人格偏好诊断装置及基于该装置的项目推荐系统

技术领域

本申请涉及人工智能模式识别技术领域，特别是涉及人格偏好诊断装置及基于该装置的项目推荐系统。

背景技术

本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。

人格偏好(personality)亦称个性，是指个体在对他人、事件、自身等方面的社会适应中行为上的内部倾向性和心理特征。表现为能力、气质、性格、需要、动机、兴趣、理想、价值观和体质等方面的整合，是具有动力一致性和连续性的自我，也是个体在社会化过程中形成的独特心身组织。准确的人格特质分析在现实生活中有重要的指导性价值，如制定个性化的服刑人员思想行为改造方案，依据性格特点建立理想的高校大学生就业辅导选择策略，就不同职业人群明确有针对性的心理疏导路线，临床指导急重症或慢性病患者的辅助心理康复方案修订等。人格测评即通过特定方法对在人的行为中起稳定调节作用的心里特质和行为倾向进行定量分析，以预测并指导个人未来的行为。

美国心理学家Woodworth于1918年编制了世界上第一个自陈人格量表，成为通过自陈量表法进行情感心理研究的开端。《迈尔斯-布里格斯类型指标》(MBTI)以瑞士心理学家荣格划分的8种人格类型为基础编撰而成，具有四个不同的心理特征维度，如图1所示，被试者的性格量化指标都会落在标尺的某个点上，靠近哪个端点即说明被试有哪方面的性格偏好。陈述信息采集以问卷调查方式进行，受试者回答诸如：1、你是否擅长某项特定工作并将其完成？2、你是否能为想做的事情定出时间表？3、你是否定出计划后便能够依计行事？等问题，依据感受强度在0-5之间选择评价分数，在不同维度上进行分数累积处理，以量化手段判断人格偏好。采用本方案对同一目标个体进行心理测量，问卷结论度具有良好的稳定性和一致性，能够准确反映所测个体的人格特质，在稳定系数、等值系数、内在一致性系数等量化指标上均具有良好表现。同时在长期的使用过程中证实其测量获得的心理诊断结论与考察个体真实状态吻合度较高，准确性、有用性良好，具备理想的效度。目前MBTI手段在国内外心理学研究领域被广泛采用并被众多文献所引用，已成为国际最为流行的人格评估工具，并成为人格偏好分析的金标准之一。

另一方面MBTI难以摆脱以自我陈述方式进行心理人格诊断的固有缺陷，如问卷作答中题意理解模糊、因多种原因的被试者主观掩饰伪装、标准设计年代较久远缺乏合理的更新机制无法适应经济社会发展、多种修订版本缺乏足够理论与大规模数据支撑等，均可导致信度和效度有所下降。实验法是心理学研究领域的又一种重要途径，以视听刺激诱发被试者情绪，同步获得其生理行为特征，挖掘内在信息，从不同角度对被试者情绪状态或心理特点进行分析评价。其客观性较自陈方式有显著提升，但同时存在有效数据及合理标注缺乏，生理信号微弱易受噪声干扰，情绪激发策略和特征提取算法的优选过程复杂，缺少理想的多源信息融合策略难以克服性能提升瓶颈等不足，因此自陈结合试验方式的新型心理学研究手段已经逐步得到学术界的广泛关注。有监督学习是主流的机器学习方式，用已知某种或某些特性的样本作为训练集，分析训练数据建立数学模型(逻辑回归、线性回归等)，产生一个特定的推断功能预测未知样本。

发明内容

为了解决现有技术的不足，本申请提供了人格偏好诊断装置及基于该装置的项目推荐方法及系统；

第一方面，本申请提供了人格偏好诊断装置；

人格偏好诊断装置，包括：

获取模块，其被配置为：获取待诊断人员的生理信号和待诊断人员的基本信息；

特征提取模块，其被配置为：对生理信号进行处理获取第一类特征；对生理信号中的脑电信号进行处理获取第二类特征；对待诊断人员的基本信息进行处理获取第三类特征；

特征融合模块，其被配置为：将第一类特征、第二类特征和第三类特征进行融合，得到融合特征；

人格偏好诊断模块，其被配置为：将融合特征输入到预先训练好的分类器中，输出人格偏好诊断结果。

第二方面，本申请提供了项目推荐系统；

项目推荐系统，包括：

获取模块，其被配置为：获取待诊断人员的生理信号和待诊断人员的基本信息；

特征提取模块，其被配置为：对生理信号进行处理获取第一类特征；对生理信号中的脑电信号进行处理获取第二类特征；对待诊断人员的基本信息进行处理获取第三类特征；

特征融合模块，其被配置为：将第一类特征、第二类特征和第三类特征进行融合，得到融合特征；

人格偏好诊断模块，其被配置为：将融合特征输入到预先训练好的分类器中，输出人格偏好诊断结果；

项目推荐模块，其被配置为：将人格偏好诊断结果与待诊断人员的同类人群中具有相同人格偏好诊断结果的融合特征进行距离计算，筛选最小距离所对应的人员的项目，作为最佳项目推荐给待诊断人员。

第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面或第二方面所述模块的功能。

第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面或第二方面所述模块的功能。

与现有技术相比，本申请的有益效果是：

(1)人格倾向性分析是心理学研究领域的重要课题，在以心理特质为指导的思想行为康复矫治方面有广泛的应用前景，如在服刑人员改造、临床康复心理辅助、大学生就业指导、职业人群心理健康护理等方面均有重要价值。传统的人格倾向性分析仍旧以主观问答方式为主，依据国际通用经典问卷的计分方式，在不同人格维度上量化分析，MBTI标准就是被广泛认可的信度效度良好手段，在实践中也已被大量采用。但自我陈述方式的心理学研究策略存在较强主观性以及在操作过程中的诸多因素干扰，一定程度上降低了性能。本申请结合实验法的心理学研究方式，以情感激发为手段，多源信息为数据支撑，经典自陈量表结论为标注方式，建立生理与心理相关联的数据集，采用适当的机器学习算法训练更加客观准确的人格特质智能评价系统，有效融合实验、自陈两种不同的情感分析手段，在克服单一方式不足的基础上实现优势互补。

(2)采用特征融合策略，把从多个信息源获取的数据和信息进行关联、相关、综合，以获得更加精确的人格特征估计。通过标准化处理统一量纲，避免因单位不一致而造成的各别特征权重过大问题。基于生理信息、脑电信息、个人身份信息(年龄、性别、文化层次等)多源性、异构性的特点，针对性提取标准差、差分、样本熵、小波变换等特征，再将这些特征综合梳理集成，建立一个融合性的样本特征空间{γ

(3)只有准确把握被观测数据的分布规律，才能选择与之相匹配的模式识别算法，获得理想的分类性能。就多模态融合型特征集数据的复杂性和对其分布规律的未知，本申请在传统线性支持向量机分类器(SVM)的基础上，如图6B所示，引入变换Z＝φ(x)将非线性特征空间映射到更高维的线性空间，在新的特征空间里，使用线性SVM从训练数据中学习分类模型，建立支持能够完成对非线性分布数据识别的新型分类器。通过性能优选机制，针对数据分布特性适应性选择线性或非线性分类器，组合为互不关联的四个二分类器，完成对四个不同维度人格偏好的诊断工作，有效克服了传统SVM仅适合完成线性二分类任务的局限性。

(4)依据判决结论进行的性格类型匹配以哈希表规则进行，有效提升了查找的时间效率。

(5)心理诊断衍生产品智能推荐。本申请采用相似性推荐算法，如图7所示，依据受试者的性格智能分析结论，结合其社会属性(服刑人员、高校学生、病患、职场人员等)，通过欧几里得距离、麦哈顿距离等量化方式计算其在二维空间坐标上的最邻近点，推荐适应其需求的个性化心理行为矫治方案或职业规划方案等心理诊断衍生产品。如高校应届毕业生经过人格偏好智能分析，会获得与其性格相匹配的就业推荐，科学指导就业工作；如在监服刑人员经过人格偏好智能分析，会获得与其性格相适应的更加优化思想行为改造策略，为警务人员的改造工作开展提供科学参考；如慢性疾病患者经过人格偏好智能分析，会形成一套适应其心理特质的心理健康护理方案，指导医生在开展病理层面医治的同时进一步采取科学的心理健康护理辅助配套措施，提升康复效果。

(6)清晰量化的质量管控体系。心理诊断结论的性能评价多以被试者主观感受为主，虽然部分诊断方式存在多种类型的信度效度考核指标，仍旧缺乏统一标准，其客观准确性无法获得医(心理医师)患(受试者)双方的一致性认同。如图8所示，本申请在信度考核层面采用基于数据集的交叉验证策略，在效度考核层面采用针对实际应用场景下的混淆矩阵策略，量化智能人格偏好分析的结论准确性，使系统获得更良好的信任度。

(7)本申请基于神经反射学基本理论，在情境诱发环境下采集多种人体生理信号结合数字化后的被采集者性别、年龄、学历等综合信息形成样本的特征空间，同时利用MBTI标准对相同人群进行多维度人格特质标注，建立完整的有监督学习数据集，通过适当的机器学习算法将自我陈述与实验两种不同的心理学研究手段有效融合，建立更高层次的人格偏好智能评价系统。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本申请实施例一的《迈尔斯-布里格斯类型指标》(MBTI)框架结构图；

图2为本申请实施例一的基于多模态信息的人格分析数据集构建流程图；

图3为本申请实施例一的基于多模态信息的人格分析数据集逻辑框架图；

图4为本申请实施例一的特征融合结构图；

图5为本申请实施例一的人格偏好智能诊断系统应用结构框架图；

图6为本申请实施例一的人格偏好智能诊断系统决策流程图；

图7为本申请实施例一的心理诊断衍生产品智能推荐图；

图8为本申请实施例一的训练集和测试集示意图；

图9为本申请实施例一的系统效度信度量化考核原理图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，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，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，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步骤或单元。

在本申请本实施例中，“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本申请的描述中，“多个”是指两个或多于两个。

另外，为了便于清楚描述本申请实施例的技术方案，在本申请实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。

