CN113610186A - 一种数字化书写识别情绪状态的方法 - Google Patents
一种数字化书写识别情绪状态的方法 Download PDFInfo
- Publication number
- CN113610186A CN113610186A CN202110961674.8A CN202110961674A CN113610186A CN 113610186 A CN113610186 A CN 113610186A CN 202110961674 A CN202110961674 A CN 202110961674A CN 113610186 A CN113610186 A CN 113610186A
- Authority
- CN
- China
- Prior art keywords
- emotion
- writing
- handwriting
- user
- dot matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000002996 emotional effect Effects 0.000 title claims description 26
- 230000008451 emotion Effects 0.000 claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 230000008909 emotion recognition Effects 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000001133 acceleration Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000036651 mood Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000006698 induction Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 230000009323 psychological health Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011842 forensic investigation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/333—Preprocessing; Feature extraction
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- General Physics & Mathematics (AREA)
- Psychology (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Character Discrimination (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及情绪识别技术领域，尤其是指一种数字化书写识别情绪状态的方法，其特征在于，包括以下步骤：用户通过点阵数码笔在点阵纸张上书写文本；获取到用户书写时的实时信息数据；把得到的实时信息数据进行处理，得到与情绪标签相关更紧密的笔迹特征，其中得到的与情绪标签更紧密的笔迹特征进行数据归一化；把笔迹特征归一化的数据输入至预先训练的情绪识别模型中，得到用户的情绪状态类别。本发明解决了现有情绪识别方案中信息采集条件复杂苛刻的问题，采用字体特征方法来对用户所写字体特征识别后，进行情绪状态分类，所以免除了大部分物理硬件设备和生理信号检测设备；同时数字化书写技术对笔迹的特征识别更加准确。
Description
技术领域
本发明涉及情绪识别技术领域，尤其是指一种数字化书写识别情绪状态的方法。
背景技术
随着人工智能技术的飞速发展，越来越多的智能产品用到人们的生活学习中，特别是情感计算领域处于快速发展之中。随着现代这会不断发展，心理健康和心理咨询服务等也愈发受到重视，尤其是属于高强度、高压力人群的学生一族，更加需要对情绪状态进行特别的关注。目前，在各个领域中想获得人类所处的情绪状态一般采用询问、经验判断等方法，但所得信息的准确率往往由被询问者诚实度、判断者专业度所限制。为了能够及时关注书写过程的情绪，追踪书写者情绪不正常变化。防止抑郁或危害心理健康，及时调节心情，克服焦虑、紧张等带来的情绪困扰，对完善心理健康预警变得十分有意义。笔迹是日常自然书写过程中形成的书写的轨迹，书写的轨迹与特定的人、人的情绪状态都是相关的，因此笔迹识别作为一种生物识别技术，应用于用户身份鉴定、法医调查等场合，也可以通过笔迹分析进行健康状况、情绪状况的诊断，在医疗领域中有良好的应用前景。
发明内容
本发明针对现有技术的问题提供一种数字化书写识别情绪状态的方法，解决了现有情绪识别方案中信息采集条件复杂苛刻的问题，因为采用字体特征方法来对用户所写字体特征识别后，进行情绪状态分类，所以免除了大部分物理硬件设备和生理信号检测设备；同时数字化书写技术能够获取到用户实时落笔坐标、压力、时间等动态信息，对笔迹的特征识别更佳准确。
为了解决上述技术问题，本发明采用如下技术方案：
本发明提供了一种数字化书写识别情绪状态的方法，其特征在于，包括以下步骤：
S101，用户通过点阵数码笔在点阵纸张上书写文本；
