CN116230209A - 一种基于虚拟导航系统位置点聚类的认知能力评估方法和系统 - Google Patents

一种基于虚拟导航系统位置点聚类的认知能力评估方法和系统 Download PDF

Info

Publication number
CN116230209A
CN116230209A CN202310139508.9A CN202310139508A CN116230209A CN 116230209 A CN116230209 A CN 116230209A CN 202310139508 A CN202310139508 A CN 202310139508A CN 116230209 A CN116230209 A CN 116230209A
Authority
CN
China
Prior art keywords
hesitation
clustering
virtual
cognitive ability
points
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
CN202310139508.9A
Other languages
English (en)
Inventor
刘笑宇
乔啸峰
唐智莉
陈铎
田山
樊瑜波
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202310139508.9A priority Critical patent/CN116230209A/zh
Publication of CN116230209A publication Critical patent/CN116230209A/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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06F2203/012—Walk-in-place systems for allowing a user to walk in a virtual environment while constraining him to a given position in the physical environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/61—Scene description

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Data Mining & Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于虚拟导航系统位置点聚类的认知能力评估方法和系统，包括虚拟空间导航模块，所述虚拟空间导航模块包括完善的虚拟城市街区环境场景、虚拟空间导航任务中目标点的出现策略、人物在虚拟场景中的交互策略；数据记录模块，用以记录个人信息以及导航任务中的实际表现；计算模块，用以计算被测者犹豫总时长；认知评估模块，评估被测者的认知能力。本发明的计算方法借助了机器学习聚类，计算结果可靠，依从性良好，能够真实有效的反应被测者的认知能力水平。

Description

一种基于虚拟导航系统位置点聚类的认知能力评估方法和 系统
技术领域
本发明涉及认知评估技术领域，具体是一种基于虚拟导航系统位置点聚类的认知能力评估方法和系统。
背景技术
空间导航是指在熟悉或者陌生的环境中准确寻找不同目标点的能力，这项能力对日常生活至关重要。随着60岁及以上的人口比例在未来几十年内预计迅速增加，老年人在空间导航方面遇到的严重问题，诸如变得容易迷路，受到越来越多的关注。其中空间导航能力较弱的老人将不得不避开不熟悉的路线和地点，而这也极大地限制了他们的自由并降低了他们的生活质量。
现如今，调查空间导航的神经机制及其在整个成人生命周期中的变化的研究越来越多地使用虚拟现实(VR)技术。虚拟现实技术允许在复杂的虚拟环境中进行逼真的导航和实时交互，同时研究人员可以实时跟踪参与者的反应、动作或大脑活动。相比于传统的现实中的导航实验，虚拟场景下进行空间导航更加便捷、空间定位更加准确。但根据现有的研究来看，不论是现实还是虚拟中的空间导航实验，数据处理的方案大多仅仅是依据导航的时间、走错路的次数、停留时间等来分析。这些分析参数包含了太多噪声，也不能体现使用者的个体特征。因此，本申请提出一种基于虚拟导航系统位置点聚类的认知能力评估方法和系统。
发明内容
本发明的目的是在虚拟导航系统使用的基础上，对使用者在虚拟空间中的位置点进行聚类，从而实现评估，以解决上述背景技术中提出的问题。
本发明的技术方案是：一种基于虚拟导航系统位置点聚类的认知能力评估方法，具体为
建立完善的虚拟城市街区环境场景，按策略执行虚拟空间导航任务中目标点的出现以及人物在虚拟场景中的交互；
记录被试者的个人信息、多项认知量表评估结果，记录虚拟场景中每个被试者移动的时间信息
Figure BDA0004087109310000021
和空间信息
Figure BDA0004087109310000022
计算每位被试者在每个信息记录位置的平均速度
Figure BDA0004087109310000023
并使用一维的Kmeans算法确定各使用者的犹豫位置
Figure BDA0004087109310000024
的计算，使用DBSCAN密度聚类算法进行噪声数据的处理；在结合大量被试者数据的基础上使用二维Kmeans算法确定空间中的多个聚类中心
Figure BDA0004087109310000025
其中k为聚类中心编号；结合轮廓系数和二维散点图像确定最优的k值，最后分别计算每个被试者的犹豫总时长Tn；
根据得到的犹豫总时长Tn对不同被试者的认知能力进行评判。
所述场景依照现实中的场景为原型搭建；所述任务中导航的目标点是按照预先设定的顺序依次出现；所述交互用于实现被试者在导航过程中的移动控制。
记录的所述时间信息
Figure BDA0004087109310000026
和所述空间信息
Figure BDA0004087109310000027
分别表示以一定频率记录被试者的时间、位置信息，且所述时间信息与空间信息二者一一对应，其中n指被试编号，in指不同被试记录的所有时间或位置点总数，
Figure BDA0004087109310000028
分别对应n号被试者在第in个位置点上记录的横坐标、纵坐标。
计算每位被试者在每个信息记录位置的平均速度
Figure BDA0004087109310000031
是通过以下方式计算的：
以一定频率记录被试的位置
Figure BDA0004087109310000032
其中相邻两点间的距离：
Figure BDA0004087109310000033
Figure BDA0004087109310000034
每个记录位置的速度为：
Figure BDA0004087109310000035
Figure BDA0004087109310000036
使用DBSCAN密度聚类算法进行噪声数据处理的具体方法是，在确定各使用者的犹豫位置
Figure BDA0004087109310000037
后，其中m指每位被试者分类后的所有犹豫点数，基于DBSCAN密度聚类算法进行空间位置点噪声检测，其中虚拟空间数据的样本集为Hn＝{Hn1,Hn2,…Hnm}，使用参数(,MinPts)用来描述邻域的样本分布紧密程度，依据参数( ,MinPts)的要求将空间位置点分类成簇，每个簇内有最少MinPts个点，构成一个聚类类别；不能形成簇的点识别为噪声，剔除上述噪声数据得到新的犹豫位置
Figure BDA0004087109310000038
m'为处理后的犹豫位置点数。
参数(,MinPts)分别描述了每一个样本点的邻域距离阈值和描述了每一个样本点距离为 的邻域中样本个数的阈值，所述参数( ,MinPts)根据数据点的记录频率、空间导航地图的大小、操作的复杂程度以及被试者的年龄大小选值。
使用二维Kmeans算法确定空间中的多个聚类中心
Figure BDA0004087109310000039
是在将n个被试者的所有处理后的犹豫位置点全部绘制在二维平面上进行聚类得到的，所有人的犹豫位置点总个数为
Figure BDA00040871093100000310
对Dnm'个二维空间中的点使用二维的K均值聚类算法，从而将Dnm'个位置点依照位置的相似性聚集到指定的k个类簇中，每个聚类的类簇中心便是这一区域犹豫位置点的犹豫中心
Figure BDA00040871093100000311
每个位置点属于且仅属于一个其到犹豫中心距离最小的类簇中。
还计算单个点的轮廓系数Sk(ii)和聚类总的轮廓系数S(k)，所述单个点的轮廓系数Sk(ii)的计算如下：
Figure BDA0004087109310000041
所述聚类总的轮廓系数S(k)的计算如下：
聚类总的轮廓系数
Figure BDA0004087109310000042
其中a(ii)指数据中任意一个点的簇内不相似度；b(ii)指数据中任意一个点的簇间不相似度。
犹豫总时长Tn的计算如下：
Figure BDA0004087109310000043
其中N为第k个犹豫中心范围内犹豫位置点的数量，t为记录的时间间隔。
本发明还提供一种基于寻路位置聚类的认知能力评估系统，包括虚拟空间导航模块，所述虚拟空间导航模块包括虚拟城市街区环境场景显示、虚拟空间导航任务中目标点及其出现策略实现，虚拟空间导航模块还包括人物在虚拟场景中的交互显示屏和手柄；
数据记录模块，所述数据记录模块记录被试者的个人信息，多项认知量表评估结果，虚拟场景中每个被试者移动的时间信息
Figure BDA0004087109310000044
空间信息
Figure BDA0004087109310000045
计算模块，所述计算模块计算每位被试者在每个信息记录位置的平均速度
Figure BDA0004087109310000051
使用一维的Kmeans算法确定各使用者的犹豫位置
Figure BDA0004087109310000052
的计算，使用DBSCAN密度聚类算法进行噪声数据的处理，并在结合大量被试者数据的基础上使用二维Kmeans算法确定空间中的多个聚类中心
Figure BDA0004087109310000053
其中k是聚类中心编号，结合轮廓系数和二维散点图像确定最优的k值，最后分别计算每个被试者的犹豫总时长Tn；
认知评估模块，根据得到的犹豫总时长Tn对不同被试者的认知能力进行评判。
本发明通过改进在此提供一种基于虚拟导航系统位置点聚类的认知能力评估方法和系统，与现有技术相比，具有如下改进及优点：
其一：本发明的认知能力评估方法和系统，利用虚拟空间导航任务作为寻路认知能力的评估手段，与传统的量表评估手段相比，更加直观，能够反应真实世界的情况，且系统的使用富有趣味性，提高测试依从性，也方便操作人员的一致性操作；
其二：本发明的虚拟导航系统位置点聚类方法，以虚拟空间各点的平均速度作为犹豫与正常行走的分类依据，通过数据去噪以及相关位置点在二维平面空间再次聚类，从而得到聚类后的犹豫中心和固定半径范围内犹豫的总时长，聚类算法的使用也使得犹豫区间的划分和识别更具准确性；
其三：本发明使用DBSCAN密度聚类算法对噪声进行了处理，能够识别出影响犹豫位置识别的干扰噪声数据，并将其剔除，结果更加准确；
其四：本发明的认知能力评估方法和系统，是以每个人为主体进行犹豫位置的划分，这体现了不同人导航能力各不相同这一特异性特征；方法中提出将犹豫中心范围内犹豫时长的总和这一参数作为判断标准，能够很好的代表描述导航能力水平，为寻路能力和认知水平的评估提供了新的思路。通过本发明提出方法的评估，能够获得较为真实准确的导航能力判断，并且经过实验验证，与多项专业认知水平评估量表具有非常好的相关性，验证了本方法和系统的可靠性，能够有效体现被测者的认知能力水平。
附图说明
下面结合附图和实施例对本发明作进一步解释:
图1是本发明提供的基于虚拟导航系统位置点聚类的认知能力评估系统的一个实施例；
图2是本发明提供的虚拟导航系统路线图；
图3是本发明提供的方法测试流程图；
图4是本发明提供的验证过程所有犹豫位置点及聚类中心图像；
图5是本发明提供的犹豫总时长与不同认知评价量表的相关性结果。
具体实施方式
下面对本发明进行详细说明，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明通过改进在此提供一种基于虚拟导航系统位置点聚类的认知能力评估方法和系统。如图1所示，一种基于虚拟导航系统位置点聚类的认知能力评估系统，具有虚拟空间导航模块，所述虚拟空间导航模块包括逼真的虚拟城市街区环境场景，放置道路、房屋、指示牌等多种日常元素并相应添加合适的碰撞组件；所述虚拟空间导航任务中目标点以固定的顺序出现，被试者需要依靠提示与记忆寻找目标点，触发目标点的区域被圈定在固定范围内，当被测者移动至该区域内，即视为找到目标点，与此同时下一个目标点会在设定位置出现，如图2所示；还具有头戴式显示屏、手柄等虚拟交互硬件部分，被试者在虚拟场景中的交互基于HTC VIVE头戴式显示器与手柄，虚拟头戴式显示器能实时捕获被测者的头部运动姿态，并真实反映在虚拟街区环境中，还借助移动控制算法实现手柄与被测者间的交互。
数据记录模块，用以记录虚拟空间导航任务的所有信息，包括被试者的个人信息(年龄、性别、年龄、职业、健康状态、学历情况等)、多项认知量表评估结果如简易精神量表(MMSE)、蒙特利尔认知评估量表(MoCA)、复杂图形测试、心理旋转测试以及连线测验(TMT)，还记录虚拟场景中每个被试者移动的时间信息与对应的空间信息。所记录的数据由操作人员通过键盘或麦克风语音输入至相应系统软件模块中。
计算模块，用以计算每位被试者在每个信息记录位置的平均速度
Figure BDA0004087109310000071
各被试者的犹豫位置
Figure BDA0004087109310000072
结合轮廓系数和二维散点图确定空间中的多个聚类中心
Figure BDA0004087109310000073
、分别计算每个被试者的犹豫总时长Tn。具体计算方法为：以一定的频率记录被测者在虚拟空间中的坐标
Figure BDA0004087109310000074
和时间
Figure BDA0004087109310000075
并依据该信息计算每位被试者在记录位置的平均速度
Figure BDA0004087109310000076
接着使用一维的Kmeans算法计算各被试者的犹豫位置
Figure BDA0004087109310000077
使用DBSCAN密度聚类算法进行噪声数据的处理，并在结合大量被试者数据的基础上使用二维Kmeans算法确定空间中的多个聚类中心
Figure BDA0004087109310000078
结合轮廓系数和二维散点图像确定最优的k值，最后分别计算每个被试者的犹豫总时长Tn，其中i指整个实验过程中记录的数据点编号，n指参与实验的受试者编号，
Figure BDA0004087109310000081
Figure BDA0004087109310000082
分别对应n号被试者在第in个位置点上记录的横坐标、纵坐标，m指经过一维Kmeans算法计算后各受试者犹豫位置的编号。
具体的，时间
Figure BDA0004087109310000083
坐标
Figure BDA0004087109310000084
分别表示一定频率下记录被试的时间与位置信息，二者一一对应，n指被试编号，in指不同被试记录的所有时间或位置点总数，
Figure BDA0004087109310000085
分别对应n号被试者在第in个位置点上记录的横坐标、纵坐标。
具体的，被试者在记录位置的平均速度
Figure BDA0004087109310000086
是通过以下方式计算的：
相邻两点间的距离：
Figure BDA0004087109310000087
每个记录位置的速度为
Figure BDA0004087109310000088
其中t为两次记录的时间间隔。
具体的，使用一维Kmeans算法基于不同个体间的差异，对每个被试者的所有点
Figure BDA0004087109310000089
进行一维的Kmeans分类，设置分类数为3，将分类出的结果按速度范围的大小为正常行走、犹豫以及不确定3类。
进一步的，计算模块还具有犹豫位置点的噪声数据处理功能。具体的，鉴于虚拟空间的移动操作方式新颖，被试者存在不熟悉硬件的使用、操作不舒适等现象。这些现象在现实中的体现就是移动操作按键的短暂放开并且快速按下，以上失误的操作在虚拟空间坐标上的表现就是零散且不连续的犹豫位置点。因此，上述因操作不当带来的噪声数据应该被筛除。具体处理方法是：在确定各使用者的犹豫位置
Figure BDA00040871093100000810
(m指每位被试者分类后的所有犹豫点数)后，使用DBSCAN密度聚类算法进行空间位置点噪声检测，其中虚拟空间数据的样本集为Hn＝{Hn1,Hn2,…Hnm}，使用参数(∈,MinPts)用来描述邻域的样本分布紧密程度，DBSCAN密度聚类算法能依据参数(∈,MinPts)的要求将空间位置点分类成簇，每个簇内有最少MinPts个点，这也预示了这一簇紧密相连，构成一个聚类类别，但是有的点不能形成簇，这些零星的位置点便是因为各种失误记录下的噪声，经过DBSCAN密度聚类后，可以识别并剔除噪声数据得到新的犹豫位置
Figure BDA0004087109310000091
m'为处理后的犹豫位置点数。
具体的，参数∈与MinPts分别描述了每一个样本点的邻域距离阈值和描述了每一个样本点距离为∈的邻域中样本个数的阈值，并且这些参数的选值需要考虑到数据点的记录频率，空间导航地图的大小，操作的复杂程度以及被试者的年龄大小。
具体的，使用二维Kmeans算法确定空间中的多个聚类中心
Figure BDA0004087109310000092
是在将n个被试者的所有处理后的犹豫位置点全部绘制在二维平面上进行聚类得到的，所有人的犹豫位置点总个数为
Figure BDA0004087109310000093
对Dnm'个二维空间中的点使用二维的K均值聚类算法，从而将Dnm'个位置点依照位置的相似性聚集到指定的k个类簇中，每个聚类的类簇中心便是这一区域犹豫位置点的犹豫中心
Figure BDA0004087109310000094
每个位置点属于且仅属于一个其到犹豫中心距离最小的类簇中。
具体的，分别使用不同的k值进行聚类。对于簇中的每个位置点，分别计算它们的轮廓系数，并计算所有点轮廓系数的平均值，得到聚类结果总的轮廓系数S(k)。S(k)的取值在[-1,1]之间，S(k)越接近1，代表聚类的结果越合理。单个点轮廓系数单个点的轮廓系数Sk(ii)计算如下：
Figure BDA0004087109310000095
聚类总的轮廓系数
Figure BDA0004087109310000096
a(ii)指数据中任意一个点的簇内不相似度：指该点到同簇内其他点不相似程度(距离)的平均值，体现凝聚度；b(ii)指数据中任意一个点的簇间不相似度：指该点到其他簇内所有点的平均不相似程度(平均距离)的最小值，体现分离度。结合不同k值情况下轮廓系数的值和空间图像上犹豫中心的位置，确定最优的k值。此时的犹豫中心多分布在交叉路口或是视野通达度低的区域，在这些区域被试者需要进行路径的决策。选择决策中心为圆心，借助Rk半径内的犹豫时长反应空间认知能力的高低。
具体的，一个虚拟现实空间导航被试者的犹豫总时长就是K个犹豫中心范围内犹豫时长的总和Tn，即
Figure BDA0004087109310000101
其中N为第k个犹豫中心范围内犹豫位置点的数量，t为记录的时间间隔。
为了方便验证本系统的评估结果可靠性，设置验证模块，能够根据输入的先前评估得到的各项认知评估量表数值与犹豫总时长Tn自动进行Pearson或是Spearman相关性检验，并给出检验结果。在一个实施例中，系统中不单独设置验证模块，也不需在数据记录模块中输入多项认知量表评估结果，以减少系统和测试流程的复杂程度；如需进行验证，使用者可将犹豫总时长Tn数据从本发明的系统中导出，采用其他统计软件实现与评估量表数值的相关分析实现结果的验证。
认知评估模块，实现将犹豫总时长Tn划分为多个区间，[0,t1],[t1,t2],[t2,t3]…。因为犹豫总时长Tn与认知能力呈负相关，这些区间分别对应认知能力极好的犹豫时长范围，认知能力较好的犹豫时长范围、认知能力正常的犹豫时长范围以及认知能力极差的犹豫时长范围。其中t1,t2,t3分别表示上述区间的边界值，t1＜t2＜t3。在一个实施例中，认知评估模块根据犹豫总时长Tn所处的区间给出认知能力评估结果，即所处认知水平或范围。例如一名被试者在搭建的虚拟现实导航场景中体验，按固定频率采集时间空间参数，计算在上述各犹豫中心范围内的犹豫总时长T，依据总时长T的所属区间范围判断被试者的认知能力范围。
该系统中虚拟导航模块中的头戴式显示屏、手柄等虚拟交互硬件，通过无线方式与数据记录模块和计算模块所在的中央工作站连接并传输数据。中央工作站可以是高性能计算器，运行数据记录模块和计算模块，实现主要的计算、结果显示以及与操作人员交互的功能。
如图3所示，该系统使用流程为：
执行步骤1操作人员通过虚拟空间导航系统记录被测者个人信息并使用多种认知量表进行认知能力的评估。
执行步骤2操作人员引导被试者熟悉虚拟环境以及交互方式，并要求被试者记住目标点的出现顺序，被试者需要按顺序依次在虚拟空间中找到目标点，数据记录模块按一定频率记录被试者的时间以及对应的空间坐标。
执行步骤3计算模块按预定的数据处理方法计算每个人的犹豫时间。
执行步骤4依据犹豫总时长的数值，将被试者划分到相应的认知能力区间。
为了验证本发明提供的系统评估认知方法的可靠性，进行了以下验证实验：
首先，被测者基于虚拟空间导航系统登记个人信息，并使用蒙特利尔认知评估量表(MoCA)，简易精神状态评估量表(MMSE)，Rey复杂图形测验，心理旋转测试，TMT连线测验等业内认可的认知评估方式对被测者的认知能力进行评估，得到评估结果；
然后被测者依据固定的目标点生成顺序进行虚拟空间导航任务，数据记录模块按一定频率记录时间和空间坐标等参数；
然后基于本发明提供的基于位置点聚类的认知能力评估方法进行上述数据的处理，处理结果如图4所示，图5所示为传统测试的认知相关的各项能力与本发明提供的认知能力评估系统测量参数的相关性数据，结果显示计算犹豫时间的聚类算法，在可视化的路线图中，聚类中心均有效地集中在目标点、岔路口附近，充分体现了人们尤其是老年人在这些区域需要进行长时间地决策判断；在相关性表格中，犹豫时间这一体现认知能力的参数与传统的认知能力评估量表有很强的相关性，且相关系数均较高，存在稳定的负相关关系，即犹豫的时间越少，认知能力也就越好。
本发明虽然不能同时全面评估被测者具体的认知能力，但空间导航能力是认知能力的其中一方面，本发明提出的方法和系统可以针对被试者认知能力给出一定的参考或从导航能力侧面反映认知能力水平。本发明的评估结果可以及时识别警示导航能力变差的人群。此外，该方法还可以添加一定的训练效果，通过长期动态训练监测，可以大大缓解空间导航能力低下人群认知能力持续下降的风险。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于虚拟导航系统位置点聚类的认知能力评估方法，其特征在于：建立完善的虚拟城市街区环境场景，按策略执行虚拟空间导航任务中目标点的出现以及人物在虚拟场景中的交互；
记录被试者的个人信息、多项认知量表评估结果，记录虚拟场景中每个被试者移动的时间信息
Figure FDA0004087109260000011
和空间信息
Figure FDA0004087109260000012
计算每位被试者在每个信息记录位置的平均速度
Figure FDA0004087109260000013
并使用一维的Kmeans算法确定各使用者的犹豫位置
Figure FDA0004087109260000014
的计算，使用DBSCAN密度聚类算法进行噪声数据的处理；在结合大量被试者数据的基础上使用二维Kmeans算法确定空间中的多个聚类中心
Figure FDA0004087109260000015
其中k为聚类中心编号；结合轮廓系数和二维散点图像确定最优的k值，最后分别计算每个被试者的犹豫总时长Tn；
根据得到的犹豫总时长Tn对不同被试者的认知能力进行评判。
2.根据权利要求1所述的一种基于寻路位置聚类的认知能力评估方法，其特征在于，所述场景依照现实中的场景为原型搭建；所述任务中导航的目标点是按照预先设定的顺序依次出现；所述交互用于实现被试者在导航过程中的移动控制。
3.根据权利要求1所述的一种基于寻路位置聚类的认知能力评估方法，其特征在于，记录的所述时间信息
Figure FDA0004087109260000016
和所述空间信息
Figure FDA0004087109260000017
分别表示以一定频率记录被试者的时间、位置信息，且所述时间信息与空间信息二者一一对应，其中n指被试编号，in指不同被试记录的所有时间或位置点总数，
Figure FDA0004087109260000018
分别对应n号被试者在第in个位置点上记录的横坐标、纵坐标。
4.根据权利要求1所述的一种基于寻路位置聚类的认知能力评估方法，其特征在于，所述计算每位被试者在每个信息记录位置的平均速度
Figure FDA0004087109260000029
是通过以下方式计算的：
以一定频率记录被试的位置
Figure FDA0004087109260000021
其中相邻两点间的距离：
Figure FDA0004087109260000022
Figure FDA0004087109260000023
每个记录位置的速度为：
Figure FDA0004087109260000024
Figure FDA0004087109260000025
5.根据权利要求4所述的一种基于寻路位置聚类的认知能力评估方法，其特征在于，所述使用DBSCAN密度聚类算法进行噪声数据处理的具体方法是，在确定各使用者的犹豫位置
Figure FDA0004087109260000026
后，其中m指每位被试者分类后的所有犹豫点数，基于DBSCAN密度聚类算法进行空间位置点噪声检测，其中虚拟空间数据的样本集为Hn＝{Hn1,Hn2,…Hnm}，使用参数(,MinPts)用来描述邻域的样本分布紧密程度，依据参数(,MinPts)的要求将空间位置点分类成簇，每个簇内有最少MinPts个点，构成一个聚类类别；不能形成簇的点识别为噪声，剔除上述噪声数据得到新的犹豫位置
Figure FDA0004087109260000027
为处理后的犹豫位置点数。
6.根据权利要求5所述一种基于寻路位置聚类的认知能力评估方法，其特征在于，所述参数(,MinPts)分别描述了每一个样本点的邻域距离阈值和描述了每一个样本点距离为的邻域中样本个数的阈值，所述参数(,MinPts)根据数据点的记录频率、空间导航地图的大小、操作的复杂程度以及被试者的年龄大小选值。
7.根据权利要求6所述的一种基于寻路位置聚类的认知能力评估方法，其特征在于，所述使用二维Kmeans算法确定空间中的多个聚类中心
Figure FDA0004087109260000028
是在将n个被试者的所有处理后的犹豫位置点全部绘制在二维平面上进行聚类得到的，所有人的犹豫位置点总个数为
Figure FDA0004087109260000031
对Dnm'个二维空间中的点使用二维的K均值聚类算法，从而将Dnm'个位置点依照位置的相似性聚集到指定的k个类簇中，每个聚类的类簇中心便是这一区域犹豫位置点的犹豫中心
Figure FDA0004087109260000032
每个位置点属于且仅属于一个其到犹豫中心距离最小的类簇中。
8.根据权利要求7所述的一种基于寻路位置聚类的认知能力评估方法，其特征在于，还计算单个点的轮廓系数Sk(ii)和聚类总的轮廓系数S(k)，所述单个点的轮廓系数Sk(ii)的计算如下：
Figure FDA0004087109260000033
所述聚类总的轮廓系数S(k)的计算如下：
聚类总的轮廓系数
Figure FDA0004087109260000034
其中a(ii)指数据中任意一个点的簇内不相似度；b(ii)指数据中任意一个点的簇间不相似度。
9.根据权利要求8所述的一种基于寻路位置聚类的认知能力评估方法，其特征在于，所述犹豫总时长Tn的计算如下：
Figure FDA0004087109260000035
其中N为第k个犹豫中心范围内犹豫位置点的数量，t为记录的时间间隔。
10.一种基于寻路位置聚类的认知能力评估系统，采用权利要求1-9任一项所述的基于寻路位置聚类的认知能力评估方法，其特征在于，包括虚拟空间导航模块，所述虚拟空间导航模块包括虚拟城市街区环境场景显示、虚拟空间导航任务中目标点及其出现策略实现，所述虚拟导航模块还包括人物在虚拟场景中的交互显示屏和手柄；
数据记录模块，所述数据记录模块记录被试者的个人信息，多项认知量表评估结果，虚拟场景中每个被试者移动的时间信息
Figure FDA0004087109260000041
空间信息
Figure FDA0004087109260000042
计算模块，所述计算模块计算每位被试者在每个信息记录位置的平均速度
Figure FDA0004087109260000043
使用一维的Kmeans算法确定各使用者的犹豫位置
Figure FDA0004087109260000044
的计算，使用DBSCAN密度聚类算法进行噪声数据的处理，并在结合大量被试者数据的基础上使用二维Kmeans算法确定空间中的多个聚类中心
Figure FDA0004087109260000045
其中k是聚类中心编号，结合轮廓系数和二维散点图像确定最优的k值，最后分别计算每个被试者的犹豫总时长Tn；
认知评估模块，根据得到的犹豫总时长Tn对不同被试者的认知能力进行评判。
CN202310139508.9A 2023-02-13 2023-02-13 一种基于虚拟导航系统位置点聚类的认知能力评估方法和系统 Pending CN116230209A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310139508.9A CN116230209A (zh) 2023-02-13 2023-02-13 一种基于虚拟导航系统位置点聚类的认知能力评估方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310139508.9A CN116230209A (zh) 2023-02-13 2023-02-13 一种基于虚拟导航系统位置点聚类的认知能力评估方法和系统

Publications (1)

Publication Number Publication Date
CN116230209A true CN116230209A (zh) 2023-06-06

Family

ID=86576371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310139508.9A Pending CN116230209A (zh) 2023-02-13 2023-02-13 一种基于虚拟导航系统位置点聚类的认知能力评估方法和系统

Country Status (1)

Country Link
CN (1) CN116230209A (zh)

Similar Documents

Publication Publication Date Title
Rios-Urrego et al. Analysis and evaluation of handwriting in patients with Parkinson’s disease using kinematic, geometrical, and non-linear features
Zhang et al. EgoGesture: A new dataset and benchmark for egocentric hand gesture recognition
Mekyska et al. Identification and rating of developmental dysgraphia by handwriting analysis
Lester et al. A hybrid discriminative/generative approach for modeling human activities
Mathe et al. Dynamic eye movement datasets and learnt saliency models for visual action recognition
CN113743471B (zh) 一种驾驶评估方法及其系统
CN110353673B (zh) 一种基于标准互信息的脑电通道选择方法
WO2021068781A1 (zh) 一种疲劳状态识别方法、装置和设备
CN110503000B (zh) 一种基于人脸识别技术的教学抬头率测量方法
CN104463916B (zh) 基于随机游走的眼动注视点测定方法
CN114358194A (zh) 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法
CN111931616A (zh) 基于移动智能终端传感器设备的情绪识别方法及系统
CN115346149A (zh) 基于时空图卷积网络的跳绳计数方法和系统
CN114298189A (zh) 疲劳驾驶检测方法、装置、设备及存储介质
CN112438741A (zh) 一种基于脑电特征迁移学习的驾驶状态检测方法及系统
CN114090862A (zh) 信息处理方法、装置及电子设备
Alghowinem et al. Body gesture and head movement analyses in dyadic parent-child interaction as indicators of relationship
Salojärvi et al. Implicit relevance feedback from eye movements
CN113869415A (zh) 一种问题行为检测与预警系统
KR102616230B1 (ko) 사용자 이미지에 기반하여 사용자의 집중력을 판단하는방법 및 이를 수행하는 운영 서버
CN117334337A (zh) 基于图像识别技术的癌症患者疼痛智能化评估及预警系统
CN116230209A (zh) 一种基于虚拟导航系统位置点聚类的认知能力评估方法和系统
CN107898458B (zh) 基于图像先验的单试次脑电p300成分检测方法及装置
CN112863515B (zh) 利用手机扬声器和麦克风识别人体舌头下颚动作的方法
CN106446837B (zh) 一种基于运动历史图像的挥手检测方法

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