CN117671774B - 一种人脸情绪智能识别分析设备 - Google Patents
一种人脸情绪智能识别分析设备 Download PDFInfo
- Publication number
- CN117671774B CN117671774B CN202410042524.0A CN202410042524A CN117671774B CN 117671774 B CN117671774 B CN 117671774B CN 202410042524 A CN202410042524 A CN 202410042524A CN 117671774 B CN117671774 B CN 117671774B
- Authority
- CN
- China
- Prior art keywords
- target patient
- facial
- patient
- characteristic
- sampling time
- 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
- 230000008451 emotion Effects 0.000 title claims abstract description 101
- 238000004458 analytical method Methods 0.000 title claims abstract description 65
- 230000008921 facial expression Effects 0.000 claims abstract description 216
- 238000012544 monitoring process Methods 0.000 claims abstract description 110
- 230000001815 facial effect Effects 0.000 claims abstract description 71
- 210000003205 muscle Anatomy 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000014509 gene expression Effects 0.000 claims abstract description 42
- 230000009323 psychological health Effects 0.000 claims abstract description 23
- 230000008909 emotion recognition Effects 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 89
- 230000008569 process Effects 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000004630 mental health Effects 0.000 claims description 9
- 238000010191 image analysis Methods 0.000 claims description 8
- 241000894007 species Species 0.000 claims description 6
- 210000004709 eyebrow Anatomy 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000000474 nursing effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 abstract description 10
- 150000001875 compounds Chemical class 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 208000020016 psychiatric disease Diseases 0.000 description 3
- 210000000697 sensory organ Anatomy 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 206010027940 Mood altered Diseases 0.000 description 1
- 208000028017 Psychotic disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007918 intramuscular administration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007510 mood change Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及人脸情绪智能识别领域，具体公开一种人脸情绪智能识别分析设备，本发明通过获取患者面部表情的样本图像集，分析患者面部表情中各特征部位的典型肌肉运动轨迹，构建患者面部表情的识别模型，进而提高面部表情识别模型的精度；通过获取患者脸部图像中特征部位的肌肉运动轨迹和特征点的位置，分析患者脸部图像与各种面部表情的吻合指数，得到患者脸部图像的表情，对面部各特征部位进行综合考量与评估，减少面部表情识别结果的误差；获取观察期内各监测周期中患者的各种情绪的趋势曲线，分析患者的心理健康评估指数，进而为心理咨询师提供更多的信息和依据，更准确地评估患者的心理健康状况和制定恰当的治疗方案。
Description
技术领域
本发明涉及人脸情绪智能识别领域，涉及到一种人脸情绪智能识别分析设备。
背景技术
表情识别是计算机理解人类情感的一个重要方向，是指从静态图片或者视频序列中识别出表情状态，从而确定人物的情绪与心理变化，人脸表情识别作为人脸识别技术的一个重要组成部分，在计算机视觉、人机交互和情感计算中有着广泛的研究前景，包括人机交互、情绪分析、智能安全、娱乐、网络教育和智能医疗等。
其中，人脸表情识别在精神类疾病的辅助治疗方面有一定的作用，通过监测患者在干预治疗后的情绪变化，可以评估患者治疗方案的疗效，进而有利于优化患者的治疗方案。
现有的人脸表情识别方法存在一些不足：第一方面，现有方法在判断测试者面部表情的类型时，选择将测试者面部图片与大数据库中各类型面部表情的图片进行比对或者与设定的面部表情标准图片进行比对，进而得到测试者面部表情的类型，没有选择将测试者面部图片与测试者自身的各种面部表情的样本图片进行比对，同一种情绪在每个人的面部呈现有所差异，五官的变化和程度有所不同，特别是一些面部五官具有先天性缺陷的人群，这些人面部情绪的表达呈现可能与常人不同，因此在识别面部表情的类型时需要进行独立性和个性化的分析，进而提高人脸表情识别结果的可靠性。
第二方面，人脸表情是由面部五官的整体协调配合而最终呈现的效果，现有方法大都依据与面部表情关联性强的某个特征部位的状态来判断面部表情的种类，如判断微笑表情时，依据与微笑表情关联性强的嘴巴部位的嘴角上扬状态来判断，缺乏对面部各特征部位的综合考量与评估，存在一定的片面性，从而使得面部表情识别结果的误差较大。
发明内容
针对上述问题，本发明提出了一种人脸情绪智能识别分析设备，实现对人脸情绪智能识别的功能。
本发明解决其技术问题采用的技术方案是：本发明提供一种人脸情绪智能识别分析设备，包括：面部表情样本图像录入模块：用于获取精神卫生中心疗养区中目标患者各种面部表情的各样本图像。
面部表情样本图像解析模块：用于对目标患者各种面部表情的各样本图像依次进行预处理、人脸检测、特征部位获取和特征点提取，进一步得到目标患者各种面部表情的各样本图像中各特征部位的肌肉运动轨迹。
面部表情识别模型构建模块：用于对目标患者各种面部表情的各样本图像中各特征部位的肌肉运动轨迹进行比对分析，得到目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹，构建目标患者各种面部表情的识别模型。
情感数据库：用于存储目标患者各种面部表情的识别模型。
目标患者脸部图像采集模块：用于采集观察期内各监测周期中各采样时间点目标患者的各脸部图像。
目标患者脸部表情识别模块：用于对观察期内各监测周期中各采样时间点目标患者的各脸部图像进行识别，获取观察期内各监测周期中各采样时间点目标患者各脸部图像的表情。
目标患者情绪变化监测模块：用于根据观察期内各监测周期中各采样时间点目标患者各脸部图像的表情，分析观察期内各监测周期中各采样时间点目标患者的各种情绪的相对比例系数，绘制观察期内各监测周期中目标患者的各种情绪的趋势曲线。
目标患者心理健康测评模块：用于根据观察期内各监测周期中目标患者的各种情绪的趋势曲线，分析目标患者的心理健康评估指数，并进行反馈。
在上述实施例的基础上，所述面部表情样本图像解析模块的具体分析过程为：S1：对目标患者各种面部表情的各样本图像进行倾斜校正、尺寸调节和分辨率调节，并进行格式归一化，得到预处理后的目标患者各种面部表情的各样本图像。
S2：通过人脸检测算法获取预处理后的目标患者各种面部表情的各样本图像的人脸区域。
S3：通过面部特征的检测算法获取预处理后目标患者各种面部表情的各样本图像中人脸区域的各特征部位，其中特征部位包括眉毛部位、眼睛部位、鼻子部位、嘴巴部位和脸颊部位。
S4：获取预处理后目标患者各种面部表情的各样本图像人脸区域中各特征部位的轮廓线，按照预设的特征点标记方法在预处理后目标患者各种面部表情的各样本图像人脸区域中各特征部位的轮廓线上标出其特征部位对应的各特征点，得到预处理后目标患者各种面部表情的各样本图像中人脸区域中各特征部位的各特征点。
S5：将预处理后目标患者各种面部表情的各样本图像人脸区域中各特征部位的各特征点依次连接，得到目标患者各种面部表情的各样本图像中各特征部位的肌肉运动轨迹。
在上述实施例的基础上，所述面部表情识别模型构建模块的具体分析过程为：将目标患者各种面部表情的各样本图像中各特征部位的肌肉运动轨迹进行比对分析，获取目标患者各种面部表情中各特征部位的最具代表性的肌肉运动轨迹，将其记为目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹，进一步构建目标患者各种面部表情的识别模型。
在上述实施例的基础上，所述目标患者脸部图像采集模块的具体分析过程为：设定观察期的时长，按照预设的等时长原则将观察期划分为各监测周期，并按照预设的等时间间隔在监测周期内设置各采样时间点，设定单次采集的目标患者脸部图像的总数量，通过人脸面部表情识别仪器的高清摄像头获取观察期内各监测周期中各采样时间点目标患者的各脸部图像。
在上述实施例的基础上，所述目标患者脸部表情识别模块的具体分析过程包括：获取观察期内各监测周期中各采样时间点目标患者的各脸部图像中各特征部位的图像，进一步得到观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位的肌肉运动轨迹。
提取情感数据库中存储的目标患者各种面部表情的识别模型，得到目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹。
将观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位的肌肉运动轨迹与目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹进行比对，得到观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位的肌肉运动轨迹与各种面部表情中对应特征部位的典型肌肉运动轨迹的相似度，将其记为，/>表示第个监测周期的编号，/>，/>表示第/>个采样时间点的编号，/>，/>表示第个脸部图像的编号，/>，/>表示第/>个特征部位的编号，/>，/>表示第种面部表情的编号，/>。
通过分析公式得到观察期内各监测周期中各采样时间点目标患者各脸部图像与各种面部表情的第一匹配系数/>，其中/>表示预设的第一匹配系数的修正因子，/>表示预设的第/>个特征部位的权值，/>，/>表示面部表情的种类数量。
在上述实施例的基础上，所述目标患者脸部表情识别模块的具体分析过程还包括：根据目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹，得到目标患者各种面部表情对应的各特征部位中各特征点的参考位置。
获取观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位中各特征点的位置。
将观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位中各特征点的位置与各种面部表情中对应特征部位中对应特征点的参考位置进行比对，得到观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位中各特征点的位置与各种面部表情中对应特征部位中对应特征点的参考位置之间的距离，将其记为，/>表示特征部位中第/>个特征点的编号，/>。
通过分析公式得到观察期内各监测周期中各采样时间点目标患者各脸部图像与各种面部表情的第二匹配系数/>，其中/>表示预设的第二匹配系数的修正因子，/>表示自然常数，/>表示预设的特征点位置单位偏差对应的影响因子，/>表示预设的第/>个特征点的权重，/>。
在上述实施例的基础上，所述目标患者脸部表情识别模块的具体分析过程还包括：通过分析公式得到观察期内各监测周期中各采样时间点目标患者各脸部图像与各种面部表情的吻合指数/>，其中/>分别表示预设的第一匹配系数和第二匹配系数的权重因子。
将观察期内各监测周期中各采样时间点目标患者各脸部图像与各种面部表情的吻合指数进行相互比较，将最大吻合指数对应的面部表情作为脸部图像的表情，统计得到观察期内各监测周期中各采样时间点目标患者各脸部图像的表情。
在上述实施例的基础上，所述目标患者情绪变化监测模块的具体分析过程为：将观察期内各监测周期中各采样时间点目标患者各脸部图像的表情与预设的各种情绪对应的表情集合进行比对，赋予观察期内各监测周期中各采样时间点目标患者各脸部图像的情绪标签。
将观察期内各监测周期中各采样时间点目标患者各脸部图像按照相同情绪标签进行归类，得到观察期内各监测周期中各采样时间点目标患者各种情绪对应的脸部图像数量，并将其除以设定单次采集的目标患者脸部图像的总数量，得到观察期内各监测周期中各采样时间点目标患者的各种情绪的相对比例系数，进一步绘制观察期内各监测周期中目标患者的各种情绪的趋势曲线。
在上述实施例的基础上，所述目标患者心理健康测评模块的具体分析过程包括：将观察期内各监测周期中目标患者的各种情绪的趋势曲线与预设的观察期内目标患者的各种情绪的期望趋势曲线进行比对，获取观察期内各监测周期中目标患者的各种情绪的符合度，并表示为，/>表示第/>种情绪的编号，/>。
在上述实施例的基础上，所述目标患者心理健康测评模块的具体分析过程还包括：通过分析公式得到目标患者的心理健康评估指数/>，其中/>表示监测周期的数量，/>表示第/>种情绪的权重因子，/>，表示预设的情绪的符合度阈值，/>表示观察期内第/>个监测周期中目标患者的第种情绪的符合度，将其反馈至目标患者的心理咨询师。
相对于现有技术，本发明所述的一种人脸情绪智能识别分析设备以下有益效果：1.本发明通过获取患者各种面部表情的样本图像集，分析患者各种面部表情对应的各特征部位的典型肌肉运动轨迹，构建患者各种面部表情的识别模型，根据患者自身的面部表情样本图像构建其适配的面部表情识别模型，相比于依据第三方图片数据构建的面部表情识别模型，识别率更高，从而使得基于面部表情识别模型的面部表情识别的结果更加精准，有利于对患者心理情绪做出科学的趋向性分析与评估。
2.本发明通过获取患者各脸部图像中各特征部位的肌肉运动轨迹和各特征部位中各特征点的位置，分析患者各脸部图像与各种面部表情的吻合指数，进一步得到患者各脸部图像的表情，在识别患者面部表情时对患者面部各特征部位进行综合考量与评估，进而减少面部表情识别结果的误差。
3.本发明通过获取观察期内各监测周期中各采样时间点患者各脸部图像的表情，分析观察期内各监测周期中各采样时间点患者的各种情绪的相对比例系数，进一步分析患者的心理健康评估指数，能够客观地捕捉和分析患者的情绪状态，为心理咨询师提供更多的信息和依据，从而更准确地评估患者的心理健康状况，并制定更恰当的治疗方案。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的系统模块连接图。
图2为本发明的人脸面部表情识别仪器的外形示意图。
图3为本发明的目标患者面部表情识别模型示意图。
图4为本发明的目标患者各种情绪的趋势曲线示意图。
附图标记：1.高清摄像头；2.显示屏；3.眉毛部位；4.眼睛部位；5.鼻子部位；6.嘴巴部位；7.脸颊部位；8.特征点；9.特征部位的肌肉运动轨迹；10.采样时间点；11.相对比例系数；12.情绪A的趋势曲线；13.情绪B的趋势曲线；14.情绪C的趋势曲线。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
需要说明的是，本公开所涉及的信息（包括但不限于用户设备信息、用户个人信息等）、数据（包括但不限于用于分析的数据、存储的数据、展示的数据等）以及信号，均为经用户授权或者经过各方充分授权的，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如，本公开中涉及到的多媒体资源等都是在充分授权的情况下获取的。
请参阅图1所示，本发明提供一种人脸情绪智能识别分析设备，包括面部表情样本图像录入模块、面部表情样本图像解析模块、面部表情识别模型构建模块、情感数据库、目标患者脸部图像采集模块、目标患者脸部表情识别模块、目标患者情绪变化监测模块和目标患者心理健康测评模块。
所述面部表情样本图像解析模块分别与面部表情样本图像录入模块和面部表情识别模型构建模块连接，目标患者脸部图像采集模块分别与面部表情识别模型构建模块和目标患者脸部表情识别模块连接，目标患者情绪变化监测模块分别与目标患者脸部表情识别模块和目标患者心理健康测评模块连接，情感数据库分别与面部表情识别模型构建模块和目标患者脸部表情识别模块连接。
所述面部表情样本图像录入模块用于获取精神卫生中心疗养区中目标患者各种面部表情的各样本图像。
作为一种优选方案，所述面部表情样本图像录入模块的具体分析过程为：按照预设的原则对面部表情的种类进行划分，获取精神卫生中心疗养区中目标患者各种面部表情的各样本图像。
在另一个具体实施例中，所述精神卫生中心疗养区为精神卫生中心住院部。
作为一种优选方案，所述目标患者患有伴有明显情绪变化的精神类疾病。
在一个具体实施例中，目标患者为抑郁症患者。
在另一个具体实施例中，目标患者为双向情感障碍患者。
作为一种优选方案，目标患者面部表情的样本图像为目标患者本人提供或者目标患者直系亲属提供，且仅用于目标患者精神类疾病的诊疗。
作为一种优选方案，所述面部表情的种类包括但不限于：自然、高兴、难过、震惊、生气、害怕、厌恶和轻蔑等。
在另一个具体实施例中，面部表情种类中自然表情也可以称为中性表情或者无表情。
作为一种优选方案，所述面部表情可以是单一表情、复合表情或者自定义表情，其中复合表情为两种单一表情的复合，如害怕和震惊等，自定义表情为常规面部表情之外的需要自定义的表情，如嘟嘴等。
作为一种优选方案，目标患者面部表情的样本图像越多，构建的目标患者面部表情识别模型的精度越高。
所述面部表情样本图像解析模块用于对目标患者各种面部表情的各样本图像依次进行预处理、人脸检测、特征部位获取和特征点提取，进一步得到目标患者各种面部表情的各样本图像中各特征部位的肌肉运动轨迹。
进一步地，所述面部表情样本图像解析模块的具体分析过程为：S1：对目标患者各种面部表情的各样本图像进行倾斜校正、尺寸调节和分辨率调节，并进行格式归一化，得到预处理后的目标患者各种面部表情的各样本图像。
作为一种优选方案，对样本图像进行倾斜校正是指消除由于相机或拍摄角度导致的样本图像倾斜，恢复样本图像的垂直和平行关系。
作为一种优选方案，对样本图像进行尺寸调节是指当样本图像的长宽比不符合要求时，对样本图像的长宽比进行调节。
在一个具体实施例中，若样本图像的长宽比大于10，则样本图像需要进行尺寸调节。
作为一种优选方案，对样本图像进行分辨率调节是指当样本图像的分辨率不达标时，对样本图像的分辨率进行调节。
作为一种优选方案，对样本图像进行格式归一化是指统一样本图像的格式，对样本图像进行格式归一化的目的是方便样本图像的遍历。
S2：通过人脸检测算法获取预处理后的目标患者各种面部表情的各样本图像的人脸区域。
作为一种优选方案，人脸检测过程使用到机器视觉技术，包括颜色分析，纹理分析和形状分析等。
在另一个具体实施例中，利用面部识别技术获取预处理后的目标患者各种面部表情的各样本图像中的人脸区域。
S3：通过面部特征的检测算法获取预处理后目标患者各种面部表情的各样本图像中人脸区域的各特征部位，其中特征部位包括眉毛部位、眼睛部位、鼻子部位、嘴巴部位和脸颊部位。
S4：参阅图3所示，获取预处理后目标患者各种面部表情的各样本图像人脸区域中各特征部位的轮廓线，按照预设的特征点标记方法在预处理后目标患者各种面部表情的各样本图像人脸区域中各特征部位的轮廓线上标出其特征部位对应的各特征点，得到预处理后目标患者各种面部表情的各样本图像中人脸区域中各特征部位的各特征点。
作为一种优选方案，在人脸区域特征部位的轮廓线上标记特征部位的各特征点有两种方式，第一种是按照预设的等距离原则在特征部位的轮廓线上标记特征部位的各特征点，第二种是先在特征部位的关键位置标记特征点，如嘴巴部位的嘴角位置、上嘴唇位置和下嘴唇位置，然后按照设定的等距离原则在特征部位的其他位置标记特征点，进而在特征部位的轮廓线上标记特征部位的各特征点。
S5：将预处理后目标患者各种面部表情的各样本图像人脸区域中各特征部位的各特征点依次连接，得到目标患者各种面部表情的各样本图像中各特征部位的肌肉运动轨迹。
所述面部表情识别模型构建模块用于对目标患者各种面部表情的各样本图像中各特征部位的肌肉运动轨迹进行比对分析，得到目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹，构建目标患者各种面部表情的识别模型。
进一步地，所述面部表情识别模型构建模块的具体分析过程为：将目标患者各种面部表情的各样本图像中各特征部位的肌肉运动轨迹进行比对分析，获取目标患者各种面部表情中各特征部位的最具代表性的肌肉运动轨迹，将其记为目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹，进一步构建目标患者各种面部表情的识别模型。
作为一种优选方案，获取目标患者各种面部表情中各特征部位的最具代表性的肌肉运动轨迹，具体方法为：以获取目标患者某种面部表情中某特征部位的最具代表性的肌肉运动轨迹的方法为例：利用数学模型分析方法将目标患者该种面部表情中该特征部位在该种面部表情的各样本图像中的肌肉运动轨迹进行拟合，得到目标患者该种面部表情中该特征部位的最具代表性的肌肉运动轨迹，进而得到目标患者各种面部表情中各特征部位的最具代表性的肌肉运动轨迹。
作为一种优选方案，各种面部表情在脸部的肌内运动都有其特定的轨迹。
作为一种优选方案，目标患者各种面部表情的识别模型训练完成后，可以将目标患者各种面部表情的识别模型反向应用于各种面部表情的各样本图像，利用交叉熵损失对目标患者各种面部表情的识别模型进行优化，进而提高识别模型的精度。
需要说明的是，本发明通过获取患者各种面部表情的样本图像集，分析患者各种面部表情对应的各特征部位的典型肌肉运动轨迹，构建患者各种面部表情的识别模型，根据患者自身的面部表情样本图像构建其适配的面部表情识别模型，相比于依据第三方图片数据构建的面部表情识别模型，识别率更高，从而使得基于面部表情识别模型的面部表情识别的结果更加精准，有利于对患者心理情绪做出科学的趋向性分析与评估。
所述情感数据库用于存储目标患者各种面部表情的识别模型。
所述目标患者脸部图像采集模块用于采集观察期内各监测周期中各采样时间点目标患者的各脸部图像。
进一步地，所述目标患者脸部图像采集模块的具体分析过程为：设定观察期的时长，按照预设的等时长原则将观察期划分为各监测周期，并按照预设的等时间间隔在监测周期内设置各采样时间点，设定单次采集的目标患者脸部图像的总数量，参阅图2所示，通过人脸面部表情识别仪器的高清摄像头获取观察期内各监测周期中各采样时间点目标患者的各脸部图像。
作为一种优选方案，采集的目标患者脸部图像的用途仅为目标患者精神类疾病的诊疗。
所述目标患者脸部表情识别模块用于对观察期内各监测周期中各采样时间点目标患者的各脸部图像进行识别，获取观察期内各监测周期中各采样时间点目标患者各脸部图像的表情。
进一步地，所述目标患者脸部表情识别模块的具体分析过程包括：获取观察期内各监测周期中各采样时间点目标患者的各脸部图像中各特征部位的图像，进一步得到观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位的肌肉运动轨迹。
作为一种优选方案，获取观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位的肌肉运动轨迹，具体方法为：对观察期内各监测周期中各采样时间点目标患者的各脸部图像进行识别，截取观察期内各监测周期中各采样时间点目标患者的各脸部图像中各特征部位的图像。
获取观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位和各特征部位的各特征点，进一步得到观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位的肌肉运动轨迹。
提取情感数据库中存储的目标患者各种面部表情的识别模型，得到目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹。
将观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位的肌肉运动轨迹与目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹进行比对，得到观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位的肌肉运动轨迹与各种面部表情中对应特征部位的典型肌肉运动轨迹的相似度，将其记为，/>表示第个监测周期的编号，/>，/>表示第/>个采样时间点的编号，/>，/>表示第个脸部图像的编号，/>，/>表示第/>个特征部位的编号，/>，/>表示第种面部表情的编号，/>。
通过分析公式得到观察期内各监测周期中各采样时间点目标患者各脸部图像与各种面部表情的第一匹配系数/>，其中/>表示预设的第一匹配系数的修正因子，/>表示预设的第/>个特征部位的权值，/>，/>表示面部表情的种类数量。
作为一种优选方案，观察期内监测周期中采样时间点目标患者脸部图像的各特征部位为眉毛部位、眼睛部位、鼻子部位、嘴巴部位和脸颊部位。
进一步地，所述目标患者脸部表情识别模块的具体分析过程还包括：根据目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹，得到目标患者各种面部表情对应的各特征部位中各特征点的参考位置。
获取观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位中各特征点的位置。
将观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位中各特征点的位置与各种面部表情中对应特征部位中对应特征点的参考位置进行比对，得到观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位中各特征点的位置与各种面部表情中对应特征部位中对应特征点的参考位置之间的距离，将其记为，/>表示特征部位中第/>个特征点的编号，/>。
通过分析公式得到观察期内各监测周期中各采样时间点目标患者各脸部图像与各种面部表情的第二匹配系数/>，其中/>表示预设的第二匹配系数的修正因子，/>表示自然常数，/>表示预设的特征点位置单位偏差对应的影响因子，/>表示预设的第/>个特征点的权重，/>。
进一步地，所述目标患者脸部表情识别模块的具体分析过程还包括：通过分析公式得到观察期内各监测周期中各采样时间点目标患者各脸部图像与各种面部表情的吻合指数/>，其中/>分别表示预设的第一匹配系数和第二匹配系数的权重因子。
将观察期内各监测周期中各采样时间点目标患者各脸部图像与各种面部表情的吻合指数进行相互比较，将最大吻合指数对应的面部表情作为脸部图像的表情，统计得到观察期内各监测周期中各采样时间点目标患者各脸部图像的表情。
需要说明的是，本发明通过获取患者各脸部图像中各特征部位的肌肉运动轨迹和各特征部位中各特征点的位置，分析患者各脸部图像与各种面部表情的吻合指数，进一步得到患者各脸部图像的表情，在识别患者面部表情时对患者面部各特征部位进行综合考量与评估，进而减少面部表情识别结果的误差。
所述目标患者情绪变化监测模块用于根据观察期内各监测周期中各采样时间点目标患者各脸部图像的表情，分析观察期内各监测周期中各采样时间点目标患者的各种情绪的相对比例系数，绘制观察期内各监测周期中目标患者的各种情绪的趋势曲线。
进一步地，所述目标患者情绪变化监测模块的具体分析过程为：将观察期内各监测周期中各采样时间点目标患者各脸部图像的表情与预设的各种情绪对应的表情集合进行比对，赋予观察期内各监测周期中各采样时间点目标患者各脸部图像的情绪标签。
将观察期内各监测周期中各采样时间点目标患者各脸部图像按照相同情绪标签进行归类，得到观察期内各监测周期中各采样时间点目标患者各种情绪对应的脸部图像数量，并将其除以设定单次采集的目标患者脸部图像的总数量，得到观察期内各监测周期中各采样时间点目标患者的各种情绪的相对比例系数，进一步绘制观察期内各监测周期中目标患者的各种情绪的趋势曲线。
作为一种优选方案，所述情绪种类的划分有多种方式。
在一个具体实施例中，情绪种类划分为积极情绪、中性情绪和消极情绪，其中积极情绪对应高兴表情等，中性情绪对应自然表情等，消极情绪对应难过表情和生气表情等。
作为一种优选方案，观察期内各监测周期中各采样时间点采集的目标患者脸部图像的数量相同，均为设定的单次采集的目标患者脸部图像的总数量。
作为一种优选方案，绘制观察期内各监测周期中目标患者的各种情绪的趋势曲线，具体方法为：参阅图4所示，以采样时间点为自变量、相对比例系数为因变量建立坐标系，根据观察期内各监测周期中各采样时间点目标患者的各种情绪的相对比例系数，在坐标系中标出对应的数据点，利用数学模型的分析方法，绘制观察期内各监测周期中目标患者的各种情绪的趋势曲线。
所述目标患者心理健康测评模块用于根据观察期内各监测周期中目标患者的各种情绪的趋势曲线，分析目标患者的心理健康评估指数，并进行反馈。
进一步地，所述目标患者心理健康测评模块的具体分析过程包括：将观察期内各监测周期中目标患者的各种情绪的趋势曲线与预设的观察期内目标患者的各种情绪的期望趋势曲线进行比对，获取观察期内各监测周期中目标患者的各种情绪的符合度，并表示为，/>表示第/>种情绪的编号，/>。
作为一种优选方案，获取观察期内各监测周期中目标患者的各种情绪的符合度，具体方法为：将观察期内各监测周期中目标患者的各种情绪的趋势曲线与预设的观察期内目标患者的各种情绪的期望趋势曲线进行比对，得到观察期内各监测周期中目标患者的各种情绪的趋势曲线与其情绪对应的期望趋势曲线的重合度，将其记为观察期内各监测周期中目标患者的各种情绪的符合度。
作为一种优选方案，观察期内目标患者的各种情绪的期望趋势曲线由目标患者的心理咨询师根据目标患者治疗方案的预期效果而制定的。
进一步地，所述目标患者心理健康测评模块的具体分析过程还包括：通过分析公式得到目标患者的心理健康评估指数/>，其中/>表示监测周期的数量，/>表示第/>种情绪的权重因子，/>，/>表示预设的情绪的符合度阈值，/>表示观察期内第/>个监测周期中目标患者的第/>种情绪的符合度，将其反馈至目标患者的心理咨询师。
需要说明的是，本发明通过获取观察期内各监测周期中各采样时间点患者各脸部图像的表情，分析观察期内各监测周期中各采样时间点患者的各种情绪的相对比例系数，进一步分析患者的心理健康评估指数，能够客观地捕捉和分析患者的情绪状态，为心理咨询师提供更多的信息和依据，从而更准确地评估患者的心理健康状况，并制定更恰当的治疗方案。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。
Claims (7)
1.一种人脸情绪智能识别分析设备，其特征在于，包括：
面部表情样本图像录入模块：用于获取精神卫生中心疗养区中目标患者各种面部表情的各样本图像；
面部表情样本图像解析模块：用于对目标患者各种面部表情的各样本图像依次进行预处理、人脸检测、特征部位获取和特征点提取，进一步得到目标患者各种面部表情的各样本图像中各特征部位的肌肉运动轨迹；
面部表情识别模型构建模块：用于对目标患者各种面部表情的各样本图像中各特征部位的肌肉运动轨迹进行比对分析，得到目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹，构建目标患者各种面部表情的识别模型；
情感数据库：用于存储目标患者各种面部表情的识别模型；
目标患者脸部图像采集模块：用于采集观察期内各监测周期中各采样时间点目标患者的各脸部图像；
目标患者脸部表情识别模块：用于对观察期内各监测周期中各采样时间点目标患者的各脸部图像进行识别，获取观察期内各监测周期中各采样时间点目标患者各脸部图像的表情；
目标患者情绪变化监测模块：用于根据观察期内各监测周期中各采样时间点目标患者各脸部图像的表情，分析观察期内各监测周期中各采样时间点目标患者的各种情绪的相对比例系数，绘制观察期内各监测周期中目标患者的各种情绪的趋势曲线；
目标患者心理健康测评模块：用于根据观察期内各监测周期中目标患者的各种情绪的趋势曲线，分析目标患者的心理健康评估指数，并进行反馈；
所述目标患者脸部表情识别模块的具体分析过程包括：
获取观察期内各监测周期中各采样时间点目标患者的各脸部图像中各特征部位的图像，进一步得到观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位的肌肉运动轨迹；
提取情感数据库中存储的目标患者各种面部表情的识别模型，得到目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹；
将观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位的肌肉运动轨迹与目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹进行比对，得到观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位的肌肉运动轨迹与各种面部表情中对应特征部位的典型肌肉运动轨迹的相似度，将其记为，/>表示第/>个监测周期的编号，/>，/>表示第/>个采样时间点的编号，/>，/>表示第个脸部图像的编号，/>，/>表示第/>个特征部位的编号，/>，/>表示第/>种面部表情的编号，/>；
通过分析公式得到观察期内各监测周期中各采样时间点目标患者各脸部图像与各种面部表情的第一匹配系数/>，其中/>表示预设的第一匹配系数的修正因子，/>表示预设的第/>个特征部位的权值，/>，/>表示面部表情的种类数量；
所述目标患者脸部表情识别模块的具体分析过程还包括：
根据目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹，得到目标患者各种面部表情对应的各特征部位中各特征点的参考位置；
获取观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位中各特征点的位置；
将观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位中各特征点的位置与各种面部表情中对应特征部位中对应特征点的参考位置进行比对，得到观察期内各监测周期中各采样时间点目标患者各脸部图像中各特征部位中各特征点的位置与各种面部表情中对应特征部位中对应特征点的参考位置之间的距离，将其记为，/>表示特征部位中第/>个特征点的编号，/>；
通过分析公式得到观察期内各监测周期中各采样时间点目标患者各脸部图像与各种面部表情的第二匹配系数/>，其中/>表示预设的第二匹配系数的修正因子，/>表示自然常数，/>表示预设的特征点位置单位偏差对应的影响因子，/>表示预设的第/>个特征点的权重，/>；
所述目标患者脸部表情识别模块的具体分析过程还包括：
通过分析公式得到观察期内各监测周期中各采样时间点目标患者各脸部图像与各种面部表情的吻合指数/>，其中/>分别表示预设的第一匹配系数和第二匹配系数的权重因子；
将观察期内各监测周期中各采样时间点目标患者各脸部图像与各种面部表情的吻合指数进行相互比较，将最大吻合指数对应的面部表情作为脸部图像的表情，统计得到观察期内各监测周期中各采样时间点目标患者各脸部图像的表情。
2.根据权利要求1所述的一种人脸情绪智能识别分析设备，其特征在于：所述面部表情样本图像解析模块的具体分析过程为：
S1:对目标患者各种面部表情的各样本图像进行倾斜校正、尺寸调节和分辨率调节，并进行格式归一化，得到预处理后的目标患者各种面部表情的各样本图像；
S2：通过人脸检测算法获取预处理后的目标患者各种面部表情的各样本图像的人脸区域；
S3：通过面部特征的检测算法获取预处理后目标患者各种面部表情的各样本图像中人脸区域的各特征部位，其中特征部位包括眉毛部位、眼睛部位、鼻子部位、嘴巴部位和脸颊部位；
S4：获取预处理后目标患者各种面部表情的各样本图像人脸区域中各特征部位的轮廓线，按照预设的特征点标记方法在预处理后目标患者各种面部表情的各样本图像人脸区域中各特征部位的轮廓线上标出其特征部位对应的各特征点，得到预处理后目标患者各种面部表情的各样本图像中人脸区域中各特征部位的各特征点；
S5：将预处理后目标患者各种面部表情的各样本图像人脸区域中各特征部位的各特征点依次连接，得到目标患者各种面部表情的各样本图像中各特征部位的肌肉运动轨迹。
3.根据权利要求1所述的一种人脸情绪智能识别分析设备，其特征在于：所述面部表情识别模型构建模块的具体分析过程为：
将目标患者各种面部表情的各样本图像中各特征部位的肌肉运动轨迹进行比对分析，获取目标患者各种面部表情中各特征部位的最具代表性的肌肉运动轨迹，将其记为目标患者各种面部表情对应的各特征部位的典型肌肉运动轨迹，进一步构建目标患者各种面部表情的识别模型。
4.根据权利要求1所述的一种人脸情绪智能识别分析设备，其特征在于：所述目标患者脸部图像采集模块的具体分析过程为：
设定观察期的时长，按照预设的等时长原则将观察期划分为各监测周期，并按照预设的等时间间隔在监测周期内设置各采样时间点，设定单次采集的目标患者脸部图像的总数量，通过人脸面部表情识别仪器的高清摄像头获取观察期内各监测周期中各采样时间点目标患者的各脸部图像。
5.根据权利要求4所述的一种人脸情绪智能识别分析设备，其特征在于：所述目标患者情绪变化监测模块的具体分析过程为：
将观察期内各监测周期中各采样时间点目标患者各脸部图像的表情与预设的各种情绪对应的表情集合进行比对，赋予观察期内各监测周期中各采样时间点目标患者各脸部图像的情绪标签；
将观察期内各监测周期中各采样时间点目标患者各脸部图像按照相同情绪标签进行归类，得到观察期内各监测周期中各采样时间点目标患者各种情绪对应的脸部图像数量，并将其除以设定单次采集的目标患者脸部图像的总数量，得到观察期内各监测周期中各采样时间点目标患者的各种情绪的相对比例系数，进一步绘制观察期内各监测周期中目标患者的各种情绪的趋势曲线。
6.根据权利要求1所述的一种人脸情绪智能识别分析设备，其特征在于：所述目标患者心理健康测评模块的具体分析过程包括：
将观察期内各监测周期中目标患者的各种情绪的趋势曲线与预设的观察期内目标患者的各种情绪的期望趋势曲线进行比对，获取
观察期内各监测周期中目标患者的各种情绪的符合度，并表示为，/>表示第/>种情绪的编号，/>。
7.根据权利要求6所述的一种人脸情绪智能识别分析设备，其特征在于：所述目标患者心理健康测评模块的具体分析过程还包括：
通过分析公式得到目标患者的心理健康评估指数/>，其中/>表示监测周期的数量，/>表示第/>种情绪的权重因子，，/>表示预设的情绪的符合度阈值，/>表示观察期内第/>个监测周期中目标患者的第/>种情绪的符合度，将其反馈至目标患者的心理咨询师。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410042524.0A CN117671774B (zh) | 2024-01-11 | 2024-01-11 | 一种人脸情绪智能识别分析设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410042524.0A CN117671774B (zh) | 2024-01-11 | 2024-01-11 | 一种人脸情绪智能识别分析设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117671774A CN117671774A (zh) | 2024-03-08 |
| CN117671774B true CN117671774B (zh) | 2024-04-26 |
Family
ID=90084684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410042524.0A Active CN117671774B (zh) | 2024-01-11 | 2024-01-11 | 一种人脸情绪智能识别分析设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117671774B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295568A (zh) * | 2016-08-11 | 2017-01-04 | 上海电力学院 | 基于表情和行为双模态结合的人类自然状态情感识别方法 |
| CN106327482A (zh) * | 2016-08-10 | 2017-01-11 | 东方网力科技股份有限公司 | 一种基于大数据的面部表情的重建方法及装置 |
| CN107330371A (zh) * | 2017-06-02 | 2017-11-07 | 深圳奥比中光科技有限公司 | 3d脸部模型的脸部表情的获取方法、装置和存储装置 |
| CN107563292A (zh) * | 2017-08-03 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 一种基于lddmm曲线匹配的人脸情感识别方法 |
| CN108305680A (zh) * | 2017-11-13 | 2018-07-20 | 陈霄 | 基于多元生物学特征的智能帕金森症辅助诊断方法和装置 |
| CN110852224A (zh) * | 2019-10-31 | 2020-02-28 | 科大讯飞(苏州)科技有限公司 | 一种表情识别方法及相关装置 |
| CN111898592A (zh) * | 2020-09-29 | 2020-11-06 | 腾讯科技（深圳）有限公司 | 一种轨迹数据处理方法、装置以及计算机可读存储介质 |
| KR20230070590A (ko) * | 2021-11-15 | 2023-05-23 | 한국전자기술연구원 | 합성 표정을 이용한 얼굴인식 방법 |
| CN116665281A (zh) * | 2023-06-28 | 2023-08-29 | 湖南创星科技股份有限公司 | 一种基于医患交互的关键情绪提取方法 |
| CN116825365A (zh) * | 2023-08-30 | 2023-09-29 | 安徽爱学堂教育科技有限公司 | 基于多角度微表情的心理健康分析方法 |
| CN117137447A (zh) * | 2023-10-10 | 2023-12-01 | 首都医科大学附属北京天坛医院 | 一种基于时序轨迹追踪的面瘫程度定级系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9579057B2 (en) * | 2013-12-09 | 2017-02-28 | Stefan Bradu | System for multidimensional analysis, modulation and optimization of facial expressions |
| CN106327526B (zh) * | 2016-08-22 | 2020-07-07 | 杭州保新科技有限公司 | 图像目标跟踪方法与系统 |
| CN108509896B (zh) * | 2018-03-28 | 2020-10-13 | 腾讯科技（深圳）有限公司 | 一种轨迹跟踪方法、装置和存储介质 |
| US20230316809A1 (en) * | 2022-03-30 | 2023-10-05 | Humintell, LLC | Facial Emotion Recognition System |
-
2024
- 2024-01-11 CN CN202410042524.0A patent/CN117671774B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106327482A (zh) * | 2016-08-10 | 2017-01-11 | 东方网力科技股份有限公司 | 一种基于大数据的面部表情的重建方法及装置 |
| CN106295568A (zh) * | 2016-08-11 | 2017-01-04 | 上海电力学院 | 基于表情和行为双模态结合的人类自然状态情感识别方法 |
| CN107330371A (zh) * | 2017-06-02 | 2017-11-07 | 深圳奥比中光科技有限公司 | 3d脸部模型的脸部表情的获取方法、装置和存储装置 |
| CN107563292A (zh) * | 2017-08-03 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 一种基于lddmm曲线匹配的人脸情感识别方法 |
| CN108305680A (zh) * | 2017-11-13 | 2018-07-20 | 陈霄 | 基于多元生物学特征的智能帕金森症辅助诊断方法和装置 |
| CN110852224A (zh) * | 2019-10-31 | 2020-02-28 | 科大讯飞(苏州)科技有限公司 | 一种表情识别方法及相关装置 |
| CN111898592A (zh) * | 2020-09-29 | 2020-11-06 | 腾讯科技（深圳）有限公司 | 一种轨迹数据处理方法、装置以及计算机可读存储介质 |
| KR20230070590A (ko) * | 2021-11-15 | 2023-05-23 | 한국전자기술연구원 | 합성 표정을 이용한 얼굴인식 방법 |
| CN116665281A (zh) * | 2023-06-28 | 2023-08-29 | 湖南创星科技股份有限公司 | 一种基于医患交互的关键情绪提取方法 |
| CN116825365A (zh) * | 2023-08-30 | 2023-09-29 | 安徽爱学堂教育科技有限公司 | 基于多角度微表情的心理健康分析方法 |
| CN117137447A (zh) * | 2023-10-10 | 2023-12-01 | 首都医科大学附属北京天坛医院 | 一种基于时序轨迹追踪的面瘫程度定级系统 |
Non-Patent Citations (5)
| Title |
|---|
| Control of fast-reaching movements by muscle synergy combinations;d\'Avella A等;《 Journal of Neuroscience》;20060726;第26卷(第30期);7791-7810 * |
| Facial expression editing in video using a temporally-smooth factorization;Metaxas D等;《2012 IEEE Conference on Computer Vision and Pattern Recognition》;20120726;861-868 * |
| 一种自适应关节点权值的姿势相似度计算方法;李盛楠等;《上海师范大学学报(自然科学版)》;20191018;第48卷(第4期);356-361 * |
| 基于余弦相似度和实例加权改进的贝叶斯算法;王行甫等;《计算机系统应用》;20161231;第25卷(第8期);166-170 * |
| 通信辐射源运动轨迹相似性分析;季玙璠等;《系统工程与电子技术》;20200930;第42卷(第9期);1920-1926 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117671774A (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287790B (zh) | 一种面向静态多人场景的学习状态混合分析方法 | |
| CN113069080B (zh) | 一种基于人工智能的困难气道评估方法及装置 | |
| KR102240485B1 (ko) | 신청자의 심리 상태를 분석하기 위한 영상 이미지 통합 분석 시스템 및 그 분석 방법 | |
| CN113837153B (zh) | 一种融合瞳孔数据和面部表情的实时情绪识别方法及系统 | |
| WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
| CN112370018A (zh) | 一种预测困难气道的计算机应用软件及气道管理数据系统 | |
| CN110660454A (zh) | 一种癌痛实时评估仪及其评估方法 | |
| CN111666845A (zh) | 基于关键帧采样的小样本深度学习多模态手语识别方法 | |
| CN114565957A (zh) | 基于微表情识别的意识评估方法及系统 | |
| CN111523445A (zh) | 一种基于改进的Openpose模型和面部微表情的考试行为检测方法 | |
| CN117438048B (zh) | 一种精神科患者用心理障碍测评方法及系统 | |
| CN117237351B (zh) | 一种超声图像分析方法以及相关装置 | |
| CN117671774B (zh) | 一种人脸情绪智能识别分析设备 | |
| CN111950480A (zh) | 一种基于人工智能的英语发音自检方法和自检系统 | |
| CN111048202A (zh) | 一种智能化中医诊断系统及其方法 | |
| CN116092157A (zh) | 一种智能面舌诊方法、系统及智能设备 | |
| Oz et al. | Efficacy of biophysiological measurements at FTFPs for facial expression classification: A validation | |
| CN115966003A (zh) | 一种基于情绪识别的学习者线上学习效率评估系统 | |
| CN115937971A (zh) | 一种举手投票识别方法及装置 | |
| CN114242243A (zh) | 用户健康评估方法、装置、设备以及存储介质 | |
| CN110859599B (zh) | 脑血管病神经损伤病人认知功能自动化筛查系统 | |
| CN114550918A (zh) | 一种基于绘画特征数据的心理障碍测评方法及系统 | |
| US20240062582A1 (en) | Method and Device for Dynamic Recognition of Emotion Based on Facial Muscle Movement Monitoring | |
| CN116894978B (zh) | 一种融合面部情绪与行为多特征的线上考试防作弊系统 | |
| Zhao et al. | DFME: A New Benchmark for Dynamic Facial Micro-expression Recognition |
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 |