[发明专利]一种测量眼震信号时长的方法

说明书

本发明涉及一种测量眼震信号时长的方法，包括以下步骤：1)从视频样本中提取瞳孔运动轨迹：使用目标检测模型对眼部视频中的瞳孔进行轨迹追踪，将视频数据转化为时间序列数据；2)滚动切分时间序列样本：将步骤1)所得的时间序列数据按照固定长度和间隔，滚动切分为多个子样本；3)眼震信号预测：搭建一维卷积神经网络模型，用以预测各个子样本眼震是否为阳性；4)计算视频眼震时长：定义最长的连续阳性子样本长度即为眼震时长，从而完成眼震信号预测和眼震时长预测的同步进行；本发明同现有技术相比，能够在深度学习模型预测眼震的过程中完成对于眼震时长的计算任务，减少了人力成本，为医学上提供了有益的参考信息。

[技术领域]

本发明涉及视频样本处理技术领域，具体地说是一种测量眼震信号时长的方法。

[背景技术]

良性阵发性位置性眩晕(BPPV)是一种常见的眩晕性疾病，病发症状是是由头部位置相对于重力的变化触发的位置性眼球震颤和短暂性眩晕。眼震时长能够为BPPV病症提供医学上有益的参考信息，然而，目前相关技术中，想要对眼震时长进行预测，主要有三种方案：

(1)搭建深度学习的回归模型，对于每一个视频，由专业人员标注每个视频中的眼震时长，并放入模型训练；

(2)搭建目标检测相关的模型，将视频通过神经网络提炼为时间序列特征，然后由专业人员标注出每个时间序列中眼震的起始位置和持续时间；

(3)使用传统机器学习的聚类方法，首先使用聚类获取代表眼震信号的眼球快慢相运动所在位置，然后根据眼震信号出现的统计信息，包括起始、中止、持续时长等，求得眼震时长的预估值；

上述三种方案中，方案一和二在现实场景中，由于BPPV视频数据较少，并且标注需要专业的医务人员参与，导致可用数据量不足以支撑深度学习模型的训练；同时，眼震时长作为BPPV眼震信号预测中的一个子分支，为其单独训练一个模型是不合算的。方案三中，传统的机器学习聚类方法可以计算眼震时长，然而在精确度和泛化性上无法与深度学习模型媲美。

因此，若能设计一个方案，使得可以在进行眼震预测的过程中完成对于眼震时长的计算任务，减少人力成本，同时提供足够精确度，最终解决如何在深度学习模型预测眼震的过程中，同时计算眼震时长的问题。

[发明内容]

本发明的目的就是要解决上述的不足而提供一种测量眼震信号时长的方法，能够在深度学习模型预测眼震的过程中完成对于眼震时长的计算任务，减少了人力成本，为医学上提供了有益的参考信息。

为实现上述目的设计一种测量眼震信号时长的方法，包括以下步骤：1)从视频样本中提取瞳孔运动轨迹：使用目标检测模型对眼部视频中的瞳孔进行轨迹追踪，将视频数据转化为时间序列数据；2)滚动切分时间序列样本：将步骤1)所得的时间序列数据按照固定长度和间隔，滚动切分为多个子样本；3)眼震信号预测：搭建一维卷积神经网络模型，用以预测各个子样本眼震是否为阳性；4)计算视频眼震时长：定义最长的连续阳性子样本长度即为眼震时长，从而完成眼震信号预测和眼震时长预测的同步进行。

进一步地，步骤1)中，搭建一个目标检测的深度学习模型，将眼部视频输入模型中，模型对视频内每一帧的瞳孔参数进行预测，瞳孔参数为：瞳孔坐标以及瞳孔半径，最终对于每个视频样本，均生成一份瞳孔运动轨迹的时间序列数据。

进一步地，步骤2)中，选择400帧长度，将视频每间隔100帧滚动切分为多个子样本，并将包含眼震信号的片段标注为1，其余标注为0。

进一步地，步骤3)中，搭建基于一维卷积神经网络结构的眼震分类模型，利用该模型对长度标准为400帧的片段进行眼震信号预测，并给出是否为阳性的二分类预测结果。

进一步地，步骤4)中，眼震时长的计算公式为：

眼震时长(帧)＝400+(连续子样本片段数-1)*100