CN115120240A - 特殊行业目标感知技能的敏感性评估方法、设备及介质 - Google Patents

Abstract

本申请公开了一种特殊行业目标感知技能的敏感性评估方法、设备及介质，属于数据识别技术领域，用于解决难以从候选用户中有效选拔出更适合特殊行业的用户的问题，方法包括：通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据；多模态数据包括瞳孔扩张数据、心率数据以及心率变异性数据；通过梅尔频率倒谱系数模型，对多模态数据进行信号处理，得到归一化多模态数据；通过支持向量机模型与归一化多模态数据，识别用户在各组的反应是否属于新异性刺激，得到识别结果；确定用户所处于的指定行业，针对指定行业，根据预先构建的知识图谱与识别结果，对用户进行目标感知技能评估。能够更加地有效评估用户感知目标的敏感性能力。

Description

特殊行业目标感知技能的敏感性评估方法、设备及介质

技术领域

本申请涉及数据识别技术领域，尤其涉及一种特殊行业目标感知技能的敏感性评估方法、设备及介质。

背景技术

在特殊行业中，例如，探测器监控人员、特殊设备操作人员，需要对探测器或者监测设备的信号提示具有较强的敏感性与目标识别技能。比如，雷达部队的信号兵的主要任务是在各种气象条件下,不间断地探测、跟踪和识别空中目标，需要具备较强的目标感知技能。

目前，在特殊行业中的目标感知技能的选拔中，其中，目标感知技能主要表现为在特定目标刺激物出现时，在时间间隔（越快越好）和物理范围（越广越好）上的敏感性和目标识别能力。由于通常从候选用户中筛选出更适合的用户时，通常需要结合用户的过往经验或者让用户模拟岗位任务，对用户的目标感知技能进行人工评估，并且对目标感知技能的评估是多维度的，但是，由于时间有限，对用户的了解不够全面，难以有效选拔出更加适合特殊行业的用户。

发明内容

本申请实施例提供一种特殊行业目标感知技能的敏感性评估方法、设备及介质，用于解决难以有效选拔出更加适合特殊行业的用户的问题。

本申请实施例采用下述技术方案：

一方面，本申请实施例提供了一种特殊行业目标感知技能的敏感性评估方法，该方法包括：通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据；所述多模态数据包括瞳孔扩张数据、心率数据以及心率变异性数据；通过梅尔频率倒谱系数模型，对所述多模态数据进行信号处理，得到归一化多模态数据；通过预先构建的支持向量机模型与所述归一化多模态数据，识别所述用户在各组的反应是否属于新异性刺激，得到识别结果；确定所述用户所处于的指定行业，针对于所述指定行业，根据预先构建的知识图谱与所述识别结果，对所述用户进行目标感知技能评估。

一个示例中，所述所述通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据，具体包括：在所述目标感知技能评估装置的用户交互界面中，生成目标刺激物；以所述用户交互界面的中心位置为圆心，以预设半径进行画圆，确定目标感知区域，以将所述目标刺激物沿着所述目标感知区域的闭合曲线进行移动；每隔预设时间间隔，将所述预设半径以第一预设数值依次进行增加，以对所述目标感知区域进行更新；在对所述目标感知区域更新时，将所述目标刺激物的亮度以第二预设数值依次进行降低，将所述目标刺激物的移动速度以第三预设数值依次进行增加，以通过所述目标感知技能评估装置，获取用户在感知所述用户交互界面的各组多模态数据。

一个示例中，所述通过梅尔频率倒谱系数模型，对所述多模态数据进行信号处理，得到归一化多模态数据，具体包括：针对于各组所述多模态数据，分别确定所述瞳孔扩张数据、所述心率数据以及所述心率变异性数据的各时间序列分布数据；根据所述时间序列分布数据的预设权重，对所述时间序列分布数据进行分帧预处理，确定所述时间序列分布数据的帧数数据与帧移数据；根据预设窗函数，对所述帧数数据与帧移数据进行加窗，得到连续信号；对所述连续信号进行傅里叶变换与梅尔滤波器组处理，建立所述连续信号的频率在指定距离上的映射关系；对所述映射关系进行余弦变换处理，得到归一化时间序列分布数据；根据各所述归一化时间序列分布数据，确定所述归一化多模态数据。

一个示例中，所述根据预先构建的知识图谱与所述识别结果，对所述用户进行目标感知技能评估，具体包括：将识别结果属于新异性刺激的每组多模态数据，标记为反应组；按照生成各组多模态数据的时间顺序，依次对各组多模态数据进行组合，得到多个组合；其中，每个组合中的组数量相差小于预设阈值；分别确定所述多个组合中反应组的比例，并根据所述比例确定各组合的反应率；根据预先构建的决策树与所述各组合的反应率，对所述用户进行目标感知技能评估；其中，将各组合的反应率作为节点，将各节点之间的关联作为边，构建决策树。

一个示例中，所述根据预先构建的决策树与所述各组合的反应率，对所述用户进行目标感知技能评估，具体包括：在所述决策树中，确定第一组合的反应率高于第二组合的反应率，所述第二组合的反应率高于第三组合的反应率；其中，所述第一组合中的各组多模态数据的时间顺序早于所述第二组合中的各组多模态数据的时间顺序，所述第二组合中的各组多模态数据的时间顺序早于所述第三组合中的各组多模态数据的时间顺序；若所述第一组合的反应率、所述第二组合的反应率以及所述第三组合的反应率越高，则将所述评估结果确定为所述用户的目标感知技能等级越高；所述目标感知技能等级越高，则表示所述用户的目标感知技能越强。

一个示例中，所述若所述第一组合的反应率、所述第二组合的反应率以及所述第三组合的反应率越高，则将所述评估结果确定为所述用户的目标感知技能等级越高，具体包括：若所述第一组合的反应率高于第一预设阈值，所述第二组合的反应率高于所述第一预设阈值，所述第三组合的反应率高于第二预设阈值，则将所述评估结果确定为所述用户的目标感知技能等级为技能优秀；和/或若所述第一组合的反应率高于所述第一预设阈值，所述第二组合的反应率高于第三预设阈值，所述第三组合的反应率高于第四预设阈值，则将所述评估结果确定为所述用户的目标感知技能等级为技能良好；所述第三预设阈值低于所述第二预设阈值，所述第四阈值低于所述第三阈值；和/或若所述第一组合的反应率高于所述第一预设阈值，所述第二组合的反应率高于第五预设阈值，所述第三组合的反应率高于第六预设阈值，则将所述评估结果确定为所述用户的目标感知技能等级为技能合格；所述第五预设阈值低于所述第四预设阈值，所述第六阈值低于所述第五阈值；和/或若所述第一组合的反应率高于所述第二预设阈值，所述第二组合的反应率低于第七预设阈值，所述第三组合的反应率低于所述第六预设阈值，则将所述评估结果确定为所述用户的目标感知技能等级为技能不合格；所述第七预设阈值高于所述第六预设阈值，且低于所述第五预设阈值。

一个示例中，所述通过预先构建的支持向量机模型与所述归一化多模态数据，识别所述用户在各组的反应是否属于新异性刺激，得到识别结果之前，所述方法还包括：确定样本用户对应的归一化样本多模态数据；将所述归一化样本模态数据作为输入数据，将所述归一化样本模态数据的识别结果的二分类变量作为输出数据；所述识别结果包括是否属于新异性刺激；确定所述输入数据与所述输出数据之间的关联关系；根据所述输入数据、所述输出数据以及所述关联关系，对所述支持向量机分类器进行训练，直至损失函数最小化；通过验证集对训练的支持向量机分类器进行验证，在验证通过时，得到所述支持向量机模型。

一个示例中，所述方法还包括：所述目标感知技能评估装置包括眼动仪、显示屏、监拍设备；所述眼动仪与所述显示屏连接，所述眼动仪佩戴于所述用户的头部指定位置，所述显示屏用于显示所述用户交互界面，通过用户佩戴所述眼动仪感知所述用户交互界面，获取所述用户的瞳孔扩张数据；以及所述监拍设备安装于所述用户所处于位置的预设范围内，通过所述监拍设备获取所述用户的面部图像，根据预设规则，对所述面部图像进行过滤，得到时间变化信号，将所述时间变化信号输入至预设心率识别神经网络模型，得到所述用户的心率数据；对所述心率数据进行分析，得到所述心率变异性数据。

另一方面，本申请实施例提供了一种特殊行业目标感知技能的敏感性评估设备，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：通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据；所述多模态数据包括瞳孔扩张数据、心率数据以及心率变异性数据；通过梅尔频率倒谱系数模型，对所述多模态数据进行信号处理，得到归一化多模态数据；通过预先构建的支持向量机模型与所述归一化多模态数据，识别所述用户在各组的反应是否属于新异性刺激，得到识别结果；确定所述用户所处于的指定行业，针对于所述指定行业，根据预先构建的知识图谱与所述识别结果，对所述用户进行目标感知技能评估。

另一方面，本申请实施例提供了一种特殊行业目标感知技能的敏感性评估非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据；所述多模态数据包括瞳孔扩张数据、心率数据以及心率变异性数据；通过梅尔频率倒谱系数模型，对所述多模态数据进行信号处理，得到归一化多模态数据；通过预先构建的支持向量机模型与所述归一化多模态数据，识别所述用户在各组的反应是否属于新异性刺激，得到识别结果；确定所述用户所处于的指定行业，针对于所述指定行业，根据预先构建的知识图谱与所述识别结果，对所述用户进行目标感知技能评估。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据，识别用户在各组的反应是否属于新异性刺激，能够在保证准确率的前提下，得到用户的紧张性脑功能表现程度，并通过知识图谱与识别结果，对用户进行目标感知技能评估，能够在特殊行业中，从生理功能角度有效对用户的目标感知技能进行辅助评估，能够更加地清晰地了解用户感知目标的敏感性能力，方便于选拔出更为合适的用户。

附图说明

为了更清楚地说明本申请的技术方案，下面将结合附图来对本申请的部分实施例进行详细说明，附图中：

图1为本申请实施例提供的一种特殊行业目标感知技能的敏感性评估方法的流程示意图；

图2为本申请实施例提供的一种用户交互界面的示意图；

图3为本申请实施例提供的一种决策树的示意图；

图4为本申请实施例提供的一种特殊行业目标感知技能的敏感性评估设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然，所描述的实施例仅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做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。

下面参照附图来对本申请的一些实施例进行详细说明。

图1为本申请实施例提供的一种特殊行业目标感知技能的敏感性评估方法的流程示意图。该方法可以应用于不同的业务领域。流程中的某些输入参数或者中间结果允许人工干预调节，以帮助提高准确性。

本申请实施例涉及的分析方法的实现可以为终端设备，也可以为服务器，本申请对此不作特殊限制。为了方便理解和描述，以下实施例均以服务器为例进行详细描述。

需要说明的是，该服务器可以是单独的一台设备，可以是有多台设备组成的系统，即，分布式服务器，本申请对此不做具体限定。

由于任何岗位都需要靠一层层学习选拔，那么层层学习选拔便要涉及到具体技术方案。基于此，在众多候选人中，需要通过一系列技术手段逐步筛选出更适合的用户。比如，在选拔航天员的过程中，由于航空环境的特殊属性，不是每个人都能胜任，航天员需要具备更强的特性指标能力，比如，航天特殊环境耐力。因此，航天员必须经过科学严格的选拔，再进行科学全面的系统训练。而在选拔的过程中，必然涉及到一系列技术方案。

基于此，在特殊行业中的目标感知技能的选拔中，由于通常从候选用户中筛选出更适合的用户时，通常需要结合用户的过往经验或者让用户模拟岗位任务，对用户的目标感知技能进行人工评估，但是，由于时间有限，对用户的了解不够全面。

而用户的目标感知技能与用户的生理功能具有较强的关联性，因此，申请人针对于目标感知技能与用户生理功能之间的关联进行研究，得到本申请的技术方案。

本领域技术人员可以理解的是，本申请的技术方案主要针对在特殊行业中，特殊岗位上所要求具有目标感知技能的应用场景，比如，雷达部队的信号兵需要具有发现异常目标的技能，自动化工厂的监督员需要及时发现自动化流水线的异常，这些应用场景的共同点就是特定岗位对用户的“目标感知与突发性异常识别”技能与能力有要求。

具体地，首先依托于科学依据，比如，自1966年在Science上发表的论文《瞳孔直径与记忆负荷》（Pupil Diameter and Load on Memory）开始，到2021年在Nature上发表的论文《瞳孔直径作为跨领域情绪调节的成功率的预测指标》（Pupil dilation predictsindividual self-regulation success across domains），大量认知负荷与眼动追踪领域的研究表明，在出现对新刺激的认知加工初始阶段，人类瞳孔直径会出现变化。

此外，2009年发表在Nature上的论文《蓝斑-去甲肾上腺素环路调节认知》（Thelocus coeruleus and noradrenergic modulation of cognition）以及大量后续相关研究表明，新刺激的出现以及人类进行蓝斑-去甲肾上腺素环路紧张性相位活动周期时，会出现瞳孔扩展、心率增加等紧张性反应，与此同时，紧张性反应也会出现在对应的脑功能区域以及脑电表现中。当然，还有众多本领域技术人员普遍认可且应用于实际场景的科学依据，在此不一一列举。

基于此，可得出以下结论：根据注意神经科学原理，当在外周视野中出现新异性的刺激物时，人类的脑干蓝斑-去甲肾上素环路(LC-NE)系统会进入紧张性(Tonic)状态，在进入紧张性状态后，意味着用户出现了对新异性刺激的感知加工。其中，新异性刺激是指目标刺激物相对于用户来讲是新鲜的，也就是说，用户之前没有见过完全相同的物体。

需要说明的是，本领域人员可以理解的是，此时的紧张性状态并不是指用户是否“紧张”，而是完全客观的生理指标，是生理信号的一种相位，并非主观性因素。

需要说明的是，存在用户由于未很好感知而产生“紧张”的情况，但是，该情况下，并非是本申请中的紧张性状态。

并且，日常的紧张或者由于心理压力造成的紧张，在测试任务的目标刺激出现前后多模态数据（比如，心率、心率变异性以及瞳孔扩张程度）的数值差异较小。无论被试是否紧张，在目标刺激出现后的1.5秒-1.6秒的时间序列内，若被试者能够有效感知到刺激，均会在自主神经系统作用下出现反应，比如，心率增强，心率变异性降低和瞳孔扩张的反应，非意识能够控制。在信号上表现为数值在1.5-1.6秒周期内的增强。

基于上述原理，由于新刺激的出现以及人类进行蓝斑-去甲肾上腺素环路紧张性相位活动周期时，会出现瞳孔扩展、心率增加等紧张性反应，进入紧张性状态后，意味着用户出现了对新异性刺激的感知加工。而随着注意神经目标刺激出现时间越短、出现明显程度越低时，用户紧张性的脑功能表现会越来越难，因此，若目标刺激出现时间越短、出现明显程度越低时，用户若仍然能够出现紧张性的脑功能表现，则意味着该用户的目标感知技能越强。

基于此，本申请实施例提供了一种特殊行业目标感知技能的敏感性评估方法。

图1中的流程可以包括以下流程：

S102：通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据；所述多模态数据包括瞳孔扩张数据、心率数据以及心率变异性数据。

需要说明的是，多模态数据也可以包括其他数据，比如，脑影像数据或者用脑电数据等。

其中，每个时刻都对应着瞳孔扩张数据、心率数据以及心率变异性数据。比如，a时刻的瞳孔扩张数据、心率数据以及心率变异性数据、b 时刻的瞳孔扩张数据、心率数据以及心率变异性数据、c时刻的瞳孔扩张数据、心率数据以及心率变异性数据、d时刻的瞳孔扩张数据、心率数据以及心率变异性数据。假如，预设时长为a时刻到d时刻，那么a时刻与b时刻的瞳孔扩张数据、心率数据以及心率变异性数据可以为第一组多模态数据，c时刻与d时刻的瞳孔扩张数据、心率数据以及心率变异性数据可以为第二组多模态数据。也可以，abc为第一组，d为第二组。

需要说明的是，按照时间顺序，依次生成第一组、第二组、第三组等等。也就是说，第一组多模态数据的生成时间均早于第二组多模态数据。比如，abd为第一组，c为第二组，这是异常组，将会通知管理人员进行验证。

在本申请的一些实施例中，目标感知技能评估装置包括目标感知技能评估装置包括眼动仪、显示屏、监拍设备。

其中，眼动仪为头戴式，眼动仪与显示屏连接，眼动仪佩戴于用户的头部指定位置，显示屏用于显示用户交互界面，通过用户佩戴眼动仪感知用户交互界面，获取用户的瞳孔扩张数据。

监拍设备安装于用户所处于位置的预设范围内，比如，监拍设备安装在用户正前方1米的位置，通过监拍设备获取用户的面部图像，根据预设规则，对面部图像进行过滤，得到时间变化信号。比如，将面部图像中的红色、绿色和蓝色进行过滤。然后将时间变化信号输入至预设心率识别神经网络模型，得到用户的心率数据。需要说明的是，可以通过样本时间变化信号对初始心率识别神经网络模型进行训练，从而生成满足要求的心率识别神经网络模型。

然后，对心率数据进行分析，得到心率变异性数据。

在本申请的一些实施例中，在设置好目标感知技能装置后，用户坐在特定位置，启动评估，便通过目标感知技能装置进行获取若干组多模态数据。

具体地，显示屏的用户交互界面中，生成目标刺激物。其中，目标刺激物为具有颜色的实体图形，比如，目标刺激物为绿色的实心圆。

然后，以用户交互界面的中心位置为圆心，以预设半径进行画圆，确定目标感知区域，以将目标刺激物沿着目标感知区域的闭合曲线进行移动。

然后，每隔预设时间间隔，将预设半径以第一预设数值依次进行增加，以对目标感知区域进行更新。

其中，在对目标感知区域更新时，将目标刺激物的亮度以第二预设数值依次进行降低，将目标刺激物的移动速度以第三预设数值依次进行增加。

比如，更新的亮度、速度、预设半径，这三个参数的变化，如表1所示。

表1：

可见，在表1中，试次间变化率是指更新的变化率，即，每组的变化率，其中，亮度的变化率为5nits，即，第二预设数值为5nits，速度的变化率为1cm/100ms，即，第三预设数值1cm/100ms，预设半径的变化率为1.5cm，即第一预设数值1.5cm。

从而能够通过目标感知技能评估装置，获取用户在感知所述目标刺激物沿着所述目标感知区域的闭合曲线进行移动时的各组多模态数据。

也就是说，第一次生成的目标感知区域为中央视野区域，更新生成的目标感知区域相当于外周视野区域。需要说明的是，目标感知区域更新一次，便产生一组多模态数据，在沿着中央视野区域移动时，产生第一组多模态数据。

更直观地，本申请实施例提供了一种用户交互界面的示意图，如图2所示。

显然，对目标感知区域更新了两次，目标刺激物为灰色的实心圆，因此，若对用户进行目标感知技能评估，此时将已经产生3组多模态数据。

S104：通过梅尔频率倒谱系数模型，对所述多模态数据进行信号处理，得到归一化多模态数据。

在本申请的一些实施例中，在信号处理时，首先针对于各组多模态数据，分别确定瞳孔扩张数据、心率数据以及心率变异性数据的各时间序列分布数据。

然后，根据时间序列分布数据的预设权重，对时间序列分布数据进行分帧预处理，确定时间序列分布数据的帧数数据与帧移数据。

然后，根据预设窗函数，对帧数数据与帧移数据进行加窗，得到连续信号，对连续信号进行傅里叶变换与梅尔滤波器组处理，建立连续信号的频率在指定距离上的映射关系；

最后，对映射关系进行余弦变换处理，得到归一化时间序列分布数据，根据各归一化时间序列分布数据，确定归一化多模态数据。

也就是说，对于每组的多模态数据，分别对瞳孔扩张数据、心率数据以及心率变异性数据进行信号处理，从而得到每组归一化多模态数据。从而能够更加简单高效执行S106中的数据处理过程。

S106：通过预先构建的支持向量机模型与所述归一化多模态数据，识别所述用户在各组的反应是否属于新异性刺激，得到识别结果。

在本申请的一些实施例中，在构建支持向量机模型时，确定样本用户对应的归一化样本多模态数据。然后，将归一化样本模态数据作为输入数据，将归一化样本模态数据的识别结果的二分类变量作为输出数据；识别结果包括是否属于新异性刺激。

然后，确定输入数据与输出数据之间的关联关系，根据输入数据、输出数据以及关联关系，对支持向量机分类器进行训练，直至损失函数最小化；

最后，通过验证集对训练的支持向量机分类器进行验证，在验证通过时，得到支持向量机模型。比如，从训练集中抽取200条数据进行验证。识别准确率高于90.5%则验证通过。

即，将归一化多模态数据输入支持向量机模型，输出用户在各组的反应是否属于新异性刺激。

S108：确定所述用户所处于的指定行业，针对于所述指定行业，根据预先构建的知识图谱与所述识别结果，对所述用户进行目标感知技能评估。

需要说明的是，由于不同的行业，所要求用户的目标感知技能程度不同，因此，不同的行业对应于不同的知识图谱。也就是说，节点之间的关联关系（每个组合之间的关系）是不同的。

在本申请的一些实施例中，将识别结果属于将识别结果属于新异性刺激的每组多模态数据，标记为反应组，将识别结果不属于新异性刺激的每组多模态数据，标记为不反应组。

然后，按照生成各组多模态数据的时间顺序，依次对各组多模态数据进行组合，得到多个组合。其中，每个组合中的组数量相差小于预设阈值。比如，一共有60组，分为3个组合，那个第1-20组为一个组合，第21-40组为一个组合，第41-60组为一个组合。

然后，分别确定多个组合中反应组的比例，并根据比例确定各组合的反应率。

最后，根据预先构建的决策树与各组合的反应率，对用户进行目标感知技能评估。其中，通过将各组合的反应率作为节点，将各节点之间的关联作为边，构建决策树。

进一步地，在根据预先构建的决策树与各组合的反应率，对用户进行目标感知技能评估时，在决策树中，确定第一组合的反应率高于第二组合的反应率，第二组合的反应率高于第三组合的反应率。

其中，第一组合中的各组多模态数据的时间顺序早于第二组合中的各组多模态数据的时间顺序，第二组合中的各组多模态数据的时间顺序早于第三组合中的各组多模态数据的时间顺序。

需要说明的是，随着注意神经目标刺激出现时间越短、出现明显程度越低时，用户紧张性的脑功能表现会越来越难，因此，正常来讲，时间越晚的组合反应率应该比时间越早的组合的反应率更低。

若第一组合的反应率、第二组合的反应率以及第三组合的反应率越高，则将评估结果确定为用户的目标感知技能等级越高，目标感知技能等级越高，则表示用户的目标感知技能越强。

进一步地，第一组合的反应率、第二组合的反应率以及第三组合的反应率越高，则将评估结果确定为用户的目标感知技能等级越高，可以体现在以下方法：

若第一组合的反应率高于第一预设阈值，第二组合的反应率高于第一预设阈值，第三组合的反应率高于第二预设阈值，则将评估结果确定为用户的目标感知技能等级为技能优秀；和/或

若第一组合的反应率高于第一预设阈值，第二组合的反应率高于第三预设阈值，第三组合的反应率高于第四预设阈值，则将评估结果确定为用户的目标感知技能等级为技能良好；第三预设阈值低于第二预设阈值，第四阈值低于第三阈值；和/或

若第一组合的反应率高于第一预设阈值，第二组合的反应率高于第五预设阈值，第三组合的反应率高于第六预设阈值，则将评估结果确定为用户的目标感知技能等级为技能合格；第五预设阈值低于第四预设阈值，第六阈值低于第五阈值；和/或

若第一组合的反应率高于第二预设阈值，第二组合的反应率低于第七预设阈值，第三组合的反应率低于第六预设阈值，则将评估结果确定为用户的目标感知技能等级为技能不合格；第七预设阈值高于第六预设阈值，且低于第五预设阈值。

比如，更直观地，图3为本申请实施例提供的一种决策树的示意图。

其中，第1-20组为第一组合，第21-40组为第二组合，第41-60组为第三组合。

则在图3中，第1-20组的反应率高于90%+第21-40组的反应率高于90%+第41-60组的反应率高于85%，则用户的目标感知技能等级为技能优秀。

第0-20试次的反应率高于90%+第21-40试次的反应率高于80%+第41-60试次反应率高于73%，则用户的目标感知技能等级为技能良好。

第0-20试次的反应率高于90%+第21-40试次的反应率高于60%+第41-60试次反应率高于10%，则用户的目标感知技能等级为技能合格。

第0-20试次的反应率高于85%+第21-40试次的反应率低于20%+第41-60试次反应率低于10%，则用户的目标感知技能等级为技能不合格。

需说明的是，虽然本申请实施例是参照图1来对步骤S102至步骤S108依次进行介绍说明的，但这并不代表步骤S102至步骤S108必须按照严格的先后顺序执行。本申请实施例之所以按照图1中所示的顺序对步骤S102至步骤S108依次进行介绍说明，是为了方便本领域技术人员理解本申请实施例的技术方案。换句话说，在本申请实施例中，步骤S102至步骤S108之间的先后顺序可以根据实际需要进行适当调整。

通过图1的方法，通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据，识别用户在各组的反应是否属于新异性刺激，能够在保证准确率的前提下，得到用户的紧张性脑功能表现程度，并通过知识图谱与识别结果，对用户进行目标感知技能评估，能够在特殊行业中，从生理功能角度有效对用户的目标感知技能进行辅助评估，能够更加地清晰地了解用户感知敏感性的能力，方便于选拔出更为合适的用户。

基于同样的思路，本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。

图4为本申请实施例提供的一种特殊行业目标感知技能的敏感性评估设备的结构示意图，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：

通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据；所述多模态数据包括瞳孔扩张数据、心率数据以及心率变异性数据；

通过梅尔频率倒谱系数模型，对所述多模态数据进行信号处理，得到归一化多模态数据；

通过预先构建的支持向量机模型与所述归一化多模态数据，识别所述用户在各组的反应是否属于新异性刺激，得到识别结果；

确定所述用户所处于的指定行业，针对于所述指定行业，根据预先构建的知识图谱与所述识别结果，对所述用户进行目标感知技能评估。

本申请的一些实施例提供一种特殊行业目标感知技能的敏感性评估非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据；所述多模态数据包括瞳孔扩张数据、心率数据以及心率变异性数据；

通过梅尔频率倒谱系数模型，对所述多模态数据进行信号处理，得到归一化多模态数据；

通过预先构建的支持向量机模型与所述归一化多模态数据，识别所述用户在各组的反应是否属于新异性刺激，得到识别结果；

确定所述用户所处于的指定行业，针对于所述指定行业，根据预先构建的知识图谱与所述识别结果，对所述用户进行目标感知技能评估。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。

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(flash RAM)。内存是计算机可读介质的示例。

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。信息可以是计算机可读指令、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)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁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。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请技术原理之内所作的任何修改、等同替换、改进等，均应落入本申请的保护范围之内。

Claims (10)

1.一种特殊行业目标感知技能的敏感性评估方法，其特征在于，所述方法包括：

通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据；所述多模态数据包括瞳孔扩张数据、心率数据以及心率变异性数据；

通过梅尔频率倒谱系数模型，对所述多模态数据进行信号处理，得到归一化多模态数据；

通过预先构建的支持向量机模型与所述归一化多模态数据，识别所述用户在各组的反应是否属于新异性刺激，得到识别结果；

确定所述用户所处于的指定行业，针对于所述指定行业，根据预先构建的知识图谱与所述识别结果，对所述用户进行目标感知技能评估。

2.根据权利要求1所述的方法，其特征在于，所述通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据，具体包括：

在所述目标感知技能评估装置的用户交互界面中，生成目标刺激物；

以所述用户交互界面的中心位置为圆心，以预设半径进行画圆，确定目标感知区域，以将所述目标刺激物沿着所述目标感知区域的闭合曲线进行移动；

每隔预设时间间隔，将所述预设半径以第一预设数值依次进行增加，以对所述目标感知区域进行更新；

在对所述目标感知区域更新时，将所述目标刺激物的亮度以第二预设数值依次进行降低，将所述目标刺激物的移动速度以第三预设数值依次进行增加，以通过所述目标感知技能评估装置，获取所述用户在感知所述目标刺激物沿着所述目标感知区域的闭合曲线进行移动时的各组多模态数据。

3.根据权利要求1所述的方法，其特征在于，所述通过梅尔频率倒谱系数模型，对所述多模态数据进行信号处理，得到归一化多模态数据，具体包括：

针对于各组所述多模态数据，分别确定所述瞳孔扩张数据、所述心率数据以及所述心率变异性数据的各时间序列分布数据；

根据所述时间序列分布数据的预设权重，对所述时间序列分布数据进行分帧预处理，确定所述时间序列分布数据的帧数数据与帧移数据；

根据预设窗函数，对所述帧数数据与帧移数据进行加窗，得到连续信号；

对所述连续信号进行傅里叶变换与梅尔滤波器组处理，建立所述连续信号的频率在指定距离上的映射关系；

对所述映射关系进行余弦变换处理，得到归一化时间序列分布数据；

根据各所述归一化时间序列分布数据，确定所述归一化多模态数据。

4.根据权利要求1所述的方法，其特征在于，所述根据预先构建的知识图谱与所述识别结果，对所述用户进行目标感知技能评估，具体包括：

将识别结果属于新异性刺激的每组多模态数据，标记为反应组；

按照生成各组多模态数据的时间顺序，依次对各组多模态数据进行组合，得到多个组合；其中，每个组合中的组数量相差小于预设阈值；

分别确定所述多个组合中反应组的比例，并根据所述比例确定各组合的反应率；

根据预先构建的决策树与所述各组合的反应率，对所述用户进行目标感知技能评估；其中，通过将各组合的反应率作为节点，将各节点之间的关联作为边，构建决策树。

5.根据权利要求4所述的方法，其特征在于，所述根据预先构建的决策树与所述各组合的反应率，对所述用户进行目标感知技能评估，具体包括：

在所述决策树中，确定第一组合的反应率高于第二组合的反应率，所述第二组合的反应率高于第三组合的反应率；其中，所述第一组合中的各组多模态数据的时间顺序早于所述第二组合中的各组多模态数据的时间顺序，所述第二组合中的各组多模态数据的时间顺序早于所述第三组合中的各组多模态数据的时间顺序；

若所述第一组合的反应率、所述第二组合的反应率以及所述第三组合的反应率越高，则将所述评估结果确定为所述用户的目标感知技能等级越高；所述目标感知技能等级越高，则表示所述用户的目标感知技能越强。

6.根据权利要求5所述的方法，其特征在于，所述若所述第一组合的反应率、所述第二组合的反应率以及所述第三组合的反应率越高，则将所述评估结果确定为所述用户的目标感知技能等级越高，具体包括：

若所述第一组合的反应率高于第一预设阈值，所述第二组合的反应率高于所述第一预设阈值，所述第三组合的反应率高于第二预设阈值，则将所述评估结果确定为所述用户的目标感知技能等级为技能优秀；和/或

若所述第一组合的反应率高于所述第一预设阈值，所述第二组合的反应率高于第三预设阈值，所述第三组合的反应率高于第四预设阈值，则将所述评估结果确定为所述用户的目标感知技能等级为技能良好；所述第三预设阈值低于所述第二预设阈值，所述第四阈值低于所述第三阈值；和/或

若所述第一组合的反应率高于所述第一预设阈值，所述第二组合的反应率高于第五预设阈值，所述第三组合的反应率高于第六预设阈值，则将所述评估结果确定为所述用户的目标感知技能等级为技能合格；所述第五预设阈值低于所述第四预设阈值，所述第六阈值低于所述第五阈值；和/或

若所述第一组合的反应率高于所述第二预设阈值，所述第二组合的反应率低于第七预设阈值，所述第三组合的反应率低于所述第六预设阈值，则将所述评估结果确定为所述用户的目标感知技能等级为技能不合格；所述第七预设阈值高于所述第六预设阈值，且低于所述第五预设阈值。

7.根据权利要求1所述的方法，其特征在于，所述通过预先构建的支持向量机模型与所述归一化多模态数据，识别所述用户在各组的反应是否属于新异性刺激，得到识别结果之前，所述方法还包括：

确定样本用户对应的归一化样本多模态数据；

将所述归一化样本模态数据作为输入数据，将所述归一化样本模态数据的识别结果的二分类变量作为输出数据；所述识别结果包括是否属于新异性刺激；

确定所述输入数据与所述输出数据之间的关联关系；

根据所述输入数据、所述输出数据以及所述关联关系，对所述支持向量机分类器进行训练，直至损失函数最小化；

通过验证集对训练的支持向量机分类器进行验证，在验证通过时，得到所述支持向量机模型。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

所述目标感知技能评估装置包括眼动仪、显示屏、监拍设备；

所述眼动仪与所述显示屏连接，所述眼动仪佩戴于所述用户的头部指定位置，所述显示屏用于显示所述用户交互界面，通过用户佩戴所述眼动仪感知所述用户交互界面，获取所述用户的瞳孔扩张数据；以及

所述监拍设备安装于所述用户所处于位置的预设范围内，通过所述监拍设备获取所述用户的面部图像，根据预设规则，对所述面部图像进行过滤，得到时间变化信号，将所述时间变化信号输入至预设心率识别神经网络模型，得到所述用户的心率数据；

对所述心率数据进行分析，得到所述心率变异性数据。

9.一种特殊行业目标感知技能的敏感性评估装置，其特征在于，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：

通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据；所述多模态数据包括瞳孔扩张数据、心率数据以及心率变异性数据；

通过梅尔频率倒谱系数模型，对所述多模态数据进行信号处理，得到归一化多模态数据；

通过预先构建的支持向量机模型与所述归一化多模态数据，识别所述用户在各组的反应是否属于新异性刺激，得到识别结果；

确定所述用户所处于的指定行业，针对于所述指定行业，根据预先构建的知识图谱与所述识别结果，对所述用户进行目标感知技能评估。

10.一种特殊行业目标感知技能的敏感性评估非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：

通过目标感知技能评估装置，获取用户在预设时长内的各组多模态数据；所述多模态数据包括瞳孔扩张数据、心率数据以及心率变异性数据；

通过梅尔频率倒谱系数模型，对所述多模态数据进行信号处理，得到归一化多模态数据；

通过预先构建的支持向量机模型与所述归一化多模态数据，识别所述用户在各组的反应是否属于新异性刺激，得到识别结果；

确定所述用户所处于的指定行业，针对于所述指定行业，根据预先构建的知识图谱与所述识别结果，对所述用户进行目标感知技能评估。

Images