CN113469274A - 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 PDFInfo
- Publication number
- CN113469274A CN113469274A CN202110821489.9A CN202110821489A CN113469274A CN 113469274 A CN113469274 A CN 113469274A CN 202110821489 A CN202110821489 A CN 202110821489A CN 113469274 A CN113469274 A CN 113469274A
- Authority
- CN
- China
- Prior art keywords
- correlation
- trial
- cognitive
- magnetic resonance
- image
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 69
- 230000001149 cognitive effect Effects 0.000 claims abstract description 98
- 210000004556 brain Anatomy 0.000 claims abstract description 89
- 238000012360 testing method Methods 0.000 claims abstract description 64
- 238000003384 imaging method Methods 0.000 claims abstract description 30
- 230000006399 behavior Effects 0.000 claims description 58
- 238000000034 method Methods 0.000 claims description 56
- 230000000284 resting effect Effects 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 206010013932 dyslexia Diseases 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 208000022372 Reading disease Diseases 0.000 claims description 9
- 230000003542 behavioural effect Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 5
- 230000003931 cognitive performance Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000012216 screening Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000003908 quality control method Methods 0.000 description 5
- 230000003925 brain function Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 230000004886 head movement Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229920001817 Agar Polymers 0.000 description 1
- 206010013654 Drug abuse Diseases 0.000 description 1
- 208000016621 Hearing disease Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000008272 agar Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000004641 brain development Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000499 gel Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000008449 language Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000003565 oculomotor Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008433 psychological processes and functions Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Neurology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Developmental Disabilities (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Child & Adolescent Psychology (AREA)
- General Engineering & Computer Science (AREA)
- Hospice & Palliative Care (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (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，测评方法包括：获得磁共振功能成像设备的当日运行环境评分；在多试次中，在采集被试的磁共振功能图像的同时采集被试的认知测评数据；从每个试次的磁共振功能图像中提取该试次的脑影像特征，从每个试次的认知测评数据中提取该试次的认知行为特征；结合当日运行环境评分，依据每个试次的脑影像特征和认知行为特征计算每个试次的认知行为特征与脑影像特征之间的第一综合相关度；依据所有试次的第一综合相关度进行阅读能力的分类。本发明将磁共振功能成像设备的成像运行环境作为阅读能力测评的一个考虑因素，使得测评结果消除机器的成像运行环境的影响。
Description
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，其中，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，儿童也没有明显的视力、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、滥用药物、旷课、违法犯罪或就业机会有限等。
随着阅读障碍研究的不断深入，基于神经影像分析的筛查方法受到越来越多的关注，如基于大脑血氧水平的功能成像技术，在功能像扫描过程中添加被试的行为任务的施测，通过度量功能像图像特征和相关行为学特征以监测不同被试在处理认知阅读活动时其大脑不同脑区的激活模式差异性。然而，随着近些年多中心站点研究的需求，其鉴别结果的一致性和处理流程的标准性易受不同站点机器的成像运行环境以及鉴别方式的影响。
近些年来，从神经解剖学角度进行阅读障碍筛查取得良好的进展，其主要做法是通过采集被试的功能成像数据及相应行为数据，从而可以依赖影像专家经验对影像中特定脑组织以及功能模块的异常进行判断来进行评估。但是，若依赖专家经验进行评定，面临着耗时耗力、标准不统一的问题，不利于筛查结果在多站点间的横向比较。
此外，也有部分研究者通过提取相应多模态数据(脑电、眼动、生理和行为等)，从而利用主成分分析等方法进行筛查指标的选取，从而建立筛查系统进行学生阅读障碍筛查工作。这样的方式同样受不同站点机器的成像运行环境的影响。
可以看出，现有的方案中，不管基于人工专家方案还是多模态脑相关指标选取方案均没有考虑多中心站点机器每日的成像环境对影像特征可靠性的影响。
另外，现有的筛查方法没有探究被试的个体认知行为差异的整体性和局部性与脑影像特征的相关性模式。
综上，现有的阅读能力筛查方法面临着可信度弱、可解释性差等问题。
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以及计算机程序产品，将磁共振功能成像设备的成像运行环境作为阅读能力测评的一个考虑因素，使得测评结果消除机器的成像运行环境的影响，提高了阅读能力测评结果的可信度，增强了其可解释性。
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：
获得磁共振功能成像设备的当日运行环境评分；
在多试次中，在采集被试的磁共振功能图像的同时采集被试的认知测评数据；
从每个试次的磁共振功能图像中提取该试次的脑影像特征，从每个试次的认知测评数据中提取该试次的认知行为特征；
结合当日运行环境评分，依据每个试次的脑影像特征和认知行为特征计算每个试次的认知行为特征与脑影像特征之间的第一综合相关度；
依据所有试次的第一综合相关度进行阅读能力的分类。
在其中一种可能的实现方式中，每个试次中，在采集被试在任务态的磁共振功能图像之前采集被试在静息态的磁共振功能图像，任务态的磁共振功能图像和静息态的磁共振功能图像形成磁共振功能图像。
在其中一种可能的实现方式中，结合当日运行环境评分，依据每个试次的脑影像特征和认知行为特征计算每个试次的认知行为特征与脑影像特征之间的第一综合相关度，包括如下步骤：
拼接每个试次的静息态脑影像特征与当日运行环境评分，获得第一拼接特征，并计算每个试次的认知行为特征与第一拼接特征之间的相关度，作为第一相关度；
计算每个试次的静息态脑影像特征与任务态脑影像特征之间的相关度，作为第二相关度；
将每个试次第一相关度与第二相关度的乘积作为该试次中被试的认知行为特征与脑影像特征之间的第一综合相关度。
在其中一种可能的实现方式中，还包括：
将所有试次的认知测评数据组合成认知测评总数据，将所有试次的任务态的磁共振功能图像组合成任务态组合图像；
从认知测评总数据中提取整体认知行为特征，从任务态组合图像中提取任务态整体脑影像特征；
计算整体认知行为特征与任务态整体脑影像特征之间的相关度，作为第三相关度。
在其中一种可能的实现方式中，将所有试次的第一综合相关度和第三相关度拼接，形成第二拼接特征，并依据第二拼接特征进行阅读能力的分类。
在其中一种可能的实现方式中，依据所有试次的第一综合相关度和第三相关度及其相应的权重计算每个试次的第二综合相关度和与第三相关度对应的第四相关度。
在其中一种可能的实现方式中，将所有试次的第二综合相关度和第四相关度拼接，形成第三拼接特征，并依据第三拼接特征进行阅读能力的分类。
在其中一种可能的实现方式中，将任务态整体脑影像特征和整体认知行为特征与第三拼接特征进行拼接，获得第四拼接特征，并依据第四拼接特征进行阅读能力的分类。
在其中一种可能的实现方式中，依据阅读障碍组的多个被试和正常对照组的多个被试在每个试次的第一综合相关度上的分布差异计算每个试次的第一综合相关度的权重，并依据阅读障碍组的多个被试和正常对照组的多个被试在第三相关度上的分布差异计算第三相关度的权重。
在其中一种可能的实现方式中，第一拼接特征的特征维度大于认知行为特征的特征维度；
计算第一相关度之前还包括如下步骤：
对第一拼接特征执行降维操作，使得降维后的第一拼接特征的特征维度与认知行为特征的特征维度相同。
在其中一种可能的实现方式中，依据当日磁共振功能成像设备获得的水膜影像数据获得当日运行环境评分。
第二方面，本发明提供了一种阅读能力的测评装置，包括当日运行环境评分获得模块、数据采集模块、特征提取模块、第一综合相关度计算模块以及分类模块；
当日运行环境评分获得模块用于获得磁共振功能成像设备的当日运行环境评分；
数据采集模块用于在多试次中，在采集被试的磁共振功能图像的同时采集被试的认知测评数据；
特征提取模块用于从每个试次的磁共振功能图像中提取试次的脑影像特征，从每个试次的认知测评数据中提取试次的认知行为特征；
第一综合相关度计算模块用于结合当日运行环境评分，依据每个试次的脑影像特征和认知行为特征计算每个试次的认知行为特征与脑影像特征之间的第一综合相关度；
分类模块用于依据所有试次的第一综合相关度进行阅读能力的分类。
在其中一种可能的实现方式中，数据采集模块用于每个试次中，在采集被试在任务态的磁共振功能图像之前采集被试在静息态的磁共振功能图像。
在其中一种可能的实现方式中，第一综合相关度计算模块包括第一相关度计算子模块、第二相关度计算子模块以及综合计算子模块；
第一相关度计算子模块用于拼接每个试次的静息态脑影像特征与当日运行环境评分，获得第一拼接特征，并计算每个试次的认知行为特征与第一拼接特征之间的相关度，作为第一相关度；
第二相关度计算子模块用于计算每个试次的静息态脑影像特征与任务态脑影像特征之间的相关度，作为第二相关度；
综合计算子模块用于将每个试次第一相关度与第二相关度的乘积作为该试次中被试的认知行为特征与脑影像特征之间的第一综合相关度。
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或者第一方面的任一可能实现方式中的方法。
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或者第一方面的任一可能实现方式中的方法。
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，用于执行第一方面或者第一方面的任一可能实现方式中的方法。
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，通过对测评当日的磁共振功能成像设备的运行环境进行评价，并将评价结果结合到被试的阅读能力测评中，从而消除设备的运行环境对测评结果的影响；进一步地，为了消除被试在执行任务时的情绪波动等主观因素对临场发挥带来的影响，本发明还将被试在每次执行任务前的静息态脑功能影像结合进来，使得测评结果更接近被试的真实阅读能力。
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为本发明提供的利用水膜测试对磁共振功能成像设备获得当日运行环境评分的流程图；
图3为本发明提供的获得第一综合相关度的流程图；
图4为本发明提供的利用JS散度计算权重的流程图；
图5为本发明提供的阅读能力的测评装置的结构示意图；
图6为本发明提供的第一综合相关度计算模块的结构示意图；
图7为本发明提供的阅读能力的测评设备的结构示意图。
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。
本发明通将测评当日的磁共振功能成像设备的成像运行环境的评价结果结合到被试的阅读能力测评中，从而消除设备的成像运行环境对测评结果的影响；进一步地，为了消除被试在执行任务时的情绪波动对临场发挥带来的影响，本发明还将被试在每次执行任务前的静息态脑功能影像结合进来，使得测评结果更接近被试的真实阅读能力。
可以理解地，上述的测评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。
针对前述核心构思，本发明提供了至少一种阅读能力的测评方法的实施例，如图1所示，可以包括如下步骤：
S110：获得磁共振功能成像设备的当日运行环境评分。
S120：在多试次中，在采集被试的磁共振功能图像的同时采集被试的认知测评数据。
S130：从每个试次的磁共振功能图像中提取该试次的脑影像特征，从每个试次的认知测评数据中提取该试次的认知行为特征。
S140：结合当日运行环境评分，依据每个试次的脑影像特征和认知行为特征计算每个试次的认知行为特征与脑影像特征之间的第一综合相关度。
S150：依据所有试次的第一综合相关度进行阅读能力的分类。
在步骤S110中，在一种可能的实现方式中，依据当日磁共振功能成像设备获得的水膜影像数据获得当日运行环境评分。
具体地，如图2所示，利用水膜测试对磁共振功能成像设备获得当日运行环境评分包括如下步骤：
S210:选取充满凝胶琼脂的标准化球形水模作为测量媒介。测评当日，开机时将该水模放置于磁共振功能成像设备的头部扫面位置，并按照操作标准采集水膜影像数据。
具体地，对于特定的磁共振功能成像设备，标准化球形水模符合直径、密度等方面的金标准。
在实际操作中，通过设定多种扫描序列(如定位性、结构像、功能像和弥散像)来采集一系列水模影像数据。
S220：从采集到的水模影像数据中提取多个图像质控特征。
具体操作中，可以通过数据分析软件(诸如FSL、AFNI等)对水膜影像数据进行特征提取。
具体地，从多个维度(如信号稳定性、磁场均匀性、几何形变)对水膜影像特征进行特征提取，提取到的图像质控特征如信噪比、伪影水平、直径距离、弥散系数等。
S230：依据获得的图像质控特征计算当日运行环境评分。
在一种可能的实施方式中，依据获得的图像质控特征计算当日运行环境评分，包括如下步骤：
S2301：构建多层次评分体系，该多层次评分体系包括体现机器成像运行环境的多个维度以及与这些维度高度相关的图像质控特征。
在一种可能的实施方式中，利用探索性因子分析方法构建多层次评分体系。
在另一种可能的实施方式中，利用主成分分析法获得多层次评分体系。
探索性因子分析方法和主成分分析法是现有的数据分析方法，在此不再赘述。
S2302：利用多层次评分体系计算当日运行环境评分。
具体地，按照自底向上进行加权求和的方式对多层次评分体系中的各层数据进行计算，获得当日运行环境评分。
在步骤S120中，利用磁共振功能成像设备采集被试的磁共振功能图像，同时对被试进行认知测评。
具体地，在采集过程中，被试接受多种测试任务，每个测试任务对应一个试次，并且每个试次对应一个时间窗。
在一种可能的实施方式中，每个试次中，在被试完成测试任务的同时进行磁共振功能图像的采集(即获得任务态的磁共振功能图像)，并且在完成测试任务后，根据任务完成情况获得认知测评数据。在该实施方式中，采集到的任务态的磁共振功能图像作为被试的磁共振功能图像。
在完成认知测评的过程中采集被试的任务态的磁共振功能图像，可以将被试的认知能力与其在任务态的脑功能准确对应起来，为准确获得阅读能力测评结果提供保障。
在一种优选的实施方式中，每个试次中，在采集被试在任务态的磁共振功能图像之前采集被试在静息态的磁共振功能图像。也就是说，先采集被试在开始测评任务前的磁共振功能图像，以记录被试在静息状态下的脑功能。在该实施方式中，任务态的磁共振功能图像和静息态的磁共振功能图像形成磁共振功能图像。
步骤S130中，在提取脑影像特征和认知行为特征之前，需要对采集到的数据进行预处理。
具体地，在一种可能的实现方式中，采用关系型数据库对认知测评数据进行数据入库和缺失值、异常值的清洗工作，从而获得预处理后的认知测评数据。
在一种可能的实现方式中，对于磁共振功能图像，采用图像预处理方法(诸如图像去噪、图像增强、图像锐化等)对图像进行处理，为特征的提取提供良好的基础。
在一种可能的实现方式中，从每个试次的磁共振功能图像中提取试次的脑影像特征时，从多个维度进行特征提取。
具体地，在一种可能的实现方式中，对于每个试次，提取脑影像特征包括：
1、在时间维度上，提取如信噪比、信号均值、方差及线下拟合系数等特征。
2、在空间维度上，提取如全脑灰质体积、皮层表面积、脑容积及褶皱水平等特征。
3、将上述时间和空间维度上的多个特征进行拼接，获得该试次中被试的脑影像特征。
可以理解地，提取静息态脑影像特征和任务态脑影像特征均采用上述的方法获得，提取到的静息态脑影像特征和任务态脑影像特征的特征数量相同。
在一种可能的实现方式中，拼接后的脑影像特征形成脑影像特征集合，共计m维。
可以理解地，在另一种可能的实现方式中，可以采用现有的数据表示方法来表示脑影像特征，如拼接后的脑影像特征形成脑影像特征向量。
在一种可能的实现方式中，从每个试次的认知测评数据中提取该试次的认知行为特征时，从多个维度进行认知行为特征提取。
具体地，在一种可能的实现方式中，对于每个试次，提取认知行为特征包括：
1、主观特征提取：通过图像分析技术提取与被试在施测过程中的主观因素相关的特征，如头动平移偏移量、头动旋转偏移量和睁闭眼次数等特征。
2、客观特征提取：依据认知行为学任务(如n-back)的任务规则，提取相关的指标特征，如正确率、反应时、犹豫时间和平均压力值等特征；
3、将上述主观特征和客观特征进行拼接，获得该试次中被试的认知行为特征。
在一种可能的实现方式中，拼接后的认知行为特征形成认知行为特征集合，共计n维(m>>n)。
可以理解地，在另一种可能的实现方式中，可以采用现有的数据表示方法来表示认知行为特征，如拼接后的认知行为特征形成认知行为特征向量。
需要说明的是，依据测评的试次划分为不同的时间段，如t段。并且，依据磁共振功能图像标记的开始时间和结束时间以及认知测评数据的开始记录时间进行时间窗口进行对齐，将在同一试次(同一时间段)内提取到的脑影像特征和认知行为特征对应起来，作为该试次的脑影像特征和认知行为特征。
基于上述，在S140中，在只采集任务态磁共振功能图像的实现方式中，可以融合(例如拼接)当日运行环境评分和每个试次的任务态脑影像特征，形成融合后的脑影像特征。然后计算同一试次的认知行为特征与融合后的脑影像特征之间的相关度，作为第一综合相关度。
在同时采集了静息态磁共振功能图像和任务态磁共振功能图像的优选实施方式中，如图3所示，获得第一综合相关度包括如下步骤：
S310：拼接每个试次的静息态脑影像特征与当日运行环境评分，获得第一拼接特征，并计算每个试次的认知行为特征与第一拼接特征之间的相关度，作为第一相关度。通过第一相关度消除磁共振功能成像设备对相关性计算结果的影响，从而消除机器成像运行环境对被试的阅读能力的测评结果的影响。
具体地，在采用特征集合的实施方式中，第一拼接特征为m+1维集合，与认知行为特征(n维)的维数不同，在计算第一相关度之前，对第一拼接特征执行降维操作，使得降维后的第一拼接特征的特征维度与认知行为特征的特征维度相同。
在一种可能的实施方式中，利用主成分分析法进行降维操作。
S320：计算每个试次的静息态脑影像特征与任务态脑影像特征之间的相关度，作为第二相关度。通过计算静息态脑影像特征与任务态脑影像特征之间的相关度，消除了被试在完成测试任务的过程中产生的临场发挥等主观性误差。
在一种可能的实施方式中，利用皮尔逊相关性分析方法计算第二相关度。
S330：将每个试次第一相关度与第二相关度的乘积作为该试次中被试的认知行为特征与脑影像特征之间的第一综合相关度。
采用第一相关度与第二相关度相乘的方式消除被试的脑结构差异对相关性度量的影响。
步骤S150中，在一种可能的实施方式中，将所有试次的第一综合相关度拼接，并输入分类器，获得阅读能力的分类结果。
在一种可能的实施方式中，分类结果包括被试具有阅读障碍和被试不具有阅读障碍。
在一种可能的实施方式中，采用随机森林分类器进行分类。
在一种可能的实施方式中，分类器是一种机器学习训练后的分类模型。
上述的实施方式中，依据每个试次的认知行为特征与脑影像特征的相关度对被试的阅读能力进行评价，考虑到了被试在每个试次中的局部表现，但被试在整个测评过程中的整体表现对阅读能力的评价的影响未被充分体现。
基于上述考虑，在一种优选的实施方式中，将所有试次的认知测评数据组合成认知测评总数据，将所有试次的任务态的磁共振功能图像组合成任务态组合图像。并且从认知测评总数据中提取整体认知行为特征，从任务态组合图像中提取任务态整体脑影像特征。由此计算整体认知行为特征与任务态整体脑影像特征之间的相关度，作为第三相关度。
基于上述优选的实施方式，步骤S150中，将所有试次的第一综合相关度和第三相关度拼接，形成第二拼接特征，并依据第二拼接特征进行阅读能力的分类。
考虑到具有阅读障碍的人群与正常人群之间的差异性，上述优选的实施方式的基础上，优选地，依据所有试次的第一综合相关度和第三相关度及其相应的权重计算每个试次的第二综合相关度和与第三相关度对应的第四相关度，将所有试次的第二综合相关度和第四相关度拼接，形成第三拼接特征，并依据第三拼接特征进行阅读能力的分类。
在该实施方式中，通过数据统计的方法获得每个试次的第一综合相关度的权重以及第三相关度的权重。
在一种可能的实现方式中，依据阅读障碍组的多个被试和正常对照组的多个被试在每个试次的第一综合相关度上的分布差异计算每个试次的第一综合相关度的权重，并依据阅读障碍组的多个被试和正常对照组的多个被试在第三相关度上的分布差异计算第三相关度的权重。二者的计算方式相同。
在一种可能的实现方式中，利用JS散度计算权重。
如图4所示，以计算某个试次的第一综合相关度的权重为例，利用JS散度计算权重包括如下步骤：
S410：分别计算阅读障碍组在该试次的第一综合相关度和正常对照组在该试次的第一综合相关度的分布情况。
在一种可能的实现方式中，两个组的分布情况记为
其中，Pg1～N为阅读障碍组在该试次的第一综合相关度的概率密度函数，N为阅读障碍组中被试的总数量，μg1，
为阅读障碍组在该试次的第一综合相关度的均值和方差，Pg2～N为正常对照组在该试次的第一综合相关度的概率密度函数，μg2，
为正常对照组在该试次的第一综合相关度的均值和方差。
S420：计算阅读障碍组在该试次上与正常对照组在该试次上的分布距离。
具体地，采用如下公式计算分布距离：
其中，JS(Pg1||Pg2)为阅读障碍组在该试次上与正常对照组在该试次上的JS散度值，
为阅读障碍组在该试次上的KL散度函数，
为正常对照组在该试次上的KL散度函数。
S430：将分布距离的倒数作为阅读障碍组在该试次上与正常的被试在该试次上的分布差异，将该分布差异作为该试次的第一综合相关度的权重。
在上述基础上，为了更好地体现被试在测评过程中的整体能力体现，优选地，将任务态整体脑影像特征和整体认知行为特征与第三拼接特征进行拼接，获得第四拼接特征，并依据第四拼接特征进行阅读能力的分类。
本申请中，首先通过结合磁共振功能成像设备的当日运行环境评分进行相关度的计算，消除了机器的成像运行环境对阅读能力评价的影响，进一步地，通过结合被试在静息态的脑影像特征，消除了被试在完成测试任务过程中产生的主观误差对测评结果的影响，进一步地，通过结合被试的任务态整体脑影像特征和整体认知行为特征，充分体现了被试的整体能力表现对阅读能力评价的影响，从而获得阅读能力的客观评价。
相应于上述各实施例及优选方案，本发明还提供了一种阅读能力的测评装置的实施例，如图5所示，具体可以包括当日运行环境评分获得模块510、数据采集模块520、特征提取模块530、第一综合相关度计算模块540以及分类模块550；
当日运行环境评分获得模块510用于获得磁共振功能成像设备的当日运行环境评分。
数据采集模块520用于在多试次中，在采集被试的磁共振功能图像的同时采集被试的认知测评数据。
特征提取模块530用于从每个试次的磁共振功能图像中提取该试次的脑影像特征，从每个试次的认知测评数据中提取该试次的认知行为特征。
第一综合相关度计算模块540用于结合当日运行环境评分，依据每个试次的脑影像特征和认知行为特征计算每个试次的认知行为特征与脑影像特征之间的第一综合相关度。
分类模块550用于依据所有试次的第一综合相关度进行阅读能力的分类。
在其中一种可能的实现方式中，数据采集模块520用于每个试次中，在采集被试在任务态的磁共振功能图像之前采集被试在静息态的磁共振功能图像。
在其中一种可能的实现方式中，如图6所示，第一综合相关度计算模块540包括第一相关度计算子模块5401、第二相关度计算子模块5402以及综合计算子模块5403。
第一相关度计算子模块5401用于拼接每个试次的静息态脑影像特征与当日运行环境评分，获得第一拼接特征，并计算每个试次的认知行为特征与第一拼接特征之间的相关度，作为第一相关度。
第二相关度计算子模块5402用于计算每个试次的静息态脑影像特征与任务态脑影像特征之间的相关度，作为第二相关度。
综合计算子模块5403用于将每个试次第一相关度与第二相关度的乘积作为该试次中被试的认知行为特征与脑影像特征之间的第一综合相关度。
应理解以上图5-6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，使得设备执行前述实施例或等效实施方式的步骤/功能。
图7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、服务器、智能终端(手机、平板、手表、眼镜等)、智能电视、机顶盒、智慧屏、机器人等。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7所示，阅读能力的测评设备900包括处理器910和存储器930。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可以合成一个处理装置，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还可以包括输入单元960、显示单元970、音频电路980、摄像头990和传感器901等中的一个或多个，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7所示的阅读能力的测评设备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7所示的阅读能力的测评设备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阅读能力的测评方法。
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 (16)
1.一种阅读能力的测评方法，其特征在于，包括：
获得磁共振功能成像设备的当日运行环境评分；
在多试次中，在采集被试的磁共振功能图像的同时采集被试的认知测评数据；
从每个试次的磁共振功能图像中提取所述试次的脑影像特征，从每个试次的认知测评数据中提取所述试次的认知行为特征；
结合所述当日运行环境评分，依据每个试次的脑影像特征和认知行为特征计算每个试次的认知行为特征与脑影像特征之间的第一综合相关度；
依据所有试次的第一综合相关度进行阅读能力的分类。
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，每个试次中，在采集被试在任务态的磁共振功能图像之前采集被试在静息态的磁共振功能图像，所述任务态的磁共振功能图像和所述静息态的磁共振功能图像形成所述磁共振功能图像。
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，所述结合所述当日运行环境评分，依据每个试次的所述脑影像特征和认知行为特征计算每个试次的认知行为特征与脑影像特征之间的第一综合相关度，包括如下步骤：
拼接每个试次的静息态脑影像特征与所述当日运行环境评分，获得第一拼接特征，并计算每个试次的认知行为特征与所述第一拼接特征之间的相关度，作为第一相关度；
计算每个试次的静息态脑影像特征与任务态脑影像特征之间的相关度，作为第二相关度；
将每个试次第一相关度与第二相关度的乘积作为所述试次中被试的认知行为特征与脑影像特征之间的第一综合相关度。
4.根据权利要求1或3所述的阅读能力的测评方法，其特征在于，还包括：
将所有试次的认知测评数据组合成认知测评总数据，将所有试次的任务态的磁共振功能图像组合成任务态组合图像；
从所述认知测评总数据中提取整体认知行为特征，从所述任务态组合图像中提取任务态整体脑影像特征；
计算所述整体认知行为特征与所述任务态整体脑影像特征之间的相关度，作为第三相关度。
5.根据权利要求4所述的阅读能力的测评方法，其特征在于，将所有试次的第一综合相关度和所述第三相关度拼接，形成第二拼接特征，并依据所述第二拼接特征进行阅读能力的分类。
6.根据权利要求4所述的阅读能力的测评方法，其特征在于，依据所有试次的第一综合相关度和所述第三相关度及其相应的权重计算每个试次的第二综合相关度和与所述第三相关度对应的第四相关度。
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，将所有试次的第二综合相关度和所述第四相关度拼接，形成第三拼接特征，并依据所述第三拼接特征进行阅读能力的分类。
8.根据权利要求7所述的阅读能力的测评方法，其特征在于，将所述任务态整体脑影像特征和所述整体认知行为特征与所述第三拼接特征进行拼接，获得第四拼接特征，并依据所述第四拼接特征进行阅读能力的分类。
9.根据权利要求6所述的阅读能力的测评方法，其特征在于，依据阅读障碍组的多个被试和正常对照组的多个被试在每个试次的第一综合相关度上的分布差异计算每个试次的第一综合相关度的权重，并依据阅读障碍组的多个被试和正常对照组的多个被试在第三相关度上的分布差异计算所述第三相关度的权重。
10.根据权利要求3所述的阅读能力的测评方法，其特征在于，所述第一拼接特征的特征维度大于所述认知行为特征的特征维度；
计算所述第一相关度之前还包括如下步骤：
对所述第一拼接特征执行降维操作，使得降维后的第一拼接特征的特征维度与所述认知行为特征的特征维度相同。
11.根据权利要求1所述的阅读能力的测评方法，其特征在于，依据当日磁共振功能成像设备获得的水膜影像数据获得所述当日运行环境评分。
12.一种阅读能力的测评装置，其特征在于，包括当日运行环境评分获得模块、数据采集模块、特征提取模块、第一综合相关度计算模块以及分类模块；
所述当日运行环境评分获得模块用于获得磁共振功能成像设备的当日运行环境评分；
所述数据采集模块用于在多试次中，在采集被试的磁共振功能图像的同时采集被试的认知测评数据；
所述特征提取模块用于从每个试次的磁共振功能图像中提取所述试次的脑影像特征，从每个试次的认知测评数据中提取所述试次的认知行为特征；
所述第一综合相关度计算模块用于结合所述当日运行环境评分，依据每个试次的脑影像特征和认知行为特征计算每个试次的认知行为特征与脑影像特征之间的第一综合相关度；
所述分类模块用于依据所有试次的第一综合相关度进行阅读能力的分类。
13.根据权利要求12所述的阅读能力的测评装置，其特征在于，所述数据采集模块用于每个试次中，在采集被试在任务态的磁共振功能图像之前采集被试在静息态的磁共振功能图像。
14.根据权利要求13所述的阅读能力的测评装置，其特征在于，所述第一综合相关度计算模块包括第一相关度计算子模块、第二相关度计算子模块以及综合计算子模块；
所述第一相关度计算子模块用于拼接每个试次的静息态脑影像特征与所述当日运行环境评分，获得第一拼接特征，并计算每个试次的认知行为特征与所述第一拼接特征之间的相关度，作为第一相关度；
所述第二相关度计算子模块用于计算每个试次的静息态脑影像特征与任务态脑影像特征之间的相关度，作为第二相关度；
所述综合计算子模块用于将每个试次第一相关度与第二相关度的乘积作为所述试次中被试的认知行为特征与脑影像特征之间的第一综合相关度。
15.一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1-11中任一项所述的阅读能力的测评方法。
16.一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1-11中任一项所述的阅读能力的测评方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110821489.9A CN113469274B (zh) | 2021-07-20 | 2021-07-20 | 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 |
|---|---|---|---|
| CN202110821489.9A CN113469274B (zh) | 2021-07-20 | 2021-07-20 | 一种阅读能力的测评方法、装置以及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469274A true CN113469274A (zh) | 2021-10-01 |
| CN113469274B CN113469274B (zh) | 2024-04-16 |
Family
ID=77881266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110821489.9A Active CN113469274B (zh) | 2021-07-20 | 2021-07-20 | 一种阅读能力的测评方法、装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469274B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052882A (zh) * | 2020-08-14 | 2020-12-08 | 北京师范大学 | 磁共振脑结构影像的分类模型构建、分类与可视化方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170032520A1 (en) * | 2015-07-29 | 2017-02-02 | University Of Louisville Research Foundation, Inc. | Computer aided diagnostic system for mapping of brain images |
| US20170123028A1 (en) * | 2014-06-12 | 2017-05-04 | Northwestern University | PATTERN ANALYSIS BASED ON fMRI DATA COLLECTED WHILE SUBJECTS PERFORM WORKING MEMORY TASKS ALLOWING HIGH-PRECISION DIAGNOSIS OF ADHD |
| US20170360355A1 (en) * | 2016-06-16 | 2017-12-21 | King-Devick Test, Inc. | Methods and systems of screening and monitoring alzheimer's disease using the king-devick test |
| CN109447183A (zh) * | 2018-11-27 | 2019-03-08 | 东软集团股份有限公司 | 模型训练方法、装置、设备以及介质 |
| CN111568422A (zh) * | 2020-05-20 | 2020-08-25 | 科大讯飞股份有限公司 | 影像质量评估方法、指标间关系的获取方法及相关设备 |
| CN111568414A (zh) * | 2020-05-22 | 2020-08-25 | 中国人民解放军东部战区总医院 | 基于功能影像学的癫痫活动检测方法及系统 |
| CN112036678A (zh) * | 2020-06-12 | 2020-12-04 | 北京师范大学 | 一种磁共振影像的综合质量评价体系构建方法及质控方法 |
| CN112991335A (zh) * | 2021-04-23 | 2021-06-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种想像能力评估方法、系统及可读存储介质 |
| CN113052800A (zh) * | 2021-03-09 | 2021-06-29 | 山东大学 | 一种阿尔茨海默症影像分析方法与装置 |
-
2021
- 2021-07-20 CN CN202110821489.9A patent/CN113469274B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170123028A1 (en) * | 2014-06-12 | 2017-05-04 | Northwestern University | PATTERN ANALYSIS BASED ON fMRI DATA COLLECTED WHILE SUBJECTS PERFORM WORKING MEMORY TASKS ALLOWING HIGH-PRECISION DIAGNOSIS OF ADHD |
| US20170032520A1 (en) * | 2015-07-29 | 2017-02-02 | University Of Louisville Research Foundation, Inc. | Computer aided diagnostic system for mapping of brain images |
| US20170360355A1 (en) * | 2016-06-16 | 2017-12-21 | King-Devick Test, Inc. | Methods and systems of screening and monitoring alzheimer's disease using the king-devick test |
| CN109447183A (zh) * | 2018-11-27 | 2019-03-08 | 东软集团股份有限公司 | 模型训练方法、装置、设备以及介质 |
| CN111568422A (zh) * | 2020-05-20 | 2020-08-25 | 科大讯飞股份有限公司 | 影像质量评估方法、指标间关系的获取方法及相关设备 |
| CN111568414A (zh) * | 2020-05-22 | 2020-08-25 | 中国人民解放军东部战区总医院 | 基于功能影像学的癫痫活动检测方法及系统 |
| CN112036678A (zh) * | 2020-06-12 | 2020-12-04 | 北京师范大学 | 一种磁共振影像的综合质量评价体系构建方法及质控方法 |
| CN113052800A (zh) * | 2021-03-09 | 2021-06-29 | 山东大学 | 一种阿尔茨海默症影像分析方法与装置 |
| CN112991335A (zh) * | 2021-04-23 | 2021-06-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种想像能力评估方法、系统及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张波: "影像分析技术在疾病监测与诊断中的应用", 《中国优秀博硕士学位论文全文数据库 (博士) 医药卫生科技辑》, no. 06, pages 060 - 1 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052882A (zh) * | 2020-08-14 | 2020-12-08 | 北京师范大学 | 磁共振脑结构影像的分类模型构建、分类与可视化方法 |
| CN112052882B (zh) * | 2020-08-14 | 2023-08-22 | 北京师范大学 | 磁共振脑结构影像的分类模型构建、分类与可视化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113469274B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Noor et al. | Application of deep learning in detecting neurological disorders from magnetic resonance images: a survey on the detection of Alzheimer’s disease, Parkinson’s disease and schizophrenia | |
| Mattioni et al. | Categorical representation from sound and sight in the ventral occipito-temporal cortex of sighted and blind | |
| US20160098592A1 (en) | System and method for detecting invisible human emotion | |
| CN111863244B (zh) | 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统 | |
| CN112037179B (zh) | 一种脑疾病诊断模型的生成方法、系统及设备 | |
| Liang et al. | Common and distinct roles of frontal midline theta and occipital alpha oscillations in coding temporal intervals and spatial distances | |
| CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
| Celik et al. | Cortical networks of dynamic scene category representation in the human brain | |
| WO2023060721A1 (zh) | 基于静息态脑功能图像的情绪状态展示方法、装置及系统 | |
| CN110192860B (zh) | 一种面向网络信息认知的脑成像智能测试分析方法及系统 | |
| CN111568412A (zh) | 一种利用脑电信号重建视觉图像的方法及装置 | |
| Hsiao et al. | Convergence of the visual field split: Hemispheric modeling of face and object recognition | |
| CN113469274B (zh) | 一种阅读能力的测评方法、装置以及设备 | |
| Wein et al. | Forecasting brain activity based on models of spatiotemporal brain dynamics: A comparison of graph neural network architectures | |
| Xia et al. | Dynamic viewing pattern analysis: towards large-scale screening of children with ASD in remote areas | |
| CN116452592B (zh) | 脑血管病ai认知功能评测模型的构建方法、装置及系统 | |
| CN113255734A (zh) | 一种基于自监督学习和迁移学习的抑郁症分类方法 | |
| Boppana et al. | Deep Learning Approach for an early stage detection of Neurodevelopmental Disorders | |
| Waugh et al. | Classification of Functional Movement Disorders with Resting-State Functional Magnetic Resonance Imaging | |
| Yoshihara et al. | Does training with blurred images bring convolutional neural networks closer to humans with respect to robust object recognition and internal representations? | |
| Cai et al. | Functional connectome fingerprinting: Identifying individuals and predicting cognitive function via deep learning | |
| CN113393141B (zh) | 一种阅读能力的测评方法、装置以及设备 | |
| Maddipatla | Classaphasia: an ensemble machine learning network to improve aphasia diagnosis and determine severity | |
| Toranjsimin et al. | Robust Low Complexity Framework for Early Diagnosis of Autism Spectrum Disorder Based on Cross Wavelet Transform and Deep Transfer Learning | |
| LR et al. | Multimodal screening for dyslexia using anatomical and functional MRI data |
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 |