CN117204855A - 一种基于交互设备的用户心理状态评估方法及系统 - Google Patents

Abstract

本发明公开了一种基于交互设备的用户心理状态评估方法及系统，包括：首先，进行目标用户身份验证并获取对应的心理评估场景。然后，在用户正确佩戴交互设备的情况下，根据心理评估场景对交互设备进行初始化操作。接着，通过头戴式设备展示心理评估内容，并通过生理传感器采集设备收集用户对评估内容的反应生成的生理数据。最后，根据这些生理数据评估用户心理状态，并输出相应的心理状态改善策略。如此设计，实现了用户心理状态的实时、动态评估，突破了传统面对面咨询、心理测量表或问卷调查等评估方式的局限性，使得评估结果更为客观和准确。

Description

一种基于交互设备的用户心理状态评估方法及系统

技术领域

本发明涉及智能交互领域，具体而言，涉及一种基于交互设备的用户心理状态评估方法及系统。

背景技术

在心理健康领域，评估用户的心理状态是一个重要的任务。

传统的方法通常依赖于面对面的咨询、心理测量表或者问卷调查等方式进行，这些方法往往需要用户主观地描述自己的感受，因此可能会受到个体认知和记忆等因素的影响，导致结果并不准确。

此外，这些方法也存在一些局限性。

例如，面对面咨询需要专业的心理咨询师进行，但在许多地方，专业心理咨询资源相对匮乏，难以满足所有人的需求。

心理测量表或问卷调查虽然可以扩大覆盖范围，但往往需要用户花费较长时间完成，且只能提供静态的、瞬时的心理状态信息，无法反映出用户心理状态的动态变化。

因此，有必要发展一种新的用户心理状态评估方法，以解决上述问题。

该方法应能够实时、准确地评估用户的心理状态，同时还应能够为改善用户心理状态提供策略，从而更好地服务于用户的心理健康。

发明内容

本发明的目的在于提供一种基于交互设备的用户心理状态评估方法及系统。

第一方面，本发明实施例提供一种基于交互设备的用户心理状态评估方法，方法包括：

对目标用户进行身份验证，得到目标用户对应的心理评估场景；

响应于目标用户正确佩戴互设备，根据心理评估场景对交互设备进行初始化操作，交互设备包括头戴式显示设备以及至少一个生理传感器采集设备；

通过头戴式交互设备显示心理评估场景对应的心理评估内容，并通过生理传感器采集设备采集目标用户基于心理评估内容产生的生理传感器数据；

根据生理传感器数据对目标用户进行评估，得到目标用户对应的用户心理状态，并根据用户心理状态输出对应的心理状态改善策略。

第二方面，本发明实施例提供一种服务器系统，包括服务器，服务器用于执行第一方面的方法。

相比现有技术，本发明提供的有益效果包括：采用本发明实施例提供的一种基于交互设备的用户心理状态评估方法及系统，通过进行目标用户身份验证并获取对应的心理评估场景。

然后，在用户正确佩戴交互设备的情况下，根据心理评估场景对交互设备进行初始化操作。

接着，通过头戴式设备展示心理评估内容，并通过生理传感器采集设备收集用户对评估内容的反应生成的生理数据。

最后，根据这些生理数据评估用户心理状态，并输出相应的心理状态改善策略。

如此设计，实现了用户心理状态的实时、动态评估，突破了传统面对面咨询、心理测量表或问卷调查等评估方式的局限性，使得评估结果更为客观和准确。

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为本发明实施例提供的基于交互设备的用户心理状态评估方法步骤流程示意图；

图2为本发明实施例提供的计算机设备的结构示意框图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细说明。

为了解决前述背景技术中的技术问题，图1为本公开实施例提供的基于交互设备的用户心理状态评估方法的步骤流程示意图，下面对该基于交互设备的用户心理状态评估方法进行详细介绍。

步骤S201，对目标用户进行身份验证，得到目标用户对应的心理评估场景；

步骤S202，响应于目标用户正确佩戴互设备，根据心理评估场景对交互设备进行初始化操作，交互设备包括头戴式显示设备以及至少一个生理传感器采集设备；

步骤S203，通过头戴式交互设备显示心理评估场景对应的心理评估内容，并通过生理传感器采集设备采集目标用户基于心理评估内容产生的生理传感器数据；

步骤S204，根据生理传感器数据对目标用户进行评估，得到目标用户对应的用户心理状态，并根据用户心理状态输出对应的心理状态改善策略。

在本发明实施例中，首先，目标用户需要通过用户名和密码进行身份验证。

成功验证后，根据他之前的行为数据和基本信息，系统识别出他最可能的心理评估场景是“压力管理”。

接下来，目标用户被指导正确佩戴头戴式显示设备和生理传感器采集设备（例如心率监测器）。

确认他已正确佩戴后，系统会根据确定的"压力管理"评估场景，对设备进行初始化设置。

随后，头戴式设备开始展示与压力管理相关的心理评估内容，可能包括一些放松技巧的教学或高压情境的模拟。

同时，生理传感器采集设备开始收集目标用户在接受评估过程中的生理反应数据，如心率、皮肤电导率等。

最后，通过分析收集到的生理数据来评估目标用户的心理状态。

例如，如果他的心率在模拟高压情境下显著升高，那么他可能正在经历较大的压力。

然后，系统会根据评估结果为目标用户提供相应的心理状态改善策略，比如深呼吸、瑜伽等减压技巧，或者建议他寻求专业心理咨询师的帮助。

在本发明实施实施例中，前述步骤S204可以通过以下详细的实施方式执行实施。

（1）获取生理传感器数据；

（2）对生理传感器数据进行多维度分级识别，得到多个情绪维度的心理状态指标，并获取用于生成用户心理状态的样本扰动数据；

（3）分别对多个情绪维度中每个情绪维度的各心理状态指标执行特征提取操作，得到各心理状态指标的初级特征表示；

（4）分别将各心理状态指标确定为指标元素，并根据两两情绪维度之间的心理状态指标之间的指标依懒性，确定联系各指标元素的指标关系；

（5）将各心理状态指标的初级特征表示，分别确定为各指标元素的元素特征描述；

（6）根据各指标元素、联系各指标元素的指标关系以及各指标元素的元素特征描述，构建多维心理状态关系网；

（7）针对多维心理状态关系网中每个指标元素，确定目标指标元素的连接元素；目标指标元素为多个指标元素中的任一指标元素；

（8）对连接元素的元素特征描述和目标指标元素的元素特征描述进行根据图卷积网络的信息传递操作，确定连接元素以及目标指标元素的关注程度分数；

（9）根据关注程度分数，对连接元素的元素特征描述和目标指标元素的元素特征描述执行动态合并操作，得到优化后的目标指标元素的元素特征描述，根据优化后的各指标元素的元素特征描述，得到各心理状态指标的次级特征表示；

（10）对同一情绪维度的心理状态指标的次级特征表示执行融合操作，得到多个情绪维度各自的心理状态表示；

（11）将样本扰动数据确定为经过多阶段融合的扰动数据，从多阶段融合的结束阶段开始，根据第一个情绪维度的心理状态表示，对各个阶段输入的扰动数据进行反向的滤波操作，将对初始阶段输入的扰动数据进行滤波操作所得到的滤波结果，确定为第一个情绪维度输出的心理状态特征向量；

（12）在第一个情绪维度之后的每一情绪维度，根据上一情绪维度输出的心理状态特征向量和从第一个情绪维度到本情绪维度各自的心理状态表示，对样本扰动数据进行滤波操作，得到串联滤波后的心理状态特征向量；其中，每个情绪维度的滤波操作输出的心理状态特征向量的精细程度逐情绪维度降低；

（13）对串联滤波后的心理状态特征向量执行特征重构操作，得到用户心理状态。

在本发明实施例中，设备收集到目标用户的心率、皮肤电导率等生理数据。

将收集到的数据进行多维度的分析，例如：焦虑、快乐、愤怒、悲伤等，并获取相应的样本扰动数据，比如在不同环境下的生理反应变化。

对每个情绪维度进行特征提取，如在"焦虑"这个维度上，他的心率可能显著升高。

确定每个心理状态指标为指标元素，例如"焦虑下的心率升高"可以是一个指标元素。

然后根据情绪维度之间的依赖性确定它们之间的关系，对每个指标元素进行特征描述，比如"在压力环境下，目标用户的心率上升到了每分钟150次"。

利用所有收集到的信息来构建一个多维的心理状态关系网络，包括指标元素，指标关系和元素特征描述，选择一个目标指标元素，并确定与其相关的其他指标元素，也就是连接元素。

利用图卷积网络进行信息传递操作，计算出各个指标元素的关注程度分数。

将各个元素特征描述按照关注程度分数进行动态合并，形成优化后的元素特征描述。

这样就可以得到每个心理状态指标的次级特征表示，把同一情绪维度下的所有次级特征表示进行融合，得到该情绪维度的整体心理状态表示。

把样本扰动数据视为经过多阶段融合的扰动数据。

然后，从最后一阶段开始，系统会根据每个情绪维度的心理状态表示对扰动数据进行反向滤波操作。

通过这种方式，可以得到第一个情绪维度的心理状态特征向量。

在每一个情绪维度上进行滤波操作，得到串联滤波后的心理状态特征向量。

值得注意的是，随着情绪维度的增加，输出的心理状态特征向量的精细程度会逐渐降低，对所有得到的心理状态特征向量进行特征重构操作，以此得到目标用户的整体心理状态。

例如，通过以上步骤，可能得出目标用户处于高压力、中等焦虑、低快乐的心理状态。

在一种更为具体的实施方式中，首先，头戴式显示设备和生理传感器采集设备开始收集目标用户的生理数据，包括他的心率、血压、皮肤电导率等。

将这些生理数据转化成多个情绪维度的心理状态指标，如压力、焦虑、愉悦等，并收集相应的样本扰动数据，例如，他在观看放松视频时的心率变化和他在解决复杂问题时的心率变化。

在“压力”这个维度上，系统可能会观察到目标用户的心率在观看放松视频时与解决复杂问题时的差异，这就是一个初级特征表示。

将每个心理状态指标定义为一个指标元素，比如，“压力下心率变化”可能被定义为一个指标元素。

然后，系统会评估两个情绪维度之间的指标元素的相关性，比如，“压力”和“焦虑”可能有较高的相关性。

给出每个指标元素的元素特征描述，比如，“在压力环境下，目标用户的心率上升到了每分钟150次”。

使用上述所有信息构建出一个多维心理状态关系网，展示不同指标元素之间的相互联系。

在这个网络中，系统会选择一个目标指标元素（例如，“压力下的心率变化”），并找出与之相关联的其他指标元素。

运用图卷积网络技术，通过信息传递操作计算出每个指标元素对目标指标元素的影响权重，即关注程度分数。

根据关注程度分数对元素特征描述进行动态合并，得到了优化后的目标指标元素的元素特征描述，这就是次级特征表示。

例如，在“压力”这个维度上，系统将所有相关的次级特征表示（比如压力下心率变化、压力下血压变化等）进行融合，得到整体的“压力”状态表示。

确定样本扰动数据为经过多阶段融合的扰动数据。

然后，它从最后一阶段开始，对每个阶段输入的扰动数据进行反向滤波操作，得到每个情绪维度的心理状态特征向量。

在每一个情绪维度上进行滤波操作，这个过程是连续的，即每一个情绪维度的滤波结果会影响下一个情绪维度的滤波。

此外，每个情绪维度的滤波操作输出的心理状态特征向量的精细程度会逐渐降低。

所有的心理状态特征向量经过特征重构操作，得到目标用户的整体心理状态，例如“处于高压力、中等焦虑、低愉快的状态”。

值得说明的是，前述运用图卷积网络技术，通过信息传递操作计算出每个指标元素对目标指标元素的影响权重，即关注程度分数的步骤，可以通过以下详细的实施方式执行实施。

假设在构建的多维心理状态关系网中，选定“压力下心率变化”为目标指标元素。

该网络中还包括其他与之相关的指标元素，比如“压力下血压变化”、“压力下皮肤电导率变化”。

在这个步骤中，系统将运用图卷积网络技术。

图卷积网络是一种特殊的深度学习模型，适用于处理图结构的数据。

在的场景中，每个指标元素就是图中的一个节点，它们之间的联系就是图中的边。

首先，系统会通过信息传递操作来计算每个指标元素对目标指标元素的影响权重。

具体来说，系统会考察每个指标元素与目标指标元素的连接强度（例如，血压变化和心率变化可能有很强的连接，因为它们都受到压力的影响），以及每个指标元素本身的重要性（例如，如果皮肤电导率变化在评估压力水平时被认为不太重要，则其权重可能较低）。

然后，系统会根据上述信息来计算出每个指标元素对目标指标元素的影响权重，即关注程度分数。

比如，“压力下血压变化”的关注程度分数可能是0.7，“压力下皮肤电导率变化”的关注程度分数可能是0.3。

这意味着在评估“压力下心率变化”时，“压力下血压变化”的影响被认为更大。

通过这种方式，系统可以考虑到各个指标元素对目标指标元素的相对影响，从而使得评估结果更为准确。

值得说明的是，前述根据关注程度分数对元素特征描述进行动态合并，得到了优化后的目标指标元素的元素特征描述，即次级特征表示的步骤，可以通过以下具体的步骤执行实施。

设定“压力下心率变化”为目标指标元素。

在这个步骤中，系统已经计算出了与它相关的其他指标元素的关注程度分数，比如，“压力下血压变化”的关注程度分数是0.7，“压力下皮肤电导率变化”的关注程度分数是0.3。

接下来，系统会根据这些关注程度分数对各个指标元素的元素特征描述进行动态合并。

具体来说，它可能会给予关注程度分数较高的元素特征描述更大的权重。

例如，“压力下血压变化”的元素特征描述可能会占据主导地位，而“压力下皮肤电导率变化”的元素特征描述则占据较小的权重。

通过这种动态合并操作，系统可以得到一个全新的、综合了多个指标元素信息的特征描述，这就是目标指标元素的优化后元素特征描述。

比如，这个描述可能是“在压力环境下，目标用户的心率和血压都显著升高，但皮肤电导率变化不大”。

最后，这个优化后的元素特征描述就成为了目标指标元素的次级特征表示。

在后续的处理中，它将被用来代表“压力下心率变化”这个指标元素，以便更准确地反映出目标用户的心理状态。

值得说明的是，前述例在“压力”这个维度上，系统将所有相关的次级特征表示（比如压力下心率变化、压力下血压变化等）进行融合，得到整体的“压力”状态表示。

可以通过以下示例实施。

在此前的步骤中，系统已经为“压力”维度下的每个指标元素（例如，“压力下心率变化”和“压力下血压变化”）得到了次级特征表示。

这些次级特征表示是通过关注程度分数动态合并后的结果，它们更准确地反映了目标用户在压力情况下的生理反应。

然后，系统会将这些次级特征表示进行融合。

具体来说，它可能会考虑各个次级特征表示的重要性，并赋予它们相应的权重。

比如，如果系统认为心率变化对于评估压力水平更重要，那么“压力下心率变化”的次级特征表示就会被赋予较大的权重。

通过这种融合操作，系统可以得到一个全新的、综合了多个次级特征表示的特征描述。

这个特征描述能够全面反映出目标用户在压力环境下的整体状态，因此，它被称为“压力”状态表示。

比如，这个“压力”状态表示可能是：“在压力环境下，目标用户的心率和血压都显著升高，但皮肤电导率变化不大；因此，认为他的压力水平较高”。

这样的表示更全面地反映了目标用户在压力环境下的生理和心理状态。

值得说明的是，前述首先确定样本扰动数据为经过多阶段融合的扰动数据。

然后，它从最后一阶段开始，对每个阶段输入的扰动数据进行反向滤波操作，得到每个情绪维度的心理状态特征向量的步骤，可以通过以下示例实施。

首先，系统需要处理的样本扰动数据是多阶段融合后的数据。

在的例子中，这些数据可能包括目标用户在各种压力情境下（如看恐怖电影、解决复杂问题等）的生理反应，比如心率、血压和皮肤电导率的变化。

接着，系统将从最后一阶段开始进行反向滤波操作。

具体来说，它会首先考虑最后一个情绪维度（例如“愉悦”），并对该维度的扰动数据进行滤波。

滤波的目标是找出那些对“愉悦”状态有重要影响的特征，而忽略那些无关或不太相关的特征。

然后，系统会将得到的滤波结果作为输入，进入下一阶段（也就是上一个情绪维度）。

在这个阶段，系统会再次进行滤波操作，以获取新的心理状态特征向量。

这个过程将一直持续到第一个情绪维度（例如“压力”）。

通过这种方式，系统能够从复杂的、多阶段的扰动数据中提取出有意义的特征，并将它们组织成心理状态特征向量。

这些特征向量能够更准确地反映目标用户在各个情绪维度下的心理状态，从而为后续的心理状态评估提供依据。

值得说明的是，前述会在每一个情绪维度上进行滤波操作，这个过程是连续的，即每一个情绪维度的滤波结果会影响下一个情绪维度的滤波。

此外，每个情绪维度的滤波操作输出的心理状态特征向量的精细程度会逐渐降低的步骤，可以通过以下示例实施。

假设在的例子中，系统处理的情绪维度包括“压力”、“焦虑”和“愉悦”，并且它们按照这个顺序进行处理。

在每一个情绪维度上，系统都会对扰动数据进行滤波操作，从而得到该维度的心理状态特征向量。

首先，系统会在“压力”这个维度上进行滤波。

在这个阶段，系统可能会提取出那些与“压力”状态密切相关的特征，比如心率的增加、血压的升高等。

然后，系统会将“压力”维度的滤波结果作为输入，进入“焦虑”这个维度的滤波操作。

在这个阶段，系统会考虑到“压力”维度的滤波结果，并据此调整“焦虑”维度的滤波策略。

比如，如果“压力”维度的滤波结果显示目标用户的心率显著升高，那么在“焦虑”维度的滤波时，系统可能会更关注那些与心率变化相关的特征。

最后，系统会进入“愉悦”这个维度的滤波操作。

在这个阶段，系统会考虑到“压力”和“焦虑”两个维度的滤波结果，并据此调整“愉悦”维度的滤波策略。

通过这种连续的、依赖于前一阶段结果的滤波操作，系统可以更准确地提取出各个情绪维度下的心理状态特征向量。

同时，每个情绪维度的滤波操作输出的心理状态特征向量的精细程度会逐渐降低。

这是因为，随着滤波操作的进行，系统已经获取了越来越多的信息，因此，对于后面的情绪维度，它可能不需要提取那么多的特征。

值得说明的是，前述所有的心理状态特征向量经过特征重构操作，得到目标用户的整体心理状态，例如“处于高压力、中等焦虑、低愉快的状态的步骤，可以通过以下示例实施。

首先，需要收集目标用户的各种心理状态数据。

这些数据可能来自于各种源，比如他的日常活动、生理反应（例如心率、血压）、自我报告的情绪状态等。

然后，会根据收集到的数据为每一种心理状态创建一个特征向量。

比如，可能会创建一个“压力”特征向量，它包含了工作量、睡眠质量、生理反应等因素；还可能创建一个“焦虑”特征向量，它包含了未来事件的不确定性、自我评价等因素；同样，也会创建一个“愉快”特征向量，它包含了社交活动、积极思考等因素。

接下来是特征重构操作，将所有的心理状态特征向量进行整合，形成一个更高层次的整体心理状态特征向量。

这一步可能涉及到某种形式的数学操作，例如加权平均、主成分分析（PCA）等，这取决于希望如何将这些特征组合在一起。

最后，解读得到的整体心理状态特征向量，将其转化为可以理解的语言。

例如，如果压力特征的值相对较高，焦虑特征的值处于中等水平，而愉快特征的值相对较低，就可以说目标用户“处于高压力、中等焦虑、低愉快的状态”。

通过以上步骤，能够从各个不同的心理状态特征向量，经过特征重构操作，得到一个更全面的表示个体当前心理状态的整体特征向量，并进行相应的解读。

在本发明实施例中，多个情绪维度包括宏观情绪维度、微观情绪维度以及情绪表达维度；前述对生理传感器数据进行多维度分级识别，得到多个情绪维度的心理状态指标的步骤，可以通过以下步骤执行实施。

（1）将生理传感器数据确定为宏观情绪维度的心理状态指标，并从生理传感器数据中提取出生理指标类型和与生理指标类型对应的指标衡量值；

（2）将生理指标类型确定为微观情绪维度的心理状态指标，并将与生理指标类型对应的指标衡量值，确定为情绪表达维度的心理状态指标。

在本发明实施例中，首先，将所有的生理传感器数据视为反映宏观情绪状态的指标。

例如，可能会认为，心率和血压的高低可以大致反映一个人的紧张或放松状态，因此，它们就是宏观情绪维度的心理状态指标。

在这个过程中，需要提取出生理指标类型（如心率、血压）和与这些类型对应的指标衡量值（如心率值、血压值）。

然后，将生理指标类型视为反映微观情绪状态的指标。

例如，心率可能会反映出人的焦虑程度，血压可能会反映出人的压力水平，因此，它们就是微观情绪维度的心理状态指标。

最后，将与生理指标类型对应的指标衡量值视为反映情绪表达状态的指标。

例如，心率值和血压值的具体数值可以反映出人的情绪强度，比如心率越高、血压越高，可能说明人的焦虑或压力越大，因此，这些数值就是情绪表达维度的心理状态指标。

在本发明实施例中，还提供以下示例。

（1）在得到用户心理状态的情况下，响应于对多维心理状态关系网中联系各指标元素的指标关系的指标关系影响因子修正指示，对指标关系影响因子修正指示所表征的指标关系的指标关系影响因子执行修正操作，得到优化的多维心理状态关系网；

（2）利用图卷积网络，优化优化的多维心理状态关系网中各指标元素的元素特征描述，根据优化后的各指标元素的元素特征描述，得到各心理状态指标的高级特征表示；

（3）对同一情绪维度的心理状态指标的高级特征表示执行融合操作，得到多个情绪维度各自的优化后心理状态表示；

（4）根据多个情绪维度各自的优化后心理状态表示，生成重新配置后用户心理状态。

在本发明实施例中，在得到用户目标用户的心理状态后，可能会收到一些修正指示，要求调整多维心理状态关系网中的指标关系影响因子。

比如，可能发现"焦虑"与"压力"之间的关系比预期的要强烈，所以需要增大这两个元素之间的权重。

这样的修正操作将使得到一个优化过的多维心理状态关系网。

然后，可以使用图卷积网络来优化多维心理状态关系网中各指标元素的元素特征描述。

GCN是一种强大的神经网络架构，可以捕获图中节点（在的例子中，节点就是心理状态指标）之间的复杂关系。

通过GCN，可以得到每个心理状态指标的高级特征表示。

接下来，可以对同一情绪维度的心理状态指标的高级特征表示执行融合操作。

例如，可能会把"压力"和"焦虑"这两个都属于负面情绪的指标进行融合，得到一个优化后的负面情绪状态表示。

同样，也可以把所有正面情绪的指标融合，得到一个优化后的正面情绪状态表示。

最后，根据各个情绪维度的优化后心理状态表示，可以生成重新配置后的用户心理状态。

例如，如果优化后的负面情绪状态表示很强烈，而正面情绪状态表示较弱，就可以说目标用户当前的心理状态是“高度焦虑、压力大、情绪低落”。

这个过程可以帮助更准确地理解和描绘用户的心理状态，并对其进行有效的干预和帮助。

在一种更为具体的实施方式中，例如，目标用户的心理状态特征向量包括"压力"、"焦虑"和"愉快"。

每个特征向量都是由一系列相关数据点构成的。

接下来，假设在收集并分析了一段时间的数据后，发现目标用户的"焦虑"状态经常伴随着"压力"状态的增加。

换句话说，发现这两个状态之间的关联度（或者称之为影响因子）比预期的要强烈。

也就是说，当目标用户感到压力大的时候，他的焦虑水平通常也会显著提高。

因此，可能会收到修正指示，要求调整多维心理状态关系网中的"压力"和"焦虑"之间的关系影响因子。

具体来说，需要增大这两个元素之间的权重，以更准确地反映出它们之间的紧密联系。

例如，如果原来"压力"和"焦虑"之间的权重是0.5，那么可能需要将其提升到0.7或0.8，以更好地反映出目标用户在面临压力时也会感到更强烈的焦虑。

通过这样的修正操作，得到了一个优化过的多维心理状态关系网。

这个网络更准确地反映了目标用户各种心理状态之间的实际关系，从而可以更好地帮助理解和预测他的心理状态变化。

多维心理状态关系网可以被视为一个图（Graph），其中的每个节点代表一个心理状态指标，例如"压力"、"焦虑"和"愉快"。

每一对节点之间的边表示这两个指标之间的关系影响因子，也就是之前提到的权重。

现在，假设已经根据实际数据调整了这些权重，得到了一个优化过的多维心理状态关系网。

接下来，可以使用图卷积网络（Graph Convolutional Networks, GCN）来进一步优化每个指标元素的特征描述。

GCN是一种神经网络架构，它能够考虑图中节点的拓扑结构以及节点的特征，生成每个节点的新的特征表示。

在的例子中，这意味着GCN可以考虑"压力"、"焦虑"和"愉快"之间的关系，以及它们各自的特性（例如，目标用户的压力水平通常如何随时间变化，或者当他感到压力时他的焦虑程度会增加多少等），然后生成一个新的，高级的特征表示。

例如，原始的"压力"特征可能只包含目标用户每天报告的压力级别。

但是，通过GCN，可以得到一个新的"压力"特征，它可能包含了更多信息，例如目标用户在一天中不同时间感到压力的频率，或者他在工作日和周末感到压力的差异等。

通过这种方式，GCN可以帮助捕获更复杂、更深层次的心理状态特征，从而提供更准确的用户心理状态分析。

目标用户的心理状态特征向量包括"压力"、"焦虑"和"愉快"。

这些特征都已经通过图卷积网络（GCN）得到了高级的特征表示。

接下来，可以开始执行融合操作，把属于同一情绪维度的心理状态指标进行融合。

例如，可能会认为"压力"和"焦虑"都属于负面情绪的指标。

所以，将这两个高级特征表示进行融合，生成一个新的负面情绪状态表示。

具体来说，这个融合操作可能涉及到一些数学技术，如加权平均或者主成分分析等。

比如，可能会给"压力"和"焦虑"分别赋予不同的权重，然后计算它们的加权平均值，得到负面情绪状态表示。

同时，假设还有其他正面情绪的指标，比如"愉快"和"满足"等。

也可以用同样的方式把它们融合，得到一个优化后的正面情内状态表示。

这样，就得到了两个新的心理状态表示：一个反映目标用户的负面情绪状态，另一个反映他的正面情绪状态。

这两个新的表示能够更全面、更深入地反映目标用户的心理状态，帮助更好地理解和预测他的行为和需求。

对目标用户的各个情绪维度进行了优化处理，得到了负面情绪状态表示和正面情绪状态表示。

现在，可以根据这些信息生成目标用户的重新配置后的心理状态。

具体来说，会比较负面情绪状态表示和正面情绪状态表示的强度。

如果优化后的负面情绪状态表示很强烈，而正面情绪状态表示较弱，就可以说目标用户当前的心理状态是“高度焦虑、压力大、情绪低落”。

例如，假设负面情绪状态表示的值为0.8（在0-1的范围内，1表示最强烈），而正面情绪状态表示的值为0.2，那么就可以得出上述结论。

相反，如果正面情绪状态表示的强度大于负面情绪状态表示，比如正面情绪状态表示的值为0.7，而负面情绪状态表示的值为0.3，就可以说目标用户当前的心理状态是"轻松愉快、精力充沛"。

总的来说，可以通过比较和分析各个情绪维度的优化后心理状态表示，生成更准确、更全面的用户心理状态，从而提供更好的用户服务或进行更精确的行为预测。

在本发明实施例中，前述针对于多阶段融合中的各个阶段，对目标扰动阶段输入的扰动数据进行的滤波操作的步骤可以通过以下方式实施。

（1）对目标扰动阶段的迭代间隔执行特征提取操作，得到扰动阶段向量；

（2）对第一个情绪维度的心理状态表示和扰动阶段向量执行组合操作，得到扰动指标参量；

（3）根据扰动指标参量，对目标扰动阶段输入的扰动数据进行滤波操作，得到滤波结果。

在本发明实施例中，首先，针对目标扰动阶段（比如"压力"阶段）的迭代间隔执行特征提取操作。

这可能包括从目标用户最近的行为数据或生理反应数据中提取相关特征，然后将这些特征整合成一个扰动阶段向量。

接下来，将第一个情绪维度（比如"焦虑"）的心理状态表示与刚才得到的扰动阶段向量进行组合。

这个组合操作可能是简单的拼接，也可能涉及更复杂的数学运算。

得到的结果称为扰动指标参数。

最后，根据扰动指标参数对目标扰动阶段输入的扰动数据进行滤波操作。

滤波操作的目的是消除噪声，提高数据的可用性。

比如，可能会使用移动平均滤波器来消除数据中的随机波动，或者使用带通滤波器来筛选出特定频率范围内的数据。

得到的结果就是滤波结果。

通过这个过程，能够在每个阶段都对新进入系统的扰动数据进行处理，从而实时更新目标用户的心理状态表示。

这样，无论何时，都可以获得最准确、最新的用户心理状态信息。

在一种更加详细的实施方式中，假设正在关注的目标扰动阶段是"压力"阶段，迭代间隔可以理解为在一定时间段内收集的目标用户的数据。

这个时间段可以根据实际情况设定，例如一天、一周或一个月等。

特征提取操作的目标是从目标用户在这个时间段内的行为数据或生理反应数据中提取出与"压力"相关的特征。

例如：行为数据可能包括目标用户的工作时长、睡眠质量和时间、运动量等。

可以从中提取出一些特征，如平均每天工作多少小时，每晚睡眠多久等。

生理反应数据可能包括心率、血压等。

这些数据可以帮助了解目标用户在一天中不同时间的生理状态，比如他在工作时期的心率是否会显著升高。

然后，将这些特征整合成一个向量，也就是扰动阶段向量。

例如，这个向量可能看起来像这样：[每天工作8小时，每晚睡眠6小时，工作时心率80次/分钟]。

这个扰动阶段向量能够为提供有关目标用户当前"压力"状态的详细信息。

接下来的步骤是将第一个情绪维度（比如"焦虑"）的心理状态表示与扰动阶段向量进行组合。

这个过程可以帮助在理解目标用户的压力状态的同时，也考虑到他的焦虑状态。

假设已经有了"焦虑"状态的心理状态表示，例如[每天担忧未来4小时，每晚失眠2小时]。

也有了前面提到的扰动阶段向量，即"压力"阶段向量：[每天工作8小时，每晚睡眠6小时，工作时心率80次/分钟]。

然后，就可以将这两个向量进行组合。

这个组合操作可能很简单，比如直接将两个向量拼接在一起，形成一个更长的向量：[每天工作8小时，每晚睡眠6小时，工作时心率80次/分钟，每天担忧未来4小时，每晚失眠2小时]。

或者，组合操作可能涉及到更复杂的数学运算。

例如，可能会对这两个向量进行加权平均，其中的权重反映了认为"压力"和"焦虑"在目标用户整体心理状态中的相对重要性。

无论使用哪种方法，得到的结果都称为扰动指标参数。

这个参数将"压力"和"焦虑"两个情绪维度的信息结合在一起，为提供了一个更全面的视角来理解和预测目标用户的心理状态。

滤波操作是数据处理中的一个重要步骤，其目的是消除噪声，提高数据的质量和可用性。

在的例子中，这个步骤涉及到对扰动数据（也就是关于目标用户的新信息）的处理。

假设正在接收实时的扰动数据，比如目标用户的心率数据、工作时长或睡眠时间等。

这些数据可能会受到各种因素的影响，产生随机波动。

例如，如果目标用户刚好在跑步，那么他的心率数据可能会暂时升高；如果他熬夜加班，那么他的工作时长和睡眠时间也可能出现异常。

为了消除这些噪声，可以根据扰动指标参数对这些扰动数据进行滤波操作。

例如：可能会使用移动平均滤波器来消除数据中的随机波动。

这种滤波器通过计算数据的滑动窗口平均值来平滑数据。

例如，可能会对目标用户过去一周的心率数据计算平均值，以得到更稳定的心率指标。

或者，可能会使用带通滤波器来筛选出特定频率范围内的数据。

这种滤波器只允许某个特定频率范围的信号通过，可以帮助关注目标用户的长期行为模式，而忽略短期的波动。

例如，可能会筛选出目标用户每天工作时长在8-10小时之间的数据，而忽略那些异常的长时间加班数据。

无论使用哪种方法，得到的结果都是滤波结果。这个结果将包含更准确、更可靠的信息，帮助更好地理解和预测目标用户的心理状态。

在本发明实施例中，前述根据扰动指标参量，对目标扰动阶段输入的扰动数据进行滤波操作，得到滤波结果的步骤，可以通过以下示例实现。

（1）根据扰动指标参量和目标扰动阶段输入的扰动数据，对目标扰动阶段相应的适配干扰执行分析操作，得到目标扰动阶段相应的第一目标适配干扰；

（2）根据第一目标适配干扰，对目标扰动阶段输入的扰动数据进行滤波操作，得到滤波结果。

在本发明实施例中，首先，根据扰动指标参数和目标扰动阶段输入的扰动数据，对目标扰动阶段相应的适配干扰执行分析操作。

假设扰动指标参数是[每天工作8小时，每晚睡眠6小时，工作时心率80次/分钟，每天担忧未来4小时，每晚失眠2小时]，而新输入的扰动数据是目标用户今天的行为数据，比如他工作了10小时，睡眠5小时，最高心率达到90次/分钟等。

在这个步骤中，需要分析这些数据，并确定适配干扰。

适配干扰可以理解为一种模式或趋势，它描述了新的扰动数据与扰动指标参数之间的差异。

例如，可能会发现目标用户的工作时间和心率都超过了平均水平，这就是一个适配干扰。这个过程得到的结果称为第一目标适配干扰。

接下来，根据第一目标适配干扰，对目标扰动阶段输入的扰动数据进行滤波操作。

例如，如果发现目标用户的工作时间和心率都超过了平均水平，可能会认为这是由于某种临时的情况导致的（比如项目截止日期临近），而不是他常态下的行为模式。

因此，可能会对这些数据进行滤波处理，以消除这种短期的影响。

滤波操作可以采用各种方法，比如移动平均滤波、带通滤波等。

无论使用哪种方法，最终得到的结果就是滤波结果。

这个结果将更准确地反映目标用户的真实心理状态，帮助做出更好的预测和决策。

在本发明实施例中，用户心理状态是基于预先完成训练的心理状态进程解析模型确定的，心理状态进程解析模型包括串联滤波单元和重构网络；串联滤波单元用于进行每一情绪维度的滤波操作，得到串联滤波后的心理状态特征向量；重构网络用于对串联滤波后的心理状态特征向量执行特征重构操作，得到用户心理状态。

在本发明实施例中，串联滤波单元：这一部分用于对每一情绪维度进行滤波操作。

例如，之前提到的"压力"、"焦虑"和"愉快"就是三个不同的情绪维度。

对于每一个维度，都会使用滤波单元进行处理，以消除噪声并提高数据质量。

在的例子中，假设已经得到了目标用户的心理状态特征向量，比如[每天工作8小时，每晚睡眠6小时，工作时心率80次/分钟，每天担忧未来4小时，每晚失眠2小时]。

将这个向量输入到串联滤波单元中，进行滤波操作。

滤波操作可能包括移动平均滤波、带通滤波等。

最终，得到了串联滤波后的心理状态特征向量。

重构网络：这一部分用于对串联滤波后的心理状态特征向量执行特征重构操作。

特征重构的目的是把原始的特征向量转换成一个新的形式，这个新的形式能够更好地反映用户的心理状态。

在的例子中，将串联滤波后的心理状态特征向量输入到重构网络中。

这个网络可能是一个深度神经网络，它已经在大量的训练数据上进行过训练，学习了如何有效地把原始特征向量转换成用户心理状态的表示。

最终，得到了目标用户的心理状态，例如"高度焦虑、压力大、情绪低落"等。

通过这样的流程，可以利用预先训练好的模型，从复杂、多维的心理状态特征向量中提取出有意义的信息，然后将这些信息转换成对用户心理状态的精确描述。

在本发明实施例中，串联滤波单元是通过以下方式获取的。

（1）获取多个样本数据；

（2）针对于多个样本数据中每一个样本数据，对目标样本数据中的样本生理传感器数据进行多维度分级识别，得到多个情绪维度的样本心理状态指标；

（3）对多个情绪维度的样本心理状态指标执行特征提取操作，得到多个情绪维度各自的样本心理状态表示；

（4）对目标样本数据中的心理状态进程分别进行多个处理阶段的心理状态映射，得到多个处理阶段各自的心理状态潜在特征，多个处理阶段与多个情绪维度两两匹配；多个处理阶段中每一处理阶段的处理深度随处理阶段增加；

（5）分别对多个处理阶段各自的心理状态潜在特征执行特征重构操作，得到与多个情绪维度对应的潜在情绪描述；

（6）根据多个情绪维度各自的样本心理状态表示和与多个情绪维度对应的潜在情绪描述，对原始滤波单元进行训练，得到串联滤波单元。

在本发明实施例中，首先，需要收集大量的样本数据。

这些数据可能包括目标用户的生理数据（如心率、血压等）、行为数据（如工作时长、睡眠质量等）以及他自我报告的情绪状态等。

然后，对于每一个样本数据，需要对其中的样本生理传感器数据进行多维度分级识别，得到多个情绪维度的样本心理状态指标。

例如，可能会把心率和血压数据映射到"焦虑"这个情绪维度，把工作时长和睡眠质量数据映射到"压力"这个情绪维度。

接下来，对这些样本心理状态指标执行特征提取操作，得到每个情绪维度的样本心理状态表示。

这可能涉及到一些统计方法或者机器学习算法，如主成分分析、支持向量机等。

之后，对目标样本数据中的心理状态进程进行多个处理阶段的心理状态映射，得到每个处理阶段的心理状态潜在特征。

这些处理阶段应该与情绪维度两两匹配，且每一处理阶段的处理深度随处理阶段增加。

然后，对这些心理状态潜在特征执行特征重构操作，得到与每个情绪维度对应的潜在情绪描述。

这个过程可能涉及到一些深度学习技术，如自编码器、生成对抗网络等。

最后，根据每个情绪维度的样本心理状态表示和对应的潜在情绪描述，对原始滤波单元进行训练，得到串联滤波单元。

这个过程可能涉及到一些监督学习算法，如反向传播、随机梯度下降等。

经过以上步骤，就得到了串联滤波单元。

这个单元可以用于对新的样本数据进行处理，帮助更好地理解和预测用户的心理状态。

在一种更具体的实施方式中，将每一个样本数据中的生理传感器数据映射到不同的情绪维度。

这是因为各种生理和行为指标可能与所关注的不同情绪状态有关。

假设正在处理目标用户一天中的生理和行为数据。

这些数据可能包括他的心率、血压、工作时长、睡眠质量等。

的目标是把这些数据映射到多个情绪维度，如"焦虑"、"压力"等。

"焦虑"维度：研究表明，人们在焦虑时，生理上常常会出现心率加快、血压升高等现象。

因此，可以把目标用户的心率和血压数据映射到"焦虑"这个情绪维度。

具体来说，如果他的心率和血压都较高，那么可能会认为他在经历较强的焦虑；反之，如果这些数值都在正常范围内，那么他可能并不特别焦虑。

"压力"维度：压力水平往往与工作负荷和休息情况有关。

因此，可以把目标用户的工作时长和睡眠质量数据映射到"压力"这个情绪维度。

比如，如果他每天工作超过8小时，且睡眠时间少于6小时，那么可能会认为他正面临较大的压力。

通过这种多维度分级识别，可以从各个角度理解目标用户的心理状态，得到多个情绪维度的样本心理状态指标，进一步帮助准确地预测和理解他的心理状态。

在获取了样本心理状态指标后，需要对这些指标进行特征提取操作，得到每个情绪维度的样本心理状态表示。

这个过程可以使用各种统计方法或机器学习算法。

例如，假设正在处理"焦虑"和"压力"两个情绪维度。

已经有了目标用户在这两个维度上的心理状态指标，如心率、血压（映射到"焦虑"），工作时长、睡眠质量（映射到"压力"）。

接下来，就可以对这些数据进行特征提取：主成分分析（PCA）：这是一种常用的降维技术，可以帮助从大量的特征中提取出最重要的信息。

例如，可能会发现心率和血压高低总是同时变化，那么就可以用一个新的特征（主成分）来代替它们。

同样，如果目标用户的工作时长和睡眠质量总是成反比，那么也可以用一个新的特征来代替它们。

这样，就可以用更少的特征来描述目标用户的心理状态，而且不会丢失太多信息。

支持向量机（SVM）：这是一种监督学习算法，可以用于分类或回归问题。

在的例子中，如果有足够的标注数据（即，对应每个样本心理状态指标的情绪状态标签），那么可以使用SVM来学习一个模型，这个模型能够根据心理状态指标预测目标用户的情绪状态。

例如，可能会训练一个SVM模型，当输入是[心率，血压]时，输出是"焦虑"的程度；当输入是[工作时长，睡眠质量]时，输出是"压力"的程度。

通过以上步骤，就得到了每个情绪维度的样本心理状态表示。

这些表示更简洁、更有效，可以帮助更好地理解和预测目标用户的心理状态。

在完成了特征提取后，将对目标样本数据中的心理状态进程进行多个处理阶段的心理状态映射，以得到每个处理阶段的心理状态潜在特征。

假设正在处理"焦虑"和"压力"两个情绪维度，并且已经通过主成分分析或支持向量机等方法得到了每个维度的样本心理状态表示。

这些表示可能是一种抽象的形式，比如一个数值或者一个向量，它们反映了目标用户在各个情绪维度上的状态。

然后，会设计多个处理阶段，每个阶段都针对一个情绪维度进行处理。

例如，第一阶段可能是针对"焦虑"状态的处理，第二阶段可能是针对"压力"状态的处理。

在每个阶段，会用某种方法（如深度学习模型）对心理状态表示进行进一步的转换，以得到该阶段的心理状态潜在特征。

这些处理阶段与情绪维度应该两两匹配，也就是说，每个处理阶段都对应一个情绪维度。

而且，每一处理阶段的处理深度随处理阶段增加，这意味着在后面的阶段，可能会对数据进行更复杂、更深入的处理。

例如，"焦虑"状态的处理可能只涉及到基础的特征转换，如将心率和血压的数值转换为一个"焦虑指数"；而"压力"状态的处理可能会更复杂，比如可能会考虑工作时长和睡眠质量之间的相互影响，或者使用深度神经网络来提取更高级的特征。

通过这样的处理，可以得到每个处理阶段的心理状态潜在特征。

这些特征反映了目标用户在各个情绪维度上的更深层次的信息，帮助更好地理解和预测他的心理状态。

在得到每个处理阶段的心理状态潜在特征后，需要对这些特征进行重构操作，以得到与每个情绪维度对应的潜在情绪描述。

这个过程可能涉及到一些深度学习技术，如自编码器、生成对抗网络等。

以下是两个可能的例子：自编码器：这是一种深度学习模型，它能够学习输入数据的压缩表示，并使用这个压缩表示来重构原始数据。

在的例子中，可以训练一个自编码器来学习心理状态潜在特征的压缩表示，然后用这个表示来重构潜在情绪描述。

例如，假设已经得到了"焦虑"和"压力"两个情绪维度的潜在特征。

可以把这些特征输入到自编码器中，让它学习如何用更少的信息（即压缩表示）来描述这些特征。

然后，可以用这个压缩表示来重构出更直观、更容易理解的潜在情绪描述，比如"高度焦虑、压力大"等。生成对抗网络（GAN）：这是一种复杂的深度学习模型，它包括一个生成器和一个判别器。

生成器的任务是产生看起来像真实数据的假数据，而判别器的任务是区分出真实数据和假数据。

在的例子中，可以使用GAN来生成更具体、更详细的潜在情绪描述。

例如，可以把心理状态潜在特征输入到GAN的生成器中，让它生成一种看起来像真实情绪描述的假描述。

然后，可以用这个假描述来帮助理解和预测目标用户的情绪状态。

通过以上步骤，可以从原始的样本数据中提取出有价值的信息，并将这些信息转换成对用户心理状态的直观描述。

这对于理解和预测用户的心理状态非常有帮助。

在完成了特征重构和获取潜在情绪描述后，需要对原始滤波单元进行训练，得到串联滤波单元。

这个过程涉及到每个情绪维度的样本心理状态表示和对应的潜在情绪描述。

例如，已经得到了"焦虑"和"压力"两个情绪维度的样本心理状态表示，以及相应的潜在情绪描述（比如，"高度焦虑、压力大"等）。

然后，就可以使用这些数据来训练原始滤波单元。

训练过程可能会涉及到一些监督学习算法，如反向传播、随机梯度下降等。

这些算法都是用来调整模型参数的，目标是使模型的预测结果尽可能接近真实结果。

例如，可能会设计一个神经网络作为滤波单元，输入是样本心理状态表示，输出是预测的情绪状态。

将实际的情绪状态（即潜在情绪描述）作为训练目标，然后使用反向传播算法来更新网络的权重，以减小预测结果与实际结果之间的差距。

在训练过程中，可能会多次迭代这个过程，每次都 slightly 调整模型的参数。

这就是随机梯度下降的基本思想。

通过这种方式，可以逐渐优化模型的性能，使其在未见过的新数据上也能做出准确的预测。

经过训练后，就得到了串联滤波单元。

这个单元能够接收心理状态指标作为输入，输出相应的情绪状态描述，从而帮助理解和预测用户的心理状态。

在本发明实施例中，原始滤波单元包括级联的多个原始滤波模块；且每个原始滤波模块分别与一个情绪维度相对应；前述根据多个情绪维度各自的样本心理状态表示和与多个情绪维度对应的潜在情绪描述，对原始滤波单元进行训练，得到串联滤波单元的步骤，可以通过以下方式执行实施。

（1）针对于多个原始滤波模块中每一个原始滤波模块，获取用于适配干扰的扰动阶段环节，并采样随机扰动数据；

（2）根据扰动阶段环节，将随机扰动数据添加至目标情绪维度相应的潜在情绪描述，得到扰动情绪描述；

（3）当目标原始滤波模块相互连续的前序滤波模块，将扰动情绪描述、扰动阶段环节、从第一个情绪维度到目标原始滤波模块相对应的目标情绪维度的样本心理状态表示以及前序滤波模块输出的过渡情绪描述，输入目标原始滤波模块，通过目标原始滤波模块对所加入的扰动执行分析操作，得到第二目标适配干扰；

（4）根据第二目标适配干扰对目标原始滤波模块执行优化更新操作，得到目标滤波模块；

（5）根据多个原始滤波模块对应的目标滤波模块，得到串联滤波单元。

在本发明实施例中，需要训练一个原始滤波单元来获得串联滤波单元。

原始滤波单元由级联的多个原始滤波模块组成，每个模块都对应一个情绪维度，如"焦虑"和"压力"。

下面是详细的训练步骤：

获取用于适配干扰的扰动阶段环节，并采样随机扰动数据：首先，针对每个原始滤波模块，需要确定一个或多个扰动阶段环节，这些环节代表了可能影响情绪状态的各种因素。

然后，需要采样一些随机扰动数据，这些数据可能是从某个分布中随机生成的。

将随机扰动数据添加至潜在情绪描述，得到扰动情绪描述：接着，根据扰动阶段环节，将随机扰动数据添加至目标情绪维度相应的潜在情绪描述。

例如，如果正在处理"焦虑"这个维度，可能会在原始的"焦虑"描述上加入一些扰动，得到一个新的、被扰动的"焦虑"描述。

执行分析操作，得到第二目标适配干扰：然后，将扰动情绪描述、扰动阶段环节、样本心理状态表示以及前序滤波模块输出的过渡情绪描述输入目标原始滤波模块。

在这个模块中，会对加入的扰动执行分析操作，得到第二目标适配干扰。

这个适配干扰代表了扰动对情绪状态的影响。

执行优化更新操作，得到目标滤波模块：接下来，根据第二目标适配干扰对目标原始滤波模块执行优化更新操作。

这可能涉及到一些机器学习技术，如梯度下降法、随机梯度下降法等。

通过这个步骤，可以获得一个新的、已经被优化过的滤波模块，即目标滤波模块。

得到串联滤波单元：最后，将所有的目标滤波模块串联起来，得到串联滤波单元。

这个单元能够接收多个情绪维度的样本心理状态表示作为输入，输出相应的情绪状态描述。

通过以上步骤，就完成了原始滤波单元到串联滤波单元的训练过程。

这个过程涉及到一系列复杂的操作，包括扰动、分析、优化等，但是最终得到的串联滤波单元能够更好地处理多维度的情绪数据，提供更准确的情绪状态预测。

在一种具体的实施方式中，假设正在处理"焦虑"和"压力"两个情绪维度，对应两个原始滤波模块。

对于"焦虑"模块，可能会考虑以下扰动阶段环节：突发事件（如交通事故、突然失业等）、生理疾病（如心脏病、肺炎等）等。

对于"压力"模块，可能会考虑：工作压力（如项目截止日期、加班时间等）、家庭问题（如婚姻冲突、育儿困难等）等。

然后，需要采样一些随机扰动数据。

这些数据可以用来模拟各种扰动阶段环节的影响。

例如，对于"焦虑"模块，可能会从正态分布中随机采样一些数据，用来模拟突发事件或生理疾病对目标用户焦虑程度的影响。

对于"压力"模块，也可能会从某个分布（如均匀分布、泊松分布等）中采样一些数据，用来模拟工作压力或家庭问题对他压力水平的影响。

这样，就得到了每个扰动阶段环节的随机扰动数据。这些数据可以帮助理解各种因素是如何影响情绪状态的，进一步帮助优化滤波模块，提高情绪预测的准确性。

在得到随机扰动数据后，需要将这些数据添加至目标情绪维度相应的潜在情绪描述。

例如，假设正在处理"焦虑"这个情绪维度。

可能已经有了一个基于目标用户的心率和血压等数据的原始"焦虑"描述，比如"中度焦虑"。

接下来，要根据扰动阶段环节（比如突发事件或生理疾病）将随机扰动数据添加到这个描述上。

具体来说，如果随机扰动数据表示目标用户遭遇了一个大的突发事件（如丢失工作），那么可能会将这个扰动添加到原始"焦虑"描述上，得到一个新的、被扰动的"焦虑"描述，比如"高度焦虑"。

反之，如果随机扰动数据表示目标用户的生活并无大的变动，那么原始的"焦虑"描述可能不会有太大的改变。

这样做的目的是模拟各种可能影响情绪状态的因素的效果。

通过观察加入扰动后情绪描述的变化，可以更好地理解这些因素是如何影响情绪的，并据此优化的滤波模块，使其能够更准确地预测情绪状态。

接下来，将扰动情绪描述、扰动阶段环节、样本心理状态表示以及前序滤波模块输出的过渡情绪描述输入目标原始滤波模块。

以"焦虑"和"压力"两个情绪维度为例，假设正在处理"压力"这个维度的滤波模块。

此时，扰动情绪描述可能是由"焦虑"模块加入扰动后得到的新的"焦虑"描述，如"高度焦虑"；扰动阶段环节可能是代表工作压力或家庭问题的随机扰动数据；样本心理状态表示则是基于目标用户的工作时长和睡眠质量等数据的"压力"状态表示；前序滤波模块输出的过渡情绪描述则是"焦虑"模块的输出，比如"中度焦虑"。

在"压力"模块中，会对加入的扰动执行分析操作。

具体来说，可能会计算出扰动情绪描述（即被扰动的"焦虑"描述）和过渡情绪描述（即未被扰动的"焦虑"描述）之间的差异，这个差异就是第二目标适配干扰。

这个适配干扰代表了扰动（即突发事件或生理疾病等因素）对情绪状态（即"焦虑"状态）的影响。

通过这样的分析，可以更好地理解各种因素是如何影响情绪状态的，进一步帮助优化滤波模块，提高情绪预测的准确性。

在获取了第二目标适配干扰之后，需要对目标原始滤波模块执行优化更新操作。

这个操作的目标是使得模块能够更好地处理扰动，从而提高情绪预测的准确性。

这个过程可能会涉及到一些机器学习技术，如梯度下降法、随机梯度下降法等。

以梯度下降法为例，首先需要定义一个损失函数，这个函数描述了模块的预测结果与实际结果之间的差距。

在的例子中，损失函数可能就是扰动情绪描述（即被扰动的"焦虑"描述）和过渡情绪描述（即未被扰动的"焦虑"描述）之间的差异，也就是第二目标适配干扰。

然后，计算损失函数关于模块参数的梯度，即损失函数的导数。

这个梯度表示了如果稍微改变一下参数，损失函数会如何变化。

接着，按照梯度的反方向更新参数。

因为梯度指向了损失函数增大的方向，所以按照梯度的反方向走，就可以使损失函数变小，即提高模型的预测准确性。

通过多次迭代这个过程，可以逐渐优化模块的参数，使其在处理扰动时能够得到更准确的情绪预测。

最后，就得到了一个新的、已经被优化过的滤波模块，即目标滤波模块。

在完成了每个情绪维度对应的滤波模块的优化更新之后，需要将这些模块串联起来，形成一个整体的、复杂的网络结构，即串联滤波单元。

假设处理的情绪维度有"焦虑"和"压力"两个。

经过上述的优化更新操作，已经得到了"焦虑"滤波模块和"压力"滤波模块，这两个模块都是目标滤波模块，已经被优化过，能够准确地处理各自对应的情绪数据。

然后，将这两个模块按照一定的顺序串联起来，比如先经过"焦虑"模块，然后经过"压力"模块。

这样，就得到了串联滤波单元。

这个单元可以接收多个情绪维度的样本心理状态表示作为输入，例如，它可以同时接收表示"焦虑"状态和"压力"状态的数据。

然后，这些数据会依次经过"焦虑"模块和"压力"模块的处理，最后输出相应的情绪状态描述。

例如，如果输入的数据表示目标用户正在经历高压的工作环境并且近期有突发事件发生，那么串联滤波单元可能会输出"高度焦虑、压力大"等情绪描述。

通过这样的设计，可以使模型具有处理多个情绪维度的能力，并且能够充分考虑各个维度之间的相互影响，从而更准确地预测用户的情绪状态。

本发明实施例提供一种计算机设备100，计算机设备100包括处理器及存储有计算机指令的非易失性存储器，计算机指令被处理器执行时，计算机设备100执行前述的基于交互设备的用户心理状态评估方法。

如图2所示，图2为本发明实施例提供的计算机设备100的结构框图。

计算机设备100包括存储器111、处理器112及通信单元113。

为实现数据的传输或交互，存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性联系。

例如，可通过一条或多条通讯总线或信号线实现这些元件相互之间电性联系。

出于说明目的，前面的表征是参考具体实施例而进行的。

但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。

根据上述教导，众多修改和变化都是可行的。

Claims (10)

1.一种基于交互设备的用户心理状态评估方法，其特征在于，所述方法包括：

对目标用户进行身份验证，得到所述目标用户对应的心理评估场景；

响应于所述目标用户正确佩戴互设备，根据所述心理评估场景对所述交互设备进行初始化操作，所述交互设备包括头戴式显示设备以及至少一个生理传感器采集设备；

通过所述头戴式交互设备显示所述心理评估场景对应的心理评估内容，并通过所述生理传感器采集设备采集所述目标用户基于所述心理评估内容产生的生理传感器数据；

根据所述生理传感器数据对所述目标用户进行评估，得到所述目标用户对应的用户心理状态，并根据所述用户心理状态输出对应的心理状态改善策略。

2.根据权利要求1所述的方法，其特征在于，所述根据所述生理传感器数据对所述目标用户进行评估，得到所述目标用户对应的用户心理状态，包括：

获取所述生理传感器数据；

对所述生理传感器数据进行多维度分级识别，得到多个情绪维度的心理状态指标，并获取用于生成所述用户心理状态的样本扰动数据；

分别对所述多个情绪维度中每个情绪维度的各心理状态指标执行特征提取操作，得到各所述心理状态指标的初级特征表示；

分别将各所述心理状态指标确定为指标元素，并根据两两情绪维度之间的心理状态指标之间的指标依懒性，确定联系各所述指标元素的指标关系；

将各所述心理状态指标的初级特征表示，分别确定为各所述指标元素的元素特征描述；

根据各所述指标元素、联系各所述指标元素的指标关系以及各所述指标元素的元素特征描述，构建多维心理状态关系网；

针对所述多维心理状态关系网中每个指标元素，确定目标指标元素的连接元素；所述目标指标元素为多个指标元素中的任一指标元素；

对所述连接元素的元素特征描述和所述目标指标元素的元素特征描述进行根据图卷积网络的信息传递操作，确定所述连接元素以及所述目标指标元素的关注程度分数；

根据所述关注程度分数，对所述连接元素的元素特征描述和所述目标指标元素的元素特征描述执行动态合并操作，得到优化后的所述目标指标元素的元素特征描述，根据优化后的各所述指标元素的元素特征描述，得到各所述心理状态指标的次级特征表示；

对同一情绪维度的心理状态指标的次级特征表示执行融合操作，得到所述多个情绪维度各自的心理状态表示；

将所述样本扰动数据确定为经过多阶段融合的扰动数据，从所述多阶段融合的结束阶段开始，根据第一个情绪维度的心理状态表示，对各个阶段输入的扰动数据进行反向的滤波操作，将对初始阶段输入的扰动数据进行滤波操作所得到的滤波结果，确定为所述第一个情绪维度输出的心理状态特征向量；

在所述第一个情绪维度之后的每一情绪维度，根据上一情绪维度输出的心理状态特征向量和从所述第一个情绪维度到本情绪维度各自的心理状态表示，对所述样本扰动数据进行滤波操作，得到串联滤波后的心理状态特征向量；其中，每个情绪维度的滤波操作输出的心理状态特征向量的精细程度逐情绪维度降低；

对所述串联滤波后的心理状态特征向量执行特征重构操作，得到所述用户心理状态。

3.根据权利要求2所述的方法，其特征在于，所述多个情绪维度包括宏观情绪维度、微观情绪维度以及情绪表达维度；所述对所述生理传感器数据进行多维度分级识别，得到多个情绪维度的心理状态指标包括：

将所述生理传感器数据确定为所述宏观情绪维度的心理状态指标，并从所述生理传感器数据中提取出生理指标类型和与所述生理指标类型对应的指标衡量值；

将所述生理指标类型确定为所述微观情绪维度的心理状态指标，并将与所述生理指标类型对应的指标衡量值，确定为所述情绪表达维度的心理状态指标。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

在得到所述用户心理状态的情况下，响应于对所述多维心理状态关系网中联系各所述指标元素的指标关系的指标关系影响因子修正指示，对所述指标关系影响因子修正指示所表征的指标关系的指标关系影响因子执行修正操作，得到优化的多维心理状态关系网；

利用图卷积网络，优化所述优化的多维心理状态关系网中各所述指标元素的元素特征描述，根据优化后的各所述指标元素的元素特征描述，得到各所述心理状态指标的高级特征表示；

对同一情绪维度的心理状态指标的高级特征表示执行融合操作，得到所述多个情绪维度各自的优化后心理状态表示；

根据所述多个情绪维度各自的优化后心理状态表示，生成重新配置后用户心理状态。

5.根据权利要求2所述的方法，其特征在于，针对于所述多阶段融合中的各个阶段，对目标扰动阶段输入的扰动数据进行的滤波操作的步骤包括：

对所述目标扰动阶段的迭代间隔执行特征提取操作，得到扰动阶段向量；

对所述第一个情绪维度的心理状态表示和所述扰动阶段向量执行组合操作，得到扰动指标参量；

根据所述扰动指标参量，对所述目标扰动阶段输入的扰动数据进行滤波操作，得到滤波结果。

6.根据权利要求5所述的方法，其特征在于，所述根据所述扰动指标参量，对所述目标扰动阶段输入的扰动数据进行滤波操作，得到滤波结果包括：

根据所述扰动指标参量和所述目标扰动阶段输入的扰动数据，对所述目标扰动阶段相应的适配干扰执行分析操作，得到所述目标扰动阶段相应的第一目标适配干扰；

根据所述第一目标适配干扰，对所述目标扰动阶段输入的扰动数据进行滤波操作，得到滤波结果。

7.根据权利要求2所述的方法，其特征在于，所述用户心理状态是基于预先完成训练的心理状态进程解析模型确定的，所述心理状态进程解析模型包括串联滤波单元和重构网络；所述串联滤波单元用于进行每一情绪维度的滤波操作，得到串联滤波后的心理状态特征向量；所述重构网络用于对所述串联滤波后的心理状态特征向量执行特征重构操作，得到所述用户心理状态。

8.根据权利要求7所述的方法，其特征在于，所述串联滤波单元是通过以下方式获取的：

获取多个样本数据；

针对于所述多个样本数据中每一个样本数据，对目标样本数据中的样本生理传感器数据进行多维度分级识别，得到多个情绪维度的样本心理状态指标；

对所述多个情绪维度的样本心理状态指标执行特征提取操作，得到所述多个情绪维度各自的样本心理状态表示；

对所述目标样本数据中的心理状态进程分别进行多个处理阶段的心理状态映射，得到所述多个处理阶段各自的心理状态潜在特征，所述多个处理阶段与所述多个情绪维度两两匹配；所述多个处理阶段中每一处理阶段的处理深度随处理阶段增加；

分别对所述多个处理阶段各自的心理状态潜在特征执行特征重构操作，得到与所述多个情绪维度对应的潜在情绪描述；

根据所述多个情绪维度各自的样本心理状态表示和所述与所述多个情绪维度对应的潜在情绪描述，对原始滤波单元进行训练，得到串联滤波单元。

9.根据权利要求8所述的方法，其特征在于，所述原始滤波单元包括级联的多个原始滤波模块；且每个原始滤波模块分别与一个情绪维度相对应；

所述根据所述多个情绪维度各自的样本心理状态表示和所述与所述多个情绪维度对应的潜在情绪描述，对所述原始滤波单元进行训练，得到串联滤波单元包括：

针对于所述多个原始滤波模块中每一个原始滤波模块，获取用于适配干扰的扰动阶段环节，并采样随机扰动数据；

根据所述扰动阶段环节，将所述随机扰动数据添加至目标情绪维度相应的潜在情绪描述，得到扰动情绪描述；

当目标原始滤波模块相互连续的前序滤波模块，将所述扰动情绪描述、所述扰动阶段环节、从所述第一个情绪维度到所述目标原始滤波模块相对应的目标情绪维度的样本心理状态表示以及所述前序滤波模块输出的过渡情绪描述，输入所述目标原始滤波模块，通过所述目标原始滤波模块对所加入的扰动执行分析操作，得到第二目标适配干扰；

根据所述第二目标适配干扰对所述目标原始滤波模块执行优化更新操作，得到目标滤波模块；

根据所述多个原始滤波模块对应的目标滤波模块，得到串联滤波单元。

10.一种服务器系统，其特征在于，包括服务器，所述服务器用于执行权利要求1-9中任一项所述的方法。