CN116597996A - 基于自适应近邻传播自聚类模型的婴儿脑发育量化评估系统 - Google Patents
基于自适应近邻传播自聚类模型的婴儿脑发育量化评估系统 Download PDFInfo
- Publication number
- CN116597996A CN116597996A CN202310562437.3A CN202310562437A CN116597996A CN 116597996 A CN116597996 A CN 116597996A CN 202310562437 A CN202310562437 A CN 202310562437A CN 116597996 A CN116597996 A CN 116597996A
- Authority
- CN
- China
- Prior art keywords
- module
- self
- clustering
- input
- infant
- 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
- 230000004641 brain development Effects 0.000 title claims abstract description 11
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 9
- 230000033001 locomotion Effects 0.000 claims abstract description 42
- 238000012800 visualization Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 210000003414 extremity Anatomy 0.000 claims description 45
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 7
- 210000000988 bone and bone Anatomy 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 210000003423 ankle Anatomy 0.000 claims description 4
- 210000003127 knee Anatomy 0.000 claims description 4
- 210000002414 leg Anatomy 0.000 claims description 4
- 210000000707 wrist Anatomy 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 description 5
- 206010008129 cerebral palsy Diseases 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000002269 spontaneous effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4528—Joints
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Rheumatology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
基于自适应近邻传播自聚类模型的婴儿脑发育量化评估系统，包括婴儿姿态识别模块，婴儿姿态识别模块输入是婴儿运动视频，婴儿姿态识别模块输出与信息预处理模块输入相连，信息预处理模块输出与运动特征提取模块输入相连，运动特征提取模块输出与近邻传播自聚类模块第一输入相连，自适应近邻传播自聚类模块第一输出与多维指标分析模块输入相连，自适应近邻传播自聚类模块第二输出与自适应近邻传播自聚类模块第二输入相连，自适应近邻传播自聚类模块第三输出与结果可视化模块输入相连，多维指标分析模块输出与结果可视化模块输入相连；本发明对婴儿的脑发育进行多维精细的量化判断，同时提供可解释性的结果，辅助医师进行针对性治疗。
Description
技术领域
本发明属于婴儿行为分析评估技术领域，具体涉及一种基于自适应近邻传播自聚类模型的婴儿脑发育量化评估系统。
背景技术
儿科医师可以通过床旁观察分析婴儿的自发运动质量，依靠经验诊断婴儿的脑发育程度，此类诊断方式严重依赖医师的主观经验，导致漏诊、误诊率较高，同时无法满足欠发达地区的诊疗需求，目前现有技术存在部分基于视频的智能分类系统([1]K.D.McCay etal.,"A pose-based feature fusion and classification framework for the earlyprediction of cerebral palsy in infants,"IEEE Transactions on Neural Systemsand Rehabilitation Engineering,vol.30,pp.8-19,2021；[2]D.Sakkos,K.D.Mccay,C.Marcroft,N.D.Embleton,S.Chattopadhyay,and E.S.Ho,"Identification ofabnormal movements in infants:A deep neural network for body part-basedprediction of cerebral palsy,"IEEE Access,vol.9,pp.94281-94292,2021；[3]GROOSD,ADDE L,AUBERT S,et al.Development and validation of a deep learning methodto predict cerebral palsy from spontaneous movements in infants at high risk[J].JAMA network open,2022,5(7):e2221325-e；[4]Q.Wu et al.,"A Training-FreeInfant Spontaneous Movement Assessment Method for Cerebral Palsy PredictionBased on Videos,"IEEE Transactions on Neural Systems and RehabilitationEngineering,vol.31,pp.1670-1679,2023,doi:10.1109/TNSRE.2023.3255639.)，其中参考文献[1][2][3]实现基于婴儿运动视频的婴儿脑发育正常或者异常的评估系统，其技术方案多为使用深度学习方法对整段输入的婴儿运动视频进行二分类，无法评价婴儿脑发育异常程度，同时该类方法可解释性差。尽管参考文献[4]可以进行跨模型跨数据的免训练评价，但系统所采用近邻自聚类模型的收敛能力较弱，对部分参数(例如偏向参数等)较为敏感，在运动特征提取中的序列切分、归一化、直方图编码等步骤次序安排导致归一化仅在子序列分别进行，会一定程度影响聚类结果。
发明内容
为了克服现有技术缺点，本发明的目的是提供一种基于自适应近邻传播自聚类模型的婴儿脑发育量化评估系统，以解决现有技术中婴儿脑发育量化判断维度少，没有可解释性结果和无法自适应调节系统模型参数的技术问题，系统无需先验训练，可辅助医师进行针对性治疗。
为解决以上技术问题，本发明采用的技术方案如下：
基于自适应近邻传播自聚类模型的婴儿脑发育量化评估系统，包括婴儿姿态识别模块1、信息预处理模块2、运动特征提取模块3、自适应近邻传播自聚类模块4、多维指标分析模块5和结果可视化模块6；婴儿姿态识别模块1的输入是婴儿运动视频，婴儿姿态识别模块1的输出与信息预处理模块2的输入相连，信息预处理模块2的输出与运动特征提取模块3的输入相连，运动特征提取模块3的输出与自适应近邻传播自聚类模块4的第一输入相连，自适应近邻传播自聚类模块4的第一输出与多维指标分析模块5的输入相连，自适应近邻传播自聚类模块4的第二输出与自适应近邻传播自聚类模块4的第二输入相连，实现自适应特性，自适应近邻传播自聚类模块4的第三输出与结果可视化模块6的输入相连，多维指标分析模块5的输出与结果可视化模块6的输入相连；
婴儿姿态识别模块1实现对婴儿运动视频的各关节姿态坐标提取；
信息预处理模块2依次实现对姿态坐标信息序列的插值、中值滤波和平滑滤波；
运动特征提取模块3依次实现对各关节坐标序列的运动参数的切分和计算，形成各关节子序列特征集合；
自适应近邻传播自聚类模块4实现各关节子序列特征的自聚类；并将自聚类的结果输入到多维指标分析模块5和结果可视化模块6；
多维指标分析模块5实现从4个肢体层面对婴儿自发运动的量化评估；
结果可视化模块6实现从4分肢体层面可视聚类结果和多维指标分析模块5的指标可视化，同时给出异常视频片段定位，辅助医师诊断。
本发明的优点如下：
(1)本发明系统由于可输出多维指标，可实现多维指标精细客观的婴儿运动模式评估，便于医师进行针对性治疗。
(2)本发明系统由于可输出可解释的可视化结果，可辅助医师定位异常运动模式所在位置和关节，便于医师进行针对性治疗。
(3)本发明系统由于采用自适应智能方法自动化处理，具有效率高、可靠性好的优点，便于大规模推广应用。
(4)本发明系统由于采用免训练方法，可以实现模型跨数据应用。
附图说明
图1为本发明的结构框图。
图2为本发明实施例13关节点人体关节点及不同肢体定义的位置标注示图。
图3为本发明实施例某婴儿某关节x坐标的变化曲线，图(a)为姿态识别原始曲线；图(b)为经过线性插值后的曲线；图(c)为经过中值滤波、均值滤波后的曲线。
图4为本发明实施例某婴儿的可视化结果示意图，图(a)为四肢的评价指标可视化结果，图(b)为四肢的序列自聚类可视化结果。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
参照图1，一种基于自适应近邻传播自聚类模型的婴儿脑发育量化评估系统，包括婴儿姿态识别模块1、信息预处理模块2、运动特征提取模块3、自适应近邻传播自聚类模块4、多维指标分析模块5和结果可视化模块6；婴儿姿态识别模块1的输入是婴儿运动视频，婴儿姿态识别模块1的输出与信息预处理模块2的输入相连，信息预处理模块2的输出与运动特征提取模块3的输入相连，运动特征提取模块3的输出与自适应近邻传播自聚类模块4的第一输入相连，自适应近邻传播自聚类模块4的第一输出与多维指标分析模块5的输入相连，自适应近邻传播自聚类模块4的第二输出与自适应近邻传播自聚类模块4的第二输入相连，自适应近邻传播自聚类模块4的第三输出与结果可视化模块6的输入相连，多维指标分析模块5的输出与结果可视化模块6的输入相连；
婴儿姿态识别模块1实现对婴儿运动视频的各关节姿态坐标提取；婴儿运动视频输入可以是彩色运动视频或者是深度运动视频，提取到的姿态坐标结果可以是婴儿卧姿的二维姿态或三维姿态；婴儿姿态识别模块1将姿态识别的关节点分为4个肢体部分，如图2所示，分别定义为LA(左臂)＝{左肩、左肘，左腕}，RA(右臂)＝{右肩、右肘，右腕}，LL(左腿)＝{左髋、左膝，左踝}，RL(右腿)＝{右髋、右膝，右踝}；经过姿态估计模块处理后，可以得到图2定义的13个关节点(包含头部)的关节坐标时序序列；
信息预处理模块2实现对姿态坐标序列的插值、中值滤波和平滑滤波，具体为：如图3中(a)所示，对4个肢体部分涉及的12个关节坐标序列{Ji,t(x,y)}(以二维关节坐标为例)进行插值操作,i为对应肢体的关节点定义，t为序列中的时间帧，x和y分别为对应关节点的坐标；选取合适时长和步长的时间窗，采用线性插值对{Ji,t(x,y)}插值；
进而对插值后的{Ji,t(x,y)}进行中值滤波，去除野点和姿态识别中的噪声、抖动影响；选取合适的时间窗，对时间窗内的{Ji,t(x,y)}选取中值作为当前t时刻的坐标；进而如图3中(b)所示，对中值滤波后的{Ji,t(x,y)}进行平滑滤波处理，选取合适时长和步长的时间窗，如图3中(c)所示，计算时间窗内的坐标的平均值作为当前t时刻的坐标值；
运动特征提取模块3实现对各关节坐标序列的运动参数的切分和计算，形成各关节子序列特征集合，实现婴儿姿态序列坐标的数字特征表示；运动特征提取模块3包括特征计算模块、归一化模块、序列切分模块和特征编码模块；
首先，特征计算模块计算每个肢体部分包含的关节点坐标Ji,t、速度Vi，t和对应的骨骼长度参数Di，t作为特征；
速度计算公式如下：
Vi，t＝Ji,t+1-Ji,t，其中Vi，t为第i个关节点在t时刻的速度，Ji,t+1为第i个关节点在t+1时刻坐标；
骨骼长度计算公式如下：
Di，t＝||Ji,t-Ji-1,t||2，其中Di，t为第i个关节点所在骨骼在t时刻的像素尺度长度；
则每个肢体部分t时刻的特征Xb，t表示为：
Xb，t＝(Ji,t,Vi，t,Di，t，Ji+1,t,Vi+1，t,Di+1，t)，整个肢体部分的特征序列可以表示为{Xb，t}。
归一化模块采用极值归一化方法，具体计算方法如下：
分别计算对应关节的坐标、速度、骨骼长度的归一化特征，最终全部归一化到[0,1]区间内。
序列切分模块选取一定时长L和步长S的时间窗，分别对4个肢体部分(RA，LA，RL，LL)进行切分，得到4个肢体部分的clip子集，定义为{Cb，k|b＝RA，LA，RL，LL}，k代表切分得到的子集数目。定义每个clip的窗长为L，那么Cb，k的特征序列可以表示为：
Xb，k＝[Xb，(L-S)(k-1)+1,Xb，(L-S)(k-1)+2,…,Xb，(L-S)(k-1)+L]；
特征编码模块主要实现特征的直方分布编码，将归一化后的特征进行直方统计，针对不同的特征指标(坐标、速度、骨骼长度)设定不同的特征区间，分别统计时长L内的特征序列Xb，k在不同特征区间的分布，形成特征编码。
自适应近邻传播自聚类模块4主要实现对特征序列集合{Xb，k}的自聚类，将每个特征序列Xb，k看作一个样本点，那么对于每个肢体部分包含有k个样本点；在近邻传播自聚类的基础上，首先将其中的偏向参数p初始化为所有相似度矩阵S的中值，其中
S(m,n)＝-||Xb，m-Xb，n||2,m和n分别为特征序列集合{Xb，k}不同的两个样本点；
使用自适应近邻传播自聚类方法对k个样本点进行自聚类分析，选取合适的步长，以步长10为例，将偏向参数p以步长10的速度减小，然后重新进行自聚类，分别得到不同p值条件下的得到4个肢体部分的聚类类数{Nb,p|b＝RA,LA,RL,LL}；之后采用轮廓系数指标评价Sip(x)选择最佳的聚类结果；轮廓系数计算如下：
Sip(x)＝mean((b(x)-a(x))/max{a(x),b(x)}),式中a(x)
代表聚类结果的某个聚类中心点x与该类其他所有点的距离均值，b(x)代表某个聚类中的中心的x与其他类所有数据点的距离最小值；取Sip(x)最大时的p值作为最佳p值，此时的聚类结果为最佳聚类结果，记为{Nb|b＝RA,LA,RL,LL}；同时可以得到4个肢体部分的聚类分布；将聚类类数{Nb,p|b＝RA,LA,RL,LL}输入多维指标分析模块5，将聚类分布结果输入结果可视化模块6。
多维指标分析模块5实现最后多维指标的计算，在自适应近邻传播自聚类模块4中得到4个肢体部分的聚类类数{Nb,p|b＝RA,LA,RL,LL}，设定一个比例系数r，那么4个肢体部分的指标Pb计算公式如下：
Pb＝r*Nb/L；其中b代表不同的肢体部分，r为固定的比例系数，以r＝3.12为实例，L为每个肢体部分的特征序列数量，将多维指标结果输入结果可视化模块6。
结果可视化模块6可以实现多维指标的可视化以及聚类分布结果的可视化。可以将4个肢体部分的指标Pb以雷达图的形式可视化，得到如图4中(a)的结果，可以看出不同的肢体部分指标数值不同，数值越大，说明婴儿的运动越复杂，风险程度越弱。同时结合不同的肢体部分，还可以分析哪个肢体存在运动复杂度不达标的情况。聚类分布可以采用不同色块的形式展示，同一颜色代表同一聚类类别，不同颜色色块越多代表聚类类数越大，即婴儿该肢体部分的运动复杂程度高。图中4(b)展示了不同婴儿的对应4个肢体部分的聚类分布可视化结果，通过观察对应肢体部分的异常聚类分布可以直观定位婴儿运动视频中对应时间的运动情况。
Claims (7)
1.基于自适应近邻传播自聚类模型的婴儿脑发育量化评估系统，其特征在于：包括婴儿姿态识别模块(1)、信息预处理模块(2)、运动特征提取模块(3)、自适应近邻传播自聚类模块(4)、多维指标分析模块(5)和结果可视化模块(6)；婴儿姿态识别模块(1)的输入是婴儿运动视频，婴儿姿态识别模块(1)的输出与信息预处理模块(2)的输入相连，信息预处理模块(2)的输出与运动特征提取模块(3)的输入相连，运动特征提取模块(3)的输出与自适应近邻传播自聚类模块(4)的第一输入相连，自适应近邻传播自聚类模块(4)的第一输出与多维指标分析模块(5)的输入相连，自适应近邻传播自聚类模块(4)的第二输出与自适应近邻传播自聚类模块(4)的第二输入相连，实现自适应特性，自适应近邻传播自聚类模块(4)的第三输出与结果可视化模块(6)的输入相连，多维指标分析模块(5)的输出与结果可视化模块(6)的输入相连。
2.根据权利要求1所述的系统，其特征在于：所述的婴儿姿态识别模块(1)将姿态识别的关节点分为4个肢体部分以便于进行后续的可视化及评估，4个肢体部分分别为LA(左臂)＝{左肩、左肘，左腕}，RA(右臂)＝{右肩、右肘，右腕}，LL(左腿)＝{左髋、左膝，左踝}，RL(右腿)＝{右髋、右膝，右踝}。
3.根据权利要求2所述的系统，其特征在于：所述的信息预处理模块(2)首先对所有的关节点序列{Ji,t(x,y)}进行插值操作,i为对应肢体的关节点定义，t为序列中的时间帧，x和y分别为对应关节点的坐标；选取时长和步长的时间窗，采用线性插值对{Ji,t(x,y)}插值；
进而对插值后的{Ji,t(x,y)}进行中值滤波，去除野点和姿态识别中的噪声、抖动影响；选取时间窗，对时间窗内的{Ji,t(x,y)}选取中值作为当前t时刻的坐标；之后对中值滤波后的{Ji,t(x,y)}进行平滑滤波处理，选取时长和步长的时间窗，计算时间窗内的坐标的平均值作为当前t时刻的坐标值。
4.根据权利要求3所述的系统，其特征在于：所述的运动特征提取模块(3)包括特征计算模块、归一化模块、序列切分模块和特征编码模块；特征计算模块计算每个肢体部分包含的关节点坐标、速度和对应的骨骼长度参数作为特征；
速度计算公式如下：
Vi，t＝Ji,t+1-Ji,t，其中Vi，t为第i个关节点在t时刻的速度，Ji,t+1为第i个关节点在t+1时刻坐标；
骨骼长度计算公式如下：
Di，t＝||Ji,t-Ji-1,t||2，其中Di，t为第i个关节点所在骨骼在t时刻的像素尺度长度；
则每个肢体部分t时刻的特征Xb，t表示为：
Xb，t＝(Ji,t,Vi，t,Di，t，Ji+1,t,Vi+1，t,Di+1，t)，整个肢体部分的特征序列表示为{Xb，t}；
归一化模块采用极值归一化方法，具体计算方法如下：
分别计算对应关节的坐标、速度、骨骼长度的归一化特征，最终全部归一化到[0,1]区间内；
序列切分模块选取时长L和步长S的时间窗，分别对4个肢体部分RA、LA、RL、LL进行切分，得到4个肢体部分的clip子集，定义为{Cb，k|b＝RA，LA，RL，LL}，k代表切分得到的子集数目；定义每个clip的窗长为L，那么Cb，k的特征序列表示为：
Xb，k＝[Xb，(L-S)(k-1)+1,Xb，(L-S)(k-1)+2,…,Xb，(L-S)(k-1)+L]；
特征编码模块实现特征的直方分布编码，将归一化后的特征进行直方统计，针对不同的坐标、速度、骨骼长度特征指标设定不同的特征区间，分别统计时长L内的特征序列Xb，k在不同特征区间的分布，形成特征编码。
5.根据权利要求4所述的系统，其特征在于：所述的自适应近邻传播自聚类模块(4)对特征序列集合进行自适应自聚类，通过以固定步长减小偏向参数p，不断迭代该模块结果，通过轮廓系数指标选出最佳的聚类结果；
得到4个肢体部分的聚类类数{Nb,p|b＝RA,LA,RL,LL}，和4个肢体部分的聚类分布，并将聚类类数{Nb,p|b＝RA,LA,RL,LL}输入多维指标分析模块(5)，将聚类分布结果输入结果可视化模块(6)。
6.根据权利要求5所述的系统，其特征在于：多维指标分析模块(5)实现多维指标的计算，在自适应近邻传播自聚类模块(4)中得到4个肢体部分的聚类类数{Nb,p|b＝RA,LA,RL,LL}，设定一个比例系数r，那么4个肢体部分的指标Pb计算公式如下：
Pb＝r*Nb/L；其中b代表不同的肢体部分，r为固定的比例系数，L为每个肢体部分的特征序列数量，将多维指标结果输入结果可视化模块(6)。
7.根据权利要求6所述的系统，其特征在于：所述的结果可视化模块(6)实现多维指标的可视化以及聚类分布结果的可视化，将4个肢体部分的指标Pb以雷达图的形式可视化，不同的肢体部分指标数值不同，数值越大，说明婴儿的运动越复杂，风险程度越弱；同时结合不同的肢体部分，分析哪个肢体存在运动复杂度不达标的情况；聚类分布采用不同色块的形式展示，同一颜色代表同一聚类类别，不同颜色色块越多代表聚类类数越大，即婴儿该肢体部分的运动复杂程度高，通过观察对应肢体部分的异常聚类分布直观定位婴儿运动视频中对应时间的运动情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310562437.3A CN116597996A (zh) | 2023-05-18 | 2023-05-18 | 基于自适应近邻传播自聚类模型的婴儿脑发育量化评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310562437.3A CN116597996A (zh) | 2023-05-18 | 2023-05-18 | 基于自适应近邻传播自聚类模型的婴儿脑发育量化评估系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116597996A true CN116597996A (zh) | 2023-08-15 |
Family
ID=87604135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310562437.3A Pending CN116597996A (zh) | 2023-05-18 | 2023-05-18 | 基于自适应近邻传播自聚类模型的婴儿脑发育量化评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597996A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118012876A (zh) * | 2024-04-10 | 2024-05-10 | 山东硕杰医疗科技有限公司 | 一种残疾儿童康复信息平台数据的智慧存储方法 |
-
2023
- 2023-05-18 CN CN202310562437.3A patent/CN116597996A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118012876A (zh) * | 2024-04-10 | 2024-05-10 | 山东硕杰医疗科技有限公司 | 一种残疾儿童康复信息平台数据的智慧存储方法 |
| CN118012876B (zh) * | 2024-04-10 | 2024-06-11 | 山东硕杰医疗科技有限公司 | 一种残疾儿童康复信息平台数据的智慧存储方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | Decomposition algorithm for depth image of human health posture based on brain health | |
| CN110020623B (zh) | 基于条件变分自编码器的人体活动识别系统及方法 | |
| CN109222972B (zh) | 一种基于深度学习的fMRI全脑数据分类方法 | |
| Rui et al. | Segmenting visual actions based on spatio-temporal motion patterns | |
| CN111476161A (zh) | 一种融合图像和生理信号双通道的体感动态手势识别方法 | |
| CN113781640A (zh) | 基于弱监督学习的三维人脸重建模型建立方法及其应用 | |
| CN111914925B (zh) | 一种基于深度学习的患者行为多模态感知与分析系统 | |
| CN116597996A (zh) | 基于自适应近邻传播自聚类模型的婴儿脑发育量化评估系统 | |
| CN115238796A (zh) | 基于并行damscn-lstm的运动想象脑电信号分类方法 | |
| CN111862167A (zh) | 一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法 | |
| Ghosh et al. | VEA: vessel extraction algorithm by active contour model and a novel wavelet analyzer for diabetic retinopathy detection | |
| CN113197558B (zh) | 心率与呼吸率检测方法、系统及计算机存储介质 | |
| CN111914655B (zh) | 一种基于显著信号子段提取的脉象分类方法 | |
| CN113476056A (zh) | 一种基于频域图卷积神经网络的运动想象脑电信号分类方法 | |
| Vijayvargiya et al. | PC-GNN: Pearson Correlation-Based Graph Neural Network for Recognition of Human Lower Limb Activity Using sEMG Signal | |
| CN117058584A (zh) | 一种基于深度学习的婴儿痉挛症临床发作视频识别方法 | |
| CN109492530B (zh) | 基于深度多尺度时空特征的健壮性视觉物体跟踪方法 | |
| CN115813409A (zh) | 一种超低延迟的运动图像脑电图解码方法 | |
| CN114081447B (zh) | 一种基于普通视频输入的婴儿脑发育状态评估系统 | |
| CN112560784B (zh) | 一种基于动态多尺度卷积神经网络的心电图分类方法 | |
| CN115293210A (zh) | 一种基于脑电波的指令预测输出控制方法 | |
| CN114419061A (zh) | 一种肺部动静脉血管分割方法及系统 | |
| CN114638258A (zh) | 一种用于表面肌电信号手势识别的快速适配方法 | |
| CN115690912A (zh) | 一种基于图卷积网络的婴儿脑发育量化评估系统 | |
| Taha et al. | EEG Emotion Recognition Via Ensemble Learning Representations |
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 |