一种基于数字生物标志物的认知能力评判系统及方法

1.本发明涉及数字医疗技术领域，尤其涉及基于数字生物标志物的认知能力评判系统及方法。


背景技术：

2.认知是大脑接收处理外界信息从而能动地认识世界的过程。认知功能涉及记忆、注意、语言、执行、推理、计算和定向力等多种区域。认知障碍指上述区域中的一项或多项功能受损，它在不同程度影响患者的社会功能和生活质量，严重时甚至导致患者死亡。认知障碍不仅是单纯的医学问题，也是严峻的社会问题。神经系统退行性疾病、心脑血管疾病、营养代谢障碍(特别是糖尿病)、感染、外伤、肿瘤、药物滥用等多种原因均可导致认知障碍。目前针对人类个体的认知能力的评估主要依靠认知障碍筛查量表，通过工作人员对人类个体进行评测，进而实现对人类个体的认知能力评估。当前的数字化评估表(例如savonix数字量表)以及国内对上述量化评估表的本地化版本等通常是将相应的评估软件嵌入至移动设备的app中，并通过游戏过程中对用户与应用程序的交互进行评估。而发明人经过对现有与认知评估相关的现有技术的认真钻研与评估后发现其仍存在如下技术不足：a.传统量表以及传统认知评估耗时耗力、数据采集难、测试的经济成本较高，并且老人(特别是教育水平较低的老人)对该种测试形式的接受度低或者使用困难度较大；b.传统认知评估依赖于老人自主求医，因而评估方式较为被动；此外，传统量表监测数据的类别少(例如，传统量表评估仅能判断被测试者画时钟是否正确、指针的位置以及钟的轮廓是否正确和数字表达是否正确等上述几项评分而已)；c.传统数据分析仅注重关联关系挖掘。
3.例如，公开号为cn106327049a的中国专利文献公开了一种认知评估系统，包括信息模块、测试模块和分析模块；信息模块用于根据对象的资料，获得与测试模块相匹配的医疗信息，建立完整的认知评估数据库；测试模块通过测试得到对象的认知测试数据，包含以下五个子模块：注意力和执行功能测试模块、记忆测试模块、数学和计算能力测试模块、语言测试模块、动作与行为的控制和计划测试模块；分析模块根据信息模块获取的医疗信息和测试模块获取的认知测试数据，确定对象的认知评估结果。但是该发明仍然需要工作人员进行测量实现认知评估，对工作人员要求高，难以实现自动化。而且，人类个体的认知能力下降是一个缓慢而难以觉察的过程，通过一两次认知障碍筛查量表评估得到的认知能力评分不能够很好地反应人类个体的认知能力的变化，而如前面提到的，由于认知障碍筛查量表评估过程存在耗时长、对工作人员要求高、受教育水平低的人类个体难以完成大部分评测内容等问题，频繁地通过认知障碍筛查量表评估得到的认知能力变化是很难操作的。因此，有必要对现有技术进行改进。
4.近年来，智能手环、苹果手表、智能床垫、袖珍心电图和其他健康医疗数字设备如雨后春笋般涌现，有不少已飞入寻常百姓家。上述这些设备除了帮助人们更便捷地了解自己的健康状况外，他们持续收集的健康数据，通过移动互联网汇集为天文数字级的健康医疗数据资源，配以合适的分析手段，可产生新洞察来揭示群体的，尤其是个体的身心健康当
前状态和发展趋势。由此而生的数字生物标志物有望成为深入了解人类自身健康和疾病的有效手段。简单来说，数字生物标志物(英文为digital biomarker)是用户/消费者通过数字健康互联设备收集的有关个体生理和行为的客观数据，用以解释、影响和预测健康结局。而传统生物标志物一般指通过生化检验获取的指标，用于标志器官等组织结构或功能发生的改变。如传统医院里的血液测试可以产生富有洞察的数据，但因是通过生化检验得到，而非通过互联的数字健康设备得到，因此不是数字生物标志物。一方面，数字生物标志物现阶段的发展目标是传统生物标志物的有效补充，而不是取代后者；另一方面，数字生物标志物可有力推动健康医疗模式从被动应对向主动预防的转变。通过使用数字生物标志物，研究人员不仅能够更好地解释疾病，而且还可利用日益庞大的健康数据分析正常且健康的个体状态所代表的意义，更重要的是预测未来的健康结局。因此，各方面对数字生物标志物研究的兴趣有望在未来几年内飙升。
5.此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于申请人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。


技术实现要素：

6.针对现有技术之不足，本发明提供了一种基于数字生物标志物的认知能力评判系统。所述认知能力评判系统至少包括：
7.数字化评估单元，被配置为：
8.能够对用户与所述数字化评估单元之间的交互过程进行监测，以得出交互数据、语言数据、眼动数据和/或瞳孔数据，
9.能够基于所述交互过程信息以计算得出评估数据；
10.基于所述交互数据、语言数据、眼动数据和/或瞳孔数据和评估数据对所述用户的脑健康进行评判；
11.或者，与所述数字化评估单元建立连接的服务器能够获取所述交互过程信息以计算得出评估数据，
12.其中，所述服务器被配置为至少能够获取所述交互数据、语言数据、眼动数据和/或瞳孔数据，并且基于所述交互数据、语言数据、眼动数据和/或瞳孔数据和评估数据对所述用户的脑健康进行评判。所述认知能力评判系统还能够包括数字化棋牌。所述数字化棋牌被配置为至少能够捕获用户使用所述数字化棋牌时所述数字化棋牌的运动数据。
13.而当本系统被用于某一社区棋牌娱乐场所时，棋牌娱乐场所很可能存在多个使用本数字化棋牌的用户，且同时使用本数字化棋牌(例如多个本数字化棋牌的用户同时在整理棋牌、同时在手掌内翻转棋牌等，或者同一数字化麻将在同一时段可以被多个不同的用户移动、拿取等。本系统的数字化棋牌每当被用户使用/移动时数字化棋牌至少能够向数字化评估单元和/或服务器发送该数字化棋牌当次运动的运动数据，而由于每个数字化棋牌在一个时间段内可以被多个使用本数字化棋牌的不同用户使用，因此智能轨迹传感器或服务器存在无法准确、快速地将每个处于使用/运动中的数字化棋牌的运动数据归入使用数字化棋牌的用户的动作数据库中，即数字化棋牌所记录的运动轨迹等数据的归属问题没有
解决。因此，对使用本系统的用户配备可穿戴设备，所述穿戴设备至少能够向数字化棋牌内的智能轨迹分析传感器发送能够标识所述用户的身份信息的标识符，以解决数字化棋牌所记录的运动轨迹等数据的归属问题。
14.优选地，所述智能轨迹分析传感器能够获取所述可穿戴设备的标识符。优选地，智能轨迹分析传感器能够测量其与可穿戴设备之间的距离。特别优选地，每个数字化棋牌内的智能轨迹分析传感器在被用户移动的第二时刻测量与处于该数字化棋牌的周围的可穿戴设备的距离，并向距离该数字化棋牌最近的可穿戴设备发送数据归属请求。优选地，距离该数字化棋牌最近的可穿戴设备接收到所述数据归属请求后向所述智能轨迹分析传感器发送其携带的标识符，以标识使用该可穿戴设备的用户的身份信息。
15.优选地，可穿戴设备能够人为地录入用户的身份信息。优选地，用户的身份信息可以包括但不限于：用户的姓名、年龄、性别等。与此同时，可穿戴设备至少能够测量被移动中的所述数字化棋牌与所述可穿戴设备之间的距离。
16.优选地，智能轨迹分析传感器能够自动计时，以记录智能轨迹分析传感器或棋牌发生运动/振动的时间。优选地，智能轨迹分析传感器所采集的运动数据中能够附上运动数据相对应的时间戳。
17.优选地，第一时刻能够由智能轨迹分析传感器确定。优选地，当智能轨迹分析传感器所测量的智能轨迹分析传感器和/或棋牌的振动值从数值零变为非零的数值时，智能轨迹分析传感器判定此时为第一时刻。
18.特别优选地，当智能轨迹分析传感器所测量的智能轨迹分析传感器和/或棋牌的振动值从数值零变为非零的数值且所述智能轨迹分析传感器所处的高度偏离第一高度时，智能轨迹分析传感器判定此时为第一时刻。优选地，第一高度为数字化棋牌使用平台的高度。优选地，数字化棋牌使用平台可以为麻将桌等。通过此设置，可以使得设置于数字化棋牌内的智能轨迹分析传感器当被用户移动且仅当被移动至数字化棋牌使用平台以外时，智能轨迹分析传感器才开始记录智能轨迹分析传感器的空间坐标信息等，从而使得智能轨迹分析传感器能够记录用户一次完整的摸牌动作(特别是记录从桌面摸牌到重新将棋牌放回桌面之间的停顿思考过程和完整的摸牌轨迹)，即避免智能轨迹分析传感器被用户停顿于半空时智能轨迹分析传感器将一次完整的摸牌动作分解为多个子部分来记录而容易丢失半空停顿/滞留时间和完整的摸牌轨迹等可能重要的数字生物标志物。
19.优选地，第二时刻能够由智能轨迹分析传感器确定。优选地，当智能轨迹分析传感器所测量的智能轨迹分析传感器和/或棋牌的振动值从非零的数值变为数值零时，智能轨迹分析传感器判定此时为第二时刻。
20.特别优选地，当且仅当所述数字化棋牌内的智能轨迹分析传感器处于所述第二时刻时开始搜索所述智能轨迹分析传感器周围的所述可穿戴设备时，所述智能轨迹分析传感器获取距离所述智能轨迹分析传感器最近的所述可穿戴设备的标识符。
21.通过该配置方式，可以避免在第一时刻或第一时刻与第二时刻之间来测量智能轨迹分析传感器与其周围的可穿戴设备之间的距离而发生一次数字化棋牌的移动/运动过程对应多个用户/可穿戴设备。这是由于用户使用数字化棋牌的过程中，尤其是在使用/移动完某个数字化棋牌的时刻(例如第二时刻)，该数字化棋牌位于靠近使用当次数字化棋牌的用户的一侧，进而能够与其他用户的可穿戴设备保持相对较远的距离，从而避免发生一次
智能轨迹分析传感器识别出与多个用户的可穿戴设备的距离为相同的最小距离，即避免发生一次数字化棋牌的移动/运动过程对应多个用户/可穿戴设备的情况，例如在属于同一组的多个佩戴有可穿戴设备的用户同时靠近/移动某个/某几个数字化棋牌时某个/某几个数字化棋牌或出现测量其与周围多个可穿戴设备的最小距离为相同的数值。而本技术方案中智能轨迹分析传感器选择在第二时刻测量该智能轨迹分析传感器与其周围的可穿戴设备之间的距离，即在使用/移动完某个数字化棋牌的时刻，该数字化棋牌已经位于靠近使用当次数字化棋牌的用户的一侧，进而能够与其他用户的可穿戴设备保持相对较远的距离，从而使得使用当次数字化棋牌的用户、非使用当次数字化棋牌的用户与当次数字化棋牌的距离具有显著的差异性，从而提升了数字化棋牌每次所采集的空间坐标数据的归属问题的准确性。
22.例如，智能轨迹分析传感器开始测量其与周围的可穿戴设备之间的距离，并向距离该数字化棋牌最近的可穿戴设备发送出身份请求。之后距离该数字化棋牌最近的可穿戴设备向该数字化棋牌内的智能轨迹分析传感器发送用于标识佩戴所述可穿戴设备的用户的身份信息的标识符。
23.当智能轨迹分析传感器接收到与该数字化棋牌距离最近的可穿戴设备的标识符后，智能轨迹分析传感器将标识符插入该智能轨迹分析传感器当次向数字化评估单元和/或服务器的运动数据之中，以标识出当次采集的运动数据来源于哪一个用户。
24.特别优选地，智能轨迹分析传感器仅能够测量距离在距离阈值范围内的可穿戴设备的距离。优选地，距离阈值可以根据实际场景人为地设定，例如距离阈值可以为十五厘米。通过该配置方式，可以显著地减少智能轨迹分析传感器的测距需求，从而显著地降低智能轨迹分析传感器的数据(例如与周围若干可穿戴设备的距离)采集量，进而使得智能轨迹分析传感器能够更快速地识别出距离当次智能轨迹分析传感器最近的可穿戴设备，最终获取所述可穿戴设备相关联的用户的身份信息。
25.优选地，标识符可以由字符、数字等构成。例如，标识符可以为a1、a2、a3、a4，其中，一组用户使用同一套数字化棋牌，字母a可以代表属于哪一组用户，数字可以标识属于相应用户组的第一个用户。
26.优选地，当智能轨迹分析传感器通过无线网关完成向数字化评估单元和/或云服务器当次运动数据之后，该智能轨迹分析传感器自动地将所记录的标识符清除，以便于该智能轨迹分析传感器在下一次被用户使用/移动的过程中接收来自所述可穿戴设备用于标识下一次用户的身份信息的标识符。
27.智能轨迹分析传感器向数字化评估单元和/或服务器发送当次运动数据。
28.当数字化评估单元和/或服务器接收到所述运动数据，先识别该当次运动数据中的标识符以识别当次运动数据的数据源归属，然后再将当次运动数据录入与该运动数据中的标识符所对应的用户的数据库内，从而解决每个数字化棋牌每次采集的数据归属问题。
29.优选地，设置于所述数字化棋牌内的智能轨迹分析传感器所采的所述运动数据还能够通过所述可穿戴设备发送至数字化评估单元和/或服务器。
30.通过该配置方式，1)基于数字化棋牌对用户脑健康(比如认知能力)进行筛查/评估的方式更易为老年人群所接受，从而使得本系统能够在多个社区中投入使用，以作为老年人用户脑健康(比如认知能力)评估的初筛工具，从而显著地降低对用户脑健康(比如认
知能力)进行筛查/评估的经济成本、以及社会成本，还可以避免医疗资源的浪费；2)相比仅通过app进行认知测试评估，通过数字化棋牌和数字化评估单元所能获得用户的数据维度更多，例如app仅能得到用户的二维数据，而通过数字化棋牌内的智能轨迹分析传感器得到的是三维甚至更多维度的数据；3)通过本发明可以辅助实现脑健康(比如认知障碍患者，特别是阿尔茨海默症患者)诊断关口的前移，即可以作为一种更简单、客观的阿尔茨海默病的风险评估(筛查)工具，而不是作为认知障碍的诊断工具。
31.特别优选地，智能轨迹分析传感器还能够测量其自身和/或棋牌的振动值。优选地，智能轨迹分析传感器能够在智能轨迹分析传感器或棋牌发生振动/运动时开始记录智能轨迹分析传感器或棋牌的空间坐标数据等。优选地，智能轨迹分析传感器能够在智能轨迹分析传感器或棋牌停止振动/运动时停止记录智能轨迹分析传感器或棋牌的空间坐标数据等。特别优选地，智能轨迹分析传感器能够在智能轨迹分析传感器或棋牌发生振动/运动且所述智能轨迹分析传感器并非处于第一高度时开始记录智能轨迹分析传感器或棋牌的空间坐标数据等，其中，所述第一高度为用户使用数字化棋牌的棋牌平台的高度。比如，棋牌平台可以为麻将桌等。通过该配置方式，可以避免数字化棋牌内的智能轨迹分析传感器在数字化棋牌被洗牌等非用户独立使用时采集数字化棋牌运动过程中的数据，而此类数据(比如数字化棋牌被自动麻将机洗牌的情况；又比如，数字化麻将被多个用户手动洗牌的情况)不能作为用户个人独立使用行为的原始数据，从而进一步地减少无效的原始数据的采集，进而提升原始数据的质量、降低了服务器的数据处理量。优选地，智能轨迹分析传感器所采集的空间坐标数据精度最高可以至少达到五毫米。优选地，智能轨迹分析传感器所采集的空间坐标数据精度的记录时长最大可以为十秒。
32.根据一个优选实施方式，所述数字化评估单元或所述服务器设置有预警模块和显示模块。所述预警模块能够比较当前周期对应的用户的认知能力评分与上一周期对应的用户的认知能力评分，并且所述预警模块能够在用户的认知能力评分环比下降超过预设触发阈值时生成第一预警信息。所述第一预警信息能够通过所述显示模块进行显示。
33.根据一个优选实施方式，所述数字化棋牌至少包括棋牌和智能轨迹分析传感器。所述智能轨迹分析传感器设置于或集成于所述棋牌内。所述智能轨迹分析传感器至少能够用于获取所述棋牌被所述用户使用的过程中的空间坐标和/或与所述空间坐标相关联的时间戳。
34.根据一个优选实施方式，所述用户能够穿戴可穿戴设备。所述可穿戴设备被配置为至少能够向所述用户发送能够标识所述用户的身份信息的标识符。所述智能轨迹分析传感器能够获取所述可穿戴设备的标识符。
35.根据一个优选实施方式，所述数字化棋牌能够将所述运动数据发送至所述数字化评估单元和/或所述服务器。所述数字化评估单元能够获取所述运动数据，并能够将所述运动数据发送至所述服务器。
36.根据一个优选实施方式，还能够包括智能环境设备单元。所述智能环境设备单元能够用于获取所述用户日常生活中的日常数据。
37.一种数据处理方法，所述方法为：
38.数字化评估单元对用户与所述数字化评估单元之间的交互过程进行监测，以得出交互数据、语言数据、眼动数据和/或瞳孔数据；
39.数字化棋牌采集用户移动所述数字化棋牌时所述数字化棋牌的运动数据；
40.所述数字化评估单元和/或服务器基于所述交互过程信息以计算得出评估数据，并且至少能够基于所述语言数据、眼动数据、评估数据、运动数据和参考标志物对所述用户的脑健康进行评判。
41.根据一个优选实施方式，所述参考标志物由以下步骤得到：
42.获取原始数据；
43.基于机器学习从原始数据中提取特征数据，并进一步从所述特征数据中筛选出候选数字生物标志物；
44.基于因果学习从所述候选数字生物标志物进行因果推断，以计算分析得出有效数字生物标志物。
45.根据一个优选实施方式，所述原始数据至少包括：
46.由数字化棋牌采集的在用户移动所述数字化棋牌时所述数字化棋牌的运动数据；
47.由数字化评估单元在用户与所述数字化评估单元的交互过程中采集的交互数据、语言数据、眼动数据和/或瞳孔数据；
48.由数字化评估单元和/或服务器获取所述用户与所述数字化评估单元的交互过程而计算得出的评估数据。
附图说明
49.图1是本发明提供的一种优选实施方式的简化模块连接关系示意图；
50.图2是本发明提供的数字化棋牌的一种优选实施方式的示意图；
51.图3是本发明提供的数字化评估单元的一种优选实施方式的示意图。
52.附图标记列表
53.1：数字化评估单元；
ꢀꢀꢀꢀꢀ
2：服务器；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
3：数字化棋牌；
54.4：可穿戴设备；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
5：智能环境设备单元；
ꢀꢀꢀ
301：棋牌；
55.302：智能轨迹分析传感器。
具体实施方式
56.下面结合附图进行详细说明。
57.图1、图2和图3示出一种基于数字生物标志物的认知能力评判系统及方法。本发明还可以是一种数据处理系统及方法。该系统至少包括数字化评估单元。
58.数字化评估单元1被配置为能够对用户与所述数字化评估单元之间的交互过程进行监测，以得出交互数据、语言数据、眼动数据和/或瞳孔数据。
59.在数字化评估单元具有数据处理能力的情况下，数字化评估单元基于交互过程以计算得出评估数据，并且基于交互数据、语言数据、眼动数据和/或瞳孔数据以及评估数据对用户的脑健康进行评判。
60.在数字化评估单元1与服务器2建立连接的情况下，服务器2能够获取交互过程以计算得出评估数据。服务器2被配置为至少能够获取语言数据、眼动数据，并基于交互数据、语言数据、眼动数据和/或瞳孔数据以及评估数据对用户的脑健康进行评判。
61.优选地，服务器2可以为普通的物理服务器2。优选地，服务器2也可以为云服务器
2。优选地，脑健康至少包括：认知能力。优选地，脑健康也可以包括：学习、判断、语言和记忆的能力，以及执行心理过程的能力。优选地，脑健康还可以包括其他疾病。
62.根据一个优选实施方式，数字化评估单元1还安装有或设置有预警模块和显示模块，预警模块能够比较当前周期对应的用户的认知能力评分与上一周期对应的用户的认知能力评分，并且预警模块能够在用户的认知能力评分环比下降超过预设触发阈值时生成第一预警信息，第一预警信息能够通过显示模块进行显示。
63.优选地，评估单元定期比较当前周期对应的用户的认知能力评分与上一周期对应的用户的认知能力评分的比较周期可以是人为设定的。优选地，预设触发阈值可以人为设定。例如，预设触发阈值例如可以是上一周期该用户认知评估得分的3％。比如，评估单元的预警模块可以被配置为以天、周、月、季度和年中的至少一个为周期。比如，评估单元的预警模块可以被配置为以天为周期来比较对应的用户的认知能力评分。又比如，评估单元的预警模块可以被配置为以天和周为周期来比较对应的用户的认知能力评分。即，评估单元的预警模块既比较相邻两天中对应的用户的认知能力评分，也比较相邻两周中对应的用户的认知能力评分。
64.优选地，评估单元的预警模块可以以彼此不同的至少两个比较周期定期比较当前周期对应的用户的认知能力评分与上一周期对应的用户的认知能力评分。不同的比较周期可以对应于彼此不同的预设触发阈值。例如，一些用户在使用数字化棋牌3的前期出牌比较快，但是当其出牌的速度随着被测试时间的推移逐渐变慢(例如，连续几个月、一两年均呈变慢趋势)，评估单元的预警模块则可能判断出该用户出现认知能力下降的问题。通过该配置方式，可以基于该用户的不同时期其认知能力的变化趋势进行监测和评估，即用户认知能力的纵向变化数据。例如甲用户今天的数据和该用户下个星期在做测试的数据的对比，以及再下个星期，有可能从中监测出评估能力的变化趋势，从而可以避免将原本认知能力较低的用户评估为认知能力不足。
65.根据一个优选实施方式，还包括数字化棋牌3。数字化棋牌3至少包括：棋牌301，以及设置于或集成于棋牌301内的智能轨迹分析传感器302。智能轨迹分析传感器302至少能够用于获取棋牌301被用户使用的过程中的空间坐标和/或与空间坐标相关联的时间戳。
66.优选地，上述棋牌301被用户使用的过程至少包括：移动棋牌、转动棋牌。优选地，上述棋牌301被用户使用的过程还可以包括：按压棋牌的作用力大小和方向、频率，使用棋牌敲击的作用力大小和频率等。
67.特别优选地，棋牌301可以是麻将。优选地，棋牌301也可以是象棋、国际象棋等其他类别的棋牌。
68.优选地，智能轨迹分析传感器302至少能够用于获取数字化棋牌3的三维空间坐标数据。优选地，nfc读写器至少能够用于为智能轨迹分析传感器302配置参数。优选地，无线网关用于与智能轨迹分析传感器302配套使用。优选地，无线充电器至少能够用于为智能轨迹分析传感器302充电。
69.优选地，智能轨迹分析传感器302被设置于或集成与棋牌内。优选地，智能轨迹分析传感器302被配置为能够在需要时与无线网关等其他设备数据连接时再打开数据通道进行数据传输。优选地，将智能轨迹分析传感器302安装入麻将的开槽内后可以采用强力胶水进行对开槽进行粘合。
70.优选地，智能轨迹分析传感器302所传输的数据内容至少包括：数字化棋牌3(例如数字化麻将)的三维空间坐标数据，即数字化棋牌3分别对应于x、y、z轴的坐标。优选地，数字化棋牌3所在的坐标系可以根据实际应用场景灵活地选定。
71.优选地，nfc读写器可以支持nfc协议。优选地，nfc读写器可以用于为智能轨迹分析传感器302配置参数使用。优选地，nfc读写器可以连接至pc使用。优选地，nfc读写器也可以用于对所获取智能轨迹分析传感器302的数据进行读写。
72.优选地，无线充电器可以采用qi标准无线充电协议。优选地，无线充电器可以用于为智能轨迹分析传感器302充电。
73.优选地，无线网关可以采用无线网络等。优选地，无线网关可以保持数据接收通道一直打开，任意时刻可以接收或传输智能轨迹分析传感器302所发送的数据。优选地，一套数字化棋牌3配备一套无线网关。优选地，一套数字化棋牌3中的任意一个数字化棋牌3仅通过与该套数字化棋牌3相对应的无线网关发送数据。
74.优选地，智能轨迹分析传感器302可以为三轴加速度传感器。
75.特别优选地，智能轨迹分析传感器302与相对应的无线网关不用保持长连接，可以在需要发送数据时智能轨迹分析传感器302再与无线网关建立数据连接以打开数据传输通道。
76.优选地，智能轨迹分析传感器302可以用于记录用户抓取集成或者设置有智能轨迹分析传感器302的数字化棋牌3而在半空中和/或在特定的平台内所形成的空间运行轨迹数据。优选地，空间运行轨迹数据可以包括用户抓取麻将过程中所产生的停顿的时长、一次动作移动的距离、从用户手部从一个位置移动到另一个位置的移动轨迹等时序信号。优选地，一次动作为全程无停顿的动作。优选地，一次动作为全程中包含停顿的动作。
77.优选地，智能轨迹分析传感器302的工作过程也可以分为以下步骤：
78.当智能轨迹分析传感器302被启动(即第一时刻)之后，智能轨迹分析传感器302先后通过stm32进行时钟配置和串口配置；
79.通过2.4g模块设置透传模式；
80.2.4g模块发送数据唤醒传感器：若收到传感器应答信号，则智能轨迹分析传感器302解休眠，若未收到传感器应答信号，则2.4g模块重新发送数据唤醒传感器；
81.智能轨迹分析传感器302初始化，即时间重置以读取时间、x/y/z轴数据分别归零，以便于后续过程中读取x/y/z轴新的坐标数据；
82.在用户使用设置有或集成有智能轨迹分析传感器302的数字化棋牌3时，智能轨迹分析传感器302计算该数字化棋牌3的输出加速度、角速度以及空间坐标；
83.智能轨迹分析传感器302进行数据融合，即获取x/y/z轴的坐标数据，以用于数字化棋牌3的姿态判断和设置姿态标志位，以及获取可穿戴设备4或其他设备发送的用于表示当前使用该数字化棋牌3的用户身份的标识码；
84.智能轨迹分析传感器302将上述经数据融合的数据(例如该数字化棋牌3的出加速度、角速度以及空间坐标，以及用于标识用户身份的标识码)打包，其中，打包后的数据可以设置校验位并通过2.4g模块发送至网关，网关再转发数据至云平台(即云服务器2)；智能轨迹分析传感器302也可以将上述经数据融合和姿态判断后的数据经串口发送至上位机(上位机可以是个人服务器2)，并经由上位机对所获取智能轨迹分析传感器302的所有数据进
行复现，以绘制当前被使用的数字化棋牌3的空间轨迹图像。特别优选地，上述空间轨迹图像也可以被发送至服务器2，以作为一种可能的数字标志物的原始数据来源。
85.通过该配置方式，可以通过数字化棋牌3相比仅从移动平台的app获取更多维度的能够表示用户决策过程和/或行为习惯的数据，即通过智能轨迹分析传感器302采集用户在使用数字化棋牌3(例如数字化麻将)过程中，在拿取数字化棋牌3时所产生的用户手部在半空和/或在特定的平台(例如麻将桌的桌面)内中所划出的三维动作轨迹数据、用户手部抓取麻将等棋牌的力度、颤抖的频率和强度、动作的流畅性和连贯性、停顿时间、移动轨迹等时序信号，并可以通过蓝牙或紫蜂技术、无线网关等现有技术以将通过集成于麻将中的智能轨迹分析传感器302所获得的用户的运动数据传输至服务器2。用户实际抓取麻将等实体棋牌过程中与仅仅通过触摸带有游戏app的触摸屏是显著不同的，这是由于通过带有游戏app的触摸屏一般仅能获取用户的二维动作运动数据，而用户在实际抓取麻将等实体棋牌过程中会产生三维空间运动数据，甚至更多维度的运动数据，进而数据类别更丰富；此外，采用数字化棋牌3的方式获取用户的运动数据也更易于用户所接受。
86.优选地，智能轨迹分析传感器302可以通过无线网络等现有技术将所获取的用户的动作数据等发送至移动平台上的数字化评估单元1和/或服务器2。
87.根据一个优选实施方式，用户能够穿戴可穿戴设备4。穿戴设备被配置为至少能够向用户发送能够标识用户的身份信息的标识符，其中，智能轨迹分析传感器302能够获取可穿戴设备4的标识符。
88.优选地，可穿戴设备4可以包括腕带智能设备、头戴智能设备等，例如智能手表/手环、智能头盔。优选地，可穿戴设备4可以由用户全天二十四小时或特定的时间段随身携带。
89.优选地，可穿戴设备4能够被佩戴于用户的手腕部。优选地，可穿戴设备4也能够被佩戴于用户的其他身体部位。
90.优选地，用户能够穿戴可穿戴设备4。穿戴设备被配置为至少能够向用户发送标识用户的身份信息的标识符。当且仅当数字化棋牌3内的智能轨迹分析传感器302处于第二时刻时开始搜索(智能轨迹分析传感器302周围的)可穿戴设备4时，智能轨迹分析传感器302才能获取距离智能轨迹分析传感器302最近的可穿戴设备4的标识符。
91.根据一个优选实施方式，可穿戴设备4还能够采集或被输入用户的个体特征数据和/或生理数据，生理数据至少包括心率、血压、脉搏血氧饱和度、体温以及相关联的时间戳。可穿戴设备4能够将生物数据发送至服务器2。所述个体特征数据至少包括对所述棋牌的熟悉程度、受教育程度和疾病史。疾病史例如是可能对脑部功能存在影响的疾病历史信息。
92.优选地，生理数据也可以包括与用户活动相关的信息，例如用户每日步行的步数。优选地，生理数据还可以包括用户身体部位(例如手部)的抖动频率和幅度。例如，用户身体部位(例如手部)的抖动频率和幅度可以通过可穿戴设备4内的加速度计采集获得。
93.根据一个优选实施方式，还能够包括智能环境设备单元5。智能环境设备单元5能够用于获取用户日常生活中的日常数据。
94.优选地，日常数据为智能环境设备单元5采集用户全天候或者特定时段的行为数据。优选地，上述行为数据可以为用户认知能力评估相关的行为。优选地，上述行为数据可以为用户其他身体健康评估相关的行为。优选地，智能环境设备单元5可以包括但不限于以
下设备：水浸传感器、超声波传感器、语音记录器和微波传感器等。例如，日常数据可以为厕所里的水浸传感器(如监测忘记关闭水龙头的频率)所采集的行为数据，以表示用户的记忆力情况；设置于用户日常行为活动范围内的超声波传感器可实现对用户距离的判断、微波传感器可实现对用户移动的判定，从而获取用户的距离及移动信息，以用于标志用户的定向力、视空间能力；设置于用户日常行为活动范围内的语音记录器所记录的用户语音信息可以用于根据其语频、语速、语音信息判定用户的注意力，还可以根据重句和关键字等信息评估用户的言语瞬时或延迟记忆力。优选地，日常数据也可以包括危险因素和生理指标。优选地，危险因素可以包括但不限于：吸烟的频率、饮酒的频率等。优选地，生理指标可以包括但不限于：心脏的健康状态、脑部的健康状况等。优选地，日常数据还可以包括认知能力评估所需的其他运动数据。
95.根据一个优选实施方式，还能够包括数字化评估单元1。数字化评估单元1被配置为能够对用户与数字化评估单元1之间的交互过程进行监测，以捕获用户的语言数据和眼动数据。数字化评估单元1能够将上述交互过程发送至服务器2，以使得服务器2能够基于交互过程计算得出用户的评估数据。
96.优选地，数字化评估单元1可以识别和提取使用的语音命令、单词和短语中的语音模式。优选地，数字化评估单元1在对语音进行信号处理之后，可以提取音素和音素的重复组合。优选地，数字化评估单元1可以识别和提取每个语音模式的特征，包括音高、幅度和频谱。
97.优选地，交互数据为用户在与数字化评估单元1交互的过程中产生的数据，例如包括但不限于点击数据、频率数据、动作连续数据、轨迹数据、信息内容选择数据、滑动选择数据、内容变化逻辑关系数据等等。
98.优选地，眼动数据为与用户眼球运动相关的数据。优选地，眼动数据可以包括但不限于：与注视、眼跳和追随等眼球运动(或者眼球运动模式)等相关的数据。优选地，眼动数据也可以包括：用户的注视点位置、注视时间和瞳孔直径。优选地，上述眼动数据能够由眼电图传感器或其他相关的眼动传感器监测用户的眼部行为获得。瞳孔数据包括但不限于用户的瞳孔的大小数据值、瞳孔的变化时间以及瞳孔的变化值。
99.优选地，数字化棋牌3与设置有或集成有数字化评估单元1的移动设备的联动方式至少有以下两种：1)设置有或集成有数字化评估单元1的移动设备与智能轨迹分析传感器302等分别通过蓝牙或无线传送到网关，再由网关通过有线或无线传送到服务器2；2)智能轨迹分析传感器302所采集的数据通过蓝牙或无线传送到数字化评估单元1，数字化评估单元1通过蓝牙或无线传送到网关，网关通过有线或无线传送到服务器2。
100.优选地，交互数据、语言数据和眼动数据是由数字化评估单元1获取的。获取方式至少包括数据接收和人工输入。优选地，数字化评估单元1可以设置于或集成于移动平台内。优选地，移动平台包括但不限于手机或平板电脑等。优选地，数字化评估单元1可以根据实际需求而设置或集成相应的传感器以获取用户的交互数据、语言数据、眼动数据和/或瞳孔数据。
101.优选地，用户还能够通过数字化评估单元1与数字化棋牌3进行联动。例如，数字化评估单元1可以向用户发出评估指令；比如，评估指令可以是“请说出数字化评估单元1所使用屏幕中空缺的麻将，并从数字化棋牌3中取出该空缺的麻将”，之后数字化评估单元1采集
用户回答过程中的语言数据；与此同时，被用户移动的数字化棋牌3采集其自身的运动数据。
102.优选地，语言是人类进行沟通交流的表达方式。语言数据包括但不限于用户的语音信息，还包括图文信息。例如，数字化评估单元1可以将其获取的用户的语言数据直接通过蓝牙技术等无线传输至服务器2。语言数据还可以是以文字形式形成的自然语言，例如各个国家的语言文字、图案、表情、数字、符号、摩斯密码等等。
103.再例如，数字化评估单元1能够获取数字化棋牌3所采集用户的运动数据，并基于上述运动数据以及数字化评估单元1本身所采集的语言数据共同对用户的认知能力进行评估。例如，数字化评估单元1可以根据用户语音信息的清晰度、智能轨迹分析传感器302所记录的棋牌移动轨迹的流畅程度和完成一个评估单元的时间的长度等对用户的认知能力进行评估。
104.再例如，数字化评估单元1可以针对用户输入数字化评估单元1的信息是否符合信息键入标准以对用户的认知能力进行评估。键入标准包括但不限于语音清晰度、轨迹记忆是否明确、测试时间的长度、键入信息是否超过规定范围(如应当输入1至9范围内数字，但是实际输入超出这一范围)等。通过该配置方式，即将数字化评估单元1设置于或集成于移动设备(例如手机、平板电脑等)中的游戏app，不仅仅可以获取用户与游戏app交互问答的交互数据、语言数据或语音信息，还有能够通过与数字化评估单元1相联动或者数据连接的数字化棋牌3获取用户的动作信息、轨迹信息。例如，让用户通过数字化评估单元1画一个时钟，部分用户起初开始画时可能就出现困难，此方式相比传统量表评估画时钟，通过数字化评估单元1的屏幕以及电子触控笔抓取下列特征：用户使用电子触控笔在数字化评估单元1的触摸屏上画图时使用电子触控笔接触触摸屏的力度、画图时电子触控笔鼻尖在触摸屏上划过的速度和/或停顿时间、用户使用电子触控笔所形成的笔迹的形状等类别数据，并将上述数据保存至自身或者发送至服务器2，以通过自身或者服务器2对用户认知能力的数字化初步评估。
105.优选地，对用户认知能力的数字化初步评估所形成的评估数据包括但不限于：用户使用电子触控笔在数字化评估单元1的触摸屏上画图时使用电子触控笔接触触摸屏的力度、画图时电子触控笔鼻尖在触摸屏上划过的速度和/或停顿时间、用户使用电子触控笔所形成的笔迹的形状、评估过程中用户与数字化评估单元1交互时语音的清晰度、数字化棋牌3被移动所形成的轨迹是否流畅、完成一次评估所需的时间等。通过该配置方式，不仅仅能够通过数字化评估单元1或者服务器2比较用户使用数字化评估单元1时所形成的手势轨迹、使用电子触控笔的力度等数据信息以与其他正常认知能力人群进行横向对比，而且更重要的是数字化评估单元1或服务器2能够基于该老人的不同时期其认知能力的变化趋势进行监测和评估，从而可以避免将原本认知能力较低的被测试者评估为认知能力不足。
106.优选地，数字化评估单元1着重评估用户如下方面的认知能力：注意力、视空间能力、抽象能力、执行能力、即时记忆、延迟记忆、语言能力、定向能力。例如，数字化评估单元1可以将一块麻将牌图片切割成几个碎片，然后将顺序打乱，再通过让老年人判定这些碎片化图片是由哪个麻将牌切割而成的，从而从若干麻将中选取对应的麻将牌，以获取与老年人的视空间能力对应的评估数据。
107.优选地，能够将数字化评估单元1数字化或者整合于移动平台的游戏app或者其他
评估装置中。通过该配置方式，可以通过用户与数字化评估单元1或移动平台的游戏app或者其他评估装置的交互以获取用户的语音等数据，从而对用户的认知能力进行评分或者评估。
108.优选地，数字化评估单元1的主要评估过程：数据采集、语音识别、逻辑校验、规则学习、评分。
109.数字化评估单元1和服务器2均可能具有对数据的处理功能。当数字化评估单元1和服务器2的数据处理功能有区别时，可分为两个阶段。
110.其中，数字化评估单元1的功能的第一阶段包括以下步骤：
111.(1)针对用户对数字化评估单元1所提出的问题的输入/反馈，数字化评估单元1能够判断其是否在规定数值范围区间内(如其出生年月与身份证是否对应、各个认知评估能力得分是否在规定数值范围内、输入数据是否清晰、超时等)；若信息的输入均在规定数值范围内，且不存在矛盾信息，则完成逻辑校验；
112.(2)将信息的输入、及对应认知域认知能力得分传输至服务器2，获取各数字化评估单元1得分总和，将总分与设定的得分区间对应认知评估水平进行比对，实现对受试者认知的评估。
113.第二阶段包括以下步骤：
114.(1)基于多模态的数据融合技术，服务器2对语音采集设备获取的语言数据、智能环境采集设备获取的传感器数据认知能力得分数据进行数据融合；
115.(2)针对融合数据进行基于机器学习的特征提取方法(例如偏最小二乘法、自编码器算法及其衍生算法、对抗网络学习算法及其衍生算法等)提取可能用于表征用户认知状态的特征；
116.(3)针对提取的特征与认知域进行关联，以获取能够表征用户认知状态的相关数字生物标志物，根据各数字生物标志物在特征提取算法中的权重进行重要性排序，实现认知筛查，助力认知障碍早发现。
117.通过该配置方式，即将数字化评估单元1集成于移动平台的游戏app上，不仅仅可以获得问答的信息，还能够获取用户使用该游戏app时的动作信息、使用触控笔在电子屏幕所形成的轨迹信息等。例如，数字化评估单元1里通过让用户在游戏app(如平板电脑)上画一个时钟，移动平台上的相应传感器能够捕捉用户画时钟时的动作信息、轨迹信息等，比如部分用户慢慢画时可能就出现困难，此方式相比传统量表评估画时钟，通过移动平台上的相应传感器至少(但不限于)捕获用户下列特征数据：使用触控笔的力度、画时钟的速度、停顿时长、数字表达的准确性、触控笔在触摸屏上形成的轨迹、画每一笔的停留时间以及手部的颤动等，进而通过上述特征数据实现对用户认知能力的数字化评估。通过该配置方式，即设置数字化评估单元1，数字化评估可以获取用户的特征数据的维度更多元，所采集的数据类别更全面，以实现对用户认知能力更全面、更客观的评估。
118.特别优选地，移动平台内的数字化评估单元1与用户之间可以建立语音等交互信息，以获取用户(特别是抓取植入有智能轨迹分析传感器302的麻将时)的语言数据等。例如，通过移动平台的数字化评估单元1向用户提问：“请说出当前页面中所空缺的麻将牌”，然后数字化评估单元1针对用于回答的语音信息进行语义转化，以获取用户答案；紧接着由数字化评估单元1判断该答案是否在规定区间，如在规定区域则判断其得分(是否正确、失
分项目判定由数字化评估单元1预先设定)，并传至服务器2；针对用于输入的信息则直接判断后传至服务器2(类似语音信息语义转化后操作)；针对轨迹信息，则需要将信息传至服务器2，基于机器学习的判定算法来判断得分情况
119.根据一个优选实施方式，数字化评估单元1或服务器2能够分别获取用户使用数字化棋牌3时的运动数据、用户使用数字化评估单元1所获取的用户的语言数据、智能环境设备单元5所获取的用户的日常数据，以用户后续的数据分析而获取可能表示用户认知能力或状态变化的数字生物标志物。
120.根据一个优选实施方式，数字化评估单元1或服务器2进行数据分析的过程为：服务器2将用户使用数字化棋牌3时的运动数据输入深度学习网络以提取特征数据；服务器2将用户使用数字化评估单元1所获取的用户的语言数据通过傅里叶变换以及频域分析等技术手段转换为特征数据，并通过堆栈自编码对上述数据进一步地提取特征数据；服务器2将智能环境设备单元5所获取的用户的日常数据通过本体学习的方式从中提取可能的特征数据。
121.当服务器2或者云平台获取用户使用数字化棋牌3时的动作运动数据、使用数字化评估单元1时所记录的用户的交互数据、语言数据、眼动数据以及智能环境设备单元5所获取的用户的日常数据进行数据分析(即数字生物标志物的提取)的过程为：将用户使用数字化棋牌3时的动作运动数据(即时序信号)输入深度学习网络，以通过深度学习网络提取用户的特征数据或指标。将用户使用数字化评估单元1所获取的用户的语言数据(即时序信号)等数据通过傅里叶变换以及频域分析等技术手段转换为特征数据，然后通过堆栈自编码对上述数据进一步地提取特征数据。将智能环境设备单元5所获取的用户的日常数据(例如用户如厕时获取的水浸、超声、压力数据)通过本体学习的方式从中提取能够表征目标属性的特征数据。优选地，目标属性至少包括但不限于：执行所有认知过程的能力。优选地，目标属性也可以包括：执行心理过程的能力。优选地，目标属性还可以包括：学习和判断、语言和记忆的能力。
122.根据一个优选实施方式，数字化评估单元1或服务器2对所有上述特征数据通过特征选择方法进行特征选择，以筛选出可能的数字生物标志物，然后再根据边际贡献分析对上述可能的数字生物标志物进行重要性排序。优选地，特征选择方法可以至少包括偏最小二乘法、变分自编码器、对抗网络学习中的一种或多种。优选地，特征选择方法也可以采用其他类别的方法。当服务器2初步提取上述特征数据之后，服务器2对以上所有所提取的特征可以通过偏最小二乘法进行特征选择：
123.y＝x*(x
t
s(t
t
xx
t
s)-1
t
t
y)+re(1)，其中s为自变量x映射的向量，t为因变量y映射的向量，re为相应的残基构成的矩阵。服务器2对以上所有所提取的特征数据通过偏最小二乘法进行特征选择以筛选出可能的数字生物标志物，然后再根据边际贡献分析对上述可能的数字生物标志物进行重要性排序。
124.优选地，参考标志物可以根据具体的医疗筛查/评估需求而选定。例如，服务器2所分析出有效的数字生物标志物(重要性由高至低)：用户手部移动轨迹、用户手部停顿的频率和/或时长。服务器2可以将上述有效的数字生物标志物作为筛查脑健康的参考标志物。
125.与此同时，数字化评估单元1或服务器2能够实时地获取移动平台上的数字化评估单元1对用户认知能力的评分，以用于辅助识别或者挖掘能够用于标识人类用户认知水平
下降(或者变化)的数字生物标志物。通过该配置方式，可以从用户使用数字化棋牌3时的动作运动数据、使用数字化评估单元1时所记录的用户的语言数据以及智能环境设备单元5所获取的用户的日常数据中筛选提取可能用于标识人类用户认知水平下降或者变化的数字生物标志物。
126.根据一个优选实施方式，基于所获取的特征数据构建因果分析知识库，并基于因果分析理论通过所建立的因果分析知识库对数字生物标志物进行因果推断，以挖掘能够有效标识用户认知能力或状态变化的数字生物标志物。
127.基于数字化棋牌3的认知能力评估方法，方法的步骤为：通过数字化棋牌3至少获取用户的运动数据；通过数字化评估单元1至少获取用户的语言数据；通过智能环境设备单元5获取用户的日常数据；服务器2获取上述运动数据、语言数据和日常数据以提取可能的数字生物标志物；基于上述可能的数字生物标志物建立因果关系知识库以计算分析得出参考标志物。
128.优选地，参考标志物可以根据具体的医疗筛查/评估需求而选定。例如，参考标志物可以为能够有效标识用户认知能力或状态变化的数字生物标志物。
129.本发明还提供一种基于因果学习从候选数字生物标志物进行因果推断的方法。方法包括：
130.s1：文献单元构建原始文献库；
131.s2：数据单元构建数据集；
132.s3：因果单元构建病症之间的因果关系；
133.s4：知识单元存储原始文献库、数据集和/或平均因果效应以构建能够读取和/或显示的知识库。从而知识库提供的信息能够以数据量化的形式提供给医疗工作者参考、学习和/或决策。
134.为了能够降低众多相关文献形成的众多特征参数对于病症对之间因果关系的干扰并提高原始文献库的利用价值。优选地，文献单元能够获取众多含有多种认知能力的相关文献并对其进行分类形成若干文献单元体以构建原始文献库，以使得数据单元能够基于文献单元体获取主要特征参数并基于主要特征参数构建数据集。
135.优选地，因果单元基于主要特征参数和数据集构建贝叶斯网络，以通过数据模式分析认知能力之间的平均因果效应，从而使得知识单元能够基于相关文献以形成认知能力之间及认知能力之间的平均因果效应的对应关系的方式构建知识库。例如，认知能力之间的平均因果效应能够反映出认知能力之间是否是构成并发症和合并症。
136.优选地，主要特征参数可以包括不限于服务器2前述步骤中所获取的可能的数字生物标志物。
137.优选地，数据集可以包括但不限于服务器2所获取的语音特征数据、行为特征数据、危险因素数据、生理指标数据等。优选地，行为特征数据可以包括数字化棋牌3的运动数据。优选地，行为特征数据也可以包括可穿戴设备4所采集的用户其他行为信息，例如用户每天所行走的步数、睡眠时间等数据信息。
138.优选地，因果单元也可以通过数据模式分析认知能力之间的直接因果效应，从而使得知识单元能够基于相关文献以形成认知能力之间及认知能力之间的直接因果效应的对应关系的方式构建知识库。
139.优选地，因果单元所采用的主要特征参数可以包括但不限于：用户使用数字化棋牌3时的运动数据、使用数字化评估单元1时所记录的用户的交互数据、语言数据、眼动数据以及智能环境设备单元5所获取的用户的日常数据。
140.优选地，文献单元基于获取的众多含有多种认知能力的相关文献。文献单元对相关文献进行分类形成若干文献单元体以构建原始文献库。该相关文献包括就诊病历、研究报告、会议文献、期刊文献、书籍、学术论文和专利。在如此大量的文献的情况下，其需要按照一定的方法进行分类。进行文献分类是为了能够有效的观察认知能力之间的关联以及减小系统的负荷。例如可以按照消化道疾病、心血管疾病和神经科疾病等进行分类。也可以按照学术领域进行分类，例如康复学和心理学等等进行分类。不过，在大量文献的严峻形式下，其准确高效的分类会直接影响并发症和合并症的区别。优选地，文献分类可以采用贝叶斯法、svm方法和k-nn法。
141.优选地，相关文献分类按照如下方式进行：s11：文献单元统计每一个文献中单词/词组的频率，按照独立性假设获取单词/词组的联合出现概率。例如，对于一个具体的文献，其联合出现概率分布可以按照朴素贝叶斯方法计算。
142.s12：文献单元计算单词/词组的关联性强度。通过关联性强度的计算，能够反映单词/词组的关联性，对于文献的分类是适宜的。优选地，在分类时，定义n为文献样本的集合，v是文献类型的集合，vi是第i个文献类型的子集。w是单词/词组集合，wi是第i个单词/词组的子集。在vi中含有sj个样本，其中第p个样本的关联约化坐标tp是一个n维数组：
[0143][0144]
其中，ki(i＝1,2,3，
…
n)中第i个单词出现的个数，归一化系数。
[0145]
在vi的关联向量是所有vi中样本关联约化坐标的平均，该值反映了文献中单词/词组的关联性强度即：
[0146][0147]
s13：文献单元1获取文献的关联约化坐标，并基于全部的相关文献的关联约化坐标构建的分类函数将相关文献按照迭代算法的形式进行分类以形成若干文献单元体。优选地，对于任意文献其关联约化坐标为：
[0148][0149]
式中，qi是文献中第i个单词出现的次数。在进行分类是，待分类文献与每一类文献vi的支撑点(b1,b2,
…
,bn)的距离记为：
[0150][0151]
根据关联性强度，构建文献分类函数：
[0152][0153]
式中，γi与关联性强度相关。
[0154]
优选地，迭代算法可以采用最小化迭代算法、极小优化迭代算法和期望最大迭代算法。优选地，分类函数能够基于相关文献的样本量进行深度学习，从而增强文献单元的精度。
[0155]
优选地，数据单元能够基于文献单元体获取主要特征参数并基于主要特征参数构建数据集。以降低众多相关文献形成的众多特征参数对于认知能力之间因果关系的干扰并提高原始文献库的利用价值。优选地，在数据单元获取了文献单元体的情况下，数据单元按照认知能力对配对的方式获取数据集。数据单元对每一个相关文献以自然语言处理的句法分析方式提取其中认知能力对之间的关系，用以建立认知能力对的关系知识库，认知能力对之间的关系包括正向关系、反向关系和垂直关系。并且，数据单元基于关系知识表在文献单元体内对包含有认知能力对的文献进行检索以融合的方式获取认知能力对的关系信度值用以建立认知能力对的关系信度值库，认知能力对之间的关系包括正向关系信度值、反向关系信度值和垂直关系信度值。从而，数据单元基于对所有认知能力之间按照两两配对的方式建立的关系知识库和关系信度值库构建数据集。例如，在相关文献中，获取了某种病症或行为l1和认知状态l2。某种病症或行为l1和认知状态l2出现的关系可能为正向关系，即某种病症或行为l1影响认知状态l2，记为l1
→
l2。某种病症或行为l1和认知状态l2能够出现的关系为可能为反向关系，即认知状态l2影响某种病症或行为l1，记为l2
→
l1。某种病症或行为l1和认知状态l2出现的关系可能为垂直关系，即认知状态l2与某种病症或行为l1互不影响l1
⊥
l2。由于并发症或者合并症是多种的，还可以包含另一种病症或行为l3和认知状态l4等若干认知能力。按照以上构建认知能力的关系，可以构建出某种病症或行为l1和另一种病症或行为l3的关系知识库、认知状态l2和另一种病症或行为l3的关系知识库，依次类推。然后在单元文献体内，根据不同文献中的内容基于上述关系知识库构建关系信度值库。优选地，正向关系信度值、反向关系信度值和垂直关系信度值三者之和按照归一化处理。即在单元文献体内，对所有的文献进行遍历查询，对正向关系信度值、反向关系信度值和垂直关系信度值按照频率赋予权重。数据单元将上述关系知识库和关系信度值库构建数据集输入因果单元中，进行下一步地。
[0156]
优选地，对于期刊文献，l1
→
l2的正向关系信度值还可以按照如下定义：
[0157][0158]
其中，c(xi)为文献xi的可信度，公式为：c(xi)＝(ifi+1)
×
(cii+1)，xi表示第i篇文献，ifi为文献xi所在期刊的标准化后的影响因子，cii为标准化后的引用量。若没有文献存在l1和l2的关系，则则kl(l1
→
l2)＝0，kl(l2
→
l1)＝0，kl(l1
⊥
l2)＝1。其他类型的文献可以采用同样的方式定义，例如病历可以根据医生的权威性进行定义。对于会议文章，可以根据会议的权威性进行定义等等。
[0159]
优选地，因果单元基于主要特征参数和数据集构建贝叶斯网络。优选地，主要特征
参数包括了正向关系信度值、反向关系信度值和垂直关系信度值。因果单元按照如下方式构建贝叶斯网络：
[0160]
s31：优选地，定义数据集d＝(d1，d2
……
di)为若干组认知能力，l＝(l1，l2
……
ln)某一组认知能力的具体认知能力集合。基于关系知识库构建贝叶斯网络评价函数：
[0161]
logp(g,d,kl)＝logp(g)+logp(d|g)+logp(kl|g)
[0162]
式中，g为贝叶斯网格，其取值包括了以l＝(l1，l2
……
ln)某一组认知能力的具体认知能力集合为节点的有向无环图。其中，p(g)为先验分布。根据现有知识可知，logp(g)+logp(d|g)的最大值等价于logp(g|d)。logp(g|d)可以根据贝叶斯信息标准bic评分。式中，
[0163][0164]
其中，如结构g中任意一条边表示为lm
→
ln，则kl(glm，gln)＝kl(lm
→
ln)。kl(lm
→
ln)即为关系信度值。公式中的求和是对结构g中所有的有向边对应的正向关系的文献知识可信度进行求和。
[0165]
s32：基于关系知识库构建无向图结构约束；对于给定数据集d，对d中的任意认知能力对lm和ln，通过检索认知能力对关系知识库获得属性对lm和ln的认知能力对编号，根据认知能力对编号检索文献中认知能力对lm和ln关系信度值表中的lm
→
ln的关系信度值和ln
→
lm的关系信度值。若l1影响l2，则其连接关系是l1连线l2并指向l2，构建l1与l2的有向边，并赋予正向关系信度值。若l2影响l1，则其连接关系是l2连线l1并指向l2，构建l2与l1的有向边，并赋予负向关系信度值。若l2互不影响l1，则两者不连线，并赋予垂直关系信度值。
[0166]
s33：基于贝叶斯网络评价函数和无向图结构约束构建贝叶斯网络。确定贝叶斯网络的无向图结构约束后，可执行启发式搜索算法，如k2算法，寻求评分函数最优的网络结构。一般步骤为：从初始模型开始搜索，在搜索的每一步，首先用搜索算子对当前模型进行局部修改，得到一系列候选模型，然后计算每个候选模型的评分，并将最优候选模型与当前模型比较。若最优候选模型的评分大，则它作为下一个当前模型，继续搜索；否则停止搜索，返回当前模型。根据贝叶斯原理，评分最大的候选模型即为贝叶斯网络。优选地，依据根据建立的贝叶斯网络以及贝叶斯规则构建贝叶斯网络评价函数。贝叶斯网络评价函数能够根据经典启发式结构学习算法构建，例如k2算法、max-min parents and children算法和马尔可夫链蒙特卡洛搜索等等。
[0167]
因果单元基于以通过数据模式挖掘认知能力之间的平均因果效应，从而能够根据平均因果效应认知能力之间是否构成并发症或合并症。在平均因果效应时，因果单元基于pearl原理和贝叶斯网络结构对认知能力之间平均因果效应进行计算。pearl在探索事件x是否为事件y的原因时，需要通过干预x实行x事件，计算e(y|do(x))，即事件y在干预x的情况下，其变化的平均情况大于显著性水平，则认为x是y的原因。具体地，在给定数据集d或di中，首先筛选出需要研究的认知能力，这些认知能力包括目标认知能力以及影响该目标认知能力的其他认知能力。例如，需要研究某种病症或行为l1是否是认知状态l2的并发症，截断所有指向l1的认知能力的边，此时观察某种病症或行为l1与认知状态l2的平均因果效应，如果这种变化大于了设定因果效应阈值，则认为某种病症或行为l1与认知状态l2构成了并发症，反之，构成合并症。
[0168]
在因果单元基于以通过数据模式挖掘认知能力之间的平均因果效应时，由于文献量的巨大，从而造成贝叶斯网格的巨大，因此，采用后门准则计算平均因果效应。后门准则是指，贝叶斯网格g是一个有向无环图，(lm，ln)是g的一对节点，节点z集合是(lm，ln)的后门，其中，z中所有的节点都不是z的后代并且z阻断了所有指向lm的连接lm到ln的路径。因此，可以通过后门原则来推理认知能力对lm和ln的因果关系。
[0169]
为了能够在不影响认知能力对之间的因果关系的情况下，因果单元通过独立性检验简化无向图约束。例如，独立性检验可以采用卡方独立性检验。
[0170]
在本发明中，独立性检验还可以采用如下方式：
[0171]
对于认知能力lm，通过编列的形式基于构建的无向图获取与lm相连接的节点构成其节点集。并逐次计算每个节点与认知能力lm之间的相关性，并从中选取相关性最大的节点进行独立性假定，删除在给定子集d下与lm独立的节点。在本发明中，采用熵来度量随机变量对lm的不确定性。在给定随机变量lm的情况下，随机变量ln的不确定性可用条件熵如下方式度量：
[0172][0173]
随机变量ln与lm之间的相关程度可以通过互信息度量：
[0174][0175]
如果互信息超出了互信息的阈值，则认为ln与lm具有相关性。如果互信息不超出了互信息的阈值，则认为ln与lm不具备相关性。通过该配置方式，可以从用户使用数字化棋牌3时的运动数据、使用数字化评估单元1时所记录的用户的语言数据以及智能环境设备单元5所获取的用户的日常数据等数据来源中筛选提取用于标识人类用户认知水平变化或者其他疾病的有效/重要的数字生物标志物。
[0176]
例如，通过因果关系知识库可能推断出：抑郁症与习惯性睡眠效率低均是认知能力下降的有效/重要的数字生物标志物，但抑郁症与认知能力下降的因果关系强于习惯性睡眠效率低与认知能力下降的因果关系。
[0177]
又例如，学习活动强度提高与体育锻炼频率提高是认知能力提高的有效/重要的数字生物标志物。
[0178]
再例如，通过因果关系知识库可能推断出：用户使用数字化棋牌3时手部抖动的频率在一定时期或短时期内的加剧是该用户认知能力出现下降的一个有效数字生物标志物。
[0179]
再例如，用户一定时期或短时期内使用数字化棋牌3的过程中每次的决策时间呈显著增长的趋势。
[0180]
再例如，用户手部抖动的频率可与运动减少、肌强直、震颤和姿势调节障碍等症状产生直接因果关系，而这些症状会导致震颤麻痹(paralysis angitas)即帕金森，对患者的行动力、注意力、定向力、视空间能力均有可能产生直接因果效应的影响。
[0181]
再例如，若数字化评估单元1或可穿戴设备4采集到用户短时间/近期内说话出现多处停顿、经常发出“嗯哎啊”等辅音、明显的表达困难等的次数超过正常参考值时，则可能是用户语言神经系统下降的迹象，可以作为认知能力下降的有效数字生物标志物。正常参考值可以由服务器2或其他方式获取正常认知能力或正常人的平均值/中位数。
[0182]
通过该配置方式，服务器2还可以基于相关变量特征产生因果关系网络模型进行因果推理，以识别出与用户认知能力发生变化有关的相关特征变量与认知能力变化之间的因果关系以及该因果关系的强度，从而可以为医务人员或者医学研究人员提供一种认识引起人类个体认知能力变化的有效数字生物标志物或者病理起因的有效途径。
[0183]
根据一个优选实施方式，服务器2至少能够基于参考标志物调整数字化棋牌3所采集运动数据的种类/类型。
[0184]
优选地，参考标志物为能够有效表示用户脑健康的目标属性的数字生物标志物。
[0185]
优选地，目标属性至少包括：认知状态或能力。
[0186]
例如，参考标志物可以为能够有效表示用户认知能力或状态变化的数字生物标志物。
[0187]
优选地，参考标志物也可以为有效表示用户其他身体健康水平的数字生物标志物。
[0188]
例如，若服务器2分析得出认知能力下降的参考标志物(即有效数字生物标志物)为用户移动数字化棋牌3时手部的停顿时间、停顿频率，则服务器2能够基于该有效数字生物标志物(即用户手部的停顿时间、停顿频率)调整数字化棋牌3采集用户手部的运动数据的种类/类型，即智能轨迹分析传感器302仅需测量/采集数字化棋牌3在第一时刻与第二时刻之间时自身振动值以及相关联的时间戳以用于计算得出数字生物标志物(比如停顿时间、停顿频率，)，而无需测量/采集用户手部移动数字化棋牌3的空间坐标数据，或者智能轨迹分析传感器302也可以采集数字化棋牌3的空间坐标数据但智能轨迹分析传感器302可以不将所采集的空间坐标数据发送至数字化评估单元1或服务器2。
[0189]
通过该配置方式，服务器2还可以基于所挖掘的有效数字生物标志物更新数字化评估单元1或者服务器2进一步准确地筛查/评估脑健康的方式。与此同时，所挖掘的有效数字生物标志物也可以作为后续数字化评估单元1或者服务器2作为脑健康(比如阿尔茨海默病)风险评估平台的依据。
[0190]
一种用于人群筛查脑健康的方法。方法为：
[0191]
数字化棋牌3采集用户使用数字化棋牌3时数字化棋牌3的运动数据；
[0192]
服务器2获取数字化棋牌3所采集的运动数据，并基于运动数据计算分析得出与参考标志物相对应的数字生物标志物，并基于数字生物标志物对用户的脑健康进行评估/筛查。
[0193]
优选地，服务器2能够访问服务器2之前记录或分析得出的有效的参考标志物，并将当次服务器2计算生成的数字生物标志物与参考标志物或先前的有效数字生物标志物之间的差异，并基于根据差异对用户的脑健康进行评估/筛查。例如，服务器2能够基于根据差异人群中的认知能力出现下降的用户或者预测用户在未来的指定时间范围内的变化趋势。
[0194]
例如，参考标志物为服务器2对在先的原始数据分析得出的用户移动数字化棋牌3时手部的停顿时间和/或停顿频率。
[0195]
优选地，服务器2能够定期或不定期地比较当前周期对应的用户的数字生物标志物的发生频率和/或发生的强度与上一周期对应的用户的数字生物标志物的发生频率和/或发生的强度。周期可以是人为设定的，例如每周。
[0196]
例如，服务器2识别出某一时间段/周期内数字生物标志物的发生频率(用户使用数字化棋牌3时手部抖动的强度和/或频率，或者使用数字化棋牌3的过程中每次的停顿时间/决策时间)超过预设阈值时，服务器2判定此时的用户的认知能力下降的可能性较大。其中，预设阈值能够由服务器2通过因果关系知识库推断得出。
[0197]
再例如，服务器2识别出某一时间段/周期内某数字生物标志物(用户短时间/近期内说话出现多处停顿、经常发出“嗯哎啊”等辅音、明显的表达困难等)的发生频率超过预设阈值时，服务器2判定此时的用户的认知能力下降的可能性较大。
[0198]
根据一个优选实施方式，参考标志物由以下步骤得到：
[0199]
获取原始数据；
[0200]
基于机器学习从原始数据中提取特征数据，并进一步从特征数据中筛选出候选数字生物标志物；
[0201]
基于因果学习从候选数字生物标志物进行因果推断，以计算分析得出参考标志物。
[0202]
优选地，原始数据由以下步骤得到：
[0203]
数字化棋牌3采集用户使用数字化棋牌3时的数字化棋牌3的运动数据；
[0204]
可穿戴设备4采集用户的其他生物数据；
[0205]
数字化评估单元1获取用户的评估数据、语言数据和眼动数据；
[0206]
智能环境设备单元5采集用户日常生活中的日常数据；
[0207]
服务器2获取运动数据、其他生物数据、评估数据、语言数据和眼动数据和日常数据中的一种或多种以作为原始数据。
[0208]
需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。本发明说明书包含多项发明构思，诸如“优选地”、“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思，申请人保留根据每项发明构思提出分案申请的权利。在全文中，“优选地”所引导的特征仅为一种可选方式，不应理解为必须设置，故此申请人保留随时放弃或删除相关优选特征之权利。