(19)國家知識產權局(71)申請人浙江大學路866號(74)專利代理機構北京啟坤知識產權代理有限公司11655A61B5/16(2006.01)A61B5/00(2006.01)情緒監(jiān)測模型生成方法、情緒監(jiān)測方法及情緒干預方法本申請?zhí)峁┝艘环N情緒監(jiān)測模型生成方法、情緒監(jiān)測方法及情緒干預方法，該情緒監(jiān)測模型生成方法包括響應于情緒監(jiān)測模型生成請求，獲取多個用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，第一特征數(shù)據(jù)包括生理特征數(shù)據(jù)和環(huán)境特征數(shù)據(jù)；基于第一特征數(shù)據(jù)的生理特征數(shù)據(jù)確定初始模態(tài)特征數(shù)據(jù)；基于第一特征數(shù)據(jù)的環(huán)境特征數(shù)據(jù)對初始模態(tài)特征數(shù)據(jù)進行修正確定修正后模態(tài)特征數(shù)據(jù)，并基于修正后模態(tài)特征數(shù)據(jù)和第二特征數(shù)據(jù)確定關聯(lián)數(shù)據(jù)集；基于多個用戶的關聯(lián)數(shù)據(jù)集訓練預構建的初始情緒監(jiān)測模型，直至初始情緒監(jiān)測模型滿足預設要求，確定通用情緒監(jiān)測模型；解決現(xiàn)有技術中存在的情緒監(jiān)測準確度、響應于情緒監(jiān)測模型生成請求，獲取多個用戶的第一特征數(shù)據(jù)和第二基于所述第一特征數(shù)據(jù)的環(huán)境特征數(shù)據(jù)對所述初修正確定修正后模態(tài)特征數(shù)據(jù)，并基于所述修正后基于多個用戶的所述關聯(lián)數(shù)據(jù)集訓練預構建的初2響應于情緒監(jiān)測模型生成請求，獲取多個用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，第一特征數(shù)據(jù)包括生理特征數(shù)據(jù)和環(huán)境特征數(shù)據(jù)；基于所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)確定初始模態(tài)特征數(shù)據(jù)；基于所述第一特征數(shù)據(jù)的環(huán)境特征數(shù)據(jù)對所述初始模態(tài)特征數(shù)據(jù)進行修正確定修正后模態(tài)特征數(shù)據(jù)，并基于所述修正后模態(tài)特征數(shù)據(jù)和所述第二特征數(shù)據(jù)確定關聯(lián)數(shù)據(jù)集；基于多個用戶的所述關聯(lián)數(shù)據(jù)集訓練預構建的初始情緒監(jiān)測模型，直至所述初始情緒監(jiān)測模型滿足預設要求，確定通用情緒監(jiān)測模型。2.根據(jù)權利要求1所述的情緒監(jiān)測模型生成方法，其特征在于，所述第一特征數(shù)據(jù)還包括電子設備使用數(shù)據(jù)；當?shù)谝惶卣鲾?shù)據(jù)包括所述電子設備使用數(shù)據(jù)時，所述方法還包括：基于所述電子設備使用數(shù)據(jù)對所述修正后的模態(tài)特征數(shù)據(jù)進行補充，獲取補充后的所述修正后模態(tài)特征數(shù)據(jù)。3.根據(jù)權利要求1或2所述的情緒監(jiān)測模型生成方法，其特征在于，所述獲取多個用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，包括：獲取多個用戶的第一特征數(shù)據(jù)，并在預設時長內提醒多個用戶進行情緒自評和/或在預設時長內對多個用戶進行情緒他評，獲取多個用戶的第二特征數(shù)據(jù)，所述第二特征數(shù)據(jù)包括情緒狀態(tài)類型和情緒狀態(tài)強度。4.根據(jù)權利要求3所述的情緒監(jiān)測模型生成方法，其特征在于，所述方法還包括：響應于個體化情緒監(jiān)測模型生成請求，獲取單個用戶的關聯(lián)數(shù)據(jù)集；基于單個用戶的關聯(lián)數(shù)據(jù)集構建所述單個用戶的縱向關聯(lián)數(shù)據(jù)集；基于所述縱向關聯(lián)數(shù)據(jù)集，按照預設的優(yōu)化算法對所述通用情緒監(jiān)測模型進行優(yōu)化直至所述通用情緒監(jiān)測模型符合預設要求，確定個體化情緒監(jiān)測模型；其中，所述預設的優(yōu)化算法包括如梯度下降法、Adam優(yōu)化算法、學習率衰減策略、權重衰減法和批量歸一化中的至少一項。5.根據(jù)權利要求4所述的情緒監(jiān)測模型生成方法，其特征在于，基于所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)確定初始模態(tài)特征數(shù)據(jù)，所述方法還包括：獲取所述第二特征數(shù)據(jù)和所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)的模態(tài)特征；基于所述第二特征數(shù)據(jù)和所述模態(tài)特征確定相似度；基于所述相似度確定任一所述模態(tài)特征的權重；基于任一所述模態(tài)特征及其權重確定初始模態(tài)特征數(shù)據(jù)。6.根據(jù)權利要求5所述的情緒監(jiān)測模型生成方法，其特征在于，響應于情緒監(jiān)測模型生成請求，獲取用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)時，所述方法還包括：響應于情緒監(jiān)測模型生成請求，獲取用戶的生理數(shù)據(jù)信息、環(huán)境數(shù)據(jù)信息和電子設備使用數(shù)據(jù)信息；按照預設的數(shù)據(jù)處理規(guī)則對所述生理數(shù)據(jù)信息、所述環(huán)境數(shù)據(jù)信息和所述電子設備使用數(shù)據(jù)信息進行處理，獲取生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和電子設備使用特征數(shù)據(jù)；其中，所述預設的數(shù)據(jù)處理規(guī)則包括數(shù)據(jù)信息審查、數(shù)據(jù)信息降采樣、數(shù)據(jù)信息降噪、缺失數(shù)據(jù)信息補齊、數(shù)據(jù)信息對齊同步、數(shù)據(jù)信息歸一化和數(shù)據(jù)信息矯正中的一項或多項3直至所述生理數(shù)據(jù)信息、所述環(huán)境數(shù)據(jù)信息和所述電子設備使用數(shù)據(jù)信息滿足預設要求。7.根據(jù)權利要求4～6任一項所述的情緒監(jiān)測模型生成方法，其特征在于，所述生理特液成分中的一項或多項；所述環(huán)境特征數(shù)據(jù)包括地理位置信息、行動軌跡數(shù)據(jù)、光照數(shù)據(jù)、氣候數(shù)據(jù)、環(huán)境的空所述電子設備使用特征數(shù)據(jù)包括電子設備使用一般特征數(shù)據(jù)和電子設備應用使用特征數(shù)據(jù)；所述電子設備使用一般特征數(shù)據(jù)包括電子設備的使用時長、時段和頻次中的一項或多項；所述電子設備應用使用特征數(shù)據(jù)包括電子設備軟件應用的使用類型、使用時長、時段和頻次中的一項或多項。8.根據(jù)權利要求7所述的情緒監(jiān)測模型生成方法，其特征在于，預構建的所述初始情緒監(jiān)測模型包括：深度學習子模型和多任務學習子模型；所述深度學習子模型包括長短期記憶網絡、卷積神經網絡、圖卷積網絡、CNN-LSTM混合結構和多模態(tài)Transformer架構中的一個或多個；所述多任務學習子模型包括跨個人活動LSTM多任務自動編碼器、分指標多任務網絡和個性化多任務網絡中的一個或多個。9.一種情緒監(jiān)測方法，其特征在于，所述情緒響應于情緒監(jiān)測請求，獲取用戶的多模態(tài)特征數(shù)據(jù)，所述多模態(tài)特征數(shù)據(jù)包括生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和電子設備使用特征數(shù)據(jù)；將所述多模態(tài)特征數(shù)據(jù)輸入至所述個體化情緒監(jiān)測模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；其中，所述個體化情緒監(jiān)測模型基于如權利要求4～8任一項所述的情緒監(jiān)測模型生成方法生成。10.根據(jù)權利要求9所述的情緒監(jiān)測方法，其特征在于，將所述多模態(tài)特征數(shù)據(jù)輸入至所述個體化情緒監(jiān)測模型后，獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度前，所述方法還包括：基于蒙特卡洛Dropout輸出置信區(qū)間確定所述個體化情緒監(jiān)測模型的量化值；當所述量化值低于預設值時，則觸發(fā)動態(tài)生態(tài)瞬時評估驗證以優(yōu)化所述個體化情緒監(jiān)測模型。11.根據(jù)權利要求9或10所述的情緒監(jiān)測方法，其特征在于，獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度前，所述方法還包括：基于所述用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，獲取所述個體化情緒監(jiān)測模型的量化當所述量化值低于預設值時，則獲取用戶在預設時間段內的多模態(tài)特征數(shù)據(jù)；基于所述多模態(tài)特征數(shù)據(jù)對所述個體化情緒監(jiān)測模型進行迭代訓練直至所述量化值不低于所述預設值，更新所述個體化情緒監(jiān)測模型。12.根據(jù)權利要求11所述的情緒監(jiān)測方法，其特征在于，所述方法還包括：將所述多模態(tài)特征數(shù)據(jù)緩存至存儲空間，按照預設時間從存儲空間獲取所述多模態(tài)特4征數(shù)據(jù)并輸入至所述個體化情緒監(jiān)測模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強將所述多模態(tài)特征數(shù)據(jù)實時發(fā)送至所述個體化情緒監(jiān)測模型，所述個體化情緒監(jiān)測模型按照預設時間反饋所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度。13.一種情緒干預方法，其特征在于，所述方法以用于對用戶的負面的情緒狀態(tài)類型進行干預，所述負面的情緒狀態(tài)類型基于權利要求9~12任一項所述的情緒監(jiān)測方法監(jiān)測得按照預設時間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；當監(jiān)測到用戶的情緒狀態(tài)類型為負面時，實時輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強度至預訓練的情緒干預模型，以生成情緒干預方案；基于所述情緒干預方案對用戶的情緒狀態(tài)進行干預。14.根據(jù)權利要求13所述的情緒干預方法，其特征在于，所述方法還包括：當監(jiān)測到用戶的情緒類型為負面時，實時輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強度至預訓練的情緒干預模型，生成初始情緒干預方案；基于所述用戶獲取對應所述情緒狀態(tài)類型和情緒狀態(tài)強度，獲取歷史情緒干預方案；基于所述歷史情緒干預方案和當前情緒狀態(tài)類型和情緒狀態(tài)強度對所述初始情緒干預方案進行修正，以生成情緒干預方案。15.根據(jù)權利要求14所述的情緒干預方法，其特征在于，所述方法還包括：基于所述情緒干預方案對用戶的情緒狀態(tài)進行干預后，獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；當所述用戶的情緒狀態(tài)類型為正面，和/或，情緒狀態(tài)強度變弱時，則基于所述情緒干預方案對所述情緒干預模型進行迭代，更新所述情緒干預模型。16.根據(jù)權利要求15所述的情緒干預方法，其特征在于，所述實時輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強度至預訓練的情緒干預模型，以生成情緒干預方法，包括：根據(jù)所述情緒狀態(tài)類型生成情緒干預內容；基于所述情緒狀態(tài)強度生成情緒干預頻次；基于所述情緒干預內容和所述情緒干預頻次，生成情緒干預方案。電子設備，以用于響應于情緒監(jiān)測模型生成請求，獲取多個用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，第一特征數(shù)據(jù)包括生理特征數(shù)據(jù)和環(huán)境特征數(shù)據(jù)；數(shù)據(jù)處理單元，以用于基于所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)確定初始模態(tài)特征數(shù)據(jù)；還用于基于所述第一特征數(shù)據(jù)的環(huán)境特征數(shù)據(jù)對所述初始模態(tài)特征數(shù)據(jù)進行修正確定模態(tài)特征數(shù)據(jù)，并基于所述模態(tài)特征數(shù)據(jù)和所述第二特征數(shù)據(jù)確定關聯(lián)數(shù)據(jù)集；模型生成單元，以用于基于所述關聯(lián)數(shù)據(jù)集訓練預構建的初始情緒監(jiān)測模型直至所述初始情緒監(jiān)測模型滿足預設要求，確定通用情緒監(jiān)測模型。電子設備，以用于響應于情緒監(jiān)測請求，獲取用戶的多模態(tài)特征數(shù)據(jù)，所述多模態(tài)特征數(shù)據(jù)包括生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和電子設備使用特征數(shù)據(jù)；5獲取單元，以用于將所述多模態(tài)特征數(shù)據(jù)輸入至所述個體化情緒監(jiān)測模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；19.一種情緒干預系統(tǒng)，其特征在于，所述系統(tǒng)包括：獲取單元，以用于按照預設時間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；干預方案生成單元，以用于當監(jiān)測到用戶的情緒狀態(tài)類型為負面時，實時輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強度至預訓練的情緒干預模型，以生成情緒干預方案；干預方案執(zhí)行單元，以用于基于所述情緒干預方案對用戶的情緒狀態(tài)進行干預；其中，所述情緒狀態(tài)類型和情緒狀態(tài)強度基于如權利要求18所述的情緒監(jiān)測系統(tǒng)監(jiān)測得到。20.一種電子裝置系統(tǒng)，所述電子裝置系統(tǒng)包括：至少一個處理器；以及與所述至少一個處理器通信連接的存儲器；其特征在于，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行權利要求1至16中任一項所述的方法。22.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權利要求1至16中任一項所述的方法。6情緒監(jiān)測模型生成方法、情緒監(jiān)測方法及情緒干預方法技術領域[0001]本申請涉及心理測評與心理健康技術領域，尤其涉及一種情緒監(jiān)測模型生成方法、情緒監(jiān)測方法及情緒干預方法。背景技術[0002]本部分旨在為權利要求書中陳述的本申請的實施方式提供背景或上下文。此處的描述不因為包括在本部分中就被認為是現(xiàn)有技術。[0003]情緒狀態(tài)評估可了解個體情緒狀況，為心理干預、健康管理等提供依據(jù)，現(xiàn)行的情緒狀態(tài)的評估和干預長期以來依賴于傳統(tǒng)的主觀評價方法，如量表和問卷。這些工具主要通過個體自我報告的形式收集數(shù)據(jù)，旨在量化個人的情緒體驗。然而，隨著技術的發(fā)展，特別是傳感器技術和機器學習的進步，開始出現(xiàn)利用生理信號(如腦電、近紅外)、行為指標(如面部表情、語音、眼動)等進行更客觀的情緒狀態(tài)評估的方法。這些新興技術試圖通過捕捉非侵入性的生物標志物來提供更加客觀、連續(xù)且動態(tài)的情緒狀態(tài)評估。[0004]盡管上述技術為情緒狀態(tài)的測評帶來了不同的視角，但它們各自存在明顯的局限性；一方面，傳統(tǒng)采用量表和問卷的主觀評價方法依賴于用戶個體的自我感知和報告，這使得測評結果極易受到個人情緒認知偏差的影響，存在主觀性較高的問題，導致測評的準確性較低；另一方面，基于生物信號和技術的測評方法存在數(shù)據(jù)連續(xù)性和動態(tài)性缺乏的問題，雖然使用腦電、近紅外、面部表情、語音、眼動等信息進行情緒測評能夠提供比傳統(tǒng)方法更為客觀的數(shù)據(jù)，但這類方法往往難以實現(xiàn)真正的連續(xù)監(jiān)測，這意味著它們無法全面反映情緒狀態(tài)隨時間的變化情況，從而限制了對情緒狀態(tài)的動態(tài)變化分析和個體化理解能力；再一方面，上述方法存在穩(wěn)定性和適用性不足的問題，由于上述原因，基于這些技術的情緒測評結果可能不夠穩(wěn)定，難以廣泛適用于不同用戶在不同場景下的情緒評估需求。[0005]基于此，亟需提出一種能夠解決上述技術問題的情緒監(jiān)測模型生成方法、情緒監(jiān)測方法和情緒干預方法。發(fā)明內容[0006]本申請的多個方面提供一種情緒監(jiān)測模型生成方法、情緒監(jiān)測方法和情緒干預方法，以用于解決現(xiàn)有技術中存在情緒監(jiān)測準確度不高、動態(tài)性不強和個體化程度不高及情緒干預不及時、干預策略個性化程度不高的技術弊端。[0007]本申請的一方面，提供一種情緒監(jiān)測模型生成方法，所述方法包括：響應于情緒監(jiān)測模型生成請求，獲取多個用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，第一特征數(shù)據(jù)包括生理特征數(shù)據(jù)和環(huán)境特征數(shù)據(jù)；基于所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)確定初始模態(tài)特征數(shù)據(jù)；基于所述第一特征數(shù)據(jù)的環(huán)境特征數(shù)據(jù)對所述初始模態(tài)特征數(shù)據(jù)進行修正確定修正后模態(tài)特征數(shù)據(jù)，并基于所述修正后模態(tài)特征數(shù)據(jù)和所述第二特征數(shù)據(jù)確定關聯(lián)數(shù)據(jù)7基于多個用戶的所述關聯(lián)數(shù)據(jù)集訓練預構建的初始情緒監(jiān)測模型，直至所述初始情緒監(jiān)測模型滿足預設要求，確定通用情緒監(jiān)測模型。[0008]進一步地，所述第一特征數(shù)據(jù)還包括電子設備使用數(shù)據(jù)；當?shù)谝惶卣鲾?shù)據(jù)包括所述電子設備使用數(shù)據(jù)時，所述方法還包括：基于所述電子設備使用數(shù)據(jù)對所述修正后的模態(tài)特征數(shù)據(jù)進行補充，獲取補充后的所述修正后模態(tài)特征數(shù)據(jù)。[0009]進一步地，所述獲取多個用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，包括：獲取多個用戶的第一特征數(shù)據(jù)，并在預設時長內提醒多個用戶進行情緒自評和/或在預設時長內對多個用戶進行情緒他評，獲取多個用戶的第二特征數(shù)據(jù)，所述第二特征數(shù)據(jù)包括情緒狀態(tài)類型和情緒狀態(tài)強度。[0010]進一步地，所述方法還包括：響應于個體化情緒監(jiān)測模型生成請求，獲取單個用戶的關聯(lián)數(shù)據(jù)集；基于單個用戶的關聯(lián)數(shù)據(jù)集構建所述單個用戶的縱向關聯(lián)數(shù)據(jù)集；基于所述縱向關聯(lián)數(shù)據(jù)集，按照預設的優(yōu)化算法對所述通用情緒監(jiān)測模型進行優(yōu)化直至所述通用情緒監(jiān)測模型符合預設要求，確定個體化情緒監(jiān)測模型；其中，所述預設的優(yōu)化算法包括如[0011]進一步地，基于所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)確定初始模態(tài)特征數(shù)據(jù)，所述方法還包括：獲取所述第二特征數(shù)據(jù)和所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)的模態(tài)特征；基于所述第二特征數(shù)據(jù)和所述模態(tài)特征確定相似度；基于所述相似度確定任一所述模態(tài)特征的權重；基于任一所述模態(tài)特征及其權重確定初始模態(tài)特征數(shù)據(jù)。[0012]進一步地，響應于情緒監(jiān)測模型生成請求，獲取用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)時，所述方法還包括：響應于情緒監(jiān)測模型生成請求，獲取用戶的生理數(shù)據(jù)信息、環(huán)境數(shù)據(jù)信息和電子設備使用數(shù)據(jù)信息；按照預設的數(shù)據(jù)處理規(guī)則對所述生理數(shù)據(jù)信息、所述環(huán)境數(shù)據(jù)信息和所述電子設備使用數(shù)據(jù)信息進行處理，獲取生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和電子設備使用特征數(shù)據(jù)；其中，所述預設的數(shù)據(jù)處理規(guī)則包括數(shù)據(jù)信息審查、數(shù)據(jù)信息降采樣、數(shù)據(jù)信息降噪、缺失數(shù)據(jù)信息補齊、數(shù)據(jù)信息對齊同步、數(shù)據(jù)信息歸一化和數(shù)據(jù)信息矯正中的一項或多項直至所述生理數(shù)據(jù)信息、所述環(huán)境數(shù)據(jù)信息和所述電子設備使用數(shù)據(jù)信息滿足預設要求。率、肺功能、女性健康數(shù)據(jù)和汗液成分中的一項或多項；所述環(huán)境特征數(shù)據(jù)包括地理位置信紫外線暴露數(shù)據(jù)中的一項或多項；所述電子設備使用特征數(shù)據(jù)包括電子設備使用一般特征數(shù)據(jù)和電子設備應用使用特征數(shù)據(jù)，所述電子設備使用一般特征數(shù)據(jù)包括電子設備的使用時長、時段和頻次中的一項或多項；所述電子設備應用使用特征數(shù)據(jù)包括電子設備軟件應用的使用類型、使用時長、時段和頻次中的一項或多項。[0014]進一步地，預構建的所述初始情緒監(jiān)測模型包括：深度學習子模型和多任務學習子模型；所述深度學習子模型包括長短期記憶網絡、卷積神經網絡、圖卷積網絡、CNN-LSTM混合結構和多模態(tài)Transformer架構中的一個或多個；所述多任務學習子模型包括跨個人活動LSTM多任務自動編碼器、分指標多任務網絡和個性化多任務網絡中的一個或多個。8響應于情緒監(jiān)測請求，獲取用戶的多模態(tài)特征數(shù)據(jù)，所述多模態(tài)特征數(shù)據(jù)包括生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和電子設備使用特征數(shù)據(jù)；將所述多模態(tài)特征數(shù)據(jù)輸入至所述個體化情緒監(jiān)測模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；其中，所述個體化情緒監(jiān)測模型基于如上所述的情緒監(jiān)測模型生成方法生成。[0016]進一步地，將所述多模態(tài)特征數(shù)據(jù)輸入至所述個體化情緒監(jiān)測模型后，獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度前，所述方法還包括：基于蒙特卡洛Dropout輸出置信區(qū)間確定所述個體化情緒監(jiān)測模型的量化值；當所述量化值低于預設值時，則觸發(fā)動態(tài)生態(tài)瞬時評估驗證以優(yōu)化所述個體化情緒監(jiān)測模型。[0017]進一步地，獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度前，所述方法還包括：基于所述用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，獲取所述個體化情緒監(jiān)測模型的量化值；當所述量化值低于預設值時，則獲取用戶在預設時間段內的多模態(tài)特征數(shù)據(jù)；基于所述多模態(tài)特征數(shù)據(jù)對所述個體化情緒監(jiān)測模型進行迭代訓練直至所述量化值不低于所述預設值，更新所述個體化情緒監(jiān)測模型。[0018]進一步地，所述方法還包括：將所述多模態(tài)特征數(shù)據(jù)緩存至存儲空間，按照預設時間從存儲空間獲取所述多模態(tài)特征數(shù)據(jù)并輸入至所述個體化情緒監(jiān)測模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；和/或，將所述多模態(tài)特征數(shù)據(jù)實時發(fā)送至所述個體化情緒監(jiān)測模型，所述個體化情緒監(jiān)測模型按照預設時間反饋所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度。[0019]本申請的再一方面，還提供一種情緒干預方法，所述方法用于對用戶的負面情緒狀態(tài)類型進行干預，所述負面的情緒狀態(tài)類型基于如上所述的情緒監(jiān)測方法監(jiān)測得到，所述方法包括：按照預設時間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；當監(jiān)測到用戶的情緒狀態(tài)類型為負面時，實時輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強度至預訓練的情緒干預模型，以生成情緒干預方案；基于所述情緒干預方案對用戶的情緒狀態(tài)進行干預。[0020]進一步地，所述方法還包括：當監(jiān)測到用戶的情緒類型為負面時，實時輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強度至預訓練的情緒干預模型，生成初始情緒干預方案；基于所述用戶獲取對應所述情緒狀態(tài)類型和情緒狀態(tài)強度，獲取歷史情緒干預方案；基于所述歷史情緒干預方案和當前情緒狀態(tài)類型和情緒狀態(tài)強度對所述初始情緒干預方案進行修[0021]進一步地，所述方法還包括：基于所述情緒干預方案對用戶的情緒狀態(tài)進行干預后，獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；當所述用戶的情緒狀態(tài)類型為正面，和/或，情緒狀態(tài)強度變弱時，則基于所述情緒干預方案對所述情緒干預模型進行迭代，更新所述情緒干預模型。[0022]進一步地，所述實時輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強度至預訓練的情緒干預模型，以生成情緒干預方法，包括：根據(jù)所述情緒狀態(tài)類型生成情緒干預內容；基于所述情緒狀態(tài)強度生成情緒干預頻次；基于所述情緒干預內容和所述情緒干預頻次，生成情緒干預方案。9電子設備，以用于響應于情緒監(jiān)測模型生成請求，獲取多個用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，第一特征數(shù)據(jù)包括生理特征數(shù)據(jù)和環(huán)境特征數(shù)據(jù)；數(shù)據(jù)處理單元，以用于基于所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)確定初始模態(tài)特征數(shù)據(jù)；還用于基于所述第一特征數(shù)據(jù)的環(huán)境特征數(shù)據(jù)對所述初始模態(tài)特征數(shù)據(jù)進行修正確定模態(tài)特征數(shù)據(jù)，并基于所述模態(tài)特征數(shù)據(jù)和所述第二特征數(shù)據(jù)確定關聯(lián)數(shù)據(jù)集；模型生成單元，以用于基于所述關聯(lián)數(shù)據(jù)集訓練預構建的初始情緒監(jiān)測模型直至所述初始情緒監(jiān)測模型滿足預設要求，確定通用情緒監(jiān)測模型。電子設備，以用于響應于情緒監(jiān)測請求，獲取用戶的多模態(tài)特征數(shù)據(jù)，所述多模態(tài)特征數(shù)據(jù)包括生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和電子設備使用特征數(shù)據(jù)；獲取單元，以用于將所述多模態(tài)特征數(shù)據(jù)輸入至所述個體化情緒監(jiān)測模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；其中，所述個體化情緒監(jiān)測模型基于如上所述的情緒監(jiān)測模型生成系統(tǒng)生成。[0025]本申請的再一方面，提供了一種情緒干預系統(tǒng)，所述系統(tǒng)包括：獲取單元，以用于按照預設時間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；干預方案生成單元，以用于當監(jiān)測到用戶的情緒狀態(tài)類型為負面時，實時輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強度至預訓練的情緒干預模型，以生成情緒干預方案；干預方案執(zhí)行單元，以用于基于所述情緒干預方案對用戶的情緒狀態(tài)進行干預；其中，所述情緒狀態(tài)基于如上所述的情緒監(jiān)測系統(tǒng)監(jiān)測得到。[0026]本申請的再一方面，提供了一種電子裝置系統(tǒng)，所述電子裝置系統(tǒng)包括：與所述至少一個處理器通信連接的存儲器；所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行如上所述的方法。[0027]本申請的再一方面，提供了一種計算機可讀介質，其上存儲有計算機程序指令，所述計算機程序指令可被處理器執(zhí)行以實現(xiàn)如上所述的方法。[0028]本申請的再一方面，提供了一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上所述的方法。[0029]本申請?zhí)岢隽艘环N情緒監(jiān)測模型生成方法，該方法包括：響應于情緒監(jiān)測模型生成請求，獲取用戶的特征數(shù)據(jù)，所述特征數(shù)據(jù)包括第一特征數(shù)據(jù)和第二特征數(shù)據(jù)；基于所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)確定初始模態(tài)特征數(shù)據(jù)；基于所述第一特征數(shù)據(jù)的環(huán)境特征數(shù)據(jù)對所述初始模態(tài)特征數(shù)據(jù)進行修正確定模態(tài)特征數(shù)據(jù)，并基于所述模態(tài)特征數(shù)據(jù)和所述第二特征數(shù)據(jù)確定關聯(lián)數(shù)據(jù)集；基于所述關聯(lián)數(shù)據(jù)集訓練預構建的初始情緒監(jiān)測模型直至所述初始情緒監(jiān)測模型滿足預設要求，確定通用情緒監(jiān)測模型；基于如上所述的情緒監(jiān)測模型生成方法具有如下有益效果：一方面，本申請?zhí)岢龅幕谇榫w監(jiān)測模型生成方法生成的情緒監(jiān)測模型不僅能夠識別用戶的情緒狀態(tài)還能夠確定用戶的情緒狀態(tài)的情緒強度；另一方面，在對情緒監(jiān)測模型進行訓練、生成的過程中，本申請考慮到了環(huán)境特征數(shù)據(jù)對用戶的生理特征數(shù)據(jù)的影響，即考慮到了兩者之間的關聯(lián)性，使得生成的情緒監(jiān)測模型的情緒狀態(tài)的預測的準確性更高；再一方面，在對情緒監(jiān)測模型進行訓練的過程中，本申請創(chuàng)造性的提出了分別基于實驗室場景和生態(tài)化場景獲取用戶的特征數(shù)據(jù)，基于兩種不同場景的數(shù)據(jù)的互補性，顯著提升了模型的性能和適用性；另一方面，在對初始情緒監(jiān)測模型進行訓練的過程中，預獲取的用戶的特征數(shù)據(jù)均通過電子設備采集，其一是提高了用戶的情緒狀態(tài)的及時性和實時性，其二是簡化了情緒監(jiān)測的復雜性；其中，本申請所述的情緒監(jiān)測模型包括通用情緒監(jiān)測模型和/或個體化情緒監(jiān)測模型。[0030]具體地，本申請所述的情緒監(jiān)測模型生成方法還包括：響應于個體化情緒監(jiān)測模型生成請求，獲取單個用戶的關聯(lián)數(shù)據(jù)集；基于單個用戶的關聯(lián)數(shù)據(jù)集構建所述單個用戶的縱向關聯(lián)數(shù)據(jù)集；基于所述縱向關聯(lián)數(shù)據(jù)集，按照預設的優(yōu)化算法對所述通用情緒監(jiān)測模型進行優(yōu)化直至所述通用情緒監(jiān)測模型符合預設要求，確定個體化情緒監(jiān)測模型；其中，所述預設的優(yōu)化算法包括如梯度下降法、Adam優(yōu)化算法、學習率衰減策略、權重衰減法和批量歸一化中的至少一項?；趩蝹€用戶的關聯(lián)數(shù)據(jù)集構建單個用戶的縱向關聯(lián)數(shù)據(jù)集進而對通用情緒監(jiān)測模型進行優(yōu)化直至其符合預設要求后，確定個體化情緒監(jiān)測模型，以使得確定的個體化情緒監(jiān)測模型能夠高效地識別單個用戶的個體化差異和適配個體用戶的個體化特征，進而更好地監(jiān)測單個用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；也就是說，基于本申請確定的個體化情緒監(jiān)測模型可以根據(jù)單個用戶的個體化特征準確、高效地獲取單個用戶的情緒狀態(tài)類型和情緒狀態(tài)強度，以更好地實現(xiàn)個體化情緒監(jiān)測的目的。[0031]本申請還提出了一種情緒干預方法，該方法包括：按照預設時間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；當監(jiān)測到用戶的情緒狀態(tài)類型為負面時，實時輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強度至預訓練的情緒干預模型，以生成情緒干預方案；基于所述情緒干預方案對用戶的情緒狀態(tài)進行干預?；谌缟纤龅那榫w干預方法具有以下有益效果：一方面，基于本申請所述的情緒干預方法對用戶的情緒狀態(tài)進行個性化干預，確保了情緒干預的效果；另一方面，通過電子設備及時獲取用戶的情緒狀態(tài)后在通過電子設備對用戶的情緒狀態(tài)進行實時干預，提高了情緒干預的時效性；再一方面，通過對用戶的情緒狀態(tài)的追蹤式監(jiān)測，有助于避免輕微的情緒問題演變?yōu)閲乐氐恼系K，同時根據(jù)用戶的個體特征形成個性化的情緒干預方案能夠有效促進用戶的身心健康；又一方面，傳統(tǒng)的情緒干預往往需要專業(yè)心理咨詢師或治療師的參與，而基于大模型的個性化干預方案可以在很大程度上自動化這一過程，減少了對人力資源的依賴，降低了成本；再一方面，在線平臺和移動應用使得情緒干預服務不再受限于地理位置，讓更多的用戶能夠方便地獲得必要的幫助和支持。附圖說明[0032]為了更清楚地說明本申請實施例中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本申請的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其它的附圖。[0033]通過閱讀參照以下附圖所作的對非限制性實施例所作的詳細描述，本申請的其它圖1為本申請一實施例提供的情緒監(jiān)測模型生成方法的流程示意圖；11圖2為本申請另一實施例提供的情緒監(jiān)測方法的流程示意圖；圖3為本申請又一實施例提供的情緒干預方法的結構示意圖；圖4為本申請再一實施例提供的情緒監(jiān)測模型生成系統(tǒng)的結構示意圖；圖5為本申請再一實施例提供的情緒監(jiān)測系統(tǒng)的結構示意圖；圖6為本申請再一實施例提供的情緒干預系統(tǒng)的結構示意圖；圖7為適用于實現(xiàn)本申請實施例中的方案的一種電子裝置系統(tǒng)的結構示意圖；附圖中相同或相似的附圖標記代表相同或相似的部件。具體實施方式[0034]為使本申請實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本申請一部分實施例，而不是全部的實施例。基于本申請中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本申請保護的范圍。[0035]在本申請一個典型的配置中，終端、服務網絡的設備均包括一個或多個處理器[0036]內存可能包括計算機可讀介質中的非永久性存儲器，隨機存取存儲器(RAM)和/或非易失性內存等形式，如只讀存儲器(ROM)或閃存(flashRAM)。內存是計算機可讀介質的示例。[0037]計算機可讀介質包括永久性和非永久性、可移動和非可移動媒體，可以由任何方法或技術來實現(xiàn)信息存儲。信息可以是計算機程序指令、數(shù)據(jù)結構、程序的模塊或其他數(shù)據(jù)。計算機的存儲介質的例子包括，但不限于相變內存(PRAM)、靜態(tài)隨機存取存儲器(SRAM)、動態(tài)隨機存取存儲器(DRAM)、其他類型的隨機存取存儲器(RAM)、只讀存儲器ROM)、數(shù)字多功能光盤(DVD)或其他光學存儲、磁盒式磁帶，磁帶磁盤存儲或其他磁性存儲設備或任何其他非傳輸介質，可用于存儲可以被計算設備訪問的信息。[0038]本申請實施例提供了一種情緒監(jiān)測模型生成方法，所述方法包括：響應于情緒監(jiān)測模型生成請求，獲取多個用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，第一特征數(shù)據(jù)包括生理特征數(shù)據(jù)和環(huán)境特征數(shù)據(jù)；基于所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)確定初始模態(tài)特征數(shù)據(jù)；基于所述第一特征數(shù)據(jù)的環(huán)境特征數(shù)據(jù)對所述初始模態(tài)特征數(shù)據(jù)進行修正確定修正后模態(tài)特征數(shù)據(jù)，并基于所述修正后模態(tài)特征數(shù)據(jù)和所述第二特征數(shù)據(jù)確定關聯(lián)數(shù)據(jù)基于多個用戶的所述關聯(lián)數(shù)據(jù)集訓練預構建的初始情緒監(jiān)測模型，直至所述初始情緒監(jiān)測模型滿足預設要求，確定通用情緒監(jiān)測模型。[0039]在實際場景中，該方法的執(zhí)行主體可以是用戶設備、或者用戶設備與網絡設備通過網絡相集成所構成的設備，或者也可以是運行于上述設備的應用程序，所述用戶設備包不限于如網絡主機、單個網絡服務器、多個網絡服務器集或基于云計算的計算機集合等實現(xiàn)，可以用于實現(xiàn)設置鬧鐘時的部分處理功能。在此，云由基于云計算(CloudComputing)的大量主機或網絡服務器構成，其中，云計算是分布式計算的一種，由一群松散耦合的計算機集組成的一個虛擬計算機。[0040]實施例一如圖1所示，本申請實施例提供一種情緒監(jiān)測模型生成方法，所述方法至少包括以下步驟：步驟S101、響應于情緒監(jiān)測模型生成請求，獲取多個用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，第一特征數(shù)據(jù)包括生理特征數(shù)據(jù)和環(huán)境特征數(shù)據(jù)；步驟S102、基于所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)確定初始模態(tài)特征數(shù)據(jù)；步驟S103、基于所述第一特征數(shù)據(jù)的環(huán)境特征數(shù)據(jù)對所述初始模態(tài)特征數(shù)據(jù)進行修正確定修正后模態(tài)特征數(shù)據(jù)，并基于所述修正后模態(tài)特征數(shù)據(jù)和所述第二特征數(shù)據(jù)確定關聯(lián)數(shù)據(jù)集；步驟S104、基于多個用戶的所述關聯(lián)數(shù)據(jù)集訓練預構建的初始情緒監(jiān)測模型，直至所述初始情緒監(jiān)測模型滿足預設要求，確定通用情緒監(jiān)測模型。[0041]在其中一個實施方式中，所述第一特征數(shù)據(jù)還包括電子設備使用數(shù)據(jù)；當?shù)谝惶卣鲾?shù)據(jù)包括所述電子設備使用數(shù)據(jù)時，所述方法還包括：基于所述電子設備使用數(shù)據(jù)對所述修正后的模態(tài)特征數(shù)據(jù)進行補充，獲取補充后的所述修正后模態(tài)特征數(shù)據(jù)。[0042]在其中一個實施方式中，所述獲取多個用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，包括：獲取多個用戶的第一特征數(shù)據(jù)，并在預設時長內提醒多個用戶進行情緒自評和/或在預設時長內對多個用戶進行情緒他評，獲取多個用戶的第二特征數(shù)據(jù)，所述第二特征數(shù)據(jù)包括情緒狀態(tài)類型和情緒狀態(tài)強度。[0043]在其中一個實施方式中，所述方法還包括：響應于個體化情緒監(jiān)測模型生成請求，獲取單個用戶的關聯(lián)數(shù)據(jù)集；基于單個用戶的關聯(lián)數(shù)據(jù)集構建所述單個用戶的縱向關聯(lián)數(shù)據(jù)集；基于所述縱向關聯(lián)數(shù)據(jù)集，按照預設的優(yōu)化算法對所述通用情緒監(jiān)測模型進行優(yōu)化直至所述通用情緒監(jiān)測模型符合預設要求，確定個體化情緒監(jiān)測模型；其中，所述預設的優(yōu)化算法包括如梯度下降法、Adam優(yōu)化算法、學習率衰減策略、權重衰減法和批量歸一化中的至少一項。[0044]在其中一個實施方式中，本實施例所述的生理特征數(shù)據(jù)和環(huán)境特征數(shù)據(jù)基于可穿戴設備和/或智能終端設備獲取；當基于智能終端設備和/或可穿戴設備獲取生理特征數(shù)據(jù)和環(huán)境特征數(shù)據(jù)后，所述方法還包括：將所述生理特征數(shù)據(jù)和環(huán)境特征數(shù)據(jù)進行匹配，對應用戶生成多維度縱向時間序列數(shù)據(jù)集。本申請所述的特征數(shù)據(jù)可以基于所述多維度縱向時間序列數(shù)據(jù)集獲取。電子設備包括可穿戴設備和智能終端設備。[0045]在其中一個實施方式中，基于所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)確定初始模態(tài)特征數(shù)據(jù)，所述方法還包括：獲取所述第二特征數(shù)據(jù)和所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)的模態(tài)特征；基于所述第二特征數(shù)據(jù)和所述模態(tài)特征確定相似度；基于所述相似度確定任一所述模態(tài)特征的權重；基于任一所述模態(tài)特征及其權重確定初始模態(tài)特征數(shù)據(jù)。[0046]具體地，獲取所述第二特征數(shù)據(jù)和所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)的模態(tài)特征，包括：對于腦電數(shù)據(jù)使用傅里葉變換等方法，將腦電圖信號從時域轉換到頻域，提取不同頻段的功率譜密度、主頻等特征。通過分析心率變異性信號，提取時域和頻域特征，如RR間期的標準差、低頻功率、高頻功率等，評估壓力水平。通過可穿戴設備包括的呼吸傳感器[0047]其中，基于所述第二特征數(shù)據(jù)和所述模態(tài)特征確定相似度，包括：基于點積、余弦相似度計算規(guī)則獲取任兩個模態(tài)特征向量的相似度等；在自注意力機制中，通過計算查詢向量(Query)與鍵向量(Key)之間的點積來得到注意力分數(shù)；將獲取的注意力分數(shù)進行歸一化處理，確定模態(tài)特征向量的權重系數(shù)。[0048]其中，基于所述相似度確定任一所述模態(tài)特征的權重，基于任一所述模態(tài)特征及其權重確定初始模態(tài)特征數(shù)據(jù)，包括：對每一個模態(tài)特征向量進行加權求和，確定模態(tài)特征數(shù)據(jù)。[0049]在其中一個實施方式中，所述方法還包括：預構建初始模態(tài)特征數(shù)據(jù)獲取模型，構建訓練集和驗證集；基于訓練集對初始模態(tài)特征數(shù)據(jù)獲取模型進行訓練后基于驗證集對初始模態(tài)特征數(shù)據(jù)獲取模型進行驗證直至獲取模態(tài)特征數(shù)據(jù)獲取模型；其中，在對初始模態(tài)特征數(shù)據(jù)獲取模型進行訓練和驗證的過程中還包括通過反向傳播算法對初始模態(tài)特征數(shù)據(jù)獲取模型的參數(shù)進行調整，使得注意力權重能夠根據(jù)輸入的第一特征數(shù)據(jù)的特性動態(tài)進行優(yōu)化和調整，從而適應于多種應用場景。[0050]總而言之，基于上述方法確定的修正后模態(tài)特征數(shù)據(jù)不僅僅包含了任意一個第一特征數(shù)據(jù)的重要信息，而且根據(jù)注意力權重重點突出了各個第一特征數(shù)據(jù)的相互關聯(lián)性。[0051]在其中一個實施方式中，響應于情緒監(jiān)測模型生成請求，獲取用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)時，所述方法還包括：響應于情緒監(jiān)測模型生成請求，獲取用戶的生理數(shù)據(jù)信息、環(huán)境數(shù)據(jù)信息和電子設備使用數(shù)據(jù)信息；按照預設的數(shù)據(jù)處理規(guī)則對所述生理數(shù)據(jù)信息、所述環(huán)境數(shù)據(jù)信息和所述電子設備使用數(shù)據(jù)信息進行處理，獲取生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和電子設備使用特征數(shù)據(jù)，所述第一特征數(shù)據(jù)包括生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和電子設備使用特征數(shù)據(jù)；其中，所述預設的數(shù)據(jù)處理規(guī)則包括數(shù)據(jù)信息審查、數(shù)據(jù)信息降采樣、數(shù)據(jù)信息降噪、缺失數(shù)據(jù)信息補齊、數(shù)據(jù)信息對齊同步、數(shù)據(jù)信息歸一化和數(shù)據(jù)信息矯正中的一項或多項直至所述生理數(shù)據(jù)信息、所述環(huán)境數(shù)據(jù)信息和所述電子設備使用數(shù)據(jù)信息滿足預設要求。[0052]具體地，獲取多個用戶的生理數(shù)據(jù)信息和環(huán)境數(shù)據(jù)信息包括：分別基于實驗室場景和/或生態(tài)化場景獲取用戶的生理數(shù)據(jù)信息和環(huán)境數(shù)據(jù)信息。其中，基于實驗室場景獲取用戶的生理數(shù)據(jù)信息和環(huán)境數(shù)據(jù)信息，確定實驗室的環(huán)境數(shù)據(jù)信息確定不變，通過向用戶放映影像、圖片和聲音，以及模擬真實社交場景、社交行為等使得用戶產生一定的情緒變化，在用戶的情緒發(fā)生變化的同時采集用戶的第二特征數(shù)據(jù)，第二特征數(shù)據(jù)即為用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；基于生態(tài)化場景獲取用戶的生理數(shù)據(jù)信息和環(huán)境數(shù)據(jù)信息即通過佩戴至用戶的身體的可穿戴設備等硬件的觸覺反饋(震動、聲音模式)、LED燈提示、軟件系統(tǒng)提醒等方式隨機觸發(fā)用戶在與可穿戴設備等硬件關聯(lián)的軟件系統(tǒng)平臺上進行情緒自評確定用戶的第二特征數(shù)據(jù)；采集可穿戴設備等硬件采集的生理數(shù)據(jù)信息。[0053]需要理解的是，無論是通過實驗室場景還是通過生態(tài)化場景獲取用戶的第二特征數(shù)據(jù)均可以通過以下方式實現(xiàn)：通過用戶做問卷、量表測評和專業(yè)的心理測評者對用戶進行訪談評估確定，通過將自評和他評結果進行綜合(一般采用對測評分數(shù)加權平均)最終確定具有高參考性的第二特征數(shù)據(jù)。[0054]實驗室場景的優(yōu)點在于數(shù)據(jù)質量高、標簽精確、可控性強，適合探索情緒狀態(tài)類型和情緒狀態(tài)強度的基本規(guī)律。生態(tài)化場景的優(yōu)點在于數(shù)據(jù)多樣化、連續(xù)性強、貼近實際生活，適合提升模型的泛化能力和實用性。結合兩種場景數(shù)據(jù)可以充分發(fā)揮兩者的優(yōu)點，構建一個既具備理論基礎又適用于實際應用場景的通用情緒監(jiān)測模型。[0055]在其中一個實施方式中，所述預設的數(shù)據(jù)處理規(guī)則包括數(shù)據(jù)信息審查、數(shù)據(jù)信息降采樣、數(shù)據(jù)信息降噪、缺失數(shù)據(jù)信息補齊、數(shù)據(jù)信息對齊同步、數(shù)據(jù)信息歸一化和數(shù)據(jù)信息矯正中的一項或多項直至所述生理數(shù)據(jù)信息和所述環(huán)境數(shù)據(jù)信息滿足預設要求。[0056]具體地，數(shù)據(jù)信息審查包括：對獲取到的多個用戶的第一特征數(shù)據(jù)進行審查或檢查。審查或檢查的內容涉及：確定第一特征數(shù)據(jù)是否已按照預先設定的存儲規(guī)則進行有效保存、第一特征數(shù)據(jù)的數(shù)據(jù)結構是否正確、第一特征數(shù)據(jù)是否完整、第一特征數(shù)據(jù)是否存在無效數(shù)據(jù)(如本申請中定義零值、規(guī)律性突變、值空缺的第一特征數(shù)據(jù)定義為無效的第一特征數(shù)據(jù));需要理解的是，本申請對于存儲規(guī)則、數(shù)據(jù)結構及無效數(shù)據(jù)判定規(guī)則均不作限定，本領域技術人員可以根據(jù)實際應用場景進行合理性限定。[0057]具體地，數(shù)據(jù)信息降噪包括：識別高噪音的第一特征數(shù)據(jù)并對其進行降噪處理，比如對腦電、心電等第一特征數(shù)據(jù)，先使用帶通濾波，然后采用獨立成分分析(ICA)去除眼動、體動、肌電等偽跡，對皮膚電采用移動平均法進行平滑處理，對于呼吸節(jié)律進行三次樣條插值標準化采樣頻率至10Hz。[0058]具體地，在實際的應用場景，為了確保準確監(jiān)測用戶的情緒，通常需要使用電子設備對用戶的多種的特征數(shù)據(jù)進行采集；數(shù)據(jù)信息對齊同步即通過多個可穿戴設備從多個不同時段采集的生理數(shù)據(jù)信息和環(huán)境數(shù)據(jù)信息需要在數(shù)據(jù)格式、數(shù)據(jù)結構上一致，而且確保這些數(shù)據(jù)(生理數(shù)據(jù)信息和環(huán)境數(shù)據(jù)信息)需要與對應的每個用戶一一匹配；數(shù)據(jù)信息對齊還包括時間同步，即通過多個可穿戴設備采集的數(shù)據(jù)在時間進程中保持一致，確保它們在相同的時間基準下進行。[0059]在其中一個實施方式中，基于所述第一特征數(shù)據(jù)的環(huán)境特征數(shù)據(jù)對所述初始模態(tài)特征數(shù)據(jù)進行修正確定修正后模態(tài)特征數(shù)據(jù)，包括：獲取環(huán)境特征數(shù)據(jù)與初始模態(tài)特征數(shù)據(jù)的關聯(lián)指數(shù)；當關聯(lián)指數(shù)大于預設的關聯(lián)指數(shù)閾值時，則根據(jù)與初始模態(tài)特征數(shù)據(jù)關聯(lián)的環(huán)境特征數(shù)據(jù)對初始模態(tài)特征數(shù)據(jù)進行修正。[0060]具體地，確定環(huán)境的噪音水平對心率和血氧飽和度具有強關聯(lián)性；基于環(huán)境的噪音水平對心率和血氧飽和度的強關聯(lián)性，按照預設的修正規(guī)則根據(jù)環(huán)境的噪音水平對心率和血氧飽和度進行修正，預設的修正規(guī)則包括：使用卡爾曼濾波算法對GPS和光照傳感器數(shù)據(jù)(其中GPS和光照傳感器可以集成在上述的可穿戴設備中，基于GPS和光照傳感器獲取用戶的環(huán)境數(shù)據(jù)信息)進行融合，以提高位置數(shù)據(jù)的準確性；通過光照傳感器的校準方法，確保光照強度數(shù)據(jù)的準確性，例如，在不同光照條件下對光照傳感器進行校準，記錄不同環(huán)境下的校準參數(shù)，以便在實際使用中對光照數(shù)據(jù)進行修正；在高噪音環(huán)境下，適當調整心率和而對步數(shù)和運動強度數(shù)據(jù)進行修正。[0061]在其中一個實施方式中，預構建的所述初始情緒監(jiān)測模型包括：深度學習子模型和多任務學習子模型；所述深度學習子模型包括長短期記憶網絡、卷積神經網絡、圖卷積網所述多任務學習子模型包括跨個人活動LSTM多任務自動編碼器、分指標多任務網絡和個性化多任務網絡中的一個或多個。[0062]本實施例構建的初始情緒監(jiān)測模型利用先進的深度學習技術和多任務學習策略來構建復雜的初始情緒狀態(tài)預測模型。不僅可以整合不同類型的特征數(shù)據(jù)還可以顯著提升情緒識別的準確性和魯棒性。此外，多任務學習允許模型同時關注多個相關目標，進一步增強了其泛化能力和實用性；不僅提高了對單一情緒狀態(tài)類型和情緒狀態(tài)強度的預測精度，也為理解和管理復雜情感提供了新的視角。[0063]在其中一個實施方式中，基于所述關聯(lián)數(shù)據(jù)集訓練預構建的初始情緒監(jiān)測模型直至所述初始情緒監(jiān)測模型滿足預設要求，確定通用情緒監(jiān)測模型，包括：將關聯(lián)數(shù)據(jù)集分為訓練集和驗證集，基于訓練集對預構建的初始情緒監(jiān)測模型進行訓練，基于驗證集對訓練好的初始情緒監(jiān)測模型進行驗證直至訓練好的初始情緒監(jiān)測模型滿足預設要求。同時，基于驗證集對訓練好的初始情緒監(jiān)測模型進行驗證時實施監(jiān)控驗證集準確率防止初始情緒監(jiān)測模型出現(xiàn)過擬合的情況。[0064]在其中一個實施方式中，基于驗證集對訓練好的初始情緒監(jiān)測模型進行驗證直至訓練好的初始情緒監(jiān)測模型滿足預設要求，包括：對訓練好的初始情緒監(jiān)測模型采用交叉均絕對誤差)和/或RMSE(均方根誤差)中的一項或多項對訓練好的初始情緒監(jiān)測模型進行驗證確定其是否滿足預設要求。[0065]具體地，在實際的應用場景中通過K折交叉驗證來評估模型的一般化能力，比如設置K=5,確保模型能夠在不同的數(shù)據(jù)子集上保持一致的表現(xiàn)。同步地，為了檢查模型在新用戶上的表現(xiàn)，可以使用留出一部分用戶數(shù)據(jù)的方法，確保即使對于新用戶，模型也能給出合理的預測。[0066]進一步地，在判斷模型是否滿足預設要求時本實施例還關注模型的準確率，會計算F1-score來確保模型在不同情緒類別間的平衡表現(xiàn)。同時，繪制AUC-ROC曲線以了解模型區(qū)分不同情緒狀態(tài)類型的能力。[0067]進一步地，本實施例生成的通用情緒監(jiān)測模型在確定情緒狀態(tài)類型的同時還兼具了預測情緒狀態(tài)強度(如從輕微到強烈)的能力，因為本申請創(chuàng)造性地提出了使用MAE和[0068]需要理解的是，本申請對于預設要求、以及初始情緒監(jiān)測模型的驗證規(guī)則不作限定，本領域技術人員可以根據(jù)實際應用場景進行合理性選擇。如圖2所示，本實施例提供一種情緒監(jiān)測方法，所述情緒監(jiān)測方法至少包括以下步步驟S201、響應于情緒監(jiān)測請求，獲取用戶的多模態(tài)特征數(shù)據(jù)，所述多模態(tài)特征數(shù)據(jù)包括生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和電子設備使用特征數(shù)據(jù)；步驟S202、將所述多模態(tài)特征數(shù)據(jù)輸入至所述個體化情緒監(jiān)測模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；其中，所述個體化情緒監(jiān)測模型基于如上實施例所述情緒監(jiān)測模型生成方法生[0070]在其中一個實施方式中，將所述多模態(tài)特征數(shù)據(jù)輸入至所述個體化情緒監(jiān)測模型后，獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度前，所述方法還包括：基于蒙特卡洛Dropout輸出置信區(qū)間確定所述個體化情緒監(jiān)測模型的量化值；當所述量化值低于預設值時，則觸發(fā)動態(tài)生態(tài)瞬時評估驗證以優(yōu)化所述個體化情緒監(jiān)測模型。[0071]具體地，當用戶為新用戶時，需要在用戶佩戴可穿戴設備和使用智能終端設備采集情緒監(jiān)測所需的多模態(tài)特征數(shù)據(jù)的同時，對用戶進行情緒狀態(tài)的動態(tài)生態(tài)瞬時評估(EMA),并將這些情緒狀態(tài)數(shù)據(jù)與可穿戴設備和智能終端設備采集的多模態(tài)特征數(shù)據(jù)進行匹配，以構建用戶個人的多維度縱向時間序列數(shù)據(jù)集。而且，在通用性的、動態(tài)的通用情緒監(jiān)測模型基礎上，基于用戶個人的多維度縱向時間序列數(shù)據(jù)集，生成用戶獨立的、個體化的、動態(tài)的通用情緒監(jiān)測模型(即對應個人生成的個體化情緒監(jiān)測模型)。此外，在基于通用性的、動態(tài)的通用情緒監(jiān)測模型生成用戶獨立的、個體化的、動態(tài)的個體化情緒監(jiān)測模型(即對應個人生成的個體化情緒監(jiān)測模型)的過程中，采用元學習算法適配新用戶，并基于蒙特卡洛Dropout輸出置信區(qū)間確定個體化的、動態(tài)的通用情緒監(jiān)測模型(即對應個人生成的個體化情緒監(jiān)測模型)的量化值，當所述量化值低于預設值時，觸發(fā)EMA驗證以優(yōu)化用戶獨立的、個體化的、動態(tài)的通用情緒監(jiān)測模型(即對應個人生成的個體化情緒監(jiān)測模型)。[0072]在其中一個實施方式中，觸發(fā)EMA驗證以優(yōu)化所述個體化情緒監(jiān)測模型包括：根據(jù)每個用戶在一定時間段內(幾分鐘到幾小時甚至很多天)的使用數(shù)據(jù)，對所述個體化情緒監(jiān)測模型通過自學習優(yōu)化算法(如梯度下降法、Adam優(yōu)化算法、學習率衰減策略、權重衰減法、批量歸一化)進行再次訓練，以動態(tài)調整和更新所述個體化情緒監(jiān)測模型的參數(shù)，使所述個體化情緒監(jiān)測模型不間斷地根據(jù)用戶使用數(shù)據(jù)進行迭代更新，從而使所述個體化情緒監(jiān)測模型的性能、效能和魯棒性隨著用戶使用時間和數(shù)據(jù)量的增加而不斷迭代優(yōu)化；考慮到用戶的情緒的非規(guī)律性的變化，基于本實施方式所述的情緒監(jiān)測方法提出基于用戶的多模態(tài)特征數(shù)據(jù)對個體化情緒監(jiān)測模型進行動態(tài)化、實時性迭代更新，以提升個體化情緒監(jiān)測模型與用戶的適配性，確保基于個體化情緒監(jiān)測模型獲取的用戶的情緒狀態(tài)類型和情緒狀態(tài)強度的準確性。[0073]在其中一個實施方式中，根據(jù)每個用戶在一定時間段內(幾分鐘到幾小時甚至很多天)的多模態(tài)特征數(shù)據(jù)，對所述個體化情緒監(jiān)測模型通過自學習優(yōu)化算法(如梯度下降戶的多模態(tài)特征數(shù)據(jù)構建多維度縱向時間序列數(shù)據(jù)集；基于所述多維度縱向時間序列數(shù)據(jù)集對所述個體化情緒監(jiān)測模型通過自學習優(yōu)化算法進行再次訓練直至滿足預設要求，確定適配于用戶的個性化的個體化情緒監(jiān)測模型。[0074]在其中一個實施方式中，響應于情緒監(jiān)測請求，獲取用戶的多模態(tài)特征數(shù)據(jù)，包括：當用戶佩戴可穿戴設備和使用智能終端設備時，即可以默認用戶發(fā)出了情緒監(jiān)測請求，則通過可穿戴設備和智能終端設備，自動化、生態(tài)化地同步采集用戶的多模態(tài)特征數(shù)據(jù)。[0076]在其中一個實施方式中，所述方法還包括：獲取所述個體化情緒監(jiān)測模型的量化值；當所述量化值低于預設值時，則獲取用戶在預設時間段內的多模態(tài)特征數(shù)據(jù)；基于所述多模態(tài)特征數(shù)據(jù)對所述個體化情緒監(jiān)測模型進行迭代直至所述量化值不低于所述預設值，更新所述個體化情緒監(jiān)測模型。水平、呼吸頻率、肺功能、女性健康數(shù)據(jù)和汗液成分中的一項或多項；所述環(huán)境特征數(shù)據(jù)包括地理位置信息、行動軌跡數(shù)據(jù)、光照數(shù)據(jù)(光照的強度、色溫和波長等)、氣候數(shù)據(jù)(季節(jié)、境噪音數(shù)據(jù)、紫外線強度、紫外線暴露數(shù)據(jù)等一項或多項。所述電子設備使用特征數(shù)據(jù)包括電子設備使用一般特征數(shù)據(jù)和電子設備應用使用特征數(shù)據(jù)，所述電子設備使用一般特征數(shù)據(jù)包括電子設備的使用時長、時段、頻次等一項或多項；所述電子設備應用使用特征數(shù)據(jù)包例提出的獲取得到的生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和電子設備使用特征數(shù)據(jù)均已按照預設的數(shù)據(jù)規(guī)則進行處理；具體地，當對個體進行測評時，由于用戶具有個體差異，情緒監(jiān)測結果可能不會非常準確，因此本實施例采用了蒙特卡洛Dropout輸出置信區(qū)間對預測結果進行不確定性量情緒監(jiān)測模型需要再次進行訓練迭代，對個體化情緒監(jiān)測模型的參數(shù)進行更新，獲得更新后的個體化情緒監(jiān)測模型。[0078]在其中一個實施方式中，所述方法還包括：將所述多模態(tài)特征數(shù)據(jù)緩存至存儲空間，按照預設時間從存儲空間獲取所述多模態(tài)特征數(shù)據(jù)并輸入至所述個體化情緒監(jiān)測模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；和/或，將所述多模態(tài)特征數(shù)據(jù)實時發(fā)送至所述個體化情緒監(jiān)測模型，所述個體化情緒監(jiān)測模型按照預設時間反饋所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度。[0079]在其中一個實施方式中，所述情緒狀態(tài)類型可以包括基本情緒狀態(tài)類型和復合情[0080]在其中一個實施方式中，所述方法還包括：基于多模態(tài)特征數(shù)據(jù)獲取用戶的情緒狀態(tài)持續(xù)性，情緒狀態(tài)持續(xù)性包括瞬時情緒狀態(tài)和持續(xù)情緒狀態(tài)；其中瞬時情緒狀態(tài)可以為基于短暫的特征數(shù)據(jù)確定的情緒狀態(tài)類型和/或情緒狀態(tài)強度；持續(xù)情緒狀態(tài)可以為基于長時間的特征數(shù)據(jù)確定的情緒狀態(tài)類型和/或情緒狀態(tài)強度。[0081]在其中一個實施方式中，本實施例所述的多模態(tài)特征數(shù)據(jù)還包括智能終端設備和/或可穿戴設備(以下簡稱電子設備)的使用特征數(shù)據(jù)，所述使用特征數(shù)據(jù)包括第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，第一特征數(shù)據(jù)包括電子設備的使用時長、使用時段和使用頻次中的一項或多項；第二特征數(shù)據(jù)包括電子設備的應用的使用類型、使用時長、使用時段和使用頻次中的一項或多項。[0082]其中一個實施方式中，情緒狀態(tài)持續(xù)性的判斷方法包括：實時獲取用戶的情緒狀態(tài)類型；當同一種情緒狀態(tài)類型的連續(xù)次數(shù)超過預設次數(shù)時，則判斷該情緒狀態(tài)為持續(xù)情緒狀態(tài)。第一步，預先生成個體化情緒監(jiān)測模型，包括：預先生成通用情緒監(jiān)測模型，然后基于通用情緒監(jiān)測模型生成個體化情緒監(jiān)測模型；具體地，生成通用情緒監(jiān)測模型包括：采集多個用戶的上述生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和/或智能終端設備使用特征數(shù)據(jù)的過程中，通過可穿戴設備或智能終端設備的觸覺反饋(震動、聲音模式)、LED燈提示、軟件系統(tǒng)提醒等醒用戶在可穿戴設備或智能終端設備關聯(lián)的軟件系統(tǒng)平臺上進行情緒自評(5~9級量表，覆蓋目標情緒)和在線訪談評估，采集和記錄用戶的情緒狀態(tài)數(shù)據(jù)情緒狀態(tài)類型和情緒狀態(tài)強度，以實現(xiàn)情緒狀態(tài)類型和情緒狀態(tài)強度的動態(tài)生態(tài)瞬時評估(EMA),并將這些情緒狀態(tài)類型和情緒狀態(tài)強度與可穿戴設備和智能終端設備采集的數(shù)據(jù)進行匹配，形成一個多維度縱向時間序列數(shù)據(jù)集。將這個多維度縱向時間序列數(shù)據(jù)集按照一定比例劃分，形成訓練通用情緒監(jiān)測模型的訓練數(shù)據(jù)集和驗證該模型性能、效能和魯棒性的驗證數(shù)據(jù)集；基于該訓練數(shù)據(jù)集和驗證數(shù)據(jù)集訓練生成通用情緒監(jiān)測模型。[0084]生成通用情緒監(jiān)測模型的過程中，該方法還包括：基于多個用戶的多維度縱向時間序列數(shù)據(jù)集，并采用機器學習算法，構建和訓練該通用情緒監(jiān)測模型，該通用情緒監(jiān)測模型經過驗證數(shù)據(jù)集驗證需滿足預設的要求(具有良好的性能、效能、魯棒性)。[0085]對生成的通用情緒監(jiān)測模型進行迭代直至該通用情緒監(jiān)測模型的量化值不低于預設值，更新所述通用情緒監(jiān)測模型生成適配于個體用戶的個體化情緒監(jiān)測模型，包括：根據(jù)單個用戶個人的特征數(shù)據(jù)，構建用戶個人的多維度縱向時間序列數(shù)據(jù)集；在通用情緒監(jiān)測模型基礎上，基于用戶個人的多維度縱向時間序列數(shù)據(jù)集，生成適配于單個用戶的個體化情緒監(jiān)測模型。具體為：使用每個用戶個人的多維度縱向時間序列數(shù)據(jù)集訓練通用情緒監(jiān)測模型，直至通用動態(tài)情緒監(jiān)測模型滿足對用戶個人的情緒監(jiān)測的性能、效能和魯棒性的預設要求，該通用動態(tài)情緒監(jiān)測模型的參數(shù)隨著訓練進行更新，該通用情緒監(jiān)測模型轉變?yōu)閭€體用戶獨立的個體化情緒監(jiān)測模型，從而確定每個用戶獨立的個體化情緒監(jiān)測模[0086]生成個體化情緒監(jiān)測模型的過程中，所述方法還包括：對采集到的多模態(tài)特征數(shù)據(jù)進行實時清洗和預處理，包括數(shù)據(jù)信息審查、數(shù)據(jù)信息降采樣、數(shù)據(jù)信息降噪、缺失數(shù)據(jù)信息補齊、數(shù)據(jù)信息對齊同步、數(shù)據(jù)信息歸一化和數(shù)據(jù)信息矯正，直至生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和/或用戶的智能終端設備使用特征數(shù)據(jù)信息滿足預設要求。需要理解的是，本申請對于預設要求不作限定，本領域技術人員可以根據(jù)實際應用場景進行合理化選擇和限[0087]當個體化情緒監(jiān)測模型生成后，除在進行不確定性量化過程中達到低置信度而觸發(fā)EMA驗證外，對用戶情緒監(jiān)測將不再需要用戶在軟件系統(tǒng)平臺上進行情緒自評和在線訪談評估。同時，在個體化情緒監(jiān)測模型生成化算法、學習率衰減策略、權重衰減法、批量歸一化)動態(tài)調整和迭化情緒監(jiān)測模型的性能、效能和魯棒性隨著用戶使用時間和數(shù)據(jù)量的增加而不斷優(yōu)化。[0088]第二步，獲取用戶的多模態(tài)特征數(shù)據(jù)，將多模態(tài)特征數(shù)據(jù)輸入至個體化情緒監(jiān)測模型，獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強度，包括：在用戶佩戴可穿戴設備和使用智能終端設備時，通過可穿戴設備或智能終端設備，自動化、生態(tài)化地同步采集用戶的生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和/或用戶的智能終端設備使用特征數(shù)據(jù)，所采集的這些數(shù)據(jù)是連續(xù)的動態(tài)的時間序列數(shù)據(jù)。[0089]基于本實施例提出的情緒監(jiān)測方法，通過蒙特卡洛Dropout量化預測不確定性，結合EMA驗證獲取用戶反饋，并動態(tài)調整通用情緒監(jiān)測模型的參數(shù)最終生成個體化情緒監(jiān)測模型，此種模型迭代優(yōu)化方法能夠有效解決個體差異帶來的預測挑戰(zhàn)，同時提高了情緒監(jiān)測模型的個性化適應能力和預測精度。如圖3所示，本申請實施例提供一種情緒干預方法，所述方法以用于對用戶的負面的情緒狀態(tài)類型進行干預，所述情緒狀態(tài)基于如上所述的情緒監(jiān)測方法監(jiān)測得到，所述方法至少包括以下步驟：步驟S301、按照預設時間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；步驟S302、當監(jiān)測到用戶的情緒狀態(tài)類型為負面時，實時輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強度至預訓練的情緒干預模型，以生成情緒干預方案；步驟S303、基于所述情緒干預方案對用戶的情緒狀態(tài)進行干預。度等各種時間周期，可以根據(jù)實際應用場景或實際需求進行合理化選擇。[0092]在其中一個實施方式中，所述方法還包括：當監(jiān)測到用戶的情緒類型為負面時，實時輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強度至預訓練的情緒干預模型，生成初始情緒干預方案；基于所述用戶獲取對應所述情緒狀態(tài)類型和情緒狀態(tài)強度，獲取歷史情緒干預方案；基于所述歷史情緒干預方案對所述初始情緒干預方案進行修正，以生成情緒干預方案。[0093]在其中一個實施方式中，所述方法還包括：基于所述情緒干預方案對用戶的情緒狀態(tài)進行干預后，獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；當所述用戶的情緒狀態(tài)類型為正面，和/或，情緒狀態(tài)強度變弱時，則基于所述情緒干預方案對所述情緒干預模型進行[0094]在其中一個實施方式中，所述情緒狀態(tài)類型的類別可以包括正面和負面，情緒狀的類別為正面時，則情緒狀態(tài)類型至少包括快樂、平和以及有愛等。[0095]在其中一個實施方式中，輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強度至預訓練的情緒干預模型，以生成情緒干預方案，包括：根據(jù)所述情緒狀態(tài)類型生成情緒干預內容；基于所述情緒狀態(tài)強度生成情緒干預頻次；基于所述情緒干預內容和所述情緒干預頻次，生成情緒干預方案。[0096]其中，情緒干預方案的情緒干預內容包括動態(tài)生物反饋干預、實時情緒管理提示、聲/光/電/磁刺激干預、聯(lián)合認知行為療法(CBT)等；情緒干預頻次包括干預次數(shù)、時長、干預刺激強度(針對聲/光/電/磁刺激干預)、任務難度(針對動態(tài)生物反饋干預)、干預時間設置(針對實時情緒管理提示)等。[0097]具體地，當檢測到用戶有焦慮的情緒狀態(tài)類型時，可以控制電子設備播放舒緩音樂以撫慰用戶；當檢測到用戶有抑郁的情緒狀態(tài)類型時，則可以控制電子設備播放用戶與親朋好友在一起的錄像、照片等內容幫助其舒緩情緒。[0098]需要理解的是，生成情緒干預方案時，所述方法還包括：獲取用戶的歷史情緒狀態(tài)類型；當用戶的歷史情緒狀態(tài)類型存在由負面情緒狀態(tài)類型轉變?yōu)檎媲榫w狀態(tài)類型(以下簡稱為第一情緒狀態(tài)類型)的情況時，則可以獲取第一情緒狀態(tài)類型對應的特征數(shù)據(jù)；基于特征數(shù)據(jù)分析用戶當時受到的歷史情緒干預類型；基于歷史情緒干預類型生成情緒干預方案。[0099]比如，監(jiān)測到用戶之前的情緒狀態(tài)類型由負面轉變?yōu)檎鏁r，用戶的心率和出汗量飆升，則可以認定為用戶是通過運動緩解了相應的負面情緒狀態(tài)類型，那么當之后用戶出現(xiàn)了相同的/相似的情緒狀態(tài)類型時，則可以生成運動相關的干預方案。[0100]具體地，基于情緒狀態(tài)強度生成情緒干預頻次，包括：當用戶的情緒狀態(tài)強度較高時，則可通過高頻次的情緒干預對用戶的情緒進行干預；并且在干預過程中實時獲取用戶的情緒狀態(tài)強度，隨用戶的情緒狀態(tài)強度的變化調整情緒干預的頻次。還包括：當用戶的情緒狀態(tài)良好、且情緒狀態(tài)強度較低(干預頻次少、單次干預時間短)時給予用戶簡單通用的情緒干預方法，當測試者的情緒狀態(tài)較差時，給予其專業(yè)化、多組合且強度較高(干預頻次多、單次干預時間長)的干預方法。動態(tài)性體態(tài)，實時調整對應的情緒干預方案。如圖4所示，本申請還提出了一種情緒監(jiān)測模型生成系統(tǒng)，所述系統(tǒng)包括：電子設備，響應于情緒監(jiān)測模型生成請求，獲取多個用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)，第一特征數(shù)據(jù)包括生理特征數(shù)據(jù)和環(huán)境特征數(shù)據(jù)；數(shù)據(jù)處理單元，基于所述第一特征數(shù)據(jù)的生理特征數(shù)據(jù)確定初始模態(tài)特征數(shù)據(jù)；還用于基于所述第一特征數(shù)據(jù)的環(huán)境特征數(shù)據(jù)對所述初始模態(tài)特征數(shù)據(jù)進行修正確定修正后模態(tài)特征數(shù)據(jù)，并基于所述修正后模態(tài)特征數(shù)據(jù)和所述第二特征數(shù)據(jù)確定關聯(lián)數(shù)據(jù)模型生成單元，以用于基于多個用戶的所述關聯(lián)數(shù)據(jù)集訓練預構建的初始情緒監(jiān)測模型，直至所述初始情緒監(jiān)測模型滿足預設要求，確定通用情緒監(jiān)測模型。如圖5所示，本申請還提出了一種情緒監(jiān)測系統(tǒng)，所述系統(tǒng)包括：電子設備，以用于響應于情緒監(jiān)測請求，獲取用戶的多模態(tài)特征數(shù)據(jù)，所述多模態(tài)特征數(shù)據(jù)包括生理特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和電子設備使用特征數(shù)據(jù)；獲取單元，以用于將所述多模態(tài)特征數(shù)據(jù)輸入至所述個體化情緒監(jiān)測模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；其中，所述個體化情緒監(jiān)測模型基于如上所述的情緒監(jiān)測模型生成系統(tǒng)生成。[0103]實施例六獲取單元，按照預設時間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強度；干預方案生成單元，以用于當監(jiān)測到用戶的情緒狀態(tài)類型為負面時，實時輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強度至預訓練的情緒干預模型，以生成情緒干預方案；干預方案執(zhí)行單元，基于所述情緒干預方案對用戶的情緒狀態(tài)進行干預；其中，所述情緒狀態(tài)類型和情緒狀態(tài)強度基于如上所述的情緒監(jiān)測系統(tǒng)監(jiān)測得[0104]需要理解的是，本申請實施例所涉及的情緒狀態(tài)特征數(shù)據(jù)、情緒狀態(tài)特征強度和多模態(tài)特征數(shù)據(jù)等相關數(shù)據(jù)，均為經用戶授權或者經過各方充分授權的信息和數(shù)據(jù)，并且相關數(shù)據(jù)的收集、使用和處理均嚴格遵守相關國家和地區(qū)的相關法律法規(guī)和標準。[0105]實施例七基于同一發(fā)明構思，本申請實施例中還提供了一種電子裝置系統(tǒng)，所述電子裝置系統(tǒng)對應的方法可以是前述實施例中的用于情緒監(jiān)測模型生成方法、情緒監(jiān)測方法及情緒干預方法，并且其解決問題的原理與該方法相似。本申請實施例提供的所述電子裝置系統(tǒng)包括：至少一個處理器；以及與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行前述本申請的多個實施例的方法和/或技術方案。[0106]所述電子裝置系統(tǒng)可以是用戶設備、或者用戶設備與網絡設備通過網絡相集成所構成的設備，或者也可以是運行于上述設備的應用程序，所述用戶設備包括但不限于計算機、單個網絡服務器、多個網絡服務器集或基于云計算的計算機集合等實現(xiàn)，可以用于實現(xiàn)設置鬧鐘時的部分處理功能。在此，云由基于云計算(CloudComputing)的大量主機或網絡服務器構成，其中，云計算是分布式計算的一種，由一群松散耦合的計算機集組成的一個虛擬計算機。[0107]圖7示出了適用于實現(xiàn)本申請實施例中的方法和/或技術方案的一種電子裝置系統(tǒng)的結構，該電子裝置系統(tǒng)500包括中央處理單元(CPU,CentralProcessingUnit)501,其可以根據(jù)存儲在只讀存儲器(ROM,Read0nlyMemory)502中的程序或者從存儲部分508加載到隨機訪問存儲器(RAM,RandomAccessMemory)503中的程序而執(zhí)行各種適當?shù)膭幼骱吞幚怼＞€504彼此相連。輸入/輸出(I/0,Input/Output)接口505也連接至總線504。[0108]以下部件連接至I/0接口入部分506;包括諸如陰極射線管(CRT,CathodeRayTube)、液晶顯示器(LCD,LiquidCrystalDisplay)、LED顯示器、OLED顯示器等以及揚聲器等的輸出部分507;包括硬盤、光盤、磁盤、半導體存儲器等一個或多個計算機可讀介質的存儲部分508;以及包括諸如509經由諸如因特網的網絡執(zhí)行通信處理。[0109]特別地，本申請實施例中的方法和/或實施例可以被實現(xiàn)為計算機軟件程序。例如，本申請公開的實施例包括一種計算機程序產品，其包括承載在計算機可讀介質上的計算機程序，該計算機程序包含用于執(zhí)行流程圖所示的方法的程序代碼。在該計算機程序被中央處理單元(CPU)501執(zhí)行時，執(zhí)行本申請的方法中限定的上述功能。[0110]實施例八本申請另一實施例還提供了一種計算機可讀存儲介質，其上存儲有計算機程序