CN114842957B - 一种基于情绪识别的老年痴呆症辅助诊断系统及其方法 - Google Patents

一种基于情绪识别的老年痴呆症辅助诊断系统及其方法 Download PDF

Info

Publication number
CN114842957B
CN114842957B CN202210309538.5A CN202210309538A CN114842957B CN 114842957 B CN114842957 B CN 114842957B CN 202210309538 A CN202210309538 A CN 202210309538A CN 114842957 B CN114842957 B CN 114842957B
Authority
CN
China
Prior art keywords
data
module
emotion
background
deep learning
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.)
Active
Application number
CN202210309538.5A
Other languages
English (en)
Other versions
CN114842957A (zh
Inventor
陶倩
雷小林
龙舜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan University
Original Assignee
Jinan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinan University filed Critical Jinan University
Priority to CN202210309538.5A priority Critical patent/CN114842957B/zh
Publication of CN114842957A publication Critical patent/CN114842957A/zh
Application granted granted Critical
Publication of CN114842957B publication Critical patent/CN114842957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于情绪识别的老年痴呆症辅助诊断系统及其方法，包括数据采集终端和后台识别系统，后台识别系统对上传数据进行预处理并基于深度学习网络模型对采集数据进行识别并处理，对认知功能障碍预测结果进行展示和存储，并通过数据通信模块将结果反馈给移动终端。本发明通过以多数占优的决策方式得到最终受试者的痴呆分类结果，借助连续的数值区分不同表情细微的差别，帮助计算机更好地理解人类表情及其情绪，实现智能检测的应用，减轻医生的工作负担，提高诊断准确率，且仅需采集受试者的脸面表情数据，采集方式更加便捷简单有效，采用神经网络提取特征数据以及分类预测，便于技术落地形成真实可用产品，具有广泛的应用场景。

