CN116763312B - 一种基于可穿戴设备的异常情绪识别方法及系统 - Google Patents
一种基于可穿戴设备的异常情绪识别方法及系统 Download PDFInfo
- Publication number
- CN116763312B CN116763312B CN202311051383.0A CN202311051383A CN116763312B CN 116763312 B CN116763312 B CN 116763312B CN 202311051383 A CN202311051383 A CN 202311051383A CN 116763312 B CN116763312 B CN 116763312B
- Authority
- CN
- China
- Prior art keywords
- data
- emotion
- curve
- abnormal
- state data
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000008909 emotion recognition Effects 0.000 title claims abstract description 20
- 230000008451 emotion Effects 0.000 claims abstract description 128
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims description 66
- 230000033001 locomotion Effects 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 abstract description 21
- 238000012544 monitoring process Methods 0.000 abstract description 16
- 238000004891 communication Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明提供了一种基于可穿戴设备的异常情绪识别方法及系统,属于智能监护技术领域。本发明通过短时段的状态数据对存在异常可能的被监测对象进行快速识别,然后再使用长时段的状态数据对存在异常可能的被监测对象进行深入核实,这样既降低了误识别的概率,也减少了异常情绪监测的数据处理负荷,提升了监护系统的监护效率。
Description
技术领域
本发明涉及智能监护技术领域,具体而言,涉及一种基于可穿戴设备的异常情绪识别方法、系统、电子设备及计算机存储介质。
背景技术
异常情绪的识别是智能监护系统正常运行的重要前提,通过准确地、提前地对异常情绪进行识别,可以为各类监护机构提供相应的触发信号,使得情绪异常人士能够得到很好的监护,避免异常情绪给被监护对象带来危害。
现有的异常情绪自动识别主要是通过生理检测法、图像识别法等来实现,这些识别方法均是将检测到的相关信号与预设的正常数值范畴进行比较得出,但是许多情况也会导致正常情绪出现一定程度的异常化表现,上述现有方式则很难进行区分,导致误识别的概率较大。本发明的方案即旨在解决该技术问题。
发明内容
为解决上述技术问题至少之一,本发明具体提供了一种基于可穿戴设备的异常情绪识别方法、系统、电子设备及计算机存储介质。
本发明的第一方面提供了一种基于可穿戴设备的异常情绪识别方法,包括如下步骤:
接收可穿戴设备采集的第一状态数据,在所述第一状态数据超出正常范畴时,根据所述第一状态数据与所述正常范畴的偏差值得出第一情绪异常概率;
获取所述可穿戴设备采集的第二状态数据,根据所述第二状态数据对所述第一情绪异常概率进行修正,得出第二情绪异常概率;
根据所述第二情绪异常概率对异常情绪的存在与否进行判定;
其中,所述第一状态数据的时间跨度比所述第二状态数据的时间跨度小。
进一步地,在所述根据所述第一状态数据与所述正常范畴的偏差值得出第一情绪异常概率之前,包括:
根据所述第一状态数据提取得出若干筛选因素,根据各所述筛选因素从所述正常范畴中匹配得出正常指标组,所述正常指标组中包含若干正常指标范围;
计算所述第一状态数据中各状态子数据与对应的所述正常指标范围的偏差值,在任一所述偏差值超出偏差阈值时,判定所述第一状态数据超出正常范畴。
进一步地,所述根据所述第一状态数据与所述正常范畴的偏差值得出第一情绪异常概率,包括:
对全部所述偏差值超出所述偏差阈值的所述状态子数据与预设的异常概率对照数据进行匹配计算;
若匹配成功,则根据匹配得出的异常概率对照数据得出所述第一情绪异常概率;
若匹配失败,则使用情绪异常识别模型对各所述状态子数据及对应的所述偏差值进行预测识别,根据预测识别结果得出所述第一情绪异常概率。
进一步地,所述第二状态数据包括被监测对象的第一生理数据和第一运动数据;
则所述获取所述可穿戴设备采集的第二状态数据,根据所述第二状态数据对所述第一情绪异常概率进行修正,得出第二情绪异常概率,包括:
根据所述第一生理数据和所述第一运动数据分别拟合得出第一曲线和第二曲线,计算所述第一曲线和所述第二曲线的趋势匹配值;
若所述趋势匹配值未超过匹配阈值,则根据第一修正数据对所述第一情绪异常概率进行修正,得出所述第二情绪异常概率;
若所述趋势匹配值超过匹配阈值,则根据第二修正数据对所述第一情绪异常概率进行修正,得出所述第二情绪异常概率;
其中,所述第一修正数据大于所述第二修正数据。
进一步地,所述方法还包括:获取其它被监测对象的与所述第二状态数据时间关联的第三状态数据,所述第三状态数据包括第二生理数据和第二运动数据;
则所述获取所述可穿戴设备采集的第二状态数据,根据所述第二状态数据对所述第一情绪异常概率进行修正,得出第二情绪异常概率,还包括:
根据所述第二生理数据和所述第二运动数据分别拟合得出第三曲线和第四曲线;
计算所述第三曲线与所述第一曲线的第一匹配值,以及计算所述第四曲线与所述第二曲线的第二匹配值,若所述第一匹配值与所述第二匹配值均大于第一阈值,则判定所述其它被监测对象为伴随对象;
统计所述伴随对象的第一数量,根据所述第一数量确定第三修正数据,根据所述第一修正数据和所述第三修正数据对所述第一情绪异常概率进行修正,或根据所述第二修正数据和所述第三修正数据对所述第一情绪异常概率进行修正,得出所述第二情绪异常概率。
进一步地,所述第二状态数据还包括特定类型的被监测对象的第三生理数据和第三运动数据;
则所述获取所述可穿戴设备采集的第二状态数据,根据所述第二状态数据对所述第一情绪异常概率进行修正,得出第二情绪异常概率,还包括:
根据所述第三生理数据和所述第三运动数据分别拟合得出第五曲线和第六曲线;
计算所述第五曲线与所述第一曲线的第三匹配值,以及计算所述第六曲线与所述第二曲线的第四匹配值,若所述第三匹配值与所述第四匹配值均大于第二阈值,则判定所述特定类型的被监测对象为监护对象;
和/或,
计算所述第五曲线与所述第三曲线的第五匹配值,以及计算所述第六曲线与所述第四曲线的第六匹配值,并统计所述第五匹配值与所述第六匹配值均大于第三阈值的第二数量,若所述第二数量大于第四阈值,则判定所述特定类型的被监测对象为监护对象;
统计所述监护对象的第三数量,根据所述第三数量确定第四修正数据,根据所述第一修正数据与所述第三修正数据和/或所述第四修正数据对所述第一情绪异常概率进行修正,或根据所述第二修正数据与所述第三修正数据和/或所述第四修正数据对所述第一情绪异常概率进行修正,得出所述第二情绪异常概率;
其中,所述第二阈值大于所述第三阈值。
进一步地,所述判定所述特定类型的被监测对象为监护对象,包括:
从所述第二状态数据中提取得出特定类型的被监测对象的共网可穿戴设备信息,计算所述共网可穿戴设备信息与各所述伴随对象的重合度;
若所述重合度满足第五阈值,则判定特定类型的被监测对象为所述监护对象。
本发明的第二方面提供了一种基于可穿戴设备的异常情绪识别系统,包括获取模块、处理模块、存储模块;所述处理模块与所述获取模块、所述存储模块连接;
所述存储模块,用于存储可执行的计算机程序代码;
所述获取模块,用于获取可穿戴设备采集的状态数据并传输给所述处理模块;
所述处理模块,用于通过调用所述存储模块中的所述可执行的计算机程序代码,执行如前任一项所述的方法。
本发明的第三方面提供了一种电子设备,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,执行如前任一项所述的方法。
本发明的第四方面提供了一种计算机存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上任一项所述的方法。
本发明的有益效果在于:
本发明通过短时段的状态数据对存在异常可能的被监测对象进行快速识别,然后再使用长时段的状态数据对存在异常可能的被监测对象进行深入核实,这样既降低了误识别的概率,也减少了异常情绪监测的数据处理负荷,提升了监护系统的监护效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例公开的一种基于可穿戴设备的异常情绪识别方法的结构示意图。
图2是本发明实施例公开的一种基于可穿戴设备的异常情绪识别系统的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
参阅图1所示流程示意图,本发明实施例提供了一种基于可穿戴设备的异常情绪识别方法,包括如下步骤:
接收可穿戴设备采集的第一状态数据,在所述第一状态数据超出正常范畴时,根据所述第一状态数据与所述正常范畴的偏差值得出第一情绪异常概率;
获取所述可穿戴设备采集的第二状态数据,根据所述第二状态数据对所述第一情绪异常概率进行修正,得出第二情绪异常概率;
根据所述第二情绪异常概率对异常情绪的存在与否进行判定;
其中,所述第一状态数据的时间跨度比所述第二状态数据的时间跨度小。
如背景技术中提到的,现有方式均是通过将检测到的相关信号与预设的正常数值范畴进行比较来对情绪异常与否进行判定,这种方式过于粗糙,不能有效区分正常情绪的轻微异常与真正的情绪异常,容易导致异常情绪的误识别。为解决该技术问题,本发明通过可穿戴设备对监测对象的状态数据采集、接收,先将采集到的相对实时的第一状态数据(实时数据,或实时数据和少量邻接的早先数据)与正常范畴进行比较来初步判定该监测对象是否存在异常表现,即得出第一情绪异常概率;然后再将采集到的更大时间跨度的第二状态数据(更多量的邻接的早先数据,或更多量的邻接的早先数据与实时数据)对前述确定出的第一情绪异常概率进行一定程度的修正,根据修正后得出的更为准确的第二情绪异常概率对被监测对象是否真的存在异常情绪做出判定。
本发明的上述方案通过短时段的状态数据对存在异常可能的被监测对象进行快速识别,然后再使用长时段的状态数据对存在异常可能的被监测对象进行深入核实,这样既降低了误识别的概率,也减少了异常情绪监测的数据处理负荷,提升了监护系统的监护效率。
需要说明的是,本发明中使用到的可穿戴设备指的是可佩戴在人体身上的小型化电子设备,其通常具备可采集心率、脉搏、血压、体温等生理数据的传感器,可采集定位信息、速度、朝向及时间等运动数据的传感器,以及可实现与服务器、一定范围内的其它可穿戴设备进行通信传输、局域网组网等功能的通信模组。
进一步地,在所述根据所述第一状态数据与所述正常范畴的偏差值得出第一情绪异常概率之前,包括:
根据所述第一状态数据提取得出若干筛选因素,根据各所述筛选因素从所述正常范畴中匹配得出正常指标组,所述正常指标组中包含若干正常指标范围;
计算所述第一状态数据中各状态子数据与对应的所述正常指标范围的偏差值,在任一所述偏差值超出偏差阈值时,判定所述第一状态数据超出正常范畴。
在本实施例中,由于生理指标能更准确的表征情绪的异常,本发明优选以生理数据为基础进行异常情绪的识别。但是,生理数据自身会随着时间、地点、场景、对象等发生较大的变动,本发明对上述情况进行考虑,设定针对上述各因素的正常指标范围。具体地,先对第一状态数据进行解析,例如解析得出时间、地点、对象等筛选因素,根据这些筛选因素可以从数据库中匹配出一定数量的正常指标范围,每个正常指标范围与对应的生理指标类型关联,只要其中一个生理指标类型对应的状态子数据的偏差值超出了合理阈值,则可初步判定该被监测对象存在情绪异常情况。
相比于现有方式统一固定的正常范畴,本发明中的正常范畴是与具体的筛选因素对应的,具有更强的针对性,能够更为准确的对被监测对象是否存在情绪异常进行初步判断,在初步判断步骤即可将那些非异常的被监测对象筛除,降低后续异常判断的数据处理量,提升整体的异常情绪监测效率。
需要说明的是,预先对监护区域内的各被监测对象的历史数据进行记录/获取并分类统计分析,分类统计分析包括单一被监测对象在不同时段、不同地点、与不同类型对象相处等具体因素下的各生理指标的正常指标范围(即不存在异常情绪),将这些正常指标范围关联为正常指标组。这样就可以针对每个被监测对象建立存储有多种正常指标范围的数据库,以供后续查询使用。
进一步地,所述根据所述第一状态数据与所述正常范畴的偏差值得出第一情绪异常概率,包括:
对全部所述偏差值超出所述偏差阈值的所述状态子数据与预设的异常概率对照数据进行匹配计算;
若匹配成功,则根据匹配得出的异常概率对照数据得出所述第一情绪异常概率;
若匹配失败,则使用情绪异常识别模型对各所述状态子数据及对应的所述偏差值进行预测识别,根据预测识别结果得出所述第一情绪异常概率。
在本实施例中,各被监测对象的情绪异常的表现是不同的,于是,本发明给每个/类被监测对象配置了异常概率对照数据,其可以是异常概率对照表也可以是异常概率曲线,根据出现异常(即偏差值超出偏差阈值)的状态子数据的具体类型/类型组可以确定出对应的一组异常概率对照数据,再根据这些状态子数据的偏差值(或偏差值与偏差阈值的差值即偏差程度)可以从该组异常概率对照数据中快速查询得到对应的第一情绪异常概率。
但是,受例如病情严重程度的变化等因素影响,被监测对象在出现情绪异常时的症状也可能会发生较大的变化,这就会导致预设的异常概率对照数据不能与本次异常中出现的异常状态子数据的具体类型组匹配。针对该种情况,本发明采用基于深度学习算法构建的情绪异常识别模型对异常状态子数据的具体类型/类型组及对应的偏差值(或偏差值与偏差阈值的差值即偏差程度)进行预测识别,从而输出第一情绪异常概率,从而克服上述情况。实际试验过程中,匹配失败的情况其实是更多的,但由于本发明采用两种方式相互配合的方案,达到了第一情绪异常概率的全部成功计算和高效计算。
进一步地,所述第二状态数据包括被监测对象的第一生理数据和第一运动数据;
则所述获取所述可穿戴设备采集的第二状态数据,根据所述第二状态数据对所述第一情绪异常概率进行修正,得出第二情绪异常概率,包括:
根据所述第一生理数据和所述第一运动数据分别拟合得出第一曲线和第二曲线,计算所述第一曲线和所述第二曲线的趋势匹配值;
若所述趋势匹配值未超过匹配阈值,则根据第一修正数据对所述第一情绪异常概率进行修正,得出所述第二情绪异常概率;
若所述趋势匹配值超过匹配阈值,则根据第二修正数据对所述第一情绪异常概率进行修正,得出所述第二情绪异常概率;
其中,所述第一修正数据大于所述第二修正数据。
在本实施例中,可穿戴设备采集了被监测对象的生理数据和运动数据,按照时间顺序可以将这些数据分别拟合出对应的生理曲线和运动曲线,再计算这两条曲线在趋势方面的匹配程度值,即趋势同步程度值。
如果匹配程度值低于匹配阈值,例如先出现生理指标异常,后出现快跑等运动状态,则说明前述生理指标的异常大概率是被监测对象真的出现了情绪异常,并且在异常情绪引发被监测对象产生了狂奔等异常运动状况,此时采用例如大于或等于1的修正数据来将前述得出的第一情绪异常概率适当调大。如果匹配程度值高于匹配阈值,则说明前述生理指标的异常可能是被监测对象运动导致,即前述根据第一状态数据判定的异常结论有误判的可能,此时采用例如小于1的修正数据来将前述得出的第一情绪异常概率适当调小。
于是,本发明综合基于被监测对象的运动数据来对其生理数据的异常结果进行合理调整,使用调整后的第二情绪异常概率来分析该被监测对象是否出现异常情绪。
进一步地,所述方法还包括:获取其它被监测对象的与所述第二状态数据时间关联的第三状态数据,所述第三状态数据包括第二生理数据和第二运动数据;
则所述获取所述可穿戴设备采集的第二状态数据,根据所述第二状态数据对所述第一情绪异常概率进行修正,得出第二情绪异常概率,还包括:
根据所述第二生理数据和所述第二运动数据分别拟合得出第三曲线和第四曲线;
计算所述第三曲线与所述第一曲线的第一匹配值,以及计算所述第四曲线与所述第二曲线的第二匹配值,若所述第一匹配值与所述第二匹配值均大于第一阈值,则判定所述其它被监测对象为伴随对象;
统计所述伴随对象的第一数量,根据所述第一数量确定第三修正数据,根据所述第一修正数据和所述第三修正数据对所述第一情绪异常概率进行修正,或根据所述第二修正数据和所述第三修正数据对所述第一情绪异常概率进行修正,得出所述第二情绪异常概率。
在本实施例中,除了可通过被监测对象自身的运动数据来对第一情绪异常概率进行修正之外,还可以考虑伴随对象的情况。如果与被监测对象处于同一区域,该区域可以为静止的(对应如瑜伽或太极拳场景)或移动的(对应如跑步场景)区域,则可以进一步分析这些其它被监测对象与该被监测对象的上述第一匹配值和第二匹配值是否足够高,即生理曲线和运动曲线的重合度也较高,若是则可以将这些其它被监测者认定为伴随对象,从而可以根据伴随对象的第一数量来确定第三修正数据。最后,再利用确定出的第三修正数据和前述确定出的第一修正数据或第二修正数据将第一情绪异常概率修正为第二情绪异常概率。
具体的,同样获取与被监测对象的第二状态数据处于相同时段的其它被监测对象的第三状态数据,第三状态数据中也包括生理数据和运动数据;采用与同样的方式拟合得出对应的第三曲线和第四曲线,再分别计算第一曲线与第三曲线、第二曲线与第四曲线的匹配值(可基于趋势匹配进行计算,也可以基于偏差值在预定范围内的各曲线点的数量或占比来进行计算),在二者匹配度均足够高时,则说明该其它被监测对象也为与被监测对象处于相同运动状态的伴随人员(即运动尤其是运动方式、强度相似的运动会导致这些人员的出现近似的情绪“异常”)。于是,在有较多人员与存在情绪异常的被监测对象处于相似情绪“异常”时,可进一步判定被监测对象的情绪“异常”为“假”的概率更大,即其情绪异常后单独狂奔的概率更低;反之,则可进一步判定被监测对象的情绪“异常”为“假”的概率更小。显然,与被监测对象具有高相似度的生理曲线和运动曲线的伴随对象越多时,说明该被监测对象群组运动的概率越大,也即与情绪异常相关的生理指标真正“异常”的概率也就越小。于是,本发明中的第三修正数据与伴随对象的第一数量成反比例,即伴随对象的第一数量越多,则第三修正数据越小,使得修正后得到的第二情绪异常概率也就越小,反之则越大。
另外,为避免偶然与被监测对象处于同一区域的假“伴随对象”的干扰,可进一步设置在伴随对象的第一数量达到一定值时(例如2个或3个)时,才触发第三修正数据的生成,或在此之前设置第三修正数据为1。
进一步地,所述第二状态数据还包括特定类型的被监测对象的第三生理数据和第三运动数据;
则所述获取所述可穿戴设备采集的第二状态数据,根据所述第二状态数据对所述第一情绪异常概率进行修正,得出第二情绪异常概率,还包括:
根据所述第三生理数据和所述第三运动数据分别拟合得出第五曲线和第六曲线;
计算所述第五曲线与所述第一曲线的第三匹配值,以及计算所述第六曲线与所述第二曲线的第四匹配值,若所述第三匹配值与所述第四匹配值均大于第二阈值,则判定所述特定类型的被监测对象为监护对象;
和/或,
计算所述第五曲线与所述第三曲线的第五匹配值,以及计算所述第六曲线与所述第四曲线的第六匹配值,并统计所述第五匹配值与所述第六匹配值均大于第三阈值的第二数量,若所述第二数量大于第四阈值,则判定所述特定类型的被监测对象为监护对象;
统计所述监护对象的第三数量,根据所述第三数量确定第四修正数据,根据所述第一修正数据与所述第三修正数据和/或所述第四修正数据对所述第一情绪异常概率进行修正,或根据所述第二修正数据与所述第三修正数据和/或所述第四修正数据对所述第一情绪异常概率进行修正,得出所述第二情绪异常概率;
其中,所述第二阈值大于所述第三阈值。
在本实施例中,除了可通过被监测对象自身的运动数据来和伴随对象的情况的生理数据及运动数据来对第一情绪异常概率进行修正之外,本发明还考虑了监护对象的情况。在进行群组运动时,监护对象通常是陪同参加的,而在被监测对象因自身情绪异常而实施狂奔等运动行为时,监护对象、其它被监测对象通常是不能与其处于同一区域的,也难以具有相同的生理曲线、运动曲线,于是基于对监护对象的分析可以辅助判断本监测对象的情绪异常是否真的为真。
具体的,计算特定类型的被监测对象与该被监测对象的生理曲线和运动曲线的匹配值,则匹配值均足够高时,说明该特定类型的被监测对象为陪同被监测对象进行群组运动的监护对象(即监护机构中配置的医护人员及其它具有一定监护能力的人员);以及,计算特定类型的被监测对象与前述伴随对象的生理曲线和运动曲线的匹配值,在该特定类型的被监测对象与较多的伴随对象的匹配值足够高时,也可以间接说明该特定类型的被监测对象为监护对象。
按照前述原理,在通过上述两种方式确定出的监护对象的数量越多时,说明被监测对象的情绪“异常”为“假”的概率更大;反之,则可进一步判定被监测对象的情绪“异常”为“假”的概率更小。于是,设置第四修正数据与第三数量成反比。另外,由于伴随对象、监护对象并不一定都存在,所以存在上述“和/或”所包含的三种情况,具体不再赘述。
与前述情况类似地,为避免偶然与被监测对象处于同一区域的假“监护对象”的干扰,可进一步设置在监护对象的第三数量达到一定值时(例如2个)时,才触发第四修正数据的生成,或在此之前设置第四修正数据为1。
另外,由于前者情况采用单一匹配数据识别监护对象,相比于后者采用多匹配数据识别监护对象,前者情况具有更多的受干扰概率,所以,设置第二阈值大于第三阈值,即提升对前者情况的判断严苛度。
进一步地,所述判定所述特定类型的被监测对象为监护对象,包括:
从所述第二状态数据中提取得出特定类型的被监测对象的共网可穿戴设备信息,计算所述共网可穿戴设备信息与各所述伴随对象的重合度;
若所述重合度满足第五阈值,则判定特定类型的被监测对象为所述监护对象。
在本实施例中,多个配备了特定类型的被监测对象的群组可能会距离较近,甚至实施相同或类似的运动,这容易将其它邻接群组的监护对象误判别为与被监测对象关联的监护对象。对此,本发明在对第一情绪异常概率进行修正之前,先获取特定类型的被监测对象自身实时的共网可穿戴设备信息,即其目前正在监护的被监测对象的设备ID、人员编码等,如果其与前述确定出的被监测对象的各伴随对象的重合度足够高,则说明该特定类型的被监测对象的即为该被监测对象的配属,否则不是该被监测对象的配属。
其中,各特定类型的被监测对象在岗时会被实时分配若干个被监测对象,进而可以与这些被监测对象的可穿戴设备进行互联互通,组成一个局域网,局域网内的各可穿戴设备会将自身的数据共享给特定类型的被监测对象,通过向特定类型的被监测对象的设备发送请求信号即可获取到上述的共网可穿戴设备信息。另外,局域网内的可穿戴设备之间也可以发送状态数据,这样有利于后台分析服务器通过被监测对象的可穿戴设备直接获取到其他监测对象、特定类型的监测对象的上述相关数据,具体的共享及获取细节不再赘述。
如图2所示,本发明实施例的一种基于可穿戴设备的异常情绪识别系统,包括获取模块、处理模块、存储模块;所述处理模块与所述获取模块、所述存储模块连接;
所述存储模块,用于存储可执行的计算机程序代码;
所述获取模块,用于获取可穿戴设备采集的状态数据并传输给所述处理模块;
所述处理模块,用于通过调用所述存储模块中的所述可执行的计算机程序代码,执行如前任一项所述的方法。
本发明实施例还公开了一种电子设备,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,执行如前述实施例所述的方法。
本发明实施例还公开了一种计算机存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如前述实施例所述的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程负载均衡装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (9)
1.一种基于可穿戴设备的异常情绪识别方法,其特征在于,包括如下步骤:
接收可穿戴设备采集的第一状态数据,在所述第一状态数据超出正常范畴时,根据所述第一状态数据与所述正常范畴的偏差值得出第一情绪异常概率;
获取所述可穿戴设备采集的第二状态数据,根据所述第二状态数据对所述第一情绪异常概率进行修正,得出第二情绪异常概率;
根据所述第二情绪异常概率对异常情绪的存在与否进行判定;
其中,所述第一状态数据的时间跨度比所述第二状态数据的时间跨度小;
所述第二状态数据包括被监测对象的第一生理数据和第一运动数据;
则所述获取所述可穿戴设备采集的第二状态数据,根据所述第二状态数据对所述第一情绪异常概率进行修正,得出第二情绪异常概率,包括:
根据所述第一生理数据和所述第一运动数据分别拟合得出第一曲线和第二曲线,计算所述第一曲线和所述第二曲线的趋势匹配值;
若所述趋势匹配值未超过匹配阈值,则根据第一修正数据对所述第一情绪异常概率进行修正,得出所述第二情绪异常概率;
若所述趋势匹配值超过匹配阈值,则根据第二修正数据对所述第一情绪异常概率进行修正,得出所述第二情绪异常概率;
其中,所述第一修正数据大于所述第二修正数据,且所述第一修正数据大于或等于1,所述第二修正数据小于1。
2.根据权利要求1所述的一种基于可穿戴设备的异常情绪识别方法,其特征在于:在所述根据所述第一状态数据与所述正常范畴的偏差值得出第一情绪异常概率之前,包括:
根据所述第一状态数据提取得出若干筛选因素,根据各所述筛选因素从所述正常范畴中匹配得出正常指标组,所述正常指标组中包含若干正常指标范围;
计算所述第一状态数据中各状态子数据与对应的所述正常指标范围的偏差值,在任一所述偏差值超出偏差阈值时,判定所述第一状态数据超出正常范畴。
3.根据权利要求2所述的一种基于可穿戴设备的异常情绪识别方法,其特征在于:所述根据所述第一状态数据与所述正常范畴的偏差值得出第一情绪异常概率,包括:
对全部所述偏差值超出所述偏差阈值的所述状态子数据与预设的异常概率对照数据进行匹配计算;
若匹配成功,则根据匹配得出的异常概率对照数据得出所述第一情绪异常概率;
若匹配失败,则使用情绪异常识别模型对各所述状态子数据及对应的所述偏差值进行预测识别,根据预测识别结果得出所述第一情绪异常概率。
4.根据权利要求1所述的一种基于可穿戴设备的异常情绪识别方法,其特征在于:所述方法还包括:获取其它被监测对象的与所述第二状态数据时间关联的第三状态数据,所述第三状态数据包括第二生理数据和第二运动数据;
则所述获取所述可穿戴设备采集的第二状态数据,根据所述第二状态数据对所述第一情绪异常概率进行修正,得出第二情绪异常概率,还包括:
根据所述第二生理数据和所述第二运动数据分别拟合得出第三曲线和第四曲线;
计算所述第三曲线与所述第一曲线的第一匹配值,以及计算所述第四曲线与所述第二曲线的第二匹配值,若所述第一匹配值与所述第二匹配值均大于第一阈值,则判定所述其它被监测对象为伴随对象;
统计所述伴随对象的第一数量,根据所述第一数量确定第三修正数据,根据所述第一修正数据和所述第三修正数据对所述第一情绪异常概率进行修正,或根据所述第二修正数据和所述第三修正数据对所述第一情绪异常概率进行修正,得出所述第二情绪异常概率。
5.根据权利要求4所述的一种基于可穿戴设备的异常情绪识别方法,其特征在于:所述第二状态数据还包括特定类型的被监测对象的第三生理数据和第三运动数据;
则所述获取所述可穿戴设备采集的第二状态数据,根据所述第二状态数据对所述第一情绪异常概率进行修正,得出第二情绪异常概率,还包括:
根据所述第三生理数据和所述第三运动数据分别拟合得出第五曲线和第六曲线;
计算所述第五曲线与所述第一曲线的第三匹配值,以及计算所述第六曲线与所述第二曲线的第四匹配值,若所述第三匹配值与所述第四匹配值均大于第二阈值,则判定所述特定类型的被监测对象为监护对象;
和/或,
计算所述第五曲线与所述第三曲线的第五匹配值,以及计算所述第六曲线与所述第四曲线的第六匹配值,并统计所述第五匹配值与所述第六匹配值均大于第三阈值的第二数量,若所述第二数量大于第四阈值,则判定所述特定类型的被监测对象为监护对象;
统计所述监护对象的第三数量,根据所述第三数量确定第四修正数据,根据所述第一修正数据与所述第三修正数据和/或所述第四修正数据对所述第一情绪异常概率进行修正,或根据所述第二修正数据与所述第三修正数据和/或所述第四修正数据对所述第一情绪异常概率进行修正,得出所述第二情绪异常概率;
其中,所述第二阈值大于所述第三阈值。
6.根据权利要求5所述的一种基于可穿戴设备的异常情绪识别方法,其特征在于:所述判定所述特定类型的被监测对象为监护对象,包括:
从所述第二状态数据中提取得出特定类型的被监测对象的共网可穿戴设备信息,计算所述共网可穿戴设备信息与各所述伴随对象的重合度;
若所述重合度满足第五阈值,则判定特定类型的被监测对象为所述监护对象。
7.一种基于可穿戴设备的异常情绪识别系统,包括获取模块、处理模块、存储模块;所述处理模块与所述获取模块、所述存储模块连接;
所述存储模块,用于存储可执行的计算机程序代码;
所述获取模块,用于获取可穿戴设备采集的状态数据并传输给所述处理模块;
其特征在于:所述处理模块,用于通过调用所述存储模块中的所述可执行的计算机程序代码,执行如权利要求1-6任一项所述的方法。
8.一种电子设备,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;其特征在于:所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-6任一项所述的方法。
9.一种计算机存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311051383.0A CN116763312B (zh) | 2023-08-21 | 2023-08-21 | 一种基于可穿戴设备的异常情绪识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311051383.0A CN116763312B (zh) | 2023-08-21 | 2023-08-21 | 一种基于可穿戴设备的异常情绪识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116763312A CN116763312A (zh) | 2023-09-19 |
CN116763312B true CN116763312B (zh) | 2023-12-05 |
Family
ID=87986241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311051383.0A Active CN116763312B (zh) | 2023-08-21 | 2023-08-21 | 一种基于可穿戴设备的异常情绪识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116763312B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106580346A (zh) * | 2015-10-14 | 2017-04-26 | 松下电器(美国)知识产权公司 | 情绪推定方法和情绪推定装置 |
CN109416729A (zh) * | 2016-04-18 | 2019-03-01 | 麻省理工学院 | 从生理信号提取特征 |
JP2020006028A (ja) * | 2018-07-11 | 2020-01-16 | 株式会社東芝 | 電子機器、システムおよび体調推定方法 |
RU2711976C1 (ru) * | 2018-11-08 | 2020-01-23 | Инна Юрьевна Жовнерчук | Способ дистанционного распознавания и коррекции с помощью виртуальной реальности психоэмоционального состояния человека |
CN112022172A (zh) * | 2020-09-03 | 2020-12-04 | 北京中科心研科技有限公司 | 一种基于多模态生理数据的压力检测方法和装置 |
CN113425298A (zh) * | 2021-08-03 | 2021-09-24 | 北京雪扬科技有限公司 | 一种通过穿戴设备采集数据分析抑郁程度的方法 |
CN115153552A (zh) * | 2022-07-21 | 2022-10-11 | 中国医学科学院生物医学工程研究所 | 情绪状态评估方法、装置、电子设备及存储介质 |
CN115662631A (zh) * | 2022-10-26 | 2023-01-31 | 上海柚纯数字科技有限公司 | 基于ai智能判别的养老院管理系统 |
KR102495136B1 (ko) * | 2022-09-23 | 2023-02-06 | 주식회사 에이펀인터렉티브 | 사용자 추적 및 영상 분석을 이용한 메타버스 캐릭터 제작 시스템 |
CN115702791A (zh) * | 2021-08-16 | 2023-02-17 | 成都鼎桥通信技术有限公司 | 生理数据的处理方法、装置、可穿戴设备和可读存储介质 |
WO2023112384A1 (ja) * | 2021-12-16 | 2023-06-22 | 株式会社日立製作所 | 計算機システム及び情動推定方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10405786B2 (en) * | 2013-10-09 | 2019-09-10 | Nedim T. SAHIN | Systems, environment and methods for evaluation and management of autism spectrum disorder using a wearable data collection device |
KR20210034724A (ko) * | 2019-09-20 | 2021-03-31 | 삼성전자주식회사 | 생체 신호를 추정하는 전자 장치 및 그 방법 |
-
2023
- 2023-08-21 CN CN202311051383.0A patent/CN116763312B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106580346A (zh) * | 2015-10-14 | 2017-04-26 | 松下电器(美国)知识产权公司 | 情绪推定方法和情绪推定装置 |
CN109416729A (zh) * | 2016-04-18 | 2019-03-01 | 麻省理工学院 | 从生理信号提取特征 |
JP2020006028A (ja) * | 2018-07-11 | 2020-01-16 | 株式会社東芝 | 電子機器、システムおよび体調推定方法 |
RU2711976C1 (ru) * | 2018-11-08 | 2020-01-23 | Инна Юрьевна Жовнерчук | Способ дистанционного распознавания и коррекции с помощью виртуальной реальности психоэмоционального состояния человека |
CN112022172A (zh) * | 2020-09-03 | 2020-12-04 | 北京中科心研科技有限公司 | 一种基于多模态生理数据的压力检测方法和装置 |
CN113425298A (zh) * | 2021-08-03 | 2021-09-24 | 北京雪扬科技有限公司 | 一种通过穿戴设备采集数据分析抑郁程度的方法 |
CN115702791A (zh) * | 2021-08-16 | 2023-02-17 | 成都鼎桥通信技术有限公司 | 生理数据的处理方法、装置、可穿戴设备和可读存储介质 |
WO2023112384A1 (ja) * | 2021-12-16 | 2023-06-22 | 株式会社日立製作所 | 計算機システム及び情動推定方法 |
CN115153552A (zh) * | 2022-07-21 | 2022-10-11 | 中国医学科学院生物医学工程研究所 | 情绪状态评估方法、装置、电子设备及存储介质 |
KR102495136B1 (ko) * | 2022-09-23 | 2023-02-06 | 주식회사 에이펀인터렉티브 | 사용자 추적 및 영상 분석을 이용한 메타버스 캐릭터 제작 시스템 |
CN115662631A (zh) * | 2022-10-26 | 2023-01-31 | 上海柚纯数字科技有限公司 | 基于ai智能判别的养老院管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116763312A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10504036B2 (en) | Optimizing performance of event detection by sensor data analytics | |
CN110781914A (zh) | 一种设备故障的监控处理方法、装置、设备和存储介质 | |
CN113127305A (zh) | 异常检测方法及装置 | |
CN110008247B (zh) | 异常来源确定方法、装置、设备及计算机可读存储介质 | |
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN115600837A (zh) | 一种用于电器负荷异常的节能诊断方法 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN116955091A (zh) | 基于机器学习的数据中心故障检测系统 | |
US11457873B2 (en) | Method and apparatus for identifying homology of physiological signals | |
Chen et al. | Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection | |
CN116763312B (zh) | 一种基于可穿戴设备的异常情绪识别方法及系统 | |
CN117129815A (zh) | 一种基于物联网的多劣化绝缘子综合检测方法和系统 | |
CN117076869A (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
CN116434933A (zh) | 基于智慧医疗的智能护理远程数据处理方法及系统 | |
CN107204879B (zh) | 一种基于指数移动平均的分布式系统自适应故障检测方法 | |
CN114003466A (zh) | 一种用于微服务应用程序的故障根因定位方法 | |
CN113887911A (zh) | 一种异常身份识别方法及装置 | |
Susič et al. | Identification of decompensation episodes in chronic heart failure patients based solely on heart sounds | |
CN112750532A (zh) | 特征识别方法与电子装置 | |
CN116741414B (zh) | 一种异常情绪的智能缓解方法及系统 | |
WO2024027127A1 (zh) | 故障检测方法、装置、电子设备及可读存储介质 | |
US20230409422A1 (en) | Systems and Methods for Anomaly Detection in Multi-Modal Data Streams | |
CN116434511A (zh) | 基于穿戴式生物传感器的设备预警方法、装置及介质 | |
CN116740684A (zh) | 一种驾驶员状态监测方法、装置、设备及介质 | |
CN114723494A (zh) | 问卷处理结果的有效性判断方法、装置、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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: Room 203, No. 9, Lane 681, Haiyang Road, Pudong New Area, Shanghai, 200120 Patentee after: Shanghai Yingzhi Zhengneng Health Technology Co.,Ltd. Address before: Room 203, No. 9, Lane 681, Haiyang Road, Pudong New Area, Shanghai, 200120 Patentee before: Shanghai Yingzhi Zhengneng Culture Development Co.,Ltd. |