认知训练内容的确定方法、装置、计算机设备及介质

技术领域

本申请涉及数据处理技术领域，具体涉及智慧医疗技术领域，尤其涉及认知训练内容的确定方法、装置、计算机设备及介质。

背景技术

目前，医生通过智能化电子系统或者传统纸笔量表对患者进行认知测试，但是认知情况包含多个维度，如：记忆力、执行力、注意力、语言能力和视空间构建能力等多个认知域，所以医生会使用多个维度的测试内容对患者进行测试，需要大量的时间和经历去从旁指导患者进行操作。测试结果会作为康复内容的数据依据来选择合适的康复训练方案对患者进行康复，但是现实中，因为测试维度多所以康复训练方案复杂，往往很难判断训练效果，如何选择合适的训练内容对患者进行康复训练的问题尚未解决。

但是，由于认知测试维度多且每个维度包括的测试内容多，患者病情也复杂，在选择训练方案时需要根据医生的经验进行选择，增加了医生的工作量，也因为每个医生的经验不同、存在个体差异，使得选择的训练方案也存在标准不统一的问题，使得影响训练方案选择的准确性、可靠性；此外，由于训练方案的选择存在一定的不准确性、不可靠性，在患者使用康复训练方案时，需要在一定时间内进行训练，训练后医生在指定患者进行测试，比对康复训练前后的测试结果，判断是否需要更换训练内容，通过这样循环的过程来确定适配的训练内容，使得增加了患者的训练周期，影响患者的训练效果、训练进度。

发明内容

针对训练方案的确定存在准确性低的技术问题，提供了一种认知训练内容的确定方法、装置、电子设备以及存储介质。

根据第一方面，提供了一种认知训练内容的确定方法，包括：

获取第一目标对象的个人基本信息和认知情况测试结果，其中，所述认知情况测试结果包括多个认知域的测试结果；

将所述个人基本信息和所述认知情况测试结果输入训练内容预测模型，通过所述训练内容预测模型获得适配所述第一目标对象的认知训练方案，所述认知训练方案包括多个认知域的训练内容，每个训练内容对应有训练时长和训练难度等级，其中，所述训练内容预测模型是以历史个人基本信息、历史认知情况测试结果和对应的历史认知训练方案为样本训练机器学习组件得到的。

根据第二方面，提供了一种认知训练内容的确定装置，包括：

信息获取单元，用于获取第一目标对象的个人基本信息和认知情况测试结果，其中，所述认知情况测试结果包括多个认知域的测试结果；

训练内容确定单元，用于将所述个人基本信息和所述认知情况测试结果输入训练内容预测模型，通过所述训练内容预测模型获得适配所述第一目标对象的认知训练方案，所述认知训练方案包括多个认知域的训练内容，每个训练内容对应有训练时长和训练难度等级，其中，所述训练内容预测模型是以历史个人基本信息、历史认知情况测试结果和对应的历史认知训练方案为样本训练机器学习组件得到的。

根据第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如认知训练内容的确定方法中任一实施例的方法。

根据第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如认知训练内容的确定方法中任一实施例的方法。

根据本申请的方案，利用训练内容预测模型，根据第一目标对象的个人基本信息和认知情况测试结果确定，来自动化、智能地确定出适配第一目标对象的认知训练方案，该认知训练方案包括多个认知域的训练内容，每个训练内容对应有训练时长和训练难度等级。实现了自动化、智能地为每个第一目标对象确定准确的、适配的、个性化的认知训练方案，可以避免通过人工选择训练内容导致的影响训练方案选择的准确性、可靠性等问题，有利于提高训练方案的选择的准确性、可靠性、适配性，进而有利于提高训练效果、有利于缩短训练周期或避免延误训练进度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请一些实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的认知训练内容的确定方法的一个实施例的流程图；

图3是根据本申请的认知训练内容的确定方法的一个应用场景的示意图；

图4是根据本申请的认知训练内容的确定装置的一个实施例的结构示意图；

图5是用来实现本申请实施例的认知训练内容的确定方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的认知训练内容的确定方法或认知训练内容的确定装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。

