CN117079772A - 一种基于社区矫正对象心理评估分析的智慧矫正***及终端 - Google Patents
一种基于社区矫正对象心理评估分析的智慧矫正***及终端 Download PDFInfo
- Publication number
- CN117079772A CN117079772A CN202310909424.9A CN202310909424A CN117079772A CN 117079772 A CN117079772 A CN 117079772A CN 202310909424 A CN202310909424 A CN 202310909424A CN 117079772 A CN117079772 A CN 117079772A
- Authority
- CN
- China
- Prior art keywords
- data
- psychological
- correction
- assessment
- correction object
- 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.)
- Pending
Links
- 238000012937 correction Methods 0.000 title claims abstract description 321
- 238000004458 analytical method Methods 0.000 title claims abstract description 59
- 238000011156 evaluation Methods 0.000 title claims abstract description 55
- 230000003340 mental effect Effects 0.000 title claims description 17
- 238000005065 mining Methods 0.000 claims abstract description 38
- 238000007726 management method Methods 0.000 claims description 70
- 238000013507 mapping Methods 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 37
- 230000000875 corresponding effect Effects 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 11
- 230000008921 facial expression Effects 0.000 claims description 10
- 238000007418 data mining Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000002441 reversible effect Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000004630 mental health Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 10
- 208000024891 symptom Diseases 0.000 description 10
- 230000001815 facial effect Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000008451 emotion Effects 0.000 description 6
- 230000009323 psychological health Effects 0.000 description 6
- 208000019901 Anxiety disease Diseases 0.000 description 5
- 230000036506 anxiety Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000019771 cognition Effects 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000036651 mood Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 241000758794 Asarum Species 0.000 description 1
- 206010003805 Autism Diseases 0.000 description 1
- 208000020706 Autistic disease Diseases 0.000 description 1
- 235000005855 Brassica juncea var. subintegrifolia Nutrition 0.000 description 1
- 206010011469 Crying Diseases 0.000 description 1
- 206010011971 Decreased interest Diseases 0.000 description 1
- 208000020401 Depressive disease Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010034912 Phobia Diseases 0.000 description 1
- 208000028017 Psychotic disease Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 208000019899 phobic disease Diseases 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000000392 somatic effect Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
- G06V40/175—Static expression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
- G06V40/176—Dynamic expression
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- Computer Security & Cryptography (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Psychiatry (AREA)
- Computational Linguistics (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
本发明公开了一种基于社区矫正对象心理评估分析的智慧矫正***及终端,所述智慧矫正***包括相互连接的心理数据采集子***、心理评估分析子***和数据中台;所述心理数据采集子***应用于数据中台,心理数据采集子***还包括心理矫正终端;所述心理评估分析子***包括管理服务器,所述管理服务器分别与心理矫正终端与数据中台连接;所述心理数据采集子***用于采集矫正对象的心理测评数据,所述心理数据采集子***采用关联规则挖掘算法对心理测评数据进行挖掘,得到强关联规则;获取待评估矫正对象的心理测评数据;基于强关联规则和预设评估算法,对待评估矫正对象的心理测评数据进行评估,得到心理评估结果。
Description
技术领域
本发明属于社区矫正对象的技术领域,具体涉及一种基于社区矫正对象心理评估分析的智慧矫正***及终端。
背景技术
社区矫正在我国实践近二十年来,其内涵和外延已经不断扩展。特别是2020年《中华人民共和国社区矫正法》实施以后,狭义的社区矫正概念难以适应新时期社区矫正实践需要。以往的社区矫正工作,往往过多关注社区矫正对象行为矫治,大多定位于监督管理,执行方式多表现为:定期或不定期地谈话、社会帮教、参与公益劳动、劳动技能培训以及定期报到汇报等。
可见,社区矫正工作更多地停留在客观上对社区矫正对象行为的监督管理上,而忽略了对社区矫正对象深层次心理层面问题的关注和矫正,歪曲的认知容易被忽略。虽然矫正期间行为完全被把控,但矫正期满后,歪曲的认知依旧存在,这在一定程度上形成了社区矫正对象再犯罪风险预测的真空地带,对社会和谐稳定也造成了相应的隐患。
另一方面,心理矫治的理念与未成年人社区矫正需求具有极高的契合性,未成年矫正对象存在心理问题较为普遍。有心理问题的未成年矫正对象的犯罪易感特质是他们成为再犯的重大隐患。
现阶段,全国各地司法行政机关随着社区矫正工作的深入开展,心理矫治工作也逐步由初期的试点探索走上了现在的大面积推广使用,各地都开展了内容、形式、水平不等的心理矫正工作。但申请人研究发现,现阶段的心理矫正工作信息化、智能化程度不高。心理测评主要为人工模式,手工录入测评结果,查询、记录、归档等时间长,工作效率低、工作量大;依赖专业人士的主观判断,还缺乏客观的心理数据分析能力,也难以准确的对存在心理问题的矫正对象进行预警预判。
发明内容
本发明的目的是要解决上述现有社区矫正工作中对矫正对象的心理分析,缺乏客观的心理数据分析能力,也难以准确的对存在心理问题的矫正对象进行预警预判的技术问题,提供一种基于社区矫正对象心理评估分析的智慧矫正***及终端。
为了解决上述问题,本发明按以下技术方案予以实现的:
本发明提供了一种基于社区矫正对象心理评估分析的智慧矫正***,所述智慧矫正***包括相互连接的心理数据采集子***、心理评估分析子***和数据中台;
所述心理数据采集子***应用于数据中台,心理数据采集子***还包括心理矫正终端;所述心理评估分析子***包括管理服务器,所述管理服务器分别与心理矫正终端与数据中台连接;
所述心理数据采集子***用于采集矫正对象的心理测评数据,所述心理数据采集子***采用关联规则挖掘算法对心理测评数据进行挖掘,得到强关联规则;
所述心理评估分析子***的管理服务器被配置为执行如下操作:
获取待评估矫正对象的心理测评数据;
基于强关联规则和预设评估算法,对待评估矫正对象的心理测评数据进行评估,得到心理评估结果。
在一种优选实施中,所述心理数据采集子***包括:
数据采集模块,其用于心理矫正终端,所述数据采集模块配置有用于矫正对象的心理评估量表,所述数据采集模块通过心理矫正终端获取由矫正对象针对心理评估量表输入的心理测评数据;
数据预处理模块,其用于对所述心理测评数据进行清理和集成,得到心理数据集;
数据异常挖掘模块,其采用关联规则挖掘算法对心理测评数据进行数据挖掘,发现心理测评数据中存在的异常点,得到异常数据,生成异常数据集;
关联规则挖掘模块,其用将异常数据集整合到所述心理数据集中,采用Apriori算法对心理数据集进行关联规则挖掘,得到强关联规则。
在一种优选实施中,所述预设评估算法为基于模糊综合评判算法,所述预设评估算法具体包括:
根据强关联规则建立因素集U,所述因素集U为对应强关联规则中相关的因素;
建立语评集V,所述语评集V为对待评估矫正对象的评语;
利用集值统计迭代法,对因素集U中的因素进行权重分配,得到每个因素的权重值;
利用预建立的模糊综合评判模型,对待评估矫正对象的心理测评数据进行评估,得到模糊综合评判的评语结果,输出心理评估结果。
在一种优选实施中,所述心理矫正终端设置有深度摄像设备和普通摄像设备,所述心理矫正终端还被配置为在待评估矫正对象进行心理测试时,获取待评估矫正对象的脸部RGB图像数据和脸部深度图像数据;
所述心理评估分析子***的管理服务器被配置为执行如下操作:
获取脸部RGB图像数据,从脸部RGB图像数据中提取所述待评估矫正对象的脸部表情的静态特征;
获取脸部深度图像数据,从脸部深度图像数据中提取所述待评估矫正对象的脸部表情的运动特征;
识别相对应的RGB图像数据和脸部深度图像数据;
将所述RGB图像数据的静态特征和相对应的脸部深度图像数据的运动特征,通过联合微调进行整合,得到识别结果;
其中,所述识别结果包括待评估矫正对象具有抑郁症和待评估矫正对象不具有抑郁症。
在一种优选实施中,识别相对应的RGB图像数据和3D图像数据,具体包括以下步骤:
根据普通摄像设备的采样频率,对脸部RGB图像数据进行时间戳写入;
根据深度摄像设备的采样频率,对脸部深度图像数据进行时间戳写入;
将时间戳相对应的脸部RGB图像数据的时间戳和脸部深度图像数据,进行关联后输出。
在一种优选实施中,所述心理矫正终端与管理服务器之间、所述管理服务器与数据中台之间通过预设加密算法进行网络数据传输,所述预设加密算法包括以下步骤:
设定待传输数据在一维空间中对应唯一一个加密权值向量n;
采用公开密钥参量a和f,通过公开密钥参量的不同取值随机构成数据加密的混合字串集合A(n)=[(a1,f1),...,(ai,fi)],且满足数据加密约束条件:ai≠0,且f1+…+fn-1≠0;
M为传输数据的加密预读数据,执行如下的初始数据加密流程:
在数据存储的多维空间内,基于数据加密约束条件,构造数据的动态加密优化集合W=[(y1,w1),...,(yn-1,wn-1)]与通用摘要字符串B,其中,B包含n个数据对象;
对字符串加密的计算公式为bi=an·fn∑w·(yi+wi),其中,bi表示加密字符串,an和fn表示密钥参数值;wi表示密钥参数值表示节点i的初始密钥;yi表示节点i的身份标识;
根据映射原理利用映射函数h(i)将加密后的数据映射到低维空间中,所述映射函数h(i)=l·∑bi+Data_block;其中,h(i)表示节点i的映射函数,l表示节点生成的挑战帧;Data_block表示更新后的本地数据传输节点;bi表示加密字串组集;
根据映射函数h(i)的映射取值,将通用摘要字符串B中的第i组数据对象映射为加密字串组集bi,并利用加密计算公式计算得出动态密文中的任意一个数据对象的加密字串集合bgk,由此得到gk=i,其中g、k表示加密字串集合在摘要字符串中的第g行第k列序列上;
对加密数据的存储扇区进行全维度映射计算,计算结果中大于等于k的数值设为数据存储空间域集合,表示为K;
计算得出加密字符串组集bi与数据对象的加密字符串集合bgk的符合条件为 (bgk+bi)∈K;
其中,映射函数h(i)主要影响通用摘要字符串B与数据存储空间域集合K之间的内在关联性,映射函数的映射值为随机动态数值,不同于通用密文字节串映射的结果;
采用SM4加密算法对加密字符串集进行加密,并将计算结果设置为解密字符串集bn+1;其中,通用摘要字符串B和加密字符串bn+1的集合即是网络传输的数据M的输出加密值。
在一种优选实施中,所述心理矫正终端与管理服务器之间、所述管理服务器与数据中台之间通过预设解密算法进行数据解密流程,在利用预设解密算法对密文进行解密过程中,主要是通过对通用摘要字符串集合B进行线性反向配对计算,以获取存储数据的原始明文,所述预设解密算法包括以下步骤:
方向配的计算加密字符串bn+1,获得符合约束条件的数据反向配对总量P,利用公式(bgk+bi)∈K求出加密字串组集bi,建立bi与公开密钥参量ai和fi间的连接;
计算消息验证码F的时间戳生成时间:其中,Δt表示最大传输时延;ks表示网关与节点协商的绘画密钥;h(i)为映射函数;
对数据进行解密计算,得到解密字串组集:其中,bi表示第i组加密字串组集;F为消息验证码,h为映射函数;ni表示用于密钥生成函数的安全参数;ai表示第i组加密字节字串组集的密钥参数值;T表示消息验证码时间戳的生成时间;
令所有解密字符串构成的集合为A(n),在同一存储维度空间中,计算得到加密操作与解密操作的简化函数为:Dec{A(n),[b1,…bn+1]}=M;
通过以上计算过程即可解得密文对应的字符串组集M,得到明文,解密计算结束。
本发明还提供了一种基于社区矫正对象心理评估分析的智慧矫正终端,所述智慧矫正终端包括相互连接的心理矫正终端、管理服务器和数据中台;
所述心理矫正终端用于采集矫正对象的心理测试数据;
所述数据中台用于采用关联规则挖掘算法对心理测试数据进行挖掘,得到强关联规则;
所述管理服务器被配置为执行如下操作:
获取待评估矫正对象的心理测试数据;
基于强关联规则和预设评估算法,对待评估矫正对象的心理测试数据进行评估,得到心理评估结果。
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于社区矫正对象心理评估分析的智慧矫正***及终端,所述智慧矫正***包括相互连接的心理数据采集子***、心理评估分析子***和数据中台;所述心理数据采集子***应用于数据中台,心理数据采集子***还包括心理矫正终端;所述心理评估分析子***包括管理服务器,所述管理服务器分别与心理矫正终端与数据中台连接;所述心理数据采集子***用于采集矫正对象的心理测评数据,所述心理数据采集子***采用关联规则挖掘算法对心理测评数据进行挖掘,得到强关联规则;所述心理评估分析子***的管理服务器被配置为执行如下操作:获取待评估矫正对象的心理测评数据;基于强关联规则和预设评估算法,对待评估矫正对象的心理测评数据进行评估,得到心理评估结果。
为解决由现有对矫正对象的心理分析,缺乏客观的心理数据分析能力,也难以准确的对存在心理问题的矫正对象进行预警预判。为此,本发明采用关联规则对心理健康数据进行挖掘和分析,设计一种基于关联规则挖掘的社区矫正对象的心理健康状况自动评估***。本发明的心理数据采集子***通过采用关联规则挖掘算法对心理健康数据进行分析和挖掘,分析心理问题和对应属性之间的强关联规则。针对心理健康的实际情况,使用模糊综合评估方法对矫正对象的心理健康情况进行自动评估。
本发明能够为客观、准确、快速完成对矫正对象的心理健康状况自动评估,提升心理问题检出率的准确度和效率,且能够信息化归档,方便调阅查看;本发明能够很好的对存在心理问题的矫正对象进行预警预判,且能够更好的发现并帮助到未成年社区矫正对象的心理问题;本发明能够为后期针对性的心理矫治工作提供依据和数据支撑。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明,其中:
图1是本发明的一种基于社区矫正对象心理评估分析的智慧矫正***的***组成图;
图2是本发明的从脸部RGB图像数据中提取所述待评估矫正对象的脸部表情的静态特征的算法流程图;
图3是本发明的从脸部深度图像数据中提取所述待评估矫正对象的脸部表情的运动特征的算法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
现阶段,社区矫正工作更多地停留在客观上对社区矫正对象行为的监控管理上,而忽略了对社区矫正对象深层次心理层面问题的关注和矫正,歪曲的认知容易被忽略。虽然矫正期间行为完全被把控,但矫正期满后,歪曲的认知依旧存在,这在一定程度上形成了社区矫正对象再犯罪的风险预测的真空地带,对社会和谐稳定也造成了相应的隐患。
另一方面,心理矫治的理念与未成年社区矫正需求具有极高的契合性,未成年矫正对象存在心理问题较为普遍。有心理问题的未成年矫正对象的犯罪易感特质是他们成为再犯的重大隐患。
现阶段,全国各地司法行政机关随着社区矫正工作的深入开展,心理矫治工作也逐步由初期的试点探索走上了现在的大面积推广使用,各地都开展了内容、形式、水平不等的心理矫正工作。但申请人研究发现,现阶段的心理矫正工作信息化、智能化程度不高。心理测评主要为人工模式,手工录入测评结果,查询、记录、归档等时间长,工作效率低、工作量大;缺乏工作全过程记录,还缺乏心理数据分析能力,不能做到存在心理问题的矫正对象进行预警预判。
为此,本发明提供了一种基于社区矫正对象心理评估分析的智慧矫正***及终端,所述智慧矫正***包括相互连接的心理数据采集子***、心理评估分析子***和数据中台;所述心理数据采集子***应用于数据中台,心理数据采集子***还包括心理矫正终端;所述心理评估分析子***包括管理服务器,所述管理服务器分别与心理矫正终端与数据中台连接;所述心理数据采集子***用于采集矫正对象的心理测评数据,所述心理数据采集子***采用关联规则挖掘算法对心理测评数据进行挖掘,得到强关联规则;所述心理评估分析子***的管理服务器被配置为执行如下操作:获取待评估矫正对象的心理测评数据;基于强关联规则和预设评估算法,对待评估矫正对象的心理测评数据进行评估,得到心理评估结果。
为解决由现有对矫正对象的心理分析,缺乏客观的心理数据分析能力,也难以准确的对存在心理问题的矫正对象进行预警预判。为此,本发明采用关联规则对心理健康数据进行挖掘和分析,设计一种基于关联规则挖掘的社区矫正对象的心理健康状况自动评估***。本发明的心理数据采集子***通过采用关联规则挖掘算法对心理健康数据进行分析和挖掘,分析心理问题和对应属性之间的强关联规则。针对心理健康的实际情况,使用模糊综合评估方法对矫正对象的心理健康情况进行自动评估。
本发明能够更为客观、准确、快速完成对矫正对象的心理健康状况自动评估,提升心理问题检出率的准确度和效率,且能够信息化归档,方便调阅查看;本发明能够很好的对存在心理问题的矫正对象进行预警预判,且能够更好的发现并帮助到未成年人社区矫正对象的心理问题;本发明能够为后期针对性的心理矫治工作提供依据和数据支撑。
实施例一
如图所述,本发明所述的一种基于社区矫正对象心理评估分析的智慧矫正***,所述智慧矫正***包括相互连接的心理数据采集子***、心理评估分析子***和数据中台。
其中,所述心理数据采集子***应用于数据中台,心理数据采集子***还包括心理矫正终端;所述心理评估分析子***包括管理服务器,所述管理服务器分别与心理矫正终端与数据中台连接。
在本发明中,心理矫正终端属于本领域的技术设备,支持心理特征数据采集、心理测评报告生成、心理健康知识提供等功能。心理矫正终端多安装在特定的相关部门机构中,如基层司法所等。心理矫正终端包括台式终端机和立式终端机,均具备智能处理器、通讯模块等用于通讯、数据处理的硬件环境;并可以部署相应的社区矫正管理***、矫正对象心理测试评估***等等。
具体的,所述心理矫正终端的数据库存储有社区矫正数据,社区矫正数据主要包括矫正对象数据和机构数据,例如,社区矫正对象的相关数据(如个人信息、身份证信息、手机号码、生物特征信息、与社区矫正管理相关的日常报到数据、教育学习数据、请假外出、参与公益活动数据、处罚/嘉奖数据、心理测评数据等等),社区矫正机构的管理相关数据等等。
在一种具体实施中,如图1所示,所示终端主体包括底座、所述底座上设置有立式安装的支架体、用于人机交互的前显示屏及后显示屏,以及实现多种功能的电气组件。
在一种实施中,所述电气组件包括以微处理器及控制电路构成的主控制器、指纹扫描装置、身份证识别装置、心率血压等生命体征检测装置及上述的图像拍摄装置、用于人脸识别的拍摄人脸的摄像装置、扬声器等等。所述电气组件赋予心理矫正终端以集成有语音识别、人脸识别、录像功能、身份证识别、指纹识别、心率血压等生命体征检测及文件扫描功能,通过扬声器还能够实现语音提示及播报,电气组件还能够通过司法专网与外部设备通信、传输数据,减轻社区矫正工作人员负担,提高司法行政工作效率。
在一种具体实施中,所述底座和支架体均采用塑料壳体,所述前显示屏与所述后显示屏相对应的安装于支架体的正面及背面上。具体的,前显示屏与后显示屏可与支架体的顶部枢接或规定连接均可。所述摄像装置与支架体固定连接,所述身份证识别装置、指纹扫描装置和心率血压等生命体征检测装置集成在底座上,并在底座的上表面设置有放置身份证区域或放置手指区域的标识。
在本发明中,管理服务器为数据中台的中间层,既响应心理矫正终端的请求、又对接收数据中台的调度和管理,由管理服务器对应负责一个地区内的多台心理矫正终端。管理服务器采用分布式集群的方式进行部署,具体的物理部署可以包括防火墙、应用服务器、数据存储服务器、路由器等组成。
另一方面,管理服务器***还包括应用层,用于面向客户端,实现与用户的交互;具体用于根据客户端的业务需求从管理服务器的数据存储服务器中获取对应的数据,并将数据反馈至客户端。
在本发明中,数据中台层的功能架构按照从下到上的顺序,依次包括IaaS(InfrastructureasaService,基础设施即服务)层、存储&计算层、调度层、PaaS(PlatformasaService,平台即服务)层以及SaaS(SoftwareasaService,软件即服务)层。可以理解,功能架构中的下层是上层的基础设施,上层实现的服务需要依赖下层来实现。
在一种具体实施中,数据中台采用公有云VPC(Virtual Private Cloud,虚拟私有云)部署,即在公有云购买一个ECS(Elastic Compute Service,云服务器)集群,可以提高数据平台***的稳定性和扩容能力,同时也有利于运维支持。
在本发明中,多个心理矫正终端分别对应设置在不同的行政区域,在一所述行政区域内对应设置有一个管理服务器;所述心理矫正终端将矫正对象数据发送至所述管理服务器;各个所述管理服务器用于对其对应的区域进行数据处理、响应服务请求等,并将数据处理结果、社区矫正对象数据发送至所述数据中台,进行云端存储、大数据分析与挖掘等。
边缘层可依靠部署大量边缘节点解决数据就近处理的问题,通过将边缘服务器部署在基站、路侧单元、智能网关等处。这样一来,感知层采集的海量数据不必全部传输至数据中台,边缘计算子***就可对其进行处理,实现局部数据计算、存储及分析,减少设备响应时间与传输到数据中台的数据流量,大幅提高对数据处理等的处理效率。
采用本发明的***架构,数据中台依靠其中部署的高性能服务器集群与搭建的计算环境,利用人工智能、机器学习、卷积神经网络等技术对上传数据进行整合,为各社区矫正管理***的各种应用提供支撑。另一方面,在此基础上,利用大数据技术对矫正对象的行为数据、心理测评数据等等进行分析挖掘,将数据潜藏的有价值信息发送至智慧矫正***的应用层,以向相关机构、相关人员进行显示。
本发明通过管理服务器的分布式、低时延、高效率、智能化等特点可以有效解决数据中台计算存在的高延迟、网络不稳定和低带宽的问题,可以实时对社区对象数据进行实时处理,达到提高事件反应速度的目的。
实施例二
本实施例二提供了一种基于社区矫正对象心理评估分析的智慧矫正***,其技术方案、架构和技术原理均与实施例一的完全相同。本实施例二提供了一种基于社区矫正对象心理评估分析的智慧矫正***的具体应用场景及相关技术方案。
在本发明中,所述心理数据采集子***用于采集矫正对象的心理测评数据,所述心理数据采集子***采用关联规则挖掘算法对心理测评数据进行挖掘,得到强关联规则。
其中,所述心理数据采集子***部署在数据中台中,由数据中台进行数据的挖掘操作,通过数据中台将大量集社区矫正对象的心理测评数据进行整合,并挖掘出有效可靠的信息,以应用到对矫正对象的心理测评中。另一方面,心理数据采集子***还包括心理矫正终端,通过心理矫正终端进行前端数据的采集,心理矫正终端将采集的心理矫正数据通过网络传输到管理服务器,由管理服务器进行自动心理评估,并将心理矫正数据通过网络传输到数据中台。
在一种具体实施中,所述心理数据采集子***包括数据采集模块、数据预处理模块、数据异常挖掘模块和关联规则挖掘模块。
其中,所述数据采集模块用于心理矫正终端,所述数据采集模块配置有用于矫正对象的心理评估量表,所述数据采集模块通过心理矫正终端获取由矫正对象针对心理评估量表输入的心理测评数据。
在具体实施中,用于数据挖掘得到强关联规则的心理测评数据,可以包括矫正对象根据心理评估量表所写入的测试数据,以及根据心理测评数据进行人工评估或现有算法模型评估得到的心理评估结果。
为满足矫正对象的心理测试以及数据挖掘的需求,本发明的智慧矫正***还包括量表因子配置子***。量表因子配置子***用于对人格特质和心理建模特质量表、精神量表和人格量表因子配置,协助单位依照现有业务流程、第三方专业机构研究的量表指标成果,对已梳理完成的各业务事项所涉及的各业务指标数据所涉及的量表、指标、因子的比例、权重等进行配置,形成可用的量表。
其中,所述量表因子配置子***至少包括制定量表模块和测量得分编写详细说明模块。
在一种示例中,所述制定量表模块包括特质量表、精神量表和人格量表,如下所表示:
所述测量得分编写详细说明模块用于人格特质与心理健康评估得分,包括特质得分、精神得分和人格得分。
在一种具体实施中,关于特质得分:特质应对问卷通常在生活事件问卷之后使用,但也可以作为一种独立的心理变量进行测试,被试矫正对象对每一个条目作出1-5五级选择回答以后,其中消极应对NC由2,4,6,7,10,12,13,17,19各条目累计得分;PC由1,3,5,8,9,11,14,15,18,20各条目累计得分。具体的,根据现有统计数据中,健康人群的均值为NC=30.2618.74,PC=21.25±7.14;而包含矫正对象等各类病人的均值为NC=30.2218.74,NC=23.58±8.41。
在一种具体实施中,关于精神得分:1.总分(18-126分),反映疾病严重性,总分越高,病情越重,治疗前后总分值的变化反映疗效的好坏,差值越大疗效越好。一般研究人组标准可定为)35分。2.单项分(0-7),反映症状的分布和靶症状的严重度。治疗前后的变化可以反映治疗的靶症状变化。因BPRS为分级量表,所以能够比较细致地反映疗效。3.因子分(0-7),反映症状群的分布和疾病的临床特点,并可据此画出症状群廓图。一般归纳为5个因子:焦虑忧郁:包括1,2,5,9等4项。缺乏活力:包括3,13,16,18,等4项。思维障碍:包括4,8,12,15,等4项。激活性:由6,7,17等3项组成。敌对猜疑:由10,11,14等3项组成。
在一种具体实施中,关于精神得分:目的是让矫正对象描述自己是哪种性格的人。在回答问题时,想想在过去的几年里你主要的感觉、思想和行为。为提醒矫正对象注意,每部分间题前面你都能看到此描述:“在过去的几年里……”。“正确”的意思是此描述一般来说对你合适;“错误”的意思是此描述一般来说对你不合适。即使你对答案不完全肯定,也要对每道问题写明“正确”或“错误”。例如,像下列间题:“我倾向顽固。”如果,事实上在过去的几年里许多情况下你很顽固,你应该回答“正确”,圈上“1”;如果这对你完全不合适,或者你仅在一、二种情况下顽固,例如做某项特殊工作时顽固,你应该回答“错误”,圈上“2",答案不分对错。填此问卷时你愿意花多长时间都可以。
在具体实施中,由量表因子配置子***和测量得分编写详细说明模块用于数据挖掘的所述心理测评数据,包括矫正对象根据心理评估量表所写入的量表数据,以及根据心理测评数据进行初步评估的心理评估结果。
在本发明中,心理矫正终端的本地内存储存有心理评估量表,心理评估量表是可由管理服务器进行下发和更新的。心理评估量表又称心理评定量表,其用法及评分方法较为简便,多用于检查对某方面心理问题障碍的存在与否或者其程度如何。在实际场景中,社区矫正对象通过心理矫正终端进行登录后,选择相应的心理测评板块,即可进入心理测评环节。通过心理矫正终端的可人机交互的显示屏,填写心理评估量表后,生成该社区矫正对象的心理测评数据。
在一种具体实施中,所述数据预处理模块用于对所述心理测评数据进行清理和集成,得到心理数据集。
在本发明中,将采集到的心理测评数据中无利用价值的数据进行清理,能够为整个挖掘过程提供高安全性高精度的数据集。例如,优先删除无关的数据,采用平均值对空缺值进行填充。另一方面,对心理测评数据集成,重点是形成可供数据挖掘的心理测评数据集。还可以包括非平衡数据处理,主要通过少数类样本合成采样技术,对非平衡数据集进行处理。
在一种具体实施中,所述数据异常挖掘模块采用关联规则挖掘算法对心理测评数据进行数据挖掘,发现心理测评数据中存在的异常点,得到异常数据,生成异常数据集。
在本发明中,关联规则挖掘算法可以在一个数据集中找出各项之间的关联关系,而这种关系并没有在数据中直接表示出来。Apriori算法是使用最广泛的关联规则挖掘算法,核心思想是通过连接产生候选项及其支持度,然后通过剪枝生成频繁项集。
可以理解的是,异常数据可以量表中远高于平均值的数据,也可以是远高低于平均值的数据,或者是量表中某些答题项的指示对象存在心理问题的选项。
在一种具体实施中,所述关联规则挖掘模块用将异常数据集整合到所述心理数据集中,采用Apriori算法对心理数据集进行关联规则挖掘,得到强关联规则。
在具体实施中,Apriori算法采用事物之间总是存在着各式各样的关联关系,如何能够发现这些关联关系并利用,就需要使用关联规则挖掘。然而,并非所有的规则都是有效的,就需要借助有效性指标来判断该规则是否有效,常用的指标有支持度、置信度、增益以及部署能力。
在具体实施中,规则的支持度反映了该规则的普遍程度。对于规则x→y,其规则的支持度定义为:其中,N(X∩Y)表示同时包含前项X和后项Y的事务数量,N表示总的事务数量。
对于规则x→y,其规则的置信度定义为:其中,N(X∩Y)表示同时包含X和后项Y的事务数量,N(X)表示包含前项X的事务数量,即在给定前项x的前提下,后项y的条件概率。
可以理解的是,一般而言,好的关联规则应当同时具有较高的支持度和置信度。如果某条规则的支持度高,而置信度略高于支持度,则说明该规则可信度较低,前项和后项的关系不明显。如果一个规则的置信度高而支持度低,则说明该规则可靠性差,可能不具备推广应用的价值。
在支持度和置信度判断的基础上,还需要使用增益与部署能力更进一步确认规则的有效性。对于规则x→y,其规则的增益定义为:由公式可知,规则的增益是规则的置信度和后项支持度的比值。它反映了相比于总体,后项Y受到前项X的影响程度。当增益LX→Y>1时,可以认为前项对后项具有正向影响,一般增益越大,正向影响程度越高。相反,当LX→Y<1时,可以认为前项对后项具有负向影响。
对于规则x→y,其规则的部署能力定义为:LX→Y=SX-SX→Y;由公式可知,规则的部署能力是规则前项的支持度减去规则的支持度,反映已经具备前项但还没有形成后项的记录比例。
在本发明中,Apriori算法的原理上,关联规则的挖掘需要从心理测评数据集中挖掘出满足社区矫正管理用户定义的最小支持度Smin和最小置信度Cmin的关联规则。具体的,关联规则挖掘包含两个步骤:步骤1:找出心理测评数据集中所有的频繁项集;步骤2:由频繁项集产生强关联规则,即满足最小支持度和最小置信度的规则。
由此可见,一个有效的强关联规则应当满足Sx→y≥Smin且Cx→y≥Cmin。基于此,Apriori算法的实现分为三步:(1)设定最小、支持度Smin和最小置信度Cmin;(2)根据最小支持度,生成频繁项集;(3)根据最小置信度,基于频繁项集,生成最终强关联规则。
在一种示例中,基于上述的使用Apriori算法对矫正对象的心理状态进行挖掘,共得其中1条规则是:“(遇烦恼的事很容易想悄悄地哭一场∩喜欢将情绪压在心底里不让其表现出来,但又忘不掉)→焦虑忧郁”。
强关联规则:(遇烦恼的事很容易想悄悄地哭一场∩喜欢将情绪压在心底里不让其表现出来,但又忘不掉)→焦虑忧郁,其前项支持度为16.0%,置信度为48.667%,部署能力为6.3,增益为1.848。置信度和增益都比较高,说明正向关系较大。综上,规则为有效的强关联规则。且有上述规则可知,焦虑忧郁的矫正对象有若干心理指标超高,兴趣丧失、情绪容易低落、对自身情绪进行自主的压抑和难以宣泄。
在优选实施中,数据中台设置有量表库管理子***,量表库管理子***包含量表配置模块、量表编辑模块、量表常模信息模块、量表汇总信息模块。
在一种具体实施中,所述量表配置模块用于实现心理测试的相关评估表的配置管理,支持添加新的量表,可对量表进行修改、删除、查看详情。查看详情包括量表的基本信息、问卷信息、维度因子信息、含义解释、常模等。
在一种具体实施中,所述量表编辑模块用于实现评估表新增(上架)、删除(下架)等管理功能。针对心理与行为相关方面的专业、科学、全面的评估描述与数据管理,***涵盖心理健康综合类、个性气质与人格类、学习能力与职业能力类、智力测验类、消极抗拒、情绪波动、工作变动、家庭变故、经济纠纷、人际冲突、就业(就学)困难,以及脱(漏)管等上百个评价因子,每个量表都已经公开发表,专业专家反复论证,保证评估结果的准确性。
在一种具体实施中,所述量表常模信息用于实现评估表常模建立和管理功能,包括常模新增、修改、删除等操作。
在一种具体实施中,所述量表汇总信息用于针对同一种类型的量表对某种量表因子进行人员分类统计汇总,报表打印,导出分析结果,从而解决烦琐的分类统计汇总工作。
具体的,量表选择模块用于展示选定测试对象和测试目标后,提供对应评估信息表查询、填报、结果计算等功能。提供给社区矫正对象可以动态的选择所需要评估信息表,通过矫正对象输入信息表相关的信息可以自动的筛选出所需的信息表进行测试。
在具体实施中,所述心理评估分析子***的管理服务器被配置为执行如下操作:
S100:获取待评估矫正对象的心理测评数据。
S200:基于强关联规则和预设评估算法,对待评估矫正对象的心理测评数据进行评估,得到心理评估结果。
在一种具体实施中,所述预设评估算法为基于模糊综合评判算法。基于模糊综合评判算法的基本思想是在考虑与被评价事物相关的各个因素后,是利用F线性变换原理和最大隶属度原则,构建模型,对模糊事物做综合评价。具体的,所述预设评估算法具体包括:
S210:根据强关联规则建立因素集U,所述因素集U为对应强关联规则中相关的因素。
在具体实施中,因素集:U={u1,u2,...,um},设与被评判相关的因素有m个。
S220:建立语评集V,所述语评集V为对待评估矫正对象的评语。
在具体实施中,评语集:V={v1,v2,...,vn},设与被评判相关的因素有n个。
S230:利用集值统计迭代法,对因素集U中的因素进行权重分配,得到每个因素的权重值。
在具体实施中,所述集值统计迭代法,其在权数分配A的确定中假设有个人参与。最开始要选最开始要选一个初始值g:1≤q<<n。随后第j个人(/>统计试验按下列方法依次完成:
(1)在U中选取p1=q个因素,得U的一个子集(这q个因素是他认为最重要的):
(2)在U中选取p2=2q个因素,得U的第二个子集(这2q个他认为最重要的):
可见,可知如果第一次选重这个因素为重要,以后会一直认为她是重要的,因此每次总是要在前一次的基础上再选择q个因素,这样一来重要因素累积就是2q,3q,以此类推……
(3)在第s步操作中,U中选取ps=sq个因素,得U的第s个子集(这sq他认为最重要的):
如果i使n=iq+r,1≤r≤q满足,那么迭代过程将会终止,此时为第i+q步(i+1)取然后,计算ui,i=1,,...,n的覆盖频率:/>公式中,C为特征函数。
然后进行规一化,得
最后得到权数分配A=(a1,a2,...,an);因为ps=sq,每次操作都是平均增加q个因素。
S240:利用预建立的模糊综合评判模型,对待评估矫正对象的心理测评数据进行评估,得到模糊综合评判的评语结果,输出心理评估结果。
在本发明S240的模糊综合评判模型中,在进行单因素判断时,是指对单个因素逐一判断,得到V上的F集,即对ui(i=1,...,m)的评判,得到(ri1,ri2,...,rin),所以它是从U到V的一个F映射 F映射f可以确定一个F关系R∈μm×n称为评判矩阵。
其中,R是通过对单因素评判的Fuzzy集得构成的。
在评判时各个因素的重要性并不一致,要通过加权的方法决定主次。用一组数据来表示U的F集上各因素的权数分配,即A=(a1,a2,...,am),再做这些权数与评判矩阵R的合成运算,得出综合评价集B=(b1,b2,...,bn),则其中,A=(a1,a2,...,am);R=(rij)m×n,rij∈[0,1];/>它是对各因素的综合评判,确定评判结果时,选择综合评价集B中最大的bj所对应的等级(评语),最后根据最大隶属度原则,vj作为综合评判的结果,于是,得到综合评判模型。
由综合评价的过程可见,当单独考虑因素ui时,ui的评价对评语vj的隶属度rij(j=1,2,...,n)。而通过F关系进行合成运算,最后得到结果如下:在全面考虑各种因素时,ui在总评价中的影响程度ai时对rij所进行的调整,其实就是ui的评价对评语vj的隶属程度,通过F关系合成运算后,再对各隶属程度做出评价。/>
实施例三
本实施例三提供了一种基于社区矫正对象心理评估分析的智慧矫正***,其技术方案、架构和技术原理均与实施例一/实施例二的完全相同。本实施例三提供了一种基于社区矫正对象心理评估分析的智慧矫正***的具体应用场景及相关技术方案。
社区矫正对象在接受社区矫正的过程中,无法回避限制人身自由、社会负性评价等负性事件,对他人的信任感低,难以接纳帮扶人员给予的帮助。社区矫正,导致社区矫正对象难以正确认识自己,也无法客观认知他人,遇到事情时不敢向他人倾诉,常使用表达抑制策略压抑自身的情绪状态。负面的情绪调节方法对抑郁有消极的促进作用,因此,社区矫正对象容易出现抑郁、悲观等消极情绪。
为此,本发明通过算法对社区矫正对象的抑郁情绪进行识别,以期为社区矫正人员的心理矫治、健康教育提供一定的指导。社区矫正人员的表达抑制和抑郁倾向与社会适应能力关系密切,通过及时发现、改变社区矫正人员使用表达抑制看待问题和改善其抑郁状况有助于提高个体的社会适应能力。
具体的,本发明所述心理矫正终端设置有深度摄像设备和普通摄像设备,所述心理矫正终端还被配置为在待评估矫正对象进行心理测试时,获取待评估矫正对象的脸部RGB图像数据和脸部深度图像数据。
本发明的核心点在于,面部表情已被证明是有效的抑郁症识别指标,利用从深度摄像设备获取的深度信息(包括3D信息点),可以实现对相对光照、角度和肤色的不变性。然而,3D信息点会失去面部表情的纹理特征。因此,融合深度摄像头采集的数据和光学摄像头采集的数据可以相互弥补各自存在的问题,为此,本发明将融合2D和3D视频数据构建抑郁症识别模型的方法,且通过心理矫正终端的摄像设备采用非接触的检测识别手段,以免矫正对象心生芥蒂,加重抑郁症状。
具体的,本发明采用生成式模型DBN作为模型框架的基础模型,分别构建了两种不同的深度网络,一种深度网络利用DBN从RGB图像数据上提取表情的静态特征;另一种深度网络利用DBN-LSTM从深度图像数据中的面部地标点和面部AU数据上提取表情的运动特征。最后将两种深度网络通过联合微调进行整合,实现抑郁症识别。具体的,所述心理评估分析子***的管理服务器被配置为执行如下操作:
S100:获取脸部RGB图像数据,从脸部RGB图像数据中提取所述待评估矫正对象的脸部表情的静态特征。
在本发明中,采用基于DBN的2D静态外观深度网络(2D Static AppearanceDeepNetwork,2D-SADN),用于从图像中提取表情的静态特征。该网络只关注面部图片的外观分析,网络的输入是单张图片,网络结构不编码时间信息。
S200:获取脸部深度图像数据,从脸部深度图像数据中提取所述待评估矫正对象的脸部表情的运动特征。
在本发明中,采用DBN和LSTM结合的3D动态几何深度网络(3D Dynamic GeometryDeepNetwork,3D-DGDN),该网络以人脸地标点组成的人脸等高线地图作为DBN的输入,辅以不同AUs的强度变化,通过LSTM对3D坐标值在时间轴上的位置偏移以及不同时间AUs强度的变化来获取表情的运动特征。
S300:识别相对应的RGB图像数据和脸部深度图像数据。
在理想状态下,深度图像数据与RGB图像数据的采集与传输是在时间轴上可以是完全同步的。然而在真实场景应用的过程中,这种理想状态难以保证。因两个摄像设备获取的数据存在时间差异,在一种典型的误差场景中,不同传感器在工作的过程中,一般拥有不同的采样频率,如深度采集图像在1s内采集15帧深度图像数据。摄像设备的工作频率可达25帧每秒。虽然可以通过调节相应的参数使得普通摄像设备采用与深度摄像设备同样的频率,但是受电压及电流脉冲相位的影响,无法通过调节采样频率,使得两种数据在时间上完全匹配。
在本发明中,识别相对应的RGB图像数据和3D图像数据,具体包括以下步骤:
S310:根据普通摄像设备的采样频率,对脸部RGB图像数据进行时间戳写入。
在一种具体实施中,假设普通摄像设备的采样频率为10帧/1s,在某个时间段[T1-T2]内共采集了15张图像数据,然后将时间段[T1-T2]平均分成10个相同的时间段,生成每个图像数据的时间戳。
S320:根据深度摄像设备的采样频率,对脸部深度图像数据进行时间戳写入。
在一种具体实施中,假设深度摄像设备的采样频率为15帧/1s,在某个时间段[T1-T2]内共采集了15张图像数据,然后将时间段[T1-T2]平均分成10个相同的时间段,生成每个图像数据的时间戳。
S330:将时间戳相对应的脸部RGB图像数据的时间戳和脸部深度图像数据,进行关联后输出。
在具体实施中,时间戳相对应可以是时间戳完全相同,或者,在同一采样时间段内,二者时间戳最为接近的若干组RGB图像数据和深度图像数据。又或者,设定相应的阈值范围,在阈值范围内的相邻时间戳,均识别为时间戳相对应的脸部RGB图像数据的时间戳和脸部深度图像数据。
S400:将所述RGB图像数据的静态特征和相对应的脸部深度图像数据的运动特征,通过联合微调进行整合,得到识别结果。
其中,所述识别结果包括待评估矫正对象具有抑郁症和待评估矫正对象不具有抑郁症。
在本发明中,通过将两种网络提取的高层语义特征进行加权联合微调来获得最终的识别结果。
具体的,本发明对DBN模型进行详细说明:搭建了一种基本的DBN网络,由四个RBM堆叠而成。首先,采用Gibbs采样和对比度散度训练RBM,使最大化。RBM参数定义DBN第一层参数。然后,按照以下公式将第二个RBM训练为近似最大化第一个RBM所表示的概率分布:/>其中,p(2)为第二个RBM所表示的概率分布。也就是说,训练第二个RBM来模拟由输入数据驱动的第一个RBM的隐藏单元采样所定义的分布。这个过程重复四次,以向DBN添加四个隐藏层,每个新的RBM都对前一个RBM的采样进行建模,来定义DBN的新一层。使用自顶向下的微调来生成权重,以指导DBN模型的确定。在最上面的两层,权重被链接在一起,因此较低层的输出将提供与最高层的关联,然后最高层将其链接形成关联存储。DBN通过使用标记数据和BP算法来调整整个识别性能。
如图2所示,在2D-SADN中,以单张RGB人脸图像做输入,分别从三个通道单独训练DBN模型,每个通道得到一个预测值,然后对三个通道的预测值取均值获得该网络的最终预测值。
如图3所示,在三维动态几何深度网络(3D-DGDN)中,根据搭建的基本DBN网络构建了四种不同的DBN模型。图中,(a)是仅以面部点为输入的四层DBN,命名为4DBN;(b)、(c)是融合了面部点(flattened)和AUs的DBN,(b)是以面部点和AUs为输入,命名为4DBN-AU,(c)是以面部点为输入,在DBN网络的倒数第二层加入AUs,然后共同作为输入训练顶层的RBM,该模型结构命名为AU-4DBN。(d)是在AU-4DBN模型的基础上添加LSTM,即使用AU-4DBN顶层的RBM的输出作为LSTM第一层的输入,训练2层的LSTM,该网络结构命名为AU-4DBN-LSTM。论文将4DBN网络作为整个框架体系的基本网络结构,同时将AU-4DBN-LSTM网络作为3D动态几何深度网络。
最后,在的拿到采用相应位置元素相加的策略连接RGB三个通道顶部隐藏层的输出值,获得2D-SADN网络的表征向量。然后,将该表征向量和3D-DGDN的顶层隐藏层的激活值串联起来。最后,串联起来的表征用于全连接网络的输入,利用Sigmoid函数实现最终的识别。然后再利用交叉熵损失函数的线性加权和对网络进行整合:Lfusion=λ1L2D-SADN+λ2L3D-DGDN+λ3L2D-3D;
其中,L是交叉熵损失函数,L2D-SADN,L3D-DGDN和L2D-3D分别是从2D-SADN、3D-DGDN和融合后的网络计算出来的。λ1,λ2,λ3调节参数。为了充分利用两种模型的性能,结合实验结果,最终确定λ1,λ2,λ3的值分别为1,1,0.1。
三个网络的交叉熵损失函数L2D-SADN,L3D-DGDN和L2D-3D分别所示:
其中,n是样本个数,y(i)是第i个样本真实的标签值。和/>分别是2D-SADN、3D-DGDN和整合网络Sigmoid激活的第i个输出值。/>是根据2D-SADN和3D-DGDN网络的分对数值求得,/>其中,/>和/>分别是2D-SADN和3D-DGDN网络的第i个分对数值,σ(·)是Sigmoid激活函数。
分对数的计算公式其中k代表了2D-SADN和3D-DGDN网络,xi是k网络Sigmoid激活函数的第i个输出值。最终的预测为整合网络Sigmoid函数输出值而获得,计算公式为/>
实施例四
本实施例四提供了一种基于社区矫正对象心理评估分析的智慧矫正***,其技术方案、架构和技术原理均与实施例一/实施例二/实施例三的完全相同。本实施例四提供了一种基于社区矫正对象心理评估分析的智慧矫正***的具体应用场景及相关技术方案。
在网络数据传输安全方面,心理矫正终端向管理服务器传输数据、管理服务器向数据中台传输数据的过程可能会面临数据泄露、数据篡改、入侵者恶意攻击等风险。为保障本智慧矫正***的安全性,本发明提供了一种数据传输加密方法,不仅可以保证完整性、消息来源的真实性,还可以防止恶意验证者发起的选择文本攻击。
所述心理矫正终端与管理服务器之间、所述管理服务器与数据中台之间通过预设加密算法进行网络数据传输,所述预设加密算法包括以下步骤:
设定待传输数据在一维空间中对应唯一一个加密权值向量n;
采用公开密钥参量a和f,通过公开密钥参量的不同取值随机构成数据加密的混合字串集合A(n)=[(a1,f1),...,(ai,fi)],且满足数据加密约束条件:ai≠0,且f1+...+fn-1≠0;
M为传输数据的加密预读数据,执行如下的初始数据加密流程:
在数据存储的多维空间内,基于数据加密约束条件,构造数据的动态加密优化集合W=[(y1,w1),...,(yn-1,wn-1)]与通用摘要字符串B,其中,B包含n个数据对象;
对字符串加密的计算公式为bi=an·fn∑w·(yi+wi),其中,bi表示加密字符串,an和fn表示密钥参数值;wi表示密钥参数值表示节点i的初始密钥;yi表示节点i的身份标识;
根据映射原理利用映射函数h(i)将加密后的数据映射到低维空间中,所述映射函数h(i)=l·∑bi+Data_block;其中,h(i)表示节点i的映射函数,l表示节点生成的挑战帧;Data_block表示更新后的本地数据传输节点;bi表示加密字串组集;
根据映射函数h(i)的映射取值,将通用摘要字符串B中的第i组数据对象映射为加密字串组集bi,并利用加密计算公式计算得出动态密文中的任意一个数据对象的加密字串集合bgk,由此得到gk=i,其中g、k表示加密字串集合在摘要字符串中的第g行第k列序列上;
对加密数据的存储扇区进行全维度映射计算,计算结果中大于等于k的数值设为数据存储空间域集合,表示为K;
计算得出加密字符串组集bi与数据对象的加密字符串集合bgk的符合条件为 (bgk+bi)∈K;
其中,映射函数h(i)主要影响通用摘要字符串B与数据存储空间域集合K之间的内在关联性,映射函数的映射值为随机动态数值,不同于通用密文字节串映射的结果;
将上述计算结果设置为解密字符串集bn+1,所述通用摘要字符串B和加密字符串bn+1的集合即是网络传输的数据M的输出加密值。
在另一方面,所述心理矫正终端与管理服务器之间、所述管理服务器与数据中台之间通过预设解密算法进行数据解密流程,在利用预设解密算法对密文进行解密过程中,主要是通过对通用摘要字符串集合B进行线性反向配对计算,以获取存储数据的原始明文,所述预设解密算法包括以下步骤:
方向配的计算加密字符串bn+1,获得符合约束条件的数据反向配对总量P,利用公式(bgk+bi)∈K求出加密字串组集bi,建立bi与公开密钥参量ai和fi间的连接;/>
计算消息验证码F的时间戳生成时间:其中,Δt表示最大传输时延;ks表示网关与节点协商的绘画密钥;h(i)为映射函数;
对数据进行解密计算,得到解密字串组集:其中,bi表示第i组加密字串组集;F为消息验证码,h为映射函数;ni表示用于密钥生成函数的安全参数;ai表示第i组加密字节字串组集的密钥参数值;T表示消息验证码时间戳的生成时间;
令所有解密字符串构成的集合为A(n),在同一存储维度空间中,计算得到加密操作与解密操作的简化函数为:Dec{A(n),[b1,...bn+1]}=M;
通过以上计算过程即可解得密文对应的字符串组集M,得到明文,解密计算结束。
实施例五
本实施例五提供了一种基于社区矫正对象心理评估分析的智慧矫正***,其技术方案、架构和技术原理均与实施例一/实施例二/实施例三/实施例四的完全相同。本实施例五提供了一种基于社区矫正对象心理评估分析的智慧矫正***的具体应用场景及相关技术方案。
本实施例五所述智慧矫正***还包括:矫正对象档案管理子***。
其中,矫正对象档案管理子***包含了整个学习改造活动的心理教育历程及相关的文字、音频记录。具体包括社区矫正对象基本信息、思维模式、心理特征、心理测试与咨询记录以及心理矫治程序,可对社区矫正对象学习改造和其它方面的表现进行阶段和全程进行考核、记载、评价、处理等跟踪管理控制以及监督,能有效地促进人员改造活动的顺利开展,改善改造效果。同时,***提供相关的数据接口以便对心理档案信息库进行更深层次的心理研究工作。
具体的,所述矫正对象档案管理子***包括矫正对象基本信息模块、心理档案信息模块、心理档案模板模块和心理矫正方案推荐模块。
在一种具体实施中,所述矫正对象基本信息模块用于对接省区级社区矫正一体化平台,导入矫正对象基本信息,或人工录入,包括人员编号、姓名、年龄、所判罪刑、刑期、病情鉴定、文化程度等基础信息,以及主要家庭成员情况、主要社会关系、主要犯罪事实、自述材料、本人生活史等相关信息。获取完整的人员基础档案和矫正记录信息。
在一种具体实施中,所述心理档案信息用于整合在矫正对象进行心理测试后产生的数据,包括:心理评估、心理咨询、心理危机干预、心理健康教育、团体辅导、个别教育(预留接口对接个别教育信息)等信息。
在一种具体实施中,所述心理档案模板用于可设置心理档案模板,各部署心理矫正终端的司法单位可基于此形成自己的模板。包括矫治方法缘由、评估结果、矫治措施、矫治效果等信息。
在一种具体实施中,所述心理矫正方案推荐模块用于支持推荐与矫正对象当前心理情况相似的矫治方案,可以查看相似案例中的心理矫治方案相关信息,包括该矫治方案的相似度、主诉内容等,以便给予进行参考分析。社区矫正管理人员可通过心理矫正方案推荐模块设置矫治方案标签,方便在记录矫治方案信息时对矫治方案进行打标签,对所有矫治方法根据一定的标签进行分类,便于查找特定类型的改造矫治方案。
实施例六
本实施例六提供了一种基于社区矫正对象心理评估分析的智慧矫正***,其技术方案、架构和技术原理均与实施例一/实施例二/实施例三/实施例五的完全相同。本实施例六提供了一种基于社区矫正对象心理评估分析的智慧矫正***的具体应用场景及相关技术方案。
本实施例六所述智慧矫正***还包括:心理矫正方案管理子***。
其中,所述心理矫正方案管理子***用于登记新的心理矫治方案,包括矫治时间、矫治方式、心理障碍状态、矫治措施、矫治疗效等等。
具体的,所述心理矫正方案管理子***包括风险动态预警模块、风险档案信息模块、风险认定和撤销信息模块和预警管理模块。
在一种具体实施中,所述风险动态预警用于动态监控社区矫正对象的再犯罪风险分值,分别用红(高风险)、黄(中风险)、蓝(低风险)三色标识,为社区矫正机构和司法所提供预警信息,并跟踪记录预警信息处置情况。具体的,风险动态预警根据社区矫正对象的心理测评数据、社区矫正期间的行为状况进行判断,以评分累计的方式得到再犯罪风险分值。例如,心理测评数据代表心理状况问题,问题越大,负面评分越高;根据具体违规行为,赋予相应的负面评分,将心理状况的负面评分和具体违规行为的负面评分进行叠加,得到再犯罪风险分值。
在一种具体实施中,所述风险档案信息用于整合在矫正对象的心理测评数据,与数据中台进行数据对接,实现共享数据。
在一种具体实施中,所述风险认定和撤销信息模块,其用于***支持添加高风险认定,对认定的矫正对象进行攻坚转化管理,***支持添加攻坚转化记录,支持上传攻坚转化的总结文件,对矫正对象完成攻坚转化达到效果后,有撤销权限的管理人员可撤销该矫正对象的认定。
在一种具体实施中,所述预警管理用于根据症状清单中、个人心理健康综合测量量表的评估结果,生成预警情况报表。症状清单量表可按无、轻、中、重、极重的心理健康状况统计人数及占比,并根据因子区分(包括躯体化、抑郁、人际关系、恐怖、焦虑、偏执、其他、敌对、精神病性、强迫症状)生成各因子人数及占比情况表。中个人心理健康综合测量量表可按心理健康问题类别(包括学习焦虑、对人焦虑、孤独倾向、自责倾向、过敏倾向、身体症状、恐怖倾向、冲动倾向)统计人数及占比,并根据因子区分,生成各因子人数及占比情况表。
实施例七
本实施例七提供了一种基于社区矫正对象心理评估分析的智慧矫正终端,其包括用于部署并实现上述智慧矫正***的硬件设备及云服务器。
本发明所述智慧矫正终端包括相互连接的心理矫正终端、管理服务器和数据中台;所述心理矫正终端用于采集矫正对象的心理测试数据;所述数据中台用于采用关联规则挖掘算法对心理测试数据进行挖掘,得到强关联规则;
所述管理服务器被配置为执行如下操作:获取待评估矫正对象的心理测试数据;基于强关联规则和预设评估算法,对待评估矫正对象的心理测试数据进行评估,得到心理评估结果。
本实施例所述一种基于社区矫正对象心理评估分析的智慧矫正***及终端的其它结构参见现有技术。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,故凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (8)
1.一种基于社区矫正对象心理评估分析的智慧矫正***,其特征在于,所述智慧矫正***包括相互连接的心理数据采集子***、心理评估分析子***和数据中台;
所述心理数据采集子***应用于数据中台,心理数据采集子***还包括心理矫正终端;所述心理评估分析子***包括管理服务器,所述管理服务器分别与心理矫正终端与数据中台连接;
所述心理数据采集子***用于采集矫正对象的心理测评数据,所述心理数据采集子***采用关联规则挖掘算法对心理测评数据进行挖掘,得到强关联规则;
所述心理评估分析子***的管理服务器被配置为执行如下操作:
获取待评估矫正对象的心理测评数据;
基于强关联规则和预设评估算法,对待评估矫正对象的心理测评数据进行评估,得到心理评估结果。
2.根据权利要求1所述的一种基于社区矫正对象心理评估分析的智慧矫正***,其特征在于,所述心理数据采集子***包括:
数据采集模块,其用于心理矫正终端,所述数据采集模块配置有用于矫正对象的心理评估量表,所述数据采集模块通过心理矫正终端获取由矫正对象针对心理评估量表输入的心理测评数据;
数据预处理模块,其用于对所述心理测评数据进行清理和集成,得到心理数据集;
数据异常挖掘模块,其采用关联规则挖掘算法对心理测评数据进行数据挖掘,发现心理测评数据中存在的异常点,得到异常数据,生成异常数据集;
关联规则挖掘模块,其用于将异常数据集整合到所述心理数据集中,采用Apriori算法对心理数据集进行关联规则挖掘,得到强关联规则。
3.根据权利要求2所述的一种基于社区矫正对象心理评估分析的智慧矫正***,其特征在于,所述预设评估算法为基于模糊综合评判算法,所述预设评估算法具体包括:
根据强关联规则建立因素集U,所述因素集U为对应强关联规则中相关的因素;
建立语评集V,所述语评集V为对待评估矫正对象的评语;
利用集值统计迭代法,对因素集U中的因素进行权重分配,得到每个因素的权重值;
利用预建立的模糊综合评判模型,对待评估矫正对象的心理测评数据进行评估,得到模糊综合评判的评语结果,输出心理评估结果。
4.根据权利要求1所述的一种基于社区矫正对象心理评估分析的智慧矫正***,其特征在于:
所述心理矫正终端设置有深度摄像设备和普通摄像设备,所述心理矫正终端还被配置为在待评估矫正对象进行心理测评时,获取待评估矫正对象的脸部RGB图像数据和脸部深度图像数据;
所述心理评估分析子***的管理服务器被配置为执行如下操作:
获取脸部RGB图像数据,从脸部RGB图像数据中提取所述待评估矫正对象的脸部表情的静态特征;
获取脸部深度图像数据,从脸部深度图像数据中提取所述待评估矫正对象的脸部表情的运动特征;
识别相对应的RGB图像数据和脸部深度图像数据;
将所述RGB图像数据的静态特征和相对应的脸部深度图像数据的运动特征,通过联合微调进行整合,得到识别结果;
其中,所述识别结果包括待评估矫正对象具有抑郁症和待评估矫正对象不具有抑郁症。
5.根据权利要求4所述的一种基于社区矫正对象心理评估分析的智慧矫正***,其特征在于,识别相对应的RGB图像数据和3D图像数据,具体包括以下步骤:
根据普通摄像设备的采样频率,对脸部RGB图像数据进行时间戳写入;
根据深度摄像设备的采样频率,对脸部深度图像数据进行时间戳写入;
将时间戳相对应的脸部RGB图像数据的时间戳和脸部深度图像数据,进行关联后输出。
6.根据权利要求1至5任意一项所述的一种基于社区矫正对象心理评估分析的智慧矫正***,其特征在于:
所述心理矫正终端与管理服务器之间、所述管理服务器与数据中台之间通过预设加密算法进行网络数据传输,所述预设加密算法包括以下步骤:
设定待传输数据在一维空间中对应唯一一个加密权值向量n;
采用公开密钥参量a和f,通过公开密钥参量的不同取值随机构成数据加密的混合字串集合A(n)=[(a1,f1),...,(ai,fi)],且满足数据加密约束条件:ai≠0,且f1+...+fn-1≠0;
M为传输数据的加密预读数据,执行如下的初始数据加密流程:
在数据存储的多维空间内,基于数据加密约束条件,构造数据的动态加密优化集合W=[(y1,w1),...,(yn-1,wn-1)]与通用摘要字符串B,其中,B包含n个数据对象;
对字符串加密的计算公式为bi=an·fn∑w·(yi+wi),其中,bi表示加密字符串,an和fn表示密钥参数值;wi表示密钥参数值表示节点i的初始密钥;yi表示节点i的身份标识;
根据映射原理利用映射函数h(i)将加密后的数据映射到低维空间中,所述映射函数h(i)=l·∑bi+Data_block;其中,h(i)表示节点i的映射函数,l表示节点生成的挑战帧;Data_block表示更新后的本地数据传输节点;bi表示加密字串组集;
根据映射函数h(i)的映射取值,将通用摘要字符串B中的第i组数据对象映射为加密字串组集bi,并利用加密计算公式计算得出动态密文中的任意一个数据对象的加密字串集合bgk,由此得到gk=i,其中g、k表示加密字串集合在摘要字符串中的第g行第k列序列上;
对加密数据的存储扇区进行全维度映射计算,计算结果中大于等于k的数值设为数据存储空间域集合,表示为K;
计算得出加密字符串组集bi与数据对象的加密字符串集合bgk的符合条件为 (bgk+bi)∈K;
其中,映射函数h(i)主要影响通用摘要字符串B与数据存储空间域集合K之间的内在关联性,映射函数的映射值为随机动态数值,不同于通用密文字节串映射的结果;
将上述计算结果设置为解密字符串集bn+1,所述通用摘要字符串B和加密字符串bn+1的集合即是网络传输的数据M的输出加密值。
7.根据权利要求1至5任意一项所述的一种基于社区矫正对象心理评估分析的智慧矫正***,其特征在于:
所述心理矫正终端与管理服务器之间、所述管理服务器与数据中台之间通过预设解密算法进行数据解密流程,在利用预设解密算法对密文进行解密过程中,主要是通过对通用摘要字符串集合B进行线性反向配对计算,以获取存储数据的原始明文,所述预设解密算法包括以下步骤:
方向配的计算加密字符串bn+1,获得符合约束条件的数据反向配对总量P,利用公式(bgk+bi)∈K求出加密字串组集bi,建立bi与公开密钥参量ai和fi间的连接;
计算消息验证码F的时间戳生成时间:其中,Δt表示最大传输时延;ks表示网关与节点协商的绘画密钥;h(i)为映射函数;
对数据进行解密计算,得到解密字串组集:其中,bi表示第i组加密字串组集;F为消息验证码,h为映射函数;ni表示用于密钥生成函数的安全参数;ai表示第i组加密字节字串组集的密钥参数值;T表示消息验证码时间戳的生成时间;
令所有解密字符串构成的集合为A(n),在同一存储维度空间中,计算得到加密操作与解密操作的简化函数为:Dec{A(n),[b1,...bn+1]}=M;
通过以上计算过程即可解得密文对应的字符串组集M,得到明文,解密计算结束。
8.一种基于社区矫正对象心理评估分析的智慧矫正终端,其特征在于,所述智慧矫正终端包括相互连接的心理矫正终端、管理服务器和数据中台;
所述心理矫正终端用于采集矫正对象的心理测试数据;
所述数据中台用于采用关联规则挖掘算法对心理测试数据进行挖掘,得到强关联规则;
所述管理服务器被配置为执行如下操作:
获取待评估矫正对象的心理测试数据;
基于强关联规则和预设评估算法,对待评估矫正对象的心理测试数据进行评估,得到心理评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310909424.9A CN117079772A (zh) | 2023-07-24 | 2023-07-24 | 一种基于社区矫正对象心理评估分析的智慧矫正***及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310909424.9A CN117079772A (zh) | 2023-07-24 | 2023-07-24 | 一种基于社区矫正对象心理评估分析的智慧矫正***及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117079772A true CN117079772A (zh) | 2023-11-17 |
Family
ID=88701376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310909424.9A Pending CN117079772A (zh) | 2023-07-24 | 2023-07-24 | 一种基于社区矫正对象心理评估分析的智慧矫正***及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117079772A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117762957A (zh) * | 2023-12-01 | 2024-03-26 | 江苏荣泽信息科技股份有限公司 | 基于表格形式实现的企业数据智能管理*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109171769A (zh) * | 2018-07-12 | 2019-01-11 | 西北师范大学 | 一种应用于抑郁症检测的语音、面部特征提取方法及*** |
CN111312394A (zh) * | 2020-01-15 | 2020-06-19 | 东北电力大学 | 一种基于组合情感的心理健康状况评估***及其处理方法 |
CN112201343A (zh) * | 2020-09-29 | 2021-01-08 | 浙江大学 | 基于脸部微表情的认知状态识别***及方法 |
CN114417165A (zh) * | 2022-01-24 | 2022-04-29 | 徐涛 | 一种心理矫治方法、装置及终端设备 |
-
2023
- 2023-07-24 CN CN202310909424.9A patent/CN117079772A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109171769A (zh) * | 2018-07-12 | 2019-01-11 | 西北师范大学 | 一种应用于抑郁症检测的语音、面部特征提取方法及*** |
CN111312394A (zh) * | 2020-01-15 | 2020-06-19 | 东北电力大学 | 一种基于组合情感的心理健康状况评估***及其处理方法 |
CN112201343A (zh) * | 2020-09-29 | 2021-01-08 | 浙江大学 | 基于脸部微表情的认知状态识别***及方法 |
CN114417165A (zh) * | 2022-01-24 | 2022-04-29 | 徐涛 | 一种心理矫治方法、装置及终端设备 |
Non-Patent Citations (6)
Title |
---|
亓文娟, 等: "关联规则挖掘在大学生心理健康测评***中的应用研究", 《湖南工业大学学报》, vol. 27, no. 6, pages 94 - 99 * |
吕舰: "基于国密算法的网络通信传输数据安全存储方法", 《长江信息通信》, vol. 36, no. 4, pages 171 - 174 * |
孙锐, 等: "基于感知数据的大学生心理可承受风险自动评估***", 《现代电子技术》, vol. 44, no. 13, pages 164 - 168 * |
张丹媚 等: "《智慧社区管理》", vol. 978, 28 February 2019, 重庆大学出版社, pages: 186 - 191 * |
张理晖: "《公共建筑装饰设计》", vol. 978, 31 January 2014, 中国轻工业出版社, pages: 301 - 304 * |
马学鹏: "基于数据挖掘的管制员心理倾向性研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 9, pages 031 - 49 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117762957A (zh) * | 2023-12-01 | 2024-03-26 | 江苏荣泽信息科技股份有限公司 | 基于表格形式实现的企业数据智能管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170103472A1 (en) | Distributed electronic document review in a blockchain system and computerized scoring based on textual and visual feedback | |
CN110797124A (zh) | 一种模型多端协同训练方法、医疗风险预测方法和装置 | |
CN111402095A (zh) | 一种基于同态加密联邦学习来检测学生行为与心理的方法 | |
CN106685916A (zh) | 电子会议智能 | |
Hachicha et al. | Using process mining for learning resource recommendation: A Moodle case study | |
US11468377B2 (en) | System and method for creating a census hub in resource constrained regions | |
CN117238458B (zh) | 基于云计算的重症护理跨机构协同平台*** | |
CN109464122B (zh) | 基于多模态数据的个体核心特质预测***及方法 | |
CN114187988A (zh) | 数据处理的方法及装置、***、存储介质 | |
WO2022057108A1 (zh) | 基于联邦学习的个人资质评估方法、装置及***及存储介质 | |
CN117079772A (zh) | 一种基于社区矫正对象心理评估分析的智慧矫正***及终端 | |
Shen et al. | A college student behavior analysis and management method based on machine learning technology | |
Wang et al. | Large language models as urban residents: An llm agent framework for personal mobility generation | |
CN115510074B (zh) | 基于一张表的分布式数据管理及应用*** | |
Nawang et al. | Classification model and analysis on students’ performance | |
CN112307028A (zh) | 跨数据信息知识模态的面向本质计算的差分内容推荐方法 | |
Qin et al. | [Retracted] Intervention Algorithm of Horse Racing for Students’ Psychological Disorders Based on Big Data | |
CN115700826A (zh) | 单据处理、单据展示方法、装置、计算机设备和存储介质 | |
CN111985793A (zh) | 一种学生网上评教方法 | |
Rodríguez et al. | Application of learning analytics for sequential patterns detection associated with moments of distraction in students in e‐learning platforms | |
Cui | Intelligent analysis of exercise health big data based on deep convolutional neural network | |
Huang et al. | [Retracted] Analysis of Ideological and Political Classroom Based on Artificial Intelligence and Data Mining Technology | |
CN113658713B (zh) | 传染趋势预测方法、装置、设备及存储介质 | |
Pratiwi et al. | A theoretical framework of data quality in participatory sensing: A case of mHealth | |
KR102365429B1 (ko) | 불성실응답자를 판별하는 인공지능을 이용한 온라인 모바일 설문조사 플랫폼 |
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 |