基于卷积神经网络的人体穴位识别研究

目的:基于卷积神经网络技术对人体穴位进行识别研究。方法:针对人体穴位识别问题构建FasterRCNN模型,并基于该模型构建实用的微信小程序。结果:综合使用Early Stopping策略和Dropout技术可以有效地避免过拟合。在模型训练过程中,通过设置一个最大迭代次数和一个最小性能提升阈值来触发Early Stopping策略,以提前停止训练。同时,可以在神经网络的各个层中应用Dropout技术,以降低模型的复杂度并增强模型的泛化能力。经过不断的调参训练,穴位模型的测试集map最终达到了92%左右,经过30次的迭代损失函数也达到了收敛该模型充分发挥了卷积神经网络的优势,既保证了识别的准确性,又实现了实时性,经过实验验证具有较高的准确性和稳定性。结论:基于卷积神经网络技术构建的微信小程序,用户可以随时随地获取穴位信息,了解穴位知识,为民众提供便捷的健康服务。

简易人体穴位识别治疗仪

为了解决非专业人群寻找穴位难、不准确、不易操作等难题,设计了一种以SPCE061A为核心MCU(Micro Control Unit)的简易人体穴位识别治疗仪。给出了系统结构和实现流程,提出了一种基于层次分析原理的新型穴位检测方法,并讨论了环境因素对穴位识别结果的影响。通过人体穴位检测实验表明,本系统的穴位与非穴位正确识别率可分别达到95%和98%以上,且输出频率可调、波形可变的脉冲电压可达到模拟中医针灸治疗的作用。与传统找穴位方法相比,该方案具有操作简单、功耗低、性价比高等优点。

基于ZigBee无线传感器网络的针灸穴位识别与训练系统

如何用客观、量化的方法识别穴位一直是中医教学与实践中的难点,该文研究了基于ZigBee无线通信协议的一套人体穴位识别与训练系统,用单片机扫描标准针灸模型上的相应穴位点的开关量信号,按行列标识编码后,经ZigBee组成星型无线传感器网络传输,用VB编制数据接收与管理程序,使得穴位的识别、训练和考核更加直观规范、客观准确.系统可广泛用于中医教学与实践中,有利于促进中医针灸学的传承和发展.

“三步强化训练法”提高本科实习生穴位识别能力的研究

目的研究"三步强化训练法"提高本科实习生穴位识别能力的效果。方法将我院2010级临床医学专业本科实习生共108名作为研究对象,从中随机选取54名为训练教学组,实施采用"三步强化训练法"对穴位识别能力培养的临床教学,其余54名为常规教学组,实施常规临床带教。结果两组学生在带教前的中医针灸学理论成绩和穴位识别能力无差别(P>0.05),而实习后,训练组学生的中医针灸学理论成绩和穴位识别能力明显高于常规组(P<0.05)。结论 "三步强化训练法"用于中医针灸临床教学中,不仅能提高学生的理论学习成绩,而且提高了学生穴位识别能力。

经穴电阻特异性在人体穴位识别中的应用研究进展

针灸是我国传统中医治疗疾病的方法之一,治疗效果与腧穴定位准确与否关系密切,因此穴位识别对于针灸治疗极为重要。通过对人体穴位电阻的特异性分析,了解近年来国内外学者在穴位电阻特异性基础上对人体特定穴位识别进行的探索。论述穴位电阻的含义及近半个世纪国内外研究者对穴位探测仪的研究,以全面了解当前经穴电阻特异性在人体识别中的应用,把握经穴电阻特异性在人体穴位识别中的研究方向。

新型嵌入式穴位识别装置的设计

研制一种具有穴位识别和教学功能的新型嵌入式穴位识别装置。通过改进两电极法穴位电阻检测技术,并结合机械结构设计和嵌入式控制技术,在嵌入式芯片中集成包含穴位国际标号、穴名、拼音和定位等图片、文字和音频信息的人体穴位库,设计出新型嵌入式穴位识别装置。装置由穴位电阻检测系统、嵌入式控制系统和机械系统3个模块组成,可实现皮肤接触感应、待测皮肤区域电阻采集、无线通讯、液晶屏人机交互和点穴磁头点穴按摩等功能。装置使用时,先通过液晶屏读取待测皮肤区域的电阻值,检测待测皮肤区域是否具有穴位低电阻特性,确定是否为穴位区域,再与人体穴位库进行匹配,确定穴名等信息,控制机械结构实现穴位的点压和揉动按摩,最终实现穴位识别和点穴按摩。经多名操作人员使用验证后,装置不仅可提高穴位识别的速度和准确度,而且可以通过液晶屏显示人体穴位库进行穴位教学,有利于推动经络腧穴学的推广和针灸用器械与装置的研制。

融合表示学习的中医面部穴位检测框架

现有智能穴位检测方法存在依赖红外等外部设备、特征表示挖掘不足、穴位检测精度较低等问题。在分析穴位检测需求的基础上,将其定义为基于视觉图像的关键点检测任务,提出融合特征表示学习的中医面部穴位检测模型框架FADbR。首先,构建基于自监督学习机制的对抗自编码网络模型,通过人脸图像重建任务实现特征表示学习,利用神经网络提取人脸隐性知识,深度挖掘面部抽象特征。随后,基于自监督学习对抗自编码器构建监督学习面部穴位检测模型,充分利用学习到的人脸隐性知识提高智能面部穴位检测精度。最后,基于现有人脸数据库构建稠密人脸穴位数据集FAcupoint并用于方法验证。实验结果表明,FADbR可以通过表示学习挖掘面部关键特征支撑穴位检测任务,即使在少量训练样本的情况下也能够获得较好的检测性能。

基于深度学习的穴盘苗缺苗穴位检测

密集性穴盘苗缺苗穴位的检测,是机械化移栽及后续管理过程中的一项重要工作。为提高缺苗检测的准确率,提出了一种基于深度学习的密集性穴盘苗缺苗穴位的检测方法。检测时,对采集的图像进行穴盘区域自动剪裁,基于YOLOv4卷积网络,提取正常光照、较强光照、苗叶越界、蛭石泛青情况下的缺苗穴位特征进行训练。最后,在测试集上进行试验,结果表明:上述4种条件下缺苗穴位检测的准确率均值为95.2%。此外,与传统图像法相比,该检测方法提高了缺苗穴位在复杂条件下的检测适应性及准确率,能够为温室穴盘育苗模式下苗株个体的生长管理及后续的自动化作业提供依据。