【技术实现步骤摘要】
本专利技术涉及医疗诊断辅助装置，具体涉及一种基于机器学习的儿童自闭症辅助筛查装置。
技术介绍
1、自闭症（autism）是一种较为严重的神经发育性障碍。患者通常具有社交困难、语言发育迟缓、具有刻板和重复行为等症状。联合国数据显示，截至2021年，全球大概有超7000万人正遭受自闭症的困扰。约合每160名儿童中，就有1人患病。
2、截至目前，自闭症尚无特效药可以治疗，大部分患者通过教育引导、康复训练等方式进行干预，从而改善异常症状。“早发现，早干预”一直以来都是自闭症圈内被认定的黄金准则。越早干预治疗，患者康复的概率往往越高。但是公众认知不足、患者社交沟通能力缺失、发病原因尚不明确、谱系症状异质性等因素，使得“早发现、早干预”困难重重。
3、沟通和语言能力贫乏是自闭症的特征之一。相当一部分自闭症儿童语言发育迟缓，他们很少主动发起谈话，常常自说自话，不理睬谈话对象，或者仅从字面上理解他人的话。在语义方面，自闭症儿童只能理解语言的形象意义，不能理解语言的抽象意义和引申意义。他们在语义理解方面与常人的处理方式有显著差异。因而，语言交流障碍也成为临床诊断自闭症的重要标准之一。脑电图（eeg，electroencephalogram）是一种非侵入性记录脑电活动的电生理监测方法，电极沿着头皮放置，然后通过放置在头皮上的多个电极，记录大脑在一段时间内自发进行的电活动。以往的研究表明，asd (autistic spectrum disorder，孤独症谱系障碍)的病理生理学核心特征是大脑震荡节律的异常。这种异常是可以被e
4、目前儿童自闭症辅助筛查多采用量表、眼动、影像等特征作为判别依据，使用计算模型整合单模态或多模态特征进行筛查判断，具有如下局限：其一，采集患者数据的步骤繁琐，要求自闭症儿童长时间高度配合；其二，筛查方案不够高效，全流程周期长，难以保证实时性；其三，筛查精度低，判别结果对于医患双方的参考价值不大。基于上述原因，当前急需一种高效、高精度的儿童自闭症辅助筛查装置来帮助医生完成初步筛查，尽早开展针对性干预治疗。
技术实现思路
1、本专利技术的目的是：为解决现有技术中存在的问题，提供一种全新的填补现有技术空白的基于机器学习的儿童自闭症辅助筛查装置。
2、本专利技术的技术方案是：本专利技术的基于机器学习的儿童自闭症辅助筛查装置，其结构特点是：包括用于播放动画片或视频片段的视频播放机构，用于采集儿童观看动画片或视频片段时脑电图信号的脑电图信号采集机构，以及用于根据脑电图信号采集机构输出的待筛查儿童观看动画片或视频片段时的脑电图信号，经过内置的功能模块处理后输出被测试儿童是否为自闭症儿童结论的中心处理机构。
3、进一步的方案是：上述中心处理机构内置的功能模块包括：
4、分词模块，用于对播放的动画片或视频片段涉及的台词进行分词处理，使得台词当中的每个词语均对应动画片或视频片段中相应一个时间片段；
5、预训练语言模型，用于将分词模块分词后的台词文本进行处理，取得每个词语的上下文相关的语义嵌入向量；
6、数据预处理模块，用于对脑电图信号采集机构采集并发送的脑电图信号进行预处理并提取目标片段脑电信号；
7、第一回归模型，将已知正常儿童观看设定的动画片或视频片段时每个通道、每个词语对应时间内的脑电图数据分别拟合该词语的语义嵌入向量，从而获得表征正常儿童语义处理模式；
8、第二回归模型，将已知自闭症儿童观看设定的动画片或视频片段时每个通道、每个词语对应时间内的脑电图数据分别拟合该词语的语义嵌入向量，从而获得表征自闭症儿童语义处理模式；
9、筛查判断模块，用于将待筛查儿童观看设定的动画片或视频片段时的脑电图信号经数据预处理模块处理后分别输入第一和第二回归模型后得到的两组语义嵌入向量分别进行与台词文本生成的第一和第二回归模型的语义嵌入向量之间的距离，若计算所得的语义嵌入向量与第一回归模型更接近，则判定被查儿童为正常儿童，若计算所得的语义嵌入向量与第二回归模型更接近，则判定被查儿童为为自闭症儿童；
10、结果输出模块，用于输出显示由筛查判断模块输出的判断结果。
11、进一步的方案是：上述分词模块利用jieba分词工具进行分词，并手动调整分词结果。
12、进一步的方案是：上述预训练语言模型，为语义嵌入向量的维度设定为1024维的预训练过的elmo语言模型。
13、进一步的方案是：上述第一回归模型和第二回归模型均基于岭回归优化的正则化线性模型构成。
14、进一步的方案是：上述数据预处理模块对脑电图信号进行预处理的动作具体包括：
15、①滤波：对采集信号进行0.5～30hz的带通滤波和48～52hz的陷通滤波；
16、②去除采集信号中脸部的裙带电极；
17、③分段：以1秒为分段单位对采集的信号进行分段；
18、④插补伪迹过大的电极；
19、⑤剔除伪迹过大的片段并将剔除的片段记录为空；
20、⑥独立成分分析：去除生理伪迹；
21、⑦重参考：平均参考；
22、⑧拼接脑电信号片段；
23、⑨动画片段提取：根据视频标注时间提取脑电信号；
24、⑩对每个词语片段的脑电信号取平均值。
25、进一步的方案是：上述视频播放机构为可播放动画片或视频的电子器件，使用时视频播放机构播放播放动画片或视频片段的时间为2～5分钟。
26、进一步的方案是：上述脑电图信号采集机构，包括使用时涂抹在儿童头皮上的导电膏以及佩戴儿童头上的电极帽。
27、本专利技术具有积极的效果：（1）本专利技术的装置使用时，几乎瞬时就能够高准确率地给出待测儿童是否存在自闭症症状的结论，筛查效率和准确率“双高”，从而填补了现有技术中此类装置的空白。（2）本专利技术的装置使用时，待筛查儿童只需在头皮涂抹导电膏并佩戴电极帽后观看2分钟左右的动画片或视频片段即可完成，因此特别适用于儿童自闭症筛查使用。（3）本专利技术通过采用预训练语言模型捕获动画片中台词的语义信息，并利用高时间分辨率的脑电型号作为机器学习模型的输入，对语义信息进行回归预测从而对儿童自闭症进行筛查的创新途径，能够实现对儿童自闭症的高效准确且方便的筛查，而且本专利技术的装置硬件均基于现有的构件，价格低廉，易于维护和更换，适于在医疗机构大面积推广。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的儿童自闭症辅助筛查装置，其特征在于：包括用于播放动画片或视频片段的视频播放机构，用于采集儿童观看动画片或视频片段时脑电图信号的脑电图信号采集机构，以及用于根据脑电图信号采集机构输出的待筛查儿童观看动画片或视频片段时的脑电图信号，经过内置的功能模块处理后输出被测试儿童是否为自闭症儿童结论的中心处理机构。
2.根据权利要求1所述的基于机器学习的儿童自闭症辅助筛查装置，其特征在于：所述中心处理机构内置的功能模块包括：
3.根据权利要求2所述的基于机器学习的儿童自闭症辅助筛查装置，其特征在于：所述分词模块利用jieba分词工具进行分词，并手动调整分词结果。
4.根据权利要求2所述的基于机器学习的儿童自闭症辅助筛查装置，其特征在于：所述预训练语言模型，为语义嵌入向量的维度设定为1024维的预训练过的ELMo语言模型。
5.根据权利要求2所述的基于机器学习的儿童自闭症辅助筛查装置，其特征在于：所述第一回归模型和第二回归模型均基于岭回归优化的正则化线性模型构成。
6.根据权利要求2所述的基于机器学习的儿童自闭症辅
7.根据权利要求1所述的基于机器学习的儿童自闭症辅助筛查装置，其特征在于：所述视频播放机构为可播放动画片或视频的电子器件，使用时视频播放机构播放播放动画片或视频片段的时间为2～5分钟。
8.根据权利要求1所述的基于机器学习的儿童自闭症辅助筛查装置，其特征在于：所述脑电图信号采集机构，包括使用时涂抹在儿童头皮上的导电膏以及佩戴儿童头上的电极帽。
...【技术特征摘要】
1.一种基于机器学习的儿童自闭症辅助筛查装置，其特征在于：包括用于播放动画片或视频片段的视频播放机构，用于采集儿童观看动画片或视频片段时脑电图信号的脑电图信号采集机构，以及用于根据脑电图信号采集机构输出的待筛查儿童观看动画片或视频片段时的脑电图信号，经过内置的功能模块处理后输出被测试儿童是否为自闭症儿童结论的中心处理机构。
2.根据权利要求1所述的基于机器学习的儿童自闭症辅助筛查装置，其特征在于：所述中心处理机构内置的功能模块包括：
3.根据权利要求2所述的基于机器学习的儿童自闭症辅助筛查装置，其特征在于：所述分词模块利用jieba分词工具进行分词，并手动调整分词结果。
4.根据权利要求2所述的基于机器学习的儿童自闭症辅助筛查装置，其特征在于：所述预训练语言模型，为语义嵌入向量...
【专利技术属性】
技术研发人员：曹淼，李斐，冯建峰，鲁梦洁，邓琳，张悦，
申请(专利权)人：复旦大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。