【技术实现步骤摘要】
本专利技术涉及中医舌诊、移动互联网、数据库管理、计算机视觉、图像处理、模式识别、深度神经网络和深度学习等技术在自助式健康保健领域的应用,尤其涉及一种基于深度卷积神经网络的舌体自诊健康云服务系统。
技术介绍
自助健康的目的是让更多民众了解并参与自助健康检测、评估、指导,进而提高民众的健康意识,增加自我管理能力。自助健康检测设备最好是要简单易行,民众容易掌握的设备,要充分鼓励和提高自我管理的参与能力。自助健康检测不是一般意义上的健康检测,是肩负着具有一定公共卫生职能的自助健康检测,是卫生部门根据控制慢性病,解决人们的不良生活方式提出来的,是将传统的医生管理病人模式转变成医患结合、病人自助和主动参与的新的管理模式。在内容上就不仅仅是“体检”这样简单了,还应包括慢病干预,疾病指导。民众随时通过手机等通信设备查阅这个平台相关的健康知识、危险因素评估、健康自诊和获得“健康处方”,形成了一套以“医患合作、人机互动、健康自理”为核心内容的行为干预服务模式。随着移动互联网技术的发展和智能手机的普及,基于移动互联网的自助健康云服务行业将在这个背景下诞生与发展。作为基于移动互联网的自助健康云服务,首先是具有健康精准营销的意义。将其作为一种医疗增值服务,看重的是背后的用户数据;用户可以用自己的手机拍摄舌苔图像,发送给自助健康云服务平台,健康云服务平台根据用户不同的健康评估结果,推送不同产品,包括各种的快速诊所服务;然后,具有健康服务入口的意义。而对于药房或者药品生产厂商,舌体自诊自测和健康评估结果可以成为药品和后续服务的入口;最后,是让用户通过健康云服务平台实现各种互动。正因为 ...
【技术保护点】
一种基于深度卷积神经网络的舌体自诊健康云服务系统,其特征在于:主要包括一个用于深度学习和训练识别的卷积神经网络、一种基于全卷积神经网络的舌体分割方法、一种用于舌象分类的深度卷积神经网络和一种用于根据所识别的舌象类型进行舌体自诊健康云服务平台;所述的卷积神经网络,共分为八层,由卷积层、激活层和下采样层交替构成的深度结构;输入图像在网络中进行层层映射,得到各层对于图像不同的表示形式,实现图像的深度表示;所述的舌体分割方法,采用全卷积神经网络,就是将所述的卷积神经网络改为全卷积神经网络,在所述的卷积神经网络的全连接层改为反卷积层,这样输入一幅图像后直接在输出端得到密集预测,也就是每个像素所属的类,从而得到一个端对端的方法来实现舌体对象图像语义分割;所述的深度卷积神经网络是在所述的卷积神经网络的第八层的全连接层后连接了一个Softmax分类器,用于对舌象进行分类识别;所述的舌体自诊健康云服务平台,主要包括了接收和读取用户发送过来的舌体图像的图像读取模块,以用户访问平台的装备的用户名或号码为文件夹名的文件夹生成模块,基于全卷积神经网络的舌体分割方法的舌体分割模块,基于深度卷积神经网络对分割后的舌 ...
【技术特征摘要】
1.一种基于深度卷积神经网络的舌体自诊健康云服务系统,其特征在于:主要包括一个用于深度学习和训练识别的卷积神经网络、一种基于全卷积神经网络的舌体分割方法、一种用于舌象分类的深度卷积神经网络和一种用于根据所识别的舌象类型进行舌体自诊健康云服务平台;所述的卷积神经网络,共分为八层,由卷积层、激活层和下采样层交替构成的深度结构;输入图像在网络中进行层层映射,得到各层对于图像不同的表示形式,实现图像的深度表示;所述的舌体分割方法,采用全卷积神经网络,就是将所述的卷积神经网络改为全卷积神经网络,在所述的卷积神经网络的全连接层改为反卷积层,这样输入一幅图像后直接在输出端得到密集预测,也就是每个像素所属的类,从而得到一个端对端的方法来实现舌体对象图像语义分割;所述的深度卷积神经网络是在所述的卷积神经网络的第八层的全连接层后连接了一个Softmax分类器,用于对舌象进行分类识别;所述的舌体自诊健康云服务平台,主要包括了接收和读取用户发送过来的舌体图像的图像读取模块,以用户访问平台的装备的用户名或号码为文件夹名的文件夹生成模块,基于全卷积神经网络的舌体分割方法的舌体分割模块,基于深度卷积神经网络对分割后的舌体图像进行分类的舌象分类模块,存放有以舌象类别为索引的病因分析表、辨证和治疗表、生活指导表的数据库,根据舌象分类结果访问数据库中的病因分析表、辨证和治疗表、生活指导表中该舌象类型的病因分析、辨证和治疗、生活指导三组信息的数据库访问模块,根据所得到舌体分割图像、舌象分类结果、病因分析、辨证和治疗、生活指导生成健康咨询文件的舌体自诊健康文件生成模块,用于将用户舌体自诊健康文件反馈给访问用户的文件自动传输模块,用于将舌体自诊健康文件提供给用户到所述的自诊健康云服务平台的网站上下载的下载服务模块。2.如权利要求1所述的舌体自诊健康云服务系统,其特征在于:所述的卷积神经网络是由卷积层、激活层和下采样层交替构成的深度结构;第一层:输入图像数据为224×224像素图像,分为RGB颜色空间上的3个分量,填充值是3,输出数据227×227×3;然后经过96个过滤器、窗口大小为11×11、步长为4的卷积层1处理,得到[(227-11)/4]+1=55个特征,以后的层就分为两组处理,输出特征为55×55×96,然后进行ReLU激活层1处理,输出特征为55×55×96,经过池化层1进行最大池化3×3的核,步长为2,得到[(55-3+1)/2]+1=27个特征,总的特征数为27×27×96,然后进行正则化处理,用于求和的通道数为5,最后得到27×27×96数据;第二层:输入数据27×27×96,填充值是2,256个过滤器,窗口大小为5×5,得到[(27-5+2×2)/1]+1=27个特征,输出特征为27×27×256,然后进行ReLU激活层2处理,输出特征为27×27×256,经过池化层2进行最大池化3×3的核,步长为2,得到[(27-3)/2]+1=13个特征,总的特征数为13×13×256,然后进行正则化处理,用于求和的通道数为5,最后得到13×13×256数据;第三层:输入数据13×13×256,填充值是1,384个过滤器,窗口大小为3×3,得到[(13-3+1×2)/1]+1=13个特征,输出特征为13×13×384,然后进行ReLU激活层3处理,最后得到13×13×384数据;第四层:输入数据13×13×384,填充值是1,384个过滤器,窗口大小为3×3,得到[(13-3+2×1)/1]+1=13个特征,输出特征为13×13×384,然后进行ReLU激活层4处理,最后得到13×13×384数据;第五层:输入数据13×13×384,填充值是1,256个过滤器,窗口大小为3×3,得到[(13-3+2×1)/1]+1=13个特征,输出特征为13×13×256,然后进行ReLU激活层5处理,输出特征为13×13×256,经过池化层5进行最大池化3×3的核,步长为2,得到[(13-3)/2]+1=6个特征,总的特征数为6×6×256,最后得到6×6×256数据;第六层:输入数据6×6×...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。