远程训练方案的推送方法、装置、计算机设备和存储介质与流程

1.本技术涉及智能交互技术领域，特别是涉及一种远程训练方案的推送方法、装置、计算机设备和存储介质。


背景技术：

2.目前用户根据身体状况需要进行一定的训练时，都需要前往专业机构，先通过一系列繁琐的检查流程，再根据检查结果由人工现场指导并陪同训练。然而这种方式需要用户频繁地动身前往现场，耗时耗力，存在不够便利的问题。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种能够远程推送训练方案的远程训练方案的推送方法、装置、计算机设备和存储介质。
4.一种远程训练方案的推送方法，所述方法包括：
5.获取第一终端发送的认知功能评估信息和医学相关信息；所述认知功能评估信息是通过第一用户在所述第一终端上进行远程评估得到的；所述医学相关信息包括医学图像信息和生物资料信息；
6.依据所述认知功能评估信息和医学相关信息，确定异常阶段信息；
7.根据资料库中的多种训练资料，确定与所述异常阶段信息相匹配的训练方案，所述训练方案中包括与多个认知域相关的训练资料；
8.将所述训练方案推送至所述第一终端，以供所述第一用户根据所述训练方案进行训练操作。
9.在其中一个实施例中，所述依据所述认知功能评估信息和医学相关信息，确定异常阶段信息，包括：
10.对医学图像信息进行图像预处理，得到预处理图像；
11.将所述预处理图像输入至预先训练好的长短时记忆神经网络模型中，由所述长短时记忆神经网络模型进行特征提取，得到图像特征的隐藏表示；所述图像特征包括波段变化特征、边缘特征、以及灰度特征；
12.基于所述生物资料信息和图像特征的隐藏表示，利用全连接神经网络进行分类，得到预测阶段信息；
13.根据所述认知功能评估信息和所述预测阶段信息，确定第一用户的异常阶段信息。
14.在其中一个实施例中，所述长短时记忆神经网络模型的训练步骤包括：
15.获取当前的样本图像，并将所述当前的样本图像中的图像特征作为当前时刻的输入值；
16.根据上一时刻图像特征的隐藏表示，由遗忘门对所述输入值进行加权运算得到第一中间值、由输入门对所述输入值进行加权运算得到第二中间值和第三中间值、以及由输
出门对所述输入值进行加权运算得到第四中间值；
17.根据上一时刻图像特征的单元状态、第一中间值、第二中间值、以及第三中间值，确定当前时刻的图像特征的单元状态；
18.根据所述当前时刻的图像特征的单元状态和第四中间值，得到当前时刻的输出值；其中，所述输出值为当前时刻的图像特征的隐藏表示；
19.获取下一样本图像，将下一样本图像中的图像特征作为下一时刻的输入值，并返回至根据上一时刻图像特征的隐藏表示，由遗忘门对所述输入值进行加权运算得到第一中间值、由输入门对所述输入值进行加权运算得到第二中间值和第三中间值、以及由输出门对所述输入值进行加权运算得到第四中间值的步骤继续执行，直至满足训练终止条件时停止迭代，得到训练好的长短时记忆神经网络模型。
20.在其中一个实施例中，所述全连接神经网络的训练步骤包括：
21.将样本图像的图像特征、图像特征的隐藏表示、以及单元状态，输入至全连接神经网络中，输出异常阶段预测结果；所述异常阶段预测结果表征处于不同异常阶段的概率值；
22.基于所述异常阶段预测结果和所述样本图像实际所属的异常阶段之间的差异，确定应删除的图像特征，并基于所述应删除的图像特征确定调节参数；
23.基于所述异常阶段预测结果和调节参数，确定奖励函数；
24.以最大化奖励函数为目标，对全连接神经网络的调节参数进行调整，直至满足训练终止条件时结束训练，得到训练好的全连接神经网络。
25.在其中一个实施例中，所述方法还包括：
26.向第一终端发送评估标准信息，以供所述第一终端向第一用户可视化展示评估内容；所述评估标准信息用于引导第一用户在所述第一终端上进行评估测试；
27.其中，所述可视化展示至少包括图片展示、文字展示、视频展示、以及语音展示中的一种。
28.在其中一个实施例中，所述方法还包括：
29.根据第一终端或第二终端发起的交互请求，建立所述第一终端与第二终端之间的通信连接，以供第一终端接收第二终端发送的评估指令，并根据所述评估指令进行远程评估；其中，所述交互请求至少包括聊天请求、语音请求、以及视频请求中的一种。
30.在其中一个实施例中，所述方法还包括：
31.将所述训练方案推送至第二终端，以供第二用户在所述第二终端上对所述训练方案进行修改；以及
32.接收第二终端发送的修改后的训练方案，并将所述修改后的训练方案推送至所述第一终端。
33.一种远程训练方案的推送装置，所述装置包括：
34.获取模块，用于获取第一终端发送的认知功能评估信息和医学相关信息；所述认知功能评估信息是通过用户在所述第一终端上进行远程评估得到的；所述医学相关信息包括医学图像信息和生物资料信息；
35.确定模块，用于依据所述认知功能评估信息和医学相关信息，确定异常阶段信息；
36.所述确定模块，还用于根据资料库中的多种训练资料，确定与所述异常阶段信息相匹配的训练方案，所述训练方案中包括与多个认知域相关的训练资料；
37.推送模块，用于将所述训练方案推送至所述第一终端，以供用户根据所述训练方案进行训练操作。
38.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
39.获取第一终端发送的认知功能评估信息和医学相关信息；所述认知功能评估信息是通过第一用户在所述第一终端上进行远程评估得到的；所述医学相关信息包括医学图像信息和生物资料信息；
40.依据所述认知功能评估信息和医学相关信息，确定异常阶段信息；
41.根据资料库中的多种训练资料，确定与所述异常阶段信息相匹配的训练方案，所述训练方案中包括与多个认知域相关的训练资料；
42.将所述训练方案推送至所述第一终端，以供所述第一用户根据所述训练方案进行训练操作。
43.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
44.获取第一终端发送的认知功能评估信息和医学相关信息；所述认知功能评估信息是通过第一用户在所述第一终端上进行远程评估得到的；所述医学相关信息包括医学图像信息和生物资料信息；
45.依据所述认知功能评估信息和医学相关信息，确定异常阶段信息；
46.根据资料库中的多种训练资料，确定与所述异常阶段信息相匹配的训练方案，所述训练方案中包括与多个认知域相关的训练资料；
47.将所述训练方案推送至所述第一终端，以供所述第一用户根据所述训练方案进行训练操作。
48.上述远程训练方案的推送方法、装置、计算机设备和存储介质，通过第一用户在第一终端上进行远程评估，由此获取第一终端发送的认知功能评估信息和医学相关信息，并根据认知功能评估信息和医学相关信息确定异常阶段信息；再根据所确定的异常阶段信息，确定与之相匹配的训练方案，并将该训练方案推送至第一终端，第一用户即可以根据该训练方案进行训练操作。由此，系统可以向用户自动推荐合适的评估和训练方案，实现了远程的认知评估与训练，使得用户无需前往现场或借助特殊医疗设备，即可以完成居家训练，十分便利。
附图说明
49.图1为一个实施例中远程训练方案的推送方法的应用环境图；
50.图2为一个实施例中远程训练方案的推送方法的流程示意图；
51.图3为一个实施例中服务器依据认知功能评估信息和医学相关信息，确定异常阶段信息的原理框架示意图；
52.图4为一个实施例中服务器依据认知功能评估信息和医学相关信息，确定异常阶段信息的步骤的流程示意图；
53.图5为一个实施例中长短时记忆神经网络模型的训练步骤的流程示意图；
54.图6为一个实施例中长短时记忆神经网络模型的结构示意图；
55.图7为一个实施例中全连接神经网络的训练步骤的流程示意图；
56.图8为一个实施例中远程训练方案的推送装置的结构框图；
57.图9为另一个实施例中远程训练方案的推送装置的结构框图；
58.图10为一个实施例中计算机设备的内部结构图。
具体实施方式
59.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
60.本技术提供一种远程训练方案的推送方法、装置、计算机设备和存储介质，结合大数据分析与神经网络模型，系统可以自动推送适合的评估与训练方案，相较于人工通过经验选定训练方案而言更加准确、适配，使得用户利用终端即可实现远程评估与训练，而无需依赖特殊的医疗设备。
61.本技术实施例中所涉及的术语“第一”和“第二”在本技术中用来描述不同的终端，但是这些终端不应当被这些术语限制。这些术语仅用来将一个终端与另一个终端进行区分。例如，第一终端可以被称作第二终端，并且类似地，第二终端可以被称作第一终端，而不脱离各种所描述的实施例的范围，但是除非上下文以其他方式明确指出，否则它们不是同一个终端。类似的情况还有第一用户和第二用户。
62.本技术实施例中，第一用户指的是需要进行训练的对象人员，例如患者或患者家属等，其可以利用第一终端接收训练方案并据此进行训练操作。相对地，第二用户指的是能够提供训练意见的对象人员，例如治疗师、医生等，其可以利用第二终端查看训练方案和/或对训练方案进行修改、订正。
63.其中，第一/第二终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、智能电视、以及便携式可穿戴设备等电子设备。在一些实施例中，第一/第二终端中可以装载有app应用程序(例如小程序等)或具备网页/网站访问性能的客户端，并通过app应用程序或客户端向第一用户提供远程评估入口、展示训练方案，以及向第二用户展示训练方案等。在一些实施例中，电子设备/处理设备包括存储器、存储器控制器、一个或多个处理单元(cpu)、外设接口、rf电路、音频电路、扬声器、麦克风、输入/输出(i/o)子系统、显示屏、其他输出或控制设备，以及外部端口等组件，这些组件通过一条或多条通信总线或信号线进行通信。
64.其中，训练方案指的是指导第一用户如何进行训练的训练资料。训练资料包括记忆力、言语功能、注意力、执行力、视空间、情绪、睡眠、精神行为、以及日常生活能力等认知域相关的训练资料，其形式包括视频教程、文字教程、语音指导等中的一种或多种。
65.本技术提供的远程训练方案的推送方法，可以应用于如图1所示的应用环境中。其中，服务器101分别与第一终端102和第二终端103网络连接。其中，网络可以是因特网、移动网络、局域网(lan)、广域网(wlan)、存储局域网(san)、一个或多个内部网等，或其适当组合，本技术实施例对服务器与第一/第二用户侧的电子设备之间通信网络的类型或协议等在本技术中均不做限定。
66.服务器101配置有数据处理系统(或称平台系统等)。在一些实施例中，服务器可以
根据功能、负载等多种因素布置在一个或多个实体服务器上。其中，当分布在多个实体服务器时，服务端可以由基于云架构的服务器组成。例如，基于云架构的服务器包括公共云(public cloud)服务端与私有云(private cloud)服务端，其中，公共或私有云服务端包括software-as-a-service(软件即服务，saas)、platform-as-a-service(平台即服务，paas)及infrastructure-as-a-service(基础设施即服务，iaas)等。服务端还可以由分布的或集中的服务器集群构成。例如，服务器集群由至少一台实体服务器构成。每个实体服务器中配置多个虚拟服务器，每个虚拟服务器运行至少一功能模块以实现上述远程训练方案的推送方法，各虚拟服务器之间通过网络通信。
67.在一个实施例中，如图2所示，提供了一种远程训练方案的推送方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
68.步骤s202，获取第一终端发送的认知功能评估信息和医学相关信息；认知功能评估信息是通过第一用户在第一终端上进行远程评估得到的；医学相关信息包括医学图像信息和生物资料信息。
