基于压缩感知的重症病人状态图像识别方法及识别系统技术方案

本发明专利技术属于重症病人状态图像识别技术领域，公开了一种基于压缩感知的重症病人状态图像识别方法及识别系统，利用摄像头采集重症病人状态图像数据；利用无线发射器将采集的图像进行发送；通过图像特征提取模块利用图像处理软件提取图像重症病人员状态特征元素；利用分析程序对提取的元素进行识别分析重症病人员状态信息；利用分级程序对重症病人的症状程度进行分级；利用存储器存储采集的图像数据、重症病人员状态分析信息，并利用显示器显示采集的数据信息。本发明专利技术降低间接检测和主观评测方法所导致的误差传递；从而提高模型对症状演化规律的解释合理性。

【技术实现步骤摘要】
基于压缩感知的重症病人状态图像识别方法及识别系统
本专利技术属于重症病人状态图像识别
，尤其涉及一种基于压缩感知的重症病人状态图像识别方法及识别系统。
技术介绍
重症病人存在意识状态不稳定的情况，心率仪等传统设备难以准确捕获。以人工观察的方式也存在人员缺乏、跟踪观察的困难。近年来，智能视频技术在现代医学领域得到广泛应用。通过主观评测视频对重症病人员症状分级误差大。而智能视频的通常只有简单的分析，准确率较低，容易引起误报。另外，传输过程容易失真，传输效率低。综上所述，现有技术存在的问题是：(1)现有重症病人员状态图像传输过程容易失真，传输效率低。同时，通过主观评测对重症病人员症状分级误差大。(2)现有技术中，摄像头通过传统的算法采集重症病人员状态图像数据的过程中，不能排除高斯噪声，不能有效的降低噪声，获取比较容易识别的重症病人员状态图像。(3)现有技术中通过采用传统的算法提取图像重症病人员状态特征元素的过程中，不能适当减少特征向量的维数，降低分类器的复杂性，降低了运算速度与识别的正确率。(4)现有技术中图像编本文档来自技高网...

【技术保护点】
1.一种基于压缩感知的重症病人状态图像识别方法，其特征在于，所述基于压缩感知的重症病人状态图像识别方法包括以下步骤：/n步骤一，利用摄像头采集重症病人状态图像数据；利用无线发射器将采集的图像进行发送；/n通过图像特征提取模块利用图像处理软件提取图像重症病人状态特征元素；/n步骤二，利用分析程序对提取的元素进行识别分析重症病人状态信息；在进行重症病人状态信息识别分析中，在认知网络图像元素构成的图像空间模型中,用状态矢量的形式表示认知网络系统感知得到的图像状态，并使用所有图像状态矢量形成的集合构成多维图像空间中的超曲面；/n根据重症病人状态信息识别需求形成判断图像状态可用性的约束条件,并用所述约束...

【技术特征摘要】
1.一种基于压缩感知的重症病人状态图像识别方法，其特征在于，所述基于压缩感知的重症病人状态图像识别方法包括以下步骤：
步骤一，利用摄像头采集重症病人状态图像数据；利用无线发射器将采集的图像进行发送；
通过图像特征提取模块利用图像处理软件提取图像重症病人状态特征元素；
步骤二，利用分析程序对提取的元素进行识别分析重症病人状态信息；在进行重症病人状态信息识别分析中，在认知网络图像元素构成的图像空间模型中,用状态矢量的形式表示认知网络系统感知得到的图像状态，并使用所有图像状态矢量形成的集合构成多维图像空间中的超曲面；
根据重症病人状态信息识别需求形成判断图像状态可用性的约束条件,并用所述约束条件判断图像状态超曲面上的每个状态矢量是否符合该约束条件，将选取出来的符合条件的状态矢量集合构成可用图像状态超曲面；
将形成的可用图像状态超曲面张成图像空间中的所有符合约束条件的图像矢量区域范围，形成可用图像空间；
步骤三，设定图像分配,并用所述图像分配选出所述可用图像空间中最优的状态矢量；
进行通信图像的分配中，认知网络根据感知获取的图像状态，判断具体的图像现状是否能够满足重症病人员状态信息识别需求；根据重症病人员状态信息识别需求形成判断图像状态可用性的约束条件；基于这个约束条件，形成的图像状态超曲面上的每个状态矢量被度量和判断，进而被分成两部分：一部分状态表示在当前情况下没有图像能用来通信，另一部分表示在当前情况下尚存在图像被利用的余地；表示存在利用的通信图像的部分状态为可用图像状态；图像空间中形成的图像状态超曲面中，所有具有可用图像余地的状态矢量的集合形成超曲面的子集，这个过程表示为：



JUDGE(﹒)函数表示依据约束条件对图像状态超曲面上的矢量进行判断和筛选；
步骤四，利用分级程序对重症病人的症状程度进行分级；包括：获取重症病人个人属性信息、采集相应重症病人在不同症状状态下的脑电信号；所述的重症病人个人属性信息包括性别、年龄；用于采集脑电信号的脑电仪应保证对重症病人的工作环境影响尽可能小；
将获取到的重症病人个人属性信息和采集到的脑电信息进行预处理，获取数据集；
数据集由属性和标签组成，以固定步长截取数据集获得时间序列，其中每段时间序列的属性由3部分组成：上一时间序列的症状状态水平分级结果、重症病人个人信息属性和脑电信号属性，重症病人个人信息属性包括重症病人的性别、年龄，脑电信号属性包括当前时间序列内所提取到的α波、β波、θ波和δ波的振幅值；标签为重症病人在当前时间序列的症状状态水平分级结果，按时间顺序将数据集的前70％～90％部分作为本方法的训练集，剩余部分作为本方法的测试集；
所述的脑电信号属性的获取方式：先对获取的脑电信号进行自适应滤波处理去除EOG伪迹的干扰，从而得到有效脑电信号，其次在有效脑电信号中提取出α波、β波、θ波和δ波的振幅值；
所述的标签的获取方式：即症状水平等级的分级策略，利用重症病人员在时间序列内的脑电能量作为区分重症病人员症状状态水平的分类基准，得到重症病人在该段时间序列内的症状状态水平等级；
利用重症病人的脑电能量作为症状水平分级策略来区分重症病人症状状态水平，具体方法为：计算α波、β波和θ波在时间序列内的能量值，对所得能量值进行如下公式计算得到F；



式中，Eα、Eθ、Eβ分别代表α波、θ波和β波在时间序列内的能量值；
分别利用FCM和k-means算法对F进行聚类，比较两者的分类结果确定最终的重症病人的症状水平分级数N；
所述的重症病人所处的症状水平等级将直接影响到测试模型输入数据的采样时间间隔；
将训练集输入到具有注意力机制的LSTM模型中进行离线模型训练，得到重症病人症状状态水平分级模型；
重症病人症状状态水平分级方法包括一个输入层、一个隐含层、一个注意力层和一个输出层；
所述的输入层神经元的个数由数据集的3部分属性维度确定；所述的隐含层用来提取输入数据的特征以及其内在的关联信息，隐含层神经元个数根据具体的测试内容决定，同时根据试验结果进行修正；所述的输出层神经元的个数由数据集标签的独热编码维度确定；
将测试集输入到重症病人症状状态水平分级模型进行预测，得到重症病人员症状状态水平分级结果；
步骤五，利用存储器存储采集的图像数据、重症病人状态分析信息，并利用显示器显示采集的数据信息。


2.如权利要求1所述基于压缩感知的重症病人状态图像识别方法，其特征在于，所有状态矢量被分为两部分，其中一部分表示在当前图像状态下没有图像用来通信，另一部分为当前状态下有图像用来通信的矢量。


3.如权利要求1所述基于压缩感知的重症病人状态图像识别方法，其特征在于，认知网络图像能够被分解成不同的图像元素，以不同的图像元素状态组合成为认知网络的图像状态；基于图像空间模型，对于频谱图像元素，将每一次感知到的实际频谱状态信息用矢量的形式表示，所有的这类真实状态矢量的集合构成频谱图像元素的状态矢量集合RSspectrum；同理，基于图像空间模型，其他的图像元素，包括终端图像元素，接入点图像元素，中继节点图像元素，和中继链路图像元素根据感知获取信息构成相应的真实状态矢量集合，分别表示为RSterminal,RSaccess-node，RSrelay-node和RSrelay-link；基于这些图像元素的真实状态矢量，在图像空间中形成具有真实状态意义的认知网络图像矢量集...

【专利技术属性】
技术研发人员：陈纯波，黄金波，吴宪君，胡林辉，
申请(专利权)人：茂名市人民医院，
类型：发明
国别省市：广东;44