[发明专利]一种基于肢体语言的自杀风险评估方法

说明书

本发明公开了一种基于肢体语言的自杀风险评估方法。所述方法包括以下步骤：使用kinect捕获视频采集人员的肢体行为数据，作为输入数据；将输入数据划分为静态的姿势和动态的动作，分别使用卷积神经网络来提取静态姿势的特征和双向长短期记忆神经网络来提取动态动作的特征；使用一个长短期记忆神经网络来有效地融合静态姿势的特征和动态动作的特征，统一到相同的特征空间；通过softmax层输出该人员是否有自杀倾向。本发明同时使用人们的静态姿势特征和动态动作特征，可以有效地提高情感识别的准确度。本发明将人们的动静态特征进行了嵌入，嵌入到统一的特征空间，保证特征之间能够得到更有效、协调的使用。

技术领域

本发明属于情感识别领域，特别涉及一种基于肢体语言的自杀风险评估方法。

背景技术

服刑人员由于其社会适应性差、心理状态不稳定，极易对自身或它人造成伤害。为了防止服刑人员自残或犯罪，检测他们的情感倾向是有很有必要的。人类的情感倾向可以通过多种方式进行预测，如心电图、脑电图(华南师范大学学报(自然科学版),2019(5))、言语(计算机科学,2015(09):24-28)、面部表情(西安工业大学学报,2015,35(009):705-709)等。在各种情绪信号中，被广泛用于情绪识别的是生理信号。最近，肢体动作也成为一种新的特征。

迄今为止已提出了不少用于情感倾向预测的模型，但仍有很多问题亟待解决或值得进一步研究。技术方面，音频数据很容易获得，但容易受到噪声的影响。计算复杂度方面，单一检测静态姿势或者单一检测动态动作来识别情感的计算复杂度更低，但也会导致较低的识别准确度。因此，需要通过融合多种动作来提高情感识别的准确度。通过统一静态姿势和动态动作可以更有效地识别人们的情感，更好地预测自杀倾向，减少自杀风险。对于自杀风险度高的人，他们常常会有如割脉，上吊等的动作，更准确地通过动静态结合的姿势动作特征进行动作检测，可以有效地预测人们的自杀倾向，减少人们的自杀风险。

发明内容

本发明的目的是为了解决上述现有技术存在的缺陷，提出了一种新的神经网络框架，使用卷积神经网络和双向长短期记忆神经网络分别人员的静态姿势特征和动态动作特征，从而减少计算复杂度；并且另外使用一个单向的长短期记忆神经网络来嵌入到统一的特征空间，保证有效地融合动态和静态特征。最后通过一个softmax函数来输出最终的自杀倾向分类结果。

本发明的目的至少通过如下技术方案之一实现。

一种基于肢体语言的自杀风险评估方法，包括以下步骤：

S1、使用kinect捕获视频采集人员的肢体行为数据，作为输入数据；

S2、将输入数据划分为静态的姿势和动态的动作，分别使用卷积神经网络来提取静态姿势的特征和双向长短期记忆神经网络来提取动态动作的特征；

S3、使用一个长短期记忆神经网络来有效地融合静态姿势的特征和动态动作的特征，统一到相同的特征空间；

S4、通过softmax层输出该人员是否有自杀倾向。

进一步地，步骤S2中，静态的姿势识别具体如下：

将视频中的帧输入到卷积神经网络(CNN)中进行训练和测试，输入为视频帧，输出为该视频帧中人员所对应静态姿势类别，包括右臂高举、右肩高耸、头向右倾斜、身体右倾、左臂高举、左肩高耸、头向左倾斜、身体左倾、身体正直和双手交叉；CNN利用部分滤波器计算卷积，即利用输入项的局部子矩阵和局部滤波器进行内积运算。

进一步地，所述卷积神经网络(CNN)包括输入层、2个卷积层、2个池化层、全连接层，其中，每个池化层均为每个卷积层的下一层；

输入层的输入表示为x_mn表示输入矩阵中的第m行第n列；

卷积层的计算公式如下：