CN111292832B - 基于智能终端的心理危机人员主动预测方法及装置 - Google Patents
基于智能终端的心理危机人员主动预测方法及装置 Download PDFInfo
- Publication number
- CN111292832B CN111292832B CN202010074599.9A CN202010074599A CN111292832B CN 111292832 B CN111292832 B CN 111292832B CN 202010074599 A CN202010074599 A CN 202010074599A CN 111292832 B CN111292832 B CN 111292832B
- Authority
- CN
- China
- Prior art keywords
- crisis
- probability
- personnel
- psychological
- intelligent terminal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000003993 interaction Effects 0.000 claims abstract description 19
- 206010010144 Completed suicide Diseases 0.000 claims description 11
- 230000003340 mental effect Effects 0.000 claims description 8
- 230000006378 damage Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 230000002996 emotional effect Effects 0.000 claims description 4
- 230000009430 psychological distress Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Developmental Disabilities (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- Probability & Statistics with Applications (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请公开了一种基于智能终端的心理危机人员主动预测方法及装置。该申请的方法包括智能终端收集与智能终端进行人机交互的当前用户的个体特征数据；将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对；根据比对结果预测当前用户是危机人员的概率。本申请是为了降低危机事件发生的概率。
Description
技术领域
本申请涉及社会安全技术领域，具体而言，涉及一种基于智能终端的心理危机人员主动预测方法及装置。
背景技术
危机人员包括***、伤害他人、暴力、欲违法犯罪、***等人员，危机人员通常是一些具有心理问题的人员，这类人员大部分是可以通过心理疏导等方式来调整其心理状态，并且达到降低或者防止危机事件发生的效果。为了更有效的降低危机事件发生的概率或者防止危机事件的发生，需要能够在危机人员实施危机事件之前预测到危机人员的存在，但是由于其私密性，很难通过危机人员主动上报的方式知晓其所在，发现机制非常被动。因此亟需提出一种能够提前主动的对危机人员进行预测的方式，来有效的降低危机事件发生的概率。
发明内容
本申请的主要目的在于提供一种基于智能终端的心理危机人员主动预测方法及装置，以降低危机事件发生的概率。
为了实现上述目的，根据本申请的第一方面，提供了一种基于智能终端的心理危机人员主动预测方法。
根据本申请的基于智能终端的心理危机人员主动预测方法包括：
智能终端收集与智能终端进行人机交互的当前用户的个体特征数据；
将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对；
根据比对结果预测当前用户是危机人员的概率。
进一步的，所述方法还包括：
根据当前用户是危机人员的概率向危机人员输出对应的心理干预方案。
进一步的，所述根据比对结果预测当前用户是危机人员的概率包括：
获取所述比对结果中个体特征数据与每个特征集合组中的特征的匹配率；
将匹配率与预设阈值进行比较，确定用户的危机预测概率，所述危机预测概率为预测用户可能成为危机人员的概率，所述预设阈值与危机预测概率存在对应关系。
进一步的，在确定用户的危机预测概率之后，所述方法还包括：
获取危机人员核心特征，所述危机人员核心特征为决定危机人员成因的关键特征；
根据危机人员核心特征对所述危机预测概率进行调整，得到调整后的危机预测概率。
进一步的，所述方法还包括：
将危机预测概率超过预设概率阈值的当前用户的用户信息发送至第三方服务器，以使第三方服务器进行统计；和/或，
将调整后的危机预测概率超过预设概率阈值的当前用户的用户信息发送至第三方服务器，以使第三方服务器进行统计。
为了实现上述目的，根据本申请的第二方面，提供了一种基于智能终端的心理危机人员主动预测装置。
根据本申请的基于智能终端的心理危机人员主动预测装置包括：
收集单元，用于智能终端收集与智能终端进行人机交互的当前用户的个体特征数据；
比对单元，用于将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对；
预测单元，用于根据比对结果预测当前用户是危机人员的概率。
进一步的，所述装置还包括：
输出单元，用于根据当前用户是危机人员的概率向危机人员输出对应的心理干预方案。
进一步的，所述预测单元包括：
获取模块，用于获取所述比对结果中个体特征数据与每个特征集合组中的特征的匹配率；
确定模块，用于将匹配率与预设阈值进行比较，确定用户的危机预测概率，所述危机预测概率为预测用户可能成为危机人员的概率，所述预设阈值与危机预测概率存在对应关系。
进一步的，所述装置还包括：
获取单元，用于在确定用户的危机预测概率之后，获取危机人员核心特征，所述危机人员核心特征为决定危机人员成因的关键特征；
调整单元，用于根据危机人员核心特征对所述危机预测概率进行调整，得到调整后的危机预测概率。
进一步的，所述装置还包括：
发送单元，用于将危机预测概率超过预设概率阈值的当前用户的用户信息发送至第三方服务器，以使第三方服务器进行统计；
所述发送单元，还用于将调整后的危机预测概率超过预设概率阈值的当前用户的用户信息发送至第三方服务器，以使第三方服务器进行统计。
为了实现上述目的，根据本申请的第三方面，提供了一种基于智能终端的心理危机人员主动预测***，所述***包括智能终端、第三方服务器：
所述智能终端，用于收集与智能终端进行人机交互的当前用户的个体特征数据；将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对；根据比对结果预测当前用户是危机人员的概率；将概率超过预设阈值的当前用户的用户信息发送至第三方服务器；
所述第三方服务器，用于接收智能终端发送的概率超过预设阈值的当前用户的用户信息。
为了实现上述目的，根据本申请的第四方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述第一方面中任一项所述的基于智能终端的心理危机人员主动预测方法。
在本申请实施例中，基于智能终端的心理危机人员主动预测方法及装置中，首先智能终端收集与智能终端进行人机交互的当前用户的个体特征数据；然后，将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对；最后，根据比对结果预测当前用户是危机人员的概率。可以看到，本申请中可以通过智能终端主动获取到用户的个体特征数据，并且根据个体特征数据以及危机人员对应的特征集合组对当前用户是否为危机人员进行预测，不需要危机人员主动上报，就可以方便的对危机人员进行预测，然后就可以对危机人员进行引导，改善其心理状态，从而在一定程度上降低危机事件发生的概率。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的一种基于智能终端的心理危机人员主动预测方法流程图；
图2是根据本申请实施例提供的另一种基于智能终端的心理危机人员主动预测方法流程图；
图3是根据本申请实施例提供的再一种基于智能终端的心理危机人员主动预测方法流程图；
图4是根据本申请实施例提供的一种基于智能终端的心理危机人员主动预测装置的组成框图；
图5是根据本申请实施例提供的另一种基于智能终端的心理危机人员主动预测装置的组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”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，以便这里描述的本申请的实施例。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、***、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。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例，提供了一种基于智能终端的心理危机人员主动预测方法，如图1所示，该方法包括如下的步骤：
S101.智能终端收集与智能终端进行人机交互的当前用户的个体特征数据。
智能终端为可以与人进行会谈的人工智能机器人，当用户与智能终端进行人机交互的过程中，获取用户的个体特征。通常与机器人在进行交互时，用户会卸下防备，因此通过这种方式能够获取到更多更真实的用户数据。由于危机人员通常是心理有问题的人员，因此本实施例中选用与智能终端交互的方式获取个体特征，更符合危机人员的特性。本实施例中人机交互的形式包括语音对话、输入文本、选项选择、音视频输出等等。人机交互的形式是由需要获取的个体特征的决定的，不同的个体特征对应的获取方式以及获取的过程是不同的。有的特征可以通过对话内容直接获取(比如性别、年龄等基本特征)，有些特征需要对直接获取到的对话内容进行分析后获取(比如情感、情绪方面的特征)、有的需要借助其他的设备或者平台获取(比如血压、血糖、行为特征等)。本实施例中个体特征主要为用户心理维度、生理维度、行为维度、个人基本信息维度的信息。心理维度的信息主要是指心理困扰、心理状态、心理危机情况、心理特质、心理能力、心理倾向、心理疾病史等特征；生理维度的信息主要是指身高、体重、血型、血压、血糖、血脂、生理疾病史等特征；行为维度的信息主要是指行为轨迹、行动方式、操作方式、聊天语句等特征；个人基本信息维度主要是指年龄、性别、居住地、职业、学历、收入水平、家庭情况、婚姻状况等特征。
S102.将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对。
特征集合组是预先根据大量的已经确定是危机人员的实际数据(实际数据的特征维度与上述步骤S101中当前用户的个体特征的维度保持一致)聚类分析得到的。在本实施例进行预测之前就需要提前将每种类型的危机人员对应的特征集合组设置到人工智能机器人中。每种类型的危机人员都有对应的特征集合组，比如对于***、伤害他人、暴力、欲违法犯罪、***等危机人员，会生成对应的***特征集合组、伤害他人特征集合组、暴力特征集合组、欲违法犯罪特征集合组、***人员特征集合组等。每种类型的危机人员对应的特征集合组都是根据大量的危机人员的真实数据分析得到的，因此特征集合组的准确性全面性是有保障的。特征集合组的准确性和全面性直接影响后续危机人员预测的准确性。
“将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对”即将通过人工智能机器人进行人机交互获取到的当前用户的个体特征与每种类型的危机人员对应的特征集合组中的特征进行比对，确定当前用户有多少特征是属于危机人员的特征，比对的结果为相同特征(相似度超过预设值认为相同)的特征数量或者比例。
另外，需要说明的是本实施例中已经确定为危机人员的实际数据的获取途径主要包括两种：一种是通过论文与科研成果、实际档案数据获取；另一种是通过已经确定为危机人员的用户在和人工智能机器人的交互过程中，人工智能机器人所获取的数据。
另外，特征集合组是根据大量的危机人员的用户数据经过聚类分析得到。此处的用户数据包括心理维度、生理维度、行为维度、个人基本信息维度的信息。分别对每种类型的危机人员的用户数据进行聚类具体的过程包括：首先需要提取用户数据中的心理维度、生理维度、行为维度、个人基本信息维度的特征；然后根据预设特征聚类阈值进行聚类，根据特征聚类阈值可以确定哪些用户特征信息可以聚为一类，即相似度较高的聚为一类，进而得到一种或多种用户群体，每种用户群体对应一个特征集合组，每个特征集合组中包括多个子集合组。本实施例中聚类的方法可以K-Means聚类算法、高斯混合模型聚类算法(Gaussian MixtureModel，GMM)、幂迭代聚类(Power Iteration clustering，PIC)、主题生成模型(Latent Dirichlet allocation，LDA)、流式K-Means聚类算法Streaming k-means等用于群体聚类的算法，具体的聚类方法本领域技术人员可以根据实际需求灵活选择，在此不做具体限定。
S103.根据比对结果预测当前用户是危机人员的概率。
由于特征集合组中的特征都是危机人员具有的特征，将当前用户的个体特征与危机人员具有的特征进行比对后根据比对结果就可以预测当前用户是危机人员的概率。比对结果中相同特征的数量或者比例越大，对应的用户为危机人员的概率越大。对于每个用户，会将个体特征与每种危机人员类型对应的特征集合组进行比对，因此得到的预测当前用户是危机人员的概率也包括用户是每种危机人员的概率。比如“有80％的可能为***人员、有40％的可能为有暴力倾向人员、有10％的可能为***人员，等等”
从以上的描述中，可以看出，本申请实施例的基于智能终端的心理危机人员主动预测方法中，首先智能终端收集与智能终端进行人机交互的当前用户的个体特征数据；然后，将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对；最后，根据比对结果预测当前用户是危机人员的概率。可以看到，本申请中可以通过智能终端主动获取到用户的个体特征数据，并且根据个体特征数据以及危机人员对应的特征集合组对当前用户是否为危机人员进行预测，不需要危机人员主动上报，就可以方便的对危机人员进行预测，然后就可以对危机人员进行引导，改善其心理状态，从而在一定程度上降低危机事件发生的概率。
作为上述实施例的进一步的补充和细化，根据本申请实施例，提供了另一种基于智能终端的心理危机人员主动预测方法，如图2所示，该方法包括如下的步骤：
S201.智能终端收集与智能终端进行人机交互的当前用户的个体特征数据。
本步骤的实现方式与图1步骤S101中的实现方式相同，此处不再赘述。
S202.将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对。
每种类型的危机人员对应的特征集合组中包含多个子集合组，每个子集合组中包含多个特征。
“将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对”即将个体特征数据中的特征分别与每种类型的危机人员对应特征集合组中的每个子集合组中的特征进行匹配，根据两两特征之间的相似度判断两个特征是否匹配，若相似度超过预设值则认为匹配成功，统计匹配成功的特征的数量，根据匹配成功的特征的数量计算匹配率。匹配率是匹配成功的特征数量占对应的子集合组中总的特征数量的比例。
S203.将比对结果中的匹配率与预设阈值进行比较，确定用户的危机预测概率。
危机预测概率为预测用户可能成为危机人员的概率，预设阈值与危机预测概率存在对应关系。每种类型的危机人员对应的特征集合组设置不同级别的预设阈值，不同的预设阈值对应不同的危机预测概率。将比对结果中的匹配率与分别与多个级别的预设阈值进行比较，若匹配率到达某个级别的预设阈值，则将该级别的预设阈值对应的危机预测概率确定为用户的危机预测概率。在确定危机预测概率时，对于一个特征集合组，如果用户个体特征与其中任意一个子集合组的匹配率达到某个级别的预设阈值，则可以将该级别预设阈值对应的危机预测概率作为用户成为该种危机类型的危机人员的概率。给出具体的示例进行说明：比如***类型的危机人员对应的特征集合组一包含5个子集合组，分别记作子集合组1、子集合组2、子集合组3、子集合组4、子集合组5。特征集合组一设置两级命中阈值—命中阈值a、命中阈值b，且a>b；命中阈值a、命中阈值b分别对应的危机预测概率为80％和40％；当个体特征与特征集合组一中的任一子集合组(子集合组1或子集合组2或子集合组3或子集合组4或子集合组5)匹配得到的匹配率达到a时，就会得到该用户的危机预测率为80％，即该用户有80％的可能性会成为危机人员。
另外，需要说明的是也可以将比对结果中的匹配成功的特征的数量与预设阈值进行比较，确定用户的危机预测概率，其与根据匹配率与预设阈值进行比较确定预测概率的方式是相同，除了预设阈值的值可能不同之外。
S204.根据当前用户是危机人员的概率向危机人员输出对应的心理干预方案。
危机人员通常是可以通过心理疏导、治疗等方式来改善其心理状态的，因此在预测当前用户可能为危机人员时，及时通过智能终端有针对性的为其提供心理干预方案，使用户根据心理干预方案改善心理状态，从而避免危机事件的发生或者危机人员的形成。对于是危机人员的概率高的用户可以避免一些危机事件的发生，对于是危机人员的概率低的用户可以有效的阻止其变为真正的危机人员。针对不同的概率以及不同的危机人员的类型提供不同的干预方案。干预方案包括线上实施(干预课程等)和/或线下实施方案(心理专家的咨询等)。
本步骤中的当前用户是危机人员的概率即为前述步骤中的危机预测概率。
S205.将危机预测概率超过预设概率阈值的当前用户的用户信息发送至第三方服务器，以使第三方服务器进行统计。
本实施例中的第三方服务器对应的第三方可以为相关的执法机构、社会组织等有权限获取用户信息的组织结构。预设概率阈值可以设置为80％或者其他值，本步骤中的目的是将有更高几率成为危机人员的用户进行上报，为第三方提供数据的支持。
作为上述实施例的补充，在步骤S203之后增加以下步骤如图3所示：
S301.获取危机人员核心特征。
危机人员核心特征为导致危机人员成因的关键特征，本实施例危机人员核心特征主要为：心理困扰、心理风险因子、行为、情绪状态、***与攻击性风险、理智感、心理稳定性、成熟度、需要、自我意识、聊天语句、过往行为记录等。
S302.根据危机人员核心特征对危机预测概率进行调整，得到调整后的危机预测概率。
为了提高危机人员的预测的准确性，提出在前述实施例中得到的危机预测概率的基础上再次对危机预测概率进行调整。调整的方式可以为：计算个体特征匹配时相同或者相似度很高的特征中属于危机人员核心特征的比例，将该比例与危机预测概率进行加权求和得到调整后的危机预测概率，权重值可以预先设置。调整的方式还可以为，将特征集合组按照危机人员核心特征进行筛选，得到筛选后的特征集合组，按照筛选后的特征集合组与个体特征数据进行匹配，得到的是调整后的危机预测概率。具体在实际应用中，调整的方式可以根据实际情况选择。
对应图3增加的步骤，上述步骤中S204中“根据当前用户是危机人员的概率向危机人员输出对应的心理干预方案”需要替换为“根据当前用户的调整后的危机预测概率向危机人员输出对应的心理干预方案”。步骤S205替换为“将调整后的危机预测概率超过预设概率阈值的当前用户的用户信息发送至第三方服务器，以使第三方服务器进行统计”
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例，还提供了一种用于实施上述图1至图3所述方法的基于智能终端的心理危机人员主动预测装置，如图4所示，该装置包括：
收集单元41，用于智能终端收集与智能终端进行人机交互的当前用户的个体特征数据；
比对单元42，用于将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对；
预测单元43，用于根据比对结果预测当前用户是危机人员的概率。
从以上的描述中，可以看出，本申请实施例的基于智能终端的心理危机人员主动预测装置中，首先智能终端收集与智能终端进行人机交互的当前用户的个体特征数据；然后，将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对；最后，根据比对结果预测当前用户是危机人员的概率。可以看到，本申请中可以通过智能终端主动获取到用户的个体特征数据，并且根据个体特征数据以及危机人员对应的特征集合组对当前用户是否为危机人员进行预测，不需要危机人员主动上报，就可以方便的对危机人员进行预测，然后就可以对危机人员进行引导，改善其心理状态，从而在一定程度上降低危机事件发生的概率。
进一步，如图5所示，所述装置还包括：
输出单元44，用于根据当前用户是危机人员的概率向危机人员输出对应的心理干预方案。
进一步的，如图5所示，所述预测单元43包括：
获取模块431，用于获取所述比对结果中个体特征数据与每个特征集合组中的特征的匹配率；
确定模块432，用于将匹配率与预设阈值进行比较，确定用户的危机预测概率，所述危机预测概率为预测用户可能成为危机人员的概率，所述预设阈值与危机预测概率存在对应关系。
进一步的，如图5所示，所述装置还包括：
获取单元45，用于在确定用户的危机预测概率之后，获取危机人员核心特征，所述危机人员核心特征为决定危机人员成因的关键特征；
调整单元46，用于根据危机人员核心特征对所述危机预测概率进行调整，得到调整后的危机预测概率。
进一步的，如图5所示，所述装置还包括：
发送单元47，用于将危机预测概率超过预设概率阈值的当前用户的用户信息发送至第三方服务器，以使第三方服务器进行统计；
所述发送单元47，还用于将调整后的危机预测概率超过预设概率阈值的当前用户的用户信息发送至第三方服务器，以使第三方服务器进行统计。
具体的，本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
根据本申请实施例，还提供了一种基于智能终端的心理危机人员主动预测***，所述***包括智能终端、第三方服务器：
所述智能终端，用于收集与智能终端进行人机交互的当前用户的个体特征数据；将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对；根据比对结果预测当前用户是危机人员的概率；将概率超过预设阈值的当前用户的用户信息发送至第三方服务器；
所述第三方服务器，用于接收智能终端发送的概率超过预设阈值的当前用户的用户信息。
根据本申请实施例，还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行图1至图3中任一所述的基于智能终端的心理危机人员主动预测方法。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于智能终端的心理危机人员主动预测方法，其特征在于，所述方法包括：
智能终端收集与智能终端进行人机交互的当前用户的个体特征数据；
将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对；根据比对结果预测当前用户是危机人员的概率；
所述将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对，根据比对结果预测当前用户是危机人员的概率，包括：
将个体特征数据中的特征分别与每种类型的危机人员对应特征集合组中的每个子集合组中的特征进行匹配，根据两两特征之间的相似度判断两个特征是否匹配，若相似度超过预设值则认为匹配成功，统计匹配成功的特征的数量，根据匹配成功的特征的数量计算匹配率，匹配率是匹配成功的特征数量占对应的子集合组中总的特征数量的比例；将匹配率与预设阈值进行比较，若匹配率到达某个级别的预设阈值，则将该级别的预设阈值对应的危机预测概率确定为该种危机类型的危机人员的概率；
所述个体特征数据包括用户心理维度、生理维度、行为维度、个人基本信息维度的信息，所述行为维度包括行为轨迹、行动方式、操作方式、聊天语句；
所述特征集合组包括***特征集合组、伤害他人特征集合组、暴力特征集合组、欲违法犯罪特征集合组、***人员特征集合组；
所述方法还包括：对危机预测概率进行调整；
所述对危机预测概率进行调整包括：计算个体特征匹配时相同或者相似度高于预设阈值的特征中属于危机人员核心特征的比例，将所述比例与危机预测概率进行加权求和得到调整后的危机预测概率，权重值是预先设置的；
所述危机人员核心特征包括：心理困扰、心理风险因子、行为、情绪状态、***与攻击性风险、理智感、心理稳定性、成熟度、自我意识、聊天语句、过往行为记录。
2.根据权利要求1所述的基于智能终端的心理危机人员主动预测方法，其特征在于，所述方法还包括：
根据当前用户是危机人员的概率向危机人员输出对应的心理干预方案。
3.根据权利要求1所述的基于智能终端的心理危机人员主动预测方法，其特征在于，所述根据比对结果预测当前用户是危机人员的概率包括：
获取所述比对结果中个体特征数据与每个特征集合组中的特征的匹配率；
将匹配率与预设阈值进行比较，确定用户的危机预测概率，所述危机预测概率为预测用户可能成为危机人员的概率，所述预设阈值与危机预测概率存在对应关系。
4.根据权利要求3所述的基于智能终端的心理危机人员主动预测方法，其特征在于，在确定用户的危机预测概率之后，所述方法还包括：
获取危机人员核心特征，所述危机人员核心特征为决定危机人员成因的关键特征；
根据危机人员核心特征对所述危机预测概率进行调整，得到调整后的危机预测概率。
5.根据权利要求4所述的基于智能终端的心理危机人员主动预测方法，其特征在于，所述方法还包括：
将危机预测概率超过预设概率阈值的当前用户的用户信息发送至第三方服务器，以使第三方服务器进行统计；和/或，
将调整后的危机预测概率超过预设概率阈值的当前用户的用户信息发送至第三方服务器，以使第三方服务器进行统计。
6.一种基于智能终端的心理危机人员主动预测装置，其特征在于，所述装置包括：
收集单元，用于智能终端收集与智能终端进行人机交互的当前用户的个体特征数据；
比对单元，用于将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对；
预测单元，用于根据比对结果预测当前用户是危机人员的概率；
所述将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对，根据比对结果预测当前用户是危机人员的概率，包括：
将个体特征数据中的特征分别与每种类型的危机人员对应特征集合组中的每个子集合组中的特征进行匹配，根据两两特征之间的相似度判断两个特征是否匹配，若相似度超过预设值则认为匹配成功，统计匹配成功的特征的数量，根据匹配成功的特征的数量计算匹配率，匹配率是匹配成功的特征数量占对应的子集合组中总的特征数量的比例；将匹配率与预设阈值进行比较，若匹配率到达某个级别的预设阈值，则将该级别的预设阈值对应的危机预测概率确定为该种危机类型的危机人员的概率；
所述个体特征数据包括用户心理维度、生理维度、行为维度、个人基本信息维度的信息，所述行为维度包括行为轨迹、行动方式、操作方式、聊天语句；
所述特征集合组包括***特征集合组、伤害他人特征集合组、暴力特征集合组、欲违法犯罪特征集合组、***人员特征集合组；
还包括对危机预测概率进行调整；
所述对危机预测概率进行调整包括：计算个体特征匹配时相同或者相似度高于预设阈值的特征中属于危机人员核心特征的比例，将所述比例与危机预测概率进行加权求和得到调整后的危机预测概率，权重值是预先设置的；
所述危机人员核心特征包括：心理困扰、心理风险因子、行为、情绪状态、***与攻击性风险、理智感、心理稳定性、成熟度、自我意识、聊天语句、过往行为记录。
7.根据权利要求6所述的基于智能终端的心理危机人员主动预测装置，其特征在于，所述装置还包括：
输出单元，用于根据当前用户是危机人员的概率向危机人员输出对应的心理干预方案。
8.根据权利要求6所述的基于智能终端的心理危机人员主动预测装置，其特征在于，所述预测单元包括：
获取模块，用于获取所述比对结果中个体特征数据与每个特征集合组中的特征的匹配率；
确定模块，用于将匹配率与预设阈值进行比较，确定用户的危机预测概率，所述危机预测概率为预测用户可能成为危机人员的概率，所述预设阈值与危机预测概率存在对应关系。
9.一种基于智能终端的心理危机人员主动预测***，其特征在于，所述***包括智能终端、第三方服务器：
所述智能终端，用于收集与智能终端进行人机交互的当前用户的个体特征数据；将个体特征数据分别与每种类型的危机人员对应的特征集合组进行比对；根据比对结果预测当前用户是危机人员的概率；将概率超过预设阈值的当前用户的用户信息发送至第三方服务器；
所述个体特征数据包括用户心理维度、生理维度、行为维度、个人基本信息维度的信息，所述行为维度包括行为轨迹、行动方式、操作方式、聊天语句；
所述特征集合组包括***特征集合组、伤害他人特征集合组、暴力特征集合组、欲违法犯罪特征集合组、***人员特征集合组；
还包括对危机预测概率进行调整；
所述对危机预测概率进行调整包括：计算个体特征匹配时相同或者相似度高于预设阈值的特征中属于危机人员核心特征的比例，将所述比例与危机预测概率进行加权求和得到调整后的危机预测概率，权重值是预先设置的；
所述危机人员核心特征包括：心理困扰、心理风险因子、行为、情绪状态、***与攻击性风险、理智感、心理稳定性、成熟度、自我意识、聊天语句、过往行为记录；
所述第三方服务器，用于接收智能终端发送的概率超过预设阈值的当前用户的用户信息。
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所述计算机执行权利要求1-5任意一项所述的基于智能终端的心理危机人员主动预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010074599.9A CN111292832B (zh) | 2020-01-22 | 2020-01-22 | 基于智能终端的心理危机人员主动预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010074599.9A CN111292832B (zh) | 2020-01-22 | 2020-01-22 | 基于智能终端的心理危机人员主动预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111292832A CN111292832A (zh) | 2020-06-16 |
| CN111292832B true CN111292832B (zh) | 2021-09-14 |
Family
ID=71028448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010074599.9A Active CN111292832B (zh) | 2020-01-22 | 2020-01-22 | 基于智能终端的心理危机人员主动预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111292832B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112515673A (zh) * | 2020-11-30 | 2021-03-19 | 重庆工程职业技术学院 | 心理危机干预辅助*** |
| CN112669188A (zh) * | 2021-01-12 | 2021-04-16 | 徐涛 | 危机事件预警模型构建、危机事件预警方法和电子设备 |
| CN113012788B (zh) * | 2021-02-08 | 2024-02-13 | 浙江连信科技有限公司 | 用于戒毒人员的心理干预方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629087A (zh) * | 2018-04-13 | 2018-10-09 | 广州供电局有限公司 | 扰动事件模型构建方法、装置和扰动事件识别方法、装置 |
| CN109464122A (zh) * | 2018-11-05 | 2019-03-15 | 西南大学 | 基于多模态数据的个体核心特质预测***及方法 |
| CN109816520A (zh) * | 2019-01-28 | 2019-05-28 | 北京三快在线科技有限公司 | 职业属性预测方法、装置、设备及存储介质 |
| CN110060762A (zh) * | 2019-04-22 | 2019-07-26 | 北京师范大学 | 一种基于多因子量表数据的心理发展水平评估方法及*** |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182805B (zh) * | 2014-08-22 | 2017-06-23 | 杭州华亭科技有限公司 | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 |
| CN108388969A (zh) * | 2018-03-21 | 2018-08-10 | 北京理工大学 | 基于个人行为时序特征的内部威胁人物风险预测方法 |
| CN109947870A (zh) * | 2019-03-26 | 2019-06-28 | 第四范式（北京）技术有限公司 | 特定类型人员的预测装置及方法、计算设备与存储介质 |
| CN110489513A (zh) * | 2019-06-24 | 2019-11-22 | 覃立万 | 一种智能机器人社交信息处理方法及与人的社交*** |
-
2020
- 2020-01-22 CN CN202010074599.9A patent/CN111292832B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629087A (zh) * | 2018-04-13 | 2018-10-09 | 广州供电局有限公司 | 扰动事件模型构建方法、装置和扰动事件识别方法、装置 |
| CN109464122A (zh) * | 2018-11-05 | 2019-03-15 | 西南大学 | 基于多模态数据的个体核心特质预测***及方法 |
| CN109816520A (zh) * | 2019-01-28 | 2019-05-28 | 北京三快在线科技有限公司 | 职业属性预测方法、装置、设备及存储介质 |
| CN110060762A (zh) * | 2019-04-22 | 2019-07-26 | 北京师范大学 | 一种基于多因子量表数据的心理发展水平评估方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111292832A (zh) | 2020-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111292832B (zh) | 基于智能终端的心理危机人员主动预测方法及装置 | |
| CN108924333B (zh) | 诈骗电话识别方法、装置和*** | |
| Saevanee et al. | Multi-modal behavioural biometric authentication for mobile devices | |
| US20100174813A1 (en) | Method and apparatus for the monitoring of relationships between two parties | |
| US20080059198A1 (en) | Apparatus and method for detecting and reporting online predators | |
| US10764427B2 (en) | System and method for assessing security threats and criminal proclivities | |
| US20170330117A1 (en) | System for and method for detection of insider threats | |
| CN112446210B (zh) | 用户性别预测方法、装置及电子设备 | |
| CN112669188A (zh) | 危机事件预警模型构建、危机事件预警方法和电子设备 | |
| Alkhamees et al. | Event detection from social network streams using frequent pattern mining with dynamic support values | |
| CN111131627B (zh) | 基于流数据图谱的个人有害呼叫检测方法、装置及可读介质 | |
| CN109558531A (zh) | 新闻信息推送方法、装置以及计算机设备 | |
| Neal et al. | A gender-specific behavioral analysis of mobile device usage data | |
| Jindal et al. | Intend to analyze Social Media feeds to detect behavioral trends of individuals to proactively act against Social Threats | |
| CN116865994A (zh) | 一种基于大数据的网络数据安全预测方法 | |
| CN113822069B (zh) | 基于元知识的突发事件预警方法、装置和电子装置 | |
| CN110460452B (zh) | 消息推送方法及相关产品 | |
| Ali et al. | ESMD: enhanced suspicious message detection framework in instant messaging applications | |
| CN111831681B (zh) | 基于智能终端的人员甄别方法及装置 | |
| CN112704024A (zh) | 一种基于物联网的宠物狗紧急安抚*** | |
| CN114268939B (zh) | 一种移动通信中异常用户识别的方法及智能设备 | |
| Neal et al. | On the use of mobile calling patterns for soft biometric classification | |
| Janet et al. | Opinion mining based Crime Classification Model for Emergency Data | |
| CN116257803A (zh) | 用户状态的检测方法及装置、电子设备、存储介质 | |
| Lin et al. | Governance framework for voice spam detection and interception of telecom network |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240415 Address after: Room 228, 2nd Floor, Building 1, Qushidai Innovation Building, No. 288 Qinjiang East Road, Kecheng District, Quzhou City, Zhejiang Province, 324003 Patentee after: Zhejiang Lianxin Digital Co.,Ltd. Country or region after: China Address before: Room 516, building 1, No. 79, Yueda lane, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Patentee before: Zhejiang Lianxin Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |