CN111723869A - 一种面向特殊人员的行为风险智能预警方法及系统 - Google Patents
一种面向特殊人员的行为风险智能预警方法及系统 Download PDFInfo
- Publication number
- CN111723869A CN111723869A CN202010574048.9A CN202010574048A CN111723869A CN 111723869 A CN111723869 A CN 111723869A CN 202010574048 A CN202010574048 A CN 202010574048A CN 111723869 A CN111723869 A CN 111723869A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- svm classifier
- risk
- early warning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 20
- 230000003542 behavioural effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 239000008280 blood Substances 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000001815 facial effect Effects 0.000 claims description 2
- 230000000241 respiratory effect Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 210000000653 nervous system Anatomy 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009323 psychological health Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种面向特殊人员的行为风险智能预警方法及系统，包括：建立在设定情境下以人体生理信息为表征的样本数据集；根据所述样本数据集中包含的样本类型，在每两种不同类型的样本间分别设计一个SVM分类器；通过传感器获取待测人员在设定情境下的人体生理信息数据并进行预处理；将预处理后的数据分别输入到每一个SVM分类器；根据每一个SVM分类器输出的数据类型，选取数量最多的数据类型作为最终的行为风险等级。本发明以生理数据为基础的智能评估系统，一次性采集特定规模人体生理信号经过若干预处理操作即可建立完备的数据集，仅需输入受试者短时多模态生物电信号就能够完成再犯罪风险评估工作，不涉及个人隐私数据。
Description
技术领域
本发明涉及人工智能模式识别技术领域，尤其涉及一种面向特殊人员的行为风险智能预警方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
服刑人员再犯罪包括社区服刑(非监禁性矫正刑罚或考验)人员因监管松弛而从事违法犯罪活动，或刑满释放人员因思想改造不彻底、自我控制能力不强再次走上违法犯罪的道路。再犯罪属经验型犯罪行为，罪犯通常具备一定的反侦察能力，相较于初犯、偶犯等类型，犯罪手段更为隐蔽，往往性质恶劣社会危害极大。如何有效减少刑满释放人员再次从事违法犯罪活动，同时加强对监外服刑人员行为、思想的有效监管避免危害社会，是司法矫治工作的研究热点。
面向服刑人员的再犯罪风险性预警是有效遏制再犯罪现象的基本途径，传统的再犯罪风险或服刑人员心理健康评估预警多以调查问卷方式进行，通过带有一定主观程度的多种类型心理测试问题，再将结论输入以模型驱动方式建立的数学公式，获得量化分值作为评价思想心理改造效果的依据。该方案多侧重于对被试者人格特质或某种特定角度心理健康程度的评价，具备一定的广泛适用性，但同时存在针对性不强，主观干扰因素较大，受问卷采集过程中外部环境影响，数学模型种类繁多缺乏统一规范等多种缺陷。因此是否能够以简单方式将不同类型的心理评价量表直接应用于再犯罪风险评估领域，其准确性与科学性存在不同程度的质疑。
基于大数据挖掘的服刑人员再犯罪预测目前也已取得初步的研究进展。伴随云计算、物联网、视频监控等技术的日渐成熟，可以对狱中或狱外的服刑人员进行深度感知，利用数据挖掘技术基于信息资源库搜集服刑人员日常行为数据，综合利用数据清洗、信息融合等策略，有效提取与再犯罪风险高度相关的特征，通过不同的分类、回归算法训练基于大数据的服刑人员再犯罪预测模型。但是针对服刑人员日常行为的语音、视频、购物等记录合理融合并统一数据化工作仍然存在诸多难点，监狱与社区信息化水平仍然不高，无法进行针对全部目标个体的长期完整数据采集工作，同时服刑人员部分数据涉及个人隐私，是否可以公开存在一定的法律条文限制，因此研究程度仍远未达到成熟阶段。
