CN116052844A - 一种基于数字生物标志物的认知障碍因果推理系统 - Google Patents
一种基于数字生物标志物的认知障碍因果推理系统 Download PDFInfo
- Publication number
- CN116052844A CN116052844A CN202310062315.8A CN202310062315A CN116052844A CN 116052844 A CN116052844 A CN 116052844A CN 202310062315 A CN202310062315 A CN 202310062315A CN 116052844 A CN116052844 A CN 116052844A
- Authority
- CN
- China
- Prior art keywords
- user
- analysis unit
- content
- input content
- time
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Databases & Information Systems (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Developmental Disabilities (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Psychology (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明涉及一种基于数字生物标志物的认知障碍因果推理系统。所述认知障碍因果推理系统至少包括用户端、智能穿戴设备和分析单元。用户端被配置为至少能够获取用户通过所述用户端所输入的输入内容。智能穿戴设备被配置为至少能够采集用户使用所述用户端时所产生的与所述输入内容相对应的时序动作数据。分析单元能够分别从所述用户端和智能穿戴设备获取所述输入内容和与所输入内容相对应的时序动作数据。所述分析单元被配置为能够对所述输入内容和与所输入内容相对应的时序动作数据进行分析,以评估所述用户的认知能力,和/或向所述用户端或智能穿戴设备发送引起所述用户的认知能力发生变化的数字生物标志物。
Description
技术领域
本发明涉及数字医疗技术领域,尤其涉及一种基于数字生物标志物的认知障碍因果推理系统。
背景技术
认知功能是人脑认识和反映客观事物的心理机能,包括知觉、学习记忆、注意力、语言、思维等。随着人年龄的增长,人的认知功能会下降,通常的表现是记忆力衰退等各方面机能下降。例如听力、视力下降、行动不便等,这会严重影响我们生活质量。老人痴呆症的症状通常表现为认知能力的严重缺失、记忆的下降,在推理、判断能力上同样也会表现出明显的下降。目前针对人类个体的认知能力的评估主要依靠认知障碍筛查量表,通过工作人员对人类个体进行评测,进而实现对人类个体的认知能力评估。但传统的量表评估存在以下几个问题,即回访时间间隔较长,难以实现定期回访;评估时间较长,对工作人员要求高,难以实现大范围普及;受教育水平低的人类个体难以完成大部分评测内容等。
近年来,智能手环、苹果手表、智能床垫、袖珍心电图和其他健康医疗数字设备如雨后春笋般涌现,有不少已飞入寻常百姓家。上述这些设备除了帮助人们更便捷地了解自己的健康状况外,它们持续收集的健康数据还可以通过移动互联网汇集为天文数字级的健康医疗数据资源,配以合适的分析手段,可产生新洞察来揭示群体的,尤其是个体的身心健康当前状态和发展趋势。由此而生的数字生物标志物有望成为深入了解人类自身健康和疾病的有效手段。简单来说,数字生物标志物(英文为digital biomarker)是用户/消费者通过数字健康互联设备收集的有关个体生理和行为的客观数据,用以解释、影响和预测健康结局。而传统生物标志物一般指通过生化检验获取的指标,用于标志器官等组织结构或功能发生的改变。如传统医院里的血液测试可以产生富有洞察的数据,但因是通过生化检验得到,而非通过互联的数字健康设备得到,因此不是数字生物标志物。一方面,数字生物标志物现阶段的发展目标是传统生物标志物的有效补充,而不是取代后者;另一方面,数字生物标志物可有力推动健康医疗模式从被动应对向主动预防的转变。通过使用数字生物标志物,研究人员不仅能够更好地解释疾病,而且还可利用日益庞大的健康数据分析正常且健康的个体状态所代表的意义,更重要的是预测未来的健康结局。因此,各方面对数字生物标志物研究的兴趣有望在未来几年内飙升。
例如,公开号为CN106327049A的中国专利文献公开了一种认知评估系统,包括信息模块、测试模块和分析模块;信息模块用于根据对象的资料,获得与测试模块相匹配的医疗信息,建立完整的认知评估数据库;测试模块通过测试得到对象的认知测试数据,包含以下五个子模块:注意力和执行功能测试模块、记忆测试模块、数学和计算能力测试模块、语言测试模块、动作与行为的控制和计划测试模块;分析模块根据信息模块获取的医疗信息和测试模块获取的认知测试数据,确定对象的认知评估结果。但是该发明仍存在以下技术不足:该认知评估系统仍然需要工作人员进行测量才能够实现认知评估,而认知评估对工作人员的专业技能要求高,且该系统的认知评估过程难以实现自动化;此外,人类个体的认知能力的下降是一个缓慢且难以觉察的过程,上述系统通过一两次认知障碍筛查量表评估得到的认知能力评分不能够很好地反映人类个体的认知能力的变化;更为重要的是,上述系统采用认知障碍筛查量表进行评估的方法存在耗时长、对工作人员的专业技能要求高、受教育水平低的人类个体难以完成大部分评测内容等问题。因此,有必要对现有技术进行改进。
此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于申请人做出本发明时研究了大量文献和专利,但篇幅所限并未详细罗列所有的细节与内容,然而这绝非本发明不具备这些现有技术的特征,相反本发明已经具备现有技术的所有特征,而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
针对现有技术之不足,本发明提供了一种基于数字生物标志物的认知障碍因果推理系统。所述认知障碍因果推理系统至少包括用户端、智能穿戴设备和分析单元。
用户端被配置为至少能够获取用户通过所述用户端所输入的输入内容。
智能穿戴设备被配置为至少能够采集用户使用所述用户端时所产生的与所述输入内容相对应的时序动作数据。
分析单元能够分别从所述用户端和智能穿戴设备获取所述输入内容和与所输入内容相对应的时序动作数据。
在所述分析单元能够从所述输入内容和与所述输入内容相对应的时序动作数据中提取用于表征用户的认知能力的数字生物标志物的情况下,所述分析单元被配置为能够对所述输入内容和与所输入内容相对应的时序动作数据进行分析,以评估所述用户的认知能力,和/或向所述用户端或智能穿戴设备发送引起所述用户的认知能力发生变化的数字生物标志物。
通过该配置方式,可以通过智能穿戴设备采集用户与智能穿戴设备交互过程中所产生的数字生物标志物,以便于后续步骤中通过所采集的数字生物标志物对用户的认知能力变化情况进行评估,从而便于医务人员获知用户近期的治疗效果;此外,分析单元能够基于相关变量特征产生因果关系网络模型并进行因果推理,以分析得出引起所述用户的认知能力发生变化的预测因子,而时间行为数据库中预测因子所对应的输入内容与时序动作数据能够作为分析单元向所述用户端或智能穿戴设备所发送的引起所述用户的认知能力发生变化的数字生物标志物。例如,若分析单元分析得出抑郁症与习惯性睡眠效率低是关系强度值最大的两个预测因子,则分析单元向用户端或智能穿戴设备发送上述两个预测因子所代表的数字生物标志物(比如用户抑郁症的程度与用户每日的平均有效睡眠时间)。
根据一个优选实施方式,所述分析单元能够从所述输入内容和与所述输入内容相对应的时序动作数据中提取用于表征用户的认知能力的数字生物标志物的方法为:
所述分析单元对所述输入内容和与所述输入内容相对应的时序动作数据进行数据融合以得到融合数据;
所述分析单元基于所述融合数据提取特征数据,并从所述特征数据中计算分析得出候选数字生物标志物;
所述分析单元对所述候选数字生物标志物进行因果推断,以分析推断出能够表征用户的认知能力的数字生物标志物。
根据一个优选实施方式,所述分析单元对所述候选数字生物标志物进行因果推断,以分析推断出能够表征用户的认知能力的数字生物标志物的方法为:所述分析单元基于所述用户的生理指标数据、护理实施数据及健康状态数据构建因果分析知识库,并通过所建立的因果分析知识库对所述候选数字生物标志物进行因果推断,以挖掘出能够表征用户的认知能力的数字生物标志物。
根据一个优选实施方式,所述用户端还包括第一蓝牙单元,所述第一蓝牙单元被配置为能够与安装于或设置于所述智能穿戴设备内的第二蓝牙单元进行数据传输,以便所述用户端获取所述智能穿戴设备发送至所述第一蓝牙单元的与所述输入内容相关的时序动作数据。
根据一个优选实施方式,所述用户端还安装有或设置有分类模块,所述分类模块用于将所述用户端所获取的用户的输入内容进行分类,并且用于将所述智能穿戴设备所获取的用户的时序动作数据进行分类,以使得所述输入内容与时序动作数据的各子类数据能够以细粒度的方式表征用户的认知能力。
通过该配置方式,可以通过分类模块对用户端获取的输入内容和智能穿戴设备获取的与输入内容相对应的时序动作数据进行分类,并将经过上述分类的输入内容和与输入内容相对应的时序动作作为能够表征用户认知能力变化的候选数字生物标志物的原始数据,以通过神经网络等对用户的认知能力进行评估,从而避免频繁地通过认知障碍筛查量表评估用户的认知能力,并降低医护人员评估认知障碍患者的认知能力的工作强度。
根据一个优选实施方式,所述用户端还包括第一通信单元,所述第一通信单元被配置为能够与安装于或设置于所述分析单元内的第二通信单元建立通信连接,以便分析单元获取所述用户端发送至所述第一通信单元的输入内容和与输入内容相对应的时序动作数据。
根据一个优选实施方式,安装于或设置于所述分析单元内的内容分析单元对所述数字生物标志物进行分析以推断与用户认知能力变化有关的相关特征变量和用户认知能力变化之间的因果关系的方法为:所述内容分析单元根据用户端获取用户输入的内容和与所输入内容相关的时序动作数据进行认知能力评估;所述内容分析单元能够基于认知能力评估结果通过神经网络获取引起用户的认知能力发生变化的相关变量特征;所述内容分析单元基于所述相关变量特征产生因果关系网络模型进行因果推理。
根据一个优选实施方式,所述内容分析单元根据用户端获取用户的输入内容和与所输入内容相关的时序动作数据进行认知能力评估的方法为:所述内容分析单元建立从用户端获取的输入的内容和与所输入内容相关的时序动作数据到认知功能评估的映射;所述内容分析单元使用损失函数量化所述映射;所述内容分析单元寻找能够使得损失函数取得最小值的最佳权重,并使用该最佳权重创建新的映射;所述内容分析单元基于所述输入内容和时序动作数据通过新创建的映射计算用户新的认知能力值。
根据一个优选实施方式,所述内容分析单元基于所述相关变量特征产生因果关系网络模型进行因果推理的方法为:所述内容分析单元获取所述数字生物标志物中与所述相关变量特征相对应的输入内容和与输入内容相对应的时序动作数据;所述内容分析单元解析数据以产生针对多个相关变量特征的标准化数据;所述内容分析单元使用贝叶斯网络算法基于所产生的标准化数据产生涉及所述多个相关特征变量的因果关系网络模型;所述内容分析单元从所述因果关系网络模型确定子网络;所述内容分析单元从所述子网络中确定一个或多个预测因子。
根据一个优选实施方式,所述分析单元使用贝叶斯网络算法基于所产生的标准化数据产生涉及所述多个相关特征变量的因果关系网络模型的方法为:S101.通过贝叶斯片段计数过程基于所述变量形成网络片段文库;S102.形成整套试验网络,并且整套试验网络的每个试验网络从所述不同网络片段子集构建;S103.通过经由模拟退火的局部转化使每个试验网络进化而总体地优化所述整套试验网络,以产生因果关系网络模型。
附图说明
图1是本发明的一个优选实施方式的简化示意图。
附图标记列表
100:用户端;200:智能穿戴设备;300:分析单元。
具体实施方式
下面结合附图进行详细说明。
图1示出一种面向认知障碍患者照护的因果推理系统。该因果推理系统至少包括用户端100、智能穿戴设备200、分析单元300。
如图1所示,用户端100被配置为至少能够获取用户通过所述用户端100所输入的输入内容。
智能穿戴设备200被配置为至少能够采集用户使用所述用户端100时所产生的与所述输入内容相对应的时序动作数据。
分析单元300能够分别从所述用户端100和智能穿戴设备200获取所述输入内容和与所输入内容相对应的时序动作数据。
如图1所示,在所述分析单元300能够从所述输入内容和与所述输入内容相对应的时序动作数据中提取用于表征用户的认知能力的数字生物标志物的情况下,所述分析单元300被配置为能够对所述输入内容和与所输入内容相对应的时序动作数据进行分析,以评估所述用户的认知能力,和/或向所述用户端100或智能穿戴设备200发送引起所述用户的认知能力发生变化的数字生物标志物。
优选地,用户端100自身也能够采集用户使用用户端100时所产生的与输入内容相对应的时序动作数据。
用户端100能够包括内容采集单元、第一蓝牙单元、第一通信单元、输入模块。
用户端100能够通过所述内容采集单元在用户与所述用户端100的交互过程中获取用户通过所述输入模块输入的输入内容。所述第一蓝牙单元与所述第一通信单元能够分别用于与其他设备的数据通信。
智能穿戴设备200能够包括第二蓝牙单元。智能穿戴设备200被配置为能够按照时序采集用户与所述内容采集单元所采集的内容相对应的时序动作数据,并通过所述第二蓝牙单元向所述用户端100的第一蓝牙单元发送所述时序动作数据。智能穿戴设备200还能够独立地采集用户的时序动作数据。
分析单元300至少包括内容分析单元、第二通信单元。所述内容分析单元被配置为能够通过所述第二通信单元从所述第一通信单元获取用户通过所述输入模块输入的输入内容和与所输入内容相关的时序动作数据。
所述分析单元300能够基于所述输入内容和/或时序动作数据通过内容分析单元对用户的认知能力进行评估。
优选地,用户为具有与其年龄相当的认知能力的人类个体。
优选地,用户端100还可以包括但不限于工作站、个人计算机、通用计算机、互联网设备、笔记本、台式机、多处理器系统、机顶盒、网络PC、无线设备、便携式设备、可穿戴计算机、蜂窝或移动电话、便携式数字助理(PDA)、智能电话、平板电脑、超极本、上网本、多处理器系统、基于微处理器的或可编程消费电子产品、小型计算机等。优选地,用户端100可以通过有线和/或无线连接的方式与网络连接。优选地,用户端100可以向用户提供各种应用程序。例如,上述应用程序可以包括但不限于:用于导航和全球定位的电子地图类应用程序、用于收发短信/电子邮件的应用程序等。优选地,内容采集单元被配置为能够采集用户通过用户端100所输入的输入内容。优选地,输入内容可以为语音信息、手势、文字信息、视频图像信息等。
通过该配置方式,可以通过内容采集单元采集用户与用户端100交互过程中所产生的数字生物标志物,以便于后续步骤中通过所采集的数字生物标志物对用户的认知能力变化情况进行评估,从而便于医务人员获知用户的认知能力水平。
优选地,第一蓝牙单元用于建立用户端100与穿戴设备之间的数据连接。
优选地,第一通信单元用于建立用户端100与分析单元300之间的通信连接。优选地,第一通信单元可以在一时间阈值以内将用户端100所获取的输入内容数据和与输入内容数据所对应的时序动作数据发送到分析单元300。优选地,时间阈值可以根据实际场景需求灵活地设定,例如,时间阈值可以为二十四小时。优选地,第一通信单元在可能的情况下可以定期地使用宽带WiFi进行传输或包括由用户数据计划提供的可进行4G LTE传输的其他装置。优选地,第一通信单元还负责在发送用户端100所获取的输入内容数据和与输入内容数据所对应的时序动作数据之前保护加密信道。通过该配置方式,可以对系统内的数据信息进行有效的保护,从而防止泄露用户的隐私信息。
优选地,输入模块能够用于由用户向用户端100输入手势操作、语音指令等输入内容。优选地,输入模块可以为键盘、触摸屏、麦克风、摄像头等。
优选地,用户可以将智能穿戴设备200按照能够采集用户输入用户端100的输入内容的方式穿戴于其身体之上。优选地,智能穿戴设备200用于获取与用户通过用户端100所输入的输入内容相对应的时序动作数据。通过该配置方式,可以通过智能穿戴设备200采集用户与智能穿戴设备200交互过程中所产生的数字生物标志物,以便于后续步骤中通过所采集的数字生物标志物对用户的认知能力变化情况进行评估,从而便于医务人员获知用户近期的治疗效果。
优选地,智能穿戴设备200可以安装有或者设置有专门的时序动作采集模块,以采集与用户通过用户端100输入的输入内容相关的时序动作数据。智能穿戴设备200可以包括腕带智能设备、头戴智能设备等,例如智能手表和智能头盔。
优选地,时序动作数据可以为用户通过用户端100输入的输入内容时所进行相关的操作动作和与该操作动作所对应的时间。优选地,操作动作可以包括但不限于键盘敲击动作、触摸屏手势、触控笔和鼠标划出手势、运动锻炼时的肢体动作等。
特别优选地,数字化棋牌能够作为用户的用户端100。上述数字化棋牌被配置为至少能够获取用户使用所述数字化棋牌时的行为数据。优选地,上述行为数据能够作为时序动作数据。优选地,上述行为数据也可以作为使用数字化棋牌时的输入内容。
当用户端100为数字化棋牌时,可以通过佩戴于用户身上的智能穿戴设备200采集用户的语言数据和动作数据。优选地,上述语言数据能够作为数字化棋牌的输入内容。优选地,上述行为数据和动作数据能够作为与上述输入内容相对应的时序动作数据。
优选地,用户端100与智能穿戴设备200之间可以通过安装于或设置于用户端100的第一蓝牙单元与安装于或设置于智能穿戴设备200的第二蓝牙单元建立数据连接。
优选地,如图1所示,当智能穿戴设备200的第二蓝牙单元与用户端100的第一蓝牙单元之间的距离超过阈值距离时,智能穿戴设备200可以将用户端100输入的内容,先按照时序存储于智能穿戴设备200内的存储模块。优选地,当智能穿戴设备200的第二蓝牙单元与用户端100的第一蓝牙单元之间的距离在阈值范围以内时,智能穿戴设备200的第二蓝牙单元与用户端100的第一蓝牙单元之间可以实时双向传输数据,也可以将先按照时序存储于智能穿戴设备200内的存储模块再传输至用户端100的第一蓝牙单元。优选地,阈值距离可以根据实际场景需求而人为地设定,例如阈值距离可以为二十米。
根据一个优选实施方式,所述用户端100还安装有或设置有分类模块。所述分类模块用于将所述内容采集单元所获取的用户的输入内容进行分类,并且用于将所述智能穿戴设备200所获取的用户的时序动作数据进行分类,并通过所述第一通信单元将经过分类模块分类的所述输入内容和与输入内容相对应的时序动作数据发送至分析单元300的内容分析单元。
优选地,分类模块可以是由处理器运行的运行程序。优选地,分类模块也可以是硬件。所述分类模块根据所输入内容的类型将内容采集单元所获取的用户的输入内容进行分类。
在用户使用用户端100和与用户端100所对应的智能穿戴设备200进行日常社交的情况下,安装于用户端100的分类模块能够通过触摸屏获取用户所输入的内容,并根据用户端100的类型将通过触摸屏输入的内容划分为第一输入内容。
在能够响应于智能穿戴设备200所发出的指令的情况下,针对智能穿戴设备200所发出的指令做出答复的第一输入内容是用户以点按的方式通过触摸屏输入的应答内容。例如,应答内容可以为:“是”或“否”。优选地,智能穿戴设备200所发出的指令可以是提醒用户进行某一特定活动的指令。例如上述智能穿戴设备200所发出的指令可以为定时服药、定时运动、定时睡眠等数据指令。优选地,智能穿戴设备200所发出的指令可以为需要用户对其日常行为进行确认的指令。例如上述智能穿戴设备200所发出的指令可以为确认用户是否已缴纳当月的水电费用。
在能够响应于用户端100的即时通讯消息的情况下,针对用户端100的即时通讯消息的第一输入内容是用户以与触摸屏滑动接触的方式对即时通讯消息进行回复的通讯内容。上述通讯内容可以为能够表达一定语意的词语和/或句子。上述通讯内容也可以为能够表达用户心理状态的表情包。上述通讯内容还可以为用户采集的图片或用户录制的视频。
在能够响应于用户端100的铃声的情况下,针对用户端100的铃声的第一输入内容是用户以点按的方式输入触摸屏的应答内容。上述铃声可以为用户家安装的门铃所发出的门铃声。上述铃声也可以为智能手机的来电铃声。优选地,上述应答内容可以为用户通过触摸屏输入的一组具有特定含义的字符组合。优选地,上述应答内容可以为用户接听到用户端100的来电内容后通过触摸屏所输入的与来电内容相关的答复内容。
在能够响应于用户端100的震动的情况下,针对用户端100的震动的第一输入内容为用户以点按和/或与触摸屏滑动接触的方式对用户端100的震动作出相应回应的回复内容。优选地,用户端100的震动可以为智能手机的震动。优选地,用户端100的震动也可以为用户所使用的游戏终端产生的震动。优选地,用户端100的震动还可以为其他形式的震动。优选地,上述应答内容为用户针对智能手机中电子邮件或者消息的接收而做出的回复内容。
在能够响应于用户端100的姿态发生变化的情况下,针对用户端100的姿态发生变化的第一输入内容为用户以与触摸屏点接触或者滑动接触的方式通过用户端100对用户端100姿态的变化做出的反馈内容。优选地,上述用户端100为具有触摸屏的游戏终端。例如上述游戏终端可以为智能手机或者其他便携式游戏终端。优选地,上述反馈内容可以为用户针对游戏终端的姿态变化通过连续点击游戏终端的触摸屏或者与触摸屏滑动接触以能够对游戏终端所展示画面内容中的游戏人物或者物体进行调整的方式所作出的反馈输入。
安装于用户端100的分类模块能够获取用户使用用户端100时所输入的语音内容,并根据用户端100的类型将通过智能手机所输入的语音信息划分为第二输入内容。第二输入内容用于表征用户的社会参与水平。
在能够响应于智能穿戴设备200所发出的指令的情况下,针对智能穿戴设备200所发出的指令做出答复的第二输入内容是用户以语音方式作出的针对智能穿戴设备200所发出的指令的应答内容。应答内容可以是用户针对智能穿戴设备200发出的对用户某些日常活动的询问所作出的语音回复内容。应答内容可以是能够表达一定语意的语音片段。智能穿戴设备200所发出的指令可以是询问用户是否在规定的时间内进行服药、运动、休息等。
在能够响应于用户端100的即时通讯消息的情况下,针对用户端100的即时通讯消息的第二输入内容是用户以语音的方式对即时通讯消息进行回复的通讯内容。通讯内容可以为能够表达一定语意或者无特定语义的语音片段。其中,上述语音片段的长度不限。语音片段可以为单个字符的读音。语音片段也可以为多个语句组成的整段语音。无特定语义的语音为用户发出的不能被同年龄段的具有正常认知水平的人所理解的语音内容。
在能够响应于用户端100的铃声的情况下,针对用户端100的铃声的第二输入内容是用户以语音输入方式针对用户端100的铃声进行答复的应答内容。应答内容可以为用户与其亲属、朋友之间进行电话沟通的内容。
在能够响应于用户端100的震动的情况下,针对用户端100的震动的第二输入内容为用户以语音输入方式对用户端100的震动作出相应回应的回复内容。用户端100的震动可以为智能手机因来电、电子邮件、消息等所产生的震动。
在能够响应于用户端100的姿态发生变化的情况下,针对用户端100的姿态发生变化的第二输入内容为用户以语音输入的方式对用户端100姿态的变化做出的反馈内容。上述用户端100可以为具有触摸屏的游戏终端,例如智能手机、智能电器、游戏终端等。上述反馈内容可以为用户针对游戏终端的姿态变化通过智能手机以能够对游戏终端所展示画面内容中的游戏人物或者物体进行调整的方式所作出的反馈输入。上述反馈内容也可以为用户针对其他智能设备的姿态的变化通过智能手机以能够对其他智能设备的姿态和/或运动轨迹进行调整的方式所作出的反馈输入。例如智能设备可以为智能扫地机器人。
安装于用户端100的分类模块能够获取用户使用用户端100时所输入的内容,并根据用户端100的类型将用户通过键盘所输入的内容划分为第三输入内容。
在能够响应于智能穿戴设备200所发出的指令的情况下,针对智能穿戴设备200所发出的指令做出答复的第三输入内容是用户通过键盘以点按或者敲击方式作出的针对智能穿戴设备200所发出的指令的应答内容。应答内容可以是用户针对智能穿戴设备200发出的对用户某些日常活动的询问所作出的回复内容。回复内容可以包括字母数字条目、退格条目、大写条目、格式条目和编辑条目中的一个或多个。
在能够响应于用户端100的即时通讯消息的情况下,针对用户端100的即时通讯消息的第三输入内容是用户通过键盘以点按或者敲击方式对即时通讯消息进行回复的通讯内容。通讯内容可以为能够表达一定语意或者无特定语义的字符或者字符组合。字符的数量可以为一个。字符的数量也可以为多个。
在能够响应于用户端100的铃声的情况下,针对用户端100的铃声的第三输入内容是用户通过键盘以点按或者敲击方式针对用户端100的铃声进行答复的应答内容。应答内容可以为用户与其亲属、朋友之间进行文字沟通的内容。
安装于用户端100的分类模块能够获取智能手机所接收的电子邮件和/或短信,并根据用户端100的类型将智能手机所获取的电子邮件和/或短信信息划分为第四输入内容。第四输入内容也能够用于表征用户的社会参与水平。
在能够响应于智能穿戴设备200所发出的指令的情况下,针对智能穿戴设备200所发出的指令做出答复的第四输入内容是用户通过用户端100以被动接收的方式获取的针对智能穿戴设备200所发出的指令的输入内容。输入内容可以是电子邮件、短信的文本内容。输入内容还可以包括反复出现的拼写错误、遗漏、过多的校正、普通单词的不规则延迟变化等。输入内容还可以包括收件人和发件人的电子邮件地址、收件人和发件人的电话号码。
优选地,安装于用户端100的分类模块还可以根据实际场景需求将用户通过用户端100所输入的其他内容进行进一步的分类,以便于获取能够表征人类认知能力水平的其他行为内容。
安装于用户端100的分类模块能够通过智能穿戴设备200获取用户的与输入内容相对应的时序动作数据。
安装于用户端100的分类模块能够根据智能穿戴设备200所对应的用户端100的类型将智能穿戴设备200获取的与用户使用触摸屏所输入的内容相对应的时序动作数据划分为第一时序动作数据。
在能够响应于触摸屏的情况下,第一时序动作数据是指智能穿戴设备200针对用户以点按的方式通过触摸屏输入时获取的用户作用于触摸屏的手势动作的输入内容触发时间、响应起始时间、响应结束时间、持续时间、停顿次数、停顿时间和与触摸屏的接触次数。例如,第一时序动作数据的记录格式可以为:输入内容触发时间、持续时间XX秒,停顿时间XX秒,与触摸屏的接触次数为XX次。输入内容触发时间可以为用户通过触摸屏打开触摸屏上的应用程序的时间。输入内容触发时间也可以根据实际场景需求灵活地选定,例如选定响应起始时间所在的当日凌晨零点作为本次输入内容触发时间。响应起始时间可以是用户打开应用程序之后首次输入时的时间。响应结束时间可以是用户打开应用程序之后结束输入时的时间。从属于同一个与第一时序动作数据相对应的第一输入内容的输入内容触发时间和响应起始时间之间的差值可以用于计算用户的延迟时间,以表征用户的执行、计算和理解判断等方面的认知能力。
安装于用户端100的分类模块能够通过智能穿戴设备200获取用户的与输入内容相对应的时序动作数据,并根据智能穿戴设备200所对应的用户端100的类型将通过智能穿戴设备200获取的与用户使用智能手机所输入的内容相对应的时序动作数据划分为第二时序动作数据。
在能够响应于智能手机的情况下,第二时序动作数据是智能穿戴设备200针对用户以语音方式响应智能手机时所获取的语音输入的输入内容触发时间、响应起始时间、响应结束时间、持续时间、停顿时间。输入内容触发时间可以为智能穿戴设备200所记录的用户通过用户端100智能手机接听到手机来电的时间。输入内容触发时间可以根据实际场景需求灵活地选定,例如选定响应起始时间所在的当日凌晨零点作为本次输入内容触发时间。例如,第二时序动作数据的记录格式可以为:输入内容触发时间、响应起始时间、响应结束时间、持续时间和停顿时间等。
安装于用户端100的分类模块能够根据智能穿戴设备200所对应的用户端100的类型将通过智能穿戴设备200所获取的与用户使用键盘所输入的内容相对应的时序动作数据划分为第三时序动作数据。
在能够响应于用户端100的键盘的情况下,第三时序动作数据是智能穿戴设备200针对用户以点按的方式通过用户端100的键盘进行输入操作时所获取的输入内容触发时间、响应起始时间、响应结束时间、持续时间、延迟时间、点按频率。输入内容触发时间可以为智能穿戴设备200所记录的用户打开用户端100的电子邮件/短信/游戏网页的时间。输入内容触发时间可以根据实际场景需求灵活地选定,例如选定响应起始时间所在的当日凌晨零点作为本次输入内容触发时间。例如,第三时序动作数据的记录格式可以为:输入内容触发时间、响应起始时间、响应结束时间、持续时间、延迟时间、点按频率等。
安装于用户端100的分类模块能够根据智能穿戴设备200所对应的用户端100的类型将通过智能穿戴设备200所获取的与用户使用智能手机接收到的短信和/或电子邮件的内容相对应的时序动作数据划分为第四时序动作数据。
在能够响应于智能手机接收信息的情况下,第四时序动作数据是智能穿戴设备200针对用户通过智能手机输入文本信息时所获取的输入内容触发时间、响应起始时间、响应结束时间、持续时间、延迟时间、点按频率。输入内容触发时间可以为用户的智能手机接收到电子邮件、短信的时间。输入内容触发时间也可以根据实际场景需求灵活地选定,例如选定响应起始时间所在的当日凌晨零点作为本次输入内容触发时间。例如,第四时序动作数据的记录格式可以为:输入内容触发时间、响应起始时间、响应结束时间、持续时间、延迟时间、点按频率等。
优选地,安装于用户端100的分类模块还可以根据智能穿戴设备200所对应的用户端100的类型将通过智能穿戴设备200所获取的与用户使用用户端100所输入的输入内容相对应的时序动作数据进行进一步的划分。优选地,智能穿戴设备200能够被穿戴于用户的身体,以采集包含用户的心率、呼吸、体温等体征信息的时序信号。优选地,智能穿戴设备200能够对上述时序信号进行去噪以及滤波操作,以获取用户实时的心率、呼吸、体温等体征信息。优选地,智能穿戴设备200能够将上述时序信号发送至分析单元300的内容分析单元。
通过上述配置方式,通过分类模块对用户端100获取的输入内容和智能穿戴设备200获取的与输入内容相对应的时序动作数据进行分类,并将经过上述分类的输入内容和与输入内容相对应的时序动作作为能够表征用户认知能力变化的候选数字生物标志物的原始数据,以通过神经网络等对用户的认知能力进行评估,从而避免频繁地通过认知障碍筛查量表评估用户的认知能力,并降低医护人员评估认知障碍患者的认知能力的工作强度。
在用户端100的第一通信单元能够与分析单元300的第二通信单元进行通信的情况下,安装于或者集成于用户端100的第一通信单元至少能够将经过分类模块分类处理的第一输入内容、第二输入内容、第三输入内容、第四输入内容以及与第一输入内容、第二输入内容、第三输入内容、第四输入内容分别对应的第一时序动作数据、第二时序动作数据、第三时序动作数据、第四时序动作数据以实时或者具有一定时间间隔的方式按照时序发送至安装于或集成于分析单元300的内容分析单元。
上述一定时间间隔可以根据实际场景需求而灵活地设置,例如一定时间间隔可以为分类模块完成分类处理输入内容和与输入内容相对应的时序动作数据的一小时以内。
上述时序是指分类模块所接收的与输入内容所对应的时序动作数据所记录的响应起始时间的时间先后顺序。优选地,输入内容可以和与输入内容所对应的时序动作数据一并发送至内容分析单元。例如同一时间段内的第一输入内容与第一时序动作数据组成第一数据包;同一时间段内的第二输入内容与第二时序动作数据组成第二数据包;依此类推。
根据一个优选实施方式,所述分析单元300通过第二通信单元从用户端100获取用户输入的内容和与所输入内容相关的时序动作数据。所述分析单元300的内容分析单元按照时序接收经所述分类模块处理过的输入内容与时序动作数据,以构建时间行为数据库。
在用户端100与分析单元300能够进行数据传输的情况下,分析单元300以主动获取或者被动获取的方式获取用户通过用户端100所输入的输入内容和与输入内容相对应的时序动作数据。
主动获取是指内容分析单元主动地通过第一通信单元与第二通信单元向分类模块发出督促发送信息以促使分类模块发送与督促发送信息相关的输入内容和时序动作数据。督促发送信息是督促分类模块向内容分析单元发送的特定的输入内容和时序动作数据的数据请求。例如分类模块收到督促发送信息后需向内容分析单元发送第一输入内容与第一时序动作数据。
被动获取指内容分析单元被动地通过第一通信单元与第二通信单元接收分类模块所发出的输入内容与时序动作数据。
安装于或者集成于分析单元300的内容分析单元根据时序动作数据所记录的触发输入时间的先后顺序存储时序动作数据和与时序动作数据相对应的输入内容,以通过内容分析单元构建能够记录或表征用户日常行为活动的时间行为数据库。
时间行为数据库用于记录或表征用户某一时间段内的学习活动、社交活动、体育活动和娱乐活动等类型的数字生物标志物信息。例如,时间行为数据库内一段时期内的第一输入内容与第一时序动作数据可以共同表征用户的视空间能力、理解推理能力与手部执行能力在该时期内的动态变化情况;时间行为数据库内一段时期内的第二输入内容与第二时序动作数据可以共同表征用户的记忆能力、语言表达能力以及情绪状态在该时期内的动态变化情况;时间行为数据库内一段时期内的第三输入内容与第三时序动作数据可以共同表征用户的理解能力与执行能力在该时期内的动态变化情况;时间行为数据库内一段时期内的第四输入内容与第四时序动作数据可以共同表征用户的社交活跃程度在该时期内的动态变化情况。
例如,内容分析单元按照第一时序动作数据所记录的触发输入时间存储分类模块所发送的第一输入内容和与第一输入内容相对应的第一时序动作数据;其他类型的输入内容与时序动作数据依此类推。
当内容分析单元接收到的属于同一类型的两个或者多个时序动作数据所记录的触发输入内容时间相同时,内容分析单元可以根据该类型下的两个或者多个时序动作数据所记录的响应起始时间的先后顺序将该类型下的两个或者多个时序动作数据和与该时序动作数据相对应的输入内容存储于时间行为数据库。
当内容分析单元接收到的属于同一类型的两个或者多个时序动作数据所记录的触发输入内容时间与响应起始时间均相同时,内容分析单元可以根据该类型下的两个或者多个时序动作数据所记录的响应结束时间的先后顺序将该类型下的两个或者多个时序动作数据和与该时序动作数据相对应的输入内容存储于时间行为数据库。
根据一个优选实施方式,所述内容分析单元根据用户端100获取用户输入的内容和与所输入内容相关的时序动作数据进行认知能力评估的方法为:
S41.建立从用户端100获取的输入的内容和与所输入内容相关的时序动作数据到认知功能评估的映射;
S42.使用损失函数量化映射;
S43.寻找能够使得损失函数取得最小值的最佳权重,并使用该最佳权重创建新的映射;
S44.将新的映射应用于内容分析单元所获取的输入内容以及与所输入内容相关的时序动作数据,以计算用户新的认知能力值。
在内容分析单元能够建立认知能力评价基准的情况下,安装于或集成于分析单元300的内容分析单元可以根据由内容分析单元基于用户所使用的用户端100与智能穿戴设备200而建立的时间行为数据库对用户在一段时间内认知能力的动态变化情况进行评估和/或预测。
在另一种优选实施方式中,内容分析单元能够通过用户的各项数据构建因果分析知识库,因果关系知识库包括如下步骤:
S51.首先建立原始知识库,用于构建原始知识库的基础数据来源于众多含有认知障碍相关病症的记录信息,记录信息具体包括患者的生理指标数据、护理措施数据、患者行为数据以及健康状态数据;
S52.其次将众多记录信息按照信息中单词/词组出现的频率统计记录,按照独立性假设获取所述单词/所述词组的联合出现概率,再计算所述单词/所述词组的关联性强度,然后构建记录信息的关联约化坐标,并基于全部的记录信息的所述关联约化坐标和所述关联性强度构建的分类函数将所述记录信息按照迭代算法的形式进行分类以形成若干所述子信息单元体;
S53.基于所述子信息单元体提取出相关病症的主要特征参数并基于所述主要特征参数构件数据集,具体地,按照病症对配对的方式构建数据集,对每一个所述记录信息以自然语言处理的句法分析方式提取所述病症对之间的关系,用以建立所述病症对的关系知识库,所述病症对之间的关系包括正向关系、反向关系和垂直关系;并且,基于关系知识库在所述子信息单元体内对包含有所述病症对的记录信息进行检索以融合的方式获取所述病症对的关系信度值用以建立所述病症对的关系度值库,所述病症对之间的关系包括正向关系信度值、反向关系信度值和垂直关系信度值;从而,基于对所有病症之间按照两两配对的方式建立的所述关系知识库和关系信度值库构建所述数据集;
S54.基于所述主要特征参数和所述数据集构建贝叶斯网络,以通过数据模式分析病症之间的平均因果效应,从而基于所述相关文献以形成所述病症之间的所述平均因果效应的对应关系的方式构建所述因果关系知识库。
其中,用于构建原始知识库的记录信息的采集方式可以依托于用户端100和智能穿戴设备200,用户端100和智能穿戴设备200至少能够获取并存储患者的生理指标数据、护理措施数据、患者行为数据以及健康状态数据。
并且,基于构建的因果关系知识库,分析提取出的数字生物标志物与因果关系知识库中的各类指标和健康状态的关系,并将数字生物标志与因果关系知识库中的指标进行链接,以便推理数字生物标志物与认知障碍之间的因果关系。
基于提取出的数字生物标志物与构建的因果关系知识库,利用因果推理中的干预方法,包括“do演算”(do-calculus)对数字生物标志物与认知状态间的因果关系,具体包括后门调整法、前门调整法、工具变量法等干预方法。
为了建立内容分析单元进行认知能力评估的基准,可以通过多组具有不同年龄以及具有与其年龄段相匹配的正常认知能力的人群进行基准测试,其中,每个被测试的个体均配备相应的用户端100与智能穿戴设备200;然后记录每个被测试个体的数据并录入分析单元300,以获取不同年龄段以及具有与其年龄段相匹配的正常认知能力/非正常认知能力的多组人群使用各用户端100和智能穿戴设备200时使用频率较高的触摸屏手势类型、键盘敲击区域偏好与平均延迟、键盘敲击频率、相应应用程序平均使用持续时间、使用游戏端各动作节点的平均反应时间等。此外,也可以通过云服务器直接利用数据挖掘技术搜索记录普通公众使用各用户端100和智能穿戴设备200时使用频率较高的触摸屏手势类型、键盘敲击区域偏好与平均延迟、键盘敲击频率、相应应用程序平均使用持续时间、使用游戏端各动作节点的平均反应时间等,以作为正常认知能力/非正常认知能力的评估基准。
来自被测试者使用用户端100以及智能穿戴设备200所产生的包括但不限于输入内容数据和时序动作数据的数据信息及其认知能力评估的平均分可以作为基准测试结果。
基准测试结果可以用于将个体的表现与他或她的“同伴”的表现相比较,或在不同情况下(例如,在服药之前和服药之后)比较个体的表现或随时间流逝进行比较来测量相对于个体自身或其同伴的认知衰退或改善。
定义同伴的所选特征可以包括(但不限于)下述特征:性别、出生年份、种族、最高教育程度、年收入、健康状况、空闲时间所做的事情(例如玩视频游戏、阅读、上网、看电视等)、每周睡觉的平均睡眠时间、个体可以读和写多少种语言以及个体在过去两年是否已经学习了新语言或新乐器等。
分析单元300可以通过能够学习复杂高阶特征的神经网络对时间行为数据库所记录的输入内容与时序动作数据进行学习,以从输入内容与时序动作数据中获取能够表征用户认知能力的基本特征和高阶特征。上述基准测试结果可以作为神经网络学习的基准样本。
例如,基准测试结果所记录的触摸屏上手势的变化、手势的类型、手势持续时间,包括搜索过程中的过度滚动和浏览过程中分页的手势,也可以作为神经网络对特征提取、学习和计算的输入。例如,基准测试结果所记录的接听电话的延迟时间、语言表达的完整程度与准确程度、语句之间的停顿次数与停顿时间、不规则语音现象以及语音频谱的缩小或移动等,也可以作为神经网络对特征提取、学习和计算的输入。例如,基准测试结果所记录的用户敲击键盘的频率、平均延迟时间、敲击键盘特定区域的偏好、敲击键盘的力度等,也可以作为神经网络对特征提取、学习和计算的输入。例如,基准测试结果所记录的用户收发电子邮件/短信的字符输入、反复出现的拼写错误、遗漏、过多的校正、普通单词的不规则延迟变化、消息长度和消息一致性等,也可以作为神经网络对特征提取、学习和计算的输入。
S41.建立从用户端100获取的输入的内容和与所输入内容相关的时序动作数据到认知功能评估的映射。内容分析单元可以使用能够学习复杂高阶特征的神经网络建立从用户端100获取的输入的内容和与所输入内容相关的时序动作数据到认知功能评估的映射。内容分析单元可以通过输入神经网络的基准测试结果和与基准测试结果相对应的预先已设定的认知能力评分进行不断的迭代优化。
S42.使用损失函数量化映射。内容分析单元使用损失函数来量化从用户端100获取的输入的内容和与所输入内容相关的时序动作数据到认知功能评估的映射,以通过神经网络学习能够表征人类认知能力的基本特征和/或高阶特征。损失函数的类型可以根据实际场景需求灵活地选定。
此外,能够表征人类认知能力的基本特征和/或高阶特征可以为人类使用触摸屏上时手势的变化、手势的类型、手势持续时间、搜索过程中手指的过度滚动、浏览过程中分页的手势等。能够表征人类认知能力的基本特征和/或高阶特征也可以为人类接听电话时的响应延迟时间、语言表达的完整程度与准确程度、语句之间的停顿次数与停顿时间、不规则语音现象以及语音频谱的缩小或移动等。能够表征人类认知能力的基本特征和/或高阶特征也可以为人类用户敲击键盘的频率、平均延迟时间、敲击键盘特定区域的偏好、敲击键盘的力度等。能够表征人类认知能力的基本特征和/或高阶特征也可以为人类用户收发电子邮件/短信时的字符输入、反复出现的拼写错误、遗漏、过多的校正、普通单词的不规则变化、消息长度等。
S43.寻找能够使得损失函数取得最小值的最佳权重,并使用该最佳权重创建新的映射。内容分析单元可以通过随机梯度下降、小批量梯度下降等方法来优化神经网络,以寻找能够使得用于量化神经网络优劣的损失函数取得最小值的一组最佳权重。最佳权重的数量可能为多组。
S44.将新的映射应用于内容分析单元所获取的输入内容以及与所输入内容相关的时序动作数据,以计算用户新的认知能力值。分析单元300可以根据历史记录和与现有用户匹配的其他用户的平均记录来分析记录的数据。该分析的输出是对认知功能的评估,并从社会参与度、体育活动、学习活动等活动中推断出用户认知能力的变化。
通过该配置方式,内容分析单元可以基于作为用户的数字生物标志物的输入内容与时序动作数据的各子类数据对用户的认知能力的各子类能力进行细粒度的评估,以便对近期内用户认知能力的各子类能力的改善情况或者变化情况进行更细致的掌握,从而了解用户近期认知能力的变化情况,和/或认知障碍患者进行数字药物治疗后的治疗效果。
根据一个优选实施方式,所述内容分析单元还能够基于认知能力评估结果通过神经网络得出引起认知能力变化的相关变量特征。所述内容分析单元按照时序从所述时间行为数据库中提取所述相关变量特征所对应的输入内容与时序动作数据,并通过贝叶斯网络对上述数据进行因果关系推理。
在内容分析单元能够定期或者不定期地对用户过去一段时间内与用户端100交互过程中被用户端100获取的输入内容和与输入内容相对应的时序动作数据进行评估的情况下,内容分析单元能够基于认知能力评估结果对神经网络靠近输出层的一个或者多个隐藏层的权重进行搜索,以寻找出与认知能力结果关联程度较高的一个或者多个权重以及与该权重相对应的相关变量特征。
优选地,内容分析单元可以将认知能力评估分为多个子类,以对用户多个子类的认知能力进行分别评价。优选地,每个子类的认知能力可以以百分制来划分。
通过该配置方式,内容分析单元可以基于作为用户的数字生物标志物的输入内容与时序动作数据的各子类数据对用户的认知能力的各子类能力进行细粒度的评估,以便对近期内用户认知能力的各子类能力的改善情况或者变化情况进行更细致的掌握,从而了解用户近期认知能力的变化情况,和/或认知障碍患者进行数字药物治疗后的治疗效果。
例如,认知能力评估可以分为学习、记忆、语言、思维、精神、情感、执行等多个子类。与认知能力结果关联程度较高的相关变量特征的数量可以为一个或者多个。
例如,与学习子类评分相关联程度较高的相关变量特征可以为浏览学习类网站的频率与时间、近期学习外语和/或其他技能的种类与时间等。例如,与记忆子类评分相关联程度较高的相关变量特征可以为收发电子邮件/短信时的字符输入的偏好、反复出现的拼写错误、遗漏、过多的校正等。
例如,与语言子类评分相关联程度较高的相关变量特征可以为接听电话的延迟时间、语言表达的完整程度与准确程度、语句之间的停顿次数与停顿时间、不规则语音现象以及语音频谱的缩小或移动等。例如,与思维子类评分相关联程度较高的相关变量特征可以为敲击键盘特定区域的偏好、使用触摸屏时的手势类型等。
例如,与精神子类评分相关联程度较高的相关变量特征可以为用户所收发的电子邮件/短信以及上述电子邮件/短信所关联的人群类型。
例如,与情感子类评分相关联程度较高的相关变量特征可以为使用即时通讯的频率与持续时间等。
例如,与执行子类评分相关联程度较高的相关变量特征可以为用户使用触摸屏时的手势类型、用户所偏好的键盘敲击区域、用户敲击键盘的频率、相关应用程序的平均使用时间、用户使用游戏端时用户的肢体的平均反应时间等。
在内容分析单元能够基于认知能力评估结果获取引起用户认知能力变化的相关变量特征的情况下,安装于或设置于分析单元300的内容分析单元从由内容分析单元建立的时间行为数据库中按照时序提取相关变量特征所对应的输入内容与时序动作数据,并通过贝叶斯网络对上述数据进行因果关系推理。
例如,当与执行子类评分相关联程度较高的相关变量特征是触摸屏手势类型、接听电话的延迟时间、语言表达的完整程度与准确程度时,内容分析单元可以从时间行为数据库中按照时序提取时间行为数据库中用户第一输入内容、第一时序动作数据、第二输入内容和第二时序动作数据的所有数据内容,然后将上述所有数据内容输入贝叶斯网络,以对上述所有数据进行因果关系推理。与用户认知能力变化可能相关联的相关变量特征的数量可以为一个或者多个。
所述内容分析单元基于认知能力评估结果通过神经网络得出引起认知能力变化的相关变量特征的方法为:在内容分析单元能够定期或者不定期地对用户过去一段时间内与用户端100交互过程中被用户端100获取的输入内容和与输入内容相对应的时序动作数据进行评估的情况下,内容分析单元能够基于认知能力评估结果对神经网络靠近输出层的一个或者多个隐藏层的权重进行搜索,以获取所述神经网络中超过权重阈值的一个或者多个权重以及与该权重相对应的相关变量特征。
优选地,神经网络所使用的权重的取值可以在零与一之间。优选地,当神经网络靠近输出层的一个或者多个隐藏层的权重的取值超过权重阈值时,即可以将该权重所对应的特征视为相关特征变量。优选地,权重阈值可以根据实际场景需求而人为地设定,例如,权重阈值可以设定为零点五。
根据一个优选实施方式,基于所述相关变量特征产生因果关系网络模型进行因果推理的方法包括:
S91.分析单元300获取时间行为数据库中所识别出的相关变量特征所对应的输入内容和与输入内容相对应的时序动作数据;
S92.解析上述输入内容和与输入内容相对应的时序动作数据以产生针对多个相关变量特征的标准化数据;
S93.使用贝叶斯网络算法基于所产生的标准化数据产生涉及所述多个相关特征变量的因果关系网络模型;
S94.从所述因果关系网络模型确定子网络;
S95.从所述子网络中确定一个或多个预测因子。
在内容分析单元已经基于认知能力评估结果找出引起用户认知能力变化的相关变量特征的情况下,安装于或设置于分析单元300的内容分析单元从由内容分析单元建立的时间行为数据库中按照时序提取相关变量特征所对应的输入内容与时序动作数据。
S92.解析相关变量特征所对应的输入内容与时序动作数据以产生针对多个相关变量特征的标准化数据。解析相关变量特征所对应的输入内容与时序动作数据以产生针对多个相关变量特征的标准化数据的过程可以包括:将上述数据缩减成其规范形式,和/或将数据组织成有利于进一步使用的形式。优选地,解析数据还可以包括过滤数据和数据的插补。过滤数据可以包括基于标准(如数据点的完整性和准确性)除去数据点。数据的插补可以包括用合适的替代值替换缺失的数据点。
S93.使用贝叶斯网络算法基于所产生的标准化数据产生涉及所述多个相关特征变量的因果关系网络模型。优选地,因果关系网络模型可以包括相关特征变量以外的其他特征变量。优选地,其他特征变量可以为个人健康状况、手术史等信息中的一个或者多个。优选地,其他特征变量可以由分析单元300在经过用户授权的情况下从用户所使用的用户端100和/或智能穿戴设备200获取。
优选地,内容分析单元可以使用程序化计算系统产生因果关系网络模型。优选地,程序化计算系统可以包括用于网络模型构建代码的存储器和一个或多个用于执行网络模型构建代码的处理器。优选地,因果关系网络模型可以包括指示针对多种相关特征变量和/或其他特征变量的每一种的一个或多个预测因子的关系。优选地,因果关系网络模型可以仅仅采用步骤S92所生成的标准化数据作为输入数据。优选地,关系网络模型可以是基于人工智能的网络模型。
S94.从所述因果关系网络模型确定子网络。优选地,内容分析单元可以基于尽可能多的相关特征变量来产生因果关系网络模型。例如,内容分析单元可以基于至少十个相关特征变量来产生模型。优选地,相关特征变量可以变成因果关系网络模型中的节点。优选地,多个节点可以形成一个或者多个子网络。应当注意到许多不同的基于人工智能的平台或系统可以用于使用贝叶斯网络算法来产生因果关系网络模型。优选地,内容分析单元可以基于输入神经网络的一个或多个相关特征变量和因果关系网络模型中的其他变量之间的关系的强度确定子网络的范围。
S95.从所述子网络中确定一个或多个预测因子。优选地,内容分析单元可以全面研究子网络来鉴定预测因子。优选地,预测因子可以为与从用户接收的信息相关。优选地,预测因子是与用户的认知能力评估具有因果关系的因子、数据点或节点。
特别优选地,预测因子之间的箭头的宽度能够表示该预测因子所对应的因果关系的强弱程度。
分析单元300所构建的因果关系网络模型中预测因子之间的强弱程度以关系强度值表示。
当分析单元300已对用户的认知能力进行评估并确认用户存在认知障碍时,分析单元300能够基于预测因子的关系强度值的大小向用户端100或智能穿戴设备200发送关系强度值较大的一个或几个预测因子所对应的数字生物标志物。
通过该配置方式,分析单元300能够基于所述相关变量特征产生因果关系网络模型并进行因果推理,以分析得出引起所述用户的认知能力发生变化的预测因子,而时间行为数据库中预测因子所对应的输入内容与时序动作数据能够作为分析单元300向所述用户端100或智能穿戴设备200所发送的引起所述用户的认知能力发生变化的数字生物标志物。例如,若分析单元300分析得出抑郁症与习惯性睡眠效率低是关系强度值最大的两个预测因子,则分析单元300向用户端100或智能穿戴设备200发送上述两个预测因子所代表的数字生物标志物(比如用户抑郁症的程度与用户每日的平均有效睡眠时间)。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。本发明说明书包含多项发明构思,诸如“优选地”、“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思,申请人保留根据每项发明构思提出分案申请的权利。
Claims (10)
1.一种基于数字生物标志物的认知障碍因果推理系统,其特征在于,至少包括:
用户端(100),被配置为至少能够获取用户通过所述用户端(100)所输入的输入内容;
智能穿戴设备(200),被配置为至少能够采集用户使用所述用户端(100)时所产生的与所述输入内容相对应的时序动作数据;
分析单元(300),能够分别从所述用户端(100)和智能穿戴设备(200)获取所述输入内容和与所输入内容相对应的时序动作数据;
其中,在所述分析单元(300)能够从所述输入内容和与所述输入内容相对应的时序动作数据中提取用于表征用户的认知能力的数字生物标志物的情况下,
所述分析单元(300)被配置为能够对所述输入内容和与所输入内容相对应的时序动作数据进行分析,以评估所述用户的认知能力,和/或向所述用户端(100)或智能穿戴设备(200)发送引起所述用户的认知能力发生变化的数字生物标志物。
2.根据权利要求1所述的认知障碍因果推理系统,其特征在于,所述分析单元(300)能够从所述输入内容和与所述输入内容相对应的时序动作数据中提取用于表征用户的认知能力的数字生物标志物的方法为:
所述分析单元(300)对所述输入内容和与所述输入内容相对应的时序动作数据进行数据融合以得到融合数据;
所述分析单元(300)基于所述融合数据提取特征数据,并从所述特征数据中计算分析得出候选数字生物标志物;
所述分析单元(300)对所述候选数字生物标志物进行因果推断,以分析推断出能够表征用户的认知能力的数字生物标志物。
3.根据权利要求2所述的认知障碍因果推理系统,其特征在于,所述分析单元(300)对所述候选数字生物标志物进行因果推断,以分析推断出能够表征用户的认知能力的数字生物标志物的方法为:
所述分析单元(300)基于用户的生理指标数据、护理实施数据及健康状态数据构建因果分析知识库,并通过所建立的因果分析知识库对所述候选数字生物标志物进行因果推断,以挖掘出能够表征用户的认知能力的数字生物标志物。
4.根据权利要求3所述的认知障碍因果推理系统,其特征在于,所述用户端(100)还包括第一蓝牙单元,所述第一蓝牙单元被配置为能够与安装于或设置于所述智能穿戴设备(200)内的第二蓝牙单元进行数据传输,以便所述用户端(100)获取所述智能穿戴设备(200)发送至所述第一蓝牙单元的与所述输入内容相关的时序动作数据。
5.根据权利要求4所述的认知障碍因果推理系统,其特征在于,所述用户端(100)还安装有或设置有分类模块,所述分类模块用于将所述用户端(100)所获取的用户的输入内容进行分类,并且用于将所述智能穿戴设备(200)所获取的用户的时序动作数据进行分类,以使得所述输入内容与时序动作数据的各子类数据能够以细粒度的方式表征用户的认知能力。
6.根据权利要求5所述的认知障碍因果推理系统,其特征在于,所述用户端(100)还包括第一通信单元,所述第一通信单元被配置为能够与安装于或设置于所述分析单元(300)内的第二通信单元建立通信连接,以便分析单元(300)获取所述用户端(100)发送至所述第一通信单元的输入内容和与输入内容相对应的时序动作数据。
7.根据权利要求6所述的认知障碍因果推理系统,其特征在于,安装于或设置于所述分析单元(300)内的内容分析单元对所述数字生物标志物进行分析以推断与用户认知能力变化有关的相关特征变量和用户认知能力变化之间的因果关系的方法为:
所述内容分析单元根据用户端(100)获取用户输入的内容和与所输入内容相关的时序动作数据以及用户生理指标、护理措施、健康状态等数据作为所述因果关系知识库的基础数据,所述内容分析单元基于所述因果关系知识库进行认知能力评估;
所述内容分析单元能够基于认知能力评估结果通过神经网络获取引起用户的认知能力发生变化的相关变量特征;
所述内容分析单元基于所述相关变量特征产生因果关系网络模型进行因果推理。
8.根据权利要求7所述的认知障碍因果推理系统,其特征在于,所述内容分析单元根据用户端(100)获取用户的输入内容和与所输入内容相关的时序动作数据进行认知能力评估的方法为:
所述内容分析单元建立从用户端(100)获取的输入的内容和与所输入内容相关的时序动作数据到认知功能评估的映射;
所述内容分析单元使用损失函数量化所述映射;
所述内容分析单元寻找能够使得损失函数取得最小值的最佳权重,并使用该最佳权重创建新的映射;
所述内容分析单元基于所述输入内容和时序动作数据通过新创建的映射计算用户新的认知能力值。
9.根据权利要求8所述的认知障碍因果推理系统,其特征在于,所述内容分析单元基于所述相关变量特征产生因果关系网络模型进行因果推理的方法为:
所述内容分析单元获取所述数字生物标志物中与所述相关变量特征相对应的输入内容和与输入内容相对应的时序动作数据;
所述内容分析单元解析数据以产生针对多个相关变量特征的标准化数据;
所述内容分析单元使用贝叶斯网络算法基于所产生的标准化数据产生涉及所述多个相关特征变量的因果关系网络模型;
所述内容分析单元从所述因果关系网络模型确定子网络;
所述内容分析单元从所述子网络中确定一个或多个预测因子。
10.根据权利要求9所述的认知障碍因果推理系统,其特征在于,
所述分析单元(300)使用贝叶斯网络算法基于所产生的标准化数据产生涉及所述多个相关特征变量的因果关系网络模型的方法为:
S101.通过贝叶斯片段计数过程基于所述变量形成网络片段文库;
S102.形成整套试验网络,并且整套试验网络的每个试验网络从所述不同网络片段子集构建;
S103.通过经由模拟退火的局部转化使每个试验网络进化而总体地优化所述整套试验网络,以产生因果关系网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310062315.8A CN116052844A (zh) | 2023-01-19 | 2023-01-19 | 一种基于数字生物标志物的认知障碍因果推理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310062315.8A CN116052844A (zh) | 2023-01-19 | 2023-01-19 | 一种基于数字生物标志物的认知障碍因果推理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116052844A true CN116052844A (zh) | 2023-05-02 |
Family
ID=86127152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310062315.8A Pending CN116052844A (zh) | 2023-01-19 | 2023-01-19 | 一种基于数字生物标志物的认知障碍因果推理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052844A (zh) |
-
2023
- 2023-01-19 CN CN202310062315.8A patent/CN116052844A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230298749A1 (en) | Virtual healthcare communication platform | |
US20180096738A1 (en) | Method for providing health therapeutic interventions to a user | |
US20140122109A1 (en) | Clinical diagnosis objects interaction | |
US20210391083A1 (en) | Method for providing health therapeutic interventions to a user | |
US20210110924A1 (en) | System and method for monitoring system compliance with measures to improve system health | |
Maeda et al. | Recording daily health status with chatbot on mobile phone-a preliminary study | |
Chatzimina et al. | Employing conversational agents in palliative care: a feasibility study and preliminary assessment | |
WO2022102721A1 (ja) | うつ状態判別プログラム | |
CN116052844A (zh) | 一种基于数字生物标志物的认知障碍因果推理系统 | |
CN116364307A (zh) | 一种基于反事实的认知障碍数字药物效应评价方法 | |
JP2017033581A (ja) | 健康管理サーバおよび健康管理サーバ制御方法並びに健康管理プログラム | |
CN116344048A (zh) | 一种面向认知障碍患者照护的因果推理装置 | |
SureshKumar et al. | HELTRAK-a medical application with chatbot based on AI | |
CN115936123A (zh) | 一种认知障碍风险的因果推理方法及系统 | |
CN116364269A (zh) | 一种基于反事实的认知障碍家庭病床效应评价方法 | |
US11694797B2 (en) | Virtual healthcare communication platform | |
KR102506646B1 (ko) | 라이프스타일 인식을 위한 서사 생성 장치 및 그 방법 | |
JP6634617B2 (ja) | 健康管理サーバおよび健康管理サーバ制御方法並びに健康管理プログラム | |
Yang et al. | Heterogeneous Graph Attention Networks for Depression Identification by Campus Cyber-Activity Patterns | |
JP6630964B2 (ja) | 健康管理サーバおよび健康管理サーバ制御方法並びに健康管理プログラム | |
JP6630962B2 (ja) | 健康管理サーバおよび健康管理サーバ制御方法並びに健康管理プログラム | |
JP6630963B2 (ja) | 健康管理サーバおよび健康管理サーバ制御方法並びに健康管理プログラム | |
JP6630965B2 (ja) | 健康管理サーバおよび健康管理サーバ制御方法並びに健康管理プログラム | |
JP6471344B1 (ja) | 健康管理サーバおよび健康管理サーバ制御方法並びに健康管理プログラム | |
Qadeer et al. | Predicting depression and suicidal tendencies by analyzing online activities using machine learning in android devices |
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 |