本发明涉及情绪分析的技术领域，尤其涉及情绪和测试结果的关联度分析方法及分析装置、存储介质。
背景技术：
现有技术中，基于视觉技术的表情识别系统一般通过将采集到目标对象的表情数据后进行识别后，根据预设情绪的类别，生成对应的识别结果信息供用户参阅，其缺少对识别结果信息进行处理以进一步分析的方案，尤其缺少针对目标对象在经过测试后的测试结果与情绪之间关联度的分析，使得目标对象及相关人员难以针对目标对象的情绪进行调控并以此对目标对象的测试结果产生积极有益的效果。因此，有必要提出一种方案能基于获取的用户的情绪数据和测试结果进行处理以分析获取两者的关联度。
技术实现要素：
有鉴于此，本发明的目的在于提供情绪和测试结果的关联度分析方法及分析装置、存储介质，来解决上述问题。
为了实现上述的目的，本发明采用了如下的技术方案：
一种情绪和测试结果的关联度分析方法，所述关联度分析方法包括：获取r×c个目标对象在q个时间段中每个时间段的r×c个情绪数据，以形成q个由r×c个情绪数据构成的情绪数据矩阵；根据q个情绪数据矩阵和q个时间段获取平均情绪数据矩阵；在q个时间段之后对r×c个目标对象进行测试，以获取由r×c个测试结果构成的测试结果矩阵；根据所述平均情绪数据矩阵和所述测试结果矩阵对情绪和测试结果的关联度进行分析。
优选地，根据q个情绪数据矩阵和q个时间段获取平均情绪数据矩阵的方法包括：对q个情绪数据矩阵进行矩阵加法运算，以获得一个求和情绪数据矩阵；利用所述求和情绪数据矩阵除以q，以得到所述平均情绪数据矩阵。
优选地，根据所述平均情绪数据矩阵和所述测试结果矩阵对情绪和测试结果的关联度进行分析的方法包括：根据所述平均情绪数据矩阵和所述测试结果矩阵计算出情绪和测试结果的皮尔逊相关系数的相关期望值；根据所述相关期望值计算出皮尔逊相关系数；根据所述皮尔逊相关系数分析情绪和测试结果的关联度。
优选地，根据所述平均情绪数据矩阵和所述测试结果矩阵计算出情绪和测试结果的皮尔逊相关系数的相关期望值的方法包括：将所述平均情绪数据矩阵中的r×c个情绪数据求和并除以r*c，以计算出第一情绪期望值；将所述测试结果矩阵中的r×c个测试结果求和并除以r*c，以计算出第一测试结果期望值；将所述平均情绪数据矩阵中的r×c个情绪数据与所述测试结果矩阵中对应的r×c个测试结果分别相乘，以获得r×c个情绪测试参量，并将r×c个情绪测试参量求和并除以r*c，以计算出情绪测试期望值；将所述平均情绪数据矩阵中的r×c个情绪数据中的每个进行平方，并对平方计算后的r×c个情绪数据求和并除以r*c，以计算出第二情绪期望值；将所述测试结果矩阵中的r×c个测试结果中的每个进行平方，并对平方计算后的r×c个测试结果求和并除以r*c，以计算出第二测试结果期望值。
优选地，根据所述相关期望值计算出皮尔逊相关系数的方法包括：根据情绪测试期望值、第一情绪期望值和第一测试结果期望值计算出情绪测试协方差；根据第一情绪期望值、第一测试结果期望值、第二情绪期望值和第二测试结果期望值计算出情绪测试标准差；利用所述情绪测试协方差除以所述情绪测试标准差，以计算出所述皮尔逊相关系数。
优选地，根据情绪测试期望值、第一情绪期望值和第一测试结果期望值计算出情绪测试协方差的方法包括：利用情绪测试期望值减第一情绪期望值和第一测试结果期望值的乘积，以计算出情绪测试协方差。
优选地，根据第一情绪期望值、第一测试结果期望值、第二情绪期望值和第二测试结果期望值计算出情绪测试标准差的方法包括：利用第二情绪期望值减去第一情绪期望值的平方，并对差值进行开方，以获取第一开方值；利用第二测试结果期望值减去第一测试结果期望值的平方，并对差值进行开方，以获取第二开方值；将所述第一开方值和所述第二开方值进行相乘，以得到所述情绪测试标准差。
优选地，所述情绪数据包括高唤醒度的积极情绪参量、低唤醒度的积极情绪参量、高唤醒度的消极情绪参量、低唤醒度的消极情绪参量中的至少一种。
本发明还提供了一种计算机存储介质，所述计算机存储介质上存储有关联度分析程序，所述关联度分析程序用于被处理器执行以实现如上所述的关联度分析方法。
本发明还提供了一种情绪和测试结果的关联度分析装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的关联度分析程序，所述关联度分析程序用于被所述处理器执行以实现如上所述的关联度分析方法。
本发明提供的情绪和测试结果的关联度分析方法及分析装置、计算机存储介质，对获取的多个目标对象的情绪数据和经过测试后的测试结果进行相应处理，获得对应的平均情绪数据矩阵和测试结果矩阵，再基于所述平均情绪数据矩阵和测试结果矩阵来对情绪和测试结果的关联度进行分析，获得情绪和测试结果的关联度，使得目标对象及相关人员可根据所述关联度来调控或管理对应的情绪，从而对情绪本身及测试结果产生有益的效果。
附图说明
图1是本发明实施例提供的情绪和测试结果的关联度分析方法的流程图；
图2是本发明实施例中开心类别的情绪对应情绪参量的示例性变化图。
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，下面结合附图对本发明的具体实施方式进行详细说明。这些优选实施方式的示例在附图中进行了例示。附图中所示和根据附图描述的本发明的实施方式仅仅是示例性的，并且本发明并不限于这些实施方式。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了关系不大的其他细节。
参阅图1所示，本实施例提供了一种情绪和测试结果的关联度分析方法，所述关联度分析方法包括：
s1、获取r×c个目标对象在q个时间段中每个时间段的r×c个情绪数据，以形成q个由r×c个情绪数据构成的情绪数据矩阵；
s2、根据q个情绪数据矩阵和q个时间段获取平均情绪数据矩阵；
s3、在q个时间段之后对r×c个目标对象进行测试，以获取由r×c个测试结果构成的测试结果矩阵；
s4、根据所述平均情绪数据矩阵和所述测试结果矩阵对情绪和测试结果的关联度进行分析。
本发明实施例提供的上述关联度分析方法，一方面，基于在连续的多个时间段中的每个时间段内，获取多个目标对象对应个数的情绪数据，计算出平均每个时间段内多个目标对象的情绪数据，构成所需的平均情绪数据矩阵；另一方面，基于在所述连续的多个时间段后多个所述目标对象各自获取的测试结果，构成所需的测试结果矩阵；由此，利用所述平均情绪数据矩阵和所述测试结果矩阵，可以从整体上分析情绪和测试结果的关联度，根据获得的关联度数据，可以针对与测试结果关联度高的情绪进行相应的调控管理。例如以学生作为目标对象，基于在连续的多节课中的每节课内，根据多个学生构成的班级平均每节课上的情绪数据，分析得知情绪与作为测试结果的某课程成绩之间的关联度，教育管理者或学生自身可以通过相应举措引导激发对成绩提升有积极帮助的关联度大的情绪，而控制减少对成绩提升无积极帮助甚至起消极作用的关联度小的情绪产生，以达到提高学生的成绩的目的。
具体地，所述步骤s2中，根据q个情绪数据矩阵和q个时间段获取平均情绪数据矩阵的方法包括：
对q个情绪数据矩阵进行矩阵加法运算，以获得一个求和情绪数据矩阵；
利用所述求和情绪数据矩阵除以q，以得到所述平均情绪数据矩阵。
本实施例中，以定义不同类别的情绪作为向量的分量，构成情绪向量
故所述步骤s1中，在时间段cn内r×c个目标对象可以生成情绪数据矩阵：
定义目标对象iji在q个时间段之后的测试结果为
所述步骤s3中，r×c个目标对象对应的测试结果矩阵为：
其中，对测试结果进行归一化处理，使测试结果
具体地，所述步骤s4中，根据所述平均情绪数据矩阵和所述测试结果矩阵对情绪和测试结果的关联度进行分析的方法包括：
根据所述平均情绪数据矩阵和所述测试结果矩阵计算出情绪和测试结果的皮尔逊相关系数的相关期望值；
根据所述相关期望值计算出皮尔逊相关系数；
根据所述皮尔逊相关系数分析情绪和测试结果的关联度。
皮尔逊相关系数是用于度量两个变量之间的关联度的系数，其取值在-1至1之间，通过上述获得的所述平均情绪数据矩阵和所述测试结果矩阵代表情绪和测试结果，以分别作为皮尔逊相关系数衡量的两个变量，根据计算出的皮尔逊相关系数的数值并与预设的阈值标准进行比较，即可判断出情绪和测试结果的关联度大小。
进一步地，根据所述平均情绪数据矩阵和所述测试结果矩阵计算出情绪和测试结果的皮尔逊相关系数的相关期望值的方法包括：
将所述平均情绪数据矩阵中的r×c个情绪数据求和并除以r*c，以计算出第一情绪期望值，即为所述情绪变量的期望值；
在本实施例中，所述第一情绪期望值的计算公式为：
其中，p代表情绪，pji代表情绪数据矩阵中对应行列数位置的当前目标对象的情绪数据。
将所述测试结果矩阵中的r×c个测试结果求和并除以r*c，以计算出第一测试结果期望值，即为所述测试结果变量的期望值；
在本实施例中，所述第一测试结果期望值的计算公式为：
其中，y代表测试结果，
将所述平均情绪数据矩阵中的r×c个情绪数据与所述测试结果矩阵中对应的r×c个测试结果分别相乘，以获得r×c个情绪测试参量，并将r×c个情绪测试参量求和并除以r*c，以计算出情绪测试期望值，即为所述情绪变量和测试结果变量的乘积的期望值；
在本实施例中，所述情绪测试期望值的计算公式为：
将所述平均情绪数据矩阵中的r×c个情绪数据中的每个进行平方，并对平方计算后的r×c个情绪数据求和并除以r*c，以计算出第二情绪期望值，即为所述情绪变量的平方的期望值；
在本实施例中，所述第二情绪期望值的计算公式为：
将所述测试结果矩阵中的r×c个测试结果中的每个进行平方，并对平方计算后的r×c个测试结果求和并除以r*c，以计算出第二测试结果期望值，即为所述测试结果变量的平方的期望值。
在本实施例中，所述第二测试结果期望值的计算公式为：
更进一步地，由于两个变量之间的皮尔逊相关系数为两个变量之间的协方差和标准差的商，故根据所述相关期望值计算出皮尔逊相关系数的方法包括：
根据情绪测试期望值、第一情绪期望值和第一测试结果期望值计算出情绪测试协方差，即情绪变量与测试结果变量的协方差；
根据第一情绪期望值、第一测试结果期望值、第二情绪期望值和第二测试结果期望值计算出情绪测试标准差，即情绪变量与测试结果变量的标准差；
利用所述情绪测试协方差除以所述情绪测试标准差，以计算出所述皮尔逊相关系数。
具体地，根据情绪测试期望值、第一情绪期望值和第一测试结果期望值计算出情绪测试协方差的方法包括：利用情绪测试期望值减第一情绪期望值和第一测试结果期望值的乘积，以计算出情绪测试协方差。
所述情绪测试协方差的计算公式为：
cov(p，y)＝e[py]-e[p]*e[y]；
具体地，根据第一情绪期望值、第一测试结果期望值、第二情绪期望值和第二测试结果期望值计算出情绪测试标准差的方法包括：
利用第二情绪期望值减去第一情绪期望值的平方，并对差值进行开方，以获取第一开方值；
利用第二测试结果期望值减去第一测试结果期望值的平方，并对差值进行开方，以获取第二开方值；
将所述第一开方值和所述第二开方值进行相乘，以得到所述情绪测试标准差。
所述情绪测试标准差的计算公式为：
从而可得到所述皮尔逊相关系数的计算公式：
示例性地，所述情绪数据包括高唤醒度的积极情绪参量、低唤醒度的积极情绪参量、高唤醒度的消极情绪参量、低唤醒度的消极情绪参量中的至少一种。本实施例中的情绪参量为各个类别的情绪在每个时间段内所占的时间比例，以上述四种类别的情绪对应的情绪参量进行分类时，上述情绪向量
本发明还提供了一种情绪波动的判定方法，包括：
获取情绪参量，所述情绪参量包括各个类别的情绪在每个时间段内所占的时间比例；
分别计算连续的多个时间段内各个类别的情绪的极差；
分别判断各个类别的情绪的极差是否大于预设极差阈值，若是，确定该类别的情绪为剧烈波动的情绪。
例如：获取包括开心类别的情绪在每个时间段内所占的时间比例在内的情绪参量；根据生成的图2所示的开心类别的情绪在cn～cn+4的五个预设时间段内的情绪参量的变化图，获得所述开心类别的情绪对应的情绪参量在所述五个预设时间段内的最大值和最小值，分别为0.11和0.03，计算所述最大值和最小值之差即得到所述开心类别的情绪的极差值，为0.08；判断所述开心类别的情绪的极差是否大于预设极差阈值，若是，所述开心类别的情绪的极差为剧烈波动的情绪，此时，目标对象及相关监护人员便可针对该剧烈波动的情绪进行调控，以改善目标对象的情绪状态。
示例性地，本实施例中的情绪数据是针对由基于视觉技术的表情识别系统对目标对象进行识别获取的数据，但是，作为其他实施方式，所述情绪数据还可以是由问卷调查、实验室模拟及情绪评测等方法获取的数据。
本发明还提供了一种计算机存储介质，所述计算机存储介质上存储有关联度分析程序，所述关联度分析程序用于被处理器执行以实现如上所述的关联度分析方法。
本发明还提供了一种关联度分析装置，所述关联度分析装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的关联度分析程序，所述关联度分析程序用于被所述处理器执行以实现如上所述的关联度分析方法。
综上所述，本发明实施例提供的情绪和测试结果的关联度分析方法及分析装置、计算机存储介质，对获取的多个目标对象的情绪数据和经过测试后的测试结果进行相应处理，获得对应的平均情绪数据矩阵和测试结果矩阵，再基于所述平均情绪数据矩阵和测试结果矩阵来对情绪和测试结果的关联度进行分析，获得情绪和测试结果的关联度，使得目标对象及相关人员可根据所述关联度来调控或管理对应的情绪，从而对情绪管理及测试结果产生有益的效果。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。