一种应用于智能镜子的健康状况数字化集成方法及系统

本发明涉及数据集成，尤其涉及一种应用于智能镜子的健康状况数字化集成方法及系统。

背景技术：

1、智能镜子是一种新兴的智能健康设备，它结合了镜子和智能技术，旨在提供个人健康状况的数字化集成方法，随着人们对健康监测和管理的需求增加，智能镜子成为了一种方便、实用的工具，通过集成健康数据，实时监测用户的健康状态并提供个性化的健康建议，传统的健康状况数字化集成方法往往依赖于离体的传感器设备或医疗专业人士的观察，存在着使用效率不高、准确较差的问题，为了满足现代健康监测的需求，需要一种智能化的应用于智能镜子的健康状况数字化集成方法。

技术实现思路

1、本发明为解决上述技术问题，提出了一种应用于智能镜子的健康状况数字化集成方法及系统，以解决至少一个上述技术问题，包括以下步骤：

2、步骤s1：基于智能镜子内嵌摄像头获取用户面部图像及全身运动图像；对用户面部图像进行细节增强，以生成细节增强面部图像；对细节增强面部图像进行面部结构分析，以生成面部结构数据；基于面部结构数据对细节增强面部图像进行微表情识别，生成用户情绪数据；

3、步骤s2：对细节增强面部图像进行用户视觉特征分析，以生成用户视觉特征数据；根据用户视觉特征数据对细节增强面部图像进行瞳孔形态变化分析，以生成瞳孔形态特征数据；对瞳孔形态特征数据进行光差灵敏性分析，以生成用户眼部生理信号数据；

4、步骤s3：基于用户情绪数据对细节增强面部图像进行面部细微肌肤分析，生成面部细微肌肤特征数据；对用户眼部生理信号数据及面部细微肌肤特征数据进行用户面部画像构建，以构建数字面部模型；

5、步骤s4：对全身运动图像进行动态特征识别，以生成用户动态特征数据；根据用户动态特征数据对全身运动图像进行肌群形态结构分析，以生成肌群形态结构数据；对肌群形态结构数据进行肌肉健康状况分析，以生成肌肉健康状况数据；

6、步骤s5：对全身运动图像进行用户三维骨骼重建，以生成用户三维骨骼模型；对用户三维骨骼模型进行骨骼结构特征分析，以生成骨骼结构特征数据；对骨骼结构特征数据进行异常部位分析，以生成骨骼异常结构数据；

7、步骤s6：利用深度学习算法对肌肉健康状况数据及骨骼异常结构数据进行即时融合分析，以生成用户动态肌骨数据；对用户动态肌骨数据进行潜在风险趋势分析，以生成肌骨风险趋势数据；利用循环卷积算法对肌骨风险趋势数据及数字面部模型进行全息视觉建模，构建动态全息视觉模型，以执行健康状况数字化集成作业。

8、本发明通过获取用户面部图像和全身运动图像提供对用户外貌和动态姿势的全面观察，细节增强面部图像通过增强细节，提高面部图像的清晰度和可见性，面部结构分析提取面部特征信息，如脸部轮廓、眼睛位置等，微表情识别通过面部微小运动的分析，捕捉用户的情绪状态，用户视觉特征数据提供关于用户面部外貌的详细信息，如皮肤状况、面部特征等，瞳孔形态变化分析揭示用户的注意力水平和情绪状态，瞳孔形态特征数据和眼部生理信号数据提供关于用户视觉感知和注意力水平的定量信息，面部细微肌肤分析提供有关用户皮肤健康状况、皮肤纹理等方面的信息，用户面部画像的构建基于情绪数据、眼部生理信号数据和面部细微肌肤特征数据，综合描述用户的面部特征和情绪状态，数字面部模型作为用户面部特征的可视化表示，为后续健康状况分析提供基础，动态特征识别分析用户的姿势和运动模式，提供关于用户活动状态和姿势的信息，肌群形态结构分析揭示用户肌肉的分布、形状和关联关系，提供肌肉结构方面的信息，肌肉健康状况数据评估用户肌肉的健康程度，包括肌肉强度、灵活性等指标，用户三维骨骼重建提供用户骨骼姿态和骨骼结构的三维表示，骨骼结构特征分析提取骨骼的关键特征，如骨骼长度、角度等，骨骼异常结构数据识别骨骼结构的异常部位，如骨折、畸形等，提供骨骼健康方面的信息，即时融合分析结合肌肉健康状况数据和骨骼异常结构数据，综合评估用户的肌骨健康状况，提供全面的肌骨分析结果，潜在风险趋势分析预测用户肌骨健康的趋势，帮助早期发现健康问题并采取相应措施，动态全息视觉模型通过将肌骨风险趋势数据和数字面部模型结合，提供直观的可视化呈现，便于医生和用户理解和分析健康状况。

9、优选地，步骤s1包括以下步骤：

10、步骤s11：基于智能镜子内嵌摄像头获取用户面部图像及全身运动图像；

11、步骤s12：对用户面部图像进行细节增强，以生成细节增强面部图像；

12、步骤s13：对细节增强面部图像进行五官节点识别，生成五官节点位置数据；

13、步骤s14：根据五官节点位置数据对细节增强面部图像进行面部结构分析，以生成面部结构数据；

14、步骤s15：基于面部结构数据对细节增强面部图像进行微表情识别，生成用户微表情数据；

15、步骤s16：对用户微表情数据进行情绪波动分析，生成用户情绪数据。

16、本发明通过获取用户面部图像和全身运动图像，对用户外貌和动态姿势的全面观察，细节增强通过增强图像的细节和清晰度，提高面部图像的可见性，细节增强面部图像有助于后续步骤中的五官节点识别、面部结构分析和微表情识别等任务的准确性和可靠性，五官节点识别准确地定位面部图像中的眼睛、鼻子、嘴巴等五官部位，五官节点位置数据为后续的面部结构分析和微表情识别提供关键信息，面部结构分析提取面部特征信息，如脸部轮廓、眼睛位置、嘴巴形状等，面部结构数据提供对用户面部形态和特征的定量描述，为后续的微表情识别和情绪波动分析提供基础，微表情识别通过分析面部微小运动，捕捉用户在表情和情绪方面的细微变化，用户微表情数据提供对用户情绪状态的定量描述，情绪波动分析识别和分析用户情绪的变化趋势和波动模式，用户情绪数据提供了对用户情绪状态的综合评估，有助于了解用户的情绪偏好、情绪压力等信息。

17、优选地，步骤s2的具体步骤为：

18、步骤s21：对细节增强面部图像进行用户视觉特征分析，以生成用户视觉特征数据；

19、步骤s22：根据用户视觉特征数据对细节增强面部图像进行眼部轨迹光流追踪，以生成用户眼部轨迹数据；

20、步骤s23：对用户眼部轨迹数据进行注视焦点识别，以生成眼部注视焦点；

21、步骤s24：基于眼部注视焦点对细节增强面部图像进行瞳孔形态变化分析，以生成瞳孔形态特征数据；

22、步骤s25：对瞳孔形态特征数据进行光差灵敏性分析，以生成用户眼部生理信号数据。

23、本发明通过用户视觉特征分析提取面部图像中的各种视觉特征，如皮肤状况、面部对称性、面部比例等，眼部轨迹光流追踪捕捉用户眼睛在图像中的运动轨迹，包括注视点的变化和眼球运动的方向，用户眼部轨迹数据提供对用户注意力焦点和眼球运动模式的描述，注视焦点识别确定用户眼睛在面部图像中的注视点，即用户当前注意力所集中的位置，眼部注视焦点提供对用户兴趣点和关注区域的描述，瞳孔形态变化分析识别瞳孔的大小、形状和动态变化，反映用户在不同情境下的生理和心理状态，瞳孔形态特征数据提供对用户情绪、认知负荷和认知活动水平的定量描述，可用于情感识别、认知研究等领域，光差灵敏性分析通过分析瞳孔对光照变化的敏感性，推断用户的生理状态和生物节律，用户眼部生理信号数据提供对用户的生理变化、疲劳程度和情绪波动的定量描述，可用于健康监测、疲劳评估等应用。

24、优选地，步骤s24的具体步骤为：

25、步骤s241：基于眼部注视焦点对细节增强面部图像进行瞳孔缩放分析，以生成瞳孔缩放数据；

26、步骤s242：对瞳孔缩放数据进行曲线拟合，以生成瞳孔缩放曲线；

27、步骤s243：基于瞳孔缩放曲线对细节增强面部图像进行边缘轮廓演变分析，生成瞳孔边缘轮廓变化数据；

28、步骤s244：对瞳孔边缘轮廓变化数据进行非圆度结构计算，生成瞳孔轮廓非圆度参数；

29、步骤s245：通过瞳孔轮廓非圆度参数对瞳孔缩放曲线进行瞳孔动态变化特征分析，以生成瞳孔动态缩放规律；

30、步骤s246：根据瞳孔动态缩放规律对细节增强面部图像进行瞳孔形态变化分析，以生成瞳孔形态特征数据。

31、本发明通过瞳孔缩放分析测量瞳孔的直径变化，根据注视焦点的位置和距离调整瞳孔的大小，瞳孔缩放数据提供对用户视觉注意力的定量描述，曲线拟合将离散的瞳孔缩放数据转化为连续的缩放曲线，更好地反映瞳孔大小的变化趋势，瞳孔缩放曲线提供对瞳孔动态变化的定量描述，用于分析瞳孔的变化速度和幅度等特征，边缘轮廓演变分析捕捉瞳孔边缘的形态变化，包括轮廓的形状、曲率和边缘的锐利程度等信息，瞳孔边缘轮廓变化数据提供对瞳孔轮廓变化的定量描述，非圆度结构计算衡量瞳孔轮廓的不规则程度，反映瞳孔形态的变异程度，瞳孔轮廓非圆度参数提供对瞳孔形态的定量描述，用于瞳孔形态变化的分析和个体差异的研究，瞳孔动态变化特征分析将瞳孔轮廓的非圆度参数和缩放曲线的变化特征关联起来，揭示瞳孔形态和缩放的动态规律，瞳孔动态缩放规律提供对瞳孔形态和缩放变化的定量描述，瞳孔形态变化分析根据瞳孔动态缩放规律，进一步分析瞳孔形态的变化，如形状的变化、轮廓的变化等，瞳孔形态特征数据提供对用户瞳孔形态的定量描述。

32、优选地，步骤s25的具体步骤为：

33、步骤s251：对用户进行多频光照照射，以获取用户瞳孔光照反应数据；

34、步骤s252：对用户瞳孔光照反应数据进行多频光照反应速率分析，以生成多频光强响应特征曲线；

35、步骤s253：根据多频光强响应特征曲线对瞳孔形态特征数据进行瞳孔缩放饱和时间检测，以生成缩放饱和时间数据；

36、步骤s254：对瞳孔形态特征数据进行多频光惯应变分析，生成瞳孔多频形态质变数据；

37、步骤s255：利用缩放饱和时间数据对瞳孔多频形态质变数据进行瞳孔失光复苏特性分析，以生成瞳孔恢复性数据；

38、步骤s256：对瞳孔恢复性数据进行光差灵敏性分析，以生成瞳孔光敏性数据；

39、步骤s257：基于瞳孔光敏性数据对瞳孔形态特征数据进行眼部生理健康分析，以生成用户眼部生理信号数据。

40、本发明通过多频光照照射刺激用户的瞳孔光照反应，获取瞳孔对不同频率光的反应数据，瞳孔光照反应数据提供对用户视觉系统的功能状态的定量描述，多频光照反应速率分析可以分析瞳孔对于不同频率光照的反应速率，揭示瞳孔光照响应的频率特征，多频光强响应特征曲线提供对瞳孔光照响应频率特征的定量描述，帮助分析用户的视觉敏感度和视觉系统的健康状态，瞳孔缩放饱和时间检测通过多频光强响应特征曲线，分析瞳孔在光照变化下达到饱和状态所需的时间，缩放饱和时间数据提供瞳孔光照响应的时间特征，评估瞳孔对不同光照强度的调节能力和视觉系统的灵敏度，多频光惯应变分析可以分析瞳孔在不同频率光照刺激下的形态变化特征，反映瞳孔对光照的适应能力，瞳孔多频形态质变数据提供对瞳孔形态变化的定量描述，评估用户的视觉适应性和眼部健康状态，瞳孔失光复苏特性分析利用缩放饱和时间数据，分析瞳孔从饱和状态恢复到基准状态的时间和速率，瞳孔恢复性数据提供对瞳孔光照恢复过程的定量描述，评估用户的瞳孔复原能力和视觉系统的健康状况，光差灵敏性分析分析瞳孔对光强变化的敏感程度，反映瞳孔对光差的调节能力，瞳孔光敏性数据提供对瞳孔对光强变化的敏感性的定量描述，评估用户的视觉适应性和眼部健康状态，眼部生理健康分析利用瞳孔光敏性数据，综合评估用户的瞳孔形态特征和光敏性，以推断眼部生理状况，用户眼部生理信号数据提供对眼部健康和视觉系统功能状态的定量描述。

41、优选地，步骤s3的具体步骤为：

42、步骤s31：基于用户情绪数据对细节增强面部图像进行皮肤纹理识别，生成皮肤纹理数据；

43、步骤s32：对皮肤纹理数据进行肌肤质地分析，以生成面部肌肤质地数据；

44、步骤s33：对细节增强面部图像进行面部色素分布分析，生成色素均匀状况数据；

45、步骤s34：对面部肌肤质地数据及色素均匀状况数据进行肌肤特征分析，生成面部细微肌肤特征数据；

46、步骤s35：对用户眼部生理信号数据及面部细微肌肤特征数据进行用户面部画像构建，以构建数字面部模型。

47、本发明通过细节增强面部图像提供更清晰、更准确的面部图像，有助于后续的皮肤纹理识别，皮肤纹理数据通过分析面部图像中的纹理特征，获取用户的皮肤纹理信息，用于皮肤分析和健康状况评估，肌肤质地分析通过对皮肤纹理数据的特征提取和分析，评估用户面部肌肤的质地特征，如光滑度、粗糙度等，面部肌肤质地数据提供对用户肌肤质地特征的定量描述，判断肌肤健康状况、皮肤老化程度等，面部色素分布分析从细节增强的面部图像中提取面部的色素分布特征，评估色素在面部的均匀性和分布情况，色素均匀状况数据提供对面部色素分布均匀性的定量描述，判断色素沉着、色斑等肌肤问题，面部肌肤特征分析综合考虑肌肤质地和色素均匀状况等多个方面的特征，对用户的面部肌肤做出细致的评估，面部细微肌肤特征数据提供对面部肌肤状况的全面描述，包括肤质、色素分布、肤色均匀性等，评估肌肤健康和美容需求，用户面部画像的构建将眼部生理信号数据与面部细微肌肤特征数据相结合，生成用户个性化的面部特征描述，数字面部模型提供对用户面部特征的可视化表示，用于健康状况分析、美容咨询、虚拟化妆等应用领域。

48、优选地，步骤s4的具体步骤为：

49、步骤s41：对全身运动图像进行动态特征识别，以生成用户动态特征数据；

50、步骤s42：根据用户动态特征数据对全身运动图像进行肌肉组织细粒度图像分割，以生成肌肉组织图像；

51、步骤s43：对肌肉组织图像进行肌肉质量量化，以生成肌肉质量数据；

52、步骤s44：对肌肉质量数据进行肌群分布分析，以生成肌群分布数据；

53、步骤s45：通过肌群分布数据对肌肉组织图像进行肌群形态结构分析，以生成肌群形态结构数据；

54、步骤s46：对肌群形态结构数据进行肌肉健康状况分析，以生成肌肉健康状况数据。

55、本发明通过动态特征识别从全身运动图像中提取用户的动作特征，如动作幅度、速度、频率等，用户动态特征数据对用户运动行为的定量描述，评估用户的运动能力、姿势正确性等，肌肉组织细粒度图像分割通过用户动态特征数据的指导，将全身运动图像中的肌肉组织与其他组织进行分离，肌肉组织图像提供对用户肌肉组织的可视化表示，为后续肌肉质量分析和肌群分析提供基础，肌肉质量量化通过分析肌肉组织图像中的肌肉密度、肌肉面积等指标，评估用户的肌肉质量，肌肉质量数据提供对用户肌肉质量的定量描述，判断肌肉发育程度、肌肉健康状况等，肌群分布分析通过对肌肉质量数据的统计和分析，评估不同肌群在用户身体中的分布情况，肌群分布数据提供不同肌群的相对比例和分布情况，了解用户身体的肌群发展情况和肌肉平衡性，肌群形态结构分析结合肌群分布数据，从肌肉组织图像中提取肌群的形态结构特征，如形状、连接方式等，肌群形态结构数据提供对肌群形态的定量描述，评估肌群之间的协调性、肌肉结构变化等，肌肉健康状况分析综合考虑肌肉质量、肌群分布和形态结构等多个方面的特征，对用户的肌肉健康状况做出细致评估，肌肉健康状况数据提供对肌肉状态和健康问题的定量描述，可用于评估肌肉发育水平、肌肉不平衡、运动损伤等。

56、优选地，步骤s5的具体步骤为：

57、步骤s51：利用计算机视觉技术对全身运动图像进行关节点点云识别，以生成关节点点云数据；

58、步骤s52：对关节点点云数据进行用户三维骨骼重建，以生成用户三维骨骼模型；

59、步骤s53：对用户三维骨骼模型进行骨骼结构对称评估处理，生成骨骼对称性数据；

60、步骤s54：对骨骼对称性数据进行骨骼结构特征分析，以生成骨骼结构特征数据；

61、步骤s55：对骨骼结构特征数据进行异常部位分析，以生成骨骼异常结构数据。

62、本发明通过关节点点云识别从全身运动图像中提取出关键关节的三维坐标信息，形成关节点点云数据，关节点点云数据提供对用户姿势和关节运动的准确描述，用于分析用户的姿态、动作流畅性等，通过三维骨骼重建，根据关节点点云数据还原出用户的三维骨骼结构，生成的用户三维骨骼模型为后续的骨骼结构分析提供基础，评估用户骨骼的姿态、比例等，骨骼结构对称评估处理分析用户的骨骼结构是否存在对称性差异，如左右肢体长度、角度等，生成的骨骼对称性数据提供对用户骨骼结构对称性的定量描述，评估是否存在骨骼结构的不对称性，骨骼结构特征分析基于骨骼对称性数据进一步提取用户骨骼结构的特征，如骨骼长度、角度等，生成的骨骼结构特征数据提供对用户骨骼结构的更加详细的定量描述，用于评估骨骼结构的形态特征和变化，异常部位分析通过比较骨骼结构特征数据与正常参考范围，检测和识别用户骨骼结构的异常部位，骨骼异常结构数据提供对用户骨骼结构异常部位的定位和描述，有助于发现和诊断骨骼结构的异常情况。

63、优选地，步骤s6的具体步骤为：

64、步骤s61：利用深度学习算法对肌肉健康状况数据及骨骼异常结构数据进行即时融合分析，以生成用户动态肌骨数据；

65、步骤s62：对用户动态肌骨数据进行隐含关联分析，以生成动态肌骨关联数据；

66、步骤s63：根据动态肌骨关联数据对用户动态肌骨数据进行潜在风险分析，以得到肌骨潜在风险数据；

67、步骤s64：对肌骨潜在风险数据进行风险趋势预测，以生成肌骨风险趋势数据；

68、步骤s65：利用循环卷积算法对肌骨风险趋势数据及数字面部模型进行全息视觉建模，构建动态全息视觉模型，以执行健康状况数字化集成作业。

69、本发明通过深度学习算法能够将肌肉健康状况数据和骨骼异常结构数据进行融合分析，从而得到用户的动态肌骨数据，生成的动态肌骨数据综合考虑肌肉健康和骨骼异常，提供更全面的用户肌骨状态信息，隐含关联分析探索用户动态肌骨数据之间的潜在关联关系，揭示肌肉和骨骼之间的相互作用，生成的动态肌骨关联数据提供对用户肌骨系统整体运行情况的描述，有助于了解肌肉和骨骼的协调性、平衡性等，潜在风险分析能够基于动态肌骨关联数据评估用户肌骨系统存在的潜在风险和问题，生成的动态肌骨潜在风险数据提供对用户肌骨健康状况的风险评估，有助于及早发现和预防潜在问题，风险趋势预测根据肌骨潜在风险数据分析用户肌骨健康的发展趋势，并预测未来出现的风险情况，生成的肌骨风险趋势数据提供了对用户肌骨健康状况的长期预测和趋势分析，有助于制定个性化的预防和康复计划，循环卷积算法对肌骨风险趋势数据和数字面部模型进行全息视觉建模，实现对用户健康状况的数字化集成，构建的动态全息视觉模型提供对用户肌骨健康状况的可视化呈现。

70、在本说明书中，提供一种应用于智能镜子的健康状况数字化集成系统，包括：

71、面部结构分析模块，基于智能镜子内嵌摄像头获取用户面部图像及全身运动图像；对用户面部图像进行细节增强，以生成细节增强面部图像；对细节增强面部图像进行面部结构分析，以生成面部结构数据；基于面部结构数据对细节增强面部图像进行微表情识别，生成用户情绪数据；

72、瞳孔形态特征模块，对细节增强面部图像进行用户视觉特征分析，以生成用户视觉特征数据；根据用户视觉特征数据对细节增强面部图像进行瞳孔形态变化分析，以生成瞳孔形态特征数据；对瞳孔形态特征数据进行光差灵敏性分析，以生成用户眼部生理信号数据；

73、肌肤特征模块，基于用户情绪数据对细节增强面部图像进行面部细微肌肤分析，生成面部细微肌肤特征数据；对用户眼部生理信号数据及面部细微肌肤特征数据进行用户面部画像构建，以构建数字面部模型；

74、肌群形态结构模块，对全身运动图像进行动态特征识别，以生成用户动态特征数据；根据用户动态特征数据对全身运动图像进行肌群形态结构分析，以生成肌群形态结构数据；对肌群形态结构数据进行肌肉健康状况分析，以生成肌肉健康状况数据；

75、三维骨骼模型模块，对全身运动图像进行用户三维骨骼重建，以生成用户三维骨骼模型；对用户三维骨骼模型进行骨骼结构特征分析，以生成骨骼结构特征数据；对骨骼结构特征数据进行异常部位分析，以生成骨骼异常结构数据；

76、全息视觉模型模块，利用深度学习算法对肌肉健康状况数据及骨骼异常结构数据进行即时融合分析，以生成用户动态肌骨数据；对用户动态肌骨数据进行潜在风险趋势分析，以生成肌骨风险趋势数据；利用循环卷积算法对肌骨风险趋势数据及数字面部模型进行全息视觉建模，构建动态全息视觉模型，以执行健康状况数字化集成作业。

77、本发明通过面部结构分析模块进行细节增强面部图像和微表情识别，生成用户面部结构数据和情绪数据，帮助评估用户的面部肌肉活动、表情和情绪状态，通过瞳孔形态特征模块分析细节增强面部图像和瞳孔形态变化，生成用户视觉特征数据和瞳孔形态特征数据，用于评估用户的视觉注意力、瞳孔反应和眼部健康状况，肌肤特征模块通过面部细微肌肤分析，生成面部细微肌肤特征数据，揭示用户的肌肤状态，如皮肤质地、色斑、纹理等，以评估皮肤健康和整体健康状况，肌群形态结构模块通过全身运动图像和动态特征识别，生成用户动态特征数据和肌群形态结构数据，评估用户的姿势、动作和肌肉使用情况，帮助了解肌肉健康状况和运动表现，三维骨骼模型模块通过用户三维骨骼重建和骨骼结构特征分析，生成骨骼结构特征数据和骨骼异常结构数据，评估用户的骨骼健康状况、姿势对骨骼的影响以及存在的骨骼异常，全息视觉模型模块通过深度学习算法将肌肉健康状况数据和骨骼异常结构数据进行融合分析，生成用户动态肌骨数据和肌骨风险趋势数据，综合分析提供更全面的肌骨健康评估和风险预测，帮助及早发现潜在的健康问题。