CN115458112A - 认知能力测评方法及系统 - Google Patents

认知能力测评方法及系统 Download PDF

Info

Publication number
CN115458112A
CN115458112A CN202211054706.7A CN202211054706A CN115458112A CN 115458112 A CN115458112 A CN 115458112A CN 202211054706 A CN202211054706 A CN 202211054706A CN 115458112 A CN115458112 A CN 115458112A
Authority
CN
China
Prior art keywords
operator
evaluation
task
test
level
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.)
Pending
Application number
CN202211054706.7A
Other languages
English (en)
Inventor
赵起超
杨苒
朱小青
王飞
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.)
Kingfar International Inc
Original Assignee
Kingfar International Inc
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 Kingfar International Inc filed Critical Kingfar International Inc
Priority to CN202211054706.7A priority Critical patent/CN115458112A/zh
Publication of CN115458112A publication Critical patent/CN115458112A/zh
Pending legal-status Critical Current

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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Human Resources & Organizations (AREA)
  • Psychology (AREA)
  • Neurology (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Child & Adolescent Psychology (AREA)
  • Epidemiology (AREA)
  • Signal Processing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明提供一种认知能力测评方法及系统，所述方法包括：接收操作人员的个人信息，基于操作人员的个人信息确定与所述操作人员相匹配的测评维度；获取操作人员所选择的与其个人信息相匹配的测评维度下的子维度测评模式，基于操作人员选择的子维度测评模式确定测评任务；基于确定的所述测评任务在特定环境下对操作人员进行测试，获取操作人员在特定环境下针对测评任务做出的测试结果以及脑信号数据；基于操作人员的测试结果以及脑信号数据生成测试报告。

Description

认知能力测评方法及系统
技术领域
本发明涉及认知能力测评技术领域，尤其涉及一种认知能力测评方法及系统。
背景技术
认知能力是指人对信息的提取、加工和存储等综合能力的体现。不同个体具有不同的 信息加工方法和能力。认知能力测评衡量的是测评对象对特定信息处理能力的大小，在现 代教育、职业规划、特殊人才选拔中都发挥着重要的作用。Goossens提出海上交通事故 发生的主要因素包括机械失误、人的观察、信息处理、决策等认知能力失误。一定的认知能力是高危职业必需具备的心理品质，尤其是反应能力、速度估计能力、深度知觉能力、 注意力及短时记忆力等与船舶安全航行、机动车驾驶、操作员作业、运动员体育竞技等行 业密切相关，随着科学技术的快速发展，高危行业日趋专业化、大型化、高速化和自动化， 有效地检测作业人员的基本认知能力对作业人员的测评具有重要意义。
现有的认知能力测评系统为中科院提出的能够进行大规模同时在线测试的云端测试 系统，由任务配置模块、数据呈现模块、数据存储模块、档案管理模块、账户登录模块、前端测试模块和测评分析模块构成。而现有技术中对于脑信号数据的评估一般是取部分正常人与脑卒中患者的脑信号特征值作为训练集，采用支持向量机算法进行建模，得到分类模型；取其他人的脑信号特征值作为测试集，通过分类模型进行分类，识别正常人和脑卒中患者脑信号的特异性，完成认知功能评估。
现有技术中的测试系统虽然解决了以往认知能力测评无法网络化配置生成测评任务， 不支持大规模同时在线测试等技术问题，但仍然存在测试内容与被试个体适配性低、结果 数据主观性强不够灵敏等问题。而现有的脑信号数据评估方法一般只能对人群进行筛选是 否为正常人或者脑卒中患者，并不能测量认知功能的不同维度的具体水平，测量结果太过 宽泛。因而，如何提供一种测试结果准确、测评效率高以及适用于不同操作人员的认知能 力测评方法及系统是亟待解决的技术问题。
发明内容
有鉴于此，本发明提供了一种认知能力测评方法及系统，以解决现有技术中存在的一 个或多个问题。
根据本发明的一个方面，本发明公开了一种认知能力测评方法，所述方法包括：接收 操作人员的个人信息，基于操作人员的个人信息确定与所述操作人员相匹配的测评维度； 获取操作人员所选择的与其个人信息相匹配的测评维度下的子维度测评模式，基于所述操 作人员选择的所述子维度测评模式确定测评任务；基于确定的所述测评任务在特定环境下 对所述操作人员进行测试，获取所述操作人员在特定环境下针对所述测评任务的测试结果 以及脑信号数据，所述测试结果包括任务得分、反应时间、任务正确率以及水平阈值；基 于所述操作人员的测试结果以及脑信号数据生成测试报告。该认知能力测评方法测试结果 准确、测评效率高以及可适用于不同操作人员。
在本发明的一些实施例中，所述方法还包括：建立所述测评任务对应的数据常模，基 于所述操作人员的测试结果确定所述操作人员的常模水平，基于所述操作人员的脑信号数 据获取所述操作人员的脑部激活区域以及激活程度；基于获取到的所述操作人员的测试结 果更新所述数据常模。该实施例设置实时更新的动态常模不仅会减少用户操作，还会使常 模更具有代表性。
在本发明的一些实施例中，建立所述测评任务对应的数据常模，包括：基于所述测评 任务在特定环境下对多个被试人员进行测试，获取多个所述被试人员的测试结果及脑信号 数据，基于所述多个测试人员的测试结果建立所述测评任务对应的数据常模。该实施例更 进一步的使得常模更具有代表性。
在本发明的一些实施例中，所述脑信号数据包括EEG脑电波，所述基于所述操作人员 的脑信号数据获取所述操作人员的脑部激活区域以及激活程度，包括：对获取到的EEG脑电波滤波处理；对滤波处理后的EEG脑电波进行特征提取；基于提取的所述特征值确定所述操作人员所属的分类等级。该实施例可更好的对脑信号数据进行预处理，从而确保认知能力测评结果的准确度。
在本发明的一些实施例中，基于提取的所述特征值确定所述操作人员所属的分类等 级，包括：基于多个测试人员的测试结果中的任务得分对多个所述测试人员进行等级分类； 基于多个测试人员的脑信号数据以及各所述测试人员所属的分类等级建立测试集；根据所 述测试集对分类模型进行训练得到预训练分类模型；将所述操作人员的脑信号数据输入至 所述预训练分类模型，获得所述操作人员所属的分类等级。该实施例基于训练好的分类模 型可准确且方便的获取到操作人员所属的分类等级。
在本发明的一些实施例中，所述分类模型为机器学习模型。该机器学习模型可提高泛 化性能，并可解决小样本情况下的机器学习问题。
在本发明的一些实施例中，基于操作人员的个人信息确定与所述操作人员相匹配的测 评维度，包括：将各测评维度进行标签化；计算所述操作人员的个人信息与各所述测评维 度的重合度；基于所述重合度确定与所述操作人员相匹配的测评维度。该实施例提高了操 作人员与测评维度之间的匹配度。
在本发明的一些实施例中，所述操作人员所选择的子维度测评模式为推理能力、表象 能力、感知觉水平、记忆水平、学习能力、反应能力和数学知识中的至少一种。该实施例 的子维度测评模式可更好的辅助操作人员确定其适合的测评任务。
在本发明的一些实施例中，基于确定的所述测评任务在特定环境下对所述操作人员进 行测试，包括：基于确定的所述测评任务在虚拟现实环境下对所述操作人员进行水平进阶 测试，且基于所述操作人员在所述测评任务下的各水平的测试结果确定所述操作人员的水 平阈值；或
