CN111091910B - 基于画钟测试的智能评估*** - Google Patents
基于画钟测试的智能评估*** Download PDFInfo
- Publication number
- CN111091910B CN111091910B CN201911300342.4A CN201911300342A CN111091910B CN 111091910 B CN111091910 B CN 111091910B CN 201911300342 A CN201911300342 A CN 201911300342A CN 111091910 B CN111091910 B CN 111091910B
- Authority
- CN
- China
- Prior art keywords
- detection module
- area
- included angle
- clock
- unit
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 32
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 238000010422 painting Methods 0.000 title claims description 10
- 238000001514 detection method Methods 0.000 claims abstract description 113
- 239000013598 vector Substances 0.000 claims description 58
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 9
- 239000003973 paint Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 108010001267 Protein Subunits Proteins 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 6
- 208000024827 Alzheimer disease Diseases 0.000 description 5
- 206010039966 Senile dementia Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 206010012289 Dementia Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000036626 Mental retardation Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能领域，具体涉及一种基于画钟测试的智能评估***，旨在解决不同医生给出的评分结果存在差距的问题。本发明的***包括圆度检测模块、完整性检测模块、正确性检测模块和评分模块。其中，圆度检测模块配置为检测待评估图像中的钟表轮廓、画出钟表轮廓的最小外接圆，并计算轮廓所围面积和最小外接圆面积的比率；完整性检测模块配置为检测待评估图像中数字、时针和分针是否存在，并获取相应的坐标值；正确性检测模块配置为根据坐标值分别检测数字位置、时针和分针的指向是否正确；评分模块配置为根据上述检测结果进行评分。本发明解决了患者不方便前往医院参与测试的问题，并有效避免了因医生的不同而导致评分结果存在差异的问题。
Description
技术领域
本发明涉及人工智能领域，具体涉及一种基于画钟测试的智能评估***。
背景技术
随着老龄化社会的来临，老年认知障碍相关的痴呆、失智等病症已经开始引起社会各领域的广泛关注。然而由于老年痴呆早期症状不明显，很容易被忽略，绝大多数老年痴呆患者在发现时已到了中晚期，错过了最佳治疗干预的时机。因此有研究指出，潜在风险人群包括高血压患者应定期进行认知功能障碍的画钟测试。
画钟测试(Clock Drawing Test，CDT)是一项简单易行，准确性高且文化相关性小，能全面反映认知功能的失智症筛查测试，可作为检查老年性痴呆的早期筛查工具。它可以检测老人的视觉记忆图形的重建能力、动作的计划性和执行功能、抗干扰能力等多方面表现。相关资料显示，画钟测试老年痴呆的准确率高达80％～90％。
画钟测试有多种计分形式，但其本质无外乎以下几个方面：1.画出闭锁的圆(表盘)；2.画出圆内均匀分布的刻度；3.标出刻度对应的数字；4.画出由测试方指定时间的时针与分针。最终由临床医生对画钟测试的结果图像进行评分。但是，上述手段受限于医疗资源不足和患者前往医院评估不便，并且不同医生给出的评分结果存在波动和差距。
发明内容
为了解决现有技术中的上述问题，本发明提出了一种基于画钟测试的智能评估***，解决了患者不方便前往医院参与测试的问题，并有效避免了因医生的不同而导致评分结果存在差异的问题。
