(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211219173.3 (22)申请日 2022.09.30 (71)申请人 北京智精灵科技有限公司 地址 100085 北京市海淀区东北旺北京中 关村软件园孵化器2号楼一层2151/ 2152室 (72)发明人 刘川　李诗怡　蔡龙军　王晓怡　 (74)专利代理 机构 北京汲智翼成知识产权代理 事务所(普通 合伙) 11381 专利代理师 韩正魁　陈曦 (51)Int.Cl. G16H 50/20(2018.01) G16H 50/70(2018.01) G06N 20/00(2019.01) G06N 3/08(2006.01)G06N 3/04(2006.01) G06K 9/62(2022.01) G06F 16/9535(2019.01) A61B 5/00(2006.01) (54)发明名称 基于深度学习的认知评估方法及认知任务 推送方法 (57)摘要 本发明公开了一种基于深度学习的认知评 估方法及认知任务推送方法。 该认知评估方法包 括如下步骤： 获取用户的多种数据信息； 对多种 数据信息进行预处理， 以根据每一种数据信息的 特征进行数据编码； 基于DEEP模型对预处理后的 特征数据进行特征转化， 以得到第一特征数据； 并基于WIDE模型对预处理后的特征数据进行交 叉组合， 以获取第二特征数据； 基于FC全连接层 将第一特征数据和第二特征数据进行特征整合； 基于MTL模型对融合后的特征数据进行多任务学 习， 以获取针对用户的认知训练任务的各项二级 脑能力的变化值。 该方法能够基于用户的多种数 据信息确定出对用户产生积极影响的最佳训练 任务组合， 形成疗效最好、 治疗副作用最低的认 知训练方案 。 权利要求书2页 说明书8页 附图6页 CN 115295153 A 2022.11.04 CN 115295153 A 1.一种基于深度学习的认知评估方法， 其特 征在于包括如下步骤： 获取用户的多种数据信 息， 所述多种数据信 息至少包括： 用户画像、 用户的脑影像诊断 信息、 所述用户画像对应的各项二级脑能力的初始值以及用户的认知训练任务； 对所述多种数据信息进行预处理， 以根据每一种数据信息的特征进行数据编码， 得到 预处理后的特 征数据； 基于DEEP模型对所述预处理后的特征数据进行特征转化， 以得到第一特征数据； 并基 于WIDE模型对所述预处 理后的特 征数据进行交叉组合， 以获取第二特 征数据； 基于FC全连接层将所述第一特 征数据和所述第二特 征数据进行 特征整合； 基于MTL模型对融合后的特征数据进行多任务学习， 以获取针对所述用户的认知训练 任务的各项二级脑能力的变化 值。 2.如权利要求1所述的认知评估方法， 其特 征在于还 包括如下步骤： 采用MSELoss作为损失函数， 以用于对判断认知评估结果的好坏； 其 中， 所述MSELoss损 失函数的公式如下： ； 将多个单任务的l ossLi进行线性相加， 得到最终的损失函数L， 定义如下： ； 其中， mean表示计算预测值x与真实值y这两个tensor中的对应位置的两个元素的差的 平方， 得到一个新的同样大小的tensor， 然后求这个tensor中所有元素的均值； sum表示计 算预测值x与真实值y这两个tensor中的对应位置的两个元素的差的平方， 得到一个新的同 样大小的tensor， 然后求这个tensor中所有元素的和； xn表示预测值； yn表示数据标签； wi表 示每一项损失的权 重大小； Li表示每一项的损失值。 3.如权利要求1所述的认知评估方法， 其特 征在于还 包括如下步骤： 采用mini ‑batch aware regularization作为模型优化器， 对每一个mini ‑batch中参 数不为0的进行梯度更新， 以用于更新和计算影响模型训练和模型输出的网络参数； 公式如下： 其中， B代表总mini ‑batch的size， Bm代表第m个mini ‑batch， amj＝max(x,y)I(xj!＝ 0)， (x,y) in Bm， I代表指示函数； nj代 表在所有样本中特 征j出现的次数。 4.如权利要求1所述的认知评估方法， 其特 征在于还 包括如下步骤： 利用自适应调整rectified  point的位置的激活函数， 引入非线性特性； 所述激活函数 f （s） 的公式如下：权　利　要　求　书 1/2 页 2 CN 115295153 A 2； E[s]和Var[s]为每一个mini ‑batch的期望和方差， 当期望为0， 方差为1退化为PReLu， PReLu的公式如下： ； 其中， p （s） 代表mini ‑batch的归一化方法； s代表输入值大小； a代表一个系数； ε是一个 大于0的常数， 以防止分母为0 。 5.如权利要求1所述的认知评估方法， 其特 征在于： 针对所述用户的认知训练任务和所述用户画像， 所述DEEP模型和所述WIDE模型均基于 DIN的Attention机制对用户行为偏好进行融合匹配， 以获取用户感兴趣的认知训练任务。 6.如权利要求1所述的认知评估方法， 其特 征在于： 所述用户画像至少包括用户的人口统计学信息、 临床信息以及认知测评信息 。 7.如权利要求1所述的认知评估方法， 其特 征在于： 所述用户的脑影像诊断信息包括基于结构态核磁共振生成的与认知障碍相关的脑网 络连接和常模比较推 断出的退化， 以及退化结果诊断出 的二级脑功能认知障碍； 还包括基 于功能态核磁共 振生成的认知障碍患者受损的脑 功能网络间的退化形成的10 *10矩阵。 8.如权利要求1所述的认知评估方法， 其特征在于所述多种数据信息还包括用户在动 态训练过程中， 对训练任务的训练偏好； 所述训练偏好至少包括用户的面部表情信息反馈、 用户对训练任务的依从性、 用户在 完成任务后对训练任务的喜好评价。 9.如权利要求1所述的认知评估方法， 其特 征在于： 从经典循证神经心 理学范式改编的认知训练任务池中， 基于所述用户的认知测评结果 选取预设数量的认知训练任务， 作为所述用户的认知训练任务。 10.一种认知训练任务的推送方法， 其特 征在于包括如下步骤： 利用权利要求1～9中任意一项所述的认知评估方法， 对用户的认知训练任务进行评 估， 以获取对应所述认知训练任务的各项二级脑能力的变化 值； 基于所述认知训练任务的各项二级脑能力的变化值， 按照对用户的认知提升程度对所 述认知训练任务进行排序； 基于所述认知训练任务的排序， 选择出各项二级脑能力值之和最大的认知训练任务组 合， 推送给用户进行认知训练。权　利　要　求　书 2/2 页 3 CN 115295153 A 3