欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025100318987
申请人: 南昌大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种帕金森病评估模型训练方法,其特征在于,所述方法包括:

获取多个样本对象中每一样本对象的多类面部表情图像,每一所述样本对象具有对应的真实类别标签,其中,所述真实类别标签包括PD患者和非PD患者;

通过初始帕金森病评估模型中的分支网络模块,分别提取每一所述样本对象的多类面部表情图像的多尺度特征,其中,所述分支网络模块包括与每一类面部表情图像对应的分支网络;将所述分支网络分为初始特征提取单元和多尺度特征提取单元;通过所述初始特征提取单元,对所述面部表情图像进行初始特征提取,得到初始面部表情特征;通过所述多尺度特征提取单元,对所述初始面部表情特征进行多尺度特征提取,得到所述多尺度特征;

在所述初始特征提取单元中设置卷积层和多个残差网络块,每个所述残差网络块包括第一卷积层组和第一跳跃连接层,其中:通过所述卷积层,对所述面部表情图像进行特征提取,得到第一特征;通过所述第一卷积层组,对所述第一特征进行特征提取,得到第二特征;通过所述跳跃连接层,将所述第一特征和所述第二特征相连,得到所述初始面部表情特征;

在所述多尺度特征提取单元中设置第二卷积层组、双分支网络块、拼接层和第二跳跃连接层,所述双分支网络块包括左分支网络和右分支网络,其中:通过第二卷积层组,对所述初始面部表情特征进行特征提取,得到中间特征;通过组分割机制,将所述中间特征分为多个子特征组;通过所述左分支网络,对所述多个子特征组按照从前往后的顺序进行特征提取,得到第三特征;通过所述右分支网络,对所述多个子特征组按照从后往前的顺序进行特征提取,得到第四特征;通过所述拼接层,对所述第三特征和所述第四特征进行拼接,得到第五特征;通过所述第二跳跃连接层,将所述初始面部表情特征和所述第五特征相连,得到所述多尺度特征;

通过所述初始帕金森病评估模型中的注意力融合模块,对所述多尺度特征进行自适应加权融合,得到面部表情融合特征;

通过所述初始帕金森病评估模型中的分类模块,对所述面部表情融合特征进行分类处理,得到所述样本对象的预测分类结果;

根据多个所述样本对象的预测分类结果和多个所述样本对象对应的真实类别标签的差异,构建联合损失函数,所述联合损失函数包括二元交叉熵损失函数和中心损失函数,所述二元交叉熵损失函数用于计算每个所述样本对象被预测为PD患者的概率和所述真实类别标签之间的二元交叉熵损失函数值,所述中心损失函数用于计算每个所述样本对象的预测样本类别和所述类别中心向量之间的中心损失函数值;

基于所述联合损失函数,训练所述初始帕金森病评估模型以得到目标帕金森病评估模型。

2.根据权利要求1所述的一种帕金森病评估模型训练方法,其特征在于,通过所述初始帕金森病评估模型中的注意力融合模块,对所述多尺度特征进行自适应加权融合,得到面部表情融合特征的步骤中:在所述注意力融合模块中设置拼接层、两个全连接层组和Sigmoid函数层,所述两个全连接层组分别为第一全连接层组和第二全连接层组,其中:通过所述拼接层,将所述多类面部表情图像的多尺度特征进行拼接,得到拼接特征;

通过所述第一全连接层组,对所述拼接特征进行平均池化和全连接,得到第一连接特征;

通过所述第二个全连接层组,对所述拼接特征进行最大池化和全连接,得到第二连接特征;

通过所述Sigmoid函数层,将所述第一连接特征和所述第二连接特征进行拼接映射,得到注意力权重;

通过逐元素相乘操作,将所述拼接特征和所述注意力权重进行自适应加权融合,得到所述面部表情融合特征。

3.根据权利要求1所述的一种帕金森病评估模型训练方法,其特征在于,根据多个所述样本对象的预测分类结果和多个所述样本对象对应的真实类别标签的差异,构建联合损失函数的步骤中:选取多个所述样本对象作为训练样本,每个所述训练样本含有真实类别标签;通过所述初始帕金森病评估模型,计算每个所述训练样本被预测为PD患者的概率;通过所述二元交叉熵损失函数,计算每个训练样本被预测为PD患者的概率和所述真实类别标签之间的二元交叉熵损失函数值;

选取多个所述样本对象作为训练样本以及确定类别中心向量;通过所述初始帕金森病评估模型,计算每个所述训练样本的预测样本类别;通过所述中心损失函数,计算每个训练样本的预测样本类别和所述类别中心向量之间的中心损失函数值;

对所述二元交叉熵损失函数值和所述中心损失函数值进行权重调整,得到联合损失函数值。

4.根据权利要求1所述的一种帕金森病评估模型训练方法,其特征在于,获取多个样本对象中每一样本对象的多类面部表情图像的步骤中:确定所述多类面部表情图像为六类不同的面部表情图像,其中包括愤怒对应的面部表情图像、厌恶对应的面部表情图像、恐惧对应的面部表情图像、快乐对应的面部表情图像、悲伤对应的面部表情图像和惊讶对应的面部表情图像。

5.一种帕金森病评估模型训练系统,其特征在于,所述系统包括:

获取数据模块,用于获取多个样本对象中每一样本对象的多类面部表情图像,每一所述样本对象具有对应的真实类别标签,其中,所述真实类别标签包括PD患者和非PD患者;

构建初始模型模块,用于通过初始帕金森病评估模型中的分支网络模块,分别提取每一所述样本对象的多类面部表情图像的多尺度特征,其中,所述分支网络模块包括与每一类面部表情图像对应的分支网络;将所述分支网络分为初始特征提取单元和多尺度特征提取单元;通过所述初始特征提取单元,对所述面部表情图像进行初始特征提取,得到初始面部表情特征;通过所述多尺度特征提取单元,对所述初始面部表情特征进行多尺度特征提取,得到所述多尺度特征;在所述初始特征提取单元中设置卷积层和多个残差网络块,每个所述残差网络块包括第一卷积层组和第一跳跃连接层,其中:通过所述卷积层,对所述面部表情图像进行特征提取,得到第一特征;通过所述第一卷积层组,对所述第一特征进行特征提取,得到第二特征;通过所述跳跃连接层,将所述第一特征和所述第二特征相连,得到所述初始面部表情特征;在所述多尺度特征提取单元中设置第二卷积层组、双分支网络块、拼接层和第二跳跃连接层,所述双分支网络块包括左分支网络和右分支网络,其中:通过第二卷积层组,对所述初始面部表情特征进行特征提取,得到中间特征;通过组分割机制,将所述中间特征分为多个子特征组;通过所述左分支网络,对所述多个子特征组按照从前往后的顺序进行特征提取,得到第三特征;通过所述右分支网络,对所述多个子特征组按照从后往前的顺序进行特征提取,得到第四特征;通过所述拼接层,对所述第三特征和所述第四特征进行拼接,得到第五特征;通过所述第二跳跃连接层,将所述初始面部表情特征和所述第五特征相连,得到所述多尺度特征;通过所述初始帕金森病评估模型中的注意力融合模块,对所述多尺度特征进行自适应加权融合,得到面部表情融合特征;通过所述初始帕金森病评估模型中的分类模块,对所述面部表情融合特征进行分类处理,得到所述样本对象的预测分类结果;

构建损失函数模块,用于根据多个所述样本对象的预测分类结果和多个所述样本对象对应的真实类别标签的差异,构建联合损失函数,所述联合损失函数包括二元交叉熵损失函数和中心损失函数,所述二元交叉熵损失函数用于计算每个训练样本被预测为PD患者的概率和所述真实类别标签之间的二元交叉熵损失函数值,所述中心损失函数用于计算每个训练样本的预测样本类别和所述类别中心向量之间的中心损失函数值;

训练初始模型模块,用于基于所述联合损失函数,对所述初始帕金森病评估模型进行训练,得到目标帕金森病评估模型。

6.一种帕金森病评估方法,其特征在于,所述方法包括:

获取待测对象的多类面部表情图像;

将所述多类面部表情图像输入目标帕金森病评估模型,所述目标帕金森病评估模型是通过如权利要求1至4中任一项所述的帕金森病评估模型训练方法训练而得到的;

基于所述目标帕金森病评估模型得到所述待测对象对应的预测分类结果。

7.一种电子设备,其特征在于,包括:

处理器;

用于存储所述处理器可执行指令的存储器;

其中,所述处理器被配置为执行所述可执行指令,以实现如权利要求1至4中任一项所述的帕金森病评估模型训练方法或如权利要求6所述的帕金森病评估方法。

8.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至4中任一项所述的帕金森病评估模型训练方法或如权利要求6所述的帕金森病评估方法。