CN109545299A - 基于人工智能的脑血管疾病风险快速识别辅助提示系统及方法 - Google Patents
基于人工智能的脑血管疾病风险快速识别辅助提示系统及方法 Download PDFInfo
- Publication number
- CN109545299A CN109545299A CN201811356462.1A CN201811356462A CN109545299A CN 109545299 A CN109545299 A CN 109545299A CN 201811356462 A CN201811356462 A CN 201811356462A CN 109545299 A CN109545299 A CN 109545299A
- Authority
- CN
- China
- Prior art keywords
- voice
- patient
- arm
- module
- client
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 208000019553 vascular disease Diseases 0.000 title abstract 3
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 31
- 208000026106 cerebrovascular disease Diseases 0.000 claims description 27
- 239000010410 layer Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 6
- 210000003205 muscle Anatomy 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008921 facial expression Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 239000011229 interlayer Substances 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 2
- 230000018109 developmental process Effects 0.000 claims description 2
- 230000001225 therapeutic effect Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 9
- 230000001154 acute effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 208000011977 language disease Diseases 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 208000035850 clinical syndrome Diseases 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 208000031169 hemorrhagic disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 208000023589 ischemic disease Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003836 peripheral circulation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06V40/107—Static hand or arm
-
- 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
-
- 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
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于人工智能的脑血管疾病风险快速识别辅助提示系统及方法，包括医生客户端、病人家属客户端、数据处理模块、4G无线网络、数据库、语音发送模块、语音接收模块、多角度转动拍摄相机、供电模块和控制模块，所述医生客户端和病人家属客户端的输入端与数据处理模块的输出端相连，用于对数据处理模块处理的数据信息进行显示。本发明通过对声音，人脸和手臂的识别，共同对脑血管疾病的潜在风险快速进行辅助判断，使医生能够快速对病情进行早期发现，减少患者在医院救治时间延迟，同时也可以将各项检测数据储存到数据库中，使其能够进行快速对比，从而有效的提升辅助判断的准确性。
Description
技术领域
本发明属于互联网、人工智能在医疗检测模式识别技术中的应用，具体为基于人工智能的脑血管疾病风险快速识别辅助提示系统及方法。
背景技术
急性脑血管病是一组累及大脑及周围循环系统的急性临床综合征。系由于高脂血症、动脉粥样硬化、高血压等导致的大脑及全身组织发生的缺血性或出血性疾病。该病症具有高患病率、高致残率、高死亡率及高复发率的特点，每年数百万万人死于急性脑血管病。国内因脑血管疾病诊疗而支出的费用高达2千亿元人民币，远超欧美西方国家，到2030年死于心脑血管疾病的人数将增加至2000万人，因此针对该病症的紧急治疗与预警变得十分迫切和必要。
目前，新一代信息技术领域中，计算机、大数据、互联网以及人工智能正在各种医疗数据中辅助应用，这使得人们能够对之前生活中不可见的、似乎无法测量的潜在病症方面进行评估。为了帮助医生和病人对急性脑血管病的风险进行早期判断，减少患者在医疗救治时间上延迟；急需要一种能够早期发现急性脑血管疾病的潜在症状、以便于大大节约了患者救治时间和医疗专家的诊断时间的急性脑血管病风险辅助识别系统和方法。如何设计上述基于人工智能的辅助提示系统及方法，成为当前脑血管疾病医疗领域亟需要解决的问题。
发明内容
本发明的目的在于提供了一种基于物联网的、人工智能的脑血管疾病风险快速识别辅助提示系统及方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明系统提供如下技术方案：基于人工智能的脑血管疾病风险快速识别辅助提示系统，包括医生客户端、病人家属客户端、数据处理模块、4G无线网络、数据库、语音发送模块、语音接收模块、多角度转动拍摄相机、供电模块和控制模块；
数据处理模块通过4G无线网络与数据库进行信息相连，用于对疑似病人语音、图像数据信息采集，发送到数据库中进行双臂形态识别、语音识别、左右人脸差异性识别，以及对数据处理模块处理的数据进行存储；
语音发送模块，其信号输入端与控制模块的信号输出端相连，用于向疑似病人发出启动语音提示指令进行语音播；
语音接收模块，其信号输出端与数据处理模块的信号输入端相连，用于采集疑似病人的声音信息，并传输到数据处理模块进行数据处理；
多角度转动拍摄相机，其信号输出端与数据处理模块的信号输入端相连，用于采集疑似病人人脸数据和手臂数据，并传输到数据处理模块进行数据处理；
医生客户端、病人家属客户端通过控制模块远程不定时启动观察并提示疑似病人进行音频和面部表情改变提示，以及当采集疑似病人人脸数据和手臂数据超出阈值范围时向医生客户端、病人家属客户端发出辅助预警提示；
供电模块，其输出端与医生客户端、病人家属客户端、数据处理模块、4G无线网络、数据库、语音发送模块、语音接收模块、多角度转动拍摄相机和供电模块，用于供电。
进一步，所述数据库运行于win7环境，采用Microsoft公司的SQL Server 2000数据库管理系统作为开发工具，Microsoft的VC+6.0作为数据库前端，CPU：AMD XP1800+，内存kingston 3G DDR，硬盘戴尔600G。
进一步，拍摄相机采集图像时拍摄角度需要与人体双肩持平。
进一步，所述数据处理模块采用数字信号处理器DSP；所述语音发送模块和语音接收模块采用JQ8900-16P语音模块；所述控制模块采用微处理器CPU。
本发明的方法的技术方案为：基于人工智能的脑血管疾病风险快速识别辅助提示系统的方法，包括如下步骤：
S1：医生客户端或者病人家属客户端通过控制模块远程不定时启动系统电源开启；
S2：控制模块向语音发送模块发出启动语音提示指令，语音发送模块自动播报语音信息，要求患者重复该语音提示语句；
S3：语音接收模块接收语音信息后传输到数据处理模块中，采用声音识别算法对声音进行识别，并判断声音重复语句是否正确，如果重复语句正确，进入步骤S4，如果重复语句不正确，返回步骤S2要求患者重新重复该语音提示语句，并由语音接收模块重新判断声音重复语句是否正确，若仍不正确则通过4G无线网络传输给医生客户端或者病人家属客户端并向医生或者病人家属发出可能患病的风险预警提示；
S4：控制模块向语音发送模块提示患者平行抬起双臂，多角度转动相机对手臂运动进行拍摄，并将拍摄的信息传输到数据处理模块，采用双臂形态识别算法进行手臂识别，分别获取双臂骨架与患者躯干的夹角，并显示给医生客户端和病人家属客户端，如果获取双臂骨架与患者躯干的夹角偏差在一定阈值范围内则进入步骤S5，如果超出该阈值，则提示患者重复上述动作，仍然超出该阈值则通过4G无线网络传输给医生客户端或者病人家属客户端并向医生或者病人家属发出可能患病的风险预警提示；
S5：控制模块向语音发送模块提示患者微笑，多角度转动拍摄相机对人脸进行拍摄，并将拍摄的信息传输到数据处理模块，通过微笑提示对人脸局部特征的左右半脸差异进行识别，并显示在医生客户端和病人家属客户端。
进一步，所述步骤4中双臂形态识别算法为：首先对人体躯干、双臂与背景进行分割，然后进行骨架特征提取；然后根据人体骨架线，确定骨架线顶点为人体头部节点、两肩部连线与头部连线交叉点为颈部节点；接着根据肩部节点以颈部节点为中点，肩部的长度为颈部长度的3/2，确定双肩节点；当相机与双肩高度持平时，左臂抬起与躯干的夹角为θ1，右臂抬起与躯干的夹角为θ2，小臂长度I1和大臂长度I2分别表示为：
式中，(xa，ya，za)为手部节点坐标，(xb，yb，zb)为肘部节点坐标，(xc，yc，zc)为肩部节点坐标；最后通过躯干模板得到肩部坐标，经过曲线拟合找出手臂的骨架线段，得到手臂肘部的像素坐标，通过坐标矩阵转换，得到空间手臂的节点坐标，实现对手臂运动位置的识别。
进一步，所述步骤3中，对疑似病人进行声音识别的算法中，对疑似病人采集的音频进行采样，采集音频信息分为30S的音频训练数据和60S的测试数据；对采样后的音频进行窗长为128，帧叠为64进行分割，并通过快速傅里叶变换得到音频语谱图，对于分割的音频段，将相邻十段音频进行拼接，相邻的十段音频之间并没有交叉，将每十个音频段的拼接作为一个音频样本。
进一步，在声音识别算法中，根据音频样本进行特征提取和融合，得到最终特征，在预训练过程中，对所有组成深度置信网络的受限玻尔兹曼机网络进行无监督训练，首先对音频训练数据进行特征提取，获得网络输入层V0，并根据输入层特征向量计算受限玻尔兹曼机网络的输出层H0，将音频匹配结果作为输出层H0，在训练完初始受限玻尔兹曼机网络后，将H0作为受限玻尔兹曼机网络的输入层，即令V1＝H0，并按照训练初次受限玻尔兹曼机网络的方法对下一步的受限玻尔兹曼机网络进行训练，以此类推进行全部的受限玻尔兹曼机网络训练，V代表可见层，H代表隐藏层，W代表层间权重，在此假设所有的可见单元与隐藏单元均为二值变量，即对于任意的i，j，均有vi∈{0，1}，hj∈{0，1}，其中vi代表第i个可见单元的状态，hj代表第j个隐藏单元的状态，定义受限玻尔兹曼机网络有n个可见单元，m个隐藏单元，那么对于任意一个给定的状态(v，h)，受限玻尔兹曼机网络系统的能量定义为：
式中θ＝{Wij，ai，bj}--受限玻尔兹曼机网络的参数集合；
其中Wij是第i个可见单元与第j个隐藏单元之间的链接权重，ai是第i个可见单元的偏置，bj是第j个隐藏单元的偏置，基于式(1)，可以得到(v，h)的联合概率分布：
式中Z(θ)——配分函数；对于实际模式识别问题，可以转化为对于观测数据v的似然函数的研究，观测数据v的似然函数用如下形式表示：
当确定可见单元状态时，各隐藏单元之间条件独立，此时第j个隐藏单元的激活概率为：
确定隐藏单元时，第i个可见单元的激活概率为：
为了使得似然函数取得最大值，需要确定受限玻尔兹曼机网络的参数集合θ＝{Wij，ai，bj}，以此实现对受限玻尔兹曼机网络进行训练。
进一步，所述步骤5中，通过微笑提示对人脸局部特征的左右半脸差异进行识别，采用改进稀疏字典判别理论的算法进行识别，具体过程为：
在获取整体脸部图像的同时，还需要对左右嘴角、左右眼睛、左右眼角、鼻两侧的肌肉获取其肌肉纹理图像进行灰度化，提取人脸局部特征，对提取到的特征通过K-means进行聚类、降维到1*n维的特征信息，加入调整参数ζ，使人脸区域的微笑特征表情φ用标签t来标识，微笑特征表情表示为φ＝ζ·t；
假设需要训练的人脸图像包括K类目标，每类有nk幅，且为w×h大小的图像，将nk幅训练样本排列成矩阵：
其中，表示第k类图像中第nk幅训练图像表示成列向量的形式，图像堆叠成向量之后的维数为m＝w×h，为样本源；
相同类中的测试样本x∈Rm能够写成第k个目标类中训练样本的线性组合，该线性组合表示为：
其中系数αk，j∈R，j＝1，…，nk；所有k个目标类中训练样本的矩阵为：
则测试样本x∈Rm可以写成D中原子的线性组合：x＝Dα，其中α中除了与第k类对应的元素不为零，其余元素都设置为0的系数向量；
在对人脸识别过程中，x＝Dα一般为欠定问题，其解是不唯一的，最优解通过转化为对l0范数优化问题的求解：
其中||α||0表示向量α的l0范数，即向量α中非零元素的数目；进一步对l0范数优化问题的求解将转化为凸优化问题的求解：
通过求解上述凸优化问题得到每个测试样本x的稀疏表示系数，得到的结果是一个系数向量；
进一步对稀疏系数向量进行识别：对每类k，定义向量函数δk(α)来选择α中只有与k类对应的元素不为零，其余都为零的一个向量，测试样本xι需要通过向量函数δk(αι)表示为：
进一步求解得到xι和之间的残差：
γk(xι)＝||xι-Dδk(αι)||2 (11)
最后测试样本根据最小残差的和sumγk(xι)来确定最终的目标类，最终实现对微笑特征的人脸检测分割模型的识别。
与现有技术相比，本发明的有益效果是：本发明通过对声音，人脸和手臂的识别，共同对脑血管疾病的潜在风险快速进行辅助判断，使医生能够快速对病情进行早期发现，减少患者在医院救治时间延迟，同时也可以将各项检测数据储存到数据库中，使其能够进行快速对比，从而有效的提升辅助判断的准确性。
本发明所采用的双臂形态识别算法能够快速准确判断手臂平行抬起后的左右手臂的形态差异；通过对疑似病人的重复声音进行识别，采用受限玻尔兹曼机网络进行无监督训练，使得声音的辨识度非常高，有利于早期快速判断疑似病人的发出语言障碍的可能性；进一步的通过微笑提示对人脸局部特征的左右脸差异进行识别，加入调整参数ζ和稀疏字典判别理论进行左右半脸的差异性识别，即使当人脸图像处在房屋内的灯光光照或者遮挡阴暗处，本发明的方法仍具有很高的人脸局部特征的左右脸差异进行识别能力，进一步提高人脸识别的鲁棒性。
附图说明
图1是本发明的基于人工智能的脑血管疾病快速识别辅助提示系统整体流程图；
图2是本发明的数据处理模块组成结构方框图；
图3是本发明的人脸识别算法结构方框图；
图4是本发明的声音识别算法结构方框图；
图5为医生客户端风险提示界面。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-2所示，基于人工智能的脑血管疾病风险快速识别辅助提示系统，包括医生客户端、病人家属客户端、数据处理模块、4G无线网络、数据库、语音发送模块、语音接收模块、多角度转动拍摄相机、供电模块和控制模块；其中控制模块分别和医生客户端、病人家属客户端、数据处理模块、4G无线网络、数据库、语音发送模块、语音接收模块、多角度转动拍摄相机、供电模块相连；数据处理模块通过4G无线网络与数据库进行信息相连，用于对疑似病人语音、图像数据信息采集，发送到数据库中进行双臂形态识别、语音识别、左右人脸差异性识别，或者对数据处理模块处理的数据进行存储；
语音发送模块，其信号输入端与控制模块的信号输出端相连，用于向疑似病人发出启动语音提示指令进行语音播；
语音接收模块，其信号输出端与数据处理模块的信号输入端相连，用于采集疑似病人的声音信息，并传输到数据处理模块进行数据处理；
多角度转动拍摄相机，其信号输出端与数据处理模块的信号输入端相连，用于采集疑似病人人脸数据和手臂数据，并传输到数据处理模块进行数据处理；为了方便应用，该相机可以为手机相机(借助于手机拍杆)，或者将相机设置于带有高度调节功能的家庭护理机器人移动终端上拍摄。
医生客户端、病人家属客户端通过控制模块远程不定时启动观察并提示疑似病人进行音频和面部表情变动提示，以及当采集疑似病人人脸数据和手臂数据超出阈值范围向医生客户端、病人家属客户端发出辅助预警提示；
供电模块，其输出端与医生客户端、病人家属客户端、数据处理模块、4G无线网络、数据库、语音发送模块、语音接收模块、多角度转动拍摄相机和供电模块，用于供电。
医生客户端、病人家属客户端分别由医生、病人家属客户端软件管理构成，上述预警信息由数据处理模块智能化生成，并显示在图5所示的医生客户端应用界面，当打开查看急救信息后(如图5所示)，急救信息包括患者详细的病况以及诊治信息，尤其需要指出的是，图5中还给出了急救信息中的预警一栏，当患者的信息被采集处理之后为医生的判断提供预警，当患者为疑似中风，病情状况较为紧急的情况下，急救信息中所给出示例的预警。
该医生客户端为智能终端上可运行远程急救与健康管理的客户端软件，包括急救管理系统和健康管理系统。急救管理系统包括急救电子病历、抢救记录、实时监测等，完整记录患者的整个抢救过程。健康管理系统可将个人生理指标自动、实时记录保存下来，便于观察和随访。对系统的操作可在导管室内、救护车上借助平板电脑、智能手机等进入系统的设备上进行操作，简单便捷。本系统总能，数据处理模块采用数字信号处理器DSP；所述语音发送模块和语音接收模块采用JQ8900-16P语音模块；所述控制模块采用微处理器CPU。
本系统采用SQL Server2000数据库，SQL Server 2000数据库是微软公司推出的一个数据库管理系统，它使用方便，具有良好的可伸缩性和集成度高的特点，可充分利用Windows NT的优势，它支持存储过程、ODBC、ADO技术，并具有自主的SQL语言，为开发者提供了一个良好的数据管理平台。访问数据库采用ADO技术。ADO是Microsoft为最新和最强大的数据访问范例OLE DB而设计的，是一个便于使用的应用程序层接口。ADO技术为应用程序访问数据库提供了一个简单、轻便和高性能的接口，在前端和数据源之间使用最少的层数，它易于使用、速度快、内存支出少。如果将数据库服务器与网络服务器相连，患者首次就医时，数据库服务器将其基本情况传输至医院管理信息系统；若患者非首次就医，医生客户端可登陆医院管理信息系统查询患者的相关资料，使得救护人员可以更快地了解患者的基本情况及过往病史。
本系统涉及的数据信息包括以下六类：患者个人信息、医生基本信息、医疗监控数据、警告参数设置、诊断记录和GPS定位。
(1)患者个人信息包括患者的急救ID、姓名、性别、年龄等。
(2)医生基本信息包括医生编号、姓名、科室。
(3)诊断记录包括患者ID、医生ID、诊断时间、诊断结果。
(4)GPS定位包括经度、纬度。
根据上述技术方案，数据处理模块包括手臂识别模块、声音识别算法和人脸识别算法(图3)。
基于人工智能的脑血管疾病风险快速识别辅助提示系统的方法，包括如下步骤：
S1：医生客户端或者病人家属客户端通过控制模块远程不定时启动系统电源开启；
S2：控制模块向语音发送模块发出启动语音提示指令，语音发送模块自动播报语音信息，要求患者重复该语音提示语句；
S3：语音接收模块接收语音信息后传输到数据处理模块中，采用声音识别算法对声音进行识别，并判断声音重复语句是否正确，如果重复语句正确，进入步骤S4，如果重复语句不正确，返回步骤S2要求患者重新重复该语音提示语句，并由语音接收模块重新判断声音重复语句是否正确，若不正确则通过4G无线网络传输给医生客户端或者病人家属客户端并向医生或者病人家属发出可能患病的风险预警提示；
S4：控制模块向语音发送模块提示患者平行抬起双臂，多角度转动相机对手臂运动进行拍摄(拍摄过程可以用相机对一侧手臂先拍摄，然后再转动身体用相机对另一侧手臂进行拍摄)，并将拍摄的信息传输到数据处理模块，采用手臂识别算法进行手臂识别，分别获取双臂骨架与患者躯干的夹角，并显示给医生客户端和病人家属客户端，如果获取双臂骨架与患者躯干的夹角偏差在一定阈值内则进入步骤S5，如果超出该阈值，则提示患者重复上述动作，仍然超出该阈值则通过4G无线网络传输给医生客户端或者病人家属客户端并向医生或者病人家属发出可能患病的风险预警提示；
S5：控制模块向语音发送模块提示患者微笑，多角度转动拍摄相机对人脸进行拍摄，并将拍摄的信息传输到数据处理模块，通过微笑提示对人脸局部特征的左右半脸差异进行识别，并显示在医生客户端和病人家属客户端。
根据上述技术方案，步骤4中手臂识别模块的识别方法为：
首先对人体躯干、双臂与背景进行分割，然后进行骨架特征提取，头部节点确定：根据人体骨架线，确定骨架线顶点为人体头部节点、两肩部连线与头部连线交叉点为颈部节点；肩部节点确定：根据肩部节点以颈部节点为中点，肩部的长度为颈部长度的3/2，确定双肩节点；当相机与双肩高度持平时，左臂抬起与躯干的夹角为θ1，右臂抬起与躯干的夹角为θ2，小臂长度I1和大臂长度I2分别表示为：
式中，(xa，ya，za)为手部节点坐标，(xb，yb，zb)为肘部节点坐标，(xc，yc，zc)为肩部节点坐标；接着通过躯干模板得到肩部坐标，经过曲线拟合找出手臂的骨架线段，得到手臂肘部的像素坐标，通过坐标矩阵转换，得到空间手臂的节点坐标，实现对手臂运动位置的识别。
值得一提的是，当多角度转动拍摄相机采集图像时拍摄角度需要与人体双肩持平，以便于相机与双肩高度持平时，采集的左臂抬起与躯干的夹角为以及右臂抬起与躯干的夹角不会出现较大的误差；同时获取双臂骨架与患者躯干的夹角偏差的阈值范围|θ1-θ2|为5度。
作为本发明的优选实施例，为了提高分辨精度也可以采用双门限算法对手臂的轮廓线进行直线线段检测，根据检测到的线段进行曲臂、直臂的判决所述双门限算法采用短时过门限率和短时能量为阈值；对信号进行分帧处理，对于每一帧分别计算它的过门限率与能量，所述连续多帧均超过两个阈值，将其判定为有效的动作信号，否则则丢弃，短时过门限率为：
短时能量为：
其中，x(i)为采样值，i为每一帧的序号，T为门限值；并分别设定T＝0.15，短时过门限阈值TZ＝10，短时能量阈值TE＝10。
根据上述技术方案，如图3所示，通过微笑提示对人脸局部特征的左右半脸差异进行识别，采用改进稀疏字典判别理论的算法进行识别，具体过程为：
在获取整体脸部图像的同时，需要对左右嘴角、左右眼睛、左右眼角、鼻两侧的肌肉获取其肌肉纹理图像进行灰度化，提取人脸局部特征，对提取到的特征通过K-means进行聚类、降维到1*n维的特征信息，加入调整参数ζ，使人脸区域的微笑特征表情φ用标签t来标识，微笑特征表情表示为φ＝ζ·t；
假设需要训练的人脸图像包括K类目标，每类有nk幅，且为w×h大小的图像，将nk幅训练样本排列成矩阵：
其中，表示第k类图像中第nk幅训练图像表示成列向量的形式，图像堆叠成向量之后的维数为m＝w×h，为样本源；
相同类中的测试样本x∈Rm能够写成第k个目标类中训练样本的线性组合，该线性组合表示为：
其中系数αk，j∈R，j＝1，…，nk；所有k个目标类中训练样本的矩阵为：
则测试样本x∈Rm可以写成D中原子的线性组合：x＝Dα，其中α中除了与第k类对应的元素不为零，其余元素都设置为0的系数向量；
在对人脸识别过程中，x＝Dα一般为欠定问题，其解是不唯一的，最优解通过转化为对l0范数优化问题的求解：
其中||α||0表示向量α的l0范数，即向量α中非零元素的数目；进一步对l0范数优化问题的求解将转化为凸优化问题的求解：
通过求解上述凸优化问题得到每个测试样本x的稀疏表示系数，得到的结果是一个系数向量；解决凸优化问题有很多算法可以进行求解，例如迭代阈值算法、梯度投影稀疏重构算法等等，本发明在此不予赘述。
进一步对稀疏系数向量进行识别：对每类k，定义向量函数δk(α)来选择α中只有与k类对应的元素不为零，其余都为零的一个向量，测试样本xι需要通过向量函数δk(αι)表示为：
进一步求解得到xι和之间的残差：
γk(xι)＝||xι-Dδk(dι)||2
最后测试样本根据最小残差的和sumγk(xι)来确定最终的目标类，最终实现对微笑特征的人脸检测分割模型的识别。
根据上述技术方案，如图4所示，所述步骤3中在声音识别算法中，对患者采集的音频进行采样，采集音频信息分为30S的音频训练数据和60S的测试数据；对采样后的音频进行窗长为128，帧叠为64的分割，并通过快速傅里叶变换得到音频语谱图。对于分割的音频段，我们将相邻十段音频进行拼接，需要注意的是相邻的十段音频之间并没有交叉，进而将每十个音频段的拼接作为一个音频样本。根据音频样本进行特征提取和融合，得到最终特征，步骤3中声音识别算法主要分为两步，在预训练过程中，对所有组成深度置信网络的受限玻尔兹曼机网络进行无监督训练，即首先对音频训练数据进行特征提取，获得网络的输入层V0，并根据输入层特征向量计算受限玻尔兹曼机网络的输出层H0(将音频匹配结果作为输出层H0)，在训练完受限玻尔兹曼机网络后，将H0作为受限玻尔兹曼机网络的的输入层，即令V1＝H0，并按照训练初始受限玻尔兹曼机网络的的方法对下一步的受限玻尔兹曼机网络进行训练，以此类推进行全部的下一步的受限玻尔兹曼机网络训练，V代表可见层，H代表隐藏层，W代表层间权重，在此假设所有的可见单元与隐藏单元均为二值变量，即对于任意的i，j，均有vi∈{0，1}，hj∈{0，1}，其中vi代表第i个可见单元的状态，hj代表第j个隐藏单元的状态，并进一步定义RBM有n个可见单元，m个隐藏单元，那么对于任意一个给定的状态(v，h)，受限玻尔兹曼机网络系统的能量定义为：
式中θ＝{Wij，ai，bj}--受限玻尔兹曼机网络网络的参数集合；
其中Wij是第i个可见单元与第j个隐藏单元之间的链接权重，ai是第i个可见单元的偏置，bj是第j个隐藏单元的偏置，基于式1，可以得到(v，h)的联合概率分布：
式中Z(θ)——配分函数；
对于实际模式识别问题，似然函数更加值得研究，对于观测数据v的似然函数可以用如下形式表示：
由于受限玻尔兹曼机网络的特殊结构，当确定可见单元状态时，各隐藏单元之间条件独立，此时第j个隐藏单元的激活概率为：
类似地，确定隐藏单元时，第i个可见单元的激活概率为：
为了使得似然函数取得最大值，参数θ＝{Wij，ai，bj}需要被确定，实现对受限玻尔兹曼机网络网络进行训练的目的。
基于上述，本发明的优点在于，本发明通过对声音，人脸和手臂的识别，共同对脑血管疾病的潜在风险快速进行辅助判断，使医生能够快速对病情进行早期发现，减少患者在医院救治时间延迟，同时也可以将各项检测数据储存到数据库中，使其能够进行快速对比，从而有效的提升辅助判断的准确性。本发明所采用的双臂形态识别算法能够快速准确判断手臂平行抬起后的左右手臂的形态差异；通过对疑似病人的重复声音进行识别，采用受限玻尔兹曼机网络进行无监督训练，使得声音的辨识度非常高，有利于早期快速判断疑似病人的发出语言障碍的可能性；进一步的通过微笑提示对人脸局部特征的左右脸差异进行识别，加入调整参数ζ和稀疏字典判别理论进行左右半脸的差异性识别，即使当人脸图像处在房屋内的灯光光照或者遮挡阴暗处，本发明的方法仍具有很高的人脸局部特征的左右脸差异进行识别能力，进一步提高人脸识别的鲁棒性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.基于人工智能的脑血管疾病风险快速识别辅助提示系统，其特征在于：包括医生客户端、病人家属客户端、数据处理模块、4G无线网络、数据库、语音发送模块、语音接收模块、多角度转动拍摄相机、供电模块和控制模块；
数据处理模块通过4G无线网络与数据库进行信息相连，用于对疑似病人语音、图像数据信息采集，发送到数据库中进行双臂形态识别、语音识别、左右人脸差异性识别，以及对数据处理模块处理的数据进行存储；
语音发送模块，其信号输入端与控制模块的信号输出端相连，用于向疑似病人发出启动语音提示指令进行语音播；
语音接收模块，其信号输出端与数据处理模块的信号输入端相连，用于采集疑似病人的声音信息，并传输到数据处理模块进行数据处理；
多角度转动拍摄相机，其信号输出端与数据处理模块的信号输入端相连，用于采集疑似病人人脸数据和手臂数据，并传输到数据处理模块进行数据处理；
医生客户端、病人家属客户端通过控制模块远程不定时启动观察并提示疑似病人进行音频和面部表情改变提示，以及当采集疑似病人人脸数据和手臂数据超出阈值范围时向医生客户端、病人家属客户端发出辅助预警提示；
供电模块，其输出端与医生客户端、病人家属客户端、数据处理模块、4G无线网络、数据库、语音发送模块、语音接收模块、多角度转动拍摄相机和供电模块，用于供电。
2.根据权利要求1的基于人工智能的脑血管疾病风险快速识别辅助提示系统，其特征在于：所述数据库运行于win7环境，采用Microsoft公司的SQL Server 2000数据库管理系统作为开发工具，Microsoft的VC+6.0作为数据库前端，CPU：AMD XP1800+，内存kingston3G DDR，硬盘戴尔600G。
3.根据权利要求1的基于人工智能的脑血管疾病风险快速识别辅助提示系统，其特征在于：拍摄相机采集图像时拍摄角度需要与人体双肩持平。
4.根据权利要求1的基于人工智能的脑血管疾病风险快速识别辅助提示系统，其特征在于：所述数据处理模块采用数字信号处理器DSP；所述语音发送模块和语音接收模块采用JQ8900-16P语音模块；所述控制模块采用微处理器CPU。
5.基于人工智能的脑血管疾病风险快速识别辅助提示系统的方法，其特征在于：包括如下步骤：
S1：医生客户端或者病人家属客户端通过控制模块远程不定时启动系统电源开启；
S2：控制模块向语音发送模块发出启动语音提示指令，语音发送模块自动播报语音信息，要求患者重复该语音提示语句；
S3：语音接收模块接收语音信息后传输到数据处理模块中，采用声音识别算法对声音进行识别，并判断声音重复语句是否正确，如果重复语句正确，进入步骤S4，如果重复语句不正确，返回步骤S2要求患者重新重复该语音提示语句，并由语音接收模块重新判断声音重复语句是否正确，若仍不正确则通过4G无线网络传输给医生客户端或者病人家属客户端并向医生或者病人家属发出可能患病的风险预警提示；
S4：控制模块向语音发送模块提示患者平行抬起双臂，多角度转动相机对手臂运动进行拍摄，并将拍摄的信息传输到数据处理模块，采用双臂形态识别算法进行手臂识别，分别获取双臂骨架与患者躯干的夹角，并显示给医生客户端和病人家属客户端，如果获取双臂骨架与患者躯干的夹角偏差在一定阈值范围内则进入步骤S5，如果超出该阈值，则提示患者重复上述动作，仍然超出该阈值则通过4G无线网络传输给医生客户端或者病人家属客户端并向医生或者病人家属发出可能患病的风险预警提示；
S5：控制模块向语音发送模块提示患者微笑，多角度转动拍摄相机对人脸进行拍摄，并将拍摄的信息传输到数据处理模块，通过微笑提示对人脸局部特征的左右差异进行识别，并显示在医生客户端和病人家属客户端。
6.根据权利要求5的基于人工智能的脑血管疾病风险快速识别辅助提示系统的方法，其特征在于：所述步骤4中双臂形态识别算法为：首先对人体躯干、双臂与背景进行分割，然后进行骨架特征提取；然后根据人体骨架线，确定骨架线顶点为人体头部节点、两肩部连线与头部连线交叉点为颈部节点；接着根据肩部节点以颈部节点为中点，肩部的长度为颈部长度的3/2，确定双肩节点；当相机与双肩高度持平时，左臂抬起与躯干的夹角为θ1，右臂抬起与躯干的夹角为θ2，小臂长度I1和大臂长度I2分别表示为：
式中，(xa，ya，za)为手部节点坐标，(xb，yb，zb)为肘部节点坐标，(xc，yc，zc)为肩部节点坐标；最后通过躯干模板得到肩部坐标，经过曲线拟合找出手臂的骨架线段，得到手臂肘部的像素坐标，通过坐标矩阵转换，得到空间手臂的节点坐标，实现对手臂运动位置的识别。
7.根据权利要求5的基于人工智能的脑血管疾病风险快速识别辅助提示系统的方法，其特征在于：所述步骤3中，对疑似病人进行声音识别的算法中，对疑似病人采集的音频进行采样，采集音频信息分为30S的音频训练数据和60S的测试数据；对采样后的音频进行窗长为128，帧叠为64进行分割，并通过快速傅里叶变换得到音频语谱图，对于分割的音频段，将相邻十段音频进行拼接，相邻的十段音频之间并没有交叉，将每十个音频段的拼接作为一个音频样本。
8.根据权利要求5的基于人工智能的脑血管疾病风险快速识别辅助提示系统的方法，其特征在于：在声音识别算法中，根据音频样本进行特征提取和融合，得到最终特征，在预训练过程中，对所有组成深度置信网络的受限玻尔兹曼机网络进行无监督训练，首先对音频训练数据进行特征提取，获得网络输入层V0，并根据输入层特征向量计算受限玻尔兹曼机网络的输出层H0，将音频匹配结果作为输出层H0，在训练完初始受限玻尔兹曼机网络后，将H0作为受限玻尔兹曼机网络的输入层，即令V1＝H0，并按照训练初次受限玻尔兹曼机网络的方法对下一步的受限玻尔兹曼机网络进行训练，以此类推进行全部的受限玻尔兹曼机网络训练，V代表可见层，H代表隐藏层，W代表层间权重，在此假设所有的可见单元与隐藏单元均为二值变量，即对于任意的i，j，均有vi∈{0，1}，hj∈{0，1}，其中vi代表第i个可见单元的状态，hj代表第j个隐藏单元的状态，定义受限玻尔兹曼机网络有n个可见单元，m个隐藏单元，那么对于任意一个给定的状态(v，h)，受限玻尔兹曼机网络系统的能量定义为：
式中θ＝{Wij，ai，bj}--受限玻尔兹曼机网络的参数集合；
其中Wij是第i个可见单元与第j个隐藏单元之间的链接权重，ai是第i个可见单元的偏置，bj是第j个隐藏单元的偏置，基于式(1)，可以得到(v，h)的联合概率分布：
式中Z(θ)为配分函数；对于实际模式识别问题，可以转化为对于观测数据v的似然函数的研究，观测数据v的似然函数用如下形式表示：
当确定可见单元状态时，各隐藏单元之间条件独立，此时第j个隐藏单元的激活概率为：
确定隐藏单元时，第i个可见单元的激活概率为：
为了使得似然函数取得最大值，需要确定受限玻尔兹曼机网络的参数集合θ＝{Wij，ai，bj}，以此实现对受限玻尔兹曼机网络进行训练。
9.根据权利要求5的基于人工智能的脑血管疾病风险快速识别辅助提示系统的方法，其特征在于：所述步骤5中，通过微笑提示对人脸局部特征的左右半脸差异进行识别，采用改进稀疏字典判别理论的算法进行识别，具体过程为：
在获取整体脸部图像的同时，还需要对左右嘴角、左右眼睛、左右眼角、鼻两侧的肌肉获取其肌肉纹理图像进行灰度化，提取人脸局部特征，对提取到的特征通过K-means进行聚类、降维到1*n维的特征信息，加入调整参数ζ，使人脸区域的微笑特征表情φ用标签t来标识，微笑特征表情表示为φ＝ζ·t；
假设需要训练的人脸图像包括K类目标，每类有nk幅，且为w×h大小的图像，将nk幅训练样本排列成矩阵：
其中，表示第k类图像中第nk幅训练图像表示成列向量的形式，图像堆叠成向量之后的维数为m＝w×h，为样本源；
相同类中的测试样本x∈Rm能够写成第k个目标类中训练样本的线性组合，该线性组合表示为：
其中系数αk，j∈R，j＝1，…，nk；所有k个目标类中训练样本的矩阵为：
则相同类中的测试样本x∈Rm可以写成D中原子的线性组合：x＝Dα，其中α中除了与第k类对应的元素不为零，其余元素都设置为0的系数向量；
在对人脸识别过程中，x＝Dα一般为欠定问题，其解是不唯一的，最优解通过转化为对l0范数优化问题的求解：
其中||α||0表示向量α的l0范数，即向量α中非零元素的数目；进一步对l0范数优化问题的求解将转化为凸优化问题的求解：
通过求解上述凸优化问题得到每个测试样本x的稀疏表示系数，得到的结果是一个系数向量；
进一步对稀疏系数向量进行识别：对每类k，定义向量函数δk(α)来选择α中只有与k类对应的元素不为零，其余都为零的一个向量，测试样本xι需要通过向量函数δk(αι)表示为：
进一步求解得到xι和之间的残差：
γk(xι)＝||xι-Dδk(αι)||2 (11)
最后测试样本根据最小残差的和sumγk(xι)来确定最终的目标类，最终实现对微笑特征的人脸检测分割模型的识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811356462.1A CN109545299A (zh) | 2018-11-14 | 2018-11-14 | 基于人工智能的脑血管疾病风险快速识别辅助提示系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811356462.1A CN109545299A (zh) | 2018-11-14 | 2018-11-14 | 基于人工智能的脑血管疾病风险快速识别辅助提示系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109545299A true CN109545299A (zh) | 2019-03-29 |
Family
ID=65847390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811356462.1A Pending CN109545299A (zh) | 2018-11-14 | 2018-11-14 | 基于人工智能的脑血管疾病风险快速识别辅助提示系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109545299A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415824A (zh) * | 2019-07-30 | 2019-11-05 | 广东工业大学 | 脑卒中风的患病风险评估装置和设备 |
| CN110827986A (zh) * | 2019-11-11 | 2020-02-21 | 科大讯飞股份有限公司 | 一种发展性阅读障碍筛查方法、装置、设备及存储介质 |
| CN113450913A (zh) * | 2020-08-06 | 2021-09-28 | 心医国际数字医疗系统(大连)有限公司 | 一种数据处理装置、方法及电子设备 |
| CN113506628A (zh) * | 2021-03-25 | 2021-10-15 | 首都医科大学宣武医院 | 一种大血管闭塞风险的确定装置和确定方法 |
| CN113741206A (zh) * | 2021-09-08 | 2021-12-03 | 上海长征医院 | 一种智慧居家管理系统及其应用 |
| CN113876296A (zh) * | 2020-07-02 | 2022-01-04 | 中国医学科学院北京协和医院 | 一种中风快速自助检测系统 |
| CN116039583A (zh) * | 2022-09-08 | 2023-05-02 | 重庆长安汽车股份有限公司 | 车辆的制动方法、装置、车辆和存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104157290A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于深度学习的说话人识别方法 |
-
2018
- 2018-11-14 CN CN201811356462.1A patent/CN109545299A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104157290A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于深度学习的说话人识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘帆: "基于深度学习的语音识别研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415824A (zh) * | 2019-07-30 | 2019-11-05 | 广东工业大学 | 脑卒中风的患病风险评估装置和设备 |
| CN110827986A (zh) * | 2019-11-11 | 2020-02-21 | 科大讯飞股份有限公司 | 一种发展性阅读障碍筛查方法、装置、设备及存储介质 |
| CN113876296A (zh) * | 2020-07-02 | 2022-01-04 | 中国医学科学院北京协和医院 | 一种中风快速自助检测系统 |
| CN113876296B (zh) * | 2020-07-02 | 2024-05-28 | 中国医学科学院北京协和医院 | 一种中风快速自助检测系统 |
| CN113450913A (zh) * | 2020-08-06 | 2021-09-28 | 心医国际数字医疗系统(大连)有限公司 | 一种数据处理装置、方法及电子设备 |
| CN113506628A (zh) * | 2021-03-25 | 2021-10-15 | 首都医科大学宣武医院 | 一种大血管闭塞风险的确定装置和确定方法 |
| CN113741206A (zh) * | 2021-09-08 | 2021-12-03 | 上海长征医院 | 一种智慧居家管理系统及其应用 |
| CN116039583A (zh) * | 2022-09-08 | 2023-05-02 | 重庆长安汽车股份有限公司 | 车辆的制动方法、装置、车辆和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109545299A (zh) | 基于人工智能的脑血管疾病风险快速识别辅助提示系统及方法 | |
| EP4002271A1 (en) | Image segmentation method and apparatus, and storage medium | |
| CN108922622B (zh) | 一种动物健康监测方法、装置及计算机可读存储介质 | |
| US10832035B2 (en) | Subject identification systems and methods | |
| CN106210269B (zh) | 一种基于智能手机的人体动作识别系统及方法 | |
| WO2017133009A1 (zh) | 一种基于卷积神经网络的深度图像人体关节定位方法 | |
| WO2019052062A1 (zh) | 基于人工智能的医学影像报告生成系统及方法 | |
| CN107767935A (zh) | 基于人工智能的医学影像分类处理系统及方法 | |
| CN111344715A (zh) | 对象识别系统和方法 | |
| US10997397B2 (en) | Patient identification systems and methods | |
| CN111325745A (zh) | 骨折区域分析方法和装置、电子设备及可读存储介质 | |
| CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
| CN115227234B (zh) | 一种基于摄像头的心肺复苏按压动作评估方法与系统 | |
| CN117542474A (zh) | 基于大数据的远程护理监测系统及方法 | |
| CN114241270A (zh) | 一种家庭护理智能监督方法、系统及装置 | |
| CN111178288A (zh) | 基于局部误差逐层训练的人体姿态识别方法和装置 | |
| CN116389647A (zh) | 急诊急救一体化平台 | |
| CN116994695A (zh) | 报告生成模型的训练方法、装置、设备及存储介质 | |
| CN117393156B (zh) | 基于云计算的多维度远程听诊与诊断智能系统 | |
| CN112164447B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN117457162A (zh) | 基于多编码器和多模态信息融合的急诊分诊方法及系统 | |
| CN114972297A (zh) | 口腔健康监测方法及装置 | |
| He et al. | Automatic classification of arrhythmias by residual network and BiGRU with attention mechanism | |
| CN118197583B (zh) | 病房智能化护理管理系统及方法 | |
| Zhang | [Retracted] Real‐Time Detection of Lower Limb Training Stability Function Based on Smart Wearable Sensors |
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 |
Application publication date: 20190329 |
|
| RJ01 | Rejection of invention patent application after publication |