CN113096773B - 一种采集和处理认知信息的系统和方法 - Google Patents
一种采集和处理认知信息的系统和方法 Download PDFInfo
- Publication number
- CN113096773B CN113096773B CN202110354831.9A CN202110354831A CN113096773B CN 113096773 B CN113096773 B CN 113096773B CN 202110354831 A CN202110354831 A CN 202110354831A CN 113096773 B CN113096773 B CN 113096773B
- Authority
- CN
- China
- Prior art keywords
- intervention
- user
- information
- module
- phenotype
- 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
Images
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Abstract
本发明提供一种采集和处理认知信息的系统,包括依次连接的信息收集模块、人工智能模块以及干预模块;信息收集模块设置为收集用户的表型信息,表型信息中的心理状态信息通过智能设备上的用户输入收集,生理感受参数通过可穿戴设备收集;人工智能模块在使用前,接收信息收集模块收集且经过人工标注的表型信息作为样本数据集,进行机器学习;并在使用时,根据表型信息进行信息处理以输出干预方案建议;干预模块设置为根据人工智能模块输出的干预方案建议,来输出任务清单,提醒用户实施干预方案。本发明还提供了相应的方法。本发明的采集和处理认知信息的系统和方法可以提高来访对于咨询参与的积极性,并为咨询师提供干预方案选择建议。
Description
技术领域
本发明属于认知信息采集及处理领域,具体涉及采集和处理认知信息的系统和方法。
背景技术
目前,心理咨询的一线方法为基于认知行为理论的CBT(认知行为疗法)及其衍生出来的CBTi(失眠认知行为疗法)、ACT(接纳承诺疗法)、DBT(辨证行为疗法)、BT(行为疗法)法。
常规的咨询周期为每周一次。如图1所示,每次心理咨询的过程可以分为:收集信息,处理信息,制定干预方案,实施干预方案几个部分。
步骤1:收集信息。利用认知信息收集模块来收集相对于来访(即来访者)的咨询的过去一周的心理状态。收集信息的过程主要依赖于来访在两次咨询的间隔内自行记录。认知信息收集模块的详细内容如图2所示,包括情绪模块、行为模块、感受模块、思维模块和情境模块等等。
步骤2:处理信息。根据上一步采集的信息进行评估,具体包括:
1.评估来访当前的心理状态;心理状态由情绪、思维、感受、行为几个方面组成。
2.评估来访上一次咨询干预方案的执行情况以及执行的效果;
步骤3:制定干预方案。
咨询师要依托个人经验根据上一步的评估结果制定干预方案。由于上一步的评估结果中所包含的心理状态由情绪、思维、感受、行为几个方面组成,因此,在步骤3具体包括:
1.咨询师首先要对以上4个方面进行排序,选择优先干预哪个方面;
2.针对具体的干预方向制定不同的干预方案。
步骤4:实施干预方案。来访在非咨询时间内自行实施干预方案,并对自身的心理状态进行记录。
现有技术的缺点在于:
在收集信息的步骤中:来访(即来访者)在咨询间隔期间内,现有方式以纸质表单填写为主,通过填写不同的表来手动记录自己的心理状态,有大量的信息需要收集,使用不便。不便利会导致参与度低,来访会因为没有完成记录,会减弱参与感,减弱对于咨询的信心。此外,对于收集到的数据,要等到下一次(一周以后)咨询咨询师对数据处理后,将结果反馈给来访,来访才能得到上一周个人状态的反馈。信息处理有明显的滞后性,同样影响来访参与咨询的积极性。
在处理信息/制定干预方案的步骤中:目前针对来访心理状态的信息处理具有滞后性,每周一次由咨询师处理,会影响来访参与咨询的积极性。此外,不同的咨询师由于经验的差异,对于相同的信息会有不同的处理结果,对于不同的咨询师,干预方案的选择方面会有明显的个人差异,已有的证据表明,这种差异会导致明显的咨询进度的差异,考虑到处于同一水平(受训背景以及咨询时长)的咨询师,对于信息的处理结果高度类似,建议采用标准化的咨询框架替代个性化的框架。然而,资深咨询师的工作时间是有限的,没办法把制定干预方案的能力扩展到更多来访。
发明内容
本发明的目的在于提供一种采集和处理认知信息的系统和方法,以提高来访对于咨询参与的积极性,并为咨询师提供干预方案选择建议。
为了实现上述目的,本发明提供一种采集和处理认知信息的系统,包括依次连接的信息收集模块、人工智能模块以及干预模块;所述信息收集模块设置为收集用户的表型信息,用户的表型信息包括用户的心理状态信息和与心理状态相关的生理感受参数,心理状态信息通过智能设备上的用户输入收集,用户的生理感受参数通过可穿戴设备收集;所述人工智能模块设置为在使用前,接收信息收集模块收集且经过人工标注的用户的表型信息作为样本数据集,进行机器学习;并在使用时,根据用户的表型信息进行信息处理以输出干预方案建议;所述干预模块设置为根据人工智能模块输出的干预方案建议,来输出任务清单,提醒用户实施干预方案。
所述信息收集模块设置为在智能设备上显示心理状态参数的信息以供用户选择,以此来通过智能设备上的用户输入收集心理状态参数。
所述信息收集模块包括情绪模块、行为模块、感受模块、思维模块以及情境模块;情绪模块设置在智能设备上显示情绪信息以供用户选择;行为模块设置为在智能设备上显示行为信息以供用户选择;思维模块设置为在智能设备上显示思维信息以供用户选择;情境模块设置为在智能设备上显示情境信息以供用户选择;感受模块包括主观感受模块和生理感受模块,主观感受模块设置为在智能设备上显示主观感受信息以供用户选择;生理感受模块设置为通过可穿戴设备实时收集用户的生理参数。
所述干预方案建议包括各个干预目标下的干预方案和干预目标优先级;人工智能模块包括分别用于输出各个干预目标下的干预方案的多个干预模块以及用于输出干预目标优先级的隐马尔可夫模型,每个干预目标分别对应于一个干预模块;所述机器学习对所述人工智能模块的干预模块和隐马尔可夫模型进行。
