CN110459327A - 一种基于深度学习的自闭症刻板行为分析方法及系统 - Google Patents
一种基于深度学习的自闭症刻板行为分析方法及系统 Download PDFInfo
- Publication number
- CN110459327A CN110459327A CN201910727267.3A CN201910727267A CN110459327A CN 110459327 A CN110459327 A CN 110459327A CN 201910727267 A CN201910727267 A CN 201910727267A CN 110459327 A CN110459327 A CN 110459327A
- Authority
- CN
- China
- Prior art keywords
- stereotypic behavior
- self
- closing disease
- stereotypic
- patient
- 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.)
- Pending
Links
- 230000004006 stereotypic behavior Effects 0.000 title claims abstract description 113
- 201000010099 disease Diseases 0.000 title claims abstract description 74
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 74
- 238000004458 analytical method Methods 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 230000009471 action Effects 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 11
- 210000005036 nerve Anatomy 0.000 claims description 9
- 238000011158 quantitative evaluation Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 210000001217 buttock Anatomy 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 210000003414 extremity Anatomy 0.000 claims description 3
- 238000013499 data model Methods 0.000 abstract 1
- 230000004927 fusion Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 abstract 1
- 206010003805 Autism Diseases 0.000 description 2
- 208000020706 Autistic disease Diseases 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 241000883990 Flabellum Species 0.000 description 1
- 206010029897 Obsessive thoughts Diseases 0.000 description 1
- 208000012202 Pervasive developmental disease Diseases 0.000 description 1
- 208000004350 Strabismus Diseases 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 208000029560 autism spectrum disease Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009329 sexual behaviour Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提出的提供的一种基于深度学习的自闭症刻板行为分析系统，包括虚刻板行为综合分析装置，刻板行为动作识别装置和刻板行为动作分类装置，能够在早期自闭症患者年幼时通过刻板行为的发现与分析，及早筛查患者并进行早期干预治疗，过深度学习多个动作识别算法的融合，在自建的刻板行为数据模型和已有视频资料的基础上，仅需要监控或录像视频，便可在复杂、多人等场景中识别并分析自闭症患者的刻板行为，使得其成本及其低廉，也不需要进行额外配置或固定场景搭设。
Description
技术领域
本发明涉及辅助康复训练领域，具体涉及一种基于深度学习的自闭症刻板行为分析方法及系统。
背景技术
自闭症，又称儿童孤独症，是广泛性发育障碍的一种精神疾病。自闭症没有已知的治愈的方法，只能通过早期的干预训练，提高自闭症患者社交沟通和独立生活的能力。因而对于早期自闭症患者进行筛查、及早发现显得尤为重要。
自闭症孩子普遍存在着兴趣狭隘和有重复刻板行为的现象，重复刻板行具体为三类：身体动作的重复和刻板；对物体施加的重复、刻板和仪式行为；重复学习行为和强迫性思维。因此通过动作识别技术，对疑似自闭症孩子的重复刻板行为进行分析，可以有助于实现对早期自闭症患者的筛查和分析。
发明内容
