CN117539356B - 一种基于冥想的交互式用户情绪感知方法及系统 - Google Patents

Abstract

本发明公开了一种基于冥想的交互式用户情绪感知方法及系统，包括：通过使用脑电波采集设备和显示屏组成的交互式情绪感知系统，捕捉并分析用户在进行冥想时产生的脑电波数据。在用户启动测试后，系统会播放预设冥想音频并展示一个包含多个元素的目标画布。当冥想音频达到预设的有效时间长度后，系统便开始收集用户的脑电波数据，并对这些数据进行分析以提取用户的情绪信息。此后，根据得到的情绪信息，系统会计算出一个与之相应的动轨迹强度值。最终，利用这个动轨迹强度值控制目标画布上各个元素的运动状态，并将其展示在显示屏上，从而向用户呈现其情绪感知结果。如此设计，能够为用户提供一种直观且交互性强的方式来理解和观察自身的情绪变化。

Description

一种基于冥想的交互式用户情绪感知方法及系统

技术领域

本发明涉及人工能智技术领域，具体而言，涉及一种基于冥想的交互式用户情绪感知方法及系统。

背景技术

近年来，随着人工智能和生物传感技术的发展，用户情绪的实时监测与分析变得越来越重要。特别是在健康管理、智能家居、教育辅助等领域，用户情绪的准确感知能够显著提升服务质量和用户体验。传统的情绪识别方法通常依赖于面部表情、语音调性或文本分析等手段，但这些方式往往受限于环境因素和个体差异，无法始终准确反映用户真实的情绪状态。

为了克服现有技术的局限性，研究者们开始关注直接从大脑信号中提取情绪信息的可能性。其中，脑电波作为一种直接反映大脑活动状态的生理信号，被广泛认为是情绪感知中具有潜力的生物标志物。然而，如何有效地从复杂的脑电波信号中提取出准确的情绪信息，并将其转化为用户可以直观理解的形式，仍是一个挑战。

发明内容

本发明的目的在于提供一种基于冥想的交互式用户情绪感知方法及系统。

第一方面，本发明实施例提供一种基于冥想的交互式用户情绪感知方法，应用于交互式情绪感知系统，所述交互式情绪感知系统包括脑电波采集设备和显示屏，所述方法包括：

响应于测试启动指令，播放预设冥想音频并获取目标画布，所述目标画布上包括多个元素；

当所述预设冥想音频持续播放到预设有效时间长度时，通过所述脑电波采集设备对目标用户进行脑电波采集，得到待定冥想脑电波数据；

对所述待定冥想脑电波数据进行分析，得到所述目标用户对应的用户情绪信息；

基于所述用户情绪信息，确定所述用户情绪信息对应的动轨迹强度值；

基于所述动轨迹强度值，控制所述多个元素在所述目标画布上的运动状态，并显示至所述显示屏中作为所述目标用户的情绪感知结果。

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

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冥想的交互式用户情绪感知方法及系统，通过使用脑电波采集设备和显示屏组成的交互式情绪感知系统，捕捉并分析用户在进行冥想时产生的脑电波数据。在用户启动测试后，系统会播放预设冥想音频并展示一个包含多个元素的目标画布。当冥想音频达到预设的有效时间长度后，系统便开始收集用户的脑电波数据，并对这些数据进行分析以提取用户的情绪信息。此后，根据得到的情绪信息，系统会计算出一个与之相应的动轨迹强度值。最终，利用这个动轨迹强度值控制目标画布上各个元素的运动状态，并将其展示在显示屏上，从而向用户呈现其情绪感知结果。如此设计，能够为用户提供一种直观且交互性强的方式来理解和观察自身的情绪变化。

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冥想的交互式用户情绪感知方法的步骤流程示意图；

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

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

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冥想的交互式用户情绪感知方法的流程示意图，基于冥想的交互式用户情绪感知方法应用于交互式情绪感知系统，所述交互式情绪感知系统包括脑电波采集设备和显示屏，下面对该基于冥想的交互式用户情绪感知方法进行详细介绍。

步骤S201，响应于测试启动指令，播放预设冥想音频并获取目标画布，所述目标画布上包括多个元素；

步骤S202，当所述预设冥想音频持续播放到预设有效时间长度时，通过所述脑电波采集设备对目标用户进行脑电波采集，得到待定冥想脑电波数据；

步骤S203，对所述待定冥想脑电波数据进行分析，得到所述目标用户对应的用户情绪信息；

步骤S204，基于所述用户情绪信息，确定所述用户情绪信息对应的动轨迹强度值；

步骤S205，基于所述动轨迹强度值，控制所述多个元素在所述目标画布上的运动状态，并显示至所述显示屏中作为所述目标用户的情绪感知结果。

在本发明实施例中，例如目标用户可以是小红。当小红准备进行情绪感知测试时，她通过触摸屏幕或说出语音命令来发出测试启动指令。系统随即开始播放一段舒缓和节奏稳定的冥想音乐，帮助小红放松并进入冥想状态。同时，系统展示了一个虚拟的目标画布，这个画布上有诸如飘动的气泡、漂移的云彩或者其他视觉元素。小红在冥想音乐的陪伴下逐渐放松，当音频播放到预定的有效时间(比如5分钟后)，意味着小红已经有可能进入了较为深度的冥想状态。此时，佩戴在她头部的脑电波采集设备开始工作，记录她的脑电波活动，以收集她当前的冥想状态下的脑电波数据。系统通过内置的算法处理小红的脑电波数据，分析她在冥想期间的大脑活动模式，从而推断出她当前的情绪状态，如平静、紧张、快乐或悲伤等。根据分析得到的小红的情绪信息，系统计算出与这些情绪相对应的动轨迹强度值。例如，如果小红感到放松，那么动轨迹强度值可能较低，表示运动将是缓慢和平滑的；如果小红感到焦虑，那么动轨迹强度值可能较高，表示运动会更加快速和剧烈。最后，系统将动轨迹强度值转化为目标画布上元素的运动。在小红放松的情况下，那些飘动的气泡可能会慢慢上升，形成一种平静流畅的动态效果。若小红感到焦虑，则这些气泡或云彩可能会快速移动或不规则跳动，反映出她的情绪紧张。这些动态变化被实时显示在屏幕上，让小红能够直观地看到自己的情绪状态，也让心理健康专家能够据此提供相应的指导和建议。

