[发明专利]一种自动化动物疼痛测试系统在审

专利信息
申请号: 202111272069.6 申请日: 2021-10-29
公开(公告)号: CN114010155A 公开(公告)日: 2022-02-08
发明(设计)人: 谢曦;钟成锦;王浩;李柏鸣;李仁杰;陈惠琄 申请(专利权)人: 中山大学
主分类号: A61B5/00 分类号: A61B5/00
代理公司: 广州嘉权专利商标事务所有限公司 44205 代理人: 梁嘉琦
地址: 510275 广东*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 自动化 动物 疼痛 测试 系统
【权利要求书】:

1.一种自动化动物疼痛测试系统,其特征在于,包括活动装置、摄像装置以及与所述摄像装置连接的计算机设备;其中,

所述活动装置,包括活动箱体、位于所述活动箱体内的微针整列以及用于调节所述活动箱体的角度调节支架;

所述摄像装置,用于拍摄动物在所述活动箱体内的运动轨迹视频,并将所述运动轨迹视频发送给所述计算机设备;

所述所述计算机设备包括:

至少一个处理器;

至少一个存储器,用于存储至少一个程序;

当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现以下步骤:

获取所述运动轨迹视频,并将所述运动轨迹视频输入到训练好的识别器获得位置信息;

根据所述位置信息确定坐标信息,并对所述坐标信息进行处理得到运动特征信息;所述坐标信息包括坐标值及时间序列;

将所述运动特征信息输入到训练好的预测模型获得预测疼痛值。

2.根据权利要求1所述的系统,其特征在于,所述识别器的训练方法包括:

获取运动轨迹视频样本,根据帧差法及感兴趣区域确定所述运动轨迹视频样本中的动物位置;

根据所述动物位置采集所述运动轨迹视频样本中的正样本图片及负样本图片;

将所述正样本图片及所述负样本图片输入到haar级联分类模型进行训练;

将识别准确率达到预设准确率的haar级联分类模型作为识别器。

3.根据权利要求1所述的系统,其特征在于,所述根据所述位置信息确定坐标信息,具体包括:

根据carry边缘检测算法及霍夫变换直线检测算法确定所述活动箱体的轮廓;

根据所述位置信息及所述轮廓确定坐标系及所述运动轨迹视频中动物的坐标信息。

4.根据权利要求3所述的系统,其特征在于,所述处理器还实现以下步骤:

采用线性插值法对所述坐标信息进行重采样,获得预设时间内包含预设帧数的第一坐标值及第一时间序列,并将所述第一坐标值及所述第一时间序列作为坐标信息。

5.根据权利要求4所述的系统,其特征在于,所述处理器还实现以下步骤:

采用滑动窗口对所述第一坐标值及所述第一时间序列进行中心平滑滤波得到第二坐标值及第二时间序列,并将所述第二坐标值及所述第二时间序列作为坐标信息。

6.根据权利要求1所述的系统,其特征在于,所述对所述坐标信息进行处理得到运动特征信息,具体包括:

对所述坐标信息求导得到速度时间序列;

根据所述速度时间序列及所述坐标信息确定速度位置分布直方图;

对所述速度时间序列积分得到路程时间序列;

根据所述路程时间序列与所述坐标信息确定路程位置分布直方图。

7.根据权利要求1所述的系统,其特征在于,所述预测模型的训练方法包括:

获取动物测试样本的动运动特征信息及对应的疼痛值;

将所述动物测试样本的动运动特征信息转换成二维矩阵,并将所述二维矩阵标准化;

对标准化后的二维矩阵提取主成分,并将相关度最好的两个主成分进行二元拟合得到疼痛值与运动特征的拟合直线,将所述拟合直线作为预测模型。

8.根据权利要求1所述的系统,其特征在于,所述预测模型的训练方法包括:

获取动物测试样本的动运动特征信息及对应的疼痛值;

将所述动物测试样本的动运动特征信息转换成二维矩阵,并将所述二维矩阵标准化;

根据标准化后的二维矩阵及对应的疼痛值对分类神经网络进行训练,将得到预测精度的分类神经网络作为预测模型;所述分类神经网络包括一层输入层、三层隐藏层和一层输出层。

9.根据权利要求1所述的系统,其特征在于,所述活动箱体包括底座及挡板,所述底座与所述挡板之间通过公母榫方式装配,所述活动箱体分为休息区和活动区,所述休息区与所述活动区通过挡板隔离,所述挡板与所述底座通过公母榫方式装配。

10.根据权利要求1所述的系统,其特征在于,所述微针整列安装在所述活动区,所述微针整列的顶部半径从靠近休息区端开始逐渐变小。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中山大学,未经中山大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202111272069.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top