一种群体决策风险偏好预测评估方法、系统

1.本发明涉及近红外光学脑成像信号分析技术领域，具体涉及一种群体决策风险偏好预测评估方法、系统。


背景技术：

2.企业高层在面对风险时能否做出正确的群体决策是企业生存和发展的关键。随着神经科学技术的发展，群体决策相关研究逐步开始通过对两个或两个以上个体的脑间活动变化进行分析，从全新的角度解读群体决策背后的脑间神经机制。双脑研究的方法通过收集处于群体决策中的两个或多个个体的大脑活动数据进一步为考察在群体决策情景中双脑间的影响机制提供了可能性。
3.目前的双脑研究初步探讨了群体决策情景中的脑间神经机制，但仍存在以下缺点：结合基于fnirs的超扫描技术，已有研究通过同时采集两人或多人的大脑活动数据来探测群体决策背后的认知神经机制，并以脑间同步性(interpersonal brain synchronization)作为量化指标来刻画决策双方的大脑活动在时间进程中的相干性。然而，已有研究大多通过计算行为数据与神经数据之间的皮尔逊相关来验证双脑信号的脑间同步性对群体决策行为的影响，目前仍然缺少更为系统、科学的分析方法来构建基于fnirs脑间同步性的群体决策风险偏好预测方法。


技术实现要素：

4.本发明针对现有技术中的缺点，提供了一种群体决策风险偏好预测评估方法、系统，解决了现有群体决策风险偏好预测不科学的问题。
5.为了解决上述技术问题，本发明通过下述技术方案得以解决：
6.一种群体决策风险偏好预测评估方法，包括以下步骤：
7.设定若干组采样组，并采集各个采样组内的两名被试者在进行群体决策过程中大脑的原始血红蛋白信号、行为数据；
8.预处理各组所述原始血红蛋白信号并进行信号转换，得到光密度信号；
9.预处理所述光密度信号，并基于预处理后的所述光密度信号得到氧合血红蛋白浓度信号和脱氧血红蛋白浓度信号；
10.基于各组内两名被试者的氧合血红蛋白浓度信号，计算两名被试者在感兴趣频段的脑间连接数据；
11.将各组内两名被试者的所述脑间连接数据以及对应的行为数据进行数据清洗处理，得到清洗数据，将所述清洗数据划分为训练数据集和测试数据集；
12.基于所述训练数据集构建支持向量机模型，并基于所述测试数据集验证所述支持向量机模型的准确性；
13.使用验证后的支持向量机模型进行预测评估。
14.可选的，预处理各组所述原始血红蛋白信号并进行信号转换，包括以下步骤：
15.将所述原始血红蛋白信号进行质量检测，并基于质量检测结果进行坏通道数据剔除与替换，得到血红蛋白检测信号；
16.将所述血红蛋白检测信号转换为光密度信号。
17.可选的，所述质量检测，执行如下步骤：
18.设定信噪比阈值，判断所述原始血红蛋白信号的信号通道是否存在，超过一半的信号通道信噪比小于信噪比阈值；
19.若是，则将所述原始血红蛋白信号所在的采样组进行剔除，若否，则取所述原始血红蛋白信号中，位于信号通道信噪比小于信噪比阈值的信号通道两侧的信号通道的平均值进行替换。
20.可选的，预处理所述光密度信号，包括以下步骤：
21.将所述光密度信号进行运动伪迹识别，并基于运动伪迹识别结果进行运动伪迹矫正处理；
22.将运动伪迹矫正处理后的光密度信号依次进行高通滤波和低通滤波处理，得到光密度预处理信号。
23.可选的，得到氧合血红蛋白浓度信号和脱氧血红蛋白浓度信号的转换公式为：
24.其中，od表示光密度预处理信号；λ表示近红外光源的波长；x表示近红外光源的发射光极；y表示近红外光源的探测光极；l表示由发射光极到探测光极的平均路径长度；dpf表示差分路径长度因子；hbr表示脱氧血红蛋白浓度信号；hbo表示氧合血红蛋白浓度信号；ε表示参数值；表示在近红外光源的波长中，由发射光极到探测光机的平均路径长度中的光密度信号。
25.可选的，计算两名被试者在感兴趣频段的脑间连接数据，包括以下步骤：
26.剔除生理噪音引发的信号干扰，得到感兴趣频段，并计算两名被试者在感兴趣频段的脑间无向功能连接指标和脑间有向功能连接指标，得到脑间连接数据。
27.可选的，计算脑间无向功能连接指标的公式为：
28.其中，wtc表示脑间无向功能连接指标；t表示时间；s表示小波尺度；w表示连续小波变换；i表示采样组内其中一名被试者的氧合血红蛋白浓度信号；j表示采样组内另外一名被试者的氧合血红蛋白浓度信号。
29.可选的，计算脑间有向功能连接指标的公式为：
30.其中，a和b分别表示两名被试者在单变量自回归模型中采用最小二乘法所估计的系数；p表示自回归模型的阶数；ε表示双变量自回归模型中残差。
31.可选的，数据清洗处理包括以下步骤：
32.识别所述脑间连接数据以及对应的行为数据的缺失值；
33.采用删除或插补法对缺失值进行处理。
34.一种群体决策风险偏好预测评估系统，包括数据采集单元、第一预处理单元、第二预处理单元、计算单元、清洗单元、模型构建单元和预测评估单元；
35.所述数据采集单元用于设定若干组采样组，并采集各个采样组内的两名被试者在
进行群体决策过程中大脑的原始血红蛋白信号、行为数据；
36.所述第一预处理单元用于，预处理各组所述原始血红蛋白信号并进行信号转换，得到光密度信号；
37.所述第二预处理单元用于，预处理所述光密度信号，并基于预处理后的所述光密度信号得到氧合血红蛋白浓度信号和脱氧血红蛋白浓度信号；
38.所述计算单元用于，基于各组内两名被试者的氧合血红蛋白浓度信号，计算两名被试者在感兴趣频段的脑间连接数据；
39.所述清洗单元用于，将各组内两名被试者的所述脑间连接数据以及对应的行为数据进行数据清洗处理，得到清洗数据，将所述清洗数据划分为训练数据集和测试数据集；
40.所述模型构建单元用于，基于所述训练数据集构建支持向量机模型，并基于所述测试数据集验证所述支持向量机模型的准确性；
41.所述预测评估单元用于，使用验证后的支持向量机模型进行预测评估。
42.采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
43.通过采集被试者在进行群体决策时的大脑血红蛋白信号，从而对被试者进行脑间同步性计算，同时基于支持向量机模型，对脑间同步性进行训练，从而实现对群体决策的风险偏好进行预测与评估。
具体实施方式
44.下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
45.实施例一
46.一种群体决策风险偏好预测评估方法，包括以下步骤：设定若干组采样组，并采集各个采样组内的两名被试者在进行群体决策过程中大脑的原始血红蛋白信号、行为数据，具体地，通过软件采集被试者在完成群体决策任务中的行为数据，并通过功能性近红外光学脑成像设备同时记录被试这在进行群体决策过程中大脑的血红蛋白信号，即原始血红蛋白信号。
47.然后预处理各组原始血红蛋白信号并进行信号转换，得到光密度信号，具体包括以下步骤：将原始血红蛋白信号进行质量检测，并基于质量检测结果进行坏通道数据剔除与替换，得到血红蛋白检测信号；将血红蛋白检测信号转换为光密度信号，其中，质量检测，执行如下步骤：设定信噪比阈值，判断原始血红蛋白信号的信号通道是否存在，超过一半的信号通道信噪比小于信噪比阈值；若是，则将原始血红蛋白信号所在的采样组进行剔除，若否，则取原始血红蛋白信号中，位于信号通道信噪比小于信噪比阈值的信号通道两侧的信号通道的平均值进行替换。
48.具体地，采用enprunechannels函数对采集的原始血红蛋白信号进行质量检测，检测时，以信噪比阈值为2为例，当原始血红蛋白信号的通道信噪比小于2时，则表示原始血红蛋白信号的通道质量较差，此时，若所检测出来的原始血红蛋白信号的通道质量超过一半为质量较差的通道，则该原始血红蛋白信号所在的采样组不具备参考意义，直接进行删除处理，若所检测出来的原始血红蛋白信号的通道质量少于一半为质量差的通道，则采用其相邻通道的平均值进行替代。
49.坏通道数据被提出或替换后，需要通过hmrintensity2od函数将血红蛋白检测信号转换成光密度信号，并且在得到光密度信号后，为去除运动伪迹的干扰，还需要预处理光密度信号，并基于预处理后的光密度信号得到氧合血红蛋白浓度信号和脱氧血红蛋白浓度信号，其中，预处理光密度信号，包括以下步骤：将光密度信号进行运动伪迹识别，并基于运动伪迹识别结果进行运动伪迹矫正处理；将运动伪迹矫正处理后的光密度信号依次进行高通滤波和低通滤波处理，得到光密度预处理信号。
