[發明專利]一種互聯網金融產品消費者認知的神經實驗測試計算方法

有效

• 申請號: 202010545085.7
• 申請日: 2020-06-15
• 公開（公告）號: CN111861115B
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 胡虹智;戴偉輝;戴永輝;謝燕強;孫海;湯筠冰;康燕;戴更輝;馬海英;孫雅慧
• 申請（專利權）人: 復旦大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06K9/00;G06F3/01;G06N3/04;G06N3/08
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;陸尤

1.一種互聯網金融產品消費者認知的神經實驗測試計算方法，其特征在于，具體步驟如下：

步驟1：認知參數及測試信號設計；包括參考素材收集、認知參數選取、測試信號設計3個過程，其中：

參考素材收集：是從各類互聯網金融產品中收集真實信息，用于測試信號的設計；所述互聯網金融產品包括證券、保險、眾籌、借貸、理財產品的信息；

認知參數選取：以收集到的互聯網金融產品真實信息為基礎，按照產品的便利性、收益性、流動性、風險程度4個變量作為消費者的認知參數，根據以上參數的高、中、低不同程度形成具有差異性的組合；

測試信號設計：以可穿戴式眼罩作為測試信號裝置，采用嵌入式修改調整方式對互聯網金融產品真實信息中的相關信息和參數進行調整，然后通過虛擬現實技術按照以下模式生成測試信號：

Product Information(60s)+Black Screen(2s)+[Question(10s)+Black Screen andAnswer(18s)]_1-4

即，先顯示產品信息60秒，再黑屏2秒，然后顯示問題10秒，再黑屏18秒，并同時讓被試消費者根據自己的認知判斷，通過配套的無線評分裝置分別對以上產品的便利性、收益性、流動性、風險程度給出1至10分的評分并記錄其作出評分的時間點，1分為最低，10分為最高，以上Question至Black Screen and Answer的測試程序循環出現4次，每次從便利性、收益性、流動性、風險程度中隨機選擇一個問題，問題不重復；

步驟2：EEG-fNIRS神經實驗測試；包括測試任務準備、測試任務執行、測試數據采集3個過程，其中：

測試任務準備：是讓被試消費者先填寫問卷，了解其基本信息以及對互聯網金融產品的熟悉情況，然后根據消費者的熟悉程度和偏好，選擇相應的互聯網金融產品種類測試信號，并將同類或相近的且在便利性、收益性、流動性、風險程度方面具有高、中、低不同程度差異性組合的產品信息設計成同一組測試任務，根據EEG-fNIRS神經實驗測試的要求及測試范式完成各項測試準備工作；

測試任務執行：被試消費者在測試室內，根據可穿戴式眼罩中呈現的測試信號及其提示引導，通過配套的無線評分裝置給出評分，完成測試任務；

測試數據采集：在測試過程中，同步采集被試消費者的EEG數據和fNIRS數據，并在每項測試任務結束時采集評分數據，將以上數據存入數據庫中；

步驟3：BP-GA神經網絡計算分析；包括測試數據提取、神經網絡訓練、認知計算輸出分析3個過程，其中：

測試數據提取：對每項測試任務僅提取在Black Screen and Answer時間段內最后8秒的EEG數據和fNIRS數據以及被試消費者給出的評分數據；

神經網絡訓練：將以上測試數據按照EEG、fNIRS實驗數據要求，經過去噪聲、帶通濾波和匹配校準預處理以后，生成時域、頻域、變換域特征參數，將上述特征參數作為BP-GA神經網絡的輸入變量，將被試消費者給出的產品便利性、收益性、流動性、風險程度評分數據作為輸出變量的參數，對以上輸入、輸出變量參數的數據先采用動態分段式處理技術進行處理，再將分段數據用于機器學習，直至獲得穩定的收斂結果；

認知計算輸出：以經過機器學習訓練好的BP-GA神經網絡作為消費者認知計算的估計器，對新的被試消費者在同樣實驗觀察方式下獲得的EEG-fNIRS數據進行認知計算并獲得輸出結果，可對通過其它方法獲得的消費者認知評估結果進行標定和修正；

在步驟1的測試信號設計中，所述采用嵌入式修改調整方式，具體做法如下：

選取互聯網金融產品的真實信息，將其中涉及到產品交易操作便利性的條款以及產品收益性、流動性、風險程度的相關信息和參數進行修改，調整成具有高、中、低不同程度差異組合的信息和參數，采用虛擬現實技術將上述修改后的信息和參數合理、流暢地嵌入到原產品真實信息中，替換原有的相關信息和參數，在可穿戴式眼罩測試裝置中進行顯示，并隨著真實信息的實時變化而成一定比例或按照一定的規則改變，與真實信息的變化進行關聯互動；

步驟3的神經網絡訓練中所述采用動態分段式處理技術進行處理，具體做法如下：

僅提取被試消費者在Black Screen and Answer時間段內，通過配套的無線評分裝置給出評分時間點前8秒的EEG-fNIRS數據，用于BP-GA神經網絡計算，設NA(t)、PA(k)為神經網絡的輸入、輸出變量，分別代表每項測試任務中提取到的以上8秒EEG-fNIRS數據和被試消費者在該項測試任務中給出的評分數據，f₁(t),f₂(t),...,f_M(t)為根據以上EEG-fNIRS數據計算所獲得的特征參數，所述特征參數包括均值、方差、偏態系數、峰度系數、斜率參數、小波系數、各頻段幅值、功率譜系數、熵值以及其它變換域參數，則以每1秒為周期對NA(t)、PA(k)進行動態分段式處理，獲得以下8個離散的輸入、輸出變量數據：

NA(i)＝D_NA(f₁(t),f₂(t),...,f_M(t)),i＝1,2,3...8

PA(j)＝D_PA(PA₁,PA₂,PA₃,PA₄),j＝1,2,3,...,8

上式中，D_NA(·)為NA(t)的分段式離散函數，以每1秒為周期，分別計算上述時間段內的f₁(t),f₂(t),...,f_M(t)特征參數值，共得到NA(t)的8個離散數組NA(i)，D_PA(·)為PA(k)的分段式離散函數，其分段計算方式如下：

上式中，PA_m為在該項測試任務中被試消費者給出的產品便利性、收益性、流動性、風險程度中的某項評分數據，PA_m(j)為對以上評分數據進行動態分段式處理獲得了8個離散數據，將所獲得的產品便利性、收益性、流動性、風險程度離散數據綜合表示為離散數組PA(j)，采用以上動態分段式處理技術對BP-GA神經網絡的輸入、輸出變量NA(t)、PA(k)分別進行離散分段處理以后，生成離散數組NA(i)、PA(j)，再用于BP-GA神經網絡的機器學習。

2.根據權利要求1所述的測試計算方法，其特征在于，所述BP-GA神經網絡，其模型由輸入層、隱含層、輸出層組成；其中，輸入層對采用動態分段式處理技術處理過的EEG-fNIRS神經實驗觀測數據離散數組進行輸入處理，其輸入節點數量是可變的，與選取的特征參數相對應，每個輸入節點對應一個特征參數；隱含層的層數及節點數量根據計算測試調整到最優參數，具體選取2-4個隱含層和2倍輸入節點的數量即滿足計算精度的要求；輸出層設置為4個節點，每個節點分別對應互聯網金融產品的便利性、收益性、流動性、風險程度認知參數，采用經過動態分段式處理技術處理過的被試消費者評分數據離散數組作為機器學習訓練數據，在完成機器學習以后，以上輸出節點用于對新的被試消費者認知計算的結果輸出。