CN113520393A - 冲突事件的检测方法、装置、可穿戴设备及存储介质 - Google Patents

冲突事件的检测方法、装置、可穿戴设备及存储介质 Download PDF

Info

Publication number
CN113520393A
CN113520393A CN202110645242.6A CN202110645242A CN113520393A CN 113520393 A CN113520393 A CN 113520393A CN 202110645242 A CN202110645242 A CN 202110645242A CN 113520393 A CN113520393 A CN 113520393A
Authority
CN
China
Prior art keywords
emotion
sequence
basic data
confidence
probability
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.)
Granted
Application number
CN202110645242.6A
Other languages
English (en)
Other versions
CN113520393B (zh
Inventor
郭梦飞
刘金婷
郭田友
彭晓哲
黄立
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.)
SHENZHEN JINGXIANG TECHNOLOGY CO LTD
Original Assignee
SHENZHEN JINGXIANG TECHNOLOGY CO LTD
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 SHENZHEN JINGXIANG TECHNOLOGY CO LTD filed Critical SHENZHEN JINGXIANG TECHNOLOGY CO LTD
Priority to CN202110645242.6A priority Critical patent/CN113520393B/zh
Publication of CN113520393A publication Critical patent/CN113520393A/zh
Application granted granted Critical
Publication of CN113520393B publication Critical patent/CN113520393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/48—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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Child & Adolescent Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Developmental Disabilities (AREA)
  • Social Psychology (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明实施例公开了一种冲突事件的检测方法、装置、可穿戴设备及存储介质，方法包括：采集穿戴者在预设时间段内的情绪基础数据；将情绪基础数据分割成多个分割片段，将所述多个分割片段形成的序列作为所述情绪基础数据对应的目标处理序列；根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列；根据所述情绪概率序列及预设不确定推理机制确定所述情绪基础数据的目标综合置信度。通过不确定推理机制进行确定情绪基础数据发生冲突事件的可信度，以无需预先训练冲突样本的方式实现利用情绪基础数据确定发生冲突事件的可信度，使得判断结果不受冲突样本的收集和收集到的冲突样本质量的影响，进一步提高冲突事件的识别效率。

Description

冲突事件的检测方法、装置、可穿戴设备及存储介质
技术领域
本发明涉及智能分析领域技术领域，尤其涉及一种冲突事件的检测方法、装置、可穿戴设备及存储介质。
背景技术
基于计算机视觉(Computer Vision，CV)的冲突检测设备只能固定在特定的地方监控指定区域，无法通过穿戴设备随身携带，限制了应用范围。
由于每个环节都强烈的依赖机器学习技术，机器学习技术都强烈依赖训练样本，所以对样本采集的要求较高，并且人与人间冲突发生的概率一般远低于非冲突的时候，对于样本收集也存在困难，使得冲突检测在机器学习技术中检测精度也比较低，因此目前尚未有以有效冲突检测方式。
发明内容
本发明的主要目的在于提供一种冲突事件的检测方法、装置、计算机设备及存储介质，可以解决现有技术中的赖于样本数据或收集，或赖于机器学习的冲突事件的检测准确度不高的问题。
为实现上述目的，本发明第一方面提供一种冲突事件的检测方法，所述方法应用于可穿戴设备，所述方法包括：
采集穿戴者在预设时间段内的情绪基础数据，所述情绪基础数据用于反映所述穿戴者的情绪状态；
将所述情绪基础数据分割成多个分割片段，将所述多个分割片段形成的序列作为所述情绪基础数据对应的目标处理序列；
根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，所述情绪概率序列为各个所述分割片段的情绪基础数据对应的情绪类型的概率构成的序列；
根据所述情绪概率序列及预设不确定推理机制确定所述情绪基础数据的目标综合置信度，所述目标综合置信度用于指示所述情绪基础数据发生所述冲突事件的可信度。
在一种可行实现方式中，所述根据所述情绪概率序列及预设不确定推理机制确定所述情绪基础数据的目标综合置信度，包括：
利用不确定性推理规则确定所述情绪概率序列中各个所述分割片段的情绪基础数据对应的情绪类型的概率的第一置信度，并构成第一置信度序列，所述不确定性推理规则包括计算一所述分割片段的情绪基础数据对应的情绪类型的概率与0之间的最大值，及所述最大值与一所述分割片段的情绪基础数据对应的情绪类型的概率的积作为第一置信度；
根据所述第一置信度序列及所述不确定性推理算法确定所述情绪基础数据的目标综合置信度。
在一种可行实现方式中，所述情绪基础数据包括至少两类情绪数据，所述不确定性推理算法包括第一推理算法、第二推理算法及第三推理算法，则所述根据所述第一置信度序列及所述不确定性推理算法确定所述情绪基础数据的目标综合置信度，包括：
获取各类型情绪数据对应的第一置信度序列中的同一所述分割片段的第一置信度，得到多个第一置信度；
若所述多个第一置信度均大于等于零，则利用所述第一推理算法及多个所述第一置信度确定所述情绪基础数据的第一综合置信度，所述第一推理算法为所述多个第一置信度的和与所述多个第一置信度的积作差；
若所述多个第一置信度均小于零，则利用所述第二推理算法及多个所述第一置信度确定所述情绪基础数据的第二综合置信度，所述第二推理算法为所述多个第一置信度的和与所述多个第一置信度的积求和；
若多个所述第一置信度之间符号异号，则利用所述第三推理算法及多个所述第一置信度确定所述情绪基础数据的第三综合置信度，所述第三推理算法为所述多个第一置信度的和，与所述多个第一置信度的绝对值中最小的所述第一置信度的绝对值与1之间的差值做比值；
利用所述第一综合置信度、第二综合置信度及所述第三综合置信度生成原始综合置信度序列；
将所述原始综合置信度序列进行滑动平均处理，得到目标综合置信度序列；
选取所述目标综合置信度序列中的最大综合置信度，确定所述最大综合置信度为所述情绪基础数据的目标综合置信度。
在一种可行实现方式中，所述情绪基础数据包括环境声音数据，则根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，包括：
对所述目标处理序列进行语音识别，得到所述目标处理序列对应的文本语义序列，所述文本语义序列为各个所述分割片段的环境声音数据的文本语义内容构成的序列；
将所述文本语义序列分别输入第一模型及第二模型，得到所述文本语义序列对应的第一情绪概率序列及第一事件概率序列，以及将所述目标处理序列分别输入所述第一模型及所述第二模型，得到所述目标处理序列对应的第二情绪概率序列及第二事件概率序列，所述第一模型为情绪识别模型，所述第二模型为事件识别模型，所述第一事件概率序列为各个分割片段对应的文本语义内容的冲突事件类型的概率构成的序列，所述第二事件概率序列为各个分割片段的环境声音数据指示冲突事件类型的事件概率构成的序列；
将所述第一情绪概率序列及第二情绪概率序列输入预设的情绪融合模型，确定融合情绪概率序列；
确定所述融合情绪概率序列、第一事件概率序列及第二事件概率序列为所述目标处理序列对应的情绪概率序列。
在一种可行实现方式中，所述情绪基础数据包括穿戴者行为数据，则根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，包括：
获取所述目标处理序列中的各个所述分割片段的所述行为数据中的加速度信息；
将所述加速度信息输入预设的行为识别模型输出所述目标处理序列对应的行为序列；
确定所述行为序列为所述目标处理序列对应的情绪概率序列。
在一种可行实现方式中，所述情绪基础数据包括穿戴者生理数据，则根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，包括：
获取所述目标处理序列中各个分割片段的所述穿戴者生理数据的实际值；
利用各个所述实际值及均值算法计算所述穿戴者生理数据的均值；
若所述实际值与所述均值之间的差值大于等于预设生理异常阈值，则确定所述实际值对应的分割片段为生理异常状态；
若所述实际值与所述均值之间的差值小于预设生理异常阈值，则确定所述实际值对应的分割片段为生理正常状态；
利用各个分割片段的所述生理异常片段及所述生理正常片段得到生理状态序列；
确定所述生理状态序列为所述目标处理序列对应的情绪概率序列。
在一种可行实现方式中，所述根据所述情绪概率序列及预设不确定推理机制确定所述情绪基础数据的目标综合置信度，之后还包括：
根据所述目标综合置信度生成所述情绪基础数据对应的冲突事件提示信息，并输出至预设终端，所述提示信息包括所述情绪基础数据的情绪类型的概率、所述目标综合置信度、所述佩戴者的地理位置以及所述冲突事件的事件类型
为实现上述目的，本发明第二方面提供一种冲突事件的检测装置，所述装置应用于可穿戴设备，所述装置包括：
数据采集模块，用于采集穿戴者在预设时间段内的情绪基础数据，所述情绪基础数据用于反映所述穿戴者的情绪状态；
数据分割模块，用于将所述情绪基础数据分割成多个分割片段，将所述多个分割片段形成的序列作为所述情绪基础数据对应的目标处理序列；
概率确定模块，用于根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，所述情绪概率序列为各个所述分割片段对应的情绪类型的概率构成的序列；
融合推理模块，用于根据所述情绪概率序列及预设不确定推理机制确定所述情绪基础数据的目标综合置信度，所述目标综合置信度用于指示所述情绪基础数据发生所述冲突事件的可信。
为实现上述目的，本发明第三方面提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如第一方面及任一可选实施方式所示步骤。
为实现上述目的，本发明第四方面提供一种可穿戴设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面及任一可选实施方式所示步骤。
采用本发明实施例，具有如下有益效果：
本发明提供了一种矛盾事件的检测方法，方法包括：采集穿戴者在预设时间段内的情绪基础数据，情绪基础数据用于反映穿戴者的情绪状态；将情绪基础数据分割成多个分割片段，将多个分割片段形成的序列作为情绪基础数据对应的目标处理序列；根据目标处理序列及情绪类型判断规则得到目标处理序列对应的情绪概率序列，情绪概率序列为各个分割片段的情绪基础数据对应的情绪类型的概率构成的序列；根据情绪概率序列及预设不确定推理机制确定情绪基础数据的目标综合置信度，目标综合置信度用于指示情绪基础数据发生冲突事件的可信度。通过采集情绪基础数据并利用分割处理构建目标处理序列，将目标处理序列通过情绪类型判断规则确定对应的情绪概率序列，最后利用预设不确定推理机制对情绪概率序列进行目标综合置信度计算，确定情绪基础数据发生冲突事件的可信度。通过不确定推理机制进行确定情绪基础数据发生冲突事件的可信度，无需预先训练冲突样本即可确定穿戴者的情绪基础数据发生冲突事件的可信度，使得由情绪确定发生冲突事件的可信度的判断结果不受样本数据的影响，进一步提高冲突事件的识别效率。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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。
其中：
图1为本发明实施例中一种冲突事件的检测方法的流程示意图；
图2为本发明实施例中一种冲突事件的检测方法的另一流程示意图；
图3为本发明实施例中一种冲突事件的检测方法的又一流程示意图；
图4为本发明实施例中一种冲突事件的检测装置的结构框图；
图5为本发明实施例中计算机设备的结构框图。
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，在本发明实施中提供了一种冲突事件的检测方法，该方法既可以应用于终端，也可以应用于服务器，本实施例以应用于终端举例说明。该冲突事件的检测方法应用于可穿戴设备，方法具体包括如下步骤：
101、采集穿戴者在预设时间段内的情绪基础数据，所述情绪基础数据用于反映所述穿戴者的情绪状态；
其中，情绪基础数据用于反映穿戴者的情绪状态，情绪基础数据可以包括环境语音数据、穿戴者运动数据或穿戴者生理数据等等可以用于指示穿戴者情绪的数据类型，示例性的穿戴者的情绪状态包括但不限于喜怒哀乐等等。
在一种可行实现方式中，可根据佩戴者的对于实际的应用需求在指定规则下启动可佩戴设备的情绪基础数据的采集功能，情绪基础数据的采集的时间长度可长可短，可由用户设置或通过选择设定的采集规则等在此不作限定，采集到的情绪基础数据通过可穿戴设备推断当前环境下是否存在人与人间的冲突事件。
示例性的，采集功能可以通过采集装置实现，在可穿戴设备上设置的采集装置进行情绪基础数据的采集，例如：可以利用麦克风采集环境语音数据；利用生理采集装置采集穿戴者生理数据，比如心率、脉搏及呼吸等等；利用行为采集装置采集行为数据，比如角速度、姿态、加速度及运动方向等等，在此举例不做限定。通过上述采集，得到的情绪基础数据用于判断穿戴者的情绪类型。
采集方式可以为实时采集，将采集到的情绪基础数据实时判断；也可以为非实时采集，以采集到的情绪基础数据的突变数据为中心截取预设时间段内的情绪基础数据；还可以根据佩戴者自行启动采集功能，自行选择采集相关配置参数，在此举例不做限定。综合考虑情绪基础数据的计算需求和实际应用场景需求，推荐采集1分钟的音频，等等，在此举例不做限定。
102、将所述情绪基础数据分割成多个分割片段，将所述多个分割片段形成的序列作为所述情绪基础数据对应的目标处理序列；
需要说明的是，将采集到的情绪基础数据以相同时间长度进行分割，得到多个分割片段，并得到各个分割片段构成的情绪基础数据的目标处理序列。
可以理解的是，利用分割片段对情绪基础数据对应的情绪类型进行判断，可以更准确的对穿戴者的情绪进行判断。分割方式可以为按照同一时间长度将预设时间段内的情绪基础数据进行划分，以得到按照时间顺序排列的包含有情绪基础数据的目标处理序列。
103、根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，所述情绪概率序列为各个所述分割片段对应的情绪类型的概率构成的序列；
在一种可行实现方式中，情绪类型判断规则用于判断情绪基础数据的情绪类型的概率，即当情绪类型判断规则得到情绪基础数据的一种情绪类型时，会输出该情绪类型对应的概率，该概率可以通过深度学习的情绪概率模型得到，用于指示输出的各个分割片段的情绪基础数据对应的情绪类型的概率。
可以理解的是，当以情绪类型判断规则对目标处理序列进行情绪类型的判断时，会输出每个分割片段对应的情绪类型及其概率，进一步的，可以得到每个分割片段对应的情绪类型及其概率构成的情绪概率序列。
104、根据所述情绪概率序列及预设不确定推理机制确定所述情绪基础数据的目标综合置信度，所述目标综合置信度用于指示所述情绪基础数据发生所述冲突事件的可信度。
需要说明的是，预设不确定推理机制由不确定推理技术构成，用于输出情绪基础数据发生冲突事件的可信度。其中，不确定推理技术是一种由多种专家知识构成的推理规则。不需要收集冲突事件样本进行模型训练以及通过优化冲突事件样本的质量优化模型。
本发明提供了一种矛盾事件的检测方法，方法包括：采集穿戴者在预设时间段内的情绪基础数据，情绪基础数据用于反映穿戴者的情绪状态；将情绪基础数据分割成多个分割片段，将多个分割片段形成的序列作为情绪基础数据对应的目标处理序列；根据目标处理序列及情绪类型判断规则得到目标处理序列对应的情绪概率序列，情绪概率序列为各个分割片段的情绪基础数据对应的情绪类型的概率构成的序列；根据情绪概率序列及预设不确定推理机制确定情绪基础数据的目标综合置信度，目标综合置信度用于指示情绪基础数据发生冲突事件的可信度。通过采集情绪基础数据并利用分割处理构建目标处理序列，将目标处理序列通过情绪类型判断规则确定对应的情绪概率序列，最后利用预设不确定推理机制对情绪概率序列进行目标综合置信度计算，确定情绪基础数据发生冲突事件的可信度。通过不确定推理机制进行确定情绪基础数据发生冲突事件的可信度，无需预先训练冲突样本即可确定穿戴者的情绪基础数据发生冲突事件的可信度，使得由情绪确定发生冲突事件的可信度的判断结果不受样本数据的影响，进一步提高冲突事件的识别效率。
请继续参考图2，图2所示为本发明实施例中一种冲突事件的检测方法的另一流程示意图，方法具体包括如下步骤：
201、采集穿戴者在预设时间段内的情绪基础数据，所述情绪基础数据用于反映所述穿戴者的情绪状态；
202、将所述情绪基础数据分割成多个分割片段，将所述多个分割片段形成的序列作为所述情绪基础数据对应的目标处理序列；
203、根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，所述情绪概率序列为各个所述分割片段对应的情绪类型的概率构成的序列；
可以理解的是图2中的步骤201、202及203与图1所示步骤101、102及103内容相似，为避免重复说明，在此不做赘述，具体可参考步骤101、102及103中所示内容。
204、利用不确定性推理规则确定所述情绪概率序列中各个所述分割片段的情绪基础数据对应的情绪类型的概率的第一置信度，并构成第一置信度序列；所述不确定性推理规则包括计算一所述分割片段的情绪基础数据对应的情绪类型的概率与0之间的最大值，及所述最大值与一所述分割片段的情绪基础数据对应的情绪类型的概率的积作为第一置信度；
在一种可行实现方式中，不确定性推理规则用于确定各个分割片段对应的情绪基础数据的情绪类型的概率的的第一置信度，其中，不确定推理规则与专家知识对应的，一不确定推理规则对应一条专家知识，专家知识可以理解为多个专家根据应用场景及各类情绪基础数据的专业知识，专家知识用于对不同情绪基础数据的情绪类型的概率发生冲突事件的置信度进行不确定性推断，其中，第一置信度用于指示各个分割片段对应的情绪基础数据的情绪类型的概率发生冲突事件的可信度。
示例性的，不确定推理规则可由如下公式确定：
CF1(H)＝CF(H,E1)×max{0，CF(E1)}
式中，CF1(H)为情绪概率序列中一个分割片段的情绪基础数据对应的情绪类型的概率的第一置信度；CF(E1)为情绪概率序列中同一个分割片段对应情绪类型的概率；CF(H,E1)为利用已知的CF(E1)对未知的CF1(H)进行求解，max{0，CF(E1)}为对集合中的元素取最大值，上述第一置信度的计算方式在此举例，并不做具体限定。
205、根据所述第一置信度序列及所述不确定性推理算法确定所述情绪基础数据的目标综合置信度。
在一种可行实现方式中，不确定推理算法用于判断情绪基础数据的情绪类型的概率的目标综合置信度，以进一步判断发生冲突事件的可信度。
本发明提供了一种矛盾事件的检测方法，通过采集情绪基础数据并利用分割处理构建目标处理序列，将目标处理序列通过情绪类型判断规则确定对应的情绪概率序列，利用不确定性推理规则对情绪概率序列进行第一置信度计算，最后第一置信度序列及不确定性推理算法确定情绪基础数据的目标综合置信度即确定情绪基础数据发生冲突事件的可信度。通过不确定推理机制进行确定情绪基础数据发生冲突事件的可信度，无需预先训练冲突样本即可确定穿戴者的情绪基础数据发生冲突事件的可信度，使得由情绪基础数据确定发生冲突事件的可信度的判断结果不受样本数据的影响，进一步提高冲突事件的识别效率。
请继续参阅图3，图3为本发明实施例中一种冲突事件的检测方法的又一流程示意图，图3所示方法包括：
301、采集穿戴者在预设时间段内的情绪基础数据，所述情绪基础数据用于反映所述穿戴者的情绪状态；
302、将所述情绪基础数据分割成多个分割片段，将所述多个分割片段形成的序列作为所述情绪基础数据对应的目标处理序列；
303、根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，所述情绪概率序列为各个所述分割片段的情绪基础数据对应的情绪类型的概率构成的序列；
可以理解的是图3中的步骤301、302及303与图1所示步骤101、102及103内容相似，为避免重复说明，在此不做赘述，具体可参考步骤101、102及103中所示内容。
在一种可行实现方式中，情绪基础数据包括环境声音数据，则步骤203，包括：
i、对所述目标处理序列进行语音识别，得到所述目标处理序列对应的文本语义序列，所述文本语义序列为各个所述分割片段的环境声音数据的文本语义内容构成的序列；
其中，语音识别(Automatic Speech Recognition,ASR)是将声音转化为文字的过程，相当于人类的耳朵，语音识别原理流程：“输入——编码——解码——输出”。
在一种可行实现方式中，首先利用语音识别将环境声音数据做转码成统一的音频格式及编码标准，进一步利用语音识别对环境声音数据进行解码以得到环境声音数据对应的文本语义数据，最后按照时间顺序得到文本语义序列。
ii、将所述文本语义序列分别输入第一模型及第二模型，得到所述文本语义序列对应的第一情绪概率序列及第一事件概率序列，以及将所述目标处理序列分别输入所述第一模型及所述第二模型，得到所述目标处理序列对应的第二情绪概率序列及第二事件概率序列；
其中，第一模型为情绪识别模型，第二模型为事件识别模型，第一事件概率序列为各个分割片段对应的文本语义内容的冲突事件类型的概率构成的序列，第二事件概率序列为各个分割片段的环境声音数据指示冲突事件类型的事件概率构成的序列；
在一种可行实现方式中，当情绪基础数据包括环境声音数据时，利用神经网络中的情绪识别模型及事件识别模型得到环境声音数据的情绪类型的概率。
iii、将所述第一情绪概率序列及第二情绪概率序列输入预设的情绪融合模型，确定融合情绪概率序列；
需要说明的是，环境声音情绪与文本语义情绪是不同模态中检测到的情绪，两种情绪需要进一步通过情绪融合模型进行综合，以得到可以代表环境语音数据的融合情绪概率序列，融合情绪所使用的模型可以基于一种简单的规则，比如“平静”(语义)+“开心”(语音)＝“开心”(综合)。进而利用多个分割片段可以识别出多个情绪类型的概率，构成融合情绪概率序列。
由于声音事件与语义事件是完全不同类的事件，所以不需要像情绪进行融合。多个分割片段将识别出多个声音事件和语义事件，分别构成两种事件序列，该序列将进一步进入融合模型。事件可根据应用场景定义，应用场景即数据的采集场景，在实际应用中会定义“文本中包含描述暴力事件的内容。”、“文本中包含威胁或者辱骂性内容。”、“语音中包含哭声。”和“语音中包含争吵”等等可能的冲突情况对应的冲突事件，以得到各个分割片段的第一事件概率序列及第二事件概率序列。
iv、确定所述融合情绪概率序列、第一事件概率序列及第二事件概率序列为所述目标处理序列对应的情绪概率序列。
经上述步骤i、ii、iii后，最终得到融合情绪概率序列、第一事件概率序列及第二事件概率序列，将融合情绪概率序列、第一事件概率序列及第二事件概率序列作为情绪概率序列并继续执行步骤304。
在一种可行实现方式中，情绪基础数据包括穿戴者行为数据，则步骤203，包括：
a、获取所述目标处理序列中的各个所述分割片段的所述行为数据中的加速度信息；
示例性的，情绪基础数据包括穿戴者行为数据，则可以通过提取行为数据中的加速度特征，以得到加速度信息，利用加速度信息判断情绪基础数据的情绪类型的概率。
b、将所述加速度信息输入预设的行为识别模型输出所述目标处理序列对应的行为序列；
在一种可行实现方式中，通过神经网络模型中的行为识别模型，进行目标处理序列的行为识别以得到行为序列。
c、确定所述行为序列为所述目标处理序列对应的情绪概率序列。
经上述步骤a及b后，最终得到行为序列，将行为序列作为情绪概率序列并继续执行步骤304。
在一种可行实现方式中，情绪基础数据包括穿戴者生理数据，则步骤203，包括：
A、获取所述目标处理序列中各个分割片段的所述穿戴者生理数据的实际值；
示例性的，情绪基础数据包括穿戴者生理数据，通过获取各个分割片段中的穿戴者生理数据的实际值，例如心率值、脉搏值或者呼吸力度等等。
B、利用各个所述实际值及均值算法计算所述穿戴者生理数据的均值；
在一种可行实现方式中，通过均值计算得到各个实际值对应的穿戴者生理数据的均值，均值算法可以为各个实际值相加除以个数得到；也可以通过加权平均计算得到，在此举例不做限定。
C、若所述实际值与所述均值之间的差值大于等于预设生理异常阈值，则确定所述实际值对应的分割片段为生理异常状态；若所述实际值与所述均值之间的差值小于预设生理异常阈值，则确定所述实际值对应的分割片段为生理正常状态；
D、利用各个分割片段的所述生理异常片段及所述生理正常片段得到生理状态序列；
可以理解的是，预设生理异常阈值可以为心率值、脉搏值或者呼吸力度对应的实际值与均值之间的差值对应的正常生理状态的临界值。
因此，实际值与均值之间的差值大于等于预设生理异常阈值，则说明对应的生理片段数据异常，表明分割片段为生理异常状态；实际值与均值之间的差值小于预设生理异常阈值，则说明对应的生理片段数据正常，表明分割片段为生理正常状态。通过上述判断得到各个分割片段的生理状态，进一步得到由各个生理状态片段构成的生理状态序列。
E、确定所述生理状态序列为所述目标处理序列对应的情绪概率序列。
经上述步骤A、B、C及D后，最终得到生理状态序列，将生理状态序列作为情绪概率序列并继续执行步骤304。
304、利用所述不确定性推理规则确定所述情绪概率序列中各个所述分割片段的情绪基础数据对应的情绪类型的概率的第一置信度，并构成第一置信度序列；所述不确定性推理规则包括计算一所述分割片段的情绪基础数据对应的情绪类型的概率与0之间的最大值，及所述最大值与一所述分割片段的情绪基础数据对应的情绪类型的概率的积作为第一置信度；
需要说明的是，情绪概率序列存在多个时，则分别进行以不确定性推理规则对各个目标情绪概率序列中的各个分割片段进行第一置信度的计算，以得到各个目标情绪概率序列对应的各个第一置信度序列。
示例性的，情绪概率序列包括有融合情绪概率序列、第一事件概率序列及第二事件概率序列、行为序列、生理状态序列，则将各个序列的各个分割片段进行第一置信度的计算，以得到融合情绪概率序列对应的第一置信度序列；第一事件概率序列对应的第一置信度序列；第二事件概率序列对应的第一置信度序列；行为序列对应的各个第一置信度序列；以及生理状态序列对应的第一置信度序列。
可以理解的是图3中的步骤304与图2所示步骤204内容相似，为避免重复说明，在此不做赘述，具体可参考步骤204中所示内容。
305、获取各类型情绪数据对应的第一置信度序列中的同一所述分割片段的第一置信度，得到多个第一置信度；
在一种可行实现方式中，情绪基础数据包括至少两类情绪数据，不确定性推理算法包括第一推理算法、第二推理算法及第三推理算法。
示例性的，情绪基础数据包括环境语音数据、行为数据，则各类型数据对应的多个第一置信度序列中的同一分割片段的多个第一置信度，则为融合情绪概率序列、第一事件概率序列、第二事件概率序列及行为序列对应的各个第一置信度序列中的同一分割片段对应的各个第一置信度。
306、若所述多个第一置信度均大于等于零，则利用所述第一推理算法及多个所述第一置信度确定所述情绪基础数据的第一综合置信度，所述第一推理算法为所述多个第一置信度的和与所述多个第一置信度的积作差；若所述多个第一置信度均小于零，则利用所述第二推理算法及多个所述第一置信度确定所述情绪基础数据的第二综合置信度，所述第二推理算法为所述多个第一置信度的和与所述多个第一置信度的积求和；若多个所述第一置信度之间符号异号，则利用所述第三推理算法及多个所述第一置信度确定所述情绪基础数据的第三综合置信度，所述第三推理算法为所述多个第一置信度的和，与所述多个第一置信度的绝对值中最小的所述第一置信度的绝对值与1之间的差值做比值；
在一种可行实现方式中，当多个第一置信度同号且均大于等于零，则第一推理算法计算第一综合置信度，其中，公式如下：
CF1,2…N(H)＝CF1(H)+CF2(H)+…+CFN(H)-CF1(H)×CF2(H)×…×CFN(H)
式中，CF1,2…N(H)代表各类情绪基础数据的多个第一置信度序列中同一分割片段的第一置信度对应的第一综合置信度；CFN(H)代表同类情绪基础数据的各个同一分割片段的多个第一置信度。
在一种可行实现方式中，当多个第一置信度同号且均小于零，则第二推理算法计算第二综合置信度，其中，公式如下：
CF1,2…N(H)＝CF1(H)+CF2(H)+…+CFN(H)+CF1(H)×CF2(H)×…×CFN(H)；
式中，CF1,2…N(H)代表各类情绪基础数据的多个第一置信度序列中同一分割片段的第一置信度对应的第二综合置信度；CFN(H)代表同类情绪基础数据的各个同一分割片段的多个第一置信度。
在一种可行实现方式中，当多个第一置信度异号，则第三推理算法计算第三综合置信度，其中，公式如下：
Figure BDA0003106227670000161
式中，CF1,2…N(H)代表各类情绪基础数据的多个第一置信度序列中同一分割片段的第一置信度对应的第三综合置信度；CFN(H)代表同类情绪基础数据的各个同一分割片段的多个第一置信度，min{}为选取同类情绪基础数据的各个同一分割片段的多个第一置信度构成的集合中的最小第一置信度。
307、利用所述第一综合置信度、第二综合置信度及所述第三综合置信度生成原始综合置信度序列；
可以理解的是，在对每个分割片段执行同一分割片段对应的各个第一置信度的综合计算时，各个同一分割片段对应的多个第一置信度的符号关系可能存在差异，因此每个分割片段执行同一分割片段对应的各个第一置信度的综合计算时会产生的第一综合置信度、第二综合置信度及所述第三综合置信度，因此原始综合置信度序列包括各个分割片段对应的一综合置信度、第二综合置信度和/或所述第三综合置信度。
308、将所述原始综合置信度序列进行滑动平均处理，得到目标综合置信度序列；
在一种可行的实现方式中，将所述原始综合置信度序列进行滑动平均处理，得到对应的目标综合置信度序列；
可以理解的是，在对数据做统计的时，数据抖动是一个很常见的现象，可通过滑动平均以防止数据抖动。
在本发明实施例中，滑动平均处理为平滑情绪基础数据对应的原始综合置信度序列，利用滑动平均算法对各个分割片段的综合置信度进行平滑。
示例性的，滑动平均的计算公式如下：
Figure BDA0003106227670000171
式中，V‘t为原始综合置信度序列中一个分割片段对应综合置信度；Vt为目标综合置信度序列中与原始综合置信度序列中同一个分割片段对应综合置信度，βt为滑动平均系数。上述滑动平均的计算方式，并不做具体限定。
309、选取所述目标综合置信度序列中的最大综合置信度为所述情绪基础数据的目标综合置信度。
需要说明的是选取目标综合置信度序列中最大的综合置信度作为目标综合置信度，用于指示情绪基础数据发生冲突事件的可信度，可以进一步提高冲突事件的检测的可信度。
继续以情绪基础数据包括环境语音数据、行为数据，则各类型数据对应的第一置信度序列中的同一分割片段的第一置信度则为融合情绪概率序列、第一事件概率序列、第二事件概率序列及行为序列为例。
通过得到融合情绪概率序列、第一事件概率序列、第二事件概率序列及行为序列对应的各个第一置信度序列；通过通个分割片段对应的各个第一置信度，进行符合不确定推理算法中任一算法条件的综合置信度的计算，得到各个分割片段对应的原始综合置信度序列，将原始综合置信度序列进行滑动平均处理得到目标综合置信度序列，进一步选取目标综合置信度序列中的最大综合置信度作为目标综合置信度以指示情绪基础数据的发生冲突事件的可信度。
在一种可行实现方式中，步骤308，之后还包括：根据所述目标综合置信度生成所述情绪基础数据对应的冲突事件提示信息，并输出至预设终端，其中，提示信息包括但不限于情绪基础数据的情绪类型的概率、目标综合置信度、佩戴者的地理位置以及冲突事件的事件类型等等与应用环境和/或穿戴者情绪相关信息，以对穿戴者身处场景进行提示，以使预设终端可以实时确定穿戴者的状态。
本发明提供了一种矛盾事件的检测方法，通过采集情绪基础数据并利用分割处理构建目标处理序列，将目标处理序列通过情绪类型判断规则确定对应的情绪概率序列，利用不确定性推理规则对目标情绪概率序列进行第一置信度计算，最后同一分割片段的第一置信度序列中的多个第一置信度的符号关系以及进行对应的第一置信度的不确定性推理算法的计算，并且对不确定性推理算法计算得到的原始综合置信度序列进行滑动平均，以减少数据抖动，将滑动平均后的目标综合置信度序列中各个分割片段的计算结果也就是综合置信度之中的最大值确定为所述情绪基础数据的目标综合置信度即确定情绪基础数据发生冲突事件的可信度。通过不确定推理机制包括的不确定性推理规则及不确定性推理算法进行确定情绪基础数据发生冲突事件的可信度，无需预先训练冲突样本即可确定穿戴者的情绪基础数据发生冲突事件的可信度，使得由情绪确定发生冲突事件的可信度的判断结果不受样本数据的影响，进一步提高冲突事件的识别效率，并且通过最后的识别结果发出提示信息至预设终端，使得终端用户可以及时确定穿戴者情绪状态和/或是否存在冲突状态。
请继续参阅图4为本发明实施例中一种冲突事件的检测装置的结构框图，该装置应用于可穿戴设备，所述装置包括：
数据采集模块401，用于采集穿戴者在预设时间段内的情绪基础数据，所述情绪基础数据用于反映所述穿戴者的情绪状态；
数据分割模块402，用于将所述情绪基础数据分割成多个分割片段，将所述多个分割片段形成的序列作为所述情绪基础数据对应的目标处理序列；
概率确定模块403，用于根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，所述情绪概率序列为各个所述分割片段的情绪基础数据对应的情绪类型的概率构成的序列；
融合推理模块404，用于根据所述情绪概率序列及预设不确定推理机制确定所述情绪基础数据的目标综合置信度，所述目标综合置信度用于指示所述情绪基础数据发生所述冲突事件的可信度。
可以理解的是图4中的各模块的作用与图1所示的方法步骤相似，为避免重复，此处不做赘述，具体可参考图所示的内容。
本发明提供了一种矛盾事件的检测装置，装置应用于可穿戴设备，装置包括：数据采集模块401，用于采集穿戴者在预设时间段内的情绪基础数据，所述情绪基础数据用于反映所述穿戴者的情绪状态；数据分割模块402，用于将所述情绪基础数据分割成多个分割片段，将所述多个分割片段形成的序列作为所述情绪基础数据对应的目标处理序列；概率确定模块403，用于根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，所述情绪概率序列为各个所述分割片段的情绪基础数据对应的情绪类型的概率构成的序列；融合推理模块404，用于根据所述情绪概率序列及预设不确定推理机制确定所述情绪基础数据的目标综合置信度，所述目标综合置信度用于指示所述情绪基础数据发生所述冲突事件的可信度。通过采集情绪基础数据并利用分割处理构建目标处理序列，将目标处理序列通过情绪类型判断规则确定对应的情绪概率序列，最后利用预设不确定推理机制对情绪概率序列进行目标综合置信度计算，确定情绪基础数据发生冲突事件的可信度。通过不确定推理机制进行确定情绪基础数据发生冲突事件的可信度，无需预先训练冲突样本即可确定穿戴者的情绪基础数据发生冲突事件的可信度，使得由情绪确定发生冲突事件的可信度的判断结果不受样本数据的影响，进一步提高冲突事件的识别效率。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图5所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现年龄识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行年龄识别方法。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本发明实施中，提出了一种可穿戴设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如图1、图2或图3所示方法中任一项所示步骤。
在本发明实施中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如图1、图2或图3所示方法中任一项所示步骤。
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，所述的程序可存储于一非易失性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，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种冲突事件的检测方法，其特征在于，所述方法应用于可穿戴设备，所述方法包括：
采集穿戴者在预设时间段内的情绪基础数据，所述情绪基础数据用于反映所述穿戴者的情绪状态；
将所述情绪基础数据分割成多个分割片段，将所述多个分割片段形成的序列作为所述情绪基础数据对应的目标处理序列；
根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，所述情绪概率序列为各个所述分割片段对应的情绪类型的概率构成的序列；
根据所述情绪概率序列及预设不确定推理机制确定所述情绪基础数据的目标综合置信度，所述目标综合置信度用于指示所述情绪基础数据发生所述冲突事件的可信度。
2.根据权利1所述方法，其特征在于，所述根据所述情绪概率序列及预设不确定推理机制确定所述情绪基础数据的目标综合置信度，包括：
利用不确定性推理规则确定所述情绪概率序列中各个所述分割片段的情绪基础数据对应的情绪类型的概率的第一置信度，并构成第一置信度序列，所述不确定性推理规则包括计算一所述分割片段的情绪基础数据对应的情绪类型的概率与0之间的最大值，及所述最大值与一所述分割片段的情绪基础数据对应的情绪类型的概率的积作为第一置信度；
根据所述第一置信度序列及所述不确定性推理算法确定所述情绪基础数据的目标综合置信度。
3.根据权利要求2所述方法，其特征在于，所述情绪基础数据包括至少两类情绪数据，所述不确定性推理算法包括第一推理算法、第二推理算法及第三推理算法，则所述根据所述第一置信度序列及所述不确定性推理算法确定所述情绪基础数据的目标综合置信度，包括：
获取各类型情绪数据对应的第一置信度序列中的同一所述分割片段的第一置信度，得到多个第一置信度；
若所述多个第一置信度均大于等于零，则利用所述第一推理算法及多个所述第一置信度确定所述情绪基础数据的第一综合置信度，所述第一推理算法为所述多个第一置信度的和与所述多个第一置信度的积作差；
若所述多个第一置信度均小于零，则利用所述第二推理算法及多个所述第一置信度确定所述情绪基础数据的第二综合置信度，所述第二推理算法为所述多个第一置信度的和与所述多个第一置信度的积求和；
若多个所述第一置信度之间符号异号，则利用所述第三推理算法及多个所述第一置信度确定所述情绪基础数据的第三综合置信度，所述第三推理算法为所述多个第一置信度的和，与所述多个第一置信度的绝对值中最小的所述第一置信度的绝对值与1之间的差值做比值；
利用所述第一综合置信度、第二综合置信度及所述第三综合置信度生成原始综合置信度序列；
将所述原始综合置信度序列进行滑动平均处理，得到目标综合置信度序列；
选取所述目标综合置信度序列中的最大综合置信度为所述情绪基础数据的目标综合置信度。
4.根据权利要求1所述方法，其特征在于，所述情绪基础数据包括环境声音数据，则根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，包括：
对所述目标处理序列进行语音识别，得到所述目标处理序列对应的文本语义序列，所述文本语义序列为各个所述分割片段的环境声音数据的文本语义内容构成的序列；
将所述文本语义序列分别输入第一模型及第二模型，得到所述文本语义序列对应的第一情绪概率序列及第一事件概率序列，以及将所述目标处理序列分别输入所述第一模型及所述第二模型，得到所述目标处理序列对应的第二情绪概率序列及第二事件概率序列，所述第一模型为情绪识别模型，所述第二模型为事件识别模型，所述第一事件概率序列为各个分割片段对应的文本语义内容的冲突事件类型的概率构成的序列，所述第二事件概率序列为各个分割片段的环境声音数据指示冲突事件类型的事件概率构成的序列；
将所述第一情绪概率序列及第二情绪概率序列输入预设的情绪融合模型，确定融合情绪概率序列；
确定所述融合情绪概率序列、第一事件概率序列及第二事件概率序列为所述目标处理序列对应的情绪概率序列。
5.根据权利要求1所述方法，其特征在于，所述情绪基础数据包括穿戴者行为数据，则根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，包括：
获取所述目标处理序列中的各个所述分割片段的所述行为数据中的加速度信息；
将所述加速度信息输入预设的行为识别模型输出所述目标处理序列对应的行为序列；
确定所述行为序列为所述目标处理序列对应的情绪概率序列。
6.根据权利要求1所述方法，其特征在于，所述情绪基础数据包括穿戴者生理数据，则根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，包括：
获取所述目标处理序列中各个分割片段的所述穿戴者生理数据的实际值；
利用各个所述实际值及均值算法计算所述穿戴者生理数据的均值；
若所述实际值与所述均值之间的差值大于等于预设生理异常阈值，则确定所述实际值对应的分割片段为生理异常状态；
若所述实际值与所述均值之间的差值小于预设生理异常阈值，则确定所述实际值对应的分割片段为生理正常状态；
利用各个分割片段的所述生理异常片段及所述生理正常片段得到生理状态序列；
确定所述生理状态序列为所述目标处理序列对应的情绪概率序列。
7.根据权利要求1所述方法，其特征在于，所述根据所述情绪概率序列及预设不确定推理机制确定所述情绪基础数据的目标综合置信度，之后还包括：
根据所述目标综合置信度生成所述情绪基础数据对应的冲突事件提示信息，并输出至预设终端，所述提示信息包括所述情绪基础数据的情绪类型的概率、所述目标综合置信度、所述佩戴者的地理位置以及所述冲突事件的事件类型。
8.一种冲突事件的检测装置，其特征在于，所述装置设置于可穿戴设备，所述装置包括：
数据采集模块，用于采集穿戴者在预设时间段内的情绪基础数据，所述情绪基础数据用于反映所述穿戴者的情绪状态；
数据分割模块，用于将所述情绪基础数据分割成多个分割片段，将所述多个分割片段形成的序列作为所述情绪基础数据对应的目标处理序列；
概率确定模块，用于根据所述目标处理序列及情绪类型判断规则得到所述目标处理序列对应的情绪概率序列，所述情绪概率序列为各个所述分割片段对应的情绪类型的概率构成的序列；
融合推理模块，用于根据所述情绪概率序列及预设不确定推理机制确定所述情绪基础数据的目标综合置信度，所述目标综合置信度用于指示所述情绪基础数据发生所述冲突事件的可信度。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种可穿戴设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
CN202110645242.6A 2021-06-08 2021-06-08 冲突事件的检测方法、装置、可穿戴设备及存储介质 Active CN113520393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110645242.6A CN113520393B (zh) 2021-06-08 2021-06-08 冲突事件的检测方法、装置、可穿戴设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110645242.6A CN113520393B (zh) 2021-06-08 2021-06-08 冲突事件的检测方法、装置、可穿戴设备及存储介质

Publications (2)

Publication Number Publication Date
CN113520393A true CN113520393A (zh) 2021-10-22
CN113520393B CN113520393B (zh) 2022-01-21

Family

ID=78095794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110645242.6A Active CN113520393B (zh) 2021-06-08 2021-06-08 冲突事件的检测方法、装置、可穿戴设备及存储介质

Country Status (1)

Country Link
CN (1) CN113520393B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7706979B1 (en) * 2005-05-03 2010-04-27 Stanley Robert Herwitz Closest points of approach determination for unmanned aerial vehicle ground-based sense-and-avoid display system
CN102810132A (zh) * 2011-06-01 2012-12-05 上海市精神卫生中心 青少年自杀心理危机的学校预警干预方法
CN107212896A (zh) * 2017-04-05 2017-09-29 天津大学 一种情绪稳定性综合评价系统及信息处理方法
CN108562845A (zh) * 2018-04-23 2018-09-21 温州大学 一种基于不精确推理和概率论的变电站电气控制电路的故障检测方法
CN110134939A (zh) * 2018-02-02 2019-08-16 埃森哲环球解决方案有限公司 基于本体和规则的裁决
CN110859010A (zh) * 2018-08-24 2020-03-03 华为技术有限公司 实现数据传输的冲突检测方法及装置
CN111275737A (zh) * 2020-01-14 2020-06-12 北京市商汤科技开发有限公司 一种目标跟踪方法、装置、设备及存储介质
CN112151066A (zh) * 2020-09-07 2020-12-29 厦门大学 基于声音特征识别的语言冲突监测方法、介质及设备
CN112686195A (zh) * 2021-01-07 2021-04-20 风变科技（深圳）有限公司 情绪识别方法、装置、计算机设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7706979B1 (en) * 2005-05-03 2010-04-27 Stanley Robert Herwitz Closest points of approach determination for unmanned aerial vehicle ground-based sense-and-avoid display system
CN102810132A (zh) * 2011-06-01 2012-12-05 上海市精神卫生中心 青少年自杀心理危机的学校预警干预方法
CN107212896A (zh) * 2017-04-05 2017-09-29 天津大学 一种情绪稳定性综合评价系统及信息处理方法
CN110134939A (zh) * 2018-02-02 2019-08-16 埃森哲环球解决方案有限公司 基于本体和规则的裁决
CN108562845A (zh) * 2018-04-23 2018-09-21 温州大学 一种基于不精确推理和概率论的变电站电气控制电路的故障检测方法
CN110859010A (zh) * 2018-08-24 2020-03-03 华为技术有限公司 实现数据传输的冲突检测方法及装置
CN111275737A (zh) * 2020-01-14 2020-06-12 北京市商汤科技开发有限公司 一种目标跟踪方法、装置、设备及存储介质
CN112151066A (zh) * 2020-09-07 2020-12-29 厦门大学 基于声音特征识别的语言冲突监测方法、介质及设备
CN112686195A (zh) * 2021-01-07 2021-04-20 风变科技（深圳）有限公司 情绪识别方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马军霞: "基于扩展模糊时间Petri网分析冲突事件的", 《山东科技大学学报》 *

Also Published As

Publication number Publication date
CN113520393B (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
CN107577991B (zh) 随访数据处理方法、装置、存储介质和计算机设备
CN113094578B (zh) 基于深度学习的内容推荐方法、装置、设备及存储介质
CN112468659B (zh) 应用于电话客服的质量评价方法、装置、设备及存储介质
US20230058194A1 (en) Text classification method and apparatus, device, and computer-readable storage medium
WO2019184054A1 (zh) 一种弹幕信息的处理方法及系统
KR102314572B1 (ko) 인공지능 기반의 언어 능력 평가 방법 및 시스템
CN111126233B (zh) 基于距离值的通话通道构建方法、装置和计算机设备
CN116563829A (zh) 一种驾驶员情绪识别方法、装置、电子设备和存储介质
JP2018169506A (ja) 会話満足度推定装置、音声処理装置および会話満足度推定方法
CN114462554A (zh) 一种基于多模态宽度学习的潜在抑郁评估系统
CN114495217A (zh) 基于自然语言和表情分析的场景分析方法、装置及系统
CN114139624A (zh) 一种基于集成模型挖掘时间序列数据相似性信息的方法
CN113469023B (zh) 确定警觉度的方法、装置、设备和存储介质
CN114186646A (zh) 区块链异常交易识别方法及装置、存储介质及电子设备
CN114662601A (zh) 基于正负样本的意图分类模型训练方法及装置
CN112667792B (zh) 人机对话数据处理方法、装置、计算机设备和存储介质
CN113520393B (zh) 冲突事件的检测方法、装置、可穿戴设备及存储介质
CN113080907A (zh) 脉搏波信号处理方法及装置
CN116956856A (zh) 一种数据处理方法、装置、存储介质和电子设备
CN116975711A (zh) 多视图数据分类方法以及相关设备
CN116312644A (zh) 语音情感分类方法、装置、设备和存储介质
Ghassemi et al. Unsupervised multimodal learning for dependency-free personality recognition
CN115761576A (zh) 视频动作识别方法、装置及存储介质
CN115391523A (zh) 风电场多源异构数据处理方法及装置
CN114120425A (zh) 一种情绪识别方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant