CN117369650A - 一种基于人工智能的逝者亲友关怀系统及方法 - Google Patents
一种基于人工智能的逝者亲友关怀系统及方法 Download PDFInfo
- Publication number
- CN117369650A CN117369650A CN202311677630.8A CN202311677630A CN117369650A CN 117369650 A CN117369650 A CN 117369650A CN 202311677630 A CN202311677630 A CN 202311677630A CN 117369650 A CN117369650 A CN 117369650A
- Authority
- CN
- China
- Prior art keywords
- emotion
- module
- user
- analysis
- 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.)
- Pending
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000008451 emotion Effects 0.000 claims abstract description 169
- 238000004458 analytical method Methods 0.000 claims abstract description 139
- 230000036541 health Effects 0.000 claims abstract description 88
- 238000012545 processing Methods 0.000 claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 72
- 230000003993 interaction Effects 0.000 claims abstract description 67
- 238000005516 engineering process Methods 0.000 claims abstract description 42
- 238000007726 management method Methods 0.000 claims abstract description 39
- 238000012552 review Methods 0.000 claims abstract description 28
- 230000008909 emotion recognition Effects 0.000 claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000000513 principal component analysis Methods 0.000 claims abstract description 15
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 12
- 238000003058 natural language processing Methods 0.000 claims abstract description 8
- 238000012417 linear regression Methods 0.000 claims abstract description 6
- 230000009323 psychological health Effects 0.000 claims abstract description 6
- 238000007635 classification algorithm Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 18
- 230000006978 adaptation Effects 0.000 claims description 17
- 230000002452 interceptive effect Effects 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 230000003862 health status Effects 0.000 claims description 12
- 238000003786 synthesis reaction Methods 0.000 claims description 12
- 238000011002 quantification Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 7
- 238000000556 factor analysis Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000011158 quantitative evaluation Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000012937 correction Methods 0.000 description 6
- 230000004630 mental health Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000003340 mental effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000004970 emotional disturbance Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007595 memory recall Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域,具体为一种基于人工智能的逝者亲友关怀系统及方法,所述系统包括情绪分析模块、个性化交互模块、悲伤处理推荐模块、预警与干预模块、记忆回顾生成模块、综合健康管理模块。本发明中,通过结合双向长短时记忆网络和语音情感识别技术,分析用户情绪,提供个性化交互体验,利用协同过滤和K‑最近邻算法,为用户定制悲伤处理建议,结合决策树分类和情感分析技术,能及时识别心理危机并启动预警,增强心理健康保障,集成卷积神经网络和自然语言处理技术,生成丰富记忆回顾,帮助用户缅怀亲人,主成分分析和多元线性回归的综合健康管理模块,为用户提供全面健康管理支持,增进心理与身体健康。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的逝者亲友关怀系统及方法。
背景技术
人工智能是集合了机器学习、自然语言处理、情感分析等多种先进技术的领域,人工智能技术旨在创建能够模仿人类智能行为的机器或软件系统,包括从基础的数据处理和模式识别到复杂的决策制定和问题解决的各个方面,在心理健康和情感支持的应用中,人工智能技术通常被用来分析个体的情感状态、语言和行为模式,并据此提供个性化的反馈和建议,这种技术的核心在于使机器能够理解和响应人类情感和心理需求,从而提供更加人性化的支持和服务。
基于人工智能的逝者亲友关怀系统是一种旨在为逝者的亲友提供情感支持和心理疏导的系统,其主要目的是帮助亲友在丧失亲人后有效处理悲伤和情绪困扰,通过提供情感支持和必要的信息来帮助他们在适应期内更好地恢复和适应缓解悲伤过程中的心理压力,提供心理健康支持,并协助个人走出悲痛,逐步回归正常生活,该系统一般通过结合自然语言处理技术来理解和响应用户的交流,使用情感分析工具来识别用户情绪,以及运用机器学习算法来个性化地适应用户的特定需求,能够提供专业的心理健康资源、活动建议或心理健康练习,以支持用户的心理恢复过程。
传统的逝者亲友关怀系统在情绪分析方面通常缺乏深度和准确性,往往无法提供足够个性化的支持和建议,且传统系统在悲伤处理推荐方面通常不够精准和个性化,无法满足用户多样化的心理需求,在心理危机预警方面,其反应迟钝,缺乏有效的预警机制和及时干预措施,在记忆回顾内容的生成和健康管理方面通常功能有限,无法提供全面和深入的心理健康支持。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的一种基于人工智能的逝者亲友关怀系统及方法。
为了实现上述目的,本发明采用了如下技术方案:一种基于人工智能的逝者亲友关怀系统包括情绪分析模块、个性化交互模块、悲伤处理推荐模块、预警与干预模块、记忆回顾生成模块、综合健康管理模块;
所述情绪分析模块基于用户语言和文字输入,采用双向长短时记忆网络结合语音情感识别技术进行情绪分析,使用逻辑回归进行情绪分类和量化,生成情绪分析数据;
所述个性化交互模块基于情绪分析数据,利用协同过滤算法对用户的个性化交互模式进行学习和适应,生成个性化交互方案;
所述悲伤处理推荐模块基于个性化交互方案,应用K-最近邻算法和推荐算法,生成悲伤处理推荐;
所述预警与干预模块基于悲伤处理推荐,利用决策树分类算法和情感分析技术,即时识别心理危机,启动预警,生成预警信号和干预措施;
所述记忆回顾生成模块基于用户提供的多媒体内容,运用卷积神经网络和自然语言处理技术,生成记忆回顾内容;
所述综合健康管理模块基于预警信号和干预措施与用户生理健康数据,应用主成分分析和多元线性回归进行健康状态分析,生成健康管理报告。
作为本发明的进一步方案,所述情绪分析数据具体包括用户情绪状态的分类和情绪的量化评估,所述个性化交互方案具体指根据用户情绪变化调整的交流策略和内容方案,所述悲伤处理推荐具体为根据用户情绪状态生成的心理咨询、自助练习和放松技巧,所述预警信号和干预措施具体包括心理健康风险评估和干预策略,所述记忆回顾内容具体指根据用户的多媒体数据生成的视频、相册和故事,所述健康管理报告具体包括用户的健康状况评估和改善方案。
作为本发明的进一步方案,所述情绪分析模块包括文字情感分析子模块、语音情感识别子模块、情感分类子模块;
所述文字情感分析子模块基于用户文字输入,应用BERT模型进行文本情感分析,生成文字情感分析数据;
所述语音情感识别子模块基于用户语音输入,运用声音信号处理技术和声音情绪识别模型,进行语音情感分析,生成语音情感分析数据;
所述情感分类子模块基于文字情感分析数据和语音情感分析数据,使用支持向量机进行情绪的综合分类和量化,生成综合情绪分析数据。
作为本发明的进一步方案,所述个性化交互模块包括交互模式学习子模块、用户偏好适应子模块、个性化响应生成子模块;
所述交互模式学习子模块基于综合情绪分析数据,采用因子分析法和聚类算法对用户交互模式进行分析,生成用户交互模式分析数据;
所述用户偏好适应子模块基于用户交互模式分析数据,应用Apriori算法优化系统反馈,生成用户偏好适应方案;
所述个性化响应生成子模块基于用户偏好适应方案,利用推荐系统创建个性化的交互响应,生成个性化交互方案。
作为本发明的进一步方案,所述悲伤处理推荐模块包括悲伤状态识别子模块、推荐算法应用子模块、处理路径定制子模块;
所述悲伤状态识别子模块基于个性化交互方案,运用决策树分类算法对悲伤状态进行分析和识别,生成悲伤状态识别数据;
所述推荐算法应用子模块基于悲伤状态识别数据,利用协同过滤推荐算法,生成悲伤处理方案;
所述处理路径定制子模块基于悲伤处理方案,采用包括用户画像匹配的个性化定制技术,生成悲伤处理推荐。
作为本发明的进一步方案,所述预警与干预模块包括心理危机识别子模块、预警机制启动子模块、干预策略制定子模块;
所述心理危机识别子模块基于悲伤处理推荐,采用决策树分类算法结合情绪词典分析用户的心理状况,生成心理危机识别结果;
所述预警机制启动子模块基于心理危机识别结果,应用规则引擎,激活预警机制,生成预警信号;
所述干预策略制定子模块基于预警信号,运用策略规划算法,生成干预措施。
作为本发明的进一步方案,所述记忆回顾生成模块包括多媒体内容分析子模块、记忆内容合成子模块、个性化调整子模块;
所述多媒体内容分析子模块基于用户提供的多媒体内容,运用卷积神经网络和语义分析,生成多媒体特征数据;
所述记忆内容合成子模块基于多媒体特征数据,采用生成对抗网络,合成记忆内容,生成记忆内容合成数据;
所述个性化调整子模块基于记忆内容合成数据,采用推荐系统算法,生成记忆回顾内容。
作为本发明的进一步方案,所述综合健康管理模块包括数据整合分析子模块、健康状态评估子模块、健康管理方案子模块;
所述数据整合分析子模块基于干预措施与用户生理健康数据,采用数据融合和主成分分析,生成健康分析报告;
所述健康状态评估子模块基于健康分析报告,运用多变量统计分析,生成健康状况评估报告;
所述健康管理方案子模块基于健康状况评估报告,应用专家系统,生成健康管理报告。
一种基于人工智能的逝者亲友关怀方法,所述基于人工智能的逝者亲友关怀方法基于上述基于人工智能的逝者亲友关怀系统执行,包括以下步骤:
S1:基于用户语言和文字输入,采用双向长短时记忆网络结合语音情感识别技术进行情绪分析,并使用逻辑回归进行情绪分类和量化,生成情绪分析数据;
S2:基于所述情绪分析数据,利用协同过滤算法对用户的个性化交互模式进行学习和适应,生成个性化交互方案;
S3:基于所述个性化交互方案,应用K-最近邻算法和推荐算法,生成悲伤处理推荐;
S4:基于所述悲伤处理推荐,采用决策树分类算法结合情感词典,分析用户心理状态,生成心理危机识别结果;
S5:基于所述心理危机识别结果,应用规则引擎,激活预警机制,生成预警信号;
S6:基于用户提供的多媒体内容,运用卷积神经网络和语义分析,生成记忆回顾内容;
S7:基于所述预警信号和用户生理健康数据,采用数据融合和主成分分析,进行健康状态的综合分析,生成健康管理报告。
作为本发明的进一步方案,所述双向长短时记忆网络用于分析用户文字输入的上下文信息,所述语音情感识别技术用于语调、音量和语速的情感特征提取,所述协同过滤算法用于用户行为分析和偏好匹配,所述K-最近邻算法用于识别适配用户情绪状态的处理方案,所述推荐算法负责提供个性化的治疗方案,所述决策树分类算法通过列逻辑判断对用户的心理状况进行分类,所述情感词典则用于评估用户语言中的情感强度,所述规则引擎根据预设的心理风险指标和阈值触发预警,所述卷积神经网络用于从图像和视频中提取视觉特征,所述语义分析用于处理文本内容,捕捉记忆的主题和情感,所述数据融合用于将多源健康数据集成为数据视图,所述主成分分析用于提取健康指标。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,通过采用双向长短时记忆网络和语音情感识别技术,能够更精准地分析用户的情绪状态,提供更为个性化的交互体验,利用协同过滤算法和K-最近邻算法等先进技术,为用户提供定制化的悲伤处理建议,提升了用户体验,结合决策树分类算法和情感分析技术,系统能够及时识别潜在的心理危机并启动预警机制,增强了用户的心理健康保障,通过集成卷积神经网络和自然语言处理技术,系统能够生成丰富的记忆回顾内容,帮助用户缅怀亲人,结合主成分分析和多元线性回归进行健康状态分析的综合健康管理模块,为用户提供全面的健康管理支持。
附图说明
图1为本发明的系统流程图;
图2为本发明的系统框架示意图;
图3为本发明的情绪分析模块流程图;
图4为本发明的个性化交互模块流程图;
图5为本发明的悲伤处理推荐模块流程图;
图6为本发明的预警与干预模块流程图;
图7为本发明的记忆回顾生成模块流程图;
图8为本发明的综合健康管理模块流程图;
图9为本发明的方法步骤示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例一
请参阅图1至图2,本发明提供一种技术方案:一种基于人工智能的逝者亲友关怀系统,包括情绪分析模块、个性化交互模块、悲伤处理推荐模块、预警与干预模块、记忆回顾生成模块以及综合健康管理模块;
情绪分析模块基于用户语言和文字输入,采用双向长短时记忆网络结合语音情感识别技术进行情绪分析,使用逻辑回归进行情绪分类和量化,生成情绪分析数据;
个性化交互模块基于情绪分析数据,利用协同过滤算法对用户的个性化交互模式进行学习和适应,生成个性化交互方案;
悲伤处理推荐模块基于个性化交互方案,应用K-最近邻算法和推荐算法,生成悲伤处理推荐;
预警与干预模块基于悲伤处理推荐,利用决策树分类算法和情感分析技术,即时识别心理危机,启动预警,生成预警信号和干预措施;
记忆回顾生成模块基于用户提供的多媒体内容,运用卷积神经网络和自然语言处理技术,生成记忆回顾内容;
综合健康管理模块基于预警信号和干预措施与用户生理健康数据,应用主成分分析和多元线性回归进行健康状态分析,生成健康管理报告。
情绪分析数据具体包括用户情绪状态的分类和情绪的量化评估,个性化交互方案具体指根据用户情绪变化调整的交流策略和内容方案,悲伤处理推荐具体为根据用户情绪状态生成的心理咨询、自助练习和放松技巧,预警信号和干预措施具体包括心理健康风险评估和干预策略,记忆回顾内容具体指根据用户的多媒体数据生成的视频、相册和故事,健康管理报告具体包括用户的健康状况评估和改善方案。
通过集成双向长短时记忆网络和语音情感识别技术,能够更深入和全面地分析用户的情绪状态,提供更为精准的情绪分类和量化,从而更好地理解用户的心理需求,高度精准的情绪分析为个性化交互打下了坚实基础,协同过滤算法进一步根据情绪分析数据为用户设计更加个性化的交互方案,提升用户体验;悲伤处理推荐模块通过K-最近邻算法和推荐算法,为用户提供定制化的悲伤处理建议,如心理咨询、自助练习和放松技巧,极大地支持了用户的情感恢复和心理调适;在心理危机预防和管理方面,利用决策树分类算法结合情感分析技术,实时识别并响应潜在的心理健康风险,及时启动预警机制,为用户提供及时的心理支持和干预措施;记忆回顾生成模块运用卷积神经网络和自然语言处理技术,为用户提供丰富的回忆内容,如视频、相册和故事,帮助用户以一种积极健康的方式缅怀亲人;综合健康管理模块综合用户的心理和生理健康数据,通过主成分分析和多元线性回归,生成全面的健康管理报告,为用户提供全方位的健康支持。
请参阅图3,情绪分析模块包括文字情感分析子模块、语音情感识别子模块、情感分类子模块;
文字情感分析子模块基于用户文字输入,应用BERT模型进行文本情感分析,生成文字情感分析数据;
语音情感识别子模块基于用户语音输入,运用声音信号处理技术和声音情绪识别模型,进行语音情感分析,生成语音情感分析数据;
情感分类子模块基于文字情感分析数据和语音情感分析数据,使用支持向量机进行情绪的综合分类和量化,生成综合情绪分析数据。
基于用户的文字和语音输入,通过文字情感分析子模块运用BERT模型,对用户的文本输入进行深层次的情感分析,生成详尽的文字情感分析数据,涉及对文本中情感倾向的综合评估,包括情感的强度、种类和上下文相关性;语音情感识别子模块接收用户的语音输入,应用声音信号处理技术和声音情绪识别模型,分析语音中的情绪特征,如语调、音量和语速等,从而生成语音情感分析数据,这些数据包括语音的情感色彩和情绪强度等信息;情感分类子模块综合这两种类型的数据,利用支持向量机进行情绪的综合分类和量化,通过算法精确地将不同来源的情感数据合并,生成一份综合的情绪分析报告,该报告详细描述了用户的整体情绪状态,并为后续的个性化交互和干预提供了数据支持。
请参阅图4,个性化交互模块包括交互模式学习子模块、用户偏好适应子模块、个性化响应生成子模块;
交互模式学习子模块基于综合情绪分析数据,采用因子分析法和聚类算法对用户交互模式进行分析,生成用户交互模式分析数据;
用户偏好适应子模块基于用户交互模式分析数据,应用Apriori算法优化系统反馈,生成用户偏好适应方案;
个性化响应生成子模块基于用户偏好适应方案,利用推荐系统创建个性化的交互响应,生成个性化交互方案。
交互模式学习子模块基于从综合情绪分析数据中获得的洞见,运用因子分析法和聚类算法深入分析用户的交互模式,因子分析法用于识别影响用户交互偏好的潜在变量,而聚类算法则用于识别不同类型的用户交互行为模式,这一过程生成用户交互模式分析数据,详细记录了用户交互行为的各种模式和趋势;用户偏好适应子模块利用用户交互模式分析数据,应用Apriori算法来优化系统的反馈机制,Apriori算法通过分析用户行为模式中的频繁项集,预测用户的偏好和需求,从而生成更加贴合用户需求的用户偏好适应方案;个性化响应生成子模块基于用户偏好适应方案,采用内容基推荐算法,创建与用户个人偏好和需求相匹配的个性化交互响应,该过程涵盖了从用户偏好的识别到个性化内容的生成,确保每一次交互都能够精准反映用户的当前情感状态和需求。
在本实施例中,交互模式学习子模块基于综合情绪分析数据,采用因子分析法和聚类算法对用户交互模式进行分析,生成用户交互模式分析数据的步骤具体如下:
基于所述综合情绪分析数据,获取得到多种情绪类型对应的情绪类型因子;
基于多个情绪类型因子,采用因子分析法对用户交互模式进行分析,以获取得到用户交互模式中与每个情绪类型因子对应的偏好变量因子;
基于多个情绪类型因子,采用聚类算法对用户交互模式进行分析,以获取得到与每个情绪类型因子对应的用户交互类型;
根据多个情绪类型因子、多个偏好变量因子与多个用户交互类型生成所述用户交互模式分析数据。
请参阅图5,悲伤处理推荐模块包括悲伤状态识别子模块、推荐算法应用子模块、处理路径定制子模块;
悲伤状态识别子模块基于个性化交互方案,运用决策树分类算法对悲伤状态进行分析和识别,生成悲伤状态识别数据;
推荐算法应用子模块基于悲伤状态识别数据,利用协同过滤推荐算法,生成悲伤处理方案;
处理路径定制子模块基于悲伤处理方案,采用包括用户画像匹配的个性化定制技术,生成悲伤处理推荐。
悲伤状态识别子模块利用决策树分类算法对用户基于个性化交互方案表现出的悲伤状态进行细致的分析和识别,决策树分类算法通过一系列条件判断分支,对用户的悲伤程度、类型和特征进行分类,生成详尽的悲伤状态识别数据,数据不仅包括悲伤的程度,还细化到悲伤的特定方面,如情感失落、思念强度等;推荐算法应用子模块根据悲伤状态识别数据,采用协同过滤推荐算法,为用户提供个性化的悲伤处理方案,协同过滤算法通过分析类似用户的悲伤处理反馈和效果,预测当前用户适应悲伤的处理方法,生成包含各种心理疗愈活动、咨询服务和自助练习的悲伤处理方案;处理路径定制子模块在得到的悲伤处理方案基础上,运用包括用户画像匹配的个性化定制技术,进一步细化和定制悲伤处理推荐,这一过程包括匹配用户的个人偏好、历史反应和特定需求,以确保提供的处理建议和活动尽可能贴合用户的个人特性和当前情感状态。
在本发明中,推荐算法应用子模块基于悲伤状态识别数据,利用协同过滤推荐算法,生成悲伤处理方案的方法具体包括如下步骤:
基于悲伤状态识别数据,获取所包含的悲伤类型以及对应的悲伤等级;
基于每个悲伤类型以及对应的悲伤等级计算得到一当前悲伤状态参数;
根据所述当前悲伤状态参数,在预设历史悲伤数据库中,采用协同过滤推荐算法生成与所述当前悲伤状态参数相对应的悲伤处理方案。
可以理解的,上述的悲伤处理方案的生成方法是基于常规的方式,并没有考虑到每个用户个体的独特性。为了更好地照顾到用户的感受,在本实施例中,处理路径定制子模块基于悲伤处理方案,采用包括用户画像匹配的个性化定制技术,生成悲伤处理推荐的方法具体包括如下步骤:
基于个性化定制技术获取用户的个人偏好、历史反应以及特定需求,并分别生成个人偏好项校正因子、历史反应项校正因子以及特定需求项校正因子;
根据当前悲伤状态参数、个人偏好项校正因子、历史反应项校正因子以及特定需求项校正因子,对所述悲伤处理方案进行校正,以得到悲伤处理推荐。
请参阅图6,预警与干预模块包括心理危机识别子模块、预警机制启动子模块、干预策略制定子模块;
心理危机识别子模块基于悲伤处理推荐,采用决策树分类算法结合情绪词典分析用户的心理状况,生成心理危机识别结果;
预警机制启动子模块基于心理危机识别结果,应用规则引擎,激活预警机制,生成预警信号;
干预策略制定子模块基于预警信号,运用策略规划算法,生成干预措施。
心理危机识别子模块基于悲伤处理推荐结果,采用决策树分类算法结合情绪词典对用户的心理状况进行深入分析,通过对用户交互内容的细致解析,识别出潜在的心理风险因素和心理危机迹象,生成心理危机识别结果,决策树分类算法通过逐步细化的问题分支来判断用户的心理状况,而情绪词典则用于捕捉用户语言中的情感色彩和强度,提供更全面的心理状态评估;预警机制启动子模块基于心理危机识别结果,运用规则引擎激活预警机制,这一步骤涉及根据事先设定的心理风险阈值和参数,判断是否需要启动预警信号,规则引擎根据用户的心理危机识别结果和系统的预警标准进行智能判断,及时发出预警信号,以便采取相应的干预措施;干预策略制定子模块根据接收到的预警信号,采用策略规划算法制定具体的干预措施,这一步骤包括分析用户的具体需求、心理状态和历史反应,制定个性化的干预方案,如提供心理咨询服务、情绪疏导活动或是紧急联系专业人士的安排。
请参阅图7,记忆回顾生成模块包括多媒体内容分析子模块、记忆内容合成子模块、个性化调整子模块;
多媒体内容分析子模块基于用户提供的多媒体内容,运用卷积神经网络和语义分析,生成多媒体特征数据;
记忆内容合成子模块基于多媒体特征数据,采用生成对抗网络,合成记忆内容,生成记忆内容合成数据;
个性化调整子模块基于记忆内容合成数据,采用推荐系统算法,生成记忆回顾内容。
多媒体内容分析子模块接收用户提供的多媒体内容,如照片、视频和音频,运用卷积神经网络对这些内容进行深度分析,提取关键视觉和听觉特征,该模块也应用语义分析技术处理任何文本信息,以捕捉内容的深层次意义和情感色彩,生成详尽的多媒体特征数据,这些数据包括图像的视觉特征、视频的动态信息和音频的声音特征等;记忆内容合成子模块基于这些多媒体特征数据,采用生成对抗网络技术,创造性地合成新的记忆内容,通过模拟和重构用户提供的原始内容,生成一系列新的多媒体作品,如重新编辑的视频、增强的照片集或合成的音频故事,产生的记忆内容合成数据不仅保留了原始素材的情感价值,还增添了新的创意和情感深度;个性化调整子模块基于记忆内容合成数据,利用推荐系统算法,为用户生成个性化的记忆回顾内容,通过分析用户的偏好、历史反应和互动模式,精心设计符合用户情感需求和个人喜好的记忆回顾,如定制化的视频回忆集、音乐播放列表或数字相册。
请参阅图8,综合健康管理模块包括数据整合分析子模块、健康状态评估子模块、健康管理方案子模块;
数据整合分析子模块基于干预措施与用户生理健康数据,采用数据融合和主成分分析,生成健康分析报告;
健康状态评估子模块基于健康分析报告,运用多变量统计分析,生成健康状况评估报告;
健康管理方案子模块基于健康状况评估报告,应用专家系统,生成健康管理报告。
数据整合分析子模块收集并分析来自干预措施的反馈和用户生理健康数据,运用数据融合将心理干预的效果和用户的生理指标结合起来,创建一个综合的健康数据集,应用主成分分析方法对这些数据进行深入分析,提取关键健康指标和趋势,生成健康分析报告,这份报告提供了对用户整体健康状况的全面视图,包括心理和生理两个方面的细致评估;健康状态评估子模块基于健康分析报告,采用多变量统计分析技术进一步评估用户的健康状况,涉及对健康指标的综合分析,分析各种变量间的相互作用和影响,以准确地评估用户的健康水平和潜在风险,生成健康状况评估报告,该报告不仅概述了用户的当前健康状态,还指出需要特别关注或干预的健康问题;健康管理方案子模块基于健康状况评估报告,应用专家系统来制定个性化的健康管理报告,利用人工智能辅助的专家知识和决策支持系统,为用户提供定制化的健康管理和改善建议,建议包括生活方式的调整、营养建议、心理干预策略以及必要时的医疗咨询,从而为用户提供全方位的健康支持。
请参阅图9,一种基于人工智能的逝者亲友关怀方法,基于人工智能的逝者亲友关怀方法基于上述基于人工智能的逝者亲友关怀系统执行,包括以下步骤:
S1:基于用户语言和文字输入,采用双向长短时记忆网络结合语音情感识别技术进行情绪分析,并使用逻辑回归进行情绪分类和量化,生成情绪分析数据;
S2:基于情绪分析数据,利用协同过滤算法对用户的个性化交互模式进行学习和适应,生成个性化交互方案;
S3:基于个性化交互方案,应用K-最近邻算法和推荐算法,生成悲伤处理推荐;
S4:基于悲伤处理推荐,采用决策树分类算法结合情感词典,分析用户心理状态,生成心理危机识别结果;
S5:基于心理危机识别结果,应用规则引擎,激活预警机制,生成预警信号;
S6:基于用户提供的多媒体内容,运用卷积神经网络和语义分析,生成记忆回顾内容;
S7:基于预警信号和用户生理健康数据,采用数据融合和主成分分析,进行健康状态的综合分析,生成健康管理报告。
双向长短时记忆网络用于分析用户文字输入的上下文信息,语音情感识别技术用于语调、音量和语速的情感特征提取,协同过滤算法用于用户行为分析和偏好匹配,K-最近邻算法用于识别适配用户情绪状态的处理方案,推荐算法负责提供个性化的治疗方案,决策树分类算法通过列逻辑判断对用户的心理状况进行分类,情感词典则用于评估用户语言中的情感强度,规则引擎根据预设的心理风险指标和阈值触发预警,卷积神经网络用于从图像和视频中提取视觉特征,语义分析用于处理文本内容,捕捉记忆的主题和情感,数据融合用于将多源健康数据集成为数据视图,主成分分析用于提取健康指标。
通过双向长短时记忆网络和语音情感识别技术,能够精确地捕捉用户的情绪状态,确保了情绪分析的准确性和深度,精准的情绪识别为后续个性化交互和悲伤处理提供了坚实的基础,协同过滤算法和K-最近邻算法的应用,能够根据用户的独特需求和情绪变化提供定制化的支持和建议,决策树分类算法结合情感词典的使用,能够及时识别潜在的心理危机并启动预警机制,为用户提供及时的心理干预,通过卷积神经网络和语义分析的结合,为用户创造丰富的记忆回顾内容,帮助他们以积极的方式缅怀亲人,这不仅是对逝者的尊重,也是对生者情感的慰藉,通过综合用户生理健康数据和心理状态,利用数据融合和主成分分析进行健康管理报告的生成,为用户提供全面的健康评估和改善建议,通过全方位的健康管理视角,确保了用户在应对悲伤和损失时能够得到全面的支持和关照。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (10)
1.一种基于人工智能的逝者亲友关怀系统,其特征在于:所述系统包括情绪分析模块、个性化交互模块、悲伤处理推荐模块、预警与干预模块、记忆回顾生成模块、综合健康管理模块;
所述情绪分析模块基于用户语言和文字输入,采用双向长短时记忆网络结合语音情感识别技术进行情绪分析,使用逻辑回归进行情绪分类和量化,生成情绪分析数据;
所述个性化交互模块基于情绪分析数据,利用协同过滤算法对用户的个性化交互模式进行学习和适应,生成个性化交互方案;
所述悲伤处理推荐模块基于个性化交互方案,应用K-最近邻算法和推荐算法,生成悲伤处理推荐;
所述预警与干预模块基于悲伤处理推荐,利用决策树分类算法和情感分析技术,即时识别心理危机,启动预警,生成预警信号和干预措施;
所述记忆回顾生成模块基于用户提供的多媒体内容,运用卷积神经网络和自然语言处理技术,生成记忆回顾内容;
所述综合健康管理模块基于预警信号和干预措施与用户生理健康数据,应用主成分分析和多元线性回归进行健康状态分析,生成健康管理报告。
2.根据权利要求1所述的一种基于人工智能的逝者亲友关怀系统,其特征在于:所述情绪分析数据具体包括用户情绪状态的分类和情绪的量化评估,所述个性化交互方案具体指根据用户情绪变化调整的交流策略和内容方案,所述悲伤处理推荐具体为根据用户情绪状态生成的心理咨询、自助练习和放松技巧,所述预警信号和干预措施具体包括心理健康风险评估和干预策略,所述记忆回顾内容具体指根据用户的多媒体数据生成的视频、相册和故事,所述健康管理报告具体包括用户的健康状况评估和改善方案。
3.根据权利要求2所述的一种基于人工智能的逝者亲友关怀系统,其特征在于:所述情绪分析模块包括文字情感分析子模块、语音情感识别子模块、情感分类子模块;
所述文字情感分析子模块基于用户文字输入,应用BERT模型进行文本情感分析,生成文字情感分析数据;
所述语音情感识别子模块基于用户语音输入,运用声音信号处理技术和声音情绪识别模型,进行语音情感分析,生成语音情感分析数据;
所述情感分类子模块基于文字情感分析数据和语音情感分析数据,使用支持向量机进行情绪的综合分类和量化,生成综合情绪分析数据。
4.根据权利要求3所述的一种基于人工智能的逝者亲友关怀系统,其特征在于:所述个性化交互模块包括交互模式学习子模块、用户偏好适应子模块、个性化响应生成子模块;
所述交互模式学习子模块基于综合情绪分析数据,采用因子分析法和聚类算法对用户交互模式进行分析,生成用户交互模式分析数据;
所述用户偏好适应子模块基于用户交互模式分析数据,应用Apriori算法优化系统反馈,生成用户偏好适应方案;
所述个性化响应生成子模块基于用户偏好适应方案,利用推荐系统创建个性化的交互响应,生成个性化交互方案。
5.根据权利要求4所述的一种基于人工智能的逝者亲友关怀系统,其特征在于:所述悲伤处理推荐模块包括悲伤状态识别子模块、推荐算法应用子模块、处理路径定制子模块;
所述悲伤状态识别子模块基于个性化交互方案,运用决策树分类算法对悲伤状态进行分析和识别,生成悲伤状态识别数据;
所述推荐算法应用子模块基于悲伤状态识别数据,利用协同过滤推荐算法,生成悲伤处理方案;
所述处理路径定制子模块基于悲伤处理方案,采用包括用户画像匹配的个性化定制技术,生成悲伤处理推荐。
6.根据权利要求5所述的一种基于人工智能的逝者亲友关怀系统,其特征在于:所述预警与干预模块包括心理危机识别子模块、预警机制启动子模块、干预策略制定子模块;
所述心理危机识别子模块基于悲伤处理推荐,采用决策树分类算法结合情绪词典分析用户的心理状况,生成心理危机识别结果;
所述预警机制启动子模块基于心理危机识别结果,应用规则引擎,激活预警机制,生成预警信号;
所述干预策略制定子模块基于预警信号,运用策略规划算法,生成干预措施。
7.根据权利要求6所述的一种基于人工智能的逝者亲友关怀系统,其特征在于:所述记忆回顾生成模块包括多媒体内容分析子模块、记忆内容合成子模块、个性化调整子模块;
所述多媒体内容分析子模块基于用户提供的多媒体内容,运用卷积神经网络和语义分析,生成多媒体特征数据;
所述记忆内容合成子模块基于多媒体特征数据,采用生成对抗网络,合成记忆内容,生成记忆内容合成数据;
所述个性化调整子模块基于记忆内容合成数据,采用推荐系统算法,生成记忆回顾内容。
8.根据权利要求7所述的一种基于人工智能的逝者亲友关怀系统,其特征在于:所述综合健康管理模块包括数据整合分析子模块、健康状态评估子模块、健康管理方案子模块;
所述数据整合分析子模块基于干预措施与用户生理健康数据,采用数据融合和主成分分析,生成健康分析报告;
所述健康状态评估子模块基于健康分析报告,运用多变量统计分析,生成健康状况评估报告;
所述健康管理方案子模块基于健康状况评估报告,应用专家系统,生成健康管理报告。
9.一种基于人工智能的逝者亲友关怀方法,其特征在于,根据权利要求1-8任一项所述的基于人工智能的逝者亲友关怀系统执行,包括以下步骤:
基于用户语言和文字输入,采用双向长短时记忆网络结合语音情感识别技术进行情绪分析,并使用逻辑回归进行情绪分类和量化,生成情绪分析数据;
基于所述情绪分析数据,利用协同过滤算法对用户的个性化交互模式进行学习和适应,生成个性化交互方案;
基于所述个性化交互方案,应用K-最近邻算法和推荐算法,生成悲伤处理推荐;
基于所述悲伤处理推荐,采用决策树分类算法结合情感词典,分析用户心理状态,生成心理危机识别结果;
基于所述心理危机识别结果,应用规则引擎,激活预警机制,生成预警信号;
基于用户提供的多媒体内容,运用卷积神经网络和语义分析,生成记忆回顾内容;
基于所述预警信号和用户生理健康数据,采用数据融合和主成分分析,进行健康状态的综合分析,生成健康管理报告。
10.根据权利要求9所述的一种基于人工智能的逝者亲友关怀方法,其特征在于:所述双向长短时记忆网络用于分析用户文字输入的上下文信息,所述语音情感识别技术用于语调、音量和语速的情感特征提取,所述协同过滤算法用于用户行为分析和偏好匹配,所述K-最近邻算法用于识别适配用户情绪状态的处理方案,所述推荐算法负责提供个性化的治疗方案,所述决策树分类算法通过列逻辑判断对用户的心理状况进行分类,所述情感词典则用于评估用户语言中的情感强度,所述规则引擎根据预设的心理风险指标和阈值触发预警,所述卷积神经网络用于从图像和视频中提取视觉特征,所述语义分析用于处理文本内容,捕捉记忆的主题和情感,所述数据融合用于将多源健康数据集成为数据视图,所述主成分分析用于提取健康指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311677630.8A CN117369650A (zh) | 2023-12-08 | 2023-12-08 | 一种基于人工智能的逝者亲友关怀系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311677630.8A CN117369650A (zh) | 2023-12-08 | 2023-12-08 | 一种基于人工智能的逝者亲友关怀系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117369650A true CN117369650A (zh) | 2024-01-09 |
Family
ID=89400729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311677630.8A Pending CN117369650A (zh) | 2023-12-08 | 2023-12-08 | 一种基于人工智能的逝者亲友关怀系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117369650A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117880566A (zh) * | 2024-03-12 | 2024-04-12 | 广州久零区块链技术有限公司 | 一种基于人工智能的数字人直播交互方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109659009A (zh) * | 2018-12-26 | 2019-04-19 | 杭州行为科技有限公司 | 情绪管理方法、装置及电子设备 |
TWM605592U (zh) * | 2020-07-24 | 2020-12-21 | 國立臺中科技大學 | 認知行為技術與情感分析為基礎的行動情緒照護系統 |
CN113590793A (zh) * | 2021-08-02 | 2021-11-02 | 江苏金惠甫山软件科技有限公司 | 基于语义规则的心理知识与方法推荐系统 |
CN115512702A (zh) * | 2022-10-11 | 2022-12-23 | 徐州工程学院 | 一种陪伴机器人及情绪识别系统 |
CN116313087A (zh) * | 2023-03-15 | 2023-06-23 | 广东数业智能科技有限公司 | 一种孤独症患者心理状态识别方法与装置 |
CN116491944A (zh) * | 2023-04-28 | 2023-07-28 | 江苏经贸职业技术学院 | 一种基于智能手环的心理状态监测评估系统 |
CN116564561A (zh) * | 2023-05-11 | 2023-08-08 | 亿慧云智能科技(深圳)股份有限公司 | 基于生理与情感特征的智能语音看护系统及看护方法 |
DE202023105444U1 (de) * | 2023-09-19 | 2023-09-29 | Ankit Agarwal | Auf tiefem Lernen basierendes System zur Verbesserung der Leistung der Stimmungsanalyse bei Daten aus sozialen Medien unter Verwendung von Managementstrategien |
CN116932886A (zh) * | 2023-06-02 | 2023-10-24 | 福建新大陆软件工程有限公司 | 一种基于aigc的情感关怀方法及系统 |
-
2023
- 2023-12-08 CN CN202311677630.8A patent/CN117369650A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109659009A (zh) * | 2018-12-26 | 2019-04-19 | 杭州行为科技有限公司 | 情绪管理方法、装置及电子设备 |
TWM605592U (zh) * | 2020-07-24 | 2020-12-21 | 國立臺中科技大學 | 認知行為技術與情感分析為基礎的行動情緒照護系統 |
CN113590793A (zh) * | 2021-08-02 | 2021-11-02 | 江苏金惠甫山软件科技有限公司 | 基于语义规则的心理知识与方法推荐系统 |
CN115512702A (zh) * | 2022-10-11 | 2022-12-23 | 徐州工程学院 | 一种陪伴机器人及情绪识别系统 |
CN116313087A (zh) * | 2023-03-15 | 2023-06-23 | 广东数业智能科技有限公司 | 一种孤独症患者心理状态识别方法与装置 |
CN116491944A (zh) * | 2023-04-28 | 2023-07-28 | 江苏经贸职业技术学院 | 一种基于智能手环的心理状态监测评估系统 |
CN116564561A (zh) * | 2023-05-11 | 2023-08-08 | 亿慧云智能科技(深圳)股份有限公司 | 基于生理与情感特征的智能语音看护系统及看护方法 |
CN116932886A (zh) * | 2023-06-02 | 2023-10-24 | 福建新大陆软件工程有限公司 | 一种基于aigc的情感关怀方法及系统 |
