CN114864051B - 一种基于神经网络的认知提升方法及系统 - Google Patents

一种基于神经网络的认知提升方法及系统 Download PDF

Info

Publication number
CN114864051B
CN114864051B CN202210791199.9A CN202210791199A CN114864051B CN 114864051 B CN114864051 B CN 114864051B CN 202210791199 A CN202210791199 A CN 202210791199A CN 114864051 B CN114864051 B CN 114864051B
Authority
CN
China
Prior art keywords
brain
user
human
computer interaction
ability
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
CN202210791199.9A
Other languages
English (en)
Other versions
CN114864051A (zh
Inventor
王晓怡
李诗怡
边志明
景艺亮
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.)
Beijing Smart Spirit Technology Co ltd
Original Assignee
Beijing Smart Spirit Technology 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 Beijing Smart Spirit Technology Co ltd filed Critical Beijing Smart Spirit Technology Co ltd
Priority to CN202210791199.9A priority Critical patent/CN114864051B/zh
Publication of CN114864051A publication Critical patent/CN114864051A/zh
Application granted granted Critical
Publication of CN114864051B publication Critical patent/CN114864051B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/40—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns

Landscapes

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

Abstract

本发明公开了一种基于神经网络的认知提升方法及系统。该认知提升方法包括：以多项设定脑能力为中介，构建多项设定脑网络到多个设定人机交互任务的分群化多元回归模型；获取用户对应多项设定脑能力的各项脑能力值；并基于用户的各项脑能力值，获取用户的平均脑网络水平，从而确定用户的推荐交互任务数量N；从多项设定脑网络中，随机抽取N项脑网络；基于所抽取的N项脑网络，获取N个人机交互任务，以形成人机交互方案；获取用户的人机交互结果，并更新用户的平均脑网络水平，直至用户的平均脑网络水平达到正常水平。由此，不仅实现了底层脑网络到人机交互任务的映射，而且能够生成靶向性人机交互方案，提高了认知提升的针对性和有效性。

Description

一种基于神经网络的认知提升方法及系统
技术领域
本发明涉及一种基于神经网络的认知提升方法，同时还涉及相应的认知提升系统，属于认知调控技术领域。
背景技术
目前，测量人脑认知能力（简称脑能力）的方式，主要通过极少量量表的测量方式或者直接由医生诊断。这种方式较为单一，涉及脑能力种类少，通常无法全面的得到稳定客观的用户的脑能力值。
现有针对认知能力的训练，大多是基于专家驱动的方法训练较弱脑能力，每个训练对应相应的脑能力，而不是从脑网络的角度，更高效和全面进行训练。同时，市场上已有的提升认知的人机交互系统多面向健康人群，以锻炼为主，治疗效果有限。同时，无法根据能力的变化进行实时的更新，缺乏系统的推荐算法和个性化的定制式方案。
在专利号为ZL 202110765518.4的中国发明专利中，公开了一种基于神经网络算法的认知康复训练系统，包括康复训练层、数据采集层、数据分组层、神经网络层以及认知反馈层；数据采集层将采集的肢体运动参数和姿态模式参数发送至数据分组层；数据分组层包括数据预处理组件和数据分组组件；数据预处理组件对肢体运动参数和姿态模式参数执行预处理；数据分组组件对预处理后的数据进行分组存储；神经网络层包含输入层和输出层；输入层的节点数目与数据分组组件得到的分组组数相同；输出层连接认知反馈层，基于认知反馈层的反馈，在人机交互界面上显示康复训练反馈结果。
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神经网络的认知提升方法。
本发明所要解决的另一技术问题在于提供一种基于神经网络的认知提升系统。
为了实现上述目的，本发明采用以下的技术方案：
根据本发明实施例的第一方面，提供一种基于神经网络的认知提升方法，包括如下步骤：
以多项设定脑能力为中介，构建多项设定脑网络到多个设定人机交互任务的分群化多元回归模型；
获取用户对应所述多项设定脑能力的各项脑能力值；
基于所述用户的各项脑能力值，获取所述用户的平均脑网络水平；
根据预先得到的平均脑网络水平与人机交互任务的数量的映射表，确定用户的推荐交互任务数量N；其中，N为正整数；
从所述多项设定脑网络中，随机抽取N项脑网络；
基于所抽取的N项脑网络，根据所述分群化多元回归模型获取N个人机交互任务，以形成人机交互方案推送给用户进行人机交互；
获取所述用户的人机交互结果，并更新所述用户的平均脑网络水平，直至所述用户的平均脑网络水平达到正常水平。
其中较优地，以多项设定脑能力为中介，构建多项设定脑网络到多个设定人机交互任务的分群化多元回归模型，具体包括：
基于理论文献建立多个人机交互任务与多项脑能力的质性关联，形成第一关系矩阵；
基于聚类分析建立多项脑能力与多项脑网络的质性关联，形成第二关系矩阵；
基于所述第一关系矩阵和所述第二关系矩阵，构建脑网络－脑能力－人机交互任务的映射关系；
基于所述脑网络－脑能力－人机交互任务的映射关系，构建分群化多元回归模型。
其中较优地，所述获取用户对应所述多项设定脑能力的各项脑能力值，具体包括：
获取所述用户的年龄段、任务测评结果以及量表测评结果；
将所述年龄段、任务测评结果以及量表测评结果与预设常模相比较；
基于比较结果，获取所述用户对应所述多项设定脑能力的各项脑能力值。
其中较优地，所述基于所述用户的各项脑能力值，获取所述用户的平均脑网络水平，具体包括：
根据所述用户的各项脑能力值，基于所述多项脑能力与多项脑网络的对应关系，获取所述用户的各项脑网络水平；
将所述用户的各项脑网络水平进行平均，获得所述用户的平均脑网络水平。
其中较优地，所述从所述多项设定脑网络中，随机抽取N项脑网络，具体包括：
将所述用户的多项脑网络按照水平高低进行排序；
采用加权随机抽样算法，对每项脑网络附加一个权重比例；
按照所附加的权重比例，在所述用户的多项脑网络中抽取N项脑网络；
其中，每项脑网络被抽中的概率由所述权重比例确定，所述权重比例由多项脑网络的排序而定，脑网络水平越低，排序越靠后，加权越高，越容易被抽到。
其中较优地，还包括如下步骤：
在建立所述分群化多元回归模型的过程中，采用最大似然估计的方式对所述分群化多元回归模型进行回归分析；
根据所述回归分析结果，获取各项脑能力与各个人机交互任务的关联性，以及各项脑能力与各项脑网络的关联性。
其中较优地，所述基于所抽取的N项脑网络，根据所述映射关系获取N个人机交互任务，具体包括：
针对所抽取的每一项脑网络，基于所述分群化多元回归模型，获取与该项脑网络关联性最强的脑能力；
根据所述获取的脑能力，基于所述分群化多元回归模型，获取与所述脑能力关联性最强的人机交互任务。
其中较优地，所述脑能力与人机交互任务的关联性基于所述脑能力与所述人机交互任务的相关程度和所述人机交互任务的新鲜度确定；所述脑能力与所述脑网络的关联性基于所述脑能力与所述脑网络的相关程度确定。
其中较优地，所述获取所述用户的人机交互结果，并更新所述用户的平均脑网络水平，具体包括：
基于人机交互任务的得分，按照公式BA’＝(BA＋b*P*TT)/(1＋b*P)计算更新所述用户的脑能力值；其中，BA’是用户提升后的脑能力值；BA是用户根据测评、病症、年龄得出的初始脑能力值，并在每次人机交互后进行更新；TT为当前人机交互任务中基于得分计算的脑能力值；P为人机交互任务与脑能力的关联性；b为人机交互相对于脑能力的权重；
基于更新后用户的各项脑能力值，利用公式BNS’＝(BNS＋w*R* BA’)/(1＋w*R)计算更新后用户的各项脑网络水平；其中，BNS’是人机交互后的脑网络水平；BNS是根据初始脑能力值BA得出的初始脑网络水平，并在每次人机交互后进行更新；BA’为根据人机交互的任务得分计算更新的脑能力值；R为用户的各项脑能力与该项脑网络的关联性；w为用户的各项脑能力相对于该项脑网络的权重；
将所述更新后用户的各项脑网络水平进行平均，以获取更新后用户的平均脑网络水平。
根据本发明实施例的第二方面，提供一种基于神经网络的认知提升系统，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：
以多项设定脑能力为中介，构建多项设定脑网络到多个设定人机交互任务的映射关系；
获取用户对应所述多项设定脑能力的各项脑能力值；
基于所述用户的各项脑能力值，获取所述用户的平均脑网络水平；
根据预先得到的平均脑网络水平与人机交互任务的数量的映射表，确定用户的推荐交互任务数量N；其中，N为正整数；
从所述多项设定脑网络中，随机抽取N项脑网络；
基于所抽取的N项脑网络，根据所述映射关系获取N个人机交互任务，以形成人机交互方案推送给用户进行人机交互；
获取所述用户的人机交互结果，并更新所述用户的平均脑网络水平，直至所述用户的平均脑网络水平达到正常水平。
与现有技术相比较，本发明实施例提供的基于神经网络的认知提升方法及系统具有以下有益效果：
根据已有用户的训练标签进行机器学习，建立分群化多元回归模型，构造从特定适应症群体的脑网络到脑能力再到人机交互任务的量化关系，使得人机交互任务的效用明确映射到底层脑网络，从而实现基于脑网络到人机交互任务的映射方案。
附图说明
图1为本发明实施例提供的一种基于神经网络的认知提升方法的流程示意图；
图2为基于分群化多元回归模型的脑网络映射示意图；
图3为部分人机交互任务与部分脑功能的映射质性关联示意图；
图4为部分脑能力与部分脑网络的映射质性关联示意图；
图5为本发明实施例提供的一种基于神经网络的认知提升系统的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
图1所示为本发明实施例提供的一种基于神经网络的认知提升方法，其至少包括步骤S1～S5：
S1：以多项设定脑能力为中介，构建多项设定脑网络到多个设定人机交互任务的分群化多元回归模型。
具体的，包括子步骤S11～S14：
S11：基于理论文献建立多个人机交互任务与多项脑能力的质性关联，形成第一关系矩阵。
具体的，如图2和图3所示，本实施例中，人机交互任务共有百余项，脑能力共包括24项（指人脑加工、储存和提取信息的过程中，根据心理活动所需要的特异性功能进行划分得到的基础认知功能，如客体识别、选择注意、空间记忆、执行控制等）。在第一关系矩阵中，通过相关的理论文献建立二者之间的质性关联，例如：在图3中，“空间记忆”的脑能力与“藏猫猫棋”、“萍踪浪迹”以及“藏猫猫棋·进阶”等人机交互任务的关联性更强，通过进行相关人机交互任务的训练即可提升用户的“空间记忆”的脑能力。
S12：基于聚类分析建立多项脑能力与多项脑网络的质性关联，形成第二关系矩阵。
具体的，如图2和图4所示，本实施例中，脑能力共包括24项，脑网络（指多个脑区共同组合的跨多个脑能力的网络系统）共包括8项。在第二关系矩阵中，24项脑能力和８项脑网络的映射关系是基于聚类分析形成的质性关联，通过将相近的脑能力聚类为相近的脑网络，并且基于理论研究进行修订或增减。
S13：基于第一关系矩阵和第二关系矩阵，构建脑网络－脑能力－人机交互任务的映射关系。
如图2所示，当百余项人机交互任务与24项脑能力形成第一关系矩阵，同时，24项脑能力与8项脑网络形成第二关系矩阵后，将第一关系矩阵和第二关系矩阵整合后，即可构建出8项脑网络—24项脑能力—百余项人机交互任务之间的映射关系。例如：视觉脑网络对应的一项脑能力为空间注意，相应的，空间注意脑能力对应的一项人机交互任务为“藏猫猫棋”的任务，因此，构建处理视觉脑网络—空间注意脑能力—“藏猫猫棋”任务的映射关系，以此类推，基于上述第一关系矩阵和第二关系矩阵即可构建出8项脑网络—24项脑能力—百余项人机交互任务之间的映射关系。
S14：基于脑网络－脑能力－人机交互任务的映射关系，构建分群化多元回归模型。
具体的，在建立分群化多元回归模型的过程中，采用最大似然估计的方式对分群化多元回归模型进行回归分析。根据回归分析结果，获取各项脑能力与各个人机交互任务的关联性，以及各项脑能力与各项脑网络的关联性。由此，通过关联性的大小可判断出提升任意一个脑网络的最佳脑能力，以及对应该脑能力的最佳人机交互任务。
S2：获取用户对应多项设定脑能力的各项脑能力值。
本实施例中，通过多方面的因素（具体包括：用户年龄、任务测评、量表测评）综合获取用户对应多项设定脑能力的各项脑能力值。具体包括子步骤S21～S23：
S21：获取用户的年龄段、任务测评结果以及量表测评结果。
其中，年龄段按照每10岁为一档进行划分，共分1～10岁，11～20岁，···，71岁以上共8档。任务测评和量表测评的结果主要反映的是用户的当前认知能力，通过任务加量表的测评方式能够提高对用户当前认知能力判断的准确性。
此外，如果用户通过病症诊断后，确认具有认知类疾病，可同时将相关的病症（例如：阿尔兹海默症）作为判断用户各项脑能力值的标准之一，以进一步提高判断的准确性。
S22：将年龄段、任务测评结果以及量表测评结果与预设常模相比较。
具体的，包括子步骤S211～S212：
S211：年龄段与预设常模相比较
通过分析系统以往已经采集的数千人次健康人的首次做人机交互任务的数据，按照健康人群在各个任务中的得分分布，得出各个任务中的人群百分等级对应的得分，生成《任务得分百分等级表》，作为全年龄阶段人群在各个任务中的常模。计算各个年龄段的正常人群在各个任务中的平均得分；对应《任务得分百分等级表》，计算其和全年龄阶段的常模数据相比，各个任务得分对应所处的百分位数。
各个任务由经典认知范式改变而成，依据文献参考指出任务所包括的脑能力，将涉及到同一个脑能力归到一个任务群中。对于该年龄段人群的某项脑能力，将其任务群中的各个任务得分的百分等级平均，获得该年龄人群和全年龄人群分布相比，该脑能力的百分等级。默认全年龄人群常模的脑能力值均为50（中位数分布），将各个年龄人群的脑能力的百分等级数作为其脑能力值，相应建立《年龄映射脑能力数据表》的表格。根据当前用户的年龄，获取对应的一套包含24项脑能力的默认脑能力值（DB，Default brain abilityvalue），以保证用户未诊断或无疾病且没有做过任何测评时有一套默认的脑能力标准取值。
部分《年龄映射脑能力数据表》如表1所示，该表格包含部分年龄阶段对应的各项脑能力值，例如：在表1中，30～34岁健康人群，对应的空间记忆为65，指的是：这项脑能力在正常人群中的百分等级为65，即：其空间记忆脑能力值超过了人群中65%的人群。
表1：年龄-脑能力值映射表
Figure DEST_PATH_IMAGE001
S212：任务测评结果以及量表测评结果与预设常模相比较
具体的，依据不同测评量表的得分情况获取用户对应的24项脑能力值。其中，测评量表至少包括：PCAT量表、MOCA量表和MMSE量表。每一个测评量表的得分情况都会对应到一项脑能力值，测评的项目越多，评估越精确。
测评包括PCAT（基本认知能力测评）、MOCA（蒙特利尔认知评估测验）、MMSE（简易认知测试），分别形成映射表《PCAT2BA》（PCAT-脑能力映射表）、《MOCA2BA》（MOCA-脑能力映射表）、《MMSE2BA》（MMSE-脑能力映射表）。映射表是基于以往在测评系统中，通过医生、认知训练师测评采集的正常人测试数据在PCAT、MOCA、MMSE中构成的人群得分的分布，建立的分数的常模。将正常人群在各个百分等级对应的得分，例如从低到高，排名前1%的人群对应的分数为X，以百分之一为单位，得到每个百分等级的对应得分，作为以上测评得分到脑能力值的映射表。
对于当前用户进行测评后，按照积分规则获取的测评得分，通过映射表，查找其得分对应的最接近的百分等级，以此百分等级作为其脑能力值。
下面对PCAT量表、MOCA量表和MMSE量表进行解释说明：
（1）PCAT量表
首先，根据上述提及的《PCAT量表》，从测试的得分（原始分）获得所占比例。该套测验是中科院心理所课题组多年的研究积淀，并在《国民重要心理特征》等多项国家级课题支持下完成了该大样本数据的常模建立，该套测验适用于具有小学4年级以上教育程度的儿童、青少年和中老年人，相应的年龄范围为10～90岁，通过10个年龄组的量表分换算表可以得到测试者的标准分数以及在同辈人群中所处的百分等级位置。
然后根据《PCAT2BA》（PCAT-脑能力映射表）获得对应脑能力的脑能力值，例如：名称为符号搜索的测评任务得分为70分，则通过《PCAT量表》得到的“所占比例”为99.0%，则对应脑能力客体识别和加工速度的脑能力值CA为99。
表2：PCAT-脑能力映射表
Figure 98919DEST_PATH_IMAGE002
Figure 406273DEST_PATH_IMAGE003
注：表2中首行表示的是24种脑能力，首列表示的是测评任务的名称，百分数对应的是《PCAT量表》中的“所占比例”。测评任务和脑能力的对应关系通过分析同一批用户各测评任务得分和用户的脑能力值的相关性来确定，如符号搜索的得分和两个脑能力（客体识别、加工速度）存在显著的正相关，符号搜索得分越高，客体识别和加工速度的脑能力值越高。
（2）MOCA量表（Montreal Cognitive Assessment，蒙特利尔认知评估量表）
蒙特利尔认知评估（MoCA）是一个用来对轻度认知功能异常（MCI）进行快速筛查的评定工具。它评定了许多不同的认知领域，包括：注意与集中，执行功能，记忆，语言，视觉空间技能，抽象思维，计算和定向力。量表已在高教育程度的老年人（平均教育年限13年）中验证发现MCI用户及鉴别用户于健康老年人的能力。
蒙特利尔认知能力评估的原始得分依据该工具的计分标准，即用户在每个任务中的客观作答结果的正确错误计分得出，最终统计出用户在测量工具上的总得分，量表总分为30分，测试结果显示为正常值为≥26分。
获得用户的MoCA得分后，依据《MoCA-脑能力映射表》得出用户的各项脑能力值。首先从原始数据（MoCA量表的单个题目得分）计算出用户各因子（指量表评定的不同认知域，如记忆、注意、语言等）的得分（因子和题目的对应关系如量表内容所示），然后根据线性分布将因子得分与脑能力一一对应。例如：因子延迟记忆的因子分为3分时，对应到脑能力客体记忆的得分为40，其中，该量表为筛查量表而非评估量表，主要作用为筛选出存在认知功能障碍的用户，因此对应到脑能力时均为平均水平50（也称百分等级50，即在人群中处于中间位置，超过了50%的人）以下，具体对应关系为：脑能力值BA＝50*因子分/因子满分）。
表3：脑能力值与MOCA量表中各因子的对应表
Figure 982747DEST_PATH_IMAGE004
注：表3中首行表示的是24种脑能力，首列表示的是MOCA量表各因子的名称。测评任务和脑能力的对应关系通过分析同一批用户MOCA量表各因子得分和用户的脑能力值的相关性来确定，如因子—延迟记忆的得分和脑能力—客体记忆存在显著的正相关，延迟记忆得分越高，客体记忆的脑能力值越高。
（3）MMSE量表（Mini-mental State Examinatio，简易智力状态检查量表）
简易智力状态检查量表是Folstein等编制的用于评估认知功能的简易工具，经过实践摸索，逐渐用于筛查痴呆用户、判断认知损伤的严重程度并跟踪记录病情变化情况。该量表包含定向、词语即刻记忆、心算、词语回忆、语言能力以及结构模仿的六个方面，信效度良好（内部一致性系数0.99），该量表依据不同教育程度分别制定常模分。
简易精神状态评价量表的原始得分依据该工具的计分标准，即用户在每个任务中的客观作答结果的正确错误计分得出。最终统计出用户在测量工具上的总得分。量表总分范围为0～30分。测验成绩与文化水平密切相关，正常界值划分标准为：文盲>17分，小学>20分，初中及以上>24分。
获得用户的MMSE得分后，依据《MMSE对脑能力映射表》得出用户的各项脑能力值。首先从原始数据（MMSE量表的单个题目得分）计算出用户各因子（指量表评定的不同认知域，如记忆、注意、语言等）下的得分(因子和题目的对应关系如量表内容所示)；然后根据线性分布将因子（指量表评定的不同认知域，如记忆、注意、语言等）得分与对应的脑能力一一对应。
例如：记忆力的因子分为3分时，对应到脑能力客体记忆的得分为35（该量表为筛查量表而非评估量表，主要作用为筛选出存在认知功能障碍的用户，因此对应到脑能力时均为平均水平50（也称百分等级50，即在人群中处于中间位置，超过了50%的人）以下，具体对应关系为：脑能力BA值＝50*因子分/因子满分。
表4：脑能力值与MMSE量表中各因子的对应表
Figure 768170DEST_PATH_IMAGE005
注：表4中首行表示的是24种脑能力，首列表示的是MMSE量表各因子（指量表评定的不同认知域，如记忆、注意、语言等）的名称。测评任务和脑能力的对应关系通过分析同一批用户MMSE量表各因子（指量表评定的不同认知域，如记忆、注意、语言等）得分和用户的脑能力值的相关性来确定，如因子—记忆力的得分和脑能力—客体记忆存在显著的正相关，记忆力得分越高，客体记忆的脑能力值越高。
S23：基于比较结果，获取用户对应多项设定脑能力的各项脑能力值。
具体的，当完成上述比较后，基于年龄段以及认知测评的比较结果，从而得到至少两套用户对应多项设定脑能力的各项脑能力值，然后，基于用户的两套24项脑能力值，综合得出用户对应24项设定脑能力的24项脑能力值。
S3：基于用户的各项脑能力值，获取用户的平均脑网络水平。
具体的，包括子步骤S31～S32：
S31：根据用户的24项脑能力值，基于24项脑能力与8项脑网络的对应关系（部分如图4所示），获取用户的8项脑网络水平。
比如：凸显网络下相关的脑能力包括四项：空间注意、选择注意、注意分配、积极情绪。则用户的凸显网络脑网络水平为四项相关脑能力的平均。比如：某个用户的空间注意在常模中的百分等级为65，选择注意在常模中的百分等级为40，注意分配在常模中的百分等级为55，积极情绪在常模中的百分等级为40。该用户的凸显网络脑网络水平为四项百分等级的平均：（65＋40＋55＋40）/4＝50。即：该用户的脑网络水平是在人群中的脑网络水平的百分等级为50。
S32：将用户的各项脑网络水平进行平均，获得用户的平均脑网络水平。
当获知用户的8项脑网络水平后，通过将用户的各项脑网络水平进行平均，从而可得到用户的平均脑网络水平，以通过数据的方式反映用户目前的认知情况。
S4：根据预先得到的平均脑网络水平与人机交互任务的数量的映射表，确定用户的推荐交互任务数量N；其中，N为正整数。
具体的，预先通过实验和统计，得到具有特定的平均脑网络水平的人群的相适应的人机交互任务数量（优选任务数量）N1、N2、N3……即与第一平均脑网络水平对应的任务数量是N1；与第二平均脑网络水平对应的任务数量N2，从而形成平均脑网络水平与人机交互任务的数量的映射表。第一平均脑网络水平和第二平均脑网络水平不相同，并且可以是具体值，也可以是范围值。
通过上述步骤S3确定用户的平均脑网络水平后，即可根据该映射表确定对应该平均脑网络水平的推荐任务数量N，即N个人机交互任务为最符合该类人群舒适度和人机交互强度的数量。
S5：从多项设定脑网络中，随机抽取N项脑网络。
具体的，包括子步骤S51～S53：
S51：将用户的多项脑网络按照水平高低进行排序，例如：按照1～Ψ进行排序，Ψ为脑网络数（本实施例中，Ψ＝8），取值正整数≥1，排序为1的脑网络水平最低，排序为Ψ的脑网络水平最高。
S52：采用加权随机抽样算法，对每项脑网络附加一个权重比例；其中，其中，每项脑网络被抽中的概率由权重比例确定，权重比例由多项脑网络的排序而定，脑网络水平越低，排序越靠前，加权越高，越容易被抽到。
S53：按照所附加的权重比例，在用户的多项脑网络中抽取N项脑网络。
例如：参照表5所示，以N＝5为例进行说明：
表5：脑网络抽取表
Figure 176017DEST_PATH_IMAGE006
S6：基于所抽取的N项脑网络，根据分群化多元回归模型获取N个人机交互任务，以形成人机交互方案推送给用户进行人机交互。
具体的，包括子步骤S61～S63：
S61：针对所抽取的每一项脑网络，基于分群化多元回归模型，获取与该项脑网络关联性最强的脑能力。其中，脑能力与脑网络的关联性基于脑能力与脑网络的相关程度确定，即：某一脑能力与某一脑网络的相关程度越大，则二者的关联性越强，反之，则二者的关联性越弱。
S62：根据获取的脑能力，基于分群化多元回归模型，获取与脑能力关联性最强的人机交互任务。其中，脑能力与人机交互任务的关联性基于脑能力与人机交互任务的相关程度和人机交互任务的新鲜度确定，即：某一脑能力与某一人机交互任务之间的相关程度越大，且人机交互任务的越新鲜（即：人机交互的次数越少），则二者的关联性越强，反之，则二者的关联性越弱。
S63：重复步骤S61～S62，直至抽取N个人机交互任务，从而形成人机交互方案推送给用户进行人机交互，以用于提升用户的平均脑网络水平。
S7：获取用户的人机交互结果，并更新用户的平均脑网络水平。
当用户按照上述人机交互方案完成人机交互后，用户的认知能力会得到提升或改善，从而使得用户的24项脑能力值产生变化（对应于步骤S2）。根据变化后的24项脑能力值，可重新计算出用户的平均脑网络水平（对应于步骤S3），以更新用户的平均脑网络水平。
具体的，本实施例中，平均脑网络水平的更新方式如下：
首先，基于人机交互任务的得分，按照公式BA’＝( BA＋b*P*TT)/(1＋b*P)计算更新后用户的24项脑能力值。其中，BA’是用户提升后的脑能力值；BA是用户根据测评、病症、年龄得出的初始脑能力值，并在每次人机交互后进行更新；TT为当前人机交互任务中基于得分计算的脑能力值；P为人机交互任务与脑能力的关联性；b为人机交互相对于脑能力的权重。
然后，基于更新后用户的24项脑能力值，利用公式BNS’＝( BNS＋ w*R*BA’)/(1＋w*R)计算更新后用户的各项脑网络水平。其中，BNS’是人机交互后的脑网络水平；BNS是根据初始脑能力值BA得出的初始脑网络水平，并在每次人机交互后进行更新；BA’为根据人机交互的任务得分计算更新的脑能力值；R为用户的各项脑能力与该项脑网络的关联性；w为用户的各项脑能力相对于该项脑网络的权重。
最后，通过将更新后用户的各项脑网络水平进行平均，从而得到更新后用户的平均脑网络水平。
S8：根据更新后用户的平均脑网络水平，重新确定用户的推荐交互任务数量N’以及最新的人机交互方案。
具体的，当用户的平均脑网络水平得到更新后，通过平均脑网络水平与人机交互任务的数量的映射表可重新确定用户的推荐交互任务数量N’（对应于步骤S4），进而通过步骤S5～S6重新确定最新的人机交互方案，以用于对用户的认知能力进行再次提升。
S9：重复上述步骤S1～S8，直至用户的平均脑网络水平达到正常水平。
在上述基于神经网络的认知提升方法的基础上，本发明进一步提供一种基于神经网络的认知提升系统。如图5所示，该认知提升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神经网络的认知提升方法。
其中，处理器21用于控制该认知提升系统的整体操作，以完成上述基于神经网络的认知提升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提升系统的操作，这些数据例如可以包括用于在该认知提升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，认知提升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，用于执行上述的基于神经网络的认知提升方法，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神经网络的认知提升方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由认知提升系统的处理器执行以完成上述的基于神经网络的认知提升方法，并达到如上述方法一致的技术效果。
综上所述，本发明提供的基于神经网络的认知提升方法及系统，不仅可以采用已有用户的训练标签进行机器学习，建立分群化多元回归模型，构造从特定适应症群体的脑网络到脑能力再到人机交互任务的量化关系，使得人机交互任务的效用明确映射到底层脑网络，从而实现基于脑网络到人机交互任务的映射方案。而且，以涵盖脑功能更全、测评更客观、形式更生态的任务式测评补充了原有的传统量表测评，将人口统计学信息（年龄阶段）、量表测评、客观任务式测评多维结合，实现了基于大数据常模的精准对应的认知测评结果，并以此计算出用户个体化的平均脑网络水平，据此生成靶向治疗的个性化定制式人机交互方案，以提高认知提升的针对性和有效性。
上面对本发明所提供的基于神经网络的认知提升方法及系统进行了详细的说明。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 (7)

1.一种基于神经网络的认知提升方法，其特征在于包括如下步骤：
以多项设定脑能力为中介，构建多项设定脑网络到多个设定人机交互任务的分群化多元回归模型；具体包括：基于理论文献建立多个人机交互任务与多项脑能力的质性关联，形成第一关系矩阵；基于聚类分析建立多项脑能力与多项脑网络的质性关联，形成第二关系矩阵；基于所述第一关系矩阵和所述第二关系矩阵，构建脑网络－脑能力－人机交互任务的映射关系；基于所述脑网络－脑能力－人机交互任务的映射关系，构建分群化多元回归模型；
获取用户对应所述多项设定脑能力的各项脑能力值；
基于所述用户的各项脑能力值，获取所述用户的平均脑网络水平；具体包括：根据所述用户的各项脑能力值，基于所述多项脑能力与多项脑网络的对应关系，获取所述用户的各项脑网络水平；将所述用户的各项脑网络水平进行平均，获得所述用户的平均脑网络水平；
根据预先得到的平均脑网络水平与人机交互任务的数量的映射表，确定用户的推荐交互任务数量N；其中，N为正整数；
从所述多项设定脑网络中，随机抽取N项脑网络；
基于所抽取的N项脑网络，根据所述分群化多元回归模型获取N个人机交互任务，以形成人机交互方案推送给用户进行人机交互；
获取所述用户的人机交互结果，并更新所述用户的平均脑网络水平，直至所述用户的平均脑网络水平达到正常水平；具体包括：基于人机交互任务的得分，按照公式BA’＝( BA＋b*P*TT)/(1＋b*P)计算更新所述用户的脑能力值；其中，BA’是用户提升后的脑能力值；BA是用户根据测评、病症、年龄得出的初始脑能力值，并在每次人机交互后进行更新；TT为当前人机交互任务中基于得分计算的脑能力值；P为人机交互任务与脑能力的关联性；b为人机交互相对于脑能力的权重；基于更新后用户的各项脑能力值，利用公式BNS’＝( BNS＋w * R * BA’)/(1＋w * R)计算更新后用户的各项脑网络水平；其中，BNS’是人机交互后的脑网络水平；BNS是根据初始脑能力值BA得出的初始脑网络水平，并在每次人机交互后进行更新；BA’为根据人机交互的任务得分计算更新的脑能力值；R为用户的各项脑能力与对应脑网络的关联性；w为用户的各项脑能力相对于对应脑网络的权重；将所述更新后用户的各项脑网络水平进行平均，以获取更新后用户的平均脑网络水平。
2.如权利要求1所述的认知提升方法，其特征在于，所述获取用户对应所述多项设定脑能力的各项脑能力值，具体包括：
获取所述用户的年龄段、任务测评结果以及量表测评结果；
将所述年龄段、任务测评结果以及量表测评结果与预设常模相比较；
基于比较结果，获取所述用户对应所述多项设定脑能力的各项脑能力值。
3.如权利要求1所述的认知提升方法，其特征在于，所述从所述多项设定脑网络中，随机抽取N项脑网络，具体包括：
将所述用户的多项脑网络按照水平高低进行排序；
采用加权随机抽样算法，对每项脑网络附加一个权重比例；
按照所附加的权重比例，在所述用户的多项脑网络中抽取N项脑网络；
其中，每项脑网络被抽中的概率由所述权重比例确定，所述权重比例由多项脑网络的排序而定，脑网络水平越低，排序越靠后，加权越高，越容易被抽到。
4.如权利要求1所述的认知提升方法，其特征在于还包括：
在建立所述分群化多元回归模型的过程中，采用最大似然估计的方式对所述分群化多元回归模型进行回归分析；
根据所述回归分析结果，获取各项脑能力与各个人机交互任务的关联性，以及各项脑能力与各项脑网络的关联性。
5.如权利要求4所述的认知提升方法，其特征在于，所述基于所抽取的N项脑网络，根据所述分群化多元回归模型获取N个人机交互任务，具体包括：
针对所抽取的每一项脑网络，基于所述分群化多元回归模型，获取与对应脑网络关联性最强的脑能力；
根据获取的所述与对应脑网络关联性最强的脑能力，基于所述分群化多元回归模型，获取与所述脑能力关联性最强的人机交互任务。
6.如权利要求5所述的认知提升方法，其特征在于，所述脑能力与人机交互任务的关联性基于所述脑能力与所述人机交互任务的相关程度和所述人机交互任务的新鲜度确定；所述脑能力与所述脑网络的关联性基于所述脑能力与所述脑网络的相关程度确定。
7.一种基于神经网络的认知提升系统，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：
以多项设定脑能力为中介，构建多项设定脑网络到多个设定人机交互任务的分群化多元回归模型；具体包括：基于理论文献建立多个人机交互任务与多项脑能力的质性关联，形成第一关系矩阵；基于聚类分析建立多项脑能力与多项脑网络的质性关联，形成第二关系矩阵；基于所述第一关系矩阵和所述第二关系矩阵，构建脑网络－脑能力－人机交互任务的映射关系；基于所述脑网络－脑能力－人机交互任务的映射关系，构建分群化多元回归模型；
获取用户对应所述多项设定脑能力的各项脑能力值；
基于所述用户的各项脑能力值，获取所述用户的平均脑网络水平；具体包括：根据所述用户的各项脑能力值，基于所述多项脑能力与多项脑网络的对应关系，获取所述用户的各项脑网络水平；将所述用户的各项脑网络水平进行平均，获得所述用户的平均脑网络水平；
根据预先得到的平均脑网络水平与人机交互任务的数量的映射表，确定用户的推荐交互任务数量N；其中，N为正整数；
从所述多项设定脑网络中，随机抽取N项脑网络；
基于所抽取的N项脑网络，根据所述分群化多元回归模型获取N个人机交互任务，以形成人机交互方案推送给用户进行人机交互；
获取所述用户的人机交互结果，并更新所述用户的平均脑网络水平，直至所述用户的平均脑网络水平达到正常水平；具体包括：基于人机交互任务的得分，按照公式BA’＝( BA＋b*P*TT)/(1＋b*P)计算更新所述用户的脑能力值；其中，BA’是用户提升后的脑能力值；BA是用户根据测评、病症、年龄得出的初始脑能力值，并在每次人机交互后进行更新；TT为当前人机交互任务中基于得分计算的脑能力值；P为人机交互任务与脑能力的关联性；b为人机交互相对于脑能力的权重；基于更新后用户的各项脑能力值，利用公式BNS’＝( BNS＋w * R * BA’)/(1＋w * R)计算更新后用户的各项脑网络水平；其中，BNS’是人机交互后的脑网络水平；BNS是根据初始脑能力值BA得出的初始脑网络水平，并在每次人机交互后进行更新；BA’为根据人机交互的任务得分计算更新的脑能力值；R为用户的各项脑能力与对应脑网络的关联性；w为用户的各项脑能力相对于对应脑网络的权重；将所述更新后用户的各项脑网络水平进行平均，以获取更新后用户的平均脑网络水平。
CN202210791199.9A 2022-07-06 2022-07-06 一种基于神经网络的认知提升方法及系统 Active CN114864051B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210791199.9A CN114864051B (zh) 2022-07-06 2022-07-06 一种基于神经网络的认知提升方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210791199.9A CN114864051B (zh) 2022-07-06 2022-07-06 一种基于神经网络的认知提升方法及系统

Publications (2)

Publication Number Publication Date
CN114864051A CN114864051A (zh) 2022-08-05
CN114864051B true CN114864051B (zh) 2022-10-04

Family

ID=82625985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210791199.9A Active CN114864051B (zh) 2022-07-06 2022-07-06 一种基于神经网络的认知提升方法及系统

Country Status (1)

Country Link
CN (1) CN114864051B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115061578A (zh) * 2022-08-17 2022-09-16 首都医科大学宣武医院 一种认知障碍多维评估的人机交互方法及系统
CN115662576B (zh) * 2022-12-30 2023-05-09 北京航空航天大学 关联认知障碍病症的神经反馈训练范式的生成方法和系统
CN117789932A (zh) * 2024-02-25 2024-03-29 首都医科大学附属北京儿童医院 一种发展性阅读障碍的认知提升方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111009324A (zh) * 2019-11-25 2020-04-14 东北大学 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法
CN113288147A (zh) * 2021-05-31 2021-08-24 杭州电子科技大学 基于eeg与神经反馈技术的轻度认知障碍康复评估系统
CN113476817A (zh) * 2021-07-07 2021-10-08 鹤壁市人民医院 一种基于神经网络算法的认知康复训练系统
CN113558603A (zh) * 2021-06-11 2021-10-29 杭州电子科技大学 一种基于深度学习的多模态认知障碍识别方法
CN113643796A (zh) * 2021-10-12 2021-11-12 北京智精灵科技有限公司 一种用于认知矫正训练的人机交互方法及系统
CN113871015A (zh) * 2021-12-02 2021-12-31 北京智精灵科技有限公司 用于提升认知的人机交互方案推送方法及系统
CN113948212A (zh) * 2020-11-25 2022-01-18 北京未名脑脑科技有限公司 认知功能的训练系统和训练方法
CN114096194A (zh) * 2019-05-30 2022-02-25 阿塞拉尔有限公司 用于认知训练和监控的系统和方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169714A1 (en) * 2015-12-11 2017-06-15 University Of Rochester Methods and Systems for Cognitive Training Using High Frequency Heart Rate Variability
US20190159716A1 (en) * 2016-08-03 2019-05-30 Akili Interactive Labs, Inc. Cognitive platform including computerized evocative elements
WO2021046583A1 (en) * 2019-09-04 2021-03-11 Gaitiq, Llc Gait-based assessment of neurodegeneration
CN110827271A (zh) * 2019-11-13 2020-02-21 上海交通大学 基于功能影像数据构建个体辨识力提高的脑功能网络方法
CN110827953A (zh) * 2019-11-14 2020-02-21 复旦大学 基于vr的认知记忆力训练评估系统、方法及存储介质
CN111524602B (zh) * 2020-04-28 2023-09-22 翟路海 一种老年人记忆及认知功能评估筛查预警系统
EP3955260A1 (en) * 2020-08-13 2022-02-16 Siemens Healthcare GmbH Clinical decision support
CN113558602B (zh) * 2021-06-11 2023-11-14 杭州电子科技大学 一种假设驱动的认知障碍脑网络分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114096194A (zh) * 2019-05-30 2022-02-25 阿塞拉尔有限公司 用于认知训练和监控的系统和方法
CN111009324A (zh) * 2019-11-25 2020-04-14 东北大学 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法
CN113948212A (zh) * 2020-11-25 2022-01-18 北京未名脑脑科技有限公司 认知功能的训练系统和训练方法
CN113288147A (zh) * 2021-05-31 2021-08-24 杭州电子科技大学 基于eeg与神经反馈技术的轻度认知障碍康复评估系统
CN113558603A (zh) * 2021-06-11 2021-10-29 杭州电子科技大学 一种基于深度学习的多模态认知障碍识别方法
CN113476817A (zh) * 2021-07-07 2021-10-08 鹤壁市人民医院 一种基于神经网络算法的认知康复训练系统
CN113643796A (zh) * 2021-10-12 2021-11-12 北京智精灵科技有限公司 一种用于认知矫正训练的人机交互方法及系统
CN113871015A (zh) * 2021-12-02 2021-12-31 北京智精灵科技有限公司 用于提升认知的人机交互方案推送方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于自适应多任务卷积神经网络的脑网络分类方法;邢新颖等;《计算机研究与发展》;20200707(第07期);正文第1449-1458页 *
面向人类智能增强的多模态人机交互;王党校等;《中国科学:信息科学》;20180420(第04期);正文第449-462页 *

Also Published As

Publication number Publication date
CN114864051A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN114864051B (zh) 一种基于神经网络的认知提升方法及系统
Kenett et al. The semantic distance task: Quantifying semantic distance with semantic network path length.
Kuzior et al. Cognitive technologies and artificial intelligence in social perception
Dronkers et al. A cross-national analysis of the relations of school choice and effectiveness differences between private-dependent and public schools
Chakrabarty Association of statistics with biostatistics research
Jorgensen Cross-cultural comparisons
CN107292785A (zh) 一种出题方法及系统
WO2016094348A1 (en) Identifying opportunities and/or complimentary personal traits
Currie et al. Keeping yourself updated: Bayesian approaches in phylogenetic comparative methods with a focus on Markov chain models of discrete character evolution
Rinner et al. Map‐based exploratory evaluation of non‐medical determinants of population health
Afshar et al. Presenting a new multiclass classifier based on learning automata
CN108932593A (zh) 一种认知影响因素分析方法及装置
Tan et al. Examining key capitals contributing to students' science‐related career expectations and their relationship patterns: A machine learning approach
Cadiz et al. Game-Based Learning Approach in Science Education: A Meta-Analysis
CN114870191B (zh) 基于人格差异的认知评估提升方法及系统
CN115061578A (zh) 一种认知障碍多维评估的人机交互方法及系统
Godfrey Creating Matched Samples Using Exact Matching. Statistical Report 2016-3.
Jalannavar et al. Migraine Prediction Using Deep Learning Model
Shams et al. Happiness across the life span: Evidence from urban Pakistan
Tammouch et al. Centroid competitive learning approach for clustering and mapping the social vulnerability in Morocco
CN110069783A (zh) 一种答题内容评测方法及装置
Gandy et al. Creating a Student Success Predictor Using Statistical Learning
CN116431800B (zh) 考试界面的生成方法、设备和可读存储介质
Ftaïta et al. Optimized experimental designs to best detect spatial positional association of response codes in working memory
CN109947927B (zh) 一种信息处理方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant