一种元诊室场景下基于信息熵的患者关注度判别方法技术

本发明专利技术提供一种元诊室场景下基于信息熵的患者关注度判别方法，包括以下步骤：通过人脸检测模块检测人脸，输出人脸位置，双眼坐标；通过坐标截取双眼图片，通过训练好的残差网络模型预测眼瞳位置，根据位置坐标计算眼球凝视的垂直方向，与中轴的距离差即为眼动状态值；计算患者头部姿态的欧拉角，计算欧拉角分量标准差和变化率；将眼动状态值

【技术实现步骤摘要】
一种元诊室场景下基于信息熵的患者关注度判别方法


[0001]本专利技术涉及远程智能诊断
，具体涉及到一种元诊室场景下基于信息熵的患者关注度判别方法
。

技术介绍

[0002]在现代医疗中，精神心理疾病已经成为社会关注的焦点之一
。
随着人口老龄化和生活节奏加快，各种压力和情绪问题已经成为人们面临的日常挑战之一
。
精神心理状态评估是医疗领域中的一个重要问题，可用于辅助诊断抑郁症
、
焦虑症等精神疾病，而专注度判别是对患者精神心理状况评估的重要参考依据
。
因此，研究针对患者的专注度判别技术，有助于提高医疗质量，促进医患之间的情感沟通，辅助精神科医生更好地为患者进行诊疗
。
[0003]元诊室是一种新型的医疗场景，它利用高科技设备和信息技术手段生成虚拟的医患交互诊疗环境，它将医疗资源集中在一个房间内，提供一站式医疗服务的医疗场景
。
元诊室通常包括医生工作站
、
患者床位
、
诊疗设备和信息技术设备等多种功能区域
。
医生可以在工作站上查看患者的病历资料
、
监测患者的生理信号
、
进行诊断和治疗等工作；患者可以在床位上接受诊疗
、
监测生理信号等；诊疗设备则包括各种医疗设备，如心电图机
、
血压计
、
体温计等；信息技术设备则包括视频监控设备
、
远程医疗设备
>、
智能诊疗设备等，能够实现医生和患者之间的远程医疗
、
信息共享等功能
。
元诊室还可以提供更加人性化的医疗服务，它可以使得患者与医生之间的交互更加紧密
。
元诊室的设计理念是为了提高医疗效率，降低医疗成本，改善医疗体验，同时也为医疗技术的发展提供了新的思路
。
因此在元诊室场景下基于信息熵的患者专注度判别方法可以提高精神心理状况评估的准确性和效率，为患者提供更好的医疗服务
。
[0004]在元诊室场景下，基于医患交互的过程中，可以基于患者头部姿态和眼动来判别患者是否专注，以提醒医生进行相应刺激措施，最终辅助诊断患者是否患有抑郁症
、
焦虑症等心理疾病，并为医生提供更为准确的评估依据
。
其中，患者专注度是指，患者在与精神科医生进行互动的过程中，对某特定事件所产生的反应，表现形式是患者面部
、
头部的姿态以及眼珠的转动
。
特定事件是指医生与患者交互过程中，某一个医学量表问题，或者是医生引导患者进行的某个动作等
。
在一段时间内，患者的面部和头部姿态以及眼珠是动态变化的，因此可以引入信息熵的概念来描述这段时间内患者头部姿态以及眼睛状态的变化
。
[0005]在现有研究中，研究者们通过利用多种技术手段，如基于头部姿态计算专注度和基于闭眼时长计算专注度等
。
然而，在现有方法中，计算专注度所考虑的层面仅能反映部分的专注度资讯
。
例如，基于头部姿态计算专注度时，仅考虑当前图像中头部的姿态，未能与之前的状态相联系，所计算的专注度难以反映某一段时间内患者的真实专注状态；而基于闭眼时长之方法，在头部不动
、
眼睛张开时，难以判断患者眼球观看的位置
。
因此，进一步研究医患交互过程中患者专注度判别技术，提高判别的准确率和实时性，有助于改善医疗质量，提升医患关系，促进医疗卫生事业的发展
。

技术实现思路

[0006]针对以上问题，本专利技术提供一种元诊室场景下基于信息熵的患者关注度判别方法，用于特殊人群精神心理状态评估，解决问诊过程中，医生难以兼顾判断患者是否专注；如何量化患者的专注度，如何通过头部姿态估计和眼动状态来表征患者的专注度
。
[0007]为实现上述目的，本专利技术采用的技术方案是：
[0008]一种元诊室场景下基于信息熵的患者关注度判别方法，包括以下步骤：
[0009]1)
通过人脸检测模块检测视频中的人脸，输出人脸的位置，人脸关键点
(
双眼
)
的坐标；
[0010]2)
通过坐标截取双眼图片，通过训练好的残差网络模型预测眼瞳的位置，根据位置坐标计算眼球凝视的垂直方向，与中轴的距离差即为眼动状态值；
[0011]3)
计算患者头部姿态的欧拉角，计算各个欧拉角分量标准差和变化率；
[0012]4)
将眼动状态值
、
头部姿态的标准差和变化率代入信息熵公式，计算得到熵值，对熵值取反，得到最终的专注度
。
[0013]与现有技术相比，本专利技术的有益效果为：
[0014]1.
区别于传统的医患就诊模式，在元诊室场景下，有精神心理问题的患者无需长途奔波去医院排队就诊，在普通带摄像头的电脑上，或者当地特定搭建的诊疗场所即可，可以节省患者看病的成本
。
[0015]2.
在人脸检测
、
头部姿态估计以及眼动跟踪的基础上，本提案通过描述患者头部姿态
、
眼睛变化来量化患者的专注度
。
[0016]3.
引入信息熵描述患者头部姿态变化以及眼睛变化，通过熵值公式计算患者专注度
。
[0017]作为上述方案的进一步改进，所述人脸检测模块使用
RetinaFace
网络模型架构，该网络模型采用金字塔结构，通过卷积操作和上采样操作生成多个特征层，然后在每个特征层上进行分类
、
回归和人脸关键点的预测
。
[0018]上述改进的技术目的：实现如何在视频中准确地检测出人脸，并输出人脸的位置和关键点；使用
RetinaFace
网络模型架构进行人脸检测，该网络模型具有高精度
、
高效率
、
多任务等优点
。
本专利技术利用金字塔结构生成不同尺度的特征层，然后在每个特征层上进行分类
、
回归和人脸关键点的预测
。
分类任务输出人脸像素的分类类别；回归任务输出图像中人脸的位置；人脸关键点任务输出若干数值，表示眼睛
、
鼻尖
、
嘴角等部位的坐标
。
[0019]作为上述方案的进一步改进，所述
RetinaFace
网络模型架构使用
ResNet
‑
50
作为基础网络，该基础网络包括五个卷积块，每个卷积块包括若干个残差单元，每个残差单元包括两个卷积层和一个跳跃连接层，跳跃连接层将输入特征图与输出特征图相加；所述人脸检测模块包括线性整流函数，所述线性整流函数用于对第一图像集中的若干图像帧进行像素修正处理，并将所述第一图像集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种元诊室场景下基于信息熵的患者关注度判别方法，其特征在于，包括以下步骤：
1)
通过人脸检测模块检测视频中的人脸，输出人脸的位置，人脸关键点双眼的坐标；
2)
通过坐标截取双眼图片，通过训练好的残差网络模型预测眼瞳的位置，根据位置坐标计算眼球凝视的垂直方向，与中轴的距离差即为眼动状态值；
3)
计算患者头部姿态的欧拉角，计算各个欧拉角分量标准差和变化率；
4)
将眼动状态值
、
头部姿态的标准差和变化率代入信息熵公式，计算得到熵值，对熵值取反，得到最终的专注度
。2.
根据权利要求1所述的方法，其特征在于，所述人脸检测模块使用
RetinaFace
网络模型架构，该网络模型采用金字塔结构，通过卷积操作和上采样操作生成多个特征层，然后在每个特征层上进行分类
、
回归和人脸关键点的预测
。3.
根据权利要求2所述的方法，其特征在于，所述
RetinaFace
网络模型架构使用
ResNet
‑
50
作为基础网络，该基础网络包括五个卷积块，每个卷积块包括若干个残差单元，每个残差单元包括两个卷积层和一个跳跃连接层，跳跃连接层将输入特征图与输出特征图相加；所述人脸检测模块包括线性整流函数，所述线性整流函数用于对第一图像集中的若干图像帧进行像素修正处理，并将所述第一图像集中的特征图中所有负值替换成0，也即将所述第一图像集中的若干图像帧中的所有负值替换成0；所述人脸检测模块包括以下步骤：
1)
对特征层
Conv5_x
采用步长为1的1×1卷积操作，形成特征层
M5
；
2)
对特征层
M5
进行上采样操作，与对特征层
Conv4_x
采用步长为1的1×1卷积操作后的特征层进行融合，对融合的特征层在进行一次上采样操作后形成特征层
M4
；
3)
对特征层
M4
进行一次上采样操作后，与对特征层
Conv3_x
采用步长为1的1×1卷积操作后的特征层进行融合，对融合后的特征层再进行一次上采样操作后形成特征层
M3
；
4)
对特征层
M3
进行一次上采样操作后，与对特征层
Conv2_x
采用步长为1的1╳1...

【专利技术属性】
技术研发人员：杨文君，文建全，黄刊迪，彭炜，龙海，文舸扬，
申请(专利权)人：湖南创星科技股份有限公司，
类型：发明
国别省市：