CN117238449B - 一种认知功能障碍的康复训练策略的优化方法及*** - Google Patents

Abstract

本公开提供一种认知功能障碍的康复训练策略的优化方法及***，涉及认知康复训练技术领域。该方法的具体实施方式包括：构建老年人认知功能障碍康复训练知识库；建立初始认知康复训练策略模型；采集老年人的当前认知功能数据，输入初始认知康复训练策略模型得到初始认知康复训练策略，计算当前认知功能障碍状态，共同输入认知功能状态预测模型，输出预测认知功能障碍状态；在预设时间段之后采集老年人的实际认知功能数据，计算实际认知功能障碍状态，与预测对比计算得出奖惩函数；利用奖惩函数优化得到改进认知康复训练策略模型。该实施方式能够提升脑认知功能信息与认知康复训练策略的匹配效率，为患者提供最优的认知康复训练策略。

Description

一种认知功能障碍的康复训练策略的优化方法及***

技术领域

本公开涉及认知康复训练技术领域，尤其涉及一种认知功能障碍的康复训练策略的优化方法及***。

背景技术

随着全世界人口的老龄化，老年人认知功能障碍的患病率逐渐增加，不仅严重威胁老年人的健康，给经济及社会发展带来了沉重的负担。

现阶段，认知功能障碍的康复训练主要是依赖临床认知功能评估量表进行认知训练，缺乏根据老年人认知功能状态的实时评估状态进行认知康复策略的调整的过程，导致认知康复训练的效率较低。

发明内容

有鉴于此，本公开实施例提供一种认知功能障碍的康复训练策略的优化方法和***，能够解决现阶段的认知功能障碍的康复训练缺乏根据老年人认知功能状态的实时评估状态进行认知康复策略的调整的过程，导致认知康复训练的效率较低的问题。

为实现上述目的，根据本公开的一方面，提供了一种认知功能障碍的康复训练策略的优化方法，包括：

收集老年人的认知功能障碍评估结果以及对应的认知康复训练策略，构建老年人认知功能障碍康复训练知识库；

将所述老年人认知功能障碍康复训练知识库分为训练集和测试集，建立初始认知康复训练策略模型；

采集老年人当前时刻的当前认知功能数据；

将所述当前认知功能数据输入所述初始认知康复训练策略模型，得到老年人的初始认知康复训练策略，并计算老年人的当前认知功能障碍状态，将所述初始认知康复训练策略和所述当前认知功能障碍状态输入认知功能状态预测模型，输出老年人在预设时间段之后的预测认知功能障碍状态；

采集老年人在预设时间段之后的实际认知功能数据，计算老年人的实际认知功能障碍状态，对比所述预测认知功能障碍状态与所述实际认知功能障碍状态，计算得出奖惩函数；

利用所述奖惩函数优化所述初始认知康复训练策略模型，得到改进认知康复训练策略模型；

基于所述改进认知康复训练策略模型输出目标认知康复训练策略。

根据本公开的另一方面，提供了一种认知功能障碍的康复训练策略的优化***，包括：

老年人认知功能障碍康复训练知识库模块，用于收集老年人的认知功能障碍评估结果以及对应的认知康复训练策略，构建老年人认知功能障碍康复训练知识库；

策略模型建立模块，用于将所述老年人认知功能障碍康复训练知识库分为训练集和测试集，建立初始认知康复训练策略模型；

采集模块，用于采集老年人当前时刻的当前认知功能数据；

分析预测模块，用于将所述当前认知功能数据输入所述初始认知康复训练策略模型，得到老年人的初始认知康复训练策略，并计算老年人的当前认知功能障碍状态，将所述初始认知康复训练策略和所述当前认知功能障碍状态输入认知功能状态预测模型，输出老年人在预设时间段之后的预测认知功能障碍状态；

奖惩函数计算模块，用于采集老年人在预设时间段之后的实际认知功能数据，计算老年人的实际认知功能障碍状态，对比所述预测认知功能障碍状态与所述实际认知功能障碍状态，计算得出奖惩函数；

优化模块，用于利用所述奖惩函数优化所述初始认知康复训练策略模型，得到改进认知康复训练策略模型；

目标认知康复训练策略确定模块，用于基于所述改进认知康复训练策略模型输出目标认知康复训练策略。

本申请实施例中提供的一个或多个技术方案，通过获取老年人在静息态和任务态下的脑血氧数据、认知量表、核磁共振图像等信息，预处理后得到认知功能障碍评估结果，结合认知康复训练策略构建老年人认知功能障碍康复训练知识库；利用知识库训练和测试初始认知康复训练策略模型；采集当前时刻的当前认知功能数据，输入初始认知康复训练策略模型得到初始认知康复训练策略，计算当前脑激活值、当前脑功能连接值和当前脑偏侧性值，与初始认知康复训练策略一起输入认知功能状态预测模型，输出预测认知功能障碍状态；根据初始认知康复训练策略给出的预设时间段，在预设时间段之后采集老年人的实际认知功能数据，计算老年人的实际认知功能障碍状态；对比实际和预测的认知功能障碍状态，构建奖惩函数，将奖惩函数加入初始认知康复训练策略模型得到改进认知康复训练策略模型，从而后续使用过程中可以为老年人推荐最优的目标认知康复训练策略，充分利用老年人不同脑区的静息态和任务态下的脑血氧信息变化，以及不同脑区脑激活、脑功能连接、脑偏侧性等特征指标的信息交互特性变化，对老年人的认知康复训练策略进行实时调整，促进大脑认知功能和康复训练策略的协同优化、实时反馈，提升脑认知功能信息与认知康复训练策略的匹配效率，为患者提供个性化最优的认知康复训练策略，提高患者认知功能康复的效率和康复效果的技术效果。

附图说明

在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：

图1示出了根据本公开示例性实施例的认知功能障碍的康复训练策略的优化方法的流程图；

图2示出了根据本公开示例性实施例的老年人认知功能障碍康复训练知识库的构建方法的流程图；

图3示出了根据本公开示例性实施例的认知功能障碍状态的确定方法的流程图；

图4示出了根据本公开示例性实施例的认知功能障碍的康复训练策略的优化***的示意性框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“在本公开实施例中”表示“至少一个实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个模块之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

DQN：Deep Q-Learning Network，是指基于深度学习的Q-Learning算法，Q-Learning算法属于强化学习算法，用于根据环境状态的变化做出不同动作以达到最优决策，Q-Learning的输入为由不同的环境状态State和动作Action组成的Q-table、输出为不同环境状态State做出不同动作Action的期望收益。DQN中利用深度神经网络代替Q-Learning算法中的Q-table。

CNN-LSTM：由卷积网络CNN(Convolutional Neural Networks)和长短时神经网络LSTM(Long short-term Memory)组合而成，即卷积-长短时神经网络，CNN通过卷积核提取局部特征，LSTM捕捉其中的时序特征，再输入全连接层，进行预设时间段后的预测。

以下参照附图描述本公开的方案。

图1示出了根据本公开示例性实施例的认知功能障碍的康复训练策略的优化方法的流程图，如图1所示，本公开的认知功能障碍的康复训练策略的优化方法包括如下步骤：

步骤S101，收集老年人的认知功能障碍评估结果以及对应的认知康复训练策略，构建老年人认知功能障碍康复训练知识库。

在本公开实施例中，认知康复训练策略是在老年人的历史就医过程中，医生根据老年人的认知评估量表数据、核磁共振图像数据以及静息态的近红外脑血氧信息和任务态的近红外脑血氧信息给出的。认知康复训练策略包括认知康复训练任务的任务类型、任务时间、任务难度系数以及神经调控的调控类型、调控时间、调控频率。其中，任务类型可以是计算任务、图片记忆任务等，调控类型可以是经颅电刺激、经颅磁刺激等。

进一步地，如图2所示，本公开的老年人认知功能障碍康复训练知识库的构建方法包括如下步骤：

步骤S201，获取老年人的认知评估量表数据、核磁共振图像数据以及静息态的近红外脑血氧信息和任务态的近红外脑血氧信息、认知康复训练策略。

在本公开实施例中，认知评估量表数据包括蒙特利尔认知评估量表评分(即MoCA评分)和简易精神状态评价量表评分(即MMSE评分)。脑血氧信息包含脱氧血红蛋白浓度信号和含氧血红蛋白浓度信号。

步骤S202，对所述认知评估量表数据进行归一化处理，得到认知量表特征。

在本公开实施例中，比如，对MoCA评分和MMSE评分进行归一化处理，得到认知量表特征。

步骤S203，从所述核磁共振图像数据中提取核磁共振图像特征。

步骤S204，分别对所述静息态和所述任务态的近红外脑血氧信息进行预处理，得到所述静息态的脑血氧特征和所述任务态的脑血氧特征。

进一步地，根据静息态的近红外脑血氧信息和任务态的近红外脑血氧信息，利用本公开的认知功能障碍状态的确定方法，即可确定老年人的认知功能障碍状态。

步骤S205，组合所述认知量表特征、所述核磁共振图像特征、所述静息态的脑血氧特征和所述任务态的脑血氧特征，得到老年人的认知功能障碍评估结果。

步骤S206，将所述认知功能障碍评估结果和对应的认知康复训练策略组合为所述老年人认知功能障碍康复训练知识库。

在本公开实施例中，通过本公开的老年人认知功能障碍康复训练知识库的构建方法，利用老年人的就医数据，经过特征处理后得到认知功能障碍评估结果，与对应的认知康复训练策略组合即可得到老年人认知功能障碍康复训练知识库，以便于后续进行模型训练，预测适于老年人的认知康复训练策略。

步骤S102，将所述老年人认知功能障碍康复训练知识库分为训练集和测试集，建立初始认知康复训练策略模型。

在本公开实施例中，初始认知康复训练策略模型采用DQN算法，输入为认知功能障碍评估结果，输出为认知康复训练策略，如下式所示：

RW_CL＝F_GDQN(LB_fe,HC_fe,JX_fe,RX_fe)

＝[RE_TYPE,RE_TIME,RE_HR,ST_TYPE,ST_TIME,ST_FR]

上式中，F_GDQN()是采用DQN算法的初始认知康复训练策略模型；

F_GDQN()的输入为认知功能障碍评估结果(LB_fe,HC_fe,JX_fe,RX_fe)，包括老年人的认知量表特征LB_fe、核磁共振图像特征HC_fe、静息态的脑血氧特征JX_fe、任务态的脑血氧特征RX_fe；

F_GDQN()的输出为与认知功能障碍评估结果对应的认知康复训练策略RW_CL，包括任务类型RE_TYPE、任务时间RE_TIME、任务难度系数RE_HR、调控类型ST_TYPE、调控时间ST_TIME、调控频率ST_FR。

进一步地，将老年人认知功能障碍康复训练知识库按照7：3的比例分为训练集和测试集，将训练集的认知功能障碍评估结果作为初始认知康复训练策略模型的输入、训练集中与认知功能障碍评估结果对应的认知康复训练策略作为初始认知康复训练策略模型的输出，不断地进行训练和测试，得到初始认知康复训练策略模型。

步骤S103，采集老年人当前时刻的当前认知功能数据。

在本公开实施例中，当前认知功能数据包括老年人的当前认知评估量表数据、当前核磁共振图像数据、静息态的当前近红外脑血氧信息和任务态的当前近红外脑血氧信息。其中，当前时刻是在预测之前选取的时间，比如，当前时刻为今天。

步骤S104，将所述当前认知功能数据输入所述初始认知康复训练策略模型，得到老年人的初始认知康复训练策略，并计算老年人的当前认知功能障碍状态，将所述初始认知康复训练策略和所述当前认知功能障碍状态输入认知功能状态预测模型，输出老年人在预设时间段之后的预测认知功能障碍状态。

在本公开实施例中，利用本公开步骤S202～步骤S205的方法对当前认知功能数据进行处理，得到当前认知量表特征LB_fec、当前核磁共振图像特征HC_fec、静息态的当前脑血氧特征JX_fec和任务态的当前脑血氧特征RX_fec，组合为老年人的当前认知功能障碍评估结果(LB_fec,HC_fec,JX_fec,RX_fec)。将当前认知功能障碍评估结果(LB_fec,HC_fec,JX_fec,RX_fec)输入初始认知康复训练策略模型，得到与当前认知功能数据对应的初始认知康复训练策略RW_CLp。其中，初始认知康复训练策略RW_CLp包括预设时间段T内老年人应该执行的初始认知康复训练任务的任务类型RE_TYPE_C、任务时间RE_TIME_C、任务难度系数RE_HR_C、以及初始神经调控的调控类型ST_TYPE_C、调控时间ST_TIME_C、调控频率ST_FR_C，预设时间段T可以根据需要进行选择性设置，比如，预设时间段T为3周。

进一步地，利用如图3所示的认知功能障碍状态的确定方法，计算老年人在当前时刻的当前认知功能障碍状态，包括脑激活值JH_tc、脑功能连接值LJ_tc和脑偏侧性值PC_tc。

更进一步地，将初始认知康复训练策略RW_CLp和当前认知功能障碍状态(JH_tc,LJ_tc,PC_tc)输入认知功能状态预测模型，得到老年人在预设时间段T之后的预测认知功能障碍状态其中：

认知功能状态预测模型采用CNN-LSTM算法，如下式所示：

上式中，G_CNN-LSTM()为认知功能状态预测模型；

W_CNN-LSTM、B_CNN-LSTM分别为认知功能状态预测模型的权重和偏置；

JH^*、LJ^*、PC^*分别为预测认知功能障碍状态包括的脑激活值、脑功能连接值、脑偏侧性值的预测值；

在本公开实施例中，如图3所示，本公开的认知功能障碍状态的确定方法包括如下步骤：

在本公开实施例中，利用静息态的脱氧血红蛋白浓度信号和含氧血红蛋白浓度信号、任务态的脱氧血红蛋白浓度信号和含氧血红蛋白浓度信号，计算老年人的认知功能障碍状态，认知功能障碍状态包括不同脑区的脑激活值、脑功能连接值和脑偏侧性值。

步骤S301，计算不同脑区的脑激活值。

在本公开实施例中，脑激活值包括脑前额叶、脑顶叶、脑枕叶和脑颞叶4个脑区的脑激活值，其中：

(1)脑前额叶的脑激活值JH_qet计算如下：

上式中，JH_qet为脑前额叶的脑激活值；

m为脑前额叶的脑血氧通道数量；

W_RXHqei、W_RXTqei分别为任务态下第i个通道的脑血氧信息中含氧血红蛋白浓度信号和脱氧血红蛋白浓度信号的小波幅值；

W_JXHqei、W_JXTqei分别为静息态下第i个通道的脑血氧信息中含氧血红蛋白浓度信号和脱氧血红蛋白浓度信号的小波幅值；

r₁、r₂、w₁、w₂分别为矫正系数；

h_rxi为任务态下第i个通道中含氧血红蛋白浓度信号小波幅值所占的比值；

t_rxi为任务态下第i个通道中脱氧血红蛋白浓度信号小波幅值所占的比值；

h_jxi为静息态下第i个通道中含氧血红蛋白浓度信号小波幅值所占的比值；

t_jxi为静息态下第i个通道中脱氧血红蛋白浓度信号小波幅值所占的比值。

(2)脑顶叶的脑激活值JH_det计算如下：

上式中，JH_det为脑顶叶的脑激活值；

n为脑顶叶的脑血氧通道数量；

W_RXHdei、W_RXTdei分别为任务态下第i个通道的脑血氧信息中含氧血红蛋白浓度信号和脱氧血红蛋白浓度信号的小波幅值；

W_JXHdei、W_JXTdei分别为静息态下第i个通道的脑血氧信息中含氧血红蛋白浓度信号和脱氧血红蛋白浓度信号的小波幅值；

r₃、r₄、w₃、w₄分别为矫正系数；

s_rxi为任务态下第i个通道中含氧血红蛋白浓度信号小波幅值所占的比值；

d_rxi为任务态下第i个通道中脱氧血红蛋白浓度信号小波幅值所占的比值；

s_jxi为静息态下第i个通道中含氧血红蛋白浓度信号小波幅值所占的比值；

d_jxi为静息态下第i个通道中脱氧血红蛋白浓度信号小波幅值所占的比值。

(3)脑枕叶的脑激活值JH_zet计算如下：

上式中，JH_zet为脑枕叶的脑激活值；

p为脑枕叶的脑血氧通道数量；

W_RXHzei、W_RXTzei分别为任务态下第i个通道的脑血氧信息中含氧血红蛋白浓度信号和脱氧血红蛋白浓度信号的小波幅值；

W_JXHzei、W_JXTzei分别为静息态下第i个通道的脑血氧信息中含氧血红蛋白浓度信号和脱氧血红蛋白浓度信号的小波幅值；

r₅、r₆、w₅、w₆分别为矫正系数；

f_rxi为任务态下第i个通道中含氧血红蛋白浓度信号小波幅值所占的比值；

k_rxi为任务态下第i个通道中脱氧血红蛋白浓度信号小波幅值所占的比值；

f_jxi为静息态下第i个通道中含氧血红蛋白浓度信号小波幅值所占的比值；

k_jxi为静息态下第i个通道中脱氧血红蛋白浓度信号小波幅值所占的比值。

(4)脑颞叶的脑激活值JH_net计算如下：

上式中，JH_net为脑颞叶的脑激活值；

q为脑颞叶的脑血氧通道数量；

W_RXHnei、W_RXTnei分别为任务态下第i个通道的脑血氧信息中含氧血红蛋白浓度信号和脱氧血红蛋白浓度信号的小波幅值；

W_JXHnei、W_JXTnei分别为静息态下第i个通道的脑血氧信息中含氧血红蛋白浓度信号和脱氧血红蛋白浓度信号的小波幅值；

r₇、r₈、w₇、w₈分别为矫正系数；

g_rxi为任务态下第i个通道中含氧血红蛋白浓度信号小波幅值所占的比值；

l_rxi为任务态下第i个通道中脱氧血红蛋白浓度信号小波幅值所占的比值；

g_jxi为静息态下第i个通道中含氧血红蛋白浓度信号小波幅值所占的比值；

l_jxi为静息态下第i个通道中脱氧血红蛋白浓度信号小波幅值所占的比值。

步骤S302，计算不同脑区的脑功能连接值。

在本公开实施例中，脑功能连接值包括脑前额叶、脑顶叶、脑枕叶和脑颞叶4个脑区的脑功能连接值，其中：

(1)脑前额叶的脑功能连接值LJ_qet计算如下：

上式中，LJ_qet为脑前额叶的脑功能连接值；

QQ_RXqe为任务态下脑前额叶内存在功能连接的通道数量；

QZ_RXqe为任务态下脑前额叶与所有脑区存在功能连接的通道数量；

QQ_JXqe为静息态下脑前额叶内存在功能连接的通道数量；

QZ_JXqe为静息态下脑前额叶与所有脑区存在功能连接的通道数量；

L_ij为存在功能连接的通道i和通道j的连接效率。

(2)脑顶叶的脑功能连接值LJ_det计算如下：

上式中，LJ_det为脑顶叶的脑功能连接值；

QQ_RXde为任务态下脑顶叶内存在功能连接的通道数量；

QZ_RXde为任务态下脑顶叶与所有脑区存在功能连接的通道数量；

QQ_JXde为静息态下脑顶叶内存在功能连接的通道数量；

QZ_JXde为静息态下脑顶叶与所有脑区存在功能连接的通道数量；

L_ij为存在功能连接的通道i和通道j的连接效率。

(3)脑枕叶的脑功能连接值LJ_zet计算如下：

上式中，LJ_zet为脑枕叶的脑功能连接值；

QQ_RXze为任务态下脑枕叶内存在功能连接的通道数量；

QZ_RXze为任务态下脑枕叶与所有脑区存在功能连接的通道数量；

QQ_JXze为静息态下脑枕叶内存在功能连接的通道数量；

QZ_JXze为静息态下脑枕叶与所有脑区存在功能连接的通道数量；

L_ij为存在功能连接的通道i和通道j的连接效率。

(4)脑颞叶的脑功能连接值LJ_net计算如下：

上式中，LJ_net为脑颞叶的脑功能连接值；

QQ_RXne为任务态下脑颞叶内存在功能连接的通道数量；

QZ_RXne为任务态下脑颞叶与所有脑区存在功能连接的通道数量；

QQ_JXne为静息态下脑颞叶内存在功能连接的通道数量；

QZ_JXne为静息态下脑颞叶与所有脑区存在功能连接的通道数量；

L_ij为存在功能连接的通道i和通道j的连接效率。

步骤S303，计算不同脑区的脑偏侧性值。

在本公开实施例中，脑偏侧性值包括脑前额叶、脑顶叶、脑枕叶和脑颞叶4个脑区的脑偏侧性值，其中：

(1)脑前额叶的脑偏侧性值PC_qet计算如下：

上式中，PC_qet为脑前额叶的脑偏侧性值；

QL_RXqe、QR_RXqe分别为任务态下左、右脑前额叶与所有脑区存在效应连接的通道数量；

QL_JXqe、QR_JXqe分别为静息态下左、右脑前额叶与所有脑区存在效应连接的通道数量；

S_ij为存在效应连接的通道i和通道j的信息传输效率。

(2)脑顶叶的脑偏侧性值PC_det计算如下：

上式中，PC_det为脑顶叶的脑偏侧性值；

QL_RXde、QR_RXde分别为任务态下左、右脑顶叶与所有脑区存在效应连接的通道数量；

QL_JXde、QR_JXde分别为静息态下左、右脑顶叶与所有脑区存在效应连接的通道数量；

S_ij为存在效应连接的通道i和通道j的信息传输效率。

(3)脑枕叶的脑偏侧性值PC_zet计算如下：

上式中，PC_zet为脑枕叶的脑偏侧性值；

QL_RXze、QR_RXze分别为任务态下左、右脑枕叶与所有脑区存在效应连接的通道数量；

QL_JXze、QR_JXze分别为静息态下左、右脑枕叶与所有脑区存在效应连接的通道数量；

S_ij为存在效应连接的通道i和通道j的信息传输效率。

(4)脑颞叶的脑偏侧性值PC_net计算如下：

上式中，PC_net为脑颞叶的脑偏侧性值；

QL_RXne、QR_RXne分别为任务态下左、右脑颞叶与所有脑区存在效应连接的通道数量；

QL_JXne、QR_JXne分别为静息态下左、右脑颞叶与所有脑区存在效应连接的通道数量；

S_ij为存在效应连接的通道i和通道j的信息传输效率。

步骤S304，将不同脑区的所述脑激活值、所述脑功能连接值和所述脑偏侧性值组合为老年人的认知功能障碍状态。

在本公开实施例中，将脑前额叶、脑顶叶、脑枕叶和脑颞叶4个脑区的脑激活值、脑功能连接值和脑偏侧性值组合为老年人的认知功能障碍状态，其中：

脑前额叶的脑激活值JH_qet、脑顶叶的脑激活值JH_det、脑枕叶的脑激活值JH_zet和脑颞叶的脑激活值JH_net组合为认知功能障碍状态的脑激活值JH_t；

脑前额叶的脑功能连接值LJ_qet、脑顶叶的脑功能连接值LJ_det、脑枕叶的脑功能连接值LJ_zet和脑颞叶的脑功能连接值LJ_net组合为认知功能障碍状态的脑功能连接值LJ_t；

脑前额叶的脑偏侧性值PC_qet、脑顶叶的脑偏侧性值PC_det、脑枕叶的脑偏侧性值PC_zet和脑颞叶的脑偏侧性值PC_net组合为认知功能障碍状态的脑偏侧性值PC_t；

由脑激活值JH_t、脑功能连接值LJ_t、脑偏侧性值PC_t组合即可得到老年人的认知功能障碍状态(JH_t,LJ_t,PC_t)。

在本公开实施例中，通过本公开的认知功能障碍状态的确定方法，利用老年人的脑血氧信息，计算不同脑区的脑激活值、脑功能连接值和脑偏侧性值，得到老年人的认知功能障碍状态，以便于后续对认知功能障碍状态进行预测。

步骤S105，采集老年人在预设时间段之后的实际认知功能数据，计算老年人的实际认知功能障碍状态，对比所述预测认知功能障碍状态与所述实际认知功能障碍状态，计算得出奖惩函数。

在本公开实施例中，将初始认知康复训练策略RW_CLp推荐给老年人后，老年人在预设时间段T内会执行初始认知康复训练策略RW_CLp。因此，在预设时间段T之后，再次采集老年人执行初始认知康复训练策略RW_CLp后的实际认知功能数据，计算老年人的实际认知功能障碍状态，与之前利用认知功能状态预测模型预测的老年人在预设时间段T之后的预测认知功能障碍状态进行对比，确定奖惩函数以对初始认知康复训练策略模型进行改进。其中，奖惩函数由脑激活值奖惩函数、脑功能连接值奖惩函数和脑偏侧性值奖惩函数组成，如下式所示：

R_ZH＝R_{JC_JH}+R_{LJ_JH}+R_{PC_JH}

上式中，R_ZH为奖惩函数，R_{JC_JH}为脑激活值奖惩函数，R_{LJ_JH}为脑功能连接值奖惩函数，R_{PC_JH}为脑偏侧性值奖惩函数，其中：

(1)脑激活值奖惩函数R_{JC_JH}为：

上式中，JH_qeT、分别为脑前额叶的脑激活值的实际值和预测值；

JH_deT、分别为脑顶叶的脑激活值的实际值和预测值；

JH_zeT、分别为脑枕叶的脑激活值的实际值和预测值；

JH_neT、分别为脑颞叶的脑激活值的实际值和预测值；

a₁、a₂、a₃、a₄分别为校正系数。

(2)脑功能连接值奖惩函数R_{LJ_JH}为：

上式中，LJ_qeT、分别为脑前额叶的功能连接值的实际值和预测值；

LJ_deT、分别为脑顶叶的功能连接值的实际值和预测值；

LJ_zeT、分别为脑枕叶的功能连接值的实际值和预测值；

LJ_neT、分别为脑颞叶的功能连接值的实际值和预测值；

b₁、b₂、b₃、b₄分别为校正系数。

(3)脑偏侧性值奖惩函数R_{PC_JH}为：

上式中，PC_qeT、分别为脑前额叶的脑偏侧性值的实际值和预测值；

PC_deT、分别为脑顶叶的脑偏侧性值的实际值和预测值；

PC_zeT、分别为脑枕叶的脑偏侧性值的实际值和预测值；

PC_neT、分别为脑颞叶的脑偏侧性值的实际值和预测值；

c₁、c₂、c₃、c₄分别为校正系数。

步骤S106，利用所述奖惩函数优化所述初始认知康复训练策略模型，得到改进认知康复训练策略模型。

在本公开实施例中，将奖惩函数添加至初始网络模型，得到优化后的改进认知康复训练策略模型F_GDQN*，如下式所示：

F_GDQN*＝F_GDQN(LB_fe,HC_fe,JX_fe,RX_fe)+R_ZH

上式中，F_GDQN*()为改进认知康复训练策略模型，F_GDQN()为初始认知康复训练策略模型，R_ZH为奖惩函数。

步骤S107，基于所述改进认知康复训练策略模型输出目标认知康复训练策略。

在本公开实施例中，在训练阶段，将预测认知功能障碍状态、实际认知功能障碍状态和当前认知功能数据的认知功能障碍评估结果作为输入，对改进认知康复训练策略模型进行迭代训练，得到各个校正系数a₁、a₂、a₃、a₄、b₁、b₂、b₃、b₄、c₁、c₂、c₃、c₄，确定改进认知康复训练策略模型；

在使用阶段，还包括：

接收老年人的认知康复训练策略推荐请求；其中，所述认知康复训练策略推荐请求包括请求时刻、请求认知功能数据；

将所述请求认知功能数据输入改进认知康复训练策略模型，响应于所述认知康复训练策略推荐请求，输出距离所述请求时刻预设时间段之后的目标认知康复训练策略。

比如，请求时刻为20231009，采集老年人20231009的认知功能数据，预处理后得到20231009的认知功能障碍评估结果，输入改进认知康复训练策略模型，输出老年人的目标认知康复训练策略，包括20231009-20231029之间的任务类型、任务时间、任务难度系数、以及神经调控的调控类型、调控时间、调控频率。

在本公开实施例中，通过本公开的认知功能障碍的康复训练策略的优化方法，先利用老年人的历史就医数据，处理得到认知功能障碍评估结果，组合医生给出的认知康复训练策略构建老年人认知功能障碍康复训练知识库；再利用老年人认知功能障碍康复训练知识库建立初始认知康复训练策略模型；接着采集当前时刻的当前认知功能数据，输入初始认知康复训练策略模型得到初始认知康复训练策略，计算认知功能障碍状态，共同输入认知功能状态预测模型得到预测认知功能障碍状态；在预设时间段之后采集实际认知功能数据，计算实际认知功能障碍状态，对比预测认知功能障碍状态和实际认知功能障碍状态，构建由脑激活值奖惩函数、脑功能连接值奖惩函数和脑偏侧性值奖惩函数组成的奖惩函数，对初始认知康复训练策略模型进行优化，得到融合了老年人认知训练过程中脑激活、脑功能连接、偏侧性等多源特征的改进认知康复训练策略模型，进而后续可以准确地预测预设时间段之后的老年人的目标认知康复训练策略。

图4是根据本公开实施例的认知功能障碍的康复训练策略的优化***的主要模块的示意图，如图4所示，本公开的认知功能障碍的康复训练策略的优化***400包括：

老年人认知功能障碍康复训练知识库模块401，用于收集老年人的认知功能障碍评估结果以及对应的认知康复训练策略，构建老年人认知功能障碍康复训练知识库。

策略模型建立模块402，用于将所述老年人认知功能障碍康复训练知识库分为训练集和测试集，建立初始认知康复训练策略模型。

采集模块403，用于采集老年人当前时刻的当前认知功能数据。

分析预测模块404，用于将所述当前认知功能数据输入所述初始认知康复训练策略模型，得到老年人的初始认知康复训练策略，并计算老年人的当前认知功能障碍状态，将所述初始认知康复训练策略和所述当前认知功能障碍状态输入认知功能状态预测模型，输出老年人在预设时间段之后的预测认知功能障碍状态。

奖惩函数计算模块405，用于采集老年人在预设时间段之后的实际认知功能数据，计算老年人的实际认知功能障碍状态，对比所述预测认知功能障碍状态与所述实际认知功能障碍状态，计算得出奖惩函数。

优化模块406，用于利用所述奖惩函数优化所述初始认知康复训练策略模型，得到改进认知康复训练策略模型。

目标认知康复训练策略确定模块407，用于基于所述改进认知康复训练策略模型输出目标认知康复训练策略。

Claims (3)

1.一种认知功能障碍的康复训练策略的优化方法，其特征在于，包括：

收集老年人的认知功能障碍评估结果以及对应的认知康复训练策略，构建老年人认知功能障碍康复训练知识库；

将所述老年人认知功能障碍康复训练知识库分为训练集和测试集，建立初始认知康复训练策略模型；

采集老年人当前时刻的当前认知功能数据；

将所述当前认知功能数据输入所述初始认知康复训练策略模型，得到老年人的初始认知康复训练策略，并计算老年人的当前认知功能障碍状态，将所述初始认知康复训练策略和所述当前认知功能障碍状态输入认知功能状态预测模型，输出老年人在预设时间段之后的预测认知功能障碍状态；

采集老年人在预设时间段之后的实际认知功能数据，计算老年人的实际认知功能障碍状态，对比所述预测认知功能障碍状态与所述实际认知功能障碍状态，计算得出奖惩函数R_ZH，所述奖惩函数R_ZH由脑激活值奖惩函数R_{JC_JH}、脑功能连接值奖惩函数R_{LJ_JH}和脑偏侧性值奖惩函数R_{PC_JH}组成，如下式所示：

R_ZH＝R_{JC_JH}+R_{LJ_JH}+R_{PC_JH}

其中，脑激活值奖惩函数R_{JC_JH}为：

上式中，JH_qeT、分别为脑前额叶的脑激活值的实际值和预测值；

JH_deT、分别为脑顶叶的脑激活值的实际值和预测值；

JH_zeT、分别为脑枕叶的脑激活值的实际值和预测值；

JH_neT、分别为脑颞叶的脑激活值的实际值和预测值；

a₁、a₂、a₃、a₄分别为校正系数；

脑功能连接值奖惩函数R_{LJ_JH}为：

上式中，LJ_qeT、分别为脑前额叶的功能连接值的实际值和预测值；

LJ_deT、分别为脑顶叶的功能连接值的实际值和预测值；

LJ_zeT、分别为脑枕叶的功能连接值的实际值和预测值；

LJ_neT、分别为脑颞叶的功能连接值的实际值和预测值；

b₁、b₂、b₃、b₄分别为校正系数；

脑偏侧性值奖惩函数R_{PC_JH}为：

上式中，PC_qeT、分别为脑前额叶的脑偏侧性值的实际值和预测值；

PC_deT、分别为脑顶叶的脑偏侧性值的实际值和预测值；

PC_zeT、分别为脑枕叶的脑偏侧性值的实际值和预测值；

PC_neT、分别为脑颞叶的脑偏侧性值的实际值和预测值；

c₁、c₂、c₃、c₄分别为校正系数；

利用所述奖惩函数优化所述初始认知康复训练策略模型，得到改进认知康复训练策略模型；

基于所述改进认知康复训练策略模型输出目标认知康复训练策略。

2.如权利要求1所述的优化方法，其特征在于，所述构建老年人认知功能障碍康复训练知识库，包括：

获取老年人的认知评估量表数据、核磁共振图像数据以及静息态的近红外脑血氧信息和任务态的近红外脑血氧信息、认知康复训练策略；

对所述认知评估量表数据进行归一化处理，得到认知量表特征；

从所述核磁共振图像数据中提取核磁共振图像特征；

分别对所述静息态和所述任务态的近红外脑血氧信息进行预处理，得到所述静息态的脑血氧特征和所述任务态的脑血氧特征；

组合所述认知量表特征、所述核磁共振图像特征、所述静息态的脑血氧特征和所述任务态的脑血氧特征，得到老年人的认知功能障碍评估结果；

将所述认知功能障碍评估结果和对应的认知康复训练策略组合为所述老年人认知功能障碍康复训练知识库。

3.一种认知功能障碍的康复训练策略的优化***，其特征在于，包括：

老年人认知功能障碍康复训练知识库模块，用于收集老年人的认知功能障碍评估结果以及对应的认知康复训练策略，构建老年人认知功能障碍康复训练知识库；

策略模型建立模块，用于将所述老年人认知功能障碍康复训练知识库分为训练集和测试集，建立初始认知康复训练策略模型；

采集模块，用于采集老年人当前时刻的当前认知功能数据；

分析预测模块，用于将所述当前认知功能数据输入所述初始认知康复训练策略模型，得到老年人的初始认知康复训练策略，并计算老年人的当前认知功能障碍状态，将所述初始认知康复训练策略和所述当前认知功能障碍状态输入认知功能状态预测模型，输出老年人在预设时间段之后的预测认知功能障碍状态；

奖惩函数计算模块，用于采集老年人在预设时间段之后的实际认知功能数据，计算老年人的实际认知功能障碍状态，对比所述预测认知功能障碍状态与所述实际认知功能障碍状态，计算得出奖惩函数R_ZH，所述奖惩函数R_ZH由脑激活值奖惩函数R_{JC_JH}、脑功能连接值奖惩函数R_{LJ_JH}和脑偏侧性值奖惩函数R_{PC_JH}组成，如下式所示：

R_ZH＝R_{JC_JH}+R_{LJ_JH}+R_{PC_JH}

其中，脑激活值奖惩函数R_{JC_JH}为：

上式中，JH_qeT、分别为脑前额叶的脑激活值的实际值和预测值；

JH_deT、分别为脑顶叶的脑激活值的实际值和预测值；

JH_zeT、分别为脑枕叶的脑激活值的实际值和预测值；

JH_neT、分别为脑颞叶的脑激活值的实际值和预测值；

a₁、a₂、a₃、a₄分别为校正系数；

脑功能连接值奖惩函数R_{LJ_JH}为：

上式中，LJ_qeT、分别为脑前额叶的功能连接值的实际值和预测值；

LJ_deT、分别为脑顶叶的功能连接值的实际值和预测值；

LJ_zeT、分别为脑枕叶的功能连接值的实际值和预测值；

LJ_neT、分别为脑颞叶的功能连接值的实际值和预测值；

b₁、b₂、b₃、b₄分别为校正系数；

脑偏侧性值奖惩函数R_{PC_JH}为：

上式中，PC_qeT、分别为脑前额叶的脑偏侧性值的实际值和预测值；

PC_deT、分别为脑顶叶的脑偏侧性值的实际值和预测值；

PC_zeT、分别为脑枕叶的脑偏侧性值的实际值和预测值；

PC_neT、分别为脑颞叶的脑偏侧性值的实际值和预测值；

c₁、c₂、c₃、c₄分别为校正系数；

优化模块，用于利用所述奖惩函数优化所述初始认知康复训练策略模型，得到改进认知康复训练策略模型；

目标认知康复训练策略确定模块，用于基于所述改进认知康复训练策略模型输出目标认知康复训练策略。