一种基于颅面部RGB数据的营养风险筛查平台的制作方法

一种基于颅面部rgb数据的营养风险筛查平台
技术领域
1.本发明涉及营养风险筛查技术领域，特别是涉及一种基于颅面部rgb数据的营养风险筛查平台。


背景技术：

2.营养不良(malnutrition)又称为营养不足(undernutrition)，指由于膳食中蛋白质、能量及其他营养素长期摄入不足、吸收不良或消耗增加而导致的机体生长发育和功能障碍。对于有营养风险、营养不良或者重度营养不良的人员来说，营养干预是综合治疗的重要组成部分，合理的营养干预有利于临床结局的改善。
3.在对人员进行营养干预之前，需要对人员进行营养筛查或营养评价。营养评价的步骤为：1）进行营养风险筛查；2）进行营养不良诊断。其中，在营养不良诊断时，需要结合病因性因素和表现性因素。表现性因素包括低体重、体重下降、骨骼肌含量减少、脂肪含量减少等。
4.现有营养风险筛查方法为人工1对1的量表评价，成本高，效率低。


技术实现要素：

5.鉴于此，本发明的目的是提供一种基于颅面部rgb数据的营养风险筛查平台，具有高效率低成本的特点。
6.为实现上述目的，本发明提供了如下方案：
7.一种基于颅面部rgb数据的营养风险筛查平台，包括：
8.脸部rgb图像获取模块，用于获取目标人员脸部rgb图像；
9.人脸正面rgb图像确定模块，用于根据所述目标人员脸部rgb图像，确定人脸正面rgb图像；
10.颅面部特征区域提取模块，用于根据所述人脸正面rgb图像，提取颅面部特征区域；
11.营养风险评估模块，用于根据颅面部特征区域和机器学习模型，确定目标人员的营养状况。
12.可选地，所述人脸正面rgb图像确定模块，具体包括：
13.检测单元，用于采用人脸检测算法，判断所述目标人员脸部rgb图像是否存在人脸；
14.分割单元，用于当所述目标人员脸部rgb图像存在人脸时，采用矩形框确定人脸所在位置，得到人脸正面rgb图像。
15.可选地，所述人脸正面rgb图像确定模块，还包括：
16.重构单元，用于当人脸正面rgb图像的像素个数小于设定阈值时，对所述人脸正面rgb图像进行超分辨率重构，得到超分辨率重构后的人脸正面rgb图像。
17.可选地，在所述对所述人脸正面rgb图像进行超分辨率重构，得到超分辨率重构后
的人脸正面rgb图像方面，所述重构单元，用于：
18.采用卷积神经网络模型，对所述人脸正面rgb图像进行超分辨率重构，得到超分辨率重构后的人脸正面rgb图像。
19.可选地，所述颅面部特征区域至少包括眼眶脂肪垫区域；所述颅面部特征区域提取模块，具体包括：
20.人脸特征点确定单元，用于根据所述人脸正面rgb图像，采用人脸特征点检测算法，确定人脸特征点；所述人脸特征点包括脸颊、右部眉毛、左部眉毛、鼻子、右眼、左眼和嘴巴；
21.眼眶脂肪垫区域提取单元，用于根据所述人脸正面rgb图像和所述人脸特征点，提取眼眶脂肪垫区域。
22.可选地，所述眼眶脂肪垫区域提取单元，具体包括：
23.人脸对齐子单元，用于根据左眼坐标和右眼坐标，计算左右眼连线与水平方向的夹角，并根据所述夹角将人脸正面rgb图像旋转对齐；
24.眼眶脂肪垫区域提取子单元，用于根据旋转对齐后的人脸正面rgb图像和所述人脸特征点，提取眼眶脂肪垫区域。
25.可选地，所述眼眶脂肪垫区域为椭圆形区域；所述椭圆形区域的中心为眼中心，所述椭圆形区域的长轴为a，所述椭圆形区域的短轴为2b，a表示眼的水平向长度，b表示眼中心点距眉毛间的长度。
26.可选地，还包括：
27.营养状况识别模型训练模块，用于：
28.构建机器学习模型；
29.构建样本数据；所述样本数据包括输入数据和对应的标签数据，所述输入数据为颅面部特征区域，所述标签数据为营养评分；
30.根据样本数据训练所述机器学习模型，得到营养状况识别模型。
31.可选地，所述营养风险评估模块，用于将所述颅面部特征区域输入至所述营养状况识别模型中，确定目标人员的营养状况。
32.根据本发明提供的具体实施例，本发明公开了以下技术效果：
33.本发明提供了一种基于颅面部rgb数据的营养风险筛查平台。该平台的操作步骤为：（1）采集目标人员脸部rgb图像，（2）分割出人脸正面rgb图像，判断图像清晰度，如有必要进行图像的超分辨率重构，（3）颅面部特征区域提取与计算，（4）建立机器学习模型，通过提取的特征预测患者营养状况。本发明建立了一系列的机器学习算法，通过患者人脸正面rgb图像，进行营养不良的筛查和评价。本发明操作简便，计算结果精确，可以较好解决目前通过主观量表评价，浪费成本的问题本；本发明是现有测量成本的千分之一，可以极大地提高人员营养不良的筛查和评估比例，避免因营养不良而发生的恶病质、临床治疗毒副反应加剧等。
附图说明
34.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
35.图1为本发明实施例提供的基于颅面部rgb数据的营养风险筛查平台的结构框图；
36.图2为本发明实施例提供的人脸特征点分布图。
具体实施方式
37.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
38.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
39.如图1所示，本发明实施例提供了一种基于颅面部rgb数据的营养风险筛查平台，包括：
40.脸部rgb图像获取模块1，用于获取目标人员脸部rgb图像。
41.其中，采集目标人员脸部rgb图像的设备可为移动设备的前置摄像头、后置摄像头，或者为预先置于空间中（病房、诊室等）的监控摄像头；所述目标人员可为住院患者。
42.人脸正面rgb图像确定模块2，用于根据所述目标人员脸部rgb图像，确定人脸正面rgb图像。
43.颅面部特征区域提取模块3，用于根据所述人脸正面rgb图像，提取颅面部特征区域。
44.营养风险评估模块4，用于根据颅面部特征区域和机器学习模型，确定目标人员的营养状况。
45.在本发明实施例中，所述人脸正面rgb图像确定模块2，具体包括：
46.检测单元，用于采用人脸检测算法，判断所述目标人员脸部rgb图像是否存在人脸；该人脸检测算法包括但不限于face_recognition模型。
47.分割单元，用于当所述目标人员脸部rgb图像存在人脸时，采用矩形框确定人脸所在位置，得到人脸正面rgb图像。
48.重构单元，用于当人脸正面rgb图像的像素个数小于设定阈值时，对所述人脸正面rgb图像进行超分辨率重构。
49.例如：若矩形框的像素个数小于22500，则进行图像的超分辨率重构。
50.进一步地，采用矩形框确定人脸所在位置，具体包括：
51.以鼻中隔所在位置作为纵线y，以双眼平行线所在位置作为横线x，以横线x纵线y为平行线做人脸范围的上、左、下、右的切线，形成矩形框，标识出人脸所在位置，以此得到人脸正面rgb图像。
52.进一步地，对所述人脸正面rgb图像进行超分辨率重构，具体包括：
53.采用卷积神经网络模型，对人脸正面rgb图像进行超分辨率重构，详细过程为：
54.（1）利用深度学习算法，构建面部超分辨率重构模型。
55.首先构建人员面部清晰图像集。
56.其次对人员面部清晰图像进行下采样，得到人员面部模糊图像集。下采样的具体步骤是：计算目标倍数（普遍8倍）的方形像素块的平均值，再将平均值给整个像素块进行赋值。
57.然后利用人员面部清晰图像集和人员面部模糊图像集对神经网络模型进行训练，得到面部超分辨率重构模型，具体为：
58.1）利用卷积层提取人员面部清晰图像特征，即为高分辨率特征，利用卷积层提取人员面部模糊图像特征，即为低分辨率特征。
59.2）利用relu激活函数层建立高分辨率特征和低分辨率特征的非线性映射关系。
60.3）再利用一个卷积层对图像进行重建。
61.（2）将需要重建的人脸正面rgb图像输入到面部超分辨率重构模型中，得到超分辨率重构后的人脸正面rgb图像。
62.在本发明实施例中，所述颅面部特征区域至少包括眼眶脂肪垫区域；所述颅面部特征区域提取模块3，具体包括：
63.人脸特征点确定单元，用于根据所述人脸正面rgb图像，采用人脸特征点检测算法，确定人脸特征点。人脸特征点检测算法包括但不限于的face_recognition模型；人脸特征点包括脸颊、右部眉毛、左部眉毛、鼻子、右眼、左眼和嘴巴。
64.例如，使用face_recognition模型，通过68个关键点构建面部特征，如图2所示，1~17号点标定脸颊，18~22号点标定右部眉毛，23~27标定左部眉毛，28~36标定鼻子，37~42标定右眼，43~48标定左眼，49~68标定嘴巴。
65.眼眶脂肪垫区域提取单元，用于根据所述人脸正面rgb图像和所述人脸特征点，提取眼眶脂肪垫区域，详细过程为：
66.人脸对齐子单元，用于根据左眼坐标和右眼坐标，计算左右眼连线与水平方向的夹角，并根据所述夹角将人脸正面rgb图像旋转对齐。
67.眼眶脂肪垫区域提取子单元，用于根据旋转对齐后的人脸正面rgb图像和所述人脸特征点，提取眼眶脂肪垫区域。
68.根据左右眼特征点，将眼的水平向长度记为a，眼中心点距眉毛间的长度记为b，以眼中心点特征点为中心，选取椭圆，该椭圆其长轴长度即为a，短轴长度即为2b。将椭圆区域的图像进行特征提取，得到眼眶脂肪垫区域。
69.特征提取的方法包括但不限于sift、hog、surf、orb、lbp、haar等。如基于hog算法的特征点提取方法为：基于opencv工具包实现图像灰度化，然后计算各像素梯度大小与方向，基于像素梯度统计各单元的梯度直方图，作为其特征，3
×
3的单元组合为一个块，并将单元特征组合为对应块特征，各块特征归一化后得到图片特征。
70.在本发明实施例中，该平台还包括：营养状况识别模型训练模块。
71.所述营养状况识别模型训练模块，用于：
72.构建机器学习模型；
73.构建样本数据；所述样本数据包括输入数据和对应的标签数据，所述输入数据为颅面部特征区域，所述标签数据为营养评分。
74.根据样本数据训练所述机器学习模型，得到营养状况识别模型。
75.一个示例：收集住院患者人脸正面图片，共计530张，并确定每张人脸正面图片当
下的营养评分，提取每张人脸正面图片的眼眶脂肪垫区域；然后基于svm分类器和眼眶脂肪垫区域提取的hog特征，完成对营养评分的四分类，预测患者的营养评分。其中svm使用高斯核函数(kernel=
‘
rbf’, gamma=10)。选用高斯核函数的原因为相较多项式核函数可提升6.3%准确率。
76.本示例基于530张患者真实场景下面部图像，创新性提出选取眼眶脂肪垫区域特征及算法，以ab-sga评分为分类标准，通过hog+svm算法构建营养状况识别模型，完成对于人脸图像营养识别的四分类。最终所得结果平均roc=0.8815，最高roc=0.9406，具体如表1所示。
77.表1 测试验证结果表
[0078][0079]
进一步地，所述营养风险评估模块4，用于将所述颅面部特征区域输入至所述营养状况识别模型中，确定目标人员的营养状况。
[0080]
与现有技术相比，本发明具有以下有益效果：
[0081]
1、使用上述平台，可显著提高住院患者的营养筛查效率，现有营养筛查方法需医生1对1评价，每次评价需4-5分钟，而使用该平台可以显著降低筛查时间，算法计算结果的时间少于2秒。
[0082]
2、使用上述平台，可显著减少营养筛查的成本，该方法不涉及人工，仅需要少许硬件支持，显著降低现有一次评估约30元的人力成本。
[0083]
3、使用上述平台，营养筛查的准确度高，该算法平均的准确率高达0.88，相较普通软件提升至少50%。
[0084]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0085]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种基于颅面部rgb数据的营养风险筛查平台，其特征在于，包括：脸部rgb图像获取模块，用于获取目标人员脸部rgb图像；人脸正面rgb图像确定模块，用于根据所述目标人员脸部rgb图像，确定人脸正面rgb图像；颅面部特征区域提取模块，用于根据所述人脸正面rgb图像，提取颅面部特征区域；营养风险评估模块，用于根据颅面部特征区域和机器学习模型，确定目标人员的营养状况。2.根据权利要求1所述的一种基于颅面部rgb数据的营养风险筛查平台，其特征在于，所述人脸正面rgb图像确定模块，具体包括：检测单元，用于采用人脸检测算法，判断所述目标人员脸部rgb图像是否存在人脸；分割单元，用于当所述目标人员脸部rgb图像存在人脸时，采用矩形框确定人脸所在位置，得到人脸正面rgb图像。3.根据权利要求2所述的一种基于颅面部rgb数据的营养风险筛查平台，其特征在于，所述人脸正面rgb图像确定模块，还包括：重构单元，用于当人脸正面rgb图像的像素个数小于设定阈值时，对所述人脸正面rgb图像进行超分辨率重构，得到超分辨率重构后的人脸正面rgb图像。4.根据权利要求3所述的一种基于颅面部rgb数据的营养风险筛查平台，其特征在于，在所述对所述人脸正面rgb图像进行超分辨率重构，得到超分辨率重构后的人脸正面rgb图像方面，所述重构单元，用于：采用卷积神经网络模型，对所述人脸正面rgb图像进行超分辨率重构，得到超分辨率重构后的人脸正面rgb图像。5.根据权利要求1所述的一种基于颅面部rgb数据的营养风险筛查平台，其特征在于，所述颅面部特征区域至少包括眼眶脂肪垫区域；所述颅面部特征区域提取模块，具体包括：人脸特征点确定单元，用于根据所述人脸正面rgb图像，采用人脸特征点检测算法，确定人脸特征点；所述人脸特征点包括脸颊、右部眉毛、左部眉毛、鼻子、右眼、左眼和嘴巴；眼眶脂肪垫区域提取单元，用于根据所述人脸正面rgb图像和所述人脸特征点，提取眼眶脂肪垫区域。6.根据权利要求5所述的一种基于颅面部rgb数据的营养风险筛查平台，其特征在于，所述眼眶脂肪垫区域提取单元，具体包括：人脸对齐子单元，用于根据左眼坐标和右眼坐标，计算左右眼连线与水平方向的夹角，并根据所述夹角将人脸正面rgb图像旋转对齐；眼眶脂肪垫区域提取子单元，用于根据旋转对齐后的人脸正面rgb图像和所述人脸特征点，提取眼眶脂肪垫区域。7.根据权利要求5或者6所述的一种基于颅面部rgb数据的营养风险筛查平台，其特征在于，所述眼眶脂肪垫区域为椭圆形区域；所述椭圆形区域的中心为眼中心，所述椭圆形区域的长轴为a，所述椭圆形区域的短轴为2b，a表示眼的水平向长度，b表示眼中心点距眉毛间的长度。8.根据权利要求1所述的一种基于颅面部rgb数据的营养风险筛查平台，其特征在于，还包括：
营养状况识别模型训练模块，用于：构建机器学习模型；构建样本数据；所述样本数据包括输入数据和对应的标签数据，所述输入数据为颅面部特征区域，所述标签数据为营养评分；根据样本数据训练所述机器学习模型，得到营养状况识别模型。9.根据权利要求8所述的一种基于颅面部rgb数据的营养风险筛查平台，其特征在于，所述营养风险评估模块，用于将所述颅面部特征区域输入至所述营养状况识别模型中，确定目标人员的营养状况。

技术总结
本发明公开一种基于颅面部RGB数据的营养风险筛查平台，涉及营养风险筛查技术领域，主要包括：颅面部特征区域提取模块，用于根据人脸正面RGB图像，提取颅面部特征区域；营养风险评估模块，用于根据颅面部特征区域和机器学习模型，确定目标人员的营养状况。本发明能够高效率高精度低成本的确定目标人员的营养状况。效率高精度低成本的确定目标人员的营养状况。效率高精度低成本的确定目标人员的营养状况。


技术研发人员：周雪妍 马学磊 林楠 何承源 雷震 雷池
受保护的技术使用者：成都尚医信息科技有限公司
技术研发日：2023.05.23
技术公布日：2023/7/27