一种基于脑电采集的人格特征匹配系统技术方案

本发明专利技术涉及特殊岗位性格匹配技术领域，具体涉及一种基于脑电采集的人格特征匹配系统，包括：脑电采集模块、人格特征问卷模块和机器学习算法模块；所述脑电采集模块与人格特征问卷模块分别用于采集脑电信号与人格特征信号；所述机器学习算法模块用于接收脑电信号与人格特征信号并建立特定人群的人格特征与脑电生理特征模型；本方案结合人格倾向测评结果、答题反应时和静息态脑电测量结果，通过人工智能机器学习算法，对于优秀的候选人和严重的人格障碍患者的主观和客观测量指标进行数学建模，从而提高优秀岗位胜任者的选拔命中率。

【技术实现步骤摘要】
一种基于脑电采集的人格特征匹配系统
本专利技术涉及特殊岗位性格匹配
，具体涉及专利技术一种基于脑电采集的人格特征匹配系统。
技术介绍
传统的特殊岗位选拔是基于人格倾向问卷调查，现有的人格障碍倾向筛查方法主要采用成套的自陈式问卷测试或通过案例的质性分析，如人格障碍筛查测试(PDQ-4+)、DSM-IV中主要精神障碍的诊断标准；此类人格障碍倾向筛查技术存在以下四点缺陷和不足：1.理论模型：现有测验工具的理论模型针对的是已经具有的人格障碍特征，而不是人格障碍的潜在倾向；另外，所有这些理论模型都是基于美国心理学家针对美国人的人格障碍特征进行，是基于美国文化和美国人特有的人格特质；因此，该相应理论模型显然不具有科学性和普遍性。2.测试方式：现有测验方法建立在自陈式问卷基础上，这种方式使得受试者的测验结果具有较强的社会赞许性，同时，成套的测验很容易让受试者通过其他途径实现获得，从而加以分析总结，导致测验的结果并不可靠。3.评价指标：以往人格障碍倾向选拔测验的评价指标均采用单一的行为反应，即通过问卷得分高低来反应被试者的人格障碍倾向；这种评价指标过于粗放，很难识别测试过程中被试的真实心理状态，无法监控被试者的生理状况和脑电活动。4.评价标准：现有的心理选拔评价标准是建立在测验常模的基础上，这种心理测量采用统计学方法构建量表的常模，在常模和取置信区间的基础上制定量表的正常范围，超出正常范围值则判定为不正常；而测验常模的准确性需要大量的样本数量，同时还存在着评估区间僵化、评估误差大等技术局限，并且无法对于新测量的样本进行准确预测。可见，现有人格障碍倾向的筛查技术因其理论取向、评价指标、测试手段以及测试标准等方面的固有局限很难有效地淘汰具有潜在人格障碍倾向的候选者。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术提供了一种基于脑电采集的人格特征匹配系统；本专利技术要解决的技术问题通过以下技术方案实现：一种基于脑电采集的人格特征匹配系统，包括：脑电采集模块、人格特征问卷模块和机器学习算法模块；所述脑电采集模块与人格特征问卷模块分别用于采集脑电信号与人格特征信号；所述机器学习算法模块用于接收脑电信号与人格特征信号并建立特定人群的人格特征与脑电生理特征模型。进一步的，所述脑电采集模块包括干电极与放大器组合集成的有源脑电电极完成脑电信号的采集和放大，再经过导线传输到脑电采集板，脑电采集板将采集信号串口连接发送至上位机。进一步的，所述脑电采集板包括AK5381芯片与STM32F407芯片，AK5381芯片通过SPI通信连接STM32F407芯片。进一步的，所述人格特征问卷模块通过前期心理学实验结果研究论证后的30道题目，采用B/S软件架构实现多人同时进行人格测评。进一步的，所述机器学习算法模块包括脑电源定位模块与模型构建模块。进一步的，所述脑电源定位模块是基于matlab环境的脑电源定位软件，将静息态fMRI研究得到的8个大尺度功能网络的空间分布作为先验信息，求出比传统的最小模解和低分辨率层析成像更为精确的皮层电位分布，并按8个大尺度功能网络统计脑电节律的能量分布。进一步的，所述模型构建模块采用局部线性嵌入算法对数据进行特征降维，然后利用降维后数据对经典支持向量机算法进行模型构建，最终实现特定人群特征模型。与现有技术相比，本专利技术的有益效果：本方案结合人格倾向测评结果、答题反应时和静息态脑电测量结果，通过人工智能机器学习算法，对于优秀的候选人和严重的人格障碍患者的主观和客观测量指标进行数学建模，从而提高优秀岗位胜任者的选拔命中率。附图说明图1是系统原理结构示意图。图2是脑电源定位结果示意图。图3是脑电采集系统结构示意图。图中：1、脑电采集模块；2、人格特征问卷模块；3、机器学习算法模块。具体实施方式下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。如图1所示，一种基于脑电采集的人格特征匹配系统，包括：脑电采集模块1、人格特征问卷模块2和机器学习算法模块3；脑电采集模块1与人格特征问卷模块2分别用于采集脑电信号与人格特征信号；机器学习算法模块3用于接收脑电信号与人格特征信号并建立特定人群的人格特征与脑电生理特征模型。脑电采集模块1包括干电极与放大器组合集成的有源脑电电极完成脑电信号的采集和放大，再经过导线传输到脑电采集板，脑电采集板将采集信号串口连接发送至上位机。如图3所示，脑电采集板包括AK5381芯片与STM32F407芯片，AK5381芯片通过SPI通信连接STM32F407芯片；AK5381的所有通道都具有24位的ΣΔADC，可将采样率控制在250SPS～16kSPS之间；ΣΔADC主要由两部分构成：ΣΔ调制器和数字采样滤波器；其中ΣΔ调制器是基于过采样的一位编码技术，通过采用一位编码技术，有利于减少模拟电路部分，进而提高信噪比；ΣΔ调制器一般采用过采样方法对模拟信号进行采样，然后进一步调制采样值；而数字滤波器则由三阶sin型滤波器组成，具有采样率可变的特点，其将调制器的输出进行噪声滤除之后，输出N位编码；由于Σ-ΔA/D转换器通过过采样进行采样，可以把许多噪声压缩到高频区域，再通过数字滤波器进行滤除，因此具有很强的噪声抑制能力；此外，AK5381为了更广泛地应用在低功耗场景中，该ADC采用了两级调制器；当处于高分辨率模式时，调制器输入信号的采样速率fMOD＝fCLK/4；当处于低功耗模式时，fMOD＝fCLK/8；通过配置寄存器，本脑电采集平台设置为500Hz；通过配置寄存器，设置输出电压4.5V，AK5381的最低分辨电压为0.536μV，满足低幅值的脑电信号的采集；选择意法半导体推出的基于ARMCortex-M4内核的STM32F407VGT6作为系统主控芯片，具有性能高、稳定性好、功耗低，成本低，易使用等特点；STM32F407VGT6具有以下特性：ARM32位Cortex-M4高性能内核，高达168MHz的主频，192KBSRAM，1024KB的Flash，丰富的总线接口3个SPI、3个I2C、6个串口、2个CAN、1个SDIO、1个FSMC，2个DMA控制器以及高达82个的通用I/O口。人格特征问卷模块2通过前期心理学实验结果研究论证后的30道题目，采用B/S软件架构实现多人同时进行人格测评，软件的管理端可以设置题目的内容、评分标准、每道题的显示时间、题目出现的顺序随机，并根据测评结果输出每个被试的测评报告，以及整个测试群体的汇总统计报表；30道题目的论证方法采用情景测验技术编制人格障碍倾向测验，情景测验技术通过设置一个生活或工作中可能发生的情景，要求受试人员针对该情景中的问题，对相应可能的几种行为反应做出判断，将这种测验编制技术应用于人格倾向的筛查，在很大程度上降低了传统的自陈式测验的社会赞许性，解决了现有同类成套测验在心理选拔过程中存在的时长和测验项目公开性等问题。机器学习算法模块3包括脑电源定位模块与模型构建模块。脑电源定位模块是通过贝叶斯方法，将静息态fMRI研究得到的8个大尺度功能网络的空间分布作为先验信息，求出比传统的最小模解和低分辨率层析成像更为精确的皮层电位分布，并按8个大尺度功能网络统计脑电节律的能量分布，如图2所示其主要功能有：(1)根据静息态脑电数据，分别求本文档来自技高网...

【技术保护点】
1.一种基于脑电采集的人格特征匹配系统，其特征在于：包括：脑电采集模块(1)、人格特征问卷模块(2)和机器学习算法模块(3)；所述脑电采集模块(1)与人格特征问卷模块(2)分别用于采集脑电信号与人格特征信号；所述机器学习算法模块(3)用于接收脑电信号与人格特征信号并建立特定人群的人格特征与脑电生理特征模型。

【技术特征摘要】
1.一种基于脑电采集的人格特征匹配系统，其特征在于：包括：脑电采集模块(1)、人格特征问卷模块(2)和机器学习算法模块(3)；所述脑电采集模块(1)与人格特征问卷模块(2)分别用于采集脑电信号与人格特征信号；所述机器学习算法模块(3)用于接收脑电信号与人格特征信号并建立特定人群的人格特征与脑电生理特征模型。2.根据权利要求1所述的一种基于脑电采集的人格特征匹配系统，其特征在于：所述脑电采集模块(1)包括干电极与放大器组合集成的有源脑电电极完成脑电信号的采集和放大，再经过导线传输到脑电采集板，脑电采集板将采集信号串口连接发送至上位机。3.根据权利要求2所述的一种基于脑电采集的人格特征匹配系统，其特征在于：所述脑电采集板包括AK5381芯片与STM32F407芯片，AK5381芯片通过SPI通信连接STM32F407芯片。4.根据权利要求1所述的一种基于脑电采集的人格特征匹...

【专利技术属性】
技术研发人员：姬鸣，韦新，徐泉，刘博，徐帅，李宏伟，崔旭阳，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西,61