本發(fā)明涉及cpr評估系統(tǒng)，具體是基于機器視覺的多角度cpr訓練視頻檢測方法。

背景技術：

1、心臟驟停(ca)是危及生命的緊急情況，院外患者的存活率高度依賴于心肺復蘇術(cpr)的及時有效實施。然而，當前cpr技能評估主要依賴模擬器與人工評分，常導致評估結(jié)果不一致、不準確且低效。

2、為了提升cpr技能評估的準確性和效率，醫(yī)學界與人工智能領域開始攜手合作。已有研究探索了多種基于ai的方法，包括用于評分的目標檢測、運動捕捉，甚至像chatgpt這樣的系統(tǒng)。例如，zhang等人開發(fā)了一種基于雙目視覺的可穿戴設備，用于監(jiān)測手腕運動，以實時評估cpr質(zhì)量。同樣，tang等人利用3d運動捕捉系統(tǒng)評估cpr質(zhì)量，強調(diào)了精確運動數(shù)據(jù)的潛力。此外，wang等人應用ai和chatgpt-4模型分析cpr訓練視頻，實現(xiàn)了與專家評價相當?shù)淖詣釉u分。盡管取得了一定進展，但許多方法仍依賴于昂貴且笨重的3d捕捉設備或傳感器。本研究旨在克服這些局限，提出一種無需傳感器的cpr評估方法。

3、olo(you?only?look?once)算法因其實時性能和準確性而廣受認可，成為物體檢測任務中的熱門選擇。最新版本的yolov11通過減少參數(shù)數(shù)量優(yōu)化了其架構，從而在提升速度的同時增強了檢測準確性。這使得yolo特別適合用于無需額外傳感器的動態(tài)環(huán)境。此外，kalman-hungarian(kh)匹配算法改進了目標跟蹤和分配，進一步提高了檢測精度和系統(tǒng)效率。

4、針對如何擺脫傳感器依賴，開發(fā)經(jīng)濟高效、靈活且適用于實際場景的cpr評估技術——本研究提出了一種新型基于機器視覺的cpr評估系統(tǒng)。該系統(tǒng)結(jié)合yolo11模型和kh匹配算法，設計了lcsg-yolo模型與kcht匹配算法，并制定了全新的基于機器視覺的cpr檢測評價標準，為經(jīng)濟高效且精準的cpr評估提供了創(chuàng)新解決方案，并為實際應用奠定了基礎。

技術實現(xiàn)思路

1、本發(fā)明要解決的技術問題就是克服以上的技術缺陷，提供基于機器視覺的多角度cpr訓練視頻檢測方法。

2、為了解決上述問題，本發(fā)明的技術方案為：基于機器視覺的多角度cpr訓練視頻檢測，其特征在于：包括建立lcgs-yolo模型、準備工作、kcht匹配算法設計和制定評分標準；

3、所述建立lcgs-yolo模型包括局部條件共享特性共享層設計、gcsca模塊設計和gcsca光模塊設計；

4、所述準備工作包括創(chuàng)建專用數(shù)據(jù)集和cpr訓練視頻灰度軸標準的建立；

5、所述kcht匹配算法設計包括目標動態(tài)預測、觀測更新、匈牙利算法應用和置信度校正機制；

6、所述制定評分標準包括cohen's?kappa系數(shù)和分類準確性的評估。

7、進一步，所述局部條件共享特性共享層設計用于局部條件共享特征共享層通過整合多尺度上下文特征，來增強輸入特征圖中的局部和全局信息。該模塊利用自適應池化技術提取全局和局部上下文，并采用可學習權重，以提高在不同空間尺度上的目標聚焦度和檢測準確性，輸入特征圖x經(jīng)過兩種尺度的自適應池化；

8、c?1＝adaptiveavgpool2d(1)(x)，c?2＝adaptiveavgpool2d(2)(x)

9、通過1x1卷積層進行通道縮減，以生成共享的特征表示f_shared。然后，融合不同尺度的上下文信息，并通過sigmoid激活函數(shù)進行歸一化，生成通道注意力圖，fshared＝σ(w1·c1+w2·c2)；

10、使用雙線性插值對共享特征圖進行上采樣，以使其空間維度與輸入特征圖x相匹配fshared＝interpolate(fshared,size＝xsize,mode＝bilinear)

11、輸入特征圖x與共享特征圖fshared進行逐元素相乘，并通過可學習的權重進行加權，最終生成該模塊的輸出xout＝x·fshared·α；

12、所述csca模塊設計中gcsca(global?context?and?spatial?context?attention)模塊采用自注意力機制，旨在捕捉全局和空間上下文信息，從而增強模型的特征表示能力和魯棒性；

13、所述gcsca光模塊設計中為了提高計算效率，降低模型的復雜性，對gcsca模塊進行了簡化和增強，創(chuàng)建了gcsca?light模塊。

14、進一步，所述創(chuàng)建專用數(shù)據(jù)集是選取了所收集視頻的40％，共105個片段，根據(jù)動作復雜度和關鍵事件，如胸外按壓和人工呼吸的開始與結(jié)束，從每個視頻中提取了20到30個關鍵幀，這一過程最終產(chǎn)生了2,156個標注幀，這些幀被分為訓練集共1946幀和驗證集共210幀；

15、所述cpr訓練視頻灰度軸標準的建立數(shù)據(jù)集中提取了與關鍵標簽對應的胸外按壓和人工呼吸的灰度值，這些值被用來創(chuàng)建一個10級灰度量表，以便于識別和計數(shù)胸外按壓以及檢測按壓深度。

16、進一步，所述目標動態(tài)預測是kcht算法利用卡爾曼濾波器動態(tài)預測目標的位置、速度和其他狀態(tài)信息，為每個目標生成合理的預測；

17、觀測更新：kc濾波器使用yolo檢測結(jié)果更新目標狀態(tài)。通過將預測位置與檢測位置進行比較，調(diào)整狀態(tài)以使預測與實際目標狀態(tài)保持一致；

18、匈牙利算法應用：使用匈牙利算法進行時序目標匹配，通過最優(yōu)匹配將連續(xù)幀中的目標關聯(lián)起來；

19、置信度校正機制：在出現(xiàn)混淆或不一致時，kcht算法應用權重來校正預測。

20、進一步，所述cohen's?kappa系數(shù)一個用于評估分類預測準確性與隨機性之間差異的統(tǒng)計指標,適用于評估兩個評估者或分類器在分類任務上的一致性程度，即使這些分類任務存在隨機性；

21、

22、分類準確性的評估表示在所有樣本中，通過分類和未通過分類的樣本所占的百分比，準確性是通過以下公式計算的：

23、

24、基于機器視覺的多角度cpr訓練視頻檢測方法，其特征在于：該方法設計包含以下組成部分：

25、小物體優(yōu)化：lcsg-yolo模型通過改進卷積層并整合局部上下文信息，提高了對關鍵心肺復蘇區(qū)域的檢測靈敏度，如胸外按壓和人工呼吸，這些改進減少了漏檢和誤報，確保了小物體或被遮擋物體的可靠識別；

26、kcht匹配算法：kcht算法結(jié)合了卡爾曼濾波與匈牙利匹配算法，并引入了置信度指標和時序特征，以確保在多角度環(huán)境中實現(xiàn)高效的目標配對和跟蹤，卡爾曼濾波能夠精煉目標軌跡，減少噪聲，并在動態(tài)場景中提高匹配準確性；

27、心肺復蘇頻率檢測：通過基于時間的平均計算、灰度與抖動特征分析以及快速傅里葉變換進行頻域分析，準確檢測心肺復蘇頻率，這些技術能夠精確識別和計算胸外按壓和人工呼吸的頻率；

28、心肺復蘇深度檢測：利用信號平滑、周期檢測、峰谷差測量和平均深度分析等方法來確定按壓深度，這些方法確保了符合心肺復蘇標準，并提供了可靠的深度評估；

29、多角度融合：在多角度場景中，動態(tài)權重分配機制根據(jù)視角持續(xù)時間和視頻幀率調(diào)整權重，即使角度信息有限，也能確保心肺復蘇動作的準確識別；

30、心肺復蘇訓練視頻模塊：整合并分析結(jié)果，評估諸如按壓次數(shù)、頻率和深度等指標，系統(tǒng)自動判斷每個指標是否符合國際心肺復蘇標準，為操作合規(guī)性提供全面評估

31、本發(fā)明與現(xiàn)有的技術相比的優(yōu)點在于：1.提出lcsg-yolo模型：通過純機器視覺技術，精確檢測心肺復蘇中的關鍵目標——適當頻率的心肺按壓和人工呼吸，特別是在復雜動態(tài)環(huán)境中，確保高效、精準的評估。

32、2.創(chuàng)建專用數(shù)據(jù)集：構建了針對cpr評估的定制數(shù)據(jù)集，基于此數(shù)據(jù)集訓練lcsg-yolo模型。

33、3.改進kcht匹配算法：在傳統(tǒng)kh匹配算法的基礎上，結(jié)合置信度和時序信息優(yōu)化目標匹配過程，顯著提升了lcsg-yolo模型的匹配精度與魯棒性。

34、4.制定評分標準：依據(jù)aha?cpr與ecc指南，制定了適用于自動評分的cpr評估準則，為智能化評估系統(tǒng)提供了科學依據(jù)。

35、5.設計完整cpr檢測流程：通過視頻上傳，系統(tǒng)依據(jù)預設標準自動評估cpr操作，判斷其是否符合標準，無需依賴傳感器，為cpr質(zhì)量提升與培訓提供了科學支持，推動智能化評估應用的普及。