皮质醇含量的测评方法、装置、计算机设备及计算机存储介质与流程

本发明涉及人工智能技术领域，尤其是涉及到皮质醇含量的测评方法、装置、计算机设备及计算机存储介质。

背景技术：

皮质醇是由肾上腺皮质分泌的糖皮质激素，皮质醇在操控情绪和健康、免疫细胞和炎症、血管和血压间联系，以及维护结缔组织等方面具有重要的功效，在长期压力下，皮质醇水平会长期偏高，导致血糖升高、肥胖、易疲劳等生理负面反映，过多皮质醇会导致库欣综合征，也就是皮质醇增多症。

目前，常用的皮质醇含量的测量方法有尿检、血检、口服地塞米松或其他药物、ct等方式，然而，这几种皮质醇含量的测量方法均需要特定的医疗设备进行测量，并且使用程序繁琐耗时耗力，测量缓慢，给待测病人的生活带来诸多不便，无法实时快捷有效地测量皮质醇。

技术实现要素：

本发明实施例提供了皮质醇含量的测评方法、装置、计算机设备及计算机存储介质，解决了相关技术中无法实时有效的测量皮质醇含量的问题。

根据本发明实施例的第一方面，提供一种皮质醇含量的测评方法，所述方法包括：

获取人脸图像特征样本数据，所述人脸图像特征样本数据携带有各种皮质醇含量等级标签；

将所述人脸图像特征样本数据输入至卷积神经网络模型进行训练，构建皮质醇含量测评模型，所述皮质醇含量模型记录有人脸图像特征与皮质醇含量等级的映射关系；

将待测评用户人脸图像特征数据输入至所述皮质醇含量测评模型，得到待测评用户的皮质醇含量等级。

进一步地，所述获取人脸图像样本数据包括：

收集符合预设条件的人脸图像；

对所述符合预设条件的人脸图像进行预处理，获取人脸图像特征样本数据。

进一步地，所述对所述符合预设条件的人脸图像进行预处理，获取人脸图像特征样本数据包括：

对所述符合预设条件的人脸图像进行定位，确定人脸图像关键点；

根据所述人脸图像关键点提取人脸图像轮廓区域；

通过对所述人脸图像轮廓区域内的像素点参数进行调整，得到人脸图像特征样本数据。

进一步地，所述获取人脸图像特征样本数据还包括：

根据皮质醇测评标准对所述人脸图像特征样本数据进行标记，得到携带各种皮质醇含量等级标签的人脸图像特征样本数据。

进一步地，所述卷积神经网络为多层结构的网络模型，所述将所述人脸图像特征样本数据输入至卷积神经网络模型进行训练，构建皮质醇含量测评模型包括：

通过所述卷积神经网络模型的卷积层提取各种皮质醇含量等级的人脸图像样本特征数据的局部人脸特征信息；

通过所述卷积神经网络模型的全连接层将提取到的局部人脸特征信息进行连接，得到各种皮质醇含量等级的多维度局部人脸特征信息矩阵；

通过所述卷积神经网络模型的池化层对各种皮质醇含量等级的多维度局部人脸特征信息矩阵进行融合，输出携带有各种皮质醇含量等级标签的人脸图像特征矩阵；

通过所述卷积神经网络模型的分类层对携带有各种皮质醇含量等级标签人脸图像特征矩阵进行分类，构建皮质醇含量测评模型。

进一步地，在所述将待测评用户人脸图像特征数据输入至所述皮质醇含量测评模型，得到待测评用户的皮质醇含量等级之后，所述方法还包括：

将所述待测评用户的皮质醇含量等级发送至待测评用户，以便于用户实时监控健康状态。

进一步地，在所述将待测评用户人脸图像特征数据输入至所述皮质醇含量测评模型，得到待测评用户的皮质醇含量等级之后，所述方法还包括：

根据待测评用户对测评皮质醇含量等级结果的反馈信息，调整预设皮质醇含量等级的人脸图像特征样本数据在所述人脸图像特征样本数据中的比重；

将调整比重后的人脸图像特征样本数据输入至卷积神经网络模型进行训练，构建调整后的皮质醇含量测评模型；

将待测评用户人脸图像特征数据输入至所述调整后的皮质醇含量测评模型，得到待测评用户的皮质醇含量等级。

根据本发明实施例的第二方面，提供一种皮质醇含量的测评装置，所述装置包括：

获取单元，用于获取人脸图像特征样本数据，所述人脸图像特征样本数据携带有各种皮质醇含量等级标签；

第一训练单元，用于将所述人脸图像特征样本数据输入至卷积神经网络模型进行训练，构建皮质醇含量测评模型，所述皮质醇含量模型记录有人脸图像特征与皮质醇含量等级的映射关系；

第一测评单元，用于将待测评用户人脸图像特征数据输入至所述皮质醇含量测评模型，得到待测评用户的皮质醇含量等级。

进一步地，所述获取单元包括：

收集模块，用于收集符合预设条件的人脸图像；

获取模块，用于对所述符合预设条件的人脸图像进行预处理，获取人脸图像特征样本数据。

进一步地，所述获取模块，具体用于对所述符合预设条件的人脸图像进行定位，确定人脸图像关键点；

所述获取模块，具体还用于根据所述人脸图像关键点提取人脸图像轮廓区域；

所述获取模块，具体还用于通过对所述人脸图像轮廓区域内的像素点参数进行调整，得到人脸图像特征样本数据。

进一步地，所述获取单元还包括：

标记模块，用于根据皮质醇测评标准对所述人脸图像特征样本数据进行标记，得到携带各种皮质醇含量等级标签的人脸图像特征样本数据。

进一步地，所述卷积神经网络为多层结构的网络模型，所述第一训练单元包括：

提取模块，用于通过所述卷积神经网络模型的卷积层提取各种皮质醇含量等级的人脸图像样本特征数据的局部人脸特征信息；

连接模块，用于通过所述卷积神经网络模型的全连接层将提取到的局部人脸特征信息进行连接，得到各种皮质醇含量等级的多维度局部人脸特征信息矩阵；

融合模块，用于通过所述卷积神经网络模型的池化层对各种皮质醇含量等级的多维度局部人脸特征信息矩阵进行融合，输出携带有各种皮质醇含量等级标签的人脸图像特征矩阵；

分类模块，用于通过所述卷积神经网络模型的分类层对携带有各种皮质醇含量等级标签人脸图像特征矩阵进行分类，构建皮质醇含量测评模型。

进一步地，所述装置还包括：

发送单元，用于在所述将待测评用户人脸图像特征数据输入至所述皮质醇含量测评模型，得到待测评用户的皮质醇含量等级之后，将所述待测评用户的皮质醇含量等级发送至待测评用户，以便于用户实时监控健康状态。

进一步地，所述装置还包括：

调整单元，用于在所述将待测评用户人脸图像特征数据输入至所述皮质醇含量测评模型，得到待测评用户的皮质醇含量等级之后，根据待测评用户对测评皮质醇含量等级结果的反馈信息，调整预设皮质醇含量等级的人脸图像特征样本数据在所述人脸图像特征样本数据中的比重；

第二训练单元，用于将调整比重后的人脸图像特征样本数据输入至卷积神经网络模型进行训练，构建调整后的皮质醇含量测评模型；

第二测评单元，用于将待测评用户人脸图像特征数据输入至所述调整后的皮质醇含量测评模型，得到待测评用户的皮质醇含量等级。

根据本发明实施例的第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述皮质醇含量的测评方法的步骤。

根据本发明实施例的第四方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述皮质醇含量的测评方法的步骤。

通过本发明，获取人脸图像样本数据，并将携带各种皮质醇含量等级标签的人脸图像特征样本数据输入至卷积神经网络进行训练，构建皮质醇含量测评模型，通过皮质醇含量测评模型来识别每个输入用户人脸图像的皮质醇含量等级。与现有技术的皮质醇量测评的方法相比，本发明实施例基于深度学习识别面容图像来对皮质醇含量进行测评，能够及时检测出不同面容图像用户对应的皮质醇含量等级，无需特定医疗设备即可实现皮质醇含量的测评，不仅降低了皮质醇含量测评的难度，还能实时监控用户的身体健康状况。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种皮质醇含量的测评方法的流程图；

图2是根据本发明实施例的另一种皮质醇含量的测评方法的流程图；

图3是根据本发明实施例的一种皮质醇含量的测评装置的结构框图；

图4是根据本发明实施例的另一种皮质醇含量的测评装置的结构框图；

图5是根据本发明实施例的皮质醇含量的测评装置400的框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

在本实施例中提供了一种皮质醇含量的测评方法，图1是根据本发明实施例的流程图一，如图1所示，该流程包括如下步骤：

步骤s101，获取人脸图像特征样本数据；

其中，人脸图像为通过采集设备对选取的样本用户拍摄的正面人脸图像，并且样本用户具有各种皮质醇含量等级。由于皮质醇含量过高或者过低都不是健康的表现，通常情况下，皮质醇高于正常值会导致样本用户表现出不同的满月脸程度，例如，皮质醇含量高于正常较少的样本用户会表现出不明显的满月脸，皮质醇含量高于正常值较多的样本用户会表现出明显的满月脸。

需要说明的是，由于皮质醇时肾上腺在应激反应里产生的一种类激素，在正常情况下，皮质醇会随着血液循环游离到身体不同部位，因此，上述的皮质醇含量可以是血浆皮质醇，可以为唾液皮质醇，也可以为尿离子皮质醇等，本发明不进行限定，具体可以根据实际情况选取不同的皮质醇含量。

对于本发明实施例，人脸由眼睛、鼻子、嘴、下巴等局部构成，这些局部和它们之间结构关系的几何描述，可作为基础的人脸图像特征，当然为了加入更多的参考特征，人脸图像特征还可以包括人脸的皮肤光泽度、脸部轮廓、黑眼圈、眼袋、法令纹等特征，具体可以通过基于知识表现的表征方法获取人脸图像特征样本数据，还可以通过基于代数特征或统计学习的表征方法获取人脸图像特征样本数据，在此对获取人脸图像特征样本数据的方式不进行限定。

需要说明的是，由于人脸图像特征样本数据为从具有不同的皮质醇含量等级的样本用户的人脸图像中获取的，相当于人脸图像特征对应样本用户的皮质醇含量等级为已知的，所以在对人脸图像特征样本数据进行训练之前，根据样本用户的皮质醇含量等级对人脸图像特征样本数据进行标记，使得人脸图像特征样本数据携带有各种皮质醇含量等级，以便于后续对人脸图像特征样本数据进行拟合训练。

步骤s102，将所述人脸图像特征样本数据输入至卷积神经网络模型进行训练，构建皮质醇含量测评模型；

由于人脸图像特征中包括正常人脸图像以及不同满月脸程度的图像特征，为了对正常人脸图像以及不同满月脸程度的用户样本进行区分，需要在人脸图像特征样本数据输入至卷积神经网络模型之前，根据样本用户的皮质醇含量等级对人脸图像特征样本数据进行标记，得到携带皮质醇含量等级标签的人脸图像特征样本数据，例如，可以将皮质醇含量等级设为三个等级，等级a、等级b、等级c，当然还可以设置更多等级，这里不进行限定，从而根据皮质醇含量等级标签对人脸图像特征样本数据进行训练。

对于本发明实施例，这里的卷积神经网络模型为可以通过反复训练人脸图像特征样本数据构建皮质醇含量测评模型的网络结构，该网络结构可以对人脸图像特征样本数据进行训练，并给出正确的输入-输出关系，相当于人脸图像特征与皮质醇含量等级的映射关系。

具体卷积神经网络模型的结构可以通过卷积层、全连接层以及池化层结构实现，这里的卷积层相当于卷积神经网络的隐含层，可以为多层结构，用于提取更深层次的人脸图像特征；在卷积神经网络模型中，为了减小参数，减低计算，常常在连续卷积层中间隔插入池化层；这里的全连接层与卷积层相似，卷积层的神经元和上一层输出局部区域相连，当然为了减少输出特征向量过多，可以设置两个全连接层，在人脸图像特征样本数据通过若干个卷积层训练后对训练输出的特征数据进行整合。

步骤s103，将待测评用户人脸图像特征数据输入至所述皮质醇含量测评模型，得到待测评用户的皮质醇含量等级。

其中，待测评用户人脸图像特征数据为采集到的未知皮质醇含量用户的人脸图像数据，并且待测评用户人脸图像特征数据与人脸图像样本数据的采集过程相同，通过皮质醇含量测评模型可以检测出待测评用户的皮质醇含量等级。

例如，皮质醇含量等级设置为3个等级，分别对应正常皮质醇含量等级、较高皮质醇含量等级以及超高皮质醇含量等级，通过皮质醇含量测评模型检测到待测评用户人脸图像特征与正常皮质醇含量等级映射，则得到待测评用户皮质醇含量等级为正常皮质醇含量等级。

通过本发明，获取人脸图像样本数据，并将携带各种皮质醇含量等级标签的人脸图像特征样本数据输入至卷积神经网络进行训练，构建皮质醇含量测评模型，通过皮质醇含量测评模型来识别每个输入用户人脸图像的皮质醇含量等级。与现有技术的皮质醇量测评的方法相比，本发明实施例基于深度学习识别面容图像来对皮质醇含量进行测评，能够及时检测出不同面容图像用户对应的皮质醇含量等级，无需特定医疗设备即可实现皮质醇含量的测评，不仅降低了皮质醇含量测评的难度，还能实时监控用户的身体健康状况。

图2是根据本发明优选实施例的皮质醇含量的测评方法的流程图，如图2所示，该方法包括以下步骤：

步骤s201，收集符合预设条件的人脸图像。

其中，符合预设条件的人脸图像为经过医院方进行科学测验后拍摄的人脸图像，并且收集到的人脸图像为各种皮质醇含量等级用户的人脸图像。

为了保证收集到的人脸图像符合要求，具体可以通过设置服务器对收集到的人脸图像进行合格检验，当然还可以专门的检验人员对收集到的人脸图像进行合格检验，这里不进行限定。

对于本发明实施例，通过采集大量用户样本的人脸图像，获取得到不同皮质醇含量样本用户的人脸图像，这里对用户样本数量不进行限定，可以选取300名成年人作为样本用户，当然还可以选取更多的样本用户。

需要说明的是，由于样本用户具有各种皮质醇含量等级，采集到的人脸图像中包含正常人脸图像以及不同满月脸程度的人脸图像，为了保证获取到的人脸图像特征样本数据的多样性，可以预先对采集的样本用户进行筛选分类，保证能够获取到具有不同皮质醇含量等级的样本用户。

步骤s202，对所述符合预设条件的人脸图像进行预处理，获取人脸图像特征样本数据。

由于人脸图像在拍摄过程中会受到环境中的光线、摄像头等参数的影响，在提取人脸图像特征之前，需要对符合预设条件的人脸图像进行预处理，以保证提取的到的人脸图像特征的准确度。

对于本发明实施例，具体对符合预设条件的人脸图像进行预处理，获取人脸图像特征样本数据的步骤可以包括但不局限于下述实现方式：首先对符合预设条件的人脸图像进行定位，确定人脸关键点，如眉毛、下颌等，并以此为依据确定眼睛、鼻子和嘴巴等五官的相对坐标，然后根据人脸关键点提取人脸图像轮廓区域，提出人脸区域之外的背景，进一步通过对人脸图像轮廓区域内的像素点进行调整，如对轮廓区域根据透视视角进行等比例拉伸，同时根据相机参数进行畸变校正，对人脸轮廓区域内的每个像素的rgb色度分量逐点进行色度矫正和亮度矫正，进而得到人脸图像特征样本数据。

步骤s203，根据皮质醇测评标准对所述人脸图像特征样本数据进行标记，得到携带各种皮质醇含量等级标签的人脸图像特征样本数据。

具体可以使用仪器进行科学测定，根据测定的皮质醇测评标准对人脸图像特征样本数据进行标记，得到携带各种皮质醇含量等级标签的人脸图像特征样本数据。

对于本发明实施例，通过根据皮质醇测评标准对人脸图像特征样本数据进行标记，预先对各种皮质醇含量等级的人脸图像特征样本数据进行分类，从而确定样本的输入模式，将分类后的人脸图像特征样本数据作为正例样本输入至神经网络中，方便后续对人脸图像特征样本数据进行训练。

步骤s204，将所述人脸图像特征样本数据输入至卷积神经网络模型进行训练，构建皮质醇含量测评模型。

对于本发明实施例，卷积神经网络可以由多层组成，每层结构具有不同的输入输出参数以及实现不同的功能，通过卷积神经网络来对携带不同皮质醇含量等级标签的人脸图像特征样本数据进行反复训练，得到人脸图像特征与皮质醇含量等级的映射关系，该映射关系相当于皮质醇含量测评模型。

具体通过卷积神经网络模型的卷积层从人脸图像特征样本数据中提取不同皮质醇含量等级的人脸图像样本特征数据的局部人脸特征信息，通过卷积神经网络模型的全连接层提取到的局部人脸特征信息进行连接，得到各种皮质醇含量等级的多维度局部人脸特征信息矩阵，通过卷积神经网络模型的池化层对各种皮质醇含量等级的多维度局部人脸特征信息矩阵进行融合，输出携带有各种皮质醇含量等级标签的人脸图像特征矩阵，通过卷积神经网络模型的分类层对携带有各种皮质醇含量等级标签人脸图像特征矩阵进行分类，构建皮质醇含量测评模型。

例如，卷积神经网络包括13个卷积层，3个全连接层，这里可以设置卷积层的卷积核个数分别为64、64、128、128、256、256、512、512、512、512、512、512，并且第2个卷积层与第3个卷积层之间、第4个卷积层与第5个卷积层之间、第6个卷积层与第7个卷积层之间、第8个卷积层与第9个卷积层之间、第10个卷积层与第11个卷积层之间、第13个卷积层与第1个全连接层之间，均连接1个池化层，并且上述13个卷积层和3个全连接层均用非线性激活函数进行处理。当输入为224×224大小的人脸图像特征样本数据，输出为各种皮质醇含量等级的分类结果。

步骤s205，将待测评用户人脸图像特征数据输入至所述皮质醇含量测评模型，得到待测评用户的皮质醇含量等级。

对于本发明实施例，通过皮质醇含量测评模型测评得到的用户皮质醇含量等级只是根据待测评用户的面容图像初步判断皮质醇含量情况，仅仅是一个大概的范围，并非精确的皮质醇含量，从而方便疾病用户实时了解自身的健康状况。

步骤s206，将所述待测评用户的皮质醇含量等级发送至待测评用户，以便于用户实时监控健康状态。

对于本发明实施例，为了方便用户观察，在测得皮质醇含量等级后，进一步将测得的皮质醇含量等级发送至待测评用户，以便于用户可以实时监控健康状态，无需通过特定的医疗设备去检测，方便用户使用。

步骤s207，根据待测评用户对测评皮质醇含量等级结果的反馈信息，调整预设皮质醇含量等级的人脸图像特征样本数据在所述人脸图像特征样本数据中的比重。

为了进一步判断皮质醇含量的准确性，在得到待测评用户的皮质醇含量等级后，待测评用户可以对测评皮质醇含量等级结果进行反馈，具体可以将通过科学仪器测试的用户皮质醇含量与通过皮质醇含量测评模型检测的用户皮质醇含量等级进行比对，从而得到待测评用户的反馈信息，这里的反馈信息可以包括实际结果、测评结果与实际结果的偏差等。

需要说明的是，如果用户测评结果反馈信息表明测评结果与实际结果的偏差较大，则说明皮质醇含量测评模型的训练样本数量不够或者训练样本不能覆盖到所有人的体质情况，需要加大训练过程预设皮质醇含量等级的人脸图像特征样本数据在人脸图像特征样本数据中所占有的比重，从而对皮质醇含量测评模型进行调整。

步骤s208，将调整比重后的人脸图像特征样本数据输入至卷积神经网络模型进行训练，构建调整后的皮质醇含量测评模型。

对于本发明实施例，将调整比重后的人脸图像特征样本数据输入至卷积神经网络进行训练，可以对皮质醇含量测评模型的网络权重和偏移参数进行更新，由于卷积神经网络在训练数据过程中具有监督学习功能，可以在前向传播和后向传播过程中使用随机梯度下降法进行网络权重和偏移参数的更新；如果用户测评结果反馈误差较小，则说明皮质醇含量测评模型基本满足用户需求，无需对网络参数和偏移参数进行更新。

步骤s209，将待测评用户人脸图像特征数据输入至所述调整后的皮质醇含量测评模型，得到待测评用户的皮质醇含量等级。

对于本发明实施例，这里调整后的皮质醇含量测评模型为经过待测评用户对测评皮质醇含量等级结果的反馈信息进行调整后得到的优化模型，该模型具有优化的权重参数和偏移参数，使得通过调整后的皮质醇含量测评模型所得到的待测评用户的皮质醇含量等级更准确。

通过本发明实施例，获取人脸图像样本数据，并将携带各种皮质醇含量等级标签的人脸图像特征样本数据输入至卷积神经网络进行训练，构建皮质醇含量测评模型，通过皮质醇含量测评模型来识别每个输入用户人脸图像的皮质醇含量等级。与现有技术的皮质醇量测评的方法相比，本发明实施例基于深度学习识别面容图像来对皮质醇含量进行测评，能够及时检测出不同面容图像用户对应的皮质醇含量等级，无需特定医疗设备即可实现皮质醇含量的测评，不仅降低了皮质醇含量测评的难度，还能实时监控用户的身体健康状况。

图3是根据本发明实施例的一种皮质醇含量的测评装置的结构框图。参照图3，该装置包括获取单元31，第一训练单元32和第一测评单元33。

获取单元31，可以用于获取人脸图像特征样本数据；

第一训练单元32，可以用于将所述人脸图像特征样本数据输入至卷积神经网络模型进行训练，构建皮质醇含量测评模型，所述皮质醇含量模型记录有人脸图像特征与皮质醇含量等级的映射关系；

第一测评单元33，可以用于将待测评用户人脸图像特征数据输入至所述皮质醇含量测评模型，得到待测评用户的皮质醇含量等级。

通过本发明实施例，获取人脸图像样本数据，并将携带各种皮质醇含量等级标签的人脸图像特征样本数据输入至卷积神经网络进行训练，构建皮质醇含量测评模型，通过皮质醇含量测评模型来识别每个输入用户人脸图像的皮质醇含量等级。与现有技术的皮质醇量测评的方法相比，本发明实施例基于深度学习识别面容图像来对皮质醇含量进行测评，能够及时检测出不同面容图像用户对应的皮质醇含量等级，无需特定医疗设备即可实现皮质醇含量的测评，不仅降低了皮质醇含量测评的难度，还能实时监控用户的身体健康状况。

作为图3中所示皮质醇含量的测评装置的进一步说明，图4是根据本发明实施例另一种皮质醇含量的测评装置的结构示意图，如图4所示，该装置还包括：

发送单元34，可以用于在所述将待测评用户人脸图像特征数据输入至所述皮质醇含量测评模型，得到待测评用户的皮质醇含量等级之后，将所述待测评用户的皮质醇含量等级发送至待测评用户，以便于用户实时监控健康状态；

调整单元35，可以用于在所述将待测评用户人脸图像特征数据输入至所述皮质醇含量测评模型，得到待测评用户的皮质醇含量等级之后，根据待测评用户对测评皮质醇含量等级结果的反馈信息，调整所述待测评人脸图像特征在所述人脸图像特征样本数据中的比重；

第二训练单元36，可以用于将调整比重后的人脸图像特征样本数据输入至卷积神经网络模型进行训练，构建调整后的皮质醇含量测评模型；

第二测评单元37，可以用于将待测评用户人脸图像特征数据输入至所述调整后的皮质醇含量测评模型，得到待测评用户的皮质醇含量等级。

进一步地，所述获取单元31包括：

收集模块311，可以用于收集符合预设条件的人脸图像；

获取模块312，可以用于对所述符合预设条件的人脸图像进行预处理，获取人脸图像特征样本数据。

进一步地，所述获取模块312，具体用于对所述符合预设条件的人脸图像进行定位，确定人脸图像关键点；

所述获取模块312，具体还可以用于根据所述人脸图像关键点提取人脸图像轮廓区域；

所述获取模块312，具体还可以用于通过对所述人脸图像轮廓区域内的像素点参数进行调整，得到人脸图像特征样本数据。

进一步地，所述获取单元31还包括：

标记模块313，可以用于根据皮质醇测评标准对所述人脸图像特征样本数据进行标记，得到携带各种皮质醇含量等级标签的人脸图像特征样本数据。

进一步地，所述卷积神经网络为多层结构的网络模型，所述第一训练单元32包括：

提取模块321，可以用于通过所述卷积神经网络模型的卷积层提取不同皮质醇含量等级的人脸图像样本特征数据的局部人脸特征信息；

连接模块322，用于通过所述卷积神经网络模型的全连接层将提取到的局部人脸特征信息进行连接，得到不同皮质醇含量等级的多维度局部人脸特征信息矩阵；

融合模块323，可以用于通过所述卷积神经网络模型的池化层对不同皮质醇含量等级的多维度局部人脸特征信息矩阵进行融合，输出携带有不同皮质醇含量等级标签的人脸图像特征矩阵；

分类模块324，可以用于通过所述卷积神经网络模型的分类层对携带有不同皮质醇含量等级标签人脸图像特征矩阵进行分类，构建皮质醇含量测评模型。

图5是根据一示例性实施例示出的一种皮质醇含量的测评装置400的框图。例如，装置400可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图5，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电源组件406，多媒体组件408，音频组件410，i/o(input/output，输入/输出)的接口412，传感器组件414，以及通信组件416。

处理组件402通常控制装置400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。

存储器404被配置为存储各种类型的数据以支持在装置400的操作。这些数据的示例包括用于在装置400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如sram(staticrandomaccessmemory,静态随机存取存储器)，eeprom(electrically-erasableprogrammableread-onlymemory,电可擦除可编程只读存储器)，eprom(erasableprogrammablereadonlymemory,可擦除可编程只读存储器)，prom(programmableread-onlymemory,可编程只读存储器)，rom(read-onlymemory,只读存储器)，磁存储器，快闪存储器，磁盘或光盘。

电源组件406为装置400的各种组件提供电力。电源组件406可以包括电源管理系统，一个或多个电源，及其他与为装置400生成、管理和分配电力相关联的组件。

多媒体组件408包括在所述装置400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括lcd(liquidcrystaldisplay，液晶显示器)和tp(touchpanel，触摸面板)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件408包括一个前置摄像头和/或后置摄像头。当装置400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件410被配置为输出和/或输入音频信号。例如，音频组件410包括一个mic(microphone,麦克风)，当装置400处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。

i/o接口412为处理组件402和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。例如，传感器组件414可以检测到设备400的打开/关闭状态，组件的相对定位，例如组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器，如cmos(complementarymetaloxidesemiconductor，互补金属氧化物)或ccd(charge-coupleddevice，电荷耦合元件)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件416经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件416还包括nfc(nearfieldcommunication,近场通信)模块，以促进短程通信。例如，在nfc模块可基于rfid(radiofrequencyidentification,射频识别)技术，irda(infra-reddataassociation,红外数据协会)技术，uwb(ultrawideband,超宽带)技术，bt(bluetooth,蓝牙)技术和其他技术来实现。

在示例性实施例中，装置400可以被一个或多个asic(applicationspecificintegratedcircuit,应用专用集成电路)、dsp(digitalsignalprocessor,数字信号处理器)、dspd(digitalsignalprocessordevice，数字信号处理设备)、pld(programmablelogicdevice,可编程逻辑器件)、fpga)(fieldprogrammablegatearray,现场可编程门阵列)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述皮质醇含量的测评方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器404，上述指令可由装置400的处理器420执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、ram(randomaccessmemory,随机存取存储器)、cd-rom(compactdiscread-onlymemory,光盘只读存储器)、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由皮质醇含量的测评装置的处理器执行时，使得皮质醇含量的测评装置能够执行上述皮质醇含量的测评方法。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。