一种数字化书写的神经退行性病人笔迹识别的方法技术

本发明专利技术提供一种数字化书写的神经退行性病人笔迹识别的方法，包括如下步骤：让用户使用点阵笔进行书写，获取书写的动态数据信息；将得到的动态数据信息进行预处理，生成动态增强的静态图像；提取特征；将所提取到的特征输入至预先训练的笔迹识别模型中；判断是否是神经退行性病人的笔迹，若是，则进一步判断是何种神经退行性病人的笔迹；将分析结果反馈给用户或医生。本发明专利技术的数据采集还原了平时的纸笔书写状态，符合日常书写习惯，使得病人的信息能够在日常书写的状态中被采集。同时数字化书写技术对笔迹的特征识别更加准确。写技术对笔迹的特征识别更加准确。写技术对笔迹的特征识别更加准确。

【技术实现步骤摘要】
一种数字化书写的神经退行性病人笔迹识别的方法


[0001]本专利技术属于智能
，尤其涉及一种数字化书写的神经退行性病人 笔迹识别的方法。

技术介绍

[0002]神经退行性疾病(NDs)影响着全世界数以百万计的人，神经退行性 疾病包括阿兹海默症(AD)、帕金森症(PD)、亨廷顿病(HD)、肌萎缩 性侧索硬化(ALS)等，是进行性发展的致死性复杂疾病。预计在未来几 十年，这些疾病的发病率将大幅度上升。然而不幸的是，神经退行性疾病 起病隐匿、周期长、有效治疗手段少，会严重影响患者的运动能力和生活 质量，目前还没有任何有效的方法可以根治或逆转疾病的进展。尽管医学 界在诊断方式上取得了很大的进步，但是想在早期发现这种疾病还是比较 困难的，因为一些比较常见的可以观察到的警告信号是无声演变的，并且 只在疾病开始5到10年后出现，当出现明显的疾病症状时，此时病程往 往已到中晚期。
[0003]迄今为止，此类疾病的临床诊断由医生进行诊断，主要使用相应的医 学量表进行诊断(如阿兹海默症评定量表、帕金森病评定量表)，并可由 影像学(例如磁共振成像)、血液测试和腰椎穿刺(脊椎穿刺)等工具支 持。对身体损害较小、成本低、使用灵活、方便早期筛查与确诊后跟踪并 反馈病人病情的方式还未出现。
[0004]书写是精细化运动，也是NDs影响的能力之一。以往的研究表明，神 经退行性病人手写功能会出现退化，体现为空间变异性(准确性、笔迹流 畅度等)和时间变异性(运动持续时间、加速时间等)。现在数字化书写 比较普遍，如利用点阵笔、平板电脑电磁笔等，得到用户的笔迹，再通过 提取神经退行性病人的笔迹特征，并且通过分类，对神经退行性病人的笔 迹进行识别(判断出是何种神经退行性疾病、何种病情程度的病人的字 迹)，辅助早期诊断从而及时实施干预，也有助于跟踪反馈患者病程发展 的特点，方便患者的生活。
[0005]现有技术一的技术方案
[0006]现有的病情识别方式主要由评定量表测定，量表的评级结果很大程度 上取决于医生的解释和经验，并可由影像学(例如磁共振成像)、血液测 试和腰椎穿刺(脊椎穿刺)等工具进行辅助诊断。
[0007]现有技术一的缺点
[0008]量表的评分的评分体系是通过对症状的定性描述，对应一些相应的分 数，由医师对病人的情况进行评分，具有一定的主观性，病人可能出现一 些抵触心理，并且难以有效的跟踪反馈病程发展等特点。且使用影像学等 花费高，且会对身体造成一定程度的影响。
[0009]现有技术二的技术方案
[0010]现有一种基于手写文字输入的手部运动功能分析装置，属于计算机应 用及医疗康复领域，通过使用压力触摸屏和加速度传感器采集用户在日常 手机操作时手写文字输入的信号，输入到一用于手部运动功能评价的病理 数据模型中，实时分析病理特征，对用户的手部运动功能进行评价，进而 作为帕金森等神经系统疾病的诊断依据。
[0011]1.由于现有技术书写字迹的采集捕获和处理需要借助一些工具，如平 板电脑等触控显示屏，在偏远地区和发展不发达地区，这些工具成本比较 难以负担的。现有技术成本比较高，不利于健康个体与患病人群的分类。
[0012]2.使用触控显示屏进行数据的采集，不符合用户的书写习惯，无法还 原用户平时的真实书写过程。

技术实现思路

[0013]本专利技术的目的在于解决上述现有技术存在的缺陷，提供一种数字化书 写的神经退行性病人笔迹识别的方法，通过点阵笔和点阵纸定期采集用户 的手写笔迹的数据分析出用户的患病可能性。
[0014]本专利技术采用如下技术方案：
[0015]所述笔迹识别与分类模型的预先训练，建模方法包括如下步骤：
[0016]步骤S1，获取用户使用点阵笔书写的动态数据信息；
[0017]步骤S2，将得到的数据信息进行预处理，生成动态增强的静态图像；
[0018]步骤S3，提取特征；
[0019]步骤S4，将提取到的特征向量及相应的笔迹类别标签加入标注样本集 合，笔迹类别标签包括是何种神经退行性疾病病人或非神经退行性疾病病 人，这些用于笔迹识别模型的预先训练的用户笔迹类别标签是由医生预先 诊断得到的；重复S1
‑
S4，将多个用户的样本加入标注样本集合，得到样 本数据库；
[0020]步骤S5，将标注样本集合分为训练样本集和测试样本集，在训练样本 集上对模型进行训练，并在测试样本集上进行了模型测试，测试识别精度 达到了适用的水平，即得到可用的笔迹识别与分类模型。
[0021]根据所述笔迹识别训练数据库，采用卷积神经网络(CNN)进行模型 训练，得到所述笔迹识别模型。卷积神经网络主要由数据输入层、卷积计 算层、激活层、池化层、全连接层组成。在数据输入层中，主要对原始图 像进行预处理，包括去均值、归一化等；在卷积计算层中选择过滤尺寸等； 在激活层中将卷积层输出结果做非线性映射。池化层夹在连续的卷积层之 间，用于压缩数据和参数的量，减少过拟合。全连接层用在卷积神经网络 尾部。最后输出一个N维向量。
[0022]一种数字化书写的神经退行性病人笔迹识别的方法，包括如下步骤：
[0023]步骤S101.让用户使用点阵笔进行书写，获取书写的动态数据信息；
[0024]步骤S102.将得到的动态数据信息进行预处理，生成动态增强的静态 图像；
[0025]步骤S103.提取特征；
[0026]步骤S104.将所提取到的特征输入至预先训练的笔迹识别模型中；
[0027]步骤S105.判断是否是神经退行性病人的笔迹，若是，则进一步判断 是何种神经退行性病人的笔迹；
[0028]步骤S106.将分析结果反馈给用户或医生。
[0029]进一步的，所述步骤S101具体为，让用户利用点阵笔在点阵纸上进 行书写。点阵纸由一些非常细小的点，按照特殊算法规则排列组成；点阵 的作用是提供给数码笔一个坐标参数信息，保证数码笔在数码纸上书写 时，能够准确的记录书写的笔迹；依据点阵数码
笔的特点，笔尖被压下的 同时，压力传感器被触发，启动内置的高速摄像头，以每秒上百次的速度 对笔尖所经过的点阵进行拍照，从而获得用户书写的实时动态数据信息。
[0030]进一步的，动态数据信息是指用户使用点阵笔书写时笔尖经过的每个 点的x,y坐标、对应的时间戳、在纸上的压力值、笔所在的状态(即纸上 方的空中运动和纸的表面运动，运动是上升还是下降的信息)以及笔画数。
[0031]进一步的，所述步骤S102具体为，将获取的动态信息进行一定的预处 理，进一步得到每个坐标中的动态信息。包含每个坐标点的压力、速度、 加速度等，以及其对应的方差、标准差、最大值、最小值等。并使用均值 填补数据中空缺值和异常值。使用基于原始数据的均值和标准差进行数据 的z
‑
score标准化(规范化)，以消除样本不同属性具有不同量级时的影 响。
[0032]进一步的，将预处理后的的动态数据信息进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数字化书写的神经退行性病人笔迹识别的方法，其特征在于，包括如下步骤：步骤S101.让用户使用点阵笔进行书写，获取书写的动态数据信息；步骤S102.将得到的动态数据信息进行预处理，生成动态增强的静态图像；步骤S103.提取特征；步骤S104.将所提取到的特征输入至预先训练的笔迹识别模型中；步骤S105.判断是否是神经退行性病人的笔迹，若是，则进一步判断是何种神经退行性病人的笔迹；步骤S106.将分析结果反馈给用户或医生。2.根据权利要求1所述的数字化书写的神经退行性病人笔迹识别的方法，其特征在于，识别前，还包括笔迹识别模型的预先训练，其包括以下步骤：步骤S1，获取用户使用点阵笔书写的动态数据信息；步骤S2，将得到的数据信息进行预处理，生成动态增强的静态图像；步骤S3，提取特征；步骤S4，将提取到的特征向量及相应的笔迹类别标签加入标注样本集合，笔迹类别标签包括是何种神经退行性疾病病人或非神经退行性疾病病人，这些用于笔迹识别模型的预先训练的用户笔迹类别标签是由医生预先诊断得到的；重复S1
‑
S4，将多个用户的样本加入标注样本集合，得到样本数据库；步骤S5，将标注样本集合分为训练样本集和测试样本集，在训练样本集上对模型进行训练，并在测试样本集上进行了模型测试，测试识别精度达到了适用的水平，即得到可用的笔迹识别与分类模型。3.根据权利...

【专利技术属性】
技术研发人员：祁亨年，张若愚，郎青，王丽娜，吴晓平，张凯，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：