CN113284623B - 基于用户能力的个性化认知训练任务推荐算法及*** - Google Patents
基于用户能力的个性化认知训练任务推荐算法及*** Download PDFInfo
- Publication number
- CN113284623B CN113284623B CN202110833758.3A CN202110833758A CN113284623B CN 113284623 B CN113284623 B CN 113284623B CN 202110833758 A CN202110833758 A CN 202110833758A CN 113284623 B CN113284623 B CN 113284623B
- Authority
- CN
- China
- Prior art keywords
- training
- user
- task
- ability
- tasks
- 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 289
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 85
- 238000013101 initial test Methods 0.000 claims abstract description 37
- 230000003930 cognitive ability Effects 0.000 claims description 66
- 239000011159 matrix material Substances 0.000 claims description 65
- 201000010099 disease Diseases 0.000 claims description 43
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000010339 medical test Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 14
- 241001112258 Moca Species 0.000 description 9
- 230000009471 action Effects 0.000 description 6
- 239000012530 fluid Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 208000010877 cognitive disease Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 241000699800 Cricetinae Species 0.000 description 2
- 241000287127 Passeridae Species 0.000 description 2
- 238000010009 beating Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 208000027061 mild cognitive impairment Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Developmental Disabilities (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于个性化推荐技术领域,具体涉及基于用户能力的个性化认知训练任务推荐算法及***。包括步骤:建立机器初测推荐任务训练列表;建立人工评价推荐任务训练列表;以及合并排序,建立最优推荐任务训练列表。本发明供一种设计合理、综合考虑多因素且推荐结果准确度高的基于用户能力的个性化认知训练任务推荐算法。
Description
技术领域
本发明属于个性化推荐技术领域,具体涉及基于用户能力的个性化认知训练任务推荐算法及***。
背景技术
随着医疗行业的快速发展,如何为用户及时准确地推荐满足其个性化需求的认知训练是当前的一个研究热点。推荐***作为一种重要的信息过滤技术和手段,吸引了大量学者的研究。目前,推荐***已经被广泛应用在各种大型多媒体和电子商务网站上,如亚马逊、京东、谷歌新闻和淘宝等。推荐***主要分为三类:基于内容的推荐、基于协同过滤的推荐和基于混合的推荐。其中,基于协同过滤的推荐算法是最经典、应用最广泛的。
为了为用户及时准确地推荐满足其个性化需求的认知训练,研究人员将推荐***引入到医疗行业中。例如,研究人员提出了基于疾病的推荐***,该***可以通过人工判定用户的疾病状况,然后为其推荐训练任务。但是上述方法没有考虑用户的认知功能的具体受损情况。因此现有的认知训练推荐算法在准确度方面仍然存在很大的提升空间。
发明内容
本发明的目的在于克服现有技术的不足,提供一种设计合理、综合考虑多因素且推荐结果准确度高的基于用户能力的个性化认知训练任务推荐算法。
本发明的再一目的在于提供基于用户能力的个性化认知训练任务推荐***。
根据本发明的基于用户能力的个性化认知训练任务推荐算法,包括以下步骤:
建立机器初测推荐任务训练列表;
建立人工评价推荐任务训练列表;以及
合并排序,建立最优推荐任务训练列表,
其中,所述建立机器初测推荐任务训练列表包括以下步骤:
S1-1:建立一般认知能力模型,并根据所述一般认知能力模型构建能力权重矩阵(L×K)以及训练任务能力权重矩阵(T×K),然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理,其中,
建立一般认知能力结构方程模型的公式如下:
x =Λ X η LK +ε LK
y =Λ y η TK +ε TK
其中,x是单项量表或综合性量表分项组成的向量,η LK 是认知能力组成的向量,Λ X 是量表与认知能力之间的关系,是量表在认知能力上的因子负荷矩阵,ε LK 是量表测量上的误差,y是训练任务组成的向量,η TK 是认知能力组成的向量,Λ y 是训练任务与认知能力之间的关系,是训练任务在认知能力上的因子负荷矩阵;ε TK 是训练任务计算上的误差,
对于所述能力权重矩阵(L×K),L表示量表集合,K表示能力集合;w mn 表示量表lm∈L对能力k n ∈K的权重,w mn ∈L×K,
对于所述训练任务能力权重矩阵(T×K),T表示训练任务集合,K表示能力集合,r fj 表示训练任务t f ∈T对能力k j ∈K的权重,r fj ∈T×K;
S1-2:指通过***预先设置好的量表进行施测,根据量表作答情况来收集数据,构建用户u和能力k的关联分数w uk ,
S1-3:计算用户u对训练任务i的匹配度P ui ,公式如下:
P ui = ∑W uk r fj
k∈G(u,i)
其中,G(u,i)表示用户u和训练任务i共有的能力,W uk 表示用户u和能力k的关联分数,r fj 表示训练任务t f ∈T对能力k j ∈K的权重;
S1-4:建立机器初测推荐任务训练列表:对集I(u)中的所有训练任务进行按照用户匹配度进行排序,其中,
集I(u)是指针对用户目前***中所有任务训练的集合,这个集会随着***升级不断增加,如2.0***共有77个任务训练;
所述建立人工评价推荐任务训练列表包括以下步骤:
S2-1:建立疾病训练模型:确定训练任务i和疾病d的关联度w id ,构建疾病训练任务权重矩阵(I×D)并进行标准化处理,其中,
I表示训练任务集合,D表示疾病集合,
w id 表示训练任务i∈I对疾病d∈D的权重,w id ∈I×D;
S2-2:基于用户已持有的医学检测结果,确定用户u和疾病d的关联性分数Q ui 分数,分数范围在1-100分,d u ∈D;
S2-3计算用户u对训练任务i的匹配度P’ ui ,公式如下:
P’ ui = ∑Q ui W id
d∈H(u)
其中,H(u)表示用户确诊的疾病的集合,W id 表示训练任务i和疾病d的关联性分数,Q ui 表示用户u和疾病d的关联性分数,
S2-4:建立人工评价推荐任务训练列表:对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序,其中,
集I’(u)是指基于文献或经验的疾病对应的一般任务训练的集合,可以是多个疾病的并集,这个集会随着对疾病认知的加深而不断变化,如偏侧忽略可训练的任务包括长空捕雀、一锤定音、寻枝摘果等;
所述建立最优推荐任务训练列表包括步骤:训练任务经过双重测评推荐,将用户u对训练任务i的匹配度P ui 和P’ ui 分别进行加权再求和,计算每个训练任务的推荐得分S,
S=aP ui +bP’ ui
其中a表示机器初测对应的权重;b表示人工评价对应的权重,将每个训练任务按得分高低排列,该顺序规则为最优推荐。
根据本发明的基于用户能力的个性化认知训练任务推荐算法,其中,
其中,通过以下步骤构建所述用户u和能力k的关联分数w uk :
用户依次完成机器初测预先设定的n个综合性测评子单元,并分别生成原始分数X n ;
提取受试者在n个综合性测评子单元中的原始分数,然后根据健康用户综合常模参数对综合性测评子单元中的原始分数进行标准化转换,生成用户u和能力k的关联分数w uk ,公式如下:
其中,
i的取值范围为1~n;W uk 是进行标准化转换后的综合性测评子单元分数,即用户u
和能力k的关联分数,如果用户被测量出能力较差,偏离常模越多,W uk 的值越大;X i 是综合
性测评子单元中的原始分; i 是与受试者年龄、性别、职业、教育程度匹配的健康人群综合
性测评子单元原始得分的平均值;σ i 是与受试者年龄、性别、职业、教育程度匹配的健康人
群综合性测评子单元原始得分的标准差; i 和σ i 又叫做健康用户综合常模参数;w mn 表示量
表lm∈L对能力kn∈K的权重。
基于用户能力的个性化认知训练任务推荐***,所述***包括机器初测模块、人工评价模块和综合推荐模块,
其中,所述机器初测模块用于建立机器初测推荐任务训练列表,通过以下步骤建立机器初测推荐任务训练列表:
S1-1:建立一般认知能力模型,并根据所述一般认知能力模型构建能力权重矩阵(L×K)以及训练任务能力权重矩阵(T×K),然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理,其中,
建立一般认知能力结构方程模型的公式如下:
x =Λ X η LK +ε LK
y =Λ y η TK +ε TK
其中,x是单项量表或综合性量表分项组成的向量,η LK 是认知能力组成的向量,Λ X 是量表与认知能力之间的关系,是量表在认知能力上的因子负荷矩阵,ε LK 是量表测量上的误差,y是训练任务组成的向量,η TK 是认知能力组成的向量,Λ y 是训练任务与认知能力之间的关系,是训练任务在认知能力上的因子负荷矩阵;ε TK 是训练任务计算上的误差,
对于所述能力权重矩阵(L×K),L表示量表集合,K表示能力集合;w mn 表示量表lm∈L对能力k n ∈K的权重,w mn ∈L×K,
对于所述训练任务能力权重矩阵(T×K),T表示训练任务集合,K表示能力集合,r fj 表示训练任务t f ∈T对能力k j ∈K的权重,r fj ∈T×K;
S1-2:指通过预先设置好的量表进行施测,根据量表作答情况来收集数据,构建用户u和能力k的关联分数w uk ,
S1-3:计算用户u对训练任务i的匹配度P ui ,公式如下:
P ui = ∑W uk r fj
k∈G(u,i)
其中,G(u,i)表示用户u和训练任务i共有的能力,W uk 表示用户u和能力k的关联分数,r fj 表示训练任务t f ∈T对能力k j ∈K的权重;
S1-4:建立机器初测推荐任务训练列表:对集I(u)中的所有训练任务进行按照用户匹配度进行排序,集I(u)是指针对用户目前***中所有任务训练的集合,
所述人工测评模块用于建立人工评价推荐任务训练列表,通过以下步骤建立人工评价推荐任务训练列表:
S2-1:建立疾病训练模型,确定训练任务i和疾病d的关联度w id ,构建疾病训练任务权重矩阵(I×D)并进行标准化处理,其中,
I表示训练任务集合,D表示疾病集合,
w id 表示训练任务i∈I对疾病d∈D的权重,w id ∈I×D;
S2-2:基于用户已持有的医学检测结果,确定用户u和疾病d的关联性分数Q ui 分数,分数范围在1-100分,d u ∈D;
S2-3计算用户u对训练任务i的匹配度P’ ui ,公式如下:
P’ ui = ∑Q ui W id
d∈H(u)
其中,H(u)表示用户确诊的疾病的集合,W id 表示训练任务i和疾病d的关联性分数,Q ui 表示用户u和疾病d的关联性分数,
S2-4:建立人工评价推荐任务训练列表,对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序;
所述综合推荐模块用于建立最优推荐任务训练列表,通过以下步骤建立最优推荐任务训练列表:
训练任务经过双重测评推荐,将用户u对训练任务i的匹配度P ui 和P’ ui 分别进行加权再求和,计算每个训练任务的推荐得分S,
S=aP ui +bP’ ui
其中a表示机器初测对应的权重,b表示人工评价对应的权重,将每个训练任务按得分高低排列,该顺序规则为最优推荐。
本发明通过优化算法提高了认知训练推荐算法的准确度,它能够基于用户的能力进行个性化的推荐认知训练任务,并通过机器算法和人工评价相结合的方式做到治疗方案的互为补充,平衡机器和人为的问题,减少决策误差。该方案基于认知任务训练的不断丰富,具有较强的兼容性和可拓展性。
附图说明
图1为本申请的基于用户能力的个性化认知训练任务推荐算法的流程图;
图2为根据本申请的实施例的构建认知能力的实例图;
图3为根据本申请的实施例的另一构建认知能力的实例图;
图4为本申请的基于用户能力的个性化认知训练任务推荐***的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
根据本发明的基于用户能力的个性化认知训练任务推荐算法,包括以下步骤:
建立机器初测推荐任务训练列表;
建立人工评价推荐任务训练列表;以及
合并排序,建立最优推荐任务训练列表,
其中,所述建立机器初测推荐任务训练列表包括以下步骤:
S1-1:建立一般认知能力模型,并根据所述一般认知能力模型构建能力权重矩阵(L×K)以及训练任务能力权重矩阵(T×K),然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理,其中,
建立一般认知能力结构方程模型的公式如下:
x =Λ X η LK +ε LK
y =Λ y η TK +ε TK
其中,x是单项量表或综合性量表分项组成的向量,η LK 是认知能力组成的向量,Λ X 是量表与认知能力之间的关系,是量表在认知能力上的因子负荷矩阵,ε LK 是量表测量上的误差,y是训练任务组成的向量,η TK 是认知能力组成的向量,Λ y 是训练任务与认知能力之间的关系,是训练任务在认知能力上的因子负荷矩阵;ε TK 是训练任务计算上的误差,
对于所述能力权重矩阵(L×K),L表示量表集合,K表示能力集合;w mn 表示量表lm∈L对能力k n ∈K的权重,w mn ∈L×K,
对于所述训练任务能力权重矩阵(T×K),T表示训练任务集合,K表示能力集合,r fj 表示训练任务t f ∈T对能力k j ∈K的权重,r fj ∈T×K;
S1-2:指通过***预先设置好的量表进行施测,根据量表作答情况来收集数据,构建用户u和能力k的关联分数w uk ,
S1-3:计算用户u对训练任务i的匹配度P ui ,公式如下:
P ui = ∑W uk r fj
k∈G(u,i)
其中,G(u,i)表示用户u和训练任务i共有的能力,W uk 表示用户u和能力k的关联分数,r fj 表示训练任务t f ∈T对能力k j ∈K的权重;
S1-4:建立机器初测推荐任务训练列表:对集I(u)中的所有训练任务进行按照用户匹配度进行排序,
集I(u)是指针对用户目前***中所有任务训练的集合,这个集会随着***升级不断增加,如2.0***共有77个任务训练。
所述建立人工评价推荐任务训练列表包括以下步骤:
S2-1:建立疾病训练模型:确定训练任务i和疾病d的关联度w id ,构建疾病训练任务权重矩阵(I×D)并进行标准化处理,其中,
I表示训练任务集合,D表示疾病集合,
w id 表示训练任务i∈I对疾病d∈D的权重,w id ∈I×D;
S2-2:基于用户已持有的医学检测结果,确定用户u和疾病d的关联性分数Q ui 分数,分数范围在1-100分,d u ∈D;
S2-3计算用户u对训练任务i的匹配度P’ ui ,公式如下:
P’ ui = ∑Q ui W id
d∈H(u)
其中,H(u)表示用户确诊的疾病的集合,W id 表示训练任务i和疾病d的关联性分数,Q ui 表示用户u和疾病d的关联性分数。,
S2-4:建立人工评价推荐任务训练列表:对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序;
集I’(u)是指基于文献或经验的疾病对应的一般任务训练的集合,可以是多个疾病的并集,这个集会随着对疾病认知的加深而不断变化,如偏侧忽略可训练的任务包括长空捕雀、一锤定音、寻枝摘果等。
所述建立最优推荐任务训练列表包括步骤:训练任务经过双重测评推荐,将用户u对训练任务i的匹配度P ui 和P’ ui 分别进行加权再求和,计算每个训练任务的推荐得分S,
S=aP ui +bP’ ui
其中a表示机器初测对应的权重;b表示人工评价对应的权重,将每个训练任务按得分高低排列,该顺序规则为最优推荐。
权重“a”和“b”***默认值为0.5,0.5,表示任务训练推荐尊重机器算法和人工评价的双重意见;如a=1,b=0,则表示完全参照机器算法的推荐;如a=0,b=1,则表示完全参照人工评价的推荐。在实际运用中可根据有经验的治疗师对患者的了解程度自行设定,机器与人工互为补充,以此来减少单一机器算法或人工评价的决策误差。
根据本发明的基于用户能力的个性化认知训练任务推荐算法,其中,
其中,通过以下步骤构建所述用户u和能力k的关联分数w uk :
用户依次完成机器初测预先设定的n个综合性测评子单元,并分别生成原始分数X n ;
提取受试者在n个综合性测评子单元中的原始分数,然后根据健康用户综合常模参数对综合性测评子单元中的原始分数进行标准化转换,生成用户u和能力k的关联分数w uk ,公式如下:
其中,
i的取值范围为1~n;W uk 是进行标准化转换后的综合性测评子单元分数,即用户u
和能力k的关联分数,如果用户被测量出能力较差,偏离常模越多,W uk 的值越大;X i 是综合
性测评子单元中的原始分; i 是与受试者年龄、性别、职业、教育程度匹配的健康人群综合
性测评子单元原始得分的平均值;σ i 是与受试者年龄、性别、职业、教育程度匹配的健康人
群综合性测评子单元原始得分的标准差; i 和σ i 又叫做健康用户综合常模参数;w mn 表示量
表lm∈L对能力kn∈K的权重。
以下结合附图,详细说明本申请各实施例提供的技术方案。
如图1所示,本发明的基于用户能力的个性化认知训练任务推荐算法,包括步骤:
S1建立机器初测推荐任务训练列表;
S2建立人工评价推荐任务训练列表;以及
S3合并排序,建立最优推荐任务训练列表。
其中,步骤S1建立机器初测推荐任务训练列包括以下步骤
S1-1建立一般认知能力模型,依据智力理论和脑功能网络的研究成果,构建能力权重矩阵,训练任务能力权重矩阵,然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理。
建立一般认知能力结构方程模型的公式如下:
x =Λ X η LK +ε LK
y =Λ y η TK +ε TK
其中,x是单项量表或综合性量表分项组成的向量;η LK 是认知能力组成的向量;Λ X 是量表与认知能力之间的关系,是量表在认知能力上的因子负荷矩阵;ε LK 是量表测量上的误差。y是训练任务组成的向量;η TK 是认知能力组成的向量;Λ y 是训练任务与认知能力之间的关系,是训练任务在认知能力上的因子负荷矩阵;ε TK 是训练任务计算上的误差。
例如,如图2所示,在本例中x BNT 即x ,BNT为MoCA测试中命名子测试的缩写;Λ X =0.81;η BNT-Gc 即η LK ,BNT为MoCA测试中命名子测试的缩写,Gc为能力理解知识的缩写;ε BNT-Gc 即ε LK ,值为0,MoCA测试中命名子测试与能力理解知识的表达式为:
x BNT =0.81*η BNT-Gc +ε BNT-Gc
如图3所示,在本例中y 30001 即y ,30001为打地鼠的ID;Λ X =0.88;η 30001-Gv 即η TK ,30001为打地鼠的ID,Gv为能力视觉处理的缩写;ε 30001-Gv 即ε TK ,值为0,打地鼠与能力视觉处理的表达式为:
y 30001 =0.88*η 30001-Gv +ε 30001-Gv
其中,根据一般认知能力结构方程模型,构建能力权重矩阵(L×K) ,其中L表示量表集合;K表示能力集合;w mn 表示量表lm∈L对能力k n ∈K的权重,w mn ∈L×K。
表1能力权重矩阵
理解知识 | 视觉处理 | 流体推理 | 短期记忆 | 处理速度 | |
命名 | 0.81 | 0.83 | |||
数字顺背 | 0.42 | 0.88 | |||
句子复述 | 0.65 | 0.87 |
注:量表集合L为MoCA测试中的命名子测试、数字顺背子测试、句子复述子测试,共3个元素。能力集合K为理解知识、视觉处理、流体推理、短期记忆、处理速度,共5个元素。
其中,根据一般认知能力结构方程模型,构建训练任务能力权重矩阵(T×K) ,其中,
T表示训练任务集合;K表示能力集合;r fj 表示训练任务t f ∈T对能力k j ∈K的权重,r fj ∈T×K。
表2训练任务能力权重矩阵
理解知识 | 视觉处理 | 流体推理 | 短期记忆 | 处理速度 | |
打地鼠 | 0.88 | 0.82 | |||
动点点击 | 0.89 | 0.4 | 0.85 |
注:量表集合T为打地鼠、动点点击,共2个元素。能力集合K为理解知识、视觉处理、流体推理、短期记忆、处理速度,共5个元素。
S1-2:通过机器初测计算用户自身能力状况,其中,机器初测是指通过***预先设置好的量表进行施测,根据量表作答情况来收集数据,测量结果会被智能分析,并比对常模以确定用户自身能力状况,构建用户u和能力k的关联分数w uk 。通过***预先设置好的量表进行的测试包括MoCA、MMSE、ADL、PHQ-9、GAD-7、生活满意度指数等临床应用较广的量表和任务式测评工具。
其中,通过以下步骤构建所述用户u和能力k的关联分数w uk :
(1)用户依次完成机器初测预先设定的综合性测评子单元1、2、3、......n个测评,并生成原始分数X 01 、X 02 、X 03 、......X n 。
例如用户张某进行了MoCA测试,生成了MoCA测评得分表,原始分数在最后一列显示,包括总分和分项分数,如以下表3所示。
表3 MoCA测评得分表
(2)***会自动提取受试者在n个综合性测评子单元中的原始分数,然后根据健康用户综合常模参数对综合性测评子单元中的原始分数进行标准化转换,生成用户u和能力k的关联分数w uk ,公式如下:
其中,i的取值范围为1~n;
W uk 是进行标准化转换后的综合性测评子单元分数,即用户u和能力k的关联分数,如果用户被测量出能力较差,偏离常模越多,W uk 的值越大;
X i 是综合性测评子单元中的原始分;
σ i 是与受试者年龄、性别、职业、教育程度匹配的健康人群综合性测评子单元原始得分的标准差;
w mn 表示量表lm∈L对能力kn∈K的权重。
在本实施例中,根据常模参数和计算公式,得出用户张某在MoCA测试的数字顺背子测试对流体推理能力的关联分数为W uk =46.2,对短期记忆能力的关联分数为W uk =96.8。
S1-3:计算用户u对训练任务i的匹配度P ui ,公式如下:
P ui = ∑W uk r fj
k∈G(u,i)
其中,G(u,i)表示用户u和训练任务i共有的能力;
W uk 表示用户u和能力k的关联分数;
r fj 表示训练任务t f ∈T对能力k j ∈K的权重。
在本实施例中,得出用户张某对打地鼠训练任务的匹配度为P ui =86.4,对动点点击训练任务的匹配度为P ui =94.6。
S1-4:建立机器初测推荐任务训练列表:对集I(u)中的所有训练任务进行按照用户匹配度进行排序。取Top-N个物品,为每个训练任务赋予解释。保存Top-N个训练任务到机器初测推荐任务训练列表中,例如动点点击的排名高于打地鼠。
其中,所述建立人工评价推荐任务训练列表包括以下步骤。
S2-1:建立疾病训练模型,依据疾病病理特征和康复训练文献,确定训练任务i和疾病d的关联度w id ,构建疾病训练任务权重矩阵(I×D)并进行标准化处理。其中,
I表示训练任务集合;
D表示疾病集合;
w id 表示训练任务i∈I对疾病d∈D的权重,w id ∈I×D;
表4
阿兹海默症 | 轻度认知障碍 | 血管性认知障碍 | 偏侧忽略 | |
打地鼠 | 0.65 | 0.74 | 0.76 | 0.86 |
动点点击 | 0.87 | 0.92 | 0.79 | 0.82 |
S2-2:通过医生诊断结果(人工评价),包括对受试者主述、病史、查体情况、影像学检查结果、日常生活能力评估结果以及其它量表评估结果,综合确定用户自身(疾病)状况,用Q ui 分数表示,分数范围在1-100分,分数越高表示患疾病d的风险越高,d u ∈D;在本实施例中,对用户张某诊断结果为患轻度认知障碍的风险较高,Q ui =98。
S2-3:算用户u对训练任务i的匹配度P’ ui ,公式如下:
P’ ui = ∑Q ui W id
d∈H(u)
其中,H(u)表示用户确诊的疾病的集合,
W id 表示训练任务i和疾病d的关联性分数;
Q ui 表示用户u和疾病d的关联性分数。
在本实施例中,得出用户张某对打地鼠训练任务的匹配度为P’ ui =72.52,对动点点击训练任务的匹配度为P’ ui =90.16。
S2-4:建立人工评价推荐任务训练列表:对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序。取Top-N个物品,为每个训练任务赋予解释。保存Top-N个训练任务到人工评价推荐任务训练列表中,例如动点点击的排名高于打地鼠。
其中,在步骤“合并排序,建立最优推荐任务训练列表”中,训练任务经过双重测评推荐,通常用户会累计大量的训练任务。将用户u对训练任务i的匹配度P ui 和P’ ui 分别进行加权再求和,计算每个训练任务的推荐得分S。
S=aP ui +bP’ ui
其中a表示机器初测对应的权重;b表示人工评价对应的权重。
将每个训练任务按得分高低排列,该顺序规则为最优推荐。
在本实施例中,得出用户张某对打地鼠训练任务的推荐得分为S=79.46,对动点点击训练任务的推荐得分为S=92.38。动点点击的排名高于打地鼠。
如图4所示,基于用户能力的个性化认知训练任务推荐***,所述***包括处理器模块、电源模块、人机交互模块、通信模块、录入模块、测评模块、存储模块、计算模块和输出模块,上述电源模块、人机交互模块、通信模块、录入模块、测评模块、存储模块、计算模块和输出模块各自与处理器模块连接,所述测评模块包括机器初测模块,人工评价模块和综合难度推荐模块。
其中,所述机器初测模块用于建立机器初测推荐任务训练列表,通过以下步骤建立机器初测推荐任务训练列表:
S1-1:建立一般认知能力模型,并根据所述一般认知能力模型构建能力权重矩阵(L×K)以及训练任务能力权重矩阵(T×K),然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理,其中,
建立一般认知能力结构方程模型的公式如下:
x =Λ X η LK +ε LK
y =Λ y η TK +ε TK
其中,x是单项量表或综合性量表分项组成的向量,η LK 是认知能力组成的向量,Λ X 是量表与认知能力之间的关系,是量表在认知能力上的因子负荷矩阵,ε LK 是量表测量上的误差,y是训练任务组成的向量,η TK 是认知能力组成的向量,Λ y 是训练任务与认知能力之间的关系,是训练任务在认知能力上的因子负荷矩阵;ε TK 是训练任务计算上的误差,
对于所述能力权重矩阵(L×K),L表示量表集合,K表示能力集合;w mn 表示量表lm∈L对能力k n ∈K的权重,w mn ∈L×K,
对于所述训练任务能力权重矩阵(T×K),T表示训练任务集合,K表示能力集合,r fj 表示训练任务t f ∈T对能力k j ∈K的权重,r fj ∈T×K;
S1-2:指通过预先设置好的量表进行施测,根据量表作答情况来收集数据,构建用户u和能力k的关联分数w uk ,
S1-3:计算用户u对训练任务i的匹配度P ui ,公式如下:
P ui = ∑W uk r fj
k∈G(u,i)
其中,G(u,i)表示用户u和训练任务i共有的能力,W uk 表示用户u和能力k的关联分数,r fj 表示训练任务t f ∈T对能力k j ∈K的权重;
S1-4:建立机器初测推荐任务训练列表:对集I(u)中的所有训练任务进行按照用户匹配度进行排序,集I(u)是指针对用户目前***中所有任务训练的集合,
所述人工测评模块用于建立人工评价推荐任务训练列表,通过以下步骤建立人工评价推荐任务训练列表:
S2-1:建立疾病训练模型,确定训练任务i和疾病d的关联度w id ,构建疾病训练任务权重矩阵(I×D)并进行标准化处理,其中,
I表示训练任务集合,D表示疾病集合,
w id 表示训练任务i∈I对疾病d∈D的权重,w id ∈I×D;
S2-2:基于用户已持有的医学检测结果,确定用户u和疾病d的关联性分数Q ui 分数,分数范围在1-100分,d u ∈D;
S2-3计算用户u对训练任务i的匹配度P’ ui ,公式如下:
P’ ui = ∑Q ui W id
d∈H(u)
其中,H(u)表示用户确诊的疾病的集合,W id 表示训练任务i和疾病d的关联性分数,Q ui 表示用户u和疾病d的关联性分数,
S2-4:建立人工评价推荐任务训练列表,对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序;
所述综合推荐模块用于建立最优推荐任务训练列表,通过以下步骤建立最优推荐任务训练列表:
训练任务经过双重测评推荐,将用户u对训练任务i的匹配度P ui 和P’ ui 分别进行加权再求和,计算每个训练任务的推荐得分S,
S=aP ui +bP’ ui
其中a表示机器初测对应的权重,b表示人工评价对应的权重,将每个训练任务按得分高低排列,该顺序规则为最优推荐。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (4)
1.基于用户能力的个性化认知训练任务推荐算法,其特征在于,包括以下步骤:
建立机器初测推荐任务训练列表;
建立人工评价推荐任务训练列表;以及
合并排序,建立最优推荐任务训练列表,
其中,所述建立机器初测推荐任务训练列表包括以下步骤:
S1-1:建立一般认知能力模型,并根据所述一般认知能力模型构建能力权重矩阵(L×K)以及训练任务能力权重矩阵(T×K),然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理,其中,
建立一般认知能力结构方程模型的公式如下:
x =Λ X η LK +ε LK
y =Λ y η TK +ε TK
其中,x是单项量表或综合性量表分项组成的向量,η LK 是认知能力组成的向量,Λ X 是量表与认知能力之间的关系,是量表在认知能力上的因子负荷矩阵,ε LK 是量表测量上的误差,y是训练任务组成的向量,η TK 是认知能力组成的向量,Λ y 是训练任务与认知能力之间的关系,是训练任务在认知能力上的因子负荷矩阵;ε TK 是训练任务计算上的误差,
对于所述能力权重矩阵(L×K),L表示量表集合,K表示能力集合;w mn 表示量表lm∈L对能力k n ∈K的权重,w mn ∈L×K,
对于所述训练任务能力权重矩阵(T×K),T表示训练任务集合,K表示能力集合,r fj 表示训练任务t f ∈T对能力k j ∈K的权重,r fj ∈T×K;
S1-2:指通过预先设置好的量表进行施测,根据量表作答情况来收集数据,构建用户u和能力k的关联分数w uk ,
S1-3:计算用户u对训练任务i的匹配度P ui ,公式如下:
P ui = ∑W uk r fj
k∈G(u,i)
其中,G(u,i)表示用户u和训练任务i共有的能力,W uk 表示用户u和能力k的关联分数,r fj 表示训练任务t f ∈T对能力k j ∈K的权重;
S1-4:建立机器初测推荐任务训练列表:对集I(u)中的所有训练任务进行按照用户匹配度进行排序,集I(u)是指针对用户目前***中所有任务训练的集合,
所述建立人工评价推荐任务训练列表包括以下步骤:
S2-1:建立疾病训练模型,确定训练任务i和疾病d的关联度w id ,构建疾病训练任务权重矩阵(I×D)并进行标准化处理,其中,
I表示训练任务集合,D表示疾病集合,
w id 表示训练任务i∈I对疾病d∈D的关联度,w id ∈I×D;
S2-2:基于用户已持有的医学检测结果,确定用户u和疾病d的关联性分数Q ui 分数,分数范围在1-100分,d u ∈D;
S2-3计算用户u对训练任务i的匹配度P’ ui ,公式如下:
P’ ui = ∑Q ui W id
d∈H(u)
其中,H(u)表示用户确诊的疾病的集合,W id 表示训练任务i和疾病d的关联度, Q ui 表示用户u和疾病d的关联性分数,
S2-4:建立人工评价推荐任务训练列表,对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序;
所述建立最优推荐任务训练列表包括步骤:训练任务经过双重测评推荐,将用户u对训练任务i的匹配度P ui 和P’ ui 分别进行加权再求和,计算每个训练任务的推荐得分S,
S=aP ui +bP’ ui
其中a表示机器初测对应的权重,b表示人工评价对应的权重,将每个训练任务按得分高低排列,该顺序规则为最优推荐。
2. 根据权利要求1所述的基于用户能力的个性化认知训练任务推荐算法,其特征在于,通过以下步骤构建所述用户u和能力k的关联分数w uk :
用户依次完成机器初测预先设定的n个综合性测评子单元,并分别生成原始分数X n ;
提取受试者在n个综合性测评子单元中的原始分数,然后根据健康用户综合常模参数对综合性测评子单元中的原始分数进行标准化转换,生成用户u和能力k的关联分数w uk ,公式如下:
其中,
3.基于用户能力的个性化认知训练任务推荐***,其特征在于,所述***包括机器初测模块、人工评价模块和综合推荐模块,
其中,所述机器初测模块用于建立机器初测推荐任务训练列表,通过以下步骤建立机器初测推荐任务训练列表:
S1-1:建立一般认知能力模型,并根据所述一般认知能力模型构建能力权重矩阵(L×K)以及训练任务能力权重矩阵(T×K),然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理,其中,
建立一般认知能力结构方程模型的公式如下:
x =Λ X η LK +ε LK
y =Λ y η TK +ε TK
其中,x是单项量表或综合性量表分项组成的向量,η LK 是认知能力组成的向量,Λ X 是量表与认知能力之间的关系,是量表在认知能力上的因子负荷矩阵,ε LK 是量表测量上的误差,y是训练任务组成的向量,η TK 是认知能力组成的向量,Λ y 是训练任务与认知能力之间的关系,是训练任务在认知能力上的因子负荷矩阵;ε TK 是训练任务计算上的误差,
对于所述能力权重矩阵(L×K),L表示量表集合,K表示能力集合;w mn 表示量表lm∈L对能力k n ∈K的权重,w mn ∈L×K,
对于所述训练任务能力权重矩阵(T×K),T表示训练任务集合,K表示能力集合,r fj 表示训练任务t f ∈T对能力k j ∈K的权重,r fj ∈T×K;
S1-2:指通过预先设置好的量表进行施测,根据量表作答情况来收集数据,构建用户u和能力k的关联分数w uk ,
S1-3:计算用户u对训练任务i的匹配度P ui ,公式如下:
P ui = ∑W uk r fj
k∈G(u,i)
其中,G(u,i)表示用户u和训练任务i共有的能力,W uk 表示用户u和能力k的关联分数,r fj 表示训练任务t f ∈T对能力k j ∈K的权重;
S1-4:建立机器初测推荐任务训练列表:对集I(u)中的所有训练任务进行按照用户匹配度进行排序,集I(u)是指针对用户目前***中所有任务训练的集合,
所述人工测评模块用于建立人工评价推荐任务训练列表,通过以下步骤建立人工评价推荐任务训练列表:
S2-1:建立疾病训练模型,确定训练任务i和疾病d的关联度w id ,构建疾病训练任务权重矩阵(I×D)并进行标准化处理,其中,
I表示训练任务集合,D表示疾病集合,
w id 表示训练任务i∈I对疾病d∈D的关联度,w id ∈I×D;
S2-2:基于用户已持有的医学检测结果,确定用户u和疾病d的关联性分数Q ui 分数,分数范围在1-100分,d u ∈D;
S2-3计算用户u对训练任务i的匹配度P’ ui ,公式如下:
P’ ui = ∑Q ui W id
d∈H(u)
其中,H(u)表示用户确诊的疾病的集合,W id 表示训练任务i和疾病d的关联度, Q ui 表示用户u和疾病d的关联性分数,
S2-4:建立人工评价推荐任务训练列表,对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序;
所述综合推荐模块用于建立最优推荐任务训练列表,通过以下步骤建立最优推荐任务训练列表:
训练任务经过双重测评推荐,将用户u对训练任务i的匹配度P ui 和P’ ui 分别进行加权再求和,计算每个训练任务的推荐得分S,
S=aP ui +bP’ ui
其中a表示机器初测对应的权重,b表示人工评价对应的权重,将每个训练任务按得分高低排列,该顺序规则为最优推荐。
4.根据权利要求3所述的基于用户能力的个性化认知训练任务推荐***,其特征在于,通过以下步骤构建所述用户u和能力k的关联分数w uk :
用户依次完成机器初测预先设定的n个综合性测评子单元,并分别生成原始分数X n ;
提取受试者在n个综合性测评子单元中的原始分数,然后根据健康用户综合常模参数对综合性测评子单元中的原始分数进行标准化转换,生成用户u和能力k的关联分数w uk ,公式如下:
其中,
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110833758.3A CN113284623B (zh) | 2021-07-23 | 2021-07-23 | 基于用户能力的个性化认知训练任务推荐算法及*** |
PCT/CN2022/107482 WO2023001301A1 (zh) | 2021-07-23 | 2022-07-22 | 基于用户能力的个性化认知训练任务推荐方法及*** |
US18/420,648 US20240212825A1 (en) | 2021-07-23 | 2024-01-23 | User ability-based personalized cognitive training task recommendation method and system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110833758.3A CN113284623B (zh) | 2021-07-23 | 2021-07-23 | 基于用户能力的个性化认知训练任务推荐算法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113284623A CN113284623A (zh) | 2021-08-20 |
CN113284623B true CN113284623B (zh) | 2021-11-05 |
Family
ID=77287033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110833758.3A Active CN113284623B (zh) | 2021-07-23 | 2021-07-23 | 基于用户能力的个性化认知训练任务推荐算法及*** |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240212825A1 (zh) |
CN (1) | CN113284623B (zh) |
WO (1) | WO2023001301A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284623B (zh) * | 2021-07-23 | 2021-11-05 | 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*** |
CN113741702B (zh) * | 2021-11-03 | 2022-03-04 | 北京智精灵科技有限公司 | 基于情绪监测的认知障碍人机交互方法及*** |
CN115295153B (zh) * | 2022-09-30 | 2023-01-20 | 北京智精灵科技有限公司 | 基于深度学习的认知评估方法及认知任务推送方法 |
CN116738240B (zh) * | 2023-08-14 | 2023-12-01 | 北京智精灵科技有限公司 | 认知训练的建模方法、建模***及认知训练任务推送方法 |
CN117612712A (zh) * | 2024-01-23 | 2024-02-27 | 首都医科大学宣武医院 | 一种检测和提升认知测评诊断精度的方法及*** |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562795A (zh) * | 2017-08-01 | 2018-01-09 | 广州市香港科大***研究院 | 基于异构信息网络的推荐方法及装置 |
CN108280596A (zh) * | 2018-03-02 | 2018-07-13 | 北京乐星球教育科技有限公司 | 学习品质测评方法 |
CN109902222B (zh) * | 2018-11-30 | 2022-05-13 | 华为技术有限公司 | 一种推荐方法及装置 |
JP7361505B2 (ja) * | 2019-06-18 | 2023-10-16 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置及び医用情報処理方法 |
US11640403B2 (en) * | 2019-07-03 | 2023-05-02 | Kpn Innovations, Llc. | Methods and systems for automated analysis of behavior modification data |
JP2021047504A (ja) * | 2019-09-17 | 2021-03-25 | 国立大学法人千葉大学 | 医師のための漢方医学における自動診断支援装置、自動診断支援方法、プログラム、学習済みモデルおよび学習済みモデル作成方法 |
CN111639860A (zh) * | 2020-06-02 | 2020-09-08 | 安庆师范大学 | 一种基于数学模型的在线教育***及其分班方法 |
CN112017788B (zh) * | 2020-09-07 | 2023-07-04 | 平安科技(深圳)有限公司 | 基于强化学习模型的疾病排序方法、装置、设备及介质 |
CN112599241A (zh) * | 2020-12-16 | 2021-04-02 | 深圳市唐仁医疗科技有限公司 | 一种基于智慧终端的大健康医疗疾病辅助诊断***及方法 |
CN113284623B (zh) * | 2021-07-23 | 2021-11-05 | 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*** |
-
2021
- 2021-07-23 CN CN202110833758.3A patent/CN113284623B/zh active Active
-
2022
- 2022-07-22 WO PCT/CN2022/107482 patent/WO2023001301A1/zh unknown
-
2024
- 2024-01-23 US US18/420,648 patent/US20240212825A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023001301A1 (zh) | 2023-01-26 |
CN113284623A (zh) | 2021-08-20 |
US20240212825A1 (en) | 2024-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113284623B (zh) | 基于用户能力的个性化认知训练任务推荐算法及*** | |
Salekin et al. | Detection of chronic kidney disease and selecting important predictive attributes | |
Ye et al. | A hybrid IT framework for identifying high-quality physicians using big data analytics | |
Liu et al. | Barthel Index of activities of daily living: item response theory analysis of ratings for long-term care residents | |
Mostafa et al. | Multi-objective hyperparameter optimization of convolutional neural network for obstructive sleep apnea detection | |
JP2016520228A (ja) | 医療システムにおけるコンテキスト意識予測 | |
CN112885471B (zh) | 基于贝叶斯网络最大熵自学习扩展集对分析的银屑病疗效评价*** | |
CN111341446A (zh) | 一种个性化体检套餐推荐方法 | |
CN115238168A (zh) | 一种自适化远程医疗专家推荐方法 | |
Hegde et al. | Symmetrized Feature Selection with Stacked Generalization based Machine Learning Algorithm for the Early Diagnosis of Chronic Diseases | |
CN114943629A (zh) | 一种健康管理保健服务***及其健康管理方法 | |
CN109192312B (zh) | 一种心力衰竭患者不良事件智能管理***及方法 | |
Masih et al. | Application of data mining techniques for early detection of heart diseases using Framingham heart study dataset | |
Sabouri et al. | Prediction of Depression via Supervised Learning Models: Performance Comparison and Analysis. | |
Li et al. | Patient similarity via medical attributed heterogeneous graph convolutional network | |
Pandit et al. | Examining factors for anxiety and depression prediction | |
Ekong et al. | A Softcomputing Model for Depression Prediction. | |
Amiri et al. | A fuzzy expert system for response determining diagnosis and management movement impairments syndrome | |
Walsh et al. | Application of gradient boosted trees to gender prediction based on motivations of masters athletes | |
Nti et al. | Predicting diabetes using Cohen's Kappa blending ensemble learning | |
Hakim | Performance Evaluation of Machine Learning Techniques for Early Prediction of Brain Strokes | |
CN112530598A (zh) | 一种基于健康数据的健康风险自测量表推荐方法及*** | |
Sotirov et al. | Clustering of intercriteria analysis data using a health-related quality of life data | |
Manivannan et al. | Health monitoring system for diabetic patients | |
Ying et al. | Nursing scheme based on back propagation neural network and probabilistic neural network in chronic kidney disease |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: Room 201, floor 2, block a, No. 135 Qinghe Road, Haidian District, Beijing 100192 Patentee after: Beijing Smart Spirit Technology Co.,Ltd. Address before: 100193 room 2151 / 2152, 1f, incubator 2, Dongbeiwang Zhongguancun Software Park, Haidian District, Beijing Patentee before: Beijing Smart Spirit Technology Co.,Ltd. |