【技术实现步骤摘要】
基于静息态功能磁共振数据的性格识别装置及方法
[0001]本专利技术涉及性格分析人工智能
,特别是涉及一种基于静息态功能磁共振数据的性格识别装置及方法。
技术介绍
[0002]性格是指人比较稳定的心理活动的总和,它是一个人能否施展才能、开展社会交际,有效完成工作的基础。性格在一定程度上衡量了一个人在很长一段时间内对社会的影响和对周围事物的态度。性格的大部分特质与五因素密切相关,五因素包括:神经质性(情绪稳定性)、外向性、开放性、宜人性和尽责性,因此,目前衡量性格的方法主要利用五因素模型(FFM)来衡量。目前五因素模型(FFM)主要有利用脑功能网络来识别五因素的得分情况的L1正则化的线性回归模型。
[0003]L1正则化的线性回归模型的表达式为:
[0004][0005]其中,X=[x1,x2,...,x
n
]T
∈R
n
×
d
是一个数据矩阵,n是被试者的数量,d是每个人的脑功能网络(特征)的数量,权重向量W
k
∈R
d
×1用于识别第k个因素的模型参数,Y
k
∈R
n
×1是输出向量,它的元素代表被试的第k个因素的分数。
[0006]但现有技术中线性回归模型只根据脑功能网络本身来识别五因素的得分,没有考虑各因素之间的关系,导致识别的因素得分与实际的得分存在较大的误差。
技术实现思路
[0007]本专利技术的目的是提供一种基于静息态功能磁共振数据 ...
【技术保护点】
【技术特征摘要】
1.一种基于静息态功能磁共振数据的性格识别方法,其特征在于,所述方法包括:获取待识别者的静息态功能磁共振数据;对所述静息态功能磁共振数据进行预处理;对所述预处理后的磁共振数据利用组独立成分分析法确定大脑区域,并提取各个大脑区域的血氧水平依赖信号;对每一待识别者的所述各个大脑区域的血氧水平依赖信号进行皮尔森相关分析得到每个待识别者的脑网络;将所述每个待识别者的脑网络作为特征输入多因素识别模型,输出性格识别结果;所述多因素识别模型包括多因素相似矩阵;所述多因素为不同种类的性格标签。2.根据权利要求1所述的性格识别方法,其特征在于,所述多因素识别模型为:2.根据权利要求1所述的性格识别方法,其特征在于,所述多因素识别模型为:其中,X=[x1,x2,
…
,x
n
]
T
∈R
n
×
d
是待识别者的输入特征矩阵,即待识别者脑网络矩阵;n是待识别者的数量;d是每一待识别者的脑网络的数量;R
n
×
d
为n个待识别者所有脑网络对应的数据;权重向量W
k
∈R
d
×1用于识别第k个因素的模型参数;Y
k
∈R
n
×1是输出向量,它的元素代表待识别者的第k个因素的分数;S
ij
为因素i和因素j的相似性矩阵;α、β为多因素识别模型参数。3.根据权利要求2所述的性格识别方法,其特征在于,所述多因素识别模型中相似性矩阵的确定方法包括:确定所述多因素识别模型矩阵形式表示为:为:其中,
⊙
代表两个矩阵的哈达玛积,D是S
⊙
S的度矩阵,D
‑
S
⊙
S是的S
⊙
S拉普拉斯矩阵,tr[]为计算矩阵的迹,即计算对角元素之和;令它的梯度表达式为它的梯度表达式为以梯度下降的步长γ进行梯度下降,梯度下降公式为:根据近端优化将α||W||
1,1
的操作算子定义为:
sgn(W
ij
)为符号函数,输出W
ij
的正负,abs(W
ij
)为绝对值函数,d是每一待识别者的脑网络特征的数量,l为因素的数量;通过操作算子将W保持在可行域中,固定W,利用拉普拉斯算子将所述多因素识别模型转化为无约束的等式:求等式关于S
i,j
和λ的偏导数分别表示为:和λ的偏导数分别表示为:令解两个联立方程,得到相似矩阵为:解两个联立方程,得到相似矩阵为:4.根据权利要求1所述的性格识别方法,其特征在于,所述对所述静息态功能磁共振数据进行预处理,具体包括:选定参考头部数据;将所述静息态功能磁共振数据按照设定单位体积分别在空间上与所述参考头部数据进行配准,得到头动矫正数据;利用独立成分分析法区分和删除所述头动矫正数据中的噪声成分,得到去噪数据;将每一待识别者的所述去噪数据配准至标准空间,得到预处理后的磁共振数据。5.根据权利要求1所述的性格识别方法,其特征在于,所述对所述预处理后的磁共振数据利用组独立成分分析法确定大脑区域,并提取各个大脑区域的血氧水平依赖信号,具体包括:采用主成分分析法对单个待识别者的所述预处理后的磁共振数据进行单体降维,得到单体降维数据...
【专利技术属性】
技术研发人员:高洁,姜华,赵雯宇,伊雨,杨素,
申请(专利权)人:山东科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。