【技術實現步驟摘要】
本申請涉及醫療器械領域，特別是涉及一種異質圖卷積癲癇分類模型構建方法、癲癇監測裝置、設備及介質。
技術介紹
1、癲癇是一種慢性疾病，大腦中的神經元突然異常放電，導致暫時性腦功能障礙。大多數癲癇發作時伴有明顯的行為變化，如身體顫抖、僵硬、眼睛偏差和面部扭曲，但有些變化非常微妙，如短暫的失神或停止運動，需要仔細觀察才能辨別。這些視覺行為改變是癲癇醫生評估癲癇發作的關鍵指標。對于兒童來說，醫院復雜的視覺背景環境加上其較小的靶體積會影響癲癇發作的觀察和識別。此外，兒童的運動可能更加活躍和多樣，使得從視頻片段中準確提取和分析癲癇發作特征變得越來越復雜和具有挑戰性。然而，當面對大量的病例時，專家往往需要投入大量的時間和精力來識別癲癇發作。因此，提出一種更準確的癲癇監測裝置，旨在有效減輕專家的負擔，輔助診斷和治療。當患者癲癇發作時，可以通過監測裝置及時發現，并進行及時診斷，可為患者的生命安全提供有效保障。
2、目前，基于深度學習的分類方法在各個領域都表現出了優異的性能。神經網絡可以通過從訓練數據中自動學習更魯棒的數據分布變化特征來克服這些挑戰。在基于深度學習的癲癇分類領域，主要分為基于腦電圖(electro?encephalo?graphy，eeg)數據的癲癇分類研究和基于視覺數據的癲癇分類研究。
3、基于深度學習的癲癇研究主要利用腦電圖(eeg)數據，基于腦電圖的檢測已經取得了重大進展。卷積神經網絡(convolutional?neural?networks，cnn)、循環神經網絡(recurrent?neural?
技術實現思路
1、本申請的目的是提供一種異質圖卷積癲癇分類模型構建方法、癲癇監測裝置、設備及介質，以基于視頻數據實現癲癇發作監測，克服腦電圖監測限制患者活動的缺陷。
2、為實現上述目的，本申請提供了如下方案。
3、第一方面，本申請提供了一種異質圖卷積癲癇分類模型構建方法，包括如下步驟。
4、構建特征提取模塊；所述特征提取模塊用于提取視頻數據中目標人物的骨骼運動特征和面部特征。
5、構建f2agcn網絡模型；所述f2agcn網絡模型為融合面部和運動的自適應圖卷積網絡模型；所述f2agcn網絡模型包括：第一平均池化層、第二平均池化層、第一全連接層、第二全連接層、融合層及依次連接的三個ffde模塊；所述ffde模塊用于對骨骼運動特征和面部特征進行深度特征提取，獲得骨骼運動深度特征和面部深度特征；所述第一平均池化層和所述第二平均池化層均與依次連接的三個ffde模塊中的最后一個ffde模塊連接，所述第一全連接層與所述第一平均池化層連接，所述第二全連接層與所述第二平均池化層連接，所述第一平均池化層和所述第二平均池化層均與所述融合層連接；所述第一平均池化層和所述第一全連接層用于基于所述骨骼運動深度特征進行癲癇分類，獲得運動分類結果，所述第二平均池化層和所述第二全連接層用于基于所述面部深度特征進行癲癇分類，獲得面部分類結果，所述融合層用于融合所述運動分類結果和所述面部分類結果，獲得綜合分類結果。
6、利用模態協調學習機制訓練所述f2agcn網絡模型，獲得訓練后的自適應圖卷積網絡模型，作為異質圖卷積癲癇分類模型。
7、第二方面，本申請提供了一種癲癇監測裝置，所述裝置包括：攝像頭、服務器和終端。
8、所述攝像頭與所述服務器連接，所述服務器與所述終端連接，所述服務器內設置有異質圖卷積癲癇分類模型，所述異質圖卷積癲癇分類模型采用上述的異質圖卷積癲癇分類模型構建方法獲得。
9、所述攝像頭用于對目標人物進行監測，獲得視頻數據。
10、所述服務器用于基于所述視頻數據，利用所述異質圖卷積癲癇分類模型進行癲癇分類，獲得綜合分類結果。
11、所述終端用于接收和展示所述綜合分類結果。
12、第三方面，本申請提供一種計算機設備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序以實現上述的異質圖卷積癲癇分類模型構建方法。
13、第四方面，本申請提供一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現上述的異質圖卷積癲癇分類模型構建方法。
14、根據本申請提供的具體實施例，本申請具有了以下技術效果。
15、本申請提供了一種異質圖卷積癲癇分類模型構建方法、癲癇監測裝置、設備及介質，首先構建特征提取模塊；然后構建融合面部和運動的自適應圖卷積網絡模型，即f2agcn網絡模型；然后利用模態協調學習機制訓練所述f2agcn網絡模型，獲得訓練后的f2agcn網絡模型，作為異質圖卷積癲癇分類模型。本申請構建了融合面部和運動信息的自適應圖卷積網絡模型，用于癲癇分類，并引入模態協調學習機制，以強制模型學習保持骨骼和面部模態之間語義一致性的特征表示，確保了融合的特征在不同模式之間保持語義一致性，從而提高了集成的有效性，構建獲得的異質圖卷積癲癇分類模型能夠基于視頻數據直接實現癲癇的分類和監測。
本文檔來自技高網...【技術保護點】
1.一種異質圖卷積癲癇分類模型構建方法，其特征在于，包括：
2.根據權利要求1所述的異質圖卷積癲癇分類模型構建方法，其特征在于，在提取視頻數據中目標人物的骨骼運動特征和面部特征的方面，所述特征提取模塊具體用于：
3.根據權利要求2所述的異質圖卷積癲癇分類模型構建方法，其特征在于，基于目標人物的骨骼點信息對目標人物的面部進行定位，并獲取目標人物的面部輪廓的公式為：
4.根據權利要求1所述的異質圖卷積癲癇分類模型構建方法，其特征在于，所述FFDE模塊包括F2AGCN塊和AGCN塊；
5.根據權利要求4所述的異質圖卷積癲癇分類模型構建方法，其特征在于，所述F2AGCN塊包括：GCN模塊、卷積塊注意模塊、連接模塊、時卷積模塊和后處理模塊；
6.根據權利要求4或5所述的異質圖卷積癲癇分類模型構建方法，其特征在于，所述卷積塊注意模塊包括依次連接的通道注意力模塊和空間注意力模塊。
7.根據權利要求1所述的異質圖卷積癲癇分類模型構建方法，其特征在于，利用模態協調學習機制訓練F2AGCN網絡模型的損失函數為：
8.
9.一種計算機設備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序以實現權利要求1-7中任一項所述的異質圖卷積癲癇分類模型構建方法。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1-7中任一項所述的異質圖卷積癲癇分類模型構建方法。
...【技術特征摘要】
1.一種異質圖卷積癲癇分類模型構建方法，其特征在于，包括：
2.根據權利要求1所述的異質圖卷積癲癇分類模型構建方法，其特征在于，在提取視頻數據中目標人物的骨骼運動特征和面部特征的方面，所述特征提取模塊具體用于：
3.根據權利要求2所述的異質圖卷積癲癇分類模型構建方法，其特征在于，基于目標人物的骨骼點信息對目標人物的面部進行定位，并獲取目標人物的面部輪廓的公式為：
4.根據權利要求1所述的異質圖卷積癲癇分類模型構建方法，其特征在于，所述ffde模塊包括f2agcn塊和agcn塊；
5.根據權利要求4所述的異質圖卷積癲癇分類模型構建方法，其特征在于，所述f2agcn塊包括：gcn模塊、卷積塊注意模塊、連接模塊、時卷積模塊和后處理模塊；
6.根據權利要求4或...
【專利技術屬性】
技術研發人員：丁輝，李博，尚媛園，梁樹立，丁平，趙曉旭，劉婷紅，
申請(專利權)人：首都師范大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。