一种基于虹膜识别的健康监测方法及其系统技术方案

本发明专利技术涉及健康监测技术领域，尤其是一种基于虹膜识别的健康监测方法及其系统。本发明专利技术的方法主要包括采集虹膜数据并对数据进行标注、对采集和标注后的数据进行虹膜分割，以及对二维虹膜图像ResNets分类预测模型训练三个步骤。本发明专利技术的系统包括虹膜图像采集模块、虹膜分割模块、二维虹膜图像的健康监测和预判模块；实现各步骤的功能。本发明专利技术的系统和方法可以基于虹膜识别，实现高度自动化、精确的健康监测；可以用于基于虹膜识别的健康监测。可以用于基于虹膜识别的健康监测。可以用于基于虹膜识别的健康监测。

【技术实现步骤摘要】
一种基于虹膜识别的健康监测方法及其系统


[0001]本专利技术涉及健康监测
，尤其是一种基于虹膜识别的健康监测方法及其系统。

技术介绍

[0002]虹膜是眼睛内部比较重要的一个组成部分，人体的某些病变化会在虹膜的性状上体现出来；因此，通过监测虹膜性状的变化可以监测到人体身体健康状态的变化。
[0003]目前的虹膜健康检测大多是人工检测诊断，即通过人工的方式来判断是否存在某些健康风险。而人工检测有诸多的问题；如时间长，效率低；而且虹膜检测师需要一段时间的培训学习才可以给人做虹膜诊断，存在一定的学习时间成本；人工检测也存在主观影响，导致每一个虹膜检测师做出的判断有可能存在差异。
[0004]近年也有一些计算机智能的虹膜健康检测的方案，但它们也都是基于虹膜人工诊断上运用计算机视觉的技术模拟人工提取虹膜上的特征点，如运用灰度化处理、二值化、轮廓提取、高斯滤波等等技术；但这些技术所提取的都是小部分人工已知发现的变态特征，而且这些特征非常有限，仍有许多虹膜上已知的异常特征无法提取；如虹膜纤维是否松散、虹膜自主神经环的分割比例等；最后还是需要人工辅助诊断，不能实现虹膜健康检测的高智能或完全智能化。

技术实现思路

[0005]本专利技术解决的技术问题在于提供一种基于虹膜识别的健康监测方法及其系统；可以实现高度自动化的、精确监测。
[0006]本专利技术解决上述技术问题的技术方案是：
[0007]所述的方法主要包括采集虹膜数据并对数据进行标注、对采集和标注后的数据进行虹膜分割，以及对二维虹膜图像ResNets分类预测模型训练三个步骤。
[0008]所述的采集虹膜数据并对数据进行标注是利用摄像机、手机摄像头类的虹膜数据采集设备给活体的左右眼的虹膜分别拍照，对拍摄获得的虹膜图片进行虹膜与巩膜的分界及位置标注；并对应标注记录活体的性别、年龄，以及不良症状、所患疾病等健康状况信息。
[0009]所述的采集虹膜数据时对每个虹膜从不同的角度拍摄多张图片。
[0010]所述的方法是对采集的虹膜图像利用卷积神经网络算法的Unet网络模型做语义分割；即将采集的大量的虹膜图片数据及相应的虹膜标注信息输入到Unet网络模型中进行训练；进行下采样和上采样，使Unet网络模型训练、学习找到要分割数据的特征，对虹膜图片边界进行精确分割；在完成训练后，可对输入的待分割虹膜图片进行虹膜分割。
[0011]所述的虹膜分割包括以下步骤：
[0012]A、将采集的虹膜图像数据分为训练集，验证集，测试集，分别用于训练、验证和测试；并分别归类到训练集、验证集和测试集；对分类、归类的所有图像统一尺寸，并进行线性归一化处理；
[0013]B、将归一化之后的图像输入Unet网络模型中，采用sigmoid或softmax层将该图像数据输出为通道数为1的概率矩阵，矩阵尺寸与输入图像尺寸相同，矩阵中的每个数值即为该点被分类为目标组织的概率；
[0014]C、采用Cross
‑
entropy loss交叉熵损失函数或Focal loss最为损失函数计算概率矩阵中每个数值与金标准的误差，通过梯度下降法和反向传播方法将误差用于Unet网络模型的权重、偏差等参数调整，优化Unet网络模型的分类能力；
[0015]D、将验证集数据输入到经过B，C步骤优化后的Unet网络模型中，将输出结果和金标准进行比较，比较的结果使用accuracy和戴斯分数进行评估；
[0016]E、步骤B至D为一个训练周期，重复步骤B至D的周期若干次，直至验证集的accuracy数值在20次周期内无改善，即优化值小于<10
‑
8，结束训练；
[0017]F、将测试集图像输入训练结束后的Unet网络模型中，图像经过sigmoid或层后，取θ＝0.5为阈值输出分类结果；得到分割结果的图像。
[0018]所述的线性归一化采用公式如下：
[0019][0020]其中，x
i
为归一化之前某图像的像素值，x
max
和x
min
分别为归一化之前集合中图像的最大和最小像素值，x
′
i
为归一化之后某图像的像这值；
[0021]所述Cross entropy loss和Focal loss损失函数表达式如下：
[0022][0023][0024]其中，g
i
为各像素点金标准；p
i
为经过神经网络后的输出值，即预测值；n为数值总量，k为常数，为优化数据中各类别数量分布不均衡的系数；γ为大于0的指定常数，以减少容易样本对损失函数的权重，并增加困难样本对损失函数的权重；
[0025]所述的步骤F输出过程可表示为以下公式：
[0026][0027]其中，p
′
i
为矩阵输出过程后的数值，p
i
为矩阵输出过程前概率矩阵中的数值。
[0028]所述的下采样中，首先是输入通道数为1、长宽为hxl的矩阵，接着是4次重复过程；每次过程分为卷积和池化两个过程；
[0029]卷积过程：输入图像经过连续的2个卷积层，分别为第一，第二卷积层；其中，卷积核大小为3x3，2个卷积层卷积核数量均为u，该卷积核的数量为初始卷积核数量；该过程中，步长为1，为保证输出后图像尺寸不发生改变，在输入图像时周围做补“0”处理，该过程后，输出图像为u个尺寸为hxl，通道数为u的矩阵；紧接着利用激活函数ReLU，PReLU或Leakys进行特征提取；
[0030]池化过程：输入图像经过第一，第二卷积层后，经过第一个最大池化层，其中，池化矩阵尺寸为2x2；该过程中，步长为2，输出图像尺寸发生改变；该过程后，输出图像为u个尺
寸为h/2x l/2，通道数为u的矩阵；该过程中，图像的特征位置信息被保存，每个位置最大数值被保存，图像数据被降维；
[0031]以上卷积和池化过程被重复执行4次，其中，在第n+1次执行的过程中，卷积层中卷积核的数量是第n次执行过程中卷积层卷积核的2倍；但在每次执行的卷积过程中，2个卷积层中卷积核的数量相等，因此，在第2，3，4次执行卷积过程时，经过的卷积层及其卷积核数量分别为第三，第四卷积层：2u，第五，第六卷积层：4u，第七，第八卷积层：8u，每经过两个卷积层后，都经过一个最大池化层，其分别为：第二、第三和第四最大池化层。每次池化过程中，池化层参数不发生改变；
[0032]在最后一次池化过程后，矩阵再次经过两个卷积核数量为16u的卷积层，即第九和第十卷积层，下采样过程结束；输出数据为尺寸h/32x l/32，通道数为16u的矩阵；
[0033]前述的下采样包括：输入层，第一，第二卷积层，第一最大池化层，第三，第四卷积层，第二最大池化层，第五，第六卷积层，第三最大池化层，第七，第八卷积层，第四最大池化层，第九，第十卷积层；
[0034]上采样过程从第一个反卷积层开始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于虹膜识别的健康监测方法，其特征在于：所述的方法主要包括采集虹膜数据并对数据进行标注、对采集和标注后的数据进行虹膜分割，以及对二维虹膜图像ResNets分类预测模型训练三个步骤。2.根据权利要求1所述的方法，其特征在于：所述的采集虹膜数据并对数据进行标注是利用摄像机、手机摄像头类的虹膜数据采集设备给活体的左右眼的虹膜分别拍照，对拍摄获得的虹膜图片进行虹膜与巩膜的分界及位置标注；并对应标注记录活体的性别、年龄，以及不良症状、所患疾病等健康状况信息。3.根据权利要求2所述的方法，其特征在于：所述的采集虹膜数据时对每个虹膜从不同的角度拍摄多张图片。4.根据权利要求1、2或3所述的方法，其特征在于：所述的方法是对采集的虹膜图像利用卷积神经网络算法的Unet网络模型做语义分割；即将采集的大量的虹膜图片数据及相应的虹膜标注信息输入到Unet网络模型中进行训练；进行下采样和上采样，使Unet网络模型训练、学习找到要分割数据的特征，对虹膜图片边界进行精确分割；在完成训练后，可对输入的待分割虹膜图片进行虹膜分割。5.根据权利要求4所述的方法，其特征在于：所述的虹膜分割包括以下步骤：A、将采集的虹膜图像数据分为训练集，验证集，测试集，分别用于训练、验证和测试；并分别归类到训练集、验证集和测试集；对分类、归类的所有图像统一尺寸，并进行线性归一化处理；B、将归一化之后的图像输入Unet网络模型中，采用sigmoid或softmax层将该图像数据输出为通道数为1的概率矩阵，矩阵尺寸与输入图像尺寸相同，矩阵中的每个数值即为该点被分类为目标组织的概率；C、采用Cross
‑
entropy loss交叉熵损失函数或Focal loss最为损失函数计算概率矩阵中每个数值与金标准的误差，通过梯度下降法和反向传播方法将误差用于Unet网络模型的权重、偏差等参数调整，优化Unet网络模型的分类能力；D、将验证集数据输入到经过B，C步骤优化后的Unet网络模型中，将输出结果和金标准进行比较，比较的结果使用accuracy和戴斯分数进行评估；E、步骤B至D为一个训练周期，重复步骤B至D的周期若干次，直至验证集的accuracy数值在20次周期内无改善，即优化值小于<10
‑
8，结束训练；F、将测试集图像输入训练结束后的Unet网络模型中，图像经过sigmoid或softmax层后，取θ＝0.5为阈值输出分类结果；得到分割结果的图像。6.根据权利要求5所述的方法，其特征在于：所述的线性归一化采用公式如下：其中，x
i
为归一化之前某图像的像素值，x
max
和x
min
分别为归一化之前集合中图像的最大和最小像素值，x
′
i
为归一化之后某图像的像这值；所述Cross entropy loss和Focal loss损失函数表达式如下：
其中，g
i
为各像素点金标准；p
i
为经过神经网络后的输出值，即预测值；n为数值总量，k为常数，为优化数据中各类别数量分布不均衡的系数；γ为大于0的指定常数，以减少容易样本对损失函数的权重，并增加困难样本对损失函数的权重；所述的步骤F输出过程可表示为以下公式：其中，p
′
i
为矩阵输出过程后的数值，p
i
为矩阵输出过程前概率矩阵中的数值。7.根据权利要求4所述的方法，其特征在于：所述的下采样中，首先是输入通道数为1、长宽为h x l的矩阵，接着是4次重复过程；每次过程分为卷积和池化两个过程；卷积过程：输入图像经过连续的2个卷积层，分别为第一，第二卷积层；其中，卷积核大小为3x3，2个卷积层卷积核数量均为u，该卷积核的数量为初始卷积核数量；该过程中，步长为1，为保证输出后图像尺寸不发生改变，在输入图像时周围做补“0”处理，该过程后，输出图像为u个尺寸为h x l，通道数为u的矩阵；紧接着利用激活函数ReLU，PReLU或Leakys进行特征提取；池化过程：输入图像经过第一，第二卷积层后，经过第一个最大池化层，其中，池化矩阵尺寸为2x2；该过程中，步长为2，输出图像尺寸发生改变；该过程后，输出图像为u个尺寸为h/2 x l/2，通道数为u的矩阵；该过程中，图像的特征位置信息被保存，每个位置最大数值被保存，图像数据被降维；以上卷积和池化过程被重复执行4次，其中，在第n+1次执行的过程中，卷积层中卷积核的数量是第n次执行过程中卷积层卷积核的2倍；但在每次执行的卷积过程中，2个卷积层中卷积核的数量相等，因此，在第2，3，4次执行卷积过程时，经过的卷积层及其卷积核数量分别为第三，第四卷积层：2u，第五，第六卷积层：4u，第七，第八卷积层：8u，每经过两个卷积层后，都经过一个最大池化层，其分别为：第二、第三和第四最大池化层。每次池化过程中，池化层参数不发生改变；在最后一次池化过程后，矩阵再次经过两个卷积核数量为16u的卷积层，即第九和第十卷积层，下采样过程结束；输出数据为尺寸h/32 x l/32，通道数为16u的矩阵；前述的下采样包括：输入层，第一，第二卷...

【专利技术属性】
技术研发人员：麦汇佳，
申请(专利权)人：楚楚生机东莞医疗有限公司，
类型：发明
国别省市：