一种区块链辅助的人员负面情绪综合评估方法和系统与流程

1.本发明属于数据挖掘与分析领域，涉及一种区块链辅助的人员负面情绪综合评估方法和系统。


背景技术：

2.近年来，随着社会生活压力逐步增大，人员负面情绪乃至心理疾病的发生率普遍呈上升趋势。负面情绪的持续存在不仅会对人员的工作效率、团队协作与社交活动产生负面影响，还会损害身心健康。在负面情绪发生早期就检出并准确、有效地评估是至关重要的，因为这有助于对负面情绪作出及时的干预，减少其对自身、他人与社会的影响。
3.然而，目前检出与评估负面情绪方法大多依靠人力，例如，专业心理咨询师或医师根据一些心理学上明确列示的标准、与情绪低落的咨询者的交流以及通过心理问卷调查等形式来评估负面情绪。这些方法存在着主观性强、灵活性小、效率低的问题，对情绪状态评估的准确性较低，并且忽视了被评估者个人数据的安全性和隐私性，存在隐私泄露的问题。


技术实现要素：

4.有鉴于此，本发明的目的在于克服上述现有技术的缺点，提供了一种区块链辅助的人员负面情绪综合评估方法和系统，以解决现有负面情绪评估方法准确度较低、存在隐私泄露的技术问题。
5.为达到上述目的，本发明的一种区块链辅助的人员负面情绪综合评估方法包括以下步骤：步骤一：读取数据集，数据是来自社交媒体上的，含有待评估人员情绪特征的音频与文本；步骤二：利用随机过采样方法平衡不同类型的样本数据；步骤三：将特征数据进行加密，上传至区块链节点并将时间信息写入时间戳；步骤四：从所述样本数据中提取和选择最具信息性的特征；步骤五：构建一种能充分利用人员情绪特征数据的增强型深度卷积神经网络分类器；步骤六：用改进的联邦学习机制训练步骤五所述分类器；步骤七：根据区块链上的人员特征数据，利用步骤五所述分类器获得目标人员的情绪状态等级，完成区块链辅助的人员负面情绪综合评估过程。
6.进一步地，在步骤一中，获取音频时先抓取人员语音聊天的音频数据，然后进行去噪、分离不同人员音频的操作。
7.进一步地，在步骤三中，所述特征数据使用aes算法加密，具体加密公式为c=m
e mod n。
8.进一步地，在步骤五中，所述分类器模型中加入了注意力机制，并沿其空间维度动态地对齐注意力图的形状。注意力机制第一部分，利用提取器从卷积块生产的提取特征；第
二部分，分析提取到的特征，并将所述特征转换成一种非线性的注意力空间。
9.进一步地，在步骤六中，改进的联邦学习机制以如下方法训练分类器：步骤6.1 访问区块链上的人员数据，获取特征；步骤6.2 更新局部模型参数ωk；步骤6.3 ωk和损失函数lk发送给协调器；步骤6.4 当每个参与节点都操作完毕，进入步骤6.5，否则返回步骤6.1；步骤6.5 协调器将聚合后的模型参数ωk发送给所有参与节点；步骤6.6 当达到预设更新轮次，进入步骤6.7，否则返回步骤6.1；步骤6.7 参与节点执行本地模型更新；步骤6.8 将人员情绪特征数据集随机分成b个子训练集；步骤6.9 设置上一次迭代的模型参数作为本次迭代的初始参数ω
1,t
=ω
b,t-1
；步骤6.10 在每个子训练集中分别计算梯度并用梯度下降法更新参数；步骤6.11 所有子训练集迭代完毕，进入步骤6.12，否则返回步骤6.9；步骤6.12 达到预设训练轮次，则设定最终的模型参数，否则返回步骤6.8。
10.一种分布式的社交网络热点预测系统如下：数据获取模块，用于读取数据集，所述数据是来自社交媒体上的，含有待评估人员情绪特征的音频与文本；数据预处理模块，用于去噪、分离不同人员音频，以及利用一种过采样方法，基于人员原始数据生成额外的新样本；数据加密模块，用于将特征数据进行加密，上传至区块链节点并将时间信息写入时间戳；特征处理模块，用于从样本数据中提取和选择最具信息性的特征；评估模块，用于构建一种能充分利用人员情绪特征数据的增强型深度卷积神经网络分类器，并利用所述分类器获得目标人员的情绪状态等级；训练模块，用于训练评估模块中的增强型深度卷积神经网络分类器，且训练方法采用联邦学习方法。
11.本发明具有以下有益效果：本发明提供的区块链辅助的人员负面情绪综合评估方法和系统采用了一种基于改进型生成对抗网络与随机森林的特征提取与选择技术，可从人员的文本、声音等数据中提取和选择最具信息性的特征，用于负面情绪评估；采用了增强型深度卷积神经网络分类器，通过引入注意力机制来避免传统的陷阱问题；采用了在区块链上加密存储和使用人员隐私数据的机制；采用一种联邦训练机制来训练本地模型，并分别从不同的区块链节点更新全局模型的参数，以便安全使用分散式存储的区块链数据。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
13.图1是本发明实施例一提供的区块链辅助的人员负面情绪综合评估方法的原理示意图。
14.图2是本发明实施例一所述的增强型深度卷积神经网络结构示意图。
15.图3是本发明实施例一所述的改进型联邦学习方法流程示意图。
16.图4是本发明实施例二所述的区块链辅助的人员负面情绪综合评估系统的结构示意图。
具体实施方式
17.以下所描述的实施例仅仅是本发明一部分的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了部分对公知技术的描述，以避免不必要的混淆本发明公开的概念。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
18.在附图中示出了根据本发明公开实施例的结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
19.为了使本领域的技术人员更好地理解本发明方案，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。
20.实施例一请参阅图1，本发明所述的一种区块链辅助的人员负面情绪综合评估方法，包括以下步骤。
21.步骤一：读取数据集，数据是来自社交媒体上的，含有待评估人员情绪特征的音频与文本。
22.在本实施例中，获取音频时先抓取人员语音聊天的音频数据，然后进行去噪、分离不同人员音频的操作，保证最终获取的音频是仅包含待评估用户的声音，得到音频数据样本。文本则无需进行预处理。
23.步骤二：利用随机过采样方法平衡不同类型的样本数据。
24.具体的，利用改进smote算法生成更多类别较少的样本，使得不同类型的样本得到平衡。
25.步骤三：将特征数据进行加密，上传至区块链节点并将时间信息写入时间戳。
26.在本实施例中，为防止黑客在上传过程中攻击并获取数据，所述特征数据使用aes算法加密，具体加密公式为c=m
e mod n，再上传至区块链的数据共享系统并将时间信息写入时间戳。
27.步骤四：从所述样本数据中提取和选择最具信息性的特征。
28.具体地，利用一种基于改进型生成对抗网络提取特征，且音频数据以1秒为单位、文本数据以100字（单词）为单位分段提取；利用一种改进的随机森林算法选择特征。
29.步骤五：构建一种能充分利用人员情绪特征数据的增强型深度卷积神经网络分类器。
30.请参阅图2，在本实施例中，所述分类器模型中加入了注意力机制。第一部分，对于指定的特征图，y∈rc×w×h由卷积块生成，因此本发明通过提取器e从y中提取特征：e=e(y,we)。其中we是提取操作的参数，e是结果的值。e的多功能性使e依赖于提取操作呈现出各种模式。第二部分是transformation，它分析从提取部分收集到的特征，并将这些特征转换成一种非线性的注意力空间。明确地，我们将k归类为变换操作，注意块的输出可以表示为k=k(e,w
t
)，其中w
t
表示整个变换过程中使用的参数，k表示建议提取的输出模块。由于在深度卷积神经网络的的各个阶段获得的注意力特征图可能具有不同的大小，因此，本发明的增强型深度卷积神经网络分类器沿其空间维度动态对齐注意力图的形状。
31.在卷积神经网络块中，假设o=f(x1,x2)是x1和x2之间的组合特征图的输出。f(x1,x2)=x1+x2，包括本发明的增强卷积神经网络模型的两种组合策略。x1, x2∈rm×n是两个网络的输出，也可以表示两个向量。两种类型的信息从整个情绪特征图中检测到的，由音频、文本提取得到的特征图尺寸分别调整为256
×
256
×
3和72
×
72
×
3。
32.步骤六：用改进的联邦学习机制训练步骤五所述分类器。
33.请参阅图3，在本实施例中，评估模型更新轮次k=1,2,3,
…
，参与节点p=1,2,3,
…
，改进联邦学习的具体实施方法为：步骤6.1 访问区块链上的人员数据，获取特征；步骤6.2 更新局部模型参数ωk；步骤6.3 ωk和损失函数lk发送给协调器；步骤6.4 当每个参与节点都操作完毕，进入步骤6.5，否则返回步骤6.1；步骤6.5 协调器将聚合后的模型参数ωk发送给所有参与节点；步骤6.6 当达到预设更新轮次，进入步骤6.7，否则返回步骤6.1；步骤6.7 参与节点执行本地模型更新；步骤6.8 将人员情绪特征数据集随机分成b个子训练集；步骤6.9 设置上一次迭代的模型参数作为本次迭代的初始参数ω
1,t
=ω
b,t-1
；步骤6.10 在每个子训练集中分别计算梯度并用梯度下降法更新参数；步骤6.11 所有子训练集迭代完毕，进入步骤6.12，否则返回步骤6.9；步骤6.12 达到预设训练轮次，则设定最终的模型参数，否则返回步骤6.8。
34.步骤七：根据区块链上的人员特征数据，利用步骤五所述分类器获得目标人员的情绪状态等级，完成区块链辅助的人员负面情绪综合评估过程。
35.实施例二请参阅图4，本发明所述的一种区块链辅助的人员负面情绪综合评估系统包括：数据获取模块，用于读取数据集，所述数据是来自社交媒体上的，含有待评估人员情绪特征的音频与文本；数据预处理模块，用于去噪、分离不同人员音频，以及利用一种过采样方法，基于人员原始数据生成额外的新样本；数据加密模块，用于将特征数据进行加密，上传至区块链节点并将时间信息写入时间戳；特征处理模块，用于从样本数据中提取和选择最具信息性的特征；评估模块，用于构建一种能充分利用人员情绪特征数据的增强型深度卷积神经网
络分类器，并利用所述分类器获得目标人员的情绪状态等级；训练模块，用于训练评估模块中的增强型深度卷积神经网络分类器，且训练方法采用联邦学习方法。
36.综上所述，本发明提供的区块链辅助的人员负面情绪综合评估方法和系统采用了一种基于改进型生成对抗网络与随机森林的特征提取与选择技术，可从人员的文本、声音等数据中提取和选择最具信息性的特征，用于负面情绪评估；采用了增强型深度卷积神经网络分类器，通过引入注意力机制来避免传统的陷阱问题；采用了在区块链上存储和使用人员隐私数据的机制；采用一种联邦训练机制来训练本地模型并分别从不同的区块链节点更新全局模型的参数，以便安全使用分散式存储的区块链数据。相比现有的方法，本发明提供的负面情绪综合评估方法为自动化进行，不仅拥有更优越的性能、更高的效率，而且还引入了区块链的安全存储机制，保证人员的隐私安全。