[go: up one dir, main page]

CN113658702A - 基于中医望诊的脑卒中特征提取与智能风险预测方法及系统 - Google Patents

基于中医望诊的脑卒中特征提取与智能风险预测方法及系统 Download PDF

Info

Publication number
CN113658702A
CN113658702A CN202110991019.7A CN202110991019A CN113658702A CN 113658702 A CN113658702 A CN 113658702A CN 202110991019 A CN202110991019 A CN 202110991019A CN 113658702 A CN113658702 A CN 113658702A
Authority
CN
China
Prior art keywords
prediction parameter
feature
feature prediction
weight
roi
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110991019.7A
Other languages
English (en)
Other versions
CN113658702B (zh
Inventor
赵紫娟
王华虎
冀伦文
强彦
李慧芝
王麒达
梁鑫
赵琛琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi Huihu Health Technology Co ltd
Original Assignee
Shanxi Huihu Health Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanxi Huihu Health Technology Co ltd filed Critical Shanxi Huihu Health Technology Co ltd
Priority to CN202110991019.7A priority Critical patent/CN113658702B/zh
Publication of CN113658702A publication Critical patent/CN113658702A/zh
Application granted granted Critical
Publication of CN113658702B publication Critical patent/CN113658702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供的基于中医望诊的脑卒中特征提取与智能风险预测方法及系统，特征提取方法包括：获取待测手掌、面部和耳部的图像信息；根据手部关键点模型进行手部ROI分割，根据面部关键点模型进行眉心ROI分割，根据耳部关键点模型进行耳垂ROI分割；根据手部ROI分割提取出手部的生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数与肥厚特征预测参数；根据眉心ROI分割提取出面部的折皱特征预测参数；根据耳垂ROI分割提取出耳垂的斜纹特征预测参数；对生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数汇总后输出；具有对脑卒中患者进行筛选的有益效果，适用于健康管理领域。

Description

基于中医望诊的脑卒中特征提取与智能风险预测方法及系统
技术领域
本发明涉及健康管理的技术领域，具体涉及基于中医望诊的脑卒中特征提取与智能风险预测方法及系统。
背景技术
望诊是中医四诊的一个重要分支，被誉为四诊之首，人体的形态、色泽、气态中包含了很多有价值的信息，中医师通过观察患者形、色、气、神的变化，对患者病情进行诊断和预测。
早在千百年前，《灵枢·本藏》说：“视其外应，以知其内脏，则知所病矣。”说明脏腑与体表是内外相应的，观察外部的表现，可以测知内脏的变化，从而了解疾病发生的部位、性质，认清内在的病理本质，便可解释显现于外的症候。
中医望诊在识别心脑血管疾病方面已有相关的理论，并且随着计算机视觉的发展，出现越来越多的方法可以把这种基于望诊的方式自动化实现。依据中医望诊的相关理论，联合面部手部多种特征，提出一整套特征分割、分析与权值分配的方案，这种自动化的处理方法是中医望诊的前进方向。
发明内容
针对相关技术中存在的不足，本发明所要解决的技术问题在于：提供一种结合计算机图像处理方法进行脑中卒特征提取与分析，从而对脑卒中患者进行筛选的基于中医望诊的脑卒中特征提取与智能风险预测方法及系统。
为解决上述技术问题，本发明采用的技术方案为：
基于中医望诊的脑卒中特征提取方法，包括以下步骤：
S10，获取待测手掌、面部和耳部的图像信息；
S20，根据手部关键点模型进行手部ROI分割，以及根据面部关键点模型进行眉心ROI分割，以及根据耳部关键点模型进行耳垂ROI分割；
S30，根据手部ROI分割提取出手部的生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数与肥厚特征预测参数；
S40，根据眉心ROI分割提取出面部的折皱特征预测参数；
S50，根据耳垂ROI分割提取出耳垂的斜纹特征预测参数；
S60，对上述生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数汇总后输出。
优选地，所述步骤S40中，根据眉心ROI分割提取出面部的折皱特征预测参数，具体包括：
S401，将眉心ROI区域进行灰度转换后，利用直方图均衡化进行图像的增强；
S402，构建基于带状池化的卷积神经网络；
S403，将步骤S401处理后的图像输入到步骤S402卷积神经网络的特征提取器中，并利用长条形的池化kernel来实现池化，利用softmax层进行分类后输出预测得分；
S404，根据预测得分输出褶皱特征预测参数。
优选地，所述步骤S50中，根据耳垂ROI分割提取出耳垂的斜纹特征预测参数，具体包括：
S501，对耳垂ROI区域进行分割，提取分割后的斜纹所在区域图像；
S502，对分割后的耳垂图像进行对比度增强以及灰度处理得到预处理之后的耳垂图像；
S503，通过多尺度边缘检测算法对耳垂斜纹指数进行评分，最后输出评分结果；
S504，根据评分结果输出耳垂斜纹特征预测参数。
优选地，所述步骤S30中，根据手部ROI分割提取出手部的生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数与肥厚特征预测参数；具体包括：
S301，对生命线过中线特征对应的生命线过中线ROI区域进行检测，通过基于边缘检测算法与曲线拟合算法判断生命线是否过中线，并根据判断结果，输出生命线过中线特征预测参数；
S302，对红润特征对应的红润ROI区域进行红润检测，通过基于HSV色域空间判断是否为红润，并根据判断结果，输出红润特征预测参数；
S303，对肥厚特征对应的肥厚ROI区域、隆起特征对应的隆起ROI区域进行肥厚、隆起检测，通过SVM模型分别判断是否为肥厚、隆起，并根据判断结果，输出隆起特征预测参数与肥厚特征预测参数。
相对应地，基于中医望诊的脑卒中智能风险预测方法，包括：
A1，对脑卒中风险对应的影响因子进行特征提取；
A2，根据特征提取结果进行赋权；
A3，对影响因子进行权值计算，获得待预测目标的脑卒中风险评估结果；
其中，步骤A1，对脑卒中风险对应的影响因子进行特征提取的过程为权利要求1至5任一所述的脑卒中特征提取方法。
优选地，所述步骤A2，根据特征提取结果进行赋权；具体包括：
A21，建立与每个特征预测参数相对应的权重因子；
A22，为每个特征提取结果设置对应的权值系数；
其中，生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数分别对应的权重因子为过中线权重Weight1、红润权重Weight2、肥厚权重为Weight3、隆起权重为Weight4、折皱权重Weight5和斜纹权重Weight6；
过中线权重Weight1、红润权重Weight2、肥厚权重为Weight3、隆起权重为Weight4、折皱权重Weight5和斜纹权重Weight6分别对应的权值系数为：0.45～0.55、0.15、0.15、0.15、0.35、0.75。
优选地，所述步骤A3，对影响因子进行权值计算，获得待预测目标的脑卒中风险评估结果；具体包括：
A311，接收生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数分别对应的权值；
A312，计算组合概率P1；具体为：
当同时出现肥厚、隆起、红润时，此时脑卒中风险概率为0.9，否则为0；并用公式(1)表示；
Figure BDA0003232411710000031
A313，计算组合概率P2,具体为：
P2＝Weight1+Weight2+Weight3+Weight4+Weight5+Weight6,if P2≥1,P2＝1公式(2)；
A314，返回最终概率；其中，最终概率P为P1与P2中的最大值。
P＝max(P1,P2) 公式(3)。
相应地，基于中医望诊的脑卒中智能风险预测系统，包括：
特征提取单元，用于对脑卒中风险对应的影响因子进行特征提取；
赋权单元，用于根据特征提取结果进行赋权；
预测单元，用于对影响因子进行权值计算，获得待预测目标的脑卒中风险评估结果。
优选地，所述赋权单元包括：
建立单元，用于建立与每个特征预测参数相对应的权重因子；
设置单元，用于为每个特征提取结果设置对应的权值系数；
其中，生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数分别对应的权重因子为过中线权重Weight1、红润权重Weight2、肥厚权重为Weight3、隆起权重为Weight4、折皱权重Weight5和斜纹权重Weight6；
过中线权重Weight1、红润权重Weight2、肥厚权重为Weight3、隆起权重为Weight4、折皱权重Weight5和斜纹权重Weight6分别对应的权值系数为：0.45～0.55、0.15、0.15、0.15、0.35、0.75。
优选地，所述预测单元包括：
接收单元，用于接收生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数分别对应的权值；
计算单元，用于计算组合概率P1和组合概率P2，具体计算过程为：
Figure BDA0003232411710000041
P2＝Weight1+Weight2+Weight3+Weight4+Weight5+Weight6,if P2≥1,P2＝1公式(2)；
预测结果输出单元，用于返回最终概率P；
其中，最终概率P为P1与P2中的最大值：
P＝max(P1,P2) 公式(3)。
本发明的有益技术效果在于：
1、本发明提供的基于中医望诊的脑卒中特征提取方法，根据望诊中风的相关理论，提取了手掌的生命线是否过手掌中线、手掌是否肥厚、隆起与红润、眉心折皱耳垂斜纹共6个特征，并对每个特征的ROI提供了切实可行的分割与分析方案，实施简单，便于实现。
2、本发明提供的基于中医望诊的脑卒中智能风险预测方法，选择了手掌与面部的共6个特征并分配了权值，有利于用户早日发现脑卒中风险，以便自觉改善生活习惯，有利于满足大众的养生需求，提高居民健康水平。
附图说明
图1是本发明实施例一提供的基于中医望诊的脑卒中特征提取方法的流程示意图；
图2是本发明实施例一中待测手掌图像示意图；
图3是本发明实施例一中待测面部图像的示意图；
图4是本发明实施例一中待测耳部图像的示意图；
图5是本发明实施例一中手部关键点模型的示意图；
图6是本发明实施例一中手部ROI分割提取出的手部生命线过中线特征示意图；
图7是本发明实施例一中手部ROI分割提取出的手部隆起特征示意图；
图8是本发明实施例一中手部ROI分割提取出的手部红润特征示意图；
图9是本发明实施例一中手部ROI分割提取出的肥厚特征示意图；
图10是本发明实施例一中面部关键点模型的示意图；
图11是本发明实施例一中眉心ROI分割提取出的折皱特征示意图；
图12是本发明实施例一中手部生命线过中线特征计算过程中的拟合区域选取规则示意图；
图13是本发明实施例一中手部生命线过中线特征计算过程中的二次函数拟合效果示意图；
图14是本发明实施例一中红润特征计算过程中的各颜色区域提取效果示意图；
图15是本发明实施例一中隆起特征预测参数与肥厚特征计算过程中的特征学习曲线示意图；
图16是本发明实施例二提供的基于中医望诊的脑卒中智能风险预测方法的流程示意图；
图17是本发明实施例三提供的基于中医望诊的脑卒中智能风险预测系统的结构示意图；
图18是本发明提供的一个具体实施例中基于中医望诊的脑卒中智能风险预测方法的流程示意图；
图中：10为特征提取单元，20为赋权单元，30为预测单元；
201为建立单元，202为设置单元，301为接收单元，302为计算单元，303为预测结果输出单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
以下结合附图详细说明所述基于中医望诊的脑卒中特征提取、智能风险预测方法及系统的一个实施例。
实施例一
如图1至图4所示，基于中医望诊的脑卒中特征提取方法，其特征在于：包括以下步骤：
S10，获取待测手掌、面部和耳部的图像信息；
S20，根据手部关键点模型进行手部ROI分割，以及根据面部关键点模型进行眉心ROI分割，以及根据耳部关键点模型进行耳垂ROI分割；
S30，根据手部ROI分割提取出手部的生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数与肥厚特征预测参数；
S40，根据眉心ROI分割提取出面部的折皱特征预测参数；
S50，根据耳垂ROI分割提取出耳垂的斜纹特征预测参数；
S60，对上述生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数汇总后输出。
如图5所示，本实施例中，根据手部关键点模型进行手部ROI分割中，所述的手部关键点模型可为TomasSimon等人于2017年提出的手部关键点模型，其中：
如图6所示，手部的生命线过中线特征的提取过程包括：
根据手部关键点分割出生命线过中线的三角形ROI；三角形的三个顶点分别为：手腕中心0点(x0,y0)，食指根部5点(x5,y5)和手腕中心0点与无名指根部13点的连线的中点
Figure BDA0003232411710000061
这样的划分能够在覆盖了生命线与中线相交区域的同时，减少其他掌纹的干扰。
如图7所示，手部的隆起特征的提取过程包括：
根据手部关键点分割出隆起特征的矩形ROI；隆起特征主要表现在指关节与手掌相交处，因此以关键点5与关键点17的横坐标距离的四分之一作为标准距离m，划分隆起特征的矩形RO；设关键点5与关键点17的坐标分别为(x5,y5)和(x17,y17)，则ROI矩形四个顶点的坐标分别为(x5+m,y5-m)；(x5+m,y17+m)；(x17-m,y17+m)；(x17-m,y5-m)。
如图8所示，手部的红润特征的提取过程包括：
据手部关键点分割出红润特征的矩形ROI；红润特征要参考手掌的整体情况，因此需要扩大所选择的手掌的面积，即在图7的基础上，再往下扩充两个m单位；此时ROI矩形四个顶点的坐标分别为(x5+m,y5-m)；(x5+m,y17+3m)；(x17-m,y17+3m)；(x17-m,y5-m)。
如图9，手部的肥厚特征的提取过程包括：
根据手部关键点分割出肥厚特征的矩形ROI；肥厚特征主要参考大小鱼际的丰满程度，因此比起图8，取更接近手腕的区域；此时ROI矩形四个顶点的坐标分别为(x5+3m,y5+6m)；(x5+3m,y17+2m)；(x17-m,y17+2m)；(x17-m,y5+6m)。
如图10所示，所述的面部关键点模型可为Dlib库训练的面部关键点模型，该模型提取了面部的68个关键点；
如图11所示，折皱特征提取过程中，眉心ROI区域主要位于关键点22和23之间，因此，我们选取矩形框的宽度为关键点22和23之间的距离为l，长度为宽度l的两倍，眉心折皱区域在两点连线靠上部位，四个顶点的坐标分别为(x22,y22-0.5l)；(x22,y22+1.5l)；(x23,y23+1.5l)；(x23,y23-0.5l)。
本实施例中，所述步骤S30中，根据手部ROI分割提取出手部的生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数与肥厚特征预测参数；具体包括：
S301，对生命线过中线特征对应的生命线过中线ROI区域进行检测，通过基于边缘检测算法与曲线拟合算法判断生命线是否过中线，并根据判断结果，输出生命线过中线特征预测参数；
S302，对红润特征对应的红润ROI区域进行红润检测，通过基于HSV色域空间判断是否为红润，并根据判断结果，输出红润特征预测参数；
S303，对肥厚特征对应的肥厚ROI区域、隆起特征对应的隆起ROI区域进行肥厚、隆起检测，通过SVM模型分别判断是否为肥厚、隆起，并根据判断结果，输出隆起特征预测参数与肥厚特征预测参数。
所述步骤S301的具体过程为：
S3011，对生命线过中线ROI区域内的图像进行灰度处理，转化为灰度图像；其转换公式为：Gray＝(R*30+G*59+B*11+50)/100；
S3012，通过Scharr算子得到x方向上的梯度后，用特定阈值的Canny算子再对x方向上的梯度进行边缘检测，所述的特定阈值包括：上阈值500、下阈值300；具体包括：
S30121，通过Scharr算子得到x方向上的梯度；由于生命线在手掌上是纵向的，因此通过Scharr算子得到x方向上的梯度，在初步提取了边缘特征的同时，加强了纵向纹路，削弱了横向纹路。所用滤波器如下所示：
Figure BDA0003232411710000081
S30122，取阈值为(300,500)对上述步骤S30121得到的图像进行Canny子边缘检测；使用Canny算子可以得到比较清晰的掌纹图像，有利于进一步的曲线拟合，具体为：
1)使用Sobel算子求得x、y方向上的梯度，如下所示：
Figure BDA0003232411710000082
2)得到梯度值与梯度方向，如下所示：
Figure BDA0003232411710000083
Figure BDA0003232411710000084
3)进行非最大值过滤，使边缘的宽度尽可能为1个像素点；如下所示：
Figure BDA0003232411710000085
只有当一个像素在梯度方向上的梯度值是最大的时，才认为它属于边缘，否则将像素值设为0：
4)使用上下阈值进行边缘检测；设上阈值为500，下阈值为300，所有大于上阈值的均为边缘，所有小于下阈值的均不属于边缘。对于处于上下阈值之间的点，如果其与边缘相连，则认为是边缘，否则不属于边缘。
S3013，进行图像增强操作；
具体为：对步骤S3012得到的依次图像进行一次膨胀、一次腐蚀、两次膨胀操作，实现图像的增强；其中，膨胀本质上是使用卷积核进行与并用最大值替换参考点，如下所示：
Figure BDA0003232411710000091
腐蚀也使用卷积核进行与运算，但是用最小值替换参考点，如下所示：
Figure BDA0003232411710000092
本实施例中，膨胀操作可以使生命线的轮廓更清晰，便于拟合；而腐蚀操作能够在一定程度上消除噪点，减少干扰。两者结合起来，能够优化拟合的效果。
S3014，通过轮廓检测算法得到生命线对应的最大亮斑点集，以及最大亮斑所在的垂直区域内亮斑的点集；本实施例一中，步骤S3013得到的图像，是由若干亮斑所组成的，由于所分割的生命线过中线ROI区域内生命线是最明显的纹路，因此，最大的亮斑一定来自生命线，并将其作为评价拟合效果的主要参照；此外，由于生命线在手掌上是纵向，并且通常在图中是若干光斑组成的，因此在大部分情况下，使用最大亮斑所在的垂直区域内的亮斑进行拟合的效果更好。
具体地，所述步骤S3014，通过轮廓检测算法得到生命线对应的最大亮斑点集，以及最大亮斑所在的垂直区域内亮斑的点集，具体包括：
取面积最大的轮廓作为最大亮斑，然后以面积最大的轮廓出发，取各个轮廓第一个点；其中：设面积最大的轮廓的第一个点为(x0,y0)，其他轮廓第一个点为(xk,yk)，当|yk-y0|≥4*|xk-x0|时保留该轮廓为最大亮斑所在的垂直区域内的亮斑，否则不保留。
S3015，对生命线进行二次函数拟合；由于手上的掌纹符合圆锥曲线的特征，因此使用二次函数进行拟合，就可以在计算量较小的情况下，准确地对生命线进行拟合；
所述步骤S3015，对生命线进行二次函数拟合，具体包括：
S30151,使用最大亮斑所在的垂直区域内亮斑的点集，使用最小二乘法进行二次函数拟合；设误差方程为：
Error(w|X,y)＝(Xw-y)T(Xw-y)
其中X为m×n的样本输入矩阵，y为m×1的函数值矩阵，而w为代求的n×1权重矩阵，由此得最优解为：
w＝(XTX)-1XTy；
S30152,将最大亮斑纵向四等分，得到中间三个检查点，分别得到二次函数上相同纵坐标的三个点，若这三个点均在最大亮斑的轮廓之内，则拟合效果合格；若拟合效果不合格，则再使用最大亮斑的点集重新进行拟合；
S3016，由关键点得出中线的直线方程；
S3017，计算中线的直线方程与生命线的二次函数是否存在交点，若生命线与中线相交，并根据判断结果，输出生命线过中线特征预测参数，本实施例中，若相交，则生命线过中线特征预测参数对应的权重为Weight1，否则权重为0。
本实施例中，只需通过二次曲线和直线方程的联立公式可得中线和生命线是否存在交点，判断是否存在交点的过程如下：
Figure BDA0003232411710000101
若存在交点，则计算公式(301-1)中二次函数顶点与直线的距离d，并得到三倍的该距离与关键点5点到关键点17点的距离的比值L：其中：关键点5点对应的手部位置为食指根部，关键点17点对应的手部位置为小拇指根部；
Figure BDA0003232411710000102
Figure BDA0003232411710000103
所述步骤S302的具体过程为：
S3021，将获取的图像转换为HSV颜色空间；HSV能更加直观地表观颜色地色调、鲜艳程度与明暗程度，因此在颜色对比方面表现更好，更容易追踪某种颜色地物体，可用于分割特定颜色的物体；RGB转HSV的计算公式如下：
R′＝R/255
G′＝G/255
B′＝B/255
Cmax＝max(R′,G′,B′)
Cmin＝min(R′,G′,B′)
△＝Cmax-Cmin
然后分别计算H、S、V：
Figure BDA0003232411710000111
Figure BDA0003232411710000112
V＝Cmax。
本实施例中，得到红润ROI区域内的主要颜色。为了检验手掌是否红润，接下来在HSV颜色空间内，对红润ROI区域的颜色组成进行分析。
S3022，在HSV颜色空间中，按照各颜色的阈值，将红润ROI区域进行二值化，对应颜色为亮，其他区域为暗；
S3023，将步骤S3022得到的图像依次进行膨胀操作、轮廓检测后，得到轮廓；
S3024，把轮廓中所有的面积按颜色分别相加，得到各颜色区域的面积；具体为：
采用步骤S3014中相同的轮廓检测方法得到轮廓，把所有轮廓的面积相加，得到各颜色区域的面积。
S3025，判断是否为红润，并根据判断结果，输出生命线过中线特征预测参数，本实施例中，若面积最大的颜色是“red”、“red2”、“purple”中的一个，则认为是红润，且红润时，红润特征预测参数对应的权重为Weight2，否则权重为0；
所述步骤S303的具体过程为：
S3031，对肥厚ROI区域、隆起ROI区域内的图像进行灰度处理，转化为灰度图像；
S3032，对灰度图像进行奇异值分解，得到肥厚ROI区域、隆起ROI区域内的奇异值特征；对图像进行奇异值分解，即对于矩阵A，找到：
A＝U∑VT
其中V是n×n的正交阵，U是m×m的正交阵，Σ是m×n的对角阵；
S3033，对灰度图像进行LBP分解后，得到肥厚ROI区域、隆起ROI区域内的LBP特征；对图像进行LBP分解，具体包括：
局部二值模式(LBP)是一种参照中心像素对周围像素重新赋值的算法，以3 3的正方形区域为例，周围8个点的像素值若大于中心的像素值，则赋值为1，否则为0；由此得到8位二进制数来表示该区域的纹理信息，如下所示：
Figure BDA0003232411710000121
其中：(xc,yc)表示正方形区域内中心元素，其像素值为ic，其他点的像素值为ip，s(x)定义如下：
Figure BDA0003232411710000122
S3034，将奇异值特征和LBP特征向量进行融合后降维，得到精简后的有效模型；具体包括：
S30341，使用递归特征消除法对特征进行排序；递归特征消除法是一种贪婪算法，每一步都构建模型，剔除最不重要的若干个特征，然后用剩下的特征重复这个步骤，直到所有特征都耗尽为止；递归特征消除法对特征的重要性进行了大致的排序，接下来就可以只关注于选取前多少个特征。
S30342，绘制学习曲线，确定合适的特征数量；为了尽可能减少特征数量，使模型精简有效，接下来绘制学习曲线，得到模型在不同特征数量下的表现；
分别选取前1个特征、前10001个特征、前20001个特征等测试模型表现，得到学习曲线如图12所示；从图中可以看出，在使用的特征数量为10001时，模型用较少的特征数量实现了较高的准确度，因此选用前10001个特征进行SVM模型搭建。
S3035，将降维后的10001个特征，随机分为训练集和预测集，利用训练集分别训练SVM模型，通过自动调参函数确立模型参数，之后分别对隆起与肥厚特征进行训练。
S3035，使用训练过的两个模型分别对隆起与肥厚进行判断，根据判断结果，输出隆起特征预测参数与肥厚特征预测参数；本实施例中，若为肥厚、隆起时，其各自对应的肥厚权重为Weight3、隆起权重为Weight4，否则为0。
具体地，所述步骤S40中，根据眉心ROI分割提取出面部的折皱特征预测参数，具体包括：
S401，将眉心ROI区域进行灰度转换后，利用直方图均衡化进行图像的增强；
本实施例中，眉心ROI区域进行灰度转换后能够方便之后的直方图均衡化和折皱识别，所述的灰度转换公式可采用Gray＝(R*30+G*59+B*11+50)/100；
同时，由于人脸图像的直方图是一个离散化表示的图像，没有一定的显示规律，针对此类图像处理较难，必须要对其均衡化处理；人脸图像的均衡化处理要保证以下两个条件：
S4011，像素的属性不能发生改变，图像的物理结构要保持不变；
S4012，采集到的人脸ROI图像是8-bits图像，像素映射函数的值域应保持在0～255之间；直方图映射的方法是：
Figure BDA0003232411710000131
其中N为像素总个数，L为灰度级总数，Ng为灰度级为g的像素总数；
S402，构建基于带状池化的卷积神经网络；
S403，将步骤S401处理后的图像输入到步骤S402卷积神经网络的特征提取器中，并利用长条形的池化kernel来实现池化，利用softmax层进行分类后输出预测得分；
由于卷积神经网络主要由七个层组成，将处理后的人脸ROI灰度图像输入到特征提取器，然后利用带状池化操作学习图像远距离依赖关系，最后softmax层用于分类，包括：
S4031，输入层直接从预处理后的图像库中随机选择人脸ROI图像；
S4032，第一层网络为卷积层，前一层输出的每个通道与64个7×7的滤波器进行卷积,因此，卷积层1处特征图通道数为192。卷积层的表达式为：
Figure BDA0003232411710000132
其中h是这一层的输出；wT是权重；x是输入；
S4033，第二层为带状池化层；由于常规的正方形池化层在处理不规则形状对象时，不可避免地会合并很多不相关的区域，因此，本发明采用了条状的池化窗口来帮助主干网络捕获远程上下文关系。
假设
Figure BDA0003232411710000133
为池化层的输入张量，C代表通道数,H×W代表输入张量的尺度大小，
Figure BDA0003232411710000134
表示输入张量的每个值都是实数；
首先，将x输入两条平行路径，每个路径包含一个水平或垂直的带状池化层；
然后是一个核大小为3的一维卷积层，用于调节当前位置及其相邻特征,得到
Figure BDA0003232411710000135
和
Figure BDA0003232411710000136
其中，yh和yv分别代表水平和垂直的带状池化后输出；
最后，我们将yh和yv合并来得到包含更多全局信息的输出
Figure BDA0003232411710000141
Figure BDA0003232411710000142
其中：c代表池化操作，i,j代表坐标点的位置；
因此，池化层输出z计算为：z＝Scale(x,σ(f(y)))；其中：Scale(·，·)代表了像素点相乘操作，σ代表sigmoid函数，f表示1×1卷积操作；
S4034，输出层使用Softmax回归将输出转化为一个概率分布，其中经过Softmax回归处理后的输出为：
Figure BDA0003232411710000143
其中：yi表示输出向量的第i个位置概率值，yi和yj分别表示softmax前特征向量y第i维和第j维的数值大小；
S404，根据预测得分输出褶皱特征预测参数；本实施例中，不小于0.5的类别分数表示为折皱图像，小于0.5的类别分数表示非折皱图像；
其中，若褶皱特征预测参数为褶皱时，其褶皱权重为Weight4，否则为0。
进一步地，所述步骤S50中，根据耳垂ROI分割提取出耳垂的斜纹特征预测参数，具体包括：
S501，对耳垂ROI区域进行分割，提取分割后的斜纹所在区域图像；具体包括：
S502，对分割后的耳垂图像进行对比度增强以及灰度处理得到预处理之后的耳垂图像；
S5021，首先，利用基于对数log变换的图像对比度增强算法对耳垂ROI区域进行高对比度增强，对数变换可以将图像的低灰度值部分扩展，显示出低灰度部分更多的细节，将其高灰度值部分压缩，减少高灰度值部分的细节，从而达到强调图像低灰度部分的目的，变换方法如下：
s＝c·logv+1(1+v,r)r∈[0,1]；其中，c代表耳垂ROI区域原图，v+1表示对数函数的底数，r是超参数；
S5022，将对比度增强后的图像转化为灰度图；
S503，通过多尺度边缘检测算法对耳垂斜纹指数进行评分，最后输出评分结果；
S5031，多尺度Gaussian滤波；
高斯滤波去噪就是对整幅图像像素值进行加权平均，针对每一个像素点的值，都由其本身值和邻域内的其他像素值经过加权平均后得到，一个二维的高斯函数如下：
Figure BDA0003232411710000151
其中(x,y)为点坐标，σ是标准差；
S50311，首先获得两个不同大小的Gaussian滤波器模板，本实施例选取模板大小分别为3×3和5×5；
S5032，选取3×3模板标准差σ的值为0.8，5×5模板标准差σ的值为1.4,计算出如下两个滤波模板
Figure BDA0003232411710000152
S5033，利用上述两个滤波器对预处理后的图像进行卷积操作，得到Gauddian滤波后的图像，分别为大尺度高斯滤波后图像和小尺度高斯滤波后图像；
S5034，利用Prewitt算子对多尺度滤波后图像进行检测；
S50341，Prewitt算子在x轴与y轴两个方向上的模板如下：
Figure BDA0003232411710000153
S50342，在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘；对两个方向边缘检测后的图求绝对值，压缩到[0,255]区间，即G(x,y)＝Gx+Gy就是prewitt边缘检测后的图像了；Gx和Gy分别代表利用Prewitt算子在x轴与y轴两个方向上的滤波结果；
S50343，分别对两个尺度的高斯滤波后图像进行Prewitt算子边缘检测，得到双尺度边缘图；
S50345，将上一步骤得到的双尺度边缘图进行组合，计算斜纹指数；
S504，根据评分结果输出耳垂斜纹特征预测参数，具体包括：上述斜纹指数大于0.5定义为耳垂有斜纹，小于0.5定义为耳垂没有斜纹；
本实施例中，若耳垂有斜纹，则耳垂斜纹特征预测参数对应的权重为Weight6、否则为0。
本实施例一提供的基于中医望诊的脑卒中特征提取方法，根据望诊中风的相关理论，提取了手掌的生命线是否过手掌中线、手掌是否肥厚、隆起与红润、眉心折皱耳垂斜纹共6个特征，并对每个特征的ROI提供了切实可行的分割与分析方案，实施简单，便于实现。
实施例二
如图16所示，在实施例一的基础上，本发明提供了基于中医望诊的脑卒中智能风险预测方法，包括：
A1，对脑卒中风险对应的影响因子进行特征提取；
A2，根据特征提取结果进行赋权；
A3，对影响因子进行权值计算，获得待预测目标的脑卒中风险评估结果；
其中，步骤A1，对脑卒中风险对应的影响因子进行特征提取的过程为实施例一中所述的脑卒中特征提取方法。
具体地，所述步骤A2，根据特征提取结果进行赋权；具体包括：
A21，建立与每个特征预测参数相对应的权重因子；
A22，为每个特征提取结果设置对应的权值系数；
其中，生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数分别对应的权重因子为过中线权重Weight1、红润权重Weight2、肥厚权重为Weight3、隆起权重为Weight4、折皱权重Weight5和斜纹权重Weight6；
过中线权重Weight1、红润权重Weight2、肥厚权重为Weight3、隆起权重为Weight4、折皱权重Weight5和斜纹权重Weight6分别对应的权值系数为：0.45～0.55、0.15、0.15、0.15、0.35、0.75。
本实施例中，过中线权重Weight1、红润权重Weight2、肥厚权重为Weight3、隆起权重为Weight4、折皱权重Weight5和斜纹权重Weight6的表示方法如下：
Figure BDA0003232411710000161
过中线权重Weight1对应权值控制在0.45与0.55之间，若不存在交点，权值为0：
Figure BDA0003232411710000162
Figure BDA0003232411710000163
Figure BDA0003232411710000164
Figure BDA0003232411710000171
Figure BDA0003232411710000172
进一步地，所述步骤A3，对影响因子进行权值计算，获得待预测目标的脑卒中风险评估结果；具体包括：
A311，接收生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数分别对应的权值；
A312，计算组合概率P1；具体为：
当同时出现肥厚、隆起、红润时，此时脑卒中风险概率为0.9，否则为0；并用公式(1)表示；
Figure BDA0003232411710000173
A313，计算组合概率P2,具体为：
P2＝Weight1+Weight2+Weight3+Weight4+Weight5+Weight6,if P2≥1,P2＝1 公式(2)；
A314，返回最终概率；其中，最终概率P为P1与P2中的最大值。
P＝max(P1,P2) 公式(3)。
本实施例提供的基于中医望诊的脑卒中智能风险预测方法，选择了手掌与面部的共6个特征并分配了权值，有利于用户早日发现脑卒中风险，以便自觉改善生活习惯，并定期去医院进行排查；有利于满足大众的养生需求，提高居民健康水平。
实施例三
如图17所示，本发明还提供了基于中医望诊的脑卒中智能风险预测系统，包括：
特征提取单元10，用于对脑卒中风险对应的影响因子进行特征提取；
赋权单元20，用于根据特征提取结果进行赋权；
预测单元30，用于对影响因子进行权值计算，获得待预测目标的脑卒中风险评估结果。
具体地，所述赋权单元20包括：
建立单元201，用于建立与每个特征预测参数相对应的权重因子；
设置单元202，用于为每个特征提取结果设置对应的权值系数；
其中，生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数分别对应的权重因子为过中线权重Weight1、红润权重Weight2、肥厚权重为Weight3、隆起权重为Weight4、折皱权重Weight5和斜纹权重Weight6；
过中线权重Weight1、红润权重Weight2、肥厚权重为Weight3、隆起权重为Weight4、折皱权重Weight5和斜纹权重Weight6分别对应的权值系数为：0.45～0.55、0.15、0.15、0.15、0.35、0.75。
进一步地，所述预测单元30包括：
接收单元301，用于接收生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数分别对应的权值；
计算单元302，用于计算组合概率P1和组合概率P2，具体计算过程为：
Figure BDA0003232411710000181
P2＝Weight1+Weight2+Weight3+Weight4+Weight5+Weight6,if P2≥1,P2＝1 公式(2)；
预测结果输出单元(303)，用于返回最终概率P；
其中，最终概率P为P1与P2中的最大值：
P＝max(P1,P2) 公式(3)。
图18是本发明提供的一个具体实施例中基于中医望诊的脑卒中智能风险预测方法的流程示意图；如图18所示，本发明能够根据获取的待测手掌图像、面部图像、耳部图像，通过相应的特征提取和权值计算，即可得到脑中卒概率，有利于用户早日发现脑卒中风险，以便自觉改善生活习惯，满足大众的养生需求，提高居民健康水平。
此外，本发明对人体各部位通用的纹路、颜色、凸起等特征的分析都进行了探索，并提出了一套实用且正确率高的方案，该方案可迁移性强，可以轻松迁移到身体的其他部位，促进中医望诊在身体各个部分的应用开发。
在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法、装置及系统中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其他设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定的编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在本申请所提供的实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.基于中医望诊的脑卒中特征提取方法，其特征在于：包括以下步骤：
S10，获取待测手掌、面部和耳部的图像信息；
S20，根据手部关键点模型进行手部ROI分割，以及根据面部关键点模型进行眉心ROI分割，以及根据耳部关键点模型进行耳垂ROI分割；
S30，根据手部ROI分割提取出手部的生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数与肥厚特征预测参数；
S40，根据眉心ROI分割提取出面部的折皱特征预测参数；
S50，根据耳垂ROI分割提取出耳垂的斜纹特征预测参数；
S60，对上述生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数汇总后输出。
2.根据权利要求1所述的基于中医望诊的脑卒中特征提取方法，其特征在于：所述步骤S40中，根据眉心ROI分割提取出面部的折皱特征预测参数，具体包括：
S401，将眉心ROI区域进行灰度转换后，利用直方图均衡化进行图像的增强；
S402，构建基于带状池化的卷积神经网络；
S403，将步骤S401处理后的图像输入到步骤S402卷积神经网络的特征提取器中，并利用长条形的池化kernel来实现池化，利用softmax层进行分类后输出预测得分；
S404，根据预测得分输出褶皱特征预测参数。
3.根据权利要求1所述的基于中医望诊的脑卒中特征提取方法，其特征在于：所述步骤S50中，根据耳垂ROI分割提取出耳垂的斜纹特征预测参数，具体包括：
S501，对耳垂ROI区域进行分割，提取分割后的斜纹所在区域图像；
S502，对分割后的耳垂图像进行对比度增强以及灰度处理得到预处理之后的耳垂图像；
S503，通过多尺度边缘检测算法对耳垂斜纹指数进行评分，最后输出评分结果；
S504，根据评分结果输出耳垂斜纹特征预测参数。
4.根据权利要求1所述的基于中医望诊的脑卒中特征提取方法，其特征在于：所述步骤S30中，根据手部ROI分割提取出手部的生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数与肥厚特征预测参数；具体包括：
S301，对生命线过中线特征对应的生命线过中线ROI区域进行检测，通过基于边缘检测算法与曲线拟合算法判断生命线是否过中线，并根据判断结果，输出生命线过中线特征预测参数；
S302，对红润特征对应的红润ROI区域进行红润检测，通过基于HSV色域空间判断是否为红润，并根据判断结果，输出红润特征预测参数；
S303，对肥厚特征对应的肥厚ROI区域、隆起特征对应的隆起ROI区域进行肥厚、隆起检测，通过SVM模型分别判断是否为肥厚、隆起，并根据判断结果，输出隆起特征预测参数与肥厚特征预测参数。
5.基于中医望诊的脑卒中智能风险预测方法，其特征在于：包括：
A1，对脑卒中风险对应的影响因子进行特征提取；
A2，根据特征提取结果进行赋权；
A3，对影响因子进行权值计算，获得待预测目标的脑卒中风险评估结果；
其中，步骤A1，对脑卒中风险对应的影响因子进行特征提取的过程为权利要求1至5任一所述的脑卒中特征提取方法。
6.根据权利要求5所述的基于中医望诊的脑卒中智能风险预测方法，其特征在于：所述步骤A2，根据特征提取结果进行赋权；具体包括：
A21，建立与每个特征预测参数相对应的权重因子；
A22，为每个特征提取结果设置对应的权值系数；
其中，生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数分别对应的权重因子为过中线权重Weight1、红润权重Weight2、肥厚权重为Weight3、隆起权重为Weight4、折皱权重Weight5和斜纹权重Weight6；
过中线权重Weight1、红润权重Weight2、肥厚权重为Weight3、隆起权重为Weight4、折皱权重Weight5和斜纹权重Weight6分别对应的权值系数为：0.45-0.55、0.15、0.15、0.15、0.35、0.75。
7.根据权利要求6所述的基于中医望诊的脑卒中智能风险预测方法，其特征在于：所述步骤A3，对影响因子进行权值计算，获得待预测目标的脑卒中风险评估结果；具体包括：
A311，接收生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数分别对应的权值；
A312，计算组合概率P1；具体为：
当同时出现肥厚、隆起、红润时，此时脑卒中风险概率为0.9，否则为0；并用公式(1)表示；
Figure FDA0003232411700000031
A313，计算组合概率P2,具体为：
P2＝Weight1+Weight2+Weight3+Weight4+Weight5+Weight6,if P2≥1,P2＝1 公式(2)；
A314，返回最终概率；其中，最终概率P为P1与P2中的最大值。
P＝max(P1,P2) 公式(3)。
8.基于中医望诊的脑卒中智能风险预测系统，其特征在于：包括：
特征提取单元(10)，用于对脑卒中风险对应的影响因子进行特征提取；
赋权单元(20)，用于根据特征提取结果进行赋权；
预测单元(30)，用于对影响因子进行权值计算，获得待预测目标的脑卒中风险评估结果。
9.根据权利要求8所述的基于中医望诊的脑卒中智能风险预测系统，其特征在于：所述赋权单元(20)包括：
建立单元(201)，用于建立与每个特征预测参数相对应的权重因子；
设置单元(202)，用于为每个特征提取结果设置对应的权值系数；
其中，生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数分别对应的权重因子为过中线权重Weight1、红润权重Weight2、肥厚权重为Weight3、隆起权重为Weight4、折皱权重Weight5和斜纹权重Weight6；
过中线权重Weight1、红润权重Weight2、肥厚权重为Weight3、隆起权重为Weight4、折皱权重Weight5和斜纹权重Weight6分别对应的权值系数为：0.45～0.55、0.15、0.15、0.15、0.35、0.75。
10.权利要求9述的基于中医望诊的脑卒中智能风险预测系统，其特征在于：所述预测单元(30)包括：
接收单元(301)，用于接收生命线过中线特征预测参数、红润特征预测参数、隆起特征预测参数、肥厚特征预测参数、折皱特征预测参数、斜纹特征预测参数分别对应的权值；
计算单元(302)，用于计算组合概率P1和组合概率P2，具体计算过程为：
Figure FDA0003232411700000032
P2＝Weight1+Weight2+Weight3+Weight4+Weight5+Weight6,if P2≥1,P2＝1 公式(2)；
预测结果输出单元(303)，用于返回最终概率P；
其中，最终概率P为P1与P2中的最大值：
P＝max(P1,P2) 公式(3)。
CN202110991019.7A 2021-08-26 2021-08-26 基于中医望诊的脑卒中特征提取与智能风险预测方法及系统 Active CN113658702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110991019.7A CN113658702B (zh) 2021-08-26 2021-08-26 基于中医望诊的脑卒中特征提取与智能风险预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110991019.7A CN113658702B (zh) 2021-08-26 2021-08-26 基于中医望诊的脑卒中特征提取与智能风险预测方法及系统

Publications (2)

Publication Number Publication Date
CN113658702A true CN113658702A (zh) 2021-11-16
CN113658702B CN113658702B (zh) 2023-09-15

Family

ID=78482198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110991019.7A Active CN113658702B (zh) 2021-08-26 2021-08-26 基于中医望诊的脑卒中特征提取与智能风险预测方法及系统

Country Status (1)

Country Link
CN (1) CN113658702B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273652A (zh) * 2017-03-10 2017-10-20 马立伟 智能脑卒中风险监控系统
CN110349140A (zh) * 2019-07-04 2019-10-18 五邑大学 一种中医耳诊图像处理方法及装置
CN111430029A (zh) * 2020-03-24 2020-07-17 浙江达美生物技术有限公司 基于人工智能的多维度脑卒中预防筛查方法
CN111950492A (zh) * 2020-08-19 2020-11-17 山西慧虎健康科技有限公司 一种基于中医理论与手掌多特征提取的高血压风险预测方法
EP3758026A1 (en) * 2019-06-28 2020-12-30 Hill-Rom Services, Inc. Patient risk assessment based on data from multiple sources in a healthcare facility
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field
CN112489793A (zh) * 2020-12-16 2021-03-12 郑州航空工业管理学院 一种脑卒中风险患者用预警系统
CN112750531A (zh) * 2021-01-21 2021-05-04 广东工业大学 一种中医自动化望诊系统、方法、设备和介质
CN113140309A (zh) * 2021-04-14 2021-07-20 五邑大学 中医面色诊断方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273652A (zh) * 2017-03-10 2017-10-20 马立伟 智能脑卒中风险监控系统
EP3758026A1 (en) * 2019-06-28 2020-12-30 Hill-Rom Services, Inc. Patient risk assessment based on data from multiple sources in a healthcare facility
CN110349140A (zh) * 2019-07-04 2019-10-18 五邑大学 一种中医耳诊图像处理方法及装置
CN111430029A (zh) * 2020-03-24 2020-07-17 浙江达美生物技术有限公司 基于人工智能的多维度脑卒中预防筛查方法
CN111950492A (zh) * 2020-08-19 2020-11-17 山西慧虎健康科技有限公司 一种基于中医理论与手掌多特征提取的高血压风险预测方法
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field
CN112489793A (zh) * 2020-12-16 2021-03-12 郑州航空工业管理学院 一种脑卒中风险患者用预警系统
CN112750531A (zh) * 2021-01-21 2021-05-04 广东工业大学 一种中医自动化望诊系统、方法、设备和介质
CN113140309A (zh) * 2021-04-14 2021-07-20 五邑大学 中医面色诊断方法及装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
刘礼梅，等: "中风耳穴诊断规律的临床调查研究", 中医药临床杂志, vol. 25, no. 08, pages 679 - 680 *
古楠: "高利教授脑梗死急性期特色望诊经验浅析", 内蒙古中医药, vol. 33, no. 34, pages 44 - 45 *
吴菊华，等: "基于神经网络的脑卒中风险预测模型研究", 数据分析与知识发现, vol. 03, no. 12, pages 70 - 75 *
徐向东，等: "舌诊在脑卒中患者查体中的应用", 北京中医药, vol. 38, no. 12, pages 1208 - 1210 *
毛红朝，等: "面向中医望诊的人脸分割及其算法实现", 计算机应用研究, vol. 24, no. 09, pages 295 - 297 *
王麒达，等: "多分支深度特征融合的中医脑卒中辅助诊断", 中国图象图形学报, vol. 27, no. 03, pages 935 - 947 *
赵琛琦，等: "视觉Transformer与多特征融合的脑卒中检测算法", 中国图象图形学报, vol. 27, no. 03, pages 923 - 924 *

Also Published As

Publication number Publication date
CN113658702B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN112132166B (zh) 一种数字细胞病理图像智能分析方法、系统及装置
CN110705565A (zh) 淋巴结肿瘤区域识别方法与装置
CN108734108B (zh) 一种基于ssd网络的裂纹舌识别方法
CN112215807A (zh) 基于深度学习的细胞图像自动分类方法及系统
CN112348059A (zh) 基于深度学习的多种染色病理图像分类方法及系统
CN116563647B (zh) 年龄相关性黄斑病变图像分类方法及装置
CN111126162A (zh) 一种识别图像中炎症细胞的方法、装置及存储介质
JP2006507579A (ja) 核多形性の組織学的評価
Jardeleza et al. Detection of common types of eczema using gray level co-occurrence matrix and support vector machine
Ding et al. Classification of chromosome karyotype based on faster-rcnn with the segmatation and enhancement preprocessing model
CN113129390A (zh) 一种基于联合显著性的色盲图像重新着色方法及系统
WO2022037029A1 (zh) 一种基于中医理论与手掌多特征提取的高血压风险预测方法
CN114119551A (zh) 一种人脸图像质量的量化分析方法
CN113989588A (zh) 一种基于自学习的五边形绘图测试智能评价系统及方法
CN117274278B (zh) 基于模拟感受野的视网膜图像病灶部位分割方法及系统
CN105528791B (zh) 一种面向触摸屏手绘图像的质量评价装置及其评价方法
KR102430946B1 (ko) 소장 정결도를 진단하는 시스템 및 방법
CN113658702B (zh) 基于中医望诊的脑卒中特征提取与智能风险预测方法及系统
CN117635551A (zh) 宫颈细胞样本年龄及健康程度预测方法
CN117173147A (zh) 钢带加工用表面处理设备及其方法
CN116309477A (zh) 一种基于神经网络的城墙多光谱成像病害无损检测方法
Samhitha et al. Analysis of Brain Tumor Segmentation using Convolutional Neural Network with Magnetic Resonance Imaging
Petrellis The Effect of the Training Set Size in a Skin Disorder Classification Application
CN113139936B (zh) 一种图像分割处理方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant