CN115778389B - 基于心电和皮肤电联合分析的分娩恐惧检测方法和*** - Google Patents
基于心电和皮肤电联合分析的分娩恐惧检测方法和*** Download PDFInfo
- Publication number
- CN115778389B CN115778389B CN202211543465.2A CN202211543465A CN115778389B CN 115778389 B CN115778389 B CN 115778389B CN 202211543465 A CN202211543465 A CN 202211543465A CN 115778389 B CN115778389 B CN 115778389B
- Authority
- CN
- China
- Prior art keywords
- fear
- skin
- childbirth
- electrocardio
- electric signals
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 title claims description 25
- 230000005611 electricity Effects 0.000 title claims description 12
- 230000035606 childbirth Effects 0.000 claims abstract description 27
- 230000008878 coupling Effects 0.000 claims abstract description 25
- 238000010168 coupling process Methods 0.000 claims abstract description 25
- 238000005859 coupling reaction Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 11
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 230000008451 emotion Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000008909 emotion recognition Effects 0.000 description 3
- 230000035935 pregnancy Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 231100000430 skin reaction Toxicity 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于情绪监测和调节技术领域,具体为基于心电和皮肤电联合分析的分娩恐惧检测方法和***。本发明包括:同步采集孕妇的原始心电和皮肤电信号,医生根据分娩态度问卷划分孕妇分娩恐惧等级;信号预处理,包括滤波去噪和标准化;对标准化处理后的心电和皮肤电信号提取耦合性特征;基于卷积神经网络模型得到心电和皮肤电信号的网络学习特征,并与耦合性特征进行融合;将融合后的综合特征输入双向长短时记忆网络模型进行分娩恐惧等级评估,得到分娩恐惧分类结果。相较于基于主观量表的分娩恐惧检测,本发明深入挖掘心电和皮肤电信号中包含的与孕妇情绪有关的信息,能够更加及时、准确地判别分娩恐惧,有利于孕妇及时了解与调整自己的心理状态。
Description
技术领域
本发明属于情绪监测和调节技术领域,具体涉及一种妊娠妇女分娩恐惧检测方法和***。
背景技术
妊娠期是女性特有的关键时期,在这期间除了生理上会产生多种变化之外,心理上也会发生一系列的变化。分娩恐惧(fear of childbirth,FOC)是妊娠妇女常见的一种心理问题,近年来备受关注。分娩恐惧是对分娩的消极认知评价,是对即将到来的分娩充满恐惧和焦虑,甚至想要逃避的心理状态,会对分娩质量和产程安全造成负面影响。及时、准确的识别分娩恐惧,从而采集有效干预措施,具有重要的意义。
在情绪识别领域,相较于面部表情、语音、手势、姿势等,基于人体生理信号的情绪识别方法被认为是更加可靠、更加准确的。然而目前对于妊娠妇女分娩恐惧的判别,主要通过自测量表实现,包括分娩态度量表(CAQ)、分娩恐惧量表(FCQ)和Wijma分娩预期/体验量表(W-DEQ)等。基于生理信号的分娩恐惧评估尚缺乏***的研究。
用于情绪识别采用的生理信号主要包括脑电(EEG)、心电(ECG)、肌电(EMG)、皮肤电反应(GSR)、呼吸(RSP)、皮肤温度(SKT)和光电容积脉搏(PPG)等。相较于其他生理信号,心电和皮肤电信号更易于获取,且受噪声干扰小。同时考虑到妊娠女性体型的特殊性,这两种信号对妊娠妇女的影响最小,最适于构建分娩恐惧评估模型。
发明内容
本发明的目的在于提供一种能够更加及时、准确地判别分娩恐惧的基于心电和皮肤电联合分析的分娩恐惧检测方法和***,使孕妇及时了解与调整自己的心理状态。
本发明提出的基于心电和皮肤电联合分析的分娩恐惧检测方法,包括采集获取孕妇原始皮肤电信号;同步采集孕妇心电和皮肤电信号;对原始信号进行滤波、去噪和标准化处理;计算心电和皮肤电信号的时域、频域和非线性耦合性特征;通过卷积神经网络(CNN)获得心电和皮肤电信号的网络训练特征,并和上述耦合性特征进行融合;将获得的综合特征送入双向长短时记忆网络(biLSTM),得到分娩恐惧分类结果。具体步骤如下:
步骤(1):同步采集孕妇的原始心电和皮肤电信号,并由医生根据分娩态度问卷划分孕妇的分娩恐惧等级;
步骤(2):信号预处理,包括滤波去噪和标准化;
步骤(3):对标准化处理后的心电和皮肤电信号提取耦合性特征;
步骤(4):采用卷积神经网络(CNN)模型得到心电和皮肤电信号的网络学习特征,并与耦合性特征进行融合;
步骤(5):将融合后的综合特征输入双向长短时记忆网络(biLSTM)模型,进行分娩恐惧等级评估,得到分娩恐惧分类结果。
进一步地,步骤(1)中所述分娩恐惧等级分为:无分娩恐惧、轻度分娩恐惧、中度分娩恐惧和重度分娩恐惧。
进一步地,步骤(2)中所述信号预处理包括:对于采集的原始心电信号,采用0.05-75Hz的二阶巴特沃斯带通滤波器进行去噪和去基线漂移处理,并使用50Hz的陷波滤波器去除工频干扰;对于采集的原始皮肤电信号,采用0.02-0.5Hz的二阶巴特沃斯带通滤波器,进行去噪和去基线漂移处理;然后,采用Z-score方法对滤波后的皮肤电和心电信号进行标准化处理。
进一步地,步骤(3)中所述耦合性指标包括皮尔逊相关系数、幅值平方相干函数以及互信息、互样本熵和互模糊熵,分别从时域、频域和非线性三个方面分析皮肤电和心电之间的耦合关系。对于心电序列{Xi=x(i),1≤i≤N}和皮肤电序列{Yj=y(j),1≤j≤M},x(i)和y(j)分别表示时间序列中的每个心电、皮肤电数值,N表示序列长度,耦合性指标通过以下方式获得:
①皮尔逊相关系数:
其中,和/>分别表示Xi和Yj的均值,/>和/>分别表示Xi和Yj的标准差。
②幅值平方相干函数:
其中,PXY(f)表示两个时间序列之间的互谱密度,PXX(f)和PYY(f)分别表示Xi和Yj的自功率谱,MSCF表示两个时间序列在各频率上分量间的线性相关程度。
③给定重构维数m,Xi和Yj分别重构为:
定义和/>之间的距离为:
其中,‖ ‖表示最大范数;
给定阈值r,定义
其中,Θ(-)是Heaviside函数;
将重构维数m增加到m+1,计算则互样本熵为:
④给定重构维数m,Xi和Yj分别重构为:
定义和/>之间的距离为:
给定阈值r,定义为:
其中,为降半高斯分布函数;
将重构维数m增加到m+1,计算则互模糊熵为:
进一步地,步骤(4)中所述卷积神经网络(CNN)模型为双尺度卷积神经网络。每个尺度具有4个卷积层,2个池化层,2个dropout层,1个平铺层和1个全连接层。第一个卷积层用来初步提取特征并减小张量尺寸,池化层和dropout层用来对特征张量进行降采样并防止过拟合现象的发生,随后的三个相同的卷积层用来进一步完善滤波器。然后应用另一个池化层和平铺层以进一步减小每个张量的尺寸,最后将这些张量连接起来后通过一个dropout层,并通过全连接层将张量尺寸进一步减少。在得到网络学习特征之后,与步骤(3)的耦合性特征进行融合,获得综合特征。
基于上述分娩恐惧检测方法,本发明还包括基于心电和皮肤电联合分析的分娩恐惧检测***。具体包括五个模块,分别为:孕妇的原始心电和皮肤电信号采集模块,信号预处理模块,心电和皮肤电信号耦合性特征提取模块,基于卷积神经网络(CNN)模型的特征学习、融合模块,基于双向长短时记忆网络(biLSTM)模型的分娩恐惧等级评估模块。五个模块分别执行本发明方法五个步骤的操作内容。
本发明的特点及有益效果在于:
相较于目前基于主观量表的分娩恐惧检测,本发明深入挖掘心电和皮肤电信号中包含的与孕妇情绪有关的信息,能够更加及时、准确地判别分娩恐惧,有利于孕妇及时了解与调整自己的心理状态。
附图说明
图1是本发明的基于心电和皮肤电信号联合分析的分娩恐惧检测方法的整体流程图。
图2是双尺度卷积神经网络的整体架构。
图3是双向长短时记忆网络(biLSTM)的整体架构。
具体实施方式
下面结合附图和具体实施例对本发明进一步详细说明如下。本发明提出的分娩恐惧检测方法,整体流程如图1所示,包括以下步骤:
(1)同步采集孕妇的原始心电和皮肤电信号,并由医生根据分娩态度问卷划分分娩恐惧等级;
