具体实施方式

以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明的量化皮肤潮红反应程度的方法、系统、介质及终端，与现有技术相比，本发明采用基于机器学习算法搭建的神经网络量化预测模型实现对皮肤潮红反应程度的量化评估，通过获取皮肤潮红反应的反应区域面积以及皮肤颜色分布特征等参数，进行科学客观地量化，最终得到客观结果—量化值，该量化预测模型可实现对参数的准确评估，摒除了现有人工手段观察评估量化的主观因素的影响，即使在不同医生的操作下，在相同的皮肤潮红反应下，所得到的的量化值也一定是相同的，从而实现了皮肤潮红反应程度量化结果的一致性，提高了后续对用户患病概率预测的准确可靠性。

于一实施例中，将本发明的量化皮肤潮红反应程度的方法应用于量化烟酸皮肤潮红反应程度；当然，还可应用于其它会引起皮肤潮红反应的反应程度量化中。

需要说明的是，烟酸是一种水溶性维生素，通过接触人体皮肤可引起皮肤潮红反应。

如图1所示，于一实施例中，该量化皮肤潮红反应程度的方法包括以下步骤：

步骤S1、获取待测者的潮红反应图像。

需要说明的是，所述潮红反应图像为在所述待测者皮肤上贴上皮肤潮红反应试剂贴片，并持续第一预设时间后取下所述皮肤潮红反应试剂贴片，所述待测者皮肤上对应所述皮肤潮红反应试剂贴片位置的图像。

需要说明的是，该第一预设时间为预先设置好的，其具体设为多少，不作为限制本发明的条件，可视不同的实际应用场景来设定；诸如，于一实施例中，将该第一预设时间设置为1分钟。

优选地，获取待测者前臂皮肤的潮红反应图像；具体地，将待测者的前臂平放于一前臂固定装置上，然后将皮肤潮红反应试剂贴片贴在该待测者的前臂皮肤上，并持续一段时间后，再将其从该待测者的前臂皮肤上取下，通过统一型号参数的图像采集设备(摄像头)采集待测者前臂皮肤图像(潮红反应图像)。

需要说明的是，在进行皮肤潮红反应过程中，将上述的图像采集设备在固定的图像采集位置对待测者的前臂上对应皮肤潮红反应试剂贴片位置的皮肤进行图像采集，获取步骤S1中的潮红反应图像。

进一步地，上述的前臂固定装置和图像采集设备均采用领域内常规的技术手段，其具体的结构组成及连接关系，均不作为限制本发明的条件，所以，在此也不再详细赘述。

于一实施例中，获取待测者的潮红反应图像包括以下步骤：获取所述待测者在一预设时间段内，每间隔第二预设时间对应的潮红反应图像。

具体地，在预设时间段内，每间隔第二预设时间，获取一次待测者的潮红反应图像，以在整个潮红反应过程中，收集对应不同时间点的潮红反应图像，后续进行皮肤潮红反应程度量化时，将该多个对应不同时间点的潮红反应图像均作为输入参数，输入至量化预测模型中，提高了对皮肤潮红反应量化的准确可靠性。

需要说明的是，该预设时间段和第二预设时间均是预先设置好的(第二预设时间小于或等于预设时间段)，其具体为多少，不作为限制本发明的条件，可视不同的实际应用场景来设定；诸如，于一实施例中，将该预设时间段设为20分钟，第二预设时间设为5分钟，即从皮肤潮红反应试剂贴片从该待测者的前臂皮肤上取下时开始计时，每隔5分钟，采集一次该待测者的前臂潮红反应图像，直至经过20分钟后为止(一共采集了4次潮红反应图像，分别在5分钟、10分钟、15分钟、20分钟处)。

步骤S2、在所述潮红反应图像上识别出潮红反应区域。

如图2所示，于一实施例中，在所述潮红反应图像上识别出潮红反应区域包括以下步骤：

步骤S21、根据所述皮肤潮红反应试剂贴片的位置，在所述潮红反应图像上初步定位出潮红反应位置，获取潮红大致区域。

具体地，基于皮肤潮红反应试剂贴片贴在该待测者皮肤上的位置，初步定位出潮红反应位置，获取相应的潮红大致区域。

步骤S22、识别所述潮红大致区域的边界。

具体地，利用图像识别算法，识别步骤S21中获取的潮红大致区域的边界。

需要说明的是，该图像识别算法采用的是领域内常规的技术手段，通过该图像识别算法识别出潮红大致区域的边界的具体方法流程不作为限制本发明的条件，所以，在此也不再详细赘述。

步骤S23、对所述边界进行预处理，获取所述潮红反应区域。

具体地，对步骤S22中，识别出来的潮红大致区域的边界进行模糊去噪处理(均值处理)，去除该潮红大致区域上的噪声，最终获取潮红反应区域(如图4所示)。

步骤S3、在YCrCb颜色体系下，获取所述潮红反应区域对应的Cr分布和Cb分布，并基于所述Cr分布和所述Cb分布，获取相应的颜色分布特征。

需要说明的是，通过YCrCb颜色体系，将潮红反应区域分为三个维度的正交颜色层；YcrCb颜色体系即YUV，主要用于优化彩色视频信号的传输，使其向后相容老式黑白电视，与RGB视频信号传输相比，它最大的优点在于只需占用极少的频宽(RGB要求三个独立的视频信号同时传输)；其中“Y”表示明亮度(Luminance或Luma)，也就是灰阶值；而“U”和“V”表示的则是色度(Chrominance或Chroma)，作用是描述影像色彩及饱和度，用于指定像素的颜色；“亮度”是透过RGB输入信号来建立的，方法是将RGB信号的特定部分叠加到一起；“色度”则定义了颜色的两个方面—色调与饱和度，分别用Cr和Cb来表示；其中，Cr反映了RGB输入信号红色部分与RGB信号亮度值之间的差异；Cb反映的是RGB输入信号蓝色部分与RGB信号亮度值之间的差异。

进一步地，由于亮度“Y”与潮红反应没有关联，所以，于本实施例中，通过降维，剔除了YcrCb中，没有关联的分量，即只需要获取Cr和Cb分量即可。

如图3所示，于一实施例中，获取所述潮红反应区域对应的Cr分布和Cb分布包括以下步骤：

步骤S31、读取所述潮红反应区域上每一像素点对应的RGB值。

需要说明的是，经步骤S2获取的潮红反应区域上，包含有多个像素点，所有像素点的总个数即为该潮红反应区域的面积。

步骤S32、基于所述RGB值，获取所述像素点对应的Cr值和Cb值。

具体地，基于步骤S31中，读取的潮红反应区域上每一像素点的RGB值(包括R(Red，红色)值、G(Green，绿色)值及B(Blue，蓝色)值)，利用公式转换，计算出像素点对应的Cr值和Cb值，具体计算公式如下：

Y＝0.299R+0.587G+0.114B；

Cb＝0.564(B-Y)；

Cr＝0.713(R-Y)。

步骤S33、统计所述潮红反应区域上所有所述像素点对应的所述Cr值和所述Cb值，产生相应的所述Cr分布和所述Cb分布。

具体地，经上述步骤S32，获取每一像素点对应的Cr值和Cb值后，统计该潮红反应区域上所有像素点的Cr值和Cb值(在潮红反应图像上，除潮红反应区域以外的区域，Cr值和Cb值均为0)，产生对应的Cr分布和Cb分布。

需要说明的是，该Cr分布是指对应同一个Cr值，有多少个对应的像素点，通过统计该潮红反应区域所有像素点的Cr值，获得该Cr分布；该Cb分布对应同一个Cb值，有多少个对应的像素点，通过统计该潮红反应区域所有像素点的Cb值，获得该Cb分布。

诸如，于一实施例中，通过上述步骤S32，计算出该潮红反应区域所有像素点的Cr值分布在100-200之间，统计对应100-200之间每一个值，对应有多少个像素点，获得相应的Cr分布；同理，可获得相应的Cb分布。

于一实施例中，所述Cr分布和所述Cb分布均为一概率密度图；所述颜色分布特征为基于所述Cr分布和所述Cb分布计算出的矩，即将该矩理解为Cr分布和Cb分布的特征。

需要说明的是，矩(moment)是对变量分布和形态特点的一组度量，n阶矩被定义为一变量的n次方与其概率密度函数(Probability Density Function，PDF)之积的积分，在文献中直接使用变量计算的矩被称为原始矩(raw moment)，移除均值后计算的矩被称为中心矩(central moment)；变量的一阶原始矩等价于数学期望(expectation)，二至四阶中心矩被定义为方差(variance)、偏度(skewness)和峰度(kurtosis)。

进一步地，对连续变量x和其单变量概率密度函数P(x)或积累分布函数(Cumulative Distribution Function，CDF)C(x)，其n阶矩μ'_n被定义为：

μ'_n＝∫xⁿdC(x)＝∫xⁿP(x)dx；

若变量x为离散变量，则μ'_n也可表示为：

μ'_n＝∑xⁿP(x)。

于一实施例中，通过计算所述Cr分布和所述Cb分布对应的矩，作为其相应的颜色分布特征。

需要说明的是，计算Cr分布和Cb分布对应的几阶矩不作为限制本发明的条件，即可只计算出Cr分布和Cb分布分别对应的一阶矩，或者是计算出Cr分布和Cb分布分别对应的一阶矩和二阶矩，等等。

优选地，于一实施例中，计算出Cr分布和Cb分布分别对应的一阶矩至十阶矩，并将一阶矩至三阶矩定义为低阶矩，将四阶矩至十阶矩定义为高阶矩。

于一实施例中，Cr分布和Cb分布及其分别对应的颜色分布特征(一阶矩至十阶矩)如下表1和表2所示：

表1：Cr分布及其颜色分布特征

表2：Cb分布及其颜色分布特征

如图1所示，于一实施例中，所述方法还包括以下步骤：

步骤S4、搭建量化预测模型。

步骤S5、训练所述量化预测模型，获取训练好的量化预测模型。

步骤S6、将所述Cr分布、所述Cb分布及所述颜色分布特征输入至所述训练好的量化预测模型，以使所述训练好的量化预测模型输出一量化值。

需要说明的是，训练好的量化预测模型的输入数据除上述的Cr分布、Cb分布及相应的颜色分布特征外，还包括其它的数据，诸如，根据Cr值和Cb值处理得到的中间产物。

需要说明的是，该量化预测模型采用领域内常规的神经网络模型架构；具体地，所述量化预测模型包括但并不限于输入层、隐藏层及输出层；其中，所述输入层与所述隐藏层连接，用于将所述Cr分布、所述Cb分布及所述颜色分布特征输入至所述隐藏层；该隐藏层相当于一复合函数，用于对该Cr分布、Cb分布及颜色分布特征进行处理，产生所述量化值，该隐藏层包括多层网络结果，每一层都是一层非线性的降维处理，该隐藏层一点点降维，直至一维；所述输出层与所述隐藏层连接，用于输出所述量化值(一维)。

需要说明的是，于步骤S5中，在训练所述量化预测模型之前，首先，需要收集训练数据；具体地，该训练数据是以多个已知是正常人和多个已知是潮红反应异常人作为训练样本，通过获取其相应的潮红反应图像；然后，根据该潮红反应图像获取Cr分布、Cb分布及相应的颜色分布特征；最后，再将这些Cr分布、Cb分布及颜色分布特征输入至该量化预测模型，实现对该量化预测模型的训练；在训练数据量和质量都达到一定程度后，停止训练，获取最终的量化预测模型，即作为训练好的量化预测模型。

进一步地，在获取训练好的量化预测模型后，将上述经步骤S3，获取的对应待测者的Cr分布、Cb分布及颜色分布特征输入至该训练好的量化预测模型中，该训练好的量化预测模型即会输出对应该待测者皮肤潮红反应程度的一量化值。

需要说明的是，所述量化值用于量化反映所述待测者的皮肤潮红反应程度，该量化预测模型只能程度分离病人和普通人的特征，使得病人的量化概率更高，而普通人的量化概率更低。

进一步地，皮肤潮红反应可作为判断患者一些病症的依据(结合医学相关知识)，诸如，大量的实验数据已经证明烟酸皮肤潮红反应异常是精神分裂症的内表型特征之一，所以，于本发明中，通过获取该量化值，可用来判断待测者是否患有精神分裂症，或者是患有精神分裂症的概率。

于一实施例中，所述方法还包括以下步骤：

步骤S7、获取患病概率表，以基于所述患病概率表和所述量化值，确定所述待测者的患病概率。

需要说明的是，所述患病概率表是通过大数据统计获得的，大数据内容不同，所得到的的该患病概率表也有所不同，该患病概率表是不断更新的，用于指导判断患者的患病概率，该患病概率表中至少包括一量化值及其对应的患病概率。

具体地，经上述步骤S6获取一量化值后，在该患病概率表中，查找该量化值所对应的患病概率，当在该患病概率表中，不存在该量化值对应的患病概率时，也可将一最接近该量化值的量化值所对应的患病概率，作为该待测者的患病概率值。

诸如，该患病概率表中包括了0-100这些量化值分别对应的患病概率，经步骤S6最终获得的量化值也在0-100之间，假设，于一实施例中，经步骤S6获得的量化值为50，在该患病概率表中，量化值50对应的患病概率为40％，则即可得知该待测者的患病概率为40％。

优选地，该量化值越大，对应的患病概率越高。

需要说明的是，现有烟酸皮肤潮红反应的目测法分为两大部分，第一部分是针对烟酸反应的红肿面积的评估，总分为3分，具体的分数分布与反应情况的对应关系为：0＝无皮肤反应；1＝不完全皮肤红斑；2＝完全覆盖贴片面积的皮肤红斑；3＝红斑范围超过贴片覆盖的范围；第二部分是针对烟酸反应的红肿程度的评估，总分为7分，具体的分数分布与反应情况的对应关系为：1＝无皮肤反应；2＝红点低于总贴片面积的50％；3＝轻度发红/贴片出的红点超过贴片面积的50％；4＝重度发红/均匀红斑整个贴片面积；5＝成片的红肿，或可见红肿；6＝可见水肿，包括整个贴片面积；7＝可见水肿，开始蔓延，水肿面积超过贴片，即目测法的评分体系中，面积评估分为三档，红肿颜色评估分为七档，是基于有限个评估档位且评估档位不连续的方法；而本发明中，机器学习量化预测模型最终得到的是一个0到100的量化值，具有无限档位且档位相互连续的性质，相比于现有技术的目测法，该量化值能更细节地反映烟酸皮肤潮红反应的程度；同时，即使是有经验的医生，对于这些有限个档位做出评估所花费的时间也会较长，而本发明通过电子工程手段融合了图像采集、处理以及量化预测模型，通过高性能的处理器可在皮肤反应测试完成后的数十秒后给出详细的量化数值供医生诊断作参考。

需要说明的是，本发明所述的量化皮肤潮红反应程度的方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。

如图5所示，于一实施例中，本发明的量化皮肤潮红反应程度的系统包括第一获取模块51、图像识别模块52、第二获取模块53及量化模块54。

所述第一获取模块51用于获取待测者的潮红反应图像；所述潮红反应图像为在所述待测者皮肤上贴上皮肤潮红反应试剂贴片，并持续第一预设时间后取下所述皮肤潮红反应试剂贴片，所述待测者皮肤上对应所述皮肤潮红反应试剂贴片位置的图像。

所述图像识别模块52用于在所述潮红反应图像上识别出潮红反应区域。

所述第二获取模块53用于在YCrCb颜色体系下，获取所述潮红反应区域对应的Cr分布和Cb分布，并基于所述Cr分布和所述Cb分布，获取相应的颜色分布特征。

所述量化模块54用于将所述Cr分布、所述Cb分布及所述颜色分布特征输入至一量化预测模型中，以使所述量化预测模型输出一量化值；所述量化值用于反映所述待测者的皮肤潮红反应程度。

需要说明的是，所述量化皮肤潮红反应程度的系统的工作原理与上述量化皮肤潮红反应程度的方法的工作原理相同，故在此不再赘述。

需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述系统的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述系统的存储器中，由上述系统的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个数字信号处理器(Digital Signal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(System-On-a-Chip，简称SOC)的形式实现。

本发明的存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述的量化皮肤潮红反应程度的方法。所述存储介质包括：只读存储器(Read-Only Memory，ROM)、随机访问存储器(Random Access Memory，RAM)、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。

如图6所示，本发明的终端包括处理器61及存储器62。

所述存储器62用于存储计算机程序；优选地，所述存储器62包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。

所述处理器61与所述存储器62相连，用于执行所述存储器62存储的计算机程序，以使所述终端执行上述的量化皮肤潮红反应程度的方法。

优选地，所述处理器61可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

需要说明的是，本发明的量化皮肤潮红反应程度的系统可以实现本发明的量化皮肤潮红反应程度的方法，但本发明的量化皮肤潮红反应程度的方法的实现装置包括但不限于本实施例列举的量化皮肤潮红反应程度的系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。

综上所述，本发明的量化皮肤潮红反应程度的方法、系统、介质及终端，与现有技术相比，本发明采用基于机器学习算法搭建的神经网络量化预测模型实现对皮肤潮红反应程度的量化评估，通过获取皮肤潮红反应的反应区域面积以及皮肤颜色分布特征等参数，进行科学客观地量化，最终得到客观结果—量化值，该量化预测模型可实现对参数的准确评估，摒除了现有人工手段观察评估量化的主观因素的影响，即使在不同医生的操作下，在相同的皮肤潮红反应下，所得到的的量化值也一定是相同的，从而实现了皮肤潮红反应程度量化结果的一致性，提高了后续对用户患病概率预测的准确可靠性；所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。