基于深度学习的心理异常检测方法及系统与流程

本申请涉及心理异常检测领域，且更为具体地，涉及一种基于深度学习的心理异常检测方法及系统。

背景技术：

1、心理异常的早期识别对于个体健康和社会稳定具有重要意义。随着人工智能技术的飞速发展，尤其是深度学习在模式识别领域的突破，为心理异常的自动化、非侵入式检测提供了新的可能。基于深度学习的方法能够处理复杂的视听数据，从中提取出人类难以察觉的细微模式，从而有望实现对心理异常早期微弱信号的精准捕捉。

2、然而，现有的基于深度学习的心理异常检测方案普遍存在显著缺陷，主要体现在对情境-行为错配的理解不足。传统的深度学习模型在设计上往往是去情境化的，它们被训练为简单的输入-输出映射器，例如，输入一张人脸图像，输出其情绪状态。这类模型缺乏一个并行的信息通路来有效处理和整合环境信息，导致其在理解人类行为时，无法充分考虑行为发生的具体情境。此外，用于训练这些模型的大多数公开数据集本身就存在内在缺陷，它们通常由裁剪过的人脸或孤立的语音片段构成，剥离了所有的情境信息，使得模型从一开始就未能学习到如何结合情境去理解行为。这种片面的特征提取，仅专注于用户自身的行为特征（如面部表情、声音语调），而忽略了同样重要的环境情境特征（如周围环境、背景声音等），导致模型难以区分正常的情境适应性行为与真正的异常表现。例如，一个在观看喜剧时大笑的人，可能会被去情境化的模型误判为情绪高涨异常，这极大地限制了现有技术在实际应用中的准确性和可靠性，使得产品难以落地。

3、为了克服现有技术的局限性，期望提出了一种优化的基于深度学习的心理异常检测方案。

技术实现思路

1、针对现有技术中所存在的上述问题，本申请提供了一种基于深度学习的心理异常检测方法，其包括：

2、对采集的原始视频流和原始音频流进行用户/情境分离以得到用户行为片段和环境情境片段；

3、对用户行为片段和环境情境片段进行双流情境-行为特征提取以得到用户行为向量和情境嵌入向量；

4、将用户行为向量和情境嵌入向量输入训练完成的个性化基线模型以得到重构用户行为向量；

5、计算重构用户行为向量与用户行为向量之间的个性化一致性偏差分；

6、对个性化一致性偏差分的时间序列进行异常累积判断与分级预警以得到预警信号。

7、本申请还提供了一种基于深度学习的心理异常检测系统，其包括：

8、用户/情境分离模块，用于对采集的原始视频流和原始音频流进行用户/情境分离以得到用户行为片段和环境情境片段；

9、双流特征提取模块，用于对用户行为片段和环境情境片段进行双流情境-行为特征提取以得到用户行为向量和情境嵌入向量；

10、用户行为重构模块，用于将用户行为向量和情境嵌入向量输入训练完成的个性化基线模型以得到重构用户行为向量；

11、一致性偏差分计算模块，用于计算重构用户行为向量与用户行为向量之间的个性化一致性偏差分；

12、预警信号生成模块，用于对个性化一致性偏差分的时间序列进行异常累积判断与分级预警以得到预警信号。

13、与现有技术相比，本申请提供的一种基于深度学习的心理异常检测方法及系统，其通过引入情境感知和个性化基线建模，解决了现有深度学习方法在心理异常检测中存在的情境-行为错配及异常定义相对性问题。其首先对原始视听流进行用户与情境分离，并分别提取用户行为特征和环境情境特征。随后，将这些特征输入一个训练完成的个性化基线模型。该模型能够学习并理解特定用户在特定情境下的典型行为模式，进而重构出该情境下预期的用户行为。通过计算实际用户行为与重构用户行为之间的个性化一致性偏差分，该方法能够精准量化个体行为与自身在当前情境下预期行为的偏离程度。这种基于个体基线和情境感知的偏差分析，有效避免了将情境适应性行为误判为异常，从而能够更准确地捕捉早期微弱的心理异常信号，显著提升了检测的准确性和实用性。

1.一种基于深度学习的心理异常检测方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的心理异常检测方法，其特征在于，对采集的原始视频流和原始音频流进行用户/情境分离以得到用户行为片段和环境情境片段，包括：

3.根据权利要求2所述的基于深度学习的心理异常检测方法，其特征在于，对用户行为片段和环境情境片段进行双流情境-行为特征提取以得到用户行为向量和情境嵌入向量，包括：

4.根据权利要求2所述的基于深度学习的心理异常检测方法，其特征在于，对用户行为片段和环境情境片段进行双流情境-行为特征提取以得到用户行为向量和情境嵌入向量，还包括：

5.根据权利要求1所述的基于深度学习的心理异常检测方法，其特征在于，将用户行为向量和情境嵌入向量输入训练完成的个性化基线模型以得到重构用户行为向量，包括：

6.根据权利要求5所述的基于深度学习的心理异常检测方法，其特征在于，对当前情境-行为对为条件的高斯分布进行潜在向量采样以得到采样潜在向量，包括：以如下公式对当前情境-行为对为条件的高斯分布进行潜在向量采样，所述公式为：

7.根据权利要求1所述的基于深度学习的心理异常检测方法，其特征在于，计算重构用户行为向量与用户行为向量之间的个性化一致性偏差分，包括：计算重构用户行为向量与用户行为向量之间的均方误差作为所述个性化一致性偏差分。

8.一种基于深度学习的心理异常检测系统，其特征在于，包括：