多模式人因智能训练方法和装置、虚实融合座舱及设备

技术领域

本申请涉及人因智能、人工智能、医疗健康的技术领域，尤其是涉及一种多模式人因智能训练方法和装置、虚实融合座舱及设备。

背景技术

人因座舱，又称为人因工程座舱，是一个综合了多种技术和设计理念的交互环境。智能座舱可以进行生物反馈放松、认知训练等，对包括但不限于高压/焦虑人群放松、老年人认知障碍康复训练等诸多方面有广泛应用。

目前的人因座舱通常提供沉浸式或非沉浸式单一的训练模式，这种单一方式无法满足不同用户的需求，同时也缺乏对用户在不同模式下的心理和心理反应的全面考虑，影响放松/训练的效果。

发明内容

为了为用户提供适合的训练模式，本申请提供一种多模式人因智能训练方法和装置、虚实融合座舱及设备。

第一方面，本申请提供一种多模式人因智能训练方法，采用如下的技术方案：

获取用户的人相关数据信息，所述人相关数据信息包括生理信号数据和/或身心指标数据；

根据所述人相关数据信息确定用户针对不同训练模式的匹配程度；

根据所述匹配程度确定目标训练模式；

执行所述目标训练模式，以对所述用户进行人因智能训练。

通过采用上述技术方案，电子设备获取用户人相关数据信息，进而根据人相关数据信息，确定用户针对不同训练模式的匹配程度，进而根据匹配程度确定目标训练模式，以使用户采用目标训练模式进行人因智能训练，因此全面考虑用户的生理状态和心理状态，选择适合的训练模式，提高训练效果。

进一步地，所述人相关数据信息包括用户的实时的人相关数据信息，和/或，用户的历史的人相关数据信息；

和/或，

所述训练模式包括沉浸式训练模式和非沉浸式训练模式。

通过采用上述技术方案，本申请可以选择应用实时的人相关数据信息或者历史的人相关数据信息进行人因智能训练，可保留用户数据，用户再次使用设备时，即可调用历史数据并自动进行训练。另一方面，本申请的训练模式包括沉浸式训练模式和非沉浸式训练模式，沉浸式训练模式为用户提供高度逼真的环境模拟，非沉浸式训练模式提供放松的训练环境。

进一步地，所述根据所述匹配程度确定目标训练模式，包括以下至少一种：

根据所述匹配程度确定目标训练模式；

根据所述匹配程度确定训练模式的推荐信息，以供用户基于所述推荐信息确定目标训练模式；

根据所述匹配程度确定目标训练模式切换信息，所述目标训练模式切换信息表示用户的训练模式由当前切换模式切换至目标训练模式。

通过采用上述技术方案，本申请设置多种使用模式以供用户选择，电子设备可以根据匹配程度直接确定目标训练模式，或进行推荐，或进行自动切换，训练过程灵活。

进一步地，所述根据所述匹配程度确定目标训练模式，包括：若根据所述生理信号数据和/或身心指标数据确定用户针对任一训练模式的所述适用度或意愿度大于预设值，则根据所述任一训练模式确定目标训练模式；

和/或，

所述根据所述匹配程度确定训练模式的推荐信息，包括：若根据所述生理信号数据和/或身心指标数据确定用户针对任一训练模式的所述适用度或意愿度大于预设值，则根据所述任一训练模式确定训练模式的推荐信息；

和/或，

所述根据所述匹配程度确定目标训练模式切换信息，包括：若根据所述混合数据确定用户针对任一训练模式的所述适用度大于预设值，则根据所述任一训练模式确定目标训练模式切换信息。

通过采用上述技术方案，电子设备设置预设值用于快速确定目标训练模式、目标训练模式切换信息和目标训练模式切换信息。

进一步地，所述根据所述生理信号数据和/或所述身心指标数据，预测用户针对不同训练模式的适用度或意愿度，包括：

对所述生理信号数据进行预处理和特征提取，得到生理特征值，根据所述生理特征值得到生理特征分值；将所述生理特征分值输入至训练好的第一深度学习模型，输出用户针对不同训练模式的适用度；

或者，根据所述身心指标数据得到身心特征分值；将所述身心特征分值输入至训练好的第二深度学习模型，输出用户在不同训练模式下的意愿度；

或者，对所述生理信号数据进行预处理和特征提取，得到生理特征值，根据所述生理特征值得到生理特征分值；根据所述身心指标数据得到身心特征分值；将所述生理特征分值和所述身心特征分值进行融合，得到融合数据；将所述融合数据输入至训练好的第三深度学习模型，输出用户针对不同训练模式的适用度。

通过采用上述技术方案，电子设备根据生理信号数据和第一深度学习模型，确定用户针对不同训练模式的适用度，根据身心指标数据和第二深度学习模型，确定用户针对不同训练模式的意愿度，根据混合数据和第三深度学习模型，确定用户针对不同训练模式的适用度，进而智能分析得到用户对不同训练模式的匹配程度。

进一步地，所述对所述生理信号数据进行预处理和特征提取，得到生理特征值，包括：

对所述生理数据信息进行滤波处理；

根据预设的特征值提取方法，对所述滤波处理后的生理数据信息进行特征值提取，删除伪迹成分，得到多个生理特征值。

通过采用上述技术方案，电子设备在处理生理数据时去除噪声或者干扰，可以帮助消除一些非必要的干扰，比如电气噪声、运动伪迹等，这样就可以更清晰地看到真正的生理信号，接着从滤波处理后的实时生理数据信息中提取出有代表性的特征，这些特征可以反映人体的某些生理状态或者疾病情况。在提取特征的过程中，还需要对数据进行清理，删除那些由非生理因素（如运动、电磁干扰等）引起的“伪迹”。这些伪迹如果不进行处理，将会对最终的特征提取结果产生影响，通过这个过程，可以得到一系列的实时生理特征值。

进一步地，若所述身心指标数据为问卷数据，所述根据所述身心指标数据得到身心特征分值，包括：

获取问卷数据中每条问卷的选择结果对应的第一分值；

将各个所述第一分值相加，计算得到总分值，确定所述总分值为身心特征分值。

通过采用上述技术方案，对于每个问题，通常会有一系列选项，获取每个问卷对于每个问题的选择结果所对应的第一个分值，下一步就是将这些分值相加，以计算得到总分值，问卷分值可以用来评估问卷的回答情况，评估用户的态度。

进一步地，所述将所述生理特征分值和所述身心特征分值进行融合，得到融合数据，包括：

计算所述生理特征分值与所述身心特征分值的差值，判断所述差值是否达到预设差值；

若是，则确定所述生理特征分值与所述身心特征分值的权重比为第一权重比；所述第一权重比中生理特征分值对应的权重大于所述身心特征分值对应的权重。

否则，确定所述生理特征分值与所述身心特征分值的权重比为第二权重比；所述第二权重比中生理特征分值对应的权重小于所述身心特征分值对应的权重；

将所述生理特征分值和所述身心特征分值按照所述第一权重比或第二权重比进行相加，计算得到融合数据。

通过采用上述技术方案，将生理特征分值和身心特征分值按照相应的权重比进行相加，计算得到融合数据。融合数据可能是一个加权平均或者其他形式的融合结果，取决于具体的权重比计算方式，根据预设条件来调整生理特征分值和身心特征分值之间权重比的过程，并最终得到的融合数据均衡了用户的主观想法和客观评价。

进一步地，所述方法还包括：

获取用户对训练模式的反馈信息；

根据所述反馈信息确定反馈适应值，根据所述反馈适应值对用户针对不同训练模式的适用度或意愿度进行修改；

将修改后的适应度以及对应的生理特征分值更新至训练集，更新所述第一深度学习模型；

或者，将修改后的意愿度以及对应的身心特征分值更新至训练集，更新所述第二深度学习模型；

或者，将修改后的适应度以及对应的融合数据更新至训练集，更新所述第三深度学习模型。

通过采用上述技术方案，用户在训练完成后，电子设备根据用户的反馈信息修改深度学习模型的训练集，进而对第一深度学习模型、第二深度学习模型和第三深度学习模型进行更新，得到更适合用户的个性定制的模型，贴合用户需求，提高使用体验感。

进一步地，所述根据所述反馈信息确定反馈适应值，根据所述反馈适应值对用户针对不同训练模式的适用度或意愿度进行修改，包括：

所述反馈信息包括正向反馈信息和负向反馈信息，所述正向反馈信息对应的反馈适应值为正值，所述负向反馈信息对应的反馈适应值为负值；

将所述反馈适应值与预设比值相乘，得到修改值，将所述修改值分别与所述意愿度或适用度相加，得到修改后的意愿度或适用度。

通过采用上述技术方案，在根据反馈适应值更改意愿度或者适应度时，根据反馈适应度类型确定对应的符号，进而根据反馈适应值对应的修改值对意愿度和适用度进行修改。

第二方面，本申请提供一种多模式人因智能训练装置，采用如下的技术方案：

获取模块，用于获取用户的人相关数据信息，所述人相关数据信息包括生理信号数据和/或身心指标数据；

匹配程度确定模块，用于根据所述人相关数据信息确定用户针对不同训练模式的匹配程度；

目标训练模式确定模块，用于根据所述匹配程度确定目标训练模式；

执行模块，用于执行所述目标训练模式，以对所述用户进行人因智能训练。

通过采用上述技术方案，获取模块获取用户人相关数据信息，进而匹配程度确定模块根据人相关数据信息，确定用户针对不同训练模式的匹配程度，进而目标训练模式确定模块根据匹配程度确定目标训练模式，以使执行模块采用目标训练模式进行人因智能训练，因此全面考虑用户的生理状态和心理状态，选择适合的训练模式，提高训练效果。

