本發(fā)明涉及審訊輔助，尤其涉及一種案件審訊智能輔助設(shè)備及方法。

背景技術(shù)：

1、隨著人工智能和大數(shù)據(jù)技術(shù)的發(fā)展，智能輔助系統(tǒng)在司法領(lǐng)域的應(yīng)用逐漸成為研究熱點(diǎn)，案件審訊作為司法過(guò)程中的關(guān)鍵環(huán)節(jié)，涉及錄音、錄像、手動(dòng)記錄多模態(tài)數(shù)據(jù)的實(shí)時(shí)處理和分析，然而，傳統(tǒng)審訊輔助技術(shù)在多模態(tài)數(shù)據(jù)處理、案件比對(duì)以及邏輯推理方面存在顯著的局限性，難以滿(mǎn)足現(xiàn)代司法場(chǎng)景對(duì)高效性和智能化的需求。

2、近年來(lái)，一些案件管理和輔助分析系統(tǒng)逐漸在司法實(shí)踐中得到應(yīng)用，現(xiàn)有的系統(tǒng)通常依賴(lài)于關(guān)鍵詞匹配或簡(jiǎn)單的邏輯規(guī)則對(duì)案件信息進(jìn)行初步檢索和比對(duì)，然而，這些技術(shù)在實(shí)際應(yīng)用中暴露出以下缺陷：一方面，基于關(guān)鍵詞匹配的檢索方式缺乏語(yǔ)義深度，無(wú)法準(zhǔn)確捕捉案件中的復(fù)雜邏輯關(guān)聯(lián)和上下文語(yǔ)義關(guān)系；另一方面，現(xiàn)有技術(shù)的優(yōu)化能力不足，無(wú)法高效處理大規(guī)模的歷史案件數(shù)據(jù)庫(kù)，檢索效率低且結(jié)果不夠精準(zhǔn)，此外，現(xiàn)有系統(tǒng)在處理審訊對(duì)象的情緒分析和生物特征識(shí)別時(shí)未能有效結(jié)合語(yǔ)義信息，導(dǎo)致審訊數(shù)據(jù)與歷史案件記錄的關(guān)聯(lián)性不強(qiáng)，難以為司法人員提供深入、全面的案件比對(duì)分析。

3、綜上所述，現(xiàn)有技術(shù)在多模態(tài)數(shù)據(jù)處理效率、案件語(yǔ)義比對(duì)準(zhǔn)確性以及案件間邏輯關(guān)系的推理方面存在顯著不足，難以滿(mǎn)足現(xiàn)代審訊場(chǎng)景對(duì)實(shí)時(shí)性、精準(zhǔn)性和智能化的需求，因此，亟需一種新的技術(shù)方法能夠整合多模態(tài)數(shù)據(jù)，優(yōu)化案件比對(duì)路徑，深入挖掘案件語(yǔ)義及其上下文關(guān)聯(lián)性，以全面提升案件審訊輔助系統(tǒng)的效率和準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的一個(gè)目的在于提出一種案件審訊智能輔助設(shè)備及方法，本發(fā)明不僅顯著提升了審訊輔助系統(tǒng)的效率和準(zhǔn)確性，還為案件的深度分析和審訊策略?xún)?yōu)化提供了關(guān)鍵技術(shù)支持。

2、根據(jù)本發(fā)明實(shí)施例的一種案件審訊智能輔助方法，包括如下步驟：

3、s1、采集案件審訊過(guò)程中的錄音數(shù)據(jù)、錄像數(shù)據(jù)以及現(xiàn)場(chǎng)手動(dòng)記錄文本；

4、s2、對(duì)采集到的錄音數(shù)據(jù)進(jìn)行語(yǔ)音識(shí)別處理，生成同步審訊文本數(shù)據(jù)；

5、s3、將同步審訊文本數(shù)據(jù)輸入大語(yǔ)言模型，生成結(jié)構(gòu)化案件筆錄數(shù)據(jù)；

6、s4、對(duì)采集到的錄像數(shù)據(jù)進(jìn)行實(shí)時(shí)分析，生成與審訊對(duì)象相關(guān)的生物特征數(shù)據(jù)；

7、s5、將生成的生物特征數(shù)據(jù)與結(jié)構(gòu)化案件筆錄數(shù)據(jù)進(jìn)行融合處理，生成包含語(yǔ)義信息與情緒狀態(tài)的綜合案件筆錄數(shù)據(jù)；

8、s6、將綜合案件筆錄數(shù)據(jù)輸入案件比對(duì)模塊，利用鯨魚(yú)優(yōu)化算法對(duì)案件比對(duì)路徑進(jìn)行優(yōu)化，識(shí)別出與當(dāng)前案件相關(guān)的歷史案件記錄；

9、s7、對(duì)匹配到的歷史案件記錄進(jìn)行分析，提取歷史案件記錄中的關(guān)鍵線(xiàn)索、證據(jù)鏈及案件模式，并結(jié)合綜合案件筆錄數(shù)據(jù)中的關(guān)鍵陳述，生成與當(dāng)前案件相關(guān)的案件比對(duì)結(jié)果數(shù)據(jù)；

10、s8、基于綜合案件筆錄數(shù)據(jù)、生物特征數(shù)據(jù)、案件比對(duì)結(jié)果數(shù)據(jù)及歷史案件記錄中的關(guān)聯(lián)信息，生成審訊智能提示數(shù)據(jù)。

11、可選的，所述s1包括以下具體內(nèi)容：

12、s11、通過(guò)音頻采集設(shè)備獲取審訊過(guò)程中產(chǎn)生的錄音數(shù)據(jù)，采用語(yǔ)音增強(qiáng)技術(shù)去除錄音數(shù)據(jù)的背景噪音和干擾聲，生成最終的錄音數(shù)據(jù)；

13、s12、通過(guò)視頻采集設(shè)備獲取審訊過(guò)程中的錄像數(shù)據(jù)v(x,y,t)，其中x和y為視頻幀中的空間坐標(biāo)，t為時(shí)間，采用運(yùn)動(dòng)補(bǔ)償技術(shù)平滑多幀畫(huà)面，生成幀率優(yōu)化后的錄像數(shù)據(jù)v'(x,y,t)；

14、s13、通過(guò)輔助輸入設(shè)備獲取現(xiàn)場(chǎng)手動(dòng)記錄文本。

15、可選的，所述s2包括以下具體內(nèi)容：

16、s21、將錄音數(shù)據(jù)輸入基于端到端語(yǔ)音處理算法的語(yǔ)音識(shí)別模型中，將錄音數(shù)據(jù)轉(zhuǎn)化為初步文本數(shù)據(jù)；

17、s22、將初步文本數(shù)據(jù)與現(xiàn)場(chǎng)手動(dòng)記錄文本按時(shí)間戳進(jìn)行對(duì)齊處理，通過(guò)計(jì)算文本段落的時(shí)間匹配度生成對(duì)齊后的文本數(shù)據(jù)：

18、；

19、其中，n為文本數(shù)據(jù)的段落數(shù)，表示每段文本的時(shí)間戳匹配函數(shù)；

20、s23、對(duì)對(duì)齊后的文本數(shù)據(jù)進(jìn)行拼接，去除冗余及格式化處理，生成同步審訊文本數(shù)據(jù)。

21、可選的，所述s3包括以下具體內(nèi)容：

22、s31、將同步審訊文本數(shù)據(jù)輸入大語(yǔ)言模型，大語(yǔ)言模型基于自然語(yǔ)言處理技術(shù)對(duì)同步審訊文本數(shù)據(jù)進(jìn)行語(yǔ)義分析，提取案件相關(guān)的語(yǔ)義特征；

23、s32、利用大語(yǔ)言模型對(duì)語(yǔ)義特征進(jìn)行邏輯推理，識(shí)別同步審訊文本數(shù)據(jù)中陳述內(nèi)容的邏輯關(guān)系，構(gòu)建邏輯關(guān)聯(lián)矩陣：

24、；

25、其中，i,?j表示語(yǔ)義單元的索引；

26、s33、基于邏輯關(guān)聯(lián)矩陣和語(yǔ)義特征，通過(guò)上下文優(yōu)化模型對(duì)案件的描述內(nèi)容進(jìn)行組織，生成結(jié)構(gòu)化案件筆錄數(shù)據(jù)，包括案件描述、時(shí)間線(xiàn)索、關(guān)鍵人物及陳述邏輯的有序排列。

27、可選的，所述s4包括以下具體內(nèi)容：

28、s41、將錄像數(shù)據(jù)v'(x,y,t)輸入人臉識(shí)別模型，提取錄像數(shù)據(jù)中的人臉特征；

29、s42、利用人臉識(shí)別模型對(duì)人臉特征進(jìn)行身份比對(duì)，結(jié)合歷史數(shù)據(jù)庫(kù)中的已知身份數(shù)據(jù)匹配得到審訊對(duì)象的身份信息：

30、；

31、其中，為相似度計(jì)算函數(shù)；

32、s43、對(duì)錄像數(shù)據(jù)v'(x,y,t)中的人臉特征進(jìn)行表情分析，提取審訊對(duì)象的面部表情數(shù)據(jù)，包括情緒類(lèi)別和情緒強(qiáng)度；

33、s44、對(duì)錄像數(shù)據(jù)v'(x,y,t)中的表情變化進(jìn)行檢測(cè)，生成微表情數(shù)據(jù)，微表情數(shù)據(jù)包括表情發(fā)生的時(shí)間戳和對(duì)應(yīng)的微表情特征；

34、s45、綜合人臉識(shí)別得到的身份信息、表情數(shù)據(jù)以及微表情數(shù)據(jù)生成審訊對(duì)象的生物特征數(shù)據(jù)。

35、可選的，所述s5包括以下具體內(nèi)容：

36、s51、基于結(jié)構(gòu)化案件筆錄數(shù)據(jù)提取案件描述中的關(guān)鍵陳述節(jié)點(diǎn)集合，對(duì)結(jié)構(gòu)化案件筆錄數(shù)據(jù)中每個(gè)語(yǔ)義單元進(jìn)行節(jié)點(diǎn)重要度計(jì)算，當(dāng)滿(mǎn)足以下條件時(shí)將該語(yǔ)義單元納入關(guān)鍵陳述節(jié)點(diǎn)集合中：

37、；

38、其中，為節(jié)點(diǎn)重要度計(jì)算函數(shù)，用于衡量語(yǔ)義單元在案件描述、時(shí)間線(xiàn)索與關(guān)鍵人物中的重要性，和為加權(quán)系數(shù)，為衡量語(yǔ)義單元與案件描述及時(shí)間線(xiàn)索關(guān)聯(lián)度的函數(shù)，為衡量語(yǔ)義單元中關(guān)鍵人物特征權(quán)重的函數(shù)，為閾值，m'為語(yǔ)義單元總數(shù)；

39、s52、將審訊對(duì)象生物特征數(shù)據(jù)與關(guān)鍵陳述節(jié)點(diǎn)集合輸入多模態(tài)特征關(guān)聯(lián)模型，對(duì)每個(gè)關(guān)鍵陳述節(jié)點(diǎn)計(jì)算生物特征數(shù)據(jù)與其的相關(guān)度，相關(guān)度通過(guò)時(shí)間加權(quán)的多維相似度積分計(jì)算得到：

40、；

41、其中，與為關(guān)鍵陳述節(jié)點(diǎn)對(duì)應(yīng)的時(shí)間范圍，為生物特征數(shù)據(jù)中的情緒信息，為生物特征數(shù)據(jù)中的微表情特征，和為加權(quán)系數(shù)，為情緒信息與節(jié)點(diǎn)語(yǔ)義特征的時(shí)間相關(guān)性函數(shù)，為微表情特征與節(jié)點(diǎn)語(yǔ)義特征的時(shí)間相關(guān)性函數(shù)；

42、s53、從關(guān)鍵陳述節(jié)點(diǎn)集合中選取相關(guān)度最高的關(guān)鍵陳述節(jié)點(diǎn)集將生物特征數(shù)據(jù)映射至相應(yīng)節(jié)點(diǎn)，在結(jié)構(gòu)化案件筆錄數(shù)據(jù)中標(biāo)記該生物特征信息并生成綜合案件筆錄數(shù)據(jù)：

