CN115423054B - 基于认知障碍患者人格特征的不定时训练激励方法及系统 - Google Patents
基于认知障碍患者人格特征的不定时训练激励方法及系统 Download PDFInfo
- Publication number
- CN115423054B CN115423054B CN202211387995.2A CN202211387995A CN115423054B CN 115423054 B CN115423054 B CN 115423054B CN 202211387995 A CN202211387995 A CN 202211387995A CN 115423054 B CN115423054 B CN 115423054B
- Authority
- CN
- China
- Prior art keywords
- training
- cognitive disorder
- cognitive
- patient
- excitation
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Neurology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于认知障碍患者人格特征的不定时训练激励方法及系统。该方法包括如下步骤:基于预设的数列库,随机获取一个数列;根据认知障碍患者的人格特征获取人格化分类结果;根据认知障碍患者的训练需求,获取训练方案;根据人格化分类结果,获取对应认知障碍患者的可触发激励内容;获取认知障碍患者在训练方案的执行过程中,可触发激励内容的触发时机;根据随机数列,依次将符合次数的触发时机所对应的激励内容反馈给认知障碍患者;获取认知障碍患者经过不定时激励后的行为反应数据,并对行为反应数据进行建模分析;根据对行为反应数据的分析结果,对认知障碍患者的可触发激励内容以及可触发激励内容的触发条件进行迭代更新。
Description
技术领域
本发明涉及一种基于认知障碍患者人格特征的不定时训练激励方法,同时也涉及相应的不定时训练激励系统,属于医疗保健信息学领域。
背景技术
认知障碍(cognitive disorder)又称认知缺陷,是与学习、记忆以及思维判断有关的大脑高级智能加工过程出现异常,从而引起学习、记忆障碍,并同时伴有失语、失用、失认等改变的病理过程。可因颅脑外伤、脑血管疾病、脑老化、慢性全身疾病、环境、精神心理异常等多种因素引起。
为了改善认知障碍患者的生活质量,有必要对患病人群进行认知和运动方面的康复训练。在康复训练过程中,如何对认知障碍患者的行为进行正向激励,增加用户粘性使其持续进行认知和运动训练,从而强化认知障碍患者的康复训练效果,仍然是当前康复训练领域面临的重大问题。
在国际公布号为WO2019/173189的PCT申请中,公开了一种针对患者个体的个性化认知处理建议的系统和方法。该系统包括一个或更多个处理器;以及存储器,其用于存储处理器可执行指令。在执行该指令时,一个或更多个处理器:接收用于至少一个认知处理工具的参数;接收指示个体的病况的生理数据,和/或与个体相关联的临床数据;并基于生理数据和/或临床数据生成个性化的认知处理建议。该建议包括对以下各项的指定:(i) 至少一个第一认知处理工具,(ii) 与至少一个第一认知处理工具不同的至少一个第二认知处理工具,或者(iii)第一认知处理工具和第二认知处理工具两者。
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认知障碍患者人格特征的不定时训练激励方法。
本发明所要解决的另一技术问题在于提供一种基于认知障碍患者人格特征的不定时训练激励系统。
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,提供一种基于认知障碍患者人格特征的不定时训练激励方法,包括如下步骤:
基于预设的数列库,随机获取一个数列,其中,所述数列包括多个由小到大排列的自然数;
根据所述认知障碍患者的人格特征,获取所述认知障碍患者的人格化分类结果;根据所述认知障碍患者的训练需求,获取训练方案;
基于预设的各人格化分类结果与多种激励内容的映射关系,根据所述认知障碍患者的人格化分类结果,获取对应所述认知障碍患者的可触发激励内容;
基于预设的多种激励内容的触发条件,获取所述认知障碍患者在所述训练方案的执行过程中,所述可触发激励内容的触发时机;
根据所述数列,按照所述由小到大排列的自然数,依次将符合次数的触发时机所对应的激励内容反馈给所述认知障碍患者,以对所述认知障碍患者进行激励;
获取所述认知障碍患者经过不定时激励后的行为反应数据,并对所述行为反应数据进行建模分析;
根据对所述行为反应数据的分析结果,对所述认知障碍患者的可触发激励内容以及所述可触发激励内容的触发条件进行迭代更新。
其中较优地,所述根据所述认知障碍患者的人格特征,获取所述认知障碍患者的人格化分类结果,包括如下步骤:
获取所述认知障碍患者的人格测评结果;
基于所述认知障碍患者的人格测评结果,获取所述认知障碍患者的人格主导因子;
根据所述人格主导因子,获取所述认知障碍患者的人格化分类结果;
其中,所述人格主导因子包括支配性、影响性、稳健性以及服从性中的一种;所述人格化分类结果包括支配性人格Ds、影响性人格Is、稳健性人格Ss以及服从性人格Cs中的一种。
其中较优地,所述各人格化分类结果与多种激励内容的映射关系,包括:
针对所述支配性人格Ds,对应的激励内容包括:表达对所述认知障碍患者运动目标的肯定GA、对所述认知障碍患者效率高的认可EA、对所述认知障碍患者的错误进行忽略不要指出EI、给予所述认知障碍患者适当的任务进度加快权限PA、鼓励所述认知障碍患者分享经验ES;
针对所述影响性人格Is,对应的激励内容包括:对所述认知障碍患者参与运动的行为进行肯定BA、因所述认知障碍患者容易分心注意对进度的提醒PR、忽略所述认知障碍患者错误以减少所述认知障碍患者被拒绝感EI、认可所述认知障碍患者认知训练成绩在群体中的排名RE、鼓励所述认知障碍患者分享经验ES;
针对所述稳健性人格Ss,对应的激励内容包括:对所述认知障碍患者坚持进行认知训练的品质进行肯定TA、对所述认知障碍患者取得的认知训练成绩进行肯定AE、对少量的错误进行语气平稳的指导EG、认可所述认知障碍患者认知训练成绩在群体中的排名RE、对所述认知障碍患者的勤奋、认真态度进行肯定AA;
针对所述服从性人格Cs,对应的激励内容包括:对所述认知障碍患者设定的运动目标和计划的肯定GA、肯定所述认知障碍患者坚持锻炼的品质TA、对所述认知障碍患者运动细节进行肯定PM、对所述认知障碍患者训练提升的百分点进行明确肯定PI、忽略所述认知障碍患者错误以减少所述其自我否定EI。
其中较优地,所述多种激励内容的触发条件,包括:
以认知障碍患者训练动作的持续时长RT为评判指标之一:所述持续时长超过MRT-SDRT,触发PR激励;所述持续时长超过MRT+SDRT,触发TA、RE激励;其中,MRT为所述训练动作的平均训练时长,SDRT为多次训练的训练时长的标准差;
以认知障碍患者训练动作的动作标准度为评判指标之二:认知障碍患者开始做新的训练动作,触发BA激励;所述动作标准度低于20%,触发EI激励;所述动作标准度位于20%~70%之间,触发EG激励;所述动作标准度高于70%,触发PM激励;所述动作标准度高于上一次动作标准度,触发PI激励;
以新的认知训练任务为评判指标之三:认知障碍患者开启新的认知训练任务,触发GA激励;
以训练时长与动作标准度的复合分析为评判指标之四:所述训练时长少于常模标准时长且所述动作标准度达到80%,触发ES激励;在一次认知训练任务中,所述训练时长少于常模标准时长且动作标准度超过80%的次数超过3次,触发EA激励;连续两次认知训练任务触发EA激励,则触发PA激励;
以训练次数为评判指标之五:所述训练次数高于2次,触发AE激励;所述训练次数高于2次且所述训练动作的持续时长RT超过MRT+SDRT,触发AA激励。
其中较优地,所述获取所述认知障碍患者经过不定时激励后的行为反应数据,并对所述行为反应数据进行建模分析,包括如下步骤:
针对所述运动行为数据,通过定义预设的内积函数实现非线性变换,以将输入空间变换到一个高维空间,并在所述高维空间中求取最优线性分界面,以形成随着所述认知障碍患者训练过程的情绪状态的变化表征;其中,所述预设的内积函数包括多项式内积函数、径向基内积函数、Sigmoid内积函数;
引入人工神经网络模型,将多模态特征数据和激励内容作为所述人工神经网络的输入,以激励内容呈现后预设时间内认知障碍患者的情绪状态作为不定时激励是否起效的检测因子,构建机器学习模型,模拟人脑神经元细胞的网络结构,计算类别间分界面,定位表征不同训练人群的激励内容是否有效对认知障碍患者的认知训练形成激励作用;其中,能够产生积极情绪状态的激励内容被认为是具有有效的激励内容,而产生消极情绪的激励内容则被认为是无效激励内容;所述多模态特征至少包括人口学变量、人格特征变量、躯体症状变量、训练次数变量、动作时长变量;
通过所述人工神经网络模型对系统激励内容的激励有效性进行量化评估。
其中较优地,所述根据对所述行为反应数据的分析结果,对所述认知障碍患者的可触发激励内容进行迭代更新,包括如下步骤:
每增加预设数量的真实认知障碍患者数据,使用所述人工神经网络模型进行一次激励内容迭代评估,对超过50%的认知障碍患者有效的激励内容被定义为高影响激励内容,对超过50%认知障碍患者无效的激励内容被定义为低影响激励内容;
对于所述高影响激励内容,保留与所述认知障碍患者的人格化分类结果的映射关系;
对于所述低影响激励内容,相似性插补,进行可触发激励内容的更新。
其中较优地,所述根据对所述行为反应数据的分析结果,对所述可触发激励内容的触发条件进行迭代更新,包括如下步骤:
根据预测的所述认知障碍患者的认知训练效果,对激励内容的出现时间聚类分析,以将所述认知障碍患者的可触发激励内容分为高效激励内容和低效激励内容;
根据所述高效激励内容的出现时间,进行激励时间的数值调整。
其中较优地,所述不定时训练激励方法,还包括如下步骤:
基于所述认知障碍患者的个人信息、人格特征、训练需求,获取所述认知障碍患者的静态画像;
基于所述认知障碍患者在训练过程中的表情特征、肢体动作、语言特征和生理特征,获取所述认知障碍患者的动态画像;
基于所述静态画像和所述动态画像,获取所述认知障碍患者的综合画像。
其中较优地,相邻两次获取的数列不同。
根据本发明实施例的第二方面,提供一种基于认知障碍患者人格特征的不定时训练激励系统,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:
基于预设的数列库,随机获取一个数列,其中,所述数列包括多个由小到大排列的自然数;
根据所述认知障碍患者的人格特征,获取所述认知障碍患者的人格化分类结果;根据所述认知障碍患者的训练需求,获取训练方案;
基于预设的各人格化分类结果与多种激励内容的映射关系,根据所述认知障碍患者的人格化分类结果,获取对应所述认知障碍患者的可触发激励内容;
基于预设的多种激励内容的触发条件,获取所述认知障碍患者在所述训练方案的执行过程中,所述可触发激励内容的触发时机;
根据所述数列,按照所述由小到大排列的自然数,依次将符合次数的触发时机所对应的激励内容反馈给所述认知障碍患者,以对所述认知障碍患者进行激励;
获取所述认知障碍患者经过不定时激励后的行为反应数据,并对所述行为反应数据进行建模分析;
根据对所述行为反应数据的分析结果,对所述认知障碍患者的可触发激励内容以及所述可触发激励内容的触发条件进行迭代更新。
与现有技术相比较,本发明具有以下的技术效果:
一.基于不同认知障碍患者的人格特征进行激励内容设计,采集多模态数据指标进行建模分析,通过理论与数据结合的方式构建激励系统,能够更加符合认知障碍患者的认知和行为特点,以增加反馈的效率、提升认知训练效果。
二.基于复合人格的支配性、影响性、稳健性、服从性特征,设计出不同分类、不同形式的激励体系,建立4项人格化分类结果与14种激励内容的映射关系。
三.建立包括PR、TA、RE、BA、EI、EG、PM、PI、GA、ES、EA、AE、AA、PA在内共计14种激励内容,并根据每种激励内容的特点给出对应的逻辑表达方法,形成了激励内容的量化构建。
四. 使用三种机器学习模型建模思路,将人格特征、人口学信息等线性数据,与语音、视频等非线性数据融合,进行多模态数据的分析和建模,最终实现对激励内容的分类探索。
附图说明
图1为本发明实施例提供的一种基于认知障碍患者人格特征的不定时训练激励方法的整体流程图;
图2为本发明实施例提供的一种基于认知障碍患者人格特征的不定时训练激励方法的具体流程图;
图3为本发明实施例中,4项人格化分类结果与14种激励内容的映射关系示意图;
图4为本发明实施例提供的一种基于认知障碍患者人格特征的不定时训练激励系统的结构图。
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。
图1和图2所示为本发明实施例提供的一种基于认知障碍患者人格特征的不定时训练激励方法,其至少包括步骤S1~S7:
S1:获取随机数列。
具体的,在本发明的一个实施例中,需要预先设置一个数列库,该数列库中具有多个数列,每个数列均由多个由小到大排列的自然数组成。例如:数列库中具有N个数列,数列一:1、3、5、6、7;数列二:2、4、6、8、9;数列三:3、4、6、7、8;······数列N:2、3、5、7、9。
其中,数列中的每一个数字均代表认知障碍患者在对应次数的激励内容下才能够得到反馈。例如:1代表认知障碍患者触发第一次激励内容时会得到反馈,3代表认知障碍患者触发第三次激励内容时会得到反馈,5代表认知障碍患者触发第五次激励内容时会得到反馈。本实施例中,不定时激励的体现就是通过数列中的不同数字,在对应次数的激励内容时才会对认知障碍患者进行激励,从而达到不定时的效果。
此外,在本发明的一个实施例中,相邻两次获取的数列不同。具体的,每次从数列库中选择完一次数列后,则下一次选择时,会从除了上次选择的数列外的其余数列中进行选择,依次类推,从而保证相邻两次获取的数列不同,以避免两次相同的数列对于认知障碍患者的激励内容相近,造成认知障碍患者的乏味感。
可以理解的是,在本发明的一个实施例中,数列的形成可以自行设定,也可以根据数列生成模型自动生成,具体可根据实际需要进行适应性选择。
S2:获取认知障碍患者的人格化分类结果和训练方案。
具体的,在本发明的一个实施例中,人格化分类结果包括支配性人格Ds(Dominance Subject)、影响性人格Is(Influence Subject)、稳健性人格Ss(SteadinessSubject)以及服从性人格Cs(Compliance Subject)。
当认知障碍患者需要开启训练任务时,首先,需要对认知障碍患者进行人格测评(例如:采用人格测评量表进行人格测评),以获取认知障碍患者的人格测评结果;然后,基于认知障碍患者的人格测评结果,获取认知障碍患者的人格主导因子,其中,该人格主导因子包括支配性、影响性、稳健性以及服从性中的一种;最后,根据认知障碍患者的人格主导因子确定认知障碍患者的人格化分类结果。例如:认知障碍患者的人格主导因子为支配性,则对应的人格化分类结果为支配性人格Ds。
而且,当认知障碍患者需要开启训练任务时,还需要选择训练需求。本实施例中,认知障碍患者的训练需求包括日常锻炼、提升心肺功能、塑形/增肌、减重减脂四个方面。认知障碍患者可根据自身需要,从四个方面选择合适的训练需求,不同的训练需求对应不同的训练方案,从而可根据认知障碍患者选择的训练需求,获取对应的训练方案。
S3:根据认知障碍患者的人格化分类结果,获取对应认知障碍患者的可触发激励内容。
在本发明的一个实施例中,人格化分类结果共有4项,而激励内容共有14中,每一个人格化分类结果均对应多个不同的激励内容,并且不同的人格化分类结果所对应的激励内容也可以重复。
具体的,如图3所示,4项人格化分类结果与14种激励内容的映射关系如下:
针对支配性人格Ds,对应的激励内容包括:表达对认知障碍患者运动目标的肯定GA、对认知障碍患者效率高的认可EA、对认知障碍患者的错误进行忽略不要指出EI、给予认知障碍患者适当的任务进度加快权限PA、鼓励认知障碍患者分享经验ES。
针对影响性人格Is,对应的激励内容包括:对认知障碍患者参与运动的行为进行肯定BA、因认知障碍患者容易分心注意对进度的提醒PR、忽略认知障碍患者错误以减少其被拒绝感EI、认可认知障碍患者认知训练成绩在群体中的排名RE、鼓励认知障碍患者分享经验ES。
针对稳健性人格Ss,对应的激励内容包括:对认知障碍患者坚持进行认知训练的品质进行肯定TA、对认知障碍患者取得的认知训练成绩进行肯定AE、对少量的错误进行语气平稳的指导EG、认可认知障碍患者认知训练成绩在认知障碍患者中的排名RE、对认知障碍患者的勤奋、认真态度进行肯定AA。
针对服从性人格Cs,对应的激励内容包括:对认知障碍患者设定的运动目标和计划的肯定GA、肯定认知障碍患者坚持锻炼的品质TA、对认知障碍患者运动细节进行肯定PM、对认知障碍患者训练提升的百分点进行明确肯定PI、忽略认知障碍患者错误以减少其自我否定EI。
基于上述4项人格化分类结果与14种激励内容的映射关系,根据步骤S2中获取的认知障碍患者的人格化分类结果,从而可获取与该人格化分类结果相对应的多个激励内容,这些激励内容即为认知障碍患者的可触发激励内容。例如:在步骤S2中获取的认知障碍患者的人格化分类结果为支配性人格Ds,则可触发激励内容为:表达对认知障碍患者运动目标的肯定GA、对认知障碍患者效率高的认可EA、对认知障碍患者的错误进行忽略不要指出EI、给予认知障碍患者适当的任务进度加快权限PA、鼓励认知障碍患者分享经验ES共五项激励内容,其余九项激励内容与该认知障碍患者无关。
S4:基于预设的多种激励内容的触发条件,获取认知障碍患者在训练方案的执行过程中,可触发激励内容的触发时机。
如图2所示,在本发明的一个实施例中,14项激励内容的触发条件如下:
以认知障碍患者训练动作的持续时长RT为评判指标之一:所述持续时长超过MRT-SDRT,触发PR激励;所述持续时长超过MRT+SDRT,触发TA、RE激励;其中,MRT为所述训练动作的平均训练时长,SDRT为多次训练的训练时长的标准差;
以认知障碍患者训练动作的动作标准度为评判指标之二:认知障碍患者开始做新的训练动作,触发BA激励;所述动作标准度低于20%,触发EI激励;所述动作标准度位于20%~70%之间,触发EG激励;所述动作标准度高于70%,触发PM激励;所述动作标准度高于上一次动作标准度,触发PI激励;
以新的认知训练任务为评判指标之三:认知障碍患者开启新的认知训练任务,触发GA激励;
以训练时长与动作标准度的复合分析为评判指标之四:所述训练时长少于常模标准时长且所述动作标准度达到80%,触发ES激励;在一次认知训练任务中,所述训练时长少于常模标准时长且动作标准度超过80%的次数超过3次,触发EA激励;连续两次认知训练任务触发EA激励,则触发PA激励;
以训练次数为评判指标之五:所述训练次数高于2次,触发AE激励;所述训练次数高于2次且所述训练动作的持续时长RT超过MRT+SDRT,触发AA激励。
基于上述各激励内容的触发条件,根据步骤S3所确定的与认知障碍患者相对应的可触发激励内容,一旦有满足可触发激励内容的触发条件的,则会触发一次激励,即激励内容的触发总次数加一。
S5:按照数列对认知障碍患者进行激励反馈。
具体的,当认知障碍患者在训练过程中,不断触发可触发激励内容时,每一次触发的激励内容不一定会反馈给认知障碍患者,只有激励内容的触发总次数与步骤S1获取的数列中的数字相对应时,才会将对应的激励内容反馈给认知障碍患者。
由此,基于步骤S1获取的数列,依次将符合次数的触发时机所对应的激励内容反馈给认知障碍患者,以对认知障碍患者进行激励。
例如:在步骤S1中,获取某认知障碍患者的数列为数列一:1、3、5、6、7;
在步骤S2中,获取该认知障碍患者的人格化分类结果为支配性人格Ds,并基于日常锻炼和提升心肺功能获取了训练方案;
在步骤S3中,基于支配性人格Ds获取了认知障碍患者的可触发激励内容为:表达对认知障碍患者运动目标的肯定GA、对认知障碍患者效率高的认可EA、对认知障碍患者的错误进行忽略不要指出EI、给予认知障碍患者适当的任务进度加快权限PA、鼓励认知障碍患者分享经验ES。
在步骤S4中,获取的触发时机为:认知障碍患者开启新的认知训练任务,触发GA激励;在一次认知训练任务中,所述训练时长少于常模标准时长且动作标准度超过80%的次数超过3次,触发EA激励;动作标准度低于20%,触发EI激励;连续两次认知训练任务触发EA激励,则触发PA激励;训练时长少于常模标准时长且动作标准度达到80%,触发ES激励。
在步骤S5中,在认知障碍患者训练过程中,当根据步骤S4的触发条件第一次触发激励内容时,将该激励内容反馈给认知障碍患者,以对认知障碍患者激励;之后,认知障碍患者继续训练,当根据步骤S4的触发条件第二次触发激励内容时,不对认知障碍患者进行反馈;认知障碍患者继续训练,当根据步骤S4的触发条件第三次触发激励内容时,对认知障碍患者进行反馈;依次类推,第四次不反馈,第五次反馈,第六次反馈、第七次反馈,第八次以后均不反馈,直至认知障碍患者完成整个训练方案。
可以理解的是,当认知障碍患者第二次触发激励内容时,认知障碍患者是不知情的,并且,步骤S1中所获取的数列认知障碍患者也是不知情的。因此,对于认知障碍患者而言,激励内容何时触发是随机出现的,从而由不确定事件激发胜负欲的心理特点,为康复训练过程增加不确定性的正向激励,促使认知障碍患者因想要获得更高的确定性认可,而增强对认知训练任务的高度认知专注性。
S6:获取认知障碍患者经过不定时激励后的行为反应数据,并对行为反应数据进行建模分析。
在本发明的一个实施例中,使用多模态数据维度特征,融合线性数据(人口学信息等)和非线性数据(语音、表情数据等)进行多模态数据模型的构建。需要理解的是,线性数据(人口学信息等)可在训练任务开始前获取,即:基于所述认知障碍患者的个人信息、人格特征、训练需求,获取所述认知障碍患者的静态画像。而非线性数据(表情数据等)需要认知障碍患者完成训练任务后才能够获取,即:基于所述认知障碍患者在训练过程中的表情特征、肢体动作,获取所述认知障碍患者的动态画像。最后,基于认知障碍患者的静态画像和动态画像,形成对应于该认知障碍患者的综合画像,以用于进行多模态数据模型的构建。
具体过程包括步骤S61~S62:
S61:针对所述运动行为数据,通过定义预设的内积函数实现非线性变换,以将输入空间变换到一个高维空间,并在所述高维空间中求取最优线性分界面,以形成随着所述认知障碍患者训练过程的认知障碍患者情绪状态的变化表征;其中,所述预设的内积函数包括多项式内积函数、径向基内积函数、Sigmoid内积函数;
S62:引入人工神经网络模型,将多模态特征数据和激励内容作为所述人工神经网络的输入,以激励内容呈现后预定时间(例如0.5秒)内认知障碍患者的情绪状态(积极、消极)作为“不定时激励”是否起效的检测因子,构建机器学习模型,模拟人脑神经元细胞的网络结构,计算类别间分界面,定位表征不同训练人群的激励内容是否有效对认知障碍患者的认知训练形成激励作用,能够产生积极情绪状态的激励内容被认为是具有有效的激励内容,而产生消极情绪的激励内容则对该认知障碍患者而言是无效激励内容。利用该人工神经网络模型对系统激励内容的激励有效性进行量化评估,从而为后续有针对性的对激励内容形成反馈和调整提供数据支撑;其中,所述多模态特征至少包括人口学变量、人格特征变量、躯体症状变量、训练次数变量、动作时长变量。
由此,基于上述步骤S61~S62,对认知障碍患者的反应数据进行建模分析,以得到哪些激励内容对认知障碍患者的认知训练效果提升较大,哪些激励内容对认知障碍患者的认知训练效果提升一般。从而能够在后续的训练方案中对激励内容进行适应性调整,以进一步提高认知训练效果。
S7:根据对行为反应数据的分析结果,对认知障碍患者的可触发激励内容以及可触发激励内容的触发条件进行迭代更新。
该步骤中具体包括可触发激励内容的迭代更新以及触发条件的迭代更新两部分。
具体的,可触发激励内容的迭代更新包括步骤S711~S713:
S711:每增加1000例真实认知障碍患者数据,使用上述人工神经网络模型进行一次激励内容迭代评估,对超过50%的认知障碍患者有效的激励内容被定义为高影响激励内容,高于50%认知障碍患者无效的激励内容被定义为低影响激励内容。根据对所述行为反应数据的分析结果,对所述认知障碍患者的可触发激励内容进行迭代更新,将认知障碍患者的可触发激励内容分为高影响激励内容和低影响激励内容;
S712:对于高影响激励内容,保留与认知障碍患者的人格化分类结果的映射关系;
S713:对于低影响激励内容,通过相似性插补的方式进行可触发激励内容的更新。
由此,能够基于各激励内容对认知障碍患者的认知训练效果的提升幅度,对可触发激励内容进行迭代更新。
类似的,触发条件的迭代更新包括步骤S721~S722:
S721:根据预测的认知障碍患者的认知训练效果,对激励内容的出现时间聚类分析,以将认知障碍患者的可触发激励内容分为高效激励内容和低效激励内容;
S722:根据高效激励内容的出现时间,进行激励时间的数值调整。
由此,能够基于各激励内容的出现时间对认知障碍患者的认知训练效果的提升幅度,对可触发激励内容的触发条件进行迭代更新。
在上述基于认知障碍患者人格特征的不定时训练激励方法的基础上,本发明进一步提供一种基于认知障碍患者人格特征的不定时训练激励系统。如图4所示,该不定时训练激励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不定时训练激励系统。
其中,处理器21用于控制该不定时训练激励系统的整体操作,以完成上述不定时训练激励系统的全部或部分步骤。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不定时训练激励系统的操作,这些数据例如可以包括用于在该不定时训练激励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,训练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,用于执行上述的不定时训练激励系统,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不定时训练激励系统的步骤。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,上述程序指令可由训练系统的处理器执行以完成上述的不定时训练激励系统,并达到如上述方法一致的技术效果。
综上所述,本发明所提供的基于认知障碍患者人格特征的不定时训练激励方法及系统,具有如下有益效果:
一.基于不同认知障碍患者的人格特征进行激励内容设计,采集多模态数据指标进行建模分析,通过理论与数据结合的方式构建激励系统,能够更加符合认知障碍患者的认知和行为特点,以增加反馈的效率、提升认知训练效果。
二.基于复合人格的支配性、影响性、稳健性、服从性特征,设计出不同分类、不同形式的激励体系,建立4项人格化分类结果与14种激励内容的映射关系。
三.建立包括PR、TA、RE、BA、EI、EG、PM、PI、GA、ES、EA、AE、AA、PA在内共计14种激励内容,并根据每种激励内容的特点给出对应的逻辑表达方法,形成了激励内容的量化构建。
四. 使用三种机器学习模型建模思路,将人格特征、人口学信息等线性数据,与语音、视频等非线性数据融合,进行多模态数据的分析和建模,最终实现对激励内容的分类探索。
上面对本发明所提供的基于认知障碍患者人格特征的不定时训练激励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)
1.一种基于认知障碍患者人格特征的不定时训练激励方法,其特征在于包括如下步骤:
基于预设的数列库,随机获取一个数列,其中,所述数列包括多个由小到大排列的自然数,所述自然数代表认知障碍患者在对应次数的激励内容下才能够得到反馈;
根据所述认知障碍患者的人格特征,获取所述认知障碍患者的人格化分类结果;根据所述认知障碍患者的训练需求,获取训练方案;
基于预设的各人格化分类结果与多种激励内容的映射关系,根据所述认知障碍患者的人格化分类结果,获取对应所述认知障碍患者的可触发激励内容;
基于预设的多种激励内容的触发条件,获取所述认知障碍患者在所述训练方案的执行过程中,所述可触发激励内容的触发时机;
根据所述数列,按照所述由小到大排列的自然数,依次将符合次数的触发时机所对应的激励内容反馈给所述认知障碍患者,以对所述认知障碍患者进行激励;
获取所述认知障碍患者经过不定时激励后的行为反应数据,并对所述行为反应数据进行建模分析;其中,基于所述认知障碍患者的个人信息、人格特征和训练需求,获取所述认知障碍患者的静态画像;基于所述认知障碍患者在训练过程中的表情特征、肢体动作、语言特征和生理特征,获取所述认知障碍患者的动态画像;基于所述静态画像和所述动态画像,获取所述认知障碍患者的综合画像;
根据对所述行为反应数据的分析结果,对所述认知障碍患者的可触发激励内容以及所述可触发激励内容的触发条件进行迭代更新;
所述获取所述认知障碍患者经过不定时激励后的行为反应数据,并对所述行为反应数据进行建模分析,包括如下步骤:
针对所述行为反应数据,通过定义预设的内积函数实现非线性变换,以将输入空间变换到一个高维空间,并在所述高维空间中求取最优线性分界面,以形成随着所述认知障碍患者训练过程的认知障碍患者情绪状态的变化表征;其中,所述预设的内积函数包括多项式内积函数、径向基内积函数和Sigmoid内积函数;
引入人工神经网络模型,将多模态特征数据和激励内容作为所述人工神经网络的输入,以激励内容呈现后预设时间内认知障碍患者的情绪状态作为不定时激励是否起效的检测因子,构建机器学习模型,模拟人脑神经元细胞的网络结构,计算类别间分界面,定位表征不同训练人群的激励内容是否形成有效激励;其中,能够产生积极情绪状态的激励内容被认为是有效的激励内容,而产生消极情绪状态的激励内容则被认为是无效的激励内容;所述多模态特征至少包括人口学变量、人格特征变量、躯体症状变量、训练次数变量和动作时长变量;
通过所述人工神经网络模型对系统激励内容的激励有效性进行量化评估;
其中,根据对所述行为反应数据的分析结果,对所述可触发激励内容的触发条件进行迭代更新,包括如下步骤:
根据预测的所述认知障碍患者的认知训练效果,对激励内容的出现时间聚类分析,以将所述认知障碍患者的可触发激励内容分为高效激励内容和低效激励内容;
根据所述高效激励内容的出现时间,进行激励时间的数值调整。
2.如权利要求1所述的不定时训练激励方法,其特征在于,所述根据所述认知障碍患者的人格特征,获取所述认知障碍患者的人格化分类结果,包括如下步骤:
获取所述认知障碍患者的人格测评结果;
基于所述认知障碍患者的人格测评结果,获取所述认知障碍患者的人格主导因子;
根据所述人格主导因子,获取所述认知障碍患者的人格化分类结果;
其中,所述人格主导因子包括支配性、影响性、稳健性以及服从性中的一种;所述人格化分类结果包括支配性人格Ds、影响性人格Is、稳健性人格Ss以及服从性人格Cs中的一种。
3.如权利要求2所述的不定时训练激励方法,其特征在于,所述各人格化分类结果与多种激励内容的映射关系,包括:
针对所述支配性人格Ds,对应的激励内容包括:表达对所述认知障碍患者运动目标的肯定GA、对所述认知障碍患者效率高的认可EA、对所述认知障碍患者的错误进行忽略EI、给予所述认知障碍患者适当的任务进度加快权限PA以及鼓励所述认知障碍患者分享经验ES;
针对所述影响性人格Is,对应的激励内容包括:对所述认知障碍患者参与运动的行为进行肯定BA、因所述认知障碍患者容易分心注意对进度的提醒PR、对所述认知障碍患者的错误进行忽略EI、认可所述认知障碍患者认知训练成绩在认知障碍患者中的排名RE以及鼓励所述认知障碍患者分享经验ES;
针对所述稳健性人格Ss,对应的激励内容包括:对所述认知障碍患者坚持进行认知训练的品质进行肯定TA、对所述认知障碍患者取得的认知训练成绩进行肯定AE、对少量的错误进行语气平稳的指导EG、认可所述认知障碍患者认知训练成绩在认知障碍患者中的排名RE以及对所述认知障碍患者的勤奋、认真态度进行肯定AA;
针对所述服从性人格Cs,对应的激励内容包括:表达对所述认知障碍患者运动目标的肯定GA、对所述认知障碍患者坚持进行认知训练的品质进行肯定TA、对所述认知障碍患者运动细节进行肯定PM、对所述认知障碍患者训练提升的百分点进行明确肯定PI以及对所述认知障碍患者的错误进行忽略EI。
4.如权利要求3所述的不定时训练激励方法,其特征在于所述多种激励内容的触发条件,包括:
以认知障碍患者训练动作的持续时长RT为评判指标之一:所述持续时长超过MRT-SDRT,触发PR激励;所述持续时长超过MRT+SDRT,触发TA、RE激励;其中,MRT为所述训练动作的平均训练时长,SDRT为多次训练的训练时长的标准差;
以认知障碍患者训练动作的动作标准度为评判指标之二:认知障碍患者开始做新的训练动作,触发BA激励;所述动作标准度低于20%,触发EI激励;所述动作标准度位于20%~70%之间,触发EG激励;所述动作标准度高于70%,触发PM激励;所述动作标准度高于上一次动作标准度,触发PI激励;
以新的认知训练任务为评判指标之三:认知障碍患者开启新的认知训练任务,触发GA激励;
以训练时长与动作标准度的复合分析为评判指标之四:所述训练时长少于常模标准时长且所述动作标准度达到80%,触发ES激励;在一次认知训练任务中,所述训练时长少于常模标准时长且动作标准度超过80%的次数超过3次,触发EA激励;连续两次认知训练任务触发EA激励,则触发PA激励;
以训练次数为评判指标之五:所述训练次数高于2次,触发AE激励;所述训练次数高于2次且所述训练动作的持续时长RT超过MRT+SDRT,触发AA激励。
5.如权利要求1所述的不定时训练激励方法,其特征在于,所述根据对所述行为反应数据的分析结果,对所述认知障碍患者的可触发激励内容进行迭代更新,包括如下步骤:
每增加预设数量的真实认知障碍患者数据,使用所述人工神经网络模型进行一次激励内容迭代评估,对超过50%的认知障碍患者有效的激励内容被定义为高影响激励内容,对超过50%认知障碍患者无效的激励内容被定义为低影响激励内容;
对于所述高影响激励内容,保留与所述认知障碍患者的人格化分类结果的映射关系;
对于所述低影响激励内容,通过相似性插补的方式进行可触发激励内容的更新。
6.如权利要求1所述的不定时训练激励方法,其特征在于:相邻两次获取的数列不同。
7.一种基于认知障碍患者人格特征的不定时训练激励系统,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:
基于预设的数列库,随机获取一个数列,其中,所述数列包括多个由小到大排列的自然数,所述自然数代表认知障碍患者在对应次数的激励内容下才能够得到反馈;
根据所述认知障碍患者的人格特征,获取所述认知障碍患者的人格化分类结果;根据所述认知障碍患者的训练需求,获取训练方案;
基于预设的各人格化分类结果与多种激励内容的映射关系,根据所述认知障碍患者的人格化分类结果,获取对应所述认知障碍患者的可触发激励内容;
基于预设的多种激励内容的触发条件,获取所述认知障碍患者在所述训练方案的执行过程中,所述可触发激励内容的触发时机;
根据所述数列,按照所述由小到大排列的自然数,依次将符合次数的触发时机所对应的激励内容反馈给所述认知障碍患者,以对所述认知障碍患者进行激励;
获取所述认知障碍患者经过不定时激励后的行为反应数据,并对所述行为反应数据进行建模分析;其中,基于所述认知障碍患者的个人信息、人格特征和训练需求,获取所述认知障碍患者的静态画像;基于所述认知障碍患者在训练过程中的表情特征、肢体动作、语言特征和生理特征,获取所述认知障碍患者的动态画像;基于所述静态画像和所述动态画像,获取所述认知障碍患者的综合画像;
根据对所述行为反应数据的分析结果,对所述认知障碍患者的可触发激励内容以及所述可触发激励内容的触发条件进行迭代更新;
所述获取所述认知障碍患者经过不定时激励后的行为反应数据,并对所述行为反应数据进行建模分析,包括如下步骤:
针对所述行为反应数据,通过定义预设的内积函数实现非线性变换,以将输入空间变换到一个高维空间,并在所述高维空间中求取最优线性分界面,以形成随着所述认知障碍患者训练过程的认知障碍患者情绪状态的变化表征;其中,所述预设的内积函数包括多项式内积函数、径向基内积函数和Sigmoid内积函数;
引入人工神经网络模型,将多模态特征数据和激励内容作为所述人工神经网络的输入,以激励内容呈现后预设时间内认知障碍患者的情绪状态作为不定时激励是否起效的检测因子,构建机器学习模型,模拟人脑神经元细胞的网络结构,计算类别间分界面,定位表征不同训练人群的激励内容是否形成有效激励;其中,能够产生积极情绪状态的激励内容被认为是有效的激励内容,而产生消极情绪状态的激励内容则被认为是无效的激励内容;所述多模态特征至少包括人口学变量、人格特征变量、躯体症状变量、训练次数变量和动作时长变量;
通过所述人工神经网络模型对系统激励内容的激励有效性进行量化评估;
其中,根据对所述行为反应数据的分析结果,对所述可触发激励内容的触发条件进行迭代更新,包括如下步骤:
根据预测的所述认知障碍患者的认知训练效果,对激励内容的出现时间聚类分析,以将所述认知障碍患者的可触发激励内容分为高效激励内容和低效激励内容;
根据所述高效激励内容的出现时间,进行激励时间的数值调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211387995.2A CN115423054B (zh) | 2022-11-07 | 2022-11-07 | 基于认知障碍患者人格特征的不定时训练激励方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211387995.2A CN115423054B (zh) | 2022-11-07 | 2022-11-07 | 基于认知障碍患者人格特征的不定时训练激励方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115423054A CN115423054A (zh) | 2022-12-02 |
CN115423054B true CN115423054B (zh) | 2023-04-07 |
Family
ID=84208193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211387995.2A Active CN115423054B (zh) | 2022-11-07 | 2022-11-07 | 基于认知障碍患者人格特征的不定时训练激励方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423054B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117253587B (zh) * | 2023-11-17 | 2024-03-29 | 北京智精灵科技有限公司 | 一种基于气质特征的注意力训练方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980747A (zh) * | 2016-01-15 | 2017-07-25 | 颂虹控股有限公司 | 网络后台系统和网络互动系统以及方法 |
CN110852438A (zh) * | 2019-11-11 | 2020-02-28 | 北京百度网讯科技有限公司 | 模型生成方法和装置 |
CN111785366A (zh) * | 2020-06-29 | 2020-10-16 | 平安科技(深圳)有限公司 | 患者治疗方案的确定方法、装置及计算机设备 |
CN112215328A (zh) * | 2020-10-29 | 2021-01-12 | 腾讯科技(深圳)有限公司 | 一种智能体的训练、基于智能体的动作控制方法及装置 |
CN113674852A (zh) * | 2021-07-28 | 2021-11-19 | 上海沐月信息技术发展有限公司 | 基于互联网的认知障碍筛查评估和康复训练的系统及方法 |
CN114557677A (zh) * | 2022-03-02 | 2022-05-31 | 国家康复辅具研究中心 | 一种基于多模态融合的认知调控与训练系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019145086A1 (en) * | 2018-01-24 | 2019-08-01 | Biotronik Se & Co. Kg | Method to encourage patient feedback on interaction with device |
JP7200851B2 (ja) * | 2019-06-27 | 2023-01-10 | トヨタ自動車株式会社 | 学習装置、リハビリ支援システム、方法、プログラム、及び学習済みモデル |
US11069436B2 (en) * | 2019-10-03 | 2021-07-20 | Rom Technologies, Inc. | System and method for use of telemedicine-enabled rehabilitative hardware and for encouraging rehabilitative compliance through patient-based virtual shared sessions with patient-enabled mutual encouragement across simulated social networks |
CN111091890B (zh) * | 2020-02-28 | 2020-10-27 | 郑州大学 | 自我激励与反馈控制下的健康认知系统 |
CN111243709B (zh) * | 2020-02-28 | 2023-06-02 | 郑州大学 | 基于可视化引导的饮食操作系统 |
CN112151148B (zh) * | 2020-09-30 | 2023-02-03 | 深圳市艾利特医疗科技有限公司 | 基于云平台的情景互动康复训练系统 |
CN113270189B (zh) * | 2021-05-19 | 2023-08-18 | 复旦大学附属肿瘤医院 | 一种基于强化学习的肿瘤治疗辅助决策方法 |
CN113558603B (zh) * | 2021-06-11 | 2023-11-10 | 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 |
CN114220521A (zh) * | 2021-12-16 | 2022-03-22 | 上海爱楷医疗科技有限公司 | 奖励策略提升患者参与兴趣及提升治疗效果的数字治疗方法 |
CN114783571A (zh) * | 2022-04-06 | 2022-07-22 | 北京交通大学 | 基于深度强化学习的中医动态诊疗方案优化方法及系统 |
CN114822741A (zh) * | 2022-04-26 | 2022-07-29 | 平安科技(深圳)有限公司 | 患者分类模型的处理装置、计算机设备及存储介质 |
-
2022
- 2022-11-07 CN CN202211387995.2A patent/CN115423054B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980747A (zh) * | 2016-01-15 | 2017-07-25 | 颂虹控股有限公司 | 网络后台系统和网络互动系统以及方法 |
CN110852438A (zh) * | 2019-11-11 | 2020-02-28 | 北京百度网讯科技有限公司 | 模型生成方法和装置 |
CN111785366A (zh) * | 2020-06-29 | 2020-10-16 | 平安科技(深圳)有限公司 | 患者治疗方案的确定方法、装置及计算机设备 |
CN112215328A (zh) * | 2020-10-29 | 2021-01-12 | 腾讯科技(深圳)有限公司 | 一种智能体的训练、基于智能体的动作控制方法及装置 |
CN113674852A (zh) * | 2021-07-28 | 2021-11-19 | 上海沐月信息技术发展有限公司 | 基于互联网的认知障碍筛查评估和康复训练的系统及方法 |
CN114557677A (zh) * | 2022-03-02 | 2022-05-31 | 国家康复辅具研究中心 | 一种基于多模态融合的认知调控与训练系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115423054A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108780663B (zh) | 数字个性化医学平台和系统 | |
CN110459324B (zh) | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 | |
JP2023165417A (ja) | デジタル個別化医療のためのプラットフォームとシステム | |
Warlaumont et al. | Learning to produce syllabic speech sounds via reward-modulated neural plasticity | |
Janssen et al. | Learning, signaling, and social preferences in public-good games | |
Simen et al. | Scale (in) variance in a unified diffusion model of decision making and timing. | |
CN115423054B (zh) | 基于认知障碍患者人格特征的不定时训练激励方法及系统 | |
US20140303450A1 (en) | System and method for stimulus optimization through closed loop iterative biological sensor feedback | |
CN111445978B (zh) | 运动方案反应性预测模型及建模方法、电子设备 | |
CN107924487A (zh) | 处理系统以及程序 | |
EP3796226A1 (en) | Data conversion/symptom scoring | |
JP2007312922A (ja) | 生体応答予測システム及びそのプログラム | |
CN115253009B (zh) | 一种睡眠多维度干预方法及系统 | |
CA3157380A1 (en) | Systems and methods for cognitive diagnostics for neurological disorders: parkinson's disease and comorbid depression | |
Berardi et al. | Time of day preferences and daily temporal consistency for predicting the sustained use of a commercial meditation app: Longitudinal observational study | |
US11972336B2 (en) | Machine learning platform and system for data analysis | |
Haraldsson et al. | Predicting changes in quality of life for patients in vocational rehabilitation | |
Ciccarelli et al. | Neurophysiological vocal source modeling for biomarkers of disease | |
WO2024024294A1 (ja) | 推定装置、推定方法、推定システム、及び推定プログラム | |
JP2007272427A (ja) | 生体の疑似試験コンピュータシステム、そのコンピュータプログラム、及び生体の疑似試験方法 | |
KR102610262B1 (ko) | 메타버스를 활용하여 특정 실제 사용자의 특정 아바타에게 상담 서비스를 제공하는 방법 및 장치 | |
KR102610273B1 (ko) | 메타버스를 활용하여 특정 사용자의 특정 아바타에게 트리거링 아바타와의 인터랙션을 유도하기 위한 컨텐츠를 제공하는 방법 및 장치 | |
KR102610267B1 (ko) | 메타버스 내의 아바타 간의 인터랙션을 참조하여 특정 아바타에 대응되는 특정 사용자의 상태를 분석하고 서비스를 제공하는 방법 및 장치 | |
US20220230755A1 (en) | Systems and Methods for Cognitive Diagnostics for Neurological Disorders: Parkinson's Disease and Comorbid Depression | |
EP4322174A1 (en) | Digital apparatus and application for treatment of mild cognitive impairment and dementia |
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 |