1.本发明涉及一种融合音乐的认知提升方法，同时也涉及相应的认知提升系统，属于医疗保健信息技术领域。
背景技术：2.根据世界卫生组织估计，至2050年，全球超过60岁的人口将达到20亿，老龄化问题将成为全世界面临的一项全新的挑战。对于老年人来说，年龄的增加不止伴随着身体机能的下降，往往也伴随着认知功能的下降。
3.已有研究显示，经过特殊设计的认知训练可以减缓甚至逆转由衰老所带来的认知功能下降。而且，认知训练配合患者喜欢的音乐相较于单独的认知训练，可以有效地减缓认知功能的退行进程。在申请号为202011112852.1的中国发明申请中，公开了一种基于认知、音乐和运动的益智训练系统，包括音乐库、运动项目库、训练模块、记录模块、识别模块和评分模块；音乐库用于存储音乐，运动项目库用于存储运动项目的教程，训练模块用于基于用户的个人情况从运动项目库中筛选至少一种教程并从音乐库中筛选至少一种风格的音乐以形成训练教程并引导用户进行训练，记录模块用于记录用户动作以生成包括项目动作序列的用户动作序列，识别模块用于获取关键动作和该关键动作的执行时间点，评分模块用于获取用户的认知能力总评分。
4.然而，目前市面上尚没有能够将认知训练与用户喜欢的音乐进行深度融合的认知提升系统。
技术实现要素：5.本发明所要解决的首要技术问题在于提供一种融合音乐的认知提升方法。
6.本发明所要解决的另一技术问题在于提供一种融合音乐的认知提升系统。
7.为实现上述技术目的，本发明采用以下技术方案：
8.根据本发明实施例的第一方面，提供一种融合音乐的认知提升方法，包括如下步骤：
9.基于人口统计学采集用户信息，并根据所述用户信息，获取初始的推荐音乐；
10.根据所述用户的认知测评结果，获取对应的人机交互任务；
11.在所述推荐音乐环境下，推送所述人机交互任务给所述用户进行人机交互；
12.基于联合分析模型和chmiel-schubert模型，对所述推荐音乐进行更新；
13.在更新的所述推荐音乐环境下，再次推送所述人机交互任务给所述用户进行人机交互。
14.其中较优地，所述基于联合分析模型和chmiel-schubert模型，对所述推荐音乐进行更新，具体包括：
15.获取所述推荐音乐所属的音乐属性；
16.获取各所述音乐属性下，所述推荐音乐所属的属性标签；
17.根据所述用户的人机交互结果，基于联合分析模型获取各所述属性标签的推荐值；
18.根据所述用户的人机交互结果，基于chmiel-schubert模型获取各所述属性标签的推荐权重；
19.根据各所述属性标签的推荐值以及各所述属性标签的推荐权重，获取各所述属性标签的加权推荐值；
20.将多个所述属性标签按照加权推荐值的大小进行排序，并从中选取排序靠前的预定数量的所述属性标签；
21.根据所选取的预定数量的所述属性标签，从预设音乐库中匹配相对应的音乐，作为更新后的推荐音乐。
22.其中较优地，所述根据所述用户的人机交互结果，基于联合分析模型获取各所述属性标签的推荐值，具体包括：
23.根据所述用户的人机交互结果，基于联合分析模型获取各所述属性标签对用户认知提升的效用值；
24.将所述音乐属性下各所述属性标签的效用值进行平均，获得所述音乐属性的平均效用值；
25.利用所述音乐属性的平均效用值以及所述属性标签效用值，计算出所述属性标签的推荐值；
26.所述联合分析模型的表达式为：
[0027][0028]
其中：yj为音乐属性i的属性标签j的推荐值；μi为所述音乐属性i的平均效用值；a
ij
为所述音乐属性i的属性标签j的效用值；
[0029]
其中较优地，所述根据所述用户的人机交互结果，基于chmiel-schubert模型获取各所述属性标签的推荐权重，具体包括：
[0030]
根据所述用户的人机交互结果，基于chmiel-schubert模型获取所述属性标签出现的次数；
[0031]
基于chmiel-schubert模型获取所述属性标签出现的时间差；
[0032]
基于所述次数和时间差，计算得到所述属性标签的推荐权重；
[0033]
所述chmiel-schubert模型的表达式为：
[0034][0035]
