[發明專利]一種嬰幼兒依戀類型自動預測系統及其預測方法

在審

• 申請號: 201811561925.8
• 申請日: 2018-12-20
• 公開（公告）號: CN109711310A
• 公開（公告）日: 2019-05-03
• 發明（設計）人: 李紅改;崔錦實;王莉;查紅彬
• 申請（專利權）人: 北京大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;A61B5/16
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 王巖

1.一種嬰幼兒依戀類型自動預測系統，其特征在于，所述嬰幼兒依戀類型自動預測系統包括：嬰兒安全座椅、第一攝像機和計算機；其中，嬰兒坐在嬰兒安全座椅上，照料者面對嬰兒；在嬰兒和照料者的側面設置第一攝像機，嬰兒和照料者的整個身體位于第一攝像機的成像視野內；第一攝像機連接至計算機；照料者按照流程指示程序與嬰兒進行互動，第一攝像機拍攝照料者與嬰兒的互動行為，并將視頻傳輸至計算機，得到視頻數據；對視頻數據采用卷積神經網絡得到三維特征，經過矩陣運算得到一維序列特征，輸入至預訓練好的循環神經網絡得到嬰兒的依戀類型。

2.如權利要求1所述的嬰幼兒依戀類型自動預測系統，其特征在于，還包括第二攝像機和第三攝像機，分別正對嬰兒和照料者的臉部，拍攝嬰兒和照料者的臉部的視頻，第二和第三攝像機分別連接至計算機。

3.一種嬰幼兒依戀類型自動預測方法，其特征在于，所述自動預測方法，包括以下步驟：

1)設計流程指示程序；

2)預訓練循環神經網絡模型：

a)收集數據庫，數據庫包括多個嬰兒與照料者的靜止臉實驗的視頻數據作為訓練樣本數據，并且每一個訓練樣本數據標注有依戀類型標簽；

b)對數據庫中的訓練樣本數據利用卷積神經網絡，經過多個卷積層加池化層運算，得到三維特征；

c)對三維特征經過矩陣運算，得到一維序列特征；

d)將一維序列特征輸入到以長短期記憶LSTM為基本單元的循環神經網絡，得到輸出結果；

e)將輸出結果與訓練樣本數據所對應的真實的依戀類型標簽相比較，調整循環神經網絡的層數、連接方式、參數、損失函數和優化方式，重復步驟b)～d)，使得輸出結果與真實的依戀類型標簽的差異最小化，得到訓練好的循環神經網絡模型；

3)將被測試的嬰兒放置在嬰兒安全座椅上，照料者面對嬰兒，在嬰兒和照料者的側面設置第一攝像機，嬰兒和照料者的整個身體位于第一攝像機的成像視野內；

4)照料者按照流程指示程序與嬰兒進行互動，第一攝像機拍攝照料者與嬰兒的互動行為，并將視頻傳輸至計算機，計算機得到視頻數據；

5)對視頻數據利用卷積神經網絡，經過多個卷積層和池化層運算，得到三維特征；

6)對三維特征經過矩陣運算，得到一維序列特征；

7)對一維序列特征輸入至預訓練好的循環神經網絡模型，得到被測試的嬰兒的依戀類型結果。

4.如權利要求3所述的自動預測方法，其特征在于，在步驟2)中，數據庫中的訓練樣本數據的個數為35個以上。

5.如權利要求3所述的自動預測方法，其特征在于，在步驟2)的a)靜止臉實驗中，將明確依戀類型的嬰兒放置在嬰兒安全座椅上，照料者面對嬰兒，在嬰兒和照料者的側面設置第一攝像機，嬰兒和照料者的整個身體位于第一攝像機的成像視野內；照料者按照設計好的流程指示程序與嬰兒進行互動，第一攝像機拍攝照料者與嬰兒的互動行為，并將視頻傳輸至計算機，計算機得到靜止臉實驗的視頻數據作為訓練樣本數據，對訓練樣本數據標注依戀類型標簽。

6.如權利要求3所述的自動預測方法，其特征在于，在步驟2)的e)中，連接方式為循環神經網絡不同的隱藏層之間的輸入與輸出的連接關系；參數包括學習率、批次規模、訓練輪數、循環神經網絡隱藏層的個數以及訓練集與測試集的比例；損失函數為用于評估輸出結果與真實依戀類型標簽之間的不一致程度的函數；優化方式為用于約束網絡的訓練過程，使得訓練朝著損失函數最小化的方向發展。

7.如權利要求3所述的自動預測方法，其特征在于，在步驟4)中，照料者與被測試的嬰兒的互動，與數據庫中照料者與嬰兒的互動的流程指示程序完全相同。

8.如權利要求3所述的自動預測方法，其特征在于，還包括第二攝像機和第三攝像機，分別正對嬰兒和照料者的臉部，拍攝嬰兒和照料者的臉部的視頻。