CN109920514A - 一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统 - Google Patents
一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统 Download PDFInfo
- Publication number
- CN109920514A CN109920514A CN201910178782.0A CN201910178782A CN109920514A CN 109920514 A CN109920514 A CN 109920514A CN 201910178782 A CN201910178782 A CN 201910178782A CN 109920514 A CN109920514 A CN 109920514A
- Authority
- CN
- China
- Prior art keywords
- neural network
- matrix
- expression vector
- user
- moment
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统,通过开发一款手机App,获取用户在使用不同类型(滚筒颜色、滚筒材质、滚筒宽度、滚筒直径、机架长、宽、高等参数不同)的拥抱机过程视频(可以通过手机App现场拍摄或者读取视频文件)传输到云端;在云端把该视频分解成连续的系列照片;应用人脸识别技术,识别该系列照片对应的人脸表情类型,获得表情随时间变化的代码向量,在云平台上,通过KNNF神经网络建立用户体验数据与对应用户体验过程评分的复杂非线性关系模型;进行视频的录入即可自动获得该用户体验过程的用户体验评价结果,作为企业进行自闭症拥抱机产品升级优化的依据。
Description
技术领域
本发明涉及大数据领域,具体涉及一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统。
背景技术
如今,正值心理健康危机日益严重的时期,尤其是年轻人。根据2015年的《高等教育纪事报》的一份报道中指出,自杀是大学生死亡的第二大杀手,仅次于交通事故;自1999年以来,美国的整体自杀率飙升了约25%。针对那些患有自闭症、SPD(感觉紊乱)、抑郁症、发育迟缓人群或者仅仅是压力过大的用户。有研究表明,借助外物适度挤压身体能够极大缓解焦虑情绪舒缓压力,像拥抱机这样声称能够通过背腹双侧按摩减轻心理压力,改善肢体运动能力,能够有效减轻患者普遍存在的紧张情绪,让用户在放松的状态下更容易学会与他人的互动交流。嵌入情绪识别系统,将患者体验过程中的情绪变化进行采集、计算、分析,在大多情况下还是可以作为企业进行自闭症拥抱机产品升级优化的依据。
现有技术在拥抱机产品优化改进过程中,工程技术人员不能快速获取改进型拥抱机的用户体验数据,进而不能对产品优化结果做出快速评价。
发明内容
为了解决现在产品研发过程中,研发人员不能快速获取改进型拥抱机用户体验数据的问题,本申请提供一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法,包括以下步骤
S1:采集用户使用拥抱机的第一过程视频,依据所述第一过程视频得到第一过程系列照片,对所述第一过程系列照片进行人脸识别得到用户人脸表情向量,依据所述用户人脸表情向量得到输入矩阵,;
S2:采集用户调查数据,依据所述用户调查数据得到结果矩阵Y,构建的KNNF神经网络,采用所述输入矩阵和所述结果矩阵对KNNF神经网络进行训练。
S3:采集用户使用拥抱机的第二过程视频,采用训练完成的KNNF神经网络对所述用户使用拥抱机的第二过程视频进行分析并获取用户体验数据。
进一步的,所述步骤S1包括,
S11:以横坐标为时间,纵坐标为表情类型代码生成用户人脸表情向量随时间变化的二维表情谱,其中,“愤怒”对应的表情向量为[0,0,0,0,0,0,1]T、“厌恶”对应的表情向量为[0,0,0,0,0,2,0]T、“恐惧”对应的表情向量为[0,0,0,0,3,0,0]T、“高兴”对应的表情向量为[0,0,0,4,0,0,0]T、“伤心”对应的表情向量为[0,0,5,0,0,0,0]T、“惊讶”对应的表情向量为[0,6,0,0,0,0,0]T、“无情绪”对应的表情向量为[7,0,0,0,0,0,0]T,采用表情谱得到矩阵A=[e1,e2,e3,…,en]7×n;
S12:将矩阵A进行转置变换得到AT=[e1,e2,e3,…,en]n×7;
S13:构造矩阵M=A·AT;
S14:计算矩阵M的特征值,生成矩阵M的特征值矩阵λ=[λ1,λ2,λ3,…,λ7]1×7;
S15:生成输入矩阵X=[λ,N,B]1×9,其中N为年龄,B为性别。
