CN116631583A - 基于物联网大数据的心理疏导方法、装置以及服务器 - Google Patents
基于物联网大数据的心理疏导方法、装置以及服务器 Download PDFInfo
- Publication number
- CN116631583A CN116631583A CN202310619534.1A CN202310619534A CN116631583A CN 116631583 A CN116631583 A CN 116631583A CN 202310619534 A CN202310619534 A CN 202310619534A CN 116631583 A CN116631583 A CN 116631583A
- Authority
- CN
- China
- Prior art keywords
- emotion
- image
- vector
- text
- emotion vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000006185 dispersion Substances 0.000 title claims abstract description 12
- 230000008451 emotion Effects 0.000 claims abstract description 261
- 239000013598 vector Substances 0.000 claims abstract description 219
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000003370 grooming effect Effects 0.000 claims abstract description 17
- 230000005236 sound signal Effects 0.000 claims abstract description 10
- 238000011176 pooling Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 9
- 108091006146 Channels Proteins 0.000 description 7
- 230000008921 facial expression Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013604 expression vector Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009323 psychological health Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 102100022094 Acid-sensing ion channel 2 Human genes 0.000 description 1
- 101000901079 Homo sapiens Acid-sensing ion channel 2 Proteins 0.000 description 1
- QLDHWVVRQCGZLE-UHFFFAOYSA-N acetyl cyanide Chemical compound CC(=O)C#N QLDHWVVRQCGZLE-UHFFFAOYSA-N 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Social Psychology (AREA)
- Pathology (AREA)
- Machine Translation (AREA)
Abstract
本申请适用于语音处理技术领域,提供了一种基于物联网大数据的心理疏导方法、装置以及服务器,该方法包括:获取用户的文本情感向量;获取用户的图像情感向量;融合文本情感向量和图像情感向量,得到多模态情感向量;将多模态情感向量输入至预先训练的情感解码器中,得到情感标签;查询情感标签对应的情感反馈句式,播放情感反馈句式对应的声音信号至用户。可见,本申请实施例可以主动识别出儿童的情感标签,并根据情感标签生成对应的情感反馈句式,从而达到为儿童及时进行心理疏导的目的。
Description
技术领域
本申请属于语音处理技术领域,尤其涉及一种基于物联网大数据的心理疏导方法、装置以及服务器。
背景技术
儿童的心理成长是处在快速发育阶段,心理健康至关重要,对于成人后的性格、自信心、价值观世界观等有着不可逆的影响。而当下社会的快节奏、繁忙的工作,让父母很难有时间和经历,去发现儿童细微的心理变化,从而导致沟通不及时,不到位,长此以往,忽略儿童的心理健康成长。
故而,亟需一种主动发现儿童心理变化,并进行心理疏导的方法。
发明内容
本申请实施例提供了一种基于物联网大数据的心理疏导方法、装置以及服务器,可以解决现有技术中亟需一种主动发现儿童心理变化并进行心理疏导的技术问题。
第一方面,本申请实施例提供了一种基于物联网大数据的心理疏导方法,包括:
获取用户的文本情感向量;
获取用户的图像情感向量;
融合所述文本情感向量和所述图像情感向量,得到多模态情感向量;
将所述多模态情感向量输入至预先训练的情感解码器中,得到情感标签;
查询所述情感标签对应的情感反馈句式,播放情感反馈句式对应的声音信号至用户。
在第一方面的一种可能的实现方式中,获取用户的文本情感向量,包括:
获取用户的文本序列信息;
将所述文本序列信息输入至预先训练的文本序列编码器,生成文本情感向量。
在第一方面的一种可能的实现方式中,所述预先训练的文本序列编码器包括文本序列编码模型和语义表示增强网络;文本序列编码模型包括嵌入层、预设数量的编码块、第一池化层以及输出层;
将所述文本序列信息输入至预先训练的文本序列编码器,生成文本情感向量,包括:
根据嵌入层将所述文本序列信息进行预处理,得到固定长度的嵌入表示向量;
根据预设数量的编码块对固定长度向量的文本特征提取,得到文本特征向量;
根据第一池化层对文本特征向量进行汇总,得到低维度语义表示向量;
根据输出层将所述低维度语义表示向量输入至语义表示增强网络;
根据语义表示增强网络对所述低维度语义进行隐藏状态捕捉,得到高维度语义表示向量,将所述高维度语义表示向量作为文本情感向量。
在第一方面的一种可能的实现方式中,获取用户的图像情感向量,包括:
获取用户的图像序列信息;
将所述图像序列信息输入至预先训练的图像序列编码器,生成图像情感向量。
在第一方面的一种可能的实现方式中,所述图像序列编码器包括输入层、卷积层、第二池化层、多通道卷积层、局部连接层以及全连接层;
将所述图像序列信息输入至预先训练的图像序列编码器,生成图像情感向量,包括:
根据输入层对所述图像序列信息进行预处理;
根据卷积层对预处理后的所述图像序列信息进行卷积处理,得到特征图像;
根据第二池化层对特征图像进行下采样处理,得到低维度特征图像;
根据多通道卷积层对所述低维度特征图像进行注意力计算处理,得到候选图像情感向量;
根据局部连接层对所述候选图像情感向量进行局部处理,得到局部图像情感向量;
根据全连接层对所述局部图像情感向量进行全连接处理,得到图像情感向量。
在第一方面的一种可能的实现方式中,融合所述文本情感向量和所述图像情感向量,得到多模态情感向量,包括:
对所述文本情感向量和所述图像情感向量进行归一化处理;
根据下列公式计算所述文本情感向量和所述图像情感向量之间的相似度矩阵:
A(i,j)=v_text(i)*v_image(j),
其中,A(i,j)表示第i个文本情感向量第j个图像情感向量之间的相似度矩阵,v_text(i)表示文本情感向量,v_image(j)表示图像情感向量,“*”表示向量的点积操作;
对所述相似度矩阵进行双向注意力处理,生成多模态情感向量。
在第一方面的一种可能的实现方式中,预先训练的情感解码器包括生成器和判别器;
将所述多模态情感向量输入至预先训练的情感解码器中,得到情感标签,包括:
将所述多模态情感向量输入至所述生成器中,生成候选情感标签;
将所述候选情感标签输入至所述判别器中,得到情感标签。
第二方面,本申请实施例提供了一种基于物联网大数据的心理疏导装置,包括:
第一获取模块,用于获取用户的文本情感向量;
第二获取模块,用于获取用户的图像情感向量;
融合模块,用于融合所述文本情感向量和所述图像情感向量,得到多模态情感向量;
情感解码模块,用于将所述多模态情感向量输入至预先训练的情感解码器中,得到情感标签;
查询模块,用于查询所述情感标签对应的情感反馈句式,播放情感反馈句式对应的声音信号至用户。
在第二方面的一种可选的实现方式中,所述第一获取模块,包括:
第一获取子模块,用于获取用户的文本序列信息;
第一生成子模块,用于将所述文本序列信息输入至预先训练的文本序列编码器,生成文本情感向量。
在第二方面的一种可选的实现方式中,所述预先训练的文本序列编码器包括文本序列编码模型和语义表示增强网络;文本序列编码模型包括嵌入层、预设数量的编码块、第一池化层以及输出层;
第一生成子模块,包括:
预处理单元,用于根据嵌入层将所述文本序列信息进行预处理,得到固定长度的嵌入表示向量;
文本特征提取单元,用于根据预设数量的编码块对固定长度向量的文本特征提取,得到文本特征向量;
池化单元,用于根据第一池化层对文本特征向量进行汇总,得到低维度语义表示向量;
输入单元,用于根据输出层将所述低维度语义表示向量输入至语义表示增强网络;
语义表示增强单元,用于根据语义表示增强网络对所述低维度语义进行隐藏状态捕捉,得到高维度语义表示向量,将所述高维度语义表示向量作为文本情感向量。
在第二方面的一种可选的实现方式中,所述第二获取模块,包括:
第二获取子模块,用于获取用户的图像序列信息;
第二生成子模块,用于将所述图像序列信息输入至预先训练的图像序列编码器,生成图像情感向量。
在第二方面的一种可选的实现方式中,所述图像序列编码器包括输入层、卷积层、第二池化层、多通道卷积层、局部连接层以及全连接层;
第二生成子模块,包括:
预处理单元,用于根据输入层对所述图像序列信息进行预处理;
卷积处理单元,用于根据卷积层对预处理后的所述图像序列信息进行卷积处理,得到特征图像;
采样处理单元,用于根据第二池化层对特征图像进行下采样处理,得到低维度特征图像;
意力计算处理单元,用于根据多通道卷积层对所述低维度特征图像进行注意力计算处理,得到候选图像情感向量;
局部连接单元,用于根据局部连接层对所述候选图像情感向量进行局部处理,得到局部图像情感向量;
全连接处理单元,用于根据全连接层对所述局部图像情感向量进行全连接处理,得到图像情感向量。
第三方面,本申请实施例提供了一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
第三方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例中,通过获取用户的文本情感向量;获取用户的图像情感向量;融合文本情感向量和图像情感向量,得到多模态情感向量;将多模态情感向量输入至预先训练的情感解码器中,得到情感标签;查询情感标签对应的情感反馈句式,播放情感反馈句式对应的声音信号至用户。可见,本申请实施例可以主动识别出儿童的情感标签,并根据情感标签生成对应的情感反馈句式,从而达到为儿童及时进行心理疏导的目的。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术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他的附图。
图1是本申请实施例提供的基于物联网大数据的心理疏导方法的流程示意图;
图2是本申请实施例提供的基于物联网大数据的心理疏导装置的结构框图;
图3是本申请实施例提供的服务器的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
下面将通过具体实施例对本申请实施例提供的技术方案进行介绍。
参见图1,为本申请实施例提供的基于物联网大数据的心理疏导方法的流程示意图,该方法应用于服务器,该方法包括以下步骤:
步骤S101,获取用户的文本情感向量。
其中,用户是指儿童。
具体应用中,获取用户的文本情感向量,包括:
步骤S201,获取用户的文本序列信息。
其中,文本序列信息是指表征儿童的语义、语速、语调、音量信息等的文本信息,示例性地,通过设置在儿童学习、工作场所的音频采集装置(例如麦克风)采集用户的声音,采用自然语音处理技术(Natural Language Processing,NLP)识别用户的语义信息,线性预测编码(Linear predictive coding,LPC)提取出儿童说话的如语速、语调、音量等信息,对语义、语速、语调、音量等信息进行归一化处理,得到文本序列信息。
步骤S202,将文本序列信息输入至预先训练的文本序列编码器,生成文本情感向量。
其中,预先训练的文本序列编码器包括文本序列编码模型和语义表示增强网络;文本序列编码模型包括嵌入层、预设数量的编码块、第一池化层以及输出层。示例性地,文本序列编码模型可以是预训练的BERT模型,预设数量的编码块可以是12个Transformer编码块,每个Transformer编码器由多头自注意力机制和前向神经网络组成,可以捕获上下文相关的特征表示,通过堆叠多个Transformer编码器,BERT可以学习到更深层次、更具表现力的特征表示;语义表示增强网络可以是LSTM网络,LSTM网络是一个双向的长短时记忆网络(BiLSTM),由前向和后向两个LSTM网络组成。它的输入是BERT编码器的输出,即每个单词对应的隐藏状态向量,以及相应的位置嵌入和段落嵌入向量。这些向量可以提供当前单词、上下文和段落信息,从而更好地捕捉文本的语义信息。LSTM网络会对这些向量进行处理,并输出一个新的、更高级别的语义表示。
将文本序列信息输入至预先训练的文本序列编码器,生成文本情感向量,包括:
步骤S301,根据嵌入层将文本序列信息进行预处理,得到固定长度的嵌入表示向量。
步骤S302,根据预设数量的编码块对固定长度向量的文本特征提取,得到文本特征向量。
步骤S303,根据第一池化层对文本特征向量进行汇总,得到低维度语义表示向量。
步骤S304,根据输出层将低维度语义表示向量输入至语义表示增强网络。
步骤S305,根据语义表示增强网络对低维度语义进行隐藏状态捕捉,得到高维度语义表示向量,将高维度语义表示向量作为文本情感向量。
具体应用中,LSTM网络首先将输入向量通过全连接层投影到一个较小的维度,以降低模型的复杂度,然后,前向LSTM和后向LSTM分别对投影后的向量序列进行处理,得到正向和反向的LSTM隐藏状态序列,这些隐藏状态包含了不同层次的语义信息,并且可以捕捉到单词之间的依赖关系和上下文信息,最后,将正向和反向LSTM的输出拼接起来,得到文本情感向量。
步骤S102,获取用户的图像情感向量。
具体应用中,获取用户的图像情感向量,包括:
步骤S401,获取用户的图像序列信息。
其中,图像序列信息包括表征用户面部表情、姿体动作的信息,面部表情眼部、嘴部等面部表情,姿体动作包括头部、肩部、手、手臂、腿、脚等肢体动作。具体地,通过设置在儿童学习、工作场所的摄像头采集用户的图像,然后使用人脸关键点检测算法(如dlib、OpenCV等)识别出面部的关键点,例如眼睛、嘴巴、鼻子的部位,然后根据这些关键点之间的距离、夹角等几何信息构建出面部表情向量作为面部表情信息;使用欧拉角来描述三维旋转,欧拉角指定了三个绕不同轴的旋转角度,例如,头部可以由X、Y和Z轴上的旋转角度来描述,这些旋转角度可以被视为一个向量,其中每个分量代表一个轴上的旋转角度,类似地,肩部、手、手臂、腿和脚的姿态也可以用向量表示可以定义,然后,将所有向量连接起来组成完整的姿态动作向量作为姿体动作信息。对面部表情信息和姿体动作信息进行归一化处理,得到图像序列信息。
步骤S402,图像序列信息输入至预先训练的图像序列编码器,生成图像情感向量。
其中,图像序列编码器包括输入层、卷积层、第二池化层、多通道卷积层、局部连接层以及全连接层。
示例性地,图像序列编码器是指ACCN模型,ACNN是一种基于卷积神经网络(CNN)的模型,其结构主要由以下几个部分组成:
输入层:接受输入数据并转换为可供后续处理的格式。输入层将输入数据转换为可供后续处理的格式,这个格式一般指张量(tensor)格式,即由多个维度(dimension)组成的数组。在卷积神经网络中,输入数据通常是图像数据,因此需要将图像数据转换为张量格式。这个过程被称为预处理。
卷积层:通过卷积操作检测输入数据的特征,并提取出相应的特征图像。
第二池化层:对每个特征图像进行下采样以降低特征图像的维度,从而使得后续处理更加高效。
多通道卷积层:将不同的特征图像通过不同的卷积核进行卷积处理,以进一步提取深层次的特征信息。ACNN中使用了基于通道的注意力机制,即Channel AttentionMechanism。在ACNN模型中,每个多通道卷积层的输出都会经过一个注意力模块,该模块能够自适应地学***均值和全局最大值,然后将这两个值分别送入两个全连接层进行处理,得到每个通道的重要性权重,最后将这些权重与对应的通道进行加权求和,得到最终的加权输出结果。
局部连接层:将之前的多通道卷积层的输出进行局部连接,以增加模型的非线性表达能力。
全连接层:将之前的局部连接层的输出进行全连接,生成最终的输出结果。
图像序列信息输入至预先训练的图像序列编码器,生成图像情感向量,包括:
步骤S501,根据输入层对图像序列信息进行预处理。
步骤S502,根据卷积层对预处理后的图像序列信息进行卷积处理,得到特征图像。
步骤S503,根据第二池化层对特征图像进行下采样处理,得到低维度特征图像。
步骤S504,根据多通道卷积层低维度特征图像进行注意力计算处理,得到候选图像情感向量。
步骤S505,根据局部连接层对候选图像情感向量进行局部处理,得到局部图像情感向量。
步骤S506,根据全连接层对局部图像情感向量进行全连接处理,得到图像情感向量。
步骤S103,融合文本情感向量和图像情感向量,得到多模态情感向量。
具体地,融合文本情感向量和图像情感向量,得到多模态情感向量,包括:
步骤S601,对文本情感向量和图像情感向量进行归一化处理。
示例性地,将文本情感向量记作h_text,图像情感向量记为h_image,使用L2正则化对每个向量进行标准化处理,得到单位向量v_text和v_image。
步骤S602,根据下列公式计算文本情感向量和图像情感向量之间的相似度矩阵:
A(i,j)=v_text(i)*v_image(j),
其中,A(i,j)表示第i个文本情感向量第j个图像情感向量之间的相似度矩阵,v_text(i)表示文本情感向量,v_image(j)表示图像情感向量,“*”表示向量的点积操作;
步骤S603,对相似度矩阵进行双向注意力处理,生成多模态情感向量。
示例性地,分别对相似度矩阵的每行和每列进行softmax操作,得到归一化后的相似度矩阵P_text和P_image;
对相似度矩阵进行双向注意力处理的过程为:
(1)通过P_text对图像表示向量h_image进行加权平均,得到文本感知的图像表示向量m_text:
m_text=P_text*h_image,其中,“*”表示矩阵乘法操作。
(2)同理,通过P_image对文本表示向量h_text进行加权平均,得到图像感知的文本表示向量m_image:
m_image=P_image*h_text,其中,“*”表示矩阵乘法操作
(3)接着,可以将文本感知的图像表示向量m_text和图像感知的文本表示向量m_image拼接起来,得到全局的多模态表示向量m:
m=[m_text,m_image],将全局的多模态表示向量作为多模态情感向量。
可以理解的是,本申请实施例通过对相似度矩阵进行双向注意力处理,将两个表示向量在特征维上进行双向拼接,形成一个更全面、更丰富的多模态表示。
步骤S104,将多模态情感向量输入至预先训练的情感解码器中,得到情感标签。
其中,情感标签包括生气、悲伤、高兴、害怕以及中性,预先训练的情感解码器包括生成器和判别器;
示例性地,情感解码器可以是生成对抗网络(GAN),生成对抗网络(GAN)的构建过程如下:
(1)定义生成器和判别器:
生成器模型将多模态情感向量作为输入,输出包含情感标签生气、悲伤、高兴、害怕以及中性的向量,判别器模型将情感标签生气、悲伤、高兴、害怕以及中性作为输入,输出一个二元值,表示其是否是真实的情感标签。
(2)训练生成器和判别器模型:
生成器模型通过随机生成情感标签的向量,并将其传递给判别器,判断其是否真实,反向传播更新参数使得生成的情感标签更接近真实情感标签。判别器模型通过学习区分真实和生成的情感标签,并反向传播更新参数。
(3)对生成器进行微调:使用生成器生成一批情感标签,并将其与真实情感标签混合,再次训练判别器模型。通过反向传播更新生成器模型的参数,使得生成的情感标签更接近真实情感标签。
将多模态情感向量输入至预先训练的情感解码器中,得到情感标签,包括:
步骤S701,将多模态情感向量输入至生成器中,生成候选情感标签;
步骤S702,将候选情感标签输入至判别器中,得到情感标签。
步骤S105,查询情感标签对应的情感反馈句式,播放情感反馈句式对应的声音信号至用户。
具体地,采用关系型数据库(如MySQL、PostgreSQL、Oracle等)基于表格结构存储情感标签和对应的情感疏导句式,使用SQL语言进行查询情感标签对应的情感反馈句式,然后采用文字转语音(Text-to-Speech,TTS)技术来将情感反馈句式转换为对应的声音信号,并通过设置在儿童可以收听范围的扬声器播放声音信息给儿童,从而达到心理疏导的目的。
示例性地,当情感标签为生气时,对应的情感反馈句式为“明白你现在很生气,可以告诉我发生了什么事情吗?”、“我了解你的感受,有时候我们会因为某些事情而感到愤怒。让我们一起找一下解决方法,让你感觉好些”;
当情感标签为悲伤时,对应的情感反馈句式为“我知道你感到很难过,可以告诉我发生了什么事情吗?”、“有时候我们都会感到悲伤,这是正常的情感。让我们一起探讨一些方法,来帮助你克服这种情绪”;
当情感标签为高兴时,对应的情感反馈句式为“看起来你很开心!可以和我分享一下你的喜悦吗?”、“看到你这么高兴,真让人欣慰!你做得很好!”;
当情感标签为害怕时,对应的情感反馈句式为“我了解你感到害怕,可以告诉我你害怕的是什么吗?”、“当我们感到害怕时,我们需要找一些方法来让自己感到安全。我们一起来想一想如何能够让你感到安全一些。”;
当情感标签为中性时,对应的情感反馈句式为“样子你现在心情比较平静,需要跟我分享些什么吗?”、“有时候我们的心情会比较平静,这也是一种正常的情感。如果你需要跟我谈谈任何事情,我都很愿意倾听。”
本申请实施例中,通过获取用户的文本情感向量;获取用户的图像情感向量;融合文本情感向量和图像情感向量,得到多模态情感向量;将多模态情感向量输入至预先训练的情感解码器中,得到情感标签;查询情感标签对应的情感反馈句式,播放情感反馈句式对应的声音信号至用户。可见,本申请实施例可以主动识别出儿童的情感标签,并根据情感标签生成对应的情感反馈句式,从而达到为儿童及时进行心理疏导的目的。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的方法,图2示出了本申请实施例提供的基于物联网大数据的心理疏导装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图2,该装置包括:
第一获取模块21,用于获取用户的文本情感向量;
第二获取模块22,用于获取用户的图像情感向量;
融合模块23,用于融合所述文本情感向量和所述图像情感向量,得到多模态情感向量;
情感解码模块24,用于将所述多模态情感向量输入至预先训练的情感解码器中,得到情感标签;
查询模块25,用于查询所述情感标签对应的情感反馈句式,播放情感反馈句式对应的声音信号至用户。
在一种可选的实现方式中,所述第一获取模块,包括:
第一获取子模块,用于获取用户的文本序列信息;
第一生成子模块,用于将所述文本序列信息输入至预先训练的文本序列编码器,生成文本情感向量。
在一种可选的实现方式中,所述预先训练的文本序列编码器包括文本序列编码模型和语义表示增强网络;文本序列编码模型包括嵌入层、预设数量的编码块、第一池化层以及输出层;
第一生成子模块,包括:
预处理单元,用于根据嵌入层将所述文本序列信息进行预处理,得到固定长度的嵌入表示向量;
文本特征提取单元,用于根据预设数量的编码块对固定长度向量的文本特征提取,得到文本特征向量;
池化单元,用于根据第一池化层对文本特征向量进行汇总,得到低维度语义表示向量;
输入单元,用于根据输出层将所述低维度语义表示向量输入至语义表示增强网络;
语义表示增强单元,用于根据语义表示增强网络对所述低维度语义进行隐藏状态捕捉,得到高维度语义表示向量,将所述高维度语义表示向量作为文本情感向量。
在一种可选的实现方式中,所述第二获取模块,包括:
第二获取子模块,用于获取用户的图像序列信息;
第二生成子模块,用于将所述图像序列信息输入至预先训练的图像序列编码器,生成图像情感向量。
在一种可选的实现方式中,所述图像序列编码器包括输入层、卷积层、第二池化层、多通道卷积层、局部连接层以及全连接层;
第二生成子模块,包括:
预处理单元,用于根据输入层对所述图像序列信息进行预处理;
卷积处理单元,用于根据卷积层对预处理后的所述图像序列信息进行卷积处理,得到特征图像;
采样处理单元,用于根据第二池化层对特征图像进行下采样处理,得到低维度特征图像;
意力计算处理单元,用于根据多通道卷积层对所述低维度特征图像进行注意力计算处理,得到候选图像情感向量;
局部连接单元,用于根据局部连接层对所述候选图像情感向量进行局部处理,得到局部图像情感向量;
全连接处理单元,用于根据全连接层对所述局部图像情感向量进行全连接处理,得到图像情感向量。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图3为本申请实施例提供的服务器的结构示意图。如图3所示,该实施例的服务器3包括:至少一个处理器30、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32,所述处理器30执行所述计算机程序32时实现上述任意各个方法实施例中的步骤。
所述服务器3可以是云端服务器等计算设备。该服务器可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是服务器3的举例,并不构成对服务器3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),该处理器30还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31在一些实施例中可以是所述服务器3的内部存储单元,例如服务器3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述服务器3的外部存储设备,例如所述服务器3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述服务器3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到服务器的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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。
以上所述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,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于物联网大数据的心理疏导方法,其特征在于,包括:
获取用户的文本情感向量;
获取用户的图像情感向量;
融合所述文本情感向量和所述图像情感向量,得到多模态情感向量;
将所述多模态情感向量输入至预先训练的情感解码器中,得到情感标签;
查询所述情感标签对应的情感反馈句式,播放情感反馈句式对应的声音信号至用户。
2.如权利要求1所述的基于物联网大数据的心理疏导方法,其特征在于,获取用户的文本情感向量,包括:
获取用户的文本序列信息;
将所述文本序列信息输入至预先训练的文本序列编码器,生成文本情感向量。
3.如权利要求2所述的基于物联网大数据的心理疏导方法,其特征在于,所述预先训练的文本序列编码器包括文本序列编码模型和语义表示增强网络;文本序列编码模型包括嵌入层、预设数量的编码块、第一池化层以及输出层;
将所述文本序列信息输入至预先训练的文本序列编码器,生成文本情感向量,包括:
根据嵌入层将所述文本序列信息进行预处理,得到固定长度的嵌入表示向量;
根据预设数量的编码块对固定长度向量的文本特征提取,得到文本特征向量;
根据第一池化层对文本特征向量进行汇总,得到低维度语义表示向量;
根据输出层将所述低维度语义表示向量输入至语义表示增强网络;
根据语义表示增强网络对所述低维度语义进行隐藏状态捕捉,得到高维度语义表示向量,将所述高维度语义表示向量作为文本情感向量。
4.如权利要求1所述的基于物联网大数据的心理疏导方法,其特征在于,获取用户的图像情感向量,包括:
获取用户的图像序列信息;
将所述图像序列信息输入至预先训练的图像序列编码器,生成图像情感向量。
5.如权利要求4所述的基于物联网大数据的心理疏导方法,其特征在于,所述图像序列编码器包括输入层、卷积层、第二池化层、多通道卷积层、局部连接层以及全连接层;
将所述图像序列信息输入至预先训练的图像序列编码器,生成图像情感向量,包括:
根据输入层对所述图像序列信息进行预处理;
根据卷积层对预处理后的所述图像序列信息进行卷积处理,得到特征图像;
根据第二池化层对特征图像进行下采样处理,得到低维度特征图像;
根据多通道卷积层对所述低维度特征图像进行注意力计算处理,得到候选图像情感向量;
根据局部连接层对所述候选图像情感向量进行局部处理,得到局部图像情感向量;
根据全连接层对所述局部图像情感向量进行全连接处理,得到图像情感向量。
6.如权利要求1所述的基于物联网大数据的心理疏导方法,其特征在于,融合所述文本情感向量和所述图像情感向量,得到多模态情感向量,包括:
对所述文本情感向量和所述图像情感向量进行归一化处理;
根据下列公式计算所述文本情感向量和所述图像情感向量之间的相似度矩阵:
A(i,j)=v_text(i)*v_image(j),
其中,A(i,j)表示第i个文本情感向量第j个图像情感向量之间的相似度矩阵,v_text(i)表示文本情感向量,v_image(j)表示图像情感向量,“*”表示向量的点积操作;
对所述相似度矩阵进行双向注意力处理,生成多模态情感向量。
7.如权利要求1所述的基于物联网大数据的心理疏导方法,其特征在于,预先训练的情感解码器包括生成器和判别器;
将所述多模态情感向量输入至预先训练的情感解码器中,得到情感标签,包括:
将所述多模态情感向量输入至所述生成器中,生成候选情感标签;
将所述候选情感标签输入至所述判别器中,得到情感标签。
8.一种基于物联网大数据的心理疏导装置,其特征在于,包括:
第一获取模块,用于获取用户的文本情感向量;
第二获取模块,用于获取用户的图像情感向量;
融合模块,用于融合所述文本情感向量和所述图像情感向量,得到多模态情感向量;
情感解码模块,用于将所述多模态情感向量输入至预先训练的情感解码器中,得到情感标签;
查询模块,用于查询所述情感标签对应的情感反馈句式,播放情感反馈句式对应的声音信号至用户。
9.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310619534.1A CN116631583A (zh) | 2023-05-30 | 2023-05-30 | 基于物联网大数据的心理疏导方法、装置以及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310619534.1A CN116631583A (zh) | 2023-05-30 | 2023-05-30 | 基于物联网大数据的心理疏导方法、装置以及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116631583A true CN116631583A (zh) | 2023-08-22 |
Family
ID=87636389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310619534.1A Pending CN116631583A (zh) | 2023-05-30 | 2023-05-30 | 基于物联网大数据的心理疏导方法、装置以及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116631583A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110556129A (zh) * | 2019-09-09 | 2019-12-10 | 北京大学深圳研究生院 | 双模态情感识别模型训练方法及双模态情感识别方法 |
CN111930940A (zh) * | 2020-07-30 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 一种文本情感分类方法、装置、电子设备及存储介质 |
WO2021114840A1 (zh) * | 2020-05-28 | 2021-06-17 | 平安科技(深圳)有限公司 | 基于语义分析的评分方法、装置、终端设备及存储介质 |
CN114722202A (zh) * | 2022-04-08 | 2022-07-08 | 湖北工业大学 | 基于双向双层注意力lstm网络的多模态情感分类方法及*** |
CN116089853A (zh) * | 2022-12-19 | 2023-05-09 | 海信电子科技(武汉)有限公司 | 电子设备及基于多通路融合的多模态情感分类方法 |
-
2023
- 2023-05-30 CN CN202310619534.1A patent/CN116631583A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110556129A (zh) * | 2019-09-09 | 2019-12-10 | 北京大学深圳研究生院 | 双模态情感识别模型训练方法及双模态情感识别方法 |
WO2021114840A1 (zh) * | 2020-05-28 | 2021-06-17 | 平安科技(深圳)有限公司 | 基于语义分析的评分方法、装置、终端设备及存储介质 |
CN111930940A (zh) * | 2020-07-30 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 一种文本情感分类方法、装置、电子设备及存储介质 |
CN114722202A (zh) * | 2022-04-08 | 2022-07-08 | 湖北工业大学 | 基于双向双层注意力lstm网络的多模态情感分类方法及*** |
CN116089853A (zh) * | 2022-12-19 | 2023-05-09 | 海信电子科技(武汉)有限公司 | 电子设备及基于多通路融合的多模态情感分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113420807A (zh) | 基于多任务学习与注意力机制的多模态融合情感识别***、方法及实验评价方法 | |
US11769018B2 (en) | System and method for temporal attention behavioral analysis of multi-modal conversations in a question and answer system | |
CN112069309B (zh) | 信息获取方法、装置、计算机设备及存储介质 | |
CN111914076B (zh) | 一种基于人机对话的用户画像构建方法、***、终端及存储介质 | |
CN111414506B (zh) | 基于人工智能情绪处理方法、装置、电子设备及存储介质 | |
CN111967334B (zh) | 一种人体意图识别方法、***以及存储介质 | |
CN110795549B (zh) | 短文本对话方法、装置、设备及存储介质 | |
CN114550057A (zh) | 一种基于多模态表示学习的视频情绪识别方法 | |
CN113705315A (zh) | 视频处理方法、装置、设备及存储介质 | |
CN116564338B (zh) | 语音动画生成方法、装置、电子设备和介质 | |
CN113837299A (zh) | 基于人工智能的网络训练方法及装置、电子设备 | |
CN114417097A (zh) | 一种基于时间卷积与自注意力的情感预测方法及*** | |
CN116343747A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 | |
CN115394321A (zh) | 音频情感识别方法、装置、设备、存储介质及产品 | |
CN114005446A (zh) | 情感分析方法、相关设备及可读存储介质 | |
CN117875395A (zh) | 多模态预训练模型的训练方法、装置及存储介质 | |
CN116580691A (zh) | 语音合成方法、语音合成装置、电子设备及存储介质 | |
CN116631583A (zh) | 基于物联网大数据的心理疏导方法、装置以及服务器 | |
CN115204181A (zh) | 文本检测方法、装置、电子设备以及计算机可读存储介质 | |
Bai et al. | Low-rank multimodal fusion algorithm based on context modeling | |
CN114974310A (zh) | 基于人工智能的情感识别方法、装置、计算机设备及介质 | |
CN114373443A (zh) | 语音合成方法和装置、计算设备、存储介质及程序产品 | |
Abdullah et al. | Hierarchical attention approach in multimodal emotion recognition for human robot interaction | |
Ghorpade et al. | ITTS model: speech generation for image captioning using feature extraction for end-to-end synthesis | |
CN117877125B (zh) | 动作识别及其模型训练方法、装置、电子设备、存储介质 |
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 |