CN117312836B - 基于人工智能的用户冥想状态处理方法及系统 - Google Patents
基于人工智能的用户冥想状态处理方法及系统 Download PDFInfo
- Publication number
- CN117312836B CN117312836B CN202311419639.9A CN202311419639A CN117312836B CN 117312836 B CN117312836 B CN 117312836B CN 202311419639 A CN202311419639 A CN 202311419639A CN 117312836 B CN117312836 B CN 117312836B
- Authority
- CN
- China
- Prior art keywords
- brain wave
- meditation
- vector
- health
- state
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 210000004556 brain Anatomy 0.000 claims abstract description 289
- 230000036541 health Effects 0.000 claims abstract description 150
- 238000004458 analytical method Methods 0.000 claims abstract description 125
- 238000005457 optimization Methods 0.000 claims abstract description 110
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 217
- 238000012549 training Methods 0.000 claims description 45
- 238000000034 method Methods 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000013210 evaluation model Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 8
- 238000003491 array Methods 0.000 claims description 7
- 229920006395 saturated elastomer Polymers 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 14
- 238000012545 processing Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000007177 brain activity Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229940028444 muse Drugs 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- GMVPRGQOIOIIMI-DWKJAMRDSA-N prostaglandin E1 Chemical compound CCCCC[C@H](O)\C=C\[C@H]1[C@H](O)CC(=O)[C@@H]1CCCCCCC(O)=O GMVPRGQOIOIIMI-DWKJAMRDSA-N 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/251—Means for maintaining electrode contact with the body
- A61B5/256—Wearable electrodes, e.g. having straps or bands
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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]
- A61B5/372—Analysis of electroencephalograms
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Psychology (AREA)
- Databases & Information Systems (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
Abstract
本发明公开了基于人工智能的用户冥想状态处理方法及系统,包括:首先响应于目标用户正确穿戴脑电波检测设备指令,对其进行运行状态测试;若测试结果正常,则接收该设备采集的目标用户的脑电波形图。接着,对这些脑电波形图进行分析,得到对应的冥想状态分析结果。通过获取目标用户在不同场景中确定的多个冥想状态分析结果,并提取出冥想状态特征,最后基于这些冥想状态特征来确定目标用户的健康优化策略。该如此设计,利用人工智能技术实现了对用户冥想状态的精准控制与管理,有助于提高冥想效果和推进个性化健康管理。
Description
技术领域
本发明涉及人工智能领域,具体而言,涉及基于人工智能的用户冥想状态处理方法及系统。
背景技术
在现代社会,随着工作生活压力的增大,越来越多的人开始注重精神健康,并转向如冥想等心理调节手段。
然而,传统的冥想方法通常需要在专业人士的引导下进行,这不仅限制了冥想的场景和时间,同时也使得冥想效果难以量化和个性化。
与此同时,脑电波检测设备的发展为冥想状态的监测提供了可能性。
然而,如何从复杂的脑电波数据中准确地分析出用户的冥想状态,进而指导用户进行有效的冥想,仍然是一个挑战。
此外,如何根据用户在不同场景中的冥想状态数据,制定出最佳的个性化健康优化策略,也是目前技术面临的问题。
发明内容
本发明的目的在于提供一种基于人工智能的用户冥想状态处理方法及系统。
第一方面,本发明实施例提供一种基于人工智能的用户冥想状态处理方法,包括:
响应于目标用户正确穿戴脑电波检测设备指令,对脑电波检测设备进行运行状态测试;
在运行状态测试结果为正常的情况下,响应于脑电波采集指令,接收脑电波检测设备采集的目标用户的脑电波形图;
对脑电波形图进行分析,得到脑电波形图对应的冥想状态分析结果;
获取目标用户在不同场景中确定的多个冥想状态分析结果;
获取多个冥想状态分析结果的冥想状态特征,并基于冥想状态特征确定目标用户的目标健康优化策略。
第二方面,本发明实施例提供一种服务器系统,包括服务器,服务器用于执行第一方面的方法。
相比现有技术,本发明提供的有益效果包括:通过响应于目标用户正确穿戴脑电波检测设备指令,对其进行运行状态测试;若测试结果正常,则接收该设备采集的目标用户的脑电波形图。
接着,对这些脑电波形图进行分析,得到对应的冥想状态分析结果。
通过获取目标用户在不同场景中确定的多个冥想状态分析结果,并提取出冥想状态特征,最后基于这些冥想状态特征来确定目标用户的健康优化策略。
该如此设计,利用人工智能技术实现了对用户冥想状态的精准控制与管理,有助于提高冥想效果和推进个性化健康管理。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。
应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定。
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相关的附图。
图1为本发明实施例提供的基于人工智能的用户冥想状态处理方法的步骤流程示意图;
图2为本发明实施例提供的计算机设备结构示意框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
下面结合附图,对本发明的具体实施方式进行详细说明。
为了解决前述背景技术中的技术问题,图1为本公开实施例提供的基于人工智能的用户冥想状态处理方法的步骤流程示意图,下面对该基于人工智能的用户冥想状态处理方法进行详细介绍。
步骤S201,响应于目标用户正确穿戴脑电波检测设备指令,对脑电波检测设备进行运行状态测试;
步骤S202,在运行状态测试结果为正常的情况下,响应于脑电波采集指令,接收脑电波检测设备采集的目标用户的脑电波形图;
步骤S203,对脑电波形图进行分析,得到脑电波形图对应的冥想状态分析结果;
步骤S204,获取目标用户在不同场景中确定的多个冥想状态分析结果;
步骤S205,获取多个冥想状态分析结果的冥想状态特征,并基于冥想状态特征确定目标用户的目标健康优化策略。
在本发明实施例中,示例性的,当用户首次戴上脑电波检测设备(例如Muse头带)并开启应用程序时,应用程序会发送指令来确认设备是否已正确安装并运行状态测试。
如果设备没有正确佩戴或者设备电量不足,应用程序会给出相应提示。
当设备测试显示一切正常后,开始响应于脑电波采集指令,收集用户在冥想过程中产生的脑电波数据。
这些数据会被转化成图形表示,以便分析。
通过对收集到的脑电波形图进行分析,得出用户在冥想过程中的状态。
例如,它可能会监测到用户的大脑活动减少,这是一种冥想状态的典型指标。
随着时间的推移,将获取用户在不同环境下(如安静的房间、公园等)和不同时间(早上、晚上等)的冥想状态分析结果。
根据所有收集到的数据,识别出用户的冥想状态特征,比如用户在什么样的环境下,什么时间冥想效果最好。
然后,会提供个性化的健康优化策略,例如建议用户在特定的时间和地点进行冥想,或者改变冥想的方式以优化其健康状况。
在本发明实施例中,前述步骤S203可以通过下面的步骤执行实施。
(1)获取脑电波形图对应的脑电波向量,脑电波形图中包括脑电波信息;
在本发明实施例中,用户完成了一次冥想,并且他的脑电波数据被设备以形图的方式记录下来。
从这个脑电波形图中提取出相应的脑电波向量,这些向量代表了用户在冥想过程中大脑活动的数学表达。
(2)对脑电波向量执行向量扩展操作,得到脑电波向量对应的数据增强向量;
为了使模型能够更好地理解和分析脑电波数据,可以执行向量扩展操作。
这个过程可以通过添加噪声、平移、旋转等方法来生成新的向量,这些新的向量称为数据增强向量。
(3)根据脑电波向量获取脑电波形图对应的脑电波可靠值,脑电波可靠值用于表征脑电波形图的脑电波稳定程度;
进一步分析原始脑电波向量,计算出一个脑电波可靠值。这个值反映了用户的脑电波数据的稳定程度。
比如,如果他在冥想过程中保持了很好的专注力,那么他的脑电波可能会相对稳定,因此他的脑电波可靠值会较高。
(4)将脑电波可靠值和数据增强向量输入训练完成的生成网络结构进行脑电波信息分析,获得脑电波信息对应的冥想状态分析结果,生成网络结构中包括脑电波分析模型,生成网络结构基于脑电波分析模型和脑电波可靠值对数据增强向量进行脑电波信息分析,脑电波可靠值用于确定训练完成的脑电波分析模型对数据增强向量进行脑电波信息分析过程中的模型影响程度系数,冥想状态分析结果用于表示脑电波形图中确定的脑电波信息。
将脑电波可靠值和数据增强向量作为输入,将它们传递给预先训练好的生成网络结构(例如一个深度学习神经网络)。
这个网络中包含了脑电波分析模型,这是通过大量训练数据得到的,用来识别和理解脑电波形图特征的模型;当网络接收到脑电波可靠值和数据增强向量后,它将基于脑电波分析模型对这些输入进行处理。
在这个过程中,脑电波可靠值起到一个非常重要的作用。
这个值会影响生成网络在处理数据增强向量时的权重分配。
比如说,如果用户的脑电波数据非常稳定,那么他的脑电波可靠值会很高。
在这种情况下,生成网络可能会更倾向于依赖脑电波分析模型的结果,因为它认为这些数据更可靠;通过这个过程,生成网络最终会得出一个冥想状态分析结果。
这个结果是对用户当前冥想状态的一种判断,比如他是否进入了深度冥想状态,或者他的大脑是否还处于忙碌状态等。
这个结果可以帮助用户理解自己的冥想效果,并作出相应的调整。
应当理解的是,“模型影响程度系数”是一个衡量生成网络在处理数据增强向量时,依赖于脑电波分析模型的程度的指标。
在前述场景中,这个系数是由脑电波可靠值决定的。
脑电波可靠值反映了脑电波数据的稳定性,如果用户的脑电波数据非常稳定,那么他的脑电波可靠值会很高。
在这种情况下,模型影响程度系数也会相应提高,意味着生成网络在处理数据增强向量时,会更多地依赖脑电波分析模型的结果。
反之,如果用户的脑电波数据不稳定,脑电波可靠值就会降低,模型影响程度系数也会随之降低。
这时,生成网络可能会更多地考虑其他因素(如数据增强向量中的噪声等),而不是完全依赖脑电波分析模型的结果。
总的来说,“模型影响程度系数”是一个动态的参数,它可以帮助生成网络根据输入数据的可靠性,自动调整对脑电波分析模型的依赖程度,以达到最优的分析结果。
在本发明实施例中,前述步骤S205可以通过以下步骤执行实施。
(1)获取多个冥想状态分析结果的冥想状态特征,多个冥想状态分析结果中的各冥想状态分析结果匹配至少一个健康状态,每个健康状态匹配至少一个健康优化方案,冥想状态特征包含过往冥想状态特征和标准冥想状态特征;
在本发明实施例中,首先收集了一系列用户的冥想状态分析结果,并提取出他们的特征,这些特征包括过往冥想状态特征(如以前的冥想实践产生的数据)和标准冥想状态特征(如基于大量用户数据设定的标准值)。
同时,每个冥想状态分析结果都被关联到至少一个健康状态,例如放松、专注等。每个健康状态又与至少一个健康优化方案相关联,例如特定的冥想练习或生活习惯建议。
(2)根据过往冥想状态特征,确定多个冥想状态分析结果中各个冥想状态对应的健康优化方案;
在本发明实施例中,根据用户的过往冥想状态特征,为他的每一个冥想状态分析结果匹配适当的健康优化方案。
例如,如果他在过去的冥想实践中通常能达到深度放松状态,那么相应的健康优化方案可能会推荐他更频繁地进行这样的冥想练习。
(3)根据各个冥想状态对应健康状态和健康优化方案,对过往冥想状态特征执行划分操作,得到匹配每一健康状态对应的各个健康优化方案的过往冥想状态特征数组;
在本发明实施例中,进一步对用户的过往冥想状态特征进行划分,以便按照每个健康状态及其对应的健康优化方案进行分类。
例如,所有相关于“放松”状态的冥想数据将被归类到一起,与此同时,每个“放松”状态下的冥想实践还会根据其对应的健康优化方案进行进一步划分。
(4)将过往冥想状态特征数组中的数据区别为零填充数组和饱和数组;
在本发明实施例中,在处理这些划分后的冥想状态特征时,将它们区分为两类:零填充数组和饱和数组。
零填充数组是指那些不完整或稀疏的数据集,其中的空缺值被填充为零;而饱和数组则包含了充足的、完整的数据。
(5)根据预置分布规则对零填充数组和饱和数组中的数据执行整合操作,得到匹配各个健康优化方案的预置训练数据集;
在本发明实施例中,接着按照预设的分布规则,将零填充数组和饱和数组中的数据进行整合,以创建一个全面且均衡的预置训练数据集。这个数据集可以更准确地反映用户的冥想历史,同时也考虑了不同的健康优化方案。
