基于卷积神经元网络的中医舌诊模型的确定方法及系统的制作方法
【技术领域】
[0001]本发明涉及中医智能诊断技术领域，具体涉及大数据、人工智能、中医舌诊、机器学习、深度学习领域，特别是指一种基于卷积神经元网络的中医舌诊模型的确定方法及系统。
【背景技术】
[0002]中医在我国拥有几千年的历史和临床实践，在治病、防病和养生领域有着非常显著的成效。但由于我国人口数众多，并且老龄化问题严重，导致每天看中医的患者数量庞大且与日倶增，致使中医师供不应求。
[0003]基于以上问题，近几年中医智能诊断系统问世，目的是辅助中医师诊断患者病情，提升诊断效率。该类中医智能诊断系统大多数是基于专家系统的原理实现的。但是由于专家系统是基于知识规则构建出来的，而实际患者病情千变万化，这种以推理机制实现的系统常常会出现误诊的情况。
[0004]目前，深度学习技术近两三年来在学术界、工业界都取得了巨大的成就，各大互联网巨头谷歌(Google)、微软(Microsoft)、脸谱(Facebook)、阿里巴巴、百度等相继成立深度学习研究机构，以解决在图像、语音、文字等领域的各类问题。然而，深度学习技术在中医诊断方面的研究尚未有成果。
【发明内容】
[0005]本发明要解决的技术问题是提供一种基于卷积神经元网络的中医舌诊模型的确定方法及系统，以解决现有技术所存在的基于知识规则构建的中医智能专家诊断系统误诊率高的问题。
[0006]为解决上述技术问题，本发明实施例提供一种基于卷积神经元网络的中医舌诊模型的确定方法，包括:
[0007]获取患者舌部图像信息作为训练集及交叉验证集；
[0008]调整卷积神经元网络每层神经元的个数，利用所述训练集对调整后的多个不同卷积神经元网络分别进行训练，确定多个不同结构的卷积神经元网络的参数；
[0009]将所述交叉验证集分别作为所述多个不同结构卷积神经元网络的输入，将舌诊结果准确率最高的卷积神经元网络作为最优舌诊模型。
[0010]可选地，所述方法还包括:
[0011]获取患者舌部图像信息作为测试集；
[0012]将所述测试集作为最优舌诊模型的输入，得到测试集中各测试样本的舌诊结果，统计舌诊结果的准确性。
[0013]可选地，所述方法还包括:
[0014]对所述训练集、交叉验证集及测试集中的舌部图像进行预处理，并转化为一定的数据格式，其中，所述预处理包括:对所述训练集、交叉验证集及测试集中的舌部图像的大小进行归一化处理、作主成分分析和白化处理。
[0015]可选地，所述调整卷积神经元网络每层神经元的个数包括:
[0016]在一配置文件中配置卷积神经元网络的结构信息，所述卷积神经元网络的结构包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层及全连接输出层；
[0017]在一配置文件中配置所述输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接输出层的神经元构成以及输入参数和输出参数；
[0018]在一配置文件中配置神经元激活函数，避免训练过程陷入极小值导致训练停滞。
[0019]可选地，所述输入层，用于输入患者舌部图像信息；
[0020]所述第一卷积层，用于将预先训练好的第一探测器与输入层输入的患者舌部图像信息进行卷积运算得到第一卷积特征图；
[0021]所述第一池化层，用于对第一卷积层输出的第一卷积特征图进行采样，得到采样区域的第一特征平均值；
[0022]所述第二卷积层，用于将预先训练好的第二探测器与第一池化层输出的第一特征平均值进行卷积元素得到第二卷积特征图；
[0023]所述第二池化层，用于对第二卷积层输出的第二卷积特征图进行采样，得到采样区域的第二特征平均值；
[0024]所述全连接输出层，用于对第二池化层输出的第二特征平均值进行训练，分类输出舌诊结果，所述舌诊结果包括:正常、肝硬化、肝癌、乙肝。
[0025]可选地，所述利用所述训练集对调整后的卷积神经元网络进行训练，确定不同结构的卷积神经元网络的参数包括:
[0026]SI，初始化卷积神经元网络中的所有权重；
[0027]S2，根据训练集中给定的训练样本，进行前向传导运算，即由输入层与第一卷积层权重作矩阵运算得到第一池化层所有神经元的激活值，将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值，以此类推，最终得到全连接输出层的激活值；
[0028]S3，利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重，确定第二池化层的误差，以此类推，算出每一层相应的误差；
[0029]S4，利用每一层的误差算出响应的偏导数，利用偏导数来更新所有权重；
[0030]S5，重复S2?S4，直至完预设的迭代次数后，完成卷积神经元网络的训练过程，保存训练结果。
[0031]可选地，所述利用所述训练集对调整后的卷积神经元网络进行训练包括:
[0032]将所述训练集拆成多个子训练集，每个子训练集对调整后的各个卷积神经元网络的训练过程由各子训练集对应的图形处理器进行并行处理；
[0033]将各图形处理器的并行处理结果进行累加，完成所述训练集对调整后的卷积神经元网络的训练过程。
[0034]本发明实施例还提供一种基于卷积神经元网络的中医舌诊模型的确定系统，包括:
[0035]第一获取单元:用于获取患者舌部图像信息作为训练集及交叉验证集；
[0036]卷积神经元网络确定单元:用于调整卷积神经元网络每层神经元的个数，利用所述训练集对调整后的多个不同卷积神经元网络分别进行训练，确定多个不同结构的卷积神经元网络的参数；
[0037]最优舌诊模型确定单元:用于将所述交叉验证集分别作为所述多个不同结构卷积神经元网络的输入，将舌诊结果准确率最高的卷积神经元网络作为最优舌诊模型。
[0038]可选地，所述卷积神经元网络的结构包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层及全连接输出层；
[0039]所述输入层，用于输入患者舌部图像信息；
[0040]所述第一卷积层，用于将预先训练好的第一探测器与输入层输入的患者舌部图像信息进行卷积运算得到第一卷积特征图；
[0041]所述第一池化层，用于对第一卷积层输出的第一卷积特征图进行采样，得到采样区域的第一特征平均值；
[0042]所述第二卷积层，用于将预先训练好的第二探测器与第一池化层输出的第一特征平均值进行卷积元素得到第二卷积特征图；
[0043]所述第二池化层，用于对第二卷积层输出的第二卷积特征图进行采样，得到采样区域的第二特征平均值；
[0044]所述全连接输出层，用于对第二池化层输出的第二特征平均值进行训练，分类输出舌诊结果，所述舌诊结果包括:正常、肝硬化、肝癌、乙肝。
[0045]可选地，所述系统还包括:
[0046]第二获取单元，用于获取患者舌部图像信息作为测试集；
[0047]测试单元，用于将所述测试集作为最优舌诊模型的输入，得到测试集中各测试样本的舌诊结果，统计舌诊结果的准确性；
[0048]所述卷积神经元网络确定单元包括:
[0049]初始化模块，用于初始化卷积神经元网络中的所有权重；
[0050]激活值生成模块，用于根据训练集中给定的训练样本，进行前向传导运算，即由输入层与第一卷积层权重作矩阵运