CN111883252A - 一种婴儿自闭症辅助诊断方法、装置、设备和存储介质 - Google Patents
一种婴儿自闭症辅助诊断方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111883252A CN111883252A CN202010745343.6A CN202010745343A CN111883252A CN 111883252 A CN111883252 A CN 111883252A CN 202010745343 A CN202010745343 A CN 202010745343A CN 111883252 A CN111883252 A CN 111883252A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- class
- diagnostic
- autism
- infantile autism
- 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
Images
Classifications
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本发明公开了一种婴儿自闭症辅助诊断方法,包括获取诊断对象的基本信息,将基本信息编码成第一类特征向量;获取诊断对象的动态信息,利用卷积神经网络从动态信息中提取第二类特征向量;对诊断对象进行刺激的同时,获取诊断对象基于刺激产生的反应数据,提取第三类特征向量;利用神经网络接收第一类特征向量、第二类特征向量和第三类特征向量的输入,并输出诊断对象的表现行为标签;基于表现行为标签,输出诊断对象自闭症可能性信息。本发明还提供了婴儿自闭症辅助诊断装置、设备和存储介质,能够基于多模态深度学习,在婴儿出现临床症状之前,就对其自闭症进行早期诊断和干预,更好的辅助婴儿自闭症的治疗。
Description
技术领域
本发明属于人工智能技术领域,特别是涉及一种婴儿自闭症辅助诊断方法、装置、设备和存储介质。
背景技术
近年来,全球自闭症发病率呈现出攀升趋势,大量的自闭症人士面临着诊断与治疗资源缺乏的困境。在这一背景下,科学家和医生开始将人工智能应用于人工智能的早期诊断和康复训练。自闭症又称孤独症,是一种神经发育障碍疾病,在1943年被首次报告和描述,它的主要特征包括语言发育迟滞、行为重复刻板、社会交往和沟通存在障碍等等。尽管距人类首次报告自闭症已经过去这么多年,自闭症的诊断与治疗仍然存在诸多困难,其中之一就是早期诊断和干预。一般而言,成人的自闭症诊断可以依据其语言表达来进行,但是婴儿无法用语言表达,因此只能通过观察其行为来诊断,而且,医生在婴儿两岁以后才能对其进行观测和评估,从而决定该婴儿是否需要进行医学干预,但是这可能导致自闭症婴儿错过最好的干预时机。
由于神经退行性疾病患者的大脑变化通常出现在临床表现之前,也就是说,大脑影像会首先出现变化,基于这种观察,就可以诊断出婴儿是否需要进行早期干预,但是现有技术中还没有类似这种的诊断方法。
发明内容
为解决上述问题,本发明提供了一种婴儿自闭症辅助诊断方法、装置、设备和存储介质,能够基于多模态深度学习,在婴儿出现临床症状之前,就对其自闭症进行早期诊断和干预,更好的辅助婴儿自闭症的治疗。
本发明提供的一种婴儿自闭症辅助诊断方法,包括:
获取诊断对象的基本信息,将所述基本信息编码成第一类特征向量;
获取所述诊断对象的动态信息,利用卷积神经网络从所述动态信息中提取第二类特征向量;
对所述诊断对象进行刺激的同时,获取所述诊断对象基于所述刺激产生的反应数据,提取第三类特征向量;
利用神经网络接收所述第一类特征向量、所述第二类特征向量和所述第三类特征向量的输入,并输出所述诊断对象的表现行为标签;
基于所述表现行为标签,输出诊断对象自闭症可能性信息。
优选的,在上述婴儿自闭症辅助诊断方法中,所述获取诊断对象的基本信息包括:
获取所述诊断对象的年龄、性别、身长和体重信息。
优选的,在上述婴儿自闭症辅助诊断方法中,所述获取所述诊断对象的动态信息包括:
获取所述诊断对象的面部表情、头部和身体动作、音频、心电图、脑电图、心率、体温和皮肤汗液数据。
优选的,在上述婴儿自闭症辅助诊断方法中,所述对所述诊断对象进行刺激的同时,获取所述诊断对象基于所述刺激产生的反应数据包括:
利用不同颜色和不同形状的物品对所述诊断对象进行刺激的同时,获取所述诊断对象基于所述刺激产生的反应数据。
本发明提供的一种婴儿自闭症辅助诊断装置,包括:
