CN116831531A - 基于多模态数据的梦境检测方法、装置及电子设备 - Google Patents
基于多模态数据的梦境检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116831531A CN116831531A CN202310828810.5A CN202310828810A CN116831531A CN 116831531 A CN116831531 A CN 116831531A CN 202310828810 A CN202310828810 A CN 202310828810A CN 116831531 A CN116831531 A CN 116831531A
- Authority
- CN
- China
- Prior art keywords
- dream
- data
- signal data
- target object
- neural network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 123
- 230000000241 respiratory effect Effects 0.000 claims abstract description 49
- 230000004461 rapid eye movement Effects 0.000 claims abstract description 20
- 210000004556 brain Anatomy 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims description 61
- 238000000034 method Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000007935 neutral effect Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 208000003443 Unconsciousness Diseases 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 43
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000003903 pelvic floor Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000008667 sleep stage Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/33—Heart-related electrical modalities, e.g. electrocardiography [ECG] specially adapted for cooperation with other devices
-
- 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]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Psychology (AREA)
- Pulmonology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开公开了一种基于多模态数据的梦境检测方法、装置及电子设备，涉及人工智能技术领域，尤其涉及基于人工智能的梦境检测技术领域。具体实现方案为：基于与梦境相关的包括心电数据、脑电信号数据、IMU信号数据、呼吸信号数据的多模态数据进行梦境检测，能够提升梦境检测结果的准确性，能够解决基于快速眼动周期的梦境检测方法将非梦境状态的快速眼动周期识别为梦境的问题，以及避免仅根据脑电信号数据进行梦境检测，而用户梦境或睡眠状态下的无意识动作带来的采集的脑电信号不准确，进而导致梦境检测的不准确的问题。
Description
技术领域
本公开涉及人工智能领域，尤其涉及基于多模态数据的梦境检测技术领域。
背景技术
梦境检测对研究睡眠等具有重要意义。现阶段的梦境检测主要包括两种：一种是基于睡眠快速眼动器的检测来实现的，即如果检测到用户处于快速眼动周期，则认为用户处于梦境；另一种是基于机器学习的方法，对用户的脑电信号数据进行分析，确定用户是否处于梦境。
然而，现阶段的第一种梦境检测检测方法，存在一个天然的缺点，即快速眼动期并不是一定处于梦境中，这就导致梦境检测结果其实是睡眠阶段检测结果；对于第二种方法，脑电信号数据是通过多导睡眠仪得到的，其佩戴方式是利用导电膏将电极贴到头皮上，人在睡梦中的无意识动作会对脑电信号数据结果产生很大影响。如何提升梦境检测的准确性成为了一个问题。
发明内容
本公开提供了一种基于多模态数据的梦境检测方法、装置及电子设备，用于提升梦境检测的准确性。
本公开的第一方面，提供了一种基于多模态数据的梦境检测方法，其特征在于，该方法包括：
获取目标对象睡眠状态时的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据；
基于获取的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据，通过各数据对应的预训练的神经网络模型，分别确定各数据对应的目标对象的初步梦境检测结果；
基于分别确定的各数据对应的目标对象的初步梦境检测结果，确定目标对象的最终梦境检测结果。
可选地，所述最终梦境检测结果包括所述目标对象是否处于梦境，以及若目标对象处于梦境，所处梦境是积极、消极还是中性。
可选地，所述预训练的神经网络模型的训练样本包括：通过快速眼动期范式确定的用户是否处于梦境的标签数据，以及若用户处于梦境，所述梦境是消极、积极还是中性的标签数据；以及对应的采集的用户的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据。
可选地，该方法还包括：
如果所述最终梦境检测结果为所述目标对象处于梦境且所述梦境为消极，则对目标对象的脑电活动进行调节。
可选地，其中，针对所述IMU信号数据、呼吸信号数据，预训练的神经网络模型为基于门控循环单元网络的神经网络模型：
针对所述脑电信号数据，预训练的神经网络模型为基于Transformer网络的神经网络模型；
针对所述心电数据，预训练的神经网络模型为基于长短期记忆网络的神经网络模型。
可选地，基于分别确定的各数据对应的目标对象的初步梦境检测结果，确定目标对象的最终梦境检测结果，包括：
基于各个所述初步梦境检测结果，以及各个数据对应的预训练神经网络模型的权重值，确定目标对象的最终梦境检测结果，各个数据对应的预训练神经网络模型的权重值通过多任务训练得到。
可选地，该方法还包括：
检测所述目标对象是否处于睡眠状态；
如果所述目标对象处于睡眠状态，则采集目标对象的的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据。
根据本公开的第二方面，提供了一种基于多模态数据的梦境检测装置，其特征在于，该装置包括：
获取模块，用于获取目标对象睡眠状态时的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据；
第一确定模块，用于基于获取的所述心电数据、脑电信号数据、IMU信号数据、呼吸信号数据，通过各数据对应的预训练的神经网络模型，分别确定各数据对应的目标对象的初步梦境检测结果；
第二确定模块，用于基于分别确定的各数据对应的目标对象的初步梦境检测结果，确定目标对象的最终梦境检测结果。
可选地，其中，所述最终梦境检测结果包括所述目标对象是否处于梦境，以及若目标对象处于梦境，所处梦境是积极、消极还是中性。
可选地，其中，所述预训练的神经网络模型的训练样本包括：通过快速眼动期范式确定的用户是否处于梦境的标签数据，以及若用户处于梦境，所述梦境是消极、积极还是中性的标签数据；以及对应的采集的用户的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据。
可选地，该装置还包括：
调解模块，用于如果所述最终梦境检测结果为所述目标对象处于梦境且所述梦境为消极，则对目标对象的脑电活动进行调节。
可选地，其中，针对所述IMU信号数据、呼吸信号数据，预训练的神经网络模型为基于门控循环单元网络的神经网络模型：
针对所述脑电信号数据，预训练的神经网络模型为基于Transformer网络的神经网络模型；
针对所述心电数据，预训练的神经网络模型为基于长短期记忆网络的神经网络模型。
其中，第二确定模块，具体用于基于各个所述初步梦境检测结果，以及各个数据对应的预训练神经网络模型的权重值，确定目标对象的最终梦境检测结果，各个数据对应的预训练神经网络模型的权重值通过多任务训练得到。
可选地，该装置还包括：
检测模块，用于检测所述目标对象是否处于睡眠状态；
采集模块，用于如果所述目标对象处于睡眠状态，则采集目标对象的的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据。
根据本公开的第三方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如本公开的第一方面所示的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如本公开的第一方面所示的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开的第一方面所示的方法。
本公开提供了一种基于多模态数据的梦境检测方法，包括：获取目标对象睡眠状态时的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据；基于获取的所述心电数据、脑电信号数据、IMU信号数据、呼吸信号数据，通过各数据对应的预训练的神经网络模型，分别确定各数据对应的目标对象的初步梦境检测结果；基于分别确定的各数据对应的目标对象的初步梦境检测结果，确定目标对象的最终梦境检测结果。也即是说，基于与梦境相关的包括心电数据、脑电信号数据、IMU信号数据、呼吸信号数据的多模态数据进行梦境检测，能够提升梦境检测结果的准确性，能够解决基于快速眼动周期的梦境检测方法将非梦境状态的快速眼动周期识别为梦境的问题，以及避免仅根据脑电信号数据进行梦境检测，而用户梦境或睡眠状态下的无意识动作带来的采集的脑电信号不准确，进而导致梦境检测的不准确的问题。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的基于多模态数据的梦境检测方法的流程示意图；
图2是本公开实施例提供的基于人工智能的盆底肌训练装置的结构示意图；
图3是用来实现本公开实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1示出了本公开实施例提供的一种基于多模态数据的梦境检测方法，该方法包括：
步骤S101，获取目标对象睡眠状态时的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据；
其中，人在睡眠状态与清醒状态的ECG信号、呼吸信号、EEG信号明显不同，人在梦境状态和非梦境状态下的ECG信号、EEG信号、呼吸信号也具有一定差异。IMU信号：即利用体动信号研究人的睡眠状态。相关研究已经表明，手腕运动状态等，与睡眠时的EEG信号是强相关的。
