CN110717542A - 一种情绪识别方法、装置和设备 - Google Patents
一种情绪识别方法、装置和设备 Download PDFInfo
- Publication number
- CN110717542A CN110717542A CN201910968619.4A CN201910968619A CN110717542A CN 110717542 A CN110717542 A CN 110717542A CN 201910968619 A CN201910968619 A CN 201910968619A CN 110717542 A CN110717542 A CN 110717542A
- Authority
- CN
- China
- Prior art keywords
- emotion
- data
- preset
- motion
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008909 emotion recognition Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000008451 emotion Effects 0.000 claims abstract description 214
- 230000001419 dependent effect Effects 0.000 claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims description 101
- 230000006399 behavior Effects 0.000 claims description 34
- 230000002996 emotional effect Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 230000006698 induction Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000001939 inductive effect Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 description 9
- 210000000707 wrist Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 208000015592 Involuntary movements Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000017311 musculoskeletal movement, spinal reflex action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000021542 voluntary musculoskeletal movement Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Psychiatry (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
Abstract
本申请公开了一种情绪识别方法、装置和设备，待识别情绪人员佩戴运动手环进行电网作业，运动手环可采集到待识别情绪人员的实时运动数据，将实时运动数据输入到预置情绪预测模型中，预置情绪预测模型以运动数据为自变量，以情绪状态为因变量，输出与输入的运动数据对应的情绪状态预测结果，得到待识别情绪人员的情绪状态，对待识别情绪人员的情绪状态识别具有实时性，且不会影响到待识别情绪人员的工作效率，不会影响到待识别情绪人员的电力操作作业正常进行，解决了现有的电网工作人员的情绪状态识别方式时效性差，且可靠性低的技术问题。
Description
技术领域
本申请涉及情绪识别技术领域，尤其涉及一种情绪识别方法、装置和设备。
背景技术
随着电力***的发展，电网的规模越来越大，对电网的安全管理不仅仅是对各类电力设备的安全管理，还要对电网工作人员的工作安全进行管理。
情绪的波动会影响到电网工作人员在进行电力操作时的安全性，因此，及时得知电网工作人员的情绪状态有着必要性。目前对电网工作人员情绪状态的获取主要是依靠电网工作人员的自我报告，让电网工作人员自行报告自身当前的情绪状态，当电网工作人员的情绪状态存在工作安全隐患时，管理者采取相应的措施，避免发生安全事故。但是，如果电网工作人员在执行的电力作业时，中断当前的电力作业来报告情绪状态或者填写情绪问卷，不但时效性差，还会影响电网工作人员的工作效率，影响电力作业的顺利执行，容易带来电网运行安全和电网工作人员的安全问题，可靠性低。
发明内容
本申请提供了一种情绪识别方法、装置和设备，用于解决现有的电网工作人员的情绪状态识别方式时效性差，且可靠性低的技术问题。
本申请第一方面提供了一种情绪识别方法，包括：
获取运动手环采集到的待识别情绪人员的实时运动数据；
将所述实时运动数据预处理后输入到预置情绪预测模型进行情绪状态预测，所述预置情绪预测模型的自变量为运动数据，因变量为情绪状态；
输出所述预置情绪预测模型的预测结果，得到所述待识别情绪人员的情绪状态。
可选的，所述将所述实时运动数据预处理后输入到预置情绪预测模型进行情绪状态预测，之前还包括：
获取运动数据样本集和各运动数据样本与情绪状态的对应关系，所述运动数据样本集从运动情绪样本提供人员佩戴的运动手环中获取；
基于所述运动数据样本集和所述对应关系，对建立好的行为数据情绪识别模型进行训练，将训练好的所述行为数据情绪识别模型作为所述预置情绪预测模型。
可选的，所述基于所述运动数据样本集和所述对应关系，对建立好的行为数据情绪识别模型进行训练，将训练好的所述行为数据情绪识别模型作为所述预置情绪预测模型，包括：
基于所述运动数据样本集和所述对应关系，对建立好的行为数据情绪识别模型进行训练；
计算所述行为数据情绪识别模型输出的情绪预测结果与真实情绪结果之间的皮尔逊相关系数；
以所述皮尔逊相关系数满足预设值作为训练结束条件，将训练好的所述行为数据情绪识别模型作为所述预置情绪预测模型。
可选的，所述行为数据情绪识别模型为SVM分类模型。
可选的，所述获取运动数据样本集和各运动数据样本与情绪状态的对应关系，之前还包括：
基于预置情绪诱发方式诱发所述运动情绪样本提供人员的情绪；
获取所述运动情绪样本提供人员佩戴的运动手环采集到的预置时间内所述运动情绪样本提供人员在预置行走区域内正常行走状态的运动数据；
获取所述运动情绪样本提供人员在规定时间内完成的正负情绪量表；
建立运动数据样本集和各运动数据样本与情绪状态的对应关系。
可选的，所述预置情绪诱发方式包括视频诱发方式。
可选的，所述视频诱发方式为正面情绪视频诱发方式或负面情绪视频诱发方式。
本申请第二方面提供了一种情绪识别装置，包括：
获取模块，用于获取运动手环采集到的待识别情绪人员的实时运动数据；
预测模块，用于将所述实时运动数据预处理后输入到预置情绪预测模型进行情绪状态预测，所述预置情绪预测模型的自变量为运动数据，因变量为情绪状态；
输出模块，用于输出所述预置情绪预测模型的预测结果，得到所述待识别情绪人员的情绪状态。
可选的，还包括：
样本模块，用于获取运动数据样本集和各运动数据样本与情绪状态的对应关系，所述运动数据样本集从运动情绪样本提供人员佩戴的运动手环中获取；
训练模块，用于基于所述运动数据样本集和所述对应关系，对建立好的行为数据情绪识别模型进行训练，将训练好的所述行为数据情绪识别模型作为所述预置情绪预测模型。
本申请第三方面提供了一种情绪识别设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面所述的任意一种情绪识别方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请中提供的一种情绪识别方法，包括：获取运动手环采集到的待识别情绪人员的实时运动数据；将实时运动数据预处理后输入到预置情绪预测模型进行情绪状态预测，预置情绪预测模型的自变量为运动数据，因变量为情绪状态；输出预置情绪预测模型的预测结果，得到待识别情绪人员的情绪状态。本申请提供的情绪识别方法，待识别情绪人员佩戴运动手环进行电网作业，运动手环可采集到待识别情绪人员的实时运动数据，将实时运动数据输入到预置情绪预测模型中，预置情绪预测模型以运动数据为自变量，以情绪状态为因变量，输出与输入的运动数据对应的情绪状态预测结果，得到待识别情绪人员的情绪状态，对待识别情绪人员的情绪状态识别具有实时性，且不会影响到待识别情绪人员的工作效率，不会影响到待识别情绪人员的电力操作作业正常进行，解决了现有的电网工作人员的情绪状态识别方式时效性差，且可靠性低的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例中提供的一种情绪识别方法的一个流程示意图；
图2为本申请实施例中提供的一种情绪识别方法的另一个流程示意图；
图3为本申请实施例中提供的一种情绪识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅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做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。
为了便于理解，请参阅图1，本申请中提供了一种情绪识别方法的实施例，包括：
步骤101、获取运动手环采集到的待识别情绪人员的实时运动数据。
步骤102、将实时运动数据预处理后输入到预置情绪预测模型进行情绪状态预测，预置情绪预测模型的自变量为运动数据，因变量为情绪状态。
步骤103、输出预置情绪预测模型的预测结果，得到待识别情绪人员的情绪状态。
需要说明的是，本申请实施例中，运动手环内置智能芯片，可以记录佩戴者佩戴部位(一般佩戴在手腕，紧贴手腕，防止松动)的实时运动数据，配合预置情绪预测模型，实现对电网工作人员(对应本申请实施例中的待识别情绪人员)的情绪状态的实时识别。待识别情绪人员佩戴运动手环进入电力作业环境工作，运动手环处于工作状态，实时采集待识别情绪人员的实时运动数据，因此，从运动手环可以获取到待识别情绪人员的实时运动数据，然后将实时运动数据预处理后输入到预置情绪预测模型进行情绪状态预测，预置情绪预测模型的自变量为运动数据，因变量为情绪状态，预置情绪预测模型属于机器学习模型，自变量与因变量之间存在映射关系，因此，向预置情绪预测模型输入运动数据，可获得输出的情绪状态预测结果。
本申请实施例中提供的情绪识别方法，待识别情绪人员佩戴运动手环进行电网作业，运动手环可采集到待识别情绪人员的实时运动数据，将实时运动数据输入到预置情绪预测模型中，预置情绪预测模型以运动数据为自变量，以情绪状态为因变量，输出与输入的运动数据对应的情绪状态预测结果，得到待识别情绪人员的情绪状态，对待识别情绪人员的情绪状态识别具有实时性，且不会影响到待识别情绪人员的工作效率，不会影响到待识别情绪人员的电力操作作业正常进行，解决了现有的电网工作人员的情绪状态识别方式时效性差，且可靠性低的技术问题。
为了便于理解，请参阅图2，本申请提供了一种情绪识别的另一个实施例，包括：
步骤201、基于预置情绪诱发方式诱发运动情绪样本提供人员的情绪。
步骤202、获取运动情绪样本提供人员佩戴的运动手环采集到的预置时间内运动情绪样本提供人员在预置行走区域内正常行走状态的运动数据。
步骤203、获取运动情绪样本提供人员在规定时间内完成的正负情绪量表。
步骤204、建立运动数据样本集和各运动数据样本与情绪状态的对应关系。
需要说明的是，通过待识别情绪人员的运动数据来预测情绪状态，需要建立运动数据与情绪状态的对应关系，运动数据可以是运动加速度数据。本申请实施例中，首先诱发运动情绪样本提供人员的情绪，包括正面情绪和负面情绪，单次仅诱发一种情绪，即单次诱发正面情绪或单次诱发负面情绪，为保证情绪识别的全面性和可靠性，正面情绪和负面情绪还可以按等级划分，划分正面情绪的严重程度和负面情绪的严重程度。在诱发情绪的工作完成后，让运动情绪样本提供人员佩戴的运动手环，按照制定的规则要求进行正常行走，获取预置时间内运动手环采集到的运动数据。并在预置时间结束后，运动情绪样本提供人员在规定时间内真实准确的完成正负情绪量表(PANAS,The Positive and NegativeAffect Scale)的填写。
步骤205、获取运动数据样本集和各运动数据样本与情绪状态的对应关系。
步骤206、基于运动数据样本集和对应关系，对建立好的行为数据情绪识别模型进行训练，将训练好的行为数据情绪识别模型作为预置情绪预测模型。
需要说明的是，在得到运动数据样本集和各运动数据样本与情绪状态的对应关系之后，需要对建立好的行为数据情绪识别模型进行训练，计算行为数据情绪识别模型输出的情绪预测结果与真实情绪结果之间的皮尔逊相关系数。皮尔逊相关系数的变化范围为-1到1。系数的值为1意味着X和Y可以很好的由直线方程来描述，所有的数据点都很好的落在一条直线上，且Y随着X的增加而增加；系数的值为-1意味着所有的数据点都落在直线上，且Y随着X的增加而减少；系数的值为0意味着两个变量之间没有线性关系。以皮尔逊相关系数满足预设值作为训练结束条件，将训练好的行为数据情绪识别模型作为预置情绪预测模型。
步骤207、获取运动手环采集到的待识别情绪人员的实时运动数据。
步骤208、将实时运动数据预处理后输入到预置情绪预测模型进行情绪状态预测，预置情绪预测模型的自变量为运动数据，因变量为情绪状态。
步骤209、输出预置情绪预测模型的预测结果，得到待识别情绪人员的情绪状态。
需要说明的是，本申请实施例中的步骤207-步骤209与上一实施例中的步骤101-步骤103一致。
预置情绪预测模型的建立过程可以表述为：对运动数据进行数据切分，得到关键点数据；对关键点数据进行数据去噪处理；对关键点数据进行特征提取和特征降维；利用降维后的关键点数据去训练行为数据情绪识别模型，得到预置情绪预测模型。
利用运动手环采集的加速度数据在时域中呈现出数据流的形式，一般都比较长，不适合对原始数据进行特征提取和选择。由于走路是一个不断重复的运动，因此可截取中间段(即数据切分)进行数据分析。5秒内的加速度数据作为后续的分析数据，这样可以将长度不一的数据规范到相同的长度，方便处理，且提高运算的效率。
在运动过程中人体除了能够有意识的控制而产生的随意运动外，还会有非随意运动的出现。而这些人体无法控制的非随意运动会使得记录的数据中带有噪声。为了提取更精确的运动特征，保证模型的精度，需要对原始信号进行预处理，主要的工作是对信号去噪。由于采集的人体的行为数据都是属于低频数据，因此可以采用低通滤波的方法对原始低频信号去噪。均值滤波是一种常用的信号滤波去噪方法，该方法运算简单，对高斯噪声具有良好的去噪能力。算法中用局部窗口内各信号的的算术平均值替代中心信号的值，即g(x，y)＝1/m∑f(x，y)，m为该模板中包含当前像素在内的像素总个数。
运动手环可采集到佩戴位置的三轴加速度数据(X,Y,Z)。针对每个坐标轴的数据，分别提取时域特征和频域特征。时域特征展示了信号数据在时间维度上的特性。频域特征代表了信号在频域的特点。时域特征也称作信号的统计特征，代表了数据在时间维度上的特性，这类特征直接由时域数据计算而来，计算量较小，过程简单。在时域特征中，主要提取的特征有算术和、均值、极值、方差、标准差、偏度、峰度、两轴间的相关系数共10维特征。频域特征是从频域的角度反映信号的特性，代表信号的频域特点。在对信号进行频域特征提取之前首先要先将信号从时域转换到频域，常用的方法为快速傅里叶变换(Fast FourierTransform，FFT)，然后在进行相关特征的计算。提取傅里叶变换后的前5个幅值为特征。针对一个样本，共可提取39维特征。
本申请实施例中提供的情绪识别方法是一种基于机器学习的方法，建立手腕部运动加速度与情绪状态的预置情绪预测模型，可以采用支持向量回归算法，使用SVM分类模型。为了训练这样的模型，首先可以首先招募一些被试者(即本申请实施例中的运动情绪样本提供人员)，测量运动情绪样本提供人员稳定状态的情绪值，然后让运动情绪样本提供人员佩戴运动手环自然走动一段时间，通过数据采集设备获取这段时间内的运动加速度数据；然后，通过视频诱发运动情绪样本提供人员的正性和负性情绪并记录不同情绪下的运动加速度数据。将不同情绪作为标注，从记录的运动加速度数据提取时序特征作为自变量，对应的情绪作为因变量，调用机器学习算法，训练预测模型。在得到预测模型之后，针对新的运动加速度数据，就可以利用训练得到的模型实现对情绪的自动识别。
对于本申请实施例中的运动情绪样本提供人员的情绪状态的获取和运动数据的获取，可以使用正负情绪量表(PANAS)测量工作人员的情绪状态，量表的题目分为正面情绪和负面情绪两个维度，全部正向计分，完成后将相同维度的题目得分相加，即可得到在正面情绪与负面情绪上的情绪值。运动数据的获取过程中，具体的行为数据采集方案可以是：
场地要求：
规定区域为明亮的室内空间，空间长度不少于7m，宽度不少于3m。
数据采集要求：
要求被试将运动手环佩戴在右手手腕处，尽量保证手环紧贴腕部，不会有明显的晃动，在正式实验开始前能够稳定的接收到运动手环测得的数据。
设备要求：
一套手环，一台移动终端接收运动手环传输的数据。
为了便于理解，请参阅图3，本申请中提供一种情绪识别装置，包括：
获取模块301，用于获取运动手环采集到的待识别情绪人员的实时运动数据。
预测模块302，用于将实时运动数据预处理后输入到预置情绪预测模型进行情绪状态预测，预置情绪预测模型的自变量为运动数据，因变量为情绪状态。
输出模块303，用于输出预置情绪预测模型的预测结果，得到待识别情绪人员的情绪状态。
作为改进，还可以包括：
样本模块304，用于获取运动数据样本集和各运动数据样本与情绪状态的对应关系，所述运动数据样本集从运动情绪样本提供人员佩戴的运动手环中获取；
训练模块305，用于基于运动数据样本集和对应关系，对建立好的行为数据情绪识别模型进行训练，将训练好的行为数据情绪识别模型作为预置情绪预测模型。
训练模块305具体用于：
基于运动数据样本集和对应关系，对建立好的行为数据情绪识别模型进行训练；
计算行为数据情绪识别模型输出的情绪预测结果与真实情绪结果之间的皮尔逊相关系数；
以皮尔逊相关系数满足预设值作为训练结束条件，将训练好的行为数据情绪识别模型作为预置情绪预测模型。
还可以包括：预处理模块300，预处理模块300用于：
基于预置情绪诱发方式诱发运动情绪样本提供人员的情绪；
获取运动情绪样本提供人员佩戴的运动手环采集到的预置时间内运动情绪样本提供人员在预置行走区域内正常行走状态的运动数据；
获取运动情绪样本提供人员在规定时间内完成的正负情绪量表；
建立运动数据样本集和各运动数据样本与情绪状态的对应关系。
本申请中提供了一种情绪识别设备的实施例，所述设备包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前述的情绪识别方法实施例中的基于情绪识别方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种情绪识别方法，其特征在于，包括：
获取运动手环采集到的待识别情绪人员的实时运动数据；
将所述实时运动数据预处理后输入到预置情绪预测模型进行情绪状态预测，所述预置情绪预测模型的自变量为运动数据，因变量为情绪状态；
输出所述预置情绪预测模型的预测结果，得到所述待识别情绪人员的情绪状态。
2.根据权利要求1所述的情绪识别方法，其特征在于，所述将所述实时运动数据预处理后输入到预置情绪预测模型进行情绪状态预测，之前还包括：
获取运动数据样本集和各运动数据样本与情绪状态的对应关系，所述运动数据样本集从运动情绪样本提供人员佩戴的运动手环中获取；
基于所述运动数据样本集和所述对应关系，对建立好的行为数据情绪识别模型进行训练，将训练好的所述行为数据情绪识别模型作为所述预置情绪预测模型。
3.根据权利要求2所述的情绪识别方法，其特征在于，所述基于所述运动数据样本集和所述对应关系，对建立好的行为数据情绪识别模型进行训练，将训练好的所述行为数据情绪识别模型作为所述预置情绪预测模型，包括：
基于所述运动数据样本集和所述对应关系，对建立好的行为数据情绪识别模型进行训练；
计算所述行为数据情绪识别模型输出的情绪预测结果与真实情绪结果之间的皮尔逊相关系数；
以所述皮尔逊相关系数满足预设值作为训练结束条件，将训练好的所述行为数据情绪识别模型作为所述预置情绪预测模型。
4.根据权利要求2所述的情绪识别方法，其特征在于，所述行为数据情绪识别模型为SVM分类模型。
5.根据权利要求2所述的情绪识别方法，其特征在于，所述获取运动数据样本集和各运动数据样本与情绪状态的对应关系，之前还包括：
基于预置情绪诱发方式诱发所述运动情绪样本提供人员的情绪；
获取所述运动情绪样本提供人员佩戴的运动手环采集到的预置时间内所述运动情绪样本提供人员在预置行走区域内正常行走状态的运动数据；
获取所述运动情绪样本提供人员在规定时间内完成的正负情绪量表；
建立运动数据样本集和各运动数据样本与情绪状态的对应关系。
6.根据权利要求5所述的情绪识别方法，其特征在于，所述预置情绪诱发方式包括视频诱发方式。
7.根据权利要求6所述的情绪识别方法，其特征在于，所述视频诱发方式为正面情绪视频诱发方式或负面情绪视频诱发方式。
8.一种情绪识别装置，其特征在于，包括：
获取模块，用于获取运动手环采集到的待识别情绪人员的实时运动数据；
预测模块，用于将所述实时运动数据预处理后输入到预置情绪预测模型进行情绪状态预测，所述预置情绪预测模型的自变量为运动数据，因变量为情绪状态；
输出模块，用于输出所述预置情绪预测模型的预测结果，得到所述待识别情绪人员的情绪状态。
9.根据权利要求8所述的情绪识别装置，其特征在于，还包括：
样本模块，用于获取运动数据样本集和各运动数据样本与情绪状态的对应关系，所述运动数据样本集从运动情绪样本提供人员佩戴的运动手环中获取；
训练模块，用于基于所述运动数据样本集和所述对应关系，对建立好的行为数据情绪识别模型进行训练，将训练好的所述行为数据情绪识别模型作为所述预置情绪预测模型。
10.一种情绪识别设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的情绪识别方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910968619.4A CN110717542A (zh) | 2019-10-12 | 2019-10-12 | 一种情绪识别方法、装置和设备 |
| PCT/CN2020/118357 WO2021068783A1 (zh) | 2019-10-12 | 2020-09-28 | 一种情绪识别方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910968619.4A CN110717542A (zh) | 2019-10-12 | 2019-10-12 | 一种情绪识别方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110717542A true CN110717542A (zh) | 2020-01-21 |
Family
ID=69212577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910968619.4A Pending CN110717542A (zh) | 2019-10-12 | 2019-10-12 | 一种情绪识别方法、装置和设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110717542A (zh) |
| WO (1) | WO2021068783A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111958618A (zh) * | 2020-08-31 | 2020-11-20 | 曹栋杰 | 主动式急停方法 |
| CN112472088A (zh) * | 2020-10-22 | 2021-03-12 | 深圳大学 | 一种情绪状态评定方法、装置、智能终端及存储介质 |
| CN112515675A (zh) * | 2020-12-14 | 2021-03-19 | 西安理工大学 | 一种基于智能可穿戴设备的情绪分析方法 |
| WO2021068783A1 (zh) * | 2019-10-12 | 2021-04-15 | 广东电网有限责任公司电力科学研究院 | 一种情绪识别方法、装置和设备 |
| CN112906399A (zh) * | 2021-02-20 | 2021-06-04 | 北京百度网讯科技有限公司 | 确定情绪状态的方法、装置、设备和存储介质 |
| CN116725538A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市昊岳科技有限公司 | 一种基于深度学习的手环情绪识别方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780341B (zh) * | 2021-08-04 | 2024-02-06 | 华中科技大学 | 一种多维度情绪识别方法及*** |
| CN114743261B (zh) * | 2022-03-22 | 2024-06-21 | 天津大学 | 一种基于运动姿态伪能量模型的自动情绪识别方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知*** |
| CN109620262A (zh) * | 2018-12-12 | 2019-04-16 | 华南理工大学 | 一种基于可穿戴手环的情绪识别***及方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140365272A1 (en) * | 2013-06-07 | 2014-12-11 | Bby Solutions, Inc. | Product display with emotion prediction analytics |
| CN103690165B (zh) * | 2013-12-12 | 2015-04-29 | 天津大学 | 一种跨诱发模式情绪脑电识别建模方法 |
| CN105894039A (zh) * | 2016-04-25 | 2016-08-24 | 京东方科技集团股份有限公司 | 情绪识别模型建立方法、情绪识别方法及装置、智能设备 |
| CN106295568B (zh) * | 2016-08-11 | 2019-10-18 | 上海电力学院 | 基于表情和行为双模态结合的人类自然状态情感识别方法 |
| CN106778575A (zh) * | 2016-12-06 | 2017-05-31 | 山东瀚岳智能科技股份有限公司 | 一种基于可穿戴设备的学生学习状态的识别方法与*** |
| CN110717542A (zh) * | 2019-10-12 | 2020-01-21 | 广东电网有限责任公司 | 一种情绪识别方法、装置和设备 |
-
2019
- 2019-10-12 CN CN201910968619.4A patent/CN110717542A/zh active Pending
-
2020
- 2020-09-28 WO PCT/CN2020/118357 patent/WO2021068783A1/zh active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220591A (zh) * | 2017-04-28 | 2017-09-29 | 哈尔滨工业大学深圳研究生院 | 多模态智能情绪感知*** |
| CN109620262A (zh) * | 2018-12-12 | 2019-04-16 | 华南理工大学 | 一种基于可穿戴手环的情绪识别***及方法 |
Non-Patent Citations (5)
| Title |
|---|
| LIQING CUI，ET AL.: "Identifying Emotion from Natural Walking", 《ARXIV》 * |
| 俞勇: "《人工智能技术入门让你也看懂的AI"内幕"》", 30 September 2019, 上海科技教育出版社 * |
| 崔莉庆，等.: "移动可穿戴设备的数据挖掘——步态中的情绪识别", 《第十八届全国心理学学术会议》 * |
| 张瞻，等.: "利用可穿戴及体感技术实现用户情绪识别", 《第19届心理学大会摘要集（会后版）》 * |
| 心理研究所: "心理所研究初探基于自然步态的情绪识别", 《中国科学院：HTTPS://WWW.CAS.CN/SYKY/201511/T20151104_4453866.SHTML》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021068783A1 (zh) * | 2019-10-12 | 2021-04-15 | 广东电网有限责任公司电力科学研究院 | 一种情绪识别方法、装置和设备 |
| CN111958618A (zh) * | 2020-08-31 | 2020-11-20 | 曹栋杰 | 主动式急停方法 |
| CN112472088A (zh) * | 2020-10-22 | 2021-03-12 | 深圳大学 | 一种情绪状态评定方法、装置、智能终端及存储介质 |
| CN112472088B (zh) * | 2020-10-22 | 2022-11-29 | 深圳大学 | 一种情绪状态评定方法、装置、智能终端及存储介质 |
| CN112515675A (zh) * | 2020-12-14 | 2021-03-19 | 西安理工大学 | 一种基于智能可穿戴设备的情绪分析方法 |
| CN112515675B (zh) * | 2020-12-14 | 2022-05-27 | 西安理工大学 | 一种基于智能可穿戴设备的情绪分析方法 |
| CN112906399A (zh) * | 2021-02-20 | 2021-06-04 | 北京百度网讯科技有限公司 | 确定情绪状态的方法、装置、设备和存储介质 |
| CN112906399B (zh) * | 2021-02-20 | 2023-11-10 | 北京百度网讯科技有限公司 | 确定情绪状态的方法、装置、设备和存储介质 |
| CN116725538A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市昊岳科技有限公司 | 一种基于深度学习的手环情绪识别方法 |
| CN116725538B (zh) * | 2023-08-11 | 2023-10-27 | 深圳市昊岳科技有限公司 | 一种基于深度学习的手环情绪识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021068783A1 (zh) | 2021-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110717542A (zh) | 一种情绪识别方法、装置和设备 | |
| WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
| CN103544554B (zh) | 在核电站中评估操作人员的程序遵从度的***以及方法 | |
| CN108573227A (zh) | 心电图数据质量评价方法及装置 | |
| CN113822366A (zh) | 业务指标异常检测方法及装置、电子设备、存储介质 | |
| CN114947886B (zh) | 一种基于异步脑机接口的符号数字转换测试方法及*** | |
| CN111669368B (zh) | 端到端网络感知异常检测及分析方法、***、装置和介质 | |
| CN111128369A (zh) | 一种用于评估患者的帕金森病情的方法和装置 | |
| CN116311539A (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
| CN113827240B (zh) | 情绪分类方法和情绪分类模型的训练方法、装置及设备 | |
| CN112801940B (zh) | 模型评测方法、装置、设备及介质 | |
| CN112613425B (zh) | 一种面向小样本水下图像的目标识别*** | |
| CN117158955A (zh) | 基于可佩戴监测设备的用户安全智能监测方法 | |
| CN117643461A (zh) | 基于人工智能的心率智能监测***及方法 | |
| CN112036328A (zh) | 银行客户满意度计算方法及装置 | |
| CN117496389A (zh) | 一种适用于Android设备的手卫生实时检测方法 | |
| CN116747495A (zh) | 一种动作计数方法、装置、终端设备及可读存储介质 | |
| CN116363751A (zh) | 电力登塔作业攀爬动作识别方法、装置、设备及存储介质 | |
| CN112200462B (zh) | 风险评估方法及装置 | |
| WO2022121886A1 (zh) | 一种电力作业着装规范识别方法和装置 | |
| CN114429676A (zh) | 一种医疗机构消毒供应室人员身份与行为识别*** | |
| EP4167128A1 (en) | Signal analysis method and system based on model for acquiring and identifying noise panoramic distribution | |
| CN114764580A (zh) | 一种基于无穿戴设备的实时人体手势识别方法 | |
| CN113449923A (zh) | 一种多模型标的物行情预测方法和装置 | |
| CN113408669B (zh) | 图像的确定方法、装置、存储介质及电子装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200121 |
|
| RJ01 | Rejection of invention patent application after publication |