CN114224343B - 认知障碍检测方法、装置、设备及存储介质 - Google Patents

认知障碍检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114224343B
CN114224343B CN202210035362.9A CN202210035362A CN114224343B CN 114224343 B CN114224343 B CN 114224343B CN 202210035362 A CN202210035362 A CN 202210035362A CN 114224343 B CN114224343 B CN 114224343B
Authority
CN
China
Prior art keywords
data
motion
voice
preset
target user
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
Application number
CN202210035362.9A
Other languages
English (en)
Other versions
CN114224343A (zh
Inventor
叶苓
黄凌云
刘玉宇
肖京
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210035362.9A priority Critical patent/CN114224343B/zh
Publication of CN114224343A publication Critical patent/CN114224343A/zh
Application granted granted Critical
Publication of CN114224343B publication Critical patent/CN114224343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • 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
    • A61B5/48—Other medical applications
    • A61B5/4803—Speech analysis specially adapted for diagnostic purposes
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Mathematical Physics (AREA)
  • Social Psychology (AREA)
  • Neurosurgery (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Educational Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及人工智能领域，公开了一种认知障碍检测方法、装置、设备及存储介质。该方法包括：获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对所述语音数据和所述个体数据进行风险评估，得到所述目标用户的语音风险评估值；获取所述目标用户的运动数据，并采用预置运动异常评估方法对所述运动数据进行异常评估，得到所述目标用户的运动异常评估值；根据所述语音风险评估值和所述运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到所述目标用户的认知等级。实现了对用户的日常轻度认知障碍检测和管理。

Description

认知障碍检测方法、装置、设备及存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种认知障碍检测方法、装置、设备及存储介质。
背景技术
当前社会随着老龄化程度的不断加深，老年人中轻度认知障碍的患者数量正不断的增长。轻度认知障碍(MCI)是阿尔兹海默症的前兆，作为介于正常衰老和痴呆之间的一种中间状态，会导致这类高危人群发展为老年痴呆患者。对此如能对这类患者进行提前检测，并在日常生活中对患者进行康复管理，包括调整饮食结构、改变生活方式、适度加强体育锻炼、进行人际交流等一系列措施，将有助于控制疾病的发展。
目前，轻度认知障碍患者的日常管理主要由子女或护工来完成，并不专业，且消耗大量社会资源，在专业检测方法中，大多检测和筛选的方法都需要医生通过医院的专业设备进行大量项目和大量时间的持续测试，并且这些专业设备一般在规模较大的医院才有所部署，这使得很多潜在患者因为医疗条件的影响而不能及时确诊，从而错过最佳的治疗时期。即目前缺少一个日常的轻度认知障碍检测和管理的方法。
发明内容
本发明的主要目的在于解决目前缺少一个日常的轻度认知障碍检测和管理方法的问题。
本发明第一方面提供了一种认知障碍检测方法，其特征在于，所述认知障碍检测方法包括：获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对所述语音数据和所述个体数据进行风险评估，得到所述目标用户的语音风险评估值；获取所述目标用户的运动数据，并采用预置运动异常评估方法对所述运动数据进行异常评估，得到所述目标用户的运动异常评估值；根据所述语音风险评估值和所述运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到所述目标用户的认知等级。
可选的，在本发明第一方面的第一种实现方式中，所述利用预置语音风险评估方法对所述语音数据和所述个体数据进行风险评估，得到所述目标用户的语音风险评估值包括：采用预置生成式对抗网络对所述语音数据进行语义特征提取，得到语义特征信息；根据所述语义特征信息和所述个体数据，利用预置图神经网络进行风险评估，得到所述目标用户的语音风险评估值。
可选的，在本发明第一方面的第二种实现方式中，所述采用预置运动异常评估方法对所述运动数据进行异常评估，得到所述目标用户的运动异常评估值包括：采用预置膨胀算法对所述运动数据进行运动状态匹配，并根据匹配的结果，生成对应的多个运动周期数据；利用预置三维计算方法对所述多个运动周期数据进行运动特征计算，得到本周期运动特征数据；根据所述本周期运动特征数据与历史运动周期数据进行均值比较以及运动异常评估，得到所述目标用户的运动异常评估值。
可选的，在本发明第一方面的第三种实现方式中，所述采用预置生成式对抗网络对所述语音数据进行语义特征提取，得到语义特征信息包括：根据所述语音数据，利用预置生成式对抗网络中的采样策略进行数据切片处理，得到预置数量的语音片段；采用所述生成式对抗网络中的语音识别网络提取所述语音片段中的语音特征信息。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述语义特征信息和所述个体数据，利用预置图神经网络进行风险评估，得到所述目标用户的语音风险评估值包括：利用预置图神经网络提取所述语音编码特征信息中的语音分类特征；根据所述个体数据和所述语音分类特征，利用所述图神经网络中的多分类网络对所述目标用户进行风险评估，得到所述目标用户的语音风险评估值。
可选的，在本发明第一方面的第五种实现方式中，所述利用预置三维计算方法对所述多个运动周期数据进行运动特征计算，得到本周期运动特征数据包括：对所述多个运动周期数据中的加速度数据进行积分计算，得到肢体摆动的相对高度数据，并并对所述相对高度数据进行均值计算，得到肢体摆动指标；对所述多个运动周期数据中的周期信号进行差值对称计算，得到运动对称指标；对所述多个运动周期数据中的周期信号利用进行差值拟合，得到运动协调指标，所述本周期运动特征数据包括所述肢体摆动指标、所述运动不对称性值和所述运动协调性值。
可选的，在本发明第一方面的第六种实现方式中，在所述根据所述语音风险评估值和所述运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到所述目标用户的认知等级之后，还包括：若所述认知等级为第一等级，且所述语音风险评估值得分满足预置推荐策略中的第一推荐条件，则选取智力训练相关的第一推荐方案；若所述认知等级为第一等级，且所述运动异常评估值得分满足预置推荐策略中的第二推荐条件，则选取运动训练相关的第二推荐方案；若所述认知等级为第二等级，则选取认知训练相关的第三推荐方案。
本发明第二方面提供了一种认知障碍检测装置，包括：语音风险评估模块，用于获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对所述语音数据和所述个体数据进行风险评估，得到所述目标用户的语音风险评估值；运动评估模块，用于获取所述目标用户的运动数据，并采用预置运动异常评估方法对所述运动数据进行异常评估，得到所述目标用户的运动异常评估值；等级评估模块，用于根据所述语音风险评估值和所述运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到所述目标用户的认知等级。
可选的，在本发明第二方面的第一种实现方式中，所述语音风险评估模块包括：特征提取单元，用于采用预置生成式对抗网络对所述语音数据进行语义特征提取，得到语义特征信息；风险评估单元，用于根据所述语义特征信息和所述个体数据，利用预置图神经网络进行风险评估，得到所述目标用户的语音风险评估值。
可选的，在本发明第二方面的第二种实现方式中，所述运动评估模块包括：匹配单元，用于采用预置膨胀算法对所述运动数据进行运动状态匹配，并根据匹配的结果，生成对应的多个运动周期数据；计算单元，用于利用预置三维计算方法对所述多个运动周期数据进行运动特征计算，得到本周期运动特征数据；异常评估单元，用于根据所述本周期运动特征数据与历史运动周期数据进行均值比较以及运动异常评估，得到所述目标用户的运动异常评估值。
可选的，在本发明第二方面的第三种实现方式中，所述特征提取单元还包括：根据所述语音数据，利用预置生成式对抗网络中的采样策略进行数据切片处理，得到预置数量的语音片段；采用所述生成式对抗网络中的语音识别网络提取所述语音片段中的语音特征信息。
可选的，在本发明第二方面的第四种实现方式中，所述风险评估单元还包括：利用预置图神经网络提取所述语音编码特征信息中的语音分类特征；根据所述个体数据和所述语音分类特征，利用所述图神经网络中的多分类网络对所述目标用户进行风险评估，得到所述目标用户的语音风险评估值。
可选的，在本发明第二方面的第五种实现方式中，所述计算单元还包括：对所述多个运动周期数据中的加速度数据进行积分计算，得到肢体摆动的相对高度数据，并并对所述相对高度数据进行均值计算，得到肢体摆动指标；对所述多个运动周期数据中的周期信号进行差值对称计算，得到运动对称指标；对所述多个运动周期数据中的周期信号利用进行差值拟合，得到运动协调指标，所述本周期运动特征数据包括所述肢体摆动指标、所述运动不对称性值和所述运动协调性值。
可选的，在本发明第二方面的第六种实现方式中，所述方案推荐模块包括：第一推荐单元，用于若所述认知等级为第一等级，且所述语音风险评估值得分满足预置推荐策略中的第一推荐条件，则选取智力训练相关的第一推荐方案；第二推荐单元，用于若所述认知等级为第一等级，且所述运动异常评估值得分满足预置推荐策略中的第二推荐条件，则选取运动训练相关的第二推荐方案；第三推荐单元，用于若所述认知等级为第二等级，则选取认知训练相关的第三推荐方案。
本发明第三方面提供了一种认知障碍检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述认知障碍检测设备执行上述的认知障碍检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的认知障碍检测方法。
本发明提供的技术方案中，通过获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对语音数据和个体数据进行风险评估，得到目标用户的语音风险评估值；获取目标用户的运动数据，并采用预置运动异常评估方法对运动数据进行异常评估，得到目标用户的运动异常评估值。相比于现有技术，本申请通过物联网的智能设备来收集用户的日常语音数据和运动数据，进而对收集的数据进行语音风险评估和运动异常评估，从而可实现了在日常情况下对用户进行认知障碍检测数据的收集和处理，提高了检测的方便性。
根据语音风险评估值和运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到目标用户的认知等级。相比于现有技术，本申请通过对处理的语音风险评估数据和运动异常数据进行认知等级的评估，进而根据评估的认知等级来评估相应的推荐方案，实现了对用户从语音思维和身体运动两大方面的综合分析，给用户推荐一个更加准确的推荐方案，从而实现了一个日常的轻度认知障碍检测和管理的方法。
附图说明
图1为本发明实施例中认知障碍检测方法的第一个实施例示意图；
图2为本发明实施例中认知障碍检测方法的第二个实施例示意图；
图3为本发明实施例中认知障碍检测方法的第三个实施例示意图；
图4为本发明实施例中认知障碍检测方法的第四个实施例示意图；
图5为本发明实施例中认知障碍检测方法的第五个实施例示意图；
图6为本发明实施例中认知障碍检测装置的一个实施例示意图；
图7为本发明实施例中认知障碍检测装置的另一个实施例示意图；
图8为本发明实施例中认知障碍检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种认知障碍检测方法、装置、设备及存储介质，该方法包括：获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对所述语音数据和所述个体数据进行风险评估，得到所述目标用户的语音风险评估值；获取所述目标用户的运动数据，并采用预置运动异常评估方法对所述运动数据进行异常评估，得到所述目标用户的运动异常评估值；根据所述语音风险评估值和所述运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到所述目标用户的认知等级。实现了对用户的日常轻度认知障碍检测和管理。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中认知障碍检测方法的第一个实施例包括：
101、获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对语音数据和个体数据进行风险评估，得到目标用户的语音风险评估值；
可以理解的是，本发明的执行主体可以为认知障碍检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语音处理技术以及机器学习/深度学习等几大方向。
本实施例中，这里的语音数据，指的是通过物联网的语音设备，通过对用户展示相应的测试物，进而用户对该测试物进行描述，并通过该语音设备手机用户描述的语音数据，从而得到所需的语音数据；这里的个体数据，指的是用户的基本个人信息(如性别、年龄、教育程度等)数据；这里预置风险评估方法，指的是通过语义人工智能模块对语音数据进行语义和其它编码信息(如语速、语调等)的提取，进而对提取后编码数据利用多层网神经网络进行风险评估，从而得到目标用户的语音风险评估值的方法。通过利用智能设备对用户语音数据进行收集，进而对收集的语音数据进行风险评估，实现了一个日常思维风险评估的一种简便测试。
在实际应用中，通过使用预置的物联网智能设备，如这里较佳的设备是带屏幕的智能音箱，通过智能音箱上的屏幕给用户提供相应的测试图片，并采用该智能音箱收集用户回答的语音数据，从而获取目标用户的语音数据，并获取用户填写和记录的个体数据；进而利用预置语音风险评估方法对获取的语音数据和个体数据进行风险评估，通过先对语音数据进行提取相应的特征数据，进而将提取的语音特征数据和个体数据利用多层网神经进行风险评估，从而得到目标用户的语音风险评估值；如对风险进行打分，正常为0分，轻度认知障碍风险为1分，阿尔兹海默症风险为2分。
102、获取目标用户的运动数据，并采用预置运动异常评估方法对运动数据进行异常评估，得到目标用户的运动异常评估值；
本实施例中，这里的运动数据，指的是通过预先设计好的数据收集方法对用户的运动进行多个方向的记录，从而得到所需的运动数据；这里的预置运动异常评估方法，指的是通过对用户的的运动数据进行采样和初步处理，进而对初步处理的运动数据进行计算3n维特征值并计算均值，将本周期的计算结果与历史周期的记录均值数据进行比较，从而得到运动异常评估值。通过对运动数据进行多维特征的分析处理，并将处理均值结果与上一历史周期的数据进行比较，能够对用户自身的运动状况的改变，进行及时的记录和对比，从而通过用户自身大量数据的对比比较，实现对用户的运动评估。
在实际应用中，通过使用预置的物联网智能设备，如这里较佳的设备是智能手环，通过用户日常佩戴相应的智能手环来收集用户的运动数据，从而获取得到目标用户本周期预设运动数据；进而采用预置运动异常评估方法对获取的运动数据进行异常评估，通过对运动数据进行进行初步的采样处理，进而对各采样的运动数据利用3n维特征值进行特征均值计算。
这里较佳的维度是三维，通过采用paw、roll、pitch三个方向的加速度用来实现记录运动过程中手臂的摆动形态，进而对采样数据的每个维度在进行3维：摆幅、不对称性、变异性的计算，通过计算9维特征的本周期均值，与历史周期记录数据进行比较，从而得到目标用户的运动异常评估值；如与之前的所有运动周期特征的平均值进行比较，若差值的绝对值大于z，则记为一次异常。一周内少于3次异常记0分，3-8次异常记1分，多于8次异常记2分。
103、根据语音风险评估值和运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到目标用户的认知等级。
本实施例中，这里的预置评估策略，指的是根据语音风险评估值和运动异常评估值进行预设的计算方法计算，进而根据计算结果划分相应的认知等级的策略；通过将语音风险评估值和运动异常评估值进行按照预置的计算方法计算，进而利用计算结果与相应的认知等级进行对应，能够充分考虑思维回复和身体运动协调之间的关系，来实现对用户认知等级的评估，得到一个更加具有参考性的认知评估结果。
在实际应用中，根据处理得到的语音风险评估值和运动异常评估值，利用预置的评估策略对目标用户进行认知等级的评估，这里较佳的方法是通过对用户的两种评估值进行叠加处理，汇总语音风险评估值和运动异常评估值的得分，两者相加，0分为正常，1-2分为轻度认知障碍风险，3-4分为阿尔兹海默症风险。进而根据处理所得的认知等级，利用预置推荐方案策略匹配相应等级的方案，如对于轻度认知障碍风险，判断其是语音风险评估值还是运动异常评估值导致，进而相对应的推荐智力活动或者体育锻炼活动；对于是阿尔兹海默症风险，除以上推荐外，还通过音箱推荐进行认知训练；从而得到目标用户的认知障碍推荐方案。
本发明实施例中，通过获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对语音数据和个体数据进行风险评估，得到目标用户的语音风险评估值；获取目标用户的运动数据，并采用预置运动异常评估方法对运动数据进行异常评估，得到目标用户的运动异常评估值。相比于现有技术，本申请通过物联网的智能设备来收集用户的日常语音数据和运动数据，进而对收集的数据进行语音风险评估和运动异常评估，从而可实现了在日常情况下对用户进行认知障碍检测数据的收集和处理，提高了检测的方便性。
根据语音风险评估值和运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到目标用户的认知等级。相比于现有技术，本申请通过对处理的语音风险评估数据和运动异常数据进行认知等级的评估，进而根据评估的认知等级来评估相应的推荐方案，实现了对用户从语音思维和身体运动两大方面的综合分析，给用户推荐一个更加准确的推荐方案，从而实现了一个日常的轻度认知障碍检测和管理的方法。
请参阅图2，本发明实施例中认知障碍检测方法的第二个实施例包括：
201、采用预置生成式对抗网络对语音数据进行语义特征提取，得到语义特征信息；
本实施例中，这里的生成式对抗网络，指的是是一种深度学习模型，是种复杂分布上无监督学习最具前景的方法之一，模型通过框架中(至少)两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生更好的输出。其中判别模型：给定一张图，判断这张图里的动物是猫还是狗；生成模型：给一系列猫的图片，生成一张新的猫咪(不在数据集里)。通过利用生成性对抗网络来实现对语音数据中的语义特征进行提取，从而实现对大量语音数据的处不处理。
在实际应用中，通过使用预置的物联网智能设备，获取目标用户的语音数据，并获取用户填写和记录的个体数据；进而先对语音数据按照预设的频率进行采样处理，进而对采样数据利用自定义的语音编码矩阵进行提取相应的语音编码信息，并采用预置生成式对抗网络对获取的语音数据进行特征的提取，从而得到语义特征信息。
202、根据语义特征信息和个体数据，利用预置图神经网络进行风险评估，得到目标用户的语音风险评估值；
本实施例中，这里的图神经网络，指的是图神经网络(Graph Neu做ral Networks,GNNs)是一种基于图结构的深度学习方法，从其定义中可以看出图神经网络主要由两部分组成，即“图”和“神经网络”。这里的“图”是图论中的图数据结构，“神经网络”是我们熟悉的深度学习NN结构，如MLP，CNN，RNN等；通过对语音特征进行进一步的分析，可实现对用户语音风险评估处理，从而得到一个更加科学的数据分析结果。
在实际应用中，根据处理所得的语义特征信息和个体数据，利用预置的图神经网络对语义编码信息语音特征分类并和个体数据进行合并，进而利用MLP Head(多层网络)进行分类处理，从而最终得到目标用户的语音风险评估值。
203、获取目标用户的运动数据，并采用预置运动异常评估方法对运动数据进行异常评估，得到目标用户的运动异常评估值；
204、根据语音风险评估值和运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到目标用户的认知等级。
本发明实施例中，采用预置生成式对抗网络对语音数据进行语义特征提取，得到语义特征信息；根据语义特征信息和个体数据，利用预置图神经网络进行风险评估，得到目标用户的语音风险评估值。相比于现有技术，本申请通过对语音数据利用预置的生成式对抗网络和图神经网络进行处理，提取其中的语音特征，并用提取的语音特征和个体数据实现对用户语音的评估。在评估过程中不仅对用户的回答的内容进行处理，还充分考虑用户的个体差异，得到一个较为科学合理的语音风险评估值，为后续的认知等级的评定和方案的推荐提供一个更加有效的数据。
请参阅图3，本发明实施例中认知障碍检测方法的第三个实施例包括：
301、获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对语音数据和个体数据进行风险评估，得到目标用户的语音风险评估值；
302、采用预置膨胀算法对运动数据进行运动状态匹配，并根据匹配的结果，生成对应的多个运动周期数据；
本实施例中，这里的膨胀算法，指的是在特殊领域运算形式——结构元素(Sturcture Element)，在每个像素位置上与二值图像对应的区域进行特定的逻辑运算。运算结构是输出图像的相应像素。运算效果取决于结构元素大小内容以及逻辑运算性质的算法。
在实际应用中，利用物联网智能设备(日常佩戴基于加速度计的可穿戴设备，如智能手表、智能手环)采集用户在自然行走状态下的数据作为基础比对数据，这里较佳的方式是n取3，采集的数据是通过实时记录在paw、roll、pitch三个方向的加速度用来表示运动过程中手臂的摆动形态，进而来采集用户的运动数据；进而采用预设的频率进行采样，如以10ms为单位，对加速度计采集到的信号进行采样，则得到一个3*360000维的特征(每小时)；进而采用预置卷积神经网络和预置膨胀算法对运动数据进行预置运动状态的匹配，如通过使用1维CNN网络对模型进行计算，输出一个1*360000的向量X(每个值范围0-1，表示是行走状态的概率)使用阈值x对向量进行二值化得到向量Y，大于x表明用户处于行走状态，小于表示处于非行走状态。对向量Y使用膨胀算法削弱模型误检的影响，得到向量Z。找到Z中连续超过30000个(5分钟的数据)值为1的区间，认为找到了一个走路状态下的区间，并计算每个走路状态下区间的频率：总时长/周期数(两个波峰算作一个周期)，频率在指定范围(与用户信息采集阶段的数据进行比较)内时则判断该区间为一个自然行走状态下的运动周期，从而得到各运动周期数据。
303、对多个运动周期数据中的加速度数据进行积分计算，得到肢体摆动的相对高度数据，并并对相对高度数据进行均值计算，得到肢体摆动指标；
本实施例中，这里的积分，较佳的是采用二重积分来实现，这里的肢体摆动指标，较佳的是采用平均摆幅来进行计算；通过对各运动周期数据中的加速度信号进行二重积分，得到手臂摆动的相对高度，记录高度曲线的极大值，并计算平均值作为手臂的肢体摆动指标。
304、对多个运动周期数据中的周期信号进行差值对称计算，得到运动对称指标；
本实施例中，这里的差值对称计算，指的是对周期信号利用对称轴进行两端信号的差值计算；如对各运动周期数据中的每一个周期信号(以波峰为端点，波谷为对称轴)，时间为T，将对称轴左侧的图像(0<t<T/2)沿对称轴(t＝T/2)翻转到对称轴右侧(T/2<t<T)，这里以10ms为单位，将两段信号差值的绝对值求和，来评价运动的对称性，和越大表明对称性越差，从而得到运动不对称性值。
305、对多个运动周期数据中的周期信号利用进行差值拟合，得到运动协调指标，本周期运动特征数据包括肢体摆动指标、运动不对称性值和运动协调性值；
本实施例中，根据各运动周期数据中的周期信号利用进行差值拟合，如对于一个运动周期中的每一个周期信号(以波峰为端点，波谷为对称轴)，时间为T，使用余弦信号对信号进行拟合，这里以10ms为单位，将两段信号差值的绝对值求和，来评价运动的变异性，和越大表明用户的运动协调性越差，从而得到运动协调性值，本周期运动特征数据包括肢体摆动指标、运动不对称性值和运动协调性值。
306、根据本周期运动特征数据与历史运动周期数据进行均值比较以及运动异常评估，得到目标用户的运动异常评估值；
本实施例中，根据本周期运动特征数据与历史运动周期数据的9维特征计算均值后记录到数据库中，并与之前的所有运动周期特征的平均值进行比较，按照预设的次数产生相应的异常评估值，如若差值的绝对值大于z记为一次异常，连续三次异常则对用户产生一次告警评估。
307、根据语音风险评估值和运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到目标用户的认知等级。
本发明实施例中，根据预设运动数据，并采用预置卷积神经网络和预置膨胀算法削弱模型对运动数据进行预置运动状态的匹配，得到各运动周期数据；利用预置三维计算方法对多个运动周期数据进行运动特征计算，得到本周期运动特征数据；根据本周期运动特征数据与历史运动周期数据进行均值比较以及运动异常评估，得到目标用户的运动异常评估值。相比于现有技术，本申请通过对用户日常的运动数据进行采样、计算和比较处理，从而实现用户运动异常的评估，此外通过获得单一用户大量的数据，能够更为准确的对用户的信息进行分析，得到更为准确的运动评估效果。
请参阅图4，本发明实施例中认知障碍检测方法的第四个实施例包括：
401、根据语音数据，利用预置生成式对抗网络中的采样策略进行数据切片处理，得到预置数量的语音片段；
本实施例中，这里采样策略，指的是根据预设的采样时间频率对语音数据进行间断时间采样；根据获取的目标用户的语音数据和个体数据，利用预置生成式对抗网络中的采样策略进行数据切片处理，这里较佳的方式是对语音信息进行采样，采样频率为2,000Hz，不足5分钟的部分使用空白替代，共计提取600,000个波峰值；进而将所有语音采样信息切片，每10秒进行一次切片，共切成30个语音片段，从而得到预置数量的语音片段。
402、采用生成式对抗网络中的语音识别网络提取语音片段中的语音特征信息；
本实施例中，这里的语音识别网络，指的是由Speech2Vec(深度学习)和Word2Vec(神经网络)组合分析，并利用生成式对抗网络(GAN)来优化语音特征编码信息的提取对应的网络方法；
在实际应用中，采用预置的语音编码矩阵,其中m表示单个字，ds表示维度，从Speech2Vec(深度学习)得到，以及文字编码矩阵/>其中n表示单个字，dt表示维度，从Word2Vec得到映射矩阵/>最终目使得WS尽可能的接近T；这里采用较佳的实施方式，通过将30个语音片段分别使用训练得到的Speech2Vec(公开算法)进行编码转换，得到S，并与W(映射矩阵，通过训练所得)相乘进行线性映射，得到WS，该特征即为提取到的语音编码信息，从而得到语音编码信息中的特征信息
403、利用预置图神经网络提取语音编码特征信息中的语音分类特征；
本实施例中，通过利用预置图神经网络来提取语音编码特征信息中的语音分类特征；这里较佳的实现方式是通过将输入提取的语音编码信息，共30组，每组编码信息维度为4800，位置编号为0对应了类别编码信息，初始化为随机数，长度同样为4800，经过图神经网络(Transformer)网络后，该类别编码信息为最终的语音分类特征。
404、根据个体数据和语音分类特征，利用图神经网络中的多分类网络对目标用户进行风险评估，得到目标用户的语音风险评估值；
本实施例中，根据个体数据和语音分类特征，利用预置多分类网络对目标用户进行风险评估，通过将相应类别编码信息为最终的语音分类特征，同时和个体信息(性别、年龄等)合并后，直接送入MLP Head(一个简单的多层网络)，最终得到分类信息。得到目标用户的语音风险评估值。
405、获取目标用户的运动数据，并采用预置运动异常评估方法对运动数据进行异常评估，得到目标用户的运动异常评估值；
406、根据语音风险评估值和运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到目标用户的认知等级。
本发明实施例中，根据语音数据，利用预置生成式对抗网络中的采样策略进行数据切片处理，得到预置数量的语音片段；采用生成式对抗网络中的语音识别网络提取语音片段中的语音特征信息；利用预置图神经网络提取语音编码特征信息中的语音分类特征；根据个体数据和语音分类特征，利用图神经网络中的多分类网络对目标用户进行风险评估，得到目标用户的语音风险评估值。相比于现有技术，本申请不需要手工去提取成百上千的语音特征，并能够同时将语义和语速等信息提取出来的语义特征提取模块，以及将Transformer结合性别等信息运用在分类中，利用自注意力机制捕捉关键特征，提高预测语音风险评估的准确性。
请参阅图5，本发明实施例中认知障碍检测方法的第五个实施例包括：
501、获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对语音数据和个体数据进行风险评估，得到目标用户的语音风险评估值；
502、获取目标用户的运动数据，并采用预置运动异常评估方法对运动数据进行异常评估，得到目标用户的运动异常评估值；
503、根据语音风险评估值和运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到目标用户的认知等级；
504、若认知等级为第一等级，且语音风险评估值得分满足预置推荐策略中的第一推荐条件，则选取智力训练相关的第一推荐方案；
本实施例中，这里的的推荐方案是由预置推荐方案策略生成的，而推荐方案策略指的是利用大数据的方式挖掘相关认知类型对应的推荐方案，并对不同性别、年龄等条件的用户收集相对应的推荐方案，进而对相应的认知等级进行分析其中的认知原因，并利用收集的推荐方案与相应认知原因就行对应的推荐方案策略；通过对用户的认知等级进行匹配相应的推荐方案，能够更好的实现对不用用户以及对应的认知障碍原因推荐一个更加合适的方案，更加具有针对性和合理性；这里的第一等级指的是轻度认知障碍风险；这里的第一推荐条件，指的是语音风险评估值属于轻度认知障碍风险的情况；这里的第一推荐方案，指的是相关智力训练推荐活动。
在实际应用中，若该认知等级为第一等级，且语音风险评估中得分为1-2分的用户，判断其在脑力上需要加强锻炼的为第一推荐条件，因而通过音箱重点推荐智力训练活动对应的第一推荐方案，如下棋，练习乐器，书法，绘画，智力游戏等，同时推荐多参加社交活动，如集体旅游，聚餐，生日聚会等。
505、若认知等级为第一等级，且运动异常评估值得分满足预置推荐策略中的第二推荐条件，则选取运动训练相关的第二推荐方案；
本实施例中，这里的第二推荐条件，指的是运动异常评估值属于轻度认知障碍风险的情况；这里的第二推荐方案，指的是相关运动训练推荐活动。
在实际应用中，若该认知等级为第一等级，且运动异常评估中得分为1-2分的用户，判断其肢体协调上需要加强锻炼的为第二推荐条件，因而通过音箱重点推荐运动训练对应的第二推荐方案，如太极拳，广场舞，中低轻度的有氧运动，耐力训练等。
506、若认知等级为第二等级，则选取认知训练相关的第三推荐方案。
本实施例中，这里的第二等级指的是阿尔兹海默症风险；这里的第三推荐方案，指的是相关智力和体育锻炼等推荐活动
在实际应用中，若认知等级为第二等级，则选取认知训练相关的第三推荐方案，除以第一推荐方案和第二推荐方案外，还通过音箱推荐进行认知训练，例如视觉记忆、数目顺序训练，猜测游戏训练、时间感训练等。此外以上智力游戏和认知训练都可通过物联网设备如智能音箱来开展，将该智能音箱作为本管理方案的主要载体，除了方案推荐和智力游戏、认知训练功能外，还可进行方案实施过程管理。例如每月记录一次认知障碍风险得分，跟踪得分变化。记录每日认知训练的成绩，通过成绩变化曲线图展示认知训练效果。定时提醒用户参加智力活动、社交活动和体育锻炼，记录参加活动的次数和频率等。
本发明实施例中，若认知等级为第一等级，且语音风险评估值得分满足预置推荐策略中的第一推荐条件，则选取智力训练相关的第一推荐方案；若认知等级为第一等级，且运动异常评估值得分满足预置推荐策略中的第二推荐条件，则选取运动训练相关的第二推荐方案；若认知等级为第二等级，则选取认知训练相关的第三推荐方案。相比于现有技术，本申请根据评估得分的分析和方案匹配，为相应用户自动推荐个性化生活、运动方案，提升了方案的推荐适用度。并利用智能音箱进行方案实施过程管理，便于跟踪用户认知障碍的发展程度，及时采取进一步的就医行为。
上面对本发明实施例中认知障碍检测方法进行了描述，下面对本发明实施例中认知障碍检测装置进行描述，请参阅图6，本发明实施例中认知障碍检测装置一个实施例包括：
语音风险评估模块601，用于获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对所述语音数据和所述个体数据进行风险评估，得到所述目标用户的语音风险评估值；
运动评估模块602，用于获取所述目标用户的运动数据，并采用预置运动异常评估方法对所述运动数据进行异常评估，得到所述目标用户的运动异常评估值；
等级评估模块603，用于根据所述语音风险评估值和所述运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到所述目标用户的认知等级。
本发明实施例中，通过获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对语音数据和个体数据进行风险评估，得到目标用户的语音风险评估值；获取目标用户的运动数据，并采用预置运动异常评估方法对运动数据进行异常评估，得到目标用户的运动异常评估值。相比于现有技术，本申请通过物联网的智能设备来收集用户的日常语音数据和运动数据，进而对收集的数据进行语音风险评估和运动异常评估，从而可实现了在日常情况下对用户进行认知障碍检测数据的收集和处理，提高了检测的方便性。
根据语音风险评估值和运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到目标用户的认知等级。相比于现有技术，本申请通过对处理的语音风险评估数据和运动异常数据进行认知等级的评估，进而根据评估的认知等级来评估相应的推荐方案，实现了对用户从语音思维和身体运动两大方面的综合分析，给用户推荐一个更加准确的推荐方案，从而实现了一个日常的轻度认知障碍检测和管理的方法。
请参阅图7，本发明实施例中认知障碍检测装置的另一个实施例包括：
语音风险评估模块601，用于获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对所述语音数据和所述个体数据进行风险评估，得到所述目标用户的语音风险评估值；
运动评估模块602，用于获取所述目标用户的运动数据，并采用预置运动异常评估方法对所述运动数据进行异常评估，得到所述目标用户的运动异常评估值；
等级评估模块603，用于根据所述语音风险评估值和所述运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到所述目标用户的认知等级。
进一步的，所述语音风险评估模块601包括：
特征提取单元6011，用于采用预置生成式对抗网络对所述语音数据进行语义特征提取，得到语义特征信息；
风险评估单元6012，用于根据所述语义特征信息和所述个体数据，利用预置图神经网络进行风险评估，得到所述目标用户的语音风险评估值。
进一步的，所述运动评估模块602包括：
匹配单元6021，用于采用预置膨胀算法对所述运动数据进行运动状态匹配，并根据匹配的结果，生成对应的多个运动周期数据；
计算单元6022，用于利用预置三维计算方法对所述多个运动周期数据进行运动特征计算，得到本周期运动特征数据；
异常评估单元6023，用于根据所述本周期运动特征数据与历史运动周期数据进行均值比较以及运动异常评估，得到所述目标用户的运动异常评估值。
进一步的，所述特征提取单元6011还包括：
根据所述语音数据，利用预置生成式对抗网络中的采样策略进行数据切片处理，得到预置数量的语音片段；采用所述生成式对抗网络中的语音识别网络提取所述语音片段中的语音特征信息。
进一步的，所述风险评估单元6012还包括：
利用预置图神经网络提取所述语音编码特征信息中的语音分类特征；根据所述个体数据和所述语音分类特征，利用所述图神经网络中的多分类网络对所述目标用户进行风险评估，得到所述目标用户的语音风险评估值。
进一步的，所述计算单元6022还包括：
对所述多个运动周期数据中的加速度数据进行积分计算，得到肢体摆动的相对高度数据，并并对所述相对高度数据进行均值计算，得到肢体摆动指标；对所述多个运动周期数据中的周期信号进行差值对称计算，得到运动对称指标；对所述多个运动周期数据中的周期信号利用进行差值拟合，得到运动协调指标，所述本周期运动特征数据包括所述肢体摆动指标、所述运动不对称性值和所述运动协调性值。
进一步的，所述方案推荐模块604包括：
第一推荐单元6041，用于若所述认知等级为第一等级，且所述语音风险评估值得分满足预置推荐策略中的第一推荐条件，则选取智力训练相关的第一推荐方案；
第二推荐单元6042，用于若所述认知等级为第一等级，且所述运动异常评估值得分满足预置推荐策略中的第二推荐条件，则选取运动训练相关的第二推荐方案；
第三推荐单元6043，用于若所述认知等级为第二等级，则选取认知训练相关的第三推荐方案。
本发明实施例中，通过利用物联网设备如智能音箱、智能手环等设备，来日常收集用户的语音数据和运动数据，并对收集的数据进行处理和认知障碍风险的评估，进而根据评估得分，为目标用户推荐相应的方案。相比于现有技术，本申请充分对用户的思维和行为两大方面的数据进行处理和分析，不仅使得最终结果推荐方案更加具有具体性和针对性，而且提升了方案的推荐适用度；实现了一个日常的认知障碍检测方法，从而预防阿尔兹海默症，延缓轻度认知障碍向阿尔兹海默症发展的进程，减轻子女负担，减少了社会资源消耗。
上面图6和图7从模块化功能实体的角度对本发明实施例中的认知障碍检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中认知障碍检测设备进行详细描述。
图8是本发明实施例提供的一种认知障碍检测设备的结构示意图，该认知障碍检测设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)810(例如，一个或一个以上处理器)和存储器820，一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对认知障碍检测设备800中的一系列指令操作。更进一步地，处理器810可以设置为与存储介质830通信，在认知障碍检测设备800上执行存储介质830中的一系列指令操作。
认知障碍检测设备800还可以包括一个或一个以上电源840，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口860，和/或，一个或一个以上操作系统831，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图8示出的认知障碍检测设备结构并不构成对认知障碍检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种认知障碍检测设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述认知障碍检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述认知障碍检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种认知障碍检测方法，其特征在于，所述认知障碍检测方法包括：
获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对所述语音数据和所述个体数据进行风险评估，得到所述目标用户的语音风险评估值，其中，所述利用预置语音风险评估方法对所述语音数据和所述个体数据进行风险评估，得到所述目标用户的语音风险评估值包括：采用预置生成式对抗网络对所述语音数据进行语义特征提取，得到语义特征信息，根据所述语义特征信息和所述个体数据，利用预置图神经网络进行风险评估，得到所述目标用户的语音风险评估值；
获取所述目标用户的运动数据，并采用预置运动异常评估方法对所述运动数据进行异常评估，得到所述目标用户的运动异常评估值，其中，所述采用预置运动异常评估方法对所述运动数据进行异常评估，得到所述目标用户的运动异常评估值包括：采用预置膨胀算法对所述运动数据进行运动状态匹配，根据匹配的结果生成对应的多个运动周期数据，利用预置三维计算方法对所述多个运动周期数据进行运动特征计算，得到本周期运动特征数据，根据所述本周期运动特征数据与历史运动周期数据进行均值比较以及运动异常评估，得到所述目标用户的运动异常评估值，所述预置三维计算方法是指基于所述运动数据的在偏航角、翻滚角、俯仰角三个方向的加速度来记录运动过程中手臂的摆动形态，并对所述运动数据从偏航角、翻滚角、俯仰角三个方向分别进行摆幅、不对称性、变异性的计算；
根据所述语音风险评估值和所述运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到所述目标用户的认知等级。
2.根据权利要求1所述的认知障碍检测方法，其特征在于，所述采用预置生成式对抗网络对所述语音数据进行语义特征提取，得到语义特征信息包括：
根据所述语音数据，利用预置生成式对抗网络中的采样策略进行数据切片处理，得到预置数量的语音片段；
采用所述生成式对抗网络中的语音识别网络提取所述语音片段中的语音特征信息。
3.根据权利要求2所述的认知障碍检测方法，其特征在于，所述根据所述语义特征信息和所述个体数据，利用预置图神经网络进行风险评估，得到所述目标用户的语音风险评估值包括：
利用预置图神经网络提取所述语音编码特征信息中的语音分类特征；
根据所述个体数据和所述语音分类特征，利用所述图神经网络中的多分类网络对所述目标用户进行风险评估，得到所述目标用户的语音风险评估值。
4.根据权利要求1所述的认知障碍检测方法，其特征在于，所述利用预置三维计算方法对所述多个运动周期数据进行运动特征计算，得到本周期运动特征数据包括：
对所述多个运动周期数据中的加速度数据进行积分计算，得到肢体摆动的相对高度数据，并对所述相对高度数据进行均值计算，得到肢体摆动指标；
对所述多个运动周期数据中的周期信号进行差值对称计算，得到运动对称指标；
对所述多个运动周期数据中的周期信号利用进行差值拟合，得到运动协调指标，所述本周期运动特征数据包括所述肢体摆动指标、所述运动不对称性值和所述运动协调性值。
5.根据权利要求1所述的认知障碍检测方法，其特征在于，在所述根据所述语音风险评估值和所述运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到所述目标用户的认知等级之后，还包括：
若所述认知等级为第一等级，且所述语音风险评估值得分满足预置推荐策略中的第一推荐条件，则选取智力训练相关的第一推荐方案；
若所述认知等级为第一等级，且所述运动异常评估值得分满足预置推荐策略中的第二推荐条件，则选取运动训练相关的第二推荐方案；
若所述认知等级为第二等级，则选取认知训练相关的第三推荐方案。
6.一种认知障碍检测装置，其特征在于，所述认知障碍检测装置包括：
语音风险评估模块，用于获取目标用户的语音数据和个体数据，并利用预置语音风险评估方法对所述语音数据和所述个体数据进行风险评估，得到所述目标用户的语音风险评估值，其中，所述利用预置语音风险评估方法对所述语音数据和所述个体数据进行风险评估，得到所述目标用户的语音风险评估值包括：采用预置生成式对抗网络对所述语音数据进行语义特征提取，得到语义特征信息，根据所述语义特征信息和所述个体数据，利用预置图神经网络进行风险评估，得到所述目标用户的语音风险评估值；
运动评估模块，用于获取所述目标用户的运动数据，并采用预置运动异常评估方法对所述运动数据进行异常评估，得到所述目标用户的运动异常评估值，其中，所述采用预置运动异常评估方法对所述运动数据进行异常评估，得到所述目标用户的运动异常评估值包括：采用预置膨胀算法对所述运动数据进行运动状态匹配，根据匹配的结果生成对应的多个运动周期数据，利用预置三维计算方法对所述多个运动周期数据进行运动特征计算，得到本周期运动特征数据，根据所述本周期运动特征数据与历史运动周期数据进行均值比较以及运动异常评估，得到所述目标用户的运动异常评估值，所述预置三维计算方法是指基于所述运动数据的在偏航角、翻滚角、俯仰角三个方向的加速度来记录运动过程中手臂的摆动形态，并对所述运动数据从偏航角、翻滚角、俯仰角三个方向分别进行摆幅、不对称性、变异性的计算；
等级评估模块，用于根据所述语音风险评估值和所述运动异常评估值，利用预置评估策略进行目标用户的认知障碍评估，得到所述目标用户的认知等级。
7.一种认知障碍检测设备，其特征在于，所述认知障碍检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述认知障碍检测设备执行如权利要求1-5中任一项所述的认知障碍检测方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任一项所述认知障碍检测方法的步骤。
CN202210035362.9A 2022-01-13 2022-01-13 认知障碍检测方法、装置、设备及存储介质 Active CN114224343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210035362.9A CN114224343B (zh) 2022-01-13 2022-01-13 认知障碍检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210035362.9A CN114224343B (zh) 2022-01-13 2022-01-13 认知障碍检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114224343A CN114224343A (zh) 2022-03-25
CN114224343B true CN114224343B (zh) 2023-10-20

Family

ID=80746515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210035362.9A Active CN114224343B (zh) 2022-01-13 2022-01-13 认知障碍检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114224343B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115089112B (zh) * 2022-05-06 2024-04-30 清华大学 卒中后认知障碍风险评估模型建立方法、装置及电子设备
CN114916921A (zh) * 2022-07-21 2022-08-19 中国科学院合肥物质科学研究院 一种快速言语认知评估方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069294A (zh) * 2015-08-07 2015-11-18 北京环度智慧智能技术研究所有限公司 一种用于认知能力值测试的计算和分析方法
KR101808587B1 (ko) * 2017-08-03 2017-12-13 주식회사 두원전자통신 객체인식과 추적감시 및 이상상황 감지기술을 이용한 지능형 통합감시관제시스템
CN109448851A (zh) * 2018-11-14 2019-03-08 科大讯飞股份有限公司 一种认知评估方法及装置
CN111563164A (zh) * 2020-05-07 2020-08-21 成都信息工程大学 一种基于图神经网络的特定目标情感分类方法
CN112001187A (zh) * 2020-08-26 2020-11-27 重庆理工大学 一种基于中文句法和图卷积神经网络的情感分类系统
CN112528873A (zh) * 2020-12-15 2021-03-19 西安电子科技大学 基于多级语义表征和语义计算的信号语义识别方法
WO2021075061A1 (ja) * 2019-10-18 2021-04-22 エーザイ・アール・アンド・ディー・マネジメント株式会社 認知機能測定装置、認知機能測定システム、認知機能測定方法及び認知機能測定プログラム
CN113127622A (zh) * 2021-04-29 2021-07-16 西北师范大学 一种从语音到图像的生成方法及系统
WO2021213935A1 (en) * 2020-04-22 2021-10-28 F. Hoffmann-La Roche Ag Automated assessment of cognitive and speech motor impairment

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069294A (zh) * 2015-08-07 2015-11-18 北京环度智慧智能技术研究所有限公司 一种用于认知能力值测试的计算和分析方法
KR101808587B1 (ko) * 2017-08-03 2017-12-13 주식회사 두원전자통신 객체인식과 추적감시 및 이상상황 감지기술을 이용한 지능형 통합감시관제시스템
CN109448851A (zh) * 2018-11-14 2019-03-08 科大讯飞股份有限公司 一种认知评估方法及装置
WO2021075061A1 (ja) * 2019-10-18 2021-04-22 エーザイ・アール・アンド・ディー・マネジメント株式会社 認知機能測定装置、認知機能測定システム、認知機能測定方法及び認知機能測定プログラム
WO2021213935A1 (en) * 2020-04-22 2021-10-28 F. Hoffmann-La Roche Ag Automated assessment of cognitive and speech motor impairment
CN111563164A (zh) * 2020-05-07 2020-08-21 成都信息工程大学 一种基于图神经网络的特定目标情感分类方法
CN112001187A (zh) * 2020-08-26 2020-11-27 重庆理工大学 一种基于中文句法和图卷积神经网络的情感分类系统
CN112528873A (zh) * 2020-12-15 2021-03-19 西安电子科技大学 基于多级语义表征和语义计算的信号语义识别方法
CN113127622A (zh) * 2021-04-29 2021-07-16 西北师范大学 一种从语音到图像的生成方法及系统

Also Published As

Publication number Publication date
CN114224343A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
Ruiz et al. The great multivariate time series classification bake off: a review and experimental evaluation of recent algorithmic advances
Dissanayake et al. Deep learning for patient-independent epileptic seizure prediction using scalp EEG signals
Bagnall et al. The UEA multivariate time series classification archive, 2018
CN110070105B (zh) 基于元学习实例快速筛选的脑电情绪识别方法、系统
Ahlrichs et al. Parkinson's disease motor symptoms in machine learning: A review
CN114224343B (zh) 认知障碍检测方法、装置、设备及存储介质
EP3558113A1 (en) Determining wellness using activity data
CN109009017B (zh) 一种智能健康监测系统及其数据处理方法
Dobbins et al. Towards clustering of mobile and smartwatch accelerometer data for physical activity recognition
Pérez-López et al. Assessing motor fluctuations in Parkinson’s disease patients based on a single inertial sensor
Bu Human motion gesture recognition algorithm in video based on convolutional neural features of training images
Sikder et al. Log-sum distance measures and its application to human-activity monitoring and recognition using data from motion sensors
CN111276159A (zh) 一种婴儿发音分析方法及服务器
CN115040086A (zh) 一种基于数字生物标志物的数据处理系统及方法
CN118248176A (zh) 一种基于助听器的老人情绪识别方法及系统
Yang et al. Empirical evaluation of data augmentations for biobehavioral time series data with deep learning
CN111916179A (zh) 一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法
Misgar et al. Unveiling psychotic disorder patterns: A deep learning model analysing motor activity time-series data with explainable AI
CN116227602A (zh) 基于人在回路的模型无关可解释方法及可解释框架
Can Stressed or just running? Differentiation of mental stress and physical activityby using machine learning
Liao et al. Video Face Detection Technology and Its Application in Health Information Management System
CN114999655A (zh) 一种基于大数据的防疫心理问题早期预警及管理系统
Adnan et al. Unmasking Parkinson's Disease with Smile: An AI-enabled Screening Framework
Mamidi et al. A Hybrid Approach to Parkinson's Disease Detection using Speech Attributes: The Combination of SMOTE and Active Learning
Konsolakis Physical activity recognition using wearable accelerometers in controlled and free-living environments

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