CN109549644B - 一种基于脑电采集的人格特征匹配系统 - Google Patents
一种基于脑电采集的人格特征匹配系统 Download PDFInfo
- Publication number
- CN109549644B CN109549644B CN201910032031.8A CN201910032031A CN109549644B CN 109549644 B CN109549644 B CN 109549644B CN 201910032031 A CN201910032031 A CN 201910032031A CN 109549644 B CN109549644 B CN 109549644B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- module
- personality
- personality characteristic
- signals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 230000000284 resting effect Effects 0.000 claims abstract description 12
- 210000004556 brain Anatomy 0.000 claims description 17
- 230000036624 brainpower Effects 0.000 claims description 9
- 230000033764 rhythmic process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000003325 tomography Methods 0.000 claims description 3
- 230000001054 cortical effect Effects 0.000 claims description 2
- 208000022821 personality disease Diseases 0.000 abstract description 20
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 33
- 238000000034 method Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 101150066718 FMOD gene Proteins 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000001604 Rao's score test Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 230000002197 limbic effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/167—Personality evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/20—Workers
- A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及特殊岗位性格匹配技术领域，具体涉及一种基于脑电采集的人格特征匹配系统，包括：脑电采集模块、人格特征问卷模块和机器学习算法模块；所述脑电采集模块与人格特征问卷模块分别用于采集脑电信号与人格特征信号；所述机器学习算法模块用于接收脑电信号与人格特征信号并建立特定人群的人格特征与脑电生理特征模型；本方案结合人格倾向测评结果、答题反应时和静息态脑电测量结果，通过人工智能机器学习算法，对于优秀的候选人和严重的人格障碍患者的主观和客观测量指标进行数学建模，从而提高优秀岗位胜任者的选拔命中率。
Description
技术领域
本发明涉及特殊岗位性格匹配技术领域，具体涉及发明一种基于脑电采集的人格特征匹配系统。
背景技术
传统的特殊岗位选拔是基于人格倾向问卷调查，现有的人格障碍倾向筛查方法主要采用成套的自陈式问卷测试或通过案例的质性分析，如人格障碍筛查测试(PDQ-4+)、DSM-IV中主要精神障碍的诊断标准；此类人格障碍倾向筛查技术存在以下四点缺陷和不足：
1.理论模型：现有测验工具的理论模型针对的是已经具有的人格障碍特征，而不是人格障碍的潜在倾向；另外，所有这些理论模型都是基于美国心理学家针对美国人的人格障碍特征进行，是基于美国文化和美国人特有的人格特质；因此，该相应理论模型显然不具有科学性和普遍性。
2.测试方式：现有测验方法建立在自陈式问卷基础上，这种方式使得受试者的测验结果具有较强的社会赞许性，同时，成套的测验很容易让受试者通过其他途径实现获得，从而加以分析总结，导致测验的结果并不可靠。
3.评价指标：以往人格障碍倾向选拔测验的评价指标均采用单一的行为反应，即通过问卷得分高低来反应被试者的人格障碍倾向；这种评价指标过于粗放，很难识别测试过程中被试的真实心理状态，无法监控被试者的生理状况和脑电活动。
4.评价标准：现有的心理选拔评价标准是建立在测验常模的基础上，这种心理测量采用统计学方法构建量表的常模，在常模和取置信区间的基础上制定量表的正常范围，超出正常范围值则判定为不正常；而测验常模的准确性需要大量的样本数量，同时还存在着评估区间僵化、评估误差大等技术局限，并且无法对于新测量的样本进行准确预测。
可见，现有人格障碍倾向的筛查技术因其理论取向、评价指标、测试手段以及测试标准等方面的固有局限很难有效地淘汰具有潜在人格障碍倾向的候选者。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于脑电采集的人格特征匹配系统；本发明要解决的技术问题通过以下技术方案实现：
一种基于脑电采集的人格特征匹配系统，包括：脑电采集模块、人格特征问卷模块和机器学习算法模块；所述脑电采集模块与人格特征问卷模块分别用于采集脑电信号与人格特征信号；所述机器学习算法模块用于接收脑电信号与人格特征信号并建立特定人群的人格特征与脑电生理特征模型。
进一步的，所述脑电采集模块包括干电极与放大器组合集成的有源脑电电极完成脑电信号的采集和放大，再经过导线传输到脑电采集板，脑电采集板将采集信号串口连接发送至上位机。
进一步的，所述脑电采集板包括AK5381芯片与STM32F407芯片，AK5381芯片通过SPI通信连接STM32F407芯片。
进一步的，所述人格特征问卷模块通过前期心理学实验结果研究论证后的30道题目，采用B/S软件架构实现多人同时进行人格测评。
进一步的，所述机器学习算法模块包括脑电源定位模块与模型构建模块。
进一步的，所述脑电源定位模块是基于matlab环境的脑电源定位软件，将静息态fMRI研究得到的8个大尺度功能网络的空间分布作为先验信息，求出比传统的最小模解和低分辨率层析成像更为精确的皮层电位分布，并按8个大尺度功能网络统计脑电节律的能量分布。
进一步的，所述模型构建模块采用局部线性嵌入算法对数据进行特征降维，然后利用降维后数据对经典支持向量机算法进行模型构建，最终实现特定人群特征模型。
与现有技术相比，本发明的有益效果：
本方案结合人格倾向测评结果、答题反应时和静息态脑电测量结果，通过人工智能机器学习算法，对于优秀的候选人和严重的人格障碍患者的主观和客观测量指标进行数学建模，从而提高优秀岗位胜任者的选拔命中率。
附图说明
图1是系统原理结构示意图。
图2是脑电源定位结果示意图。
图3是脑电采集系统结构示意图。
图中：1、脑电采集模块；2、人格特征问卷模块；3、机器学习算法模块。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
如图1所示，一种基于脑电采集的人格特征匹配系统，包括：脑电采集模块1、人格特征问卷模块2和机器学习算法模块3；脑电采集模块1与人格特征问卷模块2分别用于采集脑电信号与人格特征信号；机器学习算法模块3用于接收脑电信号与人格特征信号并建立特定人群的人格特征与脑电生理特征模型。
脑电采集模块1包括干电极与放大器组合集成的有源脑电电极完成脑电信号的采集和放大，再经过导线传输到脑电采集板，脑电采集板将采集信号串口连接发送至上位机。
如图3所示，脑电采集板包括AK5381芯片与STM32F407芯片，AK5381芯片通过SPI通信连接STM32F407芯片；AK5381的所有通道都具有24位的ΣΔADC，可将采样率控制在250SPS～16kSPS之间；ΣΔADC主要由两部分构成：ΣΔ调制器和数字采样滤波器；其中ΣΔ调制器是基于过采样的一位编码技术，通过采用一位编码技术，有利于减少模拟电路部分，进而提高信噪比；ΣΔ调制器一般采用过采样方法对模拟信号进行采样，然后进一步调制采样值；而数字滤波器则由三阶sin型滤波器组成，具有采样率可变的特点，其将调制器的输出进行噪声滤除之后，输出N位编码；由于Σ-ΔA/D转换器通过过采样进行采样，可以把许多噪声压缩到高频区域，再通过数字滤波器进行滤除，因此具有很强的噪声抑制能力；此外，AK5381为了更广泛地应用在低功耗场景中，该ADC采用了两级调制器；当处于高分辨率模式时，调制器输入信号的采样速率fMOD＝fCLK/4；当处于低功耗模式时，fMOD＝fCLK/8；通过配置寄存器，本脑电采集平台设置为500Hz；通过配置寄存器，设置输出电压4.5V，AK5381的最低分辨电压为0.536μV，满足低幅值的脑电信号的采集；选择意法半导体推出的基于ARM Cortex-M4内核的STM32F407VGT6作为系统主控芯片，具有性能高、稳定性好、功耗低，成本低，易使用等特点；STM32F407VGT6具有以下特性：ARM 32位Cortex-M4高性能内核，高达168MHz的主频，192KB SRAM，1024KB的Flash，丰富的总线接口3个SPI、3个I2C、6个串口、2个CAN、1个SDIO、1个FSMC，2个DMA控制器以及高达82个的通用I/O口。
人格特征问卷模块2通过前期心理学实验结果研究论证后的30道题目，采用B/S软件架构实现多人同时进行人格测评，软件的管理端可以设置题目的内容、评分标准、每道题的显示时间、题目出现的顺序随机，并根据测评结果输出每个被试的测评报告，以及整个测试群体的汇总统计报表；30道题目的论证方法采用情景测验技术编制人格障碍倾向测验，情景测验技术通过设置一个生活或工作中可能发生的情景，要求受试人员针对该情景中的问题，对相应可能的几种行为反应做出判断，将这种测验编制技术应用于人格倾向的筛查，在很大程度上降低了传统的自陈式测验的社会赞许性，解决了现有同类成套测验在心理选拔过程中存在的时长和测验项目公开性等问题。
机器学习算法模块3包括脑电源定位模块与模型构建模块。
脑电源定位模块是通过贝叶斯方法，将静息态fMRI研究得到的8个大尺度功能网络的空间分布作为先验信息，求出比传统的最小模解和低分辨率层析成像更为精确的皮层电位分布，并按8个大尺度功能网络统计脑电节律的能量分布，如图2所示其主要功能有：
(1)根据静息态脑电数据，分别求出7种常见节律delta、theta、alpha1、alpha2、beta1、beta2、gamma的头表拓扑分布图和平均强度；
(2)对脑电各个节律通过静息态功能网络共8个：视觉网络Visual，感觉运动网络Somatomotor，背侧注意网络Dorsal Attention，腹侧注意网络VentralAttention，边缘系统Limbic，额顶网络Frontopariental，默认模式网络Default，深部脑结构DeepStructure，对测试者的静息态fMRI功能连接分析的结果先验进行源定位，求出头表记录的电位在皮层上的分布,即全脑的皮层电位分布；
(3)根据8个静息态功能网络覆盖的区域，统计各个静息态功能网络在7种节律上的强度。
脑电静息态信号采集程序设计主要是为了完成脑电心理测评过程；主试可通过该显示界面对采集的脑电信号进行观察，控制数据的采集、保存数据等；显示程序主要负责实时完成从计算机端接收数据，根据使用者的选择进行滤波并显示脑电波形；程序设计主要分为数据获取与处理两个线程，实现数据的转换，滤波、图形绘制、显示。
模型构建模块采用局部线性嵌入算法对数据进行特征降维，然后利用降维后数据对经典支持向量机算法进行模型构建，最终实现特定人群特征模型；首先，构造局部线性嵌入算法对数据进行特征降维，将多维行为学指标和生理指标特征降维到本征维度，然后，采用经典支持向量机算法实现数据的分类，分类策略采用随机ten-fold交叉验证分类策略，保证了分类的准确性与泛华性能；基于机器学习的特征分类软件采用了局部线性嵌入算法对数据进行特征降维，然后，利用降维后数据对经典支持向量机算法(SVM)进行模型构建，最终实现特征的分类，其中，分类策略采用随机ten-fold交叉验证分类策略，保证了分类的准确性和泛华性能；传统心理测量采用统计学方法构建量表的常模，在常模和取置信区间的基础上制定量表的正常范围，超出正常范围值则判定为不正常；传统统计学方法最大的缺陷在于量表需要大量的数据进行常模制定，并且无法对于新测量的样本进行准确预测；而机器学习算法能从既有数据中进行快速学习，提取出最具有判别能力的特征，并可对结果进行预测、能够在个体水平上对新测量被试进行鉴别判断；因此，在采集的数据中，我们采用传统统计学方法对样本进行预测，准确率为74.5％，我们采用基于机器学习的特殊岗位特征分类软件对新测样被试进行分类，准确率提高到了87.7％，验证了机器学习算法在特殊岗位人员分类中的有效性。
本实施例提供一种飞行员选拔方法：
步骤1，采集1084名大学生的人格问卷量表，将量表题目由102道指标通过聚类方法聚类为23道指标；
步骤2，采集113名精神病医院医生诊断患有人格障碍患者的人格问卷和静息态脑电信号；
步骤3，采集70名心理健康的在校大学生的人格问卷和静息态脑电信号；
步骤4，采集30名的飞行员人格问卷和静息态脑电信号；
步骤5，通过SVM机器学习算法，对采集到的数据进行聚类分类，建立飞行员人格和脑电电生理特征的数学模型；
步骤6，通过步骤5中模型进行比对待测试人员的符合度。
上述步骤1中聚类方法为：针对RPA飞行教员、飞行员和心理测量专家调查基础上，采用情境测验模式编制了102道题的RPA飞行员人格障碍倾向指标测验：(1)根据DSM-5的诊断标准，构建了3个一级指标，12个二级指标，共102个测试指标；(2)对114个大学生进行了预测，剔除了区分度在0.2以下的17个指标，保留85个指标；(3)上述85个指标对31位专家(23名心理专家，8名心理科医生)进行了3轮次德尔菲专家调查，最终确定了51个指标具有较高的一致性；对51个指标完成10840名普通大学生(31省份、有效问卷7146)和113名人格障碍患者和就诊者的测试，采用行为反应和临床症状，最终确立了26个测试指标能够有效反应人格障碍倾向；同时对26个测试指标进行区分度检验，最终确立23个指标具有较好的区分度，所有23个测试指标鉴别力指数均在0.31—0.40之间。
上述聚类方法中区分度是指一道指标能多大程度上把不同水平的人区分开来，也即题目的鉴别力；区分度越高，越能把不同水平的受测者区分开来，该道指标被采用的价值也就越大；对于客观性题目，项目区分度的简便计算公式是，D＝PH—PL，其中D：区分度；PH：高分组通过该题的人数占高分组总人数百比；PL：低分组通过该题的人数占低分组总人数百分比；就学绩测验而言，一般要求项目与总分的相关达到、0.20以上，高分组与低分组通过率之差达到0.15—0.20以上；一般认为D>0.40，该题非常优良；D<0.19，该指标必须淘汰。
本技术在测验常模的建立过程中，突破了传统心理测量依赖大样本、评估区间僵化、评估误差大等技术局限，采用人工智能的思路和方法，分别采集高人格障碍人群和低人格障碍倾向人群的行为指标如项目选择、脑电指标和生理指标，并通过深度学习方法计算多维参数评估结果，降低标准化样本量，提高生态效度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (2)
1.一种基于脑电采集的人格特征匹配系统，其特征在于：包括：脑电采集模块(1)、人格特征问卷模块(2)和机器学习算法模块(3)；所述脑电采集模块(1)与人格特征问卷模块(2)分别用于采集脑电信号与人格特征信号；所述机器学习算法模块(3)用于接收脑电信号与人格特征信号并建立特定人群的人格特征与脑电生理特征模型；
所述脑电采集模块(1)包括干电极与放大器组合集成的有源脑电电极完成脑电信号的采集和放大，再经过导线传输到脑电采集板，脑电采集板将采集信号串口连接发送至上位机；
所述人格特征问卷模块(2)通过前期心理学实验结果研究论证后的30道题目，采用B/S软件架构实现多人同时进行人格测评；
所述机器学习算法模块(3)包括脑电源定位模块与模型构建模块；
所述脑电源定位模块是基于matlab环境的脑电源定位软件，将静息态fMRI研究得到的8个大尺度功能网络的空间分布作为先验信息，求出比传统的最小模解和低分辨率层析成像更为精确的皮层电位分布，并按8个大尺度功能网络统计脑电节律的能量分布；
所述脑电节律包括节律delta、theta、alpha1、alpha2、beta1、beta2和gamma；
8个所述大尺度功能网络包括视觉网络Visual、感觉运动网络Somatomotor、背侧注意网络DorsalAttention、腹侧注意网络VentralAttention、边缘系统Limbic、额顶网络Frontopariental、默认模式网络Default和深部脑结构DeepStructure；
所述模型构建模块采用局部线性嵌入算法对数据进行特征降维，然后利用降维后数据对经典支持向量机算法进行模型构建，最终实现特定人群特征模型。
2.根据权利要求1所述的一种基于脑电采集的人格特征匹配系统，其特征在于：所述脑电采集板包括AK5381芯片与STM32F407芯片，AK5381芯片通过SPI通信连接STM32F407芯片。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910032031.8A CN109549644B (zh) | 2019-01-14 | 2019-01-14 | 一种基于脑电采集的人格特征匹配系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910032031.8A CN109549644B (zh) | 2019-01-14 | 2019-01-14 | 一种基于脑电采集的人格特征匹配系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109549644A CN109549644A (zh) | 2019-04-02 |
| CN109549644B true CN109549644B (zh) | 2024-01-19 |
Family
ID=65873090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910032031.8A Active CN109549644B (zh) | 2019-01-14 | 2019-01-14 | 一种基于脑电采集的人格特征匹配系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109549644B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110327061B (zh) * | 2019-08-12 | 2022-03-08 | 北京七鑫易维信息技术有限公司 | 一种基于眼动追踪技术的性格确定装置、方法及设备 |
| CN112568912A (zh) * | 2019-09-12 | 2021-03-30 | 陈盛博 | 一种基于非侵入式脑电信号的抑郁症生物标记物辨识方法 |
| CN112057068A (zh) * | 2020-08-27 | 2020-12-11 | 武汉工程大学 | 一种癫痫病理数据分类方法、装置及存储介质 |
| CN112386256A (zh) * | 2020-11-16 | 2021-02-23 | 蔡佐宾 | 人格测试方法及系统 |
| CN113299358A (zh) * | 2021-05-20 | 2021-08-24 | 北京大学深圳医院 | 基于评估量表的负性情绪筛查方法、装置及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102743166A (zh) * | 2012-08-09 | 2012-10-24 | 西南大学 | 一种事件相关电位源定位方法 |
| CN103505203A (zh) * | 2013-09-30 | 2014-01-15 | 西安交通大学 | 基于脑电源定位方法的人体精神状态检测方法 |
| CN105147304A (zh) * | 2015-08-07 | 2015-12-16 | 北京环度智慧智能技术研究所有限公司 | 一种人格特质值测验的刺激信息编制方法 |
| CN108256781A (zh) * | 2018-02-07 | 2018-07-06 | 蔡佐宾 | 职业评测方法及职业评测系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050273017A1 (en) * | 2004-03-26 | 2005-12-08 | Evian Gordon | Collective brain measurement system and method |
| EP2245568A4 (en) * | 2008-02-20 | 2012-12-05 | Univ Mcmaster | EXPERT SYSTEM FOR DETERMINING A PATIENT'S RESPONSE TO A TREATMENT |
| US10772527B2 (en) * | 2016-03-18 | 2020-09-15 | Robert Kocher | Brain matching |
-
2019
- 2019-01-14 CN CN201910032031.8A patent/CN109549644B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102743166A (zh) * | 2012-08-09 | 2012-10-24 | 西南大学 | 一种事件相关电位源定位方法 |
| CN103505203A (zh) * | 2013-09-30 | 2014-01-15 | 西安交通大学 | 基于脑电源定位方法的人体精神状态检测方法 |
| CN105147304A (zh) * | 2015-08-07 | 2015-12-16 | 北京环度智慧智能技术研究所有限公司 | 一种人格特质值测验的刺激信息编制方法 |
| CN108256781A (zh) * | 2018-02-07 | 2018-07-06 | 蔡佐宾 | 职业评测方法及职业评测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109549644A (zh) | 2019-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109549644B (zh) | 一种基于脑电采集的人格特征匹配系统 | |
| CN104127193B (zh) | 一种抑郁症程度量化的评估系统及其评估方法 | |
| CN105877766A (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
| CN103815893A (zh) | 用于远程疾病管理的设备和方法 | |
| CN109864714A (zh) | 一种基于深度学习的心电信号分析方法 | |
| CN101268938A (zh) | 用于心电图识别与分类的方法和设备 | |
| JPH07500983A (ja) | 脳のバイオポテンシャル分析システム及び装置 | |
| CN109754877B (zh) | 一种基于人工智能的十二导联标准心电图急性心肌梗死智能判别系统 | |
| CN103637795B (zh) | 心电图机自动诊断功能检测方法 | |
| CN1552284A (zh) | 儿童认知功能发育测试系统 | |
| CN111557659B (zh) | 基于多特征融合与Stacking-DWKNN算法的心律失常分类方法 | |
| CN105147282A (zh) | 认知功能障碍脑电识别系统 | |
| CN103405225A (zh) | 一种获取疼感评测指标的方法、装置及设备 | |
| CN105726013A (zh) | 一种具有心电信号质量判别功能的心电监测系统 | |
| CN201200401Y (zh) | 一种老年性痴呆的诊断装置 | |
| CN115500843A (zh) | 基于零样本学习与对比学习的睡眠阶段分期方法 | |
| CN208677390U (zh) | 一种脑电波获取仪 | |
| CN106073767A (zh) | Eeg信号的相位同步度量、耦合特征提取及信号识别方法 | |
| Lee et al. | Improving sleep stage classification performance by single-channel eeg data augmentation via spectral band blending | |
| CN101716074B (zh) | 基于时间特性指标的诱发电位记录仪 | |
| CN105852847A (zh) | 一种心脏及生命体征监护分析系统 | |
| CN114098761A (zh) | 一种急诊脑电图检查系统、脑电图检查方法、计算机设备 | |
| CN103366079B (zh) | 职业枯竭评测干预系统 | |
| Nanarkar et al. | A Survey on Classification and identification of Arrhythmia using Machine Learning techniques | |
| Liu | Model Construction of Using Physiological Signals to Detect Mental Health Status |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |