一种基于眼动异常自动识别的脑卒中初筛分析方法

1.本发明涉及一种基于眼动异常自动识别的脑卒中初筛分析方法，属于人工智能、深度学习、临床检查领域。


背景技术：

2.脑卒中，也被称为中风，是指由于脑血管疾病导致脑部供血中断或血液循环障碍而引起的急性脑功能障碍。脑卒中是一种严重的疾病，可导致神经功能缺陷、残疾甚至死亡。早期识别脑卒中症状，迅速就医并接受适当的治疗可以最大限度地减少神经功能损伤并提高生存率。在脑卒中初期筛查工作中，眼动检查对于早期筛查具有一定的辅助价值。hints(head impulse,nystagmus,test of skew)是一种用于脑卒中早期筛查的方法，通过检查头部迅速摇摆、眼球震颤和眼睑倾斜等指标来判断是否存在后循环脑卒中。
3.虽然hints检查已经在临床实践中得到广泛应用，然而也存在一些局限性。首先，hints检查需要由经验丰富的临床医生进行操作和解读，对医生的技术要求较高。这可能导致结果的主观性和可变性，从而影响诊断的准确性和一致性。其次，hints检查依赖于临床观察和评估，对医生的经验和专业知识有较高的要求。这可能导致在一些情况下，特别是对于初级医生或非专业医生来说，对眼动异常的识别和解释存在困难。此外，hints检查需要一定的时间和设备来完成，限制了其在急诊等时间敏感环境中的应用。
4.综上，hints检查存在很高的临床价值，但是其局限性限制了该项检查的普及。


