CN116807474A - 可穿戴式装配式建筑产业工人情绪智能监测方法及装置 - Google Patents
可穿戴式装配式建筑产业工人情绪智能监测方法及装置 Download PDFInfo
- Publication number
- CN116807474A CN116807474A CN202310927163.3A CN202310927163A CN116807474A CN 116807474 A CN116807474 A CN 116807474A CN 202310927163 A CN202310927163 A CN 202310927163A CN 116807474 A CN116807474 A CN 116807474A
- Authority
- CN
- China
- Prior art keywords
- hrv
- emotion
- intervals
- features
- wearable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 13
- 230000008909 emotion recognition Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000000718 qrs complex Methods 0.000 description 2
- 238000009435 building construction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种可穿戴式装配式建筑产业工人情绪智能监测方法及装置；其技术要点在于，S100，采集生理信号；所述生理信号包括：心电信号；S200，对S100得到的心电信号进行去噪处理；S300，从心电信号中提取心率变异性HRV特征，包括时域特征和频域特征；S400，将提取的HRV特征经过已训练的SVM‑KNN分类器，从而识别出情绪类别；S500，将识别结果输出到手持端。采用一种可穿戴式装配式建筑产业工人情绪智能监测方法及装置，能够有效的识别产业工人情绪。
Description
技术领域
本发明涉及可穿戴装备技术领域，更具体地说，尤其涉及一种可穿戴式装配式建筑产业工人情绪智能监测方法及装置。
背景技术
关于情绪监测技术，有以下现有技术：
[1]中国移动通信集团公司.一种监测情绪的方法和系统-201410637181.9
[2]中国移动通信集团山东有限公司.一种智能情绪确定方法及系统-201510613689.X.
[3]上海宽带技术及应用工程研究中心，上海孝通天地信息科技有限公司.一种根据心率与呼吸判断情绪的方法-201510075507.8.
上述现有技术均是利用根据心率、呼吸及音频等各种生理信号判断情绪，先对实验人员进行持续一段时间的生理信号监测，并且在实验过程中作用以发生不同情绪状态的不同动作，记录下所述时间段中实验人员的不同情绪状态以及该情绪状态下的生理信号参数，得出评估报告。再对被判定者采取生理信号监测，将所得数据代入情绪评估报告中得到被判定者的情绪状态，实现对人员情绪的实时监测。
装配式建筑施工不安全行为的影响因素中情绪是一种重要的影响因素，在现有许多研究情感计算的工作中，采集设备大多是专业化、医疗化的信号采集仪器，虽然能精确的采集到生理信号，但设备多不满足可穿戴的要求。再者，目前大多数的穿戴式设备虽采集了佩戴者的生理信号，但也只进行简单统计分析，无法提供准确的情绪识别。因此，现有的装配式建筑工人情绪识别技术应用不能满足实际工程的需要。
发明内容
本发明的目的在于针对上述现有技术的不足，提供一种可穿戴式装配式建筑产业工人情绪智能监测方法及装置。
可穿戴式装配式建筑产业工人情绪智能监测方法，其包括如下步骤：
S100，采集生理信号；所述生理信号包括：心电信号；
S200，对S100得到的心电信号进行去噪处理；
S300，从心电信号中提取心率变异性HRV特征，包括时域特征和频域特征；
S400，将提取的HRV特征经过已训练的SVM-KNN分类器，从而识别出情绪类别；
S500，将识别结果输出到手持端。
进一步，S300，采用pan_tompkin算法来检测QRS波群信息，提取R波峰值信息；再从中提取心率变异性HRV特征，统计R波之间的变化情况：
HRV(i)＝R(i+1)-R(i)，其中，i为R波峰位置对应的采样点；
通过RR间期(即每一次心脏跳动间的间隔时间)提取16个HRV特征参数，包括9个时域特征和7个频域特征，从而构成情感识别的特征集；
(1)HRV时域特征如下：
SDNN：所有RR间期的标准差；
RMSSD：相邻RR间期差值的均方根；
SDNNindex：所有RR间期的标准差的平均值；
SDSD：相邻RR间差值的标准差；
NN50 count：相差超过50ms的RR间期数；
PNN50：RR50的数除以所有RR间期之和；
Hrviendex：RR间期总个数除以RR间期的高度；
Max-min：所有RR间期中最大值与最小值之差；
MEAN：RR间期的平均值；
(2)HRV频域特征如下：
totalpower：总功率谱密度；
HF：高频功率，范围0.15～0.4Hz；
LF：低频功率，范围0.04～0.15Hz；
VLF：超低频功率，范围0.04～0.15Hz；
LF/HF：低频与高频功率的比值；
HFn：高频能力的归一化；
LFn：低频功率在总功率谱的占比。
进一步，S400还包括：将提取的心电HRV特征经过已训练好的SVM-KNN分类器，得到佩戴者相应的情绪类型；
SVM是通过核函数将输入的数据映入到高维空间，在高维空间中进行线性分类，从而构建出对数据进行分类的最优超平面；
KNN将待测样本与训练样本中K个距离权重最近的类别划分为一类；
(1)SVM分类函数：
其中，训练集T＝{(x1,y1),(x2,y2),...,(xN,yN)}；yi∈Y＝{-1,1},i＝1,2,...,N；
αi为拉格朗日乘子；b为阈值；C为惩罚因子；
γ为核函数参数；
(2)KNN分类：所有样本对应m维空间中的点，xi表示x的第i个特征的值，xi和xj的欧式距离为选取k个距离值最小的样本点组成一个样本集，统计此样本集集中样本的类别，其中样本数量最多的类别则为待测样本的类别；
(3)SVM-KNN分类的方法是：
计算待测样本x与两类支持向量代表点x+和x-的距离差g(x)＝∑yiαik(x,xi)+b；
将g(x)的绝对值与阈值比较，若比阈值大，则直接输出SVM分类结果；若绝对值小于阈值，则运用KNN分类算法得出结果。
一种采用前述监测方法的可穿戴式装配式建筑产业工人情绪智能监测装置。
本申请的优点在于：
第一，本申请的基础构思是：采用了“心电信号-HRV特征-SVM-KNN分类器-识别情绪”的基本构思，本申请首次提出了“HRV特征集合”，SDNN、RMSSD、SDNNindex、SDSD、NN50count、PNN50、Hrviendex、Max-min、MEAN；totalpower、HF、LF、VLF、LF/HF、HFn、LFn。即采用上述特征集合来进行情绪识别是可行的。
第二，SVM分类器对于距离超平面较远的样本能准确地分类，KNN算法对于含有类域交叠的样本数据分类效果好。融合SVM和KNN算法，能提高情绪分类的准确率。
附图说明
下面结合附图中的实施例对本发明作进一步的详细说明，但并不构成对本发明的任何限制。
图1是可穿戴式装配式建筑产业工人情绪智能监测方法的流程设计图。
具体实施方式
实施例1：一种新型的可穿戴式装配式建筑产业工人情绪智能监测技术及装置
建筑工人不安全行为是建筑安全事故的主要原因，建筑工人的安全行为管理也是目前安全生产管理的核心问题，建筑工人的负面情绪可能会诱发不安全行为。
实施例1提出了利用心电信号实现实时监测建筑工人的情绪变化，并改进了情绪识别算法，还能为建筑工人调节自身情绪提供建议。
一种新型的可穿戴式装配式建筑产业工人情绪智能监测方法，包括如下步骤：
第一步：在不影响佩戴者正常生活的情况下通过穿戴式手环采集心电信号；
第二步：将采集到的心电信号实时传输到远端服务器，进行预处理，设计滤波器选择出原始心电信号，然后对心电信号去噪处理；
(1)信号的小波分解：选择小波并根据奈奎斯特采样定律确定小波分解的层次N，然后对信号进行N层小波分解。
(2)细节处理，小波分解高频系数的阈值量化。
在小波变换域上，找到所有峰值点并放入sigmax矩阵中；将sigmax中的数据进行排序，以前8个极大值点和后50个极小值点的均值之差的25％～55％作为阈值。
阈值处理方法有两种：
软阈值处理——把信号的绝对值与阈值进行比较，将小于或等于阈值的点置零，大于阈值的点变为该点的值与阈值的差值。
硬阈值处理——把信号的绝对值与阈值进行比较，将小于或等于阈值的点置零，大于阈值的点保持不变。
(3)小波的重构。根据小波分解的第N层低频系数Can和经过量化处理后的第1层到第N层的高频系数，进行信号的小波重构，由此提取得到去噪之后的心电信号。
第三步：采用pan_tompkin(PT)算法来检测QRS波群信息，提取R波峰值信息。再从中提取心率变异性HRV特征，统计R波之间的变化情况，HRV(i)＝R(i+1)-R(i)，其中，i为R波峰位置对应的采样点。通过RR间期提取16个HRV特征参数，包括9个时域特征和7个频域特征，从而构成情感识别的特征集。
(1)HRV时域特征如下：
SDNN：所有RR间期的标准差；
RMSSD：相邻RR间期差值的均方根；
SDNNindex：所有RR间期的标准差的平均值；
SDSD：相邻RR间差值的标准差；
NN50 count：相差超过50ms的RR间期数；
PNN50：RR50的数除以所有RR间期之和；
Hrviendex：RR间期总个数除以RR间期的高度；
Max-min：所有RR间期中最大值与最小值之差；
MEAN：RR间期的平均值；
(2)HRV频域特征如下：
totalpower：总功率谱密度；
HF：高频功率，范围0.15～0.4Hz；
LF：低频功率，范围0.04～0.15Hz；
VLF：超低频功率，范围0.04～0.15Hz；
LF/HF：低频与高频功率的比值；
HFn：高频能力的归一化；
LFn：低频功率在总功率谱的占比；
第四步：将提取的心电HRV特征经过已训练好的SVM-KNN分类器，得到佩戴者相应的情绪类型。SVM是通过核函数将输入的数据映入到高维空间，在高维空间中进行线性分类，从而构建出对数据进行分类的最优超平面。KNN将待测样本与训练样本中K个距离权重最近的类别划分为一类。
(1)SVM分类函数：
其中，训练集T＝{(x1,y1),(x2,y2),...,(xN,yN)}；yi∈Y＝{-1,1},i＝1,2,...,N；
αi为拉格朗日乘子；b为阈值；C为惩罚因子；
γ为核函数参数。
(2)KNN分类原理：所有样本对应m维空间中的点，xi表示x的第i个特征的值，xi和xj的欧式距离为选取k个距离值最小的样本点组成一个样本集，统计此样本集集中样本的类别，其中样本数量最多的类别则为待测样本的类别。
(3)SVM-KNN分类算法流程：计算待测样本x与两类支持向量代表点x+和x-的距离差g(x)＝∑yiαik(x,xi)+b。将g(x)的绝对值与阈值(一般设置0.4～0.8)比较，若比阈值大，则直接输出SVM分类结果；若绝对值小于阈值，则运用KNN分类算法得出结果。
第五步：将识别出的结果输出反馈到手机APP，并为佩戴者调节情绪提供建议。
以上所举实施例为本发明的较佳实施方式，仅用来方便说明本发明，并非对本发明作任何形式上的限制，任何所属技术领域中具有通常知识者，若在不脱离本发明所提技术特征的范围内，利用本发明所揭示技术内容所作出局部更动或修饰的等效实施例，并且未脱离本发明的技术特征内容，均仍属于本发明技术特征的范围内。
Claims (7)
1.可穿戴式装配式建筑产业工人情绪智能监测方法，其特征在于，包括如下步骤：
S100，采集生理信号；所述生理信号包括：心电信号；
S200，对S100得到的心电信号进行去噪处理；
S300，从心电信号中提取心率变异性HRV特征，包括时域特征和频域特征；
S400，将提取的HRV特征经过已训练的SVM-KNN分类器，从而识别出情绪类别；
S500，将识别结果输出到手持端。
2.根据权利要求1所述的可穿戴式装配式建筑产业工人情绪智能监测方法，其特征在于，S300，从S200得到的心电信号从提取16个HRV特征参数，包括9个时域特征和7个频域特征，从而构成情感识别的特征集。
3.根据权利要求2所述的可穿戴式装配式建筑产业工人情绪智能监测方法，其特征在于，HRV时域特征参数包括：SDNN：所有RR间期的标准差；RMSSD：相邻RR间期差值的均方根；SDNNindex：所有RR间期的标准差的平均值；SDSD：相邻RR间差值的标准差；NN50 count：相差超过50ms的RR间期数；PNN50：RR50的数除以所有RR间期之和；Hrviendex：RR间期总个数除以RR间期的高度；Max-min：所有RR间期中最大值与最小值之差；MEAN：RR间期的平均值。
4.根据权利要求2所述的可穿戴式装配式建筑产业工人情绪智能监测方法，其特征在于，HRV频域特征如下：totalpower：总功率谱密度；HF：高频功率；LF：低频功率；VLF：超低频功率；LF/HF：低频与高频功率的比值；HFn：高频能力的归一化；LFn：低频功率在总功率谱的占比。
5.根据权利要求1所述的可穿戴式装配式建筑产业工人情绪智能监测方法，其特征在于，S400还包括：将提取的心电HRV特征经过已训练好的SVM-KNN分类器，得到佩戴者相应的情绪类型。
6.一种可穿戴式装配式建筑产业工人情绪智能监测方法，其特征在于，其包括如下步骤：
S100，采集生理信号；所述生理信号包括：心电信号；
S200，对S100得到的心电信号进行去噪处理；
S300，从心电信号中提取心率变异性HRV特征，包括时域特征和频域特征；
采用pan_tompkin算法来检测QRS波群信息，提取R波峰值信息；再从中提取心率变异性HRV特征，统计R波之间的变化情况：
HRV(i)＝R(i+1)-R(i)，其中，i为R波峰位置对应的采样点；
通过RR间期(即每一次心脏跳动间的间隔时间)提取16个HRV特征参数，包括9个时域特征和7个频域特征，从而构成情感识别的特征集；
(1)HRV时域特征如下：
SDNN：所有RR间期的标准差；
RMSSD：相邻RR间期差值的均方根；
SDNNindex：所有RR间期的标准差的平均值；
SDSD：相邻RR间差值的标准差；
NN50 count：相差超过50ms的RR间期数；
PNN50：RR50的数除以所有RR间期之和；
Hrviendex：RR间期总个数除以RR间期的高度；
Max-min：所有RR间期中最大值与最小值之差；
MEAN：RR间期的平均值；
(2)HRV频域特征如下：
totalpower：总功率谱密度；
HF：高频功率，范围0.15～0.4Hz；
LF：低频功率，范围0.04～0.15Hz；
VLF：超低频功率，范围0.04～0.15Hz；
LF/HF：低频与高频功率的比值；
HFn：高频能力的归一化；
LFn：低频功率在总功率谱的占比；
S400，将提取的HRV特征经过已训练的SVM-KNN分类器，从而识别出情绪类别；
将提取的心电HRV特征经过已训练好的SVM-KNN分类器，得到佩戴者相应的情绪类型；
SVM是通过核函数将输入的数据映入到高维空间，在高维空间中进行线性分类，从而构建出对数据进行分类的最优超平面；
KNN将待测样本与训练样本中K个距离权重最近的类别划分为一类；
(1)SVM分类函数：
其中，训练集T＝{(x1,y1),(x2,y2),...,(xN,yN)}；yi∈Y＝{-1,1},i＝1,2,...,N；
αi为拉格朗日乘子；b为阈值；C为惩罚因子；
γ为核函数参数；
(2)KNN分类：所有样本对应m维空间中的点，xi表示x的第i个特征的值，xi和xj的欧式距离为选取k个距离值最小的样本点组成一个样本集，统计此样本集集中样本的类别，其中样本数量最多的类别则为待测样本的类别；
(3)SVM-KNN分类的方法是：
计算待测样本x与两类支持向量代表点x+和x-的距离差g(x)＝∑yiαik(x,xi)+b；
将g(x)的绝对值与阈值比较，若比阈值大，则直接输出SVM分类结果；若绝对值小于阈值，则运用KNN分类算法得出结果；
S500，将识别结果输出到手持端。
7.一种采用如权利要求1至6任意一项监测方法的可穿戴式装配式建筑产业工人情绪智能监测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927163.3A CN116807474A (zh) | 2023-07-26 | 2023-07-26 | 可穿戴式装配式建筑产业工人情绪智能监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310927163.3A CN116807474A (zh) | 2023-07-26 | 2023-07-26 | 可穿戴式装配式建筑产业工人情绪智能监测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116807474A true CN116807474A (zh) | 2023-09-29 |
Family
ID=88118553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310927163.3A Pending CN116807474A (zh) | 2023-07-26 | 2023-07-26 | 可穿戴式装配式建筑产业工人情绪智能监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116807474A (zh) |
-
2023
- 2023-07-26 CN CN202310927163.3A patent/CN116807474A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116705337B (zh) | 一种健康数据采集及智能分析方法 | |
| CN108416367B (zh) | 基于多传感器数据决策级融合的睡眠分期方法 | |
| CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
| US7966061B2 (en) | Processing and analyzing physiological signals to detect a health condition | |
| US11317840B2 (en) | Method for real time analyzing stress using deep neural network algorithm | |
| CN105595990A (zh) | 一种用于心电信号质量评估判别的智能终端设备 | |
| CN112043252B (zh) | 基于脉搏信号中呼吸成分的情绪识别系统及方法 | |
| CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
| CN114391846B (zh) | 一种基于过滤式特征选择的情绪识别方法及系统 | |
| CN112641451A (zh) | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 | |
| CN111370124A (zh) | 一种基于面手部识别和大数据的健康分析系统及方法 | |
| CN111783715B (zh) | 基于脉搏信号特征提取的身份识别方法 | |
| CN111067513B (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
| CN116344050B (zh) | 一种基于多维度健康管理模型的评测方法 | |
| CN115089179A (zh) | 一种心理情绪洞察分析方法及系统 | |
| CN113576472B (zh) | 一种基于全卷积神经网络的血氧信号分割方法 | |
| CN114366060A (zh) | 一种基于心率变异性的健康预警方法、装置及电子设备 | |
| CN114469041A (zh) | 一种运动过程中心率变化数据特征分析方法 | |
| CN116807474A (zh) | 可穿戴式装配式建筑产业工人情绪智能监测方法及装置 | |
| CN112617761B (zh) | 自适应聚点生成的睡眠阶段分期方法 | |
| CN113273992B (zh) | 信号处理方法及装置 | |
| CN114550932A (zh) | 一种睡眠呼吸暂停风险评估方法、装置、设备及存储介质 | |
| CN113907770A (zh) | 基于特征融合的棘慢复合波检测识别方法及系统 | |
| Jayagopi et al. | On the classification of arrhythmia using supplementary features from tetrolet transforms. | |
| Kumar | Heart disease detection using radial basis function 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 |