CN106510736A - 基于多维心理状态指标的心理状态判定方法与系统 - Google Patents
基于多维心理状态指标的心理状态判定方法与系统 Download PDFInfo
- Publication number
- CN106510736A CN106510736A CN201611110216.9A CN201611110216A CN106510736A CN 106510736 A CN106510736 A CN 106510736A CN 201611110216 A CN201611110216 A CN 201611110216A CN 106510736 A CN106510736 A CN 106510736A
- Authority
- CN
- China
- Prior art keywords
- mental status
- mental
- training set
- different
- matrix
- 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.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Psychiatry (AREA)
- Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Biomedical Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Physics & Mathematics (AREA)
- Child & Adolescent Psychology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Developmental Disabilities (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了基于多维心理状态指标的心理状态判定方法及系统,其中该方法包括:设计不同刺激模式的诱发心理状态变化实验,构建测试个体的不同心理状态所对应的训练集;构建出不同心理状态所对应的心理状态指标数据的判断矩阵,计算出不同心理状态所对应的训练集内心理状态指标数据的权重矩阵及相应判断矩阵的最大特征值;得到不同心理状态所对应的训练集心理状态指标数据矩阵并存储至训练集心理状态集合;采集非实验条件下测试个体的心理状态指标数据并分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差得到差值矩阵;根据差值矩阵与训练集心理状态集合内元素所对应最大特征值比较,判定测试个体的心理状态。
Description
技术领域
本发明属于人员心理状态监测领域,尤其涉及一种基于多维心理状态指标的心理状态判定方法与系统。
背景技术
心理是指人内在符号活动梳理的过程和结果。具体是指生物对客观物质世界的主观反映心理的表现形式叫做心理现象,包括心理过程和心理特性,人的心理活动都有一个发生,发展,消失的过程。
人的心理由于主观性极强,且具有较强的隐蔽性,根据现有技术很难客观的分析出个体准确心理。尤其是公安司法对于涉事人员的审讯过程中,较为顽固的被审讯者往往会有较强的心理素质并会刻意隐藏心理波动以达到掩护自身及他人的目的,而对于审讯人员来说,把握被审讯者的心理波动及心理变化趋势往往是审讯的突破点,如果审讯者可以在审讯过程中清楚准确的实时了解被审讯者的心理状态,就可以根据被审讯这的心理波动做出针对性的方案,找到审讯突破口。
随着信息时代的到来,在心理监测方向,往往采用单一的心理状态指标来监测个体的心理状态及变化,而忽略了其他心理状态指标对个体的心理状态变化的影响,这样使得心理状态变化预测不准确,进而无法对公安司法的审讯工作带来实质性的帮助。
发明内容
为了解决现有技术的缺点,本发明的第一目的是提供一种基于多维心理状态指标的心理状态判定方法。
本发明的一种基于多维心理状态指标的心理状态判定方法,包括:
步骤1:确定至少两种心理状态指标来描述测试个体的心理状态;设计不同刺激模式的诱发心理状态变化实验,并实时采集并获取测试个体的心理状态指标数据,构建测试个体的不同心理状态所对应的训练集;
步骤2:预设不同心理状态所对应的训练集内心理状态指标数据的重要程度,进而构建出不同心理状态所对应的心理状态指标数据的判断矩阵,计算出不同心理状态所对应的训练集内心理状态指标数据的权重矩阵及相应判断矩阵的最大特征值;
步骤3:将不同心理状态所对应的训练集内心理状态指标数据分别与其相应权重矩阵相乘,得到不同心理状态所对应的训练集心理状态指标数据矩阵并存储至训练集心理状态集合;
步骤4:采集非实验条件下测试个体的心理状态指标数据,并分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差,得到差值矩阵;若差值矩阵的任一元素的绝对值均小于当前训练集心理状态集合内元素所对应最大特征值,则判定测试个体的心理状态为当前训练集心理状态集合内元素所对应的心理状态。
进一步地,所述步骤1中,心理状态指标数据包括面部微表情图像特征值及生理指标数据。
本发明利用面部微表情图像特征值及生理指标数据多维数据来综合更加准确地描述测试个体的心理状态,避免了因单一数据指标而描述测试个体的心理状态造成的误差。
进一步地,在步骤2中,计算出不同心理状态所对应的训练集内心理状态指标数据的权重矩阵的过程包括:
分别计算出不同心理状态所对应的心理状态指标数据的判断矩阵的特征向量;
然后经过归一化处理,使特征向量满足总和为1,进而得到相应心理状态所对应的训练集内心理状态指标数据的权重矩阵。
通过采用将数据进行归一化处理,使得心理状态指标数据均转化为统一量纲的指标,这样为准确判断测试个体的心理状态奠定了基础。
进一步地,实时采集并获取测试个体的心理状态指标数据的具体过程为:
实时采集面部微表情图像及生理指标数据;
根据预构建的二维视角人脸模型,提取面部微表情图像的特征值,进而获取测试个体的面部微表情图像的特征值,再结合采集的生理指标数据,得到测试个体的心理状态指标数据。
本发明通过二维视角人脸模型来提取面部微表情图像的特征值,这样能够准确获取最显著的人脸特征轮廓,进而方便准确地提取接收的多视角图像的相应特征,为准确判断测试个体的心理状态奠定了基础。
本发明的第二目的是提供一种基于多维心理状态指标的心理状态判定系统。
本发明的一种基于多维心理状态指标的心理状态判定系统,包括:
训练集构建模块,其用于确定至少两种心理状态指标来描述测试个体的心理状态;设计不同刺激模式的诱发心理状态变化实验,并实时采集并获取测试个体的心理状态指标数据,构建测试个体的不同心理状态所对应的训练集;
判断矩阵计算模块,其用于预设不同心理状态所对应的训练集内心理状态指标数据的重要程度,进而构建出不同心理状态所对应的心理状态指标数据的判断矩阵,计算出不同心理状态所对应的训练集内心理状态指标数据的权重矩阵及相应判断矩阵的最大特征值;
训练集心理状态集合构建模块,其用于将不同心理状态所对应的训练集内心理状态指标数据分别与其相应权重矩阵相乘,得到不同心理状态所对应的训练集心理状态指标数据矩阵并存储至训练集心理状态集合;
心理状态判断模块,其用于采集非实验条件下测试个体的心理状态指标数据,并分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差,得到差值矩阵;若差值矩阵的任一元素的绝对值均小于当前训练集心理状态集合内元素所对应最大特征值,则判定测试个体的心理状态为当前训练集心理状态集合内元素所对应的心理状态。
所述心理状态指标数据包括面部微表情图像特征值及生理指标数据。
本发明利用面部微表情图像特征值及生理指标数据多维数据来综合更加准确地描述测试个体的心理状态,避免了因单一数据指标而描述测试个体的心理状态造成的误差。
所述判断矩阵计算模块还包括:
特征向量计算模块,其用于分别计算出不同心理状态所对应的心理状态指标数据的判断矩阵的特征向量;
归一化处理模块,其用于将特征向量经过归一化处理,使其满足总和为1,进而得到相应心理状态所对应的训练集内心理状态指标数据的权重矩阵。
通过采用将数据进行归一化处理,使得心理状态指标数据均转化为统一量纲的指标,这样为准确判断测试个体的心理状态奠定了基础。
本发明的还提供了另一种基于多维心理状态指标的心理状态判定系统。
本发明的一种基于多维心理状态指标的心理状态判定系统,包括:
心理状态指标数据采集装置,其被配置为:在不同刺激模式的诱发心理状态变化实验下,实时采集并获取测试个体的心理状态指标数据;
服务器,其被配置为:
确定至少两种心理状态指标来描述测试个体的心理状态;接收所述诱发心理状态变化实验下的测试个体的心理状态指标数据,构建测试个体的不同心理状态所对应的训练集;
预设不同心理状态所对应的训练集内心理状态指标数据的重要程度,进而构建出不同心理状态所对应的心理状态指标数据的判断矩阵,计算出不同心理状态所对应的训练集内心理状态指标数据的权重矩阵及相应判断矩阵的最大特征值;
将不同心理状态所对应的训练集内心理状态指标数据分别与其相应权重矩阵相乘,得到不同心理状态所对应的训练集心理状态指标数据矩阵并存储至训练集心理状态集合;
所述心理状态指标数据采集装置,还用于实时采集非实验条件下测试个体的心理状态指标数据并传送至服务器;
所述服务器,还被配置为:
接收非实验条件下测试个体的心理状态指标数据,并分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差,得到差值矩阵;若差值矩阵的任一元素的绝对值均小于当前训练集心理状态集合内元素所对应最大特征值,则判定测试个体的心理状态为当前训练集心理状态集合内元素所对应的心理状态。
所述心理状态指标数据包括面部微表情图像特征值及生理指标数据。
本发明利用面部微表情图像特征值及生理指标数据多维数据来综合更加准确地描述测试个体的心理状态,避免了因单一数据指标而描述测试个体的心理状态造成的误差。
所述服务器还被配置为:
分别计算出不同心理状态所对应的心理状态指标数据的判断矩阵的特征向量;
然后经过归一化处理,使特征向量满足总和为1,进而得到相应心理状态所对应的训练集内心理状态指标数据的权重矩阵。
通过采用将数据进行归一化处理,使得心理状态指标数据均转化为统一量纲的指标,这样为准确判断测试个体的心理状态奠定了基础。
本发明的有益效果为:
本发明采用多维心理状态指标来监测测试个体的心理状态及变化,并且将实时采集的测试个体的心理状态指标数据,分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差,得到差值矩阵;根据差值矩阵与当前训练集心理状态集合内元素所对应最大特征值比较,若差值矩阵的任一元素的绝对值均小于当前训练集心理状态集合内元素所对应最大特征值,则判定测试个体的心理状态为当前训练集心理状态集合内元素所对应的心理状态;这样能够准确判断测试个体的心理状态,进一步预测心理状态变化;尤其在对犯罪嫌疑人审讯过程中,达到准确、实时的了解到被审讯者的心理状态和心理变化趋势,最终根据变化趋势对审讯的问题和技巧做出相应的改变,达到良好的审讯效果。
附图说明
图1是本发明的基于多维心理状态指标的心理状态判定方法流程图;
图2是二维视角人脸模型;
图3是人脸特征轮廓;
图4是本发明的一种基于多维心理状态指标的心理状态判定系统实施例一结构示意图;
图5是本发明的一种基于多维心理状态指标的心理状态判定系统实施例二结构示意图。
具体实施方式
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。
图1是本发明的一种基于多维心理状态指标的心理状态判定方法流程图。如图1所示的本发明的一种基于多维心理状态指标的心理状态判定方法,包括:
步骤1:确定至少两种心理状态指标来描述测试个体的心理状态;设计不同刺激模式的诱发心理状态变化实验,并实时采集并获取测试个体的心理状态指标数据,构建测试个体的不同心理状态所对应的训练集。
人类的心理状态分为:开心、高兴、兴奋、激动、惊喜、惊讶、生气、紧张、焦虑、愤怒、忧郁、伤心、难过、恐惧、害怕、害羞、后悔、内疚、平静、急躁、厌烦、痛苦、悲观、沮丧、得意和自卑。
具体地,心理状态指标数据包括面部微表情图像特征值及生理指标数据。
其中,生理指标数据包括:心率、体温和呼吸频率。
不同刺激模式的诱发心理状态变化实验,比如利用包括外力、语言和物质刺激模式来诱发测试个体的心理状态变化。
本发明利用面部微表情图像特征值及生理指标数据多维数据来综合更加准确地描述测试个体的心理状态,避免了因单一数据指标而描述测试个体的心理状态造成的误差。
在具体实施过程中,实时采集并获取测试个体的心理状态指标数据的具体过程为:
实时采集面部微表情图像及生理指标数据;
根据预构建的二维视角人脸模型,提取面部微表情图像的特征值,进而获取测试个体的面部微表情图像的特征值,再结合采集的生理指标数据,得到测试个体的心理状态指标数据。
具体地,首先建立一个包含正面和侧面的二维视角人脸模型。
正面视角模型由30个特征组成,其中25个特征由19个人脸上的特征点决定,剩下的是一些嘴部和下巴的形状特征,如图2所示。侧面的人脸模型由10个人脸轮廓点构成,与侧面轮廓率的极致点相对应,如图3所示。首先定位这些最显著的人脸特征轮廓,然后针对一幅输入的多视角图像提取相应特征。
对收集到的n个表情图像,分为k类,表示为{X1,X2,...,XK};第i类Xi包含ni个图像。把所有图像向量化,组成一个数据矩阵A,大小为N×n维,矩阵A的每一列都是一幅图像矩阵元素向量化后的体现,设一个变换G∈Rn,把A的每一列ai(1≤i≤n)从一个N维空间映射成一个I维空间的向量bi。
定义两个散布矩阵:类内散布矩阵SW和类间散布矩阵Sb,分别定义为:
其中,mi表示第i类表情图像的类内均值,m表示所有图像的总体均值,则最优变化为G的最大化特征值。
本发明通过二维视角人脸模型来提取面部微表情图像的特征值,这样能够准确获取最显著的人脸特征轮廓,进而方便准确地提取接收的多视角图像的相应特征,为准确判断测试个体的心理状态奠定了基础。
步骤2:预设不同心理状态所对应的训练集内心理状态指标数据的重要程度,进而构建出不同心理状态所对应的心理状态指标数据的判断矩阵,计算出不同心理状态所对应的训练集内心理状态指标数据的权重矩阵及相应判断矩阵的最大特征值。
在具体实施过程中,计算出不同心理状态所对应的训练集内心理状态指标数据的权重矩阵的过程包括:
分别计算出不同心理状态所对应的心理状态指标数据的判断矩阵的特征向量;
然后经过归一化处理,使特征向量满足总和为1,进而得到相应心理状态所对应的训练集内心理状态指标数据的权重矩阵。
通过采用将数据进行归一化处理,使得心理状态指标数据均转化为统一量纲的指标,这样为准确判断测试个体的心理状态奠定了基础。
以心率、呼吸频率、皱眉和眨眼这四个心理状态指标数据来描述测试个体的心理状态为例:
则构建的判断矩阵B为:
矩阵B | 心率 | 呼吸频率 | 皱眉 | 眨眼 |
心率 | b11 | b12 | b13 | b14 |
呼吸频率 | b21 | b22 | b23 | b24 |
皱眉 | b31 | b32 | b33 | b34 |
眨眼 | b41 | b42 | b43 | b44 |
其中,bij表示在判断矩阵中,特征bi对bj的相对重要程度的数值,即重要性的比较标度,该值是预设的。假设各指标相关性结果如下:
得到相应心理状态所对应的训练集内心理状态指标数据的权重矩阵的过程为:
首先计算判断矩阵每一行元素的乘积Mi(i=1,2,3,4);
计算Mi的4次方根z得到,
归一化处理得到特征值进而得到相应心理状态所对应的训练集内心理状态指标数据的权重矩阵。
步骤3:将不同心理状态所对应的训练集内心理状态指标数据分别与其相应权重矩阵相乘,得到不同心理状态所对应的训练集心理状态指标数据矩阵并存储至训练集心理状态集合。
步骤4:采集非实验条件下测试个体的心理状态指标数据,并分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差,得到差值矩阵;若差值矩阵的任一元素的绝对值均小于当前训练集心理状态集合内元素所对应最大特征值,则判定测试个体的心理状态为当前训练集心理状态集合内元素所对应的心理状态。
本发明的该方法采用多维心理状态指标来监测测试个体的心理状态及变化,并且将实时采集的测试个体的心理状态指标数据,分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差,得到差值矩阵;根据差值矩阵与当前训练集心理状态集合内元素所对应最大特征值比较,若差值矩阵的任一元素的绝对值均小于当前训练集心理状态集合内元素所对应最大特征值,则判定测试个体的心理状态为当前训练集心理状态集合内元素所对应的心理状态;这样能够准确判断测试个体的心理状态,进一步预测心理状态变化;尤其在对犯罪嫌疑人审讯过程中,达到准确、实时的了解到被审讯者的心理状态和心理变化趋势,最终根据变化趋势对审讯的问题和技巧做出相应的改变,达到良好的审讯效果。
图4是本发明的一种基于多维心理状态指标的心理状态判定系统实施例一结构示意图。
如图4所示的本发明的一种基于多维心理状态指标的心理状态判定系统,包括:
(1)训练集构建模块,其用于确定至少两种心理状态指标来描述测试个体的心理状态;设计不同刺激模式的诱发心理状态变化实验,并实时采集并获取测试个体的心理状态指标数据,构建测试个体的不同心理状态所对应的训练集。
人类的心理状态分为:开心、高兴、兴奋、激动、惊喜、惊讶、生气、紧张、焦虑、愤怒、忧郁、伤心、难过、恐惧、害怕、害羞、后悔、内疚、平静、急躁、厌烦、痛苦、悲观、沮丧、得意和自卑。
具体地,心理状态指标数据包括面部微表情图像特征值及生理指标数据。
其中,生理指标数据包括:心率、体温和呼吸频率。
不同刺激模式的诱发心理状态变化实验,比如利用包括外力、语言和物质刺激模式来诱发测试个体的心理状态变化。
本发明利用面部微表情图像特征值及生理指标数据多维数据来综合更加准确地描述测试个体的心理状态,避免了因单一数据指标而描述测试个体的心理状态造成的误差。
(2)判断矩阵计算模块,其用于预设不同心理状态所对应的训练集内心理状态指标数据的重要程度,进而构建出不同心理状态所对应的心理状态指标数据的判断矩阵,计算出不同心理状态所对应的训练集内心理状态指标数据的权重矩阵及相应判断矩阵的最大特征值。
其中,判断矩阵计算模块还包括:
特征向量计算模块,其用于分别计算出不同心理状态所对应的心理状态指标数据的判断矩阵的特征向量;
归一化处理模块,其用于将特征向量经过归一化处理,使其满足总和为1,进而得到相应心理状态所对应的训练集内心理状态指标数据的权重矩阵。
通过采用将数据进行归一化处理,使得心理状态指标数据均转化为统一量纲的指标,这样为准确判断测试个体的心理状态奠定了基础。
(3)训练集心理状态集合构建模块,其用于将不同心理状态所对应的训练集内心理状态指标数据分别与其相应权重矩阵相乘,得到不同心理状态所对应的训练集心理状态指标数据矩阵并存储至训练集心理状态集合。
(4)心理状态判断模块,其用于采集非实验条件下测试个体的心理状态指标数据,并分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差,得到差值矩阵;若差值矩阵的任一元素的绝对值均小于当前训练集心理状态集合内元素所对应最大特征值,则判定测试个体的心理状态为当前训练集心理状态集合内元素所对应的心理状态。
本发明的该系统采用多维心理状态指标来监测测试个体的心理状态及变化,并且将实时采集的测试个体的心理状态指标数据,分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差,得到差值矩阵;根据差值矩阵与当前训练集心理状态集合内元素所对应最大特征值比较,若差值矩阵的任一元素的绝对值均小于当前训练集心理状态集合内元素所对应最大特征值,则判定测试个体的心理状态为当前训练集心理状态集合内元素所对应的心理状态;这样能够准确判断测试个体的心理状态,进一步预测心理状态变化;尤其在对犯罪嫌疑人审讯过程中,达到准确、实时的了解到被审讯者的心理状态和心理变化趋势,最终根据变化趋势对审讯的问题和技巧做出相应的改变,达到良好的审讯效果。
图5是本发明的一种基于多维心理状态指标的心理状态判定系统实施例二结构示意图。
如图5所示的本发明的一种基于多维心理状态指标的心理状态判定系统,包括:心理状态指标数据采集装置和服务器。
(1)心理状态指标数据采集装置
心理状态指标数据采集装置,其被配置为:在不同刺激模式的诱发心理状态变化实验下,实时采集并获取测试个体的心理状态指标数据。
人类的心理状态分为:开心、高兴、兴奋、激动、惊喜、惊讶、生气、紧张、焦虑、愤怒、忧郁、伤心、难过、恐惧、害怕、害羞、后悔、内疚、平静、急躁、厌烦、痛苦、悲观、沮丧、得意和自卑。
具体地,心理状态指标数据包括面部微表情图像特征值及生理指标数据。
其中,生理指标数据包括:心率、体温和呼吸频率。
不同刺激模式的诱发心理状态变化实验,比如利用包括外力、语言和物质刺激模式来诱发测试个体的心理状态变化。
本发明利用面部微表情图像特征值及生理指标数据多维数据来综合更加准确地描述测试个体的心理状态,避免了因单一数据指标而描述测试个体的心理状态造成的误差。
其中,心理状态指标数据采集装置,还用于实时采集非实验条件下测试个体的心理状态指标数据并传送至服务器。
本发明的心理状态指标数据采集装置包括图像采集装置,比如摄像机;还包括心理指标采集装置,比如体温计、心率计和呼吸频率监测器。
除了上述装置之外,心理状态指标数据采集装置还包括其他现有的生理指标数据采集装置。
(2)服务器
服务器,其被配置为:
确定至少两种心理状态指标来描述测试个体的心理状态;接收所述诱发心理状态变化实验下的测试个体的心理状态指标数据,构建测试个体的不同心理状态所对应的训练集;
预设不同心理状态所对应的训练集内心理状态指标数据的重要程度,进而构建出不同心理状态所对应的心理状态指标数据的判断矩阵,计算出不同心理状态所对应的训练集内心理状态指标数据的权重矩阵及相应判断矩阵的最大特征值;
将不同心理状态所对应的训练集内心理状态指标数据分别与其相应权重矩阵相乘,得到不同心理状态所对应的训练集心理状态指标数据矩阵并存储至训练集心理状态集合;
所述服务器,还被配置为:
接收非实验条件下测试个体的心理状态指标数据,并分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差,得到差值矩阵;若差值矩阵的任一元素的绝对值均小于当前训练集心理状态集合内元素所对应最大特征值,则判定测试个体的心理状态为当前训练集心理状态集合内元素所对应的心理状态。
本发明的服务器还被配置为:
分别计算出不同心理状态所对应的心理状态指标数据的判断矩阵的特征向量;
然后经过归一化处理,使特征向量满足总和为1,进而得到相应心理状态所对应的训练集内心理状态指标数据的权重矩阵。
通过采用将数据进行归一化处理,使得心理状态指标数据均转化为统一量纲的指标,这样为准确判断测试个体的心理状态奠定了基础。
本发明的该系统采用多维心理状态指标来监测测试个体的心理状态及变化,并且将实时采集的测试个体的心理状态指标数据,分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差,得到差值矩阵;根据差值矩阵与当前训练集心理状态集合内元素所对应最大特征值比较,若差值矩阵的任一元素的绝对值均小于当前训练集心理状态集合内元素所对应最大特征值,则判定测试个体的心理状态为当前训练集心理状态集合内元素所对应的心理状态;这样能够准确判断测试个体的心理状态,进一步预测心理状态变化;尤其在对犯罪嫌疑人审讯过程中,达到准确、实时的了解到被审讯者的心理状态和心理变化趋势,最终根据变化趋势对审讯的问题和技巧做出相应的改变,达到良好的审讯效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于多维心理状态指标的心理状态判定方法,其特征在于,包括:
步骤1:确定至少两种心理状态指标来描述测试个体的心理状态;设计不同刺激模式的诱发心理状态变化实验,并实时采集并获取测试个体的心理状态指标数据,构建测试个体的不同心理状态所对应的训练集;
步骤2:预设不同心理状态所对应的训练集内心理状态指标数据的重要程度,进而构建出不同心理状态所对应的心理状态指标数据的判断矩阵,计算出不同心理状态所对应的训练集内心理状态指标数据的权重矩阵及相应判断矩阵的最大特征值;
步骤3:将不同心理状态所对应的训练集内心理状态指标数据分别与其相应权重矩阵相乘,得到不同心理状态所对应的训练集心理状态指标数据矩阵并存储至训练集心理状态集合;
步骤4:采集非实验条件下测试个体的心理状态指标数据,并分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差,得到差值矩阵;若差值矩阵的任一元素的绝对值均小于当前训练集心理状态集合内元素所对应最大特征值,则判定测试个体的心理状态为当前训练集心理状态集合内元素所对应的心理状态。
2.如权利要求1所述的一种基于多维心理状态指标的心理状态判定方法,其特征在于,所述步骤1中,心理状态指标数据包括面部微表情图像特征值及生理指标数据。
3.如权利要求1所述的一种基于多维心理状态指标的心理状态判定方法,其特征在于,在步骤2中,计算出不同心理状态所对应的训练集内心理状态指标数据的权重矩阵的过程包括:
分别计算出不同心理状态所对应的心理状态指标数据的判断矩阵的特征向量;
然后经过归一化处理,使特征向量满足总和为1,进而得到相应心理状态所对应的训练集内心理状态指标数据的权重矩阵。
4.如权利要求2所述的一种基于多维心理状态指标的心理状态判定方法,其特征在于,实时采集并获取测试个体的心理状态指标数据的具体过程为:
实时采集面部微表情图像及生理指标数据;
根据预构建的二维视角人脸模型,提取面部微表情图像的特征值,进而获取测试个体的面部微表情图像的特征值,再结合采集的生理指标数据,得到测试个体的心理状态指标数据。
5.一种基于多维心理状态指标的心理状态判定系统,其特征在于,包括:
训练集构建模块,其用于确定至少两种心理状态指标来描述测试个体的心理状态;设计不同刺激模式的诱发心理状态变化实验,并实时采集并获取测试个体的心理状态指标数据,构建测试个体的不同心理状态所对应的训练集;
判断矩阵计算模块,其用于预设不同心理状态所对应的训练集内心理状态指标数据的重要程度,进而构建出不同心理状态所对应的心理状态指标数据的判断矩阵,计算出不同心理状态所对应的训练集内心理状态指标数据的权重矩阵及相应判断矩阵的最大特征值;
训练集心理状态集合构建模块,其用于将不同心理状态所对应的训练集内心理状态指标数据分别与其相应权重矩阵相乘,得到不同心理状态所对应的训练集心理状态指标数据矩阵并存储至训练集心理状态集合;
心理状态判断模块,其用于采集非实验条件下测试个体的心理状态指标数据,并分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差,得到差值矩阵;若差值矩阵的任一元素的绝对值均小于当前训练集心理状态集合内元素所对应最大特征值,则判定测试个体的心理状态为当前训练集心理状态集合内元素所对应的心理状态。
6.如权利要求5所述的一种基于多维心理状态指标的心理状态判定系统,其特征在于,所述心理状态指标数据包括面部微表情图像特征值及生理指标数据。
7.如权利要求5所述的一种基于多维心理状态指标的心理状态判定系统,其特征在于,所述判断矩阵计算模块还包括:
特征向量计算模块,其用于分别计算出不同心理状态所对应的心理状态指标数据的判断矩阵的特征向量;
归一化处理模块,其用于将特征向量经过归一化处理,使其满足总和为1,进而得到相应心理状态所对应的训练集内心理状态指标数据的权重矩阵。
8.一种基于多维心理状态指标的心理状态判定系统,其特征在于,包括:
心理状态指标数据采集装置,其被配置为:在不同刺激模式的诱发心理状态变化实验下,实时采集并获取测试个体的心理状态指标数据;
服务器,其被配置为:
确定至少两种心理状态指标来描述测试个体的心理状态;接收所述诱发心理状态变化实验下的测试个体的心理状态指标数据,构建测试个体的不同心理状态所对应的训练集;
预设不同心理状态所对应的训练集内心理状态指标数据的重要程度,进而构建出不同心理状态所对应的心理状态指标数据的判断矩阵,计算出不同心理状态所对应的训练集内心理状态指标数据的权重矩阵及相应判断矩阵的最大特征值;
将不同心理状态所对应的训练集内心理状态指标数据分别与其相应权重矩阵相乘,得到不同心理状态所对应的训练集心理状态指标数据矩阵并存储至训练集心理状态集合;
所述心理状态指标数据采集装置,还用于实时采集非实验条件下测试个体的心理状态指标数据并传送至服务器;
所述服务器,还被配置为:
接收非实验条件下测试个体的心理状态指标数据,并分别与不同心理状态所对应的权重矩阵相乘后,再与训练集心理状态集合内元素相对应作差,得到差值矩阵;若差值矩阵的任一元素的绝对值均小于当前训练集心理状态集合内元素所对应最大特征值,则判定测试个体的心理状态为当前训练集心理状态集合内元素所对应的心理状态。
9.如权利要求8所述的一种基于多维心理状态指标的心理状态判定系统,其特征在于,所述心理状态指标数据包括面部微表情图像特征值及生理指标数据。
10.如权利要求8所述的一种基于多维心理状态指标的心理状态判定系统,其特征在于,所述服务器还被配置为:
分别计算出不同心理状态所对应的心理状态指标数据的判断矩阵的特征向量;
然后经过归一化处理,使特征向量满足总和为1,进而得到相应心理状态所对应的训练集内心理状态指标数据的权重矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611110216.9A CN106510736B (zh) | 2016-12-06 | 2016-12-06 | 基于多维心理状态指标的心理状态判定方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611110216.9A CN106510736B (zh) | 2016-12-06 | 2016-12-06 | 基于多维心理状态指标的心理状态判定方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106510736A true CN106510736A (zh) | 2017-03-22 |
CN106510736B CN106510736B (zh) | 2019-06-28 |
Family
ID=58341960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611110216.9A Active CN106510736B (zh) | 2016-12-06 | 2016-12-06 | 基于多维心理状态指标的心理状态判定方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106510736B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107280693A (zh) * | 2017-06-20 | 2017-10-24 | 国网技术学院 | 基于vr交互电子沙盘的心理分析系统及方法 |
CN109998501A (zh) * | 2019-03-26 | 2019-07-12 | 深圳市科思创动科技有限公司 | 生理指标及心理指标的检测方法、装置及终端设备 |
CN110623680A (zh) * | 2019-08-30 | 2019-12-31 | 中国民用航空飞行学院 | 一种民航飞行学员心理健康测试方法 |
CN110633654A (zh) * | 2019-08-29 | 2019-12-31 | 武汉赛可锐信息技术有限公司 | 基于身体数据的远程审讯方法、装置、终端设备及介质 |
CN111265226A (zh) * | 2020-03-03 | 2020-06-12 | 淮安信息职业技术学院 | 一种心理应激管理能力检测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101331490A (zh) * | 2005-09-12 | 2008-12-24 | 埃默迪弗系统股份有限公司 | 心理状态的检测和使用心理状态的互动 |
CN104274191A (zh) * | 2014-10-08 | 2015-01-14 | 北京中维监安信息科技有限公司 | 一种心理测评方法及其系统 |
WO2015083151A2 (en) * | 2013-12-03 | 2015-06-11 | Headsense Medical Ltd. | Physiological and psychological condition sensing headset |
JP2016081519A (ja) * | 2014-10-15 | 2016-05-16 | オムロン株式会社 | 特性評価装置、特性評価システム、特性評価方法、および特性評価プログラム |
CN105740224A (zh) * | 2014-12-11 | 2016-07-06 | 仲恺农业工程学院 | 一种基于文本分析的用户心理预警方法与装置 |
-
2016
- 2016-12-06 CN CN201611110216.9A patent/CN106510736B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101331490A (zh) * | 2005-09-12 | 2008-12-24 | 埃默迪弗系统股份有限公司 | 心理状态的检测和使用心理状态的互动 |
WO2015083151A2 (en) * | 2013-12-03 | 2015-06-11 | Headsense Medical Ltd. | Physiological and psychological condition sensing headset |
CN104274191A (zh) * | 2014-10-08 | 2015-01-14 | 北京中维监安信息科技有限公司 | 一种心理测评方法及其系统 |
JP2016081519A (ja) * | 2014-10-15 | 2016-05-16 | オムロン株式会社 | 特性評価装置、特性評価システム、特性評価方法、および特性評価プログラム |
CN105740224A (zh) * | 2014-12-11 | 2016-07-06 | 仲恺农业工程学院 | 一种基于文本分析的用户心理预警方法与装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107280693A (zh) * | 2017-06-20 | 2017-10-24 | 国网技术学院 | 基于vr交互电子沙盘的心理分析系统及方法 |
CN109998501A (zh) * | 2019-03-26 | 2019-07-12 | 深圳市科思创动科技有限公司 | 生理指标及心理指标的检测方法、装置及终端设备 |
CN110633654A (zh) * | 2019-08-29 | 2019-12-31 | 武汉赛可锐信息技术有限公司 | 基于身体数据的远程审讯方法、装置、终端设备及介质 |
CN110623680A (zh) * | 2019-08-30 | 2019-12-31 | 中国民用航空飞行学院 | 一种民航飞行学员心理健康测试方法 |
CN111265226A (zh) * | 2020-03-03 | 2020-06-12 | 淮安信息职业技术学院 | 一种心理应激管理能力检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106510736B (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106510736B (zh) | 基于多维心理状态指标的心理状态判定方法与系统 | |
CN106503799B (zh) | 基于多尺度网络的深度学习模型及在脑状态监测中的应用 | |
CN108090433B (zh) | 人脸识别方法及装置、存储介质、处理器 | |
JP6522161B2 (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
CN104769578B (zh) | 自动特征分析、比较和异常检测的方法 | |
CN104361318B (zh) | 一种基于弥散张量成像技术的疾病诊断辅助系统 | |
CN107679507A (zh) | 面部毛孔检测系统及方法 | |
WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
CN106295555A (zh) | 一种活体指纹图像的检测方法 | |
CN104269025B (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
CN107967686B (zh) | 一种联合动态脑网络和长短时记忆网络的癫痫识别装置 | |
CN103251417A (zh) | 创业潜质脑电信号表征与识别方法 | |
CN109919036A (zh) | 基于时域分析深度网络的工人作业姿势分类方法 | |
CN105184794A (zh) | 一种基于张量图像的csm辅助分析系统及方法 | |
CN110718301B (zh) | 基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法 | |
CN114220543B (zh) | 一种肿瘤患者身心痛苦指数评估方法以及系统 | |
CN110192860B (zh) | 一种面向网络信息认知的脑成像智能测试分析方法及系统 | |
CN108628432A (zh) | 一种基于资源占用与时间分布的工作负荷评估方法与系统 | |
CN112561935B (zh) | 一种大脑影像智能分类方法、装置和设备 | |
CN115147768B (zh) | 一种跌倒风险评估方法及系统 | |
CN106845512A (zh) | 基于分形参数的兽类形体识别方法及系统 | |
CN116543455A (zh) | 建立帕金森症步态受损评估模型、使用方法、设备及介质 | |
Su | RETRACTED: Target detection algorithm and data model optimization based on improved Gaussian mixture model | |
Saponaro et al. | Estimating Physical Activity Intensity And Energy Expenditure Using Computer Vision On Videos | |
CN106725364B (zh) | 基于概率统计方法的管制员疲劳检测方法及系统 |
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 |