[發(fā)明專利]一種BPPV眼震信號檢測算法

在審

• 申請?zhí)枺?/td>: 202111452683.0
• 申請日: 2021-12-01
• 公開（公告）號: CN114140866A
• 公開（公告）日: 2022-03-04
• 發(fā)明（設(shè)計）人: 時海波
• 申請（專利權(quán)）人: 上海市第六人民醫(yī)院
• 主分類號: G06V40/18
• 分類號: G06V40/18;G06K9/00;G06V20/40;G06V10/774;G06V10/764;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海科政專利代理事務(wù)所(普通合伙) 31463
• 代理人: 楊軍

本發(fā)明涉及一種BPPV眼震信號檢測算法，包括以下步驟：1)使用瞳孔中心定位算法，獲得每一個醫(yī)療視頻的瞳孔定位信息，并從中獲取瞳孔水平、豎直、旋轉(zhuǎn)方向上的速度曲線；2)選擇400幀作為統(tǒng)一的長度標(biāo)準(zhǔn)，將視頻進(jìn)行滾動切分，切分后的部分子樣本不包含眼震信號，將其標(biāo)注為負(fù)樣本；3)對數(shù)據(jù)進(jìn)行翻轉(zhuǎn)、反轉(zhuǎn)、加噪聲操作，將數(shù)據(jù)量擴(kuò)充為至少原先的8倍，以提升模型效果；4)采用SMOTE算法進(jìn)行過采樣，以擴(kuò)充數(shù)據(jù)樣本，并減少數(shù)據(jù)不平衡；5)使用一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為基礎(chǔ)網(wǎng)絡(luò)框架捕捉眼震信號；本發(fā)明通過搭建基于一維卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型，實現(xiàn)對于眼震信號的自動識別，為醫(yī)學(xué)上提供了有益的參考信息。

[技術(shù)領(lǐng)域]

本發(fā)明涉及視頻影像分析技術(shù)領(lǐng)域，具體地說是一種BPPV眼震信號檢測算法。

[背景技術(shù)]

BPPV，即“良性陣發(fā)性位置性眩暈”，指頭部迅速運動至某一個或多個特定頭位時，出現(xiàn)短暫的陣發(fā)性的眩暈及眼震，又稱變位性眩暈，在眩暈病中極為常見，占比約為40％-60％。眼震現(xiàn)象具體表現(xiàn)為眼球沿水平/垂直方向上有規(guī)律的快慢相運動，以及瞳孔出現(xiàn)的逆時針/順時針方向上的旋轉(zhuǎn)。

當(dāng)前主流的深度學(xué)習(xí)方案，不管是視頻數(shù)據(jù)還是統(tǒng)計數(shù)據(jù)，基本上都使用了時間序列模型進(jìn)行建模，這樣存在兩個問題：(1)時間序列模型對于長序列的處理效果較差，對于數(shù)百幀的樣本，時間序列模型表現(xiàn)會衰減，而大部分的視頻樣本都有數(shù)百上千幀；(2)由于時間序列模型無法并行化的原因，在計算較長的序列時會消耗大量的時間，非常不利于大批量樣本的模型訓(xùn)練和模型推斷，同時也需要消耗大量的計算資源，這對醫(yī)院來說比較困難，實際應(yīng)用場景受到限制。

目前相關(guān)研究中雖有使用一維卷積神經(jīng)網(wǎng)絡(luò)檢測水平方向的眼震信號，然而并未實現(xiàn)對于豎直/旋轉(zhuǎn)方向上的檢測，針對現(xiàn)有技術(shù)的不足，若能使用一維卷積神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)架構(gòu)，檢測豎直和旋轉(zhuǎn)方向上的眼震信號，以克服當(dāng)前的局限性，將具有非常重要的意義。

[發(fā)明內(nèi)容]

本發(fā)明的目的就是要解決上述的不足而提供一種BPPV眼震信號檢測算法，通過搭建基于一維卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型，實現(xiàn)對于眼震信號的自動識別，為醫(yī)學(xué)上提供了有益的參考信息。

為實現(xiàn)上述目的設(shè)計一種BPPV眼震信號檢測算法，包括以下步驟：1)獲取瞳孔運動軌跡曲線：使用瞳孔中心定位算法，獲得每一個醫(yī)療視頻的瞳孔定位信息，并從中獲取瞳孔水平、豎直、旋轉(zhuǎn)方向上的速度曲線；2)時間序列數(shù)據(jù)滾動切分：選擇400幀作為統(tǒng)一的長度標(biāo)準(zhǔn)，將視頻進(jìn)行滾動切分，切分后的部分子樣本不包含眼震信號，將其標(biāo)注為負(fù)樣本；3)數(shù)據(jù)增強：對數(shù)據(jù)進(jìn)行翻轉(zhuǎn)、反轉(zhuǎn)、加噪聲操作，將數(shù)據(jù)量擴(kuò)充為至少原先的8倍，以提升模型效果；

4)平衡正負(fù)樣本：采用SMOTE算法進(jìn)行過采樣，以擴(kuò)充數(shù)據(jù)樣本，并減少數(shù)據(jù)不平衡；5)搭建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：使用一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為基礎(chǔ)網(wǎng)絡(luò)框架捕捉眼震信號。

進(jìn)一步地，步驟2)的處理流程為：(1)按照400幀長度，100幀間隔對視頻進(jìn)行切分，滾動生成0-400幀、100-500幀，200-600幀的子樣本；(2)觀察視頻和時序數(shù)據(jù)曲線，找到眼震對應(yīng)的位置；(3)對于包含眼震部分的子樣本，標(biāo)簽設(shè)置為1，作為正樣本；對于不包含眼震的，則標(biāo)記為負(fù)樣本，標(biāo)簽為0。

進(jìn)一步地，步驟3)的數(shù)據(jù)增強方法為：對原始數(shù)據(jù)進(jìn)行反轉(zhuǎn)操作，與原始數(shù)據(jù)合并；再對數(shù)據(jù)集進(jìn)行翻轉(zhuǎn)操作，即讓瞳孔運動方向取反向，合并為新數(shù)據(jù)集；最后復(fù)制新數(shù)據(jù)集并添加白噪聲。

進(jìn)一步地，步驟4)的具體步驟為：(1)使用最近鄰采樣算法，計算出每個少數(shù)類正樣本的K個近鄰；(2)從K個近鄰中隨機挑選N個正樣本；(3)從N個正樣本中隨機挑選一個，進(jìn)行線性插值，產(chǎn)生新的正樣本；(4)重復(fù)步驟(2)和步驟(3)直至數(shù)據(jù)標(biāo)簽平衡，將新樣本與原始數(shù)據(jù)合并。