CN118749921B - 一种基于 WebGL 技术的认知功能测试装置 - Google Patents
一种基于 WebGL 技术的认知功能测试装置 Download PDFInfo
- Publication number
- CN118749921B CN118749921B CN202411245047.4A CN202411245047A CN118749921B CN 118749921 B CN118749921 B CN 118749921B CN 202411245047 A CN202411245047 A CN 202411245047A CN 118749921 B CN118749921 B CN 118749921B
- Authority
- CN
- China
- Prior art keywords
- test
- unit
- interaction
- webgl
- cognitive function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Public Health (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Neurosurgery (AREA)
- Databases & Information Systems (AREA)
- Psychology (AREA)
- Psychiatry (AREA)
- Hospice & Palliative Care (AREA)
Abstract
本发明公开一种基于 WebGL 技术的认知功能测试装置，包括：WebGL 单元，响应于接收的测试指令，初始化 WebGL 环境，在预设坐标范围内生成若干测试点；测试指令包括测试类型，测试类型包括根据预设规则完成连续的多次交互事件；主处理单元，响应于图形用户界面触发的交互信号，记录每一交互信号对应的交互事件，交互事件包括坐标和时间；根据预设规则完成连续的多次交互事件后，计算测试数据;调整单元，基于训练好的机器学习模型，输入当前轮次的测试数据，输出下一次轮次的测试类型；并将测试点渲染至图形用户界面，重复主处理单元实施内容；本发明有效解决了现有的认知功能测试和分析难度的问题。
Description
技术领域
本发明涉及认知功能测试技术领域，尤其涉及一种基于 WebGL 技术的认知功能测试装置。
背景技术
肝性脑病引起的认知功能障碍和情绪行为异常，其症状可以从轻微的认知功能减退到严重的昏迷。医疗工作者需要对病患进行长期的监控和观察，传统的认知功能评估方法往往依赖于复杂的心理测量工具或专业的神经心理学测试，这些测试可能耗时较长，且需要受过专业训练的人员进行评分和解释，这在日常临床环境中并不总是可行的。为了克服这些限制，近年来研究者们正在开发一些更加简便、快速且易于操作的认知功能测试系统。
虽然有些基于平板电脑或智能手机的应用程序，通过简单的游戏或任务来评估患者的认知功能，但是现有的一些方案仍然需要辅助人工经验处理，同时现有的简单游戏任务不具有智能性，仅限于将纸质的操作复制到智能设备中，并非实现真正的智能测试。
发明内容
本发明针对现有技术中的至少一项缺点，提供了一种基于WebGL技术的认知功能测试装置，有效解决现有的认知功能测试和分析难度的问题。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种基于 WebGL 技术的认知功能测试装置，包括：
WebGL 单元，响应于接收的测试指令，初始化 WebGL 环境，在预设坐标范围内生成若干测试点；测试指令包括测试类型，测试类型包括根据预设规则完成连续的多次交互事件；
主处理单元，响应于图形用户界面触发的交互信号，记录每一交互信号对应的交互事件，交互事件包括坐标和时间；根据预设规则完成连续的多次交互事件后，计算测试数据，测试数据包括：总完成时间，每次交互事件的时间和坐标，正确率，错误率和错误类型；
调整单元，基于训练好的机器学习模型，输入当前轮次的测试数据，输出下一次轮次的测试类型，测试点的数量、大小和颜色；并将测试点渲染至图形用户界面，重复主处理单元实施内容；
输出单元，根据两次以上的测试数据或最后一次的测试数据，结合医疗分析规则，输出认知功能测试结果。
其中，还包括模型训练单元，用于训练回归模型，将历史交互数据经过清洗、标准化处理和特征提取后，训练回归模型。
优选的，模型训练单元训练回归模型，具体包括：
将当前测试点的数量、颜色、大小、坐标、总完成时间、每次交互事件的时间、正确率、错误率、每次纠错时间和错误类型输入训练好的机器学习模型，输出下一次测试类型，以及对应测试类型的测试点数量、颜色、大小和坐标，根据两次以上的测试数据或最后一次的测试数据，结合医疗分析规则，输出认知功能测试结果。
优选的，WebGL 单元实施在预设坐标范围内生成若干测试点的方法，包括：
