CN109192311A - 睡眠评估方法、装置、终端设备及存储介质 - Google Patents

睡眠评估方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN109192311A
CN109192311A CN201810947610.0A CN201810947610A CN109192311A CN 109192311 A CN109192311 A CN 109192311A CN 201810947610 A CN201810947610 A CN 201810947610A CN 109192311 A CN109192311 A CN 109192311A
Authority
CN
China
Prior art keywords
evaluation
test
answer
client
assessment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810947610.0A
Other languages
English (en)
Inventor
刘恩平
高锋
王胜祥
陈家达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Top Quality Sleep Health Industry Co Ltd
Original Assignee
Guizhou Top Quality Sleep Health Industry Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guizhou Top Quality Sleep Health Industry Co Ltd filed Critical Guizhou Top Quality Sleep Health Industry Co Ltd
Priority to CN201810947610.0A priority Critical patent/CN109192311A/zh
Publication of CN109192311A publication Critical patent/CN109192311A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Neurology (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明实施例提供的一种睡眠评估方法、装置、终端设备及存储介质，方法包括：响应客户端根据睡眠评估系统主页面发送的评测列表获取请求，返回评测列表给客户端；响应客户端根据评测列表中评测项目发送的测试请求，返回该评测项目对应的测试题表给客户端；接收客户端根据测试题表上传的答题表，并对答题表进行量化，进一步将量化后的答题表输入训练好的NN神经网络进行得分评估，并输出评估报告，以将评估报告返回给客户端。相比于现有依赖传感器和处理器进行简单处理从而获得睡眠质量评估的方法，本发明采用自身感知评测和人工智能相结合，能提高睡眠质量评估的准确性。

Description

睡眠评估方法、装置、终端设备及存储介质
技术领域
本发明涉及睡眠监测技术领域，尤其涉及一种睡眠评估方法、装置、终端设备及存储介质。
背景技术
合理的生活方式是确保人体健康的关键因素，是预防多种生理及心理疾病的有效方法。生活方式一般体现在人的饮食、运动量及睡眠上。目前，针对饮食及运动量的智能评估方法有很多种，例如通过膳食调查与评估系统进行饮食评估，通过智能手环进行运动量评估，但对睡眠质量的评估却缺乏行之有效的手段。
为解决睡眠质量的评估问题，现有技术中，通常采用加速传感器监测人体在睡眠状态下的身体运动为睡眠监测参数，进行睡眠评估，或是采用压力传感器进行心率、呼吸率的监听，从而进行睡眠评估。上述睡眠评估方法依赖于传感器和处理器进行简单的逻辑处理，但事实上，由于睡眠习惯及人体体质的复杂性和特殊性，使得用户难以仅仅依靠身体体验，来确切感知上述评估方法是否真正满足自身对睡眠质量进行评估的目的。
发明内容
本发明实施例提出一种睡眠评估方法，采用自身感知评测和人工智能相结合，提高睡眠质量评估的准确性。
本发明实施例提供一种睡眠评估方法，包括：
响应客户端根据睡眠评估系统主页面发送的评测列表获取请求，返回评测列表给所述客户端；
响应所述客户端根据所述评测列表中评测项目发送的测试请求，返回该评测项目对应的测试题表给所述客户端；
接收所述客户端根据所述测试题表上传的答题表，并对所述答题表进行量化，进一步将量化后的答题表输入训练好的NN神经网络进行得分评估，并输出评估报告，以将所述评估报告返回给所述客户端。
进一步，所述对所述答题表进行量化，具体为：
采用矩阵稀疏编码方式对所述答题表中的每一道题目均进行量化处理，得到所述答题表对应的编码矩阵。
进一步，所述NN神经网络包括输入层、隐藏层和输出层；其中，
所述输入层输入的是经过量化的答题表的答案数据；
所述隐藏层采用三层结构，内置若干神经单元，用于自主学习和对所述答案数据进行评估分析；
所述输出层输出的是所述答题表的得分结果，即评估报告。
进一步，所述NN神经网络采用深度学习神经网络进行模型训练，具体的，采用多层NN网络对评测列表中各个评测项目的测试题表的得分机制进行训练，并将训练结果用于拟合现有的评估得分公式，进一步地，根据拟合结果对所述得分机制进行修正。
进一步，所述睡眠评估装置包括：
Apache服务器，用于处理与验证所述客户端的评测列表获取请求，并接收所述客户端上传的答题表；
Node.js服务器，用于异步处理所述答题表的答案数据，并对所述答案数据进行二次验证；
Python服务器，用于执行答题表的AI分析，返回提供答案给所述Node.js服务器。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的一种睡眠评估方法，包括：响应客户端发送的评测列表获取请求，将评测列表发送给客户端；接收客户端上传的答题表，对答题表进行量化后，输入训练好的NN神经网络进行得分评估，并输出评估报告。相比于现有依赖传感器和处理器进行简单处理从而获得睡眠质量评估的方法，本发明采用自身感知评测和人工智能相结合，能提高睡眠质量评估的准确性。
进一步，本发明的另一个实施例提供了一种睡眠评估装置，包括：
评测列表发送模块，用于响应客户端根据睡眠评估系统主页面发送的评测列表获取请求，返回评测列表给所述客户端；
测试题表发送模块，用于响应所述客户端根据所述评测列表中评测项目发送的测试请求，返回该评测项目对应的测试题表给所述客户端；
评估报告生成模块，用于接收所述客户端根据所述测试题表上传的答题表，并对所述答题表进行量化，进一步将量化后的答题表输入训练好的NN神经网络进行得分评估，并输出评估报告，以将所述评估报告返回给所述客户端。
进一步，所述对所述答题表进行量化，具体为：
采用矩阵稀疏编码方式对所述答题表中的每一道题目均进行量化处理，得到所述答题表对应的编码矩阵。
进一步，所述NN神经网络包括输入层、隐藏层和输出层；
其中，所述输入层输入的是经过量化的答题表的答案数据；
所述隐藏层采用三层结构，内置若干神经单元，用于自主学习和对所述答案数据进行评估分析；
所述输出层输出的是所述答题表的得分结果，即评估报告。
进一步，所述NN神经网络采用深度学习神经网络进行模型训练，具体的，采用多层NN网络对评测列表中各个评测项目的测试题表的得分机制进行训练，并将训练结果用于拟合现有的评估得分公式，进一步地，根据拟合结果对所述得分机制进行修正。
进一步，本发明实施例还提供一种睡眠评估终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1到5任一项所述的睡眠评估方法。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的一种睡眠评估方法、装置、终端设备及存储介质，所述方法包括：响应客户端发送的评测列表获取请求，将评测列表发送给客户端；接收客户端上传的答题表，对答题表进行量化后，输入训练好的NN神经网络进行得分评估，并输出评估报告。相比于现有依赖传感器和处理器进行简单处理从而获得睡眠质量评估的方法，本发明采用自身感知评测和人工智能相结合，能提高睡眠质量评估的准确性。
附图说明
图1是本发明提供的睡眠评估方法的一种实施例的流程示意图；
图2是本发明提供的睡眠评估方法的另一种实施例的流程示意图；
图3是本发明提供的睡眠评估方法的又一种实施例的流程示意图；
图4是本发明提供的睡眠评估装置的一种实施例的结构示意图；
图5是本发明提供的多层NN网络的一种实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-3。
参见图1，是本发明提供的睡眠评估方法的一种实施例的流程示意图，如图1所示，该诊断方法包括步骤S11至步骤S13。各步骤具体如下：
步骤S11：响应客户端根据睡眠评估系统主页面发送的评测列表获取请求，返回评测列表给所述客户端。
步骤S12：响应所述客户端根据评测列表中评测项目发送的测试请求，返回该评测项目对应的测试题表给客户端。
步骤S13：接收客户端根据测试题表上传的答题表，并对答题表进行量化，进一步将量化后的答题表输入训练好的NN神经网络进行得分评估，并输出评估报告，以将评估报告返回给客户端。
在本实施例中，步骤S11具体为：响应客户端通过Http通信向睡眠评估系统发起的评测列表获取请求，并返回评测列表给客户端，以使客户端将清册列表展示给用户进行作答。
在本实施例中，客户端有两种展现方式，分别为Windows软件与浏览器软件。
在本实施例中，睡眠评估系统为WEB服务器，包括：Apache服务器，用于处理与验证客户端的评测列表获取请求，并接收客户端上传的答题表。Node.js服务器，用于异步处理答题表的答案数据，并对答案数据进行二次验证。Python服务器，用于执行答题表的AI分析，返回提供答案给Node.js服务器。
在本实施例中，评测列表按类别分为精神状态评估类、生活习惯评估类、婴幼儿调差类、睡眠时长类等评测类别。客户端根据用户选择的不同的评测类别中的评测列表，向WEB服务器发起对应的评测列表获取请求。
在本实施例中，步骤S12具体为：WEB服务器响应客户端发送的抑郁症筛查评测列表测试请求，返回该抑郁症筛查评测列表对应的抑郁症测试题表给客户端，供用户进行自我测评。
在本实施例中，步骤S13具体为：WEB服务器接收客户端根据抑郁症测试题表上传的抑郁症测试题答题表，对该抑郁症测试题答题表中的每一道题目采用9×4矩阵稀疏编码方式进行量化，并将量化后的答题表输入训练完成的NN神经网络进行识别处理，输出评估分数，即评估报告到客户端。
在本实施例中，NN神经网络包括输入层、隐藏层和输出层。输入层用于输入经过量化的答题表的答案数据，如图5所示的x1、x2…xn。隐藏层采用三层结构，内置若干神经单元，用于自主学习和对答案数据进行评估分析。输出层用于输出答题表的得分结果，即评估报告。
在本实施例中，NN神经网络采用深度学习神经网络进行模型训练。具体的，NN神经网络对评测列表中各个评测项目的测试题表的得分机制进行训练，并将训练结果拟合现有的评估得分公式，根据拟合结果对得分机制进行修正，直至NN神经网络的评估得分与现有的评估得分公式比较，误差低于0.001％，则停止NN神经网络的网络训练。
请参阅图4。
进一步，参见图4，是本发明提供的睡眠评估装置的一种实施例的结构示意图。如图4所示，该结构包括：
评测列表发送模块101，用于响应客户端根据睡眠评估系统主页面发送的评测列表获取请求，返回评测列表给所述客户端。
在本实施例中，评测列表发送模块101用于使睡眠评估系统响应客户端通过Http通信向睡眠评估系统发起的评测列表获取请求，并返回评测列表给客户端，以使客户端将清册列表展示给用户进行作答。
在本实施例中，客户端有两种展现方式，分别为Windows软件与浏览器软件。
在本实施例中，睡眠评估系统为WEB服务器，包括：Apache服务器，用于处理与验证客户端的评测列表获取请求，并接收客户端上传的答题表。Node.js服务器，用于异步处理答题表的答案数据，并对答案数据进行二次验证。Python服务器，用于执行答题表的AI分析，返回提供答案给Node.js服务器。
在本实施例中，评测列表按类别分为精神状态评估类、生活习惯评估类、婴幼儿调差类、睡眠时长类等评测类别。客户端根据用户选择的不同的评测类别中的评测列表，向WEB服务器发起对应的评测列表获取请求。
测试题表发送模块102，用于响应所述客户端根据评测列表中评测项目发送的测试请求，返回该评测项目对应的测试题表给客户端。
在本实施例中，测试题表发送模块102用于使WEB服务器响应客户端发送的抑郁症筛查评测列表测试请求，返回该抑郁症筛查评测列表对应的抑郁症测试题表给客户端，供用户进行自我测评。
评估报告生成模块103，用于接收客户端根据测试题表上传的答题表，并对答题表进行量化，进一步将量化后的答题表输入训练好的NN神经网络进行得分评估，并输出评估报告，以将评估报告返回给客户端。
在本实施例中，评估报告生成模块103用于使WEB服务器接收客户端根据抑郁症测试题表上传的抑郁症测试题答题表，对该抑郁症测试题答题表中的每一道题目采用9×4矩阵稀疏编码方式进行量化，并将量化后的答题表输入训练完成的NN神经网络进行识别处理，输出评估分数，即评估报告到客户端。
在本实施例中，NN神经网络包括输入层、隐藏层和输出层。输入层用于输入经过量化的答题表的答案数据，如图5所示的x1、x2…xn。隐藏层采用三层结构，内置若干神经单元，用于自主学习和对答案数据进行评估分析。输出层用于输出答题表的得分结果，即评估报告。
在本实施例中，NN神经网络采用深度学习神经网络进行模型训练。具体的，NN神经网络对评测列表中各个评测项目的测试题表的得分机制进行训练，并将训练结果拟合现有的评估得分公式，根据拟合结果对得分机制进行修正，直至NN神经网络的评估得分与现有的评估得分公式比较，误差低于0.001％，则停止NN神经网络的网络训练。
由上可见，本发明实施例提供的一种睡眠评估方法、装置、终端设备及存储介质，所述方法包括：响应客户端发送的评测列表获取请求，将评测列表发送给客户端；接收客户端上传的答题表，对答题表进行量化后，输入训练好的NN神经网络进行得分评估，并输出评估报告。相比于现有依赖传感器和处理器进行简单处理从而获得睡眠质量评估的方法，本发明采用自身感知评测和人工智能相结合，能提高睡眠质量评估的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种睡眠评估方法，适于在计算设备中执行，其特征在于，至少包括如下步骤：
响应客户端根据睡眠评估系统主页面发送的评测列表获取请求，返回评测列表给所述客户端；
响应所述客户端根据所述评测列表中评测项目发送的测试请求，返回该评测项目对应的测试题表给所述客户端；
接收所述客户端根据所述测试题表上传的答题表，并对所述答题表进行量化，进一步将量化后的答题表输入训练好的NN神经网络进行得分评估，并输出评估报告，以将所述评估报告返回给所述客户端。
2.根据权利要求1所述的睡眠评估方法，其特征在于，所述对所述答题表进行量化，具体为：
采用矩阵稀疏编码方式对所述答题表中的每一道题目均进行量化处理，得到所述答题表对应的编码矩阵。
3.根据权利要求1所述的睡眠评估方法，其特征在于，所述NN神经网络包括输入层、隐藏层和输出层；其中，
所述输入层输入的是经过量化的答题表的答案数据；
所述隐藏层采用三层结构，内置若干神经单元，用于自主学习和对所述答案数据进行评估分析；
所述输出层输出的是所述答题表的得分结果，即评估报告。
4.根据权利要求1所述的睡眠评估方法，其特征在于，所述NN神经网络采用深度学习神经网络进行模型训练，具体的，采用多层NN网络对评测列表中各个评测项目的测试题表的得分机制进行训练，并将训练结果用于拟合现有的评估得分公式，进一步地，根据拟合结果对所述得分机制进行修正。
5.根据权利要求1所述的睡眠评估方法，其特征在于，所述睡眠评估系统包括：
Apache服务器，用于处理与验证所述客户端的评测列表获取请求，并接收所述客户端上传的答题表；
Node.js服务器，用于异步处理所述答题表的答案数据，并对所述答案数据进行二次验证；
Python服务器，用于执行答题表的AI分析，返回提供答案给所述Node.js服务器。
6.一种睡眠评估装置，其特征在于，包括：
评测列表发送模块，用于响应客户端根据睡眠评估系统主页面发送的评测列表获取请求，返回评测列表给所述客户端；
测试题表发送模块，用于响应所述客户端根据所述评测列表中评测项目发送的测试请求，返回该评测项目对应的测试题表给所述客户端；
评估报告生成模块，用于接收所述客户端根据所述测试题表上传的答题表，并对所述答题表进行量化，进一步将量化后的答题表输入训练好的NN神经网络进行得分评估，并输出评估报告，以将所述评估报告返回给所述客户端。
7.根据权利要求6所述的睡眠评估装置，其特征在于，所述对所述答题表进行量化，具体为：
采用矩阵稀疏编码方式对所述答题表中的每一道题目均进行量化处理，得到所述答题表对应的编码矩阵。
8.根据权利要求6所述的睡眠评估装置，其特征在于，所述NN神经网络包括输入层、隐藏层和输出层；其中，
所述输入层输入的是经过量化的答题表的答案数据；
所述隐藏层采用三层结构，内置若干神经单元，用于自主学习和对所述答案数据进行评估分析；
所述输出层输出的是所述答题表的得分结果，即评估报告。
9.根据权利要求6所述的睡眠装置，其特征在于，所述NN神经网络采用深度学习神经网络进行模型训练，具体的，采用多层NN网络对评测列表中各个评测项目的测试题表的得分机制进行训练，并将训练结果用于拟合现有的评估得分公式，进一步地，根据拟合结果对所述得分机制进行修正。
10.一种睡眠评估终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的睡眠评估方法。
CN201810947610.0A 2018-08-17 2018-08-17 睡眠评估方法、装置、终端设备及存储介质 Pending CN109192311A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810947610.0A CN109192311A (zh) 2018-08-17 2018-08-17 睡眠评估方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810947610.0A CN109192311A (zh) 2018-08-17 2018-08-17 睡眠评估方法、装置、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN109192311A true CN109192311A (zh) 2019-01-11

Family

ID=64918931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810947610.0A Pending CN109192311A (zh) 2018-08-17 2018-08-17 睡眠评估方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN109192311A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101564302A (zh) * 2009-05-25 2009-10-28 重庆科技学院 基于多源信息融合的婴儿睡眠躁动监测方法及检测系统
CN106419841A (zh) * 2016-09-13 2017-02-22 深圳市迈迪加科技发展有限公司 睡眠评估方法、装置及系统
US20170049384A1 (en) * 2014-02-19 2017-02-23 Nec Solution Innovators, Ltd. Sleep improvement support device, sleep improvement support method, sleep improvement support program, and sleep improvement support program storage medium
CN106725326A (zh) * 2016-12-28 2017-05-31 天津众阳科技有限公司 基于人体hrv测量的睡眠质量评估系统及方法
CN107595245A (zh) * 2017-08-15 2018-01-19 深圳创达云睿智能科技有限公司 一种睡眠管理方法、系统及终端设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101564302A (zh) * 2009-05-25 2009-10-28 重庆科技学院 基于多源信息融合的婴儿睡眠躁动监测方法及检测系统
US20170049384A1 (en) * 2014-02-19 2017-02-23 Nec Solution Innovators, Ltd. Sleep improvement support device, sleep improvement support method, sleep improvement support program, and sleep improvement support program storage medium
CN106419841A (zh) * 2016-09-13 2017-02-22 深圳市迈迪加科技发展有限公司 睡眠评估方法、装置及系统
CN106725326A (zh) * 2016-12-28 2017-05-31 天津众阳科技有限公司 基于人体hrv测量的睡眠质量评估系统及方法
CN107595245A (zh) * 2017-08-15 2018-01-19 深圳创达云睿智能科技有限公司 一种睡眠管理方法、系统及终端设备

Similar Documents

Publication Publication Date Title
Sanchez et al. Brain-machine interface engineering
Skarda et al. How brains make chaos in order to make sense of the world
Resing et al. Dynamic testing with tangible electronics: Measuring children's change in strategy use with a series completion task
Goodman Is mentalization a common process factor in transference-focused psychotherapy and dialectical behavior therapy sessions?
Babloyantz Chaotic dynamics in brain activity
Sternberg Isolating the components of intelligence
Dawson et al. Expert—Novice Differences in Person Perception: Evidence of Experts' Sensitivities to the Organization of Behavior
Martin Disorders of word production
Christian et al. A network investigation of core symptoms and pathways across duration of illness using a comprehensive cognitive–behavioral model of eating-disorder symptoms
Schoppik et al. Cortical mechanisms of smooth eye movements revealed by dynamic covariations of neural and behavioral responses
Krishnan A comparison of principal components analysis and factor analysis for uncovering the early development instrument (EDI) domains
Perone et al. Empirical tests of a brain‐based model of executive function development
CN110097485A (zh) 一种基于物联网的云家校系统
CN109770896A (zh) 梦境图像重现方法、装置及存储介质、服务器
Bradley et al. Characteristics of advanced-level dietetics practice: A model and empirical results
Balamurugan et al. Brain–computer interface for assessment of mental efforts in e‐learning using the nonmarkovian queueing model
Barkworth et al. Five Minute Interventions (FMI): Short-term effects of training on staff attitudes towards prisoners, motivation and ability to support rehabilitation, and job stress and satisfaction
Vertes et al. Effect of network topology on neuronal encoding based on spatiotemporal patterns of spikes
CN109192311A (zh) 睡眠评估方法、装置、终端设备及存储介质
Baldwin et al. The choice of response probability in bookmark standard setting: an experimental study
CN111243747A (zh) 一种监测身心健康状态的方法、装置及系统
CN106846960A (zh) 一种基于网络的在线学习评估系统
Böheim et al. A longitudinal study of student hand raising: Stability and reciprocal dynamics with cognitive elaboration and academic self-concept.
CN111028853A (zh) 一种口语表达力评估方法及系统
Koopman et al. Evolutionary constraints on human object perception

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination