【技术实现步骤摘要】
一种基于图卷积网络的婴儿脑发育量化评估系统
[0001]本专利技术属于婴儿脑发育评估
，具体涉及一种基于图卷积网络的婴儿脑发育量化评估系统。
技术介绍
[0002]专家可以通过对婴儿床旁观察，通过经验分析婴儿的自发运动质量，进而判断婴儿的脑发育是否正常；但是此类诊断方式比较依赖医师的专业经验，培训医生需要花费大量时间，不利于大规模推广，而经验欠缺的医师误诊、漏诊率较高。
[0003]尽管目前也存在一些智能筛查婴儿脑发育的手段，但存在以下不足：首先一些方法([1]K.D.McCay et al.,"A pose
‑
based feature fusion and classification framework for the early prediction of cerebral palsy in infants,"IEEE Transactions on Neural Systems and Rehabilitation Engineering,vol.30,pp.8
‑
...
【技术保护点】
【技术特征摘要】
1.一种基于图卷积网络的婴儿脑发育量化评估系统，其特征在于：包括姿态估计模块、序列预处理模块、特征提取模块、图卷积分类模块、多维指标分析模块和结果可视化模块；姿态估计模块的输入为婴儿运动视频，姿态估计模块的输出和序列预处理模块的输入连接，序列预处理模块的输出和特征提取模块的输入连接，特征提取模块的输出和图卷积分类模块的输入连接，图卷积分类模块的输出和多维指标分析模块的输入连接，多维指标分析模块的输出和结果可视化模块的输入连接；所述的婴儿运动视频为婴儿的仰卧位自发运动视频，包含婴儿的全身肢体；婴儿运动视频采用深度运动视频和彩色运动视频；所述的姿态估计模块实现婴儿运动视频的姿态识别和提取；所述的序列预处理模块实现婴儿姿态序列坐标的插值、平滑滤波和归一化等预处理；序列预处理模块包括序列插值模块、中值滤波和均值平滑滤波模块和归一化模块；所述的特征提取模块实现婴儿姿态序列坐标的数字特征表示，包括序列切分模块和特征计算模块；所述的图卷积分类模块实现对切分的子序列进行分类；所述的多维指标分析模块实现婴儿多肢体部分的指标统计和分析，包括多肢体部分指标统计模块和多肢体部分分析模块；所述的结果可视化模块实现婴儿的运动质量评估结果的可视化以及辅助医师进行判断。2.根据权利要求1所述的系统，其特征在于：所述的婴儿运动视频为婴儿卧姿的二维姿态或三维姿态。3.根据权利要求1所述的系统，其特征在于：所述的姿态估计模块将姿态识别的关节点分为4个body part，分别为part1＝{左肩，左肘，左腕}，part2＝{右肩，右肘，右腕}，part3＝{左髋，左膝，左踝}，part4＝{右髋，右膝，右踝}。4.根据权利要求3所述的系统，其特征在于：所述的序列插值模块对所有的body part的关节点序列{J
i,t
(x,y)}进行插值操作,i为对应body part的关节点定义，t为序列中的时间帧，x和y分别为对应关键点的坐标；选取时长和步长的时间窗，采用线性插值对{J
i,t
(x,y)}插值；所述的中值滤波和均值平滑滤波模块对插值后的{J
i,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{J
i,t
(x,y)}选取中值作为当前t时刻的坐标；进而对中值滤波后的{J
i,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；所述的归一化模块首先计算各个关联骨骼之间的角度，并将所有骨骼归一化到单位长度1，按照计算的角度重新关联长度为1的对应骨骼，形成归一化后的骨骼模型。5.根据权利要求4所述的系统，其特征在于：所述的序列切分模块选取时长和步长的时间窗，分别对4个body part进行切分，得到4个body part的clip子集，定义为{C
b
|b＝part1，part2，part3，part4}，专家预先标定了部分{C
b
}的标签，分别为A类：无运动，B类：正常运动，C类：异常运动，并构建了训练数据集；所述的特征计算模块以归一化后的每个cli...
【专利技术属性】
技术研发人员：吴庆强，徐光华，覃芃淋，魏帆，赵大凯，李泽江，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。