在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例一

本实施例提供了人格偏好诊断装置；

人格偏好诊断装置，包括：

获取模块，其被配置为：获取待诊断人员的生理信号和待诊断人员的基本信息；

特征提取模块，其被配置为：对生理信号进行处理获取第一类特征；对生理信号中的脑电信号进行处理获取第二类特征；对待诊断人员的基本信息进行处理获取第三类特征；

特征融合模块，其被配置为：将第一类特征、第二类特征和第三类特征进行融合，得到融合特征；

人格偏好诊断模块，其被配置为：将融合特征输入到预先训练好的分类器中，输出人格偏好诊断结果。

作为一个或多个实施例，所述获取待诊断人员的生理信号，包括：心电信号、呼吸数据、面部血氧含量、皮肤电信号、血氧饱和度和脑电信号。

作为一个或多个实施例，所述待诊断人员的基本信息，包括：年龄、性别和文化程度。

作为一个或多个实施例，所述对生理信号进行处理获取第一类特征，包括：

对心电信号，提取高频功率、标准差、一阶导数和/或差分特征；

对皮肤电信号，提取多尺度熵和/或功率谱密度特征；

对呼吸数据，提取高频功率、低频功率、标准差、均值、一阶导数、差分、斜率和/或功率比；

对血氧饱和度，提取标准差、均值、多尺度熵和/或功率谱密度；

对面部血氧含量，提取高频功率、低频功率、均值、一阶导数、多尺度熵、功率谱密度、斜率和/或功率比特征。

作为一个或多个实施例，所述对生理信号中的脑电信号进行处理获取第二类特征；包括：

对脑电信号提取近似熵、样本熵、功率谱估计和/或小波变换特征。

作为一个或多个实施例，所述对待诊断人员的基本信息进行处理获取第三类特征；包括：

对待诊断人员的基本进行获取年龄、性别和文化程度特征。

作为一个或多个实施例，在所述获取模块之后，在所述特征提取模块之前还包括：标准化处理模块；所述标准化处理模块其被配置为：对获取的数据进行统一量纲处理。

作为一个或多个实施例，所述特征融合模块，其被配置为：将第一类特征、第二类特征和第三类特征进行串联融合，得到融合特征。

作为一个或多个实施例，所述将融合特征输入到预先训练好的分类器中，输出人格偏好诊断结果；具体步骤包括：

将融合特征分别输入到四个预先训练好的二分类器中，每个二分类器输出分类结果，将所有的分类结果作为最终的分类结果。

进一步地，所述人格偏好诊断模块中包括分类器的预训练子模块，所述分类器的预训练子模块，包括：

获取单元，其被配置为：获取每个已知迈尔斯布里格斯类型指标(MBTI)的测试人员的生理信号和基本信息；

特征提取单元，其被配置为：对每个已知迈尔斯布里格斯类型指标(MBTI)的测试人员的生理信号进行处理获取第一类特征；对每个已知迈尔斯布里格斯类型指标(MBTI)的测试人员的脑电信号进行处理获取第二类特征；对每个已知迈尔斯布里格斯类型指标(MBTI)的测试人员的基本信息进行处理获取第三类特征；

特征融合单元，其被配置为：将第一类特征、第二类特征和第三类特征进行融合，得到融合特征；

数据集构建单元，其被配置为：将测试人员的融合特征与测试人员的已知迈尔斯布里格斯类型指标(MBTI)一一对应后得到数据集，将数据集按比例划分为训练集和测试集；

第一训练单元，其被配置为：利用训练集中带外倾内倾维度标签的数据对线性支持向量机进行训练，得到第一分类器，利用训练集中带外倾内倾维度标签的数据对非线性支持向量机进行训练，得到第二分类器；利用测试集带外倾内倾维度标签的数据分别输入到第一分类器和第二分类器中，比较第一分类器与第二分类器的分类精度，将分类精度高的分类器作为外倾内倾维度判决二分类器；

第二训练单元，其被配置为：利用训练集中带感觉直觉维度标签的数据对线性支持向量机进行训练，得到第三分类器，利用训练集中带感觉直觉维度标签的数据对非线性支持向量机进行训练，得到第四分类器；利用测试集带感觉直觉维度标签的数据分别输入到第三分类器和第四分类器中，比较第三分类器与第四分类器的分类精度，将分类精度高的分类器作为感觉直觉维度判决二分类器；

第三训练单元，其被配置为：利用训练集中带思维情感维度标签的数据对线性支持向量机进行训练，得到第五分类器，利用训练集中带思维情感维度标签的数据对非线性支持向量机进行训练，得到第六分类器；利用测试集带思维情感维度标签的数据分别输入到第五分类器和第六分类器中，比较第五分类器与第六分类器的分类精度，将分类精度高的分类器作为思维情感维度判决二分类器；

第四训练单元，其被配置为：利用训练集中带判断知觉维度标签的数据对线性支持向量机进行训练，得到第七分类器，利用训练集中带判断知觉维度标签的数据对非线性支持向量机进行训练，得到第八分类器；利用测试集带判断知觉维度标签的数据分别输入到第七分类器和第八分类器中，比较第七分类器与第八分类器的分类精度，将分类精度高的分类器作为判断知觉维度判决二分类器。

音乐引发情绪是学术界公认的事实,音乐情绪的生理机制研究已取得相当成果,音乐情绪的行为倾向、自主神经生理反应研究也已成为当前心理学领域关注的热点。将音乐背景(西洋古典音乐、中国传统管弦音乐等)作为情绪激发的基本方式，营造平静舒缓的氛围，能够最大程度减少外部环境因素的干扰。征募约300名志愿者完成数据集构建工作。

如图2所示，样本空间包括特征子空间与心理标注子空间，特征来源包括在情感激发状态下的多源生理信息，如心电、呼吸频率、面部血氧含量、脑电等，以及数字化处理后的受试者背景信息(学历层次依据小学、初中、高中、大学等分别表示为1、2、3等整数类型，男性表示为1，女性表示为2)，被采集者在性别、年龄、文化程度等各方面均保持均匀规模，实现数据的多样性。

