一种非接触式的心理状态预测方法技术

本发明专利技术公开了一种非接触式的心理状态预测方法，具体涉及心理预测技术领域，本发明专利技术通过对不同的被监测人员进行分类处理，并对深度学习网络模型进行训练，得到预测模型，然后通过监控数据得到的被监测人员的视频图像进行特征提取后输入预测模型进行预测，从而分析被监测人员情绪倾向，实现对被监测人员的非接触心理状态预测，不仅提高了预测的可信度，而且也不会影响被监测人员和问卷发放与查看人员的时间，更不会对被监测人员造成不必要的心理负担；此外，本发明专利技术通过监控数据可以同时对大批量的被监测人员进行心理监测，可适用于训练营、厂区、公司、学校等人员较多的大型场所，在对大量人员的心理状态监测起到了重要意义。对大量人员的心理状态监测起到了重要意义。对大量人员的心理状态监测起到了重要意义。

【技术实现步骤摘要】
一种非接触式的心理状态预测方法


[0001]本专利技术涉及心理预测
，更具体地说，本专利技术涉及一种非接触式的心理状态预测方法。

技术介绍

[0002]心理状态是心理活动的基本形式之一，指心理活动在一定时间内的完整特征。如注意、疲劳、紧张、轻松、忧伤、喜悦等，它兼有心理过程和个性心理特征的特点，既有暂时性，又具有稳定性，是心理过程和个性心理特征联结的中介环节，构成一切心理活动展开的背景。
[0003]目前，在一些高校或者就业环境中，由于学习难度大、业绩紧张或者压力过大，都容易导致人员的心理状态出现问题，而当人员的心理状态出现问题时，如果不能及时的发现并干预，使得心理问题可能会越来越大，不仅影响学业和工作，严重者还会对人员的身体健康造成伤害，而现有技术中一般通过调查问卷的方式对人员的心理状态进行检测，但是容易出现乱选的情况，使得可信度较低，而且也会浪费人员的时间，不能自行进行监测处理，因此，研究一种非接触式的心理状态预测方法来解决上述问题具有重要意义。

技术实现思路

[0004]为了克服现有技术的上述缺陷，本专利技术提供了一种非接触式的心理状态预测方法，本专利技术所要解决的技术问题是：现有技术中对心理状态进行检测的方式可信度较低，而且也会浪费人员的时间，不能自行进行监测处理的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种非接触式的心理状态预测方法，包括以下步骤：
[0006]S1、对被监测人员进行基本信息的获取，并通过社交平台使用数据进行社交数据的获取。
[0007]S2、将被监测人员按照相似度进行分类，得到不同的类别。
[0008]S3、通过大数据获取不同类别的人员出现心理问题时的前兆行为和表情变化，对深度学习网络模型进行训练，得到预测模型。
[0009]S4、通过监控数据获取采集被监测人员的当前视频图像，同时提取面部图像信息和行为信息。
[0010]S5、对被监测人员的视频数据进行特征提取，得到行为信息，同时对面部图像信息进行识别，提取面部图像特征，判断被监测人员的表情。
[0011]S6、将行为信息和表情变化输入预测模型，由预测模型判断是否有相应的前兆行为出现，并判断被监测人员的当前心理状态，分析被监测人员情绪倾向，并输出，从而实现被监测人员心理状态的预测，当发现被监测人员情绪倾向出现问题时，对相关人员进行预警，通知相关人员对被监测人员的心理进行干预。
[0012]作为本专利技术的进一步方案：所述基本信息包括被监测人员的姓名、性别、年龄、学
历、工作、家庭组成和社交情况。
[0013]作为本专利技术的进一步方案：所述深度学习网络模型包括但不限于是在tensorflow环境中搭建的深度卷积神经网络模型，其包括输入层、三个卷积层、两个全连接层和一个输出层，其中，前两个卷积层后均有对应池化层。
[0014]作为本专利技术的进一步方案：所述对深度学习网络模型进行训练的具体方法为：
[0015]S31、对通过大数据获取的不同类别的人员出现心理问题时的前兆行为和表情变化的具体信息进行清洗后降维处理。
[0016]S32、将多组数据分成训练数据和测试数据，其中训练数据为80％，测试数据为20％，将训练数据做为深度学习网络模型的输入，对深度学习网络模型进行训练。
[0017]S33、训练完成之后通过测试数据进行测试，测试准确率高于99％时结束训练，并将训练好的深度学习网络模型作为预测模型，通过不同行为和表情变化预测对应的心理状态。
[0018]作为本专利技术的进一步方案：所述将被监测人员按照相似度进行分类，得到不同类别的具体方法为：
[0019]S21、对被监测人员的基本信息进行整理，并对社交数据中的文本图片和视频进行筛选，选出与情绪相关的数据，并进行主题分析。
[0020]S22、根据大五人格理论将不同被监测人员分为ABCDE五种类型，其中，ABCDE分别表示开朗型、责任型、外倾型、宜人型和神经质型五类，并采用大五人格量表原理，将不同被监测人员的类型量化为一个向量，即：
[0021]P＝<A
score
,B
score
,C
score
,D
score
,E
score
>。
[0022]S23、将每种类型更具体的表现出一些特点，并将这些特点进行分类获得x个子维度，进一步计算被监测人员在每一种人格上的每个子维度的得分情况，即
[0023][0024]其中，e
i
表示外倾性的子维度，k
i
为各维度对人格类型的影响权重，初始化为1/n，在之后根据被监测人员回馈对其进行优化调整。
[0025]S24、并将每类人格所表现出来的特点表达到情绪和行为上，构建人格、情绪和行为之间的逻辑关系，并进行逻辑关联，同时从感染、表达、干预和体现三个关系类型，构造一系列元结构用于计算被监测人员的各个人格类型子维度得分，进而得到被监测人员人格类型的倾向得分，从而对被监测人员当前的心理状态进行评判。
[0026]作为本专利技术的进一步方案：所述心理状态分为健康状态、不良状态、心理障碍和心理危机四种。
[0027]作为本专利技术的进一步方案：所述各个人格类型子维度得分的计算公式为：
[0028][0029]其中，n
m
为情绪类型个数，n
b
为行为类型个数，M＝(m1,m2,
…
，m
nm
)，B＝(b1,b2,
…
，b
nb
)，I
nm
×
n
b
是情绪类型与行为类型的关系矩阵，有链接关系则为1，否则为0。
[0030]作为本专利技术的进一步方案：所述对社交数据中的文本图片和视频进行筛选，选出与情绪相关的数据的具体方法为：将获取的大量的文本数据通过Bert模型进行文本嵌入和
Kmeans聚类来识别靠近质心的句子以进行自动摘要选择，从而选择出于情绪相关的具体数据。
[0031]作为本专利技术的进一步方案：所述对面部图像信息进行识别，提取面部图像特征，判断被监测人员的表情具体包括以下步骤：
[0032]S51、提取监控数据中的人脸部分，进行灰度处理后得到表情图像，并进行预处理，具体为：根据人脸面部三庭五眼的特征和人脸的集合模型进行裁剪和尺寸归一化，去除与表情无关的区域，降低无关信息对表情识别的干扰；
[0033]S52、然后对预处理后的表情图像进行多特征提取，提取的三种特征分别为LDP、DWT以及Sobel，将三种特征图以三通道的形式输入卷积神经网络中，进行自适应融合，最后通过Softmax分类器对融合后的特征进行表情分类。
[0034]本专利技术的有益效果在于：
[0035]1、本专利技术通过对不同的被监测人员进行分类处理，并通过大数据获取不同类别的人员出现心理问题本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非接触式的心理状态预测方法，其特征在于，包括以下步骤：S1、对被监测人员进行基本信息的获取，并通过社交平台使用数据进行社交数据的获取；S2、将被监测人员按照相似度进行分类，得到不同的类别；S3、通过大数据获取不同类别的人员出现心理问题时的前兆行为和表情变化，对深度学习网络模型进行训练，得到预测模型；S4、通过监控数据获取采集被监测人员的当前视频图像，同时提取面部图像信息和行为信息；S5、对被监测人员的视频数据进行特征提取，得到行为信息，同时对面部图像信息进行识别，提取面部图像特征，判断被监测人员的表情；S6、将行为信息和表情变化输入预测模型，由预测模型判断是否有相应的前兆行为出现，并判断被监测人员的当前心理状态，分析被监测人员情绪倾向，并输出，从而实现被监测人员心理状态的预测，当发现被监测人员情绪倾向出现问题时，对相关人员进行预警，通知相关人员对被监测人员的心理进行干预。2.根据权利要求1所述的一种非接触式的心理状态预测方法，其特征在于：所述基本信息包括被监测人员的姓名、性别、年龄、学历、工作、家庭组成和社交情况。3.根据权利要求1所述的一种非接触式的心理状态预测方法，其特征在于：所述深度学习网络模型包括但不限于是在tensorflow环境中搭建的深度卷积神经网络模型，其包括输入层、三个卷积层、两个全连接层和一个输出层，其中，前两个卷积层后均有对应池化层。4.根据权利要求3所述的一种非接触式的心理状态预测方法，其特征在于：所述对深度学习网络模型进行训练的具体方法为：S31、对通过大数据获取的不同类别的人员出现心理问题时的前兆行为和表情变化的具体信息进行清洗后降维处理；S32、将多组数据分成训练数据和测试数据，其中训练数据为80％，测试数据为20％，将训练数据做为深度学习网络模型的输入，对深度学习网络模型进行训练；S33、训练完成之后通过测试数据进行测试，测试准确率高于99％时结束训练，并将训练好的深度学习网络模型作为预测模型，通过不同行为和表情变化预测对应的心理状态。5.根据权利要求1所述的一种非接触式的心理状态预测方法，其特征在于：所述将被监测人员按照相似度进行分类，得到不同类别的具体方法为：S21、对被监测人员的基本信息进行整理，并对社交数据中的文本图片和视频进行筛选，选出与情绪相关的数据，并进行主题分析；S22、根据大五人格理论将不同被监测人员分为ABCDE五种类型，其中，ABCDE分别表示开朗型、责任型、外倾型、宜人型和神经质型五类，并采用大五人格量表原理，将不同被监测人员的类型量化为一个向量，即：P＝<A
score
,B
score
,C
...

【专利技术属性】
技术研发人员：蔡培培，
申请(专利权)人：黑龙江职业学院黑龙江省经济管理干部学院，
类型：发明
国别省市：