其中，wj为属性标签j的推荐权重；sj为属性标签j出现的次数；tj为属性标签j出现的时间差，单位为天，定义tj＝t
bj-t
aj
，t
bj
为属性标签j本次出现的时间，t
aj
为属性标签j上次出现的时间。
[0036]
其中较优地，所述将各所述属性标签的推荐值以及各所述属性标签的推荐权重进行加权，获取各所述属性标签的加权推荐值，具体包括：
[0037]
根据各所述属性标签的推荐值以及各所述属性标签的推荐权重，采用以下公式计算所述属性标签的加权推荐值；
[0038][0039]
其中，rj为属性标签j的加权推荐值；μi为音乐属性i的平均效用值；a
ij
为音乐属性i的属性标签j的效用值；wj为属性标签j的推荐权重。
[0040]
其中较优地，从预设音乐库中匹配相对应的音乐时，优先匹配未选择过的音乐。
[0041]
其中较优地，所述根据所述用户信息，获取推荐音乐，具体包括：
[0042]
基于所述用户的年龄、性别、学历以及喜爱音乐类型，获取特定的音乐偏好分组；
[0043]
获取所述特定的音乐偏好分组内的音乐作为推荐音乐，并推荐给所述用户。
[0044]
其中较优地，所述根据所述用户的认知测评结果，获取对应的人机交互任务，具体包括：
[0045]
根据认知测评结果，获取用户受损的脑网络；
[0046]
根据预设的脑网络与人机交互任务的映射关系，获取与所述受损的脑网络相对应的人机交互任务。
[0047]
其中较优地，所述用户的认知测评结果基于认知量表和测评任务获得。
[0048]
根据本发明实施例的第二方面，提供一种融合音乐的认知提升系统，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：
[0049]
基于人口统计学采集用户信息，并根据所述用户信息，获取初始的推荐音乐；
[0050]
根据所述用户的认知测评结果，获取对应的人机交互任务；
[0051]
在所述推荐音乐环境下，推送所述人机交互任务给所述用户进行人机交互；
[0052]
基于联合分析模型和chmiel-schubert模型，对所述推荐音乐进行更新；
[0053]
在更新的所述推荐音乐环境下，再次推送所述人机交互任务给所述用户进行人机交互。
[0054]
与现有技术相比较，本发明所提供的融合音乐的认知提升方法及系统，利用基于心理学理论与联合分析相结合的音乐推荐算法，针对不同用户在不同的脑网络下进行的人机交互任务，依据用户人机交互过程所产生的客观数据，有针对性地推送用户喜爱并能最大程度上提升认知效果的音乐，从而显著改善认知提升训练效果。
附图说明
[0055]
图1为本发明实施例提供的一种融合音乐的认知提升方法的流程图；
[0056]
图2为本发明实施例中，音乐推荐过程的流程图；
[0057]
图3为不同时间差下，不同出现次数的属性标签的推荐权重变化图；
[0058]
图4为本发明实施例提供的一种融合音乐的认知提升系统的结构图。
具体实施方式
[0059]
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。
[0060]
图1和图2所示为本发明实施例提供的一种融合音乐的认知提升方法，至少包括步骤s1～s5：
[0061]
s1：获取初始的推荐音乐。
[0062]
具体的，包括子步骤s11～s13：
[0063]
s11：基于人口统计学采集用户信息，其中，用户信息至少包括：用户的年龄、性别、学历以及喜爱音乐的类型等。
[0064]
s12：基于上述用户信息，获取特定的音乐偏好分组。
[0065]
在本发明的一个实施例中，具体包括：用户所在的年龄段大致喜欢什么类型的音乐，男性用户和女性用户大致喜欢什么类型的音乐，不同学历(小学、初中、高中以及本科)大致喜欢什么类型的音乐，以及用户自己内心喜欢什么类型的音乐等。综合上述信息能够生成用户的音乐偏好结果，进而确定针对于该用户的特定的音乐偏好分组。
[0066]
s13：获取特定的音乐偏好分组内的音乐作为推荐音乐，并推荐给用户。
[0067]
其中，可以理解的是，由于用户第一次进行认知训练时，没有针对于用户的任何人机交互信息，因此，需要通过人口统计学过滤算法为用户推荐初始音乐。后续随着用户不断进行人机交互，从而能够根据用户的人机交互结果进行音乐的更新(下文进行详细说明)，不再需要利用人口统计学的方式获取推荐音乐。
[0068]
s2：获取人机交互任务。
[0069]
具体包括子步骤s21～s22：
[0070]
s21：根据认知测评结果，获取用户受损的脑网络。在本发明的一个实施例中，用户的认知测评结果基于认知量表和测评任务获得，以提高认知测评结果的准确性。
[0071]
s21：根据预设的脑网络与人机交互任务的映射关系，获取与受损的脑网络相对应的人机交互任务。
[0072]
具体的，可参照表1所示，在本发明的一个实施例中，每一项脑网络均对应多项二级脑能力(例如：空间记忆、联结记忆、客体记忆、记忆广度等)，针对每一项二级脑能力均具有至少一个人机交互任务与之对应。例如：表1中，空间记忆的二级脑能力对应藏猫猫棋任务和萍踪浪迹任务。
[0073]
表1：脑能力与人机交互任务的映射表
[0074][0075]
s3：在推荐音乐环境下，推送人机交互任务给用户进行人机交互。
[0076]
具体的，当通过步骤s1获取推荐音乐，并通过步骤s2获取人机交互任务后，用户需要在该推荐音乐的环境下，完成各个人机交互任务，从而达到认知提升训练的效果。
[0077]
在此过程中，各个人机交互任务的推送顺序为随机推送，例如：在步骤s2中共获取了5个人机交互任务，按照1～5进行编号，那么这5个人机交互任务的推送顺序可以是1－2－3－4－5，也可以是3－5－4－1－2，只要用户完成所有的人机交互任务即可。
[0078]
s4：基于联合分析模型和chmiel-schubert模型，对推荐音乐进行更新。
[0079]
联合分析模型是来源于市场营销学的一种分析商品各属性重要程度以预测最佳商品属性标签组合的模型。该模型的目的是模拟潜在产品并根据消费者对模拟产品的购买意愿，分析产品各属性标签的重要程度的定量方法。该模型的原理是假定产品具有某些属性，通过组合不同属性的不同水平(例如：对于牛奶来说，口味是牛奶的一个属性，在口味中，厂商可以提供如椰子口味、巧克力口味等不同属性标签)，组合出不同的虚拟产品，让消费者根据自己的喜好对这些虚拟产品进行评价，并采用数理统计的方法将这些属性及属性标签的效用分离，从而对每一属性以及属性标签的重要程度做出量化评价。
[0080]
chmiel-schubert模型是一种融合了艾宾浩斯遗忘曲线和berlyne倒转u模型的新型模型。相较于传统的基于相似性推荐的模型，chmiel-schubert模型能够避免同一类型过度推荐。chmiel-schubert模型具有两方面的优势，其一：避免造成用户过度暴露于相似环境中(同样的人机交互任务和同样的音乐)，从而产生厌倦性，降低音乐增强效果，甚至反向降低认知提升效果；其二：在相同人机交互任务中采用不同的刺激(同样的人机交互任务，不同的音乐)，可以增强人机交互任务的普适性(避免人机交互任务在特定的音乐配合下才能有效)。
[0081]
在在本发明的一个实施例中，通过将一首音乐看作不同音乐属性的组合，通过对任意一个音乐属性赋予不同的属性标签(例如：风格是一种音乐属性，风格又可以分为古典、流行、乡村、民谣等不同属性标签)，以人机交互结果为依据，分析每一个音乐属性的重要程度及各属性标签的效用值，从而能够增强模型的客观性。
[0082]
具体的，包括子步骤s41～s47：
[0083]
s41：获取推荐音乐所拥有的音乐属性。
[0084]
在本发明的一个实施例中，预先设定多种音乐属性，每一种音乐属性下均包括多种属性标签。例如：风格(包括：古典,流行，乡村，民谣，蓝调，说唱，戏曲等)；心情(包括：伤感，激情，安静，舒服，甜蜜等)；语言/地区:(包括：普通话，粤语，闽南语，欧美，韩语，日语，法语，西班牙语)；年代(包括：经典老歌，欧美经典，50年代，60年代等)；歌手(包括：周杰伦，林俊杰，micheal jackson等)。
[0085]
其中，每一首音乐所拥有音乐属性为预先设定的多种音乐属性中的一部分，在本发明的一个实施例中，需要获取与该推荐音乐相对应的音乐属性。
[0086]
s42：获取各音乐属性下该推荐音乐所拥有的属性标签。
[0087]
例如：推荐音乐包括风格、心情、年代三种音乐属性，则基于风格属性，该推荐音乐的属性标签为古典，基于心情属性，该推荐音乐的属性标签为伤感，基于年代属性，该推荐音乐的属性标签为经典老歌。由此，确定该推荐音乐的属性标签组合为：古典+伤感+经典老歌。
[0088]
s43：基于联合分析模型获取各属性标签的推荐值。
[0089]
具体的，根据用户的人机交互结果，通过上述联合分析模型分析得出不同的属性标签对于用户认知提升的效用值。该效用值能够反映各属性标签是否能够对用户的认知提升起到积极作用。
[0090]
并且，通过将该音乐属性下的各属性标签的效用值进行平均，从而获得该音乐属性的平均效用值，该音乐属性的平均效用值能够反映该音乐属性对于用户的认知提升训练
所能够起到的平均效用。
[0091]
利用音乐属性的平均效用值以及属性标签效用值，计算出属性标签的推荐值；
[0092]
联合分析模型的表达式为：
[0093][0094]
其中，yj为音乐属性i的属性标签j的推荐值；μi为音乐属性l的平均效用值；a
ij
为音乐属性i的属性标签j的效用值。
[0095]
s44：基于chmiel-schubert模型获取各属性标签的加权推荐权重。
[0096]
具体的，包括子步骤s441～s443：
[0097]
s441：根据用户的人机交互结果，基于chmiel-schubert模型获取属性标签j出现的次数；
[0098]
s442：基于chmiel-schubert模型获取属性标签j出现的时间差；
[0099]
s443：基于该次数和时间差，计算得到属性标签j的推荐权重。
[0100]
该chmiel-schubert模型的表达式为：
[0101][0102]
其中，wj为属性标签j的推荐权重；sj为属性标签j出现的次数；tj为属性标签j出现的时间差，单位为天，定义tj＝t
bj-t
aj
，t
bj
为属性标签j本次出现的时间，t
aj
为属性标签j上次出现的时间。
[0103]
如图3所示，从图中可以看出，在所有的时间差情况下，属性标签j的推荐权重的变化都呈现出倒转u形状。
[0104]
s45：获取各属性标签的加权推荐值。
[0105]
具体的，根据各属性标签的推荐值以及各属性标签的推荐权重，采用以下公式计算属性标签的加权推荐值。
[0106][0107]
其中，rj为属性标签j的加权推荐值；μi为音乐属性i的平均效用值；a
ij
为音乐属性i的属性标签j的效用值；wj为属性标签j的推荐权重。
[0108]
s46：选取属性标签。
[0109]
具体的，将多个属性标签按照加权推荐值的大小进行排序，并从中选取排序靠前的预定数量的属性标签。
[0110]
在本发明的一个实施例中，根据各属性标签的排序，优选为前五个属性标签，作为后续音乐推荐的依据。其中，属性标签的数量可根据需要进行适应性调整。
[0111]
s47：更新推荐音乐。
[0112]
根据所选取的预定数量的属性标签，从预设音乐库中匹配相对应的音乐，作为更新后的推荐音乐。例如：通过步骤s46选取的属性标签为：古典+伤感+普通话+经典老歌+周杰伦，则根据所选取的这五个属性标签，匹配与之对应的音乐即可。
[0113]
可以理解的是，如果不能完全匹配，则需要匹配覆盖选取的属性标签最多的音乐。
例如：从预设音乐库中不能完全匹配同时拥有这五个属性标签的音乐，但能够匹配出同时拥有四个属性标签的音乐，那么就可以将拥有四个属性标签的音乐作为更新后的推荐音乐。在进行后续推送的过程中，上述音乐推荐过程可无限循环，从而能够不断接近用户的需求，并能够随着用户的改变而改变后续的推荐音乐。
[0114]
s5：在更新的推荐音乐环境下，再次推送人机交互任务给用户进行人机交互。
[0115]
基于上述步骤s4对推荐音乐进行更新后，用户需要在更新后的推荐音乐环境下，再次完成步骤s2所获取的人机交互任务。在在本发明的一个实施例中，该人机交互任务不变，但各人机交互任务的推荐顺序会有调整，从而能够在不同的音乐环境下，进行相同的人机交互过程，以便于进行数据对比和认知提升效果展示。
[0116]
可以理解的是，当用户完成一个阶段的认知提升后(例如：持续训练2～3个月)，用户可再次进行认知测评，以重新评估用户受损的脑网络，进而更新步骤s2中所获取的人机交互任务。
[0117]
从上述描述可以看出，本发明实施例提供的融合音乐的认知提升方法，不仅包括联合分析模型的相似度推荐功能，还包括chmiel-schubert模型的推荐权重功能，该推荐权重可以增加重要的属性标签的推荐次数，在某属性标签推荐次数过多(超过u型定点)时，chmiel-schubert模型可以减少推荐过于频繁的属性标签的推荐次数，从而避免用户因在短时间内重复听到相同的音乐而使音乐的作用适得其反。
[0118]
在上述融合音乐的认知提升方法的基础上，本发明进一步提供一种融合音乐的认知提升系统。如图4所示，该认知提升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融合音乐的认知提升方法。
[0119]
其中，处理器21用于控制该认知提升系统的整体操作，以完成上述融合音乐的认知提升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认知提升系统的操作，这些数据例如可以包括用于在该认知提升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。
[0120]
在一个示例性实施例中，认知提升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，用于执行上述的融合音乐的认知提升方法，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。
[0121]
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融合音乐的认知提升方法的步骤。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，上述程序指令可由认知
提升系统的处理器执行以完成上述的融合音乐的认知提升方法，并达到如上述方法一致的技术效果。
[0122]
综上所述，本发明所提供的融合音乐的认知提升方法及系统，利用“听自己喜欢的音乐可以增强认知训练提升效果”的原理，形成商用级别的靶向音乐增强型认知提升解决方案。本发明利用基于心理学理论与联合分析相结合的音乐推荐算法，针对不同用户在不同的脑网络下进行的人机交互任务，依据用户人机交互过程所产生的客观数据，有针对性地推送用户喜爱并能最大程度上提升认知效果的音乐，从而显著改善认知提升训练效果。
[0123]
上面对本发明所提供的融合音乐的认知提升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：1.一种融合音乐的认知提升方法，其特征在于包括如下步骤：基于人口统计学采集用户信息，并根据所述用户信息，获取初始的推荐音乐；根据所述用户的认知测评结果，获取对应的人机交互任务；在所述推荐音乐环境下，推送所述人机交互任务给所述用户进行人机交互；基于联合分析模型和chmiel-schubert模型，对所述推荐音乐进行更新；在更新的所述推荐音乐环境下，再次推送所述人机交互任务给所述用户进行人机交互。2.如权利要求1所述的认知提升方法，其特征在于，所述基于联合分析模型和chmiel-schubert模型，对所述推荐音乐进行更新，具体包括：获取所述推荐音乐所属的音乐属性；获取各所述音乐属性下，所述推荐音乐所属的属性标签；根据所述用户的人机交互结果，基于联合分析模型获取各所述属性标签的推荐值；根据所述用户的人机交互结果，基于chmiel-schubert模型获取各所述属性标签的推荐权重；将各所述属性标签的推荐值以及各所述属性标签的推荐权重进行加权，获取各所述属性标签的加权推荐值；将多个所述属性标签按照加权推荐值的大小进行排序，并从中选取排序靠前的预定数量的所述属性标签；根据所选取的预定数量的所述属性标签，从预设音乐库中匹配相对应的音乐，作为更新后的推荐音乐。3.如权利要求2所述的认知提升方法，其特征在于，所述根据所述用户的人机交互结果，基于联合分析模型获取各所述属性标签的推荐值，具体包括：根据所述用户的人机交互结果，基于联合分析模型获取各所述属性标签对用户认知提升的效用值；将所述音乐属性下各所述属性标签的效用值进行平均，获得所述音乐属性的平均效用值；利用所述音乐属性的平均效用值以及所述属性标签效用值，计算出所述属性标签的推荐值；所述联合分析模型的表达式为：其中：y
j
为音乐属性l的属性标签j的推荐值；μ
i
为所述音乐属性l的平均效用值；a
ij
为所述音乐属性l的属性标签j的效用值。4.如权利要求3所述的认知提升方法，其特征在于，所述根据所述用户的人机交互结果，基于chmiel-schubert模型获取各所述属性标签的推荐权重，具体包括：根据所述用户的人机交互结果，基于chmiel-schubert模型获取所述属性标签出现的次数；基于chmiel-schubert模型获取所述属性标签出现的时间差；
基于所述次数和时间差，计算得到所述属性标签的推荐权重；所述chmiel-schubert模型的表达式为：其中，w
j
为属性标签j的推荐权重；s
j
为属性标签j出现的次数；t
j
为属性标签j出现的时间差，单位为天，定义t
j
＝t
bj-t
aj
，t
bj
为属性标签j本次出现的时间，t
aj
为属性标签j上次出现的时间。5.如权利要求4所述的认知提升方法，其特征在于，所述将各所述属性标签的推荐值以及各所述属性标签的推荐权重进行加权，获取各所述属性标签的加权推荐值，具体包括：根据各所述属性标签的推荐值以及各所述属性标签的推荐权重，采用以下公式计算所述属性标签的加权推荐值；其中，r
j
为属性标签j的加权推荐值；μ
i
为音乐属性l的平均效用值；a
ij
为音乐属性l的属性标签j的效用值；w
j
为属性标签j的推荐权重。6.如权利要求2所述的认知提升方法，其特征在于，从预设音乐库中匹配相对应的音乐时，优先匹配未选择过的音乐。7.如权利要求1所述的认知提升方法，其特征在于，所述根据所述用户信息，获取推荐音乐，具体包括：基于所述用户的年龄、性别、学历以及喜爱音乐类型，获取特定的音乐偏好分组；获取所述特定的音乐偏好分组内的音乐作为推荐音乐，并推荐给所述用户。8.如权利要求1所述的认知提升方法，其特征在于，所述根据所述用户的认知测评结果，获取对应的人机交互任务包括：根据认知测评结果，获取用户受损的脑网络；根据预设的脑网络与人机交互任务的映射关系，获取与所述受损的脑网络相对应的人机交互任务。9.如权利要求1所述的认知提升方法，其特征在于，所述用户的认知测评结果基于认知量表和测评任务获得。10.一种融合音乐的认知提升系统，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：基于人口统计学采集用户信息，并根据所述用户信息，获取初始的推荐音乐；根据所述用户的认知测评结果，获取对应的人机交互任务；在所述推荐音乐环境下，推送所述人机交互任务给所述用户进行人机交互；基于联合分析模型和chmiel-schubert模型，对所述推荐音乐进行更新；在更新的所述推荐音乐环境下，再次推送所述人机交互任务给所述用户进行人机交互。
技术总结本发明公开了一种融合音乐的认知提升方法及系统。该方法包括如下步骤：基于人口统计学采集用户信息，并根据用户信息，获取初始的推荐音乐；根据用户的认知测评结果，获取对应的人机交互任务；在推荐音乐环境下，推送人机交互任务给用户进行人机交互；基于联合分析模型和Chmiel-Schubert模型，对推荐音乐进行更新；在更新的推荐音乐环境下，再次推送人机交互任务给用户进行人机交互。本发明利用基于心理学理论与联合分析相结合的音乐推荐算法，针对不同用户在不同脑网络下进行的人机交互任务，依据用户人机交互过程所产生的客观数据，推送用户喜爱并能最大程度上提升认知效果的音乐，从而显著改善认知提升训练效果。从而显著改善认知提升训练效果。从而显著改善认知提升训练效果。
技术研发人员：张子恒 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
