一种基于人工智能的老年人情绪检测方法及系统与流程

本发明涉及情绪识别，特别是涉及一种基于人工智能的老年人情绪检测方法及系统。

背景技术：

1、随着全球人口老龄化的加剧，老年人的心理健康问题日益受到关注。老年人群体常常面临孤独、抑郁、焦虑等情绪问题，这些情绪问题不仅影响他们的生活质量，还可能导致严重的健康风险。因此，及时识别和监测老年人的情绪状态显得尤为重要。

2、传统的情绪检测方法主要依赖于自我报告和简单的生理信号分析。这些方法存在以下不足：

3、自我报告的局限性，老年人可能由于认知障碍、语言能力下降或社会文化因素而难以准确表达自己的情绪。这使得基于问卷调查和自我评估的情绪检测方法不够可靠。

4、生理信号的单一性，传统方法通常依赖于单一的生理信号(如心率、皮肤电反应等)，而忽视了情绪的多样性和复杂性。情绪状态往往是多维的，单一信号难以全面反映老年人的情绪变化。

技术实现思路

1、为了克服现有技术的不足，本发明的目的是提供一种基于人工智能的老年人情绪检测方法及系统。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于人工智能的老年人情绪检测方法，包括：

4、获取老年人的生理数据、面部图像数据、语音数据和姿态行为数据；

5、分别对所述生理数据、所述面部图像数据、所述语音数据和所述姿态行为数据进行预处理，得到生理预处理数据、面部预处理数据、语音预处理数据和姿态行为预处理数据；所述语音预处理数据是通过所述语音数据进行信号去噪和文本转换得到的文本数据；

6、将所述生理预处理数据、所述面部预处理数据、所述语音预处理数据和所述姿态行为预处理数据进行特征提取，并将提取到的特征进行融合，得到融合特征；

7、将融合特征输入至训练好的情绪分类模块中，得到检测结果。

8、优选地，所述生理数据的预处理步骤包括：

9、对所述生理数据的信号进行平移，得到平移后的信号；

10、对所述平移后的信号进行小波分解，得到多个小波系数；

11、根据信号的分解尺度和长度确定滤波阈值；所述滤波阈值的计算公式为：其中，λ为滤波阈值，j为平移后的信号的分解尺度，dj为分解尺度为j的小波系数，n表示平移后的信号的长度，median表示取中值运算；

12、根据所述滤波阈值构建去噪函数；

13、利用所述去噪函数去除所述平移后的信号的噪声，得到所述生理预处理数据。

14、优选地，利用所述去噪函数去除所述平移后的信号的噪声，得到所述生理预处理数据，包括：

15、利用所述去噪函数去除相应的小波系数，得到平滑信号；其中，所述去噪函数为：其中，x表示小波系数，n表示调节系数；

16、对所述平滑信号进行信号重构，得到所述生理预处理数据。

17、优选地，所述信号重构的公式为：

18、

19、其中，wj表示小波系数的能量权重，||xj,k||2为去噪后小波系数的l2范数，为重构信号，j为分解层数，ψj',k(t)为小波基函数，k为特定尺度下的小波系数索引，xj,k为在第j层第k个小波系数。

20、优选地，所述面部图像数据的预处理步骤包括：

21、对所述面部图像数据进行滤波处理得，到滤波图像；

22、构建图像增强窗口，并利用图像增强窗口遍历所述滤波图像进行去噪，得到去噪图像；

23、对所述去噪图像进行直方图均衡化处理，得到所述面部预处理数据。

24、优选地，所述语音数据的预处理步骤包括：

25、使用wiener滤波方法去除所述语音数据的背景噪声；

26、将去除背景噪声的数据进行文本转换，得到所述语音预处理数据。

27、优选地，将所述生理预处理数据、所述面部预处理数据、所述语音预处理数据和所述姿态行为预处理数据进行特征提取，并将提取到的特征进行融合，得到融合特征，包括：

28、分别对所述生理预处理数据、所述面部预处理数据、所述语音预处理数据和所述姿态行为预处理数据进行特征提取，得到生理数据特征、面部图像特征、语音数据特征和姿态行为特征；

29、将所述生理数据特征、所述面部图像特征、所述语音数据特征和所述姿态行为特征进行特征拼接，得到统一特征向量；

30、将所述统一特征向量进行加权融合，得到所述融合特征。

31、优选地，所述生理数据特征包括时域特征和频域特征；所述面部图像特征包括几何特征和表情特征；所述语音数据特征包括mfcc特征和情感特征。

32、优选地，所述姿态行为特征包括身体位置和姿势信息、关节角度信息、手部动作信息、运动速度信息和姿态变化频率信息；所述文本数据特征包括上下文信息、语法特征信息、词汇特征信息、情感信息和主题信息。

33、一种基于人工智能的老年人情绪检测系统，包括：

34、数据获取模块，用于获取老年人的生理数据、面部图像数据、语音数据和姿态行为数据；

35、预处理模块，用于分别对所述生理数据、所述面部图像数据、所述语音数据和所述姿态行为数据进行预处理，得到生理预处理数据、面部预处理数据、语音预处理数据和姿态行为预处理数据；

36、融合模块，用于将所述生理预处理数据、所述面部预处理数据、所述语音预处理数据和所述姿态行为预处理数据进行特征提取，并将提取到的特征进行融合，得到融合特征；

37、检测模块，用于将融合特征输入至训练好的情绪分类模块中，得到检测结果。

38、根据本发明提供的具体实施例，本发明公开了以下技术效果：

39、本发明提供了一种基于人工智能的老年人情绪检测方法及系统，方法包括：获取老年人的生理数据、面部图像数据、语音数据和姿态行为数据；分别对所述生理数据、所述面部图像数据、所述语音数据和所述姿态行为数据进行预处理，得到生理预处理数据、面部预处理数据、语音预处理数据和姿态行为预处理数据；将所述生理预处理数据、所述面部预处理数据、所述语音预处理数据和所述姿态行为预处理数据进行特征提取，并将提取到的特征进行融合，得到融合特征；将融合特征输入至训练好的情绪分类模块中，得到检测结果。本发明结合生理数据、面部图像、语音数据和行为姿态，能够全面捕捉老年人的情绪状态，克服单一数据源的局限性。并且通过融合多种数据源，情绪检测的准确性显著提高，减少误判和漏判的可能性。

技术特征：

1.一种基于人工智能的老年人情绪检测方法，其特征在于，包括：

2.根据权利要求1所述的基于人工智能的老年人情绪检测方法，其特征在于，所述生理数据的预处理步骤包括：

3.根据权利要求2所述的基于人工智能的老年人情绪检测方法，其特征在于，利用所述去噪函数去除所述平移后的信号的噪声，得到所述生理预处理数据，包括：

4.根据权利要求3所述的基于人工智能的老年人情绪检测方法，其特征在于，所述信号重构的公式为：

5.根据权利要求1所述的基于人工智能的老年人情绪检测方法，其特征在于，所述面部图像数据的预处理步骤包括：

6.根据权利要求1所述的基于人工智能的老年人情绪检测方法，其特征在于，所述语音数据的预处理步骤包括：

7.根据权利要求1所述的基于人工智能的老年人情绪检测方法，其特征在于，将所述生理预处理数据、所述面部预处理数据、所述语音预处理数据和所述姿态行为预处理数据进行特征提取，并将提取到的特征进行融合，得到融合特征，包括：

8.根据权利要求7所述的基于人工智能的老年人情绪检测方法，其特征在于，所述生理数据特征包括时域特征和频域特征；所述面部图像特征包括几何特征和表情特征；所述语音数据特征包括mfcc特征和情感特征。

9.根据权利要求7所述的基于人工智能的老年人情绪检测方法，其特征在于，所述姿态行为特征包括身体位置和姿势信息、关节角度信息、手部动作信息、运动速度信息和姿态变化频率信息。

10.一种基于人工智能的老年人情绪检测系统，其特征在于，包括：

技术总结本发明提供了一种基于人工智能的老年人情绪检测方法及系统，方法包括：获取老年人的生理数据、面部图像数据、姿态行为数据和语音数据；分别对各项数据进行预处理，得到生理预处理数据、面部预处理数据、姿态行为预处理数据、语音预处理数据和文本预处理数据；语音预处理数据是通过所述语音数据进行信号去噪和文本转换得到的文本数据；将各项预处理数据进行特征提取，并将提取到的特征进行融合，得到融合特征；将融合特征输入至训练好的情绪分类模块中，得到检测结果。本发明结合生理数据、面部图像、姿态行为数据、语音数据和由语音数据转换得到的文本数据，能够全面捕捉老年人的情绪状态，克服单一数据源的局限性。技术研发人员：周秀秀,谭玉堂,邓明港,王娟受保护的技术使用者：武汉市精神卫生中心技术研发日：技术公布日：2024/12/2