(6)获取每一健康状态的各个健康优化方案对应的主成分分析模型;
在本发明实施例中,对于每一个健康状态及其对应的健康优化方案,获取了一个主成分分析模型。
这些模型是通过大量训练数据得到的,它们可以从用户的冥想数据中提取出最重要的特征。
(7)将匹配各个健康优化方案的预置训练数据集输入初始模型中进行梯度下降处理;
在本发明实施例中,将预置训练数据集输入到一个初始模型(例如一个深度学习神经网络)中,并开始执行梯度下降处理。
这是一个迭代的过程,旨在找到能够最大限度减小预测误差的模型参数。
(8)在满足梯度下降终止条件的情况下,获取完成训练的初始模型作为主成分分析模型;
在本发明实施例中,当达到梯度下降的终止条件(例如损失函数的值低于某个阈值,或者达到预设的迭代次数),会停止训练,并认为当前的初始模型已经训练完成。
(9)获取各个主成分分析模型输出的分析向量作为匹配各个健康优化方案的主成分向量;
在本发明实施例中,完成训练后的主成分分析模型会产生一个分析向量。
例如,用户在“放松”状态下对应的模型可能会输出一个反映他冥想深度和稳定性等特征的向量。
(10)获取健康优化方案对应的匹配度评估模型;
在本发明实施例中,还会获取每个健康优化方案对应的匹配度评估模型。
这些模型的任务是根据用户的冥想状态特征来评估每个健康优化方案的适合程度。
(11)根据主成分向量对应的健康优化方案,将标准冥想状态特征和主成分向量输入到对应的匹配度评估模型中,得到匹配各个健康优化方案的匹配值向量;
在本发明实施例中,可以将标准冥想状态特征和主成分向量输入到每个匹配度评估模型中,从而得到一个匹配值向量。
例如,如果用户的冥想状态特征与某个健康优化方案非常匹配,那么这个方案在匹配值向量中的值就会比较高。
(12)基于多个冥想状态分析结果中的冥想状态在每一健康状态对应的各个健康优化方案下的匹配值向量,设置含有空值的匹配矩阵,匹配矩阵的第i行第j列为冥想状态i在健康优化方案j的匹配值向量,空值表示冥想状态与空值对应的健康优化方案不存在关联;
在本发明实施例中,还可以根据所有的匹配值向量创建一个匹配矩阵。
这个矩阵的每一行代表一个冥想状态,每一列代表一个健康优化方案。
如果某个冥想状态和某个健康优化方案没有关联(即用户在该冥想状态下从未尝试过该优化方案),那么对应的矩阵元素就会被设置为一个空值。
(13)将匹配矩阵输入到矩阵分解模型执行预测空值操作,得到预测关联向量,其中,预测关联向量中包括每一健康状态对应的各个健康优化方案对应的匹配值;
在本发明实施例中,还可以将匹配矩阵输入到一个矩阵分解模型中,以预测所有的空值。
这样,就可以得到一个完整的预测关联向量,其中包含了用户在每个冥想状态下,尝试每个健康优化方案的预期匹配度。
(14)根据冥想状态特征,确定每一健康状态的冥想状态数目以及每一健康状态对应的健康优化方案的冥想状态数目;
在本发明实施例中,还会根据用户的冥想状态特征来计算出每种健康状态下的冥想状态数量,以及每种健康优化方案下的冥想状态数量。
(15)根据各个健康优化方案的冥想状态数目与对应的健康状态的冥想状态数目相除确定的比例系数,确定各个健康优化方案的滤波器系数;
在本发明实施例中,还可以进一步根据上一步计算出的数量,为每个健康优化方案确定一个滤波器系数。
这个系数是通过将该方案的冥想状态数量除以其对应健康状态的冥想状态数量得到的。
(16)根据各个健康优化方案的滤波器系数以及对应的健康优化方案,设置滤波器;
在本发明实施例中,还会根据每个健康优化方案的滤波器系数和对应的健康优化方案,设置一个滤波器。这个滤波器可以帮助从预测关联向量中筛选出最相关的信息。
(17)根据滤波器对预测关联向量执行滤波操作,得到多个冥想状态分析结果中各冥想状态分析结果的融合向量,融合向量包括冥想状态匹配每一健康状态对应的各个健康优化方案的匹配值;
在本发明实施例中,还可以将使用滤波器对预测关联向量进行处理,以得到一个融合向量。
这个融合向量包含了用户在每种冥想状态下,尝试每个健康优化方案的预期匹配度。
(18)根据滤波器对主成分向量执行滤波操作,得到多个冥想状态分析结果中各冥想状态分析结果的主成分向量,主成分向量包括冥想状态匹配每一健康状态对应的各个健康优化方案的权重值;
在本发明实施例中,也可以使用滤波器对主成分向量进行处理,得到一个新的主成分向量。这个向量包含了用户在每种冥想状态下,尝试每个健康优化方案的预期效果的权重。
(19)根据各冥想状态分析结果的融合向量,确定各个健康优化方案的目标冥想状态;
在本发明实施例中,还会根据融合向量来确定每个健康优化方案的目标冥想状态。
这是用户应该努力达到的冥想状态,以便最大限度地提高他的健康状况。
(20)根据目标冥想状态的主成分向量,确定目标冥想状态的目标健康优化策略,目标健康优化策略中包括目标健康状态和对应的目标健康优化方案;
在本发明实施例中,还可以将根据目标冥想状态的主成分向量来确定用户的目标健康优化策略。
这个策略会包含一个目标健康状态(例如,更深度的放松或更高级别的专注),以及一个相应的目标健康优化方案(例如,推荐的冥想练习或生活方式改变)。
(21)根据目标健康优化策略中的目标健康状态和对应的目标健康优化方案,向目标冥想状态分配健康优化方案标签。
在本发明实施例中,还可以为用户的目标冥想状态分配一个健康优化方案的标签。
这个标签表示了在目标健康状态下,应该采取的最佳健康优化方案。
例如,如果用户的目标是进一步提高冥想的深度,那么可能会推荐他尝试更多的深度冥想练习,并为这个状态分配一个“深度冥想”的标签。
下面对上述实施方式的整体实施方式进行举例说明,并以计算机设备作为执行主体。
假设用户使用一个智能头环进行冥想,这个头环能够收集他冥想时的脑电波数据。
计算机设备每天都会从头环获取数据,并对这些数据进行分析,得到一系列冥想状态分析结果。
例如,在过去的30天里,计算机设备就收集了30个冥想状态分析结果。
每个分析结果都包含了一些关于用户当天冥想状态的特征,例如他冥想的持续时间、他的脑电波频率等。
在处理这些冥想状态特征时,计算机设备发现用户在过去的一个月中,他在冥想状态下的脑电波频率通常在Theta波段(4-7Hz),这表明他经常能达到深度放松的状态。
因此,计算机设备将“深度冥想练习”作为对应的健康优化方案。
接下来,计算机设备将所有的冥想状态特征按照其对应的健康状态和健康优化方案进行分类。
例如,它会把所有属于“深度放松”且对应健康优化方案为“深度冥想练习”的冥想状态特征放在一起,把所有属于“高度专注”且对应健康优化方案为“快速冥想技巧”的冥想状态特征放在另一组。
在处理这些冥想状态特征时,计算机设备发现其中一部分数据是完整的(饱和数组),而另一部分数据是不完整的(零填充数组)。
例如,用户在“放松”状态下进行“深度冥想练习”的数据可能就比较齐全,因为他经常在这种状态下进行冥想;而在“专注”状态下进行“快速冥想技巧”的数据可能就有所缺失,因为他不常在这种状态下进行冥想。
然后,计算机设备会按照预设的规则对这些数据进行整合。例如,对于那些完整的数据(饱和数组),它可能直接使用原始值;而对于那些不完整的数据(零填充数组),它可能使用其他相关数据的平均值来填充缺失的部分。
这样,所有的冥想状态特征都被整合到了一个统一的格式中。
现在,计算机设备需要为每种健康状态及其对应的健康优化方案获取一个主成分分析模型。
例如,它可能有一个模型专门用于分析用户在“深度放松”状态下进行“深度冥想练习”时的数据,另一个模型则用于分析他在“高度专注”状态下进行“快速冥想技巧”时的数据。
这些模型都是事先通过大量的训练数据得到的。
接着,计算机设备将预置的训练数据集(例如包含了不同人在不同冥想状态下的脑电波数据)输入到初始模型中,并开始进行梯度下降处理。在这个过程中,模型会尝试找到最能减小预测误差的参数。
例如,模型可能会发现在用户的Theta波频率达到一定值时,他就处于“深度放松”的状态。
当达到预设的迭代次数,或者模型的预测误差已经小于一个阈值时,计算机设备就会停止训练,并认为这个模型已经训练完成。
例如,如果模型经过1000次迭代后,预测误差已经小于0.01,那么计算机设备就会停止训练,并将这个训练完成的模型作为主成分分析模型。
然后,会运行每个主成分分析模型,并从用户的冥想状态数据中获取分析向量。
例如,如果用户在“放松”状态下进行“深度冥想练习”,那么对应的模型可能会输出一个反映他冥想深度和稳定性等特征的向量。
此时,计算机设备还会获取每个健康优化方案对应的匹配度评估模型。
这些模型的任务是根据用户的冥想状态特征来评估每个健康优化方案的适合程度。
例如,对于“深度冥想练习”这个方案,其匹配度评估模型可能会考察用户的冥想深度、稳定性以及持续时间等因素。
接下来,计算机设备将标准冥想状态特征和主成分向量输入到每个匹配度评估模型中,从而得到一个匹配值向量。
例如,如果用户的冥想状态特征与“深度冥想练习”这个方案非常匹配,那么这个方案在匹配值向量中的值就会比较高。
接下来,计算机设备根据所有的匹配值向量创建一个匹配矩阵。
这个矩阵的每一行代表一个冥想状态,每一列代表一个健康优化方案。
例如,在某些日子里,用户可能没有尝试某个特定的健康优化方案,因此在匹配矩阵中,这些位置将会被填充为空值。
计算机设备接着将匹配矩阵输入到一个矩阵分解模型中,以预测所有的空值。
例如,这个模型可能预测用户在“专注”状态下进行“深度冥想练习”的匹配度。
然后,计算机设备会根据用户的冥想状态特征来计算出每种健康状态下的冥想状态数量,以及每种健康优化方案下的冥想状态数量。
例如,用户在“放松”状态下可能有20个冥想状态,而在这20个状态中,他进行了“深度冥想练习”的次数是15次。
接下来,计算机设备会计算每个健康优化方案的滤波器系数。
例如,如果在用户所有的“放松”状态中,他有75%的时间是在进行“深度冥想练习”,那么“深度冥想练习”这个健康优化方案的滤波器系数就是0.75。
然后,计算机设备根据每个健康优化方案的滤波器系数和对应的健康优化方案,设置一个滤波器。
这个滤波器可以帮助从预测关联向量中筛选出最相关的信息。
接下来,计算机设备将使用滤波器对预测关联向量进行处理,以得到一个融合向量。
例如,这个融合向量可能会显示用户在“放松”状态下进行“深度冥想练习”的匹配度最高。
在这个步骤中,计算机设备也会使用滤波器对主成分向量进行处理,得到一个新的主成分向量。
例如,这个新的主成分向量可能更加准确地反映了用户在“放松”状态下进行“深度冥想练习”时的脑电波特征。
然后,计算机设备会根据融合向量来确定每个健康优化方案的目标冥想状态。
例如,如果用户在“放松”状态下进行“深度冥想练习”的匹配度最高,那么“深度冥想练习”的目标冥想状态就可能是“放松”。
计算机设备将根据目标冥想状态的主成分向量来确定用户的目标健康优化策略。
例如,如果在“放松”状态下进行“深度冥想练习”可以最大程度地提高他的冥想效果,那么计算机设备就可能会推荐他更多地进行“深度冥想练习”。
最后,计算机设备会为用户的目标冥想状态分配一个健康优化方案的标签。
例如,如果计算机设备推荐他更多地进行“深度冥想练习”,那么这个状态就可能被标记为“深度冥想”。
通过以上步骤,计算机设备能够从用户的脑电波数据中提取出有用的信息,并基于这些信息为他推荐最适合他当前冥想状态的健康优化方案。
在本发明实施例中,还提供以下实施方式。
(1)在脑电波可靠值超过预设强度阈值的情况下,设置生成网络结构中脑电波分析模型的模型影响力为低影响程度系数;
假设用户正在进行冥想,正在实时收集和分析他的脑电波数据。
在某个时间点,发现用户的脑电波信号强度非常高,比如达到了预设的强度阈值100(这个阈值可能是基于大量用户数据得出的平均值)。
这意味着此时用户的冥想状态很稳定,他的脑电波数据非常可靠。
因此,会降低脑电波分析模型的模型影响力,将其设置为一个低影响程度系数,例如0.2。
这是因为在这种情况下,更愿意相信原始的脑电波数据,而不是模型的预测结果。
(2)在脑电波可靠值未超过预设强度阈值的情况下,设置生成网络结构中脑电波分析模型的模型影响力为高影响程度系数,低影响程度系数小于高影响程度系数。
然而,在另一个时间点,可能发现用户的脑电波信号强度较低,例如只有50,这个值低于预设的强度阈值100。
这可能是因为用户的冥想状态不稳定,或者他正处在冥想的初始阶段,还没有进入到深度冥想状态。
在这种情况下,原始的脑电波数据可能不够可靠,因此会提高脑电波分析模型的模型影响力,将其设置为一个高影响程度系数,例如0.8。这是因为在这种情况下,更愿意相信模型的预测结果,以帮助优化用户的冥想方案。
以上两步是一个动态调整过程,会根据实时的脑电波数据的可靠性,来动态调整脑电波分析模型在生成网络结构中的影响力。
这样可以确保在脑电波数据可靠时优先考虑原始数据,而在数据不可靠时更多地依赖模型的预测,从而达到最优的冥想效果。
在本发明实施例中,脑电波信息中包括多个电位变化参量,冥想状态分析结果中包括多个电位变化参量分别对应的冥想状态分析结果;前述将脑电波可靠值和数据增强向量输入训练完成的生成网络结构进行脑电波信息分析,获得脑电波信息对应的冥想状态分析结果的步骤,可以通过以下实施方式执行实施。
将数据增强向量、位于参考位置的电位变化参量对应的冥想状态分析结果以及脑电波可靠值输入生成网络结构,获得位于目标位置的电位变化参量对应的冥想状态分析结果。
假设用户正在进行冥想,他佩戴的智能头环正在实时收集他的脑电波信息。
这些脑电波信息包括多个电位变化参量,例如每秒钟的脑电波峰值数量、Theta波和Alpha波的相对强度等。
会根据这些电位变化参量来分析用户的冥想状态,得到每个电位变化参量对应的冥想状态分析结果。
例如,当Theta波的强度超过Alpha波时,可能会判断用户正处于深度放松的冥想状态。
接着,会将数据增强向量(例如由脑电波信息、个人历史冥想数据等组成的向量)、某个参考位置(例如时间点t-1)的电位变化参量对应的冥想状态分析结果(例如用户在时间点t-1的冥想状态为“放松”),以及当前脑电波的可靠值一同输入到生成网络结构中。
生成网络结构会处理这些输入,然后预测出位于目标位置(例如时间点t)的电位变化参量对应的冥想状态分析结果。
例如,可能会预测出在时间点t,用户的冥想状态将转变为“专注”。
这样的技术方案可以使更准确地理解和预测用户的冥想状态,从而提供更合适的健康优化方案。
在本发明实施例中,脑电波信息中包括多个电位变化参量,冥想状态分析结果中包括多个电位变化参量分别对应的冥想状态分析结果;前述将脑电波可靠值和数据增强向量输入训练完成的生成网络结构进行脑电波信息分析,获得脑电波信息对应的冥想状态分析结果的步骤,可以通过以下实施方式执行实施。
将数据增强向量、位于参考位置之前的电位变化参量对应的冥想状态分析结果以及脑电波可靠值输入生成网络结构,获得位于目标位置的电位变化参量对应的冥想状态分析结果。
假设用户正在进行冥想,他佩戴的智能头环正在实时收集他的脑电波信息。
这些脑电波信息包括多个电位变化参量,例如每秒钟的脑电波峰值数量、Theta波和Alpha波的相对强度等。
会根据这些电位变化参量来分析用户的冥想状态,得到每个电位变化参量对应的冥想状态分析结果。
例如,当Theta波的强度超过Alpha波时,可能会判断用户正处于深度放松的冥想状态。
接着,会将数据增强向量(例如由脑电波信息、个人历史冥想数据等组成的向量)、某个参考位置(例如时间点t-1)的电位变化参量对应的冥想状态分析结果(例如用户在时间点t-1的冥想状态为“放松”),以及当前脑电波的可靠值一同输入到生成网络结构中。
生成网络结构会处理这些输入,然后预测出位于目标位置(例如时间点t)的电位变化参量对应的冥想状态分析结果。
例如,可能会预测出在时间点t,用户的冥想状态将转变为“专注”。
在本发明实施例中,生成网络结构中包括向量整合单元和第一决策层;前述将数据增强向量、位于参考位置的电位变化参量对应的冥想状态分析结果以及脑电波可靠值输入生成网络结构,获得位于目标位置的电位变化参量对应的冥想状态分析结果的步骤,可以通过以下详细的步骤执行实施。
(1)将位于参考位置的电位变化参量对应的冥想状态分析结果输入脑电波分析模型,获得位于参考位置的电位变化参量对应的电位变化向量;
(2)通过向量整合单元根据脑电波可靠值将位于参考位置的电位变化参量对应的电位变化向量以及数据增强向量进行整合,得到位于参考位置的合并特征向量;
(3)将位于参考位置的合并特征向量输入第一决策层,获得位于目标位置的电位变化参量对应的冥想状态分析结果。
在本发明实施例中,假设有一个生成网络结构,这个结构主要由两部分组成:向量整合单元和第一决策层。
向量整合单元负责将不同来源的输入向量进行整合;第一决策层则基于整合后的向量来进行决策。
首先,会将参考位置(例如时间点t-1)的电位变化参量对应的冥想状态分析结果输入到脑电波分析模型中。
这个模型会对输入的数据进行处理,并输出一个电位变化向量。
例如,这个向量可能反映了用户在时间点t-1时Theta波和Alpha波的相对强度。
然后,会将电位变化向量和数据增强向量(例如由脑电波信息、个人历史冥想数据等组成的向量)输入到向量整合单元。
这个单元会根据脑电波可靠值将这两个向量进行整合,从而得到一个合并特征向量。
最后,会将合并特征向量输入到第一决策层。这个决策层会处理输入的向量,并输出一个冥想状态分析结果。
例如,它可能会预测出在时间点t,用户的冥想状态将转变为“专注”。
在本发明实施例中,多个电位变化参量中包括位于初始位置的初始电位变化参量;本发明实施例还提供了以下实施方式。
(1)获取初始电位变化参量对应的初始标准化特征;
(2)将数据增强向量、初始标准化特征和脑电波可靠值输入生成网络结构,获得初始电位变化参量对应的冥想状态分析结果。
假设用户正在进行冥想,他佩戴的智能头环正在实时收集他的脑电波信息。
这些脑电波信息包括多个电位变化参量,其中就包括位于初始位置(例如冥想开始时刻)的初始电位变化参量。
这个参量可能反映了用户在冥想开始时的脑电波状态,例如Theta波和Alpha波的相对强度。
然后,会获取这个初始电位变化参量对应的初始标准化特征。
具体来说,它可能会对初始电位变化参量进行一系列预处理操作,例如去噪、滤波、标准化等,从而得到一个可以直接用于模型输入的标准化特征。
接着,会将数据增强向量(例如由脑电波信息、个人历史冥想数据等组成的向量)、初始标准化特征以及当前的脑电波可靠值一同输入到生成网络结构中。
生成网络结构会处理这些输入,并输出一个冥想状态分析结果。
例如,它可能会判断出在冥想开始时刻,用户的冥想状态为“放松”。
在本发明实施例中,前述获取脑电波形图对应的脑电波向量的步骤可以通过以下方式执行实施。
将脑电波形图输入编码单元进行编码,获得脑电波形图对应的脑电波向量;
假设一名研究人员正在进行一个关于冥想的研究项目。为了收集数据,他让志愿者玛丽在进行冥想时佩戴了一个能够收集脑电波信息的头环。这个头环可以将实时收集到的脑电波信号转化为可视化的脑电波形图。
在收集了大量脑电波形图后,研究人员需要将这些形图转化为更容易进行机器学习处理的形式——脑电波向量。
为此,他使用了一个编码单元,这可以是一个卷积神经网络(ConvolutionalNeural Network,CNN)或者其他适用于处理图像数据的模型。
研究人员将每一张脑电波形图输入到编码单元中,编码单元会提取出形图中的关键特征,并将这些特征压缩成一个多维的脑电波向量。
例如,这个向量可能包含了脑电波形图中Theta波和Alpha波的相对强度、每秒脑电波峰值的数量等特征。
通过这种方式,研究人员成功地将大量复杂的脑电波形图转化为了一系列可以直接用于机器学习处理的脑电波向量。
这些向量将会被用于后续的冥想状态分析和预测。
在本发明实施例中,前述对脑电波向量执行向量扩展操作,得到脑电波向量对应的数据增强向量的步骤可以通过以下方式执行实施。
将脑电波向量输入图神经网络单元进行向量扩展,获得数据增强向量;
在前述实施场景下,研究人员已经成功地将大量复杂的脑电波形图转化为了一系列可以直接用于机器学习处理的脑电波向量。
然而,他发现这些向量虽然包含了脑电波形图中的关键特征,但还不够丰富,无法捕捉到所有可能影响冥想状态的信息。
为此,研究人员决定使用一个图神经网络(Graph Neural Network,GNN)来对脑电波向量进行扩展。
图神经网络是一种能够处理结构化数据的深度学习模型,非常适合处理脑电波这样的时间序列数据。
研究人员将每一个脑电波向量输入到图神经网络单元中,这个单元会对向量进行一系列复杂的计算和转换,生成一个新的、更高维度的向量,即数据增强向量。
这个向量不仅包含了原始的脑电波特征,还可能包含了这些特征之间的交互和组合,从而提供了更多的信息。
例如,原始的脑电波向量可能只包含了Theta波和Alpha波的相对强度,而数据增强向量可能还包含了Theta波和Alpha波强度的比值、它们随时间的变化趋势等信息。
这些额外的信息可以帮助研究人员更准确地分析和预测志愿者的冥想状态。
在本发明实施例中,前述根据脑电波向量获取脑电波形图对应的脑电波可靠值的步骤,可以通过以下方式执行实施。
将脑电波向量输入第二决策层,获得脑电波形图对应的脑电波可靠值;
第二决策层中包括多个待定冥想分类结果;
在前述实施场景下,研究人员已经得到了数据增强向量。
然而,他知道并非所有的脑电波形图都是可信的——有些可能由于设备故障、信号干扰等原因导致数据质量较差。
为此,他需要一个方式来评估每一张脑电波形图的可靠性。
研究人员决定使用一个决策层来完成这个任务。
他将每一个脑电波向量输入到第二决策层(例如一个全连接层或者Softmax层),这个决策层会输出一个脑电波可靠值,用于表示这个脑电波形图的可信度。
在本发明实施例中,这个第二决策层不仅可以输出脑电波可靠值,还可以同时进行冥想状态的分类。
例如,它可能包含多个神经元,每一个神经元对应一个待定的冥想分类结果,如“放松”、“专注”、“疲劳”等。当脑电波向量被输入到第二决策层时,每个神经元会输出一个值,表示这个脑电波形图对应的冥想状态为该神经元所代表的分类的概率。
研究人员可以根据这些输出的概率值来判断志愿者当前最可能处于哪种冥想状态。
同时,他也可以计算出这些概率值的均值或者方差,作为脑电波可靠值,用于评估脑电波形图的可信度。
在本发明实施例中,前述将脑电波向量输入第二决策层,获得脑电波形图对应的脑电波可靠值的步骤,可以通过以下实施方式执行实施。
将脑电波向量输入第二决策层,获得脑电波形图在多个待定冥想分类结果上匹配的类别置信度;
将脑电波形图在多个待定冥想分类结果上匹配的类别置信度的置信度均值,作为脑电波形图对应的脑电波可靠值。
接着前面的场景,研究人员已经将数据增强向量输入到了第二决策层。假设这个决策层是一个Softmax层,包含了几个神经元,每个神经元对应一个可能的冥想状态,如“放松”、“专注”等。
当一个脑电波向量被输入到第二决策层时,每个神经元都会输出一个值,这个值可以被解释为当前脑电波形图对应的冥想状态为该神经元所代表的状态的置信度。
例如,如果“放松”神经元的输出值为0.7,那么就表示系统认为这个脑电波形图有70%的概率表示志愿者处于“放松”状态。
然后,研究人员会计算出所有神经元输出的置信度值的均值,并将这个均值作为脑电波形图对应的脑电波可靠值。
这个脑电波可靠值在本发明实施例中反映了系统对于其预测结果的“自信程度”。
如果所有的神经元输出的置信度都很接近,例如都在0.4-0.6之间,那么均值就会比较低,表示系统对于自己的预测结果并不太自信;反之,如果有一个神经元的输出值远高于其他神经元,例如有一个神经元的输出值为0.9,其他神经元的输出值都在0.1以下,那么均值就会比较高,表示系统对于自己的预测结果非常自信。
通过以上步骤,研究人员可以得到每一张脑电波形图的冥想状态预测以及对应的可靠值,从而进行更准确的冥想分析和建议。
在本发明实施例中,前述将脑电波向量输入第二决策层,获得脑电波形图对应的脑电波可靠值的步骤之前,还可以包括以下具体的实施方式。
获取预置训练脑电波形图对应的脑电波向量,预置训练脑电波形图中包括预置训练脑电波信息,预置训练脑电波形图预先标记有脑电波可靠标识;
将脑电波向量输入第二预置训练决策层,获得预置训练脑电波形图对应的脑电波可靠值;
根据脑电波可靠值和脑电波可靠标识之间的损失对第二预置训练决策层进行训练,得到第二决策层;
预置训练脑电波形图中的预置训练脑电波信息还预先标记有冥想状态标识。
在建立模型之前,研究人员需要收集一些预置训练数据来训练和优化他们的决策层。
他们可能从已有的脑电波数据库中获取一些已经被专业医生或研究人员标记过的脑电波形图,每一张形图都包含了相应的脑电波信息,并且已经被标记了一个脑电波可靠标识,表示这个脑电波信号的质量;研究人员将这些预置训练脑电波形图通过前面提到的编码单元进行编码,转化为脑电波向量,然后将这些向量输入到一个预置训练的决策层。
这个决策层会输出每个脑电波向量对应的脑电波可靠值;接着,研究人员会比较每个脑电波向量的脑电波可靠值和其对应的脑电波可靠标识,计算出它们之间的损失。
然后,根据这个损失来优化第二预置训练决策层的参数,从而得到最终的第二决策层。
在本发明实施例中,预置训练脑电波形图中不仅包含了脑电波可靠标识,还可能包含了冥想状态标识。
也就是说,这些形图已经被标记了它们对应的冥想状态,如“放松”、“专注”等。这些信息可以在后续的步骤中被用来训练和优化生成网络结构。
通过以上步骤,研究人员不仅能够建立一个能够预测冥想状态的模型,还能评估每一张脑电波形图的可靠性,从而提高整个系统的准确性和稳定性。
在本发明实施例中,前述将脑电波可靠值和数据增强向量输入生成网络结构进行脑电波信息分析,获得脑电波信息对应的冥想状态分析结果的步骤之前,还可以包括以下实施例。
对脑电波向量执行向量扩展操作,得到脑电波向量对应的数据增强向量;
将数据增强向量和脑电波可靠值输入预置训练生成网络结构,获得预置训练脑电波信息对应的冥想状态预测结果;
根据冥想状态预测结果和冥想状态标识之前的损失,对预置训练生成网络结构进行训练,得到生成网络结构。
在前述实施场景下,研究人员已经有了一个训练好的第二决策层和一系列的脑电波向量。接下来,他需要使用图神经网络进行向量扩展操作以获取数据增强向量。他将每个脑电波向量输入到图神经网络中,得到对应的数据增强向量。
这个数据增强向量不仅包含了原始的脑电波信息,还可能包含了更复杂的特征和关系。然后,研究人员会将数据增强向量和脑电波可靠值一同输入到一个预置训练的生成网络结构中。
这个生成网络结构可以是一个深度学习模型,例如卷积神经网络(CNN)或者循环神经网络(RNN)。
生成网络结构会根据输入的数据增强向量和脑电波可靠值,输出对应的冥想状态预测结果。
最后,研究人员会比较每个预测结果和其对应的冥想状态标识(这是预先从训练数据中获取的),计算出它们之间的损失。
然后,他会使用优化算法(如梯度下降)来根据这个损失更新生成网络结构的参数。
这个过程可能会迭代多次,直到生成网络结构的性能达到满意的程度。
通过以上步骤,研究人员不仅可以利用脑电波向量和脑电波可靠值来预测冥想状态,还可以评估预测结果的可信度,从而提高整个系统的准确性和稳定性。
通过本发明实施例提供的方案,可以有效地分析和预测用户的冥想状态,并评估预测结果的可靠性,从而为用户提供精准的反馈和建议。这对于心理健康、压力管理、睡眠质量改善等领域具有广泛的应用前景。
本发明实施例提供一种计算机设备100,计算机设备100包括处理器及存储有计算机指令的非易失性存储器,计算机指令被处理器执行时,计算机设备100执行前述的基于人工智能的用户冥想状态处理方法。
如图2所示,图2为本发明实施例提供的计算机设备100的结构框图。
计算机设备100包括存储器111、处理器112及通信单元113。
为实现数据的传输或交互,存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。例如,可通过一条或多条通讯总线或信号线实现这些元件相互之间电性连接。
出于说明目的,前面的描述是参考具体实施例而进行的。
但是,上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。
根据上述教导,众多修改和变化都是可行的。
选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用,从而使本领域技术人员最佳地利用本公开,并利用具有不同修改的各种实施例以适于预期的特定应用。
出于说明目的,前面的描述是参考具体实施例而进行的。
但是,上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。
根据上述教导,众多修改和变化都是可行的。
选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用,从而使本领域技术人员最佳地利用本公开,并利用具有不同修改的各种实施例以适于预期的特定应用。
Claims (9)
1.基于人工智能的用户冥想状态处理方法,其特征在于,包括:
响应于目标用户正确穿戴脑电波检测设备指令,对所述脑电波检测设备进行运行状态测试;
在所述运行状态测试结果为正常的情况下,响应于脑电波采集指令,接收所述脑电波检测设备采集的所述目标用户的脑电波形图;
对所述脑电波形图进行分析,得到所述脑电波形图对应的冥想状态分析结果;
获取所述目标用户在不同场景中确定的多个冥想状态分析结果;
获取所述多个冥想状态分析结果的冥想状态特征,并基于所述冥想状态特征确定所述目标用户的目标健康优化策略;
所述获取所述多个冥想状态分析结果的冥想状态特征,并基于所述冥想状态特征确定所述目标用户的目标健康优化策略,包括:
获取多个冥想状态分析结果的冥想状态特征,所述多个冥想状态分析结果中的各冥想状态分析结果匹配至少一个健康状态,每个健康状态匹配至少一个健康优化方案,所述冥想状态特征包含过往冥想状态特征和标准冥想状态特征;
根据所述过往冥想状态特征,确定所述多个冥想状态分析结果中各个冥想状态对应的健康优化方案;
根据所述各个冥想状态对应健康状态和健康优化方案,对所述过往冥想状态特征执行划分操作,得到匹配每一健康状态对应的各个健康优化方案的过往冥想状态特征数组;
将所述过往冥想状态特征数组中的数据区别为零填充数组和饱和数组;
根据预置分布规则对所述零填充数组和饱和数组中的数据执行整合操作,得到匹配各个健康优化方案的预置训练数据集;
获取所述每一健康状态的各个健康优化方案对应的主成分分析模型;
将匹配各个健康优化方案的预置训练数据集输入初始模型中进行梯度下降处理;
在满足梯度下降终止条件的情况下,获取完成训练的初始模型作为主成分分析模型;
获取各个主成分分析模型输出的分析向量作为匹配各个健康优化方案的主成分向量;
获取所述健康优化方案对应的匹配度评估模型;
根据所述主成分向量对应的健康优化方案,将所述标准冥想状态特征和所述主成分向量输入到对应的匹配度评估模型中,得到匹配各个健康优化方案的匹配值向量;
基于所述多个冥想状态分析结果中的冥想状态在每一健康状态对应的各个健康优化方案下的匹配值向量,设置含有空值的匹配矩阵,所述匹配矩阵的第i行第j列为冥想状态i在健康优化方案j的匹配值向量,所述空值表示冥想状态与所述空值对应的健康优化方案不存在关联;
将所述匹配矩阵输入到矩阵分解模型执行预测空值操作,得到预测关联向量,其中,所述预测关联向量中包括每一健康状态对应的各个健康优化方案对应的匹配值;
根据所述冥想状态特征,确定每一健康状态的冥想状态数目以及每一健康状态对应的健康优化方案的冥想状态数目;
根据各个健康优化方案的冥想状态数目与对应的健康状态的冥想状态数目相除确定的比例系数,确定各个健康优化方案的滤波器系数;
根据所述各个健康优化方案的滤波器系数以及对应的健康优化方案,设置滤波器;
根据所述滤波器对所述预测关联向量执行滤波操作,得到所述多个冥想状态分析结果中各冥想状态分析结果的融合向量,所述融合向量包括冥想状态匹配每一健康状态对应的各个健康优化方案的匹配值;
根据所述滤波器对所述主成分向量执行滤波操作,得到所述多个冥想状态分析结果中各冥想状态分析结果的主成分向量,所述主成分向量包括冥想状态匹配每一健康状态对应的各个健康优化方案的权重值;
根据各冥想状态分析结果的融合向量,确定各个健康优化方案的目标冥想状态;
根据所述目标冥想状态的主成分向量,确定所述目标冥想状态的目标健康优化策略,所述目标健康优化策略中包括目标健康状态和对应的目标健康优化方案;
根据所述目标健康优化策略中的目标健康状态和对应的目标健康优化方案,向所述目标冥想状态分配健康优化方案标签。
2.根据权利要求1所述的方法,其特征在于,所述对所述脑电波形图进行分析,得到所述脑电波形图对应的冥想状态分析结果,包括:
获取脑电波形图对应的脑电波向量,所述脑电波形图中包括脑电波信息;
对所述脑电波向量执行向量扩展操作,得到所述脑电波向量对应的数据增强向量;
根据所述脑电波向量获取所述脑电波形图对应的脑电波可靠值,所述脑电波可靠值用于表征所述脑电波形图的脑电波稳定程度;
将所述脑电波可靠值和所述数据增强向量输入训练完成的生成网络结构进行脑电波信息分析,获得所述脑电波信息对应的冥想状态分析结果,所述生成网络结构中包括所述脑电波分析模型,所述生成网络结构基于所述脑电波分析模型和所述脑电波可靠值对所述数据增强向量进行脑电波信息分析,所述脑电波可靠值用于确定训练完成的脑电波分析模型对所述数据增强向量进行所述脑电波信息分析过程中的模型影响程度系数,所述冥想状态分析结果用于表示所述脑电波形图中确定的脑电波信息。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在所述脑电波可靠值超过预设强度阈值的情况下,设置所述生成网络结构中所述脑电波分析模型的模型影响力为低影响程度系数;
在所述脑电波可靠值未超过所述预设强度阈值的情况下,设置所述生成网络结构中所述脑电波分析模型的模型影响力为高影响程度系数,所述低影响程度系数小于所述高影响程度系数。
4.根据权利要求2所述的方法,其特征在于,所述脑电波信息中包括多个电位变化参量,所述冥想状态分析结果中包括所述多个电位变化参量分别对应的冥想状态分析结果;
所述将所述脑电波可靠值和所述数据增强向量输入训练完成的生成网络结构进行所述脑电波信息分析,获得所述脑电波信息对应的冥想状态分析结果,包括:
将所述数据增强向量、位于参考位置的电位变化参量对应的冥想状态分析结果以及所述脑电波可靠值输入所述生成网络结构,获得位于目标位置的电位变化参量对应的冥想状态分析结果。
5.根据权利要求2所述的方法,其特征在于,所述脑电波信息中包括多个电位变化参量,所述冥想状态分析结果中包括所述多个电位变化参量分别对应的冥想状态分析结果;
所述将所述脑电波可靠值和所述数据增强向量输入训练完成的生成网络结构进行所述脑电波信息分析,获得所述脑电波信息对应的冥想状态分析结果,包括:
将所述数据增强向量、位于参考位置之前的电位变化参量对应的冥想状态分析结果以及所述脑电波可靠值输入所述生成网络结构,获得位于目标位置的电位变化参量对应的冥想状态分析结果。
6.根据权利要求4所述的方法,其特征在于,所述生成网络结构中包括向量整合单元和第一决策层;
所述将所述数据增强向量、位于参考位置的电位变化参量对应的冥想状态分析结果以及所述脑电波可靠值输入所述生成网络结构,获得位于目标位置的电位变化参量对应的冥想状态分析结果,包括:
将所述位于参考位置的电位变化参量对应的冥想状态分析结果输入所述脑电波分析模型,获得所述位于参考位置的电位变化参量对应的电位变化向量;
通过所述向量整合单元根据所述脑电波可靠值将所述位于参考位置的电位变化参量对应的电位变化向量以及所述数据增强向量进行整合,得到位于参考位置的合并特征向量;
将所述位于参考位置的合并特征向量输入所述第一决策层,获得位于目标位置的电位变化参量对应的冥想状态分析结果。
7.根据权利要求4所述的方法,其特征在于,所述多个电位变化参量中包括位于初始位置的初始电位变化参量;
所述方法还包括:
获取所述初始电位变化参量对应的初始标准化特征;
将所述数据增强向量、所述初始标准化特征和所述脑电波可靠值输入所述生成网络结构,获得初始电位变化参量对应的冥想状态分析结果。
8.根据权利要求2所述的方法,其特征在于,所述获取脑电波形图对应的脑电波向量,包括:
将所述脑电波形图输入编码单元进行编码,获得所述脑电波形图对应的所述脑电波向量;
所述对所述脑电波向量执行向量扩展操作,得到所述脑电波向量对应的数据增强向量,包括:
将所述脑电波向量输入图神经网络单元进行所述向量扩展,获得所述数据增强向量;
所述根据所述脑电波向量获取所述脑电波形图对应的脑电波可靠值,包括:
将所述脑电波向量输入第二决策层,获得所述脑电波形图对应的脑电波可靠值;
所述第二决策层中包括多个待定冥想分类结果;
将所述脑电波向量输入所述第二决策层,获得所述脑电波形图对应的脑电波可靠值,包括:
将所述脑电波向量输入所述第二决策层,获得所述脑电波形图在所述多个待定冥想分类结果上匹配的类别置信度;
将所述脑电波形图在所述多个待定冥想分类结果上匹配的类别置信度的置信度均值,作为所述脑电波形图对应的脑电波可靠值;
所述将所述脑电波向量输入所述第二决策层,获得所述脑电波形图对应的脑电波可靠值之前,还包括:
获取预置训练脑电波形图对应的脑电波向量,所述预置训练脑电波形图中包括预置训练脑电波信息,所述预置训练脑电波形图预先标记有脑电波可靠标识;
将所述脑电波向量输入第二预置训练决策层,获得所述预置训练脑电波形图对应的脑电波可靠值;
根据所述脑电波可靠值和所述脑电波可靠标识之间的损失对所述第二预置训练决策层进行训练,得到所述第二决策层;
所述预置训练脑电波形图中的所述预置训练脑电波信息还预先标记有冥想状态标识;
所述将所述脑电波可靠值和所述数据增强向量输入所述生成网络结构进行所述脑电波信息分析,获得所述脑电波信息对应的冥想状态分析结果之前,还包括:
对所述脑电波向量执行向量扩展操作,得到所述脑电波向量对应的数据增强向量;
将所述数据增强向量和所述脑电波可靠值输入预置训练生成网络结构,获得所述预置训练脑电波信息对应的冥想状态预测结果;
根据所述冥想状态预测结果和所述冥想状态标识之前的损失,对所述预置训练生成网络结构进行训练,得到所述生成网络结构。
9.一种服务器系统,其特征在于,包括服务器,所述服务器用于执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311419639.9A CN117312836B (zh) | 2023-10-30 | 2023-10-30 | 基于人工智能的用户冥想状态处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311419639.9A CN117312836B (zh) | 2023-10-30 | 2023-10-30 | 基于人工智能的用户冥想状态处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117312836A CN117312836A (zh) | 2023-12-29 |
CN117312836B true CN117312836B (zh) | 2024-04-05 |
Family
ID=89249949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311419639.9A Active CN117312836B (zh) | 2023-10-30 | 2023-10-30 | 基于人工智能的用户冥想状态处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117312836B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809156A (zh) * | 2016-05-17 | 2016-07-27 | 中山衡思健康科技有限公司 | 基于脑电波的通过概念密度计算冥想分数的冥想检测系统 |
CN110236537A (zh) * | 2019-06-14 | 2019-09-17 | 广州医科大学附属肿瘤医院 | 基于脑电波检测的vr冥想控制方法、设备及系统 |
CN114869299A (zh) * | 2022-06-21 | 2022-08-09 | 济南瑞特安防设备有限公司 | 基于脑电波数据的心理健康测试装置及测试方法 |
-
2023
- 2023-10-30 CN CN202311419639.9A patent/CN117312836B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809156A (zh) * | 2016-05-17 | 2016-07-27 | 中山衡思健康科技有限公司 | 基于脑电波的通过概念密度计算冥想分数的冥想检测系统 |
CN110236537A (zh) * | 2019-06-14 | 2019-09-17 | 广州医科大学附属肿瘤医院 | 基于脑电波检测的vr冥想控制方法、设备及系统 |
CN114869299A (zh) * | 2022-06-21 | 2022-08-09 | 济南瑞特安防设备有限公司 | 基于脑电波数据的心理健康测试装置及测试方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117312836A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230039900A1 (en) | Method for realizing a multi-channel convolutional recurrent neural network eeg emotion recognition model using transfer learning | |
JP2021502650A (ja) | 時不変分類 | |
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 | |
CN112244873A (zh) | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 | |
CN109645990A (zh) | 一种癫痫患者脑电信号的计算机模式识别方法 | |
CN113012811B (zh) | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 | |
CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
CN116864121A (zh) | 健康风险筛查系统 | |
CN117198468A (zh) | 基于行为识别和数据分析的干预方案智慧化管理系统 | |
CN113974627B (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
CN117312836B (zh) | 基于人工智能的用户冥想状态处理方法及系统 | |
CN117747064A (zh) | 一种基于ai的抑郁症临床决策方法及系统 | |
CN117557941A (zh) | 基于多模态数据融合的视频智能分析系统及方法 | |
CN115813367A (zh) | 结构功能关联的多模态脑网络计算方法、装置、设备及介质 | |
CN115414054A (zh) | 基于前馈脉冲神经网络的癫痫脑电检测系统 | |
CN113143275B (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 | |
CN114098764A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN118035692B (zh) | 智能情绪调节辅助系统 | |
Li | Electroencephalography Signal Analysis and Classification Based on Deep Learning | |
CN117850601B (zh) | 用于手持式pda可自动检测生命体征的系统及方法 | |
Li et al. | MwoA auxiliary diagnosis via RSN-based 3D deep multiple instance learning with spatial attention mechanism | |
Harshini et al. | Human Stress Detection in and through Sleep using Machine Learning | |
CN116842445B (zh) | 基于多模态时空谱融合的觉醒自动识别方法及系统 | |
Dan et al. | Manifold Learning in Detecting the Transitions of Dynamic Functional Connectivities Boosts Brain State-Specific Recognition |
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 |