研究目的對(duì)中醫(yī)學(xué)“色”的概念和內(nèi)涵進(jìn)行澄清、整理;對(duì)現(xiàn)代學(xué)者關(guān)于“色”的客觀化研究進(jìn)行檢索、梳理,以發(fā)現(xiàn)代學(xué)者對(duì)中醫(yī)學(xué)“色”的研究現(xiàn)狀與不足;利用“MTCNN人臉檢測(cè)算法”對(duì)高血壓病肝火亢盛證色部進(jìn)行位置界定,利用“計(jì)算機(jī)視覺領(lǐng)域中深度學(xué)習(xí)-輕量化網(wǎng)絡(luò)Xception”算法構(gòu)建高血壓病肝火亢盛證面部色診的分類模型。研究方法1.中醫(yī)學(xué)“色”的理論研究對(duì)中醫(yī)“色”進(jìn)行文字學(xué)和文獻(xiàn)學(xué)的研究。首先,對(duì)色進(jìn)行文字學(xué)意義的解讀,其次,對(duì)《黃帝內(nèi)經(jīng)》中有關(guān)“色”的內(nèi)容進(jìn)行檢索、選取、摘錄,結(jié)合上下文對(duì)其內(nèi)涵進(jìn)行分析;再次,對(duì)后世醫(yī)家對(duì)“色”的闡述進(jìn)行對(duì)比分析研究;然后,對(duì)“色”的內(nèi)涵進(jìn)行澄清、整理;最后,以“色診客觀化”“望診客觀化”“色部”為關(guān)鍵詞對(duì)知網(wǎng)、萬方、維普數(shù)據(jù)庫(kù)進(jìn)行模糊檢索,檢索近十年的文獻(xiàn),篩選出與顏面部望診客觀化相關(guān)的文獻(xiàn),并進(jìn)行整理、分類。2.建立數(shù)據(jù)庫(kù)通過“舌面脈信息采集體質(zhì)辨識(shí)系統(tǒng)”采集高血壓病肝火亢盛證、高血壓病非肝火亢盛證、正常人三組研究對(duì)象的面部圖像,并對(duì)圖像進(jìn)行數(shù)據(jù)清洗和預(yù)處理,建立面部圖像數(shù)據(jù)庫(kù)。3.基于“MTCNN人臉檢測(cè)算法”高血壓病肝火亢盛證進(jìn)行色部界定對(duì)采集的... 

【文章來源】：中國(guó)中醫(yī)科學(xué)院北京市

【文章頁(yè)數(shù)】：96 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖１人臉檢測(cè)方法??３．２．２?ＭＴＣＮＮ的網(wǎng)絡(luò)結(jié)構(gòu)??ＭＴＣＮＮ目

ｕ?ｔ?ｓ?４ｖ４ｖ４ｖ?＾ｖｆＵＰＫ?ｌａｎｄｍａｒｌｓ?，??｜?１２ｘ１?ｌｘ？?＾?ｌｏｃａｌｉｚａｉｉｏｎ?｜?｜２４ｘ２４ｘ３?｜｜｜ｏｃａｌｉ２ａ（）〇ｏ??????Ｃ＇ｔｍｖ?３＼３?Ｃｏｎｖ．?３ｘ３?Ｃｏｎｖ?３ｘ３?Ｃｏｍ?２ｘ２?ｉｕｌｌｙ?ｎ??ＭＰ?—Ｋｊ?ＭＰ?３＼ｉ?Ｍｌ＊?１＼２?ｃｏｍｗｘｔ?ｆｙｉａｗｃ丨糾ｆｉｃａｕｏｎ??？?：?Ｑ?３?〇?［ｊ?ｊ?［ｊｂｏｕｎｄｉｎｇ?ｒｅｇｒｅｓｓｉｏｎ??１?ＪＳｉ上士，，??圖２?ＭＴＣＮＮ的網(wǎng)絡(luò)結(jié)構(gòu)??３Ｊ計(jì)算機(jī)視覺領(lǐng)域中深度學(xué)習(xí)－輕量化網(wǎng)絡(luò)Ｘｃｅｐｔｉｏｎ??３．３．１人工智能深度學(xué)習(xí)概述??人工智能目前是各個(gè)國(guó)家重點(diǎn)關(guān)注的應(yīng)用領(lǐng)域和學(xué)術(shù)研究炙手可熱的領(lǐng)域，??目前人工智能在多個(gè)領(lǐng)域呈爆發(fā)性發(fā)展。深度學(xué)習(xí)Ｉ１％１％是試圖模擬人的大腦結(jié)??構(gòu)，以及處理視覺、聽覺的模式，設(shè)計(jì)具有多個(gè)隱藏層的前饋神經(jīng)網(wǎng)絡(luò)，模擬人??腦的神經(jīng)分析網(wǎng)絡(luò)，來解釋數(shù)據(jù)的一種機(jī)器學(xué)習(xí)技術(shù)。至今已有數(shù)種深度學(xué)習(xí)框??架，如卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)已被應(yīng)用在計(jì)算機(jī)視覺、語??音識(shí)別、自然語言處理、音頻識(shí)別與生物信息學(xué)等領(lǐng)域并獲取了極好的效果。??隨著深度學(xué)習(xí)技術(shù)的發(fā)展，深度神經(jīng)網(wǎng)絡(luò)在多個(gè)領(lǐng)域都成績(jī)突出。深度神??經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的特征學(xué)習(xí)能力和非線性擬合能力，同時(shí)，由于數(shù)據(jù)量的增加??和運(yùn)算能力的提升，其在圖像分類問題上取得了突破性的成果ｍ５－１％，傳統(tǒng)的圖??像分類方法采用人工設(shè)計(jì)的特征，如共生矩陣（ＧＬＣＭ）、Ｇａｂｏｒ過濾器及局部二??值模式（ＬＢＰ）等Ｉ１—，具有計(jì)算復(fù)雜、低效，分類精度往往不高的缺點(diǎn)，深度神經(jīng)??網(wǎng)絡(luò)

遞至池化層進(jìn)行特征選擇和信息過濾。其一般形式［ＩＩ５］表示為：??１??／?／?ｙ??（＜．／）?＝?Ｙ＾ＨＡｌｉ＜（ｓ〇ｉ＋ｘ，ｓ〇＾??ｘ＝＼?ｙ＝ｌ??一般使用的池化層有均值池化（ｍｅａｎ?ｐｏｏｌｉｎｇ）和最大值池化（ｍａｘ?ｐｏｏｌｉｎｇ），??均值池化具有能保留整體數(shù)據(jù)的特征，并凸出背景的信息的特性，而最大值池化??不光可以保留紋理上的特征，而且可以保留更多的細(xì)節(jié)特征，最大池化層意味著??檢測(cè)到某個(gè)特征，并始終將這個(gè)特征留在池化層的輸出中。最大值池化計(jì)算操作??如圖３所示。??２?４?３?５??４?５?７?６?２＊２的池化?５?７??１Ｃ?＇ｈ２??１?７?２?２?９?９??９?４?６?９??圖３最大值池化計(jì)算過程??３．３．２．３全連接層??全連接層（ｆｕｌｌｙ?ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒｓ，?ＦＣ）也是一種卷積層，它的主要功能是把??輸入為高維的特征圖轉(zhuǎn)化成一維的向量，在卷積神經(jīng)網(wǎng)絡(luò)中起到“分類器”的作??用。由于經(jīng)過多層卷積、池化、激活函數(shù)等操作，現(xiàn)己提取訓(xùn)練數(shù)據(jù)的局部深度??特征被映射到隱藏的特征空間，而全連接層的作用正是將這些抽象的特征空間映??射到樣本標(biāo)記空間。??但是全連接層參數(shù)量過大，可占整個(gè)網(wǎng)絡(luò)參數(shù)８０％左右，參數(shù)過于冗余，現(xiàn)??階段一些網(wǎng)絡(luò)模型如ＧｏｏｇＬｅＮｅｔ等均米用全局平均池化（ｇｌｏｂａｌ?ａｖｅｒａｇｅ?ｐｏｏｌｉｎｇ，??ＧＡＰ）取代ＦＣ來融合學(xué)到的深度特征，并且用全局平均池化替代全連接層的網(wǎng)??４０??

【參考文獻(xiàn)】：
期刊論文
[1]人工智能在醫(yī)學(xué)影像診斷中的應(yīng)用研究[J]. 李頂,汪艷芳,李永欣,黃文華.  中國(guó)臨床解剖學(xué)雜志. 2020(01)
[2]基于深度學(xué)習(xí)的乳腺病理圖像分類實(shí)驗(yàn)方法[J]. 詹翔,張婷,林聰,馮瑋延,趙杏.  計(jì)算機(jī)應(yīng)用. 2019(S2)
[3]人工智能在醫(yī)學(xué)影像分析中的應(yīng)用進(jìn)展[J]. 俞益洲,石德君,馬杰超,周振.  中國(guó)醫(yī)學(xué)影像技術(shù). 2019(12)
[4]人工智能技術(shù)在臨床醫(yī)療診斷中的應(yīng)用及發(fā)展[J]. 趙佩.  中國(guó)新通信. 2019(22)
[5]基于MTCNN的坐姿行為識(shí)別[J]. 劉敏,潘煉,曾新華,朱澤德.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(11)
[6]基于整張手腕部DR影像深度學(xué)習(xí)特征的人工智能骨齡評(píng)估方法[J]. 李婷婷,楊秀軍,王乾,任旭華,蘭鈞,于廣軍,李嬪,李莉紅,文穎,陳旭.  中國(guó)數(shù)字醫(yī)學(xué). 2019(11)
[7]人工智能深度學(xué)習(xí)對(duì)前列腺多序列MR圖像分類的可行性研究[J]. 方俊華,Li Qiubai,余成新,王興剛,方志華,劉濤,王良.  中華放射學(xué)雜志. 2019 (10)
[8]人工智能下的醫(yī)學(xué)的發(fā)展應(yīng)用[J]. 俞碧瑩.  中國(guó)多媒體與網(wǎng)絡(luò)教學(xué)學(xué)報(bào)(上旬刊). 2019(10)
[9]人工智能與醫(yī)學(xué)影像融合發(fā)展:機(jī)遇與挑戰(zhàn)[J]. 朱文珍,胡瓊潔.  放射學(xué)實(shí)踐. 2019(09)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的基底細(xì)胞癌和色素痣的臨床圖像鑒別[J]. 謝斌,何小宇,黃偉紅,沈敏學(xué),李芳芳,趙爽.  中南大學(xué)學(xué)報(bào)(醫(yī)學(xué)版). 2019(09)

博士論文
[1]基于XGboost算法的高血壓病肝火亢盛證診斷預(yù)測(cè)模型研究[D]. 陳仁波.中國(guó)中醫(yī)科學(xué)院 2018
[2]正常高值血壓肝火亢盛證宏觀量化診斷標(biāo)準(zhǔn)的建立及代謝機(jī)制研究[D]. 王宇.山東中醫(yī)藥大學(xué) 2017
[3]數(shù)字化面色望診系統(tǒng)的構(gòu)建及其應(yīng)用[D]. 彭瑜.湖北中醫(yī)藥大學(xué) 2014
[4]原發(fā)性高血壓病中醫(yī)舌象與證候的相關(guān)性研究[D]. 王靜.廣州中醫(yī)藥大學(xué) 2012
[5]高血壓病肝火上炎證診斷規(guī)范化研究[D]. 趙浩.山東中醫(yī)藥大學(xué) 2011

碩士論文
[1]基于深度學(xué)習(xí)的新生兒疼痛表情識(shí)別[D]. 朱金朵.南京郵電大學(xué) 2018
[2]基于子午流注理論的EH中醫(yī)證候特點(diǎn)及其與動(dòng)態(tài)血壓的相關(guān)性研究[D]. 趙玉枝.北京中醫(yī)藥大學(xué) 2018
[3]原發(fā)性高血壓患者心臟收縮功能及中醫(yī)辨證分型與心沖擊圖關(guān)系的探討[D]. 郭艷瓊.北京中醫(yī)藥大學(xué) 2018
[4]基于深度學(xué)習(xí)的視網(wǎng)膜病變光學(xué)相干斷層圖像識(shí)別[D]. 吳新.廣東工業(yè)大學(xué) 2018
[5]基于深度學(xué)習(xí)的小樣本圖像分類研究[D]. 徐希巖.東北林業(yè)大學(xué) 2018
[6]基于膚色檢測(cè)的中醫(yī)面色識(shí)別[D]. 陳夢(mèng)竹.北京交通大學(xué) 2018
[7]肝火亢盛證自發(fā)性高血壓大鼠的認(rèn)知功能研究[D]. 王田.北京中醫(yī)藥大學(xué) 2017
[8]原發(fā)性高血壓左室構(gòu)型與中醫(yī)辨證分型的關(guān)系研究[D]. 武藝.山東中醫(yī)藥大學(xué) 2016
[9]老年高血壓中醫(yī)證型特點(diǎn)的研究[D]. 鐘彬旭.福建中醫(yī)藥大學(xué) 2016
[10]心電圖PTFV1值與高血壓中醫(yī)分型相關(guān)性研究[D]. 劉媛媛.山東中醫(yī)藥大學(xué) 2016



本文編號(hào)：2933686