具体地，可以分别通过脑电信号采集设备、心电仪、呼吸带、惯性传感器(InertialMeasurement Unit，IMU)联合采集目标对象睡眠时的脑电信号数据(electroencephalogram，EEG)、心电数据(Electrocardiogram，ECG)、呼吸信号数据、IMU信号数据。其中，呼吸带传感器内含一压电装置，可对长度变化作出线性响应，用于测量呼吸期间胸围或腹围的变化。这些测量可显示吸气、呼气和呼吸强度，并可用来推导呼吸频率。
具体地，所述IMU信号数据可以是采集的目标对象肩部、手腕等部位的运动信号数据，从而能够避免仅根据脑电信号数据通过机器学习的方法进行梦境检测，由于睡眠状态下，目标用户的无意识动作，如抬手、翻身等引起的脑电信号信息采集不准确，而进而导致梦境检测分析结果不准确的问题。
步骤S102，基于获取的所述心电数据、脑电信号数据、IMU信号数据、呼吸信号数据，通过各数据对应的预训练的神经网络模型，分别确定各数据对应的目标对象的初步梦境检测结果；
具体地，针对心电数据、脑电信号数据、IMU信号数据、呼吸信号数据，分别对应训练有一个神经网络模型，将心电数据、脑电信号数据、IMU信号数据、呼吸信号数据进行预处理(如放大、去噪、滤波、编码)后，分别输入至对应的预训练的神经网络模型，可以得到各个数据对应的初步梦境检测结果数据。
步骤S103，基于分别确定的各数据对应的目标对象的初步梦境检测结果，确定目标对象的最终梦境检测结果。
具体地，初步梦境检测结果与最终梦境检测结果可以包括所述目标对象是否处于梦境的概率值，以及若目标对象处于梦境，所处梦境是积极、消极还是中性的概率值。
具体地，基于分别确定的各数据对应的目标对象的初步梦境检测结果，确定目标对象的最终梦境检测结果，可以是如果四个初步梦境检测结果中的三个为梦境，则确定最终梦境检测结果为梦境；也可以是对四种方式得到的梦境检测结果进行加权计算，从而得到最终的梦境检测结果。
本公开提供了一种基于多模态数据的梦境检测方法，包括：获取目标对象睡眠状态时的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据；基于获取的所述心电数据、脑电信号数据、IMU信号数据、呼吸信号数据，通过各数据对应的预训练的神经网络模型，分别确定各数据对应的目标对象的初步梦境检测结果；基于分别确定的各数据对应的目标对象的初步梦境检测结果，确定目标对象的最终梦境检测结果。也即是说，基于与梦境相关的包括心电数据、脑电信号数据、IMU信号数据、呼吸信号数据的多模态数据进行梦境检测，能够提升梦境检测结果的准确性，能够解决基于快速眼动周期的梦境检测方法将非梦境状态的快速眼动周期识别为梦境的问题，以及避免仅根据脑电信号数据进行梦境检测，而用户梦境或睡眠状态下的无意识动作带来的采集的脑电信号不准确，进而导致梦境检测的不准确的问题。
本公开提供了一种可能的实现方式，具体地，所述预训练的神经网络模型的训练样本包括：通过快速眼动期范式确定的用户是否处于梦境的标签数据，以及若用户处于梦境，所述梦境是消极、积极还是中性的标签数据；以及对应的采集的用户的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据。
具体地，预训练的神经网络模型的训练样本包括，负样本，负样本可以包括非梦境状态标签，以及对应的该非梦境睡眠状态下用户的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据；正样本，正样本可以包括梦境状态标签，消极、积极、中性标签，以及该状态下用户的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据。
具体地，前述训练样本数据可以是通过快速眼动期唤醒实验方式得到的。其中，快速眼动期唤醒实验方式指，人工发现用户处于快速眼动期预定的时间(如5分钟)后，叫醒用户，询问确定用户是否处于梦境状态，以及若处于梦境状态，并询问确定该梦境是消极、中性还是积极的，并同时将该相关数据作为对应的采集的用户的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据的标签。
本公开实施例解决了训练样本的确定问题。
本公开提供了一种可能的实现方式，该方法还包括：
如果所述最终梦境检测结果为所述目标对象处于梦境且所述梦境为消极，则对目标对象的脑电活动进行调节。
具体地，如果最终梦境检测结果为所述目标对象处于梦境且所述梦境为消极，则对目标对象的脑电活动进行调节，如可以通过声波、光、电、磁刺激，调节目标对象的脑电活动。
本公开实施例，可以对用户所处的消极的梦境状态进行调节，改变用户所处的消极梦境状态。
本公开提供了一种可能的实现方式，其中，针对所述IMU信号数据、呼吸信号数据，预训练的神经网络模型为基于门控循环单元网络的神经网络模型：
针对所述脑电信号数据，预训练的神经网络模型为基于Transformer网络的神经网络模型；
针对所述心电数据，预训练的神经网络模型为基于长短期记忆网络的神经网络模型。
具体地，基于门控循环单元(GRU，gatedrecurrentunit)的神经网络在捕捉长序列的信号特征时，能有效抑制梯度消失或爆炸，且相对于LSTM来说，参数量更少，训练时间更短，对于IMU信号和呼吸信号这两种简单信号，利用GRU即可快速的得到模型分类结果。
对于ECG这种有些复杂的信号，利用长短期神经网络模型(LSTM，LongShortTermMemory)能更准确的模型分类结果。
transformer的U-Net提取局部信息，且自注意力机制能够保证前后信息的关联性，对于EEG信号，可利用transformer提取内在信息并保留时域的关联性，更准确快速的得到最终的结果。
对于本申请实施例，针对不同数据信号，分别采取相应的神经网络模型结构，能够兼顾模型的准确性与训练的效率。
本公开提供了一种可能的实现方式，基于分别确定的各数据对应的目标对象的初步梦境检测结果，确定目标对象的最终梦境检测结果，包括：
基于各个所述初步梦境检测结果，以及各个数据对应的预训练神经网络模型的权重值，确定目标对象的最终梦境检测结果，各个数据对应的预训练神经网络模型的权重值通过多任务训练得到。
具体地，可以将针对四种信号数据的神经网络模型同时进行训练，即进行多任务训练，其中，四种数据对应的神经网络模型分别对应有一个权重值，并将四个权重值作为要拟合得到的参数，当满足预定的收敛条件时，将四种信号数据对应的经网络模型的权重值，作为根据四个初步梦境检测结果确定最终梦境检测结果的依据。
本公开实施例，解决了最终梦境检测结果如何确定的问题。
本公开提供了一种可能的实现方式，该方法还包括：
步骤S104(图中未示出)，检测所述目标对象是否处于睡眠状态；
步骤S105(图中未示出)，如果所述目标对象处于睡眠状态，则采集目标对象的的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据。
对于本公开实施例，当检测到目标对象处于睡眠状态时，方采集目标对象的的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据，避免目标对象未处于睡眠状态而采集数据，降低了功耗。
实施例二
根据本公开的第二方面，提供了一种基于多模态数据的梦境检测装置，该装置包括：
获取模块201，用于获取目标对象睡眠状态时的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据；
第一确定模块202，用于基于获取的所述心电数据、脑电信号数据、IMU信号数据、呼吸信号数据，通过各数据对应的预训练的神经网络模型，分别确定各数据对应的目标对象的初步梦境检测结果；
第二确定模块203，用于基于分别确定的各数据对应的目标对象的初步梦境检测结果，确定目标对象的最终梦境检测结果。
本公开实施例提供了一种基于多模态数据的梦境检测装置，包括：获取目标对象睡眠状态时的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据；基于获取的所述心电数据、脑电信号数据、IMU信号数据、呼吸信号数据，通过各数据对应的预训练的神经网络模型，分别确定各数据对应的目标对象的初步梦境检测结果；基于分别确定的各数据对应的目标对象的初步梦境检测结果，确定目标对象的最终梦境检测结果。也即是说，基于与梦境相关的包括心电数据、脑电信号数据、IMU信号数据、呼吸信号数据的多模态数据进行梦境检测，能够提升梦境检测结果的准确性，能够解决基于快速眼动周期的梦境检测方法将非梦境状态的快速眼动周期识别为梦境的问题，以及避免仅根据脑电信号数据进行梦境检测，而用户梦境或睡眠状态下的无意识动作带来的采集的脑电信号不准确，进而导致梦境检测的不准确的问题。
可选地，其中，所述最终梦境检测结果包括所述目标对象是否处于梦境，以及若目标对象处于梦境，所处梦境是积极、消极还是中性。
本公开提供了一种可能的实现方式，其中，所述预训练的神经网络模型的训练样本包括：通过快速眼动期范式确定的用户是否处于梦境的标签数据，以及若用户处于梦境，所述梦境是消极、积极还是中性的标签数据；以及对应的采集的用户的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据。
本公开提供了一种可能的实现方式，进一步地，该装置还包括：
调解模块(204，图中未示出)，用于如果所述最终梦境检测结果为所述目标对象处于梦境且所述梦境为消极，则对目标对象的脑电活动进行调节。
本公开提供了一种可能的实现方式，其中，针对所述IMU信号数据、呼吸信号数据，预训练的神经网络模型为基于门控循环单元网络的神经网络模型：
针对所述脑电信号数据，预训练的神经网络模型为基于Transformer网络的神经网络模型；
针对所述心电数据，预训练的神经网络模型为基于长短期记忆网络的神经网络模型。
其中，第二确定模块，具体用于基于各个所述初步梦境检测结果，以及各个数据对应的预训练神经网络模型的权重值，确定目标对象的最终梦境检测结果，各个数据对应的预训练神经网络模型的权重值通过多任务训练得到。
本公开提供了一种可能的实现方式，进一步地，该装置还包括：
检测模块(205，图中未示出)，用于检测所述目标对象是否处于睡眠状态；
采集模块(206，图中未示出)，用于如果所述目标对象处于睡眠状态，则采集目标对象的的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据。
对于本申请实施例，其实现的有益效果同上述方法实施例，此处不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如本公开实施例提供的方法。
该电子设备与现有技术相比，基于与梦境相关的包括心电数据、脑电信号数据、IMU信号数据、呼吸信号数据的多模态数据进行梦境检测，能够提升梦境检测结果的准确性，能够解决基于快速眼动周期的梦境检测方法将非梦境状态的快速眼动周期识别为梦境的问题，以及避免仅根据脑电信号数据进行梦境检测，而用户梦境或睡眠状态下的无意识动作带来的采集的脑电信号不准确，进而导致梦境检测的不准确的问题。
该可读存储介质为存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如本公开实施例提供的方法。
该可读存储介质与现有技术相比，基于与梦境相关的包括心电数据、脑电信号数据、IMU信号数据、呼吸信号数据的多模态数据进行梦境检测，能够提升梦境检测结果的准确性，能够解决基于快速眼动周期的梦境检测方法将非梦境状态的快速眼动周期识别为梦境的问题，以及避免仅根据脑电信号数据进行梦境检测，而用户梦境或睡眠状态下的无意识动作带来的采集的脑电信号不准确，进而导致梦境检测的不准确的问题。
该计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开的第一方面中所示的方法。
该计算机程序产品与现有技术相比，基于与梦境相关的包括心电数据、脑电信号数据、IMU信号数据、呼吸信号数据的多模态数据进行梦境检测，能够提升梦境检测结果的准确性，能够解决基于快速眼动周期的梦境检测方法将非梦境状态的快速眼动周期识别为梦境的问题，以及避免仅根据脑电信号数据进行梦境检测，而用户梦境或睡眠状态下的无意识动作带来的采集的脑电信号不准确，进而导致梦境检测的不准确的问题。
图3示出了可以用来实施本公开的实施例的示例电子设备300的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图3所示，设备300包括计算单元301，其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序，来执行各种适当的动作和处理。在RAM303中，还可存储设备300操作所需的各种程序和数据。计算单元301、ROM302以及RAM303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行人工智能模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理，例如方法基于多模态数据的梦境检测方法。例如，在一些实施例中，基于多模态数据的梦境检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元305。在一些实施例中，计算机程序的部分或者全部可以经由ROM302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM303并由计算单元301执行时，可以执行上文描述的方法基于多模态数据的梦境检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法基于多模态数据的梦境检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (10)
1.一种基于多模态数据的梦境检测方法，其特征在于，该方法包括：
获取目标对象睡眠状态时的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据；
基于获取的所述心电数据、脑电信号数据、IMU信号数据、呼吸信号数据，通过各数据对应的预训练的神经网络模型，分别确定各数据对应的目标对象的初步梦境检测结果；
基于分别确定的各数据对应的目标对象的初步梦境检测结果，确定目标对象的最终梦境检测结果。
2.根据权利要求1所述的方法，其特征在于，所述最终梦境检测结果包括所述目标对象是否处于梦境，以及若目标对象处于梦境，所处梦境是积极、消极还是中性。
3.根据权利要求2所述的方法，其特征在于，所述预训练的神经网络模型的训练样本包括：通过快速眼动期范式确定的用户是否处于梦境的标签数据，以及若用户处于梦境，所述梦境是消极、积极还是中性的标签数据；以及对应的采集的用户的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据。
4.根据权利要求2所述的方法，其特征在于，该方法还包括：
如果所述最终梦境检测结果为所述目标对象处于梦境且所述梦境为消极，则对目标对象的脑电活动进行调节。
5.根据权利要求1所述的方法，其特征在于，其中，针对所述IMU信号数据、呼吸信号数据，预训练的神经网络模型为基于门控循环单元网络的神经网络模型：
针对所述脑电信号数据，预训练的神经网络模型为基于Transformer网络的神经网络模型；
针对所述心电数据，预训练的神经网络模型为基于长短期记忆网络的神经网络模型。
6.根据权利要求1-5任一项所述的方法，其特征在于，基于分别确定的各数据对应的目标对象的初步梦境检测结果，确定目标对象的最终梦境检测结果，包括：
基于各个所述初步梦境检测结果，以及各个数据对应的预训练神经网络模型的权重值，确定目标对象的最终梦境检测结果，各个数据对应的预训练神经网络模型的权重值通过多任务训练得到。
7.根据权利要求6所述的方法，其特征在于，该方法还包括：
检测所述目标对象是否处于睡眠状态；
如果所述目标对象处于睡眠状态，则采集目标对象的的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据。
8.一种基于多模态数据的梦境检测装置，其特征在于，该装置包括：
获取模块，用于获取目标对象睡眠状态时的心电数据、脑电信号数据、IMU信号数据、呼吸信号数据；
第一确定模块，用于基于获取的所述心电数据、脑电信号数据、IMU信号数据、呼吸信号数据，通过各数据对应的预训练的神经网络模型，分别确定各数据对应的目标对象的初步梦境检测结果；
第二确定模块，用于基于分别确定的各数据对应的目标对象的初步梦境检测结果，确定目标对象的最终梦境检测结果。
9.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310828810.5A CN116831531A (zh) | 2023-07-07 | 2023-07-07 | 基于多模态数据的梦境检测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310828810.5A CN116831531A (zh) | 2023-07-07 | 2023-07-07 | 基于多模态数据的梦境检测方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116831531A true CN116831531A (zh) | 2023-10-03 |
Family
ID=88168593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310828810.5A Pending CN116831531A (zh) | 2023-07-07 | 2023-07-07 | 基于多模态数据的梦境检测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116831531A (zh) |
-
2023
- 2023-07-07 CN CN202310828810.5A patent/CN116831531A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220125322A1 (en) | Methods and Systems for Determining Abnormal Cardiac Activity | |
| CN110944577B (zh) | 一种血氧饱和度的检测方法与系统 | |
| US11593468B2 (en) | System and method for identifying user | |
| Tazarv et al. | A deep learning approach to predict blood pressure from ppg signals | |
| WO2016168980A1 (zh) | 一种生理体征信息获取方法和系统 | |
| CN109662687A (zh) | 校正生物信息传感器误差的装置和方法，以及估计生物信息的装置和方法 | |
| EP3375357B1 (en) | Biological signal acquisition method, device, electronic equipment and system | |
| Zhao et al. | Robust heart rate monitoring by a single wrist-worn accelerometer based on signal decomposition | |
| Ahmed et al. | IoMT-based biomedical measurement systems for healthcare monitoring: A review | |
| CN115054248B (zh) | 情绪监测方法和情绪监测装置 | |
| CN116491938A (zh) | 一种ecg无创血糖测量方法及系统 | |
| Sonawani et al. | Biomedical signal processing for health monitoring applications: a review | |
| US20240099665A1 (en) | Electrocardiogram data processing server, electrocardiogram data processing method of extracting analysis required section while segmenting electrocardiogram signal into signal segments with variable window sizes, and computer program | |
| WO2021184818A1 (zh) | 一种基于粒子滤波的人体逐拍心率测量装置及方法 | |
| CN205375758U (zh) | 一种老年人主动急救系统 | |
| CN111278353A (zh) | 一种生命体征信号噪声的检测方法与系统 | |
| CN116831531A (zh) | 基于多模态数据的梦境检测方法、装置及电子设备 | |
| CN116671906A (zh) | 一种智能手表无创血糖测量方法及系统 | |
| Tobola et al. | Battery runtime optimization toolbox for wearable biomedical sensors | |
| Yun et al. | Ultra-Low-Power Wearable Vibration Sensor with Highly Accurate Embedded Classifier | |
| CN112998717A (zh) | 一种量化人体生理状态的分析方法和设备 | |
| Zhang et al. | Wearable physiological parameters monitoring device based on blood pressure model and time domain analysis of PPG signal | |
| CN117017233B (zh) | 一种睡眠呼吸暂停检测方法、装置、设备以及存储介质 | |
| KR102450482B1 (ko) | 의료 데이터 제공 장치, 의료 데이터 제공 방법 및 컴퓨터 프로그램 | |
| CN112971792B (zh) | 一种基于连续生理数据的个体化状态监测分析方法和设备 |
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 |