在一种可能的实施方式中，前述步骤S203可以通过以下方式执行实施。

(1)对所述待定冥想脑电波数据进行信号解码，获取所述待定冥想脑电波数据的关键信号描述；所述关键信号描述包括所述待定冥想脑电波数据对应的频域指标和时域指标，所述时域指标用于支持判定所述待定冥想脑电波数据对应的用户情绪信息；

(2)获取关联所述待定冥想脑电波数据的环境因素，并对所述频域指标、所述时域指标和所述环境因素执行整合操作，获取综合信号特征；

(3)对所述综合信号特征进行情绪判定处理，获取所述待定冥想脑电波数据对应的用户情绪信息。

在本发明实施例中，示例性的，张三参与了一个冥想实验，在实验中他戴上了一个脑电波采集设备。这个设备捕捉到了他冥想时的脑电波信号。研究人员使用软件将这些复杂的信号转换成易于分析的数据格式。软件分析了这些数据并提取出了关键的频域指标(比如α波、β波等的强度和分布)和时域指标(如波形的变化速度、稳定性等)。这些指标能够揭示脑部活动的特征，从而帮助理解张三在冥想过程中的心理状态。在采集张三的脑电波数据同时，研究人员也记录了一些环境因素，如室内温度、光线强度、噪声水平等。这些因素可能会影响张三的冥想效果和心理状态。研究人员使用另一组算法将环境因素的数据与脑电波的频域指标和时域指标相结合，以得到一个综合信号特征，这个特征更全面地反映了张三冥想时的状态。最后，研究人员运用机器学习或者其他统计方法对综合信号特征进行分析，判断张三在冥想时的情绪状态。例如，如果α波的强度增加，并且时域指标显示波形较为稳定，同时考虑到环境因素如安静且光线柔和，系统可能会判定张三的情绪状态为放松和平静。反之，如果β波强度高，且时域指标显示波形变化快，结合嘈杂的环境噪声，系统可能会判断张三处于紧张或焦虑的情绪状态。以上举例说明了如何通过细致地分析脑电波数据及其相关的环境因素来理解和预测一个人在特定条件下的情绪状态。这种分析对于设计基于脑电波反馈的冥想辅助工具来说非常重要，可以帮助用户更好地理解自己的情绪变化，并优化他们的冥想体验。

在一种可能的实施方式中，前述对所述频域指标、所述时域指标和所述环境因素执行整合操作，获取综合信号特征的步骤，可以通过以下方式执行实施。

(1)采用属性映射调整因子对所述环境因素进行属性映射，获取所述环境因素对应的向量集合；

(2)对所述频域指标、所述时域指标和所述环境因素对应的向量集合执行组合操作，获取所述综合信号特征。

在本发明实施例中，在小红进行冥想时，除了她的脑电波数据之外，系统也可能考虑周围环境因素，如室内温度、湿度、光线强度等，因为这些因素都可能影响到用户的情绪状态。系统通过属性映射调整因子来将这些环境参数转换成一个向量集合。例如，较低的温度和柔和的光线可能映射为一个使人感到平静和舒适的环境特征向量。系统不仅收集了小红的脑电波数据(时域指标和频域指标)，还有上一步得到的环境因素向量集合。接下来，系统会执行一种组合操作，比如可以是加权求和或者更复杂的算法，将脑电波的时间序列分析结果、频率分析结果与环境因素向量集合结合起来，生成一个综合信号特征。这个综合信号特征能够更全面地反映小红的情绪状态，并考虑到环境因素对她情绪的潜在影响。通过这种方式，系统可以提供一个更精确、更综合的情绪感知结果。例如，如果室内环境变得过于闷热，即使小红的脑电波显示她相对平静，综合信号特征可能会提示系统调整动轨迹强度值以反映出由环境引起的轻微不适感。这样的结果将会体现在目标画布上元素的运动状态中，给小红一个更真实的情绪反馈。

在一种可能的实施方式中，前述对所述待定冥想脑电波数据进行信号解码，获取所述待定冥想脑电波数据的关键信号描述的步骤，可以通过以下方式执行实施。

(1)获取用于对所述环境因素进行属性映射的属性映射调整因子；

(2)对所述待定冥想脑电波数据进行特征构建，获取所述待定冥想脑电波数据的信息特征向量；

(3)采用所述属性映射调整因子对所述待定冥想脑电波数据的信息特征向量进行属性映射，获取所述待定冥想脑电波数据的关键信号描述；所述关键信号描述对应的向量集合的参数数与所述环境因素对应的向量集合的参数数一致。

在本发明实施例中，示例性的，假设李明在一个智能冥想辅助系统的帮助下进行冥想练习。这个系统不仅收集他的脑电波数据，还监测了环境中的各种因素，比如室内温度、湿度、光线亮度等。为了能够将这些不同的环境因素统一到一个与脑电波数据相关的标准中，系统需要一个属性映射调整因子。这个调整因子可以是一组算法或者数学公式，用来转换环境因素数据，使之可以与脑电波的信号特征相结合。接下来，系统对李明的脑电波数据进行进一步的处理，提取出代表其大脑活动的多维信息特征向量。这个向量可能包括了诸如α波强度、β波强度、节律变化等多种特征指标。现在，系统使用前面得到的属性映射调整因子，对李明的信息特征向量进行调整。这个过程确保了脑电波数据中的信号特征和环境因素数据之间能够进行有效的对比和整合。例如，如果环境因素是以摄氏度和卢克斯(光照单位)表示的，而脑电波特征是以赫兹表示的，那么属性映射调整因子就会把所有的数据转换成一致的格式或范围，方便后续分析。通过这个过程，李明的冥想状态和环境因素都被转化为一个统一格式的关键信号描述，即对应的向量集合，它们的参数数量是一致的。这样，系统可以更准确地分析这些数据，从而判断李明的情绪状态，并据此调整冥想辅助程序，以优化他的冥想体验。

在一种可能的实施方式中，前述对所述待定冥想脑电波数据进行特征构建，获取所述待定冥想脑电波数据的信息特征向量的步骤，可以通过以下方式执行实施。

(1)对所述待定冥想脑电波数据执行切割操作，获取多个脑电波数据段；

(2)对各个脑电波数据段进行特征构建，获取所述各个脑电波数据段的信息特征向量；

前述采用所述属性映射调整因子对所述待定冥想脑电波数据的信息特征向量进行属性映射，获取所述待定冥想脑电波数据的关键信号描述的步骤，可以通过以下步骤执行实施。

(1)采用所述属性映射调整因子对所述各个脑电波数据段的信息特征向量进行属性映射，获取所述各个脑电波数据段的初步信号描述；

(2)轮询所述多个脑电波数据段，根据当前轮询的脑电波数据段的初步信号描述，预测所述当前轮询的脑电波数据段对应到频域特征中的各个频带数据的置信度；所述频域特征为所述频域指标表征的特征；

(3)若所述当前轮询的脑电波数据段对应到频域特征中的各个频带数据的置信度中的最高置信度小于预设置信度下限，则从所述各个脑电波数据段的初步信号描述中移除所述当前轮询的脑电波数据段的初步信号描述；

(4)在轮询终止后，根据余下的初步信号描述，获取所述待定冥想脑电波数据的关键信号描述。

在本发明实施例中，示例性的，小红正在进行冥想，而系统已经收集了一段持续时间的脑电波数据。为了分析这些数据，系统首先将长时间的脑电波记录切割成许多短的数据段，比如每段30秒。这样可以帮助分析各个时间点的大脑活动情况，以及随着冥想深度变化时脑电波的变化模式。对于每一个由切割得到的脑电波数据段，系统分别提取特征，包括但不限于频域指标和时域指标。例如，它会计算每个数据段内α波和β波的功率谱密度、相干性等频域特征，以及波形的平均振幅、方差等时域特征。这些特征共同组成了该数据段的信息特征向量。系统使用属性映射调整因子来调整和转换信息特征向量，使其适应后续的分析流程。比如，属性映射可能包括归一化处理，或者根据机器学习模型的需求调整特征的尺度。通过这种映射，每个数据段的信息特征向量被转换成初步的信号描述。系统开始逐一检查每个数据段的初步信号描述，并利用预先训练好的模型来预测每个频带(如δ、θ、α、β波段)的数据置信度。如果某个数据段在任何频带的置信度都没有达到预设的最低标准，那么系统会认为这段数据可能不可靠或受干扰，从而将其排除在后续分析之外。完成上述步骤后，系统汇总剩余数据段的初步信号描述，并从中提取出关键信号描述。这些关键信号描述是对小红冥想状态最准确和最有价值的表征，它们将被用于进一步分析小红的情绪状态并产生视觉反馈。在这个过程中，系统确保了所分析的数据能够反映真实的脑电活动，并且排除了可能由噪声或其他干扰引起的不准确数据，从而为小红提供更精确和可靠的情绪感知结果。

在一种可能的实施方式中，本发明实施例还提供以下示例。

(1)根据所述多个脑电波数据段的切割次序，确定各个脑电波数据段的序列特征，所述序列特征表征相应脑电波数据段在所述待定冥想脑电波数据中的排列信息；

前述对各个脑电波数据段进行特征构建，获取所述各个脑电波数据段的信息特征向量的步骤，可以通过以下方式执行实施。

(1)对各个脑电波数据段进行特征构建，获取所述各个脑电波数据段的抽象特征；

(2)针对任一脑电波数据段，对所述任一脑电波数据段的序列特征和所述任一脑电波数据段的抽象特征执行组合操作处理，获取所述任一脑电波数据段的信息特征向量。

在本发明实施例中，示例性的，假设王强正在使用冥想情绪感知系统进行冥想。系统记录了他整个冥想过程中的连续脑电波数据。为了更细致地分析这些数据，系统将整个脑电波数据流切割成多个数据段，每个数据段代表冥想过程中的一个时间窗口。例如，如果王强进行了10分钟的冥想，系统可能会将记录的数据分成每段30秒的数据段。每个数据段都被赋予一个序列特征，这个特征反映了该数据段在整个冥想过程中的位置和顺序。对于每个数据段，系统都会分析并提取出表征大脑活动的抽象特征，如特定频带的功率谱密度、波峰波谷的数量、平均振幅等。这些抽象特征捕捉了王强在冥想期间每个时间段内大脑状态的细微变化。完成上述步骤后，系统进一步对每个脑电波数据段的序列特征与其抽象特征进行组合操作处理。这种组合可能包括将序列特征与抽象特征进行合并或应用数学模型来整合两者，以生成代表每个数据段的综合信息特征向量。例如，一个数据段的信息特征向量可能包含了该段数据在整个冥想过程中的时间位置(序列特征)以及相应时间窗口内的大脑活动特点(抽象特征)。通过以上步骤，系统能够详细地描述王强在整个冥想过程中的脑电波活动。这样不仅可以描绘出他的整体情绪趋势，而且还能识别出可能存在的任何短暂的情绪波动。最终，系统可以利用这些信息特征向量来准确地反映和响应王强的情绪变化，比如调整冥想音频或视觉元素，从而优化他的冥想体验。

在一种可能的实施方式中，所述待定冥想脑电波数据对应的用户情绪信息是通过训练后的情绪判定模型获取的，所述训练后的情绪判定模型的训练方式可以通过以下方式实现。

(1)获取训练冥想脑电波数据对应的训练信号描述和训练环境因素；所述训练信号描述包括所述训练冥想脑电波数据对应的训练频域指标和训练时域指标；

(2)采用情绪判定模型对所述训练频域指标、所述训练时域指标和所述训练环境因素执行整合操作，获取训练综合信号特征；

(3)采用所述情绪判定模型对所述训练综合信号特征进行情绪判定处理，获取所述训练冥想脑电波数据对应的用户情绪信息；

(4)获取所述训练冥想脑电波数据对应的训练情绪标记，根据所述训练情绪标记和所述训练冥想脑电波数据对应的用户情绪信息训练所述情绪判定模型，获取所述训练后的情绪判定模型。

在本发明实施例中，示例性的，在开发情绪感知系统之前，研究人员进行了一系列的冥想实验，收集了大量不同人群在不同环境下冥想时的脑电波数据。对于每个实验，研究人员记录了参与者的脑电波数据(包括频域指标和时域指标)，同时也详细记录了相应的环境因素，如室内温度、光线亮度等。研究人员使用机器学习算法，比如支持向量机(SVM)或神经网络，来处理和整合收集到的频域指标、时域指标以及环境因素。这个过程生成了所谓的训练综合信号特征，即一个包含所有重要信息的数据集合，用于后续的模型训练。在数据准备好之后，研究人员运行情绪判定模型来处理这些综合信号特征，并尝试识别出每个实验数据对应的情绪状态，如放松、紧张、高兴或悲伤。为了训练这个模型，研究人员还需要一个标记好的数据集，即事先由专家或参与者自报的情绪状态，这作为训练冥想脑电波数据的情绪标记。这样可以确保情绪判定模型的输出(预测的情绪状态)与真实的情绪状态相匹配。有了上述所有数据之后，研究人员就可以开始训练情绪判定模型了。通过比较模型的预测结果与实际的情绪标记，模型可以逐渐学习和调整其参数，直至其预测的准确性达到一个可接受的水平。完成这个训练过程后，得到的就是训练后的情绪判定模型。当李明使用情绪感知系统进行冥想时，这个训练好的情绪判定模型就可以用来分析他的脑电波数据和环境因素，以实时地提供关于他情绪状态的反馈。通过这种方式，系统能够帮助用户更好地理解自己的情绪变化，并优化他们的冥想体验。

在一种可能的实施方式中，所述待定冥想脑电波数据的关键信号描述是通过训练后的脑电波信号解码模型获取的，所述训练后的脑电波信号解码模型的训练方式可以通过以下步骤实现。

(1)获取训练冥想脑电波数据，采用脑电波信号解码模型对所述训练冥想脑电波数据进行信号解码，获取所述训练冥想脑电波数据的训练信号描述；

(2)获取所述训练冥想脑电波数据的训练信号描述标记，根据所述训练信号描述标记和所述训练信号描述训练所述脑电波信号解码模型，获取所述训练后的脑电波信号解码模型。

在本发明实施例中，示例性的，假设一个研究团队正在开发一款冥想辅助应用程序，他们需要构建一个能够准确识别和解码脑电波信号的模型。为此，他们收集了一批志愿者在不同冥想状态下的脑电波数据作为训练数据。这些训练数据被输入到脑电波信号解码模型中，该模型可以是深度学习网络或其他机器学习算法，用以解码并提取出各种信号特征，比如频域和时域指标。研究团队还必须为上述的训练数据提供准确的标记，这些标记可能包括冥想状态的类型(例如放松、专注等)，也可能包括具体的情绪标签(如平静、焦虑等)。这些标记通常由参与者自报或通过其他方式(如问卷调查)获得。现在，研究团队使用训练数据及其对应的标记来训练脑电波信号解码模型。通过监督学习的方法，模型学会了将信号特征映射到正确的冥想状态或情绪标签上。训练过程中，模型的参数不断调整以最小化预测结果和实际标记之间的差异。经过充分的训练，该模型已经能够准确地识别和解释新的脑电波数据。当新用户如小红在使用冥想辅助应用时，她的脑电波数据可以被这个训练好的模型快速解码，以获得她当前的冥想状态和情绪信息。然后，应用程序可以根据这些信息调整冥想引导策略，为小红提供个性化的冥想体验。通过以上步骤，研究团队创建了一个强大的工具，能够帮助用户更好地理解自己的心理状态，并且为他们提供有针对性的冥想辅助。

在一种可能的实施方式中，所述脑电波信号解码模型包括信息特征向量卷积网络结构和信号描述线性网络结构；前述采用脑电波信号解码模型对所述训练冥想脑电波数据进行信号解码，获取所述训练冥想脑电波数据的训练信号描述的步骤，可以通过以下示例实现。

(1)通过所述信息特征向量卷积网络结构对所述训练冥想脑电波数据进行特征构建，获取所述训练冥想脑电波数据的信息特征向量；

(2)通过所述信号描述线性网络结构中的属性映射调整因子对所述训练冥想脑电波数据的信息特征向量进行属性映射，获取所述训练冥想脑电波数据的训练信号描述；

前述根据所述训练信号描述标记和所述训练信号描述训练所述脑电波信号解码模型，获取所述训练后的脑电波信号解码模型的步骤，可以通过以下方式实现。

(1)根据所述训练信号描述标记和所述训练信号描述调整所述信息特征向量卷积网络结构的参数，获取所述训练后的脑电波信号解码模型。

在本发明实施例中，示例性的，张华正在参与一项冥想研究项目，该项目旨在通过分析脑电波数据来评估冥想对情绪的影响。研究团队使用一个信息特征向量卷积网络(一种深度学习模型)，对张华在不同冥想阶段产生的脑电波数据进行分析。这个卷积网络能够从原始的脑电波数据中自动提取出有意义的特征，比如某些频率成分的变化、时域波形的模式等。这些特征被组织成信息特征向量，为进一步的分析打下基础。得到信息特征向量后，研究团队接着使用一个信号描述线性网络结构来进一步处理这些特征。该网络结构内嵌有属性映射调整因子，负责将信息特征向量转换成能够直接反映张华冥想状态的信号描述。这个过程可能包括将特征向量进行归一化、降维或其他数学变换，以适应模型训练的需要。在训练脑电波信号解码模型之前，研究团队已经收集了大量的带有情绪标记的脑电波数据，即训练信号描述标记。这些标记可能来源于参与者的自我报告或专家的评估。在模型训练过程中，研究团队会利用这些训练信号描述标记来指导卷积网络和线性网络的参数调整，使模型能够更准确地识别和解码脑电波数据中的情绪信息。随着训练的进行，模型逐渐学习如何从脑电波数据中准确提取出与情绪相关的特征，并正确地映射到情绪状态。最终，通过这些步骤，研究团队获得了一个训练后的脑电波信号解码模型，该模型可以高效地从新的冥想脑电波数据中解码出参与者的情绪状态。当张华使用该系统进行冥想时，模型可以实时分析他的脑电波数据，提供关于其情绪状态的即时反馈，帮助他更好地理解自己的心理活动，并优化冥想体验。

在一种可能的实施方式中，前述步骤S204可以通过以下步骤执行实施。

(1)获取用于确定运动轨迹强度值的用户情绪信息；

(2)对所述用户情绪信息进行含义分级解读，得到不同深度级的用户情绪内容，并获取用于得到所述运动轨迹强度值的情绪驱动数据；

(3)对所述不同深度级的用户情绪内容进行特征构建，得到所述不同深度级各自的情绪特征表征；

(4)基于第一个深度级的情绪特征表征，对所述情绪驱动数据进行所述第一个深度级的滤波处理，得到所述第一个深度级输出的情绪强度特征；

(5)在所述第一个深度级之后的每一深度级，基于上一深度级输出的情绪强度特征和从所述第一个深度级到本深度级各自的情绪特征表征，对所述情绪驱动数据进行滤波处理，得到逐层情绪细化后的情绪强度特征；其中，每个深度级的滤波处理输出的情绪强度特征的细节层次逐深度级降低；

(6)对所述逐层情绪细化后的情绪强度特征进行数据重建，得到所述运动轨迹强度值。

在本发明实施例中，示例性的，当王小美开始冥想时，脑电波头戴装置收集她的生理数据，特别是脑电波信号，这些信号包含了关于她当前情绪状态的信息。应用程序分析王小美的脑电波数据，区分出不同的情绪层次。例如，首先确定总体情绪状态(如放松或紧张)，然后识别出相关的情绪分项(如安详或担忧)，并进一步解读微观层面的情绪表现(如特定频段的活动变化)。应用程序对每个情绪层次构建特征，如总体情绪层次可能与特定频段的功率密度有关，而微观层面可能涉及到更精细的特征，比如大脑某部分的激活模式。基于总体情绪层次的特征表征，应用程序筛选出与总体情绪状态相关的数据，这相当于一个滤波过程，得到反映王小美放松状态的情绪强度特征。接下来，应用程序会在更细致的情绪层次上进行滤波处理。以情绪分项层次为例，应用程序将基于前一层的输出，进一步筛选和加工数据，以更精确地捕捉王小美的情绪变化，如从放松状态中细化出感觉平静或愉悦的特征。最后，应用程序将所有细化后的情绪强度特征合并重建，形成一个综合的情绪强度值。这个值可用于指导冥想应用程序产生相应的视觉或听觉反馈，比如调整背景音乐的节奏、改变视觉场景的颜色等，以增强王小美的冥想体验，并引导她进入更深层次的冥想状态。通过上述步骤，冥想应用程序能够准确捕捉并响应王小美在冥想过程中的情绪变化，为她提供量身定制的冥想体验。

在本发明实施例中，所述不同深度级包括情绪总体深度级、情绪分项深度级以及情绪微观深度级；前述对所述用户情绪信息进行含义分级解读，得到不同深度级的用户情绪内容的步骤，可以通过以下方式执行实施。

(1)将所述用户情绪信息作为所述情绪总体深度级的用户情绪内容，并从所述用户情绪信息中提取出至少一个情绪状态和与所述至少一个情绪状态对应的描述属性；

(2)将所述至少一个情绪状态作为所述情绪分项深度级的用户情绪内容，并将与所述至少一个情绪状态对应的描述属性，作为所述情绪微观深度级的用户情绪内容。

在本发明实施例中，示例性的，张敏的冥想开始后，脑电波采集设备捕捉到了她的脑电活动。系统首先分析这些数据并判断出她的整体情绪状态，例如，可能判断她处于“放松”状态。这个“放松”状态就是情绪总体深度级的内容，它提供了对张敏当前主要情绪状态的概览。在确定了张敏整体上是放松的之后，系统进一步分析了具体的情绪分项。在这一步骤中，系统可能会发现她的放松状态包含多种情绪层面，如“身体上的舒适”和“心理上的平静”。这些情绪分项被视为情绪分项深度级的内容，提供了更详尽的情绪状态信息。最后，在情绪微观深度级上，系统细化了与“放松”状态相关的各种描述属性。例如，它可能会分析脑电波中特定频段的活动变化，如α波增强，这代表着大脑处于放松的觉醒状态；或者是注意力集中时θ波(theta waves)的变化。这些属性为情绪微观深度级的内容，帮助张敏和系统更精确地理解她在冥想过程中的情绪变化。通过以上步骤，交互式情绪感知系统能够为张敏提供一个多层次的情绪分析，从总体情绪状态到具体情绪分项，再到情绪状态的微观描述，这样的细致分析帮助张敏更好地了解自己的冥想效果，并可以根据这些信息调整她的冥想实践，以达到更佳的放松和心理平衡效果。同时，系统也可以根据这些分析结果调整目标画布上元素的运动状态，使其更贴切地反映出张敏的情绪变化。

在一种可能的实施方式中，前述对所述不同深度级的用户情绪内容进行特征构建，得到所述不同深度级各自的情绪特征表征的步骤，可以通过以下步骤执行实施。

(1)分别对所述不同深度级中每个深度级的各用户情绪内容进行特征构建，得到各所述用户情绪内容的初级强度特征；

(2)根据不相同的一组深度级之间的用户情绪内容之间的情感相关性，对各所述用户情绪内容的初级强度特征进行基于关联加权的优化操作，得到各所述用户情绪内容的优化强度特征；

(3)对同一深度级的用户情绪内容的优化强度特征执行合并操作，得到所述不同深度级各自的情绪特征表征。

在本发明实施例中，示例性的，当王小美开始冥想时，她戴上的脑电波头戴装置测量并记录下了她的脑电波活动。应用程序对从不同深度级别(如总体情绪、情绪分项、微观情绪层面)捕获的情绪内容进行初步分析，提取出反映这些情绪内容的初级强度特征。例如，在总体情绪层面，初级强度特征可能包括α波功率的大小；在情绪分项层面，可以是特定频段内的同步性；而在微观情绪层面，可以是特定脑区的活动模式。接着，应用程序根据不同深度级别之间的用户情绪内容的相关性来优化初级强度特征。比如，如果在总体情绪层面王小美显示出放松的迹象，而在情绪分项层面有高度的愉悦表现，这两者之间的高相关性会导致它们的特征得到相互增强。这样的优化操作可以确保各层次的情绪特征在最终表征中能够准确反映出情绪状态的实际强度。完成优化后，应用程序会对同一深度级别内的多个优化强度特征进行合并操作。这意味着，例如，在总体情绪层面，所有相关的优化强度特征会被综合考虑，形成一个更全面的情绪特征表征。这样的合并操作使得应用程序能够在每个深度级别提供一个清晰、一致的情绪特征表征。通过这个过程，王小美的冥想应用程序不仅能够感知她的情绪状态，还能够更精确地理解情绪状态的不同层面，并据此生成更具针对性的反馈，帮助她调整冥想实践，以达到更佳的放松和心理平衡。

