CN117355906A - 用于量化精神状态的***和方法 - Google Patents
用于量化精神状态的***和方法 Download PDFInfo
- Publication number
- CN117355906A CN117355906A CN202180098520.9A CN202180098520A CN117355906A CN 117355906 A CN117355906 A CN 117355906A CN 202180098520 A CN202180098520 A CN 202180098520A CN 117355906 A CN117355906 A CN 117355906A
- Authority
- CN
- China
- Prior art keywords
- neural network
- artificial neural
- training
- intensity
- input
- 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
Links
- 230000006996 mental state Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 claims abstract description 64
- 238000004519 manufacturing process Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000001149 cognitive effect Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 8
- 206010041349 Somnolence Diseases 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 230000006461 physiological response Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种用于量化精神状态的计算机实现的方法,所述方法包括:收集至少一对生物信号作为第一训练数据子集,其中每个生物信号与一个或多个人的精神状态的强度相关;接收至少一个注释作为第二训练数据子集,所述至少一个注释指示所述一对生物信号中的哪个生物信号与所述精神状态的更高强度相关;在包括所述第一训练数据子集和所述第二训练数据子集的训练数据集上训练所述人工神经网络以预测精神状态的强度值;接收生产数据集输入作为输入数据集,所述生产数据集输入包括与所述精神状态的强度相关的至少一个生产生物信号;以及由所述人工神经网络处理所述生产输入数据集,以预测与所述生产生物信号相关的所述精神状态的强度值。
Description
技术领域
本公开涉及量化精神状态。方法和***可用于健康监测设备,具体地,基于车辆的健康监测设备。
背景技术
确定个体的精神状态(诸如车辆的驾驶员的认知负荷)是与包括车辆安全的领域相关的任务。因此,存在对精神状态的可靠量化的兴趣。
以下文献涉及认知负荷的确定及其应用:
·US National Highway Traffic Safety Administration report DOT HS810635.November2006.
·Euro NCAP,Assessment Protocol-Safety Assist,Version 9.0.1,February2019
·US9934425B2
·US20180125405A1
·US20180125356A1
·US7344251B2
·US6090051A
·US20180125406A1
·US7435227B2
·US7938785B2
·WO2006024129A1
·US9723992B2
·US9646046B2
·US10111611B2
·US9763573B2
·WO2015116832A1
·US7438418B2
·US20070066916A1
·WO2008107832A1
·US6102870A
·US20080150734A1
·US9642536B2
·US10667723B2
·US8977347B2
发明内容
本文所公开并要求保护的是用于量化精神状态的***和方法。本公开的第一方面涉及一种用于量化精神状态的计算机实现的方法。所述方法包括以下步骤:
·收集至少一对生物信号作为第一训练数据子集,其中每个生物信号与一个或多个人的精神状态的强度相关;
·接收至少一个注释作为第二训练数据子集,所述至少一个注释指示所述一对生物信号中的哪个生物信号与所述精神状态的更高强度相关;
·将所述第一训练数据子集和所述第二训练数据子集作为训练数据集供应到人工神经网络;
·在所述训练数据集上训练所述人工神经网络以预测精神状态的强度值;
·接收生产输入数据集作为输入数据集,所述生产输入数据集包括与所述精神状态的强度相关的至少一个生产生物信号;以及
·由所述人工神经网络处理所述生产输入数据集,以预测与所述生产生物信号相关的所述精神状态的强度值。
精神状态是指一个或多个人的情绪状态并且可包括心境。精神状态的强度可逐渐变化,并且所述两个生物信号指示精神状态的两个不同强度。例如,精神状态可包括认知负荷,并且可针对经历高认知负荷(诸如在执行认知要求高的任务时)的人测量第一生物信号,并且可针对处于低认知负荷(例如,在放松时)的同一人测量第二生物信号。然而,还可选择其他精神状态,诸如压力。此外,精神状态不一定限于一个人。相反,可量化在两个人中所观察的精神状态。在该示例性情况下,第一生物信号与一个人相关并且第二生物信号与第二人相关。生物信号可包括不同类型的可测量生理值,诸如心跳间隔或眼睛开合度。生物信号可在测量后立即进行处理,或者预先记录并稍后用作输入。
注释包括指示哪个生物信号与精神状态的更高强度相关的二进制值,诸如布尔值。例如,当针对解决认知要求高的任务的人记录第一生物信号并且针对未在解决认知要求高的任务的人记录第二生物信号时,注释可包括第一生物信号与精神状态的更高强度相关的指示。
在训练阶段,收集生物信号和注释,并且训练人工神经网络来预测注释值。因此,训练可包括由人工神经网络预测每个生物信号的精神状态的强度值以及调整人工神经网络的权重,使得如果注释指示生物信号与精神状态的更高强度相关,则所述生物信号中的一个的预测强度更高。每个精神状态的值可优选地为数值。因此,通过仅接收二进制输入但在包括多对生物信号的数据集上进行训练,人工神经网络对精神状态的强度的定性确定是可能的。
在推断阶段,单个生产生物信号可被视为精神状态的强度。因此,被训练来预测例如认知负荷的强度值的人工神经网络可用于根据新输入数据预测认知负荷。
因此,所述方法的优点是人工神经网络可在可靠的数据集上进行训练,因为可非常可靠地进行两个不同水平的认知负荷之间的比较。例如,与例如按一至十的级别对精神状态进行评级相对比,人可更加容易并且以更高水平的信心地陈述两种精神状态中的哪一种精神状态更强烈。通过使用这种训练数据集来训练人工神经网络,能够可靠地预测精神状态。
在一个实施方案中,所述方法还包括:在将所述生物信号供应到所述人工神经网络以进行训练和/或处理之前,预处理所述生物信号中的一个或多个。预处理包括去除噪声并且/或者根据一个或多个预定义标准提取特征。
通过预处理,可采取步骤来减少数据中的熵。例如,如果要确定心跳间隔,则可拍摄人的面部的相机图像,可确定面部上的一个或多个位置中随时间的颜色改变,并且可通过如本领域已知的适当计算(诸如傅里叶变换、拟合模型或使用基于机器学习的方法来提取心跳间隔)分析信号以标识心跳间隔。在其他实施方案中,可使用适合于生物信号的其他类型的预处理。
在另外的实施方案中,所述第一训练数据子集包括至少两对生物信号,所述至少两对生物信号包括同一生物信号。这可暗示自动管理所述训练数据集的步骤。在此实施方案中,第一训练生物信号连同指示相对强度的注释一起被包括在训练数据集中的不同的两对或更多对生物信号中。因此,所述第一训练生物信号可与两个或更多个不同的第二训练信号进行比较。这有利于训练过程并且减少训练所需的原始数据量。
在另外的实施方案中,训练所述人工神经网络包括:
·将所述第一训练数据子集供应到所述人工神经网络的输入层;
·由所述人工神经网络生成两个输出值,其中每个输出值指示与所述生物信号中的一个相关的所述精神状态的强度;
·比较所述输出值以生成指示哪个输出值更大的比较器值;以及
·训练所述人工神经网络以通过所述比较强值预测所述第二输入训练数据子集。
因此,所述输入层被配置为接收两个生物信号并且处理所述生物信号。所述两个输出信号量化精神状态的强度,并且优选地包括数值。将所述两个输出信号进行比较,以生成指示哪个值更高的比较器值,例如布尔值。然后,训练包括调整权重,使得比较器值匹配注释。
在另外的实施方案中,所述人工神经网络包括两个部分。在此实施方案中,每个部分被配置为接收所述一对生物信号中的一个输入生物信号,并且被配置为生成指示与所述输入生物信号相关的所述精神状态的强度的一个输出值。在此实施方案中,处理所述生产数据集包括将所述生产输入数据集供应到所述部分中的至少一个。所述人工神经网络的一部分可包括用于处理所述输入信号中的一个的多个节点。因此,所述部分可包括神经网络本身。
在另外的实施方案中,所述部分彼此不通信。在训练阶段期间,为每个部分单独确定权重。
在另外的实施方案中,所述部分包括相同节点结构。因此,所述人工神经网络在结构上关于所述输入对称。
在另外的实施方案中,训练包括确定所述部分的共同权重集。因此,所述人工神经网络关于交换所述输入完全对称,使得结果关于生产生物信号是发送到所述第一部分还是所述第二部分不变。因此,训练可导致更快的收敛,因为针对所述人工神经网络的两个部分训练了所述共同权重集。
在另外的实施方案中,所述精神状态包括压力、准备状态、注意力、困倦程度和/或认知负荷中的一者或多者。这些精神状态都可基于比较来量化。
在另外的实施方案中,所述第一生物信号和所述第二生物信号与同一人在不同时间间隔的精神状态相关。
因此,注释可由同一个人生成,所述同一个人可比较如所经历的精神状态。例如,可标识趋势,即这个人可陈述在记录第一生物信号时的第一时间处的压力比在记录第二生物信号时的第二时间处的压力大,或者反过来。注释可被相应地设定。
在另外的实施方案中,所述第一生物信号和所述第二生物信号与两个不同人的精神状态相关。因此,可确定对精神状态的生理反应的差异。
在另外的实施方案中,训练所述人工神经网络包括监督学习。例如,权重可通过反向传播来设定,使得比较器值预测注释。
在另外的实施方案中,训练所述人工神经网络包括最小化所述比较器值相对于所述第二训练数据子集的均方误差。
在另外的实施方案中,以下项的步骤:
捕获生产输入数据集;和/或
处理所述生产输入数据集由附接到移动设备并且/或者包括在所述移动设备中的计算机执行。
具体地,所述移动设备可被包括在车辆中。在推断时,所述移动设备可因此确定车辆驾驶员的认知负荷。
本公开的第二方面涉及一种用于量化精神状态的强度的***。所述***包括:
一个或多个传感器,所述一个或多个传感器被配置为确定生物信号;
输入设备,所述输入设备被配置为接收注释;
处理单元;以及
存储器,所述存储器包括指令,所述指令在由所述处理单元执行时使得所述***执行前述权利要求中任一项所述的方法。
适用于第一方面的所有特性和实施方案也适用于第二方面。
附图说明
根据下文结合附图进行阐述的详细描述,本公开的特征、目的和优点将变得更加显而易见,在附图中,相同附图标记指代类似元件。
图1示出根据实施方案的用于训练人工神经网络的方法的流程图;
图2示出根据实施方案的用于在推断阶段使用人工神经网络来量化精神状态的方法的流程图;
图3示出根据实施方案的***的框图;并且
图4示出根据实施方案的***的框图。
具体实施方式
图1示出根据实施方案的用于训练人工神经网络的方法100的流程图。
方法100开始于:收集两个生物信号(102)。生物信号携带有关精神状态的信息。例如,生物信号可包括心跳信号,所述心跳信号携带个体所经历的压力水平的一些信息。生物信号的其他示例可包括眨眼率、眼睛开合度、心电图描记数据或其他生物信号。生物信号可直接从个体记录或者预先记录并存储在存储器中。至少收集精神状态的第二生物信号。这里,同一精神状态的信号是指同一类别的精神状态的信号,例如两个生物信号均与压力水平相关,使得所述生物信号是可比较的。生物信号可例如属于同一人,并且在所述人经历不同强度下的精神状态时的不同时间处被记录。例如,这个人可以是经受不同压力水平的测试用户。在替代实施方案中,精神状态可包括认知负荷,所述认知负荷指示人是否正在解决认知要求高的任务。在此示例中,可在人正在解决认知要求高的问题(诸如驾驶汽车或解决数学问题)时记录第一生物信号。可在人未在解决问题而是处于放松状态时获取第二信号。然而,本公开不限于比较来自同一人的信号。例如,可记录两个不同人的生物信号。然后,生物信号之间的差异携带关于它们对情况的生理反应的差异的信息。可预处理生物信号(104)。预处理步骤可包括本领域已知的任何种类的预处理。例如,可从数据中去除噪声。可通过应用数学模型来提取特征。生物信号形成要供应到神经网络的输入层的第一训练数据子集,如下文所详述。
在106处,接收与生物信号相关的精神状态的差异的注释。注释不需要包括量化信息。然而,注释包括指示第一生物信号还是第二生物信号与更高强度的精神状态相关的二进制值。如果在一个实施方案中,精神状态包括认知负荷,则注释可以是布尔值,如果在记录第一生物信号时人正在解决认知要求高的任务,则所述布尔值为真。注释还可由人在当前强度的精神状态的自我评估中确定。因此,优点来自于以下事实:与通过例如按零至一百的级别量化心理状态相比,人类可给出关于两种心理状态中的一种是否更强烈的更可靠信息。注释形成第二训练数据子集。
在108处,将包括第一训练数据子集和第二训练数据子集的训练数据集供应到人工神经网络。训练数据集包括至少两个生物信号和注释。然而,为了训练神经网络,优选地使用多个数据三元组,其中每个三元组包括两个生物信号和一个注释,所述注释指示哪个生物信号与更高强度的精神状态相关。使用此训练数据集,训练人工神经网络(110),以预测量化精神状态的数值。因此,神经网络的输出包括与精神状态的相对强度相关的至少一个数值,如参考图3所述。在一个实施方案中,包括生物信号的第一训练数据子集被供应到人工神经网络的输入层。输入层被配置为接收两个生物信号。通过处理两个个体生物信号,可生成两个输出值(116),其中每个输出值量化与生物信号中的每个相关联的精神状态的强度。然后可将这些输出信号彼此比较以获得指示输出值中的哪一个更高的比较器值(116),例如布尔值。然后,可训练人工神经网络(118)以产生输出值,根据所述输出值,所述比较预测在步骤106处所接收的注释。训练可包括监督学习的技术(120)。训练可包括确定并最小化指示注释与比较器值之间的差值的均方误差(122)。然而,本公开不限于特定类型的训练。相反,还可使用其他训练类型的人工神经网络。通过利用足够大的训练数据集来进行训练,确定人工神经网络的权重,使得输出值包含关于精神状态的强度的量化信息,但注释仅包括关于特定对的生物信号的二进制值。
图2示出根据实施方案的用于在推断阶段使用人工神经网络来量化精神状态的方法200的流程图。在202处,收集生产生物信号。在一个实施方案中,生产生物信号可包括使用用户的相机图像通过远程光电体积描记术确定的心跳信号。与步骤104类似,可任选地预处理信号(204),这可包括根据相机图像确定心率。然后处理信号(206),以预测如用户所经历的精神状态的强度的数值。处理可由人工神经网络的一部分来执行。因此,可将生物信号供应到人工神经网络的一个部分(208),其中所述部分包括用于接收生产生物信号的输入端和用于产生精神状态的强度的确定数值的输出端。在示例性实施方案中,一个或多个处理步骤可由移动设备来执行(210)。然而,处理步骤还可在固定计算设备(例如,台式计算机或服务器计算机)上执行。
图3示出根据实施方案的***的框图。所述***包括人工神经网络300。在此实施方案中,人工神经网络包括第一部分302和第二部分304。在此实施方案中,每个部分是不同神经网络并且被配置为在输入层310、312处接收一个输入信号306、308,经由一个或多个隐藏层314、316处理所述输入并且经由输出层318、320产生输出信号322、324。因此,第一部分302的输出信号322指示与第一生物信号输入306相关的精神状态的强度。类似地,第二部分304的输出信号324指示与第二生物信号输入308相关的精神状态的强度。在实施方案中,第一部分302和第二部分304可例如在隐藏层中包括相同节点结构,使得第一部分和第二部分完成等效任务。在一个实施方案中,第一部分和第二部分可共享共同权重集,使得在训练时相对于两个节点调整每个权重,以增加收敛。替代地,第一部分302和第二部分304可包括不同权重,以降低训练阶段的复杂度。
输出信号322、324量化相关联精神状态的强度。它们可被表达为数值,或者以不同方式编码。输出信号322、324被供应到比较器326,所述比较器产生关于输出信号322、324中的哪一者更高的输出328。因此,比较器326提供用于预测第二训练数据子集的注释的值328。因此,在训练数据集上进行的训练导致输出信号322,所述输出信号使得比较器产生注释的准确预测。
图4示出根据实施方案的***400的框图。***400包括服务器,所述服务器被配置为执行图1的训练过程100以确定人工神经网络的权重。所述服务器包括一个或多个传感器404,所述一个或多个传感器可包括相机、心电图描记设备或用于生物信号的其他传感器。所述服务器还包括输入设备406,所述输入设备被配置为接收关于两种精神状态中的哪一种精神状态更强烈的输入。处理单元可执行上文所讨论的方法中的任一种的一个或多个步骤。存储器410可包括使得服务器执行所述方法中的任一种的步骤的指令。服务器402可以是单个计算设备或多个计算设备。
服务器402和客户端设备414经由网络412通信。所述网络使得客户端设备414能够与服务器交换数据,所述交换数据包括接收人工神经网络的更新版本的权重,并且/或者向服务器发送一个或多个生物信号以进行分析和/或一个或多个预处理步骤。
在一个实施方案中,客户端设备414可以是移动设备。具体地,所述客户端设备可被包括在车辆中并且被配置为确定驾驶员的困倦程度。困倦程度的确定可允许车辆电子器件例如通过借助声学信号提醒驾驶员或通过向附近其他车辆发送警告来做出反应。在此说明性示例中,传感器可包括用于观察驾驶员的一个或多个相机。
在替代实施方案中,客户端设备414可以是固定设备。
根据相机图像,可确定眼睛开合度值,由此例如可确定眨眼率为预处理步骤。替代地,可通过远程光电体积描记术来确定心率。然后,生物信号可通过由处理单元执行方法200来在客户端设备上进行分析,或者经由网络发送到服务器402以进行处理。
应当指出,本公开不限于上述实施方案。参考图1和图2描述的方法以及图3的人工神经网络可在任何合适的硬件上执行。
附图标记
100用于训练人工神经网络的方法
102收集两个生物信号
104预处理生物信号
106接收注释
108将数据集供应到人工神经网络
110训练人工神经网络
112将数据子集供应到输入层
114生成两个数值输出值
116生成比较器值
118训练以预测第二输入
120通过监督学习训练人工神经网络
122最小化均方误差
200用于确定精神状态的数值的方法
202收集生产生物信号
204预处理生产生物信号
206处理生产生物信号
208将生产输入供应到至少一个部分
210由移动设备处理
300人工神经网络
302人工神经网络的第一部分
304人工神经网络的第二部分
310、312输入层
314、316隐藏层
318、320输出层
322、324输出信号
326比较器
328输出
400***
402服务器
404传感器
406输入设备
408处理单元
410存储器
412网络
414移动设备
416传感器
418处理单元
420存储器。
Claims (15)
1.一种用于量化精神状态的计算机实现的方法,所述方法包括:
收集至少一对生物信号作为第一训练数据子集,其中每个生物信号与一个或多个人的精神状态的强度相关;
接收至少一个注释作为第二训练数据子集,所述至少一个注释指示所述一对生物信号中的哪个生物信号与所述精神状态的更高强度相关;
将所述第一训练数据子集和所述第二训练数据子集作为训练数据集供应到人工神经网络;
在所述训练数据集上训练所述人工神经网络以预测精神状态的强度值;
接收生产输入数据集作为输入数据集,所述生产输入数据集包括与所述精神状态的强度相关的至少一个生产生物信号;以及
由所述人工神经网络处理所述生产输入数据集,以预测与所述生产生物信号相关的所述精神状态的强度值。
2.如权利要求1所述的方法,
其还包括:在将所述生物信号供应到所述人工神经网络以进行训练和/或处理之前,预处理所述生物信号中的一个或多个,其中所述预处理包括:
去除噪声;并且/或者
根据一个或多个预定义标准提取特征。
3.如前述权利要求中任一项所述的方法,其中所述第一训练数据子集包括至少两对生物信号,所述至少两对生物信号包括同一生物信号。
4.如前述权利要求中任一项所述的方法,其中训练所述人工神经网络包括:
将所述第一训练数据子集供应到所述人工神经网络的输入层;
由所述人工神经网络生成两个输出值,其中每个输出值指示与所述生物信号中的一个相关的所述精神状态的强度;
比较所述输出值以生成指示哪个输出值更大的比较器值;以及
训练所述人工神经网络以通过所述比较器值预测所述第二输入训练数据子集。
5.如权利要求4所述的方法,
其中所述人工神经网络包括两个部分,
其中每个部分被配置为接收所述一对生物信号中的一个输入生物信号,并且被配置为生成指示与所述输入生物信号相关的所述精神状态的所述强度的一个输出值;并且
其中处理所述生产数据集包括将所述生产输入数据集供应到所述部分中的至少一个。
6.如权利要求5所述的方法,其中所述部分彼此不通信。
7.如权利要求5至6中任一项所述的方法,其中所述部分包括相同节点结构。
8.如权利要求5至7中任一项所述的方法,其中训练包括确定所述部分的共同权重集。
9.如前述权利要求中任一项所述的方法,其中所述精神状态包括:
压力;
准备状态;
注意力;
困倦程度;和/或
认知负荷。
10.如前述权利要求中任一项所述的方法,其中所述第一生物信号和所述第二生物信号与同一人在不同时间间隔的精神状态相关。
11.如前述权利要求中任一项所述的方法,其中所述第一生物信号和所述第二生物信号与两个不同人的精神状态相关。
12.如前述权利要求中任一项所述的方法,其中训练所述人工神经网络包括监督学习。
13.如前述权利要求中任一项所述的方法,其中训练所述人工神经网络包括最小化所述比较器值相对于所述第二训练数据子集的均方误差。
14.如任一前述权利要求所述的方法,其中以下项的步骤:
捕获生产输入数据集;和/或
处理所述生产输入数据集由附接到移动设备和/或者包括在所述移动设备中的计算机执行。
15.一种用于量化精神状态的强度的***,所述***包括:
一个或多个传感器,所述一个或多个传感器被配置为确定生物信号;
输入设备,所述输入设备被配置为接收注释;
处理单元;以及
存储器,所述存储器包括指令,所述指令在由所述处理单元执行时使得所述***执行前述权利要求中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/RU2021/000224 WO2022250560A1 (en) | 2021-05-28 | 2021-05-28 | System and method for quantifying a mental state |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117355906A true CN117355906A (zh) | 2024-01-05 |
Family
ID=77155837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180098520.9A Pending CN117355906A (zh) | 2021-05-28 | 2021-05-28 | 用于量化精神状态的***和方法 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4348675A1 (zh) |
CN (1) | CN117355906A (zh) |
WO (1) | WO2022250560A1 (zh) |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999018842A1 (en) | 1997-10-16 | 1999-04-22 | The Board Of Trustees Of The Leland Stanford Junior University | Method for inferring mental states from eye movements |
US6090051A (en) | 1999-03-03 | 2000-07-18 | Marshall; Sandra P. | Method and apparatus for eye tracking and monitoring pupil dilation to evaluate cognitive activity |
DE602004017524D1 (de) | 2004-09-03 | 2008-12-11 | Canadian Space Agency | System und verfahren zur messung der geistigen arbeitsbelastung auf grundlage rascher augenbewegungen |
US7435227B2 (en) | 2004-09-13 | 2008-10-14 | Biocognisafe (Bcs) Technologies | Method and apparatus for generating an indication of a level of vigilance of an individual |
US7438418B2 (en) | 2005-02-23 | 2008-10-21 | Eyetracking, Inc. | Mental alertness and mental proficiency level determination |
US7344251B2 (en) | 2005-02-23 | 2008-03-18 | Eyetracking, Inc. | Mental alertness level determination |
ATE526866T1 (de) | 2005-03-04 | 2011-10-15 | Sleep Diagnostics Pty Ltd | Wachheitsmessung |
EP1924941A2 (en) | 2005-09-16 | 2008-05-28 | Imotions-Emotion Technology APS | System and method for determining human emotion by analyzing eye properties |
WO2008107832A1 (en) | 2007-03-07 | 2008-09-12 | Koninklijke Philips Electronics N.V. | Stress estimation |
US7938785B2 (en) | 2007-12-27 | 2011-05-10 | Teledyne Scientific & Imaging, Llc | Fusion-based spatio-temporal feature detection for robust classification of instantaneous changes in pupil response as a correlate of cognitive response |
US9646046B2 (en) | 2010-06-07 | 2017-05-09 | Affectiva, Inc. | Mental state data tagging for data collected from multiple sources |
US9642536B2 (en) | 2010-06-07 | 2017-05-09 | Affectiva, Inc. | Mental state analysis using heart rate collection based on video imagery |
US9934425B2 (en) | 2010-06-07 | 2018-04-03 | Affectiva, Inc. | Collection of affect data from multiple mobile devices |
US9723992B2 (en) | 2010-06-07 | 2017-08-08 | Affectiva, Inc. | Mental state analysis using blink rate |
US10111611B2 (en) | 2010-06-07 | 2018-10-30 | Affectiva, Inc. | Personal emotional profile generation |
CA3182711A1 (en) | 2011-11-22 | 2013-05-30 | Dignity Health | System and method for using microsaccade dynamics to measure attentional response to a stimulus |
US8977347B2 (en) | 2012-06-25 | 2015-03-10 | Xerox Corporation | Video-based estimation of heart rate variability |
CA2937045C (en) | 2014-01-29 | 2020-07-14 | Dignity Health | Systems and methods for using eye movements to determine states |
CA2958003C (en) | 2016-02-19 | 2022-04-05 | Paul Stanley Addison | System and methods for video-based monitoring of vital signs |
US20180125406A1 (en) | 2016-11-08 | 2018-05-10 | International Business Machines Corporation | Mental state estimation using relationship of pupil dynamics between eyes |
US20180125405A1 (en) | 2016-11-08 | 2018-05-10 | International Business Machines Corporation | Mental state estimation using feature of eye movement |
US10660517B2 (en) | 2016-11-08 | 2020-05-26 | International Business Machines Corporation | Age estimation using feature of eye movement |
-
2021
- 2021-05-28 WO PCT/RU2021/000224 patent/WO2022250560A1/en active Application Filing
- 2021-05-28 EP EP21748978.0A patent/EP4348675A1/en active Pending
- 2021-05-28 CN CN202180098520.9A patent/CN117355906A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022250560A8 (en) | 2023-11-23 |
EP4348675A1 (en) | 2024-04-10 |
WO2022250560A1 (en) | 2022-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haque et al. | Deep multimodal pain recognition: a database and comparison of spatio-temporal visual modalities | |
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
Sabeti et al. | Selection of relevant features for EEG signal classification of schizophrenic patients | |
Buscema et al. | The IFAST model allows the prediction of conversion to Alzheimer disease in patients with mild cognitive impairment with high degree of accuracy | |
Bundele et al. | Detection of fatigue of vehicular driver using skin conductance and oximetry pulse: a neural network approach | |
Begum et al. | Classification of physiological signals for wheel loader operators using multi-scale entropy analysis and case-based reasoning | |
US20240050006A1 (en) | System and method for prediction and control of attention deficit hyperactivity (adhd) disorders | |
US8416086B2 (en) | Methods for improved forewarning of condition changes in monitoring physical processes | |
Quintero-Rincón et al. | A quadratic linear-parabolic model-based EEG classification to detect epileptic seizures | |
JP2021101318A (ja) | 解析装置、解析方法、及び解析プログラム | |
Singh et al. | Detection of Parkinson's Disease using Machine Learning Algorithm | |
Pothula et al. | A real-time seizure classification system using computer vision techniques | |
EP3614313A1 (en) | Estimating confidence of machine-learning output | |
Obayya et al. | A novel automated Parkinson’s disease identification approach using deep learning and EEG | |
Utomo et al. | Driver fatigue prediction using different sensor data with deep learning | |
Heard et al. | Speech workload estimation for human-machine interaction | |
CN117355906A (zh) | 用于量化精神状态的***和方法 | |
CN115414054A (zh) | 基于前馈脉冲神经网络的癫痫脑电检测*** | |
US11712193B2 (en) | Reliable seizure detection with a parallelizable, multi-trajectory estimate of lyapunov exponents | |
KR20200141751A (ko) | 보행 시간-주파수 분석에 기초한 건강 상태 예측 방법 및 시스템 | |
Gullapalli et al. | In the blink of an eye: Quantitative blink dynamics predict deceptive personality traits in forensic interviews | |
Gu et al. | Detecting epileptic seizures via non-uniform multivariate embedding of EEG signals | |
Sai Kumar et al. | Parkinson Disease Diagnosis and Severity Rating Prediction Based on Gait analysis using Deep Learning | |
Singh et al. | Parkinson’s disease detection using machine learning | |
Nancy et al. | A brain EEG classification system for the mild cognitive impairment analysis |
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 |