CN109192277B - 一种基于通用有效问答标尺的心理特征度量方法 - Google Patents
一种基于通用有效问答标尺的心理特征度量方法 Download PDFInfo
- Publication number
- CN109192277B CN109192277B CN201810992236.6A CN201810992236A CN109192277B CN 109192277 B CN109192277 B CN 109192277B CN 201810992236 A CN201810992236 A CN 201810992236A CN 109192277 B CN109192277 B CN 109192277B
- Authority
- CN
- China
- Prior art keywords
- psychological
- question
- characteristic
- answering
- micro
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
Abstract
本发明公开一种基于通用有效问答标尺的心理特征度量方法，一、基于心理特征标注的问答系统建立心理特征有效问答标尺模型；二、基于微特征建立心理特征有效问答标尺模型；三、在心理特征标注的问答系统和微特征之间建立多层深度转移概率网络；四、将心理特征有效问答标尺模型与现场采集的微特征进行尺度度量，输出心理特征。本发明能够通过标尺的度量，建立微表情特征，皮肤电特征，呼吸特征，血压特征，呼吸特征以及声音特征统一指向，获得实时心理特征，从而完成实时心理特征标注。能够将不同的心理特征进行量化，那么，对于先验知识较少的场景，则可以通过概率转移模型，建立有效的心理特征评价方法。
Description
技术领域
本发明涉及一种基于通用有效问答标尺的心理特征度量方法。
背景技术
心理特征度量是通过观察人的表情、行为和情感产生的前提环境来推断情感状态。心理特征研究内容丰富，国内外相关研究机构与学者都开展了相关研究。按照研究内容的不同可以分为微表情心理特征识别、语音心理特征识别、生理信号心理特征识别等方面。微表情表情、语音等方面的情感识别比较直观，都是以身体和行为方式的外在表现出来的自愿或不自愿信号的复杂模式为量度来识别的情感，而无法观测到潜在的、真实的情感状态。相比较其他几种类别的情感识别研究而言，生理信号情感识别则是记录伴随着情感变化由人体内部器官产生的一种或多种生物电信号，能更客观真实的反映出人的情感状态，具有更好的鲁棒性和客观性。生理信号情感识别使用生理信号传感器能以一种舒服的，非侵入的方式置于人身上，与身体保持良好接触，来采集人在不同情景下生理信号。通过分析生理信号，可以识别出内在真实的情感和情绪。使得通过生理信号来识别心理特征更贴切于实际，且有很大实用价值。
发明内容
本发明的目的是提供一种基于通用有效问答标尺的心理特征度量方法。
本发明采用的技术方案是：
一种基于通用有效问答标尺的心理特征度量方法，
一、基于心理特征标注的问答系统建立心理特征有效问答标尺模型；
二、基于微特征建立心理特征有效问答标尺模型；
三、在心理特征标注的问答系统和微特征之间建立多层深度转移概率网络；
四、将心理特征有效问答标尺模型与现场采集的微特征进行尺度度量，输出心理特征。
基于心理特征标注的问答系统包括已知问答，未知问答，极端问答；
已知问答，未知问答，极端问答内容包括相关性，无关性，中性问题。
微特征是通过高清摄像头采集的微表情，生理信息采集器采集的生理特征，声音采集器采集的语音特征，进行获取微表情特征，例如皮肤电特征，呼吸特征，血压特征，呼吸特征以及声音特征。
在充分利用问题的先验知识的前提下，通过对这些先验知识将已知或者未知的答案进行概率转移建模；根据心理微特征进行问答标签标注；采用心理特征的度量方法，能够将不同的心理特征进行量化，对于先验知识较少的场景，则可以通过概率转移模型，建立有效的心理特征评价方法；
采用多层深度转移概率网络，通过建立不同的维度问题，进而建立不同维度的心理特征指向；根据问题的回答先验知识，建立不同问题先验知识的心理特征标签模型；将不同的标签通过深度转移概率网络进行投影，形成在统一维度的有效标尺；通过该标尺的度量，建立微表情特征，皮肤电特征，呼吸特征，血压特征，呼吸特征以及声音特征统一指向，获得实时心理特征，从而完成实时心理特征标注。
通过已知问题，未知问题，极端问题形成具有不同维度的特征空间，根据不同空间的问答先验知识建立指向模型；该模型通过深度转移网络的投影运算，建立与微表情特征，皮肤电特征，呼吸特征，血压特征，呼吸特征以及声音特征统一指向标尺；通过该标尺的深度网络的转移概率模型，形成未来心理特征的有效标签；从而为获取心理特征的决策提供准确、可靠依据。
心理特征标注的问答系统采用多维度的已知问答，构建多生理微特征数据融合，并且通过心理标注数据库模型校正；采用基于深度转移概率模型的问答标注系统，根据深度学习转移概率模型，将不同的问答特征进行关联，从而建立尺度模型，为实时获取心理特征的决策提供准确、可靠依据。
本发明的优点是：
本发明采用一种多层深度转移概率网络，通过建立不同的维度问题，进而建立不同维度的心理特征指向。根据问题的回答先验知识，建立不同问题先验知识的心理特征标签模型。将不同的标签通过深度转移概率网络进行投影，形成在统一维度的有效标尺。通过该标尺的度量，建立微表情特征，皮肤电特征，呼吸特征，血压特征，呼吸特征以及声音特征统一指向，获得实时心理特征，从而完成实时心理特征标注。
本发明能够采用一种有效尺度，能够将不同的心理特征进行量化，那么，对于先验知识较少的场景，则可以通过概率转移模型，建立有效的心理特征评价方法。
附图说明
图1是问答系统多维度实现框图。
图2是本发明的结构框图。
具体实施方式
下面将结合附图1、2对本发明作进一步说明。
一种基于通用有效问答标尺的心理特征度量方法，
一、基于心理特征标注的问答系统建立建立心理特征有效问答标尺模型；
二、基于微特征建立心理特征有效问答标尺模型；
三、在心理特征标注的问答系统和微特征之间建立多层深度转移概率网络；
四、将心理特征有效问答标尺模型与现场采集的微特征进行尺度度量，输出心理特征。
基于心理特征标注的问答系统包括已知问答，未知问答，极端问答；
已知问答，未知问答，极端问答内容包括相关性，无关性，中性问题。
微特征是通过高清摄像头采集的微表情，生理信息采集器采集的生理特征，声音采集器采集的语音特征，进行获取微表情特征，例如皮肤电特征，呼吸特征，血压特征，呼吸特征以及声音特征。
在充分利用问题的先验知识的前提下，通过对这些先验知识将已知或者未知的答案进行概率转移建模；根据心理微特征进行问答标签标注；采用心理特征的度量方法，能够将不同的心理特征进行量化，对于先验知识较少的场景，则可以通过概率转移模型，建立有效的心理特征评价方法；
采用多层深度转移概率网络，通过建立不同的维度问题，进而建立不同维度的心理特征指向；根据问题的回答先验知识，建立不同问题先验知识的心理特征标签模型；将不同的标签通过深度转移概率网络进行投影，形成在统一维度的有效标尺；通过该标尺的度量，建立微表情特征，皮肤电特征，呼吸特征，血压特征，呼吸特征以及声音特征统一指向，获得实时心理特征，从而完成实时心理特征标注。
通过已知问题，未知问题，极端问题形成具有不同维度的特征空间，根据不同空间的问答先验知识建立指向模型；该模型通过深度转移网络的投影运算，建立与微表情特征，皮肤电特征，呼吸特征，血压特征，呼吸特征以及声音特征统一指向标尺；通过该标尺的深度网络的转移概率模型，形成未来心理特征的有效标签；从而为获取心理特征的决策提供准确、可靠依据。
心理特征标注的问答系统采用多维度的已知问答，构建多生理微特征数据融合，并且通过心理标注数据库模型校正；采用基于深度转移概率模型的问答标注系统，根据深度学习转移概率模型，将不同的问答特征进行关联，从而建立尺度模型，为实时获取心理特征的决策提供准确、可靠依据。
Claims (3)
1.一种基于通用有效问答标尺的心理特征度量方法，其特征在于：
一、基于心理特征标注的问答系统建立心理特征有效问答标尺模型；
二、基于微特征建立心理特征有效问答标尺模型；
三、在心理特征标注的问答系统和微特征之间建立多层深度转移概率网络；
四、将心理特征有效问答标尺模型与现场采集的微特征进行尺度度量，输出心理特征；
基于心理特征标注的问答系统包括已知问答，未知问答，极端问答；
已知问答，未知问答，极端问答内容包括相关性，无关性，中性问题；
微特征是通过高清摄像头采集的微表情，生理信息采集器采集的生理特征，声音采集器采集的语音特征，进行获取微表情特征，主要包括皮肤电特征，呼吸特征，血压特征，呼吸特征以及声音特征；
在充分利用问题的先验知识的前提下，通过对这些先验知识将已知或者未知的答案进行概率转移建模；根据心理微特征进行问答标签标注；采用心理特征的度量方法，能够将不同的心理特征进行量化，对于先验知识较少的场景，则通过概率转移模型，建立有效的心理特征评价方法；
采用多层深度转移概率网络，通过建立不同的维度问题，进而建立不同维度的心理特征指向；根据问题的回答先验知识，建立不同问题先验知识的心理特征标签模型；将不同的标签通过深度转移概率网络进行投影，形成在统一维度的有效标尺；通过该标尺的度量，建立微表情特征，皮肤电特征，呼吸特征，血压特征，呼吸特征以及声音特征统一指向，获得实时心理特征，从而完成实时心理特征标注。
2.根据权利要求1所述的一种基于通用有效问答标尺的心理特征度量方法，其特征在于：
通过已知问题，未知问题，极端问题形成具有不同维度的特征空间，根据不同空间的问答先验知识建立指向模型；该模型通过深度转移网络的投影运算，建立与微表情特征，皮肤电特征，呼吸特征，血压特征，呼吸特征以及声音特征统一指向标尺；通过该标尺的深度网络的转移概率模型，形成未来心理特征的有效标签；从而为获取心理特征的决策提供准确、可靠依据。
3.根据权利要求1所述的一种基于通用有效问答标尺的心理特征度量方法，其特征在于：
心理特征标注的问答系统采用多维度的已知问答，构建多生理微特征数据融合，并且通过心理标注数据库模型校正；采用基于深度转移概率模型的问答标注系统，根据深度学习转移概率模型，将不同的问答特征进行关联，从而建立尺度模型，为实时获取心理特征的决策提供准确、可靠依据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810992236.6A CN109192277B (zh) | 2018-08-29 | 2018-08-29 | 一种基于通用有效问答标尺的心理特征度量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810992236.6A CN109192277B (zh) | 2018-08-29 | 2018-08-29 | 一种基于通用有效问答标尺的心理特征度量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109192277A CN109192277A (zh) | 2019-01-11 |
| CN109192277B true CN109192277B (zh) | 2021-11-02 |
Family
ID=64916937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810992236.6A Active CN109192277B (zh) | 2018-08-29 | 2018-08-29 | 一种基于通用有效问答标尺的心理特征度量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109192277B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4626220A (en) * | 1984-03-27 | 1986-12-02 | American Guidance Service, Inc. | Psychological test device |
| US7187790B2 (en) * | 2002-12-18 | 2007-03-06 | Ge Medical Systems Global Technology Company, Llc | Data processing and feedback method and system |
| CN101187990A (zh) * | 2007-12-14 | 2008-05-28 | 华南理工大学 | 一种会话机器人系统 |
| CN103440864A (zh) * | 2013-07-31 | 2013-12-11 | 湖南大学 | 基于语音的人格特征预测方法 |
| CN105022929A (zh) * | 2015-08-07 | 2015-11-04 | 北京环度智慧智能技术研究所有限公司 | 一种人格特质值测验的认知准确度分析方法 |
| CN105160299A (zh) * | 2015-07-31 | 2015-12-16 | 华南理工大学 | 基于贝叶斯融合稀疏表示分类器的人脸情感识别方法 |
-
2018
- 2018-08-29 CN CN201810992236.6A patent/CN109192277B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4626220A (en) * | 1984-03-27 | 1986-12-02 | American Guidance Service, Inc. | Psychological test device |
| US7187790B2 (en) * | 2002-12-18 | 2007-03-06 | Ge Medical Systems Global Technology Company, Llc | Data processing and feedback method and system |
| CN101187990A (zh) * | 2007-12-14 | 2008-05-28 | 华南理工大学 | 一种会话机器人系统 |
| CN103440864A (zh) * | 2013-07-31 | 2013-12-11 | 湖南大学 | 基于语音的人格特征预测方法 |
| CN105160299A (zh) * | 2015-07-31 | 2015-12-16 | 华南理工大学 | 基于贝叶斯融合稀疏表示分类器的人脸情感识别方法 |
| CN105022929A (zh) * | 2015-08-07 | 2015-11-04 | 北京环度智慧智能技术研究所有限公司 | 一种人格特质值测验的认知准确度分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109192277A (zh) | 2019-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Intelligent facial emotion recognition and semantic-based topic detection for a humanoid robot | |
| CN112120716A (zh) | 一种可穿戴式多模态情绪状态监测装置 | |
| CN106097793B (zh) | 一种面向智能机器人的儿童教学方法和装置 | |
| CN107030691A (zh) | 一种看护机器人的数据处理方法及装置 | |
| CN109359215A (zh) | 视频智能推送方法和系统 | |
| CN107480872A (zh) | 一种基于数据交换网络的在线教学考评系统及方法 | |
| CN110135242B (zh) | 基于低分辨率红外热成像深度感知的情绪识别装置及方法 | |
| CN106408035B (zh) | 基于人力触觉感知特性的力触觉再现真实感客观评价方法 | |
| CN110390841A (zh) | 数字病人的问诊训练方法、终端与系统 | |
| CN112766173A (zh) | 一种基于ai深度学习的多模态情感分析方法及其系统 | |
| CN109101663A (zh) | 一种基于互联网的机器人对话系统 | |
| Gunes et al. | Continuous analysis of affect from voice and face | |
| Ray et al. | Design and implementation of technology enabled affective learning using fusion of bio-physical and facial expression | |
| Shen et al. | Affective e-Learning in residential and pervasive computing environments | |
| CN116313087A (zh) | 一种孤独症患者心理状态识别方法与装置 | |
| CN109192277B (zh) | 一种基于通用有效问答标尺的心理特征度量方法 | |
| Ashwin et al. | Unobtrusive students' engagement analysis in computer science laboratory using deep learning techniques | |
| CN115810424A (zh) | 认知行为评估和治疗系统 | |
| Tan et al. | Towards automatic engagement recognition of autistic children in a machine learning approach | |
| CN110353703B (zh) | 基于鹦鹉学舌语言范式行为分析的孤独症评估装置及系统 | |
| Xu et al. | Spontaneous visual database for detecting learning-centered emotions during online learning | |
| Sun | Research on Dance Motion Capture Technology for Visualization Requirements | |
| Chen et al. | Emotion-reading Nursing Care Environment Based on Facial Expression Recognition | |
| Gunes et al. | Observer annotation of affective display and evaluation of expressivity: Face vs. face-and-body | |
| Hadjara et al. | Video-based Emotion Detection Analyzing Facial Expressions and Contactless Vital Signs for Psychosomatic Monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |