[发明专利]一种基于人工智能的困难气道评估方法及装置

权利要求书

1.一种基于人工智能的困难气道评估方法，其特征在于，包括以下步骤：

(1)获取各种姿势的面部图像，包括正面中立位面部图像、抿嘴微笑面部图像、仰头面部图像、低头面部图像、左侧面面部图像、右侧面面部图像、张口不伸舌面部图像、张口伸舌面部图像和下牙齿咬上嘴唇面部图像；

(2)构建基于面部识别的特征提取网络，通过训练好的所述特征提取网络提取所述面部图像的特征信息；其中，面部识别任务的损失函数采用人脸识别损失函数，所述人脸识别损失函数采用ArcFace损失函数，所述ArcFace损失函数为： cosθ_j＝W_j^Tx_i，其中，s为人工设置的参数，W_j为深度学习特征提取网络中第j层神经网络的权重，x_i为所述深度学习特征提取网络中第i层神经网络的输入特征，m为所述深度学习特征提取网络中神经网络的层数；

(3)构建基于机器学习算法的困难气道分类器，通过训练好的困难气道分类器对提取的所述面部图像的特征信息进行困难气道严重程度评分，得到困难气道的评估结果；其中，所述困难气道分类器将所述面部图像的特征信息以及患者的身高、年龄、体重信息、气道相关病史作为输入，在训练时，将所述特征提取网络运用到测试集中进行验证，对困难气道在0-1之间进行打分，分数越接近1分表示困难程度越高；所述困难气道分类器在进行训练时，以科马克-汉勒评分为Ⅰ-Ⅱ级患者的面部特征与困难气道相关性为0分，以科马克-汉勒评分为Ⅲ-Ⅳ级患者的面部特征与困难气道相关性为1分，作为分类器的输出结果。

2.根据权利要求1所述的基于人工智能的困难气道评估方法，其特征在于，所述步骤(2)中采用深度学习特征提取网络，所述深度学习特征提取网络由m层神经网络构成，每层网络为卷积层、池化层、转置卷积层、全连接层中的若干种，且第i层和第j层有连接，其中，1i,jm。

3.一种基于人工智能的困难气道评估装置，其特征在于，包括：获取模块：用于获取各种姿势的面部图像，包括：正面中立位面部图像、抿嘴微笑面部图像、仰头面部图像、低头面部图像、左侧面面部图像、右侧面面部图像、张口不伸舌面部图像、张口伸舌面部图像和下牙齿咬上嘴唇面部图像；数据记录模块，用于存储所述面部图像以及困难气道信息；特征提取模块，用于构建基于面部识别的特征提取网络，通过训练好的所述特征提取网络提取所述面部图像的特征信息，其中，面部识别任务的损失函数采用人脸识别损失函数，所述人脸识别损失函数采用ArcFace损失函数，所述ArcFace损失函数为：其中，s为人工设置的参数，W_j为深度学习特征提取网络中第j层神经网络的权重，x_i为所述深度学习特征提取网络中第i层神经网络的输入特征，m为所述深度学习特征提取网络中神经网络的层数；评估模块，用于构建基于机器学习算法的困难气道分类器，通过训练好的困难气道分类器对提取的所述面部图像的特征信息进行困难气道严重程度评分，得到困难气道的评估结果，其中，所述困难气道分类器将所述面部图像的特征信息以及患者的身高、年龄、体重信息、气道相关病史作为输入，在训练时，将所述特征提取网络运用到测试集中进行验证，对困难气道在0-1之间进行打分，分数越接近1分表示困难程度越高；所述评估模块对所述困难气道分类器训练时，以科马克-汉勒评分为Ⅰ-Ⅱ级患者的面部特征与困难气道相关性为0分，以科马克-汉勒评分为Ⅲ-Ⅳ级患者的面部特征与困难气道相关性为1分，作为分类器的输出结果。

4.根据权利要求3所述的基于人工智能的困难气道评估装置，其特征在于，所述特征提取模块采用深度学习特征提取网络，所述深度学习特征提取网络由m层神经网络构成，每层网络为卷积层、池化层、转置卷积层、全连接层中的若干种，且第i层和第j层有连接，其中，1i,jm。