基于情感的OCC-PAD-OCEAN联邦认知建模方法技术

本发明专利技术提供的基于情感的OCC

【技术实现步骤摘要】
基于情感的OCC
‑
PAD
‑
OCEAN联邦认知建模方法


[0001]本专利技术涉及心理学认知建模
，尤其涉及一种基于情感的 OCC
‑
PAD
‑
OCEAN联邦认知建模方法。

技术介绍

[0002]心理学作为实验科学，绝大多数心理学研究的进展都是基于心理学实验范 式，对被试的主客观数据进行采集与分析。实验中要求主试在变量进行严格控 制的情况下对被试的各个方面行为进行观察与记录，并对采集的数据结果进行 分析。即便如此，心理学实验依然存在大量实验结果信效度不高，实验不可重 复等问题。这些问题部分来源于旁观者效应，部分来源于实验室实验的局限性 等，进而导致心理学实验被局限在一定场景中，无法进行外推延展。针对以上 问题，计算机技术可发挥精准控制、量化数据的作用，这种现代心理测量技术 可以诸多益处，包括避免复杂的信度测量、改进的结构效度、避免暴露效应和 高测量效率等。大多数心理实验的主要目的是探究人类行为原理或人类认知模 式：基于数据采集的角度，通过计算机技术对观测数据进行采集，能对整个实 验环境实现精确的数字控制，如准确采集视频信号、音频信号、传感器数据、 人体运动信息等。基于构建实验环境的角度，计算机的辅助可以使得被试有沉 浸式的体验，例如在情绪心理学的研究中使用虚拟现实技术(VR)可以使得情 感相比于一般的图片或语言刺激，能被更有效地诱发。此外，计算机技术可以 对假设模型进行仿真，解释所观察到的行为，而在实验条件受限制的情况下， 计算机的模拟也可以对假设进行初步理想化的验证。近十年来，对人类情感行 为的研究越来越受到人们的关注。情感计算正是基于心理学与计算机科学，研 究如何利用计算机识别、建模甚至表达人类情感的一门交叉学科。从情感计算 延伸出的人格计算则能够推进所有与人类行为的理解、预测的技术。
[0003]在关于人的行为、预测等方向的心理学研究中，人格是一个非常重要的决 定因素，它能描述稳定的个人特征，这些特征通常可以用定量的方式衡量，解 释和预测可观察到的行为差异。大五人格模型(FFM)是当今人格心理学中的重 要理论，是心理学研究中最有影响力的模型之一。其五因子包括开明性 (openness)、责任性(conscientiousness)、外向性(extraversion)、宜人性 (agreeableness)和神经质(neuroticism)。社会心理学家Harry Reis将FFM 述为“行为科学中最科学严谨的分类法”。大五人格模型提供了一个可以将大多 数人的人格特征进行分类的结构，通过一组高度可复制的维度，可简约且全面 地描述大多数个体差异。从计算机的角度来说，特征模型用数值的形式表示个 性，可适合于计算机处理。而目前大多数人格评估都采用自我报告的形式，通 过量表中的陈述或形容词评估个性。自我报告范式简单明了却无法控制被试回 答的真实性，实验结果也受到多种无关因素的影响而容易产生较大偏差。自我 评估的重大局限性之一也在于被试可能倾向于使评分偏向于社会的期望值，尤 其是当评估可能产生负面后果时，被试可能隐藏消极的特征，从而导致结果不 符合真实性格。
[0004]总体而言，虽然目前部分交叉创新研究在推进心理学理论的计算与量化， 但心理
学理论仍然以传统的定性结论为主，难以给计算机的算法实现供直接的 量化模型支持。此外，计算机的算法程序也无法准确表达出心理学中的情绪理 论与情绪模型，两者之前存在较大壁垒。现存的大多数研究通常只从计算机科 学或心理学其中一个角度考虑，而非从交叉融合的视角。与此同时，虽然目前 基于深度学习的人脸表情识别技术已经较为完善，但利用深度学习技术来处理 心理学信号的研究仍处于起步阶段。因而从情绪心理学基础理论出发，融合深 度学习等算法进行深层次融合的认知建模方法仍然比较欠缺，如何在高效处理 认知问题的同时提升模型的可解释性也是一个关键问题。

技术实现思路

[0005]本专利技术提供了一种基于情感的OCC
‑
PAD
‑
OCEAN联邦认知建模方法能够利用 深度学习技术来处理心理学信号，解决了现有技术中融合深度学习等算法进行 深层次融合的认知建模方法比较欠缺的问题。
[0006]为了解决上述技术问题，本专利技术提供的方法包括：S1构建VGG
‑
FACS
‑
OCC 模型，计算出被试视频的情感空间向量；S2依据OCC
‑
PAD
‑
OCEAN模型中的 OCC情感空间与PAD心情空间的参数量化映射关系，将情感空间向量映射到 PAD心情空间，得到心情空间向量；S3将心情空间向量映射到OCEAN人格空 间，通过心情空间向量得到人格空间向量。
[0007]具体地，所述S1具体包括以下步骤：S11将被试视频按时间切分为若干图 片帧Image
t
，按固定频次对图片帧Image
t
进行抽样得到若干抽样帧I
i
，(i＝1，2，3，
ꢀ…
，n)；S12对抽样帧I
i
进行预处理，去除干扰信息；S13将预处理后的抽样帧 I
i
映射到OCC情感空间，得到情感空间向量E
i
。
[0008]进一步地，所述S12为采用预处理函数Pre对抽样帧I
i
进行预处理，所述 S12具体包括：S121利用MTCNN人脸识别算法对抽样帧I
i
进行人脸目标检测， 得到目标框集合B＝{b1，b2，
…
b
m
}，其中，b
i
＝(x
i
，y
i
，h
i
，w
i
，p
i
)，x
i
表 示目标框的左上角横坐标，y
i
表示目标框的左上角纵坐标，h
i
表示目标框的高度， w
i
表示目标框的宽度，p
i
表示目标框的置信度；S122确定高度阈值h
t
、宽度阈 值w
t
和置信度阈值p
t
；对于任意b
i
∈B，保留 B
′
＝{h
i
＞h
t
且w
i
＞w
t
且S123从B
′
中获取 置信度p
i
最高的目标框b
*
，根据b
*
对I
i
进行裁剪，并将裁剪后的I
i
调整为特定大 小得到Pre(I
i
)，得到情感空间向量E
i
＝VGG(Pre(I
i
))。
[0009]具体地，所述S2包括：S21计算心情空间向量M
i
＝K
×
E...

【技术保护点】

【技术特征摘要】
1.基于情感的OCC
‑
PAD
‑
OCEAN联邦认知建模方法，其特征在于，该方法包括以下步骤：S1构建VGG
‑
FACS
‑
OCC模型，计算出被试视频的情感空间向量；S2依据OCC
‑
PAD
‑
OCEAN模型中的OCC情感空间与PAD心情空间的参数量化映射关系，将情感空间向量映射到PAD心情空间，得到心情空间向量；S3将心情空间向量映射到OCEAN人格空间，通过心情空间向量得到人格空间向量。2.如权利要求1所述的基于情感的OCC
‑
PAD
‑
OCEAN联邦认知建模方法，其特征在于，所述S1包括以下步骤：S11将被试视频按时间切分为若干图片帧Image
t
，按固定频次对图片帧Image
t
进行抽样得到若干抽样帧I
i
，(i＝1,2,3，
…
,n)；S12对抽样帧I
i
进行预处理，去除干扰信息；S13将预处理后的抽样帧I
i
映射到OCC情感空间，得到情感空间向量E
i
。3.如权利要求2所述的基于情感的OCC
‑
PAD
‑
OCEAN联邦认知建模方法，其特征在于，所述S12为采用预处理函数Pre对抽样帧I
i
进行预处理，所述S12包括：S121利用MTCNN人脸识别算法对抽样帧I
i
进行人脸目标检测，得到目标框集合B＝{b1，b2，
…
b
m
}，其中，b
i
＝(x
i
，y
i
，h
i...

【专利技术属性】
技术研发人员：刘峰，张嘉淏，王晗阳，沈思源，贾迅，胡静怡，周爱民，齐佳音，李志斌，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：