CN110944232B - 一种监测认知行为的方法、装置及机顶盒 - Google Patents
一种监测认知行为的方法、装置及机顶盒 Download PDFInfo
- Publication number
- CN110944232B CN110944232B CN201811107713.2A CN201811107713A CN110944232B CN 110944232 B CN110944232 B CN 110944232B CN 201811107713 A CN201811107713 A CN 201811107713A CN 110944232 B CN110944232 B CN 110944232B
- Authority
- CN
- China
- Prior art keywords
- user
- top box
- determining
- behavior
- change value
- 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.)
- Active
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 55
- 238000012417 linear regression Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 15
- 230000003542 behavioural effect Effects 0.000 claims description 9
- 230000003931 cognitive performance Effects 0.000 claims description 6
- 230000003920 cognitive function Effects 0.000 abstract description 24
- 230000007423 decrease Effects 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 11
- 208000010877 cognitive disease Diseases 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 208000024827 Alzheimer disease Diseases 0.000 description 4
- 206010039966 Senile dementia Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000006999 cognitive decline Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000027061 mild cognitive impairment Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 241001112258 Moca Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 208000037821 progressive disease Diseases 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44213—Monitoring of end-user related data
- H04N21/44218—Detecting physical presence or behaviour of the user, e.g. using sensors to detect if the user is leaving the room or changes his face expression during a TV program
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/41—Structure of client; Structure of client peripherals
- H04N21/422—Input-only peripherals, i.e. input devices connected to specially adapted client devices, e.g. global positioning system [GPS]
- H04N21/42204—User interfaces specially adapted for controlling a client device through a remote control device; Remote control devices therefor
- H04N21/42206—User interfaces specially adapted for controlling a client device through a remote control device; Remote control devices therefor characterized by hardware details
