用于生成信息的方法和装置
技术领域
本公开的实施例涉及人工智能技术领域,具体涉及智慧医疗领域,尤其涉及一种用于生成信息的方法和装置。
背景技术
抑郁症作为一种典型的心境障碍,主要表现为显著而持久的心境低落,不同程度的抑郁症将会对病人的生活和工作产生不同程度的影响,严重的甚至会引起自杀并造成一些社会危害。据世界卫生组织(WHO)数据披露显示,截止2019年全球已有超过3.5亿人罹患抑郁症,中国也有超过9500万人受到抑郁症的困扰,抑郁症已经成为威胁人类健康的前三大疾病之一。
随着人工智能技术的发展,可以通过采集抑郁症患者的视频或音频数据,评估其抑郁症严重程度。
相关技术中,基于视频进行抑郁症检测的方法通过对视频图像序列进行编码,训练识别评估对象的情绪状态的机器学习模型,并进一步根据情绪状态的统计结果来估计其抑郁程度。
发明内容
本公开的实施例提出了用于生成信息的方法和装置。
第一方面,本公开的实施例提供了一种用于生成信息的方法,该方法包括:从待评估视频中采样出第一预设数量的图像帧,图像帧中包括评估对象的面部图像;基于各图像帧的时间戳,对各图像帧排序,得到图像帧序列;对于图像帧序列中的每一个图像帧,分别执行如下特征提取步骤,确定出每一个图像帧的特征向量:从图像帧中确定出评估对象面部的关键点;对关键点的坐标进行归一化,并基于归一化后的关键点坐标从图像帧中提取出如下特征:面部运动、双眼注视方向、鼻尖关键点与上嘴唇关键点的距离、左右嘴角关键点之间的距离、嘴部区域面积以及该图像帧中各关键点相对于参考帧中各关键点的偏移量,参考帧为图像帧序列中时间戳最小的图像帧;对图像帧中提取出的特征编码,得到图像帧的特征向量;将各图像帧的特征向量输入预先训练的抑郁程度预测模型,估计出评估对象的抑郁指数,抑郁指数用于表征评估对象的抑郁程度。
在一些实施例中,待评估视频经由如下步骤获取:向评估对象呈现预先构建的交互问题;实时采集评估对象回答交互问题时的视频,并将视频确定为待评估视频。
在一些实施例中,从待评估视频中采样出第一预设数量的图像帧,包括:基于评估对象回答各交互问题的时长,从待评估视频中确定出第二预设数量的视频片段,每个视频片段对应一个交互问题;分别从每个视频片段中提取出第三预设数量的图像帧,得到各视频片段对应的图像帧集合;基于图像帧的时间戳,分别对各图像帧集合中的图像帧排序,得到每个视频片段对应的图像帧序列;以及,将各图像帧的特征向量输入预先训练的抑郁程度预测模型,估计出评估对象的抑郁指数,包括:对同一个图像帧序列中的各图像帧的特征向量编码,得到该图像帧序列的特征向量序列;将特征向量序列输入预先训练的抑郁程度预测模型,估计出评估对象的抑郁指数。
在一些实施例中,对关键点的坐标进行归一化之前,该方法还包括:采用仿射变换,将图像帧中评估对象的面部图像的朝向调整至与图像帧的法向量一致。
在一些实施例中,抑郁程度预测模型为基于自注意力机制的时间卷积神经网络,包括输入层、隐藏层、注意力层以及输出层,其中,输入层用于接收各图像帧的特征向量,并从各图像帧的特征向量中提取特征序列;隐藏层用于对特征序列编码,输出编码后的特征序列;注意力层用于获取各隐藏层输出的编码后的特征序列,并基于自注意力机制对各隐藏层输出的编码后的特征序列进行加权,确定各隐藏层输出的编码后的特征序列的加权和;输出层对加权和进行逻辑回归,估计出抑郁指数。
在一些实施例中,基于自注意力机制的时间卷积神经网络经由如下步骤训练得到:构建第一初始时间卷积神经网络,其中,初始时间卷积神经网络包括输入层、隐藏层、注意力层和输出层,第一初始时间卷积神经网络的输出层为全连接层,全连接层基于加权和估计出抑郁症分类结果;将标记了样本抑郁症分类结果的第一样本特征向量输入第一初始时间卷积神经网络,将样本抑郁症分类结果作为期望输出,训练第一初始时间卷积神经网络,直至第一初始时间卷积神经网络估计出的抑郁症分类结果的准确率满足预设的准确率阈值,得到训练后的第一时间卷积神经网络;将第一时间卷积神经网络中的全连接层更新为逻辑回归层,得到第二初始时间卷积神经网络,逻辑回归层基于加权和估计出抑郁指数;将标记了样本抑郁指数的第二样本特征向量输入第二初始时间卷积神经网络,将样本抑郁指数作为期望输出,训练第二初始时间卷积神经网络,得到训练后的第二时间卷积神经网络,将训练后的第二时间卷积神经网络确定为基于自注意力机制的时间卷积神经网络。
第二方面,本公开的实施例提供了一种用于生成信息的装置,装置包括:图像采样单元,被配置成从待评估视频中采样出第一预设数量的图像帧,图像帧中包括评估对象的面部图像;序列生成单元,被配置成基于各图像帧的时间戳,对各图像帧排序,得到图像帧序列;特征提取单元,被配置成对于图像帧序列中的每一个图像帧,分别执行如下特征提取步骤,确定出每一个图像帧的特征向量:从图像帧中确定出评估对象面部的关键点;对关键点的坐标进行归一化,并基于归一化后的关键点坐标从图像帧中提取出如下特征:面部运动、双眼注视方向、鼻尖关键点与上嘴唇关键点的距离、左右嘴角关键点之间的距离、嘴部区域面积以及该图像帧中各关键点相对于参考帧中各关键点的偏移量,参考帧为图像帧序列中时间戳最小的图像帧;对图像帧中提取出的特征编码,得到图像帧的特征向量;信息预测单元,被配置成将各图像帧的特征向量输入预先训练的抑郁程度预测模型,估计出评估对象的抑郁指数,抑郁指数用于表征评估对象的抑郁程度。
在一些实施例中,该装置还包括视频采集单元,被配置成:向评估对象呈现预先构建的交互问题;实时采集评估对象回答交互问题时的视频,并将视频确定为待评估视频。
在一些实施例中,图像采样单元还包括视频提取模块,被配置成:基于评估对象回答各交互问题的时长,从待评估视频中确定出第二预设数量的视频片段,每个视频片段对应一个交互问题;从各视频片段中分别提取出第三预设数量的图像帧,得到各视频片段对应的图像帧集合;序列生成单元还被配置成:基于各图像帧的时间戳,分别对各图像帧集合中的图像帧排序,得到每个视频片段对应的图像帧序列;以及,特征提取单元包括特征编码模块,被配置成:对同一个图像帧序列中的各图像帧的特征向量编码,得到该图像帧序列的特征向量序列;信息预测单元被进一步配置成:将特征向量序列输入预先训练的抑郁程度预测模型,估计出评估对象的抑郁指数。
在一些实施例中,特征提取单元还包括仿射变换模块,被配置成:采用仿射变换,将图像帧中评估对象的面部图像的朝向调整至与图像帧的法向量一致。
在一些实施例中,述抑郁程度预测模型为基于自注意力机制的时间卷积神经网络,包括输入层、隐藏层、注意力层以及输出层,其中,输入层用于接收各图像帧的特征向量,并从各图像帧的特征向量中提取特征序列;隐藏层用于对特征序列编码,输出编码后的特征序列;注意力层用于获取各隐藏层输出的编码后的特征序列,并基于自注意力机制对各隐藏层输出的编码后的特征序列进行加权,确定各隐藏层输出的编码后的特征序列的加权和;输出层对加权和进行逻辑回归,估计出抑郁指数。
在一些实施例中,装置还包括模型训练模块,被配置成经由如下步骤训练得到基于自注意力机制的时间卷积神经网络:构建第一初始时间卷积神经网络,其中,初始时间卷积神经网络包括输入层、隐藏层、注意力层和输出层,第一初始时间卷积神经网络的输出层为全连接层,全连接层基于加权和估计出抑郁症分类结果;将标记了样本抑郁症分类结果的第一样本特征向量输入第一初始时间卷积神经网络,将样本抑郁症分类结果作为期望输出,训练第一初始时间卷积神经网络,直至第一初始时间卷积神经网络估计出的抑郁症分类结果的准确率满足预设的准确率阈值,得到训练后的第一时间卷积神经网络;将第一时间卷积神经网络中的全连接层更新为逻辑回归层,得到第二初始时间卷积神经网络,逻辑回归层基于加权和估计出抑郁指数;将标记了样本抑郁指数的第二样本特征向量输入第二初始时间卷积神经网络,将样本抑郁指数作为期望输出,训练第二初始时间卷积神经网络,得到训练后的第二时间卷积神经网络,将训练后的第二时间卷积神经网络确定为基于自注意力机制的时间卷积神经网络。
