基于一种面瘫检测方法技术

本申请涉及智能医疗领域，具体涉及一种面瘫检测方法

【技术实现步骤摘要】
基于一种面瘫检测方法、系统、设备及计算机可读存储介质


[0001]本申请涉及智能医疗领域，具体涉及一种面瘫检测方法
、
系统
、
设备及计算机可读存储介质
。

技术介绍

[0002]面瘫是由于面部神经受损导致的面部肌肉运动障碍
,
其可能是部分疾病发生的前兆，比如脑卒中
、
中耳炎
、
糖尿病等，因此，面瘫检测对于提前预防和早期诊断治疗其他疾病具有重要意义
。
对于面瘫检测的研究正在不断更新中，传统的面瘫检测通常依赖于医生的目测和手动操作，这种方法存在主观性和操作风险，可靠性和准确性有限
。
而基于机器视觉的面瘫检测方法能够利用计算机图像分析和人工智能技术，更客观地提取和分析面部肌肉的运动特征，以判断面部肌肉的损伤情况，是当前研究面瘫检测的主流方法
。
具体可以分为静态图像分析和动态运动分析两类
,
静态分类提取面部表情特征，并与正常面部表情进行比较，可以利用深度学习算法和人工神经网络，对大量的面部数据进行训练，从而实现面瘫的自动诊断；动态分类更加关注面部肌肉的运动路径
、
速度和幅度
,
通过人工智能算法对这些数据进行分析和处理，判断是否存在面瘫
。
然而这些检测方法过于单一，难以较好的贴合临床医生诊断策略
。

技术实现思路

[0003]针对现有面瘫检测技术单一性的问题，本专利技术提出一种面瘫检测技术，通过综合使用静态图像和动态运动数据，覆盖到面部的局部特征和整体特征，从多个阶段对面瘫进行分类和判级，提高面瘫诊断的准确性和可靠性，具体包括：
[0004]获取待测者面部表情的数据序列；
[0005]所述数据序列进行关键点检测得到关键帧的关键点坐标；
[0006]对所述关键点坐标进行特征提取得到特征序列；
[0007]将所述特征序列输至面瘫程度分类模型中得到面瘫分类结果
。
[0008]进一步，所述特征是对在放松状态
、
扬眉状态
、
闭眼状态和
/
或示齿状态下的关键帧的关键点坐标进行特征提取得到的特征
。
[0009]进一步，所述特征为手动特征，所述手动特征是面部进行放松
、
扬眉
、
闭眼
、
示齿动作时所用肌肉群的状态特征，包括下列的一种或几种
:
眉部及周边区域
、
眼周区域
、
嘴部区域
、
面部大轮廓的对称状态
。
[0010]进一步，所述状态特征包括
N
个特征序列，对应着放松状态
、
扬眉状态
、
闭眼状态和示齿状态下的特征序列，其中
N
为大于2的自然数整数，具体序列表现为：
F
relax
＝
[f0,f1,
…
,f
28
]，
F
movebrow
＝
[f0,f1,
…
,f6,f
22
,f
23
,
…
,f
28
]，
F
closeeyes
＝
[f7,f8,
…
,f
13
,f
22
,f
23
,
…
,f
28
]，
F
showteeth
＝
[f
14
,f
15
,
…
,f
21
,f
22
,f
23
,
…
,f
28
]；
[0011]其中，
f0L f6是眉部区域特征序列
、f7L f
13
是眼部区域特征序列
、f
14
L f
21
是嘴部区域特征序列
、f
22
是鼻部区域特征序列
、f
23
L f
28
是轮廓区域特征序列
。
[0012]进一步，所述状态特征在计算序列特征值时涉及的类型包括下列的一种或几种：眉部
、
眼部
、
嘴部
、
鼻部
、
轮廓；所述眉部的计算涉及角度
、
最值
、
斜率；所述眼部计算涉及角度
、
最值；所述嘴部计算涉及角度
、
最值；所述鼻部计算涉及角度；所述轮廓计算涉及角度
、
最值
、
比率
。
[0013]所述特征还包括深度特征，所述深度特征是将关键帧输至深度网络模型中，然后对关键帧进行深度特征提取得到深度特征
。
[0014]对所述关键点坐标进行特征提取得到特征序列的具体步骤包括：
[0015]对所述关键帧的关键点坐标进行特征提取得到的手动特征，对关键帧进行深度特征提取得到深度特征，将手动特征与深度特征融合得到
S
特征序列
。
[0016]所述特征是对在放松状态
、
扬眉状态
、
闭眼状态和
/
或示齿状态下的动作连续关键帧的关键点坐标进行特征提取并计算瞬时速度得到的动态特征
。
[0017]进一步，瞬时速度序列特征包括下列动作序列的一种或几种：扬眉
、
闭眼
、
示齿，对应的序列特征表示为
V
movebrow
＝
[V
b1
,V
b2
,
…
,V
bn
]，
V
closeeyes
＝
[V
e1
,V
e2
,
…
,V
en
]，
V
showteeth
＝
[V
t1
,V
t2
,
…
,V
tn
]，
[0018]其中，
V
b1
L V
bn
代表一个时间步中扬眉的动作序列，
V
e1
L V
en
代表一个时间步中闭眼的动作序列，
V
t1
L V
tn
代表一个时间步中示齿的动作序列
。
[0019]进一步，所述动作序列是通过欧式距离求解关键点坐标之间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面瘫检测方法，其特征在于，所述方法具体包括：获取待测者面部表情的数据序列；所述数据序列进行关键点检测得到关键帧的关键点坐标；对所述关键点坐标进行特征提取得到特征序列；将所述特征序列输至面瘫程度分类模型中得到面瘫分类结果
。2.
根据权利要求1所述的面瘫检测方法，其特征在于，所述特征是对在放松状态
、
扬眉状态
、
闭眼状态和
/
或示齿状态下的关键帧的关键点坐标进行特征提取得到的特征；优选的，所述特征为手动特征，所述手动特征是面部进行放松
、
扬眉
、
闭眼
、
示齿动作时所用肌肉群的状态特征，包括下列的一种或几种
:
眉部及周边区域
、
眼周区域
、
嘴部区域
、
面部大轮廓的对称状态；优选的，所述状态特征包括
N
个特征序列，对应着放松状态
、
扬眉状态
、
闭眼状态和示齿状态下的特征序列，其中
N
为大于2的自然数整数，具体序列表现为：
F
relax
＝
[f0,f1,
…
,f
28
]
，
F
movebrow
＝
[f0,f1,
…
,f6,f
22
,f
23
,
…
,f
28
]
，
F
closeeyes
＝
[f7,f8,
…
,f
13
,f
22
,f
23
,
…
,f
28
]
，
F
showteeth
＝
[f
14
,f
15
,
…
,f
21
,f
22
,f
23
,
…
,f
28
]
；其中，
f0L f6是眉部区域特征序列
、f7L f
13
是眼部区域特征序列
、f
14
L f
21
是嘴部区域特征序列
、f
22
是鼻部区域特征序列
、f
23
L f
28
是轮廓区域特征序列；可选的，所述状态特征在计算序列特征值时涉及的类型包括下列的一种或几种：眉部
、
眼部
、
嘴部
、
鼻部
、
轮廓；所述眉部的计算涉及角度
、
最值
、
斜率；所述眼部计算涉及角度
、
最值；所述嘴部计算涉及角度
、
最值；所述鼻部计算涉及角度；所述轮廓计算涉及角度
、
最值
、
比率；可选的，所述特征还包括深度特征，所述深度特征是将关键帧输至深度网络模型中，然后对关键帧进行深度特征提取得到深度特征；可选的，对所述关键点坐标进行特征提取得到特征序列的具体步骤包括：对所述关键帧的关键点坐标进行特征提取得到的手动特征，对关键帧进行深度特征提取得到深度特征，将手动特征与深度特征融合得到
S
特征序列
。3.
根据权利要求1所述的面瘫检测方法，其特征在于，所述特征是对在放松状态
、
扬眉状态
、
闭眼状态和
/
或示齿状态下的动作连续关键帧的关键点坐标进行特征提取并计算瞬时速度得到的动态特征；优选的，瞬时速度序列特征包括下列动作序列中的一种或几种：扬眉
、
闭眼
、
示齿，对应的序列特征表示为
V
movebrow
＝
[V
b1
,V
b2
,
…
,V
bn
]
，
V
closeeyes
＝
[V
e1
,V
e2
,
…
,V
en
]
，
V
showteeth
＝
[V
t1
,V
t2
,
…
,V
tn
]
；其中，
V
b1
L V
bn
代表一个时间步中扬眉的动作序列，
V
e1
L V
en
代表一个时间步中闭眼的动作序列，
V
t1
L V
tn
代表一个时间步中示齿的动作序列；可选的，所述动作序列是通过欧式距离求解关键点坐标之间的间距，所述间距包括下列的一种或几种：两颊间距
、
左右眼距
、
唇下间距
、
眉旁间距
、
眼角到嘴部距离
、
眼角到鼻两翼间距
、
鼻翼到嘴部距离
、
眉峰到下眼睑距离
、
左右内外眼距
、
左右内外唇距

【专利技术属性】
技术研发人员：许杰，王拥军，冯致远，龚国扬，胡敏，李琛琛，施炜，
申请(专利权)人：北京阿道科特智能科技有限公司北京麦迪卫康医疗科技有限公司，
类型：发明
国别省市：