CN112997166A - 神经心理学表现测试的方法和*** - Google Patents

Abstract

一种用于神经心理学表现测试的方法和***，包括：终端设备(101)，用于与云服务器(102)交互，该云服务器(102)存储用户信息并且由用户通过终端设备(101)登录；通过终端设备(101)获得的用户信息输入并存储到登录状态的云服务器(102)中；测试模块(400)包括用户信息，该用户信息存储在云服务器(102)中或者能够从云服务器(102)下载，并且测试模块(400)通过所述终端设备(101)直接访问并且由人工神经网络训练；以及所述用户信息包括用户生物特征或情绪识别信息、神经心理学表现测试答案信息、以及用户时延或用户精密时计信息；并且所述终端设备(101)显示神经心理学表现测试结果。

Description

神经心理学表现测试的方法和***

技术领域

本发明涉及一种用于神经心理学表现测试的方法和***。更具体地说，本发明涉及一种基于认知神经科学的神经心理学表现测试的方法和***。并且特别是，本发明涉及基于认知神经科学使用气质量表(inventory)的表现测试的方法和***，该气质量表是指对体验的自动情绪响应，从而获得测试对象或用户的准确的神经心理学表现，所述对体验的自动情绪响应在整个生命中适度可遗传且相对稳定。

背景技术

认知神经科学是认知心理学和神经科学或认知科学的混合分支。基于认知神经科学理论和实验神经心理学、神经语言学和计算机模型，确定了对象的心理现象与大脑结构之间的关系。基于实验认知神经科学的研究技术包括经颅磁刺激、功能磁共振成像、脑电图和脑磁图。有时会使用其他脑部成像技术，例如正电子断层扫描和单光子计算机断层扫描。单细胞电势记录用于动物，并进一步提出了令人信服的证据。用于调查的其他技术可以是微神经图、面部EMG和眼动仪。应用的神经科学一直在整合来自不同领域和不同规模的研究结果，足以达到关于生物社会人格的大脑功能的统一描述模型。

随着认知神经科学的发展，Robert Cloninger教授提出了一种生物社会人格的统一理论。他认为，获得准确的神经心理学表现的方法不仅需要考虑行为因素，而且还需要考虑潜在的生物学和社会决定因素，并且区分感知因素和概念因素。气质和性格量表(TCI)基于上述理论。它旨在通过实验方法(量表)来区分遗传性质(气质)与所获得的人格发展性质(性格)，以获得对象的神经心理学表现。TCI还可以用于识别各种人格障碍，以检查人格障碍发展的程度。TCI有7个维度，其中4个是气质的维度：新奇性探求(NS)、伤害性回避(HA)、奖赏依赖性(RD)和持久性(PS)；而其他3个则是性格的维度：自我定向性(SD)、合作性(C)和自我超越性(ST)。在现有技术中，使用气质和性格量表修订版本(TCI-R)通过以下项目个人特征的组合来评估对象的心理状态：对象的生理特征，例如身体健康因素、基因易损性、成瘾行为；社会特征，例如家庭环境、亲密关系、婚姻状况；和心理特征，例如合作能力、社交能力、关系能力、自尊心和心理健康。但是，传统的TCI-R方法更多地是关于自我管理，而不是自我报告，这使得它相对偏向干预，显然漏掉情绪评估。

神经心理学是对神经损伤或状况后行为改变的研究和表征。它是心理学的实验和临床领域，旨在了解行为和认知如何受到脑功能的影响，并涉及神经障碍的行为和认知作用的诊断和治疗。

在另一种评估记录中，现有技术中的洛夏或墨迹测试(Rorschach or Inkblottest)是投射式人格测试，其允许测试对象通过某种媒介建立与其内在的虚拟世界的联系，以不受约束的方式揭示其性格。这是一种基于心理学的纯粹人格测试方法。此方法通常用于处理具有高明头脑的高级管理者和罪犯的心理。该测试涉及情绪评估，但是获得的结果不可避免地会产生偏差。

在现有技术的另一参考文献中，神经经济学和神经金融学的发展尤其将决策制定和心理学描述为紧密交织在一起，因此孤立了该领域的强劲趋势。例如，Daniel Kahneman教授对不确定情况下的人类决策制定过程进行了研究，并已证明了人类行为受到非理性情感的***性偏见，并导致在可能的最佳经济结果的对角做出决策，因此最终可以加速金融危机的爆发。这些研究结果已经表明了理性投资者的理论，其甚至在压力下也可以摆脱情绪响应并做出理性决策。基于上述理论学科的背景以及诸如人工智能和人工神经网络技术发展等技术的不断发展，需要一种将神经科学与人工智能技术相结合的***和方法，以促进采用更合理的剖析测试。必须对测试对象的心理进行分析和处理，以获得准确的心理剖析结果，以便将这种结果应用到需要准确的神经心理学表现测试结果的多个场景，例如筛选、招聘、监管入职、数字跟踪、欺诈取证和所有不一定需要面对面会面的远程和/或虚拟服务。

发明内容

本发明提供了一种基于认知神经科学以获得测试对象或用户的准确的神经心理学表现测试结果的测试方法和***。

本发明提供了一种用于神经心理学表现测试的***，包括：终端设备(101)，用于与云服务器(102)交互，该云服务器存储用户信息，用户通过终端设备(101)登录到所述云服务器中；将通过终端设备(101)获得的用户信息输入并存储到登录状态的云服务器(102)中；测试模块(400)，包括用户信息，所述用户信息存储在云服务器(102)中或可以从云服务器(102)下载，所述测试模块(400)通过所述终端设备(101)被直接访问并且由人工神经网络训练；所述用户信息包括用户生物特征或情绪识别信息、神经心理学表现测试答案信息、以及用户时延或用户精密时计信息；并且所述终端设备(101)显示神经心理学表现测试结果。

本发明还提供了一种进行神经心理学表现测试的方法，包括：使用终端设备(101)与云服务器(102)交互，该云服务器存储用户信息，并由用户通过终端设备(101)登录到该云服务器；将终端设备(101)获得的用户信息输入并存储到登录状态的云服务器(102)；直接通过所述终端设备(101)访问包括用户信息的测试模块(400)，该用户信息存储在云服务器(102)中或者可以从云服务器(102)下载，以及通过人工神经网络训练所述测试模块(400)；以及所述用户信息包括用户生物特征或情绪识别信息、神经心理学表现测试答案信息、和用户时延或用户精密时计信息；以及通过所述终端设备(101)显示神经心理学表现测试结果。

本发明可应用于顾客剖析、神经心理学表现测试，并且还可以应用于人力资源的预筛查、远程筛查和引导流程；社交媒体的个人账户分类、欺诈预防和取证；客户关系管理和会面中的匹配；金融服务行业的新顾客的引导流程和远程引导流程，其遵守了解您的客户(“KYC”)或顾客尽职调查(“CDD”)规定；以及对个人的任何新的虚拟服务，包括为智能城市提供智能ID等。与其他识别和身份认证/验证技术兼容，本发明通过使用具有高度准确性和安全性的个人指标来创建真实的个人身份。因此，当今互联网的最大挑战中的一些(例如，大量的虚假/鬼账户，特别是虚假媒体账户)对社会构成威胁，它们也可以通过本发明得到处理。

附图说明

本文参考的附图构成说明书的一部分。除非另外明确指出，否则附图中所示的特征仅用于说明本发明的一些实施方式，而不用于说明本发明的所有实施方式。

图1是包括本发明的测试模块的神经心理学表现测试***100的示意图。

图2是本发明的终端设备的示意性结构图。

图3是显示了本发明的神经心理学表现测试***的操作的流程图。

图4是显示了本发明的测试模块400的工作原理的方框图。

图5(a)-(d)分别是本发明的神经心理学表现测试***中不同测试的时间响应和结果的示例的示意图。

图6(a)-(b)是本发明的神经心理学表现测试***的人工神经网络的示意图。

图7(a)是本发明的神经心理学表现测试100的流程图。

图7(b)-(f)是与图7(a)中所示流程相对应的屏幕快照的示意图。

图8是显示了本发明的神经心理学表现测试***的原始结果的示例的图表。

图9是图8中所示的对象的示例的人口统计数据或代理(在剖析中)。

图10是与检索的理想对象相对应的最终用户(客户)的购买顺序数据。

图11是本发明的各种参数的图示。

图12是使用本发明进行测试的结果的可能范围的表示。

图13是显示了本发明获得的测试结果的综合分析图的视图。

图14(a)和图14(b)是使用本发明的测试结果的解释性分析结果。

表1高处理表现和灵活性

具体实施方式

可以理解，本文中的附图通常描述和说明的组件可以按照各种配置进行布置和设计。因此，图中所示的装置、***和方法的实施例的以下详细描述并非旨在限制所要求保护的发明范围，而仅表示所选的实施例。

本说明书中描述的功能单元具有标注为管理器的元件。可以在诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备之类的可编程硬件设备中实现管理器。也可以通过各种类型的处理器在用于执行的软件中实现管理器。例如，可执行代码的标识的管理器可以包含计算机指令的一个或多个物理或逻辑块，例如，这些计算机指令可以被组织为对象、过程、功能或其他结构。但是，所标识的管理器的可执行文件不必物理地放置在一起，而是可以包含存储在不同位置的不同指令，当这些指令在逻辑上结合在一起时，可以包括管理器并获得管理器的既定目的。

确实，可执行代码的管理器可以是单个指令或很多指令，甚至可以分布在多个不同的代码段、不同的应用程序和多个存储器设备中。类似地，可以在管理器内识别和说明操作数据，并可以以任何合适的形式体现和以任何合适的数据结构类型进行组织。可以将操作数据收集成单个数据集，或者可以在不同位置(包括不同存储设备)上分布操作数据，并且操作数据可以至少部分地作为***或网络上的电子信号存在。

在整个说明书中对“选择实施例”、“一个实施例”或“实施例”的引用是指结合该实施例描述的特定特征、结构或特性至少包括在一个实施例中。因此，在整个说明书的各个位置中的短语“选择实施例”、“在一个实施例中”、或“在实施例中”的出现都不一定指代相同的实施例。

此外，可以在一个或多个实施例中以任何适当的方式组合所描述的特征、结构或特性。在以下描述中，提供了许多特定的细节，例如恢复管理器、认证模块等的示例，以提供对实施例的充分理解。然而，相关领域技术人员将认识到，可以在无需一个或多个特定细节的情况下或者在具有其他方法、组件、材料等的情况下实施本发明。在其他情况下，未详细显示或描述众所周知的结构、材料或操作，以免混淆本发明的多个方面。

参照附图将最好地理解所示出的实施例，其中用类似的数字指定类似的部件。以下描述仅是示例，并且仅说明了与本文要求保护的发明相一致的设备、***和过程的某些选定实施例。

图1是包括本发明的测试模块的神经心理学表现测试***100的示意图。终端设备101是最终用户输入接口，并且可以是移动通信设备或平板电脑或包括无线通信设备的其他移动终端。终端设备101主要用于与云服务器102进行交互，云服务器102存储用户信息。用户通过终端101登录到云服务器102，并输入和存储终端设备101获得的用户视频、语音和其他索引到登录状态的云服务器102。本地数据库103存储在应用程序中。在本地数据库103中，通过本地模型处理将问卷完全加密并随机提供给最终用户，以显示在终端设备101屏幕上，并基于终端设备101获得的最终用户的面部表情信息，结合用户对问卷的每个问题的输入，给出神经心理学表现结果。测试模块或问卷(未在图1中显示)可以包含在云服务器102中，并且通过终端设备101直接访问相关信息。或者，可以在步骤104或步骤105从云服务器102或本地数据库103将测试模块下载到终端设备101。有关测试模块的详细说明，请参见图2。

图2是本发明的终端设备的示意性结构视图。终端设备101包括：输入设备106，其包括问卷选择设备107，例如触摸按钮；和/或能够采集最终用户的面部表情的成像设备108，例如摄影机；和/或语音输入设备109，例如麦克风。终端设备101还包括显示设备110、处理单元111和存储器112。终端设备101获得最终用户通过输入设备106响应问卷的信息，将信息存储到云服务器102，并将其输入到本地数据库103中；通过位于云服务器102或本地数据库103中的分析，通过显示设备108显示神经心理学表现的结果。

图3是显示了本发明的神经心理学表现测试***的操作的流程图。在步骤200处，神经心理学表现测试***开始运行。在步骤201处，对象输入对问卷选择设备107的答案选择。在步骤202处，通过摄影机设备108获得对象的关于神经心理学表现的面部表情，和/或通过语音输入设备或麦克风109(例如，笑声或者声调的改变)获得的对象的关于神经心理学表现的语音信息。在步骤203处，终端设备的处理单元111记录对象输入问题答案的延迟时间(时延)。并且，在步骤204处，确定表现测试是否已经结束。测试完成后，在步骤205处，使用分析模块获得测试对象的神经心理学表现。如果测试未结束，则重复上述步骤201、202和203；最后，在步骤206处，根据神经心理学表现，获得对象的心理信用指数。在步骤203处，将面部表情信息和延迟时间(时延)信息输入到分析设备中；分析设备分析测试对象的神经心理学表现，并将输出心理测试结果定向到计算模块，并且通过执行以下公式计算(1)来计算对象的可信度(TWI)指数或信誉(CWI)指数，以使用移动人工智能207和人工神经网络(“ANN”)409获得此分析的结果：

心理可信度指数TWI＝[(RP×T)×TT×(BT×C)] (1)

结果在0-120的范围内。

其中，RP是风险剖析，T是真实性，TT是思维类型，BT是生物特征类型，C是置信度得分。详细信息将在图4中进行描述。

图4是显示了本发明的测试模块400的工作原理的方框图。本发明的测试模块是五部分信息输入测试模块，第一部分是测试对象的用户注册信息或代理401，包括：年龄、性别、工作级别、教育水平、基因遗传、区域、便携式设备、浏览器或用户名、IP地址或电话号码、日期、时间、测试时的天气；第二部分是组织(最终客户的参数)数据402，该数据需要针对特定客户检索或CRM中匹配过程的神经心理学表现评估，包括：客户经理风险剖析、客户行业类型、同期群风险剖析中值、检索用户风险剖析、检索用户教育水平、用户目标工作/投资水平、用户目标工作/投资者角色、特定要求、优选的用户TWI/CWI指数范围、日期；第三部分是测试用户的时延(用户精密时计)信息403，包括：平均测试时延、最小/最大/平均响应时间、一致性/可变性、果断性/不确定性，节奏(cadence)/有异常；第四部分是用户生物统计(情绪)识别信息404，包括：面部情绪、一致性/可变性、持续/转变、矛盾度/异常反应、态势感知、通过矛盾度识别进行测谎。

除上述四个部分外，第五部分指的是神经心理学表现剖析测试结果405，包括对评估问题的答案。问卷的评估问题通常为是(YES)或否(NO)的问题，每份问卷的数量为30个问题，其根据用户语言的语言学和语义要求以及用户区域的社会和文化背景而翻译和本地化。心理评估的目标是获得测试对象的气质维度信息406，此外，是将它们与对象的时延(时间)信息403和对象的生物(情绪)识别信息404结合起来以获得对象的用户表现407。最后，通过将用户注册信息401与用户表现数据407相结合，可以得出对象的可信度或信誉指数408。可以通过将用户表现数据407与需要客户代表心理测试的客户的参数402相结合，来实现针对CRM(客户关系管理)的匹配。

获得上述气质维度信息406的方法与现有技术的气质和性格量表修订版本(TCI-R)一致。TCI-R维度中有4个是气质相关的维度，包括：新奇性探求(NS)、伤害性回避(HA)、奖赏依赖性(RD)和持久性(PS)；3个是性格相关的维度，包括：自我定向性(SD)、合作性(CO)和自我超越性(ST)。根据Cloninger教授观点，气质相关的维度在一生中相对稳定，而性格相关的维度在一生中更具进展性和变化性。在这7个维度中，已经识别出以下的子维度：对于新奇性探求(NS)，包括探索兴奋性(NS1)、冲动性(NS2)、奢侈性(NS3)、无序性(NS4)；对于伤害性回避(HA)，包括预期性担忧(HA1)、对不确定性的恐惧(HA2)、对陌生人的害羞(HA3)、疲劳性(HA4)；对于奖赏依赖性(RD)，包括多愁善感(RD1)、热情交流的开放性(RD2)、依恋(RD3)、依赖性(RD4)；对于持久性(PS)，包括努力的渴望(PS1)、刻苦工作(PS2)、雄心勃勃(PS3)、完美主义(PS4)；对于自我定向性(SD)，包括责任感(SD1)、目的性(SD2)、机智性(SD3)，自我接纳(SD4)、开明的第二天性(SD5)；对于合作性(C)，包括社会接纳(C1)、共情(C2)、乐于助人(C3)、同情(C4)、真诚的道德心(C5)；对于自我超越性(ST)，包括自我遗忘(ST1)、超个人认同(ST2)、精神接纳(ST3)。在上述7个维度中，本发明主要涉及NS、HA和RD维度，因为它们更清楚地与基因遗传相关，并且作为准确表现的判断标准似乎更加客观。这些维度已经通过功能MRI进行了研究，并与大脑的神经生理学相关，大脑使用不同的回路来传递信息，其中涉及各种生化物质，以实现自然神经元(也称为“神经传导物质”)之间的传递。其中，NS与涉及多巴胺的低多巴胺能活性相关；HA与涉及5-羟色胺的高5-羟色胺能活性相关；RD与涉及去甲肾上腺素的低肾上腺素能活性相关，也与功能失调的内源性***素***相关。

本发明的测试模块以30个Yes(是)或No(否)问题的问卷的形式出现。问题的类型和性质是可变的。可以根据访问本地数据库的规则对问卷的结构进行调制、标准化或个性化。

这些问题中的每一个都对应一对(两个)答案，是或否，其产生对测试对象的气质类型的解释。由于这种特定的结构，这些问题被称为双射的。

除了问题的双射性质外，它们还分为两组：主要类型和次要类型。主要类型与生活中的主要和明显的情况或问题有关，而次要类型与更多的复杂思想和问题有关。在发明问卷中，主要类型问题的频率是次要类型问题的多倍。

例如，以下问题是主要类型：

您喜欢园艺吗？HA/NS

您喜欢跳舞吗？RD/HA

受伤后您是否寻求复仇？NS/RD

每个问题都有其特定的二维属性。如上所述，第一个问题是：“您喜欢园艺吗？”是与伤害性回避(HA)相对于新奇性探求(NS)相关的主要类型的问题。当对这个问题的答案是Yes时，意味着测试对象或用户的气质是偏向于HA，相反如果答案为No，则气质是偏向于NS。NS为风险寻求(接受)，而HA为风险规避(反感)。类似的方法适用于RD/HA问题类型，例如“您喜欢跳舞吗？”。如果用户选择答案“No”，那偏向于为风险规避(反感)的HA；如果用户的响应是“Yes”，则偏向于为风险依赖(依赖)的RD。每个问题的答案均在3个维度/统计堆栈(bin)中的一个中得到一个数据点，并且累积最多数据点的3个统计堆栈的最高得分将确定用户的气质结果，也被称为风险剖析的主要得分。具有第二最高数的数据点的第二统计堆栈将确定风险剖析的次要得分，并且主要和次要得分的组合将成为用户风险剖析得分。

在本发明中，大脑处理时间称为时延，表现测试平均时延信息是问卷测试的平均时间除以所问问题的总数，或者是30个问题中每一个问题的问题到答案之间的时间间隔之和，或者如果需要重新验证，则更长，然后除以此问题数。测试平均时延的范围在0.273到10秒之间。将测试用户获得的结果分类并放入三个或五个类别模型中的一个中。在三个类别模型中，可以将其描述为短、中和长，同时以毫秒或秒进行计时。假设测试用户所属的测试群体具有正态分布且其中值在3秒左右，则短表示小于3秒，中表示3到5秒，长表示大于5秒。由于这个原因，五个类别模型比较受青睐，因为它与2标准偏差模型更兼容，并且分为超短(XS)、短、中、长、超长(XL)。0.273至2秒的大脑处理时间或时延被认为超短；2至3秒为短；3到5秒为中；5至7秒为长；如果超过7秒，则超长。假设群体是正常或准正常，并且群体中值约为3秒，则将第一个标准偏差设置在2到7秒之间。低于2秒或超过7秒的任何结果都被认为是不寻常的，并且需要新的类似性质的问题来对问卷进行验定/重新验证。如果重新验证的次数超过6次，则认为整个问卷结果不真实，因此无效。在问卷被激活的同时，摄影机108开始采集被分为两部分的调查视频：在屏幕上接收到问题后立即捕捉面部情绪信息，也被称为“反应时间”，人类“反应时间”的中值为0.273秒，由移动AI207处理以用于面部识别；然后，视频采集在反射时间期间继续，直到测试用户通过在屏幕上键入Yes或No、或者通过语音输入设备109记录语音答案或语音信息、或者如果用于语音运动协调模式研究则记录文本和语音两者来决定响应。将测试对象的面部表情信息(也称为情绪)与预先存储在***中的生物信息(也称为训练数据)进行比较。对于匹配的信息，将确定输入是否正常以及生物特征类型是否与测试对象的预期情绪相对应；或如有偏差，有多少偏差以及足以取消该记录资格的偏差是多少。如果本发明的移动AI取消了对问题的情绪资格，那么在30个问题标准模型的末尾将再次提出一个类似类型的新问题，并将制作31个问题的问卷，30标准加1个重新验证，这将有助于评估真实性。例如，对于问题“您喜欢园艺吗？”，如果答案预计为“Yes”时，主要生物型为“惊奇”，如果答案预计为“No”，则次要生物型为“中性”。训练数据将修改ANN的权重和偏向，对真实群体的测试对象也将允许本发明建立基于文化和区域的反应库，并对反应库进行比较，以获得非常精确的表现结果。在这个阶段提供一个群体的规格应该是中值还是平均水平的结论是不恰当。反向传播误差计算也应有助于降低本发明多层感知器的成本功能，下面将对其进行详细讨论。

除上述主要类型的问题外，本发明问卷还使用一组次要类型问题，其发生次数较少，例如：

您在花钱时感到开心吗？NS/HA

您是否把问题留给自己？HA/RD

在做出决定之前，您是否考虑对错？RD/NS

类似于主要问题类型，每个次要问题都有其自身的二维特性，这些特性是指气质特征。在测试对象对问题的答案Yes或No的情况下，气质数据点与问题双射结构有关。主要类型信息的完全相同的处理应用于次要类型。类似地，本发明采集了对问题做出反应的测试对象的面部表情，记录了处理问题的时延时间，并且最终记录了他对问题回应的语音信息。相关算法以及正常和异常反应的处理被认为是本发明的核心，从而能够提供关于测试对象的可信度和信誉的报告，也称为可信度指数或CWI和信誉指数或TWI。

为了进行评估，本发明引用面部识别***使用的8种不同的情绪类型，包括用于便携式设备上的面部识别的移动AI***，包括推荐用于进行本发明的测试的设备。8种类型是：蔑视(“CO”)、惊讶(“SU”)、愤怒(“AN”)、悲伤(“SA”)、中性(“NE”)、厌恶(“DI”)、恐惧(“FE”)和开心(“HP”)。本发明还对每种情绪赋予一定的系数，以便通过公式得出得分和指数。

图5(a)-(d)是两类问题(主要和次要)答案的4个示例的示意图，无论回答是Yes还是No，都有触发Q到情绪响应(8个选择中的1个)到认知响应(Yes或No)的时间线的崩塌，并且计时器停止直到下一个问题出现在屏幕上。重复此单个过程30次或直到测试结束，最多36个问题，其中仅30个问题将被核算。图5(a)、(b)显示了在接受主要类型问题“您喜欢园艺吗？”时，对象在回答“Yes”时可能会表达相应的情绪“SU”，在回答“No”时可能会表达相应的情绪“NE”，这将确定HA或NS数据点是否会转到3个统计堆栈结果并累积，直到其中1个统计堆栈包含多于其他2个统计堆栈，从而确定主要风险剖析。图5(c)、(d)将相同原则应用于次要类型问题“您在花钱时感到开心吗？”。对于创建NS数据点的Yes答案，情绪是开心。对于创建HA数据点的No答案，情绪是恐惧。

图6(a)是本发明的前馈人工神经网络的示意图，也称为神经心理学表现测试***的多层感知器。网络分为三类：人工神经元或节点层、输入层、隐藏层和输出层。输入层是用于问题类型、答案和情绪的三维向量。这3个输入由整数表示。问题类型(HA/NS，RD/HA，NS/RD，NS/HA，HA /RD，RD/NS)的整数值为0、1、2、3、4或5，答案类型(Yes或No)的值是0或1，即情绪类型(蔑视(“CO”)、愤怒(“AN”)、悲伤(“SA”)、中性(“NE”)、惊讶(“SU”)、开心(“HP”)、恐惧(“FE”)、厌恶(“DI”))的整数值从0到7。输出也是一个整数，表示3个风险剖析(HA、RD、NS)值中的一个为0、1或2。

对于训练数据，每个条目由问题类型、答案和检测的情绪组成。本发明的ANN将以3层模型开始并将数据馈送到模型中。训练后，得到最佳权重，从而可以得到过程的非线性表达。

反向传播是训练的一部分，包括两个阶段：激励传播和权重更新。在激励传播阶段，每个迭代的传播环节包括两个步骤：1.前向传播阶段：将训练输入发送到网络以获得激励响应；2.反向传播阶段：激励响应与训练输入相对应。评估目标输出以获得输出层和隐藏层的响应误差。在权重更新阶段，对于每个突触(节点之间的交叉点)权重，进行以下更新：1.将输入激励和响应误差相乘以获得权重的梯度；2.将该梯度乘以比例并取反加到权重；该比例(百分比)将影响训练过程的速度和效果，因此成为“训练因子”。梯度的方向表示误差扩大的方向，因此在更新权重时需要对权重取反，从而减小由权重引起的误差。阶段1和阶段2可以通过反复重复迭代，直到网络对输入的响应达到满意的预定目标范围为止。例如，如果问题类型是HA/NS，并且用户答案No带有惊讶(SU)样，则该用户的实际风险剖析是NS。然后输入为[0,1,4]，并且模型已经知道输出应为2。如果输出为1，则该模型将修改反向传播中的权重，特别是将权重乘以2，最终结果可以为2。图6(b)是本发明的神经心理学表现测试***的人工神经网络的示意图。

人工神经网络算法：

x₁：问题类型∈[0,5]

x₂：问题的答案∈[0,1]

x₃：情绪∈[0,7]

提出的架构是受监督的、完全连接的、前向人工神经网络。其使用反向传播训练和广义连续感知规则学习(delta rule learning)。

1.超参数/输入和输出：

输入层分别由三个节点构成，分别是问题类型、问题的答案和情绪。问题类型是从0到5的整数(HA/NS，RD/HA，NS/RD，NS/HA，HA/RD，RD/NS)。答案为0或1(Yes或No)。情绪为从0到7(CO，AN，SA，NE，SU，HP，FE，DI)。

输出层由一个节点(风险剖析)构成。它是从0到2(HA，RD，NS)的整数。

通过不同组合的实验确定隐藏层数和每个隐藏层中的节点数。

2.训练过程：

2.1.每个节点的输出为：

是此节点的权重

是偏差。

初始化具有随机值的权重和偏差。

将激活函数应用于节点的输出。在这种情况下，通过以下方式应用ReLU：

输出层的输出是通过总计最后一层中所有节点的输出得出的：

是最后一个隐藏层的权重

是最后一个隐藏层的偏差

和

是输出层的权重和偏差

2.2.在给出输出之后，运行反向传播以最小化验证数据集和相应目标之间的误差：

δ_h＝y₀(1-y₀)(y₀-t)

y₀是输出层的输出

t是目标输出(地面真值(ground truth))

2.3.对于每个节点，计算反向传播误差项：

2.4.通过以下方式将突触权重从第n层的节点更新为第n+1层的节点：

y是学习率。然后：

2.5.计算均方误差：

数据的15％用于验证数据集。

2.6.重复前向传播和反向传播，直到达到时限(epoch limit)的数量或提前停止标准为止。

训练后，模型在15％测试数据集上运行以计算精度、准确性和F得分。

图7(a)是本发明的神经心理学表现测试***100的流程图。图7(b)-(f)是与图7(a)中所示流程相对应的屏幕快照示意图。商标页接口701允许分别通过登录键和注册键访问登录页接口702或注册(正式注册)页接口703；其中登录页702与通过用户名和密码进行的测试对象的认证有关，注册页与用于测试对象的剖析的用户基本信息和代理有关。信息和代理例如年龄、性别、工作级别、教育水平、基因遗传、区域、便携式设备、浏览器或(有时)用户名、IP地址或无国家/地区代码的移动电话号码、测试日期、测试时间、在测试开始时的天气。通过登录页702访问主页接口707。主页接口707用作连贯其他模块辅助性的中央接口，包括在接口704进行“重做调查”的选择；在接口705检查/挑选(选择)测试结果；并在接口706选择接口访问首选项并修改/删除/取消个人信息(但是不敏感)。如果在接口703处的注册过程结束时被请求，在接收到测试对象的同意之后，开始调查接口704允许***启动本发明的神经心理学性能测试的问卷，同时激活便携式设备的摄影机和麦克风。在开始调查接口704和测试结果页705的调查期间，测试对象与每个阶段的***进行交互，直到结果在测试结果页705公布为止，包括风险剖析、思维类型和生物特征类型的得分，以及在测试对象同意下客户专门针对测试对象请求的检索情况下的指数。

图8是显示了本发明的神经心理学表现测试***的原始结果的示例的图表。该图用于内部处理，测试对象或可能要求检索的客户都无法访问该图。当完成处理时，它将与视频记录一起存储在云存档中。其显示了Yes和No响应的数量、每个维度中答案的数量(无论是HA、RD还是NS)、以及每个项目在总数中的百分比。同时，它还会根据其中哪一项达到百分比的最高值和第二最高值而显示主要和次要风险剖析。在图8中给出的示例显示，测试对象的RD气质维度占40％，NS占33％，因此主要风险剖析是“依赖”，次要是“承担”。测试对象情绪类型主要是惊讶“SU”，次要类型是悲伤“SA”，置信度得分为97％。该对象的平均测试时延为3.6266秒，而理论上中值设置为3。此示例的测试对象包含2个少于2秒的异常时延和4个异常情绪，总共进行了6次验证，因此可信度得分为30/36，等于83.33％。

图9是一张图表，其显示了在用于注册的注册页收集的人口统计非敏感数据和代理以及图8所示的测试对象数据的示例。它包括基本信息，例如年龄、性别、工作级别、教育水平、区域以及用于剖析的更多特定代理。

图10是显示由客户提供的数据的图表，该客户正订购特定用户剖析的检索，例如图8中所示的测试对象。客户数据也是不敏感的，例如客户的客户经理(RM)风险剖析，其要求该RM在要求与特定用户进行匹配之前先进行本发明的测试；标准产业分类中的客户行业：涉及匹配客户期望的客户同期群风险剖析中值；特定用户表现的客户检索说明：用户风险剖析、用户教育水平、用户期望的工作/投资级别、用户期望的工作/投资者角色、特定要求(例如最小投资规模、大学学位等)和优选用户TWI或CWI范围；检索的日期。图表1中描述了关于图8、9和10的神经心理学表现测试过程以及对象与客户所需信息之间的关系。

图表1是显示了通过图2中的设备收集并在图3和图4描述的整个过程期间通过图5和6中描述的技术处理和整合的5个不同的信息池的图表。详细说明表现的目的和计算由本发明的***收集和处理的数据点的数量的目的是证明信息的密度，发明从该密度得出其结果。用户数据和代理占12个数据点，客户检索信息占10个数据点，问卷答案占30个数据点(仅有效)，平均时延和计时图形的分析占5个数据点，最后情绪采集占30个(每个问题1个，仅有效答案)加5个面部表情分析等于35个数据点。在调查期间生成和处理的数据点总数为12×10×5×35×30等于630,000个数据点。对于在随后使用神经心理学表现测试期间可以记录的每个附加问题，将计为12×10×5×6×1，等于3,600个数据点。从技术或商业角度来看，使用人工智能分析和统计分析相结合来获得单个个体上的这种数据点密度，标志着朝着更加公正的个性和同一性的方法迈出了一步，其不仅增加了剖析的可信度，而且允许在定量指导的驱动下作出理性决策，无论是对用户还是客户方。

图11是本发明各种参数的图示。包括，风险剖析(RP)是主要和次要气质得分的最终组合，Yes答案相对于No答案的比例限定了决策类型(D)是积极的还是消极的，并以两种可能性中最高的一种获得的百分比格式进行交付，真实性(T)是问题的数量除以该数量加上最终重新验证的数量乘以100的比率，测试对象的平均时延除以给出思维类型(TT)得分的参考群体的时延中值，领导力(LS)得分是思维类型乘以工作级别和教育水平，工作适应度(JF)得分是领导力除以年龄(以年为单位)，矛盾度(CT)得分是领导力乘以(1减去决策权)，生物特征类型(BT)是平均的主要和次要情绪系数除以2所得的总和，置信度指数(C)通过在本发明的前文的处理面部识别的移动AI来计算。

图12是显示了由本发明在处理结束时提供的得分的可能范围的图表。提出了3种类型的度量标准并将其相互关联以构建测试对象或用户的立体3D剖析。第一部分称为心理测验，是指表现测试的心理部分。风险剖析的主要和次要得分通过在3个维度/统计堆栈中调查期间答案的数据点的分布给出。有效性由在单个事件测试期间以及在例如20％或最多例如高至6个附加问题的限制范围内记录的重新验证次数(情绪或认知或计时失败的响应)确定。决策范围为50-80％，因为Yes或No答案的最小值应为20％。真实性范围是83-100％，因为30/36或83％对应于重新验证的最大值。在以下情况下，该测试被视为无效。第二部分称为精密时计，是指表现测试的计时部分(使用计时器)。完全测试的平均用户时延范围在2,000毫秒和7,000毫秒之间，尽管事实是某个单个问题可能会在30个问题测试期间记录出异常的时延。思维类型范围是0.25到3.5。领导力得分范围在0.25和125之间。工作适应度的范围在0到7之间。矛盾度的范围可以在0和62之间。第三部分称为生物特征，是指表现测试的面部情绪识别部分的结果。无论眼睛、鼻子、嘴唇、下巴和面部的其他特征是否被准确识别和标记，移动AI都会给出关于其准确识别8种情绪的能力的置信度得分(以百分比计)。生物特征类型是指主要(Yes组，积极情绪)和次要(No组，负面情绪)情绪的平均值，范围在1-4之间。

图13是显示了使用本发明通过图8和9中描述的测试对象获得的得分的综合用户表现的图表。综上所述，上述用户具有RP型的接受-依赖(Taker-Dependent)，其得分+6，D得分60％型Yes，T得分83.33％，TT得分1.21，LS得分43.56，JF得分0.85，BT型得分+3.5，置信度得分97％。用户CWI指数为20.53，比例为0到120。金融服务行业的客户要求提供该剖析，以提高金融产品的销售，即投资组合的增长。不幸的是，对于客户而言，该用户获得的得分很少，例如T，并且他的时延接近中值，这可能意味着这个年龄段的人(男性51岁)大脑活动缓慢，或者暂时性问题或注意力不集中，从而影响结果。本发明建议最少在6到12个月内进行一次新的测试。可以在菜单中选择检索类型，例如：屏幕、机载、管理、增长等。并且必须通过检索顺序实体选择报告类型，例如：用户、客户、帐户、管理员等。

表14(a)和图14(b)是使用本发明的表现测试结果对咨询功能进行解释性分析的专用图表。测试结果分为图12中描述的相似的三个部分。第一部分是风险剖析(RP)，该分析剖析被划分为6个类别，其已经根据风险得分组合(主要+次要)的社会兴趣被归属于一系数。例如，对于接受厌恶(Taker Averse)+1；对于厌恶依赖(Averse Dependent)+2；对于依赖厌恶(Dependent Averse)+3；对于厌恶接受(Averse Taker)+4；对于依赖接受(Dependent Taker)+5；对于接受依赖(Taker Dependent)+6。第二部分是思维类型(TT)，其根据群体的分布、变化和标准偏差分为5类，并根据亚群体和特殊同期群测试的变化而变化。假设群体是正常的或近似正常的，则该系数已经根据测试对象的基本思考过程被归属(attributed)，大脑处理的长度是大脑成熟度的指标。例如：+1表示群体的最低端-5％处、在中值以下的负2个标准偏差(-2SD)；+2表示通常在群体的-5％和-15％之间、中值以下的负1个标准偏差(-1SD)；+3表示接近群体的中值，通常在群体的70％处，在-15和+15％之间；+4表示通常在群体的+15和+5％之间、中值以上的正1个标准偏差(+1SD)；+5表示在群体的最高端处、在中值以上正2个标准偏差(+2SD)。第三部分是生物特征类型(BT)，它分为4个类别，假设是最高正(Yes答案)情绪得分和最高负(No答案)情绪得分之间的平均调查类型。系数已经根据表明平均情绪反应的社会兴趣和交流价值的情绪被归属。例如：+1表示蔑视或厌恶；+2表示愤怒或恐惧；+3表示开心或悲伤；+4表示惊讶或中性。根据这些得分的计算结果，通过下公式极大地简化了信贷顾问的CWI指数或保险顾问的TWI指数的最终计算：

CWI或TWI＝＝[(RP×T)×TT×(BT×C)]

因此，指数的范围可以在0到120之间。假设T＝100％和C＝100％，最大值120为[6×5×4]。

除上述领域外，本发明还可应用于人力资源的预筛查、远程筛查和引导流程；社交媒体的个人账户分类、欺诈预防和取证；客户关系管理和会面中的匹配；金融服务行业的新顾客的引导流程和远程引导流程，其遵守了解您的客户(“KYC”)或顾客尽职调查(“CDD”)规定；以及对个人的任何新的虚拟服务，包括为智能城市提供智能ID等。与其他识别和身份认证/验证技术兼容，本发明通过使用具有高度准确性和安全性的个人指标来创建真实的个人身份。因此，当今互联网的最大挑战中的一些具有大量的虚假账户，其中的虚假社交媒体账户可能会对社会构成威胁，这些挑战也可以通过本发明加以解决。

表1高处理表现/和灵活性

如本领域技术人员将理解的，本发明的各方面可以体现为***、方法或计算机程序产品。因此，本发明的各方面可以采取以下形式：完全硬件实施例、完全软件实施例(包括固件、驻留软件、微代码等)或通常可以全部在本文被称为“电路”、“模块”或“***”的组合软件和硬件方面的实施例。此外，本发明的各方面可以采取计算机程序产品的形式，该计算机程序产品体现在其上体现有计算机可读程序代码的一个或多个计算机可读介质中。

可以利用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是例如但不限于电子、磁、光学、电磁、红外或半导体***、装置或设备或前述的任何合适的组合。计算机可读存储介质的更具体示例(非详尽列表)将包括以下内容：具有一根或多根电线的电连接、便携式计算机软盘、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或闪存)、光纤、便携式紧凑式盘只读存储器(CD-ROM)、光学存储设备、磁存储设备或前述的任何适当组合。在本文的上下文中，计算机可读存储介质可以是可包含或存储供指令执行***、装置或设备使用或与其结合使用的程序的任何有形介质。

计算机可读信号介质可以包括例如在基带中或作为载波的一部分的传播的数据信号，该传播的数据信号具有嵌入其中的计算机可读程序代码。这样的传播信号可以采取多种形式中的任何一种，包括但不限于电磁、光学或其任何合适的组合。计算机可读信号介质可以是不是计算机可读存储介质的任何计算机可读介质，并且可以传送、传播或传输供指令执行***、装置或设备使用或与其结合使用的程序。

可以使用任何适当的介质来传输体现在计算机可读介质上的程序代码，所述介质包括但不限于无线、有线、光纤缆、RF等或者前述的任意适当的组合。

可以以一种或多种编程语言的任何组合来编写用于执行本发明各方面的操作的计算机程序代码，所述编程语言包括诸如Java、Smalltalk、C++等的面向对象的编程语言以及诸如“C”编程语言的常规过程编程语言或类似的编程语言。程序代码可以完全在用户计算机上、部分在用户计算机上、作为独立软件包、部分在用户计算机上且部分在远程计算机上或完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机，或者可以与外部计算机进行连接(例如，通过使用互联网服务供应商的互联网)。

上面参考根据本发明实施例的方法、装置(***)和计算机程序产品的流程图图示和/或框图描述了本发明的各方面。将理解的是，流程图图示和/或框图的每个框以及流程图图示和/或框图中的框的组合可以由计算机程序指令来实现。可以将这些计算机程序指令提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，从而使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或一个或多个框图框中指定的功能/动作的装置。

也可以将计算机程序指令加载到计算机、其他可编程数据处理装置或其他设备上，以使一系列操作步骤在计算机、其他可编程装置或其他设备上执行以产生计算机实现的过程，从而使在计算机或其他可编程装置上执行的指令提供用于实现流程图和/或一个或多个框图框中指定的功能/动作的过程。

也可以将计算机程序指令加载到计算机、其他可编程数据处理装置或其他设备上，以使一系列操作步骤在计算机、其他可编程装置或其他设备上执行以产生计算机实现的过程，从而使在计算机或其他可编程装置上执行的指令提供用于实现流程图和/或一个或多个框图框中指定的功能/动作的过程。

附图中的流程图和框图示出了根据本发明的各种实施例的***、方法和计算机程序产品的可能实施方式的架构、功能和操作。就这一点而言，流程图或框图中的每个框可以表示代码的模块、段或部分，其包括用于实现一个或多个指定的逻辑功能的一个或多个可执行指令。还应注意，在一些替代实施方式中，框中指出的功能可以不按图中指出的顺序发生。例如，取决于所涉及的功能，实际上可以基本上同时执行连续示出的两个框，或者有时可以以相反的顺序执行这些框。还应注意，框图和/或流程图图示中的每个框以及框图和/或流程图图示中的框的组合可以由执行指定功能或动作的基于专用硬件的***或专用硬件和计算机指令的组合来实现。

本文所使用的术语仅出于描述特定实施例的目的，并不旨在限制本发明。如本文所用，单数形式“一”、“一个”和“该”也意图包括复数形式，除非上下文另外明确指出。将进一步理解的是，当在本说明书中使用术语“包括”和/或“包含”时，其指定了所述特征、整数、步骤、操作、元件和/或部件的存在，但并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元素、部件和/或它们的组。

所附权利要求书中的所有装置或步骤加上功能元件的相应结构、材料、动作和等同物旨在包括用于与具体要求保护的其他要求保护的元件组合地执行功能的任何结构、材料或动作。已经出于说明和描述的目的给出了本发明的描述，但并不意图是穷举的或将本发明限制为所公开的形式。在不脱离本发明的范围和精神的情况下，许多修改和变型对于本领域普通技术人员将是显而易见的。选择和描述实施例是为了最好地解释本发明的原理和实际应用，并使本领域的其他普通技术人员能够理解本发明的各种实施例，这些实施例具有适合于预期的特定用途的各种修改。因此，增强的评估模块支持对该领域中参与受试者的认知和行为评估，并且同时为评估提供独特的测试利用和相关测试电池。

应当理解，尽管本文出于说明的目的已经描述了本发明的特定实施例，但是可以在不脱离本发明的精神和范围的情况下进行各种修改。因此，本发明的保护范围仅由所附权利要求及其等同物限制。

Claims (26)

1.一种用于神经心理学表现测试的***，包括：

终端设备(101)，所述终端设备用于与云服务器(102)交互，所述云服务器(102)存储用户信息，并且用户通过所述终端设备(101)登录到所述云服务器(102)；

通过所述终端设备(101)获得的用户信息被输入并存储到登录状态的所述云服务器(102)中；

测试模块(400)，所述测试模块包括所述用户信息，所述用户信息存储在所述云服务器(102)中或者能够从所述云服务器(102)下载，并且所述测试模块(400)通过所述终端设备(101)被直接访问并且由人工神经网络训练；以及

所述用户信息包括用户生物特征或情绪识别信息、神经心理学表现测试答案信息、以及用户时延或用户精密时计信息；并且所述终端设备(101)显示神经心理学表现测试结果。

2.如权利要求1所述的***，其中，所述用户信息还包括用户注册信息或代理；和/或最终客户的参数。

3.如权利要求1所述的***，其中，所述人工神经网络是使用反向传播训练和广义连续感知规则学习的受监督的、完全连接的、前向人工神经网络。

4.如权利要求1所述的***，其中，所述用户生物特征或情绪识别信息包括面部表情信息和/或语音信息，其中，所述面部表情信息通过成像设备(108)获得和/或所述语音信息通过语音输入设备(109)获得，并且神经心理学表现测试答案通过问卷选择设备(107)在输入设备(106)中获得。

5.如权利要求1所述的***，其中，所述终端设备(101)包括显示设备(110)、处理单元(111)和存储器(112)；所述用户信息由所述处理单元(111)处理并存储在所述存储器(112)中，并且所述显示设备(108)显示神经心理学表现测试结果。

6.如权利要求1所述的***，其中，所述测试模块(400)包括问卷，所述问卷通常是每份问卷30个数量的是非问题，以获得气质维度信息，每个问题的答案属于HA/NS、RD/HA、NS/RD、NS/HA、HA/RD、RD/NS中的气质维度中的一个。

7.如权利要求3或6所述的***，其中，所述人工神经网络由输入层、隐藏层和输出层组成，其中，所述输入层由分别为问题类型、问题的答案和情绪的三个节点构成；所述输出层由风险剖析的一个节点构成；并且每个节点的输出为：

是该节点的权重，

是偏差，

初始化具有随机值的权重和偏差；

将激活函数应用于节点的输出；在这种情况下，通过以下方式应用线性整流单位函数(Rectified Linear Unit,ReLU)：

输出层的输出通过总计最后一层中所有节点的输出得出：

是最后一个隐藏层的权重，

是最后一个隐藏层的偏差，

和

是输出层的权重和偏差。

8.如权利要求7所述的***，其中，运行所述反向传播以最小化验证数据集和相应目标之间的误差：

δ_h＝y₀(1-y₀)(y₀-t)

y₀是输出层的输出，

t是目标输出(地面真值)

对于每个节点，计算反向传播误差项：

通过以下方式将突触权重从第n层的节点更新为第n+1层的节点：

y是学习率，然后：

计算均方误差：

数据中的15％用于验证数据集。

9.如权利要求8所述的***，其中，重复前向传播和所述反向传播，直到达到时限的数量或提前停止标准为止，并且训练后，模型在15％测试数据集上运行以计算精度、准确性和F得分。

10.如权利要求3所述的***，其中，激励传播阶段包括传播环节，所述传播环节在每次迭代中由以下两个步骤构成：

1)前向传播阶段：将训练输入发送到网络以获得激励响应；以及

2)反向传播阶段：激励响应与训练输入相对应。

11.如权利要求10所述的***，其中，评估输出以获得所述输出层和所述隐藏层的响应误差；在权重更新阶段，对于节点权重之间的每个交叉点，更新由以下两个步骤构成：

1)将输入激励和响应误差相乘以获得权重的梯度；

2)将该梯度乘以比例并取反加到权重上。

12.如权利要求1所述的***，其中，能够基于所述神经心理学表现测试结果根据以下公式获得用户的可信度(TWI)和信誉指数(CWI)：

心理可信度指数TWI＝[(RP×T)×TT×(BT×C)] (1)

RP是风险剖析，T是真实性，TT是思维类型，BT是生物特征类型，C是置信度得分；并且TWI或CWI在0-120的范围内。

13.如权利要求12所述的***，其中，TWI或CWI通过比较统计或者通过使用用于行为模式识别的第三代AI引擎而获得。

14.一种用于进行神经心理学表现测试的方法，包括：

使用终端设备(101)与云服务器(102)交互，所述云服务器存储用户信息，并且由用户通过终端设备(101)登录到所述云服务器；

将所述终端设备(101)获得的用户信息输入并存储到登录状态的云服务器(102)中；

直接通过所述终端设备(101)访问包括所述用户信息的测试模块(400)，所述用户信息存储在所述云服务器(102)中或者能够从所述云服务器(102)下载，以及通过人工神经网络训练所述测试模块(400)；以及

所述用户信息包括用户生物特征或情绪识别信息、神经心理学表现测试答案信息、以及用户时延或用户精密时计信息；以及

通过所述终端设备(101)显示神经心理学表现测试结果。

15.如权利要求14所述的方法，其中，所述用户信息还包括用户注册信息或代理；和/或最终客户的参数。

16.如权利要求14所述的方法，其中，所述人工神经网络是使用反向传播训练和广义连续感知规则学习的受监督的、完全连接的、前向人工神经网络。

17.如权利要求14所述的方法，其中，所述用户生物特征或情绪识别信息包括面部表情信息和/或语音信息，其中，所述面部表情信息通过成像设备(108)获得和/或所述语音信息通过语音输入设备(109)获得，并且神经心理学表现测试答案通过问卷选择设备(107)在输入设备(106)中获得。

18.如权利要求14所述的方法，其中，所述终端设备(101)包括显示设备(110)、处理单元(111)和存储器(112)；所述用户信息由所述处理单元(111)处理并存储在所述存储器(112)中，并且所述显示设备(108)显示神经心理学表现测试结果。

19.如权利要求14所述的方法，其中，所述测试模块(400)包括问卷，所述问卷通常是每份问卷30个数量的是非问题，以获得气质维度信息，每个问题的答案属于HA/NS、RD/HA、NS/RD、NS/HA、HA/RD、RD/NS中的气质维度中的一个，导致蔑视(“CO”)、愤怒(“AN”)、悲伤(“SA”)、中性(“NE”)、惊讶(“SU”)、开心(“HP”)、恐惧(“FE”)、以及厌恶(“DI”)中的一种或两种情绪类型。

20.如权利要求16或19所述的方法，其中，所述人工神经网络由输入层、隐藏层和输出层组成，其中，所述输入层由三个节点x₁、x₂和x₃构成，分别地，x₁为问题类型，x₂为问题的答案，x₃为情绪；所述输出层由风险剖析的一个节点构成；并且每个节点的输出为：

是该节点的权重；并且

是偏差，初始化具有随机值的权重和偏差；

将激活函数应用于节点的输出；在这种情况下，通过以下方式应用ReLU：

输出层的输出通过总计最后一层中所有节点的输出得出：

是最后一个隐藏层的权重，

是最后一个隐藏层的偏差，

和

是输出层的权重和偏差。

21.如权利要求20所述的方法，其中，运行所述反向传播以最小化验证数据集和相应目标之间的误差：

δ_h＝y₀(1-y₀)(y₀-t)

y₀是输出层的输出，

t是目标输出(地面真值)

对于每个节点，计算反向传播误差项：

通过以下方式将突触权重从第n层的节点更新为第n+1层的节点：

y是学习率，然后：

计算均方误差：

数据中的15％用于验证数据集。

22.如权利要求21所述的方法，其中，重复前向传播和所述反向传播，直到达到时限的数量或提前停止标准为止，并且训练后，模型在15％测试数据集上运行以计算精度、准确性和F得分。

23.如权利要求22所述的方法，其中，激励传播阶段包括传播环节，所述传播环节在每次迭代中由以下两个步骤构成：

1)前向传播阶段：将训练输入发送到网络以获得激励响应；以及

2)反向传播阶段：激励响应与训练输入相对应。

24.如权利要求23所述的方法，其中，评估输出以获得所述输出层和所述隐藏层的响应误差；在权重更新阶段，对于节点权重之间的每个交叉点，更新由以下两个步骤构成：

1)将输入激励和响应误差相乘以获得权重的梯度；

2)将该梯度乘以比例并取反加到权重上。

25.如权利要求14所述的方法，其中，能够基于所述神经心理学表现测试结果根据以下公式获得用户的可信度(TWI)和信誉指数(CWI)：

心理可信度指数TWI＝[(RP×T)×TT×(BT×C)] (1)

RP是风险剖析，T是真实性，TT是思维类型，BT是生物特征类型，C是置信度得分；并且TWI或CWI在0-120的范围内。

26.如权利要求25所述的方法，其中，TWI或CWI通过比较统计或者通过使用用于行为模式识别的第三代AI引擎而获得。

Images