一种基于人工智能的心理状态识别装置及方法

技术领域

本发明涉及心理状态识别技术领域，尤其是一种基于人工智能的心理状态识别装置及方法。

背景技术

状态识别是以过往经验作为判断的依据进行发展的。当前心理状态识别已经广泛运用于世界各个国家的城市之中。由于过去的经验数量庞大进行人工整合不切实际，因此引入深度神经网络进行模型整合。

但是现存的心理状态识别技术主要通过表情、心跳信息进行模型整合，但是表情过于单一很难正确的判断心理状态，虽然心跳信息作为判断依据十分优异但是采集难度过大且具有瞬时性，故本发明提出一种基于人工智能的心理状态识别装置及方法。

发明内容

本发明的目的是通过提出一种基于人工智能的心理状态识别装置及方法，以解决上述背景技术中提出的缺陷。

本发明采用的技术方案如下：

提供一种基于人工智能的心理状态识别装置及方法，包括如下步骤：

S1：通过收集装置对评估对象进行图像采集，获得原始图像；

S2：对原始图像进行预处理与多源数据融合，获得处理数据；

S3：将处理数据作为模型输入进行心理状态识别模型构建，获得心理状态识别模型；

S4：将心理状态识别模型部署到人工智能心理状态识别装置中进行心理状态识别

作为本发明的一种优选技术方案：所述S1中的图像采集包括人脸、动作、形态。

作为本发明的一种优选技术方案：所述S2中的图像预处理包括图像灰度化处理、图像增强、图像滤波。

作为本发明的一种优选技术方案：所述图像灰度化处理计算方法如下：

Gray＝ω

其中Gray为灰度化处理后的数据大小介于0到255，R、G、B为颜色三通道，ω

其中S

其中x

作为本发明的一种优选技术方案：所述的多源数据融合中，通过特征向量融合方法对处理数据进行特征融合，计算方法如下：

|A-λE|＝0

AX

B＝(X

其中，A为数据预处理得到的原始矩阵，λ为特征矩阵，λ

作为本发明的一种优选技术方案：所述心理状态识别模型使用的是LSTM长短期循环神经网络。

作为本发明的一种优选技术方案：所述心理状态识别模型使用的是LSTM长短期循环神经网络。

作为本发明的一种优选技术方案：所述LSTM算法步骤如下：

S3.1：计算遗忘门，计算公式如下：

f

其中f

S3.2：计算记忆门，计算公式如下：

i

其中，i

S3.3：计算当前状态：

其中C

S3.4：计算输出门状态：

o

h

其中o

S3.5：将需要预测的对象的人脸、动作、形态输入到模型当中，再通过LSTM的遗忘门、计算门、输出门运算最后得到输出的数值，将输出数值作为评判标准进行打分，根据最后情感得分将情感分为重度抑郁、抑郁、轻度抑郁以及正常四个指标，将最后通过LSTM模型获得的预测结果o

作为本发明的一种优选技术方案：还包括通过状态识别装置将LSTM训练的心理状态识别模型部署到识别装置的主机中，当需要进行心理状态识别时调用模型接口。

作为本发明的一种优选技术方案：所述状态识别装置检测到存在悲观心理的人时系统自动提醒并提示此人需要安慰。

本发明提供的基于人工智能的心理状态识别装置及方法，与现有技术相比，其有益效果有：

本发明通过收集装置对评估对象进行多方面对维度进行数据收集，通过数据融合的方式保存多维度信息，通过LSTM算法进行模型迭代训练提高了模型效果，同时将模型封装起来作为接口方便心里识别装置调用。

附图说明

图1为本发明优选实施例的方法流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

参照图1，本发明优选实施例提供了一种基于人工智能的心理状态识别装置及方法，包括如下步骤：

S1：通过收集装置对评估对象进行图像采集，其中采集信息包括人脸、动作、形态，其中收集人脸表情信息、行进过程中的动作信息以及心态是否为垂头丧气，通过骨骼算法求出脖子与上半身的夹角进行判断是否低头；

S2：对原始图像进行预处理与多源数据融合，获得处理数据；

S3：将处理数据作为模型输入进行心理状态识别模型构建，获得心理状态识别模型；

S4：将心理状态识别模型部署到人工智能心理状态识别装置中进行心理状态识别。

S1中的图像采集包括人脸、动作、形态，其中收集人脸表情信息、行进过程中的动作信息以及心态是否为垂头丧气，通过骨骼算法求出脖子与上半身的夹角进行判断是否低头。还包括通过状态识别装置将LSTM训练的心理状态识别模型部署到识别装置的主机中，当需要进行心理状态识别时调用模型接口，状态识别装置检测到存在悲观心理的人时系统自动提醒并提示此人需要安慰。

将图像转化为灰度图像能够更好地减少所需要处理的数据量，提高处理效率，图像灰度化处理计算方法如下：

Gray＝ω

其中Gray为灰度化处理后的数据大小介于0到255，R、G、B为颜色三通道，ω

其中S

其中x

其次，多源数据融合中，通过特征向量融合方法对处理数据进行特征融合，计算方法如下：

|A-λE|＝0

AX

B＝(X

其中，A为数据预处理得到的原始矩阵，λ为特征矩阵，λ

心理状态识别模型使用的是LSTM长短期循环神经网络，将处理好的数据作为输入进行LSTM模型训练，通过训练过程中的不断迭代进行参数确定，LSTM算法步骤如下：

S3.1：计算遗忘门，计算公式如下：

f

其中f

S3.2：计算记忆门，计算公式如下：

i

其中i

S3.3：计算当前状态：

其中C

S3.4：计算输出门状态：

o

h

其中o

将需要预测的对象的人脸、动作、形态输入到模型当中，由于模型内部已经拥有了一套完整的数据处理、多源数据融合将处理好的数据作为预测的输入数据，再通过LSTM的遗忘门、计算门、输出门运算最后得到输出的数值，将输出数值作为评判标准进行打分，根据最后情感得分将情感分为重度抑郁、抑郁、轻度抑郁以及正常四个指标，将最后通过LSTM模型获得的预测结果o

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。