在一种可能的实施方式中，前述根据不相同的一组深度级之间的用户情绪内容之间的情感相关性，对各所述用户情绪内容的初级强度特征进行基于关联加权的优化操作，得到各所述用户情绪内容的优化强度特征的步骤，可以通过以下步骤执行实施。

(1)分别将各所述用户情绪内容作为特征元素，并根据不相同的一组深度级之间的用户情绪内容之间的情感相关性，确定连接各所述特征元素的关系连线；

(2)将各所述用户情绪内容的初级强度特征，对应确定为各所述特征元素的元素描述；

(3)根据各所述特征元素、连接各所述特征元素的关系连线以及各所述特征元素的元素描述，构建多层特征网络；

(4)基于图结构的关联加权，修正所述多层特征网络中各所述特征元素的元素描述，根据修正后的各所述特征元素的元素描述，得到各所述用户情绪内容的优化强度特征。

在本发明实施例中，示例性的，张敏完成了一段时间的冥想后，系统已经识别出了她的多层次情绪状态，包括总体深度级、分项深度级以及微观深度级的情绪内容。现在，系统中的算法会将每种情绪状态视为一个特征元素，并根据它们之间的情感相关性(如放松状态下的α波增强与心理平静之间的联系)画出连接这些元素的关系连线。系统接着为每个特征元素赋予一个初级强度特征，这可以是由脑电波数据中的具体测量值决定的，例如α波的功率谱密度。这些初级强度特征相当于每个情绪状态的“标签”或描述。随后，系统基于所有的特征元素、它们之间的关系连线和各自的元素描述构建一个多层特征网络。这个网络能够表达张敏的复杂情绪结构，揭示不同情绪状态之间的交互影响。为了更精确地捕捉和表达张敏的情绪状态，系统运用图论中的算法对特征网络进行关联加权的优化操作。该算法考虑特征之间的关系强度，可能会增强或减弱某些特征元素的权重。例如，如果α波与放松状态高度相关，则其权重会被增强。优化后的网络更准确地反映了张敏的情绪状况。经过优化操作后，系统将更新的元素描述转化为张敏各个情绪状态的优化强度特征。这些优化强度特征能够更真实地反映她在冥想中的情绪变化。最终，基于这些优化强度特征，冥想应用程序可以调整目标画布上的元素运动，更精准地显示张敏的情绪变化，帮助她获得更深入的自我认知并优化冥想体验。

在一种可能的实施方式中，所述基于图结构的关联加权，前述修正所述多层特征网络中各所述特征元素的元素描述的步骤，可以通过以以下方式执行实施。

(1)针对所述多层特征网络中每个特征元素，确定所针对的特征元素的至少一个邻接元素；

(2)对所述至少一个邻接元素的元素描述和所述所针对的特征元素的元素描述进行基于图结构的关联加权的交叉分析，确定所述至少一个邻接元素以及所述所针对的特征元素的关联加权系数；

(3)根据所述关联加权系数，对所述至少一个邻接元素的元素描述和所述所针对的特征元素的元素描述进行加权组合，得到修正后的所述所针对的特征元素的元素描述。

在一种可能的实施方式中，示例性的，冥想应用程序在构建了多层特征网络后，针对网络中的每个特征元素(例如“放松”状态)，会识别出与之相连的邻接元素。邻接元素可以是其他情绪状态，比如与“放松”紧密相关的“满足感”或“愉悦感”。应用程序随后会分析“放松”这个特征元素与它的邻接元素(如“满足感”和“愉悦感”)之间的关联度。如果发现“放松”与“愉悦感”有更高的关联度，则会给予这两个特征元素之间的连接一个更高的关联加权系数。基于上述关联加权系数，系统会调整“放松”状态的元素描述，将与其高度相关的“愉悦感”的元素描述进行加权组合。这样，如果“愉悦感”在张敏的冥想体验中非常显著，那么这种情绪的特征就会在“放松”状态的描述中占有更重要的位置，反之亦然。通过这个过程，冥想应用程序能够生成一个经过修正的、更准确反映张敏情绪复杂性的特征元素描述。这样的精细化处理使得应用程序在提供反馈时能够更贴切地配合张敏的个人情绪模式，进而帮助她更好地理解和管理自己的情绪状态。最终，这些修正后的元素描述可以用于调整目标画布上的元素运动，为张敏提供更个性化的视觉冥想反馈。

在一种可能的实施方式中，本发明实施例还提供以下示例。

(1)在得到所述运动轨迹强度值的情况下，响应于对所述多层特征网络中连接各所述特征元素的关系连线的交互关系权值修正指令，对所述交互关系权值修正指令所指示的关系连线的交互关系权值进行调整，得到修正的多层特征网络；

(2)基于图结构的关联加权，修正所述修正的多层特征网络中各所述特征元素的元素描述，根据修正后的各所述特征元素的元素描述，得到各所述用户情绪内容的修正强度特征；

(3)对同一深度级的用户情绪内容的修正强度特征执行合并操作，得到所述不同深度级各自的修正后情绪特征表征；

(4)基于所述不同深度级各自的修正后情绪特征表征，生成调整后运动轨迹强度值。

在本发明实施例中，示例性的，张敏在使用冥想应用时，可能通过界面提供反馈，比如她觉得某种情绪状态被过度强调或没有被充分体现。系统接收到这类用户输入后，会生成一条交互关系权值修正指令，准备调整特征网络中相关特征元素之间的连线权重。根据张敏的反馈，如果她觉得“愉悦感”与“放松”之间的联系比系统识别的要强，系统就会调整这两个特征元素之间的关系连线的权值，得到一个修正的多层特征网络。应用程序会使用图结构的关联加权方法来更新修正的多层特征网络中的特征元素描述。例如，“愉悦感”的元素描述将被重新计算，以反映其对“放松”状态的更大影响。一旦特征元素的描述被修正，系统将在相同深度级别内的修正强度特征进行合并，从而得到每个深度级别修正后的情绪特征表征。例如，所有与放松相关的修正特征将被汇总，形成一个更精确的放松状态特征表征。最终，基于修正后的情绪特征表征，系统生成新的运动轨迹强度值。这些值将调整目标画布上元素的运动，更好地符合张敏当前的情绪状态和偏好。例如，如果“愉悦感”特征表征被增强，则画布上的元素可能会以更轻快的方式移动，以反映出愉悦情绪的活跃性。这个过程提供了一种交互式的机制，允许用户(如张敏)直接影响情绪感知系统的行为，并且使系统能够根据用户的实时反馈动态调整情绪分析和反馈。这样，冥想应用程序能够提供更个性化的体验，帮助用户更有效地进行冥想练习。

在一种可能的实施方式中，前述基于第一个深度级的情绪特征表征，对所述情绪驱动数据进行所述第一个深度级的滤波处理，得到所述第一个深度级输出的情绪强度特征的步骤，可以通过以下示例执行实施。

(1)将所述情绪驱动数据作为经过多阶段干扰的干扰数据，从所述多阶段干扰的最终阶段开始，基于第一个深度级的情绪特征表征，对每一阶段输入的干扰数据进行逆向的滤波处理，将对第一阶段输入的干扰数据进行滤波处理所得到的净化输出，作为所述第一个深度级输出的情绪强度特征。

在本发明实施例中，示例性的，张敏在冥想时所产生的生理信号(如脑电波)被视为情绪驱动数据。然而，这些数据可能包含由外部环境变化、身体运动或其他非情绪因素引起的多阶段干扰。例如，房间的噪音、温度变化或者身体不适都可能导致数据的波动。冥想应用程序根据第一个深度级(情绪总体深度级)的情绪特征表征来进行滤波处理。从最终阶段的干扰数据开始，应用程序通过将数据与情绪总体深度级的特征相比较，去除那些与已知放松状态特征不相符的数据点。此过程可以类比于逆向工程，应用程序试图逆推出没有干扰时的情绪强度特征。通过逐阶段的逆向滤波处理，冥想应用程序能够去除或减少干扰数据的影响，并提取出更纯净的情绪强度特征。最终，当应用程序对第一阶段输入的干扰数据完成滤波处理后，所得到的净化输出被认为是代表张敏真实情绪状态的情绪强度特征。在这个过程中，张敏的冥想应用程序能够更准确地捕捉和反映她的情绪变化，从而为她提供更有针对性的冥想指导和反馈。这样的数据处理方法使得冥想应用程序能够抵抗外界干扰，确保用户情绪分析的准确性和可靠性。

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执行前述的基于冥想的交互式用户情绪感知方法。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连接。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连接。

出于说明目的，前面的描述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。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地基于本公开，并基于具有不同修改的各种实施例以适于预期的特定应用。出于说明目的，前面的描述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。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地基于本公开，并基于具有不同修改的各种实施例以适于预期的特定应用。

Claims (6)

1.一种基于冥想的交互式用户情绪感知方法，其特征在于，应用于交互式情绪感知系统，所述交互式情绪感知系统包括脑电波采集设备和显示屏，所述方法包括：

响应于测试启动指令，播放预设冥想音频并获取目标画布，所述目标画布上包括多个元素；

当所述预设冥想音频持续播放到预设有效时间长度时，通过所述脑电波采集设备对目标用户进行脑电波采集，得到待定冥想脑电波数据；

对所述待定冥想脑电波数据进行分析，得到所述目标用户对应的用户情绪信息；

基于所述用户情绪信息，确定所述用户情绪信息对应的动轨迹强度值；

基于所述动轨迹强度值，控制所述多个元素在所述目标画布上的运动状态，并显示至所述显示屏中作为所述目标用户的情绪感知结果；

所述对所述待定冥想脑电波数据进行分析，得到所述目标用户对应的用户情绪信息，包括：

获取用于对环境因素进行属性映射的属性映射调整因子；

对所述待定冥想脑电波数据执行切割操作，获取多个脑电波数据段；

对各个脑电波数据段进行特征构建，获取所述各个脑电波数据段的信息特征向量；

采用所述属性映射调整因子对所述各个脑电波数据段的信息特征向量进行属性映射，获取所述各个脑电波数据段的初步信号描述；

轮询所述多个脑电波数据段，根据当前轮询的脑电波数据段的初步信号描述，预测所述当前轮询的脑电波数据段对应到频域特征中的各个频带数据的置信度；所述频域特征为频域指标表征的特征；

若所述当前轮询的脑电波数据段对应到频域特征中的各个频带数据的置信度中的最高置信度小于预设置信度下限，则从所述各个脑电波数据段的初步信号描述中移除所述当前轮询的脑电波数据段的初步信号描述；

在轮询终止后，根据余下的初步信号描述，获取所述待定冥想脑电波数据的关键信号描述；

采用所述属性映射调整因子对所述待定冥想脑电波数据的信息特征向量进行属性映射，获取所述待定冥想脑电波数据的关键信号描述；所述关键信号描述对应的向量集合的参数数与所述环境因素对应的向量集合的参数数一致；所述关键信号描述包括所述待定冥想脑电波数据对应的频域指标和时域指标，所述时域指标用于支持判定所述待定冥想脑电波数据对应的用户情绪信息；

获取关联所述待定冥想脑电波数据的环境因素，并采用属性映射调整因子对所述环境因素进行属性映射，获取所述环境因素对应的向量集合；

对所述频域指标、所述时域指标和所述环境因素对应的向量集合执行组合操作，获取综合信号特征；

对所述综合信号特征进行情绪判定处理，获取所述待定冥想脑电波数据对应的用户情绪信息；

所述待定冥想脑电波数据对应的用户情绪信息是通过训练后的情绪判定模型获取的，所述训练后的情绪判定模型的训练方式包括：

获取训练冥想脑电波数据对应的训练信号描述和训练环境因素；所述训练信号描述包括所述训练冥想脑电波数据对应的训练频域指标和训练时域指标；

采用情绪判定模型对所述训练频域指标、所述训练时域指标和所述训练环境因素执行整合操作，获取训练综合信号特征；

采用所述情绪判定模型对所述训练综合信号特征进行情绪判定处理，获取所述训练冥想脑电波数据对应的用户情绪信息；

获取所述训练冥想脑电波数据对应的训练情绪标记，根据所述训练情绪标记和所述训练冥想脑电波数据对应的用户情绪信息训练所述情绪判定模型，获取所述训练后的情绪判定模型；

所述待定冥想脑电波数据的关键信号描述是通过训练后的脑电波信号解码模型获取的，所述训练后的脑电波信号解码模型的训练方式包括：

获取训练冥想脑电波数据，采用脑电波信号解码模型对所述训练冥想脑电波数据进行信号解码，获取所述训练冥想脑电波数据的训练信号描述；

获取所述训练冥想脑电波数据的训练信号描述标记，根据所述训练信号描述标记和所述训练信号描述训练所述脑电波信号解码模型，获取所述训练后的脑电波信号解码模型；

所述基于所述用户情绪信息，确定所述用户情绪信息对应的动轨迹强度值，包括：

获取用于确定运动轨迹强度值的用户情绪信息；

对所述用户情绪信息进行含义分级解读，得到不同深度级的用户情绪内容，并获取用于得到所述运动轨迹强度值的情绪驱动数据；

分别对所述不同深度级中每个深度级的各用户情绪内容进行特征构建，得到各所述用户情绪内容的初级强度特征；

分别将各所述用户情绪内容作为特征元素，并根据不相同的一组深度级之间的用户情绪内容之间的情感相关性，确定连接各所述特征元素的关系连线；

将各所述用户情绪内容的初级强度特征，对应确定为各所述特征元素的元素描述；

根据各所述特征元素、连接各所述特征元素的关系连线以及各所述特征元素的元素描述，构建多层特征网络；

针对所述多层特征网络中每个特征元素，确定所针对的特征元素的至少一个邻接元素；

对所述至少一个邻接元素的元素描述和所述所针对的特征元素的元素描述进行基于图结构的关联加权的交叉分析，确定所述至少一个邻接元素以及所述所针对的特征元素的关联加权系数；

根据所述关联加权系数，对所述至少一个邻接元素的元素描述和所述所针对的特征元素的元素描述进行加权组合，得到修正后的所述所针对的特征元素的元素描述，根据修正后的各所述特征元素的元素描述，得到各所述用户情绪内容的优化强度特征；

对同一深度级的用户情绪内容的优化强度特征执行合并操作，得到所述不同深度级各自的情绪特征表征；

将所述情绪驱动数据作为经过多阶段干扰的干扰数据，从所述多阶段干扰的最终阶段开始，基于第一个深度级的情绪特征表征，对每一阶段输入的干扰数据进行逆向的滤波处理，将对第一阶段输入的干扰数据进行滤波处理所得到的净化输出，作为所述第一个深度级输出的情绪强度特征；

在所述第一个深度级之后的每一深度级，基于上一深度级输出的情绪强度特征和从所述第一个深度级到本深度级各自的情绪特征表征，对所述情绪驱动数据进行滤波处理，得到逐层情绪细化后的情绪强度特征；其中，每个深度级的滤波处理输出的情绪强度特征的细节层次逐深度级降低；

对所述逐层情绪细化后的情绪强度特征进行数据重建，得到所述运动轨迹强度值。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述多个脑电波数据段的切割次序，确定各个脑电波数据段的序列特征，所述序列特征表征相应脑电波数据段在所述待定冥想脑电波数据中的排列信息；

所述对各个脑电波数据段进行特征构建，获取所述各个脑电波数据段的信息特征向量，包括：

对各个脑电波数据段进行特征构建，获取所述各个脑电波数据段的抽象特征；

针对任一脑电波数据段，对所述任一脑电波数据段的序列特征和所述任一脑电波数据段的抽象特征执行组合操作处理，获取所述任一脑电波数据段的信息特征向量。

3.根据权利要求1所述的方法，其特征在于，所述脑电波信号解码模型包括信息特征向量卷积网络结构和信号描述线性网络结构；

所述采用脑电波信号解码模型对所述训练冥想脑电波数据进行信号解码，获取所述训练冥想脑电波数据的训练信号描述，包括：

通过所述信息特征向量卷积网络结构对所述训练冥想脑电波数据进行特征构建，获取所述训练冥想脑电波数据的信息特征向量；

通过所述信号描述线性网络结构中的属性映射调整因子对所述训练冥想脑电波数据的信息特征向量进行属性映射，获取所述训练冥想脑电波数据的训练信号描述；

所述根据所述训练信号描述标记和所述训练信号描述训练所述脑电波信号解码模型，获取所述训练后的脑电波信号解码模型，包括：

根据所述训练信号描述标记和所述训练信号描述调整所述信息特征向量卷积网络结构的参数，获取所述训练后的脑电波信号解码模型。

4.根据权利要求1所述的方法，其特征在于，所述不同深度级包括情绪总体深度级、情绪分项深度级以及情绪微观深度级；所述对所述用户情绪信息进行含义分级解读，得到不同深度级的用户情绪内容包括：

将所述用户情绪信息作为所述情绪总体深度级的用户情绪内容，并从所述用户情绪信息中提取出至少一个情绪状态和与所述至少一个情绪状态对应的描述属性；

将所述至少一个情绪状态作为所述情绪分项深度级的用户情绪内容，并将与所述至少一个情绪状态对应的描述属性，作为所述情绪微观深度级的用户情绪内容。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在得到所述运动轨迹强度值的情况下，响应于对所述多层特征网络中连接各所述特征元素的关系连线的交互关系权值修正指令，对所述交互关系权值修正指令所指示的关系连线的交互关系权值进行调整，得到修正的多层特征网络；

基于图结构的关联加权，修正所述修正的多层特征网络中各所述特征元素的元素描述，根据修正后的各所述特征元素的元素描述，得到各所述用户情绪内容的修正强度特征；

对同一深度级的用户情绪内容的修正强度特征执行合并操作，得到所述不同深度级各自的修正后情绪特征表征；

基于所述不同深度级各自的修正后情绪特征表征，生成调整后运动轨迹强度值。

6.一种服务器系统，其特征在于，包括服务器，所述服务器用于执行权利要求1-5中任一项所述的方法。