CN113076347B - 移动终端上基于情绪的推送程序筛选***及筛选方法 - Google Patents
移动终端上基于情绪的推送程序筛选***及筛选方法 Download PDFInfo
- Publication number
- CN113076347B CN113076347B CN202110352266.2A CN202110352266A CN113076347B CN 113076347 B CN113076347 B CN 113076347B CN 202110352266 A CN202110352266 A CN 202110352266A CN 113076347 B CN113076347 B CN 113076347B
- Authority
- CN
- China
- Prior art keywords
- emotion
- program
- data
- basic data
- user
- 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.)
- Active
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000000747 cardiac effect Effects 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims description 37
- 230000002996 emotional effect Effects 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 25
- 230000008909 emotion recognition Effects 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 23
- 230000001537 neural effect Effects 0.000 claims description 22
- 230000002889 sympathetic effect Effects 0.000 claims description 21
- 210000005036 nerve Anatomy 0.000 claims description 20
- 210000005037 parasympathetic nerve Anatomy 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 13
- 230000037007 arousal Effects 0.000 claims description 12
- 230000005284 excitation Effects 0.000 claims description 10
- 238000011010 flushing procedure Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000003066 decision tree Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 230000003203 everyday effect Effects 0.000 description 5
- 230000036651 mood Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001734 parasympathetic effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种移动终端上基于情绪的推送程序筛选***及筛选方法，该***中通过心动电流测量设备实时采集使用者的心脏搏动间期，将采集到的信息输入到训练好的模型中，从而实时获得使用者的情绪状况，进而根据移动终端运行程序和情绪变化之间的关系判断使用者是否喜欢运行程序的内容类型，并对分析结果做标记并存储，为后续判断是否需要推送类似的程序内容类型提供数据基础，使得对推送程序的筛选结果更为合理准确。
Description
技术领域
本发明涉及个人移动终端上的筛选***，具体涉及一种移动终端上基于情绪的推送程序筛选***及筛选方法。
背景技术
个人移动终端如手机平板电脑等智能设备已经深深地融入到了人们的日常生活中，在中国，每天使用手机时长超过3小时的人数以亿计，现在主流的个人移动终端都支持自行安装程序即APP，目前市场中活跃的程序数量也及其庞大，很多程序能够为使用者提供各种各样的信息，比如新闻类程序，其内部即可为新闻信息标注分类标签，如内容类型、风格流派、内容时长、内容观点等信息，即该程序提供的内容具有多种类型，目前仅仅能根据使用者的使用习惯来推送经常浏览的同类型信息或程序，但使用者并不一定真的喜欢推送的信息或程序；而且推送的信息或程序还有可能是过时的滞后，例如一些购物程序，在使用者利用该程序搜索过某些商品后，会继续推送同类商品信息或者购物程序，这也是基于浏览习惯进行推送，但很多时候使用者已经在第一次搜索浏览是完成了购买，后续的推送就比较惹人厌恶，但***程序却并不自知，所以这种根据浏览记录进行信息推送方式还需要改进，目前的方案并不能确保使用者真正满意。
由于上述原因，本发明人对现有的移动终端及其上的推送程序筛选***及方法做了深入研究，以期待设计出一种能够解决上述问题的新的***及方法。
发明内容
为了克服上述问题，本发明人进行了锐意研究，设计出一种移动终端上基于情绪的推送程序筛选***及筛选方法，该***中通过心动电流测量设备实时采集使用者的心脏搏动间期，将采集到的信息输入到训练好的模型中，从而实时获得使用者的情绪状况，进而根据移动终端运行程序和情绪变化之间的关系判断使用者是否喜欢运行程序的内容类型，并对分析结果做标记并存储，为后续判断是否需要推送类似的程序内容类型提供数据基础，使得对推送程序的筛选结果更为合理准确，从而完成本发明。
具体来说，本发明的目的在于提供一种移动终端上基于情绪的推送程序筛选***，该***包括：
RRI采集模块1，其用于采集使用者的心脏搏动间期；
情绪识别模块2，其用于实时根据心脏搏动间期获得使用者的情绪状况；和
程序分析模块3，其用于根据使用者的情绪状况分析使用者喜欢或者不喜欢移动终端中运行的程序内容类型；为喜欢的程序内容类型添加肯定标记，为不喜欢的程序内容类型添加否定标记；
存储模块4，其用于存储一段时间内移动终端中运行的每个程序内容类型及其对应的标记；和
筛选模块5，其用于实时拦截移动终端内的推送程序，并实时根据拦截到的推送程序内容类型从存储模块4中调取相同程序内容类型的标签，进而选择继续拦截该推送程序或者放开对该推送程序的拦截。
其中，所述RRI采集模块1包括安装在移动终端背部外壳或外套上的心动电流测量设备。
其中，所述情绪状况包括情绪唤醒程度和情绪效价程度。
其中，在所述程序分析模块3中，在使用者打开程序时，记录该程序内容类型，并持续从情绪识别模块2中调取关注该程序运行过程中使用者的情绪状况，
当使用者的情绪唤醒值在使用时段不低于中等水平，并且使用者的情绪效价值呈上升趋势时，认为使用者喜欢该程序内容类型；
使用者的情绪效价值在使用时段呈持平或者降低趋势时认为使用者不喜欢该程序内容类型。
其中，在存储模块4中，对于任意一个程序内容类型，都能够存储有多个对应标记；
优选地，在筛选模块5中，调取一个程序内容类型对应的全部标记后，根据其中肯定标记与否定标记数量的差值大小选择继续拦截该推送程序或者放开对该推送程序的拦截。
本发明还提供一种移动终端上基于情绪的推送程序筛选方法，该方法包括如下步骤：
步骤a，通过安装在移动终端上的RRI采集模块1实时采集使用者的心脏搏动间期；
步骤b，通过情绪识别模块2实时根据心脏搏动间期获得使用者的情绪状况；
步骤c，通过程序分析模块3根据使用者的情绪状况分析使用者喜欢或者不喜欢移动终端中正在运行的程序内容类型；为喜欢的程序内容类型添加肯定标记，为不喜欢的程序内容类型添加否定标记；
步骤d，通过存储模块4存储一段时间内移动终端中运行的每个程序内容类型及其对应的标记；
步骤e，通过筛选模块5实时拦截移动终端内的推送程序，并实时根据拦截到的推送程序内容类型从存储模块4中调取相同程序内容类型的标记，进而选择继续拦截该推送程序或者放开对该推送程序的拦截。
其中，所述情绪识别模块2通过下述步骤获得：
步骤1，通过收集设备收集生理数据，所述生理数据包括心脏搏动间期，并将该生理数据转换为交感神经的活动指标和副交感神经的活动指标；
步骤2，设置情绪唤醒标签和情绪效价标签，在情绪唤醒标签中记录具体的情绪激越程度，在情绪效价标签中记录具体的情绪效价，将综合神经活动指标数据与情绪标签组合为基础数据；
步骤3，调整该基础数据的格式得到统一格式的基础数据，判断该统一格式的基础数据是否符合要求；
步骤4，从符合要求的统一格式的基础数据中选取可用数据；
步骤5，根据步骤4中的可用数据获得情绪识别模块。
其中，每个综合神经活动指标包扩下述数据中的一种或多种：交感神经的活动指标、副交感神经的活动指标、交感神经的活动指标与副交感神经的活动指标之商、交感神经的活动指标与副交感神经的活动指标之和、交感神经的活动指标与副交感神经的活动指标之差。
其中，步骤3中判断统一格式的基础数据是否符合要求包括如下子步骤：
子步骤1，将所有统一格式的基础数据随机地按照预定比例分学习组和检验组；
子步骤2，利用学习组中的数据冲刷模型，再用检验组中的每个数据逐一验证该模型，并分别记录检验组中每个数据的验证结果；
子步骤3，重复子步骤1和子步骤2，其中，曾经被分配到检验组中的统一格式的基础数据不再被分配到检验组中，确保每个统一格式的基础数据都曾在检验组中对被学习组中数据冲刷过的模型做过验证，直至获得所有统一格式的基础数据对应的验证结果；
子步骤4，解算所有统一格式的基础数据验证结果的总通过率，当总通过率大于75％时，所述统一格式的基础数据符合要求，否则删除所述统一格式的基础数据，重复步骤1和步骤2。
其中，步骤4中得到可用数据包括如下子步骤：
子步骤a，多次重复子步骤1-3，每次重复子步骤1时都得到由不同的统一格式的基础数据组成的检验组；使得每个统一格式的基础数据都对应有多个验证结果，再分别解算每个统一格式的基础数据对应的平均通过率；
子步骤b，找到并隐藏1例平均通过率最低的统一格式的基础数据，利用剩余的统一格式的基础数据再次执行子步骤1-4，观察总通过率相较于隐藏数据前是否提高，如果总通过率提高，则删除该被隐藏的统一格式的基础数据，并执行子步骤c；如果总通过率未提高，则恢复被隐藏的数据，挑选并隐藏平均通过率第二低的统一格式的基础数据，重复以上过程，直至总通过率提高；
子步骤c，在总通过率提高后，以剩余的统一格式的基础数据为基础，重复子步骤a和子步骤b，发现总通过率提高后再以当前剩余的统一格式的基础数据为基础，继续重复子步骤a和子步骤b，直至总通过率达到85％以上，或者删除的统一格式的基础数据达到总的统一格式的基础数据的15％时为止，此时剩余的统一格式的基础数据即为可用数据。
其中，在步骤c中，当使用者的情绪唤醒值在使用时段不低于中等水平，并且使用者的情绪效价值在使用时段呈上升趋势时，认为使用者喜欢该程序内容类型；
使用者的情绪效价值在使用时段呈持平或者降低趋势时，认为使用者不喜欢该程序内容类型。
本发明所具有的有益效果包括：
(1)根据本发明提供的移动终端上基于情绪的推送程序筛选***及筛选方法，能够实时获知握持移动终端的使用者的情绪状况，进而据此分析使用者对移动终端上运行程序的好恶，为后拦截推送程序提供数据基础；
(2)根据本发明提供的移动终端上基于情绪的推送程序筛选***及筛选方法，能够在使用者无感的情况下获得人体数据，并据此判断运行程序的好恶，持续筛选使用者喜欢的推送程序，提高使用者的使用体验。
附图说明
图1示出根据本发明一种优选实施方式的移动终端上基于情绪的推送程序筛选***整体结构逻辑图；
图2示出实施例中的心脏搏动间期示意图；
图3示出实施例中情绪唤醒程度示意图；
图4示出实施例中情绪效价示意图。
附图标号说明：
1-RRI采集模块
2-情绪识别模块
3-程序分析模块
4-存储模块
5-筛选模块
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
根据本发明提供的移动终端上基于情绪的推送程序筛选***，如图1中所示，该***包括RRI采集模块1、情绪识别模块2、程序分析模块3、存储模块4和筛选模块5。本申请中的移动终端可以为手机、掌上电脑等电子设备。
在一个优选的实施方式中，所述RRI采集模块1用于采集使用者的心脏搏动间期；
优选地，所述RRI采集模块1包括安装在移动终端背部外壳或外套上的心动电流测量设备或者光电容积脉搏描记器。优选地，所述RRI采集模块可以包括任意能够采集心脏搏动间期的设备，例如，该RRI采集模块1还可以包括设置在手机或平板电脑上的摄像头，通过摄像头捕获人体面部照片，寻找到面部无毛发部分作为检测区，即采用额头和面颊作为检测区，测算连续的图像照片中该区域的图像亮度变化，得到连续的数组，该数组即为描述人心跳活动的曲线，平均亮度较高时代表心脏舒张，即心电波谷，平均亮度较低时代表心脏收缩，即心电波峰；两个波峰之间的时间间隔即为心脏搏动间期。
当所述RRI采集模块1中包含多种获得心脏搏动间期的器件时，多种器件同时工作，彼此补充，尽量使得每个时刻都能够对应输出使用者的心脏搏动间期数据。当同一时刻有多个器件都输出有心脏搏动间期数据时，以可信度最高的器件输出的数据为准；在一段时间，如10分钟内，使用频率最高的器件，即用以输出心脏搏动间期数据最多的器件的数据是可信度最高的数据。
在一个优选的实施方式中，所述情绪识别模块2用于实时根据心脏搏动间期获得使用者的情绪状况；
优选地，所述情绪状况包括情绪唤醒程度和情绪效价程度，所述情绪识别模块2实时根据RRI采集模块获得的心脏搏动间期输出使用者的情绪唤醒程度值和情绪效价程度值。
在一个优选的实施方式中，所述程序分析模块3用于根据使用者的情绪状况分析使用者喜欢或者不喜欢移动终端中正在运行的程序内容类型，为喜欢的程序内容类型添加肯定标记，为不喜欢的程序内容类型添加否定标记；
优选地，在所述程序分析模块3中，在使用者打开新的程序时，记录该程序内容类型，并持续关注该程序运行过程中使用者的情绪状况，
当使用者的情绪唤醒值在使用时段不低于中等水平，并且使用者的情绪效价值在使用时段呈上升趋势时，记录使用者喜欢该程序内容类型；
使用者的情绪效价值在使用时段呈持平或者降低趋势时记录使用者不喜欢该程序内容类型。
优选地，当使用一个程序在前台运行时间较短时，如5s以下，则不考虑该程序，当一个程序在前台运行时间较长时，如2分钟以上，则将其运行时间截取为多个使用时段，如每2分钟为一个使用时段，对于5s至120s之间的使用时间，也称之为一个使用时段，每个使用时段都可以对应有一个标记。
本申请中，将所述情绪唤醒值分为三个等级，分别为低等水平、中等水平和高等水平，具体每个等级对应的数值与标签中设置的数值档位数量有关，将全部数值档位中较低的30％档位划归到低等水平，将全部数值档位中较高的30％档位划归到高等水平，中间剩余的40％档位划归到高等水平，例如标签中有10个档位时，对应的具体数值为1-10时，使用者的情绪状况对应的数值为1-3时，认为处于低等水平；对应的数值为4-7时，认为处于中等水平；对应的数值为8-10时，认为处于高等水平，据此分别为每个使用时段提供对应的情绪唤醒程度。
在所述程序分析模块运行的过程中，在使用者每使用完一个程序以后，调取在使用过程中的情绪效价值，进而分析每个使用时段内的情绪变化趋势。
具体来说，优选地，分别计算使用每个使用时段中前一半时间内的平均情绪效价值，再解算使用时段中后一半时间内的平均情绪效价值，从而比较出变化趋势；进一步优选地，当前后两个阶段的情绪效价值差值小于或等于标签极值的10％时，认为变化趋势为持平；从而为每个使用时段提供对应的情绪效价变化趋势。
优选地，所述程序内容的类型由程序种类决定，不同的程序，其内容种类也各不相同，如新闻类程序，其内容种类可以通过新闻类型设置，还可以依据内容时长、内容观点等信息进行设置，如网购类程序，其内容种类可以通过商品类型设置，还可以依据商品价格、商品送货时间等信息进行设置。
在一个优选的实施方式中，所述存储模块4用于存储一段时间内移动终端中运行的每个程序内容类型及其对应的标记。
优选地，所述一段时间优选为7～15天，即该存储模块中仅保留最近一段时间内的信息，实时用新的信息覆盖旧的信息，以使得本申请中的***及方法能够跟随使用者的兴趣变化进行及时调整，还能够降低存储压力，降低成本，另外，该时间覆盖的方法也能够自动适应移动终端更换使用者等特殊情况。
在所述存储模块4中，每个程序内容类型都对应有肯定标记及数量和否定标记及数量，在存储过程中，根据程序分析模块给出的标记指令，实时调整肯定标记或否定标记的数量。
在一个优选的实施方式中，在筛选模块5中，调取一个程序内容类型对应的全部标记后，即可获得该程序内容类型对应的肯定标记数量和否定标记数量；根据其中肯定标记与否定标记数量的差值大小选择继续拦截该推送程序或者放开对该推送程序的拦截。
优选地，在步骤5中，挑选出肯定标记数量大于否定标记数量的程序内容类型，记录该肯定标记数量与否定标记数量的差值，即为标记差值；
再集中调取一小段时间内，如3分钟，拦截的多个推送程序，对应的程序内容类型及标记差值，此处只考虑标记差值为正的情况，标记差值为负的对应的推送程序会被继续拦截；
按照标记差值从大到小的顺序对推送程序进行排序，按照该顺序，依次放开对前3～5个推送程序的拦截。
本发明还提供一种移动终端上基于情绪的推送程序筛选方法，该方法包括如下步骤：
步骤a，通过RRI采集模块1采集使用者的心脏搏动间期；
步骤b，通过情绪识别模块2实时根据心脏搏动间期获得使用者的情绪状况；
步骤c，通过程序分析模块3根据使用者的情绪状况分析使用者喜欢或者不喜欢移动终端中正在运行的程序内容类型；为喜欢的程序内容类型添加肯定标记，为不喜欢的程序内容类型添加否定标记；
步骤d，通过存储模块4存储一段时间内移动终端中运行的每个程序内容类型及其对应的标记；
步骤e，通过筛选模块5实时拦截移动终端内的推送程序，并实时根据拦截到的推送程序内容类型从存储模块4中调取相同程序内容类型的标记，进而选择继续拦截该推送程序或者放开对该推送程序的拦截。
在一个优选的实施方式中，所述情绪识别模块通过下述步骤获得：
步骤1，通过收集设备收集生理数据，所述生理数据包括心脏搏动间期，并将该生理数据转换为交感神经的活动指标和副交感神经的活动指标；所述心脏搏动间期也称之为R-R间期；
步骤2，设置情绪唤醒标签和情绪效价标签，在情绪唤醒标签中选择具体的情绪激越程度，在情绪效价标签中选择具体的情绪效价；
所述情绪标签包括情绪唤醒标签和情绪效价标签，在更优选的实施方式中，还包括特殊状态辅助标签；
步骤3，调整该基础数据的格式，得到统一格式的基础数据，判断该统一格式的基础数据是否符合要求；
步骤4，从符合要求的统一格式的基础数据中选取可用数据；
步骤5，根据步骤4中的可用数据获得情绪识别模块。
在获得情绪识别模块的基础上，将RRI采集模块采集到的心脏搏动间期信息输入到所述情绪识别模块中，可得到对应的情绪激越程度和情绪效价，即为所述情绪状况。
在一个优选的实施方式中，所述收集设备包括可穿戴手环和智能手表，优选地，还可以为上文所述的安装在移动终端背部外壳或外套上的心动电流测量设备。在通过收集设备收集到生理数据并记录标签数据时，可以将所有的数据都实时传输到远程服务器进行统计保存，也可以在该收集设备中集成存储芯片进行实时存储和计算处理。
在一个优选的实施方式中，在步骤1中，根据收集到的每个心脏搏动间期对应转换输出两组数据，分别为交感神经的活动指标和副交感神经的活动指标，从而使得本申请中的方案具有较细腻的时间颗粒度。
在步骤1中，两种神经共同影响心脏搏动且神经活动周期性相互的前摄影响最终构成了心率变异。
在一个优选的实施方式中，所述情绪唤醒标签中设置有多个能够代表情绪唤醒程度的数值，可以根据实际状况选择对应的数值，优选地，所述情绪唤醒标签中设置有5-10个数值档位，根据参与者的实际情况选择最为接近的数值档位。所述情绪唤醒标签中表征的是情绪唤醒程度，最低的数值代表完全平静，数值越大表示情绪越为激越。
所述情绪效价标签中设置有多个能够代表情绪效价的数值，可以根据实际状况选择对应的数值，优选地，所述情绪效价标签中设置有2-10个数值档位，根据参与者的实际情况选择最为接近的数值档位。所述情绪效价标签中表征情绪的积极及消极程度，最低的数值代表最为消极，数值越大表示情绪越积极。数值档位一致的两个情绪效价标签中的数据格式统一，数值档位一致的两个情绪唤醒标签中的数据格式统一。
优选地，所述情绪唤醒标签中采用标准化的情绪唤醒分数作为原始标签分数；
优选地，所述情绪效价标签中采用PANAS标准分作为原始标签分数，其中，积极情绪：均分29.7，标准差：7.9；消极情绪：均分14.8，标准差5.4。
进一步优选地，在情绪唤醒标签中和情绪效价标签中，都通过数值范围的正负1.96个标准差范围依照数据分布的频数分为10份。
优选地，在步骤2中，情绪标签包括情绪唤醒标签和情绪效价标签，该两个标签可以分别提供，也可以以坐标或者图表的形式同时提供。情绪唤醒标签用于记载情绪唤醒数据，情绪效价标签用于记载情绪效价数据。
优选地，在步骤2中，所述综合神经活动指标与交感神经的活动指标和副交感神经的活动指标相关，每个综合神经活动指标中都包含下述数据中的一种或多种：交感神经的活动指标、副交感神经的活动指标、交感神经的活动指标与副交感神经的活动指标之商、交感神经的活动指标与副交感神经的活动指标之和、交感神经的活动指标与副交感神经的活动指标之差等等。
本申请中，所述综合神经活动指标数据的采集频率较高，可以每分钟提供60-90甚至更多组该综合神经活动指标数据。
所述情绪标签的采集频率相对较低，可以每小时采集一次，或者每天采集2-5次。所以每个情绪标签数据对应有多个综合神经活动指标数据，将一个情绪标签数据和与之对应的多个综合神经活动指标数据组合在一起即可构成一个基础数据。其中，每个情绪标签数据都包含情绪唤醒数据和情绪效价数据。
在一个优选的实施方式中，所述情绪效价标签和情绪唤醒标签中的数值档位可能相同，也可能不同，在数据统计时会出现不匹配或者数据错位的问题，为此，在步骤3中，调整基础数据的格式主要包括调整情绪标签数据中的数值和数值档位；具体来说，首先设定标准数值档位数量，如设置为5个数值档位，则将调整基础数据中的数值档位调整为5个，再根据比例将基础数据中选择的档位数值调整为5个数值档位情况下的档位数值，遇到不能整除时向上取整。
在一个优选的实施方式中，步骤3中判断统一格式的基础数据是否符合要求包括如下子步骤：
子步骤1，将所有统一格式的基础数据随机地按照预定比例分成两组，即为学习组和检验组；优选地，所述比例可以为8～10:1，更优选地，学习组中数据数量与检验组中数据数量之比为10:1；
子步骤2，利用学习组中的数据冲刷模型，再用检验组中的每个数据逐一验证该模型，并分别记录检验组中每个数据的验证结果，优选地，所述验证结果包括验证通过和验证不通过；其中，验证通过是指将检验组中统一格式的基础数据的综合神经活动指标数据带入到模型中，得到的情绪标签数据与该基础数据中的情绪标签数据一致，即情绪激越程度和情绪效价都一致；验证不通过是指将检验组中基础数据的综合神经活动指标数据带入到模型中，得到的情绪标签数据与该基础数据中的情绪标签数据不一致，即情绪激越程度和/或情绪效价不一致；
子步骤3，多次重复上述子步骤1和子步骤2，其中，曾经被分配到检验组中的统一格式的基础数据不再被分配到检验组中，确保每个统一格式的基础数据都曾在检验组中对被学习组中数据冲刷过的模型做过验证，直至获得所有统一格式的基础数据对应的验证结果；
子步骤4，解算所有统一格式的基础数据验证结果的总通过率，所述总通过率为所有统一格式的基础数据的验证结果为验证通过的数量与所有统一格式的基础数据的数量之比；当总通过率不大于75％时，认为这些统一格式的基础数据不符合基本要求，全部放弃，重复步骤1和步骤2，重新获得新的基础数据；当子步骤4中结果即总通过率大于75％时，认为这些统一格式的基础数据满足使用要求，可以进行下一步处理。
在一个优选的实施方式中，步骤4中得到可用数据包括如下子步骤：
子步骤a，以梯度法针对每一个模型-参数组合剔除离群数据，筛选出高生态效用的模型。具体地，多次重复步骤3中的子步骤1-3，并且每次重复子步骤1时都得到一个由不同的统一格式的基础数据组成的检验组，即所有的检验组都是不同的；优选地，所述子步骤1-3重复8-10次，进而使得每个统一格式的基础数据都对应有多个验证结果，再分别解算每个统一格式的基础数据对应的平均通过率；所述统一格式的基础数据对应的平均通过率为该统一格式的基础数据对应的验证结果中验证通过的数量与该统一格式的基础数据对应的验证结果的总数量之比。
子步骤b，找到并隐藏1例平均通过率最低的统一格式的基础数据，当存在多例统一格式的基础数据的平均通过率一致且最低时，任意隐藏其中一例即可，被隐藏的数据，在被恢复以前，不再参与任何计算处理；找到并利用剩余的统一格式的基础数据再次执行子步骤1-4，观察总通过率相较于隐藏数据前是否提高，如果总通过率提高，则删除该被隐藏的统一格式的基础数据，并执行子步骤c；如果总通过率未提高，则恢复被隐藏的数据，挑选并隐藏平均通过率第二低的统一格式的基础数据，其中，如果存在多个统一格式的基础数据的平均通过率相同且最低的情况，此时可以再挑选其他命中率最低的统一格式的基础数据；重复以上过程，直至总通过率提高；
子步骤c，在总通过率提高后，以剩余的统一格式的基础数据为基础，重复子步骤a和子步骤b，发现总通过率提高后再以当前剩余的统一格式的基础数据为基础，继续重复子步骤a和子步骤b，直至总通过率达到85％以上，优选为90％以上；或者删除的统一格式的基础数据达到总的统一格式的基础数据的15％时为止，此时剩余的统一格式的基础数据即为可用数据。
优选地，所述子步骤2中的模型包括绝大多数有监督学***均值作为每次冲刷的输出值，即将3-4层结构的多层神经网络、C4.5决策树、XGBoost组合为最优选的模型，即高生态效用的模型。本申请中优选地，所述神经网络选择RBF神经网络。
在步骤5中，获得情绪识别模块的过程中，将每个可用数据中的综合神经活动指标数据与情绪唤醒数据拼接成一个数据段，作为学习材料，通过机器学习获得情绪识别模块；
将每个可用数据中的综合神经活动指标数据与情绪效价数据拼接成一个数据段，作为学习材料，通过机器学习获得情绪效价预测模型；所述预测模型包括所述情绪唤醒预测模型和情绪效价预测模型。
在一个优选的实施方式中，在步骤5中，情绪唤醒预测模型和情绪效价预测模型的学***均值。例如，针对一组数据，三个模型分别给出的输出结果为出一个是8，一个是20，一个是7，输出结果7和输出结果8彼此接近，则最终模型的输出结果7为，即7和8的平均值，并向下取整。
在一个优选实施方式中，在步骤1-5中，追踪收集1000名各年龄段的参与者，持续追踪2周至2个月，获得追踪数据。参与者的生理数据来自如智能手表等可穿戴设备及扫描传感器，评分数据来自于参与者每日的自评；生理数据采用每10分钟采集90秒数据的方式，24小时持续追踪；在情绪唤醒标签和情绪效价标签的评分数据方面要求参与者每天至少3次评估自己的激越程度和情绪效价。
在一个优选的实施方式中，将心脏搏动间期RRI转化为综合神经活动指标的交感神经输出和副交感神经输出的过程为：
利用拉盖尔函数递推式，令其因变量为最切近的一个RRI，令其自变量为8个拉盖尔递推式的分解项X，每一个分解项由一个未知系数G，一个可推断系数φ和一个RRI值组成，整体估计表达式如下式(一)中所示：
其中，S表示表示j的上限，即拉盖尔多项式的阶数，该阶数决定了利用过去多少个RRI拟合一个表达式，阶数越多，结果越准确，优选地使用9个；j表示正交拉盖尔离散时间函数的阶数；g(j,t)表示结合j阶拉盖尔多项式和t时间范围内RRI间期时间求得的系数矩阵，该系数矩阵中的系数为纳入的每个RRI的系数，目的是将多个RRI并入一个递推的拉盖尔多项式，用过往的RRI拟合最后一次RRI，令多个RRI形成一个递推关系；F(t)表示纳入计算的前后相邻心脏搏动间期序列中具体间期的位置序数；n表示从此次RRI开始，向前回溯的RRI的序号；RRF(t)-n表示任意一个RRI，通过拉盖尔多项式递推获得；表示j阶的正交拉盖尔离散时间函数，通过下式(二)获得；
α为常数，其取值为0.2；
从最切近的RRI算起，依照时间逆向取8个RRI作为以上的RRI代入求得RRI组合，组成RRI＝∑(i∈0-2)Xi+∑(i∈3-8)Xi。利用Kalman自回归求取8个未知系数G。代入∑(i∈0-2)NiGi和∑(i∈3-8)NiGi，分别代表综合神经活动指标中的交感与副交感神经输出值。与之配套的系数N分别使用常数39，10，-5，28，-17，6，12，6，-7，-6，-4。
在将综合神经活动指标分别带入到情绪唤醒预测模型和情绪效价预测模型中时，在两个模型中分别进行如下处理：
将综合神经活动指标分别代入用于预测情绪唤醒程度的情绪唤醒预测模型和用于预测情绪效价的情绪效价预测模型；其中，情绪唤醒预测模型包括3-4层结构的多层神经网络模型、C4.5决策树模型和XGBoost计算模块模型，该情绪唤醒预测模型接收到综合神经活动指标后，得到分别由3-4层结构的多层神经网络模型、C4.5决策树模型和XGBoost计算模块模型输出的值，在这三个输出值中挑选出2个较为接近的值，并求取该二个值的平均值，作为情绪唤醒模型的输出结果。情绪效价预测模型也包括3-4层结构的多层神经网络模型、C4.5决策树模型和XGBoost计算模块模型，该情绪效价预测模型接收到综合神经活动指标后，得到分别由3-4层结构的多层神经网络模型、C4.5决策树模型和XGBoost计算模块模型输出的值，在这三个输出值中挑选出2个较为接近的值，并求取该二个值的平均值，作为情绪效价预测模型的输出结果。
最后得到对应的情绪唤醒程度和情绪效价程度，即为情绪状况。
在一个优选的实施方式中，在步骤c中，通过程序分析模块3根据使用者的情绪状况分析使用者喜欢或者不喜欢移动终端中正在运行的程序内容类型，为喜欢的程序内容类型添加肯定标记，为不喜欢的程序内容类型添加否定标记；
优选地，在步骤c中，在使用者打开新的程序时，记录该程序内容类型，并持续关注该程序运行过程中使用者的情绪状况，
当使用者的情绪唤醒值在使用时段不低于中等水平，并且使用者的情绪效价值在使用时段呈上升趋势时，记录使用者喜欢该程序内容类型；
使用者的情绪效价值在使用时段呈持平或者降低趋势时记录使用者不喜欢该程序内容类型。
优选地，当使用一个程序在前台运行时间较短时，如5s以下，则不考虑该程序，当一个程序在前台运行时间较长时，如2分钟以上，则将其运行时间截取为多个使用时段，如每2分钟为一个使用时段，对于5s至120s之间的使用时间，也称之为一个使用时段，每个使用时段都可以对应有一个标记，对于长度介于120s～240s之间的运行程序，也将之归类到一个使用时段。
本申请中，将所述情绪唤醒值分为三个等级，分别为低等水平、中等水平和高等水平，具体每个等级对应的数值与标签中设置的数值档位数量有关，将全部数值档位中较低的30％档位划归到低等水平，将全部数值档位中较高的30％档位划归到高等水平，中间剩余的40％档位划归到高等水平，例如标签中有10个档位时，对应的具体数值为1-10时，使用者的情绪状况对应的数值为1-3时，认为处于低等水平；对应的数值为4-7时，认为处于中等水平；对应的数值为8-10时，认为处于高等水平，据此分别为每个使用时段提供对应的情绪唤醒程度。
在所述在步骤c中，在使用者每使用完一个程序以后，调取在使用过程中的情绪效价值，进而分析每个使用时段内的情绪变化趋势。
具体来说，优选地，分别计算使用每个使用时段中前一半时间内的平均情绪效价值，再解算使用时段中后一半时间内的平均情绪效价值，从而比较出变化趋势；进一步优选地，当前后两个阶段的情绪效价值差值小于或等于标签极值的10％时，认为变化趋势为持平；从而为每个使用时段提供对应的情绪效价变化趋势。
优选地，所述程序内容的类型由程序种类决定，不同的程序，其内容种类也各不相同，如新闻类程序，其内容种类可以通过新闻类型设置，还可以依据内容时长、内容观点等信息进行设置，如网购类程序，其内容种类可以通过商品类型设置，还可以依据商品价格、商品送货时间等信息进行设置。
在一个优选的实施方式中，在步骤d中，通过存储模块4存储一段时间内移动终端中运行的每个程序内容类型及其对应的标记。
优选地，所述一段时间优选为7～15天，即该存储模块中仅保留最近一段时间内的信息，实时用新的信息覆盖旧的信息，以使得本申请中的***及方法能够跟随使用者的兴趣变化进行及时调整，还能够降低存储压力，降低成本，另外，该时间覆盖的方法也能够自动适应移动终端更换使用者等特殊情况。
在所述存储模块4中，每个程序内容类型都对应有肯定标记及数量和否定标记及数量，在存储过程中，根据程序分析模块给出的标记指令，实时调整肯定标记或否定标记的数量。
在一个优选的实施方式中，在步骤e中，调取一个程序内容类型对应的全部标记后，即可获得该程序内容类型对应的肯定标记数量和否定标记数量；根据其中肯定标记与否定标记数量的差值大小选择继续拦截该推送程序或者放开对该推送程序的拦截。
优选地，在步骤e中，挑选出肯定标记数量大于否定标记数量的程序内容类型，记录该肯定标记数量与否定标记数量的差值，即为标记差值；
再集中调取一小段时间内，如1-3分钟，拦截的多个推送程序，对应的程序内容类型及标记差值，此处只考虑标记差值为正的情况，标记差值为负的对应的推送程序会被继续拦截；
按照标记差值从大到小的顺序对推送程序进行排序，按照该顺序，依次放开对前3～5个推送程序的拦截。
实施例
选择一个体验者手持移动终端10分钟，且在前7分钟内，该移动终端上运行3个程序，其运行内容和时间为：
| 内容 | 时间 |
| 新闻程序中时政新闻 | 100s |
| 游戏程序中竞技游戏 | 140s |
| 购物程序中书籍店铺 | 180s |
在该个人移动终端背部外壳上设置心动电流测量设备，在该个人移动终端中还设置有情绪识别模块、程序分析模块、存储模块和筛选模块；
其中，所述情绪识别模块的获得过程为：
选定100个参与者，对所有参与者进行为期35天的持续追踪，参与者都佩戴能够收集心脏搏动间期的智能手表，通过该智能手表每10分钟采集连续的90秒心脏搏动间期数据，将该心脏搏动间期数据转化为交感神经的活动指标和副交感神经的活动指标，另外，参与者都每天3次在情绪唤醒标签中记录情绪激越程度，在情绪效价标签中记录情绪效价，标签中都包括10个数值档位，其中，参与者每天上午记录其当天上午的平均情绪激越程度和情绪效价，每天下午记录其当天下午的平均情绪激越程度和情绪效价，每天晚上记录其当天晚上的平均情绪激越程度和情绪效价。
共得到503060条RRI数据，平均每条254个值，再将其转换为交感神经的活动指标和副交感神经的活动指标，同时通过收集挑选数据还得到10000条包含情绪唤醒标签和情绪效价标签的记录，将一个情绪标签数据和与之对应的多个综合神经活动指标数据组合成一个基础数据，共形成10000个基础数据。
将全部10000条基础数据随机分为10份，其中一份作为检验组，其他份作为学习组，通过学习组冲刷模型，再用检验组中的数据验证该模型，得到每个检验组数据的验证结果，再用其他份中的数据作为检验组，重复上述步骤，共重复循环10次，确保每个数据都曾分配到过检验组中，即每个数据都得到对应的验证结果，求得总通过率为77％，高于75％，可以进行下一步处理。
剔除该基础数据中的异常数据，即得到可用数据，具体来说，
求取平均通过率，将所有基础数据重新分成10份，其中一份作为检验组，其他份作为学***均通过率；
找到并隐藏1例平均通过率最低的基础数据，利用剩余9999条基础数据再次执行上述求取平均通过率和总通过率的过程，观察总通过率相较于隐藏数据前是否提高，如果总通过率提高，则删除该被隐藏的统一格式的基础数据；如果总通过率未提高，则恢复被隐藏的数据，挑选并隐藏平均通过率第二低的基础数据，重复上述求取总通过率的过程，直至总通过率提高；
在命中率有所上升后，删除隐藏数据，以剩余的基础数据为基础，继续执行上述求取平均通过率的过程，解算每个基础数据对应的平均通过率，寻找并隐藏平均通过率最低的数据，再在平均通过率最低的数据的基础上求取总通过率，持续重复上述剔除过程。
在命中率有所上升后，删除隐藏数据，以剩余的基础数据为基础，继续重复上述过程。在总通过率达到90％时剩余的数据都称之为可用数据。
根据可用数据获得情绪唤醒预测模型和情绪效价预测模型，具体来说，
利用可用数据冲刷4层结构的RBF神经网络得到RBF神经网络模型，利用可用数据冲刷C4.5决策树得到C4.5决策树模型，利用可用数据冲刷XGBoost计算模块得到XGBoost计算模块模型，该三个模型组合形成预测模型；当该预测模型接收到新综合神经活动指标时，将接收到的信息复制为3份，分别传输给RBF神经网络模型、C4.5决策树模型和XGBoost计算模块模型，该预测模型的输出值为三个模型给出的3个模型输出中2个较为接近的值的均值，从而得到情绪唤醒预测模型和情绪效价预测模型，即为所述情绪识别模块。
具体实施过程为：
通过电流测量设备实时探测得到体验者在前7分钟内的心脏搏动间期如图2中所示；图中，横坐标单位是秒，纵坐标表示心跳间期，单位为毫秒；
将探测得到的心脏搏动间期数据输入到情绪识别模块中，得到所述体验者在前7分钟内，情绪唤醒程度如图3中所示，情绪效价如图4中所示；
通过程序分析模块分析体验者喜欢或者不喜欢移动终端中正在运行的程序内容类型，结果如下：
并将上述结果实时存储在存储模块，存储模块中存储的信息为：
新闻程序中时政新闻，肯定标记数量0，否定标记数量1；
游戏程序中竞技游戏，肯定标记数量0，否定标记数量1；
购物程序中书籍店铺，肯定标记数量1，否定标记数量0。
在后3分钟内，移动终端中的推送程序包括：新闻程序中时政新闻、游戏程序中竞技游戏和购物程序中书籍店铺，这三个程序都首先被筛选模块拦截，筛选模块从存储模块中调取信息，仅有购物程序中书籍店铺这个推送程序能够获得标记差值，从而放开对购物程序中书籍店铺这个推送程序的拦截，移动终端中显示推送程序：购物程序中书籍店铺，体验者能够继续应用该程序。
体验者在完成对移动终端的10分钟试用后，填写评价表，评价后3分钟时的推送程序是否喜欢，该体验者的评价结果为喜欢。
进一步地邀请99位体验者，每位体验者都使用上述移动终端10分钟，在每次使用前，都清空移动终端的存储模块。
在100位体验者中，对前7分钟给出的三个程序都不喜欢的体验者共有16位，对前7分钟给出的三个程序都喜欢的体验者共有22位，
剩余的62位体验者喜欢前7分钟给出的三个程序中的一个或两个；提取出这62位体验者的最终评价结果，其中评价结果为喜欢的共55份，不喜欢的为5份，不确定的为2份，从而可知所述移动终端上基于情绪的推送程序筛选方法的准确率在88.7％以上。
以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。
Claims (7)
1.一种移动终端上基于情绪的推送程序筛选***，其特征在于，该***包括：
RRI采集模块（1），其用于采集使用者的心脏搏动间期；
情绪识别模块（2），其用于实时根据心脏搏动间期获得使用者的情绪状况；
程序分析模块（3），其用于根据使用者的情绪状况分析使用者喜欢或者不喜欢移动终端中运行的程序内容类型；为喜欢的程序内容类型添加肯定标记，为不喜欢的程序内容类型添加否定标记；
存储模块（4），其用于存储一段时间内移动终端中运行的每个程序内容类型及其对应的标记；和
筛选模块（5），其用于实时拦截移动终端内的推送程序，并实时根据拦截到的推送程序内容类型从存储模块（4）中调取相同程序内容类型的标签，进而选择继续拦截该推送程序或者放开对该推送程序的拦截；
所述RRI采集模块（1）包括安装在移动终端背部外壳或外套上的心动电流测量设备；
所述情绪状况包括情绪唤醒程度和情绪效价程度；
在所述程序分析模块（3）中，在使用者打开程序时，记录该程序内容类型，并持续从情绪识别模块（2）中调取该程序运行过程中使用者的情绪状况，将所述情绪唤醒值分为三个等级，分别为低等水平、中等水平和高等水平，具体每个等级对应的数值与标签中设置的数值档位数量有关，将全部数值档位中较低的30%档位划归到低等水平，将全部数值档位中较高的30%档位划归到高等水平，中间剩余的40%档位划归到高等水平；
在所述程序分析模块运行的过程中，在使用者每使用完一个程序以后，调取在使用过程中的情绪效价值，进而分析每个使用时段内的情绪变化趋势；
分别计算使用每个使用时段中前一半时间内的平均情绪效价值，再解算使用时段中后一半时间内的平均情绪效价值，从而比较出变化趋势；当前后两个阶段的情绪效价值差值小于或等于标签极值的10%时，认为变化趋势为持平；从而为每个使用时段提供对应的情绪效价变化趋势；当使用者的情绪唤醒值在使用时段不低于中等水平，并且使用者的情绪效价值呈上升趋势时，记录使用者喜欢该程序内容类型；
当使用者的情绪效价值在使用时段呈持平或者降低趋势时，记录使用者不喜欢该程序内容类型；
在存储模块（4）中，对于任意一个程序内容类型，都能够存储有多个对应标记；所述存储模块（4）用于存储一段时间内移动终端中运行的每个程序内容类型及其对应的标记；
所述一段时间为7~15天，即该存储模块中仅保留最近一段时间内的信息，实时用新的信息覆盖旧的信息；
在筛选模块（5）中，调取一个程序内容类型对应的全部标记后，根据其中肯定标记与否定标记数量的差值大小选择继续拦截该推送程序或者放开对该推送程序的拦截。
2.一种利用权利要求1所述的移动终端上基于情绪的推送程序筛选***对移动终端上的推送程序进行筛选方法，其特征在于，该方法包括如下步骤：
步骤a，通过安装在移动终端上的RRI采集模块（1）实时采集使用者的心脏搏动间期；
步骤b，通过情绪识别模块（2）实时根据心脏搏动间期获得使用者的情绪状况；
步骤c，通过程序分析模块（3）根据使用者的情绪状况分析使用者喜欢或者不喜欢移动终端中正在运行的程序内容类型；为喜欢的程序内容类型添加肯定标记，为不喜欢的程序内容类型添加否定标记；
步骤d，通过存储模块（4）存储一段时间内移动终端中运行的每个程序内容类型及其对应的标记；
步骤e，通过筛选模块（5）实时拦截移动终端内的推送程序，并实时根据拦截到的推送程序内容类型从存储模块（4）中调取相同程序内容类型的标记，进而选择继续拦截该推送程序或者放开对该推送程序的拦截。
3.根据权利要求2所述的移动终端上基于情绪的推送程序筛选方法，其特征在于，
所述情绪识别模块（2）通过下述步骤获得：
步骤1，通过收集设备收集生理数据，所述生理数据包括心脏搏动间期，并将该生理数据转换为交感神经的活动指标和副交感神经的活动指标；
步骤2，设置情绪唤醒标签和情绪效价标签，在情绪唤醒标签中记录具体的情绪激越程度，在情绪效价标签中记录具体的情绪效价，将综合神经活动指标数据与情绪标签组合为基础数据；
步骤3，调整该基础数据的格式得到统一格式的基础数据，判断该统一格式的基础数据是否符合要求；
步骤4，从符合要求的统一格式的基础数据中选取可用数据；
步骤5，根据步骤4中的可用数据获得情绪识别模块。
4.根据权利要求3所述的移动终端上基于情绪的推送程序筛选方法，其特征在于，
每个综合神经活动指标包扩下述数据中的一种或多种：交感神经的活动指标、副交感神经的活动指标、交感神经的活动指标与副交感神经的活动指标之商、交感神经的活动指标与副交感神经的活动指标之和、交感神经的活动指标与副交感神经的活动指标之差。
5.根据权利要求3所述的移动终端上基于情绪的推送程序筛选方法，其特征在于，
步骤3中判断统一格式的基础数据是否符合要求包括如下子步骤：
子步骤1，将所有统一格式的基础数据随机地按照预定比例分学习组和检验组；
子步骤2，利用学习组中的数据冲刷模型，再用检验组中的每个数据逐一验证该模型，并分别记录检验组中每个数据的验证结果；
子步骤3，重复子步骤1和子步骤2，其中，曾经被分配到检验组中的统一格式的基础数据不再被分配到检验组中，确保每个统一格式的基础数据都曾在检验组中对被学习组中数据冲刷过的模型做过验证，直至获得所有统一格式的基础数据对应的验证结果；
子步骤4，解算所有统一格式的基础数据验证结果的总通过率，当总通过率大于75%时，所述统一格式的基础数据符合要求，否则删除所述统一格式的基础数据，重复步骤1和步骤2。
6.根据权利要求3所述的移动终端上基于情绪的推送程序筛选方法，其特征在于，
步骤4中得到可用数据包括如下子步骤：
子步骤a，多次重复子步骤1-3，每次重复子步骤1时都得到由不同的统一格式的基础数据组成的检验组；使得每个统一格式的基础数据都对应有多个验证结果，再分别解算每个统一格式的基础数据对应的平均通过率；
子步骤b，找到并隐藏1例平均通过率最低的统一格式的基础数据，利用剩余的统一格式的基础数据再次执行子步骤1-4，观察总通过率相较于隐藏数据前是否提高，如果总通过率提高，则删除被隐藏的统一格式的基础数据，并执行子步骤c；如果总通过率未提高，则恢复被隐藏的数据，挑选并隐藏平均通过率第二低的统一格式的基础数据，重复以上过程，直至总通过率提高；
子步骤c，在总通过率提高后，以剩余的统一格式的基础数据为基础，重复子步骤a和子步骤b，发现总通过率提高后再以当前剩余的统一格式的基础数据为基础，继续重复子步骤a和子步骤b，直至总通过率达到85%以上，或者删除的统一格式的基础数据达到总的统一格式的基础数据的15%时为止，此时剩余的统一格式的基础数据即为可用数据。
7.根据权利要求2所述的移动终端上基于情绪的推送程序筛选方法，其特征在于，
在步骤c中，当使用者的情绪唤醒值在使用时段不低于中等水平，并且使用者的情绪效价值在使用时段呈上升趋势时，记录使用者喜欢该程序内容类型；
使用者的情绪效价值在使用时段呈持平或者降低趋势时，记录使用者不喜欢该程序内容类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110352266.2A CN113076347B (zh) | 2021-03-31 | 2021-03-31 | 移动终端上基于情绪的推送程序筛选***及筛选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110352266.2A CN113076347B (zh) | 2021-03-31 | 2021-03-31 | 移动终端上基于情绪的推送程序筛选***及筛选方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113076347A CN113076347A (zh) | 2021-07-06 |
| CN113076347B true CN113076347B (zh) | 2023-11-10 |
Family
ID=76614507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110352266.2A Active CN113076347B (zh) | 2021-03-31 | 2021-03-31 | 移动终端上基于情绪的推送程序筛选***及筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113076347B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115316991B (zh) * | 2022-01-06 | 2024-02-27 | 中国科学院心理研究所 | 一种激惹情绪的自适应识别预警方法 |
| CN115331781B (zh) * | 2022-01-06 | 2023-11-10 | 中国科学院心理研究所 | 一种基于心电信号和音乐的抑郁症治疗*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110037693A (zh) * | 2019-04-24 | 2019-07-23 | 中央民族大学 | 一种基于面部表情和eeg的情绪分类方法 |
| WO2019186346A1 (en) * | 2018-03-28 | 2019-10-03 | Gueye Mamadou Mande | Method and system for facilitating provisioning of social activity data to a mobile device based on user preferences |
| CN110311950A (zh) * | 2019-05-21 | 2019-10-08 | 平安科技（深圳）有限公司 | 信息推送方法、装置、设备和计算机可读存储介质 |
| CN110825968A (zh) * | 2019-11-04 | 2020-02-21 | 腾讯科技（深圳）有限公司 | 信息推送方法、装置、存储介质和计算机设备 |
| CN111134667A (zh) * | 2020-01-19 | 2020-05-12 | 中国人民解放军战略支援部队信息工程大学 | 基于脑电信号的时间迁移情绪识别方法及*** |
| WO2020125660A1 (zh) * | 2018-12-18 | 2020-06-25 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、设备及存储介质 |
| CN111466930A (zh) * | 2020-04-16 | 2020-07-31 | 江西科技学院 | 一种基于脑电信号的视听诱发情绪识别方法及*** |
| CN112383465A (zh) * | 2020-11-05 | 2021-02-19 | 王勇 | 网络聊天*** |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11064257B2 (en) * | 2011-11-07 | 2021-07-13 | Monet Networks, Inc. | System and method for segment relevance detection for digital content |
| US11769159B2 (en) * | 2017-11-13 | 2023-09-26 | Aloke Chaudhuri | System and method for human emotion and identity detection |
| WO2019180452A1 (en) * | 2018-03-21 | 2019-09-26 | Limbic Limited | Emotion data training method and system |
| US10931767B2 (en) * | 2018-07-23 | 2021-02-23 | International Business Machines Corporation | Prioritizing social media posts and recommending related actions |
-
2021
- 2021-03-31 CN CN202110352266.2A patent/CN113076347B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019186346A1 (en) * | 2018-03-28 | 2019-10-03 | Gueye Mamadou Mande | Method and system for facilitating provisioning of social activity data to a mobile device based on user preferences |
| WO2020125660A1 (zh) * | 2018-12-18 | 2020-06-25 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、设备及存储介质 |
| CN110037693A (zh) * | 2019-04-24 | 2019-07-23 | 中央民族大学 | 一种基于面部表情和eeg的情绪分类方法 |
| CN110311950A (zh) * | 2019-05-21 | 2019-10-08 | 平安科技（深圳）有限公司 | 信息推送方法、装置、设备和计算机可读存储介质 |
| CN110825968A (zh) * | 2019-11-04 | 2020-02-21 | 腾讯科技（深圳）有限公司 | 信息推送方法、装置、存储介质和计算机设备 |
| CN111134667A (zh) * | 2020-01-19 | 2020-05-12 | 中国人民解放军战略支援部队信息工程大学 | 基于脑电信号的时间迁移情绪识别方法及*** |
| CN111466930A (zh) * | 2020-04-16 | 2020-07-31 | 江西科技学院 | 一种基于脑电信号的视听诱发情绪识别方法及*** |
| CN112383465A (zh) * | 2020-11-05 | 2021-02-19 | 王勇 | 网络聊天*** |
Non-Patent Citations (5)
| Title |
|---|
| Biocueing and ambulatory biofeedback to enhance emotion regulation: A review of studies investigating non-psychiatric and psychiatric populations;Diego Garaialde 等;《International Journal of Human-Computer Studies》;1-15 * |
| Photoplethysmography based psychological stress detection with pulse rate variability feature differences and elastic net;Li, F.;《International Journal of Distributed Sensor Networks》;1-14 * |
| 城市休闲App情感体验研究——以风景类城市休闲App为例;刘玉云;《信息科技》;1-94 * |
| 心跳间期和皮肤电信号中的情感响应模式研究;杨照芳;《中国博士学位论文全文数据库》;F102-11 * |
| 陈明.《大数据技术概论》.北京：中国铁道出版社,2019,120-121. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113076347A (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghandeharioun et al. | Objective assessment of depressive symptoms with machine learning and wearable sensors data | |
| Fleureau et al. | Physiological-based affect event detector for entertainment video applications | |
| CN113076347B (zh) | 移动终端上基于情绪的推送程序筛选***及筛选方法 | |
| Dobbins et al. | Signal processing of multimodal mobile lifelogging data towards detecting stress in real-world driving | |
| CN103154953A (zh) | 测量具有上网功能的应用程序的情感数据 | |
| CN109285606A (zh) | 一种基于大数据智能算法的健康管理方法和*** | |
| CN111063437B (zh) | 一种个性化慢病分析*** | |
| CN110349671A (zh) | 体检数据处理方法、***、电子设备及存储介质 | |
| Singh et al. | A unified non-linear approach based on recurrence quantification analysis and approximate entropy: application to the classification of heart rate variability of age-stratified subjects | |
| Ni et al. | Deep multi-branch two-stage regression network for accurate energy expenditure estimation with ECG and IMU data | |
| Dham et al. | Mental stress detection using artificial intelligence models | |
| de Looff et al. | Wearables: an R package with accompanying shiny application for signal analysis of a wearable device targeted at clinicians and researchers | |
| Tazarv et al. | Active reinforcement learning for personalized stress monitoring in everyday settings | |
| Padmapritha | Prediction of Blood Glucose Level by using an LSTM based Recurrent Neural networks | |
| Sakri et al. | A multi-user multi-task model for stress monitoring from wearable sensors | |
| CN114098729B (zh) | 基于心脏间期的情绪状态客观测量方法 | |
| Rodrigues et al. | Semi-supervised and ensemble learning to predict work-related stress | |
| CN113081656B (zh) | 智能按摩椅及其控制方法 | |
| CN109858399A (zh) | 一种基于眼神注视的喜好判别方法及判别*** | |
| WO2022251350A1 (en) | Active hidden stressor identification and notification | |
| Basantani et al. | Emocure: utilising social media data and smartphones to predict and cure depression | |
| Ekiz et al. | Long short-term memory network based unobtrusive workload monitoring with consumer grade smartwatches | |
| Shi et al. | Sleep classification with artificial synthetic imaging data using convolutional neural networks | |
| CN114224348A (zh) | 组合神经网络心电图分类方法及*** | |
| Dalmeida et al. | Stress Classification of ECG-Derived HRV Features Extracted from Wearable Devices |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Zhengkui Inventor after: Li Fenghua Inventor before: Li Fenghua Inventor before: Liu Zhengkui |
|
| CB03 | Change of inventor or designer information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220311 Address after: 100101 courtyard 16, lincui Road, Chaoyang District, Beijing Applicant after: INSTITUTE OF PSYCHOLOGY, CHINESE ACADEMY OF SCIENCES Address before: 101400 3rd floor, 13 Yanqi street, Yanqi Economic Development Zone, Huairou District, Beijing Applicant before: Beijing JingZhan Information Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |