本发明专利技术公开了一种基于手部运动轨迹的认知障碍识别方法及系统。该认知障碍识别方法包括如下步骤：获取用户的认知任务数据信息，认知任务数据信息至少包括个人信息以及基于电子设备进行认知任务的鼠标移动数据；对认知任务数据信息进行标准化处理，以统一认知任务数据信息的数据表示形式；针对标准化处理后的认知任务数据信息，筛选出预测变量；将预测变量输入预设分类模型，以输出预测结果；其中，预设分类模型为：基于预测变量，根据多种分类算法构建的多种分类模型中，预测结果最佳的分类模型。利用该认知障碍识别方法能够足不出户完成认知障碍风险筛查，并提供客观、量化的认知决策指标；此外，能够自由调整分类算法，具有很好的可拓展性。的可拓展性。的可拓展性。
【技术实现步骤摘要】
基于手部运动轨迹的认知障碍识别方法及系统
[0001]本专利技术涉及一种基于手部运动轨迹的认知障碍识别方法，同时也涉及相应的认知障碍识别系统，属于医疗保健信息学
技术介绍
[0002]随着老龄化社会的到来，以阿尔茨海默症为代表的神经退行性疾病所引起的认知障碍越来越多，给社会经济和患者及其家属造成沉重的负担。幸运的是，根据研究显示，在认知障碍早期即对患者进行干预可以减缓设置逆转认知障碍的进程。然而，在现有医疗条件下，患者往往就诊时往往已表现出非常明显的临床症状，错过了最佳的治疗时机。因此，方便且行之有效的认知障碍早期筛查工具的研发就成为了重中之重。
[0003]申请号为201610857284.5的中国专利申请中，公开了一种面向轻度认知障碍功能磁共振数据的脑网络建模与自动识别方法。该方法首先通过高斯图模型对功能磁共振数据构建功能连接脑网络；接着，将表征脑网络的稀疏逆协方差矩阵的下三角矩阵拉直作为特征向量；然后，使用t检验和支持向量机递归特征消除法对上述特征进行筛选，得到表征轻度认知障碍与正常人最大差异程度的特征集合；接着，利用上述特征集合训练模式分类器，得到训练集上分类正确率，并最终确定用于分类的脑网络模型和分类器。
[0004]在现有的认知类疾病识别方法中，以脑脊液、核磁共振影像、脑电为代表的生物标记物作为诊断的金标准具有客观性与准确性的优点。然而，其检测周期长，价格昂贵，且属于有创检测，在实际执行操作中存在诸多不便。另一方面，以量表为代表的认知测评虽然具有无创性、简便性和高效性，然而，其基于患者的主观作答，且还易收到测评人员专业性与职业疲劳等多种因素的影响，使得测评数据波动较大，缺乏客观性。
技术实现思路
[0005]本专利技术所要解决的首要技术问题在于提供一种基于手部运动轨迹的认知障碍识别方法。
[0006]本专利技术所要解决的另一技术问题在于提供一种基于手部运动轨迹的认知障碍识别系统。
[0007]为实现上述技术目的，本专利技术采用以下的技术方案：
[0008]根据本专利技术实施例的第一方面，提供一种基于手部运动轨迹的认知障碍识别方法，包括如下步骤：
[0009]获取用户的认知任务数据信息，所述认知任务数据信息至少包括个人信息以及基于电子设备进行认知任务的鼠标移动数据；
[0010]对所述认知任务数据信息进行标准化处理，以统一所述认知任务数据信息的数据表示形式；
[0011]针对标准化处理后的所述认知任务数据信息，筛选出预测变量；
[0012]将所述预测变量输入预设分类模型，以输出预测结果；
[0013]其中，所述预设分类模型为：基于所述预测变量，根据多种分类算法构建的多种分类模型中，预测结果最佳的分类模型。
[0014]其中较优地，所述认知障碍识别方法还包括：
[0015]基于所述预测结果向所述用户推送认知训练建议报告。
[0016]其中较优地，所述个人信息至少包括：年龄、性别、受教育程度、疾病史；
[0017]所述鼠标移动数据至少包括：曲线下面积、最大偏差、最大对数距离比、X轴翻转以及加速度翻转；
[0018]其中，所述曲线下面积表示观测轨迹与理想直线轨迹之间的区域面积；所述最大偏差表示理想轨迹与观测轨迹之间的垂直距离最大的点；所述最大对数距离比表示鼠标移动轨迹的目标距离与替代距离的比率；所述X轴翻转表示鼠标移动轨迹在X轴上左右摆动的次数，其中，定义电子设备界面为一个平面直角坐标系，电子设备界面中心点为平面直角坐标系(0，0)点，定义横轴为X轴，纵轴为Y轴；所述加速度翻转表示鼠标移动轨迹在X轴上加速和减速的次数。
[0019]其中较优地，采用下式表示X轴翻转：
[0020]∑H[(x
t
‑
x
t
‑1)(x
t
‑1‑
x
t
‑2)][0021]其中，X
t
指在t毫秒时鼠标在X轴的位置，X
t－1
指t－1毫秒时鼠标在X轴的位置，X
t－2
指t－2毫秒时鼠标在X轴的位置；
[0022]采用下式表示加速度翻转：
[0023](∑H[(a
t
‑
a
t
‑1)(a
t
‑1‑
a
t
‑2)])
‑1[0024]其中，a
t
指在t毫秒时的鼠标加速/减速度，a
t－1
指在t－1毫秒时的鼠标加速/减速度，a
t－2
指在t－2毫秒时的鼠标加速/减速度。
[0025]其中较优地，对所述认知任务数据信息进行标准化处理，具体包括：
[0026]将电子设备的页面中心点设为坐标(0，0)点，将电子设备的页面右上角坐标设为(1，1)，将电子设备的页面左上角坐标设为(－1，1)，将电子设备的页面右下角坐标设为(1，－1)，将电子设备的页面左下角坐标设为(－1，－1)；
[0027]将不同电子设备上的鼠标移动数据标准化为[－1，1]取值范围的坐标，并保持时间坐标不变。
[0028]其中较优地，所述筛选出预测变量，具体包括：
[0029]基于用户的病症类型和应用场景确认预测变量的筛选算法；
[0030]基于所述筛选算法筛选出预测变量。
[0031]其中较优地，所述多种分类模型至少包括：
[0032]基于第一算法构建逻辑回归模型
[0033][0034]其中，p为预测正确的概率；Pr(y＝1|X)为当特定的X值时，y＝1的概率；Pr(y＝0|X)为当特定的X值时，y＝0的概率；
[0035]基于第二算法构建支持向量机模型
[0036]f(x)＝w
T
x+b
[0037]其中，W
T
为法向量，决定了将数据分类的超平面的方向；b为截距项，决定了将数据
分类的超平面与原点的距离；
[0038]基于第三算法构建XGboost模型
[0039][0040]其中，T(x，θm)为某个决策树；θm为对应的决策树的数量；x为任务特征向量；f(x)为预测值；
[0041]其中，θm通过最小化相应损失函数来确定，公式如下：
[0042][0043]基于第N算法构建第N模型；其中，所述第N模型为适用于分类的模型。
[0044]根据本专利技术实施例的第二方面，提供一种基于手部运动轨迹的认知障碍识别系统，包括处理器和存储器，所述处理器读取所述存储器中的计算机程序，用于执行以下操作：
[0045]获取用户的认知任务数据信息，所述认知任务数据信息至少包括个人信息以及基于电子设备进行认知任务的鼠标移动数据；
[0046]对所述认知任务数据信息进行标准化处理，以统一所述认知任务数据信息的数据表示形式；
[0047]针对标准化处理后的所述认知任务数据信息，筛选出预测变量；...
【技术保护点】
【技术特征摘要】
1.一种基于手部运动轨迹的认知障碍识别方法，其特征在于包括如下步骤：获取用户的认知任务数据信息，所述认知任务数据信息至少包括个人信息以及基于电子设备进行认知任务的鼠标移动数据；对所述认知任务数据信息进行标准化处理，以统一所述认知任务数据信息的数据表示形式；针对标准化处理后的所述认知任务数据信息，筛选出预测变量；将所述预测变量输入预设分类模型，以输出预测结果；其中，所述预设分类模型为：基于所述预测变量，根据多种分类算法构建的多种分类模型中，预测结果最佳的分类模型。2.如权利要求1所述的认知障碍识别方法，其特征在于还包括：基于所述预测结果向所述用户推送认知训练建议报告。3.如权利要求1所述的认知障碍识别方法，其特征在于：所述个人信息至少包括：年龄、性别、受教育程度、疾病史；所述鼠标移动数据至少包括：曲线下面积、最大偏差、最大对数距离比、X轴翻转以及加速度翻转；其中，所述曲线下面积表示观测轨迹与理想直线轨迹之间的区域面积；所述最大偏差表示理想轨迹与观测轨迹之间的垂直距离最大的点；所述最大对数距离比表示鼠标移动轨迹的目标距离与替代距离的比率；所述X轴翻转表示鼠标移动轨迹在X轴上左右摆动的次数，其中，定义电子设备界面为一个平面直角坐标系，电子设备界面中心点为平面直角坐标系(0，0)点，定义横轴为X轴，纵轴为Y轴；所述加速度翻转表示鼠标移动轨迹在X轴上加速和减速的次数。4.如权利要求3所述的认知障碍识别方法，其特征在于：采用下式表示X轴翻转：∑H[(x
t
‑
x
t
‑1)(x
t
‑1‑
x
t
‑2)]其中，X
t
指在t毫秒时鼠标在X轴的位置，X
t－1
指t－1毫秒时鼠标在X轴的位置，X
t－2
指t－2毫秒时鼠标在X轴的位置；采用下式表示加速度翻转：(∑H[(a
t
‑
a
t
‑1)(a
t
‑1‑
a
t
‑2)])
‑
1其中，a
t
指在t毫秒时的鼠标加速/减速度，a
t－1
指在t－1毫秒时的鼠标加速/...
【专利技术属性】
技术研发人员：张子恒，马珠江，张青格，
申请(专利权)人：浙江脑动极光医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。