CN119474993A - 一种投资人风险评估方法及相关装置 - Google Patents

Abstract

本申请公开了一种投资人风险评估方法及相关装置，涉及软件技术领域，获取待评估投资人对应的第一脑电信号，并对第一脑电信号进行预处理；将第一脑电信号的预处理结果输入至预先训练的风险分类模型中，以获得风险分类模型输出的待评估投资人对应的目标风险类别；其中，风险分类模型是对基于EEGNet的深度学习网络进行训练得到的。本申请使用基于EEGNet的深度学习网络作为基础模型训练得到风险分类模型，在对待评估投资人的脑电信号进行预处理后通过该风险分类模型预测其风险类别，这就实现以脑电信号精准评估投资人的风险承受能力的目的，为后续的产品推荐带来有效的依据。

Description

一种投资人风险评估方法及相关装置

技术领域

本申请涉及软件技术领域，尤其涉及一种投资人风险评估方法及相关装置。

背景技术

在银行业务中，向投资人提供与其风险承受能力相符的产品能够最大化满足各方的需要。

然而，目前准确评估投资人的风险承受能力较为困难，在大多数情况下只能通过评估人主观判断和问卷调查等形式评估投资人的风险承受能力。但这些方法通常评估不够客观和精确、且易受到无关因素干扰，导致评估结果出现偏差。

发明内容

鉴于上述问题，本申请提供了一种投资人风险评估方法及相关装置，以实现准确评估投资人风险的目的。具体方案如下：

本申请第一方面提供一种投资人风险评估方法，所述投资人风险评估方法包括：

获取待评估投资人对应的第一脑电信号，并对所述第一脑电信号进行预处理；

将所述第一脑电信号的预处理结果输入至预先训练的风险分类模型中，以获得所述风险分类模型输出的所述待评估投资人对应的目标风险类别；其中，所述风险分类模型是对基于EEGNet的深度学习网络进行训练得到的。

在一种可能的实现中，所述对所述第一脑电信号进行预处理，包括：

对所述第一脑电信号依次进行滤波处理、基线校正、独立成分分析去除伪迹、平均参考和脑电信号分段的处理。

在一种可能的实现中，所述第一脑电信号的预处理结果中包含所述第一脑电信号对应的多个脑电片段；

所述将所述第一脑电信号的预处理结果输入至预先训练的风险分类模型中，以获得所述风险分类模型输出的所述待评估投资人对应的目标风险类别，包括：

针对所述多个脑电片段中的每个脑电片段来说，将该脑电片段输入至所述风险分类模型中，以获得所述风险分类模型对该脑电片段输出的候选风险类别；

按照每个脑电片段对应的候选风险类别进行归类统计，以获得不同候选风险类别下的脑电片段数量；

选取脑电片段数量最大的一个候选风险类别作为所述目标风险类别。

在一种可能的实现中，所述基于EEGNet的深度学习网络包括2D卷积层、深度卷积层、深度可分离卷积层和输出层；

所述基于EEGNet的深度学习网络进行训练得到所述风险分类模型的过程，包括：

获取本次迭代训练下已评估投资人对应的样本脑电信号，并对所述样本脑电信号进行预处理；其中，所述样本脑电信号被标注有第一风险类别；

将所述样本脑电信号的预处理结果输入至所述基于EEGNet的深度学习网络中，以实现：通过所述2D卷积层计算所述样本脑电信号的特征图；通过所述深度卷积层提取所述特征图中的空间特征；通过所述深度可分离卷积层对所述空间特征进行分解计算；通过所述输出层对所述空间特征的分解计算结果进行分类得到第二风险类别；

根据所述第一风险类别与所述第二风险类别计算本次迭代训练对应的损失函数值；

如果所述损失函数值不满足预设的训练结束条件，根据所述损失函数值调整所述2D卷积层、所述深度卷积层、所述深度可分离卷积层和所述输出层的权重参数，进入下次迭代训练，并返回执行所述获取本次迭代训练下已评估投资人对应的样本脑电信号这一步骤；

