CN117796809A - 一种基于情感计算的ai解梦技术 - Google Patents
一种基于情感计算的ai解梦技术 Download PDFInfo
- Publication number
- CN117796809A CN117796809A CN202410085526.8A CN202410085526A CN117796809A CN 117796809 A CN117796809 A CN 117796809A CN 202410085526 A CN202410085526 A CN 202410085526A CN 117796809 A CN117796809 A CN 117796809A
- Authority
- CN
- China
- Prior art keywords
- sleep
- emotional
- heart rate
- interval
- dream
- 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- Withdrawn
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 34
- 230000008451 emotion Effects 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 title abstract description 8
- 230000002996 emotional effect Effects 0.000 claims abstract description 76
- 230000007958 sleep Effects 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000008667 sleep stage Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 12
- 239000004816 latex Substances 0.000 claims description 9
- 229920000126 latex Polymers 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 206010062519 Poor quality sleep Diseases 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 230000003340 mental effect Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 208000019901 Anxiety disease Diseases 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000036506 anxiety Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004461 rapid eye movement Effects 0.000 claims description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 3
- 230000037322 slow-wave sleep Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 241000997494 Oneirodidae Species 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 5
- 230000010485 coping Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010028347 Muscle twitching Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009223 counseling Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 208000009017 Athetosis Diseases 0.000 description 1
- 208000027534 Emotional disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006397 emotional response Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000008452 non REM sleep Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised 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
- A61B5/16—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
