CN109381200A - 基于分离重聚范式和计算机视觉的孤独症初级筛查装置 - Google Patents
基于分离重聚范式和计算机视觉的孤独症初级筛查装置 Download PDFInfo
- Publication number
- CN109381200A CN109381200A CN201811217575.3A CN201811217575A CN109381200A CN 109381200 A CN109381200 A CN 109381200A CN 201811217575 A CN201811217575 A CN 201811217575A CN 109381200 A CN109381200 A CN 109381200A
- Authority
- CN
- China
- Prior art keywords
- autism
- module
- pedestrian
- prediction
- children
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/167—Personality evaluation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种孤独症初级筛查装置,包括:数据采集模块,用于记录实验过程中视频,声音等多模态数据;行人检测模块,用于通过深度学习自动提取视频每一帧里人的位置;行人识别模块,用于通过深度学习自动提取视频中参与者的身份;特征提取模块,自动跟踪参与实验的人员在实验室中的行动轨迹,并提取出与实验人员具有代表性的特征并标记;训练分类模块,用于利用已标记的特征训练分类器,得到预测范式评分的分类器模型与预测ASD的分类器模型;预测模块,用于采用由训练分类模块获取的预测ASD的分类器模型对测试者进行测试,对测试者的孤独症进行评估预测。本发明能被视作一个ASD早期筛查的辅助装置,使得早期的ASD筛查预测更加准确与方便。
Description
技术领域
本发明涉及图像处理领域,尤其涉及到一种基于分离重聚范式和计算机视觉的孤独症初级筛查装置,根据儿童在监护人与之分离之后行为模式评估预测孤独症,采集被试在分离-重聚实验中视频数据并加以分析其运动估计,以评估预测孤独症谱系障碍。
背景技术
社会各方面的研究者对孤独症谱系障碍(autism spectrum disorder,ASD)的关注在过去几年大幅上升。心理学,医学,计算机科学领域的研究院和专家近些年都在儿童自闭症的病因、诊断、干预治疗等方面有了新的发现。现在最广泛应用的测量方法包括孤独症诊断观察量表(Autism Diagnostic Observation Schedule-Generic,ADOS-G)与它的修订版本(ADOS-2)。ADOS是一种基于行为观察的诊断手段,需要一个受过临床训练的专业人员长时间的操作,这不仅增加了诊断成本,也减少了孤独症被早期诊断的机会。
最近的行为研究表明,自闭症儿童在以下三个方面的行为上有着与非自闭症儿童的显著差距,分别是:重复刻板动作,语言交流障碍,社会交往障碍。在社会交往障碍的表现中,专家和研究学者发现,自闭症儿童在分离-重聚实验中体与非自闭症儿童有着显著差异。具体来说,在儿童和家长一起玩玩具,然后家长突然离开儿童的情况下,非自闭症儿童大多会追随家长,表现出不安情绪的倾向;而自闭症儿童,有些会沉浸于自己的玩具中,对家长的离开反应弱或者无反应的倾向。这一现象也被广泛应用于人工自闭症诊疗环节中,作为一个重要依据。
而现在的计算机视觉与深度学习的发展,是我们在人的行为分析上有着突飞猛进的进展。越来越多的学者开始对自闭症儿童的行为进行分析,提取特征,并加以预测。
发明内容
针对上述现有技术存在的问题,本发明的目的在于提供一种基于分离重聚范式和计算机视觉的孤独症初级筛查装置,本发明与其他基于行为范式的自动筛查装置联合使用,能够在一定程度上简化ASD评估流程,减少ASD评估时间,增加客观度,提高ASD早期预测的机会。
为实现上述目的,本发明是根据以下技术方案实现的:
一种基于分离重聚范式和计算机视觉的孤独症初级筛查装置,其特征在于,包括:
数据采集模块,用于记录实验过程中实验人员的视频、声音的多模态数据,并进行同步数据采集;其中,参与的实验人员包括患有ASD个体与正常个体、儿童家长以及工作人员;
行人检测模块,用于从视频信息中提取人物身份特征,通过深度学习按照一定帧率提取出图像,接着对每一帧的图像进行行人检测,检测出出现的行人,并把行人利用矩形框框出来,最后自动提取视频每一帧里人的位置;
行人识别模块,用于通过深度学习自动提取视频中参与者的身份;
特征提取模块,用于自动跟踪参与实验的人员在实验室中的行动轨迹,并分析行动轨迹之间的关系,提取出与实验人员在具有代表性的特征并标记;
训练分类模块,用于利用已标记的特征训练分类器,得到预测行为范式的分数的分类器模型与预测ASD的分类器模型;
预测模块,用于采用由训练分类模块获取的预测ASD的分类器模型对测试者进行测试,对测试者的孤独症进行评估预测。
上述技术方案中,数据采集模块通过计算机视觉识别并跟踪儿童及其监护人的行动轨迹,并且分析儿童与监护人运动轨迹之间的相互关系,得到儿童在监护人离开实验室之后的反应特征;并同步记录实验过程中医生、家长、儿童的互动行为。
上述技术方案中,所述视频采集模块包括多角度摄像头以及多通道视频采集卡。
上述技术方案中,,所述多角度摄像头实现了水平范围360度,垂直范围2米范围内全覆盖的行为数据采集;利用摄像头从多角度采集参与者的行为数据,并且调整摄像头俯角,实现不同高度全覆盖。
上述技术方案中,所述行人识别模块对行人检测模块框出的行人进行识别,区分出该行人是儿童,医生还是家长,其通过以下两步实现的:首先利用行人重识别公开数据集,进行网络训练,得到行人重识别特征提取网络,再利用此网络对本专利中前一步得到的行人检测得到的图片进行行人身份特征提取。
所述特征提取模块还根据参与实验的人员在实验室中的行动轨迹,并分析家长离开实验房间之后,儿童的行动轨迹,提取在家长离开后儿童离开座位及离开房间的时间延迟、移动方向、速度、轨迹以及是否有重聚反应的特征。
上述技术方案中,还包括标记单元,所述标记单元得到儿童在家长离开后的重聚反应特征后,根据这个特征对应的个体的打分,标记此特征为0,1,2三种类别。其中2分指有行动上跟随反应;1分指有目光跟随但是没有行动上跟随;0分指没有跟随反应。
上述技术方案中,所述预测模块采用由训练分类模块获取的预测ASD的模型对测试者进行测试,对测试者的孤独症进行评估预测;测试得到一个分数,分数即为儿童在分离重聚实验中的表现;得到个体层级的分数后,基于设定的门限值T,预测该测试者是否患有ASD;当分数大于T时,预测该个体患有ASD,当分数小于T时,预测该个体不患有ASD。
本发明与现有技术相比,具有如下优点:
本发明提出了基于深度学习与计算机视觉的框架,对被试者在监护人离开自己时的行动轨迹进行分析,本发明不需要太多的人工成本。虽然本发明提出的装置并不能完全替代传统的ASD诊断方法,但它能被视作一个ASD评估的辅助早期筛查装置,使得早期的ASD评估预测更加准确与方便。
使用深度学习算法提取的儿童行为特征(例如儿童在家长离开房间后多久开始反应,经过多久时间可以接近监护人离开的门口等)代替现有行为分析中医生给出的0,1,2离散的分数,这样可以对行为的评估提取出更多有用的信息。
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的前提下,还可以根据这些附图获得其它附图。
图1是本发明基于分离重聚范式和计算机视觉的孤独症初级筛查装置的总框架结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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一部分实施例,而不是全部的实施例。
本发明提出一种基于分离重聚范式和计算机视觉的孤独症初级筛查装置,针对传统的ASD诊断方法的人工成本高、诊断周期长,设计分离-重聚范式,采用深度学习框架自动提取儿童在家长与之分离之后的行为特征,并依据行为特征训练数据,生成孤独症患者分离重聚表现的分析模型,根据该行为分析模型进行孤独症的评估预测。
图1是本发明的总框架结构图,如图1所示,本发明的一种基于分离重聚范式和计算机视觉的孤独症初级筛查装置,包括:
数据采集模块,用于记录实验过程中实验人员的视频、声音的多模态数据,并进行同步数据采集;其中,参与的实验人员包括患有ASD个体与正常个体、儿童家长以及工作人员。
具体地,在的实验室内利用绿色沙发隔出5米*5米大小的实验场地作为实验参与者的活动区域。参与者为儿童,儿童的监护人,医生三人。在具体实验中,三人首先围绕着桌子进行儿童喜欢的游戏,然后监护人按照医生的指示,在儿童看得见的方向上离开实验区域。接下来继续观察儿童是否有跟随监护人离开。
本发明还包括标记单元,所述标记单元得到儿童在家长离开后的重聚反应特征后,根据这个特征对应的个体的打分,标记此特征为0,1,2三种类别。
具体地,在该实施例中采集的ASD行为分析数据的目标为112个儿童,包括:58个患有ASD的小孩、30个年龄相当的正常小孩、28个智力障碍的小孩。对于每一个儿童,医生会给予临床的评分,分别为2分,有行动上跟随反应;1分,有目光跟随但是没有行动上跟随;0分没有跟随反应。
行人检测模块,用于从视频信息中提取人物身份特征,通过深度学习按照一定帧率提取出图像,接着对每一帧的图像进行行人检测,检测出出现的行人,并把行人利用矩形框框出来,最后自动提取视频每一帧里人的位置;
具体地,所述行人检测模块用来检测视频帧里人的位置,行人检测算法可以使用Region Proposal Network(RPN)网络进行自动提取。首先在caffe框架上利用公开数据集Caltech Pedestrian Dataset进行网络训练,然后在采集到的数据集上进行行人位置的特征提取。
行人识别模块,用于通过深度学习自动提取视频中参与者的身份;具体地,行人识别模块对行人检测模块框出的行人进行识别,区分出该行人是儿童,医生还是家长,其中包括网络训练与特征提取两步。其通过以下两步实现的:首先利用ResNet网络架构为基础网络,利用CUHK03行人重识别公开数据集,进行网络训练,得到行人重识别特征提取网络,再利用此网络对本专利中前一步得到的行人检测得到的图片进行行人身份特征提取。
特征提取模块,用于自动跟踪参与实验的人员在实验室中的行动轨迹,并分析行动轨迹之间的关系,提取出与实验人员在具有代表性的特征并标记;
具体地,利用在前一步中检测到的行人的身份,根据参与实验的人员在实验室中的行动轨迹,并分析家长离开实验房间之后,儿童的行动轨迹,提取儿童离开房间的时间延迟以及是否有重聚反应的特征。在本实例中使用的是家长离开房间后,儿童经历了多久到达家长离开的门口作为衡量标准。即是:如果儿童有积极地重聚行为,到达门口的时间应较短,如果儿童重聚行为不积极,则有着较长的到达时间。这个特征是对重聚行为的度量。
训练分类模块,用于利用已标记的特征训练分类器,得到预测行为范式的分数的分类器模型与预测ASD的分类器模型;
具体地,使用一个二元分类器算法来训练已标记好的特征,得到预测ASD的模型。
在本实施例中,使用逻辑回归(Logistic Regression)对已标记的特征进行分类。逻辑回归学习到一个从特征x到标签y的映射,使得误差尽可能小。同时,也可以使用其他的分类算法,例如linear regression,SVM等。
数据采集模块通过计算机视觉识别并跟踪儿童行动轨迹,并且分析儿童与监护人运动轨迹之间的相互关系,得到儿童在监护人离开实验室之后的反应特征;并同步记录实验过程中医生、家长、儿童的互动行为;家长在桌子前与儿童进行互动玩耍,并根据医生的指示,在儿童看得到的方向上离开实验室后,还用于采集儿童后续的行为。
特征提取模块还根据参与实验的人员在实验室中的行动轨迹,并分析家长离开实验房间之后,儿童的行动轨迹,提取在家长离开后儿童离开座位及离开房间的时间延迟、移动方向、速度、轨迹以及是否有重聚反应的特征。
视频采集模块包括多角度摄像头以及多通道视频采集卡。而多角度摄像头实现了水平范围360度,垂直范围2米范围内全覆盖的行为数据采集;利用摄像头从多角度采集参与者的行为数据,并且调整摄像头俯角,实现不同高度全覆盖。
预测模块,用于采用由训练分类模块获取的预测ASD的分类器模型对测试者进行测试,对测试者的孤独症进行评估预测。
预测模块采用由训练分类模块获取的预测ASD的模型对测试者进行测试,对测试者的孤独症进行评估预测;测试得到一个分数,分数即为儿童在分离重聚实验中的表现;
具体地,本发明利用训练分类模块训练得到的逻辑回归算法中特征x到标签y的映射方程,对待测试数据进行测试,得到一个分数,这个分数即为每个参与的实验人员重聚行为的分数。同时训练第二个分类器,即儿童是否有自闭症的分类器。
逻辑回归的方程如下:
t=wx+b
通过训练可以得到权重w和偏差b。
得到个体层级的分数后,基于设定的门限值T,预测该测试者是否患有ASD;当分数大于T时,预测该个体患有ASD,当分数小于T时,预测该个体不患有ASD,即:
实验中,使用以下标准来量化地评估预测结果的性能。
医生分数准确率:准确预测出医生分数的人数与总人数的比值;
ASD准确率:准确预测出是否患有ASD与否的人数与总人数的比值。
实验结果如表1所示:
表1
ACC | |
预测ASD准确率 | 57.14 |
预测范式分数准确率 | 83.03 |
由表1可知:本发明提出来的深度学习框架可以较好地预测医生给出的范式的打分,可以在临床使用上起到对医生地辅助作用,可以达到较好的预测结果83.03%。预测ASD的准确率还不够理想,需要和其他范式一起联合使用,通过多***多范式融合***进一步提高***的准确率。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (8)
1.一种基于分离重聚范式和计算机视觉的孤独症初级筛查装置,其特征在于,包括:
数据采集模块,用于记录实验过程中实验人员的视频、声音的多模态数据,并进行同步数据采集;其中,参与的实验人员包括患有ASD个体与正常个体、儿童家长以及工作人员;
行人检测模块,用于从视频信息中提取人物身份特征,通过深度学习按照一定帧率提取出图像,接着对每一帧的图像进行行人检测,检测出出现的行人,并把行人利用矩形框框出来,最后自动提取视频每一帧里人的位置;
行人识别模块,用于通过深度学习自动提取视频中参与者的身份;
特征提取模块,用于自动跟踪参与实验的人员在实验室中的行动轨迹,并分析行动轨迹之间的关系,提取出与实验人员在具有代表性的特征并标记;
训练分类模块,用于利用已标记的特征训练分类器,得到预测行为范式的分数的分类器模型与预测ASD的分类器模型;
预测模块,用于采用由训练分类模块获取的预测ASD的分类器模型对测试者进行测试,对测试者的孤独症进行评估预测。
2.根据权利要求1所述的基于分离重聚范式和计算机视觉的孤独症初级筛查装置,其特征在于,数据采集模块通过计算机视觉识别并跟踪儿童及其监护人的行动轨迹,并且分析儿童与监护人运动轨迹之间的相互关系,得到儿童在监护人离开实验室之后的反应特征;并同步记录实验过程中医生、家长、儿童的互动行为。
3.根据权利要求2所述的基于分离重聚范式和计算机视觉的孤独症初级筛查装置,其特征在于,所述视频采集模块包括多角度摄像头以及多通道视频采集卡。
4.根据权利要求3所述的基于分离重聚范式和计算机视觉的孤独症初级筛查装置,其特征在于,所述多角度摄像头实现了水平范围360度,垂直范围2米范围内全覆盖的行为数据采集;利用摄像头从多角度采集参与者的行为数据,并且调整摄像头俯角,实现不同高度全覆盖。
5.根据权利要求1所述的基于分离重聚范式和计算机视觉的孤独症初级筛查装置,其特征在于,所述行人识别模块对行人检测模块框出的行人进行识别,区分出该行人是儿童,医生还是家长,其通过以下两步实现的:首先利用行人重识别公开数据集,进行网络训练,得到行人重识别特征提取网络,再利用此网络对本专利中前一步得到的行人检测得到的图片进行行人身份特征提取。
6.根据权利要求1所述的基于分离重聚范式和计算机视觉的孤独症初级筛查装置,其特征在于,所述特征提取模块还根据参与实验的人员及其监护人在实验室中的行动轨迹,并分析家长离开实验房间之后,儿童的行动轨迹,提取在家长离开后儿童离开座位及离开房间的时间延迟、移动方向、速度、轨迹以及是否有重聚反应的特征。
7.根据权利要求1所述的基于分离重聚范式和计算机视觉的孤独症初级筛查装置,其特征在于,还包括标记单元,所述标记单元得到儿童在家长离开后的重聚反应特征后,根据这个特征对应的个体的打分,标记此特征为0,1,2三种类别。其中2分指有行动上跟随反应;1分指有目光跟随但是没有行动上跟随;0分指没有跟随反应。
8.根据权利要求7所述的基于分离重聚范式和计算机视觉的孤独症初级筛查装置,其特征在于,所述预测模块采用由训练分类模块获取的预测ASD的模型对测试者进行测试,对测试者的孤独症进行评估预测;测试得到一个分数,分数即为儿童在分离重聚实验中的表现;得到个体层级的分数后,基于设定的门限值T,预测该测试者是否患有ASD;当分数大于T时,预测该个体患有ASD,当分数小于T时,预测该个体不患有ASD。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811217575.3A CN109381200B (zh) | 2018-10-18 | 2018-10-18 | 基于分离重聚范式和计算机视觉的孤独症初级筛查装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811217575.3A CN109381200B (zh) | 2018-10-18 | 2018-10-18 | 基于分离重聚范式和计算机视觉的孤独症初级筛查装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109381200A true CN109381200A (zh) | 2019-02-26 |
CN109381200B CN109381200B (zh) | 2022-04-29 |
Family
ID=65427000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811217575.3A Active CN109381200B (zh) | 2018-10-18 | 2018-10-18 | 基于分离重聚范式和计算机视觉的孤独症初级筛查装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109381200B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110364260A (zh) * | 2019-07-05 | 2019-10-22 | 昆山杜克大学 | 基于指示性语言范式的孤独症早期评估装置及*** |
CN110459327A (zh) * | 2019-08-07 | 2019-11-15 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种基于深度学习的自闭症刻板行为分析方法及*** |
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*** |
CN114038562A (zh) * | 2021-11-10 | 2022-02-11 | 中南大学湘雅二医院 | 一种心理发育评估方法、装置、***及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030058111A1 (en) * | 2001-09-27 | 2003-03-27 | Koninklijke Philips Electronics N.V. | Computer vision based elderly care monitoring system |
CN103258450A (zh) * | 2013-03-22 | 2013-08-21 | 华中师范大学 | 面向孤独症儿童的智能学习平台 |
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 |
CN109431523A (zh) * | 2018-10-19 | 2019-03-08 | 昆山杜克大学 | 基于非社会性声音刺激行为范式的孤独症初级筛查装置 |
-
2018
- 2018-10-18 CN CN201811217575.3A patent/CN109381200B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030058111A1 (en) * | 2001-09-27 | 2003-03-27 | Koninklijke Philips Electronics N.V. | Computer vision based elderly care monitoring system |
CN103258450A (zh) * | 2013-03-22 | 2013-08-21 | 华中师范大学 | 面向孤独症儿童的智能学习平台 |
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 |
CN109431523A (zh) * | 2018-10-19 | 2019-03-08 | 昆山杜克大学 | 基于非社会性声音刺激行为范式的孤独症初级筛查装置 |
Non-Patent Citations (2)
Title |
---|
WENBO LIU ET AL: "Response to name: A dataset and a multimodal machine learning framework towards autism study", 《2017 SEVENTH INTERNATIONAL CONFERENCE ON AFFECTIVE COMPUTING AND INTELLIGENT INTERACTION (ACII)》 * |
邓红珠 等: "婴幼儿孤独症患者亲子依恋类型及影响因素分析", 《中国临床心理学杂志》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110364260A (zh) * | 2019-07-05 | 2019-10-22 | 昆山杜克大学 | 基于指示性语言范式的孤独症早期评估装置及*** |
CN110459327A (zh) * | 2019-08-07 | 2019-11-15 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种基于深度学习的自闭症刻板行为分析方法及*** |
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*** |
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*** |
CN114038562A (zh) * | 2021-11-10 | 2022-02-11 | 中南大学湘雅二医院 | 一种心理发育评估方法、装置、***及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109381200B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109381200A (zh) | 基于分离重聚范式和计算机视觉的孤独症初级筛查装置 | |
Jaiswal et al. | Automatic detection of ADHD and ASD from expressive behaviour in RGBD data | |
CN105069304B (zh) | 一种基于机器学习的评估预测asd的装置 | |
Williamson et al. | Tracking depression severity from audio and video based on speech articulatory coordination | |
Lu et al. | Vision-based estimation of MDS-UPDRS gait scores for assessing Parkinson’s disease motor severity | |
CN110349674A (zh) | 基于不当行为观测分析的孤独症谱系障碍评估装置及*** | |
King et al. | Micro-stress EMA: A passive sensing framework for detecting in-the-wild stress in pregnant mothers | |
CN106725532A (zh) | 基于语音特征与机器学习的抑郁症自动评估***和方法 | |
CN109431523A (zh) | 基于非社会性声音刺激行为范式的孤独症初级筛查装置 | |
WO2009116043A1 (en) | Method and system for determining familiarity with stimuli | |
CN106980815A (zh) | 基于h‑b分级评分监督下的面瘫客观评估方法 | |
CN103479367A (zh) | 一种基于面部运动单元识别的驾驶员疲劳检测方法 | |
CN110363129A (zh) | 基于微笑范式和音视频行为分析的孤独症早期筛查*** | |
CN110110633A (zh) | 一种基于机器学习的偏瘫步态自动识别和分析的方法 | |
CN109273093A (zh) | 一种川崎病风险评估模型的构建方法及构建*** | |
CN109431522A (zh) | 基于叫名反应范式的孤独症早期筛查装置 | |
CN114358194A (zh) | 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法 | |
Ma et al. | VicoVR-based wireless daily activity recognition and assessment system for stroke rehabilitation | |
Rad et al. | Stereotypical motor movement detection in dynamic feature space | |
García et al. | Multimodal I-vectors to Detect and Evaluate Parkinson's Disease. | |
CN110364260A (zh) | 基于指示性语言范式的孤独症早期评估装置及*** | |
Triantafyllopoulos et al. | Fatigue prediction in outdoor running conditions using audio data | |
Panhwar et al. | Quantitative frailty assessment using activity of daily living (ADL) | |
KR102539760B1 (ko) | Adhd 진단을 위한 게임을 이용한 임상평가점수 예측 장치 및 그 방법 | |
CN107157498B (zh) | 一种针对脑力疲劳的语音疲劳度检测方法 |
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 |