一种数字化书写识别情绪状态的方法与流程

1.本发明涉及情绪识别技术领域，尤其是指一种数字化书写识别情绪状态的方法。


背景技术：

2.随着人工智能技术的飞速发展，越来越多的智能产品用到人们的生活学习中，特别是情感计算领域处于快速发展之中。随着现代这会不断发展，心理健康和心理咨询服务等也愈发受到重视，尤其是属于高强度、高压力人群的学生一族，更加需要对情绪状态进行特别的关注。目前，在各个领域中想获得人类所处的情绪状态一般采用询问、经验判断等方法，但所得信息的准确率往往由被询问者诚实度、判断者专业度所限制。为了能够及时关注书写过程的情绪，追踪书写者情绪不正常变化。防止抑郁或危害心理健康，及时调节心情，克服焦虑、紧张等带来的情绪困扰，对完善心理健康预警变得十分有意义。笔迹是日常自然书写过程中形成的书写的轨迹，书写的轨迹与特定的人、人的情绪状态都是相关的，因此笔迹识别作为一种生物识别技术，应用于用户身份鉴定、法医调查等场合，也可以通过笔迹分析进行健康状况、情绪状况的诊断，在医疗领域中有良好的应用前景。


技术实现要素：

3.本发明针对现有技术的问题提供一种数字化书写识别情绪状态的方法，解决了现有情绪识别方案中信息采集条件复杂苛刻的问题，因为采用字体特征方法来对用户所写字体特征识别后，进行情绪状态分类，所以免除了大部分物理硬件设备和生理信号检测设备；同时数字化书写技术能够获取到用户实时落笔坐标、压力、时间等动态信息，对笔迹的特征识别更佳准确。
4.为了解决上述技术问题，本发明采用如下技术方案：
5.本发明提供了一种数字化书写识别情绪状态的方法，其特征在于，包括以下步骤：
6.s101，用户通过点阵数码笔在点阵纸张上书写文本；
7.s102，获取到用户书写时的实时信息数据；
8.s103，把得到的实时信息数据进行处理，得到与情绪标签相关更紧密的笔迹特征，其中得到的与情绪标签更紧密的笔迹特征进行数据归一化；
9.s104，把笔迹特征归一化的数据输入至预先训练的情绪识别模型中，得到用户的情绪状态类别。
10.其中，所述情绪识别模型的预先训练包括以下步骤：
11.步骤s201，让待检测者通过点阵数码笔在点阵纸张上书写文本；
12.步骤s202，获取到待检测者书写时的实时信息数据；
13.步骤s203，把得到的实时信息数据进行处理，得到笔迹特征，其中得到的笔迹特征进行数据归一化，并获取该待检测者在所述笔迹书写时的情绪类别；
14.步骤s204，将步骤s203所述的归一化的数据及相应的情绪类别标签加入标注样本集合；重复s201
‑
204,将多个待检测者的样本加入标注样本集合；
15.步骤s205，将标注样本集合分为训练样本集和测试样本集，采用训练样本集对机器学习随机森林算法进行模型训练，并采用测试样本集进行模型测试，若分类精度达到要求，即得到可用的情绪识别模型。
16.其中，所述情绪类别包括悲伤、高兴、自然和紧张；
17.多个待检测者在观看相应的情绪诱导视频并写下文本后，对自己当前情绪状态的评分；该情绪状态的评分数值从1到10，然后比较悲伤、高兴和紧张三个类别的情绪状态分数，其中一类情绪的评分最高且分数大于等于8分，则代表待检测者符合该类情绪，若三个类别的评分最高值都小于8，则情绪类别标记为自然。
18.其中，所述实时信息数据包括用户使用点阵数码笔书写时笔尖经过的每个点的xy轴坐标、压力值、时间戳、笔的状态以及笔画数。
19.其中，所述笔迹特征包括倾斜度、压力、加速度、x轴方向加速度、y轴方向加速度、加速度最小值、x坐标点方差和y坐标点方差。本发明的有益效果：
20.本发明解决了现有情绪识别方案中信息采集条件复杂苛刻的问题，因为采用字体特征方法来对用户所写字体特征识别后，进行情绪状态分类，所以免除了大部分物理硬件设备和生理信号检测设备；同时数字化书写技术能够获取到用户实时落笔坐标、压力、时间等动态信息，对笔迹的特征识别更加准确。
附图说明
21.图1为本发明的一种数字化书写识别情绪状态的方法的流程图。
具体实施方式
22.为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。以下结合附图对本发明进行详细的描述。
23.一种数字化书写识别情绪状态的方法，如图1，包括以下步骤：s101，用户通过点阵数码笔在点阵纸张上书写文本；
24.s102，获取到用户书写时的实时信息数据；本实施例中，所述实时信息数据包括用户使用点阵数码笔书写时笔尖经过的每个点的xy轴坐标、压力值、时间戳、笔的状态以及笔画数；
25.s103，把得到的实时信息数据进行处理，得到与情绪标签相关更紧密的笔迹特征，其中得到的与情绪标签更紧密的笔迹特征进行数据归一化；依据所获得上述用户是写实时信息数据集合，得到与情绪标签更紧密的动态笔迹特征如：倾斜度、压力、加速度、x轴方向加速度、y轴方向加速度、加速度最小值、x坐标点方差，y坐标点方差等特征；对这些得到的特征进行数据归一化(min
‑
max scaling)，让数据被收敛到[0,1]之间，从而消除奇异样本数据导致的不良影响；
[0026]
s104，把笔迹特征归一化的数据输入至预先训练的情绪识别模型中，得到用户的情绪状态类别。
[0027]
具体地，本实施例依据点阵纸张的特点，“点阵”由一些非常细小的点，按照特殊算法规则排列的组成；点阵的作用是提供给点阵数码笔一个坐标参数信息，保证点阵数码笔在数码上书写时，能够准确的记录书写的笔迹；依据点阵数码笔的特点，笔尖被压下的同
时，压力传感器被触发，启动内置的高速摄像头，以每秒上百次的速度对笔尖所经过的点阵进行拍照，从而获得用户书写的实时信息，包括笔尖经过的每个点的xy轴坐标、压力值、时间戳、笔的状态以及笔画数；本发明解决了现有情绪识别方案中信息采集条件复杂苛刻的问题，因为采用字体特征方法来对用户所写字体特征识别后，进行情绪状态分类，所以免除了大部分物理硬件设备和生理信号检测设备；同时数字化书写技术能够获取到用户实时落笔坐标、压力、时间等动态信息，对笔迹的特征识别更加准确。
[0028]
使用本发明来预测情绪状态问题，比起现有的靠生理信号信息采集设备消耗要小很多，且人群普遍都需要书写，特别是学生群体，对长时间处于异常状态情绪更容易做好心理预警工作；本发明可以通过字体特征，对书写人群情绪状态进行判断。
[0029]
在本发明中，对笔迹的特征识别使用的是动态方式来采取信息，这种采取信息的好处是可以做到实时监测用户的异常情绪，而且在静态提取信息时，大多是靠图像特征等方法，而图像处理的计算耗费较高。
[0030]
在数字化书写方面，可以用平板电脑和数字化平板进行训练数据采集；数字化书写可以快速而准确的得到动态特征信息，通过预处理得的与情绪更紧密联系的特征。动态特征信息比图像的静态信息提取特征更能准确反映情绪的特征。
[0031]
现有情绪识别技术中对生理信号的采集都基于接触式设备，要在受检人员身上带上各种生理指标采集设备，涉及人身自由和隐私。该方式很难得到普遍应用。本发明通过提取用户书写过程中的笔迹动态信息，并进一步处理得到倾斜度、压力、加速度、x轴方向加速度、y轴方向加速度、加速度最小值、x坐标点方差，y坐标点方差等特征，解决了现有情绪识别方案中要求获取待检测者的面部视频，要求被采集人正对摄像头拍摄视频，采集的方式苛刻的问题和靠生理信号信息采集设备等不适用性问题。该发明可以通过待检测者的笔迹识别情绪状态。本发明中笔迹信息容易获得，且相对直接获取待检测者的面部信息要求更少；由此情绪识别工作更加快速简便的用于用户；成本大大降低，且书写依然是学生普遍的现象，便于获取笔迹；对完善学生心理健康预警变得十分有意义。
[0032]
本实施例中，所述情绪识别模型的预先训练包括以下步骤：步骤s201，让待检测者通过点阵数码笔在点阵纸张上书写文本；
[0033]
步骤s202，获取到待检测者书写时的实时信息数据；
[0034]
步骤s203，把得到的实时信息数据进行处理，得到笔迹特征，其中得到笔迹特征进行数据归一，并获取该待检测者在所述笔迹中的情绪类别；
[0035]
步骤s204，将步骤s203所述的归一化的数据及相应的情绪类别标签加入标注样本集合；重复s201
‑
204,将多个待检测者的样本加入标注样本集合；
[0036]
步骤s205，将标注样本集合分为训练样本集和测试样本集，采用训练样本集对机器学习随机森林算法进行模型训练，并采用测试样本集进行模型测试，若分类精度达到要求，即得到可用的情绪识别模型；采用机器学习分类算法选择随机森林(random forest)，它是一个包含多个决策树的分类器，它可以在决定类别时，评估变数的重要性，学习过程很快速，是高准确度的分类器；由于本发明中字迹数量多而杂，可用随机森林算法进行处理，最终得到一种情绪类别标签。
[0037]
在进行情绪识别模型训练的时候，不仅可以用随机森林算法进行分类，还可以使用机器学习的其他分类算法进行分类，例如支持向量机、k
‑
nn(k邻近)等多种方法。
[0038]
本发明通过对经过不同情绪诱导成功的检测者的笔迹进行分析，根据不同情绪反应出不同字迹的特点，通过分类判断出用户的当前情绪状态的字迹。例如：自然状态下的压力值要明显小于悲伤、高兴；悲伤状态下书写速度较慢。
[0039]
本实施例中，所述情绪类别包括悲伤、高兴、自然和紧张；多个待检测者在观看相应的情绪诱导视频并写下文本后，对自己当前情绪状态的评分；该情绪状态的平分数值从1到10，然后比较悲伤、高兴和紧张三个类别的情绪状态分数，其中一类情绪的评分最高且分数大于等于8分，则代表待检测者符合该类情绪，若三个类别的评分最高值都小于8，则情绪类别标记为自然。
[0040]
具体地，例如：首先获得一个待检测者的归一化数据和该待检测者对当前情绪的评分表，其中，评分表中高兴得分最高(大于等于8)，说明该检测者所具有的情绪类别为高兴，得到了一个情绪类标签。以此类推，得到大量的训练样本以及对应的情感类别标签形成情绪识别训练数据库。
[0041]
本实施例中，所述步骤s204中，一次训练样本集合对应具有一个情感类别标签集合；依据步骤s201～步骤s204重复多次，得到多个训练样本集合并形成多个情绪类别标签集合。
[0042]
本实施例中，所述笔迹特征包括倾斜度、压力、加速度、x轴方向加速度、y轴方向加速度、加速度最小值、x坐标点方差和y坐标点方差。
[0043]
以上所述，仅是本发明较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明以较佳实施例公开如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当利用上述揭示的技术内容作出些许变更或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明技术是指对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明技术方案的范围内。