一种基于深度学习的中医舌诊与健康干预方法

本发明涉及互联网医疗，尤其涉及一种基于深度学习的中医舌诊和健康干预方法。

背景技术：

1、中医舌诊是望诊的重要内容，是中医诊法的特色之一。舌诊具有反映体内病理变化灵敏度高、客观性强、易于操作、所含信息量大的特点。体质类型基于代谢特征，而舌象是构成舌的一切物质的新陈代谢的体现。因此，通过舌诊了解脏腑的虚实和病邪的性质、轻重与变化，判断基本的中医体质是一种比较客观有效的方法。

2、舌象仪是遵循中医舌诊原理，采用先进的数码相机和计算机技术研发，对舌象特征信息提取与处理，对舌象分析，实现客观量化的仪器。但舌象仪体积普遍偏大，仅适合在医疗机构的固定场所使用，对于为卧床患者提供舌象检测服务等特殊情况，则因设备移动不方便而影响使用。价格昂贵，普通百姓买不起，无法走进家庭为人民群众提供服务，也没有相应的健康干预的建议。因此，如何根据计算机技术实现准确、客观、便捷的诊断及健康干预成为亟待解决的重要问题。

技术实现思路

1、发明目的：本发明的目的是提供一种基于深度学习的中医舌诊和健康干预方法，通过提取不同体质人群的舌象特征建立基于舌象的中医体质辨识模型，实现对用户的智能健康干预，改变传统的慢性病预防、治疗和保健的方式。

2、技术方案：本发明所述的一种基于深度学习的中医舌诊和健康干预方法，具体包括以下步骤：

3、s1：对用户进行预处理；

4、s2：利用svm支持向量机模型和faster r-cnn模型算法进行舌苔检测，所述svm支持向量机模型包括svm训练和svm检测，svm支持向量机模型得到的结果图像上传到服务器端运行faster r-cnn模型算法，faster r-cnn模型算法通过特征提取与卷积池化操作，得出最后的体质分类结果；

5、s3：对用户进行问卷体质调查；

6、s4：在舌苔检测和问卷体质调查的基础上进行在线诊疗；

7、s5：基于问卷体质调查、舌苔检测结果和在线诊疗结果，加权得出最终体质结果的概率，给出个性化干预方案。

8、作为优选，所述s1中对用户进行预处理包括有：用户在移动终端的app上进行实名制注册，注册信息包括姓名、年龄、性别、文化程度、联系电话、用户名称和身份证等信息。

9、作为优选，所述s2中svm训练具体包括以下步骤：

10、s2.11：收集大量舌苔图像，删选出合格的舌苔照片，用截图工具截取舌苔部分的图片；

11、s2.12：构造参数解析和解析的参数；

12、s2.13：抓取图片的hog特性，勾选线性svm检测器的默认训练选项，初始化用于训练分类器的图像和边界框列表；

13、s2.14：遍历图像路径，从图像路径中提取图像id，并加载标注文件；

14、s2.15：循环遍历标注文件，并将每个标准添加到边界列表中；

15、s2.16：将图像添加到图像列表中；

16、s2.17：训练对象探测器，将训练结果保存到svm文件中；

17、s2.18：将训练结果投影到图片上。

18、作为优选，所述s2.11中用截图工具截取的舌苔部分的图片中，舌苔所占比例需要大于50％。

19、作为优选，所述s2中svm检测具体包括以下步骤：

20、s2.21：获取需要进行分类的新数据；

21、s2.22：对新数据进行与训练数据相同的特征标准化处理，以确保所有特征具有相同的尺度；

22、s2.23：使用训练好的svm模型对新数据进行分类，对于每个数据点，svm模型根据每个数据点的特征，预测它所属于的类别。

23、作为优选，所述s2中faster r-cnn模型算法具体包括以下步骤：

24、s2.31：接收svm支持向量机模型得到的结果图像；

25、s2.32：通过深度网络中的卷积层对结果图像进行特征提取，得到结果图片的特征图；

26、s2.33：通过选择性搜索算法得到结果图像的感兴趣区域；

27、s2.34：对得到的感兴趣区域进行感兴趣区域池化roi pooling：即通过坐标投影的方法，在特征图上得到输入图像中的感兴趣区域对应的特征区域，并对该区域进行最大值池化，得到感兴趣区域的特征，并且统一了特征大小；

28、s2.35：将roi pooling层的输出，即感兴趣区域对应的特征图最大值池化后的特征作为每个感兴趣区域的特征向量；

29、s2.36：将感兴趣区域的特征向量与全连接层相连，并定义多任务损失函数，分别与softmax分类器和boxbounding回归器相连，分别得到当前感兴趣区域的类别及坐标包围框；

30、s2.37：对所有得到的包围框进行非极大值抑制nms，得到最终的舌苔检测结果。

31、作为优选，所述s2.34中对得到的感兴趣区域进行感兴趣区域池化roi pooling具体包括：通过坐标投影的方法，在特征图上得到输入图像中的感兴趣区域对应的特征区域，并对该区域进行最大值池化，得到感兴趣区域的特征，并且统一了特征大小

32、作为优选，s3中问卷体质调查具体包括以下步骤：

33、s3.1：读取用户填写的问卷体质调查表中的信息，对该信息进行特征分类，包括：

34、第一类：阳虚体质特征集合x1＝(a1,a2,a3,…aj)，aj为第j个阳虚体质表现影响因素对应的特征值；

35、第二类：阴虚体质特征集合x2＝(b1,b2,b3,…bj)，bj为第j个阳虚体质表现影响因素对应的特征值；

36、第三类：痰湿体质特征集合x3＝(c1,c2,c3,…cj)，cj为第j个阳虚体质表现影响因素对应的特征值；

37、第四类：湿热体质特征集合x4＝(d1,d2,d3,...dj)，dj为第j个阳虚体质表现影响因素对应的特征值；

38、第五类：气郁体质特征集合x5＝(e1,e2,e3,…ej)，ej为第j个阳虚体质表现影响因素对应的特征值；

39、第六类：气虚体质特征集合x6＝(f1,f2,f3,…fj)，fj为第j个阳虚体质表现影响因素对应的特征值；

40、第七类：血淤体质特征集合x7＝(g1,g2,g3,...gj)，gj为第j个阳虚体质表现影响因素对应的特征值；

41、第八类：特禀体质特征集合x8＝(h1,h2,h3,…hj)，hj为第j个阳虚体质表现影响因素对应的特征值；

42、第九类：平和体质特征集合x9＝(i1,i2,i3,...ij)，ij为第j个阳虚体质表现影响因素对应的特征值；

43、s3.2：采用朴素贝叶斯算法计算阳虚体质表现后验概率p(x1|aj)：

44、

45、其中p(x1)为表现阳虚体质的概率；p(aj|x1)为在已知表现阳虚体质的条件下，特征值aj发生的概率，即xj发生的后验概率；p(aj)为aj发生的概率，即先验概率，p(aj,x1)为条件联合概率；

46、s3.3：重复s3.2，计算出阴虚体质表现后验概率p(x2|bj)、痰湿体质表现后验概率p(x3|cj)、湿热体质表现后验概率p(x4|dj)、气郁体质表现后验概率p(x5|ej)、气虚体质表现后验概率p(x6|fj)、血淤体质表现后验概率p(x7|gj)、特禀体质表现后验概率p(x8|hj)和平和体质表现后验概率p(x9|ij)；

47、s3.4：去除s3.2和s3.3中计算的后验概率中小于10％的体质结果，根据后验概率比重加权得到初步结果，结合舌苔检测结果得到个人体质信息，并给出个性化干预方案。

48、作为优选，所述s4在线诊疗中，询问用户细节性问题，增加得到的体质结果的概率。

49、作为优选，所述s5个性化干预方案中包括有健康治疗方案，健康治疗方案包括食物治疗方案、药物治疗方案和运动治疗方案。

50、有益效果：与现有技术相比，本发明具有如下显著优点：

51、(1)、本技术中faster-r-cnn引入了rpn网络，使得区域提名、分类、回归一起共用卷积特征，所以该框架的检测、分类速度较快，而且准确率较高；

52、(2)、本技术将问卷体质调查和朴素贝叶斯概率模型计算概率相结合，使最终健康干预方案更精准，更合理；

53、(3)、本技术通过结合app实现中医的望诊和问诊，根据用户的基本属性、体质画像以及地理位置向用户推送个性化的中医健康干预计划、中医特色保健服务，实现了用户的智能健康干预。