CN119417307A 基于大数据的人员认知能力评估与恢复方法 （中国人民解放军军事科学院军事医学研究院）

基于大数据的人员认知能力评估与恢复方法本申请提出了一种基于大数据的人员认知析指数，计算目标人员的最终认知能力评估结2采集待评估的目标人员的基本数据，基于预设的多个认知能力评获取每项所述评估测试的测试数据、单项能力评估值和完成时间述大数据分析指数表示所述大数据分析能力评估值与所述单项能力评估值之间根据各项所述评估测试的所述单项能力评估值、所述完成时间和所对于每项评估测试，计算所述单项能力评估值与所述大数据分析能从所述功能连接网络中提取特征，并通过机器学习算法将提通过大数据平台获取大量参与人员的认知评估数据，将所计算模型的多个评估指标，通过所述多个评估指标评计算所述两组特征权重之间的组内相关系数ICC，以量化两次分割之间所述特征权重通过所述分支界定算法寻求每组认知评估数据的全3将每项评估测试的所述单项能力评估值、所述完成时间和所述大数据指标分析指数，基于层次分析法生成比较判断矩阵，通过所述比较判断矩阵计算各项知能力评估结果。将所述评价指标层中各项评估测试的评估指标进行两两比较，根计算所述比较判断矩阵的最大特征根以及所述最大特征根所述特征向量矩阵确定各项评估指标的所述第获取待训练的目标人员的认知能力评估数据，根据所述权利要求1_7中任一项所述的方法对所述目标人员进行评估设定多种认知恢复训练，基于贝叶斯网络求解认知能力评估与认知恢按照所述恢复训练任务，对所述目标人员进行多模态干预训练，并在环图的结构特征代表认知变量之间的直接因果对方程中的所述样本矩阵进行求解，将所述样本矩阵分解为目标矩阵4对初次认知能力评估中的待恢复的认知能力分类进行再次根据所述认知能力评估综合得分所处的分值区间，确定所述目标人筛选出得分低于预设阈值的各项目标评估测试，测试模块，用于采集待评估的目标人员的基本数据，基于预大数据分析模块，用于获取每项所述评估测试的测试数据、单计算模块，用于根据各项所述评估测试的所述单项被处理器执行时实现如权利要求1_7中任一项所述的基于大数据的人员认知能力评估方5认知能力方面相对于同龄人群体的表现，刻板化的评估方式忽略了个体的复杂性和多样[0006]为此，本申请的第一个目的在于提出一种基于大数据的6所述目标人员进行每个所述认知能力评估分类下的多模型预测对于各项评估测试的流体智力商数FIQ、晶体智力商数CIQ和认知综合测量值IC_7用如上述第一方面中任一项所述的方法对所述目标人员进行8[0042]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得[0043]图1为本申请实施例提出的一种基于大数据的作业人员认知能力评估方法的流程[0045]图3为本申请实施例提出的一种基于评估数据的作业人员认知能力恢复方法的流9[0047]图5为本申请实施例提出的一种具体的基于评估数据的作业人员认知能力恢复方[0048]图6为本申请实施例提出的一种基于大数据的作业人员认知能力评估装置的结构[0049]图7为本申请实施例提出的一种基于评估数据的作业人员认知能力恢复装置的结通过计算机设备实现。计算机化认知评估可适用的人群包括各年龄段的各种类型的人群，[0058]下面参考附图描述本发明实施例所提出的一种基于大数据的人员认知能力评估[0059]图1为本申请实施例提出的一种基于大数据的人员认知能力评估方法的流程图，[0065]可以按照表1中所示的评估测试内容，通过计算机设备根据各评估测试的评估指表示大数据分析能力评估值与单项能力评估值之测试所用的时间，并将采集的测试数据输入在计算机设备中预先搭载的评估测试系统程赖(BloodOxygenationLevel_Dependent，简称BOLD)信号的时间序列之间的相关性或其值的分割点)对算法效率至关重要。常用的分支策略包括最大上界减去当前最优解的差值上界(对于最大化问题)，这个界用来评估该子树是否可能包含比当前已知最优解更好的(最大化)或\(+\infty\)(最小化集进行优化后，利用优化后的训练数据集通过相关的深度学习技术对预测模型进行训练，训练预测模型预测受测人员在各项评估测试中[0103]其中，评估结果数据包括流体智力商数(FluidIntelligenceQuotient，简称(IntegratedCognitiveAssessmentorComprehensiveCognitiveMeasure，简称IC_样本上进行两次或多次测试)不同，样本外重测信度涉及的是在时间上相隔较远或在不同群体上的重复测量。样本外重测信度的评估对于确保研究结果的有效性和可靠性至关重间β系数的一致性程度，两个β系数的一致性称为样本外重测信度，若可以得到较高的ICC方误差(MeanSquaredError,MSE)：预测值与实际值差的平方和的平均值。均方根误差比例。召回率(Recall)：实际为正例中被正确预测为正例的比例。F1分数(F1Score)：Precision和Recall的调和平均值，平衡两者。混淆矩阵：详细展示真正例(TP)、真负例(k_foldcross_validation)是一种评估机器学习模型性能的统计学方法，用于评估模型13579[0132]更进一步的，根据上述实施例构造出判断矩阵后，求取判断矩阵的最大特征根λ[0138]图3为本申请实施例提出的一种基于评估数据的人员认知能力恢复方法的流程标人员的最终认知能力评估结果以及单项能力评估值等各种类型的认知能力评[0141]需要说明的是，本申请的基于评估数据的作业人员认知能力恢复方法的执行主已经获得的当前待训练的目标人员综合认知能力评估结果，自动匹配并给出恢复训练方[0150]可以按照表3中所示的评估测试内容，通过计算机设备根据各评估测试的评估指力评估中确定的待恢复的认知能力分类，可以是上述表1中某项得分不合格的评估测试所复训练之间的因果关系，将待恢复的认知能力分类及对应的下降程度代入所述因果关系，功存储并可提取。而联想记忆训练通过让被试者将特定刺激(如图片)与其他刺激进行关[0167]下面先对辅助训练项目，即表2中多感官刺激训练包含的各个认知恢复训练进行与恢复对应关系引导用户操作相应的训练任务[0176]为了更加清楚的说明本申请基于贝叶斯网络求解认知能力评估与认知恢复训练认知能力评估与认知恢复训练之间因果关系通过一个有向无环图习。使用因果发现算法，比如PC算法、GES(GreedyEquivalenceSearch)或FCI(Fast据认知能力评估与认知恢复训练之间的因果关系确定待[0213]为了实现上述实施例，本申请还提出了一种基于大数据的人员认知能力评估装估训练完成的预测模型的预测精度和泛化能力，并根据评估结果修正训练完成的预测模数据是是采用如上述第一方面中任一项所述的基于大数据的作业人员认知能力评估方法，力评估与认知恢复训练之间的因果关系确定待进术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结