[发明专利]一种基于误差反向传播算法的手绘图形分类方法及系统

说明书

一种基于误差反向传播算法的手绘图形分类方法及系统，涉及神经网络技术领域，用以解决现有技术不能对手绘图像数据进行有效分类的问题。本发明的技术要点包括：设计一个或多个规则图形描绘模板；根据规则图形描绘模板获取手绘图像数据；对手绘图像数据进行预处理；构建并训练BP神经网络模型；将待分类手绘图像数据输入训练好的BP神经网络模型，获取分类结果。本发明可以区分出书写轨迹之间细微的差异，对于书写者是否存在震颤的划分更为精准。本发明可应用于临床医疗上以判断患者手部是否存在震颤。

技术领域

本发明涉及神经网络技术领域，具体涉及一种基于误差反向传播算法的手绘图形分类方法及系统。

背景技术

手写运动作为一种由人类高级神经系统主导控制的活动，依赖于大脑多个部位的参与，以及肌肉、骨骼系统的协调配合。手写过程从肌肉活动层面来看，是由多个肌群通过连续和相互重叠的协调活动共同完成。一侧肢体或手部的震颤有时会影响书写，如帕金森病患者和脑型肝豆状核变性患者均存在震颤性书写。手部震颤可见于多种神经系统疾病，如原发性震颤、帕金森病、肝豆状核变性、肌张力障碍性震颤、小脑性震颤等疾病。目前临床上多应用书写和笔迹量表进行评估，缺乏客观性且不能反映患者手部震颤情况。有人提出用手绘规则图形来识别测试者是否存在手部震颤，但通过手绘规则图形识别测试者是否存在手部震颤最关键的地方在于如何对手绘图像数据进行有效分类。然而现有技术中没有人对此进行过详细研究。

发明内容

鉴于以上问题，本发明提出一种基于误差反向传播算法的手绘图形分类方法及系统，用以解决现有技术不能对手绘图像数据进行有效分类的问题。

根据本发明一方面，提出一种基于误差反向传播算法的手绘图形分类方法，该方法包括以下步骤：

步骤一、设计一个或多个规则图形描绘模板；

步骤二、通过描绘规则图形描绘模板得到多组手写轨迹数据，将所述手写轨迹数据进行数字化处理，获取手绘图像数据；其中，所述手写轨迹数据包括对应手部存在震颤的异常轨迹数据和对应手部不存在震颤的正常轨迹数据；

步骤三、对所述手绘图像数据进行预处理；

步骤四、根据所述手写轨迹数据中手写轨迹的细节特征构造BP神经网络模型；

步骤五、将所述手绘图像数据分为训练数据和测试数据，根据训练数据训练BP神经网络模型；

步骤六、将测试数据输入训练得到的BP神经网络模型进行分类，将测试数据分类正确率与预设正确率阈值进行比较，如果测试数据分类正确率小于预设正确率阈值，则修改训练参数重新训练直至测试数据分类正确率达到或超过预设正确率阈值，保存训练好的BP神经网络模型及参数；

步骤七、将待分类手写轨迹数据进行数字化处理后获取待分类手绘图像数据，将待分类手绘图像数据输入上述训练好的BP神经网络模型中，获得分类结果。

进一步地，步骤一中所述规则图形描绘模板包括阿基米德线、矩形、正五边形以及正六边形四种模板，且所述规则图形描绘模板上有定位点。

进一步地，步骤二中设置阿基米德线模板的描绘周期为6π，矩形、正五边形与正六边形模板的描绘周期为5个周长。

进一步地，步骤三的具体过程包括：

步骤三一、首先对手绘图像数据根据定位点进行校正，使手写轨迹处在水平和竖直的标准线上；

步骤三二、记录每种模板的长宽，将手绘图像数据按照每种模板的长宽进行剪裁，使每个手绘图像数据具有特定的大小；

步骤三三、剔除明显存在异常的手绘图像数据，对保留的手绘图像数据设置标签，并进行归一化处理。