预定义测试点数据集，测试点数据集包括测试点形状、大小和颜色，在预设坐标范围内随机生成测试点坐标，并在随机生成的测试点坐标上绘制测试点；
其中，测试点的数量、大小、形状和颜色根据机器学习模型的输出参数确定。
优选的，根据预设规则完成连续的多次交互事件，包括：
测试类型包括顺序连接数字测试，通过接收的交互信号判断是否交互正确，若交互正确则记录交互信号等待下一次触发，若判断为交互错误，则发出纠正指令，记录纠错时间；
记录完成顺序连接数字测试的测试数据，测试数据包括总完成时间、每次交互事件的时间、正确率、错误率、每次纠错时间和错误类型。
其中，WebGL 单元包括显示器单元，测试点被显示在显示器单元。可选的，显示器单元包括显示屏或触摸屏，交互信号包括通过鼠标点击显示屏或触碰触摸屏得到的信号。
优选的，输出单元实施根据最后一次的测试数据，结合医疗分析规则，输出认知功能测试结果的方法，包括：
将总完成时间带入异常值分析公式，异常值分析公式包括年龄参数以及对应年龄参数的异常值，若落入异常值范围，则被判定为认知功能受损。
本发明的有益效果：根据用户实时表现动态调整测试难度和内容，综合两次以上的测试数据或者仅采用调整后的最后一次测试数据，尤其是结合根据前一次测试数据调整后的测试数据，有利于提高测试的准确性和针对性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是基于 WebGL 技术的认知功能测试方法流程图。
图2是测试类型NCT-A的测试点示意图。
图3是测试类型NCT-B的测试点示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
（一）一种基于 WebGL 技术的认知功能测试装置，包括：
WebGL 单元，响应于接收的测试指令，初始化 WebGL 环境，在预设坐标范围内生成若干测试点；测试指令包括测试类型，测试类型包括根据预设规则完成连续的多次交互事件；
主处理单元，响应于图形用户界面触发的交互信号，记录每一交互信号对应的交互事件，交互事件包括坐标和时间；根据预设规则完成连续的多次交互事件后，计算测试数据，测试数据包括：总完成时间，每次交互事件的时间和坐标，正确率，错误率和错误类型；
调整单元，基于训练好的机器学习模型，输入当前轮次的测试数据，输出下一次轮次的测试类型，测试类型包括测试点的数量、大小、颜色和坐标；并将测试点渲染至图形用户界面，重复主处理单元实施内容；
输出单元，根据两次以上的测试数据或最后一次的测试数据，结合医疗分析规则，输出认知功能测试结果。
一种基于 WebGL 技术的认知功能测试装置，还包括模型训练单元，
用于训练回归模型，将历史交互数据经过清洗、标准化处理和特征提取后，训练回归模型。
其中，模型训练单元训练回归模型，具体包括：
将当前测试点的数量、颜色、大小、坐标、总完成时间、每次交互事件的时间、正确率、错误率、每次纠错时间和错误类型输入训练好的机器学习模型，输出下一次测试类型，以及对应测试类型的测试点数量、颜色、大小和坐标，根据两次以上的测试数据或最后一次的测试数据，结合医疗分析规则，输出认知功能测试结果。
其中，WebGL 单元实施在预设坐标范围内生成若干测试点的方法，包括：
预定义测试点数据集，测试点数据集包括测试点形状、大小和颜色，在预设坐标范围内随机生成测试点坐标，并在随机生成的测试点坐标上绘制测试点；
其中，测试点的数量、大小、形状和颜色根据机器学习模型的输出参数确定。
其中，根据预设规则完成连续的多次交互事件，包括：
测试类型包括顺序连接数字测试，通过接收的交互信号判断是否交互正确，若交互正确则记录交互信号等待下一次触发，若判断为交互错误，则发出纠正指令，记录纠错时间；
记录完成顺序连接数字测试的测试数据，测试数据包括总完成时间、每次交互事件的时间、正确率、错误率、每次纠错时间和错误类型。
其中，WebGL 单元包括显示器单元，测试点被显示在显示器单元。具体而言，显示器单元包括显示屏或触摸屏，所述接收的交互信号，包括通过鼠标点击显示屏或触碰触摸屏得到的信号。
其中，输出单元实施根据最后一次的测试数据，结合医疗分析规则，输出认知功能测试结果的方法，包括：
将总完成时间带入异常值分析公式，异常值分析公式包括年龄参数以及对应年龄参数的异常值，若落入异常值范围，则被判定为认知功能受损。
或者，根据两次以上的测试数据的平均值，或者加权值（调整后的测试的时间权重更大）代入到异常值分析公式。
（二）与之相对应的，公开一种基于 WebGL 技术的认知功能测试方法，参考图1所示，包括：
步骤一，响应于接收的测试指令，初始化 WebGL 环境，在预设坐标范围内生成若干测试点；测试指令包括测试类型，测试类型包括根据预设规则完成连续的多次交互事件。
步骤二，响应于图形用户界面触发的交互信号，记录每一交互信号对应的交互事件，交互事件包括坐标和时间；根据预设规则完成连续的多次交互事件后，计算测试数据，测试数据包括：总完成时间，每次交互事件的时间和坐标，正确率，错误率和错误类型。
步骤三，基于根据历史测试数据训练好的机器学习模型，输入当前轮次的测试数据，输出下一次轮次的测试类型，测试类型包括测试点的数量、大小、颜色和坐标；并将测试点渲染至图形用户界面，重复步骤二。
步骤四，根据两次以上的测试数据或最后一次的测试数据，结合医疗分析规则，输出认知功能测试结果。
示例性的，如图1本实施例设置两项测试，分别是NCT-A和NCT-B，用户通过图形用户界面选择并发起 NCT-A（数字连接测试 A）或 NCT-B（数字连接测试 B）测试命令。系统响应于接收的测试指令，进行相应的初始化 WebGL 环境。
其中初始化 WebGL 环境的方法，包括调用 getContext 方法获取 WebGL 上下文以创建渲染环境。
初始化 WebGL 设置，包括清除颜色、深度测试、视口设置等。
在预设坐标范围内生成若干测试点的方法，包括：
根据测试类型（NCT-A 或 NCT-B），在指定坐标范围内生成随机的一系列测试点。
每个测试点的坐标 (x, y) 由提前预设，并存储在一个数组中以备后续使用。其他方案也包括根据预设规则随机生成测试点坐标，预设规则包括测试点之间间隔一定距离、坐标范围等。
NCT-A任意排列的1至25数字，如图2；
NCT-B任意排列1至13和一至十二，如图3。
然后绘制测试点：使用 WebGL 绘制生成的测试点，每个测试点在画布上显示为一个圆点或其他形状，如方形、不规则形状。
调用顶点着色器和片段着色器，将测试点渲染到屏幕上。例如，设置默认场景下，NCT-A 为白底圆圈文字， NCT-B为黑底圆圈文字。
然后用户开始测试操作：用户通过鼠标点击显示屏或触摸屏操作开始进行测试，所述接收的交互信号，包括通过鼠标点击显示屏和触摸屏触发的信号。系统实时监听用户的交互事件，响应于图形用户界面触发的交互信号，记录每一交互信号对应的交互事件，交互事件包括用户点击的坐标和点击时间，其中每次点击时间（触发时间）可以用于计算用户反应时间，坐标用于计算正确率、错误率数据。以便后续分析用户的反应速度和准确性。
作为一种优选方案，根据预设规则完成连续的多次交互事件的方法，包括：
测试类型包括顺序连接数字测试，通过接收的交互信号判断是否交互正确，若交互正确则记录交互信号等待下一次触发，若判断为交互错误，则发出纠正指令，记录纠错时间。
记录完成顺序连接数字测试的测试数据，测试数据包括总完成时间、每次交互事件的时间、正确率、错误率、每次纠错时间和错误类型。
根据预设规则完成连续的多次交互事件，具体而言，
测试类型NCT-A判断要求：将任意排列的数字1至25,按顺序连接起来，如在连接过程中出现错误，要立即纠正并从纠正处继续下去，记录所需时间，包括纠正错误所花的时间。
测试类型NCT-B判断要求：将1至13和一至十二，按 1‐一、2‐二对等顺序连接，如在连接过程中出现错误，要立即纠正并从纠正处继续下去，记录所需时间，包括纠正错误所花的时间。
根据预设规则完成连续的多次交互事件后，计算测试数据，测试数据包括：总完成时间，每次交互事件的时间和坐标，正确率，错误率和错误类型，根据测试数据和预设的分析规则输出当前轮次的测试结果。
考虑到不同的患者其状态差异较大，如果使用固定的测试类型容易产生误判，所以需要设计不同的测试点生成规则。
作为一种优选方案，所述在预设坐标范围内生成若干测试点的方法，包括：
预定义测试点数据集，测试点数据集包括测试点形状、大小和颜色，在预设坐标范围内随机生成测试点坐标，并在随机生成的测试点坐标上绘制测试点；
其中，测试点的数量、大小、形状和颜色根据机器学习模型的输出参数确定。
以上方式为随机产生测试点坐标，更精准的设计还包括预设不同复杂度的坐标参数，例如复杂度较高的，测试点坐标与坐标之间距离较小，复杂度较低的测试点坐标与坐标之间距离较大。
将当前测试点的数量、颜色、大小、坐标、总完成时间、每次交互事件的时间、正确率、错误率、每次纠错时间和错误类型输入训练好的机器学习模型，输出下一次测试类型，以及对应测试类型的测试点数量、颜色、大小和坐标，根据两次以上的测试数据或最后一次的测试数据，结合医疗分析规则，输出认知功能测试结果。
训练参数还可以包括中文显示还是数字显示等。
训练参数还可以包括复杂度参数，例如根据测试点的数量、颜色、大小和坐标等参数可以计算出复杂度，例如将1-10作为复杂度参数，根据数量的多少、颜色是否容易被辨认、测试点的大小等分析计算出的复杂度参数为1-10 之间。
其中，总完成时间包括纠错时间。
其中，机器学习模型的训练方法包括：基于回归模型，收集历史交互数据，将历史交互数据经过清洗、标准化处理和特征提取后，用于训练回归模型。使用回归模型对特征数据进行机器学习训练。模型用于实时预测用户的表现情况，并动态调整测试难度和内容。
模型调整内容包括：根据用户的操作调整测试点的大小及坐标，根据用户的准确率和错误率调整测试点的数量，以及根据用户的错误类型和分布动态调整测试点的排列顺序。例如，用户表现正确率低时，变更图形大小、文字大小、图形顺序多种方式相结合的交叉验证，减少因为噪音产生的误差结果。
更进一步，为了进一步增加测试的多样性和适应性，还可以根据用户的表现调整测试点的形状复杂度和颜色对比度，调整测试点大小、形状和/或颜色，例如，用户表现优异则生成复杂的多边形或不规则形状的测试点，表现较差则生成简单的圆形或方形测试点；用户在高对比度下表现较好则减少对比度，在低对比度下表现较差则增加对比度。
除了记录的历史数据，将收集到的实时数据和调整后的效果用于进一步训练和优化机器学习模型。通过不断更新模型，提高模型的预测准确性和调整效果，确保测试系统能够持续适应不同用户的需求，提供更精准的测试和评估。这种动态调整机制有助于全面评估用户的认知功能，尤其是在肝性脑病患者的认知评估中，提高测试的有效性和可靠性。
其中，医疗分析规则涉及临床经验规则，需要进行预先向相关领域的研究人员、医护人员等进行收集和整理，在此不作赘述。同时，不同的医疗机构具有不同的医疗分析规则，示例性的公开其中一种模型：将总完成时间（包括纠错时间）带入异常值分析公式，异常值分析公式包括年龄参数以及对应年龄参数的异常值，若落入异常值范围，则被判定为认知功能受损。例如，将x秒代入到如下公式：
异常值:年龄<35岁，用时>34.3 s；35~44岁，用时>45.7 s；45~54岁，用时>52.8 s；55~64岁，用时>61.9 s；
本实施例仅列举一个简单的公式说明，具体实际的分析可能更为复杂，同时，不同的机构采用的测试类型模板可能不相同，则相应的参数也需要适应性修改。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。所述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
Claims (7)
1.一种基于 WebGL 技术的认知功能测试装置，其特征在于，包括：
WebGL 单元，响应于接收的测试指令，初始化 WebGL 环境，在预设坐标范围内生成若干测试点；测试指令包括测试类型，测试类型包括根据预设规则完成连续的多次交互事件；
主处理单元，响应于图形用户界面触发的交互信号，记录每一交互信号对应的交互事件，交互事件包括坐标和时间；根据预设规则完成连续的多次交互事件后，计算测试数据；
其中，测试类型包括顺序连接数字测试，通过接收的交互信号判断是否交互正确，若交互正确则记录交互信号等待下一次触发，若判断为交互错误，则发出纠正指令，记录纠错时间；
记录完成顺序连接数字测试的测试数据，测试数据包括总完成时间、每次交互事件的时间和坐标、正确率、错误率、每次纠错时间和错误类型；
调整单元，基于训练好的机器学习模型，输入当前轮次的测试数据，输出下一次轮次的测试类型，测试点的数量、大小和颜色；并将测试点渲染至图形用户界面，重复主处理单元实施内容；
输出单元，根据两次以上的测试数据或最后一次的测试数据，结合医疗分析规则，输出认知功能测试结果。
2.根据权利要求1所述的一种基于 WebGL 技术的认知功能测试装置，其特征在于，WebGL 单元实施在预设坐标范围内生成若干测试点的方法，包括：
预定义测试点数据集，测试点数据集包括测试点形状、大小和颜色，在预设坐标范围内随机生成测试点坐标，并在随机生成的测试点坐标上绘制测试点；
其中，测试点的数量、大小、形状和颜色根据机器学习模型的输出参数确定。
3.根据权利要求1所述的一种基于 WebGL 技术的认知功能测试装置，其特征在于，还包括模型训练单元，所述机器学习模型实施为回归模型，模型训练单元用于训练回归模型，将历史交互数据经过清洗、标准化处理和特征提取后，训练回归模型。
4.根据权利要求3所述的一种基于 WebGL 技术的认知功能测试装置，其特征在于，模型训练单元训练回归模型，具体包括：
将当前测试点的数量、颜色、大小、坐标、总完成时间、每次交互事件的时间、正确率、错误率、每次纠错时间和错误类型输入训练好的机器学习模型，输出下一次测试类型，以及对应测试类型的测试点数量、颜色、大小和坐标，根据两次以上的测试数据或最后一次的测试数据，结合医疗分析规则，输出认知功能测试结果。
5.根据权利要求1所述的一种基于 WebGL 技术的认知功能测试装置，其特征在于，WebGL 单元包括显示器单元，测试点被显示在显示器单元。
6.根据权利要求1所述的一种基于 WebGL 技术的认知功能测试装置，其特征在于，输出单元实施根据最后一次的测试数据，结合医疗分析规则，输出认知功能测试结果的方法，包括：
将总完成时间带入异常值分析公式，异常值分析公式包括年龄参数以及对应年龄参数的异常值，若落入异常值范围，则被判定为认知功能受损。
7.根据权利要求5所述的一种基于 WebGL 技术的认知功能测试装置，其特征在于，显示器单元包括显示屏或触摸屏，交互信号，包括通过鼠标点击显示屏或触碰触摸屏得到的信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411245047.4A CN118749921B (zh) | 2024-09-06 | 2024-09-06 | 一种基于 WebGL 技术的认知功能测试装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411245047.4A CN118749921B (zh) | 2024-09-06 | 2024-09-06 | 一种基于 WebGL 技术的认知功能测试装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118749921A CN118749921A (zh) | 2024-10-11 |
| CN118749921B true CN118749921B (zh) | 2024-12-10 |
Family
ID=92945896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411245047.4A Active CN118749921B (zh) | 2024-09-06 | 2024-09-06 | 一种基于 WebGL 技术的认知功能测试装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118749921B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109152559A (zh) * | 2016-06-07 | 2019-01-04 | 脑部评估系统有限公司 | 用于定量评估视觉运动神经响应的方法和系统 |
| CN110517773A (zh) * | 2019-07-15 | 2019-11-29 | 中国科学院计算技术研究所 | 一种测试装置、方法、存储介质和系统 |
| CN114664442A (zh) * | 2022-02-28 | 2022-06-24 | 华南理工大学 | 基于虚拟现实的空间认知能力智能评估系统和方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011063248A1 (en) * | 2009-11-19 | 2011-05-26 | The Cleveland Clinic Foundation | System and method for motor and cognitive analysis |
| JP6128651B2 (ja) * | 2012-01-26 | 2017-05-17 | 国立研究開発法人国立精神・神経医療研究センター | 認知機能検査システム、認知機能推定システム及び認知機能検査方法 |
| US20210202103A1 (en) * | 2014-03-28 | 2021-07-01 | Hc1.Com Inc. | Modeling and simulation of current and future health states |
| WO2016154658A1 (en) * | 2015-03-31 | 2016-10-06 | Grey Innovation Pty Ltd | System and process for cognitive assessment and training |
| AU2017314831C1 (en) * | 2016-08-26 | 2023-01-05 | Akili Interactive Labs, Inc. | Cognitive platform coupled with a physiological component |
| TW201827009A (zh) * | 2017-01-18 | 2018-08-01 | 莊郁仁 | 認知與腦波檢測記錄方法 |
| CN109044377B (zh) * | 2018-09-13 | 2021-06-18 | 尹志军 | 一种注意力测试装置及心理测试设备 |
| CN113974589B (zh) * | 2021-11-12 | 2022-09-06 | 中国科学院自动化研究所 | 多模态行为范式评估优化系统及认知能力评价方法 |
| WO2023225094A1 (en) * | 2022-05-17 | 2023-11-23 | Ohio State Innovation Foundation | System and method for early detection of cognitive impairment using cognitive test results with its behavioral metadata |
| CN117045202A (zh) * | 2023-09-05 | 2023-11-14 | 上海暖禾脑科学技术有限公司 | 认知能力量化测试方法、装置、设备及存储介质 |
-
2024
- 2024-09-06 CN CN202411245047.4A patent/CN118749921B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109152559A (zh) * | 2016-06-07 | 2019-01-04 | 脑部评估系统有限公司 | 用于定量评估视觉运动神经响应的方法和系统 |
| CN110517773A (zh) * | 2019-07-15 | 2019-11-29 | 中国科学院计算技术研究所 | 一种测试装置、方法、存储介质和系统 |
| CN114664442A (zh) * | 2022-02-28 | 2022-06-24 | 华南理工大学 | 基于虚拟现实的空间认知能力智能评估系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118749921A (zh) | 2024-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101779960B (zh) | 刺激信息认知能力值测试系统及其方法 | |
| JP6206791B2 (ja) | 集中度計測装置、プログラム | |
| CN108542404B (zh) | 注意力评估装置、vr设备及可读存储介质 | |
| US20140157288A1 (en) | Method and apparatus for providing context aware logging | |
| US20110091847A1 (en) | Method, system, and computer software code for the adaptation of training via performance diagnosis based on (neuro)physiological metrics | |
| Chapuis et al. | Effects of motor scale, visual scale, and quantization on small target acquisition difficulty | |
| CN107240343B (zh) | 一种牙齿矫正手术训练方法 | |
| JP5995415B2 (ja) | 医療診断支援装置、情報処理方法及びプログラム | |
| US20180261305A1 (en) | Clinical Trial Data Analyzer | |
| KR102415105B1 (ko) | 인공지능 기반 미술 심리분석 시스템 | |
| WO2021207036A1 (en) | Virtual reality platform for training medical personnel to diagnose patients | |
| CN118866372A (zh) | 基于vr技术的伤情医疗模拟训练方法及系统 | |
| CN118749921B (zh) | 一种基于 WebGL 技术的认知功能测试装置 | |
| US11354937B2 (en) | Method and system for improving the visual exploration of an image during a target search | |
| CN107480420B (zh) | 一种大数据的医疗信息展示系统及其展示方法 | |
| CN111784553B (zh) | 数据分析方法、装置、电子设备及存储介质 | |
| Peng et al. | Evaluation of interactive data visualization tools based on gaze and mouse tracking | |
| CN104665780A (zh) | 脉象感测方法 | |
| JPH03264055A (ja) | 知能診査装置並びに該装置の機能を備えた診断システム | |
| CN111967333A (zh) | 一种信号生成方法、系统、存储介质及脑机接口拼写器 | |
| CN112150422A (zh) | 一种基于多任务学习的口腔健康自我检测模型的建模方法 | |
| JP2016073473A (ja) | 検査システム、機能回復システム、及びこれらの方法、プログラム | |
| CN114190951B (zh) | Ecg信号处理方法、系统、装置及介质 | |
| US20250017570A1 (en) | Ultrasound diagnostic apparatus and model operation verification method | |
| CN112587096B (zh) | 前瞻性记忆测验系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |