一種基于人工智能的行為分析方法和系統的制作方法
【專利摘要】本發明提供一種基于人工智能的行為分析方法和系統，用于培養兒童的良好習慣，包括：信息采集模塊，用于采集待分析用戶的實時狀態信息；行為處理分析模塊，用于對實時狀態信息進行分析處理，從而判斷待分析用戶的疲勞度和專注度。實時狀態信息包括：行為信息和環境信息。處理分析模塊包括：用于對行為信息進行檢測和提取處理，獲取特征行為信息的預處理子模塊，以及根據特征行為信息與標準行為模型進行比較分析，從而判斷出待分析用戶的疲勞度和專注度的判斷分析子模塊。本發明基于人工智能與大數據分析，對兒童的不良學習習慣的行為信息進行分析，通過家長的引導教育進行矯正，提高兒童的學習專注力與自主學習能力，最終實現兒童的良好習性養成。
【專利說明】
一種基于人工智能的行為分析方法和系統
技術領域
[0001]本發明涉及物聯網的信息處理領域，特別是涉及一種針對兒童習慣的基于人工智能的行為分析系統和方法。【背景技術】
[0002]當今社會，兒童的教育問題已經成為家長們最關心的話題之一。一般來講，5-12歲的年齡段是兒童培養學習習慣、提高專注力的關鍵時期，良好的注意力及學習習慣，對其成長將有著決定性的作用。因此，如何培養孩子良好的學習習慣，使其身心得以健康發展一直是家長和老師們最為關心的話題。活潑好動是大多數兒童的天性。然而，如果不加以約束和培養，這個天性對兒童的學習將帶來一定的負面影響。
[0003]現實中，家長們往往因為繁忙的工作，常常沒有太多的時間陪伴在孩子的身邊;而孩子本身的自控能力較差，無法長時間集中注意力，久而久之，不良的學習習慣就會養成， 從而嚴重影響到孩子的學習成績。即便家長可以騰出時間，實時陪伴在孩子的身邊，輔導并糾正孩子的學習習慣，但是長期下來也容易助長兒童的惰性及其逆反心理，同樣影響兒童的心理健康。
[0004]并且，兒童正處于身體發育期，不正確的坐姿也容易引起骨骼變形、駝背、歪頭斜視和視力下降等問題，這對于兒童的生理同樣要產生莫大的傷害。
[0005]如何在保證兒童的身心健康的同時，對兒童學習時的行為進行分析，引導兒童糾正不良的學習習慣，最終養成良好的學習習慣已經成為家長及其老師所亟待解決的一個問題。
【發明內容】

[0006]鑒于以上所述現有技術的缺點，本發明的目的在于提供一種基于人工智能的行為分析系統和方法，用于解決現有技術中如何有效培養孩子的良好學習習性，養成良好的學習習慣的問題。
[0007]為實現上述目的及其他相關目的，本發明提供一種基于人工智能的行為分析系統，包括:信息采集模塊，用于采集待分析用戶的實時狀態信息;行為處理分析模塊，用于對所述實時狀態信息進行分析處理，從而判斷所述待分析用戶的精神狀態。
[0008]于本發明的一實施例中，所述實時狀態信息包括:行為信息和環境信息；其中，所述行為信息包括面部表情信息和肢體行為信息;所述待分析用戶的精神狀態包括:疲勞度和專注度。
[0009]于本發明的一實施例中，所述信息采集模塊包括視頻設備和音頻設備，其中，所述視頻設備用于采集所述待分析用戶的視頻格式和/或圖片格式的實時的所述行為信息;所述音頻設備用于采集所述待分析用戶所處環境的音頻格式的所述環境信息。
[0010]于本發明的一實施例中，所述處理分析模塊包括預處理子模塊和判斷分析子模塊;所述預處理子模塊，用于對視頻格式和/或圖像格式的所述行為信息進行檢測和提取處理，獲取特征行為信息;所述判斷分析子模塊，用于根據所述預處理子模塊處理獲得的所述特征行為信息，與標準行為模型進行比較分析，從而判斷出所述待分析用戶的疲勞度和專注度。
[0011]于本發明的一實施例中，所述標準行為模型對于不同的所述待分析用戶是不同的，其是對所述待分析用戶的長期的行為信息進行自適應匹配而形成的。
[0012]于本發明的一實施例中，所述特征行為信息包括眼部信息、肌肉動作和唇部表情。
[0013]于本發明的一實施例中，所述信息采集模塊和所述預處理子模塊位于所述待分析用戶側，所述判斷分析子模塊位于云端;所述預處理子模塊與所述判斷分析子模塊之間通過無線通信方式進行數據傳輸;或，所述預處理子模塊和所述判斷分析子模塊同位于云端， 所述信息采集模塊與所述預處理子模塊之間通過無線通信方式進行數據傳輸。
[0014]于本發明的一實施例中，所述行為分析系統還包括分別與所述行為處理分析模塊和所述信息采集模塊通過無線網絡連接的報告反饋模塊，所述報告反饋模塊用于根據所述行為處理分析模塊分析判斷獲得的所述待分析用戶的精神狀態，總結獲得行為分析報告， 并根據所述行為分析報告對所述待分析用戶做出相應的信息反饋。
[0015]于本發明的一實施例中，所述信息反饋的方式包括:直接反饋和間接反饋;其中， 所述直接反饋包括:將反饋的信息通過無線網絡直接發送至所述信息采集模塊;所述間接反饋包括:將反饋的信息通過無線網絡經由所述行為處理分析模塊間接反饋至所述信息采集模塊。
[0016]于本發明的一實施例中，所述信息采集模塊的所述視頻設備用于通過播放視頻或圖像的方式提醒所述待分析用戶;所述信息采集模塊的所述音頻設備用于通過播放語音的方式提醒所述待分析用戶;所述信息采集模塊還包括用于通過振動的方式提醒所述待分析用戶的振動提示設備。
[0017]本發明還公開了一種基于人工智能的行為分析方法，包括:采集待分析用戶的實時狀態信息;分析處理所述待分析用戶的所述實時狀態信息，從而判斷所述待分析用戶的精神狀態。
[0018]于本發明的一實施例中，所述實時狀態信息包括:行為信息和環境信息；其中，所述行為信息包括面部表情信息和肢體行為信息;所述待分析用戶的精神狀態包括疲勞度和專注度。
[0019]于本發明的一實施例中，所述分析處理所述待分析用戶的所述實時狀態信息，從而判斷所述待分析用戶的疲勞度和專注度的步驟包括:對所述行為信息進行檢測和提取處理，獲取特征行為信息;將所述特征行為信息與標準行為模型進行比較分析，從而判斷出所述待分析用戶的疲勞度和專注度;其中，所述標準行為模型是對所述待分析用戶的長期的行為信息的自適應匹配而形成的。
[0020]于本發明的一實施例中，所述行為分析方法還包括:根據判斷得到的所述待分析用戶的精神狀態，總結獲得行為分析報告；并根據所述行為分析報告對所述待分析用戶做出相應的信息反饋。
[0021]如上所述，本發明的一種基于人工智能的行為分析系統和方法，是基于人工智能與大數據分析的行為分析系統。本發明的待分析用戶主要是針對于兒童，用于培養兒童的良好學習習慣。兒童可以使用本發明在不受影響地情況下進行學習，娛樂等活動，兒童的實時狀態信息(行為信息和環境信息)被采集并上傳至云端的服務器或云處理平臺，進行行為信息的數據被進一步地分類整合，從而判斷兒童的疲勞度和專注度;并最終在遠端平臺形成完整的行為分析報告，得到全面直觀的第一手資料。根據行為分析報告，家長或老師可隨時隨地了解兒童的當前狀態信息，可對兒童行為適時提供信息反饋。并且，本發明采用的信息采集模塊集聲、光、電及震動為一體，可對采集到的信息進行預處理，在兒童側完成信息反饋功能，這種自動托管模式使得該系統更為方便與人性化。本發明旨在為兒童的學習習慣提供一種遠程養成矯正系統，通過家長的引導教育，矯正孩子不良的學習習慣，提高孩子的學習專注力與自主學習能力，最終實現兒童的良好習性養成。【附圖說明】
[0022]圖1顯示為本發明實施例公開的一種基于人工智能的行為分析系統的原理示意圖。
[0023]圖2顯示為本發明實施例公開的一種基于人工智能的行為分析系統的結構示意圖。[〇〇24]圖3顯示為本發明實施例公開的學習曲線的示意圖。
[0025]圖4顯示為本發明實施例公開的一種基于人工智能的行為分析系統的信息傳遞示意圖。
[0026]圖5顯示為本發明實施例公開的一種基于人工智能的行為分析方法的流程示意圖。[〇〇27] 元件標號說明 [〇〇28]110信息采集模塊[〇〇29]120處理分析模塊[〇〇3〇]121預處理子模塊[〇〇31]122判斷分析子模塊[〇〇32]130報告反饋模塊
[0033]S10?S40 步驟【具體實施方式】[〇〇34]以下通過特定的具體實例說明本發明的實施方式，本領域技術人員可由本說明書所揭露的內容輕易地了解本發明的其他優點與功效。本發明還可以通過另外不同的【具體實施方式】加以實施或應用，本說明書中的各項細節也可以基于不同觀點與應用，在沒有背離本發明的精神下進行各種修飾或改變。需說明的是，在不沖突的情況下，以下實施例及實施例中的特征可以相互組合。
[0035]請參閱附圖。需要說明的是，以下實施例中所提供的圖示僅以示意方式說明本發明的基本構想，遂圖式中僅顯示與本發明中有關的組件而非按照實際實施時的組件數目、 形狀及尺寸繪制，其實際實施時各組件的型態、數量及比例可為一種隨意的改變，且其組件布局型態也可能更為復雜。
[0036]本發明公開了一種基于人工智能與大數據分析的行為分析系統和行為分析方法， 用于培養兒童的良好學習習慣。本發明搭載FPGA(Field — Programmable Gate Array，現場可編程門陣列)或DSP(Digital Signal Processing，數據信號處理)等數據算法處理器、云處理等網絡大數據計算平臺對圖像數據進行處理，通過對兒童習慣、行為進行分析與發現， 結合個體差異，從兒童行為判斷其疲勞狀況和訊息專注度，與優等生的習慣進行比對分析， 而后將比對分析內容提供給父母或老師，便于他們及時了解孩子當前情況，對兒童施以管教和引導，有益于培養孩子良好的學習習性，糾正不良的學習狀態，提高學習效率，最終養成良好的學習習慣。[〇〇37] 實施例1
[0038]如圖1、和圖2所示，本實施例公開了一種基于人工智能的行為分析系統包括:信息采集模塊110、處理分析模塊120和報告反饋模塊130。其中，
[0039]所述信息采集模塊110位于待分析用戶側，S卩兒童側，用于采集兒童的實時狀態信息。其中，實時狀態信息包括但不限于環境信息和兒童的行為信息。行為信息包括但不限于:面部表情信息和肢體行為信息。
[0040]進一步地，本實施例的信息采集模塊110包括但不限于視頻設備、音頻設備、振動設備和其他可實現引導干預目的的光電輔助設備。
[0041]其中，視頻設備用于采集兒童的視頻格式和/或圖片格式的實時的行為信息。優選地，視頻設備為攝像頭。攝像頭可直接固定在最佳的采集位置，也可搭載在電機的轉軸上， 方便攝像頭靈活地轉動以找尋人臉的最佳拍攝角度。
[0042]音頻設備用于采集兒童所處環境的音頻格式的實時的環境聲音信息。[〇〇43]處理分析模塊120用于對兒童的實時狀態信息進行分析處理，從而判斷出兒童的精神狀態。其中，精神狀態包括但不限于疲勞度和專注度。處理分析模塊120主要基于面部及行為智能分析技術，通過鎖定視頻中的面部及行為圖像，結合生物醫學中的注意力時間曲線，利用相關圖像處理技術加載算法，對人臉信息如面部表情、肌肉動作、唇語等進行智能分析，判斷精神狀態與疲勞程度。該模塊所得的所有數據被上傳至云端，經過進一步的兒童習慣行為分析與發現，對兒童的身體疲勞狀況，學習專注度，最優學習曲線等進行分析， 從而判斷出兒童的疲勞度和專注度。[〇〇44]處理分析模塊120包括預處理子模塊121和判斷分析子模塊122。其中，
[0045]預處理子模塊121用于對信息采集模塊110采集的實時狀態信息進行檢測和提取， 獲取相應的特征行為信息。譬如說，對于通過攝像頭所采集的視頻格式和/或圖片格式的行為信息。預處理子模塊121既可以是集成特定功能的ARM處理器，也可以是集成于SoC (System on Chip，系統級芯片)內核的FPGA以及DSP處理器。預處理子模塊121首先要鎖定視頻格式和/或圖片格式的行為信息中的臉部區域，對面部表情、動作和人眼信息等進行切割和碎片化整理，實現對所述行為信息的初步提取和分類，處理獲得特征行為信息。其中， 特征行為信息包括但不限于眼部信息(眨眼頻率)、肌肉動作和唇部表情等等。[〇〇46]預處理子模塊121既可位于兒童側，也可位于云端。由于信息采集模塊110采集的實時狀態信息的數據包括視頻格式、圖片格式和音頻格式，數據量是非常大的，因此。出于網絡數據傳輸的考慮，優選將預處理子模塊121設置于兒童側。[〇〇47]判斷分析子模塊122,用于根據預處理子模塊121處理獲得的特征行為信息，與數據庫中的標準行為數據或標準行為模型進行比較分析，得到面部的細微變化，從而對兒童的疲勞度和專注度做出相應的判斷。由于兒童的疲勞度和專注度的判斷和分析，數據處理量比較大，因此，判斷分析子模塊122被設置于云端，基于云處理技術對特征行為信息進行大數據處理分析和算法加載。[〇〇48]當預處理子模塊121位于兒童側時，預處理子模塊121與判斷分析子模塊122之間通過無線通信方式進行數據傳輸。當預處理子模塊121位于云端時，信息采集模塊110與預處理子模塊121之間通過無線通信方式進行數據傳輸。其中，本實施例中的無線通信方式包括但不限于:射頻技術、紅外技術、WIFI技術、藍牙技術和和ZigBee技術。[〇〇49]判斷分析子模塊122會針對兒童常見行為習慣等已有的大數據的進行處理分析和算法加載，得出標準疲勞值，活躍度，眨眼頻率，行為姿態等特征數據，進一步訓練得到標準行為模型或標準行為數據，用于與預處理子模塊121所獲取的特征行為信息進行比對。判斷分析子模塊122將接收到的特征行為信息載入標準行為模型中，數據會依據特征行為信息的不同進入不同的特征域，已經過多層處理的數據經過簡單的特征比對后即可輸出分析結果;而較復雜的數據經過量化處理，而后通過多層算法結構的行為比對，剔除有誤的標定特征，對數據再處理，最終輸出分析結果。
[0050]并且，考慮到待分析兒童的差異性，標準行為模型需要通過自適應學習來匹配待分析兒童的。通過長時間的對大數據挖掘及行為習慣的分析及發現，該模型會根據與實際模型的差距，不斷地存儲新的信息量并更新已有數據，形成更為匹配的標準行為模塊。通過不斷地進行訓練，進化及自學習，標準行為模型可以更加如實地映射出實際情況。
[0051]在本實施例中，為了更加方便地顯示兒童學習過程中的行為狀態，增加了展示兒童學習質量的學習曲線，如圖3所示。并進一步地，將最優學習曲線相關的特征量存儲于標準行為模型中。其中，學習曲線中的學習專注系數S主要由疲勞值，活躍度，眨眼頻率，行為姿態等信息經綜合評估得到。圖3所示的學習曲線，其橫坐標為時間t，縱坐標為學習專注系數S，結合生物醫學的相關理論，學習專注越高，圖中的學習專注系數S值越大。最優學習曲線1反映出兒童在學習的過程中可以保持一段較長時間的注意力，而監測學習曲線2卻表明兒童此時學習注意力難以集中。考慮到兒童個體間的差異，最優學習曲線反映的是待分析兒童的最佳狀態。[〇〇52]報告反饋模塊130,位于遠程終端側，用于根據行為處理分析模塊120分析判斷獲得的兒童的疲勞度和專注度，總結獲得行為分析報告，并根據行為分析報告對兒童做出相應的信息反饋。報告反饋模塊130分別與處理分析模塊120(判斷分析子模塊122)和信息采集模塊110通過之間通過無線通信方式進行數據傳輸。其中，本實施例中的無線通信方式包括但不限于:射頻技術、紅外技術、WIFI技術、藍牙技術和和ZigBee技術。[〇〇53]所述報告反饋模塊130是通過安裝在遠程終端上的應用軟件或者APP來實現的。其中，遠程終端包括存儲器、存儲器控制器、一個或多個處理器(CPU)、接口電路、RF(射頻)電路、音頻電路、揚聲器、麥克風、輸入/輸出(I/O)子系統、顯示屏、其他輸出或控制設備，以及外部端口。這些組件通過一條或多條通信總線或信號線進行通信。遠程終端是電子設備，包括但不限于筆記本電腦、電腦、平板電腦、智能手機、多媒體播放器、個人數字助理(PDA)等等，還可能包括其中兩項或多項的組合。應當理解，本實施例中列舉的遠程終端只是電子設備的一個實例，該設備的組件可以比圖示中給出的具有更多或更少的組件，或具有不同的組件配置。[〇〇54]報告反饋模塊130將從處理分析模塊120(判斷分析子模塊122)接收到的數據進行再處理，對待分析兒童的當前情況進行細致分析，最終形成以圖表為主，文字說明為輔的具有個人定制風格的行為分析報告反饋給終端用戶(父母或老師)。并且，如果對遠程終端平臺的功能進行進一步地擴展，則信息采集模塊110采集的原始視頻格式、和/或圖片格式的行為信息、以及音頻格式的環境信息可以同步顯示在遠程終端平臺的人機交互面板的顯示屏上。
[0055]報告反饋模塊130還會針對行為分析報告做出相應的信息反饋。該信息反饋可以是自動提醒，也可以是人為反饋。自動提醒是根據待分析兒童的狀態，直接作用于信息采集模塊110,向兒童發送信息采集模塊110內部存儲的聲、光、電或振動信息達到提醒目的。例如，在采集的實時狀態信息中，兒童已經連續學習了45分鐘，則向兒童發送信息采集模塊 110內部存儲的聲音信息“用眼達到45分鐘，需休息10分鐘”。人為反饋是遠程終端的用戶根據具體的情況，選擇發送語音，播放音樂或者發送燈光變換，模塊震動指令等方式。例如，采集到的實時狀態信息顯示兒童的眼睛并沒有專注于書本，父母或老師通過遠程語音提醒兒童“應該集中注意力學習”。反饋的信息的模式也更為靈活多樣，如視頻輸出，語音輸出，語音輸入等等。該遠程終端平臺可以是手機終端或其他可進行無線網絡連接的觸摸屏，終端用戶(父母或老師)可通過手動或者語音識別系統來對其操作。該方法簡化了系統復雜度， 進一步提尚人機交互體驗。
[0056]進一步地，如圖4所示，信息反饋的方式包括直接反饋或間接反饋:[〇〇57]直接反饋是將反饋的信息(語音、視頻或其他指令信息)通過無線網絡直接反饋回信息采集模塊110。這種反饋方式使得整個行為分析系統的數據傳輸形成一個閉環。
[0058]間接反饋是將反饋的信息(語音、視頻或其他指令信息)通過無線網絡經由處理分析模塊120反饋回信息采集模塊110。
[0059]信息采集模塊110根據接收到的指令不同，通過播放語音、視頻或者震動的方式達到提醒兒童的目的。其中，信息采集模塊110的視頻設備用于通過播放視頻或圖像的方式提醒兒童；信息采集模塊110的音頻設備用于通過播放語音的方式提醒兒童；信息采集模塊 110的振動設備用于通過振動的方式提醒兒童。
[0060]此外，為了突出本發明的創新部分，本實施例中并沒有將與解決本發明所提出的技術問題關系不太密切的模塊引入，但這并不表明本實施例中不存在其它的模塊。[0061 ] 實施例2
[0062]本實施例公開了一種用于培養兒童良好習慣的基于人工智能的行為分析方法，如圖5所示，包括:[〇〇63]步驟S10，采集待分析用戶(兒童)的實時狀態信息；
[0064]實時狀態信息包括但不限于環境信息和兒童的行為信息。行為信息包括但不限于:面部表情信息和肢體行為信息。[〇〇65]步驟S20,分析處理兒童的實時狀態信息，從而判斷兒童的精神狀態，其中，精神狀態包括但不限于疲勞度和專注度。具體包括:
[0066]檢測和提取實時狀態信息，獲取相應的特征行為信息:
[0067]鎖定實時狀態信息中的臉部區域，對面部表情，動作，人眼信息等進行切割和碎片化整理，實現對行為信息的初步提取和分類，處理獲得特征行為信息。
[0068]依據數據庫中的標準行為數據或標準行為模型對特征行為信息進行比較分析，從而判斷兒童的疲勞度和專注度:
[0069]針對兒童常見行為習慣等已有的大數據的進行處理分析和算法加載，得出標準疲勞值，活躍度，眨眼頻率，行為姿態等特征數據，進一步訓練得到標準行為模型或標準行為數據，與特征行為信息進行比對。特征行為信息在載入標準行為模型后，數據會依據特征行為信息的不同進入不同的特征域，已經過多層處理的數據經過簡單的特征比對后即可輸出分析結果;而較復雜的數據經過量化處理，而后通過多層算法結構的行為比對，剔除有誤的標定特征，對數據再處理，最終輸出分析結果。其中，標準行為模型或標準行為數據是針對兒童常見行為習慣等已有的大數據的進行處理分析和算法加載，得出標準疲勞值，活躍度， 眨眼頻率，行為姿態等特征數據，進一步訓練得到的。并且，針對不同的兒童，標準行為模型還需要通過自適應學習來匹配待分析兒童的。
[0070]步驟S30,根據判斷得到的兒童的疲勞度和專注度，總結獲得行為分析報告:
[0071]根據判斷得到的兒童的疲勞度和專注度，進行細致分析，最終形成以圖表為主，文字說明為輔的具有個人定制風格的行為分析報告以供終端用戶查詢。[〇〇72]步驟S40,根據行為分析報告對兒童做出相應的信息反饋:
[0073]根據行為分析報告，自動或人為的對兒童做出相應的信息反饋，以達到提醒或指導兒童行為的作用。
[0074]上面方法的步驟劃分，只是為了描述清楚，實現時可以合并為一個步驟或者對某些步驟進行拆分，分解為多個步驟，只要包含相同的邏輯關系，都在本專利的保護范圍內； 對算法中或者流程中添加無關緊要的修改或者引入無關緊要的設計，但不改變其算法和流程的核心設計都在該專利的保護范圍內。
[0075]并且，不難發現，本實施例為與第一實施例相對應的方法實施例，本實施例可與第一實施例互相配合實施。第一實施例中提到的相關技術細節在本實施例中依然有效，為了減少重復，這里不再贅述。相應地，本實施例中提到的相關技術細節也可應用在第一實施例中。
[0076]綜上所述，本發明的一種行為分析系統和方法，是基于人工智能與大數據分析的行為分析系統。本發明的待分析用戶主要是針對于兒童，用于培養兒童的良好學習習慣。兒童可以使用本發明在不受影響地情況下進行學習，娛樂等活動，兒童的實時狀態信息(行為信息和環境信息)被采集并上傳至云端的服務器或云處理平臺，進行行為信息的數據被進一步地分類整合，從而判斷兒童的疲勞度和專注度;并最終在遠端平臺形成完整的行為分析報告，得到全面直觀的第一手資料。根據行為分析報告，家長或老師可隨時隨地了解兒童的當前狀態信息，可對兒童行為適時提供信息反饋。并且，本發明采用的信息采集模塊集聲、光、電及震動為一體，可對采集到的信息進行預處理，在兒童側完成信息反饋功能，這種自動托管模式使得該系統更為方便與人性化。本發明旨在為兒童的學習習慣提供一種遠程養成矯正系統，通過家長的引導教育，矯正孩子不良的學習習慣，提高孩子的學習專注力與自主學習能力，最終實現兒童的良好習性養成。所以，本發明有效克服了現有技術中的種種缺點而具高度產業利用價值。[〇〇77]上述實施例僅例示性說明本發明的原理及其功效，而非用于限制本發明。任何熟悉此技術的人士皆可在不違背本發明的精神及范疇下，對上述實施例進行修飾或改變。因此，舉凡所屬技術領域中具有通常知識者在未脫離本發明所揭示的精神與技術思想下所完成的一切等效修飾或改變，仍應由本發明的權利要求所涵蓋。
【主權項】
1.一種基于人工智能的行為分析系統，其特征在于，包括: 信息采集模塊，用于采集待分析用戶的實時狀態信息； 行為處理分析模塊，用于對所述實時狀態信息進行分析處理，從而判斷所述待分析用戶的精神狀態。2.根據權利要求1所述的基于人工智能的行為分析系統，其特征在于: 所述實時狀態信息包括:行為信息和環境信息;其中，所述行為信息包括面部表情信息和肢體行為信息； 所述待分析用戶的精神狀態包括:疲勞度和專注度。3.根據權利要求2所述的基于人工智能的行為分析系統，其特征在于:所述信息采集模塊包括視頻設備和音頻設備，其中，所述視頻設備用于采集所述待分析用戶的視頻格式和/或圖片格式的實時的所述行為信息;所述音頻設備用于采集所述待分析用戶所處環境的音頻格式的所述環境信息。4.根據權利要求2所述的基于人工智能的行為分析系統，其特征在于:所述處理分析模塊包括預處理子模塊和判斷分析子模塊； 所述預處理子模塊，用于對視頻格式和/或圖像格式的所述行為信息進行檢測和提取處理，獲取特征行為信息； 所述判斷分析子模塊，用于根據所述預處理子模塊處理獲得的所述特征行為信息，與標準行為模型進行比較分析，從而判斷出所述待分析用戶的疲勞度和專注度。5.根據權利要求4所述的基于人工智能的行為分析系統，其特征在于:所述標準行為模型對于不同的所述待分析用戶是不同的，其是對所述待分析用戶的長期的行為信息進行自適應匹配而形成的。6.根據權利要求4所述的基于人工智能的行為分析系統，其特征在于:所述特征行為信息包括眼部信息、肌肉動作和唇部表情。7.根據權利要求4所述的基于人工智能的行為分析系統，其特征在于: 所述信息采集模塊和所述預處理子模塊位于所述待分析用戶側，所述判斷分析子模塊位于云端;所述預處理子模塊與所述判斷分析子模塊之間通過無線通信方式進行數據傳輸； 或，所述預處理子模塊和所述判斷分析子模塊同位于云端，所述信息采集模塊與所述預處理子模塊之間通過無線通信方式進行數據傳輸。8.根據權利要求1所述的基于人工智能的行為分析系統，其特征在于:所述行為分析系統還包括分別與所述行為處理分析模塊和所述信息采集模塊通過無線網絡連接的報告反饋模塊，所述報告反饋模塊用于根據所述行為處理分析模塊分析判斷獲得的所述待分析用戶的精神狀態，總結獲得行為分析報告，并根據所述行為分析報告對所述待分析用戶做出相應的信息反饋。9.根據權利要求8所述的基于人工智能的行為分析系統，其特征在于:所述信息反饋的方式包括:直接反饋和間接反饋;其中， 所述直接反饋包括:將反饋的信息通過無線網絡直接發送至所述信息采集模塊； 所述間接反饋包括:將反饋的信息通過無線網絡經由所述行為處理分析模塊間接反饋至所述信息采集模塊。10.根據權利要求9所述的基于人工智能的行為分析系統，其特征在于:所述信息采集模塊的所述視頻設備用于通過播放視頻或圖像的方式提醒所述待分析 用戶；所述信息采集模塊的所述音頻設備用于通過播放語音的方式提醒所述待分析用戶；所述信息采集模塊還包括用于通過振動的方式提醒所述待分析用戶的振動提示設備。11.一種基于人工智能的行為分析方法，其特征在于:包括:采集待分析用戶的實時狀態信息；分析處理所述待分析用戶的所述實時狀態信息，從而判斷所述待分析用戶的精神狀〇12.根據權利要求11所述的基于人工智能的行為分析方法，其特征在于:所述實時狀態信息包括:行為信息和環境信息;其中，所述行為信息包括面部表情信息 和肢體行為信息；所述待分析用戶的精神狀態包括疲勞度和專注度。13.根據權利要求12所述的基于人工智能的行為分析方法，其特征在于:所述分析處理 所述待分析用戶的所述實時狀態信息，從而判斷所述待分析用戶的疲勞度和專注度的步驟 包括:對所述行為信息進行檢測和提取處理，獲取特征行為信息；將所述特征行為信息與標準行為模型進行比較分析，從而判斷出所述待分析用戶的疲 勞度和專注度;其中，所述標準行為模型是對所述待分析用戶的長期的行為信息的自適應 匹配而形成的。14.根據權利要求11所述的基于人工智能的行為分析方法，其特征在于:所述行為分析 方法還包括:根據判斷得到的所述待分析用戶的精神狀態，總結獲得行為分析報告;并根據 所述行為分析報告對所述待分析用戶做出相應的信息反饋。
【文檔編號】G06F19/00GK106055894SQ201610370289
【公開日】2016年10月26日
【申請日】2016年5月30日
【發明人】陳文濤
【申請人】上海芯來電子科技有限公司