【技术实现步骤摘要】
一种基于肢体语言的自杀风险评估方法
本专利技术属于情感识别领域，特别涉及一种基于肢体语言的自杀风险评估方法。
技术介绍
服刑人员由于其社会适应性差、心理状态不稳定，极易对自身或它人造成伤害。为了防止服刑人员自残或犯罪，检测他们的情感倾向是有很有必要的。人类的情感倾向可以通过多种方式进行预测，如心电图、脑电图(华南师范大学学报(自然科学版),2019(5))、言语(计算机科学,2015(09):24-28)、面部表情(西安工业大学学报,2015,35(009):705-709)等。在各种情绪信号中，被广泛用于情绪识别的是生理信号。最近，肢体动作也成为一种新的特征。迄今为止已提出了不少用于情感倾向预测的模型，但仍有很多问题亟待解决或值得进一步研究。技术方面，音频数据很容易获得，但容易受到噪声的影响。计算复杂度方面，单一检测静态姿势或者单一检测动态动作来识别情感的计算复杂度更低，但也会导致较低的识别准确度。因此，需要通过融合多种动作来提高情感识别的准确度。通过统一静态姿势和动态动作可以更有效地识别人们的情感，更好地预测自杀...
【技术保护点】
1.一种基于肢体语言的自杀风险评估方法，其特征在于，包括以下步骤：/nS1、使用kinect捕获视频采集人员的肢体行为数据，作为输入数据；/nS2、将输入数据划分为静态的姿势和动态的动作，分别使用卷积神经网络来提取静态姿势的特征和双向长短期记忆神经网络来提取动态动作的特征；/nS3、使用一个长短期记忆神经网络来有效地融合静态姿势的特征和动态动作的特征，统一到相同的特征空间；/nS4、通过softmax层输出该人员是否有自杀倾向。/n
【技术特征摘要】
1.一种基于肢体语言的自杀风险评估方法，其特征在于，包括以下步骤：
S1、使用kinect捕获视频采集人员的肢体行为数据，作为输入数据；
S2、将输入数据划分为静态的姿势和动态的动作，分别使用卷积神经网络来提取静态姿势的特征和双向长短期记忆神经网络来提取动态动作的特征；
S3、使用一个长短期记忆神经网络来有效地融合静态姿势的特征和动态动作的特征，统一到相同的特征空间；
S4、通过softmax层输出该人员是否有自杀倾向。
2.根据权利要求1所述的一种基于肢体语言的自杀风险评估方法，其特征在于，步骤S2中，静态的姿势识别具体如下：
将视频中的帧输入到卷积神经网络(CNN)中进行训练和测试，输入为视频帧，输出为该视频帧中人员所对应静态姿势类别，包括右臂高举、右肩高耸、头向右倾斜、身体右倾、左臂高举、左肩高耸、头向左倾斜、身体左倾、身体正直和双手交叉；CNN利用部分滤波器计算卷积，即利用输入项的局部子矩阵和局部滤波器进行内积运算。
3.根据权利要求2所述的一种基于肢体语言的自杀风险评估方法，其特征在于，所述卷积神经网络(CNN)包括输入层、2个卷积层、2个池化层、全连接层，其中，每个池化层均为每个卷积层的下一层；
输入层的输入表示为xmn表示输入矩阵中的第m行第n列；
卷积层的计算公式如下：
其中，l表示第l个卷积层，i表示卷积输出矩阵第i个分量；j表示第j个输出矩阵；j∈[0,N]，其中N表示卷积输出矩阵的数量；表示第l个卷积层第j个输出矩阵第i个分量的值；表示第l个卷积层第k个输入矩阵第i个分量的值，bj表示第j个输出矩阵的偏置，m表示卷积核数量，a表示第a个卷积核，表示第a个卷积核第k个矩阵的权值；f是一个非线性sigmoid型函数；
池化层中，使用均值池化，每个均值池化层的输入来自于紧跟的上卷积层，输出作为下一个卷积层的输入，计算公式如下：
其中，代表第l个卷积层下的池化层池化过程结束后的局部输出，为卷积层第j个输出矩阵的第i个分量；
全连接层的计算公式如下：
其中，fr表示全连接层第r个分量的输出，ωr表示第r个矩阵的权值，表示第2个池化层第r个输出矩阵的第i个分量。
4.根据权利要求1所述的一种基于肢体语言的自杀风险评估方法，其特征在于，步骤S2中，动态的动作识别具体如下：
通过内置在Kinect中的应用程序接口执行人体定位和跟踪；当人体进入机器人工作空间时，通过3D数据的特征检测出人体，通过API计算出人体骨架，得到骨架点；
将15个骨架点从上到下、从左到右进行编号；15个骨架关节点的坐标为Kinect的坐标；利用Kinect实时检测人体骨架点数据，并利用骨架点数据计算人体的行为特征；
对骨架点数据进行预处理：获取过程将...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。