执行功能是使我们能够完成任务的认知过程，例如组织我们的想法，制定未来计划以及从事问题解决。执行功能技能已被证明是至关重要的学习和学业成就的基础。
在婴儿期和正常儿童早期发育过程中，执行功能的神经网络在幼儿身上自然发育，并逐渐成长和完善成为分布式神经网络。执行功能发展的困难，如源自神经网络中的认知过程障碍的专注技能，主要是由于基因遗传跟随的经验事件(caseyetal.,devpsychobiol40(2002):237-254)。这些认知技能的发育不全阻碍了儿童能够协调地发挥功能，比如接受和理解新的信息或完成学校的任务。诸如理解和处理口语的基础能力需要精确的注意力控制。语言处理和阅读都强烈依赖于专注技能来识别关键特征，以理解所表达的信息。例如，有特定语言障碍的儿童在听取言语时难以有选择地参加，导致他们错过重要的词语边界和意义的线索。虽然研究得不够详尽，但是差的注意力控制也被证明与算术问题和解决单词问题有关(zentalletal.,jeducpsychol82(1990):856-865)。
执行功能障碍在许多学习障碍和相关问题中起着突出的作用。许多学习障碍中，特别是注意力缺陷多动症(attentiondeficit/hyperactivitydisorder，adhd)中，的核心问题之一就是注意力和冲动抑制控制困难。已经发现adhd症状的严重程度与儿童经历的学业成就的问题多少直接相关(barryetal.,jschphychol40(2002)：259-283)。美国疾病控制与预防中心(cdc)报告称，美国约有11％的3-17岁儿童被诊断出患有adhd，根据美国国家资源中心(nationalresourcecenter)有关adhd的数据，多达50％的adhd儿童被诊断为至少有一种学习障碍。他们还估计，由于adhd患者的生产力下降，每年的损失在360亿至520亿美元之间。
迄今为止，治疗adhd的最有效和最佳的治疗药物仍然是兴奋剂。虽然已经可靠地显示兴奋剂药物迅速达到治疗效益水平以改善在家庭和教室中的行为，但这些行为改善不会导致服用药物后的认知过程改善，并且每次剂量可能仅持续4至10小时。停用药物后，任何行为效益似乎都会丧失，并伴有许多副作用，包括头痛、恶心、食欲不振、失眠，身体发育减少和心血管影响。使用这些兴奋剂药物还导致了这些药物的潜在滥用。近年来，一些非兴奋剂药物已被批准用于治疗adhd。研究表明，虽然引入了新的副作用，如严重自杀倾向和药物镇静，但他或她的相关改善一般不如兴奋剂药物那么大，但是避免了一些与兴奋剂治疗相关的更大风险。
鉴于药物治疗的情况，副作用以及污名和滥用风险极小、实现了可比效果和持久性的非药物治疗方法引起了极大的兴趣。传统的行为干预，如父母教导和行为疗法，已被证明对adhd疗程影响不大，尽管它们可以帮助治疗一些常见的合并症，如焦虑症和抑郁症。另一种可能性是认知训练，其涉及在计算机上执行旨在训练和加强特定认知技能或技能(例如选择性注意力，抑制控制或工作记忆)的任务。虽然这种方法最初似乎是一种可行的治疗方法，但随着研究的积累，设计更严格的控制和元分析(meta-analyses)的研究怀疑这些认知治疗对adhd的有效性。效力缺乏被认为是由于目前对adhd与认知技能之间关系的理解有限。鉴于这种关系的复杂性，建议不要只将训练集中在一项技能上，除了训练之外，应当测量和管理一套完整的adhd儿童努力有效地使用的认知技能。
另一种治疗选择是神经反馈。adhd患者的累积eeg脑波水平与所记录的非adhd患者(“正常”)的脑波水平存在明显差异，包括高频脑波波段(beta波)活动水平降低，以及低频段，特别是从4到7.5hz的theta波的提高。神经反馈，也称为eeg(脑电图)生物反馈，为用户提供类似游戏的反馈以调节他的脑波，已经在减轻adhd的行为症状严重程度方面取得了一些成功，但并未用于执行功能的基础认知过程。这种训练典型地专注于归一化基于广泛人群的eeg信号的不同方面，包括theta/beta比。目前，关于神经反馈在减轻症状严重程度方面的有效性，文献存在分歧。神经反馈的明显局限在于训练耗时费力，并且依赖于将他或她的eeg信号与“正常”群体模板匹配的受试者，该匹配取决于广泛的复杂变异性。虽然受试者试图调节其大脑活动可能会加强adhd中受影响最严重的部分，但用户很难长时间重复管理其大脑活动，并且最重要的是，神经反馈不会隔离和针对导致学习和学业成就的执行功能的基础关键认知过程。
需要更有效的学习系统来训练、测量和管理adhd的基础认知技能。这样的系统可以使由于神经发育迟缓而患有各种学习障碍的用户,如adhd患者，受益。
技术实现要素：
本发明使得用户、临床医生、教师、父母以及其他第三方能够精确定位、个性化测量和管理认知技能发展。本发明的特征在于嵌入游戏软件应用程序内的学习课程，其与基于eeg的脑-机接口(brain-to-computerinterface,bci)结合使用，其实时测量用户的注意力状态水平并且使用户能够通过使用他们的注意力状态玩/管理一个视频游戏，以快速训练自己的正确认知技能。例如，本发明被设计为创建完全由用户访问的无缝体验，该体验集成了授权史诗故事情节以增强用户的参与(即，创建参与的意图)并促进目标认知技能的快速学习。
在第一方面，本发明的特征在于一种用于训练用户的认知技能(例如，集中注意力和持续注意力)的方法，所述方法包括：(a)提供被配置成训练所述用户的认知技能的基于计算机的虚拟学习课程，其中所述虚拟学习环境包括至少第一游戏模块和第二游戏模块，其中所述第一游戏模块包括用于训练目标认知技能的技能训练模块，以及所述第二游戏模块包括技能迁移模块，所述技能迁移模块配置成允许所述用户在与所述技能训练模块分离的虚拟学习环境(例如，所述技能训练模块外部)中展示对所述目标认知技能的保持力；(b)测量所述用户的eeg脑活动信号，并基于所述eeg脑活动信号计算所述用户的注意力状态水平；(c)在所述技能训练模块中进行技能训练练习，所述技能训练模块包括第一故事情节，用于在引起所述用户的高度注意力状态水平的同时使用户化身朝向任务的完成前进，其中所述用户的所述注意力状态水平的增加或减少在所述用户化身朝向任务的完成的速度中产生了相应的增加或减少(例如，相应地增加或减少完成挑战任务的机会，例如，相应地增加或减少技能学习(例如，认知技能学习))；(d)在步骤(c)期间，向用户呈现挑战任务，其中所述挑战任务被配置成训练所述用户的目标认知技能；(e)在步骤(d)期间，基于对所述挑战任务的用户响应，计算所述用户的技能表现分数，并在所述用户化身朝向所述任务的完成前进的同时，在所述技能表现分数升高到预定上限阈值以上时增加实现所述挑战任务的难度，以及当所述技能表现得分下降至预定的下限阈值以下时，减小实现所述挑战任务的难度(例如，在用户的控制下尽可能的快)；以及，(f)在完成所述任务之后(例如，在每个训练模块中)，在所述技能迁移模块中执行技能保持练习，所述技能迁移模块包括用于向用户呈现保持力挑战任务的第二故事情节，其中所述保持力挑战任务不同于呈现在技能训练模块中的所述挑战任务，其中所述保持力挑战任务被配置成供用户展示对所述目标认知技能的保持力(例如，在技能迁移模块中)。在一些实施例中，所述第一故事情节包括同伴角色，其中所述同伴角色为所述用户提供指导和激励以在所述用户中提供内在声音(例如，通过学习目标认知技能为所述用户化身完成所述期望目标提供指导和激励，同时提供自尊或鼓励)。
在一些实施例中，所述第一故事情节和所述第二情节包括被配置成鼓励用户参与解决问题并且能自我激励的导师角色。在一些实施例中，所述导师角色未被配置成向用户展示挑战任务。在某些实施例中，步骤(e)包括基于用户的技能表现分数和注意力状态水平来调整挑战任务的难度。或者，步骤(e)可以包括基于用户的表现分数或注意力状态水平(例如，仅基于技能表现分数，独立于注意力状态水平)来调整挑战任务的难度。在一些实施例中，步骤(e)还包括基于用户的技能表现分数和/或注意力状态水平来调整呈现给用户化身的目标认知技能的顺序。在某些实施例中，用户化身的速度随着注意力状态水平的增加而增大或者随着注意力状态水平的降低而减小。在又一些实施例中，步骤(d)包括以当用户的注意力状态水平增加时增大的速率向用户化身呈现挑战任务。在一些实施例中，步骤(d)包括以当用户的注意力状态水平降低时减小的速率向用户化身呈现挑战任务。在其他实施例中，步骤(d)包括仅在用户已达到预定阈值注意力状态水平之后向用户化身呈现至少一些挑战任务(例如，聚集或碰撞避免挑战任务和/或与注意或冲动/抑制相关联的挑战任务)。在一些实施例中，一些挑战任务在注意力集中的或持续的注意力状态水平期间呈现给用户化身。例如，步骤(d)可以包括仅在用户已经达到预定阈值注意力状态水平并且仅当用户将注意力状态水平保持在所述预定阈值注意力状态水平之上时才向用户化身呈现至少一些挑战任务。
在一些实施例中，步骤(f)还包括，基于用户对技能迁移模块中所呈现的挑战任务的响应，计算用户的技能迁移分数，其中实现高于预定阈值的技能迁移分数表明所保持的目标认知技能的迁移能力，并允许用户前进到基于计算机的虚拟学习课程的下一级(例如，包括训练环境)。
在本文描述的任何方法的一些实施例中，技能训练模块被配置成训练注意力保持(例如，集中注意力和持续注意力)，并且技能迁移模块被配置成供用户展示注意力保持技能的保持力(例如，集中注意力和持续注意力)。在一些实施例中，该方法包括，在完成任务之后，通过识别大于预定阈值注意力状态水平(例如，50％，55％，60％，65％，70％，75％，80％或90％)的注意力状态水平的数值来计算注意力集中分数、持续注意力分数或认知抑制分数。在一些实施例中，该方法包括：(a)在完成任务之后，确定高于预定阈值注意力状态水平的注意力状态水平的数值；以及(b)根据高于预定阈值注意力状态水平的注意力状态水平的数值来计算注意力集中分数。在一些实施例中，该方法包括在完成任务之后计算持续注意力分数。在一些实施例中，该方法包括：(a)在完成任务之后，确定注意力状态水平变化小于预定阈值变化幅度期间的持续时间；以及(b)根据注意力状态水平变化小于预定阈值变化幅度(例如，前述注意力状态水平的1％和50％之间，例如5％，10％，15％，20％，25％或30％)期间的持续时间计算持续注意力状态分数。对于连续的注意力状态水平大于预定注意力状态水平(例如，50％，55％，60％，65％，70％，75％，80％或90％)，可以计算持续注意力分数。
在一些实施例中，该方法包括：(a)在完成任务之后，确定(i)数个正确选择的挑战任务；(ii)数个正确拒绝的挑战任务；(iii)挑战任务总数；以及(b)根据(i)-(iii)的组合计算分散注意力分数。在一些实施例中，通过将(i)和(ii)的和除以(iii)计算分散注意力分数。
在一些实施例中，技能训练模块被配置成训练认知抑制，而技能迁移模块被配置成展示用户对认知抑制技能的保持力。在一些实施例中，该方法包括：(a)在步骤(c)开始之后的一段时间(例如，10-120秒，例如60秒)内确定预定阈值注意力状态水之上的数个注意力状态水平；以及(b)根据部分(a)中确定的数个注意力状态水平来计算认知抑制分数。在一些实施例中，所述预定阈值注意力状态水平为50％，55％，60％，65％，70％，75％，80％或90％。
在其他实施例中，技能训练模块被配置成训练行为抑制，而技能迁移模块被配置成供用户展示对行为抑制技能的保持力。在一些实施例中，该方法包括：(a)在完成任务之后，确定(i)数个正确拒绝的挑战任务；(ii)数个正确选择的挑战任务；以及(b)根据(i)和(ii)的组合计算行为抑制分数。在一些实施例中，例如通过将数个正确拒绝的目标(例如，挑战任务)除以正确拒绝和错误选择的挑战任务的总和来计算行为抑制分数。
在其他实施例中，技能训练模块被配置成训练选择性注意力，而技能迁移模块被配置成展示用户对选择性注意力技能的保持力。在一些实施例中，该方法包括：(a)在完成任务之后，确定(i)数个正确选择的挑战任务；(ii)数个正确拒绝的挑战任务；以及(iii)挑战任务总数；以及(b)根据(i)-(iii)的组合计算选择性注意力分数。在一些实施例中，例如通过将正确选择和正确拒绝的挑战任务之和除以挑战任务的总数来计算选择性注意力分数。
在其他实施例中，技能训练模块被配置成训练交替注意力，而技能迁移模块被配置成展示用户对交替注意力技能的保持力。在一些实施例中，该方法包括：(a)在完成任务之后，确定(i)数个正确选择的挑战任务；以及(ii)数个正确拒绝的挑战任务，其中所述挑战任务紧随在目标规则切换(例如，紧随目标规则切换的挑战任务)之后呈现；以及(b)根据(i)和(ii)的组合计算交替注意力分数。在一些实施例中，例如通过将紧随切换之后正确选择和正确拒绝的挑战任务的和除以数个总切换来计算交替注意力分数。
在其他实施例中，技能训练模块被配置成训练新奇抑制，而技能迁移模块被配置成供用户展示对新奇抑制技能的保持力。在一些实施例中，该方法包括：(a)在完成任务之后，确定(i)数个正确选择的挑战任务；(ii)数个正确拒绝的挑战任务；以及(iii)挑战任务总数；以及(b)根据(i)-(iii)的组合计算新奇抑制分数。在一些实施例中，例如通过将正确选择和正确拒绝的挑战任务之和除以挑战任务的总数来计算新奇抑制分数。
在其他实施例中，技能训练模块被配置成训练延迟满足，而技能迁移模块被配置成展示用户对延迟满足技能的保持力。在一些实施例中，该方法包括：(a)在完成任务之后，确定(i)数个正确选择的挑战任务；(ii)挑战任务的总数；以及(b)根据(i)和(ii)的组合计算延迟满足分数。在一些实施例中，例如通过将数个正确选择的挑战任务除以挑战任务的总数来计算延迟满足分数(例如，在预定时间(例如，0.1到10秒，例如，1、2、3、4、5或更多秒内)之内呈现的挑战任务)。
在其他实施例中，技能训练模块被配置成训练自我调节，而且技能迁移模块被配置成供用户展示对自我调节技能的保持力。在一些实施例中，该方法包括：(a)在完成任务之后，确定(i)数个正确选择的挑战任务；以及(ii)挑战任务的总数；其中挑战任务发生在收集或碰撞避免之前或之后预定时间(例如，0.1到10秒，例如，例如，1、2、3、4、5或更多秒内)之内；以及(b)根据(i)和(ii)的组合计算自我调节分数。在一些实施例中，例如通过将数个正确选择的挑战任务除以挑战任务的总数来计算自我调节分数。
在其他实施例中，技能训练模块被配置成训练动机抑制，而技能迁移模块被配置成展示用户对动机抑制技能的保持力。在一些实施例中，该方法包括：(a)在任务完成之后，确定(i)在错误选择或错误拒绝的挑战任务之后发生的数个正确选择的挑战任务；(ii)在错误选择或错误拒绝的挑战任务之后发生的数个正确拒绝的挑战任务；(iii)正确选择的挑战任务的总数；(iv)正确拒绝的挑战任务总数；(v)数个错误选择的挑战任务；以及(vi)数个错误拒绝的挑战任务；以及(b)根据(i)-(vi)的组合中计算动机抑制分数。在一些实施方式中，通过将错误选择或错误拒绝的挑战任务之后的正确选择的和正确拒绝的挑战任务之和除以所有正确选择的、正确拒绝的、错误选择的、以及错误拒绝的挑战任务的总和来确定动机抑制分数。
在其他实施例中，技能训练模块被配置成训练内在声音，而技能迁移模块被配置成供用户展示对内在声音技能的保持力。在一些实施例中，该方法包括：(a)在完成任务之后，确定数个大于先前注意力状态水平的注意力状态水平，其中所述先前注意力状态水平小于预定阈值注意力状态水平；以及(b)根据部分(a)中的注意力状态水平的数值来计算内在声音分数。例如，当先前注意力状态水平小于预定阈值注意力状态水平时，可以通过确定数个注意力状态水平中的正向改变来计算内在声音分数。例如，预定阈值注意力状态水平可以是10％，20％，30％，40％，45％，50％，55％，60％，65％或70％。正向改变可以是至少10％，至少20％，至少30％，至少40％或至少50％的正向改变。在一些实施例中，可通过将数个错误选择的挑战任务除以挑战任务的总数来确定干扰控制分数。
在其他实施例中，技能训练模块被配置成训练干扰控制，而技能迁移模块被配置成供用户展示对干扰控制技能的保持力。在一些实施例中，该方法包括：(a)在完成最终目标之后，确定(i)数个错误选择的挑战任务；以及(ii)挑战任务的总数；以及(b)根据(i)和(ii)的组合中计算干扰控制分数。例如，可以通过将数个错误选择的不正确的选择(例如，个人挑战任务(例如，目标或目标集群)数量)除以挑战任务来计算干扰控制分数。
在一些实施例中，技能迁移模块被配置成使得用户能够展示在技能训练模块中学习的目标认知技能的保持力。在某些情况下，保持力的展示对应于实现期望目标的机会增大或认知技能学习提高。
在一些实施例中，该方法还包括分析和报告用户的技能表现(例如，目标认知技能表现)。
每个模块可以包含一个或多个级别，每个级别可以包含一个或多个任务。一个或多个级别可以是目标认知技能发展水平。这些级别可以被配置成教授用户目标认知技能，包括集中注意力、持续注意力、认知抑制、行为抑制、选择性注意力、交替注意力、分散注意力、干扰控制、新奇抑制、延迟满足、内在声音、动机抑制和自我调节。在某些实施例中，该方法包括测量、分析和报告用户的技能表现(例如，通过任务执行报告或进度报告摘要，例如实现adhd症状的严重性的优化和降低减少)。
在特定实施例中，用户具有较低的注意力和/或抑制控制(例如，注意力不足)或注意力不集中症。在其他实施方案中，用户具有低抑制控制或抑制障碍。本发明的方法可以以规律的间隔执行，其中针对至少一种目标认知技能重复步骤(a)至(f)，或针对两种或更多种目标认知技能重复步骤(a)至(f)。例如，本发明的方法可以在3-8周或更长时间的课程中，以每周3-7次或更多的规律的间隔执行，每次任务进行10-60分钟或更长时间。例如，本方法可以在3周或更长时间的课程中，以规律的间隔进行，例如每周1、2、3、4或更多次，每次10、20、30、40、50或60分钟(例如，训练，测量和管理用户的目标认知技能发展至adhd阴性症状严重程度降低的期望水平)。
