[发明专利]基于微表情与脑波分析算法的心理健康状况分析算法

权利要求书

1.基于微表情与脑波分析算法的心理健康状况分析算法，其特征在于：包括以下步骤：

S1：让被试人员打开软件/网页，对其进行心理学测试并得到测试结果，测试的同时收集被试人员的脑波信号与人脸微表情数据，并记录下被试人员的面部长视频；

S2：将S1中得到的脑波信号以及人脸微表情数据通过学习得到数据模型，随后将数据输入数据模型并结合S1中得到的测试结果形成分析结果；

S3：对S1中被试人员的脑波信号进行预处理，并对处理后的脑波信号的时间序列进行多尺度化分析，通过特征选取实验得出最有效的选取特征组合；

S4：将S1中被试人员的面部长视频利用传统模式识别和深度学习方法，先从含有人脸的视频中快速识别出含有人脸的区域，随后排除无表情片段、常规表情片段和其他面部动作片段的干扰，并从已经完成人脸定位的长视频中提取出含有微表情的片段；

S5：将S4中已经确定含有微表情的视频片段，根据动作幅度识别其起始点、顶点与终止点，由此得到三个点的微表情特征；

S6：将S5中得到的微表情特征与S3中得到的选取特征组合通过深度学习神经网络建议的深度神经网络模型得到被试人员的心理健康情况；

S7：将S2中得到的分析结果与S6中得到的心理健康情况相结合，得到健康、轻微、严重三个类别的结果，并根据不同的结果采取不同的疗法，同时对S2中得到的数据模型进行研究分析。

2.根据权利要求1所述的基于微表情与脑波分析算法的心理健康状况分析算法，其特征在于：在步骤S1中，采集不同刺激下被试人员对应的脑波数据。

3.根据权利要求1所述的基于微表情与脑波分析算法的心理健康状况分析算法，其特征在于：在步骤S3中，预处理的方式为降噪和分通道。

4.根据权利要求1所述的基于微表情与脑波分析算法的心理健康状况分析算法，其特征在于：在步骤S2中，在预处理的脑波数据的基础上设计合适的算法将特征整合在输入层，并采用机器学习模型训练得到模型。

5.根据权利要求1所述的基于微表情与脑波分析算法的心理健康状况分析算法，其特征在于：在步骤S2中，根据实验的反馈与评估来优化算法调整模型。