技术实现要素：

5.为了克服现有技术的不足，为了辅助临床医生更高效地进行脑卒中初筛工作，本发明提供一种能够自动分析眼动异常行为的方法，旨在更快速、准确和客观地进行诊断，以解决背景技术中hints眼动异常检查存在的局限性，辅助临床医生进行更加可靠的诊断；该方法能够自动分析和识别眼动异常的特征，减少对医生的主观判断和经验依赖。
6.本发明解决其技术问题采用以下技术方案：
7.一种基于眼动异常自动识别的脑卒中初筛分析方法，包括以下步骤：
8.步骤1：录制眼部区域视频，所述眼部区域包含瞳孔区域；
9.步骤2：部署基于深度学习的瞳孔跟踪模型，使用该模型预测视频中每一帧图像的瞳孔中心位置并记录，同时保存每帧预测结果的置信度；
10.步骤3：使用python脚本处理每一帧图像的瞳孔中心坐标数据，绘制相关的曲线图；
11.步骤4：基于上一步骤绘制的曲线图，辅助医生进行hints眼动异常检查，其中的检查包括眼震试验和扭转偏斜试验；
12.步骤5：生成脑卒中初期的诊断结果及分析报告，并保存诊断视频以便后续检查。
13.进一步，所述步骤1中，视频每帧图像预处理成高、宽和通道分别是(240，320，3)的rgb图像，为了加快后续模型处理时的速度，对其进行灰度化处理成单通道图像以减小模型
计算量。
14.再进一步，所述步骤2中，所述模型为u-net图像分割模型，逐一预测视频中的每一帧图像，并使用形态学处理填充成闭合区域，提取最大连通区域并利用其轮廓坐标来拟合椭圆，拟合椭圆的方法为最小二乘法，最终确定椭圆圆心为跟踪目标；使用预测视频中每一帧图像的瞳孔中心位置并记录，同时保存每帧预测结果的置信度。当然，所述模型可以为任意深度学习模型。
15.更进一步，所述步骤3中，使用numpy、pandas和matplotlib库对坐标数据进行可视化，生成csv文件，提取数据列，并绘制曲线图，标记其中预测置信度较低的帧数以保证方法的严谨性；曲线图包括x/y坐标随帧数变化图、x坐标和y坐标帧间差值随帧数变化图。
16.所述步骤4中，检查包括眼震试验和扭转偏斜试验，过程如下：
17.4.1：眼震试验通过观察x坐标和y坐标随帧数变化图进行分析，计算曲线图斜率的绝对值大小来区分眼震的快向和慢向；通过观察眼球运动轨迹是否保持稳定，没有明显的不自主运动；
18.4.2：扭转偏斜试验要求患者凝视前方，然后交替遮盖左右眼，反复交替遮盖设定次，观察去掉遮盖后的眼球是否必须经过调整才能复位；闭眼时，模型预测的置信度通常较低，因此在曲线图上将被标记视为非正常预测结果；通过观察遮盖后，即标记位置后眼球是否出现垂直或偏斜现象。
19.本发明的有益效果为：
20.1.自动化识别：能够自动分析和识别眼动异常的特征，消除了人工操作和主观判断的影响。这样可以提高诊断的客观性和一致性，减少医生之间的诊断差异。同时，该方法能够实现快速的眼动异常分析，大大缩短了诊断的时间
21.2.可辅助临床决策：为临床医生提供直观的眼动异常分析结果，辅助做出更可靠的诊断决策。通过提供可视化的数据和指标，医生可以更好地理解患者的情况，并根据方法提供的分析结果进行进一步的评估和处理。
22.3.教学和研究用途：保存的诊断视频可以用于医学教学和研究。它们可以作为教学案例，帮助培训医生和学生学习和理解脑卒中的眼动特征及其与疾病之间的关系。此外，这些视频还可以作为研究数据，用于进行统计分析、算法改进或其他科学研究。
23.4.存档和复查：该方法能够保存诊断视频，这使得医生可以随时回顾和复查患者的眼动情况。这对于监测治疗效果、评估病情进展以及进行长期随访非常有价值。通过比较不同时间点的视频，医生可以更好地了解疾病的演变和患者的反应。
附图说明
24.图1为本发明所述的方法总体框图；
25.图2为本发明提供的x坐标随帧数变化图；
26.图3为本发明提供的x坐标帧间差值随帧数变化图。
具体实施方式
27.下面结合附图对本发明作进一步描述。
28.参照图1～图3，一种基于眼动异常自动识别的脑卒中初筛分析方法，包括以下步
骤：
29.步骤1：录制眼部区域视频，所述眼部区域包含瞳孔区域，视频每帧图像预处理成高、宽和通道分别是(240，320，3)的rgb图像，为了加快后续模型处理时的速度，对其进行灰度化处理成单通道图像以减小模型计算量；
30.步骤2：部署基于深度学习的瞳孔跟踪模型(此处的模型可以是任意一种深度学习跟踪模型)，以u-net图像分割模型结合数字图像处理技术为例，逐一预测视频中的每一帧图像，并使用形态学处理填充成闭合区域，提取最大连通区域并利用其轮廓坐标来拟合椭圆，拟合椭圆的方法为最小二乘法，最终确定椭圆圆心为跟踪目标。使用上述步骤预测视频中每一帧图像的瞳孔中心位置并记录，同时保存每帧预测结果的置信度；
31.步骤3：使用python脚本处理每一帧图像的瞳孔中心坐标数据，绘制相关的曲线图，使用numpy、pandas和matplotlib库对坐标数据进行可视化，生成csv文件，提取数据列，并绘制曲线图，标记其中预测置信度较低的帧数以保证方法的严谨性。曲线图包括x/y坐标随帧数变化图、x坐标和y坐标帧间差值随帧数变化图。
32.步骤4：基于上一步骤绘制的曲线图，辅助医生进行hints眼动异常检查，其中的检查包括眼震试验和扭转偏斜试验，过程如下：
33.4.1：眼震试验可以通过观察x坐标和y坐标随帧数变化图进行分析，计算曲线图斜率的绝对值大小来区分眼震的快向和慢向。通过观察眼球运动轨迹是否保持稳定，没有明显的不自主运动。以图2和图3为例，分别观察到患者向左凝视时的瞳孔运动坐标图和坐标插值图，可以得出眼震方向。图2可以观察出患者有4次向右的眼震，图3坐标插值图可以看出插值为正的部分与x轴之间的平均距离大于差值为负的部分，即向右速度远大于向左速度，得出眼震方向向右的结论。
34.4.2：扭转偏斜试验要求患者凝视前方，然后交替遮盖左右眼，反复交替遮盖几次，观察去掉遮盖后的眼球是否必须经过调整才能复位。闭眼时，模型预测的置信度通常较低，因此在曲线图上将被标记视为非正常预测结果。通过观察遮盖后(即标记位置后)眼球是否出现垂直或偏斜现象。
35.步骤5：生成脑卒中初期的诊断结果及分析报告，并保存诊断视频以便后续检查。
36.本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

技术特征：
1.一种基于眼动异常自动识别的脑卒中初筛分析方法，其特征在于，所述方法包括以下步骤：步骤1：录制眼部区域视频，所述眼部区域包含瞳孔区域；步骤2：部署基于深度学习的瞳孔跟踪模型，使用该模型预测视频中每一帧图像的瞳孔中心位置并记录，同时保存每帧预测结果的置信度；步骤3：使用python脚本处理每一帧图像的瞳孔中心坐标数据，绘制相关的曲线图；步骤4：基于上一步骤绘制的曲线图，辅助医生进行hints眼动异常检查，其中的检查包括眼震试验和扭转偏斜试验；步骤5：生成脑卒中初期的诊断结果及分析报告，并保存诊断视频以便后续检查。2.如权利要求1所述的一种基于眼动异常自动识别的脑卒中初筛分析方法，其特征在于，所述步骤1中，视频每帧图像预处理成高、宽和通道分别是(240，320，3)的rgb图像，为了加快后续模型处理时的速度，对其进行灰度化处理成单通道图像以减小模型计算量。3.如权利要求1或2所述的一种基于眼动异常自动识别的脑卒中初筛分析方法，其特征在于，所述步骤2中，所述模型为u-net图像分割模型，逐一预测视频中的每一帧图像，并使用形态学处理填充成闭合区域，提取最大连通区域并利用其轮廓坐标来拟合椭圆，拟合椭圆的方法为最小二乘法，最终确定椭圆圆心为跟踪目标；使用预测视频中每一帧图像的瞳孔中心位置并记录，同时保存每帧预测结果的置信度。4.如权利要求1或2所述的一种基于眼动异常自动识别的脑卒中初筛分析方法，其特征在于，所述步骤3中，使用numpy、pandas和matplotlib库对坐标数据进行可视化，生成csv文件，提取数据列，并绘制曲线图，标记其中预测置信度较低的帧数以保证方法的严谨性；曲线图包括x/y坐标随帧数变化图、x坐标和y坐标帧间差值随帧数变化图。5.如权利要求1或2所述的一种基于眼动异常自动识别的脑卒中初筛分析方法，其特征在于，所述步骤4中，检查包括眼震试验和扭转偏斜试验，过程如下：4.1：眼震试验通过观察x坐标和y坐标随帧数变化图进行分析，计算曲线图斜率的绝对值大小来区分眼震的快向和慢向；通过观察眼球运动轨迹是否保持稳定，没有明显的不自主运动；4.2：扭转偏斜试验要求患者凝视前方，然后交替遮盖左右眼，反复交替遮盖设定次，观察去掉遮盖后的眼球是否必须经过调整才能复位；闭眼时，模型预测的置信度通常较低，因此在曲线图上将被标记视为非正常预测结果；通过观察遮盖后，即标记位置后眼球是否出现垂直或偏斜现象。

技术总结
一种基于眼动异常自动识别的脑卒中初筛分析方法，包括以下步骤：步骤1：录制眼部区域视频；步骤2，部署基于深度学习的瞳孔跟踪模型，使用该模型预测视频中每一帧图像的瞳孔中心位置并记录，同时保存每个预测结果的置信度；步骤3，使用python脚本处理每一帧图像的瞳孔中心坐标数据，绘制相关的曲线图；步骤4，基于上一步骤绘制的曲线图，辅助医生进行HINTS眼动异常检查，其中的检查包括眼震试验和扭转偏斜试验；步骤5，生成脑卒中初期的诊断结果及分析报告，并保存诊断视频以便后续检查。本发明提供一种基于眼动异常自动识别的脑卒中初筛分析方法，自动分析眼动体征来辅助临床医生进行脑卒中初期筛查工作。进行脑卒中初期筛查工作。进行脑卒中初期筛查工作。


技术研发人员：张辉煌 苏一平 胡海根 陈琦 周乾伟
受保护的技术使用者：浙江工业大学
技术研发日：2023.07.13
技术公布日：2023/10/15