CN117495547A - 信贷违约预测方法和模型训练方法 - Google Patents

信贷违约预测方法和模型训练方法 Download PDF

Info

Publication number
CN117495547A
CN117495547A CN202311672448.3A CN202311672448A CN117495547A CN 117495547 A CN117495547 A CN 117495547A CN 202311672448 A CN202311672448 A CN 202311672448A CN 117495547 A CN117495547 A CN 117495547A
Authority
CN
China
Prior art keywords
stimulus
user
reflecting
motor imagery
signal
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
Application number
CN202311672448.3A
Other languages
English (en)
Inventor
张程
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.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
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 Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202311672448.3A priority Critical patent/CN117495547A/zh
Publication of CN117495547A publication Critical patent/CN117495547A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • 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
    • A61B5/168—Evaluating attention deficit, hyperactivity
    • 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
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • 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
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Developmental Disabilities (AREA)
  • Psychology (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Economics (AREA)
  • Technology Law (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)

Abstract

本发明公开了一种信贷违约预测方法和模型训练方法，涉及脑电技术领域，包括：获取用户的原始脑电信号；其中，原始脑电信号是用户在响应于预设还款问题的情况下采集的；提取原始脑电信号中的刺激反映特征以及运动想象特征；并根据原始脑电信号确定用户的注意力程度特征；利用预先训练的目标预测模型对用户的注意力程度特征、刺激反映特征以及运动想象特征进行识别处理，得到用户的信贷违约预测结果。本方案可以根据用户的脑电信号中的注意力程度特征、刺激反映特征和运动想象特征进行识别处理，得到信贷违约预测结果。可以提高信贷违约预测结果的准确性。

Description

信贷违约预测方法和模型训练方法
技术领域
本发明涉及脑电技术领域，尤其涉及一种信贷违约预测方法和模型训练方法。
背景技术
为了更好地管控信用风险，需要对用户的信贷违约进行风险评估。
相关技术中，一般根据用户的年收入、贷款记录、违约次数、名下账户数等社会学数据，进行统计学分析或者利用机器学习算法对违约概率进行预测。
但是，上述方式的预测准确性有待进一步提高。例如，有研究表明，30岁以下的人群违约率会更高，而首次贷款和初入社会的人可供参考的数据量较小，相关技术中对于这些人的处理可能会产生误差。
发明内容
本发明提供了一种信贷违约预测方法和模型训练方法，以提高信贷违约预测的准确性。
根据本发明的一方面，提供了一种一种信贷违约预测方法，包括：
获取用户的原始脑电信号；其中，原始脑电信号是用户在响应于预设还款问题的情况下采集的；
提取原始脑电信号中的刺激反映特征以及运动想象特征；并根据原始脑电信号确定用户的注意力程度特征；
利用预先训练的目标预测模型对用户的注意力程度特征、刺激反映特征以及运动想象特征进行识别处理，得到用户的信贷违约预测结果。
根据本发明的另一方面，提供了一种应用于信贷违约预测的模型训练方法，包括：
获取训练数据集，所述训练数据集包括多个待训练脑电信号，所述待训练脑电信号具有标注类型；
提取待训练脑电信号中的刺激反映特征以及运动想象特征；并根据待训练脑电信号确定注意力程度特征；
计算刺激反映特征与运动想象特征之间的相似度；并根据相似度对刺激反映特征与运动想象特征进行处理，得到处理后特征；
采用注意力程度特征和所述处理后特征训练预设模型，得到目标预测模型。
根据本发明的另一方面，提供了一种信贷违约预测装置，包括：
获取单元，用于获取用户的原始脑电信号；其中，原始脑电信号是用户在响应于预设还款问题的情况下采集的；
提取单元，用于提取原始脑电信号中的刺激反映特征以及运动想象特征；并根据原始脑电信号确定用户的注意力程度特征；
预测单元，用于利用预先训练的目标预测模型对用户的注意力程度特征、刺激反映特征以及运动想象特征进行识别处理，得到用户的信贷违约预测结果。
根据本发明的另一方面，提供了一种应用于信贷违约预测的模型训练装置，包括：
获取单元，用于获取训练数据集，所述训练数据集包括多个待训练脑电信号，所述待训练脑电信号具有标注类型；
提取单元，用于提取待训练脑电信号中的刺激反映特征以及运动想象特征；并根据待训练脑电信号确定注意力程度特征；
训练单元，用于计算刺激反映特征与运动想象特征之间的相似度；并根据相似度对刺激反映特征与运动想象特征进行处理，得到处理后特征；
所述训练单元，还用于采用注意力程度特征和所述处理后特征训练预设模型，得到目标预测模型。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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执行本发明任一实施例所述的方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的方法。
本发明实施例的技术方案，可以提取并根据用户的脑电信号中的注意力程度特征、刺激反映特征和运动想象特征，进行识别处理，得到信贷违约预测结果。相比于用户的社会学数据，脑电数据能够更广泛的适配不同人群；用户的脑电数据中的注意力程度特征、刺激反映特征和运动想象特征可以较为准确的反映用户的特点，因此本方案可以提高信贷违约预测结果的准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种信贷违约预测方法的场景图；
图2是根据本发明实施例一提供的一种信贷违约预测方法的流程图；
图3是根据本发明实施例二提供的一种信贷违约预测方法的流程图；
图4是根据本发明实施例三提供的一种应用于信贷违约预测的模型训练方法的流程图；
图5是根据本发明实施例四提供的一种信贷违约预测装置的结构示意图；
图6是根据本发明实施例五提供的一种应用于信贷违约预测的模型训练装置的结构示意图；
图7是实现本发明实施例的方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”、“原始”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种信贷违约预测方法的场景图，如图1所示，可以在银行的柜面或者超级柜台处安装脑机设备，利用脑机设备采集用户的脑电信号，并根据用户的脑电信息进行辅助的用户风险画像，以实现用户的信贷违约预测。
图2是根据本发明实施例一提供的一种信贷违约预测方法的流程图，本实施例可适用于图1所示的场景，该方法可以由电子设备来执行。如图2所示，该方法包括：
步骤201，获取用户的原始脑电信号；其中，原始脑电信号是用户在响应于预设还款问题的情况下采集的。
具体的，预设还款问题可以为用户进行贷款申请时预先根据用户的年龄、职业、收入水平等生成的一份试题，试题内容包括：其年龄生日信息等确认信息，以确保用户答“是”；有明显常识性错误的试题，确保用户答“否”，其填写的个人情况表按项回答是否属实；以及未来各种场景下其还款意图，在无法还款情况下的应对方法等，这些题目交替出现，综合考量用户的智力水平、注意力集中水平、心理状况和真实度水平等。
具体的，在用户进行贷款申请时，银行工作人员在柜台处或者超级柜台处为贷款人佩戴脑电帽，在用户响应于预设还款问题的情况下利用脑电帽采集用户的脑电信号。并记录下用户的答题时间。
步骤202，提取原始脑电信号中的刺激反映特征以及运动想象特征；并根据原始脑电信号确定用户的注意力程度特征。
具体的，原始脑电信号通常会包含噪声，如肌电噪声、眼动噪声等。可以进行数据预处理，通过滤波等方法消除或降低噪声的影响。例如，可以使用带通滤波器去除低频噪声，高通滤波器去除高频噪声，或者使用适应性滤波器，例如Wiener滤波器，以减少噪声的影响。在预处理之后，需要确定哪些部分的数据对应于刺激事件。这可能需要对数据进行分段，并标记每个分段以对应于一个刺激事件。这可以通过人工方式进行，例如观察脑电信号的时序变化，或者通过自动算法进行，例如使用时间序列分析或机器学习技术来检测和分类刺激事件。一旦确定了刺激事件，就可以提取与这些事件相关的特征。例如，可以在事件前后一段时间内测量信号的振幅、频率或波形形状。还可以计算信号的复杂性或规律性，或者测量不同脑区之间的信号同步性，以获取关于大脑对刺激的反应的信息，得到原始脑电信号中的刺激反映特征以及运动想象特征。其中，原始脑电信号中的刺激反映特征用于反映用户对于刺激的注意力和关注程度。原始脑电信号中的运动想象特征用于反映用户在大脑中模拟或者想象某种运动的过程。
具体的，可以利用原始脑电信号计算得到用户在一段时间内，例如脑电信号采集时间内的注意力程度得到用户的注意力程度特征。
步骤203，利用预先训练的目标预测模型对用户的注意力程度特征、刺激反映特征以及运动想象特征进行识别处理，得到用户的信贷违约预测结果。
其中，目标预测模型可以为预先训练的机器学习模型。
具体的，可以将用户的注意力程度特征、刺激反映特征以及运动想象特征输入目标预测模型中，目标预测模型输出用户的信贷违约预测结果。进而可以将该信贷违约预测结果作为信贷违约的辅助预测信息，以降低不良贷款率。
进一步的，还可以将用户的脑电信号和社会学数据相结合，来预测用户的信贷违约概率。
本发明实施例提供的技术方案，可以提取并根据用户的脑电信号中的注意力程度特征、刺激反映特征和运动想象特征，进行识别处理，得到信贷违约预测结果。相比于用户的社会学数据，脑电数据能够更广泛的适配不同人群；用户的脑电数据中的注意力程度特征、刺激反映特征和运动想象特征可以较为准确的反映用户的特点，例如，一个喜欢撒谎和注意力集中度不够的用户相对于比较诚实和专注的用户大概率会有较高的违约概率。因此本方案可以提高信贷违约预测结果的准确性。
实施例二
图3是根据本发明实施例二提供的一种信贷违约预测方法的流程图，本实施例细化了实施例一中的步骤202和步骤203，并增加了对原始脑电信号进行眼电滤波和伪迹滤波处理的特征。如图3所示，该方法包括：
步骤301，获取用户的原始脑电信号；其中，原始脑电信号是用户在响应于预设还款问题的情况下采集的。
步骤301与步骤201的原理实现方式类似，不再赘述。
步骤302，获取用户的眼电信号和静息脑电信号；其中，眼电信号是与原始脑电信号同时采集的；利用眼电信号对原始脑电信号进行眼电滤波处理；利用静息脑电信号对原始脑电信号进行伪迹滤波处理。
步骤302之后可以执行步骤303或者步骤306。
具体的，可以在采集用户的原始脑电信号的同时采集用户的眼电信号。进而可以利用眼电信号对原始脑电信号进行眼电滤波处理。可以在为用户佩戴脑电帽后，且进行答题前，采集一段平静状态下的脑电信号作为静息脑电信号。进而可以利用静息脑电信号对原始脑电信号进行伪迹滤波处理。
在神经科学领域，伪迹指的是脑电信号中与大脑真实活动无关的信号。这些信号可能是由于电极移动、肌肉收缩、心脏跳动等生理活动引起的。在处理脑电信号时，需要将这些伪迹去除，以获得更准确的大脑活动信息。通过对原始脑电信号进行眼电滤波处理和伪迹滤波处理，以尽可能消除原始脑电信号中的伪迹。
步骤303，提取原始脑电信号中的刺激响应信号；其中，刺激响应信号为用户在刺激发生后预设时间内产生的脑电信号。
其中，刺激响应信号可以为刺激发生后100ms至600ms之间的脑电信号。刺激发生后，用户一般需要100ms的响应时间。这里的刺激可以是每一预设还款问题。可以提取原始脑电信号中的刺激响应信号。
步骤304，利用用户的静息脑电信号滤除刺激响应信号中的无关刺激，得到探测刺激信号。
其中，无关刺激指那些在实验中与实验目的无关，但可能会干扰被试的注意力或引起被试的特定反应的刺激。例如，背景音乐、噪音或突然出现的闪光等都可能成为无关刺激。这些刺激可能会影响被试对主要任务的注意力和表现。
其中，探测刺激指那些用来引发被试特定反应或提供关于特定过程信息的刺激。这些刺激通常与实验的目的直接相关，旨在探测或测量特定的心理过程或行为。例如，在感知觉实验中，探测刺激可能包括呈现给被试的各种视觉或听觉刺激。
具体的，可以利用用户的静息脑电信号对刺激响应信号进行处理，以滤除刺激响应信号中的无关刺激，得到探测刺激信号。具体的，可以利用独立样本t检验方法计算静息脑电信号与刺激响应信号之间的相关性，将与静息脑电信号相关性较大的刺激响应信号确定为无关刺激，将与静息脑电信号相关性较小的刺激响应信号确定为探测刺激信号。
步骤305，提取探测刺激信号中的刺激反映特征以及运动想象特征。
步骤305之后，可以执行步骤307。
具体的，可以利用预设方式从探测刺激信号中提取用户的刺激反映特征和运动想象特征。
在一种可实现方式中，将探测刺激信号中与信号采集装置的Fz、Cz和Pz电极对应的信号确定为刺激反映信号；将探测刺激信号中与信号采集装置的F区、P区、C区以及O区对应的信号确定为运动想象信号。
具体的，该信号采集装置可以为128导脑电帽。一般信号采集装置的Fz、Cz和Pz电极对应的信号的P300现象较为明显。一般信号采集装置的F区、P区、C区以及O区对应的信号的运动想象现象较为明显。因此可以将探测刺激信号中与信号采集装置的Fz、Cz和Pz电极对应的信号确定为刺激反映信号；将探测刺激信号中与信号采集装置的F区、P区、C区以及O区对应的信号确定为运动想象信号。
对刺激反映信号进行小波分解处理，得到用户的刺激反映特征；并对运动想象信号进行小波分解处理，得到用户的运动想象特征。
具体的，可以按照时间和频率对刺激反映信号进行小波分解处理，提取小波系数作为用户的刺激反映特征。例如，可以在采样频率为500HZ的情况下，采用6层小波分解对刺激反映信号进行拆分。具体的，可以利用独立样本t检验方法计算各小波系数之间的相关性，并将相关性数值小于预设阈值的小波系数确定为用户的刺激反映特征，以降低刺激反映特征的重复性，进而提高目标预测模型的识别准确性。
类似的，可以按照时间和频率对运动想象信号进行小波分解处理，提取小波系数作为用户的运动想象特征。具体的，可以利用独立样本t检验方法计算各小波系数之间的相关性，并将相关性数值小于预设阈值的小波系数确定为用户的运动想象特征，以降低运动想象特征的重复性，进而提高目标预测模型的识别准确性。
步骤306，对原始脑电信号进行α滤波，得到目标α波；并根据目标α波确定用户的注意力程度特征。
具体的，可以对原始脑电信号进行α滤波，得到目标α波。并根据目标α波确定用户的注意力程度特征，公式如下所示：
其中，P(v)表示用户的注意力程度特征；T表示采集原始脑电信号的采集时长；ut(v)表示目标α波在t时刻的电压值。
步骤307，计算刺激反映特征与运动想象特征之间的相似度；并根据相似度对刺激反映特征与运动想象特征进行处理，得到处理后特征。
具体的，可以根据预设方式计算刺激反映特征与运动想象特征之间的相似度；并根据相似度对刺激反映特征与运动想象特征进行处理，得到处理后特征。
在一种可实现方式中，若相似度大于预设阈值，则去掉刺激反映特征和运动想象特征中的任一个，得到处理后特征；若相似度小于预设阈值，则将刺激反映特征和运动想象特征进行特征融合，得到处理后特征。
具体的，可以从原始脑电信号中提取至少一个不同维度的刺激反映特征，以及至少一个不同维度的运动想象特征。若刺激反应特征和运动想象特征之间的相似度大于预设阈值，则可以表征该刺激反映特征和该运动想象特征相似度较大，为了防止各特征之间重复性较高，造成目标预测模型的识别效果差，则可以去掉刺激反映特征和运动想象特征中的任一个，以去掉重复特征。并将相似度小于预设阈值的刺激反映特征和运动想象特征进行特征融合，得到处理后特征。
步骤308，利用预先训练的目标预测模型对用户的注意力程度特征和处理后特征进行识别处理，得到用户的信贷违约预测结果。
具体的，目标预测模型可以通过如下方式训练得到：
可以获取训练数据集，其中，训练数据集中包括多个待训练脑电信号。待训练数据集可以通过如下方式获取：在被试人同意的前提下，预先收集一批各个年龄、收入等情况的被试人的脑电信号数据，并记录被试人的违约结果。将收集的脑电信号数据作为待训练脑电信号，并将违约结果作为待训练脑电信号的标注类型。标注类型可以包括违约和没有违约两种。
可以提取待训练脑电信号中的刺激反映特征以及运动想象特征；并根据待训练脑电信号确定注意力程度特征。计算刺激反映特征与运动想象特征之间的相似度；并根据相似度对刺激反映特征与运动想象特征进行处理，得到处理后特征。在一种可实现方式中，若相似度大于预设阈值，则去掉刺激反映特征和运动想象特征中的任一个，得到处理后特征；若相似度小于预设阈值，则将刺激反映特征和运动想象特征进行特征融合，得到处理后特征。通过这种方式可以去掉重复性的刺激反映特征或者运动想象特征，以提高模型训练准确性并提高模型训练速度。继而采用注意力程度特征和处理后特征训练预设模型，得到目标预测模型。
本方案可以通过提取贷款人的脑电信号，并通过特定试题对被试者施加探测刺激、无关刺激、靶刺激，诱发其产生各种预想违约情况下的脑电信号，通过分类识别，判断其精神注意力程度、说谎程度，同时考虑到可能有未被发现的特征值，还可以参考脑电信号的通用分类识别方法，通过小波分解直接提取时频特征值，作为分类器输入进行分类，根据分类器结果可以进行离散输出(0-1为违约概率)，或者0-1二分类输出(0为不违约，1为违约)，作为客户辅助的违约概率画像。
实施例三
图4是根据本发明实施例三提供的一种应用于信贷违约预测的模型训练方法的流程图。如图4所示，该方法包括：
步骤401，获取训练数据集，训练数据集包括多个待训练脑电信号，待训练脑电信号具有标注类型。
步骤402，提取待训练脑电信号中的刺激反映特征以及运动想象特征；并根据待训练脑电信号确定注意力程度特征。
步骤403，计算刺激反映特征与运动想象特征之间的相似度；并根据相似度对刺激反映特征与运动想象特征进行处理，得到处理后特征。
步骤404，采用注意力程度特征和处理后特征训练预设模型，得到目标预测模型。
示例性的，本实施例的过程可以参见上述实施例，不再赘述。
实施例四
图5是根据本发明实施例四提供的一种信贷违约预测装置的结构示意图。如图5所示，该装置500包括：
获取单元510，用于获取用户的原始脑电信号；其中，原始脑电信号是用户在响应于预设还款问题的情况下采集的；
提取单元520，用于提取原始脑电信号中的刺激反映特征以及运动想象特征；并根据原始脑电信号确定用户的注意力程度特征；
预测单元530，用于利用预先训练的目标预测模型对用户的注意力程度特征、刺激反映特征以及运动想象特征进行识别处理，得到用户的信贷违约预测结果。
提取单元520，具体用于提取原始脑电信号中的刺激响应信号；其中，刺激响应信号为用户在刺激发生后预设时间内产生的脑电信号；
利用用户的静息脑电信号滤除刺激响应信号中的无关刺激，得到探测刺激信号；
提取探测刺激信号中的刺激反映特征以及运动想象特征。
提取单元520，具体用于将探测刺激信号中与信号采集装置的Fz、Cz和Pz电极对应的信号确定为刺激反映信号；将探测刺激信号中与信号采集装置的F区、P区、C区以及O区对应的信号确定为运动想象信号；
对刺激反映信号进行小波分解处理，得到用户的刺激反映特征；并对运动想象信号进行小波分解处理，得到用户的运动想象特征。
提取单元520，具体用于对原始脑电信号进行α滤波，得到目标α波；并根据目标α波确定用户的注意力程度特征。
获取单元510还用于获取用户的眼电信号和静息脑电信号；其中，眼电信号是与原始脑电信号同时采集的；
提取单元520，还用于利用眼电信号对原始脑电信号进行眼电滤波处理；
利用静息脑电信号对原始脑电信号进行伪迹滤波处理。
预测单元530，具体用于计算刺激反映特征与运动想象特征之间的相似度；并根据相似度对刺激反映特征与运动想象特征进行处理，得到处理后特征；
利用预先训练的目标预测模型对用户的注意力程度特征和处理后特征进行识别处理，得到用户的信贷违约预测结果。
预测单元530，具体用于若相似度大于预设阈值，则去掉刺激反映特征和运动想象特征中的任一个，得到处理后特征；
若相似度小于预设阈值，则将刺激反映特征和运动想象特征进行特征融合，得到处理后特征。
本发明实施例所提供的信贷违约预测装置可执行本发明任意实施例所提供的信贷违约预测方法，具备执行信贷违约预测方法相应的功能模块和有益效果。
实施例五
图6是根据本发明实施例五提供的一种应用于信贷违约预测的模型训练装置的结构示意图。如图6所示，该装置600包括：
获取单元610，用于获取训练数据集，训练数据集包括多个待训练脑电信号，待训练脑电信号具有标注类型；
提取单元620，用于提取待训练脑电信号中的刺激反映特征以及运动想象特征；并根据待训练脑电信号确定注意力程度特征；
训练单元630，用于计算刺激反映特征与运动想象特征之间的相似度；并根据相似度对刺激反映特征与运动想象特征进行处理，得到处理后特征；
训练单元630，还用于采用注意力程度特征和处理后特征训练预设模型，得到目标预测模型。
本发明实施例所提供的应用于信贷违约预测的模型训练装置可执行本发明任意实施例所提供的应用于信贷违约预测的模型训练方法，具备执行应用于信贷违约预测的模型训练方法相应的功能模块和有益效果。
实施例六
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如信贷违约预测方法和应用于信贷违约预测的模型训练方法。
在一些实施例中，上述任一种信贷违约预测方法和应用于信贷违约预测的模型训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的任一种信贷违约预测方法和应用于信贷违约预测的模型训练方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述任一种信贷违约预测方法和应用于信贷违约预测的模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种信贷违约预测方法，其特征在于，包括：
获取用户的原始脑电信号；其中，原始脑电信号是用户在响应于预设还款问题的情况下采集的；
提取原始脑电信号中的刺激反映特征以及运动想象特征；并根据原始脑电信号确定用户的注意力程度特征；
利用预先训练的目标预测模型对用户的注意力程度特征、刺激反映特征以及运动想象特征进行识别处理，得到用户的信贷违约预测结果。
2.根据权利要求1所述的方法，其特征在于，所述提取原始脑电信号中的刺激反映特征以及运动想象特征，包括：
提取原始脑电信号中的刺激响应信号；其中，所述刺激响应信号为用户在刺激发生后预设时间内产生的脑电信号；
利用用户的静息脑电信号滤除刺激响应信号中的无关刺激，得到探测刺激信号；
提取探测刺激信号中的刺激反映特征以及运动想象特征。
3.根据权利要求2所述的方法，其特征在于，所述提取探测刺激信号中的刺激反映特征以及运动想象特征，包括：
将探测刺激信号中与信号采集装置的Fz、Cz和Pz电极对应的信号确定为刺激反映信号；将探测刺激信号中与信号采集装置的F区、P区、C区以及O区对应的信号确定为运动想象信号；
对刺激反映信号进行小波分解处理，得到用户的刺激反映特征；并对运动想象信号进行小波分解处理，得到用户的运动想象特征。
4.根据权利要求1所述的方法，其特征在于，所述利用预先训练的目标预测模型对用户的注意力程度特征、刺激反映特征以及运动想象特征进行识别处理，得到用户的信贷违约预测结果，包括：
计算刺激反映特征与运动想象特征之间的相似度；并根据相似度对刺激反映特征与运动想象特征进行处理，得到处理后特征；
利用预先训练的目标预测模型对用户的注意力程度特征和所述处理后特征进行识别处理，得到用户的信贷违约预测结果。
5.根据权利要求4所述的方法，其特征在于，所述根据相似度对刺激反映特征与运动想象特征进行处理，得到处理后特征，包括：
若相似度大于预设阈值，则去掉刺激反映特征和运动想象特征中的任一个，得到处理后特征；
若相似度小于预设阈值，则将刺激反映特征和运动想象特征进行特征融合，得到处理后特征。
6.一种应用于信贷违约预测的模型训练方法，其特征在于，包括：
获取训练数据集，所述训练数据集包括多个待训练脑电信号，所述待训练脑电信号具有标注类型；
提取待训练脑电信号中的刺激反映特征以及运动想象特征；并根据待训练脑电信号确定注意力程度特征；
计算刺激反映特征与运动想象特征之间的相似度；并根据相似度对刺激反映特征与运动想象特征进行处理，得到处理后特征；
采用注意力程度特征和所述处理后特征训练预设模型，得到目标预测模型。
7.一种信贷违约预测装置，其特征在于，包括：
获取单元，用于获取用户的原始脑电信号；其中，原始脑电信号是用户在响应于预设还款问题的情况下采集的；
提取单元，用于提取原始脑电信号中的刺激反映特征以及运动想象特征；并根据原始脑电信号确定用户的注意力程度特征；
预测单元，用于利用预先训练的目标预测模型对用户的注意力程度特征、刺激反映特征以及运动想象特征进行识别处理，得到用户的信贷违约预测结果。
8.一种应用于信贷违约预测的模型训练装置，其特征在于，包括：
获取单元，用于获取训练数据集，所述训练数据集包括多个待训练脑电信号，所述待训练脑电信号具有标注类型；
提取单元，用于提取待训练脑电信号中的刺激反映特征以及运动想象特征；并根据待训练脑电信号确定注意力程度特征；
训练单元，用于计算刺激反映特征与运动想象特征之间的相似度；并根据相似度对刺激反映特征与运动想象特征进行处理，得到处理后特征；
所述训练单元，还用于采用注意力程度特征和所述处理后特征训练预设模型，得到目标预测模型。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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执行权利要求1-6中任一项所述的方法。
10.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的方法。
CN202311672448.3A 2023-12-07 2023-12-07 信贷违约预测方法和模型训练方法 Pending CN117495547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311672448.3A CN117495547A (zh) 2023-12-07 2023-12-07 信贷违约预测方法和模型训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311672448.3A CN117495547A (zh) 2023-12-07 2023-12-07 信贷违约预测方法和模型训练方法

Publications (1)

Publication Number Publication Date
CN117495547A true CN117495547A (zh) 2024-02-02

Family

ID=89676543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311672448.3A Pending CN117495547A (zh) 2023-12-07 2023-12-07 信贷违约预测方法和模型训练方法

Country Status (1)

Country Link
CN (1) CN117495547A (zh)

Similar Documents

Publication Publication Date Title
CN107095669A (zh) 一种癫痫患者脑电信号的处理方法及系统
US20230352180A1 (en) Atrial fibrillation risk prediction system based on heartbeat rhythm signals and application thereof
CN114190897B (zh) 睡眠分期模型的训练方法、睡眠分期方法及装置
CN114343577B (zh) 认知功能评价方法、终端设备以及计算机可读存储介质
CN111568412A (zh) 一种利用脑电信号重建视觉图像的方法及装置
CN115067910A (zh) 一种心率变异性压力检测方法、装置、存储介质以及系统
CN115937953A (zh) 心理变化检测方法、装置、设备及存储介质
CN114723494A (zh) 问卷处理结果的有效性判断方法、装置、设备及存储介质
Schmidt et al. No evidence of nonlinear or chaotic behavior of cardiovascular murmurs
CN116649980B (zh) 基于人工智能的情绪监测方法、系统、设备及存储介质
CN118098581A (zh) 情绪状态的监测方法及系统
CN115966314B (zh) 一种数据处理方法、装置、电子设备及存储介质
Shao et al. Multi-damage feature extraction and diagnosis of a gear system based on higher order cumulant and empirical mode decomposition
CN117495547A (zh) 信贷违约预测方法和模型训练方法
CN113069115B (zh) 一种情绪识别方法、电子设备及存储介质
Jabbar et al. Liver fibrosis processing, multiclassification, and diagnosis based on hybrid machine learning approaches
CN118315072B (zh) 用于神经发育障碍功能评估的眼动数据分析方法及系统
WO2024103402A1 (zh) 基于视觉诱发脑电和深度学习的戒毒后复吸风险评估方法
CN117257303B (zh) 一种焦虑检测方法、装置、电子设备及存储介质
CN102543072A (zh) 一种疲劳实时检测系统及方法
Han et al. Analysis of complex time series using a modified multiscale fuzzy entropy algorithm
Wu et al. Epileptic high-frequency oscillations: detection and classification
Yang et al. Automatic Detection of Sleep Spindles and its Application in Patients with Acute Disorders of Consciousness
Neto et al. Automatic detection of cardiac arrhythmias using wavelets, neural networks and particle swarm optimization
CN117894465A (zh) 一种基于物联网和大数据的养老信息规划方法及系统

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