基于深度学习的人体背部穴位识别实现方法、设备及介质技术

本发明专利技术涉及基于深度学习的人体背部穴位识别实现方法、设备及介质，该方法包括以下步骤：获取带有穴位标识的人体背部图像数据；获取标注的人体背部图像的背部穴位的坐标值，得到背部图像数据集；通过背部图像数据集对基于深度学习算法的背部穴位识别模型进行训练，得到训练好的背部穴位识别模型；将处理后的待识别图片输入训练好的背部穴位识别模型，得到预测的二维坐标值。本发明专利技术对输入图像先进行预处理，选取出识别特征，通过对采集原图像进行预处理，将处理后的数据投入训练，能够实现穴位识别的普适性，减少数据集制作的工作量；采用了非接触式穴位识别定位，减少对专业医师的依赖，提高了穴位识别的效率。提高了穴位识别的效率。提高了穴位识别的效率。

【技术实现步骤摘要】
基于深度学习的人体背部穴位识别实现方法、设备及介质


[0001]本专利技术涉及数据处理
，特别涉及基于深度学习的人体背部穴位识别实现方法、设备及介质。

技术介绍

[0002]在中医学中，经络穴位在针灸、艾灸等中医理疗中具有重要的作用。对于中医治疗法，首先是人工费用高昂，相应有经验的相关从业者也越来越少。随着智能化医疗的发展，穴位识别的自动化和智能化成为必然的发展趋势。目前，智能化医疗系统进行穴位识别时，需要中医医生识别出基本穴位，并将基本穴位的坐标输入模型中，然后根据穴位之间的相对位置关系识别其他的穴位，其很大程度上依赖于经验丰富的医生。而不专业的医者可能无法迅速找到对应的位置对患者进行治疗，降低了穴位按摩的效果。而且，现有的穴位识别方法能够识别的穴位数量有限，且大部分可识别的穴位是普通人可识别的穴位。

