基于面部微表情识别的麻醉苏醒期意识评估方法与流程

本发明属于麻醉临床监测，具体是基于面部微表情识别的麻醉苏醒期意识评估方法。

背景技术：

1、麻醉苏醒期躁动是全麻术后常见并发症，患者可出现烦躁、挣扎、定向障碍等表现，严重时引发导管脱落、伤口撕裂、坠床等不良事件。目前临床主要依靠医护人员人工观察患者肢体动作、睁眼、呼之应答等体征判断意识水平与躁动风险，主观性强、存在观察延迟，难以捕捉躁动发生前的早期前驱信号。

2、现有面部表情识别技术大多面向普通人情绪识别，采用统一混合微表情数据库开展全局特征匹配，未区分主动情绪表情与麻醉患者无意识微动作；相同面部动作单元可对应情绪表达或苏醒不适，极易造成误识别。同时通用方案缺少个体基线校正机制，无法消除患者面部先天差异、光照与呼吸机震动干扰，微弱苏醒微表情识别信噪比低。

3、此外，常规识别手段仅提取单帧静态面部特征，缺少时序演变信息挖掘，难以刻画麻醉由深至浅的连续意识变化过程，无法实现苏醒阶段自动划分与躁动超前预警。因此，亟需一种能够适配pacu监护场景、区分情绪干扰信号、依托患者自身基线校正、基于时序微表情动态演化规律的麻醉苏醒期意识评估方案。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于面部微表情识别的麻醉苏醒期意识评估方法，用于解决现有技术中由于患者本身存在的情绪变化导致的微表情变化影响分析麻醉期苏醒意识判定的技术问题。

2、为实现上述目的，本发明的第一方面提供了基于面部微表情识别的麻醉苏醒期意识评估方法，包括：

3、实时收集患者进入麻醉期后的连续面部监测图像，并通过现有表情库构建微表情对比数据库；

4、为连续面部监测图像配置对应的时间标签，对连续面部监测图像进行人脸部位监测并进行划分得到面部区域；提取连续面部监测图像中的面部特征变化，并结合时间标签标注变化起始时间，基于变化起始时间与面部特征变化对麻醉苏醒期进行时期划分得到不同时期类型的变化特征数据集；其中，时期类型包括麻醉期与苏醒期；

5、根据麻醉期对应的变化特征数据集构建患者的个性化基准面部特征，对比不同时期类型之间的变化特征数据集获取面部时空变化特征集，将面部时空变化特征集进行语义归属并与微表情对比数据库进行匹配获取苏醒动作数据组；基于苏醒动作数据组进行苏醒意识评估得到苏醒躁动风险预警。

6、优选的，所述对连续面部监测图像进行人脸部位监测并进行划分得到面部区域，包括：

7、提取连续面部监测图像，对连续面部监测图像进行图像清洗与筛选，滤除人脸遮挡严重、姿态超限的无效图像，并通过人脸检测模型提取面部三维关键点并实施人脸对齐与姿态校正；

8、基于面部关键点拓扑结构分割得到关键点区域，保存各关键点像素坐标范围，得到面部区域。

9、优选的，所述基于变化起始时间与面部特征变化对麻醉苏醒期进行时期划分得到不同时期类型的变化特征数据集，包括：

10、提取各面部微表情特征发生的变化起始时间戳，构建时序特征序列；

11、按照时间先后顺序遍历相邻时序子序列，计算起始时间戳距离、时长差值与特征幅度差值，利用加权融合公式计算相邻时序子序列综合距离；

12、将时序子序列综合距离与上一时刻进行对比，若大于等于上一时刻，则将对应时间戳标记为分割拐点；若小于上一时刻，则继续计算下一时刻；

13、对切分完成的时序片段施加最小时长约束，并为基于分割拐点划分得到的时期进行标注得到时期类型，并根据分割拐点将变化特征进行划分得到变化特征数据集。

14、优选的，所述根据麻醉期对应的变化特征数据集构建患者的个性化基准面部特征，包括：

15、筛选麻醉期对应的时序特征数据集作为基准建模数据源，提取时段内各区域关键点稳态坐标、各动作单元稳态激活强度、光流微运动幅值均值与波动方差；通过滑动窗口均值滤波消除呼吸机震动、光源扰动带来的瞬时噪声，求解得到患者静态面部基准坐标集、基准强度向量、基准微运动波动阈值；将上述参数组合存储为该患者专属个性化基准面部特征。

16、优选的，所述对比不同时期类型之间的变化特征数据集获取面部时空变化特征集，包括：

17、以个性化基准面部特征为基础面部特征，将各类麻醉苏醒时期对应的变化特征数据集相互对比；依托患者个性化基准面部特征，提取不同时期面部特征幅值、微运动频次、区域分布差异及时序演变速率；融合面部空间区域差异与时序动态演变信息，构建面部时空变化特征集。

18、优选的，所述将面部时空变化特征集进行语义归属并与微表情对比数据库进行匹配获取苏醒动作数据组，包括：

19、对面部时空变化特征集开展语义归属，生成候选微表情语义标签；基于语义标签将微表情对比数据库划分为通用情绪微表情子集与麻醉苏醒特异性微表情子集；

20、对时空变化特征集执行多层语义归属生成复合语义标签，基于复合语义标签筛选数据库内语义相容的模板子集，并在模板子集内开展特征相似度匹配，将语义相容且相似度超过阈值的样本判定为有效样本，构建得到苏醒动作数据组。

21、优选的，所述基于复合语义标签筛选数据库内语义相容的模板子集，包括：

22、对微表情对比数据库中所有样本统一标注双类型语义标签，并分别划分为通用情绪微表情子集与麻醉苏醒特异性微表情子集；

23、输入患者面部时空变化特征集，进行语义归属，优先匹配麻醉苏醒特异性微表情子集，若相似度达标，判定为有效苏醒动作特征；若与通用情绪子集相似度更高，则判定为情绪干扰特征，直接剔除，只保留与苏醒子集高度匹配的特征。

24、优选的，所述基于苏醒动作数据组进行苏醒意识评估得到苏醒躁动风险预警，包括：

25、将筛选完成的苏醒动作数据组输入训练完成的麻醉苏醒时序评估模型，提取微表情动作单元激活强度、微运动持续时长、特征时序演变速率以及区域空间变化特征；其中，麻醉苏醒时序评估模型基于现有医学资料中对于麻醉期苏醒的表现特征训练得到；

26、结合患者个性化基准面部特征计算各维度特征的相对变化量，量化得到实时苏醒意识指数；依据苏醒意识指数数值区间对患者麻醉苏醒阶段进行分层判定，实现苏醒意识水平评估；同时持续面部变化特征的连续激活状态，当满足微表情高频波动、意识指数处于躁动临界区间且时序变化速率突增的多重条件时，判定患者处于苏醒躁动前驱状态，实时输出苏醒躁动风险预警。

27、优选的，所述麻醉苏醒时序评估模型基于现有医学资料中对于麻醉期苏醒的表现特征训练得到，包括：

28、从人工智能库中选择模型框架以及深度学习算法；基于模型框架以及深度学习算法构建模型，得到初始模型；

29、获取标准数据集；其中，标准数据集包括与状态分析序列内容属性相一致的标准输入数据，以及与状态标签内容属性相一致的标准输出数据；

30、将标准数据集按照设定的比例划分成训练集，验证集以及测试集；利用训练集对初始模型进行训练；利用验证集对初始模型的内部结构及参数进行调整；利用测试集对训练好的初始模型进行测试，得到测试指标；

31、获取指标阈值；将测试指标与指标阈值进行比较；当测试指标均大于指标阈值时，则将初始模型标记为麻醉苏醒时序评估模型；否则，重新对初始模型进行构建训练。

32、与现有技术相比，本发明的有益效果是：

33、1.本发明通过实时采集患者面部图像，完成人脸区域精准分割与时序特征提取，结合时序综合距离加权算法自动划分麻醉期与苏醒期特征数据，利用患者麻醉平稳阶段数据构建个性化面部基准特征，有效消除不同患者面部形态差异、固有微抖动及环境噪声带来的识别误差。通过提取跨时期面部时空变化特征，结合语义归属匹配机制筛选纯净苏醒动作特征，最终通过时序深度学习模型量化苏醒意识指数，并结合多维度特征联合判据实现苏醒躁动风险预警。本发明摒弃传统人工间断评分的主观性与滞后性，摆脱脑电监测设备的有创束缚，大幅提升麻醉苏醒意识评估的连续性、稳定性与临床适用性，有效降低pacu苏醒不良事件发生率。

34、2.本发明最核心创新在于构建语义二分微表情数据库+语义约束分层匹配机制，突破了传统微表情识别技术全局无差别匹配、无法区分情绪干扰与苏醒微动作的技术瓶颈。本发明将微表情对比数据库划分为通用情绪微表情子集与麻醉苏醒特异性微表情子集，通过多层语义归属约束匹配范围，优先匹配苏醒专属微动作特征、主动剔除通用情绪干扰特征，从根源上解决同类au动作语义混淆、误判率高的问题。结合个性化基线校正与时序动态特征建模，精准捕捉微弱、短时、无意识的苏醒前驱微表情变化，实现躁动超前预警，显著提升麻醉苏醒评估的特异性与灵敏度，有效填补了智能化非接触麻醉苏醒监测的技术空白。