一种认知调控与训练系统技术方案

本发明专利技术公开了一种认知调控与训练系统，包括认知任务推荐模块、信息分析模块、认知评估模块、经颅磁刺激开关模块、经颅磁控制模块，经颅磁刺激模块，其中：认知任务推荐模块用于利用智能学习算法从任务推荐模块中的认知训练知识库中自动推荐适合患者的认知任务；信息分析模块用于根据信息采集模块采集的脑功能信息、面部表情信息进行分析；认知评估模块用于进行综合认知评估；经颅磁刺激开关模块用于根据认知任务评估模块的结果启动或关闭磁刺激；经颅磁刺激模块用于根据经颅磁刺激开关模块输出的启动或关闭指令启动或关闭。输出的启动或关闭指令启动或关闭。输出的启动或关闭指令启动或关闭。

【技术实现步骤摘要】
一种认知调控与训练系统
[0001]本申请是申请号为“202210197647.2”、申请日为2022年03月02日、专利技术名称为“一种基于多模态融合的认知调控与训练系统”的专利技术专利申请的分案申请。


[0002]本专利技术涉及认知康复训练领域，尤其涉及一种基于多模态融合的认知调控与训练系统。

技术介绍

[0003]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，认知障碍相关疾病严重威胁老年人的健康，给家庭和社会带来沉重负担，其防治是一项重要挑战。近年来，认知神经科学研究，提供了坚实的证据，支持了认知障碍老人的脑和认知仍然存在可塑性。核磁(MRI)脑结构成像、脑电(EEG)、近红外(fNIRS)、功能性核磁(fMRI)等神经成像技术在认知障碍评估方面显示了广阔的应用前景。运动干预能增强脑源性营养因子(BDNF)和其他促进神经发生的生长因子表达，进而保护海马等神经结构和其对应的记忆等认知功能。非入侵式经颅磁刺激等新型无创神经调控技术能直接对大脑皮层特定脑区进行神经调控，并影响相关的脑神经通路，对认知障碍患者的认知康复具有显著积极作用。但是每种认知评估和训练技术都有其自身的优势和局限性，因此利用多模态认知调控和训练技术相结合，才能够真正增强和延长认知功能增益，实现最优认知康复训练效果。
[0004]为此，本专利技术提供了种基于多模态融合的认知调控与训练系统。将经颅磁刺激神经调控与认知训练任务进行多模态融合，提升脑认知功能、情感信息反馈与经颅磁刺激神经调控的匹配效率，从而实现了最优认知康复反馈训练效果。

技术实现思路

[0005]为实现本专利技术之目的，采用以下技术方案予以实现：
[0006]一种基于多模态融合的认知调控与训练系统，包括认知任务推荐模块、认知任务训练模块、信息采集模块、信息分析模块、认知任务自适应调整模块、认知评估模块、经颅磁刺激开关模块、反馈模块、经颅磁控制模块，经颅磁刺激模块，其中：认知任务推荐模块用于根据患者的量表评分、核磁影像和临床诊断结果推荐适合患者的认知任务列表；认知任务训练模块用于在显示器上显示任务；信息采集模块用于采集患者在认知任务过程中的脑功能信息、面部表情信息；信息分析模块用于根据信息采集模块采集的脑功能信息、面部表情信息分析患者的脑功能偏侧性、脑功能网络聚类系数及患者情绪；认知任务自适应调整模块用于根据信息分析模块分析患者的脑功能偏侧性、脑功能网络聚类系数及情绪进行认知任务难度、训练时间等的自适应调整；认知评估模块用于根据患者的情绪、脑功能以及认知任务完成情况进行综合认知评估；经颅磁刺激开关模块用于根据认知任务评估模块的结果启动或关闭磁刺激；反馈模块用于反馈经颅磁刺激过程中患者的脑功能与情绪情况；经颅磁刺激控制模块用于根据反馈模块反馈的信息进行磁刺激控制参数的调整；经颅磁刺激模
块用于根据经颅磁刺激开关模块输出的启动或关闭指令启动或关闭，对患者脑部进行非侵入式磁刺激，并根据经颅磁控制模块输出的具体参数指令进行参数调整。
[0007]所述的基于多模态融合的认知调控与训练系统，其中：认知任务推荐模块利用智能学习算法从任务推荐模块中的认知训练知识库中自动推荐适合患者的认知任务。
[0008]所述的基于多模态融合的认知调控与训练系统，其中认知任务推荐模块利用智能学习算法从任务推荐模块中的认知训练知识库中自动推荐适合患者的认知任务包括：
[0009]步骤1：对预先建立的认知训练知识库中的数据进行预处理；
[0010]步骤2：利用卷积神经网络模型提取预处理后的核磁共振脑图像的数据特征；
[0011][0012]其中，conv2表示卷积运算，W
CNN
表示卷积核矩阵，valid是卷积的运算类型，MRI为输入的图像矩阵，B
CNN
是偏置，表示池化运算；
[0013]步骤3：将步骤2中的磁共振脑图像的数据特征和预处理后ADAS
‑
Cog量表、生化数据结果和基本信息输入到另一个卷积神经网络模型进行训练和模型优化，得到卷积神经网络
‑
卷积神经网络认知任务推荐模型：
[0014][TYPE,DD,TIME,Fe]＝F
CNN
‑
CNN
(Q
MRI
,L
ADAS
‑
Cog
,CST
BT
,J
AI
)
[0015]其中，TYPE为推荐的认知任务种类，DD为认知任务的难度系数，TIME为认知任务的训练时间，Fe为认知任务的训练频次，F
CNN
‑
CNN
为训练好的卷积神经网络
‑
卷积神经网络模型，L
ADAS
‑
Cog
为预处理后ADAS
‑
Cog量表数据特征，Q
MRI
为核磁共振脑图像数据特征，CST
BT
为预处理后的生化数据特征，J
AI
为预处理后的基本信息数据特征。
[0016]所述的基于多模态融合的认知调控与训练系统，其中：信息分析模块用于对信息采集模块采集的脑血氧信息、面部图像信息进行预处理，并对预处理后的脑血氧信息进行复小波变换、小波相位相干性计算分析，得出患者的偏侧性指标，如下：
[0017][0018]其中，SI为偏侧性指标，LK为左侧脑网络的总节点数，RK为右侧脑网络的总节点数，b
lilj
为左侧脑网络节点li与左侧脑网络节点lj连接的通道数量，q
lilj
为左侧脑网络节点li与左侧脑网络节点lj的最短路径，表示传输效率，b
rirj
为右侧脑网络节点ri与右侧脑网络节点rj的连接的通道数量，q
rirj
为右侧脑网络节点ri与右侧脑网络节点rj的最短路径，表示传输效率，s
liki
为左侧脑网络节点li与其他左右脑网络节点ki连接的通道数量，s
rikj
为右侧脑网络节点ri与其他左右脑网络节点kj连接的通道数量，λ为矫正系数；节点li与lj为左侧脑网络中不同的节点；节点ri与节点rj为右侧脑网络中不同的节点。
[0019]所述的基于多模态融合的认知调控与训练系统，其中：
[0020]当患者为左利手时，当患者为右利手时，其中：
[0021][0022][0023]左侧脑网络节点li与左侧脑网络节点lj的最短路径为：
[0024][0025]其中，N为左侧脑血氧信号数据序列经过复小波变换后包含脑血氧信号的个数，为节点li与节点lj之间脑血氧信号相位差；
[0026]右侧脑网络节点ri与右侧脑网络节点rj的最短路径为：
[0027][0028]其中，M为右侧脑血氧信号数据序列经过复小波变换后包含脑血氧信号的个数，为节点ri与节点rj之间脑血氧信号相位差；
[0029]所述的基于多模态融合的认知调控与训练系统，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种认知调控与训练系统，包括认知任务推荐模块、信息分析模块、认知评估模块、经颅磁刺激开关模块、经颅磁控制模块，经颅磁刺激模块，其特征在于：认知任务推荐模块用于利用智能学习算法从任务推荐模块中的认知训练知识库中自动推荐适合患者的认知任务；信息分析模块用于根据信息采集模块采集的脑功能信息、面部表情信息进行分析；认知评估模块用于进行综合认知评估；经颅磁刺激开关模块用于根据认知任务评估模块的结果启动或关闭磁刺激；经颅磁刺激模块用于根据经颅磁刺激开关模块输出的启动或关闭指令启动或关闭。2.根据权利要求1所述的认知调控与训练系统，其特征在于：信息分析模块用于对信息采集模块采集的脑血氧信息、面部图像信息进行预处理。3.根据权利要求1所述的认知调控与训练系统，其特征在于：认知任务推荐模块利用智能学习算法从任务推荐模块中的认知训练知识库中自动推荐适合患者的认知任务包括：步骤1：对预先建立的认知训练知识库中的数据进行预处理；步骤2：利用卷积神经网络模型提取预处理后的核磁共振脑图像的数据特征；其中，conv2表示卷积运算，W
CNN
表示卷积核矩阵，valid是卷积的运算类型，MRI为输入的图像矩阵，B
CNN
是偏置，表示池化运算；步骤3：将步骤2中的磁共振脑图像的数据特征和预处理后ADAS
‑
Cog量表、生化数据结果和基本信息输入到另一个卷积神经网络模型进行训练和模型优化，得到卷积神经网络
‑
卷积神经网络认知任务推荐模型：[TYPE,DD,TIME,Fe]＝F
CNN
‑
CNN
(Q
MRI
,L
ADAS
‑
Cog
,CST
BT
,J
AI
)其中，TYPE为推荐的认知任务种类，DD为认知任务的难度系数，TIME为认知任务的训练时间，Fe为认知任务的训练频次，F
CNN
‑
CNN
为训练好的卷积神经网络
‑
卷积神经网络模型，L
ADAS
‑
Cog
为预处理后ADAS
‑
Cog量表数据特征，Q
MRI
为核磁共振脑图像数据...

【专利技术属性】
技术研发人员：张静莎，李增勇，张腾宇，
申请(专利权)人：国家康复辅具研究中心，
类型：发明
国别省市：