一种基于人心识别模型的无接触图像评测方法与流程

技术特征：
1.一种基于人心识别模型的无接触图像评测方法，其特征在于，所述方法包括：s101，持续获取用户的植物神经信号；s102，持续获取用户的图像；s103，将所述植物神经信号输入人心识别模型，得到识别结果；所述人心识别模型用于识别时间连续的一段植物神经信号的变化；s104，通过所述识别结果对所述图像进行评测。2.根据权利要求1所述的方法，其特征在于，所述s103之前还包括：s201，获取多段时间连续的历史植物神经信号，每一历史段植物神经信号s(i)为一个样本数据，其中，i为信号标识；s202，每一个样本数据生成一个植物神经信号集p，所述植物神经信号集p中每一个元素e
p
包括2个维度，一个维度为数据值d
p
，另一个维度为时间值t
p
；其中，任一样本数据的任一历史植物神经信号值s(i)一一对应p中的一个元素e
p
(i)，且e
p
(i)的数据值d
p
(i)＝s(i)，e
p
(i)的时间值t
p
(i)为s(i)的采集时间；s203，根据每一个植物神经信号集p形成对应的植物神经差集δ，所述植物神经差集δ的每一个元素e
δ
包括2个维度，一个维度为数据值d
δ
，另一个维度为时间值t
δ
；其中，植物神经信号集p中的任一元素e
p
(i)一一对应δ中的一个元素e
δ
(i)；s204，依次将各样本数据输入神经网络模型，进行特征识别，得到该样本数据中每个元素的植物神经信号值的特征，进而形成对应的特征集i，所述特征集i中每个元素e
i
包括2个维度，一个维度为数据值d
i
，另一个维度为时间值t
i
；其中，任一样本数据的任一历史植物神经信号值s(i)一一对应i中的一个元素e
i
(i)，且e
i
(i)的数据值d
i
(i)为所述任一样本数据中第i个历史植物神经信号值的特征，e
i
(i)的时间值t
i
(i)＝t
p
(i)；s205，根据所述植物神经差集δ以及特征集i确定各样本数据的变化，进而形成人心识别模型。3.根据权利要求2所述的方法，其特征在于：对于植物神经信号集p中的最后一个元素e
p
(l)，其与δ中的最后一个元素e
δ
(l)对应，且e
δ
(l)的数据值d
δ
(l)＝0，e
δ
(l)的时间值t
δ
(l)为e
p
(l)的时间值t
p
(l)；其中，1为植物神经信号集p中的最后一个元素的标识；对于植物神经信号集p中的非最后一个元素e
p
(j)，其一一对应δ中的一个元素e
δ
(j)，且e
δ
(j)的数据值d
δ
(j)＝d
p
(j 1)
‑
d
p
(j)的数据值，e
δ
(j)的时间值t
δ
(j)＝t
p
(j)，其中，j为植物神经信号集p中非最后一个元素的标识。4.根据权利要求2所述的方法，其特征在于，所述s205具体包括：依次将各样本数据的植物神经差集δ以及特征集i输入人心识别模型进行训练，得到训练好的人心识别模型；其中，人心识别模型训练过程为：对于任一样本数据，将其植物神经差集δ以及特征集i，通过人心识别模型得到变化集c，所述变化集c中每个元素e
c
包括2个维度，一个维度为数据值d
c
，另一个维度为时间值t
c
；其中，所述植物神经信号集p中的任一元素e
p
(i)一一对应变化集c中的一个元素e
c
(i)，且e
c
(i)的数据值e
c
(i)的时间值t
c
(i)＝t
p
(i)；d1(i)为根据植物神经差集
δ得到的植物神经参数，δ得到的植物神经参数，为特征集i中所有d
i
的均值。5.根据权利要求4所述的方法，其特征在于，所述d1(i)＝d
δ
(i)*d
i
(i)。6.根据权利要求4所述的方法，其特征在于，所述6.根据权利要求4所述的方法，其特征在于，所述植物神经差集δ中所有d
δ
的均值。7.根据权利要求6所述的方法，其特征在于，s103具体包括：s103
‑
1，生成植物神经信号集p
a
，所述植物神经信号集p
a
中每一个元素包括2个维度，一个维度为数据值另一个维度为时间值其中，p
a
的元素与s101中得到的植物神经信号一一对应，且p
a
的任一元素的数据值的数据值的时间值为a(x)的采集时间，a(x)为s101中得到的第x个植物神经信号，x为s101中得到的植物神经信号标识，所述s101中得到的植物神经信号按照时间顺序排列；s103
‑
2，根据植物神经信号集p
a
形成对应的植物神经差集δ
a
，所述植物神经差集δ
a
的每一个元素包括2个维度，一个维度为数据值另一个维度为时间值其中，δ
a
的元素与s101中得到的植物神经信号一一对应；s103
‑
3，将s101中得到的植物神经信号输入神经网络模型，进行特征识别，得到该植物神经信号中每个元素的植物神经信号值的特征，进而形成对应的特征集i
a
，所述特征集i
a
中每个元素包括2个维度，一个维度为数据值另一个维度为时间值其中，i
a
的元素与s101中得到的植物神经信号一一对应，且的数据值为a(x)的特征，的时间值s103
‑
4，将植物神经差集δ
a
以及特征集i
a
输入人心识别模型，得到识别结果c
a
。8.根据权利要求7所述的方法，其特征在于：对于植物神经信号集p
a
中的最后一个元素其与δ
a
中的最后一个元素对应，且的数据值的数据值的时间值为的时间值其中，x
l
为植物神经信号集p
a
中的最后一个元素的标识；对于植物神经信号集p
a
中的非最后一个元素其一一对应δ
a
中的一个元素且的数据值的数据值的时间值其中，x
j
为植物神经信号集p
a
中非最后一个元素的标识。9.根据权利要求8所述的方法，其特征在于，所述s104具体包括：s104
‑
1，按植物神经信号的时间，对应取该时间对应的图像；s104
‑
2，识别取到每一图像中的面部表情以及头部旋转夹角、膝关节夹角、肘关节夹角；s104
‑
3，将每一图像中面部表情与c
a
中对应时间的元素值的积作为修正的面部表情，头
部旋转夹角与c
a
中对应时间的元素值的积作为修正的头部旋转夹角，膝关节夹角与c
a
中对应时间的元素值的积作为修正的膝关节夹角，肘关节夹角与c
a
中对应时间的元素值的积作为修正的肘关节夹角；s104
‑
4，根据修正的面部表情以及修正的头部旋转夹角、修正的膝关节夹角、修正的肘关节夹角进行评测，得到该用户的评测结果。10.根据权利要求9所述的方法，其特征在于，所述s104
‑
2中膝关节夹角包括左膝关节夹角和右膝关节夹角；肘关节夹角包括左肘关节夹角和右肘关节夹角；所述左膝关节夹角＝左大腿与左小腿形成的夹角
‑
预先获取的放松状态下左大腿与左小腿形成的夹角；所述右膝关节夹角＝右大腿与右小腿形成的夹角
‑
预先获取的放松状态下右大腿与右小腿形成的夹角；左肘关节夹角＝左前臂与左上臂形成的夹角
‑
预先获取的放松状态下左前臂与左上臂形成的夹角；右肘关节夹角＝右前臂与右上臂形成的夹角
‑
预先获取的放松状态下右前臂与右上臂形成的夹角。

技术总结
本发明涉及一种基于人心识别模型的无接触图像评测方法，该方法包括：持续获取用户的植物神经信号；持续获取用户的图像；将植物神经信号输入人心识别模型，得到识别结果；人心识别模型用于识别时间连续的一段植物神经信号的变化；通过识别结果对图像进行评测。本发明通过植物神经信号和用户图像进行识别，实现了心理健康状态的客观评测。了心理健康状态的客观评测。了心理健康状态的客观评测。


技术研发人员：齐中祥
受保护的技术使用者：沃民高新科技（北京）股份有限公司
技术研发日：2021.08.05
技术公布日：2021/11/28