CN109920551A - 基于机器学习的自闭症儿童社会行为表现特征分析系统 - Google Patents

Abstract

本发明公开了一种基于机器学习的自闭症儿童社交障碍症状分析的方法，包含以下步骤：获取各类型自闭症儿童社会行为特征集合；获取以往自闭症儿童的案例分析报告；系统对录入的信息进行学习；更新拟合函数；利用更新后的拟合函数进行新的案例分析。本发明还公开了一种基于机器学习的自闭症儿童案例分析系统。本发明基于机器学习的分析方法可以根据已有儿童的案例分析信息，自动从中学习到相关的特征分析规则；并在以后的分析活动中，依据新输入的特征参数和学习到的分析方法自动为康复人员推荐诊断结果，从而极大地提高康复的效率和准确性，具有广泛的应用前景。

Description

基于机器学习的自闭症儿童社会行为表现特征分析系统

技术领域

本发明属于人工智能技术领域，具体涉及一种基于机器学习的自闭症儿童社会行为表现特征的分析方法及系统。

背景技术

症状分析是自闭症儿童康复活动中的重要一环。目前，自闭症儿童的康复环节中，症状分析都是由康复师根据特征表现，以以往具有相似表现的症状分析为基础，生成新的症状分析反馈给自闭症儿童。

康复师根据以往的表现特征，以以往具有相似表现的症状分析为基础，生成新的症状分析给自闭症儿童。这种分析方法依赖于以前具有相似表现的症状分析。如果当前自闭症儿童症状表现的种类或者数量发生改变，势必会影响到相应的症状分析。对于康复师而言，如果改变后的症状组合和以往任何成功的分析案例都发生差异，则很难准确判断当前表现的改变对症状分析产生怎样的影响。因此极有可能会导致症状分析出现差错，从而造成误诊，自闭症儿童得不到相应的训练。

发明内容

为克服并解决现有技术中存在的上述问题，本发明提供了一种基于机器学习的对自闭症儿童社会行为表现特征进行智能分析的方法及系统。

本发明提出的基于机器学习的自闭症儿童社会行为表现特征的分析方法，包含以下步骤：

A、获取各类自闭症儿童社会行为表现特征集合，通过社交能力评估问卷对所述特征集合进行处理，获得经修正的自闭症儿童社会行为表现特征集合；

B、获取已有的以往自闭症儿童社会行为表现特征的案例分析报告信息；

C、将前述步骤A中的行为表现特征的集合和所述步骤B中所获取的案例分析报告信息输入基于XGBoost算法的机器学习训练系统，所述训练系统对录入的所述案例分析报告信息进行学习，所述学习是指学习47项(即，图4中评估项目数总和)社交基本技能训练目标和6大自闭症儿童基本信息以及具体的干预方案，从中提取特征参数，输出决策树各节点分裂权重，通过计算获得相应决策树参数，最终得到符合预期的决策树，即学习模型；

D、利用学习模型对自闭症儿童社会行为表现特征进行案例分析；

E、更新所述学习模型，更新步骤A中的自闭症儿童社会行为表现特征以及步骤B中的案例分析报告信息；

F、利用更新后的学习模型进行新的案例分析，对下一个自闭症儿童社会行为表现特征进行案例分析。

所述步骤A中，不同类型的社会行为表现症状所包含的表现特征种类不同。如图3所示，所述自闭症儿童社会行为表现特征包括：社会性注意缺陷、自我意识缺陷、社交情感缺陷和沟通交流缺陷。

所述步骤A中，所述自闭症儿童社会行为表现特征的集合如图4所示：本发明参照中残联的《孤独症儿童发展评估表(社交领域)》，将原始的社会交往中社交前基本能力、社交技巧、社交礼仪三个版块进行拆分重组，并根据自闭症儿童社交能力发展特点，将社交能力拆分重组为社会性注意，自我意识，非口语社交技巧，口语社交技巧，问候，告别，电话礼仪，高阶礼仪八个子版块，每个子版块中包含若干子项目；得到如图4所示自闭症儿童表现特征集合，在这一“集合”技术处理中运用了本发明独特的方法，区别于现有的现场评估获得集合的方法：

社交能力评估问卷

能力评估问卷是一份针对自闭症儿童父母的调查问卷，问卷通过设置47项社交能力领域的相关专业问题来收集自闭症儿童的社交能力信息，问题覆盖面广、难度低、易于甄别，同时是区别于传统康复师非程序化、系统化的人工调研方法；

关于发明中特征集合收集方法：

(1)有关方法运用的说明：能力评估问卷是通过APP和微信公众号在线发放给自闭症儿童家长进行信息收录，无需前往线下试验基地即可完成，从而提高诊断康复的整体效率。

(2)特征收集方式与图4所示集合的关系：问卷设计是与所示47项社交能力指标完全对应的，直接提取相应能力指标领域的信息进行划分整理，即可得到图4所示的框架图；

(3)与现有人工方法相比技术上的优势：提高了精准性与规范性，康复师的调查方式相对主观和随意，不能保证每次调查的方式精准到位；全覆盖，而模板式的问卷使得调查过程始终处于同样标准的高效和规范；提高了效率，由计算机自动生成的表格和图表便于相互转换和数据处理，缩短了数据整合时间和流程；保证了调查方式和数据整理的统一性，本发明是基于同一套社交能力评估体系建立的问卷评估和场景评估，所以从调查到收集整理结果不会出现观察变量无法前后对接的情况；

所述步骤B中，所述案例分析报告信息是指之前依据康复师来进行评定的自闭症儿童症状诊断和相应的康复建议；本发明中所特指的自闭症儿童社会行为表现特征的案例分析报告信息包含儿童社交能力发展定位图谱、社交技能社交技巧社交礼仪等测试结果、相应的测试结果分析和康复建议、康复频次推荐；

其中，所述步骤C具体是：

把研究人员输入的数据(步骤A中所述的行为表现特征集合和步骤B中所述的案例分析报告信息)作为学习样本，利用通过所述步骤B获取到的样本数据(47项社交基本技能训练目标和6大自闭症儿童基本信息以及具体的干预方案)，从中提取特征参数，输出决策树各节点分裂权重，通过计算得到获得相应决策树参数，最终得到符合预期的决策树，即学习模型。

其中，所述特征参数是指社会性注意缺陷、自我意识缺陷、社交情感缺陷和沟通交流缺陷以及6大自闭症儿童基本信息；

其中，所述6大自闭症儿童基本信息是指年龄、语言能力、学习能力、性别、看护状况以及家庭背景；

其中，通过计算得到获得相应决策树参数中，所述计算是指对于一个给定的有n个样本和m个特征的数据集，输入集为：

D＝(x_i，y_i)(|D|＝n，x_i∈R^m，y_i∈R)；

并用一个tree ensemble model使用K个累加的函数来预测输出：

其中，利用常见的R^2拟合优度判定指数来判断学习结果，在统计学中用于度量因变量的变异中可由自变量解释部分所占的比例，以此来判断统计模型的解释力，而在本实验的线性回归中，决定系数为样本相关系数的平方；当加入其他回归自变量后，决定系数相应地变为多重相关系数的平方。

对于一组有n个值的变量y1,y2....yn,(如自闭症儿童6大基本信息作为变量输入)有：

则总平方和为：

回归平方和为：

决定系数可以写成：

决定系数越接近1，模型的拟合度越高；如图8所示，代入随机数据得出拟合优度系数为0.7828，若拟合优度系数更接近于1，其模型准确度将更高。通过本发明提出的计算方法，能极大地提高康复的效率和准确性，具有广泛的应用前景。

其中，步骤D，对自闭症儿童社会行为表现特征进行案例分析，分析过程中的提供社交能力掌握率判断和社交能力康复建议为本发明特有；

其中，所述步骤E更新学习模型具体包括更新新的表现特征值以及更新录入的步骤A、B的相关数据；

基于以上方法，本发明还提出了一种基于机器学习的自闭症儿童社会行为表现特征的分析系统，所述系统包括以下组成：

数据录入模块，包括前端APP和微信公众号，用于负责录入自闭症儿童社会行为表现特征的集合和已有的所述自闭症儿童社会行为表现特征的案例分析报告信息；

服务器模块，负责接收数据录入模块中的数据并进行初步的筛选；

学习训练模块，用于基于XGBoost算法的机器学习训练系统，对所述集合和案例分析报告信息进行自闭症儿童特征信息及诊断信息学习，获得学习模型；所述机器学习训练模块包括PC端程序，用于进行数据整合和模型训练；

分析模块，用于通过所述学习模型进行自闭症儿童社会行为表现特征的分析；所述分析模块包括doc类文本工具，负责整合呈现最终数据并呈献给前端APP和微信公众号。

与现有技术相比，本发明的有益效果包括：本发明基于机器学习的智能分析方法及系统，可以根据已有的自闭症儿童自闭症儿童的案例分析信息，自动从中学习到相关的特征分析规则；并在以后的分析过程中，依据新输入的特征表现(待测自闭症儿童的特征表现)和通过学习得到的分析规则(已有的自闭症儿童的案例分析信息)为康复师推荐合适的治疗方案，为康复人员推荐诊断结果，从而极大地提高了对待测自闭症儿童的症状分析的准确性和效率，也提高了康复的效率和准确性。

附图说明

图1为本发明中机器学习模型示意图。

图2为本发明中训练整体流程。

图3为本发明中自闭症儿童社会行为表现特征。

图4为本发明中自闭症儿童社会行为表现特征的集合。

图5为本发明基于机器学习的自闭症儿童社会行为表现特征的分析系统的示意图。

图6为本发明实施例中的示意图。

图7为本发明实施例中评估结果的示意图。

图8为本发明中学习模型中决策树各节点分裂权重示例。

图9为本发明中分析系统的示意图。

具体实施方式

结合以下具体实施例和附图，对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。

实施例1

如图1所示，本发明基于机器学习的自闭症儿童社会行为表现特征的分析方法，包含以下步骤(如图2所示)：

A、获取某类型自闭症儿童自闭症儿童的社会行为表现症状集合。不同类型的社会行为表现症状所包含的表现特征种类不同。例如，这里需要获取的是某种类型的症状所包含的表现特征的全集；

B、获取以往症状的表现特征。获取以前的表现特征，将过往特征信息(包含儿童社交能力发展定位图谱、社交技能社交技巧社交礼仪等测试结果、相应的测试结果分析和康复建议、康复频次推荐)作为输入样本，并将相应的康复师通过传统方法给出的案例分析结果作为输出样本，用于机器学习中的训练样本集；

C、对录入的信息进行学习。利用所述步骤B获取得到的已有的所述自闭症儿童社会行为表现特征的案例分析报告信息作为机器学习样本数据，从中提取特征参数，输出决策树各节点分裂权重，通过计算得到获得相应决策树参数，最终得到符合预期的决策树即学习模型；

D、对自闭症儿童社会行为表现特征进行案例分析。

E、更新学习模型，对于每一类产品都更新其学习模型；

F、利用更新后的学习模型进行新的分析。对于新的表现特征值，可以利用已经得到的学习模型进行计算，从而向康复师推荐合适的方案。

本发明实施例中的学习模型：

根据问卷数据，生成评估报告，进行人工智能推演，通过海量数据运算，形成评估建议。

其中，

(1)结合47项社会交往评估项目，引入XGBoost进行因素评估

XGBoost算法，全名eXtreme Gradient Boosting，是Gradient Tree Boosting算法的一个分支，是一种Tree Boosting的可扩展机器学习系统。XGBoost是一个更新的分布式梯度增强库，旨在实现高效，灵活和便携。它在Gradient Boosting框架下实现机器学习算法。XGBoost提供了并行树提升(也称为GBDT，GBM)，可以快速准确地解决许多数据科学问题。相同的代码在主要的分布式环境(Hadoop，SGE，MPI)上运行，并且可以解决超过数十亿个样例的问题。

1)模型概述

XGBoost的核心思想和GBDT是一样的，都是按照损失函数的负梯度方向提升，是进行了泰勒二次展开的GBDT算法，加了一些正则项。对于一个给定的有n个样本和m个特征的数据集

D＝(x_i，y_i)(|D|＝n，x_i∈R^m，y_i∈R)

一个tree ensemble model使用K个累加的函数来预测输出：

其中是CART(回归树)的空间。其中q代表每个树的结构，其可以将每个样本映射到对应的叶节点中，T是树中叶子节点的个数。每个对应于一个独立的树结构q和叶子权重w。不同于决策树，每个回归树在每一个叶节点上包含一个连续分数值，代表第i个结点的分数。是对样本x的打分，即模型预测值。对于每个样本，将使用多个树中决策规则来将它分类到叶节点中，并且通过累加对应叶子中的分数w来获得最终的预测(每个样本的预测结果就是每棵树预测分数的总和)。为了学习模型中使用的函数集合，最小化下列正则化目标：

其中l是一个可微凸损失函数，度量预测值与目标值之间的差。第二项惩罚模型的复杂度(所有回归树的复杂度之和)。该项中包含了两个部分，一个是叶子结点的总数，一个是叶子结点得到的L2正则化项。这个额外的正则化项能够平滑每个叶节点的学习权重来避免过拟合。直观地，正则化的目标将倾向于选择采用简单和预测函数的模型。当正则化参数为零时，这个函数就变为传统的GDBT。

2)GDBT

树集合模型以函数作为参数，所以不能直接使用传统的更新方法进行更新。而是采用加法学习方式(Additve training)训练，开始于一个常数预测，每次增加的一个新的函数学习当前的树，找到当前最佳的树模型加入带整体模型中：

因此，关键在于学习第t棵树，寻找最佳的f_t，增加f_t并最小化目标函数，其中是在第t次迭代时样本i的预测值：

考虑到经验误差以后，目标函数可以被改写为：

把经验误差二阶泰勒展开以后：

所以最终的目标在去除了常数项以后：

(2)通过R^2拟合优度判定指数来判断学习结果

本发明将利用XGBoost算法和1000+份有效样本数据进行评估完成度的结构学习，利用线性回归最终计算出适合的干预方案。在统计学中用于度量因变量的变异中可由自变量解释部分所占的比例，以此来判断统计模型的解释力。对于简单线性回归而言，决定系数为样本相关系数的平方。当加入其他回归自变量后，决定系数相应地变为多重相关系数的平方。

对于一组有n个值的变量y1,y2....yn,有：

则总平方和为：

回归平方和为：

决定系数可以写成：

决定系数越接近1，模型的拟合度越高。

所述步骤D具体为：如图6所示，选取一则实例，隐去关键私人信息，录入数据，生成自闭症儿童社会交往能力评估报告：

一、评估结果

评估结果如图7所示。

表1：图7具体数据登出

注：表中测验结果为得分/总分(正确率)

结果分析部分为表1的详细分析。

二、结果分析

该儿童的月龄为99个月，其社交前基本技能掌握率为57.14％，社交技巧掌握率为50.00％，社交礼仪掌握率为48.00％。

由图7可知，该儿童零项达标，社会性注意、自我意识、非口语社交技巧、口语社交技巧、问候、告别、电话礼仪、高阶礼仪八项未达标。整体来看该儿童社交前基本技能(社会性注意、自我意识)一般，社交技巧(非口语社交技巧、口语社交技巧)一般，社交礼仪(问候、告别、电话礼仪、高阶礼仪)一般。

