一种针对抑郁症患者的表情识别和计量跟踪方法与流程

技术特征：
1.一种针对抑郁症患者监控视频的表情识别和计量跟踪方法，其特征在于所述方法包括如下步骤：（1）建立表情训练数据集；（2）构建表情识别的深度学习神经网络模型；（3）基于训练数据集进行模型训练；（4）微表情识别及识别结果准确率评估；（5）对治疗过程中的表情进行跟踪，对患者进行表情衡量。2.根据权利要求1所述的一种针对抑郁症患者监控视频的表情识别和计量跟踪方法，其特征在于基于深度学习表情识别模型的构建，识别引擎包括人脸识别和表情识别两个部分；人脸识别部分由组合多个强分类器haar级联分类器构成；表情深度学习识别部分，通过采用多层二维卷积 全局池化 全连接的深度学习网络训练识别模型构成；具体模型参数如下表：。3.根据权利要求1所述的一种针对抑郁症患者监控视频的表情识别和计量跟踪方法，其特征在于患者表情的跟踪方式，对于输入的每幅图像得到一个对应的表情概率雷达图，对于一段时间视频抽样得到的多幅图像对应的雷达图进行叠加，形成当前时间阶段的输出；之后患者在治疗过程中的不同阶段将对应不同的雷达图，对患者表情的动态变化过程进行跟踪；在抑郁症患者的治疗初始阶段，微表情可能比较模糊，分散在多个表情维度中；随着治疗的深入，视频期间的微表情将逐渐一致；最终当患者康复后，其微表情将相对较统一，不再飘忽不定。4.根据权利要求1所述的一种针对抑郁症患者监控视频的表情识别和计量跟踪方法，其特征在于患者表情复杂程度的表征,提出采用表情熵进行表情的不确定衡量；表情熵的计算公式为：其中x
i
表示第i种表情在七个维度表情中的成分占比；通过表情熵，验证抑郁症患者在七维表情轴上是否存在某种与常人不同的显著特征，以及这些特征在诊疗过程中，是如何随时间变化的，以进一步识别和评估患者的症状和病情的进展，以及诊疗的效果。

技术总结
本发明公开了一种针对抑郁症患者监控视频的表情识别和计量跟踪方法。方法首先基于前期已经标注好的七种维度表情的数据库作为训练数据集，采用多层二维卷积、全局池化、全连接的深度学习网络训练识别模型。训练好模型之后，对于采集到的患者图像或视频数据，采用人脸检测跟踪算法，识别图像或视频中静态或动态的患者人脸，利用深度学习训练后的模型进行表情识别。在此基础上，计算表情熵，并计量跟踪患者表情熵随时间的变化情况，以评估病情进展或诊疗效果。诊疗效果。诊疗效果。


技术研发人员：洪志令 林海 文伟
受保护的技术使用者：厦门中翎易优创科技有限公司
技术研发日：2020.10.26
技术公布日：2022/3/15