CN112220479A - 基于遗传算法的被审讯单体情绪判断方法、装置和设备 - Google Patents

基于遗传算法的被审讯单体情绪判断方法、装置和设备 Download PDF

Info

Publication number
CN112220479A
CN112220479A CN202010925625.4A CN202010925625A CN112220479A CN 112220479 A CN112220479 A CN 112220479A CN 202010925625 A CN202010925625 A CN 202010925625A CN 112220479 A CN112220479 A CN 112220479A
Authority
CN
China
Prior art keywords
emotion
index
preset
model
genetic algorithm
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
Application number
CN202010925625.4A
Other languages
English (en)
Inventor
陈婉婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010925625.4A priority Critical patent/CN112220479A/zh
Publication of CN112220479A publication Critical patent/CN112220479A/zh
Pending legal-status Critical Current

Links

Images

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • A61B5/163—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state by tracking eye movement, gaze, or pupil change
    • 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
    • A61B5/164—Lie detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4803—Speech analysis specially adapted for diagnostic purposes
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Child & Adolescent Psychology (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Educational Technology (AREA)
  • Developmental Disabilities (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Vascular Medicine (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种基于遗传算法的被审讯单体情绪判断方法、装置、设备及存储介质，属于信息处理技术领域，该方法包括:基于预设的审讯模型，获取单体的若干不同相关指数；基于预设的加权算法模型，对所述单体的若干不同相关指数进行加权算法处理，获取单体的情绪指数；基于预设审讯模型和遗传算法模型分别对预设的若干训练集，进行预训练处理，获取每个训练集对应的输出区间集；判断单体的情绪指数对应的输出区间集，基于所述输出区间集，判断单体的当前情绪。本申请有助于快速确定被审讯人员的当前情绪，提高审讯工作人员的审讯效率。

