[发明专利]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

说明书

本发明提出了一种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。本发明的整个系统由健康婴儿特征空间获取模块、婴儿视频获取模块、静态姿态特征提取模块、动态姿态特征提取模块和异常检测模块组成。婴儿运动视频片段可以通过静态姿态特征提取模块、动态姿态特征提取模块提取到综合时序信息后的婴儿动态姿态特征序列；然后通过异常检测模块在所述特征空间中对所述待检视频片段的婴儿动态姿态特征序列进行异常检测，输出视频中的婴儿患有脑瘫风险的检测结果。本发明可用于在实际应用场景中使用基于密度的异常检测方法来通过视频片段评估婴儿患脑性瘫痪的风险。

技术领域

本发明属于图像数据处理领域，尤其涉及计算机视觉中的人体姿态估计与统计学习中的异常检测技术。

背景技术

随着全身运动评估(General Movements Assessment，GMA)等许多有前途的工具的发展，脑瘫的早期诊断已成为一个活跃的研究领域。脑性瘫痪(Cerebral Palsy，CP)通常被定义为一组永久性的运动和姿势发育障碍，导致活动受限，归因于发育中的胎儿或婴儿大脑中发生的非进行性障碍。此类综合征通常伴有感觉、认知、交流和行为障碍。在严重的情况下，可发生癫痫和继发性肌肉骨骼异常。脑瘫的早期诊断和康复训练对儿童尤为重要。

全身运动(General Movement，GMs)总结了婴儿大脑在不同发育状态下的自发运动行为特征，可以通过运动的可变性和复杂性进行评估。正常的全身运动涉及整个身体连续性的无规律运动。而脑性瘫痪婴儿的核心特征异常的全身运动。患有严重脑性瘫痪的婴儿通常有异常的姿势，他们的身体可能非常松软或非常僵硬。研究表明，缺乏不安运动对脑瘫具有更高的预测意义。不安运动是婴儿颈部、躯干和四肢在各个方向的运动加速度可变的小幅运动。正常婴儿的自发运动具有明显的可变性和复杂性，而缺乏不安运动的婴儿的运动模式更加单一，包含更多的重复性动作。

人体姿态估计旨在从图像或视频中定位人体部位，一般包括头部、肩部、肘部、膝部等，相关技术广泛应用于人机交互、游戏、虚拟现实、视频监控、运动分析和医疗援助领域。近年来，随着深度学习的发展以及大规模人体姿态估计数据集的出现，学术界和工业界涌现了大批基于神经网络的人体姿态估计模型。这些模型往往在海量标注数据上使用反向传播算法进行端到端的训练，可以取得很好的识别效果。

在数据分析领域，异常检测旨在识别与大多数数据存在明显偏离的样本。在实际情况中，绝大多数的样本为正常样本，而异常样本的比例很小。这种固有的分布不均衡性使得有监督的分类方法无法解决异常检测问题。一类实用的异常检测方法为基于密度的方法。此类方法不包含任何需要训练的参数，并且只需要少量的正常样本作为输入来估计正常样本的分布。对于一个全新的待评估的样本，若其在近似的正常样本分布中所处领域的密度低于一个阈值，则认为此样本为异常样本。异常检测在许多领域都有应用，包括网络安全、医学、机器视觉、统计学、神经科学、执法和金融欺诈等。

发明内容

本发明提出了一种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。本发明的筛查系统可以通过分析婴儿在仰卧位进行自主运动的视频片段来评估婴儿患脑性瘫痪的风险。

为了实现上述发明目的，本发明具体采用的技术方案如下：

第一方面，本发明提供了一种基于婴儿动态姿态估计的脑性瘫痪早期筛查系统，其包括：

健康婴儿特征空间获取模块，用于获取由无脑瘫健康婴儿的婴儿动态姿态特征序列构建的特征空间；

婴儿视频获取模块，用于获取待筛查婴儿处于无遮挡地仰卧位并进行自主运动的待检视频片段；

静态姿态特征提取模块，用于通过经过预先训练的婴儿仰卧位姿态估计模型逐帧提取所述待检视频片段中的婴儿姿态信息，并对每一帧婴儿姿态信息进行编码得到对应的婴儿静态姿态特征；所述婴儿仰卧位姿态估计模型由预训练的人体姿态估计模型在婴儿仰卧位姿态估计数据集上微调后得到，所述婴儿仰卧位姿态估计数据集由经过关节点标注的仰卧位姿态婴儿运动视频的关键帧组成；