【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請(qǐng)屬于人工智能、人因工程，具體涉及一種人因智能狀態(tài)預(yù)測(cè)方法、裝置、邊緣計(jì)算設(shè)備及介質(zhì)。
技術(shù)介紹
1、隨著計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展，使用客觀測(cè)量指標(biāo)對(duì)個(gè)體的狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控，對(duì)交通人因、航空航天、工業(yè)建筑等領(lǐng)域產(chǎn)生了巨大的影響。例如，通過(guò)對(duì)駕駛員的腦電信號(hào)進(jìn)行建模，對(duì)駕駛員的疲勞狀態(tài)和危險(xiǎn)駕駛行為進(jìn)行預(yù)警，降低事故發(fā)生率。
2、現(xiàn)有的技術(shù)中，基于訓(xùn)練樣本對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的預(yù)測(cè)模型，基于訓(xùn)練好的預(yù)測(cè)模型進(jìn)行用戶狀態(tài)的預(yù)測(cè)。
3、然而，采用現(xiàn)有技術(shù)的預(yù)測(cè)模型進(jìn)行狀態(tài)預(yù)測(cè)，預(yù)測(cè)結(jié)果的準(zhǔn)確性不高。
技術(shù)實(shí)現(xiàn)思路
1、本申請(qǐng)實(shí)施例提供一種人因智能狀態(tài)預(yù)測(cè)方法、裝置、邊緣計(jì)算設(shè)備及介質(zhì)，以解決采用現(xiàn)有技術(shù)的預(yù)測(cè)模型進(jìn)行狀態(tài)預(yù)測(cè)，預(yù)測(cè)結(jié)果的準(zhǔn)確性不高的問(wèn)題。
2、第一方面，本申請(qǐng)實(shí)施例提供一種人因智能狀態(tài)預(yù)測(cè)方法，包括：
3、獲取第一生理信號(hào)數(shù)據(jù)，所述第一生理信號(hào)數(shù)據(jù)包括用戶的多模態(tài)生理信號(hào)數(shù)據(jù)；
4、對(duì)所述第一生理信號(hào)數(shù)據(jù)進(jìn)行個(gè)體差異信號(hào)去除，得到第二生理信號(hào)數(shù)據(jù)；
5、基于所述第二生理信號(hào)數(shù)據(jù)，進(jìn)行所述用戶的狀態(tài)預(yù)測(cè)。
6、可選的，所述對(duì)所述第一生理信號(hào)數(shù)據(jù)進(jìn)行個(gè)體差異信號(hào)去除，得到第二生理信號(hào)數(shù)據(jù)，包括：
7、對(duì)所述第一生理信號(hào)數(shù)據(jù)包括的多模態(tài)生理數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的第一生理信號(hào)數(shù)據(jù)，其中，所述預(yù)處理包括下述至少一種：濾波、去偽跡和獨(dú)立成分分析；所述多模態(tài)生理信號(hào)數(shù)據(jù)包括
8、對(duì)所述預(yù)處理后的第一生理信號(hào)數(shù)據(jù)進(jìn)行特征提取，得到所述第一生理信號(hào)對(duì)應(yīng)的用戶特征值，其中，所述用戶特征值包括：時(shí)域特征值和頻域特征值，所述時(shí)域特征值包括下述至少一項(xiàng)：最大值、最小值和標(biāo)準(zhǔn)差，所述頻域特征值包括：不同頻段的功率譜密度；
9、基于全局差異空間矩陣和個(gè)體矢量，對(duì)所述用戶特征值進(jìn)行個(gè)體差異信號(hào)去除處理，得到第二生理信號(hào)數(shù)據(jù)。
10、可選的，所述基于所述第二生理信號(hào)數(shù)據(jù)，進(jìn)行所述用戶的狀態(tài)預(yù)測(cè)，包括：
11、將所述第二生理信號(hào)數(shù)據(jù)，輸入預(yù)測(cè)模型中進(jìn)行所述用戶的狀態(tài)預(yù)測(cè)，得到預(yù)測(cè)結(jié)果，所述預(yù)測(cè)結(jié)果包括下述至少一項(xiàng)：認(rèn)知負(fù)荷預(yù)測(cè)結(jié)果、情緒狀態(tài)預(yù)測(cè)結(jié)果、應(yīng)激預(yù)測(cè)結(jié)果和疲勞預(yù)測(cè)結(jié)果。
12、可選的，所述基于全局差異空間矩陣和個(gè)體矢量，對(duì)所述用戶特征值進(jìn)行個(gè)體差異信號(hào)去除處理，得到第二生理信號(hào)數(shù)據(jù)，包括：
13、基于所述差異空間矩陣和所述用戶的個(gè)體矢量，獲取所述用戶的個(gè)體差異貢獻(xiàn)值；
14、基于所述用戶特征值和所述個(gè)體差異貢獻(xiàn)值，得到第二生理信號(hào)數(shù)據(jù)。
