【技术实现步骤摘要】
一种基于面部关键点与特征预学习的脑卒中辅助评估系统
[0001]本专利技术属于计算机视觉、智慧医疗、临床辅助检测
，涉及一种基于面部关键点与特征预学习的脑卒中面部症状辅助检测、评估系统。
技术介绍
[0002]据全球疾病负担研究估计，随着我国人口老龄化的日益加剧，中国已成为卒中终生风险最高和疾病负担最重的国家，卒中终身风险高达39.3％，中国卒中防治工作正面临巨大挑战。脑卒中作为一种突发性疾病，在发病后的3小时内属于黄金治疗期，如果在此期间能够得到及时的诊断，并对病情严重程度实现准确评估，从而进行针对性的干预治疗，可以大大地减少死亡风险，提高预后康复治疗效果。传统上，医生使用“FAST”脑卒中诊断法对患者进行脑卒中诊断以及评估时，受限于医生自身的水平经验和各种量表的复杂性，诊断评定过程专业性要求高，受检查者主观因素影响大，耗时费力，难以精确量化，缺乏统一规范，导致患者被错误分诊，影响后续康复治疗。考虑到脑卒中发作后引起面部神经功能受损，会导致出现口角歪斜、眼睑下耷、鼻唇沟变浅等面部变化，这也是当前临床上医生对于卒中患者...
【技术保护点】
【技术特征摘要】
1.一种基于面部关键点与特征预学习的脑卒中辅助评估系统，其特征在于包括数据采集模块、关键点定位模型训练模块、特征预学习模型训练模块和快速诊断评估模型构建模块；数据采集模块：采集脑卒中患者面部图像，构建数据集；搜索公开的面瘫患者面部图像标准数据集以及人脸关键点数据集；关键点定位模型训练模块：采用公开人脸关键点数据集，进行基于深度卷积神经网络的关键点定位模型训练；特征预学习模型训练模块：采用公开面瘫数据集，基于已经训练好的定位模型得到人脸关键点，从而基于人脸关键点将面部区域分割出Region Of Interest(ROI)区域；随后使用卷积神经网络作为特征提取器，以面部面瘫的三种严重程度：正常、轻中度、重度程度作为分类目标，从而完成特征预学习模型的训练；快速诊断评估模型构建模块：采用脑卒中患者面部图像数据集，利用上述训练完成的关键点定位模型与特征预学习模型，构建脑卒中患者的快速诊断评估模型。2.根据权利要求1所述的一种基于面部关键点与特征预学习的脑卒中辅助评估系统，其特征在于数据采集模块具体实现如下：首先收集公开面瘫数据集，针对其数据分布不均衡问题，需要对面瘫数据集进行数据增强，本模块主要是对原始数据集进行了图像旋转，图像旋转的基本原理是原图像与仿射变换矩阵相乘，其中仿射变换矩阵M的表达式为：α＝scale
·
cos(angle) (2)β＝scale
·
sin(angle) (3)其中(center
x
,center
y
)表示旋转中心，angle代表旋转角度，scale代表旋转后图像的缩放比，通过仿射变换矩阵与原图像相乘得到一定数量的增强后的图像。3.根据权利要求1或2所述的一种基于面部关键点与特征预学习的脑卒中辅助评估系统，其特征在于关键点定位模型训练模块具体实现如下：采用公开人脸关键点数据集，以人脸关键点图像W＝{w1,w2,w3,...,w
n
}作为输入，训练基于卷积神经网络的人脸关键点定位模型，其中人脸关键点定位模型包含“特征提取层”、“损失函数层”、“网络输出层”3个部分。4.根据权利要求3所述的一种基于面部关键点与特征预学习的脑卒中辅助评估系统，其特征在于特征提取层中采用标准卷积、反转残差块，反转残差块采取了先扩张，再提取特征，最后再压缩的策略，使得模型提取的特征更加丰富，同时减少了运算量；在特征提取层还引入由标准卷积构成的辅助卷积神经网络，用于对每一个输入的人脸关键点图像的三维欧拉角进行估计，辅助卷积神经网络克服了位姿、光线、遮挡外部因素对人脸关键点定位的影响；特征提取层经过卷积、激活、数据归一化三个步骤完成人脸关键点特征提取，其表达式为：Y＝f(WX+B) (4)
其中W为隐藏层权重矩阵，B为隐藏层偏执矩阵，f为激活函数，最后在激活函数之后接入数据归一化层，其表达式为：其中x为需要归一化的输入数据，mean(x)和var(x)分别表示数据的均值和方差，eps为防止分母出现零所增加的变量；γ和β分别为缩放和平移变量，...
【专利技术属性】
技术研发人员：曹九稳，谭湘勇，王天磊，杨洁，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。