一种基于大模型的老年人认知能力评估方法

本发明涉及认知评估的，尤其涉及一种基于大模型的老年人认知能力评估方法。

背景技术：

1、随着全球老龄化现象的加剧，老年人的认知能力评估变得愈发重要。认知能力是指个体对信息的处理和运用能力，包括感知、注意、记忆、思维和判断等方面。通过准确评估老年人的认知能力水平，可以及早发现认知障碍和痴呆等疾病，提供早期干预和治疗措施，改善老年人的生活质量。目前，传统的老年人认知能力评估方法主要依赖于专业医务人员进行面对面的测试和问卷调查。然而，这种方法存在很多局限性，如费时、费力、主观性强等。针对该问题，本发明提出一种基于大模型的老年人认知能力评估方法，通过大规模脑电信号样本分析实现老年人认知能力精准评估，提升老年人认知能力评估的准确性、效率和可行性，从而为老年人的健康管理和幸福生活做出贡献。

技术实现思路

1、有鉴于此，本发明提供一种基于大模型的老年人认知能力评估方法，目的在于：1)通过对受试者脑电信号进行预处理和时空联合特征融合，结合频段时序综合特征和空间耦合特征，能够更全面地描述脑电信号的时域和空域信息，提高特征的表达能力，反映脑电信号的相关特性；2)使用双层搜索方法可以从分类特征库中搜索最近邻特征，得到近邻特征集合，可以快速准确地找到与待测特征相似的历史特征，提供有效的参考和比较基准，为认知能力的评估提供支持；3)根据计算得到的近邻特征权重和局部均值向量，可以确定受试者脑电信号的类别，并进一步判断受试者的认知能力，实现对受试者认知能力的定量评估，提供客观、可靠的指标，为认知科学研究和临床诊断提供支持。

2、实现上述目的，本发明提供的一种基于大模型的老年人认知能力评估方法，包括以下步骤：

3、s1：对采集的受试者脑电信号预处理，并进行时空联合特征融合，所述时空联合特征包括频段时序综合特征和空间耦合特征；

4、s2：对脑电信号历史数据集合中的脑电信号提取时空联合特征，结合分类标签组成分类特征库，将受试者脑电信号提取的时空联合特征作为待测特征，并从分类特征库中搜索最近邻特征得到近邻特征集合，其中双层搜索为所述数据搜索的主要实施方法；

5、s3：根据搜索得到的近邻特征确定特征权重和局部均值向量，其中注意力机制为所述近邻特征权重计算的主要实施方法；

6、s4：根据计算得到的近邻特征权重和局部均值向量确定受试者脑电信号类别，判断受试者认知能力。

7、作为本发明的进一步改进方法：

8、可选地，所述s1步骤中对采集的受试者脑电信号预处理，包括：

9、s11：将采集的原始脑电信号表示为r×c的矩阵xraw，其中r表示电极采集通道数，c表示每个通道的采样点数，矩阵的值表示某一通道中某一采样点记录的电压值；

10、s12：利用带通滤波器进行滤波，保留k个有效基本频段的脑电信号频域信息；

11、s13：对滤波后的脑电信号频域信息使用独立主成分分析去除由眨眼活动和肌肉活动造成的伪影信息，所述独立主成分分析通过将ica矩阵w与数据矩阵xraw相乘，得到独立主成分激活矩阵u，u的每行代表一个成分，每列代表一个采样点；ica矩阵w的逆矩阵w―1表示每个通道上各采样值的相对投影强度，将选定的非伪影ica成分投影回各通道，获得无伪影信息的信号x，具体计算过程为：

12、u＝w×xraw

13、x＝w―1(:a)×u(a,:)

14、其中：

15、a表示所选择的非伪影成分的向量，

16、w―1(:a)表示逆矩阵w―1取a列；

17、u(a,:)表示矩阵u取a行；

18、x表示信号xraw去除伪影信息的有效信号。

19、所述s1步骤中频段时序综合特征，包括：

20、a1:对去除伪影信息的有效信号进行线性映射，得到变换后的向量数据；

21、a2:将脑电信号按照预置时间间隔划分为t个抽样集，表示为x＝[x1,x2,…,xt]∈rt×r×k，对于每一抽样集xi，按照不同频段表示为xi＝[xi,1,xi,2,…,xi,k]，对于不同抽样集中不同频段的信号，按照不同的采样块细分为xi,j＝[xi,j,1,xi,j,2,…,xi,j,n]；

22、其中：

23、t表示抽样集的个数；

24、r表示脑电信号的电极通道数；

25、k表示滤波后提取的频段数；

26、xi,j表示第i时刻第j个频段的脑电信号数据；

27、xi,j,n表示第i时刻第j个频段第n个采样块数据；

28、为采样块的个数，c是每个通道的采样点数，p是采样块的大小；

29、a3:对划分好的采样块数据进行全连接操作得到频段时序综合特征，表示为yi,j,n＝fc(xi,j,n)，yi,j＝[yi,j,1,yi,j,2,…,yi,j,n]；

30、其中：

31、yi,j,n表示采样块xi,j,n经过全连接层线性变换后的向量；

32、yi,j表示第i时刻第j个频段所有采样块经线性变换后的向量；

33、fc()表示全连接操作，对输入数据进行全连接层线性变换；

34、{yi,j}表示脑电信号转换后的所有频段时序综合特征向量集合；

35、所述s1步骤中空间耦合特征，包括：

36、b1：对去除伪影信息的有效信号按照脑区位置进行划分为si＝[si,1,si,2,…,si,m]，并对脑区块进行嵌入，嵌入后的数据表示为ri＝[ri,1,ri,2,…,ri,m]，ri,m＝fc(si,m)，ri,m的维度为固定维度d；

37、其中：

38、si,m表示第i时刻脑区位置m范围内的数据；

39、m表示按采集位置划分的脑区总数；

40、fc()表示全连接操作；

41、b2：将ri使用编码器进行空间信息特征提取，得到空间耦合特征rl；计算过程为：

42、

43、

44、

45、其中：

46、l表示第l层，l为总层数；

47、表示第l―1层的第i时刻的空间词嵌入向量；

48、ln()为layernorm归一化操作；

49、msa()为原始编码器的多头自注意力层；

50、mbconv()为移动翻转卷积层；

51、mlp()为前馈神经网络层；

52、空间嵌入向量ri的初始输入为经l层运算输出的表示第i时刻所有脑区的空间特征，为最终的空间耦合特征。

53、可选地，所述s2步骤中从分类特征库中搜索最近邻特征得到近邻特征集合，包括：

54、将受试者脑电信号提取的时空联合特征作为待测特征，根据待测特征与分类特征库中特征的距离实现分类，具体操作流程为：

55、s21：寻找待测特征在特征集t中的第一层近邻集，将受试者脑电信号提取的时空联合特征作为待测特征x，通过计算x与t中每个特征y的距离d(x,y)，并根据距离值进行升序排序寻找x在所对应的近邻集，取前k个近邻记y(1),y(2),…,y(k)，则第一层近邻集表示为nn1st(x)＝y(1),y(2),…,y(k)，距离计算公式为：

56、

57、s22：寻找待测特征在特征集t中的第二层近邻集，在第一层近邻集的基础上，依次寻找近邻集中每个特征的下一层近邻集，计算如下：

58、

59、其中：

60、为第一层近邻集的半径，即x与nn1st(x)所有特征的最远距离；

61、nn1st(y)表示第一层近邻集；

62、s23：寻找待测特征在特征集t中的扩展近邻集，扩展近邻集包含两部分，一部分来自x的一层近邻集，另一部分来自对一层近邻集中二层搜索得到的近邻集，计算为：

63、

64、其中：

65、nn1st(x)表示待测特征x的第一层近邻集；

66、nn2nd(y)表示待测特征x的第一层近邻集特征的第二层近邻集；

67、c为nn2nd(x)的均值中心；

68、s24：根据扩展近邻集计算待测特征在特征集t中的双层近邻集，所述双层近邻集表示为计算公式为：

69、

70、其中：

71、nnext(x)表示x的扩展近邻集；

72、kb为小于k的任意常数；

73、表示在集合t*＝t∪{x}中元素y的近邻集，大小为kb；

74、k*为双层近邻集中特征个数；

75、表示x的双层近邻集，根据x与近邻特征之间欧氏距离远近取最近的前k*个近邻。

76、可选地，所述s3步骤中根据搜索得到的近邻特征确定特征权重和局部均值向量，包括：

77、以受试者脑电信号提取的时空联合特征作为待测特征，输入待测特征x及其双层近邻集输出局部均值向量和特征加权距离，具体流程为：

78、s31：计算待测特征与双层近邻集元素的局部均值向量，x在双层近邻集中的局部均值向量表示为u＝{ui},i＝1,2,…,k*，计算公式为：

79、

80、其中：

81、k*为双层近邻集中特征个数；

82、y(i)是双层近邻集中第i个特征；

83、ui表示待测特征x在t中的第i个局部均值向量；

84、s32：利用注意力机制计算每个局部均值变量的权值，计算两个特征之间的相似度并使用softmax函数进行归一化得到各局部均值变量的注意力系数为局部均值向量的权重，计算公式为：

85、vi＝uixt

86、

87、其中：

88、vi表示局部均值向量与待测特征之间的相似度；

89、vi表示计算得到的特征权重。

90、可选地，所述s4步骤中根据计算得到的近邻特征权重和局部均值向量确定受试者脑电信号类别，判断受试者认知能力，包括：

91、计算待测特征与局部均值向量之间的调和平均距离，并查找待测特征在特征集t中的伪近邻点，预测待测特征的分类，判断受试者认知能力，具体步骤为：

92、s41：以受试者脑电信号提取的时空联合特征作为待测特征x，计算x到特征集t中局部均值向量的调和平均距离，计算公式为：

93、

94、

95、其中：

96、ui表示第i个局部均值向量；

97、k′表示局部均值向量的总数；

98、d(x,ur)表示待测特征i与局部均值向量ur的欧式距离；

99、s42：根据计算得到的调和平均距离查找x在特征集t中的伪近邻点ypnn，伪近邻点不是实际存在于特征集t中的特征，而是x到所有局部均值向量的调和平均距离的加权和，伪近邻点距离计算公式为：

100、

101、其中：

102、vi表示第i个局部均值向量的注意力系数；

103、h(x,ui)表示x到局部均值向量ui的多调和平均距离；

104、s43：按照步骤s41和s42，依次求出待测特征在所有分类标签下的伪近邻距离，取最小值对应的分类标签，即为待测特征的分类标签，实现对受试者认知能力的分类判断。

105、为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：

106、存储器，存储至少一个指令；

107、通信接口，实现电子设备通信；及

108、处理器，执行所述存储器中存储的指令以实现上述所述的基于大模型的老年人认知能力评估方法。

109、为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于大模型的老年人认知能力评估方法。

110、相对于现有技术，本发明提出一种基于大模型的老年人认知能力评估方法，该技术具有以下优势：

111、首先，本方案通过对受试者脑电信号进行预处理和时空联合特征融合，结合频段时序综合特征和空间耦合特征，能够更全面地描述脑电信号的时域和空域信息，提高特征的表达能力，反映脑电信号的相关特性。

112、同时，本方案使用双层搜索方法可以从分类特征库中搜索最近邻特征，得到近邻特征集合，可以快速准确地找到与待测特征相似的历史特征，提供有效的参考和比较基准，为认知能力的评估提供支持。

113、此外，本方案根据计算得到的近邻特征权重和局部均值向量，可以确定受试者脑电信号的类别，并进一步判断受试者的认知能力，实现对受试者认知能力的定量评估，提供客观、可靠的指标，为认知科学研究和临床诊断提供支持。