一种基于LSTM模型匹配认知训练最适参数的方法技术

本发明专利技术涉及认知训练干预与人工智能的交叉领域，具体涉及一种基于LSTM模型匹配认知训练最适参数的方法，所述方法包括：设计用户认知训练日志数据的采集特征及方法，按照认知单元评分方法对用户的行为表现进行认知能力自动评价，并基于以上设计构建数据集；对所述数据集进行预处理，重构认知训练干预的序列数据集，作为训练样本；将所述训练样本输入到深度最适难度预测模型中进行训练，所述深度最适难度预测模型基于LSTM框架设计；利用训练完成的预测模型进行认知训练难度系数预测，评估模型性能。本发明专利技术通过训练LSTM预测模型根据用户认知训练中的历史数据表现得到下一次训练的难度，保证用户始终在一个有挑战的训练难度和强度下进行认知训练。度下进行认知训练。度下进行认知训练。

【技术实现步骤摘要】
一种基于LSTM模型匹配认知训练最适参数的方法


[0001]本专利技术涉及认知训练干预与人工智能的
，特别是涉及一种基于LSTM模型匹配认知训练最适参数的方法。

技术介绍

[0002]认知障碍是一类以获得性、持续性认知功能损害为核心疾病的综合征，可导致患者日常生活和工作能力减退、可伴有精神行为异常。我国认知障碍疾病患者数量庞大，65岁以上人群中存在轻度认知障碍患者约3800万。然而，目前认知障碍疾病的药物治疗选择依然有限，认知训练作为一种无明显不良反应的非药物干预手段，可独立应用，亦可与药物或其他非药物干预手段联合应用，是认知障碍疾病预防和干预的重要手段。认知训练，特别是计算机辅助的认知训练，作为一种无明显不良反应的非药物干预手段，已成为认知障碍疾病预防和干预的重要手段。深度学习和人工智能技术的不断发展和成熟，使得计算机辅助的认知训练等非药物干预方法变得更加丰富，将进一步助力患者认知训练效果的提升。
[0003]传统的计算机辅助认知训练借助系统设计的任务，针对注意、记忆、逻辑推理等认知域进行训练，来提升个体认知功能，但存在无法针对受试者表现实时进行难度自适应和认知维度推荐匹配等缺陷，无法个体化识别和调整不同受试者的认知训练类型和效果，而常用的自适应程序的局限性在于它们通常只能够根据最近的信息来调整挑战。
[0004]为克服上述技术的不足，本专利技术设计了一种基于LSTM模型匹配认知训练最适参数的方法，利用用户在认知训练中的行为表现训练LSTM预测模型，根据用户认知训练中的历史数据表现预测下一次训练的难度，可进一步提升患者认知训练的效果，具有现实意义和良好的应用前景。

技术实现思路

[0005]认知训练干预的一个关键需求是对每个用户的任务难度进行个性化，并在用户提高执行任务的技能时，调整任务的难度以不断应用适当的挑战。贝叶斯滤波方法(如隐马尔可夫模型和卡尔曼滤波器)和深度学习方法(如长短期记忆(LSTM)模型)是评估受试者技能水平和预测适当任务挑战的主要途径。针对上述问题，本专利技术的目的是提供一种基于LSTM模型匹配认知训练最适参数的方法，根据用户认知训练中的历史数据表现得到下一次训练的难度，保证用户始终在一个有挑战的训练难度和强度下训练，从而使训练效果最大化。
[0006]为实现上述目的本专利技术的技术方案为：
[0007]步骤1：设计用户认知训练日志数据的采集特征及方法，按照认知单元评分方法对用户的行为表现进行认知能力自动评价，并基于以上设计构建数据集；
[0008]步骤2：对所述数据集进行划分及预处理，重构认知训练干预的序列数据集，作为训练样本；
[0009]步骤3：对拥有不同水平的认知基础的用户，分别单独构建深度最适难度预测模型。将所述训练样本分别输入到深度最适难度预测模型中进行训练；
[0010]步骤4：利用训练好的多个深度最适难度预测模型进行认知训练难度系数预测，评估模型性能。
[0011]步骤1中，主要包括以下步骤：
[0012]步骤1
‑
1，进行认知测试，对用户基础认知水平进行专业评估；
[0013]步骤1
‑
2，通过用户每次的训练表现对各认知单元得分进行计算，计算过程中主要将用户的认知水平分为注意力、记忆力、执行功能、感知觉、心理运动五个认知单元，分别进行评分；
[0014]步骤1
‑
3，对用户反馈难度数据进行采集；
[0015]步骤1
‑
4，整理采集数据，每条记录包括用户基本信息(人口学)、传统认知量表的评估结果、认知训练游戏的行为数据以及对应的训练难度，将采集后的数据按照时间顺序排序整理。
[0016]步骤2中，预处理包括异常数据处理、缺失数据处理和数据归一化处理，将异常数据视为缺失值，交给缺失值处理方法来处理，缺失值采用插补法进行填充。数据集划分指根据用户认知测试得分水平，将对所述的认知评估数据划分为多个数据集，每个数据集分为训练集、验证集和测试集。序列数据集的重构方法为，利用滑动窗口对数据集进行处理，以有效地产生成批的时间序列输入和目标。
[0017]步骤2具体包括以下步骤：
[0018]步骤2
‑
1，对所述认知评估数据进行异常数据处理和缺失数据处理，将异常数据视为缺失值，交给缺失值处理方法来处理，缺失值采用插补法进行填充；
[0019]步骤2
‑
2，根据用户认知测试得分水平，将对所述的认知评估数据划分为多个数据集，每个数据集分为训练集、验证集和测试集；
[0020]步骤2
‑
3，数据集划分后，对数据集分别进行数据归一化处理，对训练集、验证集和测试集分别处理的原因在于防止数据泄漏，造成测试效果的偏差，归一化；
[0021]步骤2
‑
4，按照时间序列对数据集进行排序，建立序列数据集；
[0022]步骤2
‑
5，重构认知训练干预的序列数据集，利用滑动窗口对数据集进行重构，滑动窗口大小为L
x
，从第一个时间步开始，截取长度为L
x
的时间步对应的输入数据，作为重构后新的输入数据，同时将对应的预测真值合并，作为重构后新的预测真值，生成第一条数据，向后滚动一个时间步，即从第二个时间步同样截取长度为L
x
的时间步对应的输入数据和预测真值，生成第二条数据，以此类推，直至滑动窗口到达最后一个时间步，能够有效地产生成批的时间序列输入数据和目标值。
[0023]步骤3中，深度最适难度预测模型基于LSTM框架设计，LSTM神经网络分为四个部分：遗忘门，输入门，神经元状态更新部分和输出门，LSTM主要通过门控单元选择性的将时序数据进行传递，以达到长时记忆的功能。其中，深度体现于LSTM模型采用多层结构，第一层LSTM的输出作为第二层LSTM的输入，以此类推直至最后一层，取最后一个记忆块的输出作为模型的最终输出。
[0024]步骤4中，利用建立好的深度最适难度预测模型进行认知训练难度系数预测，综合测试集评价和人工评价方法评估模型性能。
[0025]步骤4具体包括以下步骤：
[0026]步骤4
‑
1，训练结束后，将所述测试集输入，根据用户认知训练中的历史数据表现
得到下一次训练的难度预测结果，验证模型效果。
[0027]步骤4
‑
2，对模型的预测能力进行人工评价。由于时间序列任务的自回归性，不能像其他普通机器学习任务一样仅通过测试集表现进行评估，并且由于测试集测试模型性能过程中，未能实时收集用户训练表现数据，故通过测试集仅能评估模型的单轮预测效果，为评估模型多轮滚动预测效果，本专利技术借助人工评价进行评估；
[0028]步骤4
‑
3，最终综合上述测试集评估结果与人工评估结果对模型性能作出评价。
[0029]综上所述，本专利技术中模型相对于常用的自适应方法(如仅基于最近表现的阶梯本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM模型匹配认知训练最适参数的方法，其特征在于，具体包括以下步骤：步骤1、设计用户认知训练日志数据的采集特征及方法，按照认知单元评分方法对用户的行为表现进行认知能力自动评价，并基于以上设计认知训练数据集；步骤2、对所述数据集进行预处理，重构认知训练干预的序列数据集，作为训练样本；步骤3、将所述训练样本输入到深度最适难度预测模型中，所述深度最适难度预测模型基于长短期记忆网络LSTM框架设计；步骤4、利用建立好的深度最适难度预测模型进行认知训练难度系数预测，评估模型性能。2.根据权利要求1所述的一种基于LSTM模型匹配认知训练最适参数的方法，其特征在于，设计并构建数据集，包括：在用户正式进行认知训练前，进行认知测试，对用户基础认知水平进行专业评估；通过用户每次的训练表现对各认知单元得分进行计算，计算过程中主要将用户的认知水平分为注意力、记忆力、执行功能、感知觉、心理运动五个认知单元，分别进行评分；采集用户反馈难度数据；将采集后的数据按照时间顺序排序并整理，构建认知训练序列数据集，所述数据集的每条记录包括用户基本信息(人口学)、传统认知量表的评估结果、认知训练游戏的一组行为数据以及对应的训练难度。3.根据权利要求2所述的一种基于LSTM模型匹配认知训练最适参数的方法，其特征在于，所述认知测试及认知水平评分面向机器学习的训练数据转化方法，包括：认知测试借助蒙特利尔认知评估量表(MoCA)和简易精神状态量表(MMSE)，作为认知功能筛查量表，评估用户的基础认知功能水平；认知水平评分方法中注意力包括集中、维持、选择、分配，记忆力包括工作记忆、短期记忆、情景记忆、视觉记忆、空间记忆、言语记忆，执行功能包括抑制、灵活性、策略计划、决策、计算、处理速度，感知觉包括空间感知、视觉感知、听觉感知、视野范围、扫视能力，心理运动包括反应速度、精准度、手眼协调。4.根据权利要求1所述的一种基于LSTM模型匹配认知训练最适参数的方法，其特征在于，认知评估数据预处理，具体包括：对所述认知评估数据进行异常数据处理和缺失数据处理，将异常数据视为缺失值，交给缺失值处理方法来处理，缺失值采用插补法进行填充。根据用户认知测试得分水平，将对所述的认知评估数据划分为多个数据集，每个数据集分为训练集、验证集和测试集。划分后，进行数据归一化处理并分别建立序列数据集。对于序列模型，利用滑动窗口对数据集进行重构，以有效地产生成批的时间序列输入和目标。5.根据权利要求4所述...

【专利技术属性】
技术研发人员：卫志华，竺映波，李玉，张岩，张汉，
申请(专利权)人：深圳脑吾脑网络科技有限公司，
类型：发明
国别省市：