一种面向ATH伴发SDB儿童青少年的认知干预系统及方法

本发明涉及一种面向ath伴发sdb儿童青少年的认知干预系统，同时也涉及相应的认知干预方法，属于认知训练。

背景技术：

1、腺样体和（或）扁桃体肥大（tonsillar hypertrophy，简称为ath）是儿童的常见疾病，占耳鼻喉头颈外科门诊儿童就诊原因的42%～70%。ath造成的上呼吸道阻塞会导致睡眠呼吸障碍（sleep-disordered breathing，简称为sdb）。绝大多数儿童sdb病例由ath所致，涵盖了从轻型的原发性鼾症（primary snoring，简称为ps）到严重的阻塞性睡眠呼吸暂停（obstructive sleep apnea，简称为osa）。

2、sdb会造成儿童认知功能受损和情绪问题，主要包括智力、注意力/执行功能、记忆力、语言和视觉空间辨别力受损以及焦虑、抑郁症状。在行为层面，ath常导致儿童口呼吸，造成患儿语言障碍和间歇性低血氧症，进而使其认知功能受损。在激素层面，一方面，ath造成的sdb会引发睡眠剥夺，导致下丘脑-垂体-甲状腺轴损伤，从而降低甲状腺激素水平。而甲状腺功能紊乱会影响海马突触功能，损害儿童的学习和记忆。另一方面，ath患儿炎症因子（例如：促炎因子）水平提高，类似的慢性炎症疾病也会导致认知功能下降。研究发现，sdb儿童和健康对照儿童的认知功能存在显著差异。早在学龄前，sdb就与执行功能受损有关，并且对其抑制维度的影响最大。在学龄期，习惯性打鼾儿童的一般智力、视觉注意、视觉空间和方向知觉功能下降，并且儿童神经心理缺陷的程度也与osa严重程度相关。近期的一项系统性综述和meta研究纳入了此前66项相关研究发现，无论ps还是osa儿童，他们在所有认知领域都有显著的障碍。

3、腺样体/扁桃体切除术（at）是当前儿童ath伴发sdb的一线治疗方案，然而，先前的研究似乎并不能支持常规治疗方法可以改善患儿的认知能力。对osa儿童在行at后7个月的认知能力测量中发现，与观察等待组的osa儿童相比，at并不能显著改善osa儿童的注意力和执行功能。尽管后续有研究发现osa儿童的认知能力在行at后7个月时相较于观察等待组osa儿童具有显著改善，但是改善仅存在于非语言推理、精细运动技能和选择性注意，而且效应量很小（cohen’s d＝0.20～0.24），表明at改善osa儿童认知能力的作用可能非常有限。近年来，一项发表在顶级医学期刊pediatrics上的研究发现，osa儿童在行at术后一年时的简明智力（brief intellectual ability, bia）得分（包括：理解-知识、流体推理、加工速度）与未行at的osa儿童相比并没有显著的改变，说明at并不能改善sdb儿童的认知功能。biggs等人考察学龄前儿童sdb症状是否缓解对认知长期影响（3年）的研究还将这一结论推广至手术以外的其他治疗状态和手段，即无论是否接受治疗、采用何种治疗方式（at、鼻类固醇）、sdb是否缓解，对认知缺陷的影响极小。值得注意的是，近一个世纪以来，at是在全身麻醉下对儿童实施的最常见手术，但麻醉操作本身可能会影响认知功能。4岁前接受全身麻醉手术的儿童，在5～18岁时进行的韦氏智力评估中，相比于没有接受过全身麻醉手术的儿童得分更低。

4、总而言之，ath伴发sdb儿童具有认知功能损伤，但at难以帮助他们改善认知功能缺陷，手术过程中的麻醉也会影响认知功能。认知功能障碍会对儿童青少年的身心健康、学业和生活产生消极影响，也会给家庭和社会带来沉重的负担。同时，认知功能障碍可能会阻碍ath伴发sdb儿童青少年以一个良好的身体和精神状态面对接下来的系统性治疗，也可能会削弱治疗效果。

5、因此，迫切需要构建并验证一个覆盖多维度认知领域且面向ath伴发sdb儿童青少年的干预系统，包括测评、预测和干预功能。

技术实现思路

1、本发明所要解决的首要技术问题在于提供一种面向ath伴发sdb儿童青少年的认知干预系统。

2、本发明所要解决的另一技术问题在于提供一种面向ath伴发sdb儿童青少年的认知干预方法。

3、为实现上述技术目的，本发明采用以下的技术方案：

4、根据本发明实施例的第一方面，提供一种面向ath伴发sdb儿童青少年的认知干预系统，包括：

5、数据采集模块，用于全天候采集患者的夜间生理数据和日间认知行为数据，并针对所述夜间生理数据提取夜间特征，针对所述日间认知行为数据提取行为特征，并分别与对应的元数据存入特征数据库；

6、认知测评模块，与所述数据采集模块连接，以基于患者在执行预设的游戏化认知测评任务时，同步采集的日间认知行为数据所对应的行为特征，通过transformer模型进行多模态融合分析，生成表征所述患者认知功能状态的多模态认知特征向量；

7、风险预测模块，与所述数据采集模块连接，以接收所述患者的夜间生理数据和日间认知行为数据，并结合所述患者的临床静态数据共同输入预训练的认知风险预测模型，以输出所述患者的当前多维认知风险指数及未来在不同干预条件下的认知发展轨迹预测区间；

8、个性化干预模块，与所述风险预测模块、认知测评模块以及数据采集模块连接，以基于所述患者的当前多维认知风险指数和认知发展轨迹预测区间，为所述患者构建并持续更新一个动态认知数字镜像；

9、其中，通过在所述数字镜像上进行前瞻性模拟与多目标评估，生成多个候选干预策略；并且，从所述多个候选干预策略中动态选取并执行最优的候选干预策略，以对所述患者进行个性化认知训练干预。

10、其中较优地，所述数据采集模块包括：

11、夜间数据采集单元，至少包括多导睡眠监测仪和柔性头戴式脑电帽，以用于获取所述患者的夜间生理数据；其中，所述夜间生理数据至少包括睡眠多导数据和夜间脑电信号；

12、日间数据采集单元，至少包括触控平板电脑、前置摄像头、内置麦克风、柔性头戴式脑电帽以及可穿戴腕带；其中，所述触控平板电脑用于获取呈现游戏化认知测评和认知训练任务，并记录所述患者的行为反应数据；所述前置摄像头位于所述触控平板电脑上，用于实时捕捉所述患者的面部表情；所述内置麦克风设置于所述触控平板电脑内，以用于采集所述患者的语音数据；所述柔性头戴式脑电帽用于在日间采集所述患者的日间脑电信号；所述可穿戴腕带佩戴于所述患者的腕部，以用于采集皮肤导电信号；其中，所述行为反应数据、面部表情、语音数据、日间脑电信号和皮肤导电信号共同构成所述患者的日间认知行为数据；

13、特征提取引擎，与所述夜间数据采集单元和日间数据采集单元连接，以用于针对所述夜间生理数据提取夜间特征，并针对所述日间认知行为数据提取行为特征，并分别与对应的元数据存入特征数据库。

14、其中较优地，所述认知测评模块包括：

15、游戏化认知测评任务库，预设有多种涵盖核心认知域的游戏化认知测评任务，以用于向所述患者推送认知测评任务；其中，不同类型的游戏化测评任务对应不同的认知域；

16、难度动态调节单元，内置有基于deepfm的算法，以根据所述患者实时的正确率和反应时长，动态调整下一试次的难度参数，以使得认知测评始终处于所述患者的最近发展区，探测到其认知能力的“天花板”与“崩溃点”；

17、数据同步采集单元，与所述数据采集模块通讯连接，以在所述患者执行预设的游戏化认知测评任务时，进行毫秒级时间戳同步，从而捕捉所述患者的日间认知行为数据所对应的行为特征；

18、认知计算单元，与所述数据同步采集单元连接，以接收所述患者的行为特征，并通过transformer模型进行多模态融合分析，生成表征所述患者认知功能状态的多模态认知特征向量；

19、实时反馈单元，与所述认知计算单元连接并预设有正向鼓励逻辑，以针对所述患者不同的行为反应数据向所述患者提供不同形式的正向反馈，并基于所述患者的多模态认知特征向量输出可视化测评报告。

20、其中较优地，所述风险预测模块包括：

21、序列构建单元，用于基于所述患者的夜间特征以及所述日间多模态认知特征向量，构建用于认知风险预测的结构化输入序列；其中，所述结构化输入序列包括：基于所述夜间生理数据构建的夜间生理时空图序列，以及基于所述多模态认知特征向量与日间行为数据构建的日间行为-生理事件序列；

22、认知风险预测单元，内置有时空图注意力记忆网络（st-gamnet）模型，用于接收所述夜间生理时空图序列、所述日间行为-生理事件序列及所述患者的临床静态数据，并输出所述患者的当前多维认知风险指数及未来认知发展轨迹预测区间；

23、预测输出单元，与所述认知风险预测单元连接，以用于输出可视化的预测结果和解释内容。

24、其中较优地，所述认知风险预测模型为st-gamnet，所述st-gamnet包括：

25、输入层，用于接收所述结构化输入序列和所述患者的临床静态数据；

26、并行编码层，预设有多种类型的编码器，以对所述结构化输入序列和所述临床静态数据进行并行编码，从而分别输出夜间病理特征向量、日间认知功能特征向量以及临床静态特征向量；

27、跨模态融合层，与所述并行编码层连接，以用于接收所述夜间病理特征向量、日间认知功能特征向量以及临床静态特征向量，并进行跨模态对齐与深度融合，以输出最终的包含历史状态与先验知识的综合状态向量；

28、多任务预测层，与所述跨模态融合层连接，以用于接收所述综合状态向量，并通过softmax激活函数配合全连接层输出所述患者的当前多维认知风险指数并进行风险程度归类；还用于接收所述综合状态向量，并通过条件变分自编码器的解码器输出未来在不同干预条件下的认知发展轨迹预测区间。

29、其中较优地，所述多种类型的编码器至少包括：

30、全连接网络，用于接收所述静态临床数据，并输出临床静态特征向量；

31、时空卷积网络，用于接收所述夜间生理时空图序列，并进行空间卷积和时间卷积运算，从而输出所述夜间病理特征向量；

32、多头自注意力transformer编码器，用于接收所述日间行为-生理事件序列，以输出所述日间认知功能特征向量。

33、其中较优地，所述预测输出单元至少输出：

34、个性化预测报告，用于展示所述多维认知风险指数、风险程度类型以及未来在不同干预条件下的认知发展预测轨迹；

35、可解释性归因分析，用于展示对所述高风险指数具有高贡献程度的夜间病理特征和（或）日间认知功能特征；

36、临床决策辅助建议，用于展示基于所述个性化预测报告、可解释性归因分析推荐的干预手段与时长的量化建议以及使用所述量化建议所达到目标疗效的预计概率。

37、其中较优地，所述个性化干预模块包括：

38、游戏化认知训练任务库，预设有多种涵盖核心认知领域的认知训练任务，以用于向所述患者推送游戏化认知训练任务；其中，不同类型的游戏化认知训练任务对应不同的认知域；

39、自适应难度调节单元，用于在训练执行过程中，根据患者实时的生理数据与行为表现数据，通过预设的上下文多臂老虎机算法动态调整任务难度；

40、实时反馈与激励单元，用于实时分析所述患者的生理特征和行为特征，并给与所述患者积极反馈，并控制所述游戏化认知训练任务的任务参数；

41、动态认知数字镜像单元，用于根据所述患者的历史数据，并利用循环神经网络结合神经常微分方程，预先构建一个持续进化的动态认知数字镜像，以用于模拟对不同干预刺激的可能反应。

42、其中较优地，所述多目标评估包括以下至少两项：

43、短期收益，基于认知状态在近期模拟时间点的提升幅度计算；

44、中期稳定度，基于认知状态在中期模拟时间点的波动性计算；

45、长期收敛性，基于模拟终点认知状态与预期最优轨迹的贴近度计算；

46、效率指数，基于模拟期间认知状态总提升与总训练时长的比值计算；

47、疲劳风险，基于模拟期间预测的认知疲劳峰值计算。

48、其中较优地，采用快速非支配排序遗传算法ii 对所述多目标评估的指标进行优化，以从多个所述候选干预策略中识别帕累托最优解。

49、根据本发明实施例的第二方面，提供一种利用上述认知干预系统的认知干预方法，包括如下步骤：

50、获取患者的夜间生理数据与日间认知行为数据；

51、基于所述日间认知行为数据执行认知功能测评，并输出认知测评结果；

52、基于所述夜间生理数据、所述日间认知行为数据及所述认知测评结果，预测患者的认知风险及发展轨迹；

53、基于所述患者的认知风险及发展轨迹，生成并优化个性化的认知训练方案，以对所述患者进行个性化的认知干预。

54、与现有技术相比较，本发明具有以下的技术效果：

55、（1）全息化数据画像：首次将夜间呼吸、血氧、脑电、皮肤电导水平、睡眠、体动与日间行为、眼动、语音、微表情、皮肤电导水平进行跨时空关联，构建了前所未有的、关于ath伴发sdb儿童认知损害的“全息数据画像”。

56、（2）生态化与无扰性：最大限度采用可穿戴和非接触式技术，在家庭自然环境中完成数据采集，避免了“白大褂效应”和实验室睡眠的紧张感，数据更真实可靠。

57、（3）病理生理机制深度关联：直接采集与疾病核心病理（例如：夜间缺氧、睡眠碎片化）和认知核心机制（例如：注意力控制、认知努力）紧密相关的生物标志物（例如：θ/β比率、瞳孔变化），使数据分析的准确性更高。

58、（4）为高级ai模型奠基：丰富、多模态的时间序列数据，为训练高性能的深度学习预测模型提供了完美的数据基础，使得精准、个体化的认知风险预测成为可能。

59、（5）全方位监测“如何思考、如何努力、如何受挫”的认知全过程，并通过毫秒级同步与融合分析，建立了从神经电生理到认知行为表现的因果桥梁，使测评结果具有前所未有的解释深度。此外，自适应且充满支持性的测评环境本身，就是一种轻量的认知训练，为后续的干预模块提供了完美的铺垫和适应性准备。

60、（6）st-gam net模型通过时空图网络和跨模态对齐注意力机制，不再满足于发现特征间的统计关联，而是主动探索其内在的生理因果路径，使预测更具生物学合理性。

61、（7）动态、条件性的轨迹预测：首次在儿科ath伴发sdb领域实现了“如果......那么......”式的条件预测，允许医生模拟不同治疗方案可能带来的长期认知收益，实现真正的个性化医疗。

62、并且，引入记忆增强网络和持续学习，使模型具备“病史观念”，能理解患儿认知状态的动态演变，而非进行孤立的快照式判断。强大的可解释性引擎将黑箱模型转变为医生的“智能顾问”，其决策过程透明、可追溯，极大提升了临床采纳的意愿和安全性。

63、（8）从静态处方到动态规划的跃迁：干预方案不再是固定的，而是一个由快速非支配排序遗传算法ii和数字镜像引擎驱动的、持续优化的动态规划过程。

64、（9）前瞻性模拟干预（数字镜像）：允许系统在虚拟空间中“试错”，为真实世界的患儿选择绝对最优的康复路径，最大限度地提升效率并规避训练风险。并且，利用神经生理信号实现前所未有的精准反馈，从“干预行为”本身闭环，升级到“干预的神经生理效果”闭环。

65、（10）实现了真正的“个体化”而非“个性化”：系统学习的不是一群患者的通用模式，而是每一个患儿独一无二的认知学习特征与动态，实现真正的“因脑施训”。