阵列所对应的可视化图表，图11是与困倦状态有关联属性的特征模板在24个脉动周期时以矩阵形式表达的特征数据集所对应的可视化图表，也即：从图9-图11中的9-A到10-A再到11-A的变化可以看出，样本由静息放松状态转变为困倦状态。其中，图9-图11中的可视化图表从左至右、从上至下分别为二维柱状图（如图9中的9-A、图10中的10-A以及图11中的11-A）、三维柱状图（如图9中的9-B、图10中的10-B以及图11中的11-B）、三维柱状图对应的二维平面图（如图9中的9-C、图10中的10-C以及图11中的11-C）、三维柱状图对应的三维曲面图（如图9中的9-D、图10中的10-D以及图11中的11-D），且二维柱状图、三维柱状图的高度用于表示以矩阵形式表达的特征数据集相应特征值，三维柱状图对应的二维平面图、三维柱状图对应的三维曲面图的不同颜色对应于不同的高度范围。
需要特别说明的是：本系统为人工智能技术应用预留了接口，且本系统与人工智能技术的有机结合将为发现更多有价值的信息与规律奠定基础，
在一个可选的实施例中，如图2所示，动态矩阵生成模块103包括数据阵列生成子模块1031以及矩阵模型构建子模块1032，其中：
数据阵列生成子模块1031，用于基于待分析的至少一个反映特定血管血流特征的脉搏波形特征数据集，生成量化的数据集队列，并基于数据集队列分析每个血管血流特征在对应时间段内的波形特征变化趋势，得到分析结果；
矩阵模型构建子模块1032，用于根据分析结果、对应的变化时间特征点以及对应的统计参数，构建目标特定时长的动态矩阵模型。
可见，该可选的实施例还能够基于多个血管血流特征及对应的脉搏波形特征数据集生成量化的数据集队列，进而基于量化的数据集队列分析每个血管血流特征在对应时间段内的波特特征变化趋势，得到分析结果，而后基于分析结果、对应的变化时间特征点以及对应的统计参数构建目标特定时长的动态矩阵模型，有利于提高动态矩阵模型的构建准确性及构建效率，进而有利于提高基于动态矩阵模型分析出的人体状态的准确性。
在另一个可选的实施例中，如图2所示，该系统还可以包括分析优化模块106，其中：
分析优化模块106，用于获取待检测对象对应的当前身体状态信息，并基于当前身体状态信息确定待检测对象对应的当前身体状态，并根据当前身体状态判断比对分析结果是否需要调整，当判断出比对分析结果不需要调整时，触发状态识别模块104执行上述的基于比对分析结果识别待检测对象的当前状态的操作；当判断出比对分析结果需要调整时，基于当前身体状态信息对比对分析结果执行优化调整操作，以更新比对分析结果，并触发状态识别模块104执行上述的基于比对分析结果识别待检测对象的当前状态的操作。
可选的，待检测对象对应的当前身体状态可以是待检测对象当前的身体健康状态。进一步可选的，基于当前身体状态信息对上述比对分析结果执行优化调整操作具体可以是：基于当前身体状态信息调整实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线，而后再将调整后的当前波形特征变化趋势曲线与在每种状态下每个脉搏波形特征的基准波形特征变化趋势曲线进行曲线相似度的比对，以调整曲线相似度。又进一步可选的，不同的身体健康状态信息对应不同的调整系数，具体可以基于当前身体状态信息对应的调整系数调整实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线。
可见，该可选的实施例还能够在初步得到比对分析结果之后，即时输出基于待检测对象对应的当前身体状态实现对比对分析结果的调整判断，并在判断出需要调整的情况下自动或手动完成对比对分析结果的自适应调整，以更新比对分析结果，重复循环这一过程将逐步缩小待检测对象自身身体状态对比对分析结果的影响，进而不断提高比对分析结果的准确性以及比对分析结果与待检测对象之间的匹配度。
在又一个可选的实施例中，分析优化模块106根据当前身体状态判断比对分析结果是否需要调整的具体方式包括：
分析优化模块106判断当前身体状态是否表示待检测对象处于预设身体状态，当判断结果为是时，根据当前身体状态信息判断实测脉搏波形特征数据集是否存在与当前身体状态信息具有关联关系的至少一个目标特征，当判断出实测脉搏波形特征数据集中存在至少一个目标特征时，确定比对分析结果需要调整。
其中，与当前身体状态信息具有关联关系用于表示相应特征随着当前身体状态信息的变化而变化。
可见，该可选的实施例提供了一种比对分析结果是否需要调整的智能化判断方式，能够在判断出当前身体状态表示预设身体状态时进一步判断实测脉搏波形特征数据集是否存在预设身体状态所能够对数据集特征产生影响的特征，若存在，则确定比对分析结果需要调整，有利于提高比对分析结果是否需要调整的判断敏感性与特异性，进而有利于提高比对分析结果的准确性。
在该可选的实施例中，又进一步可选的，分析优化模块106，还用于在判断出实测脉搏波形特征数据集中存在至少一个目标特征时，确定当前身体状态信息对每个目标特征的影响度，并判断所有影响度中是否存在大于等于预设影响度阈值范围的情况，当判断出所有影响度中存在大于等于影响度阈值的影响度时，执行上述的确定比对分析结果需要调整的操作。
可见，该可选的实施例在实现比对分析结果是否需要调整的智能化判断时，还能够进一步判断当前状态信息对每个目标特征的影响度，当影响度较大时再进一步确定比对分析结果需要调整，有利于提高比对分析结果是否需要调整的判断准确性与判断可靠性。
可选的，上述待检测对象的当前状态包括：由待检测对象的当前心理/生理活动引起的状态改变信息，该状态改变信息包括状态变化后的状态等级（如无困倦、轻度困倦、中度困倦、重度困倦），和/或，状态变化趋势（如由无困倦朝向轻度困倦变化、由轻度困倦朝向中度困倦变化等）。
可选的，动态矩阵模型包括脉搏波形特征数据集中的脉搏波形特征在预先确定好的每种心理/生理状态信息下的基准波形特征变化趋势曲线、对应的变化时间特征点及对应的统计参数，变化时间特征点包括起始时间点及截止时间点，统计参数包括变化幅度、持续时长、重复次数、循环频率、重复时间间隔、对应特征值的变化范围、对应特征值的变化率中的至少一种。
可见，该可选的实施例能够生成包括多维度信息的动态矩阵模型，基于包括多维度信息的动态矩阵模型实现心理/生理状态等级和/或心理/生理状态变化趋势的智能化分析，有利于提高心理/生理状态等级和/或心理/生理状态变化趋势的分析准确性，进而有利于提高对由心理/生理活动引起的状态改变信息的识别准确性。
在又一个可选的实施例中，状态识别模块104对动态矩阵模型及待检测对象对应的实测脉搏波形特征数据集进行比对分析，得到比对分析结果，并基于比对分析结果确定待检测对象的当前状态的具体方式包括：
状态识别模块104确定实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线；
状态识别模块104从动态矩阵模型中确定在每种心理/生理状态信息下每个脉搏特征的基准波形特征变化趋势曲线；
对于每个脉搏特征，状态识别模块104计算该脉搏特征的当前波形特征变化趋势曲线与在每种心理/生理状态信息下该脉搏特征的基准波形特征变化趋势曲线的曲线相似度得到该脉搏特征对应的多个曲线相似度，并根据该脉搏特征对应的所有曲线相似度，从所有心理/生理状态信息中确定该脉搏特征对应的心理/生理状态信息；
状态识别模块104根据所有脉搏特征对应的心理/生理状态信息，识别待检测对象的当前状态。
进一步可选的，对于每个脉搏特征，状态识别模块104根据该脉搏特征对应的所有曲线相似度，从所有心理/生理状态信息中确定该脉搏特征对应的心理/生理状态信息的具体方式包括：
对于每个脉搏特征，状态识别模块104从该脉搏特征对应的所有曲线相似度确定最大曲线相似度，确定该最大曲线相似度所对应的基准波形特征变化趋势曲线，并确定该最大曲线相似度所对应的基准波形特征变化趋势曲线所对应的心理/生理状态信息，作为该脉搏特征对应的心理/生理状态信息。
又进一步的，对于每个脉搏特征，从该脉搏特征对应的所有曲线相似度确定最大曲线相似度之后，状态识别模块104还用于判断该最大曲线相似度是否大于等于预设相似度阈值，若是，则进一步执行上述的确定该最大曲线相似度所对应的基准波形特征变化趋势曲线的操作，若否，则将该脉搏特征对应的心理/生理状态信息设置为空。
又进一步的，状态识别模块104根据所有脉搏特征对应的心理/生理状态信息，识别待检测对象的当前状态的具体方式包括：
状态识别模块104根据所有脉搏特征对应的心理/生理状态信息，统计不同心理/生理状态信息的出现频次，将出现频次最高的心理/生理状态信息所引起的状态变化信息确定为待检测对象的当前状态，有利于提高确定出的待检测对象的当前状态的准确性；或者，
状态识别模块104将所有脉搏特征对应的心理/生理状态信息所引起的状态变化信息的并集确定为待检测对象的当前状态，有利于提高确定出的待检测对象的当前状态的全面性。
可见，该可选的实施例能够基于每个脉搏特征的当前波形特征变化趋势曲线及在每种心理/生理状态信息下每个脉搏特征的基准波形特征变化趋势曲线的曲线相似度，将相似度高的曲线所对应的心理/生理状态信息确定为待检测对象的当前心理/生理状态信息，提高了待检测对象的当前心理/生理状态信息的分析便捷性及分析准确性。此外，在基于最大曲线相似度确定脉搏特征对应的心理/生理状态信息时，还需先判断最大曲线相似度是否大于等于预设相似度阈值，若是，则再进一步基于最大曲线相似度确定脉搏特征对应的心理/生理状态信息，有利于保证基于最大曲线相似度确定出的脉搏特征对应的心理/生理状态信息的准确性及可靠性，进而有利于提高对由心理/生理活动引起的状态改变信息的识别准确性。
实施例二
请参阅图3，图3是本发明实施例公开的一种基于人体状态识别的人机交互智能化调控决策方法的流程示意图。其中，图3所描述的方法可以应用于基于人体状态识别的人机交互智能化调控决策系统中，基于人体状态识别的人机交互智能化调控决策系统可以集成在检测设备中，也可以集成在服务器中，可选的，该服务器可以为本地服务器，也可以为云端服务器，本发明实施例不做限定。如图3所示，该方法可以包括如下操作：
201、调控决策系统对一定时间段内采集到的若干个目标对象对应的脉搏信号进行滤波与归一化处理，得到每个目标对象对应的脉搏信号处理结果。
本发明实施例中，采集到的若干个目标对象对应的脉搏信号可以具体包括不同目标对象在不同心理/生理状态下的脉搏信号。作为一种可选的实施方式，调控决策系统对一定时间段内采集到的若干个目标对象对应的脉搏信号进行滤波与归一化处理，得到每个目标对象对应的脉搏信号处理结果可以包括：
根据每个目标对象在对应的脉搏信号下的心理/生理状态，将心理/生理状态相似或者相近的对象分为一组，得到若干个目标对象组，每个目标对象组对应相似或者相近的心理/生理状态；
对于每个目标对象组，对该目标对象组中所有目标对象对应的脉搏信号进行滤波与归一化处理，得到该目标对象组中每个目标对象对应的脉搏信号处理结果。
可见，该可选的实施方式还能够将心理/生理状态相似或者相近的对象作为一组进行分析，有利于快速且准确的获取不同心理/生理状态下的脉搏信号变化趋势，进而有利于实现脉搏信号变化趋势的聚类分析。
202、调控决策系统根据预先设置的计算方式，对所有目标对象对应的脉搏信号处理结果进行相匹配的计算处理操作，以提取到脉搏波形特征数据集，脉搏波形特征数据集包括多个脉搏波形特征；
203、调控决策系统根据脉搏波形特征数据集，构建目标特定时长的动态矩阵模型。
204、调控决策系统对动态矩阵模型及待检测对象对应的实测脉搏波形特征数据集进行比对分析，得到比对分析结果，并基于比对分析结果识别待检测对象的当前状态，以及根据待检测对象的当前状态，建立人机交互系统的调节与控制决策机制。
可见，实施图3所描述的方法能够基于脉搏信号数据集，包括在多个不同部位采集的脉搏波形信号，如颈动脉脉搏波形信号、肱动脉、桡动脉脉搏波形信号、前额和指端容积波描记信号（即PPG信号）等，实现对人体状态（由心理/生理活动引起的状态改变）的智能化检测、分析和研究，不仅增加了信息维度，而且还提高了多维度信息的客观性，进而能够为人体生理、心理状态的量化检测与评估提供更多科学、客观且准确的数据和分析依据，而通过引入动态矩阵模型能够拓宽观察维度进而提高对人体状态智能化检测的准确性及检测效率；此外，通过深度挖掘和分析人体信号中与人体状态高度关联的生物信息，提升人机交互系统对人体状态的识别与判断能力，进而为提升智能家居、智能座舱、智慧医疗和智能感知类相关系统调控决策的智能化水平提供技术支撑。
在一个可选的实施例中，调控决策系统根据脉搏波形特征数据集，构建目标特定时长的动态矩阵模型，可以包括：
基于待分析的至少一个血管血流特征的脉搏波形特征数据集，生成量化的数据集队列，并基于数据集队列分析每个血管血流特征在对应时间段内的波形特征变化趋势，得到分析结果；
根据分析结果、对应的变化时间特征点以及对应的统计参数，构建目标特定时长的动态矩阵模型。
可见，该可选的实施例还能够基于多个血管血流特征及对应的脉搏波形特征数据集生成量化的数据集队列，进而基于量化的数据集队列分析每个血管血流特征在对应时间段内的基准波形特征变化趋势曲线，得到分析结果，而后基于分析结果、对应的变化时间特征点以及对应的统计参数构建特定时长的动态矩阵模型，有利于提高动态矩阵模型的构建准确性及构建效率，进而有利于提高基于动态矩阵模型分析出的心理/生理状态信息的准确性。
在该可选的实施例中，进一步可选的，调控决策系统对动态矩阵模型及待检测对象对应的实测脉搏波形特征数据集进行比对分析，得到比对分析结果，并基于比对分析结果识别待检测对象的当前状态，可以包括：
调控决策系统确定实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线；
调控决策系统从动态矩阵模型中确定在每种心理/生理状态信息下每个脉搏特征的基准波形特征变化趋势曲线；
对于每个脉搏特征，调控决策系统计算该脉搏特征的当前波形特征变化趋势曲线与在每种心理/生理状态信息下该脉搏特征的基准波形特征变化趋势曲线的曲线相似度得到该脉搏特征对应的多个曲线相似度，并根据该脉搏特征对应的所有曲线相似度，从所有心理/生理状态信息中确定该脉搏特征对应的心理/生理状态信息；
调控决策系统根据所有脉搏特征对应的心理/生理状态信息，识别待检测对象的当前状态。
进一步可选的，对于每个脉搏特征，调控决策系统根据该脉搏特征对应的所有曲线相似度，从所有心理/生理状态信息中确定该脉搏特征对应的心理/生理状态信息的具体方式包括：
对于每个脉搏特征，调控决策系统从该脉搏特征对应的所有曲线相似度确定最大曲线相似度，确定该最大曲线相似度所对应的基准波形特征变化趋势曲线，并确定该最大曲线相似度所对应的基准波形特征变化趋势曲线所对应的心理/生理状态信息，作为该脉搏特征对应的心理/生理状态信息。
又进一步的，对于每个脉搏特征，从该脉搏特征对应的所有曲线相似度确定最大曲线相似度之后，调控决策系统还可以进一步判断该最大曲线相似度是否大于等于预设相似度阈值，若是，则进一步执行上述的确定该最大曲线相似度所对应的基准波形特征变化趋势曲线的操作，若否，则将该脉搏特征对应的心理/生理状态信息设置为空。
又进一步的，调控决策系统根据所有脉搏特征对应的心理/生理状态信息，确定待检测对象的当前状态，可以包括：
调控决策系统根据所有脉搏特征对应的心理/生理状态信息，统计不同心理/生理状态信息的出现频次，将出现频次最高的心理/生理状态信息所引起的状态变化信息确定为待检测对象的当前状态，有利于提高确定出的待检测对象的当前状态的准确性；或者，
调控决策系统将所有脉搏特征对应的心理/生理状态信息所引起的状态变化信息的并集确定为待检测对象的当前状态，有利于提高确定出的待检测对象的当前状态的全面性。
可见，该可选的实施例还能够基于每个脉搏特征的当前波形特征变化趋势曲线及在每种状态下每个脉搏特征的基准波形特征变化趋势曲线的曲线相似度，将相似度高的曲线所对应的状态确定为待检测对象的当前状态，通过循环重复该过程，逐步提高待检测对象的当前状态分析判断的敏感性与特异性。此外，在基于最大曲线相似度确定脉搏特征对应的状态时，还需先判断最大曲线相似度是否大于等于预设相似度阈值，若是，则再进一步基于最大曲线相似度确定脉搏特征对应的状态，有利于保证基于最大曲线相似度确定出的脉搏特征对应的状态的准确性及可靠性，进而有利于提高对由心理/生理活动引起的状态改变信息的识别准确性。
在另一个可选的实施例中，可选的，上述待检测对象的当前状态包括：由待检测对象的当前心理/生理活动引起的状态改变信息，该状态改变信息包括状态变化后的状态等级（如无困倦、轻度困倦、中度困倦、重度困倦），和/或，状态变化趋势（如由无困倦朝向轻度困倦变化、由轻度困倦朝向中度困倦变化等）。
