一種人格特質(zhì)值測驗的認知準確度分析方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及測試技術(shù)領(lǐng)域，尤其涉及一種人格特質(zhì)值測驗的認知準確度分析方 法。
【背景技術(shù)】
[0002] 人格特質(zhì)是指在組成人格的因素中，能引發(fā)人們行為和主動引導人的行為，并 使個人面對不同種類的刺激都能做出相同反映的心理結(jié)構(gòu)。目前互聯(lián)網(wǎng)上人格預測方 法普遍采用基于文字答卷的形式。雖然文字答卷的人格預測方法有了豐富的研究成果， 如大五人格測試（BigFive)、卡特爾16因素人格測驗（SixteenPersonalityFactor Questionnaire，16PF)等。但在這種方式下用戶需要花費大量時間進行答題，預測所需時間 取決于題目數(shù)量和測試者的答題速度，并且預測步驟繁多冗長，測試者容易產(chǎn)生厭煩和抵 觸心理，測試結(jié)果的準確性依賴于測試者的主觀配合程度，因此這種方法的測試誤差相對 較大。
[0003] 專利文件（CN103440864A)公開了一種基于語音的人格特征預測方法，通過預先 建立語音人格預測機器學習模型，利用用戶提供的任意語音片段使用語音人格預測機器學 習模型來實現(xiàn)人格特征預測，通過統(tǒng)計學習方法建立語音特征與人格特征因素間的映射關(guān) 系，預測出各項人格指數(shù)。雖然該專利克服了文字答卷的耗時長、效果受主觀因素影響、測 定素材不便于獲取等缺點，但是僅使用語音素材預測人格的技術(shù)手段依然單調(diào)。語音特征 容易受用戶的生理影響和生活環(huán)境的影響，在反映人格特質(zhì)時存在偏差，不一定能反映真 正的人格特質(zhì)。當用戶的生活環(huán)境吵鬧，用戶的日常語音總是處于高分貝，簡短的用語習慣 時，其真正的人格容易被人格預測機器學習模型忽略。因此，該專利的測試素材單一，不能 排除生活環(huán)境的影響導致的測試誤差。

【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有技術(shù)之不足，本發(fā)明提供一種人格特質(zhì)值測驗的認知準確度分析方法， 其特征在于，所述方法包括：
[0005] 基于至少一種統(tǒng)計模型建立至少一個認知維度的樣本模型；
[0006] 以呈現(xiàn)包括至少一種刺激信息的情景方式刺激所述測試人員；
[0007] 監(jiān)測或采集所述測試人員的生理信息和/或反饋信息從而統(tǒng)計形成至少一個認 知維度的認知參數(shù)；
[0008] 比較所述認知參數(shù)與所述樣本模型的認知參數(shù)分布從而得到所述認知維度的準 確度。
[0009] 根據(jù)一個優(yōu)選實施方式，所述形成至少一個認知維度的測試模型的步驟包括：
[0010] 錄入所述測試人員的生理信息參數(shù)和/或反饋信息參數(shù)；
[0011] 提取所述生理信息參數(shù)和/或反饋信息參數(shù)中的特征值；
[0012] 基于對應(yīng)的樣本模型統(tǒng)計與每一個認知維度對應(yīng)的特征值從而形成認知參數(shù)。
[0013] 根據(jù)一個優(yōu)選實施方式，所述樣本模型中的認知參數(shù)分布區(qū)域劃分為能夠區(qū)分認 知準確度的至少兩個認知等級區(qū)域。
[0014] 根據(jù)一個優(yōu)選實施方式，所述方法還包括：基于所述測試人員的反應(yīng)時間調(diào)整刺 激信息的呈現(xiàn)速度，或者，
[0015] 基于所述測試人員的反應(yīng)時間評估所述測試人員的認真度。
[0016] 根據(jù)一個優(yōu)選實施方式，所述方法還包括：基于由所述測試人員的生理信息獲得 的心理狀態(tài)調(diào)整測試情景呈現(xiàn)的順序，或者由所述測試人員根據(jù)個人興趣選擇測試情景呈 現(xiàn)的順序。
[0017] 根據(jù)一個優(yōu)選實施方式，所述測試情景包括虛擬現(xiàn)實情景和全息情景，其中全息 情景包括動態(tài)全息情景和靜態(tài)全息情景。
[0018] 根據(jù)一個優(yōu)選實施方式，所述刺激信息包括基于所述測試人員的反應(yīng)時間隨機呈 現(xiàn)的測謊刺激信息。
[0019] 根據(jù)一個優(yōu)選實施方式，所述刺激信息包括以全息影像呈現(xiàn)的視覺刺激信息、以 盲文觸覺信息呈現(xiàn)的觸覺刺激信息和聽覺刺激信息、。
[0020] 根據(jù)一個優(yōu)選實施方式，所述生理信息參數(shù)至少包括眼動軌跡參數(shù)、聲波參數(shù)、面 部肌肉運動參數(shù)、肢體動作參數(shù)。
[0021] 根據(jù)一個優(yōu)選實施方式，所述樣本模型為正態(tài)分布模型、邏輯回歸方法模型、決策 樹模型、最小二乘法模型、感知器算法模型、Boost方法模型、隱馬爾科夫模型、高斯混合模 型、神經(jīng)網(wǎng)絡(luò)模型、深度學習模型中的一種或幾種。
[0022] 本發(fā)明的有益技術(shù)效果：
[0023] 本發(fā)明通過同時測量測試人員的多種生理信息和應(yīng)激反饋信息，分析測試人員的 眼動軌跡、腦信息、聲波信息和身體運動信息綜合得到測試人員的組合為人格特質(zhì)的認知 維度值，并結(jié)合樣本模型得到測試人員認知維度的準確度。本發(fā)明的分析方法克服了測試 素材單一、環(huán)境影響誤差的缺點，提高了人格特質(zhì)值測試的測試質(zhì)量，從而得到測試人員的 準確的人格特質(zhì)值。
【附圖說明】
[0024] 圖1是認知準確度分析方法的邏輯模塊圖；
[0025] 圖2是正態(tài)分布模型的示意圖；
[0026] 圖3是認知參數(shù)分布示意圖；和
[0027] 圖4是微表情識別方法的邏輯示意圖。
【具體實施方式】
[0028] 下面結(jié)合附圖進行詳細說明。
[0029] 本發(fā)明提供一種人格測試值的認知準確度分析方法，通過測量樣本人員的眼動軌 跡、聲波特征、腦信息和/或身體動作特征的特征參數(shù)建立樣本模型。向測試人員呈現(xiàn)包括 至少一種刺激信息的仿真情景方式，同時采集測試人員在應(yīng)激狀態(tài)下的眼動軌跡、聲波信 息、腦信息和/或身體動作等生理信息數(shù)據(jù)，并接收測試人員的反饋信息?；诓杉纳?信息和反饋信息統(tǒng)計測試人員的認知參數(shù)形成測試模型。比較測試模型與樣本人員的樣本 模型的認知參數(shù)分布從而得到測試人員的認知維度的準確度。根據(jù)測試人員的認知維度的 準確度可以綜合得出測試人員的人格特質(zhì)值。
[0030] 本發(fā)明中的刺激信息指能夠使被刺激對象產(chǎn)生反應(yīng)或反饋信息的外部信息，包括 動態(tài)情景、圖像、照片、聲音、數(shù)字、文字、表格等信息。
[0031] 首先選擇一定數(shù)量的樣本人員。然后分別測量樣本人員的眼動軌跡特征值，聲波 特征值，面部肌肉運動特征值、腦信息特征值、反應(yīng)時間以及其他的生理信息特征值。其他 的生理信息至少還包括脈搏、血壓、心拍、腦波頻帶、皮膚電位。生理信息可以根據(jù)需要增加 測量的種類。生理信息用于辨別測試人員的心理狀態(tài)。若發(fā)現(xiàn)測試人員的心理狀態(tài)不適合 測試，則對測試人員的心理狀態(tài)進行調(diào)整。
[0032] 眼動軌跡特征包括測量對視角、中心視角、周邊視角、注視坐標?范圍、注視時間、 注視時間離散、注視方向、眼球停留時間、眼球停留?范圍、眨眼次數(shù)、眨眼速度、閉眼時間、 掃視距離、掃視頻度、瞳孔徑、注視模式、注視模式次數(shù)中的一種或幾種。
[0033] 聲波特征包括聲音的大小、聲音的頻率、說話的速度中的一種或幾種。
[0034] 腦信息特征包括腦活動延遲時間、xy-Hb信號、Deoxy-Hb信號、Total-Hb信號、區(qū) 間指定、頻道指定、最大值、潛時、半值寬度、平均值、離散值、中央值、加法次數(shù)、相位差、心 率、FFT成分中的一種或幾種。
[0035] 面部肌肉運動特征包括揚眉、皺眉、嘴角下撇、嘴角提升、噘嘴、咬唇、肌肉松弛、肌 肉緊張中的一種或幾種。
[0036] 將測量的樣本人員的眼動軌跡、聲波、腦信息、反應(yīng)時間、面部肌肉運動、身體運動 的特征值使用統(tǒng)計模型統(tǒng)計相關(guān)的每一個認知維度的認知參數(shù)。統(tǒng)計模型包括邏正態(tài)分布 模型、邏輯回歸方法模型、決策樹模型、最小二乘法模型、感知器算法模型、Boost方法模型、 隱馬爾科夫模型、高斯混合模型、神經(jīng)網(wǎng)絡(luò)模型、深度學習模型中的一種或幾種。
[0037] 本發(fā)明中，構(gòu)成人格特質(zhì)的認知維度有27個：
[0038] 責任-馬虎、忠誠-易變、勤奮-懶惰、樂觀-憂慮、支配-服從、合群-獨處、直 率-圓滑、自律-隨意、敢為-畏縮、謹慎-魯莽、有序-無序、獨立-依從、熱情-冷漠、信 任-多疑、變通-