这里的终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的个人基本信息和认知情况测试结果等数据进行分析等处理，并将处理结果(例如适配的认知训练方案)反馈给终端设备。

需要说明的是，本申请实施例所提供的认知训练内容的确定方法可以由服务器105或者终端设备101、102、103执行，相应地，认知训练内容的确定装置可以设置于服务器105或者终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的认知训练内容的确定方法的一个实施例的流程200。该认知训练内容的确定方法，包括以下步骤：

步骤201，获取第一目标对象的个人基本信息和认知情况测试结果，其中，所述认知情况测试结果包括多个认知域的测试结果；

步骤202，将所述个人基本信息和所述认知情况测试结果输入训练内容预测模型，通过所述训练内容预测模型获得适配所述第一目标对象的认知训练方案，所述认知训练方案包括多个认知域的训练内容，每个训练内容对应有训练时长和训练难度等级，其中，所述训练内容预测模型是以历史个人基本信息、历史认知情况测试结果和对应的历史认知训练方案为样本训练机器学习组件得到的。

在本实施例的一些可选的实现方式中，上述认知训练内容的确定方法实现了自动化、智能地为每个第一目标对象确定准确的、适配的、个性化的包括多个认知域的整套认知训练方案，可以避免通过人工选择训练内容导致的影响训练方案选择的准确性、可靠性等问题，有利于提高训练方案的选择的准确性、可靠性、适配性、高效性，进而有利于提高训练效果、有利于缩短训练周期或避免延误训练进度。

在本实施例的一些可选的实现方式中，上述认知域可以包括记忆力、执行力、注意力、语言能力、视空间构建能力(或视空间与结构能力)和推理能力等。

在本实施例的一些可选的实现方式中，上述认知情况测试结果包括多个认知域的测试结果，每个认知域的测试结果的具体呈现形式不做具体限定，能够表示、明确对应认知域的认知情况即可，例如，可以是数值的形式，也可以是文字描述等形式。

在本实施例的一些可选的实现方式中，每个认知域包括一项或多项的测试内容，每个认知域的测试内容的具体内容本申请不做限定，可以采用现有技术中视频和/或音频、实物工具等形式的测试内容。每个认知域包括一项或多项的训练试内容，每个认知域的训练内容的具体内容本申请也不做限定，可以采用现有技术中视频和/或音频等形式的训练内容，但是需要注意的是，该训练内容包括有提问答题内容，即训练内容包括有问题提问内容，在训练中需要训练者进行互动、对提问的问题进行做答，训练内容的实现程序或运行设备可以根据做答的内容判断每道题的正确情况(例如，回答正确、回答错误等)，还可以统计对每道题做答所用的时长，例如，统计从提出问题到接收到做答内容的时长作为每道题做答所用的时长，或者统计从提出问题到接收到做答点击操作的时长作为每道题做答所用的时长，等等。

在本实施例的一些可选的实现方式中，每个认知域包括的每项测试内容可以包括不同训练时长、不同训练难度的多个训练内容，例如，10分钟、20分钟、30分钟等不同时长的训练内容，认知训练难度越大的目标对象越需要时长较长的训练内容。认知训练难度可以根据目标对象的具体认知情况确定，例如，认知训练难度包括简单、中等、困难等不同的难度级别，则简单级别可以对应采用10分钟时长的训练内容，中等级别可以对应采用20分钟时长的训练内容，困难级别可以对应采用30分钟时长的训练内容。不同的训练内容还可以对应有不同的播放频率等信息。

在本实施例的一些可选的实现方式中，为了提高训练内容预测模型的性能、准确性，以便可以为每个第一目标对象预测出适配的认知训练方案，在本实施例中，提出了确定训练内容的训练值，并根据不同的预设阈值和训练值来调整历史认知训练方案包括的训练内容，以达到调整训练样本中适配度较高的训练内容的占比或者权重的目的，以提高训练内容预测模型的训练效果。例如，根据第二目标对象采用每个训练内容训练时回答每道题所用的历史时长和回答每道题的历史正确情况，确定每个训练内容的训练值，其中，所述训练值越大表示训练内容的训练适配度越低；

多次分别采用不同预设阈值删除所述历史认知训练方案中训练值大于所述预设阈值的训练内容(以达到提高训练样本中适配度较高的训练内容的占比或者权重的目的)，以多次调整所述历史认知训练方案包括的训练内容，将所述历史个人基本信息、所述历史认知情况测试结果和每次调整后的历史认知训练方案输入机器学习组件进行训练，以获得所述训练内容预测模型。

在本实施例的一些可选的实现方式中，为了提高训练内容预测模型的精度、预测效果，在本实施例中，通过以下步骤实现多次分别采用不同预设阈值删除所述历史认知训练方案中训练值大于所述预设阈值的训练内容，以多次调整所述历史认知训练方案包括的训练内容，将所述历史个人基本信息、所述历史认知情况测试结果和每次调整后的历史认知训练方案输入机器学习组件进行训练：

循环执行以下步骤：

在当前所有的所述历史认知训练方案中各个训练内容的训练值中确定最大的训练值，并根据训练值与预设阈值的对应关系，确定该最大的训练值对应的预设阈值；

在当前所有的所述历史认知训练方案中删除训练值大于确定出的预设阈值的训练内容，得到当前调整后的所述历史认知训练方案；

将所述历史个人基本信息、所述历史认知情况测试结果和当前调整后的历史认知训练方案输入线性回归模型进行训练，在所述线性回归模型中构建历史认知训练方案的历史训练所用时长和历史认知训练方案的历史训练得分之间的当前线性函数，将所述当前线性函数的斜率确定为当前斜率；

判断当前斜率是否大于前一斜率，若否，则结束循环，将当前线性函数确定为所述训练内容预测模型，其中，所述前一斜率为前一次构建线性函数的斜率，即基于前一预设阈值调整历史认知训练方案包括的训练内容后，基于调整后的历史认知训练方案的历史训练所用时长和历史训练得分构建前一线性函数，该前一线性函数即为前一次构建的线性函数。

在本实施例的一些可选的实现方式中，在训练上述训练内容预测模型的过程中，上述机器学习组件可以是各种网络架构的神经网络模型，也可以是具备线性关系的线性模型，例如，在本实施例中，为了提高训练内容预测模型的预测精度，提出了训练线性回归模型来得到上述训练内容预测模型。

在本实施例的一些可选的实现方式中，在采用认知训练方案进行认知训练的过程中，认知训练方案的训练所用时长越短、训练得分越高表示该认知训练方案训练效果越好，训练效率越高，也表示与训练者的适配度越高，为了使得训练内容预测模型可以精准地确定、预测出与第一目标对象适配的认知训练方案，提出了在所述线性回归模型中构建历史认知训练方案的历史训练所用时长和历史认知训练方案的历史训练得分之间的当前线性函数的公式如下：

Y＝K*X+B

其中，Y为历史认知训练方案的历史训练得分；X为历史认知训练方案的历史训练所用时长；K为当前斜率；B为常数。当K值为最高时，说明训练内容预测模型的精度最高，因此训练内容预测模型的训练过程实质是通过预设阈值和训练值不断调整样本数据来确定最大K值的过程。

在本实施例的一些可选的实现方式中，为了可以准确地确定每个训练内容的训练值，在本实施例提出了根据第二目标对象采用每个训练内容训练时回答每道题所用的历史时长和回答每道题的历史正确情况，确定每个训练内容的训练值，包括：

通过决策树根据第二目标对象采用每个训练内容训练时回答每道题所用的历史时长和回答每道题的历史正确情况，确定每个训练内容的训练值。

在本实施例的一些可选的实现方式中，通过决策树分析采用每个训练内容进行认知训练时训练者回答每道题所用的历史时长和回答每道题的历史正确情况，回答每道题所用的历史时长和回答每道题的历史正确情况与决策树的非叶子节点一一映射，每个训练内容的训练值与决策树的叶子节点映射，以得到每个训练内容的训练值。

在本实施例的一些可选的实现方式中，为了得到有效的样本数据来训练上述训练内容预测模型，提出了通过以下方式来筛选历史认知训练方案作为样本：

当根据所述第二目标对象的所述历史个人基本信息和所述历史认知情况测试结果确定出多个备选的历史认知训练方案时，分别采用每两个备选的历史认知训练方案对所述第二目标对象进行交替训练，得到每个备选的历史认知训练方案的历史训练所用时长和历史训练得分；

根据每个备选的历史认知训练方案的历史训练所用时长和历史训练得分，确定每个备选的历史认知训练方案的适配值，所述适配值越小表示历史认知训练方案的适配度越高；

根据多个备选的历史认知训练方案的适配值，将适配值最小的备选的历史认知训练方案确定为所述第二目标对象的历史认知训练方案。

具体的，例如，有a,b,c,d四个备选的历史认知训练方案，先选择a和b两个方案对第二目标对象进行交替认知训练，训练结束后，分别显示第二目标对象的训练得分和训练所用时长，比较a和b两个备选的历史认知训练方案的适配值，哪个适配值低，哪个方案的适配度相对较高。当方案a更适配的时候，筛选掉方案b并替换成方案c。再将方案a与方案c进进行交替认知训练，依次类推，最终将适配度最高的方案作为第二目标对象的历史认知训练方案。)

在本实施例的一些可选的实现方式中，为了提高适配值的有效性，使得适配值能够精准地表示每个方案的适配度，在本实施例提出了根据每个备选的历史认知训练方案的历史训练所用时长和历史训练得分，确定每个备选的历史认知训练方案的适配值，包括：

对所述历史训练所用时长和所述历史训练得分各自设置权重，将所述历史训练所用时长与自身的权重相乘，得到第一乘积，将所述历史训练得分与自身的权重相乘，得到第二乘积，将所述第一乘积与所述第二乘积的和确定为适配值，其中，所述历史训练所用时长的权重大于所述历史训练得分的权重。

在本实施例的一些可选的实现方式中，历史训练所用时长可以是从认知训练开始到认知训练结束的真实所用时长，还可以是历史认知训练方案所包括的每个训练内容中回答每道题所用的历史时长的平均值或者最小值。历史训练得分可以是历史认知训练方案所包括的每个训练内容中回答每道题的历史正确情况中回答正确的数量。

在本实施例的一些可选的实现方式中，上述个人基本信息和历史个人基本信息可以是个人的基本信息，例如，年龄、性别、学历、认知情况病史、联系方式等等。

在本实施例的一些可选的实现方式中，为了提高认知训练方案确定、预测的准确性，提出了上述认知情况测试结果和历史认知情况测试结果中需要包括以下表1所示的各个认知域的测试，且每个认知域的测试需要包括表1所示的各项测试内容，例如，针对记忆力的认知域测试，需要包括工作记忆、物品再认、关联记忆、数字广度正序、数字广度倒序、空间广度、情景记忆测试、视觉图形任务、延迟回忆-物品再认、延迟回忆-情景记忆、延迟回忆-视觉图形共11项测试内容。

表1

在本实施例的一些可选的实现方式中，上述第一目标对象和第二目标对象可以是同一人员，也可以是不同的人员。上述第一目标对象和第二目标对象可以为任意需要认知训练的人员，例如，可以是由于年龄、疾病、脑损伤等不同原因导致的认知障碍问题的人员。

以下详细介绍训练内容预测模型的过程，该过程包括以下步骤：

步骤1：医生等人员根据患者(即上述第二目标对象)的认知情况，建立电子档案(即上述历史个人基本信息)，包含：年龄、性别、学历、现病史、联系方式。

步骤2：医生等人员对患者进行全面或快速认知测试(测试包含记忆力、执行力、视空间和结构能力、推理能力等认知域)，测试后根据结果进行单个认知域详细测试(每个认知域的测试内容可以通过现有系统自动匹配)，匹配后患者进行测试，测试完成后生成报告(即上述历史认知情况测试结果)和认知训练方案(即上述历史认知训练方案，该历史认知训练方案是通过单个认知域测试结果与认知训练方案进行匹配得到的)。

步骤3：由于对同一患者可能用不同的认知训练方案，训练效果会不同。因此在根据患者的电子档案和测试的结果，得到这个患者所匹配的a,b,c,d多个认知训练方案时，可以先用方案a和方案b在一定时间段内按一定比例进行交替训练，从而比较方案a和方案b对于该患者的适配程度，哪个训练得分低(即上述适配值低)，选择哪个方案。当方案a更适配的时候，筛选掉方案b并替换成方案c，再将方案a与方案c进进行交替训练，然后从方案a和方案c中再选取更适配的一个训练方案。以此类推，进行如此反复的对比适配，直到得到最适配的一个训练方案作为该患者的认知训练方案，各个患者的认知训练方案组成上述训练内容预测模型的训练样本数据。

步骤4：在训练内容预测模型的训练过程中，在样本数据中提高适配较高的训练方案对应的权重。例如，当选择出每个患者最适合的训练方案后，患者使用改训练方案进行训练，在训练过程中，训练方案会记录每次点击之间的时长作为反应时间(即上述测试内容中患者回答每道题所用的历史时长)，每次做答会记录结果(即上述测试内容中患者回答每道题的历史正确情况)，训练方案全部做完后会展示训练方案的训练得分和训练时长。先用决策树(Decision Trees)分析反应时间和做答结果，从而选择出反应时间最长和做答结果最差的训练内容，即训练值最大的训练内容，最大的训练值记为Z。再利用线性回归(LinearRegression)方法分别分析训练时长和训练得分，构建线性函数，Y＝K*X+B，X为训练时长，Y为训练得分，根据1周训练7次结果分析得出K值和B值，K值越大，证明训练所需时间越短，得分越高，训练效果越好，训练效率越高，即适配度越高，通过最大的训练值Z确定一个预设阈值，进而将训练方案中训练值大于预设阈值的训练内容删除，以调整训练方案包括的训练内容，进而调整样本数据中适配较高的训练方案的权重，即调整后的训练方案训练构建线性函数Y＝K*X+B，重复多次调整训练方案和建线性函数Y＝K*X+B的过程，直至K值最大时，停止训练，K值最大时的线性函数即为训练得到的而上述训练内容预测模型。

步骤5：针对大量真实用户进行上述步骤1-3获得的真实用户数据以及真实用户训练数据作为样本数据，选取样本数据中的部分数据对训练内容预测模型进行调整和验证测试，得到训练后的目标模型，即可以利用该模型为不同的第一目标对象确定、预测适配的认知训练方案。

继续参见图3，图3是根据本实施例的认知训练内容的确定方法的应用场景的一个示意图。在图3的应用场景中，执行主体301获取第一目标对象的个人基本信息302和认知情况测试结果303，其中，所述认知情况测试结果包括多个认知域的测试结果。执行主体301将所述个人基本信息和所述认知情况测试结果输入训练内容预测模型，通过所述训练内容预测模型获得适配所述第一目标对象的认知训练方案304，所述认知训练方案包括多个认知域的训练内容，每个训练内容对应有训练时长和训练难度等级，其中，所述训练内容预测模型是以历史个人基本信息、历史认知情况测试结果和对应的历史认知训练方案为样本训练机器学习组件得到的。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种认知训练内容的确定装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征或效果。该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的认知训练内容的确定装置400包括：信息获取单元401和训练内容确定单元402。其中，信息获取单元401，被配置成获取第一目标对象的个人基本信息和认知情况测试结果，其中，所述认知情况测试结果包括多个认知域的测试结果；训练内容确定单元402，被配置成将所述个人基本信息和所述认知情况测试结果输入训练内容预测模型，通过所述训练内容预测模型获得适配所述第一目标对象的认知训练方案，所述认知训练方案包括多个认知域的训练内容，每个训练内容对应有训练时长和训练难度等级，其中，所述训练内容预测模型是以历史个人基本信息、历史认知情况测试结果和对应的历史认知训练方案为样本训练机器学习组件得到的。

在本实施例中，认知训练内容的确定装置400的信息获取单元401和训练内容确定单元402的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201和步骤202的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，每个认知域的训练内容包括提问答题内容，所述历史认知训练方案包括多个认知域的训练内容，所述样本还包括第二目标对象采用每个训练内容训练时回答每道题所用的历史时长、回答每道题的历史正确情况、每个历史认知训练方案的历史训练所用时长和每个历史认知训练方案的历史训练得分；上述装置还包括：

训练值确定单元，被配置成根据第二目标对象采用每个训练内容训练时回答每道题所用的历史时长和回答每道题的历史正确情况，确定每个训练内容的训练值，其中，所述训练值越大表示训练内容的训练适配度越低；

训练单元，被配置成多次分别采用不同预设阈值删除所述历史认知训练方案中训练值大于所述预设阈值的训练内容，以多次调整所述历史认知训练方案包括的训练内容，将所述历史个人基本信息、所述历史认知情况测试结果和每次调整后的历史认知训练方案输入机器学习组件进行训练，以获得所述训练内容预测模型。

在本实施例的一些可选的实现方式中，训练单元，被配置成循环执行以下步骤：

在当前所有的所述历史认知训练方案中各个训练内容的训练值中确定最大的训练值，并根据训练值与预设阈值的对应关系，确定该最大的训练值对应的预设阈值；

在当前所有的所述历史认知训练方案中删除训练值大于确定出的预设阈值的训练内容，得到当前调整后的所述历史认知训练方案；

将所述历史个人基本信息、所述历史认知情况测试结果和当前调整后的历史认知训练方案输入线性回归模型进行训练，在所述线性回归模型中构建历史认知训练方案的历史训练所用时长和历史认知训练方案的历史训练得分之间的当前线性函数，将所述当前线性函数的斜率确定为当前斜率；

判断当前斜率是否大于前一斜率，若否，则结束循环，将当前线性函数确定为所述训练内容预测模型，其中，所述前一斜率为前一次构建线性函数的斜率。

在本实施例的一些可选的实现方式中，训练值确定单元，被配置成通过决策树根据第二目标对象采用每个训练内容训练时回答每道题所用的历史时长和回答每道题的历史正确情况，确定每个训练内容的训练值。

在本实施例的一些可选的实现方式中，上述装置还包括：

交替训练单元，被配置成当根据所述第二目标对象的所述历史个人基本信息和所述历史认知情况测试结果确定出多个备选的历史认知训练方案时，分别采用每两个备选的历史认知训练方案对所述第二目标对象进行交替训练，得到每个备选的历史认知训练方案的历史训练所用时长和历史训练得分；

适配值确定单元，被配置成根据每个备选的历史认知训练方案的历史训练所用时长和历史训练得分，确定每个备选的历史认知训练方案的适配值，所述适配值越小表示历史认知训练方案的适配度越高；

方案筛选单元，被配置成根据多个备选的历史认知训练方案的适配值，将适配值最小的备选的历史认知训练方案确定为所述第二目标对象的历史认知训练方案。

在本实施例的一些可选的实现方式中，适配值确定单元，被配置成：对所述历史训练所用时长和所述历史训练得分各自设置权重，将所述历史训练所用时长与自身的权重相乘，得到第一乘积，将所述历史训练得分与自身的权重相乘，得到第二乘积，将所述第一乘积与所述第二乘积的和确定为适配值，其中，所述历史训练所用时长的权重大于所述历史训练得分的权重。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图5所示，是根据本申请实施例的认知训练内容的确定方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。

存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的认知训练内容的确定方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的认知训练内容的确定方法。

存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的认知训练内容的确定方法对应的程序指令/模块(例如，附图4所示的信息获取单元401和训练内容确定单元402)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的认知训练内容的确定方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据认知训练内容的确定方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至视认知训练内容的确定方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

认知训练内容的确定方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与视频帧的处理电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括信息获取单元和训练内容确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，信息获取单元还可以被描述为“获取信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取第一目标对象的个人基本信息和认知情况测试结果，其中，所述认知情况测试结果包括多个认知域的测试结果；将所述个人基本信息和所述认知情况测试结果输入训练内容预测模型，通过所述训练内容预测模型获得适配所述第一目标对象的认知训练方案，所述认知训练方案包括多个认知域的训练内容，每个训练内容对应有训练时长和训练难度等级，其中，所述训练内容预测模型是以历史个人基本信息、历史认知情况测试结果和对应的历史认知训练方案为样本训练机器学习组件得到的。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。