CN114708946B - 一种目标导向性专项能力训练方法及装置 - Google Patents
一种目标导向性专项能力训练方法及装置 Download PDFInfo
- Publication number
- CN114708946B CN114708946B CN202210285263.6A CN202210285263A CN114708946B CN 114708946 B CN114708946 B CN 114708946B CN 202210285263 A CN202210285263 A CN 202210285263A CN 114708946 B CN114708946 B CN 114708946B
- Authority
- CN
- China
- Prior art keywords
- scene
- training
- capability
- cognitive
- value
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种目标导向性专项能力训练方法及装置,所述方法包括:搭建训练场景自适应性匹配平台;获得目标用户集的基础训练样本数据集合;并输入至多边形能力评估坐标图进行预设标准能力值的指标评估,获得标准能力值集合和缺陷能力值集合;将标准能力值集合上传至场景优化数据库进行数据融合,生成优化后场景集合;将缺陷能力值集合上传至场景管理数据库,基于优化后场景集合进行匹配训练,获得待匹配训练场景;基于VR技术和待匹配训练场景,对目标用户集进行导向性训练。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种目标导向性专项能力训练方法及装置。
背景技术
如今,随着人口老龄化的加大以及多种疾病的发生,使得老年痴呆的病发率显著上升,所谓老年痴呆,即获得性进行性认知功能障碍综合征,严重影响了老人的晚年生活。基于此,可对患病老人进行认知功能障碍的干预治疗,有效延缓老人的发病率。
然而现有技术中存在当老人出现多功能认知障碍时,仅对单一的认知功能障碍进行单一化治疗,无法基于各认知功能障碍进行综合分析,难以基于全方位的交互训练场景进行自适应性的匹配训练,使得降低对患病老人的干预治疗效率的技术问题。
发明内容
本发明的目的是提供一种目标导向性专项能力训练方法及装置,用以解决现有技术中的当老人出现多功能认知障碍时,仅对单一的认知功能障碍进行单一化治疗,无法基于各认知功能障碍进行综合分析,难以基于全方位的交互训练场景进行自适应性的匹配训练,使得降低对患病老人的干预治疗效率的技术问题。
鉴于上述问题,本发明提供了一种目标导向性专项能力训练方法及装置。
第一方面,本发明提供了一种目标导向性专项能力训练方法,其特征在于,所述方法包括:搭建训练场景自适应性匹配平台,其中,所述训练场景自适应性匹配平台嵌入有场景管理数据库,且所述场景管理数据库嵌入有场景优化数据库;基于大数据,获得目标用户集的基础训练样本数据集合;将所述基础训练样本数据集合输入至多边形能力评估坐标图进行预设标准能力值的指标评估,获得标准能力值集合和缺陷能力值集合;将所述标准能力值集合上传至所述场景优化数据库,对各标准能力值对应的场景进行数据融合,生成优化后场景集合;将所述缺陷能力值集合上传至所述场景管理数据库,基于所述优化后场景集合进行匹配训练,获得待匹配训练场景;基于VR技术和所述待匹配训练场景,对所述目标用户集进行导向性训练。
另一方面,本发明还提供了一种目标导向性专项能力训练系统,用于执行如第一方面所述的一种目标导向性专项能力训练方法,其中,所述系统包括:第一搭建单元,所述第一搭建单元用于搭建训练场景自适应性匹配平台,其中,所述训练场景自适应性匹配平台嵌入有场景管理数据库,且所述场景管理数据库嵌入有场景优化数据库;第一获得单元,所述第一获得单元用于基于大数据,获得目标用户集的基础训练样本数据集合;第一输入单元,所述第一输入单元用于将所述基础训练样本数据集合输入至多边形能力评估坐标图进行预设标准能力值的指标评估,获得标准能力值集合和缺陷能力值集合;第一上传单元,所述第一上传单元用于将所述标准能力值集合上传至所述场景优化数据库,对各标准能力值对应的场景进行数据融合,生成优化后场景集合;第二上传单元,所述第二上传单元用于将所述缺陷能力值集合上传至所述场景管理数据库,基于所述优化后场景集合进行匹配训练,获得待匹配训练场景;第一训练单元,所述第一训练单元用于基于VR技术和所述待匹配训练场景,对所述目标用户集进行导向性训练。
第三方面,本发明还提供了一种目标导向性专项能力训练系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
第四方面,一种电子设备,其中,包括处理器和存储器;
该存储器,用于存储;
该处理器,用于通过调用,执行上述第一方面中任一项所述的方法。
第五方面,一种计算机程序产品,包括计算机程序和/或指令,该计算机程序和/或指令被处理器执行时实现上述第一方面中任一项所述方法的步骤。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过搭建训练场景自适应性匹配平台;获得目标用户集的基础训练样本数据集合;并输入至多边形能力评估坐标图进行预设标准能力值的指标评估,获得标准能力值集合和缺陷能力值集合;将标准能力值集合上传至场景优化数据库进行数据融合,生成优化后场景集合;将缺陷能力值集合上传至场景管理数据库,基于优化后场景集合进行匹配训练,获得待匹配训练场景;基于VR技术和待匹配训练场景,对目标用户集进行导向性训练。通过对样本数据中的标准值数据进行筛选、融合,并基于此进行较优场景生成,通过对缺陷值数据进行标识训练,达到了为目标用户匹配到自适应性的综合训练场景,助力目标用户的认知能力训练,从而改善老年用户的记忆力,延缓病情进展,提高老年生活质量的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明一种目标导向性专项能力训练方法的流程示意图;
图2为本发明一种目标导向性专项能力训练方法中获得标准能力值集合和缺陷能力值集合的流程示意图;
图3为本发明一种目标导向性专项能力训练方法中获得所述第一用户的第一匹配训练场景的流程示意图;
图4为本发明一种目标导向性专项能力训练方法中对所述第一用户进行二次导向性训练的流程示意图;
图5为本发明一种目标导向性专项能力训练系统的结构示意图;
图6为本发明示例性电子设备的结构示意图。
附图标记说明:
第一搭建单元11,第一获得单元12,第一输入单元13,第一上传单元14,第二上传单元15,第一训练单元16,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本发明通过提供一种目标导向性专项能力训练方法及装置,解决现有技术中的当老人出现多功能认知障碍时,仅对单一的认知功能障碍进行单一化治疗,无法基于各认知功能障碍进行综合分析,难以基于全方位的交互训练场景进行自适应性的匹配训练,使得降低对患病老人的干预治疗效率的技术问题。通过对样本数据中的标准值数据进行筛选、融合,并基于此进行较优场景生成,通过对缺陷值数据进行标识训练,达到了为目标用户匹配到自适应性的综合训练场景,助力目标用户的认知能力训练,从而改善老年用户的记忆力,延缓病情进展,提高老年生活质量的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面,将参考附图对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
本发明提供了一种目标导向性专项能力训练方法,其特征在于,所述方法包括:搭建训练场景自适应性匹配平台,其中,所述训练场景自适应性匹配平台嵌入有场景管理数据库,且所述场景管理数据库嵌入有场景优化数据库;基于大数据,获得目标用户集的基础训练样本数据集合;将所述基础训练样本数据集合输入至多边形能力评估坐标图进行预设标准能力值的指标评估,获得标准能力值集合和缺陷能力值集合;将所述标准能力值集合上传至所述场景优化数据库,对各标准能力值对应的场景进行数据融合,生成优化后场景集合;将所述缺陷能力值集合上传至所述场景管理数据库,基于所述优化后场景集合进行匹配训练,获得待匹配训练场景;基于VR技术和所述待匹配训练场景,对所述目标用户集进行导向性训练。
在介绍了本发明基本原理后,下面将结合说明书附图来具体介绍本发明的各种非限制性的实施方式。
实施例一
请参阅附图1,本发明提供了一种目标导向性专项能力训练方法,其中,所述方法应用于一种目标导向性专项能力训练系统,且所述方法基于一种目标导向性专项能力训练装置实现,所述方法具体包括如下步骤:
步骤S100:搭建训练场景自适应性匹配平台,其中,所述训练场景自适应性匹配平台嵌入有场景管理数据库,且所述场景管理数据库嵌入有场景优化数据库;
具体而言,如今,随着人口老龄化的加大以及多种疾病的发生,使得老年痴呆的病发率显著上升,所谓老年痴呆,即获得性进行性认知功能障碍综合征,严重影响了老人的晚年生活。基于此,可对患病老人进行认知功能障碍的干预治疗,有效延缓老人的发病率。
然而现有技术中,当老人存在多功能认知障碍时,仅对单一的认知功能障碍进行单一化治疗,无法基于各认知功能障碍进行综合分析,难以基于全方位的交互训练场景进行自适应性的匹配训练,使得降低对患病老人的干预治疗效率。为了解决现有技术中存在的问题,本申请提出了一种目标导向性专项能力训练方法,通过对样本数据中的标准值数据进行筛选、融合,并基于此进行较优场景生成,通过对缺陷值数据进行标识训练,可为目标用户匹配到自适应性的综合训练场景,助力目标用户的认知能力训练,从而改善老年用户的记忆力,延缓病情进展,提高老年生活质量。
具体的,所述训练场景自适应性匹配平台用于为目标用户推荐较为适应的训练场景,以实现对目标用户进行标准化、专项化的认知能力训练,其中,所述训练场景自适应性匹配平台嵌入有场景管理数据库,所述场景管理数据库用于对各历史训练场景进行管理,通过对较优场景进行升级优化,对不合格场景进行淘汰,使得场景管理数据库中的既存场景保持动态更新,为了实现对较优场景进行升级优化,所述场景管理数据库嵌入有场景优化数据库,所述场景优化数据库用于对既存场景进行融合更新优化。
步骤S200:基于大数据,获得目标用户集的基础训练样本数据集合;
步骤S300:将所述基础训练样本数据集合输入至多边形能力评估坐标图进行预设标准能力值的指标评估,获得标准能力值集合和缺陷能力值集合;
进一步的,如图2所示,步骤S300包括:
步骤S310:获得所述目标用户集的多特征认知能力集合;
步骤S320:基于时间序列,对所述目标用户集在各年龄段的多特征认知能力进行数据采集,生成自上而下的认知缺陷发展树;
步骤S330:对所述认知缺陷发展树的各分支进行特征比对,获得目标认知特征集合,其中,所述目标认知特征集合在预设时间内趋于稳定;
步骤S340:基于所述目标认知特征集合,创建所述多边形能力评估坐标图;
步骤S350:基于所述多边形能力评估坐标图,获得第一创建认知特征、第二创建认知特征直至第N创建认知特征;
步骤S360:获得所述第一创建认知特征对应的第一预设标准值、所述第二创建认知特征对应的第二预设标准值直至所述第N创建认知特征对应的第N预设标准值;
步骤S370:将所述基础训练样本数据集合输入至所述多边形能力评估坐标图,基于所述第一预设标准值、所述第二预设标准值直至所述第N预设标准值,对所述基础训练样本数据集合中的各认知特征进行评估;
步骤S380:获得所述基础训练样本数据集合中的所述标准能力值集合和所述缺陷能力值集合。
具体而言,在搭建好所述训练场景自适应性匹配平台之后,可基于大数据,获得目标用户集的基础训练样本数据集合,其中,所述目标用户集泛指60岁以上的老年群体,所述基础训练样本数据集合理解为对于老年群体的注意能力、记忆能力、情绪能力、思维能力、反应能力以及空间能力等方面进行基础训练的样本数据集合,通过将训练得到的所述基础训练样本数据集合输入至多边形能力评估坐标图进行预设标准能力值的指标评估,可获得达到预设值要求的所述标准能力值集合,以及没有达到预设值要求的所述缺陷能力值集合,其中,所述标准能力值集合可表征为训练得到的样本数据在标准能力值之内的集合,示例性的,可为某些老年用户的记忆能力较为显著,可以很好地控制自己的情绪以及对周围环境的感知较为清晰等;所述缺陷能力值集合可表征为训练得到的样本数据在标准能力值之外的集合,示例性的,可为另一部分老年用户记忆力快速衰退,反应较为迟钝等数据。
一方面,创建所述多边形能力评估坐标图,具体的,可获得所述目标用户集的多特征认知能力集合,其中,所述多特征认知能力集合包含但不仅限于上述示例性的六个方面,还包括调节能力、感知能力等,本申请中,仅以上述六个方面为例进行说明,通过自始至终的时间序列,对所述目标用户集在各年龄段的多特征认知能力进行数据采集,示例性的,依次对60岁、65岁、70岁、75岁乃至更后面的年龄段进行多特征认知能力采集,使得生成自上而下的认知缺陷发展树,顾名思义,所述认知缺陷发展树可理解为,在树的最顶端,代表了年龄在60岁的老年群体的各项认知能力采集数据,随着年龄的增长,一般的不可避免的会出现多特征认知能力缺陷,使得每个年龄段相比上一年龄段的认知能力缺陷特征有所增多,最终生成所述认知缺陷发展树。通过对对所述认知缺陷发展树的各分支进行特征比对,即对各个年龄段的认知能力缺陷特征进行数量比对,可获得所述目标认知特征集合,需要注意的是,随着年龄的增长,认知能力缺陷特征会增多,但不是无休止的增多,最终都会趋于稳定态势,因此,可对逐渐趋于稳定的认知特征进行筛选,获得所述目标认知特征集合,使得基于此,创建所述多边形能力评估坐标图,在本申请中,所述多边形能力评估坐标图具体的可表征为六边形能力评估坐标图,分别代表了目标用户集在注意能力、记忆能力、情绪能力、思维能力、反应能力以及空间能力等六方面的能力评估。
另一方面,可基于所述多边形能力评估坐标图,获得第一创建认知特征、第二创建认知特征直至第N创建认知特征,其中,所述第一创建认知特征、第二创建认知特征直至第N创建认知特征依次的指代了老年群体的注意能力认知特征、记忆能力认知特征、情绪能力认知特征、思维能力认知特征、反应能力认知特征以及空间能力认知特征,进而对各创建认知特征进行标准值预设,示例性的,所述第一预设标准值为基于注意能力认知特征预设的标准值,所述第二预设标准值为基于记忆能力认知特征预设的标准值,以此类推,所述第N预设标准值为基于空间能力认知特征预设的标准值,上述的针对各认知特征预设的标准值均通过大数据对老年群体的普遍认知特征进行平均数据采集得到的结果,具有一定的数据代表性和广泛性。进而,通过将所述基础训练样本数据集合输入至所述多边形能力评估坐标图,基于预设的各认知特征的标准值对输入数据进行评估,可获得所述标准能力值集合和所述缺陷能力值集合。
步骤S400:将所述标准能力值集合上传至所述场景优化数据库,对各标准能力值对应的场景进行数据融合,生成优化后场景集合;
进一步的,步骤S400包括:
步骤S410:获得所述各标准能力值对应的第一能力优选特征项、第二能力优选特征项直至第M能力优选特征项;
步骤S420:将所述第一能力优选特征项、所述第二能力优选特征项直至所述第M能力优选特征项上传至场景生成器进行数据融合,其中,所述场景生成器包含于所述场景优化数据库;
步骤S430:获得所述场景生成器的生成结果,其中,所述生成结果包括所述优化后场景集合。
具体而言,在获得所述标准能力值集合和所述缺陷能力值集合之后,可将所述标准能力值集合上传至所述场景优化数据库,对各标准能力值对应的场景进行数据融合,具体的,首先可获得所述各标准能力值对应的第一能力优选特征项、第二能力优选特征项直至第M能力优选特征项,示例性的,所述第一能力优选特征项对应于标准的老年群体的注意能力的优选认知特征项,简而言之,即满足标准能力值,同时还能最优的训练老年用户的注意能力的特征项,可以是利用VR技术,产生一个具体的模拟场景,使得老年用户在该场景进行沉浸式的体验打卡,使得加强注意能力;以此类推,所述第二能力优选特征项对应于标准的老年群体的记忆能力的优选认知特征项,可以是对老年用户的周围频繁出现的个项进行反复的VR交互,加深个项在老年用户思维中的印象,从而有助于训练记忆能力等,直至对所述第M能力优选特征项进行优选特征提取。
进而,将所述第一能力优选特征项、所述第二能力优选特征项直至所述第M能力优选特征项上传至场景生成器进行数据融合,即对各优选特征项进行融合,再将其生成到一个具体的模拟场景中,实现对老年用户进行全方位的综合认知能力训练,示例性的,若某一老年用户的各项认知能力都较为低下,可以生成一个综合性的认知能力训练场景,该场景中集成了使得老年用户进行某一活动的沉浸式的体验打卡,可以是完整的跳完一段广场舞,训练了注意能力,通过对各种舞蹈动作进行反复,训练了记忆能力,同时广场舞的背景音乐训练了情绪能力,各种舞蹈动作的衔接训练了思维能力等,其中,所述优化后场景集合包括了多种综合性的训练场景,上述广场舞示例仅为多场景中的一种。
步骤S500:将所述缺陷能力值集合上传至所述场景管理数据库,基于所述优化后场景集合进行匹配训练,获得待匹配训练场景;
步骤S600:基于VR技术和所述待匹配训练场景,对所述目标用户集进行导向性训练。
进一步的,如图3所示,步骤S500包括:
步骤S510:获得所述各标准能力值对所述目标用户集的影响权重分布信息;
步骤S520:对所述影响权重分布信息进行降序排列,获得影响权重降序序列;
步骤S530:获得第一用户的实际缺陷能力集合;
步骤S540:将所述实际缺陷能力集合和所述影响权重降序序列作为输入数据,上传至所述场景管理数据库;
步骤S550:基于所述优化后场景集合,对所述输入信息进行标识训练,获得所述第一用户的第一匹配训练场景。
具体而言,在生成所述优化后场景集合,为了对目标用户集匹配自适应性的训练场景,可将所述缺陷能力值集合上传至所述场景管理数据库,基于所述优化后场景集合进行匹配训练,需要注意的是,所述优化后场景集合中包含的为多个综合性的训练场景集合,但为了对某一老年用户专项匹配认知能力训练场景,还需参考该用户自身体征。
具体的,首先获得所述各标准能力值对所述目标用户集的影响权重分布信息,即各项认知特征对老年用户健康生活的影响权重分布信息,同样,可基于大数据调查所得,进而对所述影响权重分布信息进行降序排列,可获得影响权重降序序列,示例性的,所述影响权重降序序列在此以记忆能力-情绪能力-反应能力-注意能力-空间能力-思维能力的先后排序为例进行说明,即记忆能力占据首要影响特征,依次递减,同时,获得第一用户的实际缺陷能力集合,其中,所述第一用户为所述目标用户集的其中一个用户,所述实际缺陷能力集合表征了该用户的实际已经发生的缺陷认知能力集合,示例性的,以缺陷性的记忆能力和情绪能力为例进行说明,通过首先对该用户尚存的且较为重要的缺陷性认知能力进行训练,可实现自适应性的场景训练,避免盲目的综合性场景训练,即将所述实际缺陷能力集合和所述影响权重降序序列作为输入数据,上传至所述场景管理数据库,根据所述优化后场景集合进行标识训练,即从多个综合性的训练场景集合中筛选获得与所述第一用户的实际缺陷能力集合相适应的认知能力训练场景,从而获得所述第一匹配训练场景。
最终,利用VR技术及其相匹配的训练场景,对所述第一用户进行自适应的导向性训练,以此类推,对包含所述第一用户的所述目标用户集进行遍历,直至对该集合中每一位老年用户进行导向性训练,以此助力老年用户的认知能力训练。
进一步的,如图4所示,本申请还包括步骤S700:
步骤S710:根据所述预设标准能力值,获得预设沉浸式交互警戒阈值;
步骤S720:基于可穿戴设备,对所述第一用户进行实时的体感数据监测,获得实时体感监测数据;
步骤S730:判断所述实时体感监测数据是否达到所述预设沉浸式交互警戒阈值;
步骤S740:若所述实时体感监测数据未达到所述预设沉浸式交互警戒阈值,生成第一跳出指令,对所述第一用户的动态导向性训练进行跳出;
步骤S750:基于所述实时体感监测数据和所述预设沉浸式交互警戒阈值,获得所述第一用户的动态交互训练差值数据;
步骤S760:将所述动态交互训练差值数据输入至所述场景优化数据库,对所述第一匹配训练场景进行能力强度的衰减,获得第二匹配训练场景;
步骤S770:基于所述第二匹配训练场景,对所述第一用户进行二次导向性训练。
具体而言,在对所述第一用户进行导向性训练时,需要对该用户的训练过程中的体征进行动态监测,以防发生不适。具体的,根据所述预设标准能力值,获得预设沉浸式交互警戒阈值,换言之,如果所述预设标准能力值为较优值时对应的较好的用户体征数据,则所述预设沉浸式交互警戒阈值即为及格值时对应的基本的用户体征数据。通过可穿戴设备,对该用户进行实时的体感数据监测,可获得监测结果,所述实时体感监测数据包括了该用户的心率、脉搏、血压、体温等多项体征,进而判断所述实时体感监测数据是否达到所述预设沉浸式交互警戒阈值,即判断该用户实时的体征值是否满足最基本的用户体征数据,若所述实时体感监测数据未达到所述预设沉浸式交互警戒阈值,即说明该用户不适用于在所述第一匹配训练场景进行沉浸式场景训练,已经严重影响到了该用户最基本的体征指标,可即时生成所述第一跳出指令,用于对所述第一用户的动态导向性训练进行跳出,避免对该用户的身体健康造成更严重的威胁。
然而,出现这种不适可能是由于所述第一匹配训练场景中的某些元素表达较为强烈,示例性的,当该场景为引导老年用户进行广场舞体验时,如果各个舞蹈动作衔接较为紧密,舞蹈动作过渡较快,该老年用户来不及反应,使得情绪较为波动,进而影响该用户的体征值。因此,为了规避此类情况,可进行具体分析。
具体的,基于所述实时体感监测数据和所述预设沉浸式交互警戒阈值,获得所述第一用户的动态交互训练差值数据,即对所述预设标准能力值为较优值时对应的较好的用户体征数据,和所述预设沉浸式交互警戒阈值为及格值时对应的基本的用户体征数据进行差值比对,可获得所述第一用户的动态交互训练差值数据,所述动态交互训练差值数据明确地表征了该用户的各项身体指标差值,同时该身体指标差值也侧面反映了所述第一匹配训练场景中的较为“夸张”的元素表达,通过将所述动态交互训练差值数据输入至所述场景优化数据库,对所述第一匹配训练场景进行能力强度的衰减,即对较为“夸张”的元素表达进行强度衰减,使得适配于该用户的基本体征指标,所述第二匹配训练场景即为对所述第一匹配训练场景优化过后的训练场景,便于该用户在恢复一段时间之后,对其进行二次导向性训练,实现了对该用户进行综合性认知能力训练的同时,确保该用户的体征指标保持在正常区间内。
综上所述,本发明所提供的一种目标导向性专项能力训练方法具有如下技术效果:
1、通过搭建训练场景自适应性匹配平台;获得目标用户集的基础训练样本数据集合;并输入至多边形能力评估坐标图进行预设标准能力值的指标评估,获得标准能力值集合和缺陷能力值集合;将标准能力值集合上传至场景优化数据库进行数据融合,生成优化后场景集合;将缺陷能力值集合上传至场景管理数据库,基于优化后场景集合进行匹配训练,获得待匹配训练场景;基于VR技术和待匹配训练场景,对目标用户集进行导向性训练。通过对样本数据中的标准值数据进行筛选、融合,并基于此进行较优场景生成,通过对缺陷值数据进行标识训练,可为目标用户匹配到自适应性的综合训练场景,助力目标用户的认知能力训练,从而改善老年用户的记忆力,延缓病情进展,提高老年生活质量。
2、通过将所述第一能力优选特征项、所述第二能力优选特征项直至所述第M能力优选特征项上传至场景生成器进行数据融合,即对各优选特征项进行融合,再将其生成到一个具体的模拟场景中,实现对老年用户进行全方位的综合认知能力训练。
3、通过首先对该用户尚存的且较为重要的缺陷性认知能力进行训练,可实现自适应性的场景训练,避免盲目的综合性场景训练。
4、通过对较为“夸张”的元素表达进行强度衰减,使得适配于该用户的基本体征指标,便于该用户在恢复一段时间之后,对其进行二次导向性训练,实现了对该用户进行综合性认知能力训练的同时,确保该用户的体征指标保持在正常区间内。
实施例二
基于与前述实施例中一种目标导向性专项能力训练方法,同样发明构思,本发明还提供了一种目标导向性专项能力训练系统,请参阅附图5,所述系统包括:
第一搭建单元11,所述第一搭建单元11用于搭建训练场景自适应性匹配平台,其中,所述训练场景自适应性匹配平台嵌入有场景管理数据库,且所述场景管理数据库嵌入有场景优化数据库;
第一获得单元12,所述第一获得单元12用于基于大数据,获得目标用户集的基础训练样本数据集合;
第一输入单元13,所述第一输入单元13用于将所述基础训练样本数据集合输入至多边形能力评估坐标图进行预设标准能力值的指标评估,获得标准能力值集合和缺陷能力值集合;
第一上传单元14,所述第一上传单元14用于将所述标准能力值集合上传至所述场景优化数据库,对各标准能力值对应的场景进行数据融合,生成优化后场景集合;
第二上传单元15,所述第二上传单元15用于将所述缺陷能力值集合上传至所述场景管理数据库,基于所述优化后场景集合进行匹配训练,获得待匹配训练场景;
第一训练单元16,所述第一训练单元16用于基于VR技术和所述待匹配训练场景,对所述目标用户集进行导向性训练。
进一步的,所述系统还包括:
第二获得单元,所述第二获得单元用于获得所述目标用户集的多特征认知能力集合;
第一采集单元,所述第一采集单元用于基于时间序列,对所述目标用户集在各年龄段的多特征认知能力进行数据采集,生成自上而下的认知缺陷发展树;
第一比对单元,所述第一比对单元用于对所述认知缺陷发展树的各分支进行特征比对,获得目标认知特征集合,其中,所述目标认知特征集合在预设时间内趋于稳定;
第一创建单元,所述第一创建单元用于基于所述目标认知特征集合,创建所述多边形能力评估坐标图。
进一步的,所述系统还包括:
第三获得单元,所述第三获得单元用于基于所述多边形能力评估坐标图,获得第一创建认知特征、第二创建认知特征直至第N创建认知特征;
第四获得单元,所述第四获得单元用于获得所述第一创建认知特征对应的第一预设标准值、所述第二创建认知特征对应的第二预设标准值直至所述第N创建认知特征对应的第N预设标准值;
第二输入单元,所述第二输入单元用于将所述基础训练样本数据集合输入至所述多边形能力评估坐标图,基于所述第一预设标准值、所述第二预设标准值直至所述第N预设标准值,对所述基础训练样本数据集合中的各认知特征进行评估;
第五获得单元,所述第五获得单元用于获得所述基础训练样本数据集合中的所述标准能力值集合和所述缺陷能力值集合。
进一步的,所述系统还包括:
第六获得单元,所述第六获得单元用于获得所述各标准能力值对应的第一能力优选特征项、第二能力优选特征项直至第M能力优选特征项;
第三上传单元,所述第三上传单元用于将所述第一能力优选特征项、所述第二能力优选特征项直至所述第M能力优选特征项上传至场景生成器进行数据融合,其中,所述场景生成器包含于所述场景优化数据库;
第七获得单元,所述第七获得单元用于获得所述场景生成器的生成结果,其中,所述生成结果包括所述优化后场景集合。
进一步的,所述系统还包括:
第八获得单元,所述第八获得单元用于获得所述各标准能力值对所述目标用户集的影响权重分布信息;
第一排列单元,所述第一排列单元用于对所述影响权重分布信息进行降序排列,获得影响权重降序序列;
第九获得单元,所述第九获得单元用于获得第一用户的实际缺陷能力集合;
第四上传单元,所述第四上传单元用于将所述实际缺陷能力集合和所述影响权重降序序列作为输入数据,上传至所述场景管理数据库;
第二训练单元,所述第二训练单元用于基于所述优化后场景集合,对所述输入信息进行标识训练,获得所述第一用户的第一匹配训练场景。
进一步的,所述系统还包括:
第十获得单元,所述第十获得单元用于根据所述预设标准能力值,获得预设沉浸式交互警戒阈值;
第一监测单元,所述第一监测单元用于基于可穿戴设备,对所述第一用户进行实时的体感数据监测,获得实时体感监测数据;
第一判断单元,所述第一判断单元用于判断所述实时体感监测数据是否达到所述预设沉浸式交互警戒阈值;
第一生成单元,所述第一生成单元用于若所述实时体感监测数据未达到所述预设沉浸式交互警戒阈值,生成第一跳出指令,对所述第一用户的动态导向性训练进行跳出。
进一步的,所述系统还包括:
第十一获得单元,所述第十一获得单元用于基于所述实时体感监测数据和所述预设沉浸式交互警戒阈值,获得所述第一用户的动态交互训练差值数据;
第三输入单元,所述第三输入单元用于将所述动态交互训练差值数据输入至所述场景优化数据库,对所述第一匹配训练场景进行能力强度的衰减,获得第二匹配训练场景;
第三训练单元,所述第三训练单元用于基于所述第二匹配训练场景,对所述第一用户进行二次导向性训练。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种目标导向性专项能力训练方法和具体实例同样适用于本实施例的一种目标导向性专项能力训练系统,通过前述对一种目标导向性专项能力训练方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种目标导向性专项能力训练系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
示例性电子设备
下面参考图6来描述本发明的电子设备。
图6图示了根据本发明的电子设备的结构示意图。
基于与前述实施例中一种目标导向性专项能力训练方法的发明构思,本发明还提供一种目标导向性专项能力训练系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种目标导向性专项能力训练方法的任一方法的步骤。
其中,在图6中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明提供了一种目标导向性专项能力训练方法,其特征在于,所述方法包括:搭建训练场景自适应性匹配平台,其中,所述训练场景自适应性匹配平台嵌入有场景管理数据库,且所述场景管理数据库嵌入有场景优化数据库;基于大数据,获得目标用户集的基础训练样本数据集合;将所述基础训练样本数据集合输入至多边形能力评估坐标图进行预设标准能力值的指标评估,获得标准能力值集合和缺陷能力值集合;将所述标准能力值集合上传至所述场景优化数据库,对各标准能力值对应的场景进行数据融合,生成优化后场景集合;将所述缺陷能力值集合上传至所述场景管理数据库,基于所述优化后场景集合进行匹配训练,获得待匹配训练场景;基于VR技术和所述待匹配训练场景,对所述目标用户集进行导向性训练。解决现有技术中的当老人出现多功能认知障碍时,仅对单一的认知功能障碍进行单一化治疗,无法基于各认知功能障碍进行综合分析,难以基于全方位的交互训练场景进行自适应性的匹配训练,使得降低对患病老人的干预治疗效率的技术问题。通过对样本数据中的标准值数据进行筛选、融合,并基于此进行较优场景生成,通过对缺陷值数据进行标识训练,达到了为目标用户匹配到自适应性的综合训练场景,助力目标用户的认知能力训练,从而改善老年用户的记忆力,延缓病情进展,提高老年生活质量的技术效果。
本发明还提供一种电子设备,其中,包括处理器和存储器;
该存储器,用于存储;
该处理器,用于通过调用,执行上述实施例一中任一项所述的方法。
本发明还提供一种计算机程序产品,包括计算机程序和/或指令,该计算机程序和/或指令被处理器执行时实现上述实施例一中任一项所述方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外,本发明为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁盘存储器、只读光盘(Compact Disc Read-Only Memory,简称CD-ROM)、光学存储器等各种可以存储程序代码的介质。
本发明是参照本发明的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种目标导向性专项能力训练方法,其特征在于,所述方法包括:
搭建训练场景自适应性匹配平台,其中,所述训练场景自适应性匹配平台嵌入有场景管理数据库,且所述场景管理数据库嵌入有场景优化数据库;
基于大数据,获得目标用户集在多方面进行基础训练的样本数据集合;
将所述样本数据集合输入至多边形能力评估坐标图进行预设标准能力值的指标评估,获得标准能力值集合和缺陷能力值集合;
将所述标准能力值集合上传至所述场景优化数据库,对各标准能力值对应的场景进行数据融合,生成优化后场景集合;
将所述缺陷能力值集合上传至所述场景管理数据库,基于所述优化后场景集合进行匹配训练,获得待匹配训练场景;
基于VR技术和所述待匹配训练场景,对所述目标用户集进行导向性训练;
获得所述目标用户集的多特征认知能力集合;
基于时间序列,对所述目标用户集在各年龄段的多特征认知能力进行数据采集,生成自上而下的认知缺陷发展树;
对所述认知缺陷发展树的各分支进行特征比对,获得目标认知特征集合,其中,所述目标认知特征集合在预设时间内趋于稳定;
基于所述目标认知特征集合,创建所述多边形能力评估坐标图;
基于所述多边形能力评估坐标图,获得第一创建认知特征、第二创建认知特征直至第N创建认知特征,其中,N为大于1的正整数;
获得所述第一创建认知特征对应的第一预设标准值、所述第二创建认知特征对应的第二预设标准值直至所述第N创建认知特征对应的第N预设标准值;
将所述样本数据集合输入至所述多边形能力评估坐标图,基于所述第一预设标准值、所述第二预设标准值直至所述第N预设标准值,对所述样本数据集合中的各认知特征进行评估;
获得所述样本数据集合中的所述标准能力值集合和所述缺陷能力值集合;
获得所述各标准能力值对应的第一能力优选特征项、第二能力优选特征项直至第M能力优选特征项,其中,M为大于1的正整数;
将所述第一能力优选特征项、所述第二能力优选特征项直至所述第M能力优选特征项上传至场景生成器进行数据融合,其中,所述场景生成器包含于所述场景优化数据库;
获得所述场景生成器的生成结果,其中,所述生成结果包括所述优化后场景集合;
获得所述各标准能力值对所述目标用户集的影响权重分布信息;
对所述影响权重分布信息进行降序排列,获得影响权重降序序列;
获得第一用户的实际缺陷能力集合;
将所述实际缺陷能力集合和所述影响权重降序序列作为输入数据,上传至所述场景管理数据库;
基于所述优化后场景集合,对所述输入数据进行标识训练,获得所述第一用户的第一匹配训练场景。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
根据所述预设标准能力值,获得预设沉浸式交互警戒阈值;
基于可穿戴设备,对所述第一用户进行实时的体感数据监测,获得实时体感监测数据;
判断所述实时体感监测数据是否达到所述预设沉浸式交互警戒阈值;
若所述实时体感监测数据未达到所述预设沉浸式交互警戒阈值,生成第一跳出指令,对所述第一用户的动态导向性训练进行跳出。
3.如权利要求2所述的方法,其特征在于,所述方法包括:
基于所述实时体感监测数据和所述预设沉浸式交互警戒阈值,获得所述第一用户的动态交互训练差值数据;
将所述动态交互训练差值数据输入至所述场景优化数据库,对所述第一匹配训练场景进行能力强度的衰减,获得第二匹配训练场景;
基于所述第二匹配训练场景,对所述第一用户进行二次导向性训练。
4.一种目标导向性专项能力训练系统,其特征在于,所述系统包括:
第一搭建单元,所述第一搭建单元用于搭建训练场景自适应性匹配平台,其中,所述训练场景自适应性匹配平台嵌入有场景管理数据库,且所述场景管理数据库嵌入有场景优化数据库;
第一获得单元,所述第一获得单元用于基于大数据,获得目标用户集在多方面进行基础训练的样本数据集合样本数据集合;
第一输入单元,所述第一输入单元用于将所述样本数据集合输入至多边形能力评估坐标图进行预设标准能力值的指标评估,获得标准能力值集合和缺陷能力值集合;
第一上传单元,所述第一上传单元用于将所述标准能力值集合上传至所述场景优化数据库,对各标准能力值对应的场景进行数据融合,生成优化后场景集合;
第二上传单元,所述第二上传单元用于将所述缺陷能力值集合上传至所述场景管理数据库,基于所述优化后场景集合进行匹配训练,获得待匹配训练场景;
第一训练单元,所述第一训练单元用于基于VR技术和所述待匹配训练场景,对所述目标用户集进行导向性训练;
进一步的,所述系统还包括:
第二获得单元,所述第二获得单元用于获得所述目标用户集的多特征认知能力集合;
第一采集单元,所述第一采集单元用于基于时间序列,对所述目标用户集在各年龄段的多特征认知能力进行数据采集,生成自上而下的认知缺陷发展树;
第一比对单元,所述第一比对单元用于对所述认知缺陷发展树的各分支进行特征比对,获得目标认知特征集合,其中,所述目标认知特征集合在预设时间内趋于稳定;
第一创建单元,所述第一创建单元用于基于所述目标认知特征集合,创建所述多边形能力评估坐标图;
第三获得单元,所述第三获得单元用于基于所述多边形能力评估坐标图,获得第一创建认知特征、第二创建认知特征直至第N创建认知特征,其中,N为大于1的正整数;
第四获得单元,所述第四获得单元用于获得所述第一创建认知特征对应的第一预设标准值、所述第二创建认知特征对应的第二预设标准值直至所述第N创建认知特征对应的第N预设标准值;
第二输入单元,所述第二输入单元用于将所述样本数据集合输入至所述多边形能力评估坐标图,基于所述第一预设标准值、所述第二预设标准值直至所述第N预设标准值,对所述样本数据集合中的各认知特征进行评估;
第五获得单元,所述第五获得单元用于获得所述样本数据集合中的所述标准能力值集合和所述缺陷能力值集合;
第六获得单元,所述第六获得单元用于获得所述各标准能力值对应的第一能力优选特征项、第二能力优选特征项直至第M能力优选特征项,其中,M为大于1的正整数;
第三上传单元,所述第三上传单元用于将所述第一能力优选特征项、所述第二能力优选特征项直至所述第M能力优选特征项上传至场景生成器进行数据融合,其中,所述场景生成器包含于所述场景优化数据库;
第七获得单元,所述第七获得单元用于获得所述场景生成器的生成结果,其中,所述生成结果包括所述优化后场景集合;
第八获得单元,所述第八获得单元用于获得所述各标准能力值对所述目标用户集的影响权重分布信息;
第一排列单元,所述第一排列单元用于对所述影响权重分布信息进行降序排列,获得影响权重降序序列;
第九获得单元,所述第九获得单元用于获得第一用户的实际缺陷能力集合;
第四上传单元,所述第四上传单元用于将所述实际缺陷能力集合和所述影响权重降序序列作为输入数据,上传至所述场景管理数据库;
第二训练单元,所述第二训练单元用于基于所述优化后场景集合,对所述输入数据进行标识训练,获得所述第一用户的第一匹配训练场景。
5.一种电子设备,其特征在于,包括处理器和存储器;
所述存储器,用于存储;
所述处理器,用于通过调用,执行权利要求1~3中任一项所述的方法。
6.一种计算机程序产品,包括计算机程序和/或指令,其特征在于,该计算机程序和/或指令被处理器执行时实现权利要求1~3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285263.6A CN114708946B (zh) | 2022-03-22 | 2022-03-22 | 一种目标导向性专项能力训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285263.6A CN114708946B (zh) | 2022-03-22 | 2022-03-22 | 一种目标导向性专项能力训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708946A CN114708946A (zh) | 2022-07-05 |
CN114708946B true CN114708946B (zh) | 2022-10-11 |
Family
ID=82168687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210285263.6A Active CN114708946B (zh) | 2022-03-22 | 2022-03-22 | 一种目标导向性专项能力训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708946B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105267013A (zh) * | 2015-09-16 | 2016-01-27 | 电子科技大学 | 一种头戴式智能视障辅助系统 |
WO2016045153A1 (zh) * | 2014-09-25 | 2016-03-31 | 中国科学院软件研究所 | 基于文本履历信息的信息可视化方法及智能可视分析系统 |
CN108785975A (zh) * | 2018-03-12 | 2018-11-13 | 上海电气集团股份有限公司 | 结合虚拟现实技术的抗阻训练装置及方法 |
CN110673719A (zh) * | 2019-08-21 | 2020-01-10 | 东北大学 | 一种基于vr的空间认知能力训练方法及系统 |
CN112863644A (zh) * | 2021-02-24 | 2021-05-28 | 浙江连信科技有限公司 | 基于vr技术的正念训练方法、装置、设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2949431C (en) * | 2014-05-21 | 2023-09-26 | Akili Interactive Labs, Inc. | Processor-implemented systems and methods for enhancing cognitive abilities by personalizing cognitive training regimens |
-
2022
- 2022-03-22 CN CN202210285263.6A patent/CN114708946B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045153A1 (zh) * | 2014-09-25 | 2016-03-31 | 中国科学院软件研究所 | 基于文本履历信息的信息可视化方法及智能可视分析系统 |
CN105267013A (zh) * | 2015-09-16 | 2016-01-27 | 电子科技大学 | 一种头戴式智能视障辅助系统 |
CN108785975A (zh) * | 2018-03-12 | 2018-11-13 | 上海电气集团股份有限公司 | 结合虚拟现实技术的抗阻训练装置及方法 |
CN110673719A (zh) * | 2019-08-21 | 2020-01-10 | 东北大学 | 一种基于vr的空间认知能力训练方法及系统 |
CN112863644A (zh) * | 2021-02-24 | 2021-05-28 | 浙江连信科技有限公司 | 基于vr技术的正念训练方法、装置、设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
基于VR的工作记忆训练系统的研发及其对抑郁发作缓解期患者干预的研究;卢倩怡;《中国优秀硕士学位论文全文数据库(电子期刊)医药卫生科技辑》;20210215;E071-121 * |
Also Published As
Publication number | Publication date |
---|---|
CN114708946A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bizley et al. | Auditory cortex represents both pitch judgments and the corresponding acoustic cues | |
CN111553295B (zh) | 基于自注意力机制的多模态情感识别方法 | |
CN106956271A (zh) | 预测情感状态的方法和机器人 | |
Wu et al. | Offline EEG-based driver drowsiness estimation using enhanced batch-mode active learning (EBMAL) for regression | |
KR102265734B1 (ko) | 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법, 장치, 및 시스템 | |
KR20200073109A (ko) | 신경 불일치 모델을 고려한 가상현실 멀미 평가 방법 및 그 장치 | |
CN110781760A (zh) | 一种基于空间注意的面部表情识别方法和装置 | |
KR101576892B1 (ko) | 무선 통신을 이용한 뇌파/심박도 기반의 콘텐츠 추천 시스템 및 콘텐츠 추천 방법 | |
CN114004253A (zh) | 一种基于脑间互动性的信息流估计方法及系统 | |
CN115407872A (zh) | 一种智能人机协同系统测评方法、装置及存储介质 | |
Astigarraga et al. | User Adapted Motor‐Imaginary Brain‐Computer Interface by means of EEG Channel Selection Based on Estimation of Distributed Algorithms | |
CN105232063B (zh) | 用户心理健康检测方法及智能终端 | |
CN114708946B (zh) | 一种目标导向性专项能力训练方法及装置 | |
CN114255830A (zh) | 基于规则分类器的增量医疗数据的分类方法及相关设备 | |
CN112022172B (zh) | 一种基于多模态生理数据的压力检测方法和装置 | |
CN116312971B (zh) | 认知训练素材生成方法、认知训练方法、装置和介质 | |
CN115736840A (zh) | 一种基于心电数据的睡眠质量识别分类方法 | |
EP4081099B1 (en) | Brain computer interface running a trained associative model applying multiway regression to simulate electrocorticography signal features from sensed eeg signals, and corresponding method | |
Gao et al. | Common computations in automatic cue combination and metacognitive confidence reports | |
Sato et al. | Probabilistic graphic models applied to identification of diseases | |
Tobar et al. | Petri net transition times as training features for multiclass models to support the detection of neurodegenerative diseases | |
Comfort et al. | Processing of fear and anger facial expressions: the role of spatial frequency | |
US20240233914A1 (en) | Predicting mental state characteristics of users of wearable devices | |
Liang et al. | Variance characteristic preserving common spatial pattern for motor imagery BCI | |
CN114373549B (zh) | 一种面向老年人的自适应运动处方健康干预方法及系统 |
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 |