本实施例中,用便携式设备采集了20例孕32周孕妇的心电和皮肤电信号,采集工作在产科门诊哺乳室进行,信号时长至少5分钟。孕妇填写一般资料调查表和分娩态度量表,并由医生根据量表划分分娩恐惧等级。具体地,分娩态度量表包含16个条目,采用1-4级计分,总分为16-64分,得分越高表明分娩恐惧的程度越严重,得分16-27分代表无分娩恐惧,得分28-39分代表轻度分娩恐惧,得分40-51分代表中度分娩恐惧,得分52-64分代表重度分娩恐惧。
(2)信号预处理,包括滤波去噪和标准化。
在本实施例中,对于采集的原始心电信号,采用0.05-75Hz的二阶巴特沃斯带通滤波器进行去噪和去基线漂移处理,并使用50Hz的陷波滤波器去除工频干扰;对于采集的原始皮肤电信号,采用0.02-0.5Hz的二阶巴特沃斯带通滤波器,进行去噪和去基线漂移处理;然后,采用Z-score方法对滤波后的皮肤电和心电信号进行标准化处理,计算方法为:
其中,Normalized(X)为标准化后的信号,mean(X)为原始信号的均值,为原始信号的标准差。
(3)对标准化处理后的心电和皮肤电信号提取耦合性特征。
耦合性指标包括皮尔逊相关系数、幅值平方相干函数以及互信息、互样本熵和互模糊熵,分别从时域、频域和非线性三个方面分析皮肤电和心电之间的耦合关系。对于心电序列{Xi=x(i),1≤i≤N}和皮肤电序列{Yj=y(j),1≤j≤N},x(i)和y(j)分别表示时间序列中的每个心电、皮肤电数值,N表示序列长度,耦合性指标通过以下方式获得:
①皮尔逊相关系数:
其中,和/>分别表示Xi和Yj的均值,/>和/>分别表示Xi和Yj的标准差。
②幅值平方相干函数:
其中,PXY(f)表示两个时间序列之间的互谱密度,PXX(f)和PYY(f)分别表示Xi和Yj的自功率谱,MSCF表示两个时间序列在各频率上分量间的线性相关程度。
③给定重构维数m,Xi和Yj分别重构为:
定义和/>之间的距离为:
其中,‖ ‖表示最大范数;给定阈值r,定义
其中Θ(-)是Heaviside函数;将重构维数m增加到m+1,计算则互样本熵
④给定重构维数m,Xi和Yj分别重构为:
定义和/>之间的距离为:
给定阈值r,定义为:
其中,为降半高斯分布函数;
将重构维数m增加到m+1,计算则互模糊熵:
本实施例中,XSampEn和XFuzzyEn的参数均设置为重构维数m=2,阈值r=0.2。
(4)基于卷积神经网络(CNN)模型得到心电和皮肤电信号的网络学***铺层和1个全连接层。第一个卷积层用来初步提取特征并减小张量尺寸,池化层和dropout层用来对特征张量进行降采样并防止过拟合现象的发生,随后的三个相同的卷积层用来进一步完善滤波器。然后应用另一个池化层和平铺层以进一步减小每个张量的尺寸,最后将这些张量连接起来后通过一个dropout层,并通过全连接层将张量尺寸进一步减少。
在本实施例中,采用的双尺度网络架构如图2所示。池化类型采用最大池化,每个卷积层添加批量归一化(BN)操作和线性整流单元(ReLU)。在卷积神经网络特征提取完毕后,与步骤(3)的耦合性特征进行融合,获得综合特征。
(5)将融合后的综合特征输入基于双向长短时记忆网络(biLSTM)模型进行分娩恐惧等级评估。该模型包含三个biLSTM层和一个dense层。三个biLSTM层包含的神经元数量依次是为200,100和50,采用Sigmoid激活函数、Adam优化器和交叉熵损失函数。
在本实施例中,采用的双向长短时记忆网络架构如图3所示:将基于心电和皮肤电获取的综合特征送入该网络,采用五折交叉验证,即把数据平均分成5等份,每次只使用1份作为测试集,其余4份作为训练集,5次验证的均值作为最终的分娩恐惧评估结果。结果表明,本发明所述方法对于无分娩恐惧和有分娩恐惧的识别准确率为82.05%。
本发明提供的基于心电和皮肤电联合分析的分娩恐惧检测方法,一方面引入耦合性分析,获取两种体表信号的同步性信息,克服了单一信号的局限性;另一方面利用深度学习方法深入挖掘信号中包含的与孕妇情绪有关的信息,提高了检测的准确性。相较于目前基于主观量表的分娩恐惧检测,本发明能够客观、准确、实时地进行分娩恐惧评估,有利于孕妇及时进行情绪调节与心理疏导,从而实现孕期精准化管理。
需要说明的是,以上实施方式仅用于说明本发明,而并非对本发明的限制。本领域的技术人员应当理解,在不脱离本发明原理的前提下,对本发明的技术方案进行的各种组合、修改或者等同替换,均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于心电和皮肤电联合分析的分娩恐惧检测方法,其特征在于,具体步骤如下:
步骤(1):同步采集孕妇的原始心电和皮肤电信号,并由医生根据分娩态度问卷划分孕妇的分娩恐惧等级;
步骤(2):信号预处理,包括滤波去噪和标准化;
步骤(3):对标准化处理后的心电和皮肤电信号提取耦合性特征;
步骤(4):基于卷积神经网络(CNN)模型得到心电和皮肤电信号的网络学习特征,并与耦合性特征进行融合;
步骤(5):将融合后的综合特征输入双向长短时记忆网络(biLSTM)模型进行分娩恐惧等级评估,得到分娩恐惧分类结果;
步骤(3)中耦合性指标包括皮尔逊相关系数、幅值平方相干函数以及互信息、互样本熵和互模糊熵,分别从时域、频域和非线性三个方面分析皮肤电和心电之间的耦合关系;对于心电序列{Xi=x(i),1≤i≤N}和皮肤电序列{Yj=y(j),1≤j≤N},x(i)和y(j)分别表示时间序列中的每个心电、皮肤电数值,N表示序列长度,耦合性指标通过以下方式获得:
①皮尔逊相关系数:
其中,和/>分别表示Xi和Yj的均值,/>和/>分别表示Xi和Yj的标准差;
②幅值平方相干函数:
其中,PXY(f)表示两个时间序列之间的互谱密度,PXX(f)和PYY(f)分别表示Xi和Yj的自功率谱,MSCF表示两个时间序列在各频率上分量间的线性相关程度;
③给定重构维数m,Xi和Yj分别重构为:
定义和/>之间的距离为:
其中,‖‖表示最大范数;
给定阈值r,定义
其中,Θ(-)是Heaviside函数;
将重构维数m增加到m+1,计算则互样本熵为:
④给定重构维数m,Xi和Yj分别重构为:
定义和/>之间的距离为:
给定阈值r,定义为:
其中,为降半高斯分布函数;
将重构维数m增加到m+1,计算则互模糊熵为:
2.根据权利要求1所述的分娩恐惧检测方法,其特征在于,步骤(1)中所述分娩恐惧等级分为:无分娩恐惧、轻度分娩恐惧、中度分娩恐惧和重度分娩恐惧。
3.根据权利要求2所述的分娩恐惧检测方法,其特征在于,步骤(2)中所述信号预处理包括:对于采集的原始心电信号,采用0.05-75Hz的二阶巴特沃斯带通滤波器进行去噪和去基线漂移处理,并使用50Hz的陷波滤波器去除工频干扰;对于采集的原始皮肤电信号,采用0.02-0.5Hz的二阶巴特沃斯带通滤波器,进行去噪和去基线漂移处理;然后,采用Z-score方法对滤波后的皮肤电和心电信号进行标准化处理。
4.根据权利要求1所述的分娩恐惧检测方法,其特征在于,步骤(4)中所述模型为双尺度卷积神经网络;每个尺度具有4个卷积层,2个池化层,2个dropout层,1个平铺层和1个全连接层;第一个卷积层用来初步提取特征并减小张量尺寸,池化层和dropout层用来对特征张量进行降采样并防止过拟合现象的发生,随后的三个相同的卷积层用来进一步完善滤波器;然后应用另一个池化层和平铺层以进一步减小每个张量的尺寸,最后将这些张量连接起来后通过一个dropout层,并通过全连接层将张量尺寸进一步减少;在得到网络学习特征之后,与步骤(3)的耦合性特征进行融合,获得综合特征。
5.根据权利要求4所述的分娩恐惧检测方法,其特征在于,步骤(5)中所述双向长短时记忆网络模型包含三个biLSTM层和一个dense层;三个biLSTM层包含的神经元数量依次是为200,100和50,采用Sigmoid激活函数、Adam优化器和交叉熵损失函数。
6.一种基于权利要求1-5之一所述方法的分娩恐惧检测***,其特征在于,具体包括五个模块,分别为:孕妇的原始心电和皮肤电信号采集模块,信号预处理模块,心电和皮肤电信号耦合性特征提取模块,基于卷积神经网络模型的特征学习、融合模块,基于双向长短时记忆网络模型的分娩恐惧等级评估模块;五个模块分别执行所述方法五个步骤的操作内容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211543465.2A CN115778389B (zh) | 2022-12-02 | 2022-12-02 | 基于心电和皮肤电联合分析的分娩恐惧检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211543465.2A CN115778389B (zh) | 2022-12-02 | 2022-12-02 | 基于心电和皮肤电联合分析的分娩恐惧检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115778389A CN115778389A (zh) | 2023-03-14 |
CN115778389B true CN115778389B (zh) | 2024-05-28 |
Family
ID=85445322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211543465.2A Active CN115778389B (zh) | 2022-12-02 | 2022-12-02 | 基于心电和皮肤电联合分析的分娩恐惧检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115778389B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012025622A2 (en) * | 2010-08-27 | 2012-03-01 | Smartex S.R.L. | Monitoring method and system for assessment of prediction of mood trends |
WO2017016086A1 (zh) * | 2015-07-30 | 2017-02-02 | 华南理工大学 | 基于生理信息的抑郁症评估***及其评估方法 |
WO2018120088A1 (zh) * | 2016-12-30 | 2018-07-05 | 中国科学院深圳先进技术研究院 | 情感识别模型生成方法及装置 |
KR20190128978A (ko) * | 2018-05-09 | 2019-11-19 | 한국과학기술원 | 인간 감정 인식을 위한 딥 생리적 정서 네트워크를 이용한 인간 감정 추정 방법 및 그 시스템 |
CN112998711A (zh) * | 2021-03-18 | 2021-06-22 | 华南理工大学 | 一种基于可穿戴装置的情绪识别***及方法 |
CN113208593A (zh) * | 2021-04-08 | 2021-08-06 | 杭州电子科技大学 | 基于相关性动态融合的多模态生理信号情绪分类方法 |
WO2021233259A1 (zh) * | 2020-05-21 | 2021-11-25 | 华为技术有限公司 | 一种评估女性情绪的方法及相关装置、设备 |
CN115273904A (zh) * | 2022-07-22 | 2022-11-01 | 浙江大学 | 一种基于多特征融合的愤怒情绪识别方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2695888C2 (ru) * | 2017-03-24 | 2019-07-29 | Общество С Ограниченной Ответственностью "Многопрофильное Предприятие "Элсис" | Способ оценки психофизиологического состояния человека |
WO2019216504A1 (ko) * | 2018-05-09 | 2019-11-14 | 한국과학기술원 | 인간 감정 인식을 위한 딥 생리적 정서 네트워크를 이용한 인간 감정 추정 방법 및 그 시스템 |
US20220084543A1 (en) * | 2020-01-21 | 2022-03-17 | Rishi Amit Sinha | Cognitive Assistant for Real-Time Emotion Detection from Human Speech |
-
2022
- 2022-12-02 CN CN202211543465.2A patent/CN115778389B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012025622A2 (en) * | 2010-08-27 | 2012-03-01 | Smartex S.R.L. | Monitoring method and system for assessment of prediction of mood trends |
WO2017016086A1 (zh) * | 2015-07-30 | 2017-02-02 | 华南理工大学 | 基于生理信息的抑郁症评估***及其评估方法 |
WO2018120088A1 (zh) * | 2016-12-30 | 2018-07-05 | 中国科学院深圳先进技术研究院 | 情感识别模型生成方法及装置 |
KR20190128978A (ko) * | 2018-05-09 | 2019-11-19 | 한국과학기술원 | 인간 감정 인식을 위한 딥 생리적 정서 네트워크를 이용한 인간 감정 추정 방법 및 그 시스템 |
WO2021233259A1 (zh) * | 2020-05-21 | 2021-11-25 | 华为技术有限公司 | 一种评估女性情绪的方法及相关装置、设备 |
CN112998711A (zh) * | 2021-03-18 | 2021-06-22 | 华南理工大学 | 一种基于可穿戴装置的情绪识别***及方法 |
CN113208593A (zh) * | 2021-04-08 | 2021-08-06 | 杭州电子科技大学 | 基于相关性动态融合的多模态生理信号情绪分类方法 |
CN115273904A (zh) * | 2022-07-22 | 2022-11-01 | 浙江大学 | 一种基于多特征融合的愤怒情绪识别方法及装置 |
Non-Patent Citations (5)
Title |
---|
Construction and cross-correlation analysis of the affective physiological response database;Wen, W., Qiu, Y., Liu, G. et al;Science China Information Sciences;20100514;第53卷(第9期);全文 * |
Emotion Charting Using Real-time Monitoring of Physiological Signals;A. Rahim, A. Sagheer, K. Nadeem;2019 International Conference on Robotics and Automation in Industry (ICRAI);20191022;全文 * |
基于Pearson相关系数的癌症患者创伤后成长与心理适应相关性的Meta分析;林萍珍, 薛娇美, 杨蓓, 等;山东大学学报(医学版);20170808;第55卷(第9期);全文 * |
基于生理信号的情感计算研究综述;权学良, 曾志刚, 蒋建华, 等;自动化学报;20210122;第47卷(第8期);全文 * |
基于脑电时空频多域特征的自动情绪识别研究及***实现;李振齐;中国优秀硕士学位论文全文数据库 基础科学辑;20181215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115778389A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bairy et al. | Automated diagnosis of depression electroencephalograph signals using linear prediction coding and higher order spectra features | |
CN112353391A (zh) | 一种基于脑电信号的汽车车内声音品质识别方法及装置 | |
CN112190261A (zh) | 一种基于静息态脑网络的孤独症脑电信号的分类装置 | |
CN103610447A (zh) | 一种基于前额脑电信号的脑力负荷在线检测方法 | |
CN113128552A (zh) | 一种基于深度可分离因果图卷积网络的脑电情绪识别方法 | |
CN111407243A (zh) | 一种基于深度学习的脉搏信号压力识别方法 | |
CN113065526A (zh) | 一种基于改进深度残差分组卷积网络的脑电信号分类方法 | |
CN105726013A (zh) | 一种具有心电信号质量判别功能的心电监测*** | |
CN116269249B (zh) | 一种脑卒中风险预测方法和*** | |
CN104545906A (zh) | 基于表面肌电的面瘫患者针灸疗效检测可视化***及方法 | |
CN114748072A (zh) | 一种基于脑电的抑郁症辅助诊断的信息分析及康复训练***及方法 | |
Anh-Dao et al. | A multistage system for automatic detection of epileptic spikes | |
CN108470182B (zh) | 一种用于非对称脑电特征增强与识别的脑-机接口方法 | |
CN111067513A (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
CN115778389B (zh) | 基于心电和皮肤电联合分析的分娩恐惧检测方法和*** | |
CN112057090B (zh) | 基于体表极低频电势差特征的情绪判断穿戴式设备和方法 | |
CN110680285A (zh) | 一种基于神经网络的麻醉程度监测装置 | |
CN116491956A (zh) | 一种基于多域特征融合的异常脑电自动检测方法 | |
CN115736920A (zh) | 基于双模态融合的抑郁状态识别方法及*** | |
CN113069081B (zh) | 一种基于改进Bi-LSTM与fNIRS的疼痛检测方法 | |
CN114881089A (zh) | 基于双分支融合模型的抑郁脑电分类方法 | |
CN112617761B (zh) | 自适应聚点生成的睡眠阶段分期方法 | |
CN112545535B (zh) | 一种基于振幅整合脑电图的睡眠觉醒周期的分析方法 | |
CN118044813B (zh) | 基于多任务学习的心理健康状况评估方法及*** | |
CN117257303B (zh) | 一种焦虑检测方法、装置、电子设备及存储介质 |
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 |