Description

基于遗传算法的被审讯单体情绪判断方法、装置和设备
技术领域
本申请涉及信息处理技术领域，尤其涉及一种基于遗传算法的被审讯单体情绪判断方法、装置、设备及存储介质。
背景技术
审讯侦查是刑侦中的一种手段，其目的是为了更加快速的确定犯罪嫌疑人是否为明确的犯罪目标，在以往的审讯过程中，有专门的院校开设审讯课程，其根本模式都为基于以往的案例，通过心理学、行为学等固定教学的方式来判断被审讯单体的当前情绪，通过当前情绪来使用相符的话题，达到获取审讯结果的目的。
目前的被审讯单体的情绪判断方法主要使用审讯人员的主观判断作为依据，但是，时常会因为这种主观因素产生错误的情绪判断，导致审讯问题的选择有偏差，大大的耗费了审讯的时间；而且在审讯过程中，被审讯单体的情绪会经常不定性的进行变化，导致了情绪判断的复杂。由此可知，现有技术在审讯中进行情绪判断时，具有判断结果不准确，导致审讯效率较低的问题。
发明内容
本申请实施例的目的在于提出一种基于遗传算法的被审讯单体情绪判断方法、装置、设备及存储介质，以解决现有技术在审讯中进行情绪判断时，具有判断结果不准确，导致审讯效率较低的问题。
为了解决上述技术问题，本申请实施例提供一种基于遗传算法的被审讯单体情绪判断方法，采用了如下所述的技术方案：
一种基于遗传算法的被审讯单体情绪判断方法，包括：
基于预设的审讯模型，获取单体的若干不同相关指数；
基于预设的加权算法模型，对所述单体的若干不同相关指数进行加权算法处理，获取单体的情绪指数；
基于预设审讯模型和预处理模型分别对预设的若干训练集，进行预训练处理，获取预处理结果，并基于预设的遗传算法模型对预处理结果进行遗传算法处理，获取每个训练集对应的输出区间集，其中，所述预设的预处理模型，将所述不同情绪指数集分别作为不同的种群，获取所述种群中每个单体对应的情绪指数，基于预设的算法公式cv＝(sd÷mn)×100％，获取每个单体相对于整体训练集的平均情绪指数的变异系数，获取区间为[0,1]的变异系数组成种群的单元函数集，其中，cv为种群中单体相对于种群情绪指数的变异系数，sd为种群中单体相对于种群情绪指数的标准差，mn为种群中情绪指数的平均值；
判断单体的情绪指数对应的输出区间集，基于所述输出区间集，判断单体的当前情绪。
此外，在整个审讯过程中，所述预设的审讯模型、加权算法模型和遗传算法模型一直处于开启状态，并基于预设的时间间隔，定时获取被审讯单体的情绪指数，进行情绪判断，直到审讯结束，停止对被审讯单体进行情绪指数获取。
进一步的，所述基于遗传算法的被审讯单体情绪判断方法，所述预设的审讯模型包括：
心率感应子模型、血压感应子模型、脑电波分类子模型、瞳孔识别子模型、表情变化感应子模型、语音分析子模型、情感分析子模型。
进一步的，所述基于遗传算法的被审讯单体情绪判断方法，所述若干不同相关指数包括：
心率指数、血压指数、脑电指数、瞳孔指数、表情指数、语音指数、情感指数。
进一步的，所述基于遗传算法的被审讯单体情绪判断方法，所述若干不同相关指数还包括：
分别基于预设的审讯模型中的不同子模型进行获取。
进一步的，所述基于遗传算法的被审讯单体情绪判断方法，所述预设的加权算法模型包括：
获取离散型的相关指数，并基于预设的算法公式
Figure BDA0002666550100000031
对所述相关指数进行加权处理，获取输出值，将所述输出值作为情绪指数，其中，n＝n1+n2+n3+n4+n5+n6+n7，f1，f2，f3，f4，f5，f6，f7分别为心率指数、血压指数、脑电指数、瞳孔指数、表情指数、语音指数、情感指数。
进一步的，所述基于遗传算法的被审讯单体情绪判断方法，所述预设审讯模型的包括：
获取不同的训练集；
对不同训练集中的单体分别进行相关指数获取；
基于预设的加权平均值算法，分别获取不同训练集中的单体的情绪指数；
将所述不同训练集中的单体的情绪指数分别加入到不同的集合中，分别生成不同情绪指数集。
进一步的，所述基于遗传算法的被审讯单体情绪判断方法，所述基于预设的遗传算法模型对预处理结果进行遗传算法处理，获取每个训练集对应的输出区间集包括：
将所述单元函数集中每个单元函数，进行二进制处理，作为所述遗传算法模型中的基因序列；
对所述遗传算法模型中的基因序列，基于预设的算法公式f(z)＝xsin(10π*x)+1.0，进行适配度计算，获取适配度超过预设阈值的基因序列，并获取所述基因序列对应的单体的情绪指数，将所述情绪指数加入到新的集合中组成输出区间集，其中，所述x∈[0,1]，χ为单元函数集中单元函数的基因序列。
为了解决上述技术问题，本申请实施例还提供了一种基于遗传算法的被审讯单体情绪判断装置，采用了如下所述的技术方案：
一种基于遗传算法的被审讯单体情绪判断装置，包括：
相关指数获取模块，用于基于预设的审讯模型，获取单体的若干不同相关指数；
单体情绪指数计算模块，用于基于预设的加权算法模型，对所述单体的若干不同相关指数进行加权算法处理，获取单体的情绪指数；
输出区间集获取模块，用于基于预设审讯模型和预处理模型分别对预设的若干训练集，进行预训练处理，获取预处理结果，并基于预设的遗传算法模型对预处理结果进行遗传算法处理，获取每个训练集对应的输出区间集，其中，所述预设的预处理模型，将所述不同情绪指数集分别作为不同的种群，获取所述种群中每个单体对应的情绪指数，基于预设的算法公式cv＝(sd÷mn)×100％，获取每个单体相对于整体训练集的平均情绪指数的变异系数，获取区间为[0,1]的变异系数组成种群的单元函数集，其中，cv为种群中单体相对于种群情绪指数的变异系数，sd为种群中单体相对于种群情绪指数的标准差，mn为种群中情绪指数的平均值；
单体情绪判断模块，用于判断单体的情绪指数对应的输出区间集，基于所述输出区间集，判断单体的当前情绪。
循环获取控制模块，用于在整个审讯过程中，控制所述预设的审讯模型、加权算法模型和遗传算法模型一直处于开启状态，并基于预设的时间间隔，定时获取被审讯单体的情绪指数，进行情绪判断，直到审讯结束，停止对被审讯单体进行情绪指数获取。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现本申请实施例中提出的一种基于遗传算法的被审讯单体情绪判断方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种非易失性计算机可读存储介质，采用了如下所述的技术方案：
一种非易失性计算机可读存储介质，计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例中提出的一种基于遗传算法的被审讯单体情绪判断方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例公开了基于遗传算法的被审讯单体情绪判断方法、装置、设备及存储介质，通过基于预设的审讯模型，获取单体的若干不同相关指数；基于预设的加权算法模型，对所述单体的若干不同相关指数进行加权算法处理，获取单体的情绪指数；基于预设审讯模型和遗传算法模型分别对预设的若干训练集，进行预训练处理，获取每个训练集对应的输出区间集；判断单体的情绪指数对应的输出区间集，基于所述输出区间集，判断单体的当前情绪。本申请有助于快速确定被审讯人员的当前情绪，提高审讯工作人员的审讯效率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例可以应用于其中的示例性系统架构图；
图2为本申请实施例中所述基于遗传算法的被审讯单体情绪判断方法的一个实施例的流程图；
图3为本申请实施例中预处理模型的单元函数集的生成示意图；
图4为本申请实施例中遗传算法模型的输出区间集的生成示意图；
图5为本申请实施例中所述基于遗传算法的被审讯单体情绪判断装置的一个实施例的结构示意图；
图6为本申请实施例中输出区间集获取模块的结构示意图；
图7为本申请实施例中计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于遗传算法的被审讯单体情绪判断方法一般由服务器/终端设备执行，相应地，基于遗传算法的被审讯单体情绪判断装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，图中示出了本申请的基于遗传算法的被审讯单体情绪判断方法的一个实施例的流程图，所述的基于遗传算法的被审讯单体情绪判断方法包括以下步骤：
步骤201，基于预设的审讯模型，获取单体的若干不同相关指数。
在本实施例中，所述预设的审讯模型包括：心率感应子模型、血压感应子模型、脑电波分类子模型、瞳孔识别子模型、表情变化感应子模型、语音分析子模型、情感分析子模型。
在本实施例中，所述若干不同相关指数包括：心率指数、血压指数、脑电指数、瞳孔指数、表情指数、语音指数、情感指数。
在本实施例中，所述若干不同相关指数还包括：分别基于预设的审讯模型中的不同子模型进行获取。
所述的心率感应子模型，具体的基于预设的心率感应终端，获取在审讯过程中单体在预设的时间间隔内的心率次数H，并传入到集合中，对集合中的值进行求平均值，将所述平均值作为心率指数。
所述的血压感应子模型，具体的基于预设的血压感应终端，获取单体在预设单元时间内的血压压强P的平均值，将所述血压压强P的平均值作为血压指数。
所述的脑电波分类子模型，具体的基于预设的脑电波感应终端，获取单体在审讯过程的脑电波频率次数β，在预设的时间间隔内获取平均频率，作为脑电指数。
所述的瞳孔识别子模型，具体的基于预设的眼部图片抓拍终端，获取单体在审讯过程中的若干张眼部变化图片，并基于预设的图片处理方式，获取所述若干张眼部图片中瞳孔的变化情况，并使用标准差表示单体瞳孔在审讯过程中的整体变化情况，将所述标准差作为瞳孔指数。
所述的表情变化感应子模型，具体的基于预设的面部抓拍终端，获取单体在审讯过程中的若干张面部图片，基于预设的微表情识别终端，判断单体在不同时间时的表情变化，并使用波状图的方式进行表示，基于预设的算法公式，获取归一化值，使用所述归一化值表示表情指数，其中，在使用波状图进行表示时，预先设定固定的表情图片为基准图片，基于预设的微表情识别终端，判断在预设时间间隔内，抓拍到的面部图片中的表情相较于基准图片的变化，并使用数值进行表示，最后，进行计算，获取一个归一化值，表示单体在预设时间间隔内的表情整体变化。
所述的语音分析子模型，具体的基于预设的自然语言理解模型和自然语言解析模型，判断单体在预设的时间间隔内的语音音调变化和回答的间隔速度变化，将使用预设的算法模型，将变化幅度使用数值的方式进行表示，将所述变化幅度对应的数值作为语音指数。
所述的情感分析子模型，具体的基于预设的情感分析模型，判断单体在预设的间隔时间内，情感发生的变化，并使用折线图进行表示，获取归一化值，将所述归一化值，作为情感指数。
步骤202，基于预设的加权算法模型，对所述单体的若干不同相关指数进行加权算法处理，获取单体的情绪指数。
在本申请的一些实施例中，所述预设的加权算法模型包括：获取离散型的相关指数，并基于预设的算法公式
Figure BDA0002666550100000091
对所述相关指数进行加权处理，获取输出值，将所述输出值作为情绪指数，其中，n＝n1+n2+n3+n4+n5+n6+n7，f1、f2、f3、f4、f5、f6、f7分别为心率指数、血压指数、脑电指数、瞳孔指数、表情指数、语音指数、情感指数。
所述n为预设的常数值，n1、n2、n3、n4、n5、n6、n7分别基于预设的影响关系表进行值获取，假设瞳孔指数、表情指数、语音指数、情感指数对于情绪的决定性要大于心率指数、血压指数、脑电指数，且其中尤以表情指数、语音指数最为重要，情感指数次之，瞳孔指数再次之，最后，心率指数、血压指数、脑电指数更次之，假设所述预设的影响关系表中，表情指数影响占比率为4/10，语音指数影响占比率为2/10，情感指数影响占比率为1.8/10，瞳孔指数影响占比率为1.2/10，心率指数影响占比率为0.5/10，血压指数影响占比率为0.3/10，脑电指数影响占比率为0.2/10，n1、n2、n3、n4、n5、n6、n7分别表示心率指数影响值、血压指数影响值、脑电指数影响值、瞳孔指数影响值、表情指数影响值、语音指数影响值、情感指数影响值，基于n＝n1+n2+n3+n4+n5+n6+n7，此时，假设n为1，则n1、n2、n3、n4、n5、n6、n7分别为0.4、0.2、0.18、0.12、0.05、0.03、0.02；假设n为10，则n1、n2、n3、n4、n5、n6、n7分别为4、2、1.8、1.2、0.5、0.3、0.2。
步骤203，基于预设审讯模型和预处理模型分别对预设的若干训练集，进行预训练处理，获取预处理结果，并基于预设的遗传算法模型对预处理结果进行遗传算法处理，获取每个训练集对应的输出区间集，其中，所述预设的预处理模型，将所述不同情绪指数集分别作为不同的种群，获取所述种群中每个单体对应的情绪指数，基于预设的算法公式cv＝(sd÷mn)×100％，获取每个单体相对于整体训练集的平均情绪指数的变异系数，获取区间为[0,1]的变异系数组成种群的单元函数集，其中，cv为种群中单体相对于种群情绪指数的变异系数，sd为种群中单体相对于种群情绪指数的标准差，mn为种群中情绪指数的平均值。
具体的参考图3，图3为本申请实施例中预处理模型的单元函数集的生成示意图，具体如下：获取种群中每个单体的情绪指数；同时获取种群中所有单体的平均情绪指数；基于预设的标准层计算方法，获取每一个单体的情绪指数相对于种群中所有单体的平均情绪指数的变异系数的标准差；基于预设的算法公式cv＝(sd÷mn)×100％，获取变异系数区间为[0,1]的变异系数值；将所述变异系数值加入到新的集合中，即单元函数集。
在本申请的一些实施例中，所述预设审讯模型的处理步骤包括：获取不同的训练集；对不同训练集中的单体分别进行相关指数获取；基于预设的加权平均值算法，分别获取不同训练集中的单体的情绪指数；将所述不同训练集中的单体的情绪指数分别加入到不同的集合中，分别生成不同情绪指数集。
在本申请的一些实施例中，所述基于预设的遗传算法模型对预处理结果进行遗传算法处理，获取每个训练集对应的输出区间集包括：将所述单元函数集中每个单元函数，进行二进制处理，作为所述遗传算法模型中的基因序列；对所述遗传算法模型中的基因序列，基于预设的算法公式f(z)＝xsin(10π*x)+1.0，进行适配度计算，获取适配度超过预设阈值的基因序列，并获取所述基因序列对应的单体的情绪指数，将所述情绪指数加入到新的集合中组成输出区间集，其中，所述x∈[0,1]，χ为单元函数集中单元函数的基因序列。
其中，所述将所述单元函数集中每个单元函数，进行二进制处理，作为所述遗传算法模型中的基因序列，具体的为假设所述单元函数为0.54321，则其二进制值使用二进制的加法和除法进行计算，如上所述0.54321，则将上述数值拆分为0.54321＝0.5+0.04+0.003+0.0002+0.00001，转化为二进制则：0.5＝101÷10000、0.04＝100÷100000000、0.003＝11÷1000000000000、0.0002＝10÷10000000000000000、0.00001＝1÷100000000000000000000；则0.54321转化为二进制为0.01010100000110100001，即将所述二进制值作为基因序列。
具体的参考图4，图4为本申请实施例中遗传算法模型的输出区间集的生成示意图，具体如下：获取单元函数集中的单元函数；对获取的单元函数进行二进制处理，获取二进制值；将所述二进制值作为遗传算法模型的一个基因序列，即需传入遗传算法待计算的值；基于预设的算法公式f(z)＝xsin(10π*x)+1.0，进行适配度计算，获取适配度超过预设阈值的基因序列；获取所述适配度超过预设阈值的基因序列对应的单体的情绪指数，将所述情绪指数加入到新的集合，即输出区间集。
如下为本申请实施例中步骤303的一个说明实例：
若步骤203中，所述若干训练集包括：预设的抵触训练集，委屈训练集，戒备训练集，侥幸训练集，畏罪训练集，悲观训练集六种训练集。
则所述预设审讯模型的包括步骤：获取不同的训练集；对不同训练集中的单体分别进行相关指数获取；基于预设的加权平均值算法，分别获取不同训练集中的单体的情绪指数；将上述不同训练集中的单体的情绪指数分别加入到不同的集合中，分别生成抵触情绪指数集、委屈情绪指数集、戒备情绪指数集、侥幸情绪指数集、畏罪情绪指数集、悲观情绪指数集。
所述基于预设的遗传算法模型对预处理结果进行遗传算法处理，获取每个训练集对应的输出区间集，具体的处理方式如下：基于预设的预处理模型，将所述抵触情绪指数集、委屈情绪指数集、戒备情绪指数集、侥幸情绪指数集、畏罪情绪指数集、悲观情绪指数集分别作为不同的种群，获取所述种群中每个单体对应的情绪指数，基于预设的算法公式cv＝(sd÷mn)×100％，获取每个单体相对于整体训练集的平均情绪指数的变异系数，获取区间为[0,1]的变异系数组成种群的单元函数集，其中，cv为种群中单体相对于种群情绪指数的变异系数，sd为种群中单体相对于种群情绪指数的标准差，mn为种群中情绪指数的平均值；将所述单元函数集中每个单元函数，进行二进制处理，作为所述遗传算法模型中的基因序列；对所述遗传算法模型中的基因序列，基于预设的算法公式f(z)＝xsin(10π*x)+1.0，进行适配度计算，获取适配度超过预设阈值的基因序列，并获取所述基因序列对应的单体的情绪指数，将所述情绪指数加入到新的集合中组成输出区间集，其中，所述x∈[0,1]。
步骤204，判断单体的情绪指数对应的输出区间集，基于所述输出区间集，判断单体的当前情绪。
在本申请的一些实施例中，所述步骤204中判断单体的情绪指数对应的输出区间集，基于所述输出区间集，判断单体的当前情绪包括步骤：获取被审讯单体的情绪指数，将所述情绪指数放入到输出区间集中进行对比，判断所述单体的情绪指数属于哪个输出区间集，在判断完成后，基于输出区间集获取单体对应的情绪。
步骤205为步骤201、202、203、204的限定技术特征。
步骤205，此外，在整个审讯过程中，所述预设的审讯模型、加权算法模型和遗传算法模型一直处于开启状态，并基于预设的时间间隔，定时获取被审讯单体的情绪指数，进行情绪判断，直到审讯结束，停止对被审讯单体进行情绪指数获取。
在本申请的一些实施例中，所述基于预设的时间间隔，定时获取被审讯单体的情绪指数，进行情绪判断，直到审讯结束，停止对被审讯单体进行情绪指数获取，起到对审讯单体使用不间断的情绪指数获取的方式，采用循环的方式，实时获取单体的当前情绪。
本申请实施例中所述的基于遗传算法的被审讯单体情绪判断方法，可以通过基于预设的审讯模型，获取单体的若干不同相关指数；基于预设的加权算法模型，对所述单体的若干不同相关指数进行加权算法处理，获取单体的情绪指数；基于预设审讯模型和遗传算法模型分别对预设的若干训练集，进行预训练处理，获取每个训练集对应的输出区间集；判断单体的情绪指数对应的输出区间集，基于所述输出区间集，判断单体的当前情绪。本申请有助于快速确定被审讯人员的当前情绪，提高审讯工作人员的审讯效率。
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，该计算机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，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图5，作为对上述图2所示方法的实现，本申请提供了一种基于遗传算法的被审讯单体情绪判断装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例所述的基于遗传算法的被审讯单体情绪判断装置5包括：相关指数获取模块501、单体情绪指数计算模块502、输出区间集获取模块503、单体情绪判断模块504和循环获取控制模块505。其中：
相关指数获取模块501，用于基于预设的审讯模型，获取单体的若干不同相关指数；
单体情绪指数计算模块502，用于基于预设的加权算法模型，对所述单体的若干不同相关指数进行加权算法处理，获取单体的情绪指数；
输出区间集获取模块503，用于基于预设审讯模型和预处理模型分别对预设的若干训练集，进行预训练处理，获取预处理结果，并基于预设的遗传算法模型对预处理结果进行遗传算法处理，获取每个训练集对应的输出区间集，其中，所述预设的预处理模型，将所述不同情绪指数集分别作为不同的种群，获取所述种群中每个单体对应的情绪指数，基于预设的算法公式cv＝(sd÷mn)×100％，获取每个单体相对于整体训练集的平均情绪指数的变异系数，获取区间为[0,1]的变异系数组成种群的单元函数集，其中，cv为种群中单体相对于种群情绪指数的变异系数，sd为种群中单体相对于种群情绪指数的标准差，mn为种群中情绪指数的平均值；
单体情绪判断模块504，用于判断单体的情绪指数对应的输出区间集，基于所述输出区间集，判断单体的当前情绪。
循环获取控制模块505，用于在整个审讯过程中，控制所述预设的审讯模型、加权算法模型和遗传算法模型一直处于开启状态，并基于预设的时间间隔，定时获取被审讯单体的情绪指数，进行情绪判断，直到审讯结束，停止对被审讯单体进行情绪指数获取。
在本申请的一些实施例中，所述相关指数获取模块501在预设审讯模型中的心率感应子模型、血压感应子模型、脑电波分类子模型、瞳孔识别子模型、表情变化感应子模型、语音分析子模型、情感分析子模型启动后，分别获取心率指数、血压指数、脑电指数、瞳孔指数、表情指数、语音指数、情感指数。
在本申请的一些实施例中，所述单体情绪指数计算模块502在预设的加权算法模型启动后，基于预设的算法公式
Figure BDA0002666550100000141
对所述相关指数进行加权处理，获取输出值，将所述输出值作为情绪指数，其中，n＝n1+n2+n3+n4+n5+n6+n7。
在本申请的一些实施例中，如图6，图6为本申请实施例中输出区间集获取模块的结构示意图，所述输出区间集获取模块503包括审讯模型单元503a、预处理模型单元503b、遗传算法模型单元503c。
在本申请的一些实施例中，所述审讯模型单元503a用于获取不同的训练集；对不同训练集中的单体分别进行相关指数获取；基于预设的加权平均值算法，分别获取不同训练集中的单体的情绪指数；将所述不同训练集中的单体的情绪指数分别加入到不同的集合中，分别生成不同情绪指数集。
在本申请的一些实施例中，所述预处理模型单元503b用于将所述不同情绪指数集分别作为不同的种群，获取所述种群中每个单体对应的情绪指数，基于预设的算法公式cv＝(sd÷mn)×100％，获取每个单体相对于整体训练集的平均情绪指数的变异系数，获取区间为[0,1]的变异系数组成种群的单元函数集。
在本申请的一些实施例中，所述遗传算法模型单元503c用于将所述单元函数集中每个单元函数，进行二进制处理，作为所述遗传算法模型中的基因序列；对所述遗传算法模型中的基因序列，基于预设的算法公式f(z)＝xsin(10π*x)+1.0，进行适配度计算，获取适配度超过预设阈值的基因序列，并获取所述基因序列对应的单体的情绪指数，将所述情绪指数加入到新的集合中组成输出区间集。
本申请实施例所述的基于遗传算法的被审讯单体情绪判断装置，通过基于预设的审讯模型，获取单体的若干不同相关指数；基于预设的加权算法模型，对所述单体的若干不同相关指数进行加权算法处理，获取单体的情绪指数；基于预设审讯模型和遗传算法模型分别对预设的若干训练集，进行预训练处理，获取每个训练集对应的输出区间集；判断单体的情绪指数对应的输出区间集，基于所述输出区间集，判断单体的当前情绪。本申请有助于快速确定被审讯人员的当前情绪，提高审讯工作人员的审讯效率。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图7，图7为本实施例计算机设备基本结构框图。
所述计算机设备7包括通过系统总线相互通信连接存储器7a、处理器7b、网络接口7c。需要指出的是，图中仅示出了具有组件7a-7c的计算机设备7，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field-Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器7a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器7a可以是所述计算机设备7的内部存储单元，例如该计算机设备7的硬盘或内存。在另一些实施例中，所述存储器7a也可以是所述计算机设备7的外部存储设备，例如该计算机设备7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(FlashCard)等。当然，所述存储器7a还可以既包括所述计算机设备7的内部存储单元也包括其外部存储设备。本实施例中，所述存储器7a通常用于存储安装于所述计算机设备7的操作系统和各类应用软件，例如基于遗传算法的被审讯单体情绪判断方法的程序代码等。此外，所述存储器7a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器7b在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器7b通常用于控制所述计算机设备7的总体操作。本实施例中，所述处理器7b用于运行所述存储器7a中存储的程序代码或者处理数据，例如运行所述基于遗传算法的被审讯单体情绪判断方法的程序代码。
所述网络接口7c可包括无线网络接口或有线网络接口，该网络接口7c通常用于在所述计算机设备7与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有基于遗传算法的被审讯单体情绪判断程序，所述基于遗传算法的被审讯单体情绪判断程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于遗传算法的被审讯单体情绪判断方法的步骤。
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，本申请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)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于遗传算法的被审讯单体情绪判断方法，其特征在于，包括下述步骤：
基于预设的审讯模型，获取单体的若干不同相关指数；
基于预设的加权算法模型，对所述单体的若干不同相关指数进行加权算法处理，获取单体的情绪指数；
基于预设审讯模型和预处理模型分别对预设的若干训练集，进行预训练处理，获取预处理结果，并基于预设的遗传算法模型对预处理结果进行遗传算法处理，获取每个训练集对应的输出区间集，其中，所述预设的预处理模型，将所述不同情绪指数集分别作为不同的种群，获取所述种群中每个单体对应的情绪指数，基于预设的算法公式cv＝(sd÷mn)×100％，获取每个单体相对于整体训练集的平均情绪指数的变异系数，获取区间为[0,1]的变异系数组成种群的单元函数集，其中，cv为种群中单体相对于种群情绪指数的变异系数，sd为种群中单体相对于种群情绪指数的标准差，mn为种群中情绪指数的平均值；
判断单体的情绪指数对应的输出区间集，基于所述输出区间集，判断单体的当前情绪。
此外，在整个审讯过程中，所述预设的审讯模型、加权算法模型和遗传算法模型一直处于开启状态，并基于预设的时间间隔，定时获取被审讯单体的情绪指数，进行情绪判断，直到审讯结束，停止对被审讯单体进行情绪指数获取。
2.根据权利要求1所述的基于遗传算法的被审讯单体情绪判断方法，其特征在于，所述预设的审讯模型包括：
心率感应子模型、血压感应子模型、脑电波分类子模型、瞳孔识别子模型、表情变化感应子模型、语音分析子模型、情感分析子模型。
3.根据权利要求2所述的基于遗传算法的被审讯单体情绪判断方法，其特征在于，所述若干不同相关指数包括：
心率指数、血压指数、脑电指数、瞳孔指数、表情指数、语音指数、情感指数。
4.根据权利要求2或3所述的基于遗传算法的被审讯单体情绪判断方法，其特征在于，所述若干不同相关指数还包括：
分别基于预设的审讯模型中的不同子模型进行获取。
5.根据权利要求4所述的基于遗传算法的被审讯单体情绪判断方法，其特征在于，所述预设的加权算法模型包括：
获取离散型的相关指数，并基于预设的算法公式
Figure FDA0002666550090000021
对所述相关指数进行加权处理，获取输出值，将所述输出值作为情绪指数，其中，n＝n1+n2+n3+n4+n5+n6+n7，f1，f2，f3，f4，f5，f6，f7分别为心率指数、血压指数、脑电指数、瞳孔指数、表情指数、语音指数、情感指数。
6.根据权利要求5所述的基于遗传算法的被审讯单体情绪判断方法，其特征在于，所述预设审讯模型的包括：
获取不同的训练集；
对不同训练集中的单体分别进行相关指数获取；
基于预设的加权平均值算法，分别获取不同训练集中的单体的情绪指数；
将所述不同训练集中的单体的情绪指数分别加入到不同的集合中，分别生成不同情绪指数集。
7.根据权利要求6所述的基于遗传算法的被审讯单体情绪判断方法，其特征在于，所述基于预设的遗传算法模型对预处理结果进行遗传算法处理，获取每个训练集对应的输出区间集包括：
将所述单元函数集中每个单元函数，进行二进制处理，作为所述遗传算法模型中的基因序列；
对所述遗传算法模型中的基因序列，基于预设的算法公式f(z)＝xsin(10π*x)+1.0，进行适配度计算，获取适配度超过预设阈值的基因序列，并获取所述基因序列对应的单体的情绪指数，将所述情绪指数加入到新的集合中组成输出区间集，其中，所述x∈[0,1]，χ为单元函数集中单元函数的基因序列。
8.一种基于遗传算法的被审讯单体情绪判断装置，其特征在于，包括：
相关指数获取模块，用于基于预设的审讯模型，获取单体的若干不同相关指数；
单体情绪指数计算模块，用于基于预设的加权算法模型，对所述单体的若干不同相关指数进行加权算法处理，获取单体的情绪指数；
输出区间集获取模块，用于基于预设审讯模型和预处理模型分别对预设的若干训练集，进行预训练处理，获取预处理结果，并基于预设的遗传算法模型对预处理结果进行遗传算法处理，获取每个训练集对应的输出区间集，其中，所述预设的预处理模型，将所述不同情绪指数集分别作为不同的种群，获取所述种群中每个单体对应的情绪指数，基于预设的算法公式cv＝(sd÷mn)×100％，获取每个单体相对于整体训练集的平均情绪指数的变异系数，获取区间为[0,1]的变异系数组成种群的单元函数集，其中，cv为种群中单体相对于种群情绪指数的变异系数，sd为种群中单体相对于种群情绪指数的标准差，mn为种群中情绪指数的平均值；
单体情绪判断模块，用于判断单体的情绪指数对应的输出区间集，基于所述输出区间集，判断单体的当前情绪。
循环获取控制模块，用于在整个审讯过程中，控制所述预设的审讯模型、加权算法模型和遗传算法模型一直处于开启状态，并基于预设的时间间隔，定时获取被审讯单体的情绪指数，进行情绪判断，直到审讯结束，停止对被审讯单体进行情绪指数获取。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于遗传算法的被审讯单体情绪判断方法的步骤。
10.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于遗传算法的被审讯单体情绪判断方法的步骤。
CN202010925625.4A 2020-09-04 2020-09-04 基于遗传算法的被审讯单体情绪判断方法、装置和设备 Pending CN112220479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010925625.4A CN112220479A (zh) 2020-09-04 2020-09-04 基于遗传算法的被审讯单体情绪判断方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010925625.4A CN112220479A (zh) 2020-09-04 2020-09-04 基于遗传算法的被审讯单体情绪判断方法、装置和设备

Publications (1)

Publication Number Publication Date
CN112220479A true CN112220479A (zh) 2021-01-15

Family

ID=74116601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010925625.4A Pending CN112220479A (zh) 2020-09-04 2020-09-04 基于遗传算法的被审讯单体情绪判断方法、装置和设备

Country Status (1)

Country Link
CN (1) CN112220479A (zh)

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000046651A2 (en) * 1999-02-05 2000-08-10 Xfi Corporation Apparatus and methods for a computer-aided decision-making system
EP1256937A2 (en) * 2001-05-11 2002-11-13 Sony France S.A. Emotion recognition method and device
JP2012059107A (ja) * 2010-09-10 2012-03-22 Nec Corp 感情推定装置、感情推定方法およびプログラム
CN102715902A (zh) * 2012-06-15 2012-10-10 天津大学 特殊人群的情绪监护方法
CN102968643A (zh) * 2012-11-16 2013-03-13 华中科技大学 一种基于李群论的多模态情感识别方法
CN103729459A (zh) * 2014-01-10 2014-04-16 北京邮电大学 一种构建情感分类模型的方法
JP2015109964A (ja) * 2013-11-11 2015-06-18 株式会社電通サイエンスジャム 感情推定装置、感情推定処理システム、感情推定方法および感情推定プログラム
CN106096641A (zh) * 2016-06-07 2016-11-09 南京邮电大学 一种基于遗传算法的多模态情感特征融合方法
CN107822623A (zh) * 2017-10-11 2018-03-23 燕山大学 一种基于多源生理信息的驾驶员疲劳及情绪评价方法
CN108307037A (zh) * 2017-12-15 2018-07-20 努比亚技术有限公司 终端控制方法、终端及计算机可读存储介质
US20180263545A1 (en) * 2015-09-30 2018-09-20 Centro Studi S.R.L. Emotional/Behavioural/Psychological State Estimation System
CN108805088A (zh) * 2018-06-14 2018-11-13 南京云思创智信息科技有限公司 基于多模态情绪识别系统的生理信号分析子系统
US10127825B1 (en) * 2017-06-13 2018-11-13 Fuvi Cognitive Network Corp. Apparatus, method, and system of insight-based cognitive assistant for enhancing user's expertise in learning, review, rehearsal, and memorization
CN109394247A (zh) * 2018-06-08 2019-03-01 青岛大学附属医院 一种多特征融合的就诊用户情绪监控方法
CN109766759A (zh) * 2018-12-12 2019-05-17 成都云天励飞技术有限公司 情绪识别方法及相关产品
WO2019132772A1 (en) * 2017-12-30 2019-07-04 Kaha Pte. Ltd. Method and system for monitoring emotions
CN110134316A (zh) * 2019-04-17 2019-08-16 华为技术有限公司 模型训练方法、情绪识别方法及相关装置和设备
CN110516245A (zh) * 2019-08-27 2019-11-29 蓝盾信息安全技术股份有限公司 细粒度情感分析方法、装置、计算机设备及存储介质
CN110522462A (zh) * 2019-08-26 2019-12-03 南京睿数网络科技有限公司 一种多模态智能审讯系统和方法
CN111012340A (zh) * 2020-01-07 2020-04-17 南京邮电大学 一种基于多层感知机的情绪分类方法
CN111144507A (zh) * 2019-12-30 2020-05-12 北京百度网讯科技有限公司 情感分析模型预训练方法、装置及电子设备
WO2020124710A1 (zh) * 2018-12-18 2020-06-25 深圳壹账通智能科技有限公司 安检辅助分析方法、装置、计算机设备和存储介质
CN111419250A (zh) * 2020-04-08 2020-07-17 恒爱高科(北京)科技有限公司 一种基于脉搏波的情绪识别方法

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000046651A2 (en) * 1999-02-05 2000-08-10 Xfi Corporation Apparatus and methods for a computer-aided decision-making system
EP1256937A2 (en) * 2001-05-11 2002-11-13 Sony France S.A. Emotion recognition method and device
JP2012059107A (ja) * 2010-09-10 2012-03-22 Nec Corp 感情推定装置、感情推定方法およびプログラム
CN102715902A (zh) * 2012-06-15 2012-10-10 天津大学 特殊人群的情绪监护方法
CN102968643A (zh) * 2012-11-16 2013-03-13 华中科技大学 一种基于李群论的多模态情感识别方法
JP2015109964A (ja) * 2013-11-11 2015-06-18 株式会社電通サイエンスジャム 感情推定装置、感情推定処理システム、感情推定方法および感情推定プログラム
CN103729459A (zh) * 2014-01-10 2014-04-16 北京邮电大学 一种构建情感分类模型的方法
US20180263545A1 (en) * 2015-09-30 2018-09-20 Centro Studi S.R.L. Emotional/Behavioural/Psychological State Estimation System
CN106096641A (zh) * 2016-06-07 2016-11-09 南京邮电大学 一种基于遗传算法的多模态情感特征融合方法
US10127825B1 (en) * 2017-06-13 2018-11-13 Fuvi Cognitive Network Corp. Apparatus, method, and system of insight-based cognitive assistant for enhancing user's expertise in learning, review, rehearsal, and memorization
CN107822623A (zh) * 2017-10-11 2018-03-23 燕山大学 一种基于多源生理信息的驾驶员疲劳及情绪评价方法
CN108307037A (zh) * 2017-12-15 2018-07-20 努比亚技术有限公司 终端控制方法、终端及计算机可读存储介质
WO2019132772A1 (en) * 2017-12-30 2019-07-04 Kaha Pte. Ltd. Method and system for monitoring emotions
CN109394247A (zh) * 2018-06-08 2019-03-01 青岛大学附属医院 一种多特征融合的就诊用户情绪监控方法
CN108805088A (zh) * 2018-06-14 2018-11-13 南京云思创智信息科技有限公司 基于多模态情绪识别系统的生理信号分析子系统
CN109766759A (zh) * 2018-12-12 2019-05-17 成都云天励飞技术有限公司 情绪识别方法及相关产品
WO2020124710A1 (zh) * 2018-12-18 2020-06-25 深圳壹账通智能科技有限公司 安检辅助分析方法、装置、计算机设备和存储介质
CN110134316A (zh) * 2019-04-17 2019-08-16 华为技术有限公司 模型训练方法、情绪识别方法及相关装置和设备
CN110522462A (zh) * 2019-08-26 2019-12-03 南京睿数网络科技有限公司 一种多模态智能审讯系统和方法
CN110516245A (zh) * 2019-08-27 2019-11-29 蓝盾信息安全技术股份有限公司 细粒度情感分析方法、装置、计算机设备及存储介质
CN111144507A (zh) * 2019-12-30 2020-05-12 北京百度网讯科技有限公司 情感分析模型预训练方法、装置及电子设备
CN111012340A (zh) * 2020-01-07 2020-04-17 南京邮电大学 一种基于多层感知机的情绪分类方法
CN111419250A (zh) * 2020-04-08 2020-07-17 恒爱高科(北京)科技有限公司 一种基于脉搏波的情绪识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
李方方;赵英凯;张兴华;: "自适应递阶遗传算法优化BP网络的程序设计", 计算机仿真, no. 08, 15 August 2007 (2007-08-15) *
王飞;李强;: "基于改进的深度信念网络的人脸识别算法研究", 兰州交通大学学报, no. 01, 15 February 2016 (2016-02-15) *
邵洁;汪伟鸣;: "基于肢体动作序列三维纹理特征的情绪识别", 计算机应用研究, no. 11, 12 December 2017 (2017-12-12) *
金鸿章，王科俊，何琳著: "遗传算法理论及其在船舶横摇运动控制中的应用", 31 October 2007, 哈尔滨工程大学出版社, pages: 20 - 24 *
陈燕，李桃迎著: "数据挖掘与聚类分析", 30 November 2012, 大连海事大学出版社, pages: 138 - 145 *

Similar Documents

Publication Publication Date Title
CN114780727A (zh) 基于强化学习的文本分类方法、装置、计算机设备及介质
CN112287244A (zh) 基于联邦学习的产品推荐方法、装置、计算机设备及介质
WO2021139316A1 (zh) 建立表情识别模型方法、装置、计算机设备及存储介质
CN112669876A (zh) 情绪识别方法、装置、计算机设备及存储介质
CN110827924A (zh) 基因表达数据的聚类方法、装置、计算机设备及存储介质
CN112887371B (zh) 边缘计算方法、装置、计算机设备及存储介质
CN112418059A (zh) 一种情绪识别的方法、装置、计算机设备及存储介质
CN113254491A (zh) 一种信息推荐的方法、装置、计算机设备及存储介质
CN113722438A (zh) 基于句向量模型的句向量生成方法、装置及计算机设备
CN114817478A (zh) 基于文本的问答方法、装置、计算机设备及存储介质
CN112507141B (zh) 调查任务生成方法、装置、计算机设备及存储介质
CN116612745A (zh) 一种语音情感识别方法、装置、设备及其存储介质
CN112220479A (zh) 基于遗传算法的被审讯单体情绪判断方法、装置和设备
CN115242927A (zh) 客服对象分配方法、装置、计算机设备及存储介质
CN115238077A (zh) 基于人工智能的文本分析方法、装置、设备及存储介质
CN114372889A (zh) 核保监控方法、装置、计算机设备及存储介质
CN114780809A (zh) 基于强化学习的知识推送方法、装置、设备及存储介质
CN113936677A (zh) 音色转换方法、装置、计算机设备及存储介质
CN113157896A (zh) 一种语音对话生成方法、装置、计算机设备及存储介质
CN115409559A (zh) 目标企业用户筛选方法、装置、计算机设备及存储介质
CN117709801A (zh) 客户数据处理方法、装置、计算机设备及存储介质
CN111723577A (zh) 基于预设审讯模式进行审讯的方法、装置和设备
CN115914469A (zh) 一种名单分配方法、装置、设备及存储介质
CN118228079A (zh) 模糊超图生成方法、装置、计算机设备及存储介质
CN116308468A (zh) 客户对象分类方法、装置、计算机设备及存储介质

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