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/4812—Detecting sleep stages or cycles
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pulmonology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及人工智能技术领域，且公开了一种基于情感计算的AI解梦技术，包括以下步骤：S1：通过心率变异性中RR间期计算睡眠分期；S2：提取睡眠分期中REM期间所有的RR间期值按照时间的顺序进行归类；S3：将上述间期值放入情感模型库中进行比对训练；S4：得出睡梦情绪化结果。该一种基于情感计算的AI解梦技术通过提取睡眠分期中REM期间RR间期值，AI系统可以提取出梦境的情感特征和主题，从而为梦境者提供更加准确、客观的解读，与传统的解梦方法相比，基于情感计算的AI解梦技术具有以下优势：1、客观性：AI解梦技术通过数据分析和机器学习等技术手段进行解读，减少了人为因素对解读结果的影响，使得解读结果更加客观、公正。
Description
技术领域
本发明涉及人工智能技术领域，具体为一种基于情感计算的AI解梦技术。
背景技术
解梦是指对梦境的一种解释行为，是通往潜意识的钥匙，分为科学解梦和经验解梦，从心理学的角度来看，解梦可以帮助人们更好地理解自己的内心世界和情感体验，从而更好地应对压力和挑战，随着人工智能技术的不断发展，情感计算已经成为了一个备受关注的研究领域，情感计算是指通过计算机分析、理解、模拟人类情感，从而为人们提供更加智能、个性化的服务，在众多应用场景中，基于情感计算的AI解梦技术是一个很有前景的研究方向。
人类的梦境是复杂的心理现象，其产生与人的生理、心理和情感等多方面因素有关，在人类文化中，梦境被赋予了丰富的象征意义和心理暗示，因此对梦境的理解和解析一直是一个重要的研究领域。
现有技术公开号为CN115328881A，提供了一种基于AI深度学习整合多模态信息的情感分析方法，通过摄像头或传感器进行二次信号捕捉，并将采集到信号转化的数据信息上传到情感数据库中，通过对数据信号进行情感分析，以及对数据信号与情感数据库内信息进行比对，挑选出与采集到的的数据信号相同的数据信息，将二次捕捉到的信号以及情感分析后的数据信号进行同步存储记录，将情感分析后的数据信号输出，并转换成相对应的动作，该基于AI深度学习整合多模态信息的情感分析方法，可以通过摄像头读取人体的面部表情以及通过传感器监测人体的生理状态来进行情感分析，使AI的情感分析具有更全面的代表性，提高的AI情感分析的准确度。
上述的现有技术，虽然利用AI对使用者的情感进行采集分析，但是该采集活动集中在使用者的面部，面部数据容易采集分析，而对于使用者在梦境中的情感则无法进行分析，而现有的关于解梦的方法大多来自与经验，大多基于心理学和人类文化学等学科的知识，需要专业人士进行解读，而且解读结果也往往因人而异，缺乏客观性和标准化。
可见，需要一种基于情感计算的AI解梦技术，解决上述背景技术中所提到的该采集活动集中在使用者的面部，面部数据容易采集分析，而对于使用者在梦境中的情感则无法进行分析，而现有的关于解梦的方法大多来自与经验，大多基于心理学和人类文化学等学科的知识，需要专业人士进行解读，而且解读结果也往往因人而异，缺乏客观性和标准化问题。
发明内容
本发明的目的在于提供一种基于情感计算的AI解梦技术，以解决上述背景技术中提出该采集活动集中在使用者的面部，面部数据容易采集分析，而对于使用者在梦境中的情感则无法进行分析，而现有的关于解梦的方法大多来自与经验，大多基于心理学和人类文化学等学科的知识，需要专业人士进行解读，而且解读结果也往往因人而异，缺乏客观性和标准化的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于情感计算的AI解梦技术,包括以下步骤：
S1：通过心率变异性中RR间期计算睡眠分期；
S2：提取睡眠分期中REM期间所有的RR间期值按照时间的顺序进行归类；
S3：将上述间期值放入情感模型库中进行比对训练；
S4：得出睡梦情绪化结果。
优选的，所述S1中获取心率需要前置数据采集设备，且前置数据采集设备包括手环式心率采集器、头戴式心率采集器、穿戴式心率采集器、心率采集枕和其他，其中心率采集枕是同将柔性压电薄膜传感器植入到乳胶枕头中，通过乳胶枕传导心率等数据，乳胶枕侧面安装有信号采集和传输装置，通过蓝牙或者网络传输数据。
优选的，所述S1中心率采集设备将数据上传之后需要对数据进行滤波和降噪，将采集的信号进行处理，从而避免呼吸、体动、白噪音等对心率数据的影响，具体包括以下步骤：
步骤一：利用滤波器对原始心率信号进行处理，包括低通滤波器、高通滤波器、带通滤波器等，信号输入之后去除噪音和干扰成分；
步骤二：采用降噪算法对滤波之后的信号进行进一步降噪处理，包括小波变化、经验经验模态分解、自适应滤波等，以进一步提高信号的清晰度和准确性：
步骤三：将降噪处理后的心率信号输出。
优选的，所述S1中通过心率变异性中RR间期计算睡眠分期包括：
步骤一：以30秒为单位划分睡眠过程，将睡眠过程划分为醒觉期(Wake)、快速眼动期(REMS)、1期睡眠(Stage1)、2期睡眠(Stage2)、3期睡眠(Stage3)、4期睡眠(Stage4)，其中1期睡眠S1和2期睡眠S2可以合并为浅睡期(Light Sleep)，3期睡眠S3和4期睡眠S4可以合并为深睡期(Slow Wave Sleep)；
步骤二：对睡眠分期模型进行建模，使用支持向量机对特征向量进行训练得到睡眠分期模型；
步骤三：从数据源中提取RR间期信号并对其进行样条插值和重采样，得到时间间隔均匀的RR间期信号；
步骤四：根据心率数据判断睡眠分期。
优选的，所述S2：提取睡眠分期中REM期间所有的RR间期值按照时间的顺序进行归类包括：1)确定REM期时间：根据睡眠分期标准，确定REM期的时间范围，通常，REM期在睡眠周期中的时间段为90-120分钟；2)提取RR间期值：在REM期的时间范围内，逐个提取RR间期值，从第一个RR间期开始，记录每个RR间期的时间点；3)数据归类：将提取到的RR间期值按照时间顺序进行归类，按照每1分钟或每2分钟为一个类别进行归类；4)数据存储：将归类后的RR间期值进行存储。
优选的，所述S3中将上述间期值放入情感模型库中进行比对训练，包括以下步骤：
步骤一：准备情感模型库：可以基于现有的情感计算模型或机器学习算法进行构建；
步骤二：特征提取：从REM期间的RR间期数据中提取出有代表性的特征，包括平均心率、最大心率、最小心率和其他特征，以便与情感模型库中的数据进行比对；
步骤三：模型训练：使用情感模型库中的数据对情感计算模型进行训练，以建立REM期间RR间期值与情感之间的映射关系；
步骤四：情感推断：将提取的REM期间RR间期特征输入到训练好的情感计算模型中，推断出对应的情感状态，例如愉悦、紧张、焦虑或者其他。
优选的，所述情感推断中情感状态包括7种，包括平静、忧愁、伤感、生气、开心、害怕、厌恶。
优选的，所述S4中得出睡梦情绪化结果是根据其中情绪结构及其激活度判断的，还有梦境事件或体验的趋近、回避的属性和程度，解读精神压力状态。
与现有技术相比，本发明所达到的有益效果是：
第一、本发明通过提取睡眠分期中REM期间RR间期值，AI系统可以提取出梦境的情感特征和主题，从而为梦境者提供更加准确、客观的解读，与传统的解梦方法相比，基于情感计算的AI解梦技术具有以下优势：1、客观性：AI解梦技术通过数据分析和机器学习等技术手段进行解读，减少了人为因素对解读结果的影响，使得解读结果更加客观、公正；2、标准化：AI解梦技术可以通过制定统一的标准和规范，使得解读结果更加标准化，有利于对不同人群的梦境进行比较和分析；3、实时性：AI解梦技术可以实时地分析梦境中的元素，并提供即时的解读结果，使得梦境者可以更加及时地了解自己的内心状态。
附图说明
图1为本发明系统流程图；
图2为本发明睡眠分期图。
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、完整地描述，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。
第一实施例
请参阅图1和2，一种基于情感计算的AI解梦技术，包括以下步骤：
S1：通过心率变异性中RR间期计算睡眠分期；
S2：提取睡眠分期中REM期间所有的RR间期值按照时间的顺序进行归类；
S3：将上述间期值放入情感模型库中进行比对训练；
S4：得出睡梦情绪化结果。
在本实施例中，相较于传统解梦，AI解梦具有解梦准确度高：基于情感计算的AI解梦技术，能根据梦境中所表达的情感，来判断梦境的真实性，解梦准确度极高；解梦速度快：该技术能快速扫描、分析梦境内容，并给出相应的解释，所需时间极短；提供个性化服务：该技术能根据用户的个人特征、性格特点等，提供个性化的解梦服务，使解梦结果更加准确、贴合用户实际；提供心理疏导服务：该技术不仅可以根据用户的梦境内容，提供相应的解释和建议，还能根据用户的情绪变化，提供相应的心理疏导服务，帮助用户更好地应对生活中的压力和挑战。
具体的，S1中获取心率需要前置数据采集设备，且前置数据采集设备包括手环式心率采集器、头戴式心率采集器、穿戴式心率采集器、心率采集枕和其他，其中心率采集枕是同将柔性压电薄膜传感器植入到乳胶枕头中，通过乳胶枕传导心率等数据，乳胶枕侧面安装有信号采集和传输装置，通过蓝牙或者网络传输数据。
在本实施例中，心率采集设备可通过贴合在皮肤上对用户心率进行采集，也能采用不接触式设备进行采集，在本技术中，手环式心率采集器、头戴式心率采集器、穿戴式心率采集器就是直接接触皮肤的，而心率采集枕是通过安装再其内部的柔性压电薄膜传感器采集心率，所以属于不接触式设备，设备将心率信息上传的时候，需要联网，或者通过蓝牙上传。
具体的，S1中心率采集设备将数据上传之后需要对数据进行滤波和降噪，将采集的信号进行处理，从而避免呼吸、体动、白噪音等对心率数据的影响，具体包括以下步骤：
步骤一：利用滤波器对原始心率信号进行处理，包括低通滤波器、高通滤波器、带通滤波器等，信号输入之后去除噪音和干扰成分；
步骤二：采用降噪算法对滤波之后的信号进行进一步降噪处理，包括小波变化、经验经验模态分解、自适应滤波等，以进一步提高信号的清晰度和准确性：
步骤三：将降噪处理后的心率信号输出。
在本实施例中，滤波是将信号中特定波段频率滤除的操作，是抑制和防止干扰的一项重要措施，在心率信号中，滤波可以降低噪音干扰，提高信号清晰度，如果各个频段都有噪声，可以采用以下方式：a：设计不同性能要求的滤波器，使滤波器在特定的频率范围内具有较佳的滤波性能；b：采用适应性滤波算法，根据信号和噪声的统计特性，动态调整滤波器的参数，使得滤波器能够自适应地处理各种频段的噪声；c：对于复杂噪声环境，可能需要采用组合滤波器，即多个滤波器组合使用，以实现对各个频段噪声的有效抑制。
具体的，S1中通过心率变异性中RR间期计算睡眠分期包括：
步骤一：以30秒为单位划分睡眠过程，将睡眠过程划分为醒觉期(Wake)、快速眼动期(REMS)、1期睡眠(Stage1)、2期睡眠(Stage2)、3期睡眠(Stage3)、4期睡眠(Stage4)，其中1期睡眠S1和2期睡眠S2可以合并为浅睡期(Light Sleep)，3期睡眠S3和4期睡眠S4可以合并为深睡期(Slow Wave Sleep)；
步骤二：对睡眠分期模型进行建模，使用支持向量机对特征向量进行训练得到睡眠分期模型；
步骤三：从数据源中提取RR间期信号并对其进行样条插值和重采样，得到时间间隔均匀的RR间期信号；
步骤四：根据心率数据判断睡眠分期。
在本实施例中，REM睡眠期意思是快速动眼睡眠期，这是一种常见的睡眠状态，人在睡眠状态下，脑电图会随着睡眠的深度而出现不同的变化，主要分为两种状态，分别是快速动眼睡眠期和非快速动眼睡眠期，快速动眼睡眠期也被称为异相睡眠期，睡眠过程中，脑电波的频率比较快，振幅较低，并引起相关症状，如眼球运动速度加快、面部或四肢肌肉频繁出现小幅度的抽动、手足徐动等，此时容易做梦，一般很难醒来，由于在REM睡眠期人会出现一些生理上波动，例如面部抽动等，所以在配合分析的时候，前端采集设备也可以具备摄影摄像功能，方便配合后期REM睡眠期情绪分析，心电图RR计算公式是通过测量心电图中两个R波之间的时间间隔来计算心率的，它的具体计算公式是心率(每分钟)＝60/RR间期(秒)其中，RR间期是指心电图中两个R波之间的时间间隔。
具体的，S2：提取睡眠分期中REM期间所有的RR间期值按照时间的顺序进行归类包括：1)确定REM期时间：根据睡眠分期标准，确定REM期的时间范围，通常，REM期在睡眠周期中的时间段为90-120分钟；2)提取RR间期值：在REM期的时间范围内，逐个提取RR间期值，从第一个RR间期开始，记录每个RR间期的时间点；3)数据归类：将提取到的RR间期值按照时间顺序进行归类，按照每1分钟或每2分钟为一个类别进行归类；4)数据存储：将归类后的RR间期值进行存储。
在本实施例中，以下是一个示例代码片段，演示如何提取REM期RR间期值并按时间顺序进行归类(使用Python语言)：import numpy as np
#读取包含睡眠分期和心电图数据的文件
#data＝load_sleep_data()#加载数据的具体方法取决于数据来源
#提取REM期RR间期值并按时间顺序归类
rem_periods＝find_rem_periods(data)#找到REM期的具体方法取决于数据特性
rr_intervals＝extract_rr_intervals(rem_periods)#提取RR间期的具体方法取决于数据特性
sorted_rr_intervals＝sort_rr_intervals_by_time(rr_intervals)#按时间顺序归类
#输出结果
print(sorted_rr_intervals)。
具体的，S3中将上述间期值放入情感模型库中进行比对训练，包括以下步骤：
步骤一：准备情感模型库：可以基于现有的情感计算模型或机器学习算法进行构建；
步骤二：特征提取：从REM期间的RR间期数据中提取出有代表性的特征，包括平均心率、最大心率、最小心率和其他特征，以便与情感模型库中的数据进行比对；
步骤三：模型训练：使用情感模型库中的数据对情感计算模型进行训练，以建立REM期间RR间期值与情感之间的映射关系；
步骤四：情感推断：将提取的REM期间RR间期特征输入到训练好的情感计算模型中，推断出对应的情感状态，例如愉悦、紧张、焦虑或者其他。
在本实施例中，选择合适的机器学习或深度学习模型，例如支持向量机(SVM)、随机森林(Random Forest)、卷积神经网络(CNN)等，并使用已准备好的数据集进行训练。
具体的，情感推断中情感状态包括7种，包括平静、忧愁、伤感、生气、开心、害怕、厌恶。
在本实施例中，这些状态可能因个人、情境和文化差异而有所不同，在上述示例中，提到的七种情感状态包括平静、忧愁、伤感、生气、开心、害怕和厌恶，这些情感状态可以进一步细分，例如生气可以分为愤怒、恼怒等。
具体的，S4中得出睡梦情绪化结果是根据其中情绪结构及其激活度判断的，还有梦境事件或体验的趋近、回避的属性和程度，解读精神压力状态。
在本实施例中，在睡梦中，个体的情绪结构及其激活度会影响梦境的内容和氛围，例如，焦虑和紧张的梦境通常与精神压力状态有关，通过对梦境中的事件或体验进行趋近或回避属性的判断，可以了解个体在面对压力时的应对方式和情绪反应；趋近属性通常与积极情绪有关，例如追求目标、获得成功或寻求奖励等，而回避属性则与消极情绪有关，例如逃避困难、避免痛苦或寻求安全等，通过对这些属性的程度进行评估，可以了解个体在面对压力时的情绪状态及其强烈程度；此外，梦境中的情境和事件也可以反映个体在现实生活中的情感体验和压力状态，例如，梦境中出现的场景、人物和事件可能代表个体在现实生活中所面临的压力情境和情感挑战，通过对这些情境和事件进行分析，可以进一步了解个体在面对压力时的情感反应和应对方式，总之，通过分析睡梦情绪化，可以解读个体的精神压力状态及其应对方式，这有助于了解个体的情感体验和心理健康状况，并为寻求适当的支持和帮助提供依据。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于情感计算的AI解梦技术，其特征在于,包括以下步骤：
S1：通过心率变异性中RR间期计算睡眠分期；
S2：提取睡眠分期中REM期间所有的RR间期值按照时间的顺序进行归类；
S3：将上述间期值放入情感模型库中进行比对训练；
S4：得出睡梦情绪化结果。
2.根据权利要求1所述的一种基于情感计算的AI解梦技术，其特征在于：所述S1中获取心率需要前置数据采集设备，且前置数据采集设备包括手环式心率采集器、头戴式心率采集器、穿戴式心率采集器、心率采集枕和其他，其中心率采集枕是同将柔性压电薄膜传感器植入到乳胶枕头中，通过乳胶枕传导心率等数据，乳胶枕侧面安装有信号采集和传输装置，通过蓝牙或者网络传输数据。
3.根据权利要求2所述的一种基于情感计算的AI解梦技术，其特征在于：所述S1中心率采集设备将数据上传之后需要对数据进行滤波和降噪，将采集的信号进行处理，从而避免呼吸、体动、白噪音等对心率数据的影响，具体包括以下步骤：
步骤一：利用滤波器对原始心率信号进行处理，包括低通滤波器、高通滤波器、带通滤波器等，信号输入之后去除噪音和干扰成分；
步骤二：采用降噪算法对滤波之后的信号进行进一步降噪处理，包括小波变化、经验经验模态分解、自适应滤波等，以进一步提高信号的清晰度和准确性：
步骤三：将降噪处理后的心率信号输出。
4.根据权利要求1所述的一种基于情感计算的AI解梦技术，其特征在于：所述S1中通过心率变异性中RR间期计算睡眠分期包括：
步骤一：以30秒为单位划分睡眠过程，将睡眠过程划分为醒觉期(Wake)、快速眼动期(REMS)、1期睡眠(Stage1)、2期睡眠(Stage2)、3期睡眠(Stage3)、4期睡眠(Stage4)，其中1期睡眠S1和2期睡眠S2可以合并为浅睡期(Light Sleep)，3期睡眠S3和4期睡眠S4可以合并为深睡期(Slow Wave Sleep)；
步骤二：对睡眠分期模型进行建模，使用支持向量机对特征向量进行训练得到睡眠分期模型；
步骤三：从数据源中提取RR间期信号并对其进行样条插值和重采样，得到时间间隔均匀的RR间期信号；
步骤四：根据心率数据判断睡眠分期。
5.根据权利要求1所述的一种基于情感计算的AI解梦技术，其特征在于：所述S2：提取睡眠分期中REM期间所有的RR间期值按照时间的顺序进行归类包括：1)确定REM期时间：根据睡眠分期标准，确定REM期的时间范围，通常，REM期在睡眠周期中的时间段为90-120分钟；2)提取RR间期值：在REM期的时间范围内，逐个提取RR间期值，从第一个RR间期开始，记录每个RR间期的时间点；3)数据归类：将提取到的RR间期值按照时间顺序进行归类，按照每1分钟或每2分钟为一个类别进行归类；4)数据存储：将归类后的RR间期值进行存储。
6.根据权利要求1所述的一种基于情感计算的AI解梦技术，其特征在于：所述S3中将上述间期值放入情感模型库中进行比对训练，包括以下步骤：
步骤一：准备情感模型库：可以基于现有的情感计算模型或机器学习算法进行构建；
步骤二：特征提取：从REM期间的RR间期数据中提取出有代表性的特征，包括平均心率、最大心率、最小心率和其他特征，以便与情感模型库中的数据进行比对；
步骤三：模型训练：使用情感模型库中的数据对情感计算模型进行训练，以建立REM期间RR间期值与情感之间的映射关系；
步骤四：情感推断：将提取的REM期间RR间期特征输入到训练好的情感计算模型中，推断出对应的情感状态，例如愉悦、紧张、焦虑或者其他。
7.根据权利要求6所述的一种基于情感计算的AI解梦技术，其特征在于：所述情感推断中情感状态包括7种，包括平静、忧愁、伤感、生气、开心、害怕、厌恶。
8.根据权利要求7所述的一种基于情感计算的AI解梦技术，其特征在于：所述S4中得出睡梦情绪化结果是根据其中情绪结构及其激活度判断的，还有梦境事件或体验的趋近、回避的属性和程度，解读精神压力状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410085526.8A CN117796809A (zh) | 2024-01-22 | 2024-01-22 | 一种基于情感计算的ai解梦技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410085526.8A CN117796809A (zh) | 2024-01-22 | 2024-01-22 | 一种基于情感计算的ai解梦技术 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117796809A true CN117796809A (zh) | 2024-04-02 |
Family
ID=90420189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410085526.8A Withdrawn CN117796809A (zh) | 2024-01-22 | 2024-01-22 | 一种基于情感计算的ai解梦技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117796809A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118197558A (zh) * | 2024-05-17 | 2024-06-14 | 浙江大学 | 基于llm大语言模型和ai绘图技术辅助噩梦治疗师的人工智能生成内容系统 |
-
2024
- 2024-01-22 CN CN202410085526.8A patent/CN117796809A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118197558A (zh) * | 2024-05-17 | 2024-06-14 | 浙江大学 | 基于llm大语言模型和ai绘图技术辅助噩梦治疗师的人工智能生成内容系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | EmotionSense: Emotion recognition based on wearable wristband | |
| Ali et al. | Emotion recognition involving physiological and speech signals: A comprehensive review | |
| CN111920420B (zh) | 一种基于统计学习的患者行为多模态分析与预测系统 | |
| Aboalayon et al. | Efficient sleep stage classification based on EEG signals | |
| WO2017193497A1 (zh) | 基于融合模型的智能化健康管理服务器、系统及其控制方法 | |
| CN106407733A (zh) | 基于虚拟现实场景脑电信号的抑郁症风险筛查系统和方法 | |
| CN109363670A (zh) | 一种基于睡眠监测的抑郁症智能检测方法 | |
| CN111462841A (zh) | 一种基于知识图谱的抑郁症智能诊断装置及系统 | |
| Bong et al. | Methods and approaches on inferring human emotional stress changes through physiological signals: A review | |
| CN117520826B (zh) | 一种基于可穿戴设备的多模态情绪识别方法及系统 | |
| CN107479702A (zh) | 一种使用脑电信号的人类情感优势度分类识别方法 | |
| CN107361767A (zh) | 一种使用脑电信号的人类情感效价分类识别方法 | |
| CN114947852A (zh) | 一种多模态情感识别方法、装置、设备及存储介质 | |
| Zhang et al. | Classification of EEG signal by WT-CNN model in emotion recognition system | |
| CN107292296A (zh) | 一种使用脑电信号的人类情感唤醒度分类识别方法 | |
| CN115024725A (zh) | 融合心理状态多参数检测的肿瘤治疗辅助决策系统 | |
| Saini et al. | Light-weight 1-D convolutional neural network architecture for mental task identification and classification based on single-channel EEG | |
| CN115089179A (zh) | 一种心理情绪洞察分析方法及系统 | |
| CN117796809A (zh) | 一种基于情感计算的ai解梦技术 | |
| Huang et al. | Electroencephalogram-based motor imagery classification using deep residual convolutional networks | |
| CN117860266A (zh) | 基于实时脑电监测技术的智能失眠治疗方法和装置 | |
| CN120015351A (zh) | 面向精神障碍的多模态大模型识别与智能干预方法与系统 | |
| Pillalamarri et al. | A review on EEG-based multimodal learning for emotion recognition | |
| CN119719921A (zh) | 一种睡眠分期检测方法和睡眠分期检测装置 | |
| CN116602676A (zh) | 一种基于多特征融合和clstn的脑电情绪识别方法和系统 |
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: 20240402 |