CN102831435A - 一种按键行为的特征数据的处理装置及处理方法 - Google Patents
一种按键行为的特征数据的处理装置及处理方法 Download PDFInfo
- Publication number
- CN102831435A CN102831435A CN2012102606002A CN201210260600A CN102831435A CN 102831435 A CN102831435 A CN 102831435A CN 2012102606002 A CN2012102606002 A CN 2012102606002A CN 201210260600 A CN201210260600 A CN 201210260600A CN 102831435 A CN102831435 A CN 102831435A
- Authority
- CN
- China
- Prior art keywords
- consciousness
- cognitive function
- button
- characteristic
- button behavior
- 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.)
- Granted
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种按键行为的特征数据的处理装置及处理方法,包括:按键行为的特征数据获取模块,用于获取按键行为的特征数据;按键行为的特征数据转化模块,用于将按键行为的特征数据转化为意识认知功能数据;意识认知功能评估模块,用于将意识认知功能数据与意识认知功能评估信息进行比对,获得意识认知功能的结果。本发明的目的在于及早地发现意识认知功能减弱的问题,以便及时采取正确的方法增强意识认知功能。
Description
技术领域
本发明涉及物联网及普适计算领域,具体涉及一种按键行为的特征数据的处理装置及处理方法。
背景技术
当今社会,工作和生活的节奏越来越快,来自各方面的精神压力也随之加大。高强度的工作压力和负重的精神状态,容易使得身心健康受到损害,对自我的意识认知功能(即意识认知的能力和清晰程度)将会逐步减弱。特别当进入中老年阶段,自我意识认知功能的衰退程度慢慢突显出来,再加上记忆力衰退和身体各器官的老化等自然规律,各种因素综合起来势必导致如下方面的诸多不良后果:
1.食欲:中老年味觉和嗅觉功能逐渐减退,消化功能减弱,对饮食产生不了兴趣,反复的恶性循环使得以食欲不振为主要表现,长期以往容易触发各类疾病。
2.记忆力:中老年记忆力退化显得比较突出,容易对自己的记忆失去信心,产生焦虑、忧愁、不安等消极的情绪,长期以往容易触发各类疾病。
3.无感觉的隐匿疾病:中老年意识认知能力衰退现象逐渐显现,无感觉隐匿疾病的初期症状表现得很微弱,不引起足够的注意和监护,当这些隐匿疾病爆发出来的时候,诊断时期已经不是最佳治疗时间。
目前,通常使用医疗设备测试或医生问诊等方式诊断意识认知的能力和清晰程度减弱的情况,而且如果自我发觉意识认知的能力和清晰程度减弱时,已经错过了早期最佳的治疗时机,达到较重的程度,身心健康已经受到一定的损害。而且,医疗设备的研制需要较高的费用。
如何在意识认知能力和清晰程度出现减弱的早期及时发现,是当今非常被关注的话题。如果能通过观察日常生活,以非干扰正常生活的数据采集方式,分析出所处的精神压力状态,来及早地发现意识认知能力和清晰程度减弱的问题,从而在症状出现早期以提醒、引导等自然、轻松的方式及时改善原有的、不正确的生活方式,养成良好的行为习惯,促使生活得更加科学、更加健康。
对电话座机、手机、触摸屏的按键行为属于日常生活,图1、图2和图3所示的三种按键行为场景对我们来说并不陌生,而且对我们的正常生活不会构成干扰,如果能从按键行为分析出意识认知功能,将会对我们及时发现自身健康问题有很大帮助。
发明内容
本发明所要解决的技术问题在于提供一种按键行为的特征数据的处理装置及处理方法,来分析当今社会高强度的工作压力和负重的精神状态下意识认知功能是否减弱,以便及时改善原有的、不正确的生活方式,养成良好的行为习惯,促使生活得更加科学、更加健康。
本发明提供了一种按键行为的特征数据的处理装置,包括:
按键行为的特征数据获取模块,用于获取按键行为的特征数据,所述按键行为的特征数据包括按键速度和按键准确率;
按键行为的特征数据转化模块,用于将所述按键行为的特征数据转化为意识认知功能数据;
意识认知功能评估模块,用于将所述意识认知功能数据与意识认知功能评估信息进行比对,获得意识认知功能的结果;
其中,所述的按键行为包括对电话座机的按键行为、对手机的按键行为和对触摸屏的按键行为;
所述意识认知功能评估信息包括多个数值区间,不同的数值区间对应不同的意识认知功能强弱程度。
所述按键行为的特征数据转化模块的所述转化的过程是:将所述按键行为的特征数据带入预先建立的意识认知功能数学模型,计算出所述意识认知功能数据。
