一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统技术方案

本发明专利技术提供了一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统，通过开发一款手机App，获取用户在使用不同类型(滚筒颜色、滚筒材质、滚筒宽度、滚筒直径、机架长、宽、高等参数不同)的拥抱机过程视频(可以通过手机App现场拍摄或者读取视频文件)传输到云端；在云端把该视频分解成连续的系列照片；应用人脸识别技术，识别该系列照片对应的人脸表情类型，获得表情随时间变化的代码向量，在云平台上，通过KNNF神经网络建立用户体验数据与对应用户体验过程评分的复杂非线性关系模型；进行视频的录入即可自动获得该用户体验过程的用户体验评价结果，作为企业进行自闭症拥抱机产品升级优化的依据。

【技术实现步骤摘要】
一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统
本专利技术涉及大数据领域，具体涉及一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法及系统。
技术介绍
如今，正值心理健康危机日益严重的时期，尤其是年轻人。根据2015年的《高等教育纪事报》的一份报道中指出，自杀是大学生死亡的第二大杀手，仅次于交通事故；自1999年以来，美国的整体自杀率飙升了约25％。针对那些患有自闭症、SPD(感觉紊乱)、抑郁症、发育迟缓人群或者仅仅是压力过大的用户。有研究表明，借助外物适度挤压身体能够极大缓解焦虑情绪舒缓压力，像拥抱机这样声称能够通过背腹双侧按摩减轻心理压力，改善肢体运动能力，能够有效减轻患者普遍存在的紧张情绪，让用户在放松的状态下更容易学会与他人的互动交流。嵌入情绪识别系统，将患者体验过程中的情绪变化进行采集、计算、分析，在大多情况下还是可以作为企业进行自闭症拥抱机产品升级优化的依据。现有技术在拥抱机产品优化改进过程中，工程技术人员不能快速获取改进型拥抱机的用户体验数据，进而不能对产品优化结果做出快速评价。
技术实现思路
为了解决现在产品研发过程中，研发人员不能快速获取改进型拥抱机用户体验数据的问题，本申请提供一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法,包括以下步骤S1：采集用户使用拥抱机的第一过程视频，依据所述第一过程视频得到第一过程系列照片，对所述第一过程系列照片进行人脸识别得到用户人脸表情向量，依据所述用户人脸表情向量得到输入矩阵，；S2:采集用户调查数据，依据所述用户调查数据得到结果矩阵Y，构建的KNNF神经网络，采用所述输入矩阵和所述结果矩阵对KNNF神经网络进行训练。S3:采集用户使用拥抱机的第二过程视频，采用训练完成的KNNF神经网络对所述用户使用拥抱机的第二过程视频进行分析并获取用户体验数据。进一步的，所述步骤S1包括，S11：以横坐标为时间，纵坐标为表情类型代码生成用户人脸表情向量随时间变化的二维表情谱，其中，“愤怒”对应的表情向量为[0,0,0,0,0,0,1]T、“厌恶”对应的表情向量为[0,0,0,0,0,2,0]T、“恐惧”对应的表情向量为[0,0,0,0,3,0,0]T、“高兴”对应的表情向量为[0,0,0,4,0,0,0]T、“伤心”对应的表情向量为[0,0,5,0,0,0,0]T、“惊讶”对应的表情向量为[0,6,0,0,0,0,0]T、“无情绪”对应的表情向量为[7,0,0,0,0,0,0]T，采用表情谱得到矩阵A＝[e1,e2,e3,…,en]7×n；S12:将矩阵A进行转置变换得到AT＝[e1,e2,e3,…,en]n×7；S13:构造矩阵M＝A·AT；S14:计算矩阵M的特征值，生成矩阵M的特征值矩阵λ＝[λ1,λ2,λ3,…,λ7]1×7；S15:生成输入矩阵X＝[λ,N,B]1×9，其中N为年龄，B为性别。进一步的，所述步骤S2包括以下步骤，S21：生成前馈神经网络，记M为输入层神经元数，s1为隐层神经元数，l为输出层神经元数；输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为S22：构建卡尔曼滤波过程中的系统方程：上述公式中：X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制向量，φ和B是系统参数，Z(k)是k时刻的测量值，H是测量系统的参数。w(k)和v(k)是高斯白噪声；S23：KF神经网络中所有权值和阈值组成的状态变量X为：设X中的个数为n个值；S24：求出k-1时刻的最优状态估计X(k-1|k-1)和该状态对应的协方差P(k-1|k-1)，根据上述S22中的方程进行k时刻状态估计得到X(k|k-1)；S25：根据k时刻状态估计得X(k|k-1)计算k-1时刻的协方差P(k|k-1)；S26：求出k时刻最优状态估计X(k|k)；S27：求出k时刻最优状态估计X(k|k)对应的协方差P(k|k)。进一步的，所述步骤S3还包括，将用户体验数据发送至管理员移动终端并进行展示。为了保证上述方法的实施，本专利技术还提供一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价系统,包括以下模块采集模块，用于采集用户使用拥抱机的第一过程视频，依据所述第一过程视频得到第一过程系列照片，对所述第一过程系列照片进行人脸识别得到用户人脸表情向量，依据所述用户人脸表情向量得到输入矩阵，；训练模块，用于采集第一用户调查数据，依据所述第一用户调查数据得到结果矩阵Y，构建的KNNF神经网络，采用所述输入矩阵和所述结果矩阵对KNNF神经网络进行训练。结果输出模块，用于采集用户使用拥抱机的第二过程视频，采用训练完成的KNNF神经网络对所述用户使用拥抱机的第二过程视频进行分析并获取存储用户体验数据。进一步的，所述采集模块采用以下步骤获取输入矩阵，S11：以横坐标为时间，纵坐标为表情类型代码生成用户人脸表情向量随时间变化的二维表情谱，其中，“愤怒”对应的表情向量为[0,0,0,0,0,0,1]T、“厌恶”对应的表情向量为[0,0,0,0,0,2,0]T、“恐惧”对应的表情向量为[0,0,0,0,3,0,0]T、“高兴”对应的表情向量为[0,0,0,4,0,0,0]T、“伤心”对应的表情向量为[0,0,5,0,0,0,0]T、“惊讶”对应的表情向量为[0,6,0,0,0,0,0]T、“无情绪”对应的表情向量为[7,0,0,0,0,0,0]T，采用表情谱得到矩阵A＝[e1,e2,e3,…,en]7×n；S12:将矩阵A进行转置变换得到AT＝[e1,e2,e3,…,en]n×7；S13:构造矩阵M＝A·AT；S14:计算矩阵M的特征值，生成矩阵M的特征值矩阵λ＝[λ1,λ2,λ3,…,λ7]1×7；S15:生成输入矩阵X＝[λ,N,B]1×9，其中N为年龄，B为性别。进一步的，所述训练模块还执行以下步骤，S21：生成前馈神经网络，记M为输入层神经元数，s1为隐层神经元数，l为输出层神经元数；输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为S22：构建卡尔曼滤波过程中的系统方程：上述公式中：X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制向量，φ和B是系统参数，Z(k)是k时刻的测量值，H是测量系统的参数。w(k)和v(k)是高斯白噪声；S23：KF神经网络中所有权值和阈值组成的状态变量X为：设X中的个数为n个值；S24：求出k-1时刻的最优状态估计X(k-1|k-1)和该状态对应的协方差P(k-1|k-1)，根据上述S22中的方程进行k时刻状态估计得到X(k|k-1)；S25：根据k时刻状态估计得X(k|k-1)计算k-1时刻的协方差P(k|k-1)；S26：求出k时刻最优状态估计X(k|k)；S27：求出k时刻最优状态估计X(k|k)对应的协方差P(k|k)。进一步的，所述结果输出模块还用于，将用户体验数据发送至管理员移动终端并进行展示。本专利技术的有益效果是，1遵循神经和肌肉等解剖学，具有共同特征；表情识别是一种无意识、自由状态下的数据获取方法，保证了数据的可靠性与客观性。2容易整合到数据分析系统进行分析和可视化。3允许其他软件实时访问面部表情分析系统的数据收集。4能够分析所有种族的面部表情，包括儿童的面部表情。5本专利技术通过训练完成的神经网络本文档来自技高网...

【技术保护点】
1.一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法,其特征在于，包括以下步骤S1：采集用户使用拥抱机的第一过程视频，依据所述第一过程视频得到第一过程系列照片，对所述第一过程系列照片进行人脸识别得到用户人脸表情向量，依据所述用户人脸表情向量得到输入矩阵；S2:采集用户调查数据，依据所述用户调查数据得到结果矩阵Y，构建KFNN神经网络，采用所述输入矩阵和所述结果矩阵对KFNN神经网络进行训练。S3:采集用户使用拥抱机的第二过程视频，采用训练完成的KFNN神经网络对所述用户使用拥抱机的第二过程视频进行分析并获取用户体验数据。

【技术特征摘要】
1.一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法,其特征在于，包括以下步骤S1：采集用户使用拥抱机的第一过程视频，依据所述第一过程视频得到第一过程系列照片，对所述第一过程系列照片进行人脸识别得到用户人脸表情向量，依据所述用户人脸表情向量得到输入矩阵；S2:采集用户调查数据，依据所述用户调查数据得到结果矩阵Y，构建KFNN神经网络，采用所述输入矩阵和所述结果矩阵对KFNN神经网络进行训练。S3:采集用户使用拥抱机的第二过程视频，采用训练完成的KFNN神经网络对所述用户使用拥抱机的第二过程视频进行分析并获取用户体验数据。2.如权利要求1所述的一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法,其特征在于，所述步骤S1包括，S11：以横坐标为时间，纵坐标为表情类型代码生成用户人脸表情向量随时间变化的二维表情谱，其中，“愤怒”对应的表情向量为[0,0,0,0,0,0,1]T、“厌恶”对应的表情向量为[0,0,0,0,0,2,0]T、“恐惧”对应的表情向量为[0,0,0,0,3,0,0]T、“高兴”对应的表情向量为[0,0,0,4,0,0,0]T、“伤心”对应的表情向量为[0,0,5,0,0,0,0]T、“惊讶”对应的表情向量为[0,6,0,0,0,0,0]T、“无情绪”对应的表情向量为[7,0,0,0,0,0,0]T，采用表情谱得到矩阵A＝[e1,e2,e3,…,en]7×n；S12:将矩阵A进行转置变换得到AT＝[e1,e2,e3,…,en]n×7；S13:构造矩阵M＝A·AT；S14:计算矩阵M的特征值，生成矩阵M的特征值矩阵λ＝[λ1,λ2,λ3,…,λ7]1×7；S15:生成输入矩阵X＝[λ,N,B]1×9，其中N为年龄，B为性别。3.如权利要求2所述的一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法,其特征在于，所述步骤S2还包括，S21：生成前馈神经网络，记M为输入层神经元数，s1为隐层神经元数，l为输出层神经元数；输入层至隐含层神经元的连接权值阈值为隐含层至输出层的连接权值阈值为S22：构建卡尔曼滤波过程中的系统方程：上述公式中：X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制向量，φ和B是系统参数，Z(k)是k时刻的测量值，H是测量系统的参数，和v(k)是高斯白噪声；S23：KF神经网络中所有权值和阈值组成的状态变量X为：设X中的个数为n个值；S24：求出k-1时刻的最优状态估计X(k-1|k-1)和该状态对应的协方差P(k-1|k-1)，根据上述S22中的方程进行k时刻状态估计得到X(k|k-1)；S25：根据k时刻状态估计得X(k|k-1)计算k-1时刻的协方差P(k|k-1)；S26：求出k时刻最优状态估计X(k|k)；S27：求出k时刻最优状态估计X(k|k)对应的协方差P(k|k)。4.如权利要求3所述的一种基于卡尔曼滤波神经网络的自闭症拥抱机体验评价方法,其特征在于，所述步骤S3还包括，将用户体验数据发送至管理员移动终端并进行展示。5.一种基于卡尔曼滤波神经网络的自闭症拥...

【专利技术属性】
技术研发人员：李太福，廖志强，尹蝶，段棠少，张志亮，黄星耀，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆,50