【技术实现步骤摘要】
本专利技术属于卒中预警，具体涉及结合topsis与人工智能的卒中应急识别方法及系统。
技术介绍
1、泛血管疾病是一组血管系统疾病，以动脉粥样硬化为共同病理特征，危害心脏、大脑、肾脏、四肢等重要器官，作为其重要类型，脑卒中危害人类健康，脑卒中，又称中风或脑血管意外，脑卒中主要分为缺血性脑卒中和出血性脑卒中两大类，也就是人们熟知的“脑梗死”和“脑出血”。缺血性脑卒中是由于脑部血管堵塞，导致血液无法流入大脑，造成脑组织缺血缺氧而受损。出血性脑卒中则是由于脑部血管破裂，血液流入脑组织或脑室，压迫脑组织并造成损伤。脑卒中具有高发病率、高致残率和高死亡率的特点，严重影响人们的生活质量并威胁着人们的生命健康。
2、卒中发生后，脑细胞缺血缺氧6分钟就会发生不可逆的死亡，延迟治疗的每1分钟大约将有190万个脑细胞死亡。因此，快速识别卒中并立即送往医院接受专业治疗，可以最大限度地减少脑组织损伤，保护患者的神经功能。
3、中国专利cn113936799a公开了一种结合topsis与人工智能的卒中快速识别方法，首先通过用户双臂平举程度判断是否存在单侧肌力下降，并通过手臂间的角度对肌力差进行分级；然后通过人工智能语音识别，并结合错词率计算方法分析用户口齿不清的程度；然后利用人工智能人脸特征点识别模型检测出人脸特征点的位置坐标，通过topsis方法计算脸部下垂程度，最后通过topsis方法综合肌力差分级，口齿不清程度以及人脸下垂程度快速识别卒中的风险程度。但是现有方法人工智能人脸特征点识别模型在应急状态下无法精准捕捉面部特征点，导致
技术实现思路
1、本专利技术的目的在于针对现有技术的不足之处，提供结合topsis与人工智能的卒中应急识别方法及系统，解决了现有方法人工智能人脸特征点识别模型在应急状态下无法精准捕捉面部特征点，导致通过topsis方法判断时响应速度和精准度不足的问题。
2、本专利技术是这样实现的，结合topsis与人工智能的卒中应急识别方法，所述结合topsis与人工智能的卒中应急识别方法包括：
3、实时采集患者生理参数信息，基于柔性触发机制对患者生理参数信息预处理，得到预处理集，其中，所述患者生理参数信息包括患者基础信息、面部参数信息、体征监测信息、随访语音信息、患者病历信息；
4、遍历预处理集，基于多视角特征定位模型识别预处理集中面部参数信息，生成面部表情识别结果，其中，面部表情识别结果包括面部对称程度、面部下垂程度、表情分类结果；
5、预构建基于topsis与人工智能的卒中分析模型，利用网络爬虫获取建模样本集，采用柔性触发机制结合多视角特征定位模型对建模样本集预处理，将建模样本集划分为训练集和测试集，采用训练集和测试集对卒中分析模型迭代训练，输出收敛的卒中分析模型；
6、实时加载面部表情识别结果、预处理集，卒中分析模型对面部表情识别结果、预处理集识别分析，计算患者卒中风险等级；
7、基于患者卒中风险等级判断是否超过预设风险阈值，若超过预设风险阈值，触发卒中应急指令。
8、优选地，所述基于柔性触发机制对患者生理参数信息预处理方法，包括：
9、加载患者生理参数信息，识别患者生理参数信息中体征监测信息，生成体征监测集，对体征监测集进行缺失值处理；
10、基于层次分析法构建体征监测集中体征指标的判断矩阵，结合体征指标的判断矩阵确定体征监测集中单组体征指标的指标权重；
11、其中，体征指标的判断矩阵表示为：
12、（1）
13、其中，表示体征指标的判断矩阵，为体征指标和体征指标之间的重要程度；
14、单组体征指标的指标权重通过以下公式计算：
15、（2）
16、（3）
17、（4）
18、其中，表示单组体征指标的指标权重，为判断矩阵最大特征值，为体征指标的数量，表示体征指标归一化值，为单组体征指标的初始权重，分别表示判断矩阵行和列的累加值；
19、获取单组体征指标的指标权重，基于单组体征指标的指标权重确定单组体征指标的柔性触发阈值和事件积分阈值；
20、遍历体征监测集，提取体征监测集中超过事件积分阈值的体征监测信息，生成异常监测集；
21、基于孤立森林异常检测算法对采集周期内异常监测集进行异常检测，计算采集周期内异常监测集的柔性触发积分值；
22、其中，柔性触发积分值通过以下公式计算：
23、（5）
24、其中，为柔性触发积分值，表示单组体征指标在时刻的事件积分阈值，表示当前时刻，为采集周期，表示采集周期内超过事件积分阈值的事件个数；
25、判断柔性触发积分值是否超过柔性触发阈值，若超过柔性触发阈值，触发柔性触发机制，上传采集周期内异常监测集的柔性触发积分值。
26、优选地，所述多视角特征定位模型以级联姿态回归模型为基础架构，在级联姿态回归模型中引入reduce_domain函数对面部参数信息裁剪，并缩小面部检测目标区域，多视角特征定位模型中还引入ghost模块对级联姿态回归模型已经生成的特征图进行线性变换，产生完整的特征图，在ghost模块后引入convtranspose反卷积将特征图的大小恢复；
27、多视角特征定位模型的损失函数定义为：
28、（6）
29、其中，为当前图像中面部下垂点数量，表示像素点特征预测值，表示像素点特征真实值，分别为级联姿态回归模型降低角度影响的惩罚参数、样本面部对称程度分类参数。
30、优选地，所述基于多视角特征定位模型识别预处理集中面部参数信息的方法，具体包括：
31、加载预处理集中面部参数信息，多视角特征定位模型基于级联姿态回归算法结合孤立森林算法对面部参数信息角度校正，得到角度适应集；
32、获取角度适应集，基于级联姿态回归算法对角度适应集局部纹理特征值进行编码，生成二值化特征向量，整合至少一组二值化特征向量，得到二值化特征集；
33、加载二值化特征集，reduce_domain函数对二值化特征集裁剪，缩小面部检测目标区域，得到至少一组目标区域锚定框；
34、基于级联姿态回归算法结合ghost模块对目标区域锚定框进行线性变换，产生完整的特征图；
35、convtranspose反卷积将特征图的大小恢复，得到特征恢复图，通过贝叶斯准则评估特征恢复图的面部下垂程度，结合欧几里得距离算法计算面部对称程度。
36、优选地，所述采用训练集和测试集对卒中分析模型迭代训练的方法，具体包括：
37、加载topsis模型，设置topsis模型的损失函数、激活函数、训练轮次和超参数；
38、加载训练集，采用训练集对数据预处理模块无监督预训练本文档来自技高网...
【技术保护点】
1.结合TOPSIS与人工智能的卒中应急识别方法，其特征在于，所述结合TOPSIS与人工智能的卒中应急识别方法包括：
2.如权利要求1所述的结合TOPSIS与人工智能的卒中应急识别方法，其特征在于：所述基于柔性触发机制对患者生理参数信息预处理方法，包括：
3.如权利要求1所述的结合TOPSIS与人工智能的卒中应急识别方法，其特征在于：所述多视角特征定位模型以级联姿态回归模型为基础架构，在级联姿态回归模型中引入reduce_domain函数对面部参数信息裁剪，并缩小面部检测目标区域，多视角特征定位模型中还引入Ghost模块对级联姿态回归模型已经生成的特征图进行线性变换，产生完整的特征图，在Ghost模块后引入CONVTranspose反卷积将特征图的大小恢复；
4.如权利要求3所述的结合TOPSIS与人工智能的卒中应急识别方法，其特征在于：所述基于多视角特征定位模型识别预处理集中面部参数信息的方法，具体包括：
5.如权利要求1所述的结合TOPSIS与人工智能的卒中应急识别方法，其特征在于：所述采用训练集和测试集对卒中分析模型迭代训练的
6.如权利要求5所述的结合TOPSIS与人工智能的卒中应急识别方法，其特征在于：所述卒中分析模型以TOPSIS模型为初始模型，TOPSIS模型包括数据预处理模块、矩阵构建模块、距离计算模块、风险等级计算模块，其中，数据预处理模块包括三层层次分析层，层次分析层之间通过TCP协议连接；
7.如权利要求6所述的结合TOPSIS与人工智能的卒中应急识别方法，其特征在于：所述卒中分析模型对面部表情识别结果、预处理集识别分析的方法，具体包括：
8.如权利要求7所述的结合TOPSIS与人工智能的卒中应急识别方法，其特征在于：所述基于判别器对面部下垂程度、面部对称程度、体征监测信息权重判别分类时，判别器判别公式表示为：
9.结合TOPSIS与人工智能的卒中应急识别系统，用于实施如权利要求1-8任一所述的结合TOPSIS与人工智能的卒中应急识别方法，其特征在于：所述结合TOPSIS与人工智能的卒中应急识别系统，包括：
10.如权利要求9所述的结合TOPSIS与人工智能的卒中应急识别系统，其特征在于：所述信息采集模块，包括：
...【技术特征摘要】
1.结合topsis与人工智能的卒中应急识别方法，其特征在于，所述结合topsis与人工智能的卒中应急识别方法包括：
2.如权利要求1所述的结合topsis与人工智能的卒中应急识别方法，其特征在于：所述基于柔性触发机制对患者生理参数信息预处理方法，包括：
3.如权利要求1所述的结合topsis与人工智能的卒中应急识别方法，其特征在于：所述多视角特征定位模型以级联姿态回归模型为基础架构，在级联姿态回归模型中引入reduce_domain函数对面部参数信息裁剪，并缩小面部检测目标区域，多视角特征定位模型中还引入ghost模块对级联姿态回归模型已经生成的特征图进行线性变换，产生完整的特征图，在ghost模块后引入convtranspose反卷积将特征图的大小恢复；
4.如权利要求3所述的结合topsis与人工智能的卒中应急识别方法，其特征在于：所述基于多视角特征定位模型识别预处理集中面部参数信息的方法，具体包括：
5.如权利要求1所述的结合topsis与人工智能的卒中应急识别方法，其特征在于：所述采用训练集和测试集对卒中分析模型迭代训练的方...
【专利技术属性】
技术研发人员：金磊，刘娇，孔维军，孙小茁，赵建林，徐士迎，孙赟，汪艳，何晓楠，
申请(专利权)人：北京渐健医疗科技有限公司，
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。