一种基于深度学习的儿童多动症行为特征识别算法制造技术

本发明专利技术公开了一种基于深度学习的儿童多动症行为特征识别算法，涉及识别算法技术领域。本发明专利技术包括以下步骤：步骤1：在待识别儿童动作的持续时间内，对动作图像数据集的获取并进行预处理；步骤2：将步骤1中的获取的数据集分别输入VGG16、ResultNet50和Inception

【技术实现步骤摘要】
一种基于深度学习的儿童多动症行为特征识别算法


[0001]本专利技术属于特征识别算法
，特别是涉及一种基于深度学习的儿童多动症行为特征识别算法。

技术介绍

[0002]儿童多动症(简称多动症)，又称注意缺陷多动障碍(ADHD)。是一种常见的儿童行为异常问题。这类患儿的智力正常或接近正常，但学习行为及情绪方面有缺陷，主要表现为与年龄和发育水平不相称的注意力不易集中，注意广度缩小，注意时间短暂，不分场合的活动过多、情绪易冲动等，并常伴有认知障碍和学习困难。该症于学前起病，呈慢性过程。该症不仅影响儿童的学校、家庭和校外生活，而且容易导致儿童持久的学习困难、行为问题和自尊心低，此类患儿在家庭及学校均难与人相处。如不能得到及时治疗，部分患儿成年后仍有症状，明显影响患者学业、身心健康以及成年后的家庭生活和社交能力。国内外调查发现该症患病率3％
‑
10％，男女比为4
‑
9:1，早产儿童患此病较多。
[0003]本专利技术所提供的一种基于深度学习的儿童多动症行为特征识别算法，通过已知的儿童多动症视频，并利用多种神经网络识别的识别结果，对结果进行融合分类，能够有效的提高识别的精确度，辅助医疗工作者完成儿童多动症的初步诊断。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的儿童多动症行为特征识别算法，解决了上述技术背景中的问题。
[0005]为解决上述技术问题，本专利技术是通过以下技术方案实现的：
[0006]本专利技术为一种基于深度学习的儿童多动症行为特征识别算法，包括以下步骤：
[0007]步骤1：在待识别儿童动作的持续时间内，对动作图像数据集的获取并进行预处理；
[0008]步骤2：将步骤1中的获取的数据集分别输入VGG16、ResultNet50和Inception
‑
V4卷积神经网络进行分类识别；
[0009]步骤3：通过全局平均池化操作处理VGG16、ResultNet50和Inception
‑
V4三个卷积神经网络的最后一层卷积特征；
[0010]步骤4：通过特征拼接计算VGG16、ResultNet50和Inception
‑
V4卷积神经网络的注意力融合权重；
[0011]步骤5：通过内积操作将注意力融合权重和三个所述模型的特征值进行融合。
[0012]进一步地，所述步骤3中；
[0013]对VGG16卷积神经网络的最后一个卷积层平均池化操作处理的方法为：
[0014]x＝layers.GlobalAveragePooling2D()(x)；
[0015]对ResultNet50卷积神经网络的最后一个卷积层平均池化操作处理的方法为：
[0016]y＝layers.GlobalAveragePooling2D()(y)；
[0017]对Inception
‑
V4卷积神经网络的最后一个卷积层平均池化操作处理的方法为：
[0018]z＝layers.GlobalAveragePooling2D()(z)；
[0019]其中，x表示VGG16卷积神经网络的最后一个卷积完成后的特征向量，y表示对ResultNet50卷积神经网络的最后一个完成后的特征向量，z表示对Inception
‑
V4卷积神经网络的最后一个完成后的特征向量。
[0020]进一步地，所述步骤4中，VGG16、ResultNet50和Inception
‑
V4卷积神经网络的拼接的组合特征为：X＝cncatenate(x,y,z)，并使用全连接fc层，通过降维因子r＝16压缩得到T＝F
fc
(X)。
[0021]进一步地，所述步骤5中，压缩得到的特征T执行softmax操作计算，得出VGG16、ResultNet50和Inception
‑
V4卷积神经网络的注意力权重W1、W2和W3；其中，W1＝Softmax(F
fc1
(T))，W2＝Softmax(F
fc2
(T))，W3＝Softmax(F
fc3
(T))，其中，F
fc1
，F
fc2
，F
fc3
分别代表三个全连接层。
[0022]进一步地，所述步骤1中，预处理的步骤包括数据集的预处理和数据集的增强。
[0023]进一步地，数据集的预处理包括以下步骤：
[0024]将获取的儿童行为视频进行分段处理，并删除无效视频片段；
[0025]对得到的有效监控视频提取关键帧。
[0026]进一步地，所述数据集的增强包括以下步骤：
[0027]选取数据集中四分之一的图片做平移处理；
[0028]再选取选取数据集中四分之一的图片做旋转处理；
[0029]再选取选取数据集中四分之一的图片做亮度调节处理；
[0030]最后选取数据集中剩下四分之一的图片做对比度调节处理。
[0031]本专利技术具有以下有益效果：
[0032]本专利技术通过将采集到的儿童行为视屏分别输入至VGG16、ResultNet50和Inception
‑
V4卷积神经网络模型中进行分类识别，通过特征拼接，计算出每个特征模型的注意力权重，将注意力权重和特征值进行融合，提高识别的结果的精确度，能够有效的提高识别的精确度，辅助医疗工作者完成儿童多动症的初步诊断。
[0033]当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0034]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述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专利技术的一些实施例，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他的附图。
[0035]图1为一种基于深度学习的儿童多动症行为特征识别算法的结构示意图。
具体实施方式
[0036]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它
实施例，都属于本专利技术保护的范围。
[0037]请参阅图1，本专利技术为一种基于深度学习的儿童多动症行为特征识别算法，包括以下步骤：
[0038]步骤1：在待识别儿童动作的持续时间内，对动作图像数据集的获取并进行预处理；通过视频摄像头对儿童的日常生活行为进行拍摄采集，之后对拍摄采集的视频进行预处理。
[0039]步骤2：将步骤1中的获取的数据集分别输入VGG16、ResultNet50和Inception
‑
V4卷积神经网络进行分类识别。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的儿童多动症行为特征识别算法，其特征在于：包括以下步骤：步骤1：在待识别儿童动作的持续时间内，对动作图像数据集的获取并进行预处理；步骤2：将步骤1中的获取的数据集分别输入VGG16、ResultNet50和Inception
‑
V4卷积神经网络进行分类识别；步骤3：通过全局平均池化操作处理VGG16、ResultNet50和Inception
‑
V4三个卷积神经网络的最后一层卷积特征；步骤4：通过特征拼接计算VGG16、ResultNet50和Inception
‑
V4卷积神经网络的注意力融合权重；步骤5：通过内积操作将注意力融合权重和三个所述模型的特征值进行融合。2.根据权利要求1所述的一种基于深度学习的儿童多动症行为特征识别算法，其特征在于，所述步骤3中；对VGG16卷积神经网络的最后一个卷积层平均池化操作处理的方法为：x＝layers.GlobalAveragePooling2D()(x)；对ResultNet50卷积神经网络的最后一个卷积层平均池化操作处理的方法为：y＝layers.GlobalAveragePooling2D()(y)；对Inception
‑
V4卷积神经网络的最后一个卷积层平均池化操作处理的方法为：z＝layers.GlobalAveragePooling2D()(z)；其中，x表示VGG16卷积神经网络的最后一个卷积完成后的特征向量，y表示对ResultNet50卷积神经网络的最后一个完成后的特征向量，z表示对Inception
‑
V4卷积神经网络的最后一个完成后的特征向量。3.根据权利要求2所述的一种基于深度学习的儿童多动症行为特征识别算法，其...

【专利技术属性】
技术研发人员：张云龙，
申请(专利权)人：安徽兰臣信息科技有限公司，
类型：发明
国别省市：