血液成分值预测方法、装置、计算机设备和存储介质与流程

本申请涉及血液成分值预测技术领域，特别是涉及一种血液成分值预测方法、装置、计算机设备和存储介质。

背景技术：

现代社会人们对健康越来越注重，普通人也希望可以随时随地、简单、方便、廉价地得知自己的健康情况。市场上的各种智能手机、健康手环，在某种程度上迎合了这样的需求。但若要深入地了解人体的健康状况，则仍需要通过实验室数据，特别是血液成分值。血液成分种类很多，例如血红蛋白，白血球，糖化血红蛋白，肌酐，血沉等等。血液值的获取，一般是通过抽取血液作分析，是一个有创伤性的操作。分析时亦需要相关的仪器和耗材，涉及一定的费用。

中医学在中国拥有数千年的历史，在治病、防病和养生领域有着非常丰富的临床经验。其中，中医的诊疗方法，以简单、方便、廉价著称。《黄帝内经》说：“有诸形于内，必形于外。”就是说人的身体内有了毛病，一定会在身体表面显现出来。中医通过望、闻、问、切的四诊方法，去采集疾病的表现，了解人体的健康。其中，舌诊和问诊，更是四诊的重要组成部份。但是，目前如cn1561904a或wo2011026305a1所描述的中医四诊类仪器，都是以采集四诊资料为主要目的，即使某些仪器有输出对四诊资料的演绎结果，也只是局限在中医方面的诊断结果，均都没有对血液成分进行预测的功能。再者，这类仪器也是专门设计的，价格昂贵，只供专业人员使用，难以普及到普罗大众。

多种研究已经揭示，舌象与血液某些成分的变化有着密切的关系。例如，红细胞计数值(rbc)和血红蛋白值(hgb)与舌色的深淡有关；血细胞比容值降低(hct)与淡舌和瘦小舌有关；肾功能衰竭时血肌酐的升高与多种舌象特征有关。

又例如，糖尿病是一种血液中的血糖浓度异常的疾病。有人研究根据中医学舌诊的原理，通过舌象来诊断糖尿病。但所用的方法需要特殊的仪器。这类诊断方法既不容易普及，还涉及购买仪器的昂贵费用。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种血液成分值预测方法、装置、计算机设备和存储介质。

一种血液成分值预测方法，所述方法包括：

获取待测个体的待测舌象图像和待测问诊数据；

将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的预测模型，基于所述预测模型解析获得所述待测个体的血液成分预测值。

在其中一个实施例中，所述获取待测个体的待测舌象图像和待测问诊数据的步骤之前还包括：

收集目标血液成分数据；

收集与所述目标血液成分数据对应的问诊数据和预收集舌象图像；

对所述目标血液成分数据、所述预收集舌象图像和所述问诊数据进行预处理；

基于机器学习模型，解析所述预收集舌象图像和所述问诊数据，获取所述预收集舌象图像的舌象特征和问诊数据特征，根据所述预收集舌象图像的舌象特征、问诊数据特征和目标血液成分数据训练获得所述预测模型。

在其中一个实施例中，所述将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的预测模型，基于所述预测模型解析获得所述待测个体的血液成分预测值的步骤包括：

将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的所述预测模型；

基于所述预测模型，解析所述待测舌象图像和所述待测问诊数据，获取所述待测舌象图像的舌象特征和所述待测问诊数据特征；

根据所述待测舌象图像的舌象特征和所述待测问诊数据特征，获得所述待测个体的血液成分预测值。

在其中一个实施例中，所述根据所述待测舌象图像的舌象特征和所述待测问诊数据特征，获得所述待测个体的血液成分预测值的步骤包括：

确定与所述待测舌象图像的舌象特征和所述待测问诊数据特征最接近的所述预收集舌象图像的舌象特征和问诊数据特征，获得所述待测个体的血液成分预测值。

在其中一个实施例中，所述收集与所述目标血液成分数据对应的问诊数据和预收集舌象图像的步骤包括：

获取与所述目标血液成分数据对应的所述问诊数据；

获取人脸图像；

解析所述人脸图像，获取所述预收集舌象图像。

一种血液成分值预测装置，所述装置包括：

待测数据获取模块，用于获取待测个体的待测舌象图像和待测问诊数据；

预测值获得模块，用于将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的预测模型，基于所述预测模型解析获得所述待测个体的血液成分预测值。

在其中一个实施例中，还包括：

血液成分数据获取模块，用于收集目标血液成分数据；

采集模块，用于收集与所述目标血液成分数据对应的问诊数据和预收集舌象图像；

模型输入模块，用于对所述目标血液成分数据、所述预收集舌象图像和所述问诊数据进行预处理；

预测模型获得模块，用于基于机器学习模型，解析所述预收集舌象图像和所述问诊数据，获取所述预收集舌象图像的舌象特征和问诊数据特征，根据所述预收集舌象图像的舌象特征、问诊数据特征和目标血液成分数据训练获得所述预测模型。

在其中一个实施例中，所述预测值获取模块包括：

待测数据输入单元，用于将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的所述预测模型；

特征解析获得单元，用于基于所述预测模型，解析所述待测舌象图像和所述待测问诊数据，获取所述待测舌象图像的舌象特征和所述待测问诊数据特征；

预测值获得单元，用于根据所述待测舌象图像的舌象特征和所述待测问诊数据特征，获得所述待测个体的血液成分预测值。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待测个体的待测舌象图像和待测问诊数据；

将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的预测模型，基于所述预测模型解析获得所述待测个体的血液成分预测值。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待测个体的待测舌象图像和待测问诊数据；

将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的预测模型，基于所述预测模型解析获得所述待测个体的血液成分预测值。

上述血液成分值预测方法、装置、计算机设备和存储介质，通过机器学习模型，解析舌象图像获得舌象特征和问诊数据特征，通过大数据学习，建立预测模型，使得能够根据人体的舌象图像和问诊数据，解析出舌象特征和问诊数据特征，进而获得对应的血液成分预测值，而无需对个体进行抽血化验，从而实现血液成分值快速、自动获得，有利于提高病人的疾病诊断效率，具有价格低廉，应用快捷方便的特点。

附图说明

图1为一个实施例中血液成分值预测方法的应用场景图；

图2a为一个实施例中的预测模型的训练获得的流程示意图；

图2b为一个实施例中血液成分值预测方法的流程示意图；

图2c为一个实施例中基于机器学习的模型的训练过程与模型的预测过程的流程示意图；

图3为一个实施例中血液成分值预测装置的结构框图；

图4为一个实施例中计算机设备的内部结构图；

图5为另一个实施例中计算机设备的内部结构图；

图6为一个实施例中的问诊问卷的示意图；

图7为一个实施例中的问诊数据特征的示意图；

图8为一个实施例的原始的舌象图像的示意图；

图9为一个实施例的处理后的舌象图像的示意图；

图10为一个实施例中测试多个机器分类器的结果；

图11为一个实施例中的解析获得的血液成分预测值与实际血液成分值的对比结果图；

图12为一个实施例中的标准化混淆矩阵图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的血液成分值预测方法，可以应用于如图1所示的应用环境中。其中，计算机102通过网络与服务器104通过网络进行通信。其中，计算机102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端获取目标血液成分数据、预收集舌象图像以及问诊数据，并将上述的目标血液成分数据、预收集舌象图像以及问诊数据作为训练数据输入服务器104的机器学习模型，服务器104基于机器学习模型，解析所述预收集舌象图像和所述问诊数据，获取所述预收集舌象图像的舌象特征和问诊数据特征，建立预测模型。

例如，一种血液成分值预测方法，所述方法包括：收集目标血液成分数据；收集与所述目标血液成分数据对应的问诊数据和预收集舌象图像；对所述目标血液成分数据、所述预收集舌象图像和所述问诊数据进行预处理；基于机器学习模型，解析所述预收集舌象图像和所述问诊数据，获取所述预收集舌象图像的舌象特征和问诊数据特征，建立预测模型。

上述实施例中，通过机器学习模型，解析舌象图像获得舌象特征和问诊数据特征，通过大数据学习，建立预测模型，使得能够根据人体的舌象图像和问诊数据，解析出舌象特征和问诊数据特征，进而获得对应的血液成分预测值，从而实现血液成分值快速、自动获得，有利于提高病人的疾病诊断效率，具有价格低廉，应用快捷方便的特点。

在一个实施例中，如图2a所示，提供了一种血液成分值预测方法，以该方法包括以下步骤：

步骤202，收集目标血液成分数据。

例如，获取目标血液成分数据。具体地，该目标血液成分数据为人体的血液检测数据，例如，该目标血液成分数据为人体的血液成分数据。例如，该目标检测数据为人体的糖化血红蛋白数据。该目标血液成分数据为预先收集获取，并输入至计算机中。

步骤204，收集与所述目标血液成分数据对应的问诊数据和预收集舌象图像。

例如，获取与所述目标血液成分数据对应的问诊数据和预收集舌象图像。例如，获取与所述目标血液成分数据对应的问诊数据，并获取与所述目标血液成分数据对应预收集舌象图像。也就是说，问诊数据和预收集舌象图像对应的个体与目标血液成分数据对应的个体为同一个个体。

具体地，该问诊数据为人体的病历数据，例如，该问诊数据为人体的病症数据，例如，该问诊数据为人体的疾病数据，例如，该问诊数据为个人健康数据。该问诊数据记载了用户的人体的病征，问诊数据还包括用户的疾病名称、用户的年龄、用户的身高、用户的体重等。例如，该问诊数据由用户输入获得。例如，获取输入至计算机的问诊数据。例如，获取输入至问诊问卷上的问诊数据，本实施例中，通过预设问诊问卷的问题，使得用户能够直接对应问诊问卷上的问题进行解答，进而获取到用户的问诊数据，有效提高问诊数据的获取效率和准确性。

例如，问诊数据包括用户所患的疾病名称、用户的年龄、用户的身高、用户的体重、用户的自觉症状等。本实施例中，通过基于医学知识预设问诊问卷的问题，使得用户能够直接对应问诊问卷上的问题进行解答，进而获取到用户与目标血液成分相关的问诊数据，有效提高问诊数据的获取效率及其准确性。

该预收集舌象图像为预先收集的舌象图像，该舌象图像为人体的舌头的图像，人体的舌头的表征与人体血液中的部分成分的变化有着密切关系，而人体的血液的成分的变化将引起人体的身体状态的变化，人体的身体状态的变化也将会导致人体血液成分的变化。例如，人体的舌头的表征与人体血液中糖化血红蛋白的变化有着一定的关。糖化血红蛋白是红细胞中的血红蛋白与血清中的糖类相结合的产物。它是通过缓慢、持续及不可逆的糖化反应形成，其含量的多少取决于血糖浓度以及血糖与血红蛋白接触时间。所以，糖化血红蛋白值可有效地反映个体过去1～2个月内血糖控制的情况，因此被用作糖尿病控制的监测指标。由於血糖浓度与糖化血红蛋白值的变化有着密切的关系，而血糖浓度的变化也会引起人体的身体状态的变化，因此，人体如果长时间存在高血糖状态，将会通过舌象的表征体现出来。所以，不同的糖化血红蛋白值对应不同的舌头表征。

因此，人体如果存在疾病或者状态发生变化，都会通过舌象的表征进行体现。也就是说，人体血液的成分变化将会使得人体的舌头的表征发生变化，不同的人体血液的成分对应不同的舌头的表征。例如，通过图像传感器获取预收集舌象图像。

本实施例中，个体即检测用户，每一个体目标血液成分数据对应一问诊数据和一预收集舌象图像。

例如，获取多个目标血液成分数据、多个问诊数据和多个预收集舌象图像，该多个目标血液成分数据、多个问诊数据和多个预收集舌象图像为一一对应关系。多个预收集图像具有不同的表征，而每个问诊数据也各不相同，因此，不同的表征将对应不同的问诊数据，对应不同个体的血液成分数据，也就是说，一个目标血液成分数据对应的一个问诊数据和一个预收集舌象图像。

本实施例中，获取问诊数据，有利于进一步提高对舌象图像的解析的准确性。

例如，获取多个问诊数据，例如，每一问诊数据与一目标血液成分数据和一预收集舌象图像对应。具体地，同一用户的问诊数据与该用户的目标血液成分数据和一预收集舌象图像对应。有利于提高对数据解析的精确性。

例如，获取若干个体的糖化血红蛋白值、若干个体的问诊数据和若干个体的预收集舌象图像，该若干个体的糖化血红蛋白值、若干个体的问诊数据和若干个体的预收集舌象图像为一一对应关系。多个预收集图像具有不同的表征，而每个糖化血红蛋白值也各不相同，因此，不同的表征将对应不同的糖化血红蛋白值。而对应的糖化血红蛋白值和预收集舌象图像则对应同一个体。

步骤206，对所述目标血液成分数据、所述预收集舌象图像和所述问诊数据进行预处理。

例如，在预处理后，将预处理后的所述目标血液成分数据、所述预收集舌象图像和所述问诊数据作为训练数据输入机器学习模型。例如，机器学习模型可以是单一种模型，例如，决策树模型、线性回归模型、神经网络模型等等，也可以是两个或两个以上的模型的结合。

具体地，将所述目标血液成分数据、所述预收集舌象图像和所述问诊数据整合为数据矩阵，将该数据矩阵输入机器学习模型。

例如，对预收集舌象图像的预处理包括：把拍摄的舌象图像统一整理为512x512的像素图，通过机器学习训练，以卷积网络的方法进行图像截取处理，把舌象外周的图像排除掉，得到一个新的舌象图像。在这个新的舌象图像里，不属于舌象及其周边组织的像素值被调为零。然后，通过以下算式，把这个新的舌象图像转化为一个具有某一长度的特征向量。所用的数学模型方程式如下：

dst(x，y)×src(fx(x，y)，fy(x，y))，其中，dst(x,y)为特征向量，src为转化函数，fx为图像，fy是向量的最终维度。

又例如，在某些实施方案中，可以选择某些舌象图像特征作为特征向量，以代替舌象像素数据，例如，把舌象的颜色作为特征，或把舌头的形态作为特征，又或把舌头组织的纹理作为特征。计算这些特征的数学方程式可参照使用现有已公开发布的相关方法[(zhang,d.,zhang,h.,&zhang,b.).tongueimageanalysis(pp.1-335).springer.2017]。

取决于所使用的舌象图像特征的类别，将会得到有不同维度的向量。可以通过多种特征与指标组合，产生一个新的特征向量v.即v＝<img，feature1，features2，...，featuren>。使用图像特征代替舌象像素数据作为特征向量，有助提高预测的准确性。

在把每一个所述的截取舌象图像、或经选择后的舌象图像特征转化为向量之后，汇入相对应的问诊结果，根据不同的结果，使用二进制扩展(binaryexpansion)或独热码(onehotencoding)来生成不同的数值，创建一个包含舌象图像特征结果与问诊结果的最终向量。

把所生成的数据与相对应的目标检测值相关联。针对预收集数据的所有图像、问诊结果，重复上述过程建立训练数据集。之后，把预收集的数据集分为训练样本和测试样本，训练样本输入到机器学习模型中，测试样本用来测量模型的准确性。

步骤208，基于机器学习模型，解析所述预收集舌象图像和所述问诊数据，获取所述预收集舌象图像的舌象特征和问诊数据特征，根据所述预收集舌象图像的舌象特征、问诊数据特征和目标血液成分数据训练获得所述预测模型。

例如，基于机器学习模型，解析所述预收集舌象图像获取所述预收集舌象图像的舌象特征，解析所述问诊数据，获取问诊数据特征与目标检测值的对应关系，根据所述预收集舌象图像的舌象特征、问诊数据特征和目标血液成分数据学习获得所述预测模型。

具体地，舌象特征即为舌象的表征，或者说，该舌象特征为舌象图像的表征。问诊数据特征即为问诊数据的向量化后的值。

具体地，由于舌象特征与人体的血液成分相关，人体的血液成分的变化将造成舌象特征的改变，不同的舌象特征对应不同的人体的血液成分，因此，不同的舌象特征将对应不同的目标血液成分数据。

此外，问诊数据与目标血液成分数据是一一对应的关系，不同的血液成分数据将导致个体的问诊数据不同，因此，问诊数据与血液成分数据相关联，因此，本步骤中，对预收集舌象图像和问诊数据进行解析，获得该预收集舌象图像的多个舌象特征和问诊数据特征，基于机器学习方法，学习获得各预收集舌象图像的舌象特征和问诊数据特征与目标血液成分数据的对应关系的预测模型。例如，根据预收集舌象图像以及问诊数据特征与对应的目标血液成分数据的对应关系，学习获得各预收集舌象图像的舌象特征以及问诊数据与目标血液成分数据的对应关系的规律，从而建立预测模型。

