CN110693509B - 一种案件相关性确定方法、装置、计算机设备和存储介质 - Google Patents
一种案件相关性确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110693509B CN110693509B CN201910986377.1A CN201910986377A CN110693509B CN 110693509 B CN110693509 B CN 110693509B CN 201910986377 A CN201910986377 A CN 201910986377A CN 110693509 B CN110693509 B CN 110693509B
- Authority
- CN
- China
- Prior art keywords
- correlation
- case
- tested object
- preset
- eye movement
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004424 eye movement Effects 0.000 claims abstract description 124
- 238000010219 correlation analysis Methods 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims description 32
- 230000004044 response Effects 0.000 claims description 19
- 210000001747 pupil Anatomy 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 17
- 230000006870 function Effects 0.000 description 42
- 230000008569 process Effects 0.000 description 23
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 230000001149 cognitive effect Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 238000011840 criminal investigation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000036626 alertness Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000004434 saccadic eye movement Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000027534 Emotional disease Diseases 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- A61B5/163—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state by tracking eye movement, gaze, or pupil change
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Social Psychology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Software Systems (AREA)
- Educational Technology (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Developmental Disabilities (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
Abstract
本发明适用于计算机技术领域,提供了一种案件相关性确定方法、装置、计算机设备和存储介质,所述案件相关性确定方法包括:获取被测试对象在看到预设的多张图像时的眼动数据;根据所述眼动数据以及预设的相关性分析模型确定被测试对象与预设的多张图像之间的相关概率;根据所述相关概率以及预设的多张图像与案件之间的相关性,确定被测试对象与案件之间的相关性。本发明实施例提供的一种案件相关性确定方法,采用眼动数据进行案件相关性分析,对测试人员的专业技能要求低,便于推广,结合后续的基于深度神经网络算法训练生成的相关性分析模型的处理,能够更加准确的确定出被测试对象与所述案件之间的相关性。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种案件相关性确定方法、装置、计算机设备和存储介质。
背景技术
在刑侦案件的审讯过程中,通常需要以问答的方式向嫌疑人提出多个问题,通过已经收集的证据判断是否有说谎行为;或者通过传统多导仪记录嫌疑人身体的各项生理特征如呼吸、脉搏、频率、血压和皮肤电等,从而判断出嫌疑人是否有说谎行为,从而进一步确定嫌疑人与案件的相关性。
然而,在上述案件知情或相关调查和测试过程中,一方面,在一些案件中由于证据缺乏无法确定被调查对象是否说谎,无法判断其是否涉案或知情,只能靠办案人员主观经验判断,其可靠性难以保障;另一方面,多导仪等传统测试仪器,其原理是检测基于情绪变化导致的生理的变化,但导致生理变化的情绪不具有特异性,无法确认是否由于说谎、隐瞒等行为产生情绪变化导致生理指标发生变化。而且多导仪的使用对测试人的编题技术要求非常高,测试所用题目必须能够准确在所调查的特定事项上引起被测试人员的情绪反应。这对测试人员的专业技能要求十分高,不便于推广。
可见,在现有刑侦案件调查、犯罪嫌疑人审讯过程中,在确定犯罪嫌疑人与案件相关性、证人和被害人等的知情情况时还存在着对办案人员、测试人员专业技能要求高、准确率较低的技术问题。
发明内容
本发明实施例的目的在于提供一种案件相关性确定方法,旨在解决现有的刑侦案件调查、侦查讯问过程中,在确定犯罪嫌疑人与案件相关性、证人和被害人等的知情情况时还存在的对办案人员、测试人员专业技能要求高、准确率较低的技术问题。
本发明实施例是这样实现的,一种案件相关性确定方法,包括以下步骤:
获取被测试对象在看到预设的多张图像时的眼动数据,所述预设的多张图像包括案件图像以及对比图像,所述眼动数据包括瞳孔直径、注视以及眼跳数据;
根据所述被测试对象在看到预设的多张图像时的眼动数据以及预设的基于深度神经网络算法训练生成的相关性分析模型分别确定所述被测试对象与所述预设的多张图像之间的相关概率;
根据所述被测试对象与所述预设的多张图像之间的相关概率以及所述预设的多张图像与案件之间的相关性,按照预设的案件相关性确定规则确定所述被测试对象与所述案件之间的相关性。
本发明实施例的另一目的在于一种案件相关性分析装置,包括:
眼动数据获取单元,用于获取被测试对象在看到预设的多张图像时的眼动数据,所述预设的多张图像包括案件图像以及对比图像,所述眼动数据包括瞳孔直径、注视以及眼跳数据;
图像相关概率分析单元,用于根据所述被测试对象在看到预设的多张图像时的眼动数据以及预设的基于深度神经网络算法训练生成的相关性分析模型分别确定所述被测试对象与所述预设的多张图像之间的相关概率;
案件相关性分析单元,用于根据所述被测试对象与所述预设的多张图像之间的相关概率以及所述预设的多张图像与案件之间的相关性,按照预设的案件相关性确定规则确定所述被测试对象与所述案件之间的相关性。
本发明实施例的另一目的在于提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述所述案件相关性确定方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述所述案件相关性确定方法的步骤。
本发明实施例提供的一种案件相关性确定方法,获取被测试对象在看到预设的多张案件图像以及对比图像的眼动数据后,包括所述眼动数据包括瞳孔直径、注视以及眼跳数据;,根据预设的基于深度神经网络算法训练生成的相关性分析模型对各眼动数据进行处理,分别确定被测试对象与各案件图像以及对比图像之间的相关概率,进一步结合被测试对象与各案件图像以及对比图像之间的相关概率以及各图像与案件之间的相关性,确定被测试对象与所述案件之间的相关性。本发明实施例提供的一种案件相关性确定方法,基于人在突然看到熟悉/想回避的事物会不自主的表现出特异的眼动信息的原理,相比于现有技术是通过记录嫌疑人身体的各项生理特征如呼吸、脉搏、频率、血压和皮肤湿度测谎的技术方案,测试人员无需根据实际案件设计提问,也无需与嫌疑人对话,只需要按照预设的方式播放预设的多张图像,对测试人员的专业技能要求低,便于推广。此外,眼动特征是基于认知再现原理产生的,相比于其他生理特征更加具有稳定性、特异性,眼动检测也更具有针对性以及隐蔽性,嫌疑人无法自主控制认知重现,其控制行为也会在眼动特征上表现出来。结合基于深度神经网络算法训练生成的相关性分析模型以及后续的处理,能够更加准确的确定出被测试对象与所述案件之间的相关性,且不仅仅只是提供相关或不相关的结果,而是输出相关或不相关的概率值,提供了一种更加准确的案件相关性结果。
附图说明
图1为本发明实施例提供的一种案件相关性确定方法的步骤流程图;
图2为本发明实施例提供的另一种案件相关性确定方法的步骤流程图;
图3为本发明实施例提供的一种基于相关概率确定被测试对象与案件之间的相关性的步骤流程图;
图4为本发明实施例提供的一种训练生成相关性分析模型的方法的步骤流程图;
图5为本发明实施例提供的一种案件相关性确定装置的结构示意图;
图6为本发明实施例提供的另一种案件相关性确定装置的结构示意图;
图7为本发明实施例提供的一种案件相关性分析单元的结构示意图;
图8为本发明实施例提供的相关性分析模型训练单元的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,在一个实施例中,提出了一种案件相关性确定方法的步骤流程图,具体包括以下步骤:
步骤S102,获取被测试对象在看到预设的多张图像时的眼动数据。
在本发明实施例中,所述预设的多张图像包括案件图像以及对比图像,其中所述案件图像是指与案件相关的人物图像、物品图像或者环境图像,例如人物图像可以是被害人、证人、同伙等其他涉案人物,物品图像可以是作案工具、赃物等其他涉案物品,环境图像可以是案发现场、关联场所等其他涉案场所,而对比图像是指与案件无关的,但与案件图像的类型相同的图像,进一步的,所述案件图像与对比图像应当保证规格相同、且主体颜色相似,避免引入误差因素。
在本发明实施例中,所述眼动数据包括瞳孔直径、注视以及眼跳数据,其中眼跳数据包括眼跳频率、眼跳时长、眼跳速度、眼跳潜伏期以及眼跳幅度等,注视包括注视次数/总时长、首次注视时长、回视次数、扫视路径长度、注视时长均值与最大/最小值、注视离差等。
在本发明实施例中,进一步的,所述眼动数据还包括眨眼次数/频率等。
在本发明实施例中,仅仅对采集到的眼动数据的分析处理以确定案件相关性的过程进行限定,而对眼动数据的采集过程不做具体的限定,本领域技术人员能够知晓,通过市场上销售的眼动仪即可实现眼动数据的采集,例如可以选用SMI桌面式250Hz眼动仪,并进一步将采集的数据通过有线、无线或者人工输入的方式导入到眼动数据分析处理设备即可。
在本发明实施例中,为便于理解,提供一种可行的数据获取全过程,具体如下:将预设的1张案件图像与8张同规格且主体颜色相近的对比图像按照随机顺序依次展示在被测试对象眼前(尽量避免案件图像第一张出现),每张图像展示4000ms,并以140Hz的采样率获取到高维数据,并通过USB接口直接将眼动数据传输到数据分析设备上,此时数据分析设备实现了对眼动数据的获取。应当知晓,上述过程中,案件图像的数量、对比图像的数量、每张图像的展示时长以及数据采集的频率等都可以根据实际需要自行设定,并不表示对数据采集过程的限制。
步骤S104,根据所述被测试对象在看到预设的多张图像时的眼动数据以及预设的基于深度神经网络算法训练生成的相关性分析模型分别确定所述被测试对象与所述预设的多张图像之间的相关概率。
在本发明实施例中,眼动数据能够侧面表示被测试对象与预设的多张图像之间的相关性,对于相关性较高的图像,被测试对象往往表现会出刻意回避、视线多次跳跃的细微现象,而这些细微现象都将记载在眼动数据中,隐含了与相关性的之间的关系。而所述预设的基于深度神经网络算法训练生成的相关性分析模型是预先基于大量已知样本所训练出的,用于描述眼动数据与相关概率之间的一种隐含关系的模型。
在本发明实施例中,所述基于深度神经网络算法训练生成的相关性分析模型由输入层、隐藏层以及输出层构成,其中隐藏层优选设置3层,损失函数选用交叉熵损失函数,能够有效提高相关性分析模型的训练速度,S型函数(Sigmoid函数)作为激活函数,由于Sigmoid函数的输出值为(0,1),因此可以用于表示被测试对象与各预设的图像的相关概率,输出值越接近于1,表明被测试对象与该图像相关性越高。
在本发明实施例中,其中,训练生成所述预设的基于深度神经网络算法训练生成的相关性分析模型的步骤具体请参阅图4及其解释说明。
步骤S106,根据所述被测试对象与所述预设的多张图像之间的相关概率以及所述预设的多张图像与案件之间的相关性,按照预设的案件相关性确定规则确定所述被测试对象与所述案件之间的相关性。
在本发明实施例中,所述预设的案件相关性确定规则的具体形式有多种,具体请参阅下述解释。
在本发明实施例中,可以知晓,所述预设的多张图像中,案件图像是与所述案件相关,即相关概率为1,而对比案件是与所述案件无关,相关概率应当为0,可以想象,当被测试对象与各案件图像相关概率普遍较高时,表明被测试对象与案件的相关性较大,因此,通过计算被测试对象与各案件图像相关概率之积或者之和就可以简单的表征被测试对象与案件的相关性,被测试对象与各案件图像相关概率之积或者之和值越大,则表明相关性越高。
在本发明实施例中,进一步的,可以理解,考虑到被测试对象的自主控制,以及其他误差因素,显然,被测试对象与各案件图像相关概率越接近于1或者越接近于0,表明置信度越高,而相关概率越接近于中间值0.5,表明数据的采集过程中受到了外界因素的干扰,导致相关概率未能明确指出相关或无关,置信度较低,为了进一步降低上述带来的误差干扰,采用类正切函数对相关概率进行处理,具体的函数表达式为当相关概率x为0.5时,此时f(x)值为0,即对被测试对象与案件之间的相关性不产生影响,当相关概率大于0.5时,f(x)值为正,对被测试对象与案件之间的相关性产生正向影响,即倾向于相关,且相关概率越接近于1,f(x)值越大,正向影响也越大,反之,相关概率小于0.5时,f(x)值为负,对被测试对象与案件之间的相关性产生负向影响,即倾向于无关,且相关概率越接近于0,f(x)值越小,负向影响也越大,将被测试对象与各案件图像之间的f(x)值求和,此时求和之后的值表征了被测试对象与案件之间的相关性,值为正,且越大,表明相关性越大,值为负,且越小,表明无关性越大。此时,相关度其中xi表示被测试对象与第i个案件图像之间的相关概率。但应当知晓,对相关概率进行处理的函数可以有多种变形,上述f(x)函数表达式仅仅为一可行函数,而不应当解释说为对本发明的限制,凡能够实现和上述公开的f(x)函数表达式对相关概率一样的处理效果的,均应当在本发明要求保护的范围之内,其中处理效果是指:相关概率越接近于中间值0.5,则对相关性的贡献越低,越接近于两边值0或1的,则对相关性或无关性的贡献越高。
在本发明实施例中,进一步的,对比图像除了具有隐藏案件图像,降低被测试对象警觉性的作用之外,同时计算被测试对象与对比图像之间的相关概率还具有验证相关性分析模型稳定性以及误差调节的作用。可以想象,对于对比图像,不管被测试对象与案件是否有关,都应当与对比图像之间无关,因此被测试对象与对比图像之间的相关概率理论应当为0,而被测试对象与对比图像之间的相关概率的真实值与0之间的差距则表明了误差,显然,当误差较为显著时,即被测试对象与各对比图像之间的相关概率的真实值与0之间均存在显著的差距时,应当校验相关性分析模型的稳定性,否则,可以认为是正常范围内误差,此时可以根据误差的大小确定出相应的校正系数μ,与前述得到的相关度S相乘,即可得到矫正后的相关度S′=μS,进一步提高了案件相关性的确定过的准确率。此时,步骤S106的具体过程请参阅图3及其解释说明。
本发明实施例提供的一种案件相关性确定方法,获取被测试对象在看到预设的多张案件图像以及对比图像的眼动数据后,包括所述眼动数据包括瞳孔直径、注视以及眼跳数据;,根据预设的基于深度神经网络算法训练生成的相关性分析模型对各眼动数据进行处理,分别确定被测试对象与各案件图像以及对比图像之间的相关概率,进一步结合被测试对象与各案件图像以及对比图像之间的相关概率以及各图像与案件之间的相关性,确定被测试对象与所述案件之间的相关性。本发明实施例提供的一种案件相关性确定方法,基于人在突然看到熟悉/想回避的事物会不自主的表现出特异的眼动信息的原理,相比于现有技术是通过记录嫌疑人身体的各项生理特征如呼吸、脉搏、频率、血压和皮肤湿度测谎的技术方案,测试人员无需根据实际案件设计提问,也无需与嫌疑人对话,只需要按照预设的方式播放预设的多张图像,对测试人员的专业技能要求低,便于推广。此外,眼动特征是基于认知再现原理产生的,相比于其他生理特征更加具有稳定性、特异性,眼动检测也更具有针对性以及隐蔽性,嫌疑人无法自主控制认知重现,其控制行为也会在眼动特征上表现出来。结合基于深度神经网络算法训练生成的相关性分析模型以及后续的处理,能够更加准确的确定出被测试对象与所述案件之间的相关性,且不仅仅只是提供相关或不相关的结果,而是输出相关或不相关的概率值,提供了一种更加准确的案件相关性结果。
如图2所示,在另一个实施例中,提出了另一种案件相关性确定方法的步骤流程图,详述如下。
在本发明实施例中,与图1所示出的一种案件相关性确定方法的步骤流程图的区别在于,在所述步骤S102获取被测试对象在看到预设的多张图像时的眼动数据后。还包括:
步骤S202,获取被测试对象在看到预设的组合图像时的眼动数据。
在本发明实施例中,所述预设的组合图像是由所述预设的多张图像组合得到的。
在本发明实施例中,将所述预设的多张图像按照宫格排布在同一张图像上,并获取被测试对象在看到预设的组合图像时的眼动数据,此时获取的组合图像的眼动数据可以与前述分别获取的眼动数据共同反映出被测试对象对各预设的图像之间的相关概率。