本发明的目的是提供一种基于深度学习的自闭症刻板行为分析方法及系统，能够在早期自闭症患者年幼时通过刻板行为的发现与分析，及早筛查患者并进行早期干预治疗。
为了达到上述目的，本发明一方面提供一种基于深度学习的自闭症刻板行为分析方法，包括以下步骤：
分析人体动作的视频序列并提取人体骨架模型，获得人体动作信息；
将人体动作信息输入刻板行为分析模型，获得自闭症患者典型刻板行为的判断结果；
将判断结果输入刻板行为分类模型，获得自闭症患者刻板行为的综合分析和评估。
具体的，所述人体动作的视频序列包括学校、家庭、医院等多人场景。
具体的，对所述人体动作的视频序列进行采样、修改帧率和宽高比，形成所述视频序列的统一格式化数据。
具体的，所述人体骨架模型包括患者五官、手指、脖子、臀部、四肢、脊椎和肩膀的动作。
具体的，所述刻板行为分析模型包括经过深度学习的第一神经网络；
所述第一神经网络根据经过训练的典型自闭症刻板行为类型对患者动作进行识别，根据识别结果对患者动作进行分类标签；
以典型自闭症刻板行为类型作为权重，根据分类标签对患者动作进行识别准确度的加权平均值计算。
具体的，所述刻板行为分析模型还包括：
所述第一神经网络经过训练的典型自闭症刻板行为类型对患者动作进行识别，根据识别结果将未被识别的患者动作形成一个新的典型自闭症刻板行为类型。
具体的，所述刻板行为分类模型包括经过深度学习的第二神经网络；
所述第二神经网络根据经过训练的刻板行为的严重等级和频率，对所述刻板行为分析模型判断的患者行为进行量化评估；
根据患者行为的量化评估结果，完成对早期自闭症患者的筛查。
具体的，所述刻板行为分类模型还包括：
根据自闭症刻板行为的严重等级和频率，建立患者行为的量化评估标准。
另一方面，本发明还一种基于深度学习的自闭症刻板行为分析系统，包括：
刻板行为综合分析装置，分析人体动作的视频序列并提取人体骨架模型，获得人体动作信息；
刻板行为动作识别装置，将人体动作信息输入刻板行为分析模型，获得自闭症患者典型刻板行为的判断结果；
刻板行为动作分类装置，将判断结果输入刻板行为分类模型，获得自闭症患者刻板行为的综合分析和评估。
具体的，所述刻板行为综合分析装置，刻板行为动作识别装置和刻板行为动作分类装置均包括至少一个处理器及至少一个存储介质，所述存储介质存储有计算机程序，使得所述处理器执行权利要求上述方法的步骤。
本发明与现有技术相比具有以下技术改进和优点：
1)本发明相比传统问卷打分形式的自闭症筛查摒除了其根深蒂固的主观性，无需人为观测，通过对自闭症刻板行为视频的分析更加客观。
2)本发明可以在多人复杂场景中基于视频进行大规模筛查，无需逐个患者长时间观察，成本更低廉，更能在未来为每个早期患者提供帮助。
3)可以对刻板行为严重程度以及频率进行量化分析，更能判断患者位于孤独症谱系中的哪一段。
4)本发明对于行为分析的计算接近实时，方便快捷。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种基于深度学习的自闭症刻板行为分析方法的流程图；
图2为本发明一个实施例的一种基于深度学习的自闭症刻板行为分析系统的系统架构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的一种基于深度学习的自闭症刻板行为分析方法及系统，首先将参照附图描述根据本发明实施例提出的一种基于深度学习的自闭症刻板行为分析方法。
图1是本发明一个实施例的一种基于深度学习的自闭症刻板行为分析方法的流程图。
如图1所示，该自闭症患者的刻板行为分析方法包括步骤：
S101,分析人体动作的视频序列并提取人体骨架模型，获得人体动作信息。
在本发明的一个实施例中，刻板行为综合分析系统通过输入学校、家庭、医院监控/录像视频等监控视频，对复杂多人场景进行分析。
具体的，在获得包括多人场景的视频序列之后，首先对长视频进行采样成近10秒或更短的短视频，调整帧率和宽高比进行归一化，或对视频进行反转拉升等增强效果，以形成格式化数据。
在本发明的一个实施例中，通过对人体骨骼，RGB,光流以及基于LSTM等算法提取动作特征，结合算法对刻板行为动作进行识别。其中，所述人体骨架模型包括患者五官、手指、脖子、臀部、四肢、脊椎和肩膀的动作。
S102，刻板行为分析装置将人体动作信息输入刻板行为分析模型，获得自闭症患者典型刻板行为的判断结果。
在本发明的一个实施例中，所述刻板行为分析模型包括经过深度学习的第一神经网络。第一神经网络根据经过训练的典型自闭症刻板行为类型对患者动作进行识别，根据识别结果对患者动作进行分类标签。以典型自闭症刻板行为类型作为权重，根据分类标签对患者动作进行识别准确度的加权平均值计算。根据加权平均值计算结果判断患者的动作是否为典型的自闭症刻版行为。第一神经网络经过训练的典型自闭症刻板行为类型对患者动作进行识别，根据识别结果将未被识别的患者动作形成一个新的典型自闭症刻板行为类型。
其中，典型自闭症刻板行为类型包括身体动作的重复和刻板：经常看自己的手；经常仰头看灯；无意义地双手或单手扭动等怪异动作；无聊时玩手指，兴奋时挥舞或扑动双手；前后或左右摇晃身体；原地转圈或围着圈跑；在客厅直线来回跑；反复上下楼梯；斜眼睛看线条或朝某个方向看；经常踮脚尖走路；接触任何东西都要嗅一嗅、舔一舔或咬一咬。
进一步的，典型自闭症刻板行为类型还包括对物体施加的重复、刻板和仪式行为、反复开门、窗或抽屉；观察不断开关的自动门；旋转圆形的物品，例如球、车轮、盘子、奶粉罐等；长时间观看转动的风扇、排气扇、公调室外机的扇叶、发廊门口的转灯等；反复排列积木、车、饮料瓶、鞋子、盒子、凳子等；按某种方式排列物品，例如相同颜色或形状的排列在一起，饮料瓶上的商标要统一方向排列；仪式性行为。例如看见厕所就一定要尿尿；经过小区门口的大石头要围着转一圈；出门前一定要关灯、关电视、关门；进入陌生房间时用手摸一遍四周的墙；做某个动作后说一句固定的话，坚持按固定的路线去商场；反复看同一个电视广告；固定时间看天气预报、新闻联播、英语频道、动画片天线宝宝；重复唱某一首儿歌或经常背一些广告词；收集某一类物品，例如药盒、广告宣传单，并长时间专注广吿上面的字；手里经常拿着同样的物品不肯放下；反复坐电梯；坐汽车时持续专注道路两旁移动的车、建筑或树木；喜欢看电子屏幕中移动的字；喜欢将东西放进细缝或洞洞里，对这个把这个扔到垃圾桶”的指令服从得特别好；看不懂书却喜欢一页一页地翻书等。
进一步的，典型自闭症刻板行为类型还包括重复学习行为和强迫性思维：主要表现为对字母、数字、文字感兴趣，留意书的页数、车牌的数字、电梯到达的楼层数、公共汽车线路数等；每天重复画相同的人物或物品；喜欢研究地图、国旗、公共汽车线路、地铁线路；对各种汽车标志、银行、空调、电视台的标志很有兴趣；常常“研究”室外的下水道口、沙井盖、消防水龙头、停车场自动杆等。
步骤103，刻板行为动作分类装置将判断结果输入刻板行为分类模型，获得自闭症患者刻板行为的综合分析和评估。
在本发明的一个实施例中，刻板行为分类模型包括经过深度学习的第二神经网络。刻板行为分类模型首先根据自闭症刻板行为的严重等级和频率，建立患者行为的量化评估标准。第二神经网络根据经过训练的刻板行为的严重等级和频率，对所述刻板行为分析模型判断的患者行为通过等级分类以及一些聚类等算法，将识别出的动作归类以进行量化评估。根据患者行为的量化评估结果，完成对早期自闭症患者的筛查。
本方法利用了深度学习的算法应用于自闭症患者刻板行为分析，通过接近实时、更低廉、更方便、更客观、适用范围更广的方法，在多人复杂场景中基于视频进行大规模筛查早期自闭症患者，为患者提供早期干预治疗起到了重中之重的作用，提高自闭症患者在成年后可以具有独立生活的能力，减轻自闭症家庭和整个社会的负担。
另一方面，本发明还一种基于深度学习的自闭症刻板行为分析系统，包括：
刻板行为综合分析装置1，分析人体动作的视频序列并提取人体骨架模型，获得人体动作信息；
刻板行为动作识别装置2，将人体动作信息输入刻板行为分析模型，获得自闭症患者典型刻板行为的判断结果；
刻板行为动作分类装置3，将判断结果输入刻板行为分类模型，获得自闭症患者刻板行为的综合分析和评估。
具体的，所述刻板行为综合分析装置1，刻板行为动作识别装置2和刻板行为动作分类装置3均包括至少一个处理器及至少一个存储介质，所述存储介质存储有计算机程序，使得所述处理器执行上述方法的步骤。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的自闭症刻板行为分析方法，其特征在于，包括以下步骤：
分析人体动作的视频序列并提取人体骨架模型，获得人体动作信息；
将人体动作信息输入刻板行为分析模型，获得自闭症患者典型刻板行为的判断结果；
将判断结果输入刻板行为分类模型，获得自闭症患者刻板行为的综合分析和评估。
2.如权利要求1所述的一种基于深度学习的自闭症刻板行为分析方法，其特征在于，所述人体动作的视频序列包括学校、家庭、医院等多人场景。
3.如权利要求2所述的一种基于深度学习的自闭症刻板行为分析方法，其特征在于，对所述人体动作的视频序列进行采样、修改帧率和宽高比，形成所述视频序列的统一格式化数据。
4.如权利要求1所述的一种基于深度学习的自闭症刻板行为分析方法，其特征在于，所述人体骨架模型包括患者五官、手指、脖子、臀部、四肢、脊椎和肩膀的动作。
5.如权利要求1所述的一种基于深度学习的自闭症刻板行为分析方法，其特征在于，所述刻板行为分析模型包括经过深度学习的第一神经网络；
所述第一神经网络根据经过训练的典型自闭症刻板行为类型对患者动作进行识别，根据识别结果对患者动作进行分类标签；
以典型自闭症刻板行为类型作为权重，根据分类标签对患者动作进行识别准确度的加权平均值计算。
6.如权利要求5所述的一种基于深度学习的自闭症刻板行为分析方法，其特征在于，所述刻板行为分析模型还包括：
所述第一神经网络经过训练的典型自闭症刻板行为类型对患者动作进行识别，根据识别结果将未被识别的患者动作形成一个新的典型自闭症刻板行为类型。
7.如权利要求1或5所述的任一种基于深度学习的自闭症刻板行为分析方法，其特征在于，所述刻板行为分类模型包括经过深度学习的第二神经网络；
所述第二神经网络根据经过训练的刻板行为的严重等级和频率，对所述刻板行为分析模型判断的患者行为进行量化评估；
根据患者行为的量化评估结果，完成对早期自闭症患者的筛查。
8.如权利要求7所述的任一种基于深度学习的自闭症刻板行为分析方法，其特征在于，所述刻板行为分类模型还包括：
根据自闭症刻板行为的严重等级和频率，建立患者行为的量化评估标准。
9.一种基于深度学习的自闭症刻板行为分析系统，其特征在于，包括：
刻板行为综合分析装置，分析人体动作的视频序列并提取人体骨架模型，获得人体动作信息；
刻板行为动作识别装置，将人体动作信息输入刻板行为分析模型，获得自闭症患者典型刻板行为的判断结果；
刻板行为动作分类装置，将判断结果输入刻板行为分类模型，获得自闭症患者刻板行为的综合分析和评估。
10.如权利要求9所述的一种基于深度学习的自闭症刻板行为分析系统，其特征在于，所述刻板行为综合分析装置，刻板行为动作识别装置和刻板行为动作分类装置均包括至少一个处理器及至少一个存储介质，所述存储介质存储有计算机程序，使得所述处理器执行权利要求上述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910727267.3A CN110459327A (zh) | 2019-08-07 | 2019-08-07 | 一种基于深度学习的自闭症刻板行为分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910727267.3A CN110459327A (zh) | 2019-08-07 | 2019-08-07 | 一种基于深度学习的自闭症刻板行为分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110459327A true CN110459327A (zh) | 2019-11-15 |
Family
ID=68485381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910727267.3A Pending CN110459327A (zh) | 2019-08-07 | 2019-08-07 | 一种基于深度学习的自闭症刻板行为分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110459327A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111048200A (zh) * | 2019-11-25 | 2020-04-21 | 上海交通大学 | 一种自闭症患者刻板行为评估系统、方法及终端 |
| CN113269079A (zh) * | 2021-05-20 | 2021-08-17 | 北京阿叟阿巴科技有限公司 | 基于视频层次化比对分析和等级行为范式的儿童孤独症早期评估装置及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069304A (zh) * | 2015-08-18 | 2015-11-18 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于机器学习的评估预测asd的方法 |
| US20160179786A1 (en) * | 2014-12-19 | 2016-06-23 | International Business Machines Corporation | Diagnosing autism spectrum disorder using natural language processing |
| CN108922617A (zh) * | 2018-06-26 | 2018-11-30 | 电子科技大学 | 一种基于神经网络的自闭症辅助诊断方法 |
| CN109381200A (zh) * | 2018-10-18 | 2019-02-26 | 昆山杜克大学 | 基于分离重聚范式和计算机视觉的孤独症初级筛查装置 |
-
2019
- 2019-08-07 CN CN201910727267.3A patent/CN110459327A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160179786A1 (en) * | 2014-12-19 | 2016-06-23 | International Business Machines Corporation | Diagnosing autism spectrum disorder using natural language processing |
| CN105069304A (zh) * | 2015-08-18 | 2015-11-18 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于机器学习的评估预测asd的方法 |
| CN108922617A (zh) * | 2018-06-26 | 2018-11-30 | 电子科技大学 | 一种基于神经网络的自闭症辅助诊断方法 |
| CN109381200A (zh) * | 2018-10-18 | 2019-02-26 | 昆山杜克大学 | 基于分离重聚范式和计算机视觉的孤独症初级筛查装置 |
Non-Patent Citations (1)
| Title |
|---|
| 郑荣双等: "自闭症刻板重复行为的心理学理论及干预方法", 《中国特殊教育》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111048200A (zh) * | 2019-11-25 | 2020-04-21 | 上海交通大学 | 一种自闭症患者刻板行为评估系统、方法及终端 |
| CN113269079A (zh) * | 2021-05-20 | 2021-08-17 | 北京阿叟阿巴科技有限公司 | 基于视频层次化比对分析和等级行为范式的儿童孤独症早期评估装置及系统 |
| CN113269079B (zh) * | 2021-05-20 | 2024-01-05 | 北京阿叟阿巴科技有限公司 | 基于视频层次化比对分析和等级行为范式的儿童孤独症早期评估装置及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ulrich | Human responses to vegetation and landscapes | |
| Carr | The young tourist: A case of neglected research | |
| Turel et al. | Evaluation of elderly people's requirements in public open spaces: A case study in Bornova District (Izmir, Turkey) | |
| Hillnhütter | Stimulating urban walking environments–Can we measure the effect? | |
| Ngesan et al. | Urban community perception on nighttime leisure activities in improving public park design | |
| Lima et al. | Walking accessibility for individuals with reduced mobility: a Brazilian case study | |
| CN110459327A (zh) | 一种基于深度学习的自闭症刻板行为分析方法及系统 | |
| Belon et al. | Possibilities and challenges for physical and social environment research in Brazil: a systematic literature review on health behaviors | |
| Zhang et al. | Effects of tree canopy on psychological distress: A repeated cross-sectional study before and during the COVID-19 epidemic | |
| Zabetian et al. | Comparative evaluation of relationship between psychological adaptations in order to reach thermal comfort and sense of place in urban spaces | |
| Seidel et al. | Architects, urban design, health, and the built environment | |
| Li et al. | Exploring Strategies for Improving Green Open Spaces in Old Downtown Residential Communities from the Perspective of Public Health to Enhance the Health and Well‐Being of the Aged | |
| Assari et al. | Impact of built environment on mental health: Review of Tehran City in Iran | |
| De Franco et al. | The city as an information system: Urban agency, experiential inputs and planning measures | |
| Sarimin et al. | Assessing a Walkable Environment in Jalan Tuanku Abdul Rahman, Kuala Lumpur, Malaysia | |
| Pinto et al. | Key Characteristics of an Age Friendly Neighbourhood | |
| Musselwhite | Designing public space for an ageing population: Improving pedestrian mobility for older people | |
| Wagiman et al. | Elderly care centre | |
| Kencono et al. | Do Cultural Values Affect the Implementation of Smart Living Policy in Yogyakarta City? | |
| Litsmark et al. | Children's independent mobility during dark hours: a scoping review | |
| Xiao | A study to explore smellscape: From understanding and interpretation to evaluation and design in urban intermodal transit spaces in UK and China | |
| Dörrzapf et al. | Walk & Feel-a New Integrated Walkability Research Approach | |
| Pekalee et al. | In-home environment and happiness among older adults in Thailand | |
| Fallahranjbar et al. | Development of a Measuring Tool for Walkability in the Street Scale-the case study of Hamburg | |
| Cachadinha | Characteristics of an age-friendly neighbourhood built environment: comparison of age-friendly community models with empirical evidence |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |
|
| RJ01 | Rejection of invention patent application after publication |