[發(fā)明專利]一種基于生理健康指標(biāo)的精神狀態(tài)預(yù)測方法、系統(tǒng)及設(shè)備

在審

• 申請?zhí)枺?/td>: 202111159498.2
• 申請日: 2021-09-30
• 公開（公告）號(hào): CN113842124A
• 公開（公告）日: 2021-12-28
• 發(fā)明（設(shè)計(jì)）人: 肖建鋒
• 申請（專利權(quán)）人: 北京瑞格心靈科技有限公司
• 主分類號(hào): A61B5/0205
• 分類號(hào): A61B5/0205
• 代理公司: 北京酷愛智慧知識(shí)產(chǎn)權(quán)代理有限公司 11514
• 代理人: 李元軍

本發(fā)明涉及精神狀態(tài)預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于生理健康指標(biāo)的精神狀態(tài)預(yù)測方法、系統(tǒng)及設(shè)備，所述方法包括采集待測用戶的生理健康指標(biāo)；利用AI算法分別對生理健康指標(biāo)進(jìn)行分析得到特征參數(shù)，基于特征參數(shù)得到待測用戶的綜合放松指數(shù)，基于綜合放松指數(shù)評估待測用戶的精神狀態(tài)，若綜合放松指數(shù)越高，則待測用戶的精神狀態(tài)越好。本發(fā)明在滿足用戶生理數(shù)據(jù)的采集需求的同時(shí)，還對生理信號(hào)進(jìn)行特征提取與分析，進(jìn)而利用AI算法對數(shù)據(jù)特征進(jìn)行分類與識(shí)別，構(gòu)建更優(yōu)化的算法模型，能夠?qū)崿F(xiàn)用戶精神狀態(tài)的快速、精確評估，在評估用戶精神狀態(tài)的同時(shí)，能夠進(jìn)行放松訓(xùn)練，利用針對性的放松訓(xùn)練進(jìn)行情緒疏導(dǎo)，緩解個(gè)體壓力，提高專注力。

技術(shù)領(lǐng)域

本發(fā)明涉及精神狀態(tài)預(yù)測技術(shù)領(lǐng)域，具體涉及的一種基于生理健康指標(biāo)的精神狀態(tài)預(yù)測方法、系統(tǒng)及設(shè)備。

背景技術(shù)

隨著生活水平的提高，越來越多的人開始關(guān)注個(gè)體的身體健康以及心理健康狀況，同時(shí)日常工作、生活會(huì)面臨各種壓力，因此對生理狀態(tài)以及心理壓力進(jìn)行有效的測評和干預(yù)十分重要，然而目前存在的健康指標(biāo)評價(jià)體系很難實(shí)現(xiàn)對被測個(gè)體的生理狀態(tài)、心理狀態(tài)以及情緒狀態(tài)進(jìn)行全面準(zhǔn)確的綜合評價(jià)。

因此，設(shè)計(jì)一種利用更加方便、快速的方式進(jìn)行相關(guān)生理信號(hào)的采集和精神狀態(tài)評估的方法是本領(lǐng)域技術(shù)人員亟待解決的問題。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種基于生理健康指標(biāo)的精神狀態(tài)預(yù)測方法，包括以下步驟：

S1:采集待測用戶的生理健康指標(biāo)，其中，所述生理健康指標(biāo)包括脈搏數(shù)據(jù)和呼吸數(shù)據(jù)，執(zhí)行步驟S2；

S2:利用AI算法分別對脈搏數(shù)據(jù)和呼吸數(shù)據(jù)進(jìn)行分析，分別得到脈搏特征和呼吸特征，執(zhí)行步驟S3；

S3:將所述脈搏特征輸入已訓(xùn)練完成的第一LSTM神經(jīng)網(wǎng)絡(luò)模型，得到H放松指數(shù)，將所述呼吸特征輸入已訓(xùn)練完成的第二LSTM神經(jīng)網(wǎng)絡(luò)模型，得到B放松指數(shù)，基于所述H放松指數(shù)、B放松指數(shù)得到待測用戶的綜合放松指數(shù),執(zhí)行步驟S4；

S4：基于所述綜合放松指數(shù)評估待測用戶的精神狀態(tài)，若綜合放松指數(shù)越高，則待測用戶的精神狀態(tài)越好。

優(yōu)選的，利用AI算法對脈搏數(shù)據(jù)進(jìn)行分析，得到所述脈搏特征數(shù)據(jù)的方法為：根據(jù)脈搏數(shù)據(jù)計(jì)算RR間期，對正常范圍內(nèi)的RR間期分別進(jìn)行時(shí)域分析、頻域分析和非線性分析，得到包含時(shí)域特征、頻域特征以及非線性特征的脈搏特征。

優(yōu)選的，所述時(shí)域特征包括MEAN_NNI、SDNN、RMSSD、PNNI_50，所述頻域特征包括LF、HF、LFnorm、HFnorm，所述非線性特征包括VLI、VAI。

優(yōu)選的，基于AI算法對呼吸數(shù)據(jù)進(jìn)行分析，得到呼吸特征的方法為：基于呼吸數(shù)據(jù)構(gòu)建呼吸曲線圖，基于所述呼吸曲線圖獲取呼吸的峰值和谷值，基于所述峰值和谷值得到包括吸呼比和呼吸頻率的呼吸特征。

優(yōu)選的，所述第一LSTM神經(jīng)網(wǎng)絡(luò)模型與第二LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法相同，其中，所述第一LSTM神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法為：

S51:獲取大量的用戶脈搏數(shù)據(jù)；

S52:利用AI對大量的所述用戶脈搏數(shù)據(jù)進(jìn)行分析，得到大量的用戶脈搏特征，對所述用戶脈搏特征打標(biāo)，得到所述用戶脈搏特征對應(yīng)的標(biāo)簽，其中，所述用戶脈搏特征對應(yīng)的標(biāo)簽為脈搏特征的短時(shí)標(biāo)準(zhǔn)值；

S53:采用所述用戶脈搏特征以及與所述用戶脈搏特征對應(yīng)的標(biāo)簽訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練完成的第一LSTM神經(jīng)網(wǎng)絡(luò)模型。

優(yōu)選的，初始用于訓(xùn)練所述第一LSTM神經(jīng)網(wǎng)絡(luò)模型的大量的用戶脈搏數(shù)據(jù)采用的是與待測用戶年齡相仿用戶的脈搏數(shù)據(jù)；當(dāng)獲取的用戶脈搏數(shù)據(jù)達(dá)到設(shè)定值時(shí)，才能夠用于第一LSTM神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練。

另一方面，一種基于生理健康指標(biāo)的精神狀態(tài)預(yù)測系統(tǒng)，包括：