CN116487042A - 基于fbm行为模型的自闭症患儿注意力干预效果评估方法 - Google Patents
基于fbm行为模型的自闭症患儿注意力干预效果评估方法 Download PDFInfo
- Publication number
- CN116487042A CN116487042A CN202310357791.2A CN202310357791A CN116487042A CN 116487042 A CN116487042 A CN 116487042A CN 202310357791 A CN202310357791 A CN 202310357791A CN 116487042 A CN116487042 A CN 116487042A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- intervention effect
- autism
- intervention
- 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.)
- Withdrawn
Links
- 206010003805 Autism Diseases 0.000 title claims abstract description 113
- 208000020706 Autistic disease Diseases 0.000 title claims abstract description 113
- 230000000694 effects Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 79
- 238000007405 data analysis Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 6
- 230000004424 eye movement Effects 0.000 claims description 73
- 230000002596 correlated effect Effects 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000035484 reaction time Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 42
- 210000004556 brain Anatomy 0.000 description 36
- 238000004458 analytical method Methods 0.000 description 23
- 230000000007 visual effect Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 18
- 238000012544 monitoring process Methods 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 14
- 238000012549 training Methods 0.000 description 13
- 230000010365 information processing Effects 0.000 description 10
- 239000003814 drug Substances 0.000 description 6
- 230000008450 motivation Effects 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 229940079593 drug Drugs 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 4
- 230000003925 brain function Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 2
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 2
- 206010010947 Coordination abnormal Diseases 0.000 description 2
- 206010040026 Sensory disturbance Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003930 cognitive ability Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 230000003997 social interaction Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 101710154918 Trigger factor Proteins 0.000 description 1
