CN110720935A - 一种多维注意力专注能力评测方法 - Google Patents

一种多维注意力专注能力评测方法 Download PDF

Info

Publication number
CN110720935A
CN110720935A CN201911034961.3A CN201911034961A CN110720935A CN 110720935 A CN110720935 A CN 110720935A CN 201911034961 A CN201911034961 A CN 201911034961A CN 110720935 A CN110720935 A CN 110720935A
Authority
CN
China
Prior art keywords
data
capacity
window
reaction
attention concentration
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
CN201911034961.3A
Other languages
English (en)
Inventor
黄晶
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.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
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 Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN201911034961.3A priority Critical patent/CN110720935A/zh
Publication of CN110720935A publication Critical patent/CN110720935A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/168—Evaluating attention deficit, hyperactivity

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Developmental Disabilities (AREA)
  • Engineering & Computer Science (AREA)
  • Hospice & Palliative Care (AREA)
  • Biomedical Technology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Physics & Mathematics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Educational Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种多维注意力专注能力评测方法，涉及用户行为数据处理技术领域，为解决现有技术中利用传统临床医学手段量化评估个体专注度反应综合能力时，存在准确性低的问题，本发明在图形图像人机交互系统中获取交互数据的基础上，依据群体专注度能力各个维度分布的信息，对个体专注度综合能力进行量化，并完成智能概率评估，准确率高，本发明可用于协助并简化医护和评测专家的工作流程，提高工作效率。

Description

一种多维注意力专注能力评测方法
技术领域
本发明涉及用户行为数据处理技术领域，具体为一种多维注意力专注能力评测方法。
背景技术
专注度反应能力的评估的应用场景较多，有应用于体育训练，运动员专注能力测试，有面向儿童的测试多动症ADHD。主要评估的方法是基于量表，或者试听整合能力测试CPT(continuous performance test)，主要还是基于医生以及专家的临床经验。目前极少有智能化手段用于评测专注度反应综合能力的方法。
近些年来，大量学者在人工智能领域加快研究，各类数据算法被推荐适用于不同应用领域，用于改善和简化人工操作的流程。革命性的图形图像人机交互虚拟现实手段可以提供给人们更多的交互数据，使用这些多维度的数据可以更仔细地观察到不同人群的行为习惯和意识形态。使用图形图像虚拟现实人机交互技术结合人工智能评测算法可以用于量化评估个体专注度反应综合能力，将可以比传统临床医学手段(只凭借临床医生经验和简单统计学)提供更加精准的评价体系，并简化和优化临床的检测流程。
高斯分布又称正态分布，是统计学上一个不可或缺的手段，经常用于展示自然社会科学中产生的随机变量。贝叶斯模型则可以从概率学角度上，对拥有一些特征的样本进行概率分类。两者的结合可以提供医疗测评更为精准的评价体系，并可以让专家和使用者更为直观地了解生理交互数据，降低使用者评价工作难度。
发明内容
本发明的目的是：针对现有技术中利用传统临床医学手段量化评估个体专注度反应综合能力时，存在准确性低的问题，提供一种多维注意力专注能力评测方法。
本发明为了解决上述技术问题采取的技术方案是：
一种多维注意力专注能力评测方法，包括以下步骤：
步骤一：构建交互场景；
步骤二：在交互场景中对待测目标进行测试；
步骤三：按照数据维度，在测试过程中采集维度数据，并对每个维度的数据进行统计计算；
步骤四：将数据输入模型，得到评估结果；
所述步骤四中模型执行如下操作：
步骤四一：判断待测数据是否具有标签，无标签执行步骤二，有标签执行步骤三；
步骤四二：对不同测试者提供测试等级报告，在已收集的大样本中建立参数等级模型，然后将人群分成n个等级，利用k-means分类法得到测试者的最终等级；
步骤四三：首先利用基于多元高斯分布的群体样本贝叶斯检测算法，并利用极大似然估计得到每种类别参数的分布，最后使用混合模型预测概率分类，每个样本拥有x1,x2,…,xm种特征，专家定义n种分类等级标签，该样本划分到类yk的概率为
Figure BDA0002251235330000021
然后引入高斯模型，即
Figure BDA0002251235330000022
测试样本的综合级别为
P＝maxi＝1…nP(yi|x1,x2,…,xm)，
其中，u为高斯分布的尺度参数方差，σ为位置参数，所述特征为各个维度的能力，皆为均一化以后的连续数据。
进一步的，所述k-means分类法包括建模和评估，所述建模包括以下步骤：
首先在将数据进行归一化处理，并对数据做normalization同一均一化处理，处理后数据保持单调递增；然后使用kmeans算法，按等级单调递增方式随机生成n个中心点ci，即数值个数等同于x|x1,x2,…,xm的向量分成n个cluster群，ci通过将每个数据输入寻找最接近的中心点并归入ci中心的群，再根据群内所有的样本更新计算ci这个中心点的坐标值，并通过循环计算出n个群的中心点ci的最终坐标值。
进一步的，所述评估的步骤为：根据测试者的结果参数x|x1,x2,…,xm，计算其与n组中心点ci的距离，最近的群落则是该测试者的等级。
进一步的，所述评估的步骤为：根据测试者的结果参数x|x1,x2,…,xm，计算其与n组中心点ci的距离，最近的群落则是该测试者的等级。
进一步的，所述各个维度的能力包括反应能力、认知判断能力、持续能力、空间专注能力和抗干扰能力，所述抗干扰能力根据干扰阶段，反应时和正确率利用z-score做均一化处理后得到。
进一步的，所述反应能力的公式为：
Figure BDA0002251235330000023
均一化处理的后的个体反应能力：
Figure BDA0002251235330000024
其中μ是均值，σ则是方差,i是个体的标签。
进一步的，所述认知判断能力利用正确率得到，个体正确率为
Figure BDA0002251235330000025
然后利用正确反应信号样本数除以整体反应信号个数，之后利用z-score做均一化处理得到认知判断能力，其中，m是反应的个数。
进一步的，所述持续能力利用窗口反应迟缓个数和窗口正确率得到，具体步骤如下：
首先定义窗口大小k，
窗口反应迟缓个数：
Figure BDA0002251235330000031
是单次反应时间，tε是单次信号反应迟缓标准参数，H(x)则是单位阶跃函数；
窗口正确率：
Figure BDA0002251235330000032
当窗口正确率ck<∈时或者窗口反应迟缓个数n超过则该时间点定义为持续时间点ct，之后利用z-score做均一化处理,其值为持续能力，其中，k是窗口大小，i是遍历窗口的系数。
进一步的，所述空间专注能力利用眼动距离dist得到，其公式为：
Figure BDA0002251235330000034
之后利用z-score对nd做均一化处理，得到空间专注能力，其中，rmax为最大眼动半径。
进一步的，所述交互场景包括正信号、负信号、视觉信号、听觉信号和干扰信号，在交互场景中对待测目标进行测试包括视觉阶段、听觉阶段和试听混合阶段，所述测试时长为10-20分钟。
本发明的有益效果是：本发明在图形图像人机交互系统中获取交互数据的基础上，依据群体专注度能力各个维度分布的信息，对个体专注度综合能力进行量化，并完成智能概率评估，准确率高，本发明可用于协助并简化医护和评测专家的工作流程，提高工作效率。
附图说明
图1为本发明的原理图。
具体实施方式
具体实施方式一：参照图具体说明本实施方式，本实施方式所述的一种多维注意力专注能力评测方法，包括以下步骤：
步骤一：构建交互场景；
步骤二：在交互场景中对待测目标进行测试；
步骤三：按照数据维度，在测试过程中采集维度数据，并对每个维度的数据进行统计计算；
步骤四：将数据输入模型，得到评估结果；
所述步骤四中模型执行如下操作：
步骤四一：判断待测数据是否具有标签，无标签执行步骤二，有标签执行步骤三；
步骤四二：对不同测试者提供测试等级报告，在已收集的大样本中建立参数等级模型，然后将人群分成n个等级，利用k-means分类法得到测试者的最终等级；
步骤四三：首先利用基于多元高斯分布的群体样本贝叶斯检测算法，并利用极大似然估计得到每种类别参数的分布，最后使用混合模型预测概率分类，每个样本拥有x1,x2,…,xm种特征，专家定义n种分类等级标签，该样本划分到类yk的概率为
Figure BDA0002251235330000041
然后引入高斯模型，即
Figure BDA0002251235330000042
测试样本的综合级别为
P＝maxi＝1…nP(yi|x1,x2,…,xm)，
其中，u为高斯分布的尺度参数方差，σ为位置参数。
本发明在图形图像人机交互系统(包括虚拟现实系统)中获取交互数据的基础上，依据群体专注度能力各个维度分布的信息，对个体专注度综合能力进行量化，并完成智能概率评估，该方法可用于协助并简化医护和评测专家的工作流程，优化工作效率。
为使用上述方案，本发明需要使用一些交互硬件设备，包括基本方法使用简化版本方案，使用带显示器(图形图像显示)的有交互输入(键盘和鼠标)的电脑；虚拟现实方案，使用VR虚拟现实头部显示器(HMD)及其交互手柄；选配数据采集，可使用眼动，脑电EEG，心率ECG数据采集设备。
本发明的技术方案需要按标准制作图像交互场景，以下是对场景标准的描述：
1)根据感知能力，场景中包含两种类型的信号：视觉信号，听觉信号。例如，狗的样子是视觉信号，狗的声音是听觉信号。
2)根据判断的功能，场景中分成三类信号：正信号，负信号，干扰信号。例如，我们设定场景里有一群动物的信号，狗是正信号，其他动物是负信号。在场景展示过程中，当某一信号在展示位出现时，使用者需要判断该信号是正信号或是负信号。在场景展示过程中，在非展示位会出现额外的干扰信号，例如飞鸟飞过，用于干扰使用者的专注程度，影响判断。展示位可在一定范围内移动。
3)场景根据需求分成多个阶段：例如，视觉阶段，听觉阶段，试听混合阶段，远程干扰阶段，近程干扰阶段(视觉干扰和听觉干扰)等，可用于产生评估不同能力的数据。
4)场景的总时长介于：10-20分钟之间。如有需要可以包括引导场景用于介绍使用说明，评估训练正式场景则是正式场景。所有场景全程采集数据。
本发明使用的数据包括：
1)反应时tr：当信号展现后，使用者做出反应的时间，单次最长反应时为单个信号的时间tmax。
2)信号标签ls和反应标签lr：信号标签是给出的信号，反应标签是判断的信号，两者比对可以获知是否判断正确；同样的，如果没有反应，则产生漏报反应标签，根据统计学的要求会产生四种信号：True Positive(TP),False Positive(FP),True Negative(TN),False Negative(FN)。
3)展示位坐标p：当信号产生时，展示位所处的位置坐标。可记录连续的展示位轨迹。
4)眼动坐标peye：当信号产生时，眼动观察的位置坐标。可记录连续的眼动轨迹。
5)眼动距离dist：展示位上的信号与眼动观察点的距离。
6)评估专家的标签数据：专家根据观察以及参考数据，打给使用者n等级诊断标签，例如1-5级别。
计算各个维度的能力(均一化处理)
根据群体样本获得的原始数据，本发明计算使用者的专注度反应的多维度能力：包括反应能力a，认知判断能力b，持续能力c，空间专注能力d，抗干扰能力e等，以及各个维度在群体样本中的分布情况。以下是计算的方案：
总计有n人作为群体样本完成测试，获得n组数据。
每个使用者，需要完成m组反应，单个反应最长时间为tmax，这里设置为1.5秒一次最大单次反应边际时长。
a)反应能力a：利用反应时计算反应能力
个体反应时：
个体反应能力：
Figure BDA0002251235330000052
根据群体样本，z-score均一化处理的后的个体反应能力是
Figure BDA0002251235330000053
其中μ是均值，σ则是方差,i是个体的标签。根据z-score标准分数的计算，可以将单体反应能力分成8档。高于0，则反应能力高于平均能力，低于0，则反应能力低于平均能力，m是反应的个数，比如总显示动物信号个数。
b)认知判断能力b：利用正确率计算认知判断能力。
个体正确率计算：
Figure BDA0002251235330000061
正确样本数除以整体样本数
之后利用z-score做均一化处理，参考反应能力计算方法。
本申请中所述的正确率为做对的判断占总体判断的个数，例如游戏用户需要根据听到的声音看到的东西快速做出选择，选错就是记录下一个错，做对的记录一个对，然后根据选对的占总数的百分比作为正确率。
c)持续能力c：利用窗口反应迟缓个数和窗口正确率计算持续能力
定义窗口大小k，
窗口反应迟缓个数：
Figure BDA0002251235330000062
是单次反应时间，tε是单次信号反应迟缓标准参数，用于判断反应是否迟缓，H(x)则是单位阶跃函数(unit step function)。
窗口正确率：
Figure BDA0002251235330000063
当窗口正确率ck<∈时(例如∈＝50％)或者窗口反应迟缓个数n超过
Figure BDA0002251235330000064
则该时间点定义为持续时间点ct。之后利用z-score做均一化处理,其值为持续能力c，k是窗口大小，i是遍历窗口的系数，窗口就是比如说我们计算的窗口为10，则我会计算当前10个反应里面，其中正确的个数n_correct。
d)空间专注能力d:利用眼动距离dist计算空间能力
Figure BDA0002251235330000065
利用z-score对nd做均一化处理，计算所得为标准化空间专注能力，H为单位阶跃函数r_rmax则是人为定义的参数最大眼动半径，当眼动距离超出一定范围了这个值就是0不然就是1这个是H函数的作用所以越少超出范围值越高。
e)抗干扰能力e：根据干扰阶段，反应时和正确率计算抗干扰能力。使用z-score做均一化处理。
评估专注度反应综合能力
本发明算法方案：
对专注度反应综合能力的评级评估：
无标签方案：对不同专注度测试者提供测试等级报告，在已收集的大样本中建立参数等级模型，无需专家给定标签。我们将人群分成n个等级，使用k-means分类算法：该算法分成建模和评估两部分：
建模阶段，先在前期数据归一化处理，每个数据参数的向量数据等级变化不一样，需要根据经验对数据做normalization同一均一化处理，处理后数据需要保持单调递增；然后使用基本的kmeans算法，按等级单调递增方式随机生成n个中心点ci(数值个数等同于x|x1,x2,…,xm的向量)分成n个cluster群，ci通过将每个数据输入寻找最接近的中心点并归入ci中心的群，再根据群内所有的样本更新计算ci这个中心点的坐标值，并通过循环计算出n个群的中心点ci的最终坐标值。(具体参考kmeans算法[7])。
评估阶段：直接根据使用者的结果参数x|x1,x2,…,xm，计算其与n组中心点ci的距离，最近的群落则是该使用者的等级。
有标签方案：专家在测试数据收集阶段对测试者的反应人为打分，提供分类标签。
使用基于多元高斯分布的群体样本贝叶斯检测算法：利用极大似然估计来得到每种类别参数的分布，最后使用混合模型预测概率分类。如果每个样本拥有x1,x2,…,xm种特征，专家定义n种分类等级标签，将该样本划分到类yk的可能性为
Figure BDA0002251235330000071
在本发明专利中，所用特征为各个维度的能力，皆为均一化以后的连续数据，每种特征都是连续且符合高斯分布，可以引入高斯模型，也就是
Figure BDA0002251235330000072
该使用者样本的综合级别可以通过计算所有类别的概率求P＝maxi＝1…nP(yi|x1,x2,…,xm)获得最大概率的那个类,该方法解决了评估分数等级，同时提供了该等级的概率(说明：如果n＝2，则是判断是否有注意力的问题，并提供注意力问题的概率)。
需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。

Claims (10)

1.一种多维注意力专注能力评测方法，其特征在于包括以下步骤：
步骤一：构建交互场景；
步骤二：在交互场景中对待测目标进行测试；
步骤三：按照数据维度，在测试过程中采集维度数据，并对每个维度的数据进行统计计算；
步骤四：将数据输入模型，得到评估结果；
所述步骤四中模型执行如下操作：
步骤四一：判断待测数据是否具有标签，无标签执行步骤二，有标签执行步骤三；
步骤四二：对不同测试者提供测试等级报告，在已收集的大样本中建立参数等级模型，然后将人群分成n个等级，利用k-means分类法得到测试者的最终等级；
步骤四三：首先利用基于多元高斯分布的群体样本贝叶斯检测算法，并利用极大似然估计得到每种类别参数的分布，最后使用混合模型预测概率分类，每个样本拥有x1，x2，...，xm种特征，专家定义n种分类等级标签，该样本划分到类yk的概率为
Figure FDA0002251235320000011
然后引入高斯模型，即
Figure FDA0002251235320000012
测试样本的综合级别为
P＝maxi＝1...nP(yi|x1，x2，...，xm)，
其中，u为高斯分布的尺度参数方差，σ为位置参数，所述特征为各个维度的能力，皆为均一化以后的连续数据。
2.根据权利要求1所述的一种多维注意力专注能力评测方法，其特征在于：所述k-means分类法包括建模和评估，所述建模包括以下步骤：
首先在将数据进行归一化处理，并对数据做normalization同一均一化处理，处理后数据保持单调递增；然后使用kmeans算法，按等级单调递增方式随机生成n个中心点ci，即数值个数等同于x|x1，x2，...，xm的向量分成n个cluster群，ci通过将每个数据输入寻找最接近的中心点并归入ci中心的群，再根据群内所有的样本更新计算ci这个中心点的坐标值，并通过循环计算出n个群的中心点ci的最终坐标值。
3.根据权利要求2所述的一种多维注意力专注能力评测方法，其特征在于：所述评估的步骤为：根据测试者的结果参数x|x1，x2，...，xm，计算其与n组中心点ci的距离，最近的群落则是该测试者的等级。
4.根据权利要求1所述的一种多维注意力专注能力评测方法，其特征在于：所述数据维度包括反应时tr、反应时tr、反应标签lr、展示位坐标p、眼动坐标peye、眼动距离dist和评估专家的标签数据。
5.根据权利要求1所述的一种多维注意力专注能力评测方法，其特征在于：所述各个维度的能力包括反应能力、认知判断能力、持续能力、空间专注能力和抗干扰能力，所述抗干扰能力根据干扰阶段，反应时和正确率利用z-score做均一化处理后得到。
6.根据权利要求5所述的一种多维注意力专注能力评测方法，其特征在于：所述反应能力的公式为：
Figure FDA0002251235320000021
z-score均一化处理的后的个体反应能力：
Figure FDA0002251235320000022
其中μ是均值，σ则是方差，i是个体的标签。
7.根据权利要求5所述的一种多维注意力专注能力评测方法，其特征在于：所述认知判断能力利用正确率得到，个体正确率为
Figure FDA0002251235320000023
然后利用正确反应信号样本数除以整体反应信号个数，之后利用z-score做均一化处理得到认知判断能力，其中，m是反应的个数。
8.根据权利要求5所述的一种多维注意力专注能力评测方法，其特征在于：所述持续能力利用窗口反应迟缓个数和窗口正确率得到，具体步骤如下：
首先定义窗口大小k，
窗口反应迟缓个数：
Figure FDA0002251235320000024
Figure FDA0002251235320000028
是单次反应时间，tε是单次信号反应迟缓标准参数，H(x)则是单位阶跃函数；
窗口正确率：
Figure FDA0002251235320000025
当窗口正确率ck＜∈时或者窗口反应迟缓个数n超过
Figure FDA0002251235320000026
则该时间点定义为持续时间点ct，之后利用z-score做均一化处理，其值为持续能力，其中，k是窗口大小，i是遍历窗口的系数。
9.根据权利要求5所述的一种多维注意力专注能力评测方法，其特征在于：所述空间专注能力利用眼动距离dist得到，其公式为：
之后利用z-score对nd做均一化处理，得到空间专注能力，其中，rmax为最大眼动半径。
10.根据权利要求1所述的一种多维注意力专注能力评测方法，其特征在于：所述交互场景包括正信号、负信号、视觉信号、听觉信号和干扰信号，在交互场景中对待测目标进行测试包括视觉阶段、听觉阶段和试听混合阶段，所述测试时长为10-20分钟。
CN201911034961.3A 2019-10-29 2019-10-29 一种多维注意力专注能力评测方法 Pending CN110720935A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911034961.3A CN110720935A (zh) 2019-10-29 2019-10-29 一种多维注意力专注能力评测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911034961.3A CN110720935A (zh) 2019-10-29 2019-10-29 一种多维注意力专注能力评测方法

Publications (1)

Publication Number Publication Date
CN110720935A true CN110720935A (zh) 2020-01-24

Family

ID=69222336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911034961.3A Pending CN110720935A (zh) 2019-10-29 2019-10-29 一种多维注意力专注能力评测方法

Country Status (1)

Country Link
CN (1) CN110720935A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111227849A (zh) * 2020-02-11 2020-06-05 杭州同绘科技有限公司 一种基于vr的注意力评估系统及评估方法
CN112891164A (zh) * 2021-01-13 2021-06-04 浙江工业大学 一种虚拟现实环境下的弱视康复训练专注度评估方法
CN113239194A (zh) * 2021-04-30 2021-08-10 中国航空工业集团公司西安飞机设计研究所 专利评议方法、系统、存储介质和电子设备
CN116138780A (zh) * 2022-12-30 2023-05-23 北京视友科技有限责任公司 一种学生注意力评价方法、终端及计算机可读存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003075762A1 (en) * 2002-03-11 2003-09-18 Adhd Solutions Ltd. A method and system for diagnosis and treatment of adhd and add.
US20030233032A1 (en) * 2002-02-22 2003-12-18 Teicher Martin H. Methods for continuous performance testing
US20150073294A1 (en) * 2012-03-30 2015-03-12 Agency for Science, Technology Research Method for assessing the treatment of attention-deficit/hyperactivity disorder
CN107224291A (zh) * 2017-05-27 2017-10-03 西南交通大学 调度员能力测试系统
CN107239895A (zh) * 2017-05-27 2017-10-10 西南交通大学 用于持续性注意力考核的方法及系统
CN107730835A (zh) * 2017-11-14 2018-02-23 吉林大学 一种基于应激反应能力的汽车驾驶员疲劳识别方法
WO2018097204A1 (ja) * 2016-11-22 2018-05-31 国立研究開発法人宇宙航空研究開発機構 注意力低下状態の推定のためのシステム、方法、プログラム、及びプログラムを記憶した記憶媒体
CN108348181A (zh) * 2015-07-31 2018-07-31 艾腾媞乌有限责任公司 用于监测和提高注意力的方法和系统
CN109044374A (zh) * 2018-07-19 2018-12-21 杭州心景科技有限公司 整合视听连续执行测试方法、装置及系统
CN109976530A (zh) * 2019-04-08 2019-07-05 贵州大学 一种vr系统认知负荷量化评估方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030233032A1 (en) * 2002-02-22 2003-12-18 Teicher Martin H. Methods for continuous performance testing
WO2003075762A1 (en) * 2002-03-11 2003-09-18 Adhd Solutions Ltd. A method and system for diagnosis and treatment of adhd and add.
US20150073294A1 (en) * 2012-03-30 2015-03-12 Agency for Science, Technology Research Method for assessing the treatment of attention-deficit/hyperactivity disorder
CN108348181A (zh) * 2015-07-31 2018-07-31 艾腾媞乌有限责任公司 用于监测和提高注意力的方法和系统
WO2018097204A1 (ja) * 2016-11-22 2018-05-31 国立研究開発法人宇宙航空研究開発機構 注意力低下状態の推定のためのシステム、方法、プログラム、及びプログラムを記憶した記憶媒体
CN107224291A (zh) * 2017-05-27 2017-10-03 西南交通大学 调度员能力测试系统
CN107239895A (zh) * 2017-05-27 2017-10-10 西南交通大学 用于持续性注意力考核的方法及系统
CN107730835A (zh) * 2017-11-14 2018-02-23 吉林大学 一种基于应激反应能力的汽车驾驶员疲劳识别方法
CN109044374A (zh) * 2018-07-19 2018-12-21 杭州心景科技有限公司 整合视听连续执行测试方法、装置及系统
CN109976530A (zh) * 2019-04-08 2019-07-05 贵州大学 一种vr系统认知负荷量化评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
THOMAS V. WIECKI 等: "《Model-Based Cognitive Neuroscience Approaches to Computational Psychiatry: Clustering and Classification》", 《CLINICAL PSYCHOLOGICAL SCIENCE》 *
刘家锋等: "《模式识别》", 31 August 2014 *
田国强等: "连续操作测验检测持续性注意功能", 《中国临床神经科学》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111227849A (zh) * 2020-02-11 2020-06-05 杭州同绘科技有限公司 一种基于vr的注意力评估系统及评估方法
CN112891164A (zh) * 2021-01-13 2021-06-04 浙江工业大学 一种虚拟现实环境下的弱视康复训练专注度评估方法
CN113239194A (zh) * 2021-04-30 2021-08-10 中国航空工业集团公司西安飞机设计研究所 专利评议方法、系统、存储介质和电子设备
CN116138780A (zh) * 2022-12-30 2023-05-23 北京视友科技有限责任公司 一种学生注意力评价方法、终端及计算机可读存储介质
CN116138780B (zh) * 2022-12-30 2023-08-08 北京视友科技有限责任公司 一种学生注意力评价方法、终端及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN110720935A (zh) 一种多维注意力专注能力评测方法
Ottley et al. Improving Bayesian reasoning: The effects of phrasing, visualization, and spatial ability
US7580742B2 (en) Using electroencephalograph signals for task classification and activity recognition
Hu et al. Fixationnet: Forecasting eye fixations in task-oriented virtual environments
Lameski et al. Suppression of intensive care unit false alarms based on the arterial blood pressure signal
CN113729710A (zh) 一种融合多生理模态的实时注意力评估方法及系统
Bruce et al. Skeleton-based human action evaluation using graph convolutional network for monitoring Alzheimer’s progression
Acharya et al. An enhanced fitness function to recognize unbalanced human emotions data
Alqaysi et al. Hybrid diagnosis models for autism patients based on medical and sociodemographic features using machine learning and multicriteria decision-making (MCDM) techniques: an evaluation and benchmarking framework
Huang et al. Virtual reality for training and fitness assessments for construction safety
CN113558634A (zh) 一种数据监测方法、装置、电子设备和存储介质
Klami Inferring task-relevant image regions from gaze data
CN111738234B (zh) 基于个体眼动特征的自动化共情能力识别方法
Salehi et al. Innovative Cybersickness Detection: Exploring Head Movement Patterns in Virtual Reality
Yan et al. Topological Nonlinear Analysis of Dynamical Systems in Wearable Sensor-Based Human Physical Activity Inference
CN112396114A (zh) 一种测评系统、测评方法及相关产品
Su RETRACTED: Target detection algorithm and data model optimization based on improved Gaussian mixture model
de Moraes et al. Assessment based on naive bayes for training based on virtual reality
Li et al. A benchmarking framework for eye-tracking-based vigilance prediction of vessel traffic controllers
Zhang et al. Technical Optimization of Physical Fitness and Mental Health Monitoring System under the Background of Big Data
Li et al. Evaluating focused attention level using mouse operation data
Ying et al. Research on screening of empathy information based on image recognition and data mining
CN115862815B (zh) 人机工效测试与训练方法、系统、设备以及可读存储介质
Hamilton-Wright et al. Clinical characterization of electromyographic data using computational tools
CN106845546A (zh) 一种基于bfba和elm的乳腺x射线图像特征选择方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200124

RJ01 Rejection of invention patent application after publication