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方案

本发明专利技术公开一种基于深度卷积神经网络的舌体自诊健康云服务系统，主要包括一个用于深度学习和训练识别的卷积神经网络、一种基于深度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自诊健康云服务平台。本发明专利技术能有效提高基于移动互联网“望舌诊病”的自动化和智能化水平、能让更多人群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，增加自我健康管理能力。

【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。正因为自测用户大都是有健康风险，如保险公司将自测作为和用户互动的前端，保险公司根据用户的测评情况，为其推荐健康管理等服务；最重要的是通过健康云服务平台可以建立医患合作的信任基础，即实现一种自助式的智能导医，推动移动医疗产业的发展和应用。这种自助式的智能导医的理论基础来源于中医医疗诊断舌诊，它是将舌与疾病密切地联系起来，并透过舌的不同外观来判断体内的疾病情况，这是中医学独一无二的一种诊断方法。中医将正常的舌象描述为“淡红舌，薄白苔”。在疾病状态下，舌体和舌苔都会发生不同的变化，通过对舌体和舌苔的观察，可以判断疾病的部位和性质，为疾病的诊断提供依据。舌体是口腔内最灵活的，人体的很多疾病也可以通过舌体表现出来，它就像身体健康状况的晴雨表。中医医疗诊断舌诊是一个极其复杂的过程，且决策所需要的许多信息都是不确定的，如症状和疾病之间存在着一定的模糊性。某一症状的出现对诊断疾病所起的作用不同且模糊，患者的状态很难准确定义等，医学知识的爆炸又使这些问题进一步复杂化，医生要面对大量的模糊的、不确定信息，而又要从这些信息中得出最后的结论和治疗方案，使其显得无能为力。而随着计算机和现代信息技术的发展，图像分析技术广泛的应用于舌诊，为解决这一困境取得了一定的成果。以中医临床辨证论治学说为指导，运用计算机技术，图像处理技术，结合中医专家的临床经验，进行舌象分析，实现舌诊的定量化、客观化，论文“中医舌诊客观化识别与图像技术的探析”根据所采集的数据提出了基于免疫聚类的RBF神经网络机等算法在舌诊中的研究及应用，该模型能有效地学习输入样本数据，对于高维数、大数据能快速地聚类。因此，具有收敛速度快、识别能力较强、泛化能力强等特点。论文“AdaBoost算法在中医舌诊图像分区识别中的研究”提出了一种舌象的分区训练识别方法，并采用一种新的基于集成学习的AdaBoost算法，构建出一套完整的、符合中医诊断体系规范的舌象分类识别算法。通过实验验证，该方法对中医舌诊分类识别是有效的。论文“基于支撑向量机的中医舌色苔色识别算法研究”针对舌色苔色的分类与识别，提出了一种DAG和决策树结合的方法，在训练SVM分类器的过程中，根据舌象样本中部分类别线性可分，而另一部分类别线性不可分的特点，采用了不同的核函数及其参数。实验结果表明，提出的算法在识别率和识别速度上都有一定提高。论文“基于图像分析技术的开放式舌象研究平台的构建”将图像分析、网络、人工智能、数据挖掘等先进的技术融合，建立开放式的舌象分析平台，使舌诊的客观化研究工作随着视觉技术、人工智能及模式识别等技术的发展而深入，促进图像处理与分析技术通过在中医领域的应用得到新的认识。中国专利技术专利申请号为201010117453.4公开了一种图像特征识别、去噪的方法，包括：得到标准舌图后，转为灰度图。复制图像，按照图像宽高大小将两张图像划分为小区域，并且使两张图像任何一个小区域不会和原图小区域重合；利用OSTU滤波方法对两幅图像的每个小区域单独滤波；根据两张图像的滤波结果按照一定规则，合并为一张图像；对滤波后的图像去噪，排除干扰。中国专利技术专利申请号为201110291360.8公开了一种人体数字舌图像颜色特征色域空间的提取方法：利用边界分割提取舌体部分的图像，采用JSEG边界分割法按照图像的颜色一致性将图像分割成小块，提取其在CIExy空间中的边界像素，将所有的像素合并在一起，得到该张图像的色域空间范围。本专利技术的人体舌图像色域空间，作为计算机中医舌诊的基础性研究，能够对舌色特征提取、舌苔质分离、颜色校正色块的提取等起到指导性作用。中国专利技术专利申请号201410478168.3公开了一种基于中医诊断信息的健康状态监测系统，包含移动终端，且移动终端包含：信息采集装置，用于采集多个诊断信息，所述多个诊断信息至少包含面诊信息、舌诊信息及问诊信息；信息处理器，利用所述多个诊断信息计算诊断结果；显示器，用于显示诊断记录，所述诊断记录包含所述多个诊断信息与所述诊断结果。从而，用户能够方便快捷地通过中医诊断方法随时了解自己的健康状况。中国专利技术专利申请号201510611407.2公开了一种属于基于手机平台下的人体健康状态的舌苔诊断装置，包括内窥镜和嘴套，以及内置于手机中的数据库模块、图像预处理模块、舌色分析模块、舌形分析模块、舌纹理分析模块、结果输出模块。专利技术利用手机拍照技术，根据传统中医舌诊方法，通过舌苔拍照和苔图分析，对人们身体健康状态进行诊断，并通过附加内窥镜实现舌苔的显微成像，经过计算分析后获得高精确度的诊断结果，普及健康自我诊断，推动移动医疗产业的发展和应用。在舌图像中包含了非常丰富的信息，但已有的研究方法中大多数是对舌色方面的特征分析，只有少部分对舌苔的分析，在舌形、质地、纹理、动态及舌下络脉等方面的研究更少，未能对舌象的全面的综合的客观化进行识别；最后，在数据挖掘方面仅局泥于舌象方面的探索，未能遵循中医系统辩证的思想，导致舌诊信息的医理解释与临床应用不能统一。这些问题主要是由于前深度学习的计算机视觉技术中的舌苔特征描述、提取和识别方面都还依赖于人工方式进行，而这些人工方式的舌苔特征描述和提取并不能很好的反映一位资深中医的“望舌诊病”的实际状态。现有的中医“望舌诊病”技术，主要观察内容是舌质和舌苔等方面的变化，包括舌质的颜色、舌苔的颜色、舌苔的厚度、湿度(润燥)、质地(腐腻)以及舌形、舌态，舌底脉络等，这些统称作舌象特征：(1)舌质的颜色。正常舌色为淡红舌。淡自舌多见于气虚证、血虚证和实寒证。舌色比正常舌红者，谓之红舌；舌色深红者，谓之绛舌。二者皆主热证本文档来自技高网...

【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。...

【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×...

【专利技术属性】
技术研发人员：汤一平，
申请(专利权)人：汤一平，
类型：发明
国别省市：浙江;33