新生儿脑瘫超早期筛查方法技术

本发明专利技术涉及新生儿脑瘫超早期筛查方法

【技术实现步骤摘要】
新生儿脑瘫超早期筛查方法、电子设备、存储介质及系统


[0001]本专利技术涉及新生儿脑瘫超早期预测筛查
，特别涉及新生儿脑瘫超早期筛查方法
、
电子设备
、
存储介质及系统
。

技术介绍

[0002]由于新生儿的大脑在这一时期具有极高的可塑性，能够在大脑早期发育出现一定损伤时，通过自我的引导性修复，恢复部分甚至完整的功能，同时通过早期的康复训练，脑瘫儿童的四肢运动功能障碍也能够实现最大程度的改善
。
因此，针对新生儿的超早期筛查是至关重要的
。
目前已经出现多种手段来进行新生儿脑瘫评估筛查，其中主要有汉莫斯密婴儿神经发育检查
(Hammersmith Infant Neurological Examinations,HINE)、
新生儿核磁共振成像
(Magnetic Resonance Imaging,MRI)、
全身运动评估
(General Movement Assessments,GMA)
等
。
现阶段针对新生儿早期脑瘫筛查的全身运动评估形式多样，国内外广泛运用的是基于全身运动
(General Movements,GMs)
质量评估的视频录像法，该方法需要专业的医生进行视频分析给出判定，且医生需要经过严格培训才可以获得评估资格
。
这样复杂的资格获取流程以及专业人员的配置限制了该应用的推广，导致国内很少有医院能够进行专业的全身运动评估，但是由于医疗资源稀缺，在很多城市的医院并没有这种专家，因此这种技术无法做到大规模的推广
。
因此，需要一种基于全身运动评估的新生儿脑瘫超早期筛查方法及系统，以实现低成本
、
智能化筛查，从而摆脱医疗条件限制，让不同地区的新生儿能够享受到同等的医疗资源
。
[0003]现有的相关专利包括申请号为
202210711384.2
，名称为基于深度学习的婴儿行为特征分类方法和系统的中国专利技术专利，申请号为
202210622793.5
，名称为基于婴儿动态姿态估计的脑性瘫痪早期筛查系统
、
设备及存储介质的中国专利技术专利，申请号为
201710341971.6
，名称为全身运动质量智能评估系统的中国专利技术专利也是对新生儿的运动行为特征进行分析，判断新生儿是否存在不安运动
。
但以上专利均是通过视频采集来获取新生儿的运动信息数据，所获取的运动信息更多的是包括平面上的运动信息
(X
轴和
Y
轴
)
上的，完全丢失运动的深度信息，而人体的运动是属于空间状态下的，因此对于早期婴儿评估的原始数据不够完备
。
同时该方法存在画面遮挡以及姿态识别不准确等问题，导致获取的原始数据不准确，从而导致最终的评估结果会产生一定的误差；并且现有的姿态采集技术只能获取大运动，对于微小运动幅度，很容易淹没在姿态点本身固有的波动噪声中，同时受限于视频采集的频率，一般都不超过
30Hz
，无法获取更高频率下的有效运动信息，从而无法探索更多的新生儿脑瘫与全身运动之间的关系
。
综上所述，基于视频分析的婴儿早期运动评估无可避免的存在一定的数据误差，从而导致在实际分析上无法实现真正的分析，仅仅能够达到“分类”的程度
。
同时对于部署该类方法，往往需要大模型，大网络，因此在实际操作过程中很难实现大规模的推广运用
。

技术实现思路

[0004]为了实现本专利技术的上述目的和其他优点，本专利技术的第一目的是提供一种新生儿脑瘫超早期筛查方法，包括以下步骤：
[0005]获取震动信息和运动数据；其中，所述震动信息和所述运动数据均为使用传感器高频率采样获得的数据；
[0006]对所述震动信息进行分频处理得到对应的生理数据；
[0007]通过所述生理数据判断新生儿在数据采集过程中的情绪状态；其中，所述情绪状态包括哭闹状态和自然清醒状态；
[0008]筛除哭闹状态对应的运动数据，保留自然清醒状态对应的运动数据；
[0009]将自然清醒状态对应的运动数据进行特征求解，通过得到的特征组建特征矩阵；
[0010]将所述特征矩阵作为分类模型的输入，得到分类结果
。
[0011]进一步地，所述震动信息为通过生理数据传感器模块高频率采样获得的新生儿心脏部位的震动信息
。
[0012]进一步地，所述运动数据包括头部运动数据
、
左手腕运动数据
、
右手腕运动数据
、
左脚腕运动数据
、
右脚腕运动数据
。
[0013]进一步地，所述对所述震动信息进行分频处理得到对应的生理数据具体为通过对所述震动信息进行巴特沃斯带通滤波得到不同频率范围内的加速度数据；其中，所述加速度数据包括呼吸数据
、
心率数据
。
[0014]进一步地，所述通过所述生理数据判断新生儿在数据采集过程中的情绪状态包括以下步骤：
[0015]对所述加速度数据进行短时傅里叶变换，获得新生儿心率数据
、
呼吸数据的时频信息；
[0016]根据预设长度的时间滑窗，计算滑窗内的频率强度均值和频率中心；
[0017]根据频率强度均值和频率中心经过模型训练，建立支持向量机二分类模型；
[0018]通过所述支持向量机二分类模型判断时间滑窗内的数据对应哭闹状态还是自然清醒状态
。
[0019]进一步地，所述将自然清醒状态对应的运动数据进行特征求解包括以下步骤：
[0020]对自然清醒状态对应的运动数据进行线性差值处理；
[0021]对处理后的运动数据进行低通滤波；
[0022]对滤波后的运动数据通过时间滑窗进行分割，得到五大关节运动数据；
[0023]对每个关节所有数据维度的每个维度进行时域特征
、
频域特征和熵特征求解
。
[0024]进一步地，所述通过得到的特征组建特征矩阵包括以下步骤：
[0025]将每个关节的时域特征
、
频域特征和熵特征组建特征矩阵；
[0026]将所述特征矩阵按照人体关节从上到下的顺序进行排序，并经过矩阵转置变换，形成特征图
。
[0027]进一步地，所述通过得到的特征组建特征矩阵还包括以下步骤：
[0028]按照先加速度后角速度的顺序对时域特征
、
频域特征和熵特征数据进行排序形成一列关节特征数据
。
[0029]进一步地，所述分类模型为卷积神经网络模型
。
[0030]进一步地，所述分类模型为机器学习模型
。
[0031]进一步地，还包括以下步骤：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种新生儿脑瘫超早期筛查方法，其特征在于，包括以下步骤：获取震动信息和运动数据；其中，所述震动信息和所述运动数据均为使用传感器高频率采样获得的数据；对所述震动信息进行分频处理得到对应的生理数据；通过所述生理数据判断新生儿在数据采集过程中的情绪状态；其中，所述情绪状态包括哭闹状态和自然清醒状态；筛除哭闹状态对应的运动数据，保留自然清醒状态对应的运动数据；将自然清醒状态对应的运动数据进行特征求解，通过得到的特征组建特征矩阵；将所述特征矩阵作为分类模型的输入，得到分类结果
。2.
如权利要求1所述的一种新生儿脑瘫超早期筛查方法，其特征在于：所述震动信息为通过生理数据传感器模块高频率采样获得的新生儿心脏部位的震动信息
。3.
如权利要求2所述的一种新生儿脑瘫超早期筛查方法，其特征在于：所述运动数据包括头部运动数据
、
左手腕运动数据
、
右手腕运动数据
、
左脚腕运动数据
、
右脚腕运动数据
。4.
如权利要求1所述的一种新生儿脑瘫超早期筛查方法，其特征在于：所述对所述震动信息进行分频处理得到对应的生理数据具体为通过对所述震动信息进行巴特沃斯带通滤波得到不同频率范围内的加速度数据；其中，所述加速度数据包括呼吸数据
、
心率数据
。5.
如权利要求4所述的一种新生儿脑瘫超早期筛查方法，其特征在于：所述通过所述生理数据判断新生儿在数据采集过程中的情绪状态包括以下步骤：对所述加速度数据进行短时傅里叶变换，获得新生儿心率数据
、
呼吸数据的时频信息；根据预设长度的时间滑窗，计算滑窗内的频率强度均值和频率中心；根据频率强度均值和频率中心经过模型训练，建立支持向量机二分类模型；通过所述支持向量机二分类模型判断时间滑窗内的数据对应哭闹状态还是自然清醒状态
。6.
如权利要求3所述的一种新生儿脑瘫超早期筛查方法，其特征在于：所述将自然清醒状态对应的运动数据进行特征求解包括以下步骤：对自然清醒状态对应的运动数据进行线性差值处理；对处理后的运动数据进行低通滤波；对滤波后的运动数据通过时间滑窗进行分割，得到五大关节运动数据；对每个关节所有数据维度的每个维度进行时域特征
、
频域特征和熵特征求解
。7.
如权利要求6所述的一种新生儿脑瘫超早期筛查方法，其特征在于：所述通过得到的特征组建特征矩阵包括以下步骤：将每个关节的时域特征
、
频域特征和熵特征组建特征矩阵；将所述特征矩阵按照人体关节从上到下的顺序进行排序，并经过矩阵转置变换，形成特征图
。8.
如权利要求6所述的一种新生儿脑瘫超早期筛查方法，其特征在于：所述通过得到的特征组建特征矩阵还包括以下步骤：按照先加速度后角速度的顺序对时域特征
、
频域特征和熵特征数据进行排序形成一列关节特征数据
。9.
如权利要求7所述的一种新生儿脑瘫超早期筛查方法，其特征在于：所述分类模型为
卷积神经网络模型
。10.
如权利要求8所述的一种新生儿脑瘫超早期筛查方法，其特征在于：所述分类模型为机器学习模型
...

【专利技术属性】
技术研发人员：成贤锴，鲍本坤，崔伟东，杨洪波，张森浩，张莹莹，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
类型：发明
国别省市：