Description

一种基于情绪识别的老年痴呆症辅助诊断系统及其方法
技术领域
本发明涉及计算机视觉识别技术领域，具体涉及于一种基于情绪识别的老年痴呆症辅助诊断系统及其方法。
背景技术
目前，诊断早期老年痴呆症的技术手段主要是根据临床症状、量表检测以及神经影像学检测进行综合评估。但是作为主要诊断标准的精神量表存在着受患者主观心理因素影响等技术缺陷，而神经影像学检测依赖于专业设备和医疗人员，只能在特定场所使用。同时，早诊断并行有效的干预治疗对患者的预后具有深远的影响，所以如何通过新的技术手段便捷快速诊断早期老年痴呆症已经成为一个重要的医学研究课题。
随着医疗大数据累积和人工智能技术发展，人工智能在医疗领域应用已取得了一定的进展，智能辅助诊疗是人工智能在医疗领域最重要、也最核心的应用场景之一，它通过大量的影像数据和诊断数据，不断对神经网络进行深度学习训练，促使其掌握诊断能力，对减轻医疗负担有很大的帮助。现有技术中对老年痴呆症的识别通常是医生人工完成的，利用设备检测只能简单的做出测试，缺乏系统的自动识别方式，从而导致诊断准确率低，且工作效率较低。
因此，发明基于情绪识别的老年痴呆症辅助诊断系统及其方法来解决上述问题很有必要。
发明内容
本发明的目的在于提供一种基于情绪识别的老年痴呆症辅助诊断系统及其方法，采用深度学习和计算机视觉技术，通过摄像头采集受试者观影视频数据，由训练好的第一神经网络模型对捕获的人脸进行表情识别，再由训练好的第二神经网络模型对表情识别序列进行认知功能障碍分类判断受试者是否患病，并由投票算法对最终结果进行决策，该辅助诊断系统不依赖专业设备，贴近现实应用，可以受试者及医生在就医过程中得到便捷有效的帮助，解决现有技术中存在的不足。
本发明通过以下技术方案来实现上述目的：
一种基于情绪识别的老年痴呆症辅助诊断系统，包括：
数据采集终端，所述数据采集终端设置为移动端，且用于完成受试者原始观影视频数据的采集以及数据的上传，所述数据采集终端将受试者观影视频数据通过数据通信模块按照协议格式上传到后台识别系统；
后台识别系统，所述后台识别系统对上传数据进行预处理并基于深度学习网络模型对采集数据进行识别并处理，对认知功能障碍预测结果进行展示和存储，并通过数据通信模块将结果反馈给移动终端。
在进一步优化中，所述数据采集终端包括：用于移动端分析和控制的芯片处理器、用于观影视频数据采集的数据采集模块、用于设备供电的电源模块、用于远程连接并传输数据的终端数据通信模块、用于交互操作的交互控件模块以及用于反馈结果展示的终端结果展示模块，且数据采集模块、电源模块、终端数据通信模块、交互控件模块以及终端结果展示模块均与芯片处理器电性连接；
数据采集模块采用手机摄像头或USB摄像头以及其他传感器采集视频数据。
在进一步优化中，所述后台识别系统包括：用于与数据采集终端远程连接的后台数据通信模块、用于对观影视频数据处理的数据预处理模块、深度学习模型训练模块、第一深度学习模型预测模块、第二深度学习模型预测模块、用于存储数据的数据存储模块、用于显示诊断结果的后台结果展示模块以及参数设置模块，且终端数据通信模块与后台数据通信模块无线通信连接，所述后台数据通信模块的输出端与数据预处理模块输入端电性连接，所述深度学习模型训练模块、第一深度学习模型预测模块和第二深度学习模型预测模块均与数据预处理模块的输出端电性连接，且该连接电路上设有参数设置模块和数据存储模块。
一种基于情绪识别的老年痴呆症辅助诊断系统的工作方法，包括上述的辅助诊断系统，具体实现步骤如下：
步骤S110：通过手机摄像头或USB摄像头以及其他传感器采集受试者观影视频数据；
步骤S120：将受试者观影视频数据通过数据通信模块按照协议格式上传到后台识别系统；
步骤S130：后台识别系统对受试者观影视频数据裁剪出人脸区域；
步骤S140：后台识别系统对裁剪出人脸区域进行预处理，组装成特定格式的输入数据；
步骤S150：后台识别系统将预处理好的数据输入到第一深度学习模型进行脸面表情预测；
步骤S160：后台识别系统将脸面表情预测结果进行预处理后输入到第二深度学习模型进行认知功能障碍预测，同时，后台识别系统对认知功能障碍预测结果进行展示和存储，并通过数据通信模块将结果反馈给移动终端。
在进一步优化中，所述步骤S130中，在人脸检测与裁剪时，基于系统总体框架，采用dlib工具检测到视频中每帧上的人脸，选取最大可信度的人脸视为受试者的人脸，输入到第一神经网络模型预测Valence-Arousal二维情绪表征，第一神经网络模型预测的Valence-Arousal二维情绪表征需要剔除无效帧，同时采用一维中值滤波算法平滑二维情绪表征。
在进一步优化中，所述S150中的脸面表情预测采用预训练好的第一网络模型对收集的视频数据逐帧提取二维效价度(Valence)/唤醒度(Arousal)连续特征实现，脸面表情预测为二维连续数值，即两个连续的尺度：效价度(Valence) 和唤醒度(Arousal)，其中效价度(Valence)反映情绪的愉悦/难过程度，唤醒度反映情绪的兴奋/专注程度，这种表情的定义方式的优点在于能借助连续的数值区分不同表情细微的差别，从而帮助计算机更好地理解人类表情及其情绪。
在进一步优化中，所述S160中的脸面表情预测结果预处理根据每个视频的情绪二维连续特征轨迹线的相邻两帧提取一个四维表征，第一二维为超始帧的效价度(Valence)和唤醒度(Arousal)，第三四维为相邻两帧效价值(Valence) 和唤醒值(Arousal)的差值，用以表示情绪变化强度。
在进一步优化中，所述S160中的认知功能障碍分类模型的训练采用循环神经网络Rerrent(Neural Network,RNN)，将预处理好的Valence-Arousal二维情绪表征输入到RNN网络模型得到分类结果，将RNN网络分类结果输入到投票器，以多数占优的决策方式得到受试者的最终患病结果，在RNN网络模型训练阶段每个网络输入各自主题的视频，每个网络独立训练，不共享参数。
本发明的实现具有以下有益效果：
1、本发明通过采集六种不同主题的观影视频数据分别输入各自的神经网络预测模型输出分类，系统框架首先经过人脸检测器裁剪出人脸，再将裁剪的人脸数据输出到第一神经网络预测模型，第一神经网络预测模型预测出 Valence-Arousal二维情绪表征，再将Valence-Arousal二维情绪表征输入到第二神经网络预测模型得到分类结果，再将第一神经网络预测模型分类结果输入到投票器，以多数占优的决策方式得到最终受试者的痴呆分类结果，采用 Valence-Arousal二维情绪表征能借助连续的数值区分不同表情细微的差别，从而帮助计算机更好地理解人类表情及其情绪，实现智能检测的应用，减轻医生的工作负担，且显著提高诊断准确率；
2、本发明仅需采集受试者的脸面表情数据，采集方式更加便捷简单有效，采用神经网络提取特征数据以及分类预测，技术手段更智能化，便于技术落地形成真实可用产品，具有广泛的应用场景。
附图说明
图1为本发明实例系统构成的示意图；
图2为本发明视频逐帧提取二维连续特征示意图；
图3为本发明的总体框架示意图。
具体实施方式
为使本发明的具体实现和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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。
本发明提供了如图1-3所示的基于情绪识别的老年痴呆症辅助诊断系统，包括：
数据采集终端，数据采集终端设置为移动端，且用于完成受试者原始观影视频数据的采集以及数据的上传，数据采集终端将受试者观影视频数据通过数据通信模块按照协议格式上传到后台识别系统；
后台识别系统，后台识别系统对上传数据进行预处理并基于深度学习网络模型对采集数据进行识别并处理，对认知功能障碍预测结果进行展示和存储，并通过数据通信模块将结果反馈给移动终端。
数据采集终端包括：用于移动端分析和控制的芯片处理器、用于观影视频数据采集的数据采集模块、用于设备供电的电源模块、用于远程连接并传输数据的终端数据通信模块、用于交互操作的交互控件模块以及用于反馈结果展示的终端结果展示模块，且数据采集模块、电源模块、终端数据通信模块、交互控件模块以及终端结果展示模块均与芯片处理器电性连接；
数据采集模块采用手机摄像头或USB摄像头以及其他传感器采集视频数据。
后台识别系统包括：用于与数据采集终端远程连接的后台数据通信模块、用于对观影视频数据处理的数据预处理模块、深度学习模型训练模块、第一深度学习模型预测模块、第二深度学习模型预测模块、用于存储数据的数据存储模块、用于显示诊断结果的后台结果展示模块以及参数设置模块，且终端数据通信模块与后台数据通信模块无线通信连接，后台数据通信模块的输出端与数据预处理模块输入端电性连接，深度学习模型训练模块、第一深度学习模型预测模块和第二深度学习模型预测模块均与数据预处理模块的输出端电性连接，且该连接电路上设有参数设置模块和数据存储模块。
为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图1-3 对本发明基于情绪识别的老年痴呆症辅助诊断系统的工作方法的实施例进行详细说明。
具体实现步骤如下：
通过手机摄像头或USB摄像头以及其他传感器采集受试者观影视频数据；
将受试者观影视频数据通过数据通信模块按照协议格式上传到后台识别系统；
后台识别系统对受试者观影视频数据裁剪出人脸区域；
后台识别系统对裁剪出人脸区域进行预处理，组装成特定格式的输入数据；
后台识别系统将预处理好的数据输入到第一深度学习模型进行脸面表情预测；
后台识别系统将脸面表情预测结果进行预处理后输入到第二深度学习模型进行认知功能障碍预测，同时，后台识别系统对认知功能障碍预测结果进行展示和存储，并通过数据通信模块将结果反馈给移动终端。
具体的，在人脸检测与裁剪时，如图1所示，基于系统总体框架，首先会采用dlib工具检测到视频中每帧上的人脸，为了排除画面中的干扰人脸，选取最大可信度的人脸视为受试者的人脸，裁剪后的人脸区域尺寸会转换为(256, 256)，随后输入到第一神经网络模型预测Valence-Arousal二维情绪表征，第一神经网络模型预测的Valence-Arousal二维情绪表征需要剔除无效帧(未检测到人脸的部分帧)，同时采用一维中值滤波算法平滑二维情绪表征，在实验中一维中值滤波算法邻域的大小设置为125。
预训练好的第一神经网络模型对收集的视频数据逐帧提取二维效价度(Valence)/唤醒度(Arousal)连续特征：
[[vf1，af1],[vf2，af2],...,[vfn，afn]]   (1)
其中vfn，afn分别表示视频数据第n帧的效价值(Valence)和唤醒值 (Arousal)。
数据采样：经第一神经网络模型预测的Valence-Arousal二维情绪表征序列式(1)在输入到第二神经网络模型之前通过采样的方式得到特定长度的序列，采样的时间间隔m由式(1)序列的长度VAL及第二神经网络模型的输入维度时间的步数Seqlen决定：
m＝VAL/Seqlen
在实施中设定Seqlen为300，二维情绪表征序列的长度VAL为视频的总帧数 Nframe，由视频的总时长Tvideo和视频录制的帧率fps决定，即Nframe＝Tvideo* fps，得到采样序列后，考虑到受试者在观看主题视频过程进入情绪状态的时延，在实施中采用后前程的序列作为有效序列。
样本均衡和数据增强：收集的数据库样本中正常样本数Npositive和痴呆样本数Nnegative分别为96、138，为了解决样本不均衡及样本数不足的问题，采用随机均匀采样的方式增加每条视频的提取特征，正负采样增强系数β＝Nnegative/Npositive＝0.69，实验中对每条正常样本视频提取10条特征数据，每条痴呆样本视频提取7条特征数据，数据增强后正常特征样本与痴呆特征样本数分别为960、966。
第二神经网络模型分类表征：根据式(1)序列的预处理结果，为每个视频的情绪二维连续特征轨迹线的相邻两帧提取一个四维表征：
Ei＝[vi,ai,Δvi,Δai]   (2)
其中Δvi＝vi+1-vi,Δai＝ai+1-ai分别表示相邻两帧效价值(Valence)和唤醒值(Arousal)的差值，它们表示情绪变化强度，通过式(2)的表征转换方式将逐帧提取二维效价度(Valence)/唤醒度(Arousal)连续特征[[vf1，af1], [vf2，af2],...,[vfn，afn]]转换成[E1,E2,…,En]。
训练分类模型：在实施中第一神经网络模型采用emonet模型，第二神经网络模型采用门控循环单元(Gated Recurrent Unit GRU)网络，每条视频的采样数据长度sample_step为300，RNN网络采用两层双向LSTM、GRU网络，每层的神经元数量为100，为了提高泛化性能，使用了dropout＝0.8，优化器采用Adam[5]，数据批量长度为500，初始学习率设置为0.001，训练集和测试集划分比例为9:1。
投票算法：在实施中采用软投票方法将六个独立预测的第二神经网络模型判别结果进行集成，选择具有平均概率大的类别签标作为最终的预测结果，概率计算公式为：
Figure BDA0003567413250000071
若患病的概率P1＝p11+p12+p13+p14+p15+p16大于P0＝p01+p02+ p03+p04+p05+p06，则判定为患病，否则判定为正常，式(3)中pik为六个独立预测的第二神经网络模型判别结果。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于情绪识别的老年痴呆症辅助诊断系统的工作方法，其特征在于，具体实现步骤如下：
步骤S110：通过手机摄像头或USB摄像头以及其他传感器采集受试者观影视频数据；
步骤S120：将受试者观影视频数据通过数据通信模块按照协议格式上传到后台识别系统；
步骤S130：后台识别系统对受试者观影视频数据裁剪出人脸区域；
步骤S140：后台识别系统对裁剪出人脸区域进行预处理，组装成特定格式的输入数据；
步骤S150：后台识别系统将预处理好的数据输入到第一深度学习模型进行脸面表情预测；
步骤S160：后台识别系统将脸面表情预测结果进行预处理后输入到第二深度学习模型进行认知功能障碍预测，同时，后台识别系统对认知功能障碍预测结果进行展示和存储，并通过数据通信模块将结果反馈给移动终端；
所述S150中的脸面表情预测采用预训练好的第一网络模型对收集的视频数据逐帧提取二维效价度Valence/唤醒度Arousal连续特征实现，脸面表情预测为二维连续数值，即两个连续的尺度：效价度Valence和唤醒度Arousal，其中效价度Valence反映情绪的愉悦/难过程度，唤醒度反映情绪的兴奋/专注程度；
所述S160中的脸面表情预测结果预处理根据每个视频的情绪二维连续特征轨迹线的相邻两帧提取一个四维表征，第一二维为超始帧的效价度Valence和唤醒度Arousal，第三四维为相邻两帧效价值Valence和唤醒值Arousal的差值，用以表示情绪变化强度；
所述S160中的认知功能障碍分类模型的训练采用循环神经网络Rerrent NeuralNetwork,RNN，将预处理好的Valence-Arousal二维情绪表征输入到RNN网络模型得到分类结果，将RNN网络分类结果输入到投票器，以多数占优的决策方式得到受试者的最终患病结果，在RNN网络模型训练阶段每个网络输入各自主题的视频，每个网络独立训练，不共享参数。
2.根据权利要求1所述的一种基于情绪识别的老年痴呆症辅助诊断系统的工作方法，其特征在于，所述步骤S130中，在人脸检测与裁剪时，基于系统总体框架，采用dlib工具检测到视频中每帧上的人脸，选取最大可信度的人脸视为受试者的人脸，输入到第一神经网络模型预测Valence-Arousal二维情绪表征，第一神经网络模型预测的Valence-Arousal二维情绪表征需要剔除无效帧，同时采用一维中值滤波算法平滑二维情绪表征。
3.一种基于情绪识别的老年痴呆症辅助诊断系统，其执行如权利要求1-2任意一项所述的工作方法，其特征在于，包括：
数据采集终端，所述数据采集终端设置为移动端，且用于完成受试者原始观影视频数据的采集以及数据的上传，所述数据采集终端将受试者观影视频数据通过数据通信模块按照协议格式上传到后台识别系统；
后台识别系统，所述后台识别系统对上传数据进行预处理并基于深度学习网络模型对采集数据进行识别并处理，对认知功能障碍预测结果进行展示和存储，并通过数据通信模块将结果反馈给移动终端。
4.根据权利要求3所述的一种基于情绪识别的老年痴呆症辅助诊断系统，其特征在于，所述数据采集终端包括：用于移动端分析和控制的芯片处理器、用于观影视频数据采集的数据采集模块、用于设备供电的电源模块、用于远程连接并传输数据的终端数据通信模块、用于交互操作的交互控件模块以及用于反馈结果展示的终端结果展示模块，且数据采集模块、电源模块、终端数据通信模块、交互控件模块以及终端结果展示模块均与芯片处理器电性连接；
数据采集模块采用手机摄像头或USB摄像头以及其他传感器采集视频数据。
5.根据权利要求3所述的一种基于情绪识别的老年痴呆症辅助诊断系统，其特征在于，所述后台识别系统包括：用于与数据采集终端远程连接的后台数据通信模块、用于对观影视频数据处理的数据预处理模块、深度学习模型训练模块、第一深度学习模型预测模块、第二深度学习模型预测模块、用于存储数据的数据存储模块、用于显示诊断结果的后台结果展示模块以及参数设置模块，且终端数据通信模块与后台数据通信模块无线通信连接，所述后台数据通信模块的输出端与数据预处理模块输入端电性连接，所述深度学习模型训练模块、第一深度学习模型预测模块和第二深度学习模型预测模块均与数据预处理模块的输出端电性连接，且该连接电路上设有参数设置模块和数据存储模块。
CN202210309538.5A 2022-03-28 2022-03-28 一种基于情绪识别的老年痴呆症辅助诊断系统及其方法 Active CN114842957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210309538.5A CN114842957B (zh) 2022-03-28 2022-03-28 一种基于情绪识别的老年痴呆症辅助诊断系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210309538.5A CN114842957B (zh) 2022-03-28 2022-03-28 一种基于情绪识别的老年痴呆症辅助诊断系统及其方法

Publications (2)

Publication Number Publication Date
CN114842957A CN114842957A (zh) 2022-08-02
CN114842957B true CN114842957B (zh) 2023-04-07

Family

ID=82563432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210309538.5A Active CN114842957B (zh) 2022-03-28 2022-03-28 一种基于情绪识别的老年痴呆症辅助诊断系统及其方法

Country Status (1)

Country Link
CN (1) CN114842957B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116259422B (zh) * 2023-03-13 2024-02-06 暨南大学 基于虚拟数据增强的眼科疾病诊疗意见生成方法、系统、介质和设备
CN116564356A (zh) * 2023-04-26 2023-08-08 新疆大学 一种基于时延神经网络与门控循环单元算法的抑郁症诊断方法与系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109620185A (zh) * 2019-01-31 2019-04-16 山东大学 基于多模态信息的自闭症辅助诊断系统、设备及介质
WO2019111165A1 (en) * 2017-12-05 2019-06-13 Lam Yuen Lee Viola Interactive and adaptive learning, neurocognitive disorder diagnosis, and noncompliance detection systems using pupillary response and face tracking and emotion detection with associated methods
CN110349674A (zh) * 2019-07-05 2019-10-18 昆山杜克大学 基于不当行为观测分析的孤独症谱系障碍评估装置及系统
CN110600127A (zh) * 2019-09-23 2019-12-20 上海市精神卫生中心（上海市心理咨询培训中心） 通过视频激发面部表情实现认知障碍筛查功能的视频采集分析系统及其方法
CA3118759A1 (en) * 2018-11-09 2020-05-14 Akili Interactive Labs, Inc. Facial expression detection for screening and treatment of affective disorders
WO2021214346A1 (en) * 2020-04-24 2021-10-28 Cortery AB Method and system for estimating early progression of dementia from human head images

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019111165A1 (en) * 2017-12-05 2019-06-13 Lam Yuen Lee Viola Interactive and adaptive learning, neurocognitive disorder diagnosis, and noncompliance detection systems using pupillary response and face tracking and emotion detection with associated methods
CA3118759A1 (en) * 2018-11-09 2020-05-14 Akili Interactive Labs, Inc. Facial expression detection for screening and treatment of affective disorders
CN112970027A (zh) * 2018-11-09 2021-06-15 阿克里互动实验室公司 用于筛查和治疗情感障碍的面部表情检测
CN109620185A (zh) * 2019-01-31 2019-04-16 山东大学 基于多模态信息的自闭症辅助诊断系统、设备及介质
CN110349674A (zh) * 2019-07-05 2019-10-18 昆山杜克大学 基于不当行为观测分析的孤独症谱系障碍评估装置及系统
CN110600127A (zh) * 2019-09-23 2019-12-20 上海市精神卫生中心（上海市心理咨询培训中心） 通过视频激发面部表情实现认知障碍筛查功能的视频采集分析系统及其方法
WO2021214346A1 (en) * 2020-04-24 2021-10-28 Cortery AB Method and system for estimating early progression of dementia from human head images

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"自我情绪评定量表在老年痴呆人群中的应用";张立秀，等;《中华护理杂志》;全文 *
"轻度认知功能障碍患者情绪记忆改变特征的研究";唐向阳，等;《神经损伤与功能重建》;全文 *

Also Published As

Publication number Publication date
CN114842957A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN114842957B (zh) 一种基于情绪识别的老年痴呆症辅助诊断系统及其方法
CN109190540B (zh) 活检区域预测方法、图像识别方法、装置和存储介质
CN111325745B (zh) 骨折区域分析方法和装置、电子设备及可读存储介质
CN110598608B (zh) 非接触式与接触式协同的心理生理状态智能监测系统
CN110135242B (zh) 基于低分辨率红外热成像深度感知的情绪识别装置及方法
CN113317762B (zh) 一种认知功能障碍预防监测装置
CN106821324A (zh) 一种基于舌面和舌下综合分析的舌诊辅助医疗系统
CN111466878A (zh) 基于表情识别的卧床病人疼痛症状实时监护方法及装置
CN109508755A (zh) 一种基于图像认知的心理测评方法
CN112562852A (zh) 基于肢体动作的颈椎病筛查装置
CN109346164A (zh) 一种中医临床案例的自动采集设备及方法
CN113096819A (zh) 一种基于神经卷积网络的疫情防控筛查预警系统
CN116343302A (zh) 一种基于机器视觉的微表情分类识别系统
CN116313021B (zh) 医院诊疗管理系统及方法
Leopold et al. Segmentation and feature extraction of retinal vascular morphology
CN112263220A (zh) 一种内分泌疾病智能诊断系统
CN117079807A (zh) 一种针对中老年常见疾病的智能诊断支持系统和方法
Jagadeesan et al. Behavioral features based autism spectrum disorder detection using decision trees
CN117322836A (zh) 一种脑卒中风险预测方法及装置
CN111341459A (zh) 分类深度神经网络模型的训练方法、遗传病检测方法
Oz et al. Efficacy of biophysiological measurements at FTFPs for facial expression classification: A validation
CN115624437A (zh) 一种智能轮椅安全响应方法及系统
CN109330559A (zh) 皮质醇含量的测评方法、装置、计算机设备及计算机存储介质
CN110427848B (zh) 一种精神分析系统
CN208985716U (zh) 一种中医临床案例的自动采集设备

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