[发明专利]一种基于脑电采集的人格特征匹配系统

说明书

本发明涉及特殊岗位性格匹配技术领域，具体涉及一种基于脑电采集的人格特征匹配系统，包括：脑电采集模块、人格特征问卷模块和机器学习算法模块；所述脑电采集模块与人格特征问卷模块分别用于采集脑电信号与人格特征信号；所述机器学习算法模块用于接收脑电信号与人格特征信号并建立特定人群的人格特征与脑电生理特征模型；本方案结合人格倾向测评结果、答题反应时和静息态脑电测量结果，通过人工智能机器学习算法，对于优秀的候选人和严重的人格障碍患者的主观和客观测量指标进行数学建模，从而提高优秀岗位胜任者的选拔命中率。

技术领域

本发明涉及特殊岗位性格匹配技术领域，具体涉及发明一种基于脑电采集的人格特征匹配系统。

背景技术

传统的特殊岗位选拔是基于人格倾向问卷调查，现有的人格障碍倾向筛查方法主要采用成套的自陈式问卷测试或通过案例的质性分析，如人格障碍筛查测试(PDQ-4+)、DSM-IV中主要精神障碍的诊断标准；此类人格障碍倾向筛查技术存在以下四点缺陷和不足：

1.理论模型：现有测验工具的理论模型针对的是已经具有的人格障碍特征，而不是人格障碍的潜在倾向；另外，所有这些理论模型都是基于美国心理学家针对美国人的人格障碍特征进行，是基于美国文化和美国人特有的人格特质；因此，该相应理论模型显然不具有科学性和普遍性。

2.测试方式：现有测验方法建立在自陈式问卷基础上，这种方式使得受试者的测验结果具有较强的社会赞许性，同时，成套的测验很容易让受试者通过其他途径实现获得，从而加以分析总结，导致测验的结果并不可靠。

3.评价指标：以往人格障碍倾向选拔测验的评价指标均采用单一的行为反应，即通过问卷得分高低来反应被试者的人格障碍倾向；这种评价指标过于粗放，很难识别测试过程中被试的真实心理状态，无法监控被试者的生理状况和脑电活动。

4.评价标准：现有的心理选拔评价标准是建立在测验常模的基础上，这种心理测量采用统计学方法构建量表的常模，在常模和取置信区间的基础上制定量表的正常范围，超出正常范围值则判定为不正常；而测验常模的准确性需要大量的样本数量，同时还存在着评估区间僵化、评估误差大等技术局限，并且无法对于新测量的样本进行准确预测。

可见，现有人格障碍倾向的筛查技术因其理论取向、评价指标、测试手段以及测试标准等方面的固有局限很难有效地淘汰具有潜在人格障碍倾向的候选者。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于脑电采集的人格特征匹配系统；本发明要解决的技术问题通过以下技术方案实现：

一种基于脑电采集的人格特征匹配系统，包括：脑电采集模块、人格特征问卷模块和机器学习算法模块；所述脑电采集模块与人格特征问卷模块分别用于采集脑电信号与人格特征信号；所述机器学习算法模块用于接收脑电信号与人格特征信号并建立特定人群的人格特征与脑电生理特征模型。

进一步的，所述脑电采集模块包括干电极与放大器组合集成的有源脑电电极完成脑电信号的采集和放大，再经过导线传输到脑电采集板，脑电采集板将采集信号串口连接发送至上位机。

进一步的，所述脑电采集板包括AK5381芯片与STM32F407芯片，AK5381芯片通过SPI通信连接STM32F407芯片。

进一步的，所述人格特征问卷模块通过前期心理学实验结果研究论证后的30道题目，采用B/S软件架构实现多人同时进行人格测评。

进一步的，所述机器学习算法模块包括脑电源定位模块与模型构建模块。

进一步的，所述脑电源定位模块是基于matlab环境的脑电源定位软件，将静息态fMRI研究得到的8个大尺度功能网络的空间分布作为先验信息，求出比传统的最小模解和低分辨率层析成像更为精确的皮层电位分布，并按8个大尺度功能网络统计脑电节律的能量分布。