可穿戴式装配式建筑产业工人情绪智能监测方法及装置制造方法及图纸

本发明专利技术公开了一种可穿戴式装配式建筑产业工人情绪智能监测方法及装置；其技术要点在于，S100，采集生理信号；所述生理信号包括：心电信号；S200，对S100得到的心电信号进行去噪处理；S300，从心电信号中提取心率变异性HRV特征，包括时域特征和频域特征；S400，将提取的HRV特征经过已训练的SVM

【技术实现步骤摘要】
可穿戴式装配式建筑产业工人情绪智能监测方法及装置


[0001]本专利技术涉及可穿戴装备
，更具体地说，尤其涉及一种可穿戴式装配式建筑产业工人情绪智能监测方法及装置。

技术介绍

[0002]关于情绪监测技术，有以下现有技术：
[0003][1]中国移动通信集团公司.一种监测情绪的方法和系统
‑
201410637181.9
[0004][2]中国移动通信集团山东有限公司.一种智能情绪确定方法及系统
‑
201510613689.X.
[0005][3]上海宽带技术及应用工程研究中心，上海孝通天地信息科技有限公司.一种根据心率与呼吸判断情绪的方法
‑
201510075507.8.
[0006]上述现有技术均是利用根据心率、呼吸及音频等各种生理信号判断情绪，先对实验人员进行持续一段时间的生理信号监测，并且在实验过程中作用以发生不同情绪状态的不同动作，记录下所述时间段中实验人员的不同情绪状态以及该情绪状态下的生理信号参数，得出评估报告。再对被判定者采取生理信号监测，将所得数据代入情绪评估报告中得到被判定者的情绪状态，实现对人员情绪的实时监测。
[0007]装配式建筑施工不安全行为的影响因素中情绪是一种重要的影响因素，在现有许多研究情感计算的工作中，采集设备大多是专业化、医疗化的信号采集仪器，虽然能精确的采集到生理信号，但设备多不满足可穿戴的要求。再者，目前大多数的穿戴式设备虽采集了佩戴者的生理信号，但也只进行简单统计分析，无法提供准确的情绪识别。因此，现有的装配式建筑工人情绪识别技术应用不能满足实际工程的需要。

技术实现思路

[0008]本专利技术的目的在于针对上述现有技术的不足，提供一种可穿戴式装配式建筑产业工人情绪智能监测方法及装置。
[0009]可穿戴式装配式建筑产业工人情绪智能监测方法，其包括如下步骤：
[0010]S100，采集生理信号；所述生理信号包括：心电信号；
[0011]S200，对S100得到的心电信号进行去噪处理；
[0012]S300，从心电信号中提取心率变异性HRV特征，包括时域特征和频域特征；
[0013]S400，将提取的HRV特征经过已训练的SVM
‑
KNN分类器，从而识别出情绪类别；
[0014]S500，将识别结果输出到手持端。
[0015]进一步，S300，采用pan_tompkin算法来检测QRS波群信息，提取R波峰值信息；再从中提取心率变异性HRV特征，统计R波之间的变化情况：
[0016]HRV(i)＝R(i+1)
‑
R(i)，其中，i为R波峰位置对应的采样点；
[0017]通过RR间期(即每一次心脏跳动间的间隔时间)提取16个HRV特征参数，包括9个时域特征和7个频域特征，从而构成情感识别的特征集；
[0018](1)HRV时域特征如下：
[0019]SDNN：所有RR间期的标准差；
[0020]RMSSD：相邻RR间期差值的均方根；
[0021]SDNNindex：所有RR间期的标准差的平均值；
[0022]SDSD：相邻RR间差值的标准差；
[0023]NN50 count：相差超过50ms的RR间期数；
[0024]PNN50：RR50的数除以所有RR间期之和；
[0025]Hrviendex：RR间期总个数除以RR间期的高度；
[0026]Max
‑
min：所有RR间期中最大值与最小值之差；
[0027]MEAN：RR间期的平均值；
[0028](2)HRV频域特征如下：
[0029]totalpower：总功率谱密度；
[0030]HF：高频功率，范围0.15～0.4Hz；
[0031]LF：低频功率，范围0.04～0.15Hz；
[0032]VLF：超低频功率，范围0.04～0.15Hz；
[0033]LF/HF：低频与高频功率的比值；
[0034]HFn：高频能力的归一化；
[0035]LFn：低频功率在总功率谱的占比。
[0036]进一步，S400还包括：将提取的心电HRV特征经过已训练好的SVM
‑
KNN分类器，得到佩戴者相应的情绪类型；
[0037]SVM是通过核函数将输入的数据映入到高维空间，在高维空间中进行线性分类，从而构建出对数据进行分类的最优超平面；
[0038]KNN将待测样本与训练样本中K个距离权重最近的类别划分为一类；
[0039](1)SVM分类函数：
[0040]其中，训练集T＝{(x1,y1),(x2,y2),...,(x
N
,y
N
)}；y
i
∈Y＝{
‑
1,1},i＝1,2,...,N；
[0041]α
i
为拉格朗日乘子；b为阈值；C为惩罚因子；
[0042]γ为核函数参数；
[0043](2)KNN分类：所有样本对应m维空间中的点，x
i
表示x的第i个特征的值，x
i
和x
j
的欧式距离为选取k个距离值最小的样本点组成一个样本集，统计此样本集集中样本的类别，其中样本数量最多的类别则为待测样本的类别；
[0044](3)SVM
‑
KNN分类的方法是：
[0045]计算待测样本x与两类支持向量代表点x
+
和x
‑
的距离差g(x)＝∑yiα
i
k(x,xi)+b；
[0046]将g(x)的绝对值与阈值比较，若比阈值大，则直接输出SVM分类结果；若绝对值小于阈值，则运用KNN分类算法得出结果。
[0047]一种采用前述监测方法的可穿戴式装配式建筑产业工人情绪智能监测装置。
[0048]本申请的优点在于：
[0049]第一，本申请的基础构思是：采用了“心电信号
‑
HRV特征
‑
SVM
‑
KNN分类器
‑
识别情绪”的基本构思，本申请首次提出了“HRV特征集合”，SDNN、RMSSD、SDNNindex、SDSD、NN50 count、PNN50、Hrviendex、Max
‑
min、MEAN；totalpower、HF、LF、VLF、LF/HF、HFn、LFn。即采用上述特征集合来进行情绪识别是可行的。
[0050]第二，SVM分类器对于距离超平面较远的样本能准确地分类，KNN算法对于含有类域交叠的样本数据分类效果好。融合SVM和KNN算法，能提高情绪分类的准确率。
附图说明
[0051]下面结合附图中的实施例对本专利技术作进一步的详细说明，但并不构成对本专利技术的任何本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.可穿戴式装配式建筑产业工人情绪智能监测方法，其特征在于，包括如下步骤：S100，采集生理信号；所述生理信号包括：心电信号；S200，对S100得到的心电信号进行去噪处理；S300，从心电信号中提取心率变异性HRV特征，包括时域特征和频域特征；S400，将提取的HRV特征经过已训练的SVM
‑
KNN分类器，从而识别出情绪类别；S500，将识别结果输出到手持端。2.根据权利要求1所述的可穿戴式装配式建筑产业工人情绪智能监测方法，其特征在于，S300，从S200得到的心电信号从提取16个HRV特征参数，包括9个时域特征和7个频域特征，从而构成情感识别的特征集。3.根据权利要求2所述的可穿戴式装配式建筑产业工人情绪智能监测方法，其特征在于，HRV时域特征参数包括：SDNN：所有RR间期的标准差；RMSSD：相邻RR间期差值的均方根；SDNNindex：所有RR间期的标准差的平均值；SDSD：相邻RR间差值的标准差；NN50 count：相差超过50ms的RR间期数；PNN50：RR50的数除以所有RR间期之和；Hrviendex：RR间期总个数除以RR间期的高度；Max
‑
min：所有RR间期中最大值与最小值之差；MEAN：RR间期的平均值。4.根据权利要求2所述的可穿戴式装配式建筑产业工人情绪智能监测方法，其特征在于，HRV频域特征如下：totalpower：总功率谱密度；HF：高频功率；LF：低频功率；VLF：超低频功率；LF/HF：低频与高频功率的比值；HFn：高频能力的归一化；LFn：低频功率在总功率谱的占比。5.根据权利要求1所述的可穿戴式装配式建筑产业工人情绪智能监测方法，其特征在于，S400还包括：将提取的心电HRV特征经过已训练好的SVM
‑
KNN分类器，得到佩戴者相应的情绪类型。6.一种可穿戴式装配式建筑产业工人情绪智能监测方法，其特征在于，其包括如下步骤：S100，采集生理信号；所述生理信号包括：心电信号；S200，对S100得到的心电信号进行去噪处理；S300，从心电信号中提取心率变异性HRV特征，包括时域特征和频域特征；采用pan_tompkin算法来检测QRS波群信息，提取R波峰值信息；再从中提取心率变异性HRV特征，统计R波之间的变化情况：HRV(i)＝R(i+1)
‑
R(i)，其中，i为R波峰位置对应的采样点；通过RR间期(即每一次心脏跳动间的间隔时间)提取16个HRV特征参数，包括9个时域特征和7个频域特征，从而构成情感识别的特征集；(1)HRV时域特征如下：SDNN：所有RR间期的标准差；R...

【专利技术属性】
技术研发人员：纪颖波，张源，姚福义，佟文晶，吕君毅，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：