【技术实现步骤摘要】
本专利技术属于心理学、管理科学与神经科学，具体涉及一种脑信息驱动的关键岗位人才选拔系统。
技术介绍
1、随着社会的发展，以研究心理活动和性格行为为主的心理学的应用越来越广泛,各行各业对心理测量工具的需求也越来越多。在应聘测试、人才选拔、岗位配置方面，国内外已做了大量的研究。目前见到的最早的有关研究是汉德塞和邓肯(handyside&duncan)于1954年发表的多方法测评的效度研究。其被试者为企业的低级主管，以测评的结果来决定是否雇用，测评方法包括纸笔测验、两次不同主试面试、主试组面试(panel interview)和推荐信。塞则(silzer)于1986年报告了确定管理者成功的预测指标的研究。该研究涉及到1749年来自不同水平不同部门的管理者，他们采用了《加州人格问卷》(californiapersonality inventory)和一系列认知能力测验。国内的相关研究可用于人事选拔的测验还比较少，目前国内常用的测验包括：《卡特尔16种人格问卷》(16pf)、《明尼苏达多项人格问卷》(mmpi)、《基本职业能力测验》(gatb)、《标准瑞文推理测验》(spm)投射测验、主题统觉测验、罗夏墨迹测验等。
2、但是,大多职业预测的心理测验和方法都和社会、文化背景有关,离开这种文化背景，这种方法的有效性就很难保证。而且这种方法首先要定义各种能力,同时还要能证明所用的心理测试能够准确的测得这些能力。而且传统测验采用问答方式或者采用图表方式，很少能表现心理活动的动态变化规律。且传统的心理学在研究心理活动时，复合了人
3、因此可将心理活动过程看成一种脑信息处理过程，进而提出脑信息处理运动的数学模型，用工程上比较成熟的实验和理论来解析和揭示这一运动规律，并对这一规律进行测量和研究，建立工程型的心理活动研究体系。
4、此外，在心理学领域，脑-机接口技术的应用非常广泛，可以帮助研究人员深入了解人类的认知和情绪过程。脑-机接口(bci)是一种技术，它允许直接将人脑活动转化为计算机指令或控制信号。其中一种常见的脑-机接口技术是通过测量脑电图(eeg)信号来实现的。在心理学中，脑-机接口已在认知研究、情绪研究、精神疾病研究等多个方面实现应用，如注意力、记忆和决策的认知过程研究、识别不同情绪状态下的脑电活动模式、抑郁症和注意力缺陷多动障碍(adhd)等疾病诊断等。总的来说，脑-机接口技术在心理学研究中具有巨大的潜力。
5、以上的背景表明,基于脑信息处理运动的数学模型以及基于脑机接口的人才选拔决策方法具有重要的研究价值。脑的思维活动是一种特殊的信息处理运动，通过运动的普遍法则研究脑信息处理，就能揭示运动特性及这一特性对外表露的行为特征和能力特征。此外，通过采集并分析eeg信号，研究人员可以深入了解人类的认知和情绪过程，可从中获取丰富的信息，从而提供更准确的人才选拔决策结果。因此，本专利技术基于脑信息处理运动的数学模型以及脑机接口技术提出一种脑信息驱动的关键岗位人才选拔系统。
技术实现思路
1、本专利技术旨在解决现有技术的不足，提出一种脑信息驱动的关键岗位人才选拔系统，通过脑信息处理运动的数学模型与脑机接口技术实现关键岗位的人才选拔。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种脑信息驱动的关键岗位人才选拔系统，包括：采集模块、特征提取模块以及分类模块；
4、所述采集模块，用于采集受测者的脑信息处理运动信息以及头皮脑电信号；
5、所述特征提取模块，用于基于所述脑信息处理运动信息，获得脑信息处理运动特征向量；预处理所述头皮脑电信号，并基于训练好的变分自编码器模型对预处理后的所述头皮脑电信号进行降维，获得降维后的脑电特征向量；
6、所述分类模块，用于对所述脑信息处理运动特征向量以及降维后的所述脑电特征向量进行规范化处理并连接，通过分类器建立人才选拔决策模型，获得人才选拔结果。
7、优选的，所述采集模块，包括脑信息处理运动信息采集单元以及头皮脑电信号采集单元；
8、所述脑信息处理运动信息采集单元，用于基于受测者连续加算手工作业的作业量曲线，获得所述脑信息处理运动信息；
9、所述头皮脑电信号采集单元，用于基于脑电采集系统采集受测者连续加算手工作业时的所述头皮脑电信号。
10、优选的，所述脑信息处理运动特征向量，包括上下半时分别的惯性特征量、弹性特征量、能量特征量、偏离度以及能力特征量。
11、优选的，所述特征提取模块中，获得所述脑信息处理运动特征向量的过程为：
12、基于所述受测者的作业量曲线，采用最小二乘法，获得所述上下半时作业量各行系数和公式如下：
13、
14、
15、式中，代表第i个受测者的总作业量均值，qij代表第i个受测者第j行的作业量，代表每个受测者的总工作量均值，代表每个受测者第j行的工作量均值，其中，i＝1，2，...，4000，代表受测者人数；j＝1，2，...，30，代表工作量行数；
16、基于所述各行系数以及第i个受测者的总作业量均值，获得在条件下的第j行的期望作业量的估计公式如下：
17、
18、基于受测者第j行的作业量、第j行的期望作业量的估计以及所有受测者工作量每行差量的均值与标准差，获得作业量基准差量，并对所述作业量基准差量进行标准化处理；
19、基于受测者在条件下的第j行的期望作业量的估计以及标准化处理后的所述作业量基准差量，获得所述脑信息处理运动特征向量。
20、优选的，所述特征提取模块中，所述变分自编码器模型包括编码器和解码器；
21、所述编码器，用于将所述头皮脑电信号进行编码，获得潜在空间参数；其中，所述潜在空间参数包括均值向量和方差向量；
22、所述解码器，用于将述潜在空间参数进行解码，获得重构的输入数据。
23、优选的，训练所述变分自编码器模型，采用的损失函数包括重构损失和kl散度；
24、基于所述重构损失，度量所述解码器输出与原始输入的差异；
25、基于所述kl散度，度量所述编码器输出的分布和标准正态分布之间的差异。
26、优选的，所述规范化处理的公式为：
27、
28、x：为原始的特征向量；
29、x′：规范化后的特征向量；
30、rx：原始各特征的最大值组成的10维的向量；
31、lx：原始各特征的最小值组成的10维的向量；
32、rx′：规范化后各特征的最大值组成的10维的向量；
33、lx′：规范化后各特征的最小值组成的10维的向量。
34、优本文档来自技高网...
【技术保护点】
1.一种脑信息驱动的关键岗位人才选拔系统，其特征在于，包括：采集模块、特征提取模块以及分类模块；
2.根据权利要求1所述的脑信息驱动的关键岗位人才选拔系统，其特征在于，所述采集模块，包括脑信息处理运动信息采集单元以及头皮脑电信号采集单元；
3.根据权利要求2所述的脑信息驱动的关键岗位人才选拔系统，其特征在于，所述脑信息处理运动特征向量，包括上下半时分别的惯性特征量、弹性特征量、能量特征量、偏离度以及能力特征量。
4.根据权利要求3所述的脑信息驱动的关键岗位人才选拔系统，其特征在于，所述特征提取模块中，获得所述脑信息处理运动特征向量的过程为：
5.根据权利要求1所述的脑信息驱动的关键岗位人才选拔系统，其特征在于，所述特征提取模块中，所述变分自编码器模型包括编码器和解码器；
6.根据权利要求5所述的脑信息驱动的关键岗位人才选拔系统，其特征在于，训练所述变分自编码器模型，采用的损失函数包括重构损失和KL散度；
7.根据权利要求1所述的脑信息驱动的关键岗位人才选拔系统，其特征在于，所述规范化处理的公式为：
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。