CN113889257A - 在线上游戏中预测轻度认知障碍候诊人群的方法及装置 - Google Patents
在线上游戏中预测轻度认知障碍候诊人群的方法及装置 Download PDFInfo
- Publication number
- CN113889257A CN113889257A CN202010629953.XA CN202010629953A CN113889257A CN 113889257 A CN113889257 A CN 113889257A CN 202010629953 A CN202010629953 A CN 202010629953A CN 113889257 A CN113889257 A CN 113889257A
- Authority
- CN
- China
- Prior art keywords
- game
- testee
- information
- type
- moca
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 208000010877 cognitive disease Diseases 0.000 title claims abstract description 56
- 208000027061 mild cognitive impairment Diseases 0.000 title claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 100
- 238000003062 neural network model Methods 0.000 claims abstract description 68
- 230000000694 effects Effects 0.000 claims abstract description 40
- 241001112258 Moca Species 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 18
- 238000002474 experimental method Methods 0.000 claims description 8
- 230000036626 alertness Effects 0.000 claims description 4
- 230000006996 mental state Effects 0.000 claims description 4
- 241000557626 Corvus corax Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 230000008451 emotion Effects 0.000 abstract description 2
- 230000003340 mental effect Effects 0.000 abstract description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 9
- 235000020289 caffè mocha Nutrition 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 4
- 206010012289 Dementia Diseases 0.000 description 3
- 208000028698 Cognitive impairment Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000003557 neuropsychological effect Effects 0.000 description 2
- 238000010855 neuropsychological testing Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002747 voluntary effect Effects 0.000 description 2
- 208000031124 Dementia Alzheimer type Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G16H50/20—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
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F1/00—Card games
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/80—Special adaptations for executing a specific game genre or game mode
-
- 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
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
在线上游戏中预测老年人轻度认知障碍候诊人群的方法及装置，所述方法包括：预先在线上游戏中植入用于采集第一类信息的第一类游戏内容；所述第一类信息为MoCA测试中需要采集的信息；预先建立并训练神经网络模型；被试者在植入了所述第一类游戏内容的线上游戏中进行游戏活动；在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据；将关于被试者的第一类信息输入到神经网络模型中；神经网络模型输出关于被试者的MoCA测试得分的预测值，由此确定该被试者是否属于轻度认知障碍的候诊人群。本发明实现了在日常化的活动中预测轻度认知障碍候诊人群，且有利于缓解部分被试者对于精神方面测试的抵触情绪。
Description
技术领域
本发明涉及人工智能技术领域，特别是涉及一种在线上游戏中预测老年人轻度认知障碍候诊人群的方法及装置。
背景技术
阿尔兹海默病(Alzheimer's Disease，AD)是进行性的神经系统退化性病变，起病缓慢且具有隐匿性。由于目前国际上尚无预防、治疗甚至延缓其发展的有效手段，使其具有不可逆转的致残性，已经成为严重威胁老年人健康及生存质量的重大致残性疾病，会消耗极大的社会成本。
轻度认知障碍(Mild Cognitive Impairment，MCI)是正常老化和痴呆之间的一种不稳定的过渡状态，并有着极高向痴呆转化的风险。当前轻度认知障碍已经被广泛视为痴呆和阿尔兹海默病的临床前期症状，并且把轻度认知障碍的出现视为阿尔兹海默病早期诊断的重要依据。最终临床确诊的轻度认知障碍个体向阿尔兹海默病的转化率高达33％-39％。
如前所述，由于阿尔兹海默病目前尚无治疗、或延缓其发展的有效手段，因此，对轻度认知障碍的早期发现、以及干预，防止其转化为阿尔兹海默病，有着重要的现实意义。
目前轻度认知障碍的病因尚不清楚、病理特征并不显著，轻度认知障碍的生物标志物、神经影像学、事件相关电位(Event-Related Potentials，ERP)等检测手段都存在较大的局限性，因此，目前国内外临床中通常采用神经心理测试作为轻度认知障碍的主要筛查工具。最为广泛应用的是简易智力状态检查状态量表(MMSE)和蒙特利尔认知评估量表(Montreal Cognitive Assessment，MoCA)。
然而神经心理学方法作为专家型测试，依赖于专家的当面施测，实施成本较高且难以实现日常化。实践中，老人们很少会主动提出去进行关于轻度认知障碍的测试，受试者在接受测试时往往已经错过了最佳的干预时机。
现有技术中，尚无相关方案能够在日常化的活动中预测轻度认知障碍候诊人群。
发明内容
本发明解决的技术问题是：如何在日常化的活动中预测轻度认知障碍候诊人群。
为了解决上述技术问题，本发明实施例提供一种在线上游戏中预测轻度认知障碍候诊人群的方法，包括：
预先在线上游戏中植入用于采集第一类信息的第一类游戏内容；所述第一类信息为MoCA测试中需要采集的信息；
预先建立并训练神经网络模型；所述神经网络模型能够根据输入的第一类信息来输出MoCA测试得分的预测值；
被试者在植入了所述第一类游戏内容的线上游戏中进行游戏活动；
在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据，包括：在被试者进行游戏的局内后台记录被试者的游戏行为、以及在被试者进行游戏的局间向被试者询问关于上一局/几局游戏内的游戏行为的问题；
对采集到的关于被试者的相关数据进行分析，得出关于被试者的第一类信息；
将关于被试者的第一类信息输入到神经网络模型中；
神经网络模型输出关于被试者的MoCA测试得分的预测值；
根据神经网络模型输出的关于被试者的MoCA测试得分的预测值，来确定该被试者是否属于轻度认知障碍的候诊人群。
可选的，所述预先建立并训练神经网络模型包括：
预先确定第一类信息的参数类型；
以第一类信息作为神经网络模型的输入，以MoCA测试得分的预测值作为神经网络模型的输出，来建立神经网络模型；
以辅助人员作为被试者，辅助人员在植入了所述第一类游戏内容的线上游戏中进行游戏活动；
在辅助人员进行游戏活动的过程中采集关于辅助人员的第一类信息的相关数据；
对采集到的关于辅助人员的相关数据进行分析，得出关于辅助人员的第一类信息；
对辅助人员进行MoCA测试，得出关于辅助人员的MoCA测试得分的实际值；
采用关于辅助人员的第一类信息、以及关于辅助人员的MoCA测试得分的实际值，来训练神经网络模型。
可选的，所述线上游戏为牌类游戏。
可选的，所述预先在线上游戏中植入用于采集第一类信息的第一类游戏内容包括：某一局或多局游戏为在先的某一局或多局游戏的重现；所述在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据包括：统计被试者在重现的局中的胜率。
可选的，所述预先在线上游戏中植入用于采集第一类信息的第一类游戏内容包括：统计被试者在游戏过程中取消操作的次数和/或统计被试者在游戏过程中的胜率。
可选的，所述预先在线上游戏中植入用于采集第一类信息的第一类游戏内容包括：存储游戏过程中各家持有的牌型和/或出牌情况；所述在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据包括：在局间向被试者询问上一局中持有的牌型和/或出牌情况。
可选的，所述第一类信息包括：因子；所述因子包括：被试局间回忆回答正确率answer、被试局间回忆问答不记得比例uncertain、被试实验总取消cancel、被试实验总胜局数win、被试重现局胜率recall。
可选的，所述第一类信息还包括：协变量；所述协变量包括以下一项或多项：被试性别sex、被试受教育程度education、被试瑞文测试成绩Raven、被试听力困难程度自陈risk_ear、被试精神状态自陈risk_spirit、被试年龄age、被试日常行为自陈risk_activity、被试视力困难程度自陈risk_eye。
可选的，所述MoCA测试得分的预测值包括：MoCA测试总分的预测值；所述MoCA测试得分的实际值包括：MoCA测试总分的实际值。
可选的，所述MoCA测试得分的预测值还包括：一项或多项MoCA测试分项的预测值；所述MoCA测试得分的实际值还包括：一项或多项MoCA测试分项的实际值。
可选的，所述MoCA测试分项包括：MoCA计算分项、MoCA注意分项、MoCA数字警觉分项、MoCA定向分项和MoCA命名分项。
为了解决上述技术问题，本发明实施例还提供一种在线上游戏中预测轻度认知障碍候诊人群的装置，包括：
处理器，适于加载并执行软件程序的指令；
存储器，适于存储软件程序，所述软件程序包括用于执行以下步骤的指令：
预先在线上游戏中植入用于采集第一类信息的第一类游戏内容；所述第一类信息为MoCA测试中需要采集的信息；
预先建立并训练神经网络模型；所述神经网络模型能够根据输入的第一类信息来输出MoCA测试得分的预测值；
被试者在植入了所述第一类游戏内容的线上游戏中进行游戏活动；
在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据，包括：在被试者进行游戏的局内后台记录被试者的游戏行为、以及在被试者进行游戏的局间向被试者询问关于上一局/几局游戏内的游戏行为的问题；
对采集到的关于被试者的相关数据进行分析，得出关于被试者的第一类信息；
将关于被试者的第一类信息输入到神经网络模型中；
神经网络模型输出关于被试者的MoCA测试得分的预测值；
根据神经网络模型输出的关于被试者的MoCA测试得分的预测值，来确定该被试者是否属于轻度认知障碍的候诊人群。
与现有技术相比，本发明的技术方案具有以下有益效果：
预先在线上游戏中植入用于采集MoCA测试所需信息的游戏内容，预先建立并训练神经网络模型；在被试者进行游戏活动的过程中采集相关数据并分析得出MoCA测试所需信息；输入到神经网络模型中，输出关于被试者的MoCA测试得分的预测值。从而实现了在日常化的活动中预测轻度认知障碍候诊人群。
进一步的，采用能够充分考验被试者多方面的认知水平、且普及度很高的牌类游戏来采集关于被试者的MoCA测试所需信息，将用于采集MoCA测试所需信息的游戏内容植入到线上游戏中，从而既实现了对MoCA测试所需信息的快速采集，又无需被试者进行繁琐且枯燥的面对面线下测试。
进一步的，所述预先在线上游戏中植入用于采集第一类信息的第一类游戏内容包括：统计被试者在游戏过程中取消操作的次数和/或统计被试者在游戏过程中的胜率、某一局或多局游戏为在先的某一局或多局游戏的重现；所述在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据包括：统计被试者在重现的局中的胜率、统计被试者在游戏过程中取消操作的次数和/或统计被试者在游戏过程中的胜率，尽可能的减少向被试者提问，有利于缓解部分被试者对于精神方面测试的抵触情绪。
此外，除了可以预测MoCA测试总分以外，也可以预测MoCA测试的各个分项。
附图说明
图1为本发明实施例中在线上游戏中预测轻度认知障碍候诊人群的方法流程图；
图2为本发明实施例中预先建立并训练神经网络模型流程图；
图3为本发明实施例中关于训练后的神经网络模型的观察预测图；
图4为本发明实施例中关于训练后的神经网络模型的残差图；
图5为本发明实施例中关于神经网络模型的输入层中各变量重要性的示意图。
具体实施方式
根据背景技术部分的分析可知，阿尔兹海默病具有不可逆转的致残性，轻度认知障碍个体有着极高的概率(33％-39％)转化为阿尔兹海默病，因此，对轻度认知障碍的早期发现、以及干预，防止其转化为阿尔兹海默病，有着重要的现实意义。
目前国内外临床中通常采用神经心理测试作为轻度认知障碍的主要筛查工具，然而神经心理学方法作为专家型测试，依赖于专家的当面施测，实施成本较高且难以实现日常化。实践中，老人们很少会主动提出去进行关于轻度认知障碍的测试，受试者在接受测试时往往已经错过了最佳的干预时机。
现有技术中，尚无相关方案能够在日常化的活动中预测轻度认知障碍候诊人群。
本发明预先建立并训练神经网络模型，通过对老年人在线上游戏中的游戏行为进行采集，分析得出有用的信息，输入到神经网络模型中，神经网络模型输出关于MoCA得分的预测值，从而实现了在日常化的活动中预测轻度认知障碍候诊人群。后续可以建议该候诊人群去接受诊断(相关诊断方法属于现有技术，并非本申请的重点，如前所述，本申请是要预测候诊人群而非后续的诊断)以确定他们是否存在轻度认知障碍。
为使本领域技术人员更好地理解和实现本发明，以下参照附图，通过具体实施例进行详细说明。
实施例一
如下所述，本发明实施例提供一种在线上游戏中预测轻度认知障碍候诊人群的方法。
首先，本发明的目的，是针对现有技术中轻度认知障碍的诊断方法实施成本较高且难以实现日常化导致大量患者错过最佳干预时机的缺陷，提出了在接受诊断前先预测候诊人群的方案，该预测借助于人工智能(多层感知神经网络)来实现，将采集相关信息的工作植入到线上游戏中，从而能够在日常化的活动中完成对相关信息的采集，方便、快速、且有利于缓解部分被试者对于精神方面测试的抵触情绪。
参照图1所示的在线上游戏中预测轻度认知障碍候诊人群的方法流程图，以下通过具体步骤进行详细说明：
S101，预先在线上游戏中植入用于采集第一类信息的第一类游戏内容。
在一些实施例中，所述线上游戏举例来说，可以是目前普及度很高的牌类游戏，例如斗地主等(涉及选择注意、记忆、推理等多种认知能力的综合运用，且具有广泛的群众基础)。但本发明不限于此，在其它实施例中，所述线上游戏也可以是其它能够考验玩家认知水平的线上游戏。
关于第一类游戏内容的植入，具体的，在一些实施例中，所述预先在线上游戏中植入用于采集第一类信息的第一类游戏内容可以包括：某一局或多局游戏为在先的某一局或多局游戏的重现(例如第7局牌局是第5局牌局的重复)；
在另一些实施例中，所述预先在线上游戏中植入用于采集第一类信息的第一类游戏内容包括：统计被试者在游戏过程中取消操作的次数(反应被试者在出牌过程中的犹豫)和/或统计被试者在游戏过程中的胜率；
在另一些实施例中，所述预先在线上游戏中植入用于采集第一类信息的第一类游戏内容可以包括：存储游戏过程中各家持有的牌型和/或出牌情况。
可以理解的是，此处是举例，本发明不限于以上例举的3种情形。
S102，预先建立并训练神经网络模型。
所述神经网络模型能够根据输入的第一类信息来输出MoCA测试得分的预测值。
其中，所述第一类信息为MoCA测试中需要采集的信息。
具体的，如图2所示，所述预先建立并训练神经网络模型可以包括以下子步骤：
S1021，预先确定第一类信息的参数类型。
如前所述，所述第一类信息为MoCA测试中需要采集的信息。具体的，在一些实施例中，所述第一类信息包括：因子，还可以进一步包括协变量。
其中，所述因子包括：被试局间回忆回答正确率answer、被试局间回忆问答不记得比例uncertain、被试实验总取消cancel、被试实验总胜局数win、被试重现局胜率recall。
其中，所述协变量为可选参数，可以包括以下一项或多项：被试性别sex、被试受教育程度education、被试瑞文测试成绩Raven、被试听力困难程度自陈risk_ear、被试精神状态自陈risk_spirit、被试年龄age、被试日常行为自陈risk_activity、被试视力困难程度自陈risk_eye。
S1022，以第一类信息作为神经网络模型的输入，以MoCA测试得分的预测值作为神经网络模型的输出，来建立神经网络模型。
所建立神经网络模型的输入层、输出层如上表格所示，输入层中各因子、协变量的含义已在前文中介绍，此处不再赘述。
S1023，以辅助人员作为被试者，辅助人员在植入了所述第一类游戏内容的线上游戏中进行游戏活动。
在训练神经网络模型的过程，可以招募一些志愿者来作为辅助人员。
具体的，例如可以招募数十名或数百名老年人(例如平均年龄65岁以上)来作为辅助人员，其中可以有不同学历(例如小学及小学以下、初中、高中/大专、大学及大学以上)、不同年龄、不同性别的志愿者等。
S1024，在辅助人员进行游戏活动的过程中采集关于辅助人员的第一类信息的相关数据。
具体的，在辅助人员进行游戏的局内后台记录被试者的游戏行为、以及在辅助人员进行游戏的局间向被试者询问关于上一局/几局游戏内的游戏行为的问题。
S1025，对采集到的关于辅助人员的相关数据进行分析，得出关于辅助人员的第一类信息。
具体的，将前述步骤S1024中采集的信息、以及其它信息(如果有)相结合并进行分析，得出关于辅助人员的第一类信息。
S1026，对辅助人员进行MoCA测试，得出关于辅助人员的MoCA测试得分的实际值。
S1027，采用关于辅助人员的第一类信息、以及关于辅助人员的MoCA测试得分的实际值，来训练神经网络模型。
可以理解的是，MoCA测试可以是总分，也可以是各个分项的得分，如果需要作多项预测，那么相应的就需要建立并训练多个神经网络模型。
其中，MoCA测试分项包括：MoCA计算分项、MoCA注意分项、MoCA数字警觉分项、MoCA定向分项和MoCA命名分项。
在一些实施例中，在上海市征集了65岁以上的老年人86名(平均年龄69.1岁)作为辅助人员协助对神经网络模型进行训练，其中：男性38名、女性48名；小学及以下学历6名、初中学历41名、高中/大专学历35名、大学及以上学历4名。并将训练后的神经网络的预测结果与MoCA测试的结果进行对比。
所得观察预测图如图3所示。
所得残差图如图4所示(图中因变量：MoCA得分)。
如图3、图4所示，训练后的神经网络获得了拟合优度R2＝0.742，显示出非常好的拟合性，又据残差图(即图4)可见，预测被试MoCA总分有87.2％的概率误差小于±0.3之间，显示出模型较好的预测性。
在另一些实施例中，进一步分析模型的输入层中各变量的重要性。如图5所示，被试实验总取消、被试局间回忆回答正确率、被试局间回忆问答不记得比例、被试实验总胜局数、被试瑞文测试成绩，为重要性高的变量，即输入层中上述变量的变化会对模型的输出带来显著的影响。
在另一些实施例中，进一步的，除了可以预测MoCA测试总分以外，也可以预测MoCA测试的各个分项。具体包括：被试摩卡注意分项预测moca_att、被试摩卡数字警觉分项预测moca_num、被试摩卡定向分项moca_postion、被试摩卡命名分项预测moca_named。本发明的方案对于上述摩卡分项的预测均显示出很好的预测性，同时具有总体较好的特异性和敏感度。
S103，被试者在植入了所述第一类游戏内容的线上游戏中进行游戏活动。
S104，在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据。
具体的，在被试者进行游戏的局内后台记录被试者的游戏行为、以及在被试者进行游戏的局间向被试者询问关于上一局/几局游戏内的游戏行为的问题。
关于第一类信息的相关数据采集，具体的，在一些实施例中，所述在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据包括：统计被试者在重现的局中的胜率；
在另一些实施例中，所述在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据包括：在局间向被试者询问上一局中持有的牌型和/或出牌情况(例如在上一局中，自己是否有某种牌型、参与对局的哪一名玩家出过某种牌型的牌等)。
在此过程中，尽可能的减少向被试者提问，有利于缓解部分被试者对于精神方面测试的抵触情绪。
可以理解的是，此处是举例，本发明不限于以上例举的2种情形。
S105，对采集到的关于被试者的相关数据进行分析，得出关于被试者的第一类信息。
具体的，将前述步骤S104中采集的信息、以及其它信息(如果有)相结合并进行分析，得出关于被试者的第一类信息。
S106，将关于被试者的第一类信息输入到神经网络模型中。
S107，神经网络模型输出关于被试者的MoCA测试得分的预测值。
S108，根据神经网络模型输出的关于被试者的MoCA测试得分的预测值，来确定该被试者是否属于轻度认知障碍的候诊人群。
将本发明中训练后的神经网络模型输出的被试者MoCA测试得分的预测值与被试者实际的MoCA测试得分进行对比，显示出训练后的神经网络模型具有很好的预测性。在一些实施例中，在华东师范大学、复旦大学共同参与的实际验证中，采用本发明中训练后的神经网络模型来对上海市8个社区的186名65岁以上老人进行测试，实现了在90％置信水平下±0.3分的预测结果。
通过以上对技术方案的描述可以看出：本实施例中，预先在线上游戏中植入用于采集MoCA测试所需信息的游戏内容，预先建立并训练神经网络模型；在被试者进行游戏活动的过程中采集相关数据并分析得出MoCA测试所需信息；输入到神经网络模型中，输出关于被试者的MoCA测试得分的预测值。从而实现了在日常化的活动中预测轻度认知障碍候诊人群。
进一步的，采用能够充分考验被试者多方面的认知水平、且普及度很高的牌类游戏来采集关于被试者的MoCA测试所需信息，将用于采集MoCA测试所需信息的游戏内容植入到线上游戏中，从而既实现了对MoCA测试所需信息的快速采集，又无需被试者进行繁琐且枯燥的面对面线下测试。
实施例二
如下所述，本发明实施例提供一种在线上游戏中预测轻度认知障碍候诊人群的装置。
所述在线上游戏中预测轻度认知障碍候诊人群的装置包括：处理器和存储器，其中：
处理器，适于加载并执行软件程序的指令；
存储器，适于存储软件程序，所述软件程序包括用于执行以下步骤的指令：
预先在线上游戏中植入用于采集第一类信息的第一类游戏内容；所述第一类信息为MoCA测试中需要采集的信息；
预先建立并训练神经网络模型；所述神经网络模型能够根据输入的第一类信息来输出MoCA测试得分的预测值；
被试者在植入了所述第一类游戏内容的线上游戏中进行游戏活动；
在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据，包括：在被试者进行游戏的局内后台记录被试者的游戏行为、以及在被试者进行游戏的局间向被试者询问关于上一局/几局游戏内的游戏行为的问题；
对采集到的关于被试者的相关数据进行分析，得出关于被试者的第一类信息；
将关于被试者的第一类信息输入到神经网络模型中；
神经网络模型输出关于被试者的MoCA测试得分的预测值；
根据神经网络模型输出的关于被试者的MoCA测试得分的预测值，来确定该被试者是否属于轻度认知障碍的候诊人群。
通过以上对技术方案的描述可以看出：本实施例中，预先在线上游戏中植入用于采集MoCA测试所需信息的游戏内容，预先建立并训练神经网络模型；在被试者进行游戏活动的过程中采集相关数据并分析得出MoCA测试所需信息；输入到神经网络模型中，输出关于被试者的MoCA测试得分的预测值。从而实现了在日常化的活动中预测轻度认知障碍候诊人群。
本领域普通技术人员可以理解，上述实施例的各种方法中，全部或部分步骤是可以通过程序指令相关的硬件来完成的，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (12)
1.一种在线上游戏中预测轻度认知障碍候诊人群的方法，其特征在于，包括：
预先在线上游戏中植入用于采集第一类信息的第一类游戏内容；所述第一类信息为MoCA测试中需要采集的信息；
预先建立并训练神经网络模型；所述神经网络模型能够根据输入的第一类信息来输出MoCA测试得分的预测值；
被试者在植入了所述第一类游戏内容的线上游戏中进行游戏活动；
在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据，包括：在被试者进行游戏的局内后台记录被试者的游戏行为、以及在被试者进行游戏的局间向被试者询问关于上一局/几局游戏内的游戏行为的问题；
对采集到的关于被试者的相关数据进行分析，得出关于被试者的第一类信息；
将关于被试者的第一类信息输入到神经网络模型中；
神经网络模型输出关于被试者的MoCA测试得分的预测值；
根据神经网络模型输出的关于被试者的MoCA测试得分的预测值，来确定该被试者是否属于轻度认知障碍的候诊人群。
2.如权利要求1所述的在线上游戏中预测轻度认知障碍候诊人群的方法，其特征在于，所述预先建立并训练神经网络模型包括：
预先确定第一类信息的参数类型；
以第一类信息作为神经网络模型的输入，以MoCA测试得分的预测值作为神经网络模型的输出，来建立神经网络模型；
以辅助人员作为被试者，辅助人员在植入了所述第一类游戏内容的线上游戏中进行游戏活动；
在辅助人员进行游戏活动的过程中采集关于辅助人员的第一类信息的相关数据；
对采集到的关于辅助人员的相关数据进行分析，得出关于辅助人员的第一类信息；
对辅助人员进行MoCA测试，得出关于辅助人员的MoCA测试得分的实际值；
采用关于辅助人员的第一类信息、以及关于辅助人员的MoCA测试得分的实际值，来训练神经网络模型。
3.如权利要求1所述的在线上游戏中预测轻度认知障碍候诊人群的方法，其特征在于，所述线上游戏为牌类游戏。
4.如权利要求3所述的在线上游戏中预测轻度认知障碍候诊人群的方法，其特征在于，所述预先在线上游戏中植入用于采集第一类信息的第一类游戏内容包括：某一局或多局游戏为在先的某一局或多局游戏的重现；所述在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据包括：统计被试者在重现的局中的胜率。
5.如权利要求3所述的在线上游戏中预测轻度认知障碍候诊人群的方法，其特征在于，所述预先在线上游戏中植入用于采集第一类信息的第一类游戏内容包括：统计被试者在游戏过程中取消操作的次数和/或统计被试者在游戏过程中的胜率。
6.如权利要求3所述的在线上游戏中预测轻度认知障碍候诊人群的方法，其特征在于，所述预先在线上游戏中植入用于采集第一类信息的第一类游戏内容包括：存储游戏过程中各家持有的牌型和/或出牌情况；所述在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据包括：在局间向被试者询问上一局中持有的牌型和/或出牌情况。
7.如权利要求3所述的在线上游戏中预测轻度认知障碍候诊人群的方法，其特征在于，所述第一类信息包括：因子；所述因子包括：被试局间回忆回答正确率answer、被试局间回忆问答不记得比例uncertain、被试实验总取消cancel、被试实验总胜局数win、被试重现局胜率recall。
8.如权利要求3所述的在线上游戏中预测轻度认知障碍候诊人群的方法，其特征在于，所述第一类信息还包括：协变量；所述协变量包括以下一项或多项：被试性别sex、被试受教育程度education、被试瑞文测试成绩Raven、被试听力困难程度自陈risk_ear、被试精神状态自陈risk_spirit、被试年龄age、被试日常行为自陈risk_activity、被试视力困难程度自陈risk_eye。
9.如权利要求1所述的在线上游戏中预测轻度认知障碍候诊人群的方法，其特征在于，所述MoCA测试得分的预测值包括：MoCA测试总分的预测值；所述MoCA测试得分的实际值包括：MoCA测试总分的实际值。
10.如权利要求1所述的在线上游戏中预测轻度认知障碍候诊人群的方法，其特征在于，所述MoCA测试得分的预测值还包括：一项或多项MoCA测试分项的预测值；所述MoCA测试得分的实际值还包括：一项或多项MoCA测试分项的实际值。
11.如权利要求10所述的在线上游戏中预测轻度认知障碍候诊人群的方法，其特征在于，所述MoCA测试分项包括：MoCA计算分项、MoCA注意分项、MoCA数字警觉分项、MoCA定向分项和MoCA命名分项。
12.一种在线上游戏中预测轻度认知障碍候诊人群的装置，其特征在于，包括：
处理器，适于加载并执行软件程序的指令；
存储器，适于存储软件程序，所述软件程序包括用于执行以下步骤的指令：
预先在线上游戏中植入用于采集第一类信息的第一类游戏内容；所述第一类信息为MoCA测试中需要采集的信息；
预先建立并训练神经网络模型；所述神经网络模型能够根据输入的第一类信息来输出MoCA测试得分的预测值；
被试者在植入了所述第一类游戏内容的线上游戏中进行游戏活动；
在被试者进行游戏活动的过程中采集关于被试者的第一类信息的相关数据，包括：在被试者进行游戏的局内后台记录被试者的游戏行为、以及在被试者进行游戏的局间向被试者询问关于上一局/几局游戏内的游戏行为的问题；
对采集到的关于被试者的相关数据进行分析，得出关于被试者的第一类信息；
将关于被试者的第一类信息输入到神经网络模型中；
神经网络模型输出关于被试者的MoCA测试得分的预测值；
根据神经网络模型输出的关于被试者的MoCA测试得分的预测值，来确定该被试者是否属于轻度认知障碍的候诊人群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010629953.XA CN113889257A (zh) | 2020-07-02 | 2020-07-02 | 在线上游戏中预测轻度认知障碍候诊人群的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010629953.XA CN113889257A (zh) | 2020-07-02 | 2020-07-02 | 在线上游戏中预测轻度认知障碍候诊人群的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113889257A true CN113889257A (zh) | 2022-01-04 |
Family
ID=79013051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010629953.XA Pending CN113889257A (zh) | 2020-07-02 | 2020-07-02 | 在线上游戏中预测轻度认知障碍候诊人群的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113889257A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114242252A (zh) * | 2022-02-09 | 2022-03-25 | 山东第一医科大学附属省立医院(山东省立医院) | 一种预测痴呆发生风险的模型及其应用 |
-
2020
- 2020-07-02 CN CN202010629953.XA patent/CN113889257A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114242252A (zh) * | 2022-02-09 | 2022-03-25 | 山东第一医科大学附属省立医院(山东省立医院) | 一种预测痴呆发生风险的模型及其应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rogers et al. | Detection of feigned mental disorders on the Personality Assessment Inventory: A discriminant analysis | |
| Hayes et al. | Countertransference behavior and management in brief counseling: A field study | |
| Van Yperen | Why some make it and others do not: Identifying psychological factors that predict career success in professional adult soccer | |
| Sunderland et al. | Subjective memory assessment and test performance in elderly adults | |
| Gilstrap et al. | Reconceptualizing children's suggestibility: Bidirectional and temporal properties | |
| Zuo | The reciprocal relationship between marital interaction and marital happiness: A three-wave study | |
| US20080045805A1 (en) | Method and System of Indicating a Condition of an Individual | |
| Duperrouzel et al. | Adolescent cannabis use and its associations with decision-making and episodic memory: Preliminary results from a longitudinal study. | |
| CN106682447A (zh) | 一种计算机辅助心理咨询系统和方法 | |
| Tragesser et al. | Longitudinal associations in borderline personality disorder features: Diagnostic Interview for Borderlines—Revised (DIB-R) scores over time | |
| US20190110726A1 (en) | Method and system for detection and analysis of cognitive flow | |
| CN113889257A (zh) | 在线上游戏中预测轻度认知障碍候诊人群的方法及装置 | |
| Paap et al. | Identifying key domains of health-related quality of life for patients with chronic obstructive pulmonary disease: Interviews with healthcare professionals | |
| Van der Laan et al. | The applicability and the inter‐rater reliability of the Comprehensive Psychopathological Rating Scale in an elderly clinical population | |
| Fellin | Perspectives on depression among Black Americans | |
| CN113889258A (zh) | 通过网络游戏识别出轻度认知障碍候诊人群的方法及装置 | |
| CN113889256A (zh) | 通过在线游戏鉴别出轻度认知障碍候诊人群的方法及装置 | |
| Blanch et al. | The Spearman's law of diminishing returns in chess | |
| Ryan | The effects of a sound-field amplification system on managerial time in middle school physical education settings | |
| Giannakos et al. | Exploring EEG signals during the different phases of game-player interaction | |
| Bunnag et al. | Development of a health-related quality of life questionnaire for Thai patients with rhinoconjunctivitis. | |
| Mansbach et al. | An Agent for Competing with Humans in a Deceptive Game Based on Vocal Cues. | |
| Bostian | Placement of International English Language Learners: How Different Is It?. | |
| Gaudet | Brain fingerprinting, scientific evidence, and Daubert: a cautionary lesson from India | |
| Chang et al. | The relationship between job-role quality and parenting behaviors among employed mothers in Korea |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: Zhong Guo Address after: Room 2032, 2nd Floor, Building 21, No. 958 Zhenbei Road, Putuo District, Shanghai, 200333 Applicant after: Boke Technology Group Co.,Ltd. Address before: 200333 21st floor, building 10, oasis Central Center, 1628 Jinshajiang Road, Putuo District, Shanghai Applicant before: Burke Technology Co.,Ltd. Country or region before: Zhong Guo |