一种基于心理学知识赋予机器人工智能学习的方法及系统技术方案

本发明专利技术属于机器人工智能学习技术领域，公开了一种基于心理学知识赋予机器人工智能学习的方法及系统，本发明专利技术通过心理学知识图谱构建方法使得海量心理疾病数据可以得到有效的管理与利用，并可在该知识图谱的基础上开展知识搜索、智能问答等多个应用；针对缺少大量标注数据训练的深度学习模型，本发明专利技术使用ALBERT语言模型对心理疾病语料进行预训练，为深度学习模型带来了丰富的语义信息，可有效地提高实体识别的精度；同时，通过对用户心理状态进行评估方法消除了个体主观因素对数据收集的影响,有助于更加准确地进行心理健康状态评估。响,有助于更加准确地进行心理健康状态评估。响,有助于更加准确地进行心理健康状态评估。

【技术实现步骤摘要】
一种基于心理学知识赋予机器人工智能学习的方法及系统


[0001]本专利技术属于机器人工智能学习
，尤其涉及一种基于心理学知识赋予机器人工智能学习的方法及系统。

技术介绍

[0002]机器是指由零部件组装成的装置,可以运转,用来代替人的劳动、作能量变换或产生有用功。机器一般由动力部分、传动部分、执行部分和控制部分组成。从能量角度定义，机器为利用或转换机械能的装置，将其他形式的能量转换为机械能的称原动机，如内燃机、蒸汽机，电动机等，利用机械能来完成有用功的称工作机，如各种机床、起重机、压缩机等。随着科学技术的发展，机器的概念也在不断地更新和变化。然而，现有基于心理学知识赋予机器人工智能学习的方法采用的心理疾病数据标注成本高，缺少大量标注数据训练的神经网络往往识别精度不高；心理疾病知识图谱属于专业领域知识图谱，要求知识质量更高，现有的实体识别算法由于缺乏先验知识的指导，在抽取复杂实体时难免会出错，需要专业人员进行二次纠正，耗费人力物力；同时，对心理健康状态评估不准确。
[0003]综上所述，现有技术存在的问题是：现有基于心理学知识赋予机器人工智能学习的方法采用的心理疾病数据标注成本高，缺少大量标注数据训练的神经网络往往识别精度不高；心理疾病知识图谱属于专业领域知识图谱，要求知识质量更高，现有的实体识别算法由于缺乏先验知识的指导，在抽取复杂实体时难免会出错，需要专业人员进行二次纠正，耗费人力物力；同时，对心理健康状态评估不准确。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术提供了一种基于心理学知识赋予机器人工智能学习的方法及系统。
[0005]本专利技术是这样实现的，一种基于心理学知识赋予机器人工智能学习的方法包括以下步骤：
[0006]步骤一，获取监控对象的基本信息、情绪信息以及位置信息；其中，所述基本信息至少包括所述监控对象的姓名与头像画面；
[0007]步骤二，以所述位置信息为依据，匹配相应的场景关联事件；以预设的心理状态分析模型对所述基本信息、所述情绪信息、所述位置信息、所述场景关联事件进行分析，得到所述监控对象的心理状态；并建立心理状态文档库；
[0008]步骤三，对心理状态文档库中的文档进行分词和智能摘要预处理，得到关键词，对得到的关键词进行相关性分析，处理上述步骤提供的值，计算得出关键词针对该篇文档的关键度分值，得到带有赋值的关键词；
[0009]步骤四，按照心理学知识图谱对用户性格分析得用户性格倾向值，并对用户心理状态进行评估；
[0010]步骤五，将得到的性格倾向值与得到的关键词关键度分值匹配，得到带有性格倾
向属性的文档库；用户发起访问请求时，所述带有性格倾向属性的文档库给出带有性格倾向属性的文档。
[0011]进一步，在步骤二中，心理状态分析模型包括：
[0012]第一步，利用小波包变换在时频域分解心理状态信号，提取心理状态波的心理状态变化规律；
[0013]第二步，采用一对一策略将公共空间模式从两类模式扩展到多类模式，利用一对一公共空间模式对心理状态变化规律心理状态提取特征向量；
[0014]第三步，根据特征值的分布特点对特征向量的维数进行选择；
[0015]所述用于心理状态信号情感分析的改进公共空间模式特征提取方法对原始心理状态信号提取心理状态变化规律心理状态，包括：采用小波包变换在时频域对心理状态信号进行分解，将心理状态变化频段对应的若干子带的节点系数进行组合重构，从而提取出与原始心理状态信号形式一致的心理状态变化规律心理状态信号；
[0016]所述用于心理状态信号情感分析的改进公共空间模式特征提取方法基于公共空间模式对心理状态变化规律心理状态区域数据提取特征向量，具体包括：设情绪心理状态的类别个数为n，则针对n类情绪识别问题，采用一对一方法对传统的两类公共空间模式进行扩展。
[0017]一对一公共空间模式算法的步骤为：
[0018](1)用E
i
来表示心理状态变化规律情绪心理状态区域数据，i指第i类(i＝1,2,...,n)；矩阵E
i
的大小为N*T，其中N为记录心理状态信号所使用的通道数，T为在每个通道上采集的区域点数目，满足约束条件N≤T；分别对每个区域数据计算归一化协方差矩阵，记为R
i
：
[0019][0020]式中，trace(X)表示对角矩阵X的迹；
[0021]然后对每一类所有区域数据的归一化协方差矩阵求平均值作为该类数据的平均归一化空间协方差矩阵则任意两类区域数据的混合空间协方差矩阵R为：
[0022][0023](2)首先对R进行主分量分解：
[0024]R＝UVU
T
；
[0025]其中V为特征值对角矩阵，U为由与V中特征值相对应的特征向量构成的特征向量矩阵；
[0026]然后对特征值按降序排序，并对特征向量的排列顺序做相应的调整，得到新的V和U；定义白化矩阵P为：
[0027][0028](3)首先用白化矩阵P对和进行白化变换：
[0029][0030][0031]然后对S1和S2进行主分量分解：
[0032][0033][0034]对S1和S2做主分量分解得到的两个特征向量矩阵是相等的，即U1＝U2＝B；两个特征值对角矩阵之和为单位矩阵，即V1+V2＝I；
[0035]将V1中的特征值按照降序排列，则V2中的特征值就是按照升序排列的；定义投影矩阵W为：
[0036]W＝B
T
P；
[0037]对任意两类区域数据都计算一个投影矩阵W
j
(j＝1,2,...,n(n
‑
1)/2)，并将得到的所有投影矩阵纵向拼接，构建一个n类空间滤波器SF；
[0038](4)对每个区域数据E
i
使用SF进行滤波：
[0039]Z
i
＝SFE
i
；i＝1,2,...n；
[0040]得到的Z
i
表示单个区域的模式特征矩阵，其中一行表示一个通道上的特征分布情况；取每个通道特征向量的方差作为提取的心理状态信号特征，再对特征值进行对数运算，特征向量如下式所示：
[0041]f
i
＝log(var(Z
i
))；i＝1,2,...n。
[0042]进一步，所述心理学知识图谱构建方法如下：
[0043](1)采集与患者心理疾病病情相关的数据；对所述采集的数据进行分析，建立心理疾病语料集；根据所述心理疾病语料集，确定实体、关系以及属性指示词表；
[0044](2)利用语言模型对所述心理疾病语料集中的数据进行微调，构建心理疾病命名实体识别数据集，提取所述命名实体识别数据集的特征值，将微调后的数据和提取的特征进行融合，利用融合后的数据对预先构建的深度学习模型进行训练；
[0045](3)利用训练后的深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于心理学知识赋予机器人工智能学习的方法，其特征在于，所述基于心理学知识赋予机器人工智能学习的方法包括以下步骤：步骤一，获取监控对象的基本信息、情绪信息以及位置信息；其中，所述基本信息至少包括所述监控对象的姓名与头像画面；步骤二，以所述位置信息为依据，匹配相应的场景关联事件；以预设的心理状态分析模型对所述基本信息、所述情绪信息、所述位置信息、所述场景关联事件进行分析，得到所述监控对象的心理状态；并建立心理状态文档库；步骤三，对心理状态文档库中的文档进行分词和智能摘要预处理，得到关键词，对得到的关键词进行相关性分析，处理上述步骤提供的值，计算得出关键词针对该篇文档的关键度分值，得到带有赋值的关键词；步骤四，按照心理学知识图谱对用户性格分析得用户性格倾向值，并对用户心理状态进行评估；步骤五，将得到的性格倾向值与得到的关键词关键度分值匹配，得到带有性格倾向属性的文档库；用户发起访问请求时，所述带有性格倾向属性的文档库给出带有性格倾向属性的文档。2.如权利要求1所述的基于心理学知识赋予机器人工智能学习的方法，其特征在于，在步骤二中，心理状态分析模型包括：第一步，利用小波包变换在时频域分解心理状态信号，提取心理状态波的心理状态变化规律；第二步，采用一对一策略将公共空间模式从两类模式扩展到多类模式，利用一对一公共空间模式对心理状态变化规律心理状态提取特征向量；第三步，根据特征值的分布特点对特征向量的维数进行选择；所述用于心理状态信号情感分析的改进公共空间模式特征提取方法对原始心理状态信号提取心理状态变化规律心理状态，包括：采用小波包变换在时频域对心理状态信号进行分解，将心理状态变化频段对应的若干子带的节点系数进行组合重构，从而提取出与原始心理状态信号形式一致的心理状态变化规律心理状态信号；所述用于心理状态信号情感分析的改进公共空间模式特征提取方法基于公共空间模式对心理状态变化规律心理状态区域数据提取特征向量，具体包括：设情绪心理状态的类别个数为n，则针对n类情绪识别问题，采用一对一方法对传统的两类公共空间模式进行扩展。3.如权利要求2所述的基于心理学知识赋予机器人工智能学习的方法，其特征在于，一对一公共空间模式算法的步骤为：(1)用E
i
来表示心理状态变化规律情绪心理状态区域数据，i指第i类(i＝1,2,...,n)；矩阵E
i
的大小为N*T，其中N为记录心理状态信号所使用的通道数，T为在每个通道上采集的区域点数目，满足约束条件N≤T；分别对每个区域数据计算归一化协方差矩阵，记为R
i
：式中，trace(X)表示对角矩阵X的迹；
然后对每一类所有区域数据的归一化协方差矩阵求平均值作为该类数据的平均归一化空间协方差矩阵则任意两类区域数据的混合空间协方差矩阵R为：(2)首先对R进行主分量分解：R＝UVU
T
；其中V为特征值对角矩阵，U为由与V中特征值相对应的特征向量构成的特征向量矩阵；然后对特征值按降序排序，并对特征向量的排列顺序做相应的调整，得到新的V和U；定义白化矩阵P为：(3)首先用白化矩阵P对和进行白化变换：进行白化变换：然后对S1和S2进行主分量分解：进行主分量分解：对S1和S2做主分量分解得到的两个特征向量矩阵是相等的，即U1＝U2＝B；两个特征值对角矩阵之和为单位矩阵，即V1+V2＝I；将V1中的特征值按照降序排列，则V2中的特征值就是按照升序排列的；定义投影矩阵W为：W＝B
T
P；对任意两类区域数据都计算一个投影矩阵W
j
(j＝1,2,...,n(n
‑
1)/2)，并将得到的所有投影矩阵纵向拼接，构建一个n类空间滤波器SF；(4)对每个区域数据E
i
使用SF进行滤波：Z
i
＝SFE
i
；i＝1,2,.....

【专利技术属性】
技术研发人员：马世登，敬朝晖，胡文清，巫晓霞，郑君君，
申请(专利权)人：中国科学院心理研究所北京钢铁侠科技有限公司，
类型：发明
国别省市：