本公开的实施例提供的用于生成信息的方法和装置,从待评估视频中采样出包括评估对象面部图像的图像帧,对图像帧进行归一化后,从中提取出与抑郁程度相关的多个维度的特征,并构建特征向量,然后将特征向量输入预先训练的抑郁程度预测模型,估计出评估对象的抑郁指数,通过抑郁指数表征评估对象的抑郁程度。从待评估视频中提取的与抑郁程度相关的特征的维度更大,且不受环境因素影响,提高了通过机器学习模型估计抑郁程度的准确度和稳定性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一些实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于生成信息的方法的一个实施例的流程图;
图3是图2所示的用于生成信息的方法的流程的一个场景示意图;
图4是根据本公开的用于生成信息的方法的又一个实施例的流程图;
图5是根据本公开的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的实施例的用于生成信息的方法或用于生成信息的装置的示例性系统架构100。
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,例如可以将评估对象的待评估视频发送至服务器,还可以从服务器接收估计出的评估对象的抑郁指数。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具备通信功能的电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
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上传的待评估视频进行处理的后台数据服务器。后台数据服务器可以对接收到的待评估视频进行采样、特征提取等处理,并将处理结果(例如估计出的评估对象的抑郁指数)反馈给终端设备。
需要说明的是,本公开的实施例所提供的用于生成信息的方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,用于生成信息的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。在此不做具体限定。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
继续参考图2,图2示出了根据本公开的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,从待评估视频中采样出第一预设数量的图像帧,图像帧中包括评估对象的面部图像。
研究表明,抑郁症患者的面部表情特征,例如表情变换或眼神变换的速度,与抑郁症的严重程度存在一定关联,即可以通过患者的面部表情特征预测患者的抑郁程度,因此,基于视频或图像进行抑郁程度预测的核心思路是从图像中提取出与抑郁程度相关的特征,然后基于提取出的特征预测出评估对象的抑郁程度。
在本实施例中,执行主体(例如图1中所示的服务器105)可以经由网络从终端设备(如图1中所述的智能手机)接收待评估视频,然后基于实际需求从待评估视频中提取出第一预设数量的图像帧,图像帧中需包括评估对象的面部图像,以便于执行主体从图像帧中提取与抑郁程度相关的特征。
在一个具体的示例中,执行主体还可以是医生操作的终端设备(例如图1中所示的笔记本电脑),执行主体自身的摄像头可以实时采集医生对抑郁症患者问诊时的视频,然后直接对该视频中采样,得到预设数量的图像帧。
步骤202,基于各图像帧的时间戳,对各图像帧排序,得到图像帧序列。
基于步骤202得到的图像帧序列,执行主体对图像帧序列中的每一个图像帧,分别执行如下步骤203、步骤204、步骤205,确定出每一个图像帧的特征向量。
步骤203,从图像帧中确定出评估对象面部的关键点。
作为示例,执行主体可以采用开源框架Openface,识别图像帧中的人脸区域,然后确定出评估对象面部68个关键点的像素坐标。
需要说明的是,识别图像帧中面部关键点的技术属于计算机视觉领域的成熟的技术,例如,执行主体还可以采用卷积神经网络或循环神经网络执行步骤203,本申请对此不做限制。
步骤204,对关键点的坐标进行归一化,并基于归一化后的关键点坐标从图像帧中提取特征。
本实施例中,从图像帧中提取出的与抑郁程度相关的特征包括:面部运动、双眼注视方向、鼻尖关键点与上嘴唇关键点的距离、左右嘴角关键点之间的距离、嘴部区域面积以及该图像帧中各关键点相对于参考帧中各关键点的偏移量,参考帧为图像帧序列中时间戳最小的图像帧。
预测抑郁程度的方法中,参与预测的与抑郁程度相关的特征维度越大,预测的准确度就越高。相关技术中,从图像中提取的与抑郁程度相关的特征一般包括面部关键点或眼神方向等,特征维度较小,且采集待评估视频时的环境因素(例如光照)对预测的准确度影响较大。为解决上述问题,本申请基于归一化后的关键点,从图像帧中挖掘出更深层次的与抑郁程度相关的高阶特征,以拓展参与预测的特征维度,并避免了环境因素对于预测结果的不利影响。
本实施例中,面部运动对应于人脸解剖学下的44中面部动作单元(Action Unit,AU),例如AU4表示皱眉,AU9表示皱鼻。
作为示例,执行主体可以采用如下步骤对图像帧的关键点做归一化处理:将鼻尖关键点平移到原点坐标;旋转变换使得面部的内眼角关键点的纵坐标保持一致;以鼻尖为中心做相似变换,将评估对象的内眼角关键点之间的距离归一化为1;对其他关键点的像素坐标作坐标变换,得到归一化后的关键点坐标。在此基础上,执行主体可以采用Openface提取特征上述特征。
在本实施例的一些可选的实现方式中,对关键点的坐标进行归一化之前,该方法还包括:采用仿射变换,将图像帧中评估对象的面部图像的朝向调整至与图像帧的法向量一致。如此,可以避免评估对象的面部朝向导致的关键点缺失。
步骤205,对图像帧中提取出的特征编码,得到图像帧的特征向量。
作为示例,执行主体可以对提取出的多个特征分别进行编码,得到多个子向量或标量,然后再将读个子向量和标量组合成特征向量,该特征向量即为该图像帧中与抑郁程度相关的特征。例如,将提取出的面部运动特征编码成一个12维向量;将双眼注视方向编码成一个6维向量;鼻尖关键点与上嘴唇关键点的距离、左右嘴角关键点之间的距离以及嘴部区域面积均为标量;将该图像帧相对于参考帧中对应的关键的偏移量编码成一个136维向量。然后将上述子向量和标量编码成一个157的特征向量。
步骤206,将各图像帧的特征向量输入预先训练的抑郁程度预测模型,估计出评估对象的抑郁指数,抑郁指数用于表征评估对象的抑郁程度。
在本实施例中,执行主体可以采用长短期记忆人工神经网络(Long Short-TermMemory,LSTM)、时间卷积神经网络(Temporal convolutional network,TCN)或卷积神经网络(Convolutional Neural Networks,CNN)预测评估对象的抑郁程度。
在一个具体的示例中,执行主体构建初始CNN模型,然后从情感识别公开数据DAIC-WOZ和EMOTI-W中获取抑郁症患者数据,例如包括了患者的样本视频以及患者的抑郁程度的诊断结果,采用抑郁指数表征患者的抑郁程度,抑郁指数越高,则抑郁程度越大。将标记了样本视频输入Openface模型,从中提取出样本特征向量,并对样本特征向量标记样本抑郁指数,再讲标记了样本抑郁指数的样本特征向量输入初始CNN中,将标记的抑郁指数作为期望输出,采用机器学习方法训练该初始CNN,调整初始CNN中各个参数,得到训练后的CNN。之后,执行主体将步骤205中得到的各图像帧的特征向量输入该CNN中,即可预测该评估对象的抑郁指数。
继续参见图3,图3是如2所示方法的流程的场景示意图。在图3中,用户可以通过智能手机301向执行主体301发送待评估视频,执行主体301可以是服务器也可以是终端设备。执行主体接收到用户发送的待评估视频303之后,从待评估视频303中采样出第一预设数量的图像帧,并基于时序构建图像帧序列304,然后从每个图像帧305中提取出与抑郁程度相关的特征,并生成特征向量306;然后将每个图像帧的特征向量输入预先训练的抑郁程度预测模型307中,估计出评估对象的抑郁指数308。
本公开的实施例提供的用于生成信息的方法和装置,从待评估视频中采样出包括评估对象面部图像的图像帧,对图像帧进行归一化后,从中提取出与抑郁程度相关的多个维度的特征,并构建特征向量,然后将特征向量输入预先训练的抑郁程度预测模型,估计出评估对象的抑郁指数,通过抑郁指数表征评估对象的抑郁程度。从待评估视频中提取的与抑郁程度相关的特征的维度更大,且不受环境因素影响,提高了通过机器学习模型估计抑郁程度的准确度和稳定性。
在上述实施例的一些可选的实现方式中,抑郁程度预测模型为基于自注意力机制的时间卷积神经网络,包括输入层、隐藏层、注意力层以及输出层,其中,输入层用于接收各图像帧的特征向量,并从各图像帧的特征向量中提取特征序列;隐藏层用于对特征序列编码,输出编码后的特征序列;注意力层用于获取各隐藏层输出的编码后的特征序列,并基于自注意力机制对各隐藏层输出的编码后的特征序列进行加权,确定各隐藏层输出的编码后的特征序列的加权和;输出层对加权和进行逻辑回归,估计出抑郁指数。
时间卷积神经网络的核心是因果卷积和空洞卷积,其中空洞卷积需要设定一个“空洞系数”,它与隐层数共同决定了模型输出在时间轴上利用信息的范围,即感受野的大小。原始的时间卷积神经网络仅使用最后一个时间点的隐层输出作为整段图像帧序列的特征向量的编码,如果图像序列比较长,而感受野不够,就会丢失该图像帧序列前半部分的一些信息,进而导致预测结果的准确度下降。
本实现方式中的基于自注意力机制的时间卷积神经网络,通过在隐藏层之后设置注意力层,可以采用自注意力机制,对所有时刻的隐藏层输出的编码特征序列加权,得到最终的加权和,解决了因时间卷积神经网络的感受野受限导致的信息丢失的问题,并且,注意力层可以给予与抑郁程度相关程度更高的特征序列更大的权重,以捕获重要的与抑郁相关的特征,有助于提高预测的准确度。
作为示例,第一预设数量为m,假设基于自注意力机制的时间卷积神经网络包括n个时刻的隐藏层,对于每一个图像帧的特征向量,经由输入层和隐藏层之后,可以得到n个编码后的特征序列(h1,h2...hn)。如公式(1)所示,注意力层基于学习到的自注意力向量w对(h1,h2...hn)加权,得到加权和e。
e=[h1,…hn]·softmax([wTh1,…wThn]T) (1)
然后,输出层基于学习到的回归系数u对m个特征向量对应的加权和e逻辑回归得到最终的抑郁指数D,如公式(2)所示。
在一些实施例中,基于自注意力机制的时间卷积神经网络经由如下步骤训练得到:构建第一初始时间卷积神经网络,其中,初始时间卷积神经网络包括输入层、隐藏层、注意力层和输出层,第一初始时间卷积神经网络的输出层为全连接层,全连接层基于加权和估计出抑郁症分类结果;将标记了样本抑郁症分类结果的第一样本特征向量输入第一初始时间卷积神经网络,将样本抑郁症分类结果作为期望输出,训练第一初始时间卷积神经网络,直至第一初始时间卷积神经网络估计出的抑郁症分类结果的准确率满足预设的准确率阈值,得到训练后的第一时间卷积神经网络;将第一时间卷积神经网络中的全连接层更新为逻辑回归层,得到第二初始时间卷积神经网络,逻辑回归层基于加权和估计出抑郁指数;将标记了样本抑郁指数的第二样本特征向量输入第二初始时间卷积神经网络,将样本抑郁指数作为期望输出,训练第二初始时间卷积神经网络,得到训练后的第二时间卷积神经网络,将训练后的第二时间卷积神经网络确定为基于自注意力机制的时间卷积神经网络。
在本实现方式中,训练第一初始时间卷积神经网络的目的在于确定输入层和隐藏层的参数以及使第一初始时间卷积神经网络中的注意力层学习到自注意力向量。然后将训练完成的第一时间卷积神经网络中的输入层、隐藏层和注意力层保留,将输出层中的全连接层更新为逻辑回归层,得到第二初始时间卷积神经网络,再训练该第二初始时间卷积神经网络,使得逻辑回归层学习到回归系数,训练完成的第二时间卷积神经网络即可基于输入的特征向量预测出评估对象的抑郁指数。
在一个具体的示例中,执行主体可以预先构建第一初始时间卷积神经网络,然后从情感识别公开数据集DAIC-WOZ和EMOTI-W中获取第一样本视频以及对应的诊断结果。之后,执行主体经由上述实施例中的步骤201至步骤205,从第一样本视频中提取出第一样本特征向量,并对第一样本特征向量标记诊断结果(例如可以将抑郁症患者标记为1,非抑郁症患者标记为0),然后将标记了诊断结果的第一样本特征向量输入该第一初始时间卷积神经网络,得到该第一初始时间卷积神经网络输出的分类结果,比较分类结果与第一样本特征向量的标签值,即可得到第一初始时间卷积神经网络的预测准确率。当第一初始时间卷积神经网络的准确率达到准确率阈值(例如80%),即完成训练,得到第一时间卷积神经网络。
接下来进行训练的第二部分,将第一时间卷积神经网络中全连接层更新为逻辑回归层,得到第二初始时间卷积神经网络。从情感识别公开数据集DAIC-WOZ和EMOTI-W中获取第二样本视频以及对应的抑郁程度诊断结果。执行主体经由上述实施例中的步骤201至步骤205,从第二样本视频中提取出第二样本特征向量,并对第二样本特征向量进行抑郁程度标记,得到标记后的第二样本特征向量。然后,执行主体将标记后的第二样本特征向量输入该第二初始时间卷积神经网络,得到估计出的抑郁指数,通过对比估计出的抑郁指数与标记的样本抑郁指数,基于神经网络反向传播的特性,调整逻辑回归层的回归系数,直至损失函数收敛,得到训练后的第二时间卷积神经网络,即为抑郁程度预测模型。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,向评估对象呈现预先构建的交互问题。
在本实施例中,可以基于情绪语料构建预先构建交互问题,用于刺激评估对象分别产生正向、中性和负向三种情绪。
步骤402,实时采集评估对象回答交互问题时的视频,并将视频确定为待评估视频。
作为示例,执行主体可以是具备交互组件的终端设备,例如带有摄像头的平板电脑,评估对象在进行抑郁程度检测时,可以将交互问题呈现在平板电脑的屏幕上,并同步开启摄像头。得益于步骤401中呈现的交互问题,执行主体可以捕获评估对象在各种情绪下的面部特征,使得待评估视频中可以包含更多、更全面的评估对象的情绪变化,从而确保后续从待评估视频中提取出的与抑郁程度相关的特征的针对性更强。
步骤403,基于评估对象回答各交互问题的时长,从待评估视频中确定出第二预设数量的视频片段,每个视频片段对应一个交互问题。
在本实施例中,由于交互问题包括的情绪语料包括三种类型,评估对象面对每个交互问题时的反应各不相同,而每个交互问题所对应的视频片段中评估对象的反应连贯性和相关性更强。
步骤404,分别从每个视频片段中提取出第三预设数量的图像帧,得到各视频片段对应的图像帧集合。
基于步骤403提取出的视频片段,可以提高每一个图像帧集合中各图像帧之间的连贯性和相关性,以及,不同的图像帧集合之间的差异度。
步骤405,基于图像帧的时间戳,分别对各图像帧集合中的图像帧排序,得到每个视频片段对应的图像帧序列。
然后对于每一个图像帧序列中的每一个图像帧,分别执行如下步骤406、步骤407、步骤408,确定出每一个图像帧序列中各图像帧的特征向量,步骤406、步骤407、步骤408分别与前述步骤203、步骤204、步骤205相对应,此处不再赘述。
步骤406,从图像帧中确定出评估对象面部的关键点。
步骤407,对关键点的坐标进行归一化,并基于归一化后的关键点坐标从图像帧中提取出如下特征:面部运动、双眼注视方向、鼻尖关键点与上嘴唇关键点的距离、左右嘴角关键点之间的距离、嘴部区域面积以及该图像帧中各关键点相对于参考帧中各关键点的偏移量,参考帧为图像帧序列中时间戳最小的图像帧。
步骤408,对图像帧中提取出的特征编码,得到图像帧的特征向量。
步骤409,对同一个图像帧序列中的各图像帧的特征向量编码,得到该图像帧序列的特征向量序列。
由于每一个视频片均对应于一个交互问题,同一个图像帧序列中的各图像帧的特征向量存在较强的相关性和连贯性,由此得到的特征向量序列除了可以体现上述与抑郁程度相关的特征之外,还可以表征各特征的变化过程,进一步拓展了特征维度。
作为示例,待评估视频中包括5个交互问题,执行主体经由步骤401至步骤404,可以得到5个图像帧序列;假设第三预设数量为10,执行主体经由步骤405至步骤408,可以从每个图像帧序列中提取出10个特征向量,假设每个特征向量的维度为157,则可以将该10个特征向量编码成一个维度为1570的特征向量序列,最终得到5个维度为1570的特征向量序列。
步骤410,将特征向量序列输入预先训练的抑郁程度预测模型,估计出评估对象的抑郁指数。
此步骤与前述步骤206相近,区别仅在于本实施例中的执行主体输入抑郁程度预测模型的是特征向量序列,此处不再赘述。
从图4中可以看出,与图2所示的流程200相比,本实施例中的用于生成信息的方法的流程400突出了实时采集评估对象回答交互问题时的视频、从视频中提取出每个交互问题对应的片段、将每个视频片段中各图像帧对应的特征向量编码成特征序列的步骤。通过交互问题与评估对象互动,挖掘出评估对象面对不同的情绪刺激时的面部特征,可以提高待评估视频的针对性,使得后续从待评估视频中提取出的与抑郁相关的特征的针对性更强,在此基础上生成的特征向量序列,可以更好的表征评估对象在回答交互问题时的情绪特征,从而进一步提高了预测抑郁程度的准确度。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于生成信息的装置的一个实施例,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,本实施例的用于生成信息的装置500包括:图像采样单元501,被配置成从待评估视频中采样出第一预设数量的图像帧,图像帧中包括评估对象的面部图像;序列生成单元502,被配置成基于各图像帧的时间戳,对各图像帧排序,得到图像帧序列;特征提取单元503,被配置成对于图像帧序列中的每一个图像帧,分别执行如下特征提取步骤,确定出每一个图像帧的特征向量:从图像帧中确定出评估对象面部的关键点;对关键点的坐标进行归一化,并基于归一化后的关键点坐标从图像帧中提取出如下特征:面部运动、双眼注视方向、鼻尖关键点与上嘴唇关键点的距离、左右嘴角关键点之间的距离、嘴部区域面积以及该图像帧中各关键点相对于参考帧中各关键点的偏移量,参考帧为图像帧序列中时间戳最小的图像帧;对图像帧中提取出的特征编码,得到图像帧的特征向量;信息预测单元504,被配置成将各图像帧的特征向量输入预先训练的抑郁程度预测模型,估计出评估对象的抑郁指数,抑郁指数用于表征评估对象的抑郁程度。
在本实施例中,该装置还包括视频采集单元,被配置成:向评估对象呈现预先构建的交互问题;实时采集评估对象回答交互问题时的视频,并将视频确定为待评估视频。
在本实施例中,图像采样单元501还包括视频提取模块,被配置成:基于评估对象回答各交互问题的时长,从待评估视频中确定出第二预设数量的视频片段,每个视频片段对应一个交互问题;从各视频片段中分别提取出第三预设数量的图像帧,得到各视频片段对应的图像帧集合;序列生成单元502还被配置成:基于各图像帧的时间戳,分别对各图像帧集合中的图像帧排序,得到每个视频片段对应的图像帧序列;以及,特征提取单元503包括特征编码模块,被配置成:对同一个图像帧序列中的各图像帧的特征向量编码,得到该图像帧序列的特征向量序列;信息预测单元504被进一步配置成:将特征向量序列输入预先训练的抑郁程度预测模型,估计出评估对象的抑郁指数。
在本实施例中,特征提取单元503还包括仿射变换模块,被配置成:采用仿射变换,将图像帧中评估对象的面部图像的朝向调整至与图像帧的法向量一致。
在本实施例中,述抑郁程度预测模型为基于自注意力机制的时间卷积神经网络,包括输入层、隐藏层、注意力层以及输出层,其中,输入层用于接收各图像帧的特征向量,并从各图像帧的特征向量中提取特征序列;隐藏层用于对特征序列编码,输出编码后的特征序列;注意力层用于获取各隐藏层输出的编码后的特征序列,并基于自注意力机制对各隐藏层输出的编码后的特征序列进行加权,确定各隐藏层输出的编码后的特征序列的加权和;输出层对加权和进行逻辑回归,估计出抑郁指数。
在本实施例中,该装置还包括模型训练模块,被配置成经由如下步骤训练得到基于自注意力机制的时间卷积神经网络:构建第一初始时间卷积神经网络,其中,初始时间卷积神经网络包括输入层、隐藏层、注意力层和输出层,第一初始时间卷积神经网络的输出层为全连接层,全连接层基于加权和估计出抑郁症分类结果;将标记了样本抑郁症分类结果的第一样本特征向量输入第一初始时间卷积神经网络,将样本抑郁症分类结果作为期望输出,训练第一初始时间卷积神经网络,直至第一初始时间卷积神经网络估计出的抑郁症分类结果的准确率满足预设的准确率阈值,得到训练后的第一时间卷积神经网络;将第一时间卷积神经网络中的全连接层更新为逻辑回归层,得到第二时间卷积神经网络,逻辑回归层基于加权和估计出抑郁指数;将标记了样本抑郁指数的第二样本特征向量输入第二时间卷积神经网络,将样本抑郁指数作为期望输出,训练第二时间卷积神经网络,得到训练后的第二时间卷积神经网络,将训练后的第二时间卷积神经网络确定为基于自注意力机制的时间卷积神经网络。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的终端设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:从待评估视频中采样出第一预设数量的图像帧,图像帧中包括评估对象的面部图像;基于各图像帧的时间戳,对各图像帧排序,得到图像帧序列;对于图像帧序列中的每一个图像帧,分别执行如下特征提取步骤,确定出每一个图像帧的特征向量:从图像帧中确定出评估对象面部的关键点;对关键点的坐标进行归一化,并基于归一化后的关键点坐标从图像帧中提取出如下特征:面部运动、双眼注视方向、鼻尖关键点与上嘴唇关键点的距离、左右嘴角关键点之间的距离、嘴部区域面积以及该图像帧中各关键点相对于参考帧中各关键点的偏移量,参考帧为图像帧序列中时间戳最小的图像帧;对图像帧中提取出的特征编码,得到图像帧的特征向量;将各图像帧的特征向量输入预先训练的抑郁程度预测模型,估计出评估对象的抑郁指数,抑郁指数用于表征评估对象的抑郁程度。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括图像采样单元、序列生成单元、特征提取单元和信息预测单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,图像采样单元还可以被描述为“从待评估视频中采样出第一预设数量的图像帧”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。