一种基于面部表情识别的青少年焦虑和抑郁诊断算法制造技术

本发明专利技术公开了一种基于面部表情识别的青少年焦虑和抑郁诊断算法，包括如下步骤：1)根据摄像头采集到的图片，按照FER算法得到害怕、难过、厌恶、愤怒、高兴、平静和惊讶的情绪分值；2)根据情绪分值建立情绪矩阵，情绪矩阵的列是每一种情绪，情绪矩阵的行是每一次采样的情绪分值；3)针对每一列，即每一种情绪计算多次采样的加权平均，加权平均去掉最高值和最小值；4)计算出焦虑和难过两种情绪的平均分值；5)根据设定的焦虑和难过两种情绪的阈值显示出相应的警示信息。本发明专利技术可以根据情绪平均分值的大小得到一段时间内主要的情绪，提供调节情绪的建议。情绪加权平均的算法针对青少年考前和考后的情绪问题提高了情绪识别的准确率。

【技术实现步骤摘要】
一种基于面部表情识别的青少年焦虑和抑郁诊断算法
本专利技术涉及心理学和计算机辅助分析交叉领域，具体地说，特别涉及到一种基于面部表情识别的青少年焦虑和抑郁诊断算法。
技术介绍
近几年，我国中学生心理健康问题较为突出，心理疾病的发生率正在增长，患者人数不断增加，病种不断扩大。经过调查表明，初中生在校最突出的心理障碍是与考试有关，尤其大考前和考试后，心理波动特别大，而在心理学上，考生适度的心理焦虑是正常情况，通常自行调整，便能得到有效缓解，但关键问题在于许多考生不清楚自己的焦虑程度是否严重，从而导致最终得不到及时有效疏导，而影响考试发挥和身心健康发展。目前中学心理咨询老师配置比较少，一般一个心理咨询老师要辅导上千个学生，同时很多学生和家长不够重视心理健康问题，认为心理问题坚持一下过一段时间就好了，造成很多小的心理问题没有及早发现，最后变成大的悲剧。随着人工智能的发展，构建更加自然的人机交互系统跃升为一大研究热点。这给心理学健康带来新的思路，目前研究人员正在测试人工智能帮助筛查、诊断和治疗精神疾病的不同方法。FER(faceemotionrecogninition)系统根据特征表示可以分为两类：静态图像FER和动态序列FER。在基于静态图像的方法中，特征表示仅由单张图片的空间信息进行编码，而基于动态的方法需要考虑输入面部表情连续帧之间的时间关系。FER表情识别库可以识别单独的一张图片，但是存在识别率不高的问题。另外青少年处于心理不稳定阶段，只通过一次识别做诊断结果可能存在较大的误差，需要改进算法对识别结果做二次处理。
技术实现思路
本专利技术的目的在于针对现有技术中的不足，提供一种基于面部表情识别的青少年焦虑和抑郁诊断算法，以解决现有技术中存在的问题。本专利技术所解决的技术问题可以采用以下技术方案来实现：一种基于面部表情识别的青少年焦虑和抑郁诊断算法，包括如下步骤：1)根据摄像头采集到的图片，按照FER算法得到害怕、难过、厌恶、愤怒、高兴、平静和惊讶的情绪分值；2)根据情绪分值建立情绪矩阵，情绪矩阵的列是每一种情绪，情绪矩阵的行是每一次采样的情绪分值；3)针对每一列，即每一种情绪计算多次采样的加权平均，加权平均去掉最高值和最小值；4)计算出焦虑和难过两种情绪的平均分值；5)根据设定的焦虑和难过两种情绪的阈值显示出相应的警示信息。进一步的，所述的步骤1)的具体方法如下：输入层会把图片传到卷积层，输入的图片像素是64x64像素的图片，输入像素的值背景层的corresp值为-0.1，前景层的corresp值为1.175；平均输入约为0，方差约为1；卷积层用于提取图片的12个特征平面，每个特征平面使用的一个7x7的卷积核，最终得到94200个特权值；全连接层有7个神经元，代表七种情绪，最终根据94200个特权值计算得到每种情绪的情绪分值。进一步的，所述步骤2)中情绪矩阵如下：所述情绪矩阵的列表示情绪种类；情绪矩阵的行表示一次采样的情绪分值。进一步的，所述步骤4)的焦虑和难过两种情绪的平均分值算法如下：对于焦虑需要按照以下公式根据害怕和愤怒的平均分值做加权平均：anx＝α×mean(fear)+β×mean(angry)其中，α+β＝1，α＝0.8，β＝0.2。进一步的，所述步骤5)的警示信息判定规则如下：焦虑：0.4＜＝anxious＜0.6，轻度焦虑，需要调整好情绪；0.6＜＝anxious＜0.8，中度焦虑，需要和心理学老师进行沟通；anxious＞＝0.8，重度焦虑，需要立即进行心理干预；抑郁：0.4＜＝sad＜0.6，轻度抑郁，需要调整好情绪；0.6＜＝sad＜0.8，中度抑郁，需要和心理学老师进行沟通；sad>＝0.8,重度抑郁，需要立即进行心理干预。与现有技术相比，本专利技术的有益效果在于：本专利技术可以根据情绪平均分值的大小得到一段时间内主要的情绪，提供调节情绪的建议。情绪加权平均的算法针对青少年考前和考后的情绪问题提高了情绪识别的准确率。附图说明图1为本专利技术所述的青少年焦虑和抑郁诊断算法的流程框图。图2为本专利技术所述的青少年焦虑和抑郁诊断算法的具体流程图。图3为本专利技术所述的20次采样的害怕和难过情绪的分值图。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。参见图1到图3，本专利技术所述的一种基于面部表情识别的青少年焦虑和抑郁诊断算法，包括如下步骤：1)根据摄像头采集到的图片，按照FER算法得到害怕、难过、厌恶、愤怒、高兴、平静和惊讶的情绪分值；2)根据情绪分值建立情绪矩阵，情绪矩阵的列是每一种情绪，情绪矩阵的行是每一次采样的情绪分值；3)针对每一列，即每一种情绪计算多次采样的加权平均，加权平均去掉最高值和最小值；4)计算出焦虑和难过两种情绪的平均分值；5)根据设定的焦虑和难过两种情绪的阈值显示出相应的警示信息。在步骤1)中根据FER算法得到每次七种情绪的分值总和为1，某种情绪的分值越大，表明此种情绪占比较高。在步骤2)中，通过建立情绪分值矩阵保存每次采样的情绪分值，以方便后面进行加权平均计算。在步骤3)中，将步骤2)得到的网格看作离散网格，去掉每种情绪的最高分值和最低分值后计算加权平均，得到每种情绪的平均分值，作为后续建议的判断标准。在步骤4)中，焦虑是根据愤怒和害怕算出的加权平均，其中害怕分值所占的比例较高，愤怒所占分值较低。难过是根据难过情绪计算出的平均值。在步骤5)中，将步骤4)生成的平均分值根据大小给出不同的诊断建议。所述的步骤1)的具体方法如下：输入层会把图片传到卷积层，输入的图片像素是64x64像素的图片，输入像素的值背景层的corresp值为-0.1，前景层的corresp值为1.175；平均输入约为0，方差约为1；卷积层用于提取图片的12个特征平面，每个特征平面使用的一个7x7的卷积核，最终得到94200个特权值；全连接层有7个神经元，代表七种情绪，最终根据94200个特权值计算得到每种情绪的情绪分值。所述步骤2)中情绪矩阵如下：所述情绪矩阵的列表示情绪种类；情绪矩阵的行表示一次采样的情绪分值。所述步骤4)的焦虑和难过两种情绪的平均分值算法如下：对于焦虑需要按照以下公式根据害怕和愤怒的平均分值做加权平均：anx＝α×mean(fear)+β×mean(angry)其中，α+β＝1，α＝0.8，β＝0.2。所述步骤5)的警示信息判定规则如下：焦虑：0.4＜＝anxious＜0.6，轻度焦虑，需要调整好情绪；0.6＜＝anxious＜0本文档来自技高网...

【技术保护点】
1.一种基于面部表情识别的青少年焦虑和抑郁诊断算法，其特征在于，包括如下步骤：/n1)根据摄像头采集到的图片，按照FER算法得到害怕、难过、厌恶、愤怒、高兴、平静和惊讶的情绪分值；/n2)根据情绪分值建立情绪矩阵，情绪矩阵的列是每一种情绪，情绪矩阵的行是每一次采样的情绪分值；/n3)针对每一列，即每一种情绪计算多次采样的加权平均，加权平均去掉最高值和最小值；/n4)计算出焦虑和难过两种情绪的平均分值；/n5)根据设定的焦虑和难过两种情绪的阈值显示出相应的警示信息。/n

【技术特征摘要】
1.一种基于面部表情识别的青少年焦虑和抑郁诊断算法，其特征在于，包括如下步骤：
1)根据摄像头采集到的图片，按照FER算法得到害怕、难过、厌恶、愤怒、高兴、平静和惊讶的情绪分值；
2)根据情绪分值建立情绪矩阵，情绪矩阵的列是每一种情绪，情绪矩阵的行是每一次采样的情绪分值；
3)针对每一列，即每一种情绪计算多次采样的加权平均，加权平均去掉最高值和最小值；
4)计算出焦虑和难过两种情绪的平均分值；
5)根据设定的焦虑和难过两种情绪的阈值显示出相应的警示信息。


2.根据权利要求1所述的基于面部表情识别的青少年焦虑和抑郁诊断算法，其特征在于，所述的步骤1)的具体方法如下：
输入层会把图片传到卷积层，输入的图片像素是64x64像素的图片，输入像素的值背景层的corresp值为-0.1，前景层的corresp值为1.175；平均输入约为0，方差约为1；
卷积层用于提取图片的12个特征平面，每个特征平面使用的一个7x7的卷积核，最终得到94200个特权值；
全连接层有7个神经元，代表七种情绪，最终根据94200个特权值计算得到每种情绪的情绪分值。


3.根据权利要求1所述的基于面部表情识别的青少年焦虑和抑郁诊断算法，其特征在于，...

【专利技术属性】
技术研发人员：温灵婕，邵兵，张若可，朱陈，温征勇，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海;31