CN116738240B - 认知训练的建模方法、建模系统及认知训练任务推送方法 - Google Patents
认知训练的建模方法、建模系统及认知训练任务推送方法 Download PDFInfo
- Publication number
- CN116738240B CN116738240B CN202311017612.7A CN202311017612A CN116738240B CN 116738240 B CN116738240 B CN 116738240B CN 202311017612 A CN202311017612 A CN 202311017612A CN 116738240 B CN116738240 B CN 116738240B
- Authority
- CN
- China
- Prior art keywords
- training
- user
- model
- cognitive
- users
- 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 210
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 43
- 210000004556 brain Anatomy 0.000 claims abstract description 53
- 230000008859 change Effects 0.000 claims abstract description 53
- 208000010877 cognitive disease Diseases 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 208000028698 Cognitive impairment Diseases 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 12
- 208000024891 symptom Diseases 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 208000035475 disorder Diseases 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 208000027061 mild cognitive impairment Diseases 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000002560 therapeutic procedure Methods 0.000 description 3
- 206010012289 Dementia Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000036624 brainpower Effects 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 230000036992 cognitive tasks Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001550 time effect Effects 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 201000004810 Vascular dementia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000007370 cognitive improvement Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Developmental Disabilities (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种认知训练的建模方法、建模系统及认知训练任务推送方法。该建模方法包括如下步骤:基于历史数据获取用户集中各个用户的个人信息和认知训练数据;其中,用户集包括多个同一认知障碍类型的用户,认知训练数据至少包括每次认知训练的训练时长以及综合训练得分;将相邻两个固定时间段的综合训练得分之差作为用户的脑能力变化量,构建第一模型;以预设训练时长作为一个时间节点,将每个时间节点下各用户的综合训练得分的平均值作为计算变化点的指标,构建第二模型;分别对第一模型和第二模型进行优化后合并,以构成认知训练模型。
Description
技术领域
本发明涉及一种认知训练的建模方法及建模系统,同时也涉及相应的认知训练任务推送方法,属于医疗保健信息学技术领域。
背景技术
认知障碍(CI)是指以包括轻度认知障碍(MCI)和痴呆(Dementia)为主的不同程度大脑认知功能减低,可以发生在所有的年龄段、所有人群当中。不同原因导致的认知障碍患者有特定常见的认知功能损伤。例如,脑卒中患者常见有注意力不集中、记忆力下降、操作执行功能下降、空间障碍和单侧空间忽略等症状。
认知数字疗法可以有效改善由于各种原因导致的认知损伤。然而,由于认知数字疗法出现时间较短,仍有诸多技术问题尚待解决。其中,训练剂量以及认知能力的恢复阶段的研究很少甚至几乎空白。目前,认知数字疗法大都基于临床经验实施,缺乏数据支撑。并且,患者所需要认知训练的时长也大都缺乏数据支撑。
在申请号为202211512702.9的中国专利申请中,公开了一种用于认知任务测评的建模方法,包括如下步骤:获取用户集中各用户的用户信息;获取各用户对同一认知训练任务的行为反映数据和测评结果;根据各用户的用户信息、行为反映数据和测评结果,基于扩散项目反映理论获取对应认知训练任务的多个任务指标;获取认知训练任务的多个固有属性;重复上述步骤,直至任务集中的各认知训练任务均获取对应的多个任务指标和多个固有属性;利用各认知训练任务所分别对应的多个任务指标和多个固有属性,构建预测模型。
发明内容
本发明所要解决的首要技术问题在于提供一种认知训练的建模方法。
本发明所要解决的另一技术问题在于提供一种认知训练的建模系统。
本发明所要解决的又一技术问题在于提供一种认知训练任务推送方法。
为实现上述技术目的,本发明采用以下的技术方案:
根据本发明实施例的第一方面,提供一种认知训练的建模方法,包括如下步骤:
基于历史数据获取用户集中各个用户的个人信息和认知训练数据;其中,所述用户集包括多个同一认知障碍类型的用户,所述认知训练数据至少包括每次认知训练的训练时长以及每次认知训练的综合训练得分;
将相邻两个固定时间段的综合训练得分之差作为用户的脑能力变化量,构建第一模型;其中,所述第一模型中,脑能力变化量最大的区间为所述用户的最佳训练时长;
以预设训练时长作为一个时间节点,将每个时间节点下各用户的综合训练得分的平均值作为计算变化点的指标,构建第二模型;其中,所述第二模型中,变化点前后分别为认知训练的两个不同阶段;
分别对所述第一模型和所述第二模型进行优化,以获取第一优化模型和第二优化模型;
将所述第一优化模型与第二优化模型合并,以构成认知训练模型。
其中较优地,所述历史数据对应多个用户集,每个用户集分别对应一种认知障碍类型。
其中较优地,所述第一模型通过以下方式构建:
基于同一用户的多次综合训练得分,获取所述用户认知训练的关联性数据;
基于不同用户的多次综合训练得分,获取各用户间认知训练的差异性数据;
根据所述关联性数据和差异性数据,获取用户的脑能力变化量,以构建所述第一模型。
其中较优地,所述关联性数据至少包括所述用户集中所有用户脑能力变化量的平均截距和平均变化率;
所述差异性数据至少包括当前用户回归模型的截距项和脑能力变化率;
基于以下公式获取所述用户的脑能力变化量yij
;
其中, 表示所有用户脑能力变化量的平均截距;
表示所有用户脑能力的平均变化率;
表示用户j在第i次训练的时长;
表示用户j回归模型的截距项;
表示用户j回归模型的脑能力变化率;
并且, , />为随机效应方差-协方差矩阵,D表示总体随机效应;
表示第i次认知训练用户j的残差,并且服从分布/>。
其中较优地,所述第二模型通过以下方式构建:
获取每个时间节点,所述用户集中所有用户的综合训练分数的平均值;
以第一个时间节点作为第一阶段的起始时间节点,并将与所述起始时间节点的平均值相近的多个连续时间节点均归入所述第一阶段,直至所述平均值出现突变;
将突变后的平均值作为第二阶段的起始时间节点,并将与突变后的平均值相近的多个连续时间节点均归入所述第二阶段,直至所述平均值再次出现突变;
以此类推,以基于用户的脑能力变化划分出多个阶段;
构建所述每个阶段与时间节点的映射关系,以构建所述第二模型。
其中较优地,每个阶段与时间节点的映射关系通过以下方式进行表达:
其中,yt表示用户当前阶段的综合训练分数的平均值;表示第一阶段的综合训练分数的平均值,/>表示第二阶段的综合训练分数的平均值,以此类推;t表示训练时长;/>表示第一个变化点,/>表示第二个变化点,以此类推。
其中较优地,所述获取每个时间节点,所述用户集中所有用户的综合训练分数的平均值,具体包括;
针对每一个时间节点,若当前时间节点下的所有用户的综合训练分数不存在离群值,则将所有用户的综合训练分数平均后作为当前时间节点的平均值:
若当前时间节点下的所有用户的综合训练分数不存在离群值,则删除所述离群值后,再将其余综合训练分数平均后作为当前时间节点的平均值;或者,采用中位数作为当前时间节点的平均值。
其中较优地,所述第一模型采用AIC、BIC、R2以及P值作为评价指标,以对所述第一模型进行优化。
根据本发明实施例的第二方面,提供一种认知训练的建模系统,包括处理器和存储器,所述处理器读取所述存储器中的计算机程序,用于执行以下操作:
基于历史数据获取用户集中各个用户的个人信息和认知训练数据;其中,所述用户集包括多个同一认知障碍类型的用户,所述认知训练数据至少包括每次认知训练的训练时长以及每次认知训练的综合训练得分;
将相邻两个固定时间段的综合训练得分之差作为用户的脑能力变化量,构建第一模型;其中,所述第一模型中,脑能力变化量最大的区间为所述用户的最佳训练时长;
以预设训练时长作为一个时间节点,将每个时间节点下各用户的综合训练得分的平均值作为计算变化点的指标,构建第二模型;其中,所述第二模型中,变化点前后分别为认知训练的两个不同阶段;
分别对所述第一模型和所述第二模型进行优化,以获取第一优化模型和第二优化模型;
将所述第一优化模型与第二优化模型合并,以构成认知训练模型。
根据本发明实施例的第三方面,提供一种认知训练任务推送方法,包括如下步骤:
获取用户的病症类型;
根据所述病症类型,基于所述认知训练模型获取所述用户的最佳训练时长以及各个训练阶段;
基于所述用户的最佳训练时长以及各个训练阶段,向所述用户推送认知训练任务;其中,所述认知训练任务根据经典心理学和认知科学的实验范式设计,用于与用户进行人机交互。
与现有技术相比较,本发明具有以下的技术效果:
1. 采用大数据以及统计建模方法,确定特定认知障碍患者的最佳认知训练时长效比,节省了临床试验的费用。
2. 应用多水平模型以及变化点联合分析的方法,为特定认知障碍患者的认知剂量提供了数据参考支撑。
附图说明
图1为本发明第一实施例提供的一种认知训练的建模方法的流程图;
图2为本发明第一实施例中,各个阶段的划分示意图;
图3为本发明第二实施例提供的一种认知训练任务推送方法的流程图;
图4为本发明第三实施例提供的一种认知训练的建模系统的结构图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
第一实施例
如图1所示,本发明第一实施例提供的一种认知训练的建模方法,具体包括步骤S1~S5:
S1:基于历史数据获取用户集中各个用户的个人信息和认知训练数据。
具体的,历史数据包括多个用户集,分别对应多种认知障碍类型。每个用户集包括多个同一认知障碍类型的用户。
其中,用户的个人信息至少包括姓名、性别、年龄、受教育程度以及疾病史等人口统计学信息。认知训练数据至少包括每次认知训练的训练时长以及每次认知训练的综合训练得分。
S2:基于用户的脑能力变化量构建第一模型。
本实施例中,通过对不同认知障碍人群在不同认知域上的认知训练数据进行建模,找到用户在一定时间段内的脑能力增长最快的训练时长区间,定其为最佳训练时长。
可以理解的是,用户的多次认知训练之间存在关联性。并且,不同用户之间的认知训练存在差异性。例如,用户A的第n次训练成绩与其第n-1次以及n+1次训练成绩存在关联,用户A的第n次训练成绩与用户B的第n次训练成绩存在差异。在建模过程中,如果忽略该关联性和差异性,则会导致模型出现问题,该关联性和差异性即为随机效应。本实施例中,利用多水平模型解决此随机效应问题,通过将相邻两个固定时间段(例如:第一周与第二周,或第一月与第二月等)的综合训练得分之差作为用户的脑能力变化量,以构建第一模型。
具体的,包括步骤S21~S23:
S21:基于同一用户的多次综合训练得分,获取用户认知训练的关联性数据。
具体的,本实施例中,关联性数据至少包括用户集中所有用户脑能力变化量的平均截距和平均变化率。
S22:基于不同用户的多次综合训练得分,获取各用户间认知训练的差异性数据。
具体的,关联性数据至少包括用户集中所有用户脑能力变化量的平均截距和平均变化率。
S23:根据关联性数据和差异性数据,获取用户的脑能力变化量,以构建第一模型。
具体的,基于以下公式获取用户的脑能力变化量yij
其中,表示所有用户脑能力变化量的平均截距;
表示所有用户脑能力的平均变化率;
表示用户j在第i次训练的时长;
表示用户j回归模型的截距项;
表示用户j回归模型的脑能力变化率;
并且, , /> 为随机效应方差-协方差矩阵,D表示总体随机效应;
表示第i次认知训练用户j的残差,并且服从分布/>。
可以理解的是,本实施例中的第一模型即为:用户的脑能力变化量yij与用户训练时长X1ij的映射关系。因此,在该第一模型中,脑能力变化量最大的区间即为用户的最佳训练时长,从而使得用户能够最高效地进行认知训练。
S3:基于用户脑能力的变化情况构建第二模型。
本实施例中,应用变化点分析的手段,对认知障碍人群的综合训练得分进行建模,找到用户在不同脑能力下具有统计意义的变化点,变化点前后定为不同的训练阶段。
其中,变化点分析的意义旨在找到在一个时间序列数据中,是否出现了具有统计意义的变化点。如果出现,在哪个时间点出现。在本实施例中,定义具有统计意义的认知训练时间序列数据变化点前后为认知训练的两个阶段,这两个不同阶段中用户的脑能力出现显著变化。
具体的,包括步骤S31~S35:
S31:获取每个时间节点,用户集中所有用户的综合训练分数的平均值。
具体的,以预设训练时长(例如:1天、3天或一周等)作为一个时间节点,在每一个时间节点下,均对应用户集中所有用户的综合训练分数。本实施例中,采用以下逻辑计算每个时间节点下所有用户的综合训练分数的平均值。
若当前时间节点下的所有用户的综合训练分数不存在离群值(即:与其他综合训练分数相差较大的值),则将所有用户的综合训练分数平均后作为当前时间节点的平均值。
若当前时间节点下的所有用户的综合训练分数不存在离群值,则删除离群值后,再将其余综合训练分数平均后作为当前时间节点的平均值;或者,采用中位数作为当前时间节点的平均值。
S32:以第一个时间节点作为第一阶段的起始时间节点,并将与起始时间节点的平均值相近的多个连续时间节点均归入第一阶段,直至平均值出现突变。
参照图2所示,从第一个时间节点开始,之后会具有多个时间节点的平均值与第一个时间节点的平均值相近,直至平均值出现突变(突然变大或突然变小)。因此,将平均值出现突变之前的所有时间节点归入第一阶段,在该阶段下,用户的脑能力水平大致相同。
S33:将突变后的平均值作为第二阶段的起始时间节点,并将与突变后的平均值相近的多个连续时间节点均归入第二阶段,直至平均值再次出现突变。
随着用户的不断认知训练,用户的脑能力会不断提升(特殊情况下也有可能会降低),然而,无论用户的脑能力提升或降低,则该时间节点下的平均值都会出现突变,并且,在此之后的一段时间内,用户的脑能力水平大致相同。因此,本实施例中,将突变后的平均值作为第二阶段的起始时间节点,并将与突变后的平均值相近的多个连续时间节点均归入第二阶段,直至平均值再次出现突变。
可以理解的是,如图2所示,本实施例中,线段所示的时间区域即为阶段的示意,相邻两个线段的断点处即为变化点。
S34:以此类推,以基于用户的脑能力变化划分出多个阶段。
S35:构建每个阶段与时间节点的映射关系,以构建第二模型。
可以理解的是,本实施例中,基于用户的脑能力变化情况构建第二模型,从而能够及时准确地了解用户的当前脑能力,从而可针对性地进行认知任务的推送,以更好地帮助用户进行认知提升。
S4:分别对第一模型和第二模型进行优化,以获取第一优化模型和第二优化模型。
本实施例中,第一模型采用AIC、BIC、R2以及P值作为评价指标,以对第一模型进行优化,形成第一优化模型。
S5:将第一优化模型与第二优化模型合并,以构成认知训练模型。
可以理解的是,不同类型的认知障碍对应不同的认知训练模型,可根据不同认知障碍类型的用户集分别构建不同的认知训练模型,从而对不同认知障碍类型的用户进行最佳训练时长以及训练阶段的确认。
由此,本实施例中基于大数据以及统计模型,实现不同类型认知障碍患者认知训练最佳时长的计算,以及训练阶段的确认,为特定认知障碍患者的认知训练提供了数据参考支撑。
第二实施例
如图3所示,在上述第一实施例的基础上,本发明第二实施例提供一种认知训练任务推送方法,具体包括步骤S10~S30:
S10:获取用户的病症类型。
具体的,若用户经过病症诊断,则基于病症诊断结果获取用户的病症类型,例如:轻度认知障碍、血管性痴呆、遗忘性轻度认知障碍等。
若用户未经过病症诊断,则可通过认知量表或面诊的方式,对用户进行认知测评,以基于量表测试结果或面诊结果获取用户的病症类型。其中,用于测评的认知量表可根据需要进行适应性选择。
S20:根据病症类型,基于认知训练模型获取用户的最佳训练时长以及各个训练阶段。
具体的,该认知训练模型即为上述第一实施例中构建的认知训练模型。并且,该认知训练模型与用户的病症类型相对应。由此,可以基于认知训练模型获取用户的最佳训练时长以及各个训练阶段。
S30:基于用户的最佳训练时长以及各个训练阶段,向用户推送认知训练任务。
其中,认知训练任务根据经典心理学和认知科学的实验范式设计,用于与用户进行人机交互。
第三实施例
如图4所示,在上述第一实施例的基础上,本发明第三实施例还提供一种认知训练的建模系统。该建模系统包括一个或多个处理器21和存储器22。其中,存储器22与处理器21耦接,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器21执行,使得所述一个或多个处理器21实现如上述实施例中的认知训练的建模方法。
其中,处理器21用于控制该建模系统的整体操作,以完成上述认知训练的建模方法的全部或部分步骤。该处理器21可以是中央处理器(CPU)、图形处理器(GPU)、现场可编程逻辑门阵列(FPGA)、专用集成电路(ASIC)、数字信号处理(DSP)芯片等。存储器22用于存储各种类型的数据以支持在该建模系统的操作,这些数据例如可以包括用于在该建模系统上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器22可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器等。
在一个示例性实施例中,建模系统具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现,用于执行上述认知训练的建模方法,并达到如上述方法一致的技术效果。一种典型的实施例为计算机。具体地说,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在另一个示例性实施例中,本发明还提供一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述任意一个实施例中的认知训练的建模方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器,上述程序指令可由建模系统的处理器执行以完成上述认知训练的建模方法,并达到如上述方法一致的技术效果。
综上所述,本发明实施例提供的一种认知训练的建模方法、建模系统及认知训练任务推送方法,具有以下的有益效果:
1. 采用大数据以及统计建模方法,确定特定认知障碍患者的最佳认知训练时长效比,节省了临床试验的费用。
2. 应用多水平模型以及变化点联合分析的方法,为特定认知障碍患者的认知剂量提供了数据参考支撑。
上面对本发明提供的认知训练的建模方法、建模系统及认知训练任务推送方法进行了详细的说明。对本领域的一般技术人员而言,在不背离本发明实质内容的前提下对它所做的任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应的法律责任。
Claims (7)
1.一种认知训练的建模方法,其特征在于包括如下步骤:
基于历史数据获取用户集中各个用户的个人信息和认知训练数据;其中,所述用户集包括多个同一认知障碍类型的用户,所述认知训练数据至少包括每次认知训练的训练时长以及每次认知训练的综合训练得分;
将相邻两个固定时间段的综合训练得分之差作为用户的脑能力变化量,构建第一模型;其中,所述第一模型中,脑能力变化量最大的区间为所述用户的最佳训练时长;
以预设训练时长作为一个时间节点,将每个时间节点下各用户的综合训练得分的平均值作为计算变化点的指标,构建第二模型;其中,所述第二模型中,变化点前后分别为认知训练的两个不同阶段;
分别对所述第一模型和所述第二模型进行优化,以获取第一优化模型和第二优化模型;
将所述第一优化模型与第二优化模型合并,以构成认知训练模型;
其中,所述第一模型通过以下方式构建:
基于同一用户的多次综合训练得分,获取所述用户认知训练的关联性数据;
基于不同用户的多次综合训练得分,获取各用户间认知训练的差异性数据;
根据所述关联性数据和差异性数据,获取用户的脑能力变化量,以构建所述第一模型;所述关联性数据至少包括所述用户集中所有用户脑能力变化量的平均截距和平均变化率;所述差异性数据至少包括当前用户回归模型的截距项和脑能力变化率;
基于以下公式获取所述用户的脑能力变化量yij
;
其中,表示所有用户脑能力变化量的平均截距;
表示所有用户脑能力的平均变化率;
表示用户j在第i次训练的时长;
表示用户j回归模型的截距项;
表示用户j回归模型的脑能力变化率;
并且, , /> 为随机效应方差-协方差矩阵,D表示总体随机效应;
表示第i次认知训练用户j的残差,并且服从分布/>。
2.如权利要求1所述的建模方法,其特征在于:
所述历史数据对应多个用户集,每个用户集分别对应一种认知障碍类型。
3.如权利要求1所述的建模方法,其特征在于所述第二模型通过以下方式构建:
获取每个时间节点,所述用户集中所有用户的综合训练分数的平均值;
以第一个时间节点作为第一阶段的起始时间节点,并将与所述起始时间节点的平均值相近的多个连续时间节点均归入所述第一阶段,直至所述平均值出现突变;
将突变后的平均值作为第二阶段的起始时间节点,并将与突变后的平均值相近的多个连续时间节点均归入所述第二阶段,直至所述平均值再次出现突变;
以此类推,以基于用户的脑能力变化划分出多个阶段;
构建所述每个阶段与时间节点的映射关系,以构建所述第二模型。
4.如权利要求3所述的建模方法,其特征在于:
所述每个阶段与时间节点的映射关系通过以下方式进行表达:
其中,yt表示用户当前阶段的综合训练分数的平均值;/>表示第一阶段的综合训练分数的平均值,/>表示第二阶段的综合训练分数的平均值,以此类推;t表示训练时长;/>表示第一个变化点,/>表示第二个变化点,以此类推。
5.如权利要求1所述的建模方法,其特征在于获取每个时间节点,所述用户集中所有用户的综合训练分数的平均值,具体包括如下步骤:
针对每一个时间节点,若当前时间节点下的所有用户的综合训练分数不存在离群值,则将所有用户的综合训练分数平均后作为当前时间节点的平均值:
若当前时间节点下的所有用户的综合训练分数存在离群值,则删除所述离群值后,再将其余综合训练分数平均后作为当前时间节点的平均值;或者,采用中位数作为当前时间节点的平均值。
6.一种认知训练的建模系统,其特征在于包括处理器和存储器,所述处理器读取所述存储器中的计算机程序,用于执行以下操作:
基于历史数据获取用户集中各个用户的个人信息和认知训练数据;其中,所述用户集包括多个同一认知障碍类型的用户,所述认知训练数据至少包括每次认知训练的训练时长以及每次认知训练的综合训练得分;
将相邻两个固定时间段的综合训练得分之差作为用户的脑能力变化量,构建第一模型;其中,所述第一模型中,脑能力变化量最大的区间为所述用户的最佳训练时长;
以预设训练时长作为一个时间节点,将每个时间节点下各用户的综合训练得分的平均值作为计算变化点的指标,构建第二模型;其中,所述第二模型中,变化点前后分别为认知训练的两个不同阶段;
分别对所述第一模型和所述第二模型进行优化,以获取第一优化模型和第二优化模型;
将所述第一优化模型与第二优化模型合并,以构成认知训练模型;
其中,所述第一模型通过以下方式构建:
基于同一用户的多次综合训练得分,获取所述用户认知训练的关联性数据;
基于不同用户的多次综合训练得分,获取各用户间认知训练的差异性数据;
根据所述关联性数据和差异性数据,获取用户的脑能力变化量,以构建所述第一模型;所述关联性数据至少包括所述用户集中所有用户脑能力变化量的平均截距和平均变化率;所述差异性数据至少包括当前用户回归模型的截距项和脑能力变化率;
基于以下公式获取所述用户的脑能力变化量yij
;
其中,表示所有用户脑能力变化量的平均截距;
表示所有用户脑能力的平均变化率;
表示用户j在第i次训练的时长;
表示用户j回归模型的截距项;
表示用户j回归模型的脑能力变化率;
并且, , /> 为随机效应方差-协方差矩阵,D表示总体随机效应;
表示第i次认知训练用户j的残差,并且服从分布/>。
7.一种认知训练任务推送方法,其特征在于包括:
获取用户的病症类型;
根据所述病症类型,基于权利要求1~5中任意一项建立的所述认知训练模型获取所述用户的最佳训练时长以及各个训练阶段; 基于所述用户的最佳训练时长以及各个训练阶段,向所述用户推送认知训练任务;其中,所述认知训练任务根据经典心理学和认知科学的实验范式设计,用于与用户进行人机交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311017612.7A CN116738240B (zh) | 2023-08-14 | 2023-08-14 | 认知训练的建模方法、建模系统及认知训练任务推送方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311017612.7A CN116738240B (zh) | 2023-08-14 | 2023-08-14 | 认知训练的建模方法、建模系统及认知训练任务推送方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116738240A CN116738240A (zh) | 2023-09-12 |
CN116738240B true CN116738240B (zh) | 2023-12-01 |
Family
ID=87911829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311017612.7A Active CN116738240B (zh) | 2023-08-14 | 2023-08-14 | 认知训练的建模方法、建模系统及认知训练任务推送方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116738240B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238451B (zh) * | 2023-11-16 | 2024-02-13 | 北京无疆脑智科技有限公司 | 训练方案确定方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105919556A (zh) * | 2016-05-23 | 2016-09-07 | 清华大学玉泉医院 | 基于认知任务的近红外脑成像仪图谱采集方法 |
CN109344889A (zh) * | 2018-09-19 | 2019-02-15 | 深圳大学 | 一种脑疾病分类方法、装置和用户终端 |
CN111714118A (zh) * | 2020-06-08 | 2020-09-29 | 北京航天自动控制研究所 | 一种基于集成学习的脑认知模型融合方法 |
CN113284623A (zh) * | 2021-07-23 | 2021-08-20 | 北京智精灵科技有限公司 | 基于用户能力的个性化认知训练任务推荐算法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9451883B2 (en) * | 2009-03-04 | 2016-09-27 | The Regents Of The University Of California | Apparatus and method for decoding sensory and cognitive information from brain activity |
-
2023
- 2023-08-14 CN CN202311017612.7A patent/CN116738240B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105919556A (zh) * | 2016-05-23 | 2016-09-07 | 清华大学玉泉医院 | 基于认知任务的近红外脑成像仪图谱采集方法 |
CN109344889A (zh) * | 2018-09-19 | 2019-02-15 | 深圳大学 | 一种脑疾病分类方法、装置和用户终端 |
CN111714118A (zh) * | 2020-06-08 | 2020-09-29 | 北京航天自动控制研究所 | 一种基于集成学习的脑认知模型融合方法 |
CN113284623A (zh) * | 2021-07-23 | 2021-08-20 | 北京智精灵科技有限公司 | 基于用户能力的个性化认知训练任务推荐算法及系统 |
Non-Patent Citations (2)
Title |
---|
知觉与记忆特异化元认知的行为学与神经基础研究;蔡禹甸;《中国博士学位论文电子期刊网》;F102-10 * |
言语听觉反馈认知训练在脑外伤认知障碍患者中的应用研究;张雪茹 等;《中华护理杂志》;第58卷(第5期);第552-558页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116738240A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | Association of genetic and environmental factors with autism in a 5-country cohort | |
Cenko et al. | Sex differences in outcomes after STEMI: effect modification by treatment strategy and age | |
Meiring et al. | Optimal intensive care outcome prediction over time using machine learning | |
Melgaard et al. | Assessment of the CHA2DS2-VASc score in predicting ischemic stroke, thromboembolism, and death in patients with heart failure with and without atrial fibrillation | |
CN116738240B (zh) | 认知训练的建模方法、建模系统及认知训练任务推送方法 | |
Titman | Flexible nonhomogeneous Markov models for panel observed data | |
JP2014225176A (ja) | 分析システム及び保健事業支援方法 | |
CN114822855B (zh) | 基于ftrl模型的认知训练任务推送方法、系统及构建方法 | |
Gao et al. | Association of grandparental and parental age at childbirth with autism spectrum disorder in children | |
Smith-Greenaway et al. | Maternal cumulative prevalence measures of child mortality show heavy burden in sub-Saharan Africa | |
US10783997B2 (en) | Personalized tolerance prediction of adverse drug events | |
Kreif et al. | Estimating the comparative effectiveness of feeding interventions in the pediatric intensive care unit: a demonstration of longitudinal targeted maximum likelihood estimation | |
Hollister et al. | Should electronic health record-derived social and behavioral data be used in precision medicine research? | |
Grynberg et al. | Expectations, vote choice and opinion stability since the 2016 Brexit referendum | |
JP6282783B2 (ja) | 分析システム及び分析方法 | |
Starns | Using response time modeling to distinguish memory and decision processes in recognition and source tasks | |
Gearhart | The robustness of cross-country healthcare rankings among homogeneous OECD countries | |
Linder et al. | Psoriasis–the life course approach | |
Ademi et al. | Cost-effectiveness and return on investment of a nationwide case-finding program for familial hypercholesterolemia in children in the Netherlands | |
Rahman et al. | Interpretability and class imbalance in prediction models for pain volatility in manage my pain app users: analysis using feature selection and majority voting methods | |
CN113724814B (zh) | 一种分诊方法、装置、计算设备及存储介质 | |
Li et al. | Fast numerical optimization for genome sequencing data in population biobanks | |
CN102067140A (zh) | 用于系谱分析的系统、方法和计算机程序产品 | |
Li et al. | Addressing prior-data conflict with empirical meta-analytic-predictive priors in clinical studies with historical information | |
Alvarez-Galvez et al. | Discovery and classification of complex multimorbidity patterns: unravelling chronicity networks and their social profiles |
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 |