第一获取单元,用于获取诊断对象的基本信息,将所述基本信息编码成第一类特征向量;
第二获取单元,用于获取所述诊断对象的动态信息,利用卷积神经网络从所述动态信息中提取第二类特征向量;
第三获取单元,用于对所述诊断对象进行刺激的同时,获取所述诊断对象基于所述刺激产生的反应数据,提取第三类特征向量;
第一输出单元,用于利用神经网络接收将所述第一类特征向量、所述第二类特征向量和所述第三类特征向量的输入,并输出所述诊断对象的表现行为标签;
第二输出单元,用于基于所述表现行为标签,输出诊断对象自闭症可能性信息。
优选的,在上述婴儿自闭症辅助诊断装置中,所述第一获取单元具体用于获取所述诊断对象的年龄、性别、身长和体重信息。
优选的,在上述婴儿自闭症辅助诊断装置中,所述第二获取单元具体用于获取所述诊断对象的面部表情、头部和身体动作、音频、心电图、脑电图、心率、体温和皮肤汗液数据。
优选的,在上述婴儿自闭症辅助诊断装置中,所述第三获取单元具体用于利用不同颜色和不同形状的物品对所述诊断对象进行刺激的同时,获取所述诊断对象基于所述刺激产生的反应数据。
本发明提供的一种婴儿自闭症辅助诊断设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上面任一项所述婴儿自闭症辅助诊断方法的步骤。
本发明提供的一种存储介质,所述存储介质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如上面任一项所述婴儿自闭症辅助诊断方法的步骤。
通过上述描述可知,本发明提供的上述婴儿自闭症辅助诊断方法,由于包括先获取诊断对象的基本信息,将所述基本信息编码成第一类特征向量;然后获取所述诊断对象的动态信息,利用卷积神经网络从所述动态信息中提取第二类特征向量;再对所述诊断对象进行刺激的同时,获取所述诊断对象基于所述刺激产生的反应数据,提取第三类特征向量;然后利用神经网络接收所述第一类特征向量、所述第二类特征向量和所述第三类特征向量的输入,并输出所述诊断对象的表现行为标签;最后基于所述表现行为标签,输出诊断对象自闭症可能性信息,因此,即使婴儿不会用语言表达想法,利用该方法也能够基于多模态深度学习,在婴儿出现临床症状之前,对其自闭症进行早期诊断和干预,更好的辅助婴儿自闭症的治疗。本发明提供的上述婴儿自闭症辅助诊断装置、设备和存储介质,具有与上述方法同样的优点。
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为本发明提供的一种婴儿自闭症辅助诊断方法的实施例的示意图;
图2为本发明提供的一种婴儿自闭症辅助诊断装置的实施例的示意图;
图3为本发明提供的一种婴儿自闭症辅助诊断设备的实施例的示意图。
具体实施方式
本发明的核心是提供一种婴儿自闭症辅助诊断方法、装置、设备和存储介质,能够基于多模态深度学习,在婴儿出现临床症状之前,就对其自闭症进行早期诊断和干预,更好的辅助婴儿自闭症的治疗。
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,都属于本发明保护的范围。
本发明提供的一种婴儿自闭症辅助诊断方法的实施例如图1所示,图1为本发明提供的一种婴儿自闭症辅助诊断方法的实施例的示意图,该方法包括如下步骤:
S1:获取诊断对象的基本信息,将基本信息编码成第一类特征向量;
具体的,该步骤可以获取诊断对象的年龄、性别、身长和体重信息,在可能的情况下,还可以获取头围、胸围和骨骼密度等信息,此处并不限制,还需要说明的是,这些信息可以是由婴儿的父母提供,或者由医院进行简单的体检而得到,通过Encoder将其编码形成第一类特征向量。
S2:获取诊断对象的动态信息,利用卷积神经网络从动态信息中提取第二类特征向量;
需要说明的是,这些动态信息可以包括获取诊断对象的面部表情、头部和身体动作、音频、心电图、脑电图、心率、体温和皮肤汗液数据。具体的,可以利用摄像头来拍摄面部表情、头部和身体动作,利用音频采集设备如麦克风采集诊断对象的音频数据,可以利用可穿戴设备来采集心电图、脑电图、心率、体温和皮肤汗液数据等等,这些信息共同构成了婴儿的参与度指标。具体操作时,可以根据时序关系,选择设定时间间隔超参数,将其分段处理:采用CNN卷积神经网络提取婴儿面部表情特征、头部动作特征、身体动作特征以及婴儿发出声音特征,形成对应的多个特征向量;采用CNN卷积神经网络提取心电图和脑电图的特征,形成心电图特征向量和脑电图特征向量;将采集的心率、体温、皮肤汗液数据等进行编码,形成上述第二类特征向量。
S3:对诊断对象进行刺激的同时,获取诊断对象基于刺激产生的反应数据,提取第三类特征向量;
需要说明的是,可以利用不同颜色和不同形状的物品对诊断对象进行刺激的同时,获取诊断对象基于刺激产生的反应数据,例如可以利用红、黄、蓝、绿、棕、粉这6种颜色偏好的异同和不同形状的物品采集婴儿对其作出的反应的相关数据。还可以利用上下晃动小球或者让小球变大变小等方式来刺激诊断对象,观察其变化。
S4:利用神经网络接收第一类特征向量、第二类特征向量和第三类特征向量的输入,并输出诊断对象的表现行为标签;
具体的,可以利用LSTM神经网络(Long Short Term Model,一种经典的RNN模型),将上述各种类型的特征向量输入到该神经网络中,输出婴儿的表现行为标签,比如兴奋、沮丧、高兴、无表情并且每一个都有相应的程度比如兴奋可以设置5个等级,以确定婴儿表现的高兴或沮丧,对什么有兴趣,以及他们的参与度如何。
S5:基于表现行为标签,输出诊断对象自闭症可能性信息。
具体的,可以基于异常检测分类器和LSTM神经网络,输出诊断对象的自闭症的可能性,辅助医生进行诊断。可见,通过采集大量数据进行训练,与正常婴儿进行数据对比,提取出异常行为的婴儿数据,将自闭婴儿和正常婴儿对颜色和模型的喜欢和排斥进行记录,以辅助对自闭婴儿看护时的注意依据。
通过上述描述可知,本发明提供的上述婴儿自闭症辅助诊断方法的实施例中,由于包括先获取诊断对象的基本信息,将基本信息编码成第一类特征向量;然后获取诊断对象的动态信息,利用卷积神经网络从动态信息中提取第二类特征向量;再对诊断对象进行刺激的同时,获取诊断对象基于刺激产生的反应数据,提取第三类特征向量;然后利用神经网络接收第一类特征向量、第二类特征向量和第三类特征向量的输入,并输出诊断对象的表现行为标签;最后基于表现行为标签,输出诊断对象自闭症可能性信息,因此,即使婴儿不会用语言表达想法,利用该方法也能够基于多模态深度学习,在婴儿出现临床症状之前,对其自闭症进行早期诊断和干预,更好的辅助婴儿自闭症的治疗。
本发明提供的一种婴儿自闭症辅助诊断装置的实施例如图2所示,图2为本发明提供的一种婴儿自闭症辅助诊断装置的实施例的示意图,该装置包括:
第一获取单元201,用于获取诊断对象的基本信息,将基本信息编码成第一类特征向量,具体的,可以获取诊断对象的年龄、性别、身长和体重信息,在可能的情况下,还可以获取头围、胸围和骨骼密度等信息,此处并不限制,还需要说明的是,这些信息可以是由婴儿的父母提供,或者由医院进行简单的体检而得到,通过Encoder将其编码形成第一类特征向量;
第二获取单元202,用于获取诊断对象的动态信息,利用卷积神经网络从动态信息中提取第二类特征向量,需要说明的是,这些动态信息可以包括获取诊断对象的面部表情、头部和身体动作、音频、心电图、脑电图、心率、体温和皮肤汗液数据。具体的,可以利用摄像头来拍摄面部表情、头部和身体动作,利用音频采集设备如麦克风采集诊断对象的音频数据,可以利用可穿戴设备来采集心电图、脑电图、心率、体温和皮肤汗液数据等等,这些信息共同构成了婴儿的参与度指标,具体操作时,可以根据时序关系,选择设定时间间隔超参数,将其分段处理:采用CNN卷积神经网络提取婴儿面部表情特征、头部动作特征、身体动作特征以及婴儿发出声音特征,形成对应的多个特征向量;采用CNN卷积神经网络提取心电图和脑电图的特征,形成心电图特征向量和脑电图特征向量;将采集的心率、体温、皮肤汗液数据等进行编码,形成上述第二类特征向量;
第三获取单元203,用于对诊断对象进行刺激的同时,获取诊断对象基于刺激产生的反应数据,提取第三类特征向量,需要说明的是,可以利用不同颜色和不同形状的物品对诊断对象进行刺激的同时,获取诊断对象基于刺激产生的反应数据,例如可以利用红、黄、蓝、绿、棕、粉这6种颜色偏好的异同和不同形状的物品采集婴儿对其做出的反应的相关数据。还可以利用上下晃动小球或者让小球变大变小等方式来刺激诊断对象,观察其变化;
第一输出单元204,用于利用神经网络接收将第一类特征向量、第二类特征向量和第三类特征向量的输入,并输出诊断对象的表现行为标签,具体的,可以利用LSTM神经网络(Long Short Term Model,一种经典的RNN模型),将上述各种类型的特征向量输入到该神经网络中,输出婴儿的表现行为标签,比如兴奋、沮丧、高兴、无表情并且每一个都有相应的程度比如兴奋可以设置5个等级,以确定婴儿表现的高兴或沮丧,对什么有兴趣,以及他们的参与度如何;
第二输出单元205,用于基于表现行为标签,输出诊断对象自闭症可能性信息,具体的,可以基于异常检测分类器和LSTM神经网络,输出诊断对象的自闭症的可能性,辅助医生进行诊断。可见,通过采集大量数据进行训练,与正常婴儿进行数据对比,提取出异常行为的婴儿数据,将自闭婴儿和正常婴儿对颜色和模型的喜欢和排斥进行记录,以辅助对自闭婴儿看护时的注意依据。
综上所述,利用上述装置能够基于多模态深度学习,在婴儿出现临床症状之前,对其自闭症进行早期诊断和干预,更好的辅助婴儿自闭症的治疗。
本发明提供的一种婴儿自闭症辅助诊断设备的实施例如图3所示,图3为本发明提供的一种婴儿自闭症辅助诊断设备的实施例的示意图,该设备包括:
存储器301,用于存储计算机程序;
处理器302,用于执行计算机程序时实现如上面任一项婴儿自闭症辅助诊断方法的步骤。
本发明提供的一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上面任一项婴儿自闭症辅助诊断方法的步骤。
本发明提供的上述婴儿自闭症辅助诊断设备和存储介质的实施例,具有与上述方法和装置同样的优点,此处不再赘述。
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发明。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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明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 (10)
1.一种婴儿自闭症辅助诊断方法,其特征在于,包括:
获取诊断对象的基本信息,将所述基本信息编码成第一类特征向量;
获取所述诊断对象的动态信息,利用卷积神经网络从所述动态信息中提取第二类特征向量;
对所述诊断对象进行刺激的同时,获取所述诊断对象基于所述刺激产生的反应数据,提取第三类特征向量;
利用神经网络接收所述第一类特征向量、所述第二类特征向量和所述第三类特征向量的输入,并输出所述诊断对象的表现行为标签;
基于所述表现行为标签,输出诊断对象自闭症可能性信息。
2.根据权利要求1所述的婴儿自闭症辅助诊断方法,其特征在于,所述获取诊断对象的基本信息包括:
获取所述诊断对象的年龄、性别、身长和体重信息。
3.根据权利要求1所述的婴儿自闭症辅助诊断方法,其特征在于,所述获取所述诊断对象的动态信息包括:
获取所述诊断对象的面部表情、头部和身体动作、音频、心电图、脑电图、心率、体温和皮肤汗液数据。
4.根据权利要求1所述的婴儿自闭症辅助诊断方法,其特征在于,所述对所述诊断对象进行刺激的同时,获取所述诊断对象基于所述刺激产生的反应数据包括:
利用不同颜色和不同形状的物品对所述诊断对象进行刺激的同时,获取所述诊断对象基于所述刺激产生的反应数据。
5.一种婴儿自闭症辅助诊断装置,其特征在于,包括:
第一获取单元,用于获取诊断对象的基本信息,将所述基本信息编码成第一类特征向量;
第二获取单元,用于获取所述诊断对象的动态信息,利用卷积神经网络从所述动态信息中提取第二类特征向量;
第三获取单元,用于对所述诊断对象进行刺激的同时,获取所述诊断对象基于所述刺激产生的反应数据,提取第三类特征向量;
第一输出单元,用于利用神经网络接收将所述第一类特征向量、所述第二类特征向量和所述第三类特征向量的输入,并输出所述诊断对象的表现行为标签;
第二输出单元,用于基于所述表现行为标签,输出诊断对象自闭症可能性信息。
6.根据权利要求5所述的婴儿自闭症辅助诊断装置,其特征在于,所述第一获取单元具体用于获取所述诊断对象的年龄、性别、身长和体重信息。
7.根据权利要求5所述的婴儿自闭症辅助诊断装置,其特征在于,所述第二获取单元具体用于获取所述诊断对象的面部表情、头部和身体动作、音频、心电图、脑电图、心率、体温和皮肤汗液数据。
8.根据权利要求5所述的婴儿自闭症辅助诊断装置,其特征在于,所述第三获取单元具体用于利用不同颜色和不同形状的物品对所述诊断对象进行刺激的同时,获取所述诊断对象基于所述刺激产生的反应数据。
9.一种婴儿自闭症辅助诊断设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述婴儿自闭症辅助诊断方法的步骤。
10.一种存储介质,其特征在于,所述存储介质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如权利要求1至4任一项所述婴儿自闭症辅助诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010745343.6A CN111883252A (zh) | 2020-07-29 | 2020-07-29 | 一种婴儿自闭症辅助诊断方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010745343.6A CN111883252A (zh) | 2020-07-29 | 2020-07-29 | 一种婴儿自闭症辅助诊断方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111883252A true CN111883252A (zh) | 2020-11-03 |
Family
ID=73201074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010745343.6A Pending CN111883252A (zh) | 2020-07-29 | 2020-07-29 | 一种婴儿自闭症辅助诊断方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111883252A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113974631A (zh) * | 2021-12-03 | 2022-01-28 | 中国科学院心理研究所 | 一种基于生理信号识别与分析的孤独症计算机辅助诊断系统 |
CN114469091A (zh) * | 2022-01-27 | 2022-05-13 | 杭州行熠科技有限公司 | 一种自闭症辅助诊断方法、系统、设备及介质 |
CN114974571A (zh) * | 2022-05-27 | 2022-08-30 | 浙江大学医学院附属儿童医院 | 多模态数据驱动的孤独症检测系统、设备及存储介质 |
CN116884096A (zh) * | 2023-09-08 | 2023-10-13 | 首都医科大学附属北京友谊医院 | 一种评估婴幼儿智力发育程度的方法、系统、设备 |
-
2020
- 2020-07-29 CN CN202010745343.6A patent/CN111883252A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113974631A (zh) * | 2021-12-03 | 2022-01-28 | 中国科学院心理研究所 | 一种基于生理信号识别与分析的孤独症计算机辅助诊断系统 |
CN114469091A (zh) * | 2022-01-27 | 2022-05-13 | 杭州行熠科技有限公司 | 一种自闭症辅助诊断方法、系统、设备及介质 |
CN114974571A (zh) * | 2022-05-27 | 2022-08-30 | 浙江大学医学院附属儿童医院 | 多模态数据驱动的孤独症检测系统、设备及存储介质 |
CN116884096A (zh) * | 2023-09-08 | 2023-10-13 | 首都医科大学附属北京友谊医院 | 一种评估婴幼儿智力发育程度的方法、系统、设备 |
CN116884096B (zh) * | 2023-09-08 | 2023-12-01 | 首都医科大学附属北京友谊医院 | 一种评估婴幼儿智力发育程度的方法、系统、设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | EEG-based spatio–temporal convolutional neural network for driver fatigue evaluation | |
Zamzmi et al. | A review of automated pain assessment in infants: features, classification tasks, and databases | |
Alarcao et al. | Emotions recognition using EEG signals: A survey | |
Becker et al. | Emotion recognition based on high-resolution EEG recordings and reconstructed brain sources | |
CN111883252A (zh) | 一种婴儿自闭症辅助诊断方法、装置、设备和存储介质 | |
CN106446533B (zh) | 一种人体健康数据处理系统及其方法 | |
Zamzmi et al. | An approach for automated multimodal analysis of infants' pain | |
CN112955973A (zh) | 基于深度神经网络来辨别精神行为属性的电子设备 | |
Li et al. | Multi-modal bioelectrical signal fusion analysis based on different acquisition devices and scene settings: Overview, challenges, and novel orientation | |
Rikandi et al. | Precuneus functioning differentiates first-episode psychosis patients during the fantasy movie Alice in Wonderland | |
Seal et al. | An EEG database and its initial benchmark emotion classification performance | |
Zamzmi et al. | Machine-based multimodal pain assessment tool for infants: a review | |
KR102388595B1 (ko) | 뇌 상태를 판단하고, 디지털 컨텐츠 기반의 치료 정보를 제공하는 장치 | |
Fernando et al. | Deep Learning for Medical Anomaly Detection-A Survey. | |
Agyeman et al. | Classification Techniques for Arrhythmia Patterns Using Convolutional Neural Networks and Internet of Things (IoT) Devices | |
Fernandez Rojas et al. | A systematic review of neurophysiological sensing for the assessment of acute pain | |
CN114145745A (zh) | 基于图的多任务自监督情绪识别方法 | |
Mahmood et al. | Introduction to Non-Invasive Biomedical Signals for Healthcare | |
Rezaee et al. | A direct classification approach to recognize stress levels in virtual reality therapy for patients with multiple sclerosis | |
Dessai et al. | Emotion Detection and Classification Using Machine Learning Techniques | |
Gomes et al. | ASTERI: Image-based representation of EEG signals for motor imagery classification | |
Ma et al. | Deep Learning Based Walking Tasks Classification in Older Adults using fNIRS | |
Gomes et al. | Machine Learning for Detection and Classification of Motor Imagery in Electroencephalographic Signals | |
Savur | A Physiological Computing System to Improve Human-Robot Collaboration by Using Human Comfort Index | |
Raman et al. | Review of deep learning for physiological signal-based healthcare applications |
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 |