CN120216948A 情绪监测模型生成方法、情绪监测方法及情绪干预方法

(19)国家知识产权局(71)申请人浙江大学路866号(74)专利代理机构北京启坤知识产权代理有限公司11655A61B5/16(2006.01)A61B5/00(2006.01)情绪监测模型生成方法、情绪监测方法及情绪干预方法本申请提供了一种情绪监测模型生成方法、情绪监测方法及情绪干预方法，该情绪监测模型生成方法包括响应于情绪监测模型生成请求，获取多个用户的第一特征数据和第二特征数据，第一特征数据包括生理特征数据和环境特征数据；基于第一特征数据的生理特征数据确定初始模态特征数据；基于第一特征数据的环境特征数据对初始模态特征数据进行修正确定修正后模态特征数据，并基于修正后模态特征数据和第二特征数据确定关联数据集；基于多个用户的关联数据集训练预构建的初始情绪监测模型，直至初始情绪监测模型满足预设要求，确定通用情绪监测模型；解决现有技术中存在的情绪监测准确度、响应于情绪监测模型生成请求，获取多个用户的第一特征数据和第二基于所述第一特征数据的环境特征数据对所述初修正确定修正后模态特征数据，并基于所述修正后基于多个用户的所述关联数据集训练预构建的初2响应于情绪监测模型生成请求，获取多个用户的第一特征数据和第二特征数据，第一特征数据包括生理特征数据和环境特征数据；基于所述第一特征数据的生理特征数据确定初始模态特征数据；基于所述第一特征数据的环境特征数据对所述初始模态特征数据进行修正确定修正后模态特征数据，并基于所述修正后模态特征数据和所述第二特征数据确定关联数据集；基于多个用户的所述关联数据集训练预构建的初始情绪监测模型，直至所述初始情绪监测模型满足预设要求，确定通用情绪监测模型。2.根据权利要求1所述的情绪监测模型生成方法，其特征在于，所述第一特征数据还包括电子设备使用数据；当第一特征数据包括所述电子设备使用数据时，所述方法还包括：基于所述电子设备使用数据对所述修正后的模态特征数据进行补充，获取补充后的所述修正后模态特征数据。3.根据权利要求1或2所述的情绪监测模型生成方法，其特征在于，所述获取多个用户的第一特征数据和第二特征数据，包括：获取多个用户的第一特征数据，并在预设时长内提醒多个用户进行情绪自评和/或在预设时长内对多个用户进行情绪他评，获取多个用户的第二特征数据，所述第二特征数据包括情绪状态类型和情绪状态强度。4.根据权利要求3所述的情绪监测模型生成方法，其特征在于，所述方法还包括：响应于个体化情绪监测模型生成请求，获取单个用户的关联数据集；基于单个用户的关联数据集构建所述单个用户的纵向关联数据集；基于所述纵向关联数据集，按照预设的优化算法对所述通用情绪监测模型进行优化直至所述通用情绪监测模型符合预设要求，确定个体化情绪监测模型；其中，所述预设的优化算法包括如梯度下降法、Adam优化算法、学习率衰减策略、权重衰减法和批量归一化中的至少一项。5.根据权利要求4所述的情绪监测模型生成方法，其特征在于，基于所述第一特征数据的生理特征数据确定初始模态特征数据，所述方法还包括：获取所述第二特征数据和所述第一特征数据的生理特征数据的模态特征；基于所述第二特征数据和所述模态特征确定相似度；基于所述相似度确定任一所述模态特征的权重；基于任一所述模态特征及其权重确定初始模态特征数据。6.根据权利要求5所述的情绪监测模型生成方法，其特征在于，响应于情绪监测模型生成请求，获取用户的第一特征数据和第二特征数据时，所述方法还包括：响应于情绪监测模型生成请求，获取用户的生理数据信息、环境数据信息和电子设备使用数据信息；按照预设的数据处理规则对所述生理数据信息、所述环境数据信息和所述电子设备使用数据信息进行处理，获取生理特征数据、环境特征数据和电子设备使用特征数据；其中，所述预设的数据处理规则包括数据信息审查、数据信息降采样、数据信息降噪、缺失数据信息补齐、数据信息对齐同步、数据信息归一化和数据信息矫正中的一项或多项3直至所述生理数据信息、所述环境数据信息和所述电子设备使用数据信息满足预设要求。7.根据权利要求4～6任一项所述的情绪监测模型生成方法，其特征在于，所述生理特液成分中的一项或多项；所述环境特征数据包括地理位置信息、行动轨迹数据、光照数据、气候数据、环境的空所述电子设备使用特征数据包括电子设备使用一般特征数据和电子设备应用使用特征数据；所述电子设备使用一般特征数据包括电子设备的使用时长、时段和频次中的一项或多项；所述电子设备应用使用特征数据包括电子设备软件应用的使用类型、使用时长、时段和频次中的一项或多项。8.根据权利要求7所述的情绪监测模型生成方法，其特征在于，预构建的所述初始情绪监测模型包括：深度学习子模型和多任务学习子模型；所述深度学习子模型包括长短期记忆网络、卷积神经网络、图卷积网络、CNN-LSTM混合结构和多模态Transformer架构中的一个或多个；所述多任务学习子模型包括跨个人活动LSTM多任务自动编码器、分指标多任务网络和个性化多任务网络中的一个或多个。9.一种情绪监测方法，其特征在于，所述情绪响应于情绪监测请求，获取用户的多模态特征数据，所述多模态特征数据包括生理特征数据、环境特征数据和电子设备使用特征数据；将所述多模态特征数据输入至所述个体化情绪监测模型，以获取所述用户的情绪状态类型和情绪状态强度；其中，所述个体化情绪监测模型基于如权利要求4～8任一项所述的情绪监测模型生成方法生成。10.根据权利要求9所述的情绪监测方法，其特征在于，将所述多模态特征数据输入至所述个体化情绪监测模型后，获取所述用户的情绪状态类型和情绪状态强度前，所述方法还包括：基于蒙特卡洛Dropout输出置信区间确定所述个体化情绪监测模型的量化值；当所述量化值低于预设值时，则触发动态生态瞬时评估验证以优化所述个体化情绪监测模型。11.根据权利要求9或10所述的情绪监测方法，其特征在于，获取所述用户的情绪状态类型和情绪状态强度前，所述方法还包括：基于所述用户的第一特征数据和第二特征数据，获取所述个体化情绪监测模型的量化当所述量化值低于预设值时，则获取用户在预设时间段内的多模态特征数据；基于所述多模态特征数据对所述个体化情绪监测模型进行迭代训练直至所述量化值不低于所述预设值，更新所述个体化情绪监测模型。12.根据权利要求11所述的情绪监测方法，其特征在于，所述方法还包括：将所述多模态特征数据缓存至存储空间，按照预设时间从存储空间获取所述多模态特4征数据并输入至所述个体化情绪监测模型，以获取所述用户的情绪状态类型和情绪状态强将所述多模态特征数据实时发送至所述个体化情绪监测模型，所述个体化情绪监测模型按照预设时间反馈所述用户的情绪状态类型和情绪状态强度。13.一种情绪干预方法，其特征在于，所述方法以用于对用户的负面的情绪状态类型进行干预，所述负面的情绪状态类型基于权利要求9~12任一项所述的情绪监测方法监测得按照预设时间周期获取用户的情绪状态类型和情绪状态强度；当监测到用户的情绪状态类型为负面时，实时输入所述情绪状态类型和所述情绪状态强度至预训练的情绪干预模型，以生成情绪干预方案；基于所述情绪干预方案对用户的情绪状态进行干预。