基于微表情与脑波分析算法的心理健康状况分析算法

摘要

本发明涉及精神测评技术领域，具体涉及基于微表情与脑波分析算法的心理健康状况分析算法，通过对儿童的脑波信号以及微表情的数据收集，避免了过多的主观因素，同时利用计算机技术与心理学的科学交叉，提升了对儿童心理焦虑状况的识别效果，使得识别结果具有高准确性、针对临床应用需求具有可解释性，能够切实地解决目前研究中对儿童焦虑症识别不准确、干预不及时的问题。

说明书

技术领域

本发明涉及精神测评技术领域，具体涉及一种基于微表情与脑波分析算法的心理健康状况分析算法。

背景技术

目前，国内微表情识别研究的发展在微表情识别的迁移学习上发展非常快，在将脑波研究大多集中于运动想象控制外部设备以及为残障人士提供康复训练等方面，已经取得了不少的成就与应用，其中，在利用脑波信号进行精神健康测评方面也有了一定的应用。

然而实际工作中发现，在儿童焦虑方面的研究，部分学者采用了大数据技术来收集行为进行分析，这些检测技术对儿童来说其实都不是十分友好的，非常容易存在数据缺失和数据不真实等情况，也无法进行大范围推广。

经研究认为，目前儿童焦虑测评方面的技术存在的缺陷有：1、数据集的极度缺乏，由于微表情特殊的性质，因此需要设计较为复杂的实验才能让人自发的产生微表情，而微表情的人工识别难度又较大，使得数据集的标注也成了一大难题；2、脑波信号在时间序列上的强连续性，以及多通道之间的相关联性容易被忽视，如何改进现有的对信号的特征提取算法也成了一大难题，同时还需要提高信号的可信度、提高预测准确率；3、表情、微表情与情绪之间的对应关系仍不明确，需要进行大量的实验和样本分析进行探索验证，同时，儿童焦虑症特征如何在计算机科学角度进行量化，如何确定焦虑症患儿的脑波特征，与脑波领域进行融合，都是亟需解决的难题；4、传统方式通过监护人填表来判断儿童心理情况，该方式中，由于监护人主观判断的存在，因此，心理情况的评测就不一定准确。

发明内容

针对现有技术中存在的不足，本发明提供了一种基于微表情与脑波分析算法的心理健康状况分析算法，所要解决的技术问题是如何通过对儿童的脑波信号以及微表情的数据收集，避免了过多的主观因素，提升了对儿童心理焦虑状况的识别效果，使得识别结果具有高准确性。

为解决上述技术问题，本发明提供的技术方案是：一种基于微表情与脑波分析算法的心理健康状况分析算法，包括以下步骤：

S1：让被试人员打开软件/网页，对其进行心理学测试并得到测试结果，测试的同时收集被试人员的脑波信号与人脸微表情数据，并记录下被试人员的面部长视频；

S2：将S1中得到的脑波信号以及人脸微表情数据通过学习得到数据模型，随后将数据输入数据模型并结合S1中得到的测试结果形成分析结果；

S3：对S1中被试人员的脑波信号进行预处理，并对处理后的脑波信号的时间序列进行多尺度化分析，通过特征选取实验得出最有效的选取特征组合；

S4：将S1中被试人员的面部长视频利用传统模式识别和深度学习方法，先从含有人脸的视频中快速识别出含有人脸的区域，随后排除无表情片段、常规表情片段和其他面部动作片段的干扰，并从已经完成人脸定位的长视频中提取出含有微表情的片段；

S5：将S4中已经确定含有微表情的视频片段，根据动作幅度识别其起始点、顶点与终止点，由此得到三个点的微表情特征；

S6：将S5中得到的微表情特征与S3中得到的选取特征组合通过深度学习神经网络建议的深度神经网络模型得到被试人员的心理健康情况；

S7：将S2中得到的分析结果与S6中得到的心理健康情况相结合，得到健康、轻微、严重三个类别的结果，并根据不同的结果采取不同的疗法，同时对S2中得到的数据模型进行研究分析。

进一步地，在步骤S1中，采集不同刺激下被试人员对应的脑波数据。

进一步地，在步骤S3中，预处理的方式为降噪和分通道。

进一步地，在步骤S2中，在预处理的脑波数据的基础上设计合适的算法将特征整合在输入层，并采用机器学习模型训练得到模型。

进一步地，在步骤S2中，根据实验的反馈与评估来优化算法调整模型。

本技术方案所带来的有益效果是：本发明一种基于微表情与脑波分析算法的心理健康状况分析算法，通过对儿童的脑波信号以及微表情的数据收集，避免了过多的主观因素，同时利用计算机技术与心理学的科学交叉，提升了对儿童心理焦虑状况的识别效果，使得识别结果具有高准确性、针对临床应用需求具有可解释性，能够切实地解决目前研究中对儿童焦虑症识别不准确、干预不及时的问题。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明一种基于微表情与脑波分析算法的心理健康状况分析算法的步骤流程图。

具体实施方式

以下结合附图对本发明的优选实例进行说明，应当理解，此处所描述的优选实例仅用于说明和解释本发明，并不用于限定本发明。

如图1所示，这种基于微表情与脑波分析算法的心理健康状况分析算法，包括以下步骤：

S1：让被试人员打开软件/网页，对其进行心理学测试并得到测试结果，测试的同时收集被试人员的脑波信号与人脸微表情数据，并记录下被试人员的面部长视频；

S2：将S1中得到的脑波信号以及人脸微表情数据通过学习得到数据模型，随后将数据输入数据模型并结合S1中得到的测试结果形成分析结果；

S3：对S1中被试人员的脑波信号进行预处理，并对处理后的脑波信号的时间序列进行多尺度化分析，通过特征选取实验得出最有效的选取特征组合；

S4：将S1中被试人员的面部长视频利用传统模式识别和深度学习方法，先从含有人脸的视频中快速识别出含有人脸的区域，随后排除无表情片段、常规表情片段和其他面部动作片段的干扰，并从已经完成人脸定位的长视频中提取出含有微表情的片段；

S5：将S4中已经确定含有微表情的视频片段，根据动作幅度识别其起始点、顶点与终止点，由此得到三个点的微表情特征；

S6：将S5中得到的微表情特征与S3中得到的选取特征组合通过深度学习神经网络建议的深度神经网络模型得到被试人员的心理健康情况；

S7：将S2中得到的分析结果与S6中得到的心理健康情况相结合，得到健康、轻微、严重三个类别的结果，并根据不同的结果采取不同的疗法，同时对S2中得到的数据模型进行研究分析。

由此，本技术方案从认知心理学理论出发，以计算机视觉和脑电信号处理技术为工具，从学科交叉的角度针对儿童焦虑症的有无、倾向及程度进行判断。

首先，利用微表情与表情识别技术分析儿童的心理健康状况，通过计算机视觉技术分析儿童在外界影响下表现出的表情与微表情，可以对其情绪状态进行有效感知，从而推断出儿童真实的心理状态。本技术方案中，融合了现有的脑波分析算法，并提出根据脑波特征得出评测儿童精神状态的模型，结合微表情总和分析，从客观证据角度为精神健康测评提供了新的视角与思路。同时，更利用计算机视觉与脑机接口技术将儿童焦虑症特征及程度进行量化，使得测试人员能够更精确地识别儿童焦虑症状况，以做到及时干预。

在本实施例中，在步骤S1中，采集不同刺激下被试人员对应的脑波数据。

在本实施例中，在步骤S3中，预处理的方式为降噪和分通道，由此提高了数据的精准度。

在本实施例中，在步骤S2中，在预处理的脑波数据的基础上设计合适的算法将特征整合在输入层，并采用机器学习模型训练的到模型，由此得到的模型结果合理、准确。

在本实施例中，在步骤S2中，根据实验的反馈与评估来优化算法调整模型，这样可以提高结果的精准度。

综上所述，本发明一种基于微表情与脑波分析算法的心理健康状况分析算法，通过对儿童的脑波信号以及微表情的数据收集，避免了过多的主观因素，同时利用计算机技术与心理学的科学交叉，提升了对儿童心理焦虑状况的识别效果，使得识别结果具有高准确性、针对临床应用需求具有可解释性，能够切实地解决目前研究中对儿童焦虑症识别不准确、干预不及时的问题。

需要说明的是，在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定的编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明内容。

最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。