背部痧象特征要素数显划分方法

目的通过对痧象图片数据的研究,提出一种数显的客观方法来对背部痧象特征要素进行准确辨识,以避免主观认知不同带来的偏差,帮助人们快速辨识痧象的相关特征,为中医医师的诊断提供一定的客观依据,减少主观化成分。方法首先,采用深度语义分割算法模型对采集的背部痧象图片进行分割,以获取只包含痧象的部分区域,去除图片中其他无关部分,尽可能减少对后续实验所带来的影响。然后针对分割得到的图像,结合中医五脏六腑在背部的映射区,采用关键区域检测的方法对痧象颜色特征进行3种区间的识别;根据中医主观上对于痧象形状的划分,采用像素统计方法将痧象形状划分为片状和点状两种。最后,通过准确度、精确度、召回率、F1值对客观识别的结果进行数据上的评价。结果本文提出的客观数显方法在痧象颜色特征划分上的准确率达到了80.56%,在痧象形状特征的划分上准确率达到了89.60%,能够较为准确地对痧象特征要素进行划分,具有一定的可行性。结论本文提出的数显方法能够对痧象的颜色和形状特征进行较为准确的辨识,可以在很大程度上避免主观认知所造成的辨识不同问题,在辅助医师诊断以及用于中医痧象特征的识别教学方面具有较大的应用前景,可为正确了解痧象特征信息提供帮助。

基于改进VGG19的中医背部痧象特征分类研究

目的比较3种网络模型[VGG19网络、多任务学习、卷积注意力模块(Convolutional Block Attention Module,CBAM)]在中医背部痧象特征分类的可行性与有效性,进而说明该模块的有效性。方法首先通过对痧象图片数据的分析,将图片数据按照颜色特征划分为暗红、红、淡红3类,形状特征划分为点状和片状两类,确定实验包含二分类和三分类两个任务,将图片按照训练集∶验证集∶测试集=8∶1∶1的比例进行划分,然后采用VGG19网络模型对两个任务分别进行训练,并以该网络模型为主干进行改进,引入多任务学习模型的思想,添加CBAM。采用训练准确率以及测试准确率进行评价,并设置颜色与形状准确率的均值,以判断网络模型的性能高低,同时通过消融实验比较最终的分类准确率,以及分析中医痧象特征与证型间的对应关系。结果以VGG19网络模型为主干,采用多任务学习并加入CBAM的改进网络取得了最高的分类准确率,当缩减率为1/8、batch_size为8时得到的训练结果最好,颜色分类准确率为93.90%,形状分类准确率为95.12%,平均准确率为94.51%。结论以VGG19网络模型为主干,采用多任务学习并加入CBAM的改进网络在中医痧象特征自动分类识别上可取得较好的效果,能够结合传统中医的经验知识准确完成对于人体证型的判断。