基于语义分析和机器学习的防欺凌识别系统及方法与流程

本公开涉及智能可穿戴设备，具体涉及基于语义分析和机器学习的防欺凌识别系统及方法。

背景技术：

1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

2、校园欺凌对于未成年人的学习、生活甚至人格发展都会造成严重的损害，而其往往又具有隐蔽性的特点，家长和老师通常也很难判断未成年人是否遭受或者实施了欺凌，不能及时发现和制止，怎样才能及时准确的发现校园欺凌，是家长、学校以及社会所共同面临的一个难题。

3、现有的通过便携设备防止欺凌的方法，一种是通过生理指标检测，当检测到学生心跳加速，例如心跳超过100次/每秒。加速度变化，例如发生跌倒，奔跑情景时对是否发生欺凌进行判别。第二种时通过采集到的声音提取梅尔频率倒谱系数(mfcc)特征语音，并与预设的“快乐”特征语音、“愤怒”

4、特征语音、“悲伤”特征语音、“中性”特征语音以及“恐惧”特征语音进行相似度比较来判别是否发生了欺凌。

5、但是发明人发现，现有的防欺凌方法都存在较大的误判可能性，而且不能动态的修正判断逻辑，容易误报以及漏报。通过心率和身体的加速度来判断学生是否发生欺凌，当学生进行体育运动或玩耍的时候容易误报，当学生受到语言欺凌时可能会漏报，当佩戴者为欺凌实施者时也无法进行识别。

6、通过声音采集语义分析和情感分析与固定的数据样本对比来判别是否发生欺凌，因为数据样本固定，无法针对每个学生提供个性的识别策略，也无法应应对随着学生成长一直变化的环境。

技术实现思路

1、本公开为了解决上述问题，提出了基于语义分析和机器学习的防欺凌识别系统及方法，根据上下文语境、自我学习和反馈学习的方式动态调整识别，提供识别的准确性和及时性。

2、根据一些实施例，本公开采用如下技术方案：

3、基于语义分析和机器学习的防欺凌识别方法，包括：

4、获取校园环境中的语音信息，提取语音信息中的梅尔频率倒谱系数特征语音；

5、将所述特征语音与设置的初始特征语音库中的数据进行匹配，根据相似度进行欺凌语音识别；

6、获取相似度高的特征语音的权重值，当权重值达到预设的欺凌阈值时触发报警，若权重值小于预设的欺凌阈值时，并在预设的时间内再次与初始特征语音库匹配特征语音并计算权重值，权重值达到预设的欺凌阈值时触发报警；权重值小于预设的欺凌阈值且超过预设时间未匹配到新的特征语音，结束欺凌识别进程。

7、根据一些实施例，本公开采用如下技术方案：

8、基于语义分析和机器学习的防欺凌识别系统，包括学生端、家长端和服务端；所述学生端包括语音采集模块，所述服务端包括特征分析模块；

9、语音采集模块，用于获取校园环境中的语音信息，提取语音信息中的梅尔频率倒谱系数特征语音；

10、特征分析模块，用于将所述特征语音与设置的初始特征语音库中的数据进行匹配，根据相似度进行欺凌语音识别；

11、获取相似度高的特征语音的权重值，当权重值达到预设的欺凌阈值时触发报警，若权重值小于预设的欺凌阈值时，并在预设的时间内再次与初始特征语音库匹配特征语音并计算权重值，权重值达到预设的欺凌阈值时触发报警；权重值小于预设的欺凌阈值且超过预设时间未匹配到新的特征语音，结束欺凌识别进程。

12、根据一些实施例，本公开采用如下技术方案：

13、一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的基于语义分析和机器学习的防欺凌识别方法。

14、根据一些实施例，本公开采用如下技术方案：

15、一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的基于语义分析和机器学习的防欺凌识别方法。

16、与现有技术相比，本公开的有益效果为：

17、本公开解决了校园欺凌发生时现有技术容易误报，漏报的问题，根据上下文语境以及自我学习和反馈学习方式动态调整识别策略，替代传统较为固定的生理指标分析和语义分析等识别模式，提高发现校园欺凌的准确度和及时性。

18、本公开可根据自身识别结果，学生一键报警和家长的反馈数据对欺凌识别逻辑进行优化，从而提高识别准确率和识别速度。

技术特征：

1.基于语义分析和机器学习的防欺凌识别方法，其特征在于，包括：

2.如权利要求1所述的基于语义分析和机器学习的防欺凌识别方法，其特征在于，所述初始特征语音库中包括“侮辱”、“谩骂”、“责备”、“哭泣”、“恐惧”、“愤怒”、“悲伤”语言和情感特征语音。

3.如权利要求1所述的基于语义分析和机器学习的防欺凌识别方法，其特征在于，当触发报警不是误报，则确认发生欺凌行为，增加欺凌发生时间内采集到的特征语音的权重，当再次检测到该特征语音后判断存在欺凌的权重会增大；当触发报警为误报时，则确认没有发生欺凌行为，减小欺凌发生时间段内采集到的特征语音的权重，当再次检测到该特征语音后判断存在欺凌的权重会减小。

4.如权利要求1所述的基于语义分析和机器学习的防欺凌识别方法，其特征在于，当学生自身触发报警时，发送包含语音的报警信息，则直接认定为发生欺凌行为，并增加欺凌发生时间段内采集到的特征语音权重，当欺凌特征语音库不存在该特征语音时，将其添加到特征语音库。

5.如权利要求1所述的基于语义分析和机器学习的防欺凌识别方法，其特征在于，所述权重的计算方法包括单特征权重计算和多特征权重计算，单特征权重计算为：预设欺凌特征语音的权重，当提取到该特征语音时，获取该特征语音的权重值与预设欺凌阈值进行比较，大于或者等于预设欺凌阈值时，判断为发生欺凌行为。

6.如权利要求5所述的基于语义分析和机器学习的防欺凌识别方法，其特征在于，所述多特征权重计算为：若是识别的特征语音有多个，则将每个特征语音对应的预设权重值进行相加，若是多个特征语音的权重值的和大于或者等于预设欺凌阈值，判断发生欺凌行为。

7.基于语义分析和机器学习的防欺凌识别系统，其特征在于，包括学生端、家长端和服务端；所述学生端包括语音采集模块，所述服务端包括特征分析模块；

8.如权利要求7所述的基于语义分析和机器学习的防欺凌识别系统，其特征在于，当学生端触发报警并且没有误报反馈以及触发一键报警时，学生终端会将报警前后一分钟内采集到的语音特征进行加权；当学生端发送报警信息给家长端后，家长端根据采集到的语音信息判断为误报，可以通过提交误报给服务端，服务端对对应的语音特征信息进行降权。

9.一种计算机可读存储介质，其特征在于，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的基于语义分析和机器学习的防欺凌识别方法。

10.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如权利要求1-7中任一项所述的基于语义分析和机器学习的防欺凌识别方法。

技术总结本公开提供了基于语义分析和机器学习的防欺凌识别系统及方法，涉及智能可穿戴设备技术领域，包括获取校园环境中的语音信息，提取语音信息中的梅尔频率倒谱系数特征语音；将所述特征语音与设置的初始特征语音库中的数据进行匹配，根据相似度进行欺凌语音识别；获取相似度高的特征语音的权重值，当权重值达到预设的欺凌阈值时触发报警，若权重值小于预设的欺凌阈值时，并在预设的时间内再次与初始特征语音库匹配特征语音并计算权重值，权重值达到预设的欺凌阈值时触发报警；权重值小于预设的欺凌阈值且超过预设时间未匹配到新的特征语音，结束欺凌识别进程。本公开能够提高识别准确率和识别速度。技术研发人员：李治受保护的技术使用者：山东可信教育科技有限公司技术研发日：技术公布日：2024/6/13