(19)國(guó)家知識(shí)產(chǎn)權(quán)局(71)申請(qǐng)人浙江大學(xué)路866號(hào)(74)專利代理機(jī)構(gòu)北京啟坤知識(shí)產(chǎn)權(quán)代理有限公司11655A61B5/16(2006.01)A61B5/00(2006.01)情緒監(jiān)測(cè)模型生成方法、情緒監(jiān)測(cè)方法及情緒干預(yù)方法本申請(qǐng)?zhí)峁┝艘环N情緒監(jiān)測(cè)模型生成方法、情緒監(jiān)測(cè)方法及情緒干預(yù)方法，該情緒監(jiān)測(cè)模型生成方法包括響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取多個(gè)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(duì)初始模態(tài)特征數(shù)據(jù)進(jìn)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(guān)聯(lián)數(shù)據(jù)集；基于多個(gè)用戶的關(guān)聯(lián)數(shù)據(jù)集訓(xùn)練預(yù)構(gòu)建的初始情緒監(jiān)測(cè)模型，直至初始情緒監(jiān)測(cè)模型滿足預(yù)設(shè)要求，確定通用情緒監(jiān)測(cè)模型；解決現(xiàn)有技術(shù)中存在的情緒監(jiān)測(cè)準(zhǔn)確度、響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取多個(gè)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(duì)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(gè)用戶的所述關(guān)聯(lián)數(shù)據(jù)集訓(xùn)練預(yù)構(gòu)建的初2響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取多個(gè)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(duì)所述初始模態(tài)特征數(shù)據(jù)進(jìn)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(guān)聯(lián)數(shù)據(jù)集；基于多個(gè)用戶的所述關(guān)聯(lián)數(shù)據(jù)集訓(xùn)練預(yù)構(gòu)建的初始情緒監(jiān)測(cè)模型，直至所述初始情緒監(jiān)測(cè)模型滿足預(yù)設(shè)要求，確定通用情緒監(jiān)測(cè)模型。2.根據(jù)權(quán)利要求1所述的情緒監(jiān)測(cè)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(shè)備使用數(shù)據(jù)；當(dāng)?shù)谝惶卣鲾?shù)據(jù)包括所述電子設(shè)備使用數(shù)據(jù)時(shí)，所述方法還包括：基于所述電子設(shè)備使用數(shù)據(jù)對(duì)所述修正后的模態(tài)特征數(shù)據(jù)進(jìn)行補(bǔ)充，獲取補(bǔ)充后的所述修正后模態(tài)特征數(shù)據(jù)。3.根據(jù)權(quán)利要求1或2所述的情緒監(jiān)測(cè)模型生成方法，其特征在于，所述獲取多個(gè)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(gè)用戶的第一特征數(shù)據(jù)，并在預(yù)設(shè)時(shí)長(zhǎng)內(nèi)提醒多個(gè)用戶進(jìn)行情緒自評(píng)和/或在預(yù)設(shè)時(shí)長(zhǎng)內(nèi)對(duì)多個(gè)用戶進(jìn)行情緒他評(píng)，獲取多個(gè)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(qiáng)度。4.根據(jù)權(quán)利要求3所述的情緒監(jiān)測(cè)模型生成方法，其特征在于，所述方法還包括：響應(yīng)于個(gè)體化情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取單個(gè)用戶的關(guān)聯(lián)數(shù)據(jù)集；基于單個(gè)用戶的關(guān)聯(lián)數(shù)據(jù)集構(gòu)建所述單個(gè)用戶的縱向關(guān)聯(lián)數(shù)據(jù)集；基于所述縱向關(guān)聯(lián)數(shù)據(jù)集，按照預(yù)設(shè)的優(yōu)化算法對(duì)所述通用情緒監(jiān)測(cè)模型進(jìn)行優(yōu)化直至所述通用情緒監(jiān)測(cè)模型符合預(yù)設(shè)要求，確定個(gè)體化情緒監(jiān)測(cè)模型；其中，所述預(yù)設(shè)的優(yōu)化算法包括如梯度下降法、Adam優(yōu)化算法、學(xué)習(xí)率衰減策略、權(quán)重衰減法和批量歸一化中的至少一項(xiàng)。5.根據(jù)權(quán)利要求4所述的情緒監(jiān)測(cè)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(quán)重；基于任一所述模態(tài)特征及其權(quán)重確定初始模態(tài)特征數(shù)據(jù)。6.根據(jù)權(quán)利要求5所述的情緒監(jiān)測(cè)模型生成方法，其特征在于，響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)時(shí)，所述方法還包括：響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)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(shè)備使用數(shù)據(jù)信息；按照預(yù)設(shè)的數(shù)據(jù)處理規(guī)則對(duì)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(shè)備使用數(shù)據(jù)信息進(jìn)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(shè)備使用特征數(shù)據(jù)；其中，所述預(yù)設(shè)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(bǔ)齊、數(shù)據(jù)信息對(duì)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(xiàng)或多項(xiàng)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(shè)備使用數(shù)據(jù)信息滿足預(yù)設(shè)要求。7.根據(jù)權(quán)利要求4～6任一項(xiàng)所述的情緒監(jiān)測(cè)模型生成方法，其特征在于，所述生理特液成分中的一項(xiàng)或多項(xiàng)；所述環(huán)境特征數(shù)據(jù)包括地理位置信息、行動(dòng)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(shè)備使用特征數(shù)據(jù)包括電子設(shè)備使用一般特征數(shù)據(jù)和電子設(shè)備應(yīng)用使用特征數(shù)據(jù)；所述電子設(shè)備使用一般特征數(shù)據(jù)包括電子設(shè)備的使用時(shí)長(zhǎng)、時(shí)段和頻次中的一項(xiàng)或多項(xiàng)；所述電子設(shè)備應(yīng)用使用特征數(shù)據(jù)包括電子設(shè)備軟件應(yīng)用的使用類型、使用時(shí)長(zhǎng)、時(shí)段和頻次中的一項(xiàng)或多項(xiàng)。8.根據(jù)權(quán)利要求7所述的情緒監(jiān)測(cè)模型生成方法，其特征在于，預(yù)構(gòu)建的所述初始情緒監(jiān)測(cè)模型包括：深度學(xué)習(xí)子模型和多任務(wù)學(xué)習(xí)子模型；所述深度學(xué)習(xí)子模型包括長(zhǎng)短期記憶網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、圖卷積網(wǎng)絡(luò)、CNN-LSTM混合結(jié)構(gòu)和多模態(tài)Transformer架構(gòu)中的一個(gè)或多個(gè)；所述多任務(wù)學(xué)習(xí)子模型包括跨個(gè)人活動(dòng)LSTM多任務(wù)自動(dòng)編碼器、分指標(biāo)多任務(wù)網(wǎng)絡(luò)和個(gè)性化多任務(wù)網(wǎng)絡(luò)中的一個(gè)或多個(gè)。9.一種情緒監(jiān)測(cè)方法，其特征在于，所述情緒響應(yīng)于情緒監(jiān)測(cè)請(qǐng)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(shè)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(gè)體化情緒監(jiān)測(cè)模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；其中，所述個(gè)體化情緒監(jiān)測(cè)模型基于如權(quán)利要求4～8任一項(xiàng)所述的情緒監(jiān)測(cè)模型生成方法生成。10.根據(jù)權(quán)利要求9所述的情緒監(jiān)測(cè)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(gè)體化情緒監(jiān)測(cè)模型后，獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)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(gè)體化情緒監(jiān)測(cè)模型的量化值；當(dāng)所述量化值低于預(yù)設(shè)值時(shí)，則觸發(fā)動(dòng)態(tài)生態(tài)瞬時(shí)評(píng)估驗(yàn)證以優(yōu)化所述個(gè)體化情緒監(jiān)測(cè)模型。11.根據(jù)權(quán)利要求9或10所述的情緒監(jiān)測(cè)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(qiáng)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(gè)體化情緒監(jiān)測(cè)模型的量化當(dāng)所述量化值低于預(yù)設(shè)值時(shí)，則獲取用戶在預(yù)設(shè)時(shí)間段內(nèi)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(duì)所述個(gè)體化情緒監(jiān)測(cè)模型進(jìn)行迭代訓(xùn)練直至所述量化值不低于所述預(yù)設(shè)值，更新所述個(gè)體化情緒監(jiān)測(cè)模型。12.根據(jù)權(quán)利要求11所述的情緒監(jiān)測(cè)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(chǔ)空間，按照預(yù)設(shè)時(shí)間從存儲(chǔ)空間獲取所述多模態(tài)特4征數(shù)據(jù)并輸入至所述個(gè)體化情緒監(jiān)測(cè)模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)將所述多模態(tài)特征數(shù)據(jù)實(shí)時(shí)發(fā)送至所述個(gè)體化情緒監(jiān)測(cè)模型，所述個(gè)體化情緒監(jiān)測(cè)模型按照預(yù)設(shè)時(shí)間反饋所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度。13.一種情緒干預(yù)方法，其特征在于，所述方法以用于對(duì)用戶的負(fù)面的情緒狀態(tài)類型進(jìn)行干預(yù)，所述負(fù)面的情緒狀態(tài)類型基于權(quán)利要求9~12任一項(xiàng)所述的情緒監(jiān)測(cè)方法監(jiān)測(cè)得按照預(yù)設(shè)時(shí)間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；當(dāng)監(jiān)測(cè)到用戶的情緒狀態(tài)類型為負(fù)面時(shí)，實(shí)時(shí)輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強(qiáng)度至預(yù)訓(xùn)練的情緒干預(yù)模型，以生成情緒干預(yù)方案；基于所述情緒干預(yù)方案對(duì)用戶的情緒狀態(tài)進(jìn)行干預(yù)。14.根據(jù)權(quán)利要求13所述的情緒干預(yù)方法，其特征在于，所述方法還包括：當(dāng)監(jiān)測(cè)到用戶的情緒類型為負(fù)面時(shí)，實(shí)時(shí)輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強(qiáng)度至預(yù)訓(xùn)練的情緒干預(yù)模型，生成初始情緒干預(yù)方案；基于所述用戶獲取對(duì)應(yīng)所述情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度，獲取歷史情緒干預(yù)方案；基于所述歷史情緒干預(yù)方案和當(dāng)前情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度對(duì)所述初始情緒干預(yù)方案進(jìn)行修正，以生成情緒干預(yù)方案。15.根據(jù)權(quán)利要求14所述的情緒干預(yù)方法，其特征在于，所述方法還包括：基于所述情緒干預(yù)方案對(duì)用戶的情緒狀態(tài)進(jìn)行干預(yù)后，獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；當(dāng)所述用戶的情緒狀態(tài)類型為正面，和/或，情緒狀態(tài)強(qiáng)度變?nèi)鯐r(shí)，則基于所述情緒干預(yù)方案對(duì)所述情緒干預(yù)模型進(jìn)行迭代，更新所述情緒干預(yù)模型。16.根據(jù)權(quán)利要求15所述的情緒干預(yù)方法，其特征在于，所述實(shí)時(shí)輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強(qiáng)度至預(yù)訓(xùn)練的情緒干預(yù)模型，以生成情緒干預(yù)方法，包括：根據(jù)所述情緒狀態(tài)類型生成情緒干預(yù)內(nèi)容；基于所述情緒狀態(tài)強(qiáng)度生成情緒干預(yù)頻次；基于所述情緒干預(yù)內(nèi)容和所述情緒干預(yù)頻次，生成情緒干預(yù)方案。電子設(shè)備，以用于響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取多個(gè)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(duì)所述初始模態(tài)特征數(shù)據(jù)進(jìn)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(guān)聯(lián)數(shù)據(jù)集；模型生成單元，以用于基于所述關(guān)聯(lián)數(shù)據(jù)集訓(xùn)練預(yù)構(gòu)建的初始情緒監(jiān)測(cè)模型直至所述初始情緒監(jiān)測(cè)模型滿足預(yù)設(shè)要求，確定通用情緒監(jiān)測(cè)模型。電子設(shè)備，以用于響應(yīng)于情緒監(jiān)測(cè)請(qǐng)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(shè)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(gè)體化情緒監(jiān)測(cè)模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；19.一種情緒干預(yù)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(yù)設(shè)時(shí)間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；干預(yù)方案生成單元，以用于當(dāng)監(jiān)測(cè)到用戶的情緒狀態(tài)類型為負(fù)面時(shí)，實(shí)時(shí)輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強(qiáng)度至預(yù)訓(xùn)練的情緒干預(yù)模型，以生成情緒干預(yù)方案；干預(yù)方案執(zhí)行單元，以用于基于所述情緒干預(yù)方案對(duì)用戶的情緒狀態(tài)進(jìn)行干預(yù)；其中，所述情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度基于如權(quán)利要求18所述的情緒監(jiān)測(cè)系統(tǒng)監(jiān)測(cè)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(gè)處理器；以及與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其特征在于，所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行權(quán)利要求1至16中任一項(xiàng)所述的方法。22.一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至16中任一項(xiàng)所述的方法。6情緒監(jiān)測(cè)模型生成方法、情緒監(jiān)測(cè)方法及情緒干預(yù)方法技術(shù)領(lǐng)域[0001]本申請(qǐng)涉及心理測(cè)評(píng)與心理健康技術(shù)領(lǐng)域，尤其涉及一種情緒監(jiān)測(cè)模型生成方法、情緒監(jiān)測(cè)方法及情緒干預(yù)方法。背景技術(shù)[0002]本部分旨在為權(quán)利要求書中陳述的本申請(qǐng)的實(shí)施方式提供背景或上下文。此處的描述不因?yàn)榘ㄔ诒静糠种芯捅徽J(rèn)為是現(xiàn)有技術(shù)。[0003]情緒狀態(tài)評(píng)估可了解個(gè)體情緒狀況，為心理干預(yù)、健康管理等提供依據(jù)，現(xiàn)行的情緒狀態(tài)的評(píng)估和干預(yù)長(zhǎng)期以來(lái)依賴于傳統(tǒng)的主觀評(píng)價(jià)方法，如量表和問(wèn)卷。這些工具主要通過(guò)個(gè)體自我報(bào)告的形式收集數(shù)據(jù)，旨在量化個(gè)人的情緒體驗(yàn)。然而，隨著技術(shù)的發(fā)展，特別是傳感器技術(shù)和機(jī)器學(xué)習(xí)的進(jìn)步，開始出現(xiàn)利用生理信號(hào)(如腦電、近紅外)、行為指標(biāo)(如面部表情、語(yǔ)音、眼動(dòng))等進(jìn)行更客觀的情緒狀態(tài)評(píng)估的方法。這些新興技術(shù)試圖通過(guò)捕捉非侵入性的生物標(biāo)志物來(lái)提供更加客觀、連續(xù)且動(dòng)態(tài)的情緒狀態(tài)評(píng)估。[0004]盡管上述技術(shù)為情緒狀態(tài)的測(cè)評(píng)帶來(lái)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(wèn)卷的主觀評(píng)價(jià)方法依賴于用戶個(gè)體的自我感知和報(bào)告，這使得測(cè)評(píng)結(jié)果極易受到個(gè)人情緒認(rèn)知偏差的影響，存在主觀性較高的問(wèn)題，導(dǎo)致測(cè)評(píng)的準(zhǔn)確性較低；另一方面，基于生物信號(hào)和技術(shù)的測(cè)評(píng)方法存在數(shù)據(jù)連續(xù)性和動(dòng)態(tài)性缺乏的問(wèn)題，雖然使用腦電、近紅外、面部表情、語(yǔ)音、眼動(dòng)等信息進(jìn)行情緒測(cè)評(píng)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(shí)現(xiàn)真正的連續(xù)監(jiān)測(cè)，這意味著它們無(wú)法全面反映情緒狀態(tài)隨時(shí)間的變化情況，從而限制了對(duì)情緒狀態(tài)的動(dòng)態(tài)變化分析和個(gè)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(wèn)題，由于上述原因，基于這些技術(shù)的情緒測(cè)評(píng)結(jié)果可能不夠穩(wěn)定，難以廣泛適用于不同用戶在不同場(chǎng)景下的情緒評(píng)估需求。[0005]基于此，亟需提出一種能夠解決上述技術(shù)問(wèn)題的情緒監(jiān)測(cè)模型生成方法、情緒監(jiān)測(cè)方法和情緒干預(yù)方法。發(fā)明內(nèi)容[0006]本申請(qǐng)的多個(gè)方面提供一種情緒監(jiān)測(cè)模型生成方法、情緒監(jiān)測(cè)方法和情緒干預(yù)方法，以用于解決現(xiàn)有技術(shù)中存在情緒監(jiān)測(cè)準(zhǔn)確度不高、動(dòng)態(tài)性不強(qiáng)和個(gè)體化程度不高及情緒干預(yù)不及時(shí)、干預(yù)策略個(gè)性化程度不高的技術(shù)弊端。[0007]本申請(qǐng)的一方面，提供一種情緒監(jiān)測(cè)模型生成方法，所述方法包括：響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取多個(gè)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(duì)所述初始模態(tài)特征數(shù)據(jù)進(jìn)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(guān)聯(lián)數(shù)據(jù)7基于多個(gè)用戶的所述關(guān)聯(lián)數(shù)據(jù)集訓(xùn)練預(yù)構(gòu)建的初始情緒監(jiān)測(cè)模型，直至所述初始情緒監(jiān)測(cè)模型滿足預(yù)設(shè)要求，確定通用情緒監(jiān)測(cè)模型。[0008]進(jìn)一步地，所述第一特征數(shù)據(jù)還包括電子設(shè)備使用數(shù)據(jù)；當(dāng)?shù)谝惶卣鲾?shù)據(jù)包括所述電子設(shè)備使用數(shù)據(jù)時(shí)，所述方法還包括：基于所述電子設(shè)備使用數(shù)據(jù)對(duì)所述修正后的模態(tài)特征數(shù)據(jù)進(jìn)行補(bǔ)充，獲取補(bǔ)充后的所述修正后模態(tài)特征數(shù)據(jù)。[0009]進(jìn)一步地，所述獲取多個(gè)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(gè)用戶的第一特征數(shù)據(jù)，并在預(yù)設(shè)時(shí)長(zhǎng)內(nèi)提醒多個(gè)用戶進(jìn)行情緒自評(píng)和/或在預(yù)設(shè)時(shí)長(zhǎng)內(nèi)對(duì)多個(gè)用戶進(jìn)行情緒他評(píng)，獲取多個(gè)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(qiáng)度。[0010]進(jìn)一步地，所述方法還包括：響應(yīng)于個(gè)體化情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取單個(gè)用戶的關(guān)聯(lián)數(shù)據(jù)集；基于單個(gè)用戶的關(guān)聯(lián)數(shù)據(jù)集構(gòu)建所述單個(gè)用戶的縱向關(guān)聯(lián)數(shù)據(jù)集；基于所述縱向關(guān)聯(lián)數(shù)據(jù)集，按照預(yù)設(shè)的優(yōu)化算法對(duì)所述通用情緒監(jiān)測(cè)模型進(jìn)行優(yōu)化直至所述通用情緒監(jiān)測(cè)模型符合預(yù)設(shè)要求，確定個(gè)體化情緒監(jiān)測(cè)模型；其中，所述預(yù)設(shè)的優(yōu)化算法包括如[0011]進(jìn)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(quán)重；基于任一所述模態(tài)特征及其權(quán)重確定初始模態(tài)特征數(shù)據(jù)。[0012]進(jìn)一步地，響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)時(shí)，所述方法還包括：響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)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(shè)備使用數(shù)據(jù)信息；按照預(yù)設(shè)的數(shù)據(jù)處理規(guī)則對(duì)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(shè)備使用數(shù)據(jù)信息進(jìn)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(shè)備使用特征數(shù)據(jù)；其中，所述預(yù)設(shè)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(bǔ)齊、數(shù)據(jù)信息對(duì)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(xiàng)或多項(xiàng)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(shè)備使用數(shù)據(jù)信息滿足預(yù)設(shè)要求。率、肺功能、女性健康數(shù)據(jù)和汗液成分中的一項(xiàng)或多項(xiàng)；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(xiàng)或多項(xiàng)；所述電子設(shè)備使用特征數(shù)據(jù)包括電子設(shè)備使用一般特征數(shù)據(jù)和電子設(shè)備應(yīng)用使用特征數(shù)據(jù)，所述電子設(shè)備使用一般特征數(shù)據(jù)包括電子設(shè)備的使用時(shí)長(zhǎng)、時(shí)段和頻次中的一項(xiàng)或多項(xiàng)；所述電子設(shè)備應(yīng)用使用特征數(shù)據(jù)包括電子設(shè)備軟件應(yīng)用的使用類型、使用時(shí)長(zhǎng)、時(shí)段和頻次中的一項(xiàng)或多項(xiàng)。[0014]進(jìn)一步地，預(yù)構(gòu)建的所述初始情緒監(jiān)測(cè)模型包括：深度學(xué)習(xí)子模型和多任務(wù)學(xué)習(xí)子模型；所述深度學(xué)習(xí)子模型包括長(zhǎng)短期記憶網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、圖卷積網(wǎng)絡(luò)、CNN-LSTM混合結(jié)構(gòu)和多模態(tài)Transformer架構(gòu)中的一個(gè)或多個(gè)；所述多任務(wù)學(xué)習(xí)子模型包括跨個(gè)人活動(dòng)LSTM多任務(wù)自動(dòng)編碼器、分指標(biāo)多任務(wù)網(wǎng)絡(luò)和個(gè)性化多任務(wù)網(wǎng)絡(luò)中的一個(gè)或多個(gè)。8響應(yīng)于情緒監(jiān)測(cè)請(qǐng)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(shè)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(gè)體化情緒監(jiān)測(cè)模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；其中，所述個(gè)體化情緒監(jiān)測(cè)模型基于如上所述的情緒監(jiān)測(cè)模型生成方法生成。[0016]進(jìn)一步地，將所述多模態(tài)特征數(shù)據(jù)輸入至所述個(gè)體化情緒監(jiān)測(cè)模型后，獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)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(gè)體化情緒監(jiān)測(cè)模型的量化值；當(dāng)所述量化值低于預(yù)設(shè)值時(shí)，則觸發(fā)動(dòng)態(tài)生態(tài)瞬時(shí)評(píng)估驗(yàn)證以優(yōu)化所述個(gè)體化情緒監(jiān)測(cè)模型。[0017]進(jìn)一步地，獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)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(gè)體化情緒監(jiān)測(cè)模型的量化值；當(dāng)所述量化值低于預(yù)設(shè)值時(shí)，則獲取用戶在預(yù)設(shè)時(shí)間段內(nèi)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(duì)所述個(gè)體化情緒監(jiān)測(cè)模型進(jìn)行迭代訓(xùn)練直至所述量化值不低于所述預(yù)設(shè)值，更新所述個(gè)體化情緒監(jiān)測(cè)模型。[0018]進(jìn)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(chǔ)空間，按照預(yù)設(shè)時(shí)間從存儲(chǔ)空間獲取所述多模態(tài)特征數(shù)據(jù)并輸入至所述個(gè)體化情緒監(jiān)測(cè)模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；和/或，將所述多模態(tài)特征數(shù)據(jù)實(shí)時(shí)發(fā)送至所述個(gè)體化情緒監(jiān)測(cè)模型，所述個(gè)體化情緒監(jiān)測(cè)模型按照預(yù)設(shè)時(shí)間反饋所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度。[0019]本申請(qǐng)的再一方面，還提供一種情緒干預(yù)方法，所述方法用于對(duì)用戶的負(fù)面情緒狀態(tài)類型進(jìn)行干預(yù)，所述負(fù)面的情緒狀態(tài)類型基于如上所述的情緒監(jiān)測(cè)方法監(jiān)測(cè)得到，所述方法包括：按照預(yù)設(shè)時(shí)間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；當(dāng)監(jiān)測(cè)到用戶的情緒狀態(tài)類型為負(fù)面時(shí)，實(shí)時(shí)輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強(qiáng)度至預(yù)訓(xùn)練的情緒干預(yù)模型，以生成情緒干預(yù)方案；基于所述情緒干預(yù)方案對(duì)用戶的情緒狀態(tài)進(jìn)行干預(yù)。[0020]進(jìn)一步地，所述方法還包括：當(dāng)監(jiān)測(cè)到用戶的情緒類型為負(fù)面時(shí)，實(shí)時(shí)輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強(qiáng)度至預(yù)訓(xùn)練的情緒干預(yù)模型，生成初始情緒干預(yù)方案；基于所述用戶獲取對(duì)應(yīng)所述情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度，獲取歷史情緒干預(yù)方案；基于所述歷史情緒干預(yù)方案和當(dāng)前情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度對(duì)所述初始情緒干預(yù)方案進(jìn)行修[0021]進(jìn)一步地，所述方法還包括：基于所述情緒干預(yù)方案對(duì)用戶的情緒狀態(tài)進(jìn)行干預(yù)后，獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；當(dāng)所述用戶的情緒狀態(tài)類型為正面，和/或，情緒狀態(tài)強(qiáng)度變?nèi)鯐r(shí)，則基于所述情緒干預(yù)方案對(duì)所述情緒干預(yù)模型進(jìn)行迭代，更新所述情緒干預(yù)模型。[0022]進(jìn)一步地，所述實(shí)時(shí)輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強(qiáng)度至預(yù)訓(xùn)練的情緒干預(yù)模型，以生成情緒干預(yù)方法，包括：根據(jù)所述情緒狀態(tài)類型生成情緒干預(yù)內(nèi)容；基于所述情緒狀態(tài)強(qiáng)度生成情緒干預(yù)頻次；基于所述情緒干預(yù)內(nèi)容和所述情緒干預(yù)頻次，生成情緒干預(yù)方案。9電子設(shè)備，以用于響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取多個(gè)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(duì)所述初始模態(tài)特征數(shù)據(jù)進(jìn)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(guān)聯(lián)數(shù)據(jù)集；模型生成單元，以用于基于所述關(guān)聯(lián)數(shù)據(jù)集訓(xùn)練預(yù)構(gòu)建的初始情緒監(jiān)測(cè)模型直至所述初始情緒監(jiān)測(cè)模型滿足預(yù)設(shè)要求，確定通用情緒監(jiān)測(cè)模型。電子設(shè)備，以用于響應(yīng)于情緒監(jiān)測(cè)請(qǐng)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(shè)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(gè)體化情緒監(jiān)測(cè)模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；其中，所述個(gè)體化情緒監(jiān)測(cè)模型基于如上所述的情緒監(jiān)測(cè)模型生成系統(tǒng)生成。[0025]本申請(qǐng)的再一方面，提供了一種情緒干預(yù)系統(tǒng)，所述系統(tǒng)包括：獲取單元，以用于按照預(yù)設(shè)時(shí)間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；干預(yù)方案生成單元，以用于當(dāng)監(jiān)測(cè)到用戶的情緒狀態(tài)類型為負(fù)面時(shí)，實(shí)時(shí)輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強(qiáng)度至預(yù)訓(xùn)練的情緒干預(yù)模型，以生成情緒干預(yù)方案；干預(yù)方案執(zhí)行單元，以用于基于所述情緒干預(yù)方案對(duì)用戶的情緒狀態(tài)進(jìn)行干預(yù)；其中，所述情緒狀態(tài)基于如上所述的情緒監(jiān)測(cè)系統(tǒng)監(jiān)測(cè)得到。[0026]本申請(qǐng)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(gè)處理器通信連接的存儲(chǔ)器；所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行如上所述的方法。[0027]本申請(qǐng)的再一方面，提供了一種計(jì)算機(jī)可讀介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令可被處理器執(zhí)行以實(shí)現(xiàn)如上所述的方法。[0028]本申請(qǐng)的再一方面，提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的方法。[0029]本申請(qǐng)?zhí)岢隽艘环N情緒監(jiān)測(cè)模型生成方法，該方法包括：響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)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(duì)所述初始模態(tài)特征數(shù)據(jù)進(jìn)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(guān)聯(lián)數(shù)據(jù)集；基于所述關(guān)聯(lián)數(shù)據(jù)集訓(xùn)練預(yù)構(gòu)建的初始情緒監(jiān)測(cè)模型直至所述初始情緒監(jiān)測(cè)模型滿足預(yù)設(shè)要求，確定通用情緒監(jiān)測(cè)模型；基于如上所述的情緒監(jiān)測(cè)模型生成方法具有如下有益效果：一方面，本申請(qǐng)?zhí)岢龅幕谇榫w監(jiān)測(cè)模型生成方法生成的情緒監(jiān)測(cè)模型不僅能夠識(shí)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(qiáng)度；另一方面，在對(duì)情緒監(jiān)測(cè)模型進(jìn)行訓(xùn)練、生成的過(guò)程中，本申請(qǐng)考慮到了環(huán)境特征數(shù)據(jù)對(duì)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(guān)聯(lián)性，使得生成的情緒監(jiān)測(cè)模型的情緒狀態(tài)的預(yù)測(cè)的準(zhǔn)確性更高；再一方面，在對(duì)情緒監(jiān)測(cè)模型進(jìn)行訓(xùn)練的過(guò)程中，本申請(qǐng)創(chuàng)造性的提出了分別基于實(shí)驗(yàn)室場(chǎng)景和生態(tài)化場(chǎng)景獲取用戶的特征數(shù)據(jù)，基于兩種不同場(chǎng)景的數(shù)據(jù)的互補(bǔ)性，顯著提升了模型的性能和適用性；另一方面，在對(duì)初始情緒監(jiān)測(cè)模型進(jìn)行訓(xùn)練的過(guò)程中，預(yù)獲取的用戶的特征數(shù)據(jù)均通過(guò)電子設(shè)備采集，其一是提高了用戶的情緒狀態(tài)的及時(shí)性和實(shí)時(shí)性，其二是簡(jiǎn)化了情緒監(jiān)測(cè)的復(fù)雜性；其中，本申請(qǐng)所述的情緒監(jiān)測(cè)模型包括通用情緒監(jiān)測(cè)模型和/或個(gè)體化情緒監(jiān)測(cè)模型。[0030]具體地，本申請(qǐng)所述的情緒監(jiān)測(cè)模型生成方法還包括：響應(yīng)于個(gè)體化情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取單個(gè)用戶的關(guān)聯(lián)數(shù)據(jù)集；基于單個(gè)用戶的關(guān)聯(lián)數(shù)據(jù)集構(gòu)建所述單個(gè)用戶的縱向關(guān)聯(lián)數(shù)據(jù)集；基于所述縱向關(guān)聯(lián)數(shù)據(jù)集，按照預(yù)設(shè)的優(yōu)化算法對(duì)所述通用情緒監(jiān)測(cè)模型進(jìn)行優(yōu)化直至所述通用情緒監(jiān)測(cè)模型符合預(yù)設(shè)要求，確定個(gè)體化情緒監(jiān)測(cè)模型；其中，所述預(yù)設(shè)的優(yōu)化算法包括如梯度下降法、Adam優(yōu)化算法、學(xué)習(xí)率衰減策略、權(quán)重衰減法和批量歸一化中的至少一項(xiàng)?；趩蝹€(gè)用戶的關(guān)聯(lián)數(shù)據(jù)集構(gòu)建單個(gè)用戶的縱向關(guān)聯(lián)數(shù)據(jù)集進(jìn)而對(duì)通用情緒監(jiān)測(cè)模型進(jìn)行優(yōu)化直至其符合預(yù)設(shè)要求后，確定個(gè)體化情緒監(jiān)測(cè)模型，以使得確定的個(gè)體化情緒監(jiān)測(cè)模型能夠高效地識(shí)別單個(gè)用戶的個(gè)體化差異和適配個(gè)體用戶的個(gè)體化特征，進(jìn)而更好地監(jiān)測(cè)單個(gè)用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；也就是說(shuō)，基于本申請(qǐng)確定的個(gè)體化情緒監(jiān)測(cè)模型可以根據(jù)單個(gè)用戶的個(gè)體化特征準(zhǔn)確、高效地獲取單個(gè)用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度，以更好地實(shí)現(xiàn)個(gè)體化情緒監(jiān)測(cè)的目的。[0031]本申請(qǐng)還提出了一種情緒干預(yù)方法，該方法包括：按照預(yù)設(shè)時(shí)間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；當(dāng)監(jiān)測(cè)到用戶的情緒狀態(tài)類型為負(fù)面時(shí)，實(shí)時(shí)輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強(qiáng)度至預(yù)訓(xùn)練的情緒干預(yù)模型，以生成情緒干預(yù)方案；基于所述情緒干預(yù)方案對(duì)用戶的情緒狀態(tài)進(jìn)行干預(yù)。基于如上所述的情緒干預(yù)方法具有以下有益效果：一方面，基于本申請(qǐng)所述的情緒干預(yù)方法對(duì)用戶的情緒狀態(tài)進(jìn)行個(gè)性化干預(yù)，確保了情緒干預(yù)的效果；另一方面，通過(guò)電子設(shè)備及時(shí)獲取用戶的情緒狀態(tài)后在通過(guò)電子設(shè)備對(duì)用戶的情緒狀態(tài)進(jìn)行實(shí)時(shí)干預(yù)，提高了情緒干預(yù)的時(shí)效性；再一方面，通過(guò)對(duì)用戶的情緒狀態(tài)的追蹤式監(jiān)測(cè)，有助于避免輕微的情緒問(wèn)題演變?yōu)閲?yán)重的障礙，同時(shí)根據(jù)用戶的個(gè)體特征形成個(gè)性化的情緒干預(yù)方案能夠有效促進(jìn)用戶的身心健康；又一方面，傳統(tǒng)的情緒干預(yù)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(gè)性化干預(yù)方案可以在很大程度上自動(dòng)化這一過(guò)程，減少了對(duì)人力資源的依賴，降低了成本；再一方面，在線平臺(tái)和移動(dòng)應(yīng)用使得情緒干預(yù)服務(wù)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(shuō)明[0032]為了更清楚地說(shuō)明本申請(qǐng)實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖是本申請(qǐng)的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)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(guò)閱讀參照以下附圖所作的對(duì)非限制性實(shí)施例所作的詳細(xì)描述，本申請(qǐng)的其它圖1為本申請(qǐng)一實(shí)施例提供的情緒監(jiān)測(cè)模型生成方法的流程示意圖；11圖2為本申請(qǐng)另一實(shí)施例提供的情緒監(jiān)測(cè)方法的流程示意圖；圖3為本申請(qǐng)又一實(shí)施例提供的情緒干預(yù)方法的結(jié)構(gòu)示意圖；圖4為本申請(qǐng)?jiān)僖粚?shí)施例提供的情緒監(jiān)測(cè)模型生成系統(tǒng)的結(jié)構(gòu)示意圖；圖5為本申請(qǐng)?jiān)僖粚?shí)施例提供的情緒監(jiān)測(cè)系統(tǒng)的結(jié)構(gòu)示意圖；圖6為本申請(qǐng)?jiān)僖粚?shí)施例提供的情緒干預(yù)系統(tǒng)的結(jié)構(gòu)示意圖；圖7為適用于實(shí)現(xiàn)本申請(qǐng)實(shí)施例中的方案的一種電子裝置系統(tǒng)的結(jié)構(gòu)示意圖；附圖中相同或相似的附圖標(biāo)記代表相同或相似的部件。具體實(shí)施方式[0034]為使本申請(qǐng)實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本申請(qǐng)實(shí)施例中的附圖，對(duì)本申請(qǐng)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本申請(qǐng)一部分實(shí)施例，而不是全部的實(shí)施例?；诒旧暾?qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本申請(qǐng)保護(hù)的范圍。[0035]在本申請(qǐng)一個(gè)典型的配置中，終端、服務(wù)網(wǎng)絡(luò)的設(shè)備均包括一個(gè)或多個(gè)處理器[0036]內(nèi)存可能包括計(jì)算機(jī)可讀介質(zhì)中的非永久性存儲(chǔ)器，隨機(jī)存取存儲(chǔ)器(RAM)和/或非易失性內(nèi)存等形式，如只讀存儲(chǔ)器(ROM)或閃存(flashRAM)。內(nèi)存是計(jì)算機(jī)可讀介質(zhì)的示例。[0037]計(jì)算機(jī)可讀介質(zhì)包括永久性和非永久性、可移動(dòng)和非可移動(dòng)媒體，可以由任何方法或技術(shù)來(lái)實(shí)現(xiàn)信息存儲(chǔ)。信息可以是計(jì)算機(jī)程序指令、數(shù)據(jù)結(jié)構(gòu)、程序的模塊或其他數(shù)據(jù)。計(jì)算機(jī)的存儲(chǔ)介質(zhì)的例子包括，但不限于相變內(nèi)存(PRAM)、靜態(tài)隨機(jī)存取存儲(chǔ)器(SRAM)、動(dòng)態(tài)隨機(jī)存取存儲(chǔ)器(DRAM)、其他類型的隨機(jī)存取存儲(chǔ)器(RAM)、只讀存儲(chǔ)器ROM)、數(shù)字多功能光盤(DVD)或其他光學(xué)存儲(chǔ)、磁盒式磁帶，磁帶磁盤存儲(chǔ)或其他磁性存儲(chǔ)設(shè)備或任何其他非傳輸介質(zhì)，可用于存儲(chǔ)可以被計(jì)算設(shè)備訪問(wèn)的信息。[0038]本申請(qǐng)實(shí)施例提供了一種情緒監(jiān)測(cè)模型生成方法，所述方法包括：響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取多個(gè)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(duì)所述初始模態(tài)特征數(shù)據(jù)進(jìn)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(guān)聯(lián)數(shù)據(jù)基于多個(gè)用戶的所述關(guān)聯(lián)數(shù)據(jù)集訓(xùn)練預(yù)構(gòu)建的初始情緒監(jiān)測(cè)模型，直至所述初始情緒監(jiān)測(cè)模型滿足預(yù)設(shè)要求，確定通用情緒監(jiān)測(cè)模型。[0039]在實(shí)際場(chǎng)景中，該方法的執(zhí)行主體可以是用戶設(shè)備、或者用戶設(shè)備與網(wǎng)絡(luò)設(shè)備通過(guò)網(wǎng)絡(luò)相集成所構(gòu)成的設(shè)備，或者也可以是運(yùn)行于上述設(shè)備的應(yīng)用程序，所述用戶設(shè)備包不限于如網(wǎng)絡(luò)主機(jī)、單個(gè)網(wǎng)絡(luò)服務(wù)器、多個(gè)網(wǎng)絡(luò)服務(wù)器集或基于云計(jì)算的計(jì)算機(jī)集合等實(shí)現(xiàn)，可以用于實(shí)現(xiàn)設(shè)置鬧鐘時(shí)的部分處理功能。在此，云由基于云計(jì)算(CloudComputing)的大量主機(jī)或網(wǎng)絡(luò)服務(wù)器構(gòu)成，其中，云計(jì)算是分布式計(jì)算的一種，由一群松散耦合的計(jì)算機(jī)集組成的一個(gè)虛擬計(jì)算機(jī)。[0040]實(shí)施例一如圖1所示，本申請(qǐng)實(shí)施例提供一種情緒監(jiān)測(cè)模型生成方法，所述方法至少包括以下步驟：步驟S101、響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取多個(gè)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(duì)所述初始模態(tài)特征數(shù)據(jù)進(jìn)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(guān)聯(lián)數(shù)據(jù)集；步驟S104、基于多個(gè)用戶的所述關(guān)聯(lián)數(shù)據(jù)集訓(xùn)練預(yù)構(gòu)建的初始情緒監(jiān)測(cè)模型，直至所述初始情緒監(jiān)測(cè)模型滿足預(yù)設(shè)要求，確定通用情緒監(jiān)測(cè)模型。[0041]在其中一個(gè)實(shí)施方式中，所述第一特征數(shù)據(jù)還包括電子設(shè)備使用數(shù)據(jù)；當(dāng)?shù)谝惶卣鲾?shù)據(jù)包括所述電子設(shè)備使用數(shù)據(jù)時(shí)，所述方法還包括：基于所述電子設(shè)備使用數(shù)據(jù)對(duì)所述修正后的模態(tài)特征數(shù)據(jù)進(jìn)行補(bǔ)充，獲取補(bǔ)充后的所述修正后模態(tài)特征數(shù)據(jù)。[0042]在其中一個(gè)實(shí)施方式中，所述獲取多個(gè)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(gè)用戶的第一特征數(shù)據(jù)，并在預(yù)設(shè)時(shí)長(zhǎng)內(nèi)提醒多個(gè)用戶進(jìn)行情緒自評(píng)和/或在預(yù)設(shè)時(shí)長(zhǎng)內(nèi)對(duì)多個(gè)用戶進(jìn)行情緒他評(píng)，獲取多個(gè)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(qiáng)度。[0043]在其中一個(gè)實(shí)施方式中，所述方法還包括：響應(yīng)于個(gè)體化情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取單個(gè)用戶的關(guān)聯(lián)數(shù)據(jù)集；基于單個(gè)用戶的關(guān)聯(lián)數(shù)據(jù)集構(gòu)建所述單個(gè)用戶的縱向關(guān)聯(lián)數(shù)據(jù)集；基于所述縱向關(guān)聯(lián)數(shù)據(jù)集，按照預(yù)設(shè)的優(yōu)化算法對(duì)所述通用情緒監(jiān)測(cè)模型進(jìn)行優(yōu)化直至所述通用情緒監(jiān)測(cè)模型符合預(yù)設(shè)要求，確定個(gè)體化情緒監(jiān)測(cè)模型；其中，所述預(yù)設(shè)的優(yōu)化算法包括如梯度下降法、Adam優(yōu)化算法、學(xué)習(xí)率衰減策略、權(quán)重衰減法和批量歸一化中的至少一項(xiàng)。[0044]在其中一個(gè)實(shí)施方式中，本實(shí)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(shè)備和/或智能終端設(shè)備獲?。划?dāng)基于智能終端設(shè)備和/或可穿戴設(shè)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(jìn)行匹配，對(duì)應(yīng)用戶生成多維度縱向時(shí)間序列數(shù)據(jù)集。本申請(qǐng)所述的特征數(shù)據(jù)可以基于所述多維度縱向時(shí)間序列數(shù)據(jù)集獲取。電子設(shè)備包括可穿戴設(shè)備和智能終端設(shè)備。[0045]在其中一個(gè)實(shí)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(quán)重；基于任一所述模態(tài)特征及其權(quán)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(duì)于腦電數(shù)據(jù)使用傅里葉變換等方法，將腦電圖信號(hào)從時(shí)域轉(zhuǎn)換到頻域，提取不同頻段的功率譜密度、主頻等特征。通過(guò)分析心率變異性信號(hào)，提取時(shí)域和頻域特征，如RR間期的標(biāo)準(zhǔn)差、低頻功率、高頻功率等，評(píng)估壓力水平。通過(guò)可穿戴設(shè)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(diǎn)積、余弦相似度計(jì)算規(guī)則獲取任兩個(gè)模態(tài)特征向量的相似度等；在自注意力機(jī)制中，通過(guò)計(jì)算查詢向量(Query)與鍵向量(Key)之間的點(diǎn)積來(lái)得到注意力分?jǐn)?shù)；將獲取的注意力分?jǐn)?shù)進(jìn)行歸一化處理，確定模態(tài)特征向量的權(quán)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(quán)重，基于任一所述模態(tài)特征及其權(quán)重確定初始模態(tài)特征數(shù)據(jù)，包括：對(duì)每一個(gè)模態(tài)特征向量進(jìn)行加權(quán)求和，確定模態(tài)特征數(shù)據(jù)。[0049]在其中一個(gè)實(shí)施方式中，所述方法還包括：預(yù)構(gòu)建初始模態(tài)特征數(shù)據(jù)獲取模型，構(gòu)建訓(xùn)練集和驗(yàn)證集；基于訓(xùn)練集對(duì)初始模態(tài)特征數(shù)據(jù)獲取模型進(jìn)行訓(xùn)練后基于驗(yàn)證集對(duì)初始模態(tài)特征數(shù)據(jù)獲取模型進(jìn)行驗(yàn)證直至獲取模態(tài)特征數(shù)據(jù)獲取模型；其中，在對(duì)初始模態(tài)特征數(shù)據(jù)獲取模型進(jìn)行訓(xùn)練和驗(yàn)證的過(guò)程中還包括通過(guò)反向傳播算法對(duì)初始模態(tài)特征數(shù)據(jù)獲取模型的參數(shù)進(jìn)行調(diào)整，使得注意力權(quán)重能夠根據(jù)輸入的第一特征數(shù)據(jù)的特性動(dòng)態(tài)進(jìn)行優(yōu)化和調(diào)整，從而適應(yīng)于多種應(yīng)用場(chǎng)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(gè)第一特征數(shù)據(jù)的重要信息，而且根據(jù)注意力權(quán)重重點(diǎn)突出了各個(gè)第一特征數(shù)據(jù)的相互關(guān)聯(lián)性。[0051]在其中一個(gè)實(shí)施方式中，響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取用戶的第一特征數(shù)據(jù)和第二特征數(shù)據(jù)時(shí)，所述方法還包括：響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)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(shè)備使用數(shù)據(jù)信息；按照預(yù)設(shè)的數(shù)據(jù)處理規(guī)則對(duì)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(shè)備使用數(shù)據(jù)信息進(jìn)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(shè)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(shè)備使用特征數(shù)據(jù)；其中，所述預(yù)設(shè)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(bǔ)齊、數(shù)據(jù)信息對(duì)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(xiàng)或多項(xiàng)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(shè)備使用數(shù)據(jù)信息滿足預(yù)設(shè)要求。[0052]具體地，獲取多個(gè)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(shí)驗(yàn)室場(chǎng)景和/或生態(tài)化場(chǎng)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(shí)驗(yàn)室場(chǎng)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(shí)驗(yàn)室的環(huán)境數(shù)據(jù)信息確定不變，通過(guò)向用戶放映影像、圖片和聲音，以及模擬真實(shí)社交場(chǎng)景、社交行為等使得用戶產(chǎn)生一定的情緒變化，在用戶的情緒發(fā)生變化的同時(shí)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(qiáng)度；基于生態(tài)化場(chǎng)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(guò)佩戴至用戶的身體的可穿戴設(shè)備等硬件的觸覺反饋(震動(dòng)、聲音模式)、LED燈提示、軟件系統(tǒng)提醒等方式隨機(jī)觸發(fā)用戶在與可穿戴設(shè)備等硬件關(guān)聯(lián)的軟件系統(tǒng)平臺(tái)上進(jìn)行情緒自評(píng)確定用戶的第二特征數(shù)據(jù)；采集可穿戴設(shè)備等硬件采集的生理數(shù)據(jù)信息。[0053]需要理解的是，無(wú)論是通過(guò)實(shí)驗(yàn)室場(chǎng)景還是通過(guò)生態(tài)化場(chǎng)景獲取用戶的第二特征數(shù)據(jù)均可以通過(guò)以下方式實(shí)現(xiàn)：通過(guò)用戶做問(wèn)卷、量表測(cè)評(píng)和專業(yè)的心理測(cè)評(píng)者對(duì)用戶進(jìn)行訪談評(píng)估確定，通過(guò)將自評(píng)和他評(píng)結(jié)果進(jìn)行綜合(一般采用對(duì)測(cè)評(píng)分?jǐn)?shù)加權(quán)平均)最終確定具有高參考性的第二特征數(shù)據(jù)。[0054]實(shí)驗(yàn)室場(chǎng)景的優(yōu)點(diǎn)在于數(shù)據(jù)質(zhì)量高、標(biāo)簽精確、可控性強(qiáng)，適合探索情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度的基本規(guī)律。生態(tài)化場(chǎng)景的優(yōu)點(diǎn)在于數(shù)據(jù)多樣化、連續(xù)性強(qiáng)、貼近實(shí)際生活，適合提升模型的泛化能力和實(shí)用性。結(jié)合兩種場(chǎng)景數(shù)據(jù)可以充分發(fā)揮兩者的優(yōu)點(diǎn)，構(gòu)建一個(gè)既具備理論基礎(chǔ)又適用于實(shí)際應(yīng)用場(chǎng)景的通用情緒監(jiān)測(cè)模型。[0055]在其中一個(gè)實(shí)施方式中，所述預(yù)設(shè)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(bǔ)齊、數(shù)據(jù)信息對(duì)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(xiàng)或多項(xiàng)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(yù)設(shè)要求。[0056]具體地，數(shù)據(jù)信息審查包括：對(duì)獲取到的多個(gè)用戶的第一特征數(shù)據(jù)進(jìn)行審查或檢查。審查或檢查的內(nèi)容涉及：確定第一特征數(shù)據(jù)是否已按照預(yù)先設(shè)定的存儲(chǔ)規(guī)則進(jìn)行有效保存、第一特征數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)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(wú)效數(shù)據(jù)(如本申請(qǐng)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(wú)效的第一特征數(shù)據(jù));需要理解的是，本申請(qǐng)對(duì)于存儲(chǔ)規(guī)則、數(shù)據(jù)結(jié)構(gòu)及無(wú)效數(shù)據(jù)判定規(guī)則均不作限定，本領(lǐng)域技術(shù)人員可以根據(jù)實(shí)際應(yīng)用場(chǎng)景進(jìn)行合理性限定。[0057]具體地，數(shù)據(jù)信息降噪包括：識(shí)別高噪音的第一特征數(shù)據(jù)并對(duì)其進(jìn)行降噪處理，比如對(duì)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(dú)立成分分析(ICA)去除眼動(dòng)、體動(dòng)、肌電等偽跡，對(duì)皮膚電采用移動(dòng)平均法進(jìn)行平滑處理，對(duì)于呼吸節(jié)律進(jìn)行三次樣條插值標(biāo)準(zhǔn)化采樣頻率至10Hz。[0058]具體地，在實(shí)際的應(yīng)用場(chǎng)景，為了確保準(zhǔn)確監(jiān)測(cè)用戶的情緒，通常需要使用電子設(shè)備對(duì)用戶的多種的特征數(shù)據(jù)進(jìn)行采集；數(shù)據(jù)信息對(duì)齊同步即通過(guò)多個(gè)可穿戴設(shè)備從多個(gè)不同時(shí)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(jié)構(gòu)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(duì)應(yīng)的每個(gè)用戶一一匹配；數(shù)據(jù)信息對(duì)齊還包括時(shí)間同步，即通過(guò)多個(gè)可穿戴設(shè)備采集的數(shù)據(jù)在時(shí)間進(jìn)程中保持一致，確保它們?cè)谙嗤臅r(shí)間基準(zhǔn)下進(jìn)行。[0059]在其中一個(gè)實(shí)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(duì)所述初始模態(tài)特征數(shù)據(jù)進(jìn)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(guān)聯(lián)指數(shù)；當(dāng)關(guān)聯(lián)指數(shù)大于預(yù)設(shè)的關(guān)聯(lián)指數(shù)閾值時(shí)，則根據(jù)與初始模態(tài)特征數(shù)據(jù)關(guān)聯(lián)的環(huán)境特征數(shù)據(jù)對(duì)初始模態(tài)特征數(shù)據(jù)進(jìn)行修正。[0060]具體地，確定環(huán)境的噪音水平對(duì)心率和血氧飽和度具有強(qiáng)關(guān)聯(lián)性；基于環(huán)境的噪音水平對(duì)心率和血氧飽和度的強(qiáng)關(guān)聯(lián)性，按照預(yù)設(shè)的修正規(guī)則根據(jù)環(huán)境的噪音水平對(duì)心率和血氧飽和度進(jìn)行修正，預(yù)設(shè)的修正規(guī)則包括：使用卡爾曼濾波算法對(duì)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(shè)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(jìn)行融合，以提高位置數(shù)據(jù)的準(zhǔn)確性；通過(guò)光照傳感器的校準(zhǔn)方法，確保光照強(qiáng)度數(shù)據(jù)的準(zhǔn)確性，例如，在不同光照條件下對(duì)光照傳感器進(jìn)行校準(zhǔn)，記錄不同環(huán)境下的校準(zhǔn)參數(shù)，以便在實(shí)際使用中對(duì)光照數(shù)據(jù)進(jìn)行修正；在高噪音環(huán)境下，適當(dāng)調(diào)整心率和而對(duì)步數(shù)和運(yùn)動(dòng)強(qiáng)度數(shù)據(jù)進(jìn)行修正。[0061]在其中一個(gè)實(shí)施方式中，預(yù)構(gòu)建的所述初始情緒監(jiān)測(cè)模型包括：深度學(xué)習(xí)子模型和多任務(wù)學(xué)習(xí)子模型；所述深度學(xué)習(xí)子模型包括長(zhǎng)短期記憶網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、圖卷積網(wǎng)所述多任務(wù)學(xué)習(xí)子模型包括跨個(gè)人活動(dòng)LSTM多任務(wù)自動(dòng)編碼器、分指標(biāo)多任務(wù)網(wǎng)絡(luò)和個(gè)性化多任務(wù)網(wǎng)絡(luò)中的一個(gè)或多個(gè)。[0062]本實(shí)施例構(gòu)建的初始情緒監(jiān)測(cè)模型利用先進(jìn)的深度學(xué)習(xí)技術(shù)和多任務(wù)學(xué)習(xí)策略來(lái)構(gòu)建復(fù)雜的初始情緒狀態(tài)預(yù)測(cè)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(shí)別的準(zhǔn)確性和魯棒性。此外，多任務(wù)學(xué)習(xí)允許模型同時(shí)關(guān)注多個(gè)相關(guān)目標(biāo)，進(jìn)一步增強(qiáng)了其泛化能力和實(shí)用性；不僅提高了對(duì)單一情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度的預(yù)測(cè)精度，也為理解和管理復(fù)雜情感提供了新的視角。[0063]在其中一個(gè)實(shí)施方式中，基于所述關(guān)聯(lián)數(shù)據(jù)集訓(xùn)練預(yù)構(gòu)建的初始情緒監(jiān)測(cè)模型直至所述初始情緒監(jiān)測(cè)模型滿足預(yù)設(shè)要求，確定通用情緒監(jiān)測(cè)模型，包括：將關(guān)聯(lián)數(shù)據(jù)集分為訓(xùn)練集和驗(yàn)證集，基于訓(xùn)練集對(duì)預(yù)構(gòu)建的初始情緒監(jiān)測(cè)模型進(jìn)行訓(xùn)練，基于驗(yàn)證集對(duì)訓(xùn)練好的初始情緒監(jiān)測(cè)模型進(jìn)行驗(yàn)證直至訓(xùn)練好的初始情緒監(jiān)測(cè)模型滿足預(yù)設(shè)要求。同時(shí)，基于驗(yàn)證集對(duì)訓(xùn)練好的初始情緒監(jiān)測(cè)模型進(jìn)行驗(yàn)證時(shí)實(shí)施監(jiān)控驗(yàn)證集準(zhǔn)確率防止初始情緒監(jiān)測(cè)模型出現(xiàn)過(guò)擬合的情況。[0064]在其中一個(gè)實(shí)施方式中，基于驗(yàn)證集對(duì)訓(xùn)練好的初始情緒監(jiān)測(cè)模型進(jìn)行驗(yàn)證直至訓(xùn)練好的初始情緒監(jiān)測(cè)模型滿足預(yù)設(shè)要求，包括：對(duì)訓(xùn)練好的初始情緒監(jiān)測(cè)模型采用交叉均絕對(duì)誤差)和/或RMSE(均方根誤差)中的一項(xiàng)或多項(xiàng)對(duì)訓(xùn)練好的初始情緒監(jiān)測(cè)模型進(jìn)行驗(yàn)證確定其是否滿足預(yù)設(shè)要求。[0065]具體地，在實(shí)際的應(yīng)用場(chǎng)景中通過(guò)K折交叉驗(yàn)證來(lái)評(píng)估模型的一般化能力，比如設(shè)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(duì)于新用戶，模型也能給出合理的預(yù)測(cè)。[0066]進(jìn)一步地，在判斷模型是否滿足預(yù)設(shè)要求時(shí)本實(shí)施例還關(guān)注模型的準(zhǔn)確率，會(huì)計(jì)算F1-score來(lái)確保模型在不同情緒類別間的平衡表現(xiàn)。同時(shí)，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(jìn)一步地，本實(shí)施例生成的通用情緒監(jiān)測(cè)模型在確定情緒狀態(tài)類型的同時(shí)還兼具了預(yù)測(cè)情緒狀態(tài)強(qiáng)度(如從輕微到強(qiáng)烈)的能力，因?yàn)楸旧暾?qǐng)創(chuàng)造性地提出了使用MAE和[0068]需要理解的是，本申請(qǐng)對(duì)于預(yù)設(shè)要求、以及初始情緒監(jiān)測(cè)模型的驗(yàn)證規(guī)則不作限定，本領(lǐng)域技術(shù)人員可以根據(jù)實(shí)際應(yīng)用場(chǎng)景進(jìn)行合理性選擇。如圖2所示，本實(shí)施例提供一種情緒監(jiān)測(cè)方法，所述情緒監(jiān)測(cè)方法至少包括以下步步驟S201、響應(yīng)于情緒監(jiān)測(cè)請(qǐng)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(shè)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(gè)體化情緒監(jiān)測(cè)模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；其中，所述個(gè)體化情緒監(jiān)測(cè)模型基于如上實(shí)施例所述情緒監(jiān)測(cè)模型生成方法生[0070]在其中一個(gè)實(shí)施方式中，將所述多模態(tài)特征數(shù)據(jù)輸入至所述個(gè)體化情緒監(jiān)測(cè)模型后，獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)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(gè)體化情緒監(jiān)測(cè)模型的量化值；當(dāng)所述量化值低于預(yù)設(shè)值時(shí)，則觸發(fā)動(dòng)態(tài)生態(tài)瞬時(shí)評(píng)估驗(yàn)證以優(yōu)化所述個(gè)體化情緒監(jiān)測(cè)模型。[0071]具體地，當(dāng)用戶為新用戶時(shí)，需要在用戶佩戴可穿戴設(shè)備和使用智能終端設(shè)備采集情緒監(jiān)測(cè)所需的多模態(tài)特征數(shù)據(jù)的同時(shí)，對(duì)用戶進(jìn)行情緒狀態(tài)的動(dòng)態(tài)生態(tài)瞬時(shí)評(píng)估(EMA),并將這些情緒狀態(tài)數(shù)據(jù)與可穿戴設(shè)備和智能終端設(shè)備采集的多模態(tài)特征數(shù)據(jù)進(jìn)行匹配，以構(gòu)建用戶個(gè)人的多維度縱向時(shí)間序列數(shù)據(jù)集。而且，在通用性的、動(dòng)態(tài)的通用情緒監(jiān)測(cè)模型基礎(chǔ)上，基于用戶個(gè)人的多維度縱向時(shí)間序列數(shù)據(jù)集，生成用戶獨(dú)立的、個(gè)體化的、動(dòng)態(tài)的通用情緒監(jiān)測(cè)模型(即對(duì)應(yīng)個(gè)人生成的個(gè)體化情緒監(jiān)測(cè)模型)。此外，在基于通用性的、動(dòng)態(tài)的通用情緒監(jiān)測(cè)模型生成用戶獨(dú)立的、個(gè)體化的、動(dòng)態(tài)的個(gè)體化情緒監(jiān)測(cè)模型(即對(duì)應(yīng)個(gè)人生成的個(gè)體化情緒監(jiān)測(cè)模型)的過(guò)程中，采用元學(xué)習(xí)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(gè)體化的、動(dòng)態(tài)的通用情緒監(jiān)測(cè)模型(即對(duì)應(yīng)個(gè)人生成的個(gè)體化情緒監(jiān)測(cè)模型)的量化值，當(dāng)所述量化值低于預(yù)設(shè)值時(shí)，觸發(fā)EMA驗(yàn)證以優(yōu)化用戶獨(dú)立的、個(gè)體化的、動(dòng)態(tài)的通用情緒監(jiān)測(cè)模型(即對(duì)應(yīng)個(gè)人生成的個(gè)體化情緒監(jiān)測(cè)模型)。[0072]在其中一個(gè)實(shí)施方式中，觸發(fā)EMA驗(yàn)證以優(yōu)化所述個(gè)體化情緒監(jiān)測(cè)模型包括：根據(jù)每個(gè)用戶在一定時(shí)間段內(nèi)(幾分鐘到幾小時(shí)甚至很多天)的使用數(shù)據(jù)，對(duì)所述個(gè)體化情緒監(jiān)測(cè)模型通過(guò)自學(xué)習(xí)優(yōu)化算法(如梯度下降法、Adam優(yōu)化算法、學(xué)習(xí)率衰減策略、權(quán)重衰減法、批量歸一化)進(jìn)行再次訓(xùn)練，以動(dòng)態(tài)調(diào)整和更新所述個(gè)體化情緒監(jiān)測(cè)模型的參數(shù)，使所述個(gè)體化情緒監(jiān)測(cè)模型不間斷地根據(jù)用戶使用數(shù)據(jù)進(jìn)行迭代更新，從而使所述個(gè)體化情緒監(jiān)測(cè)模型的性能、效能和魯棒性隨著用戶使用時(shí)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(shí)施方式所述的情緒監(jiān)測(cè)方法提出基于用戶的多模態(tài)特征數(shù)據(jù)對(duì)個(gè)體化情緒監(jiān)測(cè)模型進(jìn)行動(dòng)態(tài)化、實(shí)時(shí)性迭代更新，以提升個(gè)體化情緒監(jiān)測(cè)模型與用戶的適配性，確?；趥€(gè)體化情緒監(jiān)測(cè)模型獲取的用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度的準(zhǔn)確性。[0073]在其中一個(gè)實(shí)施方式中，根據(jù)每個(gè)用戶在一定時(shí)間段內(nèi)(幾分鐘到幾小時(shí)甚至很多天)的多模態(tài)特征數(shù)據(jù)，對(duì)所述個(gè)體化情緒監(jiān)測(cè)模型通過(guò)自學(xué)習(xí)優(yōu)化算法(如梯度下降戶的多模態(tài)特征數(shù)據(jù)構(gòu)建多維度縱向時(shí)間序列數(shù)據(jù)集；基于所述多維度縱向時(shí)間序列數(shù)據(jù)集對(duì)所述個(gè)體化情緒監(jiān)測(cè)模型通過(guò)自學(xué)習(xí)優(yōu)化算法進(jìn)行再次訓(xùn)練直至滿足預(yù)設(shè)要求，確定適配于用戶的個(gè)性化的個(gè)體化情緒監(jiān)測(cè)模型。[0074]在其中一個(gè)實(shí)施方式中，響應(yīng)于情緒監(jiān)測(cè)請(qǐng)求，獲取用戶的多模態(tài)特征數(shù)據(jù)，包括：當(dāng)用戶佩戴可穿戴設(shè)備和使用智能終端設(shè)備時(shí)，即可以默認(rèn)用戶發(fā)出了情緒監(jiān)測(cè)請(qǐng)求，則通過(guò)可穿戴設(shè)備和智能終端設(shè)備，自動(dòng)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(gè)實(shí)施方式中，所述方法還包括：獲取所述個(gè)體化情緒監(jiān)測(cè)模型的量化值；當(dāng)所述量化值低于預(yù)設(shè)值時(shí)，則獲取用戶在預(yù)設(shè)時(shí)間段內(nèi)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(duì)所述個(gè)體化情緒監(jiān)測(cè)模型進(jìn)行迭代直至所述量化值不低于所述預(yù)設(shè)值，更新所述個(gè)體化情緒監(jiān)測(cè)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(xiàng)或多項(xiàng)；所述環(huán)境特征數(shù)據(jù)包括地理位置信息、行動(dòng)軌跡數(shù)據(jù)、光照數(shù)據(jù)(光照的強(qiáng)度、色溫和波長(zhǎng)等)、氣候數(shù)據(jù)(季節(jié)、境噪音數(shù)據(jù)、紫外線強(qiáng)度、紫外線暴露數(shù)據(jù)等一項(xiàng)或多項(xiàng)。所述電子設(shè)備使用特征數(shù)據(jù)包括電子設(shè)備使用一般特征數(shù)據(jù)和電子設(shè)備應(yīng)用使用特征數(shù)據(jù)，所述電子設(shè)備使用一般特征數(shù)據(jù)包括電子設(shè)備的使用時(shí)長(zhǎng)、時(shí)段、頻次等一項(xiàng)或多項(xiàng)；所述電子設(shè)備應(yīng)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(shè)備使用特征數(shù)據(jù)均已按照預(yù)設(shè)的數(shù)據(jù)規(guī)則進(jìn)行處理；具體地，當(dāng)對(duì)個(gè)體進(jìn)行測(cè)評(píng)時(shí)，由于用戶具有個(gè)體差異，情緒監(jiān)測(cè)結(jié)果可能不會(huì)非常準(zhǔn)確，因此本實(shí)施例采用了蒙特卡洛Dropout輸出置信區(qū)間對(duì)預(yù)測(cè)結(jié)果進(jìn)行不確定性量情緒監(jiān)測(cè)模型需要再次進(jìn)行訓(xùn)練迭代，對(duì)個(gè)體化情緒監(jiān)測(cè)模型的參數(shù)進(jìn)行更新，獲得更新后的個(gè)體化情緒監(jiān)測(cè)模型。[0078]在其中一個(gè)實(shí)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(chǔ)空間，按照預(yù)設(shè)時(shí)間從存儲(chǔ)空間獲取所述多模態(tài)特征數(shù)據(jù)并輸入至所述個(gè)體化情緒監(jiān)測(cè)模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；和/或，將所述多模態(tài)特征數(shù)據(jù)實(shí)時(shí)發(fā)送至所述個(gè)體化情緒監(jiān)測(cè)模型，所述個(gè)體化情緒監(jiān)測(cè)模型按照預(yù)設(shè)時(shí)間反饋所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度。[0079]在其中一個(gè)實(shí)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(fù)合情[0080]在其中一個(gè)實(shí)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(shí)情緒狀態(tài)和持續(xù)情緒狀態(tài)；其中瞬時(shí)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(qiáng)度；持續(xù)情緒狀態(tài)可以為基于長(zhǎng)時(shí)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(qiáng)度。[0081]在其中一個(gè)實(shí)施方式中，本實(shí)施例所述的多模態(tài)特征數(shù)據(jù)還包括智能終端設(shè)備和/或可穿戴設(shè)備(以下簡(jiǎn)稱電子設(shè)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(shè)備的使用時(shí)長(zhǎng)、使用時(shí)段和使用頻次中的一項(xiàng)或多項(xiàng)；第二特征數(shù)據(jù)包括電子設(shè)備的應(yīng)用的使用類型、使用時(shí)長(zhǎng)、使用時(shí)段和使用頻次中的一項(xiàng)或多項(xiàng)。[0082]其中一個(gè)實(shí)施方式中，情緒狀態(tài)持續(xù)性的判斷方法包括：實(shí)時(shí)獲取用戶的情緒狀態(tài)類型；當(dāng)同一種情緒狀態(tài)類型的連續(xù)次數(shù)超過(guò)預(yù)設(shè)次數(shù)時(shí)，則判斷該情緒狀態(tài)為持續(xù)情緒狀態(tài)。第一步，預(yù)先生成個(gè)體化情緒監(jiān)測(cè)模型，包括：預(yù)先生成通用情緒監(jiān)測(cè)模型，然后基于通用情緒監(jiān)測(cè)模型生成個(gè)體化情緒監(jiān)測(cè)模型；具體地，生成通用情緒監(jiān)測(cè)模型包括：采集多個(gè)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(shè)備使用特征數(shù)據(jù)的過(guò)程中，通過(guò)可穿戴設(shè)備或智能終端設(shè)備的觸覺反饋(震動(dòng)、聲音模式)、LED燈提示、軟件系統(tǒng)提醒等醒用戶在可穿戴設(shè)備或智能終端設(shè)備關(guān)聯(lián)的軟件系統(tǒng)平臺(tái)上進(jìn)行情緒自評(píng)(5~9級(jí)量表，覆蓋目標(biāo)情緒)和在線訪談評(píng)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(qiáng)度，以實(shí)現(xiàn)情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度的動(dòng)態(tài)生態(tài)瞬時(shí)評(píng)估(EMA),并將這些情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度與可穿戴設(shè)備和智能終端設(shè)備采集的數(shù)據(jù)進(jìn)行匹配，形成一個(gè)多維度縱向時(shí)間序列數(shù)據(jù)集。將這個(gè)多維度縱向時(shí)間序列數(shù)據(jù)集按照一定比例劃分，形成訓(xùn)練通用情緒監(jiān)測(cè)模型的訓(xùn)練數(shù)據(jù)集和驗(yàn)證該模型性能、效能和魯棒性的驗(yàn)證數(shù)據(jù)集；基于該訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集訓(xùn)練生成通用情緒監(jiān)測(cè)模型。[0084]生成通用情緒監(jiān)測(cè)模型的過(guò)程中，該方法還包括：基于多個(gè)用戶的多維度縱向時(shí)間序列數(shù)據(jù)集，并采用機(jī)器學(xué)習(xí)算法，構(gòu)建和訓(xùn)練該通用情緒監(jiān)測(cè)模型，該通用情緒監(jiān)測(cè)模型經(jīng)過(guò)驗(yàn)證數(shù)據(jù)集驗(yàn)證需滿足預(yù)設(shè)的要求(具有良好的性能、效能、魯棒性)。[0085]對(duì)生成的通用情緒監(jiān)測(cè)模型進(jìn)行迭代直至該通用情緒監(jiān)測(cè)模型的量化值不低于預(yù)設(shè)值，更新所述通用情緒監(jiān)測(cè)模型生成適配于個(gè)體用戶的個(gè)體化情緒監(jiān)測(cè)模型，包括：根據(jù)單個(gè)用戶個(gè)人的特征數(shù)據(jù)，構(gòu)建用戶個(gè)人的多維度縱向時(shí)間序列數(shù)據(jù)集；在通用情緒監(jiān)測(cè)模型基礎(chǔ)上，基于用戶個(gè)人的多維度縱向時(shí)間序列數(shù)據(jù)集，生成適配于單個(gè)用戶的個(gè)體化情緒監(jiān)測(cè)模型。具體為：使用每個(gè)用戶個(gè)人的多維度縱向時(shí)間序列數(shù)據(jù)集訓(xùn)練通用情緒監(jiān)測(cè)模型，直至通用動(dòng)態(tài)情緒監(jiān)測(cè)模型滿足對(duì)用戶個(gè)人的情緒監(jiān)測(cè)的性能、效能和魯棒性的預(yù)設(shè)要求，該通用動(dòng)態(tài)情緒監(jiān)測(cè)模型的參數(shù)隨著訓(xùn)練進(jìn)行更新，該通用情緒監(jiān)測(cè)模型轉(zhuǎn)變?yōu)閭€(gè)體用戶獨(dú)立的個(gè)體化情緒監(jiān)測(cè)模型，從而確定每個(gè)用戶獨(dú)立的個(gè)體化情緒監(jiān)測(cè)模[0086]生成個(gè)體化情緒監(jiān)測(cè)模型的過(guò)程中，所述方法還包括：對(duì)采集到的多模態(tài)特征數(shù)據(jù)進(jìn)行實(shí)時(shí)清洗和預(yù)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(bǔ)齊、數(shù)據(jù)信息對(duì)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(shè)備使用特征數(shù)據(jù)信息滿足預(yù)設(shè)要求。需要理解的是，本申請(qǐng)對(duì)于預(yù)設(shè)要求不作限定，本領(lǐng)域技術(shù)人員可以根據(jù)實(shí)際應(yīng)用場(chǎng)景進(jìn)行合理化選擇和限[0087]當(dāng)個(gè)體化情緒監(jiān)測(cè)模型生成后，除在進(jìn)行不確定性量化過(guò)程中達(dá)到低置信度而觸發(fā)EMA驗(yàn)證外，對(duì)用戶情緒監(jiān)測(cè)將不再需要用戶在軟件系統(tǒng)平臺(tái)上進(jìn)行情緒自評(píng)和在線訪談評(píng)估。同時(shí)，在個(gè)體化情緒監(jiān)測(cè)模型生成化算法、學(xué)習(xí)率衰減策略、權(quán)重衰減法、批量歸一化)動(dòng)態(tài)調(diào)整和迭化情緒監(jiān)測(cè)模型的性能、效能和魯棒性隨著用戶使用時(shí)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(gè)體化情緒監(jiān)測(cè)模型，獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度，包括：在用戶佩戴可穿戴設(shè)備和使用智能終端設(shè)備時(shí)，通過(guò)可穿戴設(shè)備或智能終端設(shè)備，自動(dòng)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(shè)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(dòng)態(tài)的時(shí)間序列數(shù)據(jù)。[0089]基于本實(shí)施例提出的情緒監(jiān)測(cè)方法，通過(guò)蒙特卡洛Dropout量化預(yù)測(cè)不確定性，結(jié)合EMA驗(yàn)證獲取用戶反饋，并動(dòng)態(tài)調(diào)整通用情緒監(jiān)測(cè)模型的參數(shù)最終生成個(gè)體化情緒監(jiān)測(cè)模型，此種模型迭代優(yōu)化方法能夠有效解決個(gè)體差異帶來(lái)的預(yù)測(cè)挑戰(zhàn)，同時(shí)提高了情緒監(jiān)測(cè)模型的個(gè)性化適應(yīng)能力和預(yù)測(cè)精度。如圖3所示，本申請(qǐng)實(shí)施例提供一種情緒干預(yù)方法，所述方法以用于對(duì)用戶的負(fù)面的情緒狀態(tài)類型進(jìn)行干預(yù)，所述情緒狀態(tài)基于如上所述的情緒監(jiān)測(cè)方法監(jiān)測(cè)得到，所述方法至少包括以下步驟：步驟S301、按照預(yù)設(shè)時(shí)間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；步驟S302、當(dāng)監(jiān)測(cè)到用戶的情緒狀態(tài)類型為負(fù)面時(shí)，實(shí)時(shí)輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強(qiáng)度至預(yù)訓(xùn)練的情緒干預(yù)模型，以生成情緒干預(yù)方案；步驟S303、基于所述情緒干預(yù)方案對(duì)用戶的情緒狀態(tài)進(jìn)行干預(yù)。度等各種時(shí)間周期，可以根據(jù)實(shí)際應(yīng)用場(chǎng)景或?qū)嶋H需求進(jìn)行合理化選擇。[0092]在其中一個(gè)實(shí)施方式中，所述方法還包括：當(dāng)監(jiān)測(cè)到用戶的情緒類型為負(fù)面時(shí)，實(shí)時(shí)輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強(qiáng)度至預(yù)訓(xùn)練的情緒干預(yù)模型，生成初始情緒干預(yù)方案；基于所述用戶獲取對(duì)應(yīng)所述情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度，獲取歷史情緒干預(yù)方案；基于所述歷史情緒干預(yù)方案對(duì)所述初始情緒干預(yù)方案進(jìn)行修正，以生成情緒干預(yù)方案。[0093]在其中一個(gè)實(shí)施方式中，所述方法還包括：基于所述情緒干預(yù)方案對(duì)用戶的情緒狀態(tài)進(jìn)行干預(yù)后，獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；當(dāng)所述用戶的情緒狀態(tài)類型為正面，和/或，情緒狀態(tài)強(qiáng)度變?nèi)鯐r(shí)，則基于所述情緒干預(yù)方案對(duì)所述情緒干預(yù)模型進(jìn)行[0094]在其中一個(gè)實(shí)施方式中，所述情緒狀態(tài)類型的類別可以包括正面和負(fù)面，情緒狀的類別為正面時(shí)，則情緒狀態(tài)類型至少包括快樂(lè)、平和以及有愛等。[0095]在其中一個(gè)實(shí)施方式中，輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強(qiáng)度至預(yù)訓(xùn)練的情緒干預(yù)模型，以生成情緒干預(yù)方案，包括：根據(jù)所述情緒狀態(tài)類型生成情緒干預(yù)內(nèi)容；基于所述情緒狀態(tài)強(qiáng)度生成情緒干預(yù)頻次；基于所述情緒干預(yù)內(nèi)容和所述情緒干預(yù)頻次，生成情緒干預(yù)方案。[0096]其中，情緒干預(yù)方案的情緒干預(yù)內(nèi)容包括動(dòng)態(tài)生物反饋干預(yù)、實(shí)時(shí)情緒管理提示、聲/光/電/磁刺激干預(yù)、聯(lián)合認(rèn)知行為療法(CBT)等；情緒干預(yù)頻次包括干預(yù)次數(shù)、時(shí)長(zhǎng)、干預(yù)刺激強(qiáng)度(針對(duì)聲/光/電/磁刺激干預(yù))、任務(wù)難度(針對(duì)動(dòng)態(tài)生物反饋干預(yù))、干預(yù)時(shí)間設(shè)置(針對(duì)實(shí)時(shí)情緒管理提示)等。[0097]具體地，當(dāng)檢測(cè)到用戶有焦慮的情緒狀態(tài)類型時(shí)，可以控制電子設(shè)備播放舒緩音樂(lè)以撫慰用戶；當(dāng)檢測(cè)到用戶有抑郁的情緒狀態(tài)類型時(shí)，則可以控制電子設(shè)備播放用戶與親朋好友在一起的錄像、照片等內(nèi)容幫助其舒緩情緒。[0098]需要理解的是，生成情緒干預(yù)方案時(shí)，所述方法還包括：獲取用戶的歷史情緒狀態(tài)類型；當(dāng)用戶的歷史情緒狀態(tài)類型存在由負(fù)面情緒狀態(tài)類型轉(zhuǎn)變?yōu)檎媲榫w狀態(tài)類型(以下簡(jiǎn)稱為第一情緒狀態(tài)類型)的情況時(shí)，則可以獲取第一情緒狀態(tài)類型對(duì)應(yīng)的特征數(shù)據(jù)；基于特征數(shù)據(jù)分析用戶當(dāng)時(shí)受到的歷史情緒干預(yù)類型；基于歷史情緒干預(yù)類型生成情緒干預(yù)方案。[0099]比如，監(jiān)測(cè)到用戶之前的情緒狀態(tài)類型由負(fù)面轉(zhuǎn)變?yōu)檎鏁r(shí)，用戶的心率和出汗量飆升，則可以認(rèn)定為用戶是通過(guò)運(yùn)動(dòng)緩解了相應(yīng)的負(fù)面情緒狀態(tài)類型，那么當(dāng)之后用戶出現(xiàn)了相同的/相似的情緒狀態(tài)類型時(shí)，則可以生成運(yùn)動(dòng)相關(guān)的干預(yù)方案。[0100]具體地，基于情緒狀態(tài)強(qiáng)度生成情緒干預(yù)頻次，包括：當(dāng)用戶的情緒狀態(tài)強(qiáng)度較高時(shí)，則可通過(guò)高頻次的情緒干預(yù)對(duì)用戶的情緒進(jìn)行干預(yù)；并且在干預(yù)過(guò)程中實(shí)時(shí)獲取用戶的情緒狀態(tài)強(qiáng)度，隨用戶的情緒狀態(tài)強(qiáng)度的變化調(diào)整情緒干預(yù)的頻次。還包括：當(dāng)用戶的情緒狀態(tài)良好、且情緒狀態(tài)強(qiáng)度較低(干預(yù)頻次少、單次干預(yù)時(shí)間短)時(shí)給予用戶簡(jiǎn)單通用的情緒干預(yù)方法，當(dāng)測(cè)試者的情緒狀態(tài)較差時(shí)，給予其專業(yè)化、多組合且強(qiáng)度較高(干預(yù)頻次多、單次干預(yù)時(shí)間長(zhǎng))的干預(yù)方法。動(dòng)態(tài)性體態(tài)，實(shí)時(shí)調(diào)整對(duì)應(yīng)的情緒干預(yù)方案。如圖4所示，本申請(qǐng)還提出了一種情緒監(jiān)測(cè)模型生成系統(tǒng)，所述系統(tǒng)包括：電子設(shè)備，響應(yīng)于情緒監(jiān)測(cè)模型生成請(qǐng)求，獲取多個(gè)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(duì)所述初始模態(tài)特征數(shù)據(jù)進(jìn)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(guān)聯(lián)數(shù)據(jù)模型生成單元，以用于基于多個(gè)用戶的所述關(guān)聯(lián)數(shù)據(jù)集訓(xùn)練預(yù)構(gòu)建的初始情緒監(jiān)測(cè)模型，直至所述初始情緒監(jiān)測(cè)模型滿足預(yù)設(shè)要求，確定通用情緒監(jiān)測(cè)模型。如圖5所示，本申請(qǐng)還提出了一種情緒監(jiān)測(cè)系統(tǒng)，所述系統(tǒng)包括：電子設(shè)備，以用于響應(yīng)于情緒監(jiān)測(cè)請(qǐng)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(shè)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(gè)體化情緒監(jiān)測(cè)模型，以獲取所述用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；其中，所述個(gè)體化情緒監(jiān)測(cè)模型基于如上所述的情緒監(jiān)測(cè)模型生成系統(tǒng)生成。[0103]實(shí)施例六獲取單元，按照預(yù)設(shè)時(shí)間周期獲取用戶的情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度；干預(yù)方案生成單元，以用于當(dāng)監(jiān)測(cè)到用戶的情緒狀態(tài)類型為負(fù)面時(shí)，實(shí)時(shí)輸入所述情緒狀態(tài)類型和所述情緒狀態(tài)強(qiáng)度至預(yù)訓(xùn)練的情緒干預(yù)模型，以生成情緒干預(yù)方案；干預(yù)方案執(zhí)行單元，基于所述情緒干預(yù)方案對(duì)用戶的情緒狀態(tài)進(jìn)行干預(yù)；其中，所述情緒狀態(tài)類型和情緒狀態(tài)強(qiáng)度基于如上所述的情緒監(jiān)測(cè)系統(tǒng)監(jiān)測(cè)得[0104]需要理解的是，本申請(qǐng)實(shí)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(qiáng)度和多模態(tài)特征數(shù)據(jù)等相關(guān)數(shù)據(jù)，均為經(jīng)用戶授權(quán)或者經(jīng)過(guò)各方充分授權(quán)的信息和數(shù)據(jù)，并且相關(guān)數(shù)據(jù)的收集、使用和處理均嚴(yán)格遵守相關(guān)國(guó)家和地區(qū)的相關(guān)法律法規(guī)和標(biāo)準(zhǔn)。[0105]實(shí)施例七基于同一發(fā)明構(gòu)思，本申請(qǐng)實(shí)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(duì)應(yīng)的方法可以是前述實(shí)施例中的用于情緒監(jiān)測(cè)模型生成方法、情緒監(jiān)測(cè)方法及情緒干預(yù)方法，并且其解決問(wèn)題的原理與該方法相似。本申請(qǐng)實(shí)施例提供的所述電子裝置系統(tǒng)包括：至少一個(gè)處理器；以及與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行前述本申請(qǐng)的多個(gè)實(shí)施例的方法和/或技術(shù)方案。[0106]所述電子裝置系統(tǒng)可以是用戶設(shè)備、或者用戶設(shè)備與網(wǎng)絡(luò)設(shè)備通過(guò)網(wǎng)絡(luò)相集成所構(gòu)成的設(shè)備，或者也可以是運(yùn)行于上述設(shè)備的應(yīng)用程序，所述用戶設(shè)備包括但不限于計(jì)算機(jī)、單個(gè)網(wǎng)絡(luò)服務(wù)器、多個(gè)網(wǎng)絡(luò)服務(wù)器集或基于云計(jì)算的計(jì)算機(jī)集合等實(shí)現(xiàn)，可以用于實(shí)現(xiàn)設(shè)置鬧鐘時(shí)的部分處理功能。在此，云由基于云計(jì)算(CloudComputing)的大量主機(jī)或網(wǎng)絡(luò)服務(wù)器構(gòu)成，其中，云計(jì)算是分布式計(jì)算的一種，由一群松散耦合的計(jì)算機(jī)集組成的一個(gè)虛擬計(jì)算機(jī)。[0107]圖7示出了適用于實(shí)現(xiàn)本申請(qǐng)實(shí)施例中的方法和/或技術(shù)方案的一種電子裝置系統(tǒng)的結(jié)構(gòu)，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(chǔ)在只讀存儲(chǔ)器(ROM,Read0nlyMemory)502中的程序或者從存儲(chǔ)部分508加載到隨機(jī)訪問(wèn)存儲(chǔ)器(RAM,RandomAccessMemory)503中的程序而執(zhí)行各種適當(dāng)?shù)膭?dòng)作和處理。線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(yáng)聲器等的輸出部分507;包括硬盤、光盤、磁盤、半導(dǎo)體存儲(chǔ)器等一個(gè)或多個(gè)計(jì)算機(jī)可讀介質(zhì)的存儲(chǔ)部分508;以及包括諸如509經(jīng)由諸如因特網(wǎng)的網(wǎng)絡(luò)執(zhí)行通信處理。[0109]特別地，本申請(qǐng)實(shí)施例中的方法和/或?qū)嵤├梢员粚?shí)現(xiàn)為計(jì)算機(jī)軟件程序。例如，本申請(qǐng)公開的實(shí)施例包括一種計(jì)算機(jī)程序產(chǎn)品，其包括承載在計(jì)算機(jī)可讀介質(zhì)上的計(jì)算機(jī)程序，該計(jì)算機(jī)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(jì)算機(jī)程序被中央處理單元(CPU)501執(zhí)行時(shí)，執(zhí)行本申請(qǐng)的方法中限定的上述功能。[0110]實(shí)施例八本申請(qǐng)另一實(shí)施例還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序