CN116110539A - 一种缓解疼痛的虚拟现实***和方法 - Google Patents
一种缓解疼痛的虚拟现实***和方法 Download PDFInfo
- Publication number
- CN116110539A CN116110539A CN202310109158.1A CN202310109158A CN116110539A CN 116110539 A CN116110539 A CN 116110539A CN 202310109158 A CN202310109158 A CN 202310109158A CN 116110539 A CN116110539 A CN 116110539A
- Authority
- CN
- China
- Prior art keywords
- virtual reality
- user
- pain
- respiratory rate
- breath
- 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
- 230000036407 pain Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims description 63
- 230000036387 respiratory rate Effects 0.000 claims abstract description 100
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000036391 respiratory frequency Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 46
- 238000012549 training Methods 0.000 description 27
- 230000035565 breathing frequency Effects 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 16
- 230000029058 respiratory gaseous exchange Effects 0.000 description 16
- 238000012986 modification Methods 0.000 description 14
- 230000004048 modification Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 230000003434 inspiratory effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000002560 therapeutic procedure Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 208000006673 asthma Diseases 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000001467 acupuncture Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000009225 cognitive behavioral therapy Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 239000003326 hypnotic agent Substances 0.000 description 1
- 230000000147 hypnotic effect Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000037324 pain perception Effects 0.000 description 1
- 230000008058 pain sensation Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/16—Sound input; Sound output
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Physics & Mathematics (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Medical Informatics (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本说明书实施例提供一种缓解疼痛的虚拟现实***,所述***包括:呼吸采集模块,用于采集用户呼吸的音频样本;呼吸检测模块,用于基于音频样本,确定用户的呼吸频率;虚拟现实模块,用于基于呼吸频率,确定用于疼痛管理的虚拟现实场景。
Description
技术领域
本说明书涉及疼痛缓解领域,特别涉及一种缓解疼痛的虚拟现实***和方法。
背景技术
在当前的疼痛缓解领域,常见的方式有物理(按摩、针灸等)缓解、药物缓解等,但这些方法可能效果不显著,或可能对人体有一定的伤害,而虚拟现实技术能够转移用户的注意力,可以用于疼痛缓解。
基于此,期望提出一种缓解疼痛的虚拟现实***和方法,可以有效缓解用户的疼痛。
发明内容
本说明书一个或多个实施例提供一种缓解疼痛的虚拟现实***,所述***包括:呼吸采集模块,用于采集用户呼吸的音频样本;呼吸检测模块,用于基于音频样本,确定用户的呼吸频率;虚拟现实模块,用于基于呼吸频率,确定用于疼痛管理的虚拟现实场景。
本说明书一个或多个实施例提供一种基于虚拟现实缓解疼痛的方法,所述方法包括:采集用户呼吸的音频样本;基于音频样本,确定用户的呼吸频率;基于呼吸频率,确定用于疼痛管理的虚拟现实场景。
本说明书一个或多个实施例提供一种缓解疼痛的虚拟现实装置,包括处理器,所述处理器用于执行基于虚拟现实缓解疼痛的方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行基于虚拟现实缓解疼痛的方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的缓解疼痛的虚拟现实***的模块图;
图2是根据本说明书一些实施例所示的确定用于疼痛管理的虚拟现实场景的方法的示例性流程图;
图3是根据本说明书一些实施例所示的确定呼吸频率的方法的示例性流程图;
图4是根据本说明书一些实施例所示的基于疼痛等级确定用于疼痛管理的虚拟现实场景的方法的示例性流程图;
图5是根据本说明书一些实施例所示的基于用户年龄和疼痛等级确定用于疼痛管理的虚拟现实场景的方法的示例性流程图;
图6是根据本说明书一些实施例所示的呼吸频率预测模型和置信度确定模型的模型结构图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的缓解疼痛的虚拟现实***的模块图。在一些实施例中,如图1所示,缓解疼痛的虚拟现实***100可以包括呼吸采集模块110、呼吸检测模块120和虚拟现实模块130。
呼吸采集模块110可以用于采集用户呼吸的音频样本。
用户呼吸的音频样本可以指对需要缓解疼痛的用户,通过音频录制设备实时录制的用户呼吸声的音频数据。其中,音频录制设备可配置于呼吸采集模块110。
在一些实施例中,呼吸采集模块110配置的音频录制设备可以是高灵敏度麦克风,用于风采集用户呼吸的音频样本。
呼吸检测模块120可以用于基于音频样本,确定用户的呼吸频率。
呼吸频率可以指用户呼吸的音频样本中用户呼吸的频率,例如,18次/分钟。
在一些实施例中,可以基于用户呼吸的音频样本,人工确定用户的呼吸频率。
在一些实施例中,可以基于呼吸频率预测模型对多个吸气子样本和多个呼气子样本的处理,确定用户的呼吸频率。关于吸气子样本和呼气子样本的说明可参见图3相关描述。更多关于呼吸频率预测模型的说明可参见图6相关描述。
虚拟现实模块130可以用于基于呼吸频率,确定用于疼痛管理的虚拟现实场景。
疼痛管理可以指针对用户疼痛等级,实施对应的疗法的治疗过程,其中,疼痛等级可以包括无痛、轻微疼痛、较疼痛和非常疼痛等。关于疼痛等级的确定方法可参见图4相关描述。示例性的,疼痛管理可以包括:对于无痛的用户可以使用依托精神心理学的暴露疗法;对于轻微疼痛的用户可以使用正念疗法、音乐放法等;对于较疼痛和非常疼痛的用户可以使用催眠疗法、认知行为疗法等。
用于疼痛管理的虚拟现实场景可以使用户置身于虚拟现实场景并沉浸在场景中以分散其注意力,减少其与疼痛感知相关的大脑区域的活动,达到减轻用户疼痛感的效果,可以包括对应于不同疗法的虚拟现实场景。虚拟现实场景可以指通过虚拟现实设备模拟出的场景,例如,虚拟公园场景、虚拟森林场景、虚拟手术室场景等。
用于疼痛管理的虚拟现实场景可以通过多种方式进行确定,例如,可以预设疼痛管理的虚拟现实场景与呼吸频率的对照关系,并基于呼吸频率和该对照关系,确定用于疼痛管理的虚拟现实场景。示例性的,可以预设呼吸频率小于18次/分钟,对应虚拟手术室场景;呼吸频率大于20次/分钟,对应虚拟大自然场景等。更多关于确定用于疼痛管理的虚拟现实场景的方法的说明可参见图4、图5相关描述。
在一些实施例中,呼吸采集模块110和呼吸检测模块120可以配置于可穿戴设备中,虚拟现实模块130可以配置于虚拟现实设备中,其中,可穿戴设备的参数配置包括:喇叭抗阻为8±1.2欧姆,麦克风灵敏度为-38±3分贝,与所述虚拟现实设备的连接距离大于5米。可穿戴设备可以指固定于用户身体,能够进行音频录制的设备,例如,头戴式麦克风、耳麦等。
需要注意的是,以上对于缓解疼痛的虚拟现实***100及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。在一些实施例中,图1中披露的呼吸采集模块110、呼吸检测模块120和虚拟现实模块130可以是一个***中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的确定用于疼痛管理的虚拟现实场景的方法的示例性流程图。如图2所示,流程200包括下述步骤。在一些实施例中,流程200可以由缓解疼痛的虚拟现实***100执行。
步骤210,采集用户呼吸的音频样本。在一些实施例中,步骤210可以由呼吸采集模块110执行。关于音频样本及其采集方法的相关说明可参见图1相关描述。
步骤220,基于音频样本,确定用户的呼吸频率。在一些实施例中,步骤220可以由呼吸检测模块120执行。关于呼吸频率及其确定方法的相关说明可参见图3相关描述。
步骤230,基于呼吸频率,确定用于疼痛管理的虚拟现实场景。在一些实施例中,步骤230可以由虚拟现实模块130执行。关于疼痛管理,以及确定用于疼痛管理的虚拟现实场景的方法的相关说明可参见图1、图4、图5的相关描述。
本说明书一些实施例中,通过上述确定用于疼痛管理的虚拟现实场景的方法,可以针对用户的疼痛情况,确定出适合的具有针对性的虚拟现实场景用于用户的疼痛管理,可以有效缓解用户的疼痛。
应当注意的是,上述有关流程200的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程200进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,使用其他方法采集用户呼吸的音频样本。
图3是根据本说明书一些实施例所示的确定呼吸频率的方法的示例性流程图。在一些实施例中,流程300可以由呼吸检测模块120执行。
步骤310,对音频样本进行滤波,得到去噪音频样本。
去噪音频样本可以指用户呼吸的音频样本通过滤波操作除去随机噪声、白噪声等噪声后得到的音频数据。关于用户呼吸的音频样本的相关说明可参见图1相关描述。
在一些实施例中,可以通过滤波器对用户呼吸的音频样本进行滤波,得到去噪音频样本。
步骤320,对去噪音频样本进行分割,得到多个子音频样本。
子音频样本可以指对去噪音频样本进行分割后得到的音频样本,包含去噪音频样本中的部分音频数据。
在一些实施例中,可以按预定时长,将去噪音频样本分割为等时长(该时长为预定时长)的多个子音频样本。其中,预定时长可以人工预设,例如,1秒。
在一些实施例中,可以基于多个呼气时间和多个吸气时间将去噪音频样本进行分割,得到多个子音频样本。其中,呼气时间指用户完成一次呼气动作所覆盖的时间段,吸气时间指用户完成一次吸气动作所覆盖的时间段;在所有的子音频样本中,基于呼气时间对应得到的子音频样本为呼气子样本,基于吸气时间对应得到的子音频样本为吸气子样本,一个呼气子样本对应一次呼气动作,一个吸气子样本对应一次吸气动作,即多个呼气子样本、多个吸气子样本分别与多次呼气动作、多次吸气动作一一对应。
在一些实施例中,可以基于分割模型对去噪音频样本进行处理,得到多个呼气子样本和多个吸气子样本。分割模型可以是机器学习模型,例如,深度神经网络(deep neuralnetwork,DNN)模型、卷积神经网络(Convolutional Neural Network,DNN)模型等,其输入可以包括去噪音频样本,输出可以包括多个呼气子样本和多个吸气子样本。
在一些实施例中,分割模型可以通过多个标有标签的训练样本训练得到。例如,可以将多个带有标签的训练样本输入初始分割模型,通过标签和初始分割模型的结果构建损失函数,基于损失函数迭代更新初始分割模型的参数。当损失函数满足训练结束的预设条件时模型训练完成,得到训练好的分割模型。其中,训练结束的预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,上述训练样本可以包括样本去噪音频样本。上述标签可以包括训练样本对应的多个呼气子样本和多个吸气子样本。样本去噪音频样本及其对应的多个呼气子样本和多个吸气子样本可以基于历史去噪音频样本及基于其确定的历史多个呼气子样本和历史多个吸气子样本确定。标签可以人工标注确定。
步骤330,基于多个子音频样本确定呼吸频率。
在一些实施例中,可以基于单位时间内呼气子样本或吸气子样本的个数确定呼吸频率。例如,去噪音频样本的时长为3分钟,将其分割得到的呼气子样本个数为57个,则呼吸频率为57÷3=19次/分钟。
在一些实施例中,可以基于呼吸频率预测模型对多个吸气子样本和多个呼气子样本的处理,确定用户的呼吸频率。更多关于呼吸频率预测模型的说明可参见图6相关描述。
在一些实施例中,可以基于呼吸频率,以及历史呼吸频率、去噪程度、用户信息联合确定呼吸频率的置信度。
历史呼吸频率可以指将用户的历史去噪音频样本输入呼吸频率预测模型得到的呼吸频率结果。其中,历史去噪音频样本可以指对用户呼吸的历史音频样本进行滤波处理后得到去噪音频样本。
历史呼吸频率可以基于用户历史的呼吸频率确定记录进行获取。
去噪程度可以指对音频样本进行滤波去噪后,噪音去除的彻底程度。去噪程度可以通过[0,100%)区间内的数值进行表征,其值越大,代表噪音去除地越彻底,得到的去噪音频样本中的噪音越少。
在一些实施例中,去噪程度可以与滤波频率范围的大小正相关,即滤波频率范围越大,去噪程度的值也越大。
用户信息可以指用户的个人信息,可以包括用户的编号、性别、患病类型等。例如,用户信息可以是“613号,男性,患有哮喘”。
在一些实施例中,可以基于置信度确定模型对呼吸频率预测模型确定的呼吸频率,以及历史呼吸频率、去噪程度、用户信息的处理,确定呼吸频率的置信度。更多关于置信度确定模型的说明可参见图6相关描述。
在一些实施例中,可以基于辅助检测装置确定用户的呼吸频率。辅助检测装置可以是脉搏测量设备,例如,脉氧检测仪、电子血压计等。
基于辅助检测装置(以辅助检测装置为脉搏测量设备为例)确定用户的呼吸频率的方法可以有多种,例如:基于脉搏测量设备获取用户的脉搏;基于用户的脉搏换算用户的呼吸频率,例如,脉搏测量设备获取到的用户脉搏为80次/分钟,脉搏频率与呼吸频率的比例关系可以预设为4:1,则对应得到的用户的呼吸频率为20次/分钟。
在一些实施例中,呼吸频率可以对基于呼吸频率预测模型确定的呼吸频率和通过辅助检测装置确定的呼吸频率加权确定。例如,呼吸频率可以通过如下公式(1)进行确定:
P=k1P1+k2P2 (1)
其中,P代表呼吸频率;P1代表基于呼吸频率预测模型确定的呼吸频率,P2代表通过辅助检测装置确定的呼吸频率;k1代表基于呼吸频率预测模型确定的呼吸频率对应的权重值,k2代表通过辅助检测装置确定的呼吸频率对应的权重值。
在一些实施例中,上述权重可以基于置信度确定模型确定的置信度进行确定。例如,可以预设k1=Z,k2=1-Z,其中,Z代表置信度,k1与k2的含义与公式(1)中相同。
本说明书一些实施例中,通过加权的方式调整呼吸频率,可有效提高最终确定的呼吸频率的准确性。
在一些实施例中,可以基于加权后的呼吸频率实时更换用于疼痛管理的虚拟现实场景。关于确定用于疼痛管理的虚拟现实场景的方法的相关说明可参见图4、图5的相关描述。
本说明书一些实施例中,通过上述确定用户的呼吸频率的方法,在保证所确定的呼吸频率的准确度的同时,提高了确定工作的效率,保证了确定结果的实时性。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,使用其他方法获取子音频样本。
图4是根据本说明书一些实施例所示的基于疼痛等级确定用于疼痛管理的虚拟现实场景的方法的示例性流程图。在一些实施例中,流程400可以由虚拟现实模块130执行。
步骤410,基于呼吸频率,确定疼痛等级。
疼痛等级可以指能够反映用户疼痛剧烈程度的数据。疼痛等级可以包括无痛、轻微疼痛、较疼痛和非常疼痛等。疼痛等级也可以通过[1,5]内的整数值进行表征,其值越大,代表疼痛等级越高,即用户的疼痛感越剧烈。
在一些实施例中,可以基于呼吸频率,构建当前向量,并基于当前向量确定疼痛等级。
示例性的当前向量的构建方法可以是:当前向量的第一个维度的元素值代表呼吸频率,第二个维度的元素值代表音频样本的去噪程度。例如,当前向量可以是(19,90%),代表的含义为该用户的呼吸频率为19次/分钟,音频样本的去噪程度为90%。关于呼吸频率和去噪程度的相关说明可参见图3相关描述。
基于当前向量确定疼痛等级的流程可以是:分别确定当前向量与向量数据库中各个历史向量的向量距离;将与当前向量的向量距离最小的历史向量确定为参考向量;将参考向量对应的历史疼痛等级确定为当前的疼痛等级。其中,向量距离的确定方法可以是欧氏距离、曼哈顿距离、切比雪夫距离、余弦距离等。
历史向量可以指基于历史用户的历史呼吸频率、历史音频样本的去噪程度确定的向量数据,其构建原理可以与当前向量相同。
向量数据库可以指存储有历史向量及其对应的历史疼痛等级的数据库。
在一些实施例中,当前向量的元素还可以包括音频样本的音量大小和该用户的平均历史呼吸频率。示例性的,基于此,当前向量可以是(19,90%,30,18.8),其中,第三个维度的元素代表音频样本的音量大小为30分贝,第四个维度的元素代表平均历史呼吸频率为18.8次/分钟,其他维度的元素的含义与前例相同。平均历史呼吸频率可以指该用户的所有历史呼吸频率的平均值。关于音频样本的说明可参见图1相关描述。
在一些实施例中,当前向量的元素还可以包括用户信息。示例性的,基于此,当前向量可以是(19,90%,30,18.8,225,1,3),其中,第五个维度的元素代表用户编号为225号,第六个维度的元素代表用户性别为男(可预设1代表男,2代表女),第七个维度的元素代表用户患有糖尿病(可预设1代表健康,2代表用户患有哮喘,3代表用户患有糖尿病,4代表用户患有风湿……),其他维度的元素的含义与前例相同。关于用户信息的说明可参见图3相关描述。
在一些实施例中,在确定当前向量与向量数据库中历史向量的向量距离时,若历史向量对应的用户为当前用户,则对计算得到的向量距离乘以第一系数后,其结果作为最终确定的向量距离,其中,第一系数为常数,其值可预设且小于1,例如,0.8。
在一些实施例中,当前向量的元素还可以包括置信度确定模型确定的置信度。示例性的,基于此,当前向量可以是(19,90%,30,18.8,225,1,3,85%),其中,第八个维度的元素代表置信度确定模型确定的置信度,其他维度的元素的含义与前例相同。关于置信度的说明可参见图3相关描述。关于置信度确定模型的说明可参见图6相关描述。
在一些实施例中,若置信度小于置信度阈值,则在确定当前向量与向量数据库中历史向量的向量距离时,对计算得到的向量距离乘以第二系数后,其结果作为最终确定的向量距离。其中,置信度阈值可以预设;第二系数为常数,其值可预设且大于1,例如,1.2。
步骤420,基于疼痛等级,确定用于疼痛管理的虚拟现实场景。
在一些实施例中,可以预设疼痛等级与用于疼痛管理的虚拟现实场景的对应关系,并基于该对应关系确定用于疼痛管理的虚拟现实场景。例如,可以预设轻微疼痛对应虚拟手术场景,较疼痛对应虚拟大自然场景等。
本说明书一些实施例中,通过上述确定用于疼痛管理的虚拟现实场景的方法,可有效提高所确定的场景对于用户的适应性,能够较好的满足用户的疼痛管理需求。
应当注意的是,上述有关流程400的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程400进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,使用其他方法确定疼痛等级。
图5是根据本说明书一些实施例所示的基于用户年龄和疼痛等级确定用于疼痛管理的虚拟现实场景的方法的示例性流程图。在一些实施例中,流程500可以由虚拟现实模块130执行。
步骤510,基于呼吸频率,确定用户年龄。
在一些实施例中,可以预设呼吸频率与用户年龄的对应关系,并基于该对应关系确定用户年龄。其中,用户年龄可以是用户所属的年龄段。例如,可以预设呼吸频率大于30次/分钟时,用户年龄为儿童;呼吸频率介于20(不含)至30次/分钟之间时,用户年龄为青年;呼吸频率介于16至20次/分钟之间时,用户年龄为老年。
步骤520,基于用户年龄和疼痛等级,确定用于疼痛管理的虚拟现实场景。
在一些实施例中,可以预设用户年龄、疼痛等级与用于疼痛管理的虚拟现实场景的对应关系,并基于该对应关系确定用于疼痛管理的虚拟现实场景。例如,可以预设用户为老年人且疼痛等级为轻微疼痛对应虚拟公园场景,用户为儿童且疼痛等级为较疼痛对应虚拟游乐园场景……
在一些实施例中,可以基于用户偏好确定虚拟现实场景。例如,用户喜爱观赏海滩风景,可将用于其疼痛管理的虚拟现实场景确定为虚拟海滩场景。
基于此,在一些实施例中,当前向量的特征还可以包括用户历史偏好场景,例如,当前向量可以是(19,90%,2),代表的含义为该用户的呼吸频率为19次/分钟,音频样本的去噪程度为90%,历史偏好场景为虚拟海滩场景(对于第三个维度的元素,可预设数值1代表虚拟公园场景,数值2代表虚拟海滩场景,数值3代表手术室场景……)。
本说明书一些实施例中,通过在确定虚拟现实场景时参考用户的偏好,有效提高了所确定的虚拟现实场景对于不同用户的适应性,优化了用户的使用体验和疼痛管理效果。
在一些实施例中,还可以基于实时呼气子样本和实时吸气子样本确定虚拟现实场景,以引导用户呼吸。实时呼气子样本和实时吸气子样本可以指基于用户的实时呼吸音频样本,经过去噪、分割后获得的子音频样本,上述去噪、分割方法可以与获取呼气子样本和吸气子样本时所用的方法相同,可参见图3相关描述。例如,分别在实时呼气子样本和实时吸气子样本的持续时长内,对虚拟现实场景设置不同的亮度、色调等。
在一些实施例中,当前向量的特征还可以包括用户的实时呼吸状态(吸气或呼气),例如,当前向量可以是(19,90%,1),代表的含义为该用户的呼吸频率为19次/分钟,音频样本的去噪程度为90%,用户的实时呼吸状态为吸气。其中,对于第三个维度的元素,可预设数值1代表吸气,数值2代表呼气,且其值可以根据实时呼吸状态在0/1之间来回切换,使得用户在吸气和呼气时的当前向量存在差异,进而使得用户在吸气和呼气时的所确定的虚拟现实场景存在差异,以引导用户在不同虚拟现实场景下进行呼吸,调整自身呼吸频率。用户可以根据虚拟现实场景的变换频率,调整呼吸频率,以实现放松效果,进而减轻疼痛。用户的实时呼吸状态可以基于实时呼气子样本(对应用户实时呼吸状态为呼气)和实时吸气子样本(对应用户实时呼吸状态为吸气)确定。关于通过当前向量确定虚拟现实场景的方法可参见图4相关描述。
本说明书一些实施例中,基于用户实时的吸气和呼气动作实时调整虚拟现实场景,且可以借助场景的变换辅助用户调整呼吸频率,进一步优化了用户的使用体验和疼痛管理效果。
本说明书一些实施例中,通过上述确定用于疼痛管理的虚拟现实场景的方法,可进一步提高所确定的场景对于用户的适应性,能够更好的满足用户的疼痛管理需求。
应当注意的是,上述有关流程500的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程500进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,使用其他方法确定用户年龄。
图6是根据本说明书一些实施例所示的呼吸频率预测模型和置信度确定模型的模型结构图。
在一些实施例中,呼吸检测模块120可以基于呼吸频率预测模型对多个吸气子样本和多个呼气子样本进行处理,确定呼吸频率。关于吸气子样本和呼气子样本的相关说明可参见图3相关描述。
呼吸频率预测模型可以指用于确定呼吸频率的机器学习模型。在一些实施例中,呼吸频率预测模型可以包括循环神经网络(Recurrent Neural Network,RNN)模型、深度神经网络(Deep Neural Network,DNN)模型、卷积神经网络(Convolutional NeuralNetwork,CNN)模型等各种可行的模型中的任意一种或组合。
如图6所示,呼吸频率预测模型620的输入可以包括多个吸气子样本611和多个呼气子样本612,输出可以包括呼吸频率630。
在一些实施例中,呼吸频率预测模型620可以通过多个标有第一标签的第一训练样本训练得到。例如,可以将多个带有第一标签的第一训练样本输入初始呼吸频率预测模型,通过第一标签和初始呼吸频率预测模型的结果构建第一损失函数,基于第一损失函数迭代更新初始呼吸频率预测模型的参数。当第一损失函数满足训练结束的预设条件时模型训练完成,得到训练好的呼吸频率预测模型。其中,训练结束的预设条件可以是第一损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,第一训练样本可以包括多个样本吸气子样本和多个样本呼气子样本。第一标签可以包括第一训练样本对应的用户实际呼吸频率。多个样本吸气子样本和多个样本呼气子样本可以基于用户呼吸的多组音频样本经去噪、分割后确定,用户实际呼吸频率可以基于每组音频样本的实际呼吸气次数除以音频样本的时长确定。第一标签可以人工标注。关于去噪、分割的相关说明可参见图3相关描述。
在一些实施例中,呼吸检测模块120可以基于置信度确定模型对呼吸频率预测模型输出的呼吸频率,以及历史呼吸频率、去噪程度和用户信息进行处理,确定呼吸频率的置信度。关于历史呼吸频率、去噪程度和用户信息的相关说明可参见图3相关描述。
置信度确定模型可以指用于确定置信度的机器学习模型。在一些实施例中,置信度确定模型可以包括循环神经网络(Recurrent Neural Network,RNN)模型、深度神经网络(Deep Neural Network,DNN)模型、卷积神经网络(Convolutional Neural Network,CNN)模型等各种可行的模型中的任意一种或组合。
如图6所示,置信度确定模型640的输入可以包括呼吸频率630、历史呼吸频率631、去噪程度632和用户信息633,输出可以包括置信度650。
在一些实施例中,置信度确定模型640可以通过多个标有第二标签的第二训练样本训练得到。例如,可以将多个带有第二标签的第二训练样本输入初始置信度确定模型,通过第二标签和初始置信度确定模型的结果构建第二损失函数,基于第二损失函数迭代更新初始置信度确定模型的参数。当第二损失函数满足训练结束的预设条件时模型训练完成,得到训练好的置信度确定模型。其中,训练结束的预设条件可以是第二损失函数收敛、迭代的次数达到阈值等。
在一些实施例中,第二训练样本可以包括样本呼吸频率、样本历史呼吸频率、样本去噪程度和样本用户信息。第二标签可以是1(代表呼吸频率预测模型的输出与用户实际呼吸频率的差值小于差异阈值)或0(代表呼吸频率预测模型的输出与用户实际呼吸频率的差值大于差异阈值),其中,差异阈值可以预设。样本呼吸频率可以基于呼吸频率预测模型确定;用户实际呼吸频率可以基于每组音频样本的实际呼吸气次数除以音频样本的时长确定;样本历史呼吸频率可以基于历史呼吸频率确定记录进行获取;样本去噪程度可以人工预设;样本用户信息可以基于历史用户信息确定。第二标签可以人工标注。
在一些实施例中,呼吸频率预测模型620和置信度确定模型640可以通过联合训练获得。联合训练的样本数据可以为多个标有第三标签的第三训练样本。第三训练样本可以包括样本多个吸气子样本、样本多个呼气子样本、样本历史呼吸频率、样本去噪程度和样本用户信息。第三标签可以是1(代表呼吸频率预测模型的输出与用户实际呼吸频率的差值小于差异阈值)或0(代表呼吸频率预测模型的输出与用户实际呼吸频率的差值大于差异阈值),其中,差异阈值可以预设。用户实际呼吸频率可以基于每组音频样本的实际呼吸气次数除以音频样本的时长确定;样本历史呼吸频率可以基于历史呼吸频率确定记录进行获取;样本去噪程度可以人工预设;样本用户信息可以基于历史用户信息确定。
示例性的联合训练过程可以是:将样本多个吸气子样本和样本多个呼气子样本输入初始呼吸频率预测模型,得到初始呼吸频率预测模型输出的呼吸频率;将初始呼吸频率预测模型输出的呼吸频率作为训练样本数据,与样本历史呼吸频率、样本去噪程度和样本用户信息一起输入初始置信度确定模型,得到初始置信度确定模型输出的置信度;将初始置信度确定模型输出的置信度以及第三标签输入第三损失函数;基于第三损失函数更新初始呼吸频率预测模型和初始置信度确定模型,以获取训练好的呼吸频率预测模型和置信度确定模型。其中,预设条件可以包括第三损失函数小于阈值、收敛,或训练周期达到阈值等。
本说明书一些实施例中,通过呼吸频率预测模型和置信度确定模型分别确定呼吸频率及其置信度,在保证确定结果的准确性的同时,提升了确定工作的效率,保证了确定工作的实时性。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种缓解疼痛的虚拟现实***,所述***包括:
呼吸采集模块,用于采集用户呼吸的音频样本;
呼吸检测模块,用于基于所述音频样本,确定用户的呼吸频率;
虚拟现实模块,用于基于所述呼吸频率,确定用于疼痛管理的虚拟现实场景。
2.如权利要求1所述的***,其特征在于,所述呼吸采集模块和所述呼吸检测模块设置于可穿戴设备中,所述虚拟现实模块设置于虚拟现实设备中,其中,所述可穿戴设备的参数配置包括:喇叭抗阻为8±1.2欧姆,麦克风灵敏度为-38±3分贝,与所述虚拟现实设备的连接距离大于5米。
3.如权利要求1所述的***,其特征在于,所述呼吸检测模块进一步用于:
对所述音频样本进行滤波,得到去噪音频样本;
对所述去噪音频样本进行分割,得到多个子音频样本;
基于所述多个子音频样本确定所述呼吸频率。
4.如权利要求1所述的***,其特征在于,所述虚拟现实模块进一步用于:
基于所述呼吸频率,确定疼痛等级;
基于所述疼痛等级,确定所述用于疼痛管理的虚拟现实场景。
5.如权利要求4所述的***,其特征在于,所述虚拟现实模块进一步用于:
基于所述呼吸频率,确定用户年龄;
基于所述用户年龄和所述疼痛等级,确定所述用于疼痛管理的虚拟现实场景。
6.一种基于虚拟现实缓解疼痛的方法,所述方法包括:
采集用户呼吸的音频样本;
基于所述音频样本,确定用户的呼吸频率;
基于所述呼吸频率,确定用于疼痛管理的虚拟现实场景。
7.如权利要求6所述的方法,其特征在于,所述基于所述音频样本,确定用户的呼吸频率包括:
对所述音频样本进行滤波,得到去噪音频样本;
对所述去噪音频样本进行分割,得到多个子音频样本;
基于所述多个子音频样本确定所述呼吸频率。
8.如权利要求6所述的方法,其特征在于,所述基于所述呼吸频率,确定用于疼痛管理的虚拟现实场景包括:
基于所述呼吸频率,确定疼痛等级;
基于所述疼痛等级,确定所述用于疼痛管理的虚拟现实场景。
9.如权利要求8所述的***,其特征在于,所述基于所述疼痛等级,确定所述用于疼痛管理的虚拟现实场景包括:
基于所述呼吸频率,确定用户年龄;
基于所述用户年龄和所述疼痛等级,确定所述用于疼痛管理的虚拟现实场景。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求6至9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310109158.1A CN116110539B (zh) | 2023-02-14 | 2023-02-14 | 一种缓解疼痛的虚拟现实***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310109158.1A CN116110539B (zh) | 2023-02-14 | 2023-02-14 | 一种缓解疼痛的虚拟现实***和方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410503255.3A Division CN118430751A (zh) | 2023-02-14 | 基于呼吸检测的疼痛缓解***和实现方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116110539A true CN116110539A (zh) | 2023-05-12 |
CN116110539B CN116110539B (zh) | 2024-03-26 |
Family
ID=86259572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310109158.1A Active CN116110539B (zh) | 2023-02-14 | 2023-02-14 | 一种缓解疼痛的虚拟现实***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116110539B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275674A (zh) * | 2023-09-21 | 2023-12-22 | 中国医学科学院北京协和医院 | 一种基于虚拟现实技术的疼痛心理治疗模拟*** |
CN117827003A (zh) * | 2024-01-05 | 2024-04-05 | 好心情健康产业集团有限公司 | 基于呼吸数据的虚拟现实交互方法及装置 |
CN118016249A (zh) * | 2024-02-19 | 2024-05-10 | 中山大学孙逸仙纪念医院 | 一种基于虚拟现实技术的术前焦虑缓解方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120245453A1 (en) * | 2011-03-23 | 2012-09-27 | Erik John Tryggestad | Respiratory interval-based correlation and processing of dynamic imaging data |
US20140316191A1 (en) * | 2013-04-17 | 2014-10-23 | Sri International | Biofeedback Virtual Reality Sleep Assistant |
CN205432239U (zh) * | 2016-03-18 | 2016-08-10 | 陈攭锟 | 设呼吸传感器的口罩及呼吸频率监控*** |
TWI593383B (zh) * | 2016-07-28 | 2017-08-01 | 國防醫學院 | 判斷疼痛緩解程度之方法及其裝置 |
US9724016B1 (en) * | 2009-10-16 | 2017-08-08 | Masimo Corp. | Respiration processor |
CN107811610A (zh) * | 2017-09-27 | 2018-03-20 | 深圳和而泰智能控制股份有限公司 | 一种呼吸率检测方法、装置、电子设备及存储介质 |
US20190167186A1 (en) * | 2016-04-15 | 2019-06-06 | CLEBRE Spólka z o.o. | Method and System for Identifying Respiratory Events |
CN110099601A (zh) * | 2016-10-14 | 2019-08-06 | 费森瑟有限公司 | 检测呼吸参数并提供生物反馈的***和方法 |
CN112863644A (zh) * | 2021-02-24 | 2021-05-28 | 浙江连信科技有限公司 | 基于vr技术的正念训练方法、装置、设备和存储介质 |
CN113440127A (zh) * | 2020-03-25 | 2021-09-28 | 华为技术有限公司 | 呼吸数据的采集方法、装置和电子设备 |
-
2023
- 2023-02-14 CN CN202310109158.1A patent/CN116110539B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9724016B1 (en) * | 2009-10-16 | 2017-08-08 | Masimo Corp. | Respiration processor |
US20120245453A1 (en) * | 2011-03-23 | 2012-09-27 | Erik John Tryggestad | Respiratory interval-based correlation and processing of dynamic imaging data |
US20140316191A1 (en) * | 2013-04-17 | 2014-10-23 | Sri International | Biofeedback Virtual Reality Sleep Assistant |
CN205432239U (zh) * | 2016-03-18 | 2016-08-10 | 陈攭锟 | 设呼吸传感器的口罩及呼吸频率监控*** |
US20190167186A1 (en) * | 2016-04-15 | 2019-06-06 | CLEBRE Spólka z o.o. | Method and System for Identifying Respiratory Events |
TWI593383B (zh) * | 2016-07-28 | 2017-08-01 | 國防醫學院 | 判斷疼痛緩解程度之方法及其裝置 |
CN110099601A (zh) * | 2016-10-14 | 2019-08-06 | 费森瑟有限公司 | 检测呼吸参数并提供生物反馈的***和方法 |
CN107811610A (zh) * | 2017-09-27 | 2018-03-20 | 深圳和而泰智能控制股份有限公司 | 一种呼吸率检测方法、装置、电子设备及存储介质 |
CN113440127A (zh) * | 2020-03-25 | 2021-09-28 | 华为技术有限公司 | 呼吸数据的采集方法、装置和电子设备 |
CN112863644A (zh) * | 2021-02-24 | 2021-05-28 | 浙江连信科技有限公司 | 基于vr技术的正念训练方法、装置、设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275674A (zh) * | 2023-09-21 | 2023-12-22 | 中国医学科学院北京协和医院 | 一种基于虚拟现实技术的疼痛心理治疗模拟*** |
CN117827003A (zh) * | 2024-01-05 | 2024-04-05 | 好心情健康产业集团有限公司 | 基于呼吸数据的虚拟现实交互方法及装置 |
CN118016249A (zh) * | 2024-02-19 | 2024-05-10 | 中山大学孙逸仙纪念医院 | 一种基于虚拟现实技术的术前焦虑缓解方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116110539B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116110539B (zh) | 一种缓解疼痛的虚拟现实***和方法 | |
WO2020119355A1 (zh) | 自闭症谱系障碍患者的多模态情感认知能力的评估方法 | |
CN100484465C (zh) | 处理生物信息的方法和装置 | |
Abushakra et al. | Acoustic signal classification of breathing movements to virtually aid breath regulation | |
US20190074012A1 (en) | Methods and Apparatus for Silent Speech Interface | |
CN107402635B (zh) | 结合脑电波与虚拟现实的心理健康调节方法及*** | |
Abushakra et al. | Augmenting breath regulation using a mobile driven virtual reality therapy framework | |
Zubaydi et al. | MobSpiro: Mobile based spirometry for detecting COPD | |
US20200038708A1 (en) | System and method for optimizing diaphragmatic breathing | |
CN110731778B (zh) | 一种基于可视化的呼吸音信号识别方法及*** | |
Tran et al. | Stethoscope-sensed speech and breath-sounds for person identification with sparse training data | |
CN114999237A (zh) | 一种智慧教育互动教学方法 | |
EP3847658A1 (en) | Systems and methods of pain treatment | |
CN111920420A (zh) | 一种基于统计学习的患者行为多模态分析与预测*** | |
Kye et al. | Multimodal data collection framework for mental stress monitoring | |
CN114730629A (zh) | 基于语音的呼吸预测 | |
KR102131742B1 (ko) | 가상현실을 이용하여 환자의 호흡동조 방사선 치료를 최적화하는 방법 및 시스템 | |
CN114887186A (zh) | 一种正念冥想训练的方法、装置、设备以及存储介质 | |
KR101837835B1 (ko) | 광용적맥파를 이용하는 호흡수 측정 및 관리 방법 | |
US20220215926A1 (en) | System for measuring breath and for adapting breath exercices | |
CN112599245A (zh) | 心理健康指数评估方法及*** | |
CN118430751A (zh) | 基于呼吸检测的疼痛缓解***和实现方法、装置及介质 | |
Groenegress et al. | The physiological mirror—a system for unconscious control of a virtual environment through physiological activity | |
Van Stan et al. | Quantitative assessment of learning and retention in virtual vocal function exercises | |
Faustino | Crackle and wheeze detection in lung sound signals using convolutional neural networks |
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 |