CN117426774B - 一种基于智能手环的用户情绪评估方法及系统 - Google Patents
一种基于智能手环的用户情绪评估方法及系统 Download PDFInfo
- Publication number
- CN117426774B CN117426774B CN202311766697.9A CN202311766697A CN117426774B CN 117426774 B CN117426774 B CN 117426774B CN 202311766697 A CN202311766697 A CN 202311766697A CN 117426774 B CN117426774 B CN 117426774B
- Authority
- CN
- China
- Prior art keywords
- emotion
- signal data
- module
- physiological signal
- data
- 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
- 230000008451 emotion Effects 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 7
- 230000036760 body temperature Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000035945 sensitivity 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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- 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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
- G16H10/65—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records stored on portable record carriers, e.g. on smartcards, RFID tags or CD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Fuzzy Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Educational Technology (AREA)
- Signal Processing (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
Abstract
本发明涉及智能手环技术领域,公开了一种基于智能手环的用户情绪评估方法及系统,通过智能手环的传感器采集用户的生理信号数据,对生理信号数据进行预处理,得到预处理后的生理信号数据,对预处理后的生理信号数据中三种信号模态进行特征提取,并进行加权融合,得到输出特征数据,将输出特征数据输入情绪评估模型中,通过情绪评估模型对用户情绪进行识别,输出情绪评估结果,基于情绪评估结果生成情绪提醒信息,并通过智能手环反馈情绪提醒信息;本发明通过智能手环采集用户的模态信号,满足用户实时情绪评估,及时了解用户情绪变化,辅助用户转变不好的情绪。
Description
技术领域
本发明涉及智能手环技术领域,具体涉及一种基于智能手环的用户情绪评估方法及系统。
背景技术
智能手环是一种穿戴式智能设备。通过智能手环,用户可以记录日常生活中的锻炼、睡眠、部分还有饮食等实时数据,并将这些数据与手机、平等同步,起到通过数据指导健康生活的作用;现如今,人们的生活节奏越来越快,情绪也变得越来越敏感,同时随着生活质量的提高,人们对情绪的变化也越来越关注;目前人们情绪评估多通过医生进行临床诊断,该方法不够便捷。因此,研究一种于智能手环的用户情绪评估方法及系统对实时评估用户情绪具有重要意义。
发明内容
本发明的目的是为了解决上述问题,设计了一种基于智能手环的用户情绪评估方法及系统。
本发明第一方面提供一种基于智能手环的用户情绪评估方法,所述基于智能手环的用户情绪评估方法包括以下步骤:
通过智能手环的传感器采集用户的生理信号数据,其中所述生理信号数据包括心跳信号数据、脉搏信号数据、体温信号数据;
对所述生理信号数据进行预处理,得到预处理后的生理信号数据,对预处理后的生理信号数据中三种信号模态进行特征提取,并进行加权融合,得到输出特征数据;
将所述输出特征数据输入情绪评估模型中,通过所述情绪评估模型对用户情绪进行识别,输出情绪评估结果;
基于所述情绪评估结果生成情绪提醒信息,并通过智能手环反馈所述情绪提醒信息。
可选的,在本发明第一方面的第一种实现方式中,所述对所述生理信号数据进行预处理,得到预处理后的生理信号数据,包括:
获取所述生理信号数据,利用VMD算法将所述生理信号数据分解为若干个信号模式,得到分解信号数据;
采用豪斯多夫距离和非局部均值算法对所述分解信号数据进行滤波,得到滤波信号数据,对所述滤波信号数据进行累加,得到输出信号数据;
评估所述输出信号数据的信噪比SNR,并对所述输出信号数据进行标准化处理,得到预处理后的生理信号数据。
可选的,在本发明第一方面的第二种实现方式中,所述对预处理后的生理信号数据中三种信号模态进行特征提取,并进行加权融合,得到输出特征数据,包括:
将预处理后的生理信号数据进行三通道变换,生成系数矩阵的三维图像;
将所述三维图像投影到二维平面上,得到三通道的投影图片特征,其中所述投影图片特征包括时频信息和非线性特征;
将三通道的投影图片特征输入到三个以Softmax为输出层的深度残差网络中进行分类识别,以输出三个特征向量,并将三个特征向量进行加权融合,得到输出特征数据,其中所述深度残差网络采用ResNet18模型。
可选的,在本发明第一方面的第三种实现方式中,所述将预处理后的生理信号数据进行三通道变换,生成系数矩阵的三维图像,包括:
获取输入的预处理后的生理信号数据中所有的局部极大值点 和局部极小值点,采用样条插值函数法得到局部极大值构成的上包络线和局部极小值点构成的下包络线;
获取所述上包络线和下包络线的平均值,并计算降噪信号和平均值的差值,判断得到的差值是否满足本征模态函数,若是则将得到的差值作为第一个IMF分量;
迭代差值,对得到的每个IMF分量进行Hilbert变换,得到Hilbert系数矩阵,并生成系数矩阵的三维图像。
可选的,在本发明第一方面的第四种实现方式中,所述将所述输出特征数据输入情绪评估模型中,通过所述情绪评估模型对用户情绪进行识别,输出情绪评估结果,包括:
使用算术优化算法进行模型参数优化,构建情绪评估模型,获取所述输出特征数据的所属类别特征;
随机选取k个样本作为初始簇中心,计算所述所属类别特征到k个簇中心的距离,将所述所属类别特征划分到距离最小的簇中;
计算划分后k个簇的新簇中心,直至簇中心不变化,确定所述输出特征数据对应的情绪类别,输出情绪评估结果。
可选的,在本发明第一方面的第五种实现方式中,所述使用算术优化算法进行模型参数优化,构建情绪评估模型,包括:
获取历史信号数据,将经过处理的历史信号数据划分为训练集和测试集;
初始化算术优化算法参数,采用最小二乘法孪生支持向量机作为基础模型,输入所述训练集;设定算术优化算法的维度,其中维度为维度最小二乘法孪生支持向量机中的惩罚参数和正则化参数;
设定适应度函数,随机生成初始种群,计算个体适应度值,得到当前的最优解,判断当前的最优解是否大于余弦控制因子,若是,则通过乘法运算与除法运算进行全局搜索,若否,则通过加法运算与减法运算进行局部开发;
更新最优位置,若当前位置更佳,则替换成最优位置,对全局最优解进行柯西变异,更新最优解;
迭代获得优化最小二乘法孪生支持向量机最优参数,输入所述测试集对优化的最小二乘法孪生支持向量机进行评估测试,得到情绪评估模型。
可选的,在本发明第一方面的第六种实现方式中,所述获取历史信号数据,将经过处理的历史信号数据划分为训练集和测试集,包括:
获取经过处理的历史信号数据,将经过处理的历史信号数据划分为多个子集,并将多个子集转化为多个三元组集合,并将所述多个三元组集合按一定比例划分为训练集和测试集,其中三元组集合为,X、y分别特征向量和标签,α为拉格朗日乘子,n为集合元素个数。
本发明第二方面提供了一种基于智能手环的用户情绪评估系统,所述基于智能手环的用户情绪评估系统包括信号采集模块、特征提取模块、情绪评估模块和信息提醒模块,其中,
信号采集模块,用于通过智能手环的传感器采集用户的生理信号数据,其中所述生理信号数据包括心跳信号数据、脉搏信号数据、体温信号数据;
特征提取模块,用于对所述生理信号数据进行预处理,得到预处理后的生理信号数据,对预处理后的生理信号数据中三种信号模态进行特征提取,并进行加权融合,得到输出特征数据;
情绪评估模块,用于将所述输出特征数据输入情绪评估模型中,通过所述情绪评估模型对用户情绪进行识别,输出情绪评估结果;
信息提醒模块,用于基于所述情绪评估结果生成情绪提醒信息,并通过智能手环反馈所述情绪提醒信息。
可选的,在本发明第二方面的第一种实现方式中,所述特征提取模块包括三通道变换子模块、图像投影子模块和分类识别子模块,其中,
三通道变换子模块,用于将预处理后的生理信号数据进行三通道变换,生成系数矩阵的三维图像;
图像投影子模块,用于将所述三维图像投影到二维平面上,得到三通道的投影图片特征,其中所述投影图片特征包括时频信息和非线性特征;
分类识别子模块,用于将三通道的投影图片特征输入到三个以Softmax为输出层的深度残差网络中进行分类识别,以输出三个特征向量,并将三个特征向量进行加权融合,得到输出特征数据,其中所述深度残差网络采用ResNet18模型。
可选的,在本发明第二方面的第二种实现方式中,所述情绪评估模块包括参数优化子模块、距离计算子模块和类别确定子模块,其中,
参数优化子模块,用于使用算术优化算法进行模型参数优化,构建情绪评估模型,获取所述输出特征数据的所属类别特征;
距离计算子模块,用于随机选取k个样本作为初始簇中心,计算所述所属类别特征到k个簇中心的距离,将所述所属类别特征划分到距离最小的簇中;
类别确定子模块,用于计算划分后k个簇的新簇中心,直至簇中心不变化,确定所述输出特征数据对应的情绪类别,输出情绪评估结果。
本发明提供的技术方案中,通过智能手环的传感器采集用户的生理信号数据,对所述生理信号数据进行预处理,得到预处理后的生理信号数据,对预处理后的生理信号数据中三种信号模态进行特征提取,并进行加权融合,得到输出特征数据,将所述输出特征数据输入情绪评估模型中,通过所述情绪评估模型对用户情绪进行识别,输出情绪评估结果,基于所述情绪评估结果生成情绪提醒信息,并通过智能手环反馈所述情绪提醒信息;本发明通过智能手环采集用户的模态信号,满足用户实时情绪评估,及时了解用户情绪变化,辅助用户转变不好的情绪。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本发明实施例提供的基于智能手环的用户情绪评估方法的第一个实施例示意图;
图2为本发明实施例提供的基于智能手环的用户情绪评估方法的第二个实施例示意图;
图3为本发明实施例提供的基于智能手环的用户情绪评估方法的第三个实施例示意图;
图4为本发明实施例提供的基于智能手环的用户情绪评估系统的结构示意图。
具体实施方式
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、设备、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1本发明实施例提供的基于智能手环的用户情绪评估方法的第一个实施例示意图,该方法具体包括以下步骤:
步骤101、通过智能手环的传感器采集用户的生理信号数据;
本实施例中,生理信号数据包括心跳信号数据、脉搏信号数据、体温信号数据;
步骤102、对生理信号数据进行预处理,得到预处理后的生理信号数据,对预处理后的生理信号数据中三种信号模态进行特征提取,并进行加权融合,得到输出特征数据;
步骤103、将输出特征数据输入情绪评估模型中,通过情绪评估模型对用户情绪进行识别,输出情绪评估结果;
本实施例中,情绪评估的情绪类型至少包括抑郁情绪、焦虑情绪、紧张情绪、兴奋情绪等。
步骤104、基于情绪评估结果生成情绪提醒信息,并通过智能手环反馈情绪提醒信息。
本发明实施例中,通过智能手环的传感器采集用户的生理信号数据,对生理信号数据进行预处理,得到预处理后的生理信号数据,对预处理后的生理信号数据中三种信号模态进行特征提取,并进行加权融合,得到输出特征数据,将输出特征数据输入情绪评估模型中,通过情绪评估模型对用户情绪进行识别,输出情绪评估结果,基于情绪评估结果生成情绪提醒信息,并通过智能手环反馈情绪提醒信息;本发明通过智能手环采集用户的模态信号,满足用户实时情绪评估,及时了解用户情绪变化,辅助用户转变不好的情绪。
请参阅图2,本发明实施例提供的基于智能手环的用户情绪评估方法的第二个实施例示意图,该方法包括:
步骤201、获取生理信号数据,利用VMD算法将生理信号数据分解为若干个信号模式,得到分解信号数据;
本实施例中,变分模态分解(Variational Modal Decomposition,VMD)是一种新的时频分析方法,能够将多分量信号一次性分解成多个单分量调幅调频信号,避免了迭代过程中遇到的端点效应和虚假分量问题。该方法能有效处理非线性、非平稳信号,但也存在对噪声敏感的特性,当存在噪声时,可能会使分解出现模态混叠现象;VMD的分解过程即变分问题的求解过程,在该算法中,本征模态函数(intrinsic mode function, IMF)被定义为一个有带宽限制的调幅-调频函数,VMD算法的功能便是通过构造并求解约束变分问题,将原始信号分解为指定个数的IMF分量。
步骤202、采用豪斯多夫距离和非局部均值算法对分解信号数据进行滤波,得到滤波信号数据,对滤波信号数据进行累加,得到输出信号数据;
本实施例中,豪斯多夫距离是一种计算两组空间中最小距离最大值方法采用豪斯多夫距离来减少噪声对距离的影响,避免了欧氏距离在结构块中不同点以相同比例参与距离计算的缺陷,具有较强的抗干扰能力和容错能力;非局部均值滤波使用当前滤波点的邻域块与矩形窗口内其它点的邻域块的相似度来计算权重,相似度越大则权重越大。
步骤203、评估输出信号数据的信噪比SNR,并对输出信号数据进行标准化处理,得到预处理后的生理信号数据;
本实施例中,信噪比(Signal-to-NoiseRatio,缩写为SNR)是衡量信号与噪声强度比值的指标。它可以用来表示信号在噪声干扰下的传输质量。通常情况下,信噪比越大,信号质量就越好,信噪比的公式通常为:SNR=信号强度/噪声强度,信噪比的单位通常为分贝(dB)。
步骤204、将预处理后的生理信号数据进行三通道变换,生成系数矩阵的三维图像;
本实施例中,获取输入的预处理后的生理信号数据中所有的局部极大值点 和局部极小值点,采用样条插值函数法得到局部极大值构成的上包络线和局部极小值点构成的下包络线;获取上包络线和下包络线的平均值,并计算降噪信号和平均值的差值,判断得到的差值是否满足本征模态函数,若是则将得到的差值作为第一个IMF分量;迭代差值,对得到的每个IMF分量进行Hilbert变换,得到Hilbert系数矩阵,并生成系数矩阵的三维图像。
本实施例中,特征提取可以包括了小波变换(WT)、Hilbert-Huang变换(HHT)和双谱分析等方法,小波变换可以将信号分解成多个频带,每个频带中的信号具有不同的尺度和频率特征;HHT则可以将信号分解成多个固有模态函数,这些函数可以反映信号的非线性特征;双谱分析则可以分析信号的相位关系,进一步提取信号的非线性特征。
本实施例中,Hilbert变换,将实数信号变换成解析信号的结果就是,把一个一维的信号变成了二维复平面上的信号,复数的模和幅角代表了信号的幅度和相位。
步骤205、将三维图像投影到二维平面上,得到三通道的投影图片特征,其中投影图片特征包括时频信息和非线性特征;
步骤206、将三通道的投影图片特征输入到三个以Softmax为输出层的深度残差网络中进行分类识别,以输出三个特征向量,并将三个特征向量进行加权融合,得到输出特征数据。
本实施例中,深度残差网络采用ResNet18模型。
请参阅图3,本发明实施例提供的基于智能手环的用户情绪评估方法的第三个实施例示意图,该方法包括:
步骤301、使用算术优化算法进行模型参数优化,构建情绪评估模型,获取输出特征数据的所属类别特征;
本实施例中,获取历史信号数据,将经过处理的历史信号数据划分为训练集和测试集;初始化算术优化算法参数,采用最小二乘法孪生支持向量机作为基础模型,输入训练集;设定算术优化算法的维度,其中维度为维度最小二乘法孪生支持向量机中的惩罚参数和正则化参数;设定适应度函数,随机生成初始种群,计算个体适应度值,得到当前的最优解,判断当前的最优解是否大于余弦控制因子,若是,则通过乘法运算与除法运算进行全局搜索,若否,则通过加法运算与减法运算进行局部开发;更新最优位置,若当前位置更佳,则替换成最优位置,对全局最优解进行柯西变异,更新最优解;迭代获得优化最小二乘法孪生支持向量机最优参数,输入测试集对优化的最小二乘法孪生支持向量机进行评估测试,得到情绪评估模型。
本实施例中,设一个由n个个体组成的种群N,在选择进入后面阶段的时候,每次迭代需要通过数学加速优化器(Math Optimizer Accelerated,MOA)函数进行选择进入全局或局部阶段,取随机数r∈[0,1],当r>MOA则进行全局勘测,反之进入局部开发。
本实施例中,获取经过处理的历史信号数据,将经过处理的历史信号数据划分为多个子集,并将多个子集转化为多个三元组集合,并将多个三元组集合按一定比例划分为训练集和测试集,其中三元组集合为,X、y分别特征向量和标签,α为拉格朗日乘子,n为集合元素个数。
步骤302、随机选取k个样本作为初始簇中心,计算所属类别特征到k个簇中心的距离,将所属类别特征划分到距离最小的簇中;
步骤303、计算划分后k个簇的新簇中心,直至簇中心不变化,确定输出特征数据对应的情绪类别,输出情绪评估结果。
请参阅图4,本发明实施例提供的基于智能手环的用户情绪评估系统的结构示意图,该系统包括信号采集模块、特征提取模块、情绪评估模块和信息提醒模块,其中,
信号采集模块401,用于通过智能手环的传感器采集用户的生理信号数据,其中生理信号数据包括心跳信号数据、脉搏信号数据、体温信号数据;
特征提取模块402,用于对生理信号数据进行预处理,得到预处理后的生理信号数据,对预处理后的生理信号数据中三种信号模态进行特征提取,并进行加权融合,得到输出特征数据;
情绪评估模块403,用于将输出特征数据输入情绪评估模型中,通过情绪评估模型对用户情绪进行识别,输出情绪评估结果;
信息提醒模块404,用于基于情绪评估结果生成情绪提醒信息,并通过智能手环反馈情绪提醒信息。
