CN111933280A - 一种员工心理健康状态评估方法及装置 - Google Patents
一种员工心理健康状态评估方法及装置 Download PDFInfo
- Publication number
- CN111933280A CN111933280A CN202010967858.0A CN202010967858A CN111933280A CN 111933280 A CN111933280 A CN 111933280A CN 202010967858 A CN202010967858 A CN 202010967858A CN 111933280 A CN111933280 A CN 111933280A
- Authority
- CN
- China
- Prior art keywords
- target
- limb
- mental health
- limb movement
- evaluated
- 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
- 230000004630 mental health Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 11
- 230000009471 action Effects 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 description 12
- 238000012706 support-vector machine Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Social Psychology (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
Abstract
本申请提供了一种员工心理健康状态评估方法及装置,本申请利用了人的肢体动作表现与心理健康状态存在相关性的特点,从拍摄的视频获取待评估目标的肢体运动特征,再将该肢体运动特征输入到预先训练好的肢体运动分析模型,由肢体运动分析模型通过分析待评估目标的肢体运动特征从而得到心理健康评估结果,解决了现有的员工心理健康测试方式评估结果容易受被测者的主观影响而导致偏差大的技术问题。
Description
技术领域
本申请涉及心理健康管理领域,尤其涉及一种员工心理健康状态评估方法及装置。
背景技术
企业价值的提升少不了员工的辛苦奋斗,而员工的心理健康状态对其工作效率具有直接的影响,为此,为了保持企业的士气以及员工的积极性,使得不少企业纷纷引入了对员工心理健康的管理制度。
目前的员工心理健康测试方式主要通过问卷调查,但是这种测试方式存在较大的弊端,如问卷结果容易受被测者的主观影响,容易因无法准确描述或不愿意提供对自己状态的真实描述,而导致评估结果与现实情况偏差大的技术问题。
发明内容
本申请提供了一种员工心理健康状态评估方法及装置,用于解决现有的员工心理健康测试方式存在的评估结果与现实情况偏差大的技术问题。
首先,本申请第一方面提供了一种员工心理健康状态评估方法,包括:
获取目标视频,其中,所述目标视频中包含有待评估目标;
从所述目标视频中识别出所述待评估目标,并以所述待评估目标中的基准关节点为原点,构建肢体运动特征坐标系,其中,所述基准关节点为所述待评估目标中的预置关节部位对应的关节节点;
基于肢体运动特征坐标系中的各个关节节点,提取所述待评估目标的肢体运动特征;
将所述肢体运动特征输入至预设的肢体运动分析模型进行模型分析,以得到所述肢体运动分析模型的输出结果,并以便于根据所述输出结果,确定所述待评估目标的心理健康状态评估结果,其中,所述肢体运动分析模型为通过训练样本数据进行模型训练得到的,且所述训练样本数据具体包括:肢体运动特征样本,以及与所述肢体运动特征样本对应的心理健康评估结果。
优选地,基于肢体运动特征坐标系中的各个关节节点,提取所述待评估目标的肢体运动特征具体包括:
基于肢体运动特征坐标系中的各个关节节点,并按照所述目标视频各个帧的时间顺序,提取所述待评估目标的各个关节节点的肢体时域变化特征;
通过FFT变换,对所述肢体时域变化特征进行频域转换,得到待评估目标的各个关节节点的运动幅值系数,并以所述运动幅值系数为所述待评估目标的肢体运动特征。
优选地,获取目标视频之后还包括:
对所述目标视频进行降噪预处理和重采样预处理。
优选地,所述肢体运动分析模型具体为SVM模型或SVR模型。
优选地,将所述肢体运动特征输入至预设的肢体运动分析模型进行模型分析,以得到所述肢体运动分析模型的输出结果具体包括:
将所述肢体运动特征输入至预设的肢体运动分析模型,利用所述肢体运动分析模型的交叉验证方式进行模型分析,以得到所述肢体运动分析模型的输出结果。
其次,本申请第二方面提供了一种员工心理健康状态评估装置,包括:
视频获取单元,用于获取目标视频,其中,所述目标视频中包含有待评估目标;
坐标系构建单元,用于从所述目标视频中识别出所述待评估目标,并以所述待评估目标中的基准关节点为原点,构建肢体运动特征坐标系,其中,所述基准关节点为所述待评估目标中的预置关节部位对应的关节节点;
特征提取单元,用于基于肢体运动特征坐标系中的各个关节节点,提取所述待评估目标的肢体运动特征;
模型分析单元,用于将所述肢体运动特征输入至预设的肢体运动分析模型进行模型分析,以得到所述肢体运动分析模型的输出结果,并以便于根据所述输出结果,确定所述待评估目标的心理健康状态评估结果,其中,所述肢体运动分析模型为通过训练样本数据进行模型训练得到的,且所述训练样本数据具体包括:肢体运动特征样本,以及与所述肢体运动特征样本对应的心理健康评估结果。
优选地,所述特征提取单元具体包括:
时域特征提取单元,用于基于肢体运动特征坐标系中的各个关节节点,并按照所述目标视频各个帧的时间顺序,提取所述待评估目标的各个关节节点的肢体时域变化特征;
频域转换单元,用于通过FFT变换,对所述肢体时域变化特征进行频域转换,得到待评估目标的各个关节节点的运动幅值系数,并以所述运动幅值系数为所述待评估目标的肢体运动特征。
优选地,还包括:
预处理单元,用于对所述目标视频进行降噪预处理和重采样预处理。
优选地,所述肢体运动分析模型具体为SVM模型或SVR模型。
优选地,所述模型分析单元具体用于:
将所述肢体运动特征输入至预设的肢体运动分析模型,利用所述肢体运动分析模型的交叉验证方式进行模型分析,以得到所述肢体运动分析模型的输出结果。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种员工心理健康状态评估方法,包括:获取目标视频,其中,所述目标视频中包含有待评估目标;从所述目标视频中识别出所述待评估目标,并以所述待评估目标中的基准关节点为原点,构建肢体运动特征坐标系,其中,所述基准关节点为所述待评估目标中的预置关节部位对应的关节节点;基于肢体运动特征坐标系中的各个关节节点,提取所述待评估目标的肢体运动特征;将所述肢体运动特征输入至预设的肢体运动分析模型进行模型分析,以得到所述肢体运动分析模型的输出结果,并以便于根据所述输出结果,确定所述待评估目标的心理健康状态评估结果,其中,所述肢体运动分析模型为通过训练样本数据进行模型训练得到的,且所述训练样本数据具体包括:肢体运动特征样本,以及与所述肢体运动特征样本对应的心理健康评估结果。
本申请利用了人的肢体动作表现与心理健康状态存在相关性的特点,从拍摄的视频获取待评估目标的肢体运动特征,再将该肢体运动特征输入到预先训练好的肢体运动分析模型,由肢体运动分析模型通过分析待评估目标的肢体运动特征从而得到心理健康评估结果,解决了现有的员工心理健康测试方式评估结果容易受被测者的主观影响而导致偏差大的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1本申请提供的一种员工心理健康状态评估方法的第一个实施例的流程示意图;
图2为本申请提供的一种员工心理健康状态评估方法的第二个实施例的流程示意图;
图3为本申请提供的一种员工心理健康状态评估装置的第一个实施例的结构示意图。
具体实施方式
目前的员工心理健康测试方式主要通过问卷调查,但是这种测试方式存在较大的弊端,如问卷结果容易受被测者的主观影响,容易因无法准确描述或不愿意提供对自己状态的真实描述,而导致评估结果与现实情况偏差大的技术问题。
同时,采用问卷调查的方式往往还存在调查周期长,需要大量人力、物力资源的支持等局限性,也正是由于调查成本较高,因而给调查的及时性、连续性造成了不利影响。
本申请实施例提供了一种员工心理健康状态评估方法及装置,用于解决现有的员工心理健康测试方式存在的评估结果与现实情况偏差大的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
请参阅图1,本申请第一个实施例提供了一种员工心理健康状态评估方法,包括:
步骤101、获取目标视频,其中,目标视频中包含有待评估目标。
需要说明的是,基于本申请实施例提供的员工心理健康状态评估方法,首先,获取包含有待评估目标的视频数据,即目标视频。
步骤102、从目标视频中识别出待评估目标,并以待评估目标中的基准关节点为原点,构建肢体运动特征坐标系,其中,基准关节点为待评估目标中的预置关节部位对应的关节节点。
需要说明的是,从目标视频中识别出待评估目标,并以待评估目标中的基准关节点为原点,基准关节点为待评估目标中的预置关节部位对应的关节节点,例如在每个骨架(包含18个主体关节)中,我们用鼻关节的位置作为坐标系原点,其余17个躯体关节的数据将用于后续步骤研究,具体不做限定。通过这种方式,构建肢体运动特征坐标系,以克服由于在步行期间不同被试相对于摄像机的位置不同,使得后续步骤提取的关节点的默认二维坐标可能在肢体动作模式分析的过程中引起的位置偏差错误。
步骤103、基于肢体运动特征坐标系中的各个关节节点,提取待评估目标的肢体运动特征。
再接着基于步骤102构建的坐标系及坐标系中包含的各个关节节点的位置信息,分别对这些关节节点进行特征提取,得到对应的肢体运动特征。
步骤104、将肢体运动特征输入至预设的肢体运动分析模型进行模型分析,以得到肢体运动分析模型的输出结果,并以便于根据输出结果,确定待评估目标的心理健康状态评估结果,其中,肢体运动分析模型为通过训练样本数据进行模型训练得到的,且训练样本数据具体包括:肢体运动特征样本,以及与肢体运动特征样本对应的心理健康评估结果。
然后,利用已经通过预设的训练样本训练后的肢体运动分析模型,将肢体运动特征输入至预设的肢体运动分析模型进行模型分析,以得到肢体运动分析模型的输出结果,以便于根据输出结果,确定待评估目标的心理健康状态评估结果,确定该目标的心理健康状态评估结果属于乐观积极的心理健康状态或是属于消极悲观的心理健康状态,或者介于两者之间。
本申请利用了人的肢体动作表现与心理健康状态存在相关性的特点,从拍摄的视频获取待评估目标的肢体运动特征,再将该肢体运动特征输入到预先训练好的肢体运动分析模型,由肢体运动分析模型通过分析待评估目标的肢体运动特征从而得到心理健康评估结果,解决了现有的员工心理健康测试方式评估结果容易受被测者的主观影响而导致偏差大的技术问题。
同时还可以借助日常的监控录像视频或用拍摄设备得到的视频作为员工心理健康评估的素材,随时展开评估工作,能更及时地发现心理健康存在问题的员工,以便及时给予关注和引导。
以上为本申请提供的一种员工心理健康状态评估方法的第一个实施例的详细说明,下面为本申请提供的一种员工心理健康状态评估方法的第二个实施例的详细说明。
请参阅图2,在上述第一个实施例的基础上,本申请第二个实施例提供了一种员工心理健康状态评估方法,包括:
步骤201、获取目标视频,其中,目标视频中包含有待评估目标。
需要说明的是,本实施例中步骤201与第一个实施例中的步骤101一致,在此不再进行赘述。
步骤202、对目标视频进行降噪预处理和重采样预处理。
需要说明的是,在获取到目标视频后,由于自然环境的影响,主要关节点的运动数据会带有噪声。为了提取更精确的运动特征,保证模型的精度,需要对原始信号进行信号去噪。由于采集的人体的行为数据都是属于低频数据,可以采用低通滤波的方法对原始低频信号去噪。
同时,利用摄像机这种非侵入式数据采集方法,缩短必要的录制时间会增加其实用价值,因此可以从每个被试中重采样以选择较短的时间序列。同时,对于一些周期性的身体运动,例如步行,可截取部分数据进行分析。考虑到视频的采用频率是25HZ,而一个完整的走路动作一般时间为1秒左右,通过随机截取数据的200帧(共8秒的视频)作为特征提取中使用的最终样本,这样可以将长度不一的数据规范到相同的长度,方便处理,且提高运算的效率。
步骤203、从目标视频中识别出待评估目标,并以待评估目标中的基准关节点为原点,构建肢体运动特征坐标系,其中,基准关节点为待评估目标中的预置关节部位对应的关节节点。
需要说明的是,本实施例中步骤203与第一个实施例中的步骤102一致,在此不再进行赘述。
步骤204、基于肢体运动特征坐标系中的各个关节节点,并按照目标视频各个帧的时间顺序,提取待评估目标的各个关节节点的肢体时域变化特征。
步骤205、通过FFT变换,对肢体时域变化特征进行频域转换,得到待评估目标的各个关节节点的运动幅值系数,并以运动幅值系数为待评估目标的肢体运动特征。
需要说明的是,首先,本实施例特征提取步骤具体分为两部分,第一是按照目标视频的时间顺序,也可以理解为视频帧中的动作顺序,按照时间维度,提取待评估目标的各个关节节点的肢体时域变化特征。这类特征直接由时域数据计算而来,计算量较小,过程简单。
然后,第二是通过FFT变换,对肢体时域变化特征进行频域转换,通过快速傅里叶变换(FFT),从而实现频域特征提取。其中,参照现有的FFT算式,算式中的N指肢体时域变化特征的数据长度,Xn指的是预处理的关节节点的肢体时域变化特征,得到待评估目标的各个关节节点的运动幅值系数,此运动幅值系数即为本实施例所需的肢体运动特征。
步骤206、将肢体运动特征输入至预设的肢体运动分析模型,利用肢体运动分析模型的交叉验证方式进行模型分析,以得到肢体运动分析模型的输出结果,并以便于根据输出结果,确定待评估目标的心理健康状态评估结果,其中,肢体运动分析模型为通过训练样本数据进行模型训练得到的,且训练样本数据具体包括:肢体运动特征样本,以及与肢体运动特征样本对应的心理健康评估结果。
需要说明的是,本实施例的步骤206与第一个实施例的步骤104类似,但本实施例优选采用了支持向量回归(SVR)算法模型或支持向量机(SVM)算法模型,SVR是支持向量机(SVM)的重要的应用分支,通过借助SVM算法的交叉验证测试机制,相比于其他神经网络具有更好的泛化性能。
以上为本申请提供的一种员工心理健康状态评估方法的第二个实施例的详细说明,下面为本申请提供的一种员工心理健康状态评估装置的第一个实施例的详细说明。
请参阅图3,本申请第三个实施例提供了一种员工心理健康状态评估装置,包括:
视频获取单元301,用于获取目标视频,其中,目标视频中包含有待评估目标;
坐标系构建单元302,用于从目标视频中识别出待评估目标,并以待评估目标中的基准关节点为原点,构建肢体运动特征坐标系,其中,基准关节点为待评估目标中的预置关节部位对应的关节节点;
特征提取单元303,用于基于肢体运动特征坐标系中的各个关节节点,提取待评估目标的肢体运动特征;
模型分析单元304,用于将肢体运动特征输入至预设的肢体运动分析模型进行模型分析,以得到肢体运动分析模型的输出结果,并以便于根据输出结果,确定待评估目标的心理健康状态评估结果,其中,肢体运动分析模型为通过训练样本数据进行模型训练得到的,且训练样本数据具体包括:肢体运动特征样本,以及与肢体运动特征样本对应的心理健康评估结果。
更具体地,特征提取单元303具体包括:
时域特征提取单元3031,用于基于肢体运动特征坐标系中的各个关节节点,并按照目标视频各个帧的时间顺序,提取待评估目标的各个关节节点的肢体时域变化特征;
频域转换单元3032,用于通过FFT变换,对肢体时域变化特征进行频域转换,得到待评估目标的各个关节节点的运动幅值系数,并以运动幅值系数为待评估目标的肢体运动特征。
更具体地,还包括:
预处理单元300,用于对目标视频进行降噪预处理和重采样预处理。
更具体地,肢体运动分析模型具体为SVM模型或SVR模型。
更具体地,模型分析单元304具体用于:
将肢体运动特征输入至预设的肢体运动分析模型,利用肢体运动分析模型的交叉验证方式进行模型分析,以得到肢体运动分析模型的输出结果。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例,例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种员工心理健康状态评估方法,其特征在于,包括:
获取目标视频,其中,所述目标视频中包含有待评估目标;
从所述目标视频中识别出所述待评估目标,并以所述待评估目标中的基准关节点为原点,构建肢体运动特征坐标系,其中,所述基准关节点为所述待评估目标中的预置关节部位对应的关节节点;
基于肢体运动特征坐标系中的各个关节节点,提取所述待评估目标的肢体运动特征;
将所述肢体运动特征输入至预设的肢体运动分析模型进行模型分析,以得到所述肢体运动分析模型的输出结果,并以便于根据所述输出结果,确定所述待评估目标的心理健康状态评估结果,其中,所述肢体运动分析模型为通过训练样本数据进行模型训练得到的,且所述训练样本数据具体包括:肢体运动特征样本,以及与所述肢体运动特征样本对应的心理健康评估结果。
2.根据权利要求1所述的一种员工心理健康状态评估方法,其特征在于,基于肢体运动特征坐标系中的各个关节节点,提取所述待评估目标的肢体运动特征具体包括:
基于肢体运动特征坐标系中的各个关节节点,并按照所述目标视频各个帧的时间顺序,提取所述待评估目标的各个关节节点的肢体时域变化特征;
通过FFT变换,对所述肢体时域变化特征进行频域转换,得到待评估目标的各个关节节点的运动幅值系数,并以所述运动幅值系数为所述待评估目标的肢体运动特征。
3.根据权利要求1所述的一种员工心理健康状态评估方法,其特征在于,获取目标视频之后还包括:
对所述目标视频进行降噪预处理和重采样预处理。
4.根据权利要求1所述的一种员工心理健康状态评估方法,其特征在于,所述肢体运动分析模型具体为SVM模型或SVR模型。
5.根据权利要求4所述的一种员工心理健康状态评估方法,其特征在于,将所述肢体运动特征输入至预设的肢体运动分析模型进行模型分析,以得到所述肢体运动分析模型的输出结果具体包括:
将所述肢体运动特征输入至预设的肢体运动分析模型,利用所述肢体运动分析模型的交叉验证方式进行模型分析,以得到所述肢体运动分析模型的输出结果。
6.一种员工心理健康状态评估装置,其特征在于,包括:
视频获取单元,用于获取目标视频,其中,所述目标视频中包含有待评估目标;
坐标系构建单元,用于从所述目标视频中识别出所述待评估目标,并以所述待评估目标中的基准关节点为原点,构建肢体运动特征坐标系,其中,所述基准关节点为所述待评估目标中的预置关节部位对应的关节节点;
特征提取单元,用于基于肢体运动特征坐标系中的各个关节节点,提取所述待评估目标的肢体运动特征;
模型分析单元,用于将所述肢体运动特征输入至预设的肢体运动分析模型进行模型分析,以得到所述肢体运动分析模型的输出结果,并以便于根据所述输出结果,确定所述待评估目标的心理健康状态评估结果,其中,所述肢体运动分析模型为通过训练样本数据进行模型训练得到的,且所述训练样本数据具体包括:肢体运动特征样本,以及与所述肢体运动特征样本对应的心理健康评估结果。
7.根据权利要求6所述的一种员工心理健康状态评估装置,其特征在于,所述特征提取单元具体包括:
时域特征提取单元,用于基于肢体运动特征坐标系中的各个关节节点,并按照所述目标视频各个帧的时间顺序,提取所述待评估目标的各个关节节点的肢体时域变化特征;
频域转换单元,用于通过FFT变换,对所述肢体时域变化特征进行频域转换,得到待评估目标的各个关节节点的运动幅值系数,并以所述运动幅值系数为所述待评估目标的肢体运动特征。
8.根据权利要求6所述的一种员工心理健康状态评估装置,其特征在于,还包括:
预处理单元,用于对所述目标视频进行降噪预处理和重采样预处理。
9.根据权利要求6所述的一种员工心理健康状态评估装置,其特征在于,所述肢体运动分析模型具体为SVM模型或SVR模型。
10.根据权利要求9所述的一种员工心理健康状态评估装置,其特征在于,所述模型分析单元具体用于:
将所述肢体运动特征输入至预设的肢体运动分析模型,利用所述肢体运动分析模型的交叉验证方式进行模型分析,以得到所述肢体运动分析模型的输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010967858.0A CN111933280A (zh) | 2020-09-15 | 2020-09-15 | 一种员工心理健康状态评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010967858.0A CN111933280A (zh) | 2020-09-15 | 2020-09-15 | 一种员工心理健康状态评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111933280A true CN111933280A (zh) | 2020-11-13 |
Family
ID=73335293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010967858.0A Pending CN111933280A (zh) | 2020-09-15 | 2020-09-15 | 一种员工心理健康状态评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111933280A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114392457A (zh) * | 2022-03-25 | 2022-04-26 | 北京无疆脑智科技有限公司 | 信息生成方法、装置、电子设备、存储介质和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814136A (zh) * | 2010-02-11 | 2010-08-25 | 华南理工大学 | 一种基于快速傅立叶变换的打盹行为检测方法 |
CN106236115A (zh) * | 2016-08-12 | 2016-12-21 | 渤海大学 | 一种心理测试系统 |
JP2017213278A (ja) * | 2016-06-01 | 2017-12-07 | コニカミノルタ株式会社 | メンタルヘルス評価装置、該方法および該プログラム |
CN109766782A (zh) * | 2018-12-20 | 2019-05-17 | 南京理工大学 | 基于svm的实时肢体动作识别方法 |
CN109903837A (zh) * | 2019-03-05 | 2019-06-18 | 浙江强脑科技有限公司 | 心理检测方法、装置及计算机可读存储介质 |
CN111079535A (zh) * | 2019-11-18 | 2020-04-28 | 华中科技大学 | 一种人体骨架动作识别方法、装置及终端 |
CN111507264A (zh) * | 2020-04-17 | 2020-08-07 | 浙江大学 | 基于视频的行为分析方法、装置、设备 |
-
2020
- 2020-09-15 CN CN202010967858.0A patent/CN111933280A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814136A (zh) * | 2010-02-11 | 2010-08-25 | 华南理工大学 | 一种基于快速傅立叶变换的打盹行为检测方法 |
JP2017213278A (ja) * | 2016-06-01 | 2017-12-07 | コニカミノルタ株式会社 | メンタルヘルス評価装置、該方法および該プログラム |
CN106236115A (zh) * | 2016-08-12 | 2016-12-21 | 渤海大学 | 一种心理测试系统 |
CN109766782A (zh) * | 2018-12-20 | 2019-05-17 | 南京理工大学 | 基于svm的实时肢体动作识别方法 |
CN109903837A (zh) * | 2019-03-05 | 2019-06-18 | 浙江强脑科技有限公司 | 心理检测方法、装置及计算机可读存储介质 |
CN111079535A (zh) * | 2019-11-18 | 2020-04-28 | 华中科技大学 | 一种人体骨架动作识别方法、装置及终端 |
CN111507264A (zh) * | 2020-04-17 | 2020-08-07 | 浙江大学 | 基于视频的行为分析方法、装置、设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114392457A (zh) * | 2022-03-25 | 2022-04-26 | 北京无疆脑智科技有限公司 | 信息生成方法、装置、电子设备、存储介质和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Intrinsic chirp component decomposition by using Fourier series representation | |
Sujadevi et al. | A hybrid method for fundamental heart sound segmentation using group-sparsity denoising and variational mode decomposition | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN110717461A (zh) | 一种疲劳状态识别方法、装置和设备 | |
CN110717542A (zh) | 一种情绪识别方法、装置和设备 | |
CN109168052A (zh) | 服务满意度的确定方法、装置及计算设备 | |
Brophy et al. | Denoising EEG signals for real-world BCI applications using GANs | |
CN111611654B (zh) | 一种铆接结构的疲劳预测方法、装置及设备、存储介质 | |
CN114048773A (zh) | 一种基于迁移学习和WiFi的行为识别方法及系统 | |
CN111933280A (zh) | 一种员工心理健康状态评估方法及装置 | |
Raghu et al. | Automated biomedical signal quality assessment of electromyograms: Current challenges and future prospects | |
CN109646044B (zh) | 一种心音信号质量评价方法及装置 | |
Vijayvargiya et al. | PC-GNN: Pearson Correlation-Based Graph Neural Network for Recognition of Human Lower Limb Activity Using sEMG Signal | |
Nshimiyimana | Acoustic data augmentation for small passive acoustic monitoring datasets | |
Al-Zaben et al. | Improved recovery of cardiac auscultation sounds using modified cosine transform and LSTM-based masking | |
CN111899137B (zh) | 一种基于手写时序数据的考试系统和方法 | |
Xu et al. | Minimizing the effect of exponential trends in detrended fluctuation analysis | |
Jeon et al. | Federated learning model for contextual sensitive data quality applications: healthcare use case | |
Imro'ah | The MODWT-ARIMA Model in Forecasting The COVID-19 Cases | |
CN115114950B (zh) | 一种决策不确定性的测试方法、装置及设备 | |
CN109102143A (zh) | 一种产量监测方法及装置 | |
Kerr et al. | Modelling and analysis of retinal ganglion cells through system identification | |
CN112215447A (zh) | 员工工作状态的预测方法、装置、电子设备以及存储介质 | |
Martín-Martínez et al. | PPG beat reconstruction based on shape models and probabilistic templates for signals acquired with conventional smartphones |
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 |