如果所述损失函数值满足所述训练结束条件，结束本次迭代训练，将本次迭代训练后的所述基于EEGNet的深度学习网络作为所述风险分类模型。

在一种可能的实现中，所述获取本次迭代训练下已评估投资人对应的样本脑电信号，包括：

获取所述已评估投资人对应的第二脑电信号；

基于十折交叉验证法从所述第二脑电信号中获取每轮迭代训练的训练集和测试集；

在每轮迭代训练的过程中，从该轮迭代训练的训练集中获取本次迭代训练下的所述样本脑电信号；

相应的，所述将本次迭代训练后的所述基于EEGNet的深度学习网络作为所述风险分类模型，包括：

将本次迭代训练后的所述基于EEGNet的深度学习网络作为该轮迭代训练的候选风险分类模型；

使用该轮迭代训练的测试集对相应的候选风险分类模型进行测试，得到该轮迭代训练的模型准确率；

选取模型准确率最高的一轮迭代训练的候选风险分类模型作为所述风险分类模型。

本申请第二方面提供一种投资人风险评估装置，所述投资人风险评估装置包括：

模型训练模块，用于对基于EEGNet的深度学习网络进行训练得到风险分类模型；

风险评估模块，用于获取待评估投资人对应的第一脑电信号，并对所述第一脑电信号进行预处理；将所述第一脑电信号的预处理结果输入至所述风险分类模型中，以获得所述风险分类模型输出的所述待评估投资人对应的目标风险类别。

在一种可能的实现中，用于对所述第一脑电信号进行预处理的风险评估模块，具体用于：

对所述第一脑电信号依次进行滤波处理、基线校正、独立成分分析去除伪迹、平均参考和脑电信号分段的处理。

本申请第三方面提供一种计算机程序产品，包括计算机可读指令，当所述计算机可读指令在电子设备上运行时，使得所述电子设备实现上述第一方面或第一方面任一实现方式的投资人风险评估方法。

本申请第四方面提供一种电子设备，包括至少一个处理器和与所述处理器连接的存储器，其中：

所述存储器用于存储计算机程序；

所述处理器用于执行所述计算机程序，以使所述电子设备能够实现上述第一方面或第一方面任一实现方式的投资人风险评估方法。

本申请第五方面提供一种计算机存储介质，所述存储介质承载有一个或多个计算机程序，当所述一个或多个计算机程序被电子设备执行时，能够使所述电子设备实现上述第一方面或第一方面任一实现方式的投资人风险评估方法。

借由上述技术方案，本申请提供的一种投资人风险评估方法及相关装置，获取待评估投资人对应的第一脑电信号，并对第一脑电信号进行预处理；将第一脑电信号的预处理结果输入至预先训练的风险分类模型中，以获得风险分类模型输出的待评估投资人对应的目标风险类别；其中，风险分类模型是对基于EEGNet的深度学习网络进行训练得到的。本申请使用基于EEGNet的深度学习网络作为基础模型训练得到风险分类模型，在对待评估投资人的脑电信号进行预处理后通过该风险分类模型预测其风险类别，这就实现以脑电信号精准评估投资人的风险承受能力的目的，为后续的产品推荐带来有效的依据。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本申请实施例提供的一种投资人风险评估方法的流程示意图；

图2为本申请实施例提供的一种投资人风险评估方法的部分流程示意图；

图3为本申请实施例提供的一种基于EEGNet的深度学习网络的结构示意图；

图4为本申请实施例提供的一种投资人风险评估方法的另一部分流程示意图；

图5为本申请实施例提供的一种深度卷积层的处理流程示意图；

图6为本申请实施例提供的一种深度可分离卷积层的处理流程示意图；

图7为本申请实施例提供的一种投资人风险评估装置的结构示意图；

图8为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面结合本申请实施例中的附图对本申请实施例进行描述。本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。

下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本申请的说明书和上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。

针对投资人精准推荐金融产品一直是各大银行业务的痛点，金融产品的风险等级划分已经较为完善，与之对应的，投资人自身的风险承受能力在现阶段并没有比较精确的评估方法，不同投资人的风险承受能力差异巨大，如果推荐的产品与投资人的实际接受能力不符，会带来业务上的损失和风险，进而影响投资人的信心和银行的声誉。因此，如何精确评估投资人的风险承受能力，做到精准推荐相关金融产品十分重要。

人体的生物特征能够反映许多重要信息，不同个体之间的生物特征通常存在较大的差异性，这为根据生物特征分类提供了可能性。在众多生物特征中，脑电信号以其对情绪变化的敏感性活跃在各类情绪识别与分类领域，投资人的风险承受能力也可以体现为情绪的一部分，能够与脑电信号紧密关联，因此可以利用脑电信号这一生物特征的差异性对投资人加以区分。

基于上述说明，使用脑电信号这一对情绪变化敏感的生物特征来评估投资人的风险承受能力会得到更为准确可靠的结果，如何利用不同个体间脑电信号的差异性作为评估标准是目前亟待解决的重点。

为了解决上述问题，本申请实施例提供了一种投资人风险评估方法的流程示意图。下面结合附图对本申请实施例的投资人风险评估方法进行详细的介绍。

参见图1，图1为本申请实施例提供的一种投资人风险评估方法的流程示意图。如图1所示，本申请实施例提供的一种投资人风险评估方法，可以包括步骤S101至S102，下面分别对这些步骤进行详细的描述。

S101，获取待评估投资人对应的第一脑电信号，并对第一脑电信号进行预处理。

本申请实施例中，通过脑电采集设备可以采集获得待评估投资人回答评估问题时的脑电信号，即第一脑电信号。

在脑电信号的采集过程中，往往会受到各种噪声或不相关成分信号的干扰，如脑电采集设备自身具有的误差、设备所处电气环境带来的干扰，以及投资人自身姿态变化带来的干扰。些误差混杂在脑电原始信号中，会对有效信息的获取带来很大的干扰，因此本申请实施例使用特定措施排除噪声，提取有用信息。经过预处理后会更加干净和真实，脑电信号质量的好坏与否会直接影响到后续脑电信号的分类结果。

需要说明的是，大脑中的电荷水平由数十亿个神经元共同维持，每一个神经元通过离子交换保持静息电位或者传播动作电位，这些传递的离子波到达在大脑上设置的电极时，它们可以推动电极中金属上的电子，此时可以测量这种推动带来的电压差，此类电压差就是脑电信号，随着时间的推移，持续记录的电压值就形成了脑电图。

S102，将第一脑电信号的预处理结果输入至预先训练的风险分类模型中，以获得风险分类模型输出的待评估投资人对应的目标风险类别；其中，风险分类模型是对基于EEGNet的深度学习网络进行训练得到的。

本申请实施例中，将基于EEGNet(Electroencephalography Net)的深度学习网络作为基础模型，训练获得风险分类模型。在获得第一脑电信号的预处理结果后，将其输入至风险分类模型中，以获得风险分类模型针对待评估投资人的风险类别，即目标风险类别。需要说明的是，风险类别能够表征所属投资人的风险承受能力。

此外，在获得待评估投资人对应的目标风险类别后，可以结合待评估投资人的问卷调查分数、以及待评估投资人自身的评价等，综合分析待评估投资人的风险承受能力，最终以最终评价结果为依据推荐与其风险承受能力最为相符的金融产品。

需要说明的是，EEGNet是一个结构紧凑的用于脑电任务分析的卷积神经网络，在神经网络模型中融入了一些经典的脑电特征提取概念，并加入了深度可分离卷积模块，大大降低了参数数量，针对不同的脑电范式均能够提取出有效特征，在只有有限的训练数据时，EEGNet仍能够具有较高的分类性能。

在一种可能的实现中，可以采用涉及的预处理流程对第一脑电信号进行预处理。对此，本申请实施例中，步骤S10中“对第一脑电信号进行预处理”，可以采用如下步骤：

对第一脑电信号依次进行滤波处理、基线校正、独立成分分析去除伪迹、平均参考和脑电信号分段的处理。

本申请实施例中，对第一脑电信号可以依次进行滤波处理、基线校正、独立成分分析去除伪迹、平均参考和脑电信号分段这五个步骤的处理。以下分别对每个步骤进行介绍：

1)滤波处理。由于脑电信号的有用信息一般分布在0.1Hz至100Hz的范围内，因此本申请实施例使用高通滤波器来滤除其中小于0.1Hz的信号、使用低通滤波器来滤除大于100Hz的信号。此外，由于实际采集环境中电气设备的影响，会产生50Hz工频干扰，可以使用50Hz的陷波滤波器滤除其中50Hz的信号。

2)基线校正。脑电信号是一种时间相关信号，因此在采集过程中信号可能会出现时间漂移，这些时间漂移会随着时间的推移发生变化，从而影响原始信号。对此，本申请实施例选取一段时间的脑电信号作为基线数据，将基线数据之后的每个数据点的脑电信号均减去基线数据的平均值。

3)独立成分分析去除伪迹。脑电信号中通常混杂了其他生物信号(比如眼动信号)，这些混杂的生物信号被称为伪迹信号，作为伪迹信号的这类信号与脑电信号接近，无法通过滤波去除。对此，本申请实施例使用独立成分分析的方式对伪迹信号进行分离。

假设，采集到的脑电信号包括x₁(t),x₂(t),…,x_n(t)，该组脑电信号能够分解为n个信号源s₁(t),s₂(t),…,s_n(t)和一个未知的混合矩阵A，每一种信号源均为独立成分，因此可以满足重构矩阵x＝As。

独立成分分析的过程，可以包括信号分解和伪迹去除两个步骤。以下分别对信号分解和伪迹去除进行介绍：

1)信号分解：可以手动选择不同的信号源个数n进行多次分解，计算出的混合矩阵A和分离信号相乘可获得重构矩阵x，重构矩阵x与原始矩阵x₁(t),x₂(t),…,x_n(t)之间存在差异，计算不同信号源个数n下的重构矩阵与原始矩阵的均方误差，选取均方误差最小的计算结果对应的分解结果作为信号分解的最终结果。

2)伪迹去除常见的脑电信号中的伪迹包括眼动伪影、肌电噪声和心电噪声，对上一步骤分解出的各个信号进行分析。对于眼动伪影，时域通常表现为幅度大的慢波、且能够明显识别出眨眼导致的尖峰，并且分布在前额区域对应的通道信号中。对于肌电噪声，时域表现为高频率的不规则波动，频域通常分布在较高频段20Hz以上。对于心电噪声，通常表现为周期相同的心跳波形、且通常分布在后部脑袋采集电极对应的通道中。去除分离后的信号中的各类伪迹之后，将筛选后的信号与混合矩阵A相乘，得到的重构矩阵x便为此步骤的最终输出。

独立成分分析的目的就是在只知道观测数据x的情况下，估计出混合矩阵A和信号源s。分离出脑电信号和伪迹信号后，设置阈值过滤伪迹信号，保留脑电信号。

4)平均参考。经由上述步骤1)至3)已经去除了脑电信号中诸如眼动信号等高幅值信号，这会给真实的脑电信号带来一定影响，因此在去除伪迹信号后，可以将经由上述步骤1)至3)获得的脑电信号根据其平均值进行重参考，即将脑电信号的平均值作为零点重新调整脑电信号的幅值。

5)脑电信号分段。考虑到脑电信号对外界刺激的相关性，包含最大信息的脑电信号通常分布在刺激点前后1000ms之间，因此截取这一范围内的脑电信号作为脑电片段。

由此，经由上述步骤1)至5)，第一脑电信号的预处理结果中包含第一脑电信号对应的多个脑电片段。参见图2，图2为本申请实施例提供的一种投资人风险评估方法的部分流程示意图。如图2所示，本申请实施例提供的一种投资人风险评估方法，其中，步骤S102中“将第一脑电信号的预处理结果输入至预先训练的风险分类模型中，以获得风险分类模型输出的待评估投资人对应的目标风险类别”，可以包括步骤S201至S203，下面分别对这些步骤进行详细的描述。

S201，针对多个脑电片段中的每个脑电片段来说，将该脑电片段输入至风险分类模型中，以获得风险分类模型对该脑电片段输出的候选风险类别。

本申请实施例中，对于第一脑电信号对应的每个脑电片段来说，可以将该脑电片段输入至风险分类模型中，以此获得风险分类模型针对该脑电片段输出的风险类别，即候选风险类别。

S202，按照每个脑电片段对应的候选风险类别进行归类统计，以获得不同候选风险类别下的脑电片段数量。

S203，选取脑电片段数量最大的一个候选风险类别作为目标风险类别。

本申请实施例中，对于第一脑电信号对应的多个脑电片段来说，在获得各自对应的候选风险类别后，可以采用投票法进行归类统计，统计获得不同候选风险类别下的脑电片段数量，进而，选取脑电片段数量最大的一个候选风险类别作为目标风险类别。

参见图3，图3为本申请实施例提供的一种基于EEGNet的深度学习网络的结构示意图。如图3所示，基于EEGNet的深度学习网络包括2D卷积层A、深度卷积层B、深度可分离卷积层C和输出层D。参见图4，图4为本申请实施例提供的一种投资人风险评估方法的另一部分流程示意图。如图4所示，本申请实施例提供的一种投资人风险评估方法，其中，基于EEGNet的深度学习网络进行训练得到风险分类模型的过程，包括步骤S401至S405，下面分别对这些步骤进行详细的描述。

S401，获取本次迭代训练下已评估投资人对应的样本脑电信号，并对样本脑电信号进行预处理；其中，样本脑电信号被标注有第一风险类别。

本申请实施例中，经过对基于EEGNet的深度学习网络进行多次迭代训练获得风险分类模型。在任意一次迭代训练过程中，可以获取本次迭代训练下已评估投资人的脑电信号，即样本脑电信号，该样本脑电信号被预先标注有风险类别，即第一风险类别。进而，对样本脑电信号进行预处理，其中，样本脑电信号的预处理过程可以参见上述第一脑电信号的预处理过程，本申请实施例对此不再赘述。

S402，将样本脑电信号的预处理结果输入至基于EEGNet的深度学习网络中，以实现：通过2D卷积层计算样本脑电信号的特征图；通过深度卷积层提取特征图中的空间特征；通过深度可分离卷积层对空间特征进行分解计算；通过输出层对空间特征的分解计算结果进行分类得到第二风险类别。

继续参见图3，样本脑电信号的预处理结果作为2D卷积层A的输入，2D卷积层A由多路卷积核(即图3中的卷积核a)组成，每路卷积核a对样本脑电信号进行2D卷积计算输出样本脑电信号的特征图。

继续参见图3，2D卷积层A的输出作为深度卷积层B的输入，深度卷积层B由多路卷积核(即图3中的卷积核b)组成，一路卷积核b与一路卷积核a对应，每路卷积核b对相应一路卷积核a输出的特征图进行卷积计算。参见图5，图5为本申请实施例提供的一种深度卷积层的处理流程示意图。如图5所示，假设一路卷积核a输出大小为12x 12x 3的特征图，一路卷积核b包含三个大小为5x5x1的卷积核，则每个大小为5x5x1的卷积核只对大小为12x12x3的特征图的一个通道进行卷积计算得到一个大小为8x8x1的特征图，然后将三个卷积核的计算结果堆叠起来，最终得到大小为8x8x3的特征图作为空间特征进行输出，由此使用深度卷积能够提取脑电信号各个通道的空间特征，并且减少了需要进行拟合的参数数量。

继续参见图3，深度卷积层B的输出作为深度可分离卷积层C的输入，深度可分离卷积层C由多路的卷积核组所组成，每路的卷积核组包括深度卷积核(即图3中的卷积核c1)与逐点卷积核(即图3中的卷积核c2)，一路卷积核组(包含一个卷积核c1和一个卷积核c2)与一路卷积核b对应，每路卷积核c1和卷积核c2对相应一路卷积核b输出的空间特征进行分解计算。参见图6，图6为本申请实施例提供的一种深度可分离卷积层的处理流程示意图。如图6所示，对于一路卷积核组来说，假设由该路的卷积核c1处理获得大小为8x8x3的特征图，该路的卷积核c2包含一个大小为1x1x3的卷积核，则使用大小为1x1x3的卷积核对大小为8x8x3的特征图进行卷积计算，可以将深度卷积层B输出的空间特征进行组合，以此获得尽可能多的有用信息。

需要说明的是，深度可分离卷积由深度卷积(Depthwise Convolution)和逐点卷积(Separable Convolution)两部分组成，实质上是对普通卷积过程的分解计算。深度卷积的每一个卷积核只对输入特征图的一个通道进行卷积计算，最后堆叠各个通道的计算结果得到输出。逐点卷积的卷积核大小为1x1，对于深度卷积堆叠后的所有通道的结果进行卷积计算，利用输入特征图中每一个通道上的有效信息得到最终输出。

继续参见图3，深度可分离卷积层C的输出作为输出层的输入，输出层可以对深度可分离卷积层C的分解计算结果进行分类，得到对应的风险类别，即第二风险类别。

S403，根据第一风险类别与第二风险类别计算本次迭代训练对应的损失函数值。

本申请实施例中，以第一风险类别为目标，根据第一风险类别与第二风险类别计算本次迭代训练的损失函数值。

S404，如果损失函数值不满足预设的训练结束条件，根据损失函数值调整2D卷积层、深度卷积层、深度可分离卷积层和输出层的权重参数，进入下次迭代训练，并返回执行步骤S401。

本申请实施例中，如果损失函数值不满足预设的训练结束条件，比如损失函数值不趋于收敛，则根据损失函数值反向调整2D卷积层、深度卷积层、深度可分离卷积层和输出层的权重参数，并进入下次迭代训练，返回执行步骤S401。

S405，如果损失函数值满足训练结束条件，结束本次迭代训练，将本次迭代训练后的基于EEGNet的深度学习网络作为风险分类模型。

本申请实施例中，如果损失函数值满足训练结束条件，比如损失函数值趋于收敛，则结束本次迭代训练，并将本次迭代训练后的基于EEGNet的深度学习网络作为风险分类模型。

在一种可能的实现中，风险分类模型训练过程中可以使用十折交叉验证进行最终分类模型的选择。对此，本申请实施例中，步骤S401“获取本次迭代训练下已评估投资人对应的样本脑电信号”，可以采用如下步骤：

获取已评估投资人对应的第二脑电信号；基于十折交叉验证法从第二脑电信号中获取每轮迭代训练的训练集和测试集；在每轮迭代训练的过程中，从该轮迭代训练的训练集中获取本次迭代训练下的样本脑电信号；

对应的，上述步骤S305中“将本次迭代训练后的基于EEGNet的深度学习网络作为风险分类模型”，可以采用如下步骤：

将本次迭代训练后的基于EEGNet的深度学习网络作为该轮迭代训练的候选风险分类模型；使用该轮迭代训练的测试集对相应的候选风险分类模型进行测试，得到该轮迭代训练的模型准确率；选取模型准确率最高的一轮迭代训练的候选风险分类模型作为风险分类模型。

需要说明的是，十折交叉验证的基本原理是将待训练的样本分为训练集和验证集两部分，使用训练集部分训练分类模型，再使用验证集对分类模型进行准确性的测试。十折交叉验证指的是将原样本平均分为十份，轮流将其中的9份作为训练集、1份作为验证集，通过分类模型计算分类准确率，最后选择其中准确率最高的模型作为最终选择的分类模型。

本申请实施例中，通过脑电采集设备可以采集获得已评估投资人回答评估问题时的脑电信号，即第二脑电信号。基于十折交叉验证法将第二脑电信号平均分为十份，轮流将其中的9份作为训练集、1份作为验证集，由此可以获得十轮迭代训练中每轮迭代训练的训练集和测试集。

在每轮迭代训练的过程中，可以使用该轮迭代训练的训练集对基于EEGNet的深度学习网络进行多次迭代训练。由此，可以从该轮迭代训练的训练集中获取本次迭代训练下的样本脑电信号，在预处理后输入至基于EEGNet的深度学习网络完成本次迭代训练，经由多次迭代训练，将本次迭代训练后的基于EEGNet的深度学习网络作为该轮迭代训练的候选风险分类模型。使用该轮迭代训练的测试集对相应的候选风险分类模型进行测试，得到该轮迭代训练的模型准确率。

在十轮迭代训练结束后，可以获得十个候选风险分类模型及其各自的模型准确率，从中选择模型准确率最高的一轮迭代训练的候选风险分类模型作为最终的风险分类模型。

经由以上描述，针对现有的投资人风险评估方法存在评估精确性不高，评估结果易被干扰等问题，本申请实施例提供了一种投资人风险评估方法，能够根据投资人回答评估问题时的脑电信号对其进行准确的风险评估。本申请的优点在于：

1)使用了脑电信号作为风险承受能力评估的依据。相比于其他生物特征，脑电信号的生物特征与情绪变化具有更强的相关性，用于评估投资人风险承受能力具有更佳的可信度。

2)建立了基于脑电信号处理进行风险评估的完整流程。本申请充分利用脑电信号与投资人的情绪变化的相关性，通过分析投资人的脑电信号得到与之对应的风险评估结果，相比于现有的风险评估方式具有完全的客观性，能获得更为准确的评估结果。

由此，经由本申请获得的风险承受能力评估结果具有较强的抗干扰能力和更高的精确性，能够更好的解决当前银行风险评估方式中亟待解决的问题。

以上介绍了本申请实施例提供的一种投资人风险评估方法，以下将介绍执行上述的投资人风险评估方法的装置。

参见图7，图7为本申请实施例提供的一种投资人风险评估装置的结构示意图。如图6所示，本申请实施例提供的一种投资人风险评估装置，包括：

模型训练模块10，用于对基于EEGNet的深度学习网络进行训练得到风险分类模型；

风险评估模块20，用于获取待评估投资人对应的第一脑电信号，并对第一脑电信号进行预处理；将第一脑电信号的预处理结果输入至风险分类模型中，以获得风险分类模型输出的待评估投资人对应的目标风险类别。

在一种可能的实现中，用于对第一脑电信号进行预处理的风险评估模块20，具体用于：

对第一脑电信号依次进行滤波处理、基线校正、独立成分分析去除伪迹、平均参考和脑电信号分段的处理。

在一种可能的实现中，第一脑电信号的预处理结果中包含第一脑电信号对应的多个脑电片段；

用于将第一脑电信号的预处理结果输入至预先训练的风险分类模型中，以获得风险分类模型输出的待评估投资人对应的目标风险类别的风险评估模块20，具体用于：

针对多个脑电片段中的每个脑电片段来说，将该脑电片段输入至风险分类模型中，以获得风险分类模型对该脑电片段输出的候选风险类别；按照每个脑电片段对应的候选风险类别进行归类统计，以获得不同候选风险类别下的脑电片段数量；选取脑电片段数量最大的一个候选风险类别作为目标风险类别。

在一种可能的实现中，基于EEGNet的深度学习网络包括2D卷积层、深度卷积层、深度可分离卷积层和输出层；

模型训练模块10，具体用于：

获取本次迭代训练下已评估投资人对应的样本脑电信号，并对样本脑电信号进行预处理；其中，样本脑电信号被标注有第一风险类别；将样本脑电信号的预处理结果输入至基于EEGNet的深度学习网络中，以实现：通过2D卷积层计算样本脑电信号的特征图；通过深度卷积层提取特征图中的空间特征；通过深度可分离卷积层对空间特征进行分解计算；通过输出层对空间特征的分解计算结果进行分类得到第二风险类别；根据第一风险类别与第二风险类别计算本次迭代训练对应的损失函数值；如果损失函数值不满足预设的训练结束条件，根据损失函数值调整2D卷积层、深度卷积层、深度可分离卷积层和输出层的权重参数，进入下次迭代训练，并返回执行获取本次迭代训练下已评估投资人对应的样本脑电信号这一步骤；如果损失函数值满足训练结束条件，结束本次迭代训练，将本次迭代训练后的基于EEGNet的深度学习网络作为风险分类模型。

在一种可能的实现中，用于获取本次迭代训练下已评估投资人对应的样本脑电信号的模型训练模块10，具体用于：

获取已评估投资人对应的第二脑电信号；基于十折交叉验证法从第二脑电信号中获取每轮迭代训练的训练集和测试集；在每轮迭代训练的过程中，从该轮迭代训练的训练集中获取本次迭代训练下的样本脑电信号；

相应的，用于将本次迭代训练后的基于EEGNet的深度学习网络作为风险分类模型的模型训练模块10，具体用于：

将本次迭代训练后的基于EEGNet的深度学习网络作为该轮迭代训练的候选风险分类模型；使用该轮迭代训练的测试集对相应的候选风险分类模型进行测试，得到该轮迭代训练的模型准确率；选取模型准确率最高的一轮迭代训练的候选风险分类模型作为风险分类模型。

需要说明的是，本申请实施例中各模块的细化功能可以参见上述投资人风险评估方法实施例对应公开部分，在此不再赘述。

本申请实施例中还提供一种电子设备。参见图8，图8为本申请实施例提供的一种电子设备的结构示意图。本申请实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、PDA(个人数字助理)、PAD(平板电脑)、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，该电子设备可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机存取存储器(RAM)803中的程序而执行各种适当的动作和处理。在电子设备通电的状态下，RAM 803中还存储有电子设备操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如内存卡、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

本申请实施例中还提供一种包括计算机程序产品，包括计算机可读指令，当计算机可读指令在电子设备上运行时，使得电子设备实现本申请实施例提供的任一种投资人风险评估方法。

本申请实施例中还提供一种计算机可读存储介质，该存储介质承载有一个或多个计算机程序，当一个或多个计算机程序被电子设备执行时，能够使电子设备实现本申请实施例提供的任一种投资人风险评估方法。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims (10)

1.一种投资人风险评估方法，其特征在于，所述投资人风险评估方法包括：

获取待评估投资人对应的第一脑电信号，并对所述第一脑电信号进行预处理；

将所述第一脑电信号的预处理结果输入至预先训练的风险分类模型中，以获得所述风险分类模型输出的所述待评估投资人对应的目标风险类别；其中，所述风险分类模型是对基于EEGNet的深度学习网络进行训练得到的。

2.根据权利要求1所述的投资人风险评估方法，其特征在于，所述对所述第一脑电信号进行预处理，包括：

对所述第一脑电信号依次进行滤波处理、基线校正、独立成分分析去除伪迹、平均参考和脑电信号分段的处理。

3.根据权利要求2所述的投资人风险评估方法，其特征在于，所述第一脑电信号的预处理结果中包含所述第一脑电信号对应的多个脑电片段；

所述将所述第一脑电信号的预处理结果输入至预先训练的风险分类模型中，以获得所述风险分类模型输出的所述待评估投资人对应的目标风险类别，包括：

针对所述多个脑电片段中的每个脑电片段来说，将该脑电片段输入至所述风险分类模型中，以获得所述风险分类模型对该脑电片段输出的候选风险类别；

按照每个脑电片段对应的候选风险类别进行归类统计，以获得不同候选风险类别下的脑电片段数量；

选取脑电片段数量最大的一个候选风险类别作为所述目标风险类别。

4.根据权利要求1所述的投资人风险评估方法，其特征在于，所述基于EEGNet的深度学习网络包括2D卷积层、深度卷积层、深度可分离卷积层和输出层；

所述基于EEGNet的深度学习网络进行训练得到所述风险分类模型的过程，包括：

获取本次迭代训练下已评估投资人对应的样本脑电信号，并对所述样本脑电信号进行预处理；其中，所述样本脑电信号被标注有第一风险类别；

将所述样本脑电信号的预处理结果输入至所述基于EEGNet的深度学习网络中，以实现：通过所述2D卷积层计算所述样本脑电信号的特征图；通过所述深度卷积层提取所述特征图中的空间特征；通过所述深度可分离卷积层对所述空间特征进行分解计算；通过所述输出层对所述空间特征的分解计算结果进行分类得到第二风险类别；

根据所述第一风险类别与所述第二风险类别计算本次迭代训练对应的损失函数值；

如果所述损失函数值不满足预设的训练结束条件，根据所述损失函数值调整所述2D卷积层、所述深度卷积层、所述深度可分离卷积层和所述输出层的权重参数，进入下次迭代训练，并返回执行所述获取本次迭代训练下已评估投资人对应的样本脑电信号这一步骤；

如果所述损失函数值满足所述训练结束条件，结束本次迭代训练，将本次迭代训练后的所述基于EEGNet的深度学习网络作为所述风险分类模型。

5.根据权利要求4所述的投资人风险评估方法，其特征在于，所述获取本次迭代训练下已评估投资人对应的样本脑电信号，包括：

获取所述已评估投资人对应的第二脑电信号；

基于十折交叉验证法从所述第二脑电信号中获取每轮迭代训练的训练集和测试集；

在每轮迭代训练的过程中，从该轮迭代训练的训练集中获取本次迭代训练下的所述样本脑电信号；

相应的，所述将本次迭代训练后的所述基于EEGNet的深度学习网络作为所述风险分类模型，包括：

将本次迭代训练后的所述基于EEGNet的深度学习网络作为该轮迭代训练的候选风险分类模型；

使用该轮迭代训练的测试集对相应的候选风险分类模型进行测试，得到该轮迭代训练的模型准确率；

选取模型准确率最高的一轮迭代训练的候选风险分类模型作为所述风险分类模型。

6.一种投资人风险评估装置，其特征在于，所述投资人风险评估装置包括：

模型训练模块，用于对基于EEGNet的深度学习网络进行训练得到风险分类模型；

风险评估模块，用于获取待评估投资人对应的第一脑电信号，并对所述第一脑电信号进行预处理；将所述第一脑电信号的预处理结果输入至所述风险分类模型中，以获得所述风险分类模型输出的所述待评估投资人对应的目标风险类别。

7.根据权利要求6所述的投资人风险评估装置，其特征在于，用于对所述第一脑电信号进行预处理的风险评估模块，具体用于：

对所述第一脑电信号依次进行滤波处理、基线校正、独立成分分析去除伪迹、平均参考和脑电信号分段的处理。

8.一种计算机程序产品，其特征在于，包括计算机可读指令，当所述计算机可读指令在电子设备上运行时，使得所述电子设备实现如权利要求1至5中任意一项所述的投资人风险评估方法。

9.一种电子设备，其特征在于，包括至少一个处理器和与所述处理器连接的存储器，其中：

所述存储器用于存储计算机程序；

所述处理器用于执行所述计算机程序，以使所述电子设备能够实现如权利要求1至5中任意一项所述的投资人风险评估方法。

10.一种计算机存储介质，其特征在于，所述存储介质承载有一个或多个计算机程序，当所述一个或多个计算机程序被电子设备执行时，能够使所述电子设备实现如权利要求1至5中任意一项所述的投资人风险评估方法。