一种基于儿童异常行为的疾病预测系统

摘要

本发明提出了一种基于儿童异常行为的疾病预测系统。包括：采集模块，通过摄像机实时采集儿童行为视频信息以及对应的时序运动信息；模型建立模块，从儿童行为视频信息以及对应的时序运动信息中提取行为特征信息以及时序运动特征信息，根据行为特征信息以及时序运动特征信息建立样本特征模型；处理模块，获取待识别儿童个体特征信息，建立待识别儿童个体特征集；预测模块，建立KNN算法模型，根据该KNN算法模型通过样本特征模型对待识别儿童个体特征集进行预测，并生成对应预测报告。本发明通过摄像机实时对儿童行为信息进行采集分析，通过KNN算法模型对儿童异常行为信息进行预测，不仅能够自动快速对儿童行为近预测，而且提高了预测精确度。

说明书

技术领域

本发明涉及计算机领域，尤其涉及一种基于儿童异常行为的疾病预测系统。

背景技术

儿童在成长过程中，会出现一些令家长头大烦恼的问题行为或者异常行为。比如：打人、插话、撒谎、嫉妒、哭闹、不合群……等。一般来说，儿童异常行为是儿科常见疾病，主要有：儿童多动症、退缩行为、过度焦虑反应、强迫行为、恐怖症、遗尿症、夜惊、不良习惯等。有行为异常的儿童与正常儿童在心理及行为上均不同，这种异常行为会妨碍儿童身心的正常发展，影响学习，成长后也常有偏离正常的人格特征及行为。

现有的对于儿童异常行为的疾病预测往往是通过医生观察加上诊断来进行预测，但是这种方式不仅精确度不高，而且只有在儿童明显表现出异常行为后才能进行预测判断，无法进行预防，所以亟需对现有技术进行改进。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

有鉴于此，本发明提出了一种基于儿童异常行为的疾病预测系统，旨在解决现有技术无法实现通过摄像头抓取儿童行为特征来精确对儿童异常行为的疾病进行自动预测的技术问题。

本发明的技术方案是这样实现的：

一方面，本发明提供了一种基于儿童异常行为的疾病预测系统，所述基于儿童异常行为的疾病预测系统包括：

采集模块，用于通过摄像机实时采集儿童行为视频信息以及对应的时序运动信息；

模型建立模块，用于从儿童行为视频信息以及对应的时序运动信息中提取行为特征信息以及时序运动特征信息，根据行为特征信息以及时序运动特征信息建立样本特征模型；

处理模块，用于获取待识别儿童个体特征信息，对该待识别儿童个体特征信息进行预处理，建立待识别儿童个体特征集；

预测模块，用于建立KNN算法模型，根据该KNN算法模型通过样本特征模型对待识别儿童个体特征集进行预测，并生成对应预测报告。

在以上技术方案的基础上，优选的，采集模块包括筛选模块，用于通过摄像机实时采集儿童行为视频信息以及对应的时序运动信息，所述时序运动信息包括：多个运动轨迹之间的依赖关系和每个运动轨迹的运行时间，根据每个运动轨迹的运行时间对多个运动轨迹之间的依赖关系进行验证，保留验证通过的运动轨迹的运行时间以及对应的依赖关系作为待同步时序运动信息。

在以上技术方案的基础上，优选的，模型建立模块包括同步模块，用于将行为视频信息与待同步时序运动信息进行同步，获取同步后的信息作为儿童异常行为信息，从该儿童异常行为信息中提取儿童异常行为特征信息，根据该儿童异常行为特征信息建立样本特征模型。

在以上技术方案的基础上，优选的，模型建立模块包括同步模块，用于将行为视频信息与待同步时序运动信息进行同步，获取同步后的信息作为儿童异常行为信息，从该儿童异常行为信息中提取儿童异常行为特征信息，根据该儿童异常行为特征信息建立样本特征模型。

在以上技术方案的基础上，优选的，处理模块包括预处理模块，用于获取待识别儿童个体特征信息，对待识别儿童个体特征信息进行预处理，获取预处理后的待识别儿童个体特征信息，根据该预处理后的待识别儿童个体特征信息建立对应的待识别儿童个体特征集。

在以上技术方案的基础上，优选的，预测模块包括计算模块，用于建立分类算法模型，利用该分类算法模型计算样本特征模型与待识别儿童个体特征集之间的相似度，根据该相似度生成对应的预测报告。

在以上技术方案的基础上，优选的，预测模块包括报告生成模块，用于设定相似度阈值，将相似度与相似度阈值进行比较，当相似度大于相似度阈值时，通过样本特征模型以及关联的疾病特征信息集生成预测报告；当相似度小于相似度阈值时，重新选择相似度进行比较。

更进一步优选的，所述基于儿童异常行为的疾病预测设备包括：

采集单元，用于通过摄像机实时采集儿童行为视频信息以及对应的时序运动信息；

模型建立单元，用于从儿童行为视频信息以及对应的时序运动信息中提取行为特征信息以及时序运动特征信息，根据行为特征信息以及时序运动特征信息建立样本特征模型；

处理单元，用于获取待识别儿童个体特征信息，对该待识别儿童个体特征信息进行预处理，建立待识别儿童个体特征集；

预测单元，用于建立KNN算法模型，根据该KNN算法模型通过样本特征模型对待识别儿童个体特征集进行预测，并生成对应预测报告。

本发明的一种基于儿童异常行为的疾病预测系统相对于现有技术具有以下有益效果：

(1)通过摄像头实时对儿童行为信息进行抓取分析，能够及时高效对儿童异常行为进行预测，提前对儿科疾病进行预防，是儿童能够正常发展；

(2)通过建立KNN算法模型来对儿童异常行为对应的儿科疾病进行匹配计算，提高了计算的精确度，同时提高了识别结果的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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发明的一些实施例，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。

图1是本发明基于儿童异常行为的疾病预测系统第一实施例的结构框图；

图2为本发明基于儿童异常行为的疾病预测系统的第二实施例结构框图；

图3为本发明基于儿童异常行为的疾病预测系统的第三实施例结构框图；

图4为本发明基于儿童异常行为的疾病预测系统的第四实施例结构框图；

图5为本发明基于儿童异常行为的疾病预测系统的第五实施例结构框图；

图6为本发明基于儿童异常行为的疾病预测设备结构框图。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

如图1所示，图1为本发明基于儿童异常行为的疾病预测系统第一实施例的结构框图。其中，所述基于儿童异常行为的疾病预测系统包括：采集模块10、模型建立模块20、处理模块30和预测模块40。

采集模块10，用于通过摄像机实时采集儿童行为视频信息以及对应的时序运动信息；

模型建立模块20，用于从儿童行为视频信息以及对应的时序运动信息中提取行为特征信息以及时序运动特征信息，根据行为特征信息以及时序运动特征信息建立样本特征模型；

处理模块30，用于获取待识别儿童个体特征信息，对该待识别儿童个体特征信息进行预处理，建立待识别儿童个体特征集；

预测模块40，用于建立KNN算法模型，根据该KNN算法模型通过样本特征模型对待识别儿童个体特征集进行预测，并生成对应预测报告。

进一步地，如图2所示，基于上述各实施例提出本发明基于儿童异常行为的疾病预测系统的第二实施例结构框图，在本实施例中，采集模块10还包括：

筛选模块101，用于通过摄像机实时采集儿童行为视频信息以及对应的时序运动信息，所述时序运动信息包括：多个运动轨迹之间的依赖关系和每个运动轨迹的运行时间，根据每个运动轨迹的运行时间对多个运动轨迹之间的依赖关系进行验证，保留验证通过的运动轨迹的运行时间以及对应的依赖关系作为待同步时序运动信息。

应当理解的是，本实施例中系统会通过摄像机实时采集儿童行为视频信息以及对应的时序运动信息，所述时序运动信息包括：多个运动轨迹之间的依赖关系和每个运动轨迹的运行时间，然后根据每个运动轨迹的运行时间对多个运动轨迹之间的依赖关系进行验证，保留验证通过的运动轨迹的运行时间以及对应的依赖关系作为待同步时序运动信息。

应当理解的是，具体操作步骤为：通过摄像机采集儿童异常行为的视频信息，并通过传感器采集儿童个体异常行为的时序运动信息。主要表现是获取多个运动轨迹中每个运动轨迹的运行时间以及多个运动轨迹之间的依赖关系。而对依赖关系的主要判断方法是：遍历多个运动轨迹中的剩余运动轨迹，判断剩余运动轨迹中是否存在与第一运动轨迹中的等待事件对应的第二运动轨迹；如果结果判定为是，那么可以确定第一运动轨迹和第二运动轨迹之间存在依赖关系。

应当理解的是，确定运动轨迹与运动轨迹之间的依赖关系有助于确定儿童行为的连贯性，方便系统对儿童的异常行为进行判断，能够辅助提高系统对儿童异常行为预测的准确性。

进一步地，如图3所示，基于上述各实施例提出本发明基于儿童异常行为的疾病预测系统的第三实施例结构框图，在本实施例中，模型建立模块20还包括：

同步模块201，用于将行为视频信息与待同步时序运动信息进行同步，获取同步后的信息作为儿童异常行为信息，从该儿童异常行为信息中提取儿童异常行为特征信息，根据该儿童异常行为特征信息建立样本特征模型。

关联模块202，用于根据儿童异常行为特征信息获取对应的疾病信息，从疾病信息中提取疾病特征信息，根据该疾病特征信息建立对应疾病特征信息集，并将该疾病特征信息集对样本特征模型进行关联。

应当理解的是，本系统还会将行为视频信息与待同步时序运动信息进行同步，获取同步后的信息作为儿童异常行为信息，从该儿童异常行为信息中提取儿童异常行为特征信息，根据该儿童异常行为特征信息建立样本特征模型，同时根据儿童异常行为特征信息获取对应的疾病信息，从疾病信息中提取疾病特征信息，根据该疾病特征信息建立对应疾病特征信息集，并将该疾病特征信息集对样本特征模型进行关联。

应当理解的是，具体操作如下：将视频信息与时序运动信息进行对齐同步，获得每个儿童个体的多模态异常行为信息，并进行特征抽取，建立异常行为特征信息对应的心理障碍与身体疾病数据库。模态是一种交互时使用的一个术语，多模态是指综合运用文本、图像、视频及手势等多种手段和符号载体进行交互的现象。所以多模态异常行为信息即为同时包含至少两种模态的行为信息，如同时包括视频、文本和图像三种模态的行为信息。比如，1.儿童恐怖症：患儿有无缘无故的恐惧，或对某些事物较正常儿童更为害怕。如怕狗、怕猫、怕黑、怕暗、怕过马路等；并伴有植物性神经症状，如心悸、脸色苍白、出汗、竖毛等，也可伴有焦虑反应。突然的惊吓，会促使突然发病；2.幼儿自闭症主要表现为：不同程度的社会交流障碍；兴趣狭隘和重复的刻板行为；不能与小朋友进行互动和扮演角色的游戏；喜欢或嗜好电子产品或圆球状玩具等；重复刻板行为，喜欢不停地按动开关或拍打桌子，或不停转动车轮等；不喜坐电梯或在狭小的空间内；3.习惯性抽动：这是指同一组随意肌快速、突然、频繁、不自主地、无目的地抽动。如眨眼、牵嘴、耸肩等，以头面部，特别是眨眼最为常见。动作单调、重复、不能控制，频率随情绪紧张而增强，注意分散时减轻，入睡时完全消失；4.吮吸手指及衣物：这是一种习得性行为。饥饿时，婴儿吸吮手指或衣物以取得满足的行为养成习惯等。

应当理解的是，本实施例中，系统之后会将儿童个体异常行为的时序运动信息融合到多个异常行为特征信息之中，建立训练模型。即将多模态异常行为特征信息中每个模态的特征融合得到融合异常行为特征，并将该融合异常行为特征输入到一个统一的多模态异常行为识别模型中，供模型训练。融合行为特征是通过将一个异常行为信息中包含的不同模态的异常行为特征进行融合得到。获取方式可采用深度学习模型，同时考虑一个异常行为信息中包含的多个模态特征来确定多模态异常行为信息的融合异常行为特征。心理障碍和身体疾病特征即为多模态异常行为的识别结果，用于表征个体对外界事物的一种态度，可以包括异常行为类型及强度等；异常行为类型可以包括强迫症、多动症、焦虑症等；强度是用于表征某一异常行为的强弱程度。

应当理解的是，本实施例还使用了机器学习的方法，顾名思义，机器学习是机器从数据中总结经验，找出某种规律构建模型，并用它来解决实际问题。而深度学习，是机器学习的一个重要分支和延伸，是包含多隐层的神经网络结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，从而学习到数据本身最关键的特征。简单来说，深度学习就是更深、更加复杂的神经网络结构。以一个简单的例子来说，假设你有两组神经元，一个是接受输入的信号，一个是发送输出的信号。当输入层接收到输入信号的时候，它将输入层做一个简单的修改并传递给下一层。在一个深度网络中，输入层与输出层之间可以有很多的层(这些层并不是由神经元组成的，但是它可以以神经元的方式理解)，允许算法使用多个处理层，并可以对这些层的结果进行线性和非线性的转换。在本实施场景中，需要对分类神经网络进行训练，在训练前准备好多个训练多模态特征序列，为每个训练多模态特征序列标注其标注交互行为，定义分类神经网络的网络结构，可以定义分类神经网络的层数，例如，19层。还可以定义神经分类网络的类型，例如卷积神经网络，或者全连接神经网络等等。定义分类神经网络的损失函数，以及定义分类神经网络的训练终止的条件，例如训练2000次后停止。在训练成功后，将至少一段发言数据对应的多模态特征序列输入分类神经网络，分类神经网络将会输出多模态特征序列对应的预测交互行为。

应当理解的是，本实施例中，系统会通过不断累积各种场景下交互过程中的异常行为信息，得到大量的多模态异常行为样本信息的融合异常行为特征以及对应的多模态异常行为样本信息的心理障碍和身体疾病的特征，将其作为训练样本集，输入到神经网络中对其进行训练，通过各样本训练之后，得到多模态异常行为识别模型。当把一个多模态异常行为信息的融合异常行为特征输入到该多模态情绪识别模型中，模型会结合该模型现有的参数，对输入的融合异常行为特征做出判断，并输出相对应的心理障碍和身体疾病特征。

进一步地，如图4所示，基于上述各实施例提出本发明基于儿童异常行为的疾病预测系统的第四实施例结构框图，在本实施例中，处理模块30包括：

预处理模块301，用于获取待识别儿童个体特征信息，对待识别儿童个体特征信息进行预处理，获取预处理后的待识别儿童个体特征信息，根据该预处理后的待识别儿童个体特征信息建立对应的待识别儿童个体特征集。

应当理解的是，之后系统会获取待识别儿童个体特征信息，对待识别儿童个体特征信息进行预处理，获取预处理后的待识别儿童个体特征信息，根据该预处理后的待识别儿童个体特征信息建立对应的待识别儿童个体特征集。

进一步地，如图5所示，基于上述各实施例提出本发明基于儿童异常行为的疾病预测系统的第五实施例结构框图，在本实施例中，预测模块40包括：

计算模块401，用于建立分类算法模型，利用该分类算法模型计算样本特征模型与待识别儿童个体特征集之间的相似度，根据该相似度生成对应的预测报告。

报告生成模块402，用于设定相似度阈值，将相似度与相似度阈值进行比较，当相似度大于相似度阈值时，通过样本特征模型以及关联的疾病特征信息集生成预测报告；当相似度小于相似度阈值时，重新选择相似度进行比较。

应当理解的是，最后系统会建立分类算法模型，利用该分类算法模型计算样本特征模型与待识别儿童个体特征集之间的相似度，根据该相似度生成对应的预测报告，同时设定相似度阈值，将相似度与相似度阈值进行比较，当相似度大于相似度阈值时，通过样本特征模型以及关联的疾病特征信息集生成预测报告；当相似度小于相似度阈值时，重新选择相似度进行比较，其中相似度阈值由管理员进行设定。

应当理解的是，具体步骤即获取每个待识别儿童个体的多模态特征，输入分类算法模型，利用KNN最近邻分类器进行分类识别，识别出每个儿童个体的异常动态行为的类别。就可直接预测出最终的异常行为对应的结果，无需分别训练各模态的识别模型，并进行不同模型结果的融合。简化了样本训练过程，且提高了识别结果的准确性。

应当理解的是，kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN是通过测量不同特征值之间的距离进行分类。它的的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。在KNN中，通过计算对象间距离来作为各个对象之间的非相似性指标，避免了对象之间的匹配问题，在这里距离一般使用欧氏距离或曼哈顿距离，其中欧氏距离或曼哈顿距离为公知技术，本实施例中不进行说明。

需要说明的是，由于现有技术需对每个异常行为模态都要单独建立识别模型，并将各模型结果加权得到最终的认知结果，因此需要大量的训练样本，且存在单个模态学习出来的模型质量不好，最终导致的整体识别效果差的问题。本实施例由于直接将多模态异常行为信息中每个模态的异常行为特征融合得到融合异常行为特征，并只需将融合会话特征输入到一个统一的多模态异常行为识别模型中，供模型训练，就可输出最终的情绪特征，训练样本相比现有技术大大减少；且由于多模态会话特征的融合使得该多模态异常行为识别模型不仅能学习到每个模态的特征信息，也能学习到不同模态之间的特征关系，能够避免出现现有技术由于单个模态学习出来的模型质量不好，最终导致的整体情绪识别效果差的问题。

需要说明的是，以上仅为举例说明，并不对本申请的技术方案构成任何限定。

通过上述描述不难发现，本实施例提出了一种基于儿童异常行为的疾病预测系统，包括：采集模块，用于通过摄像机实时采集儿童行为视频信息以及对应的时序运动信息；模型建立模块，用于从儿童行为视频信息以及对应的时序运动信息中提取行为特征信息以及时序运动特征信息，根据行为特征信息以及时序运动特征信息建立样本特征模型；处理模块，用于获取待识别儿童个体特征信息，对该待识别儿童个体特征信息进行预处理，建立待识别儿童个体特征集；预测模块，用于建立KNN算法模型，根据该KNN算法模型通过样本特征模型对待识别儿童个体特征集进行预测，并生成对应预测报告。本实施例通过摄像机实时对儿童行为信息进行采集分析，通过KNN算法模型对儿童异常行为信息进行预测，不仅能够自动快速对儿童行为近预测，而且提高了预测精确度。

此外，本发明实施例还提出一种基于儿童异常行为的疾病预测设备。如图6所示，该基于儿童异常行为的疾病预测设备包括：采集单元10、模型建立单元20、处理单元30以及预测单元40。

采集单元10，用于通过摄像机实时采集儿童行为视频信息以及对应的时序运动信息；

模型建立单元20，用于从儿童行为视频信息以及对应的时序运动信息中提取行为特征信息以及时序运动特征信息，根据行为特征信息以及时序运动特征信息建立样本特征模型；

处理单元30，用于获取待识别儿童个体特征信息，对该待识别儿童个体特征信息进行预处理，建立待识别儿童个体特征集；

预测单元40，用于建立KNN算法模型，根据该KNN算法模型通过样本特征模型对待识别儿童个体特征集进行预测，并生成对应预测报告。

此外，需要说明的是，以上所描述的装置实施例仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于儿童异常行为的疾病预测系统，此处不再赘述。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。