S102，获取到用户书写时的实时信息数据；
S103，把得到的实时信息数据进行处理，得到与情绪标签相关更紧密的笔迹特征，其中得到的与情绪标签更紧密的笔迹特征进行数据归一化；
S104，把笔迹特征归一化的数据输入至预先训练的情绪识别模型中，得到用户的情绪状态类别。
其中，所述情绪识别模型的预先训练包括以下步骤：
步骤S201，让待检测者通过点阵数码笔在点阵纸张上书写文本；
步骤S202，获取到待检测者书写时的实时信息数据；
步骤S203，把得到的实时信息数据进行处理，得到笔迹特征，其中得到的笔迹特征进行数据归一化，并获取该待检测者在所述笔迹书写时的情绪类别；
步骤S204，将步骤S203所述的归一化的数据及相应的情绪类别标签加入标注样本集合；重复S201-204,将多个待检测者的样本加入标注样本集合；
步骤S205，将标注样本集合分为训练样本集和测试样本集，采用训练样本集对机器学习随机森林算法进行模型训练，并采用测试样本集进行模型测试，若分类精度达到要求，即得到可用的情绪识别模型。
其中，所述情绪类别包括悲伤、高兴、自然和紧张；
多个待检测者在观看相应的情绪诱导视频并写下文本后，对自己当前情绪状态的评分；该情绪状态的评分数值从1到10，然后比较悲伤、高兴和紧张三个类别的情绪状态分数，其中一类情绪的评分最高且分数大于等于8分，则代表待检测者符合该类情绪，若三个类别的评分最高值都小于8，则情绪类别标记为自然。
其中，所述实时信息数据包括用户使用点阵数码笔书写时笔尖经过的每个点的xy轴坐标、压力值、时间戳、笔的状态以及笔画数。
其中，所述笔迹特征包括倾斜度、压力、加速度、x轴方向加速度、y轴方向加速度、加速度最小值、x坐标点方差和y坐标点方差。本发明的有益效果：
本发明解决了现有情绪识别方案中信息采集条件复杂苛刻的问题，因为采用字体特征方法来对用户所写字体特征识别后，进行情绪状态分类，所以免除了大部分物理硬件设备和生理信号检测设备；同时数字化书写技术能够获取到用户实时落笔坐标、压力、时间等动态信息，对笔迹的特征识别更加准确。
附图说明
图1为本发明的一种数字化书写识别情绪状态的方法的流程图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。以下结合附图对本发明进行详细的描述。
一种数字化书写识别情绪状态的方法，如图1，包括以下步骤：S101，用户通过点阵数码笔在点阵纸张上书写文本；
S102，获取到用户书写时的实时信息数据；本实施例中，所述实时信息数据包括用户使用点阵数码笔书写时笔尖经过的每个点的xy轴坐标、压力值、时间戳、笔的状态以及笔画数；
S103，把得到的实时信息数据进行处理，得到与情绪标签相关更紧密的笔迹特征，其中得到的与情绪标签更紧密的笔迹特征进行数据归一化；依据所获得上述用户是写实时信息数据集合，得到与情绪标签更紧密的动态笔迹特征如：倾斜度、压力、加速度、x轴方向加速度、y轴方向加速度、加速度最小值、x坐标点方差，y坐标点方差等特征；对这些得到的特征进行数据归一化(Min-Max Scaling)，让数据被收敛到[0,1]之间，从而消除奇异样本数据导致的不良影响；
S104，把笔迹特征归一化的数据输入至预先训练的情绪识别模型中，得到用户的情绪状态类别。
具体地，本实施例依据点阵纸张的特点，“点阵”由一些非常细小的点，按照特殊算法规则排列的组成；点阵的作用是提供给点阵数码笔一个坐标参数信息，保证点阵数码笔在数码上书写时，能够准确的记录书写的笔迹；依据点阵数码笔的特点，笔尖被压下的同时，压力传感器被触发，启动内置的高速摄像头，以每秒上百次的速度对笔尖所经过的点阵进行拍照，从而获得用户书写的实时信息，包括笔尖经过的每个点的xy轴坐标、压力值、时间戳、笔的状态以及笔画数；本发明解决了现有情绪识别方案中信息采集条件复杂苛刻的问题，因为采用字体特征方法来对用户所写字体特征识别后，进行情绪状态分类，所以免除了大部分物理硬件设备和生理信号检测设备；同时数字化书写技术能够获取到用户实时落笔坐标、压力、时间等动态信息，对笔迹的特征识别更加准确。
使用本发明来预测情绪状态问题，比起现有的靠生理信号信息采集设备消耗要小很多，且人群普遍都需要书写，特别是学生群体，对长时间处于异常状态情绪更容易做好心理预警工作；本发明可以通过字体特征，对书写人群情绪状态进行判断。
在本发明中，对笔迹的特征识别使用的是动态方式来采取信息，这种采取信息的好处是可以做到实时监测用户的异常情绪，而且在静态提取信息时，大多是靠图像特征等方法，而图像处理的计算耗费较高。
在数字化书写方面，可以用平板电脑和数字化平板进行训练数据采集；数字化书写可以快速而准确的得到动态特征信息，通过预处理得的与情绪更紧密联系的特征。动态特征信息比图像的静态信息提取特征更能准确反映情绪的特征。
现有情绪识别技术中对生理信号的采集都基于接触式设备，要在受检人员身上带上各种生理指标采集设备，涉及人身自由和隐私。该方式很难得到普遍应用。本发明通过提取用户书写过程中的笔迹动态信息，并进一步处理得到倾斜度、压力、加速度、x轴方向加速度、y轴方向加速度、加速度最小值、x坐标点方差，y坐标点方差等特征，解决了现有情绪识别方案中要求获取待检测者的面部视频，要求被采集人正对摄像头拍摄视频，采集的方式苛刻的问题和靠生理信号信息采集设备等不适用性问题。该发明可以通过待检测者的笔迹识别情绪状态。本发明中笔迹信息容易获得，且相对直接获取待检测者的面部信息要求更少；由此情绪识别工作更加快速简便的用于用户；成本大大降低，且书写依然是学生普遍的现象，便于获取笔迹；对完善学生心理健康预警变得十分有意义。
本实施例中，所述情绪识别模型的预先训练包括以下步骤：步骤S201，让待检测者通过点阵数码笔在点阵纸张上书写文本；
步骤S202，获取到待检测者书写时的实时信息数据；
步骤S203，把得到的实时信息数据进行处理，得到笔迹特征，其中得到笔迹特征进行数据归一，并获取该待检测者在所述笔迹中的情绪类别；
步骤S204，将步骤S203所述的归一化的数据及相应的情绪类别标签加入标注样本集合；重复S201-204,将多个待检测者的样本加入标注样本集合；
步骤S205，将标注样本集合分为训练样本集和测试样本集，采用训练样本集对机器学习随机森林算法进行模型训练，并采用测试样本集进行模型测试，若分类精度达到要求，即得到可用的情绪识别模型；采用机器学习分类算法选择随机森林(Random Forest)，它是一个包含多个决策树的分类器，它可以在决定类别时，评估变数的重要性，学习过程很快速，是高准确度的分类器；由于本发明中字迹数量多而杂，可用随机森林算法进行处理，最终得到一种情绪类别标签。
在进行情绪识别模型训练的时候，不仅可以用随机森林算法进行分类，还可以使用机器学习的其他分类算法进行分类，例如支持向量机、k-nn(K邻近)等多种方法。
本发明通过对经过不同情绪诱导成功的检测者的笔迹进行分析，根据不同情绪反应出不同字迹的特点，通过分类判断出用户的当前情绪状态的字迹。例如：自然状态下的压力值要明显小于悲伤、高兴；悲伤状态下书写速度较慢。
本实施例中，所述情绪类别包括悲伤、高兴、自然和紧张；多个待检测者在观看相应的情绪诱导视频并写下文本后，对自己当前情绪状态的评分；该情绪状态的平分数值从1到10，然后比较悲伤、高兴和紧张三个类别的情绪状态分数，其中一类情绪的评分最高且分数大于等于8分，则代表待检测者符合该类情绪，若三个类别的评分最高值都小于8，则情绪类别标记为自然。
具体地，例如：首先获得一个待检测者的归一化数据和该待检测者对当前情绪的评分表，其中，评分表中高兴得分最高(大于等于8)，说明该检测者所具有的情绪类别为高兴，得到了一个情绪类标签。以此类推，得到大量的训练样本以及对应的情感类别标签形成情绪识别训练数据库。
本实施例中，所述步骤S204中，一次训练样本集合对应具有一个情感类别标签集合；依据步骤S201～步骤S204重复多次，得到多个训练样本集合并形成多个情绪类别标签集合。
本实施例中，所述笔迹特征包括倾斜度、压力、加速度、x轴方向加速度、y轴方向加速度、加速度最小值、x坐标点方差和y坐标点方差。
以上所述，仅是本发明较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明以较佳实施例公开如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当利用上述揭示的技术内容作出些许变更或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明技术是指对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明技术方案的范围内。
Claims (5)
1.一种数字化书写识别情绪状态的方法，其特征在于，包括以下步骤：
S101，用户通过点阵数码笔在点阵纸张上书写文本；
S102，获取到用户书写时的实时信息数据；
S103，把得到的实时信息数据进行处理，得到与情绪标签相关更紧密的笔迹特征，其中得到的与情绪标签更紧密的笔迹特征进行数据归一化；
S104，把笔迹特征归一化的数据输入至预先训练的情绪识别模型中，得到用户的情绪状态类别。
2.根据权利要求1所述的一种数字化书写识别情绪状态的方法，其特征在于，所述情绪识别模型的预先训练包括以下步骤：
步骤S201，让待检测者通过点阵数码笔在点阵纸张上书写文本；
步骤S202，获取到待检测者书写时的实时信息数据；
步骤S203，把得到的实时信息数据进行处理，得到笔迹特征，其中得到的笔迹特征进行数据归一化，并获取该待检测者在所述笔迹书写时的情绪类别；
步骤S204，将步骤S203所述的归一化的数据及相应的情绪类别标签加入标注样本集合；重复S201-204,将多个待检测者的样本加入标注样本集合；
步骤S205，将标注样本集合分为训练样本集和测试样本集，采用训练样本集对机器学习随机森林算法进行模型训练，并采用测试样本集进行模型测试，若分类精度达到要求，即得到可用的情绪识别模型。
3.根据权利要求2所述的一种数字化书写识别情绪状态的方法，其特征在于，所述情绪类别包括悲伤、高兴、自然和紧张；
多个待检测者在观看相应的情绪诱导视频并写下文本后，对自己当前情绪状态的评分；该情绪状态的评分数值从1到10，然后比较悲伤、高兴和紧张三个类别的情绪状态分数，其中一类情绪的评分最高且分数大于等于8分，则代表待检测者符合该类情绪，若三个类别的评分最高值都小于8，则情绪类别标记为自然。
4.根据权利要求1或者2所述的一种数字化书写识别情绪状态的方法，其特征在于，所述实时信息数据包括用户使用点阵数码笔书写时笔尖经过的每个点的xy轴坐标、压力值、时间戳、笔的状态以及笔画数。
5.根据权利要求1或者2所述的一种数字化书写识别情绪状态的方法，其特征在于，所述笔迹特征包括倾斜度、压力、加速度、x轴方向加速度、y轴方向加速度、加速度最小值、x坐标点方差和y坐标点方差。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110961674.8A CN113610186A (zh) | 2021-08-20 | 2021-08-20 | 一种数字化书写识别情绪状态的方法 |
| ZA2022/06977A ZA202206977B (en) | 2021-08-20 | 2022-06-23 | Method for recognizing emotional states by digital writing |
| LU502367A LU502367B1 (en) | 2021-08-20 | 2022-06-27 | Method for recognizing emotional states by digital writing |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110961674.8A CN113610186A (zh) | 2021-08-20 | 2021-08-20 | 一种数字化书写识别情绪状态的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113610186A true CN113610186A (zh) | 2021-11-05 |
Family
ID=78309064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110961674.8A Pending CN113610186A (zh) | 2021-08-20 | 2021-08-20 | 一种数字化书写识别情绪状态的方法 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN113610186A (zh) |
| LU (1) | LU502367B1 (zh) |
| ZA (1) | ZA202206977B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018043061A1 (ja) * | 2016-09-01 | 2018-03-08 | 株式会社ワコム | 座標入力処理装置、感情推定装置、感情推定システム及び感情推定用データベースの構築装置 |
| CN110705233A (zh) * | 2019-09-03 | 2020-01-17 | 平安科技（深圳）有限公司 | 基于文字识别技术的笔记生成方法、装置和计算机设备 |
-
2021
- 2021-08-20 CN CN202110961674.8A patent/CN113610186A/zh active Pending
-
2022
- 2022-06-23 ZA ZA2022/06977A patent/ZA202206977B/en unknown
- 2022-06-27 LU LU502367A patent/LU502367B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018043061A1 (ja) * | 2016-09-01 | 2018-03-08 | 株式会社ワコム | 座標入力処理装置、感情推定装置、感情推定システム及び感情推定用データベースの構築装置 |
| CN110705233A (zh) * | 2019-09-03 | 2020-01-17 | 平安科技（深圳）有限公司 | 基于文字识别技术的笔记生成方法、装置和计算机设备 |
Non-Patent Citations (4)
| Title |
|---|
| LAURENCE LIKFORMAN-SULEM ET AL: "EMOTHAW: A Novel Database for Emotional State Recognition From Handwriting and Drawing", 《IEEE TRANSACTIONS ON HUMAN-MACHINE SYSTEMS》, vol. 47, no. 2, pages 273 - 284, XP011642796, DOI: 10.1109/THMS.2016.2635441 * |
| YASEMIN BAY AYZEREN ET AL: "Emotional State Prediction From Online Handwriting and Signature Biometrics", 《IEEE ACCESS》, no. 7, pages 164759 - 164774, XP011757943, DOI: 10.1109/ACCESS.2019.2952313 * |
| 冯舒婷: "基于书写笔迹的青少年情绪检测方法与系统实现", 《软件》, vol. 40, no. 9 * |
| 申时凯等: "《我国现代化教育大数据应用技术与实践研究》", 吉林大学出版社, pages: 75 * |
Also Published As
| Publication number | Publication date |
|---|---|
| ZA202206977B (en) | 2022-08-31 |
| LU502367B1 (en) | 2023-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chitlangia et al. | Handwriting analysis based on histogram of oriented gradient for predicting personality traits using SVM | |
| Impedovo et al. | Handwritten signature verification: New advancements and open issues | |
| Mohandes et al. | Prototype Arabic Sign language recognition using multi-sensor data fusion of two leap motion controllers | |
| Hemayed et al. | Edge-based recognizer for Arabic sign language alphabet (ArS2V-Arabic sign to voice) | |
| Bashir et al. | Reduced dynamic time warping for handwriting recognition based on multidimensional time series of a novel pen device | |
| Nathwani | Online signature verification using bidirectional recurrent neural network | |
| Huang et al. | On-line signature verification based on dynamic segmentation and global and local matching | |
| Bhavani et al. | A multi-dimensional review on handwritten signature verification: strengths and gaps | |
| CN110188671A (zh) | 一种利用机器学习算法分析笔迹特征的方法 | |
| CN107103289B (zh) | 利用笔迹轮廓特征来进行笔迹鉴别的方法及系统 | |
| Raj et al. | Grantha script recognition from ancient palm leaves using histogram of orientation shape context | |
| Aulia et al. | Personality identification based on handwritten signature using convolutional neural networks | |
| Maarse et al. | Automatic identification of writers | |
| Sonoda et al. | A letter input system based on handwriting gestures | |
| CN113610186A (zh) | 一种数字化书写识别情绪状态的方法 | |
| Sharma et al. | Highly Accurate Trimesh and PointNet based algorithm for Gesture and Hindi air writing recognition | |
| K Jabde et al. | A Comprehensive Literature Review on Air-written Online Handwritten Recognition | |
| Bhattacharya et al. | TEmoDec: emotion detection from handwritten text using agglomerative clustering | |
| Kumar et al. | Profession identification using handwritten text images | |
| Ranjitha et al. | A Review on Challenges and Applications of Digital Graphology | |
| Laga et al. | Personality classification from online handwritten signature using k-nearest neighbor | |
| Zaghloul et al. | Recognition of Hindi (Arabic) handwritten numerals | |
| Kim et al. | Capturing handwritten ink strokes with a fast video camera | |
| Rahim et al. | An Enhanced Hybrid Model Based on CNN and BiLSTM for Identifying Individuals via Handwriting Analysis. | |
| Khawar et al. | Feature relevance analysis for handwriting based identification of parkinson’s disease |
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: 20211105 |