【技术实现步骤摘要】
本专利技术涉及医疗，尤其涉及一种干眼症检测方法、系统、设备及介质。
技术介绍
1、干眼症是一种常见的眼部疾病，常伴有眼睛干涩、烧灼感、刺痛感和异物感等症状，甚至有可能导致视力模糊和下降，严重影响患者的生活质量。随着手机和电脑等屏幕设备使用率的显著攀升，干眼症的发病率持续居高不下，在白领高危人群中，发病率超过50％。然而，由于干眼症患者人数过多且难以彻底治愈，给有限的眼科医疗卫生资源带来沉重负担，大量干眼症患者难以及时获得眼科医师的专业诊治，导致病情加重，严重影响其生活质量，甚至可诱发角膜炎症等致盲性眼病。
2、现有的干眼症检测方法存在以下问题：1.需要配套硬件设备或/和药物支持，不便于日常使用和大范围推广；2.数据采集条件要求高，数据处理不充分，造成检测结果的准确性低。
3、由此可见，如何提升干眼症检测的便捷性、实用性和准确性已经成为本领域技术人员所要亟待解决的技术问题。
技术实现思路
1、本专利技术提供了一种干眼症检测方法及系统，以解决提升干眼症检测的便捷性、实用性和准确性的技术问题，实现提供一种便捷、实用、准确且能够大规模推广应用的干眼症检测方法的效果。
2、第一方面，本专利技术提供了一种干眼症检测方法，所述方法包括：
3、采集包含人脸的的历史视频信息，并逐帧识别所述历史视频信息中的眼睑点位时间序列数据、眉眼点位时间序列数据和眼红概率；
4、根据所述眼睑点位时间序列数据逐帧计算眼睑距离，以构建眼睑距离时间序列数据集，根
5、基于所述眼睑距离时间序列数据集的波动和眨眼幅度异常值，计算眨眼识别阈值，基于所述眉眼距离时间序列数据集的波动和眉眼运动幅度异常值，计算皱眉识别阈值；
6、根据所述眼睑距离时间序列数据集与所述眨眼识别阈值的大小关系，识别出眨眼帧，根据所述眉眼距离时间序列数据集与所述皱眉识别阈值的大小关系，识别出皱眉帧；
7、基于所述眼睑距离时间序列数据集，计算每一所述眨眼帧的眨眼帧数据，基于所述眉眼距离时间序列数据集，计算每一所述皱眉帧的皱眉帧数据；
8、采用所述眨眼帧数据、所述皱眉帧数据和所述眼红概率，对构建完成的干眼症检测模型进行训练，得到目标干眼症检测模型；
9、在实时检测过程中，将由采集的实时视频信息提取的实时眨眼帧数据、实时皱眉帧数据和实时眼红概率输入所述目标干眼症检测模型，得到干眼症检测结果。
10、优选的，所述逐帧识别所述历史视频信息中的眼睑点位时间序列数据、眉眼点位时间序列数据和眼红概率，包括：
11、采用dlib模型逐帧识别所述视频信息中人脸五官的68个标准点位：
12、从所述68个点位中选取眼睑点位数据和眉眼点位数据；
13、将每一帧所述视频信息的时间序列数据与所述眼睑点位数据组合，构建眼睑点位时间序列数据；
14、将所述时间序列数据与所述眉眼点位数据组合，构建眉眼点位时间序列数据；
15、将每一帧所述视频信息输入训练完成的眼红识别模型，得到眼红概率。
16、优选的，所述眼睑距离被定义为：上眼睑纵坐标与下眼睑纵坐标的差；
17、所述眉眼距离被定义为：眉毛最高点点位纵坐标与内眼角点位纵坐标的差。
18、优选的，所述基于所述眼睑距离时间序列数据集的波动和眨眼幅度异常值，计算眨眼识别阈值，包括：
19、计算所述眼睑距离时间序列数据集的眼睑距离全局均值和眼睑距离全局标准差，并根据所述眼睑距离全局均值和所述眼睑距离全局标准差计算眼睑距离全局阈值；
20、所述眼睑距离全局阈值的计算公式为：
21、ll＝lmean-cl×((lstd)×(1-3lstd))
22、其中，ll表示眼睑距离全局阈值，lmean表示眼睑距离全局均值，lstd表示眼睑距离全局标准差，cl表示眨眼识别敏感参数；
23、选取所述历史视频信息前后第一预设时间段的视频帧表征眨眼幅度异常帧，计算所述眨眼幅度异常帧对应的所述眼睑距离时间序列数据集的眼睑距离局部均值和眼睑距离局部标准差，根据所述眼睑距离局部均值和所述眼睑距离局部标准差计算眼睑距离局部阈值；
24、所述眼睑距离局部阈值的计算公式为：
25、ll′＝llocal-mean-cl×((llocal-std)×(1-3llocal-std))
26、其中，ll'表示眼睑距离局部阈值，llocal-mean表示眼睑距离局部均值，llocal-std表示眼睑距离局部标准差；
27、将所述眼睑距离全局阈值和所述眼睑距离局部阈值按照第一预设权重进行融合，得到所述眨眼识别阈值。
28、优选的，所述基于所述眉眼距离时间序列数据集的波动和眉眼运动幅度异常值，计算皱眉识别阈值，包括：
29、计算所述眉眼距离时间序列数据集的眉眼距离全局均值和眉眼距离全局标准差，并根据所述眉眼距离全局均值和所述眉眼距离全局标准差计算眉眼距离全局阈值；
30、所述眉眼距离全局阈值的计算公式为：
31、lm＝mmean-cm×((mstd)×(1-3mstd))
32、其中，lm表示眉眼距离全局阈值，mmean表示眉眼距离全局均值，mstd表示眉眼距离全局标准差，cm表示皱眉识别敏感参数；
33、选取所述第一预设时间段的视频帧表征眉眼运动幅度异常帧，计算所述眉眼运动幅度异常帧对应的所述眉眼距离时间序列数据集的眉眼距离局部均值和眉眼距离局部标准差，根据所述眉眼距离局部均值和所述眉眼距离局部标准差计算眉眼距离局部阈值；
34、所述眉眼距离局部阈值的计算公式为：
35、lm′＝mlocal-mean-cm×((mlocal-std)×(1-3mlocal-std))
36、其中，lm'表示眉眼距离局部阈值，mlocal-mean表示眉眼距离局部均值，mlocal-std表示眉眼距离局部标准差；
37、将所述眉眼距离全局阈值和所述眉眼距离局部阈值按照第二预设权重进行融合，得到所述皱眉识别阈值。
38、优选的，所述基于所述眼睑距离时间序列数据集，计算每一所述眨眼帧的眨眼帧数据，包括：
39、选取每一所述眨眼帧前后第二预设时间段内的视频帧表征眨眼关联帧，从所述眼睑距离时间序列数据集中选取所述眨眼关联帧对应的眼睑距离最大值和眼睑距离最小值；
40、计算每一所述眨眼关联帧的所述眼睑距离小于所述眨眼识别阈值的第一时间序列间隔，将所述第一时间序列间隔作为眨眼时间；
41、计算所述眨眼时间的均值，得到平均眨眼时间；
42、根据所述眨眼时间与预设眨眼阈值的大小，判断所述眨眼帧为完全眨眼或者不完全眨眼，并统计所述眨眼帧中完全眨眼次数和不完全眨眼次数；
43、计算本文档来自技高网...
【技术保护点】
1.一种干眼症检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的干眼症检测方法，其特征在于，所述逐帧识别所述历史视频信息中的眼睑点位时间序列数据、眉眼点位时间序列数据和眼红概率，包括：
3.如权利要求1所述的干眼症检测方法，其特征在于，所述眼睑距离被定义为：上眼睑纵坐标与下眼睑纵坐标的差；
4.如权利要求1所述的干眼症检测方法，其特征在于，所述基于所述眼睑距离时间序列数据集的波动和眨眼幅度异常值，计算眨眼识别阈值，包括：
5.如权利要求1所述的干眼症检测方法，其特征在于，所述基于所述眉眼距离时间序列数据集的波动和眉眼运动幅度异常值，计算皱眉识别阈值，包括：
6.如权利要求1所述的干眼症检测方法，其特征在于，所述基于所述眼睑距离时间序列数据集，计算每一所述眨眼帧的眨眼帧数据，包括：
7.如权利要求1所述的干眼症检测方法，其特征在于，所述基于所述眉距离位时间序列数据集，计算每一所述皱眉帧的皱眉帧数据，包括：
8.一种干眼症检测系统，实现权利要求1-7任一项所述的干眼症检测方法，其特征在于，所
9.一种计算机设备，其特征在于：所述计算机设备包括存储器、处理器和收发器，它们之间通过总线连接；存储器用于存储一组计算机程序指令和数据，并将存储的数据传输给处理器，处理器执行存储器存储的程序指令，以执行如权利要求1至7中任一项所述的干眼症检测方法。
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中存储有计算机程序，当所述计算机程序被运行时，实现如权利要求1至7任一项所述的干眼症检测方法。
...【技术特征摘要】
1.一种干眼症检测方法，其特征在于，所述方法包括：
2.如权利要求1所述的干眼症检测方法，其特征在于，所述逐帧识别所述历史视频信息中的眼睑点位时间序列数据、眉眼点位时间序列数据和眼红概率，包括：
3.如权利要求1所述的干眼症检测方法，其特征在于，所述眼睑距离被定义为：上眼睑纵坐标与下眼睑纵坐标的差；
4.如权利要求1所述的干眼症检测方法，其特征在于，所述基于所述眼睑距离时间序列数据集的波动和眨眼幅度异常值，计算眨眼识别阈值，包括：
5.如权利要求1所述的干眼症检测方法，其特征在于，所述基于所述眉眼距离时间序列数据集的波动和眉眼运动幅度异常值，计算皱眉识别阈值，包括：
6.如权利要求1所述的干眼症检测方法，其特征在于，所述基于所述眼睑距离时间序列数据集，计算每一所述眨眼帧的眨眼帧数据，包括：
...
【专利技术属性】
技术研发人员：林浩添，梁凌毅，王珣，庞健宇，杨晓薇，程伟靖，
申请(专利权)人：中山大学中山眼科中心，
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。