一种组织人员心态预测方法技术

本发明专利技术公开了一种组织人员心态预测方法，包括获取组织员工的在一个时间周期内的组合数据，将组合数据进行预处理形成待识别的组合数据特征，将组合数据特征送入一个预先建立的心态预测神经网络模型，心态预测神经网络模型分析输出心态预测数据，心态预测数据经一个心态预测识别库输出对应心态预测数据的心态值；本发明专利技术摆脱了以往仅通过实地走访、问卷答题质性评估心态的形式，实现了对心态预测的量化且可大规模应用。提升了表情识别在自然状态下的精度，实现在自然状态下常见表情识别精度平均达到65%以上，进而实现在工作场景中自然状态下的大规模应用，以更为客观、非侵入式的方式采集情绪数据，保证了心态数据的真实性和易操作性。

A Prediction Method of Organizational Personnel's Psychology

【技术实现步骤摘要】
一种组织人员心态预测方法
本专利技术涉及一种组织人员心态预测方法。
技术介绍
在以往的研究中没有对工作心态进行量化的测评与分析技术，对个体工作心态的测量目前仍是世界性的难题。而个体工作心态的测量是群体工作心态测量的基础，对群体工作心态的测量更是处于无人探索的空白区域。现有关于心态的分析研究较多的是对社会心态的研究，且多为质性研究，停留在对社会心态的概念分析、功能研究等方面。而对于工作心态的研究，多停留在各个群体对应具备什么样的工作心态的探讨层面。而具体到每个个体或群体的心态分析，则更多地是采用思想动态分析，通过深入群众、实地走访、问卷调查等方式了解员工队伍的心理动态，不但调研间隔时间长，而且被调研员工多心存顾忌而敷衍应付、被动作答，致使定性分析多于定量分析。总之，对于心态的研究，多停留在质性研究阶段，都缺乏将心态具体化、量化的工作。
技术实现思路
本专利技术的目的在于提出一种组织人员心态预测方法，通过本方法实现了对心态预测的量化。为了实现上述目的，本专利技术的技术方案是：一种组织人员心态预测方法，包括获取组织员工的在一个时间周期内的组合数据，将组合数据进行预处理形成待识别的组合数据特征，将组合数据特征送入一个预先建立的心态预测神经网络模型，心态预测神经网络模型分析输出心态预测数据，心态预测数据经一个心态预测识别库输出对应心态预测数据的心态值；其中，所述组合数据是心理特征点数据和面目情绪数据；所述心理特征点数据：是通过心理学量表方式采集的数字表现数据，心理学量表将心理问题用数字区分不同表现类别及等级，通过对类别及等级的选择形成由多个数字组组成的心理特征点数据；所述面目情绪数据：是通过情绪测量方法获取员工的表情状态，然后将表情状态转为数字表现形成面目情绪数据；所述将组合数据进行预处理形成待识别的组合数据特征：是将组合数据中的心理特征点数据和面目情绪数据转化为统一格式数据，形成组合数据特征；所述心态预测神经网络模型的预先建立包括：第一步：按照分层抽样划分组织人员总数中一部分员工作为建模员工样本，获取建模员工在建模时间周期内的每位员工的所述组合数据和心态评判数据，将组合数据进行所述预处理形成所述组合数据特征，所述心态评判数据是通过问卷表格的方式采集的对所述建模时间周期内每位员工表现进行评判的数据，再将心态评判数据进行所述预处理转化对应所述组合数据特征的比对数值表；第二步：将每一位员工的组合数据特征输入神经网络学习得到每一位员工的心态预测值输出，将每一位员工的心态预测值输出与比对数值表中对应员工的评判心态值进行对比，得到每位员工的心态值对比误差，并得到建模员工心态值对比误差平均值；第三步：使用对比误差平均值对神经网络进行反向传播调节网络权值，判断心态值对比误差平均值是否是最小值拐点值，如果不是，返回第二步；如果是，将此时的心态预测值输出所对应的比对数值作为被识别的心态值输入并形成所述心态预测识别库，完成预测神经网络模型的建立。方案进一步是：所述预处理包括：对数据进行归一化处理形成0至1的统一数据格式。方案进一步是：所述预处理进一步包括：在归一化处理形成0至1的数据格式后再进行降噪处理去掉冗余信息数据。方案进一步是：所述心理特征点数据有317组、所述面目情绪数据有7组、所述心态评判数据有5组；经预处理形成的组合数据特征中：所述心理特征点数据是有0至1的7组数据、所述面目情绪数据是0至1的5组数据、所述心态评判数据是0至1的5组数据，建模员工0至1的5组数据形成了对应所述组合数据特征的比对数值表。方案进一步是：当心态预测值输出以及比对数值为多组数据时，所述心态预测识别库中的心态值是通过V＝f(X)关系式将多组数据转化为一组数据形成的心态值，其中：V代表对应心态预测数据的心态值，X代表多组数据。方案进一步是：所述情绪测量方法是：通过建立组织人员面部表情类别识别模型实现在所述时间周期内对组织人员表情状态的识别并将表情数据转换为情绪数据；包括：使用人脸识别建立组织人员档案数据包以及对组织人员面部表情类别的分类并完成表情数据到情绪数据的转换；所述建立组织人员面部表情类别识别模型的步骤包括：步骤一：通过在组织人员工作区域设置图像采集装置实时采集组织中每一个人的个人面部图像，获取个人面部识别过程中的人脸图像；步骤二：按照所述面部表情类别的分类，人工划分人脸图像表情代表的所述表情类别；步骤三：获取划分好类别的人脸图像的热力图像数据特征；步骤四：使用卷积神经网络对热力图像数据特征学习形成个人表情类别识别模型；所述实现在所述时间周期内对组织人员表情状态的识别并完成表情到情绪数据转换的步骤包括：第一步：在所述时间周期内实时采集经过图像采集装置的人脸图像，对人脸图像进行人脸识别，确定人脸图像对应的个人档案数据包；第二步：将被识别人脸图像转换为人脸热力图像形成热力图像数据特征；第三步：将被识别人脸图像的像热力图像数据特征输入个人表情类别识别模型，个人表情类别识别模型对输入的热力图像数据特征进行面部表情类别分类，并将分类的结果存入对应的个人档案数据包；第四步：查询所述时间周期内个人档案数据包，累计计算个人档案数据包中所述时间周期内各种表情类别出现的频率，记录各种表情类别出现的频率形成所述情绪数据，完成表情数据到情绪数据的转换。方案进一步是：所述人面部表情类别分为7类，分别是：平静、愤怒、开心、惊讶、厌恶、生气、悲伤。方案进一步是：所述将被识别人脸图像转换为人脸热力图像形成热力图像数据特征是：读取被识别人脸图像；确定人脸识别过程中的特征识别点；获取围绕特征识别点的边缘点形成人脸图像的热力图像数据特征。方案进一步是：所述人工划分人脸图像表情代表的所述表情类别是：组织经过训练的至少5个人，将人脸图像分发至所述5个人，5个人背靠背按照人面部表情类别确定人脸图像的表情所代表的类别，当5个人中所确定的类别相同不少于三人时，则认为该表情属于该类别。方案进一步是：所述方法进一步包括：在所述时间周期内对组织人员表情状态的识别步骤中，如果当组织人员面部表情类别识别模型不能对输入的热力图像数据特征进行面部表情类别分类时，则将被识别人脸图像送至建立组织人员面部表情类别识别模型步骤中的步骤二，并依次执行接下来的步骤三、步骤四，进一步完善组织人员面部表情类别识别模型。本专利技术的有益效果是：本专利技术提升了表情识别在自然状态下的精度，实现在自然状态下常见表情识别精度平均达到65％以上，进而实现在工作场景中自然状态下的大规模应用，以更为客观、非侵入式的方式采集情绪数据，保证了心态数据的真实性和易操作性。摆脱了以往仅通过实地走访、问卷答题质性评估心态的形式，实现了对心态预测的量化且大规模应用。具体实施方式一种组织人员心态预测方法，本方法将采集的数据自动汇总，通过计算出量化的心态值，最终形成工作心态智能感知系统，通过系统可以实现员工工作心态的实时、持续、智能检测，从而实现工作心态的研究的落地与应用。包括获取组织员工的在一个时间周期内的组合数据，将组合数据进行预处理形成待识别的组合数据特征，将组合数据特征送入一个预先建立的心态预测神经网络模型，心态预测神经网络模型分析输出心态预测数据，心态预测数据经一个心态预测识别库输出对应心态预测数据的心态值；其中，所述组合数据是心理特征点数据和面目本文档来自技高网...

【技术保护点】
1.一种组织人员心态预测方法，包括获取组织员工的在一个时间周期内的组合数据，将组合数据进行预处理形成待识别的组合数据特征，将组合数据特征送入一个预先建立的心态预测神经网络模型，心态预测神经网络模型分析输出心态预测数据，心态预测数据经一个心态预测识别库输出对应心态预测数据的心态值；其特征在于，所述组合数据是心理特征点数据和面目情绪数据；所述心理特征点数据：是通过心理学量表方式采集的数字表现数据，心理学量表将心理问题用数字区分不同表现类别及等级，通过对类别及等级的选择形成由多个数字组组成的心理特征点数据；所述面目情绪数据：是通过情绪测量方法获取员工的表情状态，然后将表情状态转为数字表现形成面目情绪数据；所述将组合数据进行预处理形成待识别的组合数据特征：是将组合数据中的心理特征点数据和面目情绪数据转化为统一格式数据，形成组合数据特征；所述心态预测神经网络模型的预先建立包括：第一步：按照分层抽样抽取组织人员总数中一部分员工作为建模员工样本，获取建模员工在建模时间周期内的每位员工的所述组合数据和心态评判数据，将组合数据进行所述预处理形成所述组合数据特征，所述心态评判数据是通过问卷表格的方式采集的对所述建模时间周期内每位员工表现进行评判的数据，再将心态评判数据进行所述预处理转化对应所述组合数据特征的比对数值表；第二步：将每一位员工的组合数据特征输入神经网络学习得到每一位员工的心态预测值输出，将每一位员工的心态预测值输出与比对数值表中对应员工的评判心态值进行对比，得到每位员工的心态值对比误差，并得到建模员工心态值对比误差平均值；第三步：使用对比误差平均值对神经网络进行反向传播调节网络权值，判断心态值对比误差平均值是否是最小值拐点值，如果不是，返回第二步；如果是，将此时的心态预测值输出所对应的比对数值作为被识别的心态值输入并形成所述心态预测识别库，完成预测神经网络模型的建立。...

【技术特征摘要】
2019.04.17 CN 201910306950X1.一种组织人员心态预测方法，包括获取组织员工的在一个时间周期内的组合数据，将组合数据进行预处理形成待识别的组合数据特征，将组合数据特征送入一个预先建立的心态预测神经网络模型，心态预测神经网络模型分析输出心态预测数据，心态预测数据经一个心态预测识别库输出对应心态预测数据的心态值；其特征在于，所述组合数据是心理特征点数据和面目情绪数据；所述心理特征点数据：是通过心理学量表方式采集的数字表现数据，心理学量表将心理问题用数字区分不同表现类别及等级，通过对类别及等级的选择形成由多个数字组组成的心理特征点数据；所述面目情绪数据：是通过情绪测量方法获取员工的表情状态，然后将表情状态转为数字表现形成面目情绪数据；所述将组合数据进行预处理形成待识别的组合数据特征：是将组合数据中的心理特征点数据和面目情绪数据转化为统一格式数据，形成组合数据特征；所述心态预测神经网络模型的预先建立包括：第一步：按照分层抽样抽取组织人员总数中一部分员工作为建模员工样本，获取建模员工在建模时间周期内的每位员工的所述组合数据和心态评判数据，将组合数据进行所述预处理形成所述组合数据特征，所述心态评判数据是通过问卷表格的方式采集的对所述建模时间周期内每位员工表现进行评判的数据，再将心态评判数据进行所述预处理转化对应所述组合数据特征的比对数值表；第二步：将每一位员工的组合数据特征输入神经网络学习得到每一位员工的心态预测值输出，将每一位员工的心态预测值输出与比对数值表中对应员工的评判心态值进行对比，得到每位员工的心态值对比误差，并得到建模员工心态值对比误差平均值；第三步：使用对比误差平均值对神经网络进行反向传播调节网络权值，判断心态值对比误差平均值是否是最小值拐点值，如果不是，返回第二步；如果是，将此时的心态预测值输出所对应的比对数值作为被识别的心态值输入并形成所述心态预测识别库，完成预测神经网络模型的建立。2.根据权利要求1所述的心态预测方法，其特征在于，所述预处理包括：对数据进行归一化处理形成0至1的统一数据格式。3.根据权利要求2所述的心态预测方法，其特征在于，所述预处理进一步包括：在归一化处理形成0至1的数据格式后再进行降噪处理去掉冗余信息数据。4.根据权利要求3所述的心态预测方法，其特征在于，所述心理特征点数据有317组、所述面目情绪数据有7组、所述心态评判数据有5组；经预处理形成的组合数据特征中：所述心理特征点数据是有0至1的7组数据、所述面目情绪数据是0至1的5组数据、所述心态评判数据是0至1的5组数据，建模员工0至1的5组数据形成了对应所述组合数据特征的比对数值表。5.根据权利要求1或4所述的心态预测方法，其特征在于，当心态预测值输出以及比对数值为多组数据时，所...

【专利技术属性】
技术研发人员：李斌，倪春，王择青，张寒，孙渊远，胡军，陈莉，苗泉竹，钦林文，韦瑜华，赵敏，盛文斌，周洋，
申请(专利权)人：国网江苏省电力有限公司，北京阳光易德科技股份有限公司，
类型：发明
国别省市：江苏,32