本实施例中，在获取目标血液成分数据后，建立目标血液成分数据与预收集舌象图像以及所述问诊数据的对应关系，能够使得目标血液成分数据与预收集舌象图像以及问诊数据关联，进而获得预收集舌象图像的舌象特征的变化以及问诊数据与目标血液成分数据的关系，获得预收集舌象图像的舌象特征以及问诊数据特征与目标血液成分数据的变化规律，并以此建立基于预收集舌象图像的舌象特征以及问诊数据特征与目标血液成分数据的关联关系的预测模型，使得血液成分预测值的获取更为准确。

本实施例中，基于大量的预收集舌象图像以及问诊数据和目标血液成分数据，进行大数据解析和学习，进而学习获得预收集舌象图像的舌象特征以及问诊数据特征与目标血液成分数据的对应规律，进而建立基于所述预收集舌象图像的舌象特征以及问诊数据特征与所述目标血液成分数据的对应关系的预测模型。例如，该对应关系可以图像化为曲线图，例如，将所述预收集舌象图像的舌象特征与所述目标血液成分数据的对应关系映射为曲线。通过建立预收集舌象图像的舌象特征的对应关系，从而使得在后续的检测中，可以通过舌象图像和问诊数据获得血液成分预测值，有利于辅助疾病的诊断。

例如，基于机器学习模型，解析所述预收集舌象图像，获取所述预收集舌象图像的舌象特征，根据多个所述预收集舌象图像的舌象特征之间的变化关系以及对应的多个问诊数据的变化关系，获取有效舌象特征，建立所述预收集舌象图像的有效舌象特征与所述问诊数据的对应关系。

有效舌象特征为舌象图像中多个特征中的一个，本实施例中，有效舌象特征为预收集舌象图像中的与问诊数据的变化相关的舌象特征，因此，通过舌象特征的变化关系，结合多个问诊数据，获得有效舌象特征，建立所述预收集舌象图像的有效舌象特征与所述问诊数据的对应关系，从而使得舌象特征与所述问诊数据的对应关系的建立更为准确，有利于提高血液成分预测值获取的精确性。

例如，基于机器学习模型，解析多个所述预收集舌象图像和问诊数据，获取每一所述预收集舌象图像的舌象特征和每一问诊数据特征，建立各所述预收集舌象图像的舌象特征以及各问诊数据特征与所述目标血液成分数据的对应关系，建立预测模型。

本实施例中，通过对多个预收集舌象图像多个问诊数据进行分别解析，获得预收集图像的舌象特征和问诊数据特征的变化规律，使得预收集图像的舌象特征的变化规律以及问诊数据特征的变化规律与目标血液成分数据关联，进而精确建立各所述预收集舌象图像的舌象特征以及各问诊数据特征与所述目标血液成分数据的对应关系。

例如，基于机器学习模型，解析所述预收集舌象图像，获取所述预收集舌象图像的舌象特征，根据多个所述预收集舌象图像的舌象特征之间的变化关系以及对应的多个目标血液成分数据的变化关系，获取有效舌象特征，建立所述预收集舌象图像的有效舌象特征与所述目标血液成分数据的对应关系。值得一提的是，一个舌象图像具有多个不同的表征，也就是说，一个舌象图像具有多个舌象特征，这些特征可以是颜色、纹理、形状等等。这些特征可以在舌象图像的整体上显示，也可以在局部显示。而有些舌象特征是与目标血液成分数据相关的，而另外的舌象特征是与目标血液成分数据不相关的。本实施例中，有效舌象特征为与目标血液成分数据的变化相关的舌象特征，因此，通过舌象特征的变化关系，结合多个目标血液成分数据的变化关系，获得有效舌象特征，建立所述预收集舌象图像的有效舌象特征与所述目标血液成分数据的对应关系，从而使得舌象特征与所述目标血液成分数据的对应关系的建立更为准确，有利于提高血液成分预测值获取的精确性。

如图2b所示，在步骤208之后还包括步骤210，获取待测个体的待测舌象图像和待测问诊数据。

步骤212，将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的预测模型，基于所述预测模型解析获得所述待测个体的血液成分预测值。

例如，将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至经机器学习获得的预测模型，基于所述预测模型解析获得所述待测个体的血液成分预测值。本实施例中，训练获得的预测模型即为机器学习获得的预测模型。

例如，通过机器学习模型得到最优化的机器分类器。

本实施例中，待测个体为需要进行血液成分预测的用户个体，待测舌象图像为需要进行病症判断的用户的舌象图像，或者说，该待测舌象图像为待诊断的用户的舌头的图像，待测问诊数据为待测个体填写的问诊数据。例如，通过图像传感器获取待测舌象图像。例如，该血液成分预测值为待测个体的人体的血液检测数据，也就是说，该血液成分预测值与目标血液成分数据为同类数据，该血液成分预测值预测的人体的体检血液成分数据，例如，该血液成分预测值为预测的人体的血液检测数据，例如，该血液成分预测值为预测的人体的血液成分数据。该血液成分预测值是基于现有的目标血液成分数据而预测得到的，该目标血液成分数据为实际检测获得的体检数据，而血液成分预测值是基于现有的目标血液成分数据与预收集舌象图像的舌象特征以及问诊数据的对应关系预测获得的数据。

本实施例中，基于已有的预测模型，获取待测个体的待测舌象图像和待测问诊数据，将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至预测模型中，进而预测获得该待测个体的血液成分预测值，而无需对个体进行抽血化验，从而使得待测个体的血液成分获取更为高效，更为便捷。

