CN114068012B - 一种面向认知决策的多维分层漂移扩散模型建模方法 - Google Patents
一种面向认知决策的多维分层漂移扩散模型建模方法 Download PDFInfo
- Publication number
- CN114068012B CN114068012B CN202111351103.9A CN202111351103A CN114068012B CN 114068012 B CN114068012 B CN 114068012B CN 202111351103 A CN202111351103 A CN 202111351103A CN 114068012 B CN114068012 B CN 114068012B
- Authority
- CN
- China
- Prior art keywords
- decision
- diffusion model
- drift
- cognitive
- subject
- 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
- G16H50/20—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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向认知决策的多维分层漂移扩散模型建模方法，包括如下步骤：选择和确定需要实施的认知决策任务和范式，获取受试者在各个认知决策任务上的行为反应数据；针对受试者在单个试次中的行为反应数据构建偏移扩散模型；分析计算受试者的选择概率和预期响应的反应时间；计算输出偏移扩散模型的参数的估计值，其中，偏移扩散模型的参数包括：受试者的决策阈值、相对起始点、漂移率和非决策时间；将受试者在不同认知域内多个决策范式中的行为反应数据整合到同一模型框架中，形成由低至高的多维分层漂移扩散模型。该多维分层漂移扩散模型可以作为对MCI患者进行认知决策评估的模型，用于辅助了解MCI患者的认知受损情况。
Description
技术领域
本发明涉及一种面向认知决策的多维分层漂移扩散模型建模方法，属于认知心理学技术领域。
背景技术
个体在衰老过程中会经历一定程度的认知衰退。轻度认知障碍（Mild CognitiveImpairment，简写为MCI）是阿尔兹海默症的一种前驱状态，介于正常衰老与痴呆的中间状态，可以作为阿尔兹海默症的“预报器”。对于老年人老说，MCI病症会导致其在需要投入感知觉能力、注意资源和记忆等高级认知能力的决策任务上表现不佳。
随着计算机建模水平的发展，漂移扩散模型（Drift Diffusion Model，简写为DDM）逐渐兴起，并迅速被应用到心理学，尤其是认知决策任务中。DDM通过分离个体行为反应数据所包含的潜在决策成分，模拟和提炼人类大脑在决策任务中的神经动态过程。DDM主要应用于单个知觉范式、决策范式，建模健康人的神经决策过程。
为比较不同条件或情境中个体认知决策敏感性的特点，分层漂移扩散模型（Hierachical Drift Diffusion Model，简写为HDDM）应运而生。研究者常在基于贝叶斯概率分布的框架中对DDM进行分层设计，将不同决策特点整合到同一个数学模型中，综合考虑不同水平上决策成分的特征并获得相应的后验参数分布，实现了对模型化人类认知决策神经过程的进一步延申和拓展。HDDM应用于建模单一范式在不同情境条件下的决策差异，以及建模健康人决策中的个体差异。
HDDM采用基于贝叶斯框架的分层设计，能够综合考虑不同水平上决策成分的特征，然而HDDM当前的应用情境还仅限于从个体和群组水平上建模单一认知决策任务和范式中受试者的决策过程，并未扩展到聚类多种认知决策任务的情境中，无法整合评估个体不同认知域（区分为感知觉、高级认知和社会认知三类）的敏感性阈值和总体元认知加工效率。
发明内容
本发明所要解决的技术问题在于提供一种面向认知决策的多维分层漂移扩散模型建模方法。
为了实现上述目的，本发明采用以下的技术方案：
一种面向认知决策的多维分层漂移扩散模型建模方法，包括以下步骤：
选择和确定需要实施的认知决策任务和范式，获取受试者在各个认知决策任务上的行为反应数据；
针对所述受试者在单个试次中的行为反应数据构建偏移扩散模型；
分析计算所述受试者的选择概率和预期响应的反应时间；
计算输出所述偏移扩散模型的参数的估计值，其中，所述偏移扩散模型的参数包括：受试者的决策阈值、相对起始点、漂移率和非决策时间；
将所述受试者在不同认知域内多个决策范式中的行为反应数据整合到同一模型框架中，形成由低至高的多维分层漂移扩散模型。
其中较优地，所述认知决策任务至少包括：判断动点运动方向或空间位置的感知觉决策任务；基于选项相对价值做出选择的记忆、推理、执行控制的高级认知决策任务；学习他人属性、评估社会信息的社会认知决策任务。
其中较优地，还包括：对所述多维分层漂移扩散模型进行优化，以得到拟合优度最佳的模型。
其中较优地，对所述多维分层漂移扩散模型进行优化的方法，包括：
判断Gelman-Rubin R统计量的值是否小于预设值，所述预设值小于1；
进行后验预测检验，从估计出的模型中抽取新的数据集，对比这些模拟数据集与实际观测数据的一致性，如果一致性达到预设值则停止优化。
其中较优地，还包括：利用拟合优度最佳的模型，进行认知决策评估。
其中较优地，所述偏移扩散模型通过如下公式进行构建：
其中，E表示一个选项优于另一个选项的累积证据平衡，提供了两个选项的偏差，即决策前受试者对某个选项的偏好，当受试者对两种决策的已有经验相同时E＝0；Et表示在第t个试次时，两个选项的累积偏差；t表示思考开始的时间，包括对信息编码与做出按键反应的时间；Δ表示在每个决策时间中支持一个选项的增量证据；d表示受试者的漂移率系数，表示在每个时间单位内个体积累的关于刺激的相对信息量，表示了信息积累的速度和个体感知敏感性的测量；μi是选项i的主观价值，决策阈值d（μ1-μ2），代表两个决策选项之间的差异，表示决策信息收集的边界/阈值，当累积信息量达到该阈值时受试者即做出决策；σ2是扩散噪声系数，表示证据积累和/或比较系统中的噪声；N（ ） 表示正态分布，指决策轮次间的增量证据在具有特定方差的决策阈值周围呈正态分布。
其中较优地，所述偏移扩散模型的参数估计值通过以下公式进行分析计算：
其中，θ是触发决策的证据积累边界的高度，p（ch＝1）是达到上限而非下限的概率，RT是累积过程结束的预期时间。
其中较优地，所述多维分层漂移扩散模型为由低至高的决策试次-决策任务-认知域-总体元认知加工效率的多维分层漂移扩散模型。
其中较优地，在所述多维分层漂移扩散模型中，低层次水平的参数估计值的分布受到高层次水平的参数估计值的分布的约束。
其中较优地，所述行为反应数据包括：受试者在不同认知决策任务中的反应选择，以及做出决策所需要的反应时间。
本发明所提供的面向认知决策的多维分层漂移扩散模型建模方法，通过获取受试者在各个认知决策任务上的行为反应数据，首先针对受试者在单个试次中的行为反应数据构建偏移扩散模型，然后，将受试者在不同认知域内多个决策范式中的反应数据整合到同一模型框架中，形成由低至高的决策试次-决策任务-认知域-总体元认知加工效率的多维分层漂移扩散模型。由此，通过上述方式建立的多维分层漂移扩散模型，可以作为对MCI患者进行认知决策评估的模型，用于辅助了解MCI患者的认知受损情况。
附图说明
图1为本发明实施例提供的面向认知决策的多维分层漂移扩散模型建模方法的流程图；
图2为模拟受试者在二元认知决策过程中信念累积的轨迹示意图；
图3为多维分层漂移扩散模型的分层结构示意图。
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面向认知决策的多维分层漂移扩散模型建模方法。该建模方法至少包括以下步骤：
S1：选择和确定需要实施的认知决策任务和范式，获取受试者在各个认知决策任务上的行为反应数据。
具体的，在本发明实施例中，认知决策任务至少包括：判断动点运动方向或空间位置的感知觉决策任务；基于选项相对价值做出选择的记忆、推理、执行控制的高级认知决策任务；学习他人属性、评估社会信息的社会认知决策任务。由此，根据任务内容及属性，可以将不同的决策任务标记为感知觉决策、高级认知决策和社会认知决策这三个认知域下的任务。
同时，获取受试者在各个认知决策任务上的行为反应数据具体包括：获取受试者在不同认知决策任务中的反应选择及做出决策所需要的反应时间。因此，在本发明实施例中，第i个认知域下第j个任务范式中的第k个决策试次的决策时间（response time，简写为RT）和选项（decision option，简写为DO）被编码进观测数据xi，j，k中，即（RT，DO）～xi，j，k。i＝1，2或3。
S2：针对受试者在单个试次中的行为反应数据构建偏移扩散模型。
该偏移扩散模型通过如下公式进行构建：
其中，E表示一个选项优于另一个选项的累积证据平衡，提供了两个选项的偏差，即决策前受试者对某个选项的偏好，当受试者对两种决策的已有经验相同时E＝0；Et表示在第t个试次（即第t个具体的任务回合）时，两个选项的累积偏差；t表示思考开始的时间，包括对信息编码与做出按键反应的时间；Δ表示在每个决策时间中支持一个选项的增量证据；d表示受试者的漂移率系数，表示在每个时间单位内个体积累的关于刺激的相对信息量，表示了信息积累的速度和个体感知敏感性的测量；μi是选项i的主观价值，决策阈值d（μ1-μ2），代表两个决策选项之间的差异，表示决策信息收集的边界/阈值，当累积信息量达到该阈值时受试者即做出决策；σ2是扩散噪声系数，表示证据积累和/或比较系统中的噪声；N（ ） 表示正态分布，指决策轮次间的增量证据在具有特定方差（σ2）的决策阈值（μ1-μ2）周围呈正态分布Δ～（N）（（d（μ1-μ2），σ2）。
S3：分析计算受试者的选择概率和预期响应的反应时间。
具体的，通过以下公式进行分析计算：
