CN118000684A - 基于心理测量网络的认知评估方法、训练方法及评估系统 - Google Patents
基于心理测量网络的认知评估方法、训练方法及评估系统 Download PDFInfo
- Publication number
- CN118000684A CN118000684A CN202410411643.9A CN202410411643A CN118000684A CN 118000684 A CN118000684 A CN 118000684A CN 202410411643 A CN202410411643 A CN 202410411643A CN 118000684 A CN118000684 A CN 118000684A
- Authority
- CN
- China
- Prior art keywords
- cognitive
- domain
- user
- domains
- training
- 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.)
- Pending
Links
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 288
- 238000012549 training Methods 0.000 title claims abstract description 76
- 238000005259 measurement Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 230000003920 cognitive function Effects 0.000 claims abstract description 26
- 230000000875 corresponding effect Effects 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 22
- 210000004556 brain Anatomy 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 230000006378 damage Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000019771 cognition Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000008451 emotion Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000021317 sensory perception Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 208000027418 Wounds and injury Diseases 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 208000014674 injury Diseases 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 6
- 238000002560 therapeutic procedure Methods 0.000 description 6
- 208000010877 cognitive disease Diseases 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000003935 attention Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007370 cognitive improvement Effects 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 230000003340 mental effect Effects 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
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012030 stroop test Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于心理测量网络的认知评估方法、训练方法及评估系统。该认知评估方法包括如下步骤:获取用户在多项认知域的测评数据;将每一个认知域作为一个节点,并将任意两个认知域的关联性作为连接两个节点的边,以构建心理测量网络;基于用户在多项认知域的测评数据,通过预设模型计算各认知域的连接权重;基于心理测量网络以及各认知域的连接权重,计算各认知域的中心性指数;基于各认知域的中心性指数,输出用户的至少一项待提升认知域;其中,不同认知域对应不同的认知功能。利用本发明,能够找出对用户提升最大的认知域,从而可以基于该认知域对用户进行认知训练,提高用户的整体认知水平。
Description
技术领域
本发明涉及一种基于心理测量网络的认知评估方法,同时也涉及相应的认知训练方法,还涉及一种基于心理测量网络的认知评估系统,属于认知功能障碍评估技术领域。
背景技术
认知功能障碍是指人的认知功能(例如:注意力、记忆力、执行功能等)由于某种原因(例如:卒中、阿尔茨海默症、外部脑损伤等)不能达到正常水平。认知功能障碍会在不同程度上影响人的正常生活。例如,记忆力障碍患者无法记住在炉灶上烧了水,忘记关火,从而导致灾难的发生。
对于存在认知功能障碍的患者,现有的认知数字疗法已经在临床上证实可以有效地改善认知功能。认知数字疗法是一种基于电子设备,应用专门设计的训练任务,进行个性化、有针对性的认知训练方法,其个性化体现在基于患者个人认知功能情况以及过往训练数据建模,从而实现动态调整训练任务。
现有的认知数字疗法在建模时,将“整体认知功能”看作是所有分认知功能(例如:记忆力、注意力、执行功能等)的一个潜变量,忽略了认知功能之间的相互连接性与不同认知功能对于改善整体认知功能的重要性。近年来,另一种新型的理论模型:心理网络测量逐渐引起人们的关注。不同于传统的将所有分认知功能看作是“整体认知功能”的组成部分的观点,心理网络测量将各认知功能看作是一个相互影响的网络,摒弃了“整体认知功能”概念。心理网络测量通过对不同认知域之间关系网络分析研究,发现“某认知域较强会有大概率的可能性另一些认知域较强”之类的规则。但是,目前还没有基于心理测量网络的认知数字疗法问世。
发明内容
本发明所要解决的首要技术问题在于提供一种基于心理测量网络的认知评估方法。
本发明所要解决的另一技术问题在于提供一种基于心理测量网络的认知训练方法。
本发明所要解决的又一技术问题在于提供一种基于心理测量网络的认知评估系统。
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,提供一种基于心理测量网络的认知评估方法,包括如下步骤:
获取用户在多项认知域的测评数据;
将每一个所述认知域作为一个节点,并将任意两个认知域之间的关联性作为连接两个节点的边,以构建心理测量网络;
基于所述用户在多项认知域的测评数据,通过预设模型计算各所述认知域之间的连接权重;
基于所述心理测量网络以及各所述认知域之间的连接权重,计算各所述认知域的中心性指数;其中,所述中心性指数越高,对用户的整体认知水平影响越大;
基于各所述认知域的中心性指数,输出用于提升所述用户整体认知水平的至少一项待提升认知域;其中,不同认知域对应不同的认知功能。
其中较优地,所述通过预设模型计算各所述认知域之间的连接权重,具体包括:
假设各认知域X服从均值为,方差为/>样的高维正态分布,/>为X的N个采样点,通过下式计算各所述认知域的概率值:
各样本采用极大似然估计对取对数,则有:
即:
求解精度矩阵,所述精度矩阵的每个分量即为各所述认知域之间的连接权重;
其中,各样本满足概率之积最大,求解下式的最大值:
其中,为精度矩阵。
其中较优地,所述认知域的中心性指数与所述认知域的介数和强度正相关;其中,所述介数表示所述认知域所在节点所连接的边的数量;所述强度表示所述认知域所连接的边的权重和。
其中较优地,所述中心性指数的计算过程,包括如下子步骤:
基于所述心理测量网络,获取各所述认知域所对应的介数;
基于各所述认知域之间的连接权重,获取各所述认知域所对应的强度;
基于各所述认知域所对应的介数和强度,计算各所述认知域所对应的中心性指数。
其中较优地,所述中心性指数通过以下方式计算:
对于任意一个所述认知域,分别对所述认知域的介数x和强度y进行归一化处理;其中,x’=(x-xmin)/( xmax-xmin),y’=(y-ymin)/( ymax- ymin);
取所述认知域的介数x和强度y经过归一化处理后的平均值,作为所述认知域的中心性指数M,其中M=(x’+y’)/2。
其中较优地,所述多项认知域为基于CHC理论所确定的七项认知域,所述七项认知域包括:注意力、记忆力、感知觉、敏捷性、执行功能、思维和情感。
根据本发明实施例的第二方面,提供一种基于心理测量网络的认知训练方法,包括如下步骤:
基于上述认知评估方法对用户进行认知功能的评估,以输出所述用户的至少一项待提升认知域;
针对所述用户的每一项待提升认知域,分别获取对应的训练任务,以组合形成训练方案;
推送所述训练方案给所述用户进行认知训练。
其中较优地,所述认知训练方法还包括:
获取所述用户进行认知训练的训练数据;
基于所述训练数据分别计算对应于各认知域的脑能力推送权重,并获取所述用户对应于各认知域的脑能力损伤结果和脑能力训练次数;
基于所述用户的各项脑能力推送权重、脑能力损伤结果和脑能力训练次数,对所述训练方案中的训练任务进行任务更新。
其中较优地,所述推送权重的计算方式如下:
基于各认知域所对应中心性指数对各认知域进行排序;其中,中心性指数越高,则推送优先级越高;
根据各认知域的链接权重和损伤程度,对每一个具有链接的认知域进行排序;其中,链接权重和损伤程度在推送优先级中各占50%的权重,推送优先级=链接权重0.5+(100-认知测试得分)/>0.5。
根据本发明实施例的第三方面,提供一种基于心理测量网络的认知评估系统,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:
获取用户在多项认知域的测评数据;
将每一个所述认知域作为一个节点,并将任意两个认知域之间的关联性作为连接两个节点的边,以构建心理测量网络;
基于所述用户在多项认知域的测评数据,通过预设模型计算各所述认知域之间的连接权重;
基于所述心理测量网络以及各所述认知域之间的连接权重,计算各所述认知域的中心性指数;其中,所述中心性指数越高,对用户的整体认知水平影响越大;
基于各所述认知域的中心性指数,输出用于提升所述用户整体认知水平的至少一项待提升认知域;其中,不同认知域对应不同的认知功能。
与现有技术相比较,本发明具有以下的技术效果:
1. 通过建立心理测量网络,相比于现有的认知数字疗法更关注各认知域之间的内在联系,并关注各认知域相互作用下对整体认知的影响。
2. 通过找出对用户提升最大的认知域,从而可基于该认知域对用户进行认知训练,使得其他认知域也能够进一步的提升,进而使得用户的整体认知水平得到极大程度的改善,提高用户的认知训练效果。
3. 通过将对用户提升最大的认知域作为训练方案的推送核心,从而可建立更加完善有效的训练推送系统。
附图说明
图1为本发明第一实施例提供的一种基于心理测量网络的认知评估方法的流程图;
图2为本发明第一实施例中,心理测量网络的示意图;
图3为本发明第二实施例提供的一种基于心理测量网络的认知训练方法的流程图;
图4为本发明第三实施例提供的一种基于心理测量网络的认知评估系统的结构图。
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。
本发明实施例通过对各项认知域之间的关联性进行建模分析,从而对认知功能的训练效果进行评估,以找出对用户的整体认知水平提升最大的一项或几项认知域,从而训练用户对应的认知功能,进而提高用户的认知功能训练效果。
第一实施例
如图1所示,本发明第一实施例提供的一种基于心理测量网络的认知评估方法,具体包括步骤S1~S5:
S1:获取用户在多项认知域的测评数据。
具体包括步骤S11~S14:
S11:预先确定所需要测评的多项认知域。
本实施例中,基于CHC(Cattell-Horn-Carroll theory)理论,确定所需要测评的各项认知域为:注意力、记忆力、感知觉、敏捷性、执行功能、思维、情感七个认知域。
S12:根据所确定的认知域种类,选择对各项认知域进行测评的认知决策任务。
S13:要求用户完成各项认知域的认知决策任务,并获取用户在各认知决策任务上的行为数据;其中,决策任务可以包括例如Stroop Task等的知觉决策,根据决策任务内容以及属性,将结果分别对应到所涉及到的认知功能。并且,该行为数据至少包括反应时长和正确率。
S14:基于上述行为数据对用户进行各项认知域的测评,并获取对应的测评数据。
S2:构建心理测量网络。
具体的,如图2所示,将每一个认知域作为一个节点,并将任意两个认知域之间的关联性作为连接两个节点的边,以构建心理测量网络。其中,图2中的每一个圆圈代表一个认知域,若两个认知域之间存在关联性,则通过一条直线将二者连接,反之,则不连接。
S3:基于用户在多项认知域的测评数据,通过预设模型计算各认知域之间的连接权重。
本实施例中,该连接权重的计算方式包括步骤S31~S33:
S31:假设各认知域X服从均值为,方差为/>样的高维正态分布,/>为X的N个采样点,则可以计算出各认知域的概率值:
S32:各样本应满足概率密度函数乘积最大,采用极大似然估计对取对数,则有:
即:
S33:求解精度矩阵,该精度矩阵的每个分量即为各认知域之间的连接权重;
其中,各样本满足概率之积最大,故求解下式最大值:
其中,为精度矩阵,即所建立模型要估计的模型参数。
可以理解的是,该连接权重表示两个认知域之间的关联程度,连接权重越大则关联程度越高。由此,对于两个具有关联性的认知域而言,训练其中一个认知域,则会相应地提高另一个认知域的认知水平,而且关联程度越高,对另一个认知域的认知提升效果越好。
S4:基于心理测量网络以及各认知域之间的连接权重,计算各认知域的中心性指数。
本实施例中,认知域的中心性指数与认知域的介数和强度正相关。其中,介数表示认知域所在节点所连接的边的数量;强度表示认知域所连接的边的权重和。并且,认知域的中心性指数越高,则训练该认知域对用户的整体认知水平提升越大。
具体的,该步骤S4包括步骤S41~S43:
S41:基于心理测量网络,获取各认知域所对应的介数;
S42:基于各认知域之间的连接权重,获取各认知域所对应的强度;
S43:基于各认知域所对应的介数和强度,计算各认知域所对应的中心性指数。
具体的,本实施例中,对于任意一个认知域而言,当获取该认知域所对应的介数x和强度y后,则通过对该介数x和强度y进行归一化处理,得到x’和y’,进而,求取x’和y’的平均值,即为该认知域所对应的中心性指数M。
其中,x’=(x-xmin)/( xmax-xmin),y’=(y- ymin)/( ymax- ymin),M=(x’+y’)/2。
S5:基于各认知域的中心性指数,输出用于提升用户整体认知水平的至少一项待提升认知域。
具体的,当基于步骤S4计算出用户各认知域的中心性指数后,按照降序的方式对各认知域进行排序;然后,基于各认知域的排序选择排序靠前的一项或多项认知域作为用户待提升的认知域。其中,若用户待提升的认知域设定为一项,则选择排序最前的一项认知域作为该用户待提升的认知域;若用户待提升的认知域设定为多项(例如:5项),则选择前5项认知域作为该用户待提升的认知域,并且,不同认知域对应不同的认知功能。
可以理解的是,基于本实施例中的降序排列方式,则排序越靠前的认知域对用户的整体认知水平影响越大。在另一个实施例中,也可以采用升序的排列方式,则排序越靠后的认知域对用户的整体认知水平影响越大。
综上可知,利用本发明第一实施例提供的认知评估方法能够输出对用户提升最大的认知域,从而可基于该认知域对用户进行认知训练,使得其他认知域也能够进一步的提升,进而使得用户的整体认知水平得到极大程度的改善,提高用户的认知训练效果。
此外,可以理解的是,当用户基于待提升的认知域进行认知训练后,用户的认知水平会得到提升。此时,需要基于步骤S1对用户的多项认知域进行重新测评,并基于重新测评的数据计算各认知域的连接权重,进而根据用户的认知水平变化情况实时调整用户待提升的认知域。
第二实施例
如图3所示,在上述第一实施例的基础上,本发明第二实施例还提供一种基于心理测量网络的认知训练方法,具体包括步骤S10~S40:
S10:获取用户的至少一项待提升认知域。
具体的,基于上述第一实施例中的认知评估方法对用户进行认知功能的评估,以输出用户的至少一项待提升认知域。
S20:针对用户的每一项待提升认知域,分别获取对应的训练任务,以组合形成训练方案。
具体的,本实施例中预设有训练任务库。该训练任务库中,针对预设的每一项认知域均包括有多个训练任务。当基于步骤S10确定用户待提升的至少一项认知域后,从每一项认知域对应的多个训练任务中随机选择一个训练任务即可。其中,所有训练任务共同组成对应该用户的训练方案。
S30:推送训练方案给用户进行认知训练。
S40:训练方案更新。
具体的,包括步骤S41~S43:
S401:获取用户进行认知训练的训练数据。
S402:基于上述训练数据分别计算对应于各认知域的脑能力推送权重,并获取用户对应于各认知域的脑能力损伤结果和脑能力训练次数。
具体的,首先,基于各认知域所对应中心性指数对认知域进行排序;其中,中心性指数越高,在推送中优先级越高;然后,根据各认知域的链接权重和损伤程度,对每一个具有链接的认知域进行排序。链接权重越高,则推送中越优先;其中,链接权重和损伤程度在推荐优先级中各占50%的权重。
本实施例中,推送优先级=链接权重0.5+(100-认知测试得分)/>0.5。例如:在某一类患者中,注意力的中心性指数最高,则优先推荐注意力,注意力与言语功能、记忆力、定向力三个认知功能具有关联性,则推送计算优先级指数(言语功能|注意力)=(言语功能与注意力的链接权重)/>0.5 +(100-言语功能得分)/>0.5。其他记忆力和定向力的推送优先级指数计算方法一样。然后按照优先级指数排序,进行推送,得分越高,推送优先级越高。
S403:基于用户的各项脑能力推送权重、脑能力损伤结果和脑能力训练次数,对训练方案中的训练任务进行任务更新。
可以理解的是,本发明第二实施例中,通过第一实施例中的认知评估方法找到核心认知域,并将该核心认知域作为训练方案推送的核心点,从而建立更加完善有效的训练推送系统。
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基于心理测量网络的认知评估系统。该认知评估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实现如上述第一实施例中的基于心理测量网络的认知评估方法。
其中,处理器21用于控制该认知评估系统的整体操作,以完成上述基于心理测量网络的认知评估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认知评估系统的操作,这些数据例如可以包括用于在该认知评估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,该认知评估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,用于执行上述的基于心理测量网络的认知评估方法,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基于心理测量网络的认知评估方法的步骤。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,上述程序指令可由认知评估系统的处理器执行以完成上述的基于心理测量网络的认知评估方法,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基于心理测量网络的认知评估方法、训练方法及评估系统,具有以下的有益效果:
1. 通过建立心理测量网络,相比于现有的认知数字疗法更关注各认知域之间的内在联系,并关注各认知域相互作用下对整体认知的影响。
2. 通过找出对用户提升最大的认知域,从而可基于该认知域对用户进行认知训练,使得其他认知域也能够进一步的提升,进而使得用户的整体认知水平得到极大程度的改善,提高用户的认知训练效果。
3. 通过将对用户提升最大的认知域作为训练方案的推送核心,从而可建立更加完善有效的训练推送系统。
需要说明的是,上述多个实施例只是举例,各个实施例的技术方案之间可以进行组合,均在本发明的保护范围内。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
上面对本发明提供的基于心理测量网络的认知评估方法、训练方法及评估系统进行了详细的说明。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 (10)
1.一种基于心理测量网络的认知评估方法,其特征在于包括如下步骤:
获取用户在多项认知域的测评数据;
将每一个所述认知域作为一个节点,并将任意两个认知域之间的关联性作为连接两个节点的边,以构建心理测量网络;
基于所述用户在多项认知域的测评数据,通过预设模型计算各所述认知域之间的连接权重;
基于所述心理测量网络以及各所述认知域之间的连接权重,计算各所述认知域的中心性指数;其中,所述中心性指数越高,对用户的整体认知水平影响越大;
基于各所述认知域的中心性指数,输出用于提升所述用户整体认知水平的至少一项待提升认知域;其中,不同认知域对应不同的认知功能。
2.如权利要求1所述的认知评估方法,其特征在于所述通过预设模型计算各所述认知域之间的连接权重,具体包括:
假设各认知域X服从均值为,方差为/>样的高维正态分布,/>为X的N个采样点,通过下式计算各所述认知域的概率值:
各样本采用极大似然估计对取对数,则有:
即:;
求解精度矩阵,所述精度矩阵的每个分量即为各所述认知域之间的连接权重;
其中,各样本满足概率之积最大,求解下式的最大值:
其中,为精度矩阵。
3.如权利要求1所述的认知评估方法,其特征在于:
所述认知域的中心性指数与所述认知域的介数和强度正相关;其中,所述介数表示所述认知域所在节点所连接的边的数量;所述强度表示所述认知域所连接的边的权重和。
4.如权利要求3所述的认知评估方法,其特征在于所述中心性指数的计算过程包括如下子步骤:
基于所述心理测量网络,获取各所述认知域所对应的介数;
基于各所述认知域之间的连接权重,获取各所述认知域所对应的强度;
基于各所述认知域所对应的介数和强度,计算各所述认知域所对应的中心性指数。
5.如权利要求4所述的认知评估方法,其特征在于所述中心性指数通过以下方式计算:
对于任意一个所述认知域,分别对所述认知域的介数x和强度y进行归一化处理;其中,x’=(x-xmin)/( xmax-xmin),y’=(y- ymin)/( ymax- ymin);
取所述认知域的介数x和强度y经过归一化处理后的平均值,作为所述认知域的中心性指数M,其中M=(x’+y’)/2。
6.如权利要求1所述的认知评估方法,其特征在于:
所述多项认知域为基于CHC理论所确定的七项认知域,所述七项认知域包括:注意力、记忆力、感知觉、敏捷性、执行功能、思维和情感。
7.一种基于心理测量网络的认知训练方法,其特征在于包括如下步骤:
基于权利要求1~6中任意一项所述的认知评估方法对用户进行认知功能的评估,以输出所述用户的至少一项待提升认知域;
针对所述用户的每一项待提升认知域,分别获取对应的训练任务,以组合形成训练方案;
推送所述训练方案给所述用户进行认知训练。
8.如权利要求7所述的认知功能训练方法,其特征在于还包括:
获取所述用户进行认知训练的训练数据;
基于所述训练数据分别计算对应于各认知域的脑能力推送权重,并获取所述用户对应于各认知域的脑能力损伤结果和脑能力训练次数;
基于所述用户的各项脑能力推送权重、脑能力损伤结果和脑能力训练次数,对所述训练方案中的训练任务进行任务更新。
9.如权利要求8所述的认知功能训练方法,其特征在于所述推送权重的计算方式如下:
基于各认知域所对应中心性指数对各认知域进行排序;其中,中心性指数越高,则推送优先级越高;
根据各认知域的链接权重和损伤程度,对每一个具有链接的认知域进行排序;其中,链接权重和损伤程度在推送优先级中各占50%的权重,推送优先级=链接权重0.5+(100-认知测试得分)/>0.5。
10.一种基于心理测量网络的认知评估系统,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:
获取用户在多项认知域的测评数据;
将每一个所述认知域作为一个节点,并将任意两个认知域之间的关联性作为连接两个节点的边,以构建心理测量网络;
基于所述用户在多项认知域的测评数据,通过预设模型计算各所述认知域之间的连接权重;
基于所述心理测量网络以及各所述认知域之间的连接权重,计算各所述认知域的中心性指数;其中,所述中心性指数越高,对用户的整体认知水平影响越大;
基于各所述认知域的中心性指数,输出用于提升所述用户整体认知水平的至少一项待提升认知域;其中,不同认知域对应不同的认知功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410411643.9A CN118000684A (zh) | 2024-04-08 | 2024-04-08 | 基于心理测量网络的认知评估方法、训练方法及评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410411643.9A CN118000684A (zh) | 2024-04-08 | 2024-04-08 | 基于心理测量网络的认知评估方法、训练方法及评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118000684A true CN118000684A (zh) | 2024-05-10 |
Family
ID=90954359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410411643.9A Pending CN118000684A (zh) | 2024-04-08 | 2024-04-08 | 基于心理测量网络的认知评估方法、训练方法及评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118000684A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100805274B1 (ko) * | 2007-01-16 | 2008-02-20 | 성신여자대학교 산학협력단 | 게임을 이용한 인지 장애 치료 방법 및 그 기록 매체,게임을 이용한 인지 장애 치료 장치 |
CN105808970A (zh) * | 2016-05-09 | 2016-07-27 | 南京智精灵教育科技有限公司 | 一种在线认知评估系统及评估方法 |
CN112546446A (zh) * | 2020-11-24 | 2021-03-26 | 浙江大学医学院附属邵逸夫医院 | 一种基于权重功能连接的个体化靶点定位方法 |
CN114036315A (zh) * | 2021-11-16 | 2022-02-11 | 华东师范大学 | 一种基于高斯分布精度矩阵的知识网络构建方法及系统 |
CN115981464A (zh) * | 2022-12-22 | 2023-04-18 | 北京京东方显示技术有限公司 | 一种虚拟现实系统、显示模式控制方法及电子设备 |
-
2024
- 2024-04-08 CN CN202410411643.9A patent/CN118000684A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100805274B1 (ko) * | 2007-01-16 | 2008-02-20 | 성신여자대학교 산학협력단 | 게임을 이용한 인지 장애 치료 방법 및 그 기록 매체,게임을 이용한 인지 장애 치료 장치 |
CN105808970A (zh) * | 2016-05-09 | 2016-07-27 | 南京智精灵教育科技有限公司 | 一种在线认知评估系统及评估方法 |
CN112546446A (zh) * | 2020-11-24 | 2021-03-26 | 浙江大学医学院附属邵逸夫医院 | 一种基于权重功能连接的个体化靶点定位方法 |
CN114036315A (zh) * | 2021-11-16 | 2022-02-11 | 华东师范大学 | 一种基于高斯分布精度矩阵的知识网络构建方法及系统 |
CN115981464A (zh) * | 2022-12-22 | 2023-04-18 | 北京京东方显示技术有限公司 | 一种虚拟现实系统、显示模式控制方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110993081B (zh) | 一种医生在线推荐方法及系统 | |
Wang et al. | Quantifying the Waddington landscape and biological paths for development and differentiation | |
CN106982196A (zh) | 一种异常访问检测方法及设备 | |
Purves et al. | How biological vision succeeds in the physical world | |
CN111949890B (zh) | 基于医学领域的数据推荐方法、设备、服务器及存储介质 | |
WO2021073263A1 (zh) | 一种患病风险的预测方法及装置 | |
US20210192365A1 (en) | Computer device, system, readable storage medium and medical data analysis method | |
KR102320580B1 (ko) | 딥러닝을 이용한 근시 진행 예측 방법 및 시스템 | |
CN110598786B (zh) | 神经网络的训练方法、语义分类方法、语义分类装置 | |
CN112819797B (zh) | 糖尿病性视网膜病变分析方法、装置、系统及存储介质 | |
CN102405473A (zh) | 医护点动作医疗系统和方法 | |
JP5392444B1 (ja) | 保健指導対象者選定条件作成支援装置 | |
CN115910325A (zh) | 用于认知任务测评的建模方法、认知任务测评方法及系统 | |
Vigeland et al. | Joint DNA-based disaster victim identification | |
CN114925216A (zh) | 基于知识图谱的健康管理方法及装置 | |
CN110349675A (zh) | 一种心血管疾病预测设备及装置 | |
CN118000684A (zh) | 基于心理测量网络的认知评估方法、训练方法及评估系统 | |
CN113053516A (zh) | 一种对抗样本生成方法、装置、设备及存储介质 | |
CN116738240A (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 | |
Spry et al. | Spatial and temporal processing of threshold data for detection of progressive glaucomatous visual field loss | |
CN109597989A (zh) | 诊断词归一方法及装置、存储介质、电子设备 | |
Rudser et al. | Distribution‐free inference on contrasts of arbitrary summary measures of survival | |
Maria et al. | Obesity Risk Prediction Using Machine Learning Approach | |
CN113782092A (zh) | 一种生存期预测模型的生成方法及装置、存储介质 | |
CN113066531A (zh) | 风险预测方法、装置、计算机设备及存储介质 |
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 |