【技术实现步骤摘要】
本专利技术涉及数据处理领域，特别是涉及一种情绪地图生成方法、设备、介质及产品。
技术介绍
1、社会环境和自然环境等因素产生的消极情绪对老年人的心理健康均可以产生有害影响。因此，改善老年人的情绪健康成为亟待解决的问题，这对提高中国老年人整体心理健康水平具有重要性。
2、社区绿色空间促进情绪提升的空间属性的研究仍以外部环境特征为主，其内部环境特征对老人情绪的影响关系仍有待深入研究。
3、已有环境特征对老人情绪的影响研究中采用的研究方法主要包括视觉环境特征的测度、视觉感知偏好的测度和情绪测度3个方面；既有主观测量方法，也有客观测量方法。
4、在情绪的客观测量方面，心理学家发现大多数情绪可以简化为情绪效价和唤醒度的二维模型，通过生理传感器测量皮肤电导水平、脑电波等来量化情绪唤醒度，情绪效价则是通过面部表情的捕捉与评分来测量。但是，利用生理传感器测量得到的生理指标水平无法直接表征情绪的类别与相应的环境影响源，面部表情的情绪可能不等于真实的情绪，因此有必要应用主客观结合的方法进行情绪测量。
5、情绪地图的理论基础主要涉及情绪心理学和空间分析。情绪心理学提供了对情绪的分类、产生和影响因素的理解，而空间分析则关注情绪如何在不同地理位置表现出来，以及这些情绪如何与社会、文化和物理环境相互作用。
6、情绪心理学认为，情绪的主观体验是脑的一种状态，并与外显表情具有先天一致性。由于面部骨骼肌系统和血管系统的精细分化，在婴儿从出生到一岁这个阶段已经能够显示确切的8种基本情绪面部表情，分别是兴趣、
7、空间分析构成了地理信息系统(gis)的核心要素。借助于计算机软硬件，它能够实现对空间数据的采集、录入、处理、修改、检索、分析以及仿真等功能。该技术通过空间模型分析，提供了丰富的动态信息和空间信息处理能力，支持了情绪地理学的研究和决策过程。在情绪地图的背景下，空间分析用于将情绪数据与地理位置信息相结合，以便在地图上可视化情绪分布。空间分析可以帮助识别情绪模式的空间分布，了解情绪如何随地理位置和环境因素的变化而变化。
8、在情绪地图的实践应用中，情绪地图的创建通常涉及数据收集、处理和可视化3个阶段。数据收集通过问卷调查、社交媒体分析、移动应用等多种方式进行。处理阶段主要包括数据清洗、情绪识别和归类。可视化阶段则主要利用gis和数据可视化技术，将情绪数据映射到地理空间中。
9、情绪地图作为市民对其城市环境感知的参与式众包工具，有潜力吸引市民的注意并提供对市政府代表可读和可接受的实际结果，部分国家已经将情绪地图成果应用于战略规划分析、政策文件和城市研究。在中国，多数研究利用微博语义分析收集情绪大数据，并构建情绪地图用于发现不同城市环境下的情绪差异，是对于情绪的空间分布特征的解释性研究。
10、在传统的情绪地图生成方法中，研究人员通常依赖于定性数据收集和手动分析，例如通过问卷调查、面对面访谈或专家评估来收集关于人们情绪状态的信息。这些数据随后被编码和映射到地理位置上，以形成情绪地图。这种方法虽然能够提供深入的个体情感体验，但受限于样本量较小、数据收集耗时且成本高昂，难以覆盖广泛的地理区域和大规模的人群。
11、随着机器学习技术的发展，情绪地图的生成过程经历了显著的变革。机器学习算法，特别是自然语言处理(natural languageprocessing，nlp)和计算机视觉技术，使得从大量非结构化数据中自动提取情绪信息成为可能。例如，通过分析社交媒体上的帖子、评论和标签，机器学习模型能够识别出表达情绪的词汇和短语，并将其与用户的地理位置信息相关联，从而自动生成情绪地图。
12、此外，深度学习模型，如深度卷积神经网络(deepconvolutional neuralnetwork，dcnn)和循环神经网络(recurrentneural networks，rnn)，在处理图像和文本数据方面表现出色，能够从复杂的模式中识别影响情绪的特征。这些模型可以处理来自卫星图像、街景照片或实时视频流的数据，进一步提高了情绪地图的精度和实时性。
13、机器学习不仅提高了情绪地图生成的效率和规模，还增加了其动态性和个性化。通过训练模型识别不同文化和社会背景下不同人群的情绪表达，机器学习有助于创建更加细致和多元化的、带有预测性质的情绪地图。然而，机器学习技术虽然能预测并解释情绪的空间分布特征，但是无法解释引发不同情绪体验的原因，对于绿色空间的具体设计缺少指导意义。
14、情绪地图作为一种新兴的研究工具，已经在实践中得到应用，如参与式众包工具、战略规划分析等。机器学习技术的发展为情绪地图的生成提供了新的可能性，使得情绪地图更加细致、多元化，并具有预测性质。然而，机器学习技术在解释情绪体验的原因和指导绿色空间设计方面仍有待进一步研究和完善。
15、综上所述，尽管城市绿色空间与公众健康之间的正相关关系已得到证实，但在老年人情绪研究和情绪地图生成方面，仍需进一步探索和完善，目前的研究并不能准确地识别和解决社区绿色空间设计中的关键情绪问题，也无法生成能够精确解释情绪体验的原因以及指导绿色空间设计的情绪地图。
技术实现思路
1、为解决现有技术存在的上述问题，本专利技术提供了一种情绪地图生成方法、设备、介质及产品。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种情绪地图生成方法，包括：通过认知心理学实验，确定视觉特征对情绪的影响关系；所述视觉特征包括：视觉空间尺度、视觉景观类型、视觉要素比例和视觉特征指标；
4、基于视觉特征对情绪的影响关系构建样本数据集；
5、采用所述样本数据集训练机器学习模型，得到训练好的机器学习模型；
6、将每个拍摄位置不同拍摄角度的社区绿色空间照片输入至训练好的机器学习模，得到每个拍摄位置不同拍摄角度的情绪预测值；
7、对每个拍摄位置不同拍摄角度的情绪预测值进行平均处理，得到每个拍摄位置的综合情绪值；
8、采用arcmap软件，将所述综合情绪值映射到投影坐标系上；所述投影坐标系基于社区绿色空间位置构建得到；
9、基于映射有综合情绪值的投影坐标系构建设定网格尺寸的渔网模型；
10、将所述渔网模型中网格内所有位置的综合情绪值平均后作为网格情绪值赋予给对应的网格，得到赋值后的渔网模型；
11、调整赋值后的渔网模型中网格的颜色属性得到情绪地图。
12、一种计算机设备，包括：存储器、处理器以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计算机程序以实现上述任一项所述的情绪地图生成方法。
13、一种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上述任一项所本文档来自技高网...
【技术保护点】
1.一种情绪地图生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的情绪地图生成方法，其特征在于，采用随机森林回归算法作为所述机器学习模型。
3.根据权利要求1所述的情绪地图生成方法，其特征在于，在通过认知心理学实验，确定视觉特征对情绪的影响关系的过程中，以视觉要素比例为自变量，以情绪强度为因变量，构建模型；所述视觉要素比例包括：标识牌比例、草地比例、道路比例、垃圾桶比例、路灯比例和林木比例；
4.根据权利要求1所述的情绪地图生成方法，其特征在于，在通过认知心理学实验，确定视觉特征对情绪的影响关系的过程中，以视觉要素比例为自变量，以放松情绪评分为因变量，构建第一逐步线性回归模型。
5.根据权利要求4所述的情绪地图生成方法，其特征在于，所述第一逐步线性回归模型表示为：
6.根据权利要求1所述的情绪地图生成方法，其特征在于，在通过认知心理学实验，确定视觉特征对情绪的影响关系的过程中，以视觉特征指标为自变量，以放松情绪评分为因变量，构建第二逐步线性回归模型；所述视觉特征指标包括绿视率和围合度。
7.根据权
8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的情绪地图生成方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的情绪地图生成方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的情绪地图生成方法。
...【技术特征摘要】
1.一种情绪地图生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的情绪地图生成方法，其特征在于，采用随机森林回归算法作为所述机器学习模型。
3.根据权利要求1所述的情绪地图生成方法，其特征在于，在通过认知心理学实验，确定视觉特征对情绪的影响关系的过程中，以视觉要素比例为自变量，以情绪强度为因变量，构建模型；所述视觉要素比例包括：标识牌比例、草地比例、道路比例、垃圾桶比例、路灯比例和林木比例；
4.根据权利要求1所述的情绪地图生成方法，其特征在于，在通过认知心理学实验，确定视觉特征对情绪的影响关系的过程中，以视觉要素比例为自变量，以放松情绪评分为因变量，构建第一逐步线性回归模型。
5.根据权利要求4所述的情绪地图生成方法，其特征在于，所述第一逐步线性回归模型表示为：
6.根据权利要求1所述的情绪地图生成...
【专利技术属性】
技术研发人员：于冰沁，吴佳远，孙策，杨楠，王浩哲，
申请(专利权)人：上海交通大学，
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。