在一个实施例中，所述将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至预测模型，基于所述预测模型解析获得所述待测个体的血液成分预测值的步骤包括：将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至预测模型；基于所述预测模型，解析所述待测舌象图像和所述待测问诊数据，获取所述待测舌象图像的舌象特征和所述待测问诊数据特征；根据所述待测舌象图像的舌象特征和所述待测问诊数据特征，获得所述待测个体的血液成分预测值。

本实施例中，在获取待测个体的待测舌象图像和待测问诊数据后，将待测个体的待测舌象图像和待测问诊数据输入至预测模型，对该待测舌象图像和待测问诊数据进行解析，获取该待测舌象图像的舌象特征和待测问诊数据特征，基于该预测模型，获得血液成分预测值。

在一个实施例中，所述根据所述待测舌象图像的舌象特征和所述待测问诊数据特征，获得所述待测个体的血液成分预测值的步骤包括：确定与所述待测舌象图像的舌象特征和所述待测问诊数据特征最接近的所述预收集舌象图像的舌象特征和问诊数据特征，获得所述待测个体的血液成分预测值。

例如，将待测舌象图像的舌象特征与预收集舌象图像的舌象特征进行对比，将待测问诊数据特征与问诊数据特征进行对比，基于预收集舌象图像的舌象特征与所述目标血液成分数据的对应关系，基于问诊数据特征与所述目标血液成分数据的对应关系，进而获取血液成分预测值。例如，获取所述待测舌象图像的舌象特征，对比所述待测舌象图像的舌象特征与多个所述预收集舌象图像的舌象特征，确定与该待测舌象图像的舌象特征最接近的预收集舌象图像的舌象特征，对比待测问诊数据特征与多个问诊数据特征，确定与该待测问诊数据特征最接近的问诊数据特征，基于所述预收集舌象图像的舌象特征以及问诊数据特征与所述目标血液成分数据的对应关系，根据最接近的预收集舌象图像的舌象特征以及问诊数据特征获得血液成分预测值。

当预收集舌象图像和目标血液成分数据的样本数量较少时，例如，通过待测舌象图像的舌象特征，获得与该待测舌象图像的舌象特征最接近的预收集舌象图像的舌象特征，通过待测问诊数据特征，获得与该待测问诊数据特征最接近的问诊数据特征，通过该预收集舌象图像的舌象特征和问诊数据特征获得对应的目标血液成分数据，以该目标血液成分数据为血液成分预测值。例如，当预收集舌象图像和问诊数据的样本数量小于预设阈值时，通过待测舌象图像的舌象特征和待测问诊数据特征，获得与该待测舌象图像的舌象特征以及和待测问诊数据特征最接近的预收集舌象图像的舌象特征和问诊数据特征，随后通过该预收集舌象图像的舌象特征和问诊数据特征获得对应的目标血液成分数据，以该目标血液成分数据为血液成分预测值。

本实施例中，由于预收集舌象图像和目标血液成分数据的样本数量较少，且舌象特征不能准确量化，因此，舌象特征之间的变化并不是线性的，由此，由待测舌象图像的舌象特征并不能直接获得血液成分预测值，需首先获取与待测舌象图像的舌象特征最接近的预收集舌象图像的舌象特征作为参考，并以此获得对应的目标血液成分数据，进而以该目标血液成分数据作为血液成分预测值，从而提高血液成分预测值的获取的准确性。

当预收集舌象图像和目标血液成分数据的样本数量较多时，例如，通过待测舌象图像的舌象特征和待测问诊数据特征，获得与该待测舌象图像的舌象特征和待测问诊数据特征最接近的目标血液成分数据，以该目标血液成分数据为血液成分预测值。例如，当预收集舌象图像和问诊数据的样本数量大于预设阈值时，通过待测舌象图像的舌象特征和待测问诊数据特征，获得与该待测舌象图像的舌象特征和待测问诊数据特征最接近的目标血液成分数据，以该目标血液成分数据为血液成分预测值。本实施例中，由于预收集舌象图像和问诊数据的样本数量较大，因此，舌象图像的舌象特征之间的变化可以呈线性呈现，因此，则可根据该待测舌象图像的舌象特征和待测问诊数据特征确定最接近的目标血液成分数据，以该目标血液成分数据为血液成分预测值，从而有效提高血液成分预测值的获取效率，且使得血液成分预测值的获取更为准确。

在一个实施例中，所述获取目标血液成分数据和预收集舌象图像的步骤包括：获取与所述目标血液成分数据对应的所述问诊数据；获取人脸图像；解析所述人脸图像，获取所述预收集舌象图像。

例如，获取与所述目标血液成分数据对应的所述问诊数据；获取与所述目标血液成分数据对应的个体的人脸图像；解析所述人脸图像，获取所述预收集舌象图像。

例如，使用专利公开号cn106859595a所公开的方法，通过摄像头检测人脸；当检测到人脸时，获取人脸图像；解析所述人脸图像，获取口部位置；根据所述口部位置获取预收集舌象图像。

具体地，本步骤中，摄像头实时检测人脸，即该摄像头处于工作状态，例如，该摄像头处于拍摄状态，又如，该摄像头处于拍摄视频状态，应该理解的，视频为多个连续图像，即视频为动态图像。通过摄像头拍摄到的图像，检测图像中是否包含人脸，或者检测图像中的人脸是否正对摄像头。例如，采用haar-like特征算法检测人脸，采用haar-like特征算法检测图像中的人脸是否正对摄像头。例如，检测应用(app)是否开启，当检测到应用开启时，开启摄像头，通过摄像头检测人脸。具体地，应用为终端上的应用软件。例如，该终端为移动终端，例如，该移动终端为手机，例如，该移动终端为平板电脑。

当检测到摄像头拍摄的图像中包含人脸，或者检测到摄像头拍摄的图像中的人脸正对于摄像头，则获取人脸图像。例如，拍摄人脸，获取人脸图像，例如，实时拍摄人脸，获取多个人脸图像，例如，实时拍摄人脸视频，获取多个人脸图像，本步骤中，确定了用户的人脸正对摄像头，此时，获取用户的人脸图像，例如，当检测到人脸时，拍摄人脸，获取人脸图像。例如，当检测到人脸时，开启闪光灯，拍摄人脸，获取人脸图像，开启闪光灯有利于拍摄的照片更为清晰。

对获取到的人脸图像进行解析，获取人脸上口部的位置，该口部位置即人脸上嘴巴的位置。例如，采用haar-like特征算法解析所述人脸图像，获取口部位置，例如，采用haar-like特征算法对人脸图像进行人脸各部位的侦测，识别并确认口部的位置，获取所述口部位置。

当获取到口部位置后，对该口部位置对应的区域进行拍摄，生成舌象图像。具体地，该口部位置为人体嘴巴对应的位置，对该位置进行拍摄能够精确对准用户的舌头，进而能够精确获取舌象图像。

本实施例中，通过摄像头检测人脸时拍摄获取人脸图像，并解析人脸图像获取到脸部的口部位置，进而自动获取口部的舌象图像，使得舌象图像获取更为便捷，在用户使用后摄像头进行拍摄时，无需用户选择对齐口部，且无需用户根据拍摄的图像调整姿势，使得舌象头像更为准确，便于用户的使用。

例如，一种血液成分值预测方法也称为一种基于机器学习的血液成分值预测方法，也可以称为一种基于机器学习以舌象和问诊资料对血液成分值进行预测的方法，请结合图2c，其包括如下步骤：

步骤一，采集多个目标血液成分及相对应的预收集舌象图像和问诊数据，作为训练数据输入并存储。

本实施例中，目标血液成分即目标血液成分数据。

步骤二，将对应目标血液成分、预收集舌象图像和问诊数据整合为一个数据记录。

即每一对应的目标血液成分、预收集舌象图像和问诊数据整合为一个数据记录，多个目标血液成分、预收集舌象图像和问诊数据整合为多个数据记录。

步骤三，将多个数据记录整合为数据矩阵，将数据矩阵导入机器学习模型的存储模块中。

例如，将多个目标血液成分、预收集舌象图像和问诊数据整合为数据矩阵，将数据矩阵导入机器学习模型的存储模块中。

步骤四，以数据矩阵为基础，对深度神经网络进行训练。训练方法如下：

a.设定机器学习基本框架，将多个目标血液成分、预收集舌象图像和问诊数据按照数据特征建立包括输入层、至少一层隐层和输出层的数据模型。输入层包含预收集舌象图像与问诊数据；输出层包含所对应的血液成分估算值，每个隐层包含若干个与上一层输出值具有映射对应关系的节点。

b.每个节点采用数学方程建立该节点的数据模型，采用人工或随机方法预设所述数学方程中的相关参数值，输入层中各节点的输入值为所述的数据特征，各隐层及输出层中各节点的输入值为上层的输出值，每层中各节点的输出值为本节点经所述数学方程运算后所得的值。

c.初始化所述参数值ai，将所述输出层中各节点的输出值与对应节点的目标血液成分比对，反复修正各节点的所述参数值ai，依次循环，最终获得使所述输出层中各节点的输出值生成与血液成分估算值相似度为局部最大时的输出值对应的各节点中的参数值ai。

步骤五，将获取的预收集舌象图像和问诊资料导入该机器学习模型中，对血液成分估算值进行预测分析；

步骤六，由该机器学习模型输出与所述特定血液成分值的结果。

在一个实施例中，以问卷形式收集未经专业知识或检查便可由所述对象提供的个人健康数据和自觉症状。

在一个实施例中，对所述参数值ai进行优化的方法为无监督学习方法。

在一个实施例中，对所述参数值ai进行优化的方法为有监督学习方法。

在一个实施例中，所述数学方程为参数数学方程或非参数数学方程，其中，参数数学方程可为线性模型、神经元模型或卷积运算，非参数数学方程可为极值运算方程。卷积模型设定方式如下：

y＝g(x)＝fnofn-1ofn-2o…of1(x)

其中y是所述输出层中的血液成分数据，维度为mn，x是训练素材数据，维度为m0，f1到fn为设定的每一层运算方程，而每一层方程f1的维度为mi-1→mi，如第一层f1就是将维度为m0的x转换成维度为m1的输出z1，而z1则成为第二层方程f2的输入，以此类推，其中，每一层模型fi有与之相匹配的参数组ai。

在一个实施例中，所述舌象图像以带镜头的移动智能装置进行收集，所述问诊数据以既定结构的电子问卷进行收集。

下面是一个具体实施例：

本实施例中，具体以糖化血红蛋白值为例，作为问诊数据采集的其中一个实施案例：

血糖浓度的变化除了会引起糖化血红蛋白值的变化，也会引起人体身体状态的变化，而这些变化会通过自觉症状反映出来。另外，人体的身体状态变化也可能与年龄、性别、身高、体质、所患疾病等有关。具体地，在糖化血红蛋白值预测的实施案例中，该问诊数据为个人的一般可以自己填写的健康数据，例如，该问诊数据为个人的年龄、性别、身高、体质、已知所患疾病等资料；又例如，该问诊数据为个人的自觉症状，包括是否有口干，是否有尿频，是否有视力模糊等。例如，该问诊数据由用户输入获得。例如，获取输入至问诊问卷上的问诊数据。例如，获取输入至计算机的问诊数据。本实施例中，通过预设问诊问卷的问题，使得用户能够直接对应问诊问卷上的问题进行解答，进而获取到用户的问诊数据，有效提高问诊数据的获取效率及其准确性。

问诊数据的问诊问卷如图6所示，根据该问诊数据获得问诊数据特征，该问诊数据特征即为将问诊的内容向量化，其向量化后的值即问诊数据特征如图7所示，获得问诊数据的向量化后的值即获得问诊数据特征，问诊数据特征如如图7中q1-q35列所示。

本实施例中，还获取预收集舌象图像。获取预收集舌象图像，该预收集舌象图像如图8所示，随后对预收集舌象图像进行处理，对预收集舌象图像的处理采用步骤206中的方法，将预收集图像中的舌头部分截取，而图像中的其他部分则采用涂黑或者阴影遮蔽，截取处理后图像如图9所示。所述处理后图像向量化后的值即为舌象图像特征，如图7的0-191列所示。

对所述目标血液成分数据、所述预收集舌象图像和所述问诊数据进行预处理；基于机器学习模型，解析所述预收集舌象图像和所述问诊数据，获取所述预收集舌象图像的舌象特征和问诊数据特征，建立预测模型。

例如，具体地，把所收集的目标血液成分值，例如糖化血红蛋白值，及相对应的问诊数据和预收集舌象图像，组成数据集，把数据集分为训练数据集和检验数据，如图2c的流程图所示，以检验模型的准确性。其中，通过测试多个机器分类器的结果，得出最优化的模型，即优化的机器分类器模型。如图10所示，为测试多个机器分类器的结果。其中随机森林(randomforest)的准确率最高(0.897638)。

随后，获取待测个体的待测舌象图像和待测问诊数据；将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至预测模型，基于所述预测模型解析获得所述待测个体的血液成分预测值。

通过获取多个待测个体的待测舌象图像和待测问诊数据，并将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至预测模型，基于所述预测模型解析获得多个所述待测个体的血液成分预测值。

具体地，对于正常人而言，糖化血红蛋白(hba1c)值的正常范围在4％和5.6％之间。糖化血红蛋白值介于5.7％和6.4％之间意味着受试者患糖尿病的可能性增高，称糖尿病前期(prediabetes)。当糖化血红蛋白值达到6.5％或更高的水平时，就意味着受试者患有糖尿病(diabetes)。图11为基于所述预测模型解析获得所述待测个体的血液成分预测值与待测个体的实际血液成分值的对比结果图。其中，编号为待测个体的编号，糖化血红蛋白值为待测个体的实际的糖化血红蛋白值，真正标签为该待测个体的糖尿病的判定的实际结果，预测糖化血红蛋白值即为待测个体的血液成分预测值，即通过上述方法预测的糖化血红蛋白值，误差百分率为预测糖化血红蛋白值与实际的糖化血红蛋白值之间的误差，预测标签为对待测个体的糖尿病的预测的结果。

例如，通过多个待测个体的样本的解析，获得多个糖化血红蛋白测值。通过对比待测个体的糖化血红蛋白预测值与待测个体的实际糖化血红蛋白值，获得糖化血红蛋白预测值的准确率，结果如图12的标准混淆矩阵图所示。图12为基于对糖化血红蛋白范围预设的分类，得出待测个体的血液成分预测值的所属类别。其中，图12中的标准混淆矩阵图显示了优化的机器分类器对测试样本的结果，横坐标为样本的血液成分预测值(预测标签)，纵坐标为样本的实际的血液成分值(真正标签)，而横坐标和纵坐标都分为三个区间，正常、糖尿病和糖尿病前期，其中，正常即为非糖尿病患者，其血液成分预测值的糖化血红蛋白值正常，糖尿病对应的是糖尿病患者，其血液成分预测值的糖化血红蛋白值偏高，糖尿病前期对应的是有糖尿病发病倾向的个体，其血液成分预测值的糖化血红蛋白值有偏高的倾向。

这样，每一个坐标区间表示该区间内血液成分预测值的准确率。比如，横坐标区间为糖尿病，纵坐标为糖尿病，对应的区间的数值为0.97，则表明多个待测个体的糖化血红蛋白预测值与实际的糖尿病糖化血红蛋白匹配率，比如，待测个体数量为200，而糖化血红蛋白预测值与实际的血液成分值的偏差在预设范围内的待测个体的个数为194个，则表明血液成分预测值的准确率为0.97。其他区间的数值以此类推，本实施例中不累赘描述。

由图12可知，通过上述血液成分值预测方法，能够以较高准确率预测出个体的糖化血红蛋白值，及其临床所述类别，进而辅助对糖尿病患者的判断，有利于提高病人的疾病诊断效率，具有价格低廉，应用快捷方便的特点。

在一个实施例中，如图3所示，提供了一种血液成分值预测装置，包括：待测数据获取模块302和预测值获得模块304，其中：

待测数据获取模块302用于获取待测个体的待测舌象图像和待测问诊数据。

预测值获得模块304用于将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的预测模型，基于所述预测模型解析获得所述待测个体的血液成分预测值。

在一个实施例中，还包括：血液成分数据获取模块、采集模块、模型输入模块和预测模型获得模块，其中：

血液成分数据获取模块用于收集目标血液成分数据。

采集模块用于收集与所述目标血液成分数据对应的问诊数据和预收集舌象图像。

模型输入模块用于对所述目标血液成分数据、所述预收集舌象图像和所述问诊数据进行预处理。

预测模型获得模块用于基于机器学习模型，解析所述预收集舌象图像和所述问诊数据，获取所述预收集舌象图像的舌象特征和问诊数据特征，根据所述预收集舌象图像的舌象特征、问诊数据特征和目标血液成分数据训练获得所述预测模型。

在一个实施例中，所述预测值获取模块包括：待测数据输入单元、特征解析获得单元和预测值获得单元，其中：

待测数据输入单元用于将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的所述预测模型。

特征解析获得单元用于基于所述预测模型，解析所述待测舌象图像和所述待测问诊数据，获取所述待测舌象图像的舌象特征和所述待测问诊数据特征。

预测值获得单元用于根据所述待测舌象图像的舌象特征和所述待测问诊数据特征，获得所述待测个体的血液成分预测值。

在一个实施例中，所述预测值获得单元还用于确定与所述待测舌象图像的舌象特征和所述待测问诊数据特征最接近的所述预收集舌象图像的舌象特征和问诊数据特征，获得所述待测个体的血液成分预测值。

在一个实施例中，所述采集模块包括：问诊数据获取单元、人脸图像获取单元和预收集舌象图像获取单元，其中：

问诊数据获取单元用于获取与所述目标血液成分数据对应的所述问诊数据。

人脸图像获取单元用于获取人脸图像。

预收集舌象图像获取单元解析所述人脸图像，获取所述预收集舌象图像。

在一个实施例中，所述机器学习模块还用于基于机器学习模型，解析多个所述预收集舌象图像，获取每一所述预收集舌象图像的舌象特征，建立各所述预收集舌象图像的舌象特征与所述目标血液成分数据的对应关系。

关于血液成分值预测装置的具体限定可以参见上文中对于血液成分值预测方法的限定，在此不再赘述。上述血液成分值预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

例如，一种基于机器学习的血液成分值预测装置，包括可将舌象图像和问诊数据导入计算设备的输入模块以及分别或集中将舌象图像和问诊数据保存于本地装置或云端存储的存储模块。血液成分值预测装置还包括预先储存的机器学习训练的模块，将与所述舌象图像和问诊数据的血液成分值相匹配，并把该血液成分值输出给所生成的对象。所述输入模块包括摄像头以及驱动该摄像头的软件。所述输出装置包括移动智能装置。

例如，一种基于机器学习的血液成分值预测装置，包括血液成分值预测模块以及多个信息交互模块。其中一个信息交互模块与所述舌象图像获取模块连接，用于获取舌象特征，并输出舌象特征，另外一个信息交互模块与舌象特征输出模块以及问诊数据输出模块连接，用于数据输入至血液成分值模型。

例如，基于机器学习的血液成分值预测装置包括血液成分值预测结果输出模块，该血液成分值预测结果输出模块根据舌象图像和问诊资料，通过血液成分值预测运算模型，生成血液成分值测算结果。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储血液成分值预测数据。该计算机设备的网络接口用于与服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种血液成分值预测方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种血液成分值预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等，还可以是摄像头，该摄像头用于采集舌象图像。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待测个体的待测舌象图像和待测问诊数据。

将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的预测模型，基于所述预测模型解析获得所述待测个体的血液成分预测值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

收集目标血液成分数据。

收集与所述目标血液成分数据对应的问诊数据和预收集舌象图像。

对所述目标血液成分数据、所述预收集舌象图像和所述问诊数据进行预处理。

基于机器学习模型，解析所述预收集舌象图像和所述问诊数据，获取所述预收集舌象图像的舌象特征和问诊数据特征，根据所述预收集舌象图像的舌象特征、问诊数据特征和目标血液成分数据训练获得所述预测模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的所述预测模型。

基于所述预测模型，解析所述待测舌象图像和所述待测问诊数据，获取所述待测舌象图像的舌象特征和所述待测问诊数据特征。

根据所述待测舌象图像的舌象特征和所述待测问诊数据特征，获得所述待测个体的血液成分预测值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

确定与所述待测舌象图像的舌象特征和所述待测问诊数据特征最接近的所述预收集舌象图像的舌象特征和问诊数据特征，获得所述待测个体的血液成分预测值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取与所述目标血液成分数据对应的所述问诊数据。

获取人脸图像。

解析所述人脸图像，获取所述预收集舌象图像。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待测个体的待测舌象图像和待测问诊数据。

将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的预测模型，基于所述预测模型解析获得所述待测个体的血液成分预测值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

收集目标血液成分数据。

收集与所述目标血液成分数据对应的问诊数据和预收集舌象图像。

对所述目标血液成分数据、所述预收集舌象图像和所述问诊数据进行预处理。

基于机器学习模型，解析所述预收集舌象图像和所述问诊数据，获取所述预收集舌象图像的舌象特征和问诊数据特征，根据所述预收集舌象图像的舌象特征、问诊数据特征和目标血液成分数据训练获得所述预测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将所述待测个体的所述待测舌象图像和所述待测问诊数据输入至已训练获得的所述预测模型。

基于所述预测模型，解析所述待测舌象图像和所述待测问诊数据，获取所述待测舌象图像的舌象特征和所述待测问诊数据特征。

根据所述待测舌象图像的舌象特征和所述待测问诊数据特征，获得所述待测个体的血液成分预测值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

确定与所述待测舌象图像的舌象特征和所述待测问诊数据特征最接近的所述预收集舌象图像的舌象特征和问诊数据特征，获得所述待测个体的血液成分预测值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取与所述目标血液成分数据对应的所述问诊数据。

获取人脸图像。

解析所述人脸图像，获取所述预收集舌象图像。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。