CN116665847B - 基于vr的围绕精神障碍的情绪调节训练系统 - Google Patents
基于vr的围绕精神障碍的情绪调节训练系统 Download PDFInfo
- Publication number
- CN116665847B CN116665847B CN202310965458.XA CN202310965458A CN116665847B CN 116665847 B CN116665847 B CN 116665847B CN 202310965458 A CN202310965458 A CN 202310965458A CN 116665847 B CN116665847 B CN 116665847B
- Authority
- CN
- China
- Prior art keywords
- treatment
- scene
- experience
- data
- test
- 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
- 230000036651 mood Effects 0.000 title claims abstract description 41
- 208000020016 psychiatric disease Diseases 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 141
- 230000000694 effects Effects 0.000 claims abstract description 40
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 39
- 201000010099 disease Diseases 0.000 claims abstract description 21
- 230000008451 emotion Effects 0.000 claims description 59
- 238000002560 therapeutic procedure Methods 0.000 claims description 25
- 238000013480 data collection Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 19
- 230000000087 stabilizing effect Effects 0.000 claims description 19
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 claims description 16
- 230000006641 stabilisation Effects 0.000 claims description 12
- 238000011105 stabilization Methods 0.000 claims description 12
- 208000024891 symptom Diseases 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 229960000890 hydrocortisone Drugs 0.000 claims description 8
- 231100000430 skin reaction Toxicity 0.000 claims description 8
- 208000028017 Psychotic disease Diseases 0.000 claims description 7
- 208000035475 disorder Diseases 0.000 claims description 7
- 208000019022 Mood disease Diseases 0.000 claims description 4
- 206010027951 Mood swings Diseases 0.000 claims description 4
- 230000002996 emotional effect Effects 0.000 claims 1
- 206010026749 Mania Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 208000030336 Bipolar and Related disease Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000019116 sleep disease Diseases 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 208000017164 Chronobiology disease Diseases 0.000 description 1
- 208000020401 Depressive disease Diseases 0.000 description 1
- 206010054089 Depressive symptom Diseases 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 208000028683 bipolar I disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000007510 mood change Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000001671 psychotherapy Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Social Psychology (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Hospice & Palliative Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Child & Adolescent Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明公开了基于VR的围绕精神障碍的情绪调节训练系统，涉及VR精神障碍治疗技术领域，通过预先收集VR场景数据以及测试病人数据，根据VR场景数据以及测试病人数据，收集每个测试病人的治疗效果数据，基于治疗效果数据，为每个病症级别的非测试病人的VR可穿戴设备设定VR治疗场景的体验顺序，收集非测试病人每次使用VR可穿戴设备体验VR治疗场景的历史治疗数据，对于每个非测试病人的历史治疗数据，训练出选择下一个VR治疗场景的Actor‑Critic模型，并使用Actor模型选择下一个体验的VR治疗场景。为每个非测试病人选择下一个VR治疗场景，提高了VR治疗场景的治疗效率。
Description
技术领域
本发明涉及VR精神障碍治疗技术领域，具体是基于VR的围绕精神障碍的情绪调节训练系统。
背景技术
根据ICD-11定义，双相及相关障碍（Bipolar or related disorders），是发作性的心境障碍，由躁狂发作、混合发作及轻躁狂发作以及相关症状所定义。在双相及相关障碍的病程中，躁狂、混合、轻躁狂发作通常与抑郁发作（或一段时期的抑郁症状）交替出现。
目前，传统的心理疗法需要的治疗周期长，需要的医护人员的人力成本高；而VR技术通过模拟逼真的虚拟环境，为患者提供沉浸式的体验，可以创造出与现实世界相似或完全不同的情境，从而为患者提供一种安全、可控和个体化的治疗环境；
现有的VR技术通常会提供不同的VR治疗场景，以丰富治疗效果，但由于精神障碍病人往往难以准确表达自身的治疗效果，从而难以主动选择合适的或治疗效果更佳的VR治疗场景，因此，如何自动为精神障碍病人自动选择合适的VR体验场景成为一个需要解决的问题；
申请公开号为CN114270446A的中国专利公开了一种用于为患者提供心理治疗的虚拟现实(VR)治疗系统。该系统至少包括具有声音产生能力和VR输入设备的头戴式显示单元，以及一台或多台计算机。该系统被配置为在虚拟环境中向患者呈现一组治疗场景，其包括交互任务。患者角色与虚拟环境中的任务角色进行交互，并且有时候会有教练角色。该系统通过在虚拟环境中测量患者角色与任务角色的交互的一个或多个特征、监控任务的执行情况、以及响应于精神焦虑状态参数和/或表现其使用教练角色提供VR反馈，从而确定精神焦虑状态参数；但该系统并未提供如何解决一组治疗场景的体验顺序的问题；
为此，本发明提出基于VR的围绕精神障碍的情绪调节训练系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出基于VR的围绕精神障碍的情绪调节训练系统，为每个非测试病人选择下一个VR治疗场景，提高了VR治疗场景的治疗效率。
为实现上述目的，根据本发明的第一方面的实施例提出基于VR的围绕精神障碍的情绪调节训练系统，包括治疗信息收集模块、治疗测试数据收集模块以及场景顺序设定模块；其中，各个模块之间通过有线网络方式连接；
治疗信息收集模块，预先收集VR场景数据以及测试病人数据；
其中，所述VR场景数据包括由VR服务提供商预先开发的用于治疗精神障碍疾病的VR治疗场景；
所述测试病人数据包括每个测试病人的精神障碍疾病的病症级别；
所述测试病人为由VR服务提供商预先招募的具有精神障碍疾病的志愿者，不同的测试病人佩戴装有所有VR治疗场景的VR可穿戴设备，并使用VR可穿戴设备按不同的体验顺序体验不同的VR治疗场景，由VR可穿戴设备实时收集测试病人的生理数据；所述体验顺序是预先由VR服务提供商生成的对所有VR治疗场景的全排列；
所述精神障碍疾病为由专业医务人员诊断出的精神障碍相关的疾病；
所述病症级别为由专业医务人员根据每个测试病人的实际病情，下发的诊断意见中的所描述的病情级别；
所述治疗信息收集模块将收集的VR场景数据以及测试病人数据发送至治疗测试数据收集模块；
治疗测试数据收集模块，根据VR场景数据以及测试病人数据，收集每个测试病人的治疗效果数据；
所述治疗效果数据包括每个测试病人体验的VR治疗场景的顺序序列以及每次体验的治疗效果；
将VR治疗场景的编号标记为s；
其中，所述VR治疗场景的顺序序列为每个测试病人体验的VR治疗场景的按时间顺序组成的编号序列；
所述治疗效果为测试病人体验各个VR治疗场景时的情绪稳定时长；
所述情绪稳定时长的计算方式为：
VR可穿戴设备实时采集每个测试病人的心率、皮肤电反应响应、皮质醇等级以及动作等级；
将测试病人的心率标记为x，将皮肤电反应响应标记为d，将皮质醇等级标记为z，将动作等级标记为v；
计算测试病人的情绪稳定度w；情绪稳定度w的计算公式为：；
预设稳定阈值和观测周期；
每隔观测周期，计算一次测试病人的情绪稳定度，并计算当次观测周期的情绪稳定度与上一个观测周期的情绪稳定度的差值，若差值的绝对值大于稳定阈值，则判断为情绪不稳定，并将测试病人从开始体验对应的VR治疗场景至判断为情绪不稳定所经过的时长作为情绪稳定时长；
所述治疗测试数据收集模块将治疗效果数据发送至场景顺序设定模块；
场景顺序设定模块，基于治疗效果数据，为每个病症级别的非测试病人的VR可穿戴设备设定VR治疗场景的体验顺序；
为每个病症级别的非测试病人的VR可穿戴设备设定VR治疗场景的体验顺序的方式为：
将病症级别的编号标记为j，将体验顺序的编号标记为e；
将第j个病症级别中，使用第e个体验顺序进行体验的测试病人的集合标记为Bej；将测试病人集合Bej中测试病人的编号标记为bej，其中，bej=1,2，…|Bej|；
对于第j个病症级别的第e个体验顺序，计算体验顺序权值Rej；
计算体验顺序权值Rej的方式为：
计算第bej个测试病人的全流程效果值Qbej；所述全流程效果值Qbej的计算方式为第bej个测试病人体验完成一轮体验顺序后，再次体验体验顺序中第一个VR治疗场景的情绪稳定时长减去体验的第一个VR治疗场景的情绪稳定时长；
计算第bej个测试病人的情绪波动稳定度Fbej；所述情绪波动稳定度Fbej的计算方式为：
计算第bej个测试病人对相邻两个VR治疗场景的情绪稳定时长的差值的绝对值作为情绪波动值，计算第bej个测试病人的所有情绪波动值的方差，将该方差作为情绪波动稳定度Fbej；
体验顺序权值Rej的计算公式为；其中，/>和/>分别为预设的比例系数；
对于第j个病症级别的非测试病人的VR可穿戴设备，从所有的体验顺序中选择体验顺序权值最大的体验顺序载入该VR可穿戴设备；在非测试病人启动VR可穿戴设备后，按照载入的体验顺序体验各个VR治疗场景。
进一步的，该系统还包括历史治疗数据收集模块以及实时决策模块；
历史治疗数据收集模块，在非测试病人启动VR可穿戴设备时，收集非测试病人每次使用VR可穿戴设备体验VR治疗场景的历史治疗数据；
所述历史治疗数据包括每个非测试病人从开始体验VR治疗场景至最近一次体验VR治疗场景的时间范围内，每次体验的VR治疗场景的编号以及情绪稳定时长；
历史治疗数据收集模块将所有非测试病人历史治疗数据发送至实时决策模块；
实时决策模块，基于每个非测试病人的历史治疗数据，训练出选择下一个VR治疗场景的Actor-Critic模型，并使用Actor-Critic模型中的Actor模型选择下一个体验的VR治疗场景；
训练出选择下一个VR治疗场景的Actor-Critic模型，并使用Actor-Critic模型中的Actor模型选择下一个体验的VR治疗场景的方式为：
初始化Actor网络和Critic网络的参数；
在每次VR治疗场景体验完成后，执行以下步骤：
步骤L1：将本次VR治疗场景的编号标记为s1，将本次VR治疗场景的情绪稳定时长标记为Ks1；以本次VR治疗场景的编号以及情绪稳定时长作为当前状态；
步骤L2：基于Actor网络的输出，从所有VR治疗场景中选择一个VR治疗场景作为非测试病人下一次体验的VR治疗场景；将选择的VR治疗场景标记为s2，将非测试病人对VR治疗场景s2的情绪稳定时长标记为Ks2；下一次体验的VR治疗场景的编号以及情绪稳定时长作为下一个状态；
步骤L3：计算实际的奖励值Q；所述实际的奖励值Q的计算方式为：；其中，a为上一次体验VR治疗场景s2与本次体验VR治疗场景s2的时间间隔；
步骤L4：使用Critic网络的更新公式更新奖励值函数的值，以调整对选择场景奖励值的估计；
步骤L5：使用Actor网络的更新公式更新Actor网络的参数，以提高在给定状态下选择高奖励场景的概率。
根据本发明的实施例3提出基于VR的围绕精神障碍的情绪调节训练方法，包括以下步骤：
预先收集VR场景数据以及测试病人数据；
根据VR场景数据以及测试病人数据，收集每个测试病人的治疗效果数据；
基于治疗效果数据，为每个病症级别的非测试病人的VR可穿戴设备设定VR治疗场景的体验顺序；
在非测试病人体验VR治疗场景的次数大于预设的数据采集次数之后，非测试病人启动VR可穿戴设备时，收集非测试病人每次使用VR可穿戴设备体验VR治疗场景的历史治疗数据；
基于每个非测试病人的历史治疗数据，训练出选择下一个VR治疗场景的Actor-Critic模型，并使用Actor-Critic模型中的Actor模型选择下一个体验的VR治疗场景。
与现有技术相比，本发明的有益效果是：
（1）本发明通过预先收集VR场景数据以及测试病人数据，根据VR场景数据以及测试病人数据，收集每个测试病人的治疗效果数据，基于治疗效果数据，为每个病症级别的非测试病人的VR可穿戴设备设定VR治疗场景的体验顺序；根据测试病人的反馈数据，生成对每个病症级别的合适的VR治疗场景的体验顺序，避免了因缺乏临床实验，导致实际使用时对非测试病人产生意外的影响；
（2）在非测试病人体验VR治疗场景的次数大于预设的数据采集次数之后，非测试病人启动VR可穿戴设备时，收集非测试病人每次使用VR可穿戴设备体验VR治疗场景的历史治疗数据，基于每个非测试病人的历史治疗数据，训练出选择下一个VR治疗场景的Actor-Critic模型，并使用Actor-Critic模型中的Actor模型选择下一个体验的VR治疗场景；更精确针对每个非测试人员的个体特征，智能的为每个非测试病人选择下一个VR治疗场景，提高了VR治疗场景的治疗效率。
附图说明
图1为本发明的实施例1中基于VR的围绕精神障碍的情绪调节训练系统的模块连接图；
图2为本发明的实施例2中基于VR的围绕精神障碍的情绪调节训练系统的模块连接图；
图3为本发明的实施例3中基于VR的围绕精神障碍的情绪调节训练方法的流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
如图1所示，基于VR的围绕精神障碍的情绪调节训练系统，包括治疗信息收集模块、治疗测试数据收集模块以及场景顺序设定模块；其中，各个模块之间通过有线网络方式连接；
其中，所述治疗信息收集模块主要用于预先收集VR场景数据以及测试病人数据；
其中，所述VR场景数据包括由VR服务提供商预先开发的用于治疗精神障碍疾病的VR治疗场景；
需要说明的是，所述VR治疗场景由VR服务提供商根据实际的精神障碍病人的需求，使用VR制作技术制作而成；具体的VR治疗场景的制作过程属于本领域的常规技术手段，本发明在此不再赘述；
作为一个示例，所述VR治疗场景可以包括情绪引导场景、睡眠问题场景等；
情绪引导场景可以是在安全屋内，由守护精灵引入开场，通过情绪箱引导患者对情绪进行分类，再通过视频播放的形式，引导患者进行情绪表达，最后引导患者回顾本周重大情绪变化，及时疏导负面情绪；
睡眠问题场景可以是帮助患者了解良好睡眠的定义以及找到适合自己的入睡方式，提高睡眠质量，改善昼夜节律紊乱问题；
所述测试病人数据包括每个测试病人的精神障碍疾病的病症级别；
所述测试病人为由VR服务提供商预先招募的具有精神障碍疾病的志愿者，不同的测试病人佩戴装有所有VR治疗场景的VR可穿戴设备，并使用VR可穿戴设备按不同的体验顺序体验不同的VR治疗场景，由VR可穿戴设备实时收集测试病人的生理数据；所述体验顺序是预先由VR服务提供商生成的对所有VR治疗场景的全排列；每个测试病人体验VR治疗场景的体验顺序可以是随机分配的；可以理解的是，VR治疗场景的数量是有限的，因此，对所有VR治疗场景进行全排列的数量也是有限的；
所述精神障碍疾病为由专业医务人员诊断出的精神障碍相关的疾病；具体的，包括但不限于抑郁症和躁郁症等；
所述病症级别为由专业医务人员根据每个测试病人的实际病情，下发的诊断意见中的所描述的病情级别；例如：轻度抑郁症、中度躁郁症等；
在本发明的进一步的实施例中，病症级别还可以对测试病人的年龄进行分段，以及对测试病人的性别进行分类，以达到更为准确的对测试病人进行分类的目的；
所述治疗信息收集模块将收集的VR场景数据以及测试病人数据发送至治疗测试数据收集模块；
其中，所述治疗测试数据收集模块主要用于根据VR场景数据以及测试病人数据，收集每个测试病人的治疗效果数据；
所述治疗效果数据包括每个测试病人体验的VR治疗场景的顺序序列以及每次体验的治疗效果；
将VR治疗场景的编号标记为s；
其中，所述VR治疗场景的顺序序列为每个测试病人体验的VR治疗场景的按时间顺序组成的编号序列；
所述治疗效果为测试病人体验各个VR治疗场景时的情绪稳定时长；
具体的，所述情绪稳定时长的计算方式为：
VR可穿戴设备实时采集每个测试病人的心率、皮肤电反应响应、皮质醇等级以及动作等级；
其中，所述心率通过使用心率测量仪实时获得；
其中，所述皮肤电反应响应通过使用皮肤电反应传感器实时获得；
其中，所述皮质醇等级通过使用Parlak等人撰写的“Molecularlyselectivenanoporous membrane-based wearable organic electrochemical devicefornoninvasive cortisol sensing”(《科学进展》,20期,2018年7月,卷4(7),DO10.1126/sciadv.aar2904) 中所述的可穿戴式传感器,从患者的汗液中检测出；
所述动作等级通过使用动作传感器感和速度传感器监测测试病人实时的肢体运动速度获得；优选的，可以使用所有肢体中，运动速度最大的肢体对应的运动速度作为动作等级；
将测试病人的心率标记为x，将皮肤电反应响应标记为d，将皮质醇等级标记为z，将动作等级标记为v；
计算测试病人的情绪稳定度w；情绪稳定度w的计算公式为：；
预设稳定阈值和观测周期；
每隔观测周期，计算一次测试病人的情绪稳定度，并计算当次观测周期的情绪稳定度与上一个观测周期的情绪稳定度的差值，若差值的绝对值大于稳定阈值，则判断为情绪不稳定，并将测试病人从开始体验对应的VR治疗场景至判断为情绪不稳定所经过的时长作为情绪稳定时长；
所述治疗测试数据收集模块将治疗效果数据发送至场景顺序设定模块；
其中，所述场景顺序设定模块主要用于基于治疗效果数据，为每个病症级别的非测试病人的VR可穿戴设备设定VR治疗场景的体验顺序；
为每个病症级别的非测试病人的VR可穿戴设备设定VR治疗场景的体验顺序的方式为：
将病症级别的编号标记为j，将体验顺序的编号标记为e；
将第j个病症级别中，使用第e个体验顺序进行体验的测试病人的集合标记为Bej；将测试病人集合Bej中测试病人的编号标记为bej，其中，bej=1,2，…|Bej|；
对于第j个病症级别的第e个体验顺序，计算体验顺序权值Rej；
计算体验顺序权值Rej的方式为：
计算第bej个测试病人的全流程效果值Qbej；所述全流程效果值Qbej的计算方式为第bej个测试病人体验完成一轮体验顺序后，再次体验体验顺序中第一个VR治疗场景的情绪稳定时长减去体验的第一个VR治疗场景的情绪稳定时长；可以理解的是，全流程效果值代表的是完成整个流程，对于第bej个测试病人的治疗效果；
计算第bej个测试病人的情绪波动稳定度Fbej；所述情绪波动稳定度Fbej的计算方式为：计算第bej个测试病人对相邻两个VR治疗场景的情绪稳定时长的差值的绝对值作为情绪波动值，计算第bej个测试病人的所有情绪波动值的方差，将该方差作为情绪波动稳定度Fbej；可以理解的是，方差越小，说明情绪波动稳定度的差值越接近，即相邻两次体验VR治疗场景的情绪稳定时长的变化是稳定的；
体验顺序权值Rej的计算公式为；其中，/>和/>分别为预设的比例系数；
对于第j个病症级别的非测试病人的VR可穿戴设备，从所有的体验顺序中选择体验顺序权值最大的体验顺序载入该VR可穿戴设备；在非测试病人启动VR可穿戴设备后，按照载入的体验顺序体验各个VR治疗场景。
实施例2
本实施例用于在实施例1的基础上进行进一步的改进，具体的，本实施例用于解决非测试病人在按照设定的VR治疗场景的体验顺序进行体验过程中，因不同的非测试病人的主观感受不同，按相同的体验顺序进行体验可能导致治疗效果不同的问题；
如图2所示的基于VR的围绕精神障碍的情绪调节训练系统，应用于VR可穿戴设备的控制后台，且在非测试病人体验VR治疗场景的次数大于预设的数据采集次数之后运行，该系统还包括历史治疗数据收集模块以及实时决策模块；
其中，所述历史治疗数据收集模块主要用于在非测试病人启动VR可穿戴设备时，收集非测试病人每次使用VR可穿戴设备体验VR治疗场景的历史治疗数据；
所述历史治疗数据包括每个非测试病人从开始体验VR治疗场景至最近一次体验VR治疗场景的时间范围内，每次体验的VR治疗场景的编号以及情绪稳定时长；
所述历史治疗数据收集模块将所有非测试病人历史治疗数据发送至实时决策模块；
其中，所述实时决策模块主要用于基于每个非测试病人的历史治疗数据，训练出选择下一个VR治疗场景的Actor-Critic模型，并使用Actor-Critic模型中的Actor模型选择下一个体验的VR治疗场景；
训练出选择下一个VR治疗场景的Actor-Critic模型，并使用Actor-Critic模型中的Actor模型选择下一个体验的VR治疗场景的方式为：
初始化Actor网络和Critic网络的参数；包括但不限于Actor网络的状态输入层的维度、隐藏层数量和大小、动作输出层的维度、Critic网络的状态输入层的维度、隐藏层的数量和大小和奖励值函数输出层的维度、学习率、折扣因子以及网络优化算法（梯度下降法或Adam优化算法等）；
在每次VR治疗场景体验完成后，执行以下步骤：
步骤L1：将本次VR治疗场景的编号标记为s1，将本次VR治疗场景的情绪稳定时长标记为Ks1；以本次VR治疗场景的编号以及情绪稳定时长作为当前状态；
步骤L2：基于Actor网络的输出，从所有VR治疗场景中选择一个VR治疗场景作为非测试病人下一次体验的VR治疗场景；将选择的VR治疗场景标记为s2，将非测试病人对VR治疗场景s2的情绪稳定时长标记为Ks2；下一次体验的VR治疗场景的编号以及情绪稳定时长作为下一个状态；
步骤L3：计算实际的奖励值Q；所述实际的奖励值Q的计算方式为：；其中，a为上一次体验VR治疗场景s2与本次体验VR治疗场景s2的时间间隔；可以理解的是，当时间间隔越大时，Q值越大，避免了短时间内体验相同的VR治疗场景，产生边际效益递减的问题；
步骤L4：使用Critic网络的更新公式更新奖励值函数的值，以调整对选择场景奖励值的估计；需要说明的是，所述更新公式可以为本领域技术人员的常用更新公式，例如：，其中，/>是当前状态g的奖励值函数估计；/>是学习率，控制更新的步长；/>是折扣因子，用于衡量未来奖励的重要性；/>是下一个状态；
步骤L5：使用Actor网络的更新公式更新Actor网络的参数，以提高在给定状态下选择高奖励场景的概率。
实施例3
如图3所示，基于VR的围绕精神障碍的情绪调节训练方法，包括以下步骤：
步骤一：预先收集VR场景数据以及测试病人数据；
步骤二：根据VR场景数据以及测试病人数据，收集每个测试病人的治疗效果数据；
步骤三：基于治疗效果数据，为每个病症级别的非测试病人的VR可穿戴设备设定VR治疗场景的体验顺序；
步骤四：在非测试病人体验VR治疗场景的次数大于预设的数据采集次数之后，非测试病人启动VR可穿戴设备时，收集非测试病人每次使用VR可穿戴设备体验VR治疗场景的历史治疗数据；
步骤五：基于每个非测试病人的历史治疗数据，训练出用于选择下一个VR治疗场景的Actor-Critic模型，并使用Actor-Critic模型中的Actor模型选择下一个体验的VR治疗场景。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (11)
1.基于VR的围绕精神障碍的情绪调节训练系统，其特征在于，包括治疗信息收集模块、治疗测试数据收集模块以及场景顺序设定模块；其中，各个模块之间通过有线网络方式连接；
治疗信息收集模块，预先收集VR场景数据以及测试病人数据，并将收集的VR场景数据以及测试病人数据发送至治疗测试数据收集模块；
治疗测试数据收集模块，根据VR场景数据以及测试病人数据，收集每个测试病人的治疗效果数据，并将治疗效果数据发送至场景顺序设定模块；
场景顺序设定模块，基于治疗效果数据，为每个病症级别的非测试病人的VR可穿戴设备设定VR治疗场景的体验顺序；
训练出用于选择下一个VR治疗场景的Actor-Critic模型，并使用Actor-Critic模型中的Actor模型选择下一个体验的VR治疗场景的方式为：
初始化Actor网络和Critic网络的参数；
在每次VR治疗场景体验完成后，执行以下步骤：
步骤L1：将本次VR治疗场景的编号标记为s1，将本次VR治疗场景的情绪稳定时长标记为Ks1；以本次VR治疗场景的编号以及情绪稳定时长作为当前状态；
步骤L2：基于Actor网络的输出，从所有VR治疗场景中选择一个VR治疗场景作为非测试病人下一次体验的VR治疗场景；将选择的VR治疗场景标记为s2，将非测试病人对VR治疗场景s2的情绪稳定时长标记为Ks2；下一次体验的VR治疗场景的编号以及情绪稳定时长作为下一个状态；
步骤L3：计算实际的奖励值Q；
步骤L4：使用Critic网络的更新公式更新奖励值函数的值，以调整对选择场景奖励值的估计；
步骤L5：使用Actor网络的更新公式更新Actor网络的参数，以提高在给定状态下选择高奖励场景的概率。
2.根据权利要求1所述的基于VR的围绕精神障碍的情绪调节训练系统，其特征在于，所述VR场景数据包括由VR服务提供商预先开发的用于治疗精神障碍疾病的VR治疗场景；
所述测试病人数据包括每个测试病人的精神障碍疾病的病症级别。
3.根据权利要求2所述的基于VR的围绕精神障碍的情绪调节训练系统，其特征在于，所述测试病人为由VR服务提供商预先招募的具有精神障碍疾病的志愿者，不同的测试病人佩戴装有所有VR治疗场景的VR可穿戴设备，并使用VR可穿戴设备按不同的体验顺序体验不同的VR治疗场景，由VR可穿戴设备实时收集测试病人的生理数据；所述体验顺序是预先由VR服务提供商生成的对所有VR治疗场景的全排列；
所述精神障碍疾病为由专业医务人员诊断出的精神障碍相关的疾病；
所述病症级别为由专业医务人员根据每个测试病人的实际病情，下发的诊断意见中的所描述的病情级别。
4.根据权利要求3所述的基于VR的围绕精神障碍的情绪调节训练系统，其特征在于，所述治疗效果数据包括每个测试病人体验的VR治疗场景的顺序序列以及每次体验的治疗效果；
将VR治疗场景的编号标记为s；
其中，所述VR治疗场景的顺序序列为每个测试病人体验的VR治疗场景的按时间顺序组成的编号序列；
所述治疗效果为测试病人体验各个VR治疗场景时的情绪稳定时长。
5.根据权利要求4所述的基于VR的围绕精神障碍的情绪调节训练系统，其特征在于，所述情绪稳定时长的计算方式为：
VR可穿戴设备实时采集每个测试病人的心率、皮肤电反应响应、皮质醇等级以及动作等级；
将测试病人的心率标记为x，将皮肤电反应响应标记为d，将皮质醇等级标记为z，将动作等级标记为v；
计算测试病人的情绪稳定度w；情绪稳定度w的计算公式为：；
预设稳定阈值和观测周期；
每隔观测周期，计算一次测试病人的情绪稳定度，并计算当次观测周期的情绪稳定度与上一个观测周期的情绪稳定度的差值，若差值的绝对值大于稳定阈值，则判断为情绪不稳定，并将测试病人从开始体验对应的VR治疗场景至判断为情绪不稳定所经过的时长作为情绪稳定时长。
6.根据权利要求5所述的基于VR的围绕精神障碍的情绪调节训练系统，其特征在于，为每个病症级别的非测试病人的VR可穿戴设备设定VR治疗场景的体验顺序的方式为：
将病症级别的编号标记为j，将体验顺序的编号标记为e；
将第j个病症级别中，使用第e个体验顺序进行体验的测试病人的集合标记为Bej；将测试病人集合Bej中测试病人的编号标记为bej，其中，bej=1,2，…|Bej|；
对于第j个病症级别的第e个体验顺序，计算体验顺序权值Rej；
对于第j个病症级别的非测试病人的VR可穿戴设备，从所有的体验顺序中选择体验顺序权值最大的体验顺序载入该VR可穿戴设备；在非测试病人启动VR可穿戴设备后，按照载入的体验顺序体验各个VR治疗场景。
7.根据权利要求6所述的基于VR的围绕精神障碍的情绪调节训练系统，其特征在于，计算体验顺序权值Rej的方式为：
计算第bej个测试病人的全流程效果值Qbej；所述全流程效果值Qbej的计算方式为第bej个测试病人体验完成一轮体验顺序后，再次体验体验顺序中第一个VR治疗场景的情绪稳定时长减去体验的第一个VR治疗场景的情绪稳定时长；
计算第bej个测试病人的情绪波动稳定度Fbej；所述情绪波动稳定度Fbej的计算方式为：
计算第bej个测试病人体验相邻两个VR治疗场景时的情绪稳定时长的差值的绝对值作为情绪波动值，计算第bej个测试病人的所有情绪波动值的方差，将该方差作为情绪波动稳定度Fbej；
体验顺序权值Rej的计算公式为；其中，/>和分别为预设的比例系数。
8.根据权利要求7所述的基于VR的围绕精神障碍的情绪调节训练系统，其特征在于，还包括历史治疗数据收集模块以及实时决策模块；
历史治疗数据收集模块，在非测试病人启动VR可穿戴设备时，收集非测试病人每次使用VR可穿戴设备体验VR治疗场景的历史治疗数据，并将所有非测试病人历史治疗数据发送至实时决策模块；
实时决策模块，基于每个非测试病人的历史治疗数据，训练出用于选择下一个VR治疗场景的Actor-Critic模型，并使用Actor-Critic模型中的Actor模型选择下一个体验的VR治疗场景。
9.根据权利要求8所述的基于VR的围绕精神障碍的情绪调节训练系统，其特征在于，所述历史治疗数据包括每个非测试病人从开始体验VR治疗场景至最近一次体验VR治疗场景的时间范围内，每次体验的VR治疗场景的编号以及情绪稳定时长。
10.根据权利要求9所述的基于VR的围绕精神障碍的情绪调节训练系统，其特征在于，所述实际的奖励值Q的计算方式为：；其中，a为上一次体验VR治疗场景s2与本次体验VR治疗场景s2的时间间隔。
11.基于VR的围绕精神障碍的情绪调节训练方法，其基于权利要求1-10中任意一项所述的基于VR的围绕精神障碍的情绪调节训练系统实现，其特征在于，所述方法包括以下步骤：
预先收集VR场景数据以及测试病人数据；
根据VR场景数据以及测试病人数据，收集每个测试病人的治疗效果数据；
基于治疗效果数据，为每个病症级别的非测试病人的VR可穿戴设备设定VR治疗场景的体验顺序；
在非测试病人体验VR治疗场景的次数大于预设的数据采集次数之后，非测试病人启动VR可穿戴设备时，收集非测试病人每次使用VR可穿戴设备体验VR治疗场景的历史治疗数据；
基于每个非测试病人的历史治疗数据，训练出用于选择下一个VR治疗场景的Actor-Critic模型，并使用Actor-Critic模型中的Actor模型选择下一个体验的VR治疗场景。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310965458.XA CN116665847B (zh) | 2023-08-02 | 2023-08-02 | 基于vr的围绕精神障碍的情绪调节训练系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310965458.XA CN116665847B (zh) | 2023-08-02 | 2023-08-02 | 基于vr的围绕精神障碍的情绪调节训练系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116665847A CN116665847A (zh) | 2023-08-29 |
| CN116665847B true CN116665847B (zh) | 2023-10-24 |
Family
ID=87722888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310965458.XA Active CN116665847B (zh) | 2023-08-02 | 2023-08-02 | 基于vr的围绕精神障碍的情绪调节训练系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116665847B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116994718B (zh) * | 2023-09-28 | 2023-12-01 | 南京元域绿洲科技有限公司 | 一种基于vr技术的精神障碍辅助治疗方法 |
| CN117898683B (zh) * | 2024-03-19 | 2024-06-07 | 中国人民解放军西部战区总医院 | 儿童睡眠质量检测方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106406522A (zh) * | 2016-08-30 | 2017-02-15 | 广东小天才科技有限公司 | 一种虚拟现实场景内容的调整方法及装置 |
| CN107320836A (zh) * | 2017-05-02 | 2017-11-07 | 华南理工大学 | 基于vr技术的抑郁症辅助治疗虚拟场景系统及其实现方法 |
| CN111274425A (zh) * | 2020-01-20 | 2020-06-12 | 平安科技（深圳）有限公司 | 医疗影像分类方法、装置、介质及电子设备 |
| CN111282279A (zh) * | 2020-02-05 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 模型训练的方法、基于交互式应用的对象控制方法及装置 |
| CN111340211A (zh) * | 2020-02-19 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 一种动作控制模型的训练方法、相关装置及存储介质 |
| CN114270446A (zh) * | 2019-06-17 | 2022-04-01 | 牛津Vr有限公司 | 虚拟现实治疗系统 |
| CN114694803A (zh) * | 2020-12-31 | 2022-07-01 | 浙江凡聚科技有限公司 | 一种基于虚拟现实的认知功能障碍评估系统 |
| CN115906655A (zh) * | 2022-12-14 | 2023-04-04 | 浙江天行健智能科技有限公司 | 基于ddpg的自动驾驶边缘测试场景生成方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090017886A1 (en) * | 2007-07-11 | 2009-01-15 | Dr. Elliot McGucken | System and method for creating exalted video games and virtual realities wherein ideas have consequences |
| US11147459B2 (en) * | 2018-01-05 | 2021-10-19 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
-
2023
- 2023-08-02 CN CN202310965458.XA patent/CN116665847B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106406522A (zh) * | 2016-08-30 | 2017-02-15 | 广东小天才科技有限公司 | 一种虚拟现实场景内容的调整方法及装置 |
| CN107320836A (zh) * | 2017-05-02 | 2017-11-07 | 华南理工大学 | 基于vr技术的抑郁症辅助治疗虚拟场景系统及其实现方法 |
| CN114270446A (zh) * | 2019-06-17 | 2022-04-01 | 牛津Vr有限公司 | 虚拟现实治疗系统 |
| CN111274425A (zh) * | 2020-01-20 | 2020-06-12 | 平安科技（深圳）有限公司 | 医疗影像分类方法、装置、介质及电子设备 |
| CN111282279A (zh) * | 2020-02-05 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 模型训练的方法、基于交互式应用的对象控制方法及装置 |
| CN111340211A (zh) * | 2020-02-19 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 一种动作控制模型的训练方法、相关装置及存储介质 |
| CN114694803A (zh) * | 2020-12-31 | 2022-07-01 | 浙江凡聚科技有限公司 | 一种基于虚拟现实的认知功能障碍评估系统 |
| CN115906655A (zh) * | 2022-12-14 | 2023-04-04 | 浙江天行健智能科技有限公司 | 基于ddpg的自动驾驶边缘测试场景生成方法 |
Non-Patent Citations (3)
| Title |
|---|
| A novel hierarchical soft actor critic algorithm for multi logistics robots task allocation;HengLiang Tang 等;《IEEE Access》;第42568-42582页 * |
| 基于深度强化学习的多模态医学图像配准;姚明青;胡靖;;计算机辅助设计与图形学学报(第08期);第1236-1247页 * |
| 陈亮 等.Actor-Critic框架下一种基于改进DDPG的多智能体强化学习算法.《 控制与决策》.2019,第36卷(第1期),第75-82页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116665847A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116665847B (zh) | 基于vr的围绕精神障碍的情绪调节训练系统 | |
| US11013449B2 (en) | Methods and systems for decoding, inducing, and training peak mind/body states via multi-modal technologies | |
| AU2009268428B2 (en) | Device, system, and method for treating psychiatric disorders | |
| JP2021027917A (ja) | 情報処理装置、情報処理システム、および機械学習装置 | |
| Tarrier et al. | Providing information to relatives about schizophrenia: some comments | |
| CN110743074B (zh) | 呼吸引导设备及其心理调节训练方法 | |
| CA2935813A1 (en) | Adaptive brain training computer system and method | |
| Walkom | Virtual reality exposure therapy: To benefit those who stutter and treat social anxiety | |
| US20210401339A1 (en) | Adaptive behavioral training, and training of associated physiological responses, with assessment and diagnostic functionality | |
| CN108986888A (zh) | 考试焦虑与压力调节系统及方法、存储介质、操作系统 | |
| 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 | |
| US20230404451A1 (en) | Sightline-position determination device, sightline-position determination method, and training method | |
| Chi et al. | Instruct or evaluate: how people choose to teach norms to social robots | |
| Morales et al. | An adaptive model to support biofeedback in AmI environments: a case study in breathing training for autism | |
| WO2019184031A1 (zh) | 基于图像信息的心理测量与疏导方法及系统 | |
| CN112313752A (zh) | 用于提供基于上下文的干预的装置和方法 | |
| CN114305418A (zh) | 一种用于抑郁状态智能评估的数据采集系统及方法 | |
| KR102602032B1 (ko) | 인공지능 기반 집중도 유지를 위한 학습 서비스 제공 장치 및 방법 | |
| Kask et al. | Data-driven modelling of fatigue in pelvic floor muscles when performing Kegel exercises | |
| CN111973188A (zh) | 一种基于神经网络估算呼吸力学参数的方法 | |
| CN114530230B (zh) | 基于虚拟现实技术的人员能力测试与反馈训练方法、装置、设备及存储介质 | |
| US11456069B2 (en) | System and method for providing customized treatment information for behavioral control of dental patients | |
| US11975267B2 (en) | Synchronization of physiological data and game data to influence game feedback loops | |
| CN112402767B (zh) | 眼动脱敏再加工干预系统及眼动脱敏再加工干预方法 | |
| Gabele et al. | An AR sandbox as a collaborative multiplayer rehabilitation tool for children with adhd |
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 |