所述干预模块包括以行为作为干预目标的行为干预模块、以感受作为干预目标的感受干预模块、以情绪作为干预目标的情绪干预模块以及以思维作为干预目标的思维干预模块。
所述神经网络协同过滤框架的机器学习,包括:
A1:获取多个不同类型的用户的表型信息,并获取经过人工标注得到的各个类型的用户所推荐采用的干预手段,作为样本数据集;将用户和干预手段变换为矩阵形式,得到用户-干预项矩阵;
A2:在神经网络协同过滤框架的嵌入层,将用户-干预项矩阵的用户向量和干预项向量分别采用嵌入方法映射成k维向量,然后作为输入参数输入到神经网络协同过滤框架的协同过滤层;
A3:在协同过滤层,通过点积运算计算用户向量和干预项向量乘积的各维度值,Sigmoid函数作为神经网络的激活函数,最终在输出层得到各个用户u选择干预项i的预测评分y’ui;
A4:利用损失函数来拟合用户-干预项矩阵中用户的干预项,以对所述神经网络协同过滤框架进行训练;
且每个干预模块设置为执行如下步骤,来根据用户的表型信息输出经过排序的干预项,作为干预模块的干预目标下的干预方案:根据信息收集模块采集的用户的表型信息,确定样本数据集中的各个用户分别与待推荐用户的表型信息之间的相似度,从样本数据集中的各个用户中找出相似度最高的用户,利用所述神经网络协同过滤框架获取相似度最高的用户所对应的经过排序的干预项并输出。
所述损失函数为基于分类数据的二值交叉熵损失函数;所述任意两个用户的表型信息之间的相似度为jaccard系数。
所述隐马尔可夫模型的机器学习,包括:
B1:获取多个不同类型的用户的表型信息,并获取经过人工标注得到的各个类型的用户所推荐采用的干预目标优先级,作为样本数据集;
B2:将用户的表型信息按照类别预先分类成与干预目标对应的多个部分,每个部分根据有与该部分对应的表型信息的数量来计算总得分,按照每个部分的总得分高到低进行排序,以此构成模型的观测序列O,经过人工标注的用户对应的干预方案优先级作为状态序列S;以所述观测序列O和状态序列S对所述隐马尔可夫模型进行训练,以获得所述隐马尔可夫模型的模型参数;
利用所述隐马尔可夫模型并通过执行以下步骤来预测干预目标优先级:根据信息收集模块采集的用户的表型信息,将用户的表型信息按照类别预先分类成与干预目标对应的多个部分,每个部分根据有与该部分对应的表型信息的数量来计算总得分,按照每个部分的总得分高到低进行排序,得到观测序列O;随后使用Viterbi算法根据所述观测序列O和所述隐马尔可夫模型的模型参数来预测状态序列S,得到的状态序列S即为干预目标优先级。
另一方面,本发明提供一种采集和处理认知信息的方法,包括:
S1:利用信息收集模块收集用户的表型信息,用户的表型信息包括用户的心理状态信息和与心理状态相关的生理感受参数,所述心理状态信息通过智能设备上的用户输入收集,用户的生理感受参数通过可穿戴设备收集;
S2:在人工智能模块使用前,利用人工智能模块接收信息收集模块收集且经过人工标注的用户的表型信息作为样本数据集,对人工智能模块进行机器学习;
S3:在人工智能模块使用时,利用人工智能模块接收信息收集模块收集的用户的表型信息,进行信息处理,输出干预方案建议;
S4:所述干预模块设置为根据人工智能模块输出的干预方案建议,来输出任务清单,提醒用户实施干预方案。
所述人工智能模块包括用于输出各个干预目标下的干预方案的多个干预模块以及用于输出干预目标优先级的隐马尔可夫模型,每个干预模块分别具有一个神经网络协同过滤框架以及一系列可行的干预项;在所述步骤S2中,所述机器学习对所述人工智能模块的干预模块和隐马尔可夫模型进行。
在所述步骤S2中,所述干预模块的机器学习,包括:
A1:获取多个不同类型的用户的表型信息,并获取经过人工标注得到的各个类型的用户所推荐采用的干预手段,作为样本数据集;将用户和干预手段变换为矩阵形式,得到用户-干预项矩阵;
A2:在神经网络协同过滤框架的嵌入层,将用户-干预项矩阵的用户向量和干预项向量分别采用嵌入方法映射成k维向量,然后作为输入参数输入到神经网络协同过滤框架的协同过滤层;
A3:在协同过滤层,通过点积运算计算用户向量和干预项向量乘积的各维度值,Sigmoid函数作为神经网络的激活函数,最终在输出层得到各个用户选择干预项的预测评分;
A4:利用损失函数来拟合用户-干预项矩阵中用户的干预项,以对所述神经网络协同过滤框架进行训练;
且在所述步骤S3中,利用每个干预模块并通过执行如下步骤,来根据用户的表型信息输出经过排序的干预项,作为干预模块的干预目标下的干预方案:根据信息收集模块采集的用户的表型信息,确定样本数据集中的各个用户分别与待推荐用户的表型信息之间的相似度,从样本数据集中的各个用户中找出相似度最高的用户,利用所述神经网络协同过滤框架获取相似度最高的用户所对应的经过排序的干预项并输出。
在所述步骤S2中,所述隐马尔可夫模型的机器学习,包括:
B1:获取多个不同类型的用户的表型信息,并获取经过人工标注得到的各个类型的用户所推荐采用的干预目标优先级,作为样本数据集;
B2:将用户的表型信息按照类别预先分类成与干预目标对应的多个部分,每个部分根据有与该部分对应的表型信息的数量来计算总得分,按照每个部分的总得分高到低进行排序,以此构成模型的观测序列O,经过人工标注的用户对应的干预方案优先级作为状态序列S;以所述观测序列O和状态序列S对所述隐马尔可夫模型进行训练,以获得所述隐马尔可夫模型的模型参数;
且在所述步骤S3中,利用所述隐马尔可夫模型并通过执行以下步骤来预测干预目标优先级:根据信息收集模块采集的用户的表型信息,将用户的表型信息按照类别预先分类成与干预目标对应的多个部分,每个部分根据有与该部分对应的表型信息的数量来计算总得分,按照每个部分的总得分高到低进行排序,得到观测序列O;随后使用Viterbi算法根据所述观测序列O和所述隐马尔可夫模型的模型参数来预测状态序列S,得到的状态序列S即为干预目标优先级。
1.本发明的采集和处理认知信息的系统通过智能终端以及可穿戴设备实时收集来访的信息,提高信息收集效率和便利性,促进来访对于咨询实施方案的参与度,给来访实时反馈,可以提高来访对于咨询参与的积极性。
2.此外,本发明的采集和处理认知信息的系统采用人工智能通过深度学习,输出标准化的干预方案建议,从而为咨询师提供干预方案选择建议,辅助咨询师掌握资深咨询师对于干预方案选择的能力,弥补咨询师个人经验的不足。
附图说明
图1为传统的心理咨询的流程图。
图2为传统的认知信息收集模块的模块结构图。
图3为根据本发明的一个实施例的采集和处理认知信息的系统的整体结构示意图。
图4为如图3所示的采集和处理认知信息的系统的人工智能模块的原理图。
图5为如图4所示的人工智能模块的协同过滤模型的训练原理图。
图6为如图4所示的人工智能模块所采用的表型信息矩阵的示例图。
图7为根据本发明的一个实施例的采集和处理认知信息的方法的流程。
具体实施方式
下面结合附图,给出本发明的较佳实施例,并予以详细描述。
如图3所示为根据本发明的一个实施例的采集和处理认知信息的系统,其包括依次连接的信息收集模块100、人工智能模块200以及干预模块300。
其中,信息收集模块100设置为收集用户的表型信息,用户的表型信息包括用户的心理状态信息和与心理状态相关的生理感受参数。其中,心理状态信息通过智能设备400(例如,智能手机)上的用户输入收集,用户的生理感受参数(生理感受参数包括呼吸、频率、心率等)通过可穿戴设备500收集。
在本实施例中,信息收集模块100设置为在智能设备400上显示心理状态参数的信息以供用户选择,使得用户能够在智能设备400所显示的信息中选择与自身相符的信息,以此来通过智能设备400上的用户输入收集心理状态参数。
人工智能模块200设置为在使用前,接收信息收集模块100收集且经过人工标注的用户的表型信息作为样本数据集,进行机器学习;并在使用时,根据用户的表型信息进行信息处理以输出干预方案建议。输出的干预方案建议可以供咨询师参考和修改。
干预模块300设置为根据人工智能模块200输出的干预方案建议,来输出任务清单,提醒用户实施干预方案。
在本实施例中,所述心理状态参数基于CBT(认知行为理论)模型,用户的表型信息为用户的认知信息,且用户的认知信息等同于用户的心理状态。所述用户的表型信息包括情绪信息、行为信息、感受信息、思维信息等等。
因此,信息收集模块100具体包括以下子模块:情绪模块110、行为模块120、感受模块130、思维模块140以及情境模块150。
情绪模块110设置在智能设备400上显示情绪信息以供用户选择。所述情绪信息包括次级情绪的类别和程度、以及初级情绪的类别和程度。
因此,所述情绪模块110包括次级情绪模块111和初级情绪模块112,次级情绪模块111设置为在智能设备400上显示次级情绪的类别和程度,初级情绪模块112设置为在智能设备400上显示初级情绪的类别和程度。
其中,次级情绪的类别包括:内疚,自责,抑郁,焦虑等。
次级情绪程度包括:次级情绪(如焦虑)的水平评价:0-10。
初级情绪的类别包括:高兴、愤怒、悲伤等。
初级情绪程度包括:初级情绪(如愤怒)的水平评价:0-10。
行为模块120设置为在智能设备400上显示行为信息以供用户选择。
其中,所述行为信息包括:坐立不安、离开、来回踱步等。
感受模块130设置为收集用户的感受信息,具体包括主观感受模块131和生理感受模块132。
主观感受模块131设置为在智能设备400上显示主观感受信息以供用户选择。
主观感受信息包括:肌肉紧张、手心出汗、牙关紧咬等。
生理感受模块132设置为通过可穿戴设备500实时收集用户的生理参数。
所述生理参数包括:呼吸频率、血压、心率等。
思维模块140设置为在智能设备400上显示思维信息以供用户选择。
思维信息包括:自动思维、思维陷阱、和核心信念。
思维陷阱包括:以偏概全、灾难化、非黑即白等。
核心信念包括:我不可爱、我必定孤独、我有罪、我毫无价值等。
情境模块150设置为在智能设备400上显示情境信息以供用户选择。
情境信息包括人物、地点、时间、事件。情境信息所需要输入的事件是用户已经完成的事件或将来会经历的事件。
由此,信息收集模块100通过情绪模块110、行为模块120、感受模块130、思维模块140以及情境模块150,实现了:
1.通过可穿戴设备500收集用户和心理状态相关的生理感受参数(通过感受模块130的生理感受模块132);
2.通过智能设备400收集用户输入的心理状态参数(感受模块130的生理感受模块132除外)。
如图4所示,所述人工智能模块200设置为在使用前,接收信息收集模块100收集且经过人工标注的用户的表型信息作为样本数据集,进行机器学习;并在使用时,根据用户的表型信息进行信息处理以输出干预方案建议。干预方案建议分为两个部分:各个干预目标下的干预方案(即怎么干预)和干预目标优先级(即先干预什么再干预什么)。
在本发明中,人工智能模块200包括分别用于输出各个干预目标下的干预方案的多个干预模块210以及用于输出干预目标优先级的隐马尔可夫模型(HMM)220。
干预模块210的数量为多个,每个干预目标分别对应于一个干预模块。在本发明中,为用户设计了四个不同类型的干预模块,分别是以行为作为干预目标的行为干预模块、以感受作为干预目标的感受干预模块、以情绪作为干预目标的情绪干预模块、以思维作为干预目标的思维干预模块。每个干预模块分别具有一个神经网络协同过滤框架(NeuralCollaborative Filtering)以及一系列可行的干预项(干预项也就是干预手段)。
如图5所示,所述神经网络协同过滤框架基于深度神经网络(DNN),用于确定样本数据集中的各个用户和干预方案(即干预模块中的干预项的排序)的潜在对应关系。在人工智能模块200使用前,所述神经网络协同过滤框架的机器学习(即模型训练)过程如下:
步骤A1:获取多个不同类型的用户的表型信息,并获取经过人工标注得到的各个类型的用户所推荐采用的干预手段,作为样本数据集;将用户和干预手段变换为矩阵形式,得到用户-干预项矩阵。
这里的人工标注指的是经过专家标注,以得到较为可靠的结果。
变换得到的用户-干预项矩阵用于模型训练,其行向量和列向量分别是用户向量User(u)和干预项向量Item(i)。其中,用户向量User(u)表示用户u应该受到哪些干预项的干预,其中的元素为0表示对应的干预项没有用于用户u干预,元素为1表示对应的干预项用于用户u干预;干预项向量Item(i)表示干预项i被哪些用户采用,中的元素为0表示用户没有采用该干预项i,元素为1表示用户采用该干预项i。
步骤A2:在神经网络协同过滤框架的嵌入层,将用户-干预项矩阵的用户向量User(u)和干预项向量Item(i)分别采用嵌入方法映射成k维向量,然后作为输入参数输入到神经网络协同过滤框架的协同过滤层。
步骤A3:在协同过滤层,通过点积运算计算用户向量和干预项向量乘积的各维度值(即用户向量和干预项向量各维度的值对应相乘),Sigmoid函数作为神经网络的激活函数,最终在输出层得到各个用户u选择干预项i的预测评分y’ui;评分的值在(0,1)的范围内,评分越高,越倾向于选择该干预项作为干预手段。
步骤A4:利用损失函数来拟合用户-干预项矩阵中用户的干预项,以对所述神经网络协同过滤框架进行训练。
其中,利用所述预测评分y’ui和对应的真实值来训练。
损失函数为基于分类数据的二值交叉熵损失函数,由此,采用基于分类数据的二值交叉熵损失函数拟合训练数据集中用户的干预项。
所述基于分类数据的二值交叉熵损失函数为:
式中,y’ui为用户u选择干预项i的概率的预测值,yui为用户u选择干预项i的概率的真实值,yui是训练数据集中用户u选择干预项i的真实值,1表示选择,0表示未选择;L表示损失函数;y表示用户-干预项交互矩阵中值为1的项,y-表示用户-干预项交互矩阵中值为0的项,ωui表示权重。
由此,在训练完成后,训练好的神经网络协同过滤框架可以用于确定样本数据集中的各个用户和干预方案(即干预模块中的干预项的排序)的潜在对应关系。训练好的神经网络协同过滤框架,根据其所输出的用户u选择干预项i的概率的预测值y’ui的大小,可以为每一用户u所对应的可选择的干预项进行排序。预测评分y’ui大的表示更倾向于推荐该干预项i。由此,每个干预模块所输出的一系列经过排序的干预项构成了最终输出的该干预模块所对应的干预方案,用于用户心理治疗。其中,干预项是按照预测的概率大小进行排序,概率高预示有效,概率低预示干预无效。最后输出所有干预项的排序,最靠前的最容易达到干预效果。至于排序靠后的,能否产生干预效果则需要结合该项的概率值。
每个干预模块设置为根据用户的表型信息来输出经过排序的干预项,作为该干预模块所对应的干预方案。由此,实现了基于神经网络协同过滤框架的心理干预方法推荐。
为了给为经受心理治疗的用户提供可行的方案,在人工智能模块200使用时,每个干预模块210设置为执行如下步骤,来根据用户的表型信息输出经过排序的干预项,作为干预模块210的干预目标下的干预方案:
根据信息收集模块100采集的用户的表型信息(认知信息),确定样本数据集中的各个用户分别与待推荐用户的表型信息之间的相似度,从样本数据集中的各个用户中找出相似度最高的用户,利用所述神经网络协同过滤框架获取相似度最高的用户所对应的经过排序的干预项,将相似度最高的用户所对应的经过排序的干预项作为该干预模块210的干预目标下的干预方案输出。
如图6所示,用户的表型信息可以变换为用户的表型信息矩阵,用户的表型信息矩阵Pm×k如图所示,其不同行表示不同的用户,不同列表示不同类型的表型信息的参数。用户表型信息矩阵Pm×k的行向量uj(j=1~m)为用户j的表型信息向量,行向量uj中的元素为0表示用户j没有表型信息的参数所对应的症状,其中的元素为1表示用户j具有表型信息的参数对应的症状。
其中,任意两个用户的表型信息之间的相似度为jaccard系数。用户ui和用户uj的jaccard相似度表示方式如下:
公式中,ui、uj分别表示用户ui、uj的表型信息矩阵。
再请参见图4,为了给用户的表型信息设计合理的干预优先级,我们构建隐马尔可夫模型,所述隐马尔可夫模型以根据表型信息重要程度排序得到的观测信息作为输入参数,以专家优化的干预流程作为训练目标,最终训练得到的所述隐马尔可夫模型的模型参数用于预测干预目标优先级(即干预目标(行为、感受、情绪、思维)的推荐顺序)。
其中,所述隐马尔可夫模型默认的干预顺序为:行为-感受-情绪-思维。
人工智能模块200使用前,所述隐马尔可夫模型220的机器学习过程如下:
步骤B1:获取多个不同类型的用户的表型信息,并获取经过人工标注得到的各个类型的用户所推荐采用的干预目标优先级,作为样本数据集;
步骤B2:将用户的表型信息按照类别预先分类成与干预目标对应的多个部分(在本实施例中,为行为、感受、情绪、思维四部分),每个部分根据有与该部分对应的表型信息的数量(表型信息与该部分对应则记为1,或表型信息与该部分不对应则记为0)来计算总得分,按照每个部分的总得分高到低进行排序,以此构成模型的观测序列O(在本实施例中,由于有4个部分,因此观测序列O中有4个数据),经过人工标注的用户对应的干预方案优先级作为状态序列S;以所述观测序列O和状态序列S对所述隐马尔可夫模型进行训练,以获得所述隐马尔可夫模型的模型参数。
人工智能模块200使用时,利用所述隐马尔可夫模型220并通过执行以下步骤来预测干预目标优先级:
根据信息收集模块100采集的用户的表型信息(认知信息),将用户的表型信息按照类别预先分类成与干预目标对应的多个部分(在本实施例中,为行为、感受、情绪、思维四部分),每个部分根据有与该部分对应的表型信息的数量来计算总得分,按照每个部分的总得分高到低进行排序,得到观测序列O;随后使用Viterbi算法根据所述观测序列O和所述隐马尔可夫模型的模型参数来预测状态序列S,得到的状态序列S即为干预目标优先级(即干预目标(行为、感受、情绪、思维)的推荐顺序)。
由此,人工智能模块200通过基于深度神经网络(DNN)来实现心理干预方法推荐算法,得到各个用户和各个干预目标下的干预方案,并通过基于隐马尔可夫模型(HMM)来实现干预模块优化方法,得到干预目标优先级。由此,可以为用户提供符合其心理状态的干预方案建议,并且能够根据信息收集模块100中提供的用户的表型信息作为样本数据来优化人工智能模块200,提高干预效果。
再请参见图3,干预模块300设置为根据人工智能模块200输出的干预方案建议,来输出任务清单,提醒用户实施干预方案。
其中,任务清单通过把干预方案建议中的任务分别列出时间,并罗列成一个表格的形式,来获得;所述干预模块300设置为将任务清单输出并打印在纸上,或者输出给智能设备400,以在智能设备400上显示所述任务清单,或者以其他任何可行的形式输出,以用于提醒提醒用户实施干预方案。
此外,用户实施后可以通过在智能设备400上选择任务清单上的任务的完成状态,以在干预模块300中标记干预方案的实施状态。
如图1和图7所示,基于上文所述的采集和处理认知信息的系统,所实现的采集和处理认知信息的方法,具体包括如下步骤:
步骤S1:利用信息收集模块100收集用户的表型信息,用户的表型信息包括用户的心理状态信息和与心理状态相关的生理感受参数;其中,所述心理状态信息通过智能设备400上的用户输入收集,用户的生理感受参数(生理感受参数包括呼吸、频率、心率等)通过可穿戴设备500收集。
在本实施例中,通过在智能设备400上显示心理状态参数的信息以供用户选择,使得用户能够在智能设备400所显示的信息中选择与自身相符的信息,以此来通过智能设备400上的用户输入收集心理状态参数。
步骤S2:结合图4和图5,在人工智能模块200使用前,利用人工智能模块200接收信息收集模块100收集且经过人工标注的用户的表型信息作为样本数据集,对人工智能模块200进行机器学习。
所述人工智能模块200包括用于输出各个干预目标下的干预方案的多个干预模块210以及用于输出干预目标优先级的隐马尔可夫模型220,每个干预模块分别具有一个神经网络协同过滤框架以及一系列可行的干预项。在所述步骤S2中,所述机器学习对所述人工智能模块200的干预模块210和隐马尔可夫模型220进行。
如上文所述,所述干预模块210的机器学习,包括:
步骤A1:获取多个不同类型的用户的表型信息,并获取经过人工标注得到的各个类型的用户所推荐采用的干预手段,作为样本数据集;将用户和干预手段变换为矩阵形式,得到用户-干预项矩阵。
变换得到的用户-干预项矩阵用于模型训练,其行向量和列向量分别是用户向量User(u)和干预项向量Item(i)。其中,用户向量User(u)表示用户u应该受到哪些干预项的干预,其中的元素为0表示对应的干预项没有用于用户u干预,元素为1表示对应的干预项用于用户u干预;干预项向量Item(i)表示干预项i被哪些用户采用,中的元素为0表示用户没有采用该干预项i,元素为1表示用户采用该干预项i。
步骤A2:在神经网络协同过滤框架的嵌入层,将用户-干预项矩阵的用户向量User(u)和干预项向量Item(i)分别采用嵌入方法映射成k维向量,然后作为输入参数输入到神经网络协同过滤框架的协同过滤层。
步骤A3:在协同过滤层,通过点积运算计算用户向量和干预项向量乘积的各维度值,Sigmoid函数作为神经网络的激活函数,最终在输出层得到各个用户u选择干预项i的预测评分y’ui;评分的值在(0,1)的范围内,评分越高,越倾向于选择该干预项作为干预手段。
步骤A4:利用损失函数来拟合用户-干预项矩阵中用户的干预项,以对所述神经网络协同过滤框架进行训练。
其中,利用所述预测评分y’ui和对应的真实值来训练。
在训练过程中,采用基于分类数据的二值交叉熵损失函数拟合训练数据集中用户的干预项:
式中,y’ui为用户u选择干预项i的概率的预测值,yui为用户u选择干预项i的概率的真实值。
如上文所述,所述隐马尔可夫模型220的机器学习,包括:
步骤B1:获取多个不同类型的用户的表型信息,并获取经过人工标注得到的各个类型的用户所推荐采用的干预目标优先级,作为样本数据集;
步骤B2:将用户的表型信息按照类别预先分类成与干预目标对应的多个部分(在本实施例中,多个部分为行为、感受、情绪、思维四个部分),每个部分根据有与该部分对应的表型信息的数量(表型信息与该部分对应则记为1,或表型信息与该部分不对应则记为0)来计算总得分,按照每个部分的总得分高到低进行排序,以此构成模型的观测序列O,经过人工标注的用户对应的干预方案优先级作为状态序列S;以所述观测序列O和状态序列S对所述隐马尔可夫模型进行训练,以获得所述隐马尔可夫模型的模型参数。
步骤S3:在人工智能模块200使用时,利用人工智能模块200接收信息收集模块100收集的用户的表型信息,进行信息处理,输出干预方案建议。
其中,利用人工智能模块200的干预模块210和隐马尔可夫模型220来进行信息处理,输出干预方案建议;所述干预方案包括各个干预目标下的干预方案和干预目标优先级。
如上文所述,在所述步骤S3中,利用每个干预模块210并通过执行如下步骤,来根据用户的表型信息输出经过排序的干预项,作为干预模块210的干预目标下的干预方案:
根据信息收集模块100采集的用户的表型信息(认知信息),确定样本数据集中的各个用户分别与待推荐用户的表型信息之间的相似度,从样本数据集中的各个用户中找出相似度最高的用户,利用所述神经网络协同过滤框架获取相似度最高的用户所对应的经过排序的干预项,将相似度最高的用户所对应的经过排序的干预项作为该干预模块210的干预目标下的干预方案输出。
用户的表型信息可以变换为用户的表型信息矩阵,用户的表型信息矩阵Pm×k如图所示,其不同行表示不同的用户,不同列表示不同类型的表型信息的参数。用户表型信息矩阵Pm×k的行向量uj(j=1~m)为用户j的表型信息向量,行向量uj中的元素为0表示用户j没有表型信息的参数所对应的症状,其中的元素为1表示用户j具有表型信息的参数对应的症状。
其中,任意两个用户的表型信息之间的相似度为jaccard系数。用户ui和用户uj的jaccard相似度表示方式如下:
在所述步骤S3中,利用所述隐马尔可夫模型220并通过执行以下步骤来预测干预目标优先级:
根据信息收集模块100采集的用户的表型信息(认知信息),将用户的表型信息按照类别预先分类成与干预目标对应的多个部分(在本实施例中,为行为、感受、情绪、思维四部分),每个部分根据有与该部分对应的表型信息的数量来计算总得分,按照每个部分的总得分高到低进行排序,得到观测序列O;随后使用Viterbi算法根据所述观测序列O和所述隐马尔可夫模型的模型参数来预测状态序列S,得到的状态序列S即为干预目标优先级(即干预目标(行为、感受、情绪、思维)的推荐顺序)。
由此,人工智能模块200通过基于深度神经网络(DNN)来实现心理干预方法推荐算法,得到各个用户和各个干预目标下的干预方案,并通过基于隐马尔可夫模型(HMM)来实现干预模块优化方法,得到干预目标优先级。由此,可以为用户提供符合其心理状态的干预方案建议,并且能够根据信息收集模块100中提供的用户的表型信息作为样本数据来优化人工智能模块200,提高干预效果。
步骤S4:利用干预模块300并根据所述干预方案建议,输出任务清单,提醒用户实施干预方案。
以上所述的,仅为本发明的较佳实施例并非用以限定本发明的范围,本发明的上述实施例还可以做出各种变化。即凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰,皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。
Claims (7)
1.一种采集和处理认知信息的系统,其特征在于,包括依次连接的信息收集模块(100)、人工智能模块(200)以及第一干预模块(300);
所述信息收集模块(100)设置为收集用户的表型信息,用户的表型信息包括用户的心理状态信息和与心理状态相关的生理感受参数,心理状态信息通过智能设备(400)上的用户输入收集,用户的生理感受参数通过可穿戴设备(500)收集;
所述人工智能模块(200)设置为在使用前,接收信息收集模块(100)收集且经过人工标注的用户的表型信息作为样本数据集,进行机器学习;并在使用时,根据用户的表型信息进行信息处理以输出干预方案建议;
所述第一干预模块(300)设置为根据人工智能模块(200)输出的干预方案建议,来输出任务清单,提醒用户实施干预方案;
所述干预方案建议包括各个干预目标下的干预方案和干预目标优先级;人工智能模块(200)包括分别用于输出各个干预目标下的干预方案的多个第二干预模块(210)以及用于输出干预目标优先级的隐马尔可夫模型(220),每个干预目标分别对应于一个第二干预模块(210),每个第二干预模块(210)分别具有一个神经网络协同过滤框架以及一系列可行的干预项;所述机器学习对所述人工智能模块(200)的第二干预模块(210)和隐马尔可夫模型(220)进行;
所述神经网络协同过滤框架的机器学习,包括:
步骤A1:获取多个不同类型的用户的表型信息,并获取经过人工标注得到的各个类型的用户所推荐采用的干预手段,作为样本数据集;将用户和干预手段变换为矩阵形式,得到用户-干预项矩阵;
步骤A2:在神经网络协同过滤框架的嵌入层,将用户-干预项矩阵的用户向量和干预项向量分别采用嵌入方法映射成k维向量,然后作为输入参数输入到神经网络协同过滤框架的协同过滤层;
步骤A3:在协同过滤层,通过点积运算计算用户向量和干预项向量乘积的各维度值,Sigmoid函数作为神经网络的激活函数,最终在输出层得到各个用户u选择干预项i的预测评分y’ui;
步骤A4:利用损失函数来拟合用户-干预项矩阵中用户的干预项,以对所述神经网络协同过滤框架进行训练;
且每个第二干预模块(210)设置为执行如下步骤,来根据用户的表型信息输出经过排序的干预项,作为第二干预模块(210)的干预目标下的干预方案:
根据信息收集模块(100)采集的用户的表型信息,确定样本数据集中的各个用户分别与待推荐用户的表型信息之间的相似度,从样本数据集中的各个用户中找出相似度最高的用户,利用所述神经网络协同过滤框架获取相似度最高的用户所对应的经过排序的干预项并输出;
所述损失函数为基于分类数据的二值交叉熵损失函数;任意两个用户的表型信息之间的相似度为jaccard系数。
2.根据权利要求1所述的采集和处理认知信息的系统,其特征在于,所述信息收集模块(100)设置为在智能设备(400)上显示心理状态参数的信息以供用户选择,以此来通过智能设备(400)上的用户输入收集心理状态参数。
3.根据权利要求2所述的采集和处理认知信息的系统,其特征在于,所述信息收集模块(100)包括情绪模块(110)、行为模块(120)、感受模块(130)、思维模块(140)以及情境模块(150);情绪模块(110)设置在智能设备(400)上显示情绪信息以供用户选择;行为模块(120)设置为在智能设备(400)上显示行为信息以供用户选择;思维模块(140)设置为在智能设备(400)上显示思维信息以供用户选择;情境模块(150)设置为在智能设备(400)上显示情境信息以供用户选择;感受模块(130)包括主观感受模块(131)和生理感受模块(132),主观感受模块(131)设置为在智能设备(400)上显示主观感受信息以供用户选择;生理感受模块(132)设置为通过可穿戴设备(500)实时收集用户的生理参数。
4.根据权利要求1所述的采集和处理认知信息的系统,其特征在于,所述第二干预模块(210)包括以行为作为干预目标的行为干预模块、以感受作为干预目标的感受干预模块、以情绪作为干预目标的情绪干预模块以及以思维作为干预目标的思维干预模块。
5.根据权利要求1所述的采集和处理认知信息的系统,其特征在于,所述隐马尔可夫模型(220)的机器学习,包括:
步骤B1:获取多个不同类型的用户的表型信息,并获取经过人工标注得到的各个类型的用户所推荐采用的干预目标优先级,作为样本数据集;
步骤B2:将用户的表型信息按照类别预先分类成与干预目标对应的多个部分,每个部分根据有与该部分对应的表型信息的数量来计算总得分,按照每个部分的总得分高到低进行排序,以此构成模型的观测序列O,经过人工标注的用户对应的干预方案优先级作为状态序列S;以所述观测序列O和状态序列S对所述隐马尔可夫模型进行训练,以获得所述隐马尔可夫模型的模型参数;
利用所述隐马尔可夫模型(220)并通过执行以下步骤来预测干预目标优先级:
根据信息收集模块(100)采集的用户的表型信息,将用户的表型信息按照类别预先分类成与干预目标对应的多个部分,每个部分根据有与该部分对应的表型信息的数量来计算总得分,按照每个部分的总得分高到低进行排序,得到观测序列O;随后使用Viterbi算法根据所述观测序列O和所述隐马尔可夫模型的模型参数来预测状态序列S,得到的状态序列S即为干预目标优先级。
6.一种采集和处理认知信息的方法,其特征在于,包括:
步骤S1:利用信息收集模块(100)收集用户的表型信息,用户的表型信息包括用户的心理状态信息和与心理状态相关的生理感受参数,所述心理状态信息通过智能设备(400)上的用户输入收集,用户的生理感受参数通过可穿戴设备(500)收集;
步骤S2:在人工智能模块(200)使用前,利用人工智能模块(200)接收信息收集模块(100)收集且经过人工标注的用户的表型信息作为样本数据集,对人工智能模块(200)进行机器学习;
步骤S3:在人工智能模块(200)使用时,利用人工智能模块(200)接收信息收集模块(100)收集的用户的表型信息,进行信息处理,输出干预方案建议;
步骤S4:第一干预模块(300)设置为根据人工智能模块(200)输出的干预方案建议,来输出任务清单,提醒用户实施干预方案;
所述人工智能模块(200)包括用于输出各个干预目标下的干预方案的多个第二干预模块(210)以及用于输出干预目标优先级的隐马尔可夫模型(220),每个干预目标分别对应于一个第二干预模块(210),每个第二干预模块(210)分别具有一个神经网络协同过滤框架以及一系列可行的干预项;在所述步骤S2中,所述机器学习对所述人工智能模块(200)的第二干预模块(210)和隐马尔可夫模型(220)进行;
在所述步骤S2中,所述神经网络协同过滤框架的机器学习,包括:
步骤A1:获取多个不同类型的用户的表型信息,并获取经过人工标注得到的各个类型的用户所推荐采用的干预手段,作为样本数据集;将用户和干预手段变换为矩阵形式,得到用户-干预项矩阵;
步骤A2:在神经网络协同过滤框架的嵌入层,将用户-干预项矩阵的用户向量和干预项向量分别采用嵌入方法映射成k维向量,然后作为输入参数输入到神经网络协同过滤框架的协同过滤层;
步骤A3:在协同过滤层,通过点积运算计算用户向量和干预项向量乘积的各维度值,Sigmoid函数作为神经网络的激活函数,最终在输出层得到各个用户选择干预项的预测评分;
步骤A4:利用损失函数来拟合用户-干预项矩阵中用户的干预项,以对所述神经网络协同过滤框架进行训练;
且在所述步骤S3中,利用每个第二干预模块(210)并通过执行如下步骤,来根据用户的表型信息输出经过排序的干预项,作为第二干预模块(210)的干预目标下的干预方案:
根据信息收集模块(100)采集的用户的表型信息,确定样本数据集中的各个用户分别与待推荐用户的表型信息之间的相似度,从样本数据集中的各个用户中找出相似度最高的用户,利用所述神经网络协同过滤框架获取相似度最高的用户所对应的经过排序的干预项并输出;
所述损失函数为基于分类数据的二值交叉熵损失函数;任意两个用户的表型信息之间的相似度为jaccard系数。
7.根据权利要求6所述的采集和处理认知信息的方法,其特征在于,
所述隐马尔可夫模型(220)的机器学习,包括:
步骤B1:获取多个不同类型的用户的表型信息,并获取经过人工标注得到的各个类型的用户所推荐采用的干预目标优先级,作为样本数据集;
步骤B2:将用户的表型信息按照类别预先分类成与干预目标对应的多个部分,每个部分根据有与该部分对应的表型信息的数量来计算总得分,按照每个部分的总得分高到低进行排序,以此构成模型的观测序列O,经过人工标注的用户对应的干预方案优先级作为状态序列S;以所述观测序列O和状态序列S对所述隐马尔可夫模型进行训练,以获得所述隐马尔可夫模型的模型参数;
且在所述步骤S3中,利用所述隐马尔可夫模型(220)并通过执行以下步骤来预测干预目标优先级:
根据信息收集模块(100)采集的用户的表型信息,将用户的表型信息按照类别预先分类成与干预目标对应的多个部分,每个部分根据有与该部分对应的表型信息的数量来计算总得分,按照每个部分的总得分高到低进行排序,得到观测序列O;随后使用Viterbi算法根据所述观测序列O和所述隐马尔可夫模型的模型参数来预测状态序列S,得到的状态序列S即为干预目标优先级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354831.9A CN113096773B (zh) | 2021-03-31 | 2021-03-31 | 一种采集和处理认知信息的系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354831.9A CN113096773B (zh) | 2021-03-31 | 2021-03-31 | 一种采集和处理认知信息的系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096773A CN113096773A (zh) | 2021-07-09 |
CN113096773B true CN113096773B (zh) | 2022-06-21 |
Family
ID=76672480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110354831.9A Active CN113096773B (zh) | 2021-03-31 | 2021-03-31 | 一种采集和处理认知信息的系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096773B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238197B (zh) * | 2022-09-26 | 2023-05-23 | 中国电子科技集团公司第十研究所 | 一种基于专家思维模型的领域业务辅助分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389619A (zh) * | 2018-05-21 | 2018-08-10 | 王子华 | 一种早期识别干预抢救反应系统 |
CN108780663A (zh) * | 2015-12-18 | 2018-11-09 | 科格诺亚公司 | 数字个性化医学平台和系统 |
CN109009169A (zh) * | 2018-06-22 | 2018-12-18 | 军事科学院军事医学研究院环境医学与作业医学研究所 | 一种群体心理测试评估系统 |
WO2020092240A1 (en) * | 2018-10-29 | 2020-05-07 | Northwestern University | Big data-driven personalized management of chronic pain |
CN111916181A (zh) * | 2020-07-23 | 2020-11-10 | 南京汇心创悦心理咨询服务有限公司 | 一种基于人工智能的心理建设系统及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2567826B (en) * | 2017-10-24 | 2023-04-26 | Cambridge Cognition Ltd | System and method for assessing physiological state |
US11132920B2 (en) * | 2017-12-20 | 2021-09-28 | International Business Machines Corporation | Personalized intervention based on machine learning of behavior change states |
CN110522983B (zh) * | 2018-05-23 | 2023-06-23 | 深圳先进技术研究院 | 基于人工智能的脑刺激系统、方法、设备和存储介质 |
CN112214607B (zh) * | 2020-09-07 | 2021-06-11 | 深圳市镜象科技有限公司 | 基于人工智能的交互方法、心理干预系统、终端和介质 |
-
2021
- 2021-03-31 CN CN202110354831.9A patent/CN113096773B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108780663A (zh) * | 2015-12-18 | 2018-11-09 | 科格诺亚公司 | 数字个性化医学平台和系统 |
CN108389619A (zh) * | 2018-05-21 | 2018-08-10 | 王子华 | 一种早期识别干预抢救反应系统 |
CN109009169A (zh) * | 2018-06-22 | 2018-12-18 | 军事科学院军事医学研究院环境医学与作业医学研究所 | 一种群体心理测试评估系统 |
WO2020092240A1 (en) * | 2018-10-29 | 2020-05-07 | Northwestern University | Big data-driven personalized management of chronic pain |
CN111916181A (zh) * | 2020-07-23 | 2020-11-10 | 南京汇心创悦心理咨询服务有限公司 | 一种基于人工智能的心理建设系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113096773A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yannakakis et al. | Towards affective camera control in games | |
CN108652648B (zh) | 一种用于老年人抑郁症的抑郁监控装置 | |
US20210162261A1 (en) | Methods and systems for generating physical activity sets for a human subject | |
US20230032131A1 (en) | Dynamic user response data collection method | |
JP7211717B2 (ja) | 画像表示装置、画像表示プログラム及び画像表示方法 | |
WO2015116879A1 (en) | System and method for health assessment | |
CN116807476B (zh) | 基于界面式情感交互的多模态心理健康评估系统及方法 | |
CN112908481A (zh) | 一种自动化个人健康评估及管理方法及系统 | |
US20160324462A1 (en) | Method and system for providing feedback automatically on physiological measurements to a user | |
CN113096773B (zh) | 一种采集和处理认知信息的系统和方法 | |
JP7129867B2 (ja) | 情報出力システム、情報出力方法及び情報出力プログラム | |
JP7337484B2 (ja) | 画像表示装置、画像表示システム、画像表示プログラム及び画像表示方法 | |
JP2022003542A (ja) | 肌状態のケアに関する情報出力システム | |
CN116235197A (zh) | 利用生物特征数据生成产品推荐的系统 | |
JPH05342288A (ja) | 疲労のセルフ・マネジメントシステム | |
JP2022045493A (ja) | 信号処理装置、信号処理方法および信号処理プログラム | |
WO2021075061A1 (ja) | 認知機能測定装置、認知機能測定システム、認知機能測定方法及び認知機能測定プログラム | |
JP6974029B2 (ja) | 画像表示装置、肌状態サポートシステム、画像表示プログラム及び画像表示方法 | |
CN113053490A (zh) | 基于青年人感官特点的心理行为反馈系统与方法 | |
Livio et al. | Smart Fuzzy Cupper: Employing approximate reasoning to derive coffee bean quality scoring from individual attributes | |
JP7051306B2 (ja) | 情報出力システム、肌状態サポートプログラム及び肌状態サポート方法 | |
JP7300018B2 (ja) | 情報出力システム、肌状態サポートプログラム及び肌状態サポート方法 | |
US20240134868A1 (en) | Software agents correcting bias in measurements of affective response | |
EP3757950B1 (en) | Method and system for selecting parameters of a design or security element of banknotes based on neuroanalysis | |
JP7473830B2 (ja) | 休憩レコメンド装置、休憩レコメンド方法及び休憩レコメンドプログラム |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230423 Address after: 200032 area a, 2nd floor, 420 Fenglin Road, Xuhui District, Shanghai Patentee after: Shanghai nuanhenao science and Technology Co.,Ltd. Address before: 201107 room 1019, building 1, 675 Minbei Road, Minhang District, Shanghai Patentee before: Shanghai nuanhe clinical psychology clinic Co.,Ltd. |