CN116564477B - 一种认知功能障碍康复训练系统 - Google Patents
一种认知功能障碍康复训练系统 Download PDFInfo
- Publication number
- CN116564477B CN116564477B CN202310555601.8A CN202310555601A CN116564477B CN 116564477 B CN116564477 B CN 116564477B CN 202310555601 A CN202310555601 A CN 202310555601A CN 116564477 B CN116564477 B CN 116564477B
- Authority
- CN
- China
- Prior art keywords
- rehabilitation training
- data
- cognitive
- module
- stimulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 287
- 208000010877 cognitive disease Diseases 0.000 title claims abstract description 89
- 238000011156 evaluation Methods 0.000 claims abstract description 57
- 230000000694 effects Effects 0.000 claims abstract description 34
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 21
- 230000010365 information processing Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000000638 stimulation Effects 0.000 claims description 115
- 239000013598 vector Substances 0.000 claims description 70
- 210000005036 nerve Anatomy 0.000 claims description 64
- 210000004556 brain Anatomy 0.000 claims description 62
- 230000003925 brain function Effects 0.000 claims description 50
- 230000036992 cognitive tasks Effects 0.000 claims description 46
- 238000013527 convolutional neural network Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 35
- 230000001149 cognitive effect Effects 0.000 claims description 34
- 230000004913 activation Effects 0.000 claims description 30
- 230000008449 language Effects 0.000 claims description 24
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 21
- 229910052760 oxygen Inorganic materials 0.000 claims description 21
- 239000001301 oxygen Substances 0.000 claims description 21
- 230000004064 dysfunction Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 230000004007 neuromodulation Effects 0.000 claims description 11
- 101000621309 Homo sapiens Wilms tumor protein Proteins 0.000 claims description 10
- 102100022748 Wilms tumor protein Human genes 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 208000028698 Cognitive impairment Diseases 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007074 memory dysfunction Effects 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000019771 cognition Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- IBOFVQJTBBUKMU-UHFFFAOYSA-N 4,4'-methylene-bis-(2-chloroaniline) Chemical compound C1=C(Cl)C(N)=CC=C1CC1=CC=C(N)C(Cl)=C1 IBOFVQJTBBUKMU-UHFFFAOYSA-N 0.000 abstract 1
- 241001112258 Moca Species 0.000 abstract 1
- 230000003920 cognitive function Effects 0.000 description 14
- 230000003930 cognitive ability Effects 0.000 description 5
- 230000000284 resting effect Effects 0.000 description 5
- 230000001054 cortical effect Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 210000004129 prosencephalon Anatomy 0.000 description 3
- 230000003931 cognitive performance Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011491 transcranial magnetic stimulation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000007433 nerve pathway Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Rehabilitation Tools (AREA)
- Multimedia (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Social Psychology (AREA)
- Epidemiology (AREA)
- Child & Adolescent Psychology (AREA)
Abstract
本发明公开了一种认知功能障碍康复训练系统，包括信息采集模块、信息处理分析模块、认知障碍康复训练表预推荐模块、康复训练表评估模块、康复训练表调整模块和个性化训练表推荐模块，其中：信息采集模块用于采集用户的基本信息、MOCA量表、MMSE量表、核磁共振图像信息；信息处理分析模块用于处理分析信息采集模块采集的数据信息；认知障碍康复训练表预生成模块用于根据信息处理分析模块分析的数据结果为用户自动推荐康复训练表；康复训练评估模块用于评估认知障碍康复训练表预生成模块推荐的康复训练表的康复效果；康复训练表调整模块用于根据康复训练评估模块的评估结果进行康复训练表的调整；个性化训练表生成模块用于针对康复训练表调整模块输出的调整的康复训练表生成最终的个性化训练表。
Description
技术领域
本发明涉及康复训练技术领域，尤其涉及一种认知功能障碍康复训练系统。
背景技术
随着全世界人口的老龄化,老年人认知功能障碍的患病率逐渐增加，认知障碍相关疾病严重威胁老年人的健康，给家庭和社会带来沉重负担，其防治是一项重要挑战。近年来，声、光、电、磁等无创物理因子刺激技术为认知障碍康复训练提供了新的手段。非入侵式声、光、电、磁刺激等新型无创神经调控技术能直接对大脑皮层特定脑区进行神经调控，并影响相关的脑神经通路，对认知障碍患者的认知康复具有显著积极作用。神经调控技术与具体的认知康复任务相结合的认知康复训练。然而现有的认知康复训练手段较为单一，不能准确的获得患者的认知功能障碍情况，无法提供较为精准的训练方案，以致于影响了患者的训练效果。
发明内容
为此，本发明提出了认知功能障碍康复训练系统，通过认知功能障碍患者脑功能数据指标、认知表现数据指标以及认知任务完成度数据指标等方面综合进行患者认知康复训练任务调整，实现对患者康复训练任务的精准控制，从而达到最佳的康复训练效果。
一种认知功能障碍康复训练系统，包括信息采集模块、信息处理分析模块、认知障碍康复训练表预推荐模块、康复训练表评估模块、康复训练表调整模块和个性化训练表推荐模块，其中：信息采集模块用于采集用户的基本信息、MOCA量表、MMSE量表、核磁共振图像信息和近红外脑氧信息；信息处理分析模块用于处理分析信息采集模块采集的数据信息；认知障碍康复训练表预生成模块用于根据信息处理分析模块分析的数据结果为用户自动推荐康复训练表；康复训练评估模块用于评估认知障碍康复训练表预生成模块推荐的康复训练表的康复效果；康复训练表调整模块用于根据康复训练评估模块的评估结果进行康复训练表的调整；个性化训练表生成模块用于针对康复训练表调整模块输出的调整的康复训练表生成最终的个性化训练表。
所述的认知功能障碍康复训练系统，其中：信息处理分析模块根据用户的基本信息、MOCA量表、MMSE量表、核磁共振图像信息和近红外脑氧信息判断用户的注意力、记忆力、视空间/执行力、语言能力。
所述的认知功能障碍康复训练系统，其中：认知障碍康复训练表预推荐模块包括认知障碍康复训练知识库模块、智能康复训练表推荐模块；认知障碍康复训练知识库模块包括用户的注意力、记忆力、视空间/执行力、语言能力、康复训练方案；智能康复训练表推荐模块是基于构建的认知障碍康复训练知识库，利用基于注意力机制的卷积神经网络算法，为用户推荐康复训练表；认知障碍康复训练表预推荐模块按如下方式工作：
步骤1：构建认知障碍康复训练知识库，并对知识库中预处理后的核磁共振脑图像及报告数据进行特征提取；
HCtz＝Feedforward(WCNN，BCNN；NCNN,CLCNN；PI,RE；)
其中，HCtz是提取的核磁共振数据特征；Feedforward是前馈神经网络函数；WCNN是卷积神经网络模型的权重矩阵，BCNN是偏置参数；NCNN是卷积模块的卷积层，卷积核为2*2，卷积步长为2*2；CLCNN是卷积模块的池化层，池化层为3*3的最大池化核；PI、RE分别为输入的核磁共振脑图像数据和数据报告；
步骤2：对数据库中预处理后的近红外脑氧数据进行特征提取：
NIRtz＝Feedforward(WGCN，BGCN；NIR，M，FB；)
其中，NIRtz是提取近红外脑氧数据特征；Feedforward是前馈神经网络函数；WGCN是图卷积神经网络模型的权重矩阵，BGCN是偏置参数；NIRE为输入的近红外脑氧数据；M为输入的脑区通道数；FB为不同脑区的通道分布；
步骤3：提取用户的MOCA量表、MMSE量表和用户基本信息，判断用户的注意力、记忆力、视空间/执行力、语言能力等认知功能障碍程度：
[ZYdr,JYdr,SKdr,YYdr]＝GNN(LMOCA，LMMSE，BK)
其中，ZYdr是用户的注意力功能障碍程度，JYdr是用户的记忆力功能障碍程度，SKdr是用户的视空间/执行力功能障碍程度，YYdr是用户的语言能力功能障碍程度，GCNN为训练好的神经网络模型；LMOCA是基于MOCA量表得到的用户认知功能障碍的评估向量，LMMSE是基于MMSE量表得到的用户认知功能障碍的评估向量，BK是为预处理后的用户基本信息向量；
步骤4：将提取的用户核磁共振数据特征、近红外脑氧数据特征和认知功能障碍程度输入到基于注意力机制的卷积神经网络模型中进行训练和模型优化，得到用户的认知障碍康复训练表：
RAW＝[FS,PZ,FZ,BW,TY,HR,TM]＝FZH_CNN(HCtz,NIRtz,ZYdr,JYdr,SKdr,YYdr)
其中，RAW为推荐的认知障碍康复训练表，包含神经调控的方式、神经调控刺激的频率、神经调控刺激的幅值、神经调控刺激的部位、认知任务训练的类型、认知任务训练的难度、认知任务训练的时间；FS为神经调控的方式，包括单一刺激和组合刺激，单一刺激有经颅磁、经颅电、超声刺激、光刺激、力刺激，组合刺激为经颅磁、经颅电、超声刺激、光刺激、力刺激的两两组合；PZ为某种神经调控刺激的频率；FZ为某种神经调控刺激的幅值；BW为某种神经调控刺激的部位；TY为认知任务训练的类型，包括记忆训练任务、注意力训练任务、视空间/执行力训练任务、语言训练任务；HR为某一种认知任务训练的难度；TM为某一种认知任务训练的时间；FZH-CNN为训练好的基于注意力机制的卷积神经网络模型；HCtz为核磁共振数据特征；NIRtz为近红外脑氧数据特征；ZYdr为用户的注意力功能障碍程度，JYdr为用户的记忆力功能障碍程度，SKdr为用户的视空间/执行力功能障碍程度，YYdr为用户的语言能力功能障碍程度。
所述的认知功能障碍康复训练系统，其中：
所述康复训练表评估模块包括脑功能网络评估模块、认知功能评估模块和认知任务评估模块,其中，脑功能网络评估模块用于对比分析用户在康复训练任务前、后的近红外脑功能激活值、脑功能网络功能连接和效应连接指标；认知功能评估模块用于分析用户在康复训练任务后基于量表的注意力、记忆力、视空间/执行力、语言能力；认知任务评估模块用于评估康复训练任务的完成度和主动参与度。
所述的认知功能障碍康复训练系统，其中：所述康复训练表调整模块根据康复训练表评估模块中的脑功能网络评估、认知功能评估和认知任务评估评估结果进行康复训练表的调整。
所述的认知功能障碍康复训练系统，其中：根据脑功能网络评估模块对用户的神经调控方式进行调整，当康复训练任务后近红外脑功能激活值低于设定的阈值M1，则调整康复训练表中的神经调控方式，将单一刺激调整为深部+皮层刺激方式，比如：超声刺激(深度)+经颅电刺激(皮层)、超声刺激(深度)+经颅磁刺激(皮层)等；当康复训练任务后的近红外脑网络功能连接值低于设定的阈值M2，则调增康复训练表中的神经调控的刺激频率和幅值；当康复训练任务后的近红外脑网络效应连接值低于设定的阈值M3，则调整康复训练表中的神经调控的刺激部位；
所述的神经调控方式调整主要是选择患者所能使用的单一或者组合的神经调控方式；所述的神经调控刺激最大的频率和幅值应不超过患者在静息态时所能承受的刺激频率和强度的最大值；所述的神经调控刺激部位是根据对患者的评估，确定的患者最大刺激范围，神经调控的核心位置可在患者最大刺激范围内调整；
所述深部+皮层刺激方式是组合式刺激方式，包括三种刺激模式：先深部刺激再皮层刺激、先皮层刺激再深部刺激、深部和皮层同时刺激。当康复训练任务后近红外脑功能激活值和近红外脑网络功能连接值均低于设定的阈值时，则选择先皮层刺激再深部刺激模式；当康复训练任务后近红外脑功能激活值和近红外脑网络效应连接值均低于设定的阈值时，则选择先深部刺激再皮层刺激模式；当康复训练任务后近红外脑功能激活值、近红外脑网络功能连接值和近红外脑网络效应连接值均低于设定的阈值时，则选择深部和皮层同时刺激模式。
所述的认知功能障碍康复训练系统，其中：深部刺激的靶点位置按照以下步骤确定：
步骤1：选择单一刺激后近红外脑功能激活值、近红外脑网络功能连接值和近红外脑网络效应连接值表现比较好的靶点位置Ki(xi,yi,zi)建立局部坐标系G，设Ki的附近有n个近邻点，Kj是Ki的第j个近邻点，Kj的法向量为Rj；
步骤2：计算点Ki的法曲率Wj
其中，Kj的坐标为(xj,yj,zj),Rj的坐标为(Rxj，Ryj，Rzj)
步骤3：设定阈值Q，法曲率大于Q时，将点Kj保留，法曲率小于Q时，将点Kj删除掉，得到法曲率大于Q的点Ki集合，1≤i≤n；
步骤4：取点Ki集合的中心作为深部刺激的靶点位置B
刺激深度zb为靶点位置B的法曲率向量
根据认知功能评估模块分析康复训练任务后用户的注意力、记忆力、视空间/执行力、语言能力的量表评分是否得到提高，若康复训练任务后用户的某一认知能力没有得到提高，则调整康复训练任务，若康复训练任务后用户的某一认知能力得到提高，则继续保持原来的康复训练任务。
所述的认知功能障碍康复训练系统，其中：康复训练表调整模块不断的收集用户某一种认知功能障碍的脑功能激活值、脑功能网络功能连接、效应连接指标、神经调控刺激最大的频率和幅值、最大刺激范围、认知康复训练任务类型、任务康复训练任务的完成度和主动参与度以及对应的最优神经调控方式、神经调控刺激频率、神经调控刺激幅值、认知康复训练任务类型、认知任务难度和认知任务时间，以建立某一种认知功能障碍的康复训练表调整模型。
所述的认知功能障碍康复训练系统，其中，建立基于深度迁移学习算法的智能康复训练表调整模型，包括：
步骤1：获取认知功能障碍的康复训练表调整数据库中的脑功能激活值、脑功能网络功能连接、效应连接指标、神经调控刺激最大的频率和幅值、最大刺激范围、认知康复训练任务类型、任务康复训练任务的完成度和主动参与度等数据信息转换为向量数据，为源数据；