14.根据权利要求13所述的情绪干预方法，其特征在于，所述方法还包括：当监测到用户的情绪类型为负面时，实时输入所述情绪状态类型和所述情绪状态强度至预训练的情绪干预模型，生成初始情绪干预方案；基于所述用户获取对应所述情绪状态类型和情绪状态强度，获取历史情绪干预方案；基于所述历史情绪干预方案和当前情绪状态类型和情绪状态强度对所述初始情绪干预方案进行修正，以生成情绪干预方案。15.根据权利要求14所述的情绪干预方法，其特征在于，所述方法还包括：基于所述情绪干预方案对用户的情绪状态进行干预后，获取用户的情绪状态类型和情绪状态强度；当所述用户的情绪状态类型为正面，和/或，情绪状态强度变弱时，则基于所述情绪干预方案对所述情绪干预模型进行迭代，更新所述情绪干预模型。16.根据权利要求15所述的情绪干预方法，其特征在于，所述实时输入所述情绪状态类型和所述情绪状态强度至预训练的情绪干预模型，以生成情绪干预方法，包括：根据所述情绪状态类型生成情绪干预内容；基于所述情绪状态强度生成情绪干预频次；基于所述情绪干预内容和所述情绪干预频次，生成情绪干预方案。电子设备，以用于响应于情绪监测模型生成请求，获取多个用户的第一特征数据和第二特征数据，第一特征数据包括生理特征数据和环境特征数据；数据处理单元，以用于基于所述第一特征数据的生理特征数据确定初始模态特征数据；还用于基于所述第一特征数据的环境特征数据对所述初始模态特征数据进行修正确定模态特征数据，并基于所述模态特征数据和所述第二特征数据确定关联数据集；模型生成单元，以用于基于所述关联数据集训练预构建的初始情绪监测模型直至所述初始情绪监测模型满足预设要求，确定通用情绪监测模型。电子设备，以用于响应于情绪监测请求，获取用户的多模态特征数据，所述多模态特征数据包括生理特征数据、环境特征数据和电子设备使用特征数据；5获取单元，以用于将所述多模态特征数据输入至所述个体化情绪监测模型，以获取所述用户的情绪状态类型和情绪状态强度；19.一种情绪干预系统，其特征在于，所述系统包括：获取单元，以用于按照预设时间周期获取用户的情绪状态类型和情绪状态强度；干预方案生成单元，以用于当监测到用户的情绪状态类型为负面时，实时输入所述情绪状态类型和所述情绪状态强度至预训练的情绪干预模型，以生成情绪干预方案；干预方案执行单元，以用于基于所述情绪干预方案对用户的情绪状态进行干预；其中，所述情绪状态类型和情绪状态强度基于如权利要求18所述的情绪监测系统监测得到。20.一种电子装置系统，所述电子装置系统包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其特征在于，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至16中任一项所述的方法。22.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至16中任一项所述的方法。6情绪监测模型生成方法、情绪监测方法及情绪干预方法技术领域[0001]本申请涉及心理测评与心理健康技术领域，尤其涉及一种情绪监测模型生成方法、情绪监测方法及情绪干预方法。背景技术[0002]本部分旨在为权利要求书中陈述的本申请的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就被认为是现有技术。[0003]情绪状态评估可了解个体情绪状况，为心理干预、健康管理等提供依据，现行的情绪状态的评估和干预长期以来依赖于传统的主观评价方法，如量表和问卷。这些工具主要通过个体自我报告的形式收集数据，旨在量化个人的情绪体验。然而，随着技术的发展，特别是传感器技术和机器学习的进步，开始出现利用生理信号(如脑电、近红外)、行为指标(如面部表情、语音、眼动)等进行更客观的情绪状态评估的方法。这些新兴技术试图通过捕捉非侵入性的生物标志物来提供更加客观、连续且动态的情绪状态评估。[0004]尽管上述技术为情绪状态的测评带来了不同的视角，但它们各自存在明显的局限性；一方面，传统采用量表和问卷的主观评价方法依赖于用户个体的自我感知和报告，这使得测评结果极易受到个人情绪认知偏差的影响，存在主观性较高的问题，导致测评的准确性较低；另一方面，基于生物信号和技术的测评方法存在数据连续性和动态性缺乏的问题，虽然使用脑电、近红外、面部表情、语音、眼动等信息进行情绪测评能够提供比传统方法更为客观的数据，但这类方法往往难以实现真正的连续监测，这意味着它们无法全面反映情绪状态随时间的变化情况，从而限制了对情绪状态的动态变化分析和个体化理解能力；再一方面，上述方法存在稳定性和适用性不足的问题，由于上述原因，基于这些技术的情绪测评结果可能不够稳定，难以广泛适用于不同用户在不同场景下的情绪评估需求。[0005]基于此，亟需提出一种能够解决上述技术问题的情绪监测模型生成方法、情绪监测方法和情绪干预方法。发明内容[0006]本申请的多个方面提供一种情绪监测模型生成方法、情绪监测方法和情绪干预方法，以用于解决现有技术中存在情绪监测准确度不高、动态性不强和个体化程度不高及情绪干预不及时、干预策略个性化程度不高的技术弊端。[0007]本申请的一方面，提供一种情绪监测模型生成方法，所述方法包括：响应于情绪监测模型生成请求，获取多个用户的第一特征数据和第二特征数据，第一特征数据包括生理特征数据和环境特征数据；基于所述第一特征数据的生理特征数据确定初始模态特征数据；基于所述第一特征数据的环境特征数据对所述初始模态特征数据进行修正确定修正后模态特征数据，并基于所述修正后模态特征数据和所述第二特征数据确定关联数据7基于多个用户的所述关联数据集训练预构建的初始情绪监测模型，直至所述初始情绪监测模型满足预设要求，确定通用情绪监测模型。[0008]进一步地，所述第一特征数据还包括电子设备使用数据；当第一特征数据包括所述电子设备使用数据时，所述方法还包括：基于所述电子设备使用数据对所述修正后的模态特征数据进行补充，获取补充后的所述修正后模态特征数据。[0009]进一步地，所述获取多个用户的第一特征数据和第二特征数据，包括：获取多个用户的第一特征数据，并在预设时长内提醒多个用户进行情绪自评和/或在预设时长内对多个用户进行情绪他评，获取多个用户的第二特征数据，所述第二特征数据包括情绪状态类型和情绪状态强度。[0010]进一步地，所述方法还包括：响应于个体化情绪监测模型生成请求，获取单个用户的关联数据集；基于单个用户的关联数据集构建所述单个用户的纵向关联数据集；基于所述纵向关联数据集，按照预设的优化算法对所述通用情绪监测模型进行优化直至所述通用情绪监测模型符合预设要求，确定个体化情绪监测模型；其中，所述预设的优化算法包括如[0011]进一步地，基于所述第一特征数据的生理特征数据确定初始模态特征数据，所述方法还包括：获取所述第二特征数据和所述第一特征数据的生理特征数据的模态特征；基于所述第二特征数据和所述模态特征确定相似度；基于所述相似度确定任一所述模态特征的权重；基于任一所述模态特征及其权重确定初始模态特征数据。[0012]进一步地，响应于情绪监测模型生成请求，获取用户的第一特征数据和第二特征数据时，所述方法还包括：响应于情绪监测模型生成请求，获取用户的生理数据信息、环境数据信息和电子设备使用数据信息；按照预设的数据处理规则对所述生理数据信息、所述环境数据信息和所述电子设备使用数据信息进行处理，获取生理特征数据、环境特征数据和电子设备使用特征数据；其中，所述预设的数据处理规则包括数据信息审查、数据信息降采样、数据信息降噪、缺失数据信息补齐、数据信息对齐同步、数据信息归一化和数据信息矫正中的一项或多项直至所述生理数据信息、所述环境数据信息和所述电子设备使用数据信息满足预设要求。率、肺功能、女性健康数据和汗液成分中的一项或多项；所述环境特征数据包括地理位置信紫外线暴露数据中的一项或多项；所述电子设备使用特征数据包括电子设备使用一般特征数据和电子设备应用使用特征数据，所述电子设备使用一般特征数据包括电子设备的使用时长、时段和频次中的一项或多项；所述电子设备应用使用特征数据包括电子设备软件应用的使用类型、使用时长、时段和频次中的一项或多项。[0014]进一步地，预构建的所述初始情绪监测模型包括：深度学习子模型和多任务学习子模型；所述深度学习子模型包括长短期记忆网络、卷积神经网络、图卷积网络、CNN-LSTM混合结构和多模态Transformer架构中的一个或多个；所述多任务学习子模型包括跨个人活动LSTM多任务自动编码器、分指标多任务网络和个性化多任务网络中的一个或多个。8响应于情绪监测请求，获取用户的多模态特征数据，所述多模态特征数据包括生理特征数据、环境特征数据和电子设备使用特征数据；将所述多模态特征数据输入至所述个体化情绪监测模型，以获取所述用户的情绪状态类型和情绪状态强度；其中，所述个体化情绪监测模型基于如上所述的情绪监测模型生成方法生成。[0016]进一步地，将所述多模态特征数据输入至所述个体化情绪监测模型后，获取所述用户的情绪状态类型和情绪状态强度前，所述方法还包括：基于蒙特卡洛Dropout输出置信区间确定所述个体化情绪监测模型的量化值；当所述量化值低于预设值时，则触发动态生态瞬时评估验证以优化所述个体化情绪监测模型。[0017]进一步地，获取所述用户的情绪状态类型和情绪状态强度前，所述方法还包括：基于所述用户的第一特征数据和第二特征数据，获取所述个体化情绪监测模型的量化值；当所述量化值低于预设值时，则获取用户在预设时间段内的多模态特征数据；基于所述多模态特征数据对所述个体化情绪监测模型进行迭代训练直至所述量化值不低于所述预设值，更新所述个体化情绪监测模型。[0018]进一步地，所述方法还包括：将所述多模态特征数据缓存至存储空间，按照预设时间从存储空间获取所述多模态特征数据并输入至所述个体化情绪监测模型，以获取所述用户的情绪状态类型和情绪状态强度；和/或，将所述多模态特征数据实时发送至所述个体化情绪监测模型，所述个体化情绪监测模型按照预设时间反馈所述用户的情绪状态类型和情绪状态强度。[0019]本申请的再一方面，还提供一种情绪干预方法，所述方法用于对用户的负面情绪状态类型进行干预，所述负面的情绪状态类型基于如上所述的情绪监测方法监测得到，所述方法包括：按照预设时间周期获取用户的情绪状态类型和情绪状态强度；当监测到用户的情绪状态类型为负面时，实时输入所述情绪状态类型和所述情绪状态强度至预训练的情绪干预模型，以生成情绪干预方案；基于所述情绪干预方案对用户的情绪状态进行干预。[0020]进一步地，所述方法还包括：当监测到用户的情绪类型为负面时，实时输入所述情绪状态类型和所述情绪状态强度至预训练的情绪干预模型，生成初始情绪干预方案；基于所述用户获取对应所述情绪状态类型和情绪状态强度，获取历史情绪干预方案；基于所述历史情绪干预方案和当前情绪状态类型和情绪状态强度对所述初始情绪干预方案进行修[0021]进一步地，所述方法还包括：基于所述情绪干预方案对用户的情绪状态进行干预后，获取用户的情绪状态类型和情绪状态强度；当所述用户的情绪状态类型为正面，和/或，情绪状态强度变弱时，则基于所述情绪干预方案对所述情绪干预模型进行迭代，更新所述情绪干预模型。[0022]进一步地，所述实时输入所述情绪状态类型和所述情绪状态强度至预训练的情绪干预模型，以生成情绪干预方法，包括：根据所述情绪状态类型生成情绪干预内容；基于所述情绪状态强度生成情绪干预频次；基于所述情绪干预内容和所述情绪干预频次，生成情绪干预方案。9电子设备，以用于响应于情绪监测模型生成请求，获取多个用户的第一特征数据和第二特征数据，第一特征数据包括生理特征数据和环境特征数据；数据处理单元，以用于基于所述第一特征数据的生理特征数据确定初始模态特征数据；还用于基于所述第一特征数据的环境特征数据对所述初始模态特征数据进行修正确定模态特征数据，并基于所述模态特征数据和所述第二特征数据确定关联数据集；模型生成单元，以用于基于所述关联数据集训练预构建的初始情绪监测模型直至所述初始情绪监测模型满足预设要求，确定通用情绪监测模型。电子设备，以用于响应于情绪监测请求，获取用户的多模态特征数据，所述多模态特征数据包括生理特征数据、环境特征数据和电子设备使用特征数据；获取单元，以用于将所述多模态特征数据输入至所述个体化情绪监测模型，以获取所述用户的情绪状态类型和情绪状态强度；其中，所述个体化情绪监测模型基于如上所述的情绪监测模型生成系统生成。[0025]本申请的再一方面，提供了一种情绪干预系统，所述系统包括：获取单元，以用于按照预设时间周期获取用户的情绪状态类型和情绪状态强度；干预方案生成单元，以用于当监测到用户的情绪状态类型为负面时，实时输入所述情绪状态类型和所述情绪状态强度至预训练的情绪干预模型，以生成情绪干预方案；干预方案执行单元，以用于基于所述情绪干预方案对用户的情绪状态进行干预；其中，所述情绪状态基于如上所述的情绪监测系统监测得到。[0026]本申请的再一方面，提供了一种电子装置系统，所述电子装置系统包括：与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。[0027]本申请的再一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现如上所述的方法。[0028]本申请的再一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。[0029]本申请提出了一种情绪监测模型生成方法，该方法包括：响应于情绪监测模型生成请求，获取用户的特征数据，所述特征数据包括第一特征数据和第二特征数据；基于所述第一特征数据的生理特征数据确定初始模态特征数据；基于所述第一特征数据的环境特征数据对所述初始模态特征数据进行修正确定模态特征数据，并基于所述模态特征数据和所述第二特征数据确定关联数据集；基于所述关联数据集训练预构建的初始情绪监测模型直至所述初始情绪监测模型满足预设要求，确定通用情绪监测模型；基于如上所述的情绪监测模型生成方法具有如下有益效果：一方面，本申请提出的基于情绪监测模型生成方法生成的情绪监测模型不仅能够识别用户的情绪状态还能够确定用户的情绪状态的情绪强度；另一方面，在对情绪监测模型进行训练、生成的过程中，本申请考虑到了环境特征数据对用户的生理特征数据的影响，即考虑到了两者之间的关联性，使得生成的情绪监测模型的情绪状态的预测的准确性更高；再一方面，在对情绪监测模型进行训练的过程中，本申请创造性的提出了分别基于实验室场景和生态化场景获取用户的特征数据，基于两种不同场景的数据的互补性，显著提升了模型的性能和适用性；另一方面，在对初始情绪监测模型进行训练的过程中，预获取的用户的特征数据均通过电子设备采集，其一是提高了用户的情绪状态的及时性和实时性，其二是简化了情绪监测的复杂性；其中，本申请所述的情绪监测模型包括通用情绪监测模型和/或个体化情绪监测模型。[0030]具体地，本申请所述的情绪监测模型生成方法还包括：响应于个体化情绪监测模型生成请求，获取单个用户的关联数据集；基于单个用户的关联数据集构建所述单个用户的纵向关联数据集；基于所述纵向关联数据集，按照预设的优化算法对所述通用情绪监测模型进行优化直至所述通用情绪监测模型符合预设要求，确定个体化情绪监测模型；其中，所述预设的优化算法包括如梯度下降法、Adam优化算法、学习率衰减策略、权重衰减法和批量归一化中的至少一项。基于单个用户的关联数据集构建单个用户的纵向关联数据集进而对通用情绪监测模型进行优化直至其符合预设要求后，确定个体化情绪监测模型，以使得确定的个体化情绪监测模型能够高效地识别单个用户的个体化差异和适配个体用户的个体化特征，进而更好地监测单个用户的情绪状态类型和情绪状态强度；也就是说，基于本申请确定的个体化情绪监测模型可以根据单个用户的个体化特征准确、高效地获取单个用户的情绪状态类型和情绪状态强度，以更好地实现个体化情绪监测的目的。[0031]本申请还提出了一种情绪干预方法，该方法包括：按照预设时间周期获取用户的情绪状态类型和情绪状态强度；当监测到用户的情绪状态类型为负面时，实时输入所述情绪状态类型和所述情绪状态强度至预训练的情绪干预模型，以生成情绪干预方案；基于所述情绪干预方案对用户的情绪状态进行干预。基于如上所述的情绪干预方法具有以下有益效果：一方面，基于本申请所述的情绪干预方法对用户的情绪状态进行个性化干预，确保了情绪干预的效果；另一方面，通过电子设备及时获取用户的情绪状态后在通过电子设备对用户的情绪状态进行实时干预，提高了情绪干预的时效性；再一方面，通过对用户的情绪状态的追踪式监测，有助于避免轻微的情绪问题演变为严重的障碍，同时根据用户的个体特征形成个性化的情绪干预方案能够有效促进用户的身心健康；又一方面，传统的情绪干预往往需要专业心理咨询师或治疗师的参与，而基于大模型的个性化干预方案可以在很大程度上自动化这一过程，减少了对人力资源的依赖，降低了成本；再一方面，在线平台和移动应用使得情绪干预服务不再受限于地理位置，让更多的用户能够方便地获得必要的帮助和支持。附图说明[0032]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。[0033]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它图1为本申请一实施例提供的情绪监测模型生成方法的流程示意图；11图2为本申请另一实施例提供的情绪监测方法的流程示意图；图3为本申请又一实施例提供的情绪干预方法的结构示意图；图4为本申请再一实施例提供的情绪监测模型生成系统的结构示意图；图5为本申请再一实施例提供的情绪监测系统的结构示意图；图6为本申请再一实施例提供的情绪干预系统的结构示意图；图7为适用于实现本申请实施例中的方案的一种电子装置系统的结构示意图；附图中相同或相似的附图标记代表相同或相似的部件。具体实施方式[0034]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。[0035]在本申请一个典型的配置中，终端、服务网络的设备均包括一个或多个处理器[0036]内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。[0037]计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机程序指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。[0038]本申请实施例提供了一种情绪监测模型生成方法，所述方法包括：响应于情绪监测模型生成请求，获取多个用户的第一特征数据和第二特征数据，第一特征数据包括生理特征数据和环境特征数据；基于所述第一特征数据的生理特征数据确定初始模态特征数据；基于所述第一特征数据的环境特征数据对所述初始模态特征数据进行修正确定修正后模态特征数据，并基于所述修正后模态特征数据和所述第二特征数据确定关联数据基于多个用户的所述关联数据集训练预构建的初始情绪监测模型，直至所述初始情绪监测模型满足预设要求，确定通用情绪监测模型。[0039]在实际场景中，该方法的执行主体可以是用户设备、或者用户设备与网络设备通过网络相集成所构成的设备，或者也可以是运行于上述设备的应用程序，所述用户设备包不限于如网络主机、单个网络服务器、多个网络服务器集或基于云计算的计算机集合等实现，可以用于实现设置闹钟时的部分处理功能。在此，云由基于云计算(CloudComputing)的大量主机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟计算机。[0040]实施例一如图1所示，本申请实施例提供一种情绪监测模型生成方法，所述方法至少包括以下步骤：步骤S101、响应于情绪监测模型生成请求，获取多个用户的第一特征数据和第二特征数据，第一特征数据包括生理特征数据和环境特征数据；步骤S102、基于所述第一特征数据的生理特征数据确定初始模态特征数据；步骤S103、基于所述第一特征数据的环境特征数据对所述初始模态特征数据进行修正确定修正后模态特征数据，并基于所述修正后模态特征数据和所述第二特征数据确定关联数据集；步骤S104、基于多个用户的所述关联数据集训练预构建的初始情绪监测模型，直至所述初始情绪监测模型满足预设要求，确定通用情绪监测模型。[0041]在其中一个实施方式中，所述第一特征数据还包括电子设备使用数据；当第一特征数据包括所述电子设备使用数据时，所述方法还包括：基于所述电子设备使用数据对所述修正后的模态特征数据进行补充，获取补充后的所述修正后模态特征数据。[0042]在其中一个实施方式中，所述获取多个用户的第一特征数据和第二特征数据，包括：获取多个用户的第一特征数据，并在预设时长内提醒多个用户进行情绪自评和/或在预设时长内对多个用户进行情绪他评，获取多个用户的第二特征数据，所述第二特征数据包括情绪状态类型和情绪状态强度。[0043]在其中一个实施方式中，所述方法还包括：响应于个体化情绪监测模型生成请求，获取单个用户的关联数据集；基于单个用户的关联数据集构建所述单个用户的纵向关联数据集；基于所述纵向关联数据集，按照预设的优化算法对所述通用情绪监测模型进行优化直至所述通用情绪监测模型符合预设要求，确定个体化情绪监测模型；其中，所述预设的优化算法包括如梯度下降法、Adam优化算法、学习率衰减策略、权重衰减法和批量归一化中的至少一项。[0044]在其中一个实施方式中，本实施例所述的生理特征数据和环境特征数据基于可穿戴设备和/或智能终端设备获取；当基于智能终端设备和/或可穿戴设备获取生理特征数据和环境特征数据后，所述方法还包括：将所述生理特征数据和环境特征数据进行匹配，对应用户生成多维度纵向时间序列数据集。本申请所述的特征数据可以基于所述多维度纵向时间序列数据集获取。电子设备包括可穿戴设备和智能终端设备。[0045]在其中一个实施方式中，基于所述第一特征数据的生理特征数据确定初始模态特征数据，所述方法还包括：获取所述第二特征数据和所述第一特征数据的生理特征数据的模态特征；基于所述第二特征数据和所述模态特征确定相似度；基于所述相似度确定任一所述模态特征的权重；基于任一所述模态特征及其权重确定初始模态特征数据。[0046]具体地，获取所述第二特征数据和所述第一特征数据的生理特征数据的模态特征，包括：对于脑电数据使用傅里叶变换等方法，将脑电图信号从时域转换到频域，提取不同频段的功率谱密度、主频等特征。通过分析心率变异性信号，提取时域和频域特征，如RR间期的标准差、低频功率、高频功率等，评估压力水平。通过可穿戴设备包括的呼吸传感器[0047]其中，基于所述第二特征数据和所述模态特征确定相似度，包括：基于点积、余弦相似度计算规则获取任两个模态特征向量的相似度等；在自注意力机制中，通过计算查询向量(Query)与键向量(Key)之间的点积来得到注意力分数；将获取的注意力分数进行归一化处理，确定模态特征向量的权重系数。[0048]其中，基于所述相似度确定任一所述模态特征的权重，基于任一所述模态特征及其权重确定初始模态特征数据，包括：对每一个模态特征向量进行加权求和，确定模态特征数据。[0049]在其中一个实施方式中，所述方法还包括：预构建初始模态特征数据获取模型，构建训练集和验证集；基于训练集对初始模态特征数据获取模型进行训练后基于验证集对初始模态特征数据获取模型进行验证直至获取模态特征数据获取模型；其中，在对初始模态特征数据获取模型进行训练和验证的过程中还包括通过反向传播算法对初始模态特征数据获取模型的参数进行调整，使得注意力权重能够根据输入的第一特征数据的特性动态进行优化和调整，从而适应于多种应用场景。[0050]总而言之，基于上述方法确定的修正后模态特征数据不仅仅包含了任意一个第一特征数据的重要信息，而且根据注意力权重重点突出了各个第一特征数据的相互关联性。[0051]在其中一个实施方式中，响应于情绪监测模型生成请求，获取用户的第一特征数据和第二特征数据时，所述方法还包括：响应于情绪监测模型生成请求，获取用户的生理数据信息、环境数据信息和电子设备使用数据信息；按照预设的数据处理规则对所述生理数据信息、所述环境数据信息和所述电子设备使用数据信息进行处理，获取生理特征数据、环境特征数据和电子设备使用特征数据，所述第一特征数据包括生理特征数据、环境特征数据和电子设备使用特征数据；其中，所述预设的数据处理规则包括数据信息审查、数据信息降采样、数据信息降噪、缺失数据信息补齐、数据信息对齐同步、数据信息归一化和数据信息矫正中的一项或多项直至所述生理数据信息、所述环境数据信息和所述电子设备使用数据信息满足预设要求。[0052]具体地，获取多个用户的生理数据信息和环境数据信息包括：分别基于实验室场景和/或生态化场景获取用户的生理数据信息和环境数据信息。其中，基于实验室场景获取用户的生理数据信息和环境数据信息，确定实验室的环境数据信息确定不变，通过向用户放映影像、图片和声音，以及模拟真实社交场景、社交行为等使得用户产生一定的情绪变化，在用户的情绪发生变化的同时采集用户的第二特征数据，第二特征数据即为用户的情绪状态类型和情绪状态强度；基于生态化场景获取用户的生理数据信息和环境数据信息即通过佩戴至用户的身体的可穿戴设备等硬件的触觉反馈(震动、声音模式)、LED灯提示、软件系统提醒等方式随机触发用户在与可穿戴设备等硬件关联的软件系统平台上进行情绪自评确定用户的第二特征数据；采集可穿戴设备等硬件采集的生理数据信息。[0053]需要理解的是，无论是通过实验室场景还是通过生态化场景获取用户的第二特征数据均可以通过以下方式实现：通过用户做问卷、量表测评和专业的心理测评者对用户进行访谈评估确定，通过将自评和他评结果进行综合(一般采用对测评分数加权平均)最终确定具有高参考性的第二特征数据。[0054]实验室场景的优点在于数据质量高、标签精确、可控性强，适合探索情绪状态类型和情绪状态强度的基本规律。生态化场景的优点在于数据多样化、连续性强、贴近实际生活，适合提升模型的泛化能力和实用性。结合两种场景数据可以充分发挥两者的优点，构建一个既具备理论基础又适用于实际应用场景的通用情绪监测模型。[0055]在其中一个实施方式中，所述预设的数据处理规则包括数据信息审查、数据信息降采样、数据信息降噪、缺失数据信息补齐、数据信息对齐同步、数据信息归一化和数据信息矫正中的一项或多项直至所述生理数据信息和所述环境数据信息满足预设要求。[0056]具体地，数据信息审查包括：对获取到的多个用户的第一特征数据进行审查或检查。审查或检查的内容涉及：确定第一特征数据是否已按照预先设定的存储规则进行有效保存、第一特征数据的数据结构是否正确、第一特征数据是否完整、第一特征数据是否存在无效数据(如本申请中定义零值、规律性突变、值空缺的第一特征数据定义为无效的第一特征数据);需要理解的是，本申请对于存储规则、数据结构及无效数据判定规则均不作限定，本领域技术人员可以根据实际应用场景进行合理性限定。[0057]具体地，数据信息降噪包括：识别高噪音的第一特征数据并对其进行降噪处理，比如对脑电、心电等第一特征数据，先使用带通滤波，然后采用独立成分分析(ICA)去除眼动、体动、肌电等伪迹，对皮肤电采用移动平均法进行平滑处理，对于呼吸节律进行三次样条插值标准化采样频率至10Hz。[0058]具体地，在实际的应用场景，为了确保准确监测用户的情绪，通常需要使用电子设备对用户的多种的特征数据进行采集；数据信息对齐同步即通过多个可穿戴设备从多个不同时段采集的生理数据信息和环境数据信息需要在数据格式、数据结构上一致，而且确保这些数据(生理数据信息和环境数据信息)需要与对应的每个用户一一匹配；数据信息对齐还包括时间同步，即通过多个可穿戴设备采集的数据在时间进程中保持一致，确保它们在相同的时间基准下进行。[0059]在其中一个实施方式中，基于所述第一特征数据的环境特征数据对所述初始模态特征数据进行修正确定修正后模态特征数据，包括：获取环境特征数据与初始模态特征数据的关联指数；当关联指数大于预设的关联指数阈值时，则根据与初始模态特征数据关联的环境特征数据对初始模态特征数据进行修正。[0060]具体地，确定环境的噪音水平对心率和血氧饱和度具有强关联性；基于环境的噪音水平对心率和血氧饱和度的强关联性，按照预设的修正规则根据环境的噪音水平对心率和血氧饱和度进行修正，预设的修正规则包括：使用卡尔曼滤波算法对GPS和光照传感器数据(其中GPS和光照传感器可以集成在上述的可穿戴设备中，基于GPS和光照传感器获取用户的环境数据信息)进行融合，以提高位置数据的准确性；通过光照传感器的校准方法，确保光照强度数据的准确性，例如，在不同光照条件下对光照传感器进行校准，记录不同环境下的校准参数，以便在实际使用中对光照数据进行修正；在高噪音环境下，适当调整心率和而对步数和运动强度数据进行修正。[0061]在其中一个实施方式中，预构建的所述初始情绪监测模型包括：深度学习子模型和多任务学习子模型；所述深度学习子模型包括长短期记忆网络、卷积神经网络、图卷积网所述多任务学习子模型包括跨个人活动LSTM多任务自动编码器、分指标多任务网络和个性化多任务网络中的一个或多个。[0062]本实施例构建的初始情绪监测模型利用先进的深度学习技术和多任务学习策略来构建复杂的初始情绪状态预测模型。不仅可以整合不同类型的特征数据还可以显著提升情绪识别的准确性和鲁棒性。此外，多任务学习允许模型同时关注多个相关目标，进一步增强了其泛化能力和实用性；不仅提高了对单一情绪状态类型和情绪状态强度的预测精度，也为理解和管理复杂情感提供了新的视角。[0063]在其中一个实施方式中，基于所述关联数据集训练预构建的初始情绪监测模型直至所述初始情绪监测模型满足预设要求，确定通用情绪监测模型，包括：将关联数据集分为训练集和验证集，基于训练集对预构建的初始情绪监测模型进行训练，基于验证集对训练好的初始情绪监测模型进行验证直至训练好的初始情绪监测模型满足预设要求。同时，基于验证集对训练好的初始情绪监测模型进行验证时实施监控验证集准确率防止初始情绪监测模型出现过拟合的情况。[0064]在其中一个实施方式中，基于验证集对训练好的初始情绪监测模型进行验证直至训练好的初始情绪监测模型满足预设要求，包括：对训练好的初始情绪监测模型采用交叉均绝对误差)和/或RMSE(均方根误差)中的一项或多项对训练好的初始情绪监测模型进行验证确定其是否满足预设要求。[0065]具体地，在实际的应用场景中通过K折交叉验证来评估模型的一般化能力，比如设置K=5,确保模型能够在不同的数据子集上保持一致的表现。同步地，为了检查模型在新用户上的表现，可以使用留出一部分用户数据的方法，确保即使对于新用户，模型也能给出合理的预测。[0066]进一步地，在判断模型是否满足预设要求时本实施例还关注模型的准确率，会计算F1-score来确保模型在不同情绪类别间的平衡表现。同时，绘制AUC-ROC曲线以了解模型区分不同情绪状态类型的能力。[0067]进一步地，本实施例生成的通用情绪监测模型在确定情绪状态类型的同时还兼具了预测情绪状态强度(如从轻微到强烈)的能力，因为本申请创造性地提出了使用MAE和[0068]需要理解的是，本申请对于预设要求、以及初始情绪监测模型的验证规则不作限定，本领域技术人员可以根据实际应用场景进行合理性选择。如图2所示，本实施例提供一种情绪监测方法，所述情绪监测方法至少包括以下步步骤S201、响应于情绪监测请求，获取用户的多模态特征数据，所述多模态特征数据包括生理特征数据、环境特征数据和电子设备使用特征数据；步骤S202、将所述多模态特征数据输入至所述个体化情绪监测模型，以获取所述用户的情绪状态类型和情绪状态强度；其中，所述个体化情绪监测模型基于如上实施例所述情绪监测模型生成方法生[0070]在其中一个实施方式中，将所述多模态特征数据输入至所述个体化情绪监测模型后，获取所述用户的情绪状态类型和情绪状态强度前，所述方法还包括：基于蒙特卡洛Dropout输出置信区间确定所述个体化情绪监测模型的量化值；当所述量化值低于预设值时，则触发动态生态瞬时评估验证以优化所述个体化情绪监测模型。[0071]具体地，当用户为新用户时，需要在用户佩戴可穿戴设备和使用智能终端设备采集情绪监测所需的多模态特征数据的同时，对用户进行情绪状态的动态生态瞬时评估(EMA),并将这些情绪状态数据与可穿戴设备和智能终端设备采集的多模态特征数据进行匹配，以构建用户个人的多维度纵向时间序列数据集。而且，在通用性的、动态的通用情绪监测模型基础上，基于用户个人的多维度纵向时间序列数据集，生成用户独立的、个体化的、动态的通用情绪监测模型(即对应个人生成的个体化情绪监测模型)。此外，在基于通用性的、动态的通用情绪监测模型生成用户独立的、个体化的、动态的个体化情绪监测模型(即对应个人生成的个体化情绪监测模型)的过程中，采用元学习算法适配新用户，并基于蒙特卡洛Dropout输出置信区间确定个体化的、动态的通用情绪监测模型(即对应个人生成的个体化情绪监测模型)的量化值，当所述量化值低于预设值时，触发EMA验证以优化用户独立的、个体化的、动态的通用情绪监测模型(即对应个人生成的个体化情绪监测模型)。[0072]在其中一个实施方式中，触发EMA验证以优化所述个体化情绪监测模型包括：根据每个用户在一定时间段内(几分钟到几小时甚至很多天)的使用数据，对所述个体化情绪监测模型通过自学习优化算法(如梯度下降法、Adam优化算法、学习率衰减策略、权重衰减法、批量归一化)进行再次训练，以动态调整和更新所述个体化情绪监测模型的参数，使所述个体化情绪监测模型不间断地根据用户使用数据进行迭代更新，从而使所述个体化情绪监测模型的性能、效能和鲁棒性随着用户使用时间和数据量的增加而不断迭代优化；考虑到用户的情绪的非规律性的变化，基于本实施方式所述的情绪监测方法提出基于用户的多模态特征数据对个体化情绪监测模型进行动态化、实时性迭代更新，以提升个体化情绪监测模型与用户的适配性，确保基于个体化情绪监测模型获取的用户的情绪状态类型和情绪状态强度的准确性。[0073]在其中一个实施方式中，根据每个用户在一定时间段内(几分钟到几小时甚至很多天)的多模态特征数据，对所述个体化情绪监测模型通过自学习优化算法(如梯度下降户的多模态特征数据构建多维度纵向时间序列数据集；基于所述多维度纵向时间序列数据集对所述个体化情绪监测模型通过自学习优化算法进行再次训练直至满足预设要求，确定适配于用户的个性化的个体化情绪监测模型。[0074]在其中一个实施方式中，响应于情绪监测请求，获取用户的多模态特征数据，包括：当用户佩戴可穿戴设备和使用智能终端设备时，即可以默认用户发出了情绪监测请求，则通过可穿戴设备和智能终端设备，自动化、生态化地同步采集用户的多模态特征数据。[0076]在其中一个实施方式中，所述方法还包括：获取所述个体化情绪监测模型的量化值；当所述量化值低于预设值时，则获取用户在预设时间段内的多模态特征数据；基于所述多模态特征数据对所述个体化情绪监测模型进行迭代直至所述量化值不低于所述预设值，更新所述个体化情绪监测模型。水平、呼吸频率、肺功能、女性健康数据和汗液成分中的一项或多项；所述环境特征数据包括地理位置信息、行动轨迹数据、光照数据(光照的强度、色温和波长等)、气候数据(季节、境噪音数据、紫外线强度、紫外线暴露数据等一项或多项。所述电子设备使用特征数据包括电子设备使用一般特征数据和电子设备应用使用特征数据，所述电子设备使用一般特征数据包括电子设备的使用时长、时段、频次等一项或多项；所述电子设备应用使用特征数据包例提出的获取得到的生理特征数据、环境特征数据和电子设备使用特征数据均已按照预设的数据规则进行处理；具体地，当对个体进行测评时，由于用户具有个体差异，情绪监测结果可能不会非常准确，因此本实施例采用了蒙特卡洛Dropout输出置信区间对预测结果进行不确定性量情绪监测模型需要再次进行训练迭代，对个体化情绪监测模型的参数进行更新，获得更新后的个体化情绪监测模型。[0078]在其中一个实施方式中，所述方法还包括：将所述多模态特征数据缓存至存储空间，按照预设时间从存储空间获取所述多模态特征数据并输入至所述个体化情绪监测模型，以获取所述用户的情绪状态类型和情绪状态强度；和/或，将所述多模态特征数据实时发送至所述个体化情绪监测模型，所述个体化情绪监测模型按照预设时间反馈所述用户的情绪状态类型和情绪状态强度。[0079]在其中一个实施方式中，所述情绪状态类型可以包括基本情绪状态类型和复合情[0080]在其中一个实施方式中，所述方法还包括：基于多模态特征数据获取用户的情绪状态持续性，情绪状态持续性包括瞬时情绪状态和持续情绪状态；其中瞬时情绪状态可以为基于短暂的特征数据确定的情绪状态类型和/或情绪状态强度；持续情绪状态可以为基于长时间的特征数据确定的情绪状态类型和/或情绪状态强度。[0081]在其中一个实施方式中，本实施例所述的多模态特征数据还包括智能终端设备和/或可穿戴设备(以下简称电子设备)的使用特征数据，所述使用特征数据包括第一特征数据和第二特征数据，第一特征数据包括电子设备的使用时长、使用时段和使用频次中的一项或多项；第二特征数据包括电子设备的应用的使用类型、使用时长、使用时段和使用频次中的一项或多项。[0082]其中一个实施方式中，情绪状态持续性的判断方法包括：实时获取用户的情绪状态类型；当同一种情绪状态类型的连续次数超过预设次数时，则判断该情绪状态为持续情绪状态。第一步，预先生成个体化情绪监测模型，包括：预先生成通用情绪监测模型，然后基于通用情绪监测模型生成个体化情绪监测模型；具体地，生成通用情绪监测模型包括：采集多个用户的上述生理特征数据、环境特征数据和/或智能终端设备使用特征数据的过程中，通过可穿戴设备或智能终端设备的触觉反馈(震动、声音模式)、LED灯提示、软件系统提醒等醒用户在可穿戴设备或智能终端设备关联的软件系统平台上进行情绪自评(5~9级量表，覆盖目标情绪)和在线访谈评估，采集和记录用户的情绪状态数据情绪状态类型和情绪状态强度，以实现情绪状态类型和情绪状态强度的动态生态瞬时评估(EMA),并将这些情绪状态类型和情绪状态强度与可穿戴设备和智能终端设备采集的数据进行匹配，形成一个多维度纵向时间序列数据集。将这个多维度纵向时间序列数据集按照一定比例划分，形成训练通用情绪监测模型的训练数据集和验证该模型性能、效能和鲁棒性的验证数据集；基于该训练数据集和验证数据集训练生成通用情绪监测模型。[0084]生成通用情绪监测模型的过程中，该方法还包括：基于多个用户的多维度纵向时间序列数据集，并采用机器学习算法，构建和训练该通用情绪监测模型，该通用情绪监测模型经过验证数据集验证需满足预设的要求(具有良好的性能、效能、鲁棒性)。[0085]对生成的通用情绪监测模型进行迭代直至该通用情绪监测模型的量化值不低于预设值，更新所述通用情绪监测模型生成适配于个体用户的个体化情绪监测模型，包括：根据单个用户个人的特征数据，构建用户个人的多维度纵向时间序列数据集；在通用情绪监测模型基础上，基于用户个人的多维度纵向时间序列数据集，生成适配于单个用户的个体化情绪监测模型。具体为：使用每个用户个人的多维度纵向时间序列数据集训练通用情绪监测模型，直至通用动态情绪监测模型满足对用户个人的情绪监测的性能、效能和鲁棒性的预设要求，该通用动态情绪监测模型的参数随着训练进行更新，该通用情绪监测模型转变为个体用户独立的个体化情绪监测模型，从而确定每个用户独立的个体化情绪监测模[0086]生成个体化情绪监测模型的过程中，所述方法还包括：对采集到的多模态特征数据进行实时清洗和预处理，包括数据信息审查、数据信息降采样、数据信息降噪、缺失数据信息补齐、数据信息对齐同步、数据信息归一化和数据信息矫正，直至生理特征数据、环境特征数据和/或用户的智能终端设备使用特征数据信息满足预设要求。需要理解的是，本申请对于预设要求不作限定，本领域技术人员可以根据实际应用场景进行合理化选择和限[0087]当个体化情绪监测模型生成后，除在进行不确定性量化过程中达到低置信度而触发EMA验证外，对用户情绪监测将不再需要用户在软件系统平台上进行情绪自评和在线访谈评估。同时，在个体化情绪监测模型生成化算法、学习率衰减策略、权重衰减法、批量归一化)动态调整和迭化情绪监测模型的性能、效能和鲁棒性随着用户使用时间和数据量的增加而不断优化。[0088]第二步，获取用户的多模态特征数据，将多模态特征数据输入至个体化情绪监测模型，获取用户的情绪状态类型和情绪状态强度，包括：在用户佩戴可穿戴设备和使用智能终端设备时，通过可穿戴设备或智能终端设备，自动化、生态化地同步采集用户的生理特征数据、环境特征数据和/或用户的智能终端设备使用特征数据，所采集的这些数据是连续的动态的时间序列数据。[0089]基于本实施例提出的情绪监测方法，通过蒙特卡洛Dropout量化预测不确定性，结合EMA验证获取用户反馈，并动态调整通用情绪监测模型的参数最终生成个体化情绪监测模型，此种模型迭代优化方法能够有效解决个体差异带来的预测挑战，同时提高了情绪监测模型的个性化适应能力和预测精度。如图3所示，本申请实施例提供一种情绪干预方法，所述方法以用于对用户的负面的情绪状态类型进行干预，所述情绪状态基于如上所述的情绪监测方法监测得到，所述方法至少包括以下步骤：步骤S301、按照预设时间周期获取用户的情绪状态类型和情绪状态强度；步骤S302、当监测到用户的情绪状态类型为负面时，实时输入所述情绪状态类型和所述情绪状态强度至预训练的情绪干预模型，以生成情绪干预方案；步骤S303、基于所述情绪干预方案对用户的情绪状态进行干预。度等各种时间周期，可以根据实际应用场景或实际需求进行合理化选择。[0092]在其中一个实施方式中，所述方法还包括：当监测到用户的情绪类型为负面时，实时输入所述情绪状态类型和所述情绪状态强度至预训练的情绪干预模型，生成初始情绪干预方案；基于所述用户获取对应所述情绪状态类型和情绪状态强度，获取历史情绪干预方案；基于所述历史情绪干预方案对所述初始情绪干预方案进行修正，以生成情绪干预方案。[0093]在其中一个实施方式中，所述方法还包括：基于所述情绪干预方案对用户的情绪状态进行干预后，获取用户的情绪状态类型和情绪状态强度；当所述用户的情绪状态类型为正面，和/或，情绪状态强度变弱时，则基于所述情绪干预方案对所述情绪干预模型进行[0094]在其中一个实施方式中，所述情绪状态类型的类别可以包括正面和负面，情绪状的类别为正面时，则情绪状态类型至少包括快乐、平和以及有爱等。[0095]在其中一个实施方式中，输入所述情绪状态类型和所述情绪状态强度至预训练的情绪干预模型，以生成情绪干预方案，包括：根据所述情绪状态类型生成情绪干预内容；基于所述情绪状态强度生成情绪干预频次；基于所述情绪干预内容和所述情绪干预频次，生成情绪干预方案。[0096]其中，情绪干预方案的情绪干预内容包括动态生物反馈干预、实时情绪管理提示、声/光/电/磁刺激干预、联合认知行为疗法(CBT)等；情绪干预频次包括干预次数、时长、干预刺激强度(针对声/光/电/磁刺激干预)、任务难度(针对动态生物反馈干预)、干预时间设置(针对实时情绪管理提示)等。[0097]具体地，当检测到用户有焦虑的情绪状态类型时，可以控制电子设备播放舒缓音乐以抚慰用户；当检测到用户有抑郁的情绪状态类型时，则可以控制电子设备播放用户与亲朋好友在一起的录像、照片等内容帮助其舒缓情绪。[0098]需要理解的是，生成情绪干预方案时，所述方法还包括：获取用户的历史情绪状态类型；当用户的历史情绪状态类型存在由负面情绪状态类型转变为正面情绪状态类型(以下简称为第一情绪状态类型)的情况时，则可以获取第一情绪状态类型对应的特征数据；基于特征数据分析用户当时受到的历史情绪干预类型；基于历史情绪干预类型生成情绪干预方案。[0099]比如，监测到用户之前的情绪状态类型由负面转变为正面时，用户的心率和出汗量飙升，则可以认定为用户是通过运动缓解了相应的负面情绪状态类型，那么当之后用户出现了相同的/相似的情绪状态类型时，则可以生成运动相关的干预方案。[0100]具体地，基于情绪状态强度生成情绪干预频次，包括：当用户的情绪状态强度较高时，则可通过高频次的情绪干预对用户的情绪进行干预；并且在干预过程中实时获取用户的情绪状态强度，随用户的情绪状态强度的变化调整情绪干预的频次。还包括：当用户的情绪状态良好、且情绪状态强度较低(干预频次少、单次干预时间短)时给予用户简单通用的情绪干预方法，当测试者的情绪状态较差时，给予其专业化、多组合且强度较高(干预频次多、单次干预时间长)的干预方法。动态性体态，实时调整对应的情绪干预方案。如图4所示，本申请还提出了一种情绪监测模型生成系统，所述系统包括：电子设备，响应于情绪监测模型生成请求，获取多个用户的第一特征数据和第二特征数据，第一特征数据包括生理特征数据和环境特征数据；数据处理单元，基于所述第一特征数据的生理特征数据确定初始模态特征数据；还用于基于所述第一特征数据的环境特征数据对所述初始模态特征数据进行修正确定修正后模态特征数据，并基于所述修正后模态特征数据和所述第二特征数据确定关联数据模型生成单元，以用于基于多个用户的所述关联数据集训练预构建的初始情绪监测模型，直至所述初始情绪监测模型满足预设要求，确定通用情绪监测模型。如图5所示，本申请还提出了一种情绪监测系统，所述系统包括：电子设备，以用于响应于情绪监测请求，获取用户的多模态特征数据，所述多模态特征数据包括生理特征数据、环境特征数据和电子设备使用特征数据；获取单元，以用于将所述多模态特征数据输入至所述个体化情绪监测模型，以获取所述用户的情绪状态类型和情绪状态强度；其中，所述个体化情绪监测模型基于如上所述的情绪监测模型生成系统生成。[0103]实施例六获取单元，按照预设时间周期获取用户的情绪状态类型和情绪状态强度；干预方案生成单元，以用于当监测到用户的情绪状态类型为负面时，实时输入所述情绪状态类型和所述情绪状态强度至预训练的情绪干预模型，以生成情绪干预方案；干预方案执行单元，基于所述情绪干预方案对用户的情绪状态进行干预；其中，所述情绪状态类型和情绪状态强度基于如上所述的情绪监测系统监测得[0104]需要理解的是，本申请实施例所涉及的情绪状态特征数据、情绪状态特征强度和多模态特征数据等相关数据，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理均严格遵守相关国家和地区的相关法律法规和标准。[0105]实施例七基于同一发明构思，本申请实施例中还提供了一种电子装置系统，所述电子装置系统对应的方法可以是前述实施例中的用于情绪监测模型生成方法、情绪监测方法及情绪干预方法，并且其解决问题的原理与该方法相似。本申请实施例提供的所述电子装置系统包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述本申请的多个实施例的方法和/或技术方案。[0106]所述电子装置系统可以是用户设备、或者用户设备与网络设备通过网络相集成所构成的设备，或者也可以是运行于上述设备的应用程序，所述用户设备包括但不限于计算机、单个网络服务器、多个网络服务器集或基于云计算的计算机集合等实现，可以用于实现设置闹钟时的部分处理功能。在此，云由基于云计算(CloudComputing)的大量主机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟计算机。[0107]图7示出了适用于实现本申请实施例中的方法和/或技术方案的一种电子装置系统的结构，该电子装置系统500包括中央处理单元(CPU,CentralProcessingUnit)501,其可以根据存储在只读存储器(ROM,Read0nlyMemory)502中的程序或者从存储部分508加载到随机访问存储器(RAM,RandomAccessMemory)503中的程序而执行各种适当的动作和处理。线504彼此相连。输入/输出(I/0,Input/Output)接口505也连接至总线504。[0108]以下部件连接至I/0接口入部分506;包括诸如阴极射线管(CRT,CathodeRayTube)、液晶显示器(LCD,LiquidCrystalDisplay)、LED显示器、OLED显示器等以及扬声器等的输出部分507;包括硬盘、光盘、磁盘、半导体存储器等一个或多个计算机可读介质的存储部分508;以及包括诸如509经由诸如因特网的网络执行通信处理。[0109]特别地，本申请实施例中的方法和/或实施例可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。[0110]实施例八本申请另一实施例还提供了一种计算机可读存储介质，其上存储有计算机程序