CN116746930B - 一种基于深度学习的老年人认知功能评估预警方法及系统 - Google Patents

一种基于深度学习的老年人认知功能评估预警方法及系统 Download PDF

Info

Publication number
CN116746930B
CN116746930B CN202311049640.7A CN202311049640A CN116746930B CN 116746930 B CN116746930 B CN 116746930B CN 202311049640 A CN202311049640 A CN 202311049640A CN 116746930 B CN116746930 B CN 116746930B
Authority
CN
China
Prior art keywords
test
user
score
abstract
memory
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
Application number
CN202311049640.7A
Other languages
English (en)
Other versions
CN116746930A (zh
Inventor
孙立东
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.)
Hangzhou Huiting Technology Co ltd
Original Assignee
Hangzhou Huiting Technology Co ltd
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 Hangzhou Huiting Technology Co ltd filed Critical Hangzhou Huiting Technology Co ltd
Priority to CN202311049640.7A priority Critical patent/CN116746930B/zh
Publication of CN116746930A publication Critical patent/CN116746930A/zh
Application granted granted Critical
Publication of CN116746930B publication Critical patent/CN116746930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • 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
    • G16H50/30—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Child & Adolescent Psychology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Neurology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychology (AREA)
  • Veterinary Medicine (AREA)
  • Hospice & Palliative Care (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Developmental Disabilities (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Social Psychology (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Neurosurgery (AREA)
  • Signal Processing (AREA)
  • Library & Information Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Educational Technology (AREA)
  • Fuzzy Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供一种基于深度学习的老年人认知功能评估预警方法及系统，涉及认知障碍评估技术领域，包括如下步骤：步骤S1，对用户进行计算力测试；步骤S2，对用户进行抽象力测试；步骤S3，对用户进行记忆力测试；步骤S4，计算用户的评测得分；步骤S5，分析年龄段综合水平；步骤S6，对评测得分以及年龄段综合水平进行分析；本发明用于解决现有的认知功能评估技术还存在评估不够全面以及数据获取过于主观，导致难以对具有潜在风险的用户进行认知功能障碍预警以及评估结果取决于用户的自我认知水平的问题。

Description

一种基于深度学习的老年人认知功能评估预警方法及系统
技术领域
本发明涉及认知障碍评估技术领域，尤其涉及一种基于深度学习的老年人认知功能评估预警方法及系统。
背景技术
认知功能评估技术，是指通过一系列的测试和评估工具，对个体的认知功能进行客观地测量和评估的一种技术，这些评估工具可以包括问卷调查、认知任务以及神经心理学测试等多种形式，旨在评估个体在注意力、记忆、语言、执行功能以及空间感知等方面的认知能力。
现有的认知功能评估技术通常只能评估出已经患有认知功能障碍的用户，难以根据评估结果对具有潜在风险的用户进行认知功能障碍预警，且现有的认知功能评估技术通常都是通过问卷调查等主动输入的形式，通过用户对自己日常行为的主观认识或其家人的客观认识进行认知功能评估，此方法过于主观，采集得到的数据难以有信服力，比如在申请公开号为 “CN114023452A”的中国专利中，公开了“一种筛查认知障碍高风险的多维预警模型构建方法及其评估系统”，该方案的数据采集就是通过用户主动输入，此方法过于主观，评估结果完全取决于用户的自我认知水平，现有的认知功能评估技术还存在评估不够全面以及数据获取过于主观，导致难以对具有潜在风险的用户进行认知功能障碍预警以及评估结果取决于用户的自我认知水平的问题。
发明内容
针对现有技术存在的不足，本发明提供了一种基于深度学习的老年人认知功能评估预警方法，能够通过游戏测试的方式，针对用户的计算能力、抽象能力、记忆能力以及反应能力进行客观性的评估，再进行综合评估判断用户是否患有认知功能障碍或存在患认知功能障碍的风险，以解决现有的认知功能评估技术还存在评估不够全面以及数据获取过于主观，导致难以对具有潜在风险的用户进行认知功能障碍预警以及评估结果取决于用户的自我认知水平的问题。
为了实现上述目的，第一方面，本发明提供一种基于深度学习的老年人认知功能评估预警方法，包括如下步骤：
步骤S1，用户选择开始评估后，对用户进行计算力测试，得到用户的计算力测试结果；
步骤S2，计算力测试完成后对用户进行抽象力测试，得到用户的抽象力测试结果；
步骤S3，抽象力测试完成后对用户进行记忆力测试，得到用户的记忆力测试结果；
步骤S4，对计算力测试结果、抽象力测试结果以及记忆力测试结果进行分析，得到用户的认知综合评分；
步骤S5，建立评测数据库，录入所有用户的认知综合评分，根据年龄段进行分类，再对不同年龄段的评测得分进行分析，得到年龄段综合水平；
步骤S6，对用户的评测得分以及评测数据库内的年龄段综合水平进行分析，得到用户的认知功能评测结果，根据认知功能评测结果对用户进行认知风险预警。
进一步地，所述步骤S1包括如下子步骤：
步骤S101，用户选择开始评估后，发送计算力测试规则；
步骤S102，在每次计算测试回合内随机生成三位数以下的数字以及简单公式并显示到用户端，将数字标记为测试数字，将测试数字以及简单公式整合为测试数据，所述简单公式为三位数以下的正整数加减法；每次显示一定数量的测试数据；
步骤S103，记录计算测试回合的数量，标记为计算测试回合数，将计算测试回合数分别与第一回合阈值、第二回合阈值以及第三回合阈值进行比对，若计算测试回合数小于等于第一回合阈值，则输出第一计算阶段信号；若计算测试回合数大于第一回合阈值且小于等于第二回合阈值，则输出第二计算阶段信号；若计算测试回合数大于第二回合阈值且小于等于第三回合阈值，则输出第三计算阶段信号；若计算测试回合数大于第三回合阈值，则输出第四计算阶段信号；
步骤S104，若输出第一计算阶段信号，则生成第一生成数量且为正整数的测试数字；
步骤S105，若输出第二计算阶段信号，则生成第二生成数量且为整数的测试数字；
步骤S106，若输出第三计算阶段信号，则生成第一生成数量且为整数的测试数字，同时生成第三生成数量的简单公式；
步骤S107，若输出第四计算阶段信号，则生成第二生成数量且为整数的测试数字，同时生成第四生成数量的简单公式；
步骤S108，对用户所点击的测试数字或简单公式进行分析，分析用户的计算测试分。
进一步地，所述步骤S108包括如下子步骤：
步骤S1081，当测试数据显示完成后开始计时，当用户第一次点击测试数字时停止计时，将记录的时间标记为计算回合反应时长；
步骤S1082，获取用户点击的测试数字或简单公式，标记为点击数字，查找点击数字是否为测试数据中的最小值，若为是，则输出计算点击正确信号；若为否，则输出计算点击错误信号；
步骤S1083，若输出计算点击正确信号，则将用户的计算测试分增加第一加分阈值并将用户端以及测试数据中对应的测试数字或简单公式消除；获取测试数据中是否还存在数据，若还存在数据，则输出回合继续信号；若不存在数据，则输出回合结束信号；
步骤S1084，若输出回合结束信号，则将用户的计算测试分增加第二加分阈值并进入下一计算测试回合；若输出计算点击错误信号，则直接进入下一计算测试回合；
步骤S1085，获取计算力测试的持续时长，标记为计算力测试时长，将计算力测试时长与第一测试时长阈值进行比对，若计算力测试时长小于等于第一测试时长阈值，则输出计算测试未完成信号；若计算力测试时长大于第一测试时长阈值，则输出计算测试已完成信号；
步骤S1086，若输出计算测试未完成信号，则继续进行计算力测试；若输出计算测试已完成信号，则停止计算力测试，得到用户的计算测试分；获取计算回合反应时长的总和以及当前的计算测试回合数，通过公式Rta=Rts/Ctr计算用户的计算回合平均反应时长，其中，Rta为计算回合平均反应时长，Rts为计算回合反应时长的总和，Ctr为计算测试回合数。
进一步地，所述步骤S2包括如下子步骤：
步骤S201，计算力测试完成后，发送抽象力测试规则；
步骤S202，建立图案数据库，录入不同图案分类以及种类分类的数据库图案；所述图案分类为种类分类中的子分类；
步骤S203，随机抽取同一种类分类中第一测试数量的图案分类，发送图案分类的分类名称至用户端，获取其中所有的数据库图案，标记为测试图案；
步骤S204，随机抽取一张测试图案显示在用户端，同时开始计时，当用户选择分类名称时停止计时，将所计时间标记为抽象反应时长；
步骤S205，获取用户选择的分类名称，标记为选择分类，获取当前显示的测试图案的分类名称，标记为测试分类，将选择分类与测试分类进行比对，若选择分类与测试分类相同，则输出选择正确信号；若选择分类与测试分类不相同，则输出选择错误信号；
步骤S206，记录输出选择正确信号的数量，标记为连对数量，若输出选择正确信号，则将用户的抽象测试分增加第一抽象分，所述第一抽象分为连对数量乘以第一加分阈值且最大值为第三加分阈值；若输出选择错误信号，则将连队数量清零并重新开始记录，切换下一测试图案；
步骤S207，根据用户当前的抽象测试分更改测试难度并对用户进行最终的抽象力评估。
进一步地，所述步骤S207包括如下子步骤：
步骤S2071，获取用户的抽象测试分，将抽象测试分与第一抽象难度阈值以及第二抽象难度阈值进行比对，若抽象测试分小于第一抽象难度阈值、大于第一抽象难度阈值且小于第二抽象难度阈值或大于第二抽象难度阈值，则输出难度不变信号；若抽象测试分等于第一抽象难度阈值，则输出类型更换信号；若抽象测试分等于第二抽象难度阈值，则输出难度提升信号；
步骤S2072，若输出难度不变信号，则维持当前抽象力测试；若输出类型更换信号，则重新随机选取种类分类以及图案分类；若输出难度提升信号，则读取图案数据库，选取两个不同的种类分类，并分别选取两个图案分类对用户进行抽象力测试；
步骤S2073，获取用户进行抽象力测试的时长，标记为抽象力测试时长，将抽象力测试时长与第一测试时长阈值进行比对，若抽象力测试时长小于等于第一测试时长阈值，则输出抽象测试未完成信号；若抽象力测试时长大于第一测试时长阈值，则输出抽象测试已完成信号；
步骤S2074，若输出抽象测试未完成信号，则继续进行抽象力测试；若输出抽象测试已完成信号，则停止抽象力测试，得到用户的抽象测试分；
步骤S2075，获取用户选择分类名称的次数，标记为选择次数；获取用户每次选择的抽象反应时长，计算总和并标记为抽象反应总时长，通过公式Ata=Ats/Nc计算用户的抽象反应平均时长，其中，Ata为抽象反应平均时长，Ats为抽象反应总时长，Nc为选择次数。
进一步地，所述步骤S3包括如下子步骤：
步骤S301，抽象力测试完成后，发送记忆力测试规则；
步骤S302，将用户端的显示区域划分为第一划分数量的测试区域；
步骤S303，随机抽取第一测试比例的测试区域，标记为标记区域并向标记区域内添加图形标记；
步骤S304，添加完成后向用户展示测试区域，经过第一展示时间后隐藏标记区域内的图形标记，并开始计时，当用户点击测试区域后停止计时，将记录的时间标记为记忆反应时长；
步骤S305，获取用户点击的测试区域，标记为点击区域，查找点击区域是否为标记区域，若为是，则输出记忆点击正确信号；若为否，则输出记忆点击错误信号；
步骤S306，若输出记忆点击正确信号，则将用户的记忆测试分增加第一加分阈值并将对应标记区域消除；获取测试区域内是否还存在标记区域，若还存在标记区域，则继续当前测试；若不存在标记区域，则将用户的记忆测试分增加第二加分阈值并重新抽取标记区域；若输出记忆点击错误信号，则重新抽取标记区域；
步骤S307，记录抽取标记区域的次数，标记为记忆测试次数，对记忆测试次数进行分析并根据分析结果更改记忆力测试的难度，同时对用户进行最终的记忆力评估。
进一步地，所述步骤S307包括如下子步骤：
步骤S3071，将记忆测试次数与第一记忆难度阈值、第二记忆难度阈值以及第三记忆难度阈值进行比对，若记忆测试次数等于第一记忆难度阈值、第二记忆难度阈值或第三记忆难度阈值，则输出记忆测试难度增加信号，否则输出记忆测试难度不变信号；
步骤S3072，若输出记忆测试难度增加信号，则将第一划分数量增加第一增幅数量，所述第一增幅数量为1/第一测试比例；若输出记忆测试难度不变信号，则维持当前第一划分数量；
步骤S3073，记录记忆力测试的时长，标记为记忆力测试时长，将记忆力测试时长与第一测试时长阈值进行比对，若记忆力测试时长小于等于第一测试时长阈值，则输出记忆测试未完成信号；若记忆力测试时长大于第一测试时长阈值，则输出记忆测试已完成信号；
步骤S3074，若输出记忆测试未完成信号，则继续进行记忆力测试；若输出记忆测试已完成信号，则停止记忆力测试，得到用户的记忆测试分；
步骤S3075，获取用户的记忆反应时长，计算其总和并标记为记忆反应总时长，通过公式Mta=Mts/Nt计算用户的记忆反应平均时长，其中，Mta为记忆反应平均时长，Mts为记忆反应总时长，Nt为记忆测试次数。
进一步地，所述步骤S4包括如下子步骤：
步骤S401，获取用户的计算测试分、计算反应平均时长、抽象测试分、抽象反应平均时长、记忆测试分以及记忆反应平均时长；
步骤S402，将计算反应平均时长、抽象反应平均时长以及记忆反应平均时长相加并计算平均值，得到综合反应时长；将综合反应时长与第一健康反应时长进行比对，若综合反应时长小于等于第一健康反应时长，则将用户的综合反应分设置为反应满分；若综合反应时长大于第一健康反应时长，则通过综合反应分算法计算用户的综合反应分；
所述综合反应分算法配置为：R=F-α×Ta；其中，R为综合反应分，F为反应满分，Ta为综合反应时长，α为综合反应系数；
步骤S403，通过综合测试算法计算用户的认知综合评分；
所述综合测试算法设置为：；其中，S为认知综合评分，Rf为计算测试分，Af为抽象测试分，Mf为记忆测试分，β为测试分系数，A为计算测试满分，B为抽象测试满分，C为记忆测试满分。
进一步地，所述步骤S5包括如下子步骤：
步骤S501，建立评测数据库，获取用户年龄，将用户年龄、计算测试分、抽象测试分、记忆测试分、综合反应分以及认知综合评分录入评测数据库，并按照年龄段分级进行分类，所述年龄段分级包括第一年龄段、第二年龄段、第三年龄段以及第四年龄段；
步骤S502，计算年龄段分级中计算测试分、抽象测试分、记忆测试分以及综合反应分的平均值，分别标记为计算测试平均分、抽象测试平均分、记忆测试平均分以及综合反应平均分。
进一步地，所述步骤S6包括如下子步骤：
步骤S601，获取用户的认知综合评分，将认知综合评分与第一认知健康阈值、第二认知健康阈值以及第三认知健康阈值进行比对，若认知综合评分小于第一认知健康阈值，则输出认知功能预警信号；若认知综合评分大于等于第一认知健康阈值且小于第二认知健康阈值，则输出认知功能风险信号；若认知综合评分大于等于第二认知健康阈值且小于第三认知健康阈值，则输出认知功能正常信号；若认知综合评分大于等于第三认知健康阈值，则输出认知功能优秀信号；
步骤S602，若输出认知功能预警信号，则向用户发送认知功能障碍检测信息；若输出认知功能风险信号，则判定用户具备患认知功能障碍的风险，向用户发送认知功能障碍风险预警信息；若输出认知功能正常或认知功能优秀信号，则判定用户认知功能正常；
步骤S603，获取用户年龄，查找评测数据库中用户年龄所属的年龄段分级，获取对应年龄段分级的计算测试平均分、抽象测试平均分、记忆测试平均分以及综合反应平均分；
步骤S604，将用户的计算测试分与计算测试平均分进行比对，若计算测试分小于计算测试平均分，则输出计算能力低信号；若计算测试分大于等于计算测试平均分，则输出计算能力正常信号；若输出计算能力低信号，则判定用户的计算能力低于同年龄段的平均水平；
步骤S605，将用户的抽象测试分与抽象测试平均分进行比对，若抽象测试分小于抽象测试平均分，则输出抽象能力低信号；若抽象测试分大于等于抽象测试平均分，则输出抽象能力正常信号；若输出抽象能力低信号，则判定用户的抽象能力低于同年龄段的平均水平；
步骤S606，将用户的记忆测试分与记忆测试平均分进行比对，若记忆测试分小于记忆测试平均分，则输出记忆能力低信号；若记忆测试分大于等于记忆测试平均分，则输出记忆能力正常信号；若输出记忆能力低信号，则判定用户的记忆能力低于同年龄段的平均水平；
步骤S607，将用户的综合反应分与综合反应平均分进行比对，若综合反应分小于综合反应平均分，则输出反应能力低信号；若综合反应分大于等于综合反应平均分，则输出反应能力正常信号；若输出反应能力低信号，则判定用户的反应能力低于同年龄段的平均水平。
第二方面，本发明提供一种基于深度学习的老年人认知功能评估预警系统，包括认知功能测试模块、用户数据获取模块、认知功能分析模块、用户数据存储模块以及认知风险预警模块；所述认知功能测试模块与用户数据获取模块数据连接，认知功能测试模块、用户数据获取模块、用户数据存储模块以及认知风险预警模块分别与认知功能分析模块数据连接；
所述认知功能测试模块包括计算力测试单元、抽象力测试单元以及记忆力测试单元，所述计算力测试单元用于对用户进行计算力测试；所述抽象力测试单元用于对用户进行抽象力测试；所述记忆力测试单元用于对用户进行记忆力测试；
所述用户数据获取模块包括测试数据获取单元以及用户信息获取单元，所述测试数据获取单元用于获取用户在计算力测试、抽象力测试以及记忆力测试中的计算力反馈数据、抽象力反馈数据以及记忆力反馈数据；所述用户信息获取单元用于获取用户年龄；
所述认知功能分析模块包括计算力分析单元、抽象力分析单元、记忆力分析单元以及认知功能分析单元；所述计算力分析单元用于分析计算力反馈数据，得到计算力测试结果；所述抽象力分析单元用于分析抽象力反馈数据，得到抽象力测试结果；所述记忆力分析单元用于分析记忆力反馈数据，得到记忆力测试结果；所述认知功能分析单元用于分析计算力测试结果、抽象力测试结果以及记忆力测试结果，得到用户的认知综合评分；
所述用户数据存储模块用于存储用户的计算力测试结果、抽象力测试结果以及记忆力测试结果以及认知综合评分；
所述认知风险预警模块用于对用户进行认知功能风险预警。
第三方面，本申请提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上所述方法中的步骤。
第四方面，本申请提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，运行如上所述方法中的步骤。
本发明的有益效果：本发明通过针对用户的计算能力、抽象能力、记忆能力以及反应能力进行测试，客观判断用户各能力的水平并进行综合分析，得到用户是否患有认知功能障碍或存在患认知功能障碍的风险，优势在于，通过对用户进行数据采集，能够提高用户的测试兴趣，有助于提高采集数据的准确性以及客观性；
本发明通过结合用户的计算能力、抽象能力、记忆能力以及反应能力进行分析，判断用户是否患有认知功能障碍或存在患认知功能障碍的风险，优势在于，能够基于用户自身多种因素对用户的认知功能进行评估，同时根据评估结果进行预警，提高了评估结果的准确性；
本发明通过建立评测数据库，收集不同年龄段用户的计算能力、抽象能力、记忆能力以及反应能力，再对其计算平均值，得到年龄段不同能力的平均水平，再将用户的计算能力、抽象能力、记忆能力以及反应能力与年龄段的平均水平进行比对分析，判断用户的能力是否低于平均水平，优势在于，可以尽早发现用户的弱势能力并提醒用户进行训练，降低用户患认知功能障碍的风险，提高了认知功能评估的全面性。
本发明附加方面的优点将在下面的具体实施方式的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：
图1为本发明的方法的步骤流程图；
图2为本发明的计算力测试的部分流程图；
图3为本发明的抽象力测试的部分流程图；
图4为本发明的系统的原理框图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
实施例一
本发明提供了一种基于深度学习的老年人认知功能评估预警方法，能够通过游戏测试的方式，针对用户的计算能力、抽象能力、记忆能力以及反应能力进行客观性的评估，再进行综合评估判断用户是否患有认知功能障碍或存在患认知功能障碍的风险，以解决现有的认知功能评估技术还存在评估不够全面以及数据获取过于主观，导致难以对具有潜在风险的用户进行认知功能障碍预警以及评估结果取决于用户的自我认知水平的问题。
请参阅图1所示，一种基于深度学习的老年人认知功能评估预警方法包括步骤S1，对用户进行计算力测试；步骤S2，对用户进行抽象力测试；步骤S3，对用户进行记忆力测试；步骤S4，计算用户的评测得分；步骤S5，分析年龄段综合水平；步骤S6，对评测得分以及年龄段综合水平进行分析；具体为：
请参阅图2所示，步骤S1，用户选择开始评估后，对用户进行计算力测试，得到用户的计算力测试结果；步骤S1包括如下子步骤：
步骤S101，用户选择开始评估后，发送计算力测试规则；
步骤S102，在每次计算测试回合内随机生成三位数以下的数字以及简单公式并显示到用户端，将数字标记为测试数字，将测试数字以及简单公式整合为测试数据，简单公式为三位数以下的正整数加减法；每次显示一定数量的测试数据；
步骤S103，记录计算测试回合的数量，标记为计算测试回合数，将计算测试回合数分别与第一回合阈值、第二回合阈值以及第三回合阈值进行比对，若计算测试回合数小于等于第一回合阈值，则输出第一计算阶段信号；若计算测试回合数大于第一回合阈值且小于等于第二回合阈值，则输出第二计算阶段信号；若计算测试回合数大于第二回合阈值且小于等于第三回合阈值，则输出第三计算阶段信号；若计算测试回合数大于第三回合阈值，则输出第四计算阶段信号；
步骤S104，若输出第一计算阶段信号，则生成第一生成数量且为正整数的测试数字；
步骤S105，若输出第二计算阶段信号，则生成第二生成数量且为整数的测试数字；
步骤S106，若输出第三计算阶段信号，则生成第一生成数量且为整数的测试数字，同时生成第三生成数量的简单公式；
步骤S107，若输出第四计算阶段信号，则生成第二生成数量且为整数的测试数字，同时生成第四生成数量的简单公式；
具体实施中，第一回合数阈值设置为2，第二回合数阈值中设置为4，第三回合数阈值设置为8，第一生成数量设置为3，第二生成数量设置为4，第三生成数量设置为1，第四生成数量设置为2，计算力测试规则设置为“从小到大依次点击屏幕上的数字”，记录到计算测试回合数为2，通过比对得到计算测试回合数等于第一回合数阈值，则输出第一计算阶段信号，算测试回合1内，随机生成测试数字为3，15，12并标记为测试数据；
步骤S108，对用户所点击的测试数字或简单公式进行分析，分析用户的计算测试分；
步骤S108包括如下子步骤：
步骤S1081，当测试数据显示完成后开始计时，当用户第一次点击测试数字时停止计时，将记录的时间标记为计算回合反应时长；
具体实施中，每个计算测试回合均记录依次计算回合反应时长，记录到计算回合反应时长1为0.7s；
步骤S1082，获取用户点击的测试数字或简单公式，标记为点击数字，查找点击数字是否为测试数据中的最小值，若为是，则输出计算点击正确信号；若为否，则输出计算点击错误信号；
步骤S1083，若输出计算点击正确信号，则将用户的计算测试分增加第一加分阈值并将用户端以及测试数据中对应的测试数字或简单公式消除；获取测试数据中是否还存在数据，若还存在数据，则输出回合继续信号；若不存在数据，则输出回合结束信号；
步骤S1084，若输出回合结束信号，则将用户的计算测试分增加第二加分阈值并进入下一计算测试回合；若输出计算点击错误信号，则直接进入下一计算测试回合；
具体实施中，第一加分阈值设置为10，第二加分阈值设置为100，获取到点击数字为3，测试数据为3、12以及15，查找到点击数字是测试数据中的最小值，则输出计算点击正确信号，将用户的计算测试分增加第一加分阈值并将3从测试数据中消除；获取到测试数据中还存在数据12以及15，则输出回合继续信号，此时继续当前计算测试回合，直到输出回合结束信号或计算点击错误信号时进入下一计算测试回合；
步骤S1085，获取计算力测试的持续时长，标记为计算力测试时长，将计算力测试时长与第一测试时长阈值进行比对，若计算力测试时长小于等于第一测试时长阈值，则输出计算测试未完成信号；若计算力测试时长大于第一测试时长阈值，则输出计算测试已完成信号；
步骤S1086，若输出计算测试未完成信号，则继续进行计算力测试；若输出计算测试已完成信号，则停止计算力测试，得到用户的计算测试分；获取计算回合反应时长的总和以及当前的计算测试回合数，通过公式Rta=Rts/Ctr计算用户的计算回合平均反应时长，其中，Rta为计算回合平均反应时长，Rts为计算回合反应时长的总和，Ctr为计算测试回合数；
具体实施中，第一测试时长阈值设置为60s，获取到计算力测试时长为61s，通过比对得到计算力测试时长大于第一测试时长，则输出计算测试已完成信号，停止计算力测试，此时记录到用户的计算测试分为1450，计算测试回合数Ctr为14，计算回合反应时长分别为0.7s、0.8s、1s、1s、0.9s、1.2s、1.1s、1.2s、1.3s、0.7s、1.5s、1.8s、1.6s以及1.3s，则计算得到计算回合反应时长的总和Rts为16.1s，则计算得到计算回合平均反应时长Rta为1.15s，计算结果保留两位小数。
请参阅图3所示，步骤S2，计算力测试完成后对用户进行抽象力测试，得到用户的抽象力测试结果；步骤S2包括如下子步骤：
步骤S201，计算力测试完成后，发送抽象力测试规则；
步骤S202，建立图案数据库，录入不同图案分类以及种类分类的数据库图案；图案分类为种类分类中的子分类；
步骤S203，随机抽取同一种类分类中第一测试数量的图案分类，发送图案分类的分类名称至用户端，获取其中所有的数据库图案，标记为测试图案；
步骤S204，随机抽取一张测试图案显示在用户端，同时开始计时，当用户选择分类名称时停止计时，将所计时间标记为抽象反应时长；
具体实施中，第一测试数量设置为2，抽象力测试规则设置为“选择图中所示图形的正确分类”，建立图案数据库，录入种类分类A以及种类分类B，录入图案分类A1、图案分类A2、图案分类B1、图案分类B2以及图案分类B3，其中，图案分类A1以及图案分类A2属于种类分类A，图案分类B1、图案分类B2以及图案分类B3属于种类分类B；随机抽取到种类分类A中的图案分类A1以及图案分类A2，图案分类A1的分类名称为A1，图案分类A2的分类名称为A2，发送A1以及A2至用户端；获取图案分类A1以及图案分类A2中所有的数据库图案，标记为测试图案，随机抽取一张测试图案显示在用户端，记录得到抽象反应时长为0.8s，每次显示测试图案时均记录一次抽象反应时长；
步骤S205，获取用户选择的分类名称，标记为选择分类，获取当前显示的测试图案的分类名称，标记为测试分类，将选择分类与测试分类进行比对，若选择分类与测试分类相同，则输出选择正确信号；若选择分类与测试分类不相同，则输出选择错误信号；
步骤S206，记录输出选择正确信号的数量，标记为连对数量，若输出选择正确信号，则将用户的抽象测试分增加第一抽象分，第一抽象分为连对数量乘以第一加分阈值且最大值为第三加分阈值；若输出选择错误信号，则将连队数量清零并重新开始记录，切换下一测试图案；
具体实施中，第三加分阈值设置为50，获取到选择分类为A2，测试分类为A2，通过比对得到选择分类与测试分类相同，则输出选择正确信号；获取到连对数量为6，则计算得到第一抽象分为60，而第一抽象分的最大值为50，则将用户的抽象测试分增加50。
步骤S207，根据用户当前的抽象测试分更改测试难度并对用户进行最终的抽象力评估；
步骤S207包括如下子步骤：
步骤S2071，获取用户的抽象测试分，将抽象测试分与第一抽象难度阈值以及第二抽象难度阈值进行比对，若抽象测试分小于第一抽象难度阈值、大于第一抽象难度阈值且小于第二抽象难度阈值或大于第二抽象难度阈值，则输出难度不变信号；若抽象测试分等于第一抽象难度阈值，则输出类型更换信号；若抽象测试分等于第二抽象难度阈值，则输出难度提升信号；
步骤S2072，若输出难度不变信号，则维持当前抽象力测试；若输出类型更换信号，则重新随机选取种类分类以及图案分类；若输出难度提升信号，则读取图案数据库，选取两个不同的种类分类，并分别选取两个图案分类对用户进行抽象力测试；
具体实施中，第一抽象难度阈值设置为300，第二抽象难度阈值设置为800，获取到用户的抽象测试分为800，通过比对得到抽象测试分等于第二抽象难度阈值，则输出难度提升信号，读取图案数据库，选择种类分类A中的A1以及A2，种类分类B中的B1以及B3对用户进行抽象力测试；
步骤S2073，获取用户进行抽象力测试的时长，标记为抽象力测试时长，将抽象力测试时长与第一测试时长阈值进行比对，若抽象力测试时长小于等于第一测试时长阈值，则输出抽象测试未完成信号；若抽象力测试时长大于第一测试时长阈值，则输出抽象测试已完成信号；
步骤S2074，若输出抽象测试未完成信号，则继续进行抽象力测试；若输出抽象测试已完成信号，则停止抽象力测试，得到用户的抽象测试分；
步骤S2075，获取用户选择分类名称的次数，标记为选择次数；获取用户每次选择的抽象反应时长，计算总和并标记为抽象反应总时长，通过公式Ata=Ats/Nc计算用户的抽象反应平均时长，其中，Ata为抽象反应平均时长，Ats为抽象反应总时长，Nc为选择次数；
具体实施中，获取到抽象力测试时长为61s，通过比对得到抽象力测试时长大于第一测试时长阈值，则输出抽象测试已完成信号，停止抽象力测试，此时用户的抽象测试分为1810；获取到选择次数Nc为41次，获取并计算得到用户的抽象反应总时长Ats为47.6s，则计算得到用户的抽象反应平均时长Ata为1.16s，计算结果保留两位小数。
步骤S3，抽象力测试完成后对用户进行记忆力测试，得到用户的记忆力测试结果；步骤S3包括如下子步骤：
步骤S301，抽象力测试完成后，发送记忆力测试规则；
步骤S302，将用户端的显示区域划分为第一划分数量的测试区域；
步骤S303，随机抽取第一测试比例的测试区域，标记为标记区域并向标记区域内添加图形标记；
步骤S304，添加完成后向用户展示测试区域，经过第一展示时间后隐藏标记区域内的图形标记，并开始计时，当用户点击测试区域后停止计时，将记录的时间标记为记忆反应时长；
具体实施中，第一划分数量设置为8，第一测试比例设置为1/4，第一展示时间设置为1.5s，记忆力测试规则设置为“选择图中带有标记的区域”，将用户端的显示区域划分为第一划分数量的测试区域，即8个测试区域，再随机抽取第一测试比例的测试区域标记为标记区域，即抽取2个测试区域标记为标记区域并添加图形标记；向用户展示第一展示时间的标记区域后隐藏图形标记，记录到记忆反应时长为0.5s；
步骤S305，获取用户点击的测试区域，标记为点击区域，查找点击区域是否为标记区域，若为是，则输出记忆点击正确信号；若为否，则输出记忆点击错误信号；
步骤S306，若输出记忆点击正确信号，则将用户的记忆测试分增加第一加分阈值并将对应标记区域消除；获取测试区域内是否还存在标记区域，若还存在标记区域，则继续当前测试；若不存在标记区域，则将用户的记忆测试分增加第二加分阈值并重新抽取标记区域；若输出记忆点击错误信号，则重新抽取标记区域；
具体实施中，获取到点击区域为测试区域4，抽取到的标记区域1为测试区域1；标记区域2为测试区域4，通过查找得到点击区域是标记区域，则输出记忆点击正确信号，将用户的记忆测试分增加第一加分阈值并将标记区域2消除；获取到测试区域内还存在标记区域1，则继续当前测试；
步骤S307，记录抽取标记区域的次数，标记为记忆测试次数，对记忆测试次数进行分析并根据分析结果更改记忆力测试的难度，同时对用户进行最终的记忆力评估；
步骤S307包括如下子步骤：
步骤S3071，将记忆测试次数与第一记忆难度阈值、第二记忆难度阈值以及第三记忆难度阈值进行比对，若记忆测试次数等于第一记忆难度阈值、第二记忆难度阈值或第三记忆难度阈值，则输出记忆测试难度增加信号，否则输出记忆测试难度不变信号；
步骤S3072，若输出记忆测试难度增加信号，则将第一划分数量增加第一增幅数量，第一增幅数量为1/第一测试比例；若输出记忆测试难度不变信号，则维持当前第一划分数量；
具体实施中，第一记忆难度阈值设置为3，第二记忆难度阈值设置为5，第三记忆难度阈值设置为8，记录到记忆测试次数为3，通过比对得到记忆测试次数等于第一记忆难度阈值，则输出记忆难度增加信号，第一测试比例为1/4，则第一增幅数量为4，将第一划分数量增加第一增幅数量，得到新的第一划分数量为12，再次抽取标记区域对用户进行记忆力测试；
步骤S3073，记录记忆力测试的时长，标记为记忆力测试时长，将记忆力测试时长与第一测试时长阈值进行比对，若记忆力测试时长小于等于第一测试时长阈值，则输出记忆测试未完成信号；若记忆力测试时长大于第一测试时长阈值，则输出记忆测试已完成信号；
步骤S3074，若输出记忆测试未完成信号，则继续进行记忆力测试；若输出记忆测试已完成信号，则停止记忆力测试，得到用户的记忆测试分；
步骤S3075，获取用户的记忆反应时长，计算其总和并标记为记忆反应总时长，通过公式Mta=Mts/Nt计算用户的记忆反应平均时长，其中，Mta为记忆反应平均时长，Mts为记忆反应总时长，Nt为记忆测试次数；
具体实施中，记录到记忆力测试时长为61s，通过比对得到记忆力测试时长大于第一测试时长阈值，则输出记忆测试已完成信号，停止记忆力测试，此时用户的记忆测试分为1720，获取到记忆测试次数Nt为14次，获取并计算得到记忆反应总时长Mts为12.6s，则通过计算得到记忆反应平均时长Mta为0.9s。
步骤S4，对计算力测试结果、抽象力测试结果以及记忆力测试结果进行分析，得到用户的认知综合评分；步骤S4包括如下子步骤：
步骤S401，获取用户的计算测试分、计算反应平均时长、抽象测试分、抽象反应平均时长、记忆测试分以及记忆反应平均时长；
步骤S402，将计算反应平均时长、抽象反应平均时长以及记忆反应平均时长相加并计算平均值，得到综合反应时长；将综合反应时长与第一健康反应时长进行比对，若综合反应时长小于等于第一健康反应时长，则将用户的综合反应分设置为反应满分；若综合反应时长大于第一健康反应时长，则通过综合反应分算法计算用户的综合反应分；
综合反应分算法配置为：R=F-α×Ta；其中，R为综合反应分，F为反应满分，Ta为综合反应时长，α为综合反应系数；
步骤S403，通过综合测试算法计算用户的认知综合评分；
综合测试算法设置为：；其中，S为认知综合评分，Rf为计算测试分，Af为抽象测试分，Mf为记忆测试分，β为测试分系数，A为计算测试满分，B为抽象测试满分，C为记忆测试满分；α和β为常数且大于零；
具体实施中，第一健康反应时长设置为1.5s，α设置为5，F设置为100，β设置为100，A设置为1600，B设置为1800，C设置为1800，获取到用户的计算测试分为1450、计算反应平均时长为1.15s、抽象测试分为1810、抽象反应平均时长为1.16s、记忆测试分为1720以及记忆反应平均时长为0.9s，计算得到综合反应时长为1.07s，通过比对得到综合反应时长小于第一健康反应时长，则将用户的综合反应分设置为反应满分，即100分，通过综合测试算法计算得到用户的认知综合评分S为96.68，计算结果保留两位小数。
步骤S5，建立评测数据库，录入所有用户的认知综合评分，根据年龄段进行分类，再对不同年龄段的评测得分进行分析，得到年龄段综合水平；步骤S5包括如下子步骤：
步骤S501，建立评测数据库，获取用户年龄，将用户年龄、计算测试分、抽象测试分、记忆测试分、综合反应分以及认知综合评分录入评测数据库，并按照年龄段分级进行分类，年龄段分级包括第一年龄段、第二年龄段、第三年龄段以及第四年龄段；
步骤S502，计算年龄段分级中计算测试分、抽象测试分、记忆测试分以及综合反应分的平均值，分别标记为计算测试平均分、抽象测试平均分、记忆测试平均分以及综合反应平均分；
具体实施中，第一年龄段设置为[0,20]，第二年龄段设置为(20,40]，第三年龄段设置为(40,60]，第四年龄段设置为(60,120]，收录所有用户的用户年龄、计算测试分、抽象测试分、记忆测试分、综合反应分以及认知综合分，计算得到第二年龄段的计算测试平均分为1560、抽象测试平均分为1780、记忆测试平均分为1800以及综合反应平均分为100，由于本次测试的用户为第二年龄段，因此此处只给出第二年龄段的计算数值。
步骤S6，对用户的评测得分以及评测数据库内的年龄段综合水平进行分析，得到用户的认知功能评测结果，根据认知功能评测结果对用户进行认知风险预警；步骤S6包括如下子步骤：
步骤S601，获取用户的认知综合评分，将认知综合评分与第一认知健康阈值、第二认知健康阈值以及第三认知健康阈值进行比对，若认知综合评分小于第一认知健康阈值，则输出认知功能预警信号；若认知综合评分大于等于第一认知健康阈值且小于第二认知健康阈值，则输出认知功能风险信号；若认知综合评分大于等于第二认知健康阈值且小于第三认知健康阈值，则输出认知功能正常信号；若认知综合评分大于等于第三认知健康阈值，则输出认知功能优秀信号；
步骤S602，若输出认知功能预警信号，则判定用户可能患有认知功能障碍，向用户发送认知功能障碍检测信息；若输出认知功能风险信号，则判定用户具备患认知功能障碍的风险，向用户发送认知功能障碍风险预警信息；若输出认知功能正常或认知功能优秀信号，则判定用户认知功能正常；
具体实施中，第一认知健康阈值设置为50，第二认知健康阈值设置为80，第三认知健康阈值设置为90，获取到用户的认知综合评分为96.68，通过比对得到认知综合评分大于第三认知健康阈值，则输出认知功能优秀信号，判定用户认知功能正常；
步骤S603，获取用户年龄，查找评测数据库中用户年龄所属的年龄段分级，获取对应年龄段分级的计算测试平均分、抽象测试平均分、记忆测试平均分以及综合反应平均分；
步骤S604，将用户的计算测试分与计算测试平均分进行比对，若计算测试分小于计算测试平均分，则输出计算能力低信号；若计算测试分大于等于计算测试平均分，则输出计算能力正常信号；若输出计算能力低信号，则判定用户的计算能力低于同年龄段的平均水平；
步骤S605，将用户的抽象测试分与抽象测试平均分进行比对，若抽象测试分小于抽象测试平均分，则输出抽象能力低信号；若抽象测试分大于等于抽象测试平均分，则输出抽象能力正常信号；若输出抽象能力低信号，则判定用户的抽象能力低于同年龄段的平均水平；
步骤S606，将用户的记忆测试分与记忆测试平均分进行比对，若记忆测试分小于记忆测试平均分，则输出记忆能力低信号；若记忆测试分大于等于记忆测试平均分，则输出记忆能力正常信号；若输出记忆能力低信号，则判定用户的记忆能力低于同年龄段的平均水平；
步骤S607，将用户的综合反应分与综合反应平均分进行比对，若综合反应分小于综合反应平均分，则输出反应能力低信号；若综合反应分大于等于综合反应平均分，则输出反应能力正常信号；若输出反应能力低信号，则判定用户的反应能力低于同年龄段的平均水平；
具体实施中，获取到用户年龄为22岁，年龄段分级为第二年龄段，获取到第二年龄段的计算测试平均分为1560、抽象测试平均分为1780、记忆测试平均分为1800以及综合反应平均分为100，用户的计算测试分为1450，抽象测试分为1810，记忆测试分为1720，综合反应分为100，通过比对得到计算测试分小于计算测试平均分，则输出计算能力低信号，判定用户计算能力低于同年龄段平均水平；通过比对得到抽象测试分大于抽象测试平均分，则输出抽象能力正常信号，判定用户抽象能力正常；通过比对得到记忆测试分小于记忆测试平均分，则输出记忆能力低信号，判定用户记忆能力低于同年龄段平均水平；通过比对得到综合反应分等于综合反应平均分，则输出反应能力正常信号，判定用户反应能力正常。
实施例二
请参阅图4，本实施例提供一种基于深度学习的老年人认知功能评估预警方法的系统，包括认知功能测试模块、用户数据获取模块、认知功能分析模块、用户数据存储模块以及认知风险预警模块；认知功能测试模块与用户数据获取模块数据连接，认知功能测试模块、用户数据获取模块、用户数据存储模块以及认知风险预警模块分别与认知功能分析模块数据连接；
认知功能测试模块包括计算力测试单元、抽象力测试单元以及记忆力测试单元，计算力测试单元用于对用户进行计算力测试；抽象力测试单元用于对用户进行抽象力测试；记忆力测试单元用于对用户进行记忆力测试；
用户数据获取模块包括测试数据获取单元以及用户信息获取单元，测试数据获取单元用于获取用户在计算力测试、抽象力测试以及记忆力测试中的计算力反馈数据、抽象力反馈数据以及记忆力反馈数据；用户信息获取单元用于获取用户年龄；
认知功能分析模块包括计算力分析单元、抽象力分析单元、记忆力分析单元以及认知功能分析单元；计算力分析单元用于分析计算力反馈数据，得到计算力测试结果；抽象力分析单元用于分析抽象力反馈数据，得到抽象力测试结果；记忆力分析单元用于分析记忆力反馈数据，得到记忆力测试结果；认知功能分析单元用于分析计算力测试结果、抽象力测试结果以及记忆力测试结果，得到用户的认知综合评分；
用户数据存储模块用于存储用户的计算力测试结果、抽象力测试结果以及记忆力测试结果以及认知综合评分；
认知风险预警模块用于对用户进行认知功能风险预警。
实施例三
本实施例提供一种电子设备，包括处理器以及存储器，存储器存储有计算机可读取指令，当计算机可读取指令由处理器执行时，运行如上任意一项方法中的步骤。通过上述技术方案，处理器和存储器通过通信总线和/或其他形式的连接机构（未标出）互连并相互通讯，存储器存储有处理器可执行的计算机程序，当电子设备运行时，处理器执行该计算机程序，以执行时执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：对用户进行计算力测试、抽象力测试以及记忆力测试；对用户的认知综合评分以及年龄段综合水平进行分析。
实施例四
本实施例提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，运行如上任意一项方法中的步骤。通过上述技术方案，计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：对用户进行计算力测试、抽象力测试以及记忆力测试；对用户的认知综合评分以及年龄段综合水平进行分析。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中，存储介质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，如静态随机存取存储器（Static RandomAccess Memory，简称SRAM），电可擦除可编程只读存储器（Electrically ErasableProgrammable Read-Only Memory，简称EEPROM），可擦除可编程只读存储器（ErasableProgrammable Red Only Memory，简称EPROM），可编程只读存储器（Programmable Red-Only Memory，简称PROM），只读存储器（Read-OnlyMemory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
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以所述权利要求的保护范围为准。

Claims (7)

1.一种基于深度学习的老年人认知功能评估预警方法，其特征在于，包括如下步骤：
步骤S1，用户选择开始评估后，对用户进行计算力测试，得到用户的计算力测试结果；
步骤S2，计算力测试完成后对用户进行抽象力测试，得到用户的抽象力测试结果；
步骤S3，抽象力测试完成后对用户进行记忆力测试，得到用户的记忆力测试结果；
步骤S4，对计算力测试结果、抽象力测试结果以及记忆力测试结果进行分析，得到用户的认知综合评分；
步骤S5，建立评测数据库，录入所有用户的认知综合评分，根据年龄段进行分类，再对不同年龄段的评测得分进行分析，得到年龄段综合水平；
步骤S6，对用户的评测得分以及评测数据库内的年龄段综合水平进行分析，得到用户的认知功能评测结果，根据认知功能评测结果对用户进行认知风险预警；
所述步骤S1包括如下子步骤：
步骤S101，用户选择开始评估后，发送计算力测试规则；
步骤S102，在每次计算测试回合内随机生成三位数以下的数字以及简单公式并显示到用户端，将数字标记为测试数字，将测试数字以及简单公式整合为测试数据，所述简单公式为三位数以下的正整数加减法；每次显示预定数量的测试数据；
步骤S103，记录计算测试回合的数量，标记为计算测试回合数，将计算测试回合数分别与第一回合阈值、第二回合阈值以及第三回合阈值进行比对，若计算测试回合数小于等于第一回合阈值，则输出第一计算阶段信号；若计算测试回合数大于第一回合阈值且小于等于第二回合阈值，则输出第二计算阶段信号；若计算测试回合数大于第二回合阈值且小于等于第三回合阈值，则输出第三计算阶段信号；若计算测试回合数大于第三回合阈值，则输出第四计算阶段信号；
步骤S104，若输出第一计算阶段信号，则生成第一生成数量且为正整数的测试数字；
步骤S105，若输出第二计算阶段信号，则生成第二生成数量且为整数的测试数字；
步骤S106，若输出第三计算阶段信号，则生成第一生成数量且为整数的测试数字，同时生成第三生成数量的简单公式；
步骤S107，若输出第四计算阶段信号，则生成第二生成数量且为整数的测试数字，同时生成第四生成数量的简单公式；
步骤S108，对用户所点击的测试数字或简单公式进行分析，分析用户的计算测试分；
所述步骤S108包括如下子步骤：
步骤S1081，当测试数据显示完成后开始计时，当用户第一次点击测试数字时停止计时，将记录的时间标记为计算回合反应时长；
步骤S1082，获取用户点击的测试数字或简单公式，标记为点击数字，查找点击数字是否为测试数据中的最小值，若为是，则输出计算点击正确信号；若为否，则输出计算点击错误信号；
步骤S1083，若输出计算点击正确信号，则将用户的计算测试分增加第一加分阈值并将用户端以及测试数据中对应的测试数字或简单公式消除；获取测试数据中是否还存在数据，若还存在数据，则输出回合继续信号；若不存在数据，则输出回合结束信号；
步骤S1084，若输出回合结束信号，则将用户的计算测试分增加第二加分阈值并进入下一计算测试回合；若输出计算点击错误信号，则直接进入下一计算测试回合；
步骤S1085，获取计算力测试的持续时长，标记为计算力测试时长，将计算力测试时长与第一测试时长阈值进行比对，若计算力测试时长小于等于第一测试时长阈值，则输出计算测试未完成信号；若计算力测试时长大于第一测试时长阈值，则输出计算测试已完成信号；
步骤S1086，若输出计算测试未完成信号，则继续进行计算力测试；若输出计算测试已完成信号，则停止计算力测试，得到用户的计算测试分；获取计算回合反应时长的总和以及当前的计算测试回合数，通过公式Rta=Rts/Ctr计算用户的计算回合平均反应时长，其中，Rta为计算回合平均反应时长，Rts为计算回合反应时长的总和，Ctr为计算测试回合数；
所述步骤S2包括如下子步骤：
步骤S201，计算力测试完成后，发送抽象力测试规则；
步骤S202，建立图案数据库，录入不同图案分类以及种类分类的数据库图案；所述图案分类为种类分类中的子分类；
步骤S203，随机抽取同一种类分类中第一测试数量的图案分类，发送图案分类的分类名称至用户端，获取其中所有的数据库图案，标记为测试图案；
步骤S204，随机抽取一张测试图案显示在用户端，同时开始计时，当用户选择分类名称时停止计时，将所计时间标记为抽象反应时长；
步骤S205，获取用户选择的分类名称，标记为选择分类，获取当前显示的测试图案的分类名称，标记为测试分类，将选择分类与测试分类进行比对，若选择分类与测试分类相同，则输出选择正确信号；若选择分类与测试分类不相同，则输出选择错误信号；
步骤S206，记录输出选择正确信号的数量，标记为连对数量，若输出选择正确信号，则将用户的抽象测试分增加第一抽象分，所述第一抽象分为连对数量乘以第一加分阈值且最大值为第三加分阈值；若输出选择错误信号，则将连队数量清零并重新开始记录，切换下一测试图案；
步骤S207，根据用户当前的抽象测试分更改测试难度并对用户进行最终的抽象力评估；
所述步骤S207包括如下子步骤：
步骤S2071，获取用户的抽象测试分，将抽象测试分与第一抽象难度阈值以及第二抽象难度阈值进行比对，若抽象测试分小于第一抽象难度阈值、大于第一抽象难度阈值且小于第二抽象难度阈值或大于第二抽象难度阈值，则输出难度不变信号；若抽象测试分等于第一抽象难度阈值，则输出类型更换信号；若抽象测试分等于第二抽象难度阈值，则输出难度提升信号；
步骤S2072，若输出难度不变信号，则维持当前抽象力测试；若输出类型更换信号，则重新随机选取种类分类以及图案分类；若输出难度提升信号，则读取图案数据库，选取两个不同的种类分类，并分别选取两个图案分类对用户进行抽象力测试；
步骤S2073，获取用户进行抽象力测试的时长，标记为抽象力测试时长，将抽象力测试时长与第一测试时长阈值进行比对，若抽象力测试时长小于等于第一测试时长阈值，则输出抽象测试未完成信号；若抽象力测试时长大于第一测试时长阈值，则输出抽象测试已完成信号；
步骤S2074，若输出抽象测试未完成信号，则继续进行抽象力测试；若输出抽象测试已完成信号，则停止抽象力测试，得到用户的抽象测试分；
步骤S2075，获取用户选择分类名称的次数，标记为选择次数；获取用户每次选择的抽象反应时长，计算总和并标记为抽象反应总时长，通过公式Ata=Ats/Nc计算用户的抽象反应平均时长，其中，Ata为抽象反应平均时长，Ats为抽象反应总时长，Nc为选择次数；
所述步骤S3包括如下子步骤：
步骤S301，抽象力测试完成后，发送记忆力测试规则；
步骤S302，将用户端的显示区域划分为第一划分数量的测试区域；
步骤S303，随机抽取第一测试比例的测试区域，标记为标记区域并向标记区域内添加图形标记；
步骤S304，添加完成后向用户展示测试区域，经过第一展示时间后隐藏标记区域内的图形标记，并开始计时，当用户点击测试区域后停止计时，将记录的时间标记为记忆反应时长；
步骤S305，获取用户点击的测试区域，标记为点击区域，查找点击区域是否为标记区域，若为是，则输出记忆点击正确信号；若为否，则输出记忆点击错误信号；
步骤S306，若输出记忆点击正确信号，则将用户的记忆测试分增加第一加分阈值并将对应标记区域消除；获取测试区域内是否还存在标记区域，若还存在标记区域，则继续当前测试；若不存在标记区域，则将用户的记忆测试分增加第二加分阈值并重新抽取标记区域；若输出记忆点击错误信号，则重新抽取标记区域；
步骤S307，记录抽取标记区域的次数，标记为记忆测试次数，对记忆测试次数进行分析并根据分析结果更改记忆力测试的难度，同时对用户进行最终的记忆力评估；
所述步骤S307包括如下子步骤：
步骤S3071，将记忆测试次数与第一记忆难度阈值、第二记忆难度阈值以及第三记忆难度阈值进行比对，若记忆测试次数等于第一记忆难度阈值、第二记忆难度阈值或第三记忆难度阈值，则输出记忆测试难度增加信号，否则输出记忆测试难度不变信号；
步骤S3072，若输出记忆测试难度增加信号，则将第一划分数量增加第一增幅数量，所述第一增幅数量为1/第一测试比例；若输出记忆测试难度不变信号，则维持当前第一划分数量；
步骤S3073，记录记忆力测试的时长，标记为记忆力测试时长，将记忆力测试时长与第一测试时长阈值进行比对，若记忆力测试时长小于等于第一测试时长阈值，则输出记忆测试未完成信号；若记忆力测试时长大于第一测试时长阈值，则输出记忆测试已完成信号；
步骤S3074，若输出记忆测试未完成信号，则继续进行记忆力测试；若输出记忆测试已完成信号，则停止记忆力测试，得到用户的记忆测试分；
步骤S3075，获取用户的记忆反应时长，计算其总和并标记为记忆反应总时长，通过公式Mta=Mts/Nt计算用户的记忆反应平均时长，其中，Mta为记忆反应平均时长，Mts为记忆反应总时长，Nt为记忆测试次数。
2.根据权利要求1所述的一种基于深度学习的老年人认知功能评估预警方法，其特征在于，所述步骤S4包括如下子步骤：
步骤S401，获取用户的计算测试分、计算反应平均时长、抽象测试分、抽象反应平均时长、记忆测试分以及记忆反应平均时长；
步骤S402，将计算反应平均时长、抽象反应平均时长以及记忆反应平均时长相加并计算平均值，得到综合反应时长；将综合反应时长与第一健康反应时长阈值进行比对，若综合反应时长小于等于第一健康反应时长，则将用户的综合反应分设置为反应满分；若综合反应时长大于第一健康反应时长，则通过综合反应分算法计算用户的综合反应分；
所述综合反应分算法配置为：R=F-α×Ta；其中，R为综合反应分，F为反应满分，Ta为综合反应时长，α为综合反应系数；
步骤S403，通过综合测试算法计算用户的认知综合评分；
所述综合测试算法设置为：；其中，S为认知综合评分，Rf为计算测试分，Af为抽象测试分，Mf为记忆测试分，β为测试分系数，A为计算测试满分，B为抽象测试满分，C为记忆测试满分。
3.根据权利要求2所述的一种基于深度学习的老年人认知功能评估预警方法，其特征在于，所述步骤S5包括如下子步骤：
步骤S501，建立评测数据库，获取用户年龄，将用户年龄、计算测试分、抽象测试分、记忆测试分、综合反应分以及认知综合评分录入评测数据库，并按照年龄段分级进行分类，所述年龄段分级包括第一年龄段、第二年龄段、第三年龄段以及第四年龄段；
步骤S502，计算年龄段分级中计算测试分、抽象测试分、记忆测试分以及综合反应分的平均值，分别标记为计算测试平均分、抽象测试平均分、记忆测试平均分以及综合反应平均分。
4.根据权利要求3所述的一种基于深度学习的老年人认知功能评估预警方法，其特征在于，所述步骤S6包括如下子步骤：
步骤S601，获取用户的认知综合评分，将认知综合评分与第一认知健康阈值、第二认知健康阈值以及第三认知健康阈值进行比对，若认知综合评分小于第一认知健康阈值，则输出认知功能预警信号；若认知综合评分大于等于第一认知健康阈值且小于第二认知健康阈值，则输出认知功能风险信号；若认知综合评分大于等于第二认知健康阈值且小于第三认知健康阈值，则输出认知功能正常信号；若认知综合评分大于等于第三认知健康阈值，则输出认知功能优秀信号；
步骤S602，若输出认知功能预警信号，则向用户发送认知功能障碍检测信息；若输出认知功能风险信号，则判定用户具备患认知功能障碍的风险，向用户发送认知功能障碍风险预警信息；若输出认知功能正常或认知功能优秀信号，则判定用户认知功能正常；
步骤S603，获取用户年龄，查找评测数据库中用户年龄所属的年龄段分级，获取对应年龄段分级的计算测试平均分、抽象测试平均分、记忆测试平均分以及综合反应平均分；
步骤S604，将用户的计算测试分与计算测试平均分进行比对，若计算测试分小于计算测试平均分，则输出计算能力低信号；若计算测试分大于等于计算测试平均分，则输出计算能力正常信号；若输出计算能力低信号，则判定用户的计算能力低于同年龄段的平均水平；
步骤S605，将用户的抽象测试分与抽象测试平均分进行比对，若抽象测试分小于抽象测试平均分，则输出抽象能力低信号；若抽象测试分大于等于抽象测试平均分，则输出抽象能力正常信号；若输出抽象能力低信号，则判定用户的抽象能力低于同年龄段的平均水平；
步骤S606，将用户的记忆测试分与记忆测试平均分进行比对，若记忆测试分小于记忆测试平均分，则输出记忆能力低信号；若记忆测试分大于等于记忆测试平均分，则输出记忆能力正常信号；若输出记忆能力低信号，则判定用户的记忆能力低于同年龄段的平均水平；
步骤S607，将用户的综合反应分与综合反应平均分进行比对，若综合反应分小于综合反应平均分，则输出反应能力低信号；若综合反应分大于等于综合反应平均分，则输出反应能力正常信号；若输出反应能力低信号，则判定用户的反应能力低于同年龄段的平均水平。
5.一种老年人认知功能评估预警系统，基于如权利要求1至4中任一项所述的基于深度学习的老年人认知功能评估预警方法以实现，其特征在于，所述老年人认知功能评估预警系统包括认知功能测试模块、用户数据获取模块、认知功能分析模块、用户数据存储模块以及认知风险预警模块；所述认知功能测试模块与用户数据获取模块数据连接，认知功能测试模块、用户数据获取模块、用户数据存储模块以及认知风险预警模块分别与认知功能分析模块数据连接；
所述认知功能测试模块包括计算力测试单元、抽象力测试单元以及记忆力测试单元，所述计算力测试单元用于对用户进行计算力测试；所述抽象力测试单元用于对用户进行抽象力测试；所述记忆力测试单元用于对用户进行记忆力测试；
所述用户数据获取模块包括测试数据获取单元以及用户信息获取单元，所述测试数据获取单元用于获取用户在计算力测试、抽象力测试以及记忆力测试中的计算力反馈数据、抽象力反馈数据以及记忆力反馈数据；所述用户信息获取单元用于获取用户年龄；
所述认知功能分析模块包括计算力分析单元、抽象力分析单元、记忆力分析单元以及认知功能分析单元；所述计算力分析单元用于分析计算力反馈数据，得到计算力测试结果；所述抽象力分析单元用于分析抽象力反馈数据，得到抽象力测试结果；所述记忆力分析单元用于分析记忆力反馈数据，得到记忆力测试结果；所述认知功能分析单元用于分析计算力测试结果、抽象力测试结果以及记忆力测试结果，得到用户的认知综合评分；
所述用户数据存储模块用于存储用户的计算力测试结果、抽象力测试结果以及记忆力测试结果以及认知综合评分；
所述认知风险预警模块用于对用户进行认知功能风险预警。
6.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-4任一项所述基于深度学习的老年人认知功能评估预警方法中的步骤。
7.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，运行如权利要求1-4任一项所述基于深度学习的老年人认知功能评估预警方法中的步骤。
CN202311049640.7A 2023-08-21 2023-08-21 一种基于深度学习的老年人认知功能评估预警方法及系统 Active CN116746930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311049640.7A CN116746930B (zh) 2023-08-21 2023-08-21 一种基于深度学习的老年人认知功能评估预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311049640.7A CN116746930B (zh) 2023-08-21 2023-08-21 一种基于深度学习的老年人认知功能评估预警方法及系统

Publications (2)

Publication Number Publication Date
CN116746930A CN116746930A (zh) 2023-09-15
CN116746930B true CN116746930B (zh) 2023-11-03

Family

ID=87961317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311049640.7A Active CN116746930B (zh) 2023-08-21 2023-08-21 一种基于深度学习的老年人认知功能评估预警方法及系统

Country Status (1)

Country Link
CN (1) CN116746930B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120107736A (ko) * 2011-03-22 2012-10-04 한국과학기술연구원 규준기반 인지능력 측정 및 평가 시스템
RU2504325C1 (ru) * 2012-11-28 2014-01-20 Федеральное государственное бюджетное учреждение "Федеральный Центр сердца, крови и Эндокринологии имени В.А. Алмазова" Министерства здравоохранения Российской Федерации Способ ранней диагностики когнитивных нарушений у пациентов молодого и зрелого возраста с метаболическим синдромом
CN103561651A (zh) * 2010-11-24 2014-02-05 数字制品有限责任公司 评估认知功能的系统和方法
CN203861242U (zh) * 2014-01-15 2014-10-08 广州双悠生物科技有限责任公司 大脑认知训练系统
KR101834003B1 (ko) * 2017-09-21 2018-03-02 주식회사 엠쓰리솔루션 인지 학습 및 평가 시스템
CN110876611A (zh) * 2019-10-12 2020-03-13 中国科学院大学宁波华美医院(宁波市第二医院) 一种老年人群神经认知障碍远程评测方法
CN111524602A (zh) * 2020-04-28 2020-08-11 西安玖诚玖谊实业有限公司 一种老年人记忆及认知功能评估筛查预警系统
CN112704500A (zh) * 2020-12-02 2021-04-27 中南大学 一种精神状态筛查系统、精神状态筛查方法及存储介质
CN114496224A (zh) * 2022-01-22 2022-05-13 上海织生科技有限公司 一种记忆认知障碍筛查评估方法
KR20220062197A (ko) * 2020-11-06 2022-05-16 동국대학교 산학협력단 인지 기능 평가 시스템 및 인지 기능 평가 방법
CN217430019U (zh) * 2021-11-30 2022-09-16 杭州汇听科技有限公司 一种听力测试专用耳套
CN115312191A (zh) * 2022-06-20 2022-11-08 常州工学院 一种老年人轻度认知功能损害发病风险的预测方法
CN115497621A (zh) * 2022-09-19 2022-12-20 上海最知科技有限公司 一种老年人认知状况测评系统
CN116052880A (zh) * 2022-12-29 2023-05-02 中国科学院自动化研究所 创新素养核心认知能力组合评价系统
CN116132899A (zh) * 2023-04-18 2023-05-16 杭州汇听科技有限公司 一种助听器的远程验配调节系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050053904A1 (en) * 2003-08-13 2005-03-10 Jennifer Shephard System and method for on-site cognitive efficacy assessment
US11122998B2 (en) * 2015-03-12 2021-09-21 Akili Interactive Labs, Inc. Processor implemented systems and methods for measuring cognitive abilities
US20210313020A1 (en) * 2018-03-26 2021-10-07 Aimmed Co., Ltd. Method and apparatus for rehabilitation training of cognitive function
US10740655B2 (en) * 2018-07-02 2020-08-11 Centre Hospitalier Universitaire Vaudois Integrative prediction of a cognitive evolution of a subject

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103561651A (zh) * 2010-11-24 2014-02-05 数字制品有限责任公司 评估认知功能的系统和方法
KR20120107736A (ko) * 2011-03-22 2012-10-04 한국과학기술연구원 규준기반 인지능력 측정 및 평가 시스템
RU2504325C1 (ru) * 2012-11-28 2014-01-20 Федеральное государственное бюджетное учреждение "Федеральный Центр сердца, крови и Эндокринологии имени В.А. Алмазова" Министерства здравоохранения Российской Федерации Способ ранней диагностики когнитивных нарушений у пациентов молодого и зрелого возраста с метаболическим синдромом
CN203861242U (zh) * 2014-01-15 2014-10-08 广州双悠生物科技有限责任公司 大脑认知训练系统
KR101834003B1 (ko) * 2017-09-21 2018-03-02 주식회사 엠쓰리솔루션 인지 학습 및 평가 시스템
CN110876611A (zh) * 2019-10-12 2020-03-13 中国科学院大学宁波华美医院(宁波市第二医院) 一种老年人群神经认知障碍远程评测方法
CN111524602A (zh) * 2020-04-28 2020-08-11 西安玖诚玖谊实业有限公司 一种老年人记忆及认知功能评估筛查预警系统
KR20220062197A (ko) * 2020-11-06 2022-05-16 동국대학교 산학협력단 인지 기능 평가 시스템 및 인지 기능 평가 방법
CN112704500A (zh) * 2020-12-02 2021-04-27 中南大学 一种精神状态筛查系统、精神状态筛查方法及存储介质
CN217430019U (zh) * 2021-11-30 2022-09-16 杭州汇听科技有限公司 一种听力测试专用耳套
CN114496224A (zh) * 2022-01-22 2022-05-13 上海织生科技有限公司 一种记忆认知障碍筛查评估方法
CN115312191A (zh) * 2022-06-20 2022-11-08 常州工学院 一种老年人轻度认知功能损害发病风险的预测方法
CN115497621A (zh) * 2022-09-19 2022-12-20 上海最知科技有限公司 一种老年人认知状况测评系统
CN116052880A (zh) * 2022-12-29 2023-05-02 中国科学院自动化研究所 创新素养核心认知能力组合评价系统
CN116132899A (zh) * 2023-04-18 2023-05-16 杭州汇听科技有限公司 一种助听器的远程验配调节系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MMSE和MoCA对脑肿瘤患者认知功能评估的应用比较;侯庆石;周东;陈飞;詹升全;李昭杰;林晓风;李炎稳;;中国临床神经外科杂志(第06期);全文 *
MoCA、MMSE及CAMCOG-C在老年糖尿病患者认知功能评价中的应用;丁苗苗;丁清;宋莹莹;;现代医学(第02期);全文 *

Also Published As

Publication number Publication date
CN116746930A (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
Hübner et al. Monitoring annoyance and stress effects of wind turbines on nearby residents: A comparison of US and European samples
Suhr Step your way through path analysis
Longworth et al. Mapping to obtain EQ-5D utility values for use in NICE health technology assessments
Feltovich Reinforcement‐based vs. belief‐based learning models in experimental asymmetric‐information games
CN110109821A (zh) 软件程序质量评价方法、装置、计算机设备及存储介质
RU2008135986A (ru) Способ оценки качества изображения, способ формирования документа, компьютерный программный продукт, пользовательский интерфейс, файл данных и электронное устройство
CN103392183A (zh) 用于识别处于转化为阿尔茨海默病的风险中的具有轻度认知障碍的患者的方法和系统
JP2010256796A (ja) コメント出力装置、コメント出力方法、およびプログラム
CN112598184B (zh) 一种戒毒人员复吸风险预测的方法和装置
Kharroubi et al. A comparison of United States and United Kingdom EQ‐5D health states valuations using a nonparametric Bayesian method
CN108363902A (zh) 一种致病遗传变异的精确预测方法
Harrell et al. Resampling, validating, describing, and simplifying the model
Yang Meta-analysis research and theory building
Reeve et al. Item response theory modeling for questionnaire evaluation
Bramley et al. Evaluating the rank‐ordering method for standard maintaining
Preston et al. Detecting faulty within-item category functioning with the nominal response model
CN113239669B (zh) 试题难度预测方法
CN107633473B (zh) 基于虚拟现实的服务测评指标信度效度保证方法
CN116746930B (zh) 一种基于深度学习的老年人认知功能评估预警方法及系统
Boyne Researching the new public management: the role of quantitative methods
Ballard et al. How meaningful are parameter estimates from models of inter-temporal choice
CN115035974A (zh) 一种心理测评数据管理系统及方法
CN113506629B (zh) 一种症状自评量表简化及结果预测方法与系统
Carswell Survey on public attitudes towards the physical discipline of children
CN113642669A (zh) 基于特征分析的防欺诈检测方法、装置、设备及存储介质

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