所述意识认知功能数学模型的建立过程如下:
获取用于建立所述意识认知功能数学模型的独立观测数据;
利用所述独立观测数据,根据二元线性回归法,建立所述意识认知功能数学模型;
对所述意识认知功能数学模型进行显著性检验。
所述数值区间为4个,分别是[0,0.25]、(0.25,0.5]、(0.5,0.75]和(0.75,1],落入[0,0.25]中的所述意识认知功能数据表示所述意识认知功能为弱,落入(0.25,0.5]中的所述意识认知功能数据表示所述意识认知功能为较弱,落入(0.5,0.75]中的所述意识认知功能数据表示所述意识认知功能为稍弱,落入(0.75,1]中的所述意识认知功能数据表示所述意识认知功能为强。
本发明提供了一种按键行为的特征数据的处理方法,包括如下步骤:
步骤1:获取按键行为的特征数据,所述按键行为的特征数据包括按键速度和按键准确率;
步骤2:将所述按键行为的特征数据转化为意识认知功能数据;
步骤3:将所述意识认知功能数据与意识认知功能评估信息进行比对,获得意识认知功能的结果;
其中,所述的按键行为包括对电话座机的按键行为、对手机的按键行为和对触摸屏的按键行为;
所述意识认知功能评估信息包括多个数值区间,不同的数值区间对应不同的意识认知功能强弱程度。
所述步骤2中所述转化的过程是:将所述按键行为的特征数据带入预先建立的意识认知功能数学模型,计算出所述意识认知功能数据。
所述意识认知功能数学模型的建立方法包括如下步骤:
获取用于建立所述意识认知功能数学模型的独立观测数据;
利用所述独立观测数据,根据二元线性回归法,建立所述意识认知功能数学模型;
对所述意识认知功能数学回归模型进行显著性检验。
所述数值区间为4个,分别是[0,0.25]、(0.25,0.5]、(0.5,0.75]和(0.75,1],落入[0,0.25]中的所述意识认知功能数据表示所述意识认知功能为弱,落入(0.25,0.5]中的所述意识认知功能数据表示所述意识认知功能为较弱,落入(0.5,0.75]中的所述意识认知功能数据表示所述意识认知功能为稍弱,落入(0.75,1]中的所述意识认知功能数据表示所述意识认知功能为强。
本发明的有益之处在于:
通过对电话座机、手机、移动终端的触摸屏等的键盘的按键行为过程进行数据处理,长期捕获按键行为过程的特征数据,对意识认知功能的强弱进行评估,来判断是否出现意识认知能力和清晰程度减弱的症状,达到及时改善原有的、不正确的生活方式,养成良好的行为习惯,促使生活得更加科学、更加健康的目的。
附图说明
图1为电话座机按键的键盘布局;
图2为手机按键的键盘布局;
图3为触摸屏的键盘布局;
图4为本发明提供的装置的结构图;
图5为本发明提供的方法的流程图。
具体实施方式
下面结合实施例和附图,对本发明的技术方案进行详细说明。
图4为本发明提供的装置的结构图。如图4所示,本装置的结构如下:
按键行为的特征数据获取模块21,用于获取按键行为的特征数据。将按键行为的特征数据提供给按键行为的特征数据转化模块。
其中,按键行为包括对电话座机的按键行为、对手机的按键行为和对触摸屏的按键行为。
按键行为的特征数据包括按键速度v和按键准确率r。本发明的实施例中,这两个数据是通过对图2所示的手机键盘的功能区1和控制区2在单位计算时间内的按键次数和按键速度计算出的。这两个数据也可以根据图1、图2、图3所示的键盘的任意组合的按键行为获得的按键次数和按键速度计算出。单位计算时间可以是1分钟、5分钟、10分钟等。
本发明的实施例中,按键速度v使用如下步骤计算,其中,意识认知功能数据在表2所示的[0,1]区间,所以要对初始按键速度v’和初始按键准确率r’进行特征表达时需要进行归一化,来获取按键行为的特征数据v和r:
其中,ti-ti-1为***预设的单位计算时间,count(all_key)为预设的单位计算时间内所有按键的次数。
其中,vmin为统计中的按键速度最小值,vmax为统计中的按键速度最大值。
本发明的实施例中,按键准确率r使用如下步骤计算:
①初始按键准确率r’:
其中,count(function_key)为功能区1中按键输入的次数,count(control_key)为控制区2中表示按键输入不准确的键被按次数,本实施例中表示按键输入不准确的键是退格键3,ti-ti-1为***预设的单位计算时间。
举例:要输入的内容为18810860000,
输入序列为1→8→8→1→0→8→8→退格键→6→0→0→8→8→退格→退格键→0→0,
则初始按键准确率r’=(14-3)/14=0.786。
其中,rmin为统计中的按键准确率最小值,rmax为统计中的按键准确率最大值。
按键行为的特征数据转化模块22,用于将按键行为的特征数据转化为意识认知功能数据。将意识认知功能数据提供给意识认知功能评估模块23。
按键行为的特征数据转化模块的转化的过程是:将按键行为的特征数据带入预先建立的意识认知功能数学模型,计算出意识认知功能数据。
从按键速度v和按键准确率r两个方面考虑,基于多元线性回归模型建模方法,建立意识认知功能数学模型y=f(v,r),其中,v为按键速度,r为按键准确率,y为意识认知功能数据,f为二元线性函数。
意识认知功能数学模型的建立过程如下:
①获取用于建立意识认知功能数学模型的独立观测数据;
②利用独立观测数据,根据二元线性回归法,建立意识认知功能数学模型;
③对意识认知功能数学模型进行显著性检验。
其中,
①获取用于建立意识认知功能数学模型的独立观测数据。
本发明的实施例中,根据图2所示的手机键盘的按键行为获得独立观测数据。表1为建立意识认知功能数学模型使用的独立观测数据的部分数据。本发明的独立观测数据也可以根据图1、图2、图3所示的键盘的任意组合的按键行为获得独立观测数据。
表1
表中包括5个属性:类别号、初始按键速度v’(次数/分钟)、初始按键准确率r’(比率/分钟)、意识认知功能数据y、意识认知功能评估结果。类别号是对意识认知功能评估结果的分类号,本实施例中分为4类,分别是强、稍弱、较弱和弱;初始按键速度v’与按键行为的特征数据获取模块21中v’的获取方法相同;初始按键速度r’与按键行为的特征数据获取模块21中r’的获取方法相同;意识认知功能数据y是根据医生主观打分得出的数值;意识认知功能评估结果是从医学的角度对意识认知功能强弱程度的评估结果。
②利用独立观测数据,根据二元线性回归法,建立意识认知功能数学模型。
使用独立观测数据建立意识认知功能数学模型(实际的独立观测数据为229组),令意识认知功能数据初始值为β0,按键速度v为x1,按键准确率r为x2,用户意识认知功能数学模型的因变量为y,ε为一随机数。则,因变量y和自变量x1和x2之间服从如下的二元线性关系式:
y=β0+β1x1+β2x2+ε,
对用户意识认知功能、按键速度、按键准确率同时进行229次试验后,得到因变量y和两个自变量x1和x2的229组独立观测数据:(yi;xi1,xi2)(i=1,2,...,229),具体而言,这229组数据分别是:强类49组、稍弱类46组、较弱类70组、弱类64组,,则它们满足如下的二元线性关系:
上式即为我们根据用户意识认知功能与按键速度、按键准确率两因素的关系建立的二元线性回归模型,且在大多数情况下,随机变量εi符合标准偏差为σ的正态分布,即εi~N(0,σ2)(i=1,2,3,...,229)。
记Y=(y1,y2,…,y229)T,β=(β0,β1,β2)T,ε=(ε1,ε2,…,ε229)T,
采用229个独立样本构建二元回归模型,用两个预测变量(初始按键速度v’和初始按键准确率r’)同时确定三个因子(即意识认知功能数据初始值β0、按键速度权重β1及按键准确率权重β2),则回归模型以矩阵表示为:
Y=Xβ+ε,
未知参数向量β利用最小二乘估计进行求解。记矩阵L=XTX,利用多元函数极值的求法,得到回归模型参数的最小二乘估计为:
则可得Y对X的二元线性回归方程为:
此为根据意识认知功能与按键速度、按键准确率之间的关系,建立的二元线性回归模型,即为意识认知功能数学模型。
本发明的实施例中,建立的意识认知功能数学模型为:
y=-0.1657+0.7803v+0.4981r。
③对意识认知功能数学模型进行显著性检验。
对建立的意识认知功能数学模型,进行显著性检验。
首先,定义如下的3个统计量:
对于回归模型的显著性检验,先检验假设:
H0:β1=β2=0,
然后利用F分布的定义,得到:当H0为真时,统计量:
其中,p为回归因子的个数,n为样本数,SR为回归平方和,SL为残差平方和。
对于给定的显著性水平α=0.01,当统计量F>F001时,意识认知功能y与按键速度v和按键准确率r两个因子之间的线性相关关系是显著的。
另一方面,当相关关系不显著时,对回归模型的三个参数(即意识认知功能数据初始值β0、按键速度权重β1及按键准确率权重β2)进行适当的调整,以满足相关关系显著的性质,从而形成适应用户按键行为的特定的个性化模型。
通过建立的数学模型可分析得出用户意识认知功能的四种状态如下:
1)按键速度快、按键准确率高:意识认知功能强,
可初步判断:头脑灵活,反应速度快,眼、脑、手配合协调;
2)按键速度快、按键准确率低:意识认知功能稍弱,
可初步判断:头脑较灵活,反应速度快,眼、脑、手配合欠协调;
3)按键速度慢、按键准确率高:意识认知功能较弱,
可初步判断:头脑反应速度较慢,眼、脑、手配合不太协调;
4)按键速度慢、按键准确率低:意识认知功能弱,
可初步判断:头脑反应速度慢,眼、脑、手配合协调能力很差。
意识认知功能评估模块23,用于将意识认知功能数据与意识认知功能评估信息进行比对,获得意识认知功能的结果。将意识认知功能的结果提供给用户。
其中,意识认知功能评估信息包括多个数值区间,不同的数值区间对应不同的意识认知功能强弱程度。
表2为本发明的用于分析意识认知功能的意识认知功能评估表的实施例。
表2
使用这个评估表能够判断意识认知功能的强弱程度。数值区间为4个,分别是[0,0.25]、(0.25,0.5]、(0.5,0.75]和(0.75,1],落入[0,0.25]中的意识认知功能数据表示意识认知功能为弱,落入(0.25,0.5]中的意识认知功能数据表示意识认知功能为较弱,落入(0.5,0.75]中的意识认知功能数据表示意识认知功能为稍弱,落入(0.75,1]中的意识认知功能数据表示意识认知功能为强。
另外,使用数学模型求得的意识认知功能数据和按键行为的按键次数和按键准确率可以作为数学模型的新的独立观测数据,来对数学模型进行适应性调整。
图5为本发明提供的方法的流程图。如图5所示,本方法的步骤如下:
步骤1:获取按键行为的特征数据。
其中,按键行为包括对电话座机的按键行为、对手机的按键行为和对触摸屏的按键行为。
按键行为的特征数据包括按键速度v和按键准确率r。本发明的实施例中,这两个数据是通过对图2所示的手机键盘的功能区1和控制区2在单位计算时间内的按键次数和按键速度计算出的。这两个数据也可以根据图1、图2、图3所示的键盘的任意组合的按键行为获得的按键次数和按键速度计算出。单位计算时间可以是1分钟、5分钟、10分钟等。
本发明的实施例中,按键速度v使用如下步骤计算,其中,意识认知功能数据在表2所示的[0,1]区间,所以要对初始按键速度v’和初始按键准确率r’进行特征表达时需要进行归一化,来获取按键行为的特征数据v和r:
其中,ti-ti-1为***预设的单位计算时间,count(all_key)为预设的单位计算时间内所有按键的次数。
其中,vmin为统计中的按键速度最小值,vmax为统计中的按键速度最大值。
本发明的实施例中,按键准确率r使用如下步骤计算:
①初始按键准确率r’:
其中,count(function_key)为功能区1中按键输入的次数,count(control_key)为控制区2中表示按键输入不准确的键被按的次数,本实施例中表示按键输入不准确的键是退格键3,ti-ti-1为***预设的单位计算时间。
其中,rmin为统计中的按键准确率最小值,rmax为统计中的按键准确率最大值。
步骤2:将按键行为的特征数据转化为意识认知功能数据。
按键行为的特征数据转化模块的转化的过程是:将按键行为的特征数据带入预先建立的意识认知功能数学模型,计算出意识认知功能数据。
从按键速度v和按键准确率r两个方面考虑,基于多元线性回归模型的建模方法,建立意识认知功能数学模型y=f(v,r),其中,v为按键速度,r为按键准确率,y为意识认知功能数据,f为二元线性函数。
意识认知功能数学模型的建立过程如下:
①获取用于建立意识认知功能数学模型的独立观测数据;
②利用独立观测数据,根据二元线性回归法,建立意识认知功能数学模型;
③对意识认知功能数学模型进行显著性检验。
其中,
①获取用于建立意识认知功能数学模型的独立观测数据。
本发明的实施例中,根据图2所示的手机键盘的按键行为获得独立观测数据。表1为建立意识认知功能数学模型使用的独立观测数据的部分数据。本发明的独立观测数据也可以根据图1、图2、图3所示的键盘的任意组合的按键行为获得独立观测数据。
表1中包括5个属性:类别号、初始按键速度v’(次数/分钟)、初始按键准确率r’(比率/分钟)、意识认知功能数据y、意识认知功能评估结果。类别号是对意识认知功能评估结果的分类号,本实施例中分为4类,分别是强、稍弱、较弱和弱;初始按键速度v’与按键行为的特征数据获取模块21中v’的获取方法相同;初始按键速度r’与按键行为的特征数据获取模块21中r’的获取方法相同;意识认知功能数据y是根据医生主观打分得出的数值;意识认知功能评估结果是从医学的角度对意识认知功能强弱程度的评估结果。
②利用独立观测数据,根据二元线性回归法,建立意识认知功能数学模型。
使用独立观测数据建立意识认知功能数学模型,令意识认知功能数据初始值为β0,按键速度v为x1,按键准确率r为x2,用户意识认知功能为因变量y,ε为一随机数。则,因变量y和自变量x1和x2之间服从如下的二元线性关系式:
y=β0+β1x1+β2x2+ε,
对用户意识认知功能、按键速度、按键准确率同时进行229次试验后,得到因变量y和两个自变量x1和x2的229组独立观测数据:(yi;xi1,xi2)(i=1,2,...,229),具体而言,这229组数据分别是:强类49组、稍弱类46组、较弱类70组、弱类64组,则它们满足如下的二元线性关系:
上式即为我们根据用户意识认知功能与按键速度、按键准确率两因素的关系建立的二元线性回归模型,且在大多数情况下,随机变量εi符合标准偏差为σ的正态分布,即εi~N(0,σ2)(i=1,2,3,...,229)。
记Y=(y1,y2,…,y229)T,β=(β0,β1,β2)T,ε=(ε1,ε2,…,ε229)T,
采用229个独立样本构建二元回归模型,用两个预测变量(初始按键速度v’和初始按键准确率r’)同时确定三个因子(即意识认知功能数据初始值β0、按键速度权重β1及按键准确率权重β2),则回归模型以矩阵表示为:
Y=Xβ+ε,
未知参数向量β利用最小二乘估计进行求解。记矩阵L=XTX,利用多元函数极值的求法,得到回归模型参数的最小二乘估计为:
则可得Y对X的二元线性回归方程为:
此为根据意识认知功能与按键速度、按键准确率之间的关系,建立的二元线性回归模型,即为意识认知功能数学模型。
本发明的实施例中,建立的意识认知功能数学模型为:
y=-0.1657+0.7803v+0.4981r。
③对意识认知功能数学模型进行显著性检验。
对建立的意识认知功能数学模型,进行显著性检验。
首先,定义如下的3个统计量:
对于回归模型的显著性检验,先检验假设:
H0:β1=β2=0,
然后利用F分布的定义,得到:当H0为真时,统计量:
其中,p为回归因子的个数,n为样本数,SR为回归平方和,SL为残差平方和。
对于给定的显著性水平α=0.01,当统计量F>F001时,意识认知功能y与按键速度v和按键准确率r两个因子之间的线性相关关系是显著的。
另一方面,当相关关系不显著时,对回归模型的三个参数(即意识认知功能数据初始值β0、按键速度权重β1及按键准确率权重β2)进行适当的调整,以满足相关关系显著的性质,从而形成适应用户按键行为的特定的个性化模型。
通过建立的数学模型可分析得出用户意识认知功能的四种状态如下:
1)按键速度快、按键准确率高:意识认知功能强,
可初步判断:头脑灵活,反应速度快,眼、脑、手配合协调;
2)按键速度快、按键准确率低:意识认知功能稍弱,
可初步判断:头脑较灵活,反应速度快,眼、脑、手配合欠协调;
3)按键速度慢、按键准确率高:意识认知功能较弱,
可初步判断:头脑反应速度较慢,眼、脑、手配合不太协调;
4)按键速度慢、按键准确率低:意识认知功能弱,
可初步判断:头脑反应速度慢,眼、脑、手配合协调能力很差。
步骤3:将意识认知功能数据与意识认知功能评估信息进行比对,获得意识认知功能的结果。
其中,意识认知功能评估信息包括多个数值区间,不同的数值区间对应不同的意识认知功能强弱程度。
表2为本发明的用于分析意识认知功能的意识认知功能评估表的实施例。使用这个评估表能够判断意识认知功能的强弱程度。数值区间为4个,分别是[0,0.25]、(0.25,0.5]、(0.5,0.75]和(0.75,1],落入[0,0.25]中的意识认知功能数据表示意识认知功能为弱,落入(0.25,0.5]中的意识认知功能数据表示意识认知功能为较弱,落入(0.5,0.75]中的意识认知功能数据表示意识认知功能为稍弱,落入(0.75,1]中的意识认知功能数据表示意识认知功能为强。
另外,使用数学模型求得的意识认知功能数据和按键行为的按键次数和按键准确率可以作为数学模型的新的独立观测数据,来对数学模型进行适应性调整。
综上所述,本发明提供了一种按键行为的特征数据的处理装置,包括:
按键行为的特征数据获取模块,用于获取按键行为的特征数据,按键行为的特征数据包括按键速度和按键准确率;
按键行为的特征数据转化模块,用于将按键行为的特征数据转化为意识认知功能数据;
意识认知功能评估模块,用于将意识认知功能数据与意识认知功能评估信息进行比对,获得意识认知功能的结果;
其中,按键行为包括对电话座机的按键行为、对手机的按键行为和对触摸屏的按键行为;
意识认知功能评估信息包括多个数值区间,不同的数值区间对应不同的意识认知功能强弱程度。
按键行为的特征数据转化模块的转化的过程是:将按键行为的特征数据带入预先建立的意识认知功能数学模型,计算出意识认知功能数据。
意识认知功能数学模型的建立方法包括如下步骤:
获取用于建立意识认知功能数学模型的独立观测数据;
利用独立观测数据,根据二元线性回归法,建立意识认知功能数学模型;
对意识认知功能数学模型进行显著性检验。
数值区间为4个,分别是[0,0.25]、(0.25,0.5]、(0.5,0.75]和(0.75,1],落入[0,0.25]中的意识认知功能数据表示意识认知功能为弱,落入(0.25,0.5]中的意识认知功能数据表示意识认知功能为较弱,落入(0.5,0.75]中的意识认知功能数据表示意识认知功能为稍弱,落入(0.75,1]中的意识认知功能数据表示意识认知功能为强。
本发明提供了一种按键行为的特征数据的处理方法,包括如下步骤:
步骤1:获取按键行为的特征数据,按键行为的特征数据包括按键速度和按键准确率;
步骤2:将按键行为的特征数据转化为意识认知功能数据;
步骤3:将意识认知功能数据与意识认知功能评估信息进行比对,获得意识认知功能的结果;
其中,按键行为包括对电话座机的按键行为、对手机的按键行为和对触摸屏的按键行为;
意识认知功能评估信息包括多个数值区间,不同的数值区间对应不同的意识认知功能强弱程度。
步骤2中转化的过程是:将按键行为的特征数据带入预先建立的意识认知功能数学模型,计算出意识认知功能数据。
意识认知功能数学模型的建立方法包括如下步骤:
获取用于建立意识认知功能数学模型的独立观测数据;
利用独立观测数据,根据二元线性回归法,建立意识认知功能数学模型;
对意识认知功能数学模型进行显著性检验。
数值区间为4个,分别是[0,0.25]、(0.25,0.5]、(0.5,0.75]和(0.75,1],落入[0,0.25]中的意识认知功能数据表示意识认知功能为弱,落入(0.25,0.5]中的意识认知功能数据表示意识认知功能为较弱,落入(0.5,0.75]中的意识认知功能数据表示意识认知功能为稍弱,落入(0.75,1]中的意识认知功能数据表示意识认知功能为强。
本发明公开的技术方案可以通过观察日常生活,比如:按键习惯,以非干扰正常生活的数据采集方式,分析出所处的精神压力状态,来及早地发现意识认知功能和清晰程度减弱的问题,从而结合健康生活方式的常识和医疗监护知识,以更精准、更人性化的方式进行用户健康生活的提示和引导,逐步引导用户朝着生活方式更健康、精神状态更积极的方向发展,从而达到改善用户不良生活方式,养成良好的行为习惯的目的。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的变更和修改,但这些相应的变更和修改都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种按键行为的特征数据的处理装置,其特征在于,包括:
按键行为的特征数据获取模块,用于获取按键行为的特征数据,所述按键行为的特征数据包括按键速度和按键准确率;
按键行为的特征数据转化模块,用于将所述按键行为的特征数据转化为意识认知功能数据;
意识认知功能评估模块,用于将所述意识认知功能数据与意识认知功能评估信息进行比对,获得意识认知功能的结果;
其中,所述的按键行为包括对电话座机的按键行为、对手机的按键行为和对触摸屏的按键行为;
所述意识认知功能评估信息包括多个数值区间,不同的数值区间对应不同的意识认知功能强弱程度。
2.如权利要求1所述的按键行为的特征数据的处理装置,其特征在于,所述按键行为的特征数据转化模块的所述转化的过程是:将所述按键行为的特征数据带入预先建立的意识认知功能数学模型,计算出所述意识认知功能数据。
3.如权利要求2所述的按键行为的特征数据的处理装置,其特征在于,所述意识认知功能数学模型的建立过程如下:
获取用于建立所述意识认知功能数学模型的独立观测数据;
利用所述独立观测数据,根据二元线性回归法,建立所述意识认知功能数学模型;
对所述意识认知功能数学模型进行显著性检验。
4.如权利要求1所述的按键行为的特征数据的处理装置,其特征在于,所述数值区间为4个,分别是[0,0.25]、(0.25,0.5]、(0.5,0.75]和(0.75,1],落入[0,0.25]中的所述意识认知功能数据表示所述意识认知功能为弱,落入(0.25,0.5]中的所述意识认知功能数据表示所述意识认知功能为较弱,落入(0.5,0.75]中的所述意识认知功能数据表示所述意识认知功能为稍弱,落入(0.75,1]中的所述意识认知功能数据表示所述意识认知功能为强。
5.一种按键行为的特征数据的处理方法,其特征在于,包括如下步骤:
步骤1:获取按键行为的特征数据,所述按键行为的特征数据包括按键速度和按键准确率;
步骤2:将所述按键行为的特征数据转化为意识认知功能数据;
步骤3:将所述意识认知功能数据与意识认知功能评估信息进行比对,获得意识认知功能的结果;
其中,所述的按键行为包括对电话座机的按键行为、对手机的按键行为和对触摸屏的按键行为;
所述意识认知功能评估信息包括多个数值区间,不同的数值区间对应不同的意识认知功能强弱程度。
6.如权利要求5所述的按键行为的特征数据的处理方法,其特征在于,所述步骤2中所述转化的过程是:将所述按键行为的特征数据带入预先建立的意识认知功能数学模型,计算出所述意识认知功能数据。
7.如权利要求6所述的按键行为的特征数据的处理方法,其特征在于,所述意识认知功能数学模型的建立方法包括如下步骤:
获取用于建立所述意识认知功能数学模型的独立观测数据;
利用所述独立观测数据,根据二元线性回归法,建立所述意识认知功能数学模型;
对所述意识认知功能数学模型进行显著性检验。
8.如权利要求5所述的按键行为的特征数据的处理方法,其特征在于,所述数值区间为4个,分别是[0,0.25]、(0.25,0.5]、(0.5,0.75]和(0.75,1],落入[0,0.25]中的所述意识认知功能数据表示所述意识认知功能为弱,落入(0.25,0.5]中的所述意识认知功能数据表示所述意识认知功能为较弱,落入(0.5,0.75]中的所述意识认知功能数据表示所述意识认知功能为稍弱,落入(0.75,1]中的所述意识认知功能数据表示所述意识认知功能为强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210260600.2A CN102831435B (zh) | 2012-07-25 | 2012-07-25 | 一种按键行为的特征数据的处理装置及处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210260600.2A CN102831435B (zh) | 2012-07-25 | 2012-07-25 | 一种按键行为的特征数据的处理装置及处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102831435A true CN102831435A (zh) | 2012-12-19 |
CN102831435B CN102831435B (zh) | 2015-10-21 |
Family
ID=47334563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210260600.2A Active CN102831435B (zh) | 2012-07-25 | 2012-07-25 | 一种按键行为的特征数据的处理装置及处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102831435B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279405A (zh) * | 2015-10-28 | 2016-01-27 | 同济大学 | 触屏用户按键行为模式构建与分析***及其身份识别方法 |
CN110944232A (zh) * | 2018-09-21 | 2020-03-31 | ***通信有限公司研究院 | 一种监测认知行为的方法、装置及机顶盒 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1259705A (zh) * | 1999-11-25 | 2000-07-12 | 王永民 | 五笔字型电脑打字学习机 |
CN1432975A (zh) * | 2002-01-16 | 2003-07-30 | 陈雯瑄 | 英文字母及打字教学方法及装置 |
CN101149678A (zh) * | 2006-09-20 | 2008-03-26 | 西门子(中国)有限公司 | 一种记录用户操作医疗设备过程的方法及*** |
CN102243572A (zh) * | 2011-07-20 | 2011-11-16 | 浙江大学 | 移动互联网设备全屏键盘的实现方法 |
-
2012
- 2012-07-25 CN CN201210260600.2A patent/CN102831435B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1259705A (zh) * | 1999-11-25 | 2000-07-12 | 王永民 | 五笔字型电脑打字学习机 |
CN1432975A (zh) * | 2002-01-16 | 2003-07-30 | 陈雯瑄 | 英文字母及打字教学方法及装置 |
CN101149678A (zh) * | 2006-09-20 | 2008-03-26 | 西门子(中国)有限公司 | 一种记录用户操作医疗设备过程的方法及*** |
CN102243572A (zh) * | 2011-07-20 | 2011-11-16 | 浙江大学 | 移动互联网设备全屏键盘的实现方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279405A (zh) * | 2015-10-28 | 2016-01-27 | 同济大学 | 触屏用户按键行为模式构建与分析***及其身份识别方法 |
WO2017071126A1 (zh) * | 2015-10-28 | 2017-05-04 | 同济大学 | 触屏用户按键行为模式构建与分析***及其身份识别方法 |
CN105279405B (zh) * | 2015-10-28 | 2018-06-26 | 同济大学 | 触屏用户按键行为模式构建与分析***及其身份识别方法 |
US10558792B2 (en) | 2015-10-28 | 2020-02-11 | Tongji University | Touch-screen user key-press behavior pattern construction and analysis system and identity recognition method thereof |
DE112016004922B4 (de) | 2015-10-28 | 2021-12-02 | Tongji University | Konstruktions- und Analysesystem des Berührungsbildschirmnutzer-Schaltflächenverhaltenmodus und dessen Identitätserkennungsverfahren |
CN110944232A (zh) * | 2018-09-21 | 2020-03-31 | ***通信有限公司研究院 | 一种监测认知行为的方法、装置及机顶盒 |
CN110944232B (zh) * | 2018-09-21 | 2021-11-19 | ***通信有限公司研究院 | 一种监测认知行为的方法、装置及机顶盒 |
Also Published As
Publication number | Publication date |
---|---|
CN102831435B (zh) | 2015-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Katona et al. | Examining the learning efficiency by a brain-computer interface system | |
CN107122790B (zh) | 基于混合神经网络和集成学习的非侵入式负荷识别算法 | |
Bogomolov et al. | Daily stress recognition from mobile phone data, weather conditions and individual traits | |
Sek et al. | Prediction of user acceptance and adoption of smart phone for learning with technology acceptance model | |
Wang et al. | Integrating TTF and IDT to evaluate user intention of big data analytics in mobile cloud healthcare system | |
Hou et al. | CogniMeter: EEG-based emotion, mental workload and stress visual monitoring | |
Raykov et al. | Basic statistics: An introduction with R | |
Hasanbasic et al. | Recognition of stress levels among students with wearable sensors | |
KR20170061317A (ko) | 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치 | |
CN104571533B (zh) | 一种基于脑机接口技术的装置和方法 | |
CN110794090A (zh) | 情感电子鼻实现方法 | |
Viol et al. | Detecting pattern transitions in psychological time series–A validation study on the Pattern Transition Detection Algorithm (PTDA) | |
CN103605671B (zh) | 科研信息演化的分析方法和装置 | |
CN106175800A (zh) | 一种基于人体运动状态数据的心境状态量化评估方法 | |
US20140170741A1 (en) | Hepatic fibrosis detection apparatus and system | |
Talukdar et al. | Estimation of mental fatigue during EEG based motor imagery | |
CN102831435A (zh) | 一种按键行为的特征数据的处理装置及处理方法 | |
Chen et al. | DEEMD-SPP: a novel framework for emotion recognition based on EEG signals | |
Chen et al. | Introducing mdpsd, a multimodal dataset for psychological stress detection | |
Nguyen et al. | A Bayesian nonparametric framework for activity recognition using accelerometer data | |
Hou et al. | A triangular hashing learning approach for olfactory EEG signal recognition | |
CN111110240A (zh) | 一种呼吸测量方法、装置、移动终端及存储介质 | |
Milici et al. | System for highlighting the emotional states, used in assessing the teaching methods | |
CN116473556A (zh) | 一种基于多位点皮肤生理响应的情感计算方法及*** | |
Nguyen et al. | Nonparametric discovery of movement patterns from accelerometer signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |