CN113808698A - 计算机化社会适应训练方法及系统 - Google Patents
计算机化社会适应训练方法及系统 Download PDFInfo
- Publication number
- CN113808698A CN113808698A CN202110906058.2A CN202110906058A CN113808698A CN 113808698 A CN113808698 A CN 113808698A CN 202110906058 A CN202110906058 A CN 202110906058A CN 113808698 A CN113808698 A CN 113808698A
- Authority
- CN
- China
- Prior art keywords
- training
- user
- social
- scheme
- score
- 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
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及认知和情绪训练领域,具体涉及计算机化社会适应训练方法及系统。所述包括步骤:用户先选择自身病症或症状、自身需求,完成与需求相关的综合量表,评估量表中各项数值;确定相应的训练方案;每当用户完成一项单个训练,推送优化的训练方案。通过本发明的计算机化社会适应训练方法及系统,用户可以维持较高的注意力水平,提高训练效果,还能够改善用户的训练体验,吸引用户维持长期的练习,完成较长的训练周期。
Description
技术领域
本发明涉及认知和情绪训练领域,具体涉及计算机化社会适应训练方法及系统。
背景技术
现有基于虚拟现实技术的自闭症社会适应训练和综合社会适应能力评估方法存在以下几个缺点:1、治疗对象单一,相近技术往往所覆盖人群较小,如自闭症社会适应训练,仅针对特定人群,忽略了更广大的需要社会适应方面支持的人群。2、治疗范式单一,治疗范式种类较少,缺乏变化和创新性。如基于虚拟现实技术的自闭症社会适应训练,反复呈现社交生活场景来锻炼用户的社交能力,而缺乏其他方面的训练。3、现有方法往往专注于评测或训练其中之一,缺乏将各方面结合起来的系统性。如综合社会适应能力评估方法以及装置,能够很好地评估用户的社会适应能力情况,但并没有后续的训练或建议;如基于虚拟现实技术的自闭症社会适应训练,能够对自闭症人群进行沉浸式训练,但是缺乏评估能力和反馈。
发明内容
本发明的目的是提供计算机化社会适应训练方法。
本发明的再一目的是提供计算机化社会适应训练系统。
根据本发明的计算机化社会适应训练方法,包括以下步骤:
S1:登陆并进行测评,登陆后,用户先选择自身病症或症状,并且选择自身需求,完成与需求相关的综合量表,评估量表中各项数值;
S2:根据用户病症指征、综合量表中各项数值进行基于非监督学习的降维算法.确定用户从哪一类训练开始练习,确定相应的训练方案,包括以下步骤:
S2-1对于各个数据源进行均值归一化,然后分解特征值,对不同维度的数据去噪整合,映射到低维空间,系统定义聚类结果的类别数量(质心数)为2,对应社交动力和社交技能训练方面的需求,
S2-2对数据特征通过欧式距离 (Isomap) 算出其欧式空间的局部区域性质,获得基于样本的相似系数矩阵,从而确定用户分到社交动力性训练和社交能力性训练中的映射聚类情况,确定用户从哪一类训练开始练习,确定相应的训练方案;
S3:输出的训练方案涉及社交动力性训练和社交能力性训练,如果用户首先进入社交动力性训练,则为用户呈现社交动力性训练初阶的训练,如果用户首先进入社交能力性训练,则为用户呈现社交能力性训练初阶的训练,其中,
如果进入社交动力性训练:
当用户进入社交动力性训练初阶的增强社交动力系列训练,呈现模拟现实社交场景的小游戏,用户进行训练,对用户表现进行评分,用户对自己的情绪也进行评分,
当用户进入社交动力性训练高阶的提升亲社会属性系列训练,则呈现模拟现实社交场景的小游戏,用户进行序列,用户对自己的主观感受进行评分,
当用户连续获得比之前更高的分数后,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,进行之后训练方案的推送优化,当用户达到目标分数或训练时间到达五分钟后,当日的这项练习结束,
如果进入社交能力性训练:
当进入社交能力性初阶的强化社交技能系列的训练,则呈现模拟现实情境的小游戏,用户进行训练,直到选择正确,所呈现的情境用户全部选择正确选项后,当日的这项练习结束,
当用户进入社交能力性高阶的促进社会适应系列的训练,则呈现模拟投资、分配、合作等场景的小游戏,用户进行训练,当用户连续获得比之前更高的分数后,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,调节游戏难度或换为其他游戏场景,当用户达到目标分数或训练时间到达五分钟后,当日的这项练习结束;
S4:每当用户完成一项单个训练,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,进行之后训练方案的推送优化,
其中,采用经验池中的记忆库学习之前的有效性测评结果和训练数据,将实时更新的训练数据与训练环境交互得到的转移样本储存到回放记忆网络中,随机抽出组块训练,生成通过深度学习和强化学习结合的算法训练出的深度价值网络,估计给定的训练环境、用户训练成绩、用户的定期有效性测评结果的价值,然后选择价值最大的用户的需求状态;
S5: 用户完成当前训练方案后,可选择返回到初始化登录场景,重新定义病症指征,进行综合量表测评和能力评估,通过聚类分析的机器学习开始一个新的训练方案。
根据本发明的计算机化社会适应训练方法,其中,在步骤S1中,所述综合量涉及社会适应、人际关系、共情能力、社交技能相关的量表,社会能力评估包括情绪理解测评、多元认知测评、欣赏他人测评,评估用户的社交意愿和能力。
根据本发明的计算机化社会适应训练方法,其中,训练记录每完成一个训练更新一次,测评数据每七天更新一次。
根据本发明的计算机化社会适应训练方法,其中,在S4步骤中,采用奖赏函数使得用于判断用户情况的深度价值网络更有效率,以更加符合用户的状态更新训练内容。
根据本发明的计算机化社会适应训练系统包括评估单元、输出单元、交互单元和存储单元,其中,
评估单元用于收集用户数据,并生成用户画像报告;
输出单元用于以视觉、听觉呈现系统内容 ;
交互单元用于通过触摸、点击屏幕与用户进行互动;
存储单元用于储用户的训练方案,预设的训练内容和每日更新的训练日志,存储用户社会适应能力发展模型,
上述单元通过执行以下步骤实现计算机化社会适应训练:
S1:获取用户信息,实现登录;
S2:登录后进入预先设定的需求界面,每个病症、症状选择都预先被分类,并对应相应的训练,选择训练目标;
S3:用户选择自身存在的症状并记录;
S4:从存储单元中调出综合量表测评,用户点击进行测评;
S5:评估单元收集系统综合计量表的各项评分,得到用户在不同维度的分数,生成图表并呈现;
S7:评估单元根据用户病症,综合量表测评的各项得分,基于非监督学习的降维算法,确定用户从哪一类训练开始练习,确定相应的训练方案;
S8:如果用户首先进入社交动力性训练,则为用户呈现社交动力性初阶的训练,如果用户首先进入社交能力性训练,则为用户呈现社交能力性训练初阶的训练,其中,
如果进入社交动力性训练:
当用户进入社交动力性训练初阶的增强社交动力系列训练,则输出单元呈现模拟现实社交场景的小游戏,交互单元的互动方式包括为用户呈现文本框、呈现选择按键、显示对用户表现的评分、让用户对自己的情绪进行评分,
当用户进入社交动力性训练高阶的提升亲社会属性系列训练,则输出单元呈现模拟现实社交场景的小游戏,交互单元的互动方式包括为用户呈现选择人物行为的选项、让用户对自己的主观感受进行评分,
当用户连续获得比之前更高的分数后,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,进行之后训练方案的推送优化,当用户达到目标分数或训练时间到达五分钟后,当日的这项练习结束,
如果进入社交能力性训练:
当进入社交能力性训练初阶的强化社交技能系列的训练,则输出单元呈现模拟现实情境的小游戏,为用户呈现引导其观察情景的画面和文字提示,呈现同一情境下不同人物的反应,及解读人物行为的选项,用户点击按键选择自己的理解,直到选择正确。所呈现的情境用户全部选择正确选项后,当日的这项练习结束,
当用户进入社交能力性训练高阶的促进社会适应系列的训练,则输出单元呈现模拟投资、分配、合作场景的小游戏,为用户呈现控制游戏中人物行为的选项,进行互动,当用户连续获得比之前更高的分数后,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,进行之后训练方案的推送优化,当用户达到目标分数或训练时间到达五分钟后,当日的这项练习结束;
S9:当用户完成当前等级的训练后,呈现有效性测评界面,从存储单元中调出综合量表测评,收集统计综合量表的各项评分结果,根据用户此前的训练记录,进行主成分分析算法,重新确定用户从哪一类训练开始练习,重新设定相应的训练方案。
根据本发明的计算机化社会适应训练系统,其中,每当用户完成一项单个训练,通过以下方法进行之后训练方案的推送优化:
采用经验池中的记忆库学习之前的有效性测评结果和训练数据,将实时更新的训练数据与训练环境交互得到的转移样本储存到回放记忆网络中,随机抽出组块训练,生成通过深度学习和强化学习结合的算法训练出的深度价值网络,估计给定的训练环境、用户训练成绩、用户的定期有效性测评结果的价值,然后选择价值最大的用户的需求状态。
根据本发明的计算机化社会适应训练系统,其中,基于非监督学习的降维算法 确定用户从哪一类训练开始练习,确定相应的训练方案,包括以下步骤:
S2-1对于各个数据源进行均值归一化,然后分解特征值,对不同维度的数据去噪整合,映射到低维空间,系统定义聚类结果的类别数量(质心数)为2,对应社交动力和社交技能训练方面的需求,
S2-2对数据特征通过欧式距离 (Isomap) 算出其欧式空间的局部区域性质,获得基于样本的相似系数矩阵,从而确定用户分到社交动力性训练和社交能力性训练中的映射聚类情况,确定用户从哪一类训练开始练习,确定相应的训练方案。
本发明的技术方案具有以下优点:
1.本发明的技术方案能够在收集用户测评数据之后,由算法评定级别,根据初设规则为用户量身定制训练方案。
2. 本发明的计算机化社会适应训练方法及系统实现了对社会适应能力的联合培养、系统化提升,从社交动力、社交行为、社交技能、社会适应等多个方面多头并进,难度逐渐提升,设计的问题逐渐复杂,由表及里,综合训练。
3. 本发明的计算机化社会适应训练方法及系统基于多个社会心理理论自主创新设计了大量训练范式,均经验证有效。
4.本方案根据电子产品载体的使用特性设计了更适于普通家用电子产品的治疗范式,增强用户在训练中的参与感和交互感。用户在训练过程中,通过简单的触屏、划屏即能完成交互,操作简易,在技术上也更容易实现和升级。相比于相近的基于虚拟技术的自闭症训练方案,本方案对设备的使用要求更低,操作难度更低,呈现的范式更加丰富多样。不仅大大降低了用户的训练成本,还提高了用户的使用体验。
5.通过本发明的计算机化社会适应训练方法及系统,用户可以维持较高的注意力水平,提高训练效果,还能够改善用户的训练体验,吸引用户长期的练习,完成较长的训练周期。
6.通过本发明的计算机化社会适应训练方法及系统,训练内容具有强烈的针对性,每种训练都对应着一个改善社会适应的一方面或者一种方式,如接、发信息对应着给予他人积极反馈和主动分享,铲雪对应着社交合作,传球对应着提高社交动力等等。这些范式在建立训练方案的过程中,针对用户情况灵活安排,加强训练方案的针对性。
7.本发明的计算机化社会适应训练方法及系统具有一个完整的训练路径,从用户进入训练,自我测评,推送训练方案,根据表现完成目标后重新定制训练方案。在这个过程中,按照本发明的方案, 用户的社交动力最终能够增强到普通人群的均值线,亲社会属性、社交技能水平、社会适应能力都能够达到普通人群平均水准。
8.本发明的计算机化社会适应训练方法及系统能够为用户设定个性化的训练方案。根据对用户的全方位测评,针对薄弱点制定具有针对性的、循序渐进的训练方案,逐步而稳定地提高用户的社会适应能力。如,对于低社交动力人群,本方案采用互动、分享等模拟练习来引导用户在对应的练习中感受到温暖和乐趣,从而改善低社交动力的情况。
9.本发明的计算机化社会适应训练方法及系统覆盖广大人群。训练从易到难分为四个层次,适用于各种程度的社会适应困难人群。无论是对于抑郁、焦虑、自闭、注意力缺陷等存在较严重问题的人群,还是对于健康的社交能力较差或人际关系存在问题的人群,都有匹配的训练。对于问题较为严重的人群,从增强社交动力或学习社交技能其中一个方面较为初级的练习开始;对于问题较为轻微的人群,则从较为高级的练习开始。
附图说明
图1为本发明的计算机化社会适应训练方法的流程示意图。
具体实施方式
以下结合附图详细描述本发明的技术方案。
如图1所示,本发明的计算机化社会适应训练方法包括以下步骤:
S1:登陆并进行测评。登陆后,用户先选择自身病症或症状(Diagnose),并且用户选择自身需求,完成与需求相关的量表,评估量表中各项数值.综合量表测评(Scale)和社会能力评估(Test),包括社会适应、人际关系、共情能力、社交技能等相关的量表,社会能力评估包括情绪理解测评、多元认知测评、欣赏他人测评,评估用户的社交意愿和能力。
S2:根据用户病症指征、综合量表中各项数值进行基于非监督学习的降维算法.确定用户从哪一类训练开始练习,确定相应的训练方案。首先对于各个数据源进行均值归一化,然后分解特征值,对不同维度的数据去噪整合,映射到低维空间。系统定义聚类结果的类别数量(质心数)为2,对应两个训练方面(动机、能力)的需求。对数据特征通过欧式距离 (Isomap) 算出其欧式空间的局部区域性质,获得基于样本的相似系数矩阵,从而确定用户分到两类训练中的映射聚类情况,确定用户从哪一类训练开始练习,确定相应的训练方案。
S3:输出的训练方案涉及社交动力性训练和社交能力性训练。如果用户首先进入社交动力性训练,则为用户呈现M类初阶的训练,如果用户首先进入社交能力性训练,则为用户呈现社交能力性训练初阶的训练。
其中,
如果进入社交动力性训练:
当用户进入社交动力性训练初阶的增强社交动力系列训练,呈现模拟现实社交场景的小游戏,用户进行训练,对用户表现进行评分,用户对自己的情绪也进行评分,
当用户进入社交动力性训练高阶的提升亲社会属性系列训练,则呈现模拟现实社交场景的小游戏,用户进行序列,用户对自己的主观感受进行评分;
当用户连续获得比之前更高的分数后,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,调节游戏难度或换为其他游戏场景,当用户达到目标分数或训练时间到达五分钟后,当日的这项练习结束,
如果进入社交能力性训练:
当进入社交能力性初阶的强化社交技能系列的训练,则呈现模拟现实情境的小游戏,用户进行训练,直到选择正确,所呈现的情境用户全部选择正确选项后,当日的这项练习结束。
当用户进入社交能力性高阶的促进社会适应系列的训练,则呈现模拟投资、分配、合作等场景的小游戏,用户进行训练,当用户连续获得比之前更高的分数后,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,调节游戏难度或换为其他游戏场景,当用户达到目标分数或训练时间到达五分钟后,当日的这项练习结束;
S4:每当用户完成一项单个训练,根据前面的所有训练记录和有效性测评结果,呈现的下一项训练内容,实时调整接下来的训练难度和时长。训练记录每完成一个训练更新一次,而测评数据即有效性测评结果每七天更新一次。调整的算法为:
系统采用根据深度学习和强化学习结合的DQN(Deep Q-Network)算法迭代,进行开放域的多轮训练策略学习。采用经验池中的记忆库来学习之前的有效性测评结果和训练数据,将实时更新的训练数据与训练环境交互得到的转移样本储存到回放记忆网络中,随机抽出组块训练,生成通过DQN算法训练出的深度价值网络,对于给定的训练环境和用户训练成绩、用户定期有效性测评结果估计出价值,然后选择价值最大的用户的需求状态。采用奖赏函数使得用于判断用户情况的神经网络更有效率,以更加符合用户的状态更新训练内容。此处的更新是实时的,每当用户完成一项单个训练,系统所呈现的下一项训练内容都会根据前面的所有训练内容和数据,调整难度和时长。在系统中,评估单元负责执行这项任务。根据用户的最近一次的定期有效性测评结果(每七天重测一次)和此前所有训练记录,进行之后训练方案的推送优化。
S5: 用户完成当前训练方案后,可选择返回到初始化登录场景,重新定义病症指征,进行综合量表测评和能力评估,由系统通过聚类分析的机器学习开始一个新的训练方案。
根据本发明的计算机化社会适应训练系统包括:
评估单元:用于收集用户数据,并生成用户画像报告;
输出单元:以视觉、听觉呈现系统内容 ;
交互单元:通过触摸、点击屏幕与用户进行互动;
存储单元:存储用户的训练方案,预设的训练内容和每日更新的训练日志,存储用户社会适应能力发展模型,
上述单元通过执行以下步骤实现计算机化社会适应训练:
S1:获取用户信息,实现登录;
S2:登录后进入预先设定的需求界面,每个病症、症状选择都预先分为A,I,R,E四类,对应A,I,R,E四类训练,选择训练目标G1;
S3:用户选择自身存在的症状,记录为D1;
S4:从存储单元中调出综合量表测评Ts1和社会能力评估Tk1,综合量表测评和社会能力评估各有两个版本,分别为Ts1, Ts2, Tk1, Tk2,呈现综合量表测评Ts1和社会能力评估Tk1,用户点击进行测评;
S5:评估单元收集统计量表评分,得到用户在不同维度的分数,生成图表F1,并呈现图表F1;
S7:评估单元根据用户病症,综合量表测评Ts1和社会能力评估Tk1的结果,基于非监督学习的降维算法,确定用户从哪一类训练开始练习,确定相应的训练方案;
S8:如果用户首先进入社交动力性训练,则为用户呈现社交动力性训练初阶的训练,如果用户首先进入社交能力性训练,则为用户呈现社交能力性训练初阶的训练。其中,
如果进入社交动力性训练:
当用户进入社交动力性训练初阶的增强社交动力系列训练,则输出单元呈现模拟现实社交场景的小游戏,交互单元的互动方式包括为用户呈现文本框、呈现选择按键、显示对用户表现的评分、呈现星星让用户对自己的情绪进行评分等,
当用户进入社交动力性训练高阶的提升亲社会属性系列训练,则输出单元呈现模拟现实社交场景的小游戏,交互单元的互动方式包括为用户呈现选择人物行为的选项、呈现星星让用户对自己的主观感受进行评分等,
当用户连续获得比之前更高的分数后,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,调节游戏难度或换为其他游戏场景,当用户达到目标分数或训练时间到达五分钟后,当日的这项练习结束,
如果进入社交能力性训练:
当进入社交能力性训练初阶的强化社交技能系列的训练,则输出单元呈现模拟现实情境的小游戏,为用户呈现引导其观察情景的画面和文字提示,呈现同一情境下不同人物的反应,及解读人物行为的选项,用户点击按键选择自己的理解,直到选择正确。所呈现的情境用户全部选择正确选项后,当日的这项练习结束,
当用户进入社交能力性训练高阶的促进社会适应系列的训练,则输出单元呈现模拟投资、分配、合作等场景的小游戏,为用户呈现控制游戏中人物行为的选项,进行互动。当用户连续获得比之前更高的分数后,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,进行之后训练方案的推送优化。当用户达到目标分数或训练时间到达五分钟后,当日的这项练习结束;
S9:当用户完成当前等级的训练后,呈现有效性测评界面,从存储单元中调出综合量表测评Ts2和社会能力评估Tk2,收集统计量表评分结果,记为Ss2和Sk2,根据用户此前的训练记录,Ss2和Sk2,进行主成分分析算法,重新确定用户从哪一类训练开始练习,重新设定相应的训练方案。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (7)
1.一种计算机化社会适应训练方法,其特征在于,包括以下步骤:
S1:登陆并进行测评,用户先选择自身病症或症状,并且选择自身需求,完成与需求相关的综合量表,评估量表中各项数值;
S2:根据用户病症指征、综合量表中各项数值进行基于非监督学习的降维算法. 确定用户从哪一类训练开始练习,确定相应的训练方案,包括以下步骤:
S2-1对于各个数据源进行均值归一化,然后分解特征值,对不同维度的数据去噪整合,映射到低维空间,系统定义聚类结果的类别数量为2,对应社交动力和社交能力训练方面的需求,
S2-2对数据特征通过欧式距离算出其欧式空间的局部区域性质,获得基于样本的相似系数矩阵,从而确定用户分到社交动力性训练和社交能力性训练中的映射聚类情况,确定用户从哪一类训练开始练习,确定相应的训练方案;
S3:输出的训练方案,所述训练方案涉及社交动力性训练和社交能力性训练,如果用户首先进入社交动力性训练,则为用户呈现社交动力性训练初阶的训练,如果用户首先进入社交能力性训练,则为用户呈现社交能力性训练初阶的训练,
其中,
(1)如果进入社交动力性训练:
当用户进入社交动力性训练初阶的增强社交动力系列训练,则呈现模拟现实社交场景的小游戏,用户进行训练,对用户表现进行评分,用户对自己的情绪也进行评分,
当用户进入社交动力性训练高阶的提升亲社会属性系列训练,则呈现模拟现实社交场景的小游戏,用户进行序列,用户对自己的主观感受进行评分,
当用户连续获得比之前更高的分数后,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,进行之后训练方案的推送优化,当用户达到目标分数或训练时间到达五分钟后,当日的这项练习结束,
(2)如果进入社交能力性训练:
当进入社交能力性初阶的强化社交技能系列的训练,则呈现模拟现实情境的小游戏,用户进行训练,直到选择正确,所呈现的情境用户全部选择正确选项后,当日的这项练习结束,
当用户进入社交能力性高阶的促进社会适应系列的训练,则呈现模拟投资、分配、合作场景的小游戏,用户进行训练,当用户连续获得比之前更高的分数后,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,调节游戏难度或换为其他游戏场景,当用户达到目标分数或训练时间到达五分钟后,当日的这项练习结束;
S4:每当用户完成一个单项训练,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,进行之后训练方案的推送优化,
其中,采用经验池中的记忆库学习之前的有效性测评结果和训练数据,将实时更新的训练数据与训练环境交互得到的转移样本储存到回放记忆网络中,随机抽出组块训练,生成通过深度学习和强化学习结合的算法训练出的深度价值网络,估计给定的训练环境、用户训练成绩、用户的定期有效性测评结果的价值,然后选择价值最大的用户的需求状态;
S5: 用户完成当前训练方案后,选择返回到初始化登录场景,重新定义病症指征,进行综合量表测评和能力评估,通过聚类分析的机器学习开始一个新的训练方案。
2.根据权利要求1所述的计算机化社会适应训练方法,其特征在于,在步骤S1中,所述综合量表涉及社会适应、人际关系、共情能力、社交技能相关的量表,社会能力评估包括情绪理解测评、多元认知测评、欣赏他人测评,评估用户的社交意愿和能力。
3.根据权利要求1所述的计算机化社会适应训练方法,其特征在于,每完成一个训练更新一次训练记录,测评数据每七天更新一次。
4.根据权利要求1所述的计算机化社会适应训练方法,其特征在于,在S4步骤中,通过奖赏函数使用于判断用户情况的所述深度价值网络更有效率,更加符合用户的状态更新训练内容。
5.一种计算机化社会适应训练系统,其特征在于,包括评估单元、输出单元、交互单元和存储单元,其中,
评估单元用于收集用户数据,并生成用户报告;
输出单元用于以视觉、听觉呈现系统内容 ;
交互单元用于通过触摸、点击屏幕与用户进行互动;
存储单元用于储用户的训练方案,预设的训练内容和每日更新的训练日志,存储用户社会适应能力发展模型,
上述单元通过执行以下步骤实现计算机化社会适应训练:
S1:获取用户信息,实现登录;
S2:登录后进入预先设定的需求界面,每个病症、症状选择都预先被分类,并对应相应的训练,选择训练目标;
S3:用户选择自身存在的症状并记录;
S4:从存储单元中调出综合量表测评,用户点击进行测评;
S5:评估单元收集系统综合计量表的各项评分,得到用户在不同维度的分数,生成图表并呈现;
S7:评估单元根据用户病症,综合量表测评的各项得分,基于非监督学习的降维算法,确定用户从哪一类训练开始练习,确定相应的训练方案;
S8:如果用户首先进入社交动力性训练,则为用户呈现社交动力性初阶的训练,如果用户首先进入社交能力性训练,则为用户呈现社交能力性训练初阶的训练,其中,
如果进入社交动力性训练:
当用户进入社交动力性训练初阶的增强社交动力系列训练,则输出单元呈现模拟现实社交场景的小游戏,交互单元的互动方式包括为用户呈现文本框、呈现选择按键、显示对用户表现的评分、让用户对自己的情绪进行评分,
当用户进入社交动力性训练高阶的提升亲社会属性系列训练,则输出单元呈现模拟现实社交场景的小游戏,交互单元的互动方式包括为用户呈现选择人物行为的选项、让用户对自己的主观感受进行评分,
