一种处于无意识、自由状态下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处于无意识、自由状态下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GRNN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】
一种处于无意识、自由状态下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，具体涉及一种处于无意识、自由状态下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，拥抱机研发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，本申请提供一种处于无意识、自由状态下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GRNN模型，采用所述输入矩阵和所述结果矩阵对GRNN模型进行训练。S3:采集用户使用拥抱机的第二过程视频，采用训练完成的GRNN模型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GRNN模型方程式为：其中，表示所有样本观测值Yi的加权平均；Yi表示观测值；X网络输入变量；Xi表示第i个神经元对应的学习样本；σ表示网络扩展因子。进一步的，所述步骤S2包括以下步骤：S21：设置网络扩展因子的取值范围[σmin,σmax]，设置σ的取值间距Δh；S22：取σ0＝σmin，采用样本集A作为训练样本构建GRNN模型，B作为测试样本，利用建立的GRNN模型预测采样集B的所有估计值计算测试集B的预测值与实际值的误差E1，并令Emin＝E1，令最佳训练样本集为A；S23：取σ0＝σmin，采用样本集B作为训练样本GRNN模型，A作为测试样本，利用建立的GRNN模型预测采样集A的所有估计值计算测试集A的预测值与实际值的误差E2，若E2＜E1，则并令Emin＝E2，令最佳训练样本集为B；否则Emin＝E1，最佳训练样本集仍为A；S24：取σ1＝σmin+Δh，重复第二步和第三步过程，如果出现E小于S22步或者S23步中的Emin，则σ1优于σ0；否则最佳的网络扩展因子取值仍为σ0；S25：在[σmin,σmax]内取遍所有的σ值不断更新测试样本最小误差值、最佳训练样本集、最小扩展因子；取测试样本误差最小情况下的σ值、训练样本集为最优的σ值和训练样本集。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处于无意识、自由状态下的自闭症拥抱机体验评价系统,其特征在于，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GRNN模型，采用所述输入矩阵和所述结果矩阵对GRNN模型进行训练。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GRNN模型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，，所述训练模块采用的GRNN模型方程式为：其中，表示所有样本观测值Yi的加权平均；Yi表示观测值；X网络输入变量；Xi表示第i个神经元对应的学习样本；σ表示网络扩展因子。进一步的，所述训练模块采用以下步骤对GRNN模型进行训练：S21：设置网络扩展因子的取值范围[σmin,σmax]，设置σ的取值间距Δh；S22：取σ0＝σmin，采用样本集A作为训练样本构建GRNN模型，B作为测试样本，利用建立的GRNN模型预测采样集B的所有估计值计算测试集B的预测值与实际值的误差E1，并令Emin＝E1，令最佳训练样本集为A；S23：取σ0＝σmin，采用样本集B作为训练样本GRNN模型，A作为测试样本，利用建立的GRNN模型预测采样集A的所有估计值计算测试集A的预测值与实际值的误差E2，若E2＜E1，则并令Emin＝E2，令最佳训练样本集为B；否则Emin＝E1，最佳训练样本集仍为A；S24：取σ1＝σmin+Δh，重复第二步和第三步过程，如果出现E小于S22步或者S23步中的Emin，则σ1优于σ0；否则最佳的网络扩展因子取值仍为σ0；S25：在[σmin,σma本文档来自技高网...

【技术保护点】
1.一种处于无意识、自由状态下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GRNN模型，采用所述输入矩阵和所述结果矩阵对GRNN模型进行训练；S3:采集用户使用拥抱机的第二过程视频，采用训练完成的GRNN模型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】
1.一种处于无意识、自由状态下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GRNN模型，采用所述输入矩阵和所述结果矩阵对GRNN模型进行训练；S3:采集用户使用拥抱机的第二过程视频，采用训练完成的GRNN模型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所述的一种处于无意识、自由状态下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所述的一种处于无意识、自由状态下的自闭症拥抱机体验评价方法,其特征在于，所GRNN模型方程式为：其中，表示所有样本观测值Yi的加权平均，Yi表示观测值，X网络输入变量，Xi表示第i个神经元对应的学习样本，σ表示网络扩展因子。4.如权利要求3所述的一种处于无意识、自由状态下的自闭症拥抱机体验评价方法,其特征在于，所述步骤S2包括以下步骤：S21：设置网络扩展因子的取值范围[σmin,σmax]，设置σ的取值间距Δh；S22：取σ0＝σmin，采用样本集A作为训练样本构建GRNN模型，B作为测试样本，利用建立的GRNN模型预测采样集B的所有估计值计算测试集B的预测值与实际值的误差E1，并令Emin＝E1，令最佳训练样本集为A；S23：取σ0＝σmin，采用样本集B作为训练样本GRNN模型，A作为测试样本，利用建立的GRNN模型预测采样集A的所有估计值计算测试集A的预测值与实际值的误差E2，若E2＜E1，则并令Emin＝E2，令最佳训练样本集为B；否则Emin＝E1，最佳训练样本集仍为A；S24：取σ1＝σmin+Δh，重复第二步和第三步过程，如果出现E小于S22步或者S23步中的Emin，则σ1优于σ0；否则最佳的网络扩展因子取值仍为σ0；S25：在[σmin,σmax]内取遍所有的σ值不断更新测试样本最小误差值、最佳训练样本集、最小扩展因子；取测试样本误差最小情况下的σ值、训练样本集为最优的σ值和训练样本集。5.如权利要求4所述的一种处于无意识、自由状态下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。6.一种处于无意识、自由状态下的自闭症拥抱机体验评价...

【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