基于确定的所述测评任务在虚拟现实环境下对所述操作人员进行水平折返测试，且基 于所述操作人员在所述测评任务下的各水平的测试结果确定所述操作人员的水平阈值。通 过该方法，可更准确的确定操作人员所处的水平等级。
根据本发明的另一方面，还公开了一种认知能力测评分类系统，该系统包括处理器和 存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算 机指令，当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。
本发明上述实施例所公开的认知能力测评方法及系统，基于操作人员的个人信息确定 与所述操作人员相匹配的测评维度，因而提高了被测人员与测评维度之间的适配性，从而 可获得较为准确的测试结果；并且基于获取到的操作人员在特定场景下的脑信号数据以及 测试结果进一步的生成操作人员的测试报告，则可以更准确更高效的评估操作人员的认知 能力。并且本发明的在线测评方法及系统适用人群广。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于 本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。 本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结 构实现到并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所 述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成 对本发明的限定。附图中的部件不是成比例绘制的，而只是为了示出本发明的原理。为了 便于示出和描述本发明的一些部分，附图中对应部分可能被放大，即，相对于依据本发明 实际制造的示例性装置中的其它部件可能变得更大。在附图中：
图1为本发明一实施例的认知能力测评方法的流程示意图。
图2为本发明另一实施例的认知能力测评方法的流程示意图。
图3为本发明一实施例的测评方法采用折返方式测试时的折返过程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实 施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不 作为对本发明的限定。
在此，需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出 了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其 他细节。
应该强调，术语“包括/包含/具有”在本文使用时指特征、要素、步骤或组件的存在， 但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
目前针对认知能力测评存在多种系统类型，但是当前针对认知能力测评的方法存在较 多缺陷：1)没有科学的理论基础。现有的众多认知测评系统的侧重点在于娱乐性，往往 缺乏科学理论和前期实验数据支持。有些研究系统单纯的对注意力、记忆力、灵活性进行 测评，并不能充分表示个体全面的综合的认知能力。2)结果数据缺少客观指标。大多数认知能力测评在线系统，多采用主观问卷和行为任务，3)以主观问卷分数或完成行为任 务的反应时正确率为测评指标，结果数据不够精确灵敏，任务呈现方式单一。测试内容均 以随机或顺序方式呈现，对题库内全部内容测试完成后得到测评分数，与个体能力适配性低，需要测评时间久，容易引起测试个体不适感，适用人群不够广泛。目前的认知测评系 统适用人群多为学生，不够广泛，并不适用于成年群体或特殊职业人群。因此，本发明针 对现有技术中存在的多种问题提出一种全面的系统性的主观测评与脑信号数据相结合的 认知能力测评方法及系统，服务于普通大众或特殊群体。
在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或 类似的部件，或者相同或类似的步骤。
图1为本发明一实施例的认知能力测评方法的流程示意图，如图1所示，该方法至少 包括步骤S10至S40。
步骤S10：接收操作人员的个人信息，基于操作人员的个人信息确定与所述操作人员 相匹配的测评维度。
在该步骤中，操作人员的个人信息包括姓名、性别、年龄、学历、职业选择(无、普通群众、运动员、飞行员等)；即在测试之前，首先登录认知能力测评系统，输入操作人 员的个人信息；进一步的根据接收到的操作人员的个人信息确定该操作人员相适配的测评 维度。
示例性的，基于操作人员的个人信息确定与所述操作人员相匹配的测评维度，具体包 括：将各测评维度进行标签化；计算所述操作人员的个人信息与各所述测评维度的重合度； 基于所述重合度确定与所述操作人员相匹配的测评维度。在该实施例中，系统内预设有与 操作人员的各信息或多个信息的组合相对应的测评维度，将接收到的操作人员的具体个人 信息进行交叉组合，则可进一步的从系统中预存的多个测评维度中选择出与操作人员的个 人信息重合度最高的测评维度作为最适配的测评维度。当将测评维度进行标签化时，首先 先将各测评维度与对应的性别、年龄、学历等信息进行关联，进一步的基于操作人员的实 际个人信息与各测评维度下的性别、年龄、学历等信息进行重合度计算，并根据标签重合 度进行排序，重合度高的优先展示；则不难理解重合度高的标签所对应的测评维度则与所 述操作人员最匹配。各测评维度包含其适合被试群体的属性标签，如测评维度1中所适合 的被试群体的属性标签为男性、成年人20至50岁被试、初中及以上学历以及作业人员； 在匹配测评维度时，判断操作人员的属性标签与各测评维度包含的属性标签是否重合，并 将重合属性的数量与总属性数量的比值作为重合度，即重合度＝重合数量/总属性数量。
示例性的，接收到的操作人员的信息为张**，男，24岁，本科，篮球运动员。那么 将输入操作人员的个人信息作为条件通过预设规则进行匹配，匹配出的测评维度为成人、 中等难度所对应的维度。其中预设规则指：根据操作人员个人信息中的年龄、学历与职业 等变量，匹配测评维度。
步骤S20：获取操作人员所选择的与其个人信息相匹配的测评维度下的子维度测评模 式，基于所述操作人员选择的所述子维度测评模式确定测评任务。
其中，操作人员所选择的子维度测评模式为推理能力、表象能力、感知觉水平、记忆 水平、学习能力、反应能力和数学知识中的至少一种，另外，除上述模式之外，还可包括部分模式或全部模式。并且各子维度测评模式下包括一个或多个测评任务；示例性的，记忆水平测评模式下包含记忆广度、工作记忆、再认记忆能力三个测试方向；记忆广度由空间记忆广度实验测得，N-back任务和侧抑制任务分别测得工作记忆广度与工作记忆中认知控制能力，再认记忆能力由图形再认任务与词汇再认任务共同测试。不难理解的，上述的子维度测评模式的划分以及各子维度测评模式下的测评任务种类的划分仅是列举一个示例，在具体过程中，可以根据实际情况进行设定。
为了更好的匹配不同类型的被试人员，则在各测评任务下还可根据被试人员的学历、 年龄等信息，分别呈现不同的实验刺激材料。
步骤S30：基于确定的所述测评任务在特定环境下对所述操作人员进行测试，获取所 述操作人员在特定环境下针对所述测评任务的测试结果以及脑信号数据，所述测试结果包 括任务得分、反应时间任务正确率以及水平阈值，所述脑信号数据包括EEG脑电波。
在该步骤中，对操作人员进行测评之前先营造一个特定环境，特定环境可为虚拟现实 环境、增强现实环境、混合现实环境等，脑信号数据具体的可为脑电数据或近红外脑功能 成像数据等。
在一实施例中，特定环境为虚拟现实环境，且脑信号数据为脑电数据；此时首先为操 作人员佩戴脑电仪器，并进行调试和准备工作。对于测评任务，操作人员需要在限定时间 内快速准确基于测评任务做出反应；并在测试过程中，实时获取操作人员在测评过程中的 脑电数据以及测评结束后操作人员的主观测试结果，另外，测试过程中操作人员的测试结 果与脑电数据还将存储于数据库中，以便于后续更新数据常模。
具体的，在测试过程中，基于确定的所述测评任务在特定环境下对所述操作人员进行 测试，包括：基于确定的所述测评任务在虚拟现实环境下对所述操作人员进行水平进阶测 试；且基于所述操作人员在所述测评任务下的各水平的测试结果确定所述操作人员的水平 阈值；或，
基于确定的所述测评任务在虚拟现实环境下对所述操作人员进行水平折返测试，且基 于所述操作人员在所述测评任务下的各水平的测试结果确定所述操作人员的水平阈值。
水平数用于反映测试内容或实验试次的难度等级，水平数示例性的可为1至100中的 任意整数，如1，2，3...等。各测评任务下可包括多个测试内容或实验试次；在实际测试过程中，用户可根据实际需要设定同一水平下的多个测试内容或多个试次的水平内呈现顺序，也即在测试过程中同一水平下的多个测试内容或多个试次向被测人员的呈现方式。水平进阶型是指当操作人员在低水平测试测试过程中达到进阶正确率后，才会进入到高一级水平的测试，而水平折返型则指操作人员在当前水平内的测试结果不及格时，进一步的降低一水平对操作人员进行重新测试。
进一步的，在水平进阶型测试中，若当前水平的测试结果不及格，则可对当前水平进 行重新测试，具体的，可设置当前水平的最大重试次数，若当前水平的当前测试次数小于 最大重试次数，且操作人员在当前水平测试测试过程中达到进阶正确率，则进一步的进阶 至高水平以对操作人员进行测试；若当前水平的当前测试次数等于最大重试次数，且操作 人员在当前水平测试测试过程中未达到进阶正确率，则本次测试过程结束。
而在水平折返型测试中，具体的，也可设置当前水平的最大折返次数，若当前水平的 当前测试次数小于最大折返次数，且操作人员在当前水平测试测试过程中达到进阶正确 率，则进一步的转至高水平以对操作人员进行测试；操作人员在高水平测试过程中达到进 阶正确率，则进一步再进阶至更高水平以对操作人员进行测试；而若当前水平的当前测试 次数小于最大折返次数，且操作人员在当前水平测试过程中未达到进阶正确率，则进一步 的转至低水平以对操作人员进行测试；若当前水平的当前测试次数等于最大折返次数，且 操作人员在当前水平测试测试过程中未达到进阶正确率，则测试结束。其中，最大折返次 数是指被测人员在当前水平作答没有达到进阶正确率值时，自该水平向低水平折返，以及 从低水平向该水平折返的最大折返次数累积和。
当选择水平折返型测试方式时，根据获取到的被测人员的基于各水平的测试内容测试 的各水平测试结果确定被测人员的水平阈值，具体包括：获取各次折返过程中各折返位置 对应的各水平数；计算各折返位置对应的各水平数的平均值；根据平均值确定所述被测人 员的水平阈值。在该示例中，水平阈值是由“最后n次折返过程”决定的，个体的水平阈值等于最后n次折返中，每次折返所对应水平的平均值。示例性的，图3为被测人员最后 4次折返过程的折线示意图，参考图3，被测人员在水平5未通过测试，则由水平5折返 至水平4，而在水平4也未通过测试，则由水平4降阶至水平3，此为第一次折返过程； 被测人员的当前测试结果在水平3达到进阶正确率值，则由水平3向水平4折返，在水平 4通过测试时，进一步的进阶至水平5，此为第二次折返过程；被测人员的当前测试结果 在水平5未达到进阶正确率值，则由水平5折返至水平4，此为第三次折返过程；而被测 人员在水平4通过测试时，则由水平4折返至水平5，此为第四次折返过程。在该示例中， 各次折返过程中的折返位置分别为：5、3、5、4，则水平阈值为(5+3+5+4)/4＝4.25；则 在该实施例中，被测人员的水平阈值为4.25。
上述实施例中列举的水平阈值的计算方式仅是一种示例，也可通过其他算法计算水平 阈值。
步骤S40：基于所述操作人员的测试结果以及脑信号数据生成测试报告。
在该步骤中，进一步的生成可视化的测试报告，测试报告由四部分内容组成：介绍部 分、总体结果部分、详细数据以及评语建议部分。对于介绍部分，包括当前测试方向的科学简介、被试个人信息与测评任务介绍，使测试人员能够更清楚的了解自己所参与的测评内容。总体结果部分，包括主观测试结果和脑信号数据结果；主观测试结果为操作人员完成任务后获得的分数、反应时间、正确率和水平阈值，以可视化报告的形式呈现；数据形 式为原始数据，并配置了相关的文字解释。且可通过直方图、折线图、雷达图等多种图形 表达，直方图、折线图、雷达图等多种图形可自由转换，因而使结果更加清楚明了。脑信 号数据结果的总体数据包括激活脑区分析、激活程度与分类等级，分类等级通过分类模型 分类。分类模型可为机器学习模型，进一步的，机器学习模型包括支持向量机。详细数据 为在每个任务中详细试次下，操作人员完成的反应时间、反应正确性、激活脑区与对应的 分类等级；以让操作人员更清楚的回顾整个测评过程及自己当时做出的反应。上述列举的 及部分内容仅是一种示例，其可以根据实际想要获得的内容进行改变。
在本申请的一实施例中，该在线测评方法还包括如下步骤：建立所述测评任务对应的 数据常模，基于所述操作人员的测试结果确定所述操作人员的常模水平，基于所述操作人 员的脑信号数据获取所述操作人员的脑部激活区域以及激活程度。
数据常模是一种供比较的标准量数，由标准化样本测试结果计算而来，即某一标准化 样本的平均数和标准差。它是心理测评用于比较和解释测验结果时的参照分数标准。即可 具体的基于所述测评任务在虚拟现实环境下先对多个被试人员进行测试，获取多个所述被 试人员的测试结果及脑信号数据，基于所述多个测试人员的测试结果建立所述测评任务对 应的数据常模。另外，当在步骤S30中获取到操作人员的测试结果后，也可进一步的基于 操作人员的测试结果以及原获得的多个测试人员的多个测试结果重新计算常模，形成实时 更新的动态常模。在该实施例中，设置实时更新的动态常模不仅会减少用户操作，即不需 要基于测试结果多次计算常模；并且对于常模来说，包含的被试数量越多代表性越强，因 此当有新数据出现立即加入计算，会使常模更具有代表性。
其中，基于所述操作人员的脑信号数据获取所述操作人员的脑部激活区域以及激活程 度，包括：对获取到的所述EEG脑电波滤波处理；对滤波处理后的EEG脑电波进行特征提 取；基于提取的所述特征值确定所述操作人员所属的分类等级。
具体的，对脑信号数据分析是通过直接记录操作人员在测评任务执行过程中的自发脑 信号，然后加以处理分析。示例性的，脑信号数据为脑电数据，脑电数据处理时，可将脑 电数据处理分为3个阶段：第一阶段是对脑电数据的预处理，目的是去除原始脑电数据中 的噪声干扰；第二阶段是脑电数据特征提取,从预处理的脑电数据提取特征量用以区别不 同的脑电数据，同时实现信号的降维，简化计算过程；第三阶段是对提取的特征量进行分 类。示例性的，在对脑电数据进行预处理时，首先对原始脑电数据进行50hz工频和0.1hz高通滤波处理，以及对脑电数据进行阻抗分析。
在具体分析时，EEG脑电波信号主要进行时域分析和频域分析，时域分析主要是通过 分析EEG波形的几何特性，常见的指标如幅度、最大峰值、中值幅度、标准差、方差、峭 度等方式来对波形进行识别。而功率谱估计是EEG脑电波信号频域分析中的一个重要算 法,EEG信号的功率谱是脑电功率与时间之间的关系图，可以从脑电图上直接观察EEG脑 电波信号中各个节律(δ、θ、α、β等)的分布情况，包括Total Power各频段的总能 量值、PowerPercent该波段的能量值占所有波段总能量值的百分比、Average Power该 波段的平均能量值。同时，通过脑地形图可以精确定位脑区在不同功能状态下的激活区域 与激活程度。
其中，脑电相关指标还包括状态相关脑波复杂度Cs，且其相关指标还包括P300和CNV 关联负变(Contingent Negative Variation)。P300：在Oddball范式下，实验记录到小概率刺激出现之后300ms时观察到一个正波，称为P300，这个波在Pz点附近最高。研 究发现P300的波幅与所投入的心理资源量成正相关，其潜伏期随任务难度增加而变长。 CNV被认为主要与心理因素有关，比如期待、意动、朝向反应、觉醒、注意、动机等，可 以认为它基本上是一个综合的心理准备状态的反映，处于紧张或应急状态的反映。除上述 之外，对脑电数据进行ERP成分分析时，具体的还可分析：P1、N1、P2、N2、MMN、N400 等指标。
在该步骤中，可先采用二值化方法对预处理后的脑电信号进行粗粒化处理，即将已知 的脑电数据数列{x1,x2,…,xn}重构，形成“0,1”序列S＝{s1,s2,…,sn}；进而对重构形成 的“0,1”序列按一定的规则进行划分子串界定，对于一个字符串S＝{s1,s2,…,sn}后再加 一个字符串Q＝{q1,q2,…,qn}得到一个字符串SQ，令SQV是SQ减去较后一个字符所得字符 串，再判断Q是否是SQV的一个子串，如果Q是SQV的一个子串，则用“*”把前后分开， 下一步把“*”前的所有字符看成S，重新构造Q，重复以上过程直到结束；最终将由“*” 界定的S的子串数目定义为脑波复杂度。
在本发明一实施例中，基于提取的所述特征值确定所述操作人员所属的分类等级，包 括：基于多个测试人员的测试结果中的任务得分对多个所述测试人员进行等级分类；基于 多个测试人员的脑信号数据以及各所述测试人员所属的分类等级建立测试集；根据所述测 试集对分类模型进行训练得到预训练分类模型；将所述操作人员的脑信号数据输入至所述 预训练分类模型，获得所述操作人员所属的分类等级。
应理解，虽然上文给出了基于提取的所述特征值确定所述操作人员所属的分类等级的 一种方式，但是本领域技术人员还可以想到其它方式。例如：(1)阈值方式，指满足一定阈值即确定一个等级；(2)模型方式，即自定义计算模型，将条件值输入模型中得到 等级；(3)机器学习方式，即根据大量数据训练出机器学习模型，然后通过训练出的机 器学习模型确定，此方式与上文给出的方式类似。
在该实施例中，具体的可取多个被试人员以WJⅢCOG测验为基础进行测试，将测试人 员的测试分数从小到大进行排序，排名低于25％人员的测验成绩记为D级，排名位于25％-50％人员的成绩记为C级，排名位于50％-75％人员的成绩记为B级，排名高于75％人员 的成绩记为A级；从而得到各测试人员所述的等级。
图2为本发明另一实施例的认知能力测评方法的流程示意图，如图2所示，首先操作 人员登录与该在线测评方法对应的系统，进而操作人员填写个人信息，即对操作人员的年 龄、性别、学历等个人信息进行记录，操作人员选择测试方向，系统将根据操作人员信息与测评题库中题目的相关性进行计算，自动选择测评任务，操作人员佩戴脑电仪器并进行测试。
通过上述实施例可以发现，本发明的认知能力测评方法可根据被试年龄、性别和学历 等个人信息自动选择题库中的题目；可根据被试在当前难度水平完成题目的正确率，自动 进入更高级或更低级的题目；另外，该方法以麦克格林和伍德科克以卡特尔和霍恩提出的 流体智力-晶体智力理论以及卡罗尔提出的认知能力三层模型为基础，形成的涵盖认知能 力范围最广、结构更趋于合理的智力理论Cattell-Hom-Carroll为理论基础，充分完整的 测量认知能力的各个维度与综合认知能力水平，其涵盖认知能力范围广、结构更合理；主 客观测评维度结合机器学习，以采集到的数据进行建模训练，得到分类模型对测试者的脑 信号数据进行分类；可进行互联网在线测评，支持远程测试，扩大测试人群。
对应的，本发明还公开了一种认知能力测评系统，该系统包括处理器和存储器，所述 存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所 述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。
示例性的，该在线测评分类系统包括被试信息库管理模块、工具库管理模块、数据库 管理模块。被试信息库管理模块，主要用于对被试信息进行记录；为了维护被试的个人隐 私，本系统只会记录与认知能力测评相关的年龄、性别、学历、家庭状况等信息，不会对隐私信息进行记录。工具库管理模块存储了各个测评方向的测评任务，包含刺激材料、指导语、实验参数等；不同刺激材料和实验参数标注了分类标签，可根据被试的年龄、性别、学历等进行多维度匹配，最后为测试人员提供适配性高的任务水平和任务材料，缩短测评时间，提高测评准确性，同时能减少测评材料熟悉性带来的误差。工具库内的测量任务包括瑞文标准推理测验、心理旋转范式、速度知觉测试、音频感知测试、空间记忆广度、n-back任务、侧抑制任务、图形再认任务等数十种与认知能力维度对应的测评任务；任务之间参数配置的差异构成了任务的不同难度水平。另外，该系统接收外部接口数据与主客观数据。外部接口数据是个体的脑信号数据，采用向量机算法进行建模得到分类模型；用于评估当前测试人员的认知水平。主客观数据是个体完成任务时所得到的分数和反应时，可形成动态常模对测评人员在团体中的整体位置进行判断，更清楚直观的描述测评人员的认知能力水平。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的 组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是 软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个 特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范 围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、 插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或 者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号 在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何 介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以 经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一 些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提 及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施 方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实 施方式的特征。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人 员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任 何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种认知能力测评方法，其特征在于，所述方法包括：
接收操作人员的个人信息，基于操作人员的个人信息确定与所述操作人员相匹配的测评维度；
获取操作人员所选择的与其个人信息相匹配的测评维度下的子维度测评模式，基于所述操作人员选择的所述子维度测评模式确定测评任务；
基于确定的所述测评任务在特定环境下对所述操作人员进行测试，获取所述操作人员在特定环境下针对所述测评任务的测试结果以及脑信号数据，所述测试结果包括任务得分、反应时间、任务正确率以及水平阈值；
基于所述操作人员的测试结果以及脑信号数据生成测试报告。
2.根据权利要求1所述的认知能力测评方法，其特征在于，所述方法还包括：
建立所述测评任务对应的数据常模，基于所述操作人员的测试结果确定所述操作人员的常模水平，基于所述操作人员的脑信号数据获取所述操作人员的脑部激活区域以及激活程度；
基于获取到的所述操作人员的测试结果更新所述数据常模。
3.根据权利要求2所述的认知能力测评方法，其特征在于，所述建立所述测评任务对应的数据常模，包括：
基于所述测评任务在特定环境下对多个被试人员进行测试，获取多个所述被试人员的测试结果及脑信号数据，基于所述多个测试人员的测试结果建立所述测评任务对应的数据常模。
4.根据权利要求3所述的认知能力测评方法，其特征在于，所述脑信号数据包括EEG脑电波，所述基于所述操作人员的脑信号数据获取所述操作人员的脑部激活区域以及激活程度，包括：
对获取到的所述EEG脑电波滤波处理；
对滤波处理后的EEG脑电波进行特征提取；
基于提取的所述特征值确定所述操作人员所属的分类等级。
5.根据权利要求4所述的认知能力测评方法，其特征在于，所述基于提取的所述特征值确定所述操作人员所属的分类等级，包括：
基于多个测试人员的测试结果中的任务得分对多个所述测试人员进行等级分类；
基于多个测试人员的脑信号数据以及各所述测试人员所属的分类等级建立测试集；
根据所述测试集对分类模型进行训练得到预训练分类模型；
将所述操作人员的脑信号数据输入至所述预训练分类模型，获得所述操作人员所属的分类等级。
6.根据权利要求5所述的认知能力测评方法，其特征在于，所述分类模型为机器学习模型。
7.根据权利要求1所述的认知能力测评方法，其特征在于，所述基于操作人员的个人信息确定与所述操作人员相匹配的测评维度，包括：
将各测评维度进行标签化；
计算所述操作人员的个人信息与各所述测评维度的重合度；
基于所述重合度确定与所述操作人员相匹配的测评维度。
8.根据权利要求1所述的认知能力测评方法，其特征在于，所述操作人员所选择的子维度测评模式为推理能力、表象能力、感知觉水平、记忆水平、学习能力、反应能力和数学知识中的至少一种。
9.根据权利要求1所述的认知能力测评方法，其特征在于，所述基于确定的所述测评任务在特定环境下对所述操作人员进行测试，包括：
基于确定的所述测评任务在虚拟现实环境下对所述操作人员进行水平进阶测试，且基于所述操作人员在所述测评任务下的各水平的测试结果确定所述操作人员的水平阈值；或
基于确定的所述测评任务在虚拟现实环境下对所述操作人员进行水平折返测试，且基于所述操作人员在所述测评任务下的各水平的测试结果确定所述操作人员的水平阈值。
10.一种认知能力测评系统，该系统包括处理器和存储器，其特征在于，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如权利要求1至9中任意一项所述方法的步骤。
CN202211054706.7A 2022-08-31 2022-08-31 认知能力测评方法及系统 Pending CN115458112A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211054706.7A CN115458112A (zh) 2022-08-31 2022-08-31 认知能力测评方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211054706.7A CN115458112A (zh) 2022-08-31 2022-08-31 认知能力测评方法及系统

Publications (1)

Publication Number Publication Date
CN115458112A true CN115458112A (zh) 2022-12-09

Family

ID=84301858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211054706.7A Pending CN115458112A (zh) 2022-08-31 2022-08-31 认知能力测评方法及系统

Country Status (1)

Country Link
CN (1) CN115458112A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115935191A (zh) * 2023-01-05 2023-04-07 广东中大管理咨询集团股份有限公司 一种基于大数据分析的能力测量方法及装置
CN116502047A (zh) * 2023-05-23 2023-07-28 成都市第四人民医院 神经医学数据处理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107126222A (zh) * 2017-06-23 2017-09-05 中国科学院心理研究所 一种认知能力测评系统及其测评方法
CN109993654A (zh) * 2019-04-02 2019-07-09 王子南 一种认知测评系统
CN114246589A (zh) * 2021-12-23 2022-03-29 北京津发科技股份有限公司 记忆认知能力测评方法及系统
CN114429269A (zh) * 2021-12-16 2022-05-03 北京津发科技股份有限公司 一种人因工效测评方法、系统及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107126222A (zh) * 2017-06-23 2017-09-05 中国科学院心理研究所 一种认知能力测评系统及其测评方法
CN109993654A (zh) * 2019-04-02 2019-07-09 王子南 一种认知测评系统
CN114429269A (zh) * 2021-12-16 2022-05-03 北京津发科技股份有限公司 一种人因工效测评方法、系统及装置
CN114246589A (zh) * 2021-12-23 2022-03-29 北京津发科技股份有限公司 记忆认知能力测评方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115935191A (zh) * 2023-01-05 2023-04-07 广东中大管理咨询集团股份有限公司 一种基于大数据分析的能力测量方法及装置
CN116502047A (zh) * 2023-05-23 2023-07-28 成都市第四人民医院 神经医学数据处理方法及系统
CN116502047B (zh) * 2023-05-23 2024-05-07 成都市第四人民医院 神经医学数据处理方法及系统

Similar Documents

Publication Publication Date Title
CN115458112A (zh) 认知能力测评方法及系统
CN105069294B (zh) 一种用于认知能力值测试的计算和分析方法
US10321840B2 (en) Development of fully-automated classifier builders for neurodiagnostic applications
CN114246589B (zh) 记忆认知能力测评方法及系统
JPH07325802A (ja) ユーザビリティ測定方法
EP3474743B1 (en) Method and system for detection and analysis of cognitive flow
CN111513730B (zh) 基于多通道生理数据的心理压力预测方法和系统
CN115713246A (zh) 一种关于虚拟场景的多模态人机交互的性能评估方法
CN113080996A (zh) 一种基于目标检测的心电图分析方法及装置
Vajs et al. Dyslexia detection in children using eye tracking data based on VGG16 network
Raghu et al. Automated biomedical signal quality assessment of electromyograms: Current challenges and future prospects
Siddiqui et al. Trust metrics for medical deep learning using explainable-ai ensemble for time series classification
CN112617772B (zh) 一种基于脉搏波信号的驾驶疲劳识别方法及系统
Mohan et al. Perceived Stress Prediction among Employees using Machine Learning techniques
CN116090879A (zh) 一种基于眼动数据的飞行训练品质评估方法
CN115497621A (zh) 一种老年人认知状况测评系统
CN113171102B (zh) 基于持续深度学习的ecg数据分类方法
CN115337000A (zh) 基于脑结构影像评估疾病引起大脑衰老的机器学习方法
CN115047969A (zh) 一种基于眼动的认知功能评估系统及其评估方法
CN115105084A (zh) 基于深度学习的心搏定位分类方法、系统、介质及设备
CN114783552A (zh) 操作人员岗前疲劳检测方法和系统
CN114983434A (zh) 一种基于多模态脑功能信号识别的系统及方法
Singh et al. Using supervised learning to guide the selection of software inspectors in industry
Liu et al. EEG-based cadets training and performance assessment system in maritime virtual simulator
Kaiser et al. Automatic learning of rules: a practical example of using artificial intelligence to improve computer-based detection of myocardial infarction and left ventricular hypertrophy in the 12-lead ECG

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