一种基于生理健康指标的精神状态预测方法、系统及设备

摘要

本发明涉及精神状态预测技术领域，具体涉及一种基于生理健康指标的精神状态预测方法、系统及设备，所述方法包括采集待测用户的生理健康指标；利用AI算法分别对生理健康指标进行分析得到特征参数，基于特征参数得到待测用户的综合放松指数，基于综合放松指数评估待测用户的精神状态，若综合放松指数越高，则待测用户的精神状态越好。本发明在满足用户生理数据的采集需求的同时，还对生理信号进行特征提取与分析，进而利用AI算法对数据特征进行分类与识别，构建更优化的算法模型，能够实现用户精神状态的快速、精确评估，在评估用户精神状态的同时，能够进行放松训练，利用针对性的放松训练进行情绪疏导，缓解个体压力，提高专注力。

说明书

技术领域

本发明涉及精神状态预测技术领域，具体涉及的一种基于生理健康指标的精神状态预测方法、系统及设备。

背景技术

随着生活水平的提高，越来越多的人开始关注个体的身体健康以及心理健康状况，同时日常工作、生活会面临各种压力，因此对生理状态以及心理压力进行有效的测评和干预十分重要，然而目前存在的健康指标评价体系很难实现对被测个体的生理状态、心理状态以及情绪状态进行全面准确的综合评价。

因此，设计一种利用更加方便、快速的方式进行相关生理信号的采集和精神状态评估的方法是本领域技术人员亟待解决的问题。

发明内容

针对现有技术中的缺陷，本发明提供一种基于生理健康指标的精神状态预测方法，包括以下步骤：

S1:采集待测用户的生理健康指标，其中，所述生理健康指标包括脉搏数据和呼吸数据，执行步骤S2；

S2:利用AI算法分别对脉搏数据和呼吸数据进行分析，分别得到脉搏特征和呼吸特征，执行步骤S3；

S3:将所述脉搏特征输入已训练完成的第一LSTM神经网络模型，得到H放松指数，将所述呼吸特征输入已训练完成的第二LSTM神经网络模型，得到B放松指数，基于所述H放松指数、B放松指数得到待测用户的综合放松指数,执行步骤S4；

S4：基于所述综合放松指数评估待测用户的精神状态，若综合放松指数越高，则待测用户的精神状态越好。

优选的，利用AI算法对脉搏数据进行分析，得到所述脉搏特征数据的方法为：根据脉搏数据计算RR间期，对正常范围内的RR间期分别进行时域分析、频域分析和非线性分析，得到包含时域特征、频域特征以及非线性特征的脉搏特征。

优选的，所述时域特征包括MEAN_NNI、SDNN、RMSSD、PNNI_50，所述频域特征包括LF、HF、LFnorm、HFnorm，所述非线性特征包括VLI、VAI。

优选的，基于AI算法对呼吸数据进行分析，得到呼吸特征的方法为：基于呼吸数据构建呼吸曲线图，基于所述呼吸曲线图获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频率的呼吸特征。

优选的，所述第一LSTM神经网络模型与第二LSTM神经网络的训练方法相同，其中，所述第一LSTM神经网络模型的训练方法为：

S51:获取大量的用户脉搏数据；

S52:利用AI对大量的所述用户脉搏数据进行分析，得到大量的用户脉搏特征，对所述用户脉搏特征打标，得到所述用户脉搏特征对应的标签，其中，所述用户脉搏特征对应的标签为脉搏特征的短时标准值；

S53:采用所述用户脉搏特征以及与所述用户脉搏特征对应的标签训练神经网络，得到训练完成的第一LSTM神经网络模型。

优选的，初始用于训练所述第一LSTM神经网络模型的大量的用户脉搏数据采用的是与待测用户年龄相仿用户的脉搏数据；当获取的用户脉搏数据达到设定值时，才能够用于第一LSTM神经网络模型的训练。

另一方面，一种基于生理健康指标的精神状态预测系统，包括：

采集模块，用于获取待测用户的生理健康指标；

第一处理模块，用于利用AI算法分别对脉搏数据和呼吸数据进行分析，得到脉搏特征和呼吸特征；

第二处理模块，用于将所述脉搏特征和呼吸特征分别输入已训练完成的第一LSTM神经网络模型和第二LSTM神经网络模型得到综合放松指数；

评估模块，用于根据综合放松指数评估待测用户的精神状态。

优选的，还包括：可视化模块，用于根据待测用户的精神状态匹配合适的放松训练并可视化用户的精神状态以及对应的放松训练策略。

优选的，还包括：训练模块，用于根据所述放松训练策略进行放松训练，其中，训练模块包括场景训练模块、主题训练模块。

本发明的有益效果体现在：一方面，在满足用户生理数据的采集需求的同时，还可利用AI算法(LSTM神经网络)进行大数据分析，进行心率变异性，从多方面监测人体的生理指标，产生更可靠的用户精神状态评估依据，另一方面，在评估用户精神状态的同时，还可以根据不同的场景和需求展开不同形式的放松训练，利用这些针对性的放松训练进行情绪疏导，缓解个体压力，提高专注力，为用户的压力管理、身心放松训练提供准确的评估和干预，为人员的健康发展提供了有效的数据支持。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为本发明一种基于生理健康指标的精神状态预测方法的流程图；

图2为利用AI算法对脉搏数据进行分析的流程图；

图3为利用AI算法对呼吸数据进行分析的流程图；

图4为本发明一种基于生理健康指标的精神状态预测系统的结构示意图；

图5为本发明一种电子设备的结构示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

实施例1

一种基于生理健康指标的精神状态预测方法，包括以下步骤：

S1:采集待测用户的生理健康指标，其中，所述生理健康指标包括脉搏数据和呼吸数据，执行步骤S2；

S2:利用AI算法分别对脉搏数据和呼吸数据进行分析，得到脉搏特征和呼吸特征，执行步骤S3；

S3:将所述脉搏特征输入已训练完成的第一LSTM神经网络模型，得到H放松指数，将所述呼吸特征输入已训练完成的第二LSTM神经网络模型，得到B放松指数，基于所述H放松指数、B放松指数得到待测用户的综合放松指数,执行步骤S4；

当然，基于H放松指数、B放松指数不仅可以得到综合指数，还可以得到综指数的最大值和最小值以及实时值。

S4：基于所述综合放松指数评估待测用户的精神状态，若综合放松指数越高，则待测用户的精神状态越好，其中，计算所述综合放松指数的公式为：

L＝λH+(1-λ)B

式中，L为综合放松指数，H为H放松指数，B为B放松指数，λ为影响因子，用户可以根据自身情况自行设置影响因子的数值，能够满足不同用户的需求。

本发明实施例在满足用户生理数据的采集需求的同时，还可利用AI算法(LSTM神经网络)进行大数据分析，进行心率变异性，从多方面监测人体的生理指标，产生更可靠的用户精神状态评估依据，能够实现用户精神状态的快速、精确评估。

值得说明的，利用AI算法对脉搏数据进行分析，得到所述脉搏特征数据的方法为：根据脉搏数据计算RR间期，对正常范围内的RR间期分别进行时域分析、频域分析和非线性分析，得到包含时域特征、频域特征以及非线性特征的脉搏特征。

其中，RR间期的正常范围为600-1200，在范围600-1200以外的RR间期数据是由于外界原因导致的脉搏数据采集不精确，而不是由于人体自身的呼吸速率导致。因此，过滤异常值的范围选定在600到1200之间，在过滤异常值后才能够继续进行脉搏数据的分析。

值得说明的，所述时域特征包括MEAN_NNI、SDNN、RMSSD、PNNI_50，所述频域特征包括LF、HF、LFnorm、HFnorm，所述非线性特征包括VLI、VAI。

具体的，利用AI算法对采集到的脉搏波数据进行分析，心率及心率变异性的时域、频域指标是在RR间期数据的基础上获取的，因此首先根据脉搏波数据进行信号处理，计算出RR间期，接下来利用RR间期数据对心率变异性HRV进行时域、频域以及非线性分析。如图所示，图2为利用AI算法对采集到的脉搏数据进行分析的流程图。

(1)时域特征分析

对采集到的RR间期的时间序列信号,按时间顺序或心搏顺序排列的RR间期数值,直接进行统计学或几何学分析，得到时域特征，所示时域特征包括但不限于MEAN_NNI、SDNN、RMSSD、PNNI_50，如下表1所示：

表1：时域特征

SDNN指的是全部正常窦性心搏间期(NN)的平均值，单位为ms，计算公式如下：

RMSSD是指全程相邻NN间期之差的均方根，单位为ms，计算公式如下：

SDSD是指全程相邻NN间期长度之差的标准差，单位为ms，计算公式如下：

PNNI_50是指在全部NN间期的记录中，相邻的NN间期之差大于50ms的个数与总的NN间期的个数的比，以百分比表示。其SDNN反映的是自主神经系统对心率调控的总评价，而RMSSD和PNNI_50反映的是迷走神经张力。

(2)频域分析

频域分析方法是将一段比较平稳的RR间期或瞬时心率变异信号(通常大于256个心跳点)进行快速傅立叶变换(FFT)或自回归参数模型法(AR)运算后，得到以频率(Hz)为横坐标，功率谱密度为纵坐标的功率谱图进行分析。正常人基础状态下心率谱曲线在0-0.4Hz之间，0.003-0.04Hz为极低频段(VLF)，0.04-0.15Hz为低频段(LF)，0.15-0.4Hz高频段(HF)，0-0.40Hz为总功率谱(TP)。

短程记录的记录时间推荐为5分钟。短程记录的频谱，被划成三个频段，各频段的划分及由各频段计算的指标定义如下表2所示。其中,VLF、LF、HF是PSD曲线中，落入不同频段的PSD成分的积分值，也就是中心频率落入不同频段的各成分的面积。

归一化的低频段功率定义为：LF norm＝100×LF/(总功率-VLF)

归一化的高频段功率定义为：HF norm＝100×HF/(总功率-VLF)

表2：短程记录频谱分析频段的划分

(3)非线性分析

间期散点图又称洛伦兹散点图(Lorenz Plot)或称宠加来散点图(PoincarePlot)，它是反映相邻间期的变化。

散点图的形状直接反映了瞬时心率变化曲线的特征，以正常的慧星状散点图为例，散点大都集中在图中45度角的直线附近。

矢量长度指数(Vector Length Index，VLI)和矢量角指数(Vector Angle Index，VAI)作为定量的指标用于衡量Lorenz散点图的形状。

矢量长度指数(VLI)，单位为ms。Lorenz散点图中任何一点与坐标原点i连线，这条直线的长度为l

矢量长度指数(VLI)定义为：

式中l

矢量角指数(VAI)定义为：

式中θ

值得说明的，基于AI算法对呼吸数据进行分析，得到呼吸特征的方法为：基于呼吸数据构建呼吸曲线图，基于所述呼吸曲线图获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频率的呼吸特征。

具体的，呼吸特征包括但不限于呼吸频率、吸呼比，还包括呼气时间、吸气时间、吸呼比等有效参数。其中呼吸频率表示一分钟内的呼吸次数，单位是次/分，正常人体的呼吸频率范围在15～25次/分。吸呼比是吸气时间与呼气时间的比值，范围大概在1:2～2之间。如图3所示，图3为利用AI算法对采集到的呼吸数据进行分析流程图。

值得说明的，所述第一LSTM神经网络模型与第二LSTM神经网络的训练方法相同，其中，所述第一LSTM神经网络模型的训练方法为：

S51:获取大量的用户脉搏数据；

S52:利用AI对大量的所述用户脉搏数据进行分析，得到大量的用户脉搏特征，对所述用户脉搏特征打标，得到所述用户脉搏特征对应的标签，其中，所述用户脉搏特征对应的标签为脉搏特征的短时标准值；

S53:采用所述用户脉搏特征以及与所述用户脉搏特征对应的标签训练神经网络，得到训练完成的第一LSTM神经网络模型。

在实际训练时，将大量用户脉搏数据作为训练样本，选取训练样本的前80％作为训练集，后20％作为测试集。优化器选择为Adam，损失函数为Categorical crossentropy,批次大小选择为500，迭代次数为300。

值得说明的，初始用于训练所述第一LSTM神经网络模型的大量的用户脉搏数据采用的是与待测用户年龄相仿用户的脉搏数据；当获取的用户脉搏数据达到设定值时，才能够用于第一LSTM神经网络模型的训练。

实施例2

如图4所示，一种基于生理健康指标的精神状态预测系统，包括：

采集模块，用于获取待测用户的生理健康指标；

其中，所述生理健康指标是通过可穿戴设备获取的，所述生理健康指标包括但不限于脉搏数据、呼吸数据，能够为评估用户的生理健康状态提供大量的基础数据，本发明的系统还包括数据库，能够存储用户的生理健康数据以及静态状态数据，通过数据库形成情绪管理大数据，为人员的压力管理、身心放松训练提供准确的评估和干预，为人员的健康发展提供了有效的数据支持。

第一处理模块，用于利用AI算法分别对脉搏数据和呼吸数据进行分析，得到脉搏特征和呼吸特征；

其中，所述第一处理模块用于生理健康指标的预处理，包括第一预处理模块、第二预处理模块分别用于对脉搏数据和呼吸数据进行分析处理，得到大量的脉搏特征和呼吸特征作为分析评估用户精神状态的基础参数。

第二处理模块，用于将所述脉搏特征和呼吸特征分别输入已训练完成的第一LSTM神经网络模型和第二LSTM神经网络模型得到综合放松指数；

评估模块，用于根据综合放松指数评估待测用户的精神状态。

值得说明的，还包括：可视化模块，用于根据待测用户的精神状态匹配合适的放松训练并可视化用户的精神状态以及对应的放松训练策略。

值得说明的，还包括：训练模块，用于根据所述放松训练策略进行放松训练，其中，训练模块包括场景训练模块、主题训练模块。

本发明实施例，在评估用户的精神状态的同时，还可以根据不同的场景和需求展开不同形式的放松训练，不同场景有：海边，田地，沙漠，森林等，不同主题有：主题音乐的放松、静思冥想、呼吸放松训练等，其中音乐又包含多种类型，利用这些针对性的放松训练进行情绪疏导，缓解个体压力，提高专注力。

实施例3

如图5所示，本发明实施例一种电子设备，包括处理器和存储器，所述处理器执行存储器中存储的计算机指令/代码时，实现上述实施例中任一的方法。

本实施例电子设备包括但不限于穿戴设备，因此本发明的电子设备还包括其他能够采集生理健康指标的电子设备，能够用来治疗用户的疲劳状态，达到改善用户精神状态的目的，对放松个体精神状态和临床医学有实践意义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。