用于生物反馈的生理信息采集分析系统及其方法

本技术涉及智能分析，且更为具体地，涉及一种用于生物反馈的生理信息采集分析系统及其方法。

背景技术：

1、随着社会的快速发展和工作压力的增大，越来越多的人出现失眠和情绪焦虑等问题，久而久之，使人体的抵抗力下降，记忆力退化，各种功能减弱甚至紊乱，严重时可发展为抑郁、亚健康、糖尿病等。

2、生命潮生物反馈技术在入眠引导和降低血糖方面有显著作用，能够使患者在减少或停止降糖药的前提下，仍可维持血糖稳定，改善患者生活质量。生物反馈疗法是指通过采集患者自身生理活动的信息感知，经人工智能分析判断使用者的生理状态，然后基于使用者的生理状态生成与使用者相匹配的潮汐节律和指导语，应用生命潮生物反馈系统以潮水声的方式将信号传送给被反馈者，被反馈者跟随指导语和潮水声的节拍进行放松训练，使慢慢进入深度放松状态，从而调节机体功能，缓解紧张焦虑等负面情绪，而达到调理血糖的目的。

3、但是，目前的一些生物反馈治疗方法在生理信息的采集分析上还不够精确，导致治疗效果参差不齐。

4、因此，期待一种用于生物反馈的生理信息采集分析系统及其方法。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于生物反馈的生理信息采集分析系统及其方法，其采集使用者在预定时间段的心电信号、肌电信号、呼吸信号和脑电信号，利用深度学习技术，对多项生理信号进行频域和时域的特征提取和分析，以此来判断使用者处于紧张状态或处于放松状态。这样，能够更准确地评估使用者的生理状态，从而进行相应的潮汐节律反馈，以提高生物反馈治疗的效果。

2、相应地，根据本技术的一个方面，提供了一种用于生物反馈的生理信息采集分析系统，其包括：

3、数据采集模块，用于获取使用者在预定时间段的多项生理信息，其中，所述多项生理信息包括心电信号、肌电信号、呼吸信号和脑电信号；

4、s变换模块，用于将所述多项生理信息分别进行s变换以得到多个s变换时频图；

5、生理信息特征提取模块，用于将所述多个s变换时频图通过作为过滤器的卷积神经网络模型以得到多个生理信息特征向量；

6、上下文理解模块，用于将所述多个生理信息特征向量通过基于转换器的上下文编码器以得到生理信息上下文关联特征向量；

7、特征增强模块，用于基于高斯密度图对所述生理信息上下文关联特征向量进行特征增强以得到分类特征矩阵；

8、优化模块，用于提取所述分类特征矩阵的相对于目标分类函数的运动分布模型的隐特征表达以得到优化分类特征矩阵；

9、分析结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示使用者处于紧张状态或处于放松状态。

10、在上述用于生物反馈的生理信息采集分析系统中，所述s变换模块，用于：以如下变换公式将所述心电信号进行s变换以得到所述s变换时频图；

11、其中，所述变换公式为：

12、

13、其中，s(f,τ)表示所述s变换时频图，τ为时移因子，x(t)表示所述心电信号，f表示频率，t表示时间。

14、在上述用于生物反馈的生理信息采集分析系统中，所述生理信息特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型以如下卷积公式对所述s变换时频图进行处理以得到所述生理信息特征向量；

15、其中，所述卷积公式为：

16、fi＝gp{sigmoid(ni×fi-1+bi)}

17、其中，fi-1为第i层卷积神经网络模型的输入，fi为第i层卷积神经网络模型的输出，ni为第i层卷积神经网络模型的过滤器，且bi为第i层卷积神经网络模型的偏置矩阵，sigmoid表示非线性激活函数，且gp表示对特征图通道维度的各个特征矩阵进行全局特征池化操作。

18、在上述用于生物反馈的生理信息采集分析系统中，所述上下文理解模块，包括：一维排列单元，用于将所述多个生理信息特征向量进行一维排列以得到生理信息全局特征向量；自注意力生成单元，用于计算所述生理信息全局特征向量与所述多个生理信息特征向量中各个生理信息特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化自注意力单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；权重生成单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过分类函数以得到多个概率值；加权单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个生理信息特征向量中各个生理信息特征向量进行加权以得到多个上下文生理信息特征向量；级联单元，用于将所述多个上下文生理信息特征向量进行级联以得到所述生理信息上下文关联特征向量。

19、在上述用于生物反馈的生理信息采集分析系统中，所述特征增强模块，包括：高斯密度图构造单元，用于以如下高斯公式来构造所述生理信息上下文关联特征向量的高斯密度图；其中，所述高斯公式为：

20、

21、其中，μ是所述生理信息上下文关联特征向量，而σ是所述生理信息上下文关联特征向量中相应两个位置的特征值之间的方差，表示高斯密度概率函数，x表示高斯密度图的变量；高斯离散化单元，用于对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述分类特征矩阵。

22、在上述用于生物反馈的生理信息采集分析系统中，所述优化模块，用于：以如下优化公式提取所述分类特征矩阵的相对于目标分类函数的运动分布模型的隐特征表达以得到所述优化分类特征矩阵；其中，所述优化公式为：

23、

24、其中，mi,j表示所述分类特征矩阵的第(i,j)位置的特征值，log表示以2为底的对数函数值，softmax表示归一化指数函数，mi,j′表示所述优化分类特征矩阵的第(i,j)位置的特征值。

25、在上述用于生物反馈的生理信息采集分析系统中，所述分析结果生成模块，包括：矩阵展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元，用于将所述全连接编码特征向量输入所述分类器的softmax分类函数以得到所述优化分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括使用者处于紧张状态和使用者处于放松状态；分类单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。

26、根据本技术的另一个方面，提供了一种用于生物反馈的生理信息采集分析方法，其包括：

27、获取使用者在预定时间段的多项生理信息，其中，所述多项生理信息包括心电信号、肌电信号、呼吸信号和脑电信号；

28、将所述多项生理信息分别进行s变换以得到多个s变换时频图；

29、将所述多个s变换时频图通过作为过滤器的卷积神经网络模型以得到多个生理信息特征向量；

30、将所述多个生理信息特征向量通过基于转换器的上下文编码器以得到生理信息上下文关联特征向量；

31、基于高斯密度图对所述生理信息上下文关联特征向量进行特征增强以得到分类特征矩阵；

32、提取所述分类特征矩阵的相对于目标分类函数的运动分布模型的隐特征表达以得到优化分类特征矩阵；

33、将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示使用者处于紧张状态或处于放松状态。

34、与现有技术相比，本技术提供的用于生物反馈的生理信息采集分析系统及其方法，其采集使用者在预定时间段的心电信号、肌电信号、呼吸信号和脑电信号，利用深度学习技术，对多项生理信号进行频域和时域的特征提取和分析，以此来判断使用者处于紧张状态或处于放松状态。这样，能够更准确地评估使用者的生理状态，从而进行相应的潮汐节律反馈，以提高生物反馈治疗的效果。