CN116058841B - 基于皮电波的心理测试自动评分方法 - Google Patents

基于皮电波的心理测试自动评分方法 Download PDF

Info

Publication number
CN116058841B
CN116058841B CN202310007275.7A CN202310007275A CN116058841B CN 116058841 B CN116058841 B CN 116058841B CN 202310007275 A CN202310007275 A CN 202310007275A CN 116058841 B CN116058841 B CN 116058841B
Authority
CN
China
Prior art keywords
scoring
skin
score
wave
probability
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
Application number
CN202310007275.7A
Other languages
English (en)
Other versions
CN116058841A (zh
Inventor
赵健
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.)
Beijing Vulcan Yongchuang Technology Co ltd
Original Assignee
Beijing Vulcan Yongchuang Technology Co ltd
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 Beijing Vulcan Yongchuang Technology Co ltd filed Critical Beijing Vulcan Yongchuang Technology Co ltd
Priority to CN202310007275.7A priority Critical patent/CN116058841B/zh
Publication of CN116058841A publication Critical patent/CN116058841A/zh
Application granted granted Critical
Publication of CN116058841B publication Critical patent/CN116058841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/164—Lie detection
    • 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
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Power Engineering (AREA)
  • Educational Technology (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种自动评分方法，尤其为基于皮电波的心理测试自动评分方法，包括：评分规则设置和选择测试范式进行测试；所述测试范式包括情节类测试法和准绳类测试法；所述评分规则设置步骤中，对于所述情节类测试法和准绳类测试法，均设置有数值评分规则和概率评分规则。本发明提高了评分精度；自动检测皮电的特征值，自动为皮电对不同测试范式的结果进行评分；增加测试人员可自定义各指标多特征的评分比重的选型；增加皮电波峰面积和单脉搏波周期形态特征和脉搏波包络线特征，并参与自动评分；增加概率评分输出；增加动作干扰检测和过滤。

Description

基于皮电波的心理测试自动评分方法
技术领域
本发明涉及一种自动评分方法，尤其是基于皮电波的心理测试自动评分方法。
背景技术
心理测试技术的测试目标是个体说谎时所引发的不同于说实话时的独特心理和生理反应来推断其是否在某些事实上有所隐瞒。被测人在进行心理测试(测谎)的时候有说谎的表现，那么就会因紧张、害怕、恐惧等消极情绪而引发生理反应，通过皮电传感器可捕获这种异常的生理反应，最终识别被测人说谎的可能性。现有技术方案中，心理测试(测谎)主要包括两种测试范式：情节测试法和准绳测试法。针对皮肤电的指标，现有系统的评分方法评分精度低，无法精确量化测试结果，过度依赖测试人员的个人能力；评分过程自动化程度低，靠人工测量评分；评分规则不能自定义，适用性差；对评分指标特征没有细化，特征指标相对单一；评分结果不够直观，没有输出说谎概率；且没有自动去除动作干扰对皮电波和皮电评分结果的影响。
发明内容
本发明的目的是通过提出基于皮电波的心理测试自动评分方法，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供基于皮电波的心理测试自动评分方法，包括：评分规则设置和选择测试范式进行测试；所述测试范式包括情节类测试法和准绳类测试法；所述评分规则设置步骤中，对于所述情节类测试法和准绳类测试法，均设置有数值评分规则和概率评分规则。
作为本发明的一种优选技术方案：所述情节类测试法和准绳类测试法步骤中，均包括如下步骤：
S1.1：提问并采集皮电波信号；
S1.2：检查问题是否已问完，问题未问完则继续提问并采集皮电波信号；
S1.3：检查问题已问完时，进行皮电波特征提取，其中，皮电波特征包括每个问题周期皮电的波峰波谷差值、每个问题周期皮电的波峰面积和每个问题周期皮电的波峰上升速度三种特征；
S1.4：提取动作干扰信号，过滤有动作干扰的问题。
作为本发明的一种优选技术方案：所述S1.4完成后，所述情节类测试法步骤如下：
S2.1：将问题按各特征值排序；
S2.2：基于设定评分规则，给每个问题按三种特征分别打分；
S2.3：基于设定权值，计算本轮测试中每个问题的综合评分；
S2.4：检查每个轮次是否已完成，若未完成则继续提问，若已完成则计算每个问题所有轮次的综合数值评分；
S2.5：计算每个问题的综合概率评分；
所述准绳类测试法步骤如下：
S3.1：根据设定的规则，为每个R问题配对C问题；
S3.2：基于设定的评分规则，为每个(R,C)问题对中的R，分别计算三种特征的评分；
S3.3：基于设定的评分规则，计算每个R问题针对三种特征的综合评分；
S3.4：检查所有轮次是否已完成若未完成则继续提问，若已完成则计算每个R问题的综合数值评分；
S3.5：计算每个R问题的综合概率评分。
作为本发明的一种优选技术方案：所述皮电波特征的三种特征自动检测步骤如下：
S4.1：读取皮电数据；
S4.2：低通滤波去除皮电数据中的杂波；
S4.3：根据问题的起始结束时间，将皮电数据分成与问题对应的片段，同时读取每个问题起始时间、结束时间和10秒时间；
S4.4：通过差分过零点的方法，提取每个问题片段数据的波峰和波谷位置；
S4.5：小于波峰时间和小于10秒的交集范围内的波谷为问题对应波谷；
S4.6：问题中波峰与波谷的高度差为波峰高度；
S4.7：从波谷到波峰之间的时间为问题对应的皮电上升时间；
S4.8：波峰高度除以皮电上升时间为皮电上升速度；
S4.9：信号与波谷的差在皮电上升时间内的积分为问题对应波峰面积。
作为本发明的一种优选技术方案：所述皮电评分规则设置方法中，所述情节类测试法的数值评分步骤中，设定评分范围，再分别设定皮电特征的波峰波谷差、波峰面积和波峰上升速度三种特征的评分占比以及对应特征排名划分规则；所述情节类测试法的概率评分步骤中，分别设定依据三种特征，说谎概率为50％的评分值。
作为本发明的一种优选技术方案：所述准绳类测试法的数值评分步骤中，设定评分范围，比对准绳问题的选择，分别设定三种特征的评分占比以及该特征R/C值的分段规则；所述准绳类测试法的概率评分步骤中，分别设定三种特征，说谎概率为50％的R/C值。
作为本发明的一种优选技术方案：所述皮电特征的概率评分算法步骤如下：
输入皮电的第i种特征Fi对某个问题Q的数值评分Vi(i＝1,2,3)；设定三种皮电特征的评分权值为：α1，α2，α3；特征Fi的最大数值评分Vimax和说谎概率为50％的数值评分Vi50；极大常数C＝1000000；根据sigmoid函数得到：
其中，P(x)为问题x的评分，e为数学常量，f(x)为对于问题x评分的线性函数；
设定关于第i种特征评分Vi的线性函数fi(x)＝a*x+b，x为特征Fi的数值评分，即Vi；
根据设定的概率评分为50％的规则得到：
a*Vi50+b＝0
根据设定的分值评分规则得到：
a*Vimax+b＝1,000,000
联立上式求出a和b；
将Vi代入sigmoid函数，求得P(Vi)；
将三种特征的概率评分加权求和，得到该问题的评分：
输出问题Q的概率评分P(Q)。
作为本发明的一种优选技术方案：所述S1.4分别包括训练步骤和测试步骤；所述训练步骤中，通过人工标注样本数据，提取皮电特征的6轴动作信号，再训练线性识别模型，输出加权模型；所述测试步骤中，进行提问，通过皮电传感器采集信号，提取6轴动作传感器采集信号，输入至加权模型中，判断是否存在干扰，当存在干扰时，过滤该问题，当不存在干扰时，对该问题进行评分，检查提问是否结束，提问未结束则继续提问，提问已结束则结束测试步骤。
作为本发明的一种优选技术方案：所述6轴动作信号和6轴动作传感器采集信号均为X轴平移、X轴转动、Y轴平移、Y轴转动、Z轴平移、Z轴转动6轴信号。
作为本发明的一种优选技术方案：所述加权模型如下：
F(x)＝a1*x1+a2*x2+b1*y1+b2*y2+c1*z1+c2*z2+t
其中，x1为X轴平移量，x2为X轴转动量，y1为Y轴平移量，y2为Y轴转动量，z1为Z轴平移量，z2为Z轴转动量；a1，a2，b1，b2，c1，c2，t为模型参数；F(*)输出为0则表示无干扰，输出为1则表示有干扰。
本发明提供的基于皮电波的心理测试自动评分方法，与现有技术相比，其有益效果有：
1、提高了评分精度；将现有皮电、血压(脉搏波)和呼吸的评分精度从1.0提高到0.1；
2、自动检测皮电的特征值，自动为皮电对不同测试范式的结果进行评分；设计皮电特征自动检测专用算法，自动检测皮电在单个测试问题周期内的波峰点和波谷点，自动计算峰谷差；自动监测皮电波在有效时间区间的波峰面积；自动监测皮电波在有效时间区间的上升速度。根据检测到的皮电波的各特征指标，按照预设的针对不同测试范式的评分规则，自动为每次测试结果进行自动评分。
3、增加测试人员可自定义各指标多特征的评分比重的选型；增加自定义评分功能，支持测试人员设置皮电指标的数值评分区间、各自特征的权重占比、概率评分的50％的评分值、采用准绳测试法时，准绳问题的选择以及相关问题和准绳问题反应强度比值的评分阈值等。
4、增加皮电波峰面积和单脉搏波周期形态特征和脉搏波包络线特征，并参与自动评分；皮电波峰面积的大小常常和被测人的情绪唤醒深度相关，特别是当两个测试问题上的皮电峰谷差相差不大，而波峰面积有较大差别时，可以揭示被测人在特定问题上有较深的情绪记忆或者联想记忆，应给该问题基于赋予更大的分值。脉搏波的单个周期反应了被测人心血管在刺激情况下的收缩情况，当被测人紧张时，其单个脉搏周期的下降支形态会发生改变，同时在整个问题周期内其包络线形态也会发生改变。分析这两种特征对被测人在特定问题上的情绪异常检测有较大的帮助。
5、增加概率评分输出；采用sigmoid函数，将数值评分转化为概率评分。
6、增加动作干扰检测和过滤；通过6轴动作传感器提取6个运动量，然后建立干扰识别模型，利用人工标柱的训练样本对模型进行训练学习，得到模型参数。测试时通过该模型识别是否有干扰，如果有则过滤该问题。
附图说明
图1为本发明优选实施例的皮电测谎自动评分流程图；
图2为本发明优选实施例中皮电评分规则设置方法流程图；
图3为本发明优选实施例中三种皮电波特征的自动检测流程图；
图4为本发明优选实施例中动作干扰的自动检测和过滤图。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
参照图1-4，本发明优选实施例提供了基于皮电波的心理测试自动评分方法，包括：评分规则设置和选择测试范式进行测试；所述测试范式包括情节类测试法和准绳类测试法；所述评分规则设置步骤中，对于所述情节类测试法和准绳类测试法，均设置有数值评分规则和概率评分规则。
所述情节类测试法和准绳类测试法步骤中，均包括如下步骤：
S1.1：提问并采集皮电波信号；
S1.2：检查问题是否已问完，问题未问完则继续提问并采集皮电波信号；
S1.3：检查问题已问完时，进行皮电波特征提取，其中，皮电波特征包括每个问题周期皮电的波峰波谷差值、每个问题周期皮电的波峰面积和每个问题周期皮电的波峰上升速度三种特征；
S1.4：提取动作干扰信号，过滤有动作干扰的问题。
所述S1.4完成后，所述情节类测试法步骤如下：
S2.1：将问题按各特征值排序；
S2.2：基于设定评分规则，给每个问题按三种特征分别打分；
S2.3：基于设定权值，计算本轮测试中每个问题的综合评分；
S2.4：检查每个轮次是否已完成，若未完成则继续提问，若已完成则计算每个问题所有轮次的综合数值评分；
S2.5：计算每个问题的综合概率评分；
所述准绳类测试法步骤如下：
S3.1：根据设定的规则，为每个R问题配对C问题；
S3.2：基于设定的评分规则，为每个(R,C)问题对中的R，分别计算三种特征的评分；
S3.3：基于设定的评分规则，计算每个R问题针对三种特征的综合评分；
S3.4：检查所有轮次是否已完成若未完成则继续提问，若已完成则计算每个R问题的综合数值评分；
S3.5：计算每个R问题的综合概率评分。
所述皮电波特征的三种特征自动检测步骤如下：
S4.1：读取皮电数据；
S4.2：低通滤波去除皮电数据中的杂波；
S4.3：根据问题的起始结束时间，将皮电数据分成与问题对应的片段，同时读取每个问题起始时间、结束时间和10秒时间；
S4.4：通过差分过零点的方法，提取每个问题片段数据的波峰和波谷位置；
S4.5：小于波峰时间和小于10秒的交集范围内的波谷为问题对应波谷；
S4.6：问题中波峰与波谷的高度差为波峰高度；
S4.7：从波谷到波峰之间的时间为问题对应的皮电上升时间；
S4.8：波峰高度除以皮电上升时间为皮电上升速度；
S4.9：信号与波谷的差在皮电上升时间内的积分为问题对应波峰面积。
所述皮电评分规则设置方法中，所述情节类测试法的数值评分步骤中，设定评分范围，再分别设定皮电特征的波峰波谷差、波峰面积和波峰上升速度三种特征的评分占比以及对应特征排名划分规则；所述情节类测试法的概率评分步骤中，分别设定依据三种特征，说谎概率为50％的评分值。
所述准绳类测试法的数值评分步骤中，设定评分范围，比对准绳问题的选择，分别设定三种特征的评分占比以及该特征R/C值的分段规则；所述准绳类测试法的概率评分步骤中，分别设定三种特征，说谎概率为50％的R/C值。
所述皮电特征的概率评分算法步骤如下：
输入皮电的第i种特征Fi对某个问题Q的数值评分Vi(i＝1,2,3)；设定三种皮电特征的评分权值为：α1，α2，α3；特征Fi的最大数值评分Vimax和说谎概率为50％的数值评分Vi50；极大常数C＝1000000；根据sigmoid函数得到：
其中，P(x)为问题x的评分，e为数学常量，f(x)为对于问题x评分的线性函数；
设定关于第i种特征评分Vi的线性函数fi(x)＝a*x+b，x为特征Fi的数值评分，即Vi；
根据设定的概率评分为50％的规则得到：
a*Vi50+b＝0
根据设定的分值评分规则得到：
a*Vimax+b＝1,000,000
联立上式求出a和b；
将Vi代入sigmoid函数，求得P(Vi)；
将三种特征的概率评分加权求和，得到该问题的评分：
输出问题Q的概率评分P(Q)。
所述S1.4分别包括训练步骤和测试步骤；所述训练步骤中，通过人工标注样本数据，提取皮电特征的6轴动作信号，再训练线性识别模型，输出加权模型；所述测试步骤中，进行提问，通过皮电传感器采集信号，提取6轴动作传感器采集信号，输入至加权模型中，判断是否存在干扰，当存在干扰时，过滤该问题，当不存在干扰时，对该问题进行评分，检查提问是否结束，提问未结束则继续提问，提问已结束则结束测试步骤。
所述6轴动作信号和6轴动作传感器采集信号均为X轴平移、X轴转动、Y轴平移、Y轴转动、Z轴平移、Z轴转动6轴信号。
所述加权模型如下：
F(x)＝a1*x1+a2*x2+b1*y1+b2*y2+c1*z1+c2*z2+t
其中，x1为X轴平移量，x2为X轴转动量，y1为Y轴平移量，y2为Y轴转动量，z1为Z轴平移量，z2为Z轴转动量；a1，a2，b1，b2，c1，c2，t为模型参数；F(x)输出为0则表示无干扰，输出为1则表示有干扰。
本实施例中，以向被测人提问十个问题为例，选取情节类测试法以及概率评分法进行评分。
向被测人提问设置的十个问题，设提问至第七个问题，采集被测人的皮电波信号，并进行皮电波特征提取，包括提取每个问题周期皮电的波峰波谷差值、每个问题周期皮电的波峰面积和每个问题周期皮电的波峰上升速度。
通过提取皮电数据，低通滤波去除皮电数据中的杂波；根据问题的起始结束时间，将皮电数据分成若干与问题对应的片段，同时读取每个问题起始时间、结束时间和10秒时间；通过差分过零点的方法，提取每个问题片段数据的波峰和波谷位置；小于波峰时间和小于10秒的交集范围内的波谷为问题对应波谷；问题中波峰与波谷的高度差为波峰高度；从波谷到波峰之间的时间为问题对应的皮电上升时间；波峰高度除以皮电上升时间为皮电上升速度；信号与波谷的差在皮电上升时间内的积分为问题对应波峰面积。
通过皮电传感器提取动作干扰信号，提取X轴平移、X轴转动、Y轴平移、Y轴转动、Z轴平移、Z轴转动6轴动作传感器采集信号，输入至加权模型中，
F(x)＝a1*x1+a2*x2+b1*y1+b2*y2+c1*z1+c2*z2+t
其中，x1为X轴平移量，x2为X轴转动量，y1为Y轴平移量，y2为Y轴转动量，z1为Z轴平移量，z2为Z轴转动量；a1，a2，b1，b2，c1，c2，t为模型参数；F(x)输出为0则表示无干扰，输出为1则表示有干扰。
根据F(x)输出值判断是否存在干扰，当存在干扰时，过滤该问题，当不存在干扰时，则继续提问。十个问题提问结束后，输入皮电的第i种特征Fi对某个问题Q的数值评分Vi(i＝1,2,3)；设定三种皮电特征的评分权值为：α1，α2，α3；特征Fi的最大数值评分Vimax和说谎概率为50％的数值评分Vi50；极大常数C＝1000000；根据sigmoid函数得到：
其中，P(x)为问题x的评分，e为数学常量，f(x)为对于问题x评分的线性函数；
设定关于第i种特征评分Vi的线性函数fi(x)＝a*x+b，x为特征Fi的数值评分，即Vi；
根据设定的概率评分为50％的规则得到：
a*Vi50+b＝0
根据设定的分值评分规则得到：
a*Vimax+b＝1,000,000
联立上式求出a和b；
将Vi代入sigmoid函数，求得P(Vi)；
将三种特征的概率评分加权求和，得到该问题的评分：
输出问题Q的概率评分P(Q)，即为该问题的综合概率评分。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (4)

1.基于皮电波的心理测试自动评分方法，其特征在于：包括：评分规则设置和选择测试范式进行测试；所述测试范式包括情节类测试法和准绳类测试法；所述评分规则设置步骤中，对于所述情节类测试法和准绳类测试法，均设置有数值评分规则和概率评分规则；
情节类测试法和准绳类测试法步骤中，均包括如下步骤：
S1.1：提问并采集皮电波信号；
S1.2：检查问题是否已问完，问题未问完则继续提问并采集皮电波信号；
S1.3：检查问题已问完时，进行皮电波特征提取，其中，皮电波特征包括每个问题周期皮电的波峰波谷差值、每个问题周期皮电的波峰面积和每个问题周期皮电的波峰上升速度三种特征；
S1.4：提取动作干扰信号，过滤有动作干扰的问题；
所述S1.4完成后，所述情节类测试法步骤如下：
S2.1：将问题按各特征值排序；
S2.2：基于设定评分规则，给每个问题按三种特征分别打分；
S2.3：基于设定权值，计算本轮测试中每个问题的综合评分；
S2.4：检查每个轮次是否已完成，若未完成则继续提问，若已完成则计算每个问题所有轮次的综合数值评分；
S2.5：计算每个问题的综合概率评分；
准绳类测试法步骤如下：
S3.1：根据设定的规则，为每个R问题配对C问题；
S3.2：基于设定的评分规则，为每个(R,C)问题对中的R，分别计算三种特征的评分；
S3.3：基于设定的评分规则，计算每个R问题针对三种特征的综合评分；
S3.4：检查所有轮次是否已完成若未完成则继续提问，若已完成则计算每个R问题的综合数值评分；
S3.5：计算每个R问题的综合概率评分；
皮电波特征的三种特征自动检测步骤如下：
S4.1：读取皮电数据；
S4.2：低通滤波去除皮电数据中的杂波；
S4.3：根据问题的起始结束时间，将皮电数据分成与问题对应的片段，同时读取每个问题起始时间、结束时间和10秒时间；
S4.4：通过差分过零点的方法，提取每个问题片段数据的波峰和波谷位置；
S4.5：小于波峰时间和小于10秒的交集范围内的波谷为问题对应波谷；
S4.6：问题中波峰与波谷的高度差为波峰高度；
S4.7：从波谷到波峰之间的时间为问题对应的皮电上升时间；
S4.8：波峰高度除以皮电上升时间为皮电上升速度；
S4.9：信号与波谷的差在皮电上升时间内的积分为问题对应波峰面积；
评分规则设置方法中，所述情节类测试法的数值评分步骤中，设定评分范围，再分别设定皮电特征的波峰波谷差、波峰面积和波峰上升速度三种特征的评分占比以及对应特征排名划分规则；所述情节类测试法的概率评分步骤中，分别设定依据三种特征，说谎概率为50％的评分值；
准绳类测试法的数值评分步骤中，设定评分范围，比对准绳问题的选择，分别设定三种特征的评分占比以及该特征R/C值的分段规则；所述准绳类测试法的概率评分步骤中，分别设定三种特征，说谎概率为50％的R/C值；
皮电特征的概率评分算法步骤如下：
输入皮电的第i种特征Fi对某个问题Q的数值评分Vi(i＝1,2,3)；设定三种皮电特征的评分权值为：α1，α2，α3；特征Fi的最大数值评分Vimax和说谎概率为50％的数值评分Vi50；极大常数C＝1000000；根据sigmoid函数得到：
其中，P(x)为问题x的概率评分，e为数学常量，f(x)为对于问题x评分的线性函数；
设定关于第i种特征评分Vi的线性函数fi(x)＝a*x+b，x为特征Fi的数值评分，
即Vi；
根据设定的概率评分为50％的规则得到：
a*Vi50+b＝0
根据设定的分值评分规则得到：
a*Vimax+b＝1,000,000
联立上式求出a和b；
将Vi代入sigmoid函数，求得P(Vi)，为第i种特征评分Vi的概率评分；
将三种特征的概率评分加权求和，得到该问题的评分：
输出问题Q的概率评分P(Q)。
2.根据权利要求1所述的基于皮电波的心理测试自动评分方法，其特征在于：所述S1.4分别包括训练步骤和测试步骤；所述训练步骤中，通过人工标注样本数据，提取皮电特征的6轴动作信号，再训练线性识别模型，输出加权模型；所述测试步骤中，进行提问，通过皮电传感器采集信号，提取6轴动作传感器采集信号，输入至加权模型中，判断是否存在干扰，当存在干扰时，过滤该问题，当不存在干扰时，对该问题进行评分，检查提问是否结束，提问未结束则继续提问，提问已结束则结束测试步骤。
3.根据权利要求2所述的基于皮电波的心理测试自动评分方法，其特征在于：所述6轴动作信号和6轴动作传感器采集信号均为X轴平移、X轴转动、Y轴平移、Y轴转动、Z轴平移、Z轴转动6轴信号。
4.根据权利要求3所述的基于皮电波的心理测试自动评分方法，其特征在于：所述加权模型如下：
F(x)＝a1*x1+a2*x2+b1*y1+b2*y2+c1*z1+c2*z2+t
其中，x1为X轴平移量，x2为X轴转动量，y1为Y轴平移量，y2为Y轴转动量，z1为Z轴平移量，z2为Z轴转动量；a1，a2，b1，b2，c1，c2，t为模型参数；F(x)输出为0则表示无干扰，输出为1则表示有干扰。
CN202310007275.7A 2023-01-04 2023-01-04 基于皮电波的心理测试自动评分方法 Active CN116058841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310007275.7A CN116058841B (zh) 2023-01-04 2023-01-04 基于皮电波的心理测试自动评分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310007275.7A CN116058841B (zh) 2023-01-04 2023-01-04 基于皮电波的心理测试自动评分方法

Publications (2)

Publication Number Publication Date
CN116058841A CN116058841A (zh) 2023-05-05
CN116058841B true CN116058841B (zh) 2023-09-19

Family

ID=86171069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310007275.7A Active CN116058841B (zh) 2023-01-04 2023-01-04 基于皮电波的心理测试自动评分方法

Country Status (1)

Country Link
CN (1) CN116058841B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104173064A (zh) * 2014-09-04 2014-12-03 西双版纳生物医学研究院 基于心率变异分析的测谎方法及测谎装置
CN205493808U (zh) * 2016-01-29 2016-08-24 赵俊姣 一种心理健康检测与控制系统
WO2019109530A1 (zh) * 2017-12-08 2019-06-13 深圳壹账通智能科技有限公司 情绪识别方法、装置及存储介质
CN110600120A (zh) * 2019-07-26 2019-12-20 浙江迪安证鉴检测技术有限公司 基于贝叶斯理论的系统测试及图谱分析方法
WO2022257630A1 (zh) * 2021-06-11 2022-12-15 深圳般若计算机系统股份有限公司 基于多模态隐匿信息测试的风险检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104173064A (zh) * 2014-09-04 2014-12-03 西双版纳生物医学研究院 基于心率变异分析的测谎方法及测谎装置
CN205493808U (zh) * 2016-01-29 2016-08-24 赵俊姣 一种心理健康检测与控制系统
WO2019109530A1 (zh) * 2017-12-08 2019-06-13 深圳壹账通智能科技有限公司 情绪识别方法、装置及存储介质
CN110600120A (zh) * 2019-07-26 2019-12-20 浙江迪安证鉴检测技术有限公司 基于贝叶斯理论的系统测试及图谱分析方法
WO2022257630A1 (zh) * 2021-06-11 2022-12-15 深圳般若计算机系统股份有限公司 基于多模态隐匿信息测试的风险检测方法及装置

Also Published As

Publication number Publication date
CN116058841A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
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
CN109864714A (zh) 一种基于深度学习的心电信号分析方法
CN111248928A (zh) 压力识别方法及装置
CN114391846B (zh) 一种基于过滤式特征选择的情绪识别方法及系统
CN113197579A (zh) 一种基于多模态信息融合的智能心理评估方法及系统
CN107918487A (zh) 一种基于皮肤电信号识别中文情感词的方法
CN108175436A (zh) 一种肠鸣音智能自动识别方法
CN105011949B (zh) 一种自动化测试的方法及装置
CN111462082A (zh) 一种病灶图片识别装置、方法、设备及可读存储介质
CN114159079B (zh) 基于特征提取和gru深度学习模型的多类型肌肉疲劳检测方法
CN116058841B (zh) 基于皮电波的心理测试自动评分方法
CN114469089A (zh) 基于虚拟现实技术的多模态数据抗压能力测评方法及系统
CN116616709A (zh) 基于非静止状态下多通道视频的工作记忆负荷评估方法
CN113729708B (zh) 一种基于眼动技术的谎言评判方法
CN111714089A (zh) 一种基于多刺激短视频事件相关电位的毒瘾评估系统
CN116013524B (zh) 基于呼吸波的心理测试自动评分方法
CN108388846B (zh) 基于典型相关分析的脑电α波检测识别方法
CN116013523B (zh) 基于脉搏波的心理测试自动评分方法
CN112603264B (zh) 基于脑前额叶皮层的味觉信息采集与特征分析方法及系统
Al-Mulla et al. Predicting the time to localized muscle fatigue using ANN and evolved sEMG feature
CN113303797A (zh) 一种基于erp快速筛查抑郁症特征的辅助诊断方法
Zhang et al. Research on lung sound classification model based on dual-channel CNN-LSTM algorithm
CN113470787B (zh) 基于神经网络的情绪识别与脱敏训练效果评估方法
Vianne et al. A Promising Approach to Detect Signs of Apathy from a Single Tri-axial Accelerometer
CN118044813B (zh) 基于多任务学习的心理健康状况评估方法及系统

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