基于先验因果模型的血红蛋白浓度预测方法技术

本发明专利技术为基于先验因果模型的血红蛋白浓度预测方法，属于图像识别领域，包括如下步骤：S1：数据图像采集；S2：数据图像预处理；S3：眼睑区域图像分割；S4：利用血红蛋白无创深度神经预测模型，获取眼睑区域图像对应的血红蛋白浓度分布标签；S5：将血红蛋白浓度分布标签转化为概率分布；S6：将实测血红蛋白的浓度作为均值，建立每张图像的正态分布；S7：建立损失函数模型；S8：进行参数训练和验证测试，使得两个分布趋于一致；S9：利用训练好的血红蛋白无创深度神经预测模型对其进行处理，得到血红蛋白浓度的预测值。本发明专利技术实现了无创、便捷检测血红蛋白浓度，应用到手机等穿戴设备，能够快速便捷的实现功能，降低成本。降低成本。降低成本。

【技术实现步骤摘要】
基于先验因果模型的血红蛋白浓度预测方法


[0001]本专利技术涉及基于先验因果模型的血红蛋白浓度预测方法，属于图像识别领域，特别涉及基于先验因果模型的血红蛋白浓度预测。

技术介绍

[0002]血红蛋白(Hb)是高等生物体内负责运载氧的一种蛋白质，生物体的各种生命活动都离不开血红蛋白发挥出的作用，它能够有效起到传输氧气、传递电子以及分解二氧化氢等功能。在临床上出现各类贫血、白血病及心脏病等症状常与血红蛋白异常有关。例如，贫血是由于红细胞或血红蛋白数量生成减少，功能性缺铁(即铁储备充足或动员不足)、免疫激活，抑制红细胞生成等原因而造成的多系统疾病的综合征，全球发生率约为25％，在经济落后地区及恶性肿瘤的患者，贫血数量显著增加；越来越对多的证据显示围术期并发症的发生率和死亡率和贫血明显相关。早期干预贫血可以避免器官功能障碍，改善营养状态，纠正贫血引起的脑细胞缺血水肿，降低人工置换术后的假体感染率、体外循环术后肾损伤发生率，减少妊娠期子痫和子痫前期发生。因此人体血液中血红蛋白的含量是患者围术期临床检测的一个重要内容。
[0003]睑结膜是一层表浅、含丰富的毛细血管且不易受肤色、温度等干扰的粘膜组织，随着血红蛋白浓度降低、红细胞减少，睑结膜颜色变浅，因此，其颜色深浅程度与人体血红蛋白浓度存在一定相关性。目测法常用于快速评估贫血情况，但不同评估者间差异较大；利用比色卡法来估测血红蛋白浓度浓度，准确性高于目测法，但具有一定创伤性且评估较为主观。基于多波长光谱脉搏无创血红蛋白检测(SpHb)可以实时的监测Hb的变化，已经应用于部分医疗机构，但其结果准确性易受手指温度、体位变化等影响，需要专门仪器同时费用昂贵，因此并未广泛推广。此外有许多非侵入性的方法和工具间接测量血液中血红蛋白，这些技术包括：基于口腔及结膜组织的光容积描记法PPG、手指及睑结膜的反射光谱学和荧光光谱学等技术，但其价格难以承受，而且往往无法作为便捷的获得。
[0004]随着人工智能技术的发展，计算机视觉技术在图像识别与分析已经广泛应用于医疗领域，通过机器学习对睑结膜图像进行识别与分析不仅准确率高于医师目测法，同时可以弥补因医务人员缺乏，医疗设备缺乏及落后带来的不足，还可以实现无创血红蛋白浓度检查。但现有的方法都是分类方法，用于诊断是否为贫血，而没有给出具体的血红蛋白浓度数值。
[0005]综上所述，快速、准确、无创、便捷的血红蛋白浓度检查具有重要科学意义与实用价值。

技术实现思路

[0006]有鉴于此，本专利技术提供及基于先验因果模型的血红蛋白浓度预测方法，基于先验因果知识，采用特征工程、深度神经网络方法构建针对眼睑的血红蛋白无创深度神经预测模型，用于快速、准确、无创、便捷检测血红蛋白浓度，降低成本。
[0007]为达到上述目的，本专利技术提供如下技术方案：
[0008]基于先验因果模型的血红蛋白浓度预测方法，其特征在于，包括如下步骤：
[0009]S1：采用摄像头拍摄采集眼睛图像，通过血液检测得到实测血红蛋白的浓度值；
[0010]S2：人工对所有的眼睛图像进行实测血红蛋白浓度值标注，并将其分为训练集和测试集；
[0011]S3：基于先验因果知识利用深度学习神经网络对所有的眼睛图像进行图像分割，得到眼睑区域图像；
[0012]S4：利用血红蛋白无创深度神经预测模型对一张眼睑区域图像进行预测，得到一张眼睑区域图像对应的血红蛋白浓度分布标签；
[0013]S5：利用softmax函数将血红蛋白浓度分布标签转化为概率分布，其均值就是血红蛋白浓度预测值；
[0014]S6：将训练集中每张图像标注的实测血红蛋白的浓度作为均值，建立每张图像的正态分布；
[0015]S7：采用深度学习网络建立血红蛋白浓度分布标签概率分布和实测血红蛋白浓度的正态分布的损失函数模型；
[0016]S8：采用训练集和损失函数模型对血红蛋白无创深度神经预测模型进行参数训练，并采用测试集进行验证测试；
[0017]S9：将摄像头采集的新的眼睛图像重复步骤S3～步骤S6进行处理后，利用训练好的血红蛋白无创深度神经预测模型对其进行处理，得到血红蛋白浓度的预测值。
[0018]进一步，步骤S3所述的深度学习神经网络为Mask
‑
R
‑
CNN网络，Mask R
‑
CNN是一个高效的实例语义分割模型，可实现像素级别的图像实例分隔(Instance Segmentation)，其基于Faster R
‑
CNN，并在其基础上设计了RoIAlign层以及全卷积网络(Fully Convolutional Network，FCN)。
[0019]进一步，步骤S4所述的血红蛋白无创深度神经预测模型为卷积神经网络，可优选的，该模型为带有SE(Squeeze
‑
and
‑
Excitation)bock的mobilenet
‑
v3神经网络；血红蛋白浓度分布为将血红蛋白的浓度范围按照自定义划分为m个分布区间，每个分布区间的中间值为分布变量值；其中，m为正整数，尽可能的越大越好，但也要兼顾到每个区间内都要有足够的数据量。
[0020]进一步，所述的步骤S5具体为：将m个分布区间的标签值作为输入，利用softmax网络得到对应每一个分布变量值的概率，所有的概率和分布变量X构成一个统计概率分布其中，均值为血红蛋白浓度的预测值，方差σ为待定参数，θ为步骤S3中卷积神经网络的模型待定参数。
[0021]进一步，步骤S6所述的正态分布Y～P(u，σ)的均值为训练集血液检测得到血红蛋白的浓度的均值u；方差σ与步骤S5中一致；训练时，均值u和方差σ作为待定参数。
[0022]进一步，步骤S7所述的损失函数模型为带有损失函数的深度神经网络；所述的损失函数为：其中，I为损失函数更新的眼睛图像训练集，P(k)为血红蛋白的浓度范围为第k个分布区间内的正态分布的概
率，为血红蛋白的浓度范围为第k个分布区间内的统计概率分布的概率；α为待定的学习参数。
[0023]可优选的，为了减少计算复杂度，所述的方差σ1和方差σ2可以设定为相等，损失函数改写为
[0024]本专利技术方法可以应用到手机等带有摄像头的穿戴设备中，通过对眼睛进行拍照，实现实时的、随时随地的对血红蛋白浓度进行监测。
[0025]本专利技术的有益效果在于：本专利技术提供了基于先验因果模型的血红蛋白浓度预测方法，利用图像分割技术获取眼睑区域图像，进一步通过基于先验因果基础建立的血红蛋白无创深度神经预测模型实现分布的匹配，使得预测的血红蛋白浓度分布标签概率分布和实测血红蛋白浓度的正态分布趋于一致，能够实现无创、便捷检测血红蛋白浓度，应用到手机等穿戴设备，能够快速便捷的实现功能，降低成本。
附图说明
[0026]为了使本专利技术的目的、技术方案，本专利技术提供如下附图进行说明：
[0027]图1为本专利技术方法的流程图，其中，虚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于先验因果模型的血红蛋白浓度预测方法，其特征在于，该方法包含以下步骤：S1：采用摄像头拍摄采集眼睛图像，通过血液检测得到实测血红蛋白的浓度值；S2：人工对所有的眼睛图像进行实测血红蛋白浓度值标注，并将其分为训练集和测试集；S3：基于先验因果知识利用深度学习神经网络对所有的眼睛图像进行图像分割，得到眼睑区域图像；S4：利用血红蛋白无创深度神经预测模型对一张眼睑区域图像进行预测，得到一张眼睑区域图像对应的血红蛋白浓度分布标签；S5：利用softmax函数将血红蛋白浓度分布标签转化为概率分布，其均值就是血红蛋白浓度预测值；S6：将训练集中每张图像标注的实测血红蛋白的浓度作为均值，建立每张图像的正态分布；S7：采用深度学习网络建立血红蛋白浓度分布标签概率分布和实测血红蛋白浓度的正态分布的损失函数模型；S8：采用训练集和损失函数模型对血红蛋白无创深度神经预测模型进行参数训练，并采用测试集进行验证测试；S9：将摄像头采集的新的眼睛图像重复步骤S3～步骤S6进行处理后，利用训练好的血红蛋白无创深度神经预测模型对其进行处理，得到血红蛋白浓度的预测值；其中，步骤S4所述的血红蛋白浓度分布为将血红蛋白的浓度范围按照自定义划分为m个分布区间，每个分布区间的中间值为分布变量值；其中，m为正整数，尽可能的越大越好，但也要兼顾到每个区间内都要有足够的数据量；所述的步骤S5具体为：将m个分布区间的标签值作为输入，利用softmax网络得到对应每一个分布变量值的概率，所有的概率和...

【专利技术属性】
技术研发人员：陈芋文，胡小艳，张矩，钟坤华，李雨捷，杨智勇，
申请(专利权)人：陆军军医大学第一附属医院，
类型：发明
国别省市：