发明内容
有鉴于此，本发明提出了一种面向特殊人员的行为风险智能预警方法及系统，该方法以在特定视听场景激发下的人体多元生理数据为驱动方式，通过生理信息映射自主神经系统活动规律，预警犯罪风险的等级。
为了实现上述目的，在一些实施方式中，采用如下技术方案：
一种面向特殊人员的行为风险智能预警方法，其特征在于，包括：
建立在设定情境下以人体生理信息为表征的样本数据集；
根据所述样本数据集中包含的样本类型，在每两种不同类型的样本间分别设计一个SVM分类器；所述样本类型为行为风险的不同等级；
通过传感器获取待测人员在设定情境下的人体生理信息数据并进行预处理；
将预处理后的数据分别输入到每一个SVM分类器；根据每一个SVM分类器输出的数据类型，选取数量最多的数据类型作为最终的行为风险等级。
在另一些实施方式中，采用如下技术方案：
一种面向特殊人员的行为风险智能预警系统，其特征在于，包括：
用于建立在设定情境下以人体生理信息为表征的样本数据集的装置；
用于根据所述样本数据集中包含的样本类型，在每两种不同类型的样本间分别设计一个SVM分类器；所述样本类型为行为风险的不同等级的装置；
用于通过传感器获取待测人员在设定情境下的人体生理信息数据并进行预处理的装置；
用于将预处理后的数据分别输入到每一个SVM分类器；根据每一个SVM分类器输出的数据类型，选取数量最多的数据类型作为最终的行为风险等级的装置。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的面向特殊人员的行为风险智能预警方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的面向特殊人员的行为风险智能预警方法。
与现有技术相比，本发明的有益效果是：
(1)本发明通过营造特定情境激发受试者情感体验，利用高灵敏传感器获取多模态生理信息，发掘人体自主神经系统活动规律，同时引入数据驱动策略在再犯罪风险等级与神经系统活动特质间建立科学的映射关系，形成一套以多元生理信号预警服刑人员再犯罪风险等级的智能化方法，该方法在科学性、准确性、鲁棒性等方面均符合实际司法工作要求。
(2)本发明以生理数据为基础的智能评估系统，操作便捷设备要求简单，一次性采集特定规模人体生理信号经过若干预处理操作即可建立完备的数据集，模型训练完成后仅需输入受试者短时多模态生物电信号就能够完成行为风险预警工作，不涉及服刑人员个人隐私，开辟了再犯罪预测领域研究的新途径。
(3)本发明所采集的心电、皮电、呼吸频率等信息均为200Hz频率的离散电信号，属相同类型数据信息，宜采用数据级融合策略进行融合，最大限度保留信息的原始性，本发明利用归一化方法统一量纲，在完成融合任务的同时实现最小的信息损失。
(4)原始数据样本维度过高，对计算效率与识别准确度均有不同程度影响，本发明利用基于无监督学习策略的自编码器结构限制内部表示尺寸，将50维样本特征降低为15维(编码)，获得识别算法模型训练数据的高效表示。在节约算力的同时完成主成分分析工作，探索数据中隐含的模式，提取有用特征去除与任务不相关特征，降低噪声优化训练数据集的性能。
(5)本发明采用间接法构造SVM多类型分类器，解决对三种不同再犯罪风险等级的识别问题，通过一对一方法(OVO SVMs)在任意两种不同样本间分别建立一个SVM，最后结合投票法对多个分类器进行决策组合。
本发明的附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，并不构成对本申请的不当限定。
图1为本发明实施例中面向特殊人员的行为风险智能预警方法流程图；
图2为本发明实施例中数据采集示意图；
图3为本发明实施例中数据集构建过程示意图；
图4为本发明实施例中自编码器结构示意图；
图5为本发明实施例中多SVM分类器分类过程示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
在一个或多个实施方式中，公开了一种面向特殊人员的行为风险智能预警方法，参照图1，包括如下过程：
(1)建立在设定情境下以人体生理信息为表征的样本数据集；
具体地，样本数据集的建立过程包括数据采集、数据标准化处理、特征空间优化三个部分；
(1-1)数据采集。首先征募设定数量的监内或监外服刑志愿者，建立样本数据集，同时要求对被试者的背景及现实表现情况需要有较充分的了解。本实施例中，征募200名以上监内或监外服刑志愿者，建立样本规模约为200的数据集；当然，数据集的数量可以根据实际需要自行设定。
如图3所示，采用视频剪辑及虚拟现实技术制作叙述故意伤害、诈骗、盗窃等案件的短片(比如：以央视今日说法栏目为基本素材)，针对服刑人员不同犯罪类型选择对应的片段进行观看(时长约10分钟)，使其能够结合自身经历获得充分的情感体验。
获取人体心电(mA)、皮电(μS)、呼吸(百分比)、血氧(μA)、面部血氧含量(μA)等五种不同的人体生理信号，刷新频率为200Hz，在确保时间一致性的同时能够获得清晰的时间分辨率。结合近年生物医学工程领域基于人体生理信息进行情感识别的相关技术，对各原始信号进行初步特征提取，筛选均值、标准差、峰值、高频功率、低频功率、斜率、移动平均值、移动标准差、功率比、多尺度熵等十种不同的特征，构建原始特征空间。
人体生理信号的获取参照图2，通过贴附于人体表面手臂、耳后、手指、前额等部位的高灵敏传感器获取人体生理信号，再将实时信号利用双绞线传输至采集硬件进行存储。
(1-2)数据标准化处理。如图3所示，不同的生理信号因单位不同，会出现过大或过小数值，制约了特征融合的效果。本实施例采用标准化策略，使全部数据落入一个特定的区间，将其转化为无量纲纯数值，实现不同单位或量级的指标能够进行比较和融合。具体为离差标准化，根据公式：
对原始数据进行线性变换，其中，X为特征向量中的每一个元素，max为样本空间最大值，min为样本空间最小值，使全部结果落到[0,1]区间。
(1-3)特征空间优化。原始的特征空间特征维度为50，在进行识别的过程中计算复杂度过高，同时某些特征对神经系统活动规律的表征并不能起到积极作用，会影响诊断准确率成为噪声。本实施例采用基于自监督学习策略的自编码器模型完成对原始特征空间的降维和去噪声工作。如图4所示，自编码器为一种特殊的神经网络结构，经过训练可以将输入复制到输出。自编码器由两部分组成，即一个由h＝f(x)表示的编码器和一个生成重构的解码器r＝g(h)。本发明利用欠完备自编码器策略通过限制h(15维)的维度比x(50维)小，强制自编码器捕捉训练数据中最显著的特征。学习过程描述为最小化一个损失函数：
L(x,g(f(x))) (2)
其中L(均方误差)为设计的损失函数，惩罚g(f(x))与x的差异。
如图3所示，经过自监督学习过程的处理，完成特征融合(归一化处理)、去噪声、降维的工作，可以获得拥有200个样本规模的数据集，数据集中每个独立样本包含基于多源生理信息高级抽象特征的15维([t1,t2,t3.....t15])训练数据主元子空间，标签为再犯罪高风险类型、一般风险类型、低风险类型三种不同状态，将再犯罪风险评估建模为一个三分类问题。
(2)基于多SVM分类器构建再犯罪风险智能预警模型；
具体地，本实施例中，参照图5，数据集样本包含三种不同类型，分别为高风险群(A)、低风险群(B)、一般风险群(C)。
在不同类型的样本间分别设计一个SVM分类器，分别表示为：AB分类器(-1、+1)、AC分类器(-1、0)和BC分类器(+1、0)；整个OVO SVMs分类器需要设计的独立SVM分类器的个数为：
(k-1)×k/2(k＝3,标签类型) (3)
以AB分类器的设计为例：AB分类器的设计基于数据集中再犯罪高风险群和低风险群两种不同类型样本组成的子样本空间G完成，
其中，Ti为压缩后的生理信号向量，一共15维，包括：ti1-ti,15；yi为分类标签。
首先，需要在样本空间中寻找一个划分超平面。超平面可通过线性方程表示：
ωTT+b＝0 (5)
法向量ω和位移项b确定了划分超平面的空间位置。样本空间中任意个体到超平面的距离表示为：
如满足(Ti,yi)∈D时，若yi＝+1，则ωTT+b>0；若yi＝-1，则ωTT+b<0，在此条件下超平面可以对训练样本正确分类。D代表训练集空间。
分类器设计的基本结构表示为：
即通过算法迭代满足约束条件下的ω和b，使γ最大化，就能够确定具有“最大间隔”的划分超平面。以进行二分类操作，在训练集上获得最优分类性能。其中，Tx+b＝1为一种类型；
wTx+b＝-1为另一种类型。
AC、BC分类器设计相同，三个分类器组合成智能诊断投票器。
(3)基于所述数据集对再犯罪风险智能预警模型进行训练；
(4)通过传感器获取待测人员在设定情境下的人体生理信息数据并进行预处理；将预处理后的数据输入到训练好的再犯罪风险智能预警模型，输出待测人员再犯罪风险预警结果。
预处理的过程与样本数据集中的数据处理过程相同。
本实施例中，将采集的被试者多模态生理信息经过预处理生成一个15维的特征向量，分别输入三个分类器，投票器工作过程如下：
预设A＝0,B＝0,C＝0；
将生成的特征向量输入到AB分类器中，如果分类器判定输出结果为A类型，则A++；如果分类器判定输出结果为B类型，则B++；
将生成的特征向量输入到AC分类器中，如果分类器判定输出结果为A类型，则A++；如果分类器判定输出结果为C类型，则C++；
将生成的特征向量输入到BC分类器中，如果分类器判定输出结果为B类型，则B++；如果分类器判定输出结果为C类型，则C++；
根据输出每种类型的数量，选取输出类型数量最多的作为最终的输出结果；比如，所有分类器中，输出C类型的数量最多，则最终的输出结果为C类型。
实施例二
在一个或多个实施方式中，公开了一种面向特殊人员的行为风险智能预警系统，包括：
用于建立在设定情境下以人体生理信息为表征的样本数据集的装置；
用于根据所述样本数据集中包含的样本类型，在每两种不同类型的样本间分别设计一个SVM分类器；所述样本类型为行为风险的不同等级的装置；
用于通过传感器获取待测人员在设定情境下的人体生理信息数据并进行预处理的装置；
用于将预处理后的数据分别输入到每一个SVM分类器；根据每一个SVM分类器输出的数据类型，选取数量最多的数据类型作为最终的行为风险等级的装置。
上述装置的具体实现方式采用实施例一中公开的方法，不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中公开的面向特殊人员的行为风险智能预警方法，为了简洁，不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
上述方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种面向特殊人员的行为风险智能预警方法，其特征在于，包括：
建立在设定情境下以人体生理信息为表征的样本数据集；
根据所述样本数据集中包含的样本类型，在每两种不同类型的样本间分别设计一个SVM分类器；所述样本类型为行为风险的不同等级；
通过传感器获取待测人员在设定情境下的人体生理信息数据并进行预处理；
将预处理后的数据分别输入到每一个SVM分类器；根据每一个SVM分类器输出的数据类型，选取数量最多的数据类型作为最终的行为风险等级。
2.如权利要求1所述的一种面向特殊人员的行为风险智能预警方法，其特征在于，建立在特定情境下以人体生理信息为表征的样本数据集，具体过程包括：
选取设定数量的被测者，分别采集每一个被测者在设定情境下的人体生理信息数据，包括：人体心电、皮电、呼吸、血氧以及面部血氧含量；
对采集到的信号进行特征提取，构建原始特征空间，并对提取的特征进行标准化处理；
采用基于自监督学习策略的自编码器对原始特征空间进行降维、去噪；
经过归一化处理，得到设定样本规模的数据集，所述数据集中每个独立样本包含基于多源生理信息抽象特征的训练数据主元子空间；
为每一个特征集标注行为风险等级标签，得到样本数据集。
3.如权利要求1所述的一种面向特殊人员的行为风险智能预警方法，其特征在于，对采集到的信号进行特征提取，包括：
对于采集到的每一种信号，至少提取所述信号的均值、标准差、峰值、高频功率、低频功率、斜率、移动平均值、移动标准差、功率比以及多尺度熵特征。
4.如权利要求1所述的一种面向特殊人员的行为风险智能预警方法，其特征在于，根据所述样本数据集中包含样本类型，在每两种不同类型的样本间分别设计一个SVM分类器；
对于每一个SVM分类器，在其所属的两种类型样本组成的样本子空间中寻找一个划分超平面；通过算法迭代求取满足约束条件下的划分超平面参数，使得样本子空间中任意个体到超平面的距离最大，从而确定具有最大间隔的划分超平面，以进行二分类操作，在训练集上获得最优分类性能。
5.如权利要求4所述的一种面向特殊人员的行为风险智能预警方法，其特征在于，所述分类器设计的基本结构表示为：
s.t.yi(ωTT+b≥1)，i＝1,2......m
其中，ω、b分别为划分超平面法向量参数和位移项参数；T为压缩后的生理信号向量，yi为分类标签。
6.如权利要求1所述的一种面向特殊人员的行为风险智能预警方法，其特征在于，在每两种不同类型的样本间分别设计一个SVM分类器之后，还包括：基于所述样本数据集对所述分类器进行训练的过程。
7.如权利要求6所述的一种面向服刑人员的再犯罪风险智能预警方法，其特征在于，每一个SVM分类器输出的数据类型包括：高风险群、低风险群或者一般风险群。
8.一种面向特殊人员的行为风险智能预警系统，其特征在于，包括：
用于建立在设定情境下以人体生理信息为表征的样本数据集的装置；
用于根据所述样本数据集中包含的样本类型，在每两种不同类型的样本间分别设计一个SVM分类器；所述样本类型为行为风险的不同等级的装置；
用于通过传感器获取待测人员在设定情境下的人体生理信息数据并进行预处理的装置；
用于将预处理后的数据分别输入到每一个SVM分类器；根据每一个SVM分类器输出的数据类型，选取数量最多的数据类型作为最终的行为风险等级的装置。
9.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的面向特殊人员的行为风险智能预警方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的面向特殊人员的行为风险智能预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010574048.9A CN111723869A (zh) | 2020-06-22 | 2020-06-22 | 一种面向特殊人员的行为风险智能预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010574048.9A CN111723869A (zh) | 2020-06-22 | 2020-06-22 | 一种面向特殊人员的行为风险智能预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111723869A true CN111723869A (zh) | 2020-09-29 |
Family
ID=72569955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010574048.9A Pending CN111723869A (zh) | 2020-06-22 | 2020-06-22 | 一种面向特殊人员的行为风险智能预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111723869A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801603A (zh) * | 2020-10-30 | 2021-05-14 | 四川天翼网络服务有限公司 | 一种智慧社区特殊数据感知服务系统 |
| CN114091844A (zh) * | 2021-11-01 | 2022-02-25 | 山东心法科技有限公司 | 一种暴力类人员重新犯罪的预警方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101843491A (zh) * | 2010-06-07 | 2010-09-29 | 天津大学 | 基于双线性模型的静息脑电身份识别方法 |
| CN104809469A (zh) * | 2015-04-21 | 2015-07-29 | 重庆大学 | 一种面向服务机器人的室内场景图像分类方法 |
| WO2018119443A1 (en) * | 2016-12-23 | 2018-06-28 | The Regents Of The University Of California | Method and device for digital high resolution melt |
| CN109091126A (zh) * | 2018-09-14 | 2018-12-28 | 李思楠 | 一种基于多传感器的人体生理状态判别可视化方法及设备 |
| CN110507335A (zh) * | 2019-08-23 | 2019-11-29 | 山东大学 | 基于多模态信息的服刑人员心理健康状态评估方法及系统 |
-
2020
- 2020-06-22 CN CN202010574048.9A patent/CN111723869A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101843491A (zh) * | 2010-06-07 | 2010-09-29 | 天津大学 | 基于双线性模型的静息脑电身份识别方法 |
| CN104809469A (zh) * | 2015-04-21 | 2015-07-29 | 重庆大学 | 一种面向服务机器人的室内场景图像分类方法 |
| WO2018119443A1 (en) * | 2016-12-23 | 2018-06-28 | The Regents Of The University Of California | Method and device for digital high resolution melt |
| CN109091126A (zh) * | 2018-09-14 | 2018-12-28 | 李思楠 | 一种基于多传感器的人体生理状态判别可视化方法及设备 |
| CN110507335A (zh) * | 2019-08-23 | 2019-11-29 | 山东大学 | 基于多模态信息的服刑人员心理健康状态评估方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张梅军: "《EEMD方法及其在机械故障诊断中的应用》", 31 October 2015, pages: 115 - 118 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801603A (zh) * | 2020-10-30 | 2021-05-14 | 四川天翼网络服务有限公司 | 一种智慧社区特殊数据感知服务系统 |
| CN114091844A (zh) * | 2021-11-01 | 2022-02-25 | 山东心法科技有限公司 | 一种暴力类人员重新犯罪的预警方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200126111A1 (en) | Data processing methods for predictions of media content performance | |
| Eckstein et al. | Neural decoding of collective wisdom with multi-brain computing | |
| US20160098592A1 (en) | System and method for detecting invisible human emotion | |
| Peng et al. | 3D-STCNN: Spatiotemporal Convolutional Neural Network based on EEG 3D features for detecting driving fatigue | |
| CN107463874A (zh) | 情绪识别方法及系统、及应用该方法的智能看护系统 | |
| CN111967362B (zh) | 面向可穿戴设备的超图特征融合和集成学习的人体行为识别方法 | |
| US20220067519A1 (en) | Neural network synthesis architecture using encoder-decoder models | |
| CN111513732A (zh) | 面向疫病状况下多类人群的心理压力智能评估预警系统 | |
| Ahn et al. | A digital twin city model for age-friendly communities: Capturing environmental distress from multimodal sensory data | |
| Rahman et al. | Vision-based driver’s cognitive load classification considering eye movement using machine learning and deep learning | |
| CN111723869A (zh) | 一种面向特殊人员的行为风险智能预警方法及系统 | |
| Wang et al. | Detection of driver stress in real-world driving environment using physiological signals | |
| Creagh et al. | Interpretable deep learning for the remote characterisation of ambulation in multiple sclerosis using smartphones | |
| Yan et al. | Estimating individualized daily self-reported affect with wearable sensors | |
| Tao et al. | Multi-feature fusion prediction of fatigue driving based on improved optical flow algorithm | |
| Josephin et al. | A review on the measures and techniques adapted for the detection of driver drowsiness | |
| Patania et al. | Deep graph neural network for video-based facial pain expression assessment | |
| Kim et al. | A study on user recognition using 2D ECG image based on ensemble networks for intelligent vehicles | |
| CN114550918A (zh) | 一种基于绘画特征数据的心理障碍测评方法及系统 | |
| CN113420591A (zh) | 基于情感的occ-pad-ocean联邦认知建模方法 | |
| Adnan et al. | Unmasking Parkinson's Disease with Smile: An AI-enabled Screening Framework | |
| Tapia et al. | Learning to predict fitness for duty using near infrared periocular iris images | |
| Rybak et al. | Machine Learning Enhanced Decision-Making | |
| Costadopoulos et al. | Data mining and knowledge discovery from physiological sensors | |
| Narayanrao | Estimation of Visual Heart Rate to Predict Depression |
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 |