【技术实现步骤摘要】
本申请涉及医疗识别，特别是涉及一种震颤症状识别方法、装置、识别终端、存储介质和系统。
技术介绍
1、震颤是由帕金森病、原发性震颤、肌张力障碍等神经系统疾病引发的症状，其特征是身体某一部位出现不自主的有节奏的颤抖。震颤会对患者的生活质量产生重大影响，影响进食、饮水、书写、甚至说话等日常生活活动。准确客观地量化震颤症状对于有效诊断、治疗和识别病情至关重要。
2、目前，用于识别震颤症状的方法包括主观评分量表、侵入性电生理技术和基于加速度计的设备。然而，现有震颤症状的识别方法在准确性、便利性和患者体验方面存在局限性。例如，主观评分量表依赖于患者的自我评估，这可能会受到焦虑、偏见或记忆力不好的影响；侵入性电生理技术则需要将电极插入体内，会导致不适和感染风险；基于加速度计的设备根据设备的运动来测量震颤，这可能会受到震颤以外的其他因素的影响，其他因素包括但不限于颤抖、运动伪影。
3、综上所述，亟需一种准确性、便利性且患者体验感好的震颤症状识别方法。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够准确性、便利性且患者体验感好的震颤症状识别方法、装置、识别终端、存储介质和系统。
2、一种震颤症状识别方法，所述方法包括：
3、接收用户终端上传的待识别图像，所述待识别图像包括用于识别绘制者是否存在震颤状态及评估震颤等级的螺旋图形；
4、将所述待识别图像作为预先训练的卷积神经网络回归器的输入值，获得震颤等级；
5、将所
6、在其中一个实施例中，所述方法还包括：通过卷积神经网络模型对待学习图像集进行训练，获得卷积神经网络回归器，所述待学习图像集中所有待学习图像均包括患者绘制的螺旋图形。
7、在其中一个实施例中，所述卷积神经网络模型基于resnet-18骨干网，resnet-18骨干网由18个参数化层组成，所述基于resnet-18骨干网包括卷积层和全连接层，其中，所述全连接层的输出层执行回归分析以评估准确性。
8、在其中一个实施例中，在所述通过卷积神经网络模型对待学习图像集进行训练，获得卷积神经网络回归器之前，所述方法还包括：
9、对所述待学习图像集中每个所述待学习图像进行预处理。
10、在其中一个实施例中，所述对所述待学习图像集中每个所述待学习图像进行预处理具体包括：
11、对每个所述待学习图像进行裁剪，剪裁后的每个所述待学习图像仅保留螺旋图形部分；
12、根据预设分辨率调整剪裁后的每个所述待学习图像的尺寸；
13、通过直方图均衡化或对比拉伸实现调整尺寸后的每个所述待学习图像归一化；
14、将归一化后的每个所述待学习图像转化为灰度图；
15、对灰度后的每个所述待学习图像进行增广，所述增广方式包括：随机地旋转、对称翻转、缩放、透视、改变图像的亮度、对比度、饱和度与色调、反转给定图像的颜色的任意一种或多种组合。
16、在其中一个实施例中，所述方法还包括：
17、对每个所述待学习图像及所述待识别图像进行图像增强处理。
18、在其中一个实施例中，所述对每个所述待学习图像及所述待识别图像进行图像增强处理具体包括：
19、通过非盲去模糊算法、维纳滤波或双边滤波方法对每个所述待学习图像及所述待识别图像进行去模糊处理；或/和
20、通过中值滤波器、自适应维纳滤波器、非局部自相似模型、稀疏模型、梯度模型或马尔可夫随机场模型对每个所述待学习图像及所述待识别图像进行去噪处理；或/和
21、通过直方图均衡化、直方图规定化、对比拉伸或局部对比度增强对每个所述待学习图像及所述待识别图像进行对比度增强。
22、在其中一个实施例中，所述方法还包括：
23、根据所述震颤等级以及所述用户终端id关联的历史震颤等级，生成震颤等级的报告。
24、一种震颤症状识别装置，所述装置包括：
25、图像接收模块，用于接收用户终端上传的待识别图像，所述待识别图像包括用于识别绘制者是否存在震颤状态及评估震颤等级的螺旋图形；
26、图像识别模块，用于将所述待识别图像作为预先训练的卷积神经网络回归器的输入值，获得震颤等级；
27、结果反馈模块，用于将所述震颤等级发送至所述用户终端。
28、一种识别终端，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
29、接收用户终端上传的待识别图像，所述待识别图像包括用于识别绘制者是否存在震颤状态及评估震颤等级的螺旋图形；
30、将所述待识别图像作为预先训练的卷积神经网络回归器的输入值，获得震颤等级；
31、将所述震颤等级发送至所述用户终端。
32、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
33、接收用户终端上传的待识别图像，所述待识别图像包括用于识别绘制者是否存在震颤状态及评估震颤等级的螺旋图形；
34、将所述待识别图像作为预先训练的卷积神经网络回归器的输入值，获得震颤等级；
35、将所述震颤等级发送至所述用户终端。
36、一种震颤症状识别系统，所述系统包括：执行上述震颤症状识别方法的识别终端和至少一个用户终端，两者通过网络连接通信，其中，
37、所述识别终端，用于通过卷积神经网络模型对待学习图像集进行训练，获得卷积神经网络回归器，所述待学习图像集中所有待学习图像均包括患者绘制的螺旋图形；
38、所述用户终端，用于获取包括螺旋图形的待识别图像，并将所述待识别图像发送至识别终端；
39、所述识别终端，还用于接收用户终端上传的待识别图像，所述待识别图像包括用于识别绘制者是否存在震颤状态及评估震颤等级的螺旋图形；将所述待识别图像作为预先训练的卷积神经网络回归器的输入值，获得震颤等级；将所述震颤等级发送至所述用户终端；
40、所述用户终端，还用于接收所述震颤等级并显示。
41、上述震颤症状识别方法、装置、识别终端、存储介质和系统，通过接收用户终端上传的待识别图像，所述待识别图像包括用于识别绘制者是否存在震颤状态及评估震颤等级的螺旋图形；将所述待识别图像作为预先训练的卷积神经网络回归器的输入值，获得震颤等级，相对于现有方法，本申请通过图像来识别震颤，无创，对患者友好，由于模型是在大型螺旋图像数据集上训练的深度学习算法，因而评估特发性震颤严重程度的结果准确且一致。
本文档来自技高网...【技术保护点】
1.一种震颤症状识别方法，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述接收用户终端上传的待识别图像之前，所述方法还包括：
3.根据权利要求1或2所述的方法，其特征在于，所述卷积神经网络模型基于ResNet-18骨干网，ResNet-18骨干网由18个参数化层组成，所述基于ResNet-18骨干网包括卷积层和全连接层，其中，所述全连接层的输出层执行回归分析以评估准确性。
4.根据权利要求1所述的方法，其特征在于，在所述通过卷积神经网络模型对待学习图像集进行训练，获得卷积神经网络回归器之前，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述对所述待学习图像集中每个所述待学习图像进行预处理具体包括：
6.根据权利要求4所述的方法，其特征在于，在所述对所述待学习图像集中每个待学习图像进行图像预处理之后，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述对每个所述待学习图像及所述待识别图像进行图像增强处理具体包括：
8.根据权利要求1所述的方法，其特征在于，所
9.一种震颤症状识别装置，其特征在于，所述装置包括：
10.一种识别终端，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1所述的方法的步骤。
12.一种震颤症状识别系统，其特征在于，所述系统包括：执行上述权利要求1所述震颤症状识别方法的识别终端和至少一个用户终端，两者通过网络连接通信，其中，
...【技术特征摘要】
1.一种震颤症状识别方法，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，在所述接收用户终端上传的待识别图像之前，所述方法还包括：
3.根据权利要求1或2所述的方法，其特征在于，所述卷积神经网络模型基于resnet-18骨干网，resnet-18骨干网由18个参数化层组成，所述基于resnet-18骨干网包括卷积层和全连接层，其中，所述全连接层的输出层执行回归分析以评估准确性。
4.根据权利要求1所述的方法，其特征在于，在所述通过卷积神经网络模型对待学习图像集进行训练，获得卷积神经网络回归器之前，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述对所述待学习图像集中每个所述待学习图像进行预处理具体包括：
6.根据权利要求4所述的方法，其特征在于，在所述对所述待学习图像集中每...
【专利技术属性】
技术研发人员：赵琦，江鸣，陈贤煜，杨知，
申请(专利权)人：明尼苏达大学董事会，
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。