如图3所示,在一个实施例中,提出了一种基于相关概率确定被测试对象与案件之间的相关性的具体的步骤流程图,具体包括以下步骤:
步骤S302,根据被测试对象对各案件图像之间的相关概率确定被测试对象对各案件图像的相关度。
步骤S304,对被测试对象对各案件图像的相关度进行求和得到被测试对象对案件的相关度。
步骤S306,根据被测试对象对各对比图像之间的相关概率确定矫正系数。
在本发明实施例中,矫正系数的确定方式有很多种,例如可以是与对比图像之间的相关概率满足预设的条件的个数占全体总数的比例,通常情况下,矫正系数取0.8~0.9。
步骤S308,根据所述矫正系数对所述被测试对象对案件的相关度进行矫正得到被测试对象对案件的矫正相关度。
在本发明实施例中,被测试对象对案件的矫正相关度S′=μS。
步骤S310,根据所述被测试对象对案件的矫正相关度确定被测试对象与所述案件之间的相关性。
在本发明实施例中,结合前述的论述可知,被测试对象对案件的矫正相关度为正,则相关可能性越高,矫正相关度为负,则相关可能性越低,可以通过判断矫正相关度是够大于预设的相关阈值来判断是否存在相关性,当相关度高于该相关阈值时,可以确定被测试对象与案件相关,当相关度低于该相关阈值时,可以确定被测试对象与该案件无关。
如图4所示,在一个实施例中,提出了一种训练生成相关性分析模型的方法的步骤流程图,具体包括:
步骤S402,获取多组已知相关结果的历史眼动数据。
在本发明实施例中,所述历史眼动数据是历史的检测过程中采集的被测试对象对预设的多张图像的眼动数据,所述预设的多张图像同样包括案件图像以及对比图像,所述眼动数据同样包括瞳孔直径变化数据以及瞳孔位置变化数据。
在本发明实施例中,其中被测试对象对预设的多张图像的相关概率已知,具体的,被测试对象对案件图像的相关结果为1,被测试对象对对比图像的相关结果为0。
步骤S404,建立含有可变参数的初始化的相关性分析模型。
在本发明实施例中,所述相关性分析模型包括输入层、隐藏层以及输出层,隐藏层包括三层,每层隐藏层包括两个可变参数权重矩阵以及偏倚向量。
步骤S406,根据各已知相关结果的历史眼动数据以及相关性分析模型确定各历史眼动数据的响应相关概率。
在本发明实施例中,激活函数选用S形函数,经过S型函数的输出,此时输出的响应相关概率的值域为(0,1)。
步骤S408,计算所述各历史眼动数据的响应相关概率与各历史眼动数据的已知相关结果之间的损失值。
在本发明实施例中,所述损失值采用交叉熵损失函数进行求解。
步骤S410,判断所述损失值是否满足预设的条件。当判断所述损失值不满足预设的条件时,执行步骤S412;当判断所述损失值满足预设的条件时,执行步骤S414。
在本发明实施例中,所述预设的条件通常设置为小于预设的阈值,当损失值不小于预设的阈值时,表明响应相关概率与已知的相关结果差异较大,此时的相关性分析模型中的参数有误,需要进行调整。而当损失值小于预设的阈值时,表明响应相关概率与已知的相关结果差异较小,此时将当前的相关性分析模型确定为预先基于深度神经网络算法训练生成的相关性分析模型即可。
步骤S412,基于梯度下降算法并根据所述损失值调整所述相关性分析模型中的可变参数,并返回至所述步骤S406。
步骤S414,将当前的相关性分析模型确定为预先基于深度神经网络算法训练生成的相关性分析模型。
如图5所示,为本发明实施例提供的一种案件相关性确定装置的结构示意图,详述如下。
在本发明实施例中,所述案件相关性确定装置具体包括:
眼动数据获取单元510,用于获取被测试对象在看到预设的多张图像时的眼动数据。
在本发明实施例中,所述预设的多张图像包括案件图像以及对比图像,其中所述案件图像是指与案件相关的人物图像、物品图像或者环境图像,例如人物图像可以是被害人、证人、同伙等其他涉案人物,物品图像可以是作案工具、赃物等其他涉案物品,环境图像可以是案发现场、关联场所等其他涉案场所,而对比图像是指与案件无关的,但与案件图像的类型相同的图像,进一步的,所述案件图像与对比图像应当保证规格相同、且主体颜色相似,避免引入误差因素。
在本发明实施例中,所述眼动数据包括瞳孔直径、注视以及眼跳数据,其中眼跳数据包括眼跳频率、眼跳时长、眼跳速度、眼跳潜伏期以及眼跳幅度等,注视包括注视次数/总时长、首次注视时长、回视次数、扫视路径长度、注视时长均值与最大/最小值、注视离差等。
在本发明实施例中,进一步的,所述眼动数据还包括眨眼次数/频率等。
在本发明实施例中,仅仅对采集到的眼动数据的分析处理以确定案件相关性的过程进行限定,而对眼动数据的采集过程不做具体的限定,本领域技术人员能够知晓,通过市场上销售的眼动仪即可实现眼动数据的采集,例如可以选用SMI桌面式250Hz眼动仪,并进一步将采集的数据通过有线、无线或者人工输入的方式导入到眼动数据分析处理设备即可。
在本发明实施例中,为便于理解,提供一种可行的数据获取全过程,具体如下:将预设的1张案件图像与8张同规格且主体颜色相近的对比图像按照随机顺序依次展示在被测试对象眼前(尽量避免案件图像第一张出现),每张图像展示4000ms,并以140Hz的采样率获取到高维数据,并通过USB接口直接将眼动数据传输到数据分析设备上,此时数据分析设备实现了对眼动数据的获取。应当知晓,上述过程中,案件图像的数量、对比图像的数量、每张图像的展示时长以及数据采集的频率等都可以根据实际需要自行设定,并不表示对数据采集过程的限制。
图像相关概率分析单元520,用于根据所述被测试对象在看到预设的多张图像时的眼动数据以及预设的基于深度神经网络算法训练生成的相关性分析模型分别确定所述被测试对象与所述预设的多张图像之间的相关概率。
在本发明实施例中,眼动数据能够侧面表示被测试对象与预设的多张图像之间的相关性,对于相关性较高的图像,被测试对象往往表现会出刻意回避、视线多次跳跃的细微现象,而这些细微现象都将记载在眼动数据中,隐含了与相关性的之间的关系。而所述预设的基于深度神经网络算法训练生成的相关性分析模型是预先基于大量已知样本所训练出的,用于描述眼动数据与相关概率之间的一种隐含关系的模型。
在本发明实施例中,所述基于深度神经网络算法训练生成的相关性分析模型由输入层、隐藏层以及输出层构成,其中隐藏层优选设置3层,损失函数选用交叉熵损失函数,能够有效提高相关性分析模型的训练速度,S型函数(Sigmoid函数)作为激活函数,由于Sigmoid函数的输出值为(0,1),因此可以用于表示被测试对象与各预设的图像的相关概率,输出值越接近于1,表明被测试对象与该图像相关性越高。
