一种儿童多动症监测与训练方法、装置及设备

技术领域

本发明属于心理学辅助测训技术领域，尤其涉及一种儿童多动症监测与训练方法、装置及设备。

背景技术

多动症的病理机制复杂，使得临床医生很难对ADHD患者做出准确客观的监测。目前医生主要依靠临床观察和评定量表进行监测，如DSM-5、ADHD评定量表父母版(ADHDDS-P)、评定量表教师版(ADHDDS-T)等。但量表本质上带有人的主观性，准确性不可靠。有研究者提出了基于操作性神经心理测验的监测，以连续行为任务测试(ContinuousPerformance Test，CPT)为代表，将CPT任务与计算机软件技术相结合，通过记录受试者在执行测试过程中对特定信号进行反应的正确率、错误率、遗漏作答率、反应时间、作答时间等来量化受试者注意力缺陷、多动和冲动成分，但操作难度大，需专业医生的细致数据分析。此外，也有研究者采用体动记录仪来监测受试者的活动水平，体动记录仪可以以数秒至数分钟为一帧，记录此段时间内的肢体运动量。体动记录仪联合CPT的测试结果无法与ADHD评定量表有较高的相关性，另外，佩戴方式、设备本身等也易引起不准确、不便捷等问题。

多动症的干预主要包括认知行为干预、药物干预、神经调控、神经反馈等手段，但大多需专业医生的全程参与。多动症是一种慢性神经发育性精神障碍，需要家庭训练和医院训练的联合训练，目前研发机构大多关注于医院的器械研发忽视家庭的训练装置研发。

因此，有必要设计一种便捷的、无扰的儿童多动症测训一体化装置。

发明内容

本发明实施例的目的在于提供一种儿童多动症监测与训练装置，能够解决上述现有技术所存在的不足，构建一种便捷的、无扰的测训一体化方法，用于面向家庭监测、康复的需求。

本发明实施例是这样实现的，一种儿童多动症监测与训练装置，所述儿童多动症监测与训练装置包括：任务模块、数据获取模块、数据处理模块、监测模块和训练模块；

所述任务模块，用于建立针对被测者的测试评估任务和执行功能训练任务；其中，测试评估任务包括对被测者的身体活动指标、注意力指标、数字评估量表的测试；所述执行功能训练任务包括对被测者的身体活动指标、专注度指标的训练；

所述数据获取模块，用于获取被测者在进行所述测试评估任务或执行功能训练任务过程中的动态压力数据与时序表情数据；

所述数据处理模块，用于将所述动态压力数据与时序表情数据进行融合处理得到多模态融合序列；

所述监测模块，用于将所述多模态融合序列、数字评估量表输入已训练好的LSTM预测模型进行分类，得到被测者的ADHD量化评估与分类结果；

所述训练模块，用于根据所述多模态融合序列及其在已训练好的LSTM预测模型中的回归结果，建立被测者的训练反馈通路并执行。

进一步的，所述儿童多动症监测与训练装置还包括：输入模块、显示模块；

所述输入模块用于接收被测者执行所述测试评估任务或执行功能训练任务的输入；

所述显示模块用于显示所述测试评估任务或执行功能训练任务，并配合所述输入模块推进所述测试评估任务或执行功能训练任务。

进一步的，所述数据处理模块包括压力分段计算单元、时序表情计算单元和特征拼接单元，

所述压力分段计算单元，将所述动态压力数据进行分段和特征提取，得到动作特征序列；

所述时序表情计算单元，将所述时序表情数据进行预处理得到表情一维序列，并输入一卷积神经网络后得到表情特征序列；

所述特征拼接单元，将所述动作特征序列和所述表情特征序列进行融合处理后得到多模态融合序列。

本发明实施例的另一目的在于提供一种儿童多动症监测与训练设备，所述儿童多动症监测与训练设备包括传感装置和人机交互一体机，所述传感装置与所述人机交互一体机之间通讯连接；

所述人机交互一体机预置有如上所述的儿童多动症监测与训练装置；

所述传感装置用于采集所述被测者的动态压力数据和时序表情数据，并传输给所述儿童多动症监测与训练装置的数据获取模块。

进一步的，所述传感装置包括摄像设备、力传感器和测试部，两个以上所述力传感器设置在所述测试部上，用于采集所述测试部上的被测者产生的压力数据，以得到动态压力数据；

所述摄像设备设置在所述测试部的周围，并照向所述测试部上的被测者，用于采集所述被测者的微表情，以得到时序表情数据。

进一步的，所述力传感器采用柔性阵列力敏传感器，所述摄像设备采用深度摄像头。

进一步的，所述测试部至少包括测试桌、与所述测试桌配套的测试座椅。

进一步的，所述传感装置还包括通讯模块和供电模块，所述通讯模块能够建立所述传感装置与所述人机交互一体机之间的通讯、以及所述人机交互一体机与远程设备之间的通讯，所述供电模块用于提供设定功率的电能。

本发明实施例的另一目的还在于提供一种儿童多动症监测与训练方法，所述儿童多动症监测与训练方法包括以下步骤：

建立针对被测者的测试评估任务和执行功能训练任务；其中，测试评估任务包括对被测者的身体活动指标、注意力指标、数字评估量表的测试；所述执行功能训练任务包括对被测者的身体活动指标、专注度指标的训练；

获取被测者在进行所述测试评估任务或执行功能训练任务过程中的动态压力数据与时序表情数据；

将所述动态压力数据与时序表情数据进行融合处理得到多模态融合序列；

将所述多模态融合序列、数字评估量表输入已训练好的LSTM预测模型进行分类，得到被测者的ADHD量化评估与分类结果；

根据所述多模态融合序列及其在已训练好的LSTM预测模型中的回归结果，建立被测者的训练反馈通路并执行。

进一步的，所述将所述动态压力数据与时序表情数据进行融合处理得到多模态融合序列的步骤，具体包括：

将所述动态压力数据进行分段和特征提取，得到动作特征序列；

将所述时序表情数据进行预处理得到表情一维序列，并输入一卷积神经网络后得到表情特征序列；

将所述动作特征序列和所述表情特征序列进行融合处理后得到多模态融合序列。

本发明实施例提供的一种儿童多动症监测与训练装置，相比于现有技术，通过设置的数据获取模块获取儿童任务态下的压力变化、活动度等身体活动指标，以及获取儿童任务态下的表情数据，之后通过数据处理模块对多模态融合数据进行融合计算，结合监测模块和训练模块，实现任务态下的多动症儿童的全面监测，通过个体的多维度感知，解析个体特征，为个性化的干预提供科学、有效的方案。另外，本发明采用计算机辅助系统(EFTS)进行执行功能训练，建立训练反馈通路，改善ADHD患儿执行功能缺陷，实现测训一体化，便捷、可抗干扰能力强。

附图说明

图1为本发明实施例提供的一种儿童多动症监测与训练设备的结构图；

图2为本发明实施例提供的一种儿童多动症监测与训练装置的结构框图；

图3为本发明实施例提供的一种儿童多动症监测与训练方法的流程图；

图4为本发明实施例提供的一种儿童多动症监测与训练方法的原理图；

图5为本发明实施例提供的另一种儿童多动症监测与训练装置的结构框图；

图6为一个实施例中数据处理模块的结构框图；

图7为一个实施例中对儿童多动症进行监测评估的流程图；

图8为一个实施例中对儿童多动症进行训练评估的流程图；

图9为一个实施例中计算机设备的内部结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1为本发明实施例提供的一种儿童多动症监测与训练装置的应用环境图，也是一种儿童多动症监测与训练设备的结构图；图2为本发明实施例提供的一种儿童多动症监测与训练装置的结构框图，所述的儿童多动症监测与训练装置可以通过图1的应用环境实现；具体包括：任务模块100、数据获取模块200、数据处理模块300、监测模块400和训练模块500；

所述任务模块100，用于建立针对被测者的测试评估任务和执行功能训练任务；其中，测试评估任务包括对被测者的身体活动指标、注意力指标、数字评估量表的测试；所述执行功能训练任务包括对被测者的身体活动指标、专注度指标的训练；

所述数据获取模块200，用于获取被测者在进行所述测试评估任务或执行功能训练任务过程中的动态压力数据与时序表情数据；

所述数据处理模块300，用于将所述动态压力数据与时序表情数据进行融合处理得到多模态融合序列；

所述监测模块400，用于将所述多模态融合序列、数字评估量表输入已训练好的LSTM预测模型进行分类，得到被测者的ADHD量化评估与分类结果；

所述训练模块500，用于根据所述多模态融合序列及其在已训练好的LSTM预测模型中的回归结果，建立被测者的训练反馈通路并执行。

本实施例中，所述的被测者信息，包含被测者基本信息、身体活动指标以及注意力指标，儿童作为儿童多动症的对象，即是被测者；被测者的身体活动指标有：是否离开、压力分布、活动度等指标，注意力指标有：注意力偏向、表情变化情况等指标；在进行心理测试时，记录下患儿的性别和年龄，作为被测者基本信息；此后，可以根据常规的身体活动指标，对照建立的ADHD患儿分类样本库，在ADHD患儿分类样本库中，根据经验数据(或由专业医师根据身体活动指标(是否离开、压力分布、活动度等指标)以及注意力指标(注意力偏向、表情变化情况等指标))确定患儿的ADHD类型，该ADHD类型可以包括：正常、注意力缺陷型、多动冲动型、混合型多动症等，进而可以建立ADHD分类标准；测试工具可以采用ADHD患者常用的评估量表(即ADHD评估量表)，并进行数字化处理后使用。

本实施例的一个示例中，ADHD患儿分类样本库可以预先建立，通常的，ADHD患儿分类样本库具有典型的ADHD类型分类表示，本领域技术人员能够根据被测者的身体活动指标(是否离开、压力分布、活动度等指标)以及注意力指标(注意力偏向、表情变化情况等指标)确定患儿的ADHD类型(正常、注意力缺陷型、多动冲动型、混合型多动症)，建立ADHD分类标准；再根据所述的ADHD分类标准构建LSTM预测模型，并进行训练，以便得到训练好的LSTM预测模型，用于多模态融合序列的计算。在进行任务建立时，可以直接采用ADHD类型中的分类情况，将其对应的的身体活动指标、注意力指标与ADHD分类标准关联、数字化导出即可。

本实施例的一个示例中，所述的数字评估量表，可以基于ADHD患者常用的评估量表数字化，再根据舒尔特方格开发基于触屏平板的数字化量表实现。

本实施例的一个示例中，可以将测试评估任务划分为三种难度：简单模式、正常模式、困难模式；简单模式为在颜色引导下，试着依次按相应数字；正常模式为不显示颜色；困难模式为加入颜色干扰，颜色出现在正确数字的其他数字上，干扰作答。

本实施例的一个示例中，所述任务模块100可以包括测试评估任务建立单元和功能训练任务建立单元；

所述测试评估任务建立单元，可以将ADHD患者常用的评估量表数字化，并生成根据舒尔特方格开发的数字化量表；数字化量表可以显示于触控平板、触控显示屏或人机交互一体机等。

所述功能训练任务建立单元，可以根据执行功能的多项指标(计划、工作记忆、控制冲动、抑制、定势转移、心理灵活性等)进行单独或组合训练设计，从而确定装置的报警阈值S，建立执行功能反馈通路，提供视觉、听觉和触觉的反馈，以实现对被测者的功能训练。

可以理解的是，所述的测试评估任务建立单元、功能训练任务建立单元，可以通过计算机程序实现，其工作原理可以参考图7、图8；图7为一个实施例中对儿童多动症进行监测评估的流程图；图8为一个实施例中对儿童多动症进行训练评估的流程图；可以由用户自由选择不同难度的测评任务与训练任务进行监测评估、康复训练；两个单元对应的输出，可以作为LSTM预测模型的输入。所述的LSTM预测模型，可根据具体使用场景(监测/训练)选择分类问题或回归问题，即当使用监测功能时，输出为ADHD儿童类型，当使用训练功能时，输出为专注度数值。

本实施例的一个示例中，所述训练模块500，用于根据所述多模态融合序列及其在已训练好的LSTM预测模型中的回归结果，建立被测者的训练反馈通路并执行；具体的，被测者的训练反馈通路可以由监测模块的监测数据及预先测定的约束条件构建，该约束条件可以是相关报警阈值，相关报警阈值是可以调节的，一种情形下，执行功能训练任务建立时，根据执行功能的多项指标(计划、工作记忆、控制冲动、抑制、定势转移、心理灵活性等)进行单独或组合训练，由专业医师进行指导从而确定本装置的报警阈值S；具体可以是压力感知阈值(或柔性座椅报警阈值)、专注度报警阈值。

本实施例通过设置的数据获取模块获取儿童任务态下的压力变化、活动度等身体活动指标，以及获取儿童任务态下的表情数据，经处理后得到多模态融合数据；之后通过数据处理模块对多模态融合数据进行融合计算，结合监测模块和训练模块，实现任务态下的多动症儿童的全面监测，通过个体的多维度感知，解析个体特征，为个性化的干预提供科学、有效的方案。另外，采用计算机辅助系统(EFTS)进行执行功能训练，建立训练反馈通路，改善ADHD患儿执行功能缺陷，实现测训一体化，便捷、可抗干扰能力强。

如图5所示，在一个实施例中，所述儿童多动症监测与训练装置还包括：输入模块600、显示模块700；

所述输入模块600用于接收被测者执行所述测试评估任务或执行功能训练任务的输入；

所述显示模块700用于显示所述测试评估任务或执行功能训练任务，并配合所述输入模块推进所述测试评估任务或执行功能训练任务。

本实施例中，所述输入模块可以是一种有线数据传输接口或协议；或是一种无线数据传输接口或协议，实现触控输入转换传输、键盘输入转换传输或音视频输入转换传输；主要用于被测者的年龄、性别等基本信息的输入。

所述显示模块，可以是基于舒尔特方格开发的程序或可执行指令，并能将其执行后的数字化量表基于触屏平板显示，以便于进行测试和训练。

在本实施例的一个示例中，所述输入模块、显示模块的组合可以是常规的触摸屏的驱动单元，具体可以是一种符合HID标准的触摸屏驱动程序，通过该驱动单元不仅可以实现对输入的传输，还可实现对输入、输出的显示，在进行测试评估任务或执行功能训练任务时，显示基于舒尔特方格的数字化量表，需要进行输入换热显示，则可有驱动单元执行表格测试和推进，直至完成测试或训练。

在本实施例的一个示例中，所述数据处理模块，可以分别与所述输入模块与所述数据获取模块协同，实现测试评估任务或执行功能训练任务的测试结果、动态压力数据及时序表情数据的输入或获取。

如图6所示，在一个实施例中，所述数据处理模块300包括压力分段计算单元310、时序表情计算单元320和特征拼接单元330，

所述压力分段计算单元310，将所述动态压力数据进行分段和特征提取，得到动作特征序列；

所述时序表情计算单元320，将所述时序表情数据进行预处理得到表情一维序列，并输入一卷积神经网络后得到表情特征序列；

所述特征拼接单元330，将所述动作特征序列和所述表情特征序列进行融合处理后得到多模态融合序列。

本实施例中，具体地，假设动态压力数据与时序表情数据的获取或采样周期相同，并且设置周期为T，T为一常数值；根据采样周期T获取时序表情图像，并进行仿射变换对图像形状进行校正，数字化处理后得到时序表情数据，再展开得到表情一维序列(I

再使用已训练好的卷积神经网络对所述表情一维序列(I

Z

在一个实施例的示例中，基于LSTM预测模型，假设在第j个采样时刻，原始输入为(Z

x

式(1)中：W

y

式(2)中：W和Q分别为输出层中整合输入和隐藏状态对应的网络参数。

在一个实施例中，所述LSTM预测模型，可以根据具体使用场景(监测/训练)选择分类功能或回归功能，当使用监测功能时，y

在一个实施例的示例中，基于LSTM预测模型输出的专注度数值为y

如图4所示，在一个实施例的示例中，根据具体使用场景，在将所述动态压力数据、时序表情数据输入LSTM预测模型前，对数据的处理时相似的；在通过数据获取模块获取动态压力数据后，进行数据预处理，例如：降噪、归一化处理、分割，得到分段压力序列，再对分段压力序列进行特征提取得到动作特征序列；获取时序表情数据后，进行数据预处理得到表情一维序列，对表情一维序列输入卷积神经网络进行多次卷积操作得到表情特征序列，之后，将所述动作特征序列和表情特征序列进行特征拼接得到多模态融合序列；多模态融合序列输入LSTM预测模型(即时序预测模型)，根据不同是使用场景，输出ADHD类型(监测任务态下)或专注度数值(训练任务态下)。

在一个实施例中，所述监测模块400，可以对所述表情特征序列和所述动作特征序列进行模态门操作，分别给予不同模态的特征赋予不同的动态权重，实现所述表情特征和所述动作特征的动态融合，将所述多模态融合序列输入至LSTM预测模型中进行分类，得到患儿的ADHD类型；所述的训练模块，可以根据LSTM预测模型的回归结果在线评估ADHD患儿的活动状态，实时调整视觉、听觉、触感反馈。

如图1所示，在另一个实施例中，一种儿童多动症监测与训练设备，所述儿童多动症监测与训练设备包括传感装置和人机交互一体机2，所述传感装置与所述人机交互一体机2之间通讯连接；

所述人机交互一体机2预置有如上所述的儿童多动症监测与训练装置；

所述传感装置用于采集所述被测者的动态压力数据和时序表情数据，并传输给所述儿童多动症监测与训练装置的数据获取模块。

本实施例的一个示例中，所述的儿童多动症监测与训练装置，具体可以包括上述的任务模块100、数据获取模块200、数据处理模块300、监测模块400和训练模块500；

所述任务模块100，用于建立针对被测者的测试评估任务和执行功能训练任务；其中，测试评估任务包括对被测者的身体活动指标、注意力指标、数字评估量表的测试；所述执行功能训练任务包括对被测者的身体活动指标、专注度指标的训练；

所述数据获取模块200，用于获取被测者在进行所述测试评估任务或执行功能训练任务过程中的动态压力数据与时序表情数据；

所述数据处理模块300，用于将所述动态压力数据与时序表情数据进行融合处理得到多模态融合序列；

所述监测模块400，用于将所述多模态融合序列、数字评估量表输入已训练好的LSTM预测模型进行分类，得到被测者的ADHD量化评估与分类结果；

所述训练模块500，用于根据所述多模态融合序列及其在已训练好的LSTM预测模型中的回归结果，建立被测者的训练反馈通路并执行。

其中，所述传感装置包括摄像设备、力传感器和测试部，两个以上所述力传感器设置在所述测试部上，用于采集所述测试部上的被测者产生的压力数据，以得到动态压力数据；

所述摄像设备设置在所述测试部的周围，并照向所述测试部上的被测者，用于采集所述被测者的微表情，以得到时序表情数据。

本示例中，所述力传感器采用柔性阵列力敏传感器5，所述摄像设备采用深度摄像头1。

上述，测试评估任务中的身体活动指标可以通过柔性阵列力敏传感器5采集或获取，所述的注意力指标可以通过深度摄像头1获取，所述的数字评估量表存储于人机交互一体机2，可以通过该人机交互一体机2进行选择、修改、显示和执行等；所述执行功能训练任务中的身体活动指标、专注度指标，也是分别通过柔性阵列力敏传感器5、深度摄像头1进行采集或获取，通过人机交互一体机2进行反馈，具体可以是视觉、声音反馈，并可通过搭配的柔性阵列力敏传感器5进行触觉反馈。

其中，柔性阵列力敏传感器5采用27点/cm

本实施例的一个示例中，所述测试部至少包括测试桌3、与所述测试桌3配套的测试座椅4。

本示例中，所述测试座椅4包括底座9、可拆卸、可升降的设置在所述底座9上的座椅主体10，所述座椅主体10侧设置有箱体6，在箱体6中可以放置一些功能模块，例如：通讯模块7和供电模块8等。

本实施例的一个示例中，所述深度摄像头1、人机交互一体机2设置于测试桌3上；深度摄像头1通过伸缩杆布置于测试桌3上方，伸缩杆可根据儿童坐姿高度自由调节其长度，人机交互一体机2放置于测试桌3的桌面中间，具体参见图1。所述测试座椅4限定儿童(或被测者)坐姿方位使其面向测试桌3，所述测试座椅4配合柔性阵列力敏传感器5，用于采集用户在执行任务过程中的动作数据，例如：压力数据；所述深度摄像头用于采集儿童在执行任务过程中的时序表情数据，所述人机交互一体机2分别与柔性阵列力敏传感器5、深度摄像头1相连，对多模态数据进行融合计算，之后通过训练好的LSTM预测模型对受试儿童多动症进行评估、训练。

本实施例的一个示例中，所述传感装置还包括通讯模块7和供电模块8，所述通讯模块7能够建立所述传感装置与所述人机交互一体机2之间的通讯、以及所述人机交互一体机2与远程设备之间的通讯，所述供电模块8用于提供设定功率的电能。

其中，供电模块8采用标称电压3.7v的锂离子电池；通讯模块7包括WIFI模块、网口、串口和USB口，WIFI模块和网口用于局域网或互联网的数据通信，串口和USB口通过数据采集和传输部件与人机交互一体机进行数据通信；远程设备可以是云端、移动设备、移动基站等，以实现万物互连，增加本设备的使用体验感。

本实施例的一个示例中，所述摄像设备姿态可变的设置在所述测试部的前方，具体可以通过一个或两个以上的伸缩杆设置固定，通过该一个或两个以上的伸缩杆实现摄像设备的姿态可变。

如图3所示，在另一个实施例中，一种儿童多动症监测与训练方法，所述儿童多动症监测与训练方法包括以下步骤S101-S109：

S101、建立针对被测者的测试评估任务和执行功能训练任务；其中，测试评估任务包括对被测者的身体活动指标、注意力指标、数字评估量表的测试；所述执行功能训练任务包括对被测者的身体活动指标、专注度指标的训练；

S103、获取被测者在进行所述测试评估任务或执行功能训练任务过程中的动态压力数据与时序表情数据；

S105、将所述动态压力数据与时序表情数据进行融合处理得到多模态融合序列；

在本实施例中，所述将所述动态压力数据与时序表情数据进行融合处理得到多模态融合序列的步骤，具体包括：

将所述动态压力数据进行分段和特征提取，得到动作特征序列；

将所述时序表情数据进行预处理得到表情一维序列，并输入一卷积神经网络后得到表情特征序列；

将所述动作特征序列和所述表情特征序列进行融合处理后得到多模态融合序列。

S107、将所述多模态融合序列、数字评估量表输入已训练好的LSTM预测模型进行分类，得到被测者的ADHD量化评估与分类结果；

S109、根据所述多模态融合序列及其在已训练好的LSTM预测模型中的回归结果，建立被测者的训练反馈通路并执行。

在一个实施例的示例中，基于LSTM预测模型输出的专注度数值为y

在一个实施例的示例中，图7为一个实施例中对儿童多动症进行监测评估的流程图；图8为一个实施例中对儿童多动症进行训练评估的流程图。

本示例的第一种情况中，根据实际使用情况，可以将测试评估任务划分为三种难度：简单模式、正常模式和困难模式；简单模式为在颜色引导下，试着依次按相应数字；正常模式为不显示颜色；困难模式为加入颜色干扰，颜色出现在正确数字的其他数字上，干扰试的作答。

测试评估任务主要通过上述的儿童多动症监测与训练设备实现，具体使用流程如下：

打开电源，等待设备初始化完成，设备的深度摄像头1、人机交互一体机2、柔性阵列力敏传感器5等进入工作状态；

人机交互一体机2中用户登陆后，根据语音播报及示范图片了解测评流程和答题规则，选择测试评估任务的难度；

进行答题前，同步启动柔性阵列力敏传感器5的柔性压力感知和基于深度摄像头1的微表情计算；

用户根据人机交互一体机2显示的方格中出现的1～25个阿拉伯数字，用手指按1～25的顺序依次指出其位置进行答题；

人机交互一体机2基于任务结果、任务过程中的各项身体活动指标(通过柔性阵列力敏传感器5获取)与注意力指标(通过深度摄像头1获取)，通过融合计算，对用户进行量化评估与分类；

测评结束后，人机交互一体机2将自动保存评估结果，评估结果通过报表形式展现给用户，为个性化的干预提供依据。

本示例的第二种情况中，根据常规ADHD分类，可以将ADHD类型分为：正常、注意力缺陷型、多动冲动型、混合型多动症，在通过执行功能训练任务进行康复训练时，具体使用流程如下：

打开电源，等待设备初始化完成；

人机交互一体机2中用户登陆后，根据语音播报及示范图片了解训练流程和答题规则，选择训练任务与训练难度；

进行答题前，同步启动柔性阵列力敏传感器5的柔性压力感知和基于深度摄像头1的微表情计算；

用户根据人机交互一体机2显示的方格中出现的1～25个阿拉伯数字，用手指按1～25的顺序依次指出其位置进行答题；

当用户的身体活动指标超过设定的压力报警阈值时，或专注度指标超过设定的专注度报警阈值时，即会通过视觉、听觉和触觉的反馈提示用户，使其纠正姿势、集中注意力，经长期训练可改善ADHA患儿执行功能缺陷；

训练结束后，人机交互一体机2将自动保存评估结果或记录训练记录，人机交互一体机2基于执行任务过程中的报警频率、各项身体活动指标与注意力指标，给出本次训练的训练评价，训练评价通过报表形式展现给用户。

其中，用户的压力报警阈值、专注度报警阈值，可以根据执行功能的多项指标指标(计划、工作记忆、控制冲动、抑制、定势转移、心理灵活性等)，由专业医师进行指导从而确定设备的报警阈值S，建立执行功能反馈通路(即被测者的训练反馈通路)，提供视觉、听觉和触觉的反馈。

在一个实施例中，针对已训练好的LSTM预测模型，在对LSTM预测模型进行训练的过程中，可以使用优化器对LSTM预测模型的相关参数进行自适应调整，例如损失函数、激活函数的参数进行自适应调整，以便于更快的、更精确的完成LSTM预测模型的训练。

可以理解的是，所述的优化器包括但不限于随机梯度下降优化器(SGD)、自适应梯度优化器(AdaGrad)、指数加权移动平均优化器(RMSProp)。在一个优选实施例中，所使用优化器为随机梯度下降优化器(SGD)。

如图9所示，在另一个实施例中，提供的一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上所述儿童多动症监测与训练方法的步骤：

S101、建立针对被测者的测试评估任务和执行功能训练任务；其中，测试评估任务包括对被测者的身体活动指标、注意力指标、数字评估量表的测试；所述执行功能训练任务包括对被测者的身体活动指标、专注度指标的训练；

S103、获取被测者在进行所述测试评估任务或执行功能训练任务过程中的动态压力数据与时序表情数据；

S105、将所述动态压力数据与时序表情数据进行融合处理得到多模态融合序列；

S107、将所述多模态融合序列、数字评估量表输入已训练好的LSTM预测模型进行分类，得到被测者的ADHD量化评估与分类结果；

S109、根据所述多模态融合序列及其在已训练好的LSTM预测模型中的回归结果，建立被测者的训练反馈通路并执行。

本实施例提供的一种儿童多动症监测与训练装置，通过设置的数据获取模块获取儿童任务态下的压力变化、活动度等身体活动指标，以及获取儿童任务态下的表情数据，之后通过数据处理模块对多模态融合数据进行融合计算，结合监测模块和训练模块，实现任务态下的多动症儿童的全面监测，通过个体的多维度感知，解析个体特征，为个性化的干预提供科学、有效的方案。另外，本发明采用人机交互一体机2即计算机辅助系统(EFTS)进行执行功能训练，建立训练反馈通路，改善ADHD患儿执行功能缺陷，实现测训一体化，便捷、可抗干扰能力强。

图9示出了一个实施例中计算机设备的内部结构图。该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现儿童多动症监测与训练方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行儿童多动症监测与训练方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。