本发明提出了一种基于画钟测试的智能评估***，所述***包括：圆度检测模块、完整性检测模块、正确性检测模块和评分模块；
所述圆度检测模块配置为：检测待评估图像中的钟表轮廓，画出所述钟表轮廓的最小外接圆，并计算所述钟表轮廓所围成的面积和所述最小外接圆面积的比率；
所述完整性检测模块配置为：检测所述待评估图像中数字、时针和分针是否存在，并获取相应的坐标值；
所述正确性检测模块配置为：根据所述坐标值，分别检测所述数字位置是否正确，以及所述时针和所述分针的指向是否正确；
所述评分模块配置为：根据所述圆度检测模块、所述完整性检测模块和所述正确性检测模块的检测结果，对所述待评估图像中所画钟表进行评分。
优选地，所述圆度检测模块包括：预处理单元、轮廓检测单元、外接圆绘制单元和面积率计算单元；
所述预处理单元配置为：将所述待评估图像转换为灰度图；
所述轮廓检测单元配置为：检测所述灰度图中的所述钟表轮廓；
所述外接圆绘制单元配置为：绘制所述钟表轮廓的最小外接圆；
所述面积率计算单元配置为：分别计算所述钟表轮廓所围成的面积和所述最小外接圆的面积，并求出二者的比率。
优选地，所述面积率计算单元包括：第一面积计算子单元、第二面积计算子单元和比率计算子单元；
所述第一面积计算子单元配置为：计算所述钟表轮廓内部像素值为255的像素个数，进而计算出所述钟表轮廓所围成的面积；
所述第二面积计算子单元配置为：计算所述最小外接圆的面积；
所述比率计算子单元配置为：计算所述钟表轮廓所围成的面积和所述最小外接圆面积的比率。
优选地，所述完整性检测模块包括：基于掩膜区域的卷积神经网络。
优选地，所述正确性检测模块包括：数字位置检测单元、时针分针指向检测单元；
所述数字位置检测单元配置为：分别对所述待评估图像中12个数字的位置是否准确进行检测；
所述时针分针指向检测单元配置为：分别对所述待评估图像中时针和分针的指向是否准确进行检测。
优选地，所述数字位置检测单元包括：向量绘制子单元、夹角计算子单元和数字判断子单元；
所述向量绘制子单元配置为：以所述最小外接圆的圆心为起点分别画出指向12个数字的向量x0、x1、x2、…、x11；
所述夹角计算子单元配置为：分别计算向量x0、x1、x2、…、x11与向量x0的夹角，得到夹角值A0、A1、A2、…、A11；
所述数字判断子单元配置为：根据夹角值A0、A1、A2、…、A6，依次判断A1、A2、…、A6中每个夹角是否大于前一夹角且与前一夹角的差值的绝对值满足预设的夹角范围；根据夹角值A7、A8、…、A11、A0，依次判断A7、A8、…、A11中每个夹角是否大于后一夹角且与后一夹角的差值的绝对值满足所述预设的夹角范围。
优选地，所述时针分针指向检测单元包括：指针区分子单元、指针向量绘制子单元和指针判断子单元；
所述指针区分子单元配置为：根据所述待评估图像中两个指针的长短关系区分时针与分针；
所述指针向量绘制子单元配置为：分别画出所述待评估图像中时针与分针的向量以及指向目标时间点的标准时针向量与标准分针向量；
所述指针判断子单元配置为：判断画出的时针向量与所述标准时针向量的夹角是否满足预设的第一误差范围；判断画出的分针向量与所述标准分针向量的夹角是否满足预设的第二误差范围。
优选地，所述评分模块具体配置为：根据预设的评分标准以及所述圆度检测模块、所述完整性检测模块和所述正确性检测模块的检测结果，对所述待评估图像中所画钟表进行评分；
其中，所述预设的评分标准为：
若所述钟表轮廓所围成的面积和所述最小外接圆面积的比率满足预设的面积率范围，记1分；
若12个数字均存在，记1分；
若12个数字的位置准确，记1分；
若指针的指向准确，记1分。
优选地，所述圆度检测模块还包括：敏感度提高单元；
所述敏感度提高单元配置为：对所述灰度图进行提高敏感度的处理之后输入到所述轮廓检测单元。
优选地，所述***还包括：图像采集模块；
所述图像采集模块配置为：采集所述待评估图像。
优选地，所述***还包括：显示模块；
所述显示模块配置为：显示评分结果。
与最接近的现有技术相比，本发明具有如下有益效果：
本发明提出的基于画钟测试的智能评估***包括：圆度检测模块、完整性检测模块、正确性检测模块和评分模块。
其中，圆度检测模块通过计算钟表轮廓所围成的面积和最小外接圆面积的比率来衡量圆度。使用最小外接圆法避开了最小二乘法实现圆拟合的劣势：最小二乘圆法受异常值影响非常严重，哪怕仅有寥寥几个异常值，结果都将非常剧烈且敏感地变化。此外，该模块使用了像素点计数的方法来计算钟表轮廓所围成的面积，是一种计算不规则图形面积的最有效且最简单的手段。
完整性检测模块采用Faster–RCNN网络结构来检测待评估图像中数字、时针和分针是否存在，并获取相应的坐标值，该网络的性能及效率远远超过以前的Faster–RCNN，且训练速度异常迅速，其中的ROIAligh完美地解决了Faster-RCNN中ROIPooling的精度及像素损失问题。
正确性检测模块根据完整性检测模块返回的坐标值，分别检测数字位置是否正确，以及时针和分针的指向是否正确。该将完整性检测模块中获得的坐标信息巧妙结合了起来，利用三角函数以及向量的知识，完成了对数字位置、时针和分针指向准确性的检测；设置了较为可靠的误差范围，让实验结果置信度更高；经过了大量数据训练，效果显著。
本发明的评估***利用计算机视觉原理，自动对画钟测试图像进行智能评估，解决了患者不方便前往医院参与测试的问题，并有效避免了因医生的不同而导致评分结果存在差异的问题。
附图说明
图1是本发明的基于画钟测试的智能评估***实施例一的主要构成示意图；
图2是本发明的基于画钟测试的智能评估***实施例二的主要构成示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“第一”、“第二”仅仅是为了便于描述，而不是指示或暗示所述装置、元件或参数的相对重要性，因此不能理解为对本发明的限制。
图1是本发明的基于画钟测试的智能评估***实施例一的主要构成示意图。如图1所示，本实施例的智能评估***包括：圆度检测模块10、完整性检测模块20、正确性检测模块30和评分模块40。
其中，圆度检测模块10配置为：检测待评估图像中的钟表轮廓，画出钟表轮廓的最小外接圆，并计算钟表轮廓所围成的面积和最小外接圆面积的比率；完整性检测模块20配置为：检测待评估图像中数字、时针和分针是否存在，并获取相应的坐标值；正确性检测模块30配置为：根据获取的坐标值，分别检测数字位置，以及时针和分针的指向是否准确；评分模块40配置为：根据圆度检测模块、完整性检测模块、正确性检测模块的检测结果，对待评估图像中所画钟表进行评分。上述4个模块可以全部设置在同一片CPU(如，x86芯片)上，也可以将圆度检测模块10设置在DSP上，其余3个模块设置在CPU上。
圆度测量是用于评定实际圆(即参与画钟测试者手工画出来的圆)是否足够逼近理想圆的一种测量思路。而圆是一种二维图形，它可以在计算机中以像素点的形式呈现出来并用编程方法实现几何问题的推导，因此，这既是几何问题，也可以视作计算机视觉问题。
在圆度测量中，现有技术通常采用下列三种方法之一：
(1)最小二乘圆法：以被测圆轮廓上相应各点至圆周距离的平方和为最小的圆的圆心为圆心，所作包容被测圆轮廓的两同心圆的半径差即为圆度误差。
(2)最小外接圆法：求实际轮廓的最小外接圆，求得面积率＝实际轮廓包含面积/最小外接圆面积，面积率越趋近于1，圆度越高。
(3)最大内接圆法：求实际轮廓的最大内接圆，求得面积率＝最大内接圆面积/实际轮廓包含面积，面积率越趋近于1，圆度越高。
本发明中，采用最小外接圆法与面积率相结合的方法，即在求得最小外接圆之后，再计算面积率，进而对实际圆的圆度进行判断。
具体地，本实施例中圆度检测模块10可以包括：预处理单元、轮廓检测单元、外接圆绘制单元和面积率计算单元。
其中，预处理单元配置为将待评估图像转换为灰度图；轮廓检测单元配置为检测灰度图中的钟表轮廓(如，可以使用cv2中的RETR_EXTERNAL方法检测轮廓)；外接圆绘制单元配置为绘制钟表轮廓的最小外接圆(如，可以利用cv2中的pointPolygonTest(cnt,(j,i),True)方法将轮廓内部的像素点调整，实现图像分割。最后使用cv2中的minEnclosingCircle方法与circle方法画出最小外接圆)；面积率计算单元配置为分别计算钟表轮廓所围成的面积和最小外接圆的面积，并求出二者的比率。
具体地，本实施例中的面积率计算单元可以包括：第一面积计算子单元、第二面积计算子单元和比率计算子单元。
其中，第一面积计算子单元配置为：计算钟表轮廓内部像素值为255的像素个数，进而计算出钟表轮廓所围成的面积；第二面积计算子单元配置为：计算最小外接圆的面积(因为拟合了最小外接圆，同时得到了圆心坐标以及半径信息)；比率计算子单元配置为：计算钟表轮廓所围成的面积和最小外接圆面积的比率，即面积率。面积率越趋近于1说明钟表轮廓越接近理想圆。
本实施例中的圆度测量模块具有如下优点：
(1)避开了最小二乘法实现圆拟合的劣势：最小二乘圆法受异常值影响非常严重，哪怕仅有寥寥几个异常值，结果都将非常剧烈且敏感地变化；
(2)使用了像素点计数的方法，这是一种计算非常规图形面积的最有效且最简单的手段。
具体地，本实施例中的完整性检测模块20可以包括：基于掩膜区域的卷积神经网络(Mask-RCNN)。该模块判断1到12这12个数字是否都存在，没有缺漏，并返回这12个目标的位置坐标；另外，判断时针和分针是否都存在，没有缺漏，并返回这两个目标的位置坐标。返回的坐标值包括：包围每个数字、时针和分针的边界框的中心点坐标。
若将数字、时针、分针视作目标个体，那么检测它们的存在以及位置坐标的最好方法是目前业界应用非常广泛的Faster-RCNN以及Mask-RCNN。
在本实施例的***中，选择Mask-RCNN。Mask-RCNN的构成，由下而上依次包括：backbone、FPN、RPN、anchors、RoIAlign、classification、box regression和mask。
其中，Backbone是用于提取图像特征的卷积神经网络(一般使用ResNet101)，ResNet是为了能够训练更加深层的神经网络(因为当层数较高的时候，神经网络性能会退化)，ResNet使用了跨层连接，使得训练更加容易；FPN的主干是一个标准的卷积神经网络(通常来说是ResNet50和ResNet101)，作为特征提取器。底层检测的是低级特征(边缘和角等)，较高层检测的是更高级的特征(汽车、人、天空等)。FPN通过添加第二个金字塔提升了标准特征提取金字塔的性能，第二个金字塔可以从第一个金字塔选择高级特征并传递到底层上。通过这个过程，它允许每一级的特征都可以和高级、低级特征互相结合。FPN的最终效果是：浅层次的特征可以将简单的目标检测出来，而深层次的特征可以将较为复杂的目标检测处理；RPN的功能是根据FPN筛选出的区域，来推荐object proposals。将FPN的最后一层输出的特征图，使用n*n的滑动窗口经过一个卷积网络后提取出特征。通过CLS和REG分别判断目标类别和进行bounding box大小的微调；Anchors用于在feature maps的像素点上产生一系列的框，各个框的大小由scale和ratio这两个参数来确定的，比如scale＝[128]，ratio＝[0.5,1,1.5]，则每个像素点可以产生3个不同大小的框。这个三个框是由保持框的面积不变，来通过ratio的值来改变其长宽比，从而产生不同大小的框；RoIAlign用于提取RPN提供的feature map中更为深层次的特征。这是Mask-RCNN相较于Fast-RCNN，一个更加新颖的想法，它解决了Fast-RCNN中出现的精度损失问题；Classification用于判断该object proposal属于什么类别；Regression用于对bounding box进行微调；mask的预测是通过全连接神经网络来进行的，且属于语义分割。Mask-RCNN与其他分割框架的不同，是先分类再分割。
本实施例的完整性检测模块具有如下优点：
(1)性能及效率远远超过以前的Faster–RCNN；
(2)训练速度异常迅速；
(3)ROIAligh完美地解决了Faster-RCNN中ROIPooling的精度及像素损失问题。
具体地，本实施例中的正确性检测模块30可以包括：数字位置检测单元、时针分针指向检测单元。
其中，数字位置检测单元配置为：分别对待评估图像中12个数字的位置是否准确进行检测；时针分针指向检测单元配置为：分别对待评估图像中时针和分针的指向是否准确进行检测。
本实施例中检测数字位置准确性的原理如下：
因为边界框(bounding box)和目标数字几近于相切，那么bounding box的中心可以视作是数字的具体坐标。取“12”对应的bounding box中心位置与外接圆圆心，组成向量x0(从外接圆圆心指向“12”)。同理，另外11个数字类别对应的bounding box中心可以分别和外接圆圆心组成向量x1、x2、…、x11；。将12个数字类别的bounding box的中心进行排序，且此时理想状态下各向量xi与x0使用反三角函数求得的夹角序列应为0，30，60，90，120，150，180，150，120，90，60，30(度)。因此若想知道12个数字bounding box的顺序是否正确，首先我们可以判断12、1、...、6这七个数字的夹角排列是否满足A[i]＜A[i+1]且|A[i+1]-A[i]|＜＝40.0(其中，40＝30+10，10度为误差范围)，接着判断后面几个数字(7、8、…、11)的夹角排列是否满足A[i]＞A[i+1]且|A[i+1]-A[i]|＜＝40.0。
具体地，本实施例中数字位置检测单元可以包括：向量绘制子单元、夹角计算子单元和数字判断子单元。
其中，向量绘制子单元配置为：以最小外接圆的圆心为起点分别画出指向12个数字的向量x0、x1、x2、…、x11；夹角计算子单元配置为：分别计算向量x0、x1、x2、…、x11与向量x0的夹角，得到夹角值A0、A1、A2、…、A11；数字判断子单元配置为：根据夹角值A0、A1、A2、…、A6，依次判断A1、A2、…、A6中每个夹角是否大于前一夹角且与前一夹角的差值的绝对值满足预设的夹角范围(如，40度)；根据夹角值A7、A8、…、A11、A0，依次判断A7、A8、…、A11中每个夹角是否大于后一夹角且与后一夹角的差值的绝对值满足预设的夹角范围(如，40度)。
本实施例中判断时针分针指向准确性的原理如下：
在时针和分针均被bounding box相切的情况下，我们很容易通过坐标信息来获取哪个是分针，哪个是时针(采用几何长度法：做简单的长短关系判断)。两个Bounding box再分别取中心点，得到一个新的圆心的坐标，这个时候可以得到时针和分针对应的两个向量。
例子：需要判断“10:45”这个目标时间点。这里所说的“目标时间点”，是事先指定的、要求参与画钟测试的被测试者在画出的钟表图中指向的时间。
圆心与目标“10”组成的向量(即标准时针向量)与时针向量在一定误差范围内近似重合即表明画出的时针指向准确。“45(分钟)”可通过简单的计算判断对应到数字“9”，圆心与“9”组成的分针向量(即标准分针向量)与分针向量在一定误差范围内近似重合即表明画出的分针指向准确。
具体地，本实施例中的时针分针指向检测单元可以包括：指针区分子单元、指针向量绘制子单元和指针判断子单元。
其中，指针区分子单元配置为：根据待评估图像中两个指针的长短关系区分时针与分针；指针向量绘制子单元配置为：分别画出待评估图像中时针与分针的向量以及指向目标时间点的标准时针向量与标准分针向量；指针判断子单元配置为：判断画出的时针向量与标准时针向量的夹角是否满足预设的第一误差范围；判断画出的分针向量与标准分针向量的夹角是否满足预设的第二误差范围。
本实施例的正确性检测模块具有如下优点：
(1)将完整性检测模块中获得的坐标信息巧妙结合了起来；
(2)利用三角函数以及向量的知识，完成了对数字位置、时针和分针指向准确性的检测；
(3)设置了较为可靠的误差范围，让实验结果置信度更高；
(4)经过了大量数据训练，效果显著。
进一步地，本实施例中的评分模块40可以具体配置为：根据预设的评分标准以及圆度检测模块、完整性检测模块和正确性检测模块的检测结果，对待评估图像中所画钟表进行评分。
画钟测试可以用来判断老年痴呆症，且徒手画钟表是一个复杂的行为活动，除了空间构造技巧外，尚需很多知识功能参与，涉及记忆、注意、抽象思维、设计、布局安排、运用、数字、计算、时间和空间定向概念、运作的顺序等多种认知功能。操作更简单、省时，也更易被患者所接受。画钟测试虽有多种评定方法，包括3分评定法、4分评定法、5分评定法、7分评定法、10分评定法和30分评定法等等。但以4分评定法(0-4Point method)简单、敏感和易行，其痴呆确诊率可达75％，因痴呆患者常不可能完整无缺地画一钟表盘面。
本实施例中采用4分评定法，预设的评分标准为：
(1)若钟表轮廓所围成的面积和最小外接圆面积的比率满足预设的面积率范围，记1分；
(2)若12个数字均存在，记1分；
(3)若12个数字的位置准确，记1分；
(4)若指针的指向准确，记1分。
在一种可选的实施例中，圆度检测模块10还可以包括：敏感度提高单元。
其中，敏感度提高单元设置于预处理单元与轮廓检测单元之间，配置为：对预处理单元输出的灰度图进行提高敏感度的处理(如采用Canny算法)之后输入到轮廓检测单元。
图2是本发明的基于画钟测试的智能评估***实施例二的主要构成示意图。如图2所示，本实施例的智能评估***除了包括圆度检测模块10、完整性检测模块20、正确性检测模块30和评分模块40之外，还包括图像采集模块50和显示模块60。
其中，圆度检测模块10、完整性检测模块20、正确性检测模块30和评分模块40的配置与实施例一相同，此处不再赘述；图像采集模块50配置为：采集待评估图像；显示模块60配置为：显示评分结果。
例如，由图像采集模块50(如，数字摄像头)将待评估图像拍摄下来，以供圆度检测模块10、完整性检测模块20和正确性检测模块30进行检测，然后由评分模块40根据检测结果进行打分，打分结果可以由显示模块60(如，液晶显示屏)进行显示，当然采集的待评估图像也可以根据需要进行显示。
本申请中对基于画钟测试的智能评估***进行模块、单元和子单元的划分，仅仅是为了更好地理解本发明的技术方案所涉及的功能，在实践中，这些模块所对应的功能可以由单个或多个硬件加载程序并执行。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (6)
1.一种基于画钟测试的智能评估***，其特征在于，所述***包括：圆度检测模块、完整性检测模块、正确性检测模块和评分模块；
所述圆度检测模块配置为：检测待评估图像中的钟表轮廓，画出所述钟表轮廓的最小外接圆，并计算所述钟表轮廓所围成的面积和所述最小外接圆面积的比率；圆度检测模块使用了像素点计数的方法来计算钟表轮廓所围成的面积；
所述圆度检测模块包括：预处理单元、轮廓检测单元、外接圆绘制单元和面积率计算单元；
所述预处理单元配置为：将所述待评估图像转换为灰度图；
所述轮廓检测单元配置为：检测所述灰度图中的所述钟表轮廓；
所述外接圆绘制单元配置为：绘制所述钟表轮廓的最小外接圆；
所述面积率计算单元配置为：分别计算所述钟表轮廓所围成的面积和所述最小外接圆的面积，并求出二者的比率；
所述面积率计算单元包括：第一面积计算子单元、第二面积计算子单元和比率计算子单元；
所述第一面积计算子单元配置为：计算所述钟表轮廓内部像素值为255的像素个数，进而计算出所述钟表轮廓所围成的面积；
所述第二面积计算子单元配置为：计算所述最小外接圆的面积；
所述比率计算子单元配置为：计算所述钟表轮廓所围成的面积和所述最小外接圆面积的比率；
所述完整性检测模块配置为：检测所述待评估图像中数字、时针和分针是否存在，并获取相应的坐标值；
所述正确性检测模块配置为：根据所述坐标值，分别检测所述数字位置是否正确，以及所述时针和所述分针的指向是否正确；正确性检测模块利用三角函数以及向量，对数字位置、时针和分针指向准确性的检测；正确性检测模块设置了误差范围；
所述正确性检测模块包括：数字位置检测单元、时针分针指向检测单元；
所述数字位置检测单元配置为：分别对所述待评估图像中12个数字的位置是否准确进行检测；
所述数字位置检测单元包括：向量绘制子单元、夹角计算子单元和数字判断子单元；
所述向量绘制子单元配置为：以所述最小外接圆的圆心为起点分别画出指向12个数字的向量x0、x1、x2、…、x11；
所述夹角计算子单元配置为：分别计算向量x0、x1、x2、…、x11与向量x0的夹角，得到夹角值A0、A1、A2、…、A11；
所述数字判断子单元配置为：根据夹角值A0、A1、A2、…、A6，依次判断A1、A2、…、A6中每个夹角是否大于前一夹角且与前一夹角的差值的绝对值满足预设的夹角范围；根据夹角值A7、A8、…、A11、A0，依次判断A7、A8、…、A11中每个夹角是否大于后一夹角且与后一夹角的差值的绝对值满足所述预设的夹角范围；
所述时针分针指向检测单元配置为：分别对所述待评估图像中时针和分针的指向是否准确进行检测；
所述时针分针指向检测单元包括：指针区分子单元、指针向量绘制子单元和指针判断子单元；
所述指针区分子单元配置为：根据所述待评估图像中两个指针的长短关系区分时针与分针；
所述指针向量绘制子单元配置为：分别画出所述待评估图像中时针与分针的向量以及指向目标时间点的标准时针向量与标准分针向量；
所述指针判断子单元配置为：判断画出的时针向量与所述标准时针向量的夹角是否满足预设的第一误差范围；判断画出的分针向量与所述标准分针向量的夹角是否满足预设的第二误差范围；
所述评分模块配置为：根据所述圆度检测模块、所述完整性检测模块和所述正确性检测模块的检测结果，对所述待评估图像中所画钟表进行评分。
2.根据权利要求1所述的基于画钟测试的智能评估***，其特征在于，所述完整性检测模块包括：基于掩膜区域的卷积神经网络。
3.根据权利要求1所述的基于画钟测试的智能评估***，其特征在于，所述评分模块具体配置为：根据预设的评分标准以及所述圆度检测模块、所述完整性检测模块和所述正确性检测模块的检测结果，对所述待评估图像中所画钟表进行评分；
其中，所述预设的评分标准为：
若所述钟表轮廓所围成的面积和所述最小外接圆面积的比率满足预设的面积率范围，记1分；
若12个数字均存在，记1分；
若12个数字的位置准确，记1分；
若指针的指向准确，记1分。
4.根据权利要求1所述的基于画钟测试的智能评估***，其特征在于，所述圆度检测模块还包括：敏感度提高单元；
所述敏感度提高单元配置为：对所述灰度图进行提高敏感度的处理之后输入到所述轮廓检测单元。
5.根据权利要求1-4中任一项所述的基于画钟测试的智能评估***，其特征在于，所述***还包括：图像采集模块；
所述图像采集模块配置为：采集所述待评估图像。
6.根据权利要求5所述的基于画钟测试的智能评估***，其特征在于，所述***还包括：显示模块；
所述显示模块配置为：显示评分结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911300342.4A CN111091910B (zh) | 2019-12-17 | 2019-12-17 | 基于画钟测试的智能评估*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911300342.4A CN111091910B (zh) | 2019-12-17 | 2019-12-17 | 基于画钟测试的智能评估*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111091910A CN111091910A (zh) | 2020-05-01 |
| CN111091910B true CN111091910B (zh) | 2023-11-03 |
Family
ID=70395641
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911300342.4A Active CN111091910B (zh) | 2019-12-17 | 2019-12-17 | 基于画钟测试的智能评估*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091910B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111739636A (zh) * | 2020-06-19 | 2020-10-02 | 智恩陪心(北京)科技有限公司 | 一种基于ppat的心理智能分析*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1755754A (zh) * | 2004-02-27 | 2006-04-05 | 佳能株式会社 | 图像显示装置 |
| CN104715157A (zh) * | 2015-03-25 | 2015-06-17 | 成都信息工程学院 | 一种基于画钟实验的认知功能障碍评估***和方法 |
| CN108197564A (zh) * | 2017-12-29 | 2018-06-22 | 复旦大学附属中山医院 | 一种画钟试验的评估***及方法 |
| CN108492870A (zh) * | 2017-02-23 | 2018-09-04 | 中国科学院软件研究所 | 基于数位笔的画钟测试检测方法及*** |
| CN110384484A (zh) * | 2019-07-25 | 2019-10-29 | 科大讯飞股份有限公司 | 一种图形评估方法、装置、设备及存储介质 |
| CN110859599A (zh) * | 2019-11-26 | 2020-03-06 | 复旦大学 | 脑血管病神经损伤病人认知功能自动化筛查*** |
| RU2745282C1 (ru) * | 2020-06-02 | 2021-03-23 | Государственное бюджетное учреждение здравоохранения Московской области "Московский областной научно-исследовательский клинический институт им. М.Ф. Владимирского" (ГБУЗ МО МОНИКИ им. М.Ф. Владимирского) | Способ диагностики степени выраженности сосудистых когнитивных нарушений |
| CA3103781A1 (en) * | 2019-12-23 | 2021-06-23 | Peter Anthony Hall | Method and system for assessing cognitive function of an individual |
| CN113795815A (zh) * | 2019-05-06 | 2021-12-14 | 苹果公司 | 用于电子设备的时钟钟面 |
-
2019
- 2019-12-17 CN CN201911300342.4A patent/CN111091910B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1755754A (zh) * | 2004-02-27 | 2006-04-05 | 佳能株式会社 | 图像显示装置 |
| CN104715157A (zh) * | 2015-03-25 | 2015-06-17 | 成都信息工程学院 | 一种基于画钟实验的认知功能障碍评估***和方法 |
| CN108492870A (zh) * | 2017-02-23 | 2018-09-04 | 中国科学院软件研究所 | 基于数位笔的画钟测试检测方法及*** |
| CN108197564A (zh) * | 2017-12-29 | 2018-06-22 | 复旦大学附属中山医院 | 一种画钟试验的评估***及方法 |
| CN113795815A (zh) * | 2019-05-06 | 2021-12-14 | 苹果公司 | 用于电子设备的时钟钟面 |
| CN110384484A (zh) * | 2019-07-25 | 2019-10-29 | 科大讯飞股份有限公司 | 一种图形评估方法、装置、设备及存储介质 |
| CN110859599A (zh) * | 2019-11-26 | 2020-03-06 | 复旦大学 | 脑血管病神经损伤病人认知功能自动化筛查*** |
| CA3103781A1 (en) * | 2019-12-23 | 2021-06-23 | Peter Anthony Hall | Method and system for assessing cognitive function of an individual |
| RU2745282C1 (ru) * | 2020-06-02 | 2021-03-23 | Государственное бюджетное учреждение здравоохранения Московской области "Московский областной научно-исследовательский клинический институт им. М.Ф. Владимирского" (ГБУЗ МО МОНИКИ им. М.Ф. Владимирского) | Способ диагностики степени выраженности сосудистых когнитивных нарушений |
Non-Patent Citations (5)
| Title |
|---|
| 多主干鱼骨型时钟树结构的设计方法及优化;袁书伟;钟传杰;朱兆伟;;微处理机(第04期);全文 * |
| 画钟测验在认知障碍老人中的鉴别作用;黄若燕;唐牟尼;佘生林;孙彬;林康广;郁俊昌;陈映梅;郭伟坚;肖;王怀坤;;中国神经精神疾病杂志(第08期) * |
| 老年2型糖尿病患者血清羧化不全骨钙素水平与认知功能的相关性研究;杨倩;《中国优秀硕士学位论文全文数据库医药卫生科技辑》(第第9期期);E065-51 * |
| 袁书伟 ; 钟传杰 ; 朱兆伟 ; .多主干鱼骨型时钟树结构的设计方法及优化.微处理机.2017,(第04期),全文. * |
| 黄若燕 ; 唐牟尼 ; 佘生林 ; 孙彬 ; 林康广 ; 郁俊昌 ; 陈映梅 ; 郭伟坚 ; 肖 ; 王怀坤 ; .画钟测验在认知障碍老人中的鉴别作用.中国神经精神疾病杂志.2013,(第08期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111091910A (zh) | 2020-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A detection and recognition system of pointer meters in substations based on computer vision | |
| CN112818988B (zh) | 一种指针式仪表自动识别读数方法及*** | |
| CN105260709B (zh) | 基于图像处理的水表检定方法、装置及*** | |
| CN107229930B (zh) | 一种指针式仪表数值智能识别方法 | |
| CN104392206B (zh) | 一种指针式仪表读数自动识别的图像处理方法 | |
| CN105260710B (zh) | 基于图像处理的水表检定方法、装置及*** | |
| CN105300482B (zh) | 基于图像处理的水表检定方法、装置及*** | |
| CN109543682A (zh) | 一种基于深度学习的指针式仪表读数方法 | |
| US20170227942A1 (en) | Surface data acquisition, storage, and assessment system | |
| CN107066998A (zh) | 一种利用移动设备的指针式圆形单仪表盘实时识别方法 | |
| CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
| CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
| CN108197564B (zh) | 一种画钟试验的评估***及方法 | |
| CN107194361A (zh) | 二维姿势检测方法及装置 | |
| CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及*** | |
| US20240169518A1 (en) | Method and apparatus for identifying body constitution in traditional chinese medicine, electronic device, storage medium and program | |
| CN103136760B (zh) | 一种基于fast与daisy的多传感器图像匹配方法 | |
| CN110826610A (zh) | 一种用于智能检测人员着装是否规范的方法与*** | |
| CN107301408A (zh) | 人体掩膜提取方法及装置 | |
| CN116338608B (zh) | 微波雷达探测角度调整方法、装置、设备及存储介质 | |
| CN108645490A (zh) | 基于图像处理技术的冷水水表视觉检测***及检测方法 | |
| CN111091910B (zh) | 基于画钟测试的智能评估*** | |
| Chen et al. | An intelligent vision recognition method based on deep learning for pointer meters | |
| CN111784660B (zh) | 一种用于人脸图像的正脸程度的分析方法和*** | |
| CN116958983A (zh) | 一种基于机器视觉的指针式压力表自动校验仪示值读数方法 |
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 |