一种基于贝叶斯分析法的精神状态自动识别方法与流程

本发明涉及数据自动分析领域，尤其涉及基于贝叶斯分析法的精神状态自动识别方法。

背景技术：

目前由于缺乏科学有效的评估手段，思想动态的评估基本依靠人工经验判断，很难作出准确公正的评估。为此，我们引入机器学习中的贝叶斯分析方法，依据训练演习考核细则，利用现有的部队训练演习过程中产生的训练演习数据作为样本，建立分类模型，实现演习成果自动分析评估。

技术实现要素：

为解决上述技术问题，本发明提出了一种基于贝叶斯分析法的精神状态自动识别方法，包括

s1:确定特征属性，确定样本数据，通过依据训练演习相关考核细则，确定训练者面部表情的特征属性，并对每个特征属性进行划分；

s2：生成训练样本集合，将划分的特征属性设定为一个类别y；

s3：构建分类器，对样本进行分类计算，计算每个类别在训练样本中出现的频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录；

s4：使用分类器应用，使用分类器对待分类项进行分类，输入是分类器和待分类项，输出是分类项与类别映射关系。

优选的，所述分类器构建包括以下步骤：

第一、设x＝{a1,a2,...,am}为一个待分类项，而每个a为x的一个特征属性；

第二、设立类别集合c＝{y1,y2,...,yn}；

第三、计算p(y1/x),p(y2/x),...,p(yn/x)；其中，p(y/x)为事件x发生下事件y的条件概率，表示事件x已经发生的前提下，事件y发生的概率；

如果p(ys/x)＝max{p(y1/x),p(y2/x),...,p(yn/x)}，则x∈ys。

优选的，计算p(y/x)的方法：

找到一个已知分类的待分类项集合，即训练样本集y1,y2……yn；

统计得到各类别下各个特征属性的条件概率估计，即p(a1/y1),p(a2/y1),...,p(am/y1)；p(a1/y2),p(a2/y2),...,p(am/y2)；

...；p(a1/yn),p(a2/yn),...,p(am/yn)；

如果各个特征属性是条件独立的，则根据贝叶斯定理，得到：

优选的，p(x)的所有类别是常数，并将分子最大化。

优选的，所述待分类项为实时获取的训练者表情信息。

优选的，y的类别为红色、橘红色和黄色，红色表示思想稳定、工作积极，橘红色表示少数人疲劳、厌战，黄色表示个别人人员不适应岗位、情绪低落。

优选的，样本特征属性为训练者面部表情特征，并通过相机拍摄获取，并实时记录训练者的状态，通过人工统计概率。

本发明提出的基于贝叶斯分析法的精神状态自动识别方法有以下有益效果：本方法通过统计训练者训练时面部表情或者肢体动作作为特征属性，并通过人工分类相似表情或者动作，作为一个类别x,并设定类别来确定训练者的精神状态，通过贝叶斯方法来计算出对应表情能够确定的到对应类别，通过计算最大概率来判断该训练者的精神状态，全程只需要人工进行分类，通过计算能够客观的判断训练者的精神状态，提高客观性以及效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。

图1为本发明的系统流程示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

如图1所示，本发明提出了本发明提出了一种基于贝叶斯分析法的精神状态自动识别方法，包括

s1:确定特征属性，确定样本数据，通过依据训练演习相关考核细则，确定训练者面部表情的特征属性a，并对每个特征属性进行划分x；首先我们将现有的采集的人脸数据信息作为待分类项，将评估结果划分为三个类别，红色表示思想稳定、工作积极，橘红色表示少数人疲劳、厌战，黄色表示个别人人员不适应岗位、情绪低落。

s2：生成训练样本集合，将划分的特征属性设定为一个类别y；

依据训练演习相关考核细则，确定训练演习评估项目标准作为特征属性，并对每个属性进行适当划分，然后由人工对一部分待分类数据进行分类，形成训练样本集合。这一阶段的输入是索引待分类数据，输出是特征属性和训练样本。该阶段是整个过程中唯一人工完成阶段，

s3：分类器训练，计算每个类别在训练样本中出现的频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录，概率最大的特征属性则划分至对应类别。分类器训练阶段主要是计算每个类别在训练样本中出现的频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录。其输入是特征属性和训练样本，输出是分类器。该阶段是机械性阶段，依据贝叶斯分类公式由程序自动计算条件概率算法为：

第一、设x＝{a1,a2,...,am}为一个待分类项，而每个a为x的一个特征属性，即为在现有的部队训练过程中获取的士兵的表情特征，；

第二、有类别集合c＝{y1,y2,...,yn}；y为可分选的类别，即前文所述的红色、黄色和橘红色。

第三、计算p(y1/x),p(y2/x),...,p(yn/x)；其中，p(y/x)为事件x发生下事件y的条件概率，表示事件x已经发生的前提下，事件y发生的概率；

计算p(y/x)方法如下：

找到一个已知分类的待分类项集合，即训练样本集；

统计得到各类别下各个特征属性的条件概率估计，即p(a1/y1),p(a2/y1),...,p(am/y1)；p(a1/y2),p(a2/y2),...,p(am/y2)；...；p(a1/yn),p(a2/yn),...,p(am/yn)

如果各个特征属性是条件独立的，则根据贝叶斯定理：分母对所有类别为常数，将分子最大化得：

如果p(ys/x)＝max{p(y1/x),p(y2/x),...,p(yn/x)}，则x∈ys。

s4：分类器应用，使用分类器对待分类项进行分类，输入是分类器和待分类项，输出是分类项与类别映射关系。

结合上述方法举少数样本案例说明，输入分类项，y的类别为红色、橘红色和黄色，红色表示思想稳定、工作积极，橘红色表示少数人疲劳、厌战，黄色表示个别人人员不适应岗位、情绪低落，a的特征属性举例获取为a1嘴角向下,a2眉毛向下，a3眉头略锁紧，a4眉头锁紧轻微，a5嘴角上扬，a6眉毛向上，a7眉头舒展。并通过人工划分类别集合，将a1、a2划分为橘红色即y2，a3、a4划分为黄色即y3,a5、a6、a7划分为红色y1，并通过统计判定红色时发生a1～a7的概率，以及判定黄色时a1～a7的概率，以及判定橘红色是判定a1～a7的概率，再根据贝叶斯定理

计算出当p(ys/x)＝max{p(y1/x),p(y2/x),...,p(yn/x)}时，则判定特征属性落入对应的类别，输出极为对应的类别。应用分类器时，输入嘴角向下的特征，通过公式，得到概率最大值为p(y2/a)，则判定为橘红色，即可判定改训练者为疲劳、厌战。

对实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。