技术实现思路

[0003]为了实现本专利技术的上述目的和其他优点，本专利技术的第一目的是提供基于深度学习的人体背部穴位识别实现方法，包括以下步骤：
[0004]获取带有穴位标识的人体背部图像数据；
[0005]获取标注的人体背部图像的背部穴位的坐标值，得到背部图像数据集；
[0006]通过背部图像数据集对基于深度学习算法的背部穴位识别模型进行训练，得到训练好的背部穴位识别模型；
[0007]将处理后的待识别图片输入训练好的背部穴位识别模型，得到预测的二维坐标值。
[0008]进一步地，还包括背部穴位空间三维坐标获取步骤：
[0009]将彩色图像空间转换至深度图像坐标空间，通过训练好的背部穴位识别模型预测出的穴位关键点二维坐标值找到深度图像中对应的深度信息，得到有效的空间三维坐标。
[0010]进一步地，所述背部穴位空间三维坐标获取步骤还包括采用连续多帧图像采集有效深度信息值，剔除零值，取中值。
[0011]进一步地，所述背部穴位空间三维坐标获取步骤还包括采用训练好的背部穴位识别模型检测穴位关键点的邻域范围之内，搜索有效值坐标信息，选取预设范围内距离预测目标关键点最近的有效三维坐标值。
[0012]进一步地，还包括人体背部图像预处理步骤：
[0013]利用人体姿态识别算法和人像分割算法合成人体的特征图像。
[0014]进一步地，所述利用人体姿态识别算法和人像分割算法合成人体的特征图像包括以下步骤：
[0015]通过语义分割方法对人体背部图像进行操作处理，得到带有人体轮廓信息的掩膜图像；
[0016]对人体背部图像进行骨架提取，并在分割的掩膜图像上绘制骨架关键点和骨架连接，得到处理后的特征提取图像。
[0017]进一步地，所述人体背部图像预处理步骤还包括：对图像进行归一化处理、随机旋转以及缩放处理。
[0018]进一步地，所述通过背部图像数据集对基于深度学习算法的背部穴位识别模型进行训练包括以下步骤：
[0019]将处理后的背部图像数据集输入背部穴位识别模型进行训练，得到背部穴位的坐标预测值：
[0020]通过背部穴位的坐标预测值和穴位坐标值计算背部穴位识别模型的损失函数值；
[0021]根据损失函数值对背部穴位识别模型进行更新,得到改进的背部穴位识别模型。
[0022]进一步地，所述通过背部穴位的坐标预测值和穴位坐标值计算背部穴位识别模型的损失函数值具体为利用均方差误差函数计算背部穴位识别模型的坐标预测值和穴位坐标值之间误差的平方。
[0023]进一步地，所述根据损失函数值对背部穴位识别模型进行更新包括以下步骤：
[0024]根据损失函数值判断背部穴位识别模型是否满足收敛条件；
[0025]当背部穴位识别模型不满足收敛条件时，对背部穴位识别模型的权重和偏置值进行优化计算，得到优化的背部穴位识别模型；
[0026]根据优化的背部穴位识别模型的损失函数值判断优化的背部穴位识别模型是否满足收敛条件；
[0027]当优化的背部穴位识别模型不满足收敛条件时，重复对背部穴位识别模型的权重和偏置值进行优化计算步骤，直到满足收敛条件，并将满足收敛条件的优化的背部穴位识别模型确定为改进的背部穴位识别模型。
[0028]进一步地，所述基于深度学习算法的背部穴位识别模型为基于Swin
‑
Transformer的模型。
[0029]进一步地，所述获取带有穴位标识的人体背部图像数据具体为对运动视频逐帧截取图像，获得带有穴位标识的人体背部图像数据，所述运动视频为标记有背部穴位标识点的不同志愿者不同位姿的运动视频。
[0030]进一步地，所述背部穴位包括大椎穴、肩井穴、风门穴、肺俞穴、天宗穴、隔俞穴、胃俞穴、肾俞穴、大肠俞穴。
[0031]本专利技术的第二目的是提供一种电子设备，包括：存储器，其上存储有程序代码；处理器，其与所述存储器连接，并且当所述程序代码被所述处理器执行时，实现基于深度学习的人体背部穴位识别实现方法。
[0032]本专利技术的第三目的是提供一种计算机可读存储介质，其上存储有程序指令，所述程序指令被执行时实现基于深度学习的人体背部穴位识别实现方法。
[0033]与现有技术相比，本专利技术的有益效果是：
[0034]本专利技术提供基于深度学习的人体背部穴位识别实现方法，对输入图像先进行预处理，选取出识别特征，通过对采集原图像进行预处理，将处理后的数据投入训练，能够实现穴位识别的普适性，减少数据集制作的工作量；采用了非接触式穴位识别定位，减少对专业医师的依赖，提高了穴位识别的效率；将深度神经网络应用于穴位识别，用基于深度学习的
方法训练了可靠的深度学习网络模型。本专利技术采用的识别方式为2D关键点识别，为保证在3D场景下的准确性，也可以关注3D穴位的识别，提高了在三维空间穴位识别的准确性。
[0035]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。本专利技术的具体实施方式由以下实施例及其附图详细给出。
附图说明
[0036]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0037]图1为实施例1的基于深度学习的人体背部穴位识别实现方法流程图；
[0038]图2为实施例1的带有穴位标识的人体背部图像示意图；
[0039]图3为实施例1的处理后的特征提取图像示意图；
[0040]图4为实施例1的Swin
‑
Transformer结构示意图；
[0041]图5为实施例1的处理后的图像背部穴位点预测结果示意图；
[0042]图6为实施例2的电子设备示意图；
[0043]图7为实施例3的存储介质示意图。
具体实施方式
[0044]下面，结合附图以及具体实施方式，对本专利技术做进一步描述，需要说明的是，在不相冲突本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的人体背部穴位识别实现方法，其特征在于，包括以下步骤：获取带有穴位标识的人体背部图像数据；获取标注的人体背部图像的背部穴位的坐标值，得到背部图像数据集；通过背部图像数据集对基于深度学习算法的背部穴位识别模型进行训练，得到训练好的背部穴位识别模型；将处理后的待识别图片输入训练好的背部穴位识别模型，得到预测的二维坐标值。2.如权利要求1所述的基于深度学习的人体背部穴位识别实现方法，其特征在于，还包括背部穴位空间三维坐标获取步骤：将彩色图像空间转换至深度图像坐标空间，通过训练好的背部穴位识别模型预测出的穴位关键点二维坐标值找到深度图像中对应的深度信息，得到有效的空间三维坐标。3.如权利要求2所述的基于深度学习的人体背部穴位识别实现方法，其特征在于：所述背部穴位空间三维坐标获取步骤还包括采用连续多帧图像采集有效深度信息值，剔除零值，取中值。4.如权利要求2所述的基于深度学习的人体背部穴位识别实现方法，其特征在于：所述背部穴位空间三维坐标获取步骤还包括采用训练好的背部穴位识别模型检测穴位关键点的邻域范围之内，搜索有效值坐标信息，选取预设范围内距离预测目标关键点最近的有效三维坐标值。5.如权利要求1所述的基于深度学习的人体背部穴位识别实现方法，其特征在于，还包括人体背部图像预处理步骤：利用人体姿态识别算法和人像分割算法合成人体的特征图像。6.如权利要求5所述的基于深度学习的人体背部穴位识别实现方法，其特征在于，所述利用人体姿态识别算法和人像分割算法合成人体的特征图像包括以下步骤：通过语义分割方法对人体背部图像进行操作处理，得到带有人体轮廓信息的掩膜图像；对人体背部图像进行骨架提取，并在分割的掩膜图像上绘制骨架关键点和骨架连接，得到处理后的特征提取图像。7.如权利要求5所述的基于深度学习的人体背部穴位识别实现方法，其特征在于，所述人体背部图像预处理步骤还包括：对图像进行归一化处理、随机旋转以及缩放处理。8.如权利要求6或7所述的基于深度学习的人体背部穴位识别实现方法，其特征在于：所述通过背部图像数据集对基于深度学习算法的背部穴位识别模型进行训练包括以下步骤：将处理后的背部图像数据集输入背部穴位识别模型进行训练，得到背部穴位的坐标...

【专利技术属性】
技术研发人员：吴煜雯，王之森，储雨奕，张举中，彭任远，杨洪波，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
类型：发明
国别省市：