一种基于人脸卷积神经网络的中医体质识别方法与流程

本发明涉及应用于计算机的中医体质识别领域，尤其涉及一种基于人脸卷积神经网络的中医体质识别方法。

背景技术：

在中国，中医对于预防疾病和调理体质的研究已经有千百年的历史。“体质”一词，最早见于我国晋代《晋书·卷三十七列传第七》一书，用以描述人的形体状态，实际所指的是身体，并非我们现在所谓的体质。现今多数《中医基础理论》教科书对体质的定义基本一致：体质是人体在先天禀赋和后天获得基础上表现出来的功能包括心理气质)和形态结构上相对稳定的固有特性。《中医体质分类与判定标准》定义：中医体质是指在人体生命过程中，在先天禀赋和后天获得的基础上所形成的形态结构、生理功能和心理状态多方面综合的，相对稳定的固有特质；是人类在生长、发育过程中所形成的与自然、社会环境相适应的人体个性特征。

体质是一种客观存在的生命现象，是个体生命过程中,在先天遗传和后天获得的基础上，表现出的形态结构、生理机能以及心理状态等方面综合的、相对稳定的特质。这种特质决定着人体对某种致病因子的易感性及其病变类型的倾向性。体质的差异现象是先天因素与多种后天因素共同作用的结果。因此人类体质间的共性是相对的，而差异性则是绝对的。研究体质的分类，就必须对复杂的体质现象进行广泛的比较分析，然后甄别分类，把握个体的体质差异规律及体质特征。在继承了古代及现代体质分型方法的临床应用性原则以及现代学者以阴、阳、气、血、津液的盛、衰、虚、实变化为主的分类方法，并结合临床实践,提出了体质9分法，即平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质、特禀质。

体质分类是中医体质学研究的基础与核心内容，是从复杂的体质现象中提炼出有关规律，最终建成体质分类系统。传统的中医体质分类主要依靠每一种体质的主要症状表现进行判别。例如，平和质主要症状表现为面色、肤色润泽、头发稠密有光泽，目光有神，鼻色明润，嗅觉通利，唇色红润，不易疲劳，精力充沛，耐受寒热，睡眠良好，胃纳佳，二便正常，舌色淡红，苔薄白，脉和缓有力；气虚质的主要表现为平素语音低弱，气短懒言，容易疲乏，精神不振，易出汗，舌淡红，舌边有齿痕，脉弱等。

机器学习(Machine Learning,ML)是人工智能的核心，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习已经广泛的应用于数据挖掘、计算机视觉、自然语言处理等领域。而深度学习作为机器学习领域的一个课题，已经成为互联网大数据和人工智能的一个热潮。深度学习通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而能很好地建立从底层信号到高层语义的映射关系。深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。

传统中医体质判别方法通过医生和病人一对一的交流进行判别，有一定的重复性。而深度学习主要基于大数据，利用大数据来学习特征，充分发掘海量数据中蕴藏的丰富信息。

技术实现要素：

本发明要解决的技术问题在于，提供一种基于人脸卷积神经网络的中医体质识别方法，弥补了传统中医体质判别的不足，且本方法具有准确性高、识别速度快、性能稳定的适应于人脸卷积神经网络的优点。

为解决上述技术问题，本发明提供如下技术方案：一种基于人脸卷积神经网络的中医体质识别方法，包括以下步骤：

S1、计算机采集人脸图片数据集；

S2、根据采集的人脸图片数据集，进行人脸特征和人脸颜色特征的提取；

S3、将提取的人脸特征和人脸颜色特征进行分类算法，得到相应的中医体质类型。

进一步地，所述步骤S2，采用卷积神经网络算法进行人脸特征的提取，并提取人脸颜色特征；然后将提取的人脸特征和人脸颜色特征进行融合。

进一步地，所述步骤S3的分类算法，采用softmax分类算法。

进一步地，所述步骤S3的分类算法，采用SVM分类算法。

采用上述技术方案后，本发明至少具有如下有益效果：

1、本发明方法采用卷积神经网络算法，对人脸图片进行识别具有平移、旋转和缩放不变性；对人脸特征提取和分类过程统一在一起进行，能够直接输出分类结果；计算量大大减少，泛化能力更强；

2、本发明方法采用softmax算法，是一种监督学习方法；适合用于多分类问题；在计算方法和识别效果上得到更好的效果；

3、本发明方法与传统中医体质识别的判别时间相比，降低了诊断时间，提高了体质识别的诊断效率而且准确性高；

基于大量的人脸基于大量的人脸图片数据集，首次将机器学习技术应用到传统的中医体质识别领域，不仅能通过电脑进行体质判定，而且可以通过移动终端进行体质判别，十分方便，准确性高，节省时间；

5、本发明将机器学习与传统的中医体质相结合，在大数据的基础上进行识别，解决了传统中医体质识别需要预约中医医生进行判别的问题。该方法具有一定的市场价值和推广价值。

附图说明

图1是本发明一种基于人脸卷积神经网络的中医体质识别方法的步骤流程图；

图2是本发明一种基于人脸卷积神经网络的中医体质识别方法的卷积神经网络算法模型图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本申请作进一步详细说明。

实施例：

如图1所示：本发明的一种基于人脸卷积神经网络的中医体质识别方法，包括以下步骤：

S1、计算机采集人脸图片数据集(采集的人脸图片数据集，数据量非常大，每张人脸图片对应了九种中医体质类型)；

S2、根据采集的人脸图片数据集，采用卷积神经网络算法进行人脸特征的提取，并提取人脸颜色特征；然后将提取的人脸特征和人脸颜色特征进行融合；

S3、将提取的人脸特征进行分类算法，分类算法采用softmax分类算法或SVM分类算法，得到相应的中医体质类型；另外，通过卷积神经网络算法得到的特征中融合了人脸颜色特征。SVM分类算法支持向量机。

所述的基于人脸卷积神经网络的中医体质识别算法中，人脸图像通过采集得到，而且数量巨大，同时在训练的过程中将人脸数据集分成三部分，即训练集、验证集和测试集。因为原始人脸图像太大，为了算法需要，将每张人脸图像调整为48*48的大小，然后将调整后的人脸图像作为输入。

如图2所示，所述的基于人脸卷积神经网络的中医体质识别算法中，有一个卷积神经网络，其作用是将人脸图像作为输入，然后通过卷积下采样等操作，提取出人脸的特征，能够有效表征人脸，其步骤是：

[1]卷积操作。对人脸图像进行卷积操作，卷积核的大小是3*3，然后将卷积得到的输出，输入到激活函数中，激活函数设为Relu

[2]卷积操作。对人脸图像进行卷积操作，卷积核的大小是3*3，然后将卷积得到的输出，输入到激活函数中，激活函数设为Relu

[3]下采样操作。对人脸进行下采样操作，下采样的大小是2*2，下采样之后进行Dropout操作，防止过拟合

[4]卷积操作。对步骤[3]得到的结果进行卷积操作，卷积核大小是1*1

[5]卷积操作。对步骤[3]得到的结果进行卷积操作，卷积核的大小是1*1

[6]卷积操作。对步骤[5]得到的结果进行卷积操作，卷积核的大小是3*3

[7]卷积操作。对步骤[3]得到的结果进行卷积操作，卷积核的大小是1*1

[8]卷积操作。对步骤[7]得到的结果进行卷积操作，卷积核的大小是5*5

[9]下采样操作。对步骤[3]得到的结果进行下采样操作，下采样的大小是3*3

[10]融合操作。对步骤[4][6][8][9]得到的结果进行融合

[11]卷积操作。对步骤[10]的结果进行卷积操作，卷积核的大小是3*3，然后将卷积得到的输出，输入到激活函数中，激活函数设为Relu

[12]卷积操作。对步骤[11]的结果进行卷积操作，卷积核的大小是3*3，然后将卷积得到的输出，输入到激活函数中，激活函数设为Relu

[13]下采样操作。对步骤[12]的结果进行下采样操作，下采样的大小是2*2，下采样之后进行Dropout操作，防止过拟合

[14]卷积操作。对步骤[13]的结果进行卷积操作，卷积核的大小是3*3，然后将卷积得到的输出，输入到激活函数中，激活函数设为Relu

[15]下采样操作。对步骤[14]的结果进行下采样操作，下采样的大小是2*2，下采样之后进行Dropout操作，防止过拟合

[16]全连接。对步骤[4]得到的特征进行全连接操作。

[17]将步骤[16]的结果与提取的人脸颜色特征进行融合

[18]将步骤[17]的结果输入到softmax分类器中。

所述的基于人脸卷积神经网络的中医体质识别算法中，有一个sotfmax分类器，其作用是：将经过卷积神经网络得到的特征作为输入，然后输出每张人脸对应的体质类型。

实验对比结果

实验所用的数据集采集得到，每个人脸图片对应一种体质类型，然后将数据集分成训练集和测试集。同时，为了验证所提出的算法的优点，分别与基于颜色特征和softmax分类器以及基于颜色和纹理特征和softmax分类器进行比较。另外，对每种算法分别进行十倍交叉验证，得到一个准确的分类率，详细分类率如下表所示：

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解的是，在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。