1.本发明涉及一种基于多感音乐的注意功能干预方法，同时也涉及相应的注意功能干预系统，属于医疗保健信息技术领域。
背景技术：2.音乐治疗兴起于美国，是一门集音乐、医学和心理学为一体的综合性应用学科。美国temple大学的k.bruscia教授在《定义音乐治疗》一书中提出：音乐干预是一个系统的干预疾病的过程，在这个过程中，治疗师利用音乐体验的各种形式，如听、唱、器乐演奏、音乐创作、歌词创作、即兴演奏、舞蹈等以及在治疗过程中发展起来的、作为治疗动力的治疗关系来帮助被帮助者达到健康的目的。
3.音乐具有流畅性、韵律性等特性。音乐疗法能系统地利用这些特征对人体产生影响，对躯体疾病和神经心理疾病均有改善作用，如降低血压，改善睡眠、免疫功能，镇痛，改善认知功能、减轻焦虑和抑郁状态等，使患者在治疗疾病或残障的过程中达到心理和生理的整合，最终改善人的注意、记忆等高级脑功能。
4.从注意力的神经心理学的角度探讨音乐干预改善注意功能的作用机理，相关研究发现，听音乐能够刺激大脑的可塑性，并导致大脑多个区域的激活，如听觉机制、注意力、记忆存储和提取以及感觉-运动整合。越来越多的研究表明，音乐激活了许多参与注意力过程的大脑区域。
5.目前，临床上大部分对注意力问题干预的研究大多数采用传统音乐干预的方式。但是传统音乐疗法对于治疗师的音乐专业技能要求太高，普及性不高；针对注意力问题缺乏系统科学的音乐干预策略，可操作性不强。此外，更多的是针对单一维度注意力功能进行研究，几乎没有针对多种具体注意力功能障碍类型的研究。
技术实现要素：6.本发明所要解决的首要技术问题在于提供一种基于多感音乐的注意功能干预方法。
7.本发明所要解决的另一技术问题在于提供一种基于多感音乐的注意功能干预系统。
8.为了实现上述目的，本发明采用以下的技术方案：
9.根据本发明实施例的第一方面，提供一种基于多感音乐的注意功能干预方法，包括如下步骤：
10.获取用户的注意功能评估结果；
11.针对所述用户的注意功能评估结果建立决策树模型，以获取所述用户对应的各设定注意功能障碍类型的分类概率；
12.根据所述用户对应的各设定注意功能障碍类型的分类概率，确定所述用户的各设定注意功能需要提升的优先级，以获取所述用户基于多感音乐的人机交互方案；
13.获取所述用户按照所述优先级依次进行人机交互的人机交互结果，并根据所述人机交互结果对所述人机交互方案进行有效性评估；
14.根据有效性评估结果对所述决策树模型进行迭代，以更新所述用户对应的各设定注意功能障碍类型的分类概率，并更新所述人机交互方案，直至所述用户通过所述人机交互方案的有效性评估。
15.其中较优地，所述获取用户的注意功能评估结果，具体包括：
16.根据所述用户的病症诊断结果，获取所述用户已有的病症信息；
17.采用语音识别技术针对用户录取的语音文本信息进行特征提取，以获取所述用户针对各设定注意力障碍类型的词频数；
18.根据所述用户针对各设定注意力障碍类型的任务测验结果，获取所述用户针对各设定注意力障碍类型的任务评估分数；
19.获取所述用户的注意功能提升需求；
20.综合所述病症信息、词频数、任务评估分数以及提升需求，获取所述用户的注意功能评估结果。
21.其中较优地，各所述设定注意功能障碍类型至少包括：稳定性注意障碍、选择性注意障碍以及持续性注意障碍。
22.其中较优地，所述针对所述用户的注意功能评估结果建立决策树模型，以获取所述用户对应的各设定注意功能障碍类型的分类概率，具体包括：
23.采用多项逻辑回归进行分类，针对三类注意功能障碍建立以下三种不同的决策树；
[0024][0025][0026][0027]
其中，输入训练集t＝{(x1，y1)，(x2，y2)，
……
，(xm，ym)}，f(x)从1到m的叠加目标是通过经验风险极小化确定下一颗决策树的参数，通过拟合残差cm学习一颗回归树，得到第m棵回归树的叶节点区域rm，通过找到误差最小的回归树所对应的cm来更新得到的回归问题提升树fm(x)；
[0028]
基于所建立的三种决策树，将所述用户的注意功能评估结果输入以下公式，获取所述用户对应的三类注意功能障碍的分类概率pi(x)；
[0029][0030]
其中，i的取值为1～3；exp()代表指数函数，f
im
(x)代表最佳拟合回归树。
[0031]
其中较优地，根据所述用户对应的各设定注意功能障碍类型的分类概率，确定所述用户的各设定注意功能需要提升的优先级，以获取所述用户基于多感音乐的人机交互方
案，具体包括：
[0032]
基于所述用户的各设定注意功能需要提升的优先级，根据所述用户对应的各注意功能障碍类型的分类概率，从人机交互任务库中依次匹配与各注意功能障碍类型相对应的基于多感音乐的人机交互任务；
[0033]
根据所述用户对应的各设定注意功能障碍类型的分类概率，计算对应各设定注意功能障碍类型的人机交互天数；
[0034]
将各注意功能障碍类型相对应的基于多感音乐的人机交互任务与各设定注意功能障碍类型的人机交互天数一一对应，形成与各注意功能障碍类型相对应的人机交互子方案；
[0035]
将各所述人机交互子方案按照所述优先级进行排序，形成所述用户基于多感音乐的人机交互方案。
[0036]
其中较优地，所述人机交互方案中，当前人机交互子方案交互完毕后，开启下一级人机交互子方案的人机交互。
[0037]
其中较优地，任意一个设定注意功能障碍类型的人机交互天数均通过该设定注意功能障碍类型的分类概率与所述用户完全属于该设定注意功能障碍类型的最佳干预天数的乘积获得。
[0038]
根据本发明实施例的第二方面，提供一种基于多感音乐的注意功能干预系统，包括处理器和存储器，所述处理器读取所述存储器中的计算机程序，用于执行以下操作：
[0039]
获取用户的注意功能评估结果；
[0040]
针对所述用户的注意功能评估结果建立决策树模型，以获取所述用户对应的各设定注意功能障碍类型的分类概率；
[0041]
根据所述用户对应的各设定注意功能障碍类型的分类概率，确定所述用户的各设定注意功能需要提升的优先级，以获取所述用户基于多感音乐的人机交互方案；
[0042]
获取所述用户按照所述优先级依次进行人机交互的人机交互结果，并根据所述人机交互结果对所述人机交互方案进行有效性评估；
[0043]
根据有效性评估结果对所述决策树模型进行迭代，以更新所述用户对应的各设定注意功能障碍类型的分类概率，并更新所述人机交互方案，直至所述用户通过所述人机交互方案的有效性评估。
[0044]
与现有技术相比较，本发明具有以下的技术效果：
[0045]
(1)多感官综合干预模式可以有效地改善用户的注意功能。多感音乐疗法是一种集视、听、动为一体采用多感官综合干预的方法，通过刺激多重感官，改变其心理与生理指标，达到充分改善多种信息通道相关注意力障碍问题。
[0046]
(2)提供可操作性的系统性训练方案。基于音乐注意力控制训练(mact)和可视音乐疗法等治疗理论开发的数字音乐疗法，弥补了专业治疗师不足的现状，同时也为患者提供更为便捷的干预方法来改善注意力问题。
[0047]
(3)多方位对患者的注意功能进行训练。不仅仅局限于对某种注意类型进行训练，更加注重不同维度注意力的综合训练。不同注意力障碍患者均可选择适当的音乐疗法达到改善的目的，内容丰富多样，可满足不同注意力障碍的干预需求。
附图说明
[0048]
图1为本发明实施例提供的一种基于多感音乐的注意功能干预方法的整体流程图；
[0049]
图2为本发明实施例提供的一种基于多感音乐的注意功能干预方法的具体流程图；
[0050]
图3为本发明实施例提供的一种基于多感音乐的注意功能干预系统的结构图。
具体实施方式
[0051]
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
[0052]
本发明的整体构思在于以主动与被动结合音乐活动的形式，设计一套便于操作、普及性强的可视化音乐干预策略，用来改善注意力障碍患者的注意力问题。为此，如图1所示，本发明实施例提供的一种基于多感音乐的注意功能干预方法，至少包括步骤s1～s5：
[0053]
s1：获取用户的注意功能评估结果。
[0054]
具体的，包括子步骤s11～s15：
[0055]
s11：获取用户已有的病症信息。
[0056]
用户首次登录时，需要根据自身的病症诊断情况，在常见的已诊断病症中填写已经确诊的病症αn(n＝1，2，3，4，5
…
)，从而能够加强对应病症所在类别在人机交互方案中的权重。若用户无确诊病症，则选择系统默认值。
[0057]
s12：获取用户针对各设定注意力障碍类型的词频数。
[0058]
在用户选择已确诊的病症后，还需要主诉自身的注意力症状并进行录音。通过语音识别技术针对用户录取的语音文本信息进行特征提取，从而抽取与各设定注意力障碍类型相关的关键词，并对归属各分类的词频进行统计，并以各分类中词频数φn(n＝1，2，3
…
)作为人机交互方案推送依据之一。
[0059]
在本发明的一个实施例中，各设定注意力障碍类型可以包括：稳定性注意障碍、选择性注意障碍以及持续性注意障碍三类。因此，基于语义提取的注意词频分类主要为：稳定性注意障碍φ1、选择性注意障碍φ2、持续性注意障碍φ3。可以理解的是，在其他实施例中，各设定注意力障碍类型也可以根据需要分为四类或更多。
[0060]
s13：获取用户针对各设定注意力障碍类型的任务评估分数。
[0061]
在用户主诉自身注意力症状后，还需要进行注意功能测评，根据评估分数λn(n＝1，2，3
···
)，明确用户具体症状情况，有利于精准推送个性化人机交互方案。本发明实施例中，主要评估稳定性注意λ1、选择性注意λ2和转移性注意λ3。
[0062]
其中，持续作业测验(cpt)用于评估注意的稳定性，该方法通过计算机程序呈现，计算机上会呈现多个刺激，当目标刺激呈现时告知用户尽可能快的做出按键反应，计算机记录平均反应时长、击中次数等数据，通过计算这些数据反映注意的维持能力。
[0063]
stroop色词测验(scwt)用于评估注意的选择性，通过计算机编程，在屏幕上呈现四种颜色字(红、绿、黄、蓝)，分别用四种不同的颜色(红色、绿色、黄色、蓝色)显示，要求受试者尽量快地说出字的颜色的名称，记录1min时间内说出的正确数。
[0064]
连线测验b(tmt－b)用于评估注意的转移性，将1～12的数字和a－l的英文字母打乱顺序印在屏幕上，受试者将数字和字母间隔连线，要求按照各自应有的正常顺序，即1－
a－2－b－3－c－4－d
……
11－k－12－l，记录完成时间(s)。
[0065]
s14：获取用户的注意功能提升需求。
[0066]
完成注意功能测验后，用户还需要选择注意功能提升需求并排序，即需求度μn(n＝1，2，3
···
)，从而获得用户当前想要急迫解决的注意力问题，为推送人机交互方案提供依据。
[0067]
在本发明的一个实施例中，用户为三类型需求：改善稳定性注意μ1；改善选择性注意μ2；改善转移性注意μ3，用户按照自己需求程度输入1～9的评分，按照评分大小从高到低排列，评分越高说明需求程度越大。
[0068]
s15：综合病症信息、词频数、任务评估分数以及提升需求，获取用户的注意功能评估结果。
[0069]
当完成上述信息获取后，基于病症信息、词频数、任务评估分数以及提升需求四方面因素，从而综合判断用户的注意功能评估结果，以作为后续人机交互方案的推送依据。
[0070]
s2：针对用户的注意功能评估结果建立决策树模型，以获取用户对应的各设定注意功能障碍类型的分类概率。
[0071]
在本发明的一个实施例中，用户的注意障碍类型主要划分为以下三种，详细描述如下：
[0072]
(1)稳定性注意障碍：持续一段时间注意某项活动或剌激的能力，又称之为集中(concentration)，与警觉有关，它取决于紧张性觉醒的维持水平。这也是信息处理的底线，如在公路上开车，看电视，在功能训练中观察病人等，都需要此类注意。主要通过聆听乐曲、敲击乐器和节奏学习对稳定性注意进行训练。
[0073]
(2)选择性注意障碍：选择有关活动、任务，而忽略无关刺激(如外界的噪音，内在的担心等)的能力；如在客厅里别人看电视，你却在看报纸或做作业。这与有意向选择某项活动有关。训练包括：节奏感知、音色感知、音调感知、旋律感知。
[0074]
(3)转移性注意障碍：两项活动之间灵活转移注意重点的能力；如正在做某项工作时，电话铃响了，你会暂停工作去接电话，然后再恢复工作。主要采用声势学习和动画配乐对其进行训练。
[0075]
具体的，包括步骤s21～s22：
[0076]
s21：采用多项逻辑回归进行分类，利用softmax回归的对数损失函数，针对三类注意功能障碍建立以下三种不同的决策树。
[0077]
具体的，采用监督学习中的梯度提升树决策算法(gradient boosting decision tree，gbdt)建立决策树模型对用户进行分类判定。具体来说，调用以往训练库中的用户画像(已诊断病症、语义注意特征提取、注意功能任务评估、用户提升需求)，任务画像(用户进行三类任务：稳定性注意训练、选择性注意训练、转移性注意训练的训练时长及获益程度)数据。因为目标将用户分为三类δ：稳定性注意障碍δ1、选择性注意训障碍δ2、转移性注意训障碍δ3三类，分别对应训练库ξ中的：稳定性注意训练ξ1、选择性注意训练ξ2、转移性注意训练ξ3，因此使用多项逻辑回归(softmax regression)来进行分类，采用softmax回归的对数损失函数，建立三类不同的决策树如下所示：
[0078]
[0079][0080][0081]
其中，输入训练集t＝{(x1，y1)，(x2，y2)，
……
，(xm，ym)}，f(x)从1到m的叠加目标是通过经验风险极小化确定下一颗决策树的参数，其中通过拟合残差cm来学习一颗回归树，得到第m棵树的叶节点区域rm，通过找到误差最小的树cm来更新得到回归问题提升树fm(x)。f
1m
(x)、f
2m
(x)、f
3m
(x)代表对各种失眠类型分别所建立的决策树，r
1m
代表对第一种失眠类型的叶节点区域，c
1m
代表对第一种失眠类型的最小化拟合残差。分别采用分类与回归树(cart)，递归构建二叉决策树，对回归树用均方误差损失准则确定分裂点，遍历所有特征的取值并将每个特征值作为分裂点。通过迭代交互的boosting算法根据基学习器的表现对交互样本分布进行不断调整，组合成强学习器，来提升回归算法预测每个类别的精确度。
[0082]
s22：基于所建立的三种决策树，将所述用户的睡眠质量监测结果输入以下公式，获取所述用户对应三种注意功能障碍的分类概率。
[0083]
具体的，由以上三个回归树公式，输入新来当前患者的信息x，输入其所对应的三种分类原发性失眠、继发性失眠、情绪性失眠的概率，公式如下：
[0084][0085]
其中，i的取值为1～3；exp()代表指数函数，fim(x)代表最佳拟合回归树。
[0086]
计算出当前患者对应的分类概率后，基于患者的分类属性和交互模块时长的映射关系，输入三个干预模块的预测变量:即每个模块的交互时长。
[0087]
s3：根据用户对应的各设定注意功能障碍类型的分类概率，确定用户的各设定注意功能需要提升的优先级，以获取用户基于多感音乐的人机交互方案。
[0088]
具体包括子步骤s31～s34：
[0089]
s31：获取与各注意功能障碍类型相对应的人机交互任务。
[0090]
具体的，通过步骤s2计算出用户对应三类注意功能障碍的分类概率后，分类概率越大说明用户该类注意功能受损越严重，因此，需要提升的优先级越高。由此，根据分类概率的大小，可以确认三类注意功能障碍需要提升的先后顺序。例如：经计算得到用户属于稳定性注意障碍的概率为0.7，选择性注意障碍的概率为0.2，转移性注意障碍的概率为0.1，则用户的注意功能需要提升的先后顺序为：优先提升稳定性注意功能—随后提升选择性注意功能—最后提升转移性注意功能。
[0091]
基于上述优先级，根据用户对应三类注意功能障碍类型的分类概率，从人机交互任务库中依次匹配与各注意功能障碍类型相对应的基于多感音乐的人机交互任务。其中，该人机交互任务至少包括：任务类型、任务等级和任务数量。
[0092]
在本发明的一个实施例中，人机交互任务库中至少包括：对应于稳定性注意障碍的聆听乐曲任务、敲击乐器任务和节奏学习任务；对应于选择性注意障碍的节奏感知任务、音色感知任务、音调感知任务和旋律感知任务；对应于持续性注意障碍的声势学习任务和动画配乐任务。
[0093]
具体的，该人机交互任务库的具体内容如下：
[0094]
一.单元a：稳定性注意训练
[0095]
具体包括聆听乐曲任务、敲击乐器任务和节奏学习任务。
[0096]
(1)聆听音乐：基于循证研究，舒缓型音乐和α音乐可改善注意力。音乐库中有2种类型的音乐，包括60～70节拍的舒缓型音乐(如古典音乐、巴洛克音乐等)和阿尔法音乐，用户可根据自己的偏好选择聆听的音乐。
[0097]
(2)敲击乐器：乐器包括钢琴、电子琴、架子鼓、太鼓古、民族乐器等，用户首先进入乐器的选择界面，选择学习的乐器后，其次，需要选择练习的乐曲，可以从初级、中级、高级难度的三种音乐类型选择乐曲，随后界面呈现乐器教学模式，用户需模仿并学习简易乐器的基本敲击和弹奏方式。
[0098]
(3)节奏学习：包括节奏演奏任务、随拍节奏任务、异同节奏任务。节奏演奏任务，用户需要跟着界面上的音符进行演奏；随拍节奏任务，用户需要一边听一段节奏，一边看着界面呈现拍打的位置，跟着节奏进行拍打。异同节奏任务，用户听一段节奏，然后再听选项中的三段节奏，看哪一个与之前听的相同。
[0099]
二.单元b：选择性注意训练
[0100]
具体包括节奏感知任务、音色感知任务、音调感知任务、旋律感知任务。
[0101]
(1)节奏感知：包括察知节奏任务(用户需要察知节奏的有无)辨别节奏任务(用户需要辨别节奏的快慢强弱)。
[0102]
(2)音色感知：包括察知音色任务(用户需要认识不同的音色)辨别音色任务(辨别两种或两种以上的音色)。
[0103]
(3)音调感知：包括音高感知任务(用户需要认识音的高低)辨别差异任务(用户需要感知两种或两种以上音调的差异)。
[0104]
(4)旋律感知：包括感知旋律任务(用户需要感知不同的旋律)。
[0105]
三.单元c：转移性注意训练
[0106]
具体包括声势学习任务、动画配乐任务。
[0107]
(1)声势学习：从注意力测验设计的角度，声势的学习是为了让学生理解辨别每一声势符号代表的含义，并结合前文所述的乐理知识练习，对需要做的声势动作进行精确检索，从而达到准确识别符号、精确做出动作的目的，该部分实验能够培养用户注意力的转移与分配。
[0108]
在音乐图谱中标注了三种符号，这三种符号分别代表跺脚、拍手、拍肩，学生根据符号所表示的含义进行击拍，在此期间，需要用户紧跟音乐、准确击拍。声势学习包括声势学习1(拍手、拍肩)声势学习2(拍手、跺脚)和声势学习3(拍手、拍肩、跺脚)。
[0109]
(2)动画配乐：用户需要根据动画类型进行相应风格的配乐。
[0110]
s32：计算对应各设定注意功能障碍类型的人机交互天数。
[0111]
当三类注意功能障碍的人机交互任务确定后，需要计算对应三类注意功能障碍的人机交互天数。具体的，在本发明的一个实施例中，任意一个设定注意功能障碍类型的人机交互天数均通过该设定注意功能障碍类型的分类概率与用户完全属于该设定注意功能障碍类型的最佳干预天数的乘积获得。
[0112]
例如：根据步骤s2中的三种决策树模型计算输出其对应的分类概率为：稳定性注
意障碍0.7、选择性注意障碍0.2、转移性注意障碍0.1，注意障碍严重程度与常模相较为0.7，即超过了70％的人的注意力障碍情况。则根据模型计算的分类输出预测响应值，即该用户对应的稳定性注意干预训练时长为0.7*稳定性注意干预的最佳时间x天，选择性注意干预训练时长为0.2*选择性注意干预最佳时间y天，转移性注意干预训练时长为0.1*转移性注意干预最佳时间z天(x、y、z由三个决策树模型生成的最佳映射分割标准特征值，以及该用户的注意力严重程度0.7加权获得，代表针对于该用户的注意情况而言，如果完全属于某种注意障碍类型，其最佳的干预时间)，共计t天作为初始训练疗程。其中，t＝x+y+z。
[0113]
s33：获取与各注意功能障碍类型相对应的人机交互子方案。
[0114]
具体的，将步骤s31获取的三类人机交互任务与步骤s32获取的三个人机交互天数一一对应，从而形成针对三类注意功能障碍的三个人机交互子方案。
[0115]
s34：将各人机交互子方案按照优先级进行排序，形成用户基于多感音乐的人机交互方案。
[0116]
具体的，将步骤s33获取的三个人机交互子方案按照优先级进行排序，从而形成整体的人机交互方案，对用户的三类注意功能依次进行干预提升。
[0117]
其中，在三个人机交互子方案中，优先级最高的人机交互子方案(即：用户当下最为薄弱的注意功能)将会优先进行交互，当用户完成当前的干预提升后，再进行下一级人机交互子方案的交互(即：用户较为薄弱的注意功能)，以此类推。而且，用户每日的交互内容则根据当前所提升的注意功能所对应的人机交互任务中，随机抽取人机交互任务库中的三个人机交互任务。
[0118]
s4：对人机交互方案进行有效性评估。
[0119]
具体的，当用户按照优先级依次完成整个人机交互方案的交互过程后，通过获取用户整个交互过程的人机交互结果，从而可根据该人机交互结果对该人机交互方案进行有效性评估。
[0120]
当三个人机交互子方案的有效性均通过后，则本次人机交互过程结束，如果其中任意一个人机交互子方案的有效性未通过，则需要进入步骤s5，以进行下一阶段的干预提升。
[0121]
s5：进入下一阶段的干预提升。
[0122]
具体的，在本发明的一个实施例中，当任意一个人机交互子方案的有效性未通过时，则根据有效性评估结果对决策树模型进行迭代，以返回步骤s2，更新用户对应的各设定注意功能障碍类型的分类概率，从而再次经过步骤s3更新人机交互方案。待用户经过完成更新后的人机交互方案的交互过程后，再次对用户进行有效性评估，直至用户通过人机交互方案的有效性评估。
[0123]
在上述基于多感音乐的注意功能干预方法的基础上，本发明进一步提供一种基于多感音乐的注意功能干预系统。如图3所示，该注意功能干预系统包括一个或多个处理器21和存储器22。其中，存储器22与处理器21耦接，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器21执行，使得所述一个或多个处理器21实现如上述实施例中的注意功能干预方法。
[0124]
其中，处理器21用于控制该干预系统的整体操作，以完成上述注意功能干预方法的全部或部分步骤。该处理器21可以是中央处理器(cpu)图形处理器(gpu)现场可编程逻辑
门阵列(fpga)专用集成电路(asic)数字信号处理(dsp)芯片等。存储器22用于存储各种类型的数据以支持在该干预系统的操作，这些数据例如可以包括用于在该干预系统上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器22可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(sram)电可擦除可编程只读存储器(eeprom)可擦除可编程只读存储器(eprom)可编程只读存储器(prom)只读存储器(rom)磁存储器、快闪存储器等。
[0125]
在一个示例性实施例中，干预系统具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现，用于执行上述的注意功能干预方法，并达到如上述方法一致的技术效果。一种典型的实施例为计算机。具体地说，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0126]
在另一个示例性实施例中，本发明还提供一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述任意一个实施例中的注意功能干预方法的步骤。例如，该计算机可读存储介质可以为包括程序指令的存储器，上述程序指令可由干预系统的处理器执行以完成上述的注意功能干预方法，并达到如上述方法一致的技术效果。
[0127]
综上所述，本发明所提供的基于多感音乐的注意功能干预方法及系统，具有以下有益效果：
[0128]
(1)多感官综合干预模式可以有效地改善用户的注意功能。多感音乐疗法是一种集视、听、动为一体采用多感官综合干预的方法，通过刺激多重感官，改变其心理与生理指标，达到充分改善多种信息通道相关注意力障碍问题。
[0129]
(2)提供可操作性的系统性训练方案。基于音乐注意力控制训练(mact)和可视音乐疗法等治疗理论开发的数字音乐疗法，弥补了专业治疗师不足的现状，同时也为患者提供更为便捷的干预方法来改善注意力问题。
[0130]
(3)多方位对患者的注意功能进行训练。不仅仅局限于对某种注意类型进行训练，更加注重不同维度注意力的综合训练。不同注意力障碍患者均可选择适当的音乐疗法达到改善的目的，内容丰富多样，可满足不同注意力障碍的干预需求。
[0131]
上面对本发明所提供的基于多感音乐的注意功能干预方法及系统进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。
技术特征：1.一种基于多感音乐的注意功能干预方法，其特征在于包括如下步骤：获取用户的注意功能评估结果；针对所述用户的注意功能评估结果建立决策树模型，以获取所述用户对应的各设定注意功能障碍类型的分类概率；根据所述用户对应的各设定注意功能障碍类型的分类概率，确定所述用户的各设定注意功能需要提升的优先级，以获取所述用户基于多感音乐的人机交互方案；获取所述用户按照所述优先级依次进行人机交互的人机交互结果，并根据所述人机交互结果对所述人机交互方案进行有效性评估；根据有效性评估结果对所述决策树模型进行迭代，以更新所述用户对应的各设定注意功能障碍类型的分类概率，并更新所述人机交互方案，直至所述用户通过所述人机交互方案的有效性评估。2.如权利要求1所述的注意功能干预方法，其特征在于，所述获取用户的注意功能评估结果，具体包括：根据所述用户的病症诊断结果，获取所述用户已有的病症信息；采用语音识别技术针对用户录取的语音文本信息进行特征提取，以获取所述用户针对各设定注意力障碍类型的词频数；根据所述用户针对各设定注意力障碍类型的任务测验结果，获取所述用户针对各设定注意力障碍类型的任务评估分数；获取所述用户的注意功能提升需求；综合所述病症信息、词频数、任务评估分数以及提升需求，获取所述用户的注意功能评估结果。3.如权利要求1所述的注意功能干预方法，其特征在于，各所述设定注意功能障碍类型至少包括：稳定性注意障碍、选择性注意障碍以及持续性注意障碍。4.如权利要求3所述的注意功能干预方法，其特征在于，所述针对所述用户的注意功能评估结果建立决策树模型，具体包括：采用多项逻辑回归进行分类，针对三类注意功能障碍建立以下三种不同的决策树；采用多项逻辑回归进行分类，针对三类注意功能障碍建立以下三种不同的决策树；采用多项逻辑回归进行分类，针对三类注意功能障碍建立以下三种不同的决策树；其中，输入训练集t＝{(x1，y1)，(x2，y2)，
……
，(x
m
，y
m
)}，f(x)从1到m的叠加目标是通过经验风险极小化确定下一颗决策树的参数，通过拟合残差c
m
学习一颗回归树，得到第m棵回归树的叶节点区域r
m
，通过找到误差最小的回归树所对应的c
m
来更新得到的回归问题提升树f
m
(x)。
5.如权利要求4所述的注意功能干预方法，其特征在于，所述获取所述用户对应的各设定注意功能障碍类型的分类概率，具体包括：基于所建立的三种决策树，将所述用户的注意功能评估结果输入以下公式，获取所述用户对应三类注意功能障碍的分类概率p
i
(x)；其中，i的取值为1～3；exp()代表指数函数，f
im
(x)代表最佳拟合回归树。6.如权利要求4所述的注意功能干预方法，其特征在于，根据所述用户对应的各设定注意功能障碍类型的分类概率，确定所述用户的各设定注意功能需要提升的优先级，以获取所述用户基于多感音乐的人机交互方案，具体包括：基于所述用户的各设定注意功能需要提升的优先级，根据所述用户对应的各注意功能障碍类型的分类概率，从人机交互任务库中依次匹配与各注意功能障碍类型相对应的基于多感音乐的人机交互任务；根据所述用户对应的各设定注意功能障碍类型的分类概率，计算对应各设定注意功能障碍类型的人机交互天数；将各注意功能障碍类型相对应的基于多感音乐的人机交互任务与各设定注意功能障碍类型的人机交互天数一一对应，形成与各注意功能障碍类型相对应的人机交互子方案；将各所述人机交互子方案按照所述优先级进行排序，形成所述用户基于多感音乐的人机交互方案。7.如权利要求6所述的注意功能干预方法，其特征在于，所述人机交互方案中，当前人机交互子方案交互完毕后，开启下一级人机交互子方案的人机交互。8.如权利要求6所述的注意功能干预方法，其特征在于，任意一个设定注意功能障碍类型的人机交互天数均通过该设定注意功能障碍类型的分类概率与所述用户完全属于该设定注意功能障碍类型的最佳干预天数的乘积获得。9.一种基于多感音乐的注意功能干预系统，其特征在于包括处理器和存储器，所述处理器读取所述存储器中的计算机程序，用于执行以下操作：获取用户的注意功能评估结果；针对所述用户的注意功能评估结果建立决策树模型，以获取所述用户对应的各设定注意功能障碍类型的分类概率；根据所述用户对应的各设定注意功能障碍类型的分类概率，确定所述用户的各设定注意功能需要提升的优先级，以获取所述用户基于多感音乐的人机交互方案；获取所述用户按照所述优先级依次进行人机交互的人机交互结果，并根据所述人机交互结果对所述人机交互方案进行有效性评估；根据有效性评估结果对所述决策树模型进行迭代，以更新所述用户对应的各设定注意功能障碍类型的分类概率，并更新所述人机交互方案，直至所述用户通过所述人机交互方案的有效性评估。
技术总结本发明公开了一种基于多感音乐的注意功能干预方法及系统，该方法包括：获取用户的注意功能评估结果；建立决策树模型以获取用户对应的各设定注意功能障碍类型的分类概率；获取用户基于多感音乐的人机交互方案；获取用户的人机交互结果，并进行有效性评估；根据有效性评估结果对决策树模型进行迭代，以更新用户对应的各设定注意功能障碍类型的分类概率，并更新人机交互方案，直至用户通过人机交互方案的有效性评估。该方法可以有效地改善用户的注意功能，不仅仅局限于对某种注意类型进行训练，更加注重不同维度注意力的综合训练，不同注意力障碍患者均可选择适当的音乐疗法达到改善的目的，内容丰富多样，可满足不同注意力障碍的干预需求。的干预需求。的干预需求。
技术研发人员：黎倩伶 马珠江 王晓怡
受保护的技术使用者：浙江脑动极光医疗科技有限公司
技术研发日：2022.06.22
技术公布日：2022/11/1
