CN114096194A - 用于认知训练和监控的系统和方法 - Google Patents

用于认知训练和监控的系统和方法 Download PDF

Info

Publication number
CN114096194A
CN114096194A CN202080040282.1A CN202080040282A CN114096194A CN 114096194 A CN114096194 A CN 114096194A CN 202080040282 A CN202080040282 A CN 202080040282A CN 114096194 A CN114096194 A CN 114096194A
Authority
CN
China
Prior art keywords
training
processor
user feedback
user
machine learning
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
Application number
CN202080040282.1A
Other languages
English (en)
Inventor
耶尔·吉卢茨
沙伊·格拉诺特
安娜·伊左特奇夫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aceral Co ltd
Original Assignee
Aceral Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aceral Co ltd filed Critical Aceral Co ltd
Publication of CN114096194A publication Critical patent/CN114096194A/zh
Pending legal-status Critical Current

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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/163—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state by tracking eye movement, gaze, or pupil change
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/375—Electroencephalography [EEG] using biofeedback
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/486—Bio-feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Psychology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Hospice & Palliative Care (AREA)
  • Software Systems (AREA)
  • Developmental Disabilities (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Social Psychology (AREA)
  • Neurology (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Educational Technology (AREA)
  • Neurosurgery (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

一种响应于认知训练程序来分析用户反馈的系统和方法，包括：利用预定义数据集训练至少一个机器学习算法以预测训练成功率，其中，预定义数据集包括针对具有已知特征的用户的先前接收到的用户反馈；接收新的用户反馈；以及基于接收到的新的用户反馈利用至少一个机器学习算法确定对训练成功率的预测。

Description

用于认知训练和监控的系统和方法
发明领域
本发明涉及认知训练。更具体地，本发明涉及用于响应于认知训练程序来监控和分析用户反馈的系统和方法。
发明背景
患有认知问题的人，或者寻求提高其认知技能的人，有时会使用认知训练程序，以改善他们的认知健康并且训练他们的记忆力，类似于健身房的体育训练。例如，一个人可以使用记忆卡、解纵横字谜或坐在电脑屏幕前并执行旨在提高认知能力(如记忆力、计算、词汇等)的各种任务。
自我管理的认知训练程序(例如，没有任何专业的监督)的主要问题是用户对训练程序的坚持和/或参与。每周的例如重复的程序(其中用户逐渐对程序失去兴趣)的使用的时间可能减少，并且训练结果相应地减少。为了使任何训练有效，人们需要长时间持续训练。虽然大多数人通常以很高的动力开始训练，以提高他们的认知能力，但普通的用户不会完成训练，随着时间的推移，他们可能会停止或显著地减少训练会话的量。通常，这种情况的发生可能是由于单调的训练，难以理解这些活动如何与日常需求相关，和/或由于失去兴趣。因此，当前的训练程序在自我管理时不会产生显著的认知效果。
概述
因此，根据本发明的一些实施例，提供了一种响应于认知训练程序来分析用户反馈的方法，包括：由处理器利用预定义数据集训练至少一个机器学习算法，以预测训练成功率，其中预定义数据集可以包括针对具有已知特征的用户的先前接收到的用户反馈；由处理器接收新的用户反馈；以及由处理器基于接收到的新的用户反馈，利用至少一个机器学习算法确定训练成功率的预测。在某些实施例中，至少一个机器学习算法可以用强化学习来训练。
在一些实施例中，可以从用户反馈中确定行为模式。在一些实施例中，至少一个机器学习算法可以在具有长短期存储单元的递归神经网络上实现。在一些实施例中，可以预测训练流失率(churn rate)。在一些实施例中，可以针对定时、训练会话长度、训练会话成功率、注意力稳定性、冻结期、位置、训练平台和训练会话中的休息次数中的至少一个监控接收到的反馈。
在一些实施例中，用户反馈可以被分类以从预定义简档列表中确定用户简档，其中所确定的训练成功率的预测也可以基于所确定的用户简档。在一些实施例中，可以基于从由性别、年龄、教育、位置、语言、职业、当前职业状况、医疗状况和婚姻状况组成的组中选择的至少一个用户特征来确定用户简档。在一些实施例中，可以基于接收到的反馈的聚类并基于至少一个用户特征来确定用户简档。
在一些实施例中，可以用至少一个脑电图(EEG)传感器来监控用户，其中可以基于测量的EEG信号来改变认知训练程序。在一些实施例中，可以用至少一个成像器来监控用户的眼睛运动，以确定用户的注意力。在一些实施例中，可以根据用户反馈来确定行为模式，并且当所确定的行为模式超过预定义阈值时，可以发出警报。
因此，根据本发明的一些实施例，提供了一种用于响应于认知训练程序对用户反馈进行认知分析的系统，该系统包括：数据库，该数据库包括针对具有已知特征的用户的先前接收到的用户反馈的数据集；以及处理器，该处理器耦合到该数据库并被配置为：用该数据集训练至少一个机器学习算法以预测训练成功率，接收新的用户反馈，并基于接收到的新的用户反馈，利用至少一个机器学习算法确定训练成功率的预测。在一些实施例中，至少一个机器学习算法可以用强化的学习来训练。
在一些实施例中，处理器可以根据用户反馈来确定行为模式。在一些实施例中，处理器可以对用户反馈进行分类，以从预定义简档列表中确定用户简档，其中利用至少一个机器学习算法对训练成功率的预测也可以基于所确定的用户简档。在一些实施例中，处理器可以利用至少一个机器学习算法预测训练流失率。在一些实施例中，处理器可以针对定时、训练会话长度、训练会话成功率、注意力稳定性、冻结期和训练会话中的休息次数中的至少一个监控接收到的反馈。
在一些实施例中，至少一个机器学习算法可以在具有长短期存储单元的递归神经网络上实现。在一些实施例中，可以基于从由性别、年龄、教育、位置、语言、职业、当前职业状态和婚姻状态组成的组中选择的至少一个用户特征来确定用户简档。在一些实施例中，可以基于接收到的反馈的聚类来确定用户简档。在一些实施例中，至少一个脑电图(EEG)传感器可以耦合到处理器，其中处理器可以利用至少一个EEG传感器来监控用户，并且其中可以基于测量的EEG信号来确定用户简档。
在一些实施例中，至少一个成像器可以耦合到处理器，并且其中处理器可以利用至少一个成像器来监控用户的眼睛运动。在一些实施例中，处理器可以根据用户反馈确定行为模式，并且当所确定的行为模式超过预定义阈值时发出警报。
因此，根据本发明的一些实施例，提供了一种认知训练的方法，包括：由处理器响应于认知训练程序来从接收到的用户反馈确定行为模式；以及由处理器基于所确定的行为模式利用至少一个机器学习算法来校正认知训练程序，以便改善认知训练。在一些实施例中，至少一个机器学习算法可以利用针对具有已知特征的用户的先前接收到的用户反馈来训练。
因此，根据本发明的一些实施例，提供了响应于认知训练程序来分析用户反馈的方法，包括：由处理器利用预定义数据集训练至少一个机器学习算法以预测训练成功率，其中预定义数据集可以包括针对具有已知特征的用户的先前接收到的用户反馈；以及由处理器根据利用至少一个机器学习算法对训练成功率的预测来更新训练变量。在一些实施例中，可以接收新的用户反馈，并且可以基于接收到的新的用户反馈来重新更新训练变量。
因此，根据本发明的一些实施例，提供了一种响应于认知训练程序来分析用户反馈的方法，包括：由处理器利用预定义数据集训练至少一个机器学习算法以预测训练流失率，其中预定义数据集可以包括针对具有已知特征的用户的先前接收到的用户反馈；由处理器接收新的用户反馈；以及由处理器基于接收到的新的用户反馈利用至少一个机器学习算法确定对训练流失率的预测。
因此，根据本发明的一些实施例，提供了一种响应于认知训练程序来分析用户反馈的方法，包括：由处理器利用预定义数据集训练至少一个机器学习算法以预测认知衰退(cognitive decline)，其中预定义数据集可以包括针对具有已知特征的用户的先前接收到的用户反馈；由处理器接收新的用户反馈；以及由处理器基于接收到的新的用户反馈利用至少一个机器学习算法确定认知衰退的预测。
附图简述
关于本发明的主题在说明书的结尾部分被特别指出并被清楚地要求保护。然而，本发明关于操作的组织和方法以及其目的、特征和优点，在参照附图一起阅读时，通过参考以下详细描述可得到最好的理解，其中：
图1示出了根据本发明的一些实施例的示例计算设备的框图；
图2A-2E示出了根据本发明的一些实施例的用于响应于认知训练程序对用户反馈进行认知分析的系统的框图；
图3示出了根据本发明的一些实施例的用于认知数据收集的系统的框图；
图4A-4B示出了根据本发明的一些实施例的用于响应于认知训练程序对用户反馈进行认知分析的方法的流程图；
图5示出了根据本发明的一些实施例的响应于认知训练程序来分析用户反馈以确定训练流失率的方法的流程图；和
图6示出了根据本发明的一些实施例的响应于认知训练程序来分析用户反馈以确定认知衰退的方法的流程图。
将理解的是，为了说明的简单和清楚，图中所示的元素不一定按比例绘制。例如，为了清楚起见，一些元素的尺寸可能相对于其他元素被放大。此外，在认为适当的情况下，参考数字可在多个图中重复以指示对应的或类似的元素。
发明的具体实施方式
在以下详细描述中，阐述了许多具体细节以便提供对本发明的透彻理解。然而，本领域技术人员将理解，可以在没有这些具体细节的情况下实践本发明。在其它实例中，公知的方法、程序以及组件、模块、单元和/或电路没有被详细描述，以免模糊本发明。关于一个实施例描述的一些特征或元素可以与关于其他实施例描述的特征或元素相结合。为了清楚起见，可以不重复讨论相同或相似的特征或元素。
虽然本发明的实施例不限于这方面，但是使用诸如例如“处理”、“计算(computing)”、“计算(calculating)”、“确定”、“建立”、“分析”、“检查”等的术语的讨论可以指计算机、计算平台、计算系统或其它电子计算设备的操作和/或过程，该计算机、计算平台、计算系统或其它电子计算设备将表示为计算机的寄存器和/或存储器内的物理(例如，电子)量的数据操纵和/或转换为类似地表示为计算机的寄存器和/或存储器或者可存储用于执行操作和/或过程的指令的其它信息非暂时性存储介质内的物理量的其它数据。虽然本发明的实施例不限于这方面，但是如本文所使用的术语“多个(plurality)”和“多个(aplurality)”可以包括例如“多个(multiple)”或“两个或更多个”。在整个说明书中可以使用术语“多个(plurality)”或“多个(a plurality)”来描述两个或更多个组件、设备、元素、单元、参数等。术语“组(set)”当在本文中使用时可以包括一个或更多个项目。除非明确规定，本文描述的方法实施例不限于特定的次序或顺序。另外，所描述的方法实施例中的一些或其元素中的一些可以同步、在同一时间点或同时地发生或执行。
参考图1，其示出了根据本发明的一些实施例的示例计算设备的示意性框图。计算设备100可以包括控制器或处理器105(例如，中央处理单元处理器(CPU)、芯片或任何合适的计算或计算的设备)、操作系统115、存储器120、可执行代码125、存储装置130、输入设备135(例如，键盘或触摸屏)和输出设备140(例如，显示器)、用于经由通信网络(诸如例如因特网)与远程设备的通信的通信单元145(例如，蜂窝发射机或调制解调器、Wi-Fi通信单元等)。控制器105可以被配置为执行程序代码以执行本文描述的操作。本文描述的系统可以包括一个或更多个计算设备100，例如，用作如图2A所示的各种设备和/或组件。例如，系统200可以是或可以包括计算设备100或其组件。
操作系统115可以是或可以包括被设计和/或配置为执行涉及协调、调度、仲裁、监督、控制或以其它方式管理计算设备100的操作(例如，调度软件程序的执行或者启用软件程序或其他模块或单元进行通信)的任务的任何代码段(如，类似于本文所述的可执行代码125的代码段)。
存储器120可以是或可以包括例如随机存取存储器(RAM)、只读存储器(ROM)、动态RAM(DRAM)、同步DRAM(SD-RAM)、双数据速率(DDR)存储器芯片、闪存、易失性存储器、非易失性存储器、高速缓冲存储器、缓冲器、短期存储器单元、长期存储器单元或者其它合适的存储器单元或存储装置单元。存储器120可以是或可以包括多个可能不同的存储器单元。存储器120可以是计算机或处理器非暂时性可读介质、或者计算机非暂时性存储介质，例如RAM。
可执行代码125可以是任何可执行代码，例如应用、程序、进程、任务或脚本。可执行代码125可以在操作系统115的控制下由控制器105执行。例如，可执行代码125可以是执行本文进一步描述的方法的软件应用。尽管为了清楚起见，图1中示出单个项目的可执行代码125，但是根据本发明的实施例的系统可以包括与可执行代码125类似的多个可执行代码段，该多个可执行代码段可以被存储到存储器120中并使控制器105执行本文所述的方法。
存储装置130可以是或可以包括例如硬盘驱动器、通用串行总线(USB)设备或其它合适的可移动和/或固定的存储装置单元。此外，在一些实施例中，在图1中示出的组件中的一些可以被省略。例如，存储器120可以是具有存储装置130的存储容量的非易失性存储器。因此，虽然示出为单独的组件，但是存储装置130可以被嵌入或包括在存储器120中。
输入设备135可以是或可以包括键盘、触摸屏或触摸板、一个或更多个传感器或者任何其他或附加的合适的输入设备。任何适当数量的输入设备135可以可操作地连接到计算设备100。输出设备140可以包括一个或更多个显示器或监控器和/或任何其它合适的输出设备。任何合适数量的输出设备140可以可操作地连接到计算设备100。如框135和140所示，任何适用的输入/输出(I/O)设备可以连接到计算设备100。例如，可以在输入设备135和/或输出设备140中包括有线或无线网络接口卡(NIC)、通用串行总线(USB)设备或外部硬盘驱动器。
本发明的实施例可以包括诸如计算机或处理器非暂时可读介质或计算机或处理器非暂时性存储介质的物品，诸如例如，编码、包括或存储指令(例如，计算机可执行指令)的存储器、磁盘驱动器或USB闪存，该指令在由处理器或控制器执行时执行本文公开的方法。例如，物品可以包括诸如存储器120的存储介质、诸如可执行代码125的计算机可执行指令以及诸如控制器105的控制器。这种非暂时性计算机可读介质可以是例如存储器、磁盘驱动器或USB闪存，编码、包括或存储指令，例如计算机可执行指令，该指令在由处理器或控制器执行时，执行本文公开的方法。存储介质可以包括但不限于任何类型的盘，包括半导体设备，诸如只读存储器(ROM)和/或随机存取存储器(RAM)、闪存、电可擦除可编程只读存储器(EEPROM)或任何类型的适于存储电子指令的介质，包括可编程存储设备。例如，在一些实施例中，存储器120是非暂时性机器可读介质。
根据本发明的实施例的系统可以包括组件，诸如但不限于，多个中央处理单元(CPU)或任何其它合适的多用途或特定的处理器或控制器(例如，类似于控制器105的控制器)、多个输入单元、多个输出单元、多个存储器单元和多个存储装置单元。系统可以另外包括其他合适的硬件组件和/或软件组件。在一些实施例中，系统可以包括或者可以是，例如，个人计算机、台式计算机、膝上型计算机、工作站、服务器计算机、网络设备或任何其他合适的计算设备。
根据一些实施例，提供了用于个性化计算机化认知训练程序的系统和方法，该认知训练程序被配置为支持成年用户的认知健康，特别是记忆功能。
现在参考图2A，其示出了根据一些实施例的用于响应于认知训练程序210对用户反馈进行认知分析的系统200的框图。在图2A中，箭头的方向指示信息流的方向，虚线元素指示软件和/或算法。
系统200可以包括至少一个处理器201(诸如图1所示的控制器105)，例如可以在其上实现认知训练程序210的移动设备和/或PC中的处理器。处理器201可以耦合到数据库202(如图1所示的诸如存储装置系统130)，该数据库202包括针对具有已知特征的用户的先前接收到的用户反馈203的数据集。例如，具有诸如年龄、性别、医疗和/或精神状况等已知特征的用户可以向认知训练程序210提供反馈203(例如，在本文详细描述的初始校准阶段)。
在训练期间，处理器201可以收集与一天中的训练时间、训练会话长度、用户使用的平台(例如，PC、平板电脑、智能手机)和/或训练位置(例如，在家里或公共场所)中的一个或多个相关的信息，以便为该用户的未来训练改进认知训练程序210。在一些实施例中，处理器201还可以从用户反馈203收集信息，诸如在显示给用户的不同场景中的用户响应时间(例如，在游戏中)和/或回答类型(例如，正确/错误/错过的回答)，和/或显示器上的目标位置，和/或输入类型(例如，使用键盘或触摸屏)，和/或用户休息的次数。除了收集与答案类型相关的信息之外，处理器201还可以收集与以下各项中的至少一项相关的信息：成功率、注意力稳定性、注意力的流逝、空间注意力、最长连胜(例如，游戏中连续正确答案的数量)、学习曲线、睡眠质量和/或情绪(例如，基于训练会话中的问题或直接从诸如智能手表或其他传感器的专用设备确定)。在一些实施例中，由处理器201收集的信息可以作为用户反馈203存储在数据库202中。
根据一些实施例，认知训练程序210可以基于以低成功率识别的认知功能(例如，在游戏、锻炼等中)、和/或高响应时间标准偏差(例如，越过某个预定义阈值)、和/或特定类型的错误(例如，位置vs正确识别)等来修改。被训练的认知功能可以包括记忆组件，诸如视觉感知、特征与物体的结合、组织信息、语义网络、注意力(对记忆过程至关重要)等。用户的注意力可以被训练成集中注意力、注意力定向、选择性注意力、视觉空间注意力、持续注意力、执行注意力和/或注意力控制(包括例如分散的注意力和抑制)等。在一些实施例中，处理器201可以监控用户反馈203，以基于总体响应时间和识别注意力的流逝(例如，响应时间的偏差)和注意力稳定性(例如，响应时间总体标准偏差大小)来确定训练注意力。
处理器201可以执行至少一个机器学习算法204(例如，利用使用深度神经网络的深度学习)，以利用用户反馈203的数据集进行训练，并预测用户的训练成功率205。至少一个机器学习算法204可以使用先前在用户身上收集的数据来训练，同时以预定义规则运行。在一些实施例中，至少一个机器学习算法204可以使用机器学习(例如，利用神经网络)用计算机网络的监督训练来训练。监督训练可以包括利用标记的数据集进行的训练(例如，以利用系统训练人类用户为例)，或者包括标记样本以教导网络的人类操作员的监督下进行的训练。在一些实施例中，一旦收集到预定量的新数据，至少一个机器学习算法204可以针对预定的时间段被激活(例如，半自动地)以用于算法的重新训练。在一些实施例中，至少一个机器学习算法204可以在例如具有长短期记忆(LSTM)单元的递归神经网络(RNN)上实现。RNN是一类人工神经网络，其中节点之间的连接沿着时间序列形成有向图。与前馈神经网络不同，具有LSTM结构的RNN可能具有反馈连接，以使用其内部状态(存储器)来处理输入序列。
在一些实施例中，处理器201可以(例如，利用监督学习)预测训练成功率205，其中例如可以从基于相似内容(例如，性别、位置、年龄、教育等)和/或基于类似的行为(例如，关于他们训练历史的成功)的长期用户的持续更新数据集来识别相似用户。因此，在一些实施例中，特定用户的训练成功率205可以由处理器201基于相似用户针对特定训练会话的成功来计算和/或预测。
在一些实施例中，认知训练程序210可以(例如，直接和/或经由处理器201)从至少一个机器学习算法204接收输入，该输入包括例如为了接收到预期训练成功率205而使用哪些练习和/或水平和/或变量。在一些实施例中，处理器201可以在训练期间和/或之后连续接收具有根据所提供的指令进行的训练进度的信息的用户反馈203，以便将训练结果与预测的训练成功率205进行比较，以便不断改进至少一个机器学习算法204。
在一些实施例中，处理器201可以使用至少一个机器学习算法204(例如，执行算法以获得结果)以生成提高(或降低)训练成功率205的建议。在训练期间，处理器201可以根据计算出的训练成功率205修改认知训练程序210，例如，如果计算出的训练成功率205低于预定义阈值，可以更容易针对用户修改认知训练程序205。在一些实施例中，处理器201可以生成要向用户显示的统计数据(例如，图表)以反映哪些变量影响他们的认知能力，诸如训练时间(例如，一天中的时间或一周中的一天)、睡眠质量(例如，针对最大专注度的最佳睡眠时间)和/或训练会话中是否存在关于这些变量的差异等。在一些实施例中，至少一些特征可以由处理器201确定(例如，成功率或训练流失率)由不同的机器学习算法执行。
现在参考图2B和图2C，其分别示出了根据一些实施例的用于响应于认知训练程序210来确定行为模式206的另一系统230和240的框图。图2B和图2C中的一些元素可以与图2A中所示的元素(例如处理器201)相同或相似。
根据一些实施例，处理器201例如可以使用机器学习算法204从用户反馈203确定用户的行为模式206(例如，行为和/或反馈的模式，诸如反应时间和/或可以反映认知和/或运动能力的正确答案)。在一些实施例中，行为模式206可以是认知行为模式。
处理器201可以基于所确定的用户行为模式206和/或基于用户特征，利用至少一个机器学习算法204来确定训练成功率205的预测。在一些实施例中，当所确定的用户行为模式206超过预定义阈值时，处理器201可以发出警报。例如，机器学习算法204可以将用户在训练期间的行为(例如，来自用户反馈203)与初始状态(例如，来自用户简档207)进行比较，以便确定用户的行为模式206是否满足或超过预定义阈值(诸如，例如确定训练成功率降低了40％)。在一些实施例中，在警报程序中收集的信息可以反馈回用户的行为模式206算法中。例如，滑动窗口技术可以与监督学习(例如，RNN)或通过发现先前窗口之间的差异的无监督学习一起使用。针对这两种情况，可以定义子序列之间的距离函数，并将其用于计算与先前窗口的距离以作为几种异常检测方法的输入。
例如，机器学习算法204可以被配置为针对每个用户实现预定义的训练成功率205(例如，80％)，其中训练成功率205例如在训练会话期间被测量以保持用户训练相当长的时间(例如，如果降低的成功率也指示训练持久性的降低)，和/或成功完成新级别的训练(例如在游戏中)时，测量训练成功率205。当识别到成功率205例如由于训练时间的减少而降低时，机器学习算法204可以被配置为实现较低的训练成功率205，从而保持对用户的训练。
在一些实施例中，可以基于特定用户的行为模式206来定义用于与用户直接交互的一组动作，以便进一步提高训练成功率205和/或如果用户的行为发生了显著变化。用户反馈数据203可以利用关于不同动作对用户表现的影响的强化和/或监督学习来收集。基于收集的用户反馈数据203，预定义规则和/或机器学习算法可以相应地施加训练和/或要呈现的参数。针对每个这样的动作(例如，发起与用户的电话呼叫、提供教育材料等)，可以测量对训练成功率205的影响，以便了解哪些动作提高了训练成功率205。在一些实施例中，一旦系统200和/或系统230和/或系统240获悉对动作的响应，至少一个机器学习算法204可以为每个用户预测可能需要哪些动作以及在训练期间的什么时间相应地应用它们。
在一些实施例中，处理器201可以对用户反馈203进行分类(和/或处理器201可以指示算法来执行分类)，以例如从预定简档的列表中(例如，存储在数据库202中)确定至少一个用户简档207，包括年龄、性别等；例如，至少一个简档可以由至少一个机器学习算法204确定。在一些实施例中，所确定的至少一个用户简档可以被图2A-2E所示的系统200、230、240、260和270中的至少一个使用。在一些实施例中，所确定的对用户行为模式206的预测也可以基于所确定的至少一个用户简档207。在一些实施例中，至少一个用户简档207也可以或者可选地基于至少一个用户特征来确定，诸如性别、年龄、教育、位置、语言、职业、当前职业状态、医疗状态和/或婚姻状态。至少一个用户简档207也可以或可选地基于接收到的反馈的聚类来确定。
现在参考图2D，其示出了根据一些实施例的用于响应于认知训练程序210来确定训练流失率264的另一系统260的框图。图2D中的一些元素可以与图2A中所示的元素(例如处理器201)相同或相似。
根据一些实施例，处理器201可以利用机器学习算法204预测训练流失率264。用户训练流失率可以利用正在进行的参与(例如，基于训练持续时间和/或一天中的训练时间)的不同级别来定义。
在一些实施例中，可以收集正在进行的使用和/或用户参与的数据(例如，如果用户关闭账户或停止训练)，以便使用机器学习算法204来预测用户训练习惯和/或预期训练流失率264。在一些实施例中，机器学习算法204可以接收先前识别为参与度降低和/或停止训练的其他用户的数据作为输入，以一起与收集的用户的新训练数据进行比较，以便例如也基于用户简档207预测预期的训练流失率264。
根据一些实施例，处理器201可以例如利用无监督学习来检测用户行为中的变化和/或异常。处理器201可以监控用户表现并为每个用户定义简档，每个简档有预期行为。在一些实施例中，从新的训练会话中检测到的与预期行为的(例如，在训练之前预定义的)非微小或显著的偏差可以被标记以发出警报，例如，发起与用户的联系(例如，给用户打电话以尝试并理解异常的原因，或者是否存在医学问题或重大变化，例如悲痛等)。
在一些实施例中，用户行为的测量可以以预定的间隔执行，例如每月一次，作为客观的测量或评估，以查看认知能力是否有任何变化。
在一些实施例中，机器学习算法204可以接收针对用户的行为模式206(图2C中所示)的数据作为输入以便确定行为的改变，例如确定训练流失率264。
现在参考图2E，其示出了根据一些实施例的另一系统270的框图，用于响应于认知训练程序210来确定认知衰退274。图2E中的一些元素可以与图2A中所示的元素(例如处理器201)相同或相似。
在一些实施例中，处理器201可以用机器学习算法204预测和/或检测与轻度认知障碍(MCI)相关的认知衰退274。MCI可以导致包括记忆和思维技能(判断、正确决策等)的认知能力的显著和可测量的下降。患有MCI的人患阿尔兹海默症或其他类型痴呆症的风险增加。
在一些实施例中，如果具有不同MCI阶段的用户例如通过外部医疗机构的诊断最初被标记，则至少一个机器学习算法204可以学习这些用户的行为模式，例如，以便稍后识别在MCI的某个阶段没有被标记的用户的类似模式。因此，系统200和/或系统270可以用于MCI的预测。在一些实施例中，多标签时间序列可以与少数类预测算法(针对新用户)一起使用，例如与注意力机制或LSTM一起使用。过度采样或生成性对抗网络(GAN)机制可用于增强示例集。在一些实施例中，无监督检测可以与基于算法的聚类一起使用，例如局部离群因子(LOF)、核密度估计(KDE)或K-Means，以识别用户的MCI水平。
在一些实施例中，机器学习算法204可以接收先前被识别为认知衰退(例如，患有MCI或痴呆)的其他用户的数据作为输入，以与收集的用户的新训练数据进行比较，例如，以便预测预期的认知衰退274，例如也可以基于用户简档207。
在一些实施例中，机器学习算法204可以接收针对用户的行为模式206(如图2C所示)的数据作为输入，以便确定行为的变化，例如以确定认知衰退274。
现在参考图3，图3示出了根据一些实施例的用于认知数据收集的系统300的框图。在一些实施例中，系统300还可以包括系统200的一些或所有元素(诸如处理器201和数据库202)，其中添加了系统300的元素，以便从用户30收集认知数据。
在一些实施例中，系统300可以包括耦合到处理器201的至少一个脑电图(EEG)传感器301以测量EEG信号，处理器201被配置为利用至少一个EEG传感器301来监控用户30的认知信号。在一些实施例中，用户简档207也可以基于测量的EEG信号来确定。例如，用户30可以佩戴带有至少一个EEG传感器301的头戴装置以使用分别地取决于私人使用或临床医生的许可的商用EEG通道(1-16)或临床脑电图通道(16-64)来收集在脑电波和特定活动上的测量值。在一些实施例中，可以基于由至少一个EEG传感器301收集的数据来细化所确定的训练成功率205。
在一些实施例中，可以类似地使用EEG传感器301来提供神经反馈，跟随不同的脑电波(例如，α、β、θ)以及它们之间的关系，以例如响应于认知训练程序210来找到脑电波之间的相关性。在一些实施例中，测量的信号以及对测量的波的特定响应和/或波关系阈值可以被集成到训练会话中(例如，集成到游戏中)。在一些实施例中，训练还可以包括用于双重任务的选项，该双重任务具有基于脑电波活动(例如，基于α水平或θ或β水平)的神经反馈以及训练时保持的预定水平和/或措施。
在一些实施例中，系统300可以包括例如耦合到处理器201的至少一个成像器302，处理器201被配置为针对利用至少一个成像器302在显示器310上显示的内容监控用户30的眼睛运动，并且因此确定用户30在训练期间的专注度和/或注意力。在一些实施例中，可以例如基于由至少一个成像器302收集的数据来细化所确定的训练成功率205。
在一些实施例中，至少一个成像器302可以利用例如平板电脑、智能手机等的计算机化设备(诸如图1所示的计算设备100)的相机或者通过临床眼睛跟踪器来跟踪眼睛运动和/或瞳孔大小。眼睛跟踪数据可以在训练期间并且相对于训练显示器310中呈现的状态来收集。在一些实施例中，处理器201可以分析所收集的眼睛跟踪数据，以识别与显示器310上呈现的内容相关的扫视、注视、瞳孔大小等，以确定注意力质量、注意力测量值和记忆力测量值。
在一些实施例中，至少一些训练会话可以在虚拟现实环境中执行。例如，可佩戴的单个设备(例如，头戴装置)可以包括EEG传感器301和/或成像器302和/或用头戴装置显示的虚拟现实成像，以将生物反馈与脉搏率和出汗监控相结合。
在一些实施例中，处理器201可以对从外部设备(诸如EEG传感器301和/或成像器302)以及用户使用的其他外部设备(诸如活动跟踪器、智能手表、智能手机、临床数据和测试结果)收集的数据进行分析，以改进认知训练程序210并相应地增加训练成功率205。额外收集的数据可以涉及睡眠质量、日常活动、位置(例如，使用GPS数据)、稳定性(例如，手持设备时的手稳定性)和/或情绪状态(例如，基于语音和语音识别，和/或基于营养、药物等)。在一些实施例中，可以使用至少一个机器学习算法204来计算该收集的数据，例如，以提供更准确的个性化训练、个人推荐和/或认知标记。
根据一些实施例，处理器201可以基于正确答案百分比和/或响应时间以及基于空间注意力检测来计算训练成功率205和/或一般训练进度，例如，以测量用户如何在周围空间中分散注意力。因此，在一些实施例中，训练可以包括显示器310的不同区域中的目标，并且这些区域之间的接收到的响应(例如，注册为用户反馈203)可以被比较，例如，以创建空间注意力图并定位(在显示区域内)“忽略”的区域。这些区域可以被标记和训练，以便提高用户的空间注意力。
现在参考图4A，其示出了根据一些实施例的响应于认知训练程序210分析用户反馈203的方法的流程图。
至少一个机器学习算法204可以在步骤401(例如，由处理器201)利用预定义数据集进行训练以预测训练成功率205，其中预定义数据集可以包括针对具有已知特征的用户的先前接收到的用户反馈。可以在步骤402接收新的用户反馈，并且可以在步骤403基于接收到的新的用户反馈，使用至少一个机器学习算法204来(例如，由处理器201)确定训练成功率205的预测。在一些实施例中，至少一个机器学习算法204可以用强化学习来训练。在一些实施例中，可以使用迁移学习算法以便使用健康人的数据来建立认知衰退的人的预测模型。
现在参考图4B，其示出了根据一些实施例的响应于认知训练程序210来分析用户反馈203的方法的流程图。在一些实施例中，在步骤404，至少一个机器学习算法204可以(例如，由处理器201)利用预定义数据集来训练以预测训练成功率205，其中预定义数据集可以包括针对具有已知特征的用户的先前接收到的用户反馈。训练集和/或训练变量可以(例如，利用预定阈值)被确定以满足训练成功率205的预测，其中可以在步骤405根据利用至少一个机器学习算法204的训练成功率的预测来更新训练变量。当在步骤406接收到新的用户反馈时，可以在步骤405再次更新训练变量。
根据一些实施例，至少一个机器学习算法204可以(例如，由处理器201)利用预定义数据集来训练，例如，以确定用户的行为模式206，其中预定义数据集可以包括针对具有已知特征的用户的先前接收到的用户反馈以及先前计算的其他用户的行为模式。在一些实施例中，可以接收新的用户反馈，并且可以(例如，由处理器201)利用至少一个机器学习算法204来执行用户的行为模式206与新接收到的数据的比较，以识别行为模式206中的异常。
根据一些实施例，至少一个机器学习算法204可以(例如，由处理器201)利用预定义数据集来训练，例如，以确定用户的行为模式206，其中预定义数据集可以包括针对具有已知特征的用户的先前接收到的用户反馈以及先前计算的其他用户的行为模式。至少一个机器学习算法204可以被训练成相应地预测用户在其他情况下的行为，例如预测针对特定用户在压力状态下的行为。
现在参考图5，其示出了根据一些实施例的响应于认知训练程序210来分析用户反馈203以确定训练流失率264的方法的流程图。
在一些实施例中，至少一个机器学习算法204可以在步骤501(例如，由处理器201)利用预定义数据集进行训练以预测训练流失率264，其中预定义数据集可以包括针对具有已知特征的用户的先前接收到的用户反馈(例如，针对训练会话数量、训练频率、训练时间/日期等的用户反馈)。可以在步骤502接收新的用户反馈，并且可以在步骤503(例如，由处理器201)基于接收到的新的用户反馈利用至少一个机器学习算法204来确定训练流失率264的预测。
现在参考图6，其示出了根据一些实施例的响应于认知训练程序210来分析用户反馈203以确定认知衰退274的方法的流程图。
在一些实施例中，至少一个机器学习算法204可以在步骤601(例如，由处理器201)利用预定义数据集来训练，以标记可能的认知衰退和/或预测认知衰退274，其中预定义数据集可以包括针对具有已知特征的用户的先前接收到的用户反馈。预定义数据集可以包括先前计算的模式，该先前计算的模式例如基于针对具有包括认知临床诊断的已知特征的用户的先前接收到的用户反馈来表征不同认知恶化状态。可以在步骤602接收新的用户反馈，并且可以在步骤603基于接收到的新的用户反馈(例如，由处理器201)利用至少一个机器学习算法204来确定认知衰退274的预测。
尽管本文已说明和描述了本发明的某些特征，但本领域技术人员可想到许多修改、替代、变化和等效体。因此，应当理解，所附权利要求旨在覆盖落入本发明的真实精神内的所有这样的修改和改变。
已经提出了各种实施例。当然，这些实施例中的每一个可以包括所呈现的其他实施例的特征，并且未具体描述的实施例可以包括本文所述的各种特征。

Claims (27)

1.一种响应于认知训练程序来分析用户反馈的方法，所述方法包括：
由处理器利用预定义数据集训练至少一个机器学习算法，以预测训练成功率，其中，所述预定义数据集包括针对具有已知特征的用户的先前接收到的用户反馈；
由所述处理器接收新的用户反馈；和
由所述处理器基于接收到的新的用户反馈，利用所述至少一个机器学习算法确定对所述训练成功率的预测，
其中，利用强化学习来训练所述至少一个机器学习算法。
2.根据权利要求1所述的方法，还包括由所述处理器从所述用户反馈确定行为模式。
3.根据权利要求1所述的方法，其中，所述至少一个机器学习算法在具有长短期存储单元的递归神经网络上实现。
4.根据权利要求1所述的方法，还包括由所述处理器预测训练流失率。
5.根据权利要求1所述的方法，还包括由所述处理器针对定时、训练会话长度、训练会话成功率、注意力稳定性、冻结期、位置、训练平台和训练会话中的休息次数中的至少一个监控接收到的反馈。
6.根据权利要求1所述的方法，还包括由所述处理器对所述用户反馈进行分类，以从预定义简档列表中确定用户简档，其中，所确定的训练成功率的预测也基于所确定的用户简档。
7.根据权利要求6所述的方法，其中，所述用户简档还基于从由性别、年龄、教育、位置、语言、职业、当前职业状态、医疗状态和婚姻状态组成的组中选择的至少一个用户特征来确定。
8.根据权利要求7所述的方法，其中，所述用户简档还基于接收到的反馈的聚类和基于至少一个用户特征来确定。
9.根据权利要求1所述的方法，还包括由所述处理器利用至少一个脑电图(EEG)传感器来监控用户，其中，所述认知训练程序基于测量的EEG信号而改变。
10.根据权利要求1所述的方法，还包括由所述处理器利用至少一个成像器监控用户的眼睛运动，以确定用户的注意力。
11.根据权利要求1所述的方法，还包括：
由所述处理器从所述用户反馈确定行为模式；以及
当所确定的行为模式超过预定义阈值时，由所述处理器发出警报。
12.一种用于响应于认知训练程序来对用户反馈进行认知分析的系统，所述系统包括：
数据库，其包括针对具有已知特征的用户的先前接收到的用户反馈的数据集；和
处理器，其耦合到所述数据库并被配置为：
利用所述数据集训练至少一个机器学习算法，以预测训练成功率；
接收新的用户反馈；和
基于所接收到的新的用户反馈，利用所述至少一个机器学习算法确定对所述训练成功率的预测，
其中，利用强化学习来训练所述至少一个机器学习算法。
13.根据权利要求12所述的系统，其中，所述处理器还被配置为从所述用户反馈来确定行为模式。
14.根据权利要求12所述的系统，其中，所述处理器还被配置为对所述用户反馈进行分类，以从预定义简档列表中确定用户简档，其中，利用所述至少一个机器学习算法对训练成功率的预测也基于所确定的用户简档。
15.根据权利要求12所述的系统，其中，所述至少一个机器学习算法在具有长短期存储单元的递归神经网络上实现。
16.根据权利要求12所述的系统，其中，所述处理器还被配置为利用所述至少一个机器学习算法来预测训练流失率。
17.根据权利要求12所述的系统，其中，所述处理器还被配置为针对定时、训练会话长度、训练会话成功率、注意力稳定性、冻结期和训练会话中的休息次数中的至少一个监控接收到的反馈。
18.根据权利要求12所述的系统，其中，所述用户简档还基于从由性别、年龄、教育、位置、语言、职业、当前职业状态和婚姻状态组成的组中选择的至少一个用户特征来确定。
19.根据权利要求12所述的系统，其中，所述用户简档还基于接收到的反馈的聚类来确定。
20.根据权利要求12所述的系统，还包括耦合到所述处理器的至少一个脑电图(EEG)传感器，其中，所述处理器还被配置为利用所述至少一个EEG传感器来监控用户，并且其中，所述用户简档是基于测量的EEG信号来确定的。
21.根据权利要求12所述的系统，还包括耦合到所述处理器的至少一个成像器，并且其中，所述处理器还被配置为利用所述至少一个成像器来监控用户的眼睛运动。
22.根据权利要求12所述的系统，其中，所述处理器还被配置为从所述用户反馈确定行为模式，并且当所确定的行为模式超过预定义阈值时发出警报。
23.一种认知训练的方法，所述方法包括：
响应于认知训练程序，由处理器从接收到的用户反馈确定行为模式；以及
由所述处理器基于所确定的行为模式利用至少一个机器学习算法来校正所述认知训练程序，以便改进所述认知训练，
其中，所述至少一个机器学习算法利用针对具有已知特征的用户的先前接收到的用户反馈来训练。
24.一种响应于认知训练程序来分析用户反馈的方法，所述方法包括：
由处理器利用预定义数据集训练至少一个机器学习算法，以预测训练成功率，其中，所述预定义数据集包括针对具有已知特征的用户的先前接收到的用户反馈；和
由所述处理器根据利用所述至少一个机器学习算法对所述训练成功率的预测来更新训练变量。
25.根据权利要求24所述的方法，还包括：
由所述处理器接收新的用户反馈；和
由所述处理器基于接收到的新的用户反馈来重新更新所述训练变量。
26.一种响应于认知训练程序来分析用户反馈的方法，所述方法包括：
由处理器利用预定义数据集训练至少一个机器学习算法，以预测训练流失率，其中，所述预定义数据集包括针对具有已知特征的用户的先前接收到的用户反馈；
由所述处理器接收新的用户反馈；和
由所述处理器基于所接收到的新的用户反馈，利用所述至少一个机器学习算法确定对所述训练流失率的预测。
27.一种响应于认知训练程序来分析用户反馈的方法，所述方法包括：
由处理器利用预定义数据集训练至少一个机器学习算法，以预测认知衰退，其中，所述预定义数据集包括针对具有已知特征的用户的先前接收到的用户反馈；
由所述处理器接收新的用户反馈；和
由所述处理器基于所接收到的新的用户反馈，利用所述至少一个机器学习算法确定对所述认知衰退的预测。
CN202080040282.1A 2019-05-30 2020-05-04 用于认知训练和监控的系统和方法 Pending CN114096194A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962854461P 2019-05-30 2019-05-30
US62/854,461 2019-05-30
PCT/IL2020/050493 WO2020240534A1 (en) 2019-05-30 2020-05-04 System and method for cognitive training and monitoring

Publications (1)

Publication Number Publication Date
CN114096194A true CN114096194A (zh) 2022-02-25

Family

ID=73552719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080040282.1A Pending CN114096194A (zh) 2019-05-30 2020-05-04 用于认知训练和监控的系统和方法

Country Status (5)

Country Link
US (1) US20220230731A1 (zh)
EP (1) EP3975846A4 (zh)
JP (2) JP7311637B2 (zh)
CN (1) CN114096194A (zh)
WO (1) WO2020240534A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114864051A (zh) * 2022-07-06 2022-08-05 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

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11651862B2 (en) * 2020-12-09 2023-05-16 MS Technologies System and method for diagnostics and prognostics of mild cognitive impairment using deep learning
WO2023059747A1 (en) * 2021-10-06 2023-04-13 Genentech, Inc. Clustered analysis of training scenarios for addressing neurodevelopmental disorders
CN116451118B (zh) * 2023-04-19 2024-01-30 西安电子科技大学 基于深度学习的雷达光电异常值检测方法
CN117273130B (zh) * 2023-11-13 2024-02-23 南京信息工程大学 一种基于知识图谱与个体能力的认知诊断状态机实现方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2524362A1 (en) 2010-01-15 2012-11-21 Apollo Group, Inc. Dynamically recommending learning content
JP6591763B2 (ja) 2014-03-07 2019-10-16 国立大学法人鳥取大学 認知症予防システム
JP2016004525A (ja) 2014-06-19 2016-01-12 株式会社日立製作所 データ分析システム及びデータ分析方法
US20180286272A1 (en) * 2015-08-28 2018-10-04 Atentiv Llc System and program for cognitive skill training
JP7077303B2 (ja) 2016-08-26 2022-05-30 アキリ・インタラクティヴ・ラブズ・インコーポレイテッド 生理学的コンポーネントに接続された認知プラットフォーム
GB201705911D0 (en) 2017-04-12 2017-05-24 Kheiron Medical Tech Ltd Abstracts
US10507324B2 (en) * 2017-11-17 2019-12-17 Halo Neuro, Inc. System and method for individualizing modulation

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114864051A (zh) * 2022-07-06 2022-08-05 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
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

Also Published As

Publication number Publication date
EP3975846A4 (en) 2023-07-12
JP2022535799A (ja) 2022-08-10
EP3975846A1 (en) 2022-04-06
WO2020240534A1 (en) 2020-12-03
JP2023118913A (ja) 2023-08-25
JP7311637B2 (ja) 2023-07-19
US20220230731A1 (en) 2022-07-21

Similar Documents

Publication Publication Date Title
CN108780663B (zh) 数字个性化医学平台和系统
JP7311637B2 (ja) 認知トレーニング及び監視のためのシステム及び方法
US9861308B2 (en) Method and system for monitoring stress conditions
JP2020509498A (ja) 発達に係る疾病を評価し、およびカバー率と信頼度に対する制御を提供する方法および装置
CA2988416A1 (en) Method and system for assessing mental state
US20200114115A1 (en) Cognitive platform for deriving effort metric for optimizing cognitive treatment
US20210204853A1 (en) Systems and Methods for Cognitive Diagnostics in Connection with Major Depressive Disorder and Response to Antidepressants
CA3157380A1 (en) Systems and methods for cognitive diagnostics for neurological disorders: parkinson's disease and comorbid depression
US20230091240A1 (en) System and method of monitoring mental health conditions
US20220398477A1 (en) Cognitive platform for deriving effort metric for optimizing cognitive treatment
US11972336B2 (en) Machine learning platform and system for data analysis
US20220199220A1 (en) Systems and methods of digitally-delivered home exercise therapy
US20220351864A1 (en) Means and methods for assessing huntington's disease (hd)
US10079074B1 (en) System for monitoring disease progression
US20220230755A1 (en) Systems and Methods for Cognitive Diagnostics for Neurological Disorders: Parkinson's Disease and Comorbid Depression
KR20240052421A (ko) 정신 질환 평가 정보 제공 시스템 및 그 동작 방법
KR20240050593A (ko) 사용자의 행동 패턴에 기초한 정신 질환 위험도 모니터링 방법 및 장치
KR20240050588A (ko) 행동 패턴 및 의료 영상을 이용한 정신 건강 질환 평가 방법 및 장치
WO2024065052A1 (en) Functional neuroimaging biomarkers of brain injury recovery and uses thereof
KR20240050580A (ko) 정신 건강 질환의 추적 관찰을 위한 행동 데이터 분석 방법 및 장치

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