DE202023105444U1 (de) * | 2023-09-19 | 2023-09-29 | Ankit Agarwal | Auf tiefem Lernen basierendes System zur Verbesserung der Leistung der Stimmungsanalyse bei Daten aus sozialen Medien unter Verwendung von Managementstrategien |
Non-Patent Citations (1)
Title |
---|
颜洪;刘佳慧;覃京燕;: "人工智能语境下的情感交互设计", 包装工程, no. 06, 20 March 2020 (2020-03-20) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117880566A (zh) * | 2024-03-12 | 2024-04-12 | 广州久零区块链技术有限公司 | 一种基于人工智能的数字人直播交互方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7199451B2 (ja) | 感情コンピューティングユーザインターフェースに基づく感性的インタラクションシステム、装置及び方法 | |
Ding et al. | A depression recognition method for college students using deep integrated support vector algorithm | |
CN111459290B (zh) | 交互意图确定方法及装置、计算机设备及存储介质 | |
Gunes et al. | Emotion representation, analysis and synthesis in continuous space: A survey | |
CN102149319B (zh) | 阿尔茨海默氏症认知使能器 | |
Janssen et al. | Machines outperform laypersons in recognizing emotions elicited by autobiographical recollection | |
CN117369650A (zh) | 一种基于人工智能的逝者亲友关怀系统及方法 | |
CN111368053B (zh) | 基于法律咨询机器人的情绪安抚系统 | |
Sharma et al. | Real-time emotional health detection using fine-tuned transfer networks with multimodal fusion | |
US11823439B2 (en) | Training machine-learned models for perceptual tasks using biometric data | |
CN117637134A (zh) | 健康管理系统、方法、电子设备和计算机可读存储介质 | |
Shalu et al. | Depression status estimation by deep learning based hybrid multi-modal fusion model | |
Esposito et al. | Recent Advances in Nonlinear Speech Processing: Directions and Challenges | |
Janssen | Connecting people through physiosocial technology | |
Kathiravan et al. | Efficient Intensity Bedded Sonata Wiles System using IoT | |
Zucco et al. | Emotion mining: from unimodal to multimodal approaches | |
Karpouzis et al. | Induction, recording and recognition of natural emotions from facial expressions and speech prosody | |
KR20210108565A (ko) | 가상 콘텐츠 생성 방법 | |
Narain | Interfaces and models for improved understanding of real-world communicative and affective nonverbal vocalizations by minimally speaking individuals | |
Seron et al. | A semantic memory bank assisted by an embodied conversational agents for mobile devices | |
Shoumy | Multimodal emotion recognition using data augmentation and fusion | |
Rafeh et al. | Proposing a hybrid approach for emotion classification using audio and video data | |
Pandit | Time-and value-continuous explainable affect estimation in-the-wild | |
PESTY et al. | UI adaptation by using user emotions | |
CN117708285A (zh) | 一种面向养老服务机器人的情感调节系统 |
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 |