【技术实现步骤摘要】
本申请涉及人体镇痛镇静评估的领域，尤其是涉及一种镇痛镇静评估方法及监测设备。
技术介绍
1、对于疼痛病人目前临床上通常采取镇痛药物等方式对病人进行镇痛镇静治疗，但现有的疼痛评估方式偏主观，以患者的主观感受为主。而对于重症或昏迷等不能言语表达的患者无法评估其疼痛程度，无法使医护人员了解对病人镇静镇痛的程度。
2、现有医护对患者采用cpot疼痛评估法，需要医务人员学习cpot评分，存在一定学习曲线，而且得出结果也存在主观因素，不同人评分不同。虽然也出现了几种基于设备的镇痛镇静评估方法，但这些方法中的大多数是基于对单个指标的分析来评估的，对于病人镇痛镇静程度的评估方式不够准确。
技术实现思路
1、为了通过多个指标对病人的镇痛镇静程度进行评估，提高对病人镇痛镇静程度评估的准确性，本申请提供一种镇痛镇静评估方法及监测设备。
2、第一方面，本申请提供一种镇痛镇静评估方法，采用如下的技术方案：
3、一种镇痛镇静评估方法，包括：
4、采集病人生命体征数据及正面视频序列；
5、对正面视频序列进行图像预处理；
6、对预处理后的正面视频序列提取行为特征；
7、对正面视频序列初始帧进行人脸检测，并通过目标跟踪算法在后续帧中进行人脸跟踪；
8、对视频序列中人脸检测区域的表情特征进行提取；
9、对提取的行为特征与表情特征进行融合，得到融合特征；
10、对训练样本进行训练得到表情行为识别模型，
11、对生命体征数据进行处理，并与表情行为识别结果进行融合，得到最终评估结果。
12、可选的，所述对视频序列中人脸检测区域的表情特征进行提取，包括：
13、对人脸检测区域进行分块，并对每个子块区域的各像素点进行cslbp特征计算；
14、将各像素点的cslbp值作为该像素点灰度值，得到各个子块的灰度直方图；
15、按照不同的权重将各个子块区域的灰度直方图进行连接，得到图像表情特征向量。
16、可选的，所述对预处理后的正面视频序列提取行为特征，包括：
17、对视频序列的图像进行边缘检测并提取人体轮廓；
18、对提取轮廓后的图像进行cslbp特征计算；
19、将各像素点的cslbp值作为该像素点灰度值，得到图像行为特征向量。
20、可选的，所述cslbp特征计算方式为：
21、
22、
23、其中，cslbpr，n，t(x，y)表示以像素点(x，y)为中心、r为半径选择关于中心像素点对称的n个参考点的cslbp值，ni表示第i个参考点的灰度值，t为阈值。
24、可选的，所述对训练样本进行训练得到表情行为识别模型，包括：
25、获取正面视频序列的样本，对样本按照镇痛镇静的程度进行分类；
26、对样本进行预处理；
27、对预处理后的样本提取行为特征和表情特征；
28、对样本提取的行为特征与表情特征进行融合，得到融合特征；
29、将每一类样本均划分为训练样本和测试样本；
30、根据方程y(t)＝a(t)x(t)得到稀疏表示x(t)，其中矩阵a(t)为t帧所有训练样本的融合特征向量构成的矩阵，y(t)为t帧某个测试样本的融合特征向量；
31、计算每一类样本同一帧的残差，根据最小残差判别测试样本当前帧所属类型，再对测试样本各个帧所属类型求平均值得到测试样本所属类型。
32、可选的，所述计算每一类样本各个帧的残差，根据最小残差判别测试样本当前帧所属类型，包括：
33、对于第k类样本，在稀疏表示x(t)中选取与第k类有关的系数值，并令其它系数值均为o，得到近似表示xk(t)；
34、计算残差rk，t[y(t)]＝||y(t)-a(t)xk(t)||2；
35、当rk，t[y(t)]取最小值时对应的k值即为测试样本y(t)在t帧所属类型。
36、可选的，所述通过目标跟踪算法在后续帧中进行人脸跟踪，包括：
37、在初始帧人脸检测区域选择一定数量的初始特征点；
38、获取特征点在当前帧的位置；
39、依据当前帧的位置对应的特征点获取这些特征点在前一帧的对应位置；
40、计算前一帧中对应位置与初始特征点位置的距离；
41、筛除距离过大和距离过小的点，保留1/2靠近距离中值的点作为标准点；
42、获取标准点在当前帧的位置，计算标准点由前一帧到当前帧的坐标变化和距离变化；
43、根据标准点的变化确定当前帧人脸检测区域。
44、可选的，所述采集病人生命体征数据，包括：采集病人的心率hr、血压bp、呼吸频率rr、血氧饱和度spo2。
45、可选的，所述对生命体征数据进行处理，并与表情行为识别结果进行融合，得到最终评估结果，包括：
46、计算对病人在视频序列时间段内的心率平均值hrm、血压平均值bpm、呼吸频率平均值rrm、血氧饱和度平均值spo2m；
47、分别计算心率平均值hrm、血压平均值bpm、呼吸频率平均值rrm、血氧饱和度平均值spo2m偏离正常取值范围的程度；
48、
49、其中，d表示偏离程度，m表示心率平均值hrm、血压平均值bpm、呼吸频率平均值rrm或血氧饱和度平均值spo2m，mmin表示m正常取值范围的最小值，mmax表示m正常取值范围的最大值；
50、分别对心率平均值hrm、血压平均值bpm、呼吸频率平均值rrm、血氧饱和度平均值spo2m的偏离程度进行归一化处理后求其平均值
51、将表情行为识别结果按照其镇痛镇静程度划分为k种，且k值越大表示镇痛镇静的效果越差，若当前表情行为识别结果类型值为k，则最终评估结果类型值为：
52、
53、其中，α和β分别为生命体征与表情行为特征的权重。
54、第二方面，本申请提供一种镇痛镇静监测设备，采用如下的技术方案：
55、一种镇痛镇静监测设备，包括：
56、数据采集模块：采集病人生命体征数据及正面视频序列；
57、预处理模块：对正面视频序列进行图像预处理；
58、行为特征提取模块：对预处理后的正面视频序列提取行为特征；
59、人脸检测模块：对正面视频序列初始帧进行人脸检测，并通过目标跟踪算法在后续帧中进行人脸跟踪；
60、表情特征提取模块：对视频序列中人脸检测区域的表情特征进行提取；
61、特征融合模块：对提取的行为特征与表情特征进行融合，得到融合特征；
62、表情行为识别模块：对训练样本进行训练得到表情行为识别模型，将融合特征输入至表本文档来自技高网...
【技术保护点】
1.一种镇痛镇静评估方法，其特征在于，包括：
2.根据权利要求1所述的一种镇痛镇静评估方法，其特征在于，所述对视频序列中人脸检测区域的表情特征进行提取，包括：
3.根据权利要求1所述的一种镇痛镇静评估方法，其特征在于，所述对预处理后的正面视频序列提取行为特征，包括：
4.根据权利要求2或3所述的一种镇痛镇静评估方法，其特征在于，所述CSLBP特征计算方式为：
5.根据权利要求1所述的一种镇痛镇静评估方法，其特征在于，所述对训练样本进行训练得到表情行为识别模型，包括：
6.根据权利要求5所述的一种镇痛镇静评估方法，其特征在于，所述计算每一类样本各个帧的残差，根据最小残差判别测试样本当前帧所属类型，包括：
7.根据权利要求1所述的一种镇痛镇静评估方法，其特征在于，所述通过目标跟踪算法在后续帧中进行人脸跟踪,包括：
8.根据权利要求1所述的一种镇痛镇静评估方法，其特征在于，所述采集病人生命体征数据，包括：采集病人的心率HR、血压BP、呼吸频率RR、血氧饱和度SpO2。
9.根据权利要求8所述
10.一种镇痛镇静监测设备，其特征在于，包括：
...【技术特征摘要】
1.一种镇痛镇静评估方法，其特征在于，包括：
2.根据权利要求1所述的一种镇痛镇静评估方法，其特征在于，所述对视频序列中人脸检测区域的表情特征进行提取，包括：
3.根据权利要求1所述的一种镇痛镇静评估方法，其特征在于，所述对预处理后的正面视频序列提取行为特征，包括：
4.根据权利要求2或3所述的一种镇痛镇静评估方法，其特征在于，所述cslbp特征计算方式为：
5.根据权利要求1所述的一种镇痛镇静评估方法，其特征在于，所述对训练样本进行训练得到表情行为识别模型，包括：
6.根据权利要求5所述的一种镇痛镇静评估方法，其特征在...
【专利技术属性】
技术研发人员：王光杰，王益勤，王斌，沈佳伟，赵慧颖，周刚，王胜楠，马蕊，安友仲，
申请(专利权)人：北京大学人民医院，
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。