[發(fā)明專利]一種基于人工智能的眼瞼運動功能評估系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910704037.5
• 申請日: 2019-07-31
• 公開（公告）號: CN110428908B
• 公開（公告）日: 2021-12-17
• 發(fā)明（設計）人: 徐帆;呂健;陳琦;崔凌;陳青;何文靜;唐芬;蔣莉;唐寧寧;陳麗妃;周舟;黃慧
• 申請（專利權）人: 廣西壯族自治區(qū)人民醫(yī)院
• 主分類號: G16H50/70
• 分類號: G16H50/70;G16H50/20;G06N3/04;G06N3/08;G06K9/00;G06K9/62;A61B3/113
• 代理公司: 南寧東之智專利代理有限公司 45128
• 代理人: 嚴涓逢;汪治興

本發(fā)明公開一種基于人工智能的眼瞼運動異常評估系統(tǒng)，包括：受檢對象獲取模塊：用于從輸入的受檢對象的面部動作視頻中獲得只包含所述受檢對象的面部視頻；眼睛及指定部位定位模塊：用于定位所述面部視頻的眼睛及指定部位，并獲得只包括所述受檢對象的眼睛運動視頻及指定部位聯(lián)動視頻；TSN模型：用于處理眼睛運動視頻和指定部位聯(lián)動視頻并輸出眼睛及指定部位的動作信號；概率輸出模塊：用于輸出每幀畫面計算機判斷眼瞼運動異常出現(xiàn)的概率信號；評估模塊，用于根據眼瞼運動異常出現(xiàn)的概率信號和眼瞼運動異常概率判斷機制獲得異常等級。本發(fā)明具有全民可接受性、便捷性、準確性、客觀性和可重復性，臨床使用性強。

技術領域

本發(fā)明涉及眼瞼運動異常程度評估領域，更具體地，涉及一種基于人工智能的眼瞼運動功能評估系統(tǒng)。

背景技術

現(xiàn)有觀察眼瞼運動異常的技術主要包括神經肌肉記錄儀技術、腦干磁共振血管成像技術（MRA）檢查和佩戴記錄眼瞼運動頻率功能的新型眼鏡。神經肌肉記錄儀技術存在的缺點是技術操作復雜，費時費力，對老年人、兒童來說配合度低；同時，對于不同原因引起的眼瞼運動功能異常從發(fā)病誘因、頻率、雙眼對稱性、眼瞼閉合的程度等各不相同，因此，測量結果易受檢測人員主觀因素的影響，結果缺乏可重復性和穩(wěn)定性，難以在人群中大范圍開展早期的檢查。腦干磁共振血管成像技術（MRA）檢查只能用于判斷眼瞼痙攣的是否與面神經受異常的血管有關系，且價格昂貴，需要病人高度配合。佩戴記錄眼瞼運動頻率功能的新型眼鏡，只能記錄眼瞼的閉合情況，不能記錄除眼睛與其他部位的聯(lián)動的情況，且眼鏡成本高且普及力度較低，很多小朋友對佩戴眼鏡的配合程度較低，且不能呈現(xiàn)最自然的用眼狀態(tài)。

現(xiàn)有技術對測試環(huán)境、檢測設備和檢測人員都有較高的要求，人力物力等成本較高。

現(xiàn)有技術適用范圍具有局限性：神經肌肉記錄儀需在眶上神經安放刺激電極，雙眼下瞼中部用導電膏介導，從而記錄雙眼輪匝肌的運動波形。但由于受檢者，特別是兒童配合程度較低，因此結果會存在較大的誤差；腦干磁共振血管成像技術（MRA），主要觀察腦干部位的血管異常與面神經腦干的相互關系。發(fā)現(xiàn)其病因常為面神經在小腦橋腦角被血管或腫瘤壓迫。應用范圍局限，主要用于排除鑒別診斷；佩戴記錄眼瞼運動頻率功能的新型眼鏡要求受檢者能持續(xù)佩戴，導致受檢者在檢測中易表現(xiàn)出緊張、好奇等不自然的狀態(tài)，另外隨意脫、戴也會嚴重影響眼瞼運動反射的記錄過程，從而嚴重影響了檢查結果的準確性和有效性。現(xiàn)有技術的測試結果具有主觀性：現(xiàn)有技術對于不同發(fā)病誘因原因引起的眼瞼運動頻率、雙眼對稱性、眼瞼閉合力度等的記錄方式各不相同，因此，測量結果判讀受檢測人員主觀因素的影響，使得測量結果的可重復性較低。

現(xiàn)有技術的測試環(huán)境具有限制性：由于檢查過程對測試設備、環(huán)境的要求，現(xiàn)有的檢查評估技術無法在日常生活環(huán)境中開展，導致現(xiàn)階段無法開展干眼、眼瞼運動反射異常、眼瞼痙攣等的大規(guī)模檢查，比如在醫(yī)生診室外、日常生活中的檢查。

綜上，由于測量人群的特殊性(兒童、老年人、甲亢病人多見)，傳統(tǒng)測量手段限制了眼瞼功能的測量，導致在現(xiàn)有技術基礎上難以在人群中開展大面積的眼瞼功能的篩查，使大量的眼瞼功能異常的患者錯過了最佳治療時機，最終引起不可逆性角膜或者結膜損傷，給家庭、醫(yī)療和社會資源造成了巨大的壓力。因此，實現(xiàn)人群中大規(guī)模的眼瞼功能早期篩查是避免出現(xiàn)視覺受損和識別面神經病變的重要前提。

深度學習技術已經廣泛應用于計算機視覺領域。作為深度學習技術之一，CNN(Convolutional Neural Network，卷積神經網絡) 模型大大提高了圖像分類的準確性，給圖像分類任務帶來質變。針對任何一個數據庫都可以設計合適的CNN模型，該CNN模型可以用于訓練數據庫中的樣本，從而得到數據庫中的樣本與樣本的標簽之間的聯(lián)系。這里，數據庫中的樣本可以是圖像，也可以是視頻。