基于深度学习的儿童抽动症动作检测与识别研究

发布时间：2024-02-06 21:12

　　抽动症(Tourette Syndrome,TS)是一种以重复、刻板、无意识、无目的的运动性或声音性的抽搐动作为典型特征的,多发于儿童的慢性神经系统疾病,易产生抑郁、焦虑、睡眠问题等多种并发症,对患者的正常生活、社会交往产生严重影响。临床抽动症的诊断需要经过包括病史收集、临床检查与评估、实验与辅助检查等复杂过程,抽搐程度评估则需要医生对患者进行长时间的访谈,根据量表对动作行为进行评分。诊断与评估过程消耗大量时间且需要医生与患者之间的高度配合,同时存在患者主动隐藏抽搐的可能,不利于诊断与评估。针对上述抽动症辅助诊断和严重程度评估中的困难和挑战,本论文探讨了深度学习在抽动症辅助诊断中的可行性,使用机器视觉对抽搐动作进行检测与识别。本论文以浙江大学医学院附属第二医院儿科的72例抽动症患者的正面监控视频为基础,对抽搐动作检测与抽搐动作识别进行深度学习研究,构建了基于多示例学习(Multiple Instance Learning,MIL)的残差网络(ResidualNetwork,Resnet)模型对抽搐动作进行检测,并构建基于三维卷积神经网络(Three-Dimensional Convol...

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

图２．４二维卷积与三维卷积生成特征图的示意图??２．１．４常见深度学习框架??

浙江大学硕士学位论文?第２章相关理论与技术??对应的卷积核也是三维的。??对应地，当使用三维卷积神经网络（Ｔｈｒｅｅ－Ｄｉｍｅｎｓｉｏｎａｌ?ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋ．??３Ｄ－ＣＮＮ）对多一个维度的视频进行分析处理时，网络的输入数据是四维的，在??２Ｄ－ＣＮＮ的....

图２．５直方图均衡化示意图??需要注意的是，当图像为灰度图时，直方图均衡化使得所有像素的灰度在所??

浙江大学硕士学位论文?第２章相关理论与技术??０．０３５?＼??０?０１０?－??０．０３０?ｊ??０．０２Ｓ?（１?〇細－??１??°?°２〇?ｊ?＿｜?０?００６ｊ??：：｜?ｉｌｉＬ?１??５０?１?００?１５０?２００?２５０?０?５０?１００?１５０?２００?２５０??....

图２．７多分类模型混淆矩阵??基于该混淆矩阵，多分类模型的一、二、三级评估指标可以按以下方式进行??计算：①一级指标：针对毎一种分类，将该类视为阳性，其他类合并视为阴性，??

浙江大学硕士学位论文?第２章相关理论与技术??真实值??麵值?１１１１??类１?Ｉ：麵??类２?丨：濟觸??图２．７多分类模型混淆矩阵??基于该混淆矩阵，多分类模型的一、二、三级评估指标可以按以下方式进行??计算：①一级指标：针对毎一种分类，将该类视为阳性，其他类合并视为阴性，?....

图３．２子区域分割示意图??（３）分类器：分类器对所有的子区域进行分类并评分，ＰｙＴｏｒｃｈ的ｔｏｒｃｈｖｉｓｉｏｎ??６１］［６２］、［６３］、ｅ［６４］、ｎｓｅｅ岡

具有一个异常（在模型中用１表示）或正常（在模型中用０表示）??的标签。??（２）图像子区域切分：考虑到本论文使用的图像的尺寸大小，使用接近于五??官大小的尺寸对图像进行均匀的子区域切割，以在后续的子区域评分、子区域排??序、子区域代表单帧过程中更具有实际意义，如网络经过学习，认为....

本文编号：3896193