【技术实现步骤摘要】
情绪调节指令的推荐方法、装置、设备及介质
[0001]本专利技术涉及人工智能和医疗健康
，尤其涉及一种情绪调节指令的推荐方法、装置、设备及介质。
技术介绍
[0002]随着人工智能(Artificial Intelligence，AI)的发展，人工智能技术可以为用户提供越来越多的便捷性。比如，在医疗健康领域，利用人工智能进行心理咨询数据的分析，为用户提供更加便捷的服务。目前在利用人工智能进行心理咨询数据的分析时，对心理咨询数据对应的心理语义的特征、微表情的特征、语音语调的特征进行异常情绪预测，将预测的异常情绪作为最终输出结果，忽略了心理语义的特征、微表情的特征和语音语调的特征的情绪关联信息对情绪调节指令的影响，导致情绪调节指令的准确度不高。
技术实现思路
[0003]基于此，有必要针对现有技术在利用人工智能进行心理咨询数据的分析时，忽略了心理语义的特征、微表情的特征和语音语调的特征的情绪关联信息对情绪调节指令的影响，导致情绪调节指令的准确度不高的技术问题，提出了一种情绪调节指令的推荐方法、装置、设备及介...
【技术保护点】
【技术特征摘要】
1.一种情绪调节指令的推荐方法，所述方法包括：获取当前时间窗对应的心理咨询数据，其中，所述心理咨询数据是被咨询对象对咨询对象进行心理咨询得到的数据；采用预训练的对话语义表示模型，对所述心理咨询数据进行对话语义表示向量生成；采用预训练的面部表情表示模型，对所述心理咨询数据进行微表情表示向量生成；采用预训练的语音表示模型，对所述心理咨询数据进行语音表示向量生成；采用预训练的异常情绪综合识别模型，对所述对话语义表示向量、所述微表情表示向量和所述语音表示向量进行综合表示向量生成；采用预训练的情绪调节指令推荐模型，对所述综合表示向量和所述咨询对象对应的个人信息特征向量进行情绪调节指令推荐，得到推荐结果。2.根据权利要求1所述的情绪调节指令的推荐方法，其特征在于，所述采用预训练的对话语义表示模型，对所述心理咨询数据进行对话语义表示向量生成的步骤，包括：根据所述心理咨询数据中的音频数据段进行所述咨询对象对应的对话文本处理，得到单窗对话文本；将所述单窗对话文本输入所述对话语义表示模型进行异常情绪的分类预测；获取所述对话语义表示模型的标志位输出的向量，作为所述对话语义表示向量；其中，所述对话语义表示模型的训练步骤包括：获取第一模型和第一训练样本集，所述第一模型包括BERT模型、第一全连接层和第一激活层，所述BERT模型的标志位的输出作为所述第一全连接层的输入，所述第一全连接层的输出作为所述第一激活层的输入；采用所述第一训练样本集对所述第一模型进行异常情绪的分类预测的训练，将训练结束的所述第一模型中的所述BERT模型作为所述对话语义表示模型。3.根据权利要求1所述的情绪调节指令的推荐方法，其特征在于，所述采用预训练的面部表情表示模型，对所述心理咨询数据进行微表情表示向量生成的步骤，包括：对所述心理咨询数据中的人脸视频段进行关键图像帧提取，得到关键图像帧集；将所述关键图像帧集输入所述面部表情表示模型进行异常情绪的分类预测；获取所述面部表情表示模型的全连接层输出的向量，作为所述微表情表示向量；其中，所述面部表情表示模型的训练步骤包括：获取第二模型和第二训练样本集，所述第二模型包括依次连接的3D
‑
CNN模型、第二全连接层和第二激活层；采用所述第二训练样本集对所述第二模型进行异常情绪的分类预测的训练，将训练结束的所述第二模型中的所述3D
‑
CNN模型及所述第二全连接层作为所述面部表情表示模型。4.根据权利要求1所述的情绪调节指令的推荐方法，其特征在于，所述采用预训练的语音表示模型，对所述心理咨询数据进行语音表示向量生成的步骤，包括：将所述心理咨询数据的音频数据段输入所述语音表示模型进行异常情绪的分类预测；获取所述语音表示模型的标志位输出的向量，作为所述语音表示向量；其中，所述语音表示模型的训练步骤包括：获取第三模型和第三训练样本集，所述第三模型包括HuBERT模型、第三全连接层和第三激活层，所述HuBERT模型的标志位输出的向量作为所述第三全连接层的输入，所述第三
全连接层的输出作为所述第三激活层的输入；采用所述第三训练样本集对所述第三模型进行异常情绪的分类预测的训练，将训练结束的所述第三模型中的所述HuBERT模型作为所述语音表示模型。5.根据权利要求1所述的情绪调节指令的推荐方法，其特征在于，所述采用预训练的异常情绪综合识别模型，对所述对话语义表示向量、所述微表情表示向量...
【专利技术属性】
技术研发人员：唐蕊，郭阳鸣，吉虓，李响，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
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。