当用户连续获得比之前更高的分数后,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,进行之后训练方案的推送优化,当用户达到目标分数或训练时间到达五分钟后,当日的这项练习结束,
(1)如果进入社交能力性训练:
当进入社交能力性训练初阶的强化社交技能系列的训练,则输出单元呈现模拟现实情境的小游戏,为用户呈现引导其观察情景的画面和文字提示,呈现同一情境下不同人物的反应,及解读人物行为的选项,用户点击按键选择自己的理解,直到选择正确,所呈现的情境用户全部选择正确选项后,当日的这项练习结束,
当用户进入社交能力性训练高阶的促进社会适应系列的训练,则输出单元呈现模拟投资、分配、合作场景的小游戏,为用户呈现控制游戏中人物行为的选项,进行互动,当用户连续获得比之前更高的分数后,根据前面的所有训练记录和有效性测评结果,实时调整下一项训练内容的训练难度和时长,进行之后训练方案的推送优化,当用户达到目标分数或训练时间到达五分钟后,当日的这项练习结束;
S9:当用户完成当前等级的训练后,呈现有效性测评界面,从存储单元中调出综合量表测评,收集统计综合量表的各项评分结果,根据用户此前的训练记录,进行主成分分析算法,重新确定用户从哪一类训练开始练习,重新设定相应的训练方案。
6.根据权利要求5所述的计算机化社会适应训练系统,其特征在于,每当用户完成一项单个训练,通过以下方法进行之后训练方案的推送优化:
采用经验池中的记忆库学习之前的有效性测评结果和训练数据,将实时更新的训练数据与训练环境交互得到的转移样本储存到回放记忆网络中,随机抽出组块训练,生成通过深度学习和强化学习结合的算法训练出的深度价值网络,估计给定的训练环境、用户训练成绩、用户的定期有效性测评结果的价值,然后选择价值最大的用户的需求状态。
7.根据权利要求5所述的计算机化社会适应训练系统,其特征在于,基于非监督学习的降维算法确定用户从哪一类训练开始练习,确定相应的训练方案,包括以下步骤:
S2-1对于各个数据源进行均值归一化,然后分解特征值,对不同维度的数据去噪整合,映射到低维空间,系统定义聚类结果的类别数量为2,对应社交动力和社交技能训练方面的需求;
S2-2对数据特征通过欧式距离算出其欧式空间的局部区域性质,获得基于样本的相似系数矩阵,从而确定用户分到社交动力性训练和社交能力性训练中的映射聚类情况,确定用户从哪一类训练开始练习,确定相应的训练方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110906058.2A CN113808698B (zh) | 2021-08-09 | 2021-08-09 | 计算机化社会适应训练方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110906058.2A CN113808698B (zh) | 2021-08-09 | 2021-08-09 | 计算机化社会适应训练方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113808698A true CN113808698A (zh) | 2021-12-17 |
CN113808698B CN113808698B (zh) | 2023-06-09 |
Family
ID=78942837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110906058.2A Active CN113808698B (zh) | 2021-08-09 | 2021-08-09 | 计算机化社会适应训练方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113808698B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114201053A (zh) * | 2022-02-17 | 2022-03-18 | 北京智精灵科技有限公司 | 一种基于神经调控的认知提升训练方法及系统 |
CN114721520A (zh) * | 2022-04-07 | 2022-07-08 | 江苏中科小达人智能科技有限公司 | 一种基于虚拟现实的交互式训练系统及方法 |
CN115295153A (zh) * | 2022-09-30 | 2022-11-04 | 北京智精灵科技有限公司 | 基于深度学习的认知评估方法及认知任务推送方法 |
CN115376695A (zh) * | 2022-10-25 | 2022-11-22 | 安徽星辰智跃科技有限责任公司 | 基于扩展现实的神经心理评估及干预的方法、系统和装置 |
CN115588485A (zh) * | 2022-10-14 | 2023-01-10 | 杭州南粟科技有限公司 | 基于社交故事训练的自适应干预方法、系统、装置和介质 |
CN117253587A (zh) * | 2023-11-17 | 2023-12-19 | 北京智精灵科技有限公司 | 一种基于气质特征的注意力训练方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258450A (zh) * | 2013-03-22 | 2013-08-21 | 华中师范大学 | 面向孤独症儿童的智能学习平台 |
US20170098385A1 (en) * | 2014-05-21 | 2017-04-06 | Akili Interactive Labs, Inc. | Processor-Implemented Systems and Methods for Enhancing Cognitive Abilities by Personalizing Cognitive Training Regimens |
US20190019581A1 (en) * | 2015-12-18 | 2019-01-17 | Cognoa, Inc. | Platform and system for digital personalized medicine |
CN111415723A (zh) * | 2020-04-14 | 2020-07-14 | 南京青宝教育科技有限公司 | 一种注意能力提升的个性化内容推荐系统 |
US20210133509A1 (en) * | 2019-03-22 | 2021-05-06 | Cognoa, Inc. | Model optimization and data analysis using machine learning techniques |
-
2021
- 2021-08-09 CN CN202110906058.2A patent/CN113808698B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258450A (zh) * | 2013-03-22 | 2013-08-21 | 华中师范大学 | 面向孤独症儿童的智能学习平台 |
US20170098385A1 (en) * | 2014-05-21 | 2017-04-06 | Akili Interactive Labs, Inc. | Processor-Implemented Systems and Methods for Enhancing Cognitive Abilities by Personalizing Cognitive Training Regimens |
US20190019581A1 (en) * | 2015-12-18 | 2019-01-17 | Cognoa, Inc. | Platform and system for digital personalized medicine |
US20210133509A1 (en) * | 2019-03-22 | 2021-05-06 | Cognoa, Inc. | Model optimization and data analysis using machine learning techniques |
CN111415723A (zh) * | 2020-04-14 | 2020-07-14 | 南京青宝教育科技有限公司 | 一种注意能力提升的个性化内容推荐系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114201053A (zh) * | 2022-02-17 | 2022-03-18 | 北京智精灵科技有限公司 | 一种基于神经调控的认知提升训练方法及系统 |
CN114201053B (zh) * | 2022-02-17 | 2022-06-28 | 北京智精灵科技有限公司 | 一种基于神经调控的认知提升训练方法及系统 |
CN114721520A (zh) * | 2022-04-07 | 2022-07-08 | 江苏中科小达人智能科技有限公司 | 一种基于虚拟现实的交互式训练系统及方法 |
CN115295153A (zh) * | 2022-09-30 | 2022-11-04 | 北京智精灵科技有限公司 | 基于深度学习的认知评估方法及认知任务推送方法 |
CN115588485A (zh) * | 2022-10-14 | 2023-01-10 | 杭州南粟科技有限公司 | 基于社交故事训练的自适应干预方法、系统、装置和介质 |
CN115588485B (zh) * | 2022-10-14 | 2023-11-03 | 杭州南粟科技有限公司 | 基于社交故事训练的自适应干预方法、系统、装置和介质 |
CN115376695A (zh) * | 2022-10-25 | 2022-11-22 | 安徽星辰智跃科技有限责任公司 | 基于扩展现实的神经心理评估及干预的方法、系统和装置 |
CN117253587A (zh) * | 2023-11-17 | 2023-12-19 | 北京智精灵科技有限公司 | 一种基于气质特征的注意力训练方法及系统 |
CN117253587B (zh) * | 2023-11-17 | 2024-03-29 | 北京智精灵科技有限公司 | 一种基于气质特征的注意力训练方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113808698B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113808698B (zh) | 计算机化社会适应训练方法及系统 | |
CN112700688B (zh) | 一种智能课堂教学辅助系统 | |
CN109388746A (zh) | 一种基于学习者模型的学习资源智能推荐方法 | |
Park et al. | An explanatory item response theory method for alleviating the cold-start problem in adaptive learning environments | |
Jugo et al. | Increasing the adaptivity of an intelligent tutoring system with educational data mining: a system overview | |
US20230146132A1 (en) | Systems and methods for learner growth tracking and assessments | |
CN204425398U (zh) | 智能早教系统及装置 | |
Ryan | Advancing comparison of democratic innovations: A medium-N fuzzy-set qualitative comparative analysis of participatory budgeting | |
Rizopoulos | Book review: Max Kuhn and Kjell Johnson. Applied Predictive Modeling. New York, Springer | |
CN109635869A (zh) | 在线学习干预系统 | |
Xiao et al. | The application of CART algorithm in analyzing relationship of MOOC learning behavior and grades | |
CN112951022A (zh) | 一种多媒体互动教育培训系统 | |
Koutsojannis et al. | Using a hybrid AI approach for exercise difficulty level adaptation | |
CN114461786B (zh) | 一种学习路径生成方法和系统 | |
CN115565680A (zh) | 基于游戏行为分析的认知评估结果的个性化认知训练系统 | |
Morrison | Comparing elo, glicko, irt, and bayesian irt statistical models for educational and gaming data | |
Binh et al. | Student ability estimation based on IRT | |
CN112734142A (zh) | 基于深度学习的资源学习路径规划方法及装置 | |
KR100995679B1 (ko) | 맞춤형 운전면허 학과시험 학습시스템 | |
Sosnovsky et al. | Detection of student modelling anomalies | |
CN117726485B (zh) | 一种基于大数据的智适应教育学习方法及系统 | |
Yan et al. | Computer-Aided Medical Analysis of Smart University Student's Psychological Fitness Data using Fuzzy Clustering and Decision Tree Algorithms | |
Bachtiar et al. | Modeling User Profile in Gamification Based e-Learning Using k-Means Clustering | |
CN116433428A (zh) | 一种针对薄弱知识点的智能推题方法及系统 | |
Fu et al. | Design and research of educational mode in context of teaching gamification |
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 |