CN113871015B - 用于提升认知的人机交互方案推送方法及系统 - Google Patents
用于提升认知的人机交互方案推送方法及系统 Download PDFInfo
- Publication number
- CN113871015B CN113871015B CN202111463438.XA CN202111463438A CN113871015B CN 113871015 B CN113871015 B CN 113871015B CN 202111463438 A CN202111463438 A CN 202111463438A CN 113871015 B CN113871015 B CN 113871015B
- Authority
- CN
- China
- Prior art keywords
- brain
- user
- human
- computer interaction
- abilities
- 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
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种用于提升认知的人机交互方案推送方法及系统。该方法包括以下步骤:对用户进行脑能力评估,以获取用户的各项脑能力的评分;根据用户的各项脑能力的评分,获取用户的各项脑能力提升的需求度与范式的相对契合度;根据需求度和相对契合度,从用户的全部脑能力中筛选出待提升的多项脑能力,形成活跃范式池;从待提升的各项脑能力中抽取设定数量的脑能力,从活跃范式池中抽取相对契合度最大的范式,并选择每种范式下的人机交互任务加入到人机交互方案中;将人机交互方案推送给用户进行人机交互。利用本发明,能够针对不同的用户生成定制式的人机交互方案,帮助用户提升认知能力。
Description
技术领域
本发明涉及一种用于提升认知的人机交互方案推送方法,同时涉及相应的人机交互系统,属于认知心理学技术领域。
背景技术
认知是指人类的大脑接触外界的信息或者事物后,通过内心活动的加工和处理,转化为认知、学习到的知识,即学习新事物、获取知识并对学到的知识进行应用的一种能力。认知功能包括记忆力、理解力、计算力、语言能力、视空间能力、判断理解能力等多方面,如果认知功能出现一方面或者几方面的受损,都可以被认为是认知功能障碍。认知功能障碍不仅影响生活能力,还会影响社交能力。
据统计,65岁以上的老年人中有10%~20%的人有轻度认知障碍,研究发现,患有轻度认知障碍的患者,1年后其中大约有10%恶化成认知障碍症。认知障碍症也被称为老年痴呆、脑退化、失智症,认知障碍症的症状有记忆力衰退、思考能力减低、与家人沟通有影响、时常情绪不稳定等,严重者会丧失自我照顾的能力。
现有技术中,大多采用固定范式的人机交互方案来提升患者的认知能力。然而,每一个患者的认知情况均有所不同。这种固定范式的人机交互方案无法为患者提供定制式的个性化认知提升方案,从而导致患者的认知提升效果不佳。
发明内容
本发明所要解决的首要技术问题在于提供一种用于提升认知的人机交互方案推送方法,以针对不同用户提供定制式的个性化人机交互方案,从而帮助用户提升认知。
本发明所要解决的另一技术问题在于提供一种用于提升认知的人机交互系统。
为实现上述技术目的,本发明采用以下技术方案:
根据本发明实施例的第一方面,提供一种用于提升认知的人机交互方案推送方法,包括以下步骤:
对用户进行脑能力评估,以获取用户的各项脑能力的评分;
根据所述用户的各项脑能力的评分,获取所述用户的各项脑能力对认知提升的需求度,以及各项脑能力与范式的相对契合度;
根据所述需求度和所述相对契合度,从所述用户的全部脑能力中筛选出待提升的多项脑能力,并针对所述用户待提升的多项脑能力,抽取相对契合度的值大于0的范式,形成活跃范式池;
从所述用户待提升的各项脑能力中抽取设定数量的脑能力,针对抽取的每一项脑能力,从所述活跃范式池中抽取相对契合度的值最大的范式,并选择每种范式下的人机交互任务加入到人机交互方案中;
将所述人机交互方案推送给所述用户进行人机交互,并获取所述用户的人机交互记录,以用于再次对所述用户进行脑能力评估。
其中较优地,还包括以下步骤:
根据所述用户的人机交互记录,自动更新所述用户的各项脑能力的评分,并根据更新后的所述用户的各项脑能力的评分推送下一次的人机交互方案。
其中较优地,所述根据所述用户的各项脑能力的评分,获取所述用户的各项脑能力对认知提升的需求度,以及各项脑能力与范式的相对契合度具体包括:
基于所述用户的各项脑能力的评分,通过Pi和Fi计算获得所述用户第i项脑能力对认知提升的需求度DTi;其中,i的取值为1~N,N为所述用户的各项脑能力的总数;Pi为用户在第i项脑能力上的提升潜力指数;Fi为第i项脑能力的阶梯乘数;
基于所述用户的各项脑能力的评分,通过BAi 与Tsi,j差值的绝对值,计算获得所述用户第i项脑能力与范式j的相对契合度MDi,j;其中,i的取值为1~N,N为所述用户的各项脑能力的总数;Bai为所述用户第i项脑能力的评分;TSi,j为范式j对于所述用户第i项脑能力的认知提升强度。
其中较优地,所述根据所述需求度和所述相对契合度,从所述用户的全部脑能力中筛选出待提升的多项脑能力,并针对所述用户待提升的多项脑能力,抽取相对契合度的值大于0的范式,形成活跃范式池,具体包括:
综合所述用户的各项脑能力需求度DT和相对契合度MD,获得用户特征集合S0 ={DT,MD};
从所述用户特征集合S0 中删除已达正常水平的脑能力,得到精简的特征集合S1,所述特征集合S1中包含所述用户待提升的多项脑能力;其中,所述已达正常水平的脑能力的评分大于或等于对应年龄组健康人群在该项脑能力的评分;
根据所述特征集合S1,针对每一项待提升的脑能力,将相对契合度MD的值大于0的范式加入到范式池中,生成活跃范式池。
其中较优地,所述选择每种范式下的人机交互任务加入到人机交互方案中具体包括:
选择每种范式下可用性指标最大的人机交互任务加入到人机交互方案中。
其中较优地,所述从所述用户待提升的各项脑能力中抽取设定数量的脑能力,具体包括:
当所述特征集合S1中的待提升的脑能力的数量不超过所述设定数量时,将所述用户的所有待提升的脑能力加入进候选脑能力;
当所述特征集合S1中的待提升的脑能力的数量超过所述设定数量时,将所述用户待提升的脑能力按照认知提升的需求度进行排序,并将排序后待提升的脑能力分为两部分,在排序靠前的一部分脑能力中抽取第一数量的脑能力作为焦点脑能力,在排序靠后的一部分脑能力中抽取第二数量的脑能力作为非焦点脑能力,所述第一数量与所述第二数量之和等于所述设定数量。
其中较优地,所述选择每种范式下可用性指标最大的人机交互任务加入到人机交互方案中,具体包括:
在所抽取的范式中,针对所述范式内的每一个人机交互任务,综合所述需求度、所述相对契合度、以及所述人机交互任务的新鲜度,计算得到所述人机交互任务的可用性指标;
将所述范式内的所有人机交互任务的可用性指标进行排序,选择可用性指标的数值最大的人机交互任务作为提升该项候选脑能力的最佳任务,将所述最佳任务加入到所述人机交互方案中。
其中较优地,所述综合所述需求度、所述相对契合度、以及所述人机交互任务的新鲜度,计算得到所述人机交互任务的可用性指标,具体包括:
根据所述用户第i项候选脑能力的需求度DTi、范式j对第i项候选脑能力的相对契合度MDi,j、以及针对所述第i项脑能力,所述范式j中的第k个人机交互任务的新鲜度FLi,j,k,通过函数TAi,j,k=f(DTi, MDi,j, FLi,j,k)计算得到所述人机交互任务的可用性指标;
其中,f(DTi, MDi,j, FLi,j,k)表示针对不同用户,基于DTi、 MDi,j和 FLi,j,k三个变量的乘积运算函数;所述FLi,j,k以0和1表示,当前一天人机交互方案中包括所述第k个人机交互任务时,其值为0,反之则为1。
其中较优地,所述脑能力评估至少包括量表式的认知测验和/或反应式的认知任务,所述认知测验或认知任务均能够同时测量多种脑能力。
根据本发明实施例的第二方面,提供一种用于提升认知的人机交互系统,包括:
基本信息采集单元,与中央处理器连接,用于采集用户的基本信息;
脑能力评估单元,与中央处理器连接,用于对用户进行脑能力评估,以得到用户的各项脑能力评分;
活跃范式池生成单元,与中央处理器连接,用于针对用户的各项脑能力评分,从系统中筛选并抽取相应的范式,形成活跃范式池;
人机交互方案推送单元,与中央处理器连接,用于为用户推送人机交互方案;
人机交互记录和脑能力更新单元,用于记录用户的人机交互过程,并根据人机交互记录更新用户的最新脑能力评分;
所述中央处理器用于执行上述人机交互方案推送方法。
本发明提供的人机交互方案推送方法及系统,通过综合评估用户基本特征和认知测验表现获取用户的各项脑能力基础评分,据此从系统任务池中筛选、抽取和推送具有高提升需求度和高契合度的人机交互任务,根据用户每日的人机交互记录自动更新脑能力评分,并生成相应的人机交互方案推送给用户。由此,能够针对不同的用户生成定制式的人机交互方案,并根据用户的认知提升情况进行人机交互方案的实施调整,以帮助用户提升认知。
附图说明
图1为本发明实施例提供的一种用于提升认知的人机交互系统示意图;
图2为本发明实施例提供的一种用于提升认知的人机交互方案推送方法的整体流程图;
图3为本发明实施例中,一种用于提升认知的人机交互方案推送方法的细节流程图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
请参照图1所示,为本发明实施例提供的一种用于提升认知的人机交互系统,其至少包括:基本信息采集单元、脑能力评估单元、活跃范式池生成单元、人机交互方案推送单元、人机交互记录和脑能力更新单元以及中央处理器。基本信息采集单元、脑能力评估单元、活跃范式池生成单元、人机交互方案推送单元和人机交互记录和脑能力更新单元均与中央处理器连接。
其中,基本信息采集单元用于采集用户的基本信息,例如:性别、年龄、受教育程度和职业等;脑能力评估单元用于对用户的当前脑能力进行评估,以得到用户的各项脑能力评分;活跃范式池生成单元用于针对用户的各项脑能力评分,从系统中筛选并抽取相应的范式,形成活跃范式池;人机交互方案推送单元用于为用户推送定制式的人机交互方案,以达到提升认知的目的;人机交互记录和脑能力更新单元用于记录用户的人机交互过程,并根据人机交互记录更新用户的最新脑能力评分,以便于下一次推送人机交互方案;该中央处理器用于执行用于提升认知的人机交互方案推送方法,以使各个单元各自实现相应的功能。
下面对本发明实施例中,用于提升认知的人机交互方案推送方法进行详细说明:
参照图2和图3所示,为本发明实施例提供的一种用于提升认知的人机交互方案推送方法,具体包括以下步骤:
S1:获取用户的基本信息。
具体的,包括步骤S11~S12:
S11:通过基本信息采集单元采集用户的人口学基本信息,人口学基本信息至少包括性别Gen、年龄Age、受教育程度Edu和职业Pro;
S12:根据用户的人口学基本信息生成用户特征标签集合User= {Gen, Age,Edu, …, Pro};
S2:对用户进行脑能力评估,以获取用户的各项脑能力的评分。
具体的,包括步骤S21~S22:
S21:利用脑能力评估单元引导用户通过人机交互的方式完成脑能力评估。其中,脑能力评估包括量表式的认知测验(如蒙特利尔认知评估(MoCA)、简易智能精神状态量表(MMSE)等)和/或反应式的认知任务(如测量认知控制能力的Flanker箭头朝向判断任务、测量再认记忆的词干补笔测验等)。每种认知测验或认知任务均能够同时测量多种脑能力。通过用户在一次脑能力评估中的认知得分,能够反映用户多种脑能力的认知受损情况。
S22:根据用户的人机交互记录或认知测验的结果,获取用户的各项脑能力的评分。
S3:根据用户的各项脑能力的评分,获取用户的各项脑能力对认知提升的需求度,以及各项脑能力与范式的相对契合度。
具体的,包括步骤S31~S32:
S31:基于用户用户的各项脑能力的评分,通过公式DTi = f(Pi, Fi)计算获得所述用户第i项脑能力对认知提升的需求度DTi。其中,i的取值为1~N,N为用户的各项脑能力的总数。
Pi为用户在第i项脑能力上的提升潜力指数,反映了因用户长期坚持而使该项脑能力可以提升的水平的预期值(例如:评估Pi为2,若用户的潜力值为80,则用户的潜力值能够从80提升到82)。具体的,Pi可以表示为用户第i项脑能力评分与对应年龄健康人群在该项脑能力常模评分的差异的函数:Pi = f(BAi-BAd),BAi为用户第i项脑能力的评分,BAd为系统中预存的对应年龄组健康人群在该项脑能力的评分常模(测验常模)。
Fi为第i项脑能力的阶梯乘数,反映了提升该项脑能力的优先水平以及不同脑能力之间的递进关系。可以理解的是,该Fi的值根据各项脑能力的关系预先设定好并内嵌在系统内。具体设定时,如果一项脑能力的训练不依赖于其他脑能力的参与,那它就是属于低级功能,如感知觉、注意,针对低级功能的脑能力将Fi设定为第一设定值;如果一项脑能力的训练依赖于其他脑能力的参与,则该项脑能力属于高级功能,如记忆和执行功能,针对高级功能的脑能力将Fi设定为第二设定值,其中,第二设定值大于第一设定值。
f(Pi, Fi)为基于两个变量Pi和 Fi的乘积运算函数,即f(Pi, Fi)=Pi* Fi,通过将Pi, Fi相乘即可计算得到DTi。可以理解,f()也可以是其他函数关系,例如:线性关系,f(Pi, Fi)=a * Pi + b * Fi + c,其中a和b分别是Pi和Fi的权重系数,c为常数项。
由此,通过计算用户各个脑能力的需求度DT1~DTn,得到需求度特征集合DT。
S32:基于用户的各项脑能力的评分,通过函数MDi,j =g(abs(BAi – Tsi,j))计算获得所述用户第i项脑能力与范式j的相对契合度MDi,j。其中,i的取值为1~N,N为所述用户的各项脑能力的总数;j的取值为1~J,J为范式的总量。
在本发明的实施例中,相对契合度指:对于一个用户而言,特定范式能够对特定脑能力进行认知提升的程度。相对契合度反映了范式与脑能力之间的匹配程度。由于个体在人机交互任务过程中使用脑能力的水平不同,因此,计算针对于用户的相对契合度MD尤为重要。具体的,在本发明实施例中,根据|BAi – Tsi,j|可以计算得到MDi,j的值,而且,MDi,j的值的大小与|BAi – Tsi,j|的值的大小呈正比,|BAi – Tsi,j|的值越大,则MDi,j的值越大,反之,则MDi,j的值越小。其中,BAi指的是用户第i项脑能力的评分,Tsi,j指的是第j个范式能够提升用户第i项脑能力的强度,该Tsi,j的值通过预先的实验统计获得,根据每一个范式和任务与脑能力之间的关联强度决定。可以理解的是,MDi,j的值越大,说明对于该用户而言,第j个范式与第i个脑能力的匹配度越高。由此,通过将各范式对各项脑能力的相对契合度MDi,j形成集合,从而得到相对契合度特征集合MD。
S4:根据需求度和相对契合度,从用户的全部脑能力中筛选出待提升的多项脑能力,并针对用户待提升的多项脑能力,抽取满足第一指标的范式,形成活跃范式池。
具体的,包括步骤S41~S43:
S41:综合步骤S3中所获得的需求度特征集合DT和相对契合度特征集合MD,获得用户特征集合S0={DT,MD}。
S42:从用户特征集合S0 中删除已达正常水平的脑能力,得到精简的特征集合S1,该特征集合S1中包含用户所有待提升的多项脑能力。
可以理解的是,当用户的第i项脑能力的评分大于或等于对应年龄组健康人群在该脑能力评分,即BAi ≥ BAd时,说明该项脑能力已达正常水平而无需提升,需要将其从特征集合S0中删除;当所有达到正常水平的脑能力从特征集合S0中删除后,则可得到精简后的特征集合S1。因此,该特征集合S1包含了用户所有需要提升的脑能力。
在本发明实施例中,特征集合S1为n * m的矩阵;其中,n为特征集合S1的行数(n≦N),对应用户待提升的多项脑能力的数量,m为特征集合S1的列数,其中,特征集合S1的第1列为脑能力编码,第2列为各项脑能力对应的提升需求度,第3至第m列为针对用户的所有范式在各项脑能力上的相对契合度。容易理解的是,本发明实施例中,将特征集合S1通过矩阵形式进行表示仅为其中一种实施方式,在其他实施例中,还可以通过其他形式进行表示,例如用集合表示。
S43:根据特征集合S1,针对每一项待提升的脑能力,将相对契合度MD的值大于0的范式加入到范式池中,生成活跃范式池。容易理解的是,本发明实施例中,第一指标指的是:相对契合度MD的值大于0。
可以理解的是,在另一实施例中,可以省略建立特征集合S1的步骤,直接根据BAi≥ BAd且MD>0来选择出对应的范式,从而生成活跃范式池。
S5:从用户待提升的各项脑能力中抽取设定数量的脑能力,针对抽取的每一项脑能力,从活跃范式池中抽取满足第二指标的范式,并选择每种范式下满足第三指标的任务加入到人机交互方案中。
具体的,包括步骤S51~S53,其中,步骤S51用于从用户待提升的各项脑能力中抽取设定数量的脑能力,步骤S52用于从活跃范式池中抽取满足第二指标的范式,步骤S53用于选择每种范式下满足第三指标的任务加入到人机交互方案中。下面详细叙述各步骤的具体内容:
S51:从用户待提升的各项脑能力中抽取设定数量的脑能力。
具体的,当特征集合S1中的待提升的脑能力的数量不超过设定数量(例如5个)时,将用户的所有待提升的脑能力加入进候选脑能力。在本发明实施例中,以5个为例进行说明,但是不限于5个,也可以是其他预定值,例如3个或6个。该数量的设定是将用户的每次的训练量限制在预设范围内,不因为过多而引起用户负面情绪;也不因为过少而达不到训练效果。
当特征集合S1中的待提升的脑能力的数量超过设定数量(例如5个)时,将用户待提升的脑能力按照认知提升的需求度进行排序,并将排序后待提升的脑能力均分为两部分。在排序靠前的一部分脑能力中抽取第一数量(2个)的脑能力作为焦点脑能力,在排序靠后的一部分脑能力中抽取第二数量(3个)的脑能力作为非焦点脑能力,其中,第一数量与第二数量之和等于该设定数量,焦点脑能力与非焦点脑能力共同构成了该候选脑能力。
S52:从活跃范式池中抽取满足第二指标的范式。
具体的,针对每一项候选脑能力,从活跃范式池中抽取相对契合度MD的值最大的范式。容易理解的是,本发明实施例中,第二指标指的是:相对契合度MD的值最大。
S53:选择每种范式下满足第三指标的任务加入到人机交互方案中。
具体的,在所抽取的范式中,针对范式内的每一个人机交互任务,根据用户第i项候选脑能力的需求度DTi、范式j对第i项候选脑能力的相对契合度MDi,j、以及第k个人机交互任务的新鲜度FLi,j,k计算得到人机交互任务的可用性指标。其中,新鲜度FLi,j,k表示针对所述第i项脑能力,所述范式j中的第k个人机交互任务的新鲜度FLi,j,k。新鲜度用于度量每个任务出现在同一用户的训练过程中的频率。对于低频率的任务,用户会有新鲜感,情绪上更喜欢做此任务。
针对一个用户,人机交互任务的可用性指标TAi,j,k=f(DTi, MDi,j, FLi,j,k)。本发明实施例中,f(DTi, MDi,j, FLi,j,k)表示基于DTi、MDi,j和FLi,j,k三个变量的乘积运算函数。即,通过将DTi、MDi,j和FLi,j,k三个变量相乘即可计算得到人机交互任务的可用性指标TAi,j,k。其中,FLi,j,k以0和1表示,当前一天人机交互方案中包括所述第k个人机交互任务时,其值为0,反之则为1。
当计算得到范式内的所有人机交互任务的可用性指标后,基于一个范式内的所有人机交互任务的可用性指标进行排序,选择可用性指标的数值最大的人机交互任务作为提升该项候选脑能力的最佳任务,将该最佳任务加入到人机交互方案中即可。容易理解的是,在本发明实施例中,第三指标指的是:可用性指标的数值最大。当然,也可以选择排序中最大或次大的人机交互任务,放到人机交互方案中用于用户训练。
S6:将人机交互方案推送给用户进行人机交互,并获取用户的人机交互记录,以用于再次对用户进行脑能力评估。
具体的,当针对每一项候选脑能力均选择出提升该项候选脑能力的最佳任务后,将多个最佳任务所形成的人机交互方案推送为用户进行人机交互,以用于对用户的候选脑能力进行认知提升。在用户进行人机交互的过程中,获取用户的人机交互记录,用于作为对用户再次进行脑能力评估的依据。
S7:根据用户的人机交互记录,自动更新所述用户的各项脑能力的评分,并根据更新后的所述用户的各项脑能力的评分推送下一次的人机交互方案。
具体的,根据用户的人机交互情况进行反馈,并存储相应的人机交互记录。结合用户在人机交互过程中的认知测验分数和当日推送的人机交互方案的人机交互记录,按照步骤S2再次对用户进行认知评估,以实时同步更新用户最新的各项脑能力评分。
根据用户最新的各项脑能力评分,按照步骤S3~S6为用户生成后一天的人机交互方案,并预告给用户。
综上所述,本发明实施例提供的用于提升认知的人机交互系统及人机交互方案推送方法,其通过综合评估用户基本特征和认知测验表现获取用户的各项脑能力基础评分,据此从系统任务池中筛选、抽取和推送具有高提升需求度和高契合度的人机交互任务,根据用户每日的人机交互记录自动更新脑能力评分,并生成相应的人机交互方案推送给用户。由此,能够针对不同的用户生成定制式的人机交互方案,并根据用户的认知提升情况进行人机交互方案的实施调整,以帮助用户提升认知。
上面对本发明所提供的用于提升认知的人机交互方案推送方法及系统进行了详细的说明。对本领域的一般技术人员而言,在不背离本发明实质内容的前提下对它所做的任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应的法律责任。
Claims (9)
1.一种用于提升认知的人机交互方案推送方法,其特征在于包括以下步骤:
对用户进行脑能力评估,以获取用户的各项脑能力的评分;
根据所述用户的各项脑能力的评分,获取所述用户的各项脑能力对认知提升的需求度,以及各项脑能力与范式的相对契合度;
根据所述需求度和所述相对契合度,从所述用户的全部脑能力中筛选出待提升的多项脑能力,并针对所述用户待提升的多项脑能力,抽取相对契合度的值大于0的范式,形成活跃范式池;
从所述用户待提升的各项脑能力中抽取设定数量的脑能力,针对抽取的每一项脑能力,从所述活跃范式池中抽取相对契合度的值最大的范式,并选择每种范式下的人机交互任务加入到人机交互方案中;
将所述人机交互方案推送给所述用户进行人机交互,并获取所述用户的人机交互记录,以用于再次对所述用户进行脑能力评估;
其中,所述根据所述用户的各项脑能力的评分,获取所述用户的各项脑能力对认知提升的需求度,以及各项脑能力与范式的相对契合度包括:
基于所述用户的各项脑能力的评分,通过Pi和Fi计算获得所述用户第i项脑能力对认知提升的需求度DTi;其中, i的取值为1~N,N为所述用户的各项脑能力的总数;Pi为用户在第i项脑能力上的提升潜力指数;Fi为第i项脑能力的阶梯乘数;
基于所述用户的各项脑能力的评分,通过BAi 与Tsi,j差值的绝对值,计算获得所述用户第i项脑能力与范式j的相对契合度MDi,j;其中,i的取值为1~N,N为所述用户的各项脑能力的总数;BAi为所述用户第i项脑能力的评分;Tsi,j为范式j对于所述用户第i项脑能力的认知提升强度。
2.如权利要求1所述的人机交互方案推送方法,其特征在于还包括以下步骤:
根据所述用户的人机交互记录,自动更新所述用户的各项脑能力的评分,并根据更新后的所述用户的各项脑能力的评分推送下一次的人机交互方案。
3.如权利要求2所述的人机交互方案推送方法,其特征在于,所述根据所述需求度和所述相对契合度,从所述用户的全部脑能力中筛选出待提升的多项脑能力,并针对所述用户待提升的多项脑能力,抽取相对契合度的值大于0的范式,形成活跃范式池,具体包括:
综合所述用户的各项脑能力需求度DT和相对契合度MD,获得用户特征集合S0={DT,MD};
从所述用户特征集合S0 中删除已达正常水平的脑能力,得到精简的特征集合S1,所述特征集合S1中包含所述用户待提升的多项脑能力;其中,所述已达正常水平的脑能力的评分大于或等于对应年龄组健康人群在该项脑能力的评分;
根据所述特征集合S1,针对每一项待提升的脑能力,将相对契合度MD的值大于0的范式加入到范式池中,生成活跃范式池。
4.如权利要求3所述的人机交互方案推送方法,其特征在于,所述选择每种范式下的人机交互任务加入到人机交互方案中,具体包括:
在所抽取的范式中,针对所述范式内的每一个人机交互任务,综合所述需求度、所述相对契合度、以及所述人机交互任务的新鲜度,计算得到所述人机交互任务的可用性指标;
选择每种范式下可用性指标最大的人机交互任务加入到人机交互方案中。
5.如权利要求4所述的人机交互方案推送方法,其特征在于,所述从所述用户待提升的各项脑能力中抽取设定数量的脑能力,具体包括:
当所述特征集合S1中的待提升的脑能力的数量不超过所述设定数量时,将所述用户的所有待提升的脑能力加入进候选脑能力;
当所述特征集合S1中的待提升的脑能力的数量超过所述设定数量时,将所述用户待提升的脑能力按照认知提升的需求度进行排序,并将排序后待提升的脑能力分为两部分,在排序靠前的一部分脑能力中抽取第一数量的脑能力作为焦点脑能力,在排序靠后的一部分脑能力中抽取第二数量的脑能力作为非焦点脑能力,所述第一数量与所述第二数量之和等于所述设定数量。
6.如权利要求5所述的人机交互方案推送方法,其特征在于,所述选择每种范式下可用性指标最大的人机交互任务加入到人机交互方案中,具体包括:
将所述范式内的所有人机交互任务的可用性指标进行排序,选择可用性指标的数值最大的人机交互任务作为提升该项候选脑能力的最佳任务,将所述最佳任务加入到所述人机交互方案中。
7.如权利要求6所述的人机交互方案推送方法,其特征在于,所述综合所述需求度、所述相对契合度、以及所述人机交互任务的新鲜度,计算得到所述人机交互任务的可用性指标,具体包括:
根据所述用户第i项候选脑能力的需求度DTi、范式j对第i项候选脑能力的相对契合度MDi,j以及针对所述第i项脑能力,所述范式j中的第k个人机交互任务的新鲜度FLi,j,k,通过函数TAi,j,k=f(DTi, MDi,j, FLi,j,k)计算得到所述人机交互任务的可用性指标;
其中,f(DTi, MDi,j, FLi,j,k)表示针对不同用户,基于DTi、 MDi,j和 FLi,j,k三个变量的乘积运算函数;所述FLi,j,k以0和1表示,当前一天人机交互方案中包括所述第k个人机交互任务时,其值为0,反之则为1。
8.如权利要求1~7中任意一项所述的人机交互方案推送方法,其特征在于:
所述脑能力评估至少包括量表式的认知测验和/或反应式的认知任务,所述认知测验或认知任务均同时测量多种脑能力。
9.一种用于提升认知的人机交互系统,其特征在于包括:
基本信息采集单元,与中央处理器连接,用于采集用户的基本信息;
脑能力评估单元,与中央处理器连接,用于对用户进行脑能力评估,以得到用户的各项脑能力评分;
活跃范式池生成单元,与中央处理器连接,用于针对用户的各项脑能力评分,从系统中筛选并抽取相应的范式,形成活跃范式池;
人机交互方案推送单元,与中央处理器连接,用于为用户推送人机交互方案;
人机交互记录和脑能力更新单元,用于记录用户的人机交互过程,并根据人机交互记录更新用户的最新脑能力评分;
所述中央处理器用于执行用于如权利要求1~8中任意一项所述的人机交互方案推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111463438.XA CN113871015B (zh) | 2021-12-02 | 2021-12-02 | 用于提升认知的人机交互方案推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111463438.XA CN113871015B (zh) | 2021-12-02 | 2021-12-02 | 用于提升认知的人机交互方案推送方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113871015A CN113871015A (zh) | 2021-12-31 |
CN113871015B true CN113871015B (zh) | 2022-03-04 |
Family
ID=78985682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111463438.XA Active CN113871015B (zh) | 2021-12-02 | 2021-12-02 | 用于提升认知的人机交互方案推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113871015B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114925949A (zh) * | 2022-03-11 | 2022-08-19 | 北京交通大学 | 工业互联网可信能力评估方法及相关设备 |
CN114864051B (zh) * | 2022-07-06 | 2022-10-04 | 北京智精灵科技有限公司 | 一种基于神经网络的认知提升方法及系统 |
CN115061578A (zh) * | 2022-08-17 | 2022-09-16 | 首都医科大学宣武医院 | 一种认知障碍多维评估的人机交互方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107887027A (zh) * | 2017-11-06 | 2018-04-06 | 广州优涵信息技术有限公司 | 一种自闭症诊疗系统 |
CN109545330A (zh) * | 2018-11-30 | 2019-03-29 | 北京京师脑力科技有限公司 | 一种提高执行功能的认知训练方法及系统 |
CN110292514A (zh) * | 2019-06-03 | 2019-10-01 | 东莞佰和生物科技有限公司 | 服务于老年痴呆患者的智能机器人康复训练的方法 |
CN113380377A (zh) * | 2021-04-09 | 2021-09-10 | 阿呆科技(北京)有限公司 | 基于认知行为疗法的训练系统 |
CN113658705A (zh) * | 2020-11-25 | 2021-11-16 | 北京未名脑脑科技有限公司 | 认知功能的调控装置、系统和方法及其在认知功能缺陷的应用以及存储介质和终端 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090313047A1 (en) * | 2008-06-16 | 2009-12-17 | Medical Care Corporation | Brain Condition Assessment |
CN106599558A (zh) * | 2016-12-05 | 2017-04-26 | 武汉智普天创科技有限公司 | 一种基于虚拟现实的认知评估方法及系统 |
CN112735595B (zh) * | 2020-12-30 | 2023-09-26 | 杭州电子科技大学 | 一种工作记忆能力的综合评定方法 |
-
2021
- 2021-12-02 CN CN202111463438.XA patent/CN113871015B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107887027A (zh) * | 2017-11-06 | 2018-04-06 | 广州优涵信息技术有限公司 | 一种自闭症诊疗系统 |
CN109545330A (zh) * | 2018-11-30 | 2019-03-29 | 北京京师脑力科技有限公司 | 一种提高执行功能的认知训练方法及系统 |
CN110292514A (zh) * | 2019-06-03 | 2019-10-01 | 东莞佰和生物科技有限公司 | 服务于老年痴呆患者的智能机器人康复训练的方法 |
CN113658705A (zh) * | 2020-11-25 | 2021-11-16 | 北京未名脑脑科技有限公司 | 认知功能的调控装置、系统和方法及其在认知功能缺陷的应用以及存储介质和终端 |
CN113380377A (zh) * | 2021-04-09 | 2021-09-10 | 阿呆科技(北京)有限公司 | 基于认知行为疗法的训练系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113871015A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113871015B (zh) | 用于提升认知的人机交互方案推送方法及系统 | |
Abraham et al. | Deciding to exercise: The role of anticipated regret | |
CN106327240A (zh) | 一种基于gru神经网络的推荐方法和系统 | |
Irwing et al. | Some evidence for the existence of a general factor of semantic memory and its components | |
CN111126552A (zh) | 一种智能学习内容推送方法及系统 | |
CN111861372B (zh) | 一种单词掌握程度的测试方法及系统 | |
Carlsson et al. | Digital coaching to build sustainable wellness routines for young elderly | |
CN116807447A (zh) | 动态脑网络的脑龄预测建模方法、认知提升方法及系统 | |
JP2020535526A (ja) | リハビリ状態のための評価及び管理システム並びに関係する方法 | |
Goldstone | Feature distribution and biased estimation of visual displays. | |
CN116434957A (zh) | 一种心理健康状态的识别及评估方法 | |
US20200185110A1 (en) | Computer-implemented method and an apparatus for use in detecting malingering by a first subject in one or more physical and/or mental function tests | |
Wilczek-Rużyczka et al. | Level of occupational burnout, perceived stress and life satisfaction amongst university teachers | |
CN113506629B (zh) | 一种症状自评量表简化及结果预测方法与系统 | |
Garlick | Quality-Quantity Tradeoffs in Pricing Public Secondary Education | |
Tickle et al. | Near-optimal integration of magnitude in the human parietal cortex | |
CN114870191A (zh) | 基于人格差异的认知评估提升方法及系统 | |
Chen | Why people travel? Examining perceived benefits of tourism | |
CN113808709A (zh) | 一种基于文本分析的心理弹性预测方法及系统 | |
Berdie et al. | Entrance correlates of university satisfaction | |
Mazinani et al. | Prediction of success or fail of students on different educational majors at the end of the high school with artificial neural networks methods | |
Bachtiar et al. | Student grouping by neural network based on affective factors in learning English | |
Gupta | Managerial judgment and forecast combination: An experimental study | |
Wang et al. | Serial dependence in temporal perception reveals the dynamics of constructing an internal reference frame | |
Sanjurjo | Search, memory, and choice: an experiment |
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 |