一种身体质量指数预测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例提供了一种身体质量指数预测方法、装置、电子设备及存储介质，其中，身体质量指数预测方法包括：获取包含待检测人体的待处理人体图片；将所述待处理人体图片输入到预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器，得到所述待处理人体图片的特征向量；将所述特征向量输入到预先确定的目标支持向量回归模型，得到所述待检测人体的身体质量指数。本发明专利技术实施例实现了便捷的确定待检测人体的身体质量指数BMI值。

【技术实现步骤摘要】
一种身体质量指数预测方法、装置、电子设备及存储介质
本专利技术涉及健康信息学
，特别是涉及一种身体质量指数预测方法、装置、电子设备及存储介质。
技术介绍
BMI(BodyMassIndex，身体质量指数)是国际上常用的衡量人体肥胖程度和是否健康的重要标准。该指数可以对人体胖瘦进行判定，作为人体健康程度的一种评价，辅助人们监测自身肥胖程度，指导日常饮食和运动的规划。现有确定人体BMI值，是使用专门仪器测量人体的身高、体重，进而通过BMI计算公式，确定待检测人体的BMI值。其中，BMI计算公式为：其中H为身高，以米为单位；W为体重，以千克为单位。专利技术人发现，现有通过专门仪器确定人体BMI值的方法中，由于仪器笨拙不具有便携性，使得确定人体BMI值的方式较为不便。因此，如何便捷的确定BMI值仍然是亟待解决的问题。
技术实现思路
本专利技术实施例的目的在于提供一种身体质量指数预测方法、装置、电子设备及存储介质，以实现便捷的确定待检测人体的身体质量指数BMI值。具体技术方案如下：第一方面，本专利技术实施例公开了一种身体质量指数预测方法，所述方法包括：获取包含待检测人体的待处理人体图片；将所述待处理人体图片输入到预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器，得到所述待处理人体图片的特征向量；将所述特征向量输入到预先确定的目标支持向量回归模型，得到所述待检测人体的身体质量指数。可选地，所述带有注意力机制的目标去噪卷积自编码器按照以下方法步骤确定，包括：对作为训练样本的第一图片进行预处理，并添加高斯白噪声，得到待处理的第一图片；将所述待处理的第一图片输入到预设去噪卷积自编码器中的编码器中，通过所述编码器中带有注意力机制的卷积操作、激活函数以及池化操作对所述待处理的第一图片进行预设次数的处理，得到压缩特征图；将所述压缩特征图输入到所述预设去噪卷积自编码器中的解码器中，通过所述解码器中所述带有注意力机制的卷积操作、所述激活函数以及上采样操作对所述压缩特征图进行所述预设次数的处理，得到第二图片；更新所述预设去噪卷积自编码器的参数，通过第一代价函数以及反向传播算法比较所述第二图片与所述第一图片之间的差异值，将所述第一代价函数计算的差异值收敛时，所对应的带有注意力机制的预设去噪卷积自编码器，确定为带有注意力机制的目标去噪卷积自编码器。可选地，所述通过所述编码器中带有注意力机制的卷积操作、激活函数以及池化操作对所述待处理的第一图片进行预设次数的处理，包括：步骤1，通过所述编码器中带有注意力机制的卷积操作对所述待处理的第一图片进行卷积处理，得到第一特征图；步骤2，通过修正线性单元ReLU激活函数以及池化操作对所述第一特征图进行处理，其中，所述ReLU激活函数f(x)公式如下：f(x)＝max(0,x)其中，所述x表示特征图中的特征向量；步骤3，重复执行所述步骤1至所述步骤2，直至达到所述预设次数；所述通过所述解码器中所述带有注意力机制的卷积操作、所述激活函数以及上采样操作对所述压缩特征图进行所述预设次数的处理，包括：步骤4，通过所述解码器中所述带有注意力机制的卷积操作对所述压缩特征图进行卷积操作，得到第二特征图；步骤5，通过所述ReLU激活函数以及上采样操作对所述第二特征图进行处理；步骤6，重复执行所述步骤4至所述步骤5，直至达到所述预设次数。可选地，所述通过所述编码器中带有注意力机制的卷积操作对所述待处理的第一图片进行卷积处理，包括：通过编码器中的卷积结构以及注意力机制，计算所述待处理的第一图片对应的特征图中每个通道的权重。可选地，所述第一代价函数如下：其中，所述SmoothL1(x)表示第一代价函数值，所述x表示所述第二图片与所述第一图片像素值差异的和。可选地，所述目标支持向量回归模型按照以下方法步骤确定，包括：将包含目标人员的模板图片输入到所述带有注意力机制的目标去噪卷积自编码器的编码器中，得到压缩特征图；将所述压缩特征图转换为一维特征向量；将所述一维特征向量及所述目标人员的身体质量指数BMI值输入到预设支持向量回归模型进行训练，在所述预设支持向量回归模型输出的第二代价函数满足预设条件时，判定所述预设支持向量回归模型为目标支持向量回归模型。可选地，所述第二代价函数为：cost(x)＝max(0,|d(x)|-ε)其中，所述d(x)表示预测BMI值与真实BMI值的差值；所述ε表示预设差值。第二方面，本专利技术实施例还公开了一种身体质量指数预测装置，所述装置包括：图片获取模块，用于获取包含待检测人体的待处理人体图片；特征向量确定模块，用于将所述待处理人体图片输入到预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器，得到所述待处理人体图片的特征向量；身体质量指数确定模块，用于将所述特征向量输入到预先确定的目标支持向量回归模型，得到所述待检测人体的身体质量指数。可选地，所述装置还包括：预处理模块，用于对作为训练样本的第一图片进行预处理，并添加高斯白噪声，得到待处理的第一图片；第一压缩特征图确定模块，用于将所述待处理的第一图片输入到预设去噪卷积自编码器中的编码器中，通过所述编码器中带有注意力机制的卷积操作、激活函数以及池化操作对所述待处理的第一图片进行预设次数的处理，得到压缩特征图；第二图片确定模块，用于将所述压缩特征图输入到所述预设去噪卷积自编码器中的解码器中，通过所述解码器中所述带有注意力机制的卷积操作、所述激活函数以及上采样操作对所述压缩特征图进行所述预设次数的处理，得到第二图片；目标去噪卷积自编码器确定模块，用于更新所述预设去噪卷积自编码器的参数，通过第一代价函数以及反向传播算法比较所述第二图片与所述第一图片之间的差异值，将所述第一代价函数计算的差异值收敛时，所对应的带有注意力机制的预设去噪卷积自编码器，确定为带有注意力机制的目标去噪卷积自编码器。可选地，所述第一压缩特征图确定模块，具体用于，步骤1，通过所述编码器中带有注意力机制的卷积操作对所述待处理的第一图片进行卷积处理，得到第一特征图；步骤2，通过修正线性单元ReLU激活函数以及池化操作对所述第一特征图进行处理，其中，所述ReLU激活函数f(x)公式如下：f(x)＝max(0,x)其中，所述x表示特征图中的特征向量；步骤3，重复执行所述步骤1至所述步骤2，直至达到所述预设次数；所述第二图片确定模块，具体用于：步骤4，通过所述解码器中所述带有注意力机制的卷积操作对所述压缩特征图进行卷积操作，得到第二特征图；步骤5，通过所述ReLU激活函数以及上采样操作对所述第二特征图进行处理；步骤6，重复执行所述步骤4至所述步骤5，直至达到所述预设次数。可选地，所述第一压缩特征图确定模块，具有还用于：通过编码器中的卷积结构以及注意力机制，计算所述待处理的第一图片对应的特征图中每个通道的权重。可选地，所述装置还包括：第二压缩特征图确定模块，用于将包含目标人员的模板图片输入到所述带有注意力机制的目标去噪卷积自编码器的编码器中，得到压缩特征图；特征向量确定模块，用于将所述压缩特征图转换为一维特征向量；目标支持向量回归模型确定模块，用于将所述一维特征向量及所述目标人员的身体质量指数BMI值输入到预设支持向量回归模型进行训练，在所述预设支持向量回归模型输出的第二代价函数满足预设条件时本文档来自技高网...

【技术保护点】
1.一种身体质量指数预测方法，其特征在于，所述方法包括：获取包含待检测人体的待处理人体图片；将所述待处理人体图片输入到预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器，得到所述待处理人体图片的特征向量；将所述特征向量输入到预先确定的目标支持向量回归模型，得到所述待检测人体的身体质量指数。

【技术特征摘要】
1.一种身体质量指数预测方法，其特征在于，所述方法包括：获取包含待检测人体的待处理人体图片；将所述待处理人体图片输入到预先确定的带有注意力机制的目标去噪卷积自编码器中的编码器，得到所述待处理人体图片的特征向量；将所述特征向量输入到预先确定的目标支持向量回归模型，得到所述待检测人体的身体质量指数。2.根据权利要求1所述的方法，其特征在于，所述带有注意力机制的目标去噪卷积自编码器按照以下方法步骤确定，包括：对作为训练样本的第一图片进行预处理，并添加高斯白噪声，得到待处理的第一图片；将所述待处理的第一图片输入到预设去噪卷积自编码器中的编码器中，通过所述编码器中带有注意力机制的卷积操作、激活函数以及池化操作对所述待处理的第一图片进行预设次数的处理，得到压缩特征图；将所述压缩特征图输入到所述预设去噪卷积自编码器中的解码器中，通过所述解码器中所述带有注意力机制的卷积操作、所述激活函数以及上采样操作对所述压缩特征图进行所述预设次数的处理，得到第二图片；更新所述预设去噪卷积自编码器的参数，通过第一代价函数以及反向传播算法比较所述第二图片与所述第一图片之间的差异值，将所述第一代价函数计算的差异值收敛时，所对应的带有注意力机制的预设去噪卷积自编码器，确定为带有注意力机制的目标去噪卷积自编码器。3.根据权利要求2所述的方法，其特征在于，所述通过所述编码器中带有注意力机制的卷积操作、激活函数以及池化操作对所述待处理的第一图片进行预设次数的处理，包括：步骤1，通过所述编码器中带有注意力机制的卷积操作对所述待处理的第一图片进行卷积处理，得到第一特征图；步骤2，通过修正线性单元ReLU激活函数以及池化操作对所述第一特征图进行处理，其中，所述ReLU激活函数f(x)公式如下：f(x)＝max(0,x)其中，所述x表示特征图中的特征向量；步骤3，重复执行所述步骤1至所述步骤2，直至达到所述预设次数；所述通过所述解码器中所述带有注意力机制的卷积操作、所述激活函数以及上采样操作对所述压缩特征图进行所述预设次数的处理，包括：步骤4，通过所述解码器中所述带有注意力机制的卷积操作对所述压缩特征图进行卷积操作，得到第二特征图；步骤5，通过所述ReLU激活函数以及上采样操作对所...

【专利技术属性】
技术研发人员：王文东，田野，薄一丁，阙喜戎，龚向阳，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11