基于面部识别的精神分裂症患者的辅助分析方法及装置与流程

本发明涉及机器视觉，尤其涉及基于面部识别的精神分裂症患者的辅助分析方法及装置

背景技术：

1、随着人工智能技术的发展，其在医疗领域的应用变得越来越广泛；患者的面部表情可以辅助医生进行精神状态的判断，临床上，发现较多的精神分裂症患者具有不同于正常人和其他精神心理疾病的面部特征表现，医生如果能发现患者的面部表情变化，则可以更好的判断患者的精神状态及其变化；面部识别是基于生物特征的识别方式，使用摄像机作为识别信息获取装置，以非接触的方式获取识别对象的面部图像，计算机在获取图像后与数据库图像进行比对后完成识别过程；对于精神分裂症患者而言，他们的面部表情和肢体语言常常不稳定，并且随着病情的加重变化较大，这给医生的诊断和治疗带来了很大的挑战，面部识别技术可以用于辅助精神分裂症患者的分析和诊断，用于辅助医生对患者的情况进行判断和治疗，从而提供更具体针对性的治疗方案。

2、目前，对于基于面部识别的精神分裂患者的辅助分析有着多方面的研究，如中国发明专利cn116343306a公开了一种基于学习的精神分裂症患者的面部表情分析方法及系统，通过采集被试者的面部表情视频，面部表情视频中记录有指示被试者做出的若干面部表情；提取面部表情视频的每一帧中与面部表情对应的面部动作单元的强度值，得到数据集；通过预设的预测模型将数据集与预设的健康对照组进行预测分类，确定被试者是否为精神分裂症；如中国发明专利cn107242876a公开了一种用于精神状态辅助诊断的计算机视觉方法，通过使用已确知微表情的面部视频作为训练数据库，使用含有卷积层和池化层的卷积神经网络对视频中的图像帧进行特征的提取和融合，之后使用随机梯度下降法进行多次迭代更新得到优化后的网络作为训练完成的网络。然后将待测图像输入进已训练完成的网络中，由已训练完成的网络直接输出待检测图像中是否出现有微表情的检测结果，为医生诊断病人精神状态提供参考。

3、然而，目前基于面部识别的精神分裂症辅助诊断评估，主要采用临床问卷和医生当面访谈的手段，从而对待诊断患者的病情进行评估；未经过系统训练的人对面部表情识别能力不高，对于患者的诊断结果可能会有不够准确的问题，同时患者在面对医生的单独询问的情况下，可能会产生和平常不同的反应，导致患者诊断结果准确性不足。

4、因此，综上所述，现有技术存在精神分裂症病情诊断不够准确的问题。

技术实现思路

1、本技术实施例通过提供基于面部识别的精神分裂症患者的辅助分析方法及装置，解决了现有技术中精神分裂症病情诊断不够准确的问题，实现了提高精神分裂症患者病情诊断的准确性和效率。

2、本技术实施例提供了基于面部识别的精神分裂症患者的辅助分析方法，包括以下步骤：获取已分级的精神分裂症患者和非患者的一定时间内生活片段的录像数据，对录像数据进行分组，一组为精神分裂症患者录像数据，一组为非患者录像数据；将获取到的所有录像数据进行预处理，得到面部录像数据，对预处理后得到的面部录像数据使用关键点定位进行面部特征提取；对非患者的面部特征进行分析得到面部特征综合正常偏移范围，将已分级的精神分裂症患者的面部特征定位信息与面部特征综合正常偏移范围进行对比和分析，确定精神分裂症面部特征指标，精神分裂症面部特征指标用于后续面部特征指标评分数据分析和基于面部特征的精神分裂症患病等级评估模型建立；根据已分级的精神分裂症患者的面部特征数据中，对面部特征指标进行评分，得到面部特征指标评分数据，评分数据用于基于面部特征的精神分裂症患病等级评估模型中权重的调整；根据精神分裂症面部特征指标和面部特征指标权重，建立基于面部特征的精神分裂症患病等级评估模型，结合精神分裂症面部特征指标评分数据，调整面部特征指标权重；获取待诊断精神分裂症患者一定时间录像，对录像数据进行预处理获取面部录像数据，对面部录像数据进行面部特征提取，将待诊断患者的面部特征数据代入基于面部特征的精神分裂症患病等级评估模型，得知待诊断患者的精神分裂症患病等级的评估结果，为医生提供辅助决策的依据。

3、进一步的，所述将获取到的所有录像进行预处理的具体方法为：将获取到的所有录像视频数据进行标准化处理，使得它们拥有相同的分辨率、帧率和视频格式；将所有录像视频进行降噪处理，并当录像视频存在抖动时，采用视频去抖动稳定录像画面；将录像视频分解为一系列连续的图像帧，对每一帧图像进行图像增强操作，提高图像质量和清晰度；将每一帧图像进行人脸检测和定位，将识别出来的人脸区域从图像帧中截取出来，得到面部图像帧；对面部图像帧中的人脸进行对齐操作，得到人脸位置标准图像，继续对面部图像帧中的人脸图像进行处理，得到尺寸一致、灰度取值相同的标准化人脸图像，将所有经过处理后得到的面部图像帧整合形成面部录像数据。

4、进一步的，所述对预处理后得到的面部录像数据使用关键点定位进行面部特征提取的具体方法为：从面部录像图像帧中的人脸图像上初始化一组关键点；基于初始化的关键点，对关键点进行编号，计算基于关键点距离的目标函数，该目标函数评估关键点的当前位置坐标和真实位置坐标之间的差异；使用优化方法对基于关键点距离的目标函数进行最小化，在每次迭代中，通过计算基于关键点距离的目标函数的梯度方向和步长，更新关键点的位置坐标；在更新关键点位置坐标的过程中，设置一个最大迭代次数，当迭代次数达到最大迭代次数时，停止迭代，输出最终更新的关键点位置坐标作为关键点位置坐标结果；根据确定的面部图像中关键点的位置坐标数据，进行面部特征提取。

5、进一步的，所述对非患者的面部特征进行分析得到面部特征综合正常偏移范围的具体方法为：获取所有非患者的面部录像图像帧中人脸图像的面部特征数据，对于每个面部特征数据进行统计分析，将每个非患者人脸图像转换为非患者高维面部特征向量；将所有非患者高维面部特征向量进行平均，得到一个非患者高维平均脸面部特征向量；使用反向映射将非患者高维平均脸面部特征向量映射回原始二维图像，得到非患者平均脸；获取非患者平均脸关键点的确定位置坐标数据，进而提取非患者平均脸的面部特征，对所有面部特征进行编号，分析出非患者平均脸每个面部特征对应的平均值和标准差；根据非患者平均脸每个面部特征的平均值和标准差，分析出非患者平均脸每个面部特征综合正常偏移范围。

6、进一步的，所述确定精神分裂症面部特征指标的具体方法为：已分级的精神分裂症患者的面部特征定位信息与非患者平均脸每个面部特征综合正常偏移范围进行对比，分析出精神分裂症患者在各个面部特征定位信息与非患者平均脸每个面部特征综合正常偏移范围的偏差程度；当精神分裂症患者在该面部特征定位信息与面部特征综合正常偏移范围的偏差程度超过非患者面部特征最大偏差程度时，确定该面部特征为精神分裂症面部特征指标；当得到的与精神分裂症相关的多个面部特征具有一定的相互关系时，将它们进行合并，将多个面部特征结合为综合面部多特征指标。

7、进一步的，所述得到面部特征指标评分数据的具体方法为：在分析面部特征指标评分数据前，将精神分裂症面部特征进行编号，同时将精神分裂症患者进行编号；获取精神分裂症患者的精神分裂症面部特征的特征值，分析出与精神分裂症相关面部特征的平均值和方差；根据精神分裂症患者j的精神分裂症面部特征的特征值、精神分裂症患者j的已知分级和与精神分裂症相关面部特征的平均值与标准差，据其构建精神分裂症患者j的面部特征指标评分计算公式；根据精神分裂症患者j的面部特征指标评分计算公式计算出精神分裂症患者j的面部特征指标评分；所述精神分裂症患者j的面部特征指标评分公式为：式中，为精神分裂症患者j的精神分裂症面部特征y的面部特征指标评分，y为精神分裂症面部特征编号，y＝1,2,3,...,y0，y0为精神分裂症面部特征总数，为精神分裂症患者j的精神分裂症面部特征y的特征值，j为精神分裂症患者编号，j＝1,2,3,...,j0，j0为精神分裂症患者总数，pjy为精神分裂症面部特征y的平均值，bzy为精神分裂症面部特征y的标准差，为精神分裂症患者j在精神分裂症面部特征y的偏差程度，djj为精神分裂症患者j的已知分级，χ1为精神分裂症患者j在精神分裂症面部特征y的偏差程度对于面部特征指标评分的权重占比值，χ2为精神分裂症患者j的已知分级对于面部特征指标评分的权重占比值；计算出所有精神分裂症患者的各个面部特征指标评分，并将所有患者的各个面部特征指标评分进行求和计算，再除以患者总数得到面部特征平均值，最后得到各个面部特征指标评分数据。

8、进一步的，所述建立基于面部特征的精神分裂症患病等级评估模型的具体方法为：获取精神分裂症患者与精神分裂症相关面部特征指标的特征值，据其构建基于面部特征的精神分裂症患病等级评估计算公式；根据基于面部特征的精神分裂症患病等级评估计算公式得出基于面部特征的精神分裂症患病等级评估模型；所述基于面部特征的精神分裂症患病等级评估计算公式为：式中，dj为基于面部特征的精神分裂症患病等级评估结果，tzy为精神分裂症面部特征y的特征值，为面部特征指标y对基于面部特征的精神分裂症患病等级评估结果的权重占比值。

9、进一步的，所述调整面部特征指标权重的具体方法为：获取精神分裂症患者的精神分裂症面部特征指标评分数据，评估该面部特征指标和精神分裂症之间的相关性；根据精神分裂症面部特征指标评分数据，为每个面部特征指标分配相应的权重；对每个面部特征指标权重的进行权重归一化处理。

10、进一步的，所述得知待诊断患者的精神分裂症患病等级的评估结果的具体方法为：获取待诊断精神分裂症患者高清的一定时间内生活片段的录像数据，将录像数据进行预处理后，再将录像分解为一系列连续的图像帧，并对每一帧图像进行图像增强操作；将每一帧图像进行人脸检测和定位，将识别出来的人脸区域从图像帧中截取出来，得到面部图像帧，再将面部图像帧中的人脸进行对齐操作，得到对齐的人脸标准位置图像，进而将所有的面部图像帧整合后形成面部录像数据；从面部录像图像帧中的人脸图像上初始化一组关键点，确定关键点的位置坐标，根据确定的面部图像的关键点位置坐标，提取精神分裂症面部特征的特征值；根据待诊断精神分裂症患者的精神分裂症面部特征的特征值，代入基于面部特征的精神分裂症患病等级评估模型，分析出待诊断精神分裂症患者的分级，由此得知待诊断患者的患病等级评估结果，用于为医生辅助决策提供依据。

11、本技术实施例提供了一种基于面部识别的精神分裂症患者的辅助分析装置，包括：数据获取模块、面部特征提取模块、面部特征指标确定模块、面部特征指标评分模块、患病等级评估模型建立模块和辅助决策模块：其中，所述数据获取模块，用于获取已分级的精神分裂症患者和非患者的一定时间内生活片段的录像数据，对录像数据进行分组，一组为精神分裂症患者，一组为非患者；所述面部特征提取模块，用于将获取到的所有录像数据进行预处理，得到面部录像数据，对预处理后得到的面部录像数据使用关键点定位进行面部特征提取；所述面部特征指标确定模块，用于对非患者的面部特征进行分析得到面部特征综合正常偏移范围，将已分级的精神分裂症患者的面部特征定位信息与面部特征综合正常偏移范围进行对比和分析，确定精神分裂症面部特征指标，精神分裂症面部特征指标用于后续面部特征指标评分数据分析和基于面部特征的精神分裂症患病等级评估模型建立；所述面部特征指标评分模块，用于从已分级的精神分裂症患者的面部特征数据中，对面部特征指标进行评分，得到面部特征指标评分数据，评分数据用于基于面部特征的精神分裂症患病等级评估模型中权重的调整；所述患病等级评估模型建立模块，用于根据精神分裂症面部特征指标，建立基于面部特征的精神分裂症患病等级评估模型，结合精神分裂症面部特征指标评分数据，调整面部特征指标权重；所述辅助决策模块，用于获取待诊断精神分裂症患者一定时间录像，对录像进行预处理获取面部录像数据，对面部录像数据进行面部特征提取，将待诊断患者的面部特征数据代入基于面部特征的精神分裂症患病等级评估模型，得知待诊断患者的精神分裂症患病等级的评估结果，为医生提供辅助决策的依据。

12、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

13、1、通过获取精神分裂症患者精神分裂症面部特征指标特征值，根据基于面部特征的精神分裂症患病等级评估计算公式，从而分析出基于面部特征的精神分裂症患病等级评估结果，评估结果用于为医生提供辅助决策的依据，进而实现了提高精神分裂症患者病情诊断的准确性和效率，解决了现有技术中精神分裂症病情诊断不够准确的问题。

14、2、通过计算出所有精神分裂症患者的各个面部特征指标评分，将所有患者各个面部特征求和再除以患者总数求出面部特征平均值，得到各个面部特征指标评分，从而实现了通过面部特征指标评分，评估各个精神分裂症面部特征与精神分裂症之间的相关性，调整患病评估模型中面部特征指标权重，进而更加准确地反映不同面部特征对精神分裂症患病等级的影响程度。

15、3、通过将精神分裂症患者的面部特征与非患者平均脸面部特征综合正常偏移范围进行对比，当它们之间的偏移程度超过非患者面部最大偏差程度时，从而确定该面部特征为精神分裂症面部特征指标，进而实现了减少分析面部特征评分和建立建基于面部特征的精神分裂症患病等级评估模型的复杂性。