CN118078290A - 一种通过生理指标识别情绪状态的方法和装置 - Google Patents

一种通过生理指标识别情绪状态的方法和装置 Download PDF

Info

Publication number
CN118078290A
CN118078290A CN202410451554.7A CN202410451554A CN118078290A CN 118078290 A CN118078290 A CN 118078290A CN 202410451554 A CN202410451554 A CN 202410451554A CN 118078290 A CN118078290 A CN 118078290A
Authority
CN
China
Prior art keywords
coefficient
data
bracelet
physiological index
inaccuracy
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.)
Withdrawn
Application number
CN202410451554.7A
Other languages
English (en)
Inventor
刘旭
龙意
邓琼艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Shiling Technology Co ltd
Original Assignee
Hunan Shiling Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Shiling Technology Co ltd filed Critical Hunan Shiling Technology Co ltd
Priority to CN202410451554.7A priority Critical patent/CN118078290A/zh
Publication of CN118078290A publication Critical patent/CN118078290A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/68—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
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Hospice & Palliative Care (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Educational Technology (AREA)
  • Developmental Disabilities (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了一种通过生理指标识别情绪状态的方法和装置，具体涉及情绪识别技术领域，本发明通过采集手环采集用户生理指标时的运行状态数据，并根据运行状态数据得到生理指标不准确系数，并将生理指标不准确系数与预设的阈值进行对比，得到异常信号，将异常信号所对应的生理指标不准确系数建立数据集合，并计算数据集合内数据的标准差，并将标准差与预设的阈值进行比较，当标准差不小于预设的阈值时，表示手环采集用户生理指标时，采集到的用户的生理数据与实际不符合，后续的情绪状态识别系统不能根据手环采集的生理数据分析出用户的情绪状态，此时手环立刻发出预警信号，提醒用户手环的情绪监测和识别暂时已经失效，需要进行维修。

Description

一种通过生理指标识别情绪状态的方法和装置
技术领域
本发明涉及情绪识别技术领域，更具体地说，本发明涉及一种通过生理指标识别情绪状态的方法和装置。
背景技术
随着近年来青少年抑郁症的不断增加，使用手环进行情绪监测和识别成为一种重要的应对措施，整个情绪状态识别系统通常为：当用户佩戴手环后，通过手环内设置的多种传感器，如心率传感器、皮肤电传感器等定期或连续地采集用户的生理数据，如心率、皮肤电反应、活动量等，并将采集的生理数据传递至终端服务器，服务器通过对这些情绪进行识别分析，识别出用户当前的情绪状态，根据识别出的情绪状态，系统可以采取相应的反馈或应对措施，例如，如果系统检测到个体处于焦虑或紧张状态，可以通过手环向用户发送放松或冷静的提示，提供相应的心理健康支持资源；这种通过生理指标识别情绪状态的方法能够方便且精确的监测用户的情绪状态。
然而，上述通过生理指标识别情绪状态的方法缺乏对手环性能的智能自检功能；当手环的性能出现问题而没有及时的检测到时，所采集到的用户的生理数据可能与实际不符合，可能会整个系统分析出的用户的情绪状态与实际的用户的情绪状态不符合，最终导致发送的提示错误。
为了解决上述缺陷，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种通过生理指标识别情绪状态的方法和装置以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种通过生理指标识别情绪状态的方法，该方法包括以下步骤：
获取手环采集用户生理指标时的运行状态数据，所述运行状态数据包括信号干扰系数、佩戴错误系数和电流不稳定系数；
根据所述运行状态数据得到生理指标不准确系数，并将所述生理指标不准确系数与预设的阈值进行对比，并根据对比结果得到异常信号；所述异常信号为所述生理指标不准确系数不小于预设的阈值时所对应的生理指标不准确系数；
将所述异常信号所对应的生理指标不准确系数建立数据集合，并计算所述数据集合内若干个生理指标不准确系数的标准差，并将所述标准差与预设的阈值进行比较，当所述标准差不小于预设的阈值时手环进行预警。
在一个优选的实施方式中，所述运行状态数据包括信号干扰系数，所述信号干扰系数的获取方法为：
获取手环在采集用户的生理数据过程中，实际数据信号；
选择小波基函数，选择Morlet小波作为小波基函数；
进行连续小波变换，通过连续小波变换，将数据信号进行分解，连续小波变换由卷积来实现，其计算公式如下：式中，x(t)是输入信号，ψ(t)是选定的小波基函数，a是尺度参数，用于调整小波基函数的尺度；b是平移参数，用于调整小波基函数的位置；t表示信号的时间坐标，即在时间轴上的位置；
计算小波系数，对于每个尺度a和平移b，利用小波变换计算出的结果称为小波系数；
提取小波系数的能量特征，根据计算得到的小波系数，进一步提取能量特征，计算每个尺度下小波系数的能量，然后对不同尺度的能量进行加权求和，得到综合的能量特征，计算公式如下：式中，E(a)是在尺度a下的能量，CWT(a,b)是小波系数；
计算信号干扰系数，计算的表达式为：We＝E(a)；式中，We为信号干扰系数。
在一个优选的实施方式中，所述佩戴错误系数的获取方法为：
所述佩戴错误系数通过采集数据错误率和压力偏差系数计算；
所述采集数据错误率获取方法为：获取采集所述运行状态数据时，用户的手环实际佩戴的区域，并将所述手环实际佩戴的区域与预设的手环佩戴区域采集数据错误表进行对应，获取所述手环实际佩戴的区域所对应的采集数据错误率YU；
所述压力偏差系数计算方法为：获取采集所述运行状态数据时不同时刻的手环与用户皮肤接触时实际的接触压力，并将建立实际接触压力集合，所述实际接触压力集合中共有n个数据，n大于等于1且为正整数；
将所述实际接触压力集合中数据处于预设的有效接触压力范围外的数据进行提取并重新建立集合，得到范围外集合，所述范围外集合中共有f个数据，f大于等于1且为正整数，且f小于等于n；
计算压力偏差系数，计算的公式为式中，RF为压力偏差系数；
根据所述采集数据错误率和所述压力偏差系数得到所述佩戴错误系数，计算的公式为：Qw＝a1×YU+a2×RF；式中，Qw为所述佩戴错误系数，a1、a2为所述采集数据错误率和所述压力偏差系数预设的比例系数，且a1、a2均大于0。
在一个优选的实施方式中，所述电流不稳定系数的获取方法为：
获取采集所述运行状态数据时不同时刻的手环的实际的电流，并标记为Rw q，q表示采集所述运行状态数据时不同时刻的手环的实际的电流的编号，q＝1、2、3、4、……、g，g为正整数；
求出采集所述运行状态数据时不同时刻的手环的实际的电流Rw q的标准差，并将标准差标定为E，标准差E的计算公式为：
其中，为采集所述运行状态数据时不同时刻的手环的实际的电流Rw q的平均值，获取的表达式为：/>
计算电流不稳定系数，计算的表达式为：Dh＝E，式中，Dh为电流不稳定系数。
在一个优选的实施方式中，根据所述运行状态数据得到生理指标不准确系数包括：
将所述信号干扰系数、佩戴错误系数和电流不稳定系数构建数据评估模型，模型计算表达式为：
式中，Dlt为生理指标不准确系数，We、RF和Dh分别表示信号干扰系数、佩戴错误系数和电流不稳定系数，b1、b2、b3为信号干扰系数、佩戴错误系数和电流不稳定系数的比例系数，且b1、b2、b3均大于0。
在一个优选的实施方式中，将所述异常信号所对应的生理指标不准确系数建立数据集合，并计算所述数据集合内若干个生理指标不准确系数的标准差，并将所述标准差与预设的阈值进行比较，当所述标准差不小于预设的阈值时手环进行预警，
包括：所述异常信号所对应的生理指标不准确系数建立数据集合，并计算数据集合内若干个生理指标不准确系数的标准差，并将所述标准差与预设的阈值进行比较：
若所述标准差小于预设的阈值，则生成低风险信号，同时手环不发出预警；
若所述标准差不小于预设的阈值，则生成风险信号，同时手环发出预警。
一种通过生理指标识别情绪状态的装置，所述装置包括：
信息获取模块：获取手环采集用户生理指标时的运行状态数据，所述运行状态数据包括信号干扰系数、佩戴错误系数和电流不稳定系数；
对比模块：根据所述运行状态数据得到生理指标不准确系数，并将所述生理指标不准确系数与预设的阈值进行对比，并根据对比结果得到异常信号；所述异常信号为所述生理指标不准确系数不小于预设的阈值时所对应的生理指标不准确系数；
判断预警模块：将所述异常信号所对应的生理指标不准确系数建立数据集合，并计算所述数据集合内若干个生理指标不准确系数的标准差，并将所述标准差与预设的阈值进行比较，当所述标准差不小于预设的阈值时手环进行预警。
本发明的技术效果和优点：
本发明通过采集手环采集用户生理指标时的运行状态数据，并根据运行状态数据得到生理指标不准确系数，并将生理指标不准确系数与预设的阈值进行对比，得到异常信号，将异常信号所对应的生理指标不准确系数建立数据集合，并计算数据集合内若干个生理指标不准确系数的标准差，并将标准差与预设的阈值进行比较，当标准差小于预设的阈值时，表示手环采集用户生理指标时，手环的性能没有出现问题，采集的用户的生理指标是正确的信息，采集到的用户的生理数据与实际符合，后续的情绪状态识别系统可以根据手环采集的生理数据分析出用户的情绪状态并发出正确的提示；当标准差不小于预设的阈值时，表示手环采集用户生理指标时，手环的性能出现问题，采集的用户的生理指标是错误的信息，采集到的用户的生理数据与实际不符合，后续的情绪状态识别系统不能根据手环采集的生理数据分析出用户的情绪状态，此时手环立刻发出预警信号，提醒用户手环的情绪监测和识别暂时已经失效，需要进行维修。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明做进一步的说明；
图1为本发明实施例提供的一种通过生理指标识别情绪状态的方法的流程图；
图2为本发明实施例提供的一种通过生理指标识别情绪状态的装置的框架图。
具体实施方式
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、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了如图1所示的一种通过生理指标识别情绪状态的方法，该方法包括以下步骤：
获取手环采集用户生理指标时的运行状态数据，运行状态数据包括信号干扰系数、佩戴错误系数和电流不稳定系数；
根据运行状态数据得到生理指标不准确系数，并将生理指标不准确系数与预设的阈值进行对比，并根据对比结果得到异常信号；异常信号为生理指标不准确系数不小于预设的阈值时所对应的生理指标不准确系数；
将异常信号所对应的生理指标不准确系数建立数据集合，并计算数据集合内若干个生理指标不准确系数的标准差，并将标准差与预设的阈值进行比较，当标准差不小于预设的阈值时手环进行预警。
本发明实施例提供的一种通过生理指标识别情绪状态的方法，通过采集手环采集用户生理指标时的运行状态数据，并根据运行状态数据得到生理指标不准确系数，并将生理指标不准确系数与预设的阈值进行对比，得到异常信号，将异常信号所对应的生理指标不准确系数建立数据集合，并计算数据集合内若干个生理指标不准确系数的标准差，并将标准差与预设的阈值进行比较，当标准差小于预设的阈值时，表示手环采集用户生理指标时，手环的性能没有出现问题，采集的用户的生理指标是正确的信息，采集到的用户的生理数据与实际符合，后续的情绪状态识别系统可以根据手环采集的生理数据分析出用户的情绪状态并发出正确的提示；当标准差不小于预设的阈值时，表示手环采集用户生理指标时，手环的性能出现问题，采集的用户的生理指标是错误的信息，采集到的用户的生理数据与实际不符合，后续的情绪状态识别系统不能根据手环采集的生理数据分析出用户的情绪状态，此时手环立刻发出预警信号，提醒用户手环的情绪监测和识别暂时已经失效，需要进行维修。
一种实现方式中，运行状态数据包括信号干扰系数，信号干扰系数的获取方法为：
获取手环在采集用户的生理数据过程中，实际数据信号；
选择小波基函数，选择Morlet小波作为小波基函数；
进行连续小波变换，通过连续小波变换，将数据信号进行分解，连续小波变换由卷积来实现，其计算公式如下：式中，x(t)是输入信号，ψ(t)是选定的小波基函数，a是尺度参数，用于调整小波基函数的尺度；b是平移参数，用于调整小波基函数的位置；t表示信号的时间坐标，即在时间轴上的位置；
计算小波系数，对于每个尺度a和平移b，利用小波变换计算出的结果称为小波系数；
提取小波系数的能量特征，根据计算得到的小波系数，进一步提取能量特征，计算每个尺度下小波系数的能量，然后对不同尺度的能量进行加权求和，得到综合的能量特征，计算公式如下：式中，E(a)是在尺度a下的能量，CWT(a,b)是小波系数；
计算信号干扰系数，计算的表达式为：We＝E(a)；式中，We为信号干扰系数。
通过这种方式，获取到的信号干扰系数更加精确，从而更能准确的判断手环的性能。
需要说明的是，强烈的信号干扰或其他电子设备可能会干扰手环内部传感器的工作，这些干扰可能来自电视、手机、微波炉等电子设备，甚至来自其他手环或智能穿戴设备，这些可能导致传感器产生误报或无法准确检测生理指标的变化，影响监测数据的准确性。
一种实现方式中，佩戴错误系数的获取方法为：
佩戴错误系数通过采集数据错误率和压力偏差系数计算；
采集数据错误率获取方法为：获取采集运行状态数据时，用户的手环实际佩戴的区域，并将手环实际佩戴的区域与预设的手环佩戴区域采集数据错误表进行对应，获取手环实际佩戴的区域所对应的采集数据错误率YU；
压力偏差系数计算方法为：获取采集运行状态数据时不同时刻的手环与用户皮肤接触时实际的接触压力，并将建立实际接触压力集合，实际接触压力集合中共有n个数据，n大于等于1且为正整数；
将实际接触压力集合中数据处于预设的有效接触压力范围外的数据进行提取并重新建立集合，得到范围外集合，范围外集合中共有f个数据，f大于等于1且为正整数，且f小于等于n；
计算压力偏差系数，计算的公式为式中，RF为压力偏差系数；
根据采集数据错误率和压力偏差系数得到佩戴错误系数，计算的公式为：Qw＝a1×YU+a2×RF；式中，Qw为佩戴错误系数，a1、a2为采集数据错误率和压力偏差系数预设的比例系数，且a1、a2均大于0。
通过这种计算方式，精确的判断手环佩戴位置和压力对于手环采集用的生理指标的准确性，从而更能准确的判断手环的性能。
需要说明的是，手环佩戴位置不当是会影响到手环采集用户的生理指标的准确性的，因为手环的传感器通常设计用于在手腕内侧进行监测，如果手环佩戴位置不正确，例如太松或太紧、佩戴在手腕外侧或内侧等，可能会导致传感器与皮肤接触不良或受到外部干扰，影响监测数据的准确性，此外，不同的佩戴位置可能导致不同的生理数据波形，进而影响情绪识别算法的准确性。
一种实现方式中，电流不稳定系数的获取方法为：
获取采集运行状态数据时不同时刻的手环的实际的电流，并标记为Rw q，q表示采集运行状态数据时不同时刻的手环的实际的电流的编号，q＝1、2、3、4、……、g，g为正整数；
求出采集运行状态数据时不同时刻的手环的实际的电流Rw q的标准差，并将标准差标定为E，标准差E的计算公式为：
其中，为采集运行状态数据时不同时刻的手环的实际的电流Rw q的平均值，获取的表达式为：/>
计算电流不稳定系数，计算的表达式为：Dh＝E，式中，Dh为电流不稳定系数。
需要说明的是，手环的电池电量不足或设备本身存在故障可能会影响传感器的工作稳定性，低电量可能导致手环电流不稳定，从而使得传感器无法正常工作或工作不稳定，从而影响监测数据的准确性，另外电流不稳定也可能导致手环无法正常工作或提供准确的数据，进而影响情绪识别系统的性能。
通过这种计算方式，精确的判断手环在使用时电流对于手环采集用的生理指标的准确性，从而更能准确的判断手环的性能。
一种实现方式中，根据运行状态数据得到生理指标不准确系数包括：
将信号干扰系数、佩戴错误系数和电流不稳定系数构建数据评估模型，模型计算表达式为：
式中，Dlt为生理指标不准确系数，We、RF和Dh分别表示信号干扰系数、佩戴错误系数和电流不稳定系数，b1、b2、b3为信号干扰系数、佩戴错误系数和电流不稳定系数的比例系数，且b1、b2、b3均大于0。
将生理指标不准确系数与预设的阈值进行对比，并根据对比结果得到异常信号；
当生理指标不准确系数不小于预设的阈值时所对应的生理指标不准确系数时，此时将该生理指标不准确系数记为异常信号；
当生理指标不准确系数小于预设的阈值时所对应的生理指标不准确系数时，此时将该生理指标不准确系数记为正常信号；
一种实现方式中，将异常信号所对应的生理指标不准确系数建立数据集合，并计算数据集合内若干个生理指标不准确系数的标准差，并将标准差与预设的阈值进行比较：
若标准差小于预设的阈值，则生成低风险信号，同时手环不发出预警；
若标准差不小于预设的阈值，则生成风险信号，同时手环发出预警。
通过计算数据集合内若干个生理指标不准确系数的标准差，并将标准差与预设的阈值进行比较，可以更精确的判断手环的性能是否出现问题，从而得到更精确的结果。
本发明实施例提供了如图2所示的一种通过生理指标识别情绪状态的装置，该装置包括：
信息获取模块：获取手环采集用户生理指标时的运行状态数据，运行状态数据包括信号干扰系数、佩戴错误系数和电流不稳定系数；
对比模块：根据运行状态数据得到生理指标不准确系数，并将生理指标不准确系数与预设的阈值进行对比，并根据对比结果得到异常信号；异常信号为生理指标不准确系数不小于预设的阈值时所对应的生理指标不准确系数；
判断预警模块：将异常信号所对应的生理指标不准确系数建立数据集合，并计算数据集合内若干个生理指标不准确系数的标准差，并将标准差与预设的阈值进行比较，当标准差不小于预设的阈值时手环进行预警。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)，或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b，或c中的至少一项(一个)，可以表示：a,b,c,a-b,a-c,b-c，或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种通过生理指标识别情绪状态的方法，其特征在于，该方法包括以下步骤：
获取手环采集用户生理指标时的运行状态数据，所述运行状态数据包括信号干扰系数、佩戴错误系数和电流不稳定系数；
根据所述运行状态数据得到生理指标不准确系数，并将所述生理指标不准确系数与预设的阈值进行对比，并根据对比结果得到异常信号；所述异常信号为所述生理指标不准确系数不小于预设的阈值时所对应的生理指标不准确系数；
将所述异常信号所对应的生理指标不准确系数建立数据集合，并计算所述数据集合内若干个生理指标不准确系数的标准差，并将所述标准差与预设的阈值进行比较，当所述标准差不小于预设的阈值时手环进行预警。
2.根据权利要求1所述的一种通过生理指标识别情绪状态的方法，其特征在于，所述运行状态数据包括信号干扰系数，所述信号干扰系数的获取方法为：
获取手环在采集用户的生理数据过程中，实际数据信号；
选择小波基函数，选择Morlet小波作为小波基函数；
进行连续小波变换，通过连续小波变换，将数据信号进行分解，连续小波变换由卷积来实现，其计算公式如下：式中，x(t)是输入信号，ψ(t)是选定的小波基函数，a是尺度参数，用于调整小波基函数的尺度；b是平移参数，用于调整小波基函数的位置；t表示信号的时间坐标，即在时间轴上的位置；
计算小波系数，对于每个尺度a和平移b，利用小波变换计算出的结果称为小波系数；
提取小波系数的能量特征，根据计算得到的小波系数，进一步提取能量特征，计算每个尺度下小波系数的能量，然后对不同尺度的能量进行加权求和，得到综合的能量特征，计算公式如下：式中，E(a)是在尺度a下的能量，CWT(a，b)是小波系数；
计算信号干扰系数，计算的表达式为：We＝E(a)；式中，We为信号干扰系数。
3.根据权利要求1所述的一种通过生理指标识别情绪状态的方法，其特征在于，所述佩戴错误系数的获取方法为：
所述佩戴错误系数通过采集数据错误率和压力偏差系数计算；
所述采集数据错误率获取方法为：获取采集所述运行状态数据时，用户的手环实际佩戴的区域，并将所述手环实际佩戴的区域与预设的手环佩戴区域采集数据错误表进行对应，获取所述手环实际佩戴的区域所对应的采集数据错误率YU；
所述压力偏差系数计算方法为：获取采集所述运行状态数据时不同时刻的手环与用户皮肤接触时实际的接触压力，并将建立实际接触压力集合，所述实际接触压力集合中共有n个数据，n大于等于1且为正整数；
将所述实际接触压力集合中数据处于预设的有效接触压力范围外的数据进行提取并重新建立集合，得到范围外集合，所述范围外集合中共有f个数据，f大于等于1且为正整数，且f小于等于n；
计算压力偏差系数，计算的公式为式中，RF为压力偏差系数；
根据所述采集数据错误率和所述压力偏差系数得到所述佩戴错误系数，计算的公式为：Qw＝a1×YU+a2×RF；式中，Qw为所述佩戴错误系数，a1、a2为所述采集数据错误率和所述压力偏差系数预设的比例系数，且a1、a2均大于0。
4.根据权利要求1所述的一种通过生理指标识别情绪状态的方法，其特征在于，所述电流不稳定系数的获取方法为：
获取采集所述运行状态数据时不同时刻的手环的实际的电流，并标记为Rw q，q表示采集所述运行状态数据时不同时刻的手环的实际的电流的编号，q＝1、2、3、4、……、g，g为正整数；
求出采集所述运行状态数据时不同时刻的手环的实际的电流Rw q的标准差，并将标准差标定为E，标准差E的计算公式为：
其中，为采集所述运行状态数据时不同时刻的手环的实际的电流Rw q的平均值，获取的表达式为：/>
计算电流不稳定系数，计算的表达式为：Dh＝E，式中，Dh为电流不稳定系数。
5.根据权利要求1所述的一种通过生理指标识别情绪状态的方法，其特征在于，根据所述运行状态数据得到生理指标不准确系数包括：
将所述信号干扰系数、佩戴错误系数和电流不稳定系数构建数据评估模型，模型计算表达式为：
式中，Dlt为生理指标不准确系数，We、RF和Dh分别表示信号干扰系数、佩戴错误系数和电流不稳定系数，b1、b2、b3为信号干扰系数、佩戴错误系数和电流不稳定系数的比例系数，且b1、b2、b3均大于0。
6.根据权利要求1所述的一种通过生理指标识别情绪状态的方法，其特征在于，将所述异常信号所对应的生理指标不准确系数建立数据集合，并计算所述数据集合内若干个生理指标不准确系数的标准差，并将所述标准差与预设的阈值进行比较，当所述标准差不小于预设的阈值时手环进行预警，
包括：所述异常信号所对应的生理指标不准确系数建立数据集合，并计算数据集合内若干个生理指标不准确系数的标准差，并将所述标准差与预设的阈值进行比较：
若所述标准差小于预设的阈值，则生成低风险信号，同时手环不发出预警；
若所述标准差不小于预设的阈值，则生成风险信号，同时手环发出预警。
7.一种通过生理指标识别情绪状态的装置，其特征在于，所述装置包括：
信息获取模块：获取手环采集用户生理指标时的运行状态数据，所述运行状态数据包括信号干扰系数、佩戴错误系数和电流不稳定系数；
对比模块：根据所述运行状态数据得到生理指标不准确系数，并将所述生理指标不准确系数与预设的阈值进行对比，并根据对比结果得到异常信号；所述异常信号为所述生理指标不准确系数不小于预设的阈值时所对应的生理指标不准确系数；
判断预警模块：将所述异常信号所对应的生理指标不准确系数建立数据集合，并计算所述数据集合内若干个生理指标不准确系数的标准差，并将所述标准差与预设的阈值进行比较，当所述标准差不小于预设的阈值时手环进行预警。
CN202410451554.7A 2024-04-16 2024-04-16 一种通过生理指标识别情绪状态的方法和装置 Withdrawn CN118078290A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410451554.7A CN118078290A (zh) 2024-04-16 2024-04-16 一种通过生理指标识别情绪状态的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410451554.7A CN118078290A (zh) 2024-04-16 2024-04-16 一种通过生理指标识别情绪状态的方法和装置

Publications (1)

Publication Number Publication Date
CN118078290A true CN118078290A (zh) 2024-05-28

Family

ID=91149871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410451554.7A Withdrawn CN118078290A (zh) 2024-04-16 2024-04-16 一种通过生理指标识别情绪状态的方法和装置

Country Status (1)

Country Link
CN (1) CN118078290A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118538010A (zh) * 2024-06-12 2024-08-23 广州市思捷计算机有限公司 一种基于大数据的运维管理平台监测告警系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118538010A (zh) * 2024-06-12 2024-08-23 广州市思捷计算机有限公司 一种基于大数据的运维管理平台监测告警系统及方法

Similar Documents

Publication Publication Date Title
JP6423487B2 (ja) 痙攣の検出のためのシステムおよびその作動方法
CN118078290A (zh) 一种通过生理指标识别情绪状态的方法和装置
US10813583B2 (en) Sleep state prediction device
JP5090013B2 (ja) 情報管理システム及びサーバ
CN101272733B (zh) 监控方法和设备
EP2730216B1 (en) Biosignal transmitter, biosignal receiver, and biosignal transmitting method
WO2001091627B1 (en) System and device for multi-scale analysis and representation of electrocardiographic data
KR101756827B1 (ko) 생체정보 기반의 이상징후 알림 시스템 및 이를 이용한 이상징후 알림 방법
CN117379021B (zh) 基于智能穿戴设备的老年人健康指标监测系统
CN105868547A (zh) 用户健康状态分析方法、设备、终端及系统
JP2020527063A (ja) センサの動作ステータスを検出するための方法および状態機械システム
CN117894491B (zh) 一种用于评估精神活动的生理监测数据处理方法
US8949072B2 (en) Novelty detection with missing parameters
CN112806961A (zh) 体征数据评估方法及装置
CN107661092B (zh) 生命体征状态监测方法及计算机可读存储介质
CN115414044A (zh) 一种基于脑电分析的人体精神状态管理系统、方法及设备
CN115067643A (zh) 一种可疲劳提醒的智能手环及其方法
CN111616696B (zh) 一种心电信号检测方法、装置及存储介质
CN111956198B (zh) 一种设备状态确定方法和装置
CN112515688A (zh) 专注力自动侦测方法和系统
CN117729209B (zh) 基于云计算的健康管理数据智能管理系统
CN114271804B (zh) 基于消费级设备的心率状态辅助检测系统、心脏状态监控系统、方法、存储介质及终端
CN117158908B (zh) 智能穿戴设备的数据处理方法
CN118010194B (zh) 一种基于智能手表的体温监测方法、系统及介质
CN118749936B (zh) 心率监测数据自动采集分析系统及方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20240528