[发明专利]一种基于LSTM模型匹配认知训练最适参数的方法

说明书

本发明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。

技术领域

本发明涉及认知训练干预与人工智能的技术领域，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。

背景技术

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。

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。

为克服上述技术的不足，本发明设计了一种基于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。

发明内容

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，本发明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。

为实现上述目的本发明的技术方案为：

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；

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；

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；

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。

步骤1中，主要包括以下步骤：

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；

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；

步骤1-3，对用户反馈难度数据进行采集；