如图3所示，标注空间的构造采用多标注方式，以MBTI模板为标准，在外倾-内倾(E-I)、感觉-直觉(S-N)、思维-情感(T-F)、判断-知觉(J-P)四个不同维度上依据受试者自陈信息结合MBTI人格类型指标算法规则进行量化处理完成标注。

生理数据中心电(-1.5mA-1.5mA)、皮电(0μs-25μs)、呼吸(-50％-50％)、血氧(0μA-1.2μA)、面部血氧含量(0μA-0.15μA)、脑电等指标以及数字化后的背景信息指标其单位、值域均不同，样本特征量纲的不一致会导致某些特征形成主导作用，基于信息融合的需要，进行归一化处理：

其中x

如图4所示，采用近年情感计算研究领域基于人体生理信号使用频率较高识别度清晰的若干特征，如标准差、差分、功率谱密度等建立特征子集1。

通过研究人体处于不同生理状态和不同脑功能状态的脑电信号特征，可以有效发掘各种类型人格个体的心理活动特质。首先，脑电信号存在固有的微弱性，具有非线性、非平稳性、随机性的特点，同时采集到的脑电信号背景噪声复杂，既存在非生理伪迹，如工频干扰、电极与皮肤的接触噪声、电极与地之间的共模信号干扰等，也存在眼动伪迹、肌动伪迹、心电伪迹等生理噪声，严重影响脑电信号分析。为有效减少噪声干扰，如图4所示，本申请采用独立成分分析(ICA)策略，从观测信号中估计出相互统计独立的、被未知因素混合的原始脑电信号。进一步，本申请结合近年国内外针对脑电时频域分析所采用的诸多方案，提取近似熵、样本熵、功率谱估计、小波变换等建立特征子集2。具体执行过程表述如下：

A、近似熵

近似熵是将时间序列波动的规律性和不可预测性进行量化的非线性动力学参数，反映时间序列中新信息发生的可能性，算法表述为：

1、对脑电信号等时间间隔采样获得N维时间序列，u(1)、u(2)......u(N)。

2、定义算法相关参数m、r，其中，m为整数，表示比较向量的长度，r为实数，表示相似度的量化值。

3、重构m维向量X(1)、X(2)......X(N-m+1)，其中X(i)＝[u(i),u(i+1),......u(i+m-1)]。

4、对于1≤i≤N-m+1，统计满足以下条件向量个数：

d表示向量X(i)与X(j)的距离。

5、定义

6、近似熵(ApEn)定义为：

ApEn＝Φ

B、样本熵

样本熵的值越低，序列自我相似性就越高，样本熵的值越大，样本序列就越复杂。目前样本熵在评估生理时间序列(EEG、EMG等)的复杂性和诊断病理状态等方面均有应用。

1、对脑电信号等时间间隔采样获得N维时间序列{x(n)}＝x(1)、x(2)......x(N)。

2、依据序号组成一组维数为m的向量序列，X

3、定义：

d[X

表示两个向量X

4、对于给定的X

5、定义B

6、将维数增加至m+1，计算X

7、定义：

8、B

C、功率谱估计

把振幅随时间变化的脑电波变换为脑电功率随频率变化的谱图，能够更加清晰体现脑电节律的分布与变化，以匹配不同的人格特质。具体操作是把功率谱和幅频特性的平方联系起来，表达为幅频特性平方的总体均值与持续时间之比，即持续时间趋于无限时的极限值。

D、小波变换

小波变换能够突出脑电信号某些方面的特征，通过伸缩平移运算对信号逐步进行多尺度细化，达到高频处时间细分，低频处频率细分，自动适应不同的时频信号分析，完成时间、空间频率的局部放大，聚焦到信号的细节。x(n)表示采集的离散脑电信号，将小波变换定义为：

其中ψ

本申请利用小波系数表征脑电信号在时域和频域的能量分布，对脑电信号进行三层分解，表达为：

x(n)＝A

提取对应于不同频带的小波系数能量均值作为特征量，反映脑电信号时域和频域的特性。

多模态特征空间构建完成后，依据受试者的MBTI测验结论，如图1所示在四个不同维度的人格类型偏好上分别进行标注，将人格智能诊断问题归纳为以多源信息为基础的四个相互独立二分类问题。

将受试者年龄、性别、文化背景等信息数字化处理后建立特征子集3。

如图5所示，本申请在融合后的数据集上建立特定的规则，指导对不同人格特质的个体进行有效分类。“支持向量机”(SVM)是一种有监督机器学习算法，可广泛用于分类或回归任务。将每个样本表达为n维空间中的一个点(n为特征的数量)，每个特征的值是特定坐标，通过寻找能够很好区分两个类的超平面完成分类任务。

如图5所示，依据MBTI标准，在E-I(0/1)、S-N、T-F、J-P四个人格倾向性维度上，根据有监督学习规则的二分类判决结论，可获得诸如ENTP(0101)的性格类型组合，将其作为哈希表的键值，匹配与之相对应的人格偏好类型，并结合受试者的需求背景，智能推荐心理分析衍生产品(如大学生个性化就业推荐、服刑人员针对性思想行为改造方案、临床患者辅助心理康复方案等)。本申请采用数据集层面的交叉验证策略完成智能诊断系统的信度评价，在应用层面采用混淆矩阵策略完成对智能系统的效度评价。

基于多模态信息的人格线性支持向量机分类算法表达：

输入为训练数据集T＝{(x

目标函数：

约束条件：

最优解：

计算

如图6所示，最优分类平面表达为：

ω

获得分类决策函数：

f(x)＝sign(ω

基于多模态信息的人格非线性支持向量机分类算法表达：

输入为训练数据集T＝{(x

目标函数：

约束条件：

最优解：

选择α

如图6所示，最优分类平面表达为：

基于线性与非线性分类器在数据集不同人格维度上的性能表现进行优选，获得一个由四个二分类器组合而成的人格偏好智能判决器。

根据MBTI标准中对不同人格类型组合的详细定义，建立散列表。依据判决结论进行性格匹配，如图6所示，四个二分类器分别判决为0,1,0,1，将其作为关键字key，定义哈希函数f(key)，把关键字带入函数，确定在存储不同性格类型描述散列表中的地址，映射为ENPT性格类型，同时明确其具体诊断结论为：1.反应快、聪明、长于多样事务。2.会为了有趣对问题的两面加予争辩等。以人格偏好智能诊断为基础，可进一步开展面向不同需求的心理衍生产品开发。

如图8所示，本申请采用交叉验证方式获得系统信度量化评定指标，将数据集等分为十个相互独立的子区域，每次选择其一作为测试集，其另外九份作为训练集，获得测试准确度，将该方法迭代十轮，计算每次准确度的均值，作为评定采取同样的方法(组合式SVM)对同一对象(人格需求多模态数据集)重复进行测量时所得结果一致性的程度。

如图9所示，本申请采用混淆矩阵方式获得系统效度量化评定指标，计算采用自陈经典方法与智能方法在不同判决结论上相一致的条件概率，取均值作为评定本测量方式能够准确测出所需测量事物的程度。由于在心理评价领域自陈经典方法固有的缺陷，其结论值维持在70％以上，即可认为智能诊断系统效度良好。

实施例二

本实施例提供了项目推荐系统；

项目推荐系统，包括：

获取模块，其被配置为：获取待诊断人员的生理信号和待诊断人员的基本信息；

特征提取模块，其被配置为：对生理信号进行处理获取第一类特征；对生理信号中的脑电信号进行处理获取第二类特征；对待诊断人员的基本信息进行处理获取第三类特征；

特征融合模块，其被配置为：将第一类特征、第二类特征和第三类特征进行融合，得到融合特征；

人格偏好诊断模块，其被配置为：将融合特征输入到预先训练好的分类器中，输出人格偏好诊断结果；

项目推荐模块，其被配置为：将人格偏好诊断结果与待诊断人员的同类人群中具有相同人格偏好诊断结果的融合特征进行距离计算，筛选最小距离所对应的人员的项目，作为最佳项目推荐给待诊断人员。

应理解的，这里的项目，例如是：高校学生的就业方案、服刑人员的心理矫正方案、生病患者的诊疗方案或职场人员的工作。

实施例三

本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一或实施例二所述模块的功能。

实施例四

本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一或实施例二所述模块的功能。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。