CN106980815A - 基于h‑b分级评分监督下的面瘫客观评估方法 - Google Patents
基于h‑b分级评分监督下的面瘫客观评估方法 Download PDFInfo
- Publication number
- CN106980815A CN106980815A CN201710067431.3A CN201710067431A CN106980815A CN 106980815 A CN106980815 A CN 106980815A CN 201710067431 A CN201710067431 A CN 201710067431A CN 106980815 A CN106980815 A CN 106980815A
- Authority
- CN
- China
- Prior art keywords
- facial paralysis
- facial
- svm
- rank scores
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Image Processing (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Neurosurgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
一种基于H‑B分级评分监督下的面瘫客观评估方法,其特征在于,其包括以下步骤:S1、获取面瘫患者的面部图像检测样本;S2、建立基于H‑B分级评分监督下的面瘫分级分类器,使所述面瘫分级分类器包括多个分类器;S3、所述面瘫分级分类器的多个分类器分别对所述检测样本的面瘫分级评估类别进行预测,得出多个以H‑B分级评分类别为结果的预测结果;S4、统计各预测结果,选取预测结果中数量最多的类别作为面瘫患者的面瘫分级评估结果进行输出。本发明通过建立基于H‑B评分监督下的面瘫分级分类,从而可客观的获取与H‑B分级评分相一致的结果,消除临床医生通过H‑B分级评分方法进行主观评价而造成的主观偏差,避免面瘫评估结果受临床医生的经验影响。
Description
【技术领域】
本发明涉及面瘫评估方法,特别涉及一种基于H-B分级评分监督下的面瘫客观评估方法。
【背景技术】
面瘫是一种常见且多发的疾病,其主要症状为面部表情肌群无法进行正常的功能性运动。根据神经受损位置的不同,面瘫分为周围性面瘫和中枢性。周围性面瘫由神经核和损伤所引起,表现为病变部位同侧全肌面瘫痪,此类瘫痪多由风寒、耳部或脑膜感染等引起。中枢性面瘫源于面神经核以上的部位受损,表现为受损部位对侧颜面下部肌肉麻痹,多见于脑内血管疾病。
面瘫虽然不会危及生命,但是关系到社交过程中的仪容问题,这给患者心理带来不良影响。面瘫只要及早发现,及时治疗,治疗措施得当,一般是可以完全康复的。临床上通常按面瘫评价标准对面瘫患者评价分级后,再根据分级结果来制定合适的治疗方案。为患者制定恰当的治疗方案是面瘫康复治疗的关键,而治疗方案是依据分级结果来制定的,因此,面瘫分级评价对于治疗面瘫康复治疗十分的重要。
面瘫分级评价依据的是患者患病程度不同而体现出的不同的面部不对称程度。由于面神经损伤所导致的面部症状会因为年龄、面部的解剖结构和神经损伤的程度而不同。在原始的面瘫康复评估中,临床医生会着重观察面瘫患者的两侧眉毛的相对位置、两侧眼睛闭合情况、鼻部是否不对称、微笑是否无力和嘴部是否不对称等情况,并根据这些观察所得的情况的轻重程度,来确定面瘫级别。轻度的面神经损伤(面瘫)通常只会在面部结构运动时,被观察到较弱的面部不对称性。而严重面神经损伤的面部不对称性,在面部结构无运动时也可以被轻易地观察出来。因此,临床医生若要较为准确地去描述面部功能损失,就需借助一些标准化的评价标准。
目前常见的主观面瘫分级评价标准有十多种,其中获得多数学者和临床医生认可,且使用最广泛的面瘫评价方法是H-B面神经功能评价标准。当前的面瘫康复治疗中,传统的评价方法中,H-B面神经功能评价标准,其评价结果已成为大多数治疗方案的指导标准,其对面瘫治疗具有很强的指导意义。该评价标准于1983年由House和Brackman提出,该评价标准将面瘫分为VI级(Ⅰ~Ⅵ级,或称Ⅰ~Ⅵ类),Ⅰ级为正常,VI级为完全麻痹,其分级评价标准如下表所示:
H-B分级评价的优点是各级描述简单易懂,临床使用方便。但其缺陷也十分明显,作为一种主观评价方法,其主观性严重、各级描述含糊、级别之间描述重叠,不同的临床医生可能会得到不同的评价结果,从而导致分级出现主观偏差,严重影响最佳治疗方案的选择。
最近几年,在国内外报道中出现了一系列客观性的面瘫分级评价标准,这些客观方法根据对面部单元标定方法的不同,可以分为手工标定及自动标定两大类。基于手工标定的面瘫分级评价标准通过在面部运动单元(包括眉,鼻,眼和嘴)设置人工标记,当面部运动时,检测这些标记的运动情况,再通过运动单元运动的不对称程度来标定这些标记的运动情况所代表的患病程度;此类方法需要手动标记,应用复杂,耗时长。基于自动标定的面瘫分级评价标准是利用计算机视觉方法,自动地检测面部的运动单元,通过检测这些运动单元运动的不对称程度来判断面瘫程度,Linstrom提出了一种基于商用计算机视频交互的客观面部分析系统,通过患者闭眼和抿嘴笑两种表情来比较非正常的面部功能。该系统能较好地区分面瘫患者及正常人,但是无法对面瘫患者进行分级评估,此外,Hontanilla和Auba提出了一个用于面部信息计算的3D多摄像装置采集系统,这个系统给出的评价结果客观,灵敏,其缺点在于需要在患者面部粘贴标记点,所以该系统虽然评价结果较好,但其使用不方便,且对患者会造成一定的影响。
综上所述,H-B面神经功能评价标准,虽然广泛适应,具有很强的指导标准,但因其实施依赖于临床医生的经验影响,而且其主观性大,从而导致面瘫评估结果易受干扰。而传统的面瘫客观评价方法,其虽然结果评价客观,消除了主观偏差,但其评价方法难以取代H-B分级评分,其难以与现行的治疗方案相适配,因而其适用性差,难以广泛实施。
【发明内容】
本发明旨在解决上述问题,而提供一种基于H-B分级评分监督下的面瘫客观评估方法,通过该方法,可客观的获取与H-B分级评分相一致的结果,从而可消除主观偏差,并提高适用性。
为实现上述目的,本发明提供一种基于H-B分级评分监督下的面瘫客观评估方法,其特征在于,其包括以下步骤:
S1、获取面瘫患者的面部图像检测样本;
S2、建立基于H-B分级评分监督下的面瘫分级分类器,使所述面瘫分级分类器包括多个分类器;
S3、所述面瘫分级分类器的多个分类器分别对所述检测样本的面瘫分级评估类别进行预测,得出多个以H-B分级评分类别为结果的预测结果;
S4、统计各预测结果,选取预测结果中数量最多的类别作为面瘫患者的面瘫分级评估结果进行输出。
进一步的,所述面瘫分级分类器通过训练而成,其训练过程包括以下步骤:
S21、获取面瘫患者训练样本集,该训练样本集包括若干个训练样本,各训练样本分别包括面瘫患者的面部图像、根据面部图像提取出的面部对称性特征、与面部图像相对应的样本类别标记;
S22、将训练样本集中的训练样本按照H-B分级评估标准进行分级分类,将其分成多类样本集;
S23、从所述多类样本集中分别选取两类样本集训练分类器,训练出包含有多个分类器的多类分类器。
进一步的,所述分类器为SVM分类器。
进一步的,所述分类器为使用RBF核函数的SVM分类器。
进一步的,训练SVM分类器时,使用交叉验证方法确定所述SVM分类器使用的最优的RBF核函数尺度参数和SVM的惩罚参数。
进一步的,确定最优的RBF核函数尺度参数和SVM的惩罚参数的步骤包括:
S231、根据经验设定RBF核函数尺度参数和SVM的惩罚参数在一定范围内取值;
S232、在限定范围内选取一组RBF核函数尺度参数和SVM的惩罚参数建立SVM分类器,并通过交叉验证方法得到该组参数所对应的分类准确率;
S233、对限定范围内的所有RBF核函数尺度参数和SVM的惩罚参数进行组合,重复步骤S232,获取所有组合所对应的分类准确率;
S234、选择最高分类准确率所对应的那组RBF核函数尺度参数和SVM的惩罚参数作为最优的RBF核函数尺度参数和SVM的惩罚参数。
进一步的,步骤S234中,若存在多个最高分类准确率,则选择SVM的惩罚参数最小所对应的那组RBF核函数尺度参数和SVM的惩罚参数作为最优的RBF核函数尺度参数和SVM的惩罚参数。
进一步的,若存在多个最小的SVM的惩罚参数,则选择组合中第一组RBF核函数尺度参数和SVM的惩罚参数中作为最优的RBF核函数尺度参数和SVM的惩罚参数。
进一步的,步骤S21中,当获取的面瘫患者的面部图像训练样本集不够丰富时,使用数据扩展的方法对训练样本集进行扩展。
进一步的,所述数据扩展方法为仿射变换法。
本发明的有益贡献在于,其有效解决了上述问题。本发明通过建立基于H-B评分监督下的面瘫分级分类,从而使得可通过该面瘫分级分类客观的获取与H-B分级评分相一致的结果,消除临床医生通过H-B分级评分方法进行主观评价而造成的主观偏差,避免面瘫评估结果受临床医生的经验影响。本发明的基于H-B分级评分监督下的面瘫客观评估方法的分级评分结果与现有的H-B分级评分方法匹配,从而可借助H-B分级评分方法的广泛性,保留H-B分级评分方法的优点,而获得标准的评价结果,从而利于为面瘫患者制定合适的治疗方案以提高康复治疗的疗效奠定基础。
【附图说明】
图1是本发明的方法流程示意图。
图2是建立面瘫多类分类器的流程示意图。
图3是确定最优RBF核函数尺度参数和SVM的惩罚参数的流程示意图。
【具体实施方式】
下列实施例是对本发明的进一步解释和补充,对本发明不构成任何限制。
如图1~图3所示,本发明的基于H-B分级评分监督下的面瘫客观评估方法主要要点在于结合H-B分级评分方法而提出一种可客观的获取与H-B分级评分结果相一致的方法,避免临床医生通过H-B分级评分方法进行主观评价而造成的主观偏差。由于H-B分级评分方法具有广泛的指导意义,其评价结果为目前大多数治疗方案的指导标准,因而使用本发明的方法客观获取与H-B分级评分相一致的结果,不仅可消除H-B分级评分方法的缺点,而且可吸收其优点,为治疗方案的确定奠定基础。具体的,本发明的基于H-B分级评分监督下的面瘫客观评估方法包括以下步骤:
S1、获取面瘫患者的面部图像检测样本;
S2、建立基于H-B分级评分监督下的面瘫分级分类器,使所述面瘫分级分类器包括有多个分类器;
S3、所述面瘫分级分类器的多个分类器分别对所述检测样本的面瘫分级评估类别进行预测,得出多个以H-B分级评分类别为结果的预测结果;
S4、统计各预测结果,选取预测结果中数量最多的类别作为面瘫患者的面瘫分级评估结果进行输出。
步骤S1中,可通过面部采集装置获取面瘫患者的面部图像检测样本。所述面部采集装置可选用公知的各种面部采集装置。所述面部图像检测样本包括但不限于以下信息:面瘫患者在静止时和/或进行特定面部运动时的面部图像、从基于该面部图像检测出的面部特征点而提取出的面部对称性特征。在获取面瘫患者的面部图像时,面瘫患者进行的特定面部运动包括但不限于以下运动中的一种或多种:抬眉、闭眼、示齿、鼓腮。所述面部对称性特征,是用于量化衡量面部五官的结构形状对称性的差异,其可通过多种不同的参数进行表征,如形状对称性特征、位置对称性特征。所述面部五官包括但不限于眼部、眉部、嘴部、鼻部。对于面瘫患者,面部五官的不对称性主要体现在眼部、眉部、嘴部、鼻部这四个部位,因此,可优选表征眼部、眉部、嘴部、鼻部这四个部位的不对称性参数作为面部对称性特征。所述面部对称性特征可按照公知技术选取公知的面部对称性特征,也可由本领域技术人员选取特定的非公知的面部对称性特征,如本申请人于同日申请的《面瘫客观评估方法及其系统》专利中所介绍的面部对称性特征。
当获取到面瘫患者的面部图像检测样本时,便可通过面瘫分级分类器对该面部图像检测样本进行预测评估,自动确定出以H-B分级评分类别为结果的预测结果,如确定出面瘫患者的面瘫等级为H-B评级中的III级。
本发明中,所述面瘫分级分类器是基于H-B分级评分监督下的多类分类器,其包括有多个分类器。当对面瘫患者的面部图像检测样本进行评估预测时,所述面瘫分级分类器的多个分类器分别对所述检测样本的面瘫分级评估类别进行预测,得出多个以H-B分级评分类别为结果的预测结果,然后对预测结果进行统计,选取预测结果中数量最多的类别作为面瘫患者的面瘫分级评估结果。例如,当所述面瘫分级分类器包括有15个分类器时,所述15个分类器评估出的预测结果中面瘫类别评估为III级的有13个,面瘫类别评估为VI级的有2个,则将此次面瘫分级评估的结果客观评估为III级。
步骤S2中,所述面瘫分级分类器通过训练而成,其可通过以下方法训练而成:
S11、获取面瘫患者的面部图像训练样本集。
所述训练样本集包含有若干个训练样本,各训练样本分别包括采集到的面瘫患者的面部图像、从相应面部图像中提取出的面部对称性特征、样本类别标记。所述训练样本的面部图像可通过面部采集装置获取,其包括面瘫患者在静止时和进行特定面部运动时的面部图像。所述特定面部运动包括但不限于以下运动中的一种或多种:抬眉、闭眼、示齿、鼓腮。训练样本的面部对称性特征,是基于从训练样本的各面部图像检测出的面部特征点而提取出来的。面部图像的面部特征点的检测,可参看公知技术。根据面部特征点提取面部对称性特征,其可按照公知技术进行提取,或根据本申请人于同日申请的《面瘫客观评估方法及其系统》专利中所介绍的方式进行提取。所述面部对称性特征,可以是目前常用的面部对称性特征,也可以是根据本申请人于同日申请的《面瘫客观评估方法及其系统》专利中所介绍的方式提取的特定面部对称性特征。本申请中,对面部对称性特征不做限定。所述样本类别标记是与H-B分级评分结果相匹配的类别标记,如表征各训练样本为I级、II级、III级、VI级、V极、VI级的信息标记。各训练样本的样本类别可由医务人员针对各训练样本通过H-B分级评分标准进行主观评估而得出。由于面瘫分级评估标准中,I级类别为正常人,因此,与I级相对应的训练样本可采集,也可不采集。本实施例中,为提高评估准确性,并为了便于前后统一描述,凡涉及H-B分级评分相关的类别为包括正常人在内的六大类。其他实施例中,也可略掉H-B分级评分中的正常人I级,而只包括II级、III级、VI级、五极、VI级在内的五大类。
处于过拟合状态的分类器,对训练样本集中的训练样本进行分类会得到非常高的准确率,而对未知的测试样本进行分类则会得到非常低的准确率。为避免训练的分类器出现过拟合的情况,所述训练样本集包含的训练样本数量应尽量多。具体实施过程中,当无法获取足够数量的训练样本时,可通过数据扩展的方法对训练样本集进行扩展,以获得数量足够多的训练样本。由于训练样本集的面部图像是通过面部采集装置,如摄像装置采集到的,因此,这些面部图像会因为面部采集装置与面瘫患者的相对位置改变而不同,因而,可通过仿射变换对训练样本集进行扩展。本实施例中,申请人在研究时实际获取到的原始训练样本集包括有95个训练样本,其中,I级样本共5个,II级样本共15个,III级样本共20个,VI级样本共13个,V级样本共32个,VI级样本共10个。由于这六类样本的分布不均匀,且数量非常少,若只使用这95个训练样本去训练分类器,分类器将出现过拟合情况,使得预估分类准确率大大降低。因此,具体实施时,可通过仿射变换中的错切变换,将原有的95个训练样本的面部图像分别进行角度为-4度,-2度,2度,4度在垂直方向和水平方向的错切变换,而得到总数为95*4*2+95=855个样本,以丰富训练样本集。在其他实施例中,也可通过进行更多的变换而获取数量更多的样本。
S12、将训练样本集中的训练样本按照H-B分级评估方法进行分级分类,将其分成六类样本集。
当获取到足够多的训练样本时,将训练样本按照H-B分级评估方法进行主观分级和汇总,将其分成六类样本集:I级样本集、II级样本集、III级样本集、VI级样本集、V极样本集、VI级样本集。其中,I级样本集中包括了训练样本集中通过H-B分级评估方法主观评估为I级面瘫的所有训练样本的数据,该数据至少包括所有被标识为I级面瘫的训练样本的面部对称性特征和相应的样本类别标记,可选择的,其还可包括所有被标识为I级面瘫的训练样本的面部图像;同理,II级样本集中包括了训练样本集中通过H-B分级评估方法主观评估为II级面瘫的所有训练样本的数据,该数据至少包括所有被标识为II级面瘫的训练样本的面部对称性特征和相应的样本类别标记,可选择的,其还可包括所有被标识为II级面瘫的训练样本的面部图像;III级样本集、VI级样本集、V级样本集、VI级样本集分别以此类推,其分别包括了相应的数据信息。
S13、分别从所述六类样本集中分别选取两类样本集训练分类器,训练出包含有多个分类器的多类分类器。
本实施例中,建立的分类器为非线性SVM分类器。SVM分类器是一种二类分类器,而H-B分级评分是VI级分类,因此,本发明通过一对一法构造出使用SVM的多类分类器。构造过程中,从所述六类样本集中分别选取两类样本集训练SVM分类器,这样就训练出6*5/2=15个SVM分类器,这15个SVM分类器便构成了多类分类器,形成了本发明的基于H-B分级评分监督下的面瘫分级分类器。
在训练SVM分类器前,需选择合适的核函数,本实施例中,使用基于RBF核函数来建立SVM分类器。RBF核函数为高斯径向基核函数:K(xi,xj)=exp{-||xi-xj||2/ρ2},其中,ρ为尺度参数。使用RBF核函数来建立SVM分类器需要确定最优的RBF核函数尺度参数和SVM的惩罚参数C。本实施例中,通过交叉验证法来确定SVM分类器最优的RBF核函数尺度参数和SVM的惩罚参数C,其具体步骤如下:
S131、根据经验设定RBF核函数尺度参数和SVM的惩罚参数在一定范围内取值;
S132、在限定范围内选取一组RBF核函数尺度参数和SVM的惩罚参数建立SVM分类器,并通过交叉验证方法得到该组参数所对应的分类准确率;
S133、对限定范围内的所有RBF核函数尺度参数和SVM的惩罚参数进行组合,重复步骤S132,获取所有组合所对应的分类准确率;
S134、选择最高分类准确率所对应的那组RBF核函数尺度参数和SVM的惩罚参数作为最优的RBF核函数尺度参数和SVM的惩罚参数。
步骤S134中,若存在多个最高分类准确率,则选择SVM的惩罚参数最小所对应的那组RBF核函数尺度参数和SVM的惩罚参数作为最优的RBF核函数尺度参数和SVM的惩罚参数。进一步的,若还存在多个最小的SVM的惩罚参数,则选择组合中第一组RBF核函数尺度参数和SVM的惩罚参数中作为最优的RBF核函数尺度参数和SVM的惩罚参数。
当最优的RBF核函数尺度参数和SVM的惩罚参数确定之后,便可按照S13步骤,利用扩展后的训练样本集训练出一个多分类的RBF SVM分类器,即本发明的基于H-B分级评分监督下的面瘫分级分类器。
作为验证,试验过程中,申请人分别用未经扩展的原始训练样本集和经扩展后的训练样本集按上述方法建立了两个面瘫分级分类器——测试面瘫分级分类器和实际面瘫分级分类器,并使用3折交叉验证分别对建立的这两个面瘫分级分类器各自对应的训练样本集进行测试。各面瘫分级分类器训练时所使用的训练样本集作为其训练集进行测试,训练时未使用的另一训练样本集作为其测试集进行测试,例如,对于测试面瘫分级分类器而言,未经扩展的原始训练样本集为其训练集接受测试,经扩展后的训练样本集为其测试集;对于实际面瘫分级分类器,即本发明所建立的面瘫分级分类器,经扩展后的训练样本集为其训练集,未经扩展的原始训练样本集为其测试集。该两个面瘫分级分类器的交叉验证结果如下表所示:
通过上表可以看出,使用本发明方法所建立的面瘫分级分类器对面瘫患者的H-B分级评分评估的准确率高达90%以上,其可有效的预测未知样本的H-B分级评分,因而可实际用于面瘫患者的客观评估。
当基于H-B分级评分监督下的面瘫分级分类器建立后,便可按照步骤S1/S3/S4的步骤,对面瘫患者进行客观评估:通过一定的辅助装置获取面瘫患者的面部图像检测样本,并将其输入至基于H-B分级评分监督下的面瘫分级分类器,该基于H-B分级评分监督下的面瘫分级分类器便可自动的评估出面瘫分级评分类别,客观的获得与H-B分级评分一致的结果。
尽管通过以上实施例对本发明进行了揭示,但是本发明的范围并不局限于此,在不偏离本发明构思的条件下,以上各构件可用所属技术领域人员了解的相似或等同元件来替换。
Claims (10)
1.一种基于H-B分级评分监督下的面瘫客观评估方法,其特征在于,其包括以下步骤:
S1、获取面瘫患者的面部图像检测样本;
S2、建立基于H-B分级评分监督下的面瘫分级分类器,使所述面瘫分级分类器包括多个分类器;
S3、所述面瘫分级分类器的多个分类器分别对所述检测样本的面瘫分级评估类别进行预测,得出多个以H-B分级评分类别为结果的预测结果;
S4、统计各预测结果,选取预测结果中数量最多的类别作为面瘫患者的面瘫分级评估结果进行输出。
2.如权利要求1所述的基于H-B分级评分监督下的面瘫客观评估方法,其特征在于,所述面瘫分级分类器通过训练而成,其训练过程包括以下步骤:
S21、获取面瘫患者训练样本集,该训练样本集包括若干个训练样本,各训练样本分别包括面瘫患者的面部图像、根据面部图像提取出的面部对称性特征、与面部图像相对应的样本类别标记;
S22、将训练样本集中的训练样本按照H-B分级评估标准进行分级分类,将其分成多类样本集;
S23、从所述多类样本集中分别选取两类样本集训练分类器,训练出包含有多个分类器的多类分类器。
3.如权利要求2所述的基于H-B分级评分监督下的面瘫客观评估方法,其特征在于,所述分类器为SVM分类器。
4.如权利要求3所述的基于H-B分级评分监督下的面瘫客观评估方法,其特征在于,所述分类器为使用RBF核函数的SVM分类器。
5.如权利要求4所述的基于H-B分级评分监督下的面瘫客观评估方法,其特征在于,训练SVM分类器时,使用交叉验证方法确定所述SVM分类器使用的最优的RBF核函数尺度参数和SVM的惩罚参数。
6.如权利要求5所述的基于H-B分级评分监督下的面瘫客观评估方法,其特征在于,确定最优的RBF核函数尺度参数和SVM的惩罚参数的步骤包括:
S231、根据经验设定RBF核函数尺度参数和SVM的惩罚参数在一定范围内取值;
S232、在限定范围内选取一组RBF核函数尺度参数和SVM的惩罚参数建立SVM分类器,并通过交叉验证方法得到该组参数所对应的分类准确率;
S233、对限定范围内的所有RBF核函数尺度参数和SVM的惩罚参数进行组合,重复步骤S232,获取所有组合所对应的分类准确率;
S234、选择最高分类准确率所对应的那组RBF核函数尺度参数和SVM的惩罚参数作为最优的RBF核函数尺度参数和SVM的惩罚参数。
7.如权利要求6所述的基于H-B分级评分监督下的面瘫客观评估方法,其特征在于,步骤S234中,若存在多个最高分类准确率,则选择SVM的惩罚参数最小所对应的那组RBF核函数尺度参数和SVM的惩罚参数作为最优的RBF核函数尺度参数和SVM的惩罚参数。
8.如权利要求7所述的基于H-B分级评分监督下的面瘫客观评估方法,其特征在于,若存在多个最小的SVM的惩罚参数,则选择组合中第一组RBF核函数尺度参数和SVM的惩罚参数中作为最优的RBF核函数尺度参数和SVM的惩罚参数。
9.如权利要求2所述的基于H-B分级评分监督下的面瘫客观评估方法,其特征在于,步骤S21中,当获取的面瘫患者的面部图像训练样本集不够丰富时,使用数据扩展的方法对训练样本集进行扩展。
10.如权利要求9所述的基于H-B分级评分监督下的面瘫客观评估方法,其特征在于,所述数据扩展方法为仿射变换法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710067431.3A CN106980815A (zh) | 2017-02-07 | 2017-02-07 | 基于h‑b分级评分监督下的面瘫客观评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710067431.3A CN106980815A (zh) | 2017-02-07 | 2017-02-07 | 基于h‑b分级评分监督下的面瘫客观评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106980815A true CN106980815A (zh) | 2017-07-25 |
Family
ID=59337974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710067431.3A Pending CN106980815A (zh) | 2017-02-07 | 2017-02-07 | 基于h‑b分级评分监督下的面瘫客观评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106980815A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543526A (zh) * | 2018-10-19 | 2019-03-29 | 谢飞 | 基于深度差异性特征的真假面瘫识别系统 |
CN110084259A (zh) * | 2019-01-10 | 2019-08-02 | 谢飞 | 一种结合面部纹理和光流特征的面瘫分级综合评估系统 |
CN110516626A (zh) * | 2019-08-29 | 2019-11-29 | 上海交通大学 | 一种基于人脸识别技术的面部对称性评估方法 |
CN111126180A (zh) * | 2019-12-06 | 2020-05-08 | 四川大学 | 一种基于计算机视觉的面瘫严重程度自动检测系统 |
WO2020119584A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 面瘫程度评价方法、装置、电子设备及存储介质 |
WO2020119665A1 (zh) * | 2018-12-10 | 2020-06-18 | 深圳先进技术研究院 | 面肌训练方法、装置及电子设备 |
CN111553250A (zh) * | 2020-04-25 | 2020-08-18 | 深圳德技创新实业有限公司 | 一种基于人脸特征点的精准面瘫程度评测方法及装置 |
CN111553249A (zh) * | 2020-04-25 | 2020-08-18 | 深圳德技创新实业有限公司 | 一种cv下基于h-b分级的精准面瘫程度评测方法及装置 |
CN112768065A (zh) * | 2021-01-29 | 2021-05-07 | 北京大学口腔医学院 | 一种基于人工智能的面瘫分级诊断方法、装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1367454A (zh) * | 2002-03-25 | 2002-09-04 | 北京工业大学 | 基于多类支持向量机的中医舌色、苔色、舌苔厚度分析方法 |
CN101075228A (zh) * | 2006-05-15 | 2007-11-21 | 松下电器产业株式会社 | 识别自然语言中的命名实体的方法和装置 |
CN101886984A (zh) * | 2009-05-13 | 2010-11-17 | 江南大学 | 一种铁路钢轨应力实时检测分类方法 |
CN102682302A (zh) * | 2012-03-12 | 2012-09-19 | 浙江工业大学 | 一种基于关键帧的多特征融合的人体姿态识别方法 |
KR20160053749A (ko) * | 2014-11-05 | 2016-05-13 | 한국과학기술원 | 얼굴 영상의 다양성에 강인한 얼굴 표정 특징 분류 방법 및 시스템 |
-
2017
- 2017-02-07 CN CN201710067431.3A patent/CN106980815A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1367454A (zh) * | 2002-03-25 | 2002-09-04 | 北京工业大学 | 基于多类支持向量机的中医舌色、苔色、舌苔厚度分析方法 |
CN101075228A (zh) * | 2006-05-15 | 2007-11-21 | 松下电器产业株式会社 | 识别自然语言中的命名实体的方法和装置 |
CN101886984A (zh) * | 2009-05-13 | 2010-11-17 | 江南大学 | 一种铁路钢轨应力实时检测分类方法 |
CN102682302A (zh) * | 2012-03-12 | 2012-09-19 | 浙江工业大学 | 一种基于关键帧的多特征融合的人体姿态识别方法 |
KR20160053749A (ko) * | 2014-11-05 | 2016-05-13 | 한국과학기술원 | 얼굴 영상의 다양성에 강인한 얼굴 표정 특징 분류 방법 및 시스템 |
Non-Patent Citations (2)
Title |
---|
MATLAB中文论坛: "《MATLAB神经网络30个案例分析》", 30 April 2014 * |
刘旭龙 等: "红外热成像辅助面神经功能自动评估方法研究", 《光谱学与光谱分析》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543526A (zh) * | 2018-10-19 | 2019-03-29 | 谢飞 | 基于深度差异性特征的真假面瘫识别系统 |
WO2020119665A1 (zh) * | 2018-12-10 | 2020-06-18 | 深圳先进技术研究院 | 面肌训练方法、装置及电子设备 |
WO2020119584A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 面瘫程度评价方法、装置、电子设备及存储介质 |
CN110084259A (zh) * | 2019-01-10 | 2019-08-02 | 谢飞 | 一种结合面部纹理和光流特征的面瘫分级综合评估系统 |
CN110084259B (zh) * | 2019-01-10 | 2022-09-20 | 谢飞 | 一种结合面部纹理和光流特征的面瘫分级综合评估系统 |
CN110516626A (zh) * | 2019-08-29 | 2019-11-29 | 上海交通大学 | 一种基于人脸识别技术的面部对称性评估方法 |
CN111126180A (zh) * | 2019-12-06 | 2020-05-08 | 四川大学 | 一种基于计算机视觉的面瘫严重程度自动检测系统 |
CN111126180B (zh) * | 2019-12-06 | 2022-08-05 | 四川大学 | 一种基于计算机视觉的面瘫严重程度自动检测系统 |
CN111553250A (zh) * | 2020-04-25 | 2020-08-18 | 深圳德技创新实业有限公司 | 一种基于人脸特征点的精准面瘫程度评测方法及装置 |
CN111553249A (zh) * | 2020-04-25 | 2020-08-18 | 深圳德技创新实业有限公司 | 一种cv下基于h-b分级的精准面瘫程度评测方法及装置 |
CN111553249B (zh) * | 2020-04-25 | 2021-04-30 | 深圳德技创新实业有限公司 | 一种cv下基于h-b分级的精准面瘫程度评测方法及装置 |
CN112768065A (zh) * | 2021-01-29 | 2021-05-07 | 北京大学口腔医学院 | 一种基于人工智能的面瘫分级诊断方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106980815A (zh) | 基于h‑b分级评分监督下的面瘫客观评估方法 | |
Vijayakumar | Classification of brain cancer type using machine learning | |
CN109543526B (zh) | 基于深度差异性特征的真假面瘫识别系统 | |
CN109919928A (zh) | 医学影像的检测方法、装置和存储介质 | |
CN105069304A (zh) | 一种基于机器学习的评估预测asd的方法 | |
CN107713984A (zh) | 面瘫客观评估方法及其系统 | |
Mielens et al. | Application of classification models to pharyngeal high-resolution manometry | |
CN109273093A (zh) | 一种川崎病风险评估模型的构建方法及构建系统 | |
CN108511055A (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN109858540A (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
CN110097975A (zh) | 一种基于多模型融合的医院感染智能诊断方法及系统 | |
CN106650768A (zh) | 基于高斯图模型的脑网络建模与模式分类方法 | |
CN109431523A (zh) | 基于非社会性声音刺激行为范式的孤独症初级筛查装置 | |
CN107180283A (zh) | 一种基于最优特征组合的再住院行为预测系统及方法 | |
CN108717868A (zh) | 基于深度学习的青光眼眼底图像筛查方法及系统 | |
CN109509552A (zh) | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 | |
Tu et al. | SUNet: A lesion regularized model for simultaneous diabetic retinopathy and diabetic macular edema grading | |
CN109243604A (zh) | 一种基于神经网络算法的川崎病风险评估模型的构建方法及构建系统 | |
CN109273094A (zh) | 一种基于Boosting算法的川崎病风险评估模型的构建方法及构建系统 | |
CN106295229A (zh) | 一种基于医疗数据建模的川崎病分级预测方法 | |
CN109381200B (zh) | 基于分离重聚范式和计算机视觉的孤独症初级筛查装置 | |
Pavate et al. | Risk prediction of disease complications in type 2 diabetes patients using soft computing techniques | |
CN111403026A (zh) | 一种面瘫等级评估方法 | |
Asare et al. | Detection of anaemia using medical images: A comparative study of machine learning algorithms–A systematic literature review | |
CN109215781A (zh) | 一种基于logistic算法的川崎病风险评估模型的构建方法及构建系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170725 |