一种基于人工智能的心理宣泄交互系统

本发明涉及情绪分析，特别是一种基于人工智能的心理宣泄交互系统。

背景技术：

1、随着人工智能技术的快速发展，越来越多的心理健康干预手段开始引入人工智能技术，以辅助情绪识别和心理状态分析，从而更高效地帮助学生缓解心理压力；然而，传统的心理宣泄交互系统普遍存在一些不足之处：首先，传统系统通常仅依赖单一的数据源，忽略了多模态情绪信息的深度融合，导致情绪识别的准确性和可靠性较低；其次，传统系统对情绪动态变化的捕捉能力不足，无法全面反映用户情绪的演变过程，心理状态分析结果较为单一且缺乏个性化；最后，在心理状态评估方面，传统系统通常过于依赖静态指标，忽视了对时间序列数据中长期依赖关系与短期动态特征的综合提取，从而难以提供精准的情绪识别和科学的心理指导；因此，亟需一种能够结合多模态数据、动态生成虚拟宣泄场景，并具备高效情绪识别与精准心理状态分析能力的心理宣泄交互系统，以全面提升心理干预效果。

技术实现思路

1、本发明提供了一种基于人工智能的心理宣泄交互系统，通过多模态情感识别和动态情绪分析方法，结合虚拟宣泄场景生成和个性化心理指导，实现了高效的情绪识别与精准的心理状态分析；该系统通过多模态情感识别方法，采用嵌套记忆特征生成机制、新增遗忘门机制以及双向特征融合的手段，从生理数据与行为数据中提取融合的时间序列特征，精准捕捉情绪变化并输出识别结果；同时，在情绪分析与指导中，本发明结合动态领导机制和粒子群优化机制，改进灰狼优化算法的位置更新策略，实现情绪演变图谱的生成和心理状态的精细化评分，为学生提供针对性的心理指导；整体系统有效弥补了现有技术中情绪捕捉能力弱、分析结果不精准、个性化不足的问题，显著提升了心理干预效果。

2、本发明提供了一种基于人工智能的心理宣泄交互系统，该系统包括数据采集模块、情绪识别模块、虚拟宣泄场景模块、情绪分析与指导模块；

3、所述数据采集模块，通过vr设备采集和传感器采集学生生理数据和学生行为数据，集成得到原始情绪数据；学生生理数据包括心率、皮肤电反应、脑电波和呼吸频率，学生行为数据包括肢体动作、语音语调、眼动轨迹和面部表情；

4、所述情绪识别模块，结合特征提取技术和多模态特征融合技术构建多模态情感识别模型，使用多模态情感识别模型分析原始情绪数据，识别学生情绪类别，输出情绪识别结果；

5、所述虚拟宣泄场景模块，根据情绪识别结果，生成匹配的虚拟宣泄场景和虚拟宣泄交互数据；虚拟宣泄场景包括情绪发泄场景、情绪释放场景和倾诉场景；

6、所述情绪分析与指导模块，建立tcn-gru模型，通过引入动态领导机制和粒子群优化机制，改进gwo算法的位置更新策略，构建改进版gwo算法，使用改进版gwo算法优化tcn-gru模型的超参数，构建增强版tcn-gru模型；使用增强版tcn-gru模型分析虚拟宣泄交互数据，分析心理状态，得到优化情绪演变图谱和优化心理状态评分数据；根据得到优化情绪演变图谱和优化心理状态评分数据提供个性化心理指导。

7、进一步的，所述情绪识别模块，输出情绪识别结果的过程，具体包括以下步骤：

8、步骤s1：生理特征提取：利用小波变换提取学生生理数据的时间-频率域特征，并通过稀疏自编码器进行降维和优化，得到学生生理特征数据；

9、步骤s2：行为特征提取：通过egemaps特征集、卷积神经网络和门控循环单元分别提取学生行为数据的特征数据，得到学生行为特征数据；

10、步骤s3：初步融合：通过将学生生理特征数据和学生行为特征数据进行初步融合，得到初步融合特征数据；

11、步骤s4：高级特征融合：通过嵌套记忆特征生成机制、新增遗忘门机制以及双向特征融合，构建嵌套式he-bilstm模型，将初步融合特征数据输入到嵌套式he-bilstm模型中，捕捉特征数据中的双向时间依赖关系，得到融合时间序列特征数据；嵌套式he-bilstm模型包括前向i-lstm和后向i-lstm；

12、步骤s5：注意力加权：通过注意力机制处理融合时间序列特征数据，分配重要性权重，得到加权时间特征数据；

13、步骤s6：层归一化：对加权时间特征数据进行层归一化处理，减少特征尺度差异的影响，得到归一化时间特征数据；

14、步骤s7：非线性激活：将归一化时间特征数据输入relu激活函数，进行非线性映射，捕捉特征间的非线性关系，得到非线性时间特征数据；

15、步骤s8：正则化处理：将非线性时间特征数据输入到多模态情感识别模型中的dropout层，随机丢弃部分神经元，防止过拟合，得到正则化时间特征数据；

16、步骤s9：残差连接：初步融合特征数据与正则化时间特征数据进行残差连接，得到高级融合特征数据；

17、步骤s10：分类输出：将高级融合特征数据输入多模态情感识别模型中的全连接层，得到情绪识别结果。

18、进一步的，所述步骤s4，具体包括以下步骤：

19、步骤s41：接收初步融合特征数据，输入到嵌套式he-bilstm模型，通过前向传播遗忘门机制，对初步融合特征数据中的长时记忆状态进行初步筛选，结合嵌套式he-bilstm模型中的当前时间步的反向记忆状态，通过动态嵌套操作生成嵌套后前向记忆特征数据，所用公式如下：

20、遗忘门计算公式：

21、；

22、其中，表示时间步表示隐藏状态，表示遗忘门，表示前向遗忘门的输出值，表示激活函数，表示输入特征到前向遗忘门的权重矩阵；表示当前时间步的输入特征，表示上一隐藏状态到前向遗忘门的权重矩阵；表示上一时间步的前向隐藏状态；表示遗忘门的偏置项；

23、嵌套记忆特征生成公式：

24、；

25、其中，表示嵌套后的前向记忆特征数据；嵌套机制的权重矩阵，表示当前时间步的反向记忆状态，表示前一时间步的前向记忆状态，即长时记忆状态；

26、步骤s42：通过前向新增遗忘门机制对嵌套后前向记忆特征数据进行噪声过滤和信息冗余压缩，生成前向高质量长时记忆特征数据，所用公式如下：

27、；

28、其中，表示的转置，表示的相关性矩阵；

29、；

30、其中，表示冗余压缩权重矩阵，表示压缩后的前向记忆特征数据

31、；

32、其中，表示记忆状态，表示门机制，表示新增遗忘门的输出，表示新增遗忘门的权重矩阵；

33、；

34、其中，表示前向高质量长时记忆特征数据；

35、步骤s43：通过输出门机制处理前向高质量长时记忆特征数据，生成前向隐藏状态特征数据；

36、步骤s44：通过后向传播遗忘门机制，对初步融合特征数据中的未来长时记忆状态进行初步筛选，结合嵌套式he-bilstm模型中的当前时间步的前向记忆状态，通过动态嵌套操作生成嵌套后的后向记忆特征数据；

37、步骤s45：对嵌套后的后向记忆特征数据进行噪声过滤和信息冗余压缩，生成后向高质量长时记忆特征数据；

38、步骤s46：通过输出门机制处理后向高质量长时记忆特征数据，生成后向隐藏状态特征数据；

39、步骤s47：将前向隐藏状态特征数据和后向隐藏状态特征数据融合，生成双向时间步特征数据；

40、步骤s48：将双向时间步特征数据输入到嵌套式he-bilstm模型中的全连接层，生成融合时间序列特征数据。

41、进一步的，所述情绪分析与指导模块，得到优化情绪演变图谱和优化心理状态评分数据的过程，具体包括以下步骤：

42、步骤c1：建模与初始化：初始化tcn-gru模型的超参数，tcn-gru模型包括tcn模型和gru模型；

43、步骤c2：数据清洗：对虚拟宣泄交互数据进行清洗，处理缺失值和异常值，得到清洗后交互数据；

44、步骤c3：数据归一化：对清洗后交互数据进行min-max归一化，将清洗后交互数据缩放到[0，1]范围，减少特征尺度差异，得到归一化交互数据；

45、步骤c4：数据对齐：对归一化交互数据进行时间步对齐，得到对齐时间序列数据；

46、步骤c5：聚类处理：通过均值漂移算法确定对齐时间序列数据的密集区域，通过模糊c均值对对齐时间序列数据聚类，得到相似情绪数据集；

47、步骤c6：时间卷积网络处理：将相似情绪数据集输入到tcn模型中，利用tcn模型的膨胀卷积和因果卷积提取相似情绪数据集中时间序列的长期依赖关系，捕捉情绪演变的长期特征，得到长期时间特征数据；

48、步骤c7：门控循环单元处理：将长期时间特征数据输入gru模型中，利用gru模型中的更新门和重置门提取长期时间特征数据中的短期动态特征，捕捉短时间情绪波动，得到短期动态特征数据；

49、步骤c8：情绪分类与心理状态评估：将短期动态特征数据输入到tcn-gru模型的分类层，分析心理状态，得到情绪演变图谱和心理状态评分数据；

50、步骤c9：灰狼优化：利利用改进版gwo算法优化tcn-gru模型的超参数，得到最优超参数组合，根据最优超参数组合优化tcn-gru模型的输出，得到优化情绪演变图谱和优化心理状态评分数据。

51、进一步的，所述步骤c9，具体包括以下步骤：

52、步骤c91：定义优化目标函数：利用均方根误差作为适应度函数，衡量tcn-gru模型的预测性能；

53、步骤c92：初始化灰狼种群：随机生成灰狼种群中的灰狼个体，灰狼个体表示tcn-gru模型的超参数组合；

54、步骤c93：计算灰狼适应度：将灰狼个体输入到tcn-gru模型中进行训练，根据适应度函数计算每个灰狼个体的超参数组合的适应度值，并进行适应度值排序，得到灰狼种群适应度排名；

55、步骤c94：更新α、β和δ灰狼位置：根据灰狼种群适应度排名选择最优的α狼、次优的β狼和第三优的δ狼，作为领导狼，引入动态领导机制，允许β狼和δ狼可以替换α狼；并通过粒子群优化的灰狼位置更新公式动态更新其他灰狼的位置，向领导狼靠近，以优化超参数组合，所用公式如下：

56、动态领导机制公式：

57、；

58、其中，表示α狼被替换的概率，表示β狼替换α狼的权重，表示δ狼替换α狼的权重；表示α狼的适应度排名，表示β狼的适应度排名，表示δ狼的适应度排名；表示敏感性控制参数，表示自然指数函数；

59、粒子群优化的灰狼位置更新公式：

60、；

61、其中，表示新一轮迭代后灰狼个体的速度，表示灰狼个体上一轮的速度，表示惯性权重，表示认知系数，表示社会系数，和表示随机数，表示当前灰狼个体的位置，表示灰狼个体历史最佳位置，表示灰狼种群的全局最佳位置；

62、；

63、其中，表示新一轮迭代后灰狼个体的位置，表示灰狼个体上一轮的位置；

64、步骤c95：收敛判定：设置最大迭代次数，迭代步骤c33-步骤c94，直至满足最大迭代次数，输出最优超参数组合。

65、采用上述方案，本发明取得的有益效果如下：

66、本发明通过多模态情感识别方法，结合嵌套记忆特征生成机制、新增遗忘门机制和双向特征融合技术的技术手段，实现了对多模态情绪数据的深度融合与精准分析；本系统不仅能够有效提取生理数据和行为数据的时序特征，还能对情绪动态变化进行全面捕捉，提升了情绪识别的准确性和敏感性，从而为心理宣泄交互系统提供更可靠的情绪类别判断基础；这种改进克服了传统系统对单一数据源依赖强、情绪识别准确性低的不足，显著提升了情绪识别模块的性能，为后续心理状态分析和个性化心理指导奠定了坚实基础；

67、本发明通过情绪分析与指导模块，引入动态领导机制和粒子群优化机制，改进灰狼优化算法的位置更新策略，对tcn-gru模型的参数进行优化，从而实现了系统对情绪演变的深度解析和心理状态的精准评估；为学生提供针对性的心理指导建议；这种改进解决了传统系统中心理状态分析不够全面、个性化不足的问题，增强了心理指导的科学性和干预效果；

68、此外，本发明的虚拟宣泄场景模块能够根据情绪识别结果动态生成匹配的虚拟场景和交互内容，满足学生在不同情绪状态下的心理宣泄需求；通过这一模块，本发明实现了心理宣泄交互系统从情绪识别到心理干预的闭环式设计，解决了传统心理宣泄系统中场景单一、交互方式僵化的问题，显著增强了该系统的实用性和适用范围；本发明综合利用多模态情感识别、情绪动态分析及场景生成技术，整体提升了心理宣泄的效率和效果，在心理健康干预领域具有重要的实际应用价值。