脑卒中风险识别方法及装置、设备及存储介质

本公开涉及健康检测，尤其涉及一种脑卒中风险识别方法及装置、设备及存储介质。

背景技术：

1、脑卒中发病的有效识别是脑卒中高效救治的开始，第一目击者往往是普通群众，而并非专业的医疗救护人员。发病后没有在第一时间请求救治帮助是脑卒中院前救治延误的主要影响因素。独居者造成院前延误的可能性是与他人同居的1.76倍。脑卒中急救院前延误是一个全球性的问题，被视为许多发展中国家和地区的危机，许多脑卒中病人院前就诊存在明显院前延误和转运延误，院前延误的中位数在很多国家都长达11～20小时，院前救治延迟已成为影响脑卒中急性期救治极为重要的瓶颈。

2、目前常用的院前脑卒中筛查工具有辛辛那提院前卒中量表、面臂语言试验、洛杉矶院前卒中量表、墨尔本急救车卒中筛检表和急诊室卒中识别量表，这些工具对于使用者需要有一定的医学专业背景，对于普通群众无法在第一时间使用该量表对脑卒中发病情况进行评估。我国提出适合中国人群脑卒中快速识别工具“中风120”，但对于独居老人发病的时候或发病时身旁没有其他人的时候，也无法使用评估工具，导致不能在第一时间进行救治。

3、面部无力是由于大脑或面神经损伤导致的面部肌肉失去控制而引起的，是脑卒中的常见症状。大脑中央病变，如脑卒中，会导致对侧面部下部肌肉的病理性不对称无力。为了检测和量化这种神经体征，国外学者探索了静态信息或视频的基于形状的特征、基于外观的特征或两者组合。现有的静态信息的面部无力检测方法大多是基于面部地标，从中可以计算出几何特征。然而，基于地标的方法在人脸地标定位中可能存在不准确性。

4、心率变异性是一种神经体液对窦房结调节功能的指标，反映出自主神经系统活动与其平衡的协调关系。急性脑卒中后患者迷走神经活性降低，自主神经功能紊乱，导致交感神经和副交感神经调控失衡，并出现交感神经活性升高，急性脑卒中患者伴有心脏自主神经功能紊乱，且急性脑卒中患者的心率数据均显著低于非心脑血管疾病的患者。

技术实现思路

1、为了解决上述技术问题或者至少部分地解决上述技术问题，本公开的实施例提供了一种脑卒中风险识别方法及装置、设备及存储介质。

2、第一方面，本公开的实施例提供了一种脑卒中风险识别方法，包括：

3、获取多个目标对象的心率数据和面部信息；

4、对于每个目标对象的心率数据和面部信息，执行以下步骤：

5、对当前目标对象的心率数据进行标准化，并对标准化心率数据进行编码，得到编码后心率数据；

6、对当前目标对象的面部信息进行编码，对编码后面部信息进行整合，得到整合后面部信息；

7、将编码后心率数据和整合后面部信息进行融合，并根据融合后特征信息确定脑卒中风险结果。

8、在一种可能的实施方式中，所述心率数据包括平均r-r间期、全部正常r-r间期的标准差、连续正常r-r间期差值的标准差、相邻正常r-r间期之差大于50ms的个数、相邻正常r-r间期之差大于50ms的个数占总r-r间期个数的百分比、相邻正常r-r间期之差大于20ms的个数、相邻正常r-r间期之差大于20ms的个数占总r-r间期个数的百分比、相邻正常r-r间期差值的均方根、相邻正常r-r间期的中位数、相邻正常r-r间期的范围、相邻正常r-r间期差值的变异系数、全部正常r-r间期的变异系数、平均心率、最大心率、最小心率、心率的标准差、低频功率、高频功率、极低频功率、低频与高频功率比、低频功率标准化单位、高频功率标准化单位、总功率、复杂度熵、连续变异指数、修正的复杂度熵、poincaré散点图的第一标准差、poincaré散点图的第二标准差、poincaré散点图的第一标准差与第二标准差的比值和样本熵。

9、在一种可能的实施方式中，所述对当前目标对象的心率数据进行标准化，并对标准化心率数据进行编码，得到编码后心率数据，包括：

10、利用最小-最大标准化或者z-score标准化，对当前目标对象的心率数据进行标准化，得到标准化心率数据；

11、将标准化心率数据输入预先训练的心率数据编码模型，输出编码后心率数据，其中，心率数据编码模型包括三层全连接网络，编码后心率数据为第一预设位数的token序列。

12、在一种可能的实施方式中，所述面部信息为超过预设时长的面部视频信息，所述对当前目标对象的面部信息进行编码，对编码后面部信息进行整合，得到整合后面部信息，包括：

13、对面部视频信息中的每帧人脸图像执行以下步骤：

14、将当前帧人脸图像分成m*n个图像块，并将每个图像块输入预先训练的图像编码模型，得到编码后面部信息，其中，编码后面部信息为第二预设位数的token序列；

15、将编码后面部信息输入预先训练的第一信息融合模型，得到当前帧人脸图像对应的初始面部特征信息，其中，面部特征信息为第三预设位数的token序列，第一信息融合模型包括三层transformer网络；

16、从第三预设位数的token序列中选取指定位置的token，作为当前帧人脸图像的目标面部特征信息；

17、按照帧的时间先后顺序，对面部视频信息中的每帧人脸图像对应的目标面部特征信息进行排序，得到面部视频信息对应的目标token序列，作为整合后面部信息。

18、在一种可能的实施方式中，所述将编码后心率数据和整合后面部信息进行融合，并根据融合后特征信息确定脑卒中风险结果，包括：

19、将编码后心率数据和整合后面部信息输入预先训练的第二信息融合模型，得到融合后特征信息；

20、将融合后特征信息输入预先训练的分类器中，得到脑卒中风险。

21、在一种可能的实施方式中，所述将编码后心率数据和整合后面部信息输入预先训练的第二信息融合模型，得到融合后特征信息，包括：

22、基于预先训练的第二信息融合模型的交叉注意力机制，根据每个编码后心率数据与整合后面部信息之间的关联度，确定每个编码后心率数据与整合后面部信息的权重；

23、按照每个编码后心率数据与整合后面部信息的权重，根据每个编码后心率数据与整合后面部信息确定融合后特征信息。

24、在一种可能的实施方式中，所述心率数据编码模型、图像编码模型、第一信息融合模型、第二信息融合模型和分类器通过以下步骤训练得到：

25、获取已知脑卒中风险结果的多个目标对象的心率数据和面部信息；

26、将各目标对象的心率数据和面部信息分别作为心率数据编码模型和图像编码模型的输入，将该目标对象的脑卒中风险结果作为分类器的输出，对心率数据编码模型、图像编码模型、第一信息融合模型、第二信息融合模型和分类器进行联合训练，得到训练后的心率数据编码模型、图像编码模型、第一信息融合模型、第二信息融合模型和分类器。

27、第二方面，本公开的实施例提供了一种脑卒中风险识别装置，包括：

28、获取模块，用于获取多个目标对象的心率数据和面部信息；

29、第一编码模块，用于对当前目标对象的心率数据进行标准化，并对标准化心率数据进行编码，得到编码后心率数据；

30、第二编码模块，用于对当前目标对象的面部信息进行编码，对编码后面部信息进行整合，得到整合后面部信息；

31、融合模块，用于将编码后心率数据和整合后面部信息进行融合，并根据融合后特征信息确定脑卒中风险结果。

32、第三方面，本公开的实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；

33、存储器，用于存放计算机程序；

34、处理器，用于执行存储器上所存放的程序时，实现上述的脑卒中风险识别方法。

35、第四方面，本公开的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的脑卒中风险识别方法。

36、本公开实施例提供的上述技术方案与现有技术相比至少具有如下优点的部分或全部：

37、本公开实施例所述的脑卒中风险识别方法，获取多个目标对象的心率数据和面部信息；对于每个目标对象的心率数据和面部信息，对当前目标对象的心率数据进行标准化，并对标准化心率数据进行编码，得到编码后心率数据；对当前目标对象的面部信息进行编码，对编码后面部信息进行整合，得到整合后面部信息；将编码后心率数据和整合后面部信息进行融合，并根据融合后特征信息确定脑卒中风险结果，能够结合心率数据和面部信息综合识别脑卒中的发病风险，提高脑卒中风险识别准确率。