步骤2：获取需认知康复训练表调整的用户在第一次进行康复训练任务后的脑功能激活值、脑功能网络功能连接、效应连接指标、神经调控刺激最大的频率和幅值、最大刺激范围、认知康复训练任务类型、任务康复训练任务的完成度和主动参与度等数据信息转换为向量数据，为目标数据；
步骤3：计算目标数据与源数据中的数据向量相似度：
其中s(FSJ，GSJ)是目标数据与源数据中的神经调控数据向量相似度，FSJ是目标数据中神经调控数据向量，GSJ是源数据中神经调控数据向量，λ是矫正系数，由下式获得：
其中，sort(FSJ，GSJ)是向量FSJ和向量GSJ中数值相同个数，n是向量FSJ的维度；
其中s(FRW，GRW)是目标数据与源数据中的认知任务数据向量相似度，FRW是目标数据中认知任务数据向量，GRW是源数据中认知任务数据向量，是矫正系数，由下式获得：
其中，sort(FRW，GRW)是向量FRW和向量GRW中数值相同个数，n是向量FRW的维度；
步骤4：将神经调控数据向量相似度和认知任务数据向量相似度的任一数值大于等于0.8的源数据中的样本数据构成可迁移数据样本；
步骤5：构建基于深度神经网络的康复训练表调整模型，利用迁移学习训练数据集训练好的模型分别对目标数据样本进行调整表推荐，得到目标样本中康复训练调整表：
RAWT＝σ(WAWT1+BAWT1)+tanh(WAWT2+BAWT2)
其中，RAWT是目标样本中康复训练调整表，σ为激活函数，WAWT1、WAWT2为深度神经网络的权重，BAWT1、BAWT2为深度神经网络的偏置。
附图说明
图1为本发明认知功能障碍康复训练系统的构成示意图；
图2为本发明认知功能障碍康复训练调整工作流程图。
具体实施方式
下面结合附图1-2，对本发明的具体实施方式进行详细说明。
如图1所示，一种认知功能障碍康复训练系统，包括信息采集模块、信息处理分析模块、认知障碍康复训练表预推荐模块、康复训练表评估模块、康复训练表调整模块和个性化训练表推荐模块，其中：信息采集模块用于采集用户的基本信息、MOCA量表、MMSE量表、核磁共振图像信息和近红外脑氧信息；信息处理分析模块用于处理分析信息采集模块采集的数据信息；认知障碍康复训练表预生成模块用于根据信息处理分析模块分析的数据结果为用户自动推荐康复训练表；康复训练评估模块用于评估认知障碍康复训练表预生成模块推荐的康复训练表的康复效果；康复训练表调整模块用于根据康复训练评估模块的评估结果进行康复训练表的调整；个性化训练表生成模块用于针对康复训练表调整模块输出的调整的康复训练表生成最终的个性化训练表。
所述信息处理分析模块根据用户的基本信息、MOCA量表、MMSE量表、核磁共振图像信息和近红外脑氧信息判断用户的注意力、记忆力、视空间/执行力、语言能力等。
所述认知障碍康复训练表预推荐模块包括认知障碍康复训练知识库模块、智能康复训练表推荐模块。认知障碍康复训练知识库模块是包括用户的注意力、记忆力、视空间/执行力、语言能力等认知功能障碍程度及相应康复训练方案。智能康复训练表推荐模块是基于构建的认知障碍康复训练知识库，利用基于注意力机制的卷积神经网络算法，为用户推荐康复训练表。认知障碍康复训练表预推荐模块按如下方式工作：
步骤1：构建认知障碍康复训练知识库，并对知识库中预处理后的核磁共振脑图像及报告数据进行特征提取；
HCtz＝Feedforward(WCNN，BCNN；NCNN,CLCNN；PI,RE；)
其中，HCtz是提取的核磁共振数据特征；Feedforward是前馈神经网络函数；WCNN是卷积神经网络模型的权重矩阵，BCNN是偏置参数；NCNN是卷积模块的卷积层，卷积核为2*2，卷积步长为2*2；CLCNN是卷积模块的池化层，池化层为3*3的最大池化核；PI、RE分别为输入的核磁共振脑图像数据和数据报告。
步骤2：对数据库中预处理后的近红外脑氧数据进行特征提取；
NIRtz＝Feedforward(WGCN，BGCN；NIR，M，FB；)
其中，NIRtz是提取近红外脑氧数据特征；Feedforward是前馈神经网络函数；WGCN是图卷积神经网络模型的权重矩阵，BGCN是偏置参数；NIRE为输入的近红外脑氧数据；M为输入的脑区通道数；FB为不同脑区的通道分布。
步骤3：提取用户的MOCA量表、MMSE量表和用户基本信息，判断用户的注意力、记忆力、视空间/执行力、语言能力等认知功能障碍程度：
[ZYdr,JYdr,SKdr,YYdr]＝GNN(LMOCA，LMMSE，BK)
其中，ZYdr是用户的注意力功能障碍程度，JYdr是用户的记忆力功能障碍程度，SKdr是用户的视空间/执行力功能障碍程度，YYdr是用户的语言能力功能障碍程度，GCNN为训练好的神经网络模型；LMOCA是基于MOCA量表得到的用户认知功能障碍的评估向量，LMMSE是基于MMSE量表得到的用户认知功能障碍的评估向量，BK是为预处理后的用户基本信息向量。
步骤4：将提取的用户核磁共振数据特征、近红外脑氧数据特征和认知功能障碍程度输入到基于注意力机制的卷积神经网络模型中进行训练和模型优化，得到用户的认知障碍康复训练表。
RAW＝[FS,PZ,FZ,BW,TY,HR,TM]＝FZH_CNN(HCtz,NIRtz,ZYdr,JYdr,SKdr,YYdr)
其中，如图2所示，RAW为推荐的认知障碍康复训练表，包含神经调控的方式、神经调控刺激的频率、神经调控刺激的幅值、神经调控刺激的部位、认知任务训练的类型、认知任务训练的难度、认知任务训练的时间；FS为神经调控的方式，包括单一刺激和组合刺激，单一刺激有经颅磁、经颅电、超声刺激、光刺激、力刺激，组合刺激为经颅磁、经颅电、超声刺激、光刺激、力刺激的两两组合；PZ为某种神经调控刺激的频率；FZ为某种神经调控刺激的幅值；BW为某种神经调控刺激的部位；TY为认知任务训练的类型，包括记忆训练任务、注意力训练任务、视空间/执行力训练任务、语言训练任务；HR为某一种认知任务训练的难度；TM为某一种认知任务训练的时间；FZH-CNN为训练好的基于注意力机制的卷积神经网络模型；HCtz为核磁共振数据特征；NIRtz为近红外脑氧数据特征；ZYdr为用户的注意力功能障碍程度，JYdr为用户的记忆力功能障碍程度，SKdr为用户的视空间/执行力功能障碍程度，YYdr为用户的语言能力功能障碍程度。
所述康复训练表评估模块包括脑功能网络评估模块、认知功能评估模块和认知任务评估模块。其中，脑功能网络评估模块用于对比分析用户在康复训练任务前、后的近红外脑功能激活值、脑功能网络功能连接和效应连接指标；认知功能评估模块用于分析用户在康复训练任务后基于量表的注意力、记忆力、视空间/执行力、语言能力等认知能力；认知任务评估模块用于评估康复训练任务的完成度和主动参与度。
所述康复训练表调整模块根据康复训练表评估模块中的脑功能网络评估、认知功能评估和认知任务评估评估结果进行康复训练表的调整。
优选地，根据脑功能网络评估模块对用户的神经调控方式进行调整，当康复训练任务后近红外脑功能激活值低于设定的阈值M1，则调整康复训练表中的神经调控方式，将单一刺激调整为深部+皮层刺激方式，比如：超声刺激(深度)+经颅电刺激(皮层)、超声刺激(深度)+经颅磁刺激(皮层)等；当康复训练任务后的近红外脑网络功能连接值低于设定的阈值M2，则调增康复训练表中的神经调控的刺激频率和幅值；当康复训练任务后的近红外脑网络效应连接值低于设定的阈值M3，则调整康复训练表中的神经调控的刺激部位。
进一步地，脑功能激活值指标的阈值M1主要通过每次认知训练前对患者进行静息态时间内脑功能激活值的平均值确定；脑网络功能连接值指标的阈值M2主要通过每次认知训练前对患者进行静息态时间内脑网络功能连接值的平均值确定；脑网络效应连接值指标的阈值M3主要通过每次认知训练前对患者进行静息态时间内脑网络效应连接值的平均值确定。
进一步地，所述的神经调控方式调整主要是选择患者所能使用的单一或者组合的神经调控方式；所述的神经调控刺激最大的频率和幅值应不超过患者在静息态时所能承受的刺激频率和强度的最大值；所述的神经调控刺激部位是根据对患者的评估，确定的患者最大刺激范围，神经调控的核心位置可在患者最大刺激范围内调整。
优选地，所述深部+皮层刺激方式是组合式刺激方式，包括三种刺激模式：先深部刺激再皮层刺激、先皮层刺激再深部刺激、深部和皮层同时刺激。当康复训练任务后近红外脑功能激活值和近红外脑网络功能连接值同时低于设定的阈值M1、M2时，则选择先皮层刺激再深部刺激模式；当康复训练任务后近红外脑功能激活值和近红外脑网络效应连接值同时低于设定的阈值M1、M3时，则选择先深部刺激再皮层刺激模式；当康复训练任务后近红外脑功能激活值、近红外脑网络功能连接值和近红外脑网络效应连接值同时低于设定的阈值M1、M2、M3时，则选择深部和皮层协同刺激模式。
进一步地，深部刺激的靶点位置按照以下步骤确定：
步骤1：选择单一刺激后近红外脑功能激活值、近红外脑网络功能连接值和近红外脑网络效应连接值表现比较好的靶点位置Ki(xi,yi,zi)建立局部坐标系G，设Ki的附近有n个近邻点，Kj是Ki的第j个近邻点，Kj的法向量为Rj。
所述表现比较好的靶点是刺激后近红外脑功能激活值、近红外脑网络功能连接值和近红外脑网络效应连接值均高于设定的阈值M1、M2、M3。
步骤2：计算点Ki的法曲率Wj。
其中，Kj的坐标为(xj,yj,zj),Rj的坐标为(Rxj，Ryj，Rzj)。
步骤3：设定阈值Q，法曲率大于Q时，将点Kj保留，法曲率小于Q时，将点Kj删除掉，得到法曲率大于Q的点Ki集合，1≤i≤n。
步骤4：取点Ki集合的中心作为深部刺激的靶点位置B。
刺激深度zb为靶点位置B的法曲率向量。
优选地，根据认知功能评估模块分析康复训练任务后用户的注意力、记忆力、视空间/执行力、语言能力的量表评分是否得到提高，若康复训练任务后用户的某一认知能力没有得到提高，则调整康复训练任务，若康复训练任务后用户的某一认知能力得到提高，则继续保持原来的康复训练任务。
所述认知脑功能综合评估结果：
其中，RZNfu是康复训练任务后综合认知脑功能评估结果，WAaf是康复训练任务后脑激活值，WAbe是康复训练任务前脑激活值，GLZaf是康复训练任务后脑网络功能连接值，GLZbe是康复训练任务前脑网络功能连接值，XLZaf是康复训练任务后脑网络效应连接值，XLZbe是康复训练任务前脑网络效应连接值，A1、A2、A3为校正系数。
所述认知能力量表评估结果：
其中，RZLfu是康复训练任务后认知量表评估结果，是康复训练后MOCA认知量表对某一认知功能的评分，i取值为1，2，3，4，5分别表示注意力、记忆力、视空间/执行力、语言能力，/>是康复训练前MOCA认知量表对某一认知功能的评分，/>是康复训练后MMSE认知量表对某一认知功能的评分，/>是康复训练前MMSE认知量表对某一认知功能的评分。
当认知脑功能综合评估结果RZNfu和认知能力量表评估结果RZLfu任一数值为正数时，则表明某一个认知能力有提高，否则，则表明某一个认知能力未提高。
进一步地，用户经过一个月的文字记忆康复训练任务后，记忆力仍未得到提高，则调整记忆力的康复训练任务为数字或颜色记忆康复训练任务。
优选地，根据认知任务评估模块分析用户康复训练任务中的任务的完成度和主动参与度，若用户的康复训练任务中的任务完成度低于设定的阈值M4，则将康复训练任务的难度降低，若用户的康复训练任务中的任务主动参与度低于设定的阈值M5，则将康复训练任务的时间缩短。
进一步地，康复训练任务中的任务完成度的阈值M4设定为85％，主动参与度的阈值M5设定为80％。
进一步地，康复训练表调整模块不断的收集用户某一种认知功能障碍的脑功能激活值、脑功能网络功能连接、效应连接指标、神经调控刺激最大的频率和幅值、最大刺激范围、认知康复训练任务类型、任务康复训练任务的完成度和主动参与度以及对应的最优神经调控方式、神经调控刺激频率、神经调控刺激幅值、认知康复训练任务类型、认知任务难度和认知任务时间，以建立某一种认知功能障碍的康复训练表调整模型。
优选的，所述某一种认知功能障碍是注意力、记忆力、视空间/执行力、语言能力等认知功能障碍中的一种。
进一步地，建立基于深度迁移学习算法的智能康复训练表调整模型，具体方法如下：
步骤1：获取认知功能障碍的康复训练表调整数据库中的脑功能激活值、脑功能网络功能连接、效应连接指标、神经调控刺激最大的频率和幅值、最大刺激范围、认知康复训练任务类型、任务康复训练任务的完成度和主动参与度等数据信息转换为向量数据，为源数据。
步骤2：获取需认知康复训练表调整的用户在第一次进行康复训练任务后的脑功能激活值、脑功能网络功能连接、效应连接指标、神经调控刺激最大的频率和幅值、最大刺激范围、认知康复训练任务类型、任务康复训练任务的完成度和主动参与度等数据信息转换为向量数据，为目标数据。
步骤3：计算目标数据与源数据中的数据向量相似度。
其中s(FSJ，GSJ)是目标数据与源数据中的神经调控数据向量相似度，FSJ是目标数据中神经调控数据向量，GSJ是源数据中神经调控数据向量，λ是矫正系数，可由下式获得：
其中，sort(FSJ，GSJ)是向量FSJ和向量GSJ中数值相同个数，n是向量FSJ的维度。
其中s(FRW，GRW)是目标数据与源数据中的认知任务数据向量相似度，FRW是目标数据中认知任务数据向量，GRW是源数据中认知任务数据向量，是矫正系数，可由下式获得：
其中，sort(FRW，GRW)是向量FRW和向量GRW中数值相同个数，n是向量FRW的维度。
步骤4：将神经调控数据向量相似度和认知任务数据向量相似度的任一数值大于等于0.8的源数据中的样本数据构成可迁移数据样本。
步骤5：构建基于深度神经网络的康复训练表调整模型，利用迁移学习训练数据集训练好的模型分别对目标数据样本进行调整表推荐，得到目标样本中康复训练调整表。
RAWT＝σ(WAWT1+BAWT1)+tanh(WAWT2+BAWT2)
其中，RAWT是目标样本中康复训练调整表，σ为激活函数，WAWT1、WAWT2为深度神经网络的权重，BAWT1、BAWT2为深度神经网络的偏置。
与现有技术相对比，本发明的有益效果是：
(1)通过认知功能障碍患者脑功能数据指标、认知表现数据指标以及认知任务完成度数据指标三方面指标综合进行患者康复训练任务调整，从多个角度充分考虑到患者对康复训练任务的适应程度，实现对患者康复训练任务的精准推荐。
(2)结合患者康复训练过程中的脑激活度、脑功能网络功能连接、效应连接、认知功能评估和认知任务评估结果等，对神经调控的方式、参数、刺激部位以及认知任务的类型、难度、训练时间等进行调整，促进神经调控和认知任务数据协同优化和实时反馈。
(3)利用本系统，能够为患者提供个性化自适应的认知功能障碍康复训练任务推荐，发挥最大认知康复训练增益效果，提高康复训练效率和效果。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换，而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (3)
1.一种认知功能障碍康复训练系统， 包括信息采集模块、 信息处理分析模块、 认知障碍康复训练表预推荐模块、 康复训练表评估模块、 康复训练表调整模块和个性化训练表推荐模块， 其特征在于： 信息采集模块用于采集用户的基本信息、 MOCA量表、 MMSE量表、 核磁共振图像信息和近红外脑氧信息； 信息处理分析模块用于处理分析信息采集模块采集的数据信息； 认知障碍康复训练表预推荐模块用于根据信息处理分析模块分析的数据结果为用户自动推荐康复训练表； 康复训练表评估模块用于评估认知障碍康复训练表预推荐模块推荐的康复训练表的康复效果； 康复训练表调整模块用于根据康复训练表评估模块的评估结果进行康复训练表的调整； 个性化训练表推荐模块用于针对康复训练表调整模块输出的调整的康复训练表生成最终的个性化训练表；
认知障碍康复训练表预推荐模块按如下方式工作：
步骤1.1：构建认知障碍康复训练知识库，并对知识库中预处理后的核磁共振脑图像及报告数据进行特征提取；
其中，HCtz是提取的核磁共振数据特征；Feedforward是前馈神经网络函数；WCNN是卷积神经网络模型的权重矩阵，BCNN是偏置参数；NCNN是卷积模块的卷积层，卷积核为2*2，卷积步长为2*2；CLCNN是卷积模块的池化层，池化层为3*3的最大池化核；PI、RE分别为输入的核磁共振脑图像数据和数据报告;
步骤1.2：对数据库中预处理后的近红外脑氧数据进行特征提取：
其中，NIRtz是提取近红外脑氧数据特征；Feedforward是前馈神经网络函数；WGCN是图卷积神经网络模型的权重矩阵，BGCN是偏置参数；NIR为输入的近红外脑氧数据；M为输入的脑区通道数；FB为不同脑区的通道分布；
步骤1.3：提取用户的MOCA量表、MMSE量表和用户基本信息，判断用户的注意力、记忆力、视空间/执行力、语言能力认知功能障碍程度：
其中，ZYdr是用户的注意力功能障碍程度，JYdr是用户的记忆力功能障碍程度，SKdr是用户的视空间/执行力功能障碍程度，YYdr是用户的语言能力功能障碍程度，GNN为训练好的神经网络模型；LMOCA是基于MOCA量表得到的用户认知功能障碍的评估向量，LMMSE是基于MMSE量表得到的用户认知功能障碍的评估向量，BK是为预处理后的用户基本信息向量；
步骤1.4：将提取的用户核磁共振数据特征、近红外脑氧数据特征和认知功能障碍程度输入到基于注意力机制的卷积神经网络模型中进行训练和模型优化，得到用户的认知障碍康复训练表：
其中，RAW为推荐的认知障碍康复训练表，包含神经调控的方式、神经调控刺激的频率、神经调控刺激的幅值、神经调控刺激的部位、认知任务训练的类型、认知任务训练的难度、认知任务训练的时间；FS为神经调控的方式，包括单一刺激和组合刺激，单一刺激有经颅磁、经颅电、超声刺激、光刺激、力刺激，组合刺激为经颅磁、经颅电、超声刺激、光刺激、力刺激的两两组合；PZ为某种神经调控刺激的频率；FZ为某种神经调控刺激的幅值；BW为某种神经调控刺激的部位；TY为认知任务训练的类型，包括记忆训练任务、注意力训练任务、视空间/执行力训练任务、语言训练任务；HR为某一种认知任务训练的难度；TM为某一种认知任务训练的时间；FZH-CNN为训练好的基于注意力机制的卷积神经网络模型；HCtz为核磁共振数据特征；NIRtz为近红外脑氧数据特征；ZYdr为用户的注意力功能障碍程度，JYdr为用户的记忆力功能障碍程度，SKdr为用户的视空间/执行力功能障碍程度，YYdr为用户的语言能力功能障碍程度；
康复训练表调整模块不断的收集用户某一种认知功能障碍的脑功能激活值、脑功能网络功能连接、效应连接指标、神经调控刺激最大的频率和幅值、最大刺激范围、认知康复训练任务类型、任务康复训练任务的完成度和主动参与度以及对应的最优神经调控方式、神经调控刺激频率、神经调控刺激幅值、认知康复训练任务类型、认知任务难度和认知任务时间，以建立某一种认知功能障碍的康复训练表调整模型；
其中，神经调控刺激包括深部刺激，所述深部刺激的靶点位置按照以下步骤确定：
步骤2.1：选择单一刺激后近红外脑功能激活值、近红外脑网络功能连接值和近红外脑网络效应连接值表现比较好的靶点位置Ki(xi,yi,zi)建立局部坐标系G，设Ki的附近有n个近邻点，Kj是Ki的第j个近邻点，Kj的法向量为Rj；
步骤2.2：计算点Ki的法曲率Wj
其中，Kj的坐标为(xj,yj,zj),Rj的坐标为（Rxj，Ryj，Rzj）
步骤2.3：设定阈值Q，法曲率大于Q时，将点Kj保留，法曲率小于Q时，将点Kj删除掉，得到法曲率大于Q的点Ki集合，；
步骤2.4：取点Ki集合的中心作为深部刺激的靶点位置B
刺激深度zb为靶点位置B的法曲率向量；
建立基于深度迁移学习算法的智能康复训练表调整模型包括：
步骤3.1：获取认知功能障碍的康复训练表调整数据库中的脑功能激活值、脑功能网络功能连接、效应连接指标、神经调控刺激最大的频率和幅值、最大刺激范围、认知康复训练任务类型、任务康复训练任务的完成度和主动参与度的数据信息转换为向量数据，为源数据；
步骤3.2：获取需认知康复训练表调整的用户在第一次进行康复训练任务后的脑功能激活值、脑功能网络功能连接、效应连接指标、神经调控刺激最大的频率和幅值、最大刺激范围、认知康复训练任务类型、任务康复训练任务的完成度和主动参与度的数据信息转换为向量数据，为目标数据；
步骤3.3：计算目标数据与源数据中的数据向量相似度：
其中是目标数据与源数据中的神经调控数据向量相似度，FSJ是目标数据中神经调控数据向量，GSJ是源数据中神经调控数据向量，/>是矫正系数，由下式获得：
其中，sort（FSJ，GSJ）是向量FSJ和向量GSJ中数值相同个数，n是向量FSJ的维度；
其中是目标数据与源数据中的认知任务数据向量相似度，FRW是目标数据中认知任务数据向量，GRW是源数据中认知任务数据向量，/>是矫正系数，由下式获得：
其中，sort（FRW，GRW）是向量FRW和向量GRW中数值相同个数，n是向量FRW的维度；
步骤3.4：将神经调控数据向量相似度和认知任务数据向量相似度的任一数值大于等于0.8的源数据中的样本数据构成可迁移数据样本；
步骤3.5：构建基于深度神经网络的康复训练表调整模型，利用迁移学习训练数据集训练好的模型分别对目标数据样本进行调整表推荐，得到目标样本中康复训练调整表：
其中，RAWT是目标样本中康复训练调整表，为激活函数，WAWT1、WAWT2为深度神经网络的权重，BAWT1、BAWT2为深度神经网络的偏置。
2.根据权利要求1所述的认知功能障碍康复训练系统， 其特征在于： 信息处理分析模块根据用户的基本信息、 MOCA量表、 MMSE量表、 核磁共振图像信息和近红外脑氧信息判断用户的注意力、 记忆力、 视空间/执行力、 语言能力。
3.根据权利要求1所述的认知功能障碍康复训练系统， 其特征在于： 认知障碍康复训练表预推荐模块包括认知障碍康复训练知识库模块、 智能康复训练表推荐模块； 认知障碍康复训练知识库模块包括用户的注意力、 记忆力、 视空间/执行力、 语言能力、 康复训练方案；智能康复训练表推荐模块是基于构建的认知障碍康复训练知识库， 利用基于注意力机制的卷积神经网络算法， 为用户推荐康复训练表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310555601.8A CN116564477B (zh) | 2023-05-17 | 2023-05-17 | 一种认知功能障碍康复训练系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310555601.8A CN116564477B (zh) | 2023-05-17 | 2023-05-17 | 一种认知功能障碍康复训练系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116564477A CN116564477A (zh) | 2023-08-08 |
| CN116564477B true CN116564477B (zh) | 2024-03-12 |
Family
ID=87491277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310555601.8A Active CN116564477B (zh) | 2023-05-17 | 2023-05-17 | 一种认知功能障碍康复训练系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116564477B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118471439A (zh) * | 2023-10-11 | 2024-08-09 | 国家康复辅具研究中心 | 一种认知功能障碍状态的确定方法 |
| CN118098600A (zh) * | 2024-04-23 | 2024-05-28 | 山东大学 | 基于多源数据驱动的儿童孤独症康复评估系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101874758A (zh) * | 2010-05-07 | 2010-11-03 | 中国科学院深圳先进技术研究院 | 辅助运动系统及其控制方法 |
| CN112137844A (zh) * | 2019-06-27 | 2020-12-29 | 丰田自动车株式会社 | 复健辅助系统、推断装置、学习装置、方法及存储介质 |
| CN115206484A (zh) * | 2022-07-12 | 2022-10-18 | 国家康复辅具研究中心 | 一种脑卒中康复训练系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11696714B2 (en) * | 2019-04-24 | 2023-07-11 | Interaxon Inc. | System and method for brain modelling |
-
2023
- 2023-05-17 CN CN202310555601.8A patent/CN116564477B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101874758A (zh) * | 2010-05-07 | 2010-11-03 | 中国科学院深圳先进技术研究院 | 辅助运动系统及其控制方法 |
| CN112137844A (zh) * | 2019-06-27 | 2020-12-29 | 丰田自动车株式会社 | 复健辅助系统、推断装置、学习装置、方法及存储介质 |
| CN115206484A (zh) * | 2022-07-12 | 2022-10-18 | 国家康复辅具研究中心 | 一种脑卒中康复训练系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116564477A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116564477B (zh) | 一种认知功能障碍康复训练系统 | |
| CN111477299B (zh) | 结合脑电检测分析控制的声电刺激神经调控方法及装置 | |
| Fabiani et al. | Conversion of EEG activity into cursor movement by a brain-computer interface (BCI) | |
| CN109784211A (zh) | 一种基于深度学习的运动想象脑电信号分类方法 | |
| CN106823137A (zh) | 一种优化神经调控的方法和装置 | |
| CN101888875A (zh) | 用于治疗与中枢神经系统有关的医学疾病以及用于提高认知功能的系统和方法 | |
| CN109106384B (zh) | 一种心理压力状况预测方法及系统 | |
| Li et al. | EEG-based mild depressive detection using differential evolution | |
| CN115206484B (zh) | 一种脑卒中康复训练系统 | |
| CN108042145A (zh) | 情绪状态识别方法和系统、情绪状态识别设备 | |
| CN114533086A (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
| Maddox et al. | Rule-based category learning is impaired in patients with Parkinson's disease but not in patients with cerebellar disorders | |
| CN114129147A (zh) | 基于脑功能网络的帕金森患者dbs术后效果预测系统及方法 | |
| CN114613492B (zh) | 一种多模态激光干眼治疗仪波长控制方法 | |
| CN115251909A (zh) | 基于时空卷积神经网络的脑电信号评估听力的方法及装置 | |
| CN117883082A (zh) | 一种异常情绪识别方法、系统、设备及介质 | |
| Kunanbayev et al. | Data augmentation for p300-based brain-computer interfaces using generative adversarial networks | |
| CN117238449B (zh) | 一种认知功能障碍的康复训练策略的优化方法及系统 | |
| CN107174203B (zh) | 一种脑电信号的识别方法 | |
| CN113974627A (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
| Hui et al. | Riemannian Geometric Instance Filtering for Transfer Learning in Brain-Computer Interfaces | |
| CN115826743A (zh) | 一种面向ssvep脑机接口的多通道脑电信号建模方法 | |
| Chen et al. | Research on EEG classification with neural networks based on the Levenberg-Marquardt algorithm | |
| Georgopoulos et al. | A fuzzy cognitive map hierarchical model for differential diagnosis of dysarthrias and apraxia of speech | |
| CN113707294B (zh) | 一种基于动态视频数据的心理评测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |