【技术实现步骤摘要】
本申请涉及深度学习，尤其涉及基于心理健康模型的对话理解与心理分析方法及系统。
技术介绍
1、目前，神经网络模型应用在医疗领域用于辅助治疗越来越广泛，尤其是在心理分析和心理评估领域，其中的大语言模型在心理评估方面的应用已经初具规模，大语言模型像智能聊天机器人一样，获取患者的对话文本数据进行抑郁检测、自杀检测、认知扭曲检测和关系咨询等。
2、大语言模型在预训练时需要输入大量自然语言数据和心理症状之间关联的数据集，从而能够生成特定的心理诊断输出。
3、在现有的大语言模型中，正确地理解人类的自然语言并确定意图是目前面临的主要技术问题。目前的神经网络模型通过状态机、决策机等结构来理解自然语言，并对应生成回答文本。目前大语言模型只能理解对话文本中的字面意图，而无法识别隐藏在字面意思中的真实意图无法识别。
4、在心理治疗中，心理医生的任务更多是识别患者隐藏起来的真实意图，并引导患者表达。为了识别患者隐藏起来的真实意图，现有的心理分析模型中采用获取患者微表情的方式，来理解人类情绪，从而辅助判断患者的真实意图。
5、因此，为了使得神经网络模型在心理评估能够理解人类情绪，会采集对话内容、面部表情以及肢体语言等多模态的数据作为模型的输入，提高心理评估结果的准确性。
6、大语言模型在模拟心理咨询方面正不断取得突破，多模态数据会导致神经网络模型的数据量急剧增加，造成设备计算量变大，无法实现实时的心理咨询对话。
7、为了解决上述问题，本申请提供基于心理健康模型的对话理解与心理分析方法。
技术实现思路
1、为克服相关技术中存在的问题，本申请第一方面提供一种基于心理健康模型的对话理解与心理分析方法，包括：
2、获取第一对话数据和第一面部数据；
3、将所述第一对话数据和所述第一面部数据进行特征提取和融合，并将融合后的特征更新到历史上下文特征中；
4、根据所述历史上下文特征生成第二对话数据；所述第二对话数据用于发送到用户设备触发下一轮对话以及第二面部数据；
5、将所述第二面部数据和所述第二对话数据进行特征提取和融合后，并更新所述历史上下文特征；
6、根据更新后的所述历史上下文特征生成心理评估结果。
7、在一种实施方式中，包括：
8、所述获取第一对话数据和第一面部数据，具体包括：
9、获取交互视频；
10、解析并提取所述交互视频，得到所述第一对话数据和所述第一面部数据。
11、在一种实施方式中，所述解析并提取所述交互视频，得到所述第一对话数据和所述第一面部数据，具体包括：
12、所述第一对话数据包括有对话内容，所述第一面部数据则包括有张按照时间戳排序的面部帧图像，所述面部帧图像为3d深度图；为大于等于1的整数。
13、在一种实施方式中，所述第一对话数据为用户向人机交互设备发送的对话数据，所述第二对话数据为人机交互设备向用户发送的对话数据；
14、所述对话数据的特征提取包括：
15、将第一对话数据和第二对话数据中的分词编码为词向量表示，并按照时间戳进行排列。
16、在一种实施方式中，所述第一面部数据为用户在发送所述第一对话数据过程中的面部数据，所述第二面部数据为用户在接受所述第二对话数据过程中的面部数据；
17、所述面部数据的特征提取具体包括：
18、将所述第一面部数据或第二面部数据的每帧图像进行编码，并按照时间戳进行排列。
19、在一种实施方式中，所述面部数据的特征提取还包括：
20、获取面部数据；所述面部数据包括有张面部帧图像，为大于等于1的整数；
21、预处理所述面部帧图像；
22、根据所述面部帧图像中的激光点阵确定面部轮廓；
23、根据所述面部轮廓确定情绪得分；
24、将所述情绪得分编码为面部特征。
25、在一种实施方式中，在根据所述面部轮廓确定情绪得分中，具体包括：
26、所述情绪得分的计算公式为：
27、
28、其中，为所述面部轮廓，为情绪类型，则表示所述面部轮廓在所述情绪类型中的情绪得分，为给定类别为所述情绪类型时的所述面部轮廓的条件概率，为所述情绪类型的先验概率，为所述面部轮廓发生的总概率。
29、在一种实施方式中，根据所述历史上下文特征生成心理评估结果，具体包括：
30、构建心理评估表；所述心理评估表包括有用户信息、事例信息以及评估信息；
31、根据所述历史上下文特征中的特征输入预训练的心理健康模型，生成所述用户信息和所述事例信息以及评估信息。
32、本申请第二方面提供一种基于心理健康模型的对话理解与心理分析系统，用于执行本申请第一方面所述方法中的步骤，包括有：预训练的所述心理健康模型；
33、所述心理健康模型包括有数据处理模块、llm对话模块以及心理评估模块；
34、所述数据处理模块用于进行特征提取和融合；
35、所述llm对话模块用于根据所述历史上下文特征预测所述第二对话数据；
36、所述心理评估模块用于根据更新后的所述历史上下文特征预测所述心理评估结果。
37、本申请提供的技术方案可以包括以下有益效果：
38、本申请为了提高模型对多模态数据的处理速度，将对话数据和面部数据在提取完特征后进行融合，构建按照时间戳排列的历史上下文特征。在进行对话时，通过第一对话数据和历史上下文特征预测出第二对话数据。在完成对话时，通过更新后的历史上下文特征预测心理评估结果。并且，模型能够直接基于融合了面部数据和对话数据的历史上下文特征作为输入进行训练，也就能大大减少参数量。
39、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
本文档来自技高网...【技术保护点】
1.一种基于心理健康模型的对话理解与心理分析方法，其特征在于，包括：
2.根据权利要求1所述的基于心理健康模型的对话理解与心理分析方法，其特征在于，包括：
3.根据权利要求2所述的基于心理健康模型的对话理解与心理分析方法，其特征在于，所述解析并提取所述交互视频，得到所述第一对话数据和所述第一面部数据，具体包括：
4.根据权利要求1所述的基于心理健康模型的对话理解与心理分析方法，其特征在于，所述第一对话数据为用户向人机交互设备发送的对话数据，所述第二对话数据为人机交互设备向用户发送的对话数据；
5.根据权利要求4所述的基于心理健康模型的对话理解与心理分析方法，其特征在于，所述第一面部数据为用户在发送所述第一对话数据过程中的面部数据，所述第二面部数据为用户在接受所述第二对话数据过程中的面部数据；
6.根据权利要求5所述的基于心理健康模型的对话理解与心理分析方法，其特征在于，所述面部数据的特征提取还包括：
7.根据权利要求6所述的基于心理健康模型的对话理解与心理分析方法，其特征在于，在根据所述面部轮廓确定情绪得分中
8.根据权利要求1所述的基于心理健康模型的对话理解与心理分析方法，其特征在于，根据所述历史上下文特征生成心理评估结果，具体包括：
9.一种基于心理健康模型的对话理解与心理分析系统，用于执行权利要求1至8任一项所述方法中的步骤，其特征在于，包括有：预训练的所述心理健康模型；
...【技术特征摘要】
1.一种基于心理健康模型的对话理解与心理分析方法，其特征在于，包括：
2.根据权利要求1所述的基于心理健康模型的对话理解与心理分析方法，其特征在于，包括：
3.根据权利要求2所述的基于心理健康模型的对话理解与心理分析方法，其特征在于，所述解析并提取所述交互视频，得到所述第一对话数据和所述第一面部数据，具体包括：
4.根据权利要求1所述的基于心理健康模型的对话理解与心理分析方法，其特征在于，所述第一对话数据为用户向人机交互设备发送的对话数据，所述第二对话数据为人机交互设备向用户发送的对话数据；
5.根据权利要求4所述的基于心理健康模型的对话理解与心理分析方法，其特征在于，所述第一面部数据为用户在发送...
【专利技术属性】
技术研发人员：欧红君，刘胜坤，黄倩影，李伟基，
申请(专利权)人：广东数业智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。