【技术实现步骤摘要】
本专利技术涉及光谱学和计算机视觉，特别涉及一种基于图谱融合的不同失眠程度舌象分类模型建立方法及系统。
技术介绍
1、睡眠是人类日常生活中不可或缺的一个环节。失眠症患者占总人数的比例高、增长快、失眠问题日趋严重，失眠就医人员也将相应的增多。
2、根据中医理论，舌象特征的变化与睡眠质量有关。传统中医临床诊断主要通过医师的肉眼观察，对舌象信息进行评价和判定。由于缺乏统一的判定标准，这种方法的结果具有很强的主观性，往往依赖于医生的主观判断，与医生经验有很大关系。要想从中医的角度更好的对症状进行判别，需要从信息化的角度去解决。
3、随着计算机科学与图像处理等技术的不断发展，借助于数字图像进行中医舌诊的客观化研究也在较多开展。例如公开号为cn 115083585 a的中国专利技术申请：一种中医舌诊仪及其诊断系统中，试图通过舌诊仪本体获取舌头的高清图片，并自动上传至云端的人工智能模块，人工智能模块通过图像识别技术，按照中医舌诊逻辑，得出初步诊断结果，但该方案无论是从舌象图像的采集还是到图像的识别分析等环节都会遗失维数和光谱信息，无法深入挖掘中医舌象在光谱范围内的特征变化，所形成的分析结果参考价值并不高。再如公开号为cn 111259954a的中国专利技术申请：一种基于d-resnet的高光谱中医舌苔舌质分类方法中，试图通过改进深度学习的网络结构来更好地提取高光谱舌象图像中的光谱信息与空间信息。但是，这种方案中高光谱舌象图像数据存储占用空间大、采集成本大或计算成本与开销大的困难。
技术实现思路
1、为克服现有技术中舌象信息和睡眠质量的判定人工主观性高，个人能力依赖性强，同时机械检测过程中存在的遗失维数和光谱信息、数据存储占用空间大、采集成本大的缺点，本专利技术提出一种基于图谱融合的不同失眠程度舌象分类模型建立方法及系统。
2、一种基于图谱融合的失眠舌象分类模型建立方法，包括以下步骤：
3、s01,获取患者的舌象信息；获取对应舌象信息的失眠程度的分类标签；
4、s02，将所述舌象信息分割成舌尖、舌左、舌右、舌中、舌根五个子区域，并对每个子区域的数据进行预处理，获得预处理后的子区域数据；
5、s03，将每个子区域数据分别进行光谱特征和图像特征的提取，并将提取后的光谱特征和图像特征进行图谱融合，获得融合特征；
6、s04，以融合特征作为分类模型的输入，以失眠程度的分类标签作为分类模型的输出，对分类模型进行训练，获得基于图谱融合的失眠舌象分类模型。
7、进一步地，还包括s05，获取不同失眠程度的舌象数据，输入至基于图谱融合的失眠舌象分类模型中，预测对应舌象数据的失眠程度。
8、进一步地，在s01中，通过高光谱仪采集患者的舌象信息；所述失眠程度的分类标签通过录入的匹兹堡睡眠质量指数量表，失眠严重程度指数量表计算，并分为不失眠、轻度失眠、中度失眠、重度失眠四种类型。
9、进一步地，所述高光谱仪为ispechyper-pico50快照式高光谱仪，波长范围为380nm～980nm。
10、进一步地，在s02中，所述预处理包括归一化、卷积平滑、变量标准化处理中的至少一种。
11、进一步地，在s03中，采用跨膜态注意力机制将所提取的光谱特征和图像特征进行特征融合，首先根据图像特征的特征矩阵x1和光谱特征的特征矩阵x2计算查询矩阵q1、键矩阵k2和值矩阵v2：
12、q1＝x1wq
13、k2＝x2wk
14、v2＝x2wv
15、其中，wq、wk和wv是可训练的权重矩阵，用于将输入特征投影到查询、键和值的空间；
16、然后计算跨模态注意力权重：
17、
18、其中，dk是键向量的维度，用于缩放点积以稳定梯度；
19、最后，输出融合特征表示：
20、output＝attention(q1,k2,v2)
21、融合后的特征表示将作为失眠舌象分类模型的输入，进行分类模型的训练。
22、进一步地，在s05中，分别将每个子区域中的融合特征输入至失眠舌象分类模型中，并根据多个舌象信息比较每个子区域的分类输出结果。
23、一种基于图谱融合的失眠舌象分类系统，用于实施上述的失眠舌象分类模型建立方法，包括以下模块：
24、舌象采集模块，通过特制高光谱仪进行失眠舌象的采集；舌象采集模块包括特制高光谱仪、外置光源、计算机；
25、预处理模块，将采集的原始舌象数据进行分割，分割出舌象的五个区域，并对五个区域的数据进行预处理，高光谱数据是3维数据，包括图像数据和光谱数据，提取每个区域的图像数据和光谱数据；
26、特征提取模块，把分割后每个区域的图像数据和光谱数据分别进行特征提取，对各个区域的图像特征与光谱特征进行融合；
27、舌象分类模型，用于将处理好的五个区域的舌象数据进行标注，随后把标注好的数据输入分类模型进行训练，训练完成后保存不同失眠程度舌象分类模型；
28、输出模块，再使用测试集对模型进行预测，输出分类结果。
29、本专利技术的有益效果是：本专利技术提出一种基于图谱融合的失眠舌象分类模型建立方法及系统，通过获取失眠患者舌象信息，把舌象的光谱信息和图像信息分别进行特征提取，对提取后的图像特征和光谱特征进行图谱特征融合，把融合后的特征进行分类，实现不同失眠程度舌象的分类，达到较准确的效果，辅助医生进行结果诊断。
30、本专利技术的流程中自动化程度高，减少了人工干预和主观判断，提高了诊断的客观性和准确性。同时结合了高光谱技术和深度学习网络，充分利用了舌象图像的丰富信息，提高了分类的精度和稳定性。
本文档来自技高网...【技术保护点】
1.一种基于图谱融合的失眠舌象分类模型建立方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图谱融合的失眠舌象分类模型建立方法，其特征在于，还包括S05，获取不同失眠程度的舌象数据，输入至基于图谱融合的失眠舌象分类模型中，预测对应舌象数据的失眠程度。
3.根据权利要求1所述的基于图谱融合的失眠舌象分类模型建立方法，其特征在于，在S01中，通过高光谱仪采集患者的舌象信息；所述失眠程度的分类标签通过录入的匹兹堡睡眠质量指数量表，失眠严重程度指数量表计算，并分为不失眠、轻度失眠、中度失眠、重度失眠四种类型。
4.根据权利要求3所述的基于图谱融合的失眠舌象分类模型建立方法，其特征在于，所述高光谱仪为iSpecHyper-Pico50快照式高光谱仪，波长范围为380nm～980nm。
5.根据权利要求1所述的基于图谱融合的失眠舌象分类模型建立方法，其特征在于，在S02中，所述预处理包括归一化、卷积平滑、变量标准化处理中的至少一种。
6.根据权利要求1所述的基于图谱融合的失眠舌象分类模型建立方法，其特征在于，在S03中，
7.根据权利要求2所述的基于图谱融合的失眠舌象分类模型建立方法，其特征在于，在S05中，分别将每个子区域中的融合特征输入至失眠舌象分类模型中，并根据多个舌象信息比较每个子区域的分类输出结果。
8.一种基于图谱融合的失眠舌象分类系统，用于实施权利要求1—7任意一项所述的失眠舌象分类模型建立方法，其特征在于，包括以下模块：
...【技术特征摘要】
1.一种基于图谱融合的失眠舌象分类模型建立方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图谱融合的失眠舌象分类模型建立方法，其特征在于，还包括s05，获取不同失眠程度的舌象数据，输入至基于图谱融合的失眠舌象分类模型中，预测对应舌象数据的失眠程度。
3.根据权利要求1所述的基于图谱融合的失眠舌象分类模型建立方法，其特征在于，在s01中，通过高光谱仪采集患者的舌象信息；所述失眠程度的分类标签通过录入的匹兹堡睡眠质量指数量表，失眠严重程度指数量表计算，并分为不失眠、轻度失眠、中度失眠、重度失眠四种类型。
4.根据权利要求3所述的基于图谱融合的失眠舌象分类模型建立方法，其特征在于，所述高光谱仪为ispechyper-pico50快照式高光谱仪，波长范围为380nm～980nm。
5.根...
【专利技术属性】
技术研发人员：王建旭，杨玟，黄立，汤斌，肖子涵，何忠，谭银雨，王远强，陈乐，赵明富，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。