基于人脸模型的OSA判断方法、装置、电子设备及介质制造方法及图纸

本发明专利技术涉及智慧医疗及人工智能领域，揭露一种基于人脸模型的OSA判断方法、装置、电子设备及存储介质，可用于医疗领域中对疑似OSA疾病患者进行筛查，所述方法包括：预测历史人脸图像数据及待测人脸图像的历史人脸关键点坐标及待测人脸关键点坐标；利用历史人脸关键点坐标及历史颈围数据训练颈围预测模型；根据待测人脸关键点坐标，利用颈围预测模型预测待测人脸图像的颈围数据；根据预设条件提取待测人脸关键点坐标中的目标关键点坐标，利用目标关键点坐标计算待测人脸图像的下颌数值及下颌内缩数值；根据颈围数据、下颌数值及下颌内缩数值，对患者进行诊断，得到诊断结果。本发明专利技术可以提高筛查疑似OSA疾病患者的智能化程度及精准度。准度。准度。

【技术实现步骤摘要】
基于人脸模型的OSA判断方法、装置、电子设备及介质


[0001]本专利技术涉及智慧医疗及人工智能领域，尤其涉及一种基于人脸模型的OSA判断方法、装置、电子设备及可读存储介质。

技术介绍

[0002]OSA(Obstructive Sleep Apnea)是指阻塞性睡眠呼吸暂停，即在睡眠中容易因为鼻子不通畅造成呼吸暂停，从而出现生命危险，在医疗领域中，目前我国约有1.8亿国人患有OSA，但该病在人群中的知晓率不足50％，认为OSA需要接受治疗的不足5％，OSA筛查的普及势在必行。
[0003]当前常见的OSA筛查方法包含“问题量表”及“面诊”两个过程，其中，面诊包括测量颈围大小及下颌大小，但由于OSA患者数量过多，对OSA认知较浅，且分布范围较广，因此很难实现“面诊”，导致无法进行大范围的严谨的OSA筛查，除此之外，由于面诊过程中多为医生人工测量，因此容易出现测量结果不精准的问题。

技术实现思路

[0004]本专利技术提供一种基于人脸模型的OSA判断方法、装置、电子设备及可读存储介质，其目的在于提高医疗领域中对疑似OSA疾病患者进行筛查的智能化程度及精准度。
[0005]为实现上述目的，本专利技术提供的一种基于人脸模型的OSA判断方法，所述方法包括：
[0006]获取历史人脸图像数据及待测人脸图像，利用预训练完成的3D人脸关键点检测模型从所述历史人脸图像数据中预测历史人脸关键点坐标及从所述待测人脸图像中预测待测人脸关键点坐标；
[0007]归一化处理所述历史人脸关键点得到历史归一关键点坐标，利用所述历史归一关键点坐标及所述历史人脸图像数据中历史颈围数据对预设颈围预测模型进行训练，得到训练完成的颈围预测模型；
[0008]归一化处理所述待测人脸关键点坐标得到待测归一关键点坐标，将待测归一关键点输入至所述训练完成的颈围预测模型，得到所述待测人脸图像的目标颈围数据；
[0009]从所述待测人脸关键点坐标中提取第一目标关键点坐标，根据所述第一目标关键点坐标计算所述待测人脸图像的目标下颌数值；
[0010]从所述待测人脸关键点坐标中提取第二目标关键点坐标，根据所述第二目标关键点坐标计算所述待测人脸图像的目标下颌内缩数值；
[0011]根据所述目标颈围数据、所述目标下颌数值及所述目标下颌内缩数值，计算所述待测人脸图像的患病概率。
[0012]可选地，所述利用所述历史归一关键点坐标及所述历史人脸图像数据中历史颈围数据对预设颈围预测模型进行训练，得到训练完成的颈围预测模型，包括：
[0013]利用预设颈围预测模型中编码层提取所述历史归一关键点坐标的关键点特征向
量；
[0014]利用所述预设颈围预测模型中预设层数的全连接层将所述关键点特征向量映射至预设的样本空间，得到降维关键点特征向量；
[0015]对所述降维关键点特征向量进行拟归一化，得到归一化特征向量，并利用预设的激活函数计算所述归一化特征向量的目标颈围预测值；
[0016]根据所述历史颈围数据，利用预设的损失函数计算所述目标颈围预测值的损失值，根据所述损失值对所述颈围预测模型进行参数迭代调整，直至所述损失值满足预设条件，得到训练完成的颈围预测模型。
[0017]可选地，所述利用预训练完成的3D人脸关键点检测模型从所述历史人脸图像数据中预测历史人脸关键点坐标及从所述待测人脸图像中预测待测人脸关键点坐标，包括：
[0018]利用训练完成的3D人脸关键点检测模型中预设的关键点预测器在二维坐标系中分别对所述历史人脸图像数据及所述待测人脸图像进行关键点标定，得到第一预设数量的历史人脸关键点坐标及待测人脸关键点坐标；
[0019]根据所述第一预设数量的历史人脸关键点坐标及所述待测人脸关键点坐标，利用预设的画圆函数在预设二维直角坐标系中分别绘制所述第一预设数量的历史人脸关键点及待测人脸关键点；
[0020]利用预设的输出字符串函数分别对所述第一预设数量的历史人脸关键点及待测人脸关键点进行标注，得到二维历史人脸关键点坐标及二维待测人脸关键点坐标；
[0021]根据所述二维历史人脸关键点坐标及所述二维待测人脸关键点坐标，利用人脸对齐算法在预设的三维空间坐标系中绘制出第二预设数量的人脸关键点，得到历史人脸关键点坐标及待测人脸关键点坐标。
[0022]可选地，所述归一化处理所述历史人脸关键点得到历史归一关键点坐标，包括：
[0023]提取所述历史人脸关键点坐标中的x值、y值及z值；
[0024]从所述x值、所述y值及所述z值中筛选出x最大值、y最大值、z最大值、x最小值、y最小值及z最小值；
[0025]根据所述x最大值、所述y最大值、所述z最大值、所述x最小值、所述y最小值及所述z最小值，利用预设归一化公式计算历史归一关键点坐标。
[0026]可选地，所述根据所述第一目标关键点坐标计算所述待测人脸图像的目标下颌数值，包括：
[0027]对所述第一目标关键点坐标进行分类，得到嘴左侧关键点坐标、嘴右侧关键点坐标、嘴下侧关键点坐标及下巴关键点坐标；
[0028]根据所述嘴下侧关键点坐标及所述下巴关键点坐标，计算嘴下侧关键点至下巴关键点的距离，得到第一距离；
[0029]根据所述嘴左侧关键点坐标及所述嘴右侧关键点坐标，计算嘴左侧关键点至嘴右侧关键点的距离，得到第二距离；
[0030]计算所述第一距离与所述第二距离的比值，得到所述待测人脸图像的目标下颌数值。
[0031]可选地，所述根据所述第二目标关键点坐标计算所述待测人脸图像的目标下颌内缩数值，包括：
[0032]对所述第二目标关键点坐标进行分类，得到鼻头关键点坐标、下唇侧关键点坐标及下巴关键点坐标；
[0033]根据所述鼻头关键点坐标、所述下唇侧关键点坐标及所述下巴关键点坐标，利用脸部内缩计算公式计算所述待测人脸图像的下颌内缩数值，得到目标下颌。
[0034]可选地，所述根据所述目标颈围数据、所述目标下颌数值及所述目标下颌内缩数值，对所述待测人脸图像对应患者进行诊断，得到诊断结果，包括：
[0035]当所述目标颈围数据、所述目标下颌数值及所述目标下颌内缩数值中任意一个数值处于预设异常数值区间时，判断所述患者的诊断结果为患有OSA；
[0036]当所述目标颈围数据、所述目标下颌数值及所述目标下颌内缩数值中全部数值处于预设正常数值区间时，判断所述患者的诊断结果为没有患OSA。
[0037]为了解决上述问题，本专利技术还提供一种基于人脸模型的OSA判断装置，所述装置包括：
[0038]颈围预测模型训练模块，用于获取历史人脸图像数据及待测人脸图像，利用预训练完成的3D人脸关键点检测模型从所述历史人脸图像数据中预测历史人脸关键点坐标及从所述待测人脸图像中预测待测人脸关键点坐标，归一化处理所述历史人脸关键点得到历史归一关键点坐标，利用所述历史归一关键点坐标及所述历史人脸图像数据中历史颈围数据对预设颈围预测模型进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人脸模型的OSA判断方法，其特征在于，所述方法包括：获取历史人脸图像数据及待测人脸图像，利用预训练完成的3D人脸关键点检测模型从所述历史人脸图像数据中预测历史人脸关键点坐标及从所述待测人脸图像中预测待测人脸关键点坐标；归一化处理所述历史人脸关键点得到历史归一关键点坐标，利用所述历史归一关键点坐标及所述历史人脸图像数据中历史颈围数据对预设颈围预测模型进行训练，得到训练完成的颈围预测模型；归一化处理所述待测人脸关键点坐标得到待测归一关键点坐标，将待测归一关键点输入至所述训练完成的颈围预测模型，得到所述待测人脸图像的目标颈围数据；从所述待测人脸关键点坐标中提取第一目标关键点坐标，根据所述第一目标关键点坐标计算所述待测人脸图像的目标下颌数值；从所述待测人脸关键点坐标中提取第二目标关键点坐标，根据所述第二目标关键点坐标计算所述待测人脸图像的目标下颌内缩数值；根据所述目标颈围数据、所述目标下颌数值及所述目标下颌内缩数值，计算所述待测人脸图像的患病概率。2.如权利要求1所述的基于人脸模型的OSA判断方法，其特征在于，所述利用所述历史归一关键点坐标及所述历史人脸图像数据中历史颈围数据对预设颈围预测模型进行训练，得到训练完成的颈围预测模型，包括：利用预设颈围预测模型中编码层提取所述历史归一关键点坐标的关键点特征向量；利用所述预设颈围预测模型中预设层数的全连接层将所述关键点特征向量映射至预设的样本空间，得到降维关键点特征向量；对所述降维关键点特征向量进行拟归一化，得到归一化特征向量，并利用预设的激活函数计算所述归一化特征向量的目标颈围预测值；根据所述历史颈围数据，利用预设的损失函数计算所述目标颈围预测值的损失值，根据所述损失值对所述颈围预测模型进行参数迭代调整，直至所述损失值满足预设条件，得到训练完成的颈围预测模型。3.如权利要求1所述的基于人脸模型的OSA判断方法，其特征在于，所述利用预训练完成的3D人脸关键点检测模型从所述历史人脸图像数据中预测历史人脸关键点坐标及从所述待测人脸图像中预测待测人脸关键点坐标，包括：利用训练完成的3D人脸关键点检测模型中预设的关键点预测器在二维坐标系中分别对所述历史人脸图像数据及所述待测人脸图像进行关键点标定，得到第一预设数量的历史人脸关键点坐标及待测人脸关键点坐标；根据所述第一预设数量的历史人脸关键点坐标及所述待测人脸关键点坐标，利用预设的画圆函数在预设二维直角坐标系中分别绘制所述第一预设数量的历史人脸关键点及待测人脸关键点；利用预设的输出字符串函数分别对所述第一预设数量的历史人脸关键点及待测人脸关键点进行标注，得到二维历史人脸关键点坐标及二维待测人脸关键点坐标；根据所述二维历史人脸关键点坐标及所述二维待测人脸关键点坐标，利用人脸对齐算法在预设的三维空间坐标系中绘制出第二预设数量的人脸关键点，得到历史人脸关键点坐
标及待测人脸关键点坐标。4.如权利要求1所述的基于人脸模型的OSA判断方法，其特征在于，所述归一化处理所述历史人脸关键点得到历史归一关键点坐标，包括：提取所述历史人脸关键点坐标中的x值、y值及z值；从所述x值、所述y值及所述z值中筛选出x最大值、y最大值、z最大值、x最小值、y最小值及z最小值；根据所述x最大值、所述y最大值、所述z最大值、所述x最小值、所述y最小值及所述z最...

【专利技术属性】
技术研发人员：芦文峰，郭倜颖，周宸，刘伟超，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：