CN110110766A - 一种基于运动规划控制特征的在线性格分析方法及装置 - Google Patents

一种基于运动规划控制特征的在线性格分析方法及装置 Download PDF

Info

Publication number
CN110110766A
CN110110766A CN201910329694.6A CN201910329694A CN110110766A CN 110110766 A CN110110766 A CN 110110766A CN 201910329694 A CN201910329694 A CN 201910329694A CN 110110766 A CN110110766 A CN 110110766A
Authority
CN
China
Prior art keywords
feature
motion planning
control
adjustment
sliding
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.)
Granted
Application number
CN201910329694.6A
Other languages
English (en)
Other versions
CN110110766B (zh
Inventor
蔡忠闽
赵颖慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201910329694.6A priority Critical patent/CN110110766B/zh
Publication of CN110110766A publication Critical patent/CN110110766A/zh
Application granted granted Critical
Publication of CN110110766B publication Critical patent/CN110110766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

一种基于运动规划控制特征的在线性格分析方法及装置，分析方法包括：步骤一、获取并记录当前用户的运动规划控制数据；步骤二、对运动规划控制数据进行数据预处理，得到用户的动作样本；步骤三、分析动作样本中的运动规划模式，提取动作样本中的运动规划控制特征；步骤四、通过预先设置好的性格模型对运动规划控制特征进行性格分析，其中，基于运动规划控制特征的性格模型为通过若干动作样本训练得到的不同性格特性分类器或回归器。装置包括数据获取单元、预处理单元、特征提取单元、性格分析单元。本发明的在线性格分析方法数据源获取成本低，并且能够有效的分析出用户性格。

Description

一种基于运动规划控制特征的在线性格分析方法及装置
技术领域
本发明涉及计算机及移动网络用户信息感知分析领域，具体涉及一种基于运动规划控制特征的在线性格分析方法及装置，通过对计算机或智能移动终端的使用分析出用户性格。
背景技术
随着社会信息化、网络化大潮的推进，在计算机及移动网络中对用户信息的感知分析变得越来越重要，在电子商务、电子教学、虚拟团队等虚拟交互系统中，系统迫切需要了解系统用户的性格，从而制定有效的系统方案，提供个性化的用户服务。例如，在电子商务、金融理财等网络虚拟化经济活动中，商家迫切希望能够尽量充分的了解客户，确定目标客户的性格，商家可以为客户提供针对性的商品或服务，从而提高商业活动的成功率。
现今研究者提出的性格分析方法主要基于社交网络、手机使用习惯、音视频数据以及生理信号。基于社交网络发帖内容、点赞等网络信息分析用户性格需要获取当前系统用户的社交网络账号以获取相关网络数据，然而在实际系统，如电子商务系统中，通常不易获知当前电子商务系统用户的社交网络账户，难以获取相关数据。基于手机使用习惯的性格分析方法需要获取大量用户信息，包括通话短信记录、蓝牙、位置、麦克风、传感器等，有些内容相关的数据会涉及到个人隐私。而基于音视频数据及生理信号的方法需要特定信息采集设备，如摄像头，EEG信号采集设备等，不适用于现有计算机网络环境。
发明内容
本发明的目的在于针对上述现有技术中的问题，提供一种基于运动规划控制特征的在线性格分析方法及装置，数据源获取成本低并且能够有效的分析出用户性格。
为了实现上述目的，本发明基于运动规划控制特征的在线性格分析方法，包括以下步骤：
步骤一、获取并记录当前用户的运动规划控制数据；
步骤二、对运动规划控制数据进行数据预处理，得到用户的动作样本；
步骤三、分析动作样本中的运动规划模式，提取动作样本中的运动规划控制特征；
步骤四、通过预先设置好的性格模型对运动规划控制特征进行性格分析，其中，基于运动规划控制特征的性格模型为通过若干动作样本训练得到的不同性格特性分类器或回归器。
通过计算机、移动终端或者可穿戴设备获取并记录当前用户的运动规划控制数据；
所述的步骤一当中，在获取运动规划控制数据时，用户基于当前运动状态与目标运动状态的差距，规划并调整当前运动状态以达到目标运动状态；
获取运动规划控制数据的运动规划模式包括鼠标移动定位目标运动规划模式、键盘输入预定序列运动规划模式、触摸屏输入预定手势运动规划模式以及日常动作运动规划模式；
所述的鼠标移动定位目标运动规划模式为：用户在使用鼠标控制计算机屏幕上光标移动并达到预定目标位置时，基于视觉感知的计算机对比屏幕上的当前光标位置与目标位置信息，操作鼠标以控制屏幕上的光标移动接近并到达目标位置的过程是动态变化的，包含移动路径规划与调整、移动速度规划与调整、移动接近目标过程的移动调整与控制；
所述的键盘输入预定序列运动规划模式为：用户在使用键盘完成预定击键序列输入的目标时，基于手指与键盘的相对位置信息控制手指移动击键，反映手指运动协调的击键节奏；
所述的触摸屏输入预定手势运动规划模式为：用户在使用触摸屏完成预定手势输入的目标时，基于智能移动终端屏幕的显示信息变化，控制手指滑动以完成相应手势输入的过程是动态变化的，包含滑动压力调整与控制、滑动速度调整与控制、滑动路径调整与控制；所述的预定手势包括上拉、下拉、左滑、右滑、zoom-in以及zoom-out；
所述的日常动作运动规划模式为：用户在佩戴移动终端或者可穿戴设备完成日常动作时，通过运动传感器记录的数据获得用户的日常动作控制习惯。
动作样本包括鼠标操作样本、键盘击键样本、触摸屏滑动样本、运动传感器记录的日常动作样本；运动规划控制特征包括鼠标移动定位目标运动规划控制特征、键盘输入预定序列运动规划控制特征、触摸屏输入预定手势运动规划控制特征及日常动作运动规划控制特征；
运动规划控制数据通过用户操作计算机或智能移动终端时的交互设备、用户佩戴的移动终端以及可穿戴设备的运动传感器测量得到；其中，用户操作计算机或智能移动终端时的交互设备包括鼠标、键盘、触摸屏，交互行为数据包括鼠标操作数据、键盘击键数据和触摸屏滑动数据，通过移动终端或者可穿戴设备的运动传感器记录日常动作数据。
所述的鼠标移动定位目标运动规划控制特征包括表征鼠标移动路径规划与调整的特征、表征鼠标移动速度规划与调整的特征、表征鼠标移动接近目标过程的移动调整与控制的特征；
1)表征鼠标移动路径规划与调整的特征包括：
描述在移动鼠标的过程中，当光标位置偏离中轴线较远，用户调整移动角度使光标回归中轴线时的坐标到目标位置坐标的距离的移动角度-距离协调特征；
描述移动时间以及当前光标位置到目标位置的距离之间关系的移动时间-距离协调特征；
描述移动弯曲程度动态调整与移动时间两者之间关系的移动曲率-时间协调特征；
描述移动弯曲程度整体性变化的移动曲率统计量；
描述移动偏移中轴线整体性变化的移动偏离中轴线统计量；
描述移动效率的移动位移与路程的比值；
2)表征鼠标移动速度规划与调整的特征包括：
描述移动加速和减速动态调整以及当前光标位置到目标位置的距离两者之间关系的移动速度-距离协调特征；
描述移动加速和减速动态调整以及移动时间两者之间关系的移动速度-时间协调特征；
描述移动速度整体性变化的移动速度统计量；
描述移动速度伴随时间变化的移动加速度统计量；
3)表征鼠标移动接近目标过程的移动调整与控制的特征包括：
描述接近目标调整时间长度的接近目标移动时间与整段移动时间的比值；
描述接近目标的移动过程中移动速度整体性变化的接近目标速度统计量；
描述接近目标的移动过程中移动曲率整体性变化的接近目标曲率统计量；
描述接近目标的移动过程中移动效率的接近目标移动位移与路程的比值；
描述鼠标任务切换效率的移动结束时刻到点击时刻两者之间的停留时间；
