[发明专利]一种基于LSTM模型匹配认知训练最适参数的方法

权利要求书

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，基于滑动窗口的数据集重构方法，包括：

对于数据集，利用滑动窗口进行重构，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。

6.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，构建深度最适难度预测模型，包括：

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。所述深度最适难度预测模型采用长短期记忆网络LSTM框架，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。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。

7.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，利用模型进行难度系数预测，并评估模型性能，具体包括：

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。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，本发明同时借助人工评价进行评估。

进行人工评价时，首先根据测试员的基本信息(人口学)、传统认知量表的评估结果，将各方面相似的测试员两两结组，逐次进行认知训练，同时组内两人参与认知训练时分别以两种方式对下一次训练难度进行设置，方式一通过所述模型对其下一次训练的难度进行预测，方式二通过具有相关领域知识的评估员对下一次训练难度进行设置，这里选取多对测试员，以消弭组内测试员间认知水平的相对微小的差异，双线并行进行数据采集。理论上，组内难度变化的趋势越相似，即说明模型难度预测的效果越好。