CN109409329A - 图形题目的判别方法、评估方法、装置、设备及存储介质 - Google Patents
图形题目的判别方法、评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109409329A CN109409329A CN201811352610.2A CN201811352610A CN109409329A CN 109409329 A CN109409329 A CN 109409329A CN 201811352610 A CN201811352610 A CN 201811352610A CN 109409329 A CN109409329 A CN 109409329A
- Authority
- CN
- China
- Prior art keywords
- topic
- stroke
- assignment graph
- target object
- drawn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/30—Writer recognition; Reading and verifying signatures
- G06V40/37—Writer recognition; Reading and verifying signatures based only on signature signals such as velocity or pressure, e.g. dynamic signature recognition
Abstract
本申请提供了一种图形题目的判别方法、评估方法、装置、设备及存储介质,图形题目的判别方法包括:获取目标对象针对指定图形题目绘制图形的轨迹点数据;对轨迹点数据进行预处理,预处理后的数据作为目标轨迹点数据;基于目标轨迹点数据,判别目标对象针对指定图形题目绘制的图形是否正确。本申请可基于目标对象针对指定图形题目绘制图形的轨迹点数据自动判别出目标对象针对指定图形题目绘制的图形是否正确,并可基于判别结果自动确定认知评估结果,由于判别和评估不需要人工参与,因此避免了主观因素对判别结果和评估结果的影响,同时,节省了人力,降低了人工成本,并且,提高了图形题目的判别效率和认知评估效率,用户体验较好。
Description
技术领域
本申请涉及智慧医疗技术领域,尤其涉及一种图形题目的判别方法、评估方法、装置、设备及存储介质。
背景技术
在某些情况下,需要对目标对象针对图形题目的作答结果进行判别,比如,在对目标对象在执行功能方面的能力进行评估时,需要目标对象针对图形题目进行作答,然后对目标对象针对图形题目的作答结果进行判别,基于判别结果获得评估结果。
现有技术中,对目标对象针对图形题目的作答结果进行判别的方式为人工判别方式,即,人工判别目标对象针对图形题目的作答结果是否正确,人工判别方式虽然能够判别出目标对象针对图形题目的作答结果是否正确,但判别过程受主观因素影响较大,判别结果可能不准确,并且,人工判别的效率较低、人工成本较高。
发明内容
有鉴于此,本申请提供了一种图形题目的判别方法、装置、设备及可读存储介质,用以解决现有技术中的人工判别方式受主观因素影响较大,判别结果可能不准确,且人工判别的效率较低、人工成本较高的问题,其技术方案如下:
一种图形题目的判别方法,包括:
获取目标对象针对指定图形题目绘制图形的轨迹点数据;
对所述轨迹点数据进行预处理,预处理后的数据作为目标轨迹点数据;
基于所述目标轨迹点数据,判别所述目标对象针对所述指定图形题目绘制的图形是否正确。
可选的,所述对所述轨迹点数据进行预处理,包括:
对所述轨迹点数据进行以下处理中一种或多种:
冗余轨迹点去除、笔画分割、笔画顺序确定、笔画轨迹平滑和冗余笔画去除。
可选的,所述基于所述目标轨迹点数据,判别所述目标对象针对所述指定图形题目绘制的图形是否正确,包括:
基于所述目标轨迹点数据,利用预设的判别规则或者预先建立的判别模型,判别所述目标对象针对所述指定图形题目绘制的图形是否正确。
可选的,基于所述目标轨迹点数据,利用所述判别模型,判别所述目标对象针对所述指定图形题目绘制的图形是否正确,包括:
基于所述指定图形题目的特性,通过所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形对应的图形特征;
将所述图形特征输入所述判别模型,获得所述判别模型输出的、用于指示所述目标对象针对所述指定图形题目绘制的图形是否正确的判别结果。
可选的,所述基于所述目标轨迹点数据,利用预设的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否正确,包括:
基于所述目标轨迹点数据,利用基于目标图形设定的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否满足所述指定图形题目的指定要求,其中,所述目标图形为满足所述指定图形题目的指定要求的图形;
若所述目标对象针对所述指定图形题目绘制的图形满足所述指定图形题目的指定要求,则确定所述目标对象针对所述指定图形题目绘制的图形正确,否则,确定所述目标对象针对所述指定图形题目绘制的图形错误。
可选的,所述冗余笔画包括重复笔画;
确定第一笔画与第二笔画是否存在重复笔画的过程包括:
若所述第一笔画的角度与所述第二笔画的角度的差值小于设定角度阈值,并且,存在n,使得所述第一笔画所包含的轨迹点中的后n个轨迹点的中点与所述第二笔画所包含的轨迹点中的前n个轨迹点间的距离随着n的递增而非单调递增,并且小于设定距离阈值,则确定所述第一笔画与所述第二笔画存在重复笔画;
其中,所述第一笔画和所述第二笔画的重复笔画为所述第一笔画的后n个轨迹点组成的笔画,或者,所述第二笔画的前n个轨迹点组成的笔画,或者,所述第一笔画的后n/2个轨迹点组成的笔画以及所述第二笔画的前n/2个轨迹点组成的笔画;所述第一笔画的绘制时间早于所述第二笔画的绘制时间,n小于或等于第一轨迹点数量和第二轨迹点数量中的最小数量,所述第一轨迹点数量为所述第一笔画所包含的轨迹点的数量,所述第二轨迹点数量为所述第二笔画所包含的轨迹点的数量。
可选的,所述基于所述指定图形题目的特性,通过所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形对应的图形特征,包括:
基于所述指定图形题目的特性,通过所述目标轨迹点数据,获取以下特征中的一种或多种的组合作为所述图形特征:
作图总时间、作图停顿总时间、作图停顿次数、作图的平均速度、作图的平均压力、顶点个数、顶点角度、图形笔画数、图形笔画总长度、除示例笔画外的笔画的总长度、除示例笔画外的笔画的角度。
可选的,通过所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形的顶点个数,包括:
基于目标轨迹点数据中各轨迹点的速度和角度确定至少一个拐点集合,其中,一个拐点集合中的任一拐点的速度小于该拐点集合对应的速度阈值,且角度大于该拐点集合对应的角度阈值;
对每个拐点集合中的拐点进行聚合,聚合后的点为顶点,一个拐点集合中的拐点聚合为一个顶点;
统计确定出的顶点的数量。
可选的,通过所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形的顶点角度,包括:
基于所述目标轨迹点数据,识别出所述目标对象针对所述指定图形题目所绘制的图形的顶点;
对于识别出的任一顶点,通过该顶点的坐标,以及形成该顶点的两条直线的中点的坐标,确定该顶点的角度,以得到识别出的每个顶点的角度。
可选的,所述指定图形题目为指示所述目标对象绘制指定形状的图形的题目;
则所述基于所述目标轨迹点数据,利用基于目标图形设定的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否满足所述指定图形题目的指定要求,包括:
基于所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形对应的图形参数,所述图形参数能够表征所述目标对象针对所述指定图形题目绘制的图形的形状;
若所述图形参数与所述指定形状的图形对应的图形参数一致,则确定所述目标对象针对所述指定图形题目绘制的图形满足所述指定图形题目的指定要求。
可选的,所述指定图形题目为指示所述目标对象在指定位置按指定方向进行连线的题目;
则所述基于所述目标轨迹点数据,利用基于目标图形设定的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否满足所述指定图形题目的指定要求,包括:
基于所述目标轨迹点数据,确定所述目标对象所绘制的各个笔画的长度和角度;
若各个笔画的长度均在对应的长度阈值范围内,且各个笔画的角度均在对应的角度阈值范围内,则确定所述目标对象针对所述指定图形题目绘制的图形满足所述指定图形题目的指定要求,否则确定所述目标对象针对所述指定图形题目绘制的图形不满足所述指定图形题目的指定要求。
一种对象的认知评估方法,包括:
利用上述图形题目的判别方法,对目标对象针对至少一个图形题目绘制的图形进行判别,获得所述至少一个图形题目对应的判别结果;
基于所述至少一个图形题目对应的判别结果,确定所述目标对象的认知评估结果。
一种图形题目的判别装置,包括:获取模块、预处理模块和判别模块;
所述获取模块,用于获取目标对象针对指定图形题目绘制图形的轨迹点数据;
所述预处理模块,用于对所述轨迹点数据进行预处理,预处理后的数据作为目标轨迹点数据;
所述判别模块,用于基于所述目标轨迹点数据,判别所述目标对象针对所述指定图形题目绘制的图形是否正确。
可选的,所述判别模块,包括第一判别模块或第二判别模块;
所述第一判别模块,用于基于所述目标轨迹点数据,利用预先建立的判别模型,判别所述目标对象针对所述指定图形题目绘制的图形是否正确。
所述第二判别模块,用于基于所述目标轨迹点数据,利用预设的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否正确;
可选的,所述第一判别模块,具体用于基于所述指定图形题目的特性,通过所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形对应的图形特征;将所述图形特征输入所述判别模型,获得所述判别模型输出的、用于指示所述目标对象针对所述指定图形题目绘制的图形是否正确的判别结果。
可选的,所述第二判别模块,用于基于所述目标轨迹点数据,利用基于目标图形设定的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否满足所述指定图形题目的指定要求,其中,所述目标图形为满足所述指定图形题目的指定要求的图形;若所述目标对象针对所述指定图形题目绘制的图形满足所述指定图形题目的指定要求,则确定所述目标对象针对所述指定图形题目绘制的图形正确,否则,确定所述目标对象针对所述指定图形题目绘制的图形错误。
一种图形题目的判别设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,所述程序具体用于:
获取目标对象针对指定图形题目绘制图形的轨迹点数据;
对所述轨迹点数据进行预处理,预处理后的数据作为目标轨迹点数据;
基于所述目标轨迹点数据,判别所述目标对象针对所述指定图形题目绘制的图形是否正确。
一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现所述图形题目的判别方法的各个步骤。
经由上述的技术方案可知,本申请提供的图形题目的判别方法、评估方法、装置、设备及存储介质,在进行图形题目的判别时,首先获取目标对象针对指定图形题目绘制图形的轨迹点数据,然后对轨迹点数据进行预处理,获得目标轨迹点数据,最后基于目标轨迹点数据,判别目标对象针对指定图形题目绘制的图形是否正确,由此可见,本申请可基于目标对象针对指定图形题目绘制图形的轨迹点数据自动判别出目标对象针对指定图形题目绘制的图形是否正确,还可基于判别结果自动确定认知评估结果,由于判别过程和评估过程不需要人工参与,因此,避免了主观因素对判别结果和评估结果的影响,同时,节省了人力,降低了人工成本,并且,提高了图形题目的判别效率和认知评估效率,用户体验较好。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的图形题目的判别方法的流程示意图;
图2为满足简易精神状态量表NMSE中五边形题目要求的图形的示意图;
图3为按蒙特利尔认知评估基础量表MoCAB中的交替连线题的要求进行连线的示意图;
图4为本申请实施例提供的图形题目的判别方法中,基于目标轨迹点数据,利用预先建立的判别模型,判别目标对象针对指定图形题目绘制的图形是否正确的流程示意图;
图5a~5b为针对交替连线题所绘制的图形进行箭头消除的效果图;
图6为本申请实施例提供的图形题目的判别方法中,基于目标轨迹点数据,利用预设的判别规则,判别目标对象针对指定图形题目绘制的图形是否正确的实现过程的流程示意图;
图7为满足NMSE五边形题目要求的图形的示意图;
图8为本申请实施例提供的图形题目的判别装置的结构示意图;
图9为本申请实施例提供的图形题目的判别设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
发明人在实现本发明创造的过程中发现:现有技术中对目标对象针对图形题目的作答结果进行判别的方式费时费力且具有主观性,这导致判别结果不够准确且判别效率较低。
为了解决上述问题,本申请实施例提供了一种图形题目的判别方法,该方法可自动对目标对象针对图形题目的作答结果进行判别,请参阅图1,示出了该图形题目的判别方法的流程示意图,可以包括:
步骤S101:获取目标对象针对指定图形题目绘制图形的轨迹点数据。
其中,目标对象可以但不限为儿童、有认知功能障碍的人。需要说明的是,由各种不同原因引起的脑损伤均可导致不同形式和程度的认知功能障碍,比如,脑血管病后的血管性痴呆、老年性痴呆、脑外伤或重度后的认知障碍等。
其中,指定图形题目为指示目标对象按指定要求进行图形绘制的题目,目标对象针对指定图形题目所绘制的图形即为目标对象对指定图形题目进行作答的作答结果。
需要说明的是,指定图形题目的形式有多种,比如,指定图形题目可以为按指定要求绘制指定形状图形的题目,示例性地,简易精神状态量表NMSE中的五边形题目,该题目要求目标对象绘制两个五边形,两个五边形相交需要形成一个四边形,两个五边形分别有一个顶点在另一个五边形内部,如图2所示,若目标对象绘制出的图形满足上述要求,则判定该题目正确,否则,判定该题目错误。指定图形题目还可以为按指定要求进行连线的题目,比如,蒙特利尔认知评估基础量表MoCAB中的交替连线题,该题目要求目标对象按指定顺序进行连线,如图3所示的顺序(S1->S2->S3->S4->S5->S6->S7->S8),若目标对象按图3示出的顺序连接,则判定该题目正确,若目标对象未按图3示出的顺序连接,则判定该题目错误。
其中,NMSE量表中的五边形题目、MoCAB量表中的交替连线题为MCI筛查所使用的题目。MCI为轻度认知功能障碍,是老年人从正常发展为痴呆的一个过渡时期,在进行MCI筛查时,需要对老年人在执行功能方面的能力进行评估,评估时需要老年人对图形题目进行作答,然后基于作答结果评估老年人在执行功能方面的能力,而NMSE量表中的五边形题目、MoCAB量表中的交替连线题等题目便是评估所采用的图形题目。
在本实施例中,获取目标对象针对指定图形题目绘制图形的轨迹点数据的实现方式有多种,在一种可能的实现方式中,可通过“解铃板子”收集目标对象针对指定图形题目绘制图形的轨迹点数据,需要说明的是,“解铃板子”是在一个设备上面放一张纸,目标对象在纸上作图,设备获取目标对象绘图的轨迹数据;在另一种可能的实现方式中,可通过电子设备如平板电脑、手机等收集目标对象针对指定图形题目绘制图形的轨迹点数据,在该实现方式中,用户直接在电子设备上绘图。目标对象针对指定图形题目绘制图形的轨迹点数据可以包括轨迹点的坐标值,还可以包括每个轨迹点的压力值数据。
步骤S102:对轨迹点数据进行预处理,预处理后的数据作为目标轨迹点数据。
其中,对轨迹点数据所进行的预处理可以包括:冗余轨迹点去除、绘制笔画分割、笔画顺序确定、笔画轨迹平滑、冗余笔画去除中的一种或多种处理。
步骤S103:基于目标轨迹点数据,判别目标对象针对指定图形题目绘制的图形是否正确。
基于目标轨迹点数据,判别目标对象针对指定图形题目绘制的图形是否正确的具体实现过程可参见后续实施例的说明。
本申请实施例提供的图形题目的判别方法,首先获取目标对象针对指定图形题目绘制图形的轨迹点数据,然后对轨迹点数据进行预处理,获得目标轨迹点数据,最后基于目标轨迹点数据,判别目标对象针对指定图形题目绘制的图形是否正确,由此可见,本申请实施例提供的图形题目的判别方法可基于目标对象针对指定图形题目绘制图形的轨迹点数据自动判别出目标对象针对指定图形题目绘制的图形是否正确,这种判别方式不需要人工参与,避免了主观因素对判别结果的影响,同时,节省了人力,降低了人工成本,并且,提高了图形题目的判别效率和判别准确率,用户体验较好。
在本申请的另一实施例,对上述实施例中的步骤S102:对轨迹点数据进行预处理的过程进行介绍。
在一种可能的实现方式中,对轨迹点数据进行预处理的过程可以包括:
步骤S1:去除冗余轨迹点。
可以理解的是,由于目标对象针对指定图形题目绘制图形时,可能会出现停顿的情况,一旦停顿,当接着绘图时,会从停顿位置开始绘制,这样会导致停顿的位置会记录两个相同的轨迹点,即,会出现重复的轨迹点,重复的轨迹点为冗余轨迹点,需要去除。
步骤S2:对绘制笔画进行分割。
在采用“解铃板子”收集轨迹点数据时,每个笔画的开始会出现操作对象(如笔)逐渐接近纸张的过程,当操作对象足够接近纸张,但没有接触到纸张的时候,操作对象对于纸张的压力值为0,但是,解铃板子设备也会对此进行记录,这种点为悬浮点,在进行预处理时,需要根据压力值为0的悬浮点对绘图笔画进行分割,另外,悬浮点为冗余点,需要将其去除。
步骤S3:确定绘制笔画的顺序。
在获取绘图笔画轨迹的过程中,设备同时会记录轨迹点绘制的时间,通过记录的时间可获得分割的各个笔画对应的时间戳,根据各个笔画对应的时间戳可确定各个笔画的顺序。
步骤S4:对绘制笔画的轨迹进行平滑。
进行上述处理之后需要对分割后的笔画进行平滑处理,从而剔除一个笔画中不平滑的轨迹点。
步骤S5:去除冗余笔画。
对笔画平滑处理之后,需要对轨迹中的冗余笔画进行剔除。在一种可能的实现方式中,可统计绘制笔画的长度,基于绘制笔画的长度设定一阈值,当笔画长度小于该阈值时,认为该笔画为冗余笔画,将其去除。
需要说明的是,对于一些连线题而言,题目中可能会给出连线的示例,如图3中的前三条虚线(将其称为示例线),目标对象可能会针对示例部分进行绘制,而实际上示例部分是不需要绘制的,因此,目标对象针对示例部分绘制的笔画即示例笔画为冗余笔画,需要去除。基于此,本申请针对题目中给出的每一示例线,基于该示例线的角度设定一角度范围,基于该示例线的位置获取目标对象绘制的笔画(比如,示例线为第一条线,则获取目标对象绘制的第一个笔画),确定获取的笔画的角度是否在该示例线对应的角度范围内,若是,则确定获取的笔画为示例笔画,则将该示例笔画去除,反之,若获取的笔画的角度不在该示例线对应的角度范围内,则确定获取的笔画不是示例,则不去除该笔画。
可以理解的是,目标对象对于某一笔可能会重复绘制,重复绘制的笔画为冗余笔画,需要去除。若要去除重复绘制的笔画,首先需要确定出重复绘制的笔画,在本实施例中,确定两个笔画(第一笔画和第二笔画)是否存在重复笔画的过程为:若两个笔画同时满足以下两个条件,则确定两个笔画存在重复笔画:
(1)第一笔画的角度与第二笔画的角度的差值小于设定角度阈值,其中,第一笔画的绘制时间早于第二笔画的绘制时间;
(2)存在n使得第一笔画所包含的轨迹点的后n个轨迹点的中点与第二个笔画所包含的轨迹点的前n个轨迹点的中点的距离随着n的递增而非单调递增,并且小于设定距离阈值,其中,n小于或等于第一轨迹点数量和第二轨迹点数量中的最小数量,第一轨迹点数量为第一笔画所包含的轨迹点的数量,第二数量为第二笔画所包含的轨迹点的数量。
需要说明的是,若第一笔画与第二笔画存在重复笔画,则重复笔画为第一笔画的后n个轨迹点组成的笔画,或者,第二笔画的前n个轨迹点组成的笔画,或者,第一笔画的后n/2个轨迹点组成的笔画以及第一笔画的前n/2个轨迹点组成的笔画。
假设第一笔画为x1,第二笔画为x2,x1的绘制时间早于x2的绘制时间,x1包含p个轨迹点,x2包含q个轨迹点,若x1的角度与x2的角度的差值小于设定角度阈值θ,并且,存在n(n<=min(p,q)),使得x1所包含的p个轨迹点((x11,y11),(x12,y12),…,(x1p,y1p))的后n个点的中点与x2所包含的q个轨迹点((x21,y21),(x22,y22),…,(x2q,y2q))的前n个点的中点之间的距离随着n的递增非单调增加,并且小于设定距离阈值L,则确定x1与x2存在重复笔画,重复笔画为轨迹点((x21,y21),(x22,y22),…,(x2n,y2n))组成的笔画,或者,((x1(p-n+1),y1(p-n+1)),(x1(p-n),y1(p-n)),…,(x1p,y1p))组成的笔画,或者,((x21,y21),(x22,y22),…,(x2(n/2),y2(n/2)))组成的笔画以及((x1(p-n/2+1),y1(p-n/2+1)),(x1(p-n),y1(p-n)),…,(x1p,y1p))组成的笔画。
在本申请的另一实施例,对上述实施例中的步骤S103:基于目标轨迹点数据,判别目标对象针对指定图形题目绘制的图形是否正确进行介绍。
在本实施例中,基于目标轨迹点数据,判别目标对象针对指定图形题目绘制的图形是否正确的过程可以包括:基于目标轨迹点数据,利用预设的判别规则或者预先建立的判别模型,判别目标对象针对所述指定图形题目绘制的图形是否正确。
请参阅图4,示出了基于目标轨迹点数据,利用预先建立的判别模型,判别目标对象针对指定图形题目绘制的图形是否正确的实现过程的流程示意图,可以包括:
步骤S401:基于指定图形题目的特性,通过目标轨迹点数据,获取目标对象针对指定图形题目所绘制的图形对应的图形特征。
具体地,可基于指定图形题目的特性,通过目标轨迹点数据,获取以下特征中的一种或多种的组合作为所述图形特征:作图总时间、作图停顿总时间、作图停顿次数、作图的平均速度、作图的平均压力、顶点个数、顶点角度、图形笔画数、图形笔画总长度、除示例笔画外的笔画的长度、除示例笔画外的笔画的角度。
示例性地,指定图形题目为指示目标对象绘制指定形状的图形的题目,如NMSE五边形题目,则可获取以下特征作为目标对象针对指定图形题目所绘制的图形对应的图形特征:图形顶点个数、作图总时间、作图停顿总时间、作图停顿次数、作图的平均速度、作图的平均压力和图形的顶点角度。
示例性地,指定图形题目为指示目标对象在指定位置按指定方向连线的题目,如MoCAB量表中的交替连线题,则可获取以下特征作为目标对象针对指定图形题目所绘制的图形对应的图形特征:作图总时间、作图停顿总时间、作图停顿次数、作图的平均速度、作图的平均压力、图形笔画数、图形笔画总长度、除示例笔画外的笔画的总长度、除示例笔画外的笔画的角度。
需要说明的是,对于图形特征中包括顶点角度的情况,假设指定图形题目的正确图形的顶点数为N,提取的图形特征中顶点个数为M个,若M小于N,则将顶点角度补为N个,补充的角度用0表示,若M大于N,则从获得的顶点角度中按顺序选取N个作为最终的顶点角度。另外,对于图形特征中包括除示例笔画外的笔画的长度和/或除示例笔画外的笔画的角度的情况,假设指定图形题目的正确图形的笔画为R个,提取的图形特征中,除示例笔画外的笔画数大于R,则取除示例笔画外的前R个笔画的长度和/或角度。
需要说明的是,当需要获取的图形特征中包括图形顶点个数和/或图形顶点角度时,首先应从目标对象绘制的图形中识别出顶点。具体的,从目标对象绘制的图形中识别出顶点的过程包括:基于目标轨迹点数据中各轨迹点的速度和角度确定至少一个拐点集合,一拐点集合表征一个拐点,一拐点集合由一可能为拐点的轨迹点以及该可能为拐点的轨迹点周围的轨迹点组成,一个拐点集合中的任一拐点的速度小于该拐点集合对应的速度阈值,且角度大于该拐点集合对应的角度阈值;对于任一拐点集合,将该拐点集合中的拐点进行聚合,聚合后的点为一顶点,获得至少一个顶点。
其中,任一轨迹点的速度可通过该轨迹点与其前后两轨迹点的距离以及该轨迹点与其前后两轨迹点的绘制时间确定,示例性地,一轨迹点为B(x2,y2),其之前的轨迹点为A(x1,y1),其之后的轨迹点为C(x3,y3),则轨迹点B的速度vB为:
其中,distance_AB为轨迹点B与轨迹点A之间的距离,distance_BC为轨迹点B与轨迹点C之间的距离,t为三轨迹点绘制时间,distance_AB与distance_BC通过下式确定:
需要说明的是,上述确定一轨迹点的速度的方式仅为一示例,本实施例并不限定于此,除了上述基于该轨迹点前后两个轨迹点确定该轨迹点的速度外,还可基于该轨迹前一个轨迹点以及该轨迹点后多个轨迹点确定该轨迹点的速度,或者,基于该轨迹前多个轨迹点以及该轨迹点后一个轨迹点确定该轨迹点的速度,或者,基于该轨迹点前多个轨迹点以及该轨迹点后多个轨迹点确定该轨迹点的速度,或者,基于该轨迹点前多个轨迹点确定该轨迹点的速度,或者,基于该轨迹点后多个轨迹点确定该轨迹点的速度。
任一轨迹点的角度可通过该轨迹点与其前后两轨迹点分别构成的两条线段的角度确定,两条线段的角度的差值即为该轨迹点的角度。示例性的,一轨迹点为B(x2,y2),其之前的轨迹点为A(x1,y1),其之后的轨迹点为C(x3,y3),假设轨迹点B与轨迹点A构成的线段为LBA,LBA的角度用angle_LBA表示,轨迹点B与轨迹点C构成的线段为LBC,LBC的角度用angle_LBC表示,则轨迹点B的角度angle_B为:
angle_B=angle_LBC-angle_LBA (4)
其中,angle_LBA和angle_LBC通过下式计算:
与轨迹点的速度确定类似,上述确定一轨迹点的角度的方式仅为一示例,本实施例并不限定于此,除了上述基于该轨迹点前后两个轨迹点确定该轨迹点的速度外,还可基于其它轨迹点确定该轨迹点的速度,比如该轨迹点之前多个轨迹点、该轨迹点之后多个轨迹点等。
在确定出拐点集合后,针对每一拐点集合,将该拐点集合中的拐点进行聚合,具体的,计算该拐点集合中所有拐点的坐标的均值,得到的均值坐标对应的点即为顶点。
需要说明的是,在基于上述方法进行顶点识别时,可能存在部分顶点无法识别的情况,为了能够将目标对象绘制的图形中的顶点全部识别出来,从目标对象绘制的图形中识别出顶点的过程还可以包括:基于目标轨迹点数据获取目标对象绘制的至少一个目标直线组,其中,一个目标直线组包括两条相邻直线,基于两条相邻直线上四分位点和下四分位点拟合直线方程,将两条直线的交点作为图形的顶点。
在识别出图形顶点后,便可确定图形的顶点角度,具体的,针对任一顶点,获取该顶点的坐标,以及形成该顶点的两条直线的中点的坐标,通过该顶点的坐标和两个中点坐标确定该顶点的角度,以获得识别出的各个顶点的角度。
另外,需要说明的是,对于一些连线题,如图3示出的连线题,需要目标对象在作答时使用箭头,然而,不同对象对于箭头的绘制不同,这给判别过程带来了困难,基于此,本实施例采用上述的拐点检测方式(基于各轨迹点的速度和角度确定拐点)并与断开消除技术相结合,将目标对象绘制的箭头去除,具体地,首先对绘画轨迹进行拐点检测,然后将出现拐点的线段在拐点处分开并消除过小的线段,从而将箭头进行有效去除,去除效果如图5所示(图5b为将5a中的箭头去除后的效果图)。
步骤S402:将图形特征输入预先建立的判别模型,获得判别模型输出的、用于指示目标对象针对指定图形题目绘制的图形是否正确的判别结果。
本实施例中的判别模型可以为分类模型,其对目标对象针对指定图形题目所绘制的图形的对错进行0-1分类,0表示目标对象针对指定图形题目所绘制的图形错误,1表示目标对象针对指定图形题目所绘制的图形正确,该分类模型的输入为目标对象针对指定图形题目所绘制的图形对应的图形特征,输出为0(目标对象绘制的图形正确)或1(目标对象绘制的图形错误),该分类模型可以但不限定为SVM分类模型、logistic回归模型、朴素贝叶斯模型和随机森林模型等分类模型中的任意一种。
在本实施例中,训练分类模型的方式有多种,在一种可能的实现方式中,可获取训练数据集,用训练数据集训练分类模型,训练得到的分类模型作为本实施例中的判别模型。考虑到采用上述训练方式训练得到的模型存在过拟合的情况,在另一种可能的实现方式中,可获取训练数据集和测试数据集,在训练集上使用交叉验证的方式训练分类模型,确定出最优的模型和对应参数,然后在测试集上进行测试,以防出现过拟合的情况,根据测试集测试的结果重新调整模型以及参数,最终选出在训练集和测试集上效果都比较好的模型作为本实施例中的判别模型。需要说明的是,过拟合指的是,使用训练数据集训练出的模型可能只是对训练数据的分类效果较好,如果换一批数据,可能分类效果会下降很多,为了解决该问题,可将使用训练数据集训练好的模型在测试集上进行测试,如果在测试集上的测试效果比较好,那么说明分类模型的泛化性能比较好,如果在测试集上的测试效果较差,那么需要重新训练模型。
请参阅图6,示出了基于目标轨迹点数据,利用预设的判别规则,判别目标对象针对指定图形题目绘制的图形是否正确的实现过程的流程示意图,可以包括:
步骤S601:基于目标轨迹点数据,利用基于目标图形设定的判别规则,判别目标对象针对指定图形题目绘制的图形是否满足指定图形题目的指定要求。
其中,目标图形为满足指定图形题目的指定要求的图形。
步骤S602a:若目标对象针对指定图形题目绘制的图形满足指定图形题目的指定要求,则确定目标对象针对指定图形题目绘制的图形正确。
步骤S602b:若目标对象针对指定图形题目绘制的图形不满足指定图形题目的指定要求,则确定目标对象针对指定图形题目绘制的图形错误。
可选的,指定图形题目为指示目标对象绘制指定形状的图形的题目,则基于目标轨迹点数据,利用基于目标图形设定的判别规则,判别目标对象针对所述指定图形题目绘制的图形是否满足所述指定图形题目的指定要求,包括:基于目标轨迹点数据,获取目标对象针对指定图形题目所绘制的图形对应的图形参数,该图形参数能够表征目标对象针对指定图形题目绘制的图形的形状;若图形参数与指定形状的图形(即指定图形题目的正确图形)对应的图形参数一致,则确定目标对象针对指定图形题目绘制的图形满足指定图形题目的指定要求,否则,确定目标对象针对指定图形题目绘制的图形不满足指定图形题目的指定要求。
示例性地,指定图形题目为上述的NMSE五边形题目,则图形参数可以包括顶点数、内角和、顶点位置参数,NMSE五边形题目的正确图形应包括10个顶点,若图形的顶点数不为10,则可判定绘制的图形错误,并且,人绘制五边形时,通常会先绘制完一个图形再绘制另一个图形,假设绘制的两个图形分别为图形A和图形B,基于此,本实施例NMSE五边形题目的正确图形对应的图形参数设定如下判别规则:
(1)图形A和图形B的总顶点数为10,根据绘制时间将前5个顶点判定为属于图形A,将后5个顶点判定为属于图形B;
(2)图形A和图形B的内角和均为540度;
(3)图形A有且仅有1个顶点属于图形B,并且,图形B有且仅有1个顶点属于图形A;
若目标对象针对指定图形题目绘制的图形对应的图形参数同时满足(1)、(2)、(3),则可确定目标对象针对指定图形题目绘制的图形对应的图形参数与正确图形对应的图形参数一致,进而可判定目标对象针对NMSE量表中的五边形题目绘制的图形正确,反之,若目标对象针对指定图形题目绘制的图形对应的图形参数不满足(1)或(2)或(3),则可判定目标对象针对NMSE五边形题目绘制的图形错误。
需要说明的是,绘制的图形满足判别规则(1)和(2),表明绘制的图形为两个五边形,绘制的图形在满足判别规则(1)和(2)的基础上满足判别规则(3),表明绘制的两个五边形相交形成一个四边形,且两个五边形分别有一个顶点在另一个五边形内部,满足(1)、(2)和(3)的图形如图7所示。
需要说明的是,在判别目标图像绘制的图形是否满足(3)时,需要判别图形A的某个顶点是否属于图形B,图形B的某个顶点是否属于图形A,即需要判别指定顶点是否属于指定图形,判别指定顶点是否属于指定图形实质是判别指定顶点是在指定图形的内部还是外部。具体地,判别指定顶点是否属于指定图形的过程可以包括:在指定顶点处沿任意方向做射线,若存在射线与指定图形有且仅有一个交点,那么可判定指定顶点位于指定图形内部,即指定顶点属于指定图形,若存在射线与指定图形有两个交点,那么判定指定顶点位于指定图形外部,即指定顶点不属于指定图形。
可选的,指定图形题目为指示目标对象在指定位置按指定方向进行连线的题目,则基于目标轨迹点数据,利用基于目标图形设定的判别规则,判别目标对象针对指定图形题目绘制的图形是否满足所述指定图形题目的指定要求,包括:基于目标轨迹点数据,确定目标对象所绘制的各个笔画的长度和角度;若各个笔画的长度均在对应的长度阈值范围内,且各个笔画的角度均在对应的角度阈值范围内,则确定目标对象针对指定图形题目绘制的图形满足指定图形题目的指定要求,否则确定目标对象针对所述指定图形题目绘制的图形不满足所述指定图形题目的指定要求。
示例性地,指定图形题目为MoCAB量表中的交替连线题,则可设定如下判别规则:
(1)第1个笔画的长度L1在预设的长度阈值范围(L1-ε1,L1+ε1)内,角度A1在预设的角度阈值范围(A1-θ1,A1+θ1)内;
(2)第2个笔画的长度L2在预设的长度阈值范围(L2-ε2,L2+ε2)内,角度A2在预设的角度阈值范围(A2-θ2,A2+θ2)内;
(3)第3个笔画的长度L3在预设的长度阈值范围(L3-ε3,L3+ε3)内,角度A3在预设的角度阈值范围(A3-θ3,A3+θ3)内;
(4)第4个笔画的长度L4在预设的长度阈值范围(L4-ε4,L4+ε4)内,角度A4在预设的角度阈值范围(A4-θ4,A4+θ4)内;
(5)第5个笔画的长度L5在预设的长度阈值范围(L5-ε5,L5+ε5)内,角度A5在预设的角度阈值范围(A5-θ5,A5+θ5)内;
(6)第6个笔画的长度L6在预设的长度阈值范围(L6-ε6,L6+ε6)内,角度A6在预设的角度阈值范围(A6-θ6,A6+θ6)内;
(7)第7个笔画的长度L7在预设的长度阈值范围(L7-ε7,L7+ε7)内,角度A7在预设的角度阈值范围(A7-θ7,A7+θ7)内;
(8)第8个笔画的长度L8在预设的长度阈值范围(L8-ε8,L8+ε8)内,角度A8在预设的角度阈值范围(A8-θ8,A8+θ8)内。
其中,ε1~ε8、θ1~θ8基于图形题目的正确图形中各直线(不包括箭头)的长度和角度设定。
若目标对象绘制的图形同时满足(1)~(8),则判定目标对象绘制的图形正确,若目标对象绘制的图形不能同时满足(1)~(8),则判定目标对象绘制的图形错误。需要说明的是,任意笔画的角度为该笔画相对水平线的角度,上述长度阈值范围中的ε1~ε8、角度阈值范围中的θ1~θ8基于图形题目的正确图形中各直线(不包括箭头)的长度和角度设定。
本申请提供的图形题目的判别方法可基于目标对象针对指定图形题目绘制图形的轨迹点数据,利用预设的判别规则或者预先建立的判别模型自动判别出目标对象针对指定图形题目绘制的图形是否正确,这种判别方式不需要人工参与,避免了主观因素对判别结果的影响,同时,节省了人力,降低了人工成本,并且,提高了图形题目的判别效率和判别准确率,用户体验较好。
本申请实施例还提供了一种认知评估方法,该方法包括:利用上述实施例提供的图形题目的判别方法,对目标对象针对至少一个图形题目绘制的图形进行判别,获得至少一个图形题目对应的判别结果;基于至少一个图形题目对应的判别结果,确定目标对象的认知评估结果。
在一种可能的实现方式中,在获取到图形题目的判别结果后,可基于图形题目的判别结果确定图形题目的得分,基于图形题目的得分确定目标对象的认知得分。若图形题目为一个,则可将该图形题目的得分作为目标对象的认知得分,若图形题目为多个,则可将多个图形题目分别对应的得分求和,求和结果作为目标对象的认知得分。当然本实施例并不限定通过得分来表征目标对象的认知评估结果,还可通过其它来表征认知评估结果,比如可通过认知程度来表征认知评估结果。
本申请实施例提供的认知评估方法,可基于目标对象针对图形题目绘制图形的轨迹点数据自动判别出目标对象针对图形题目绘制的图形是否正确,并可基于判别结果确定认知评估结果,由于评估过程不需要人工参与,因此避免了主观因素对评估结果的影响,同时,节省了人力,降低了人工成本,并且,提高了认知评估效率,用户体验较好。
与上述方法相对应,本申请实施例还提供了一种图形题目的判别装置,请参阅图8,示出了该装置的结构示意图,该装置可以包括:获取模块801、预处理模块802和判别模块803。
获取模块801,用于获取目标对象针对指定图形题目绘制图形的轨迹点数据。
预处理模块802,用于对所述轨迹点数据进行预处理,预处理后的数据作为目标轨迹点数据。
判别模块803,用于基于所述目标轨迹点数据,判别所述目标对象针对所述指定图形题目绘制的图形是否正确。
本申请实施例提供的图形题目的判别装置,可基于目标对象针对指定图形题目绘制图形的轨迹点数据自动判别出目标对象针对指定图形题目绘制的图形是否正确,这种判别方式不需要人工参与,避免了主观因素对判别结果的影响,同时,节省了人力,降低了人工成本,并且,提高了图形题目的判别效率和判别准确率,用户体验较好。
在一种可能的实现方式中,上述实施例提供的图形题目的判别装置中的预处理模块802,具体用于对所述轨迹点数据进行以下处理中一种或多种:冗余轨迹点去除、笔画分割、笔画顺序确定、笔画轨迹平滑和冗余笔画去除。
在一种可能的实现方式中,所述冗余笔画包括重复笔画。上述实施例提供的图形题目的判别装置还可以包括用于判别第一笔画与第二笔画是否存在重复笔画的重复笔画确定模块。
重复笔画确定模块,具体用于若所述第一笔画的角度与所述第二笔画的角度的差值小于设定角度阈值,并且,存在n,使得所述第一笔画所包含的轨迹点中的后n个轨迹点的中点与所述第二笔画所包含的轨迹点中的前n个轨迹点间的距离随着n的递增而非单调递增,并且小于设定距离阈值,则确定所述第一笔画与所述第二笔画存在重复笔画;
其中,所述第一笔画和所述第二笔画的重复笔画为所述第二笔画的第1个轨迹点至第n个轨迹点组成的笔画;所述第一笔画的绘制时间早于所述第二笔画的绘制时间,n小于或等于第一轨迹点数量和第二轨迹点数量中的最小数量,所述第一轨迹点数量为所述第一笔画所包含的轨迹点的数量,所述第二轨迹点数量为所述第二笔画所包含的轨迹点的数量。
在一种可能的实现方式中,上述实施例提供的图形题目的判别装置中的判别模块803,包括第一判别模块或第二判别模块。
所述第一判别模块,用于基于所述目标轨迹点数据,利用预先建立的判别模型,判别所述目标对象针对所述指定图形题目绘制的图形是否正确。
所述第二判别模块,用于基于所述目标轨迹点数据,利用预设的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否正确;
在一种可能的实现方式中,所述第一判别模块,具体用于基于所述指定图形题目的特性,通过所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形对应的图形特征;将所述图形特征输入所述判别模型,获得所述判别模型输出的、用于指示所述目标对象针对所述指定图形题目绘制的图形是否正确的判别结果。
在一种可能的实现方式中,所述第二判别模块,用于基于所述目标轨迹点数据,利用基于目标图形设定的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否满足所述指定图形题目的指定要求,其中,所述目标图形为满足所述指定图形题目的指定要求的图形;若所述目标对象针对所述指定图形题目绘制的图形满足所述指定图形题目的指定要求,则确定所述目标对象针对所述指定图形题目绘制的图形正确,否则,确定所述目标对象针对所述指定图形题目绘制的图形错误。
在一种可能的实现方式中,所述第一判别模块基于所述指定图形题目的特性,通过所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形对应的图形特征时,具体用于基于所述指定图形题目的特性,通过所述目标轨迹点数据,获取以下特征中的一种或多种的组合作为所述图形特征:
作图总时间、作图停顿总时间、作图停顿次数、作图的平均速度、作图的平均压力、顶点个数、顶点角度、图形笔画数、图形笔画总长度、除示例笔画外的笔画的总长度、除示例笔画外的笔画的角度。
在一种可能的实现方式中,所述第一判别模块通过所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形的顶点个数时,具体用于基于目标轨迹点数据中各轨迹点的速度和角度确定至少一个拐点集合,其中,一个拐点集合中的任一拐点的速度小于该拐点集合对应的速度阈值,且角度大于该拐点集合对应的角度阈值;对每个拐点集合中的拐点进行聚合,聚合后的点为顶点,一个拐点集合中的拐点聚合为一个顶点;统计确定出的顶点的数量。
在一种可能的实现方式中,所述第一判别模块通过所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形的顶点角度时,具体用于基于所述目标轨迹点数据,识别出所述目标对象针对所述指定图形题目所绘制的图形的顶点;对于识别出的任一顶点,通过该顶点的坐标,以及形成该顶点的两条直线的中点的坐标,确定该顶点的角度,以得到识别出的每个顶点的角度。
在一种可能的实现方式中,所述指定图形题目为指示所述目标对象绘制指定形状的图形的题目,则第二判别模块基于所述目标轨迹点数据,利用基于目标图形设定的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否满足所述指定图形题目的指定要求时,具体用于基于所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形对应的图形参数,所述图形参数能够表征所述目标对象针对所述指定图形题目绘制的图形的形状;若所述图形参数与所述指定形状的图形对应的图形参数一致,则确定所述目标对象针对所述指定图形题目绘制的图形满足所述指定图形题目的指定要求。
在一种可能的实现方式中,所述指定图形题目为指示所述目标对象在指定位置按指定方向进行连线的题目,则所述第一判别模块在基于所述目标轨迹点数据,利用基于目标图形设定的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否满足所述指定图形题目的指定要求时,具体用于基于所述目标轨迹点数据,确定所述目标对象所绘制的各个笔画的长度和角度;若各个笔画的长度均在对应的长度阈值范围内,且各个笔画的角度均在对应的角度阈值范围内,则确定所述目标对象针对所述指定图形题目绘制的图形满足所述指定图形题目的指定要求,否则确定所述目标对象针对所述指定图形题目绘制的图形不满足所述指定图形题目的指定要求。
本申请实施例还提供了一种图形题目的判别设备,请参阅图9,示出了该设备的结构示意图,该设备可以包括:存储器901和处理器902。
存储器901,用于存储程序;
处理器902,用于执行所述程序,所述程序具体用于:
获取目标对象针对指定图形题目绘制图形的轨迹点数据;
对所述轨迹点数据进行预处理,预处理后的数据作为目标轨迹点数据;
基于所述目标轨迹点数据,判别所述目标对象针对所述指定图形题目绘制的图形是否正确。
图形题目的判别设备还可以包括:总线、通信接口903。
处理器902、存储器901、通信接口903总线可包括一通路,在计算机系统各个部件之间传送信息。
处理器902可以是通用处理器,例如通用中央处理器(CPU)、微处理器等,也可以是特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本发明方案程序执行的集成电路。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
处理器902可包括主处理器,还可包括基带芯片、调制解调器等。
存储器901中保存有执行本发明技术方案的程序,还可以保存有操作系统和其他关键业务。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。更具体的,存储器901可以包括只读存储器(read-only memory,ROM)、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory,RAM)、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。
通信接口903可包括使用任何收发器一类的装置,以便与其他设备或通信网络通信,如以太网,无线接入网(RAN),无线局域网(WLAN)等。
处理器902执行存储器901中所存放的程序,以及调用其他设备,可用于实现本申请实施例所提供的图形题目的判别方法的各个步骤。
本申请还提供了一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述实施例的图形题目的判别方法的各个步骤。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种图形题目的判别方法,其特征在于,包括:
获取目标对象针对指定图形题目绘制图形的轨迹点数据;
对所述轨迹点数据进行预处理,预处理后的数据作为目标轨迹点数据;
基于所述目标轨迹点数据,判别所述目标对象针对所述指定图形题目绘制的图形是否正确。
2.根据权利要求1所述的图形题目的判别方法,其特征在于,所述对所述轨迹点数据进行预处理,包括:
对所述轨迹点数据进行以下处理中一种或多种:
冗余轨迹点去除、笔画分割、笔画顺序确定、笔画轨迹平滑和冗余笔画去除。
3.根据权利要求1或2所述的图形题目的判别方法,其特征在于,所述基于所述目标轨迹点数据,判别所述目标对象针对所述指定图形题目绘制的图形是否正确,包括:
基于所述目标轨迹点数据,利用预设的判别规则或者预先建立的判别模型,判别所述目标对象针对所述指定图形题目绘制的图形是否正确。
4.根据权利要求3所述的图形题目的判别方法,其特征在于,基于所述目标轨迹点数据,利用所述判别模型,判别所述目标对象针对所述指定图形题目绘制的图形是否正确,包括:
基于所述指定图形题目的特性,通过所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形对应的图形特征;
将所述图形特征输入所述判别模型,获得所述判别模型输出的、用于指示所述目标对象针对所述指定图形题目绘制的图形是否正确的判别结果。
5.根据权利要求3所述的图形题目的判别方法,其特征在于,所述基于所述目标轨迹点数据,利用预设的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否正确,包括:
基于所述目标轨迹点数据,利用基于目标图形设定的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否满足所述指定图形题目的指定要求,其中,所述目标图形为满足所述指定图形题目的指定要求的图形;
若所述目标对象针对所述指定图形题目绘制的图形满足所述指定图形题目的指定要求,则确定所述目标对象针对所述指定图形题目绘制的图形正确,否则,确定所述目标对象针对所述指定图形题目绘制的图形错误。
6.根据权利要求2所述的图形题目的判别方法,其特征在于,所述冗余笔画包括重复笔画;
确定第一笔画与第二笔画是否存在重复笔画的过程包括:
若所述第一笔画的角度与所述第二笔画的角度的差值小于设定角度阈值,并且,存在n,使得所述第一笔画所包含的轨迹点中的后n个轨迹点的中点与所述第二笔画所包含的轨迹点中的前n个轨迹点间的距离随着n的递增而非单调递增,并且小于设定距离阈值,则确定所述第一笔画与所述第二笔画存在重复笔画;
其中,所述第一笔画和所述第二笔画的重复笔画为所述第一笔画的后n个轨迹点组成的笔画,或者,所述第二笔画的前n个轨迹点组成的笔画,或者,所述第一笔画的后n/2个轨迹点组成的笔画以及所述第二笔画的前n/2个轨迹点组成的笔画;所述第一笔画的绘制时间早于所述第二笔画的绘制时间,n小于或等于第一轨迹点数量和第二轨迹点数量中的最小数量,所述第一轨迹点数量为所述第一笔画所包含的轨迹点的数量,所述第二轨迹点数量为所述第二笔画所包含的轨迹点的数量。
7.根据权利要求4所述的图形题目的判别方法,其特征在于,所述基于所述指定图形题目的特性,通过所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形对应的图形特征,包括:
基于所述指定图形题目的特性,通过所述目标轨迹点数据,获取以下特征中的一种或多种的组合作为所述图形特征:
作图总时间、作图停顿总时间、作图停顿次数、作图的平均速度、作图的平均压力、顶点个数、顶点角度、图形笔画数、图形笔画总长度、除示例笔画外的笔画的总长度、除示例笔画外的笔画的角度。
8.根据权利要求7所述的图形题目的判别方法,其特征在于,通过所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形的顶点个数,包括:
基于目标轨迹点数据中各轨迹点的速度和角度确定至少一个拐点集合,其中,一个拐点集合中的任一拐点的速度小于该拐点集合对应的速度阈值,且角度大于该拐点集合对应的角度阈值;
对每个拐点集合中的拐点进行聚合,聚合后的点为顶点,一个拐点集合中的拐点聚合为一个顶点;
统计确定出的顶点的数量。
9.根据权利要求5所述的图形题目的判别方法,其特征在于,所述指定图形题目为指示所述目标对象绘制指定形状的图形的题目;
则所述基于所述目标轨迹点数据,利用基于目标图形设定的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否满足所述指定图形题目的指定要求,包括:
基于所述目标轨迹点数据,获取所述目标对象针对所述指定图形题目所绘制的图形对应的图形参数,所述图形参数能够表征所述目标对象针对所述指定图形题目绘制的图形的形状;
若所述图形参数与所述指定形状的图形对应的图形参数一致,则确定所述目标对象针对所述指定图形题目绘制的图形满足所述指定图形题目的指定要求。
10.根据权利要求5所述的图形题目的判别方法,其特征在于,所述指定图形题目为指示所述目标对象在指定位置按指定方向进行连线的题目;
则所述基于所述目标轨迹点数据,利用基于目标图形设定的判别规则,判别所述目标对象针对所述指定图形题目绘制的图形是否满足所述指定图形题目的指定要求,包括:
基于所述目标轨迹点数据,确定所述目标对象所绘制的各个笔画的长度和角度;
若各个笔画的长度均在对应的长度阈值范围内,且各个笔画的角度均在对应的角度阈值范围内,则确定所述目标对象针对所述指定图形题目绘制的图形满足所述指定图形题目的指定要求,否则确定所述目标对象针对所述指定图形题目绘制的图形不满足所述指定图形题目的指定要求。
11.一种对象的认知评估方法,其特征在于,包括:
利用如权利要求1~10中任意一项所述的图形题目的判别方法,对目标对象针对至少一个图形题目绘制的图形进行判别,获得所述至少一个图形题目对应的判别结果;
基于所述至少一个图形题目对应的判别结果,确定所述目标对象的认知评估结果。
12.一种图形题目的判别装置,其特征在于,包括:获取模块、预处理模块和判别模块;
所述获取模块,用于获取目标对象针对指定图形题目绘制图形的轨迹点数据;
所述预处理模块,用于对所述轨迹点数据进行预处理,预处理后的数据作为目标轨迹点数据;
所述判别模块,用于基于所述目标轨迹点数据,判别所述目标对象针对所述指定图形题目绘制的图形是否正确。
13.一种图形题目的判别设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,所述程序具体用于:
获取目标对象针对指定图形题目绘制图形的轨迹点数据;
对所述轨迹点数据进行预处理,预处理后的数据作为目标轨迹点数据;
基于所述目标轨迹点数据,判别所述目标对象针对所述指定图形题目绘制的图形是否正确。
14.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1~10中任一项所述的图形题目的判别方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811352610.2A CN109409329B (zh) | 2018-11-14 | 2018-11-14 | 图形题目的判别方法、评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811352610.2A CN109409329B (zh) | 2018-11-14 | 2018-11-14 | 图形题目的判别方法、评估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409329A true CN109409329A (zh) | 2019-03-01 |
CN109409329B CN109409329B (zh) | 2022-04-22 |
Family
ID=65473286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811352610.2A Active CN109409329B (zh) | 2018-11-14 | 2018-11-14 | 图形题目的判别方法、评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409329B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390624A (zh) * | 2019-07-25 | 2019-10-29 | 科大讯飞股份有限公司 | 一种图形评估方法、装置、设备及存储介质 |
CN110384484A (zh) * | 2019-07-25 | 2019-10-29 | 科大讯飞股份有限公司 | 一种图形评估方法、装置、设备及存储介质 |
CN110853431A (zh) * | 2019-10-23 | 2020-02-28 | 重庆大学 | 用于杆系结构内力图绘制的人机交互系统 |
CN112083870A (zh) * | 2020-09-09 | 2020-12-15 | 青岛海信商用显示股份有限公司 | 信息识别方法及设备 |
CN113535042A (zh) * | 2020-09-18 | 2021-10-22 | 厦门市和家健脑智能科技有限公司 | 基于老年人认知识别图像的生成方法和装置 |
CN115762756A (zh) * | 2022-11-07 | 2023-03-07 | 南京脑科医院 | 早期认知障碍量表绘图结果判别装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040213455A1 (en) * | 2003-02-25 | 2004-10-28 | Parascript Llc | Training an on-line handwriting recognizer |
CN102411790A (zh) * | 2011-07-21 | 2012-04-11 | 福州锐达数码科技有限公司 | 一种鼠标轨迹识别并自动生成图形的方法 |
CN102801735A (zh) * | 2012-08-28 | 2012-11-28 | 吴渊 | 基于行为方式的网络验证方法及系统 |
CN103197867A (zh) * | 2012-01-04 | 2013-07-10 | 海尔集团公司 | 基于触摸屏的应用程序控制方法及系统 |
CN103823989A (zh) * | 2014-03-07 | 2014-05-28 | 中国科学院合肥物质科学研究院 | 一种儿童精细运动量化评估方法 |
CN104050453A (zh) * | 2014-06-24 | 2014-09-17 | 南京师范大学 | 一种手写汉字笔势评价方法 |
US20140285624A1 (en) * | 2012-06-25 | 2014-09-25 | Adobe Systems Incorporated | 3d tracked point visualization using color and perspective size |
CN105227318A (zh) * | 2015-09-30 | 2016-01-06 | 北京奇艺世纪科技有限公司 | 一种身份认证方法和装置 |
CN107045393A (zh) * | 2016-02-05 | 2017-08-15 | 中国科学院软件研究所 | 基于数字笔的连线测试多通道数据采集方法及系统 |
CN107103634A (zh) * | 2017-04-20 | 2017-08-29 | 广州视源电子科技股份有限公司 | 图形轨迹绘制方法、装置、设备及计算机存储介质 |
CN107909067A (zh) * | 2017-11-06 | 2018-04-13 | 泉州市雄蓝教育科技有限公司 | 智能生成答题卡以及移动终端自动阅卷评分的考试系统 |
CN107977637A (zh) * | 2017-12-11 | 2018-05-01 | 上海启思教育科技服务有限公司 | 一种多题型的智能阅卷系统 |
CN107997933A (zh) * | 2017-11-27 | 2018-05-08 | 南京大学 | 一种具有实时评估功能的儿童视功能训练康复系统 |
CN108133736A (zh) * | 2017-12-22 | 2018-06-08 | 谢海群 | 一种自适应性认知功能评估方法及系统 |
CN108492870A (zh) * | 2017-02-23 | 2018-09-04 | 中国科学院软件研究所 | 基于数位笔的画钟测试检测方法及系统 |
-
2018
- 2018-11-14 CN CN201811352610.2A patent/CN109409329B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040213455A1 (en) * | 2003-02-25 | 2004-10-28 | Parascript Llc | Training an on-line handwriting recognizer |
CN102411790A (zh) * | 2011-07-21 | 2012-04-11 | 福州锐达数码科技有限公司 | 一种鼠标轨迹识别并自动生成图形的方法 |
CN103197867A (zh) * | 2012-01-04 | 2013-07-10 | 海尔集团公司 | 基于触摸屏的应用程序控制方法及系统 |
US20140285624A1 (en) * | 2012-06-25 | 2014-09-25 | Adobe Systems Incorporated | 3d tracked point visualization using color and perspective size |
CN102801735A (zh) * | 2012-08-28 | 2012-11-28 | 吴渊 | 基于行为方式的网络验证方法及系统 |
CN103823989A (zh) * | 2014-03-07 | 2014-05-28 | 中国科学院合肥物质科学研究院 | 一种儿童精细运动量化评估方法 |
CN104050453A (zh) * | 2014-06-24 | 2014-09-17 | 南京师范大学 | 一种手写汉字笔势评价方法 |
CN105227318A (zh) * | 2015-09-30 | 2016-01-06 | 北京奇艺世纪科技有限公司 | 一种身份认证方法和装置 |
CN107045393A (zh) * | 2016-02-05 | 2017-08-15 | 中国科学院软件研究所 | 基于数字笔的连线测试多通道数据采集方法及系统 |
CN108492870A (zh) * | 2017-02-23 | 2018-09-04 | 中国科学院软件研究所 | 基于数位笔的画钟测试检测方法及系统 |
CN107103634A (zh) * | 2017-04-20 | 2017-08-29 | 广州视源电子科技股份有限公司 | 图形轨迹绘制方法、装置、设备及计算机存储介质 |
CN107909067A (zh) * | 2017-11-06 | 2018-04-13 | 泉州市雄蓝教育科技有限公司 | 智能生成答题卡以及移动终端自动阅卷评分的考试系统 |
CN107997933A (zh) * | 2017-11-27 | 2018-05-08 | 南京大学 | 一种具有实时评估功能的儿童视功能训练康复系统 |
CN107977637A (zh) * | 2017-12-11 | 2018-05-01 | 上海启思教育科技服务有限公司 | 一种多题型的智能阅卷系统 |
CN108133736A (zh) * | 2017-12-22 | 2018-06-08 | 谢海群 | 一种自适应性认知功能评估方法及系统 |
Non-Patent Citations (4)
Title |
---|
ADEIRA, RUI NEVES 等: "Serious...ly! Just Kidding in Personalised Therapy Through Natural Interactions with Games", 《ADVANCES IN COMPUTER ENTERTAINMENT TECHNOLOGY》 * |
冯海波 等: "交互技术在手写公式编辑中的应用", 《计算机辅助设计与图形学学报》 * |
李聪 著: "《公共安全大数据技术与应用》", 31 October 2018 * |
邵欣 等: "《物联网技术及应用》", 30 June 2018 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390624A (zh) * | 2019-07-25 | 2019-10-29 | 科大讯飞股份有限公司 | 一种图形评估方法、装置、设备及存储介质 |
CN110384484A (zh) * | 2019-07-25 | 2019-10-29 | 科大讯飞股份有限公司 | 一种图形评估方法、装置、设备及存储介质 |
CN110390624B (zh) * | 2019-07-25 | 2023-05-30 | 科大讯飞股份有限公司 | 一种图形评估方法、装置、设备及存储介质 |
CN110853431A (zh) * | 2019-10-23 | 2020-02-28 | 重庆大学 | 用于杆系结构内力图绘制的人机交互系统 |
CN112083870A (zh) * | 2020-09-09 | 2020-12-15 | 青岛海信商用显示股份有限公司 | 信息识别方法及设备 |
CN112083870B (zh) * | 2020-09-09 | 2022-03-22 | 青岛海信商用显示股份有限公司 | 信息识别方法及设备 |
CN113535042A (zh) * | 2020-09-18 | 2021-10-22 | 厦门市和家健脑智能科技有限公司 | 基于老年人认知识别图像的生成方法和装置 |
CN113535042B (zh) * | 2020-09-18 | 2023-09-22 | 厦门市和家健脑智能科技有限公司 | 基于老年人认知识别图像的生成方法和装置 |
CN115762756A (zh) * | 2022-11-07 | 2023-03-07 | 南京脑科医院 | 早期认知障碍量表绘图结果判别装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109409329B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409329A (zh) | 图形题目的判别方法、评估方法、装置、设备及存储介质 | |
CN109508644B (zh) | 基于深度视频数据分析的面瘫等级评估系统 | |
CN111563887B (zh) | 一种口腔图像的智能分析方法与装置 | |
CN107330449A (zh) | 一种糖尿病性视网膜病变体征检测方法及装置 | |
CN107886503A (zh) | 一种消化道解剖位置识别方法及装置 | |
CN103996018B (zh) | 基于4dlbp的人脸识别方法 | |
CN106127108B (zh) | 一种基于卷积神经网络的人手图像区域检测方法 | |
CN108175425B (zh) | 一种分析处理装置和潜能值测验的认知指标分析方法 | |
CN106878677A (zh) | 基于多传感器的学生课堂掌握程度评估系统和方法 | |
CN106408564A (zh) | 一种基于深度学习的眼底图像处理方法、装置及系统 | |
CN105022929A (zh) | 一种人格特质值测验的认知准确度分析方法 | |
CN104809480A (zh) | 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN112472048B (zh) | 用于心血管疾病患者脉象识别的神经网络的实现方法 | |
CN106845147A (zh) | 医学经验总结模型的建立方法、装置及数据评估方法 | |
CN111242933B (zh) | 视网膜图像动静脉的分类装置、设备及存储介质 | |
CN108648179A (zh) | 一种分析肺结节的方法及装置 | |
EP3567597A1 (en) | Method and apparatus of diagnostic test | |
CN107330455A (zh) | 图像评价方法 | |
CN109784312A (zh) | 教学管理方法及装置 | |
CN105205504B (zh) | 一种基于数据驱动的图像关注区域质量评价指标学习方法 | |
CN107748889A (zh) | 一种乳腺肿瘤超声图像自动分类方法 | |
CN106203284A (zh) | 基于卷积神经网络和条件随机场的人脸检测方法 | |
CN103258545A (zh) | 一种病理嗓音细分方法 | |
CN106372729A (zh) | 用于心理分析的深度学习方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |