一种基于动态舌象的高血压病证诊断及风险预警模型制造技术

本发明专利技术涉及智慧医疗领域，具体公开了一种基于动态舌象的高血压病证诊断及风险预警模型；本发明专利技术基于动态舌象视频数据并使用CNN

【技术实现步骤摘要】
一种基于动态舌象的高血压病证诊断及风险预警模型


[0001]本专利技术属于智慧医疗
，具体涉及一种基于动态舌象的高血压病证诊断及风险预警模型。

技术介绍

[0002]高血压是一种常见的慢性疾病，已成为全球范围内的重要公共卫生问题。根据世界卫生组织(WHO)的统计数据，全球有约10亿人患有高血压，其中大多数患者没有得到及时和有效的治疗。高血压可引发并发症，如心脏病、脑卒中、肾脏疾病等，不仅是危害人类健康的慢性病问题，同时也是影响国家经济、社会全局的重大公共卫生问题。因此，早期诊断和风险预警对于高血压病的管理至关重要。
[0003]目前，高血压的诊断和风险预警主要依赖于血压测量和生化检查等，但这种方法不能及时反映患者的当下身体状况。舌诊被认为是高血压病的优势诊法，在高血压病的诊断及风险评估上均具有重要价值。传统舌诊法虽然简便易行，但其准确性受到多种因素的影响，如舌头状态、医生经验等。因此，开发一种准确、快速、可靠基于舌象的高血压病症检测方法具有重要意义。
[0004]近年来，随着计算机视觉技术的不断发展，基于图像分析的方法在医学领域得到了广泛应用。深度学习算法作为一种先进的计算机视觉技术，已经在图像识别、目标检测等领域取得了显著的成果。因此，将深度学习算法应用于高血压病症检测领域具有广阔的应用前景。
[0005]本专利技术提供了一种基于动态舌象的高血压病症检测方法，旨在利用深度学习算法对舌头图像进行分析，提取特征并与标准数据库进行匹配，从而实现高血压病症的快速、准确诊断。该方法可以克服传统舌诊法存在的诸多问题，提高诊断准确性和治疗效果，具有重要的临床应用价值。
[0006]目前，高血压舌象客观化研究成果颇丰，但均以静态舌象图片的舌(苔)色、形研究为主，对舌象的动态特征研究较少。舌态是中医望舌的重要内容，尤其是对高血压患者更具非凡意义。研究证明70％的中风患者伴有高血压，轻微的舌强与频发的弄舌是中风先兆期患者常见的临床表现，因此高血压患者舌态客观化研究工作亟待开展，未来或在高血压风险评估中扮演关键角色。

技术实现思路

[0007]本专利技术的目的在于提供一种基于动态舌象的高血压病证诊断及风险预警模型，以解决上述
技术介绍
中提出的问题。
[0008]为实现上述目的，本专利技术提供如下技术方案：
[0009]一种基于动态舌象的高血压病证诊断及风险预警模型，具体包括以下步骤：
[0010]S1、按照是否患有高血压构建动态舌象视频数集，包含多个高血压患者舌象视频和多个健康者舌象视频，将所有舌象按照8:2的比例划分为训练集与验证集；
[0011]S2、选用CNN
‑
LSTM构建高血压患者动态舌象辨识模型，所有模型均在相同的环境中运行；
[0012]S3、在探索性研究的基础上扩大数集，完善辨识模型；
[0013]S4、将S1中条件是否患有高血压分别替换为高血压等级、危险度分级和中医证型，并分别重复S1
‑
S4步骤构建高血压等级辨识模型、高血压危险度分级识别模型和高血压中医证型辨识模型；
[0014]S5、组合高血压患者辨识模型、高血压等级辨识模型、高血压危险度分级识别模型和高血压中医证型辨识模型形成高血压患者智能识别模型。
[0015]优选的，所述高血压患者辨识模型和高血压危险度分级识别模型均使用随机梯度下降优化器，学习率为0.01，且所述学习率衰减依照实验情况进行设置，batch_size设置为8。
[0016]优选的，所述CNN
‑
LSTM中CNN可以提取潜在的静态特征，LSTM可以处理时间序列问题。
[0017]与现有技术相比，本专利技术的有益效果是：
[0018](1)、本专利技术基于动态舌象视频数据并使用CNN
‑
LSTM构建高血压患者辨识模型、高血压等级辨识模型、高血压危险度分级识别模型和高血压中医证型辨识模型四个子模型，再将四个子模型组合形成一种基于动态舌象的高血压病证诊断及风险预警模型，CNN
‑
LSTM模型的相关评价指标较好，准确率较高，CNN
‑
LSTM中CNN可以提取潜在的静态特征，LSTM可以处理时间序列问题，两者的结合完美解决了舌象视频的辨识任务，是高血压患者辨识模型构建的理想选择，也是基于舌象视频辨识任务的一次成功的尝试。
[0019](2)、本专利技术利用深度学习算法对舌头图像进行分析，减少了人为因素的干扰，提高了诊断结果的可靠性。结合标准数据库进行匹配和评分：本专利技术将提取的特征与标准数据库进行匹配，计算相似度，并根据相似度得分判断患者是否患有高血压以及病情严重程度。这种方法可以提高诊断结果的可靠性和准确性。操作简便：本专利技术的方法采用计算机视觉技术，操作简便，不需要专业医生进行操作，可以在医院门诊、健康管理中心等场所进行快速、准确的检测。可重复性好：本专利技术的方法可以通过多次检测来验证诊断结果的准确性，具有较好的可重复性。
附图说明
[0020]图1为本专利技术的CL和C3D模型训练集和测试集的准确率曲线和损失率曲线。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]CNN
‑
LSTM即卷积神经网络(ConvolutionalNeuralNetworks,CNN)与长短期记忆网络(Longshort
‑
termmemory,LSTM)的集成。CNN使用卷积核从样本数据中提取出潜在的静态特征，然后将数据传输给LSTM再处理时间序列问题。LSTM是一种时间循环神经网络，适用于
处理和预测时间序列中间隔和延迟相对较长的重要事件。与标准循环神经网络相比，LSTM的核心是拥有“特殊隐藏状态的记忆细胞”及“门”结构。这些“门”包括输入门(I
t
)、遗忘门(F
t
)、输出门(O
t
)。当信息进入LSTM的网络后，可以根据规则来判断其是否有用，符合算法认证的信息会留下，不符的信息则通过遗忘门被遗忘。
[0023]遗忘门：决定应丢弃或保留哪些信息。来自前一个隐藏状态的信息和当前输入的信息同时传递到sigmoid函数中去，输出值介于0～1之间，越趋向于0则标志着应该丢弃，趋向于1标志着应该保留。
[0024]输入门：输入门用于更新细胞状态。它可以将前一层隐藏状态的信息和当前输入的信息传递到sigmoid函数中，值调整到0～1之间来决定更新哪些信息。其次还要将前一层隐藏状态的信息和当前输入的信息传递到tanh函数中去，创造一个新的侯选值向量。最后将sigmoid的输出值与tanh的输出值相乘，sigmoid的输出值将决定tanh的输出值中哪些本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态舌象的高血压病证诊断及风险预警模型，其特征在于，具体包括以下步骤：S1、按照是否患有高血压构建动态舌象视频数集，包含多个高血压患者舌象视频和多个健康者舌象视频，将所有舌象按照8:2的比例划分为训练集与验证集；S2、选用CNN
‑
LSTM构建高血压患者动态舌象辨识模型，所有模型均在相同的环境中运行；S3、在探索性研究的基础上扩大数集，完善辨识模型；S4、将S1中条件是否患有高血压分别替换为高血压等级、危险度分级和中医证型，并分别重复S1
‑
S4步骤构建高血压等级辨识模型、高血压危险度分级识别模型和高血压中医证型辨...

【专利技术属性】
技术研发人员：任健，田琪，陈宇，宋晓宾，张硕，
申请(专利权)人：山东中医药大学，
类型：发明
国别省市：