第三方面，本申请提供一种虚实融合座舱，其特征在于，包括：

座舱主体；

所述座舱主体上设置有：

生理信号采集设备和/或用于连接生理信号采集设备的设备接口；

移动终端，用于采集用户的身心指标数据；

可移动环绕式屏幕，用于在目标训练模式为沉浸式训练模式时下降至用户面前、在目标训练模式为非沉浸式训练模式时上升远离用户；和/或，虚拟现实装置，用于目标训练模式为沉浸式训练模式时供用户使用；

移动机械臂，用于固定所述移动终端，在目标训练模式为非沉浸式训练模式时转动至用户面前；

电子设备，用于执行如第一方面中任一项所述的方法。

通过采用上述技术方案，生理信号采集设备采集用户生理信号数据，移动终端采集用户的身心指标数据，当采用沉浸式训练模式时，可移动环绕式屏幕下降至用户面前；当采用非沉浸式训练模式时，可移动环绕式屏幕上升远离用户，移动机械臂将移动终端转动至用户面前，进而实现沉浸式训练模式和非沉浸训练模式之间的切换，提高训练效果。

第四方面，本申请提供一种电子设备，采用如下的技术方案：

一种电子设备，包括：

至少一个处理器；

存储器；

至少一个计算机程序，其中所述至少一个计算机程序被存储在所述存储器中并被配置为由所述至少一个处理器执行，所述至少一个计算机程序配置用于：执行如第一方面中任一项所述的一种方法。

通过采用上述技术方案，处理器执行存储器中的计算机程序，获取用户人相关数据信息，进而根据人相关数据信息，确定用户针对不同训练模式的匹配程度，进而根据匹配程度确定目标训练模式，以使用户采用目标训练模式进行人因智能训练，因此全面考虑用户的生理状态和心理状态，选择适合的训练模式，提高训练效果。

第五方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：

一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面中任一项所述的方法的计算机程序。

通过采用上述技术方案，处理器执行计算机可读存储介质中的计算机程序，获取用户人相关数据信息，进而根据人相关数据信息，确定用户针对不同训练模式的匹配程度，进而根据匹配程度确定目标训练模式，以使用户采用目标训练模式进行人因智能训练，因此全面考虑用户的生理状态和心理状态，选择适合的训练模式，提高训练效果。

综上所述，本申请包括以下至少一种有益技术效果：

1.获取用户人相关数据信息，进而根据人相关数据信息，确定用户针对不同训练模式的匹配程度，进而根据匹配程度确定目标训练模式，以使用户采用目标训练模式进行人因智能训练，因此全面考虑用户的生理状态和心理状态，选择适合的训练模式，提高训练效果；

2.本申请可以选择应用实时的人相关数据信息或者历史的人相关数据信息进行人因智能训练，可保留用户数据，用户再次使用设备时，即可调用历史数据并自动进行训练；

3.本申请的训练模式包括沉浸式训练模式和非沉浸式训练模式，沉浸式训练模式为用户提供高度逼真的环境模拟，非沉浸式训练模式提供放松的训练环境

4.本申请设置多种使用模式以供用户选择，电子设备可以根据匹配程度直接确定目标训练模式，或进行推荐，或进行自动切换，训练过程灵活。

附图说明

图1是本申请实施例中虚实融合座舱处于沉浸式训练模式的示意图。

图2是本申请实施例中虚实融合座舱处于非沉浸式训练模式的示意图。

图3本申请实施例中多模式人因智能训练方法的流程示意图。

图4是本申请实施例中多模式人因智能训练装置的结构框图。

图5是本申请实施例中电子设备的结构框图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。

本申请实施例公开一种虚实融合座舱。虚实融合座舱应用于人因智能训练，人因智能训练包括但不限于以下一种或多种组合：注意力训练、记忆力训练、应激训练、放松训练和减压训练等。

参照图1和图2，虚实融合座舱包括座舱主体，用户在进行训练时，位于座舱主体内。

座舱主体上可以自带一体化呼吸、血氧、脉搏、指温、脑电、肌电、皮电等一种或几种组合的生理信号采集设备，还可以设置用于连接生理信号采集设备的设备接口。即虚实融合座舱可以根据需求设置生理信号采集设备的数量和种类，在此不作限制。

进一步地，虚实融合座舱根据采集的生理信号和/或用户的身心指标确定训练模式，虚实融合座舱可以为用户提供沉浸式和非沉浸式两种训练模式。

沉浸式训练模式能够为用户提供高度逼真的环境模拟，特别是对于那些需要模拟特定场景的训练内容，如应激场景训练，增强用户的参与感和真实感。但部分用户在使用沉浸式训练模式时可能会感到头晕、眼睛疲劳等不适。

非沉浸式训练模式无需额外的专用设备，可与现有的应用程序、在线平台等集成，提供丰富的训练内容。但用户在非沉浸式训练模式中参与感和真实感不足，易受外界环境的干扰，放松/训练效果受到影响。

座舱主体上设置有可移动环绕式屏幕和移动机械臂。在沉浸式训练模式下，可移动环绕式屏幕下降至用户面前，可移动环绕式屏幕显示训练内容，给予用户逼真的环境体验；在非沉浸式训练模式下，可移动环绕式屏幕上升远离用户，进而移动机械臂转动至用户面前，移动机械臂上固定移动终端，在移动终端上显示训练内容，紧张感较沉浸式训练模式下更低。

在沉浸式训练模式下，移动机械臂可以转动远离用户，以免影响用户活动范围。

在另一种可能的实现方式中，人因座舱上还可以连接虚拟现实装置，虚拟现实装置包括虚拟现实头盔或者VR眼镜，当选用沉浸式训练模式时，用户使用虚拟现实头盔或者VR眼镜显示训练内容。

本申请实施例公开一种多模式人因智能训练方法。由电子设备执行，该电子设备可以为服务器也可以为终端设备，其中该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、台式计算机等，但并不局限于此。

参照图3，上述方法包括（步骤S101～步骤S104）：

步骤S101：获取用户的人相关数据信息，人相关数据信息包括生理信号数据和/或身心指标数据。

具体地，电子设备可以与生理信号采集设备通讯，进而获取用户的生理信号数据和/或身心指标数据。

电子设备支持常见的对用户的生理和行为信号的采集，每种产品采集的信息即对应一个单模态样本数据信息。

例如，EEG（Electroencephalogram，脑电图）、fNIRS（functional near-infraredspectroscopy，功能性近红外光谱技术）、PPG（PhotoPlethysmoGraphy，光电容积脉搏波描记法）、EDA（Electrodermal activity，皮电活动）、RESP（Respiration，呼吸频率）、SKT（skintemperature，皮肤温度）、SPO2（oxygen saturation，氧饱和度）、ECG（electrocardiogram，心电图）、EMG（electromyelogram，肌电图）和HRV（HeartRateVariability，心率变异性）以及人体九轴姿态数据等。

其中，所有用于生理信号数据的产品均采用可通过有线或无线两种传输技术，将采集到的信号发送给电子设备。无线传输技术可以采用蓝牙、WLAN、4G或者5G等。

为了进一步降低时间差异，步骤S101包括（步骤S11～步骤S12）：

步骤S11：对信息采集设备以及当前设备进行时间同步化。

具体地，电子设备可以通过获取NTP网络时间协议、信息采集设备以及当前设备的时间戳，进行信息采集设备、当前设备与网络时间的校准。然后，通过Christian算法对信息采集设备进行进一步的时间校正。

具体地，NTP协议全称网络时间协议（Network Time Protocol）。它的目的是在国际互联网上传递统一、标准的时间。Christian算法是一种集中式的时间服务器，拥有标准时间,所有信息采集设备都通过周期性询问的方式与这个时间服务器同步。

步骤S12：同时获取各个信息采集设备在不同预设的状态类别时发送的单模态样本数据信息。

进一步地，电子设备还可以由用户主动输入或根据用户输入的问卷数据评估得到用户的身心指标数据。用户通过移动终端中的量表、问卷、心理行为实验等主观检测工具完成问卷，问卷数据信息能体现用户针对训练模式的主观意愿和感受。

问卷中包括多项选择题，每个选择题中包括多个选项，电子设备为每个选项预设对应的分值。例如，题目1为现在的疲惫程度为？选项：A。很疲劳；B、一般疲劳 ；C 、不清楚；D、不是很疲劳 ；E、完全不疲劳。

另一方面，在使用虚实结合座舱进行训练之前，可以应用生理信号采集设备和移动终端进行主客观身心评估，结合身心状态识别智能算法，对生理信号数据和身心指标数据进行身心状态评估，进而为用户推荐使用模式或训练方案，维度包含但不仅限于：心理健康、脑认知能力（注意力、记忆力、决策能力等认知域）、价值观、疲劳程度、焦虑、抑郁等维度。

步骤S102：根据人相关数据信息确定用户针对不同训练模式的匹配程度，包括：根据生理信号数据和/或身心指标数据，预测用户针对不同训练模式的适用度或意愿度。

其中，用户针对沉浸式训练模式或非沉浸式训练模式的匹配程度可通过适用度或意愿度进行衡量。其中，适用度体现用户对训练模式适用的客观性，若用户对任一训练模式的适用度越高，则用户的生理状况更适合对应的训练模式；而意愿度体现用户对训练模式适用的主观性，若用户对任一训练模式的意愿度越高，则用户的主观需求更偏向于对应的训练模式。

具体地，电子设备在根据生理信号数据和/或身心指标数据进行适用度或意愿度预测时，包括三种方案：

一、对生理信号数据进行预处理和特征提取，得到生理特征值，根据生理特征值得到生理特征分值；将生理特征分值输入至训练好的第一深度学习模型，输出用户针对不同训练模式的适用度。

具体地，虚实结合座舱的使用场景之一为根据适用度直接确定训练模式，适用度通过生理信号数据分析得到，即完全根据客观评估结果选择训练方式。

进一步地，电子设备对实时生理数据信息进行预处理和特征提取，得到实时生理特征值时，还包括（步骤S21～步骤S22）：

步骤S21：对实时生理数据信息进行滤波处理。

具体地，采集到的脑认识数据或生理数据，其中会掺杂伪迹成分，常见的伪迹成分包括生理伪迹和非生理伪迹，生理伪迹包括：眼电伪迹，如眨眼、眼动；肌电伪迹，如额肌、颞肌活动；心电伪迹，如心跳；其他伪迹，如头皮出汗、电极移位，非生理伪迹包括：市电干扰，包括50Hz或60Hz；电极伪迹，即电极与头皮接触不良；记录系统故障，如放大器噪声；环境因素，如电线或电路故障。

每种伪迹均有对应的频率，因此电子设备结合高通滤波、低通滤波以及凹陷滤波中任一种或多种方法，排除单模态样本数据信息中的伪迹干扰，以得到更清晰的数据信息。

例如，若采集到EEG数据，电子设备对EEG数据进行0.5HZ的高通滤波，高通滤波允许高于该阈值的所有频段的波通过，可以排除出汗、或者极低频噪音对EEG数据产生的影响；然后进行70Hz的低通滤波，低通滤波允许低于该阈值的所有频段的波通过，可以排除较大的肌电伪迹产生的噪音干扰；最后进行50Hz的凹陷滤波，主要目的是为了排除市电的干扰。

步骤S22：根据预设的特征值提取方法，对滤波处理后的实时生理数据信息进行特征值提取，删除伪迹成分，得到多个实时生理特征值。

电子设备对滤波处理后的单模态样本数据信息进行特征提取，删除伪迹成分。常用的特征提取方法有：主成分分析、独立成分分析、线性判别分析。

例如，独立成分分析利用线性方程组的估计方式求解信号源，分解后能够提供独立成分在时间和空间上的属性，研究者通过查看波形图和能量地形图能够识别出干扰源产生的伪迹，理论上认为信号和伪迹是彼此独立的，因此可以将标记的伪迹成分从原始数据中剔除，并对其他数据进行重新组合，获得干净的脑电信号。

电子设备预存有多种特征值提取方法，支持参数调整。特征值提取方法均为现有的方法，研究者可以在数据库自由选择特征值提取方法，电子设备将其作为预设的特征值提取方法。

进一步地，电子设备根据实时生理特征值得到生理特征分值包括：电子设备预设每个生理特征分值对应的预设生理特征值，因此将实时生理特征值与各个预设生理特征值对比，进而将对比的相似程度最高的预设生理特征值对应的分值确定为生理特征分值。

进而，电子设备预先训练好第一深度学习模型，深度学习模型可以为LSTM（LongShort-Term Memory，长短期记忆网络）或CNN（Convolutional Neural Networks,卷积神经网络）。

电子设备在训练第一深度学习模型时，获取大量生理特征分值以及针对不同训练模式的适应度作为样本集，进而将样本集划分为训练集和验证集，应用训练集训练深度学习模型，并用验证集进行验证，在准确率达到预设值后得到训练完成的第一深度学习模型。第一深度学习模型的输入为生理特征分值，输出为针对不同训练模式的适应度。

二、对身心指标数据进行编码和量化处理，得到身心特征分值；将身心特征分值输入至训练好的第二深度学习模型，输出用户在不同训练模式下的意愿度。

具体地，虚实结合座舱的使用场景之二为根据意愿度直接确定训练模式，意愿度通过身心指标数据分析得到，即完全根据主观评估结果选择训练方式。

若身心指标数据为用户通过移动终端直接输入的数值，则确定数值为身心特征分值。

若身心指标数据为问卷数据，对身心指标数据进行编码和量化处理，得到身心特征分值，具体方法包括（步骤S31～步骤S32）：

步骤S31：获取问卷数据中每条问卷的选择结果对应的第一分值。

具体地，每个问题对应多个选项，电子设备按照选项与题目的贴合程度分别赋予不同的第一分值。例如，题目1为现在的疲惫程度为？选项：A。很疲劳；B、一般疲劳 ；C 、不清楚；D、不是很疲劳 ；E、完全不疲劳。其中，A至E的第一分值分别为0、1、2、3、4、5。

需要注意的是，所有问题中，选项与题目贴合程度赋予第一分值时的规则相同，均为逐渐递增或逐渐递减。

步骤S32：将各个第一分值相加，计算得到总分值，确定总分值为身心特征分值。

具体地，电子设备将各个第一分值相加，将计算得到的总分值确定为身心特征分值。

进而，电子设备预先训练好第二深度学习模型，电子设备在训练第二深度学习模型时，获取大量的身心特征分值和对应的训练模式作为样本集，采用与训练第一深度学习模型时相同的方法进行训练，得到训练完成的第二深度学习模型。第二深度学习模型的输入为身心特征分值，输出为训练模式。

三、对生理信号数据进行预处理和特征提取，得到生理特征值，根据生理特征值得到生理特征分值；根据身心指标数据得到身心特征分值；将生理特征分值和身心特征分值进行融合，得到融合数据；将融合数据输入至训练好的第三深度学习模型，输出用户针对不同训练模式的适用度。

具体地，虚实结合座舱的使用场景之三为根据适用度直接确定训练模式，适用度通过综合生理信号数据和身心指标数据后分析得到，即根据主客观综合分析选择训练方式。若仅参考用户答复的问卷来确定用户的训练意愿倾向较为主观，得到的推荐模式可能与用户的身体可允许状况相差太多，因此将生理信号与问卷数据相融合，即将生理特征分值与问卷分值融合。

其中，电子设备采用上述同样的方式得到生理特征分值和身心特征分值，进一步地，在得到融合数据时，包括如下步骤（步骤S41～步骤S42）：

步骤S41：计算生理特征分值与问卷分值的差值，判断差值是否达到预设差值；

若是，则确定生理特征分值与问卷分值的权重比为第一权重比；第一权重比中生理特征分值对应的权重大于问卷分值对应的权重。

否则，确定生理特征分值与问卷分值的权重比为第二权重比；第二权重比中生理特征分值对应的权重小于问卷分值对应的权重。

具体地，例如，预设差值为电子设备根据实际需要设置。若差值达到预设差值，则可以确定生理特征分值与问卷分值相差太大。而第一权重比中，生理特征分值对应的权重大于问卷分值对应的权重，因此在计算融合数据时，更多参考生理特征分值。而差值未达到预设差值，则可以确定生理特征分值与问卷分值相近，第二权重比中的生理特征分值对应的权重分值小于问卷分值对应的权重，在计算融合数据时，可以更多参考问卷分值。

步骤S42：将生理特征分值和问卷分值按照第一权重比或第二权重比进行相加，计算得到融合数据。

例如，预设差值为20，当生理特征分值为90、问卷分值为60时，电子设备确定对应的权重比为第一权重比，第一权重比为7:3。则电子设备计算得到融合数据=90*0.7+60*0.3=81。

最后，将融合数据输入至训练好的第三深度学习模型，输出用户在不同训练模式下的适用度。

电子设备预先训练好第三深度学习模型，电子设备在训练第三深度学习模型时，获取大量的融合数据和对应的推荐训练模式作为样本集，采用与训练第一深度学习模型时相同的方法进行训练，得到训练完成的第三深度学习模型。第三深度学习模型的输入为融合数据，输出为训练模式。

步骤S103：根据匹配程度确定目标训练模式。

具体地，步骤S103包括以下至少一种：

（1）根据匹配程度确定目标训练模式。

（2）根据匹配程度确定训练模式的推荐信息，以供用户基于推荐信息确定目标训练模式。

（3）根据匹配程度确定目标训练模式切换信息，目标训练模式切换信息表示用户的训练模式由当前切换模式切换至目标训练模式。

电子设备根据开始训练前的设置和训练中用户的操作选择执行以上一种或任意几种的组合模式。

举例说明：

针对第（1）种，用户在训练前可以在移动终端上设置使用自动选择模式。若根据生理信号数据和/或身心指标数据确定用户针对任一训练模式的适用度或意愿度大于预设值，则根据任一训练模式确定目标训练模式。

例如，若用户选择根据适用度确定目标训练模式，则在用户对任一训练模式的适用度达到第一预设值时，电子设备确定对应的训练模式为目标训练模式。其中，预设值可以根据实验数据总结确定。

再如，预设值为0.8，当用户对沉浸式训练模式的适用度为0.85时，电子设备直接确定目标训练模式为沉浸式训练模式。

针对第（2）种，用户在训练前可以在移动终端上设置使用推荐选择模式。若根据生理信号数据和/或身心指标数据确定用户针对任一训练模式的适用度或意愿度大于预设值，则根据任一训练模式确定训练模式的推荐信息。

例如，若用户选择根据适用度确定目标训练模式，则在用户对任一训练模式的适用度达到预设值时，电子设备确定对应的训练模式为训练模式的推荐信息。

电子设备将训练模式的推荐信息显示在移动终端上，用户可以自己选择执行哪种训练模式。

针对第（3）种，若根据混合数据确定用户针对任一训练模式的适用度大于预设值，则根据任一训练模式确定目标训练模式切换信息。

用户可以在训练前以及训练过程中选择第（3）种切换模式。电子设备一旦执行第（3）种模式，则根据混合数据确定目标训练模式切换信息，使训练模式进行切换。

例如，当用户针对非沉浸式训练模式的适用度大于预设值，则可以确定用户处于疲劳状态，因此应用非沉浸式训练模式，使用户进行适当放松，电子设备生成切换至非沉浸式训练模式的目标训练模式切换信息；而用户针对沉浸式训练模式的适用度大于预设值时，用户处于集中状态，此时应用沉浸式训练模式能够得到更好的训练效果，则电子设备生成切换至沉浸式训练模式的目标训练模式切换信息。

步骤S104：执行目标训练模式，以对用户进行人因智能训练。

具体地，当电子设备确定目标训练模式后，使虚实融合座舱执行对应的目标训练模式，以对用户进行人因智能训练，达到更好的训练效果。

其中，人因智能训练包括但不限于以下一种或多种组合：注意力训练、记忆力训练、应激训练、放松训练、减压训练等。

在另一种可能的实现方式中，电子设备可以不断完善第一深度学习模型、第二深度学习模型和第三深度学习模型，进而将更贴合用户自身特点的训练模式推荐给用户。因此，上述方法还包括（步骤S51～步骤S53）：

步骤S51：获取用户对训练模式的反馈信息。

具体地，当训练完成后，电子设备在显示屏上显示反馈问卷，用户在反馈问卷上输入反馈信息。为了便于统计，反馈问卷设置多个选项，例如，喜欢、一般喜欢、不清楚、不太喜欢和非常不喜欢。

步骤S52：根据反馈信息确定反馈适应值，根据反馈适应值对训练模式的意愿度或适用度进行修改。

具体地，反馈信息包括正向反馈信息和负向反馈信息，电子设备为每个选项预设对应的反馈适应值，当喜欢程度为不清楚，对应的反馈适应值为0；喜欢程度越高，则对应的反馈适应值为正值且越大；喜欢的程度越低，则对应的反馈适应值为负值且越小。

因此，将反馈适应值与预设比例相乘，得到修改值，将修改值分别与意愿度和适用度相加即可。反馈越不好，则训练模式的意愿度和适用度均减小，与向前训练模式相反的训练模式对应的意愿度和适用度增大。

其中，为了将反馈适应值与意愿度和适用度相统一，将反馈适应值的数值进行等比例调整，进而提高意愿度和适用度的准确性。

步骤S53：将修改后的适应度以及对应的生理特征分值更新至训练集，更新第一深度学习模型；或者，将修改后的意愿度以及对应的身心特征分值更新至训练集，更新第二深度学习模型；或者，将修改后的适应度以及对应的融合数据更新至训练集，更新第三深度学习模型。

具体地，电子设备查找对应的训练集中同一生理特征分值，进而将修改后的适用度替换原有的适用度，将修改后的生理特征分值替换原有的生理特征分值，进而重复训练步骤，得到更新后的第一深度学习模型，调整深度学习模型的参数，优化推荐效果，满足用户需求，提升用户体验。同理，采用上述方法更新第二深度学习模型和第三深度学习模型。

进一步地，为了便于用户使用，电子设备可以建立个人用户档案，记录、追踪用户全流程检测、训练、生理数据，并根据上述用户数据档案。

因此，电子设备在步骤S101中获取的用户的人相关信息数据包括用户的实时的人相关数据信息，和/或，用户的历史的人相关数据信息。

电子设备根据用户需求，选择应用实时的人相关数据信息或者历史的人相关数据信息进行人因智能训练。

电子设备可保留用户数据，并智能计算用户喜好，针对每个用户个性化生成对应的深度学习模型。用户再次使用设备时，只需登录或输入个人信息，即可将座舱调节到用户最适宜状态，并且自动根据历史数据开始训练，并进行个性化方案。

为了更好地执行上述方法，本申请实施例还提供一种多模式人因智能训练装置，参照图4，多模式人因智能训练装置200包括：

获取模块201，用于获取用户的人相关数据信息，人相关数据信息包括生理信号数据和/或身心指标数据；

匹配程度确定模块202，用于根据人相关数据信息确定用户针对不同训练模式的匹配程度；

目标训练模式确定模块203，用于根据匹配程度确定目标训练模式；

执行模块204，用于执行目标训练模式，以对用户进行人因智能训练。

进一步地，获取模块201，具体用于：

获取生理信号采集设备采集的用户的生理信号数据，和/或，获取用户针对问卷反馈的身心指标数据。

进一步地，目标训练模式确定模块203，具体用于以下至少一种：

根据匹配程度确定目标训练模式；

根据匹配程度确定训练模式的推荐信息，以供用户基于推荐信息确定目标训练模式；

根据匹配程度确定目标训练模式切换信息，目标训练模式切换信息表示用户的训练模式由当前切换模式切换至目标训练模式。

进一步地，目标训练模式确定模块203，根据匹配程度确定目标训练模式切换信息时，若根据混合数据确定用户针对任一训练模式的适用度大于预设值，则根据任一训练模式确定目标训练模式切换信息。

进一步地，匹配程度确定模块202，具体用于：根据生理信号数据和/或身心指标数据，预测用户针对不同训练模式的适用度或意愿度，包括：

对生理信号数据进行预处理和特征提取，得到生理特征值，根据生理特征值得到生理特征分值；将生理特征分值输入至训练好的第一深度学习模型，输出用户针对不同训练模式的适用度；

或者，根据身心指标数据得到身心特征分值；将身心特征分值输入至训练好的第二深度学习模型，输出用户在不同训练模式下的意愿度；

或者，对生理信号数据进行预处理和特征提取，得到生理特征值，根据生理特征值得到生理特征分值；根据身心指标数据得到身心特征分值；将生理特征分值和身心特征分值进行融合，得到融合数据；将融合数据输入至训练好的第三深度学习模型，输出用户针对不同训练模式的适用度。

进一步地，匹配程度确定模块202对生理信号数据进行预处理和特征提取，得到生理特征值时，具体用于：

对生理数据信息进行滤波处理；

根据预设的特征值提取方法，对滤波处理后的生理数据信息进行特征值提取，删除伪迹成分，得到多个生理特征值。

进一步地，匹配程度确定模块202根据身心指标数据得到身心特征分值，具体用于：

获取问卷数据中每条问卷的选择结果对应的第一分值；

将各个第一分值相加，计算得到总分值，确定总分值为身心特征分值。

进一步地，匹配程度确定模块202将生理特征分值和身心特征分值进行融合，得到融合数据时，具体用于：

计算生理特征分值与身心特征分值的差值，判断差值是否达到预设差值；

若是，则确定生理特征分值与身心特征分值的权重比为第一权重比；第一权重比中生理特征分值对应的权重大于身心特征分值对应的权重。

否则，确定生理特征分值与身心特征分值的权重比为第二权重比；第二权重比中生理特征分值对应的权重小于身心特征分值对应的权重；

将生理特征分值和身心特征分值按照第一权重比或第二权重比进行相加，计算得到融合数据。

进一步地，多模式人因智能训练200还包括：

反馈信息获取模块，用于获取用户对训练模式的反馈信息；

修改模块，用于根据反馈信息确定反馈适应值，根据反馈适应值对用户针对不同训练模式的适用度或意愿度进行修改；

更新模块，用于将修改后的适应度以及对应的生理特征分值更新至训练集，更新第一深度学习模型；

或者，将修改后的意愿度以及对应的身心特征分值更新至训练集，更新第二深度学习模型；

或者，将修改后的适应度以及对应的融合数据更新至训练集，更新第三深度学习模型。

进一步地，修改模块，具体用于：

反馈信息包括正向反馈信息和负向反馈信息，正向反馈信息对应的反馈适应值为正值，负向反馈信息对应的反馈适应值为负值；

将反馈适应值与预设比值相乘，得到修改值，将修改值分别与意愿度或适用度相加，得到修改后的意愿度或适用度。

前述实施例中的方法中的各种变化方式和具体实例同样适用于本实施例的多模式人因智能训练装置，通过前述对多模式人因智能训练方法的详细描述，本领域技术人员可以清楚的知道本实施例中的多模式人因智能训练装置的实施方法，所以为了说明书的简洁，在此不再详述。

为了更好地实施以上方法，本申请实施例提供一种电子设备，参照图5，电子设备300包括：处理器301、存储器303和显示屏305。其中，存储器303、显示屏305均与处理器301相连，如通过总线302相连。可选地，电子设备300还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备300的结构并不构成对本申请实施例的限定。

处理器301可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线302可包括一通路，在上述组件之间传送信息。总线302可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线302可以分为地址总线、数据总线、控制总线等。

存储器303可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器303用于存储执行本申请方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。

图5示出的电子设备300仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

本申请实施例还提供一种计算机可读存储介质，存储有计算机程序，该程序被处理器执行时实现上述实施例提供的多模式人因智能训练方法，处理器执行计算机可读存储介质中的计算机程序，获取用户人相关数据信息，进而根据人相关数据信息，确定用户针对不同训练模式的匹配程度，进而根据匹配程度确定目标训练模式，以使用户采用目标训练模式进行人因智能训练，因此全面考虑用户的生理状态和心理状态，选择适合的训练模式，提高训练效果。

本实施例中，计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。具体的，计算机可读存储介质可以是便携式计算机盘、硬盘、U盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、讲台随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、光盘、磁碟、机械编码设备以及上述任意组合。

本实施例中的计算机程序包含用于执行前述所有的方法的程序代码，程序代码可包括对应执行上述实施例提供的方法步骤对应的指令。计算机程序可从计算机可读存储介质下载到各个计算/处理设备，或者通过网络（例如因特网、局域网、广域网和/或无线网）下载到外部计算机或外部存储设备。计算机程序可完全地在用户计算机上执行、作为一个独立的软件包执行。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

另外，需要理解的是，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。