43、；

44、；

45、其中，為綜合評(píng)分函數(shù)，用于將相關(guān)度與結(jié)構(gòu)化案件筆錄數(shù)據(jù)中節(jié)點(diǎn)的語(yǔ)義匹配度相結(jié)合，為融合函數(shù)，通過(guò)同時(shí)考慮生物特征數(shù)據(jù)與案件描述內(nèi)容的貼合程度選取最能體現(xiàn)審訊對(duì)象生物特征與案件邏輯關(guān)聯(lián)的關(guān)鍵陳述節(jié)點(diǎn)，生成包含語(yǔ)義信息與情緒狀態(tài)的綜合案件筆錄數(shù)據(jù)。

46、可選的，所述s6包括以下具體內(nèi)容：

47、s61、將綜合案件筆錄數(shù)據(jù)轉(zhuǎn)化為案件語(yǔ)義特征向量集合，其中表示綜合案件筆錄數(shù)據(jù)中第p個(gè)語(yǔ)義特征向量，p為綜合案件筆錄數(shù)據(jù)中的語(yǔ)義特征向量總數(shù)，同時(shí)將歷史案件數(shù)據(jù)庫(kù)中的案件記錄h轉(zhuǎn)化為歷史案件語(yǔ)義特征向量集合，其中表示歷史案件的語(yǔ)義特征向量，q為歷史案件記錄的總數(shù)；

48、s62、基于綜合案件筆錄數(shù)據(jù)的案件語(yǔ)義特征向量集合和歷史案件數(shù)據(jù)庫(kù)的歷史案件語(yǔ)義特征向量集合，構(gòu)建上下文語(yǔ)義關(guān)系矩陣，上下文語(yǔ)義關(guān)系矩陣用于表示案件語(yǔ)義特征向量之間的邏輯關(guān)系：

49、；

50、s63、利用鯨魚(yú)優(yōu)化算法對(duì)案件比對(duì)路徑進(jìn)行優(yōu)化，定義優(yōu)化目標(biāo)函數(shù)為案件間語(yǔ)義相似性得分與上下文邏輯關(guān)系的加權(quán)總和：

51、；

52、其中，權(quán)重矩陣的元素，表示語(yǔ)義特征向量和的匹配權(quán)重，為語(yǔ)義特征向量之間的相似度，通過(guò)余弦相似度計(jì)算；

53、鯨魚(yú)優(yōu)化算法通過(guò)以下步驟對(duì)權(quán)重矩陣進(jìn)行優(yōu)化：

54、初始化權(quán)重矩陣種群w，種群大小為n，每個(gè)權(quán)重矩陣為；

55、對(duì)每個(gè)權(quán)重矩陣計(jì)算目標(biāo)函數(shù)值；

56、通過(guò)獵物包圍機(jī)制更新權(quán)重矩陣：

57、；

58、其中，為當(dāng)前種群中最優(yōu)權(quán)重矩陣，，，和為隨機(jī)數(shù)，a隨迭代次數(shù)逐漸減少；

59、通過(guò)螺旋位置更新機(jī)制進(jìn)一步優(yōu)化權(quán)重矩陣：

60、；

61、其中，b為螺旋形狀控制參數(shù)，為隨機(jī)數(shù)；

62、保留目標(biāo)函數(shù)值最高的權(quán)重矩陣作為最優(yōu)權(quán)重矩陣；

63、s64、基于優(yōu)化后的權(quán)重矩陣和上下文語(yǔ)義關(guān)系矩陣從歷史案件語(yǔ)義特征向量集合中選取與案件語(yǔ)義特征向量集合的相似度總和最高的前k個(gè)歷史案件記錄集合：

64、；

65、其中，為優(yōu)化后的權(quán)重矩陣的元素；

66、所選取的歷史案件記錄集合包括與當(dāng)前案件在語(yǔ)義內(nèi)容和上下文邏輯上具有高關(guān)聯(lián)性的案件。

67、可選的，所述s7包括以下具體內(nèi)容：

68、s71、對(duì)歷史案件的語(yǔ)義特征向量進(jìn)行特征分解，提取對(duì)應(yīng)的線(xiàn)索特征向量集合，所述關(guān)鍵線(xiàn)索集合包括與歷史案件相關(guān)的事件描述、時(shí)間線(xiàn)索和主要人物信息；

69、s72、對(duì)歷史案件記錄集合提取的線(xiàn)索特征向量集合c進(jìn)行證據(jù)鏈生成，通過(guò)建立特征間的因果關(guān)系構(gòu)建證據(jù)鏈e：

70、；

71、其中，為線(xiàn)索特征和的因果關(guān)系強(qiáng)度函數(shù)，為因果關(guān)系強(qiáng)度閾值；

72、s73、將證據(jù)鏈e中的每條關(guān)聯(lián)關(guān)系映射至綜合案件筆錄數(shù)據(jù)的關(guān)鍵陳述節(jié)點(diǎn)集合，計(jì)算綜合案件筆錄數(shù)據(jù)與證據(jù)鏈的語(yǔ)義一致性，并對(duì)綜合案件筆錄數(shù)據(jù)的關(guān)鍵陳述進(jìn)行模式匹配，識(shí)別當(dāng)前案件與歷史案件之間的關(guān)聯(lián)模式：

73、；

74、其中，為語(yǔ)義一致性閾值，表示綜合案件筆錄數(shù)據(jù)關(guān)鍵陳述節(jié)點(diǎn)與歷史案件線(xiàn)索特征和的匹配模式；

75、s74、基于匹配到的關(guān)聯(lián)模式和證據(jù)鏈e，生成與當(dāng)前案件相關(guān)的案件比對(duì)結(jié)果數(shù)據(jù)，案件比對(duì)結(jié)果數(shù)據(jù)包括匹配到的歷史案件記錄集合、歷史案件的關(guān)鍵線(xiàn)索集合c、證據(jù)鏈e的因果關(guān)系和當(dāng)前案件綜合案件筆錄數(shù)據(jù)的匹配模式和對(duì)應(yīng)的語(yǔ)義一致性評(píng)分。

76、一種案件審訊智能輔助設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述案件審訊智能輔助方法。

77、本發(fā)明的有益效果是：

78、（1）本發(fā)明通過(guò)整合語(yǔ)音識(shí)別、計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理技術(shù)對(duì)審訊過(guò)程中采集的錄音、錄像及手動(dòng)記錄文本進(jìn)行統(tǒng)一處理，通過(guò)大語(yǔ)言模型的語(yǔ)義分析和邏輯推理功能，生成結(jié)構(gòu)化的案件筆錄，并結(jié)合生物特征數(shù)據(jù)（表情、情緒和微表情特征）對(duì)案件筆錄的關(guān)鍵陳述節(jié)點(diǎn)進(jìn)行深度標(biāo)注，實(shí)現(xiàn)了多模態(tài)數(shù)據(jù)的實(shí)時(shí)融合，大幅提高了數(shù)據(jù)處理效率，確保信息的完整性和邏輯性，為審訊過(guò)程提供了精準(zhǔn)且高效的數(shù)據(jù)支持。

79、（2）本發(fā)明采用鯨魚(yú)優(yōu)化算法對(duì)案件比對(duì)路徑進(jìn)行動(dòng)態(tài)優(yōu)化，通過(guò)對(duì)案件筆錄語(yǔ)義特征和歷史案件數(shù)據(jù)庫(kù)語(yǔ)義特征的全面分析建立案件間的語(yǔ)義關(guān)聯(lián)和邏輯關(guān)系，同時(shí)能夠有效克服傳統(tǒng)基于關(guān)鍵詞匹配的檢索方法在語(yǔ)義理解深度和效率上的不足，在大規(guī)模案件數(shù)據(jù)庫(kù)中能夠快速精準(zhǔn)地匹配出與當(dāng)前案件具有深度關(guān)聯(lián)的歷史案件記錄，從而為案件分析提供了強(qiáng)大的技術(shù)支持。

80、（3）本發(fā)明通過(guò)對(duì)匹配到的歷史案件記錄進(jìn)行深度分析，提取關(guān)鍵線(xiàn)索，并利用邏輯關(guān)系建立證據(jù)鏈，進(jìn)一步結(jié)合當(dāng)前案件綜合筆錄的關(guān)鍵陳述節(jié)點(diǎn)，生成案件模式，不僅能夠快速定位歷史案件中的核心證據(jù)，還能揭示案件之間復(fù)雜的因果關(guān)系和邏輯鏈條，為當(dāng)前案件的審訊提供全方位的參考支持，相比現(xiàn)有技術(shù)，本發(fā)明的證據(jù)鏈和模式提取方法更具邏輯性和準(zhǔn)確性，避免了信息遺漏和分析片面的問(wèn)題。