15、可選的，所述基于全局差異空間矩陣和個(gè)體矢量，對(duì)所述用戶特征值進(jìn)行個(gè)體差異信號(hào)去除處理，得到第二生理信號(hào)數(shù)據(jù)之前，還包括：
16、通過(guò)訓(xùn)練獲取所述全局差異空間矩陣和所述個(gè)體矢量；
17、所述通過(guò)訓(xùn)練獲取所述全局差異空間矩陣和所述個(gè)體矢量，包括：
18、獲取訓(xùn)練樣本數(shù)據(jù)集合，對(duì)每條訓(xùn)練樣本數(shù)據(jù)進(jìn)行特征提取，得到樣本特征；
19、構(gòu)建全局差異空間矩陣，并初始化全局差異空間矩陣的參數(shù)；
20、基于所述樣本特征和迭代算法更新所述全局差異空間矩陣的參數(shù)；
21、基于所述全局差異空間矩陣，得到所述個(gè)體矢量。
22、可選的，所述基于所述樣本特征和迭代算法更新所述全局差異空間矩陣的參數(shù)，包括：
23、基于所述樣本特征，獲取每個(gè)樣本用戶的baum-welch統(tǒng)計(jì)量；
24、基于每個(gè)樣本用戶的baum-welch統(tǒng)計(jì)量，計(jì)算隱變量的后驗(yàn)分布，所述后驗(yàn)分布包括：均值和期望；
25、根據(jù)隱變量的后驗(yàn)分布，使用最大似然估計(jì)更新所述全局差異空間矩陣的參數(shù)；
26、確定所述全局差異空間矩陣是否收斂，若否，返回執(zhí)行所述基于每個(gè)樣本用戶的baum-welch統(tǒng)計(jì)量，計(jì)算隱變量的后驗(yàn)分布，所述后驗(yàn)分布包括：均值和期望，直到所述全局差異空間矩陣收斂。
27、第二方面，本申請(qǐng)實(shí)施例提供一種人因智能狀態(tài)預(yù)測(cè)裝置，包括：
28、獲取模塊，用于獲取第一生理信號(hào)數(shù)據(jù)，所述第一生理信號(hào)數(shù)據(jù)包括用戶的多模態(tài)生理信號(hào)數(shù)據(jù)；
29、處理模塊，用于對(duì)所述第一生理信號(hào)數(shù)據(jù)進(jìn)行個(gè)體差異信號(hào)去除，得到第二生理信號(hào)數(shù)據(jù)；
30、預(yù)測(cè)模塊，用于基于所述第二生理信號(hào)數(shù)據(jù)，進(jìn)行所述用戶的狀態(tài)預(yù)測(cè)。
31、可選的，所述處理模塊具體用于對(duì)所述第一生理信號(hào)數(shù)據(jù)包括的多模態(tài)生理數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的第一生理信號(hào)數(shù)據(jù)，其中，所述預(yù)處理包括下述至少一種：濾波、去偽跡和獨(dú)立成分分析；所述多模態(tài)生理信號(hào)數(shù)據(jù)包括下述至少一項(xiàng)：腦電圖eeg、心率變異性hrv、皮膚電活動(dòng)eda，呼吸信號(hào)resp、光電容積脈搏圖ppg、皮膚溫度skt、血氧飽和度spo2、心電圖ecg、肌電圖emg以及人體九軸姿態(tài)數(shù)據(jù)；對(duì)所述預(yù)處理后的第一生理信號(hào)數(shù)據(jù)進(jìn)行特征提取，得到所述第一生理信號(hào)對(duì)應(yīng)的用戶特征值，其中，所述用戶特征值包括：時(shí)域特征值和頻域特征值，所述時(shí)域特征值包括下述至少一項(xiàng)：最大值、最小值和標(biāo)準(zhǔn)差，所述頻域特征值包括：不同頻段的功率譜密度；基于全局差異空間矩陣和個(gè)體矢量，對(duì)所述用戶特征值進(jìn)行個(gè)體差異信號(hào)去除處理，得到第二生理信號(hào)數(shù)據(jù)。
32、可選的，所述預(yù)測(cè)模塊具體用于將所述第二生理信號(hào)數(shù)據(jù)，輸入預(yù)測(cè)模型中進(jìn)行所述用戶的狀態(tài)預(yù)測(cè)，得到預(yù)測(cè)結(jié)果，所述預(yù)測(cè)結(jié)果包括下述至少一項(xiàng)：認(rèn)知負(fù)荷預(yù)測(cè)結(jié)果、情緒狀態(tài)預(yù)測(cè)結(jié)果、應(yīng)激預(yù)測(cè)結(jié)果和疲勞預(yù)測(cè)結(jié)果。
33、可選的，所述處理模塊具體用于基于所述差異空間矩陣和所述用戶的個(gè)體矢量，獲取所述用戶的個(gè)體差異貢獻(xiàn)值；基于所述用戶特征值和所述個(gè)體差異貢獻(xiàn)值，得到第二生理信號(hào)數(shù)據(jù)。
34、可選的，所述處理模塊還用于通過(guò)訓(xùn)練獲取所述全局差異空間矩陣和所述個(gè)體矢量；
35、所述處理模塊具體用于獲取訓(xùn)練樣本數(shù)據(jù)集合，對(duì)每條訓(xùn)練樣本數(shù)據(jù)進(jìn)行特征提取，得到樣本特征；構(gòu)建全局差異空間矩陣，并初始化全局差異空間矩陣的參數(shù)；基于所述樣本特征和迭代算法更新所述全局差異空間矩陣的參數(shù)；基于所述全局差異空間矩陣，得到所述個(gè)體矢量。
36、可選的，所述處理模塊具體用于基于所述樣本特征，獲取每個(gè)樣本用戶的baum-welch統(tǒng)計(jì)量；基于每個(gè)樣本用戶的baum-welch統(tǒng)計(jì)量，計(jì)算隱變量的后驗(yàn)分布，所述后驗(yàn)分布包括：均值和期望；根據(jù)隱變量的后驗(yàn)分布，使用最大似然估計(jì)更新所述全局差異空間矩陣的參數(shù)；確定所述全局差異空間矩陣是否收斂，若否，返回執(zhí)行所述基于每個(gè)樣本用戶的baum-welch統(tǒng)計(jì)量，計(jì)算隱變量的后驗(yàn)分布，所述后驗(yàn)分布包括：均值和期望，直到所述本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種人因智能狀態(tài)預(yù)測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述第一生理信號(hào)數(shù)據(jù)進(jìn)行個(gè)體差異信號(hào)去除，得到第二生理信號(hào)數(shù)據(jù)，包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于所述第二生理信號(hào)數(shù)據(jù)，進(jìn)行所述用戶的狀態(tài)預(yù)測(cè)，包括：
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于全局差異空間矩陣和個(gè)體矢量，對(duì)所述用戶特征值進(jìn)行個(gè)體差異信號(hào)去除處理，得到第二生理信號(hào)數(shù)據(jù)，包括：
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述基于全局差異空間矩陣和個(gè)體矢量，對(duì)所述用戶特征值進(jìn)行個(gè)體差異信號(hào)去除處理，得到第二生理信號(hào)數(shù)據(jù)之前，還包括：
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述基于所述樣本特征和迭代算法更新所述全局差異空間矩陣的參數(shù)，包括：
7.一種人因智能狀態(tài)預(yù)測(cè)裝置，其特征在于，包括：
8.一種邊緣計(jì)算設(shè)備，其特征在于，包括處理器和存儲(chǔ)器，所述存儲(chǔ)器存儲(chǔ)可在所述處理器上運(yùn)行的程序或指令，所述程序或指令被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至6任一項(xiàng)所述的人
9.根據(jù)權(quán)利要求8所述的邊緣計(jì)算設(shè)備，其特征在于，還包括：
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)程序或指令，所述程序或指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至6任一項(xiàng)所述的人因智能狀態(tài)預(yù)測(cè)方法的步驟。
...【技術(shù)特征摘要】
1.一種人因智能狀態(tài)預(yù)測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述第一生理信號(hào)數(shù)據(jù)進(jìn)行個(gè)體差異信號(hào)去除，得到第二生理信號(hào)數(shù)據(jù)，包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于所述第二生理信號(hào)數(shù)據(jù)，進(jìn)行所述用戶的狀態(tài)預(yù)測(cè)，包括：
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于全局差異空間矩陣和個(gè)體矢量，對(duì)所述用戶特征值進(jìn)行個(gè)體差異信號(hào)去除處理，得到第二生理信號(hào)數(shù)據(jù)，包括：
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述基于全局差異空間矩陣和個(gè)體矢量，對(duì)所述用戶特征值進(jìn)行個(gè)體差異信號(hào)去除處理，得到第二生理信號(hào)數(shù)據(jù)之前，還包括：
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：請(qǐng)求不公布姓名，請(qǐng)求不公布姓名，請(qǐng)求不公布姓名，請(qǐng)求不公布姓名，請(qǐng)求不公布姓名，
申請(qǐng)(專利權(quán))人：北京津發(fā)科技股份有限公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。