CN113297898A - 一种基于贝叶斯分析法的精神状态自动识别方法 - Google Patents

一种基于贝叶斯分析法的精神状态自动识别方法 Download PDF

Info

Publication number
CN113297898A
CN113297898A CN202110268371.8A CN202110268371A CN113297898A CN 113297898 A CN113297898 A CN 113297898A CN 202110268371 A CN202110268371 A CN 202110268371A CN 113297898 A CN113297898 A CN 113297898A
Authority
CN
China
Prior art keywords
mental state
bayesian
classified
training
characteristic
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
CN202110268371.8A
Other languages
English (en)
Inventor
李涛
于宝瑞
芇禄飞
李欣
袁百舸
王艳明
王凯
周柏君
袁启乐
马磊
石怀斌
吴向前
戚嘉兴
董蒙
张帅
何莉
李勇
张加超
于江鹏
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 CN202110268371.8A priority Critical patent/CN113297898A/zh
Publication of CN113297898A publication Critical patent/CN113297898A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出了一种基于贝叶斯分析法的精神状态自动识别方法，包括S1:确定特征属性，确定样本数据，通过依据训练演习相关考核细则，确定训练者面部表情的特征属性a，并对每个特征属性进行划分x；S2：生成训练样本集合，将划分的特征属性设定为一个类别y；S3：分类器训练，计算每个类别在训练样本中出现的频率及每个特征属性划分对每个类别的条件概率估计，本方法通过统计训练者训练时面部表情或者肢体动作作为特征属性，并通过人工分类相似表情或者动作，通过贝叶斯方法来计算出对应表情能够确定的到对应类别，通过计算最大概率来判断该训练者的精神状态，全程只需要人工进行分类，通过计算能够客观的判断训练者的精神状态，提高客观性以及效率。

Description

一种基于贝叶斯分析法的精神状态自动识别方法
技术领域
本发明涉及数据自动分析领域，尤其涉及基于贝叶斯分析法的精神状态自动识别方法。
背景技术
目前由于缺乏科学有效的评估手段，思想动态的评估基本依靠人工经验判断，很难作出准确公正的评估。为此，我们引入机器学习中的贝叶斯分析方法，依据训练演习考核细则，利用现有的部队训练演习过程中产生的训练演习数据作为样本，建立分类模型，实现演习成果自动分析评估。
发明内容
为解决上述技术问题，本发明提出了一种基于贝叶斯分析法的精神状态自动识别方法，包括
S1:确定特征属性，确定样本数据，通过依据训练演习相关考核细则，确定训练者面部表情的特征属性，并对每个特征属性进行划分；
S2：生成训练样本集合，将划分的特征属性设定为一个类别y；
S3：构建分类器，对样本进行分类计算，计算每个类别在训练样本中出现的频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录；
S4：使用分类器应用，使用分类器对待分类项进行分类，输入是分类器和待分类项，输出是分类项与类别映射关系。
优选的，所述分类器构建包括以下步骤：
第一、设x＝{a1,a2,...,am}为一个待分类项，而每个a为x的一个特征属性；
第二、设立类别集合C＝{y1,y2,...,yn}；
第三、计算P(y1/x),P(y2/x),...,P(yn/x)；其中，P(y/x)为事件x发生下事件y的条件概率，表示事件x已经发生的前提下，事件y发生的概率；
如果P(ys/x)＝max{P(y1/x),P(y2/x),...,P(yn/x)}，则x∈ys。
优选的，计算P(y/x)的方法：
找到一个已知分类的待分类项集合，即训练样本集y1,y2……yn；
统计得到各类别下各个特征属性的条件概率估计，即 P(a1/y1),P(a2/y1),...,P(am/y1)；P(a1/y2),P(a2/y2),...,P(am/y2)；
...；P(a1/yn),P(a2/yn),...,P(am/yn)；
如果各个特征属性是条件独立的，则根据贝叶斯定理，
Figure RE-GDA0003116906030000021
得到：
Figure RE-GDA0003116906030000022
优选的，P(x)的所有类别是常数，并将分子最大化。
优选的，所述待分类项为实时获取的训练者表情信息。
优选的，y的类别为红色、橘红色和黄色，红色表示思想稳定、工作积极，橘红色表示少数人疲劳、厌战，黄色表示个别人人员不适应岗位、情绪低落。
优选的，样本特征属性为训练者面部表情特征，并通过相机拍摄获取，并实时记录训练者的状态，通过人工统计概率。
本发明提出的基于贝叶斯分析法的精神状态自动识别方法有以下有益效果：本方法通过统计训练者训练时面部表情或者肢体动作作为特征属性，并通过人工分类相似表情或者动作，作为一个类别x,并设定类别来确定训练者的精神状态，通过贝叶斯方法来计算出对应表情能够确定的到对应类别，通过计算最大概率来判断该训练者的精神状态，全程只需要人工进行分类，通过计算能够客观的判断训练者的精神状态，提高客观性以及效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为本发明的系统流程示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示，本发明提出了本发明提出了一种基于贝叶斯分析法的精神状态自动识别方法，包括
S1:确定特征属性，确定样本数据，通过依据训练演习相关考核细则，确定训练者面部表情的特征属性a，并对每个特征属性进行划分x；首先我们将现有的采集的人脸数据信息作为待分类项，将评估结果划分为三个类别，红色表示思想稳定、工作积极，橘红色表示少数人疲劳、厌战，黄色表示个别人人员不适应岗位、情绪低落。
S2：生成训练样本集合，将划分的特征属性设定为一个类别y；
依据训练演习相关考核细则，确定训练演习评估项目标准作为特征属性，并对每个属性进行适当划分，然后由人工对一部分待分类数据进行分类，形成训练样本集合。这一阶段的输入是索引待分类数据，输出是特征属性和训练样本。该阶段是整个过程中唯一人工完成阶段，
S3：分类器训练，计算每个类别在训练样本中出现的频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录，概率最大的特征属性则划分至对应类别。分类器训练阶段主要是计算每个类别在训练样本中出现的频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录。其输入是特征属性和训练样本，输出是分类器。该阶段是机械性阶段，依据贝叶斯分类公式由程序自动计算条件概率算法为：
第一、设x＝{a1,a2,...,am}为一个待分类项，而每个a为x的一个特征属性，即为在现有的部队训练过程中获取的士兵的表情特征，；
第二、有类别集合C＝{y1,y2,...,yn}；y为可分选的类别，即前文所述的红色、黄色和橘红色。
第三、计算P(y1/x),P(y2/x),...,P(yn/x)；其中，P(y/x)为事件x发生下事件y的条件概率，表示事件x已经发生的前提下，事件y发生的概率；
计算P(y/x)方法如下：
找到一个已知分类的待分类项集合，即训练样本集；
统计得到各类别下各个特征属性的条件概率估计，即 P(a1/y1),P(a2/y1),...,P(am/y1)；P(a1/y2),P(a2/y2),...,P(am/y2)； ...；P(a1/yn),P(a2/yn),...,P(am/yn)
如果各个特征属性是条件独立的，则根据贝叶斯定理：
Figure RE-GDA0003116906030000041
分母对所有类别为常数，将分子最大化得：
Figure RE-GDA0003116906030000042
如果P(ys/x)＝max{P(y1/x),P(y2/x),...,P(yn/x)}，则x∈ys。
S4：分类器应用，使用分类器对待分类项进行分类，输入是分类器和待分类项，输出是分类项与类别映射关系。
结合上述方法举少数样本案例说明，输入分类项，y的类别为红色、橘红色和黄色，红色表示思想稳定、工作积极，橘红色表示少数人疲劳、厌战，黄色表示个别人人员不适应岗位、情绪低落，a的特征属性举例获取为a1嘴角向下,a2 眉毛向下，a3眉头略锁紧，a4眉头锁紧轻微，a5嘴角上扬，a6眉毛向上，a7 眉头舒展。并通过人工划分类别集合，将a1、a2划分为橘红色即y2，a3、a4 划分为黄色即y3,a5、a6、a7划分为红色y1，并通过统计判定红色时发生a1～a7 的概率，以及判定黄色时a1～a7的概率，以及判定橘红色是判定a1～a7的概率，再根据贝叶斯定理
Figure RE-GDA0003116906030000043
计算出
Figure RE-GDA0003116906030000044
当 P(ys/x)＝max{P(y1/x),P(y2/x),...,P(yn/x)}时，则判定特征属性落入对应的类别，输出极为对应的类别。应用分类器时，输入嘴角向下的特征，通过公式，得到概率最大值为P(y2/a)，则判定为橘红色，即可判定改训练者为疲劳、厌战。
对实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种基于贝叶斯分析法的精神状态自动识别方法，其特征在于，包括
S1:确定特征属性，确定样本数据，通过依据训练演习相关考核细则，确定训练者面部表情的特征属性，并对每个特征属性进行划分；
S2：生成训练样本集合，将划分的特征属性设定类别y；
S3：构建分类器，对样本进行分类计算，计算每个类别在训练样本中出现的频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录；
S4：应用分类器，使用分类器对待分类项进行分类，输入是分类器和待分类项，输出是分类项与类别映射关系。
2.根据权利要求1所述的基于贝叶斯分析法的精神状态自动识别方法，其特征在于，所述分类器构建包括以下步骤：
第一、设x＝{a1,a2,...,am}为一个待分类项，而每个a为x的一个特征属性；
第二、设立类别集合C＝{y1,y2,...,yn}；
第三、计算P(y1/x),P(y2/x),...,P(yn/x)；其中，P(y/x)为事件x发生下事件y的条件概率，表示事件x已经发生的前提下，事件y发生的概率；
第四、如果P(ys/x)＝max{P(y1/x),P(y2/x),...,P(yn/x)}，则x∈ys。
3.根据权利要求2所述的基于贝叶斯分析法的精神状态自动识别方法，其特征在于，计算P(y/x)的方法：
1)找到一个已知分类的待分类项集合，即训练样本集y1,y2……yn；
2)统计得到各类别下各个特征属性的条件概率估计，即P(a1/y1),P(a2/y1),...,P(am/y1)；P(a1/y2),P(a2/y2),...,P(am/y2)；...；P(a1/yn),P(a2/yn),...,P(am/yn)；
3)如果各个特征属性是条件独立的，则根据贝叶斯定理，
Figure RE-FDA0003116906020000011
得到：
Figure RE-FDA0003116906020000012
4.根据权利要求3所述的基于贝叶斯分析法的精神状态自动识别方法，其特征在于，P(x)的所有类别是常数，并将分子最大化。
5.根据权利要求2所述的基于贝叶斯分析法的精神状态自动识别方法，其特征在于，所述待分类项为实时获取的训练者表情信息。
6.根据权利要求1所述的基于贝叶斯分析法的精神状态自动识别方法，其特征在于，y的类别为红色、橘红色和黄色，红色表示思想稳定、工作积极，橘红色表示少数人疲劳、厌战，黄色表示个别人人员不适应岗位、情绪低落。
7.根据权利要求1所述的基于贝叶斯分析法的精神状态自动识别方法，其特征在于，样本特征属性为训练者面部表情特征，并通过相机拍摄获取，并实时记录训练者的状态，通过人工统计概率。
CN202110268371.8A 2021-03-12 2021-03-12 一种基于贝叶斯分析法的精神状态自动识别方法 Pending CN113297898A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110268371.8A CN113297898A (zh) 2021-03-12 2021-03-12 一种基于贝叶斯分析法的精神状态自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110268371.8A CN113297898A (zh) 2021-03-12 2021-03-12 一种基于贝叶斯分析法的精神状态自动识别方法

Publications (1)

Publication Number Publication Date
CN113297898A true CN113297898A (zh) 2021-08-24

Family

ID=77319247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110268371.8A Pending CN113297898A (zh) 2021-03-12 2021-03-12 一种基于贝叶斯分析法的精神状态自动识别方法

Country Status (1)

Country Link
CN (1) CN113297898A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298873A (zh) * 2014-10-10 2015-01-21 浙江大学 一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法
CN105160299A (zh) * 2015-07-31 2015-12-16 华南理工大学 基于贝叶斯融合稀疏表示分类器的人脸情感识别方法
CN105183808A (zh) * 2015-08-26 2015-12-23 苏州大学张家港工业技术研究院 一种问题分类方法及装置
CN108211268A (zh) * 2018-01-25 2018-06-29 武汉中体智美科技有限公司 基于运动训练数据的运动负荷监测与运动疲劳预警方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298873A (zh) * 2014-10-10 2015-01-21 浙江大学 一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法
CN105160299A (zh) * 2015-07-31 2015-12-16 华南理工大学 基于贝叶斯融合稀疏表示分类器的人脸情感识别方法
CN105183808A (zh) * 2015-08-26 2015-12-23 苏州大学张家港工业技术研究院 一种问题分类方法及装置
CN108211268A (zh) * 2018-01-25 2018-06-29 武汉中体智美科技有限公司 基于运动训练数据的运动负荷监测与运动疲劳预警方法和系统

Similar Documents

Publication Publication Date Title
Yang et al. Integrating deep and shallow models for multi-modal depression analysis—hybrid architectures
US8676740B2 (en) Attribute estimation system, age estimation system, gender estimation system, age and gender estimation system and attribute estimation method
CN108765131A (zh) 基于微表情的信贷审核方法、装置、终端及可读存储介质
CN110503000B (zh) 一种基于人脸识别技术的教学抬头率测量方法
CN108175425B (zh) 一种分析处理装置和潜能值测验的认知指标分析方法
CN108205684A (zh) 图像消歧方法、装置、存储介质和电子设备
Parde et al. Grounding the meaning of words through vision and interactive gameplay
CN108733652B (zh) 基于机器学习的影评情感倾向性分析的测试方法
Bai et al. Automatic long-term deception detection in group interaction videos
Abbasi et al. Statistical, spectral and graph representations for video-based facial expression recognition in children
Nithya Automated class attendance system based on face recognition using PCA algorithm
Manresa-Yee et al. Facial Expression Recognition: Impact of Gender on Fairness and Expressions∗
Abdullahi et al. IDF-Sign: addressing inconsistent depth features for dynamic sign word recognition
CN113297898A (zh) 一种基于贝叶斯分析法的精神状态自动识别方法
Trujillo et al. Haptic: the new biometrics-embedded media to recognizing and quantifying human patterns
Wei et al. (Retracted) Image analysis and pattern recognition method of three-dimensional process in physical education teaching based on big data
Ujir et al. Surface normals with modular approach and weighted voting scheme in 3D facial expression classification
CN115188051A (zh) 基于对象行为的在线课程推荐方法及系统
Gautam et al. Perceptive advertising using standardised facial features
Tripathi et al. Facial expression recognition using data mining algorithm
CN113707271A (zh) 基于人工智能和大数据的健身方案生成方法及系统
CN109784143A (zh) 一种基于光流法的微表情分类方法
Adibuzzaman et al. Towards in situ affect detection in mobile devices: A multimodal approach
Hepting et al. A rough set exploration of facial similarity judgements
CN110879966A (zh) 一种基于人脸识别与图像处理的学生听课理解度评估方法

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

Application publication date: 20210824

RJ01 Rejection of invention patent application after publication