一种基于响应数据的认知训练任务参数管理方法与流程

本发明涉及认知训练，具体涉及一种基于响应数据的认知训练任务参数管理方法。

背景技术：

1、认知训练通过系统化的任务练习来提升个体的认知能力，其训练效果高度依赖于任务难度与个体当前认知状态的动态匹配。现有认知训练系统的难度调节主要依赖用户的行为表现反馈，例如正确率与反应时。然而，行为反馈是认知加工的最终输出结果，具有天然的滞后性，系统往往在用户已处于认知过载状态一段时间后才能做出反应，错过了最佳的调节窗口。此外，单纯依赖行为指标无法反映完成任务的神经资源消耗程度，导致调节策略单一，难以区分“高效学习”与“低效努力”。尽管已有研究尝试引入信号进行认知状态评估，例如通过深度学习模型将特征映射为情绪、疲劳等宏观认知状态并据此调整任务参数，但通常是将信号视为一个“黑盒”，提取的认知状态较为粗粒度，难以精确刻画用户对任务难度变化的动态响应过程。

技术实现思路

1、鉴于上述问题，本发明提供了一种基于响应数据的认知训练任务参数管理方法，通过构建响应的动态曲面并提取其梯度与滞后环特征，实现对训练状态的精细化感知与超前调节。

2、为实现上述目的，本技术提供了一种基于响应数据的认知训练任务参数管理方法，包括：

3、从任务管理系统的数据接口获取对象训练过程数据记录，对象训练过程数据记录包含历史任务参数序列、行为响应日志数据以及响应特征数据，响应特征数据为经频域变换处理后嵌入的多频段能量分布特征向量序列；

4、基于响应特征数据中的频段能量分布属性、历史任务参数序列与对应的时间戳标记，通过双三次样条插值核函数构建任务负荷响应曲面计算模型；

5、对任务负荷响应曲面计算模型沿任务参数维度与时间维度分别求取参数梯度数据与时间梯度数据，融合得到响应梯度特征向量；

6、基于任务负荷响应曲面计算模型在任务参数递增阶段与递减阶段之间的非对称偏差特征，通过响应滞后环计算模型提取响应滞后环特征数据，并基于其闭合区域度量值通过参数调节系数计算模型求解参数调节系数；

7、基于响应梯度特征向量、响应滞后环特征数据与参数调节系数，在阶梯式难度校准任务过程中通过任务状态判别模型标定任务参数优化区间及任务状态判别阈值集合；

8、在任务执行过程中，基于对象行为表现指标数据与响应特征数据的频谱资源消耗度数据的比值关系，通过神经效率计算模型求解任务效率指数数据，并根据其时序变化趋势通过任务效果评估模型生成并输出任务效果评估数据。

9、在一些实施例中，方法还包括：

10、在任务执行阶段，基于当前时刻的响应梯度特征向量与响应滞后环特征数据构建实时状态判别向量，输入任务状态判别模型进行状态推断，输出当前任务状态判别结果；

11、根据当前任务状态判别结果与任务参数优化区间的偏离程度，通过任务参数更新模型生成并输出任务参数更新指令数据。

12、在一些实施例中，基于当前时刻的响应梯度特征向量与响应滞后环特征数据构建实时状态判别向量，输入任务状态判别模型进行状态推断，输出当前任务状态判别结果，包括：

13、获取当前时刻的响应梯度特征向量的模长数据、沿时间维度的梯度数据的正负符号、当前响应特征数据与任务负荷响应曲面计算模型在任务参数递增阶段对应的第一响应曲线之间的偏离度数据，以及参数调节系数，组合为四维实时状态判别向量；

14、任务状态判别模型预存第一阈值、第二阈值、第三阈值与第四阈值；第一阈值至第四阈值是基于任务参数优化区间的边界数据与响应滞后环特征数据的统计分布自适应确定；其中，第一阈值对应资源未充分调动状态与资源优化调配状态之间的偏离度边界，第二阈值对应资源优化调配状态与资源紧张调配状态之间的偏离度边界，第三阈值对应时间梯度数据的正负符号转换辅助判定值，第四阈值对应经参数调节系数加权修正后的资源过载状态偏离度边界；

15、任务状态判别模型计算四维实时状态判别向量与任务参数优化区间内阶梯式难度校准任务过程中各任务参数对应的响应梯度特征向量模长数据的统计分布中心之间的马氏距离，作为当前状态偏离度指标；

16、任务状态判别模型将当前状态偏离度指标与第一阈值进行比较，若当前状态偏离度指标小于第一阈值，则判定当前任务状态为资源未充分调动状态；

17、若当前状态偏离度指标大于或等于第一阈值且小于或等于第二阈值，则判定当前任务状态为资源优化调配状态；

18、若当前状态偏离度指标大于第二阈值，则进一步结合沿时间维度的梯度数据的正负符号与偏离度数据进行综合判定：

19、当沿时间维度的梯度数据为正值且偏离度数据小于第三阈值时，判定为资源紧张调配状态；

20、当沿时间维度的梯度数据为正值且偏离度数据大于或等于第三阈值时，结合参数调节系数进行加权修正，若加权后的偏离度指标大于第四阈值，则判定为资源过载状态。

21、在一些实施例中，根据当前任务状态判别结果与任务参数优化区间的偏离程度，通过任务参数更新模型生成并输出任务参数更新指令数据，包括：

22、任务参数更新模型读取当前任务状态判别结果，当前任务状态判别结果为资源未充分调动状态、资源优化调配状态、资源紧张调配状态或资源过载状态中的一种；

23、若当前任务状态判别结果为资源未充分调动状态且持续时间超过第一预设时长，任务参数更新模型生成任务参数提升指令数据；

24、若当前任务状态判别结果为资源优化调配状态，任务参数更新模型生成任务参数维持指令数据；

25、若当前任务状态判别结果为资源紧张调配状态且持续时间超过第二预设时长，任务参数更新模型生成任务参数降低指令数据；

26、若当前任务状态判别结果为资源过载状态，任务参数更新模型生成任务参数紧急降低指令数据并附加暂停指令数据；

27、任务参数更新模型在生成任务参数提升指令数据、任务参数降低指令数据、任务参数紧急降低指令数据与暂停指令数据时，采用渐进式变化策略，以预设步长单位进行任务参数调节，避免任务参数突变对任务状态的冲击；

28、任务参数更新模型在每完成一个行为统计单元后，读取行为统计单元对应的对象行为表现指标数据，若对象行为表现指标数据高于第一行为阈值，则生成任务参数提升校正指令数据，若对象行为表现指标数据低于第二行为阈值，则生成任务参数降低校正指令数据，任务参数提升校正指令数据与任务参数降低校正指令数据的权重低于任务参数提升指令数据与任务参数降低指令数据的权重，且任务参数提升指令数据与任务参数降低指令数据为神经反馈驱动调节，任务参数提升校正指令数据与任务参数降低校正指令数据为行为反馈辅助校正；

29、任务参数更新模型记录最近第三预设时长内的任务参数调节次数，若任务参数调节次数超过第一调节频率阈值，则触发阻尼机制，将后续调节的触发阈值放宽预设比例；若任务参数调节次数超过第二调节频率阈值，则暂停任务参数调节第四预设时长；

30、任务参数更新模型将经阻尼机制处理后的最终任务参数更新指令数据输出至任务管理系统的任务参数控制接口。

31、在一些实施例中，基于响应特征数据中的频段能量分布属性、历史任务参数序列与对应的时间戳标记，通过双三次样条插值核函数构建任务负荷响应曲面计算模型，包括：

32、从响应特征数据中提取目标频段的能量分布属性数据，目标频段为θ频段、α频段、低β频段中的至少一个；

33、将历史任务参数序列中的每个任务参数数值映射至离散化任务参数坐标轴，将对应的时间戳标记映射至连续时间坐标轴，以目标频段的能量分布属性数据为响应值，构建三维数据空间中的离散采样点集合，离散采样点集合中的每个采样点包含任务参数坐标、时间坐标与能量响应值；

34、对离散采样点集合执行双三次样条插值核函数运算，双三次样条插值核函数通过求解每个采样点处的二阶偏导数连续性约束方程组，生成覆盖整个任务参数坐标轴与时间坐标轴所定义二维域内的连续可微插值曲面；

35、将连续可微插值曲面作为目标频段对应的任务负荷响应曲面计算模型，任务负荷响应曲面计算模型在任务参数坐标轴与时间坐标轴所定义的二维域内任意一点处均具有一阶连续偏导数，使得沿任务参数维度与沿时间维度的梯度计算成为可能；

36、若目标频段为多个频段，则针对每个频段独立执行上述离散采样点集合构建与双三次样条插值核函数运算，生成每个频段对应的任务负荷响应曲面计算模型，作为多频段任务负荷响应曲面计算模型集合。

37、在一些实施例中，对任务负荷响应曲面计算模型沿任务参数维度与时间维度分别求取参数梯度数据与时间梯度数据，融合得到响应梯度特征向量，包括：

38、读取任务负荷响应曲面计算模型，任务负荷响应曲面计算模型为在任务参数坐标轴与时间坐标轴所定义的二维域内连续可微的插值曲面函数；

39、在任务负荷响应曲面计算模型上定位当前时刻对应的任务参数坐标点，对任务负荷响应曲面计算模型求取关于任务参数坐标的一阶偏导数，得到当前时刻的参数梯度数据，参数梯度数据表示当前响应特征数据对任务参数变化的敏感程度；

40、在任务负荷响应曲面计算模型上定位当前时刻对应的时间坐标点，对任务负荷响应曲面计算模型求取关于时间坐标的一阶偏导数，得到当前时刻的时间梯度数据，时间梯度数据表示当前响应特征数据的时序变化速率；

41、将参数梯度数据与时间梯度数据作为二维向量的两个分量，计算二维向量的模长，模长表示当前响应特征数据的整体变化强度；

42、计算二维向量的方向角，方向角由时间梯度数据与参数梯度数据的比值经反正切函数运算得到，方向角表示当前响应特征数据变化的主导维度，当方向角接近零时表明变化由任务参数变化主导，当方向角接近九十度时表明变化由时间进程主导；

43、将二维向量的模长与方向角组合为响应梯度特征向量。

44、在一些实施例中，基于任务负荷响应曲面计算模型在任务参数递增阶段与递减阶段之间的非对称偏差特征，通过响应滞后环计算模型提取响应滞后环特征数据，并基于其闭合区域度量值通过参数调节系数计算模型求解参数调节系数，包括：

45、从任务负荷响应曲面计算模型中提取任务参数递增阶段对应的第一响应曲线，第一响应曲线描述在任务参数从最小值逐步递增至最大值的过程中，每个任务参数坐标点对应的响应特征数据的响应值；

46、从任务负荷响应曲面计算模型中提取任务参数递减阶段对应的第二响应曲线，第二响应曲线描述在任务参数从最大值逐步递减至最小值的过程中，每个任务参数坐标点对应的响应特征数据的响应值；

47、将第一响应曲线与第二响应曲线绘制于同一坐标系中，坐标系以任务参数坐标为横轴、以响应特征数据的响应值为纵轴，第一响应曲线与第二响应曲线在相同任务参数坐标点处存在响应值偏差，第一响应曲线的响应值高于第二响应曲线的响应值，形成闭合区域；

48、通过响应滞后环计算模型对第一响应曲线与第二响应曲线之间的响应值偏差沿任务参数坐标轴进行积分运算，得到闭合区域度量值，闭合区域度量值表示个体任务系统在任务参数递增与递减过程中响应路径的非对称性程度；

49、通过参数调节系数计算模型对闭合区域度量值进行归一化处理，将归一化后的闭合区域度量值代入反比例函数，求解得到参数调节系数，参数调节系数与闭合区域度量值成反比，参数调节系数越高表示个体任务系统对任务参数变化的调节弹性越好。

50、在一些实施例中，基于响应梯度特征向量、响应滞后环特征数据与参数调节系数，在阶梯式难度校准任务过程中通过任务状态判别模型标定任务参数优化区间及任务状态判别阈值集合，包括：

51、任务状态判别模型读取阶梯式难度校准任务过程中每个任务参数坐标点对应的响应梯度特征向量的模长数据，以及每个任务参数坐标点对应的响应滞后环特征数据的局部贡献值；

52、任务状态判别模型将响应梯度特征向量的模长数据首次达到预设激活阈值时所对应的任务参数坐标点，标定为任务参数优化区间的下边界；

53、任务状态判别模型将响应梯度特征向量的模长数据未超过预设上限阈值且响应滞后环特征数据的局部贡献值未超过预设偏差阈值时所对应的最大任务参数坐标点，标定为任务参数优化区间的上边界；

54、任务状态判别模型读取任务参数优化区间的下边界处对应的响应梯度特征向量的模长数据，乘以第一预设比例系数，得到第一阈值；

55、任务状态判别模型读取任务参数优化区间的上边界处对应的响应梯度特征向量的模长数据，乘以第二预设比例系数，得到第二阈值；

56、任务状态判别模型读取阶梯式难度校准任务过程中所有时间梯度数据的绝对值的中位数，乘以第三预设比例系数，得到第三阈值；

57、任务状态判别模型读取阶梯式难度校准任务过程中所有偏离度数据的中位数，乘以第四预设比例系数，得到第四阈值；

58、任务状态判别模型读取参数调节系数，将第一阈值、第二阈值、第三阈值与第四阈值分别乘以参数调节系数对应的加权因子，得到经个体化修正后的任务状态判别阈值集合，其中，第一阈值与第二阈值用于偏离度指标判定，第三阈值用于时间梯度数据的正负符号辅助判定，第四阈值用于经参数调节系数加权后的过载状态偏离度判定。

59、在一些实施例中，基于对象行为表现指标数据与响应特征数据的频谱资源消耗度数据的比值关系，通过神经效率计算模型求解任务效率指数数据，包括：

60、在每个行为统计单元结束后，读取行为统计单元对应的对象行为响应日志数据，从对象行为响应日志数据中提取正确率数据与平均反应时数据；

61、读取对象在静息态基线阶段的历史响应特征数据，从历史响应特征数据中提取静息态基线反应时数据；

62、将正确率数据除以平均反应时数据与静息态基线反应时数据的比值，得到行为表现指标数据，行为表现指标数据综合反映对象在该行为统计单元内的任务完成质量与响应速度；

63、读取行为统计单元对应时间窗口内的响应特征数据，从响应特征数据中提取θ频段功率增幅数据与低β频段功率增幅数据；

64、读取对象在静息态基线阶段的历史响应特征数据，从历史响应特征数据中提取静息态基线功率数据；

65、将θ频段功率增幅数据与低β频段功率增幅数据求和后除以静息态基线功率数据，得到频谱资源消耗度数据，频谱资源消耗度数据表征对象在该行为统计单元内完成任务所消耗的神经资源总量；

66、通过神经效率计算模型将行为表现指标数据除以频谱资源消耗度数据，求解得到任务效率指数数据，任务效率指数数据表征单位神经资源消耗所支撑的行为表现水平。

67、在一些实施例中，根据其时序变化趋势通过任务效果评估模型生成并输出任务效果评估数据，包括：

68、读取任务周期内所有行为统计单元对应的任务效率指数数据，构建任务效率指数时序序列；

69、读取任务周期末期预设数量的任务效率指数数据的平均值，作为末期任务效率指数数据；

70、读取任务周期初期预设数量的任务效率指数数据的平均值，作为初期任务效率指数数据；

71、将末期任务效率指数数据与初期任务效率指数数据的差值除以初期任务效率指数数据，得到任务效率指数提升率数据，任务效率指数提升率数据表征对象神经效率在整个任务周期内的改善幅度；

72、计算任务效率指数时序序列的标准差数据与平均值数据的比值，得到任务效率指数变异系数数据，任务效率指数变异系数数据表征对象神经效率在任务过程中的稳定性程度；

73、读取任务周期末期标定的参数调节系数数据作为末期参数调节系数数据，读取任务周期初期标定的参数调节系数数据作为初期参数调节系数数据，将末期参数调节系数数据与初期参数调节系数数据的差值除以初期参数调节系数数据，得到参数调节系数改善率数据，参数调节系数改善率数据表征对象任务调节弹性在任务周期内的变化幅度；

74、通过任务效果评估模型将任务效率指数提升率数据、任务效率指数变异系数数据与参数调节系数改善率数据组合为多维任务效果评估数据，并将多维任务效果评估数据输出至任务管理系统的报告生成接口。

75、区别于现有技术，上述技术方案提供了一种基于响应数据的任务参数管理方法，基于响应特征数据中的频段能量分布属性、历史任务参数序列与对应时间戳，通过双三次样条插值核函数构建任务负荷响应曲面计算模型，对该模型沿任务参数与时间维度分别求取梯度数据并融合为响应梯度特征向量；利用任务参数递增与递减阶段的非对称偏差提取响应滞后环特征数据，并基于其闭合区域度量值求解参数调节系数；进而标定任务参数优化区间及判别阈值集合；最终根据对象行为表现与频谱资源消耗度的比值求解任务效率指数并生成任务效果评估数据。本发明能够实现任务参数的精细化预测性调节与个体化效果评估。

76、上述 技术实现要素： 相关记载仅是本技术技术方案的概述，为了让本领域普通技术人员能够更清楚地了解本技术的技术方案，进而可以依据说明书的文字及附图记载的内容予以实施，并且为了让本技术的上述目的及其它目的、特征和优点能够更易于理解，以下结合本技术的具体实施方式及附图进行说明。