[go: up one dir, main page]

CN118398214A - Ai的心理分析与记忆整合方法 - Google Patents

Ai的心理分析与记忆整合方法 Download PDF

Info

Publication number
CN118398214A
CN118398214A CN202410644489.XA CN202410644489A CN118398214A CN 118398214 A CN118398214 A CN 118398214A CN 202410644489 A CN202410644489 A CN 202410644489A CN 118398214 A CN118398214 A CN 118398214A
Authority
CN
China
Prior art keywords
data
memory
text
user
emotion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410644489.XA
Other languages
English (en)
Inventor
王茂林
陈迪凡
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.)
Shenzhen Kim Dai Intelligence Innovation Technology Co ltd
Original Assignee
Shenzhen Kim Dai Intelligence Innovation 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 Shenzhen Kim Dai Intelligence Innovation Technology Co ltd filed Critical Shenzhen Kim Dai Intelligence Innovation Technology Co ltd
Priority to CN202410644489.XA priority Critical patent/CN118398214A/zh
Publication of CN118398214A publication Critical patent/CN118398214A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • A61B5/72—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
    • 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
    • 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
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0531—Measuring skin impedance
    • A61B5/0533—Measuring galvanic skin response
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring 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 or mobility of a limb
    • A61B5/1118—Determining activity level

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Primary Health Care (AREA)
  • Signal Processing (AREA)
  • Epidemiology (AREA)
  • Cardiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (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

本发明公开了一种AI的心理分析与记忆整合方法，包括传感装置、与控制装置；方法包括以下步骤：传感装置采集用户若干组生理指标并整合形成生理指标数据集传输至控制装置；控制装置对生理指标数据集进行预处理形成预处理生理指标数据集；将预处理生理指标数据集输入情绪分类模型中识别得出情绪数据；用户通过语音输入设备输入个人经历形成个人记忆数据，将个人记忆数据和情绪数据按照时间结合存储在个人时序数据库中；采用上述结构，将代表情绪类型的情绪数据与记忆文本按时间顺序结合，形成记忆心理分析文本，记录了个体在特定情绪状态下经历的具体事件。

Description

AI的心理分析与记忆整合方法
技术领域
本发明涉及人工智能技术领域，尤其涉及一种AI的心理分析与记忆整合方法。
背景技术
随着物联网、生物传感技术以及人工智能的深度融合，对人类心理活动的量化评估与分析已成为当前科研和应用领域的重要课题，目前，已经有大量研究表明，人的心理状态可以通过生理指标间接反映出来，然而，传统的生理监测手段往往独立于个体的主观体验，缺乏对个体记忆和情绪事件的具体情境化关联分析。
发明内容
本发明公开一种AI的心理分析与记忆整合方法，该方法通过接触用户皮肤的传感装置实时采集生理指标，识别用户的情绪类型，将代表情绪类型的情绪数据与记忆文本按时间顺序结合，形成记忆心理分析文本，记录了个体在特定情绪状态下经历的具体事件。
本发明为解决其技术问题而采用的技术方案是提供一种AI的心理分析与记忆整合方法，包括接触用户皮肤的传感装置、与所述传感装置信号连接的控制装置；
方法包括以下步骤：
S1、传感装置采集用户若干组生理指标并整合形成生理指标数据集传输至控制装置；
S2、生理指标数据集包括若干个采集时间数据、若干组与采集时间数据一一对应的心率变异性数据、若干组与采集时间数据一一对应的皮肤电导反应数据、若干组与采集时间数据一一对应的体温变化数据和若干组与采集时间数据一一对应的动作幅度数据，控制装置对生理指标数据集进行预处理形成预处理生理指标数据集；
S3、将预处理生理指标数据集输入情绪分类模型中识别得出情绪数据；
S4、所述传感装置上设有语音输入设备，用户通过语音输入设备输入个人经历形成个人记忆数据，传感装置将个人记忆数据传输至控制装置；
S5、控制装置对个人记忆数据进行预处理形成预处理文本，控制装置通过自然语言处理技术将预处理文本转化为记忆文本，将记忆文本和情绪数据按照时间结合形成记忆心理分析文本，将记忆心理分析文本存储在个人时序数据库中。
作为一种实例，传感装置包括用于持续记录用户心搏速率并计算出心率变异性数据的心率传感器、用于测量皮肤电导度的变化以反应用户应激水平的GSR皮肤电导反应传感器、用于检测用户体温变化的体温传感器、以及用于追踪用户动作幅度的运动传感器。
作为一种实例，步骤S1中传感装置采集用户若干组生理指标并整合形成生理指标数据集传输至控制装置的具体步骤为：
传感装置预设有第一检测频率和频率大于第一检测频率的第二检测频率，传感装置按照第一检测频率检测用户的生理指标，当心率传感器、或GSR皮肤电导反应传感器、或体温传感器、或运动传感器所检测到的数据变化值超出预设于传感装置内的标准变化值时，传感装置按照第二检测频率采集用户的生理指标，将采集的生理指标结合对应的采集时间整合成生理指标数据集传输至控制装置。
作为一种实例，步骤S2中控制装置对生理指标数据集进行预处理形成预处理生理指标数据集的具体步骤为：
S21、使用3σ原则识别心率变异性数据、皮肤电导反应数据和体温变化数据中的异常数据值，对异常数据值均进行标记，如果是设备误差导致的异常数据值则剔除该异常数据值；
S22、采用移动平均法对心率变异性数据、皮肤电导反应数据、体温变化数据和动作幅度数据进行平滑滤波处理；
S23、根据心率变异性数据计算LF/HF比值、以反映用户的自主神经平衡状况，根据皮肤电导反应数据构建应力指数、以评估用户的情绪紧张程度；
S24、将处理过的生理指标数据整合形成预处理生理指标数据集。
作为一种实例，步骤S21中如果是设备误差导致的异常数据值则剔除该异常数据值的具体步骤为：
当心率变异性数据和皮肤电导反应数据中的一个具有异常数据值，且另一个不具有异常数据值时则为设备误差导致的异常数据值；
当体温变化数据具有异常数据值时，且心率变异性数据和皮肤电导反应数据中不具有异常数据值时则为设备误差导致的异常数据值。
作为一种实例，步骤S3中将预处理生理指标数据集输入情绪分类模型中识别得出情绪数据的具体步骤为：
将若干组心率变异性数据、皮肤电导反应数据、LF/HF比值、应力指数、体温变化数据和动作幅度数据按照采集时间数据排序逐批输入随机森林模型进行情绪预测，预测得到若干个整数编码，计算整数编码的平均值得出情绪编码，在与整数编码相对应的映射表中选取与情绪编码最相近的情绪类别得出情绪数据。
作为一种实例，步骤S5中控制装置对个人记忆数据进行预处理形成预处理文本的具体步骤为：将个人记忆数据中的文本段落和日期时间分别统一转化为相同的格式。
作为一种实例，步骤S5中控制装置通过自然语言处理技术将预处理文本转化为记忆文本的具体步骤为：
S51、将预处理文本转化为Unicode编码文本；
S52、将标准化文本通过stanza库进行指代消解，整合全部修改的地方形成第一修改数据集；
将标准化文本通过corrector库进行修改错别字，整合全部修改的地方形成第二修改数据集；
根据第一修改数据集和第二修改数据集将标准化文本里对应的文字删除或更改从而形成记忆文本。
作为一种实例，所述传感装置为贴附在人体手腕的环状结构。
本发明的有益效果至少是：通过接触用户皮肤的传感装置实时采集心率变异性数据、皮肤电导反应数据、体温变化数据以及动作幅度数据等多元生理指标，精准识别用户的情绪类型，将代表情绪类型的情绪数据与记忆文本按时间顺序结合，形成记忆心理分析文本，记录了个体在特定情绪状态下经历的具体事件；作为一种使用场景，可以针对梦境分析，当用户在清晨醒来时，可以立即通过传感装置上的语音输入设备描述梦中的情景和感受，系统会结合用户睡眠期间的生理指标变化，分析其梦境可能反映出的心理状况，进而生成详细的梦境心理分析报告，存入个人时序数据库，为后续心理咨询、治疗或者自我认知提升提供依据。
附图说明
图1示出了一个实例方法，该方法为心理分析与记忆整合的步骤；
图2示出了一个实例系统，该系统为传感装置的构成以及传感装置和控制装置的连接关系；
图3示出了一个实例方法，该方法为传感装置整合形成生理指标数据集传输至控制装置的步骤；
图4示出了一个实例方法，该方法为控制装置对生理指标数据集进行预处理形成预处理生理指标数据集的步骤；
图5示出了一个实例方法，该方法为如果是设备误差导致的异常数据值则剔除该异常数据值的步骤；
图6示出了一个实例方法，该方法为将预处理生理指标数据集输入情绪分类模型中识别得出情绪数据的步骤；
图7示出了一个实例方法，该方法为控制装置对个人记忆数据进行预处理形成预处理文本的步骤；
图8示出了一个实例方法，该方法为控制装置通过自然语言处理技术将预处理文本转化为记忆文本的步骤。
具体实施方式
下面将结合附图，对本发明的技术方案进行清楚、完整地描述。
参照图1-8，本文公开了一种AI的心理分析与记忆整合方法，包括接触用户皮肤的传感装置、与所述传感装置信号连接的控制装置；
方法包括以下步骤：
S1、传感装置采集用户若干组生理指标并整合形成生理指标数据集传输至控制装置；
S2、生理指标数据集包括若干个采集时间数据、若干组与采集时间数据一一对应的心率变异性数据、若干组与采集时间数据一一对应的皮肤电导反应数据、若干组与采集时间数据一一对应的体温变化数据和若干组与采集时间数据一一对应的动作幅度数据，控制装置对生理指标数据集进行预处理形成预处理生理指标数据集；
S3、将预处理生理指标数据集输入情绪分类模型中识别得出情绪数据；
S4、所述传感装置上设有语音输入设备，用户通过语音输入设备输入个人经历形成个人记忆数据，传感装置将个人记忆数据传输至控制装置；
S5、控制装置对个人记忆数据进行预处理形成预处理文本，控制装置通过自然语言处理技术将预处理文本转化为记忆文本，将记忆文本和情绪数据按照时间结合形成记忆心理分析文本，将记忆心理分析文本存储在个人时序数据库中。
通过接触用户皮肤的传感装置，能够实时、连续地采集用户的生理指标，生理指标包括心率变异性HRV、皮肤电导反应GSR、体温变化和动作幅度等，例如，当用户处于紧张或兴奋状态时，其心率变异性通常会显著增加，皮肤电导反应也相应增强，AI能及时捕捉并准确推断出用户当前的情绪状态，有助于用户了解自身心理状况，并为后续的心理调适提供依据；该方案中增设了语音输入功能，用户可以通过语音输入设备记录个人经历及情感体验形成个人记忆数据，用户在输入个人经历时通常会具有带有时间含义的词语，例如刚刚、早上、昨晚等，如没有带有时间含义的词语则匹配时间最近的情绪数据；控制装置对接收到的语音信息进行预处理并转化为结构化的记忆文本，同时将其与对应时间段的情绪数据相结合，生成包含情绪维度的记忆心理分析文本，例如，用户说早上经历了一场答辩，情绪非常紧张，控制装置就会将该答辩的经历结合在早上时段带有紧张情绪的情绪数据中，这种融合了生理情绪和主观记忆的过程性记录方式极大地提升了心理档案的真实性和完整性，例如，用户在经历一次重要演讲后的即刻，用语音形式记录下自己的感受和回顾，AI系统不仅能理解记录的内容，还能同步分析当时的身体生理反应，从而构建出更为立体的心理活动图景；本方法还可以对梦境进行分析，用户在清晨醒来时，可即时通过语音输入设备口述梦中的情境和感受，AI系统同样可以将这些梦境内容与用户醒时的实际生理指标以及情绪状态相匹配，深入解析梦境与现实生活中个体心理状态的关联性，例如，用户在某个晚上做了个紧张刺激的梦，在早晨醒来时第一时间录入梦境描述，系统会结合用户睡眠期间的生理指标变化，分析这个梦境可能反映出的内心焦虑或压力来源，帮助用户更好地理解和应对潜意识中的心理需求。
作为一种实例，传感装置包括用于持续记录用户心搏速率并计算出心率变异性数据的心率传感器、用于测量皮肤电导度的变化以反应用户应激水平的GSR皮肤电导反应传感器、用于检测用户体温变化的体温传感器、以及用于追踪用户动作幅度的运动传感器。
集成的心率传感器能够持续记录用户的心搏速率，并据此计算出心率变异性数据，比如，在用户面临压力、情绪波动较大的时候，心率变异性通常会发生显著变化，这不仅反映在清醒状态下，还可能体现在睡眠阶段特别是快速眼动期，通过对心率变异性数据的实时监控和分析，AI能够分析用户在特定时刻的心理紧张度、情绪负荷及其变化趋势。
GSR皮肤电导反应传感器则能够灵敏地捕捉到用户的皮肤电导度变化，能够衡量个体情绪唤醒和应激水平，例如，当用户在遭遇紧急情况或处于强烈情绪冲击时，皮肤电导反应会迅速升高，通过这一数据的实时获取，系统能够及时发现并提醒用户注意自身的应激反应。
体温传感器负责检测用户体温的细微变化，这不仅可以反映用户的生理健康状况，还可以记录与情绪相关的生理节律存入至个人时序数据库中，例如，在疲劳积累、免疫力下降或者睡眠质量不高的情况下，体温可能会出现异常变化，可以在个人时序数据库中记录下来；运动传感器能够追踪用户的动作幅度，例如，在睡眠过程中，用户翻身次数、动作频率等数据。
作为一种实例，步骤S1中传感装置采集用户若干组生理指标并整合形成生理指标数据集传输至控制装置的具体步骤为：
传感装置预设有第一检测频率和频率大于第一检测频率的第二检测频率，传感装置按照第一检测频率检测用户的生理指标，当心率传感器、或GSR皮肤电导反应传感器、或体温传感器、或运动传感器所检测到的数据变化值超出预设于传感装置内的标准变化值时，传感装置按照第二检测频率采集用户的生理指标，将采集的生理指标结合对应的采集时间整合成生理指标数据集传输至控制装置。
传感装置预设了两种检测频率，正常情况下采用较低的第一检测频率进行生理指标的采集，这样既能满足基本的生理监测需求，又能有效节约能源、延长设备使用寿命，而在非紧急或平稳状态下，降低采样频率避免了不必要的数据冗余，提高了系统运行效率。
作为一种实例，步骤S2中控制装置对生理指标数据集进行预处理形成预处理生理指标数据集的具体步骤为：
S21、使用3σ原则识别心率变异性数据、皮肤电导反应数据和体温变化数据中的异常数据值，对异常数据值均进行标记，如果是设备误差导致的异常数据值则剔除该异常数据值；
S22、采用移动平均法对心率变异性数据、皮肤电导反应数据、体温变化数据和动作幅度数据进行平滑滤波处理；
S23、根据心率变异性数据计算LF/HF比值、以反映用户的自主神经平衡状况，根据皮肤电导反应数据构建应力指数、以评估用户的情绪紧张程度；
S24、将处理过的生理指标数据整合形成预处理生理指标数据集。
利用3σ原则识别并标记心率变异性、皮肤电导反应和体温变化数据中的异常数据值，对于设备误差产生的异常值予以剔除，这种做法有效地消除了因仪器失准、干扰等原因造成的偶然错误，确保后续分析的数据可靠性，当然，也可以采用聚类方法自动识别异常数据点。
通过移动平均法对各项生理指标进行平滑滤波处理，旨在减少随机噪声的影响，记录数据的内在趋势和周期性变化，例如，用户的体温在夜间会有微小但规律的波动，移动平均法能够帮助系统聚焦于真实的体温变化曲线，而非短暂的热力学扰动。当然也可以运用小波去噪、卡尔曼滤波等高级滤波技术以适应不同类型生理信号的特性。
LF/HF比值是心率变异性分析中的一个重要参数，用于反映用户的交感神经和副交感神经系统的平衡状况。LF频带主要与交感神经系统活动和部分副交感神经系统活动有关，HF频带主要与副交感神经活动相关。
作为一种实例，步骤S22中采用移动平均法对心率变异性数据、皮肤电导反应数据、体温变化数据和动作幅度数据进行平滑滤波处理的具体步骤为：
根据需求和数据特性设定移动窗口大小n，这是用来计算移动平均数的数据点数量，例如，选择一个窗口大小为5的数据点，表示我们将在每个时间点使用当前点及其前后的4个数据点来计算移动平均值；
步骤S221、从原始心率变异性数据的第一个数据点开始，取该点及其前面(或后面)n-1个数据点，计算这n个数据点的平均值作为第一个平滑后的心率变异性数据点；
步骤S222、向右逐点移动窗口，即将下一个数据点纳入窗口，移除最远的那个数据点，重新计算窗口内n个数据点的平均值作为第二个平滑后的心率变异性数据点；
重复此过程直到处理完所有的心率变异性数据，得到一个平滑过的心率变异性数据序列。
对皮肤电导反应数据、体温变化数据和动作幅度数据平滑处理同理。
作为一种实例，S23根据心率变异性数据计算LF/HF比值、以反映用户的自主神经平衡状况，根据皮肤电导反应数据构建应力指数、以评估用户的情绪紧张程度的具体步骤为：
步骤231、对已预处理的心率变异性数据进行频谱分析，通常使用傅立叶变换、自回归模型(AR模型)、小波分析等方法将时间域的心率变异性数据转换到频域；
步骤232、在频谱分析结果中，确定低频LF和高频HF功功率谱密度；
步骤233、计算LF和HF的功率(能量)值，然后求LF/HF的比值。
假设我们已经完成了心率变异性数据的频谱分析，得到LF功率为50ms2，HF功率为70ms2，则LF/HF比值为50/70≈0.71，表示在此状态下，用户的交感神经活动相对副交感神经活动较为活跃，自主神经平衡可能偏向于交感主导。
根据皮肤电导反应数据构建应力指数的具体步骤：
步骤234、对预处理后的皮肤电导反应数据进行基线校正，消除个体差异和环境影响，常用方法是计算相对皮肤电导或标准化皮肤电导变化；
步骤235、选择合适的计算方法构建应力指数，一种简单的方法是计算皮肤电导反应的最大值、平均值或变化率，复杂一些的方法可以建立动态模型，跟踪皮肤电导反应的增减变化；
步骤236、设定阈值或参考范围，以此来评估用户的情绪紧张程度，例如，较高的应力指数可能指示用户处在较高的紧张状态。
假设我们对一段实验期间的皮肤电导反应数据进行了处理，得到了标准化后的皮肤电导变化序列。其中最高值为+0.5μS，平均值为+0.2μS，高于正常基线水平，我们可以设定一个阈值，如当皮肤电导变化超过+0.3μS时，就认为用户可能处于较紧张的状态，从而构建了一个简单的应力指数。
作为一种实例，步骤S21中如果是设备误差导致的异常数据值则剔除该异常数据值的具体步骤为：
当心率变异性数据和皮肤电导反应数据中的一个具有异常数据值，且另一个不具有异常数据值时则为设备误差导致的异常数据值；
当体温变化数据具有异常数据值时，且心率变异性数据和皮肤电导反应数据中不具有异常数据值时则为设备误差导致的异常数据值。
理论上心率变异性和皮肤电导反应应该同步反应，若仅其中一个指标异常，则很大可能是设备问题，在用户醒来后口述梦到被追赶的情节时，如果对应的生理数据记录中只有体温数据异常上升而其他指标正常，那么设备误差判定机制会识别并剔除这个体温异常数据，确保分析不会受到假象数据的影响，此外还可以通过交叉验证的方式，通过对多个连续时间段内的数据进行比对分析，如果某一生理指标的异常持续存在并且与其他指标的变化趋势明显不符，即使不是一对一对应的关系，也有可能通过统计检验或其他智能算法判断为设备误差。
作为一种实例，步骤S3中将预处理生理指标数据集输入情绪分类模型中识别得出情绪数据的具体步骤为：
将若干组心率变异性数据、皮肤电导反应数据、LF/HF比值、应力指数、体温变化数据和动作幅度数据按照采集时间数据排序逐批输入随机森林模型进行情绪预测，预测得到若干个整数编码，计算整数编码的平均值得出情绪编码，在与整数编码相对应的映射表中选取与情绪编码最相近的情绪类别得出情绪数据。
在输入随机森林模型前需要先训练随机森林模型，将预处理后的生理指标数据集划分为训练集和测试集，训练集用于训练模型，而测试集用于评估模型在新数据上的预测性能，通过调用fit方法，我们将训练集的特征数据(X_train)和对应的情绪标签(y_train)传递给随机森林分类器进行训练，这样，我们就完成了随机森林模型的构建和训练过程，至于随机森林模型的相关参数，如树的数量、节点划分时考虑的特征数量等可以根据需求进行选择，作为一种实例，数的数量为100，节点划分时考虑的特征数量约为平方根；随机森林是集合多个决策树进行投票或取平均结果，能够在面对大量特征变量时，降低过拟合风险，提高预测准确性。
作为一种实例，步骤S5中控制装置对个人记忆数据进行预处理形成预处理文本的具体步骤为：将个人记忆数据中的文本段落和日期时间分别统一转化为相同的格式。统一格式化的预处理文本使得个人记忆数据更容易被索引和检索，便于用户或研究人员查找某一特定时间范围内的记忆记录，也能更好地与其它类型的数据(如生理指标数据、情绪数据等)进行整合分析。
作为一种实例，步骤S5中控制装置通过自然语言处理技术将预处理文本转化为记忆文本的具体步骤为：
S51、将预处理文本转化为Unicode编码文本；
S52、将标准化文本通过stanza库进行指代消解，整合全部修改的地方形成第一修改数据集；
将标准化文本通过corrector库进行修改错别字，整合全部修改的地方形成第二修改数据集；
根据第一修改数据集和第二修改数据集将标准化文本里对应的文字删除或更改从而形成记忆文本。
将预处理文本转化为Unicode编码文本，确保了数据在不同操作系统、编程环境和设备间的一致性和兼容性；通过stanza库进行指代消解，能够识别和解析文本中的代词和其他指示性词汇所指代的具体对象，使得记忆文本更加清晰、连贯，例如，用户在口述梦境内容时提到“他”，经过指代消解后，系统能准确知道“他”指的是哪个角色或人物，从而提高内容的理解准确度和分析质量；利用corrector库对预处理文本进行错别字校正，能有效减少由于拼写错误导致的语义歧义或误解，例如，在用户口述的梦境情节中，“我在奔跑的过程中看到了一只斑斓大虎”，若“斑斓”被误记为“澜斑”，经过纠错后，系统形成的记忆文本将更准确地反映用户的原始意图。
作为一种实例，传感装置为贴附在人体手腕的环状结构，环状结构方便人体穿戴。

Claims (9)

1.一种AI的心理分析与记忆整合方法，其特征在于，包括接触用户皮肤的传感装置、与所述传感装置信号连接的控制装置；
方法包括以下步骤：
S1、传感装置采集用户若干组生理指标并整合形成生理指标数据集传输至控制装置；
S2、生理指标数据集包括若干个采集时间数据、若干组与采集时间数据一一对应的心率变异性数据、若干组与采集时间数据一一对应的皮肤电导反应数据、若干组与采集时间数据一一对应的体温变化数据和若干组与采集时间数据一一对应的动作幅度数据，控制装置对生理指标数据集进行预处理形成预处理生理指标数据集；
S3、将预处理生理指标数据集输入情绪分类模型中识别得出情绪数据；
S4、所述传感装置上设有语音输入设备，用户通过语音输入设备输入个人经历形成个人记忆数据，传感装置将个人记忆数据传输至控制装置；
S5、控制装置对个人记忆数据进行预处理形成预处理文本，控制装置通过自然语言处理技术将预处理文本转化为记忆文本，将记忆文本和情绪数据按照时间结合形成记忆心理分析文本，将记忆心理分析文本存储在个人时序数据库中。
2.根据权利要求1所述的AI的心理分析与记忆整合方法，其特征在于，传感装置包括用于持续记录用户心搏速率并计算出心率变异性数据的心率传感器、用于测量皮肤电导度的变化以反应用户应激水平的GSR皮肤电导反应传感器、用于检测用户体温变化的体温传感器、以及用于追踪用户动作幅度的运动传感器。
3.根据权利要求2所述的AI的心理分析与记忆整合方法，其特征在于，步骤S1中传感装置采集用户若干组生理指标并整合形成生理指标数据集传输至控制装置的具体步骤为：
传感装置预设有第一检测频率和频率大于第一检测频率的第二检测频率，传感装置按照第一检测频率检测用户的生理指标，当心率传感器、或GSR皮肤电导反应传感器、或体温传感器、或运动传感器所检测到的数据变化值超出预设于传感装置内的标准变化值时，传感装置按照第二检测频率采集用户的生理指标，将采集的生理指标结合对应的采集时间整合成生理指标数据集传输至控制装置。
4.根据权利要求1所述的AI的心理分析与记忆整合方法，其特征在于，步骤S2中控制装置对生理指标数据集进行预处理形成预处理生理指标数据集的具体步骤为：
S21、使用3σ原则识别心率变异性数据、皮肤电导反应数据和体温变化数据中的异常数据值，对异常数据值均进行标记，如果是设备误差导致的异常数据值则剔除该异常数据值；
S22、采用移动平均法对心率变异性数据、皮肤电导反应数据、体温变化数据和动作幅度数据进行平滑滤波处理；
S23、根据心率变异性数据计算LF/HF比值、以反映用户的自主神经平衡状况，根据皮肤电导反应数据构建应力指数、以评估用户的情绪紧张程度；
S24、将处理过的生理指标数据整合形成预处理生理指标数据集。
5.根据权利要求4所述的AI的心理分析与记忆整合方法，其特征在于，步骤S21中如果是设备误差导致的异常数据值则剔除该异常数据值的具体步骤为：
当心率变异性数据和皮肤电导反应数据中的一个具有异常数据值，且另一个不具有异常数据值时则为设备误差导致的异常数据值；
当体温变化数据具有异常数据值时，且心率变异性数据和皮肤电导反应数据中不具有异常数据值时则为设备误差导致的异常数据值。
6.根据权利要求4所述的AI的心理分析与记忆整合方法，其特征在于，步骤S3中将预处理生理指标数据集输入情绪分类模型中识别得出情绪数据的具体步骤为：
将若干组心率变异性数据、皮肤电导反应数据、LF/HF比值、应力指数、体温变化数据和动作幅度数据按照采集时间数据排序逐批输入随机森林模型进行情绪预测，预测得到若干个整数编码，计算整数编码的平均值得出情绪编码，在与整数编码相对应的映射表中选取与情绪编码最相近的情绪类别得出情绪数据。
7.根据权利要求1所述的AI的心理分析与记忆整合方法，其特征在于，步骤S5中控制装置对个人记忆数据进行预处理形成预处理文本的具体步骤为：将个人记忆数据中的文本段落和日期时间分别统一转化为相同的格式。
8.根据权利要求1所述的AI的心理分析与记忆整合方法，其特征在于，步骤S5中控制装置通过自然语言处理技术将预处理文本转化为记忆文本的具体步骤为：
S51、将预处理文本转化为Unicode编码文本；
S52、将Unicode编码文本通过stanza库进行指代消解，整合全部修改的地方形成第一修改数据集；
将Unicode编码文本通过corrector库进行修改错别字，整合全部修改的地方形成第二修改数据集；
根据第一修改数据集和第二修改数据集将Unicode编码文本里对应的编码删除或更改从而形成记忆文本。
9.根据权利要求1所述的AI的心理分析与记忆整合方法，其特征在于，所述传感装置为贴附在人体手腕的环状结构。
CN202410644489.XA 2024-05-21 2024-05-21 Ai的心理分析与记忆整合方法 Pending CN118398214A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410644489.XA CN118398214A (zh) 2024-05-21 2024-05-21 Ai的心理分析与记忆整合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410644489.XA CN118398214A (zh) 2024-05-21 2024-05-21 Ai的心理分析与记忆整合方法

Publications (1)

Publication Number Publication Date
CN118398214A true CN118398214A (zh) 2024-07-26

Family

ID=91999198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410644489.XA Pending CN118398214A (zh) 2024-05-21 2024-05-21 Ai的心理分析与记忆整合方法

Country Status (1)

Country Link
CN (1) CN118398214A (zh)

Similar Documents

Publication Publication Date Title
Faust et al. Accurate detection of sleep apnea with long short-term memory network based on RR interval signals
Zhao et al. EmotionSense: Emotion recognition based on wearable wristband
WO2019161607A1 (zh) 心电信息动态监护方法和动态监护系统
CN110604565A (zh) 一种基于便携式eeg设备的脑部健康筛查方法
US20170360362A1 (en) Sleep profiling system with feature generation and auto-mapping
JPWO2018221750A1 (ja) 睡眠判定装置、睡眠判定方法、および、睡眠判定プログラム
CN115670419A (zh) 基于智能手表预测运动信息的数据处理方法及系统
CN115089179A (zh) 一种心理情绪洞察分析方法及系统
Bsoul et al. Real-time sleep quality assessment using single-lead ECG and multi-stage SVM classifier
KR102345884B1 (ko) 수치 데이터를 이용한 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법
Raja et al. Existing Methodologies, Evaluation Metrics, Research Gaps, and Future Research Trends: A Sleep Stage Classification Framework
CN114081491A (zh) 基于脑电时序数据测定的高速铁路调度员疲劳预测方法
CN118398214A (zh) Ai的心理分析与记忆整合方法
US20230309884A1 (en) Physiological measurement data processing device and physiological measurement data processing method using same
CN118098581A (zh) 情绪状态的监测方法及系统
CN117796809A (zh) 一种基于情感计算的ai解梦技术
KR102488616B1 (ko) 심장의 동적 특성을 이용한 감성 인식 방법 및 시스템
KR102373496B1 (ko) 스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템 및 방법
Babaeian et al. Applying HRV based online clustering method to identify driver drowsiness
KR102431205B1 (ko) 학습 데이터 생성 장치 및 인공지능 데이터 학습이 적용된 증상 진단 시스템
CN116369864B (zh) 基于数据编码的睡眠监测数据智能管理方法和系统
KR102780189B1 (ko) 심장 질환 예측 모델 생성 방법, 서버 및 컴퓨터 프로그램
US12004859B2 (en) Contactless automated and remote polygraph test
CN117898685B (zh) 一种基于不同情绪状态的压力检测方法及装置
KR102789742B1 (ko) 생체신호의 특징 성분 분해 기반 시각화 방법 및 분석장치

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