【技术实现步骤摘要】
本专利技术涉及一种认知干预效果的预测模型的建模方法，同时也涉及相应的建模系统，还涉及利用该预测模型的认知预测方法，属于认知评估。
技术介绍
1、认知是指人类的大脑接触外界的信息或者事物后，通过内心活动的加工和处理，转化为认知、学习到的知识，即学习新事物、获取知识进行应用的一种能力。认知功能包括记忆力、理解力、计算力、语言能力、视空间能力、判断理解能力等多方面。如果认知功能出现一方面或者几方面的受损，都可以被认为是认知功能障碍。
2、认知功能障碍不仅影响生活能力，还会影响社交能力。认知功能障碍如果不加以预防，会经历从轻度认知障碍到认知障碍症的过程，早期的认知评估能够帮助患者及时发现和治疗认知障碍。
3、传统的认知评估多基于量表或认知测评任务，通过获取量表数据或任务测评数据，对患者在某个认知维度的认知损伤程度进行评估，并可以获取患者当前的综合认知水平。然而，这种方式仅实现对患者特定认知能力的测评，无法在患者认知训练前对认知训练的干预效果进行预测，进而无法实现对患者的认知干预进行有效的指导。
技术实现思路
1、本专利技术所要解决的首要技术问题在于提供一种认知干预效果的预测模型的建模方法。
2、本专利技术所要解决的另一技术问题在于提供一种认知干预效果的预测模型的建模系统。
3、本专利技术所要解决的又一技术问题在于提供一种利用该预测模型的认知预测方法。
4、为实现上述技术目的，本专利技术采用以下的技术方案：
5、根据本专
6、将显著影响到认知训练得分的个人信息作为分类分群变量，并基于所述分类分群变量对历史认知障碍患者进行分组；
7、针对同一组的认知障碍群体，分别获取每个认知障碍患者在预设训练周期训练前后的认知训练数据；其中，所述认知训练数据包括多项认知训练任务的得分；
8、针对每一项认知训练任务，基于同一组认知障碍群体的认知训练数据，分别提取该项认知训练任务训练前后的均值和方差；
9、针对每一项认知训练任务，基于该项认知训练任务训练前后的均值和方差，对每个认知障碍患者在该项认知训练任务的得分进行标准化，以得到每个认知障碍患者在该项认知训练任务认知训练前后的标准化得分；
10、针对每一项认知训练任务，基于该项认知训练任务训练前后的均值和方差，通过非线性拟合模型进行二次函数拟合，以获取函数拟合参数；
11、针对每一项认知训练任务，基于层次贝叶斯模型对每个认知障碍患者在该项认知训练任务认知训练前后的标准化得分进行拟合，以获取转化参数；
12、基于所述函数拟合参数形成的二次函数以及基于所述转化参数形成的层次贝叶斯模型，构建每项认知训练任务的得分在认知训练前后的映射关系，以形成认知干预效果的预测模型。
13、其中较优地，所述分类分群变量的类别有多种，每一种类别的所述分类分群变量对历史认知障碍患者的分组相互独立。
14、其中较优地，所述预设周期包括多个不同的固定周期，每一个所述固定周期在认知训练前的认知训练数据均相同，并且不同的所述固定周期在认知训练后的认知训练数据均不同；
15、其中，基于每一个所述固定周期训练前后的认知训练数据进行单独建模，以分别形成对应多个固定周期的多个预测模型。
16、其中较优地，所述每个认知障碍患者在该项认知训练任务认知训练前后的标准化得分通过以下步骤获取：
17、针对每一项认知训练任务，基于该项认知训练任务训练前后的均值和方差，将每个认知障碍患者在该项认知训练任务认知训练前后的得分标准化为z分数；
18、
19、其中，zi表示每个认知障碍患者在第i项认知训练任务认知训练前后的z分数；si表示每个认知障碍患者在第i项认知训练任务认知训练前后的得分；meani表示第i项认知训练任务训练前后的均值；stdi表示第i项认知训练任务训练前后的方差。
20、其中较优地，所述二次函数拟合包括：
21、基于每一项认知训练任务训练前后的均值mean和方差std，利用二次函数y＝ax2+bx+c+ε进行拟合，以拟合出模型参数a、b、c和ε；
22、其中，y表示每一项认知训练任务训练前的均值mean和方差std，x表示每一项认知训练任务训练前的均值mean和方差std。
23、其中较优地，所述基于层次贝叶斯模型对每个认知障碍患者在该项认知训练任务认知训练前后的标准化得分进行拟合，以获取模型转换参数包括：
24、控制每项认知训练任务在不同训练次数中的个体内变异，并且假设个体内认知训练任务的变异随机且属于正态分布；
25、y(prn)～n(θ(pn),σ2)
26、其中，n∈(1，q)，代表功能连接的具体边，q表示所有认知训练任务的数量；p代表具体的患者数；r代表不同的训练次数；y(prn)代表患者p在第r次训练中对编号为n的认知训练任务的z分数转化后的得分；θ(pn)为患者p在编号为n认知训练任务的跨训练次数的得分的均值；σ2代表跨训练次数的得分的方差；
27、采用线性函数拟合认知训练前后的数据变化；
28、
29、其中，x(pn)代表训练前患者p在编号为n的认知训练任务的z分数转化后的得分，a(pn)和b(pn)表示转化参数；
30、使每一个认知训练任务的转化参数在人群中随机且服从正态分布：
31、
32、
33、其中，和代表编号为n的认知训练任务的两个转化参数在人群中分布的均值，和代表编号为n的认知训练任务的两个转化参数在人群中分布的方差；
34、基于马尔科夫链蒙特卡洛理论进行模型拟合，以拟合出所述转化参数a(pn)和b(pn)。
35、其中较优地，所述建模方法还包括：
36、将同一组认知障碍群体认知训练前后的认知训练数据进行数据分组，以将其中一组数据作为测试数据，其余组数据作为训练数据，从而形成多种数据组合方式；
37、对于每一种数据组合方式，使用所述训练数据基于非线性拟合模型对训练前后的每项认知训练任务的均值和方差进行拟合，以获取函数拟合参数；并且，使用所述训练数据基于层次贝叶斯模型对训练前后的每项认知训练任务标准化后的z分数进行建模，以获取转化参数；
38、将基于所述训练数据得到的函数拟合参数和转化参数应用到所述测试数据中，以基于所述测试数据的认知训练前各项认知训练任务的得分，输出所述测试数据的认知训练后各项认知训练任务的理论得分；
39、将所述测试数据的认知训练后各项认知训练任务的理论得分与所述测试数据的认知训练后各项认知训练任务的实际得分相比较，以通过所述理论得分与实际得分的差异衡量模型的准确性，并对所述函数拟合参数和所述转化参数进行参数调整，形成最终的认知干预效果的预测模型。
<本文档来自技高网...【技术保护点】
1.一种认知干预效果的预测模型的建模方法，其特征在于包括如下步骤：
2.如权利要求1所述的建模方法，其特征在于：
3.如权利要求1所述的建模方法，其特征在于：
4.如权利要求1所述的建模方法，其特征在于所述每个认知障碍患者在该项认知训练任务认知训练前后的标准化得分通过以下步骤获取：
5.如权利要求1所述的建模方法，其特征在于所述二次函数拟合包括：
6.如权利要求1所述的建模方法，其特征在于所述基于层次贝叶斯模型对每个认知障碍患者在该项认知训练任务认知训练前后的标准化得分进行拟合，以获取模型转换参数包括：
7.如权利要求1所述的建模方法，其特征在于还包括：
8.一种认知干预效果的预测模型的建模系统，其特征在于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，用于执行如权利要求1～7中任意一项所述的建模方法。
9.一种认知预测方法，其特征在于包括如下步骤：
10.如权利要求9所述的认知预测方法，其特征在于还包括：
【技术特征摘要】
1.一种认知干预效果的预测模型的建模方法，其特征在于包括如下步骤：
2.如权利要求1所述的建模方法，其特征在于：
3.如权利要求1所述的建模方法，其特征在于：
4.如权利要求1所述的建模方法，其特征在于所述每个认知障碍患者在该项认知训练任务认知训练前后的标准化得分通过以下步骤获取：
5.如权利要求1所述的建模方法，其特征在于所述二次函数拟合包括：
6.如权利要求1所述的建模方法，其特征在于所述基于层次贝叶斯...
【专利技术属性】
技术研发人员：王丹旸，李诗怡，王晓怡，
申请(专利权)人：北京智精灵科技有限公司，
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。