50.具体地，通过hmrmotionartifactbychannel函数对光密度信号中的运动伪迹进行识别，并对识别出来的运动伪迹采用基于小波的运动伪迹去除法的hmrmotioncorrectwavelet函数进行剔除，且在进行高通滤波和低通滤波时，采用hmrbandpassfilt函数对经过运动伪迹矫正处理后的光密度信号进行滤波处理，最终得到光密度预处理信号。
51.进一步地，得到氧合血红蛋白浓度信号和脱氧血红蛋白浓度信号的转换公式为：其中，od表示光密度预处理信号；λ表示近红外光源的波长；x表示近红外光源的发射光极；y表示近红外光源的探测光极；l表示由发射光极到探测光极的平均路径长度；dpf表示差分路径长度因子；hbr表示脱氧血红蛋白浓度信号；hbo表示氧合血红蛋白浓度信号；ε表示参数值；表示在近红外光源的波长中，由发射光极到探测光机的平均路径长度中的光密度信号，需要说明的是，在本转换公式中，除脱氧血红蛋白浓度信号以及氧合血红蛋白浓度信号外，其余参数均可通过检测或设备参数设定获得。
52.具体地，需要根据修正的朗伯比尔定律，并采用hmrod2conc函数，在每一段近红外光源的波长上以6.0为差分路径长度因子，通过上述转换公式公式将由发射光极到探测光极的平均路径长度中的光密度预处理信号转换成氧合血红蛋白浓度信号和脱氧血红蛋白浓度信号，其中，差分路径长度因子，在本实施例中仅仅是列举为6.0，实际操作时，工作人员可根据实际情况进行对应调整，在本实施例中不做具体限定，另一方面，由于氧合血红蛋白浓度信号具有较高的信噪比，因此在后续步骤中主要采用氧合血红蛋白浓度信号进行分析。
53.得到氧合血红蛋白浓度信号后，需基于各组内两名被试者的氧合血红蛋白浓度信号，计算两名被试者在感兴趣频段的脑间连接数据，其中，计算两名被试者在感兴趣频段的脑间连接数据，包括以下步骤：剔除生理噪音引发的信号干扰，得到感兴趣频段，并计算两名被试者在感兴趣频段的脑间无向功能连接指标和脑间有向功能连接指标，得到脑间连接数据；将各组内两名被试者的脑间连接数据以及对应的行为数据进行数据清洗处理，得到清洗数据，将清洗数据划分为训练数据集和测试数据集。
54.具体地，为确定后续分析中的感兴趣频段，进一步通过所得到的各组采样组内的两名被试者的样本进行检验比较0.01hz到1hz之间所有具有生理意义的频带上任务态阶段的脑间连接数据和静息态阶段的脑间连接数据，并将0.15～0.3hz以及0.7～1hz两个频段的信号数据剔除，以排除被试者因呼吸、心血管脉搏跳动等引发的生理噪音对信号的干扰，需要说明的是，在本实施例中所提及的频段仅为举例说明，实际应用中，可根据情况进行微调，在此不做具体限定。
55.确定到感兴趣频段后，计算脑间无向功能连接指标的公式为：其中，wtc表示脑间无向功能连接指标；t表示时间；s表示小波尺度；w表示连续小波变换；i表示采样组内其中一名被试者的氧合血红蛋白浓度信号；j表示采样组内另外一名被试者的氧合血红蛋白浓度信号，得到脑间无向功能连接指标后，对所有感兴趣频段上的所有通道上的脑间无向功能连接指标进行平均，并采用方差分析的方法进一步比较不同实验条件下的脑间无向功能连接指标。
56.然后，计算脑间有向功能连接指标，计算公式为：其中，a和b分别表示两名被试者在单变量自回归模型中采用最小二乘法所估计的系数；p表示自回归模型的阶数；ε表示双变量自回归模型中残差；p表示自回归模型的阶数；ε表示参数值，具体地，采用格兰杰因果分析的方法，以p阶自回归模型计算每一组内两名被试者之间的脑间有向功能连接指标，通过计算从角色a到角色b和从角色b到角色a两个方向上的格兰杰因果值进一步比较不同实验条件下的脑间有向功能连接指标。
57.得到脑间无向功能连接指标和脑间有向功能连接指标后，需要对由脑间无向功能连接指标和脑间有向功能连接指标组成的脑间连接数据进行数据清洗，具体地，数据清洗处理包括以下步骤：识别脑间连接数据以及对应的行为数据的缺失值；采用删除或插补法对缺失值进行处理。
58.进一步地，为避免后续的支持向量机模型中的参数受到极值的影响，需对支持向量机模型中的因变量进行数据归一化处理，即对行为数据进行数据归一化处理，将行为数据x映射到[0，1]的范围内，若后续支持向量机模型中所使用的因变量为分类变量，则归一化处理步骤可省略，其中，归一化处理的公式为：
[0059]
最后，基于训练数据集构建支持向量机模型，并基于测试数据集验证支持向量机模型的准确性；使用验证后的支持向量机模型进行预测评估，具体地，清洗数据的划分比例可以按照训练数据集：测试数据集为7:3的划分比例，以训练数据极内的脑间连接数据和行为数据作为特征输入，构建支持向量机模型，具体地，采用基于五折交叉验证的网格搜索法对放入后续支持向量机模型中的惩罚参数和核函数参数进行参数寻优，在选定最优惩罚参数和最优核函数参数后，采用训练数据集以ε＝0.01的参数值构建基于径向基核函数的epsilon-svr(epsilon
–
support vector regression)模型，其余参数值均为默认值，从而得到支持向量机模型。
[0060]
在得到基于训练数据集所构建的支持向量机模型后，运用该支持向量机模型采用测试数据集中的特征值，即脑间连接数据以及行为数据，对其对应的因变量进行预测，并通过决定系数、均方误差以及预测结果与实际结果之间的皮尔逊相关性，三个指标来验证构建的支持向量机模型的准确性，从而确保模型准确性，使得在后续预测评估时，预测结果的精确度。
[0061]
实施例二
[0062]
一种群体决策风险偏好预测评估系统，包括数据采集单元、第一预处理单元、第二预处理单元、计算单元、清洗单元、模型构建单元和预测评估单元；数据采集单元用于设定
若干组采样组，并采集各个采样组内的两名被试者在进行群体决策过程中大脑的原始血红蛋白信号、行为数据；第一预处理单元用于，预处理各组原始血红蛋白信号并进行信号转换，得到光密度信号；第二预处理单元用于，预处理光密度信号，并基于预处理后的光密度信号得到氧合血红蛋白浓度信号和脱氧血红蛋白浓度信号；计算单元用于，基于各组内两名被试者的氧合血红蛋白浓度信号，计算两名被试者在感兴趣频段的脑间连接数据；清洗单元用于，将各组内两名被试者的脑间连接数据以及对应的行为数据进行数据清洗处理，得到清洗数据，将清洗数据划分为训练数据集和测试数据集；模型构建单元用于，基于训练数据集构建支持向量机模型，并基于测试数据集验证支持向量机模型的准确性；预测评估单元用于，使用验证后的支持向量机模型进行预测评估，由于本实施例执行如实施例一所述的群体决策风险偏好预测评估方法，因此在本实施例中不再做详细赘述。
[0063]
以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。

技术特征：
1.一种群体决策风险偏好预测评估方法，其特征在于，包括以下步骤：设定若干组采样组，并采集各个采样组内的两名被试者在进行群体决策过程中大脑的原始血红蛋白信号、行为数据；预处理各组所述原始血红蛋白信号并进行信号转换，得到光密度信号；预处理所述光密度信号，并基于预处理后的所述光密度信号得到氧合血红蛋白浓度信号和脱氧血红蛋白浓度信号；基于各组内两名被试者的氧合血红蛋白浓度信号，计算两名被试者在感兴趣频段的脑间连接数据；将各组内两名被试者的所述脑间连接数据以及对应的行为数据进行数据清洗处理，得到清洗数据，将所述清洗数据划分为训练数据集和测试数据集；基于所述训练数据集构建支持向量机模型，并基于所述测试数据集验证所述支持向量机模型的准确性；使用验证后的支持向量机模型进行预测评估。2.根据权利要求1所述的一种群体决策风险偏好预测评估方法，其特征在于，预处理各组所述原始血红蛋白信号并进行信号转换，包括以下步骤：将所述原始血红蛋白信号进行质量检测，并基于质量检测结果进行坏通道数据剔除与替换，得到血红蛋白检测信号；将所述血红蛋白检测信号转换为光密度信号。3.根据权利要求2所述的一种群体决策风险偏好预测评估方法，其特征在于，所述质量检测，执行如下步骤：设定信噪比阈值，判断所述原始血红蛋白信号的信号通道是否存在，超过一半的信号通道信噪比小于信噪比阈值；若是，则将所述原始血红蛋白信号所在的采样组进行剔除，若否，则取所述原始血红蛋白信号中，位于信号通道信噪比小于信噪比阈值的信号通道两侧的信号通道的平均值进行替换。4.根据权利要求1所述的一种群体决策风险偏好预测评估方法，其特征在于，预处理所述光密度信号，包括以下步骤：将所述光密度信号进行运动伪迹识别，并基于运动伪迹识别结果进行运动伪迹矫正处理；将运动伪迹矫正处理后的光密度信号依次进行高通滤波和低通滤波处理，得到光密度预处理信号。5.根据权利要求4所述的一种群体决策风险偏好预测评估方法，其特征在于，得到氧合血红蛋白浓度信号和脱氧血红蛋白浓度信号的转换公式为：其中，od表示光密度预处理信号；λ表示近红外光源的波长；x表示近红外光源的发射光极；y表示近红外光源的探测光极；l表示由发射光极到探测光极的平均路径长度；dpf表示差分路径长度因子；hbr表示脱氧血红蛋白浓度信号；hbo表示氧合血红蛋白浓度信号；ε表示参数值；表示在近红外光源的波长中，由发射光极到探测光机的平均路径长度中的光密度信号。
6.根据权利要求1所述的一种群体决策风险偏好预测评估方法，其特征在于，计算两名被试者在感兴趣频段的脑间连接数据，包括以下步骤：剔除生理噪音引发的信号干扰，得到感兴趣频段，并计算两名被试者在感兴趣频段的脑间无向功能连接指标和脑间有向功能连接指标，得到脑间连接数据。7.根据权利要求6所述的一种群体决策风险偏好预测评估方法，其特征在于，计算脑间无向功能连接指标的公式为：其中，wtc表示脑间无向功能连接指标；t表示时间；s表示小波尺度；w表示连续小波变换；i表示采样组内其中一名被试者的氧合血红蛋白浓度信号；j表示采样组内另外一名被试者的氧合血红蛋白浓度信号。8.根据权利要求7所述的一种群体决策风险偏好预测评估方法，其特征在于，计算脑间有向功能连接指标的公式为：其中，a和b分别表示两名被试者在单变量自回归模型中采用最小二乘法所估计的系数；p表示自回归模型的阶数；ε表示双变量自回归模型中残差。9.根据权利要求1所述的一种群体决策风险偏好预测评估方法，其特征在于，数据清洗处理包括以下步骤：识别所述脑间连接数据以及对应的行为数据的缺失值；采用删除或插补法对缺失值进行处理。10.一种群体决策风险偏好预测评估系统，其特征在于，包括数据采集单元、第一预处理单元、第二预处理单元、计算单元、清洗单元、模型构建单元和预测评估单元；所述数据采集单元用于设定若干组采样组，并采集各个采样组内的两名被试者在进行群体决策过程中大脑的原始血红蛋白信号、行为数据；所述第一预处理单元用于，预处理各组所述原始血红蛋白信号并进行信号转换，得到光密度信号；所述第二预处理单元用于，预处理所述光密度信号，并基于预处理后的所述光密度信号得到氧合血红蛋白浓度信号和脱氧血红蛋白浓度信号；所述计算单元用于，基于各组内两名被试者的氧合血红蛋白浓度信号，计算两名被试者在感兴趣频段的脑间连接数据；所述清洗单元用于，将各组内两名被试者的所述脑间连接数据以及对应的行为数据进行数据清洗处理，得到清洗数据，将所述清洗数据划分为训练数据集和测试数据集；所述模型构建单元用于，基于所述训练数据集构建支持向量机模型，并基于所述测试数据集验证所述支持向量机模型的准确性；所述预测评估单元用于，使用验证后的支持向量机模型进行预测评估。

技术总结
本发明涉及近红外光学脑成像信号分析技术领域中的一种群体决策风险偏好预测评估方法、系统，包括采集各个采样组内的两名被试者的原始血红蛋白信号、行为数据；预处理各组原始血红蛋白信号并进行信号转换，得到光密度信号；预处理光密度信号，并基于预处理后的光密度信号得到氧合血红蛋白浓度信号；基于各组内两名被试者的氧合血红蛋白浓度信号，计算两名被试者在感兴趣频段的脑间连接数据；将各组内两名被试者的脑间连接数据以及对应的行为数据进行数据清洗处理，得到清洗数据，并划分为训练数据集和测试数据集；基于训练数据集构建支持向量机模型，基于测试数据集验证支持向量机模型的准确性，解决了现有群体决策风险偏好预测不科学的问题。预测不科学的问题。


技术研发人员：徐四华 段海军 赵汉璇
受保护的技术使用者：上海外国语大学
技术研发日：2023.06.27
技术公布日：2023/9/6