基于人体步态特征的情感分析方法及系统技术方案

本发明专利技术提供基于人体步态特征的情感分析方法及系统，包括：获取电容地板产生的电容感应值；根据所述电容感应值生成人体步态特征数据；将所述人体步态特征数据输入预训练的情感分析模型中，通过所述情感分析模型输出人体的情感类型；其中，所述情感分析模型是以样本用户的步态特征作为样本，以样本用户的情感信息作为样本标签训练而成。本发明专利技术解决了现有对人体情绪分析难度大、准确率低的问题，实现根据人体步态特征准确分析人体的情感表达。人体步态特征准确分析人体的情感表达。人体步态特征准确分析人体的情感表达。

【技术实现步骤摘要】
基于人体步态特征的情感分析方法及系统


[0001]本专利技术涉及情感识别
，尤其涉及一种基于人体步态特征的情感分析方法及系统。

技术介绍

[0002]近些年来，对于情感状态的研究越来越多，人们渴望能够通过一些方法可以去识别个体的情感状态。情感识别作为人机情感交互的基础，能够使机器理解人的感性思维，影响着机器智能化的继续发展，成为人机自然交互的关键要素。近年来，基于多模态的情感识别技术越来越受到研究者的关注。该方法受到情感心理学研究的推动，旨在融合诸如面部表情，语音等多种情感信号，通过多样的融合模式以提高情感识别的准确性和精度。
[0003]情境感知作为计算机领域目前的热点研究，对于在真实场景中理解人类情感具有举足轻重的作用。通常人类所处的情境上下文中蕴含着丰富的语义信息，通过深度学习的方式在不同的情境上下文中感知人类的情感，利用从中抽取的多模态情感特征进行特征级别和决策级别的融合，往往可以获得人类主体之外更多的情感线索，以促进情绪表达和情感理解。但是由于语言和表情处于人的主观表现，有些情况下并非呈现出人类真实的情感状态，容易出现较大误差。而人体的步态等肢体动作更能够反映出人类的情绪。

技术实现思路

[0004]本专利技术提供一种基于人体步态特征的情感分析方法及系统，用以解决现有对人体情绪分析难度大、准确率低的问题，实现根据人体步态特征准确分析人体的情感表达。
[0005]本专利技术提供一种基于人体步态特征的情感分析方法，包括：
[0006]获取电容地板产生的电容感应值；<br/>[0007]根据所述电容感应值生成人体步态特征数据；
[0008]将所述人体步态特征数据输入预训练的情感分析模型中，通过所述情感分析模型输出人体的情感类型；
[0009]其中，所述情感分析模型是以样本用户的步态特征作为样本，以样本用户的情感信息作为样本标签训练而成。
[0010]根据本专利技术提供的基于人体步态特征的情感分析方法，所述获取电容地板产生的电容感应值，具体包括：
[0011]在电容地板有压力的状态下产生电容感应值；
[0012]在所述电容感应值大于设定阈值的情况下，确定当前与电容地板接触的为人体；
[0013]将人体与电容地板接触时产生的电容感应值输出作为有效电容感应值。
[0014]根据本专利技术提供的基于人体步态特征的情感分析方法，根据所述电容感应值生成人体步态特征数据，具体包括：
[0015]根据所述电容感应值产生的位置确定人体当前的位置信息，
[0016]根据所述电容感应值产生的方向确定移动轨迹的方向；
[0017]根据所述电容感应值产生的速度确定移动轨迹的生成速度；
[0018]根据相邻两个电容感应值产生的位置信息确定人体的步距；
[0019]所述电容感应值、人体当前的位置信息、移动轨迹的方向、移动轨迹的生成速度、人体的步距和电容地板接触区域组成人体步态特征数据。
[0020]根据本专利技术提供的基于人体步态特征的情感分析方法，所述情感分析模型是以样本用户的步态特征作为样本，以样本用户的情感信息作为样本标签训练而成，具体包括：
[0021]获取FUS
‑
NN神经网络模型，所述FUS
‑
NN模型包括MAC
‑
NN宏观神经网络与MIC
‑
NN微观神经网络；
[0022]使用BGRU层代替MIC
‑
NN微观神经网络中的BLSTM层，在堆叠的BGRU层之间添加Layer
‑
Normalization正规层，以及在最后一层BGRU层之后的全连接层之后增加Dropout丢弃层，获得所述情感分析模型。
[0023]根据本专利技术提供的基于人体步态特征的情感分析方法，所述情感分析模型的训练方法包括：
[0024]以样本用户的步态特征作为样本，以样本用户的情感信息作为样本标签，分别单独训练所述MAC
‑
NN宏观神经网络与MIC
‑
NN微观神经网络；
[0025]对训练好的所述MAC
‑
NN宏观神经网络与MIC
‑
NN微观神经网络，以训练所述MAC
‑
NN宏观神经网络与MIC
‑
NN微观神经网络的惩罚验证损失的方式进行联合训练，以获得训练好的情感分析模型。
[0026]根据本专利技术提供的基于人体步态特征的情感分析方法，将所述人体步态特征数据输入预训练的情感分析模型中，通过所述情感分析模型输出人体的情感类型，具体包括：
[0027]对人体步态特征数据进行特征降维；
[0028]将降维后的姿态特征输入至预先训练的情感分析模型中；
[0029]通过情感分析模型分析识别后输出情感类型。
[0030]本专利技术还提供一种基于人体步态特征的情感分析系统，所述系统包括：
[0031]电容感应值获取模块，用于获取电容地板产生的电容感应值；
[0032]特征数据生成模块，同于根据所述电容感应值生成人体步态特征数据；
[0033]情感分析模块，用于将所述人体步态特征数据输入预训练的情感分析模型中，通过所述情感分析模型输出人体的情感类型；
[0034]其中，所述情感分析模型是以样本用户的步态特征作为样本，以样本用户的情感信息作为样本标签训练而成。
[0035]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于人体步态特征的情感分析方法。
[0036]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于人体步态特征的情感分析方法。
[0037]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于人体步态特征的情感分析方法。
[0038]本专利技术提供的基于人体步态特征的情感分析方法及系统，通过采集电容地板产生的电容感应值，快速生成人体步态特征数据，降低技术门槛，将人体步态特征数据输入预训
练好的情感分析模型中，经过情感分析模型识别分析输出人体的情感类型，实现情感分析，提升准确性，有助于快速获取人的情绪状态，辅助进行情绪调节。
附图说明
[0039]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]图1是本专利技术提供的基于人体步态特征的情感分析方法的流程示意图之一；
[0041]图2是本专利技术提供的基于人体步态特征的情感分析方法的流程示意图之二；
[0042]图3是本专利技术提供的基于人体步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人体步态特征的情感分析方法，其特征在于，包括：获取电容地板产生的电容感应值；根据所述电容感应值生成人体步态特征数据；将所述人体步态特征数据输入预训练的情感分析模型中，通过所述情感分析模型输出人体的情感类型；其中，所述情感分析模型是以样本用户的步态特征作为样本，以样本用户的情感信息作为样本标签训练而成。2.根据权利要求1所述的基于人体步态特征的情感分析方法，其特征在于，所述获取电容地板产生的电容感应值，具体包括：在电容地板有压力的状态下产生电容感应值；在所述电容感应值大于设定阈值的情况下，确定当前与电容地板接触的为人体；将人体与电容地板接触时产生的电容感应值输出作为有效电容感应值。3.根据权利要求1所述的基于人体步态特征的情感分析方法，其特征在于，根据所述电容感应值生成人体步态特征数据，具体包括：根据所述电容感应值产生的位置确定人体当前的位置信息，根据所述电容感应值产生的方向确定移动轨迹的方向，根据所述电容感应值产生的速度确定移动轨迹的生成速度，根据相邻两个电容感应值产生的位置信息确定人体的步距；所述电容感应值、人体当前的位置信息、移动轨迹的方向、移动轨迹的生成速度、人体的步距和电容地板接触区域组成人体步态特征数据。4.根据权利要求1所述的基于人体步态特征的情感分析方法，其特征在于，所述情感分析模型是以样本用户的步态特征作为样本，以样本用户的情感信息作为样本标签训练而成，具体包括：获取FUS
‑
NN神经网络模型，所述FUS
‑
NN模型包括MAC
‑
NN宏观神经网络与MIC
‑
NN微观神经网络；使用BGRU层代替MIC
‑
NN微观神经网络中的BLSTM层，在堆叠的BGRU层之间添加Layer
‑
Normalization正规层，以及在最后一层BGRU层之后的全连接层之后增加Dropout丢弃层，获得所述情感分析模型。5.根据权利要求4所述的基于人体步态特...

【专利技术属性】
技术研发人员：付心仪，徐迎庆，薛程，
申请(专利权)人：清华大学，
类型：发明
国别省市：