【技術實現步驟摘要】
本申請涉及人工智能研究領域，更具體地說，涉及一種用于基于腦電信號的暴力傾向識別方法、裝置、電子設備和存儲介質。
技術介紹
1、暴力傾向是一種特定的心理和行為特質，它指的是個體在面臨沖突或挑戰時，傾向于采用暴力手段來解決問題或表達情緒。暴力傾向者往往情緒容易波動，容易因小事而激怒或沖動。在情緒激動時，他們可能無法控制自己的行為，采取打罵、摔東西、壞公共秩序和安全、影響正常商業和經濟活動，甚至可能引發更嚴重的犯罪事件。因此如何提前預判某人是否具有暴力傾向，對預防潛在傷害、減少暴力犯罪和早期教育引導有著積極的意義。
2、目前，對人的暴力傾向的識別預測仍停留在行為觀察、既往暴力史和家庭環境調查，以及心理測試和咨詢的階段，但這些手段需要投入大量人力，且其判斷結果非常依賴于人的主觀經驗判斷，容易造成錯判、漏判，且判斷效率極低。
3、因此，如何客觀、高效的對暴力傾向進行識別，成為了本領域所需解決的問題。
技術實現思路
1、有鑒于此，在第一方面，本申請提出了一種基于腦電信號的暴力傾向識別方法，包括：
2、獲取測試組的腦電信號數據和對照組的腦電信號數據；
3、分別對兩組腦電信號數據進行特征提取，對比兩組腦電信號數據的信號特征數據并結合人口學特征數據，得到暴力傾向特征數據集；
4、根據所述暴力傾向特征數據集訓練混合神經網絡模型；
5、利用訓練完的混合神經網絡模型對受試者的腦電信號進行暴力傾向識別。
6、優選的，在所述分
7、對所述測試組和對照組的腦電信號進行預處理。
8、進一步優選的，所述預處理，包括：陷波濾波、帶通濾波和獨立成分分析中的一步或多步處理。
9、進一步優選的，所述特征提取，包括：利用welch法對所述預處理后的腦電信號進行功率譜密度特征提取。
10、優選的，所述利用welch法對所述腦電信號進行功率譜密度特征提取，包括：
11、對所述腦電信號進行分割處理，分割為多個片段，計算公式為：
12、xi(n)＝x(n+im-m),0≤n≤m,1≤i≤k；
13、其中，i用于標識各個所述片段，n用于表示所述當前分割位置的索引變量，k表示所述分割個數，m表示所述片段的采樣點個數；
14、對每個所述片段進行加窗處理，計算公式為：
15、
16、其中，rn表示矩形窗，π表示圓周率；
17、根據所述加窗后的數據得到所述每個片段的周期圖，計算公式為：
18、
19、
20、其中，ii(w)表示周期圖，u表示所述片段的個數，e表示自然對數的底數，j表示虛數單位，ω表示角頻率變量；
21、根據所述周期圖得到功率譜密度，計算公式為：
22、
23、其中，pxx表示功率譜密度。
24、進一步優選的，在所述結合人口學特征數據之前，所述方法還包括：
25、分別采集所述測試組和所述對照組的人口學特征數據；
26、所述對比兩組腦電信號數據的信號特征數據并結合人口學特征數據，包括：
27、結合所述測試組的信號特征數據和所述測試組的人口學特征數據，得到所述測試組的綜合特征數據；
28、結合所述對照組的信號特征數據和所述對照組的人口學特征數據，得到所述對照組的綜合特征數據；
29、對比所述測試組的綜合特征數據和所述對照組的綜合特征數據，得到所述暴力傾向特征數據集。
30、優選的，所述混合神經網絡模型包括：一維卷積模塊、多頭注意力模塊和長短期記憶網絡模塊。
31、進一步優選的，所述根據所述暴力傾向特征數據集訓練混合神經網絡模型，包括：
32、利用所述一維卷積模塊對所述暴力傾向特征數據集進行局部特征提取；
33、利用所述多頭注意力模塊對所述暴力傾向特征數據集進行全局特征提取；
34、利用所述長短期記憶網絡模塊學習所述暴力傾向特征數據集中數據的時間序列之間的依賴關系。
35、進一步優選的：
36、所述混合神經網絡模型包括：全連接處理模塊；
37、在所述利用所述長短期記憶網絡模塊學習所述暴力傾向特征數據集中數據的時間序列之間的依賴關系之后，所述方法還包括：
38、利用所述全連接處理模塊對所述混合神經網絡模型進行l2正則化處理。
39、優選的，所述根據所述暴力傾向特征數據集訓練混合神經網絡模型，還包括：
40、將所述暴力傾向特征數據集分為訓練集和測試集；所述測試集中包括驗證集；
41、利用所述訓練集中的暴力傾向特征數據訓練所述混合神經網絡模型；
42、利用所述驗證集中的暴力傾向特征數據更新所述混合神經網絡模型中的權重和偏置；
43、利用所述測試集評估所述混合神經網絡模型的性能。
44、在第二方面，本專利技術實施例還提供了一種基于腦電信號的暴力傾向識別裝置，包括：
45、獲取模塊，用于獲取測試組的腦電信號數據和對照組的腦電信號數據；
46、特征提取模塊，用于分別對兩組腦電信號數據進行特征提取，對比兩組腦電信號數據的信號特征數據并結合人口學特征數據，得到暴力傾向特征數據集；
47、訓練模塊，用于根據所述暴力傾向特征數據集訓練混合神經網絡模型；
48、識別模塊，用于利用訓練完的混合神經網絡模型對受試者的腦電信號進行暴力傾向識別。
49、在第三方面，本公開實施例還提供了一種電子設備，所述電子設備包括：處理器；用于存儲所述處理器可執行指令的存儲器；所述處理器，用于從所述存儲器中讀取所述可執行指令，并執行所述指令以實現如上述第一方面所公開的方法。
50、在第四方面，本公開實施例還提供了一種計算機可讀存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序用于執行如上述第一方面所公開的方法。
51、本申請提供的暴力傾向識別方法，先獲取測試組的腦電信號數據和對照組的腦電信號數據，分別對兩組腦電信號數據進行特征提取，對比兩組腦電信號數據的信號特征數據并結合人口學特征數據，得到暴力傾向特征數據集，然后根據所述暴力傾向特征數據集訓練混合神經網絡模型，最后利用訓練完的混合神經網絡模型對受試者的腦電信號進行暴力傾向識別，是一種全新的基于腦電信號對暴力傾向進行識別的方法，識別效率和成功率均很高，有效降低了對人工識別的依賴，并拓展了暴力傾向識別的新方向。
52、本申請的其它特征和優點將在隨后的具體實施方式部分予以詳細說明。
本文檔來自技高網...【技術保護點】
1.一種基于腦電信號的暴力傾向識別方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，在所述分別對兩組腦電信號數據進行特征提取之前，所述方法還包括：
3.根據權利要求2所述的方法，其特征在于，所述預處理，包括：陷波濾波、帶通濾波和獨立成分分析中的一步或多步處理。
4.根據權利要求1所述的方法，其特征在于，所述特征提取，包括：利用Welch法對所述腦電信號進行功率譜密度特征提取。
5.根據權利要求4所述的方法，其特征在于，所述利用Welch法對所述腦電信號進行功率譜密度特征提取，包括：
6.根據權利要求1所述的方法，其特征在于，在所述結合人口學特征數據之前，所述方法還包括：
7.根據權利要求1所述的方法，其特征在于，所述混合神經網絡模型包括：一維卷積模塊、多頭注意力模塊和長短期記憶網絡模塊。
8.根據權利要求7所述的方法，其特征在于，所述根據所述暴力傾向特征數據集訓練混合神經網絡模型，包括：
9.根據權利要求8所述的方法，其特征在于：
10.根據權利要
11.一種基于腦電信號的暴力傾向識別裝置，其特征在于，所述裝置包括：
12.一種電子設備，包括：
13.一種計算機可讀存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序用于執行上述權利要求1-10任一項所述的方法。
...【技術特征摘要】
1.一種基于腦電信號的暴力傾向識別方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，在所述分別對兩組腦電信號數據進行特征提取之前，所述方法還包括：
3.根據權利要求2所述的方法，其特征在于，所述預處理，包括：陷波濾波、帶通濾波和獨立成分分析中的一步或多步處理。
4.根據權利要求1所述的方法，其特征在于，所述特征提取，包括：利用welch法對所述腦電信號進行功率譜密度特征提取。
5.根據權利要求4所述的方法，其特征在于，所述利用welch法對所述腦電信號進行功率譜密度特征提取，包括：
6.根據權利要求1所述的方法，其特征在于，在所述結合人口學特征數據之前，所述方法還包括：
...【專利技術屬性】
技術研發人員：王卓崢，王茜鑾，劉帷，秦風，馮星僑，朱亮波，
申請(專利權)人：北京工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。