如图2所示，该模型用以模拟受试者在二元认知决策（即从两个选项中做出决策）过程中信念累积的示例轨迹。选择概率（P）和反应时间（RT）是漂移率系数d、扩散噪声系数σ2和响应边界θ的高度的函数。其中θ是触发决策的证据积累边界的高度（此上限为对选项1的选择），p（ch＝1）是达到上限而非下限的概率，RT是累积过程结束的预期时间（到达任一边界）。
S4：计算偏移扩散模型的参数估计值，其中，偏移扩散模型的参数包括：受试者的决策阈值、相对起始点、漂移率和非决策时间；
具体的，输入受试者的决策行为反应数据包括决策时间（RT）和选项（DO）作为反应时间（PT）和选择概率（P），根据公式1和公式2，计算DDM模型的参数估计值。
S5：将受试者在不同认知域内多个决策范式中的反应数据整合到同一模型框架中，形成由低至高的决策试次-决策任务-认知域-总体元认知加工效率的多维分层漂移扩散模型。
其中，在多维分层漂移扩散模型中，低层次水平的参数估计值的分布会受到更高层次水平的参数估计值的分布的约束。以决策试次-决策任务这一层次举例，对于服从某种似然函数f|θ分布的每一个受试者的观测数据xi，j，k而言，假设该受试者在特定认知决策任务（感知觉、高级认知和社会认知三类）中决策轮次的参数θk在具有特定方差（σ2）的平均值（μ）周围呈正态分布（N）（λ ＝（μ，σ）），而这些任务水平参数又是从给定超先验（hyper-prior）G0的数据中估计得到的，因此可以得到这样的生成性描述：
μ，σ ～ G0（）；θk ～ N（μ，σ2）；xi，j，k～ f（θk）。
对试次水平参数θ的固定先验是由任务水平参数λ参数化的随机变量，据此得到θ的后验概率公式：
。
其中，P（θ，λ|x）为似然函数，表示在给定观测数据x的情况下试次水平参数为θ、任务水平参数为λ的可能性，P（x|θ）为给定试次水平参数θ的情况下观测数据等于x的可能性，P（θ|λ）表示任务水平参数为λ的情况下试次水平参数等于θ的可能性，P（λ）和P（x）表示任务水平参数为λ、观测数据等于x的概率。总体而言，当分层模型的层次越多，估计参数的层次越高，其后验概率估算公式越复杂。
如图3所示，xi，j，k∼L（ai，zi，vi，ti，sv，st，sz）。其中，xi，j，k表示该受试者在第i个认知域（Field，F）的第j个范式任务下（Paradigm，简写为P）的第k个决策试次（Trial，简写为T）中，包括决策时间（RT）和选项（DO）在内的行为观测数据；L表示由每个认知域对应的DDM模型的似然函数；ai、zi、vi和ti分别表示第i个认知域的决策阈值、相对起始点、漂移率和非决策时间分布。其他参数μ表示均值；σ表示标准差；ak、vk、zk和tk代表在第k个决策试次中决策阈值、漂移率、相对起始点和非决策时间。
S6：对所述多维分层漂移扩散模型进行优化，以得到拟合优度最佳的模型。
通过评估拟合优度，找到收敛性达到预定值的多维分层漂移扩散模型，当拟合效果不佳时，不断调整模型参数设定从而得到合适的模型。
具体的，采用Gelman-Rubin R统计量来评估当前模型的收敛性，其值越接近1，说明模型收敛性越好；
计算当前模型的偏差信息准则，在考虑模型复杂度的情况下评估模型的拟合优度，其值越小说明模型拟合越好；
或者，进行后验预测检验，从估计出的模型中抽取新的数据集，对比这些模拟数据集与实际观测数据的一致性，以评估当前模型对观测数据的拟合效果；
当模型拟合优度不佳时，不断调整模型参数设定从而得到合适的多维分层漂移扩散模型以及相应的参数估计值和后验概率分布。
S7：利用拟合优度最佳的模型，进行认知决策评估。
具体的，当多维分层漂移扩散模型优化完成后，利用拟合优度最佳的模型能够对用户进行认知决策评估，从而了解用户的认知受损情况。
综上所述，通过上述步骤可以建立一种面向认知决策的多维分层漂移扩散模型。该多维分层漂移扩散模型可以作为对MCI患者的认知决策进行评估的认知决策模型，用于辅助了解MCI患者的认知受损情况。
上面对本发明所提供的面向认知决策的多维分层漂移扩散模型建模方法进行了详细的说明。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 (10)
1.一种面向认知决策的多维分层漂移扩散模型建模方法，其特征在于包括以下步骤：
选择和确定需要实施的认知决策任务和范式，获取受试者在各个认知决策任务上的行为反应数据；
针对所述受试者在单个试次中的行为反应数据构建漂移扩散模型；
分析计算所述受试者的选择概率和预期响应的反应时间；
计算输出所述漂移扩散模型的参数的估计值，其中，所述漂移扩散模型的参数包括：受试者的决策阈值、相对起始点、漂移率和非决策时间；
将所述受试者在不同认知域内多个决策范式中的行为反应数据整合到同一模型框架中，形成由低至高的多维分层漂移扩散模型。
2.如权利要求1所述的多维分层漂移扩散模型建模方法，其特征在于所述认知决策任务至少包括：
判断动点运动方向或空间位置的感知觉决策任务；基于选项相对价值做出选择的记忆、推理、执行控制的高级认知决策任务；学习他人属性、评估社会信息的社会认知决策任务。
3.如权利要求1所述的多维分层漂移扩散模型建模方法，其特征在于还包括：
对所述多维分层漂移扩散模型进行优化，以得到拟合优度最佳的模型。
4.如权利要求3所述的多维分层漂移扩散模型建模方法，其特征在于对所述多维分层漂移扩散模型进行优化的方法，包括：
判断Gelman-Rubin R统计量的值是否小于预设值，所述预设值小于1；
进行后验预测检验，从估计出的模型中抽取新的数据集，对比这些模拟数据集与实际观测数据的一致性，如果一致性达到预设值则停止优化。
5.如权利要求4所述的多维分层漂移扩散模型建模方法，其特征在于还包括：
利用拟合优度最佳的模型，进行认知决策评估。
6.如权利要求1所述的多维分层漂移扩散模型建模方法，其特征在于，所述漂移扩散模型通过如下公式进行构建：
其中，E表示一个选项优于另一个选项的累积证据平衡，提供了两个选项的偏差，即决策前受试者对某个选项的偏好，当受试者对两种决策的已有经验相同时E＝0；Et表示在第t个试次时，两个选项的累积偏差；t表示思考开始的时间，包括对信息编码与做出按键反应的时间；Δ表示在每个决策时间中支持一个选项的增量证据；d表示受试者的漂移率系数，表示在每个时间单位内个体积累的关于刺激的相对信息量，表示了信息积累的速度和个体感知敏感性的测量；μi是选项i的主观价值，决策阈值d（μ1-μ2），代表两个决策选项之间的差异，表示决策信息收集的边界/阈值，当累积信息量达到该阈值时受试者即做出决策；σ2是扩散噪声系数，表示证据积累和/或比较系统中的噪声；N（ ）表示正态分布，指决策轮次间的增量证据在具有特定方差的决策阈值周围呈正态分布。
7.如权利要求6所述的多维分层漂移扩散模型建模方法，其特征在于，所述漂移扩散模型的参数估计值通过以下公式进行分析计算：
其中，θ是触发决策的证据积累边界的高度，p（ch＝1）是达到上限而非下限的概率，RT是累积过程结束的预期时间。
8.如权利要求1所述的多维分层漂移扩散模型建模方法，其特征在于，所述多维分层漂移扩散模型为由低至高的决策试次-决策任务-认知域-总体元认知加工效率的多维分层漂移扩散模型。
9.如权利要求8所述的多维分层漂移扩散模型建模方法，其特征在于，在所述多维分层漂移扩散模型中，低层次水平的参数估计值的分布受到高层次水平的参数估计值的分布的约束。
10.如权利要求1所述的多维分层漂移扩散模型建模方法，其特征在于所述行为反应数据包括：受试者在不同认知决策任务中的反应选择，以及做出决策所需要的反应时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111351103.9A CN114068012B (zh) | 2021-11-15 | 2021-11-15 | 一种面向认知决策的多维分层漂移扩散模型建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111351103.9A CN114068012B (zh) | 2021-11-15 | 2021-11-15 | 一种面向认知决策的多维分层漂移扩散模型建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114068012A CN114068012A (zh) | 2022-02-18 |
| CN114068012B true CN114068012B (zh) | 2022-05-10 |
Family
ID=80272755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111351103.9A Active CN114068012B (zh) | 2021-11-15 | 2021-11-15 | 一种面向认知决策的多维分层漂移扩散模型建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114068012B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1056025A2 (en) * | 1999-05-25 | 2000-11-29 | Nec Corporation | Simultation method of breakdown in impact ionization |
| CN103530505A (zh) * | 2013-09-29 | 2014-01-22 | 大连海事大学 | 一种人脑语言认知建模方法 |
| CN110084359A (zh) * | 2019-03-20 | 2019-08-02 | 山东师范大学 | 动态直觉模糊认知图构建方法、时间序列预测方法及系统 |
| CN111967495A (zh) * | 2020-07-06 | 2020-11-20 | 中国科学院计算技术研究所 | 一种分类识别模型构建方法 |
| CN113128159A (zh) * | 2021-04-21 | 2021-07-16 | 杭州电子科技大学 | 混合流线迎风有限体积有限元方法、模型数值离散系统 |
| CN113380407A (zh) * | 2021-05-30 | 2021-09-10 | 重庆医科大学 | 构建认知障碍智能预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9406062B2 (en) * | 2001-08-21 | 2016-08-02 | Bookit Oy Ajanvarauspalvelu | Authentication method and system |
| US20210204853A1 (en) * | 2018-05-17 | 2021-07-08 | Rutgers, The State University Of New Jersey | Systems and Methods for Cognitive Diagnostics in Connection with Major Depressive Disorder and Response to Antidepressants |
| WO2021072084A1 (en) * | 2019-10-08 | 2021-04-15 | Rutgers, The State University Of New Jersey | Systems and methods for cognitive diagnostics for neurological disorders: parkinson's disease and comorbid depression |
-
2021
- 2021-11-15 CN CN202111351103.9A patent/CN114068012B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1056025A2 (en) * | 1999-05-25 | 2000-11-29 | Nec Corporation | Simultation method of breakdown in impact ionization |
| CN103530505A (zh) * | 2013-09-29 | 2014-01-22 | 大连海事大学 | 一种人脑语言认知建模方法 |
| CN110084359A (zh) * | 2019-03-20 | 2019-08-02 | 山东师范大学 | 动态直觉模糊认知图构建方法、时间序列预测方法及系统 |
| CN111967495A (zh) * | 2020-07-06 | 2020-11-20 | 中国科学院计算技术研究所 | 一种分类识别模型构建方法 |
| CN113128159A (zh) * | 2021-04-21 | 2021-07-16 | 杭州电子科技大学 | 混合流线迎风有限体积有限元方法、模型数值离散系统 |
| CN113380407A (zh) * | 2021-05-30 | 2021-09-10 | 重庆医科大学 | 构建认知障碍智能预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Modeling one-choice discrete-continuous dual task;Maryam Sadeghi Talarposhti等;《2020 27th National and 5th International Iranian Conference on Biomedical Engineering (ICBME)》;20210118;第312-317页 * |
| 基于中心化自动加权多任务学习的早期轻度认知障碍诊断;成妮娜等;《中国生物医学工程学报》;20191231;第38卷(第6期);第653-661页 * |
| 计算模型在道德认知研究中的应用;张银花等;《心理科学进展》;20200731;第28卷(第7期);第1042-1055页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114068012A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Resting state fMRI and improved deep learning algorithm for earlier detection of Alzheimer’s disease | |
| Rigas et al. | Real-time driver's stress event detection | |
| Neill et al. | Understanding conceptual electronic design using protocol analysis | |
| CN113793685B (zh) | 基于多维分层漂移扩散模型的认知决策评估方法及系统 | |
| US10213149B2 (en) | Systems and methods for assessing human cognition, including a quantitative approach to assessing executive function | |
| CN112037179B (zh) | 一种脑疾病诊断模型的生成方法、系统及设备 | |
| EP3908175A1 (en) | Diagnosis and effectiveness of monitoring attention deficit hyperactivity disorder | |
| Zhu et al. | The autocorrelated Bayesian sampler: A rational process for probability judgments, estimates, confidence intervals, choices, confidence judgments, and response times. | |
| CN114343585B (zh) | 认知和行为障碍的预警方法、装置、设备及存储介质 | |
| CN114708964A (zh) | 一种基于智能特征分类的眩晕症辅助分析统计方法及系统 | |
| Walker et al. | Beyond percent correct: Measuring change in individual picture naming ability | |
| CN114068012B (zh) | 一种面向认知决策的多维分层漂移扩散模型建模方法 | |
| Georgopoulos et al. | Augmented fuzzy cognitive maps supplemented with case based reasoning for advanced medical decision support | |
| WO2021072084A1 (en) | Systems and methods for cognitive diagnostics for neurological disorders: parkinson's disease and comorbid depression | |
| CN113035348A (zh) | 一种基于gru特征融合的糖尿病诊断方法 | |
| CN116739037A (zh) | 具有人格特征的人格模型构建方法及装置 | |
| US20230290513A1 (en) | Method for determining a disease progression and survival prognosis for patients with amyotrophic lateral sclerosis | |
| CN111466877B (zh) | 一种基于lstm网络的氧减状态预测方法 | |
| Seth et al. | Machine learning model for predicting insomnia levels in indian college students | |
| Wolf et al. | Revisiting validation methods of occupant behaviour models | |
| Duchene et al. | An hybrid refinement methodology for multivariate simulation in home health telecare | |
| Van Gorp et al. | Aleatoric Uncertainty Estimation of Overnight Sleep Statistics Through Posterior Sampling Using Conditional Normalizing Flows | |
| Kumar et al. | Parkinson Disease Diagnosis and Severity Rating Prediction Based on Gait analysis using Deep Learning | |
| KR102548478B1 (ko) | 약물 반응성 분류 및 예측을 위한 디지털 피노타이핑 방법, 장치 및 컴퓨터프로그램 | |
| CN112349412B (zh) | 患病机率预测方法与电子装置 |
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 |