本发明涉及人机交互与人因工效学，具体涉及一种面向康复护理机器人的基于用户生理状态的信任度评估方法。
背景技术：
1、人机信任是人机交互成功的必要条件之一，增强用户与机器人之间的信任度对提高人机效能、保证任务完成度、增强人机互理解有着重要的作用。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、近年来，国内对于人机信任的研究在自动驾驶领域较多，而在机器人领域，对社会服务机器人的信任度有一定的研究，对康复护理机器人则处于初步研究阶段，尚未形成完整理论体系。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术一种面向康复护理机器人的基于用户生理状态的信任度评估方法仍然存在一些挑战和不足，本发明提供了一种面向康复护理机器人的基于用户生理状态的信任度评估方法。
3、(二)技术方案
4、为实现上述目的，本发明提供如下技术方案：
5、一种面向康复护理机器人的基于用户生理状态的信任度评估方法，其特征在于：包括如下步骤：
6、s1：使用传感器获取用户的生理数据；
7、s2：对s1获取到数据进行预处理，预处理包括滤波、降噪和数据归一化；
8、s3：对s2预处理好的数据进行特征提取；
9、s4：通过用户主观反馈，将不同时间段用户对康复护理机器人的信任度进行标记，构建信任度标记集合；
10、s5：使用机器学习或者深度学习方法，以标记好的信任度数据为训练集，构建基于生理状态的信任度评估模型；
11、s6：使用独立的测试集数据来评估所构建模型的性能和准确度，采用交叉验证方法进行模型验证；
12、s7：基于公开的数据，为不同生理指标赋予相应权重；
13、s8：信任度评估：将用户实时的生理数据输入到训练好的信任度评估模型中，计算得到用户当前的信任度值，使用线性加权或其他合适的方式进行计算；
14、s9：将得到的信任度值应用于康复护理机器人的人机协作任务中，通过调整机器人的行为、语言，以提高用户的满意度和信任感。
15、作为本发明优选的技术方案：所述s1生理数据包括心率、血压血氧饱和度以及大脑氧合血红蛋白浓度数据。
16、作为本发明优选的技术方案：所述s2中
17、滤波：利用滤波技术消除生理数据中的高频噪声和干扰信号，滤波器包括低通滤波器、带通滤波器和带阻滤波器，数字滤波器通过fir或iir滤波器来实现；
18、降噪：通过小波变换、小波阈值方法信号处理技术，对生理数据进行降噪处理，去除因遮挡、设备故障或电磁干扰引起的噪声；
19、数据归一化：对生理数据进行归一化处理，将数据值缩放到特定的范围，范围是[0,1]或[-1,1]，以消除不同传感器或设备之间的数据量纲差异，确保数据可比性及模型训练的稳定性。
20、作为本发明优选的技术方案：所述s3：对预处理好的数据进行特征提取其具体采用：
21、统计学方法：包括均值、方差、标准差、偏度、峰度统计量，以及时域统计特征如过零率、均方根；
22、频域分析：通过快速傅立叶变换或小波变换，将生理数据转换到频域进行分析，提取频域特征频谱能量分布、频率成分；
23、时频特征：利用时频分析方法，如短时傅立叶变换或连续小波变换，提取时频域特征，描述生理数据在时域和频域上的动态变化特性；
24、特征选择和降维：利用主成分分析、线性判别分析或相关性分析技术，对提取的特征进行选择和降维，保留最具代表性和区分性的特征，减少数据冗余和噪声的影响；
25、深度学习特征提取：利用深度学习网络对生理数据进行特征提取，通过卷积、池化等层逐级提取抽象特征，捕捉数据的高级表征。
26、作为本发明优选的技术方案：所述s5：使用机器学习或者深度学习方法具体选用支持向量机、随机森林或者深度神经网络算法中的一种或者几种。
27、作为本发明优选的技术方案：所述s6：使用独立的测试集数据来评估所构建模型的性能和准确度中的独立的测试数据集来源于数据库：可以利用已有的公开数据集或者专门收集的康复护理相关数据集作为测试集，这些数据集包含来自不同用户的生理数据和对应的信任度标记；
28、线下实验：在康复护理场景中，招募一些参与者进行实验，并采集其生理数据和信任度标记。
29、(三)有益效果
30、与现有技术相比：该一种面向康复护理机器人的基于用户生理状态的信任度评估方法具有以下有益效果：
31、1.个性化信任度评估：基于用户生理状态的信任度评估方法，将用户的生理数据与信任度标记结合，实现了个性化的信任度评估，可以更准确地了解用户的信任状态。
32、2.数据预处理与特征提取：通过对生理数据进行滤波、降噪和数据归一化的预处理，以及统计学方法、频域分析、时频特征等多种特征提取方法，有效地提取了生理数据的关键特征，为后续建模和评估提供了可靠的数据基础。
33、3.信任度模型构建：采用机器学习或深度学习方法，结合用户主观反馈构建了基于生理状态的信任度评估模型，为康复护理机器人提供了全面的信任度评估能力。
34、4.模型性能评估：通过使用独立的测试集数据和交叉验证方法，对所构建的模型进行准确度和性能评估，保证了信任度评估模型的有效性和泛化能力。
35、5.应用潜力：该技术方案的成功实施将为康复护理机器人的人机协作任务提供更为精准的信任度评估，通过调整机器人的行为、语言等方式，提高用户的满意度和信任感，从而提升康复治疗效果。
36、技术方案将为康复护理机器人的应用带来显著的效益，为个性化康复护理提供了有力支持，提高了康复机器人与用户之间的交互体验和治疗效果。
1.一种面向康复护理机器人的基于用户生理状态的信任度评估方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种面向康复护理机器人的基于用户生理状态的信任度评估方法，其特征在于：所述s1生理数据包括心率、血压血氧饱和度以及大脑氧合血红蛋白浓度数据。
3.根据权利要求1所述的一种面向康复护理机器人的基于用户生理状态的信任度评估方法，其特征在于：所述s2中
4.根据权利要求1所述的一种面向康复护理机器人的基于用户生理状态的信任度评估方法，其特征在于：所述s3：对预处理好的数据进行特征提取其具体采用：
5.根据权利要求1所述的一种面向康复护理机器人的基于用户生理状态的信任度评估方法，其特征在于：所述s5：使用机器学习或者深度学习方法具体选用支持向量机、随机森林或者深度神经网络算法中的一种或者几种。
6.根据权利要求1所述的一种面向康复护理机器人的基于用户生理状态的信任度评估方法，其特征在于：所述s6：使用独立的测试集数据来评估所构建模型的性能和准确度中的独立的测试数据集来源于数据库：可以利用已有的公开数据集或者专门收集的康复护理相关数据集作为测试集，这些数据集包含来自不同用户的生理数据和对应的信任度标记；