[發明專利]橈動脈觸診定位方法、裝置、電子設備和存儲介質

有效

• 申請號: 202210011181.2
• 申請日: 2022-01-06
• 公開（公告）號: CN114041758B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 黃羽霖;季仲致;羅靜靜;楊嘉成;祝興
• 申請（專利權）人: 季華實驗室
• 主分類號: A61B5/00
• 分類號: A61B5/00;A61B5/02;G06T7/00;G06T7/73;G06V10/44;G06V10/764;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 佛山市海融科創知識產權代理事務所(普通合伙) 44377
• 代理人: 陳志超

1.一種橈動脈觸診定位方法，用于對被測者手腕處的橈動脈位置進行定位，其特征在于，包括步驟：

A1.獲取被測者手腕在靜止時的近紅外視頻信息；

A2.對所述近紅外視頻信息的各幀圖像進行綠色信道圖像的提取，得到單通道視頻數據；

A3.對所述單通道視頻數據進行像素值歸一化處理，得到待檢測視頻數據；

A4.把所述待檢測視頻數據輸入到預先訓練好的三維卷積神經網絡模型，得到所述被測者的橈動脈坐標；

所述三維卷積神經網絡模型通過以下步驟訓練得到：

B1.采集多個不同受試者的手腕的近紅外視頻數據樣本；其中，針對每個所述受試者采集多個所述近紅外視頻數據樣本；

B2.對所述近紅外視頻數據樣本進行預處理后，按4：1：1劃分成訓練集、測試集和驗證集；

B3.基于預設的超參數，使用所述訓練集對所述三維卷積神經網絡模型進行訓練；

B4.使用所述測試集對訓練好的所述三維卷積神經網絡模型進行交叉驗證及評估；

B5.多次調整超參數，每次調節后通過所述驗證集對所述三維卷積神經網絡模型進行驗證，以獲取最優的三維卷積神經網絡模型；

步驟B2包括：

對所述近紅外視頻數據樣本的各幀圖像進行綠色信道圖像的提取，得到單通道視頻數據樣本；對所述單通道視頻數據樣本中的橈動脈位置進行標定；對標定后的所述單通道視頻數據樣本進行像素值歸一化處理；

所述對所述單通道視頻數據樣本中的橈動脈位置進行標定的步驟包括：

獲取單通道視頻數據樣本中由人工標定后的各第一圖像中的標定位置的坐標數據；其中，各第一圖像是該單通道視頻數據樣本中的在時序上等間隔分布的幀圖像；

根據各第一圖像中的標定位置的坐標數據擬合標定位置的橫坐標隨圖像的排序序號變化的第一曲線，并擬合標定位置的縱坐標隨圖像排序序號變化的第二曲線；

根據各第二圖像的排序序號和第一曲線獲取各第二圖像的待標定位置的橫坐標數據，并根據各第二圖像的排序序號和第二曲線獲取各第二圖像的待標定位置的縱坐標數據；該第二圖像為該單通道視頻數據樣本中的除第一圖像外的幀圖像；

根據各第二圖像的待標定位置的橫坐標數據和待標定位置的縱坐標數據，在各第二圖像的對應位置進行標定。

2.根據權利要求1所述的橈動脈觸診定位方法，其特征在于，步驟A1包括：

獲取以預設幀率采集的預設時長的所述近紅外視頻信息；所述預設幀率為28 fps -32fps，所述預設時長為4s-6s。

3.根據權利要求1所述的橈動脈觸診定位方法，其特征在于，步驟A3包括：

根據以下公式對所述單通道視頻數據的各幀圖像進行像素值歸一化處理：

；

其中，為所述幀圖像中的第i個像素點的歸一化處理后的像素值，所述幀圖像中的第i個像素點的歸一化處理前的像素值，為所述幀圖像的歸一化處理前的最小像素值，為所述幀圖像的歸一化處理前的最大像素值。

4.根據權利要求1所述的橈動脈觸診定位方法，其特征在于，所述近紅外視頻信息的分辨率為2048*1088；

所述三維卷積神經網絡模型包括依次連接的輸入層、第一卷積層、第一池化層、第二卷積層、第二池化層、第三卷積層、第三池化層、第一全連接層、第二全連接層和輸出層；

所述第一卷積層、所述第二卷積層和所述第三卷積層的卷積核均為大小均為15*3*3的三維卷積核，且卷積處理時的窗口移動步長均為1，所述第一卷積層的卷積核個數為32，所述第二卷積層的卷積核個數為16，所述第三卷積層的卷積核個數為8；

所述第一池化層、所述第二池化層和所述第三池化層的池化方法均為2*2*2的最大池化方法，且池化處理時的窗口移動步長均為2；

所述第一全連接層和所述第二全連接層均為linear層。

5.根據權利要求1所述的橈動脈觸診定位方法，其特征在于，所述預設的超參數包括：

批次大小，所述批次大小為8或16；

動量參數，所述動量參數為0.95；

學習率，所述學習率為動態學習率，其初始值為0.001；

迭代次數，所述迭代次數為100。