CN113393141A - 一种阅读能力的测评方法、装置以及设备 - Google Patents

一种阅读能力的测评方法、装置以及设备 Download PDF

Info

Publication number
CN113393141A
CN113393141A CN202110700280.7A CN202110700280A CN113393141A CN 113393141 A CN113393141 A CN 113393141A CN 202110700280 A CN202110700280 A CN 202110700280A CN 113393141 A CN113393141 A CN 113393141A
Authority
CN
China
Prior art keywords
evaluation
dimension
cognitive
assessment
reading
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.)
Granted
Application number
CN202110700280.7A
Other languages
English (en)
Other versions
CN113393141B (zh
Inventor
梁华东
李鑫
胡铭铭
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.)
iFlytek Co Ltd
Original Assignee
iFlytek 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 iFlytek Co Ltd filed Critical iFlytek Co Ltd
Priority to CN202110700280.7A priority Critical patent/CN113393141B/zh
Publication of CN113393141A publication Critical patent/CN113393141A/zh
Application granted granted Critical
Publication of CN113393141B publication Critical patent/CN113393141B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398Performance of employee with respect to a job function
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)

Abstract

本发明公开了一种阅读能力的测评方法、装置以及设备。本申请利用与阅读能力相关的多个测评维度进行被试的认知测评,并将脑结构特征作为被试的阅读能力的一个考虑因素,探究脑结构特征与每个测评维度之间的相关性,依此获得每个测评维度对于阅读能力的权重,并用所有测评维度的综合评价值来确定被试的阅读能力,该测评方案可解释性强、测评准确率高并且执行便捷性好。

Description

一种阅读能力的测评方法、装置以及设备
技术领域
本发明涉及计算机技术领域,尤其涉及一种阅读能力的测评方法、装置以及设备。
背景技术
阅读是从书面语言符号获得意义的心理过程。阅读障碍儿童通常是指在一般智力、动机、生活环境和教育条件等方面与其他个体没有显著差异,也没有明显的视力、听力、神经系统障碍,但其阅读成绩明显低于同学龄儿童的应有水平,其典型特征是字词识别的精确性与速度受到损伤。
由于现代文明主要以文字为载体,知识的传播主要通过阅读来进行,阅读能力的发展是其他学习能力的基础,所以阅读困难必然严重影响学龄儿童整体的学业成就,限制学龄儿童的发展机会,影响到学龄儿童的整体成长。同时,现有研究揭示阅读困难难以随着年龄、年级增长而改善,往往一直持续到成人期,因而对儿童的认知、情感、自我概念以及社会性发展产生长期负面后果,包括学业失败、自我概念不良、旷课或就业机会有限等。
目前对于阅读能力的评估主要依赖于被试的阅读测验成绩或一系列基于纸质化或电子化的问卷测试调查,其中代表性的问卷有韦氏词汇测验、语音意识测验和快速命名等,依此来进行阅读障碍的筛查。
但是,现有的阅读能力评估方式主要依赖于被试的临场发挥,其测试结果受到测试场景及个人状态的影响,无法客观地体现被试的真正阅读能力。
近些年对于脑机制的研究表明,脑部组织的结构直接影响人体的语言能力,但是目前尚无文献公开如何将脑组织结构应用于人体阅读能力的评估中。
并且,现有技术中,不同的测评机构通过不同维度的评估结果来判定被试的阅读能力;对于同一维度的评估,不同的测评机构针对不同的测试题材设置了不同的测评任务和不同的评估方法。可见,现有技术中用少数维度的评估结果来反映被试的阅读能力,对阅读能力的评价存在片面性,并且这些测评任务和评估方法与测评维度的匹配度有待考证,因此现有技术中缺乏标准统一的、解释性强的阅读能力评估方法,无法为一线教育工作者提供良好的辅助评估依据。
发明内容
鉴于上述,本发明旨在提供一种阅读能力的测评方法、装置以及设备,并相应地提出一种计算机可读存储介质,综合考虑了被试的认知能力和人体的脑结构特征对阅读能力的影响,实现被试的阅读能力的客观评价。
本发明采用的技术方案如下:
第一方面,本发明提供了一种阅读能力的测评方法,包括:
获得被试在多个测评维度的认知测评结果;
依据多个测评维度的认知测评结果以及测评维度对阅读能力的权重计算被试的综合评价值,其中每个测评维度对阅读能力的权重依据测评维度与被试的脑区影像获得的脑结构特征之间的相关度确定;
依据被试的综合评价值确定被试的阅读能力。
在其中一种可能的实现方式中,每个测评维度的权重依据测评维度与被试的脑结构特征之间的相关度和具有阅读障碍的被试的认知测评结果与正常的被试的认知测评结果之间的差异值来确定。
在其中一种可能的实现方式中,针对每个测评维度,计算具有阅读障碍的被试的认知测评结果与正常的被试的认知测评结果之间的差异值包括如下步骤:
分别计算具有阅读障碍的被试在测评维度的认知测评结果和正常的被试在测评维度的认知测评结果的分布情况;
计算具有阅读障碍的被试在测评维度上与正常的被试在测评维度上的分布距离;
将分布距离的倒数作为具有阅读障碍的被试在测评维度的认知测评结果与正常的被试在测评维度的认知测评结果的差异值。
在其中一种可能的实现方式中,针对每个测评维度,将测评维度与被试的脑结构特征之间的相关度与测评维度上具有阅读障碍的被试的认知测评结果与正常的被试的认知测评结果之间的调和平均数作为测评维度的权重。
在其中一种可能的实现方式中,每个测评维度的认知测评结果是基于被试在认知测评中与测评维度对应的每个测评指标的测评结果、与测评维度对应的测评指标模块中的测评指标对特有测评指标因子的权重、特有测评指标因子对该测评维度的认知测评结果的权重计算获得的。
在其中一种可能的实现方式中,被试的综合评价值是基于多层测评模块中每个测评维度对阅读能力的权重计算获得的;获得多层测评模块包括如下步骤:
获得基础测评数据信息,基础测评数据信息至少包括测评维度和测评任务;
构建多层测评模块,包括:
依据基础测评数据信息构建测评维度和测评任务之间的初始关联关系;
对初始关联关系进行初始筛选,筛除关联关系较弱的测评维度和测评任务的组合,获得筛选后的关联关系,作为测评维度和测评任务之间的最终关联关系,将筛选出的测评维度、与每个测评维度具有最终关联关系的多个测评任务组合,形成多层测评模块。
在其中一种可能的实现方式中,获得基础测评数据信息,包括如下步骤:
采集现有测评数据;
依据第一筛选标准对现有测评数据进行初步筛选,获得基础测评数据,其中,第一筛选标准至少包括被试样本数达到目标数、被试的年龄在预设年龄段内、测评的研究统计效力达到第一预设值、效应量达到第二预设值;
对基础测评数据进行编码,作为基础测评数据信息,每一个基础测评数据对应一个基础测评数据信息。
在其中一种可能的实现方式中,依据第二筛选标准对筛选后的关联关系进一步筛选,获得测评维度和测评任务之间的最终关联关系,其中,第二筛选标准包括关联关系的数据信效度、大规模施测性能、发展性能、针对性。
在其中一种可能的实现方式中,脑结构特征至少包括布洛卡区的灰质体积、表面积、灰质密度、褶皱水平。
第二方面,本发明提供了一种阅读能力的测评装置,包括认知测评结果获得模块、综合评价值计算模块以及阅读能力确定模块;
认知测评结果获得模块用于获得被试在多个测评维度的认知测评结果;
综合评价值计算模块用于依据多个测评维度的认知测评结果以及对应的权重计算被试的综合评价值,其中每个测评维度的权重依据测评维度与被试的脑区影像获得的脑结构特征之间的相关度确定;
阅读能力确定模块用于依据被试的综合评价值确定被试的阅读能力。
在其中一种可能的实现方式中,综合评价值计算模块包括相关性权重获得子模块、调节权重获得子模块以及权重计算子模块;
相关性权重获得子模块用于获得每个测评维度上的认知测评结果与被试的脑区影像中获得的脑结构特征之间的相关度,作为测评维度对阅读能力的相关性权重;
调节权重获得子模块用于计算具有阅读障碍的被试在测评维度的认知测评结果与正常的被试在测评维度的认知测评结果之间的差异值,作为测评维度对阅读能力的调节权重;
权重计算子模块用于依据测评维度上的相关性权重和调节权重计算测评维度对阅读能力的权重。
第三方面,本发明提供了一种阅读能力的测评设备,包括:
一个或多个处理器、存储器以及一个或多个计算机程序,存储器可以采用非易失性存储介质,其中一个或多个计算机程序被存储在存储器中,一个或多个计算机程序包括指令,当指令被设备执行时,使得设备执行如第一方面的任一可能实现方式中的阅读能力的测评方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如第一方面的任一可能实现方式中的阅读能力的测评方法。
第五方面,本发明还提供了一种计算机程序产品,当计算机程序产品被计算机执行时,用于执行第一方面的任一可能实现方式中的阅读能力的测评方法。
在第五方面的一种可能的设计中,该产品涉及到的相关程序可以全部或者部分存储在与处理器封装在一起的存储器上,也可以部分或者全部存储在不与处理器封装在一起的存储介质上。
本发明的构思在于,本发明将构建的多层测评模块作为标准施测工具,并对多层测评模块中的每个测评维度建立该测评维度的特有测评指标模块,依此获得每个测评维度的认知测评结果,并考虑认知行为与脑结构特征的关联性以及每个测评维度上具有阅读障碍的人群与正常人群的差异性,作为每个测评维度对阅读能力的权重,最终获得被试的综合评价值,从而构建可执行便捷、可解释性强和准确率高的阅读能力评价体系。
附图说明
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步描述,其中:
图1为本发明提供的阅读能力的测评方法的流程图;
图2为本发明提供的构建测评装置的一种可能的实现方式的流程图;
图3为本发明提供的获得多层测评模块的一种可能的实现方式的流程图;
图4为本发明提供的多层测评模块的一个示例;
图5为本发明提供的获得测评维度的特有测评指标模块的一种可能的实现方式的流程图;
图6为本发明提供的特有测评指标模块的一个示例;
图7为本发明提供的计算测评维度上具有阅读障碍的被试的认知测评结果与正常的被试的认知测评结果之间的差异值的一种可能的实现方式的流程图;
图8为本发明提供的阅读能力的测评装置的一种可能的实现方式的结构示意图;
图9为本发明提供的阅读能力的测评设备的一种可能的实现方式的结构示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
针对上述现有技术,本申请利用与阅读能力相关的多个测评维度进行被试的认知测评,并将脑结构特征作为被试的阅读能力的一个考虑因素,探究脑结构特征与每个测评维度之间的相关性,依此获得每个测评维度对于阅读能力的权重,并用所有测评维度的综合评价值来确定被试的阅读能力。
可以理解地,上述的评价方案不仅适用于处于脑发育阶段的学生人群,也适用于成年人。
基于上述核心构思,本申请提供了一种阅读能力测评方法。如图1所示,阅读能力测评方法包括如下步骤:
S110:获得被试在多个测评维度的认知测评结果。
S120:依据多个测评维度的认知测评结果以及该测评维度对阅读能力的权重计算被试的综合评价值。
S130:依据被试的综合评价值确定被试的阅读能力。
步骤S110中,被试进行认知测评,并将认知测评中获得的测评指标的测评结果输入测评装置后获得每个测评维度的认知测评结果。
其中,测评装置的构建是借鉴了具有权威性和代表性的研究成果,在这些研究成果的基础上进一步筛选出与阅读能力相关性高的多个测评维度以及与每个测评维度匹配度较高的多个测评任务,形成多层测评模块;并且通过对大规模的测评进行数据统计分析从海量的测评指标中筛选出每个测评维度的特有测评指标模块,所有测评维度的特有测评指标模块组合后形成测评装置的指标模块。
具体地,在一种可能的实现方式中,如图2所示,构建测评装置包括如下步骤:
S210:获得多层测评模块,多层测评模块至少包括测评维度层和测评任务层。
具体地,在一种可能的实现方式中,如图3所示,获得多层测评模块包括如下步骤:
S310:获得基础测评数据信息。
具体地,获得基础测评数据信息包括如下步骤:
S3101:采集现有测评数据,现有测评数据是测评机构对已经实施的测评获得的研究成果。现有测评数据中至少包括测评执行者、测评时间、测评过程中的被试样本数、被试的年龄、测评维度、测评任务、测评指标、该测评的研究统计效力、效应量等信息的记录。
在一种可能的实现方式中,可以通过文献调研的方式获得多个现有测评数据。
在另一种可能的实现方式中,通过在全面性和权威性较高的数据库平台中检索获得多个现有实证文献,作为现有测评数据。例如,通过“web of science”、“Proquest”、”psycINFO”、“中国知网”等数据库平台进行检索。作为示例,检索的关键词如“dyslexiascreening”、“dyslexia evaluation”、“special learning disability”、“languageimpairment”等。可以理解地,检索式中也包括诸如测评时间、测评执行者等其他检索词以及构成检索式必要的逻辑关系。
可以理解地,可以采用其他方式进行现有测评数据的采集。并且可以理解地,可以采用一种或多种方式进行现有测评数据的采集。
需要说明的是,现有测评数据的采集过程中,选取领域内评价度较高的测评执行者发表的实证文献,特别是典型的或公知的研究成果。
S3102:对现有测评数据进行初步筛选,获得基础测评数据。
在一种可能的实现方式中,依据第一筛选标准对现有测评数据进行初步筛选。第一筛选标准中的参数是通过数据统计分析获得的与阅读能力的测评相关度较高的参数。其中,第一筛选标准至少包括被试样本数达到目标数、被试的年龄在预设年龄段内、该测评的研究统计效力达到第一预设值、效应量达到第二预设值。通过初步筛选后获得的基础测评数据可以作为构建多层测评模块的基础。
可以理解地,第一筛选标准中的参数也可以包括实践中对测评结果影响较大的参数,如测评场景、被试情绪、被试身体状况等。
每一个被筛选出来的现有测评数据(如实证文献)作为一个基础测评数据。
S3103:对基础测评数据进行编码,作为基础测评数据信息,每一个基础测评数据对应一个基础测评数据信息。其中,基础测评数据信息至少包括测评执行者、测评时间、测评过程中的被试样本数、被试的年龄、测评维度、测评任务。可以理解地,基础测评数据信息还包括测评指标、评估方法、发表时间、该测评的研究统计效力、效应量等。
在一种可能的实现方式中,以表格的形式对基础测评数据进行编码。表1示出了一个实例。
表1
Figure BDA0003129921330000081
在另一种可能的实现方式中,可以将每个基础测评数据对应的基础测评数据信息组合成向量的形式,实现基础测评数据的编码。
S320:构建多层测评模块。
具体地,构建多层测评模块包括如下步骤:
S3201:依据基础测评数据信息构建测评维度和测评任务之间的初始关联关系。
具体地,从所有基础测评数据信息中统计与每个测评维度对应的所有测评任务,作为测评维度和测评任务之间的初始关联关系。
S3202:对初始关联关系进行初始筛选,获得测评维度和测评任务之间的最终关联关系,将筛选出的测评维度、与每个测评维度具有最终关联关系的多个测评任务组合,形成多层测评模块,其中,所有的测评维度构成了多层测评模块的测评维度层,所有的测评任务构成了多层测评模块的测评任务层。
具体地,通过元分析方法对测评维度、测评任务和测评指标之间的关联关系进行初始筛选。
元分析方法是对初始关联关系中两两基础测评数据信息之间的关联关系进行分析,达到筛选的目的。
作为一个实例,将初始关联关系数据输入整合分析(Comprehensive Meta-Analysis,CMA)软件进行分析,通过例如计算研究问题效应量和/或敏感性分析等,筛除关联关系较弱的测评维度和测评任务的组合,获得筛选后的关联关系。并且,通过元分析方法获得数据信效度。
在一种可能的实现方式中,优选地,依据第二筛选标准对筛选后的关联关系进行进一步筛选,获得最终关联关系。第二筛选标准至少包括该关联关系的数据信效度(例如,数据信效度大于第三预设值)、大规模施测性能、发展性能、针对性。作为实例,大规模施测性能为该最终关联关系是否适合大规模施测。发展性能为该最终关联关系是否可以衡量、监测不同学段、不同阅读表现阶段的变化过程的性能。作为举例,针对性为对汉语的阅读障碍筛查是否具有适用性。
可以理解地,在一种可能的实现方式中,可以针对大规模测评中提取的测评维度和测评任务进行聚类分析,获得多层测评模块。
图4为多层测评模块的一个示例。如图4所示,用于阅读能力测评的测评维度包括语音加工能力、一般感知觉和认知能力、视空间能力等。以语音加工能力为例,与语音加工能力具有最终关联关系的测评任务包括语音意识测试、快速命名任务以及汉字认读任务。
S220:确定每个测评维度的特有测评指标模块。
特有测评指标模块的获得需要大规模被试进行认知测评,完成多个测评任务,并在完成测评任务后获得相应的测评指标,并对获得的测评指标进行数据入库和诸如缺失值、异常值的数据清洗,从而获得可靠的认知测评数据。
在一种可能的实现方式中,通过探索性因子分析方法获得特有测评指标模块。
作为一种可能的实现方式,对于每个测评维度,如图5所示,获得该测评维度的特有测评指标模块包括如下步骤:
S510:从大规模测评中提取与该测评维度对应的测评任务中的测评指标,将与该测评维度对应的测评指标作为待分析变量,将提取的所有测评指标组合成测评指标集合,作为待分析的样本。
S520:对待分析的样本进行取样适当性度量(Kaiser-Meyer-Olkin,KMO)检验和巴特利特(Bartlett)球度检验,判断该数据是否适合做因子分析。若KMO检验和Bartlett球度检验通过,则执行S530。反之,则退出分析。其中,KMO检验用于比较变量间简单相关系数和偏相关系数的指标。KMO值在0和1之间。当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时,KMO值接近1。KMO值越接近于1,意味着变量间的相关性越强,原有变量越适合作因子分析;当所有变量间的简单相关系数平方和接近0时,KMO值接近0。KMO值越接近于0,意味着变量间的相关性越弱,原有变量越不适合作因子分析。探索性因子分析法一般要求KMO值大于0.5。
Bartlett检验样本阵是否为单位阵,单位阵代表样本间独立,无法分析,Bartlett球形度sig.值越大,样本间越独立。Bartlett球形度sig.值小于0.05时,满足探索性因子分析的要求。
S530:对待分析的样本进行探索性因子分析,获得与该测评维度对应的综合质量因子F、因子得分矩阵A和因子贡献率G。
具体地,因子分析包括如下步骤:
S5301:对待分析的样本进行主成分分析(PCA,Principal ComponentAnalysis),获取与该测评维度对应的第一公因子组和第一因子载荷矩阵。
通常第一公因子组内的公因子相互间独立性差,因此为提高公因子间的独立性,执行S5302。
S5302:对第一公因子组进行正交旋转,得到与该测评维度对应的第二公因子组和第二因子载荷矩阵。
因为第二公因子中公因子较多,部分公因子贡献率较小,因此执行S5303。
S5303:从第二公因子组选择贡献率较大的公因子,获得与该测评维度对应的第三公因子组,并计算与该测评维度对应的因子得分矩阵和因子贡献率。
利用K1规则,基于第二因子载荷矩阵计算第二公因子的特征值,选择特征值大于1的公因子进行贡献率从大到小排序,利用碎石图分析方法判断累积贡献率不再显著下降前的公因子为所选择的公因子。
然后对第二公因子组中被选择的公因子进行斜交旋转,获得第三公因子组和第三因子载荷矩阵,第三公因子组更加稳定、独立和可解释。
将第三公因子组作为与该测评维度对应的特有测评指标因子,并基于第三因子载荷矩阵计算与该测评维度对应的因子得分矩阵和因子贡献率。
S5304:利用与该测评维度对应的特有测评指标因子和测评指标集合中的测评指标构建多层因子结构,作为该测评维度的特有测评指标模块。图6示出了一个实例。
作为一个实例,可以通过SPSS软件实现步骤S530。
S540:依据因子得分矩阵和因子贡献率确定特有测评指标模块中特有测评指标因子对该测评维度的认知测评结果的权重以及测评指标对特有测评指标因子的权重。
具体地,依据因子得分矩阵建立测评指标与特有测评指标因子间的回归方程,获得测评指标对特有测评指标因子的权重,并依据因子贡献率将特有测评指标因子对该测评维度的认知测评结果的贡献率归一化,获得特有测评指标因子对该测评维度的认知测评结果的权重。
可以理解地,可以通过其他公知的因子分析方法获得特有测评指标模块。
S230:将多层测评模块和与每个测评维度对应的特有测评指标模块融合在一起,形成测评装置。
可以理解地,测评装置还包括更多的模块,请参考后续的说明。
在构建测评装置的过程中,依据与每个测评维度对应的测评指标的测评结果和测评指标模块计算每个被试在该测评维度上的认知测评结果,利用该认知测评结果进一步构建测评装置。举例来说,测评指标为正确率,测评指标的测评结果为正确率是50%。
在利用构建好的测评装置进行认知测评时,被试需要完成多个测评任务,并获得与每个测评任务对应的多个测评指标。依据认知测评中被试在每个测评指标的测评结果、测评指标模块中的测评指标对特有测评指标因子的权重、特有测评指标因子对该测评维度的认知测评结果的权重,采用加权求和的方式计算出被试在每个测评维度的认知测评结果Score_i。
进一步地,步骤S120中,依据多个测评维度的认知测评结果以及对应的权重计算被试的综合评价值,其中每个测评维度的权重依据测评维度与被试的脑区影像获得的脑结构特征之间的相关度确定。
可以理解地,测评装置还包括每个测评维度对阅读能力的权重。
其中,在一种可能的实现方式中,通过对大规模的测评进行数据统计分析方法获得每个测评维度的权重。
其中,可以依据第三方影像分析工具(如Free surfer)提取大规模的被试的磁共振结构像(例如T1加权图像)中与阅读能力高度相关的脑区影像特征,该脑区影像特征体现了被试脑发育水平。脑区影像特征至少包括布洛卡区的灰质体积、表面积、灰质密度、褶皱水平等。
利用每个被试在每个测评维度上的认知测评结果、每个被试的脑区影像中获得的脑结构特征进行相关性分析(例如皮尔逊相关性分析方法),将获得的相关度作为该测评维度对阅读能力的相关性权重Wi1(i=1,2,……N),其中,Wi1为第i个测评维度的相关性权重。
在一种可能的实现方式中,将每个测评维度对阅读能力的相关性权重作为该测评维度对阅读能力的权重。
为了更准确地区分具有阅读障碍的人群与具有正常阅读能力的人群的差异性,优选地,每个测评维度的权重依据测评维度与被试的脑结构特征之间的相关度和具有阅读障碍的被试的认知测评结果与正常的被试的认知测评结果之间的差异值来确定。
具体地,作为一种可能的实现方式,如图7所示,对于每个测评维度,计算具有阅读障碍的被试的认知测评结果与正常的被试的认知测评结果之间的差异值,包括如下步骤:
S710:将大规模测评中的被试划分到阅读障碍组g1或正常对照组g2。
在一种可能的实现方式中,依据专家经验或其他测评方法确定被试是否具有阅读障碍,依此将被试划分到阅读障碍组g1或正常对照组g2。
S720:分别计算具有阅读障碍的被试在该测评维度的认知测评结果和正常的被试在该测评维度的认知测评结果的分布情况。
在一种可能的实现方式中,两个组的分布情况记为
Figure BDA0003129921330000131
Figure BDA0003129921330000132
其中,Pg1~N为阅读障碍组在该测评维度上的认知测评结果的概率密度函数,N为阅读障碍组中被试的总数量,μg1,
Figure BDA0003129921330000133
为阅读障碍组在该测评维度上的认知测评结果的均值和方差,Pg2~N为正常对照组的认知测评结果的概率密度函数,μg2,
Figure BDA0003129921330000134
为正常对照组的认知测评结果的均值和方差。
S730:计算具有阅读障碍的被试在该测评维度上与正常的被试在该测评维度的上的分布距离。
在一种可能的实现方式中,利用JS散度计算分布距离。
具体地,采用如下公式计算分布距离:
Figure BDA0003129921330000135
其中,JS(Pg1||Pg2)为阅读障碍组在该测评维度上与正常对照组在该测评维度上的JS散度值,
Figure BDA0003129921330000136
为阅读障碍组在该测评维度上的KL散度函数,
Figure BDA0003129921330000141
为正常对照组在该测评维度上的KL散度函数。
S740:将分布距离的倒数(即1/JS(Pg1||Pg2))作为具有阅读障碍的被试的认知测评结果与正常的被试的认知测评结果之间的差异值。
在该优选实现方式中,将上述差异值作为该测评维度对阅读能力的调节权重Wi2(i=1,2,……N),其中,Wi2为第i个测评维度的调节权重。进而依据该测评维度对阅读能力的相关性权重Wi1和调节权重Wi2获得该测评维度对阅读能力的权重Wi,其中,Wi为第i个测评维度对阅读能力的权重。
在一种可能的实现方式中,将每个测评维度的相关度与测评维度的差异值的调和平均数作为该测评维度对阅读能力的权重,即
Wi=2Wi1*Wi2/(Wi1+Wi2) (2)
在步骤S110获得被试在每个测评维度上的认知测评结果的基础上,步骤S120中,结合每个测评维度的认知测评结果以及每个测评维度对阅读能力的权重可以获得被试的综合评价值Score
Figure BDA0003129921330000142
其中,n为测评维度的总数量。
步骤S130中,测评装置中设定了多个阅读能力级别,每个阅读能力级别与一个综合评价值范围对应。该阅读能力级别至少包括正常和阅读障碍两个级别。被试的综合评价值落入,被试就属于该综合评价值范围对应的阅读能力级别。
基于上述的阅读能力的测评方法,本申请还提供了一种阅读能力的测评装置。
作为一种可能的实现方式,如图8所示,阅读能力的测评装置800包括认知测评结果获得模块810、综合评价值计算模块820以及阅读能力确定模块830。
认知测评结果获得模块810用于获得被试在多个测评维度的认知测评结果;
综合评价值计算模块820用于依据多个测评维度的认知测评结果以及测评维度对阅读能力的权重计算被试的综合评价值,其中每个测评维度对阅读能力的权重依据测评维度与被试的脑区影像获得的脑结构特征之间的相关度确定;
阅读能力确定模块830用于依据被试的综合评价值确定被试的阅读能力。
在一种可能的实现方式中,认知测评结果获得模块包括多层测评模块获得子模块8101和特有测评指标模块获得子模块8102。
多层测评模块获得子模块8101用于获得认知测评的评价维度以及认知测评中所执行的任务。
特有测评指标模块获得子模块8102用于获得每个测评维度中的特有测评指标因子,并利用该测评维度对应的测评指标和特有测评指标维度构建多层因子结构。
可以理解地,上述的多层测评模块获得子模块8101和特有测评指标模块获得子模块8102是经训练获得的神经网络模型,利用神经网络的自学习功能使得测评装置的结构更加客观,可解释性更强。
在一种可能的实现方式中,综合评价值计算模块820包括相关性权重获得子模块8201、调节权重获得子模块8202以及权重计算子模块8203。
相关性权重获得子模块8201用于获得每个测评维度上的认知测评结果与被试的脑区影像中获得的脑结构特征之间的相关度,作为该测评维度对阅读能力的相关性权重。
调节权重获得子模块8202用于计算具有阅读障碍的被试在该测评维度的认知测评结果与正常的被试在该测评维度的认知测评结果之间的差异值,作为该测评维度对阅读能力的调节权重。
权重计算子模块8203用于依据该测评维度上的相关性权重和调节权重计算该测评维度对阅读能力的权重。
可以理解地,上述的相关性权重获得子模块8201、调节权重获得子模块8202以及权重计算子模块8203是经训练获得的神经网络模型,利用神经网络的自学习功能使得权重的计算更加精准。
可以理解地,本申请的阅读能力的测评装置可以是多个子模型融合而成的神经网络模型,也可以是一个单独的神经网络训练模型。
应理解以上图8所示的阅读能力的测评装置的各个部件的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些部件可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分部件以软件通过处理元件调用的形式实现,部分部件通过硬件的形式实现。例如,某个上述模块可以为单独设立的处理元件,也可以集成在电子设备的某一个芯片中实现。其它部件的实现与之类似。此外这些部件全部或部分可以集成在一起,也可以独立实现。在实现过程中,上述方法的各步骤或以上各个部件可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些部件可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit;以下简称:ASIC),或,一个或多个微处理器(Digital Singnal Processor;以下简称:DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array;以下简称:FPGA)等。再如,这些部件可以集成在一起,以片上系统(System-On-a-Chip;以下简称:SOC)的形式实现。
综合上述各实施例及其优选方案,本领域技术人员可以理解的是,在实际操作中,本发明适用于多种实施方式,本发明以下述载体作为示意性说明:
(1)一种阅读能力的测评设备,其可以包括:
一个或多个处理器、存储器以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述设备执行时,使得所述设备执行前述实施例或等效实施方式的步骤/功能。
图9为本发明的阅读能力的测评设备的实施例的结构示意图,其中,该设备可以是电子设备也可以是内置于上述电子设备的电路设备。上述电子设备可以为PC、智能终端(手机、平板、手表等)、智能电视等。本实施例对阅读能力的测评设备的具体形式不作限定。
具体如图9所示,阅读能力的测评设备900包括处理器910、存储器930、输入单元960和显示单元970。其中,处理器910和存储器930之间可以通过内部连接通路互相通信,传递控制和/或数据信号,该存储器930用于存储计算机程序,该处理器910用于从该存储器930中调用并运行该计算机程序。上述处理器910可以和存储器930合成一个处理装置,更常见的是彼此独立的部件,处理器910用于执行存储器930中存储的程序代码来实现上述功能。具体实现时,该存储器930也可以集成在处理器910中,或者,独立于处理器910。
除此之外,为了使得阅读能力的测评设备900的功能更加完善,该设备900还可以包括音频电路980、摄像头990和传感器901等中的一个或多个,所述音频电路还可以包括扬声器982、麦克风984等。其中,显示单元970可以包括显示屏。
进一步地,上述阅读能力的测评设备900还可以包括电源950,用于给该设备900中的各种器件或电路提供电能。
应理解,图9所示的自动声纹建模入库设备900能够实现前述实施例提供的方法的各个过程。该设备900中的各个部件的操作和/或功能,可分别为了实现上述方法实施例中的相应流程。具体可参见前文中关于方法、装置等实施例的描述,为避免重复,此处适当省略详细描述。
应理解,图4所示的自动声纹建模入库设备900中的处理器910可以是片上系统SOC,该处理器910中可以包括中央处理器(Central Processing Unit;以下简称:CPU),还可以进一步包括其他类型的处理器,例如:图像处理器(Graphics Processing Unit;以下简称:GPU)等,具体在下文中再作介绍。
总之,处理器910内部的各部分处理器或处理单元可以共同配合实现之前的方法流程,且各部分处理器或处理单元相应的软件程序可存储在存储器930中。
(2)一种可读存储介质,在可读存储介质上存储有计算机程序或上述装置,当计算机程序或上述装置被执行时,使得计算机执行前述实施例或等效实施方式的步骤/功能。
在本发明所提供的几个实施例中,任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的某些技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以如下所述软件产品的形式体现出来。
(3)一种计算机程序产品(该产品可以包括上述装置),该计算机程序产品在终端设备上运行时,使终端设备执行前述实施例或等效实施方式的自动声纹建模入库方法。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述计算机程序产品可以包括但不限于是指APP;接续前文,上述设备/终端可以是一台计算机设备(例如手机、PC终端、云平台、服务器、服务器集群或者诸如媒体网关等网络通信设备等)。并且,该计算机设备的硬件结构还可以具体包括:至少一个处理器,至少一个通信接口,至少一个存储器和至少一个通信总线;处理器、通信接口、存储器均可以通过通信总线完成相互间的通信。其中,处理器可能是一个中央处理器CPU、DSP、微控制器或数字信号处理器,还可包括GPU、嵌入式神经网络处理器(Neural-network Process Units;以下简称:NPU)和图像信号处理器(Image Signal Processing;以下简称:ISP),该处理器还可包括特定集成电路ASIC,或者是被配置成实施本发明实施例的一个或多个集成电路等,此外,处理器可以具有操作一个或多个软件程序的功能,软件程序可以存储在存储器等存储介质中;而前述的存储器/存储介质可以包括:非易失性存储器(non-volatile memory),例如非可移动磁盘、U盘、移动硬盘、光盘等,以及只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)等。
本发明实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
本领域技术人员可以意识到,本说明书中公开的实施例中描述的各模块、单元及方法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方式来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以及,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可。尤其,对于装置、设备等实施例而言,由于其基本相似于方法实施例,所以相关之处可参见方法实施例的部分说明即可。以上所描述的装置、设备等实施例仅仅是示意性的,其中作为分离部件说明的模块、单元等可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个地方,例如系统网络的节点上。具体可根据实际的需要选择其中的部分或者全部模块、单元来实现上述实施例方案的目的。本领域技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,但以上仅为本发明的较佳实施例,需要言明的是,上述实施例及其优选方式所涉及的技术特征,本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下,合理地组合搭配成多种等效方案;因此,本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。

Claims (13)

1.一种阅读能力的测评方法,其特征在于,包括:
获得被试在多个测评维度的认知测评结果;
依据所述多个测评维度的认知测评结果以及所述测评维度对阅读能力的权重计算被试的综合评价值,其中每个测评维度对阅读能力的权重依据所述测评维度与被试的脑区影像获得的脑结构特征之间的相关度确定;
依据所述被试的综合评价值确定所述被试的阅读能力。
2.根据权利要求1所述的阅读能力的测评方法,其特征在于,每个测评维度的权重依据所述测评维度与被试的脑结构特征之间的相关度和具有阅读障碍的被试的认知测评结果与正常的被试的认知测评结果之间的差异值来确定。
3.根据权利要求2所述的阅读能力的测评方法,其特征在于,针对每个测评维度,计算具有阅读障碍的被试的认知测评结果与正常的被试的认知测评结果之间的差异值包括如下步骤:
分别计算具有阅读障碍的被试在所述测评维度的认知测评结果和正常的被试在所述测评维度的认知测评结果的分布情况;
计算具有阅读障碍的被试在所述测评维度上与正常的被试在所述测评维度上的分布距离;
将所述分布距离的倒数作为具有阅读障碍的被试在所述测评维度的认知测评结果与正常的被试在所述测评维度的认知测评结果的差异值。
4.根据权利要求2所述的阅读能力的测评方法,其特征在于,针对每个测评维度,将所述测评维度与被试的脑结构特征之间的相关度与所述测评维度上具有阅读障碍的被试的认知测评结果与正常的被试的认知测评结果之间的调和平均数作为所述测评维度的权重。
5.根据权利要求1或2所述的阅读能力的测评方法,其特征在于,每个测评维度的认知测评结果是基于被试在认知测评中与所述测评维度对应的每个测评指标的测评结果、与测评维度对应的测评指标模块中的测评指标对特有测评指标因子的权重、特有测评指标因子对该测评维度的认知测评结果的权重计算获得的。
6.根据权利要求5所述的阅读能力的测评方法,其特征在于,被试的综合评价值是基于多层测评模块中每个测评维度对阅读能力的权重计算获得的;
获得所述多层测评模块包括如下步骤:
获得基础测评数据信息,所述基础测评数据信息至少包括测评维度和测评任务;
构建多层测评模块,包括:
依据所述基础测评数据信息构建测评维度和测评任务之间的初始关联关系;
对所述初始关联关系进行初始筛选,筛除关联关系较弱的测评维度和测评任务的组合,获得筛选后的关联关系,作为测评维度和测评任务之间的最终关联关系,将筛选出的测评维度、与每个测评维度具有最终关联关系的多个测评任务组合,形成多层测评模块。
7.根据权利要求6所述的阅读能力的测评方法,其特征在于,所述获得基础测评数据信息,包括如下步骤:
采集现有测评数据;
依据第一筛选标准对所述现有测评数据进行初步筛选,获得基础测评数据,其中,所述第一筛选标准至少包括被试样本数达到目标数、被试的年龄在预设年龄段内、测评的研究统计效力达到第一预设值、效应量达到第二预设值;
对所述基础测评数据进行编码,作为基础测评数据信息,每一个所述基础测评数据对应一个基础测评数据信息。
8.根据权利要求6所述的阅读能力的测评方法,其特征在于,依据第二筛选标准对所述筛选后的关联关系进一步筛选,获得测评维度和测评任务之间的最终关联关系,其中,所述第二筛选标准包括关联关系的数据信效度、大规模施测性能、发展性能、针对性。
9.根据权利要求1所述的阅读能力的测评方法,其特征在于,所述脑结构特征至少包括布洛卡区的灰质体积、表面积、灰质密度、褶皱水平。
10.一种阅读能力的测评装置,其特征在于,包括认知测评结果获得模块、综合评价值计算模块以及阅读能力确定模块;
所述认知测评结果获得模块用于获得被试在多个测评维度的认知测评结果;
所述综合评价值计算模块用于依据所述多个测评维度的认知测评结果以及对应的权重计算被试的综合评价值,其中每个测评维度的权重依据所述测评维度与被试的脑区影像获得的脑结构特征之间的相关度确定;
所述阅读能力确定模块用于依据所述被试的综合评价值确定所述被试的阅读能力。
11.根据权利要求10所述的阅读能力的测评装置,其特征在于,所述综合评价值计算模块包括相关性权重获得子模块、调节权重获得子模块以及权重计算子模块;
所述相关性权重获得子模块用于获得每个测评维度上的认知测评结果与被试的脑区影像中获得的脑结构特征之间的相关度,作为所述测评维度对阅读能力的相关性权重;
所述调节权重获得子模块用于计算具有阅读障碍的被试在所述测评维度的认知测评结果与正常的被试在所述测评维度的认知测评结果之间的差异值,作为所述测评维度对阅读能力的调节权重;
所述权重计算子模块用于依据所述测评维度上的相关性权重和调节权重计算所述测评维度对阅读能力的权重。
12.一种阅读能力的测评设备,其特征在于,包括:
一个或多个处理器、存储器以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述设备执行时,使得所述设备执行如权利要求1~9中任一项所述的阅读能力的测评方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如权利要求1~9中任一项所述的阅读能力的测评方法。
CN202110700280.7A 2021-06-23 2021-06-23 一种阅读能力的测评方法、装置以及设备 Active CN113393141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110700280.7A CN113393141B (zh) 2021-06-23 2021-06-23 一种阅读能力的测评方法、装置以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110700280.7A CN113393141B (zh) 2021-06-23 2021-06-23 一种阅读能力的测评方法、装置以及设备

Publications (2)

Publication Number Publication Date
CN113393141A true CN113393141A (zh) 2021-09-14
CN113393141B CN113393141B (zh) 2023-12-01

Family

ID=77623709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110700280.7A Active CN113393141B (zh) 2021-06-23 2021-06-23 一种阅读能力的测评方法、装置以及设备

Country Status (1)

Country Link
CN (1) CN113393141B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020188217A1 (en) * 2001-06-07 2002-12-12 Lawrence Farwell Method and apparatus for brain fingerprinting, measurement, assessment and analysis of brain function
TWI567686B (zh) * 2015-10-26 2017-01-21 國立中山大學 操作語言能力評估組件的方法
US20180014768A1 (en) * 2015-04-07 2018-01-18 Tata Consultancy Services Limited System and method for estimating cognitive traits
JP2018033516A (ja) * 2016-08-29 2018-03-08 一般社団法人ブレインインパクト 脳情報解析装置及び脳健康指標演算装置
CN109498037A (zh) * 2018-12-21 2019-03-22 中国科学院自动化研究所 基于深度学习提取特征和多重降维算法的脑认知测量方法
CN109646001A (zh) * 2018-12-21 2019-04-19 中国科学院自动化研究所 基于脑影像的脑认知能力测量系统
TWI679652B (zh) * 2019-01-14 2019-12-11 國立陽明大學 個人化大腦影像評估之方法、非暫時性電腦可讀媒體及設備

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020188217A1 (en) * 2001-06-07 2002-12-12 Lawrence Farwell Method and apparatus for brain fingerprinting, measurement, assessment and analysis of brain function
US20180014768A1 (en) * 2015-04-07 2018-01-18 Tata Consultancy Services Limited System and method for estimating cognitive traits
TWI567686B (zh) * 2015-10-26 2017-01-21 國立中山大學 操作語言能力評估組件的方法
JP2018033516A (ja) * 2016-08-29 2018-03-08 一般社団法人ブレインインパクト 脳情報解析装置及び脳健康指標演算装置
CN109498037A (zh) * 2018-12-21 2019-03-22 中国科学院自动化研究所 基于深度学习提取特征和多重降维算法的脑认知测量方法
CN109646001A (zh) * 2018-12-21 2019-04-19 中国科学院自动化研究所 基于脑影像的脑认知能力测量系统
TWI679652B (zh) * 2019-01-14 2019-12-11 國立陽明大學 個人化大腦影像評估之方法、非暫時性電腦可讀媒體及設備

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANNIE BARES 等: "Close Reading for Visualization Evaluation", IEEE COMPUTER GRAPHICS AND APPLICATIONS, vol. 40, no. 4, pages 84, XP011793470, DOI: 10.1109/MCG.2020.2993889 *
宋然然等: "阅读障碍儿童的神经机制研究进展", 国外医学(社会医学分册), pages 52 - 55 *

Also Published As

Publication number Publication date
CN113393141B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
KR101969540B1 (ko) 인지 기능 재활 훈련 방법 및 장치
CN109496334A (zh) 用于评估语音质量的设备和方法
CN117557941A (zh) 基于多模态数据融合的视频智能分析系统及方法
CN111931616A (zh) 基于移动智能终端传感器设备的情绪识别方法及系统
CN113554597A (zh) 一种基于脑电特征的图像质量评价方法及装置
König et al. Assessing the applicability of vote advice applications for estimating party positions
CN113435713B (zh) 基于gis技术和两模型融合的风险地图编制方法及系统
CN109101883B (zh) 一种抑郁倾向评价装置及系统
Lutsai et al. Geolocation predicting of tweets using bert-based models
CN112669936A (zh) 一种基于文本和图像社交网络抑郁检测方法
CN117149979A (zh) 一种贷前智能问答及评审模块的构建方法及装置
CN113469274B (zh) 一种阅读能力的测评方法、装置以及设备
CN117219127A (zh) 认知状态识别方法以及相关设备
CN112115908A (zh) 一种社交能力评估方法及其装置
CN113393141B (zh) 一种阅读能力的测评方法、装置以及设备
CN111723869A (zh) 一种面向特殊人员的行为风险智能预警方法及系统
CN115910367A (zh) 近视防控分级预警的方法、装置、电子设备及存储介质
CN115472264A (zh) 一种非接触式的心理状态预测方法
Davidson et al. Support for governments and leaders: Fractional cointegration analysis of poll evidence from the UK, 1960-2004
CN113919983A (zh) 试题画像方法、装置、电子设备和存储介质
Dardick et al. Entropy-based measures for person fit in item response theory
Peng et al. Sleep-deprived fatigue pattern analysis using large-scale selfies from social media
Wisler et al. Can machines learn continuous measures of speech severity from ordinal training labels?
Guo et al. A study on the identification of entrepreneurial success or failure through machine learning algorithms.
Rondinelli Essays on the Network Analysis of Culture

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