买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安徽医科大学申请的专利基于原始视频的ADHD多特征提取与融合分类方法及其系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117496396B 。

龙图腾网通过国家知识产权局官网在2026-02-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311345812.5，技术领域涉及：G06V20/40；该发明授权基于原始视频的ADHD多特征提取与融合分类方法及其系统是由吴茜;程子豪;裴玉瑶;汪涛;王艳玲;王常青设计研发完成，并于2023-10-17向国家知识产权局提交的专利申请。

本基于原始视频的ADHD多特征提取与融合分类方法及其系统在说明书摘要公布了：本发明公开了一种基于原始视频的ADHD多特征提取与融合分类方法，包括以下步骤：S1：利用网络摄像头采集受试者观看视频记录，对所述视频进行预处理，得到预处理后的图像帧；S2：对预处理后的图像帧，分析面部动作、眼部运动和头部运动在内的行为模式；S3：提取所述行为模式的特征分量并融合；S4：构建深度学习网络，对所述融合后的特征进行分类。还公开了一种基于原始视频的ADHD多特征提取与融合分类系统。本发明基于视频序列对ADHD患者进行分类，避免了侵入性影响、降低了成本且易于推广；通过多模态特征融合，减少了单一模态数据的局限性，具有更好的准确性和有效性，此外该发明还可以用于自闭症病例的分类。

本发明授权基于原始视频的ADHD多特征提取与融合分类方法及其系统在权利要求书中公布了：1.一种基于原始视频的ADHD多特征提取与融合分类方法，其特征在于，包括以下步骤： S1：利用网络摄像头采集受试者观看视频记录，对所述视频进行预处理，得到预处理后的图像帧； S2：对预处理后的图像帧，分析面部动作、眼部运动和头部运动在内的行为模式；具体步骤包括： S21：跟踪连续图像帧，分析面部动作进行表情分类； S22：跟踪连续图像帧，确定头部位置坐标，分析其头部运动； S23：跟踪连续图像帧，构建深度学习框架获取双眼瞳孔中心，分析其眼部运动；具体步骤包括： S231：利用Haar级联对预处理后的图像进行初步眼部区域检测； S232：将初步检测的眼部区域送入基于注意力机制的ResNet网络进行特征提取操作，得到人眼图像的深层特征；具体步骤包括： S2321：利用一个卷积层和池化层进行初步特征提取； S2322：将初步提取的特征送入残差连接块，残差连接块共有四个残差块，每个残差块由双通道组成，上层为主通道，下层是一个由卷积层和空间注意力模块组成的掩码通道；主通道将输入人眼图像X，输出为人眼图像特征FX，掩码通道将输入人眼图像X，输出为人眼图像注意力特征GX，人眼图像特征FX和人眼图像注意力特征GX相加，得到人眼图像深层特征MX，计算公式如下：；式中：表示的第c个通道，表示的第c个通道； 所述空间注意力模块由双通道组成，上层的为主通道，由一个全局最大池化层和重塑层构成，下层为一个掩码通道，掩码通道由一个全局平均池化层、重塑层、卷积层构成；主通道将输入人眼图像特征DX，输出为人眼图像全局特征EX，掩码通道将输入人眼图像特征DX依次经过全局平均池化层、重塑层，输出为人眼图像全局特征HX，将人眼图像全局特征HX与输入人眼图像特征DX像素相乘，得到加权的人眼特征IX，然后将人眼特征IX作为权重，经过卷积层，输出为注意力权重特征JX，将输入人眼图像特征DX和注意力权重特征JX像素相乘，得到人眼图像注意力特征KX，计算公式如下：；式中：符号表示矩阵的点乘； S233：利用一个全局平均池化层进行特征降维操作，得到人眼图像的降维特征Q； S234：利用四个全连接层对降维的特征映射至目标位置，输出双目瞳孔中心点位置，计算公式如下： , 式中，表示四个全连接层的权重，表示四个全连接的偏置，为激活函数； S235：取双目瞳孔中心的中心坐标为眼部位置坐标，堆叠眼部位置坐标，得到眼部运动轨迹E：； S3：提取所述行为模式的特征分量并融合； S4：构建深度学习网络，对所述融合后的特征进行分类。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽医科大学，其通讯地址为：230032 安徽省合肥市蜀山区梅山路81号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。