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000004418 eye rotation Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008449 language Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000008433 psychological processes and functions Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
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
- G16H50/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Developmental Disabilities (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Hospice & Palliative Care (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Child & Adolescent Psychology (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了基于FBM行为模型的自闭症患儿注意力干预效果评估系统，用于解决现有的评估系统在对其进行数据收集时通过单一数据变量进行评测分析，对注意力干预效果评估后的结果数值具有不确定性以及表面性，难以进行科学准确的综合评估的问题，包括数据采集模块、数据存储模块、数据预处理模块、注意力干预模块、数据分析模块以及干预效果评估模块，通过结合眼动数据、EEG数据和握动数据，多维度对自闭症患儿注意力干预时的监测数据进行评估，再对干预效果评估指标进行分级评估，保证对自闭症患儿注意力干预时采集数据的有效监测，实现对自闭症患儿注意力干预时各个监测数据的多维度评估。
Description
技术领域
本发明涉及儿童自闭症技术领域，更具体地说，本发明涉及基于FBM行为模型的自闭症患儿注意力干预效果评估系统。
背景技术
自闭症是一种由神经发育失调导致的严重儿童精神障碍。目前还没有特效药物能够对自闭症进行有效的治疗。自闭症患儿存在认知方面缺陷，在语言能力、社会性沟通交流能力等方面存在问题，主要表现为注意力不集中、缺乏想象力。自闭症患者的视觉注意在持续性、选择性与转移性方面低于正常水平，注意力的缺陷会严重影响到自闭症患儿的日常学习效果和康复的质量。FBM行为模型又称为福格行为模型，通过对FBM行为模型研究发现其与自闭症患者注意力干预相互契合。
目前自闭症患儿的干预方法有药物治疗、行为干预、感觉综合训练、生物反馈训练和应用虚拟现实技术进行训练。行为干预是通过行为强化、弱化塑造等行为与环境控制促使行为发生变化。在目前通过干预训练对自闭症患儿进行干预效果获取时，一般是通过对患者的生物器官的改变以及肢体的变化、注意偏好统计成数据进行效果评测，例如患者的脑电图数据以及眼睛转动数据等进行追踪处理，因为对自闭症患者的评价因素较多，现有的评估系统在对其进行数据收集时通过单一数据变量进行评测分析，对数据分析具有不确定性以及表面性，难以进行科学准确的综合评估。
为了解决上述问题，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于FBM行为模型的自闭症患儿注意力干预效果评估系统，是通过结合眼动数据、EEG数据和握动数据，多维度确定对自闭症患儿注意力干预的检测数据的评估指标，利用眼动指标、EEG指标和握动指标获取干预效果评估指标并对干预效果评估指标进行分级评估能够保证对自闭症患儿注意力的有效监测，便于对监测数据进行多维度分析，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于FBM行为模型的自闭症患儿注意力干预效果评估系统，包括处理器以及与处理器通讯连接的数据采集模块、数据存储模块、数据预处理模块、注意力干预模块、数据分析模块以及干预效果评估模块，其中：
数据分析模块通过将数据预处理模块处理好的眼动指标、EEG指标和握动指标作为自变量，代入干预效果评估指标的三元一次函数当中，将三元一次函数作为干预效果评估指标的评估机制，干预效果评估指标的公式为：
Kzh＝f(x，y，z)；
式中：Kzh为干预效果评估指标，x、y和z为三元一次函数f(x，y，z)的三个自变量；
其中：f(x，y，z)＝0.3x+0.6y+0.1z；
式中：x＝Kyd；y＝Keg；z＝Kwd。
作为本发明的进一步方案，数据分析模块中，利用眼动指标分析反应时间、注视时间以及眼震幅度，对于自闭症患儿的监测数据，眼动指标表现为以下几种情况：
情况一：反应时间和注视时间都比较长，而眼震幅度比较小，这代表自闭症患儿在视觉处理任务中处理信息的速度较慢，注视时间较长，同时眼睛的稳定性较好；
情况二：反应时间和注视时间都比较长，而眼震幅度比较大，这代表自闭症患儿在视觉处理任务中处理信息的速度较慢，注视时间较长，同时眼睛的稳定性较差；
情况三：反应时间和注视时间都比较短，而眼震幅度比较小，这代表自闭症患儿在视觉任务中处理信息的速度较快，注视时间较短，同时眼睛的稳定性较好；
情况四：反应时间和注视时间都比较短，而眼震幅度比较大，这代表自闭症患儿在视觉任务中处理信息的速度较快，注视时间较短，同时眼睛的稳定性较差。
基于情况一和情况二分析，在反应时间和注视时间都比较长时，情况一眼动指标大于情况二眼动指标数值，眼动指标与眼震幅度负相关，反映自闭症患儿在视觉处理任务中处理信息速度较慢，注视时间较长时，眼动指标和眼睛稳定性之间的负相关关系。
基于情况一和情况三分析，在自闭症患儿处理视觉任务中眼震幅度比较小时，情况一的眼动指标大于情况三的眼动指标，眼动指标与反应时间以及注视时间正相关，反映自闭症患儿在处理视觉任务中眼睛稳定性较好时，眼动指标和处理信息速度以及注视时间的正相关关系。
基于情况二和情况四分析，在自闭症患儿处理视觉任务中眼震幅度比较大时，情况二的眼动指标大于情况四的眼动指标，眼动指标与反应时间以及注视时间正相关，反映自闭症患儿在处理视觉任务中眼睛稳定性较差时，眼动指标和处理信息速度以及注视时间的正相关关系。
基于情况三和情况四分析，在自闭症患儿处理视觉任务中，在反应时间和注视时间都比较短时，情况三的眼动指标大于情况四的眼动指标，眼动指标与眼震幅度负相关，反映自闭症患儿在处理视觉任务中处理信息速度较慢，注视时间较短时，眼动指标与眼睛稳定性的负相关关系。
基于上述分析，眼动指标与反应时间正相关，与注视时间正相关，与眼震幅度负相关，对于自闭症患儿来说，眼动指标的评估意义在于帮助评估他们在视觉任务中的表现和认知能力，特别是与社交互动和情感处理相关的任务。眼动指标能成为自闭症患儿干预的参考指标之一。
作为本发明一种优选的实施方式，眼动指标的公式为：
式中：Tf为反应时间，Tz为注视时间，βd为眼震幅度。
作为本发明的进一步方案，数据分析模块中，利用EEG指标分析相关电位、时域信息和频域信息，对于自闭症患儿的监测数据，EEG指标表现为以下几种情况：
情况一：相关电位较强，时域信息较低，频域信息较高，这代表自闭症患儿的大脑神经元活动较为同步，同时其脑电信号的频率分布较为集中，表明存在某些特定的大脑功能异常。
情况二：相关电位较弱，时域信息较高，频域信息较低，这代表自闭症患儿的大脑神经元活动较为异步，同时其脑电信号的频率分布较为分散，表明存在某些大脑区域的连接和协调问题。
情况三：相关电位较强，时域信息较高，频域信息较高，这代表自闭症患儿的大脑神经元活动较为同步，同时其脑电信号的频率分布较为集中，表明存在某些特定的大脑功能异常，同时存在一些大脑区域的连接和协调问题。
情况四：相关电位较弱，时域信息较低，频域信息较低，这代表自闭症患儿的大脑神经元活动较为同步，同时其脑电信号的频率分布较为分散，表明存在某些大脑区域的连接和协调问题。
基于情况一和情况三分析，在相关电位较强，频域信息较高时，情况一EEG指标大于情况三EEG指标数值，EEG指标与时域信息负相关，反映自闭症患儿脑电信号的频率分布较为集中，某些特定的大脑功能异常时，EEG指标与大脑神经元同步活动同步性的负相关关系。
基于情况二和情况四分析，在相关电位较弱，频域信息较低时，情况二的EEG指标存在大于情况三的EEG指标的情况，EEG指标与时域信息正相关，反映自闭症患儿存在某些大脑区域的连接和协调问题，脑电信号的频率分布较为分散时，EEG指标和大脑神经元活动同步性的负相关关系；在相关电位较强时，情况二的EEG指标存在小于等于情况四的EEG信号的情况，EEG指标与时域信息又负相关，则EEG指标与频域信息负相关，反映自闭症患儿在EE指标与频域分布分散程度之间的负相关关系。
联合EEG指标与频域信息以及时域信息的负相关性，对比情况一和情况四的数据，存在情况一的EEG指标大于情况四的EEG指标的情况，表示EEG指标与电位正相关。
基于上述分析，EEG指标与相关电位正相关，与时域信息负相关，与频域信息负相关，对于自闭症患儿来说，EEG指标评估意义在于帮助评估他们的大脑神经元活动及其与特定功能的关系，如社交、情感和语言处理。EEG指标能成为自闭症患儿诊断和干预的参考指标之一。
作为本发明一种优选的实施方式，EEG指标公式为：
式中：ERP为相关电位，Tsy为时域信息，δP为频域信息。
作为本发明的进一步方案，数据分析模块中，利用握动指标分析力度大小、计数量和指端长度信息，对于自闭症患儿的监测数据，握动指标表现为以下几种情况：
情况一：握力大小较大，计数量较少，指端长度较短，这代表自闭症患儿的手部力量较强，但动作次数较少，存在手部协调问题或感觉障碍。
情况二：握力大小较小，计数量较多，指端长度较长，这代表自闭症患儿的手部力量较弱，但动作次数较多，存在手部协调问题或执行功能问题。
情况三：握力大小较大，计数量较多，指端长度较长，这代表自闭症患儿的手部力量较强，同时具有较好的手部协调和执行功能。
情况四：握力大小较小，计数量较少，指端长度较短，这代表自闭症患儿的手部力量较弱，同时存在手部协调和执行功能问题。
基于情况二和情况三分析：计数量较多，指端长度较长时，情况二的握动指标小于情况三的握动指标，握动指标与握力力度正相关，这代表在计数量较多，指端长度较长时，握动指标与自闭症儿童手部力量之间存在正相关关系。
对于自闭症患儿来说，握动指标评估意义在于帮助评估他们的手部协调和执行功能，同时还可以用于观察干预措施的效果。例如，握力增强训练可以通过提高自闭症患儿的握力大小来改善他们的手部功能和生活质量。
综合分析上述情况，握动指标与力度大小正相关，与计数量负相关，与指端长度信息负相关。
作为本发明一种优选的实施方式，握动指标公式为：
式中：Fw为力度大小，μ为计数量，L为指端长度信息。
作为本发明的进一步方案，数据预处理模块通过异常值剔除、空缺值插补和高斯滤波对数据采集模块获取的数据进行处理，将采集到的异常值和离群点进行剔除，将数据转换成FBM行为模型所需的序列数据。
作为本发明的进一步方案，处理器用于处理来自用于自闭症患儿注意力干预效果评估系统的至少一个组件的数据，数据存储模块对检测的数据进行保存和管理，处理器对各个模块之间相互协调配合，使系统能够有序的运行。
作为本发明的进一步方案，获取干预效果评估指标后，利用干预效果评估指标的数值创建样本集，并获取样本集中的均值和标准差，利用均值和标准差对数据进行标准化，标准化公式为在此式中z为标准参量，σ为样本数据的方差，μ为样本数据的均值，在完成标准化后，将标准参量利用/>将数值区间调整至[0,1]之间，利用f(m)的函数值对干预效果评估指标进行分类，分类的机制为：
当时，干预效果评估指标分类为一级；
当时，干预效果评估指标分类为二级。
基于FBM行为模型的自闭症患儿注意力干预效果评估系统，包括如下步骤：
步骤一，使用EEG采集器和眼动仪对自闭症患儿在接受干预之前和接受干预之后的眼动数据、EEG数据和握动数据；
步骤二，通过异常值剔除、空缺值插补和高斯滤波对数据进行预处理，清除数据中的异常值，将数据转换成FBM行为模型所需的序列数据；
步骤三，通过眼动数据获取眼动指标，通过EEG数据获取EEG指标，和通过握动数据获取握动指标；
步骤四，联合眼动指标、EEG指标和握动指标获取干预效果评估指标，获取干预效果评估指标后对干预效果评估指标进行分级评估。
本发明基于FBM行为模型的自闭症患儿注意力干预效果评估方法的技术效果和优点：
本发明通过结合眼动数据、EEG数据和握动数据，多维度对自闭症患儿注意力干预时的监测数据进行评估，再对干预效果评估指标进行分级评估，保证对自闭症患儿注意力干预时采集数据的有效监测，实现对自闭症患儿注意力干预时各个监测数据的多维度评估。
附图说明
图1为本发明基于FBM行为模型的自闭症患儿注意力干预效果评估方法的流程图；
图2为本发明基于FBM行为模型的自闭症患儿注意力干预效果评估方法的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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。
实施例
本发明基于FBM行为模型的自闭症患儿注意力干预效果评估方法，是通过结合眼动数据、EEG数据和握动数据，多维度对自闭症患儿注意力干预时的监测数据进行评估，再对干预效果评估指标进行分级评估，保证对自闭症患儿注意力干预时采集数据的有效监测，实现对自闭症患儿注意力干预时各个监测数据的多维度评估。
图1给出了本发明基于FBM行为模型的自闭症患儿注意力干预效果评估方法的流程图，其包括如下步骤：
步骤一，使用EEG采集器和眼动仪对自闭症患儿在接受干预之间和接受干预之后的眼动数据、EEG数据和握动数据；
步骤二，通过异常值剔除、空缺值插补和高斯滤波对数据进行预处理，清除数据中的异常值，将数据转换成FBM行为模型所需的序列数据；
步骤三，通过眼动数据获取眼动指标，通过EEG数据获取EEG指标，和通过握动数据获取握动指标；
步骤四，根据眼动指标、EEG指标和握动指标确定各个时间段的自闭症患儿的干预效果，并且联合各项指标获取对自闭症患儿的干预效果评估指标，获取干预综合指标后综合分析自闭症患儿的干预状态进行分级评估。
在相关专家对自闭症的研究探索后得出发现自闭症的时间越早，对自闭症的干预效果就越强。注意力是在一定的时间内对事物专注集中的能力，儿童能够通过注意力自觉主动获得各种信息以及知识本领，注意力属于人的基本认知功能，通常和具象的心理过程相互关联。有研究表明，有部分自闭症患者伴随有注意力问题，与普通儿童相比，自闭症患者的视觉注意在持续性、选择性与转移性方面低于正常水平，注意力的缺陷会严重影响到自闭症患儿的日常学习效果和康复的质量。
FBM行为模型又称为福格行为模型，由坐标的第二象限区域进行表示，能力以及动机在执行行为时具有权衡关系，在劝导设计时，行为动力、行为能力和行为触发机制是三个因素，三个因素共同作用能够绝对个体对设计对象的行为态度是否发生变化，在个体能力不足但是动机足够强时，个体依旧能够实现，当个体动机不足但能力够强时，个体行为依然能实现，在此中，触发因素可以是象限区域内的任意位置，当个体的动机和能力都处于激活目标行为临界值之上通过触发机制的刺激，目标行为易被达成；当个体的动机和能力都处于激活目标行为临界值之下，无论是否有触发机制的刺激，都无法达成目标行为。在触发机制和目标行为之间建立联系，在当触发机制被成功捕捉、以及个体具有相对应的行为动机和能力，触发机制作用会发生。通过对FBM行为模型研究发现其与自闭症患者注意力干预相互契合。
目前自闭症患儿的干预方法有药物治疗、行为干预、感觉综合训练、生物反馈训练和应用虚拟现实技术进行训练，在对患者进行药物治疗时通常使用兴奋、以及抵抗抑郁的药物，但是目前还无法对药物对自闭症的绝对有效性进行判断，也无法得知其是否存在副作用。行为干预是通过行为强化、弱化塑造等行为与环境控制促使行为发生变化。感觉综合训练通过对脑功能发展进行促进，能够对患儿运动协调、注意力等方面有较好的疗效，生物反馈训练通过采集、提取注意缺陷多动障碍ADHD患者的心电信号变量后，输入相关游戏程序对训练者自主神经系统进行训练使患者集中注意力完成反馈训练任务。
因此，基于上述背景，本发明提出一种基于FBM行为模型的自闭症患儿注意力干预效果评估系统。
具体的，本发明提出的一种基于FBM行为模型的自闭症患儿注意力干预效果评估系统，包括处理器以及与处理器通讯连接的数据采集模块、数据存储模块、数据预处理模块、注意力干预模块、数据分析模块以及干预效果评估模块，其中：
数据分析模块通过将数据预处理模块处理好的眼动指标、EEG指标和握动指标作为自变量，代入干预效果评估指标的三元一次函数当中，将三元一次函数作为干预效果评估指标的评估机制，干预效果评估指标的公式为：
Kzh＝f(x，y，z)；
式中：Kzh为干预效果评估指标，x、y和z为三元一次函数f(x，y，z)的三个自变量；
其中：f(x，y，z)＝0.3x+0.6y+0.1z；
式中：x＝Kyd；y＝Keg；z＝Kwd。
数据分析模块中，利用眼动指标分析反应时间、注视时间以及眼震幅度，对于自闭症患儿的监测数据，眼动指标表现为以下几种情况：
情况一：反应时间和注视时间都比较长，而眼震幅度比较小，这代表自闭症患儿在视觉处理任务中处理信息的速度较慢，注视时间较长，同时眼睛的稳定性较好；
情况二：反应时间和注视时间都比较长，而眼震幅度比较大，这代表自闭症患儿在视觉处理任务中处理信息的速度较慢，注视时间较长，同时眼睛的稳定性较差；
情况三：反应时间和注视时间都比较短，而眼震幅度比较小，这代表自闭症患儿在视觉任务中处理信息的速度较快，注视时间较短，同时眼睛的稳定性较好；
情况四：反应时间和注视时间都比较短，而眼震幅度比较大，这代表自闭症患儿在视觉任务中处理信息的速度较快，注视时间较短，同时眼睛的稳定性较差。
基于情况一和情况二分析，在反应时间和注视时间都比较长时，情况一眼动指标大于情况二眼动指标数值，眼动指标与眼震幅度负相关，反映自闭症患儿在视觉处理任务中处理信息速度较慢，注视时间较长时，眼动指标和眼睛稳定性之间的负相关关系。
基于情况一和情况三分析，在自闭症患儿处理视觉任务中眼震幅度比较小时，情况一的眼动指标大于情况三的眼动指标，眼动指标与反应时间以及注视时间正相关，反映自闭症患儿在处理视觉任务中眼睛稳定性较好时，眼动指标和处理信息速度以及注视时间的正相关关系。
基于情况二和情况四分析，在自闭症患儿处理视觉任务中眼震幅度比较大时，情况二的眼动指标大于情况四的眼动指标，眼动指标与反应时间以及注视时间正相关，反映自闭症患儿在处理视觉任务中眼睛稳定性较差时，眼动指标和处理信息速度以及注视时间的正相关关系。
基于情况三和情况四分析，在自闭症患儿处理视觉任务中，在反应时间和注视时间都比较短时，情况三的眼动指标大于情况四的眼动指标，眼动指标与眼震幅度负相关，反映自闭症患儿在处理视觉任务中处理信息速度较慢，注视时间较短时，眼动指标与眼睛稳定性的负相关关系。
基于上述分析，眼动指标与反应时间正相关，与注视时间正相关，与眼震幅度负相关，对于自闭症患儿来说，眼动指标的评估意义在于帮助评估他们在视觉任务中的表现和认知能力，特别是与社交互动和情感处理相关的任务。眼动指标能成为自闭症患儿干预的参考指标之一。
作为本发明一种优选的实施方式，眼动指标的公式为：
式中：Tf为反应时间，Tz为注视时间，βd为眼震幅度。
数据分析模块中，利用EEG指标分析相关电位、时域信息和频域信息，对于自闭症患儿的监测数据，EEG指标表现为以下几种情况：
情况一：相关电位较强，时域信息较低，频域信息较高，这代表自闭症患儿的大脑神经元活动较为同步，同时其脑电信号的频率分布较为集中，表明存在某些特定的大脑功能异常。
情况二：相关电位较弱，时域信息较高，频域信息较低，这代表自闭症患儿的大脑神经元活动较为异步，同时其脑电信号的频率分布较为分散，表明存在某些大脑区域的连接和协调问题。
情况三：相关电位较强，时域信息较高，频域信息较高，这代表自闭症患儿的大脑神经元活动较为同步，同时其脑电信号的频率分布较为集中，表明存在某些特定的大脑功能异常，同时存在一些大脑区域的连接和协调问题。
情况四：相关电位较弱，时域信息较低，频域信息较低，这代表自闭症患儿的大脑神经元活动较为同步，同时其脑电信号的频率分布较为分散，表明存在某些大脑区域的连接和协调问题。
基于情况一和情况三分析，在相关电位较强，频域信息较高时，情况一EEG指标大于情况三EEG指标数值，EEG指标与时域信息负相关，反映自闭症患儿脑电信号的频率分布较为集中，某些特定的大脑功能异常时，EEG指标与大脑神经元同步活动同步性的负相关关系。
基于情况二和情况四分析，在相关电位较弱，频域信息较低时，情况二的EEG指标存在大于情况三的EEG指标的情况，EEG指标与时域信息正相关，反映自闭症患儿存在某些大脑区域的连接和协调问题，脑电信号的频率分布较为分散时，EEG指标和大脑神经元活动同步性的负相关关系；在相关电位较强时，情况二的EEG指标存在小于等于情况四的EEG信号的情况，EEG指标与时域信息又负相关，则EEG指标与频域信息负相关，反映自闭症患儿在EE指标与频域分布分散程度之间的负相关关系。
联合EEG指标与频域信息以及时域信息的负相关性，对比情况一和情况四的数据，存在情况一的EEG指标大于情况四的EEG指标的情况，表示EEG指标与电位正相关。
基于上述分析，EEG指标与相关电位正相关，与时域信息负相关，与频域信息负相关，对于自闭症患儿来说，EEG指标评估意义在于帮助评估他们的大脑神经元活动及其与特定功能的关系，如社交、情感和语言处理。EEG指标能成为自闭症患儿诊断和干预的参考指标之一。
作为本发明一种优选的实施方式，EEG指标公式为：
式中：ERP为相关电位，Tsy为时域信息，δP为频域信息。
作为本发明的进一步方案，数据分析模块中，利用握动指标分析力度大小、计数量和指端长度信息，对于自闭症患儿的监测数据，握动指标表现为以下几种情况：
情况一：握力大小较大，计数量较少，指端长度较短，这代表自闭症患儿的手部力量较强，但动作次数较少，存在手部协调问题或感觉障碍。
情况二：握力大小较小，计数量较多，指端长度较长，这代表自闭症患儿的手部力量较弱，但动作次数较多，存在手部协调问题或执行功能问题。
情况三：握力大小较大，计数量较多，指端长度较长，这代表自闭症患儿的手部力量较强，同时具有较好的手部协调和执行功能。
情况四：握力大小较小，计数量较少，指端长度较短，这代表自闭症患儿的手部力量较弱，同时存在手部协调和执行功能问题。
基于情况二和情况三分析：计数量较多，指端长度较长时，情况二的握动指标小于情况三的握动指标，握动指标与握力力度正相关，这代表在计数量较多，指端长度较长时，握动指标与自闭症儿童手部力量之间存在正相关关系。
对于自闭症患儿来说，握动指标评估意义在于帮助评估他们的手部协调和执行功能，同时还可以用于观察干预措施的效果。例如，握力增强训练可以通过提高自闭症患儿的握力大小来改善他们的手部功能和生活质量。
综合分析上述情况，握动指标与力度大小正相关，与计数量负相关，与指端长度信息负相关。
作为本发明一种优选的实施方式，握动指标公式为：
式中：Fw为力度大小，μ为计数量，L为指端长度信息。
数据预处理模块通过异常值剔除、空缺值插补和高斯滤波对数据采集模块获取的数据进行处理，将采集到的异常值和离群点进行剔除，将数据转换成FBM行为模型所需的序列数据。
处理器用于处理来自用于自闭症患儿注意力干预效果评估系统的至少一个组件的数据，数据存储模块对检测的数据进行保存和管理，处理器对各个模块之间相互协调配合，使系统能够有序的运行。
获取干预效果评估指标后，利用干预效果评估指标的数值创建样本集，并获取样本集中的均值和标准差，利用均值和标准差对数据进行标准化，标准化公式为在此式中z为标准参量，σ为样本数据的方差，μ为样本数据的均值，在完成标准化后，将标准参量利用/>将数值区间调整至[0,1]之间，利用f(m)的函数值对干预效果评估指标进行分类，分类的机制为：
当时，干预效果评估指标分类为一级；
当时，干预效果评估指标分类为二级。
基于FBM行为模型的自闭症患儿注意力干预效果评估系统，包括如下步骤：
步骤一，使用EEG采集器和眼动仪对自闭症患儿在接受干预之前和接受干预之后的眼动数据、EEG数据和握动数据；
步骤二，通过异常值剔除、空缺值插补和高斯滤波对数据进行预处理，清除数据中的异常值，将数据转换成FBM行为模型所需的序列数据；
步骤三，通过眼动数据获取眼动指标，通过EEG数据获取EEG指标，和通过握动数据获取握动指标；
步骤四，联合眼动指标、EEG指标和握动指标获取干预效果评估指标，获取干预效果评估指标后对干预效果评估指标进行分级评估。
针对不同的自闭症患儿注意力干预效果会根据患者的年龄、性别、体型、健康状况进行个性化定制，因为每个人的病情和临床表现不同，需要侧重于设置的干预效果训练的侧重项目是不一样的，为了使得评估模型具备普适性，在模型中根据采集的患者基本信息和临床数据，医护人员结合患者的生物学和生理学指标对患者的干预训练项目进行侧重调整，这样能够帮助模型为更多的自闭症患儿注意力干预进行评估，增大评估对象的范围，也能够良好地提高模型的鲁棒性，最终的结果分析能够在分析截面上进行显示，让医生或者护士输入患者的评估结果，结合眼动数据、EEG数据和握动数据，多维度确定对自闭症患儿注意力干预的干预效果，且根据干预评估指标对注意力干预效果进行分级评估，能够提高对自闭症患儿注意力干预效果的有效监测的有效性和可靠性，便于医生能够根据评估数据进行后续干预方案调整，及时的对干预措施进行调整。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：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，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 (8)
1.基于FBM行为模型的自闭症患儿注意力干预效果评估系统，其特征在于，包括处理器以及与处理器通讯连接的数据采集模块、数据存储模块、数据预处理模块、注意力干预模块、数据分析模块以及干预效果评估模块，其中：
数据分析模块通过将数据预处理模块处理好的眼动指标、EEG指标和握动指标作为自变量，代入干预效果评估指标的三元一次函数当中，将三元一次函数作为干预效果评估指标的评估机制，干预效果评估指标的公式为：
Kzh＝f(x,y,z)；
式中：Kzh为干预效果评估指标，x、y和z为三元一次函数f(x,y,z)的三个自变量；
其中：f(x,y,z)＝0.3x+0.6y+0.1z；
式中：x＝Kyd；y＝Keg；z＝Kwd。
2.根据权利要求1的基于FBM行为模型的自闭症患儿注意力干预效果评估系统，其特征在于：数据分析模块中，利用眼动指标分析反应时间、注视时间以及眼震幅度，眼动指标与反应时间正相关，与注视时间正相关，与眼震幅度负相关，眼动指标的公式为：
式中：Tf为反应时间，Tz为注视时间，βd为眼震幅度。
3.根据权利要求1的基于FBM行为模型的自闭症患儿注意力干预效果评估系统，其特征在于：数据分析模块中，利用EEG指标分析相关电位、时域信息和频域信息，EEG指标与相关电位正相关，与时域信息负相关，与频域信息负相关，EEG指标公式为：
式中：ERP为相关电位，Tsy为时域信息，δP为频域信息。
4.根据权利要求1的基于FBM行为模型的自闭症患儿注意力干预效果评估系统，其特征在于：数据分析模块中，利用握动指标分析力度大小、计数量和指端长度信息，握动指标与力度大小正相关，与计数量负相关，与指端长度信息负相关，握动指标公式为：
式中：Fw为力度大小，μ为计数量，L为指端长度信息。
5.根据权利要求1的基于FBM行为模型的自闭症患儿注意力干预效果评估系统，其特征在于：数据预处理模块通过异常值剔除、空缺值插补和高斯滤波对数据采集模块获取的数据进行处理，将采集到的异常值和离群点进行剔除，将数据转换成FBM行为模型所需的序列数据。
6.根据权利要求1的基于FBM行为模型的自闭症患儿注意力干预效果评估系统，其特征在于：处理器用于处理来自用于自闭症患儿注意力干预效果评估系统的至少一个组件的数据，数据存储模块对检测的数据进行保存和管理，处理器对各个模块之间相互协调配合，使系统能够有序的运行。
7.根据权利要求1的基于FBM行为模型的自闭症患儿注意力干预效果评估系统，其特征在于：获取干预效果评估指标后，利用干预效果评估指标的数值创建样本集，并获取样本集中的均值和标准差，利用均值和标准差对数据进行标准化，标准化公式为在此式中z为标准参量，σ为样本数据的方差，μ为样本数据的均值，在完成标准化后，将标准参量利用/>将数值区间调整至[0,1]之间，利用f(m)的函数值对干预效果评估指标进行分类，分类的机制为：
当时，干预效果评估指标分类为一级；
当时，干预效果评估指标分类为二级。
8.一种基于FBM行为模型的自闭症患儿注意力干预效果评估方法，用于实现权利要求1-7任一项的基于FBM行为模型的自闭症患儿注意力干预效果评估系统，其特征在于，包括以下步骤：
步骤一，使用EEG采集器和眼动仪对自闭症患儿在接受干预之前和接受干预之后的眼动数据、EEG数据和握动数据；
步骤二，通过异常值剔除、空缺值插补和高斯滤波对数据进行预处理，清除数据中的异常值，将数据转换成FBM行为模型所需的序列数据；
步骤三，通过眼动数据获取眼动指标，通过EEG数据获取EEG指标，和通过握动数据获取握动指标；
步骤四，联合眼动指标、EEG指标和握动指标获取干预效果评估指标，获取干预效果评估指标后对干预效果评估指标进行分级评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310357791.2A CN116487042A (zh) | 2023-04-06 | 2023-04-06 | 基于fbm行为模型的自闭症患儿注意力干预效果评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310357791.2A CN116487042A (zh) | 2023-04-06 | 2023-04-06 | 基于fbm行为模型的自闭症患儿注意力干预效果评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116487042A true CN116487042A (zh) | 2023-07-25 |
Family
ID=87216144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310357791.2A Withdrawn CN116487042A (zh) | 2023-04-06 | 2023-04-06 | 基于fbm行为模型的自闭症患儿注意力干预效果评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116487042A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117524422B (zh) * | 2024-01-08 | 2024-03-26 | 青岛理工大学 | 基于室内绿植改善人体应激恢复性的评估系统及方法 |
-
2023
- 2023-04-06 CN CN202310357791.2A patent/CN116487042A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117524422B (zh) * | 2024-01-08 | 2024-03-26 | 青岛理工大学 | 基于室内绿植改善人体应激恢复性的评估系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sandheep et al. | Performance analysis of deep learning CNN in classification of depression EEG signals | |
| Winkler et al. | Frontal EEG asymmetry based classification of emotional valence using common spatial patterns | |
| Roman-Gonzalez | EEG signal processing for BCI applications | |
| Prashant et al. | Brain computer interface: A review | |
| Baghel et al. | Truth identification from EEG signal by using convolution neural network: Lie detection | |
| CN116487042A (zh) | 基于fbm行为模型的自闭症患儿注意力干预效果评估方法 | |
| Allam et al. | Customized deep learning algorithm for drowsiness detection using single-channel EEG signal | |
| Al-Khasawneh et al. | An artificial intelligence based effective diagnosis of parkinson disease using EEG signal | |
| Meteier et al. | Relevant physiological indicators for assessing workload in conditionally automated driving, through three-class classification and regression | |
| Guo et al. | High-accuracy wearable detection of freezing of gait in Parkinson's disease based on pseudo-multimodal features | |
| Can et al. | Approaches, applications, and challenges in physiological emotion recognition—a tutorial overview | |
| Maguire et al. | How semantic categorization influences inhibitory processing in middle-childhood: An Event Related Potentials study | |
| Nguyen et al. | A mean threshold algorithm for human eye blinking detection using EEG | |
| Geman et al. | Parkinson’s disease assessment using fuzzy expert system and nonlinear dynamics | |
| Scheutz et al. | Estimating systemic cognitive states from a mixture of physiological and brain signals | |
| CN110705656A (zh) | 一种基于eeg传感器的面部动作识别方法 | |
| Llanes-Jurado et al. | Automatic artifact recognition and correction for electrodermal activity in uncontrolled environments | |
| Vijean et al. | Objective investigation of vision impairments using single trial pattern reversal visually evoked potentials | |
| Vecchiato | Hybrid systems to boost EEG-based real-time action decoding in car driving scenarios | |
| Das et al. | A review on gaming effects on cognitive load for smart healthcare and its security | |
| Ramli et al. | Classification of eyelid position and eyeball movement using EEG signals | |
| Cheng et al. | Exploring cognitive distraction of galvanic skin response while driving: An artificial intelligence modeling | |
| Roy et al. | Chaotic behaviour of EEG responses with an identical grasp posture | |
| Antony et al. | A review on efficient EEG pattern recognition using machine learning and deep learning methods and its application | |
| Bakheet | Complexity and synchronisation analysis of electroencephalogram signals for early prediction of neurodevelopmental disorders |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230725 |
|
| WW01 | Invention patent application withdrawn after publication |