本实施例中,特征提取模块包括三通道变换子模块、图像投影子模块和分类识别子模块,其中,
三通道变换子模块,用于将预处理后的生理信号数据进行三通道变换,生成系数矩阵的三维图像;
图像投影子模块,用于将三维图像投影到二维平面上,得到三通道的投影图片特征,其中投影图片特征包括时频信息和非线性特征;
分类识别子模块,用于将三通道的投影图片特征输入到三个以Softmax为输出层的深度残差网络中进行分类识别,以输出三个特征向量,并将三个特征向量进行加权融合,得到输出特征数据,其中深度残差网络采用ResNet18模型。
本实施例中,情绪评估模块包括参数优化子模块、距离计算子模块和类别确定子模块,其中,
参数优化子模块,用于使用算术优化算法进行模型参数优化,构建情绪评估模型,获取输出特征数据的所属类别特征;
距离计算子模块,用于随机选取k个样本作为初始簇中心,计算所属类别特征到k个簇中心的距离,将所属类别特征划分到距离最小的簇中;
类别确定子模块,用于计算划分后k个簇的新簇中心,直至簇中心不变化,确定输出特征数据对应的情绪类别,输出情绪评估结果。
通过上述方案的实施,该系统包括信号采集模块、特征提取模块、情绪评估模块和信息提醒模块;本发明通过智能手环采集用户的模态信号,满足用户实时情绪评估,及时了解用户情绪变化,辅助用户转变不好的情绪。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于智能手环的用户情绪评估方法,其特征在于,所述基于智能手环的用户情绪评估方法包括以下步骤:
通过智能手环的传感器采集用户的生理信号数据,其中所述生理信号数据包括心跳信号数据、脉搏信号数据、体温信号数据;
对所述生理信号数据进行预处理,得到预处理后的生理信号数据,对预处理后的生理信号数据中三种信号模态进行特征提取,并进行加权融合,得到输出特征数据;
将所述输出特征数据输入情绪评估模型中,通过所述情绪评估模型对用户情绪进行识别,输出情绪评估结果;
基于所述情绪评估结果生成情绪提醒信息,并通过智能手环反馈所述情绪提醒信息;
所述对预处理后的生理信号数据中三种信号模态进行特征提取,并进行加权融合,得到输出特征数据,包括:
将预处理后的生理信号数据进行三通道变换,生成系数矩阵的三维图像;
将所述三维图像投影到二维平面上,得到三通道的投影图片特征,其中所述投影图片特征包括时频信息和非线性特征;
将三通道的投影图片特征输入到三个以Softmax为输出层的深度残差网络中进行分类识别,以输出三个特征向量,并将三个特征向量进行加权融合,得到输出特征数据,其中所述深度残差网络采用ResNet18模型;
所述将所述输出特征数据输入情绪评估模型中,通过所述情绪评估模型对用户情绪进行识别,输出情绪评估结果,包括:
使用算术优化算法进行模型参数优化,构建情绪评估模型,获取所述输出特征数据的所属类别特征;
随机选取k个样本作为初始簇中心,计算所述所属类别特征到k个簇中心的距离,将所述所属类别特征划分到距离最小的簇中;
计算划分后k个簇的新簇中心,直至簇中心不变化,确定所述输出特征数据对应的情绪类别,输出情绪评估结果。
2.如权利要求1所述的一种基于智能手环的用户情绪评估方法,其特征在于,对所述生理信号数据进行预处理,得到预处理后的生理信号数据,包括:
获取所述生理信号数据,利用VMD算法将所述生理信号数据分解为若干个信号模式,得到分解信号数据;
采用豪斯多夫距离和非局部均值算法对所述分解信号数据进行滤波,得到滤波信号数据,对所述滤波信号数据进行累加,得到输出信号数据;
评估所述输出信号数据的信噪比SNR,并对所述输出信号数据进行标准化处理,得到预处理后的生理信号数据。
3.如权利要求1所述的一种基于智能手环的用户情绪评估方法,其特征在于,所述将预处理后的生理信号数据进行三通道变换,生成系数矩阵的三维图像,包括:
获取输入的预处理后的生理信号数据中所有的局部极大值点 和局部极小值点,采用样条插值函数法得到局部极大值构成的上包络线和局部极小值点构成的下包络线;
获取所述上包络线和下包络线的平均值,并计算降噪信号和平均值的差值,判断得到的差值是否满足本征模态函数,若是则将得到的差值作为第一个IMF分量;
迭代差值,对得到的每个IMF分量进行Hilbert变换,得到Hilbert系数矩阵,并生成系数矩阵的三维图像。
4.如权利要求1所述的一种基于智能手环的用户情绪评估方法,其特征在于,所述使用算术优化算法进行模型参数优化,构建情绪评估模型,包括:
获取历史信号数据,将经过处理的历史信号数据划分为训练集和测试集;
初始化算术优化算法参数,采用最小二乘法孪生支持向量机作为基础模型,输入所述训练集;设定算术优化算法的维度,其中维度为维度最小二乘法孪生支持向量机中的惩罚参数和正则化参数;
设定适应度函数,随机生成初始种群,计算个体适应度值,得到当前的最优解,判断当前的最优解是否大于余弦控制因子,若是,则通过乘法运算与除法运算进行全局搜索,若否,则通过加法运算与减法运算进行局部开发;
更新最优位置,若当前位置更佳,则替换成最优位置,对全局最优解进行柯西变异,更新最优解;
迭代获得优化最小二乘法孪生支持向量机最优参数,输入所述测试集对优化的最小二乘法孪生支持向量机进行评估测试,得到情绪评估模型。
5.如权利要求4所述的一种基于智能手环的用户情绪评估方法,其特征在于,所述获取历史信号数据,将经过处理的历史信号数据划分为训练集和测试集,包括:
获取经过处理的历史信号数据,将经过处理的历史信号数据划分为多个子集,并将多个子集转化为多个三元组集合,并将所述多个三元组集合按一定比例划分为训练集和测试集,其中三元组集合为,X、y分别特征向量和标签,α为拉格朗日乘子,n为集合元素个数。
6.一种基于智能手环的用户情绪评估系统,其特征在于,所述基于智能手环的用户情绪评估系统包括信号采集模块、特征提取模块、情绪评估模块和信息提醒模块,其中,
信号采集模块,用于通过智能手环的传感器采集用户的生理信号数据,其中所述生理信号数据包括心跳信号数据、脉搏信号数据、体温信号数据;
特征提取模块,用于对所述生理信号数据进行预处理,得到预处理后的生理信号数据,对预处理后的生理信号数据中三种信号模态进行特征提取,并进行加权融合,得到输出特征数据;
情绪评估模块,用于将所述输出特征数据输入情绪评估模型中,通过所述情绪评估模型对用户情绪进行识别,输出情绪评估结果;
信息提醒模块,用于基于所述情绪评估结果生成情绪提醒信息,并通过智能手环反馈所述情绪提醒信息;
所述特征提取模块包括三通道变换子模块、图像投影子模块和分类识别子模块,其中,
三通道变换子模块,用于将预处理后的生理信号数据进行三通道变换,生成系数矩阵的三维图像;
图像投影子模块,用于将所述三维图像投影到二维平面上,得到三通道的投影图片特征,其中所述投影图片特征包括时频信息和非线性特征;
分类识别子模块,用于将三通道的投影图片特征输入到三个以Softmax为输出层的深度残差网络中进行分类识别,以输出三个特征向量,并将三个特征向量进行加权融合,得到输出特征数据,其中所述深度残差网络采用ResNet18模型;
所述情绪评估模块包括参数优化子模块、距离计算子模块和类别确定子模块,其中,
参数优化子模块,用于使用算术优化算法进行模型参数优化,构建情绪评估模型,获取所述输出特征数据的所属类别特征;
距离计算子模块,用于随机选取k个样本作为初始簇中心,计算所述所属类别特征到k个簇中心的距离,将所述所属类别特征划分到距离最小的簇中;
类别确定子模块,用于计算划分后k个簇的新簇中心,直至簇中心不变化,确定所述输出特征数据对应的情绪类别,输出情绪评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766697.9A CN117426774B (zh) | 2023-12-21 | 2023-12-21 | 一种基于智能手环的用户情绪评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766697.9A CN117426774B (zh) | 2023-12-21 | 2023-12-21 | 一种基于智能手环的用户情绪评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117426774A CN117426774A (zh) | 2024-01-23 |
CN117426774B true CN117426774B (zh) | 2024-04-09 |
Family
ID=89550183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311766697.9A Active CN117426774B (zh) | 2023-12-21 | 2023-12-21 | 一种基于智能手环的用户情绪评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117426774B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779755A (zh) * | 2016-12-31 | 2017-05-31 | 湖南文沥征信数据服务有限公司 | 一种网络电商借贷风险评估方法及模型 |
CN109620262A (zh) * | 2018-12-12 | 2019-04-16 | 华南理工大学 | 一种基于可穿戴手环的情绪识别系统及方法 |
CN113095428A (zh) * | 2021-04-23 | 2021-07-09 | 西安交通大学 | 一种融合脑电和刺激源信息的视频情感分类方法及系统 |
CN116343284A (zh) * | 2022-12-19 | 2023-06-27 | 四川农业大学 | 基于注意力机制的多特征户外环境情绪识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627518B (zh) * | 2021-08-07 | 2023-08-08 | 福州大学 | 利用迁移学习实现神经网络脑电情感识别模型的方法 |
-
2023
- 2023-12-21 CN CN202311766697.9A patent/CN117426774B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779755A (zh) * | 2016-12-31 | 2017-05-31 | 湖南文沥征信数据服务有限公司 | 一种网络电商借贷风险评估方法及模型 |
CN109620262A (zh) * | 2018-12-12 | 2019-04-16 | 华南理工大学 | 一种基于可穿戴手环的情绪识别系统及方法 |
CN113095428A (zh) * | 2021-04-23 | 2021-07-09 | 西安交通大学 | 一种融合脑电和刺激源信息的视频情感分类方法及系统 |
CN116343284A (zh) * | 2022-12-19 | 2023-06-27 | 四川农业大学 | 基于注意力机制的多特征户外环境情绪识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117426774A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
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 | |
CN112294341B (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统 | |
CN111954250B (zh) | 一种轻量级Wi-Fi行为感知方法和系统 | |
CN113855038B (zh) | 基于多模型集成的心电信号危急值的预测方法及装置 | |
CN111783887B (zh) | 基于fMRI小世界脑网络计算机分类测谎识别方法 | |
CN114862838A (zh) | 基于无监督学习的缺陷检测方法及设备 | |
CN112869717B (zh) | 一种基于bl-cnn的脉搏特征识别分类系统及方法 | |
CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
CN114048773A (zh) | 一种基于迁移学习和WiFi的行为识别方法及系统 | |
CN114403897A (zh) | 一种基于脑电信号的人体疲劳检测方法及系统 | |
CN117426774B (zh) | 一种基于智能手环的用户情绪评估方法及系统 | |
CN114010205A (zh) | 3d注意力残差深度网络儿童癫痫综合征辅助分析方法 | |
CN117116290B (zh) | 基于多维特征的数控机床部件缺陷定位方法和相关设备 | |
CN107894837A (zh) | 动态情感分析模型样本处理方法及装置 | |
CN111310680B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及系统 | |
CN111259926A (zh) | 肉品新鲜度检测方法、装置、计算设备和存储介质 | |
CN112807000B (zh) | 鲁棒性脑电信号的生成方法及装置 | |
CN115700595A (zh) | 基于射频指纹深度学习的身份识别方法及装置 | |
CN114580476A (zh) | 一种无人机信号的识别模型构建方法及相应识别方法和系统 | |
US20210241065A1 (en) | Classifying Discipline-Specific Content Using a General-Content Brain-Response Model | |
CN117708682B (zh) | 脑电波智能采集分析系统及方法 | |
CN118051831B (zh) | 基于CNN-Transformer合作网络模型的水声目标识别方法 | |
CN112149724B (zh) | 一种基于类内紧凑度的脑电数据特征提取方法 |
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 |