一种图像分析的方法、装置、计算机存储介质及终端与流程

本文涉及但不限于多媒体分析技术，尤指一种图像分析的方法、装置、计算机存储介质及终端。

背景技术：

近年来，随着科学技术的发展和互联网类企业的兴起，体力劳动逐渐被工业化器械所替代，脑力劳动成为社会工作的主流。在体力劳动时代，工作效率取决于工人的工作时间和工作速度，但在脑力劳动时代，工作效率往往与工作时的精神状态是否饱满和工作时是否有一些新的创意存在主要关联；鉴于劳动类型的转换，一些现代化的集团企业，管理者对员工的精神状态和潜在的心理问题愈发重视。

目前，一些公司通过搭建心理咨询或心理辅导系统来解决员工的心理问题，但是此类系统主要以员工主动提出问题作为前提，当员工不提出问题或未意识到出现问题，则心理专家将无法发生作用，无法对员工的心理问题进行解答，员工的心理状态无法得到改善。另外，一些公司对员工心理问题的处理，主要依赖员工关怀活动或员工关怀系统，进行周期性的管理，通过人工的方式进行策划、筛选、分析和判断，需要消耗大量的人力资源，且效果受组织力度的影响。

技术实现要素：

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供一种图像分析的方法、装置、计算机存储介质及终端，能够降低确定用户心理状态的资源消耗，提升分析用户心理状态的效率。

本发明实施例提供了一种图像分析的方法，包括：

根据用户表情样本图像和来自数据库的面部图像，构建训练图像集；

根据构建的训练图像集进行模型训练；

通过训练后的模型对用户表情日常图像进行分析，确定用户心理状态。

可选的，所述构建训练图像集包括：

对预设数值个用户，分别获取各个用户表达预设种情绪的第一图像；对获取的所述第一图像进行人脸识别后，切分获得对应于各用户的与所述面部图像格式相同的第二图像；按照预设的筛选策略对所述第二图像进行筛选后，获得各用户的用户表情样本图像；将获得的所有用户的所述用户表情样本图像作为第一图像集；

从预设的面部表情数据库中读取预设数量的面部图像，将读取的所有所述面部图像作为第二图像集；

合并所述第一图像集和所述第二图像集后，获得所述训练图像集；

其中，所述第二图像集包含的图像数量大于所述第一图像集包含的图像数量；所述情绪包括以下部分或全部：开心、惊喜、淡然、愤怒、悲伤、生气、害怕。

可选的，所述面部表情数据库包括：

fer2013数据库。

可选的，所述根据构建的训练图像集进行模型训练包括：

按照预设的表情分类，对获得的所述训练图像集中的各图像分别进行标记；

对标记后的各图像分别进行预设次数的角度倾斜处理，获得相应数量的角度倾斜图像；

根据获得的所有所述角度倾斜图像进行卷积神经网络(cnn)模型训练。

可选的，所述表情分类包括以下部分或全部分类：积极、正常、消极。

可选的，所述角度倾斜处理的角度通过采集所述用户表情日常图像的传感器的工作角度确定。

可选的，所述根据获得的角度倾斜图像进行cnn模型训练包括：

确定所有所述角度倾斜图像中训练集和验证集的比例；

根据确定的训练集和验证集的比例，将获得的所有所述角度倾斜图像输入到预先设定的cnn模型中，进行cnn模型的训练。

可选的，所述确定用户心理状态包括：

从采集的预设时长的视频文件中，获得所述用户表情日常图像；

将获得的每一张所述用户表情日常图像，分别输入到完成训练的cnn模型中，获得对应于各所述用户表情日常图像的概率向量；

根据获得的概率向量，确定用户的心理状态。

其中，所述用户表情日常图像的格式与所述面部图像的格式相同；所述概率向量用于表示当前用户表情日常图像中用户的表情属于不同表情分类的概率。

可选的，所述确定用户的心理状态包括：

将从预设时长的视频文件中获得的所有所述用户表情日常图像的概率向量，根据表情分类的所属不同，分别进行概率的累加；

当表情分类对应的概率累加和大于预设的累加阈值时，确定用户的心理状态为该表情分类对应的状态。

可选的，所述获得用户表情日常图像之前，所述方法还包括：

对所述视频文件中包含的图像进行角度校正。

另一方面，本发明实施例还提供一种图像分析的装置，其特征在于，包括：构建单元、训练单元和分析单元；其中，

构建单元用于：根据用户表情样本图像和来自数据库的面部图像，构建训练图像集；

训练单元用于：根据构建的训练图像集进行模型训练；

分析单元用于：通过训练后的模型对用户表情日常图像进行分析，确定用户心理状态。

可选的，所述构建单元具体用于：

对预设数值个用户，分别获取各个用户表达预设种情绪的第一图像；对获取的所述第一图像进行人脸识别后，切分获得对应于各用户的与所述面部图像格式相同的第二图像；按照预设的筛选策略对所述第二图像进行筛选后，获得各用户的用户表情样本图像；将获得的所有用户的所述用户表情样本图像作为第一图像集；

从预设的面部表情数据库中读取预设数量的面部图像，将读取的所有所述面部图像作为第二图像集；

合并所述第一图像集和所述第二图像集后，获得所述训练图像集；

其中，所述第二图像集包含的图像数量大于所述第一图像集包含的图像数量；所述情绪包括以下部分或全部：开心、惊喜、淡然、愤怒、悲伤、生气、害怕。

可选的，所述面部表情数据库包括：

fer2013数据库。

可选的，所述训练单元具体用于：

按照预设的表情分类，对获得的所述训练图像集中的各图像分别进行标记；

对标记后的各图像分别进行预设次数的角度倾斜处理，获得相应数量的角度倾斜图像；

根据获得的所有所述角度倾斜图像进行卷积神经网络(cnn)模型训练。

可选的，所述表情分类包括以下部分或全部分类：积极、正常、消极。

可选的，所述训练单元用于根据获得的角度倾斜图像进行cnn模型训练包括：

确定所有所述角度倾斜图像中训练集和验证集的比例；

根据确定的训练集和验证集的比例，将获得的所有所述角度倾斜图像输入到预先设定的cnn模型中，进行cnn模型的训练。

可选的，所述分析单元具体用于：

从采集的预设时长的视频文件中，获得所述用户表情日常图像；

将获得的每一张所述用户表情日常图像，分别输入到完成训练的cnn模型中，获得对应于各所述用户表情日常图像的概率向量；

根据获得的概率向量，确定用户的心理状态。

其中，所述用户表情日常图像的格式与所述面部图像的格式相同；所述概率向量用于表示当前用户表情日常图像中用户的表情属于不同表情分类的概率。

可选的，所述分析单元用于确定用户的心理状态包括：

将从预设时长的视频文件中获得的所有所述用户表情日常图像的概率向量，根据表情分类的所属不同，分别进行概率的累加；

当表情分类对应的概率累加和大于预设的累加阈值时，确定用户的心理状态为该表情分类对应的状态。可选的，所述分析单元还用于：

对所述视频文件中包含的图像进行角度校正。

再一方面，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行上述图像分析的方法。

还一方面，本发明实施例还提供一种终端，包括：存储器和处理器；其中，

处理器被配置为执行存储器中的程序指令；

程序指令在处理器读取执行以下操作：

根据用户表情样本图像和来自数据库的面部图像，构建训练图像集；

根据构建的训练图像集进行模型训练；

通过训练后的模型对用户表情日常图像进行分析，确定用户心理状态。

与相关技术相比，本申请技术方案包括：根据用户表情样本图像和来自数据库的面部图像，构建训练图像集；根据构建的训练图像集进行模型训练；通过训练后的模型对用户表情日常图像进行分析，确定用户心理状态。本发明实施例通过图像信息实现了用户心理状态的确定，降低了确定用户心理状态的资源消耗，提升了分析用户心理状态的效率。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1为本发明实施例图像分析的方法的流程图；

图2为本发明实施例图像分析的装置的结构框图；

图3为本发明应用示例cnn模型的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请发明人分析发现，目前很多公司的办公场所都设置有监控摄像头，录制的视频图像主要用于图像备份，利用率极低；而这些视频图像记录了企业员工在日常工作活动中的影像，如果通过视频图像可以对员工的心理状态进行分析，则利用已有的视频图像，可以对员工的心理问题进行即时的发现和处理。

图1为本发明实施例图像分析的方法的流程图，如图1所示，包括：

步骤101、根据用户表情样本图像和来自数据库的面部图像，构建训练图像集；

可选的，本发明实施例构建训练图像集包括：

对预设数值个用户，分别获取各个用户表达预设种情绪的第一图像；对获取的所述第一图像进行人脸识别后，切分获得对应于各用户的与所述面部图像格式相同的第二图像；按照预设的筛选策略对所述第二图像进行筛选后，获得各用户的用户表情样本图像；将获得的所有用户的所述用户表情样本图像作为第一图像集；

从预设的面部表情数据库中读取预设数量的面部图像，将读取的所有所述面部图像作为第二图像集；

合并所述第一图像集和所述第二图像集后，获得所述训练图像集；

其中，所述第二图像集包含的图像数量大于所述第一图像集包含的图像数量；所述情绪包括以下部分或全部：开心、惊喜、淡然、愤怒、悲伤、生气、害怕。

需要说明的是，本发明实施例用于获取第一图像集的用户个数，可以由本领域技术人员根据模型训练的经验值进行分析确定；筛选策略包括：对获得的第二图像，区分所表达的情绪后，设定保留的不同情绪的第二图像的比例；根据保留的第二图像的数量及设定的比例，从切分获得的所有第二图像中确定出用户表情样本图像。例如、本发明实施例可以设定从第二图像中保留标识积极、正常、消极的第二图像的比例为3:4:3；比例值允许一定的误差，可以由本领域技术人员根据应用环境及分析结果进行分析调整。另外，本发明实施例第二图像集包含的图像数量与第一图像集包含的图像数量可以成一定的比例关系，例如、第二图像集包含的图像数量与第一图像集包含的图像数量的比例为2:1～3:1之间；

可选的，本发明实施例面部表情数据库包括：

fer2013数据库。

需要说明的是，fer2013数据库为相关技术中已有的人脸表情识别实验数据库，在此不做赘述。

步骤102、根据构建的训练图像集进行模型训练；

可选的，本发明实施例根据构建的训练图像集进行模型训练包括：

按照预设的表情分类，对获得的所述训练图像集中的各图像分别进行标记；

对标记后的各图像分别进行预设次数的角度倾斜处理，获得相应数量的角度倾斜图像；

根据获得的所有所述角度倾斜图像进行卷积神经网络(cnn)模型训练。

可选的，本发明实施例表情分类包括以下部分或全部分类：积极、正常、消极。

需要说明的是，标记图像的方法可以包括本领域技术人员惯用的标记方法，例如、通过数字编码0、1和2对不同表情分类的图像进行标记；其中，0表示正常、1表示积极、2表示消极。

可选的，本发明实施例角度倾斜处理的角度通过采集所述用户表情日常图像的传感器的工作角度确定。

本发明实施例假设采集用户表情日常图像的摄像头的工作角度为30～60度，则本发明实施例可以对标记后的图像进行倾斜角度为30度至60度范围内的预设次数的角度倾斜处理，预设次数可以为5次，即对每一张标记后的图像，在30～60度范围内选择5个角度，进行五次角度倾斜处理，获得相应的5张角度倾斜图像。

可选的，本发明实施例根据获得的角度倾斜图像进行cnn模型训练包括：

确定所有所述角度倾斜图像中训练集和验证集的比例；

根据确定的训练集和验证集的比例，将获得的所有所述角度倾斜图像输入到预先设定的cnn模型中，进行cnn模型的训练。

步骤103、通过训练后的模型对用户表情日常图像进行分析，确定用户心理状态。

可选的，本发明实施例确定用户心理状态包括：

从采集的预设时长的视频文件中，获得所述用户表情日常图像；

将获得的每一张所述用户表情日常图像，分别输入到完成训练的cnn模型中，获得对应于各所述用户表情日常图像的概率向量；

根据获得的概率向量，确定用户的心理状态。

其中，所述用户表情日常图像的格式与所述面部图像的格式相同；所述概率向量用于表示当前用户表情日常图像中用户的表情属于不同表情分类的概率。

所述确定用户的心理状态包括：

将从预设时长的视频文件中获得的所有所述用户表情日常图像的概率向量，根据表情分类的所属不同，分别进行概率的累加；当表情分类对应的概率累加和大于预设的累加阈值时，确定用户的心理状态为该表情分类对应的状态。假设预设时长为5分钟，获得的用户a的用户表情日常图像有10张；用户表情日常图像的概率向量的第一项对应的用户表情分类为积极、第二项为对应的用户表情分类正常、第三项对应的用户表情分类为消极；假设上述获得对应于各所述用户表情日常图像的概率向量分别为：用户表情日常图像1的概率向量为(0.5、0.3、0.2)、用户表情日常图像2的概率向量为(0.6、0.2、0.2)、用户表情日常图像3的概率向量为(0.7、0.2、0.1)、用户表情日常图像4的概率向量为(0.5、0.3、0.2)、用户表情日常图像5的概率向量为(0.5、0.3、0.2)、用户表情日常图像6的概率向量为(0.7、0.2、0.1)、用户表情日常图像7的概率向量为(0.5、0.3、0.2)、用户表情日常图像8的概率向量为(0.7、0.2、0.1)、用户表情日常图像9的概率向量为(0.5、0.3、0.2)、用户表情日常图像10的概率向量为(0.6、0.2、0.2)，则对概率向量的每一项分别进行累加后，获得各项的累加和分别为：5.8、2.5、1.7；假设累加阈值为5，则通过上述方式可以确定：用户在这个5分钟的时间状态，心理状态表现为积极。本发明实施例预设时长、累加阈值等可以由本领域技术人员基于分析结果的准确程度、应用场所等进行调整。需要说明的是，本发明实施例用户表情日常图像可以通过对视频文件包含的图像进行人脸识别后，切分包含用户表情的图像后获得；

可选的，获得用户表情日常图像之前，本发明实施例方法还包括：

对所述视频文件中包含的图像进行角度校正。

需要说明的是，角度校正的方法可以包括相关技术中已有的处理方法，在此不做赘述。

与相关技术相比，本申请技术方案包括：根据用户表情样本图像和来自数据库的面部图像，构建训练图像集；根据构建的训练图像集进行模型训练；通过训练后的模型对用户表情日常图像进行分析，确定用户心理状态。本发明实施例通过图像信息实现了用户心理状态的确定，降低了确定用户心理状态的资源消耗，提升了分析用户心理状态的效率。

图2为本发明实施例图像分析的装置的结构框图，如图2所示，包括：构建单元、训练单元和分析单元；其中，

构建单元用于：根据用户表情样本图像和来自数据库的面部图像，构建训练图像集；

可选的，所述构建单元具体用于：

对预设数值个用户，分别获取各个用户表达预设种情绪的第一图像；对获取的所述第一图像进行人脸识别后，切分获得对应于各用户的与所述面部图像格式相同的第二图像；按照预设的筛选策略对所述第二图像进行筛选后，获得各用户的用户表情样本图像；将获得的所有用户的所述用户表情样本图像作为第一图像集；

从预设的面部表情数据库中读取预设数量的面部图像，将读取的所有所述面部图像作为第二图像集；

合并所述第一图像集和所述第二图像集后，获得所述训练图像集；

其中，所述第二图像集包含的图像数量大于所述第一图像集包含的图像数量；所述情绪包括以下部分或全部：开心、惊喜、淡然、愤怒、悲伤、生气、害怕。

需要说明的是，本发明实施例用于获取第一图像集的用户个数，可以由本领域技术人员根据模型训练的经验值进行分析确定；筛选策略包括：对获得的第二图像，区分所表达的情绪后，设定保留的不同情绪的第二图像的比例；根据保留的第二图像的数量及设定的比例，从切分获得的所有第二图像中确定出用户表情样本图像。例如、本发明实施例可以设定从第二图像中保留标识积极、正常、消极的第二图像的比例为3:4:3；比例值允许一定的误差，可以由本领域技术人员根据应用环境及分析结果进行分析调整。另外，本发明实施例第二图像集包含的图像数量与第一图像集包含的图像数量可以成一定的比例关系，例如、第二图像集包含的图像数量与第一图像集包含的图像数量的比例为2:1～3:1之间；

可选的，本发明实施例面部表情数据库包括：

fer2013数据库。

需要说明的是，fer2013数据库为相关技术中已有的人脸表情识别实验数据库，在此不做赘述。

训练单元用于：根据构建的训练图像集进行模型训练；

可选的，本发明实施例训练单元具体用于：

按照预设的表情分类，对获得的所述训练图像集中的各图像分别进行标记；

对标记后的各图像分别进行预设次数的角度倾斜处理，获得相应数量的角度倾斜图像；

根据获得的所有所述角度倾斜图像进行卷积神经网络(cnn)模型训练。

可选的，本发明实施例表情分类包括以下部分或全部分类：积极、正常、消极。

需要说明的是，标记图像的方法可以包括本领域技术人员惯用的标记方法，例如、通过数字编码0、1和2对不同表情分类的图像进行标记；其中，0表示正常、1表示积极、2表示消极。

可选的，本发明实施例所述角度倾斜处理的角度通过采集所述用户表情日常图像的传感器的工作角度确定。

本发明实施例假设采集用户表情日常图像的摄像头的工作角度为30～60度，则本发明实施例可以对标记后的图像进行倾斜角度为30度至60度范围内的预设次数的角度倾斜处理，预设次数可以为5次，即对每一张标记后的图像，在30～60度范围内选择5个角度，进行五次角度倾斜处理，获得相应的5张角度倾斜图像。

可选的，本发明实施例训练单元用于根据获得的角度倾斜图像进行cnn模型训练包括：

确定所有所述角度倾斜图像中训练集和验证集的比例；

根据确定的训练集和验证集的比例，将获得的所有所述角度倾斜图像输入到预先设定的cnn模型中，进行cnn模型的训练。

分析单元用于：通过训练后的模型对用户表情日常图像进行分析，确定用户心理状态。

可选的，本发明实施例分析单元具体用于：

从采集的预设时长的视频文件中，获得所述用户表情日常图像；

将获得的每一张所述用户表情日常图像，分别输入到完成训练的cnn模型中，获得对应于各所述用户表情日常图像的概率向量；

根据获得的概率向量，确定用户的心理状态。

其中，所述用户表情日常图像的格式与所述面部图像的格式相同；所述概率向量用于表示当前用户表情日常图像中用户的表情属于不同表情分类的概率。

可选的，本发明实施例所述分析单元用于确定用户的心理状态包括：

将从预设时长的视频文件中获得的所有所述用户表情日常图像的概率向量，根据表情分类的所属不同，分别进行概率的累加；

当表情分类对应的概率累加和大于预设的累加阈值时，确定用户的心理状态为该表情分类对应的状态。

需要说明的是，本发明实施例获得所述用户表情日常图像包括：对视频文件

可选的，本发明实施例分析单元还用于：

对所述视频文件中包含的图像进行角度校正。

需要说明的是，角度校正的方法可以包括相关技术中已有的处理方法，在此不做赘述。

与相关技术相比，本申请技术方案包括：根据用户表情样本图像和来自数据库的面部图像，构建训练图像集；根据构建的训练图像集进行模型训练；通过训练后的模型对用户表情日常图像进行分析，确定用户心理状态。本发明实施例通过图像信息实现了用户心理状态的确定，降低了确定用户心理状态的资源消耗，提升了分析用户心理状态的效率。

本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行上述图像分析的方法。

本发明实施例还提供一种终端，包括：存储器和处理器；其中，

处理器被配置为执行存储器中的程序指令；

程序指令在处理器读取执行以下操作：

根据用户表情样本图像和来自数据库的面部图像，构建训练图像集；

根据构建的训练图像集进行模型训练；

通过训练后的模型对用户表情日常图像进行分析，确定用户心理状态。

以下通过应用示例对本发明实施例方法进行清楚详细的说明，应用示例仅用于陈述本发明，并不用于限定本发明的保护范围。

应用示例

本发明应用示例以将上述图像分析方法应用于某具体公司为例进行说明，包括：

选取公司的100名员工，通过摄像头采集各员工做不同表情的表情图像，表情图像可以以视频文件的方式存储，表情理论上越丰富越好。

使用opencv(是一种现有的跨平台计算机视觉库)对录制的视频文件进行人脸识别和切分，生成一张张固定为48*48像素大小的人脸的灰度图片；

对生成的灰度图片进行删减；本发明应用示例为了可以更加准确的获的心理状态的预测结果，一般删除非典型的人脸照片或者表情过渡照片，只保留一些正常的照片和典型的照片，本发明应用示例每个用户的视频文件可以筛选获得50张左右的用户表情样本图像；

对删减过的照片进行标记，为了更加准确的获得预测结果，本发明实施例对表情的分类，共分为三类：用1表示积极(例如：微笑、大笑等表情)；用0表示正常(例如：一般的表情、)；用2表示消极(例如：哭的、悲伤、生气、害怕等表情)，本发明实施例用户表情样本图像中，积极、正常和消极的用户表情样本图像比例可以是3:4:3；

本发明应用示例从fer2013中读取预设数量的面部图像，将读取的所有面部图像作为第二图像集，对第二图像集中的图像，采用上述表情分类方法进行标记，具体的，将fer2013中数据集标记为3(happy)和5(surprise)调整为1；把6(neutral)标记为0；把0(angry)、1(disgust)、2(fear)和4(sad)调整为2；

本发明实施例将第一图像集和第二图像集按照1:3的比例进行组合后，获得训练图像集；

本发明应用示例还包括对训练图像集中的图像进行拍摄角度处理，针对摄像头常见倾斜角度范围为30～60度的情况，本发明应用示例可以对每张标记后的图像，以在30度至60度范围内随机生成5张不同倾斜角度的角度倾斜图像；

本发明应用示例，随机选取角度倾斜图像中的80％作为训练集，20％作为验证集，构建cnn模型对训练集进行训练，图3为本发明应用示例cnn模型的示意图，如图3所示，本发明应用示例cnn模型中包含4个卷积层，3次池化层，2个全连接层，和一个输出层；本发明应用示例经过200轮迭代之后，可使得模型准确度达97％以上。

本发明应用示例完成cnn模型的训练后，调用cnn模型对用户表情日常图像进行分析，获得用户心理状态的预测结果，相关步骤包括：

对摄像头拍摄到的图像进行校正；本发明应用示例通过opencv提供的畸变矫正功能，矫正角度根据摄像头悬挂的位置和角度制定，校正后可以使照片中人脸的角度更符合训练集数据，可以取得更好的效果。由于视频监控摄像头都是挂在屋顶的，存在一定的拍摄角度问题，所以校正后再进行预测可以进一步提高准度；

对采集的视频文件中包含的图像进行人脸区域的识别和切分，生成以时间为序的用户表情日常图像；本发明应用示例把照片处理成48*48像素大小的人脸的灰度图片，与fer2013保持一致；

通过训练好的cnn模型对用户表情日常图像进行分析，获得基于时间序列的预测结果，单张图片的预测结果就是用户表情日常图像中用户的表情属于各类表情(预设的表情分类)的概率；cnn模型会输出每个表情分类的概率，同一人根据实际连续的不同表情的概率，组成了不同表情的概率向量；

本发明应用示例通过相关技术中已有的逻辑回归预测算法对概率向量进行处理，计算出员工在预设时长的时间段内的心理状态的得分，当心理状态得分低于一定数值时，认为员工心理状态存在问题，可以由相关专家提供指导。

本发明应用示例可以捕捉到用户在图像采集区域内的表情信息，通过长时间不间断的监控和分析，可以更加高效的分析员工的心理状态，为对员工提供准确及时的指导意见提供了数据支持。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件(例如处理器)完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的每个模块/单元可以采用硬件的形式实现，例如通过集成电路来实现其相应功能，也可以采用软件功能模块的形式实现，例如通过处理器执行存储于存储器中的程序/指令来实现其相应功能。本发明不限制于任何特定形式的硬件和软件的结合。

虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。