- H04N21/42212—Specific keyboard arrangements
- H04N21/42213—Specific keyboard arrangements for facilitating data entry
- H04N21/42215—Specific keyboard arrangements for facilitating data entry by measuring the time interval during which a key is pressed, e.g. for inputting sequences of digits when selecting a television channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/438—Interfacing the downstream path of the transmission network originating from a server, e.g. retrieving encoded video stream packets from an IP network
- H04N21/4383—Accessing a communication channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44213—Monitoring of end-user related data
- H04N21/44222—Analytics of user selections, e.g. selection of programs or purchase activity
Landscapes
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明提供了一种监测认知行为的方法、装置及机顶盒，其方法包括：获取用户在记录周期内操作机顶盒的行为特征数据；根据行为特征数据，确定用户的行为特征的变化值；根据变化值，对用户的认知行为进行监测。本发明简便易行，不需要专业医务人员的参与以及特殊设备的购置，便于应用于用户认知功能的日常评测及认知功能减退的早期预警。此外该方法对认知功能变化的监测是随时间流逝与用户自身历史状态相比较，从而避免了个体差异的影响。
Description
技术领域
本发明涉及通信技术领域，尤其涉及一种监测认知行为的方法、装置及机顶盒。
背景技术
老年轻度认知功能障碍(Mild Cognitive Impairment，MCI)是老年性痴呆症的早期表现，随着认知功能衰退的进一步发展，一部分病人将最终演化为老年痴呆。由于老年痴呆是一种进行性疾病，具有不可逆性，目前仍不能完全治愈，因此防治老年痴呆的关键在于早期发现和早期干预。
目前最常用的认知功能障碍筛查方法主要是采用医生和病人一对一或计算机辅助，使用认知功能检查量表(如MMSE、MoCA、DRS、ADAS-cog等)要求病人回答问题或完成一定任务，最终通过得分来评价患者认知功能缺损的症状及其严重程度。此外还有通过检测病人的脑电波或者生物标志物(如RNA)来监测其认知功能。
但是目前老人认知功能监测方法的专业化依赖性强、复杂耗时，需要耗费较大的医疗资源来完成监测。而且监测结果容易受个体差异(诸如年龄组、收入水平、文化程度、健康状况等等)的影响，难以成为社区居家养老的居民自我评测的有效手段。
发明内容
本发明提供一种监测认知行为的方法、装置及机顶盒，解决了现有技术中老人认知功能监测方法专业化依赖性强、复杂耗时的问题。
本发明的实施例提供了一种监测认知行为的方法，其特征在于，包括：
获取用户操作机顶盒的行为特征数据；
根据行为特征数据，确定用户的行为特征的变化值；
根据变化值，对用户的认知行为进行监测。
可选地，根据行为特征数据，确定用户的行为特征的变化值的步骤，包括：
利用最小二乘法，确定行为特征数据的一元线性回归模型；
根据一元线性回归模型的回归系数与预设阈值的关系，确定用户的行为特征的变化值。
可选地，不同行为特征数据的一元线性回归模型对应的预设阈值不同。
可选地，行为特征数据包括以下中的至少一项：
开启机顶盒的持续时间；
电视频道切换频率；
电视频道数目；
操作机顶盒的按键事件频率；
按键事件的次数；
相关联的按键事件之间的间隔时间；
相关联的按键事件次数；
按键事件的复杂度系数；
按键事件对应的功能模块数目。
可选地，电视频道切换频率是根据电视频道数目和开启机顶盒的持续时间确定的。
可选地，按键事件频率是根据按键事件的次数和开启机顶盒的持续时间确定的。
可选地，当行为特征数据包括：相关联的按键事件之间的间隔时间和相关联的按键事件次数时，根据行为特征数据，确定用户的行为特征的变化值的步骤，包括：
利用最小二乘法，确定平均间隔时间的一元线性回归模型；其中，间隔时间是根据相关联的按键事件之间的间隔时间和相关联的按键事件次数确定的；
根据一元线性回归模型的回归系数与预设阈值的关系，确定平均间隔时间的变化值。
可选地，根据变化值，对用户的认知行为进行监测的步骤，包括：
若变化值大于或等于预设门限，则确定用户的认知行为发生功能减退。
本发明的实施例还提供了一种监测认知行为的装置，包括：
获取模块，用于获取用户操作机顶盒的行为特征数据；
第一处理模块，用于根据行为特征数据，确定用户的行为特征的变化值；
第二处理模块，用于根据变化值，对用户的认知行为进行监测。
可选地，第一处理模块包括：
第一处理子模块，用于利用最小二乘法，确定行为特征数据的一元线性回归模型；
第二处理子模块，用于根据一元线性回归模型的回归系数与预设阈值的关系，确定用户的行为特征的变化值。
可选地，不同行为特征数据的一元线性回归模型对应的预设阈值不同。
可选地，行为特征数据包括以下中的至少一项：
开启机顶盒的持续时间；
电视频道切换频率；
电视频道数目；
操作机顶盒的按键事件频率；
按键事件的次数；
相关联的按键事件之间的间隔时间；
相关联的按键事件次数；
按键事件的复杂度系数；
按键事件对应的功能模块数目。
可选地，电视频道切换频率是根据电视频道数目和开启机顶盒的持续时间确定的。
可选地，按键事件频率是根据按键事件的次数和开启机顶盒的持续时间确定的。
可选地，当行为特征数据包括：相关联的按键事件之间的间隔时间和相关联的按键事件次数时，第一处理模块还包括：
第一确定子模块，用于利用最小二乘法，确定平均间隔时间的一元线性回归模型；其中，间隔时间是根据相关联的按键事件之间的间隔时间和相关联的按键事件次数确定的；
第二确定子模块，用于根据一元线性回归模型的回归系数与预设阈值的关系，确定平均间隔时间的变化值。
可选地，第二处理模块包括：
第三处理子模块，用于若变化值大于或等于预设门限，则确定用户的认知行为发生功能减退。
本发明的实施例提供了一种机顶盒，包括：处理器；与处理器相连接的存储器，以及与处理器相连接的收发机；其中，处理器用于调用并执行存储器中所存储的程序和数据，实现上述的监测认知行为的方法的步骤。
本发明的上述技术方案的有益效果是：通过检测用户操作机顶盒过程中行为特征的长期变化值，来分析监测用户认知水平的变化趋势，并对用户认知水平的异常变化进行早期预警。该方法简便易行，不需要专业医务人员的参与以及特殊设备的购置，便于应用于用户认知功能的日常评测及认知功能减退的早期预警。此外该方法对认知功能变化的监测是随时间流逝与用户自身历史状态相比较，从而避免了个体差异的影响。
附图说明
图1表示本发明实施例的监测认知行为的方法的流程示意图；
图2表示本发明实施例的监测认知行为的装置的模块结构示意图；
图3表示本发明实施例的机顶盒的结构框图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
另外，本文中术语“系统”和“网络”在本文中常可互换使用。
在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
如图1所示，本发明的实施例提供了一种监测认知行为的方法，具体包括以下步骤：
步骤11：获取用户操作机顶盒的行为特征数据。
其中，用户可通过操作机顶盒实现对观看电视的操作，其中，行为特征数据包括多种不同类型的操作行为，在机顶盒中可内置并运行一套认知行为功能分析检测软件。具体地，可按照时间周期获取用户操作机顶盒的行为特征数据，以滚动记录用户操作电视时发生的行为特征。其中，时间周期可以为一天、一周、一月或其他时间长度，时间周期可以由用户自主设定或选择，也可由用户对时间周期进行修改。
步骤12：根据行为特征数据，确定用户的行为特征的变化值。
根据获取到的行为特征数据，确定一定时间范围内用户的行为特征的变化值。
步骤13：根据变化值，对用户的认知行为进行监测。
根据用户行为特征的变化值监测用户的认知行为，具有较强的个性化和针对性，避免了不同个体差异(如年龄组、收入水平、文化程度、健康状况等等)的影响。
其中，步骤12可以通过但不限于以下方式实现：利用最小二乘法，确定行为特征数据的一元线性回归模型；根据一元线性回归模型的回归系数与预设阈值的关系，确定用户的行为特征的变化值。其中，不同行为特征数据的一元线性回归模型对应的预设阈值可以相同也可以不同，也就是说，不同类型的操作行为对应的预设阈值可以相同也可以不同。
其中，本发明实施例中行为特征数据包括以下中的至少一项：
1、开启机顶盒的持续时间，该操作行为还可称为用户观看电视的时间(TVTime)。
2、电视频道切换频率，即用户在观看电视期间进行频道切换的次数(ChannelChangeNum)；其中，电视频道切换频率是根据电视频道数目和开启机顶盒的持续时间确定的，具体地，电视频道切换频率
3、电视频道数目，即用户在观看电视期间观看的电视频道的数目(ChannelNum)，其中，电视频道切换频率可能大于电视频道数目，例如用户有其他电视频道切换至目标电视频道的次数大于1次时，电视频道切换频率大于电视频道数目。
4、操作机顶盒的按键事件频率，这里所说的按键事件包括但不限于：开启、关闭、切换频道、调节音量、搜索节目、倒退、回看、点播等等。其中，按键事件频率是根据按键事件的次数和开启机顶盒的持续时间确定的。具体地，按键事件频率
5、按键事件的次数，即用户在观看电视期间使用遥控器操作机顶盒的按键次数(KeypressNum)。
6、相关联的按键事件之间的间隔时间，即用户在看电视期间使用遥控器操作机顶盒时相关联的按键事件间隔时间(KeypressInterval)。
7、相关联的按键事件次数，即用户在看电视期间使用遥控器操作智能机顶盒时相关联的按键事件间隔数(IntervalNum)。其中，行为特征数据还可以包括：平均时间间隔，该平均时间间隔是根据相关联的按键事件之间的间隔时间和相关联的按键事件次数。具体地，平均时间间隔
8、按键事件的复杂度系数，即用户在使用智能机顶盒过程中所操作过的功能模块的操作复杂度系数之和(FunctionComplexity)。不同功能模块操作的复杂度系数可以基于机顶盒用户界面操作的复杂性进行定义，例如，操作复杂度系数1：快捷功能模块，操作复杂度低。如节目单、节目预定等。操作复杂度系数2：主要功能模块，操作复杂度中等。如回看、点播等。操作复杂度系数3：高级功能模块，操作复杂度高。如节目搜索、选时观看等。
9、按键事件对应的功能模块数目，即用户在使用机顶盒过程中所操作过的功能模块数目(FunctionNum)。
具体地，步骤12包括：利用最小二乘法，确定至少一个行为特征数据的一元线性回归模型；根据确定出的一元线性回归模型的回归系数与对应预设阈值的关系，确定用户的这些行为特征的变化值。
例如，当行为特征数据包括开启机顶盒的持续时间和电视频道数目时，或行为数据包括电视频道切换频率时，计算电视频道切换频率及其变化趋势及幅度(频道切换频率变低可能意味着用户认知功能减退)：
记第n个时间周期Tn的频道切换频率为fcc(n)，保存最近连续m个时间周期的频道切换频率为：fcc(n-m)，fcc(n-m+1)，…，fcc(n-1)，fcc(n)。利用最小二乘法对上述时间序列数值求取一元线性回归模型：fcc(x)＝acc+bcc×x。再进一步利用bcc来判断频道切换频率的变化趋势及幅度是否超出了设定的预设阈值Bcc：
例如，当行为特征数据包括电视频道数目时，计算ChannelNum变化趋势及幅度(观看频道数目的减少可能意味着用户兴趣范围变窄，认知功能减退)：
记第n个时间周期Tn内所观看的频道数目为CN(n)，保存最近连续m个时间周期的频道数目为：CN(n-m)，CN(n-m+1)，…，CN(n-1)，CN(n)。利用最小二乘法对上述时间序列数值求取一元线性回归模型：CN(x)＝acn+bcn×x。再进一步利用bcn来判断频道切换频率的变化趋势及幅度是否超出了设定的预设阈值Bcn：
例如，当行为特征数据包括操作机顶盒的按键事件频率时，或者，当行为特征数据包括按键事件的次数和开启机顶盒的持续时间时，计算按键事件频率的变化趋势及幅度(按键频率变低可能意味着用户操作电视的频率降低，改变的意愿降低，认知功能减退)：
记第n个时间周期Tn的按键频率为fkp(n)，保存最近连续m个时间周期的按键频率为：fkp(n-m)，fkp(n-m+1)，…，fkp(n-1)，fkp(n)。利用最小二乘法对上述时间序列数值求取一元线性回归模型：fkp(x)＝akp+bkp×x。再进一步利用bkp来判断按键事件频率的变化趋势及幅度是否超出了设定的正常阈值Bkp：
例如，当行为特征数据包括平均时间间隔时，或者，当行为特征数据包括：相关联的按键事件之间的间隔时间和相关联的按键事件的次数时，利用最小二乘法，确定平均间隔时间的一元线性回归模型；其中，间隔时间是根据相关联的按键事件之间的间隔时间和相关联的按键事件次数确定的；根据一元线性回归模型的回归系数与预设阈值的关系，确定平均间隔时间的变化值。即计算平均按键间隔(按键间隔变长可能意味着用户决定/反应的速度变慢，认知功能减退)：
记第n个时间周期Tn内平均时间间隔为KI(n)，保存最近连续m个时间周期的平均时间间隔为：KI(n-m)，KI(n-m+1)，…，KI(n-1)，KI(n)。利用最小二乘法对上述时间序列数值求取一元线性回归模型：KI(x)＝aki+bki×x，再进一步利用bki来判断平均时间间隔的变化趋势及幅度是否超出了设定的预设阈值Bki：
例如，当行为特征数据包括按键事件的复杂度系数时，计算复杂度系数之和的变化趋势及幅度(使用智能机顶盒相关功能的操作难度的降低可能意味着用户行为的简化，认知功能减退)：
记第n个时间周期Tn内所使用的机顶盒的功能模块的操作复杂度系数之和为FC(n)，保存最近连续m个时间周期的复杂度系数之和为：FC(n-m)，FC(n-m+1)，…，FC(n-1)，FC(n)。利用最小二乘法对上述时间序列数值求取一元线性回归模型：FC(x)＝afc+bfc×x。再进一步利用bfc来判断复杂度系数的变化趋势及幅度是否超出了设定的预设阈值Bfc：
例如，行为特征数据包括：按键事件对应的功能模块数目时，计算所操作过的功能模块数目的变化趋势及幅度(使用智能机顶盒相关功能的减少可能意味着用户行为的简化，认知功能减退)：
记第n个时间周期Tn内所操作过的机顶盒的功能模块数目为FN(n)，保存最近连续m个时间周期的所操作过的功能模块数目为：FN(，n-m)，FN(n-m+1)，…，FN(n-1)，FN(n)。利用最小二乘法对上述时间序列数值求取一元线性回归模型：FN(x)＝afn+bfn×x。再进一步利用bfn来判断频道切换频率的变化趋势及幅度是否超出了设定的预设阈值Bfn：
步骤12可参照但不限于以上方式实现，步骤13包括：若变化值大于或等于预设门限，则确定用户的认知行为发生功能减退。当行为特征数据包括多个时，变化值为多个行为特征的变化数据之和，具体地：W＝Wcc+Wcn+Wkp+Wki+Wfc+Wfn。其中，当行为特征数据中缺少上述中的至少一项时，该项的变化值可置为0。可设定一预设门限K，当W≥K时，确定用户的认知行为发生功能减退。
在确定用户的认知行为发生功能减退时，还包括：发出告警信号，以对用户认知功能减退进行早期预警，提示用户到专业的医疗检测机构对自身的认知功能进行进一步的检测确认。其中，发出告警信号的方式可以是机顶盒发生光或声音的告警，或者当机顶盒支持与用户的手机或其他智能终端通信时，可向用户的手机或其他智能终端发送告警信息，以提示用户到专业的医疗检测机构对自身的认知功能进行进一步的检测确认。
本发明实施例的认知行为监测方法中，通过检测用户操作机顶盒过程中行为特征的长期变化值，来分析监测用户认知水平的变化趋势，并对用户认知水平的异常变化进行早期预警。该方法简便易行，不需要专业医务人员的参与以及特殊设备的购置，便于应用于用户认知功能的日常评测及认知功能减退的早期预警。此外该方法对认知功能变化的监测是随时间流逝与用户自身历史状态相比较，从而避免了个体差异的影响。
以上实施例分别就本发明的监测认知行为的方法做出介绍，下面本实施例将结合附图对其对应的装置做进一步说明。
具体地，如图2所示，本发明实施例的监测认知行为的装置200，包括：
获取模块210，用于获取用户操作机顶盒的行为特征数据；
第一处理模块220，用于根据行为特征数据，确定用户的行为特征的变化值；
第二处理模块230，用于根据变化值，对用户的认知行为进行监测。
可选地，第一处理模块220包括：
第一处理子模块，用于利用最小二乘法，确定行为特征数据的一元线性回归模型；
第二处理子模块，用于根据一元线性回归模型的回归系数与预设阈值的关系，确定用户的行为特征的变化值。
可选地，不同行为特征数据的一元线性回归模型对应的预设阈值不同。
可选地，行为特征数据包括以下中的至少一项：
开启机顶盒的持续时间；
电视频道切换频率；
电视频道数目；
操作机顶盒的按键事件频率；
按键事件的次数；
相关联的按键事件之间的间隔时间；
相关联的按键事件次数；
按键事件的复杂度系数；
按键事件对应的功能模块数目。
可选地，电视频道切换频率是根据电视频道数目和开启机顶盒的持续时间确定的。
可选地，按键事件频率是根据按键事件的次数和开启机顶盒的持续时间确定的。
可选地，当行为特征数据包括：不同按键事件之间的间隔时间和相关联的按键事件次数时，第一处理模块220还包括：
第一确定子模块，用于利用最小二乘法，确定平均间隔时间的一元线性回归模型；其中，间隔时间是根据相关联的按键事件之间的间隔时间和相关联的按键事件次数确定的；
第二确定子模块，用于根据一元线性回归模型的回归系数与预设阈值的关系，确定平均间隔时间的变化值。
可选地，第二处理模块230包括：
第三处理子模块，用于若变化值大于或等于预设门限，则确定用户的认知行为发生功能减退。
本发明的装置实施例是与上述方法的实施例对应的，上述方法实施例中的所有实现手段均适用于该装置的实施例中，也能达到相同的技术效果。该机顶盒通过检测用户操作机顶盒过程中行为特征的长期变化值，来分析监测用户认知水平的变化趋势，并对用户认知水平的异常变化进行早期预警。该方法简便易行，不需要专业医务人员的参与以及特殊设备的购置，便于应用于用户认知功能的日常评测及认知功能减退的早期预警。此外该方法对认知功能变化的监测是随时间流逝与用户自身历史状态相比较，从而避免了个体差异的影响。
为了更好的实现上述目的，如图3所示，本发明的实施例还提供了一种机顶盒，该机顶盒包括：处理器300；通过总线接口与所述处理器300相连接的存储器320，以及通过总线接口与处理器300相连接的收发机310；所述存储器320用于存储所述处理器在执行操作时所使用的程序和数据；通过所述收发机310发送数据信息或者导频，还通过所述收发机310接收上行控制信道；当处理器300调用并执行所述存储器320中所存储的程序和数据时，实现如下的功能：
处理器300用于读取存储器320中的程序，执行下列过程：。
收发机310，用于在处理器300的控制下接收和发送数据。
其中，在图3中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器300代表的一个或多个处理器和存储器320代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机310可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器300负责管理总线架构和通常的处理，存储器320可以存储处理器300在执行操作时所使用的数据。
本领域技术人员可以理解，实现上述实施例的全部或者部分步骤可以通过硬件来完成，也可以通过计算机程序来指示相关的硬件来完成，所述计算机程序包括执行上述方法的部分或者全部步骤的指令；且该计算机程序可以存储于一可读存储介质中，存储介质可以是任何形式的存储介质。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述监测认知行为的方方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁碟或者光盘等。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种监测认知行为的方法，其特征在于，包括：
获取用户操作机顶盒的行为特征数据；
根据所述行为特征数据，确定所述用户的行为特征的变化值；
根据所述变化值，对所述用户的认知行为进行监测，包括：若所述变化值大于或等于预设门限，则确定所述用户的认知行为发生功能减退；
所述行为特征数据包括以下中的至少一项：
电视频道切换频率，电视频道切换频率是根据电视频道数目和开启所述机顶盒的持续时间确定的；
操作所述机顶盒的按键事件频率，按键事件频率是根据按键事件的次数和开启所述机顶盒的持续时间确定的；
相关联的按键事件之间的间隔时间，用户在看电视期间使用遥控器操作机顶盒时相关联的按键事件间隔时间；
相关联的按键事件次数，用户在看电视期间使用遥控器操作智能机顶盒时相关联的按键事件间隔数；
按键事件的复杂度系数，用户在使用智能机顶盒过程中所操作过的功能模块的操作复杂度系数之和；
按键事件对应的功能模块数目，用户在使用机顶盒过程中所操作过的功能模块数目。
2.根据权利要求1所述的方法，其特征在于，根据所述行为特征数据，确定所述用户的行为特征的变化值的步骤，包括：
利用最小二乘法，确定所述行为特征数据的一元线性回归模型；
根据所述一元线性回归模型的回归系数与预设阈值的关系，确定所述用户的行为特征的变化值。
3.根据权利要求2所述的方法，其特征在于，不同行为特征数据的一元线性回归模型对应的预设阈值不同。
4.根据权利要求1所述的方法，其特征在于，当所述行为特征数据包括：相关联的按键事件之间的间隔时间和相关联的按键事件的次数时，根据所述行为特征数据，确定所述用户的行为特征的变化值的步骤，包括：
利用最小二乘法，确定平均间隔时间的一元线性回归模型；其中，所述间隔时间是根据相关联的按键事件之间的间隔时间和相关联的按键事件次数确定的；
根据所述一元线性回归模型的回归系数与预设阈值的关系，确定所述平均间隔时间的变化值。
5.一种监测认知行为的装置，其特征在于，包括：
获取模块，用于获取用户操作机顶盒的行为特征数据；
第一处理模块，用于根据所述行为特征数据，确定所述用户的行为特征的变化值；
第二处理模块，用于根据所述变化值，对所述用户的认知行为进行监测；
第二处理模块包括：
第三处理子模块，用于若所述变化值大于或等于预设门限，则确定所述用户的认知行为发生功能减退；
所述行为特征数据包括以下中的至少一项：
电视频道切换频率，电视频道切换频率是根据电视频道数目和开启所述机顶盒的持续时间确定的；
操作所述机顶盒的按键事件频率，按键事件频率是根据按键事件的次数和开启所述机顶盒的持续时间确定的；
相关联的按键事件之间的间隔时间，用户在看电视期间使用遥控器操作机顶盒时相关联的按键事件间隔时间；
相关联的按键事件次数，用户在看电视期间使用遥控器操作智能机顶盒时相关联的按键事件间隔数；
按键事件的复杂度系数，用户在使用智能机顶盒过程中所操作过的功能模块的操作复杂度系数之和；
按键事件对应的功能模块数目，用户在使用机顶盒过程中所操作过的功能模块数目。
6.根据权利要求5所述的装置，其特征在于，所述第一处理模块包括：
第一处理子模块，用于利用最小二乘法，确定所述行为特征数据的一元线性回归模型；
第二处理子模块，用于根据所述一元线性回归模型的回归系数与预设阈值的关系，确定所述用户的行为特征的变化值。
7.根据权利要求6所述的装置，其特征在于，不同行为特征数据的一元线性回归模型对应的预设阈值不同。
8.根据权利要求5所述的装置，其特征在于，当所述行为特征数据包括：不同按键事件之间的间隔时间和相关联的按键事件次数时，所述第一处理模块还包括：
第一确定子模块，用于利用最小二乘法，确定平均间隔时间的一元线性回归模型；其中，所述间隔时间是根据不同按键事件之间的间隔时间和所述按键事件次数确定的；
第二确定子模块，用于根据所述一元线性回归模型的回归系数与预设阈值的关系，确定所述平均间隔时间的变化值。
9.一种机顶盒，其特征在于，包括：处理器；与所述处理器相连接的存储器，以及与处理器相连接的收发机；其中，所述处理器用于调用并执行所述存储器中所存储的程序和数据，实现如权利要求1至权利要求4任一项所述的监测认知行为的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811107713.2A CN110944232B (zh) | 2018-09-21 | 2018-09-21 | 一种监测认知行为的方法、装置及机顶盒 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811107713.2A CN110944232B (zh) | 2018-09-21 | 2018-09-21 | 一种监测认知行为的方法、装置及机顶盒 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110944232A CN110944232A (zh) | 2020-03-31 |
| CN110944232B true CN110944232B (zh) | 2021-11-19 |
Family
ID=69904652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811107713.2A Active CN110944232B (zh) | 2018-09-21 | 2018-09-21 | 一种监测认知行为的方法、装置及机顶盒 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110944232B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101909140A (zh) * | 2010-08-10 | 2010-12-08 | 福建新大陆通信科技股份有限公司 | 机顶盒快速接收epg数据的方法 |
| CN102831435A (zh) * | 2012-07-25 | 2012-12-19 | 中国科学院计算技术研究所 | 一种按键行为的特征数据的处理装置及处理方法 |
| CN103414930A (zh) * | 2012-07-27 | 2013-11-27 | Tcl集团股份有限公司 | 识别感应用户的遥控系统及其方法 |
| CN103532643A (zh) * | 2013-10-09 | 2014-01-22 | 桂林电子科技大学 | 基于地面数字电视广播频段的认知频谱感知装置及方法 |
| CN103974112A (zh) * | 2014-05-24 | 2014-08-06 | 天津三星电子有限公司 | 一种电视机控制方法及装置 |
| CN104968270A (zh) * | 2012-12-11 | 2015-10-07 | 阿米·克林 | 检测作为接合和感知刺激显著性的标记的眨眼抑制的系统和方法 |
| CN105007525A (zh) * | 2015-06-09 | 2015-10-28 | 济南大学 | 一种面向智能电视应用的交互情景事件关联智能感知方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG137716A1 (en) * | 2006-05-24 | 2007-12-28 | Cisco Security Pte Ltd | An integrated and interactive personnel tracking and monitoring system |
| US9367817B2 (en) * | 2010-12-20 | 2016-06-14 | Koninkijke Philips N.V. | Methods and systems for identifying patients with mild cognitive impairment at risk of converting to alzheimer's |
| US9717459B2 (en) * | 2013-03-04 | 2017-08-01 | Anne Bibiana Sereno | Touch sensitive system and method for cognitive and behavioral testing and evaluation |
| CN103856789B (zh) * | 2014-03-13 | 2017-07-14 | 北京赛特斯信息科技股份有限公司 | 基于用户行为分析实现ott业务质量保障的系统及方法 |
| US11507848B2 (en) * | 2016-08-08 | 2022-11-22 | TCL Research America Inc. | Experience-aware anomaly processing system and method |
-
2018
- 2018-09-21 CN CN201811107713.2A patent/CN110944232B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101909140A (zh) * | 2010-08-10 | 2010-12-08 | 福建新大陆通信科技股份有限公司 | 机顶盒快速接收epg数据的方法 |
| CN102831435A (zh) * | 2012-07-25 | 2012-12-19 | 中国科学院计算技术研究所 | 一种按键行为的特征数据的处理装置及处理方法 |
| CN103414930A (zh) * | 2012-07-27 | 2013-11-27 | Tcl集团股份有限公司 | 识别感应用户的遥控系统及其方法 |
| CN104968270A (zh) * | 2012-12-11 | 2015-10-07 | 阿米·克林 | 检测作为接合和感知刺激显著性的标记的眨眼抑制的系统和方法 |
| CN103532643A (zh) * | 2013-10-09 | 2014-01-22 | 桂林电子科技大学 | 基于地面数字电视广播频段的认知频谱感知装置及方法 |
| CN103974112A (zh) * | 2014-05-24 | 2014-08-06 | 天津三星电子有限公司 | 一种电视机控制方法及装置 |
| CN105007525A (zh) * | 2015-06-09 | 2015-10-28 | 济南大学 | 一种面向智能电视应用的交互情景事件关联智能感知方法 |
Non-Patent Citations (1)
| Title |
|---|
| 轻度认知障碍患者单位数加法的ERP早成分研究;张媛媛等;《潍坊医学院学报》;20090415(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110944232A (zh) | 2020-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11864896B2 (en) | User state estimation systems and methods | |
| Kilteni et al. | Rapid learning and unlearning of predicted sensory delays in self-generated touch | |
| Lei et al. | An actor-critic contextual bandit algorithm for personalized mobile health interventions | |
| Li et al. | Transitions in information processing dynamics at the whole-brain network level are driven by alterations in neural gain | |
| US11551103B2 (en) | Data-driven activity prediction | |
| US7792660B2 (en) | Monitoring multiple channels of data from real time process to detect recent abnormal behavior | |
| US8681009B2 (en) | Activity trend detection and notification to a caregiver | |
| MX2013004218A (es) | Metodo y aparato para detectar convulsiones. | |
| Gorrostieta et al. | Time‐dependent dual‐frequency coherence in multivariate non‐stationary time series | |
| CN116407090A (zh) | 基于脑电图（eeg）非线性变化的用于癫痫发作检测的系统和方法 | |
| Ghosh et al. | Designing an experience sampling method for smartphone based emotion detection | |
| CN110991504A (zh) | 基于motcn-ae的多维时间序列异常值检测方法及系统 | |
| CN110111815A (zh) | 动物异常声音监控方法及装置、存储介质、电子设备 | |
| CN110942583B (zh) | 烟感告警上报的方法、装置及终端 | |
| Luo et al. | Granger causality with signal-dependent noise | |
| CN110944232B (zh) | 一种监测认知行为的方法、装置及机顶盒 | |
| Shen et al. | Bio-signal analysis system design with support vector machines based on cloud computing service architecture | |
| Wendiggensen et al. | How intermittent brain states modulate neurophysiological processes in cognitive flexibility | |
| JP2004033673A (ja) | 脳内発作発現を予測し検出する統合確率フレームワークおよび多重治療デバイス | |
| Jaimes et al. | Future stress, forecasting physiological signals | |
| KR20200043800A (ko) | 정신 건강 상태 예측 방법 및 이를 이용한 디바이스 | |
| Raza et al. | Learning with covariate shift-detection and adaptation in non-stationary environments: Application to brain-computer interface | |
| US8427302B2 (en) | Activity trend detection and notification to a caregiver | |
| CN115099902A (zh) | 信息预测方法、装置、设备、介质 | |
| Tickle et al. | Near-optimal integration of magnitude in the human parietal cortex |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |