心理状态测评方法、装置、设备和计算机可读存储介质与流程

本发明涉及计算机技术领域，尤其涉及一种心理状态测评方法、装置、设备和计算机可读存储介质。

背景技术：

皮电反应一直作为心理测评的检测依据。例如：测谎的依据。皮电反应是在中枢神经系统参与下产生的催汗反射，它属于精神性出汗。精神性出汗是精神紧张或情绪激动所引起的出汗，接受脑高级皮层的调节，因此，神经性出汗不同于热出汗，神经性出汗属于信息加工的过程。

具体而言，在表皮上施加一个恒定电压(流)可以测量出皮肤电导(skinconductance，简称sc)的大小。在应用上，如在测谎领域中，一般会为用户测评多个问题，每个问题对应一个sc曲线。通过测评人员肉眼观察的方式确定每个sc曲线中的最大波峰，并估算每个sc曲线的最大波峰的波峰面积。针对多个问题，将波峰面积最大的sc曲线对应的问题确定为使用户心理波动最大的嫌疑问题，也即是说，用户可能在回答该嫌疑问题时说谎了。

但是，这种通过肉眼观察的方式评估最大波峰的波峰面积的方式过于主观。如果心理测评依靠主观评估，则容易导致心理测评的结果缺乏准确性。

技术实现要素：

本发明实施例的主要目的在于提供一种心理状态测评方法、装置、设备和计算机可读存储介质，以解决现有心理测评依靠主观评估，容易导致心理测评的结果缺乏准确性的问题。

针对上述技术问题，本发明实施例是通过以下技术方案来解决的：

本发明实施例提供了一种心理状态测评方法，包括：获取目标用户针对多个测评对象中的每个测评对象的皮肤电导数据；针对所述每个测评对象，在所述测评对象的皮肤电导数据中，提取皮电反应数据；将所述皮电反应数据输入预设的高斯混合模型，并利用预设的最大期望算法，确定已经输入所述皮电反应数据的所述高斯混合模型的模型参数；根据所述高斯混合模型的模型参数，确定所述目标用户针对所述测评对象的心理状态测评数据；根据所述目标用户针对所述每个测评对象的心理状态测评数据，确定所述多个测评对象中使所述目标用户出现心理状态波动的嫌疑对象。

其中，所述在所述测评对象的皮肤电导数据中，提取皮电反应数据，包括：利用预设的指数移动平均算法，对所述皮肤电导数据进行拟合处理，得到皮电水平数据；根据所述皮电水平数据，提取所述皮肤电导数据中的皮电反应数据。

其中，在所述将所述皮电反应数据输入预设的高斯混合模型之前，还包括：采用预设的滤波器或者降噪算法，对所述皮电反应数据进行降噪处理。

其中，所述皮电反应数据包括多个采样值；所述采用预设的降噪算法，对所述皮电反应数据进行降噪处理，包括：计算所述皮电反应数据中的所述多个采样值的平均值和标准差；将所述皮电反应数据中的每个采样值先减去所述平均值，再除以所述标准差，得到降噪处理后的所述皮电反应数据。

其中，在所述确定所述多个测评对象中使所述目标用户出现心理状态波动的嫌疑对象之后，还包括：确定所述嫌疑对象对应的皮电反应数据的积分，以及确定所述嫌疑对象对应的皮电反应数据的拟合数据的积分；其中，所述拟合数据是对所述皮电反应数据进行拟合得到的数据；将所述拟合数据的积分和所述皮电反应数据的积分的比值，作为所述嫌疑对象对应的嫌疑概率。

其中，所述根据所述目标用户针对所述每个测评对象的心理状态测评数据，确定所述多个测评对象中使所述目标用户出现心理状态波动的嫌疑对象，包括：根据所述多个测评对象分别对应的心理状态测评数据，确定每个所述测评对象相对于所述多个测评对象中的其他测评对象的心理状态差异值；在所述多个测评对象中，将值最大的心理状态差异值对应的测评对象确定为使所述目标用户出现心理状态波动的嫌疑对象。

其中，所述获取目标用户针对多个测评对象中的每个测评对象的皮肤电导数据，包括：针对所述多个测评对象执行多轮测评操作；在执行每轮测评操作中，分别采集所述目标用户针对所述多个测评对象中的每个测评对象的皮肤电导数据，并且顺序获取所述多个测评对象中的其中一个测评对象的皮肤电导数据，以便确定所述目标用户针对当前获取的所述测评对象的心理状态测评数据；所述根据所述目标用户针对所述每个测评对象的心理状态测评数据，确定所述多个测评对象中使所述目标用户出现心理状态波动的嫌疑对象，包括：在所述多轮测评操作执行完毕后，将同一测评对象在每轮测评操作中对应的心理状态测评数据进行聚合处理，得到所述测评对象对应的心理状态测评聚合数据；根据所述多个测评对象分别对应的心理状态测评聚合数据，确定每个所述测评对象与所述多个测评对象中的其他测评对象的心理状态差异值；将心理状态差异值对应的测评对象确定为使所述目标用户出现心理状态波动的嫌疑对象。

其中，所述高斯混合模型包括多个高斯概率密度函数；所述高斯混合模型的模型参数的类型，包括：所述高斯混合模型中的每个所述高斯概率密度函数的权重系数、均值和方差。

本发明实施例还提供了一种心理状态测评装置，包括：获取模块，用于获取目标用户针对多个测评对象中的每个测评对象的皮肤电导数据；测评模块，用于针对所述每个测评对象，在所述测评对象的皮肤电导数据中，提取皮电反应数据；将所述皮电反应数据输入预设的高斯混合模型，并利用预设的最大期望算法，确定已经输入所述皮电反应数据的所述高斯混合模型的模型参数；根据所述高斯混合模型的模型参数，确定所述目标用户针对所述测评对象的心理状态测评数据；确定模块，用于根据所述目标用户针对所述每个测评对象的心理状态测评数据，确定所述多个测评对象中使所述目标用户出现心理状态波动的嫌疑对象。

本发明实施例还提供了一种心理状态测评设备，所述心理状态测评设备包括处理器、存储器；所述处理器用于执行所述存储器中存储的心理状态测评程序，以实现上述任一项所述的心理状态测评方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的心理状态测评方法。

本发明实施例的有益效果如下：

本发明本实施例在皮肤电导数据中提取能够反映目标用户生理性心理状态的皮电反应曲线，使用高斯混合模型拟合皮电反应数据，并用最大期望算法确定高斯混合模型的模型参数，根据该模型参数确定心理状态测评数据，进而根据多个测评对象的心理状态测评数据，确定使目标用户的心理状态波动的嫌疑对象。本发明实施例通过心理状态测评数据确定使目标用户的心理状态波动的嫌疑对象，确定方式客观且较为科学，避免人工评估准确性低的问题，而且高斯混合模型可以较为准确地拟合皮电反应数据，使得拟合数据能够较好的体现目标用户的个体心理状态，进而在多个测评对象中准确找到使目标用户出现心理状态异常的测评对象。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明一实施例的心理状态测评方法的流程图；

图2是根据本发明一实施例的确定模型参数的步骤流程图；

图3是根据本发明一实施例的心理状态测评方法的具体流程图；

图4是根据本发明一实施例的心理状态测评装置的结构图；

图5是根据本发明一实施例的心理状态测评设备的结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图及具体实施例，对本发明作进一步地详细说明。

根据本发明的实施例，提供了一种心理状态测评方法。如图1所示，是根据本发明一实施例的心理状态测评方法的流程图。

步骤s110，获取目标用户针对多个测评对象中的每个测评对象的皮肤电导数据。

目标用户，是指接受心理状态测评的用户。

测评对象，是指用于测评目标对象的心理状态的真实对象和/或虚拟对象。真实对象包括人、事和/或物。虚拟对象包括图像、音频和/或文本。例如：测评对象为测评员问出的问题(事)，或者屏幕中展示的问题(文本)。

皮肤电导数据(sc曲线数据)，是指：在利用测评对象对目标用户进行测评时，目标用户的皮肤电导的变化。其中，皮肤电导的单位是微欧姆。

具体而言，可以在目标用户的表皮上施加预设的恒定电压或者预设的恒定电流，每次在对目标用户测评一个测评对象时，采集目标用户针对该测评对象的皮肤电导数据。可以边采集边获取目标用户针对该测评对象的皮肤电导数据，或者，在采集完毕之后，获取目标用户针对该测评对象的皮肤电导数据，或者，在需要确定目标用户针对该测评对象的心理状态测评值时，获取目标用户针对测评对象的皮肤电导数据。

皮肤电导数据包括多个采样值。多个采样值分别为采集的不同时刻的皮肤电导。进一步地，在采集皮肤电导数据的过程中，每隔预设采样时间段采集一次皮肤电导(采样值)。该采样时间段可以为经验值或者通过实验值。

进一步地，从将测评对象展现给目标用户的时刻，开始采集皮肤电导数据中的采样值，在展现完毕时，停止采集皮肤电导数据中的采样值，或者，从测评对象展现完毕开始，达到预设时长时，停止采集皮肤电导数据中的采样值。该预设时长可以是经验值或者实验值。例如：该预设时长为5秒钟。

将真实对象出现的时刻(如开始提出问题时刻)，作为将测评对象展现给目标用户的时刻，将真实对象消失的时刻(如问题问完的时刻)，作为测评对象展示完毕的时刻。将虚拟对象开始播放或者显示的时刻，作为将测评对象展现给目标用户的时刻，将虚拟对象结束播放或者显示的时刻作为展示完毕的时刻。

步骤s120，针对所述每个测评对象，在所述测评对象的皮肤电导数据中，提取皮电反应数据；将所述皮电反应数据输入预设的高斯混合模型，并利用预设的最大期望算法，确定已经输入所述皮电反应数据的所述高斯混合模型的模型参数；根据所述高斯混合模型的模型参数，确定所述目标用户针对所述测评对象的心理状态测评数据。

皮肤电导数据包括皮电水平(skinconductancelevel，简称scl)数据和皮电反应(skinconductanceresponse，简称scr)数据。皮电水平数据为皮电水平曲线的数据，皮电水平曲线是在某种状态下生理活动的基础趋势。皮电反应数据为皮电反应曲线的数据，皮电反应曲线是在皮电水平曲线上出现的一个瞬时的较快的波动。皮电反应曲线是由刺激而引起的生理性的心理状态。换而言之，皮电水平曲线反映的是状态，皮电反应曲线反映的是对刺激时间的即时反应。

高斯混合模型，用于拟合皮电反应数据，得到皮电反应数据的拟合数据。该拟合数据可以体现皮电反应数据的曲线趋势。

最大期望算法，用于确定输入皮电反应数据的高斯混合模型的模型参数，也即是确定皮电反应数据的拟合数据的参数。

心理状态测评数据，用于衡量目标用户是否出现心理状态波动。

在本实施例中，在测评对象的皮肤电导数据中，提取能够反映目标用户生理性心理状态的皮电反应曲线；利用高斯混合模型对皮电反应曲线进行拟合，得到皮电反应数据的拟合数据；根据最大期望算法，确定皮电反应数据的拟合数据的参数，进而确定目标用户针对该测评对象的心理状态测评数据。

在本实施例中，由于皮电反应数据的拟合数据可以体现皮电反应数据的曲线趋势，所以皮电反应数据的拟合数据的参数就可以用于衡量目标用户是否出现心理状态波动，这样，可以将已经输入皮电反应数据的高斯混合模型的模型参数作为心理状态测评数据。其中，高斯混合模型的模型参数的类型，包括但不限于：权重系数、均值和方差。

步骤s130，根据所述目标用户针对所述每个测评对象的心理状态测评数据，确定所述多个测评对象中使所述目标用户出现心理状态波动的嫌疑对象。

本步骤即是在利用心理状态测评数据衡量目标用户是否出现心理状态波动，具体的，根据多个测评对象分别对应的心理状态测评数据，确定每个所述测评对象相对于所述多个测评对象中的其他测评对象的心理状态差异值；将在所述多个测评对象中，将值最大的心理状态差异值对应的测评对象确定为使所述目标用户出现心理状态波动的嫌疑对象。

进一步地，确定每个所述测评对象(目标测评对象)相对于所述多个测评对象中的其他测评对象的心理状态差异值，包括：步骤s1，在其他测评对象的心理状态测评数据中，顺序获取其中一个心理状态测评数据；步骤s2，确定目标测评对象的心理状态测评数据和当前获取的心理状态测评数据的参数差值数据；心理状态测评数据中包括多个类型的参数值(如权重系数、均值和方差)；参数差值数据包括多个类型的差值，每个差值是目标测评对象的心理状态测评数据和当前获取的心理状态测评数据中对应类型的参数值做差得到的；步骤s3，判断其他测评对象中的各个测评对象的心理状态测评数据是否获取完毕，如果尚未获取完毕，则跳转到步骤s1；如果已经获取完毕，则执行步骤s4；步骤s4，对目标测评对象的心理状态测评数据与其他测评对象中的每个测评对象的心理状态测评数据的参数差值数据进行聚合处理，得到目标测评对象相较于其他测评对象的心理状态差异值。该聚合处理包括：在多个参数差值数据中，计算对应类型的差值的平均值，计算多个类型的差值的平均值的加权和，将该加权和作为心理状态差异值。不同类型对应的权重可以根据该类型的重要性进行设置。例如：目标测评对象与测评对象a的参数差值数据中包括：权重系数a、均值a和方差a；目标测评对象与测评对象b的参数差值数据中包括：权重系数b、均值b和方差b；目标测评对象的心理状态差异值＝第一权重×(权重系数a+权重系数b)÷2+第二权重×(均值a+均值b)÷2+第三权重×(方差a+方差b)÷2。其中，第一权重、第二权重和第三权重可以分别根据权重系数、均值和方差的重要性的不同进行设置。

在本实施例中，在皮肤电导数据中提取能够反映目标用户生理性心理状态的皮电反应曲线，使用高斯混合模型拟合皮电反应数据，并用最大期望算法确定高斯混合模型的模型参数，根据该模型参数确定心理状态测评数据，进而根据多个测评对象的心理状态测评数据，确定使目标用户的心理状态波动的嫌疑对象。本实施例通过心理状态测评数据确定使目标用户的心理状态波动的嫌疑对象，确定方式客观且较为科学，避免人工评估准确性低的问题，而且高斯混合模型可以较为准确地拟合皮电反应数据，使得拟合数据能够较好的体现目标用户的个体心理状态，进而在多个测评对象中准确找到使目标用户出现心理状态异常的测评对象。

下面对确定心理状态测评数据的步骤进行进一步地描述。针对多个测评对象中的每个测评对象的皮肤电导数据执行如图2所示的步骤

图2是根据本发明一实施例的心理状态测评数据的确定步骤流程图。

步骤s210，在测评对象的皮肤电导数据中，提取皮电反应数据。

皮电水平数据需要反映皮肤电导数据总体的趋势变化，而且能够对皮肤电导数据的变化做出及时反应，这样才能在提取皮电反应数据的同时保证皮电水平数据的信号不失真。所以，本实施例采用为皮肤电导数据中任意两个数据中的近端数据配置较大权重，为远端数据配置较小权重的拟合算法，对皮肤电导数据进行拟合，强化近端数据对当前数据的拟合结果的影响，弱化远端数据对当前数据的拟合结果的影响，而且，距离当前数据越远的远端数据对当前数据的拟合结果的影响越小。

近端数据是指皮肤电导数据中距离当前时间近的采样值。

远端数据是指皮电电导数据中距离当前时间远的采样值。

针对这种需求，本实施例可以利用预设的指数移动平均(exponentialmovingaverage，简称ema)算法，对皮肤电导数据进行拟合，得到皮电水平数据；根据所述皮电水平数据，提取所述皮肤电导数据中的皮电反应数据。

ema算法也叫权重移动平均算法，是一种给予近期数据(近端数据)更高权重的平均算法，即，在对皮肤电导数据中的多个采样值进行拟合时，使皮肤电导数据中距离当前时间近的采样值的数据权重大于距离当前时间远的采样值的数据权重。

进一步地，利用ema算法，对皮肤电导数据中的多个采样值进行拟合，可以拟合出皮电水平数据；在皮肤电导数据中去除拟合得到的皮电水平数据，可以得到皮电反应数据。在本实施例中，可以边采集边获取目标用户针对测评对象的皮肤电导数据中的采样值并针对该采样值进行拟合，即：在采集皮肤电导数据中的采样值的过程中，每采集一个采样值，就实时利用ema算法对该采样值进行拟合。

例如，ema算法可以采用如下公式(1)拟合皮肤电导数据，并可以采用如下公式(2)，在皮肤电导数据中去除皮电水平数据：

其中，t表示t时刻，vt表示皮电水平数据中t时刻的取值，v(t-1)表示皮电水平数据中t-1时刻的取值，θt表示皮肤电导数据中t时刻的采样值，β表示t-1时刻对应的预设权重，mt表示皮电反应数据中t时刻的取值。其中，β为经验值或者实验值，β小于1。

按照皮电水平数据的计算公式可知，vt的公式中包含β×v(t-1)，v(t-1)的公式中包含β×v(t-2)，v(t-2)的公式中包含β×v(t-3)，以此类推；那么，如果采用递推的方式计算vt，则vt的公式中将包含β×v(t-1)，或者β²×v(t-2)，或者β³×v(t-3)，由于β小于1且β呈指数变化，所以距离vt所在的t时刻越远的取值的数据权重越小，距离vt所在的t时刻越近的取值的数据权重越大。

由于皮电水平数据为皮肤电导数据的趋势线，在皮肤电导数据中去除皮电水平数据之后，就可以得到皮电反应数据，即：该皮电反应数据包括皮肤电导数据中的部分采样值。

步骤s220，将所述皮电反应数据输入预设的高斯混合模型，并利用预设的最大期望算法(expectation-maximization，简称em)，确定已经输入所述皮电反应数据的所述高斯混合模型的模型参数。

将皮电反应数据中的多个采样值输入高斯混合模型，利用高斯混合模型对皮电反应数据的多个采样值进行拟合，得到该多个采样值对应的高斯混合分布曲线(皮电反应数据的拟合数据)，可以利用最大期望算法，确定高斯混合分布曲线的模型参数。

在本实施例中，高斯混合模型包括多个高斯概率密度函数；高斯混合模型的模型参数的类型，包括但不限于：高斯混合模型中的每个所述高斯概率密度函数的权重系数、均值和方差。

在本实施例中，采用预设的滤波器或者降噪算法，对皮电反应数据进行降噪处理。进一步地，皮电反应数据包括多个采样值，即皮肤电导数据中去除皮电水平数据之后的部分采样值；所述采用预设的降噪算法，对所述皮电反应数据进行降噪处理，包括：计算所述皮电反应数据中的所述多个采样值的平均值和标准差；将所述皮电反应数据中的每个采样值先减去所述平均值，再除以所述标准差，得到降噪处理后的所述皮电反应数据。

步骤s230，根据所述高斯混合模型的模型参数，确定所述目标用户针对所述测评对象的心理状态测评数据。

在本实施例中，将高斯混合模型中的各个高斯概率密度函数的权重系数、均值和方差作为所述目标用户针对所述测评对象的心理状态测评数据。

本发明实施例利用高斯混合模型拟合皮电反应数据，并利用最大期望算法确定高斯混合模型的模型参数，即确定皮电反应数据的拟合数据的参数，通过皮电反应数据的拟合数据的参数来衡量目标用户针对测评对象是否出现心理状态波动，本实施例通过客观计算的方式确定心理状态测评值，避免人工判断造成的准确度低的问题。

本发明实施例利用高斯混合模型确定心理状态测评值，该高斯混合模型是基于“个体内”的比较方法，对皮电反应数据本身进行内部差异分析，可以确定皮电反应数据本身的心理波动程情况。

本发明实施例利用ema算法拟合皮电水平数据，可以总体反映皮肤电导数据的趋势，并且根据近端数据权重较大，而远端数据权重较小的算法特性，对皮肤电导数据的变化做出及时反应，皮肤电导数据中的采样值增大，ema拟合出的取值也及时随之增大，皮肤电导数据中的采样值减小，ema拟合出的取值也及时随之减小，这样可以避免使用减中值法或减均值法提取皮电反应数据时，容易导致皮电反应数据的信号失真的问题。进一步地，减中值法或减均值法是在一个移动窗口中将皮肤电导数据减去该移动窗口中的数据的中值或者均值，得到皮电反应数据。在这过程中，如果移动窗口的尺度太小，将使得皮电反应数据的波动不够明显；如果移动窗口太大，那么在皮肤电导数据中的峰值开始恢复时，即皮肤电导数据在下降的过程中，移动窗口的中值或者均值可能还在上升，使得皮电反应数据将变成绝对值很大的负值，使得皮电双峰反应中的第二个峰难以显示，导致信号失真。

本发明实施例利用ema算法拟合出皮电水平数据之后，将皮肤电导数据减去皮电水平数据，就可以得到皮电反应数据，该皮电反应数据可以清晰地看到每次事件激发的皮肤电反应情况。

下面对本发明的心理状态测评方法在测谎领域的应用进行进一步地说明。当然，本领域技术人员应当知道的是，本发明的心理状态测评方法不限于在测谎领域中应用。

如图3所示，是根据本发明一实施例的心理状态测评方法的具体流程图。

步骤s310，分别获取目标用户针对多个测评对象中的每个测评对象的皮肤电导数据。

例如：利用麦克风顺序采集测评问题对应的音频数据，该音频数据作为一个测评对象，当然，也可以通过测评员进行人工提问；在目标用户的皮肤上施加一个恒定电压；利用扬声器顺序播放采集的音频数据，并且每播放一个音频数据使目标用户回答音频数据对应的测评问题，并采集目标用户针对该音频数据的皮肤电导数据，如：在测评员所在的第一房间采集音频数据，在目标对象所在的第二房间播放音频数据并采集目标用户针对该音频数据的皮肤电导数据；针对每个音频数据，从播放该音频数据开始采集目标用户的皮肤电导数据，从播放完毕开始，在达到预设时长时，结束采集目标用户的皮肤电导数据。最终，可以获得每个音频数据分别对应的皮肤电导数据。

步骤s320，顺序选择多个测评对象中的其中一个测评对象。

步骤s330，获取目标用户针对当前选择的测评对象的皮肤电导数据。

步骤s340，在当前选择的测评对象的皮肤电导数据中提取皮电反应数据。

步骤s350，将所述皮电反应数据输入高斯混合模型，并利用最大期望算法，确定已经输入所述皮电反应数据的高斯混合模型的模型参数。

步骤s360，根据高斯混合模型的模型参数，确定所述目标用户针对当前选择的测评对象的心理状态测评数据。

步骤s370，判断多个测评对象中的所有测评对象是否都执行过心理状态测评；如果是，则执行步骤s380；如果否，则执行步骤s330。

步骤s380，根据所述目标用户针对每个测评对象的心理状态测评数据，确定每个所述测评对象相对于所述多个测评对象中的其他测评对象的心理状态差异值。

步骤s390，在所述多个测评对象中，将值最大的心理状态差异值对应的测评对象确定为使所述目标用户出现心理状态波动的嫌疑对象。

心理状态测评值最大的测评对象，是指目标用户针对该测评对象的心理波动程度最大。用户在说谎时，心理容易出现波动，心理波动越大，说谎的嫌疑越大，因此本实施例将心理状态测评值最大的测评对象确定为嫌疑对象。

在将心理状态测评值最大的测评对象确定为嫌疑对象之后，还可以确定嫌疑对象的嫌疑概率。具体的，确定嫌疑对象对应的皮电反应数据的积分，以及确定嫌疑对象对应的皮电反应数据的拟合数据的积分；将拟合数据的积分和皮电反应数据的积分的比值，作为嫌疑对象对应的嫌疑概率。

嫌疑对象对应的皮电反应数据，即是在目标用户针对嫌疑对象的皮肤电导数据中提取出的皮电反应数据。

所述拟合数据是对所述皮电反应数据进行拟合得到的数据。进一步地，可以将皮电反应数据输入预设的高斯混合模型，利用该高斯混合模型对皮电反应数据进行拟合，得到皮电反应数据的拟合数据。

为了增加测谎结果的准确性，可以针对该多个测评对象执行多轮测评操作。具体而言，在执行每轮测评操作中，分别采集目标用户针对所述多个测评对象中的每个测评对象的皮肤电导数据，并且顺序获取所述多个测评对象中的其中一个测评对象的皮肤电导数据，以便确定所述目标用户针对当前获取的所述测评对象的心理状态测评数据，即：针对每个测评对象，在该测评对象的皮肤电导数据中，提取皮电反应数据；将该皮电反应数据输入高斯混合模型，并利用最大期望算法，确定已经输入该皮电反应数据的该高斯混合模型的模型参数；根据该高斯混合模型的模型参数，确定该目标用户针对该测评对象的心理状态测评数据。在多轮测评操作执行完毕后，将同一测评对象在每轮测评操作中对应的心理状态测评数据进行聚合处理，得到所述测评对象对应的心理状态测评聚合数据；根据所述多个测评对象分别对应的心理状态测评聚合数据，确定每个所述测评对象与所述多个测评对象中的其他测评对象的心理状态差异值；将心理状态差异值对应的测评对象确定为使所述目标用户出现心理状态波动的嫌疑对象。

将同一测评对象在每轮测评操作中对应的心理状态测评数据进行聚合处理，包括：针对同一测评对象在多轮测评操作分别对应的心理状态测评数据中对应类型的参数值的平均值，得到包括多个类型对应的平均值(即：多个类型的参数值的平均值)的心理状态测评聚合数据。

例如：高斯混合模型包括高斯概率密度函数1、高斯概率密度函数2和高斯概率密度函数3；高斯混合模型的模型参数类型包括：权重系数π、均值μ和方差σ²；针对5个问题执行三轮测评操作，每个问题对应的心理状态测评聚合数据如表1所示：

表1

其中，表示三轮测评操作中高斯概率密度函数1的权重系数的平均值；表示三轮测评操作中高斯概率密度函数1的均值的平均值；表示三轮测评操作中高斯概率密度函数1的方差的平均值；表示三轮测评操作中高斯概率密度函数2的权重系数的平均值；表示三轮测评操作中高斯概率密度函数2的均值的平均值；表示三轮测评操作中高斯概率密度函数3的方差的平均值；表示三轮测评操作中高斯概率密度函数3的权重系数的平均值；表示三轮测评操作中高斯概率密度函数3的均值的平均值；表示三轮测评操作中高斯概率密度函数2的方差的平均值。

根据所述多个测评对象分别对应的心理状态测评聚合数据，确定每个所述测评对象与所述多个测评对象中的其他测评对象的心理状态差异值，包括：步骤s1，在其他测评对象的心理状态测评聚合数据中，顺序获取其中一个心理状态测评聚合数据；步骤s2，确定目标测评对象的心理状态测评聚合数据和当前获取的心理状态测评聚合数据的参数差值数据；心理状态测评数据中包括多个类型的参数平均值；参数差值数据包括多个差值，每个差值是目标测评对象的心理状态测评聚合数据和当前获取的心理状态测评聚合数据中对应类型的参数平均值做差得到的；步骤s3，判断其他测评对象中的各个测评对象的心理状态测评聚合数据是否获取完毕，如果尚未获取完毕，则跳转到步骤s1；如果已经获取完毕，则执行步骤s4；步骤s4，对目标测评对象的心理状态测评聚合数据与其他测评对象中的每个测评对象的心理状态测评聚合数据的参数差值数据进行聚合处理，得到目标测评对象相较于其他测评对象的心理状态差异值。该聚合处理包括：在多个参数差值数据中，计算对应类型的差值的平均值，计算多个类型的差值的平均值的加权和，将该加权和作为心理状态差异值。

本发明实施例还提供了一种心理状态测评装置。如图4所示，为根据本发明一实施例的心理状态测评装置的结构图。

心理状态测评装置，包括：获取模块410，测评模块420，确定模块430。

获取模块410，用于获取目标用户针对多个测评对象中的每个测评对象的皮肤电导数据。

测评模块420，用于针对所述每个测评对象，在所述测评对象的皮肤电导数据中，提取皮电反应数据；将所述皮电反应数据输入预设的高斯混合模型，并利用预设的最大期望算法，确定已经输入所述皮电反应数据的所述高斯混合模型的模型参数；根据所述高斯混合模型的模型参数，确定所述目标用户针对所述测评对象的心理状态测评数据。

确定模块430，用于根据所述目标用户针对所述每个测评对象的心理状态测评数据，确定所述多个测评对象中使所述目标用户出现心理状态波动的嫌疑对象。

本发明实施例所述的装置的功能已经在上述方法实施例中进行了描述，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。

本实施例提供一种心理状态测评设备。如图5所示，为根据本发明一实施例的心理状态测评设备的结构图。

在本实施例中，所述心理状态测评设备，包括但不限于：处理器510、存储器520。

所述处理器510用于执行存储器520中存储的心理状态测评程序，以实现上述的心理状态测评方法。

具体而言，所述处理器510用于执行存储器520中存储的心理状态测评程序，以实现以下步骤：获取目标用户针对多个测评对象中的每个测评对象的皮肤电导数据；针对所述每个测评对象，在所述测评对象的皮肤电导数据中，提取皮电反应数据；将所述皮电反应数据输入预设的高斯混合模型，并利用预设的最大期望算法，确定已经输入所述皮电反应数据的所述高斯混合模型的模型参数；根据所述高斯混合模型的模型参数，确定所述目标用户针对所述测评对象的心理状态测评数据；根据所述目标用户针对所述每个测评对象的心理状态测评数据，确定所述多个测评对象中使所述目标用户出现心理状态波动的嫌疑对象。

其中，所述在所述测评对象的皮肤电导数据中，提取皮电反应数据，包括：利用预设的指数移动平均算法，对所述皮肤电导数据进行拟合处理，得到皮电水平数据；根据所述皮电水平数据，提取所述皮肤电导数据中的皮电反应数据。

其中，在所述将所述皮电反应数据输入预设的高斯混合模型之前，还包括：采用预设的滤波器或者降噪算法，对所述皮电反应数据进行降噪处理。

其中，所述皮电反应数据包括多个采样值；所述采用预设的降噪算法，对所述皮电反应数据进行降噪处理，包括：计算所述皮电反应数据中的所述多个采样值的平均值和标准差；将所述皮电反应数据中的每个采样值先减去所述平均值，再除以所述标准差，得到降噪处理后的所述皮电反应数据。

其中，在所述确定所述多个测评对象中使所述目标用户出现心理状态波动的嫌疑对象之后，还包括：确定所述嫌疑对象对应的皮电反应数据的积分，以及确定所述嫌疑对象对应的皮电反应数据的拟合数据的积分；其中，所述拟合数据是对所述皮电反应数据进行拟合得到的数据；将所述拟合数据的积分和所述皮电反应数据的积分的比值，作为所述嫌疑对象对应的嫌疑概率。

其中，所述根据所述目标用户针对所述每个测评对象的心理状态测评数据，确定所述多个测评对象中使所述目标用户出现心理状态波动的嫌疑对象，包括：根据所述多个测评对象分别对应的心理状态测评数据，确定每个所述测评对象相对于所述多个测评对象中的其他测评对象的心理状态差异值；在所述多个测评对象中，将值最大的心理状态差异值对应的测评对象确定为使所述目标用户出现心理状态波动的嫌疑对象。

其中，所述获取目标用户针对多个测评对象中的每个测评对象的皮肤电导数据，包括：针对所述多个测评对象执行多轮测评操作；在执行每轮测评操作中，分别采集所述目标用户针对所述多个测评对象中的每个测评对象的皮肤电导数据，并且顺序获取所述多个测评对象中的其中一个测评对象的皮肤电导数据，以便确定所述目标用户针对当前获取的所述测评对象的心理状态测评数据；所述根据所述目标用户针对所述每个测评对象的心理状态测评数据，确定所述多个测评对象中使所述目标用户出现心理状态波动的嫌疑对象，包括：在所述多轮测评操作执行完毕后，将同一测评对象在每轮测评操作中对应的心理状态测评数据进行聚合处理，得到所述测评对象对应的心理状态测评聚合数据；根据所述多个测评对象分别对应的心理状态测评聚合数据，确定每个所述测评对象与所述多个测评对象中的其他测评对象的心理状态差异值；将心理状态差异值对应的测评对象确定为使所述目标用户出现心理状态波动的嫌疑对象。

其中，所述高斯混合模型包括多个高斯概率密度函数；所述高斯混合模型的模型参数的类型，包括：所述高斯混合模型中的每个所述高斯概率密度函数的权重系数、均值和方差。

本发明实施例还提供了一种计算机可读存储介质。这里的计算机可读存储介质存储有一个或者多个程序。其中，计算机可读存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。

当计算机可读存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述的心理状态测评方法。由于已经在上述实施例中对心理状态测评方法进行了详细描述，故在此不做赘述。

以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。