一种基于用户行为的认知能力测试和训练方法

技术领域

本发明属于认知能力测试技术领域，具体涉及一种基于用户行为的认知能力测试和训练方法。

背景技术

在老年认知的训练游戏中，除了依据最终的游戏结果来判定老年人认知程度以外，还要从游戏的过程中老年人的表现来对其认知度进行判断。但由于老年认知训练游戏的多种多样，医生无法完全熟悉目前存在的所有游戏，也无法对所有游戏结果进行统一标准的判断。

发明内容

本发明旨在至少在一定程度上解决上述技术问题。为此，本发明目的在于提供一种基于用户行为的认知能力测试和训练方法。

本发明所采用的技术方案为：

一种基于用户行为的认知能力测试和训练方法，包括以下步骤：

S1、对测试终端的屏幕的游戏界面进行网格化埋点，采集用户的操作数据，操作数据包括点击游戏界面的网格化坐标，网格化坐标对应的时间戳以及网格化坐标对应的测试终端的姿态数据；

S2、通过时间戳的先后进行排序得到点击顺序，通过各网格化坐标对应时间戳的差值得到时间间隔，通过各网格化坐标对应的像素点距离和时间间隔的比值得到滑动速度；点击顺序、时间间隔、滑动速度和姿态数据构成当前网格化坐标的深度数据；

S3、将深度数据输入到基于神经网络的判别器模型进行打分。

优选地，判别器模型包括5层卷积层与3层全联接层；第一层卷基层包括32个4*3*3大小的卷积核；第二层卷基层包括64个32*5*5大小的卷积核；第三层卷基层包括64个64*3*3大小的卷积核；第四层卷基层包括32个32*3*3大小的卷积核；第五层卷基层包括16个32*1*1大小的卷积核；每一个全连接层均为512个参数，以MSE为损失函数。

优选地，步骤S3中判别器模型同时进行三次并行计算，依据三次计算的结果进行损失计算、梯度求解、更新神经网络模型的参数。

优选地，步骤S1中游戏界面按照m*n的像素范围作为一个区域进行网格化。

优选地，测试终端的姿态数据通过测试终端上的陀螺仪采集得到。

本发明的有益效果为：

本发明所提供的一种基于用户行为的认知能力测试和训练方法，在用户完成测试关卡(游戏)的过程中，对其认知度进行计算，便于对用户的行为进行量化评判，更利于测试关卡的难度设计与内容变化。

附图说明

图1是本发明测试终端屏幕坐标建立示意图。

图2是本发明深度数据的示意图。

图3是本发明三联共享网络的示意图。

具体实施方式

下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，还应当注意到实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。

如图1至图3所示，本实施例的一种基于用户行为的认知能力测试和训练方法，将用户在测试关卡中的行为进行多维度的量化计算，为后续的认知度计算提供便利；在量化的基础上，使用基于神经网络的判别器模型进行打分计算，得到最终的认知能力测试结果，具体包括以下步骤：

S1、对手机的触屏的游戏界面进行网格化埋点，采集用户的操作数据，操作数据包括点击游戏界面的网格化坐标，网格化坐标对应的时间戳以及网格化坐标对应的手机的姿态数据。

其中，网格化坐标通过页面埋点，对手指在屏幕上的触控行为进行采集，即采集手指触控屏幕的点的位置，该点的位置坐标以屏幕左上角为原点，如图1所示，建立平面直角坐标系，当有触屏事件时，采集触屏的坐标位置与时间戳，如：当手指在unix时间戳1675078158000时触碰屏幕坐标300，600位置时，则记录为((300,600),1675078158000)，当多点触控时，依次记录。该坐标采集频率为每秒10次，即每100ms采集一次。

手机的姿态数据通过手机上的陀螺仪采集得到，数据格式为手机在以手机重心为原点的xyz空间直角坐标系中手机在x、y、z三个方向的加速度，记为(x,y,z)。

除了以上数据，同步进行触屏时长和测试反应时间的采集。

当相邻两次点击游戏界面的网格化坐标相同时，通过时间戳的差值得到触屏时长，若相邻两次点击游戏界面的网格化坐标不同，则将触屏时长生成为默认值；具体的，如对300，600这个点的采集信息为((300,600),1675078158000)和((300,600),1675078159000)，则触屏时长为1000ms，如果对300，600这个点的采集信息只出现过一次，则默认触控时间小于100ms。

测试开始后，关卡内需要用户做出反应的环节开始计时，记为t0，用户做出回应，完成该环节，当前时间记为t1，t1-t0即为游戏反应时间。

S2、通过上述采集的数据中，可以得到深度为4的深度数据：如图2所示，将游戏界面分为10*18大小、深度为4的网格化；如：屏幕分辨率为横向1000，纵向1800，每100*100的像素范围为一个区域，则可以分成10*18个区域)，该网格化方式依据游戏界面、屏幕尺寸而定，游戏界面的大小可进行自适应调整，但深度为4始终不变。用户在测试中的每次训练，会生成一张大小为a*b，深度为4的网格化特征，每一次训练即是每一次对问题进行作答。不同测试关卡中，有不同的训练次数，若：一局测试有12个问题需要进行判断，则将生成12个用户特征矩阵。

当用户手指划过某一个网格区域时，做记录。图2中所示的123，即为依次划过的顺序。深度数据依次为该点被点击的点击顺序、从上一个点到该点的时间间隔、从该点滑走时的滑动速度以及当前手机的姿态数据。

通过时间戳的先后进行排序得到点击顺序，如图2所示，图中被标记为1，2，3的三个点，代表用户先点击了1的位置区域，又点击了2的位置区域，最后点击了3的位置，以此类推，图2中所示为用户依次点击了屏幕中的9个区域位置。

通过各网格化坐标对应时间戳的差值得到时间间隔，对于区域2，该数据为：手指从区域1离开时，到区域2的时间间隔，区域1的时间间隔为空。

通过各网格化坐标对应的像素点距离和时间间隔的比值得到滑动速度，滑动速度即滑动区域的像素点/时间，时间以ms为单位。

S3、将用户的行为数据按上述进行量化完毕后，使用基于神经网络的判别器模型进行打分，该判别器模型最终的输出即为该玩家的认知度得分。判别器模型包括5层卷积层与3层全联接层；第一层卷基层包括32个4*3*3大小的卷积核；第二层卷基层包括64个32*5*5大小的卷积核；第三层卷基层包括64个64*3*3大小的卷积核；第四层卷基层包括32个32*3*3大小的卷积核；第五层卷基层包括16个32*1*1大小的卷积核；每一个全连接层均为512个参数，以MSE为损失函数。

为了使判别器模型具有更好的拟合能力，设计了如图3所示的三联共享网络，进行无监督的自适应评分训练。无监督自适应训练不需要人工标记数据，同时也解决了人工无法完全对用户在整个过程中进行打分的痛点，将用户在测试关卡中的行为进行正负两向微调，使用微调后的每一组数据训练模型，使判别器模型具有能够区分正向调整、原始数据与负向调整的能力，进而使模型达到给用户行为打分的目的。

具体方法如下：判别器模型同时进行三次并行计算，依据三次计算的结果进行损失计算、梯度求解、更新神经网络模型的参数。如图3所示，Net为上述判别器模型，使用Net计算三次。x为用户的当前特征，x

具体的，如当前特征为x，Net计算x后，得到分数50；对x

如当前特征为x，Net计算x后，得到分数50；对x

该认知能力测试和训练方法可适用于所有认知度训练游戏，该方法计算出的认知度分为0～100分，100表示在游戏中的表现极佳，0分表示玩家在该轮游戏中进行的极为艰难。该分值作为游戏难度调节、关卡设计的参考，亦可为专业医生结合游戏结果进行相关专业性的参考。

需要说明的是，该认知能力测试和训练方法并非是医学中对人的认知度的识别，而是在专业的认知度训练游戏中，将老年人的认知度进行一种量化计算的方法。

本发明不局限于上述可选实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是落入本发明权利要求界定范围内的技术方案，均落在本发明的保护范围之内。