案件相关性分析单元530,用于根据所述被测试对象与所述预设的多张图像之间的相关概率以及所述预设的多张图像与案件之间的相关性,按照预设的案件相关性确定规则确定所述被测试对象与所述案件之间的相关性。
在本发明实施例中,所述案件相关性分析单元530的具体结构有多种,具体请参阅下述解释。
在本发明实施例中,可以知晓,所述预设的多张图像中,案件图像是与所述案件相关,即相关概率为1,而对比案件是与所述案件无关,相关概率应当为0,可以想象,当被测试对象与各案件图像相关概率普遍较高时,表明被测试对象与案件的相关性较大,因此,通过计算被测试对象与各案件图像相关概率之积或者之和就可以简单的表征被测试对象与案件的相关性,被测试对象与各案件图像相关概率之积或者之和值越大,则表明相关性越高。
在本发明实施例中,进一步的,可以理解,考虑到被测试对象的自主控制,以及其他误差因素,显然,被测试对象与各案件图像相关概率越接近于1或者越接近于0,表明置信度越高,而相关概率越接近于中间值0.5,表明数据的采集过程中受到了外界因素的干扰,导致相关概率未能明确指出相关或无关,置信度较低,为了进一步降低上述带来的误差干扰,采用类正切函数对相关概率进行处理,具体的函数表达式为当相关概率x为0.5时,此时f(x)值为0,即对被测试对象与案件之间的相关性不产生影响,当相关概率大于0.5时,f(x)值为正,对被测试对象与案件之间的相关性产生正向影响,即倾向于相关,且相关概率越接近于1,f(x)值越大,正向影响也越大,反之,相关概率小于0.5时,f(x)值为负,对被测试对象与案件之间的相关性产生负向影响,即倾向于无关,且相关概率越接近于0,f(x)值越小,负向影响也越大,将被测试对象与各案件图像之间的f(x)值求和,此时求和之后的值表征了被测试对象与案件之间的相关性,值为正,且越大,表明相关性越大,值为负,且越小,表明无关性越大。此时,相关度其中xi表示被测试对象与第i个案件图像之间的相关概率。但应当知晓,对相关概率进行处理的函数可以有多种变形,上述f(x)函数表达式仅仅为一可行函数,而不应当解释说为对本发明的限制,凡能够实现和上述公开的f(x)函数表达式对相关概率一样的处理效果的,均应当在本发明要求保护的范围之内,其中处理效果是指:相关概率越接近于中间值0.5,则对相关性的贡献越低,越接近于两边值0或1的,则对相关性或无关性的贡献越高。
在本发明实施例中,进一步的,对比图像除了具有隐藏案件图像,降低被测试对象警觉性的作用之外,同时计算被测试对象与对比图像之间的相关概率还具有验证相关性分析模型稳定性以及误差调节的作用。可以想象,对于对比图像,不管被测试对象与案件是否有关,都应当与对比图像之间无关,因此被测试对象与对比图像之间的相关概率理论应当为0,而被测试对象与对比图像之间的相关概率的真实值与0之间的差距则表明了误差,显然,当误差较为显著时,即被测试对象与各对比图像之间的相关概率的真实值与0之间均存在显著的差距时,应当校验相关性分析模型的稳定性,否则,可以认为是正常范围内误差,此时可以根据误差的大小确定出相应的校正系数μ,与前述得到的相关度S相乘,即可得到矫正后的相关度S′=μS,进一步提高了案件相关性的确定过的准确率。此时,案件相关性分析单元530的结构请参阅图7及其解释说明。
本发明实施例提供的一种案件相关性确定装置,获取被测试对象在看到预设的多张案件图像以及对比图像的眼动数据后,包括所述眼动数据包括瞳孔直径、注视以及眼跳数据;,根据预设的基于深度神经网络算法训练生成的相关性分析模型对各眼动数据进行处理,分别确定被测试对象与各案件图像以及对比图像之间的相关概率,进一步结合被测试对象与各案件图像以及对比图像之间的相关概率以及各图像与案件之间的相关性,确定被测试对象与所述案件之间的相关性。本发明实施例提供的一种案件相关性确定装置,基于人在突然看到熟悉/想回避的事物会不自主的表现出特异的眼动信息的原理,相比于现有技术是通过记录嫌疑人身体的各项生理特征如呼吸、脉搏、频率、血压和皮肤湿度测谎的技术方案,测试人员无需根据实际案件设计提问,也无需与嫌疑人对话,只需要按照预设的方式播放预设的多张图像,对测试人员的专业技能要求低,便于推广。此外,眼动特征是基于认知再现原理产生的,相比于其他生理特征更加具有稳定性、特异性,眼动检测也更具有针对性以及隐蔽性,嫌疑人无法自主控制认知重现,其控制行为也会在眼动特征上表现出来。结合基于深度神经网络算法训练生成的相关性分析模型以及后续的处理,能够更加准确的确定出被测试对象与所述案件之间的相关性,且不仅仅只是提供相关或不相关的结果,而是输出相关或不相关的概率值,提供了一种更加准确的案件相关性结果。
如图6所示,为本发明另一个实施例提供的一种案件相关性确定装置的结构示意图,详述如下。
在本发明实施例中,与图5所示出的一种案件相关性确定装置的结构示意图的不同之处在于,还包括:
组合图像眼动数据获取单元610,用于获取被测试对象在看到预设的组合图像时的眼动数据。
在本发明实施例中,所述预设的组合图像是由所述预设的多张图像组合得到的。
在本发明实施例中,将所述预设的多张图像按照宫格排布在同一张图像上,并获取被测试对象在看到预设的组合图像时的眼动数据,此时获取的组合图像的眼动数据可以与前述分别获取的眼动数据共同反映出被测试对象对各预设的图像之间的相关概率。
如图7所示,为本发明实施例提供的案件相关性分析单元的结构示意图,详述如下。
在本发明实施例中,所述案件相关性分析单元具体包括:
案件图像相关度计算模块701,用于根据被测试对象对各案件图像之间的相关概率确定被测试对象对各案件图像的相关度。
案件相关度计算模块702,用于对被测试对象对各案件图像的相关度进行求和得到被测试对象对案件的相关度。
校正系数计算模块703,用于根据被测试对象对各对比图像之间的相关概率确定矫正系数。
在本发明实施例中,矫正系数的确定方式有很多种,例如可以是与对比图像之间的相关概率满足预设的条件的个数占全体总数的比例,通常情况下,矫正系数取0.8~0.9。
矫正相关度计算模块704,用于根据所述矫正系数对所述被测试对象对案件的相关度进行矫正得到被测试对象对案件的矫正相关度。
在本发明实施例中,被测试对象对案件的矫正相关度S′=μS。
相关性确定模块705,用于根据所述被测试对象对案件的矫正相关度确定被测试对象与所述案件之间的相关性。
在本发明实施例中,结合前述的论述可知,被测试对象对案件的矫正相关度为正,则相关可能性越高,矫正相关度为负,则相关可能性越低,可以通过判断矫正相关度是够大于预设的相关阈值来判断是否存在相关性,当相关度高于该相关阈值时,可以确定被测试对象与案件相关,当相关度低于该相关阈值时,可以确定被测试对象与该案件无关。
如图8所示,为本发明实施例提供的相关性分析模型训练单元的结构示意图,详述如下。
在本发明实施例中,所述相关性分析模型训练单元用于生成所述预先基于深度神经网络算法训练生成的相关性分析模型,具体包括:
历史眼动数据获取模块801,,用于获取多组已知相关结果的历史眼动数据。
在本发明实施例中,所述历史眼动数据是历史的审讯过程中采集的被测试对象对预设的多张图像的眼动数据,所述预设的多张图像同样包括案件图像以及对比图像,所述眼动数据同样包括瞳孔直径变化数据以及瞳孔位置变化数据。
在本发明实施例中,其中被测试对象对预设的多张图像的相关概率已知,具体的,被测试对象对案件图像的相关结果为1,被测试对象对对比图像的相关结果为0。
初始化相关性分析模型建立模块802,用于建立含有可变参数的初始化的相关性分析模型。
在本发明实施例中,所述相关性分析模型包括输入层、隐藏层以及输出层,隐藏层包括三层,每层隐藏层包括两个可变参数权重矩阵以及偏倚向量。
响应相关概率计算模块803,用于根据各已知相关结果的历史眼动数据以及相关性分析模型确定各历史眼动数据的响应相关概率。
在本发明实施例中,激活函数选用S形函数,经过S型函数的输出,此时输出的响应相关概率的值域为(0,1)。
损失值计算模块804,用于计算所述各历史眼动数据的响应相关概率与各历史眼动数据的已知相关结果之间的损失值。
在本发明实施例中,所述损失值采用交叉熵损失函数进行求解。
判断模块805,用于判断所述损失值是否满足预设的条件。
相关性分析模型调整模块806,用于当判断所述损失值不满足预设的条件时,基于梯度下降算法并根据所述损失值调整所述相关性分析模型中的可变参数,并返回至所述响应相关概率计算模块803。
相关性分析模型确定模块807,用于当判断所述损失值满足预设的条件时,将当前的相关性分析模型确定为预先基于深度神经网络算法训练生成的相关性分析模型。
在本发明实施例中,所述预设的条件通常设置为小于预设的阈值,当损失值不小于预设的阈值时,表明响应相关概率与已知的相关结果差异较大,此时的相关性分析模型中的参数有误,需要进行调整。而当损失值小于预设的阈值时,表明响应相关概率与已知的相关结果差异较小,此时将当前的相关性分析模型确定为预先基于深度神经网络算法训练生成的相关性分析模型即可。
在一个实施例中,提出了一种计算机设备,所述计算机设备包括存储器、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计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取被测试对象在看到预设的多张图像时的眼动数据,所述预设的多张图像包括案件图像以及对比图像,所述眼动数据包括瞳孔直径变化数据及瞳孔位置变化数据;
根据所述被测试对象在看到预设的多张图像时的眼动数据以及预设的基于深度神经网络算法训练生成的相关性分析模型分别确定被测试对象与所述预设的多张图像之间的相关概率;
根据被测试对象与所述预设的多张图像之间的相关概率以及所述预设的多张图像与案件之间的相关性,确定被测试对象与所述案件之间的相关性。
在一个实施例中,提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
获取被测试对象在看到预设的多张图像时的眼动数据,所述预设的多张图像包括案件图像以及对比图像,所述眼动数据包括瞳孔直径变化数据及瞳孔位置变化数据;
根据所述被测试对象在看到预设的多张图像时的眼动数据以及预设的基于深度神经网络算法训练生成的相关性分析模型分别确定被测试对象与所述预设的多张图像之间的相关概率;
根据被测试对象与所述预设的多张图像之间的相关概率以及所述预设的多张图像与案件之间的相关性,确定被测试对象与所述案件之间的相关性。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种案件相关性确定方法,其特征在于,包括以下步骤:
获取被测试对象在看到预设的多张图像时的眼动数据,所述预设的多张图像包括案件图像以及对比图像,所述眼动数据包括瞳孔直径、注视以及眼跳数据;
根据所述被测试对象在看到预设的多张图像时的眼动数据以及预设的基于深度神经网络算法训练生成的相关性分析模型分别确定所述被测试对象与所述预设的多张图像之间的相关概率;
根据所述被测试对象与所述预设的多张图像之间的相关概率以及所述预设的多张图像与案件之间的相关性,按照预设的案件相关性确定规则确定所述被测试对象与所述案件之间的相关性;
根据所述被测试对象与所述预设的多张图像之间的相关概率以及所述预设的多张图像与案件之间的相关性,按照预设的案件相关性确定规则确定所述被测试对象与所述案件之间的相关性的步骤具体为:
根据被测试对象对各案件图像之间的相关概率确定被测试对象对各案件图像的相关度;
对被测试对象对各案件图像的相关度进行求和得到被测试对象对案件的相关度;
根据被测试对象对各对比图像之间的相关概率确定矫正系数;
根据所述矫正系数对所述被测试对象对案件的相关度进行矫正得到被测试对象对案件的矫正相关度;
根据所述被测试对象对案件的矫正相关度确定被测试对象与所述案件之间的相关性。
2.根据权利要求1所述的案件相关性确定方法,其特征在于,在所述获取被测试对象在看到预设的多张图像时的眼动数据的步骤之后,还包括:
获取被测试对象在看到预设的组合图像时的眼动数据,所述预设的组合图像是由所述预设的多张图像组合得到的。
3.根据权利要求1所述的案件相关性确定方法,其特征在于,训练生成所述预设的基于深度神经网络算法训练生成的相关性分析模型的步骤具体包括:
获取多组已知相关结果的历史眼动数据;
建立含有可变参数的初始化的相关性分析模型;
根据各已知相关结果的历史眼动数据以及相关性分析模型确定各历史眼动数据的响应相关概率;
计算所述各历史眼动数据的响应相关概率与各历史眼动数据的已知相关结果之间的损失值;
判断所述损失值是否满足预设的条件;
当判断所述损失值不满足预设的条件时,基于梯度下降算法并根据所述损失值调整所述相关性分析模型中的可变参数,并返回至所述根据各已知相关结果的历史眼动数据以及相关性分析模型确定各历史眼动数据的响应相关概率的步骤;
当判断所述损失值满足预设的条件时,将当前的相关性分析模型确定为预先基于深度神经网络算法训练生成的相关性分析模型。
4.一种案件相关性确定装置,其特征在于,包括:
眼动数据获取单元,用于获取被测试对象在看到预设的多张图像时的眼动数据,所述预设的多张图像包括案件图像以及对比图像,所述眼动数据包括瞳孔直径、注视以及眼跳数据;
图像相关概率分析单元,用于根据所述被测试对象在看到预设的多张图像时的眼动数据以及预设的基于深度神经网络算法训练生成的相关性分析模型分别确定所述被测试对象与所述预设的多张图像之间的相关概率;
案件相关性分析单元,用于根据所述被测试对象与所述预设的多张图像之间的相关概率以及所述预设的多张图像与案件之间的相关性,按照预设的案件相关性确定规则确定所述被测试对象与所述案件之间的相关性;
所述案件相关性分析单元具体包括:
案件图像相关度计算模块,用于根据被测试对象对各案件图像之间的相关概率确定被测试对象对各案件图像的相关度;
案件相关度计算模块,用于对被测试对象对各案件图像的相关度进行求和得到被测试对象对案件的相关度;
校正系数计算模块,用于根据被测试对象对各对比图像之间的相关概率确定矫正系数;
矫正相关度计算模块,用于根据所述矫正系数对所述被测试对象对案件的相关度进行矫正得到被测试对象对案件的矫正相关度;
相关性确定模块,用于根据所述被测试对象对案件的矫正相关度确定被测试对象与所述案件之间的相关性。
5.根据权利要求4所述的一种案件相关性确定装置,其特征在于,还包括:
组合图像眼动数据获取单元,用于获取被测试对象在看到预设的组合图像时的眼动数据,所述预设的组合图像是由所述预设的多张图像组合得到的。
6.根据权利要求4所述的一种案件相关性确定装置,其特征在于,还包括相关性分析模型训练单元,用于训练生成所述预设的基于深度神经网络算法训练生成的相关性分析模型;所述相关性分析模型训练单元具体包括:
历史眼动数据获取模块,用于获取多组已知相关结果的历史眼动数据;
初始化相关性分析模型建立模块,用于建立含有可变参数的初始化的相关性分析模型;
响应相关概率计算模块,用于根据各已知相关结果的历史眼动数据以及相关性分析模型确定各历史眼动数据的响应相关概率;
损失值计算模块,用于计算所述各历史眼动数据的响应相关概率与各历史眼动数据的已知相关结果之间的损失值;
判断模块,用于判断所述损失值是否满足预设的条件;
相关性分析模型调整模块,用于当判断所述损失值不满足预设的条件时,基于梯度下降算法并根据所述损失值调整所述相关性分析模型中的可变参数,并返回至所述根据各已知相关结果的历史眼动数据以及相关性分析模型确定各历史眼动数据的响应相关概率的步骤;
相关性分析模型确定模块,用于当判断所述损失值满足预设的条件时,将当前的相关性分析模型确定为预先基于深度神经网络算法训练生成的相关性分析模型。
7.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至3中任一项权利要求所述案件相关性确定方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1至3中任一项权利要求所述案件相关性确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910986377.1A CN110693509B (zh) | 2019-10-17 | 2019-10-17 | 一种案件相关性确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910986377.1A CN110693509B (zh) | 2019-10-17 | 2019-10-17 | 一种案件相关性确定方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110693509A CN110693509A (zh) | 2020-01-17 |
CN110693509B true CN110693509B (zh) | 2022-04-05 |
Family
ID=69201144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910986377.1A Active CN110693509B (zh) | 2019-10-17 | 2019-10-17 | 一种案件相关性确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110693509B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113729708B (zh) * | 2021-09-10 | 2023-06-20 | 上海理工大学 | 一种基于眼动技术的谎言评判方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109199411A (zh) * | 2018-09-28 | 2019-01-15 | 南京工程学院 | 基于模型融合的案件知情者识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120259240A1 (en) * | 2011-04-08 | 2012-10-11 | Nviso Sarl | Method and System for Assessing and Measuring Emotional Intensity to a Stimulus |
GB201200122D0 (en) * | 2012-01-05 | 2012-02-15 | Univ Aberdeen | An apparatus and a method for psychiatric evaluation |
US20180125405A1 (en) * | 2016-11-08 | 2018-05-10 | International Business Machines Corporation | Mental state estimation using feature of eye movement |
-
2019
- 2019-10-17 CN CN201910986377.1A patent/CN110693509B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109199411A (zh) * | 2018-09-28 | 2019-01-15 | 南京工程学院 | 基于模型融合的案件知情者识别方法 |
Non-Patent Citations (2)
Title |
---|
GKT测谎测试的眼动研究;叶小卉;《中国优秀博硕士学位论文全文数据库(硕士)哲学与人文科学辑》;20100415(第4期);第4-38页 * |
违纪质询中人像辨认欺骗的眼动甄别研究;庄东哲;《中国人民公安大学学报(自然科学版)》;20150630(第1期);第29-34页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110693509A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Real-time sensing of trust in human-machine interactions | |
CN101932988B (zh) | 调整脑波信号识别方法的装置、方法以及程序 | |
CN107577343B (zh) | 一种基于力触觉反馈和脑电信号分析的注意力训练与评价装置 | |
KR102282961B1 (ko) | 감각 및 인지 프로파일링을 위한 시스템 및 방법 | |
US11123002B1 (en) | Brain matching | |
Appel et al. | Predicting cognitive load in an emergency simulation based on behavioral and physiological measures | |
CN108888277B (zh) | 心理测试方法、系统及终端设备 | |
Murray et al. | The neural mechanism underlying recollection is sensitive to the quality of episodic memory: Event related potentials reveal a some-or-none threshold | |
CN108348181A (zh) | 用于监测和提高注意力的方法和系统 | |
EP3474743B1 (en) | Method and system for detection and analysis of cognitive flow | |
US11288977B1 (en) | System and method for predicting performance to control interventions by assistive technologies | |
CN101797150A (zh) | 量化人对刺激响应的心理方面的计算机化测试装置和方法 | |
KR102574979B1 (ko) | 인공지능에 기반하여 사용자 유형별 맞춤형 상담을 수행하는 방법 | |
CN111568412A (zh) | 一种利用脑电信号重建视觉图像的方法及装置 | |
Hutton et al. | Individualized Calibration of Rotation Gain Thresholds for Redirected Walking. | |
CN110693509B (zh) | 一种案件相关性确定方法、装置、计算机设备和存储介质 | |
US20190114934A1 (en) | System and method for evaluating actions performed to achieve communications | |
CN116687411B (zh) | 一种游戏综合分数获取方法、装置、智能终端和存储介质 | |
CN113598773A (zh) | 数据处理装置以及用于评估用户不适的方法 | |
US11315033B2 (en) | Machine learning computer system to infer human internal states | |
CN116739037A (zh) | 具有人格特征的人格模型构建方法及装置 | |
Zhang et al. | Biometric verification of a subject with eye movements, with special reference to temporal variability in saccades between a subject’s measurements | |
Hossain et al. | Cognitive load measurement using galvanic skin response for listening tasks | |
EP3664101A1 (en) | A computer-implemented method and an apparatus for use in detecting malingering by a first subject in one or more physical and/or mental function tests | |
US20220199245A1 (en) | Systems and methods for signal based feature analysis to determine clinical outcomes |
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 |