[发明专利]一种小鼠关节炎疼痛量化分析方法、系统及存储介质

权利要求书

1.一种小鼠关节炎疼痛量化分析方法，其特征在于，包括；

获取双视角小鼠行为活动视频数据，检测每个视频帧中小鼠所在边框，分割小鼠图像，所述双视角包括仰视和俯视；

提取视频关键帧集合，通过小鼠关键点标注得到小鼠图像样本集，训练基于堆叠DenseNet的姿态估计网络模型；

将分割出的小鼠图像输入训练好的姿态估计网络模型，得到小鼠关键点坐标及置信度评分，然后将预测的关键点坐标还原至原小鼠视频图像坐标系中；

基于置信度评分和每个视频帧中小鼠关键点的瞬时运动速度对关键点中的异常点进行检测与校正，得到视频中小鼠身体关键点追踪序列；

依据小鼠身体关键点追踪序列进行特征提取得到行为模式特征，通过统计分析对小鼠关节炎疼痛进行量化评估。

2.根据权利要求1所述的小鼠关节炎疼痛量化分析方法，其特征在于，所述检测每个视频帧中小鼠所在边框，分割小鼠图像，具体为：

对俯视视角视频数据，使用Sobel算子进行物体边缘检测，提取内部面积最大的物体边缘边框作为小鼠边框，从而对俯视图中的小鼠图像进行分割；

对仰视视角视频数据，首先利用位置不变性检测相机支架边框作为匹配模板，然后利用Sobel算子进行物体边缘检测，将检测出的物体边缘与匹配模板进行匹配，筛选出包含小鼠的边框，对仰视图中的小鼠图像进行分割。

3.根据权利要求1所述的小鼠关节炎疼痛量化分析方法，其特征在于，所述训练好的姿态估计网络模型是通过如下步骤获得：

采集多只小鼠的双视角行为活动视频数据，利用主成分分析方法和k-means聚类方法筛选关键帧，作为待标注的图像样本集；

利用主动学习方式对待标注的图像样本集中小鼠的身体部位进行关键点标注，其中，俯视视频中标注四个关键点，所述四个关键点包括鼻头、左耳、右耳和尾基，仰视视频中标注六个关键点，所述六个关键点包括鼻头、左右前爪、左右后爪和尾基；

使用标注好的图像样本集训练基于堆叠DenseNet的姿态估计网络，当训练损失不再下降时停止网络训练，得到训练好的姿态估计网络模型。

4.根据权利要求1所述的小鼠关节炎疼痛量化分析方法，其特征在于，基于置信度评分和每个视频帧中关键点的瞬时运动速度对异常点进行检测与校正，得到视频中小鼠身体关键点追踪序列，具体为：

将置信度评分0.5的关键点索引进行筛选，保存为outlier_index_conf；

根据筛选出的关键点坐标，计算每帧关键点的瞬时运动速度Vi；

根据瞬时运动速度Vi进行第一阶段异常点检测，对于瞬时运动速度Vithreshold_up的关键点，根据瞬时运动速度、与前后帧相同关键点的夹角判断附近是否出现连续异常点，保存异常点索引outlier_index1；同时，保存由异常点存在导致瞬时运动速度threshold_lowVithreshold_up的正常点的索引addition_index；

将基于置信度评分与瞬时运动速度检测出的所有异常点索引进行整合，去掉重复元素后进行排序，得到视频中小鼠身体关键点追踪序列。

5.根据权利要求4所述的小鼠关节炎疼痛量化分析方法，其特征在于，对于仰视视角视频关键点还包括第二阶段异常点检测，所述第二阶段异常点检测包括：

对瞬时运动速度threshold_lowVithreshold_up的点的索引outlier_index2，首先剔除与addition_index重复的元素，然后判断与前后帧相同关键点之间的夹角，若小于90°则判定为异常点。

6.根据权利要求1所述的小鼠关节炎疼痛量化分析方法，其特征在于，所述姿态估计网络模型包括瓶颈层、压缩层、堆叠DenseNet层及坐标还原层；具体工作过程为：

所述瓶颈层及压缩层用于减少网络参数；

采用具有中间监督的密集连接堆叠DenseNet层进行特征学习，输出关键点坐标；

所述坐标还原层根据小鼠分割图像与原视频图像坐标之间的对应关系，将关键点坐标还原到原视频图像坐标系中。