CN109903837A - 心理检测方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种心理检测方法，所述心理检测方法包括：利用特征数据采集设备采集检测对象多个特征类型的第一特征数据，其中，所述特征类型至少包括语音类型、肢体图像类型或表情图像类型；将采集到的各个特征类型的第一特征数据分别输入各个特征类型对应的深度学习心理分析模型中，获得各个模型的分析结果；根据各个模型的分析结果确定检测对象当前的心理状态。本发明还公开了一种心理检测装置、计算机可读存储介质。本发明能够基于不同特征类型的特征数据从不同维度获得全面准确的心理分析结果。

Description

心理检测方法、装置及计算机可读存储介质

技术领域

本发明涉及心理术技术领域，尤其涉及一种心理检测方法、装置及计算机可读存储介质。

背景技术

心理状态的分析在商用、民用、军用或者科研等许多领域中都存在非常大的使用价值。人们一般通过分析对象的肢体动作或表情等外在表征来获得分析对象的心理状态，心理分析依赖人工执行，这种心理状态分析方法对分析人员有较高的心理专业要求，分析员在进行心理状态分析的过程中可能忽略细微的表征信息而导致分析结论不全面。

发明内容

本发明的主要目的在于提供一种心理检测方法、装置及计算机可读存储介质，旨在解决现有技术分析依赖人工执行的心理分析方法对分析人员有较高的心理专业要求，存在可能忽略细微的表征信息而导致分析结论不全面的问题。

为实现上述目的，本发明提供一种心理检测方法，所述心理检测方法包括：

利用特征数据采集设备采集检测对象多个特征类型的第一特征数据，其中，所述特征类型至少包括语音类型、肢体图像类型或表情图像类型；

将采集到的各个特征类型的第一特征数据分别输入各个特征类型对应的深度学习心理分析模型中，获得各个模型的分析结果；

根据各个模型的分析结果确定检测对象当前的心理状态。

优选地，所述心理状态至少包括：喜悦状态、悲伤状态、紧张状态、放松状态、说谎状态或未说谎状态。

优选地，，所述根据各个模型的分析结果确定检测对象当前的心理状态的步骤包括：

将各个模型的分析结果进行加权融合，基于融合结果确定检测对象的心理状态。

优选地，所述分析结果包括检测对象处于预设心理状态的概率，所述将各个模型的分析结果进行加权融合，基于融合结果确定检测对象的心理状态的步骤包括：

将各个模型同个预设心理状态的概率进行加权融合，获得各个预设心理状态的加权概率；

根据各个预设心理状态的加权概率和预设概率阈值确定检测对象的心理状态。

优选地，所述利用特征数据采集设备采集检测对象多个特征类型的第一特征数据的步骤包括：

获取各个特征类型的第二特征数据和所述第二特征数据的心理状态标注信息，构建用于训练模型的训练集；

将所述训练集中的第二特征数据作为模型的输入，将对应心理状态标注信息作为模型的输出，训练得到各个特征类型的深度学习心理分析模型。

优选地，所述根据各个模型的心理分析结果确定检测对象的心理状态的步骤之后包括：

根据所述心理状态对各个模型的分析结果进行校正，获得各个模型的校正分析结果；

根据所述第一特征数据构建各个深度学习心理分析模型的新训练集，并利用对应的校正分析结果对一特征数据进行标注；

将新训练集中的第一特征数据作为模型的输入，将对应标注的校正分析结果作为模型的输出，在已有的深度学习心理分析模型的基础上进行训练，获得新的深度学习心理分析模型。

优选地，所述根据各个模型的分析结果确定检测对象当前的心理状态的步骤之后还包括：

判断检测对象当前的心理状态是否与预设异常心理状态匹配；

若是，则根据所述预设异常心理状态关联的心理调节方案生成心理调节提示信息。

优选地，所述根据所述预设异常心理状态关联的心理调节方案生成心理调节提示信息的步骤之后包括：

获取检测对象执行所述心理调节方案过程中的第三特征数据；

根据所述第三特征数据确定检测对象执行所述心理调节方案过程中的心理状态；

根据检测对象执行所述心理调节方案过程中的心理状态确定所述心理调节方案的调节效果。

为实现上述目的，本发明还提供一种心理检测装置，其中，所述心理检测装置至少包括存储器、处理器以及存储在所述存储器上的心理检测程序，所述心理检测程序被所述处理器执行时实现如上所述的心理检测方法的步骤。

此外，为实现上述目的，本发明还提供一种心理检测计算机可读存储介质，其中，所述计算机可读存储介质上存储有心理检测程序，所述心理检测程序被处理器执行时实现如上所述的心理检测方法的步骤。

本发明提供一种心理检测方法，所述心理检测方法包括：利用特征数据采集设备采集检测对象多个特征类型的第一特征数据，其中，所述特征类型至少包括语音类型、肢体图像类型或表情图像类型；将采集到的各个特征类型的第一特征数据分别输入各个特征类型对应的深度学习心理分析模型中，获得各个模型的分析结果；根据各个模型的分析结果确定检测对象当前的心理状态。通过上述方式，基于深度学习算法利用深度学习心理分析模型对检测对象的语音、肢体或表情等不同类型外在表征信息进行分析，获得不同维度的分析结果，综合多个维度的分析结果获得全面准确的心理状态检测结果。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的装置所属终端结构示意图；

图2为本发明心理检测方法第一实施例的流程示意图；

图3为本发明心理检测方法第二实施例的流程示意图；

图4为本发明心理检测方法第三实施例的流程示意图；

图5为本发明心理检测方法第四实施例的流程示意图；

图6为本发明心理检测方法第五实施例的流程示意图；

图7为本发明心理检测方法第六实施例的流程示意图

图8为本发明心理检测方法第七实施例的流程示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在现有心理检测技术中，一般通过分析对象的肢体动作或表情等外在表征来获得分析对象的心理状态，心理分析依赖人工执行，这种心理状态分析方法对分析人员有较高的心理专业要求，分析员在进行心理状态分析的过程中可能忽略细微的表征信息而导致分析结论不全面。

为了解决上述技术问题，本发明提供一种心理检测方法，在本方法中，先利用特征数据采集设备采集检测对象多个特征类型的第一特征数据，其中，所述特征类型至少包括语音类型、肢体图像类型或表情图像类型，再将采集到的各个特征类型的第一特征数据分别输入各个特征类型对应的深度学习心理分析模型中，获得各个模型的分析结果，然后根据各个模型的分析结果确定检测对象当前的心理状态，从而获得全面准确的心理分析结论。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图。

本发明实施例终端可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及心理检测程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的心理检测程序，并执行以下操作：

利用特征数据采集设备采集检测对象多个特征类型的第一特征数据，其中，所述特征类型至少包括语音类型、肢体图像类型或表情图像类型；

将采集到的各个特征类型的第一特征数据分别输入各个特征类型对应的深度学习心理分析模型中，获得各个模型的分析结果；

根据各个模型的分析结果确定检测对象当前的心理状态。

进一步地，处理器1001可以调用存储器1005中存储的心理检测程序，还执行以下操作：

将各个模型的分析结果进行加权融合，基于融合结果确定检测对象的心理状态。

进一步地，处理器1001可以调用存储器1005中存储的心理检测程序，还执行以下操作：

将各个模型同个预设心理状态的概率进行加权融合，获得各个预设心理状态的加权概率；

根据各个预设心理状态的加权概率和预设概率阈值确定检测对象的心理状态。

进一步地，处理器1001可以调用存储器1005中存储的心理检测程序，还执行以下操作：

获取各个特征类型的第二特征数据和所述第二特征数据的心理状态标注信息，构建用于训练模型的训练集；

将所述训练集中的第二特征数据作为模型的输入，将对应心理状态标注信息作为模型的输出，训练得到各个特征类型的深度学习心理分析模型。

进一步地，处理器1001可以调用存储器1005中存储的心理检测程序，还执行以下操作：

根据所述心理状态对各个模型的分析结果进行校正，获得各个模型的校正分析结果；

根据所述第一特征数据构建各个深度学习心理分析模型的新训练集，并利用对应的校正分析结果对一特征数据进行标注；

将新训练集中的第一特征数据作为模型的输入，将对应标注的校正分析结果作为模型的输出，在已有的深度学习心理分析模型的基础上进行训练，获得新的深度学习心理分析模型。

进一步地，处理器1001可以调用存储器1005中存储的心理检测程序，还执行以下操作：

判断检测对象当前的心理状态是否与预设异常心理状态匹配；

若是，则根据所述预设异常心理状态关联的心理调节方案生成心理调节提示信息。

进一步地，处理器1001可以调用存储器1005中存储的心理检测程序，还执行以下操作：

获取检测对象执行所述心理调节方案过程中的第三特征数据；

根据所述第三特征数据确定检测对象执行所述心理调节方案过程中的心理状态；

根据检测对象执行所述心理调节方案过程中的心理状态确定所述心理调节方案的调节效果。

参照图2，图2为本发明心理检测方法第一实施例流程示意图。

本发明心理检测方法主要应用于心理分析领域。心理状态的分析在商用、民用、军用或者科研等许多领域中都存在非常大的使用价值。人们一般通过分析对象的肢体动作或表情等外在表征来获得分析对象的心理状态，这种心理状态分析方法对分析人员有较高的心理专业要求，分析员在进行心理状态分析的过程中可能会由于忽略细微的表征信息或注意力转移而忽略分析对象的表征信息而导致分析结论不全面。本实施例提供一种利用深度学习心理分析模型对用户语音、肢体或表情等特征数据进行分析，根据不同特征类型的分析结果确定检测对象的心理状态的方法，通过多个特征的分析结果可以从多个维度获得更加准确全面的心理状态信息。本实施例的实现过程包括以下步骤：

步骤S10，利用特征数据采集设备采集检测对象多个特征类型的第一特征数据，其中，所述特征类型至少包括语音类型、肢体图像类型或表情图像类型；

在本实施例中，检测对象亦即心理分析的对象，特征数据指的是检测对象的说话的音频数据、检测对象的表情图像数据或检测对象的肢体状态图像数据。特征数据采集设备可以包括采集音频数据的麦克风或获取肢体图像数据和表情图像数据的摄像头等。特征类型包括语音类型、肢体图像类型或表情图像类型。其中，语音类型指的是检测对象说话的特征；肢体图像类型对应检测对象的肢体姿态特征，可以包括躯干状态、手部状态或足部状态等特征；表情图像类型指的是检测对象的表情特征，可以包括瞳孔状态、口部状态或脸部肌肉状态等特征。第一特征数据指的是在进行心理检测过程中利用特征数据采集设备采集的语音类型、肢体图像类型或表情图像类型的特征数据。心理学研究表明，基于人们的声音、肢体动作或者表情等类型外在特征可以确定人们的心理状态，例如一个人在紧张时，会有以下一个或多个表现：讲话声音幅度提高、讲话语速加快、双手紧握或表情僵硬等。

步骤S20，将采集到的各个特征类型的第一特征数据分别输入各个特征类型对应的深度学习心理分析模型中，获得各个模型的分析结果；

基于上述步骤，在采集到各个特征类型的特征数据时，基于特征数据的特征类型分别输入到各个特征类型对应的深度学习心理分析模型中进行分析处理，获得各个特征类型特征数据的心理状态分析结果。具体地，将采集到的语音数据输入到语音深度学习心理分析模型中进行分析处理，提取语音的幅度或频率等特征信息，基于语音的幅度或者频率确定检测对象的心理状态分类，获得基于检测对象说话语音的心理状态分析结果；将表情图像数据输入到表情深度学习心理分析模型中，提取嘴巴状态、瞳孔状态或眉毛状态等特征信息，并基于上述表情的特征信息确定检测对象心理状态分类，获得基于表情的心理状态分析结果；将肢体图像数据输入到肢体深度学习心理分析模型中进行分析处理，提取躯干状态、手脚状态等特征信息并确定检测对象的心理状态分类，获得基于肢体状态的行李状态分析结果。在模型对第一特征数据处理过程中，第一特征数据输入到各个模型中时，进行前向传播，确定模型中各层生成的特征映射图，对特征映射图进行加权处理，生成心理分析结果。在本实施例中，各个深度学习心理分析模型在获得特征数据时，可以只提取特征数据中的一个特定特征，基于提取特征对检测对象的心理状态进行分类，则分析结果为基于提取的特定特征确定的心理状态归类，例如，对于获取的表情特征数据，可以只提取脸部肌肉状态特征，而忽略瞳孔或嘴巴等特征数据，基于检测对象脸部绷紧的表情图像确定检测对象的心理状态为紧张状态。此外，对特定特征类型的特征数据，还可以从不同维度来提取不同的特征，基于多个不同的特征确定检测对象可能处于预先设定的预设心理状态的可能性比例，则对应的分析结果为检测对象可能处于的心理状态以及各个可能处于的心理状态的可能性占比，在本实施例中，对于同个类型不同维度的特征，可以基于特定特征对特定心理状态的关联程度设置一特定的权重值，通过同个类型不同维度的特征的心理状态通过加权的方式得到可能的心理状态的可能性占比。具体地，表情类型的特征数据可以从眉毛状态、瞳孔状态、嘴巴状态、鼻子状态或脸部肌肉的绷紧情况等多个维度来确定检测对象可能处于的心理状态和各个心理状态的可能性占比，可以预先设置根据特定维度的特征对特定心理状态的关联程度设置一个特定的权重值，例如嘴角的上扬或下收状态可以反映出检测对象当前的心理状态是开心状态还是难过状态，嘴巴状态与开心或难过状态关联程度较高，可以认为检测对象嘴角上扬的时候为开心状态，嘴角下收的时候为难过状态，可以设置一个较大的权重值，例如30％，而肌肉绷紧情况则与开心或难过状态的关联程度较小，可以认为检测对象脸部肌肉绷紧时50％的可能性为开心状态，可以设置一个较小的权重值5％。若提取的嘴巴状态特征中识别出嘴角上扬的状态时，则确定基于嘴巴状态确定检测对象处于开心状态的可能性为：30％；基于脸部肌肉绷紧状情况确定检测对象处于开心状态的可能性为50％*5％＝2.5％，同理，基于其他维度计算得到检测对象处于开心状态的可能性之和为20％时，则表情深度学习心理分析模型中得到检测对象处于开心状态的可能性占比为上述维度的可能性之和：30％+2.5％+10％＝52.5％。基于同样的方法确定表情类型特征数据的所有心理状态的可能性比例以及其他类型特征数据的所有心理状态的可能性比例。在本实施例中，可以预先设置若干特定的心理状态，每个分析模型的分析结果为各个预设心理状态的可能性比例。

步骤S30，根据各个模型的分析结果确定检测对象当前的心理状态，其中，所述心理状态至少包括：喜悦状态、悲伤状态、紧张状态、放松状态、说谎状态或未说谎状态。

基于上述步骤，在获得语音深度学习分析模型、表情深度学习分析模型以及肢体深度学习分析模型等各个心理分析模型的分析结果后，根据所有心理分析模型的分析结果确定检测对象的心理状态。基于上述步骤，若各个模型的分析结果为一个特定的心理状态时，将所有模型的心理状态作为检测对象当前的心理状态；若各个模型的分析结果为各个预设心理状态的可能性比例时，可以基于各个模型的分析结果计算各个预设心理状态的可能性比例之和，将可能性比例之和大于预设可能性阈值的预设心理状态作为检测对象当前的心理状态，获得最终的心理状态检测结果。当然，在本实施例中，还可以根据各个深度学习心理分析模型的分析结果中出现次数最多的心理状态作为最终的心理状态检测结果。在本实施例中，心理状态至少包括：喜悦状态、悲伤状态、紧张状态、放松状态、说谎状态或未说谎状态。

在本实施例中，利用特征数据采集设备采集检测对象多个特征类型的第一特征数据，其中，所述特征类型至少包括语音类型、肢体图像类型或表情图像类型；将采集到的各个特征类型的第一特征数据分别输入各个特征类型对应的深度学习心理分析模型中，获得各个模型的分析结果；根据各个模型的分析结果确定检测对象当前的心理状态。通过上述方式，基于深度学习算法利用深度学习心理分析模型对检测对象的语音、肢体或表情等不同类型外在表征信息进行分析，获得不同维度的分析结果，综合多个维度的分析结果获得全面准确的心理状态检测结果。

进一步地，参照图3，图3为本发明心理检测方法第二实施例流程示意图。基于上述实施例，在本实施例中，步骤S30包括：

步骤S40，将各个模型的分析结果进行加权融合，基于融合结果确定检测对象的心理状态。

基于上述实施例，在本实施例中，根据各个模型的分析结果确定检测对象当前的心理状态的方式是可以是对各个模型的分析结果进行加权融合，基于融合的结果确定检测对象的心理状态。具体地，可以预先基于每个模型对应的特征类型与实际心理状态的关联程度或预测的准确程度设置对应的模型权重值，若步骤S20的分析结果为特定的心理状态，则以各个模型的模型权重值作为该模型的分析结果的得分，若不同的模型的分析结果为同个心理状态，将该心理状态对应的各个模型的权重值相加，作为该心理状态的得分，计算所有分析结果的对应的心理状态的得分，将得分大于预设得分阈值的心理状态作为检测对象的心理状态或按照得分从大到小的顺序获取预设数量的心理状态作为检测对象的心理状态。另一方面，若步骤S20的分析结果为检测对象处于预设的若干心理状态的可能性比例时，基于第一实施例中的心理状态可能性比例的计算方法确定每个模型中每个预设心理状态的可能性比例，基于各个模型的分析结果计算各个预设心理状态的可能性比例之和，将可能性比例之和大于预设可能性阈值的预设心理状态作为检测对象当前的心理状态，获得最终的心理状态检测结果。

在本实施例中，将各个模型的分析结果进行加权融合，基于融合结果确定检测对象的心理状态。通过上述方式，将各个模型分析结果加权融合的结果可以获得准确全面的心理状态检测结果。

进一步地，参照图4，图4为本发明心理检测方法第三实施例流程示意图，基于上述本发明心理检测方法实施例，提出本发明的第三实施例。

基于上述实施例，在本实施例中，所述分析结果包括检测对象处于预设心理状态的概率，步骤S40包括：

步骤S50，将各个模型同个预设心理状态的概率进行加权融合，获得各个预设心理状态的加权概率；

步骤S60，根据各个预设心理状态的加权概率和预设概率阈值确定检测对象的心理状态。

基于上述实施例，在本实施例中，可以预先设置若干特定的心理状态，例如喜悦状态、悲伤状态、紧张状态、放松状态、说谎状态或未说谎状态等，以预设的心理状态为分析的心理对象，每个分析模型的分析结果为各个预设心理状态的可能性比例，即检测对象处于各个预设心理状态的概率。基于第一实施例中的心理状态可能性比例的计算方法确定每个模型中每个预设心理状态的可能性比例，基于各个模型的分析结果计算各个预设心理状态的可能性比例之和(即各个预设心理状态的加权概率)，将可能性比例之和大于预设可能性阈值(即预设概率阈值)的预设心理状态作为检测对象当前的心理状态，获得最终的心理状态检测结果。

在本实施例中，将各个模型同个预设心理状态的概率进行加权融合，获得各个预设心理状态的加权概率；根据各个预设心理状态的加权概率和预设概率阈值确定检测对象的心理状态，获得准确全面的准确的心理状态检测结果。

进一步地，参照图5，图5为本发明心理检测方法第四实施例流程示意图。

基于上述实施例，在本实施例中，步骤S10之前包括：

步骤S70，获取各个特征类型的第二特征数据和所述第二特征数据的心理状态标注信息，构建用于训练模型的训练集；

步骤S80，将所述训练集中的第二特征数据作为模型的输入，将对应心理状态标注信息作为模型的输出，训练得到各个特征类型的深度学习心理分析模型。

基于上述实施例，在本实施例中，第二特征数据为开发者采集的用于构建用于训练深度学习模型得到上述各种深度学习心理分析模型的训练集的特征数据，可以包括语音类型的特征数据、表情类型的特征数据或肢体类型的特征数据等，第二特征数据来源可以是图像网站，也可以由开发者基于心理学原理通过实验方式采集得到。其中，第二特征数据的心理状态标注信息由开发者添加得到。构建了训练集后，将训练集中的第二特征数据作为深度学习网络模型的输入，将第二特征数据对应的心理状态标注信息作为深度学习网络模型的输出，训练得到各个特征类型的深度学习模型，如表情深度学习心理分析模型、肢体深度学习心理分析模型或语音深度学习心理分析模型。

在本实施例中，获取各个特征类型的第二特征数据和所述第二特征数据的心理状态标注信息，构建用于训练模型的训练集；将所述训练集中的第二特征数据作为模型的输入，将对应心理状态标注信息作为模型的输出，训练得到各个特征类型的深度学习心理分析模型。通过上述方式，构建得到用于进行心理检测的深度学习心理分析模型。

进一步地，参照图6，图6为本发明心理检测方法第五实施例流程示意图，基于上述本发明心理检测方法实施例，提出本发明的第五实施例。

基于上述实施例，在本实施例中，步骤S30之后还包括：

步骤S90，根据所述心理状态对各个模型的分析结果进行校正，获得各个模型的校正分析结果；

步骤S100，根据所述第一特征数据构建各个深度学习心理分析模型的新训练集，并利用对应的校正分析结果对一特征数据进行标注；

步骤S110，将新训练集中的第一特征数据作为模型的输入，将对应标注的校正分析结果作为模型的输出，在已有的深度学习心理分析模型的基础上进行训练，获得新的深度学习心理分析模型。

基于上述实施例，在本实施例中，由于最终的心理状态根据所有分析模型的分析结果确定，最终的心理状态可能与每个模型的分析结果存在差异，因此，可以根据最终的心理状态对各个分析结果进行校正，获得各个模型的校正分析结果。具体地，若最终的心理状态中喜悦状态的可能性比例为50％，而语音深度学习心理分析模型的分析结果中喜悦状态的可能性比例为5％，则可以以50％为语音深度学习心理分析模型的喜悦状态的校正分析结果。除此之外，还可以预先设定特定的校正比例a来计算校正分析结果，具体地，可以以“50％*a+5％*(1-a)”作为校正分析结果。在本实施例中，在每次进行心理检测时，将采集的第一特征数据和对应的校正分析结果存储在预设位置，定时或者在采集的次数到达预设次数时，基于第一特征数据构建新的训练集，并基于校正分析结果对第一特征数据进行标注。标注完成时，将新训练集中的第一特征数据作为模型的输入，将第一特征数据对应标注的校正分析结果作为模型的输出，对已有的语音深度学习心理分析模型、肢体深度学习心理分析模型或表情深度学习心理分析模型等已有模型进行训练，优化模型中的权重参数，实现对已有模型的完善，获得新的深度学习心理分析模型，以便利用新的深度学习心理分析模型进行心理检，获得更准确的检测结果。

进一步地，参照图7，图7为本发明心理检测方法第六实施例流程示意图，基于上述本发明心理检测方法实施例，提出本发明的第六实施例。

基于上述实施例，在本实施例中，步骤S30之后还包括：

步骤S120，判断检测对象当前的心理状态是否与预设异常心理状态匹配；

步骤S130，若是，则根据所述预设异常心理状态关联的心理调节方案生成心理调节提示信息。

基于上述实施例，在本实施例中，可以预先标记若干心理状态为异常心理状态，例如，悲伤状态、紧张状态或者说谎状态等，并对异常心理状态关联预先设计的心理调节方案。在确定检测对象当前的心理状态时，通过对比检测对象当前心理状态与标记的异常心理状态的标识编码或者名称等信息判断检测对象当前的心理状态是否为异常心理状态，如果判定检测对象当前的心理状态为异常心理状态，则获取该异常心理状态关联的心理调节方案，基于该心理调节方案生成心理调节提示信息，以提示检测对象基于心理调节方案进行心理调节或者提示检测对象进行心理检测的用户注意检测对象当前存在的心理问题。本实施例的心理调节方案可以包括通过音乐、影视、运动、旅游或者阅读等调节方式。

在本实施例中，判断检测对象当前的心理状态是否与预设异常心理状态匹配；若是，则根据所述预设异常心理状态关联的心理调节方案生成心理调节提示信息。通过上述方式，可以了解检测对象存在的异常心理问题，以便针对性采取对应的心理控制措施。

进一步地，参照图8，图8为本发明心理检测方法第七实施例流程示意图，基于上述本发明心理检测方法实施例，提出本发明的第七实施例。

基于上述实施例，在本实施例中，步骤S140之后包括：

步骤S140，获取检测对象执行所述心理调节方案过程中的第三特征数据；

步骤S150，根据所述第三特征数据确定检测对象执行所述心理调节方案过程中的心理状态；

步骤S160，根据检测对象执行所述心理调节方案过程中的心理状态确定所述心理调节方案的调节效果。

基于上述实施例，在本实施例中，第三特征数据指的是在用户执行心理调节方案过程中的特征数据，第三特征数据的种类可以与上述第一特征数据以及第二特征数据的种类一致，包括检测对象说话的语音类型的数据、肢体形态的图像数据以及表情形态的图像数据，可以利用上述特征数据采集设备在用户执行心理调节方案过程中定时地采集检测对象在执行心理调节方案过程中的第三特征数据，然后根据第三特征数据确定检测对象的心理状态，基于不同时间采集的第三特征数据对应的心理状态确定检测对象在执行心理调节方案过程中的心理状态的变化情况，根据检测对象的心理状态变化情况确定该心理调节方案是否产生改善用户心理状态的调节效果。在本实施例中，若心理调节方案未产生改善用户心理状态的调节效果，可以基于用户的异常心理状态关联的其他的心理调节方案生成新的心理调节提示信息。

在本实施例中，先获取检测对象执行所述心理调节方案过程中的第三特征数据，然后根据所述第三特征数据确定检测对象执行所述心理调节方案过程中的心理状态，再根据检测对象执行所述心理调节方案过程中的心理状态确定所述心理调节方案的调节效果，从而确定检测对象执行的心理调节方案是否产生改善心理状态的效果。

此外，本发明还提供一种心理检测装置。

本发明心理检测装置至少包括：存储器、处理器以及存储在所述存储器上的心理检测程序，所述心理检测程序被所述处理器执行时实现如上所述心理检测方法的步骤。

其中，在所述处理器上运行的心理检测程序被执行时所实现的方法可参照本发明心理检测方法各个实施例，此处不再赘述。

此外，本发明实施例还提出一种计算机可读存储介质。

本发明计算机可读存储介质上存储有心理检测程序，所述心理检测程序被处理器执行时实现如上所述的心理检测方法的步骤。

其中，在所述处理器上运行的心理检测程序被执行时所实现的方法可参照本发明心理检测方法各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，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 (10)

1.一种心理检测方法，其特征在于，所述心理检测方法包括：

利用特征数据采集设备采集检测对象多个特征类型的第一特征数据，其中，所述特征类型至少包括语音类型、肢体图像类型或表情图像类型；

将采集到的各个特征类型的第一特征数据分别输入各个特征类型对应的深度学习心理分析模型中，获得各个模型的分析结果；

根据各个模型的分析结果确定检测对象当前的心理状态。

2.如权利要求1所述的心理状态检测方法，其特征在于，所述心理状态至少包括：喜悦状态、悲伤状态、紧张状态、放松状态、说谎状态或未说谎状态。

3.如权利要求1所述的心理检测方法，其特征在于，所述根据各个模型的分析结果确定检测对象当前的心理状态的步骤包括：

将各个模型的分析结果进行加权融合，基于融合结果确定检测对象的心理状态。

4.如权利要求3所述的心理检测方法，其特征在于，所述分析结果包括检测对象处于预设心理状态的概率，所述将各个模型的分析结果进行加权融合，基于融合结果确定检测对象的心理状态的步骤包括：

将各个模型同个预设心理状态的概率进行加权融合，获得各个预设心理状态的加权概率；

根据各个预设心理状态的加权概率和预设概率阈值确定检测对象的心理状态。

5.如权利要求1所述的心理检测方法，其特征在于，所述利用特征数据采集设备采集检测对象多个特征类型的第一特征数据的步骤之前包括：

获取各个特征类型的第二特征数据和所述第二特征数据的心理状态标注信息，构建用于训练模型的训练集；

将所述训练集中的第二特征数据作为模型的输入，将对应心理状态标注信息作为模型的输出，训练得到各个特征类型的深度学习心理分析模型。

6.如权利要求1所述的心理检测方法，其特征在于，所述根据各个模型的心理分析结果确定检测对象的心理状态的步骤之后包括：

根据所述心理状态对各个模型的分析结果进行校正，获得各个模型的校正分析结果；

根据所述第一特征数据构建各个深度学习心理分析模型的新训练集，并利用对应的校正分析结果对一特征数据进行标注；

将新训练集中的第一特征数据作为模型的输入，将对应标注的校正分析结果作为模型的输出，在已有的深度学习心理分析模型的基础上进行训练，获得新的深度学习心理分析模型。

7.如权利要求1所述的心理检测方法，其特征在于，所述根据各个模型的分析结果确定检测对象当前的心理状态的步骤之后还包括：

判断检测对象当前的心理状态是否与预设异常心理状态匹配；

若是，则根据所述预设异常心理状态关联的心理调节方案生成心理调节提示信息。

8.如权利要求1所述的心理检测方法，其特征在于，所述根据所述预设异常心理状态关联的心理调节方案生成心理调节提示信息的步骤之后包括：

获取检测对象执行所述心理调节方案过程中的第三特征数据；

根据所述第三特征数据确定检测对象执行所述心理调节方案过程中的心理状态；

根据检测对象执行所述心理调节方案过程中的心理状态确定所述心理调节方案的调节效果。

9.一种心理检测装置，其特征在于，所述心理检测装置至少包括存储器、处理器以及存储在所述存储器上的心理检测程序，所述心理检测程序被所述处理器执行时实现如权利要求1至8中任一项所述的心理检测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有心理检测程序，所述心理检测程序被处理器执行时实现如权利要求1至8中任一项所述的心理检测方法的步骤。