[发明专利]一种互联网金融产品消费者认知的神经实验测试计算方法

权利要求书

1.一种互联网金融产品消费者认知的神经实验测试计算方法，其特征在于，具体步骤如下：

步骤1：认知参数及测试信号设计；包括参考素材收集、认知参数选取、测试信号设计3个过程，其中：

参考素材收集：是从各类互联网金融产品中收集真实信息，用于测试信号的设计；所述互联网金融产品包括证券、保险、众筹、借贷、理财产品的信息；

认知参数选取：以收集到的互联网金融产品真实信息为基础，按照产品的便利性、收益性、流动性、风险程度4个变量作为消费者的认知参数，根据以上参数的高、中、低不同程度形成具有差异性的组合；

测试信号设计：以可穿戴式眼罩作为测试信号装置，采用嵌入式修改调整方式对互联网金融产品真实信息中的相关信息和参数进行调整，然后通过虚拟现实技术按照以下模式生成测试信号：

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

即，先显示产品信息60秒，再黑屏2秒，然后显示问题10秒，再黑屏18秒，并同时让被试消费者根据自己的认知判断，通过配套的无线评分装置分别对以上产品的便利性、收益性、流动性、风险程度给出1至10分的评分并记录其作出评分的时间点，1分为最低，10分为最高，以上Question至Black Screen and Answer的测试程序循环出现4次，每次从便利性、收益性、流动性、风险程度中随机选择一个问题，问题不重复；

步骤2：EEG-fNIRS神经实验测试；包括测试任务准备、测试任务执行、测试数据采集3个过程，其中：

测试任务准备：是让被试消费者先填写问卷，了解其基本信息以及对互联网金融产品的熟悉情况，然后根据消费者的熟悉程度和偏好，选择相应的互联网金融产品种类测试信号，并将同类或相近的且在便利性、收益性、流动性、风险程度方面具有高、中、低不同程度差异性组合的产品信息设计成同一组测试任务，根据EEG-fNIRS神经实验测试的要求及测试范式完成各项测试准备工作；

测试任务执行：被试消费者在测试室内，根据可穿戴式眼罩中呈现的测试信号及其提示引导，通过配套的无线评分装置给出评分，完成测试任务；

测试数据采集：在测试过程中，同步采集被试消费者的EEG数据和fNIRS数据，并在每项测试任务结束时采集评分数据，将以上数据存入数据库中；

步骤3：BP-GA神经网络计算分析；包括测试数据提取、神经网络训练、认知计算输出分析3个过程，其中：

测试数据提取：对每项测试任务仅提取在Black Screen and Answer时间段内最后8秒的EEG数据和fNIRS数据以及被试消费者给出的评分数据；

神经网络训练：将以上测试数据按照EEG、fNIRS实验数据要求，经过去噪声、带通滤波和匹配校准预处理以后，生成时域、频域、变换域特征参数，将上述特征参数作为BP-GA神经网络的输入变量，将被试消费者给出的产品便利性、收益性、流动性、风险程度评分数据作为输出变量的参数，对以上输入、输出变量参数的数据先采用动态分段式处理技术进行处理，再将分段数据用于机器学习，直至获得稳定的收敛结果；

认知计算输出：以经过机器学习训练好的BP-GA神经网络作为消费者认知计算的估计器，对新的被试消费者在同样实验观察方式下获得的EEG-fNIRS数据进行认知计算并获得输出结果，可对通过其它方法获得的消费者认知评估结果进行标定和修正；

在步骤1的测试信号设计中，所述采用嵌入式修改调整方式，具体做法如下：

选取互联网金融产品的真实信息，将其中涉及到产品交易操作便利性的条款以及产品收益性、流动性、风险程度的相关信息和参数进行修改，调整成具有高、中、低不同程度差异组合的信息和参数，采用虚拟现实技术将上述修改后的信息和参数合理、流畅地嵌入到原产品真实信息中，替换原有的相关信息和参数，在可穿戴式眼罩测试装置中进行显示，并随着真实信息的实时变化而成一定比例或按照一定的规则改变，与真实信息的变化进行关联互动；

步骤3的神经网络训练中所述采用动态分段式处理技术进行处理，具体做法如下：

仅提取被试消费者在Black Screen and Answer时间段内，通过配套的无线评分装置给出评分时间点前8秒的EEG-fNIRS数据，用于BP-GA神经网络计算，设NA(t)、PA(k)为神经网络的输入、输出变量，分别代表每项测试任务中提取到的以上8秒EEG-fNIRS数据和被试消费者在该项测试任务中给出的评分数据，f₁(t),f₂(t),...,f_M(t)为根据以上EEG-fNIRS数据计算所获得的特征参数，所述特征参数包括均值、方差、偏态系数、峰度系数、斜率参数、小波系数、各频段幅值、功率谱系数、熵值以及其它变换域参数，则以每1秒为周期对NA(t)、PA(k)进行动态分段式处理，获得以下8个离散的输入、输出变量数据：

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(·)为NA(t)的分段式离散函数，以每1秒为周期，分别计算上述时间段内的f₁(t),f₂(t),...,f_M(t)特征参数值，共得到NA(t)的8个离散数组NA(i)，D_PA(·)为PA(k)的分段式离散函数，其分段计算方式如下：

上式中，PA_m为在该项测试任务中被试消费者给出的产品便利性、收益性、流动性、风险程度中的某项评分数据，PA_m(j)为对以上评分数据进行动态分段式处理获得了8个离散数据，将所获得的产品便利性、收益性、流动性、风险程度离散数据综合表示为离散数组PA(j)，采用以上动态分段式处理技术对BP-GA神经网络的输入、输出变量NA(t)、PA(k)分别进行离散分段处理以后，生成离散数组NA(i)、PA(j)，再用于BP-GA神经网络的机器学习。

2.根据权利要求1所述的测试计算方法，其特征在于，所述BP-GA神经网络，其模型由输入层、隐含层、输出层组成；其中，输入层对采用动态分段式处理技术处理过的EEG-fNIRS神经实验观测数据离散数组进行输入处理，其输入节点数量是可变的，与选取的特征参数相对应，每个输入节点对应一个特征参数；隐含层的层数及节点数量根据计算测试调整到最优参数，具体选取2-4个隐含层和2倍输入节点的数量即满足计算精度的要求；输出层设置为4个节点，每个节点分别对应互联网金融产品的便利性、收益性、流动性、风险程度认知参数，采用经过动态分段式处理技术处理过的被试消费者评分数据离散数组作为机器学习训练数据，在完成机器学习以后，以上输出节点用于对新的被试消费者认知计算的结果输出。