CN114096194B 用于认知训练和监控的系统和方法 （阿塞拉尔有限公司）

2021.11.30PCT/IL2020/0504932020.05.04WO2020/240534EN2020.12.03US2018286272A1,2018US2017046971A1,2017.GiuseppeFenzaetalAdaptiveTutoringModelusingArtifiNeuralNetworksandReinforcemeConferenceonAdvanceGiuseppeFenzaetalAdaptiveTutoringModelusingArtifiNeuralNetworksandReinforcemeConferenceonAdvance一种响应于认知训练程序来分析用户反馈预定义数据集包括针对具有已知特征的用户的及基于接收到的新的用户反馈利用至少一个机2由所述处理器使用强化学习利用所述接收到的新的用户反馈重新训练所述至少一个9.根据权利要求1所述的方法，还包括由所述处理器3通过以下方式利用强化学习来训练所述至少一个利用关于所述一组动作中的动作对所述用户表现的影响的信息来收集新的用户反馈针对所述一组动作中的每个动作，测量对所述训练成功率数据库，其包括针对具有已知特征的用户的先前接收到的用户反馈的基于所接收到的新的用户反馈，利用所述至少一个机器学习算法确定对所使用强化学习利用所述接收到的新的用户反馈重新训练所述至少一个机器学习算法，45程序的坚持和/或参与。每周的例如重复的程序(其中用户逐渐对程序失去兴趣)的使用的6状态和婚姻状态组成的组中选择的至少一个用户特征来确定用户简档。在一些实施例中，器根据利用至少一个机器学习算法对训练成功率的预测来更新训练变量。在一些实施例(cognitivedecline)，其中预定义数据集可以包括针对具有已知特征的用户的先前接收7[0019]关于本发明的主题在说明书的结尾部分被特别指出并被[0021]图2A-2E示出了根据本发明的一些实施例的用于响应于认知训练程序对用户反馈[0023]图4A-4B示出了根据本发明的一些实施例的用于响应于认知训练程序对用户反馈[0024]图5示出了根据本发明的一些实施例的响应于认知训练程序来分析用户反馈以确[0025]图6示出了根据本发明的一些实施例的响应于认知训练程序来分析用户反馈以确台、计算系统或其它电子计算设备将表示为计算机的寄存器和/或存储器内的物理(例如，电子)量的数据操纵和/或转换为类似地表示为计算机的寄存器和/或存储器或者可存储用于执行操作和/或过程的指令的其它信息非暂时性存储介质内的物理量的其它数据。虽然8任何其他或附加的合适的输入设备。任何适当数量的输入设备135可以可操作地连接到计算设备100。输出设备140可以包括一个或更多个显示器或监控器和/或任何其它合适的输[0036]本发明的实施例可以包括诸如计算机或处理器非暂时可读介质或计算机或处理的存储器、磁盘驱动器或USB闪存，该指令在由处理器或控制器执行时执行本文公开的方9[0037]根据本发明的实施例的系统可以包括组件，诸如但不限于，多个中央处理单元(CPU)或任何其它合适的多用途或特定的处理器或控制器(例如，类似于控制器105的控制[0039]现在参考图2A，其示出了根据一些实施例的用于响应于认知训练程序210对用户(如图1所示的诸如存储装置系统130)，该数据库202包括针对具有已知特征的用户的先前[0042]根据一些实施例，认知训练程序210可以基于以低成功率[0043]处理器201可以执行至少一个机器学习算法204(例如，利用使用深度神经网络的用系统训练人类用户为例)，或者包括标记样本以教导网络的人类操作员的监督下进行的机器学习算法204可以在例如具有长短期记忆(LSTM)单元的递归神经网络(RNN)上实现。不同，具有LSTM结构的RNN可能具有反馈连接，以使用其内部状态(存储器)来处理输入序列。接收具有根据所提供的指令进行的训练进度的信息的用户反馈203，以便将训练结果与预[0048]根据一些实施例，处理器201例如可以使用机器学习算法204从用户反馈203确定[0049]处理器201可以基于所确定的用户行为模式206和/或基于用户特征，利用至少一[0051]在一些实施例中，可以基于特定用户的行为模式206来定义用于与用户直接交互收集的用户反馈数据203，预定义规则和/或机器学习算法可以相应地施加训练和/或要呈为每个用户预测可能需要哪些动作以及在训练期间的什么时间相[0052]在一些实施例中，处理器201可以对用户反馈203进行分类(和/或处理器201可以204确定。在一些实施例中，所确定的至少一个用户简档可以被图2A-2E所示的系统200、[0053]现在参考图2D，其示出了根据一些实施例的用于响应于认知训练程序210来确定训练流失率264的另一系统260的框图。图2D中的一些元素可以与图2A中所示的元素(例如训练流失率可以利用正在进行的参与(例如，基于训练持续时间和/或一天中的训练时间)户关闭账户或停止训练)，以便使用机器学习算法204来预测用户训练习惯和/或预期训练[0056]根据一些实施例，处理器201可以例如利用无监督学习来检测用户行为中的变化[0058]在一些实施例中，机器学习算法204可以接收针对用户的行为模式206(图2C中所训练程序210来确定认知衰退274。图2E中的一些元素可以与图2A中所示的元素(例如处理[0060]在一些实施例中，处理器201可以用机器学习算法204预测和/或检测与轻度认知知能力的显著和可测量的下降。患有MCI的人患阿尔兹海默症或其他类型痴呆症的风险增[0061]在一些实施例中，如果具有不同MCI阶段的用户例如通过外部医疗机构的诊断最[0063]在一些实施例中，机器学习算法204可以接收针对用户的行为模式206(如图2C所[0065]在一些实施例中，系统300可以包括耦合到处理器201的至少一个脑电图(EEG)传感器301以测量EEG信号，处理器201被配置为利用至少一个EEG传感器301来监控用户30的可以佩戴带有至少一个EEG传感器301的头戴装置以使用分别地取决于私人使用或临床医生的许可的商用EEG通道(1-16)或临床脑电图通道(16-64)来收集在脑电波和特定活动上处理器201被配置为针对利用至少一个成像器302在显示器310上显示的内容监控用户30的例如基于由至少一个成像器302收集的数据来细化所确定的训练成功机化设备(诸如图1所示的计算设备100)的相机或者通过临床眼睛跟踪器来跟踪眼睛运动单个设备(例如，头戴装置)可以包括EEG传感器301和/或成像器302和/或用头戴装置显示[0070]在一些实施例中，处理器201可以对从外部设备(诸如EEG传感器301和/或成像器[0072]现在参考图4A，其示出了根据一些实施例的响应于认知训练程序210分析用户反[0073]至少一个机器学习算法204可以在步骤401(例如，由处理器201)利用预定义数据集进行训练以预测训练成功率205，其中预定义数据集可以包括针对具有已知特征的用户[0074]现在参考图4B，其示出了根据一些实施例的响应于认知训练程序210来分析用户包括针对具有已知特征的用户的先前接收到的用户反馈。训练集和/或训练变量可以(例机器学习算法204可以被训练成相应地预测用户在其他情况下的行为，例如预测针对特定利用预定义数据集进行训练以预测训练流失率264，其中预定义数据集可以包括针对具有器201)基于接收到的新的用户反馈利用至少一个机器学习算法204来确定训练流失率264[0081]尽管本文已说明和描述了本发明的某些特征，但本领域技术人员可想到许多修