CN114822855A

CN114822855A - 基于ftrl模型的认知训练任务推送方法、系统及构建方法

Info

Publication number: CN114822855A
Application number: CN202210745854.7A
Authority: CN
Inventors: 张青格; 蔡龙军; 王晓怡
Original assignee: Beijing Smart Spirit Technology Co ltd
Current assignee: Beijing Smart Spirit Technology Co ltd
Priority date: 2022-06-28
Filing date: 2022-06-28
Publication date: 2022-07-29
Anticipated expiration: 2042-06-28
Also published as: CN114822855B; WO2024000856A1

Abstract

本发明公开了一种基于FTRL模型的认知训练任务推送方法、系统及构建方法，通过设定各认知训练任务试次难度，构建认知训练任务人群常模，应用FTRL模型生成用户认知水平预测模型，结合“最近发展区”理论设置推送及反馈阈值，实现认知训练任务推送系统的构建；基于构建的认知训练任务推送系统，生成针对用户受损认知区域的、基于用户认知训练任务实时作答数据的、应用用户试次反应行为预判推送与反馈的高度个性化认知训练方案，使得用户始终处于“有挑战”且“能通过”的成就区间，提高用户训练的积极性和依从性，巩固与提升用户的认知训练效果。

Description

基于FTRL模型的认知训练任务推送方法、系统及构建方法

技术领域

本发明涉及一种基于FTRL模型的认知训练任务推送方法，同时还涉及相应的认知训练任务推送系统，以及认知训练任务推送系统的构建方法，属于医疗保健信息学技术领域。

背景技术

认知训练是延缓个体认知衰退的有效手段，而达到良好的认知提升训练效果，是以个体持续3个月甚至终身的训练为基础的。如何提升个体认知训练兴趣、使个体能够持续的付出努力和行动，是认知训练任务设计领域需要不断创新突破的部分。

传统的认知训练是借助经典范式的任务设置展开训练，但由于个体的认知水平存在巨大的差异，使用统一难度的认知任务进行训练，部分个体会因为任务难度过低而降低训练兴趣、减少对训练的重视、降低训练频率，另一部分个体则会因任务难度过高而倍感压力、损伤训练的信心、降低认知训练的坚持。因此，有必要针对用户的个体差异开发个性化认知训练系统，以便对认知任务中的难度梯度开展分析、动态调整训练中的任务难度，基于用户自身状态实现任务难度的实时调节。

随着互联网个性化推送技术的发展，根据用户行为计算所得的推送越发精准。在逻辑回归（Logistic Regression）、批量（Batch）等早期推荐算法的基础上，由Google的H.Brendan McMahan博士提出的FTRL模型（Follow-the-Regularized-Leader）模型，在前人的基础上提升了在线学习的实时分析和针对性推荐的效率，获得互联网领域广泛认可与应用。在认知任务训练领域，FTRL模型可以根据用户每次的点击实现对该个体当前认知训练水平的实时分析，借助互联网分发和计算的效率优势，调节训练难度、激发训练兴趣、提升训练效果。

发明内容

本发明所要解决的首要技术问题在于提供一种基于FTRL模型的认知训练难度推送方法。

本发明所要解决的另一技术问题在于提供一种基于FTRL模型的认知训练任务推送系统。

本发明所要解决的又一技术问题在于提供一种上述认知训练任务推送系统的构建方法。

为实现上述技术目的，本发明采用以下技术方案：

根据本发明实施例的第一方面，提供一种基于FTRL模型的认知训练任务推送方法，包括如下步骤：

基于用户的认知测评结果，获取用户的认知训练任务以及初始训练等级的任务试次；

获取所述用户进行所述任务试次的行为反应数据；

根据预先构建的FTRL模型，基于所述行为反应数据对所述用户的认知水平进行分析判断；

根据所述FTRL模型的分析判断结果，实时调整下一任务试次的难度等级，并对所述用户进行积极的认知训练反馈，直至完成所述认知训练任务。

其中较优地，所述基于用户的认知测评结果，获取用户的认知训练任务以及初始训练等级的任务试次，具体包括：

基于量表和测评任务对用户进行认知测评，以根据认知测评结果获取所述用户的受损脑能力；

根据预设的各项脑能力与各认知训练任务的对应关系，获取与所述用户的受损脑能力相对应的认知训练任务；

基于所述用户的认知测评结果，与预先构建的人群常模进行对比，以确认所述用户在所述认知训练任务下，任务试次的初始训练等级。

其中较优地，所述根据所述FTRL模型的分析判断结果，实时调整下一任务试次的难度等级，具体包括：

所述分析判断结果为所述用户通过下一等级的任务试次的概率值；

当所述概率值低于第一设定阈值时，根据“最近发展区”理论，用户的现有水平低于当前认知任务难度水平，则下一次推送的任务试次的难度等级减1；

当所述概率值位于所述第一设定阈值与第二设定阈值之间时，根据“最近发展区”理论，用户的现有水平与当前认知任务难度水平相当，则下一次推送的任务试次的难度等级不变；

当所述概率值高于所述第二设定阈值时，根据“最近发展区”理论，用户的现有水平高于当前认知任务难度水平，则下一次推送的任务试次的难度等级加1。

其中较优地，根据所述用户在所述认知训练任务中各任务试次的等级变化，对所述用户的当前认知水平进行稳定性判断；

根据所述用户当前认知水平的稳定性判断结果，重新获取针对于所述用户的认知训练任务。

根据本发明实施例的第二方面，提供一种基于FTRL模型的认知训练任务推送系统，包括处理器和存储器，所述处理器读取所述存储器中的计算机程序，用于执行以下操作：

获取所述用户进行所述任务试次的行为反应数据；

根据本发明实施例的第三方面，提供一种上述认知训练任务推送系统的构建方法，包括如下步骤：

预先对各认知训练任务进行难度设定，其中，任意一个所述认知训练任务均包括多个任务试次，且各所述任务试次的难度等级不同；

将所述各认知训练任务进行预设规模的人群试用，以建立针对所述各认知训练任务的人群常模；

基于所述各认知训练任务，构建FTRL模型，以用于根据用户的行为反应数据对所述用户的认知水平进行分析判断；

设置认知训练任务的推送方式，以基于所述FTRL模型对所述用户当前任务试次的行为反应数据的分析结果，进行下一个任务试次的任务难度推送；

设置认知训练任务的反馈方式，以基于所述FTRL模型对所述用户当前任务试次的行为反应数据的分析结果，进行认知反馈。

其中较优地，所述人群常模通过以下方式建立：

根据大规模普查性认知障碍特征特点，从病症、性别、年龄三个维度进行常模数据的样本标准化；

召集相关的人群样本，进行所述各认知训练任务的训练数据采集，以获得不同认知训练任务的测验分数；

设定统一的百分制标尺，将不同认知训练任务的分数区间划分进入百分制标尺，形成常模分数的转换表，从而建立所述人群常模。

其中较优地，所述构建FTRL模型，具体包括如下步骤：

模型权重分析计算构建，以用于叠加分析用户多试次反应下的当前认知水平；

模型梯度迭代损失评估，以用于校正用户当前任务的认知训练模型复杂度；

模型单试次学习率构建，以充分考虑个体性，最大化用户的认知训练试次数据分析价值；

模型运算内存优化，以用于降低内存使用、减少模型实时计算对系统构建软硬件的要求；

模型调参，以用于分析评估，获取最优的参数组合；

模型评估指标选取，以用于客观评估不同参数模型的优劣，为获取最优模型提供评价标准。

其中较优地，所述认知训练任务的推送逻辑如下：

利用所述FTRL模型，根据所述用户当前任务试次的行为反应数据，对所述用户的认知水平进行分析判断；

若判断结果为进级，则提高下一次推送的任务试次的难度等级；

若判断结果为平级，则保持下一次推送的任务试次的难度等级不变；

若判断结果为降级，则降低下一次推送的任务试次的难度等级。

其中较优地，所述认知训练任务的反馈逻辑如下：

若判断结果为进级，则给予所述用户第一程度的正向反馈；

若判断结果为平级，则给予所述用户第二程度的正向反馈，所述第二程度低于所述第一程度；

若判断结果为降级，则给予所述用户支持性反馈。

与现有技术相比较，本发明具有以下技术效果：

1）通过数学建模的手段能够精准判断用户当前认知水平，相比于传统的认知模型，能够更实时地表征和判断用户当前的认知水平，从而做到对用户每一条试次行为的综合性分析，极大提升了对行为的预判能力。

2) FTRL模型同时整合和建模了用户在认知决策中的抉择以及做出该选择的反应时两种反应指标，综合考虑了认知任务中用户准确性和速度的权衡过程，能够更为充分的考虑用户决策加工过程中“提升感”，通过适当的难度推荐和反馈，提升和巩固用户的兴趣和依从性。

3）在同一个数学模型下，对用户在不同的认知域（感知觉、高级认知和社会认知三类）下的多种认知水平进行不同的FTRL模型构建过程，实现针对特定认知域、特定训练范式、特定训练任务的充分个性化水平分析，从而有效区分和检验用户在特定认知域的优势和受损情况，从而针对性进行认知训练，为整体训练效果的保证提供了核心的底层算法支撑。

4）基于FTRL模型计算得到的各认知训练任务的用户认知水平，构建了基于“最近发展区”理论的任务推送逻辑，根据任务的难度等级，形成了试次微调、逐次迭代的任务推送逻辑，做到对用户的每次行为进行高敏感的反应，平衡了用户因任务难度太高而挫败或任务难度太低而失去耐心的训练误差，从而让用户在进行整体任务中有更为流畅自然的学习与训练体验，促进用户建立较高的依从性训练模式，为持续训练达成认知能力提升的目标提供了机制性的解决方案。

附图说明

图1为本发明第一实施例提供的一种认知训练任务推送系统的构建方法的流程图；

图2为本发明第二实施例提供的一种基于FTRL模型的认知训练任务推送方法的整体流程图；

图3为本发明第二实施例提供的一种基于FTRL模型的认知训练任务推送方法的具体流程图；

图4为本发明第三实施例提供的一种基于FTRL模型的认知训练任务推送系统的结构图。

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。

<第一实施例>

图1所示为本发明第一实施例提供的一种认知训练任务推送系统的构建方法，具体包括步骤S1～S5：

S1：预先对各认知训练任务进行难度设定。

选择和确定需要实施的用以测量各认知域（感知觉、高级认知和社会认知三类）的认知训练任务，根据任务内容及属性，可以将不同的认知训练任务标签为感知觉认知训练、高级认知训练和社会认知训练三个认知域下的任务。获取不同认知训练任务的对应任务范式，不同认知域对应的任务范式可能存在交叉重叠，但因为认知训练任务不同，可以找到不同认知训练任务的对应内容。

整理不同范式的认知训练任务的评价指标、不同任务内容的推送逻辑、在各个认知训练任务上的行为反应数据，主要包括用户在不同认知训练任务中的反应选择及做出该决策所需要的反应时间。

在此基础上，实现对不同认知训练任务的难度等级进行编码，认知训练任务通常包括判断动点运动方向或空间位置等的感知觉认知决策，基于选项相对价值做出选择的记忆、推理、执行控制等高级认知决策以及学习他人属性、评估社会信息等的社会认知决策。

具体的，本实施例中，任意一个认知训练任务均包括多个任务试次，且各任务试次的难度等级不同。可以理解的是，不同的认知训练任务用于辅助提升不同的脑能力。

例如：“藏猫猫棋”的认知训练任务对应提升“空间记忆”的脑能力，该“藏猫猫棋”的认知训练任务可以包括30个训练试次，即：用户需要在“藏猫猫棋”的认知训练任务下完成30次训练，以完成对“空间记忆”脑能力的认知提升，而训练试次的具体难度根据已有的认知理论文献进行设定。例如：在“藏猫猫棋”的认知训练任务下，可以设定为：每隔3s出现一只小动物；每隔2s出现一只小动物；每隔0.5s出现一只小动物；每隔3s出现两只小动物；每隔1s出现两只小动物等不同的难度等级。

S2：将各认知训练任务进行预设规模的人群试用，以建立针对各认知训练任务的人群常模。

本实施例中，认知训练任务的人群常模的构建，是在抽取常模团体（标准化样本）的基础上，对群体进行认知训练任务的实测，使用统计学方法对积累数据进行分析，最终制作常模分数转换表，完成认知训练任务人群常模的构建。

具体包括步骤S21～S23：

S21：根据大规模普查性认知障碍特征特点，从病症、性别、年龄三个维度进行常模数据的样本标准化。

S22：召集相关的人群样本，进行各认知训练任务的训练数据采集，以获得不同认知训练任务的测验分数。

S23：设定统一的百分制标尺，将不同认知训练任务的分数区间划分进入百分制标尺，形成常模分数的转换表，从而建立人群常模。

S3：基于各认知训练任务，构建FTRL模型。

本实施例中，FTRL模型要解决的问题是用户当前认知训练模式判断的问题。该模型的特点，是基于用户从第一个任务试次开始到当前所有任务试次的实时分析，通过不断优化迭代，形成针对该用户的个性化认知训练模式，从而为下一任务试次的精准推送提供精准化支撑。具体的内容实现如下：

针对认知训练任务试次推送的场景特点，FTRL模型所需设定的参数特征包括：t索引当前训练试次，α和β为学习率σi、重要性权重wt,i的性能参数指标，两者在渐进式验证下产生良好的性能，α的最优值可以根据特征和数据集的不同而变化，β在模型早期进行0.8～1的初步设定，确保早期学习率不会太高。

在第 t 轮使用单任务试次正确率观察指标 yt∈{0, 1}，反应时xt∈Rd 对后续t＋1试次的正确率pt＋1进行预测，pt＝σ(xt·wt)，其中 σ(a) ＝ 1/(1 ＋ exp(−a)) 是sigmoid 函数，为提升模型的精准度，模型产生的逻辑损失 LogLoss由向量 gi梯度损失函数评估与矫正。损失函数实际上包含了两个方面：一个是训练样本误差。一个是正则化项。其中，参数 λ 起到了权衡的作用。λ1、λ2为正则化系数，正则化是为减少模型过度拟合、造成结构风险的一种策略实现，能够有效降低过拟合。以用于根据用户的行为反应数据对用户的认知水平进行分析判断。

具体的，包括步骤S31～S36：

S31：模型权重分析计算构建。

用于叠加分析用户多试次反应下的当前认知水平。权重分析通过不断纳入新的试次反应数据，在线训练逐步迭代优化形成具有高个体相关、高任务相关的权重系数，为分析用户针对当前任务的认知水平，提供有效支撑。具体的，在认知训练任务FTRL模型模型中，用户每做对训练刺激做一次反应，就用该样本产生的loss和梯度对模型迭代一次，通过对每个试次t进行训练，因此可以处理大数据量训练和在线训练，逐渐形成有较强用户性的权重wi，并将要出现的t＋1试次权重wi(t＋1),的计算公式表达如下：

S32：模型梯度迭代损失评估。

用于校正用户当前任务的认知训练模型复杂度。由于认知训练试次反应具有短时、高频的任务特点，对高实时性数据的在线分析，对控制模型复杂度提出了更高的要求，因此为提升认知水平的在线评估效率，模型评估梯度迭代损失，以保障整体的机器学习有效性。具体的，简单的在线梯度下降很难产生真正稀疏的解，稀疏性在机器学习中是很重要的事情，尤其是构建应用于人群的训练系统，稀疏的特征会大大减少预测时的内存和复杂度。在这里使用梯度损失函数gi的计算公式如下：

S33：模型单试次学习率构建。

从而充分考虑个体性，最大化用户的认知训练试次数据分析价值。每个试次学习效率的独立构建，考虑了训练试次本身在不同训练时段、不同个体学习速率的分布不均匀，从而使得试次对应的训练速率较为独立的保持数据特征，为整体分析提供信息更为丰富的数据基础。具体的，在FTRL模型中，每个试次的学习率都是单独考虑的。与所有特征维度使用统一的学习速率相比，这种方法考虑了训练样本本身在不同特征上分布的不均匀性，如果包含w某一个维度特征的训练样本很少，每一个样本都很珍贵，那么该特征维度对应的训练速率可以独自保持比较大的值，每来一个包含该特征的样本，就可以在该样本的梯度上前进一大步，而不需要与其他特征维度的前进步调强行保持一致。单试次学习率的计算公式如下：

S34：模型运算内存优化。

具体的，为降低内存使用、减少模型实时计算对算力的巨大要求，FTRL模型设置zt在第t轮开始时存储zt−1，计算使zt ＝ zt−1 ＋ gt＋(1/ηt−1/ηt−1)wt，基于此进行参数更新，在全坐标基础上以封闭形式求解，实现内存占用的性能优化，具体的迭代过程如下：

S35：模型调参。

用于分析评估，获取相对更优的参数组合。具体的，在进行模型训练的过程中，项目往往会在同一时间进行多个相似模型的同时计算，以评估不同参数组合下的模型训练效果优劣，即模型调参。当几个模型一起训练时，所有单试次元数据的摊销成本都会降低，单试次学习率所需的计数ni，并且额外模型的增量成本仅取决于需要存储的额外系数值。这不仅节省了内存，还节省了网络带宽（值以相同的方式传递，只读取一次训练数据）、CPU（只从训练数据中生成特征一次而不是比每个模型一次）和磁盘空间，提高了模型的训练能力。因此引入单试次学习率ni进行调参统计：

S36：模型评估指标选取。

用于客观评估不同参数模型的优劣，为获取更优模型提供评价标准。具体的，模型使用Auc Loss（即1－AUC，其中 AUC 是 ROC曲线指标下的标准面积，ROC曲线是一种分类模型分类效果的分析工具）、Log Loss(损失函数）和平方误差进行拟合度的评估。具体的计算公式如下：

最终通过拟合优度最佳的模型所估计出来的相应值作为判断下一任务试次正确率的实时性预测指标。

S4：设置认知训练任务的推送方式。

本实施例中，设置该认知训练任务的推送方式的目的在于：基于FTRL模型对用户当前任务试次的行为反应数据的分析结果，进行下一个任务试次的推送。具体的推送逻辑如下：

利用FTRL模型，根据用户当前任务试次的行为反应数据，对用户的认知水平进行分析判断。若判断结果为进级，则提高下一次推送的任务试次的难度等级；若判断结果为平级，则保持下一次推送的任务试次的难度等级不变；若判断结果为降级，则降低下一次推送的任务试次的难度等级。

S5：设置认知训练任务的反馈方式。

本实施例中，设置该认知训练任务的反馈方式的目的在于：基于FTRL模型对用户当前任务试次的行为反应数据的分析结果，进行认知反馈。具体的反馈逻辑如下：

利用FTRL模型，根据用户当前任务试次的行为反应数据，对用户的认知水平进行分析判断。若判断结果为进级，则给予用户第一程度的正向反馈（例如：有进步、进阶、升级等）；若判断结果为平级，则给予用户第二程度的正向反馈（例如：保持、继续、不错等），第二程度低于第一程度；若判断结果为降级，则给予用户支持性反馈（例如：想一想、再来一次、加油加油等）。

可以理解的是，本实施例中，由于任务试次跳转速度相对较快，因此，每次的任务试次完成后给出的反馈不能过于冗长，使用短语进行正向激励与支持性激励的提供，是从趣味性和提升用户依从性角度提供的有效元素支撑。

<第二实施例>

基于第一实施例构建的认知训练任务推送系统，如图2和图3所示，本发明第二实施例提供一种基于FTRL模型的认知训练任务推送方法，具体包括步骤S10～S40：

S10：基于用户的认知测评结果，获取用户的认知训练任务以及初始训练等级的任务试次。

具体的，包括步骤S101～S103：

S101：基于量表和测评任务对用户进行认知测评，以根据认知测评结果获取用户的受损脑能力。

本实施例中，通过量表和测评任务的方式能够提高对用户的认知测评精度，从而精准地获得用户哪些脑能力受损，从而能够对相应的受损脑能力进行认知提升。

S102：根据预设的各项脑能力与各认知训练任务的对应关系，获取与用户的受损脑能力相对应的认知训练任务。

具体的，本实施例中，预设有各项脑能力与各认知训练任务的映射表，根据步骤S101中获取的用户受损的脑能力，从而可以从映射表中选出与受损脑能力相对应的认知训练任务。

S103：基于用户的认知测评结果，与预先构建的人群常模进行对比，以确认用户在认知训练任务下，任务试次的初始训练等级。

具体的，本实施例中，当用户完成认知测评后，可得知用户目前的认知水平如何，进而能够判断出该用户的认知水平在预先构建的人群常模中所处的位置，从而判断出用户在进行认知训练任务时，需要从哪一等级的任务试次开始训练。

例如：用户A和用户B均在“空间记忆”的脑能力上受损，需要通过“藏猫猫棋”的认知训练任务进行认知提升。经认知测评后，用户A的认知能力强于用户B的认知能力，则用户A的训练试次的初始等级要高于用户A的训练试次的初始等级。

S20：获取用户进行任务试次的行为反应数据。

具体的，该行为反应数据包括用户进行任务试次时做出的选择，以及做出该选择所需要的时间。当用户进行认知训练时，通过获取用户的选择和做出选择的时间，从而能够利用FTRL模型对用户进行当前认知能力的分析。

S30：根据预先构建的FTRL模型，基于行为反应数据对用户的认知水平进行分析判断。

本实施例中，当获取用户的行为反应数据后，利用预先构建的FTRL模型，根据用户每次点击的位置以及做出点击所需要的时间，计算出用户通过下一等级的任务试次的概率值。

S40：根据FTRL模型的分析判断结果，实时调整下一任务试次的难度等级，并对用户进行积极的认知训练反馈，直至完成认知训练任务。

本实施例中，当通过步骤S30判断出用户通过下一等级的任务试次的概率值后，通过将该概率值与预设的第一阈值和第二阈值相比较，从而实时调整下一任务试次的难度等级。

具体的，当概率值低于第一设定阈值时，根据“最近发展区”理论，用户的现有水平低于当前认知任务难度水平，则下一次推送的任务试次的难度等级减1。当概率值位于第一设定阈值与第二设定阈值之间时，根据“最近发展区”理论，用户的现有水平与当前认知任务难度水平相当，则下一次推送的任务试次的难度等级不变。当概率值高于第二设定阈值时，根据“最近发展区”理论，用户的现有水平高于当前认知任务难度水平，则下一次推送的任务试次的难度等级加1。其中，可以理解的是，“最近发展区”理论为在认知领域提出的一种基础理论，本实施例中，通过数据结合理论的方式，能够提高任务试次推送的准确性。

此外，当用户完成当前的任务试次后，系统会对用户进行认知训练反馈，具体的反馈方式参见第一实施例中步骤S5的描述，直至用户完成整个认知训练任务。由此，在用户进行认知训练的过程中，通过不断地对用户进行积极反馈，从而能够提高用户对认知训练的兴趣和依从性。

S50：重新获取认知训练任务。

当用户完成整个任务训练任务后，根据用户在认知训练任务中各任务试次的等级变化，对用户的当前认知水平进行稳定性判断。

若用户的认知水平较为稳定（即：各任务试次的等级变化不大），则可以考虑对认知训练任务进行整体升级；若用户的认知水平有轻微波动（即：各任务试次的等级少量变化），则保持原认知训练任务的等级不变；若用户的认知水平有剧烈波动（即：各任务试次的等级变化较大），则以考虑对认知训练任务进行整体降级。

<第三实施例>

在上述基于FTRL模型的认知训练任务推送方法的基础上，本发明进一步提供一种基于FTRL模型的认知训练任务推送系统。如图4所示，该认知训练任务推送系统包括一个或多个处理器21和存储器22。其中，存储器22与处理器21耦接，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器21执行，使得所述一个或多个处理器21实现如上述实施例中的基于FTRL模型的认知训练任务推送方法。

其中，处理器21用于控制该认知训练任务推送系统的整体操作，以完成上述基于FTRL模型的认知训练任务推送方法的全部或部分步骤。该处理器21可以是中央处理器（CPU）、图形处理器（GPU）、现场可编程逻辑门阵列（FPGA）、专用集成电路（ASIC）、数字信号处理（DSP）芯片等。存储器22用于存储各种类型的数据以支持在该认知训练任务推送系统的操作，这些数据例如可以包括用于在该认知训练任务推送系统上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器22可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器（SRAM）、电可擦除可编程只读存储器（EEPROM）、可擦除可编程只读存储器（EPROM）、可编程只读存储器（PROM）、只读存储器（ROM）、磁存储器、快闪存储器等。

在一个示例性实施例中，该认知训练任务推送系统具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现，用于执行上述基于FTRL模型的认知训练任务推送方法，并达到如上述方法一致的技术效果。一种典型的实施例为计算机。具体地说，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

在另一个示例性实施例中，本发明还提供一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述任意一个实施例中的基于FTRL模型的认知训练任务推送方法的步骤。例如，该计算机可读存储介质可以为包括程序指令的存储器，上述程序指令可由认知训练任务推送系统的处理器执行以完成上述基于FTRL模型的认知训练任务推送方法，并达到如上述方法一致的技术效果。

综上所述，本发明实施例提供的基于FTRL模型的认知训练任务推送方法、系统及构建方法，具有以下的技术优势：

上面对本发明所提供的基于FTRL模型的认知训练任务推送方法、系统及构建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

1.一种基于FTRL模型的认知训练任务推送方法，其特征在于包括如下步骤：

获取所述用户进行所述任务试次的行为反应数据；

2.如权利要求1所述的认知训练任务推送方法，其特征在于，所述基于用户的认知测评结果，获取用户的认知训练任务以及初始训练等级的任务试次，具体包括：

3.如权利要求1所述的认知训练任务推送方法，其特征在于，所述根据所述FTRL模型的分析判断结果，实时调整下一任务试次的难度等级，具体包括：

4.如权利要求1所述的认知训练任务推送方法，其特征在于，

根据所述用户在所述认知训练任务中各任务试次的等级变化，对所述用户的当前认知水平进行稳定性判断；

5.一种基于FTRL模型的认知训练任务推送系统，其特征在于包括处理器和存储器，所述处理器读取所述存储器中的计算机程序，用于执行以下操作：

获取所述用户进行所述任务试次的行为反应数据；

6.一种基于FTRL模型的认知训练任务推送系统的构建方法，其特征在于包括如下步骤：

设置认知训练任务的推送方式，以基于所述FTRL模型对所述用户当前任务试次的行为反应数据的分析结果，进行下一个任务试次的推送；

7.如权利要求6所述的构建方法，其特征在于，所述人群常模通过以下方式建立：

8.如权利要求6所述的构建方法，其特征在于，所述构建FTRL模型，具体包括：

模型调参，以用于分析评估，获取最优的参数组合；

9.如权利要求6所述的构建方法，其特征在于，所述认知训练任务的推送逻辑如下：

10.如权利要求9所述的构建方法，其特征在于，所述认知训练任务的反馈逻辑如下：

若判断结果为进级，则给予所述用户第一程度的正向反馈；

若判断结果为降级，则给予所述用户支持性反馈。