【技术实现步骤摘要】
本专利技术涉及机器人与人机交互，具体涉及一种基于生物反馈的信任度评估方法。
技术介绍
1、目前，用于老年康复护理的机器人仍处于发展阶段，康复护理机器人虽然具有辅助行走、运动康复、辅助用餐等功能，且智能性和自主程度越来越高，但用户群体(包括康复医师、护理人员、患者及家属等)对康复护理机器人缺乏适当的人机信任度，严重制约了康复护理机器人的推广与应用。
2、因此，基于生物反馈的信任度评估方法仍需要进一步研究和改进，以提高预测的准确性和应用的可行性。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术基于生物反馈的信任度评估方法仍然存在一些挑战和不足，本专利技术提供了一种基于生物反馈的信任度评估方法。
3、(二)技术方案
4、为实现上述目的，本专利技术提供如下技术方案：基于生物反馈的信任度评估方法，包括如下步骤：
5、s1：选择生物反馈传感器采集用户在不同场景和任务下的生物反馈数据，并记录相应的环境和任务信息；
6、s2：基于生物采集的生物反馈数据，建立信任度评估模型；
7、s3：通过在虚拟现实的仿真平台和机器人平台中进行验证，评估不同场景和任务下信任度对人机协同效率和任务完成度的影响机制；
8、s4：对采集的信任度数据进行分析，了解不同康复护理场景下多维信任度的评估情况；
9、s5：根据分析结果，搭建适用于不同康复护理场景的多维信任度评估模型。
10、作为本专利技
11、作为本专利技术优选的技术方案：所述s2基于采集的生物反馈数据，建立信任度评估模型包括如下步骤：
12、数据预处理：对采集的生物反馈数据进行预处理，去除噪声和异常数据，可采用滤波、插值方法对数据进行处理；
13、特征提取：通过分析采集的生物反馈数据，提取影响信任度的心率变异性、肌电反应特征、听觉信号特征、眼动数据特征；
14、数据分割：将采集的生物反馈数据分为训练集和测试集两部分，训练集用于建立信任度评估模型，测试集用于验证模型的有效性；
15、机器学习建模：使用机器学习算法对训练集进行建模，并利用测试集对模型进行测试和验证，机器学习算法采用支持向量机、随机森林或者神经网络；
16、模型评估：对建立的信任度评估模型进行评估，包括模型的准确率、精确率、召回率指标，以及roc曲线、auc评价指标。
17、作为本专利技术优选的技术方案：所述噪声去除：使用滤波技术去除信号中的噪声，以平滑数据并保留信号的主要特征；
18、异常值处理：检测和修复异常值，可以采用统计方法或基于规则的方法识别异常值，并进行修正或删除；
19、缺失值处理：处理数据中可能存在的缺失值，包括删除含有缺失值的样本、使用均值或中值填充缺失值，或者利用插值方法来估计缺失值；
20、数据标准化：将数据进行标准化或归一化，消除不同特征之间的量纲差异；
21、时间序列处理：如果数据是时间序列数据，进行时间序列分析；
22、数据重采样：如果数据采样频率过高或不均匀，对数据进行重采样，以降低数据的维度和复杂度，同时保留数据的主要特征。
23、作为本专利技术优选的技术方案：所述特征提取包括心率变异性特征提取和肌电反应特征提取，其具体为：
24、心率变异性特征提取：
25、时间域特征提取：包括心率的平均值、标准差、均方根值；
26、频域特征提取：通过傅立叶变换方法将心率信号转换到频域，提取频低频功率和高频功率特征；
27、非线性特征提取：心率变异性的复杂度指标或非线性动力学参数；
28、肌电反应特征提取：
29、平均肌电反应值：对一段时间内的肌电反应数据进行平均处理；
30、肌电反应幅值：检测肌电反应信号的峰值或波峰间的振幅；
31、肌电反应频率：统计一定时间内的肌电反应次数或频率。
32、听觉信号特征提取：
33、时域特征提取：平均幅度(均值)、能量、平均过零率、短时幅度包络。
34、频域特征提取：频谱信息——通过傅立叶变换等方法将信号从时域转换到频域得到。梅尔频率倒谱系数——对音频信号进行梅尔滤波器组装，再取对数转换，最后进行离散余弦变换。
35、时频特征提取：短时傅立叶变换——将信号分解成时域和频域两个维度的信息，适用于非平稳信号的分析。
36、倒谱分析：通过对信号的功率谱密度进行对数变换和离散余弦变换，得到倒谱系数。
37、波形特征提取：波形距离——用于描述信号波形的整体形状特征。
38、眼动数据特征提取：
39、基本眼动参数：注视点(包括注视持续时间、注视次数、注视位置等)、扫视路径(包括扫视路径长度、扫视速度等)。
40、注视聚集特征：注视聚集度(用于描述被试者的注视偏好和注意力集中程度)、注视偏移(指示被试者在注视过程中的目标转移情况)。
41、扫视运动特征：扫视距离(描述扫视过程中目标的距离变化情况)、扫视速度(表示扫视眼动的快慢程度)。
42、时空特征：眼动轨迹(描述眼球在视觉任务中的运动轨迹，包括水平和垂直方向上的变化)、注视时间序列(分析注视持续时间的时间序列特征，揭示注意力维持和转移的规律)。
43、频域特征：眼动频谱分析——将眼动数据信号进行频域分析，探索不同频率成分对于任务认知的影响。
44、作为本专利技术优选的技术方案：所述s4对采集的信任度数据进行分析，了解不同康复护理场景下多维信任度的评估情况，包括如下步骤：
45、数据整理和清洗：对采集的信任度数据进行整理和清洗，包括数据格式转换、缺失值处理、异常值处理；
46、数据探索性分析：通过数据可视化和统计分析方法，对不同康复护理场景下的信任度数据进行探索性分析，包括描述性统计、相关性分析、分布分析；
47、多维信任度分析：将信任度数据与康复护理场景相关的其他因素进行关联分析；
48、建立统计模型：根据数据分析的结果，选择统计模型或机器学习算法进行建模，以揭示不同康复护理场景下多维信任度的评估情况，并预测信任度在不同场景下的表现；
49、模型评估和验证：对建立的统计模型进行评估和验证，包括模型的拟合度、预测准确度指标的评估，以验证模型在信任度评估方面的有效性和可靠性；
50、结果解释和应用：根据分析结果和模型输出，解释不同康复护理场景下多维信任度的评估情况，为实际康复护理工作提供决策和指导。。
51、(三)有益效果
52、与现有技术相比：该基于生物反馈的信任度评估方法具有以下有益效果：
53、1.智能康复护理：该技术方案可为康本文档来自技高网...
【技术保护点】
1.基于生物反馈的信任度评估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于生物反馈的信任度评估方法，其特征在于：所述生物反馈传感器采用心率传感器、肌电传感器、听觉传感器或者眼动追踪设备中的一种或者多种。
3.根据权利要求1所述的基于生物反馈的信任度评估方法，其特征在于：所述S2基于采集的生物反馈数据，建立信任度评估模型包括如下步骤：
4.根据权利要求3所述的基于生物反馈的信任度评估方法，其特征在于：所述噪声去除：使用滤波技术去除信号中的噪声，以平滑数据并保留信号的主要特征；
5.根据权利要求1所述的基于生物反馈的信任度评估方法，其特征在于：所述特征提取包括心率变异性特征、肌电反应特征、听觉信号特征、眼动数据特征提取，其具体为：
6.根据权利要求1所述的基于生物反馈的信任度评估方法，其特征在于：所述S4对采集的信任度数据进行分析，了解不同康复护理场景下多维信任度的评估情况，包括如下步骤：
【技术特征摘要】
1.基于生物反馈的信任度评估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于生物反馈的信任度评估方法，其特征在于：所述生物反馈传感器采用心率传感器、肌电传感器、听觉传感器或者眼动追踪设备中的一种或者多种。
3.根据权利要求1所述的基于生物反馈的信任度评估方法，其特征在于：所述s2基于采集的生物反馈数据，建立信任度评估模型包括如下步骤：
4.根据权利要求3所述的基于生物反馈的信任度评估...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。