69.其中，认知功能评估信息包括但不限于对记忆力、言语功能、注意力、执行力、视空间、情绪、睡眠、精神行为、以及日常生活能力等认知域相关功能的评估结果。认知功能评估信息是由第一用户在第一终端上进行远程评估得到的。例如，第一终端在显示屏上向第一用户展示认知功能评估量表；第一用户完成填写认知功能评估量表后，第一终端获取第一用户的认知功能评估信息。其中，认知功能评估量表包括但不限于记忆障碍自评表(ascertain dementia8，ad8)、简易精神状态评价量表(mini-mental state examination，mmse)、蒙特利尔认知评估量表(montreal cognitive assessment，moca)、日常生活能力量表(activity of daily living scale，adl)、以及记忆与执行量表等中的一种或多种。又如，第一终端通过语音提示第一用户进行远程评估，获取第一用户按照语音提示回答的语音信息，并将其转化为认知功能评估信息，并发送给服务器。当然并不局限于此，上述实施方式仅作为示例，而非限制本技术实施例的范围；例如，还可以是第一终端与第二终端建立通信连接后，实现第一用户与第二用户的语音沟通，由此，第一用户在第二用户的指导下完成远程评估，第一终端将第一用户的认知功能评估信息发送给服务器。
70.医学相关信息为第一用户经过诊断后得到的相关医学资料，包括医学图像信息、生物资料信息、以及生活与饮食习惯资料等中的一种或多种。其中，医学图像信息包括影像学资料、以及脑电图资料等中的一种或多种，例如脑电图像(electroencephalogram，eeg)和功能性磁共振成像(functional magnetic resonance imaging，fmri)。生物资料信息包括但不限于流行病学资料、基线资料、实验室资料、以及aβ42和tau蛋白生物标志物资料等中的一种或多种。
71.具体地，第一终端将认知功能评估信息发送至服务器；服务器接收并获得与第一用户相关联的认知功能评估信息和医学相关信息，以便后续的处理。
72.步骤s204，依据认知功能评估信息和医学相关信息，确定异常阶段信息。
73.其中，异常阶段信息用于表征异常程度所处阶段的信息。异常阶段比如轻度、中度或重度等。例如以阿尔茨海默病为例，其认知能力和身体机能的恶化程度可分成三个阶段，第一阶段为轻度期，表现为记忆减退、判断能力下降、时间定向障碍、复杂结构的视空间能力差、以及言语词汇少等症状；第二阶段为中度期，表现为远近记忆严重受损、简单结构的
视空间能力下降、时间、地点定向障碍、计算不能、出现各种神经症状、以及可见失语、失用和失认等症状；第三阶段为重度期，表现为严重记忆力丧失、日常生活不能自理、缄默、以及肢体僵直等症状。
74.具体地，服务器根据所获得的第一用户的认知功能评估信息和医学相关信息，将其输入至阶段判断模型进行处理，并由阶段判断模型预测对应的异常阶段信息。由此，服务器得到与第一用户相匹配的异常阶段信息。其中，阶段判断模型例如为由大数据构成的判断模型，依据第一用户的认知功能评估信息和医学相关信息，结合大数据中数以万计的认知功能评估信息和医学相关信息与相应的异常阶段信息，输出第一用户可能处于的异常阶段的结果，从而得到异常阶段信息。
75.又如，阶段判断模型例如为人工智能模型，例如为长短时记忆神经网络模型(long short-term memory，lstm)、或者基于长短时记忆神经网络模型的改进模型等，例如为长短时记忆神经网络模型结合全连接神经网络形成的神经网络模型。示例性地，如图3所示，服务器将所获得的第一用户的认知功能评估信息和医学相关信息输入至长短时记忆神经网络模型中进行处理，得到中间结果，并将该中间结果再输入至全连接神经网络中，由全连接神经网络输出异常阶段预测结果。服务器再根据全连接神经网络输出的异常阶段预测结果，结合认知功能评估信息，得到最终的异常阶段信息。步骤s206，根据资料库中的多种训练资料，确定与异常阶段信息相匹配的训练方案，训练方案中包括与多个认知域相关的训练资料。
76.具体地，服务器在确定第一用户所对应的异常阶段信息后，确定与该异常阶段信息相匹配的训练方案，以供第一用户据此进行训练。具体地，服务器可以预先建立资料库，并在资料库中存储有多种训练资料(包括但不限于视频训练资料、文字训练资料、以及音频训练资料等中的一种或多种、或多种的结合)；当确定异常阶段信息后，服务器在资料库中进行查找匹配，从而确定相匹配的训练方案。
77.在其中一个实施例中，也可以预先通过专业人员构建与不同异常阶段信息相匹配的训练方案，并上传至服务器，由服务器存储至资料库中。例如，对于阶段a，专业人员人工将多种训练资料所对应的视频、音频等文件组合在一起，并作为该阶段a所对应的训练方案，发送至服务器，由服务器进行存储。之后，当服务器确定第一用户对应的异常阶段信息为阶段a后，在资料库中进行查找，从而直接匹配到阶段a所对应的训练方案。
78.示例性地，假设异常阶段信息包括a～h阶段，其中，a阶段对应的训练方案包括持续性注意力训练、逻辑思维训练、推理能力训练、长时记忆训练、高级日常生活训练、以及应用数学训练的视频/音频/文字形式的训练资料。b阶段对应的训练方案包括保持性注意力训练、转移训练、空间记忆力训练、人物记忆力训练、计算练习训练、迷宫训练、以及诗词理解训练的视频/音频/文字形式的训练资料。c阶段对应的训练方案包括分散性注意力训练、工作训练、言语记忆力训练、短时记忆力训练、以及交通工具训练的视频/音频/文字形式的训练资料。d阶段对应的训练方案包括转移性注意力训练、保持性注意力训练、短时记忆力训练、画图训练、迷宫训练、以及诗词理解训练的视频/音频/文字形式的训练资料。e转移性注意力训练、保持性注意力训练、控制性训练、空间记忆力训练、人物记忆力训练、计算练习训练、拼图训练、以及居家生活能力训练的视频/音频/文字形式的训练资料。f阶段对应的训练方案包括保持性注意力训练、工作训练、控制性训练、短时记忆力训练、人物记忆力训
练、地点记忆力训练、画图训练、空间定位训练、购物活动训练、以及居家生活训练的视频/音频/文字形式的训练资料。g阶段对应的训练方案包括保持性注意力训练、概念形成训练、短时记忆力训练、空间定位训练、购物活动训练、居家生活训练、以及言语记忆力训练的视频/音频/文字形式的训练资料。h阶段对应的训练方案包括保持性注意力训练、购物活动训练、居家生活训练、日常生活能力训练、短时记忆力训练、以及空间视觉训练的视频/音频/文字形式的训练资料。
79.由此，服务器在资料库中确定与异常阶段信息相匹配的、包含与多种认知域相关的训练资料的训练方案，实现了根据异常阶段信息的不同特点，自动、智能地调整训练方案，便于对多个认知域进行针对性的训练。
80.步骤s208，将训练方案推送至第一终端，以供第一用户根据训练方案进行训练操作。
81.具体地，服务器将所确定的训练方案发送至第一终端，由第一终端以可视化的方式向第一用户展示训练方案，以供第一用户根据训练方案进行训练操作。其中，训练操作指的是第一用户根据训练方案进行相应地训练。
82.上述远程训练方案的推送方法，通过第一用户在第一终端上进行远程评估，由此获取第一终端发送的认知功能评估信息和医学相关信息，并根据认知功能评估信息和医学相关信息确定异常阶段信息；再根据所确定的异常阶段信息，确定与之相匹配的训练方案，并将该训练方案推送至第一终端，第一用户即可以根据该训练方案进行训练操作。由此，系统可以向用户自动推荐合适的评估和训练方案，实现了远程的认知评估与训练，使得用户无需借助特殊医疗设备，即可以完成居家训练。
83.在一个具体的实施方式中，本技术实施例利用电脑、app、小程序多线性多数据互通技术，在阿里云服务器上搭建mysql(关系型数据库管理系统)环境，并使用mysql数据库可视化管理工具，由第一用户的信息系统、量表系统、附件系统、视频系统、多媒体系统、认知训练系统、远程数据系统、数据加密传输系统建成一个完整的软件系统。第一用户可以在平板电脑、手机上进行远程认知评估，并通过服务器的大数据分析、人工智能技术，推送合适的训练的方案，并根据第一用户的认知评估特点，自适应调整训练方案。
84.当第一/第二用户在相应的第一/第二终端操作时，终端上安装的客户端软件会监听用户的操作事件并做出响应，当需要获取数据进行分析时，客户端软件会向服务器接口发送请求，服务器根据请求对mysql数据库进行相应的增删查改操作，并把数据包装成json样式返回给客户端软件。通过windows通讯开发平台(windows communication foundation，wcf)服务中转请求，而不是让客户端直接连接数据库，这样能最大程度减缓mysql链接池压力，也在一定程度上保证了数据库数据安全。
85.为了进一步提高对异常阶段信息的识别准确性和效率，在一些实施例中，如图4所示，服务器依据认知功能评估信息和医学相关信息，确定异常阶段信息的步骤包括：
86.步骤s402，对医学图像信息进行图像预处理，得到预处理图像。
87.其中，医学图像信息包括脑电图像和功能性磁共振图像。具体地，服务器首先需要对脑电图像和功能性磁共振图像进行图像预处理，以便于神经网络来分析挖掘出脑电图像中α波段的变化特征和功能性磁共振图像中隐藏的边缘特征和灰度特征，同时也便于提高结果的准确性，消除噪声的影响。
88.示例性地，对于脑电图像，服务器首先使用低通滤波器过滤数据，以在减少数据的高频变化的同时，保留更有用的低频结构。其次，为了保证数据的时间稀疏性，需要对图像进行二次采样，降低时间维度与数据的相关性。对于功能性磁共振图像，服务器首先进行校正配准，使图像之间的不匹配最小化。其次，对功能性磁共振图像进行归一化、平滑处理，从而消除干扰信号的影响。由此，服务器得到预处理后的医学图像信息，即预处理图像。
89.步骤s404，将预处理图像输入至预先训练好的长短时记忆神经网络模型中，由长短时记忆神经网络模型进行特征提取，得到图像特征的隐藏表示。
90.其中，图像特征包括波段变化特征、边缘特征、以及灰度特征。其中波段变化特征主要是α波段变化特征，α波段频率分布为8-13hz，主要包含两个波段：μ1(8-10hz)和μ2(10-13hz)，振幅约为20-100μv。
91.具体地，服务器将预处理图像输入至预先训练好的长短时记忆神经网络模型中，经过长短时记忆神经网络模型进行特征提取，并经过长短时记忆神经网络模型中输入门、输出门、以及遗忘门等进行处理，输出图像特征的隐藏表示。
92.步骤s406，基于生物资料信息和图像特征的隐藏表示，利用全连接神经网络进行分类，得到预测阶段信息。
93.具体地，服务器将经过长短时记忆神经网络模型处理得到的输出，即图像特征的隐藏表示，作为全连接神经网络的输入，由全连接神经网络进行分类，得到预测阶段信息。
94.步骤s408，根据认知功能评估信息和预测阶段信息，确定第一用户的异常阶段信息。
95.具体地，服务器再将由全连接神经网络分类得到的预测阶段信息与第一用户的认知功能评估信息相结合，综合判断第一用户所处于的异常阶段信息。例如，若服务器判断由全连接神经网络分类得到的预测阶段信息，与第一用户的认知功能评估信息所反映的异常阶段信息相匹配，则服务器将预测阶段信息作为第一用户的异常阶段信息。又如，若服务器判断由全连接神经网络分类得到的预测阶段信息为前述实施例中的e阶段，而根据认知功能评估信息判断第一用户的阶段信息可能位于前述实施例中的c阶段，则服务器可以确定第一用户的异常阶段信息为e阶段或d阶段等。
96.上述实施例中，通过长短时记忆神经网络模型结合全连接神经网络分析医学图像信息，提高了异常阶段信息的识别准确率，相较于传统的人工现场确定的方式避免了人为主观因素的影响，且效率更高。
97.在一些实施例中，如图5所示，长短时记忆神经网络模型的训练步骤包括：
98.步骤s502，获取当前的样本图像，并将当前的样本图像中的图像特征作为当前时刻的输入值。
99.步骤s504，根据上一时刻图像特征的隐藏表示，由遗忘门对输入值进行加权运算得到第一中间值、由输入门对输入值进行加权运算得到第二中间值和第三中间值、以及由输出门对输入值进行加权运算得到第四中间值。
100.步骤s506，根据上一时刻图像特征的单元状态、第一中间值、第二中间值、以及第三中间值，确定当前时刻的图像特征的单元状态。
101.步骤s508，根据当前时刻的图像特征的单元状态和第四中间值，得到当前时刻的输出值；其中，输出值为当前时刻的图像特征的隐藏表示。
102.步骤s510，获取下一样本图像，将下一样本图像中的图像特征作为下一时刻的输入值，并返回至根据上一时刻图像特征的隐藏表示，由遗忘门对输入值进行加权运算得到第一中间值、由输入门对输入值进行加权运算得到第二中间值和第三中间值、以及由输出门对输入值进行加权运算得到第四中间值的步骤继续执行，直至满足训练终止条件时停止迭代，得到训练好的长短时记忆神经网络模型。
103.其中，训练终止条件包括但不限于训练次数达到预设次数、训练时长达到预设时长、或者准确率达到预设阈值等。
104.具体地，服务器获取多张医学图像作为训练样本，并输入至长短时记忆神经网络模型进行训练。对于某一次的训练过程，服务器首先获取当次训练的样本图像，作为当前的样本图像，并通过长短时记忆神经网络模型进行特征提取，获得该当前的样本图像的图像特征。由于长短时记忆神经网络是递归神经网络，对于当次的输入需要结合上一次的输出。因此，服务器根据上一时刻图像特征的隐藏表示，由遗忘门对输入值进行加权运算得到第一中间值、由输入门对输入值进行加权运算得到第二中间值和第三中间值、以及由输出门对输入值进行加权运算得到第四中间值，并根据上一时刻图像特征的单元状态、第一中间值、第二中间值、以及第三中间值，确定当前时刻的图像特征的单元状态。然后，服务器再结合当前时刻的图像特征的单元状态和第四中间值，得到当前时刻的输出值，即当前时刻的图像特征的隐藏表示。同时，服务器对当前时刻的图像特征的隐藏表示进行存储，以供下一次的训练时作为输入值，由此进行迭代循环。
105.在进行下一次的训练时，服务器获取下一样本图像，将下一样本图像中的图像特征作为下一时刻的输入值，并返回至步骤s504继续执行，直至满足训练终止条件时停止迭代，得到训练好的长短时记忆神经网络模型。
106.示例性地，如图6所示，服务器将样本图像输入至长短时记忆神经网络模型中，经过长短时记忆神经网络模型进行特征提取，得到当前的样本图像的图像特征x
t
(包含了该样本图像的所有图像特征)，作为当前时刻(即t时刻)的输入值。然后，经过上一次训练得到的上一时刻(即t-1时刻)图像特征的隐藏表示h
t-1
，由遗忘门对输入值x
t
进行加权运算得到第一中间值f
t
。其中，遗忘门对输入值x
t
进行加权运算得到第一中间值f
t
的计算公式可由如下公式表示：
107.f
t
＝σ(wf·
[h
t-1
,x
t
] bf)
[0108]
其中，σ代表sigmoid函数，wf为遗忘门的权重矩阵，bf为偏置参数。
[0109]
在长短时记忆神经网络模型中，由遗忘门进行处理，即通过当前时刻的输入值和上一时刻的输出值，利用sigmoid函数来使得单元状态乘以sigmoid函数的输出。若sigmoid函数输出0，则该部分信息需要被遗忘，反之该部分信息继续在单元状态中继续传递下去。同时，由输入门进行处理，从而更新旧的单元状态。之前的遗忘门决定了遗忘或者添加哪些信息，由该输入门来执行实现，并由输出门进行处理以决定最后的输出值。
[0110]
示例性地，该长短时记忆神经网络模型由输入门对输入值x
t
进行加权运算得到第二中间值i
t
和第三中间值其中，输入门对输入值x
t
进行加权运算分别得到第二中间值i
t
和第三中间值的计算公式可由如下公式表示：
[0111]it
＝σ(wi·
[h
t-1
,x
t
] bi)
[0112][0113]
其中，wi和wc输入门的权重矩阵，bi和bc为输入门的偏置参数，为候选值向量，用于决定哪些信息可以被添加到单元状态中。
[0114]
示例性地，该长短时记忆神经网络模型由输出门对输入值x
t
进行加权运算得到第四中间值o
t
。其中，输出门对输入值x
t
进行加权运算分别得到第四中间值o
t
的计算公式可由如下公式表示：
[0115]ot
＝σ(wo·
[h
t-1
,x
t
] bo)
[0116]
其中，wo为输出门的权重矩阵，bo为输出门的偏置参数。
[0117]
在得到第一中间值、第二中间值、以及第三中间值后，服务器根据上一时刻图像特征的单元状态c
t-1
，确定当前时刻的图像特征的单元状态c
t
。即，先用旧的状态c
t-1
对应点乘成f
t
，即c
t-1
·ft
，用来丢弃已经决定要遗忘的信息，然后再加上最终构成单元状态c
t
。其可以用公式表示为：
[0118][0119]
然后，服务器再结合当前时刻的图像特征的单元状态c
t
和第四中间值o
t
，得到当前时刻的输出值，即当前时刻的图像特征的隐藏表示h
t
。同时，服务器对当前时刻的图像特征的隐藏表示h
t
进行存储，以供下一次的训练时作为输入值，由此进行迭代循环。
[0120]
上述实施例中，通过长短时记忆神经网络模型分析医学图像信息，能够提高对异常阶段信息的识别准确率，相较于传统的远程方式中由人工进行诊断，避免了人为主观因素的影响，准确率和效率更高。
[0121]
在一些实施例中，如图7所示，全连接神经网络的训练步骤包括：
[0122]
步骤s702，将样本图像的图像特征、图像特征的隐藏表示、以及单元状态，输入至全连接神经网络中，输出异常阶段预测结果；异常阶段预测结果表征处于不同异常阶段的概率值。
[0123]
步骤s704，基于异常阶段预测结果和样本图像实际所属的异常阶段之间的差异，确定应删除的图像特征，并基于应删除的图像特征确定调节参数。
[0124]
步骤s706，基于异常阶段预测结果和调节参数，确定奖励函数。
[0125]
步骤s708，以最大化奖励函数为目标，对全连接神经网络的调节参数进行调整，直至满足训练终止条件时结束训练，得到训练好的全连接神经网络。
[0126]
具体地，服务器将经由长短时记忆神经网络模型提取的样本图像的图像特征、经由长短时记忆神经网络模型处理输出的图像特征的隐藏表示、以及长短时记忆神经网络模型中的单元状态，输入至全连接神经网络中，由全连接神经网络进行分类，并输出异常阶段预测结果。异常阶段预测结果表征处于不同异常阶段的概率值。通常，所输出的异常阶段预测结果为概率分布，例如，对于c1、c2、c3这三个异常阶段，所输出的异常阶段预测结果p(y|x)为患病阶段预测的概率分布，其中y∈{c1,c2,c3}。对于每个样本图像，服务器预先标注有该样本图像实际所属的异常阶段。由此，服务器可以将全连接神经网络输出的异常阶段预测结果与该样本图像实际所属的异常阶段进行比较，根据二者之间的差异来确定该样本图像的图像特征是保留还是删除。基于应删除的图像特征，服务器可以确定调节参数，并结
合异常阶段预测结果构建奖励函数。
[0127]
由此，服务器可以基于所构建的奖励函数所返回的奖励值进行训练，以最大化奖励函数为目标，通过对全连接神经网络的调节参数进行调整，不断地循环迭代，直至满足训练终止条件时结束训练，得到训练好的全连接神经网络。其中，训练终止条件包括但不限于训练次数达到预设次数、训练时长达到预设时长、或者准确率达到预设阈值等。
[0128]
示例性地，奖励函数可以由如下公式进行计算：
[0129][0130]
其中，r
l
为奖励值，p(c|x)为在输入该样本图像特征得到的异常阶段预测结果。l
′
指的就是一个样本中删除的特征的个数(次数)，其用于当一个样本图像的某个特征对最终的结果影响很小时，将该特征删去。相应地，l为该样本图像中的完整特征的个数。γ为超参数，γ越大越倾向于删除特征；反之，γ越小越倾向于保留特征。b也为超参数，通过人工设置来使奖励值有正有负。
[0131]
上述实施例中，通过深度强化学习完成神经网络的自我学习，将长短时记忆神经网络与全连接神经网络结合，构建阶段判断模型，再比较分析模型预测结果与实际结果，提高了对异常阶段的识别准确率。
[0132]
在一些实施例中，上述方法还包括：向第一终端发送评估标准信息，以供第一终端向第一用户可视化展示评估内容；其中，评估标准信息用于引导第一用户在第一终端上进行评估测试，包括但不限于认知功能评估量表、评估指导视频、或其他可以指导第一用户进行评估的资料。其中，可视化展示包括但不限于图片展示、文字展示、视频展示、以及语音展示等中的一种或多种、或多种的结合。
[0133]
具体地，服务器可以基于第一终端的远程评估请求，向第一终端发送评估标准信息，以供第一终端向第一用户可视化展示评估内容。例如，第一用户在第一终端上进行触碰等操作，第一终端据此向服务器发送远程评估请求。服务器接收到第一终端发送的远程评估请求后，在数据库中查找相应的评估标准信息(例如各种量表)，并将评估标准信息发送给第一终端。第一终端接收到服务器发送的评估标准信息后，通过显示屏等向第一用户进行可视化展示，例如通过一页面向第一用户展示量表、或者结合音频提示向第一用户展示量表、或者向第一用户播放用于指导第一用户进行远程评估的视频等。
[0134]
上述实施例中，通过向第一终端发送评估标准信息，能够实现用户无需前往医院即可完成远程评估，评估方便、灵活。
[0135]
在一些实施例中，上述方法还包括：根据第一终端或第二终端发起的交互请求，建立第一终端与第二终端之间的通信连接，以供第一终端接收第二终端发送的评估指令，并根据评估指令进行远程评估。其中，交互请求包括但不限于聊天请求、语音请求、以及视频请求等中的一种或多种。其中，评估指令用于指导第一用户进行远程评估，例如第二用户发送的语音指令、文字教程、或者视频教程等。
[0136]
具体地，服务器还可以接收第一终端发起的交互请求，向第二终端请求通信连接。第二用户在第二终端上同意通信连接后，服务器即可建立第一终端和第二终端之间的通信连接。由此，第一用户可以通过第二用户经第二终端发送的评估指令，并按照该评估指令进行完成评估。或者，服务器接收第二终端发起的交互请求，向第一终端请求通信连接。第一
用户在第一终端上同意通信连接后，服务器即可建立第一终端和第二终端之间的通信连接。由此，第二用户可以向第一用户发送评估指令，第一用户则可以按照该评估指令进行完成评估。
[0137]
上述实施例中，通过第一用户或第二用户其中一方发起的交互请求，建立二者之间的通信连接，可以主动、及时地进行远程评估，例如，当第二用户定时回访、或者发现异常时主动了解第一用户情况；又如，第一用户在需要时，主动进行远程评估，可交互性强，用户体验良好。同时，第二用户可根据专业意见进行远程指导认知功能评估，第一用户的远程评估结果更加准确，进而后续的训练方案更加有效、更具针对性。
[0138]
在一些实施例中，上述方法还包括：将训练方案推送至第二终端，以供第二用户在第二终端上对训练方案进行修改；以及，接收第二终端发送的修改后的训练方案，并将修改后的训练方案推送至第一终端。
[0139]
具体地，服务器在确定相应的训练方案后，还可以将该训练方案同时推送给第二终端，以便于第二用户可以在第二终端上查看训练方案、或者修改训练方案。当第二用户对训练方案进行修改后，第二终端将修改后的训练方案发送给服务器，服务器接收第二终端发送的修改后的训练方案，并将该修改后的训练方案再推送给第一终端，以便于第一用户根据修改后的训练方案进行训练操作。
[0140]
上述实施例中，通过将自动匹配得到的训练方案发送给第二用户，可便于第二用户根据服务器存储在数据库中的认知功能评估信息，进行进一步汇总分析，并结合影像资料进行专业分析，从而对训练方案作出专业的修改或调整，由此使得训练方案更加准确、更具针对性。
[0141]
应该理解的是，虽然图2、图4、图6-图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4、图6-图7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0142]
在一个实施例中，如图8所示，提供了一种远程训练方案的推送装置800，包括：获取模块801、确定模块802、以及推送模块803，其中：
[0143]
获取模块801，用于获取第一终端发送的认知功能评估信息和医学相关信息；认知功能评估信息是通过用户在第一终端上进行远程评估得到的；医学相关信息包括医学图像信息和生物资料信息。
[0144]
确定模块802，用于依据认知功能评估信息和医学相关信息，确定异常阶段信息。
[0145]
确定模块802，还用于根据资料库中的多种训练资料，确定与异常阶段信息相匹配的训练方案，训练方案中包括与多个认知域相关的训练资料。
[0146]
推送模块803，用于将训练方案推送至第一终端，以供用户根据训练方案进行训练操作。
[0147]
在其中一个实施例中，确定模块还用于对医学图像信息进行图像预处理，得到预处理图像；将预处理图像输入至预先训练好的长短时记忆神经网络模型中，由长短时记忆
神经网络模型进行特征提取，得到图像特征的隐藏表示；图像特征包括波段变化特征、边缘特征、以及灰度特征；基于生物资料信息和图像特征的隐藏表示，利用全连接神经网络进行分类，得到预测阶段信息；根据认知功能评估信息和预测阶段信息，确定第一用户的异常阶段信息。
[0148]
在其中一个实施例中，如图9所示，上述装置还包括训练模块804，训练模块用于获取当前的样本图像，并将当前的样本图像中的图像特征作为当前时刻的输入值；根据上一时刻图像特征的隐藏表示，由遗忘门对输入值进行加权运算得到第一中间值、由输入门对输入值进行加权运算得到第二中间值和第三中间值、以及由输出门对输入值进行加权运算得到第四中间值；根据上一时刻图像特征的单元状态、第一中间值、第二中间值、以及第三中间值，确定当前时刻的图像特征的单元状态；根据当前时刻的图像特征的单元状态和第四中间值，得到当前时刻的输出值；其中，输出值为当前时刻的图像特征的隐藏表示；获取下一样本图像，将下一样本图像中的图像特征作为下一时刻的输入值，并返回至根据上一时刻图像特征的隐藏表示，由遗忘门对输入值进行加权运算得到第一中间值、由输入门对输入值进行加权运算得到第二中间值和第三中间值、以及由输出门对输入值进行加权运算得到第四中间值的步骤继续执行，直至满足训练终止条件时停止迭代，得到训练好的长短时记忆神经网络模型。
[0149]
在其中一个实施例中，训练模块还用于将样本图像的图像特征、图像特征的隐藏表示、以及单元状态，输入至全连接神经网络中，输出异常阶段预测结果；异常阶段预测结果表征处于不同异常阶段的概率值；基于异常阶段预测结果和样本图像实际所属的异常阶段之间的差异，确定应删除的图像特征，并基于应删除的图像特征确定调节参数；基于异常阶段预测结果和调节参数，确定奖励函数；以最大化奖励函数为目标，对全连接神经网络的调节参数进行调整，直至满足训练终止条件时结束训练，得到训练好的全连接神经网络。
[0150]
在其中一个实施例中，上述装置还包括发送模块，用于向第一终端发送评估标准信息，以供第一终端向第一用户可视化展示评估内容；评估标准信息用于引导第一用户在第一终端上进行评估测试；其中，可视化展示至少包括图片展示、文字展示、视频展示、以及语音展示中的一种。
[0151]
在其中一个实施例中，上述装置还包括交互模块，用于根据第一终端或第二终端发起的交互请求，建立第一终端与第二终端之间的通信连接，以供第一终端接收第二终端发送的评估指令，并根据评估指令进行远程评估；其中，交互请求至少包括聊天请求、语音请求、以及视频请求中的一种。
[0152]
在其中一个实施例中，推送模块还用于将训练方案推送至第二终端，以供第二用户在第二终端上对训练方案进行修改；以及接收第二终端发送的修改后的训练方案，并将修改后的训练方案推送至第一终端。
[0153]
关于远程训练方案的推送装置的具体限定可以参见上文中对于远程训练方案的推送方法的限定，在此不再赘述。上述远程训练方案的推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0154]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是前述实施例中的
服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储认知功能评估信息、医学相关信息、以及训练资料等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种远程训练方案的推送方法。
[0155]
本领域技术人员可以理解，图10中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0156]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取第一终端发送的认知功能评估信息和医学相关信息；认知功能评估信息是通过第一用户在第一终端上进行远程评估得到的；医学相关信息包括医学图像信息和生物资料信息；依据认知功能评估信息和医学相关信息，确定异常阶段信息；根据资料库中的多种训练资料，确定与异常阶段信息相匹配的训练方案，训练方案中包括与多个认知域相关的训练资料；将训练方案推送至第一终端，以供第一用户根据训练方案进行训练操作。
[0157]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对医学图像信息进行图像预处理，得到预处理图像；将预处理图像输入至预先训练好的长短时记忆神经网络模型中，由长短时记忆神经网络模型进行特征提取，得到图像特征的隐藏表示；图像特征包括波段变化特征、边缘特征、以及灰度特征；基于生物资料信息和图像特征的隐藏表示，利用全连接神经网络进行分类，得到预测阶段信息；根据认知功能评估信息和预测阶段信息，确定第一用户的异常阶段信息。
[0158]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取当前的样本图像，并将当前的样本图像中的图像特征作为当前时刻的输入值；根据上一时刻图像特征的隐藏表示，由遗忘门对输入值进行加权运算得到第一中间值、由输入门对输入值进行加权运算得到第二中间值和第三中间值、以及由输出门对输入值进行加权运算得到第四中间值；根据上一时刻图像特征的单元状态、第一中间值、第二中间值、以及第三中间值，确定当前时刻的图像特征的单元状态；根据当前时刻的图像特征的单元状态和第四中间值，得到当前时刻的输出值；其中，输出值为当前时刻的图像特征的隐藏表示；获取下一样本图像，将下一样本图像中的图像特征作为下一时刻的输入值，并返回至根据上一时刻图像特征的隐藏表示，由遗忘门对输入值进行加权运算得到第一中间值、由输入门对输入值进行加权运算得到第二中间值和第三中间值、以及由输出门对输入值进行加权运算得到第四中间值的步骤继续执行，直至满足训练终止条件时停止迭代，得到训练好的长短时记忆神经网络模型。
[0159]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将样本图像的图像特征、图像特征的隐藏表示、以及单元状态，输入至全连接神经网络中，输出异常阶段预测结果；异常阶段预测结果表征处于不同异常阶段的概率值；基于异常阶段预测结果和样本图像实际所属的异常阶段之间的差异，确定应删除的图像特征，并基于应删除的图像特征
确定调节参数；基于异常阶段预测结果和调节参数，确定奖励函数；以最大化奖励函数为目标，对全连接神经网络的调节参数进行调整，直至满足训练终止条件时结束训练，得到训练好的全连接神经网络。
[0160]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：向第一终端发送评估标准信息，以供第一终端向第一用户可视化展示评估内容；评估标准信息用于引导第一用户在第一终端上进行评估测试；其中，可视化展示至少包括图片展示、文字展示、视频展示、以及语音展示中的一种。
[0161]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据第一终端或第二终端发起的交互请求，建立第一终端与第二终端之间的通信连接，以供第一终端接收第二终端发送的评估指令，并根据评估指令进行远程评估；其中，交互请求至少包括聊天请求、语音请求、以及视频请求中的一种。
[0162]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将训练方案推送至第二终端，以供第二用户在第二终端上对训练方案进行修改；以及接收第二终端发送的修改后的训练方案，并将修改后的训练方案推送至第一终端。
[0163]
上述计算机设备，实现了远程的认知评估与训练，使得用户无需借助特殊医疗设备，即可以完成居家训练。
[0164]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取第一终端发送的认知功能评估信息和医学相关信息；认知功能评估信息是通过第一用户在第一终端上进行远程评估得到的；医学相关信息包括医学图像信息和生物资料信息；依据认知功能评估信息和医学相关信息，确定异常阶段信息；根据资料库中的多种训练资料，确定与异常阶段信息相匹配的训练方案，训练方案中包括与多个认知域相关的训练资料；将训练方案推送至第一终端，以供第一用户根据训练方案进行训练操作。
[0165]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：：对医学图像信息进行图像预处理，得到预处理图像；将预处理图像输入至预先训练好的长短时记忆神经网络模型中，由长短时记忆神经网络模型进行特征提取，得到图像特征的隐藏表示；图像特征包括波段变化特征、边缘特征、以及灰度特征；基于生物资料信息和图像特征的隐藏表示，利用全连接神经网络进行分类，得到预测阶段信息；根据认知功能评估信息和预测阶段信息，确定第一用户的异常阶段信息。
[0166]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：：获取当前的样本图像，并将当前的样本图像中的图像特征作为当前时刻的输入值；根据上一时刻图像特征的隐藏表示，由遗忘门对输入值进行加权运算得到第一中间值、由输入门对输入值进行加权运算得到第二中间值和第三中间值、以及由输出门对输入值进行加权运算得到第四中间值；根据上一时刻图像特征的单元状态、第一中间值、第二中间值、以及第三中间值，确定当前时刻的图像特征的单元状态；根据当前时刻的图像特征的单元状态和第四中间值，得到当前时刻的输出值；其中，输出值为当前时刻的图像特征的隐藏表示；获取下一样本图像，将下一样本图像中的图像特征作为下一时刻的输入值，并返回至根据上一时刻图像特征的隐藏表示，由遗忘门对输入值进行加权运算得到第一中间值、由输入门对输入值进行加权运算得到第二中间值和第三中间值、以及由输出门对输入值进行加权运算得到第四中间值
的步骤继续执行，直至满足训练终止条件时停止迭代，得到训练好的长短时记忆神经网络模型。
[0167]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：：将样本图像的图像特征、图像特征的隐藏表示、以及单元状态，输入至全连接神经网络中，输出异常阶段预测结果；异常阶段预测结果表征处于不同异常阶段的概率值；基于异常阶段预测结果和样本图像实际所属的异常阶段之间的差异，确定应删除的图像特征，并基于应删除的图像特征确定调节参数；基于异常阶段预测结果和调节参数，确定奖励函数；以最大化奖励函数为目标，对全连接神经网络的调节参数进行调整，直至满足训练终止条件时结束训练，得到训练好的全连接神经网络。
[0168]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：：向第一终端发送评估标准信息，以供第一终端向第一用户可视化展示评估内容；评估标准信息用于引导第一用户在第一终端上进行评估测试；其中，可视化展示至少包括图片展示、文字展示、视频展示、以及语音展示中的一种。
[0169]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：：根据第一终端或第二终端发起的交互请求，建立第一终端与第二终端之间的通信连接，以供第一终端接收第二终端发送的评估指令，并根据评估指令进行远程评估；其中，交互请求至少包括聊天请求、语音请求、以及视频请求中的一种。
[0170]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：：将训练方案推送至第二终端，以供第二用户在第二终端上对训练方案进行修改；以及接收第二终端发送的修改后的训练方案，并将修改后的训练方案推送至第一终端。
[0171]
上述计算机可读存储介质，实现了远程的认知评估与训练，使得用户无需借助特殊医疗设备，即可以完成居家训练。
[0172]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0173]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0174]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。