基于机器学习的情绪预测方法、装置、设备和存储介质制造方法及图纸

本发明专利技术公开了一种基于机器学习的情绪预测方法，包括步骤：获取第一预设时间内多维特征值，得到第一训练样本集；根据第一训练样本集对情绪预测模型进行训练，得到训练后的第一情绪预测模型；获取用于预测的多维特征值，得到第一预测样本集；根据第一预测样本集和训练后的第一情绪预测模型，进行情绪预测。通过采集用户的行为活动数据和手机使用信息的多维特征值，将emotion参数值量化成mood值，用于预测用户情绪的变化，利用机器学习算法训练情绪预测模型，提高预测的准确性。

【技术实现步骤摘要】
基于机器学习的情绪预测方法、装置、设备和存储介质
本专利技术涉及情绪预测领域，尤其是一种基于机器学习的情绪预测方法、装置、设备和存储介质。
技术介绍
近年来，人们的生活节奏加快，情绪也容易受压力影响产生波动，而情绪不仅对个人的身心健康有影响，还可能对整个社会的经济发展也产生影响。比如，一个人如果长期处于消极的情绪下，可能会诱发头痛、感冒、哮喘、胃病、糖尿病甚至癌症等疾病，而这种情况肯定也不利于人的正常工作，导致工作效率低下，影响社会的经济发展。所以，了解自身的情绪状态是十分有必要的。情绪一般分为两种emotion和mood，其中emotion通常由某事或某人引起，持续时间很短(几秒或几分钟)，通常有明确的类别，如愤怒、恐惧、悲伤、愉悦、恶心和惊喜等，而mood一般原因不明，持续时间较长(几小时或几天)，一般只分积极mood和消极mood，而每一种mood可能包含多种emotion。现有对情绪的识别与预测，多数是针对emotion的识别，主要采集的是如心率、呼吸、动作等生理信号以及声音、面部表情等，根据识别出来的emotion可以了解人当前的情绪状态，这种情绪状态持续时间很短，对人的健康状态影响程度不是很大。而mood可以看作是一段时间内所有emotion的综合表现，而且mood持续的时间长，对人的健康影响程度很大，所以对mood的预测对了解人的健康状态更有意义，因此需要提出一种以mood作为目标的情绪预测方法。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的是提供一种以mood作为目标的基于机器学习的情绪预测方法、装置、设备和存储介质。本专利技术所采用的技术方案是：一种基于机器学习的情绪预测方法，包括步骤：S1：获取第一预设时间内多维特征值，得到第一训练样本集；S2：根据所述第一训练样本集对情绪预测模型进行训练，得到训练后的第一情绪预测模型；S3：获取用于预测的多维特征值，得到第一预测样本集；S4：根据所述第一预测样本集和所述训练后的第一情绪预测模型，进行情绪预测。进一步地，步骤S1中所述多维特征值包括：手机使用特征和/或活动特征和/或环境特征和/或用户信息特征。进一步地，用户信息特征包括年龄特征、性别特征、和mood值特征，所述mood值特征具体为：获取第一单位时间内emotion类型参数和每个emotion的持续时间参数；对每个emotion参数值进行量化加权得到该单位时间内的mood值；所述emotion参数包括高兴参数、兴奋参数、紧张参数、愤怒参数、悲伤参数、郁闷参数、困倦参数和放松参数；所述mood值是一个二维特征值，所述二维特征值的第一维特征表示情绪极性，包括消极参数和积极参数，第二维特征表示情绪极性的程度参数。进一步地，所述量化加权具体为：其中，ne表示第一单位时间内的emotion参数的个数，Tmood是第一单位时间内的mood值，ei是第一单位时间内的第i个emotion参数值，ti是第i个emotion持续的时间。进一步地，步骤S2中根据所述第一训练样本集对情绪预测模型进行训练，所述情绪预测模型具体为：其中，m表示的特征值个数，ymood为预测的mood情绪，为二维参数，ωi为第i个特征值对应的权值参数，xi为第i个特征值。进一步地，步骤S2中所述情绪预测模型包括一般化情绪预测模型和/或个性化情绪预测模型；对应的，所述步骤S1中的第一训练样本集包括多个用户第一训练样本集和/或单个用户第一训练样本集。进一步地，步骤S2中根据所述第一训练样本集对情绪预测模型进行训练，所述训练过程通过岭回归模型进行训练，所述岭回归模型为：其中，X是第一训练样本集中所有参与训练的特征值构成的特征矩阵，Y是目标值矩阵，即预测的mood情绪ymood组成的二维矩阵，α为惩罚因子，ω为权值参数，采用梯度下降法进行求解；所述训练过程具体为：获取α的不同取值；在每一个α的取值情况下，采用交叉验证的策略，即得到多个评价指标值MSE，获取MSE的平均值作为当前α的值对应的MSE值；对比α所有取值情况下的MSE，选择最小的MSE对应的α值，并采用第一训练样本集作为训练样本，训练预测模型得到第一近似最优情绪预测模型；所述评价指标值MSE为均方误差，具体为：其中，num为第一训练样本集样本数量，truei为真实值，predi为预测值。进一步地，步骤S1中所述第一预设时间取不同值，分别执行步骤S1至S2得到不同取值对应的第一近似最优情绪预测模型，比较所述第一近似最优情绪预测模型对应的MSE，选择最小的MSE对应的第一近似最优情绪预测模型作为第二近似最优情绪预测模型。进一步地，所述第一预测样本集指对所述多维特征值通过序列前向选择法进行特征筛选后的特征值组成的样本构成的预测样本集，所述特征筛选过程具体为：定义一个空的特征集合X；分别对每一维特征进行训练，选出使模型近似最优时对应的这一维特征加入特征集合X中；然后将剩余的特征依次加入特征集合X中，进行训练，选出使模型近似最优时对应的特征加入特征集合X中；以此类推，直到加入任何一维剩余的特征，模型的MSE都会增加为止；获得最终的特征集合X作为用于预测的特征集合。进一步地，所述训练过程还包括根据所述最终的特征集合X中的特征，组成精简的训练样本对情绪预测模型进行训练，获取第三近似最优情绪预测模型。进一步地，所述情绪预测过程具体为：根据所述用于预测的特征集合X，获取第一预测样本集；将第一预测样本集输入到第三近似最优情绪预测模型得到预测的mood值；将预测的mood的二维特征值转化为一维的mood状态输出。另一方面，本专利技术还提供一种基于机器学习的情绪预测装置，包括：特征值获取模块，用于获取多维特征值，得到第一训练样本集；训练模块，用于根据所述第一训练样本集对情绪预测模型进行训练，得到训练后的情绪预测模型；预测样本获取模块，用于获取用于预测的多维特征值，得到预测样本集；情绪预测模块，用于根据所述预测样本集和所述训练后的情绪预测模型，进行情绪预测。另一方面，本专利技术还提供一种基于机器学习的情绪预测设备，＝包括：可穿戴设备、智能终端和云服务器；所述可穿戴设备，用于采集特征值，包括手动输入方式获取和利用传感器获取方式；所述智能终端，用于收集可穿戴设备采集的多维特征值以及手机使用的信息，发送给云服务器和/或接收云服务器发送的训练后的预测模型进行情绪预测；所述云服务器用于接收智能终端发送的多维特征值执行如上述任一项所述的基于机器学习的情绪预测方法进行情绪预测模型训练，并根据预测模型进行情绪预测或将预测模型发送给智能终端进行情绪预测。另一方面，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述任一项所述的情绪预测方法。本专利技术的有益效果是：本专利技术通过获取多维特征值，得到训练样本集，根据训练样本集对情绪预测模型进行训练，得到训练后的情绪预测模型，并获取用于预测的多维特征值，得到预测样本集，最后根据预测样本集和训练后的情绪预测模型，进行mood情绪预测，通过采集用户的行为活动数据和手机使用信息的多维特征值，将emotion参数值量化成mood值，用于预测用户情绪的变化，利用机器学习算法训练情绪预本文档来自技高网...

【技术保护点】
1.一种基于机器学习的情绪预测方法，其特征在于，包括步骤：S1：获取第一预设时间内多维特征值，得到第一训练样本集；S2：根据所述第一训练样本集对情绪预测模型进行训练，得到训练后的第一情绪预测模型；S3：获取用于预测的多维特征值，得到第一预测样本集；S4：根据所述第一预测样本集和所述训练后的第一情绪预测模型，进行情绪预测。

【技术特征摘要】
1.一种基于机器学习的情绪预测方法，其特征在于，包括步骤：S1：获取第一预设时间内多维特征值，得到第一训练样本集；S2：根据所述第一训练样本集对情绪预测模型进行训练，得到训练后的第一情绪预测模型；S3：获取用于预测的多维特征值，得到第一预测样本集；S4：根据所述第一预测样本集和所述训练后的第一情绪预测模型，进行情绪预测。2.根据权利要求1所述的一种基于机器学习的情绪预测方法，其特征在于，步骤S1中所述多维特征值包括：手机使用特征和/或活动特征和/或环境特征和/或用户信息特征。3.根据权利要求2所述的一种基于机器学习的情绪预测方法，其特征在于，用户信息特征包括年龄特征、性别特征、和mood值特征，所述mood值特征具体为：获取第一单位时间内emotion类型参数和每个emotion的持续时间参数；对每个emotion参数值进行量化加权得到该单位时间内的mood值；所述emotion参数包括高兴参数、兴奋参数、紧张参数、愤怒参数、悲伤参数、郁闷参数、困倦参数和放松参数；所述mood值是一个二维特征值，所述二维特征值的第一维特征表示情绪极性，包括消极参数和积极参数，第二维特征表示情绪极性的程度参数。4.根据权利要求3所述的一种基于机器学习的情绪预测方法，其特征在于，所述量化加权具体为：其中，ne表示第一单位时间内的emotion参数的个数，Tmood是第一单位时间内的mood值，ei是第一单位时间内的第i个emotion参数值，ti是第i个emotion持续的时间。5.根据权利要求2所述的一种基于机器学习的情绪预测方法，其特征在于，步骤S2中根据所述第一训练样本集对情绪预测模型进行训练，所述情绪预测模型具体为：其中，m表示的特征值个数，ymood为预测的mood情绪，为二维参数，ωi为第i个特征值对应的权值参数，xi为第i个特征值。6.根据权利要求5所述的一种基于机器学习的情绪预测方法，其特征在于，步骤S2中所述情绪预测模型包括一般化情绪预测模型和/或个性化情绪预测模型；对应的，所述步骤S1中的第一训练样本集包括多个用户第一训练样本集和/或单个用户第一训练样本集。7.根据权利要求6所述的一种基于机器学习的情绪预测方法，其特征在于，步骤S2中根据所述第一训练样本集对情绪预测模型进行训练，所述训练过程通过岭回归模型进行训练，所述岭回归模型为：其中，X是第一训练样本集中所有参与训练的特征值构成的特征矩阵，Y是目标值矩阵，即预测的mood情绪ymood组成的二维矩阵，α为惩罚因子，ω为权值参数，采用梯度下降法进行求解；所述训练过程具体为：获取α的不同取值；在每一个α的取值情况下，采用交叉验证的策略，即得到多个评价指标值MSE，获取MSE的平均值作为当前α的值对应的MSE值；对比α所有取值情况下的MSE，选择最小的MSE对应的α值，并采用第一训练样本集作为训练样本，训练预测模型得...

【专利技术属性】
技术研发人员：王文鹤，王得利，都棋峰，何庆军，
申请(专利权)人：深圳个人数据管理服务有限公司，
类型：发明
国别省市：广东,44