基于情感计算的儿童自闭症早期风险预测及实现路径研究.docxVIP

基于情感计算的儿童自闭症早期风险预测及实现路径研究 　　研究背景 　　本项目源于初中时参加的全国青少年机器人竞赛，当时设计了聋哑智慧手套，帮助残疾儿童实现沟通和交互，在项目研究过程中与自闭患儿零距离的接触，看到了自闭症对儿童健康的威胁，心灵深處受到触动。于是在暑假期间，开始深入到合肥市康华残疾人康复中心、安徽省特殊中专学校等部门进行咨询与调研。通过发放问卷，结合专家访谈，进一步了解到自闭症儿童的现状，大多数家庭是在发现自闭症的显性症状后才开始寻医治疗，滞后医疗康复的概率较小，且高昂的费用让很多家庭负债累累。因此，本项目旨在通过对儿童自闭症早期潜在风险进行识别与预测，开发一种成本较低、操作方便、安全适用，能早期预测儿童自闭症的系统软件，实现自闭症儿童早识别、早治疗、早康复的目的。 　　研究思路 　　◇既往的赛事经历为本研究提供了研究思路与创意。 　　◇通过文献梳理与分析，系统回顾国内外关于自闭症的现状及研究动态。利用问卷调研和现场咨询采集相关数据，获取本研究所需要的数据资料。 　　◇在研究中期，邀请专家座谈，咨询专家的意见和建议，根据对专家意见的梳理，选取自闭症患儿的声音和表情2个关键特征指标，设计研究方法，确定了产品开发的路径。 　　目前国际通用的自闭症筛查量表abc（autismbehaviorchecklist）中列出了57项自闭症儿童的行为特征，对应了57个选择题，包括感知能力、交往能力、运动能力、语言能力和自我照顾能力。通过分析abc量表后，发现核心题目更适合使用计算机技术进行自动化测试。以量表中的第21题为例，使用者在回答题目时需要识别出被测试儿童的面部表情，已有的研究报告指出，在识别面部表情时，基于机器学习的识别技术比人工识别的准确率更高。基于此，本项目拟采用深度学习技术和web服务技术智能化量表中的第21题。 　　实现abc量表测试的基本思路：首先进行abc量表题目的电子化，将量表实现为本项目app的其中一个模块;其次是分数统计的自动化，根据测试者的选项及项目的分值进行自动统计;最后是个别题目的智能化，选取可以用新兴计算技术实现的题目，进行重点突破。 　　在实现智能化时，首先利用深度学习技术训练表情识别模型;在获得满足精度需求的识别模型后，将之实现一个表情识别的web服务，供app端调用并自动识别表情。具体地，表情数据集拟采用google运营的kaggle平台中发布的fer2013。此数据集由58886张老年人、中年人、青年人、儿童、卡通表情图片组成，包含生气、厌恶、恐惧、开心、伤心、惊讶、中性7种表情。使用开源深度学习框架tensorflow构建卷积神经网络进行训练。 　　此外，自闭症儿童多数不善言辞，或有语言障碍，与正常婴幼儿语言功能相比有鲜明的特征区别，这些特征在3岁之前就已经很明显了。本项目拟通过采集大量3岁以内低风险患儿、高风险患儿和正常儿语言和发音，建立情感计算大数据分析模型，根据婴幼儿语言或发声的声学特征与已有的模型进行模式匹配，根据匹配的结果预测自闭症风险系数。 　　◇在研究后期，对实验研究进行科学分析与归纳，整理汇编各类研究资料和重要文档，撰写项目总结，完善评估预测系统，形成研究成果。 　　产品设计 　　系统组成 　　系统采用互联网+模式，前台利用手机移动终端app进行面部表情数据及语音信号数据采集，所采集的数据经互联网传送至后台云服务器进行数据分析，最后将检测结果传回手机移动终端。 　　系统的语音处理模块：婴幼儿语音或发声经过手机话筒进行声电变换，通过互联网导入后台评估预测系统。在后台，首先对婴幼儿语音或发声进行预加重和信号滤波等预处理，再利用mfcc技术进行声音特征提取。声音特征包括：语音的频率、时长、幅度，以及各种声音的其他线性系数及参数、mel参数等。利用这些特征参数，与情感计算分析模型进行模式匹配对比，得出最终结论。 　　关键技术 　　◇abc量表电子化 　　将国际通用的儿童自闭症行为abc量表的57道判断题实现电子化，结合评判的数据得分，用户仅需通过app选择的方式完成答题，即可快速得到评估结果。 　　◇核心甄别指标的智能化 　　利用基于深度学习的表情识别技术和智能语音技术实现了对abc量表核心题甄别指标的智能化测试与判断，即语音与表情。abc量表中存在主观判断，家长作为普通人一般无法正确回答，因此通过智能化手段实现量表的关键指标量化。语音采用讯飞技术和mfcc算法分析，形成语音模型;表情使用开源深度学习框架tensorflow构建卷积神经网络进行训练，实现表情模型的构建。 　　◇特征提取和数据库建立 　　利用