在一些实施例中，前述方法中的任一个的方法，技能训练模块包括(i)提供用户的技能表现的分数，以及(ii)基于分数，为技能训练模块选择难度水平。在一些实施例中，用户的技能表现通过所述用户在正确区分他们在各种刺激之间的活动的准确度来量化。
在一些实施例中，前述权利要求中任一项所述的方法还包括在步骤(d)期间，基于响应，(i)通过确定用户何时对冲动/抑制挑战任务作出不正确反应或对非刺激物作出响应(例如，冲动性或随机响应，例如，当没有通过刺激物响应的提示做出响应时)来识别冲动响应，以及(ii)提醒用户冲动响应。在一些实施例中，提醒包括在识别到冲动响应时向用户呈现音频或视觉提示。在一些实施例中，步骤(d)包括基于用户对挑战任务的响应来计算用户的技能表现分数，以及步骤(e)包括在识别出冲动响应时降低技能表现分数。在一些实施例中，使用(i)正确区分各种刺激物的用户准确度，和/或(ii)用户避免冲动响应的能力(例如，在将症状严重度降低至期望水平的行为正常度的同时对技能改善进行管理)来量化用户的技能表现分数。
在一些实施例中，前述权利要求中任一项所述的方法还包括：在步骤(d)期间，识别用户何时受挫(例如，伴有焦虑和/或抑郁)并触发来自同伴角色或导师角色的旁白对话。在一些实施例中，同伴角色或导师角色提供宽慰和/或简单策略以调节对挫折感(例如，伴有焦虑和/或抑郁)的情绪反应。
在相关方面，本发明的特征在于一种用于训练用户的目标认知技能的基于游戏的系统，所述系统包括配备有用于呈现根据本发明前述方法中的任一项的基于计算机的虚拟学习课程的算法的处理器。在一些实施例中，该算法用于当用户处于注意力集中或持续注意状态(例如，具有高于50％、55％、60％、65％、70％、75％、80％或90％的注意力状态水平)下呈现基于计算机的虚拟学习环境。该基于游戏的系统可以进一步包括用于从用户收集eeg脑活动信号的eeg头戴。
在任何前述方法的一些实施例中，本发明进一步包括(d)基于注意力状态水平和/或用户对挑战任务的响应，为每个注意力相关技能推导注意力分数，其中，注意力相关技能包括集中注意力、持续注意力、选择性注意力、交替注意力或分散注意力，并且基于注意力状态和/或用户对挑战任务的响应，为每个注意力或冲动/抑制相关的技能推导注意力或冲动/抑制分数。其中所述冲动/抑制相关技能包括集中注意力、持续注意力、认知抑制、行为抑制、选择性注意力、交替注意力、分散注意力、干扰控制、新奇抑制、延迟满足、内在声音、动机抑制或自我调节；(f)针对每个训练任务，(i)计算从每个注意力分数导出的全局注意力分数；和/或(ii)计算从每个注意或冲动/抑制分数得出的全局综合分数；以及(g)在训练期间，确定(i)每个注意力分数的变化和全局注意力分数的变化；或(ii)每个注意力和冲动/抑制分数的变化以及全局综合分数的变化。
另一方面，本发明的特征在于一种用于训练用户的目标认知技能的方法，所述方法包括：(a)在包括多个训练任务的时段上，提供被配置成训练多项注意力相关技能的基于计算机的虚拟学习课程；(b)测量用户的eeg脑部活动信号，并基于eeg脑部活动信号计算用户的注意力状态水平；(c)向用户呈现挑战任务，其中挑战任务被配置成训练用户的多项注意力相关技能中的一项或多项；(d)基于注意力状态水平和/或用户对挑战任务的响应，为每个注意力相关技能推导注意力分数，其中注意力相关技能包括集中注意力、持续注意力、选择性注意力、交替注意力或分散注意力；(e)针对每个训练任务，从每个注意力分数推导出全局注意力分数；以及(f)，在训练期间，确定每个注意力分数的变化和全局注意力分数的变化。
在另一方面，本发明的特征在于一种用于训练主体的认知技能的方法，所述方法包括：(a)在包括多个训练任务的时段上，提供被配置成训练多项目标认知技能(例如，集中注意力、持续注意力、选择性注意力、交替注意力或分散注意力，认知抑制、行为抑制、干扰控制、新奇抑制或动机抑制，延迟满足、内在声音或自我调节)的基于计算机的虚拟学习课程；(b)测量用户的eeg脑部活动信号，并基于eeg脑部活动信号计算用户的注意力状态水平；(c)向用户呈现挑战任务，其中挑战任务被配置成训练用户中的多项目标认知技能中的一项或多项；(d)基于注意力状态水平和/或用户对挑战任务的响应，为每项目标认知技能推导目标认知技能分数，其中目标认知技能包括集中注意力、持续注意力、认知抑制、行为抑制、选择性注意力、交替注意力、分散注意力、干扰控制、新奇抑制、延迟满足、内在声音、动机抑制或自我调节；(f)针对每个训练任务，计算从每个目标认知技能分数的复合中导出的全局综合分数；以及(g)在训练期间，确定每个注意力分数、每个冲动/抑制分数以及每个自我调节分数的变化，和/或全局综合分数的变化。
在任何前述方法的一些实施例中，全局注意力分数是一个或多个认知技能分数的综合分数(例如，平均或加权平均)。在一些实施例中，全局综合分数是一个或多个全局注意力分数和/或冲动/抑制分数的综合(例如，平均或加权平均)。
在任何前述方法的一些实施例中，全局注意力分数是注意力分数的综合(例如，平均或加权平均)。在一些实施例中，全局综合分数是认知技能分数的综合(例如，平均或加权平均)。
本发明的特征在于一种用于治疗有需要的用户的注意力不集中和/或冲动失调(例如，注意力缺陷多动症，adhd)的方法，所述方法包括：(a)提供配置成训练用户的认知技能的基于计算机的虚拟学习课程，其中所述虚拟训练环境至少包括第一游戏模块和第二游戏模块，其中所述第一游戏模块包括用于训练认知技能的技能训练模块，所述第二游戏模块包括配置成允许用户在技能训练模块之外的虚拟学习环境中展示对认知技能的保持力的技能迁移模块；(b)测量用户的eeg脑部活动信号，并基于eeg脑部活动信号计算用户的注意力状态水平；(c)用于在引起所述用户的高度注意力状态水平的同时使用户化身朝向最终目标前进，其中所述用户的所述注意力状态水平的增加或减少在所述用户化身的速度中产生了相应的增加或减少；(d)在步骤(c)期间，向用户呈现挑战任务以经由输入设备引发来自用户的响应，其中所述挑战任务被配置成训练用户的目标认知技能；(e)在步骤(d)期间，基于所述响应，(i)通过确定用户何时错误地选择或响应(例如，过早地、随机地或冲动地选择或响应)来识别冲动响应，以及(ii)提醒用户冲动响应；以及(f)在完成任务后，在技能迁移模块中执行技能保持练习，技能迁移模块包括第二故事情节，用于在来自技能训练模块的虚拟学习环境中向用户呈现挑战任务，其中所述挑战任务被配置成展示用户对认知技能的保持力。在一些实施例中，当识别出冲动响应时，用户受到直接的负面后果。可以标定用户的注意力状态水平，例如从0％到100％，或者从0到100个点。步骤(e)可以进一步包括(iii)自适应地提供类似的挑战任务以供用户识别不希望的冲动性后果并且产生冲动抑制(例如，期望的冲动抑制，例如，通过使得用户识别的不期望冲动后果)。提醒可以包括当识别出冲动响应时向用户呈现音频或视觉提示。在一些实施例中，步骤(d)包括基于用户对挑战任务的响应来计算用户的技能表现分数，以及步骤(e)包括在识别出冲动响应时降低技能表现分数。在特定实施例中，步骤(e)包括基于用户对挑战任务的响应，计算用户的技能表现分数，并在所述用户化身朝向所述任务的完成前进时，当技能表现分数升高到预定上限阈值以上时增加挑战任务的难度，并在当技能表现分数低于预定下限阈值时降低挑战任务的难度。例如，步骤(e)可以包括基于用户的技能表现分数和/或注意力状态水平来调整挑战任务的难度。例如，步骤(e)可以包括基于用户的表现分数或注意力状态水平(例如，仅基于表现分数，独立于注意力水平)来调整挑战任务的难度。在一些实施例中，步骤(d)包括以当用户的注意力状态水平增加时增大的速率、以及以当用户的注意力状态水平降低时减小的速率向用户呈现挑战任务。在一些实施例中，步骤(d)包括仅在用户已达到预定阈值注意力状态水平之后向用户化身呈现至少一些挑战任务。例如，步骤(d)包括仅在用户已经达到预定阈值注意力状态水平和/或仅当用户将注意力状态水平保持在所述预定阈值注意力状态水平之上时才向用户化身呈现至少一些挑战任务。步骤(d)可以包括在用户已经达到预定阈值注意力状态水平达预定时间长度之后向用户呈现挑战任务。在一些实施例中，第一故事情节包括呈现为向用户提供指导和激励的同伴角色。第一故事情节和第二故事情节可以包括导师角色，其被呈现以帮助用户解决问题和自我激励(例如，不提供如同伴角色所执行的指导)。在一些实施例中，步骤(f)还基于用户对技能迁移模块中呈现的挑战任务的响应，计算用户的技能迁移分数，其中实现高于预定阈值的迁移分数允许用户以前进到基于计算机的虚拟学习环境的下一级。在一些实施例中，所述技能训练模块被配置成训练集中注意力和持续注意力的维持，而技能迁移模块被配置成展示训练模块中训练的技能在用户中的保持力。在一些实施例中，技能训练模块被配置成训练行为抑制，而技能迁移模块被配置成供用户展示对行为抑制技能的保持力。在一些实施例中，技能训练模块被配置成训练选择性注意力，而技能迁移模块被配置成供用户展示对选择性注意力技能的保持力。在一些实施例中，技能训练模块被配置成训练交替注意力，而技能迁移模块被配置成供用户展示对交替注意力技能的保持力。在一些实施例中，技能训练模块被配置成训练新奇抑制，而技能迁移模块被配置成供用户展示对新奇抑制技能的保持力。在一些实施例中，技能训练模块被配置成训练延迟满足，而技能迁移模块被配置成供用户展示对延迟满足技能的保持力。在一些实施例中，技能训练模块被配置成训练自我调节，而技能迁移模块被配置成供用户展示对自我调节技能的保持力。在一些实施例中，所述模块由一个或多个级别组成，每个级别可选地包括一个或多个任务(例如，阶段)。所述级别可以设计为教授用户认知技能，所述认知技能包括集中注意力、持续注意力、认知抑制、行为抑制、选择性注意力、交替注意力、分散注意力、干扰控制、新奇抑制、延迟满足、内在声音、动机抑制或自我调节。在特定实施例中，针对至少一种认知技能重复步骤(a)至(f)，或针对两种或更多种认知技能重复步骤(a)至(f)。在一些实施例中，用户患有adhd，并且该方法由用户以足以降低如adhd速率标定测量的注意力不集中、冲动或过动的至少其中一个的数量或频度执行。在特定实施例中，该方法在3周或更长时间内，以每周3-7任务，每次任务10-60分钟执行以治疗用户的注意力不集中、冲动或过动的至少一种。在一些实施例中，技能训练模块包括(i)提供用户表现的分数，以及(ii)基于所述分数，为技能训练模块选择难度水平。在一些实施例中，通过(i)用户在各种刺激之间正确区分的准确度、(ii)用户采取正确的动作、和/或(iii)用户避免不正确的动作(例如，避免冲动响应)来量化用户的技能表现分数。
在相关方面，本发明的特征在于一种基于游戏的系统，用于治疗有需要的用户的注意力不集中和/或冲动失调(例如，adhd)，所述基于游戏的系统包括配备有用于执行本文所述的任何方法的用于呈现基于计算机的虚拟学习课程的(一种或多种)算法的处理器。所述基于游戏的系统可以进一步包括用于从用户收集eeg数据到计算和视频显示设备的eeg头戴。
在一些实施例中，本发明的特征在于一种用于治疗有需要的用户的注意力不集中、冲动和/或多动症(adhd)的基于游戏的系统，所述系统包括图示在执行本文所述的任何方法的用户训练计划依从性和认知技能保持在训练计划期间的任一点的报告系统。所述报告系统可以是例如配置成供医疗或临床专业人员使用的医疗或临床专业报告系统。另外或可选地，所述报告系统可以是非临床报告系统(例如，消费者或教育报告系统)。例如，报告系统可以适用于父母、监护人、教师或其他非医学专业人员、感兴趣方或消费者(例如，针对预定的或相对的表现水平确定技能熟练程度)。在一些实施例中，本发明的特征在于一种用于治疗有需要的用户的注意力、冲动和多动障碍的基于游戏的系统，所述系统包括家长、教师、用户或其他感兴趣方报告系统，所述报告系统图示用户训练计划依从性和认知技能水平保持在训练计划期间的任一点，所述系统包括配备有用于呈现根据前述任一方法的基于计算机的虚拟学习课程的算法的处理器。
在一些实施例中，本发明的特征在于一种基于游戏的系统，用于治疗有需要的用户的注意力不集中、冲动和多动障碍，所述系统包括报告系统，所述报告系统图示虚拟学习课程中用户在发展注意力和冲动基础认知技能的进展，对学习课程的依从性，以及在学习课程期间任一点成功展示的目标认知技能。
本发明的特征在于一种虚拟学习课程，用于治疗有需要的用户的注意力、冲动和多动症(例如，adhd)，该系统包括医学专业人员、教师、用户、父母或感兴趣方报告系统，所述报告系统图示在执行本文所述任何方法的训练计划期间用户训练计划依从性、所展示的认知技能水平以及认知技能水平保持在任一点。所述虚拟学习课程可以进一步包括用于从用户收集eeg数据的eeg头戴，并使得用户能够使用他们的eeg数据在冒险故事或一系列史诗故事中交流和指导成果。所述虚拟学习课程可以进一步包括用于记录和报告用户进行(或未进行)的训练任务数以及训练任务长度的计算机(例如，平板电脑，智能手机或任何计算设备)。在一些实施例中，虚拟学习课程还包括任务计划器，用于由用户安排训练任务和/或提醒用户安排的事件。
在任何前述方法的一些实施例中，技能训练模块包括(i)提供用户表现的分数，以及(ii)基于该分数，为技能训练模块选择难度级别。
如本文所使用的，术语“能力”指的是用户的认知技能以采取正确的动作和不采取动作，以避免为了实现挑战任务的目的而采取不正确的动作和不采取动作。
如本文所使用的，术语“脑-计算机接口”或“bci”指的是用户的大脑活动与接收设备之间的通信路径。脑电图仪辅助促进用户和处理器之间的大脑活动接口，所述处理器连接到虚拟学习课程的游戏组件并且提供和基于eeg的用户注意力测量(例如，从0-100％标度的注意等级，其中100％是用户的最高注意力水平，0％是用户的最低注意力水平)。
如本文所使用的，术语“技能训练模块”指的是被设计为在虚拟幻想世界内教授一种或多种目标认知技能的一种类型的视频游戏学习模块。例如，用户可以在开始视频游戏的第一次任务之后首先进入该模块，然后在每个后续任务中进入该模块。技能训练模块被配置成以有趣且快速的方式训练一个或多个用户的认知技能。
如这里所使用的，术语“技能迁移模块”是指在视频游戏的等级或任务中技能训练模块完成之后进入的一种类型的视频游戏学习模块。技能迁移模块被配置成加强并向用户展示先前的技能训练模块中教导的目标认知训练技能。技能迁移模块是一种游戏模块，用于在训练模块的用户执行训练目标认知技能之后向用户呈现认知技能保持练习。技能迁移模块在与训练模块不同的上下文和/或环境中呈现认知挑战任务，以展示和报告目标技能在现实生活中的适应性并最大限度地保持以供后续使用。例如，技能训练模块可以被呈现为测试环境，其中为不同用途审查认知挑战任务以管理技能优化。
如本文所用，术语“注意力不集中症”指的是以注意力不集中、过度活跃和/或冲动为特征的状况。本发明的方法和系统可用于治疗注意力障碍(即，在本文描述的训练疗法之后改善障碍的一种或多种症状)，例如但不限于注意力缺陷多动症(adhd)、注意力缺陷障碍和过动症。adhd在文献中也称为注意力缺陷障碍/多动症(add/hs)，其是一种以社交情境中的冲动、注意力分散、不当行为和多动为特征的状况(或一组状况)(americanpsychiatricassociatio.diagnosticandstatisticalmanualofmentaldisorders:dsm-5.manmag,2013)。特别严重的adhd形式被称为多动症。
如本文所使用的，“交替注意力”是能够将注意力从一个注意对象快速转移到另一个注意对象(例如，作为单个挑战任务的一部分或在多个挑战任务之间)的心理灵活性。
如本文所使用的，“注意力水平”或“注意力状态水平”是指由eeg设备根据从eeg脑活动信号导出的一个或多个参数给出的输出值。
如本文所使用的，“注意力保持”是以持续警觉长时间集中于刺激物的能力。
如本文所使用的，“行为抑制”是指当响应在在给定情况下不适当时抑制或压制该预先有效学习到的响应。
如本文所使用的，“挑战任务”是指虚拟学习课程内的需要用户响应的游戏组件，该用户响应被配置成在教授用户一种或多种认知技能。挑战任务可以是根据标准(即，目标规则)指示用户进行响应(例如，通过选择或拒绝目标)的目标或目标集群。或者，挑战任务可以是避免碰撞任务，例如要求避开障碍或跳过障碍。第三种类型的挑战任务是收集挑战任务，其可能要求用户收集物品(例如令牌或水晶)。“冲动/抑制挑战任务”是指为配置用于教授用户冲动/抑制控制的挑战任务。冲动/抑制挑战任务可以涉及在目标与用户将目标规则应用于该目标的能力之间引入延迟(例如，可能不会立即呈现形状或符号)。在此情况下，如果用户在呈现其目标规则之前对目标做出响应，则该响应是不正确的，并被归类为冲动响应。用户对挑战任务或任何挑战任务组合的响应可用于计算注意力分数或注意力和冲动/抑制分数。
如这里所使用的，“保持挑战任务”是指需要用户响应的游戏组件，其被配置成展示在用户中训练的目标认知技能的保持力。
如本文所使用的，“延迟的满足”和“满足的延迟”可互换使用，并且是指抑制或压制将导致立即奖励以便稍后获得更大奖励的动作的能力。
如本文所使用的，“动态”指导或“动态指导”是指一种取决于用户的技能表现或注意力状态水平发生的事情和/或指导类型的特征。例如，如果用户努力保持注意力，指导可能会更频繁地发生。
如本文所使用的，“导师角色”是指在玩游戏期间呈现给用户的角色，其提供智慧、客观事实和视频，但不向用户提供同伴角色为用户化身提供的指导。例如，导师角色可以是旁白角色，告诉用户该做什么，但不知道该如何进行该活动。因此，导师角色可以被配置成使得用户化身能够展示在未受任何角色的帮助下保持的技能。术语“导师角色”和“导师化身”在本文中可互换使用。
如本文所使用的，“新奇抑制”是指识别新的刺激何物时不相关并随后忽略它并回到当前的挑战任务或目标的能力。
如本文所使用的，“同伴角色”是指在玩游戏期间呈现给用户的角色，其向用户提供鼓励和上下文帮助以成功完成玩游戏期间(例如，在技能训练模块期间)所呈现的挑战任务。术语“同伴角色”和“同伴化身”在本文中可互换使用。
如本文所使用的，“表现分数”或“技能表现分数”是指单独或结合注意力状态水平测量为用户计算并分配给用户的分数，并提供给用户、医学专业人员、教师、成人或任何第三方以基于对技能训练模块中呈现的任务的响应呈现认知技能熟练度。
如本文所使用的，“选择性注意力”是指处理或集中注意力于与相关目标有关的特定刺激物同时忽略无关刺激物的能力。
如本文所用，“自我调节”是指在不断监测和评估自己的行为的同时保持目标导向、积极性以及有条理的能力。
如本文所使用的，“技能保持练习”是指技能迁移模块内的任务或一系列挑战任务，其要求用户使用最近训练练习(例如，在技能训练模块期间)所需的同样的认知功能。
如本文所使用的，“技能训练模块”是指需要使用认知技能前进到其相应的技能迁移模块的游戏中的任务。技能训练模块可以是一种虚拟学习课程，其唯一地设计用于在一系列故事冒险任务中教授一种或多种认知技能。用户可以在开始虚拟学习课程的第一次任务时首先作为用户化身进入技能迁移模块并前进到每个后续任务。技能训练模块可以被配置成以有趣和快速的方式训练用户的认知技能。
如本文所使用的，“技能迁移模块”是指测试用户对(一个或多个)前一技能训练模块所训练的一种或多种认知技能的发展的游戏中的任务。技能迁移模块可以是完成视频游戏的任何任务中的技能训练模块之后进入的一种类型的虚拟学习课程。技能迁移模块可以被配置成加强并向用户、医学专业人员、教师、家长或任何第三方展示在之前的技能训练模块中学习和教授的目标认知训练技能。技能迁移模块可以是游戏模块，用于在训练模块的用户执行训练目标认知技能之后向用户呈现认知技能保持练习。技能迁移模块可以将认知挑战任务呈现在与训练模块不同的上下文和/或环境中，以展示目标技能在现实生活中的适应性并且最大限度地保持以供后续使用。
如本文所使用的，“训练练习”是指在技能训练模块期间要求用户练习认知技能的一个挑战任务或一系列挑战任务。
如本文所使用的，“迁移分数”是指基于对技能迁移模块中所呈现的挑战任务的响应而计算并分配给用户的分数。
如本文所使用的，术语“电传感器”是指用于测量诸如eeg或emg信号之类的生物电信号的传感器。电传感器可以包括一个或多个电极，可选地由柔性导电织物形成。
从下面的具体实施方式、附图和权利要求中，本发明的其他特征和优点将显而易见。
附图说明
图1是示意同伴、导师角色；注意力状态水平以及学习课程的前馈组件的代表图。
图2是收益期限作为完成虚拟学习课程的函数的代表图。
图3描绘了环境和任务类型示例，其中在训练模块中训练和评估“注意力保持”技能。
图4描绘了环境和任务类型示例，其中在训练模块中训练和评估“行为抑制”技能。
图5描绘了环境和任务类型示例，其中在训练模块中训练和评估“选择性注意力”技能。
图6描绘了环境和任务类型的第一示例，其中在训练模块中训练和评估“交替注意力”技能。
图7描绘了环境和任务类型的第二示例，其中在训练模块中训练和评估“交替注意力”技能。
图8描绘了环境和任务类型示例，其中在训练模块中训练和评估“新奇抑制”技能。
图9描绘了环境和任务类型示例，其中在训练模块中训练和评估“内在声音”技能。
图10描绘了环境和任务类型的第一示例，其中在训练模块中训练和评估“自我调节”和“延迟满足”技能。
图11描绘了环境和任务类型的第二示例，其中在训练模块中训练和评估“自我调节”和“延迟满足”技能。
图12描绘了不同的环境和任务类型示例，其中用户学习和展示在训练模块中学到的目标认知技能的迁移。
图13示出了临床研究全程参与者流程图。
图14示出了由临床医生和父母报道的在干预的最初8周之前和之后，结合训练和对照群组分数的平均adhd-评定量表(adhd-rs)。误差线是标准错误。
图15示出了在干预的最初8周之前和之后，永久产品性能测量(permp)上正确回答的问题的平均值。误差线是标准错误。
图16是用户的训练任务的示例性任务执行报告(mpr)。
图17是实例16中给出的案例分析的任务2的mpr。
图18是实例16中给出的案例分析的任务4的mpr。
图19是实例16中给出的案例分析的任务8的mpr。
图20是实例16中给出的案例分析的任务12的mpr。
图21是实例16中给出的案例分析的任务14的mpr。
图22是实例16中给出的案例分析的任务15的mpr。
图23是实例16中给出的案例分析的进度报告摘要。
具体实施方式
本发明的特征在于基于视频游戏的虚拟学习课程(例如，教学法)，用于针对和发展认知技能(例如，基于人的执行功能的认知技能)。本发明的方法和系统提供了基于视频游戏的有效且快速的学习课程，以改善执行功能下的多种认知技能，例如注意力和冲动控制。本课程利用:(i)注意力控制的认知技能和过程；(ii)识别利用这些过程的可测量、可训练和可管理的认知技能；以及(iii)有效地训练这些技能以供以后生活使用的游戏设计和游戏机制。本发明使用户、临床医生、教师和家长能够精确定位、个性化测量和管理认知技能发展。
目前描述的虚拟游戏(即，学习课程)利用前馈建模系统在技能训练和迁移模块期间训练、测量和管理用户的目标认知技能。当期望的目标被预期或可视化并且个体提出他们的常驻认知技能水平以达到期望的目标时，发生前馈建模。由此，前馈建模系统的独特要素是参与、目标开发、目标达成预期以及是否实施该行为。嵌入到游戏虚拟世界中的学习课程引发了用户大脑中认知过程的前馈建模。具体而言，通过将动态挑战任务与高度注意力状态水平相结合，该游戏执行与那些期望的注意力状态水平相对应的神经电路。用户预期由游戏叙述提供的奖励，并将他或她的注意力集中到获得奖励所需的状态水平。随着游戏的进展，其适应用户不断变化的注意力状态水平，以免对用户变得太容易或太难。这确保了每个用户的最佳前馈动态以及大脑注意力相关区域中的最大神经刺激。
本发明受到过去二十年的研究的启发，这些研究为开发将神经系统与认知机能障碍连接并因此形成神经系统中的通路(即，行为障碍与潜在问题之间的闭环)以发展由于认知技能学习缺陷而导致的神经发育延迟障碍(即执行功能障碍，如adhd)的持续治疗的神经心理学方法提供了很大希望。虽然结果复杂且有时相互矛盾，但研究已经表明adhd复杂性和异质性与神经认知功能障碍之间的关联。研究揭示了精神疾病是需要自然电路修正而非化学平衡的电路失调，并且基于神经可塑性的治疗将成为神经和精神医学未来“最佳实践”的重要组成部分(inseletal,scientificamerican302.4(2010):44-51)。我们知道，我们的大脑根据我们学到的东西在身体上发生变化。我们大脑中我们使用的电路得以增强，而我们不使用的电路最终消失(即，神经可塑性；merzenichetal.,neuroplasticityandneurorehabilitation(2015):6)。童年时期有一个关键/敏感时期。在这个关键时期，孩子们从暴露中学习。如果他们没有足够的暴露于某种技能或他们的大脑没有发展出正确的电路，他们将需要特定的训练和暴露(blakemoreetal.,journalofchildpsychologyandpsychiatry47.3-4(2006)：296-312)。在这个关键时期之后，对电路的改变或修正需要特别高度的关注。在儿童晚期和成人后期，为了学习新的东西并改变，大脑需要特别高度关注想要学习的东西(merzenichetal.,fronthumanneurosci27(2014):385；polleyetal.,jneuroci3(2006):4970-82)。请注意使大脑保持学习和变化。注意力是引起大脑从基底核释放乙酰胆碱以使大脑“准备学习”(grossbergetal.,frontneurosci20(2016):501；polleyetal.,jneuroci3(2006):4970-82；murrayetal.,neuroscience14(1985):1025-32；robbinsetal.,kilgardetal.,science13(1998):1714-8)。奖励经验控制学到的东西。奖励导致从基底神经节释放多巴胺，其通过促进长时强化作用而发出应该学习的信号(merzenichetal.,fronthumanneurosci27(2014):385；reynoldsetal.,nature6(2001):67-70；reynoldsetal.,neuroscience99(2000):199-203)。
本发明的方法和系统可以结合到动态闭环神经心理学方法论中，从注意力和抑制控制开始，快速教授、测量和管理以其他方式自然发展的执行功能的基础认知技能。本发明的方法和系统可用于诊所、学校、家庭、工作场所等。基本上，本方法可以将用户置于优化的学习区域或环境中，其中大脑的学习能力的神经生物学被激活，同时由高度参与的挑战任务提供的新颖性同时被激活，所述挑战任务有效地教导和促进将认知技能保持以迁移到家庭、学校、工作和生活。这种组合自然激活了用户的神经塑型过程，以开发新的和加强的脑回路(braincircuits)，以保持新开发的认知技能。本发明的方法和系统可以包括用户的注意力状态水平的个性化校准以供在史诗冒险故事中使用和实时测量，包括用于认知技能开发的虚拟学习课程。通过用户最大化他们的注意力水平以驱动冒险故事任务完成，用户可以快速进入这个学习区域来建立和加强回路，同时体验教授13种基础认知技能的技能挑战任务的动态建模。故事情节中的挑战任务可以动态调整，以精确测量个人技能的表现水平和注意力状态水平，并引导用户通过虚拟学习课程来定位和进一步开发执行功能的基础认知技能。文献中的学习方法被称为前馈学习，并且本发明的方法和系统将该方法与动态建模的认知技能的教学独特地结合起来。因此，它被称为前馈建模。基于游戏的系统可以为医学专业人员、临床医生、家长、教师或用户提供闭环系统，所述闭环系统通过精确定位、测量和管理认知技能训练，可以扭转adhd的严重症状(即，注意力不集中和冲动)，以达到非adhd儿童和成人特有的正常症状学水平。
在图1和图2中示意了前馈建模在认知技能开发和本文描述的基于视频游戏的学习课程中的作用。
认知技能
构成注意力基础的认知过程包括但不限于八项关键注意力、抑制力和自我调节技能，如下表1所示。
表1.构成注意力和冲动抑制基础的8种认知技能
这些八个认知技能组合可以进一步细化为总共13种认知技能，以针对用户的注意力和冲动抑制技能来定位和训练更多的细微差别。具体而言，注意力保持可以分为集中注意力和持续注意力。选择性注意力可以分为选择性注意和干扰控制，这些过程可以同时激活，选择性地关注一个刺激物，同时抑制来自其他刺激物的分心。交替注意力还可以包括分散注意力的技巧，因为这些过程都依赖于在多个刺激物与任务之间快速切换注意力的能力。建立在行为抑制技能基础上的是动机抑制，指的是儿童根据惩罚(例如冲动行为的负面后果)和奖励有效调整其行为的能力。积极的内在声音的开发支持认知抑制的过程，抑制分心的能力，这也与行为抑制有关。下表2提供了构成注意力和冲动抑制基础的十三种认知技能。
表2.构成注意力和冲动抑制基础的13种认知技能
这13种认知技能中的每一个接着都与有效的挑战任务相一致，并开发了基于这些活动的视频游戏机制。可以增加额外的认知技能来扩展在虚拟学习课程中训练的技能。
游戏设计
游戏使用注意力和冲动模型(aim)来训练用户改善他或她的注意力不集中和冲动控制(例如，目标认知技能)。aim可以包括几种不同的认知过程技能，供用户掌握注意力和冲动抑制的内容，并超越其他执行功能。通过将相应的游戏技能教学机制用于目标认知技能，在游戏的学习课程的多个级别中的每一级中教授不同的认知技能。游戏中的级别可以包括一个或多个游戏任务，其包括供用户使用的各种游戏挑战任务和目标。在每个任务中至少有两个模块，一个技能训练模块和一个技能迁移模块。通过该设计，技能训练模块可以包括技能训练模块中的冒险叙述，并且迁移模块返回故事情节内的现实世界环境，其中通过练习可以使游戏学习课程模块中学习到的技能最大化，迁移到现实生活中并被日常使用所强化。在特定实施例中，为了进入游戏中的不同任务和级别，反映所需技能的成功执行测量必须在技能训练模块和技能迁移模块中都得到证明。
目前描述的认知技能学习课程利用前馈建模方法，该方法使得能够从实际经验中快速学习以实现课程中出现的建模的期望目标。它首先要求用户主动将他们的持续注意力集中在提高注意力状态水平上，以便进入最优的学习区，以便快速进行认知技能开发。通过用户前馈他们提高的注意力状态水平以满足即将到来的环境中出现和建模的认知技能挑战任务，用户利用并自我发展任何认知技能以失败或成功满足实现所期望目标(即，所建模的)的挑战。最大限度地提高个人的注意力状态水平，使用户能够迅速看到期望的目标，并自然发展认知技能，以满足这些即将到来的挑战任务。最近的研究表明，涉及教授认知过程的前馈学习机制有助于加速和高效技能学习，而反馈学习机制欠佳的学习模式。前向建模和快速学习发生在当将所期望的目标的知识图示(即建模)到人们面前时，并由该人员用来指导他或她未来的行动或不采取行动以实现期望的目标。因此，前馈建模过程的一个独特要素就是展望未来的能力，从而吸引和提升用户的注意力水平，以最优化学习体验或区域。认知技能训练模块可以引导用户前馈他或她的最高关注度水平，以使得能够学习(例如，快速学习)建立和加强用户大脑中的注意力回路的特定目标认知技能。具体而言，通过利用虚拟挑战(例如，挑战任务)连同用户高度注意力状态水平来动态建模目标认知技能，认知技能训练练习针对对应于支持那些期望的注意力和冲动抑制的认知技能的神经回路进行练习。用户或第一人称用户可以预期游戏叙述(例如，冒险故事)所提供的奖励，并最终将他或她的注意力状态带到达到这些挑战任务和奖励所需的水平。随着游戏(例如，冒险游戏)的进展，游戏(例如，挑战任务的学习课程)立即适应用户的改变的注意力状态水平和/或表现，以便对用户来说不会变得太容易或太难(例如，并因此通过他们的复返失败、奋斗和成功来充分吸引用户)。在一些实施例中，该即时算法适应性能够保持最佳参与度并个性化每个用户的前馈建模以及注意力和冲动抑制相关电路中的最大神经刺激。
认知技能训练模块
认知技能训练模块每个都包含两个主要组成部分：a)个性化和精确校准的注意力状态水平的前馈，以准确定义和最大化个人的注意力状态水平，用于认知技能教育的训练、学习和体验；以及b)通过唯一定义的挑战任务建模的动态认知注意力技能的虚拟学习课程或指导性策略(教学法)，所述唯一定义的挑战任务直接将用户的个人认知技能表现与表1和表2给出的构成注意力和冲动抑制基础的那些认知技能的更高技能水平相比较。每个模块的教学方法限制了每次训练任务的时间，减少了训练之任务间的休息时间，并减少了训练次数以确保建立和加强新的脑神经回路。在一个实施例中，该程序可以被设计为10-60分钟的训练任务，在任务之间有至少12小时的规定休息时间，包括睡眠。训练可被设计为例如在3-8周的课程中，以每周3-7个任务的速度进行，直到整个冒险游戏系列(学习课程)完成超过期望的总计至少8小时的训练任务(约24次20分钟任务)。认知技能训练模块设计为通过提供足够的时间来反复学习新技能、对训练疲劳、并耗尽注意力回路，然后通过在再次耗尽电路之前重复技能学习挑战，休息、恢复和重新练习同样的神经元电路来优化认知技能学习。这种开发个人自然的神经可塑性的重复神经元练习过程是已知的可以建立和加强特别用于学习的大脑电路。前馈建模虽然是多种不同的教学方法之一，其特别之处在开始于用户认识到开发他或她的能力的必要性，以便能够成功实现冒险视频游戏系列(即，虚拟学习课程)中有针对性的挑战任务和阶段。当用户的注意力状态水平提高时，每个训练模块的指导性策略(例如教学法)给出表2列举的13种认知技能中的每一种的定制训练。前馈学习方法与动态建模的认知技能训练的结合已经证明了高效和快速的认知技能学习并迁移到现实生活环境中。例如，在完成基于游戏的学习课程系列的课程之后，用户学会了集中注意力(aggregate)、仅识别和选择相关信息并忽略不相关和分散注意的信息，并将他们日益增长的认知技能应用于学校、家庭，工作和生活中。
前馈建模从根本上包括能够认识到未来行动或不行动的需求，以在实现不采取行动或采取行动的结果之前达成目标，然后采取适当行动或不采取行动以实现未来期望的目标。在一个示例中，用户认识到他或她必须保持他或她的较高的注意力状态水平以便在所有训练任务中移动，通过成功地满足由学习课程呈现的许多挑战任务的期望目标到达冒险故事的结尾。例如，作为游戏中的第一人称化身，在用户之前必须绕过许多的围墙障碍能够完成该任务。在特定实施例中，为了实现期望的目标，用户必须立即识别他或她的注意力状态水平何时将下降，并且采取个人行动以在围绕围墙障碍移动时返回到更高级别的注意力状态。为了实现最佳的前馈建模，可以在改变的瞬间将目标和难度精确地个性化为用户的实际注意力状态水平，以保持最佳参与度和认知技能学习。
基于用户的目标认知技能表现，通过即时自适应认知技能挑战难度调整(即，动态认知建模)实现每个认知技能训练的难度挑战的个性化。学习新的和/或提高的认知技能最好在对用户的挑战任务的适当提高水平内实现，同时通过对匹配将要学习的目标技能的针对性挑战任务的成功和失败的优化组合来最大化参与度。为了最大限度地学习和保持新的和提高的技能能力，挑战任务难度在算法上被调整到仅超出用户当前技能能力的最大值的技能水平。这些动态建模调整使用户能够直观地看到、体验并超越他们当前的技能能力。如下面进一步详细描述的，为了实现并保持快速的技能学习，技能学习和迁移模块被设计为适应性地调整挑战任务的难度。算法模型在游戏过程中动态调整挑战任务，以适应计算出来的难度级别，以挑战用户在训练和/或迁移模块期间最近展现的新的或更高水平的认知技能。随着用户展示或未能展示目标认知技能的熟练程度，算法派生的针对性挑战任务出现在用户面前，从用户展示的任何表现水平中吸取并提升技能表现水平。这种适应可以在每次学习训练和迁移任务的整个过程中实时完成。
认知技能迁移模块
根据用户对认知技能训练模块的参与和表现体验，用户由故事情节引导到技能迁移模块中，使得能够展示训练模块中学到的技能。也就是说，用户独立地展示他们实际学习并保持早期训练模块中教授的新技能以供将来在生活中使用。该认知技能迁移模块让玩家应用所学到的同样的新技能，但是在不同的虚拟环境中使用，而不是在技能训练模块中经历的环境。技能迁移模块应用程序的环境被设计为更贴近游戏故事情节的虚拟世界环境之外的实际生活体验。每个技能训练模块都可以在幻想冒险故事的背景下进行，而技能迁移模块可以处于更加真实的环境中，例如太空运输中的实验室，其性质类似于学校、工作场所或实验室。增加这种技能迁移模块练习可将新学到的技能迁移到训练之外的场景中，包括家庭行为生活、工作、娱乐和学业表现。游戏机制内注意力与冲动模型(aim)的整合
如本文所述，通过嵌入到冒险故事情节中的各种教学机制，aim的以下每种认知技能可以整合到基于游戏的虚拟学习课程中：
注意力保持
维持注意力(例如，集中注意力和持续注意力)是指个人维持其注意力或专注力水平的控制能力。这种能力使个人能够保持他或她较高注意力状态水平到刺激物之上，知道他或她何时变得不那么警觉或开始失去并降低他或她的注意力水平。这种技能包括个人能够立即纠正或补偿这种注意力的丧失(即，较低的注意力状态)并实时调整他或她的注意力状态水平。训练注意力保持的目的是训练用户长时间保持他或她的高注意力状态水平，例如完整的课堂讲座。
在所有技能训练和技能迁移模块中，用户的注意力状态水平在任务模块期间被持续测量并且被用户用来通过提高他或她的注意力状态水平来将他们的化身角色前馈到冒险故事中以进行通信、控制和规定化身角色运行的速度或者在技能迁移模块中执行一些其他可比较的速度功能。这种用户的注意力状态等级的前馈可以以0％注意力状态水平呈现，其中0为最低级别的注意力状态，100％为最高级别注意力状态。方向控制通过左、右、上和下箭头键或用计算机平板玻璃上的手指轻扫。用户移动与通过令牌和避开障碍获取正确奖励(佣金和遗漏)或不正确的行为(佣金和佣金)。这样的任务在这里被称为“碰撞避免和收集挑战任务”。
监测高、低和持续注意力状态水平的模式，并将其转化为角色的“能力”评级。能力评级还可以包含挑战任务表现的度量(例如，综合了注意力状态水平与挑战任务表现相结合的值)。因此，能力评级为更好的表现和高度或持续的注意力状态水平提供可视化的奖励。能力评级在任务课程期间累积，并可以直观显示为能力表。在一些实施例中，能力表上的阈值用作进入下一任务的闸门。随着达到特定的能力评级，可以给予用户奖励(例如，成就或级别提升)。
虚拟“距离”对于每个任务都是标准化的。完成任务所需的时间提供了任务期间整体速度和变化的综合度量。较低的时间表示任务中较高的平均速度和/或较低的速度变化。令牌可以在运行路径中出现时被获取或忽略，并且可以通过改变车道、从上跳过或从下滑过(例如，避免碰撞和收集挑战任务)来避免障碍物。冲动性移动通过定向运动与期望或不期望的标记或障碍物之间缺乏关联来识别。这些测试冲动抑制的任务在本文中被称为“冲动/抑制挑战任务”。
在特定实施例中，用户必须保持高水平的注意力状态以通过游戏的挑战任务的教学法进行，所述挑战任务与正被教授的认知技能和用户的成功相称。在游戏中他或她在游戏中的进展被阻止并且他或她必须在紧张或要求更高注意力时期提高他或她的注意力状态水平以便通过冒险游戏回到正常进度的情况下，用户也可能遇到挑战任务。在一个例子中，为了在每个挑战任务中取得成功和进步，用户必须学会控制和提高他或她的注意力状态水平，将注意力状态水平保持在较高水平的更强的能力可以引导用户化身更快地移动并且成功行进通过与在每个任务和模块中教授的认知过程技能相对应的挑战任务。从0％到100％标度的注意力状态水平对用户是个性化的，并且取消阻止游戏进程所需的注意力状态水平基于用户在之前行进块上的成功表现而改变。
在特定实施例中，在技能迁移模块中，用户必须使他或她的注意力状态水平达到高水平以便完成挑战任务。例如，他或她可能需要达到特定级别的注意力状态才能与屏幕上的挑战任务进行交互。在一个示例中，用户必须维持高注意力状态以完成任务的重复。为了进入游戏的下一个技能训练模块，需要最少次数的重复。在迁移任务期间持续测量用户的注意力状态水平(0-100％)。对于完成的挑战任务的计数将针对整个练习进行跟踪，并且针对技能迁移练习中的分项任务/部分进行独立跟踪。完成率是在整个练习中测量的，并且独立地用于技能迁移练习中的分项任务/部分。
用户的成功表现通过速度、能力以及收集的令牌和避免的障碍数呈现在游戏叙述的上下文中。在技能迁移模块的上下文中，用户的表现通过平均注意力状态水平、已完成挑战任务数以及分项任务/部分的完成率呈现。成功表现通过与游戏教学法一致的认可(地位、令牌和奖励)得到奖励。用户的技能评估以一系列速度、能力、每个游戏任务过程中的准确度的时间序列图表，以及以技能迁移部分的汇总图形式呈现。总体技能表现将结合加权注意力和正确完成的技能学习和技能迁移部分中的挑战任务结合为一个单一得分。技能表现报告可提供给医疗专业人员、教师、家长、用户或其他第三方。
选择性注意力
选择性注意力(例如，选择性注意和干扰控制)是指个人处理或将他或她的注意力集中到与该个人的目标相关的特定刺激物并忽略无关刺激的能力。训练选择性注意力的目的是训练用户在使注意力分散的环境中完成挑战任务的所有部分，例如在学校完成课堂作业在家里完成家庭作业或完成一份工作任务。
在特定实施例中，在技能训练模块中，当面对一组挑战任务相关刺激物时，用户必须识别目标刺激物是否存在于该组内并且选择正确目标而忽略(即，不选择)非目标刺激物。通过选择正确的目标并忽略不正确的非目标，用户在他或她的冒险中取得未来的成功。用户因成功选择不正确的非目标或忽略正确的目标而被后退，并且用户朝向未来目标的进展可能受阻。在一个示例中，为了完成技能训练模块，用户必须成功地关注和选择所识别的目标物(目标)，同时忽略环境中的使人分心的物体和非目标刺激物，这些刺激不会促进该模块的目标。该组中的刺激的数量、目标物的特殊性、以及响应窗口(即，用户必须响应该组的时间)可以基于之前使用其他组刺激物的表现来动态调整。
针对正确或不正确的响应挑战任务以学习目标认知技能，用户的行为被持续打分。监测对刺激物正确和不正确的响应的模式。用户认识到正确响应的连续序列或流被奖励以成功表现的可视化指示(例如，通过能力表)。监测持续注意力状态水平的模式。更高水平和持续状态水平被奖励以成功表现的可视化(例如，通过能力表)奖励。在每个模块的课程期间，能力可以累积。当达到特定的能力水平时，可以给予奖励(例如，成就和/或等级提升)。例如，当达到预定的“能力水平”时，可以在游戏中授予星级。这些可以在任务开始时在能力表上看到，并且动画和/或声音将指示何时达到预定的能力水平以及何时被授予星级。例如，可以基于平均注意力状态水平和/或挑战任务表现(例如，目标响应挑战任务和/或收集和碰撞避免挑战任务中的准确性)来奖励成就和等级升级。在一些实施例中，在任务结束时授予成就和等级升级。
在技能迁移模块中，可以向用户呈现一组与之前的技能训练模块相称的挑战任务。在一个示例中，用户必须有选择地关注目标，这可以进一步提高他或她的分数，并选择性地忽略非目标。在另一个例子中，用户必须获得最低成功分数才能前进到下一个训练部分。对于正确的目标选择分数会增加，对于非目标的错误选择则会降低分数。持续跟踪用户对构建和增强新的脑回路的挑战任务的正确和不正确的响应行为。
用户的成功表现如前一节所述。技能表现报告可提供给医疗专业人员、教师、家长、用户或其他第三方。
交替注意力
交替注意力(例如交替注意力和分散注意力)是指个人在迅速将注意力从一项任务转移到另一项任务时的心理灵活性。交替注意技能训练的目的是训练用户遵循指令并执行多项任务，例如穿好衣服然后返回楼下。
在技能训练模块中，可以向用户呈现两个不同的挑战任务来完成。在一个示例中，用户必须牢记用于两个挑战任务的指令并且在每个挑战任务之间快速转换。例如，可以以目标规则的形式提供指令，例如将对象识别为目标或非目标的规则。在训练模块期间的任何给定时刻，用户可以执行两个挑战任务中的至少一个。在一定的时间间隔之后，用户可能需要改变他或她正在执行的挑战任务，或者例如目标规则可能改变。未能成功地完成正确的任务(即，切换到当前任务或当前的一组目标规则)可能妨碍用户通过前面的游戏的所有挑战任务的进展。可根据每个挑战任务的先前表现以及挑战任务之间的切换来调整切换速度以及任务之间切换发生时的可预测性。
在技能迁移模块中，用户可以向他们呈现两个(或更多)不同的挑战任务。在一个示例中，用户必须记住挑战任务的指示，注意转移挑战任务的指示，并成功转移到其他挑战任务。随着目标挑战任务发生变化所指示的变化，完成的目标任务可以间歇性地改变。用户可能需要通过完成两个挑战任务的多次重复来获得最低成功分数。
用户的成功表现如之前几节所述。技能表现报告可提供给医疗专业人员、教师、家长、用户或其他第三方。
行为抑制
行为抑制(例如，行为抑制、动机抑制和认知抑制)是指当在给定上下文中响应不适当时，抑制或抑制该预先有效学到的响应。训练行为抑制的目的是训练用户针对不同情境采取适当行动并抑制不适当的反应，例如在医生办公室保持安静。
在技能训练模块中，可以向用户呈现一系列教导目标认知过程的挑战任务。大多数挑战任务(大于或等于50％)可以是用户应该选择以在冒险游戏中前进的目标。在特定实施例中，剩余的挑战任务可以是非目标，并且用户必须抑制对这些任务或挑战的响应。用户将学会选择正确刺激物的最主要的反应，因为大多数刺激将是正确的目标。在一个例子中，用户必须在与非目标一起呈现时抑制这种学习到的行为。目标与非目标的比例以及用户的响应窗口可以基于每个挑战任务的先前成功表现来动态调整。
在技能迁移模块中，可以向用户呈现一组刺激或游戏机制来展示技能保持，大多数机制可能需要特定的动作。少数挑战任务可能要求不采取行动(即，应当抑制)。对于刺激物的一个子集，用户可能需要抑制他或她已经完成的主要动作，因为它不适合该刺激物。
用户的成功表现如之前几节所述。技能表现报告可提供给医疗专业人员、教师、家长、用户或其他第三方。
新奇抑制
新奇抑制指的是识别新的刺激物是无关的能力，并随后忽略它并回到个人的当前任务或目标。训练新奇抑制的目的是训练用户在遇到与完成任务无关的新情况或环境变化时能够完成学习任务，例如在新学年的第一天适当地行动。
在技能训练模块中，可以向用户呈现他或她以前在训练模块中未遇到的使注意力分散的事情或环境。在特定实施例中，用户可能正在完成先前训练的技能并且必须忽略新颖性变化。在一个例子中，用户可能只被要求完成他或她在游戏中早些时候成功完成的挑战任务，但是他或她必须忽略他或她正在完成任务的环境中的不相关的但新奇的变化。难度可以根据用户正在执行的其他认知技能进行调整。通过改变挑战任务的难度，抑制对新颖事物、不相干的使人分心的事物的反应的难度也可以改变。
在技能迁移模块中，用户可以正在完成以前掌握的技能迁移任务。可以引入新奇的使人分心的事物，例如额外的不相关的使人分心的事物或环境的变化。在挑战任务期间，用户可能会遇到与用户完成该任务的能力无关的变化。在特定实施例中，为了保持高水平的成功表现并因此向前进展，用户必须忽略这些新颖事件。
用户的成功表现如之前几节所述。技能表现报告可提供给医疗专业人员、教师、家长、用户或其他第三方。
延迟满足
延迟满足指的是能够抑制或压制可能导致立即奖励的行为，以便稍后获得更大的奖励。训练延迟满足的目的是训练用户能够放弃立即奖励，以便稍后获得更大的奖励，比如先做功课，而不是看电视或玩耍，以获得更好的成绩以及完成作业或更多的玩耍时间。
在技能训练模块中，用户可能有机会获得小的直接奖励，例如当前的积极反馈，或者采取可导致游戏故事情节更大进展的动作。在特定实施例中，为了在游戏中成功地进展，用户必须选择支持整体进展和成功的动作，而不是导致小的、即时奖励的动作。随着个人挑战任务的难度发生变化，用户决策的复杂性和延迟奖励的需求也会随之改变。持续测量用户对刺激物的确和不正确的响应行为，同时紧随令牌获取和障碍避免的挑战。除了对刺激的正确响应外，正确的响应顺序(优先顺序)还用于生成成功技能表现的组合。
在技能迁移模块中，用户可能有机会获得小的即时奖励，例如正面奖励或小幅增加当前得分，或者采取导致总体成功得分更大增加的行动。在特定实施例中，为了成功地在游戏的技能学习和保持模块中取得进展，用户必须选择使得整体成功分数增加到足以满足向前推进的最低分数水平的动作，这可能需要更大的分数增加，而不是只有小幅增长。除了对刺激物的正确反应外，还可以持续测量用户的正确的响应顺序(优先顺序)行为。
用户的成功表现如之前几节所述。技能表现报告可提供给医疗专业人员、教师、家长、用户或其他第三方。
内在声音
内在声音是指通过解决问题或完成任务，使用个人的内心独白来提供分析、推理、激励和指导的能力。训练内在声音的目的是训练用户能够自我激励完成任务，包括多步骤的任务，例如完成数学单词问题、阅读章节或通过汽车在城市中导航。
在技能训练模块中，可以向用户呈现同伴和导师角色，以开始模拟内在声音以进行质疑和回答挑战。在整个游戏的挑战任务的教学过程中，同伴可以对可能促进技能发展和学习的用户化身提供指导。随着游戏的进展，依赖于用户独立开发他/她自己的自我指导、自信心和尊重作为他们自己的内在声音，同伴角色可能会提供较少的技能指导。由同伴和用户化身模型提供的指导展示内在声音的适当开发。减少来自同龄人的指导促使用户内化指导和信心，并增加他或她自我的独白以达到自我激励和解决问题的目的。可以根据当前的成功表现水平和/或通过冒险游戏的当前进展点来调整同龄人提供的指导数量。
例如，同伴指导可以通过表现来触发，其中慢速的能力增加产生鼓励通知(文本，图形，声音)，较高速度的能力增加产生成就通知。成功表现的级别越高，成就通知的发生频率越低。
在技能迁移模块中，可以向用户呈现智慧的导师。在游戏的技能迁移模块的整个课程中，这位导师可以向用户化身提供环境和自我挑战，以独立地将学到的技能适应到新的应用中。这种展示(或不展示)新学到的技能将用户在技能训练模块中学到的技能有效地迁移到现实生活。随着冒险游戏的进展，来自导师的指导可能会减少，用户可能提供更多的自我挑战、智慧和体验来展示他们的内在声音。由智慧导师和用户提供的自我挑战展示了内在声音的适当发展。来自导师的自我挑战的减少促进了用户内化智慧，并增加他/她的内心独白以达到自我激励和解决问题的目的
用户的成功表现如之前几节所述。技能表现报告可提供给医疗专业人员、教师、家长、用户或其他第三方。
自我调节
自我调节是指在不断监测和评估自己的行为的同时保持目标导向、积极性和组织性的能力。训练自我调节的目的是训练用户能够优先考虑不同的任务并制定完成这些任务的计划，例如为不同的用户完成作业。
在技能训练模块中，可以给用户呈现多个任务，涉及被训练的技能或者是次要奖励任务。在一个示例中，用户必须优先考虑挑战任务并计划他或她的行动以优化实现的成功奖励的数量。用户可能需要选择他或她的行为来实现他或她的目标(保持以目标为导向)，并评估他或她的行动计划是否成功，或者如果他或她需要不同的行动选择以获得更高水平的成功奖励并更快速地在冒险游戏推进。随着个人技能任务难度的变化，决策的复杂性和成功的必要计划也会随着所采取的行动而出现和变化。在接受令牌收集和障碍避免挑战的同时，持续测量用户的对刺激物的正确和不正确的响应行为。在令牌收集和障碍避免中对刺激物的正确选择以及对刺激物的正确响应用于生成技能成功表现的组合。
在技能迁移模块中，用户可能需要评估他或她的表现，因为它与所达到的成功分数水平有关。如果他或她未达到最低分数水平，则用户可能需要重新评估他或她的表现，并在能够移动到下一技能训练部分之前提高成功表现。在一个例子中，用户必须评估他或她的行动计划和成功表现，以达到获得更高成功分数的目标。在其他同时呈现的任务过程中不断测量用户的正确选择以及对刺激物的响应。
用户的成功表现如之前几节所述。技能表现报告可提供给医疗专业人员、教师、家长、用户或其他第三方。
eeg数据采集
本发明的特征在于利用eeg(脑电图脑波活动)数据的方法和系统。例如，可以使用头戴形式的电极系统收集eeg数据。适用于本发明的头戴包括例如u.s.s.n.14/179,416，在此引入作为参考。国际10-20系统提供标准电极位置，最近开发了更高密度的系统(有时称为10-10系统)。本发明的头戴可以设计成(i)直观且方便地将电传感器放置在儿童前额(即没有经过显著的头戴佩戴训练)上10-10系统的位置af3和af4(以及可选地置于乳突处的接地电极)，(ii)适应不同年龄段儿童头部大小的变化，以及(iii)穿戴舒适。例如，头戴的尺寸和构造可适应各种头部尺寸。
头戴包含电子传感器，用于测量由外部计算机处理的eeg信号。电传感器可以包括用于测量用户的eeg信号的一个或多个电极。电极可以是干电极或湿电极(即，干电极可以在没有导电的情况下获得信号，并且在电极和用户的皮肤之间通常是湿的材料，并且湿材料确实需要这种导电材料)。电传感器可以包括干电极，例如干织物电极。适用于本发明方法和系统的织物电极包括在美国专利公开号no.20090112077，在此引入作为参考。电传感器可以包含衬垫以帮助用户舒适并且还有助于调节和改善皮肤接触。
本发明特征在于eeg脑活动数据的收集，所述数据被放大、转换并传送给计算机用于在游戏任务期间进行处理，以产生用户标定的0％-100％的注意力状态水平的量度。其他人已经证明了来自用户大脑信号活动的各种频带的eeg数据的使用，所述大脑信号活动可以用于利用从theta到beta比来确定用户的相对注意力状态水平。也就是说，在警觉状态下观察到相对较大的beta(约16-32hz)活动，而α(约8-16hz)活动在警告中占主导地位，但在精神状态较差的状态中较弱，而theta(约4-8hz)活动随着注意力的降低而升高(streitbergetal.,neuropsychobiology17(1987):105-117)。收集和解释用于监测注意力水平的eeg数据的方法在本领域中是已知的，并且在例如美国专利no.8,862,581；美国专利公开nos.us20120108997a1,us201100145214a1,us20110289030a1和us20130331727a1；美国临时申请序列nos.62/172,601和62/199,749；以及国际申请no.pct/us2016/044828，其各自通过引用并入本文。除了不同的频带之外，eeg信号可以在大脑的不同记录位置获得。例如，af3和af4电极之间的电压反映了背侧前扣带皮层的电活动。已经观察到利用功能性磁共振成像(fmri)进行的研究发现，当注意力减退时，背侧前扣带皮层变得活跃(uddinetal,.journalofneurosciencemethods169(2008):249-254)。
示例
提出以下实施例以便为本领域普通技术人员提供关于如何执行和评估本文所要求保护的方法和系统的完整公开和描述，并且旨在纯粹是本发明的示例，而非旨在以限制发明人视为其发明的范围。
示例1注意力保持游戏组件
图3提供了环境和任务类型一个示例，其中训练和评估“注意力保持”技能。用户化身1沿着路径以从通过eeg头戴测量并传送到计算机或平板电脑2的用户的注意力状态水平导出的速度前进。计时器3记录行进的持续时间，进度表显示距离路径终点的距离。在这个例子中，用户必须利用自我调节来坚持下去，直到路径和注意力保持的结束，以实现更快的完成时间。使注意力分散的物体和生物4出现在路径中，并且用户必须忽略使注意力分散的物体以保持他或她的提升的注意力状态水平和速度通过该部分。“能力表”5测量用户的注意力保持技能水平；该表按照反映注意力状态水平与挑战任务表现之间的组合的速率填充(例如，当注意力状态的水平在较长时间段内保持时，其填充更快)。能力表上有进入下一个任务所需的的最低成功分数。
示例2行为抑制游戏组件
图4提供了环境和任务类型一个示例，其中训练和评估“行为抑制”技能。具有特定视觉特征的对象6出现在路径上方并向用户化身移动。目标对象列表7出现在用户的显示屏中。在这个例子中，当视觉特征与其中一个目标相匹配时，用户必须点击一个对象，但是利用行为抑制让不匹配的对象通过。在某些情况下，对象的视觉特征对用户不可见，并且只有在用户接近对象时才变得可见。在此情况下，当用户在该对象显露了其视觉特征之前选择了该对象时，该响应被识别为冲动响应。该环境中的能力表5测量用户的行为抑制技能水平；当用户对物体做出正确的动作时，以及当用户做出许多连续的正确动作时，能力表的填充速度会加快。能力表上有进入下一个任务所需的的最低成功分数。
示例3选择性注意力游戏组件
图5提供了环境和任务类型一个示例，其中训练和评估“选择性注意力”技能。具有特定视觉特征的对象组6出现在路径上方并向用户化身移动。目标对象列表7出现在用户的显示屏中。在这个例子中，用户必须利用选择性注意力来标识对象组中与某个目标匹配的对象，然后选择该对象。此环境中的能力表5测量用户的选择性注意力技能水平；当用户对对象组做出正确的动作时，以及当用户做出许多连续的正确动作时，能力表的填充速度会加快。能力表上有进入下一个任务所需的的最低成功分数。
示例4交替注意力游戏组件
图6和图7提供了环境和任务类型示例，其中训练和评估“交替注意力”技能。具有特定视觉特征的对象组6出现在路径上方并向用户化身移动。目标对象列表出现在用户的显示器中，有时显示一个可视化参数，例如符号7，而其他时间显示不同的可视化参数，例如形状8。在这个例子中，用户必须识别与所示参数匹配的对象，并且利用交替注意力选择与该相关参数匹配的对象，即使相关参数快速变化。该环境中的能力表5测量用户的交替注意力技能水平；当用户对对象做出正确的动作时，以及当用户做出许多连续的正确动作时，能力表的填充速度会加快。能力表上有进入下一个任务所需的的最低成功分数。
示例5新奇抑制游戏组件
图8提供了环境和任务类型一个示例，其中训练和评估“新奇抑制”技能。具有特定视觉特征的对象6出现在路径上方并向用户化身移动。其中一些对象具有可视化高亮细节10的特征，诱使用户选择该对象。目标对象列表7出现在用户的显示屏中。在这个例子中，当对象的视觉特征与其中一个目标匹配时，用户必须点击一个对象，但利用新奇抑制来压制用户对可视化高亮对象的自然反应。该环境中的能力表5测量用户的新奇抑制技能水平；当用户对对象做出正确的动作时，以及当用户做出许多连续的正确动作时，能力表的填充速度会加快。能力表上有进入下一个任务所需的的最低成功分数。
示例6内在声音游戏组件
图9提供了环境和任务类型一个示例，其中训练和评估“内在声音”技能。各种用户表现阈值触发非用户角色11的干预，该非用户角色通过旁白对话提供智慧和自尊鼓励。随着游戏的进展，用户化身角色逐渐向他或她自己发出鼓励，为用户建模以获取内心独白以激励行动。
示例7自我调节游戏组件
图10和图11提供了环境和任务类型示例，其中训练和评估“自我调节”和“延迟满足”技能。令牌12出现在路径中。在这个例子中，用户化身必须行进通过令牌来收集它。小障碍物13和大障碍物14迫使用户沿着路径躲闪、跳跃或弯腰。如果用户化身与障碍物碰撞，则用户将失去一个他或她收集的令牌。在这个例子中，用户必须利用自我调节来收集最大数量的令牌；他或她必须向前看路径并规划用户化身的移动以最有效地收集令牌并避开障碍。在某些情况下，当移动到令牌的路径时会使他们面临与障碍物碰撞的风险时，用户可能需要利用延迟满足来延迟源自收集令牌的立即满足。在沿路径出现物体6的环境中，用户必须进一步利用自我调节来收集最大数量的标记，同时选择最大数量的正确目标，再次通过展望路径并规划他或她的方法。在一些情况下，由于目标的选择将决定能力表的填充速率以及表示用户有能力进入下一个任务，用户可以进一步利用延迟满足来延迟源自收集令牌的立即满足，避开障碍物以便在目标从视线经过之前选择正确的目标。
示例8技能迁移游戏组件
图12提供环境和任务类型的一个示例，其中用户学习将在游戏的一部分训练过的技能迁移到另一个环境。在此情况下，以修改的游戏机制并在图5中描述的替代视觉环境中训练选择性注意力技能。在2d演示文稿中，多个具有鲜明视觉特征的对象6在屏幕区域同时出现，并保持几秒钟可见。目标对象列表7出现在用户的显示屏中。在这个例子中，用户必须利用选择性注意力来识别区域内与其中一个目标匹配的对象，并选择这些对象。如果用户选择与列表不匹配的对象，则所有其他对象都将消失。之后，用户必须将他或她的注意力状态水平提高到阈值以上才能收集任何所选的对象。计数器15记录收集的正确对象的数量，并表示用户的选择性注意技能的成功测量。
示例9研究训练体系有效性的程序
可以评估训练系统对患有adhd的儿童的有效性。在初始咨询期间，临床医生可以使用adhd-rs评估用户的注意力不集中症状，使用临床总体印象-严重程度(cgi-s)量表评估总体注意力不集中严重程度，以确保资格并监测训练前后的个体变化。
训练时间和频率
第一次训练可以在20-25分钟内完成。第二次训练课程和所有后续训练课程可在20-30分钟内完成。用户每周可以训练3-7次，持续3-8周。技能迁移模块可以在每个技能训练模块之后被给予用户。随着训练的进展，游戏技能的发展将通过aim中详述的一项或多项技能开展。用户在成功完成之前的任务目标时，可以以开通技能训练和技能迁移模块挑战大门的形式转移到更高的技能水平。
训练任务程序
训练系统可以包括pc笔记本电脑(或电脑、平板电脑或个人电子设备)上的游戏和eeg头戴。在每次游戏任务期间，用户将玩游戏(技能训练)。当用户玩游戏时，可以通过嵌入头戴的eeg传感器同时记录他们的eeg波。eeg波可用于实时量化受试者的注意力状态水平，其量化为以0％-100％标定的注意力状态水平，可最终控制冒险游戏中人物化身的速度。注意力状态水平越高，化身人物可以通过任务移向冒险完成的速度越快。游戏任务可以持续20-30分钟。基于aim，游戏可以包括注意力和抑制技能的开发。初始训练可以是集中注意力和持续注意力，挑战用户快速移动角色，同时与音频和干扰者交互。随着用户通过技能训练和迁移模块的进展，可以在随后的课程中引入其他技能。针对他们表现出更高的和/或持续的注意力状态水平，以及他们对不同优先级的刺激物的选择和拒绝的正确响应，用户可以获得积分。基于用户的能力，在整个游戏中看动态改变的任务难度级别。
每个用户都可以运行迁移模块，以展示迁移到现实生活应用中的技能保持。这种技能迁移练习可以包含使用不同上下文(例如环境、机械和计分)在训练模块中引入的相同技能。训练和迁移模块中的技能可以相匹配，以便运用新学到的注意力和冲动抑制技能来展示技能保持。使用例如以下描述的任何评估方法或本领域已知的用于评估认知技能的其他方法进行训练之后，用户可以体验到认知技能的提高。示例10识别冲动响应和干预以降低用户冲动性。
本发明的虚拟学习课程可以包括用于在执行基于游戏的课程期间识别用户的冲动响应的程序和方法。这些程序和方法包括在刺激物的初始呈现和提示用户的响应之间引入延迟。训练用户的冲动/抑制的挑战任务被称为冲动/抑制挑战任务。作为冲动/抑制挑战任务的一部分，一次任务可以提供特定类型的刺激供用户应答，而忽略余下的所有刺激。在延迟期间和响应提示之前(例如，在用户接收到正确响应所需的信息之前)，用户对刺激的响应可以被分类为冲动。冲动响应还包括在没有刺激的情况下的反应。例如，如果任务的路径完全没有挑战任务而用户响应了，则这些响应可以被分类为冲动。
在迁移模块中，可以将冲动响应定义为在完成响应之后发生的响应。例如，在用户完成他或她的响应之后，程序可能会延迟一段时间。在此情况下，如果用户在此延迟期间作出响应，则响应被分类为冲动性。
本发明的训练系统可以包括用于减少用户冲动的程序和方法。它们包括呈现正面的视听音效和游戏奖励作为正确响应的结果，同时呈现负面的视听音效并限制游戏奖励作为冲动响应的结果。此外，来自同伴角色的自适应旁白反馈提供了正确应用相关认知技能的正确行动或不作为以及交流难忘策略的提醒。消极的视听强化可能伴随着失分，这可能与实现即将面临的挑战任务的成功率降低相对应。这些方法还包括在用户可以前进到下一个游戏任务之前要求非冲动响应的最小阈值。
示例11识别用户挫折和干预以减少用户的挫折
本发明的训练和迁移模块可以包括用于通过对改进的技能和行为建模来识别在执行基于游戏的学习课程期间用户的沮丧或焦虑的程序和方法。这些程序和方法包括维持运行计数或计算对游戏挑战(例如挑战任务)的一系列或总的不正确响应的数量，并且当该数目超过阈值时触发对课程的改变(例如，合理的误差容限和出错频率)。例如，系列阈值可能会设置为连续三次不正确的响应。或者，在最后5个响应不正确的情况下(例如，错误选择或错误拒绝)，运行计数阈值可能被设置为3。或者，总阈值可能被设置为总共10次不正确的响应。
这些程序和方法包括维持运行计数或计算对游戏挑战(例如挑战任务)的一系列或总的不正确响应的数量，以及基于用户总的成就触发随之而来的负面影响。
本发明的学习课程可以包括减少用户沮丧的程序和方法。它们包括当系列不正确响应的数量或运行计数超过阈值时(例如，合理的误差容限和出错频率)立即降低游戏挑战(例如挑战任务)的难度，并且当用户在初始降低难度后连续做出不正确的响应时更陡然地降低难度。在许多情况下，这种降低游戏难度以应对玩家挫折的同时伴随着来自同伴角色的动态旁白解释，该旁白解释提供保证和/或简单策略以调节对挫折感的情绪反应。
示例12非药物干预治疗adhd儿童
进行了前馈建模(ffm)系统的临床研究。本文提供了研究方法和结果的详细讨论。
方法
本研究采用随机、对照、平行设计，将ffm与非药物治疗社区护理干预进行比较。基于家长和临床医生评定的adhd症状学标定，以及基于参与者完成的学业表现测验对改进进行了测量。训练后对参与者进行3个月随访。
a.参与者
该研究发生在三个临床地点。每个站点由一名训练协调员(tc)和一名临床调查员监督。参与者通过临床医生推荐以及印刷和网络广告招募。感兴趣的候选人与其中一位研究临床医生安排初步咨询，以确定是否符合资格并评估adhd症状的严重程度。
参与该研究的参与者需要是8岁至12岁的儿童，由其中一位研究临床医生根据精神疾病诊断和统计手册(dsm)标准接受官方adhd诊断，并对14位或更多临床医生评定的adhd评定量表(adhd-rs)的注意力不集中分量表，表明轻度至中度的注意力不集中症状(wigaletal.,journalofattentiondisorders,10(2006):92-111)。研究临床医生根据精神疾病诊断和统计手册(dsm-iv.americanpsychiatricassociation,2000；goodmanetal.,17(2010))标准，与所有参与者证实了adhd诊断，并且还完成了临床医生评定的adhd-rs。
不符合条件的儿童是那些服用adhd或共发精神病的药物。感觉神经缺陷(失明或耳聋)或已知发育迟缓的儿童(定义为iq为70或以下)也不合格。患有癫痫发作、创伤性脑损伤、中风、中枢神经系统肿瘤或病变、脑缺氧、颅骨骨折或脑炎病史的儿童也被排除在研究之外。
47名儿童同意参加当前的研究。46名儿童被随机分配，因为一名参与者在临床医生评估过程中被错误地认为符合条件，然后在随机分组之前被排除(32名男性，14名女性，m＝9.57，sd＝1.34)。图13提供了整个研究过程中的加入和退出概况。由于日程冲突或不再符合纳入标准(例如，开始用于合并症的药物治疗方案)。
b.过程
在初次咨询期间，临床医生使用adhd-rs评估患者的注意力不集中症状，并使用临床总体印象-严重度(cgi-s)量表评估患者的总体注意力不足严重程度，以确保符合资格。此时，临床医生还与感兴趣的家长讨论了可用于改善他们孩子的行为和注意力水平的所有非药物选择。他们回顾了这项研究，并从父母那里获得了书面知情同意书，并且得到了孩子的书面同意。
在临床医生咨询后，参与者完成了基线评估探访，在此期间，参与儿童完成了学业成绩和表现测试，而家长填写了关于他们孩子的行为的adhd-rs家庭版本。在三个地点中的两个地点，参与者还使用
一旦活动组使用ffm系统完成训练(组1第8周和组2第16周)，参与者使用与基线相同的评估完成临床医生访问和评估环节。组2没有在第16周完成woodcock-johnson评估，因为只有两个版本用于事先评估。
参与者返回进行了三次月度提升课程，其中涉及一次玩游戏任务，包括技能迁移模块。在第三次月度随访中，作为技能迁移模块的替代，参与者在玩游戏前后完成了永久产品性能测量(permp)。提升课程用于评估参与者是否记得在不再定期玩游戏后如何使用游戏。父母也被要求完成adhd-rs。在3个月随访结束时，参与者进行了最后的临床医生探访，以评估他们的症状严重程度。
c.行为度量
i.adhd-rs
adhd-rs是一项18项量表，用于评估与adhd相关的症状严重程度。临床医生根据他们与参与者的交互和观察以及与父母的讨论完成adhd-rs。父母还被要求完成家庭版的adhd-rs，该家庭版已经由家长独立完成验证(dupauletal.,adhdratingscale-iv:checklists,norms,andclinicalinterpretation,1998)。adhd-rs由注意力不集中分量表和多动/冲动分量表组成，以及组合分数，计算为两个分量表分数的和。18项中的每一项都以4分制标定(0＝从不/很少，1＝有时，2＝经常，3＝常常)，并且与dsm-iv中的诊断标准相符。
ii.cgi量表
cgi由两个伴随项目组成，包括评估干预开始前后的功能和精神病理学严重程度。临床医生考虑他或她对病人的病史、行为、心理社会环境、症状严重程度以及这些症状对他或他的能力以正常行动的影响，给参与者打分(guy,clinicalglobalimpressions(cgi)scale,2000)。对于cgi-s，以7分制标定分级参与者(1＝正常；2＝边界精神病患者；3＝轻度患病；4＝中度患病；5＝显著患病；6＝严重患病；7＝极度患病)。临床总体印象-改善(cgi-i)量表评估自初次访视后参与者有多少改善或恶化。cgi-i量表同样以7分制标定分级：1＝显著常改善，2＝改善很多，3＝最小改善，4＝无变化，5＝最差，6＝更差，或7＝非常差(goodmanetal.,77(2010):44-52；wigaletal.,childandadolescentpsychiatryandmentalhealth3(2009))。
iii.
使用运动跟踪系统、前额反射器、显示视觉刺激的液晶显示器(lcd)屏幕以及用于响应刺激的键盘，
d.学术度量
i.永久产品性能测量(permp)
permp数学测试包含10分钟的经过验证的数学测试，其中包含400个能力适合的数学问题，旨在衡量儿童停留在任务和关注的能力(wigaletal.,journalofattentiondisorders,10(2006):92-111)，这与他们的学业表现能力有关。指示参与者在10分钟内正确回答尽可能多的问题，不能跳过任何问题。每个测试都通过计数尝试的次数和正确完成问题的数量来进行分级。permp是经常用于评估对兴奋剂药物的反应的可靠且有效的量度(wigaletal.,journalofattentiondisorders,10(2006):92-111)。在基准任务期间，参与者进行数学预先测试permp以确定适当的数学难度水平。参与者根据每次进行permp测试时预先测试确定的难度水平进行测试。在学术度量的每次管理期间，permp被给予2次：一次在玩游戏之前(测试1)，一次在玩游戏之后(测试2)。在对组2的基准测试，作为玩游戏的替代，测试1和测试2之间有30分钟的休息时间。整个研究过程中实施了不同的问题集，以最小化练习效应。
ii.woodcock-johnson第三版(wj-iii)
wj-iii成就测试包括一系列评估阅读和数学成绩、书面和口头语言能力、以及课程知识的测试(dupauletal.,journalofabnormalchildpsychology,34(2006):635-648)。分项测试可以管理个人或小组，并按照年龄和等级水平进行规范。目前的研究中使用了三个分项测试(阅读流利度，数学流利度和理解指示)，因为它们与注意力密切相关。在基准任务中施用wj-iii的a型，并且在完成对组1的训练或对组2进行非药物干预结束时施用wj-iii的b型，以避免两次施用相同的测试。没有额外的表格可用于评估维持效果或组2的训练效果。
e.训练
i.玩游戏
ffm训练系统包括pc笔记本电脑上的游戏
在最初的校准过程中，软件根据参与者在计算机化的练习中的表现，创建了一个区分性eeg模型，旨在激发注意力集中和注意力不集中的状态。校准期间的eeg记录被用于计分算法中，该计分算法近乎实时地生成与参与者的注意力状态有关的指数。
在每次游戏任务，参与者都玩过一个叫做
随着ffm挑战参与者围绕路线快速移动用户化身，同时忽略听觉和视觉干扰，该游戏包括三种注意力和抑制技能开发等级。第二和第三等级增加了要求参与者针对目标水果跳跃而针对非目标水果不跳跃的任务。参与者因正确的跳跃和不跳跃而获得积分，而扣除不正确的犯错(commissions)和遗漏的积分。
技能迁移模块由每个参与者实施，以提高技能保持以迁移到现实生活中的应用。这项技能迁移练习包含与参与者的学业等级相匹配的多项选择题，以便练习新学到注意力和冲动抑制技能以最优化注意力技能保持。
ii.ffm训练安排
第一次训练任务包括15到20分钟的校准练习，然后是一轮1级游戏。在第二次训练任务期间，参与者被要求在训练任务之前和之后完成permp评估。参与者继续每周训练3至4次，持续6至8周。在偶数次任务(第四次访问，第六次访问等)中，技能迁移模块被施予参与者。在第12和第24次任务期间，实施赛前和赛后permp而不是技能迁移模块。随着ffm训练的推进，游戏技能的开发提升。参与者转到任务5期间设置的第二技能级别和任务14期间设置的第三技能级别。
结果
为了建立ffm训练与对照组的比较效果，使用2(组)×2(测试)×3(站点)重复测量anova分析所有测量值。除了
a.行为度量
i.adhd-rs
学后临床医生adhd-rs评估不适用于组1的一名参与者，因此该参与者被排除在分析之外。adhd-rs的组合分数显示了测试组的显著效果，f(1,37)＝17.668,p<.001,η2＝.323；测试,f(1,37)＝25.689,p<.001,η2＝.410；以及，组×测试(group×test)相互作用，f(1,37)＝28.428,p<.001,η2＝.434。注意力不集中和多动/冲动的分项分数反映了相同的模式(见表3)。这表明对照组的症状在研究开始时比ffm训练组稍微严重一些；然而，这种差距比ffm训练组的改进小。随着时间的推移和时间的相互作用，对于即时ffm训练组(组1)，adhd症状降低36％。
在汇总的ffm训练数据的干预分析中，对训练组没有影响，f(1,29)＝1.865,p＝.183,η2＝.060，并且没有相互作用，f(1,29)＝00431,p＝.516,η2＝.015，但是存在效应的测试，f(1,29)＝66.151,p<.001,η2＝.695，这表明两组都达到了与ffm训练相同程度的改善。事后归因分析还表明，ffm训练前和训练后之间、以及ffm训练前和随访之间均存在显著差异(所有ps<.001)。正如在两个时间点之间缺乏显著差异所表明的那样，ffm训练所带来的改善也通过3个月的随访得以维持。这种模式对于两个分项分数中的每一个也成立(见表3)。
父母报告的adhd-rs分数与临床医生报告接近匹配，具有训练组效果，f(1,38)＝13.132,p<.001,η2＝257；时间,f(1,38)～14.695,p<.001,η2＝.279；以及，组×测试(group×test)相互作用，f(1,38)＝6.237,p＝.017,η2＝.141。据报道，对照组在研究前比ffm训练组稍微严重一些。组1的症状严重程度改善了31％，而组2没有显示出任何改善。这种改善也发现在注意力不集中和多动/冲动分项分数(表3)。在观察两组的ffm训练效果时，各组的改善程度相同，如时间效应所示，但在汇总的干预分析中没有组或相互作用的影响(ps>.2)。正如临床医生的评级所见，对于所有分数的3个月随访中，ffm的改善仍然很明显(见图14)。adhd-rs报告的症状减轻表明，ffm训练导致了改进，其被归类为从中度严重症状转为接近正常水平。
b.cgi
在第二次临床医生咨询中，七名参与者的cgi严重程度测量未完成(仅记录了改善)，因此不能将其纳入本分析。anova比较两组的训练与标准非药物护理报告效果，f(1,31)＝7.110,p＝.012,η2＝.187,以及时间,f(1,31)＝13.627,p＝.0009,η2＝.305，以及两者的显著相互作用，f(1,31)＝12.201,p＝.001,η2＝.282(见表3)。训练组的效果与ffm训练组被评定为严重程度稍轻于对照组的事实有关，如adhd-rs分数所见。然而，从ffm训练组可见，这种初始差异远远小于改善的量，并等于对照组所经历的改变。分析各组汇总的ffm训练效果，证实了严重程度的轻微差异并不能改变训练组和交互作用效果的ffm训练的有效性，其中时间ps>.9；时间效应：f(1,26)＝37.471,p<.0005,η2＝.590。cgi表明，ffm训练导致了归类为从中度患病到轻度患病的改善。
表3。两组训练之前和之后的平均分数(标准差)
*p<.05.***p<.001
c.
查看每个组的汇总的ffm训练效果，相同的模式出现在注意力不集中分数中。对于注意力不集中分数，f(1,18)＝10.718,p＝.004,η2＝.373，以及全局分数，f(1,18)＝2.353,p＝.030,η2＝.236，存在显著的时间效应相互作用(ps>.3)，但正如在其他测量中看到的那样，ffm训练组在运动分数中的严重程度要低于对照组，f(1,18)＝5.509,p＝.031,η2＝.234。时间效应是由于ffm训练后注意力不集中恶化(见表3)。
b.学术度量
a.permp
表3列出了permp的性能。对于所有四种测量方法—在玩游戏之前(测试1)和之后(测试2)进行校正和尝试—时间效应是显著的(所有ps<.02,η2s>.150)，并且在测试组和时间之间存在显著的相互作用(ps<.01,η2s>.150)，但测试组无显著影响(ps>.4)。在这个测试中准确度一般很高。大部分尝试的问题都是正确的(>90％)。对测试组的影响不足表明两个组在研究开始时能够完成相同数量的问题。
在最初的8周之后，组1平均在时限内能够完成的问题的数量平均提高了26％，而组2完成问题的数量没有增加(见图15)。一旦完成了ffm训练(ps>.5)且没有交互作用(ps>.1)，测试组之间的收益没有差异。时间效应(ps<.004,η2s>.200)显示两个组的ffm训练都有所改善。然而，bonferroni调整的事后归因t测试表明，3个月时并未保持表现提高的统计显著性。
b.wj-iii。
只有两个版本的wj-iii可用(形式a和b)，因此wj-iii评估仅在基线和头8周后完成(组1的ffm训练；组2的标准非药理学护理)。由于最初使用了不同的测试，发现不适合这个测试组，六名参与者没有完成wj-iii。另外，完成阅读和数学流利度测试的一名参与者没有完成理解指示。所有分项测试都报告了同等年龄和级别，并且对二者均完成了anova重复测量。对于数学流利度，年龄和级别中存在时间效应，年龄：f(1,29)＝7.037,p＝.013,η2＝.195；级别：f(1,29)＝14.076,p<.001,η2＝.327；然而，在测试之间通过了的经两个月的调整之后，年龄效应消失。没有组或交互作用效应(ps>.2)。阅读流利度没有显示任何改进(ps>.1)。在理解指示中，没有测试组效应(ps>.9)。随着时间的推移以及时间和群组之间的相互作用存在改善的趋势，但是这些趋势并不显著并且仅具有非常小的效应值(ps>.05,η2<.1；参见表3)。
讨论
经过8周的ffm训练或非药物社区护理选项后，ffm训练组显示adhd症状改善，而对照组未显示有意义的改善。临床医生报告adhd-rs症状减轻36％，cgi报告也有类似改善。家长们也报告在ffm训练后症状减轻约31％。非药物干预并没有导致症状的显著改善。ffm训练组的学业表现也有所改善，表明他们有更强的能力坚持任务，从而在训练后正确回答permp的更多问题。还观察到ffm训练组的能力趋于改善的趋势，使得能够遵循wj-iii理解指示测试的指示控制他们的冲动。这两个组在阅读流利度和数学流利度的测量上没有区别，这可能是由于这些测试的短时限制。尽管数学流利度和permp是类似的测试，但permp的10分钟时间限制观察到了改进，但在3分钟持续时间的数学流利度测试中没有观察到改进。训练结束后3个月，所有的ffm训练提高也得以保持。虽然在某些情况下，应用bonferroni校正进行多重比较会导致改善，但失去了统计显著性，在数字表示上他们并没有回到基线水平。
所有的学术度量都经过精心挑选，以通过多个版本的测试来最小化重复测试(实践)效果。wj-iii被设计并被验证可以在多个时间段内使用不同形式的测试(表格a和表格b)是有效的。permp被设计为在1天内多次给药，并且已经被验证对全天药物水平敏感的量度有效，证实了对不同版本的测试缺乏实践效果。鉴于此，仅仅因为有经验就进行测试不要期望会有所改进。即使通过这种努力，再测试后数据总体上也显示稍高的分数。然而，这些再测试的改进非常小，没有统计学意义。
没有观察到
本随机、对照试验表明，本ffm系统是目前社区诊所提供的用于治疗adhd儿童的非药物干预的最佳选择。本研究中的许多参与者之前没有接受过药物治疗，他们的父母正在寻求非药物治疗选择。虽然谨慎控制的行为疗法可以有效缓解adhd症状，但目前在更普遍的社区护理环境中可用的治疗方案(例如对照组中使用的非药物方法)导致adhd症状严重程度的降低有限，特别是仅在8周之后。相比之下，本ffm训练导致了adhd症状以及所选学业表现度量的显著和持续的降低。非药理学方法通常在长时间延长并与药物治疗相结合时显示出更好的性能。即使没有药物治疗，本ffm训练系统也可以显著并保持严重程度的降低，因此ffm训练可能是adhd切实可行的一线治疗选择。ffm训练增强药物疗效或减少所需维持药物维持剂量的潜力是未来研究的一个重要问题。
总之，对8至12岁儿童进行随机对照研究的ffm训练系统显示是治疗adhd和提高学业成绩的有效干预措施。ffm系统导致更显著和持续的(a)减轻adhd症状的严重程度，以及(b)学业表现能力的提高，超过了对照组使用的标准非药物干预选项。本ffm训练代表了用于治疗adhd的潜在的新的非药物干预。ffm训练还显示出可以改进学业成绩的客观指标，表明ffm训练中所学到的知识有效迁移到接近现实世界的行为(即，改善在家里的行为)以及远远脱离训练本身的学业能力。
示例13任务执行报告
本发明的方法和系统可以包括为由用户完成的训练任务生成任务执行报告(mpr)。例如，随着时间的推移，mpr可以描述在实现挑战任务时的注意力状态水平以及成功或失败的尝试。这些状态是并行报告的，以便允许在每项挑战任务之前、期间和之后审查注意力状态水平。图16中给出了用户完成示例性游戏的任务的示例性mpr。mpr可包括(i)根据用户在训练期间的课程的认知技能表现计算的全局注意力分数和/或全局综合分数；(ii)根据从用户收集的训练期间的eeg脑活动信号计算的注意力状态水平或注意力状态水平系列，(iii)挑战任务的单独的结果，和/或(iv)用户在训练期间达到游戏难度水平(熟练度)。为每个认知技能确定单独分数。每个分数基于单个注意力(例如，注意力状态水平)或注意力集合在定义的时间间隔内的计数，或基于针对一组特别条件(例如，一个或多个挑战任务)的正确/不正确响应。单独的分数计算包括下面的例子。
集中注意力
使用注意力状态水平对预定的阈值水平的百分比来度量任务的集中注意力。例如，预定阈值可以设定为60％。在此情况下，注意力状态水平的所有实例的计数超过60用于确定原始的集中注意力值。这个原始的集中注意力状态值除以任务的注意力状态水平的总数，是注意力状态水平超过60％的百分比，并且是当以从0到100标定时的集中注意力分数。
持续注意力
使用相邻注意力状态水平(例如，在连续时间点获取的注意力状态水平)的百分比来度量给定任务内的持续注意力，其在预定阈值变化幅度内具有差异。使用相邻注意力状态测量结果之间的注意力状态水平的变化小于预定的阈值变化的所有实例的计数来确定持续注意力。例如，预定的阈值变化可以被设置为10％。在此情况下，持续注意力状态值对应于具有相对于其先前注意力状态水平的10％内的值的每个序列注意力状态水平。可以引入附加标准，例如需要持续注意力状态水平值以对应于具有预定阈值水平的注意力状态水平(例如，与计算集中注意力分数中使用的预定阈值水平相同或不同的值)。持续注意力状态水平的计数除以该任务的注意力状态水平的总数为从0到100％标定时的持续注意力分数。
选择性注意力
使用正确响应挑战任务的百分比来度量任务的选择性注意力(参见示例3的示例挑战任务)。对挑战任务的正确响应的所有实例进行计数(例如，正确选择或正确拒绝的目标)，其中一组组件中没有任何有效目标或其中一个组件是有效目标。原始选择性注意力的计数除以任务的目标或目标组的总数(例如目标集群，例如机遇)为从0到100％标定时的选择性注意力分数。
交替注意力
使用针对独特的交替挑战任务测量的正确响应的百分比来度量任务的交替注意力。交替挑战任务可以包括目标规则切换或交替目标规则(例如，将目标识别为具有特定一组特征(例如形状、颜色和符号)的对象的规则)。目标规则指的是针对一致类型的如形状、颜色和符号使用不同的值。在测试交替注意力的挑战任务中，正确的选择可能要求用户在确定对象是否是有效目标时考虑对象的所有特征(例如，形状、颜色和符号中的全部三个)。计数针对立即切换目标规则后的挑战任务(例如，规则更改后的第一个挑战任务)的正确响应(正确选择或正确拒绝)的所有实例。原始交替注意力的计数除以目标规则中的切换总数为从0到100％标定时的交替注意力分数。
分散注意力
测量分散注意力不同于测量交替注意力，其中提示用户响应具有一个或多个匹配属性的对象组而不是使所有属性彼此匹配。分散注意力是使用针对涉及目标类型切换的独特挑战任务测量的正确响应的百分比来度量的。目标类型指的是不同类型的集合，例如形状、颜色和符号，或者缺少每一种。目标类型切换指的是可以是从一组目标类型(即，颜色和形状)切换到不同的组(即，符号)。玩家不必同时查找所有三个属性，而必须查找一个或多个匹配类型，并在确定有效目标时忽略其他属性。对目标类型切换后紧跟的挑战任务的正确响应(正确选择或正确拒绝)的所有实例进行计数。原始交替注意力的计数除以任务的目标类型切换总数为从0到100％标定时的分散注意力分数。
认知抑制
使用注意力状态水平对特定部分的预定阈值水平的百分比来度量任务的认知抑制。例如，预定的阈值水平可以设定到60％。在此情况下，使用在一段时间内(例如任务的头60秒期间，其中更为敏感易做白日梦)注意力状态水平值至少为60％的所有实例的计数来确定原始的认知抑制值。原始认知抑制值的计数除以任务的指定部分的注意力状态水平的总数为从0到100％标定时的认知抑制分数。
行为抑制
使用要求拒绝目标的挑战任务的正确响应的百分百来度量任务的行为抑制。针对要求拒绝目标的挑战任务的正确响应(正确选择或正确拒绝)的所有实例计数作为原始行为抑制值。原始行为抑制值除以应当被拒绝的目标总数为从0到100％标定时的行为抑制分数。
新奇抑制
使用针对出现的挑战任务同时经历不相关的刺激物的正确响应的百分比来度量新奇抑制。原始新奇抑制值除以任务的目标或目标组(例如，挑战任务)的总数为从0到100％标定时的新奇抑制分数。
动机抑制
使用在不正确的响应之后直接测量的正确响应的百分比来度量动机抑制(例如，在错误选择或错误拒绝之后立即进行挑战任务)来测量。计数针对挑战任务(该挑战任务之前的响应是不正确的)的正确响应(正确选择或正确拒绝)的所有实例作为原始动机抑制值。原始动机抑制值除以任务的错误响应总数为从0到100％标定时的动机抑制分数。
干扰控制
使用针对挑战任务的不正确响应的百分比来度量任务的干扰控制。计数针对挑战任务，其中其中一组组件中没有任何有效目标或其中一个组件是有效目标，的不正确响应所有实例作为原始干扰控制值。原始干扰控制值除以任务的挑战任务总数为从0到100％标定时的干扰控制分数，并反转。执行最终值的反转允许随着用户改进而将跟踪的干扰控制视为递增值，以与剩余分数相符。这允许将该值与其他分数进行平均以生成例如全局综合分数。
内在声音
使用在注意力状态水平降至预定阈值以下之后测量的注意力状态水平的正向改变的计数来度量内在声音。计数在注意力状态水平已经下降到预定的最小阈值注意力状态水平之下时注意力水平显著正向改变超过预定阈值水平的所有实例。内在声音值为从0到100％标定时的内在声音度量，并反转。执行最终值的反转以允许随着用户改进而将内在声音跟踪为递增值，以与剩余分数相符。这可以将该值与其他分数进行平均以生成全局综合分数。
延迟满足
使用次要参与期间针对挑战任务的正确响应的百分比来度量任务的延迟满足。计数针对主要挑战任务，其中同时呈现或在预定时间范围内呈现次要挑战任务(例如，碰撞/避免)，的正确响应的所有实例作为原始的延迟满足值。原始延迟满足值除以任务的同时或近似同时主要和次要参与的总实例数为从0到100％标定时的延迟满足分数。
自我调节
使用多个次要(例如，碰撞/避免)挑战任务期间针对挑战任务的正确响应的百分比来度量任务的自我调节。计数针对主要挑战任务，该主要任务期间同时出现次要碰撞/避免和收集挑战挑战任务，的正确响应的所有实例作为原始自我满足值。原始自我满足值除以同时进行的主要和多个次要参与(例如挑战任务)的总实例数为从0到100％标定时的自我调节分数。
下面的表4中示出了13中分数的每一种的公式。
表4.示例性注意力分数公式
cs表示“正确选择”，cr表示“正确拒绝”，is表示“错误选择”，ir表示“错误拒绝”。
示例14进度报告摘要
一旦为任务生成单个分数，就根据总体认知技能(注意力相关技能或冲动/抑制相关技能)对其进行平均，并根据游戏级别进行加权。结果值作为全局注意力分数或全局综合(例如注意力和冲动抑制的综合)分数，并将其作为单独的图表按训练日(从开始)绘制，分别绘制集中/持续注意力的表，以及注意力和冲动/抑制控制的组合表。结果图表包含在进度报告摘要中。针对每个图表中的数据计算基于最小二乘法的线条(例如，线性或非线性，例如曲线最小二乘法)。基于这些计算结果的线条将添加到其相应的图表中。
最小二乘计算的结果用于计算(集中/持续或冲动/抑制)得分的“之前”和“之后”值，以及训练开始和结束之间观察到的“变化百分比”。
因此，本发明的方法和系统可以包括随着时间(例如，3至8周)在预定数量的训练任务之后为用户生成进度报告摘要。
进度报告摘要可以包括对(i)用户在一段日期内进行的一段训练期间用户的全局注意力分数的变化的描述，以及对(ii)用户在一段日期内进行的训练任务的用户综合分数的变化的描述。图23给出了一个示例性进度报告摘要。
示例15示例性用户认知技能表现历史
下面的描述是根据本发明的一个实施例，作为一个例子来说明如何教导构成注意力和冲动抑制的执行功能基础的认知技能，测试保持并迁移到现实生活中，并监测基于游戏的学习环境的冒险故事情节的上下文及其系列学习任务中的治疗依从性(regimenadherence)。
游戏的故事情节通过使用动画视频(例如，剪辑场景)呈现在游戏片段之间，在角色之间以及在环境的可视化设计(即景物)中使用旁白对话使得游戏得以增强。故事情节集中在用户化身，skylar，的旅途中，他可以是男性或女性，具体取决于用户的选择。skylar的女性形式用于下面的故事摘要。
故事情节是虚拟学习课程的关键指导性元素。用户化身是用户的替身(例如，儿童必须学会控制(例如，优化)他或她的注意力和冲动控制(例如，与冲动抑制相关的认知技能)以便在基于冒险游戏的故事情节的每个任务中取得成功)。用户化身遇到的同伴和导师角色将他们的对话导向化身，但真正的目标是用户。同伴和导师角色为用户的学习、练习和展示这些认知技能提供了积极的强化和环境，鼓励用户坚持掌控游戏挑战任务，并提出保持注意力和应对出现的挑战任务的实用策略。通过冒险故事，用户化身展示了任何用户都可以提高构成注意力和冲动控制的认知技能的基础，成为他人的典范和领导者，并达成他们的个人目标。
故事总结
skylar是一个普通的中学生，只是想在学校里度过一天的时光，当他或她发现自己被神奇地运送到lightbreakernovo—一个太空运输工具，行进在对遥远的星球geoshale上的紧急信标做出反应的路途上。novo由gstaragents(一个星际搜救团队)指挥。一名gstar指令长，agentwyll，在他或她能反对之前将skylar拖入任务。agent助理是sentientbelen，这是一个致力于掌握头脑功能的精英阶层的成员。wyll和belen让skylar完成了“calabrus”，一个使得skylar能够使用avtm头戴的校准活动，这是用户佩戴的同样的eegavtm头戴的虚构版本。
一旦踏上行星表面，大部分agents都会因为使他们迷失方向而无法响应的状况而被驱除出去。罪魁祸首：覆盖星球的浓雾。当wyll戴上他的avtm头戴时，skylar和wyll脱离了浓雾的影响，并用他的注意力心智的能力将它吹走。当wyll召集受影响的agents时，skylar被赋予运行到浓雾之上唯一可见的地标的任务：由星球的原住民建造的塔。他或她在塔里所发现的将是他或她的第一条线索，以帮助解开这个星球上的许多谜团：在将他们呼叫到的这个星球上的文明发生了什么事？雾的性质是什么？他们如何扭转其影响？以及，对skylar来说最重要的是，他或她怎么回家？
游戏中的15个任务中的每一个都将故事推向解决方案，同时推动skylar/用户朝着更多地获得构成注意力和冲动控制基础的认知技能。下面的表5概述了每个任务的主要故事目标，而表6给出了在15个任务中每个任务中教授和测量的目标认知技能。
表5任务序列
表6。每个任务中教授和测量的认知技能
任务摘要
用户必须执行的游戏活动贯穿整个游戏进行。在每项任务中，都会增加代表训练或测量认知技能的新方法的游戏机制，和/或用户必须在现有挑战任务中展示更高表现水平以取得进展。例如，在任务1中所教授的持续注意力必须贯穿每个任务，以通过每次冒险向前推动用户化身。随着任务的进展，正在教授、利用、监测和测量的技能数也随之增加。为了报告目的，为每个任务或训练任务推导全局注意力分数和/或全局综合分数。全局注意力分数是任意以及所有注意力(例如，集中注意力、持续注意力、选择性注意力、交替注意力以及分散注意力)分数的综合分数(例如，平均或加权平均)，而全局综合分数是所有注意力和冲动/抑制分数(例如，集中注意力、持续注意力、认知抑制、行为抑制、选择性注意力、交替注意力、分散注意力、干扰控制、新奇抑制、延迟满足、内在声音、动机抑制或自我调节)的综合(例如，平均或加权平均)。下文给出了每项任务的摘要。
任务1：
任务1以一组校准开始。首先，执行biocal校准，其中当提示要局部个性化eeg信号处理算法时，用户必须执行六次面部肌肉运动。接下来，执行心理运动警戒任务(pvt)校准，其中用户必须监视屏幕并对10分钟的简单刺激快速响应，以便完成eeg信号处理个性化以确定每个用户的个性化注意力状态算法用户。
接下来，训练机制被引入给用户。首先，用户被引入注意力驱动的跑动。表示为0到100％之间的值的用户的注意力状态水平确定随着化身沿着3d路径前进时的速度。接下来引入环境干扰因素。动画、嘈杂的物体出现在化身的路径旁，以将用户从他们的目标的注意力分散。经过一段时间后，沿着路径出现鼓励用户收集的闪亮的水晶。
接着引入用于认知技能指导的同伴角色(wyll)。首先，向用户提供注意力咒语。同伴角色为用户提供改善他们注意力状态水平的指示，以及为了内化这些指示而可以重复的令人印象深刻的短语，“头脑清醒。注意前进”。同伴角色向用户保证，在训练开始时控制头像速度的难度完全正常，并鼓励用户不断尝试。当用户的注意力状态水平的测量值下降到设定的阈值以下时，同伴角色提供额外的鼓励和指导性提示。
然后用户追求训练表现目标。持续注意力被测试，其中用户必须保持他们的注意力状态水平高于所设定的阈值以填充“能力表”。“挑战级别非常低。用户必须填充能力表到相对较低的分数以取得成功。
根据示例13中给出的公式，计算在任务1中测量的每种认知技能以1-100％标定的分数。具体来说，任务1包括计算集中注意力分数、持续注意力分数、认知抑制分数、以及内在声音分数。
在任务1结束时，会生成任务进展报告以显示用户表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务1全局注意力分数表示用户能够关注并维持他或她的注意力。任务1的完成可标记用户第一次训练任务的完成，在此情况下，任务1全局注意力分数成为用户表现报告摘要的集中/持续注意力图上的第一个数据点(参见例如图23，顶部图表)，而任务1全局综合分数成为表现报告摘要的用户的所有分数的综合图上的第一个数据点(参见例如图23，底部图表)。
任务2
任务2首先向用户引入训练机制。用户通过触摸输入控制化身，以避开出现在路径中的物理障碍物。与障碍碰撞会减慢冒险故事中的用户化身速度。
接下来，同伴角色引导被引入用户。同伴角色继续鼓励用户继续尝试目标认知技能，即使用户由于注意力状态水平较低而无法让角色快速移动。同伴角色解释了衡量玩家在任务1-3中持续注意力表现的能力表对于游戏进展的重要性。
然后在用户面前建模认知技能训练的表现目标。持续注意力在任务2中以中等的挑战级别得到训练和度量。
接下来，将技能迁移模块的机制引入到用户化身。用户必须监控屏幕上的特定分子(molecules)的出现，并在分子出现时快速触摸分子。此外，提示用户将他们的注意力状态水平保持在设定阈值以上以便分析或“解码”所选分子。迁移模块通过测量用户解码的分子数来监测持续注意力状态水平。该迁移模块的挑战级别较低。用户必须选择并解码相对少量的分子才能成功。
根据示例13中给出的公式，计算在任务2中测量的每种认知技能以1-100％标定的分数。具体来说，任务2包括计算集中注意力分数、持续注意力分数、认知抑制分数、以及内在声音分数。
在任务2结束时，会生成任务进展报告以显示用户表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务2全局注意力分数表示用户能够关注并维持他或她的注意力。任务2的完成可标记用户第二次训练任务的完成，在此情况下，任务2全局注意力分数成为用户表现报告摘要的集中/持续注意力图上的第二个数据点(参见例如图23，顶部图表)，而任务2全局综合分数成为表现报告摘要的用户的所有分数的综合图上的第二个数据点(参见例如图23，底部图表)。
任务3
任务3由前两个任务的认知技能训练和保持模块构建。目标是教导用户如何保持高度的注意力状态。在任务3中，挑战级别较高。迁移模块定位用户展示他们新近学习的维持高持续注意力状态水平的认知技能，其挑战级别为中等。
根据示例13中给出的公式，计算在任务3中测量的每种认知技能以1-100％标定的分数。具体来说，任务3包括计算集中注意力分数、持续注意力分数、认知抑制分数、以及内在声音分数。
在任务3结束时，会生成任务进展报告以显示用户的技能保持表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务3全局注意力分数表示用户能够关注并维持他或她的注意力状态水平。任务3的完成可标记用户第三次训练任务的完成，在此情况下，任务3全局注意力分数成为用户表现报告摘要的集中/持续注意力图上的第三个数据点(参见例如图23，顶部图表)，而任务3全局综合分数成为表现报告摘要的用户的所有分数的综合图上的第三个数据点(参见例如图23，底部图表)。
任务4
任务4从引入“smogbots”开始。“飞行机器人每次一个出现在路径上方。用户必须将机器人的特征与样本进行比较，然后点击与样本匹配的机器人。不应选择与样本不匹配的机器人。用户在进入范围之前不应该点击机器人。
同伴角色为用户提供用于控制他们的冲动的指示，以及为了将这些指令内化而可以重复的令人印象深刻的短语，“等待，直到你知道，然后过去”。同伴角色解释了能力表如何响应玩家与smogbots的正确和不正确的互动。这些smogbot互动现在是玩家成功完成冒险故事及其后续任务的最重要因素。当用户做出多个不正确的选择或拒绝smogbots时，同伴角色提供额外的鼓励和指导性认知技能提醒。
本部分训练行为抑制，正如用户正确选择和拒绝smogbots的能力所测量的(关于行为抑制分数的细节，参见示例13)。在计算中，正确的拒绝的权重要高于不正确的拒绝。本挑战级别较低。
在技能迁移模块中，提示用户通过分子形状正确地展示对分子的拒绝。在屏幕上监测分子出现的，用户必须只点击与特定示例组的形状相匹配的分子。点击不匹配的分子将会导致用户认识到不正确的犯错和/或遗漏的负面后果，并且失去朝向目标的积分。行为抑制是通过解码正确分子的数量来度量的。技能迁移模块的挑战级别较低。
根据实施例13中给出的公式，计算在任务4中测量的每种认知技能以1-100％标定的分数。具体而言，任务4包括集中注意力分数、持续注意力分数、认知抑制分数、内在声音分数、行为抑制分数、延迟满足分数、动机抑制分数和自我调节分数的计算。
在任务4结束时，会生成任务进展报告以显示用户的技能表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务4的完成可标记用户第四次训练任务的完成，在此情况下，任务4全局注意力分数成为用户表现报告摘要的集中/持续注意力图上的第四个数据点(参见例如图23，顶部图表)，而任务4全局综合分数成为表现报告摘要的用户的所有分数的综合图上的第四个数据点(参见例如图23，底部图表)。
任务5
任务5的技能训练模块训练行为抑制。在任务5中，技能训练模块和技能迁移模块中的挑战级别为中等。
根据实施例13中给出的公式，计算在任务5中测量的每种认知技能以1-100％标定的分数。具体而言，任务5包括集中注意力分数、持续注意力分数、认知抑制分数、内在声音分数，行为抑制分数、延迟满足分数、动机抑制分数、以及自我调节分数的计算。
在任务5结束时，会生成任务进展报告以显示用户的认知技能展示表现的细节。根据用户对注意力分数的技能表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务5的完成可标记用户第五次训练任务的完成，在此情况下，任务5全局注意力分数成为用户表现报告摘要的集中/持续注意力图上的第五个数据点(参见例如图23，顶部图表)，而任务5全局综合分数成为表现报告摘要的用户的所有分数的综合图上的第五个数据点(参见例如图23，底部图表)。
任务6
任务6的技能训练模块训练行为抑制。在任务6中，技能训练模块和技能迁移模块的挑战级别都很高。
根据实施例13中给出的公式，计算在任务6中测量的每种认知技能以1-100％标定的分数。具体而言，任务6包括集中注意力分数、持续注意力分数、认知抑制分数、内在声音分数，行为抑制分数、延迟满足分数、动机抑制分数、以及自我调节分数的计算。
在任务6结束时，会生成任务进展报告以显示用户的认知技能表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务6的完成可标记用户第六次训练任务的完成，在此情况下，任务6全局注意力分数成为用户表现报告摘要的集中/持续注意力图上的第六个数据点(参见例如图23，顶部图表)，而任务6全局综合分数成为表现报告摘要的用户的所有分数控制的综合图上的第六个数据点(参见例如图23，底部图表)。
任务7
在任务7中，引入了smogbot小组。飞行机器人以2-4组的形式出现在路径上方。用户必须将组中每个机器人的特征与样本进行比较，然后只点击与样本匹配的机器人。组只包含0到1个匹配样本的机器人。不应当选择与样本不匹配的机器人。
同伴角色为用户提供指导，帮助他们专注于突出的细节，从而开发选择性注意、延迟满足和自我调节技能。同伴角色提供了一个令人印象深刻的短语，“扫描并正确瞄准”，可以重复这些短语，以便内化这些指示，当用户做出多个不正确的选择或拒绝以团队形式飞行的smogbots时，同伴角色提供额外的鼓励和指导性提醒。
选择性注意力是通过用户正确选择和拒绝smogbots的能力来衡量的(关于选择性注意力分数的细节，请参见示例13)。在计算此测量值时，每个smogbot组代表单次交互(例如，当用户选择一组四个smogbots时，其中一个smogbot与目标相匹配，三个没有，该交互被认为是单次不正确的行为)。任务7的挑战级别较低。
技能迁移模块引入分子形状和颜色拒绝。当监测屏幕上的分子出现时，用户必须仅点击与实例形状和颜色相匹配的分子。点击不匹配两个特征的分子会导致用户失去朝向目标的积分。选择性注意力是通过解码正确分子的数量来度量的。本挑战级别较低。
根据实施例13中给出的公式，计算在任务7中测量的每种认知技能以1-100％标定的分数。具体而言，任务7包括集中注意力分数、持续注意力分数、认知抑制分数、内在声音分数、干扰控制分数、延迟满足分数、动机抑制分数、自我调节分数、以及选择性注意力分数的计算。
在任务7结束时，会生成任务进展报告以显示用户表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务7的完成可标记用户第七次训练任务的完成，在此情况下，任务7全局注意力分数成为用户表现报告摘要的集中/持续注意力图上的第七个数据点(参见例如图23，顶部图表)，而任务7全局综合分数成为表现报告摘要的用户的所有分数的综合图上的第七个数据点(参见例如图23，底部图表)。
任务8
任务8的技能训练模块训练选择性注意、延迟满足和自我调节。在任务8中，技能训练模块和技能迁移模块中的挑战级别均为中等。
根据实施例13中给出的公式，计算在任务8中测量的每种认知技能以1-100％标定的分数。具体而言，任务8包括集中注意力分数、持续注意力分数、认知抑制分数、内在声音分数、干扰控制分数、延迟满足分数、动机抑制分数、自我调节分数、以及选择性注意力分数的计算。
在任务8结束时，会生成任务进展报告以显示用户的展示技能表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务8的完成可标记用户第八次训练任务的完成，在此情况下，任务8全局注意力分数成为用户表现报告摘要的集中/持续注意力图上的第八个数据点(参见例如图23，顶部图表)，而任务8全局综合分数成为表现报告摘要的用户的所有分数的综合图上的第八个数据点(参见例如图23，底部图表)。
任务9
任务9的技能训练模块训练选择性注意、延迟满足和自我调节。在任务9中，技能训练模块和技能迁移模块的挑战级别都较高。
根据实施例13中给出的公式，计算在任务9中测量的每种认知技能以1-100％标定的分数。具体而言，任务9包括集中注意力分数、持续注意力分数、认知抑制分数、内在声音分数、干扰控制分数、延迟满足分数、动机抑制分数、自我调节分数、以及选择性注意力分数的计算。
在任务9结束时，会生成任务进展报告以显示用户的展示技能表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务9的完成可标记用户第九次训练任务的完成，在此情况下，任务9全局注意力分数成为用户表现报告摘要的集中/持续注意力图上的第九个数据点(参见例如图23，顶部图表)，而任务9全局综合分数成为表现报告摘要的用户的所有分数的综合图上的第九个数据点(参见例如图23，底部图表)。
任务10
在任务10中，引入了smogbot维数切换(smogbotdimensionswitch)。飞行机器人一次一个出现在路径之上。用户必须将组中每个机器人的特征与样本进行比较，然后只点击与样本的单维度(形状或颜色)匹配的机器人。样本和突出维度将周期性地和不可预测地切换(例如从形状到颜色)。不应当选择与样本的突出特征不匹配的机器人。
同伴角色为用户练习行为抑制提供指导，以及为了将这些指令内化而可以重复的令人印象深刻的短语，“适应并超过(adaptandexcel)”。矫正旁白指导现在由用户化身提供，作为展示用户必须发展自己的“内在声音”而不仅仅依靠外部指导。当用户在目标维度切换时做出多个不正确的smogbots选择或拒绝时，用户化身向他或她自己提供额外的鼓励和指导性提醒。
交替注意力是通过用户正确选择和拒绝smogbots的能力来衡量的(关于交替注意力分数的细节，请参见示例13)。在计算此测量值时，样本/维度切换后立即遇到smogbot时权重更高。本挑战级别较低。
在技能迁移模块中，引入了分子维度切换。当监测屏幕上的分子出现时，用户只能仅点击与样本的突出维度：其形状或颜色，相匹配的分子。该样本及其突出维度会周期性变化。点击与样本的正确维度不匹配的分子会导致用户认识到不正确犯错后的负面后果，并导致用户失去朝向目标的积分。交替注意力是通过解码正确分子的数量来度量的。本挑战级别较低。
根据实施例13中给出的公式，计算在任务10中测量的每种认知技能以1-100％标定的分数。具体而言，任务10包括集中注意力分数、持续注意力分数、认知抑制分数、内在声音分数、延迟满足分数、动机抑制分数、以及自我调节分数的计算。
在任务10结束时，会生成任务进展报告以显示用户的展示表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务10的完成可标记用户完成一次训练任务，在此情况下，任务10全局注意力分数成为用户表现报告摘要的集中/持续注意力图上的一个数据点(参见例如图23，顶部图表)，而任务10全局综合分数成为表现报告摘要的用户的所有分数的综合图上的一个数据点(参见例如图23，底部图表)。
任务11
任务11的技能训练模块训练交替注意力、延迟满足和自我调节。在任务11中，技能训练模块和技能迁移模块中的挑战级别为中等。
根据实施例13中给出的公式，计算在任务11中测量的每种认知技能以1-100％标定的分数。具体而言，任务11包括集中注意力分数、持续注意力分数、认知抑制分数、内在声音分数、延迟满足分数、动机抑制分数、以及自我调节分数的计算。
在任务11结束时，会生成任务进展报告以显示用户的展示表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务11的完成可标记用户完成一次训练任务，在此情况下，任务11全局注意力分数成为用户表现报告摘要的集中/持续注意力图上的一个数据点(参见例如图23，顶部图表)，而任务11全局综合分数成为表现报告摘要的用户的所有分数的综合图上的一个数据点(参见例如图23，底部图表)。
任务12
任务12的技能训练单元训练交替注意力、延迟满足和自我调节。在任务12中，技能训练模块和技能迁移模块的挑战级别都较高。
根据实施例13中给出的公式，计算在任务12中测量的每种认知技能以1-100％标定的分数。具体而言，任务12包括集中注意力分数、持续注意力分数、认知抑制分数、内在声音分数、延迟满足分数、动机抑制分数、以及自我调节分数的计算。
在任务12结束时，会生成任务进展报告以显示用户的展示表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务12的完成可标记用户完成一次训练任务，在此情况下，任务12全局注意力分数成为用户表现报告摘要的集中/持续注意力图上的一个数据点(参见例如图23，顶部图表)，而任务12全局综合分数成为表现报告摘要的用户的所有分数的综合图上的一个数据点(参见例如图23，底部图表)。
任务13
任务13包含在任务1至12中没有看到的新的环境干扰因素，smogbots具有以前任务未见过的特点，频繁出现背景为“无线电喋喋不休”的旁白音作为使人分心的因素。此外，还引入了teach-to-learn。现在纠正指导由用户化身角色向“实习生(trainee)”角色提供，作为展示掌握技能的有效方式是将其教授给另一个人。
行为抑制和新奇抑制是通过用户正确选择和拒绝smogbots的能力来度量的，尽管有新的干扰。本挑战级别较高。
技能迁移模块包括实验室新颖性分心因素。传输环境被大声喧哗和分散注意力的视觉效果打断。行为抑制和新奇抑制根据解码的正确分子数来度量，尽管有新的干扰(关于行为抑制和新奇抑制分数的细节，参见实施例13)。本挑战级别较高。
根据实施例13中给出的公式，计算在任务13中测量的每种认知技能以1-100％标定的分数。具体而言，任务13包括集中注意力分数、持续注意力分数、认知抑制分数、行为抑制分数、新奇抑制分数、延迟满足分数、内在声音分数、动机抑制分数、以及自我调节分数的计算。
在任务13结束时，会生成任务进展报告以显示用户的展示表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务13的完成可标记用户完成一次训练任务，在此情况下，任务13全局注意力分数成为用户表现报告摘要的集中/持续注意力状态图上的一个数据点(参见例如图23，顶部图表)，而任务13全局综合分数成为表现报告摘要的用户的所有分数的综合图上的一个数据点(参见例如图23，底部图表)。
任务14
任务14的技能训练模块训练选择性注意力、新奇抑制、延迟满足和自我调节，这可以通过用户正确选择和拒绝smogbots的能力来度量，尽管有新的使人分心的因素。在任务14中，技能训练模块和技能迁移模块的挑战级别都较高。
根据实施例13中给出的公式，计算在任务14中测量的每种认知技能以1-100％标定的分数。具体而言，任务14包括集中注意力分数、持续注意力分数、认知抑制分数、选择性注意力分数、干扰控制分数、新奇抑制分数、延迟满足分数、内在声音分数、动机抑制分数、以及自我调节分数的计算。
在任务14结束时，会生成任务进展报告以显示用户的展示表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务14的完成可标记用户完成一次训练任务，在此情况下，任务14全局注意力分数成为用户表现报告摘要的集中/持续注意力状态图上的一个数据点(参见例如图23，顶部图表)，而任务14全局综合分数成为表现报告摘要的用户的所有分数的综合图上的一个数据点(参见例如图23，底部图表)。
任务15
任务15的技能训练模块训练交替注意力、新奇抑制、延迟满足和自我调节，这是通过当目标的突出维度切换时用户正确选择和拒绝smogbots的能力来度量的，尽管有新的干扰。
在任务15的技能迁移模块中，通过解码的正确分子的数量度量交替注意力和新奇抑制，尽管存在新的干扰。本挑战级别较高。
根据实施例13中给出的公式，计算在任务15中测量的每种认知技能以1-100％标定的分数。具体而言，任务1包括集中注意力分数、持续注意力分数、认知抑制分数、交替注意力分数、分散注意力分数、新奇抑制分数、延迟满足分数、内在声音分数、动机抑制分数、以及自我调节分数的计算。
在任务15结束时，会生成任务进展报告以显示用户的展示表现的细节。根据用户对注意力分数的表现计算全局注意力分数。此外，根据用户在注意力和冲动/抑制分数方面的表现来计算全局综合分数。任务15的完成可标记用户完成一次训练任务，在此情况下，任务15全局注意力分数成为用户表现报告摘要的集中/持续注意力状态图上的一个数据点(参见例如图23，顶部图表)，而任务15全局综合分数成为表现报告摘要的用户的所有分数的综合图上的一个数据点(参见例如图23，底部图表)。
在任何前面的任务摘要中，多个任务可能在一次训练任务中完成。在此情况下，表现报告摘要可以包括针对单个训练任务的多个数据点，或者可以从所述训练任务的所述多个数据点导出综合分数(例如，平均或加权平均)。
如上所述生成的进度报告摘要可以用于确定每个注意力分数的变化和/或训练期间全局注意力分数的变化。类似地，可以在训练期间为受试者确定每个冲动/抑制分数的变化和/或全局冲动/抑制分数的变化。所述改变可以通过任何合适的手段来确定(例如，取第一个总分和最后一个总分之间的差值；或者对数据拟合线(例如，线性或非线性，例如曲线)，以及最后数据点处其y截距与其y值之间的差异)。
示例16案例
这个例子展示了一个用户，他接受了6周的训练并完成了所有15个任务。下面的描述和附图(图17-23)给出了在训练期间对受试者表现按任务以及总体的分析。受试者进行示例15中描述的游戏，其分别训练和测量每个认知技能得分和总体得分，如示例13和14中所述。
任务2
任务2是第一级别的示例性任务。如图17所示，作为技能训练模块的一部分，向用户提供了避碰(障碍)和收集(水晶)挑战任务，挑战任务的结果显示在mpr中。用户以35.7的全局注意力分数通过了任务。在技能迁移模块中，用户重复进行雾分析以展示保持所训练的认知技能，并在达到目标时进入下一个级别。
任务4
任务4是第二级别的示例性任务。如图18所示，用户被提出了额外的挑战任务，“smogbots”。mpg中的技能训练模块的课程中描述了正确选择、正确拒绝、错误拒绝和正确拒绝smogbots。mpr的注意力级别面板描述了用户逐步增长的注意力状态水平。用户以52.3的全局注意力分数通过了任务。完成任务后，用户前进到技能迁移模块。
任务8
任务8是第三级别的示例性任务。如图19所示，用户在整个训练模块中展示出高度的注意力状态水平，并以76的全局注意力分数通过了任务。完成任务后，用户前进到技能迁移模块。
任务12
任务12是第四级别的示例性任务。如图20所示，用户在整个训练模块中展示出高度的注意力状态水平。在任务12中，用户对冲动/抑制挑战任务的冲动响应被显示为沿着mpr的挑战任务面板的“冲动(不正确)”行的标记。用户67.2的全局注意力分数通过了训练模块。用户前往技能迁移模块，进行另一次雾分析。
任务14
任务14给用户引入了新的分散注意力因素，以加强拒绝更高级别的分心并继续停留在任务的能力。如图21所示，用户在整个大部分技能训练模块中都保持了杰出的注意力状态水平。用户以78.2的全局注意力分数通过了任务。
任务15
第15次任务是训练期间的最后一次任务。类似于任务14，用户在整个大部分技能训练模块中都保持了杰出的注意力状态水平，如图22所示。用户以76.9的全局注意力分数通过了任务。
图23显示了他的训练期间用户的进度报告摘要。在接受训练期间之前，用户的adhd-rs分数为29分(中度严重adhd)，训练后降至11分(正常非adhd行为)，标志着62％的改善。用户的全局注意力分数从42提高到80，增加了90％。
示例17训练历史和训练计划员
本发明的方法和系统可以包括为医生或家长生成的报告，描述用户进行的任务的数量和/或任务的长度。本发明的方法和系统还可以包括训练计划者，其配备有用于安排训练任务的日历并向用户提供预定训练任务的提醒。
其他实施例
本说明书中提到的所有出版物，专利和专利申请均通过引用并入本文，其程度如同每个独立的出版物或专利申请被具体地和单独地指出通过引用并入。
虽然已经结合其具体实施例描述了本发明，但应该理解的是，它能够进行进一步的修改，并且本申请旨在覆盖本发明的任何变型，用途或修改，总体上遵循并且包括在本发明所属领域内的已知或惯用实践内的本公开内容的偏离，并且可以将其应用于上文提出的基本特征，并且在权利要求的范围内。
其他实施例在权利要求内。