基于數據挖掘與智能計算的情感數據分析與心理預警系統研究

趙丁

（石家莊工程職業學院，河北石家莊，050000）

0 引言

近年來，人們的生活水平得到了顯著提高，與此同時，較快的生活節奏使得一些人在日常生活及交際過程中也出現了不同程度的心理問題，據相關數據表明，在我國青年群體中，有將近30%的青年處于心理健康不佳的狀態，而在這些青年群體中，又有高達10%至12%的青年從心理健康不佳狀態發展到抑郁癥狀態，更有甚者曾經產生過自殺的想法。為了解決人們在生活中產生的心理問題，我國便需要建立心理健康預警系統。考慮到人們的心理數據采集與分析是比較困難的，而且存在時效性差和預警不及時等問題，因此在建立心理健康預警系統過程中需借助于現代化技術手段，將數據挖掘技術作為系統中的基礎性技術，并利用人工智能技術來分析面部數據，以此對被檢測對象的心理狀態及情緒波動進行檢測，進而做出及時準確的預警。

1 情感數據分析與心理預警系統的結構分析

在基于數據挖掘與智能計算的情感數據分析與心理預警系統中，其主要有三大組成部分，分別是情感數據分析部分、采集被測數據部分和心理預警部分。以往的情感數據分析及心理預警系統存在實效性差、設計誤差較大等不足，為了彌補這些不足，便需要圍繞監測對象來采集大量的網絡數據樣本，以便于對被監測對象的情緒波動及心理狀態等數據進行主動性的采集，通過對被監測人員的面部信息進行檢測，然后利用情感數據分析部分來判斷其情緒波動和心理狀況，當被監測人員出現較大的情緒波動或心理狀況異常時，預警系統便會及時發出預警。

2 人類表情數據的采集

■2.1 人類表情介紹

人類對情緒的表達是通過面部活動來實現的，而這種面部活動便是所謂的表情，通過表情可以了解人類的情緒指標。對于表情來說，其主要是由人的五官和面部肌肉進行不同組合而形成的，這也使其成為人們在進行交流時用于表達情緒的重要方式。在人所產生的各種表情中，大致可將常見表情分為六種，分別是高興、討厭、恐懼、悲傷、驚訝和憤怒，除此之外，多種表情還可進行相應的復合，從而產生更加復雜的表情，例如悲憤便是悲傷和憤怒進行復合而產生的表情。在心理健康治療領域，為了更好的解決患者的心理精神疾病，就必須要對患者的表情變化及心理波動有所掌握，而這便要應用到面部表情識別技術，該技術優越性也正日益顯現出來。

■2.2 面部表情識別

近年來，越來越多的人開始意識到面部表情識別技術的應用價值，該技術也在短短的幾十年里取得了快速發展。一直以來，人們在應用面部表情識別技術時，往往需要對人臉圖像進行去噪處理，然后對圖像中的人臉輪廓、斷點等特征進行提取，以便于根據圖像中人臉的表情特征來分析其心情，然后作出相應的分類，不過，這種技術方法只是較為淺層的學習方法，這是因為人們對人臉表情特征的提取是較為困難的，而且提取的數據量也非常大，這也使人們迫切需要優化面部表情識別技術的應用穩定性。相比于以往的基于特征提取的面部表情識別算法來說，以深度學習為核心的面部表情識別技術能夠更好的提取圖像中的人臉特征，深度學習是通過大量的學習來掌握圖像中人臉特征的提取方法，通過結合特征工程和深度學習網絡預測，能夠大大簡化提取圖像中人臉特征的流程，從而縮短特征提取時間，節約大量的人工成本。

在對人類的面部表情進行分析時，需要掌握其陰影變化和面部肌肉形態所產生的不同組合形式，所以需要對人類面部表情單位在各個區域中所具有的特征進行相應的定義，具體的定義公式可表述為：

3 基于數據挖掘與智能計算的情感數據分析及心理預警系統研究

在本文中所設計的情感數據分析與心理預警系統需要進行深度學習，但由于較少的數據集樣本以及數據集類內變化會影響深度學習網絡等原因，因此在設計情感數據分析及心理預警系統時需要通過神經網絡來解決上述問題。

■3.1 神經網絡

以抽象角度來說，神經網絡是一種類似于人體中神經元分布結構的網絡，人們又將這種網絡稱之為人工神經網絡，人工神經網絡從本質上來說是一種連接模型，其能夠對動物神經網絡的行為特征進行模仿，以便于采取分布式并行方式來處理信息，在此過程中，神經網絡需要對其內部大量節點的相互連接關系進行調整，以此達到信息處理目的。在神經網絡中，需要對實際輸出和理想輸出的差值進行計算，然后利用極小化誤差法來對全矩陣進行優化。在利用神經網絡進行訓練時，具體的實施流程如下：第一步是對人臉數據集進行選定，對相應的權值進行優化，0的附近必須存在絕對值；第二步是在訓練機中篩選出照片樣本；第三步是對目標輸出向量和實際輸出向量的差值，也就是兩者的誤差進行計算；第四步是對隱含層節點的誤差進行計算；第五步是對權值閾值變化范圍進行計算；第六步是對權值及閾值進行調整，并判斷精度能否滿足約束條件中的精度要求；第七步是利用反向學習算法來對神經網絡中的權值系數進行更新，如果滿足訓練精度要求，便可對BP神經網絡中的閾值及權值進行保存，此時神經網絡的訓練流程正式結束。

■3.2 多源數據庫

在基于數據挖掘與智能計算的情感數據分析與心理預警系統中，由于算法設計會受到系統反饋圖像拍攝條件的不同而產生類內差異，而類內差異則會嚴重影響到神經網絡的訓練結果，因此為了確保BP神經網絡在應用過程中能夠具有較好的魯棒性，使其獲得準確的訓練結果，便需要對多源數據庫進行選取。利用多元數據庫中存儲的樣本來進行BP神經網絡訓練，能夠大大豐富人臉的面部圖片，從而極大降低AU及AU強度和樣本所存在的關聯性。并且，對樣本數據的獲取途徑進行合理的選擇，還能避免在篩選圖片過程中受到人為因素的主觀性干擾。

■3.3 心理預警系統

通過在基于數據挖掘與智能計算的情感數據分析與心理預警系統中對BP神經網絡數據庫進行架構，并以此為基礎，使該系統不再使用以往的Windows操作系統，而是采用機器人操作系統來進行代替，該系統的英文全稱為ROS Robot Operation System，也就是所謂的ROS系統。在應用ROS系統的基礎上，為了實現對被監測對象面部數據的獲取，還要在系統硬件設備中安裝相機攝像頭，該相機攝像頭為Kinect 2.0 RGBD，具體配置如下：Kinect 2.0 RGBD相機的RGB分辨率為1024×768，深度分辨率為512×424，檢測人數為6人，檢測范圍為0.5～4.5m，檢測角度為70度。通過建立心理預警系統，如果被檢測對象在監測過程中的心理狀況出現異常波動，系統便可結合以往的檢測心理病例來做出綜合性的分析，在被檢測對象的電子終端中借助于UDP通訊協議進行預警，并提供必要的幫助信息。

4 基于數據挖掘與智能計算的情感數據分析與心理預警系統驗證

■4.1 穩定性驗證

對于Kinect攝像頭所采集的圖片流來說，需要利用OpenCV庫來進行相應的預處理，然后借助于上文中設計的情緒分析系統來深度分析被測對象在心理及情緒方面的波動情況，然后通過多元數據庫來檢驗穩定性。在對多源性數據庫進行應用過程中，為了對測試算法是否穩定進行驗證，還必須要設置一種驗證方法。該方法具體如下：首先采取隨機的方式對數據庫進行選擇，選擇數量為兩個，然后利用網絡來進行訓練，而采用的驗證數據集則必須具有獨立性。實驗方式共計有三種，一種是得出單次訓練的結果以及平均值，另一種則是采取相同留一驗證條件來獲得訓練結果，以此驗證訓練結果是否接近或相同。最后一種則是以動作組合強度來估計平均誤差。考慮到不同數據集在拍攝過程中都或多或少的存在不同差異，而且不同數據庫中存儲的圖像所具有的類內差別也比較高。

■4.2 心理預警實時性驗證

為了驗證本文所提出的系統在發出心理預警時是否準確、及時，需要對四組匿名人群進行隨機性的抽取，然后采用ROS和Ubuntu這兩種操作系統來對心理預警系統進行搭建，以便于對上述四組匿名的人群進行心理狀態識別，以此區分出這四組匿名人群中，哪個組的人群屬于正常人，哪個組的人群屬于抑郁癥人群，哪個組的人群屬于焦慮癥人群。在利用心理預警系統進行檢驗時，還要和人群的真實數據進行結果對比，以此分析心理預警系統的識別結果是否正確。具體的對比結果如圖1所示，并由此能夠充分體現出心理預警系統是否有效。

圖1 心理預警系統的有效性驗證結果

通過觀察圖1中的識別結果可以了解到，本文所構建的心理預警系統能夠成功識別出患有焦慮癥，也就是心情處于煩躁、郁悶狀態的躁郁人群，究其原因在于這類人群在患有焦慮癥以后，其表情變化會產生比較明顯的非正常特征，而對于正常人群的識別則是最高的。

5 結語

綜上所述，本文中構建系統所采集的情感數據是通過數據挖掘算法和神經網絡得到的WorldNet面部數據，根據這些情感數據，系統便可對被測者的情緒波動情況及心理狀況做出準確、實時的判斷，進而及時發出心理預警。通過該系統的設計，可有效彌補傳統心理預警系統所存在的不足，提高心理狀況檢測結果的準確度和可信度，并進一步縮短數據的采樣周期，可節約大量的人力成本。