描述错误调整的是否移动超过目标往回调整以到达目标。
所述键盘输入预定序列运动规划控制特征包括表征反映手指运动协调的击键节奏的特征；所述的表征反映手指运动协调的击键节奏的特征包括描述每次按键的按键效率的击键驻留时间统计量、描述相邻两次按键的按键效率的击键飞跃时间统计量、描述给定的两个字母或者数字对应按键对的按键效率的双字符组击键飞跃时间统计量。
所述触摸屏输入预定手势运动规划控制特征包括表征滑动压力调整与控制的特征、表征滑动速度调整与控制的特征、表征滑动路径调整与控制的特征；
1)所述表征滑动压力调整与控制的特征包括：
描述滑动压力动态调整与滑动距离两者之间关系的滑动压力-距离协调特征；
描述滑动压力动态调整与滑动时间两者之间关系的滑动压力-时间协调特征；
描述滑动压力整体性变化的滑动压力统计量；
2)所述表征滑动速度调整与控制的特征包括：
描述滑动速度动态调整与滑动距离两者之间关系的滑动速度-距离协调特征；
描述滑动速度动态调整与滑动时间两者之间关系的滑动速度-时间协调特征；
描述滑动速度整体性变化的滑动速度统计量；
描述滑动加速度整体性变化的滑动加速度统计量；
3)所述表征滑动路径调整与控制的特征包括：
描述滑动长度的平均滑动距离；
描述滑动方向动态调整与滑动距离两者之间关系的滑动方向-距离协调特征；
描述滑动方向动态调整与滑动时间两者之间关系的滑动方向-时间协调特征；
描述滑动弯曲程度动态调整与滑动时间两者之间关系的滑动曲率-时间协调特征；
描述滑动弯曲程度的滑动曲率统计量。
日常动作运动规划控制特征包括表征用户行走过程中的行走控制习惯的特征。
表征用户行走过程中的行走控制习惯的特征包括：
描述用户行走节奏的特征，包括行走周期、平均行走加速度、平均行走速度、平均步长；描述用户行走时，落脚和抬脚过程中身体起伏规律的身体起伏特征；描述用户一个行走周期内加速度动态调整与行走时间两者之间关系的行走加速度-行走时间协调特征。
所述的步骤四基于运动规划控制特征的性格模型按照如下方式进行建立：
4-1、对若干个运动规划控制数据进行数据预处理得到若干个动作样本；分析若干个动作样本中的运动规划模式，并针对该运动规划模式提取动作样本中的运动规划控制特征；
4-2、通过特征选择算法对所述运动规划控制特征进行降维；
4-4、采用分类算法对降维后的运动规划控制特征进行分类，或者采用回归算法对降维后的运动规划控制特征进行回归，获取不同性格特性对应运动规划控制特征的性格模型。
本发明基于运动规划控制特征的在线性格分析装置：
包括用于获取并记录当前用户运动规划控制数据的数据获取单元，用于对记录的运动规划控制数据进行数据预处理得到用户动作样本的预处理单元，用于分析动作样本中的运动规划模式并针对该运动规划模式提取动作样本中的运动规划控制特征的特征提取单元，以及用于依据预先设置好的性格模型对运动规划控制特征进行性格分析的性格分析单元。
优选的，所述的预处理单元能够对若干运动规划控制数据进行数据预处理得到若干动作样本，特征提取单元能够分析若干动作样本中的运动规划模式提取动作样本中的运动规划控制特征，通过特征降维单元对运动规划控制特征进行降维，通过模型学习单元采用分类算法对降维后的运动规划控制特征进行分类，或者采用回归算法对降维后的运动规划控制特征进行回归，获取不同性格特性对应运动规划控制特征的性格模型；
所述的特征提取单元包括鼠标移动定位目标运动规划控制特征提取单元、键盘输入预定序列运动规划控制特征提取单元、触摸屏输入预定手势运动规划控制特征提取单元以及日常动作运动规划控制特征提取单元；其中，所述的鼠标移动定位目标运动规划控制特征提取单元用以提取表征鼠标移动路径规划与调整的特征、表征鼠标移动速度规划与调整的特征、表征鼠标移动接近目标过程的移动调整与控制的特征；所述的键盘输入预定序列运动规划控制特征提取单元用以提取表征反映手指运动协调的击键节奏的特征；所述的触摸屏输入预定手势运动规划控制特征提取单元用以提取表征滑动压力调整与控制的特征、表征滑动速度调整与控制的特征、表征滑动路径调整与控制的特征；所述的日常动作运动规划控制特征提取单元用以提取表征用户行走过程中的行走控制习惯的特征；
所述模型学习单元包括投影子单元、分类子单元、回归子单元和存储子单元；投影子单元用以使用映射函数将降维后的运动控制特征投影到高维空间，分类子单元用以基于投影后的高维空间运动控制特征训练分类方法，回归子单元用以基于投影后的高维空间运动控制特征训练回归方法，存储子单元用以将训练结果存储为不同性格特性的分类模型或回归模型。
与现有技术相比，本发明具有如下的有益效果：由于人在使用计算机、智能移动终端的过程中会产生连续变化并动态调整的运动规划控制数据，该运动规划控制数据包括交互行为数据与运动传感器数据，其中交互行为数据包括鼠标移动定位目标数据、键盘输入预定序列数据和触摸屏输入预定手势数据，运动传感器数据包括加速度传感器和陀螺仪记录的日常动作数据。运动规划控制数据刻画了一系列连续变化并动态调整的环境感知-运动规划控制过程，该过程包含信息感知与信息处理，思考决策与运动响应，与大脑运动及认知对应的功能结构的活动紧密相关，而性格也受到相同大脑功能结构的影响，因此本发明通过机器学习方法聚类或回归出多维度的运动控制特征模型来分析用户性格。本发明的在线性格分析方法数据源获取成本低，并且能够有效的分析出用户性格，通过相应装置保证方法的实现与应用。
附图说明
图1基于鼠标移动定位目标特征的性格分析方法流程图；
图2基于鼠标移动定位目标特征的性格分析装置结构框图；
图3基于鼠标移动定位目标特征的性格模型训练方法流程图；
图4基于鼠标移动定位目标特征的性格模型训练装置结构框图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
参见图1，本发明基于鼠标移动定位目标特征的性格分析方法包括以下步骤：
步骤101：用户在使用鼠标与计算机交互时，获取并记录用户的鼠标操作数据；
可以获取的数据如表1所示：
表1可以获取的鼠标操作数据
操作类型 数据格式
鼠标移动 {鼠标移动，x坐标y坐标，时间戳}
鼠标点击 {鼠标点击，x坐标y坐标，时间戳}
步骤102：对记录的鼠标操作数据进行数据预处理得到用户的鼠标操作样本。
所述数据预处理可以包括数据重采样、数据平滑。
其中，数据重采样用于将获取的鼠标操作数据按照预定时间间隔进行重采样，本发明实施例的预定时间间隔为8ms。数据平滑为采用数据平滑算法将重采样后的数据进行去噪声处理，本发明实施例采用的数据平滑算法为滑动均值法。本领域技术人员可以对数据重采样的预定时间间隔和数据平滑算法另行选择，也可以跳过数据重采样步骤直接对获取的鼠标操作数据采用数据平滑算法进行去噪声处理，不影响本发明方法的实现。
步骤103：对于鼠标操作样本，分析操作鼠标控制计算机屏幕上光标移动以接近并达到预定目标位置过程中动态变化的：用户动态变化移动路径规划与调整、移动速度规划与调整、移动接近目标过程的移动调整与控制；提取鼠标移动定位目标特征描述该运动规划控制模式。
在本发明的实施例中，参考表2-1、2-2、2-3的示例，表2-1、2-2、2-3形象的示出了鼠标移动定位目标特征的具体内容，示例包括表征鼠标移动路径规划与调整的特征、表征鼠标移动速度规划与调整的特征，以及表征鼠标移动接近目标过程的移动调整与控制的特征。
表2-1表征鼠标移动路径规划与调整的特征
在表2-1中，移动时间-距离协调特征度量了用户移动鼠标完成不同的移动阶段需要花费的移动时间，描述了移动时间与当前光标位置到目标位置的距离两者之间的关系。
具体的，在计算时，表2-1示例的不同的移动阶段分别为当前位置坐标到目标位置坐标的距离为整段移动距离的25％、50％、75％、100％。移动曲率-时间协调特征度量了在用户不同的移动时间阶段，移动轨迹的平均弯曲程度，具体的，在计算时，表2-1示例的不同移动时间阶段为(0～0.25)T、(0.25～0.5)T、(0.5～0.75)T、(0.75～1)T。
在实际应用中，本领域技术人员可以选取其他的移动阶段、移动时间阶段来分别计算移动时间-距离协调特征和移动曲率-时间协调特征，不影响本发明技术方案的实现。
表2-2表征鼠标移动路径规划与调整的特征
在表2-2中，移动速度-距离协调特征度量了用户移动鼠标的速度上升和下降到不同的速度值时相对应的移动阶段，描述了用户移动加速和减速动态调整与当前光标位置到目标位置的距离两者之间的关系。移动速度-时间协调特征度量了用户移动鼠标的速度上升和下降到不同的速度值时需要花费的移动时间，描述了用户移动加速和减速动态调整与移动时间两者之间的关系，具体的，在计算时，表2-2示例的不同的速度值为当前移动速度上升到整段移动的移动速度最大值的25％、50％、75％、100％和当前移动速度下降到整段移动的移动速度最大值的25％、50％、75％。在实际应用中，本领域技术人员可以选取其他的速度值来分别计算移动速度-距离协调特征和移动速度-时间协调特征，不影响本发明技术方案的实现。
表2-3表征鼠标移动接近目标过程的移动调整与控制的特征
表中的鼠标移动定位目标运动规划控制特征仅仅是举例示意，本领域技术人员可以选择表中任意一种或者任意组合的特征进行性格分析，特征的选取不影响本发明的实现。
步骤104：依据预先训练的基于鼠标移动定位目标特征的性格模型，基于步骤103得到的鼠标移动定位目标特征分析用户性格；训练方法流程如图3所示。
本发明实施例选取的性格度量方法包括4个性格维度，每个性格维度包含两种性格偏向，分别对应为：外向型-内向型、直觉型-感觉型、思考型-情感型、判断型-感知型。其中，外向型-内向型度量用户对注意力和能量的态度，外向型用户更关注外部世界，更容易与外部世界产生联系，倾向于将能量引导到他人并且积极从与他人交互和参与活动中获得能量，内向型用户更关注内心世界，更愿意单独或者与较少的人一起做事，倾向于将能量引导到内心世界并且通过内心世界的思考获得能量。直觉型-感觉型性格维度度量用户在信息感知过程中不同的信息感知方式，度量不同偏向的用户更倾向于关注的信息类型，直觉型用户倾向于关注当前信息中蕴含的模式、含义和未来的可能性，倾向于关注不同信息之间的联系，很快形成一幅大图然后关注事实，感觉型用户主要通过五种感官接收信息，并且注意当前发生的事实与细节，倾向于从收集事实和细节开始然后形成一幅大图。思考型-情感型性格维度度量用户在思考决策过程中不同的思考决策方式，度量不同用户决策时更倾向于关注的决策标准，思考型用户在做决定时更加重视逻辑分析、客观标准以及非个人的事实，情感型用户在决策时更加重视个人价值观和环境的和谐。判断型-感知型度量用户在与外部世界交互时的态度，判断型用户倾向于更有计划、有条理的生活方式，并且偏好较快的做出决策，感知型用户倾向于更灵活的生活方式，并且偏好保持选项开放。在分析用户性格时，本实施例采用机器学习分类算法，如支持向量机推断用户在每个性格维度的性格偏向。
与上述基于鼠标移动定位目标特征的性格分析方法相对应的，本发明还提供一种基于鼠标移动定位目标特征的性格分析装置，参见图2，本实施例可以包括以下几个单元：
数据获取单元201用以用户数据获取与记录，在本发明实施例中，用以在用户在使用鼠标与计算机交互时，获取并记录用户的鼠标操作数据，可以获取的数据在表1示出。
预处理单元202用以对记录鼠标操作数据进行数据预处理得到用户的鼠标操作样本。
其中，所述预处理单元202，具体可以包括：
数据重采样子单元，用以将获取的鼠标操作数据按照预定时间间隔进行重采样；
数据平滑子单元，用以采用数据平滑算法将重采样后的数据进行去噪声处理。
特征提取单元203，用以对于鼠标操作样本，提取鼠标移动定位目标特征。其中，所述鼠标移动定位目标特征具体可以包括：表征移动路径规划与调整的特征、表征移动速度规划与调整的特征、表征移动接近目标过程的移动调整与控制的特征。
性格分析模块204，用以依据预先训练的基于鼠标移动定位目标特征的性格模型，基于特征提取单元203得到的鼠标移动定位目标特征分析用户性格；其中，基于鼠标移动定位目标特征的性格模型的训练方法装置结构如图4所示。
参见图3，本发明基于鼠标移动定位目标特征的性格模型训练方如下：
步骤301：对若干鼠标操作数据进行数据预处理得到若干鼠标操作样本。
首先，可以获取到若干鼠标操作数据，例如建立一个性格测试网页，网页内容为性格测试问卷，邀请若干用户通过操作鼠标移动和点击选择每个问题的答案完成性格测试问卷，在用户回答问卷的过程中，可以由JavaScript记录用户的鼠标操作数据，在用户完成问卷作答后，可以记录用户的性格作为鼠标操作数据的标签用于后续的模型学习。
数据预处理可以包括数据重采样和数据平滑。
其中，数据重采样用以将获取的鼠标操作数据按照预定时间间隔进行重采样，本发明实施例的预定时间间隔为8ms。其中，数据平滑为采用数据平滑算法将重采样后的数据进行去噪声处理，实施例采用的数据平滑算法为滑动均值法。本领域技术人员可以对数据重采样的预定时间间隔和数据平滑算法另行选择，也可以跳过数据重采样步骤直接对获取的鼠标操作数据采用数据平滑算法进行去噪声处理，不影响本发明的实现。
本发明实施例获取的用户鼠标操作数据在表1示出。
本实施例选取的性格度量方法包括4个性格维度，每个性格维度包含两种性格偏向，分别对应为：外向型-内向型、直觉型-感觉型、思考型-情感型、判断型-感知型。
在本实施例中，用户完成问卷作答后，可以获取到用户在4个性格维度分别对应的偏向，将这4个性格维度的偏向作为相对应的用户的鼠标操作数据的标签，每个用户的鼠标操作数据对应一个4维度的标签。
步骤302：对于记录的若干鼠标操作样本，分析用户操作鼠标控制计算机屏幕上光标移动以接近并达到预定目标位置过程中动态变化的：用户动态变化移动路径规划与调整、移动速度规划与调整、移动接近目标过程的移动调整与控制；提取鼠标移动定位目标特征描述该运动规划控制模式。本实施例提取的特征，参考表2-1、2-2、2-3的示例，鼠标移动定位目标特征示例包括表征鼠标移动路径规划与调整的特征、表征鼠标移动速度规划与调整的特征，以及表征鼠标移动接近目标过程的移动调整与控制的特征。
步骤303：采用特征选择方法，如最小冗余最大相关性mRMR算法，对鼠标移动定位目标特征进行降维。实施例采用特征选择方法在选择有效特征的同时对原始特征进行降维，实施例中采用最小冗余最大相关性mRMR算法选择出的特征集合保证了特征间的最小冗余性以及特征和类标签的最大相关性，在具体实施中，本领域技术人员可以选取其他的特征选择方法或者降维算法实现有效特征的选择和降维，不影响本发明的实现。
步骤304：采用分类算法，如支持向量机SVM对降维后的鼠标移动定位目标特征进行分类，或者采用回归算法，如支持向量回归SVR对降维后的鼠标移动定位目标特征进行回归，获取不同性格特性对应的基于鼠标移动定位目标特征的性格模型。
本发明实施例选取的性格度量方法包括4个性格维度，每个性格维度包含两种性格偏向，分别对应为：外向型-内向型、直觉型-感觉型、思考型-情感型、判断型-感知型。在实施例中，基于鼠标移动定位目标特征的性格模型可以包括4个二分类SVM分类器，训练4个二分类SVM分类器分别对应于4个性格维度用于推断用户在每个性格维度的性格偏向。对于每个二分类SVM分类器，具体的训练步骤可以包括：
使用映射函数将降维后的鼠标移动定位目标特征投影到高维空间，本实施例中采用的映射函数为RBF函数；基于投影后的高维空间鼠标移动定位目标特征训练SVM分类器；将训练结果存储为性格分类模型。在实际应用中，本领域技术人员可以选取其他映射函数或者其他机器学习方法训练性格模型，不影响本发明的实现。
参考图4，与上述本发明提供的基于鼠标移动定位目标特征的性格模型训练方法相对应，本发明基于鼠标移动定位目标特征的性格模型训练装置包括以下单元：
性格模型训练预处理单元401：用以对若干鼠标操作数据进行数据预处理得到若干鼠标操作样本。其中，性格模型训练预处理单元401，具体可以包括：
数据重采样子单元，用以将获取的鼠标操作数据按照预定时间间隔进行重采样；
数据平滑子单元，用以采用数据平滑算法将重采样后的数据进行去噪声处理。
性格模型训练特征提取单元402：用以对于若干鼠标操作样本，提取鼠标移动定位目标特征。其中，鼠标移动定位目标特征具体可以包括：表征移动路径规划与调整的特征、表征移动速度规划与调整的特征、表征移动接近目标过程的移动调整与控制的特征。
特征降维单元403：用以采用特征选择方法，如最小冗余最大相关性mRMR算法，对所述鼠标移动定位目标特征进行降维。
模型学习单元404：用以采用分类算法，如支持向量机SVM对降维后的鼠标移动定位目标特征进行分类，或者采用回归算法，如支持向量回归SVR对降维后的鼠标移动定位目标特征进行回归，获取不同性格特性对应的基于鼠标移动定位目标特征的性格模型。
其中，模型学习单元404具体可以包括投影子单元、分类子单元、回归子单元、存储子单元。投影子单元用以使用映射函数将降维后的鼠标移动定位目标特征投影到高维空间；分类子单元用以基于投影后的高维空间鼠标移动定位目标特征训练分类方法，如支持向量机SVM；回归子单元用以基于投影后的高维空间运动控制特征训练回归方法，如支持向量回归SVR；存储子单元用以将训练结果存储为性格分类模型或性格回归模型。

Claims (10)

1.一种基于运动规划控制特征的在线性格分析方法，其特征在于，包括以下步骤：
步骤一、获取并记录当前用户的运动规划控制数据；
步骤二、对运动规划控制数据进行数据预处理，得到用户的动作样本；
步骤三、分析动作样本中的运动规划模式，提取动作样本中的运动规划控制特征；
步骤四、通过预先设置好的性格模型对运动规划控制特征进行性格分析，其中，基于运动规划控制特征的性格模型为通过若干动作样本训练得到的不同性格特性分类器或回归器。
2.根据权利要求1所述的在线性格分析方法，其特征在于：所述的步骤一通过计算机、移动终端或者可穿戴设备获取并记录当前用户的运动规划控制数据；在获取运动规划控制数据时，用户基于当前运动状态与目标运动状态的差距，规划并调整当前运动状态以达到目标运动状态；获取运动规划控制数据的运动规划模式包括鼠标移动定位目标运动规划模式、键盘输入预定序列运动规划模式、触摸屏输入预定手势运动规划模式、日常动作运动规划模式；
所述的鼠标移动定位目标运动规划模式为：用户在使用鼠标控制计算机屏幕上光标移动并达到预定目标位置时，基于视觉感知的计算机对比屏幕上的当前光标位置与目标位置信息，操作鼠标以控制屏幕上的光标移动接近并到达目标位置的过程是动态变化的，包含移动路径规划与调整、移动速度规划与调整、移动接近目标过程的移动调整与控制；
所述的键盘输入预定序列运动规划模式为：用户在使用键盘完成预定击键序列输入的目标时，基于手指与键盘的相对位置信息控制手指移动击键，反映手指运动协调的击键节奏；
所述的触摸屏输入预定手势运动规划模式为：用户在使用触摸屏完成预定手势输入的目标时，基于智能移动终端屏幕的显示信息变化，控制手指滑动以完成相应手势输入的过程是动态变化的，包含滑动压力调整与控制、滑动速度调整与控制、滑动路径调整与控制；所述的预定手势包括上拉、下拉、左滑、右滑、zoom-in以及zoom-out；
所述的日常动作运动规划模式为：用户在佩戴移动终端或者可穿戴设备完成日常动作时，通过运动传感器记录的数据获得用户的日常动作控制习惯。
3.根据权利要求2所述的在线性格分析方法，其特征在于：所述的动作样本包括鼠标操作样本、键盘击键样本、触摸屏滑动样本、运动传感器记录的日常动作样本；所述的运动规划控制特征包括鼠标移动定位目标运动规划控制特征、键盘输入预定序列运动规划控制特征、触摸屏输入预定手势运动规划控制特征以及日常动作运动规划控制特征；
运动规划控制数据通过用户操作计算机或智能移动终端时的交互设备、用户佩戴的移动终端以及可穿戴设备的运动传感器测量得到；其中，用户操作计算机或智能移动终端时的交互设备包括鼠标、键盘、触摸屏，交互行为数据包括鼠标操作数据、键盘击键数据和触摸屏滑动数据，通过移动终端或者可穿戴设备的运动传感器记录日常动作数据。
4.根据权利要求3所述的在线性格分析方法，其特征在于：所述的鼠标移动定位目标运动规划控制特征包括表征鼠标移动路径规划与调整的特征、表征鼠标移动速度规划与调整的特征、表征鼠标移动接近目标过程的移动调整与控制的特征；
1)表征鼠标移动路径规划与调整的特征包括：
描述在移动鼠标的过程中，当光标位置偏离中轴线较远，用户调整移动角度使光标回归中轴线时的坐标到目标位置坐标的距离的移动角度-距离协调特征；
描述移动时间以及当前光标位置到目标位置的距离之间关系的移动时间-距离协调特征；
描述移动弯曲程度动态调整与移动时间两者之间关系的移动曲率-时间协调特征；
描述移动弯曲程度整体性变化的移动曲率统计量；
描述移动偏移中轴线整体性变化的移动偏离中轴线统计量；
描述移动效率的移动位移与路程的比值；
2)表征鼠标移动速度规划与调整的特征包括：
描述移动加速和减速动态调整以及当前光标位置到目标位置的距离两者之间关系的移动速度-距离协调特征；
描述移动加速和减速动态调整以及移动时间两者之间关系的移动速度-时间协调特征；
描述移动速度整体性变化的移动速度统计量；
描述移动速度伴随时间变化的移动加速度统计量；
3)表征鼠标移动接近目标过程的移动调整与控制的特征包括：
描述接近目标调整时间长度的接近目标移动时间与整段移动时间的比值；
描述接近目标的移动过程中移动速度整体性变化的接近目标速度统计量；
描述接近目标的移动过程中移动曲率整体性变化的接近目标曲率统计量；
描述接近目标的移动过程中移动效率的接近目标移动位移与路程的比值；
描述鼠标任务切换效率的移动结束时刻到点击时刻两者之间的停留时间；
描述错误调整的是否移动超过目标往回调整以到达目标。
5.根据权利要求3所述的在线性格分析方法，其特征在于：所述的键盘输入预定序列运动规划控制特征包括表征反映手指运动协调的击键节奏的特征；
所述的表征反映手指运动协调的击键节奏的特征包括描述每次按键的按键效率的击键驻留时间统计量、描述相邻两次按键的按键效率的击键飞跃时间统计量、描述给定的两个字母或者数字对应按键对的按键效率的双字符组击键飞跃时间统计量。
6.根据权利要求3所述的在线性格分析方法，其特征在于：
所述触摸屏输入预定手势运动规划控制特征包括表征滑动压力调整与控制的特征、表征滑动速度调整与控制的特征、表征滑动路径调整与控制的特征；
1)所述表征滑动压力调整与控制的特征包括：
描述滑动压力动态调整与滑动距离两者之间关系的滑动压力-距离协调特征；
描述滑动压力动态调整与滑动时间两者之间关系的滑动压力-时间协调特征；
描述滑动压力整体性变化的滑动压力统计量；
2)所述表征滑动速度调整与控制的特征包括：
描述滑动速度动态调整与滑动距离两者之间关系的滑动速度-距离协调特征；
描述滑动速度动态调整与滑动时间两者之间关系的滑动速度-时间协调特征；
描述滑动速度整体性变化的滑动速度统计量；
描述滑动加速度整体性变化的滑动加速度统计量；
3)所述表征滑动路径调整与控制的特征包括：
描述滑动长度的平均滑动距离；
描述滑动方向动态调整与滑动距离两者之间关系的滑动方向-距离协调特征；
描述滑动方向动态调整与滑动时间两者之间关系的滑动方向-时间协调特征；
描述滑动弯曲程度动态调整与滑动时间两者之间关系的滑动曲率-时间协调特征；
描述滑动弯曲程度的滑动曲率统计量。
7.根据权利要求3所述的在线性格分析方法，其特征在于：所述日常动作运动规划控制特征包括表征用户行走过程中的行走控制习惯的特征；表征用户行走过程中的行走控制习惯的特征包括：描述用户行走节奏的特征，包括行走周期、平均行走加速度、平均行走速度、平均步长；描述用户行走时，落脚和抬脚过程中身体起伏规律的身体起伏特征；描述用户一个行走周期内加速度动态调整与行走时间两者之间关系的行走加速度-行走时间协调特征。
8.根据权利要求1所述的在线性格分析方法，其特征在于：所述的步骤四基于运动规划控制特征的性格模型按照如下方式进行建立：
4-1、对若干个运动规划控制数据进行数据预处理得到若干个动作样本；分析若干个动作样本中的运动规划模式，并针对该运动规划模式提取动作样本中的运动规划控制特征；
4-2、通过特征选择算法对所述运动规划控制特征进行降维；
4-4、采用分类算法对降维后的运动规划控制特征进行分类，或者采用回归算法对降维后的运动规划控制特征进行回归，获取不同性格特性对应运动规划控制特征的性格模型。
9.一种实现权利要求1所述基于运动规划控制特征的在线性格分析方法的装置，其特征在于：包括用于获取并记录当前用户运动规划控制数据的数据获取单元，用于对记录的运动规划控制数据进行数据预处理得到用户动作样本的预处理单元，用于分析动作样本中的运动规划模式并针对该运动规划模式提取动作样本中的运动规划控制特征的特征提取单元，以及用于依据预先设置好的性格模型对运动规划控制特征进行性格分析的性格分析单元。
10.根据权利要求9所述的装置，其特征在于：
所述的预处理单元能够对若干运动规划控制数据进行数据预处理得到若干动作样本，特征提取单元能够分析若干动作样本中的运动规划模式提取动作样本中的运动规划控制特征，通过特征降维单元对运动规划控制特征进行降维，通过模型学习单元采用分类算法对降维后的运动规划控制特征进行分类，或者采用回归算法对降维后的运动规划控制特征进行回归，获取不同性格特性对应运动规划控制特征的性格模型；
所述的特征提取单元包括鼠标移动定位目标运动规划控制特征提取单元、键盘输入预定序列运动规划控制特征提取单元、触摸屏输入预定手势运动规划控制特征提取单元以及日常动作运动规划控制特征提取单元；其中，所述的鼠标移动定位目标运动规划控制特征提取单元用以提取表征鼠标移动路径规划与调整的特征、表征鼠标移动速度规划与调整的特征、表征鼠标移动接近目标过程的移动调整与控制的特征；所述的键盘输入预定序列运动规划控制特征提取单元用以提取表征反映手指运动协调的击键节奏的特征；所述的触摸屏输入预定手势运动规划控制特征提取单元用以提取表征滑动压力调整与控制的特征、表征滑动速度调整与控制的特征、表征滑动路径调整与控制的特征；所述的日常动作运动规划控制特征提取单元用以提取表征用户行走过程中的行走控制习惯的特征；
所述的模型学习单元包括投影子单元、分类子单元、回归子单元和存储子单元；投影子单元用以使用映射函数将降维后的运动控制特征投影到高维空间，分类子单元用以基于投影后的高维空间运动控制特征训练分类方法，回归子单元用以基于投影后的高维空间运动控制特征训练回归方法，存储子单元用以将训练结果存储为不同性格特性的分类模型或回归模型。
CN201910329694.6A 2019-04-23 2019-04-23 一种基于运动规划控制特征的在线性格分析方法及装置 Active CN110110766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910329694.6A CN110110766B (zh) 2019-04-23 2019-04-23 一种基于运动规划控制特征的在线性格分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910329694.6A CN110110766B (zh) 2019-04-23 2019-04-23 一种基于运动规划控制特征的在线性格分析方法及装置

Publications (2)

Publication Number Publication Date
CN110110766A true CN110110766A (zh) 2019-08-09
CN110110766B CN110110766B (zh) 2021-08-13

Family

ID=67486364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910329694.6A Active CN110110766B (zh) 2019-04-23 2019-04-23 一种基于运动规划控制特征的在线性格分析方法及装置

Country Status (1)

Country Link
CN (1) CN110110766B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739814A (zh) * 2023-04-23 2023-09-12 广州市疾病预防控制中心(广州市卫生检验中心、广州市食品安全风险监测与评估中心、广州医科大学公共卫生研究院) 一种预防疾病传播的方法及社交平台

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833626A (zh) * 2010-05-19 2010-09-15 西安交通大学 基于击键乱序特征的计算机用户身份验证方法
CN101833619A (zh) * 2010-04-29 2010-09-15 西安交通大学 基于键鼠交叉认证的身份判定方法
CN103530540A (zh) * 2013-09-27 2014-01-22 西安交通大学 基于人机交互行为特征的用户身份属性检测方法
CN106940805A (zh) * 2017-03-06 2017-07-11 江南大学 一种基于手机传感器的群体行为分析方法
CN107688827A (zh) * 2017-08-24 2018-02-13 西安交通大学 一种基于用户日常行为特征的用户身份属性预测方法
CN108182489A (zh) * 2017-12-25 2018-06-19 浙江工业大学 一种基于在线学习行为分析的个性化学习推荐方法
CN109165692A (zh) * 2018-09-06 2019-01-08 中国矿业大学 一种基于弱监督学习的用户性格预测装置及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833619A (zh) * 2010-04-29 2010-09-15 西安交通大学 基于键鼠交叉认证的身份判定方法
CN101833626A (zh) * 2010-05-19 2010-09-15 西安交通大学 基于击键乱序特征的计算机用户身份验证方法
CN103530540A (zh) * 2013-09-27 2014-01-22 西安交通大学 基于人机交互行为特征的用户身份属性检测方法
CN106940805A (zh) * 2017-03-06 2017-07-11 江南大学 一种基于手机传感器的群体行为分析方法
CN107688827A (zh) * 2017-08-24 2018-02-13 西安交通大学 一种基于用户日常行为特征的用户身份属性预测方法
CN108182489A (zh) * 2017-12-25 2018-06-19 浙江工业大学 一种基于在线学习行为分析的个性化学习推荐方法
CN109165692A (zh) * 2018-09-06 2019-01-08 中国矿业大学 一种基于弱监督学习的用户性格预测装置及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739814A (zh) * 2023-04-23 2023-09-12 广州市疾病预防控制中心(广州市卫生检验中心、广州市食品安全风险监测与评估中心、广州医科大学公共卫生研究院) 一种预防疾病传播的方法及社交平台
CN116739814B (zh) * 2023-04-23 2024-05-14 广州市疾病预防控制中心(广州市卫生检验中心、广州市食品安全风险监测与评估中心、广州医科大学公共卫生研究院) 一种预防疾病传播的方法及社交平台

Also Published As

Publication number Publication date
CN110110766B (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Escalera et al. Challenges in multi-modal gesture recognition
Mohamad Nezami et al. Automatic recognition of student engagement using deep learning and facial expression
Zhang et al. Human motion recognition based on SVM in VR art media interaction environment
Huynh et al. Detection of driver drowsiness using 3D deep neural network and semi-supervised gradient boosting machine
US9690982B2 (en) Identifying gestures or movements using a feature matrix that was compressed/collapsed using principal joint variable analysis and thresholds
Gao et al. What does touch tell us about emotions in touchscreen-based gameplay?
Banjarey et al. A survey on human activity recognition using sensors and deep learning methods
CN104778600A (zh) 用于用户交互和内容的激励机制
Chen et al. Online control programming algorithm for human–robot interaction system with a novel real-time human gesture recognition method
Wagner et al. Building a robust system for multimodal emotion recognition
Russel et al. Gender discrimination, age group classification and carried object recognition from gait energy image using fusion of parallel convolutional neural network
Piana et al. Automated analysis of non-verbal expressive gesture
Wei et al. Performance monitoring and evaluation in dance teaching with mobile sensing technology
Gamberini et al. How natural is a natural interface? An evaluation procedure based on action breakdowns
Thiam et al. A temporal dependency based multi-modal active learning approach for audiovisual event detection
Wang et al. Low personality-sensitive feature learning for radar-based gesture recognition
CN110110766A (zh) 一种基于运动规划控制特征的在线性格分析方法及装置
Kandemir et al. Learning relevance from natural eye movements in pervasive interfaces
Kirchhof et al. Chances of interpretable transfer learning for human activity recognition in warehousing
Calapatia et al. Using body posture, movement and human activity to predict emotions
Cecotti et al. Hand-drawn symbol recognition in immersive virtual reality using deep extreme learning machines
Feng et al. FM: Flexible mapping from one gesture to multiple semantics
Ahad et al. Sensor-based benchmark datasets: comparison and analysis
Kuric et al. Is mouse dynamics information credible for user behavior research? An empirical investigation
Raees et al. RUN: rational ubiquitous navigation, a model for automated navigation and searching in virtual environments

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