CN106372729B - 用于心理分析的深度学习方法及装置 - Google Patents

用于心理分析的深度学习方法及装置 Download PDF

Info

Publication number
CN106372729B
CN106372729B CN201610780822.5A CN201610780822A CN106372729B CN 106372729 B CN106372729 B CN 106372729B CN 201610780822 A CN201610780822 A CN 201610780822A CN 106372729 B CN106372729 B CN 106372729B
Authority
CN
China
Prior art keywords
neural network
psychological
element information
psychological analysis
deep learning
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
Application number
CN201610780822.5A
Other languages
English (en)
Other versions
CN106372729A (zh
Inventor
刘醒基
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Ruiji Information Technology Co ltd
Original Assignee
Guangzhou Ruiji Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Ruiji Information Technology Co ltd filed Critical Guangzhou Ruiji Information Technology Co ltd
Priority to CN201610780822.5A priority Critical patent/CN106372729B/zh
Publication of CN106372729A publication Critical patent/CN106372729A/zh
Application granted granted Critical
Publication of CN106372729B publication Critical patent/CN106372729B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于心理分析的深度学习方法及装置，所述方法包括步骤：采集样本用户的绘画信息并提取其中的绘画元素信息，以构成绘画元素信息数据库；收集心理专家对所述绘画元素信息数据库中的不同绘画元素的心理分析结果；将所述绘画元素信息作为输入，所述心理分析结果作为输出，训练出所述神经网络模型的各个权值。通过上述方式，本发明能够利用深度学习方法实现更快速高效智能化的心理分析过程。

Description

用于心理分析的深度学习方法及装置
技术领域
本发明涉及领域大数据领域，特别是涉及一种用于心理分析的深度学习方法，同时还涉及一种用于心理分析的深度学习装置。
背景技术
随着社会的快速发展，科技的飞速进步，人们面对越来越多来自各方面的生活工作压力，长期压力情况下会使人们的身体和心理处于亚健康状态，尤其是心理方面的疾病会给人们的生活工作带来十分严重的影响。通常情况下，心理疾病的患者会寻求心理医生的帮助，但往往会带来高昂的费用，且心理医生需要多次与患者面对面交流，逐步分析才能判断出患者的心理状态，耗时较长。
同时，随着社会发展的日趋复杂，3-12岁的少年儿童心理健康越来越受关注，更便捷的心理分析方式能够使得家长更好地发现少年儿童的心理健康问题，从而能够及时找到应对方法，帮助孩子健康成长。
如何能提供更快捷方便的方式获取用户的心理状态是目前需要解决的问题。而大数据是目前的发展趋势，利用大数据能够从海量的数据中分析出想要的结果信息，因此需要一种用于心理分析的大数据处理方法，以能够快速进行心理分析。
发明内容
本发明主要解决的技术问题是如何提供一种用于心理分析的深度学习方法，利用深度学习实现用户的心理状况的自动化分析。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种用于心理分析的深度学习方法，包括以下步骤：
采集样本用户的绘画信息并提取其中的绘画元素信息，以构成绘画元素信息数据库；
收集心理专家对所述绘画元素信息数据库中的不同绘画元素的心理分析结果；
将所述绘画元素信息作为输入，所述心理分析结果作为输出，训练出所述神经网络模型的各个权值。
具体的，所述神经网络采用反向传播神经网络。
优选的，所述神经网络包括三层神经网络。
具体的，所述绘画元素包括绘画线条、绘画颜色、绘画对象的位置信息以及采用的绘画对象素材。
具体的，所述心理分析结果包括对用户的性格、喜好、情绪、成长经历的分析结果。
本发明还提供一种用于心理分析的深度学习装置的实施例，包括：
采集模块：用于采集样本用户的绘画信息并提取其中的绘画元素信息，以构成绘画元素信息数据库；
收集模块：用于收集心理专家对所述绘画元素信息数据库中的不同绘画元素的心理分析结果；
训练模块：用于将所述绘画元素信息作为输入，所述心理分析结果作为输出，训练出所述神经网络模型的各个权值。
具体的，所述神经网络采用反向传播神经网络。
优选的，所述神经网络包括三层神经网络。
具体的，所述绘画元素包括绘画线条、绘画颜色、绘画对象的位置信息以及采用的绘画对象素材。
具体的，所述心理分析结果包括对用户的性格、喜好、情绪、成长经历的分析结果。
本发明的有益效果是：区别于现有技术的情况，本发明所述方法利用深度学习构建神经网络模型，自动分析出用户的心理状况，从而实现用户心理状况的自动化分析。
附图说明
图1是本发明一实施例所述的用于心理分析的深度学习方法流程示意图；
图2是本发明另一实施例所述的用于心理分析的深度学习装置结构框图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
请参阅图1，图1是本发明一实施例提供的用于心理分析的深度学习方法流程示意图。包括步骤：
步骤S101、采集样本用户的绘画信息并提取其中的绘画元素信息，以构成绘画元素信息数据库；
所述样本用户绘画由样本用户绘制生成，将绘制完整的绘画通过扫描等方式进行上传，上传至由本发明实施例构成的心理分析系统，完成对用户绘画信息的采集。
然后对采集的绘画信息进行提取，该提取过程具体为图像处理过程，如图层的分离，颜色的分析，绘画对象的提取等过程。
其中，所述绘画元素包括绘画线条、绘画颜色、绘画对象的位置信息以及采用的绘画对象素材。此处所述绘画元素仅是对可能的绘画元素的列举，不作为对本发明的限定。采集一定数量的用户绘画信息作为训练样本，分别提取每个训练样本的绘画元素信息，其中所述绘画元素信息包括绘画线条、绘画颜色、绘画对象的位置信息以及采用的绘画对象素材等任何能够表征绘画的区别特征，该些绘画特征构成绘画元素信息的样本数据库。
步骤S102、收集心理专家对所述绘画元素信息数据库中的不同绘画元素的心理分析结果；
收集心理专家基于对上述步骤生成的绘画元素信息数据库中的各种绘画元素分析出的心理结果，如绘画线条的粗细或纹理分别代表用户怎样的性格，绘画颜色代表用户怎样的情绪，绘画对象的位置信息代表用户怎样的爱好等等。其中，所述心理分析结果包括对用户的性格、喜好、情绪、成长经历的分析结果。
步骤S103、将所述绘画元素信息作为输入，所述心理分析结果作为输出，训练出所述神经网络模型的各个权值。
深度学习（Deep Learning）是机器学习中一个非常接近人工智能的领域，其动机在于建立、模拟人脑进行分析学习的神经网络。而神经网络是对人脑神经工作的一种简化生物模型，模拟人脑对神经元之间的联系和强度的调节过程。
BP（Back Propagation）算法也即反向传播算法，其是为了解决多层谦虚神经网络的权系数优化而提出来的。BP神经网络含有输入层、输出层，以及处于输入输出层之间的中间层，中间层包括单层或多层，又被称为隐层，改变隐层的权系数能够改变整个神经网络的性能。
神经网络的训练是指向神经网络输入足够多的样本，通过一定算法调整网络结构，主要指权值，使得神经网络的输出符号预期值。
由于BP神经网络采用了BP算法，存在反向传播的子过程，而该过程能够通过反复修正权值和阈值，使得误差函数值最小，从而使得训练出来的模块精度更高，因此本发明优选采用BP神经网络进行神经网络的训练。
由于任何函数都可以由三层的神经网络以任意精度逼近，且由于深度学习算法本身存在的不稳定性，太多层的神经网络会造成波动，误差反而会增大，因此本发明实施例优选采用三层神经网络训练模型。
将上述步骤获取的绘画元素信息作为输入，所述心理分析结果作为输出，对神经网络模型进行训练，优选地，所述神经网络为三层BP神经网络，得出基于绘画投射的心理分析模型。
为了进一步对本发明实施例所述方法以模块化形式进行说明，如图2所示，本发明另一实施例提供一种用于心理分析的深度学习装置，包括采集模块81、收集模块82、训练模块83，其中，
所述采集模块81用于采集样本用户的绘画信息并提取其中的绘画元素信息，以构成绘画元素信息数据库；
所述样本用户绘画由样本用户绘制生成，采集模块81将绘制完整的绘画通过扫描等方式进行上传，上传至由本发明实施例构成的心理分析系统，完成对用户绘画信息的采集。
然后对采集的绘画信息进行提取，该提取过程具体为图像处理过程，如图层的分离，颜色的分析，绘画对象的提取等过程。其中，
所述绘画元素包括绘画线条、绘画颜色、绘画对象的位置信息以及采用的绘画对象素材。此处所述绘画元素仅是对可能的绘画元素的列举，不作为对本发明的限定。采集一定数量的用户绘画信息作为训练样本，分别提取每个训练样本的绘画元素信息，其中所述绘画元素信息包括绘画线条、绘画颜色、绘画对象的位置信息以及采用的绘画对象素材等任何能够表征绘画的区别特征，该些绘画特征构成绘画元素信息的样本数据库。
所述收集模块82用于收集心理专家对所述绘画元素信息数据库中的不同绘画元素的心理分析结果；
由收集模块82收集心理专家基于对上述步骤生成的绘画元素信息数据库中的各种绘画元素分析出的心理结果，如绘画线条的粗细或纹理分别代表用户怎样的性格，绘画颜色代表用户怎样的情绪，绘画对象的位置信息代表用户怎样的爱好等等，其中所述心理分析结果包括对用户的性格、喜好、情绪、成长经历的分析结果。
所述训练模块83用于将所述绘画元素信息作为输入，所述心理分析结果作为输出，训练出所述神经网络模型的各个权值。
深度学习（Deep Learning）是机器学习中一个非常接近人工智能的领域，其动机在于建立、模拟人脑进行分析学习的神经网络。而神经网络是对人脑神经工作的一种简化生物模型，模拟人脑对神经元之间的联系和强度的调节过程。
BP（Back Propagation）算法也即反向传播算法，其是为了解决多层谦虚神经网络的权系数优化而提出来的。BP神经网络含有输入层、输出层，以及处于输入输出层之间的中间层，中间层包括单层或多层，又被称为隐层，改变隐层的权系数能够改变整个神经网络的性能。
神经网络的训练是指向神经网络输入足够多的样本，通过一定算法调整网络结构，主要指权值，使得神经网络的输出符号预期值。
由于BP神经网络采用了BP算法，存在反向传播的子过程，而该过程能够通过反复修正权值和阈值，使得误差函数值最小，从而使得训练出来的模块精度更高，因此本发明优选采用BP神经网络进行神经网络的训练。
由于任何函数都可以由三层的神经网络以任意精度逼近，且由于深度学习算法本身存在的不稳定性，太多层的神经网络会造成波动，误差反而会增大，因此本发明实施例优选采用三层神经网络训练模型。
将上述模块获取的绘画元素信息作为输入，所述心理分析结果作为输出，通过训练模块83对神经网络模型进行训练，优选地，所述神经网络为三层BP神经网络，得出基于绘画投射的心理分析模型。
综上所述，本发明所述方法或装置利用深度学习构建神经网络模型，自动分析出用户的心理状况，从而实现用户心理状况的自动化分析。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (1)

1.一种用于心理分析的深度学习方法，其特征在于，包括以下步骤：
采集样本用户的绘画信息并提取其中的绘画元素信息，以构成绘画元素信息数据库；
收集心理专家对所述绘画元素信息数据库中的不同绘画元素的心理分析结果，包括绘画线条的粗细或纹理分别代表用户怎样的性格，绘画颜色代表用户怎样的情绪，绘画对象的位置信息代表用户怎样的爱好；
将所述绘画元素信息作为输入，所述心理分析结果作为输出，训练出神经网络模型的各个权值；
所述神经网络采用反向传播神经网络；
所述神经网络包括三层神经网络；
所述绘画元素包括绘画线条、绘画颜色、绘画对象的位置信息以及采用的绘画对象素材；
所述心理分析结果包括对用户的性格、喜好、情绪、成长经历的分析结果；
所述深度学习方法通过用于心理分析的深度学习装置进行，所述装置包括：
采集模块，用于采集样本用户的绘画信息并提取其中的绘画元素信息，以构成绘画元素信息数据库；
收集模块，用于收集心理专家对所述绘画元素信息数据库中的不同绘画元素的心理分析结果；
训练模块，用于将所述绘画元素信息作为输入，所述心理分析结果作为输出，训练出所述神经网络模型的各个权值。
CN201610780822.5A 2016-08-31 2016-08-31 用于心理分析的深度学习方法及装置 Active CN106372729B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610780822.5A CN106372729B (zh) 2016-08-31 2016-08-31 用于心理分析的深度学习方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610780822.5A CN106372729B (zh) 2016-08-31 2016-08-31 用于心理分析的深度学习方法及装置

Publications (2)

Publication Number Publication Date
CN106372729A CN106372729A (zh) 2017-02-01
CN106372729B true CN106372729B (zh) 2020-05-12

Family

ID=57899276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610780822.5A Active CN106372729B (zh) 2016-08-31 2016-08-31 用于心理分析的深度学习方法及装置

Country Status (1)

Country Link
CN (1) CN106372729B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108392213B (zh) * 2018-03-27 2021-02-26 北京态极科技有限公司 基于绘画心理学的心理分析方法及装置
CN109543749A (zh) * 2018-11-22 2019-03-29 云南大学 基于深度学习的绘画情感分析方法
CN110580947B (zh) * 2019-07-29 2022-11-01 话媒(广州)科技有限公司 一种基于交互的心理分析方法及装置
CN111160361A (zh) * 2019-11-18 2020-05-15 中国科学院自动化研究所 一种图像分类方法、装置以及计算机可读介质
CN111326234A (zh) * 2020-01-21 2020-06-23 浙江连信科技有限公司 基于深度学习算法的心理困扰场景匹配方法及装置
CN113707275B (zh) * 2021-08-27 2023-06-23 郑州铁路职业技术学院 基于大数据分析的心理健康估计方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5333239A (en) * 1988-09-12 1994-07-26 Fujitsu Limited Learning process system for use with a neural network structure data processing apparatus
CN101846972A (zh) * 2009-03-23 2010-09-29 上海都峰智能科技有限公司 两轴扫描镜
CN101846970A (zh) * 2009-03-23 2010-09-29 上海都峰智能科技有限公司 电加热炉装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5333239A (en) * 1988-09-12 1994-07-26 Fujitsu Limited Learning process system for use with a neural network structure data processing apparatus
CN101846972A (zh) * 2009-03-23 2010-09-29 上海都峰智能科技有限公司 两轴扫描镜
CN101846970A (zh) * 2009-03-23 2010-09-29 上海都峰智能科技有限公司 电加热炉装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基千LFCM-SVM的版画情感映射改进;刘颍霜;《中国优秀硕士学位论文信息科技辑》;20150930;第49-57页 *

Also Published As

Publication number Publication date
CN106372729A (zh) 2017-02-01

Similar Documents

Publication Publication Date Title
CN106372729B (zh) 用于心理分析的深度学习方法及装置
CN106447042B (zh) 基于绘画投射的心理分析方法及装置
CN111616721B (zh) 基于深度学习和脑机接口的情绪识别系统及应用
Amin Q methodology: A journey into the subjectivity of human mind
CN105280044B (zh) 一种面向孤独症谱系障碍儿童的智能教学系统
CN104166548B (zh) 基于运动想象脑电数据的深度学习方法
WO2018024031A1 (zh) 一种对医疗图像进行转换学习的方法和装置
CN108388890A (zh) 一种基于面部表情识别的新生儿疼痛程度评估方法及系统
CN113723250B (zh) 一种用于帮助教师反思性成长的课堂智能分析方法及系统
WO2019024380A1 (zh) 一种中医智能诊断方法、系统及中医医疗系统
CN109636688A (zh) 一种基于大数据的学生行为分析系统
CN104799852B (zh) 基于超限学习机自编码的运动想象脑电信号特征的提取方法
CN110070105A (zh) 基于元学习实例快速筛选的脑电情绪识别方法、系统
CN105534534A (zh) 一种基于实时功能磁共振的情绪识别方法、装置及系统
Oppenheim Emotional availability: Research advances and theoretical questions
CN107451265A (zh) 一种基于物联网与人工智能技术的故事平台
CN105022486A (zh) 基于不同表情驱动的脑电信号辨识方法
Deckert et al. Metaphor processing in middle childhood and at the transition to early adolescence: The role of chronological age, mental age, and verbal intelligence
CN104035563A (zh) 基于w-pca和无监督ghsom的脑电信号识别方法
CN112008725B (zh) 一种人机融合脑控机器人系统
CN106355574A (zh) 一种基于深度学习的腹内脂肪分割方法
CN113128353B (zh) 面向自然人机交互的情绪感知方法及其系统
Pillette et al. Towards artificial learning companions for mental imagery-based brain-computer interfaces
CN117313852A (zh) 基于多模态数据的个性化教学知识图谱更新方法及系统
CN106541408A (zh) 基于智能机器人的儿童行为引导方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant