具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

如图1所示，一种基于中医面舌象动态变化的健康状态辨识系统，包括面舌象采集模块、信息录入模块以及服务器（所述服务器可采用云端服务器），所述服务器包括用户管理单元、病历管理单元以及数据处理单元；

所述面舌象采集模块用于采集用户的面舌像数据，并上传到所述病历管理单元；其中，面象采集时需要满足以下要求：（1）露出完整面部，面部正面完整位于采集面罩内；（2）最好不要化妆，以免影响面色信息及唇色信息的采集。舌象采集时需要满足以下要求：（1）露出完整口腔，舌头正面完全伸出；（2）最好不要吃可以影响舌头颜色的食物。完成采集后在所述信息录入模块上点击提交按钮将面舌象数据上传到服务器的病历管理单元。

同时，所述面舌象采集模块还包括麦克风传感器，通过数字硅晶麦克风传感器进行声音信息的采集，并在所述数据测量模块进行分析，判断是否存在病变声音。病变声音是疾病反映于声音和语言上的变化。听病变的声音，主要是辨别用户的语声、鼻鼾、咳嗽、喷嚏、呵欠、太息等异常声音。语言的辨别，则主要分析用户语言的表达与应答能力有无异常以及吐字是否清晰等。病变声音包括辨语声、语言、呼吸、咳嗽、呕吐、呃逆、嗳气、叹息、鼻鼾、喷嚏、肠鸣与振水声等内容。音频数据处理过程中将wav格式的音频文件导入Praat语音分析软件，提取用户发声时声腔的共鸣频率，即第一共振峰（First Formant，F1）、第二共振峰（Second Formant，F2）、第三共振峰（Third Formant，F3）、第四共振峰（Fourth Formant，F4），共计四个反映语音特征的指标。语音信号的预处理可以针对一段声音波形，精确选择起始端点与结束端点，从而准确地截取语音信号的有效部分，良好的预处理不仅能够去除不必要的噪音，同时能保证截取语音信息的一致性。

所述信息录入模块用于录入所述用户的症状调查信息以及所述用户的个人信息，并将所述症状调查信息上传到所述病历管理单元，所述个人信息上传到所述用户管理单元；其中，所述症状调查信息以50-60道选择题的形式给出可能出现的症状，用户根据严重程度进行如实填写，这些问题根据常见慢病中医诊疗指南和姚乃礼老师主编的第二版《中医症状鉴别诊断学》进行制定，覆盖全身症状、头项症状、胸腹症状、四肢症状、二便情况等方面。

所述用户管理单元用于增删、修改以及管理所述用户的账号信息，所述账号信息包括所述个人信息；用户需要以有效的电话号码进行注册，并设置对应的密码，登录时以注册时登记的电话号码及密码进行登录。所述个人信息包括个人基本信息和个人生活习惯信息两大类。个人基本信息包括姓名、年龄、性别、联系电话、常驻地址、职业、学历、有无过敏史等内容。个人生活习惯信息包括疾病状态、特殊期类型、饮食睡眠习惯、运动习惯、情绪状态、家庭氛围、等内容、加班出差情况、身高、体重等内容。且所述个人信息可在登录后根据实际情况选择修改。

所述病历管理单元用于存储管理所述用户的病历信息，所述病历信息包括多个时间周期采集的所述面舌像数据以及所述症状调查信息；

所述数据处理单元用于对所述病历信息进行综合分析，并输出所述用户的健康状态。如图2所示，所述数据处理单元通过深度学习技术构建症候辨识的神经网络模型，即通过数据驱动的方式训练并得到以“分类后面舌象+中医其它四诊信息”为输入向量、“症候分类”为输出标签的症候辨识模型（例如对于慢性阻塞性肺疾病（Chronic ObstructivePulmoriary Disease，COPD）的中医证型分为风寒袭肺证、外寒内饮证、痰热壅肺证、痰浊阻肺证、痰蒙神窍证、肺气虚证、肺脾气虚证、肺肾气虚证、肺肾气阴两虚证、兼证-血瘀证这10种类型，通过神经网络算法进行不同中医证型的识别分类）。并采用灰色关联分析法完成面舌象与慢性病症状的关联性分析，通过横向和纵向双向比较对个性化数据和共通性数据进行不同分析。在个人横向数据中，当面舌象出现频率高于第一预设值（例如70%）时，恒定不变的面色、舌色、苔色以及其他症状信息，则认为是常色或者常态的表现，当面舌象出现频率低于第二预设值（例如30%）时，则认为是客色或者异态的表现，需要根据疾病中医指南给与健康警告。而对于不同人群的纵向数据的处理采用灰色关联分析法进行完成面舌象与慢性病中医证型的关联性分析。本系统辨识工作流程如图3所示。

如图4所示，所述数据处理单元执行以下流程：

S01：获取待辨识用户的病历信息；

S02：通过神经网络对所述病历信息进行预处理，获取分析数据；

S021：对所述病历信息预处理后，归一化生成症状数据表；面舌象数据的预处理包括基于传统形态学的处理、基于水平翻转平移等图像增强处理，增强样本容量；症状调查信息的预处理包括原始样本进行归类、筛选、标记、清洗、补全、离散化，去除内容不完整、有误的数据。输入向量的归一化处理主要针对中医四诊信息进行标准化，拟参照中华人民共和国国家标准《中医基础理论术语》并结合姚乃礼老师主编的第二版《中医症状鉴别诊断学》对原始样本中的舌象症状进行规范。输出标签的归一化处理主要针对舌象证候分类进行规范化，拟参照行业标准《ZY/T001.1.94中医病证诊断与疗效标准》。所述症状数据表包括所述面舌像数据中所述用户的面色、唇色、光泽、舌色、舌质、苔色和/或苔质，以及所述症状调查信息中所述用户的全身症状、头项症状、耳鼻喉科症状、胸腹症状、四肢症状和/或二便性状的症状信息。

S022：将所述症状数据表导入到神经网络模型中进行处理，并生成分析数据（所述神经网络模型采用历史标注样本训练得到，所述历史标注样本随机分组为80%训练集与20%测试集）；如图5所示，为本发明进行舌体图片分割示意图，在卷积神经网络和ReLU函数之间进行批归一化（Batch Normalization），使得训练深层网络模型更加容易和稳定。如果实际应用的样本与训练样本分布不同，即发生了协方差偏移，则一般是要对模型重新进行训练的。在神经网络，尤其是深度神经网络中，协方差偏移会导致模型预测效果变差，重新的训练模型各隐藏层的和均产生偏移和变化。而批归一化（Batch Normalization）减少了各层权重之间的耦合性，对个隐藏层输出进行均值和方差的归一化处理，让各层更加独立，实现自我训练学习的效果，让模型变得更加健壮，鲁棒性更强。

其中，所述神经网络模型包括输入层、隐含层和输出层；

所述输入层的神经元的个数与变量的个数相同；

所述隐含层采用双曲正切传递函数，所述隐含层的输出的计算公式为：

，

其中，为激励函数，为所述输入层到所述隐含层的权重，为所述输入层到所述隐含层的偏置，为输入层神经元的序号，为隐含层神经元的序号，为隐含层单元数；

所述输出层采用线性传递函数，所述输出层的输出的计算式为：

，

其中，为所述隐含层到所述输出层的权重，为所述隐含层到所述输出层的偏置，为输出层神经元的序号，为输出层的结点个数；

所述权重以及所述偏置的初始化及更新公式为：

，

其中，为期望输出结果，为学习速率。

S03：采用灰色关联分析法将所述分析数据（本发明选用10项数据进行分析）与某慢性病中医证型进行关联性分析，输出所述用户与各个中医证型的关联度；其中，灰色关联分析法是根据系统内部各因素之间的相似或相异程度来衡量因素之间的关联程度，是一种量化比较分析。进行灰色关联分析首先要指定参考序列。基于灰色关联分析的面舌象动态变化规律分析算法包括如下几个步骤：

S031：将所述分析数据转换为比较序列，并将某慢性病中医证型录入到参考序列（例如慢性阻塞性肺疾病中医证型的10种分类）中，，，为比较序列中的不同症状的序号，为采集的时间序号；具体关联分析内容如表1所示。

表1 面舌象特征与COPD中医证型关联分析数值内容

S032：由于系统中各因素列中的数据可能因量纲不同，不便于比较或在比较时难以得到正确的结论。因此在进行灰色关联度分析时，一般都要进行数据的无量纲化处理。本发明采用均值化法，即将各个序列的统计值与整条序列的均值作比值进行预处理，计算式如下：

，

为比较序列均值。

S033：根据下式计算所述比较序列中各项参数与所述参考序列中对应参数的关联系数：

，

其中为分辨系数，；越小，分辨力越大，一般情况下的取值区间为（0，1），本申请取值为0.5。

S034：因为关联系数是比较数列与参考数列在各个时刻（即曲线中的各点）的关联程度值，所以它的数不止一个，而信息过于分散不便于进行整体性比较。因此有必要将各个时刻（即曲线中的各点）的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，关联度公式如下：

S035：将所述关联度按由大到小排序。

S04：根据所述关联度，输出所述用户的健康状态。

其中，灰色关联分析是根据各因素变化曲线几何形状的相似程度，来判断因素之间关联程度的方法。此方法通过对动态过程发展态势的量化分析，完成对系统内时间序列有关统计数据几何关系的比较，求出参考数列与各比较数列之间的灰色关联度。与参考数列关联度越大的比较数列，其发展方向和速率与参考数列越接近，与参考数列的关系越紧密。灰色关联分析方法要求样本容量可以少到4个，对数据无规律同样适用，不会出现量化结果与定性分析结果不符的情况。其基本思想是将评价指标原始观测数进行无量纲化处理，计算关联系数、关联度以及根据关联度的大小对待评指标进行排序。

实施例2

本实施例与实施例1的区别在于，所述步骤S031采用灰色关联分析法将所述分析数据（约10项）与某慢性病典型其他症状（如COPD的典型症状有嗜睡、多汗、鼻塞、关节疼痛等，约40种症状）进行关联性分析，输出所述用户与各典型症状的关联度，所述步骤具体为：

S031：将所述分析数据转换为比较序列，并将某慢性病典型其他症状（如COPD的典型症状有嗜睡、多汗、鼻塞、关节疼痛等，约40项）录入到参考序列中，，，为比较序列中的不同症状序号，为采集的时间序号；具体关联分析内容如表2所示。

表2 面舌象特征与COPD其他典型症状关联分析数值内容

实施例3

本实施例与实施例1的区别在于，所述系统还包括结果可视化模块，用于展示所述用户的健康状态，并显示对应的健康提示。且该模块还能够通过实体抽取、属性识别、关系抽取、知识评估等步骤进行相关数据知识库的构建，并在实现过程中不断进行知识库的更新。通过几何图、星团图等形式对上述关联分析结果进行可视化。

实施例4

本实施例为实施例1或实施例2所述系统的执行流程：

S11：所述用户在所述信息录入模块输入对应的账号密码进行登录；若所述用户未注册账号则进行账号注册流程；所述账号注册流程包括个人信息录入以及密码设置；

S12：通过所述面舌象采集模块采集面舌像数据，采集完成后将所述面舌像数据上传至所述病历管理单元；

S13：通过所述麦克风传感器采集语音数据，采集完成后将所述语音数据上传至所述病历管理单元；

S14：通过所述信息录入模块填写症状调查信息，采集完成后将所述症状调查信息上传至所述病历管理单元；

S15：所述数据处理单元用于对所述病历信息进行综合分析，并输出所述用户的健康状态。

且所述执行流程按照1周1次的频率采集数据，并按时间标签存入所述病历管理单元。且本系统可应用于以下情况：

（1）用于家庭及各类医疗机构常规提示性检测设备。可作为家庭、各级医院、社区医疗机构、乡镇诊所的检测设备。

（2）为中医临床辨证提供量化依据。采集面舌象图片、音频数据、问诊信息作为针灸经穴及补泻手法的选择提供量化依据，提供面象和舌象信息与中医证型之间的关联性，辅助临床精确诊断。

（3）为普通慢性病患者提供疾病变化预警。对于慢性病患者，长期进行病情稳定性控制，而面象和舌象的变化早于疾病的恶化，长期健康监测有助于患者提前掌握自身病情，及时就医治疗。

（4）早期疾病提示。对神经系统、消化系统、内分泌系统、循环系统、泌尿系统、排泄系统、呼吸系统、运动系统等各类易患疾病有较准确的提示与判断。特别对高血压、糖尿病、慢性心力衰竭、慢性肺阻病、慢性肾功能不全、认知功能障碍等常见慢性疾病有一定的前瞻性提示或警示作用。

（5）病情疗效评价观察。对临床治疗效果，包括药品、保健品应用效果进行客观评估，并能跟踪观察疾病转归化数据变化的动态过程。

（6）界定人体亚健康。对人体的精神活动、心理活动、植物神经活动、疲劳综合症等亚健康的状态提供的准确的量化数据，并做出提示性判断。

（7）全身检。可用于人群健康筛查或某些系统疾病的筛查。提示人体体能、神经、循环、消化代谢、免疫、内分泌、骨骼、运动系统及内脏器官生理病理状况。也可作为心理疾病诊断的参考指标。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。