【技术实现步骤摘要】
本专利技术涉及基于深度学习的麻醉苏醒面部特征预测，特别涉及一种基于深度学习的麻醉苏醒面部特征预测方法、装置。
技术介绍
1、很多人在术后麻醉苏醒阶段经常会出现特异性病发症，目前只能依靠人工去观察患者的面部表情，以能及时应对这种情况。非常耗费人力，对于经验稍少的人来说，观察的准确性也较低。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于深度学习的麻醉苏醒面部特征预测方法、装置，能够准确对面部特征进行预测。
2、第一方面，本专利技术实施例提供了一种基于深度学习的麻醉苏醒面部特征预测方法，包括：
3、获取样本面部视频数据，并对所述样本面部视频数据进行预处理；
4、将预处理后的所述样本面部视频数据进行划分，得到第一训练集和第一测试集，将所述第一训练集输入到预设的面部标志检测模型进行训练，将所述第一测试集输入到训练后的所述面部标志检测模型进行测试，得到完成训练的所述面部标志检测模型，所述面部标志检测模块包括yolo8子模型、第一shap子模型和第一meta q-learning子模型；
5、获取待测对象的待测面部视频数据；
6、将所述待测面部视频数据输入到所述面部标志检测模型中，通过所述yolo8子模型对所述待测面部视频数据进行关键目标检测，并将关键目标检测后的所述面部视频数据输入到所述第一shap子模型进行特征重要性分析，通过所述第一meta q-learning，基于特征重要性
7、将所述目标关键标志信息输入到预设的图像特征提取模型中，得到目标特征；
8、通过预设的时间序列预测模型对所述目标特征进行多维度面板时间序列预测，得到预测类别。
9、在本专利技术的一些实施例中，所述获取样本面部视频数据，并对所述样本面部视频数据进行预处理，包括：
10、获取所述样本面部视频数据，从所述样本面部视频数据中提取多个关键帧，得到多个样本面部图片数据；
11、从所述样本面部图片中获取同一个物体作为参照点，根据所述参照点对多个所述样本面部图片数据进行对齐处理，其中，所述参照点为不变动的物体。
12、在本专利技术的一些实施例中，所述将所述待测面部视频数据输入到所述面部标志检测模型中，通过所述yolo8子模型对所述待测面部视频数据进行关键目标检测，并将关键目标检测后的所述面部视频数据输入到所述第一shap子模型进行特征重要性分析，通过所述第一meta q-learning，基于特征重要性分析的结果对所述yolo8子模型进行调参，通过调参后的所述yolo8子模型对所述面部视频数据进行目标检测，得到所述待测对象的目标关键标志信息，包括：
13、通过所述yolo8子模型对所述待测面部视频数据进行关键目标检测，得到感兴趣对象的边界框；
14、通过所述第一shap子模型对所述待测面部视频数据的视频帧和所述边界框中的所述感兴趣对象进行特征重要性分析，得到所述视频帧中不同指标特征的重要指标；
15、获取所述视频帧中重要指标高于预设阈值的所述指标特征，并判断所述指标特征是否存在于所述边界框中，如果不在，则将所述指标特征确定为遗漏信息，如果在，则将所述指标特征确定为检测信息；
16、将所述检测信息和所述遗漏信息输入到所述meta q-learning子模型中，根据所述检测信息和所述遗漏信息对所述yolo8子模型进行参数调整；
17、通过参数调整后的所述yolo8子模型对所述待测面部视频数据进行关键目标检测，得到所述目标关键标志信息。
18、在本专利技术的一些实施例中，所述将所述目标关键标志信息输入到预设的图像特征提取模型中，得到目标特征，还包括：
19、获取样本关键标志信息；
20、将所述样本关键标志信息进行划分，得到第二训练集和第二测试集，将所述第二训练集输入到预设的图像特征提取模型进行训练，将所述第二测试集输入到训练后的所述图像特征提取模型进行测试，得到完成训练的所述图像特征提取模型，所述图像特征提取模型中包括cnn子模型、第二shap子模型和第二meta q-learning子模型；
21、将所述目标关键标志信息输入到所述图像特征提取模型中，通过所述cnn子模型对所述目标关键标志信息进行图像识别，并将图像识别后的所述面部视频数据输入到所述第二shap子模型进行特征重要性分析，通过所述第二meta q-learning子模型，基于特征重要性分析的结果对所述cnn子模型进行调参，通过调参后的所述cnn子模型对所述目标关键标志信息进行图像识别，得到所述待测对象的所述目标特征。
22、在本专利技术的一些实施例中，在所述将预处理后的所述样本面部视频数据进行划分，得到第一训练集和第一测试集，将所述第一训练集输入到预设的面部标志检测模型进行训练，将所述第一测试集输入到训练后的所述面部标志检测模型进行测试，得到完成训练的所述面部标志检测模型之后，包括：
23、对完成训练的所述面部标志检测模型进行交叉验证；
24、根据交叉验证后的精确度、召回率和f1分数来判断所述面部标志检测模型是否有效。
25、在本专利技术的一些实施例中，在所述通过预设的时间序列预测模型对所述目标特征进行多维度面板时间序列预测，得到预测类别之后，包括：
26、当所述预测类别为预设的预警类别集合中的其中一种类别，则发送警报。
27、在本专利技术的一些实施例中，所述时间序列预测模型包括rnn子模型、timesformer子模型和第三meta q-learning子模型，所述通过预设的时间序列预测模型对所述目标特征进行多维度面板时间序列预测，得到预测类别，包括：
28、通过所述rnn子模型对所述目标特征进行时间序列预测，并将时间序列预测结果输入到所述timesformer子模型；
29、通过所述timesformer子模型关联所述时间序列预测结果中的时空数据；
30、通过所述第三meta q-learning子模型，基于时空数据关联的结果对所述rnn子模型进行调参，通过调参后的所述rnn子模型对所述目标关键标志信息中的长期依赖序列数据进行时间序列预测，得到所述预测类别。
31、第二方面，本专利技术实施例提供了一种基于深度学习的麻醉苏醒面部特征预测装置，包括少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述第一方面所述的基于深度学习的麻醉苏醒面部特征预测方法。
32、第三方面，本专利技术实施例提供了一种电子设备，包括有如上述第二方面所述的基于深度学习的麻本文档来自技高网...
【技术保护点】
1.一种基于深度学习的麻醉苏醒面部特征预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的麻醉苏醒面部特征预测方法，其特征在于，所述获取样本面部视频数据，并对所述样本面部视频数据进行预处理，包括：
3.根据权利要求1所述的基于深度学习的麻醉苏醒面部特征预测方法，其特征在于，所述将所述待测面部视频数据输入到所述面部标志检测模型中，通过所述YOLO8子模型对所述待测面部视频数据进行关键目标检测，并将关键目标检测后的所述面部视频数据输入到所述第一SHAP子模型进行特征重要性分析，通过所述第一Meta Q-Learning，基于特征重要性分析的结果对所述YOLO8子模型进行调参，通过调参后的所述YOLO8子模型对所述面部视频数据进行目标检测，得到所述待测对象的目标关键标志信息，包括：
4.根据权利要求1所述的基于深度学习的麻醉苏醒面部特征预测方法，其特征在于，所述将所述目标关键标志信息输入到预设的图像特征提取模型中，得到目标特征，还包括：
5.根据权利要求1所述的基于深度学习的麻醉苏醒面部特征预测方法，其特征在于，在所述将预
6.根据权利要求1所述的基于深度学习的麻醉苏醒面部特征预测方法，其特征在于，在所述通过预设的时间序列预测模型对所述目标特征进行多维度面板时间序列预测，得到预测类别之后，包括：
7.根据权利要求1所述的基于深度学习的麻醉苏醒面部特征预测方法，其特征在于，所述时间序列预测模型包括RNN子模型、TimeSformer子模型和第三Meta Q-Learning子模型，所述通过预设的时间序列预测模型对所述目标特征进行多维度面板时间序列预测，得到预测类别，包括：
8.一种基于深度学习的麻醉苏醒面部特征预测装置，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的基于深度学习的麻醉苏醒面部特征预测方法。
9.一种电子设备，其特征在于，包括权利要求8所述的基于深度学习的麻醉苏醒面部特征预测装置。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于深度学习的麻醉苏醒面部特征预测方法。
...【技术特征摘要】
1.一种基于深度学习的麻醉苏醒面部特征预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的麻醉苏醒面部特征预测方法，其特征在于，所述获取样本面部视频数据，并对所述样本面部视频数据进行预处理，包括：
3.根据权利要求1所述的基于深度学习的麻醉苏醒面部特征预测方法，其特征在于，所述将所述待测面部视频数据输入到所述面部标志检测模型中，通过所述yolo8子模型对所述待测面部视频数据进行关键目标检测，并将关键目标检测后的所述面部视频数据输入到所述第一shap子模型进行特征重要性分析，通过所述第一meta q-learning，基于特征重要性分析的结果对所述yolo8子模型进行调参，通过调参后的所述yolo8子模型对所述面部视频数据进行目标检测，得到所述待测对象的目标关键标志信息，包括：
4.根据权利要求1所述的基于深度学习的麻醉苏醒面部特征预测方法，其特征在于，所述将所述目标关键标志信息输入到预设的图像特征提取模型中，得到目标特征，还包括：
5.根据权利要求1所述的基于深度学习的麻醉苏醒面部特征预测方法，其特征在于，在所述将预处理后的所述样本面部视频数据进行划分，得到第一训练集和第一测试集，将所述第一训练集输入到预设的面部标志检测模型进行训练，将所述第一测试集输入到训练后的所述面部标志检测模型进行测试，...
【专利技术属性】
技术研发人员：李俏敏，王涵，刘德昭，
申请(专利权)人：中山大学附属第五医院，
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。