进一步的,所述步骤S2包括以下步骤,
S21:生成前馈神经网络,记M为输入层神经元数,s1为隐层神经元数,l为输出层神经元数;输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为
S22:构建卡尔曼滤波过程中的系统方程:
上述公式中:X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制向量,φ和B是系统参数,Z(k)是k时刻的测量值,H是测量系统的参数。w(k)和v(k)是高斯白噪声;
S23:KF神经网络中所有权值和阈值组成的状态变量X为:
设X中的个数为n个值;
S24:求出k-1时刻的最优状态估计X(k-1|k-1)和该状态对应的协方差P(k-1|k-1),根据上述S22中的方程进行k时刻状态估计得到X(k|k-1);
S25:根据k时刻状态估计得X(k|k-1)计算k-1时刻的协方差P(k|k-1);
S26:求出k时刻最优状态估计X(k|k);
S27:求出k时刻最优状态估计X(k|k)对应的协方差P(k|k)。
进一步的,所述步骤S3还包括,
将用户体验数据发送至管理员移动终端并进行展示。
为了保证上述方法的实施,本发明还提供一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价系统,包括以下模块
采集模块,用于采集用户使用拥抱机的第一过程视频,依据所述第一过程视频得到第一过程系列照片,对所述第一过程系列照片进行人脸识别得到用户人脸表情向量,依据所述用户人脸表情向量得到输入矩阵,;
训练模块,用于采集第一用户调查数据,依据所述第一用户调查数据得到结果矩阵Y,构建的KNNF神经网络,采用所述输入矩阵和所述结果矩阵对KNNF神经网络进行训练。
结果输出模块,用于采集用户使用拥抱机的第二过程视频,采用训练完成的KNNF神经网络对所述用户使用拥抱机的第二过程视频进行分析并获取存储用户体验数据。
进一步的,所述采集模块采用以下步骤获取输入矩阵,
S11:以横坐标为时间,纵坐标为表情类型代码生成用户人脸表情向量随时间变化的二维表情谱,其中,“愤怒”对应的表情向量为[0,0,0,0,0,0,1]T、“厌恶”对应的表情向量为[0,0,0,0,0,2,0]T、“恐惧”对应的表情向量为[0,0,0,0,3,0,0]T、“高兴”对应的表情向量为[0,0,0,4,0,0,0]T、“伤心”对应的表情向量为[0,0,5,0,0,0,0]T、“惊讶”对应的表情向量为[0,6,0,0,0,0,0]T、“无情绪”对应的表情向量为[7,0,0,0,0,0,0]T,采用表情谱得到矩阵A=[e1,e2,e3,…,en]7×n;
S12:将矩阵A进行转置变换得到AT=[e1,e2,e3,…,en]n×7;
S13:构造矩阵M=A·AT;
S14:计算矩阵M的特征值,生成矩阵M的特征值矩阵λ=[λ1,λ2,λ3,…,λ7]1×7;
S15:生成输入矩阵X=[λ,N,B]1×9,其中N为年龄,B为性别。
进一步的,所述训练模块还执行以下步骤,
S21:生成前馈神经网络,记M为输入层神经元数,s1为隐层神经元数,l为输出层神经元数;输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为
S22:构建卡尔曼滤波过程中的系统方程:
上述公式中:X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制向量,φ和B是系统参数,Z(k)是k时刻的测量值,H是测量系统的参数。w(k)和v(k)是高斯白噪声;
S23:KF神经网络中所有权值和阈值组成的状态变量X为:
设X中的个数为n个值;
S24:求出k-1时刻的最优状态估计X(k-1|k-1)和该状态对应的协方差P(k-1|k-1),根据上述S22中的方程进行k时刻状态估计得到X(k|k-1);
S25:根据k时刻状态估计得X(k|k-1)计算k-1时刻的协方差P(k|k-1);
S26:求出k时刻最优状态估计X(k|k);
S27:求出k时刻最优状态估计X(k|k)对应的协方差P(k|k)。
进一步的,所述结果输出模块还用于,将用户体验数据发送至管理员移动终端并进行展示。
本发明的有益效果是,
1遵循神经和肌肉等解剖学,具有共同特征;表情识别是一种无意识、自由状态下的数据获取方法,保证了数据的可靠性与客观性。
2容易整合到数据分析系统进行分析和可视化。
3允许其他软件实时访问面部表情分析系统的数据收集。
4能够分析所有种族的面部表情,包括儿童的面部表情。
5本发明通过训练完成的神经网络模型来对用户在使用拥抱机过程的视频进行分析快速得出用户体验数据,可以方便研发人员快速对改进型拥抱机进行评估,提高了拥抱机的研发效率。
附图说明
图1为本发明一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法流程图。
图2为本发明一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价系统结构示意图。
图3为本发明一实施例二维表情谱。
图4为本发明一实施例KNNF神经网络示意图。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节的情况下实现这些实施例。
针对产品研发过程中,研发人员不能快速获取改进型拥抱机用户体验数据的问题,本发明一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统
本发明通过采集用户视频和用户调查数据对KNNF神经网络进行训练,通过训练完成的KNNF神经网络对用户使用改进型拥抱机的视频识别,快速获取用户的用户体验数据。
本发明在实施过程中采用KNNF(Kalman FilterNeutral Network)网络,中文名称为卡尔曼滤波神经网络,建立用户体验数据与对应用户体验过程评分的复杂非线性关系模型;进行视频的录入即可自动获得该用户体验过程的用户体验评价结果,作为企业进行自闭症拥抱机产品升级优化的依据。卡尔曼滤波是一种递推线性最小方差估计,主要解决从加法型信号中提取有用信号,根据前一个估计值和最近一个观测数据来估计信号的当前值,对于状态空间模型的状态矢量估计是一种强有力的手段,在理论上具有重要价值。
以下将结合附图对本发明的具体实施例进行详细描述。
为了说明本发明提供的基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法,图1示出了本发明一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法流程图。
如图1所示,本发明提供的基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法包括以下步骤:
S1:采集用户使用拥抱机的第一过程视频,依据所述第一过程视频得到第一过程系列照片,对所述第一过程系列照片进行人脸识别得到用户人脸表情向量,依据所述用户人脸表情向量得到输入矩阵;
S2:采集用户调查数据,依据所述用户调查数据得到结果矩阵Y,构建的KNNF神经网络,采用所述输入矩阵和所述结果矩阵对KNNF神经网络进行训练;
S3:采集用户使用拥抱机的第二过程视频,采用训练完成的KNNF神经网络对所述用户使用拥抱机的第二过程视频进行分析并获取用户体验数据。
第一过程视频,第一过程系列照片均为用于训练神经网络模型的训练数据,第二过程视频为待检测数据,采用已经训练好的神经网络对第二过程视频进行分析获取第二过程视频对应的用户体验数据。
在本发明实施过程中步骤S1包括,利用手机App获取用户在使用不同颜色、型号、压力的拥抱机过程视频(可以通过手机App现场拍摄或者读取视频文件)传输到云端,在云端把该视频分解成连续的系列照片,应用人脸识别技术,识别该系列照片对应的人脸表情,获得表情随时间变化的代码向量(7种表情类型愤怒、厌恶、恐惧、高兴、伤心、惊讶、无情绪分别对应的代码为1、2、3、4、5、6、7)、年龄N(岁)、性别B(男/女对应代码为1/0)对该数据矩阵作以下处理,获得输入矩阵X;
具体的,在本发明一实施例中步骤S1包括,
S11:画出表情代码向量随时间变化的二维表情谱,其中,横坐标为时间,纵坐标为表情类型代码1-7,得到“愤怒”对应的表情向量为[0,0,0,0,0,0,1]T、“厌恶”对应的表情向量为[0,0,0,0,0,2,0]T、“恐惧”对应的表情向量为[0,0,0,0,3,0,0]T、“高兴”对应的表情向量为[0,0,0,4,0,0,0]T、“伤心”对应的表情向量为[0,0,5,0,0,0,0]T、“惊讶”对应的表情向量为[0,6,0,0,0,0,0]T、“无情绪”对应的表情向量为[7,0,0,0,0,0,0]T;利用表情谱得到矩阵A=[e1,e2,e3,…,en]7×n(en为七种表情向量之一)。例如,当n=10时,E=[5,7,6,6,4,4,4,4,6,7];画出表情代码矩阵随时间的表情谱如图3所示,由表情谱得到表情谱矩阵A:
S12:将矩阵A进行转置变换得到AT=[e1,e2,e3,…,en]n×7;
S13:构造新的矩阵为M=A·AT;
S14:计算出矩阵M的特征值,其征值矩阵为λ=[λ1,λ2,λ3,…,λ7]1×7;
S15:输入参数矩阵由矩阵特征值、性别、年龄构成X=[λ,N,B]1×9。
在本发明实施过程中步骤S2包括,调查用户该视频过程的真实用户体验,选择分数1分、2分、3分、4分、5分(分别对应体验过程很差、差、一般、好、很好)之一作为体验测试结果,并作为输出结果y;应用大量输入矩阵X与对应输出结果矩阵Y.
在本发明实施过程中,步骤S2还包括以下步骤,
S21:生成前馈神经网络,记M为输入层神经元数,s1为隐层神经元数,l为输出层神经元数;输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为
S22:构建卡尔曼滤波过程中的系统方程:
上述公式中:X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制向量,φ和B是系统参数,Z(k)是k时刻的测量值,H是测量系统的参数。w(k)和v(k)是高斯白噪声;
S23:KF神经网络中所有权值和阈值组成的状态变量X为:
设X中的个数为n个值;
S24:求出k-1时刻的最优状态估计X(k-1|k-1)和该状态对应的协方差P(k-1|k-1),根据上述S22中的方程进行k时刻状态估计得到X(k|k-1);
S25:根据k时刻状态估计得X(k|k-1)计算k-1时刻的协方差P(k|k-1);
S26:求出k时刻最优状态估计X(k|k);
S27:求出k时刻最优状态估计X(k|k)对应的协方差P(k|k)。
在本发明实施过程中,步骤S3包括将上述训练好的KNNF神经网络放入云端,把该过程开发成软件;对于新研发的拥抱机,只要录入视频即可自动获得该用户体验过程的用户体验评价结果,对公司进行产品升级优化结果进行评价。
应当指出的是,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换,也应属于本发明的保护范围。
Claims (8)
1.一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法,其特征在于,包括以下步骤
S1:采集用户使用拥抱机的第一过程视频,依据所述第一过程视频得到第一过程系列照片,对所述第一过程系列照片进行人脸识别得到用户人脸表情向量,依据所述用户人脸表情向量得到输入矩阵;
S2:采集用户调查数据,依据所述用户调查数据得到结果矩阵Y,构建KFNN神经网络,采用所述输入矩阵和所述结果矩阵对KFNN神经网络进行训练。
S3:采集用户使用拥抱机的第二过程视频,采用训练完成的KFNN神经网络对所述用户使用拥抱机的第二过程视频进行分析并获取用户体验数据。
2.如权利要求1所述的一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法,其特征在于,所述步骤S1包括,
S11:以横坐标为时间,纵坐标为表情类型代码生成用户人脸表情向量随时间变化的二维表情谱,其中,“愤怒”对应的表情向量为[0,0,0,0,0,0,1]T、“厌恶”对应的表情向量为[0,0,0,0,0,2,0]T、“恐惧”对应的表情向量为[0,0,0,0,3,0,0]T、“高兴”对应的表情向量为[0,0,0,4,0,0,0]T、“伤心”对应的表情向量为[0,0,5,0,0,0,0]T、“惊讶”对应的表情向量为[0,6,0,0,0,0,0]T、“无情绪”对应的表情向量为[7,0,0,0,0,0,0]T,采用表情谱得到矩阵A=[e1,e2,e3,…,en]7×n;
S12:将矩阵A进行转置变换得到AT=[e1,e2,e3,…,en]n×7;
S13:构造矩阵M=A·AT;
S14:计算矩阵M的特征值,生成矩阵M的特征值矩阵λ=[λ1,λ2,λ3,…,λ7]1×7;
S15:生成输入矩阵X=[λ,N,B]1×9,其中N为年龄,B为性别。
3.如权利要求2所述的一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法,其特征在于,所述步骤S2还包括,
S21:生成前馈神经网络,记M为输入层神经元数,s1为隐层神经元数,l为输出层神经元数;输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为
S22:构建卡尔曼滤波过程中的系统方程:
上述公式中:X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制向量,φ和B是系统参数,Z(k)是k时刻的测量值,H是测量系统的参数,和v(k)是高斯白噪声;
S23:KF神经网络中所有权值和阈值组成的状态变量X为:
设X中的个数为n个值;
S24:求出k-1时刻的最优状态估计X(k-1|k-1)和该状态对应的协方差P(k-1|k-1),根据上述S22中的方程进行k时刻状态估计得到X(k|k-1);
S25:根据k时刻状态估计得X(k|k-1)计算k-1时刻的协方差P(k|k-1);
S26:求出k时刻最优状态估计X(k|k);
S27:求出k时刻最优状态估计X(k|k)对应的协方差P(k|k)。
4.如权利要求3所述的一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法,其特征在于,所述步骤S3还包括,
将用户体验数据发送至管理员移动终端并进行展示。
5.一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价系统,其特征在于,包括以下模块
采集模块,用于采集用户使用拥抱机的第一过程视频,依据所述第一过程视频得到第一过程系列照片,对所述第一过程系列照片进行人脸识别得到用户人脸表情向量,依据所述用户人脸表情向量得到输入矩阵;
训练模块,用于采集第一用户调查数据,依据所述第一用户调查数据得到结果矩阵Y,构建的KFNN神经网络,采用所述输入矩阵和所述结果矩阵对KFNN神经网络进行训练;
结果输出模块,用于采集用户使用拥抱机的第二过程视频,采用训练完成的KFNN神经网络对所述用户使用拥抱机的第二过程视频进行分析并获取存储用户体验数据。
6.如权利要求5所述的一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价系统,其特征在于,所述采集模块采用以下步骤获取输入矩阵,
S11:以横坐标为时间,纵坐标为表情类型代码生成用户人脸表情向量随时间变化的二维表情谱,其中,“愤怒”对应的表情向量为[0,0,0,0,0,0,1]T、“厌恶”对应的表情向量为[0,0,0,0,0,2,0]T、“恐惧”对应的表情向量为[0,0,0,0,3,0,0]T、“高兴”对应的表情向量为[0,0,0,4,0,0,0]T、“伤心”对应的表情向量为[0,0,5,0,0,0,0]T、“惊讶”对应的表情向量为[0,6,0,0,0,0,0]T、“无情绪”对应的表情向量为[7,0,0,0,0,0,0]T,采用表情谱得到矩阵A=[e1,e2,e3,…,en]7×n;
S12:将矩阵A进行转置变换得到AT=[e1,e2,e3,…,en]n×7;
S13:构造矩阵M=A·AT;
S14:计算矩阵M的特征值,生成矩阵M的特征值矩阵λ=[λ1,λ2,λ3,…,λ7]1×7;
S15:生成输入矩阵X=[λ,N,B]1×9,其中N为年龄,B为性别。
7.如权利要求6所述的一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价系统,其特征在于,所述训练模块还执行以下步骤:
S21:生成前馈神经网络,记M为输入层神经元数,s1为隐层神经元数,l为输出层神经元数;输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为
S22:构建卡尔曼滤波过程中的系统方程:
上述公式中:X(k)是k时刻的系统状态,U(k)是k时刻对系统的控制向量,φ和B是系统参数,Z(k)是k时刻的测量值,H是测量系统的参数。w(k)和v(k)是高斯白噪声;
S23:KF神经网络中所有权值和阈值组成的状态变量X为:
设X中的个数为n个值;
S24:求出k-1时刻的最优状态估计X(k-1|k-1)和该状态对应的协方差P(k-1|k-1),根据上述S22中的方程进行k时刻状态估计得到X(k|k-1);
S25:根据k时刻状态估计得X(k|k-1)计算k-1时刻的协方差P(k|k-1);
S26:求出k时刻最优状态估计X(k|k);
S27:求出k时刻最优状态估计X(k|k)对应的协方差P(k|k)。
8.如权利要求7所述的一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价系统,其特征在于,所述结果输出模块还用于,将用户体验数据发送至管理员移动终端并进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910178782.0A CN109920514A (zh) | 2019-03-11 | 2019-03-11 | 一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910178782.0A CN109920514A (zh) | 2019-03-11 | 2019-03-11 | 一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109920514A true CN109920514A (zh) | 2019-06-21 |
Family
ID=66964011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910178782.0A Pending CN109920514A (zh) | 2019-03-11 | 2019-03-11 | 一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109920514A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255557A (zh) * | 2021-06-08 | 2021-08-13 | 汪知礼 | 一种基于深度学习的视频人群情绪分析方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608447A (zh) * | 2016-02-17 | 2016-05-25 | 陕西师范大学 | 对人体面部微笑表情深度卷积神经网络的检测方法 |
CN106019940A (zh) * | 2016-06-21 | 2016-10-12 | 重庆科技学院 | 基于ukf神经网络的转炉炼钢工艺成本控制方法及系统 |
CN107045490A (zh) * | 2017-05-09 | 2017-08-15 | 衢州学院 | 一种非线性系统的状态估计方法 |
CN107341688A (zh) * | 2017-06-14 | 2017-11-10 | 北京万相融通科技股份有限公司 | 一种客户体验的采集方法及系统 |
CN108460324A (zh) * | 2018-01-04 | 2018-08-28 | 上海孩子通信息科技有限公司 | 一种用于识别幼儿情绪的方法 |
CN108804721A (zh) * | 2017-04-26 | 2018-11-13 | 重庆科技学院 | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
CN108804720A (zh) * | 2017-04-26 | 2018-11-13 | 重庆科技学院 | 一种基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
CN109145871A (zh) * | 2018-09-14 | 2019-01-04 | 广州杰赛科技股份有限公司 | 心理行为识别方法、装置与存储介质 |
-
2019
- 2019-03-11 CN CN201910178782.0A patent/CN109920514A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608447A (zh) * | 2016-02-17 | 2016-05-25 | 陕西师范大学 | 对人体面部微笑表情深度卷积神经网络的检测方法 |
CN106019940A (zh) * | 2016-06-21 | 2016-10-12 | 重庆科技学院 | 基于ukf神经网络的转炉炼钢工艺成本控制方法及系统 |
CN108804721A (zh) * | 2017-04-26 | 2018-11-13 | 重庆科技学院 | 基于自适应无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
CN108804720A (zh) * | 2017-04-26 | 2018-11-13 | 重庆科技学院 | 一种基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
CN107045490A (zh) * | 2017-05-09 | 2017-08-15 | 衢州学院 | 一种非线性系统的状态估计方法 |
CN107341688A (zh) * | 2017-06-14 | 2017-11-10 | 北京万相融通科技股份有限公司 | 一种客户体验的采集方法及系统 |
CN108460324A (zh) * | 2018-01-04 | 2018-08-28 | 上海孩子通信息科技有限公司 | 一种用于识别幼儿情绪的方法 |
CN109145871A (zh) * | 2018-09-14 | 2019-01-04 | 广州杰赛科技股份有限公司 | 心理行为识别方法、装置与存储介质 |
Non-Patent Citations (3)
Title |
---|
袁光耀: "基于非线性滤波优化的前馈神经网络训练方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
邢焱: "《与客户共舞》", 31 January 2018, 企业管理出版社 * |
邵建华等: "《高等数学》", 31 August 2014, 上海科学技术出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255557A (zh) * | 2021-06-08 | 2021-08-13 | 汪知礼 | 一种基于深度学习的视频人群情绪分析方法及系统 |
CN113255557B (zh) * | 2021-06-08 | 2023-08-15 | 苏州优柿心理咨询技术有限公司 | 一种基于深度学习的视频人群情绪分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110507335B (zh) | 基于多模态信息的服刑人员心理健康状态评估方法及系统 | |
CN105069294B (zh) | 一种用于认知能力值测试的计算和分析方法 | |
CN108229718B (zh) | 一种信息预测方法及装置 | |
CN102715889B (zh) | 一种脑力负荷检测方法 | |
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
CN101561868B (zh) | 基于高斯特征的人体运动情感识别方法 | |
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 | |
CN103251417B (zh) | 创业潜质脑电信号表征与识别方法 | |
CN107945817A (zh) | 心肺音信号分类方法、检测方法、装置、介质和计算机设备 | |
CN113662545B (zh) | 一种基于情绪脑电信号和多任务学习的人格评估方法 | |
CN109919102A (zh) | 一种基于表情识别的自闭症拥抱机体验评价方法及系统 | |
CN109508755B (zh) | 一种基于图像认知的心理测评方法 | |
CN104361203A (zh) | 基于脑网络时空动力学分析的社会情绪能力评测系统 | |
CN109871831A (zh) | 一种情感识别方法及系统 | |
CN108122004A (zh) | 基于Fisher判别稀疏超限学习机的脑电分类方法 | |
CN103258545A (zh) | 一种病理嗓音细分方法 | |
Bhamare et al. | Deep neural networks for lie detection with attention on bio-signals | |
CN109919099A (zh) | 一种基于表情识别的用户体验评价方法及系统 | |
CN109920514A (zh) | 一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统 | |
CN109919101A (zh) | 一种基于手机客户端的用户体验评价方法及系统 | |
CN117237766A (zh) | 一种基于多模态数据的课堂认知投入识别方法和系统 | |
Sanchez et al. | Student’s executive function assessment tool Using convolutional neural network | |
CN110495894A (zh) | 一种基于物联网的心理应激训练方法及系统 | |
Nakagawa et al. | A telecare system that estimates quality of life through communication | |
CN114699063A (zh) | 体脂率的测量方法、装置及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |