CN117390557B - 一种多功能进阶语言沟通辅助训练数据管理系统 - Google Patents
一种多功能进阶语言沟通辅助训练数据管理系统 Download PDFInfo
- Publication number
- CN117390557B CN117390557B CN202311706063.4A CN202311706063A CN117390557B CN 117390557 B CN117390557 B CN 117390557B CN 202311706063 A CN202311706063 A CN 202311706063A CN 117390557 B CN117390557 B CN 117390557B
- Authority
- CN
- China
- Prior art keywords
- training
- degree
- training effect
- data point
- data
- 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 341
- 238000004891 communication Methods 0.000 title claims abstract description 95
- 230000006854 communication Effects 0.000 title claims abstract description 95
- 238000013523 data management Methods 0.000 title claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 206
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 230000005856 abnormality Effects 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 54
- 230000008451 emotion Effects 0.000 claims description 13
- 230000008921 facial expression Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 4
- 208000016621 Hearing disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000011977 language disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- 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
Abstract
本发明涉及数据处理技术领域，具体涉及一种多功能进阶语言沟通辅助训练数据管理系统，包括：数据采集模块、特征计算模块、异常程度获取模块和数据处理模块，根据患者每次语言沟通辅助训练时的训练数据，获得患者的训练效果和每种影响因素，确定每种影响因素与训练效果在孤立树的差异程度和每种影响因素与训练效果的变化相似程度，根据每种影响因素对训练效果的影响程度，对每个数据点在每种影响因素对应的维度的异常得分进行加权，根据加权异常程度获得异常数据点，根据异常数据点的训练效果调整患者的训练计划。本发明提高患者的训练效果的异常检测准确性，能够针对性地调整患者的训练计划，为患者提供更加精准的医疗服务。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种多功能进阶语言沟通辅助训练数据管理系统。
背景技术
随着医疗科技的不断发展，语言沟通辅助技术在医疗领域的应用日益广泛。语言沟通辅助技术可以帮助医护人员与患者进行更加有效的沟通，特别是对于语言障碍或听力障碍患者，提供了更加便捷和精准的医疗服务。
在对患者进行语言沟通辅助训练的过程中，当患者的训练效果异常时，对影响训练效果的异常因素进行分析，针对性地调整患者的训练计划，能够为患者提供最佳训练计划，因此，需要准确地判断患者的训练效果是否异常。
根据孤立森林异常检测算法对患者每次训练的训练效果进行异常检测时，常规是根据所有种影响因素构建孤立森林，将患者每次训练时所有种影响因素的异常得分的平均值作为患者每次训练的训练效果的异常程度，然而在患者训练过程中，不同的训练计划中不同种影响因素对训练效果有着不同的影响，直接根据每种影响因素的异常得分平均值，判断患者的训练效果是否异常，会导致判断结果不准确。
发明内容
为了解决上述问题，本发明提供一种多功能进阶语言沟通辅助训练数据管理系统，所述系统包括：
数据采集模块，用于采集患者每次语言沟通辅助训练时的训练数据，根据患者每次语言沟通辅助训练时的训练数据，获得患者每次语言沟通辅助训练时的训练效果和每种影响因素；
特征计算模块，用于将患者每次语言沟通辅助训练时的训练效果和每种影响因素转换为数据点，根据所有数据点构建训练效果和每种影响因素的孤立树；根据所有数据点在每种影响因素的孤立树和训练效果的孤立树上的位置差异，确定每种影响因素与训练效果在孤立树的差异程度；根据相邻两个数据点的每种影响因素的差异和相邻两个数据点的训练效果的差异，确定每种影响因素与训练效果的变化相似程度；
异常程度获取模块，用于根据每种影响因素与训练效果在孤立树的差异程度和每种影响因素与训练效果的变化相似程度，确定每种影响因素对训练效果的影响程度；根据每种影响因素对训练效果的影响程度，对每个数据点在每种影响因素对应的维度的异常得分进行加权，确定每个数据点的加权异常程度；
数据处理模块，用于根据加权异常程度获得异常数据点，根据异常数据点的训练效果调整患者的训练计划。
进一步地，所述根据所有数据点构建训练效果和每种影响因素的孤立树，包括：
将所有数据点作为样本输入孤立森林异常检测算法，针对每个维度，通过随机选取阈值的方式生成C个孤立树，所有维度的所有孤立树组成孤立森林，C表示预设数量。
进一步地，所述根据所有数据点在每种影响因素的孤立树和训练效果的孤立树上的位置差异，确定每种影响因素与训练效果在孤立树的差异程度，包括：
式中，表示第j种影响因素与训练效果在孤立树的差异程度，/>表示第i个数据点在第j种影响因素对应的维度的层深，/>表示第j种影响因素对应的维度的最大层深，表示第i个数据点在训练效果对应的维度的层深，/>表示训练效果对应的维度的最大层深，n表示所有数据点的数量；
所述数据点在维度的层深的获取方法为：获得每个数据点在每个孤立树上的层深，将每个数据点在每个维度对应所有孤立树上的层深的平均值，作为每个数据点在每个维度的层深；
所述维度的最大层深的获取方法为：将每个维度对应所有孤立树上的最大层深的平均值，作为每个维度的最大层深。
进一步地，所述根据相邻两个数据点的每种影响因素的差异和相邻两个数据点的训练效果的差异，确定每种影响因素与训练效果的变化相似程度，包括：
式中，表示第j种影响因素与训练效果的变化相似程度，/>表示第i个数据点和第i+1个数据点的第j种影响因素的变化程度，/>表示第i个数据点的训练效果的变化程度，/>表示所有数据点的第j种影响因素的变化程度之和，/>表示所有数据点的训练效果的变化程度之和。
进一步地，所述第i个数据点和第i+1个数据点的第j种影响因素的变化程度，包括：
式中，表示第i个数据点和第i+1个数据点的第j种影响因素的变化程度，i取遍[1,n-1]范围内的所有整数，j取遍[1,N]范围内的所有整数，/>分别表示第i+1个数据点的第j种影响因素和第i个数据点的第j种影响因素，/>表示所有数据点的数量，N表示所有种影响因素的数量。
进一步地，所述根据每种影响因素与训练效果在孤立树的差异程度和每种影响因素与训练效果的变化相似程度，确定每种影响因素对训练效果的影响程度，包括：
式中，表示第j种影响因素对训练效果的影响程度，/>表示第j种影响因素与训练效果在孤立树的差异程度，/>表示第j种影响因素与训练效果的变化相似程度。
进一步地，所述根据每种影响因素对训练效果的影响程度，对每个数据点在每种影响因素对应的维度的异常得分进行加权，确定每个数据点的加权异常程度，包括：
式中，表示第/>个数据点的加权异常程度，/>表示所有种影响因素对训练效果的影响程度之和，/>表示第j种影响因素对训练效果的影响程度，/>表示第/>个数据点在第j种影响因素对应的维度的异常得分；
所述数据点在维度的异常得分的获取方法为：获得每个数据点在每个孤立树上的异常得分，将每个数据点在每个维度对应所有孤立树上的异常得分的平均值，作为每个数据点在每个维度的异常得分。
进一步地，所述根据加权异常程度获得异常数据点，包括：
将加权异常程度大于预设阈值T的数据点，作为异常数据点，将加权异常程度小于或者等于预设阈值T的数据点，作为正常数据点。
进一步地，所述根据异常数据点的训练效果调整患者的训练计划，包括的具体步骤如下：
计算所有正常数据点的训练效果的均值V，如果异常数据点的训练效果大于均值V，则说明异常数据点对应的语言沟通辅助训练的训练效果好，在后续训练过程中，继续采用该异常数据点对应的语言沟通辅助训练的训练方法；如果异常数据点的训练效果小于或者等于均值V，则说明异常数据点对应的语言沟通辅助训练的训练效果不好，获得该异常数据点的关键影响因素，根据该异常数据点对应的语言沟通辅助训练的训练方法特征后续训练过程的训练方法。
进一步地，所述根据患者每次语言沟通辅助训练时的训练数据，获得患者每次语言沟通辅助训练时的训练效果和每种影响因素，包括：
根据患者每次语言沟通辅助训练时的训练反馈、训练评估结果和训练效果分析，评估患者每次语言沟通辅助训练时的训练效果；
根据患者每次语言沟通辅助训练时的语音录音、语音识别结果以及语音合成结果，评估患者每次语言沟通辅助训练时的发音准确性和语音识别准确率；
根据患者每次语言沟通辅助训练时的语言表达内容、句子构建、词汇练习，评估患者每次语言沟通辅助训练时的语法准确性和词汇量；
根据患者每次语言沟通辅助训练时的面部表情、手势交流，评估患者每次语言沟通辅助训练时的非语言交流能力、面部表情表达能力和手势使用熟练度；
根据患者每次语言沟通辅助训练时的情绪和情感表达，评估患者每次语言沟通辅助训练时的情感表达能力。
本发明的技术方案的有益效果是：本发明将患者每次语言沟通辅助训练时的训练效果和每种影响因素转换为数据点，根据所有数据点在每种影响因素的孤立树和训练效果的孤立树上的位置差异，确定每种影响因素与训练效果在孤立树的差异程度，根据相邻两个数据点的每种影响因素的差异和相邻两个数据点的训练效果的差异，确定每种影响因素与训练效果的变化相似程度，根据每种影响因素与训练效果在孤立树的差异程度和每种影响因素与训练效果的变化相似程度，确定每种影响因素对训练效果的影响程度，对每个数据点在每种影响因素对应的维度的异常得分进行加权，提高患者的训练效果的异常检测准确性，能够针对性地调整患者的训练计划，为患者提供更加精准的医疗服务。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种多功能进阶语言沟通辅助训练数据管理系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种多功能进阶语言沟通辅助训练数据管理系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种多功能进阶语言沟通辅助训练数据管理系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种多功能进阶语言沟通辅助训练数据管理系统，该系统包括以下模块：
数据采集模块101，用于采集患者每次语言沟通辅助训练时的训练数据，根据患者每次语言沟通辅助训练时的训练数据，获得患者每次语言沟通辅助训练时的训练效果和每种影响因素。
需要说明的是，患者的发音准确性、语音识别准确率、语法准确性、词汇量、非语言交流能力、面部表情表达能力、手势使用熟练度、情感表达能力多种影响因素都是影响训练效果的影响因素，通过患者每次语言沟通辅助训练时的训练数据，量化患者在不同阶段的训练效果和每种影响因素，后续通过所有影响因素与训练效果之间的关系，为患者定做最佳训练计划。
在本实施例中，采集患者每次语言沟通辅助训练时的训练数据；所述训练数据包括患者的训练反馈、训练评估结果、训练效果分析，语音录音、语音识别结果、语音合成结果、语言表达内容、句子构建、词汇练习、面部表情、手势交流、情绪和情感表达。
进一步，根据患者每次语言沟通辅助训练时的训练数据，对患者每次语言沟通辅助训练时的训练效果和每种影响因素进行量化，所述影响因素包括患者每次语言沟通辅助训练时的发音准确性、语音识别准确率、语法准确性、词汇量、非语言交流能力、面部表情表达能力、手势使用熟练度和情感表达能力；其中，根据患者每次语言沟通辅助训练时的训练反馈、训练评估结果和训练效果分析，评估患者每次语言沟通辅助训练时的训练效果；根据患者每次语言沟通辅助训练时的语音录音、语音识别结果以及语音合成结果，评估患者每次语言沟通辅助训练时的发音准确性和语音识别准确率；根据患者每次语言沟通辅助训练时的语言表达内容、句子构建、词汇练习，评估患者每次语言沟通辅助训练时的语法准确性和词汇量；根据患者每次语言沟通辅助训练时的面部表情、手势交流，评估患者每次语言沟通辅助训练时的非语言交流能力、面部表情表达能力和手势使用熟练度；根据患者每次语言沟通辅助训练时的情绪和情感表达，评估患者每次语言沟通辅助训练时的情感表达能力。
特征计算模块102，用于将患者每次语言沟通辅助训练时的训练效果和每种影响因素转换为数据点，根据所有数据点构建训练效果和每种影响因素的孤立树；根据所有数据点在每种影响因素的孤立树和训练效果的孤立树上的位置差异，确定每种影响因素与训练效果在孤立树的差异程度；根据相邻两个数据点的每种影响因素的差异和相邻两个数据点的训练效果的差异，确定每种影响因素与训练效果的变化相似程度。
需要说明的是，对于患者不同次的语言沟通辅助训练，每种影响因素对训练效果的影响有所不同，根据不同影响因素变化对训练效果的影响程度，在进行异常程度计算时，为不同影响程度的影响因素赋予不同的权重大小，并根据权重计算加权异常程度，充分考虑了每种影响因素对训练效果的影响，使获取的异常程度更能准确地反映数据中的异常数据点。
1、将患者每次语言沟通辅助训练时的训练效果和每种影响因素转换为数据点，根据所有数据点构建训练效果和每种影响因素的孤立树。
在本实施例中，患者每次语言沟通辅助训练时的训练效果和所有种影响因素组成一个数据点，则每个数据点包括N+1个维度的数据，N表示所有种影响因素的数量；将所有数据点作为样本输入孤立森林异常检测算法，针对每个维度，通过随机选取阈值的方式生成C个孤立树，即每个维度都对应C个孤立树，所有维度的所有孤立树组成孤立森林，C表示预设数量，实施人员可根据实际实施情况设置数量，例如C=7。
可选的，通过随机选取划分阈值的方式生成孤立树是指：对于任意一个维度，在该维度的数据的最小值和最大值之间随机选取阈值，根据选取的阈值对所有数据点进行划分，生成每个维度对应的孤立树。
进一步，获得每个数据点在每个孤立树上的异常得分，将每个数据点在每个维度对应所有孤立树上的异常得分的平均值，作为每个数据点在每个维度的异常得分；获得每个数据点在每个孤立树上的层深，将每个数据点在每个维度对应所有孤立树上的层深的平均值，作为每个数据点在每个维度的层深；将每个维度对应所有孤立树上的最大层深的平均值，作为每个维度的最大层深。
需要说明的是，孤立森林异常检测算法为公知技术，通过随机选取阈值的方式生成孤立树、获得数据点在孤立树上的异常得分和获得每个数据点在每个孤立树上的层深，均为孤立森林异常检测算法中的公知步骤，此处不再进行赘述。
2、根据所有数据点在每种影响因素的孤立树和训练效果的孤立树上的位置差异，确定每种影响因素与训练效果在孤立树的差异程度。
需要说明的是，对全部数据点在任意一种影响因素对应的维度的异常得分和训练效果对应的维度的层深进行比较，如果全部数据点在该种影响因素对应的维度的层深和训练效果对应的维度的层深整体相近，则可说明对于该患者，其训练效果与该种影响因素的相关性较强。
在本实施例中，根据每个数据点在每种影响因素对应的维度的层深和在训练效果对应的维度的层深的差异，以及每种影响因素对应的维度的最大层深和训练效果对应的维度的最大层深的差异，确定每种影响因素与训练效果在孤立树的差异程度，具体计算公式为：
式中，表示第j种影响因素与训练效果在孤立树的差异程度，/>表示第i个数据点在第j种影响因素对应的维度的层深，/>表示第j种影响因素对应的维度的最大层深，表示第i个数据点在训练效果对应的维度的层深，/>表示训练效果对应的维度的最大层深，n表示所有数据点的数量。
需要说明的是，数据点在每种影响因素对应的维度的层深和在训练效果对应的维度的层深的差异过大，说明对于该数据点，每种影响因素与训练效果的异常程度不同；获取所有数据点在第j种影响因素对应的维度的层深和在训练效果对应的维度的层深的差异的平均值，该值越大，说明第j种影响因素与训练效果在孤立树的差异程度越大，则越大。
3、根据相邻两个数据点的每种影响因素的差异和相邻两个数据点的训练效果的差异，确定每种影响因素与训练效果的变化相似程度。
需要说明的是，根据每种影响因素的变化对训练效果的影响获取权值，而每种影响因素对训练效果的影响主要体现在该种影响因素变化后训练效果的变化，故可先根据相邻两个数据点训练的训练效果之间的差异程度，获取训练效果和每种影响因素的变化程度。
在本实施例中，根据相邻两个数据点的每种影响因素的变化程度以及相邻两个数据点的训练效果的变化程度的差异，确定每种影响因素与训练效果的变化相似程度，具体计算公式为：
式中，表示第j种影响因素与训练效果的变化相似程度，/>表示第i个数据点和第i+1个数据点的第j种影响因素的变化程度，/>表示第i个数据点的训练效果的变化程度，/>表示所有数据点的第j种影响因素的变化程度之和，/>表示所有数据点的训练效果的变化程度之和。
需要说明的是，通过和/>分别对数据点的第j种影响因素的变化程度和据点的训练效果的变化程度进行归一化，数据点的第j种影响因素的变化程度的归一化结果与数据点的训练效果的变化程度的归一化结果的差值越小，数据点的第j种影响因素的变化程度与数据点的训练效果的变化程度越相似，则对所有数据点的第j种影响因素的变化程度与数据点的训练效果的变化程度的差值的平方求和，该值越小，则第j种影响因素与训练效果的变化相似程度越大，即/>越大。
其中，相邻两个数据点的每种影响因素的变化程度的计算公式为：
式中，表示第i个数据点和第i+1个数据点的第j种影响因素的变化程度，i取遍[1,n-1]范围内的所有整数，j取遍[1,N]范围内的所有整数，/>分别表示第i+1个数据点的第j种影响因素和第i个数据点的第j种影响因素，/>表示所有数据点的数量，N表示所有种影响因素的数量。
异常程度获取模块103，用于根据每种影响因素与训练效果在孤立树的差异程度和每种影响因素与训练效果的变化相似程度，确定每种影响因素对训练效果的影响程度；根据每种影响因素对训练效果的影响程度，对每个数据点在每种影响因素对应的维度的异常得分进行加权，确定每个数据点的加权异常程度。
需要说明的是，根据每次采集数据的变化情况获取每种影响因素和训练效果在每次辅助训练后相比于上次训练的变化，根据训练效果的变化程度和每种影响因素在每次训练后的变化程度的相似程度，获取每种影响因素对训练效果的影响程度，任意一种影响因素与训练效果的变化程度整体相似程度越高，更能说明训练效果的变化是由该种影响因素的变化引起的。
1、根据每种影响因素与训练效果在孤立树的差异程度和每种影响因素与训练效果的变化相似程度，确定每种影响因素对训练效果的影响程度。
需要说明的是，根据任意一种影响因素与训练效果在孤立树的差异程度，以及该种影响因素与训练效果的变化相似程度，获取该种影响因素对训练效果数据得影响程度。
在本实施例中，根据每种影响因素与训练效果在孤立树的差异程度和每种影响因素与训练效果的变化相似程度，确定每种影响因素对训练效果的影响程度，具体计算公式为：
式中，表示第j种影响因素对训练效果的影响程度，/>表示第j种影响因素与训练效果在孤立树的差异程度，/>表示第j种影响因素与训练效果的变化相似程度。
需要说明的是，对于每种影响因素，每种影响因素与训练效果在孤立树的差异程度越小，则训练效果与该种影响因素的相关性较强，每种影响因素对训练效果的影响程度越大；同时影响因素与训练效果的变化相似程度越大，则训练效果与该种影响因素的相关性较强，则影响因素对训练效果的影响程度越大。
2、根据每种影响因素对训练效果的影响程度，对每个数据点在每种影响因素对应的维度的异常得分进行加权，确定每个数据点的加权异常程度。
需要说明的是，根据每种影响因素对训练效果的影响程度对异常得分进行加权获取加权异常程度，使异常程度的计算能够更多地考虑对训练效果影响较大的数据项，从而获取更加准确的加权异常程度。
在本实施例中，根据每种影响因素对训练效果的影响程度对每个数据点在每种影响因素对应的维度的异常得分进行加权，确定每个数据点的加权异常程度，具体计算公式为：
式中，表示第/>个数据点的加权异常程度，/>表示所有种影响因素对训练效果的影响程度之和，/>表示第j种影响因素对训练效果的影响程度，/>表示第/>个数据点在第j种影响因素对应的维度的异常得分。
数据处理模块104，用于根据加权异常程度获得异常数据点，根据异常数据点的训练效果调整患者的训练计划。
在本实施例中，将加权异常程度大于预设阈值T的数据点，作为异常数据点，将加权异常程度小于或者等于预设阈值T的数据点，作为正常数据点，实施人员可根据实际实施情况设置阈值，例如T=0.8。
进一步，计算所有正常数据点的训练效果的均值V，如果异常数据点的训练效果大于均值V，则说明异常数据点对应的语言沟通辅助训练的训练效果好，在后续训练过程中，训练人员继续采用该异常数据点对应的语言沟通辅助训练的训练方法，对患者进行语言沟通辅助训练；如果异常数据点的训练效果小于或者等于均值V，则说明异常数据点对应的语言沟通辅助训练的训练效果不好，训练人员对患者后续的语言沟通辅助训练的训练方法进行调整。
本发明的系统包括数据采集模块、特征计算模块、异常程度获取模块和数据处理模块。本发明将患者每次语言沟通辅助训练时的训练效果和每种影响因素转换为数据点，根据所有数据点在每种影响因素的孤立树和训练效果的孤立树上的位置差异，确定每种影响因素与训练效果在孤立树的差异程度，根据相邻两个数据点的每种影响因素的差异和相邻两个数据点的训练效果的差异，确定每种影响因素与训练效果的变化相似程度，根据每种影响因素与训练效果在孤立树的差异程度和每种影响因素与训练效果的变化相似程度，确定每种影响因素对训练效果的影响程度，对每个数据点在每种影响因素对应的维度的异常得分进行加权，提高患者的训练效果的异常检测准确性，能够针对性地调整患者的训练计划，为患者提供更加精准的医疗服务。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，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)
1.一种多功能进阶语言沟通辅助训练数据管理系统，其特征在于，所述系统包括：
数据采集模块，用于采集患者每次语言沟通辅助训练时的训练数据，根据患者每次语言沟通辅助训练时的训练数据，获得患者每次语言沟通辅助训练时的训练效果和每种影响因素；
特征计算模块，用于将患者每次语言沟通辅助训练时的训练效果和每种影响因素转换为数据点，根据所有数据点构建训练效果和每种影响因素的孤立树；根据所有数据点在每种影响因素的孤立树和训练效果的孤立树上的位置差异，确定每种影响因素与训练效果在孤立树的差异程度；根据相邻两个数据点的每种影响因素的差异和相邻两个数据点的训练效果的差异，确定每种影响因素与训练效果的变化相似程度；
异常程度获取模块，用于根据每种影响因素与训练效果在孤立树的差异程度和每种影响因素与训练效果的变化相似程度，确定每种影响因素对训练效果的影响程度；根据每种影响因素对训练效果的影响程度，对每个数据点在每种影响因素对应的维度的异常得分进行加权，确定每个数据点的加权异常程度；
数据处理模块，用于根据加权异常程度获得异常数据点，根据异常数据点的训练效果调整患者的训练计划；
所述根据所有数据点在每种影响因素的孤立树和训练效果的孤立树上的位置差异，确定每种影响因素与训练效果在孤立树的差异程度，包括：
式中，表示第j种影响因素与训练效果在孤立树的差异程度，/>表示第i个数据点在第j种影响因素对应的维度的层深，/>表示第j种影响因素对应的维度的最大层深，/>表示第i个数据点在训练效果对应的维度的层深，/>表示训练效果对应的维度的最大层深，n表示所有数据点的数量；
所述数据点在维度的层深的获取方法为：获得每个数据点在每个孤立树上的层深，将每个数据点在每个维度对应所有孤立树上的层深的平均值，作为每个数据点在每个维度的层深；
所述维度的最大层深的获取方法为：将每个维度对应所有孤立树上的最大层深的平均值，作为每个维度的最大层深；
其中，所述根据患者每次语言沟通辅助训练时的训练数据，获得患者每次语言沟通辅助训练时的训练效果和每种影响因素，包括：根据患者每次语言沟通辅助训练时的训练反馈、训练评估结果和训练效果分析，评估患者每次语言沟通辅助训练时的训练效果；
根据患者每次语言沟通辅助训练时的语音录音、语音识别结果以及语音合成结果，评估患者每次语言沟通辅助训练时的发音准确性和语音识别准确率；
根据患者每次语言沟通辅助训练时的语言表达内容、句子构建、词汇练习，评估患者每次语言沟通辅助训练时的语法准确性和词汇量；
根据患者每次语言沟通辅助训练时的面部表情、手势交流，评估患者每次语言沟通辅助训练时的非语言交流能力、面部表情表达能力和手势使用熟练度；
根据患者每次语言沟通辅助训练时的情绪和情感表达，评估患者每次语言沟通辅助训练时的情感表达能力。
2.根据权利要求1所述的一种多功能进阶语言沟通辅助训练数据管理系统，其特征在于，所述根据所有数据点构建训练效果和每种影响因素的孤立树，包括：
将所有数据点作为样本输入孤立森林异常检测算法，针对每个维度，通过随机选取阈值的方式生成C个孤立树，所有维度的所有孤立树组成孤立森林，C表示预设数量。
3.根据权利要求1所述的一种多功能进阶语言沟通辅助训练数据管理系统，其特征在于，所述根据相邻两个数据点的每种影响因素的差异和相邻两个数据点的训练效果的差异，确定每种影响因素与训练效果的变化相似程度，包括：
式中，表示第j种影响因素与训练效果的变化相似程度，/>表示第i个数据点和第i+1个数据点的第j种影响因素的变化程度，/>表示第i个数据点的训练效果的变化程度，/>表示所有数据点的第j种影响因素的变化程度之和，/>表示所有数据点的训练效果的变化程度之和，/>表示所有数据点的数量。
4.根据权利要求3所述的一种多功能进阶语言沟通辅助训练数据管理系统，其特征在于，所述第i个数据点和第i+1个数据点的第j种影响因素的变化程度，包括：
式中，表示第i个数据点和第i+1个数据点的第j种影响因素的变化程度，i取遍[1,n-1]范围内的所有整数，j取遍[1,N]范围内的所有整数，/>分别表示第i+1个数据点的第j种影响因素和第i个数据点的第j种影响因素，/>表示所有数据点的数量，N表示所有种影响因素的数量。
5.根据权利要求1所述的一种多功能进阶语言沟通辅助训练数据管理系统，其特征在于，所述根据每种影响因素与训练效果在孤立树的差异程度和每种影响因素与训练效果的变化相似程度，确定每种影响因素对训练效果的影响程度，包括：
式中，表示第j种影响因素对训练效果的影响程度，/>表示第j种影响因素与训练效果在孤立树的差异程度，/>表示第j种影响因素与训练效果的变化相似程度。
6.根据权利要求1所述的一种多功能进阶语言沟通辅助训练数据管理系统，其特征在于，所述根据每种影响因素对训练效果的影响程度，对每个数据点在每种影响因素对应的维度的异常得分进行加权，确定每个数据点的加权异常程度，包括：
式中，表示第/>个数据点的加权异常程度，/>表示所有种影响因素对训练效果的影响程度之和，/>表示第j种影响因素对训练效果的影响程度，/>表示第/>个数据点在第j种影响因素对应的维度的异常得分，/>表示所有种影响因素的数量；
所述数据点在维度的异常得分的获取方法为：获得每个数据点在每个孤立树上的异常得分，将每个数据点在每个维度对应所有孤立树上的异常得分的平均值，作为每个数据点在每个维度的异常得分。
7.根据权利要求1所述的一种多功能进阶语言沟通辅助训练数据管理系统，其特征在于，所述根据加权异常程度获得异常数据点，包括：
将加权异常程度大于预设阈值T的数据点，作为异常数据点，将加权异常程度小于或者等于预设阈值T的数据点，作为正常数据点。
8.根据权利要求7所述的一种多功能进阶语言沟通辅助训练数据管理系统，其特征在于，所述根据异常数据点的训练效果调整患者的训练计划，包括的具体步骤如下：
计算所有正常数据点的训练效果的均值V，如果异常数据点的训练效果大于均值V，则说明异常数据点对应的语言沟通辅助训练的训练效果好，在后续训练过程中，继续采用该异常数据点对应的语言沟通辅助训练的训练方法；如果异常数据点的训练效果小于或者等于均值V，则说明异常数据点对应的语言沟通辅助训练的训练效果不好，获得该异常数据点的关键影响因素，根据该异常数据点对应的语言沟通辅助训练的训练方法调整后续训练过程的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311706063.4A CN117390557B (zh) | 2023-12-13 | 2023-12-13 | 一种多功能进阶语言沟通辅助训练数据管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311706063.4A CN117390557B (zh) | 2023-12-13 | 2023-12-13 | 一种多功能进阶语言沟通辅助训练数据管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117390557A CN117390557A (zh) | 2024-01-12 |
| CN117390557B true CN117390557B (zh) | 2024-03-12 |
Family
ID=89435996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311706063.4A Active CN117390557B (zh) | 2023-12-13 | 2023-12-13 | 一种多功能进阶语言沟通辅助训练数据管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390557B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985632A (zh) * | 2018-07-16 | 2018-12-11 | 国网上海市电力公司 | 一种基于孤立森林算法的用电数据异常检测模型 |
| CN113284625A (zh) * | 2021-05-27 | 2021-08-20 | 长沙师范学院 | 一种自闭症谱系障碍儿童社交沟通功能训练方法 |
| CN113392914A (zh) * | 2021-06-22 | 2021-09-14 | 北京邮电大学 | 一种基于数据特征的权重来构建孤立森林的异常检测算法 |
| CN115691757A (zh) * | 2022-11-10 | 2023-02-03 | 湖南省肿瘤医院 | 一种基于康复训练内容的个性化推送方法 |
| CN116487003A (zh) * | 2023-04-19 | 2023-07-25 | 么洪茹 | 语言障碍患者的康复训练系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009138931A2 (en) * | 2008-05-12 | 2009-11-19 | Koninklijke Philips Electronics N.V. | System and method for assisting in making a treatment plan |
-
2023
- 2023-12-13 CN CN202311706063.4A patent/CN117390557B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985632A (zh) * | 2018-07-16 | 2018-12-11 | 国网上海市电力公司 | 一种基于孤立森林算法的用电数据异常检测模型 |
| CN113284625A (zh) * | 2021-05-27 | 2021-08-20 | 长沙师范学院 | 一种自闭症谱系障碍儿童社交沟通功能训练方法 |
| CN113392914A (zh) * | 2021-06-22 | 2021-09-14 | 北京邮电大学 | 一种基于数据特征的权重来构建孤立森林的异常检测算法 |
| CN115691757A (zh) * | 2022-11-10 | 2023-02-03 | 湖南省肿瘤医院 | 一种基于康复训练内容的个性化推送方法 |
| CN116487003A (zh) * | 2023-04-19 | 2023-07-25 | 么洪茹 | 语言障碍患者的康复训练系统 |
Non-Patent Citations (2)
| Title |
|---|
| Study on Language Rehabilitation for Aphasia;Yu, Zeng-Zhi et al.;Chinese Medical Journal;20170620;第130卷(第12期);第1491-1497页 * |
| 辅助沟通训练仪的设计及应用;赵光标 等;康复学报;20150820;第25卷(第02期);第14-16页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117390557A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109243491B (zh) | 在频谱上对语音进行情绪识别的方法、系统及存储介质 | |
| WO2019232829A1 (zh) | 声纹识别方法、装置、计算机设备及存储介质 | |
| WO2019037205A1 (zh) | 语音欺诈识别方法、装置、终端设备及存储介质 | |
| US5684924A (en) | User adaptable speech recognition system | |
| US6456969B1 (en) | Method of determining model-specific factors for pattern recognition, in particular for speech patterns | |
| CN107492382A (zh) | 基于神经网络的声纹信息提取方法及装置 | |
| TWI395201B (zh) | 情緒語音辨識方法及系統 | |
| CN112259101B (zh) | 语音关键词识别方法、装置、计算机设备和存储介质 | |
| US20210217403A1 (en) | Speech synthesizer for evaluating quality of synthesized speech using artificial intelligence and method of operating the same | |
| CN110364168B (zh) | 一种基于环境感知的声纹识别方法及系统 | |
| CN1447278A (zh) | 一种声纹识别方法 | |
| Wei et al. | A method of underwater acoustic signal classification based on deep neural network | |
| KR101220399B1 (ko) | 통합정보를 이용한 체질정보 분석방법 | |
| CN112015874A (zh) | 学生心理健康陪伴对话系统 | |
| CN114974229A (zh) | 基于电力现场作业音频数据提取异常行为的方法和系统 | |
| CN112466284B (zh) | 一种口罩语音鉴别方法 | |
| CN117390557B (zh) | 一种多功能进阶语言沟通辅助训练数据管理系统 | |
| Elbarougy | Speech emotion recognition based on voiced emotion unit | |
| Gu et al. | Multimodal attention network for trauma activity recognition from spoken language and environmental sound | |
| Shekofteh et al. | MLP-based isolated phoneme classification using likelihood features extracted from reconstructed phase space | |
| US6947890B1 (en) | Acoustic speech recognition method and system using stereo vision neural networks with competition and cooperation | |
| US20230178099A1 (en) | Using optimal articulatory event-types for computer analysis of speech | |
| Singh et al. | Speaker Recognition Assessment in a Continuous System for Speaker Identification | |
| CN114403878B (zh) | 一种基于深度学习的语音检测疲劳度方法 | |
| Kanisha et al. | Speech recognition with advanced feature extraction methods using adaptive particle swarm optimization |
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 |