CN116509393A - 一种基于车辆设备状态和用户驾驶行为的情绪预测方法 - Google Patents
一种基于车辆设备状态和用户驾驶行为的情绪预测方法 Download PDFInfo
- Publication number
- CN116509393A CN116509393A CN202310378975.7A CN202310378975A CN116509393A CN 116509393 A CN116509393 A CN 116509393A CN 202310378975 A CN202310378975 A CN 202310378975A CN 116509393 A CN116509393 A CN 116509393A
- Authority
- CN
- China
- Prior art keywords
- emotion
- user
- information
- vehicle
- state
- 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
- 230000008451 emotion Effects 0.000 title claims abstract description 284
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000005856 abnormality Effects 0.000 claims abstract description 32
- 230000006399 behavior Effects 0.000 claims description 129
- 230000035945 sensitivity Effects 0.000 claims description 69
- 230000002996 emotional effect Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 7
- 206010027951 Mood swings Diseases 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000010276 construction Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000036651 mood Effects 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008909 emotion recognition Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010013954 Dysphoria Diseases 0.000 description 1
- 206010038743 Restlessness Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006397 emotional response Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- 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
- A61B5/72—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车辆设备状态和用户驾驶行为的情绪预测方法、基于车辆设备状态和用户驾驶行为的情绪预测方法装置及电子设备包括:检测车辆行驶状态是否异常,以及检测用户驾驶行为是否异常;根据车辆行驶状态异常,将所述车辆设备状态信息作为情绪波动特征;根据用户驾驶行为异常,用所述用户驾驶行为信息确定用户情绪画像;基于所述车辆设备状态信息、所述用户驾驶行为信息构建情绪波动特征模型,并离线训练;根据所述情绪波动特征模型在线预测用户情绪状态是否是异常状态。通过上述方案,结合设备状态信息和用户画像对用户情绪波动做判断,基于设备状态信息预测情绪可以降低预测滞后问题,在用户情绪异常前做较早的预测。
Description
技术领域
本申请涉及情绪领域,尤其涉及一种基于车辆设备状态和用户驾驶行为的情绪预测方法、基于车辆设备状态和用户驾驶行为的情绪预测方法装置及电子设备。
背景技术
人工智能、深度学习技术在智能座舱应用中普及,常见的情绪识别的主流方法也是基于人工智能、深度学习技术来实现。但从模型训练特征角度,目前预测情绪的特征基本是围绕人的生物特征(如声音、人脸、血压等)和行为内容(如说话内容、身体姿态),采集手段常见于录音、图像、穿戴设备等。如,相关专利:CN202211401340.6,CN201811157165.4。
以上方案其实都是用户情绪发生变化时的表现,严格来说是情绪识别而非情绪预测,所获得的结果在预测层面没有很好实现。
因此,本申请想要提出一种基于车辆设备状态和用户驾驶行为的自适应情绪预测的方案,解决情绪预测模型以及个性化情绪预测的问题。
发明内容
本发明的目的在于提供一种基于车辆设备状态和用户驾驶行为的情绪预测方法、基于车辆设备状态和用户驾驶行为的情绪预测方法装置及电子设备,至少解决上述的一个技术问题。
本发明提供了下述方案:
根据本发明的一个方面,提供一种基于车辆设备状态和用户驾驶行为的情绪预测方法,所述基于车辆设备状态和用户驾驶行为的情绪预测方法包括:
检测车辆行驶状态是否异常,以及检测用户驾驶行为是否异常;
根据车辆行驶状态异常,将所述车辆设备状态信息作为情绪波动特征;
根据用户驾驶行为异常,用所述用户驾驶行为信息确定用户情绪画像;
基于所述车辆设备状态信息、所述用户驾驶行为信息构建情绪波动特征模型,并离线训练;
根据所述情绪波动特征模型在线预测用户情绪状态是否是异常状态。
进一步的,所述车辆设备状态信息包括:车辆行驶过程中的道路环境信息、座舱环境信息、车辆状态信息、行车操控信息;
将所述车辆设备状态对应用户驾驶车辆情绪波动转换成影响因子信息;
根据所述车辆行驶状态异常对应情绪波动的影响因子值,判断用户当前情绪波动是否导致情绪异常。
进一步的,所述用户驾驶行为信息包括:用户驾驶过程中的音频类信息和操控类信息;
所述音频类信息包括情绪类语气、情绪类词汇的语音识别信息;
所述操控类信息包括油门、刹车、转向操控下的车辆行驶状态异常的信息;
根据所述用户驾驶行为信息确定用户情绪画像,获取用户行为对应情绪波动的敏感度信息;
根据用户驾驶行为异常对应情绪波动的敏感度值,判断车辆行驶状态异常状态下用户产生情绪波动的敏感程度。
进一步的,所述根据所述用户驾驶行为信息确定用户情绪画像,获取用户行为对应情绪波动的敏感度信息包括:
获取计算公式:E(t)=sum(t)/n,计算所述情绪波动的敏感度值S;
以K时间为周期,设置K时间周期内用户情绪波动事件发生频次t;
持续采集t值,计算当前时间点前n个在K周期内t>0的E(t)值,生成用户驾驶行为序列;
根据S(n+1)=t(n+1)/E(t),获取第n+1周期计算敏感度值S;
若敏感度值S值小于1,则表示目前相较于过去情绪敏感度减小;
若敏感度值S值大于1,则表示目前相较于过去情绪敏感度增大;
若敏感度值S值等于0,则情绪敏感度值无意义。
进一步的,所述影响因子包括:
在车辆设备状态信息预设埋点信息形成数据湖;
标注所述数据湖中数据对应的所述用户驾驶行为数据;
将所述用户驾驶行为数据中异常行为特征信息数据标注为疑似情绪异常;
将标注为疑似情绪异常对应的所述车辆设备状态用y值表示,用于设备信息序列;
其中,y=1的序列表示为对应疑似情绪异常的序列,y=0的序列表示为对应情绪正常的序列,生成二分类模型;
将所述二分类模型接入分类任务网络层;
所述分类任务网络层包括,激活函数层和线性分类器函数层;
其中,激活函数用于表示在训练过程中增大有效特征的贡献度,线性分类器函数用于确定分类结果以及每个类别的置信度值;
若,所述y值的结果为1,则置信度值用于表示所述车辆行驶状态异常对应情绪波动的影响因子值,表述为d。
进一步的,所述根据所述情绪波动特征模型预测用户情绪状态是否是异常状态包括:
获取计算公式
将所述影响因子值d、所述情绪敏感度值S、所述y值的序列输入,获取Score值;
其中,Score值为所述情绪是否为异常情绪状态的预测值;
若,Score值大于0,则对当前车辆行驶场景的情绪波动,导致情绪状态的预测为异常情绪状态。
进一步的,所述基于车辆设备状态和用户驾驶行为的情绪预测包括离线训练:
步骤6,采集设备端的车辆设备状态信息;
步骤7,在车辆设备状态信息预设埋点信息并上传至云端;
步骤8,预设云端特征工程模块对车辆设备状态信息做特征化处理,获得车辆设备状态特征数据;
步骤9,以车辆设备状态特征数据训练车辆的设备状态情绪模型。
进一步的,所述基于车辆设备状态和用户驾驶行为的情绪预测还包括在线预测:
步骤1,根据所述K时间周期内的所述用户驾驶行为序列计算用户行为特征信息;
步骤2,将步骤1的所述用户行为特征信息送入所述用户情绪画像模型,获得用户产生情绪波动的敏感度值;
步骤3,根据所述K时间周期内的所述设备信息序列实时上传云端,经过所述云端特征工程模块处理,获得车辆设备状态特征信息;
步骤4,将步骤3的所述车辆设备状态特征信息送入所述设备状态情绪模型,获得车辆设备状态对应情绪波动的影响因子值;
步骤5,对步骤2和步骤4的值做归一化乘运算,如果结果值超过预设阈值,则预测用户情绪波动引起情绪异常,否则预测用户情绪波动不会引起情绪异常。
根据本发明的另一个方面,提供一种基于车辆设备状态和用户驾驶行为的情绪预测装置,所述基于车辆设备状态和用户驾驶行为的情绪预测装置包括:
检测模块,用于检测车辆行驶状态是否异常,以及检测用户驾驶行为是否异常;
特征模块,用于根据车辆行驶状态异常,将所述车辆设备状态信息作为情绪波动特征;
画像模块,用于根据用户驾驶行为异常,用所述用户驾驶行为信息确定用户情绪画像;
模型模块,用于基于所述车辆设备状态信息、所述用户驾驶行为信息构建情绪波动特征模型,并离线训练;
预测模块,用于根据所述情绪波动特征模型在线预测用户情绪状态是否是异常状态。
根据本发明的还一个方面,提供一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
所述存储器中存储有计算机程序,当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所述基于车辆设备状态和用户驾驶行为的情绪预测方法的步骤。
本发明与现有技术相比具有以下的优点:
本申请根据当前场景,通过车辆设备状态用于预测情绪状态,拓展了预测情绪的数据源和技术手段。
本申请通过结合设备状态信息和用户画像对用户情绪波动做预测,基于设备状态信息预测情绪,摆脱对生理或生物特征信息的完全依赖,降低预测滞后问题,在用户表现情绪异常前获悉可能的生理波动或情绪波动,较早做出预测。
本申请另外根据用户行为确定用户情绪画像,得到不同用户情绪敏感度信息,自适应不同用户对周围环境的容忍度或敏感度,解决情绪预测模型个性化的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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是本发明一个或多个实施例提供的一种基于车辆设备状态和用户驾驶行为的情绪预测方法的流程图。
图2是本发明一个或多个实施例提供的一种基于车辆设备状态和用户驾驶行为的情绪预测装置的结构图。
图3是本发明一个或多个实施例提供的基于车辆设备状态和用户驾驶行为的情绪预测模型训练示意图。
图4是本发明一个或多个实施例提供的模型构建的示意图。
图5是本发明一个或多个实施例提供的模型训练的示意图。
图6是本发明一个或多个实施例提供的基于车辆设备状态和用户驾驶行为的情绪预测方法的一种电子设备结构框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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做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。
图1是本发明一个或多个实施例提供的一种基于车辆设备状态和用户驾驶行为的情绪预测方法的流程图。
如图1所示的基于车辆设备状态和用户驾驶行为的情绪预测方法包括:
步骤S1,检测车辆行驶状态是否异常,以及检测用户驾驶行为是否异常;
步骤S2,根据车辆行驶状态异常,将车辆设备状态信息作为情绪波动特征;
步骤S3,根据用户驾驶行为异常,用用户驾驶行为信息确定用户情绪画像;
步骤S4,基于车辆设备状态信息、用户驾驶行为信息构建情绪波动特征模型,并离线训练;
步骤S5,根据情绪波动特征模型在线预测用户情绪状态是否是异常状态。
本发明与现有技术相比具有以下的优点:
本申请根据当前场景,通过车辆设备状态用于预测情绪状态,拓展了预测情绪的数据源和技术手段。
本申请通过结合设备状态信息和用户画像对用户情绪波动做预测,基于设备状态信息预测情绪,摆脱对生理或生物特征信息的完全依赖,降低预测滞后问题,在用户表现情绪异常前获悉可能的生理波动或情绪波动,较早做出预测。
本申请另外根据用户行为确定用户情绪画像,得到不同用户情绪敏感度信息,自适应不同用户对周围环境的容忍度或敏感度,解决情绪预测模型个性化的问题。
具体而言,在现有的人工智能、深度学习技术领域,对情绪的预测主要是通过采集用户的生理特征、生物特征等显性特征,再根据这些显性特征对情绪状态进行判断。如,采集声音、人脸、血压、体温、脉搏等,可以通过专门的采集设备,也可以通过穿戴类设备进行录音、摄像、测量、监测等。比如,在相关专利:CN202211401340.6,CN201811157165.4中所采用方法。
但采集生理特征、生物特征等显性特征,是识别情绪状态,而非预测情绪状态,生理特征的波动往往是伴随情绪活动一起发生,甚至是情绪表现出异常是突发性的,随之生理特征才显现,采集到情绪波动信息时已经较晚,所获得的预测信息没有实用价值,所能得出结果时已经滞后实际发生的情绪状态。
基于智能座舱领域属于车辆驾驶的领域,用户的情绪状态与车辆驾驶息息相关,与车辆所处的具体场景息息相关,与车辆的功能、设备状态等息息相关。用户不可避免参与车辆驾驶,和车辆所处环境具有互动关系,由此必然产生心理投射的效应。比如,面对车辆油料枯竭,附近缺少加油站,可以据此预测司机可能焦虑情绪波动,再比如,车辆行驶到拥堵路段,可以据此预测司机可能烦躁情绪波动,再比如,车辆行驶到夜间时段,可以据此预测司机可能惊恐情绪波动等。因此,可以依据上述非生理、生物特征,建立模型对用户情绪状态做出预测。另外,情绪状态预测需要前置到情绪状态发生之前,而客观环境是预先可知的,至少可当做造成情绪异常的原因。可以在情绪异常没有发生前就提前采集到车辆行驶场景信息、车辆设备状态信息等,因此,通过车辆行驶场景信息、车辆设备状态信息对情绪状态预测,预测效果的前瞻性好完全依赖于生理、生物特征的方法。
另外,每个人的生理特征、生物特征具有差异性,虽然面对同样的压力,但情绪反应的效率不同、或敏感度不同。可以根据用户的行为在模型中进行敏感度的补充。采集用户行为相对于采集声音、人脸、血压、体温、脉搏等具体的生命体征类信息,更为高效且直观,对采集信息的设备依赖度较低,除了从视觉设备采集,还可以从驾驶过程中驾驶操作车辆设备状反馈的信息来采集。如,同样面临堵车,可能出现烦躁的情绪,而踩油门的激烈程度较高可能反映出面对同样的堵车场景,当前用户更敏感,比如,通过采集转速表、档位、车速等脱离一般驾驶行为的偏差波动,反映出敏感度信息。
通过将用户驾驶行为也加入到预测中,可以适应每个用户做个性化的情绪状态预测处理。
另外,情绪状态与生理波动、情绪波动并不能简单混为一谈,是否达到某种情绪状态或称之为情绪异常,不能仅通过是否存在生理波动或情绪波动就定性为达成某种情绪状态,需要多维度或多阶梯的对生理波动或情绪波动进行评估,得出预测情绪状态的结论。
在本实施例中,车辆设备状态信息包括:车辆行驶过程中的道路环境信息、座舱环境信息、车辆状态信息、行车操控信息;
将车辆设备状态对应用户驾驶车辆情绪波动转换成影响因子信息;
根据车辆行驶状态异常对应情绪波动的影响因子值,判断用户当前情绪波动是否导致情绪异常。
具体而言,用户情绪的波动,主要是被周围环境所影响,无论是车外大环境还是座舱内小环境,尤其对正常驾驶具有影响的情况。所以需要采集车辆行驶场景下的相关信息作为情绪波动模型的特征信息。比如,道路环境信息,如交通拥堵状态、天气信息、路面信息(高速、城市道路、乡镇道路)等;比如,座舱环境信息,如空调状态、座椅状态、座舱环境音、座舱温度等;比如,车辆状态信息,如车速、时间、剩余油量/电量、车辆系统及前台应用流畅度等;比如,行车操控信息,如周期时间内被加塞次数、并线次数、变道次数等。根据以上道路环境信息、座舱环境信息、车辆状态信息、行车操控信息,构建车辆的设备状态情绪模型,得到车辆设备状态对应情绪波动的影响因子值,通过影响因子值,间接表达情绪波动,比如,影响因子值用是0-1的浮点数表示,值累加越大,预判产生情绪波动概率越大,反之越小,根据情绪波动的累计,实现对情绪状态的预测。
在本实施例中,用户驾驶行为信息包括:用户驾驶过程中的音频类信息和操控类信息;
音频类信息包括情绪类语气、情绪类词汇的语音识别信息;
操控类信息包括油门、刹车、转向操控下的车辆行驶状态异常的信息;
根据用户驾驶行为信息确定用户情绪画像,获取用户行为对应情绪波动的敏感度信息;
根据用户驾驶行为异常对应情绪波动的敏感度值,判断车辆行驶状态异常状态下用户产生情绪波动的敏感程度。
具体而言,用户面对相同车辆行驶场景时,虽然都有可能出现某个同种类情绪波动,比如,遇到堵车,都或多或少会产生焦虑,但个体差异和过往经历会造就不同的敏感程度。情绪波动会在驾驶操作或语音表达上有所体现,根据面对相同车辆行驶场景时情绪波动的激烈程度或外在表现形式存在差异,构建用户情绪画像模型。
通过采集用户行为信息,作为用户情绪画像模型或情绪波动模型的特征,如,音频类的信息,如,提取音频信号强弱的信息,如,提取识别语言中是否含有谩骂意图以及频次等信息,可以重点识别的对象设定为表达疑似情绪类语气、使用疑似情绪类词汇等。
还要搜集,如车辆操作过程中的信息,在没有驾驶操作必要性的前提下,如,通过按喇叭的频次获取情绪波动的烈度等信息,如,通过轰油门的烈度等信息,重点识别的是疑似情绪类驾驶的行为。
根据以上用户行为信息构建用户情绪画像模型,得到用户行为对情绪预测的敏感度值等信息。
在本实施例中,根据用户驾驶行为信息确定用户情绪画像,获取用户行为对应情绪波动的敏感度信息包括:
获取计算公式:E(t)=sum(t)/n,计算情绪波动的敏感度值S;
以K时间为周期,设置K时间周期内用户情绪波动事件发生频次t;
持续采集t值,计算当前时间点前n个在K周期内t>0的E(t)值,生成用户驾驶行为序列;
根据S(n+1)=t(n+1)/E(t),获取第n+1周期计算敏感度值S;
若敏感度值S值小于1,则表示目前相较于过去情绪敏感度减小;
若敏感度值S值大于1,则表示目前相较于过去情绪敏感度增大;
若敏感度值S值等于0,则情绪敏感度值无意义。
具体而言,构建用户情绪画像模型,主要分两个情绪预测模型来训练,一个从音频类相关的信息入手来训练,另一个从操控车辆行为类的信息入手训练,训练两个模型的特征以及结果的过程详情如下:
可以以K时间为周期,如,1分钟,设K时间内上述事件发生频次为t次,如果t=0,该值无效,即t>0有效;
对用户持续采集1分钟内的t值,计算出在当前时间点前n个有效(有效指该周期内t>0)K周期内的t值的E(t)值(均值/期望值),计算公式:E(t)=sum(t)/n;
对第n+1周期计算敏感度值S,计算方法是第n+1周期的t值除以前n个K周期内的E(t)值,即S(n+1)=t(n+1)/E(t);
设S值表示当前情绪相对于过去情绪的浮动程度,如果该值小于1,表示目前情绪相较于过去情绪表现的敏感度减小,如果该值大于1表示目前情绪相较于过去情绪表现的敏感度增大,如果该值等于0时,即第n+1周期的t值等于0,有可能采集的信息为空或者不能被采用,敏感度值无意义,可以忽略不计。
在本实施例中,影响因子包括:
在车辆设备状态信息预设埋点信息形成数据湖;
标注数据湖中数据对应的用户驾驶行为数据;
将用户驾驶行为数据中异常行为特征信息数据标注为疑似情绪异常;
将标注为疑似情绪异常对应的车辆设备状态用y值表示,用于设备信息序列;
其中,y=1的序列表示为对应疑似情绪异常的序列,y=0的序列表示为对应情绪正常的序列,生成二分类模型;
将二分类模型接入分类任务网络层;
分类任务网络层包括,激活函数层和线性分类器函数层;
其中,激活函数用于表示在训练过程中增大有效特征的贡献度,线性分类器函数用于确定分类结果以及每个类别的置信度值;
若,y值的结果为1,则置信度值用于表示车辆行驶状态异常对应情绪波动的影响因子值,表述为d。
具体而言,图4是本发明一个或多个实施例提供的模型构建的示意图。图5是本发明一个或多个实施例提供的模型训练的示意图。
模型的特征构建、结构以及训练如下:
模型特征和语言模型bert的特征类似。其中上述的设备状态集合和语言模型中的token集合类似,设备状态在K周期内的状态序列和语言的句子序列类似,即语言类模型的输入序列。设备状态序列的分割方式为,如果K周期内未出现用户行为,则按照K周期内设备状态序列作为一个序列,否则若出现用户行为打断,则以上一序列结束后开始到打断时间点之前的状态序列作为一个序列。如图4中所示的模型构建的示意图,构建多个序列,在K周期内采集特征信息。
基于上述设备状态构建输入特征,将上述特征(包括但不限于)作为特征闭集合,对特征进行embedding化,embedding方法类和bert模型的Token Embeddings层的方法类似,也可以是随机生成的方法,上述特征和bert模型中的Token类似,embed的向量维度为n。如表一所示的特征embedding序列。
表一
token | Embedding |
[CLS] | [0.363668494,0.25355512,0.376000646,...] |
雨天 | [0.636684943,0.47354763,0.55384648,...] |
上班点 | [0.366849432,0.45390859,0.42024346,...] |
车速60 | [0.363667494,0.15378612,0.456054646,...] |
用户骂人 | [0.786231919,0.18377324,0.874748742,...] |
[SEP] | [0.363684494,0.57855527,0.657434646,...] |
阴天 | [0.657770843,0.73858362,0.090493428,...] |
... | [0.383038004,0.50449854,0.934022467,...] |
模型的输出特征公式为:其中/>T表示序列的长度,i表示第i个序列。
模型分为两部分,预训练情绪模型和情绪预测模型,
预训练情绪模型的网络结构同bert模型类似,是基于双向Transformer构建的模型,模型有L个相同结构的神经网络串联组成,每一个神经网络结构中由Multi-headAttention(多头注意力机制)层,Add&Normalize(残差连接和层归一化)层、Feed Forward(前馈网络)层、Add&Normalize层四部分顺序串联组成。
公式一:
公式一是Multi-head Attention中的W是上述特征embeding向量,i表示该特征在序列中的位置下标。Q、K、V是Attention的参数矩阵。
公式二:sub_layer_output=LayerN orm(x+S ubLayer(x))
公式二是Add&Normalize层主要作用是对经过矩阵计算变换后的中间层特征向量做归一化处理,防止随着层数增加部分特征参数值衰弱。
公式三:FFN(x)=max(0,xW1+b1)W2+b2
公式三是Feed Forward层中的特征向量转换,序列中每个位置状态特征都单独经过这个完全相同的前馈神经网络。其由两个线性变换组成,即两个全连接层组成,第一个全连接层(括号内的部分)的激活函数为ReLU激活函数。
由上述四层网络结构构成基本的单元,以此单元串联L次,构成预训练情绪模型。通过对设备状态埋点信息数据湖中的数据和用户行为序列数据的标注,生成预训练的数据集合对上述预训练情绪模型的超参数进行训练得到预训练情绪模型。
情绪预测模型的目标是预测设备状态特征序列是否导致情绪异常,如果是应该预测为情绪异常序列,y=1,否则预测为情绪正常序列,y=0,即二分类模型。
训练数据构造方法是通过对设备状态埋点信息数据湖中的数据和用户行为序列数据的标注,标注方法可以采用人工标注,对于特征序列以用户行为结束的特征序列标注为情绪异常,并去掉序列结尾的用户行为特征;对于特征序列不是以用户行为结束的需要按预设策略确定是否为情绪异常序列。如图5所示的模型训练的示意图,对特征序列进行标注。
该模型结构是在上述预训练情绪模型之后接入分类任务网络层。分类任务网络结构由激活函数层:O=tanh(oW),分类器函数层:P=softmax(pO),两个网络层构成。其中,tanh是双曲正切函数,o是参数,W是预训练情绪模型输出的特征中[CLS]的embedding向量,softmax是一个线性分类器,p是参数;其中激活函数的作用是在训练过程中增大有效特征的贡献度。线性分类器函数的作用是确定分类结果以及每个类别的置信度值,即决定y值的结果是0还是1,如果是1,置信度值就表示设备状态影响因子d值。最终预测结果通过取向量中最大值位置j作为分类结果,值P[j]为情绪预测置信度,即设备状态影响因子d值,公式为:yj=argmax(P[j])。如果j=0位置的P[0]值最大,就表示基于设备状态序列的预测结果为情绪无异常,即y=0;否则如果j=1位置的P[1]值最大,就表示基于设备状态序列的预测结果为情绪异常,即y=1,设备状态影响因子d=P[i]。
在本实施例中,根据情绪波动特征模型预测用户情绪状态是否是异常状态包括:
获取计算公式
将影响因子值d、情绪敏感度值S、y值的序列输入,获取Score值;
其中,Score值为情绪是否为异常情绪状态的预测值;
若,Score值大于0,则对当前车辆行驶场景的情绪波动,导致情绪状态的预测为异常情绪状态。
具体而言,可以根据K时间周期内的用户驾驶行为序列计算用户行为特征信息;将用户行为特征信息送入用户情绪画像模型,获得用户产生情绪波动的敏感度值;根据K时间周期内的设备信息序列实时上传云端,经过云端特征工程模块处理,获得车辆设备状态特征信息;将车辆设备状态特征信息送入设备状态情绪模型,获得车辆设备状态对应情绪波动的影响因子值;最后对影响因子信息和敏感度信息做归一化乘运算,如果结果值超过预设阈值,则预测用户情绪波动引起情绪异常,否则预测用户情绪波动不会引起情绪异常。具体量化的结果用大于等于零的结果值表示异常情绪状态。
在本实施例中,基于车辆设备状态和用户驾驶行为的情绪预测方法,,基于车辆设备状态和用户驾驶行为的情绪预测包括离线训练:
步骤6,采集设备端的车辆设备状态信息;
步骤7,在车辆设备状态信息预设埋点信息并上传至云端;
步骤8,预设云端特征工程模块对车辆设备状态信息做特征化处理,获得车辆设备状态特征数据;
步骤9,以车辆设备状态特征数据训练车辆的设备状态情绪模型。
在本实施例中,基于车辆设备状态和用户驾驶行为的情绪预测还包括在线预测:
步骤1,根据K时间周期内的用户驾驶行为序列计算用户行为特征信息;
步骤2,将步骤1的用户行为特征信息送入用户情绪画像模型,获得用户生理波动的敏感度值;
步骤3,根据K时间周期内的设备信息序列实时上传云端,经过云端特征工程模块处理,获得车辆设备状态特征信息;
步骤4,将步骤3的车辆设备状态特征信息送入设备状态情绪模型,获得车辆设备状态对应生理波动的影响因子值;
步骤5,对步骤2和步骤4的值做归一化乘运算,如果结果值超过预设阈值,则预测用户生理波动引起情绪异常,否则预测用户生理波动不会引起情绪异常。
具体而言,在车辆一侧,作为实际的信息采集端,把车辆所处环境信息、车辆设备信息、人员行为信息等进行采集。可以在离线状态下,对上述信息进行预处理或整理。在云端一侧,将采集的信息作分析处理,综合预设时间段、频次等信息,明晰敏感度信息和影响因子信息,基于影响因子和敏感度信息,对当前车辆上的人员情绪状态预测。
图3是本发明一个或多个实施例提供的基于车辆设备状态和用户驾驶行为的情绪预测模型训练示意图。
如图3所示的基于车辆设备状态和用户驾驶行为的情绪预测模型训练示意图,由云端和客户端共同完成模型构建和训练。比如,可以先从离线训练进行:先采集设备端设备状态详细,再加入埋点信息上报云端,云端设有特征化/向量化工程模块做特征化处理(特征化/向量化工程模块可以在线或离线使用),再用设备状态特征数据训练设备状态情绪模型做情绪判断和识别,然后可以按照具体的应用场景做在线预测:根据前K时间内的用户行为序列计算用户行为特征,将获得的用户行为特征送入用户情绪画像模型或模块,得到用户情绪敏感度值,然后根据前K时间周期内的设备信息序列实时上传云端,经过特征/向量化工程模块处理,得到设备状态特征的数据信息,将设备状态的特征送入设备状态情绪模型,得到设备状态影响因子值,对用户情绪敏感度和设备状态影响因子的值做归一化后乘运算后,如果值超过阈值,则情绪异常,否则情绪正常。
图2是本发明一个或多个实施例提供的一种基于车辆设备状态和用户驾驶行为的情绪预测装置的结构图。
如图2所示的基于车辆设备状态和用户驾驶行为的情绪预测装置包括:检测模块、特征模块、画像模块、模型模块、预测模块;
基于车辆设备状态和用户驾驶行为的情绪预测装置包括:
检测模块,用于检测车辆行驶状态是否异常,以及检测用户驾驶行为是否异常;
特征模块,用于根据车辆行驶状态异常,将车辆设备状态信息作为情绪波动特征;
画像模块,用于根据用户驾驶行为异常,用用户驾驶行为信息确定用户情绪画像;
模型模块,用于基于车辆设备状态信息、用户驾驶行为信息构建情绪波动特征模型,并离线训练;
预测模块,用于根据情绪波动特征模型在线预测用户情绪状态是否是异常状态。
值得注意的是,虽然本系统只披露了检测模块、特征模块、画像模块、模型模块、预测模块,但并不意味着本装置仅仅局限于上述基本功能模块,相对,本发明所要表达的意思是,在上述基本功能模块的基础之上,本领域技术人员可以结合现有技术任意添加一个或多个功能模块,形成无穷多个实施例或技术方案,也就是说本系统是开放式的而非封闭式的,不能因为本实施例仅披露了个别基本功能模块,就认为本发明权利要求的保护范围局限于上述公开的基本功能模块。
图6是本发明一个或多个实施例提供的基于车辆设备状态和用户驾驶行为的情绪预测方法的一种电子设备结构框图。
如图6所示,本申请提供一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器中存储有计算机程序,当计算机程序被处理器执行时,使得处理器执行基于车辆设备状态和用户驾驶行为的情绪预测方法的步骤。
本申请还提供一种计算机可读存储介质,其存储有可由电子设备执行的计算机程序,当计算机程序在电子设备上运行时,使得电子设备执行基于车辆设备状态和用户驾驶行为的情绪预测方法的步骤。
本申请还提供一种车辆,具体包括:
电子设备,用于实现车机传输音频方法;
处理器,处理器运行程序,当程序运行时从电子设备输出的数据执行基于车辆设备状态和用户驾驶行为的情绪预测方法的步骤;
存储介质,用于存储程序,程序在运行时对于从电子设备输出的数据执行基于车辆设备状态和用户驾驶行为的情绪预测方法的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
电子设备包括硬件层,运行在硬件层之上的操作系统层,以及运行在操作系统上的应用层。该硬件层包括中央处理器(CPU,Central Processing Unit)、内存管理单元(MMU,Memory Management Unit)和内存等硬件。该操作系统可以是任意一种或多种通过进程(Process)实现电子设备控制的计算机操作系统,例如,Linux操作系统、Unix操作系统、Android操作系统、iOS操作系统或windows操作系统等。并且在本发明实施例中该电子设备可以是智能手机、平板电脑等手持设备,也可以是桌面计算机、便携式计算机等电子设备,本发明实施例中并未特别限定。
本发明实施例中的电子设备控制的执行主体可以是电子设备,或者是电子设备中能够调用程序并执行程序的功能模块。电子设备可以获取到存储介质对应的固件,存储介质对应的固件由供应商提供,不同存储介质对应的固件可以相同可以不同,在此不做限定。电子设备获取到存储介质对应的固件后,可以将该存储介质对应的固件写入存储介质中,具体地是往该存储介质中烧入该存储介质对应固件。将固件烧入存储介质的过程可以采用现有技术实现,在本发明实施例中不做赘述。
电子设备还可以获取到存储介质对应的重置命令,存储介质对应的重置命令由供应商提供,不同存储介质对应的重置命令可以相同可以不同,在此不做限定。
此时电子设备的存储介质为写入了对应的固件的存储介质,电子设备可以在写入了对应的固件的存储介质中响应该存储介质对应的重置命令,从而电子设备根据存储介质对应的重置命令,对该写入对应的固件的存储介质进行重置。根据重置命令对存储介质进行重置的过程可以现有技术实现,在本发明实施例中不做赘述。
为了描述的方便,描述以上装置时以功能分为各种单元、模块分别描述。当然在实施本申请时可以把各单元、模块的功能在同一个或多个软件和/或硬件中实现。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器或者网络设备等)执行本申请各个实施方式或者实施方式的某些部分所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于车辆设备状态和用户驾驶行为的情绪预测方法,其特征在于,所述基于车辆设备状态和用户驾驶行为的情绪预测方法包括:
检测车辆行驶状态是否异常,以及检测用户驾驶行为是否异常;
根据车辆行驶状态异常,将所述车辆设备状态信息作为情绪波动特征;
根据用户驾驶行为异常,用所述用户驾驶行为信息确定用户情绪画像;
基于所述车辆设备状态信息、所述用户驾驶行为信息构建情绪波动特征模型,并离线训练;
根据所述情绪波动特征模型在线预测用户情绪状态是否是异常状态。
2.根据权利要求1所述的基于车辆设备状态和用户驾驶行为的情绪预测方法,其特征在于,所述车辆设备状态信息包括:车辆行驶过程中的道路环境信息、座舱环境信息、车辆状态信息、行车操控信息;
将所述车辆设备状态对应用户驾驶车辆情绪波动转换成影响因子信息;
根据所述车辆行驶状态异常对应情绪波动的影响因子值,判断用户当前情绪波动是否导致情绪异常。
3.根据权利要求2所述的基于车辆设备状态和用户驾驶行为的情绪预测方法,其特征在于,所述用户驾驶行为信息包括:用户驾驶过程中的音频类信息和操控类信息;
所述音频类信息包括情绪类语气、情绪类词汇的语音识别信息;
所述操控类信息包括油门、刹车、转向操控下的车辆行驶状态异常的信息;
根据所述用户驾驶行为信息确定用户情绪画像,获取用户行为对应情绪波动的敏感度信息;
根据用户驾驶行为异常对应情绪波动的敏感度值,判断车辆行驶状态异常状态下用户产生情绪波动的敏感程度。
4.根据权利要求3所述的基于车辆设备状态和用户驾驶行为的情绪预测方法,其特征在于,所述根据所述用户驾驶行为信息确定用户情绪画像,获取用户行为对应情绪波动的敏感度信息包括:
获取计算公式:E(t)=sum(t)/n,计算所述情绪波动的敏感度值S;
以K时间为周期,设置K时间周期内用户情绪波动事件发生频次t;
持续采集t值,计算当前时间点前n个在K周期内t>0的E(t)值,生成用户驾驶行为序列;
根据S(n+1)=t(n+1)/E(t),获取第n+1周期计算敏感度值S;
若敏感度值S值小于1,则表示目前相较于过去情绪敏感度减小;
若敏感度值S值大于1,则表示目前相较于过去情绪敏感度增大;
若敏感度值S值等于0,则情绪敏感度值无意义。
5.根据权利要求4所述的基于车辆设备状态和用户驾驶行为的情绪预测方法,其特征在于,所述影响因子包括:
在车辆设备状态信息预设埋点信息形成数据湖;
标注所述数据湖中数据对应的所述用户驾驶行为数据;
将所述用户驾驶行为数据中异常行为特征信息数据标注为疑似情绪异常;
将标注为疑似情绪异常对应的所述车辆设备状态用y值表示,用于设备信息序列;
其中,y=1的序列表示为对应疑似情绪异常的序列,y=0的序列表示为对应情绪正常的序列,生成二分类模型;
将所述二分类模型接入分类任务网络层;
所述分类任务网络层包括,激活函数层和线性分类器函数层;
其中,激活函数用于表示在训练过程中增大有效特征的贡献度,线性分类器函数用于确定分类结果以及每个类别的置信度值;
若,所述y值的结果为1,则置信度值用于表示所述车辆行驶状态异常对应情绪波动的影响因子值,表述为d。
6.根据权利要求5所述的基于车辆设备状态和用户驾驶行为的情绪预测方法,其特征在于,所述根据所述情绪波动特征模型预测用户情绪状态是否是异常状态包括:
获取计算公式
将所述影响因子值d、所述情绪敏感度值S、所述y值的序列输入,获取Score值;
其中,Score值为所述情绪是否为异常情绪状态的预测值;
若,Score值大于0,则对当前车辆行驶场景的情绪波动,导致情绪状态的预测为异常情绪状态。
7.根据权利要求6所述的基于车辆设备状态和用户驾驶行为的情绪预测方法,其特征在于,所述基于车辆设备状态和用户驾驶行为的情绪预测包括离线训练:
步骤6,采集设备端的车辆设备状态信息;
步骤7,在车辆设备状态信息预设埋点信息并上传至云端;
步骤8,预设云端特征工程模块对车辆设备状态信息做特征化处理,获得车辆设备状态特征数据;
步骤9,以车辆设备状态特征数据训练车辆的设备状态情绪模型。
8.根据权利要求7所述的基于车辆设备状态和用户驾驶行为的情绪预测方法,其特征在于,所述基于车辆设备状态和用户驾驶行为的情绪预测还包括在线预测:
步骤1,根据所述K时间周期内的所述用户驾驶行为序列计算用户行为特征信息;
步骤2,将步骤1的所述用户行为特征信息送入所述用户情绪画像模型,获得用户产生情绪波动的敏感度值;
步骤3,根据所述K时间周期内的所述设备信息序列实时上传云端,经过所述云端特征工程模块处理,获得车辆设备状态特征信息;
步骤4,将步骤3的所述车辆设备状态特征信息送入所述设备状态情绪模型,获得车辆设备状态对应情绪波动的影响因子值;
步骤5,对步骤2和步骤4的值做归一化乘运算,如果结果值超过预设阈值,则预测用户情绪波动引起情绪异常,否则预测用户情绪波动不会引起情绪异常。
9.一种基于车辆设备状态和用户驾驶行为的情绪预测装置,其特征在于,所述基于车辆设备状态和用户驾驶行为的情绪预测装置包括:
检测模块,用于检测车辆行驶状态是否异常,以及检测用户驾驶行为是否异常;
特征模块,用于根据车辆行驶状态异常,将所述车辆设备状态信息作为情绪波动特征;
画像模块,用于根据用户驾驶行为异常,用所述用户驾驶行为信息确定用户情绪画像;
模型模块,用于基于所述车辆设备状态信息、所述用户驾驶行为信息构建情绪波动特征模型,并离线训练;
预测模块,用于根据所述情绪波动特征模型在线预测用户情绪状态是否是异常状态。
10.一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
所述存储器中存储有计算机程序,当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权利要求1至8中任一项所述基于车辆设备状态和用户驾驶行为的情绪预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310378975.7A CN116509393A (zh) | 2023-04-11 | 2023-04-11 | 一种基于车辆设备状态和用户驾驶行为的情绪预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310378975.7A CN116509393A (zh) | 2023-04-11 | 2023-04-11 | 一种基于车辆设备状态和用户驾驶行为的情绪预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116509393A true CN116509393A (zh) | 2023-08-01 |
Family
ID=87391284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310378975.7A Pending CN116509393A (zh) | 2023-04-11 | 2023-04-11 | 一种基于车辆设备状态和用户驾驶行为的情绪预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116509393A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303829A (zh) * | 2015-09-11 | 2016-02-03 | 深圳市乐驰互联技术有限公司 | 汽车驾驶员情绪识别方法及装置 |
CN108875682A (zh) * | 2018-06-29 | 2018-11-23 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
US20210201934A1 (en) * | 2019-12-31 | 2021-07-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Real-time verbal harassment detection system |
CN113704410A (zh) * | 2021-08-31 | 2021-11-26 | 平安普惠企业管理有限公司 | 情绪波动检测方法、装置、电子设备及存储介质 |
CN115376115A (zh) * | 2022-10-25 | 2022-11-22 | 中国第一汽车股份有限公司 | 鲁莽驾驶行为标记方法、车辆、云端服务器和存储介质 |
-
2023
- 2023-04-11 CN CN202310378975.7A patent/CN116509393A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303829A (zh) * | 2015-09-11 | 2016-02-03 | 深圳市乐驰互联技术有限公司 | 汽车驾驶员情绪识别方法及装置 |
CN108875682A (zh) * | 2018-06-29 | 2018-11-23 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
US20210201934A1 (en) * | 2019-12-31 | 2021-07-01 | Beijing Didi Infinity Technology And Development Co., Ltd. | Real-time verbal harassment detection system |
CN113704410A (zh) * | 2021-08-31 | 2021-11-26 | 平安普惠企业管理有限公司 | 情绪波动检测方法、装置、电子设备及存储介质 |
CN115376115A (zh) * | 2022-10-25 | 2022-11-22 | 中国第一汽车股份有限公司 | 鲁莽驾驶行为标记方法、车辆、云端服务器和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275085B (zh) | 基于注意力融合的在线短视频多模态情感识别方法 | |
US20190341025A1 (en) | Integrated understanding of user characteristics by multimodal processing | |
CN109711557B (zh) | 一种行车轨迹预测方法、计算机设备及存储介质 | |
US11355138B2 (en) | Audio scene recognition using time series analysis | |
Deng et al. | Driving style recognition method using braking characteristics based on hidden Markov model | |
KR20180125905A (ko) | 딥 뉴럴 네트워크(Deep Neural Network)를 이용하여 문장이 속하는 클래스(class)를 분류하는 방법 및 장치 | |
US10789942B2 (en) | Word embedding system | |
CN110119714B (zh) | 一种基于卷积神经网络的驾驶员疲劳检测方法及装置 | |
US11776269B2 (en) | Action classification in video clips using attention-based neural networks | |
CN109559481A (zh) | 驾驶风险智能识别方法、装置、计算机设备及存储介质 | |
JP2010182085A (ja) | 運転行動誘導システム | |
CN116563829A (zh) | 一种驾驶员情绪识别方法、装置、电子设备和存储介质 | |
WO2021070732A1 (ja) | 情報処理装置、情報処理方法、並びにプログラム | |
CN116509393A (zh) | 一种基于车辆设备状态和用户驾驶行为的情绪预测方法 | |
KR102463875B1 (ko) | 빅데이터를 활용한 사용자 맞춤 심리 치료 콘텐츠 제공 방법, 장치 및 시스템 | |
CN116542783A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN115227246A (zh) | 面向智能驾驶的驾驶人声音情感识别方法 | |
WO2023173554A1 (zh) | 坐席违规话术识别方法、装置、电子设备、存储介质 | |
CN114582372A (zh) | 一种多模态驾驶员情感特征识别方法及系统 | |
CN115238050A (zh) | 基于文本匹配和意图识别融合处理的智能对话方法及装置 | |
CN113449585A (zh) | 用于运行分类器的方法和设备 | |
CN116304642B (zh) | 情绪识别预警及模型训练方法、装置、设备和存储介质 | |
CN113255725B (zh) | 基于两阶段lstm的汽车传感器攻击检测与修复方法 | |
KR102663969B1 (ko) | 교통 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법 | |
US20220392206A1 (en) | Reinforcement learning for active sequence processing |
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 |