K8凯发(中国)天生赢家·一触即发

一种发展性阅读障碍筛查方法、装置、设备及存储介质
栏目:k8凯发官网资讯 发布时间:2025-10-23
 k8凯发官网专利检索,专利查询,专利分析的服务。并且本 申请 提供了一种发展性 阅读障碍 筛查方法、装置、设备及存储介质,方法包括:获取目标对象执行 指定 阅读任务的目标语音数据以及目标语音数据对应的标签,其中,目标语音数据对应的标签为目标对象的标签,目标对象的标签包括人口统计学标签和/或低成就标签;根据目标语音数据以及目标语音数据对应的标签,确定能够表征目标对象患有发展性阅读障碍的 风 险等

  k8凯发官网专利检索,专利查询,专利分析的服务。并且本 申请 提供了一种发展性 阅读障碍 筛查方法、装置、设备及存储介质,方法包括:获取目标对象执行 指定 阅读任务的目标语音数据以及目标语音数据对应的标签,其中,目标语音数据对应的标签为目标对象的标签,目标对象的标签包括人口统计学标签和/或低成就标签;根据目标语音数据以及目标语音数据对应的标签,确定能够表征目标对象患有发展性阅读障碍的 风 险等级的筛查结果。本申请提供的发展性阅读障碍筛查方法具有较高的筛查效率,且筛查结果的可信度较高,用户体验较好。,下面是

  1.一种发展性阅读障碍筛查方法,其特征在于,包括:获取目标对象执行阅读任务的目标语音数据以及所述目标语音数据对应的标签,其中,所述目标语音数据对应的标签为所述目标对象的标签,所述目标对象的标签包括人口统计学标签和/或低成就标签;根据所述目标语音数据以及所述目标语音数据对应的标签,确定能够表征所述目标对象患有发展性阅读障碍的险等级的筛查结果。2.根据1所述的发展性阅读障碍筛查方法,其特征在于,所述根据所述目标语音数据以及所述目标语音数据对应的标签,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果,包括:利用所述目标语音数据、所述目标语音数据对应的标签以及预先建立的阅读障碍筛查模型,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果;其中,所述阅读障碍筛查模型采用训练数据集中的训练样本和训练样本对应的标签训练得到,所述训练样本集中的每个训练样本至少对应有人口统计学标签和/或低成就标签。3.根据权利要求2所述的发展性阅读障碍筛查方法,其特征在于,所述指定阅读任务为阅读指定汉字的任务;所述利用所述目标语音数据、所述目标语音数据对应的标签以及预先建立的阅读障碍筛查模型,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果,包括:对所述目标语音数据提取语音特征,并对所述目标语音数据对应的标签提取标签特征,其中,所述语音特征包括正字法意识特征、识字量特征和/或音位意识特征;利用所述语音特征、所述标签特征和所述阅读障碍筛查模型,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果。4.根据权利要求3所述的发展性阅读障碍筛查方法,其特征在于,对所述目标语音数据提取语音特征,包括:获取所述目标语音数据对应的音素序列,作为目标音素序列,其中,所述目标音素序列由至少一个音素串组成,一个音素串对应所述指定阅读任务中的一个指定汉字;将所述目标音素序列与所述指定阅读任务对应的标准音素序列进行匹配;根据所述目标音素序列与所述标准音素序列的匹配情况,确定所述语音特征。5.根据权利要求4所述的发展性阅读障碍筛查方法,其特征在于,所述将所述目标音素序列与所述指定阅读任务对应的标准音素序列进行匹配,包括:将所述目标音素序列中的每个音素串与所述标准音素序列中对应的标准音素串进行同音匹配,以获得所述目标音素序列中的匹配音素串和不匹配音素串;将经同音匹配后获得的不匹配音素串作为疑似错误音素串,根据相似音字典,将所述疑似错误音素串与所述标准音素序列中对应的标准音素串进行相似音匹配,以得到所述疑似错误音素串中的匹配音素串和不匹配音素串;将经相似音匹配后获得的不匹配音素串与所述标准音素序列中对应的标准音素串进行全局匹配。6.根据权利要求3所述的发展性阅读障碍筛查方法,其特征在于,所述利用所述语音特征、所述标签特征和所述阅读障碍筛查模型,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果,包括:确定所述语音特征与所述标签特征的高阶组合特征;将所述高阶组合特征输入所述阅读障碍筛查模型,获得所述目标对象具有发展性阅读障碍的概率。7.根据权利要求2所述的发展性阅读障碍筛查方法,其特征在于,采用训练样本和训练样本对应的标签训练阅读障碍筛查模型,包括:对所述训练样本提取语音特征作为训练语音特征,并对所述训练样本对应的人口统计学标签和/或低成就标签提取标签特征作为训练标签特征,其中,所述训练语音特征包括正字法意识特征、识字量特征和/或音位意识特征;利用所述训练语音特征、所述训练标签特征和阅读障碍筛查模型,确定所述训练样本对应的对象具有发展性阅读障碍的概率;根据所述训练样本对应的对象具有发展性阅读障碍的概率,以及所述训练样本对应的标签,确定阅读障碍筛查模型的预测损失;根据所述阅读障碍筛查模型的预测损失,更新阅读障碍筛查模型的参数。8.根据权利要求7所述的发展性阅读障碍筛查方法,其特征在于,所述训练样本集中的至少部分训练样本对应有临床心理学标签;所述根据所述训练样本对应的对象具有发展性阅读障碍的概率,以及所述训练样本对应的标签,确定阅读障碍筛查模型的预测损失,包括:若所述训练样本对应的标签包括临床心理学标签,则根据所述训练样本对应的对象具有阅读障碍的概率以及所述训练样本对应的临床心理学标签,确定阅读障碍筛查模型的预测损失;若所述训练样本对应的标签不包括临床心理学标签,则根据所述训练样本对应的对象具有阅读障碍的概率以及所述训练样本对应的人口统计学标签和/或低成就标签,确定阅读障碍筛查模型的预测损失。9.根据权利要求7所述的发展性阅读障碍筛查方法,其特征在于,还包括:根据所述训练样本集中训练样本对应的低成就标签,从所述训练样本集中筛选出低成就样本;利用所述低成就样本对训练得到的阅读障碍筛查模型进行验证。10.一种发展性阅读障碍筛查装置,其特征在于,包括:数据获取模块和阅读障碍筛查模块;所述数据获取模块,用于获取目标对象执行指定阅读任务的目标语音数据以及所述目标语音数据对应的标签,其中,所述目标语音数据对应的标签为所述目标对象的标签,所述目标对象的标签包括人口统计学标签和/或低成就标签;所述阅读障碍筛查模块,用于根据所述目标语音数据以及所述目标语音数据对应的标签,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果。11.根据权利要求10所述的发展性阅读障碍筛查装置,其特征在于,所述阅读障碍筛查模块,具体用于利用所述目标语音数据、所述目标语音数据对应的标签以及预先建立的阅读障碍筛查模型,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果;其中,所述阅读障碍筛查模型采用训练数据集中的训练样本和训练样本对应的标签训练得到,所述训练样本集中的每个训练样本至少对应有人口统计学标签和/或低成就标签。12.根据权利要求11所述的发展性阅读障碍筛查装置,其特征在于,所述指定阅读任务为阅读指定汉字的任务;所述阅读障碍筛查模块包括:特征提取子模块和阅读障碍筛查子模块;所述特征提取子模块,用于对所述目标语音数据提取语音特征,并对所述目标语音数据对应的标签提取标签特征,其中,所述语音特征包括正字法意识特征、识字量特征和/或音位意识特征;所述阅读障碍筛查子模块,用于利用所述语音特征、所述标签特征和所述阅读障碍筛查模型,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果。13.一种发展性阅读障碍筛查设备,其特征在于,包括:和处理器;所述存储器,用于存储程序;所述处理器,用于执行所述程序,实现如权利要求1~9中任一项所述的发展性阅读障碍筛查方法的各个步骤。14.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1~9中任一项所述的发展性阅读障碍筛查方法的各个步骤。

  [0001] 本申请涉及智能医疗技术领域,尤其涉及一种发展性阅读障碍筛查方法、装置、设备及存储介质。

  [0002] 随着社会的不断发展,发展性阅读障碍引起了人们的广泛关注。目前对于发展性阅读障碍的筛查大多采用人工筛查方法。

  [0003] 可以理解的是,人工筛查主要依赖人工经验,若人工经验不足,将会影响筛查结果的可信度,并且,人工筛查多采用问卷形式,问卷中涉及的问题通常较多,因此,筛查时间较长,筛查时间较长会影响被筛查对象的配合度,而被筛查对象的配合度不高也会影响筛查结果的可信度。

  [0004] 由此可见,现有的人工筛查方法的筛查结果受筛查人员的经验和被筛查对象的配合度的影响,因此,筛查结果的可信度不高,另外,人工筛查方法的筛查效率较低,人工成本和时间成本较高。发明内容

  [0005] 有鉴于此,本申请提供了一种发展性阅读障碍筛查方法、装置、设备及存储介质,用以解决中的人工筛查方法受筛查人员的经验和被筛查对象的配合度的影响,导致筛查结果的可信度不高,且人工筛查方法的筛查效率较低、人工成本和时间成本较高的问题,其技术方案如下:[0006] 一种发展性阅读障碍筛查方法,包括:[0007] 获取目标对象执行阅读任务的目标语音数据以及所述目标语音数据对应的标签,其中,所述目标语音数据对应的标签为所述目标对象的标签,所述目标对象的标签包括人口统计学标签和/或低成就标签;[0008] 根据所述目标语音数据以及所述目标语音数据对应的标签,确定能够表征所述目标对象患有发展性阅读障碍的险等级的筛查结果。[0009] 可选的,所述根据所述目标语音数据以及所述目标语音数据对应的标签,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果,包括:[0010] 利用所述目标语音数据、所述目标语音数据对应的标签以及预先建立的阅读障碍筛查模型,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果;[0011] 其中,所述阅读障碍筛查模型采用训练数据集中的训练样本和训练样本对应的标签训练得到,所述训练样本集中的每个训练样本至少对应有人口统计学标签和/或低成就标签。[0012] 可选的,所述指定阅读任务为阅读指定汉字的任务;[0013] 所述利用所述目标语音数据、所述目标语音数据对应的标签以及预先建立的阅读障碍筛查模型,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果,包括:[0014] 对所述目标语音数据提取语音特征,并对所述目标语音数据对应的标签提取标签特征,其中,所述语音特征包括正字法意识特征、识字量特征和/或音位意识特征;[0015] 利用所述语音特征、所述标签特征和所述阅读障碍筛查模型,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果。[0016] 可选的,对所述目标语音数据提取语音特征,包括:[0017] 获取所述目标语音数据对应的音素序列,作为目标音素序列,其中,所述目标音素序列由至少一个音素串组成,一个音素串对应所述指定阅读任务中的一个指定汉字;[0018] 将所述目标音素序列与所述指定阅读任务对应的标准音素序列进行匹配;[0019] 根据所述目标音素序列与所述标准音素序列的匹配情况,确定所述语音特征。[0020] 可选的,所述将所述目标音素序列与所述指定阅读任务对应的标准音素序列进行匹配,包括:[0021] 将所述目标音素序列中的每个音素串与所述标准音素序列中对应的标准音素串进行同音匹配,以获得所述目标音素序列中的匹配音素串和不匹配音素串;[0022] 将经同音匹配后获得的不匹配音素串作为疑似错误音素串,根据相似音字典,将所述疑似错误音素串与所述标准音素序列中对应的标准音素串进行相似音匹配,以得到所述疑似错误音素串中的匹配音素串和不匹配音素串;[0023] 将经相似音匹配后获得的不匹配音素串与所述标准音素序列中对应的标准音素串进行全局匹配。[0024] 可选的,所述利用所述语音特征、所述标签特征和所述阅读障碍筛查模型,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果,包括:[0025] 确定所述语音特征与所述标签特征的高阶组合特征;[0026] 将所述高阶组合特征输入所述阅读障碍筛查模型,获得所述目标对象具有发展性阅读障碍的概率。[0027] 可选的,采用训练样本和训练样本对应的标签训练阅读障碍筛查模型,包括:[0028] 对所述训练样本提取语音特征作为训练语音特征,并对所述训练样本对应的人口统计学标签和/或低成就标签提取标签特征作为训练标签特征,其中,所述训练语音特征包括正字法意识特征、识字量特征和/或音位意识特征;[0029] 利用所述训练语音特征、所述训练标签特征和阅读障碍筛查模型,确定所述训练样本对应的对象具有发展性阅读障碍的概率;[0030] 根据所述训练样本对应的对象具有发展性阅读障碍的概率,以及所述训练样本对应的标签,确定阅读障碍筛查模型的预测损失;[0031] 根据所述阅读障碍筛查模型的预测损失,更新阅读障碍筛查模型的参数。[0032] 可选的,所述训练样本集中的至少部分训练样本对应有临床心理学标签;[0033] 所述根据所述训练样本对应的对象具有发展性阅读障碍的概率,以及所述训练样本对应的标签,确定阅读障碍筛查模型的预测损失,包括:[0034] 若所述训练样本对应的标签包括临床心理学标签,则根据所述训练样本对应的对象具有阅读障碍的概率以及所述训练样本对应的临床心理学标签,确定阅读障碍筛查模型的预测损失;[0035] 若所述训练样本对应的标签不包括临床心理学标签,则根据所述训练样本对应的对象具有阅读障碍的概率以及所述训练样本对应的人口统计学标签和/或低成就标签,确定阅读障碍筛查模型的预测损失。[0036] 可选的,所述发展性阅读障碍筛查方法还包括:[0037] 根据所述训练样本集中训练样本对应的低成就标签,从所述训练样本集中筛选出低成就样本;[0038] 利用所述低成就样本对训练得到的阅读障碍筛查模型进行验证。[0039] 一种发展性阅读障碍筛查装置,包括:数据获取模块和阅读障碍筛查模块;[0040] 所述数据获取模块,用于获取目标对象执行指定阅读任务的目标语音数据以及所述目标语音数据对应的标签,其中,所述目标语音数据对应的标签为所述目标对象的标签,所述目标对象的标签包括人口统计学标签和/或低成就标签;[0041] 所述阅读障碍筛查模块,用于根据所述目标语音数据以及所述目标语音数据对应的标签,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果。[0042] 可选的,所述阅读障碍筛查模块,具体用于利用所述目标语音数据、所述目标语音数据对应的标签以及预先建立的阅读障碍筛查模型,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果;[0043] 其中,所述阅读障碍筛查模型采用训练数据集中的训练样本和训练样本对应的标签训练得到,所述训练样本集中的每个训练样本至少对应有人口统计学标签和/或低成就标签。[0044] 可选的,所述指定阅读任务为阅读指定汉字的任务;[0045] 所述阅读障碍筛查模块包括:特征提取子模块和阅读障碍筛查子模块;[0046] 所述特征提取子模块,用于对所述目标语音数据提取语音特征,并对所述目标语音数据对应的标签提取标签特征,其中,所述语音特征包括正字法意识特征、识字量特征和/或音位意识特征;[0047] 所述阅读障碍筛查子模块,用于利用所述语音特征、所述标签特征和所述阅读障碍筛查模型,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果。[0048] 一种发展性阅读障碍筛查设备,包括:和处理器;[0049] 所述存储器,用于存储程序;[0050] 所述处理器,用于执行所述程序,实现上述任一项所述的发展性阅读障碍筛查方法的各个步骤。[0051] 一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述任一项所述的发展性阅读障碍筛查方法的各个步骤。[0052] 经由上述方案可知,本申请提供的发展性阅读障碍筛查方法、装置、设备及存储介质,首先获取目标对象执行指定阅读任务的目标语音数据以及目标语音数据对应的人口统计学标签和/低成就标签,然后利用目标语音数据以及目标语音数据对应的人口统计学标签和/低成就标签确定能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果。由此可见,本申请提供的发展性阅读障碍筛查方法,可基于目标对象执行指定阅读任务的目标语音数据以及目标语音数据对应的人口统计学标签和/低成就标签自动对目标对象进行发展性阅读障碍筛查,相较于现有的人工筛查方式,避免了筛查人员人工经验对筛查结果的影响,对于被筛查对象而言,由于其只需要执行指定阅读任务即可,因此,不会存在被筛查对象配合度不高而影响筛查结果的问题,即,采用本申请提供的发展性阅读障碍筛查方法获得的筛查结果的可信度较高,另外,本申请提供的筛查方法相较于现有的人工筛查方式,节省了人力、降低了筛查耗时,即降低了人工成本和时间成本,提升了筛查效率,用户体验较好。说明

  [0053] 为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。[0054] 图1为本申请实施例提供的发展性阅读障碍筛查方法的流程示意图;[0055] 图2为本申请实施例提供的利用目标语音数据、目标语音数据对应的人口统计学标签和低成就标签,以及预先建立的阅读障碍筛查模型,确定能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果的流程示意图;[0056] 图3为本申请实施例提供的对目标语音数据提取语音特征的流程示意图;[0057] 图4为本申请实施例提供的利用训练样本和训练样本对应的标签,训练阅读障碍筛查模型的流程示意图;[0058] 图5为本申请实施例提供的发展性阅读障碍筛查装置的结构示意图;[0059] 图6为本申请实施例提供的发展性阅读障碍筛查设备的结构示意图。具体实施方式[0060] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。[0061] 鉴于现有技术中的人工筛查方法存在诸多问题,本案发明人进行了深入研究,最终提出了一种效果较好的、能够自动对目标对象进行发展性阅读障碍筛查的方法,该筛查方法适用于需要对某个或某些对象进行发展性阅读障碍筛查的应用场景,该筛查方法可应用于具有能力的终端(该终端可以为任何合适的计算设备,比如,可以为智能手机、平板电脑笔记本电脑、个人计算机等),也可应用于服务器(服务器可以为一个,也可以为多个)。接下来通过下述实施例对本申请提供的发展性阅读障碍筛查方法进行介绍。[0062] 请参阅图1,示出本申请实施例提供的发展性阅读障碍筛查方法的流程示意图,该方法可以包括:[0063] 步骤S101:获取目标对象执行指定阅读任务的目标语音数据,以及目标语音数据对应的标签。[0064] 其中,指定阅读任务为阅读指定内容的任务,目标语音数据为通过语音采集设备采集的、目标对象阅读指定内容的语音数据。[0065] 本实施例中的目标对象可以但不限为儿童,指定阅读任务可以为阅读指定汉字的任务。假设目标对象为儿童,则指定汉字可以为基于目标对象的地域、年级从匹配的语文教学大纲中选取的高频字和低频字,比如,可选取150个高频字和60个低频字,用5个屏幕显示高频字,2个屏幕显示低频字,每个屏幕显示30个字,要求目标对象快速、准确地读出每个屏幕上的字。[0066] 其中,目标语音数据对应的标签为目标对象的标签,目标对象的标签包括人口统计学标签和/或低成就标签,优选的,包括人口统计学标签和低成就标签。[0067] 目标对象的人口统计学标签可以为目标对象的性别、年龄、地域,目标对象的低成就标签用于指示目标对象是否属于低成就。假设目标对象为儿童,可通过其文化课成绩(比如近三次的文化课成绩)确定其是否属于低成就,比如,若其文化课成绩位于同年级同学的后15%,则可认为其属于低成就,否则认为其不属于低成就。[0068] 步骤S102:根据目标语音数据以及目标语音数据对应的标签,确定能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果。[0069] 具体的,能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果可以为目标对象具有发展性阅读障碍的概率,该概率的大小能够反映目标对象患有发展性阅读障碍的风险高低。[0070] 在此基础上,本实施例提供的发展性阅读障碍筛查方法还可以包括:确定目标对象具有发展性阅读障碍的概率所处的概率范围,将确定出的概率范围对应的风险等级确定为目标对象患有发展性阅读障碍的风险等级。需要说明的是,预先设定至少两个风险等级,并针对每个风险等级设定一概率范围,在确定出目标对象具有发展性阅读障碍的概率后,确定该概率在哪个风险等级对应的概率范围内,进而确定目标对象具有发展性阅读障碍的风险等级。[0071] 示例性的,可设定四个风险等级,分别为极高风险、高风险、中等风险、低风险,并为每个风险等级设置对应的概率范围,假设极高风险对应的概率范围为0.9~1,若目标对象具有发展性阅读障碍的概率为0.95,则可确定目标对象患有发展性阅读障碍的风险极高。[0072] 本申请实施例提供的发展性阅读障碍筛查方法,可基于目标对象执行指定阅读任务的目标语音数据和目标语音数据对应的人口统计学标签和/或低成就标签自动对目标对象进行发展性阅读障碍筛查,相较于现有的人工筛查方式,避免了筛查人员人工经验对筛查结果的影响,对于被筛查对象而言,由于其只需要执行指定阅读任务即可,因此,不会存在被筛查对象配合度不高而影响筛查结果的问题,即,采用本申请实施例提供的发展性阅读障碍筛查方法获得的筛查结果的可信度较高,另外,本申请提供的筛查方法相较于现有的人工筛查方式,节省了人力、降低了筛查耗时,即降低了人工成本和时间成本,提升了筛查效率,用户体验较好。[0073] 以下对上述实施例中的“步骤S102:根据目标语音数据以及目标语音数据对应的标签,确定能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果”进行介绍。[0074] 根据目标语音数据以及目标语音数据对应的标签,确定能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果的过程可以包括:利用目标语音数据、目标语音数据对应的标签以及预先建立的阅读障碍筛查模型,确定能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果。[0075] 其中,阅读障碍筛查模型采用训练数据集中的训练样本和训练样本对应的标签训练得到,训练样本集中的每个训练样本至少对应有人口统计学标签和/或低成就标签,优选的,训练样本集中的至少部分样本具有人口统计学标签。建立阅读障碍筛查模型的具体过程可参见后续实施例的说明。[0076] 进一步的,请参阅图2,示出了利用目标语音数据、目标语音数据对应的标签以及预先建立的阅读障碍筛查模型,确定能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果的流程示意图,可以包括:[0077] 步骤S201:对目标语音数据提取语音特征,并对目标语音数据对应的标签提取标签特征。[0078] 具体的,可利用声学模型获取目标语音数据对应的音素序列,根据目标语音数据对应的音素序列获取语音特征。[0079] 其中,语音特征包括正字法意识特征、识字量特征和/或音位意识特征,优选的,语音特征可同时包括正字法意识特征、识字量特征和音位意识特征。[0080] 需要说明的是,正字法意识是关于文字构成规则(即汉字结构以及汉字书写规则)的意识。以“倩”字为例,“倩”字的左边为“亻”,右边为“青”,若目标对象有正字法意识,其即使不认识该字,也会根据形声字原理,将其读为“qing”。在本实施例中,若目标对象在阅读汉字时具有正字法意识,则在确定正字法意识特征时,会为该字赋予一定的得分。需要说明的是,目标对象在阅读汉字时具有正字法意识,还要判断是否具有汉字表音意识,只有具有汉字表音意识,才会赋予一定的得分,若没有汉字表音意识,则判定阅读错误。具有汉字表音意识指的是,将汉字读为汉字的表音部首,比如,汉字“晴”,“晴”的左边为“日”,右边为“青”,其中,“青”为表音部首,若将“晴”读为“qing”,则具有表音意识,若将“晴”读为“ri”,则不具有表音意识。[0081] 本实施例中,正字法意识特征由每个汉字的阅读错误率特征组成,具体的,对于每个汉字,若该字阅读正确,则该字的阅读错误率特征用“0”表征,若该字阅读错误,则该字的阅读错误率特征用“1”表征,若目标对象在阅读该字时具有正字法意识,则该字的阅读错误率特征用“0.5”表征。对于非正确的字,还具有错误类型特征,具体的,若目标对象在阅读非正确的字时无正字法意识,则非正确的字的错误类型特征用“1”表征,若目标对象在阅读非正确的字时有正字法意识但无汉字表音意识,则非正确的字的错误类型特征用“21”表征,若目标对象在阅读非正确的字时有正字法意识且有汉字表音意识,则非正确的字的错误类型特征用“22”表征。[0082] 识字量就是识别汉字的数量。由于实施例中的指定阅读任务的目标是测试目标对象是否认识汉字,故可不考虑方言和口音的问题,基于此,可根据目标对象所处地域获取相似音字典,对于每个汉字,若该汉字发音不是正确发音,但其为相似音,也会为其赋予一定的得分。比如,“南”的正确发音为“nan”,若目标对象的发音为“lan”,根据相似音字典可知,“lan”相似音,则并不认为“南”阅读错误,而会为其赋予一定的得分。另外,目标对象在阅读某个汉字时,可能会出现重读的情况,只要正确读出该字,就认为该字阅读正确。[0083] 本实施例中的识字量特征同样由每个字的阅读错误率特征组成,对于每个字,若该字阅读正确,则该字的阅读错误率特征用“0”表征,若该字阅读错误,则该字的阅读错误率特征用“1”表征,若该字的发音不是正确发音但为相似音,则该字的阅读错误率特征用“0.5”表征。优选的,可为高频字赋予更高的权重,比如,若高频字阅读错误,则高频字的阅读错误率特征可用“2”表征。对于非正确的字,还具有错误类型特征,具体的,将正确发音与相似音对比,将具体错误字母类型标出,如“nl不分”。[0084] 音位意识指的辨别声母与韵母的意识。对于每个汉字,通过该汉字对应的音素串判断目标对象对于声母、韵母发音的准确性。比如,“cha”,其声母为“ch”,韵母为“a”,若目标对象口齿含糊不清,那么声学模型将无法清晰地辨别声母和韵母,比如声学模型将其辨认为“ch”+“an”,那么可认为目标对象对声母“ch”辨认准确,而对韵母“a”辨别不准。[0085] 本实施例中的音位意识特征同样由每个汉字的阅读错误率特征组成,对于每个字,若该字阅读正确,则该字的阅读错误率特征用“0”表征,若该字阅读错误,则该字的阅读错误率特征用“1”表征,若目标对象在阅读该字时具有音位意识,则该字的阅读错误率特征用“0.5”表征。进一步的,对于每个非正确的字,也有错误类型特征,具体的,该字的声母和韵母发音完全正确,则该字的错误类型特征用“0”表征,若该字的声母发音错误,则该字的错误类型特征用“1”表征,若该字的韵母发音错误,则该字的错误类型特征用“2”表征,若该字的韵母中第一个错误,则该字的错误类型特征用“21”表征,若该字的韵母中第二个错误,则该字的错误类型特征用“22”表征,若该字的韵母中第三个错误,则该字的错误类型特征用“23”表征,若该字的韵母中第一个和第二个都错误,则该字的错误类型特征用“212”表征,若该字的韵母中第一个和第三个都错误,则该字的错误类型特征用“213”表征,若该字的韵母中第二个和第三个都错误,则该字的错误类型特征用“223”表征,若该字的声母和韵母都错误,则该字的错误类型特征用“3”表征,若该字的声母和第一个韵母都错误,则该字的错误类型特征用“31”表征,若该字的声母和第二个韵母都错误,则该字的错误类型特征用“32”表征,若该字的声母和第三个韵母都错误,则该字的错误类型特征用“33”表征,若该字的声母和第一个、第二个韵母都错误,则该字的错误类型特征用“312”表征,若该字的声母和第一个、第三个韵母都错误,则该字的错误类型特征用“313”表征,若该字的声母和第二个、第三个韵母都错误,则该字的错误类型特征用“323”表征。[0086] 本实施例中的正字法意识特征、识字量特征和音位意识特征均为可解释性特征,这几个不同维度的特征能够反映目标对象的阅读情况。[0087] 可选的,为了进一步提升筛查效果,对目标语音数据除了提取上述的正字法意识特征、识字量特征、音位意识特征外,还可提取声调特征、持续发音时长特征、重复读等基础语音特征。[0088] 对于目标语音数据对应的标签而言,可对标签(人口统计学标签和/或低成就标签)进行one-hot编码,以形成标签特征。[0089] 步骤S202:利用语音特征、标签特征和阅读障碍筛查模型,确定能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果。[0090] 在一种可能的实现方式中,可将语音特征与标签特征拼接,然后将拼接后的特征输入预先建立的阅读障碍筛查模型,从而获得能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果。[0091] 考虑到语音特征与标签特征均为显式特征,直接利用这两种特征的拼接特征进行筛查的效果不佳,在一种较优选的实现方式中,可确定语音特征与标签特征的高阶组合特征,将语音特征与标签特征的高阶组合特征输入预先建立的阅读障碍筛查模型,从而获得能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果。[0092] 具体的,可利用压缩交互网络(Compressed Interaction Network,CIN)确定语音特征与标签特征的高阶组合特征,需要说明的是,CIN能够学习显式的高阶特征交互,特征交互指的是学习两个或多个原始特征之间的交叉组合。语音特征和标签特征为高度稀疏的高维向量(非零项相对较少),可先使用word embedding将非零特征映射为低维向量,实现特征降维,然后将降维后的特征输入CIN,假设输入的特征为X0,CIN中的每一层隐层记为Xk,根据前一层隐层与原特征X0计算中间结果(三维张量),其中,在计算中间结果的过程中,由于发展型阅读障碍筛查与目标对象的年龄和地域有非常强的联系,故可将人口统计学标签的标签特征赋予较大的权重,然后在中间结果上通过一个卷积核进行卷积操作得到特征图,最后,根据每一层的特征图,通过池化操作得到最终的高阶组合特征。高阶组合特征交互的阶数由网络的层数决定。[0093] 以下对上述实施例中的“步骤S201:对目标语音数据提取语音特征,并对目标语音数据对应的人口统计学标签和低成就标签提取标签特征”的具体实现过程进行介绍。[0094] 请参阅图3,示出了对目标语音数据提取语音特征的流程示意图,可以包括:[0095] 步骤S301:获取目标语音数据对应的音素序列,作为目标音素序列。[0096] 其中,目标音素序列由至少一个音素串组成,一个音素串对应指定阅读任务中的一个指定汉字。[0097] 在本实施例中,可利用声学模型确定目标语音数据对应的音素序列。示例性的,目标语音数据的内容为“南音读味…”,则目标语音数据对应的音素序列为“n-an y-in d-u w-ei…”。[0098] 步骤S302:将目标音素序列与指定阅读任务对应的标准音素序列进行匹配。[0099] 具体的,将目标音素序列与指定阅读任务对应的标准音素序列进行匹配的过程可以包括:[0100] 步骤S3021、将目标音素序列中的每个音素串与标准音素序列中对应的标准音素串进行同音匹配,以获得目标音素序列中的匹配音素串和不匹配音素串。[0101] 对于目标音素序列中的任一音素串,若该音素串与对应的标准音素串相同,则认为该音素串与对应的标准音素串匹配。需要说明的是,两个音素串相同指的是两个音素串包含的音素相同,且每个音素的位置相同。[0102] 示例性的,目标音素序列为“sh-u l-an b-ai j-i-ing w-en”,标准音素序列为“sh-u n-an b-ei j-ing w-en”,将目标音素序列与标准音素序列进行同音匹配,对于目标音素序列中的“sh-u”,其对应的标准音素串为“sh-u”,二者相同,因此,目标音素序列中的“sh-u”与对应的标准音素串匹配,即,目标音素序列中的“sh-u”为匹配音素串,对于目标音素序列中的“l-an”,其对应的标准音素串为“n-an”,二者不相同,因此,目标音素序列中的“l-an”为不匹配字符串,同理,目标音素序列中的“b-ai”为不匹配字符串,“j-i-ing”为不匹配字符串,“w-en”为匹配字符串。[0103] 可选的,可使用编辑距离对两个音素串进行同音匹配,若编辑距离代价cost为0,则表明两个音素串匹配。[0104] 通过同音匹配,可获得目标音素序列中的匹配音素串和不匹配音素串,对于匹配音素串而言,其为正确的音素串,音素串正确说明其对应的字阅读正确,可直接基于前述的语音特征定义规则确定语音特征(即正字法意识特征、识字量特征和音位意识特征),对于不匹配音素串进一步执行步骤S3022。[0105] 步骤S3022、将经同音匹配后获得的不匹配音素串作为疑似错误音素串,根据相似音字典,将疑似错误音素串与标准音素序列中对应的标准音素串进行相似音匹配,以得到疑似错误音素串中的匹配音素串和不匹配音素串。[0106] 对上述示例中的目标音素序列进行同音匹配后获得的不匹配字符串为“l-an”、“b-ai”和“j-i-ing”,将这几个字符串作为疑似错误音素串,进一步根据相似音字典对其进行相似音匹配,假设根据相似音字典确定出“l-an”为相似音,“b-ai”和“j-i-ing”不为相似音,即,经相似音匹配获得匹配音素串“l-an”和不匹配音素串“b-ai”和“j-i-ing”,对于匹配音素串“l-an”根据前述的语音特征定义规则对其确定语音特征,对于不匹配音素串“b-ai”和“j-i-ing”进一步执行步骤S3023。[0107] 步骤S3023、将经相似音匹配后获得的不匹配音素串与标准音素序列中对应的标准音素串进行全局匹配。[0108] 全局匹配时,忽略音素串中音素的位置信息,示例性的,一音素串为“t-xx-ing”其对应的标准音素串为“t-ing”,由于音素串“t-xx-ing”中包括标准音素串中的“t”和“ing”,且音素串“t-xx-ing”中的“t”位于“ing”之前,因此,判定音素串“t-xx-ing”与其对应的标准音素串为“t-ing”匹配。[0109] 对于上述示例中的“b-ai”和“j-i-ing”而言,将音素串“b-ai”与对应的标准音素串“b-ei”进行全局匹配,将音素串“j-i-ing”与其对应的标准音素串“j-ing”进行全局匹配,经匹配可获知“j-i-ing”为匹配音素串,“b-ai”为不匹配音素串。[0110] 步骤S303:根据目标音素序列与标准音素序列的匹配情况,确定语音特征。[0111] 经由上述实施例可知,本申请利用预先建立的阅读障碍筛查模型对目标对象进行阅读障碍筛查,以下对建立阅读障碍筛查模型的过程进行介绍。[0112] 建立阅读障碍筛查模型的过程可以包括:从训练样本集中获取训练样本,利用获取的训练样本和训练样本对应的标签,训练阅读障碍筛查模型。[0113] 其中,训练样本集中的每个训练样本为一对象执行指定阅读任务的语音数据,训练样本集中的每个训练样本均具有人口统计学标签和/或低成就标签,优选的,为了提升模型训练效果,训练样本集中的至少部分训练样本可具有临床心理学标签。[0114] 需要说明的是,临床心理学标签用于指示对应对象是否具有发展性阅读障碍。由于临床心理学标签由临床心理学专家通过专业心理学测试及临床诊断确定,因此,具有临床心理学标签的训练样本通常较少。[0115] 请参阅图4,示出了利用训练样本和训练样本对应的标签,训练阅读障碍筛查模型的流程示意图,可以包括:[0116] 步骤S401:对训练样本提取语音特征作为训练语音特征,并对训练样本对应的人口统计学标签和/或低成就标签提取标签特征作为训练标签特征。[0117] 其中,训练语音特征包括正字法意识特征、识字量特征和/或音位意识特征。需要说明的是,训练阶段与测试阶段提取的语音特征相同,假设训练阶段对训练样本提取的语音特征包括正字法意识特征、识字量特征和音位意识特征,那么对目标语音数据提取的语音特征也包括正字法意识特征、识字量特征和音位意识特征。[0118] 步骤S402:利用训练语音特征、训练标签特征和阅读障碍筛查模型,确定训练样本对应的对象具有发展性阅读障碍的概率。[0119] 具体的,可确定训练语音特征与训练标签特征的高阶组合特征,将训练语音特征与训练标签特征的高阶组合特征输入阅读障碍筛查模型,获得训练样本对应的对象具有发展性阅读障碍的概率。[0120] 步骤S403:根据训练样本对应的对象具有发展性阅读障碍的概率,以及训练样本对应的标签,确定阅读障碍筛查模型的预测损失。[0121] 具体的,若训练样本对应的标签包括临床心理学标签,则根据训练样本对应的对象具有阅读障碍的概率以及训练样本对应的临床心理学标签,确定阅读障碍筛查模型的预测损失;若训练样本对应的标签不包括临床心理学标签,则根据训练样本对应的对象具有阅读障碍的概率以及训练样本对应的人口统计学标签和低成就标签,确定阅读障碍筛查模型的预测损失。[0122] 步骤S404:根据阅读障碍筛查模型的预测损失,更新阅读障碍筛查模型的参数。[0123] 可选的,本实施例中的阅读障碍筛查模型可以为模型,该模型可以包括1个、4个和一个,激活函数采用sigmoid函数。在训练模型的过程中,可采用dropout防止过拟合,采用反向传播(BP)进行参数更新,深度神经网络模型自适应地进行特征筛选、权重调整,最后得到一个泛化能力强的模型。[0124] 可选的,在训练完成后,可对训练得到的阅读障碍筛查模型进行验证,考虑到儿童发展性阅读障碍的发生率为5%-15%,其中,学习困难(即低成就)的儿童中至少有85%-90%有阅读方面的问题,故本实施例根据训练样本集中各个训练样本对应的低成就标签,从训练样本集中筛选出低成就样本,利用低成就样本对训练得到的阅读障碍筛查模型进行验证,即验证训练得到的阅读障碍筛查模型的筛查效果。

  [0125] 本申请实施例提供的发展性阅读障碍筛查方法能够利用目标对象执行指定阅读任务的目标语音数据、目标语音数据对应的标签以及预先建立的阅读障碍筛查模型自动、高效地对目标对象进行发展性阅读障碍筛查,且获得的筛查结果可信度较高。[0126] 下面对本申请实施例提供的发展性阅读障碍筛查装置进行描述,下文描述的发展性阅读障碍筛查装置与上文描述的发展性阅读障碍筛查方法可相互对应参照。[0127] 请参阅图5,示出了本申请实施例提供的一种发展性阅读障碍筛查装置的结构示意图,该发展性阅读障碍筛查装置可以包括:数据获取模块501和阅读障碍筛查模块502。[0128] 数据获取模块501,用于获取目标对象执行指定阅读任务的目标语音数据以及目标语音数据对应的标签。[0129] 其中,目标语音数据对应的标签为目标对象的标签,目标对象的标签包括人口统计学标签和/或低成就标签。[0130] 阅读障碍筛查模块502,用于根据目标语音数据以及目标语音数据对应的标签,确定能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果。[0131] 本申请提供的发展性阅读障碍筛查装置,可基于目标对象执行指定阅读任务的目标语音数据和目标语音数据对应的人口统计学标签和/或低成就标签自动对目标对象进行发展性阅读障碍筛查,相较于现有的人工筛查方式,避免了筛查人员人工经验对筛查结果的影响,对于被筛查对象而言,由于其只需要执行指定阅读任务即可,因此,不会存在被筛查对象配合度不高而影响筛查结果的问题,即,采用本申请实施例提供的发展性阅读障碍筛查装置获得的筛查结果的可信度较高,另外,本申请提供的筛查装置节省了人力、降低了筛查耗时,即降低了人工成本和时间成本,提升了筛查效率,用户体验较好。[0132] 在一种可能的实现方式中,上述实施例中的阅读障碍筛查模块502,具体用于利用目标语音数据、目标语音数据对应的标签以及预先建立的阅读障碍筛查模型,确定能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果。[0133] 其中,阅读障碍筛查模型采用训练数据集中的训练样本和训练样本对应的标签训练得到,训练样本集中的每个训练样本至少对应有人口统计学标签和/或低成就标签。[0134] 在一种可能的实现方式中,指定阅读任务为阅读指定汉字的任务。[0135] 上述实施例中的阅读障碍筛查模块502可以包括:特征提取子模块和阅读障碍筛查子模块。[0136] 特征提取子模块,用于对目标语音数据提取语音特征,并对目标语音数据对应的标签提取标签特征。[0137] 其中,语音特征包括正字法意识特征、识字量特征和/或音位意识特征。[0138] 阅读障碍筛查子模块,用于利用语音特征、标签特征和阅读障碍筛查模型,确定能够表征目标对象患有发展性阅读障碍的风险等级的筛查结果。[0139] 在一种可能的实现方式中,上述的特征提取子模块可以包括:音素序列获取子模块、音素串匹配子模块和语音特征确定子模块。[0140] 音素序列获取子模块,用于获取目标语音数据对应的音素序列,作为目标音素序列。[0141] 其中,目标音素序列由至少一个音素串组成,一个音素串对应所述指定阅读任务中的一个指定汉字。[0142] 音素串匹配子模块,用于将目标音素序列与指定阅读任务对应的标准音素序列进行匹配。[0143] 语音特征确定子模块,用于根据目标音素序列与标准音素序列的匹配情况,确定语音特征。[0144] 在一种可能的实现方式中,上述的音素串匹配子模块可以包括:同音匹配子模块、相似音匹配子模块和全局匹配子模块。[0145] 同音匹配子模块,用于将目标音素序列中的每个音素串与标准音素序列中对应的标准音素串进行同音匹配,以获得目标音素序列中的匹配音素串和不匹配音素串。[0146] 相似音匹配子模块,用于将经同音匹配后获得的不匹配音素串作为疑似错误音素串,根据相似音字典,将疑似错误音素串与标准音素序列中对应的标准音素串进行相似音匹配,以得到疑似错误音素串中的匹配音素串和不匹配音素串。[0147] 全局匹配子模块,用于将经相似音匹配后获得的不匹配音素串与标准音素序列中对应的标准音素串进行全局匹配。[0148] 在一种可能的实现方式中,上述的阅读障碍筛查子模块,具体用于确定语音特征与标签特征的高阶组合特征;将高阶组合特征输入阅读障碍筛查模型,获得目标对象具有发展性阅读障碍的概率。[0149] 上述实施例提供的发展性阅读障碍筛查装置还可以包括:模型训练模块。[0150] 模型训练模块包括:训练特征提取模块、概率确定模块、预测损失确定模块和参数更新模块。[0151] 训练特征提取模块,用于对训练样本提取语音特征作为训练语音特征,并对训练样本对应的人口统计学标签和/或低成就标签提取标签特征作为训练标签特征。[0152] 其中,训练语音特征包括正字法意识特征、识字量特征和/或音位意识特征。[0153] 概率确定模块,用于利用训练语音特征、训练标签特征和阅读障碍筛查模型,确定训练样本对应的对象具有发展性阅读障碍的概率。[0154] 预测损失确定模块,用于根据训练样本对应的对象具有发展性阅读障碍的概率,以及训练样本对应的标签,确定阅读障碍筛查模型的预测损失。[0155] 参数更新模块,用于根据阅读障碍筛查模型的预测损失,更新阅读障碍筛查模型的参数。[0156] 在一种可能的实现方式中,训练样本集中的至少部分训练样本对应有临床心理学标签。[0157] 上述的预测损失确定模块,具体用于若训练样本对应的标签包括临床心理学标签,则根据训练样本对应的对象具有阅读障碍的概率以及训练样本对应的临床心理学标签,确定阅读障碍筛查模型的预测损失;若训练样本对应的标签不包括临床心理学标签,则根据训练样本对应的对象具有阅读障碍的概率以及训练样本对应的人口统计学标签和低成就标签,确定阅读障碍筛查模型的预测损失。[0158] 在一种可能的实现方式中,上述实施例提供的发展性阅读障碍筛查装置还包括:样本筛选模块和模型验证模块。

  [0159] 样本筛选模块,用于根据训练样本集中各个训练样本对应的低成就标签,从训练样本集中筛选出低成就样本。[0160] 模型验证模块,用于利用样本筛选模块筛选出的低成就样本对训练得到的阅读障碍筛查模型进行验证。[0161] 本申请实施例还提供了一种发展性阅读障碍筛查设备,请参阅图6,示出了该筛查设备的结构示意图,该筛查设备可以包括:至少一个处理器601,至少一个通信602,至少一个存储器603和至少一个通信总线] 在本申请实施例中,处理器601、602、存储器603、通信总线的数量为至少一个,且处理器601、通信接口602、存储器603通过通信总线完成相互间的通信;[0163] 处理器601可能是一个CPU,或者是特定集成电路ASIC(Application Specific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;[0164] 存储器603可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory)等,例如至少一个磁盘存储器;

  [0165] 其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:[0166] 获取目标对象执行指定阅读任务的目标语音数据以及所述目标语音数据对应的标签,其中,所述目标语音数据对应的标签为所述目标对象的标签,所述目标对象的标签包括人口统计学标签和/或低成就标签;[0167] 根据所述目标语音数据以及所述目标语音数据对应的标签,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果。[0168] 可选的,所述程序的细化功能和扩展功能可参照上文描述。[0169] 本申请实施例还提供一种可读存储介质,该可读存储介质可存储有适于处理器执行的程序,所述程序用于:[0170] 获取目标对象执行指定阅读任务的目标语音数据以及所述目标语音数据对应的标签,其中,所述目标语音数据对应的标签为所述目标对象的标签,所述目标对象的标签包括人口统计学标签和/或低成就标签;[0171] 根据所述目标语音数据以及所述目标语音数据对应的标签,确定能够表征所述目标对象患有发展性阅读障碍的风险等级的筛查结果。[0172] 最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。[0173] 本中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。[0174] 对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

  专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。