System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及信息技术处理,具体是一种基于深度学习的体质鉴别并匹配药膳方案的方法和系统。
技术介绍
1、随着社会经济的发展以及生活水平的提高,人们越来越关注饮食健康。但是,不同的体质,在日常的饮食中也需要注意食材的搭配,正如中医药膳的方针--“寓医于食”所表达的一样。并且,一些对机体运行存在影响的体质,更需要通过食疗的方式,来缓解甚至改善体质对机体的影响。但是,药材是普通人难以简单解读明确的,哪种体质对应哪种药膳,这些都需要强大的病理基础来深研得到,这就导致对于普通人群而言,很难实现合理的药膳搭配。为此,本申请提供了一种结合体质和药膳方案搭配的技术。
技术实现思路
1、本申请的目的在于提供一种基于深度学习的体质鉴别并匹配药膳方案的方法和系统,以解决上述
技术介绍
中提出的技术问题。
2、为实现上述目的,本申请公开了以下技术方案:
3、第一方面,本申请公开了一种基于深度学习的体质鉴别并匹配药膳方案的方法,该方法包括以下步骤:
4、基于深度学习,以舌苔图像及对应的舌色、苔色和舌象作为特征属性进行训练得到舌象鉴别模型,以面部特征及对应的面色作为特征属性进行训练得到面象鉴别模型,以眉眼图像及对应的眼眶颜色、眼球颜色、眼球形态作为特征属性进行训练得到目象鉴别模型;
5、基于深度学习,以不同类型的体质类型及其对应的药膳材料作为特征属性进行训练得到药膳搭配模型;
6、将用户的鉴别参数对应的输入所述舌象鉴别模型、所述面象鉴别模型和所述目象鉴别模型
7、所述舌象鉴别模型基于输入的舌区图像,对所述舌区图像进行特征分析,获取其对应的舌象特征属性,并基于卷积神经网络对得到的舌象特征属性与预设的体质结果进行匹配值的计算得到舌区鉴别值;所述面象鉴别模型基于输入的面部图像,对所述面部图像进行特征分析,获取其对应的面象特征属性,并基于卷积神经网络对得到的面象特征属性与预设的体质结果进行匹配值的计算得到面象鉴别值;所述目象鉴别模型基于输入的眉眼图像,对所述眉眼图像进行特征分析,获取其对应的目象特征属性,并基于卷积神经网络对得到的目象特征属性与预设的体质结果进行匹配值的计算得到目象鉴别值;
8、将所述舌区鉴别值、所述面象鉴别值和所述目象鉴别值进行相关性描述,并在所述舌区鉴别值、所述面象鉴别值和所述目象鉴别值的相关性描述满足预设的判断条件时,将所述舌区鉴别值、所述面象鉴别值和所述目象鉴别值对应的相同类型的体质鉴别结果进行提取作为表现型体质,将所述舌区鉴别值、所述面象鉴别值和所述目象鉴别值对应的不同类型的体质鉴别结果进行汇集作为隐现型体质;
9、将所述表现型体质和所述隐现型体质输入所述药膳搭配模型中,所述药膳搭配模型基于所述表现型体质和所述隐现型体质中体质的类型进行药膳材料的推荐。
10、作为优选,所述鉴别参数的获取还包括:对所述舌区图像、所述面部图像和所述眉眼图像进行颜色去均值和归一化处理。
11、作为优选,所述相关性描述具体包括:
12、将所述舌区鉴别值、所述面象鉴别值和所述目象鉴别值对应的一种相同类型的体质定义为待定体质,计算该待定体质在所述舌区图像、所述面部图像和所述眉眼图像中的相关性系数ass(a,b,c);
13、将得到的相关性系数ass(a,b,c)与预设的系数阈值assmin进行比较;
14、当ass(a,b,c)≥assmin时,所述相关性描述为:该待定体质在所述舌区图像、所述面部图像和所述眉眼图像中存在相关性;
15、当ass(a,b,c)<assmin时,所述相关性描述为:该待定体质在所述舌区图像、所述面部图像和所述眉眼图像中不存在相关性。
16、作为优选,所述相关性系数通过以下公式计算得到:
17、
18、其中,a为所述待定体质在n次通过所述舌象鉴别模型输出的匹配值中的中值,b为所述待定体质在n次通过所述面象鉴别模型输出的匹配值中的中值,c为所述待定体质在n次通过所述目象鉴别模型输出的匹配值中的中值,为所述待定体质若干次通过所述舌象鉴别模型输出的匹配值的平均值,为所述待定体质若干次通过所述面象鉴别模型输出的匹配值的平均值,为所述待定体质若干次通过所述目象鉴别模型输出的匹配值的平均值。
19、作为优选,所述判断条件为:鉴别得到的体质在所述舌区图像、所述面部图像和所述眉眼图像中是否具有相关性。
20、作为优选,在所述舌区鉴别值、所述面象鉴别值和所述目象鉴别值的相关性描述不满足预设的判断条件时,重新采集所述舌区图像、所述面部图像和所述眉眼图像中的一种或多种后,再获得对应的所述舌区鉴别值、所述面象鉴别值或所述目象鉴别值,然后进行相关性描述。
21、作为优选,当重新进行的相关性描述出现不满足预设的判断条件时,将得到的每个舌区鉴别值、所述面象鉴别值或所述目象鉴别值对应的体质类型分别输入所述药膳搭配模型中进行药膳材料的推荐。
22、作为优选,该种基于深度学习的体质鉴别并匹配药膳方案的方法,还包括:
23、将推荐的所述药膳材料按照对应的体质类型进行分类,并按照药膳材料中药材的药理对其作用于体质的有利性进行评分;
24、按照所述舌区鉴别值、所述面象鉴别值和所述目象鉴别值,对得到的所述表现型体质和所述隐现型体质进行顺序排列,得到体质序列seqcon,seqcon={体质1,体质2,...,体质n};
25、计算药膳价值cp,cp=k1*mm1.1+k2*mm2.1+...+kn*mmn.1,其中,mmn.1表示体质n对应的若干个药膳材料中的一种药材,k为用药决定系数,且k1,k2...kn∈(0,1),当ki=0时,表示其对应的药材与其他药材存在药理冲突,否则,表示其对应的药材不与其他药材存在药理冲突;
26、计算药膳材料中所有药材组合对应的药膳价值cp,选择药膳价值cp最大的一组最为最优的药膳材料。
27、作为优选,在计算药膳价值cp时,当所述表现型体质出现对应的药材与其他所述隐现型体质对应的药材存在药理冲突时,将药膳价值cp中该表现型体质对应的k调整为1,且将药膳价值cp中该隐现型体质对应的k调整为0。
28、第二方面,本申请公开了一种基于深度学习的体质鉴别并匹配药膳方案的系统,适用于如上所述的基于深度学习的体质鉴别并匹配药膳方案的方法,该种基于深度学习的体质鉴别并匹配药膳方案的系统包括:
29、数据采集模块,配置为:用于采集用户的鉴别参数,所述鉴别参数包括:采用非侵入式采集到的舌区图像、对用户的面部进行拍摄得到的面部图像和对用户的眉眼处进行拍摄得到的眉眼图像;
30、模型训练模块,所述模型训练模块包括舌象鉴别模型单元、面象鉴别模型单元、目象鉴别模型单元和药膳搭配模型单元;所述舌象鉴别本文档来自技高网...
【技术保护点】
1.一种基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,所述鉴别参数的获取还包括:对所述舌区图像、所述面部图像和所述眉眼图像进行颜色去均值和归一化处理。
3.根据权利要求1所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,所述相关性描述具体包括:
4.根据权利要求3所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,所述相关性系数通过以下公式计算得到:
5.根据权利要求3所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,所述判断条件为:鉴别得到的体质在所述舌区图像、所述面部图像和所述眉眼图像中是否具有相关性。
6.根据权利要求1所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,在所述舌区鉴别值、所述面象鉴别值和所述目象鉴别值的相关性描述不满足预设的判断条件时,重新采集所述舌区图像、所述面部图像和所述眉眼图像中的一种或多种后,再获得对应的所述舌区鉴别值、所述面象鉴别值或
7.根据权利要求6所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,当重新进行的相关性描述出现不满足预设的判断条件时,将得到的每个舌区鉴别值、所述面象鉴别值或所述目象鉴别值对应的体质类型分别输入所述药膳搭配模型中进行药膳材料的推荐。
8.根据权利要求1所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,该种基于深度学习的体质鉴别并匹配药膳方案的方法,还包括:
9.根据权利要求8所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,在计算药膳价值CP时,当所述表现型体质出现对应的药材与其他所述隐现型体质对应的药材存在药理冲突时,将药膳价值CP中该表现型体质对应的K调整为1,且将药膳价值CP中该隐现型体质对应的K调整为0。
10.一种基于深度学习的体质鉴别并匹配药膳方案的系统,适用于如权利要求1-9任意一项所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,该种基于深度学习的体质鉴别并匹配药膳方案的系统包括:
...【技术特征摘要】
1.一种基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,所述鉴别参数的获取还包括:对所述舌区图像、所述面部图像和所述眉眼图像进行颜色去均值和归一化处理。
3.根据权利要求1所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,所述相关性描述具体包括:
4.根据权利要求3所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,所述相关性系数通过以下公式计算得到:
5.根据权利要求3所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,所述判断条件为:鉴别得到的体质在所述舌区图像、所述面部图像和所述眉眼图像中是否具有相关性。
6.根据权利要求1所述的基于深度学习的体质鉴别并匹配药膳方案的方法,其特征在于,在所述舌区鉴别值、所述面象鉴别值和所述目象鉴别值的相关性描述不满足预设的判断条件时,重新采集所述舌区图像、所述面部图像和所述眉眼图像中的一种或多种后,再获得对应的所述舌...
【专利技术属性】
技术研发人员:曲戎梅,宫凤英,戴景兴,吴斐洋,林卓锋,
申请(专利权)人:南博医疗科技广州有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。