本公開的實(shí)施方式涉及人工智能，更具體地，本公開的實(shí)施方式涉及病患的身體運(yùn)動(dòng)檢測(cè)方法、病患的身體運(yùn)動(dòng)檢測(cè)裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)及電子設(shè)備。

背景技術(shù)：

1、本部分旨在為權(quán)利要求中陳述的本公開的實(shí)施方式提供背景或上下文，此處的描述不因?yàn)榘ㄔ诒静糠种芯统姓J(rèn)是現(xiàn)有技術(shù)。

2、癲癇是一種慢性腦部疾病，是腦部神經(jīng)元的異常放電所引起的。通過病患的腦電圖可以記錄與腦活動(dòng)相關(guān)的波形，從而識(shí)別癲癇癥狀。但是病患在正?；顒?dòng)過程中，腦電圖會(huì)產(chǎn)生與癲癇發(fā)作類似的波形，因此，需要腦電圖結(jié)合病患監(jiān)測(cè)視頻同步進(jìn)行判斷。

3、相關(guān)技術(shù)中，一般是采用人體目標(biāo)追蹤技術(shù)從病患監(jiān)測(cè)視頻中提取運(yùn)動(dòng)信息，然而，上述方案所提取出來的運(yùn)動(dòng)信息伴隨著大量噪聲，而且存在不同人體之間的關(guān)鍵點(diǎn)錯(cuò)連問題。

技術(shù)實(shí)現(xiàn)思路

1、上述方案檢測(cè)準(zhǔn)確率較低，無法為醫(yī)生提供準(zhǔn)確的診斷參考，并且，在一定程度上造成了醫(yī)療資源的浪費(fèi)和較差的病患就醫(yī)體驗(yàn)。

2、為此，非常需要一種病患的身體運(yùn)動(dòng)檢測(cè)方法，可以從家屬、醫(yī)生、護(hù)士等多人復(fù)雜的視頻場(chǎng)景中僅提取有關(guān)病人的運(yùn)動(dòng)檢測(cè)信息，提升癲癇醫(yī)生判別動(dòng)作偽差的準(zhǔn)確性，以及，提升醫(yī)生的診斷效率。

3、在本上下文中，本公開的實(shí)施方式期望提供一種病患的身體運(yùn)動(dòng)檢測(cè)方法、病患的身體運(yùn)動(dòng)檢測(cè)裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)及電子設(shè)備。

4、根據(jù)本公開實(shí)施方式的第一方面，提供一種病患的身體運(yùn)動(dòng)檢測(cè)方法，包括：

5、采集病患的監(jiān)測(cè)視頻；

6、對(duì)所述監(jiān)測(cè)視頻進(jìn)行解幀處理，獲得與所述監(jiān)測(cè)視頻對(duì)應(yīng)的圖像幀集合；所述圖像幀集合中包含多幀圖像；

7、從每幀圖像中檢測(cè)所述病患的身體區(qū)域和人臉區(qū)域；

8、根據(jù)每m幀圖像之間針對(duì)所述身體區(qū)域的像素差異和所述每m幀圖像之間針對(duì)所述人臉區(qū)域的位置差異，確定針對(duì)所述病患的身體運(yùn)動(dòng)檢測(cè)結(jié)果；其中，m為大于1的整數(shù)。

9、在一種可選的實(shí)施方式中，所述對(duì)所述監(jiān)測(cè)視頻進(jìn)行解幀處理，獲得與所述監(jiān)測(cè)視頻對(duì)應(yīng)的圖像幀集合，包括：

10、將所述監(jiān)測(cè)視頻分割為n個(gè)視頻片段，n為大于1的整數(shù)；

11、對(duì)每個(gè)所述視頻片段進(jìn)行解幀處理，獲得與所述n個(gè)視頻片段對(duì)應(yīng)的n個(gè)圖像幀子集。

12、在一種可選的實(shí)施方式中，從每幀圖像中檢測(cè)所述病患的身體區(qū)域，包括：

13、調(diào)用預(yù)先訓(xùn)練好的病患目標(biāo)檢測(cè)模型；

14、通過所述預(yù)先訓(xùn)練好的病患目標(biāo)檢測(cè)模型從每個(gè)所述圖像幀子集中的每幀圖像中標(biāo)記出所述病患的身體標(biāo)注框的坐標(biāo)；

15、對(duì)標(biāo)記出的所述身體標(biāo)注框的坐標(biāo)進(jìn)行合并，得到所述每幀圖像中所述病患的身體區(qū)域。

16、在一種可選的實(shí)施方式中，所述預(yù)先訓(xùn)練好的病患目標(biāo)檢測(cè)模型，通過以下方式訓(xùn)練得到：

17、獲取訓(xùn)練樣本；所述訓(xùn)練樣本包括每個(gè)病患樣本的監(jiān)控圖像樣本和所述監(jiān)控圖像樣本對(duì)應(yīng)的標(biāo)注標(biāo)簽，所述標(biāo)注標(biāo)簽用于表征所述每個(gè)病患樣本的實(shí)際身體標(biāo)注框；

18、將所述訓(xùn)練樣本輸入至待訓(xùn)練的病患目標(biāo)檢測(cè)模型中，根據(jù)所述待訓(xùn)練的病患目標(biāo)檢測(cè)模型的輸出，獲得針對(duì)所述病患樣本的預(yù)測(cè)身體標(biāo)注框；

19、根據(jù)所述預(yù)測(cè)身體標(biāo)注框與所述實(shí)際身體標(biāo)注框之間的位置差異，確定所述待訓(xùn)練的病患目標(biāo)檢測(cè)模型的損失值；

20、根據(jù)所述損失值對(duì)所述待訓(xùn)練的病患目標(biāo)檢測(cè)模型進(jìn)行迭代訓(xùn)練，得到所述訓(xùn)練好的病患目標(biāo)檢測(cè)模型。

21、在一種可選的實(shí)施方式中，所述根據(jù)所述損失值對(duì)所述待訓(xùn)練的病患目標(biāo)檢測(cè)模型進(jìn)行迭代訓(xùn)練，得到所述訓(xùn)練好的病患目標(biāo)檢測(cè)模型，包括：

22、根據(jù)所述損失值，基于梯度更新算法更新所述待訓(xùn)練的病患目標(biāo)檢測(cè)模型的模型參數(shù)；

23、在所述損失值滿足預(yù)設(shè)的收斂條件時(shí)停止更新所述模型參數(shù)，以獲得所述訓(xùn)練好的病患目標(biāo)檢測(cè)模型。

24、在一種可選的實(shí)施方式中，從每幀圖像中檢測(cè)所述病患的人臉區(qū)域，包括：

25、調(diào)用預(yù)先訓(xùn)練好的病患人臉檢測(cè)模型，通過所述預(yù)先訓(xùn)練好的病患人臉檢測(cè)模型從每個(gè)所述圖像幀子集中的每幀圖像中標(biāo)記出人臉標(biāo)注框；

26、調(diào)用預(yù)先訓(xùn)練好的面部關(guān)鍵點(diǎn)檢測(cè)模型，通過所述訓(xùn)練好的人臉關(guān)鍵點(diǎn)檢測(cè)模型從所述人臉標(biāo)注框中標(biāo)注人臉關(guān)鍵點(diǎn)坐標(biāo)；

27、對(duì)所述每幀圖像中的人臉關(guān)鍵點(diǎn)坐標(biāo)進(jìn)行合并，確定所述每幀圖像中所述病患的人臉區(qū)域。

28、在一種可選的實(shí)施方式中，根據(jù)每m幀圖像之間針對(duì)所述身體區(qū)域的像素差異和所述每m幀圖像之間針對(duì)所述人臉區(qū)域的位置差異，確定針對(duì)所述病患的身體運(yùn)動(dòng)檢測(cè)結(jié)果，包括：

29、根據(jù)每個(gè)所述圖像幀子集中每m幀圖像之間針對(duì)所述身體區(qū)域的像素差異，以及，每個(gè)所述圖像幀子集中所述每m幀圖像之間針對(duì)所述人臉區(qū)域的位置差異，確定針對(duì)所述病患的每個(gè)圖像幀子集的身體運(yùn)動(dòng)檢測(cè)結(jié)果片段；

30、將所述n個(gè)圖像幀子集所對(duì)應(yīng)的n個(gè)身體運(yùn)動(dòng)檢測(cè)結(jié)果片段進(jìn)行拼接，獲得針對(duì)所述病患的身體運(yùn)動(dòng)檢測(cè)結(jié)果。

31、在一種可選的實(shí)施方式中，每個(gè)所述圖像幀子集中包含k幀圖像，每幀圖像對(duì)應(yīng)一個(gè)幀序號(hào)，k大于或等于m；

32、每個(gè)所述圖像幀子集中每m幀圖像之間針對(duì)所述身體區(qū)域的像素差異，通過以下方式確定：

33、將每個(gè)所述圖像幀子集中包含的k幀圖像按照指定的幀序號(hào)排列方式進(jìn)行排列，形成圖像隊(duì)列；

34、將所述圖像隊(duì)列中的每m幀圖像作為一個(gè)圖像組，計(jì)算每個(gè)所述圖像組中的相鄰兩幀圖像之間針對(duì)所述身體區(qū)域的像素顏色差異值，獲得m-1個(gè)像素顏色差異值；

35、將所述m-1個(gè)所述像素顏色差異值確定為每個(gè)所述圖像幀子集中每m幀圖像之間針對(duì)所述身體區(qū)域的像素差異。

36、在一種可選的實(shí)施方式中，每個(gè)所述圖像幀子集中包含k幀圖像，每幀圖像對(duì)應(yīng)一個(gè)幀序號(hào)，k大于或等于m；

37、每個(gè)所述圖像幀子集中所述每m幀圖像之間針對(duì)所述人臉區(qū)域的位置差異，通過以下方式確定：

38、從多個(gè)所述人臉關(guān)鍵點(diǎn)中確定出p個(gè)核心人臉關(guān)鍵點(diǎn)，并確定每個(gè)所述圖像幀子集中的每幀圖像對(duì)應(yīng)于每個(gè)所述核心人臉關(guān)鍵點(diǎn)的核心人臉關(guān)鍵點(diǎn)坐標(biāo)；p為大于或等于1的整數(shù)；

39、將每個(gè)所述圖像幀子集中包含的k幀圖像按照指定的幀序號(hào)排列方式進(jìn)行排列，形成圖像隊(duì)列；

40、將所述圖像隊(duì)列中的每m幀圖像作為一個(gè)圖像組，計(jì)算每個(gè)所述圖像組中的相鄰兩幀圖像之間針對(duì)每個(gè)所述核心人臉關(guān)鍵點(diǎn)的坐標(biāo)差異值，獲得m-1個(gè)坐標(biāo)差異值序列；每個(gè)所述坐標(biāo)差異值序列由p個(gè)所述坐標(biāo)差異值排列而成；

41、將所述m-1個(gè)坐標(biāo)差異值序列確定為每個(gè)所述圖像幀子集中所述每m幀圖像之間針對(duì)所述人臉區(qū)域的位置差異。

42、在一種可選的實(shí)施方式中，每個(gè)所述圖像幀子集關(guān)聯(lián)個(gè)像素顏色差異值，每個(gè)所述圖像幀子集關(guān)聯(lián)個(gè)坐標(biāo)差異值序列，每個(gè)所述坐標(biāo)差異值序列由對(duì)應(yīng)于p個(gè)核心人臉關(guān)鍵點(diǎn)的p個(gè)坐標(biāo)差異值排列而成；

43、所述根據(jù)每個(gè)所述圖像幀子集中每m幀圖像之間針對(duì)所述身體區(qū)域的像素差異，以及，每個(gè)所述圖像幀子集中所述每m幀圖像之間針對(duì)所述人臉區(qū)域的位置差異，確定針對(duì)所述病患的每個(gè)圖像幀子集的身體運(yùn)動(dòng)檢測(cè)結(jié)果片段，包括：

44、獲取所述個(gè)像素顏色差異值的第一累加值，并對(duì)所述第一累加值進(jìn)行標(biāo)準(zhǔn)化處理，獲得第一概率值；所述第一概率值用于表征所述病患的身體運(yùn)動(dòng)概率；

45、獲取對(duì)應(yīng)于每個(gè)所述核心人臉關(guān)鍵點(diǎn)的個(gè)坐標(biāo)差異值的第二累加值，并對(duì)每個(gè)所述第二累加值進(jìn)行標(biāo)準(zhǔn)化處理，獲得每個(gè)第二概率值；?p個(gè)所述第二概率值用于表征所述病患的人臉運(yùn)動(dòng)概率；

46、拼接所述第一概率值和p個(gè)所述第二概率值，獲得針對(duì)所述病患的每個(gè)圖像幀子集的身體運(yùn)動(dòng)檢測(cè)結(jié)果片段。

47、在一種可選的實(shí)施方式中，每個(gè)所述圖像幀子集關(guān)聯(lián)個(gè)像素顏色差異值，每個(gè)所述圖像幀子集關(guān)聯(lián)個(gè)坐標(biāo)差異值序列，每個(gè)所述坐標(biāo)差異值序列由對(duì)應(yīng)于p個(gè)核心人臉關(guān)鍵點(diǎn)的p個(gè)坐標(biāo)差異值排列而成；

48、所述根據(jù)每個(gè)所述圖像幀子集中每m幀圖像之間針對(duì)所述身體區(qū)域的像素差異，以及，每個(gè)所述圖像幀子集中所述每m幀圖像之間針對(duì)所述人臉區(qū)域的位置差異，確定針對(duì)所述病患的每個(gè)圖像幀子集的身體運(yùn)動(dòng)檢測(cè)結(jié)果片段，包括：

49、從與每個(gè)所述圖像幀子集所關(guān)聯(lián)的個(gè)像素顏色差異值中篩選出關(guān)鍵像素顏色差異值，以及，從與每個(gè)所述圖像幀子集針對(duì)每個(gè)所述核心人臉關(guān)鍵點(diǎn)所關(guān)聯(lián)的個(gè)坐標(biāo)差異值中篩選出關(guān)鍵坐標(biāo)差異值；

50、獲取篩選出來的所述關(guān)鍵像素顏色差異值的第一累加值，并對(duì)所述第一累加值進(jìn)行標(biāo)準(zhǔn)化處理，獲得第一概率值；所述第一概率值用于表征所述病患的身體運(yùn)動(dòng)概率；

51、獲取篩選出來的針對(duì)所述每個(gè)核心人臉關(guān)鍵點(diǎn)的所述關(guān)鍵坐標(biāo)差異值的第二累加值，并對(duì)每個(gè)所述第二累加值進(jìn)行標(biāo)準(zhǔn)化處理，獲得每個(gè)第二概率值；p個(gè)所述第二概率值用于表征所述病患的人臉運(yùn)動(dòng)概率；

52、拼接所述第一概率值和p個(gè)所述第二概率值，獲得針對(duì)所述病患的每個(gè)圖像幀子集的身體運(yùn)動(dòng)檢測(cè)結(jié)果片段。

53、在一種可選的實(shí)施方式中，所述從與每個(gè)所述圖像幀子集所關(guān)聯(lián)的個(gè)像素顏色差異值中篩選出關(guān)鍵像素顏色差異值，包括：

54、獲取預(yù)先設(shè)置的像素差異閾值，根據(jù)所述像素差異閾值對(duì)所述個(gè)像素顏色差異值進(jìn)行數(shù)據(jù)過濾處理，獲得所述關(guān)鍵像素顏色差異值。

55、在一種可選的實(shí)施方式中，所述從與每個(gè)所述圖像幀子集針對(duì)每個(gè)所述核心人臉關(guān)鍵點(diǎn)所關(guān)聯(lián)的個(gè)坐標(biāo)差異值中篩選出關(guān)鍵坐標(biāo)差異值，包括：

56、獲取預(yù)先設(shè)置的坐標(biāo)差異閾值，根據(jù)所述坐標(biāo)差異閾值對(duì)每個(gè)所述核心人臉關(guān)鍵點(diǎn)所關(guān)聯(lián)的個(gè)坐標(biāo)差異值進(jìn)行數(shù)據(jù)過濾處理，獲得所述關(guān)鍵坐標(biāo)差異值。

57、在一種可選的實(shí)施方式中，在確定針對(duì)所述病患的身體運(yùn)動(dòng)檢測(cè)結(jié)果之后，所述方法還包括：

58、獲取所述病患的生物醫(yī)學(xué)信號(hào)；

59、將所述生物醫(yī)學(xué)信號(hào)和所述身體運(yùn)動(dòng)檢測(cè)結(jié)果輸入至預(yù)先訓(xùn)練好的大腦異常放電檢測(cè)模型中，根據(jù)所述大腦異常放電檢測(cè)模型的輸出，獲得針對(duì)所述病患的大腦異常放電檢測(cè)結(jié)果。

60、根據(jù)本公開的第二方面，提供一種病患的身體運(yùn)動(dòng)檢測(cè)裝置，包括：

61、視頻采集模塊，用于采集病患的監(jiān)測(cè)視頻；

62、視頻處理模塊，用于對(duì)所述監(jiān)測(cè)視頻進(jìn)行解幀處理，獲得與所述監(jiān)測(cè)視頻對(duì)應(yīng)的圖像幀集合；所述圖像幀集合中包含多幀圖像；

63、檢測(cè)模塊，用于從每幀圖像中檢測(cè)所述病患的身體區(qū)域和人臉區(qū)域；

64、檢測(cè)結(jié)果確定模塊，用于根據(jù)每m幀圖像之間針對(duì)所述身體區(qū)域的像素差異和所述每m幀圖像之間針對(duì)所述人臉區(qū)域的位置差異，確定針對(duì)所述病患的身體運(yùn)動(dòng)檢測(cè)結(jié)果；其中，m為大于1的整數(shù)。

65、根據(jù)本公開實(shí)施方式的第三方面，提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述第一方面所述的病患的身體運(yùn)動(dòng)檢測(cè)方法。

66、根據(jù)本公開實(shí)施方式的第四方面，提供一種電子設(shè)備，包括：處理器；以及存儲(chǔ)器，用于存儲(chǔ)所述處理器的可執(zhí)行指令；其中，所述處理器配置為經(jīng)由執(zhí)行所述可執(zhí)行指令來執(zhí)行上述第一方面所述的病患的身體運(yùn)動(dòng)檢測(cè)方法。

67、根據(jù)本公開實(shí)施方式的病患的身體運(yùn)動(dòng)檢測(cè)方法、病患的身體運(yùn)動(dòng)檢測(cè)裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)及電子設(shè)備，一方面，能夠結(jié)合病患身體區(qū)域的像素差異和病患人臉區(qū)域的位置差異，有效的檢測(cè)病患的身體運(yùn)動(dòng)變化，且捕捉到病患的細(xì)微動(dòng)作變化，從而便于后續(xù)輸出準(zhǔn)確度較高的身體運(yùn)動(dòng)檢測(cè)結(jié)果。進(jìn)一步的，解決了相關(guān)技術(shù)中無法準(zhǔn)確的輸出病患的身體運(yùn)動(dòng)檢測(cè)結(jié)果的問題，便于醫(yī)生根據(jù)該身體運(yùn)動(dòng)檢測(cè)結(jié)果確定腦電波的異常是否是病患運(yùn)動(dòng)所造成的，從而準(zhǔn)確識(shí)別腦電圖波形中的動(dòng)作偽差，提升癲癇診斷的準(zhǔn)確率，從而在一定程度上緩解了醫(yī)療資源的浪費(fèi)，保障了病患的就醫(yī)體驗(yàn)；另一方面，通過輸出準(zhǔn)確度較高的病患的身體運(yùn)動(dòng)檢測(cè)結(jié)果，本公開還能夠?yàn)榘d癇等神經(jīng)系統(tǒng)疾病的術(shù)前定位提供輔助支持，提高術(shù)前定位的準(zhǔn)確性，從而有助于提升后續(xù)的手術(shù)成功率。