可选的，动态矩阵模型包括脉搏波形特征数据集中的脉搏波形特征在预先确定好的每种心理/生理状态信息下的基准波形特征变化趋势曲线、对应的变化时间特征点及对应的统计参数，变化时间特征点包括起始时间点及截止时间点，统计参数包括变化幅度、持续时长、重复次数、循环频率、重复时间间隔、对应特征值的变化范围、对应特征值的变化率中的至少一种。
可见，该可选的实施例能够支持系统生成包括更多维度信息在内的动态矩阵模型，基于包括多维度信息的动态矩阵模型实现心理/生理状态等级和/或心理/生理状态变化趋势的智能化分析，有利于提高心理/生理状态等级和/或心理/生理状态变化趋势分析的准确性和适用性，进而有利于提高对由心理/生理活动引起的状态改变信息的识别准确性。
实施例三
请参阅图4，图4是本发明实施例公开的另一种基于人体状态识别的人机交互智能化调控决策方法的流程示意图。其中，图4所描述的方法可以应用于基于人体状态识别的人机交互智能化调控决策系统中，基于人体状态识别的人机交互智能化调控决策系统可以集成在检测设备中，也可以集成在服务器中，可选的，该服务器可以为本地服务器，也可以为云端服务器，本发明实施例不做限定。如图4所示，该方法可以包括如下操作：
301、调控决策系统对一定时间段内采集到的若干个目标对象对应的脉搏信号进行滤波与归一化处理，得到每个目标对象对应的脉搏信号处理结果。
302、调控决策系统根据预先设置的计算方式，对所有目标对象对应的脉搏信号处理结果进行相匹配的计算处理操作，以提取到脉搏波形特征数据集，脉搏波形特征数据集包括多个脉搏波形特征。
303、调控决策系统根据脉搏波形特征数据集，构建目标特定时长的动态矩阵模型。
304、调控决策系统对动态矩阵模型及待检测对象对应的实测脉搏波形特征数据集进行比对分析，得到比对分析结果。
305、调控决策系统获取待检测对象对应的当前身体状态信息，并基于当前身体状态信息确定所述待检测对象对应的当前身体状态。
306、调控决策系统根据当前身体状态判断比对分析结果是否需要调整，当步骤306的判断结果为是时，触发执行步骤307，当步骤306的判断结果为否时，触发执行步骤308。
307、调控决策系统基于当前身体状态信息对上述比对分析结果执行优化调整操作，以更新比对分析结果。
308、调控决策系统基于比对分析结果识别待检测对象的当前状态，以及根据待检测对象的当前状态，建立人机交互系统的调节与控制决策机制。
可见，实施本发明实施例所描述的方法能够基于脉搏信号数据集，包括在多个不同部位采集的脉搏波形信号，如颈动脉脉搏波形信号、肱动脉、桡动脉脉搏波形信号、前额和指端容积波描记信号（即PPG信号）等，实现对人体状态（由心理/生理活动引起的状态改变）的智能化检测、分析和研究，不仅增加了信息维度，而且还提高了多维度信息的客观性，进而能够为人体生理、心理状态的量化检测与评估提供更多科学、客观且准确的数据和分析依据，而通过引入动态矩阵模型能够拓宽观察维度进而提高对人体状态智能化检测的准确性及检测效率；此外，通过深度挖掘和分析人体信号中与人体状态高度关联的生物信息，提升人机交互系统对人体状态的识别与判断能力，进而为提升智能家居、智能座舱、智慧医疗和智能感知类相关系统调控决策的智能化水平提供技术支撑。
在一个可选的实施例中，调控决策系统根据当前身体状态判断比对分析结果是否需要调整，可以包括：
判断当前身体状态是否表示待检测对象处于预设身体状态，当判断结果为是时，根据当前身体状态信息判断实测脉搏波形特征数据集是否存在与当前身体状态信息具有关联关系的至少一个目标特征，当判断出实测脉搏波形特征数据集中存在至少一个目标特征时，确定比对分析结果需要调整。
其中，与当前身体状态信息具有关联关系用于表示相应特征随着当前身体状态信息的变化而变化。
可见，该可选的实施例提供了一种比对分析结果是否需要调整的智能化判断方式，能够在判断出当前身体状态表示预设身体状态时进一步判断实测脉搏波形特征数据集是否存在预设身体状态所能够影响的特征，若存在，则确定比对分析结果需要调整，有利于提高比对分析结果是否需要调整的判断准确性，进而有利于提高比对分析结果的准确性。
在该可选的实施例中，进一步可选的，调控决策系统根据当前身体状态判断比对分析结果是否需要调整，还包括：
在判断出实测脉搏波形特征数据集中存在至少一个目标特征时，确定当前身体状态信息对每个目标特征的影响度，并判断所有影响度中是否存在大于等于预设影响度阈值的影响度，当判断出所有影响度中存在大于等于影响度阈值的影响度时，执行上述的确定比对分析结果需要调整的操作。
可见，该可选的实施例在实现比对分析结果是否需要调整的智能化判断时，还能够进一步判断当前状态信息对每个目标特征的影响度，当影响度较大时再进一步确定比对分析结果需要调整，有利于提高比对分析结果是否需要调整的判断准确性与判断可靠性。
实施例四
请参阅图5，图5是本发明实施例公开的又一种基于人体状态识别的人机交互智能化调控决策系统的结构示意图。其中，图5所描述的系统可以集成在检测设备中，也可以集成在服务器中，可选的，该服务器可以为本地服务器，也可以为云端服务器，本发明实施例不做限定。如图5所示，该系统可以包括
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
处理器402调用存储器401中存储的可执行程序代码，执行实施例一中所描述的基于人体状态识别的人机交互智能化调控决策系统中相关模块的智能化功能，或者，执行实施例二或实施例三所描述的基于人体状态识别的人机交互智能化调控决策方法中的步骤。
实施例五
本发明实施例公开了一种计算机存储介质，该计算机可读存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例二或本发明实施例三所描述的基于人体状态识别的人机交互智能化调控决策方法中的步骤。
实施例六
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行本发明实施例二或本发明实施例三所描述的基于人体状态识别的人机交互智能化调控决策方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于人体状态识别的人机交互智能化调控决策系统及方法所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (12)
1.一种基于人体状态识别的人机交互智能化调控决策系统，其特征在于，所述系统包括采集模块、信号接收与处理模块、计算模块、动态矩阵生成模块、状态识别模块以及调控决策模块；其中：
所述信号接收与处理模块，用于对所述采集模块在一定时间段内采集到的若干个目标对象对应的脉搏信号进行滤波与归一化处理，得到每个所述目标对象对应的脉搏信号处理结果；
所述计算模块，用于根据预先设置的计算方式，对所有所述目标对象对应的脉搏信号处理结果进行相匹配的计算处理操作，以提取到脉搏波形特征数据集，所述脉搏波形特征数据集包括多个反映特定血管血流特征的脉搏波形特征；
所述动态矩阵生成模块，用于基于待分析的至少一个反映特定血管血流特征的所述脉搏波形特征数据集，生成量化的数据集队列，并基于所述数据集队列分析每个所述血管血流特征在对应时间段内的波形特征变化趋势，得到分析结果，以及，根据所述分析结果、对应的变化时间特征点以及对应的统计参数，构建目标特定时长的动态矩阵模型；所述动态矩阵模型包括所述脉搏波形特征数据集中的脉搏波形特征在预先确定好的每种心理/生理状态信息下的基准波形特征变化趋势曲线；
所述状态识别模块，用于确定待检测对象对应的实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线；从所述动态矩阵模型中确定在每种所述心理/生理状态信息下每个所述脉搏特征的基准波形特征变化趋势曲线；对于每个所述脉搏特征，计算该脉搏特征的当前波形特征变化趋势曲线与在每种所述心理/生理状态信息下该脉搏特征的基准波形特征变化趋势曲线的曲线相似度得到该脉搏特征对应的多个曲线相似度，并根据该脉搏特征对应的所有曲线相似度，从所有所述心理/生理状态信息中确定该脉搏特征对应的心理/生理状态信息；根据所有所述脉搏特征对应的心理/生理状态信息，识别所述待检测对象的当前状态；
所述调控决策模块，用于根据所述待检测对象的当前状态，建立人机交互系统的调节与控制决策机制。
2.根据权利要求1所述的基于人体状态识别的人机交互智能化调控决策系统，其特征在于，所述系统还包括分析优化模块，其中：
所述分析优化模块，用于获取所述待检测对象对应的当前身体状态信息，并基于所述当前身体状态信息确定所述待检测对象对应的当前身体状态，并根据所述当前身体状态判断所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线是否需要调整，当判断出不需要调整时，触发所述状态识别模块执行所述的对于每个所述脉搏特征，计算该脉搏特征的当前波形特征变化趋势曲线与在每种所述心理/生理状态信息下该脉搏特征的基准波形特征变化趋势曲线的曲线相似度得到该脉搏特征对应的多个曲线相似度，并根据该脉搏特征对应的所有曲线相似度，从所有所述心理/生理状态信息中确定该脉搏特征对应的心理/生理状态信息；根据所有所述脉搏特征对应的心理/生理状态信息，识别所述待检测对象的当前状态的操作；当判断出需要调整时，基于所述当前身体状态信息对所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线执行优化调整操作，以更新所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线，并触发所述状态识别模块执行所述的对于每个所述脉搏特征，计算该脉搏特征的当前波形特征变化趋势曲线与在每种所述心理/生理状态信息下该脉搏特征的基准波形特征变化趋势曲线的曲线相似度得到该脉搏特征对应的多个曲线相似度，并根据该脉搏特征对应的所有曲线相似度，从所有所述心理/生理状态信息中确定该脉搏特征对应的心理/生理状态信息；根据所有所述脉搏特征对应的心理/生理状态信息，识别所述待检测对象的当前状态的操作。
3.根据权利要求2所述的基于人体状态识别的人机交互智能化调控决策系统，其特征在于，所述分析优化模块根据所述当前身体状态判断所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线是否需要调整的具体方式包括：
所述分析优化模块判断所述当前身体状态是否表示所述待检测对象处于预设身体状态，当判断结果为是时，根据所述当前身体状态信息判断所述实测脉搏波形特征数据集是否存在与所述当前身体状态信息具有关联关系的至少一个目标特征，当判断出所述实测脉搏波形特征数据集中存在至少一个所述目标特征时，确定所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线需要调整；
其中，与所述当前身体状态信息具有所述关联关系用于表示相应特征随着所述当前身体状态信息的变化而变化。
4.根据权利要求3所述的基于人体状态识别的人机交互智能化调控决策系统，其特征在于，所述分析优化模块，还用于在判断出所述实测脉搏波形特征数据集中存在至少一个所述目标特征时，确定所述当前身体状态信息对每个所述目标特征的影响度，并判断所有所述影响度中是否存在大于等于预设影响度阈值的影响度，当判断出所有所述影响度中存在大于等于所述影响度阈值的影响度时，执行所述的确定所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线需要调整的操作。
5.根据权利要求4所述的基于人体状态识别的人机交互智能化调控决策系统，其特征在于，所述待检测对象的当前状态包括：由所述待检测对象的当前心理/生理活动引起的状态改变信息，所述状态改变信息包括状态变化后的状态等级，和/或，状态变化趋势；
以及，所述动态矩阵模型还包括所述脉搏波形特征数据集中的脉搏波形特征在预先确定好的每种所述心理/生理状态信息下的基准波形特征变化趋势曲线对应的变化时间特征点及对应的统计参数，所述变化时间特征点包括起始时间点及截止时间点，所述统计参数包括变化幅度、持续时长、重复次数、循环频率、重复时间间隔、对应特征值的变化范围、对应特征值的变化率中的至少一种。
6.一种基于人体状态识别的人机交互智能化调控决策方法，其特征在于，所述方法应用于人机交互智能化的调控决策系统中，所述方法包括：
所述调控决策系统对一定时间段内采集到的若干个目标对象对应的脉搏信号进行滤波与归一化处理，得到每个所述目标对象对应的脉搏信号处理结果；以及，根据预先设置的计算方式，对所有所述目标对象对应的脉搏信号处理结果进行相匹配的计算处理操作，以提取到脉搏波形特征数据集，所述脉搏波形特征数据集包括多个反映特定血管血流特征的脉搏波形特征；
所述调控决策系统基于待分析的至少一个反映特定血管血流特征的所述脉搏波形特征数据集，生成量化的数据集队列，并基于所述数据集队列分析每个所述血管血流特征在对应时间段内的波形特征变化趋势，得到分析结果，以及，根据所述分析结果、对应的变化时间特征点以及对应的统计参数，构建目标特定时长的动态矩阵模型；所述动态矩阵模型包括所述脉搏波形特征数据集中的脉搏波形特征在预先确定好的每种心理/生理状态信息下的基准波形特征变化趋势曲线；
所述调控决策系统确定待检测对象对应的实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线；从所述动态矩阵模型中确定在每种所述心理/生理状态信息下每个所述脉搏特征的基准波形特征变化趋势曲线；对于每个所述脉搏特征，计算该脉搏特征的当前波形特征变化趋势曲线与在每种所述心理/生理状态信息下该脉搏特征的基准波形特征变化趋势曲线的曲线相似度得到该脉搏特征对应的多个曲线相似度，并根据该脉搏特征对应的所有曲线相似度，从所有所述心理/生理状态信息中确定该脉搏特征对应的心理/生理状态信息；根据所有所述脉搏特征对应的心理/生理状态信息，识别所述待检测对象的当前状态，以及根据所述待检测对象的当前状态，建立人机交互系统的调节与控制决策机制。
7.根据权利要求6所述的基于人体状态识别的人机交互智能化调控决策方法，其特征在于，所述方法还包括：
所述调控决策系统获取所述待检测对象对应的当前身体状态信息，并基于所述当前身体状态信息确定所述待检测对象对应的当前身体状态，并根据所述当前身体状态判断所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线是否需要调整，当判断出不需要调整时，触发执行所述的对于每个所述脉搏特征，计算该脉搏特征的当前波形特征变化趋势曲线与在每种所述心理/生理状态信息下该脉搏特征的基准波形特征变化趋势曲线的曲线相似度得到该脉搏特征对应的多个曲线相似度，并根据该脉搏特征对应的所有曲线相似度，从所有所述心理/生理状态信息中确定该脉搏特征对应的心理/生理状态信息；根据所有所述脉搏特征对应的心理/生理状态信息，识别所述待检测对象的当前状态的操作；当判断出需要调整时，基于所述当前身体状态信息对所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线执行优化调整操作，以更新所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线，并触发执行所述的对于每个所述脉搏特征，计算该脉搏特征的当前波形特征变化趋势曲线与在每种所述心理/生理状态信息下该脉搏特征的基准波形特征变化趋势曲线的曲线相似度得到该脉搏特征对应的多个曲线相似度，并根据该脉搏特征对应的所有曲线相似度，从所有所述心理/生理状态信息中确定该脉搏特征对应的心理/生理状态信息；根据所有所述脉搏特征对应的心理/生理状态信息，识别所述待检测对象的当前状态的操作。
8.根据权利要求7所述的基于人体状态识别的人机交互智能化调控决策方法，其特征在于，所述调控决策系统根据所述当前身体状态判断所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线是否需要调整，包括：
判断所述当前身体状态是否表示所述待检测对象处于预设身体状态，当判断结果为是时，根据所述当前身体状态信息判断所述实测脉搏波形特征数据集是否存在与所述当前身体状态信息具有关联关系的至少一个目标特征，当判断出所述实测脉搏波形特征数据集中存在至少一个所述目标特征时，确定所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线需要调整；
其中，与所述当前身体状态信息具有所述关联关系用于表示相应特征随着所述当前身体状态信息的变化而变化。
9.根据权利要求8所述的基于人体状态识别的人机交互智能化调控决策方法，其特征在于，所述调控决策系统根据所述当前身体状态判断所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线是否需要调整，还包括：
在判断出所述实测脉搏波形特征数据集中存在至少一个所述目标特征时，确定所述当前身体状态信息对每个所述目标特征的影响度，并判断所有所述影响度中是否存在大于等于预设影响度阈值的影响度，当判断出所有所述影响度中存在大于等于所述影响度阈值的影响度时，执行所述的确定所述实测脉搏波形特征数据集中每个脉搏特征的当前波形特征变化趋势曲线需要调整的操作。
10.根据权利要求9所述的基于人体状态识别的人机交互智能化调控决策方法，其特征在于，所述待检测对象的当前状态包括：由所述待检测对象的当前心理/生理活动引起的状态改变信息，所述状态改变信息包括状态变化后的状态等级，和/或，状态变化趋势；
以及，所述动态矩阵模型还包括所述脉搏波形特征数据集中的脉搏波形特征在预先确定好的每种心理/生理状态信息下的基准波形特征变化趋势曲线对应的变化时间特征点及对应的统计参数，所述变化时间特征点包括起始时间点及截止时间点，所述统计参数包括变化幅度、持续时长、重复次数、循环频率、重复时间间隔、对应特征值的变化范围、对应特征值的变化率中的至少一种。
11.一种基于人体状态识别的人机交互智能化调控决策系统，其特征在于，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求6-10任一项所述的基于人体状态识别的人机交互智能化调控决策方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求6-10任一项所述的基于人体状态识别的人机交互智能化调控决策方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310636257.5A CN116382488B (zh) | 2023-06-01 | 2023-06-01 | 基于人体状态识别的人机交互智能化调控决策系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310636257.5A CN116382488B (zh) | 2023-06-01 | 2023-06-01 | 基于人体状态识别的人机交互智能化调控决策系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116382488A CN116382488A (zh) | 2023-07-04 |
| CN116382488B true CN116382488B (zh) | 2023-10-27 |
Family
ID=86971377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310636257.5A Active CN116382488B (zh) | 2023-06-01 | 2023-06-01 | 基于人体状态识别的人机交互智能化调控决策系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116382488B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011141765A1 (en) * | 2010-05-14 | 2011-11-17 | Centre For Development Of Advanced Computing | Diagnostic classifications of pulse signal waveform data |
| CN104952210A (zh) * | 2015-05-15 | 2015-09-30 | 南京邮电大学 | 一种基于决策级数据融合的疲劳驾驶状态检测系统和方法 |
| CN113703573A (zh) * | 2021-08-26 | 2021-11-26 | 广州励丰文化科技股份有限公司 | 基于多媒体的交互系统、方法、终端设备及存储介质 |
| CN115251852A (zh) * | 2022-10-07 | 2022-11-01 | 安徽星辰智跃科技有限责任公司 | 一种体温调节功能的检测量化方法和系统 |
| CN115804575A (zh) * | 2021-09-13 | 2023-03-17 | 中国矿业大学(北京) | 一种基于脉搏信号的个性化生理状态聚类判别系统 |
-
2023
- 2023-06-01 CN CN202310636257.5A patent/CN116382488B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011141765A1 (en) * | 2010-05-14 | 2011-11-17 | Centre For Development Of Advanced Computing | Diagnostic classifications of pulse signal waveform data |
| CN104952210A (zh) * | 2015-05-15 | 2015-09-30 | 南京邮电大学 | 一种基于决策级数据融合的疲劳驾驶状态检测系统和方法 |
| CN113703573A (zh) * | 2021-08-26 | 2021-11-26 | 广州励丰文化科技股份有限公司 | 基于多媒体的交互系统、方法、终端设备及存储介质 |
| CN115804575A (zh) * | 2021-09-13 | 2023-03-17 | 中国矿业大学(北京) | 一种基于脉搏信号的个性化生理状态聚类判别系统 |
| CN115251852A (zh) * | 2022-10-07 | 2022-11-01 | 安徽星辰智跃科技有限责任公司 | 一种体温调节功能的检测量化方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116382488A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Arrhythmia recognition and classification using combined parametric and visual pattern features of ECG morphology | |
| WO2019105105A1 (zh) | 脉搏波血压测量装置的分类预测数据处理方法 | |
| CN109864736A (zh) | 心电信号的处理方法、装置、终端设备及介质 | |
| Altan et al. | A new approach to early diagnosis of congestive heart failure disease by using Hilbert–Huang transform | |
| Zhang et al. | ECG quality assessment based on a kernel support vector machine and genetic algorithm with a feature matrix | |
| CN108056773A (zh) | 基于改进变分模态分解的心电信号qrs波群检测算法 | |
| Banerjee et al. | PhotoECG: Photoplethysmographyto estimate ECG parameters | |
| Wang et al. | Photoplethysmography-based blood pressure estimation combining filter-wrapper collaborated feature selection with LASSO-LSTM model | |
| WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
| US20180228383A1 (en) | Blood pressure measuring device, blood pressure measurement method and blood pressure measurement program | |
| 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 | |
| CN110037668B (zh) | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 | |
| Wen et al. | A feasible feature extraction method for atrial fibrillation detection from BCG | |
| CN116602642B (zh) | 心率监测方法、装置、设备 | |
| Li et al. | Classification of electrocardiogram signals with waveform morphological analysis and support vector machines | |
| CN116382488B (zh) | 基于人体状态识别的人机交互智能化调控决策系统及方法 | |
| Sayed et al. | Arrhythmia classification based on novel distance series transform of phase space trajectories | |
| CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 | |
| KR101137402B1 (ko) | 오실로매트릭 동맥 혈압 측정에 기반한 개인 식별 장치 및 방법 | |
| JP5207172B2 (ja) | 波形解析装置及び波形解析プログラム | |
| CN116172572A (zh) | 一种基于shap值加权和分段hdbscan的心拍聚类方法及系统 | |
| CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
| Zhang et al. | Heart sound classification and recognition based on EEMD and correlation dimension | |
| Nataraj et al. | Application of computational intelligence techniques for cardiovascular diagnostics | |
| Mahajan et al. | Automated cardiac state diagnosis from hybrid features of ECG using neural network classifier |
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 |