三、康复建议

根据该儿童的月龄及社交能力发展顺序，建议在日常生活中结合现实场景，通过相关的儿歌、故事及生活活动，先从以下五项内容进行干预。

项目1、主动引发照顾者关注

干预目标：

主动引发照顾者关注

干预策略：

1)主动引发照顾者关注

2)主动引发照顾者关注

项目2、微笑回应陌生人的问候

干预目标：

微笑回应陌生人的问候

干预策略：

1)微笑回应陌生人的问候

2)微笑回应陌生人的问候

项目3、陌生人靠近时有适当的闪躲

干预目标：

当陌生人走到自己面前时看着陌生人，并开始绕过陌生人迈步向前走。

干预策略：

1)通过相关的儿童歌曲和童话故事，让儿童理解要远离陌生人。

2)日常生活中带儿童外出遇到儿童不认识的人靠近儿童并试图有肢体接触时，用语言提示儿童：你认识Ta吗？可以和Ta拉手/让Ta抱吗？并用动作示意儿童予以闪躲(如：双手背后，与陌生人拉开距离)。

项目4、照顾者离开时有追逐照顾者的意思

干预目标：

照顾者离开时有追逐照顾者的意思

干预策略：

1)照顾者离开时有追逐照顾者的意思

2)照顾者离开时有追逐照顾者的意思

项目5、认识自己的物品

干预目标：

认识自己的物品

干预策略：

1)认识自己的物品

2)认识自己的物品

四、干预频次

每周不少于3次；

每次不少于30分钟；

学习模型中决策树各节点分裂权重示例如图8所示，年龄的权重值约为0.23语言能力的权重值约为0.21，学习能力的权重值约为0.19，性别男和女的权重值分别约为0.19和0.04，父母看护和祖辈看护的权重值分别约为0.09和0.03，普通家庭和高知家庭的权重值分别约为0.07和0.02；图8在给出数据的同时对各指标的权重值进行了降序排列，由此可见在六项基本信息中，年龄对于机器的学习模型影响因素最大，语言能力和学习能力次之，柱状图下方的均方误差、平均绝对误差和可解释方差用来单独辅助验证被观察总体量和个体量与其对应预期值的比例大小关系，从而根据数值大小判断模型是否更新，而拟合优度系数则可以总体看出模型与绝对理想模型(回归值为1)之间的差距。

如图9所示，本实施例中的基于机器学习的自闭症儿童社会行为表现特征的分析系统，包括：

数据录入模块，包括前端APP和微信公众号，用于负责录入自闭症儿童社会行为表现特征的集合和已有的自闭症儿童社会行为表现特征的案例分析报告信息；

服务器模块，负责接收数据录入模块中的数据并进行初步的筛选；

学习训练模块，用于基于XGBoost算法的机器学习训练系统，对集合和案例分析报告信息进行自闭症儿童特征信息及诊断信息学习，获得学习模型；机器学习训练模块包括PC端程序，用于进行数据整合和模型训练；

分析模块，用于通过学习模型进行自闭症儿童社会行为表现特征的分析；分析模块包括doc类文本工具，负责整合呈现最终数据并呈献给前端APP和微信公众号。

本发明的保护内容不局限于以上实施例。在不背离本发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

Claims (10)

1.一种基于机器学习的自闭症儿童社会行为表现特征的分析方法，其特征在于，所述方法包括以下步骤：

A、获取自闭症儿童社会行为表现特征的集合；

B、获取自闭症儿童社会行为表现特征的案例分析报告信息；

C、基于XGBoost算法的机器学习训练系统，对所述集合和案例分析报告信息进行自闭症儿童特征信息及诊断信息学习，所述学习是指学习自闭症儿童47项社交基本技能和6大自闭症儿童基本信息，获得学习模型；所述学习模型为一个梯度提升树模型；

D、通过所述学习模型进行自闭症儿童社会行为表现特征的分析。

2.根据权利要求1所述的基于机器学习的自闭症儿童社会行为表现特征的分析方法，其特征在于，进一步地，对所述学习模型进行更新，包括：

E、更新所述学习模型，更新步骤A中的自闭症儿童社会行为表现特征以及步骤B中的案例分析报告信息；

F、利用更新后的学习模型进行下一个自闭症儿童社会行为表现特征的分析。

3.根据权利要求1所述的基于机器学习的自闭症儿童社会行为表现特征的分析方法，其特征在于，所述自闭症儿童社会行为表现特征包括：社会性注意缺陷、自我意识缺陷、社交情感缺陷和沟通交流缺陷。

4.根据权利要求1所述的基于机器学习的自闭症儿童社会行为表现特征的分析方法，其特征在于，所述步骤A中，采用社交能力评估问卷进行集合：所述社交能力评估问卷为针对自闭症儿童父母的调查问卷，问卷通过设置47项社交基本技能来收集自闭症儿童的社交能力信息。

5.根据权利要求4所述的基于机器学习的自闭症儿童社会行为表现特征的分析方法，其特征在于，所述自闭症儿童社会行为表现特征的分析是指所述学习模型根据所述社交能力评估问卷数据，生成评估报告，进行人工智能推演，通过数据运算，形成评估建议。

6.根据权利要求1所述的基于机器学习的自闭症儿童社会行为表现特征的分析方法，其特征在于，所述步骤B中，所述案例分析报告信息是指包含儿童社交能力发展定位图谱、社交技能社交技巧社交礼仪测试结果、相应的测试结果分析和康复建议和康复频次推荐。

7.根据权利要求1所述的基于机器学习的自闭症儿童社会行为表现特征的分析方法，其特征在于，所述步骤C中，机器学习训练系统利用所述集合及所述案例分析报告信息作为样本数据，从所述样本数据中提取特征参数，输出决策树各节点分裂权重，并计算出决策树参数，获得所述学习模型。

8.根据权利要求7所述的基于机器学习的自闭症儿童社会行为表现特征的分析方法，其特征在于，所述学习模型通过R^2拟合优度判断指数来判断学习结果。

9.根据权利要求7所述的基于机器学习的自闭症儿童社会行为表现特征的分析方法，其特征在于，所述决策树参数的计算是指对于一个给定的有n个样本和m个特征的数据集，输入集为：D＝(x_i，y_i)(|D|＝n，x_i∈R^m，y_i∈R)，并用一个tree ensemble model使用K个累加的函数来预测输出：

其中，决定系数为样本相关系数的平方；当加入回归自变量后，决定系数相应地变为多重相关系数的平方；对于一组有n个值的变量y1,y2....yn,则决定系数为：

其中，

10.一种基于机器学习的自闭症儿童社会行为表现特征的分析系统，其特征在于，采用如权利要求1-9之任一项所述的分析方法，所述系统包括以下：

数据录入模块，包括前端APP和微信公众号，用于负责录入自闭症儿童社会行为表现特征的集合和已有的所述自闭症儿童社会行为表现特征的案例分析报告信息；

服务器模块，负责接收数据录入模块中的数据并进行初步的筛选；

学习训练模块，用于基于XGBoost算法的机器学习训练系统，对所述集合和案例分析报告信息进行自闭症儿童特征信息及诊断信息学习，获得学习模型；所述机器学习训练模块包括PC端程序，用于进行数据整合和模型训练；

分析模块，用于通过所述学习模型进行自闭症儿童社会行为表现特征的分析；所述分析模块包括doc类文本工具，负责整合呈现最终数据并呈献给前端APP和微信公众号。