基于三维立体人工智能识别的非接触式测量装置

1.本发明提供一种利用人工智能识别完成非接触式测量结果诊断的非接触式测量装置。尤其涉及基于三维立体人工智能识别的非接触式测量装置,属于人工智能医疗检测领域。


背景技术：

2.中医中望闻问切时四大诊断的手法，其中切即是对脉搏的跳动规律进行探索的路线。随着现代医学的发展，超声、射线类探测、波动式探测成为代替传统中医切的更为全面科学的方案。但是一般测量仪器都属于接触人体皮肤，中医切也不例外。非接触式测量由于直接可以穿透就诊者的外衣而采取到有关心率和呼吸律动的信号从而实现快速方便地生命体征的信息获取。因此，如果能够很好地集成传统的中医的思想，使用现代的非接触式测量就能很好地全面非户主人体的医学检测，从而推动中医的科学化发展。
3.从测量的理论上看，根据中医理论，人体的脉搏与经络密切相关，经络通滞又与一些疾病联系。于此相应的是，西医听诊中对于呼吸听诊则需要对胸前后肩胛背部两胁和胸侧全方位多点测量。联系中医整体论治观点本身，单一的手腕切诊并不能详细反应人体脉搏体征和各部位经络的情况，只能依靠老中医的传承经验而获知，这对于现代社会西医就诊观点来说是有局限性的。而此时西医听诊的多点测量又近似符合整体论治观，从而如何从中西医医治哲学进行精华提取，融会贯通前提下，就对非接触测量装置提出了更高的要求。
4.中医理论中另一方面就是辩证论治，而辩证论治本身也符合西医的哲学观。这表明被测者的体征在身体不同部位之间是有联系的，某一处的问题实质上是不光由本部位产生还由其他部位的问题连带产生，因此从这个辩证观点来看头疼确实还需医脚。
5.从测量方式上看，除非西医的整体扫描模式(一般不做)，中西医只能对局部进行测量，从而记录在病历上。此时如果采用整体观测量，测量数据中就需要记录测量的精确部位，按照中医如果不记录部位，容易导致遗忘，从而浪费了前一次测量的数据，没有做到数据记录的完备性，西医测量虽然能精确定位，但往往是局部扫描，忽略了整体论治。
6.现代医学仪器并没有考虑到上述的医治观念的中西结合，从而在装置设计上还是以西医的仪器设备为基础。


技术实现要素：

7.本发明从上述中西医论治观的异同出发，结合两者的优点而设计一种基于人体三维整体和别各部位的人工智能识别呼吸和脉动，从而为诊断提供可靠的医学数据。为此，本发明提供一种基于三维立体人工智能识别的非接触式测量装置，其特征在于，包括客户端；非接触式测量仪，用于对人体的生理律动进行监测，非接触式测量网络系统，用于非接触式测量仪和客户端的通信、信息存储、和基于三维立体人工智能识别建模，以及具有网格结构的定位衣，用于对人体的所述生理律动产生部位进行三维定位。
8.所述非接触式测量仪可以包括雷达波发射可控的生命体征雷达检测仪，包括探头、雷达前端数据处理系统，所述探头包括外壳，所述外壳内部安装的发射天线、接受天线，以及在发射天线和/或接受天线的雷达波传输口上设置的可控雷达波屏蔽门或者采用方波激励开关，用于控制发射雷达波和/或接受雷达波的传播路径在所述传输口上的通断。
9.优选地，采用雷达波屏蔽材料作为屏蔽门，所述屏蔽门通过机械方式或电子开关方式实现发射雷达波或接受雷达波的传播路径在所述传输口上的通断。
10.所述雷达前端数据处理系统包括方波激励源、脉冲发射器、时序控制单元、取样脉冲单元、等效采样接收机、信号处理单元，其中，所述生命体征雷达检测仪的方波激励源根据使用者的可控雷达波屏蔽门或者采用方波激励开关的开启而使得激励的一路方波驱动发射电路形成双极型发射高斯脉冲，连续向对就诊者发射，当使用者关闭可控雷达波屏蔽门或者方波激励开关时阻断发射雷达波或接受雷达波在所述传输口上的传播路径；生命体征雷达检测仪的方波激励源产生的另一路方波通过时序控制单元的精确延时后驱动取样脉冲单元，形成单极性取样高斯脉冲；双极型发射高斯脉冲经发射天线发射后，遇到就诊者发生反射，接收天线恰好接收该回波脉冲信号，经过精确延时的取样高斯脉冲也正好到来；等效采样接收机对回波脉冲信号进行累积，得到一个输出电压信号，生理律动发生变化，等效采样接收机输出电压信号也随之改变，就诊者发生的微弱周期生理律动，通过回波信号的频率或相位的变化，等效采样接收机便可以获得一个周期性的生理律动的微动电压信号；电压信号经过信号处理单元的放大、滤波、电平搬移和模数转换处理后，传送至非接触式测量网络系统中；
11.可以理解的是，当选择方波激励开关控制发射时，取样高斯脉冲和发射高斯脉冲同时被控制，而采用可控雷达波屏蔽门控制发射时，取样高斯脉冲仍然被采集到的，而发射高斯脉冲信号是低的近似平直的线，采样结果也是时间轴上低的平直的线。
12.优选地，所述非接触式测量网络系统包括：以太网，核心交换机、专线网络、至少一个数据集成网关bn，n为自然数，与所述至少一个数据集成网关bn可数据交互的相应的至少一个医疗资源an，n为自然数,以及数据库服务器sv，其中，以太网用于接收非接触式生命体征测量仪和/或和客户端的数据交互，并且以太网与核心交换机、核心交换机与专线网络，专线网络与至少一个数据集成网关bn，以及核心交换机与数据库服务器sv之间可数据交互。
13.优选地，所述具有网格结构的定位衣(以下简称定位衣)包括一体化设计的套衣、包括头部套口、胸前片、胸后片、左前臂袖套、右前臂袖套、左脚套、右脚套，其中，所述头部套口具有贴颈的左右两侧的镂孔套片，以暴露颈部动脉部位，所述头部套口用于将人体头部套入而完成套衣在颈部的定位，此时头部套口外延的胸前片、胸后片罩在人体躯干上前后胸腔听诊部位，且所述胸前片、胸后片具有暴露听诊部位的多个镂孔，且所述胸前片具有往胸腔左右两侧延伸而覆盖到胸腔左右两侧的侧片，所述侧片上具有多个用于听诊的镂孔；所述左前臂袖套、右前臂袖套分别对称地与所述胸前片的上边缘连接，用于分别套入左前臂和右前臂；所述左前臂袖套、右前臂袖套都具有暴露手心所在一侧的手腕的镂孔以及手心所在一侧的前臂与后臂关节处的镂孔；所述左脚套、右脚套分别对称地与所述胸前片下端连接，用于分别套入左脚和右脚，所述左脚套、右脚套都具有暴露脚背和脚踝的两个镂孔。
14.优选地，所述套衣根据就诊者的体型而设计为从小到大的大小。
15.更优选地，所述每个镂孔附近都具有用于指示监测顺序的序号，以便监测时按照序号顺序对所有镂孔部位进行非接触式监测。
16.具体套衣的穿戴方法为，选择一件套衣，使得就诊者的头部能够套入所述套衣的头部套口，将就诊者的左前臂、右前臂、左脚、右脚分别能够套入左前臂袖套、右前臂袖套、左脚套、右脚套，使得套片贴颈而使得镂孔套片暴露颈部动脉，而胸前片、胸后片、左前臂袖套、右前臂袖套、左脚套、右脚套中的镂孔分别暴露相应的部位。
17.可以理解的是，套衣大小的设计的内涵是以使得套衣各部分能够与就诊者实现合身或基本合身地穿戴而准确暴露所需要监测的部位。即便体型差别而镂孔范围足够使得医生能够根据经验而灵活在镂孔中的适当范围内寻找调节而实现准确的部位监测。
18.穿戴完毕之后即可进行镂空部位的非接触式监测。因此本发明基于三维立体人工智能识别的非接触式测量装置中利用非接触式测量仪的监测生命体征的方法包括如下步骤：
19.s1召集志愿者，依照年龄分为abcde五组年龄组，其中a组年龄为14岁以下，b组为15岁-30岁，c组为31-50岁，d组为51-70岁，e组为71岁以上；每一组内都划分为训练集、验证集、测试集；优选地，所述训练集、验证集、测试集的比例为5-1:1:1-5；
20.s2所有五组中的志愿者穿戴上所述定位衣，按照顺序分别对颈部、前后胸及胸腔左右两侧、前臂、脚部中的所有镂孔部位使用所述非接触式测量仪进行监测；并且在测试完其中任一个镂孔部位切换到下一个镂孔部位前，切断在所述传输口上的发射雷达波或接受雷达波的传播路径，当切换完毕时继续开通传播路径进行监测，以此完成所有镂孔部位的监测；
21.s3数据库服务器sv获取监测数据，对于每一个分组，建立人工智能识别模型ma、mb、mc、md，me，形成人工智能识别模型集m＝{ma,mb,mc,md,me}以判断体征指标在预设的范围内的分类；
22.s4测试集采用如s2步骤的监测方式完成监测，将监测数据根据测试集所在的年龄组而代入人工智能识别模型集m中相应的模型识别出体征的分类。
23.其中s3具体的步骤为：
24.s3-1数据库服务器sv获取监测数据，将电压信号数据通过傅里叶变换转化到频域中，获得傅里叶频谱f；
25.s3-2对于每一个组内的训练集，使用主成分分析法聚类分析获取载荷图，得到对应于生命体征不同分类的敏感的特征傅里叶频率波段bf，将bf中进行傅里叶积分振幅归一化为归一化积分振幅af，按照左右颈部动脉、前后胸片以及胸腔左右两侧的多个按顺序的听诊部位、左右手腕，手心所在一侧的前臂与后臂左右关节处、脚部中左右脚背、左右脚踝的排序而将相应归一化积分振幅af伪彩化af→
rgb，其中rgb为红绿蓝三色中至少一者的彩色值，并进行矩阵化排列成图像p；
26.可以理解的是，图像p中每个像素点对应一个镂孔，其彩色值依据映射af→
rgb而得到。
27.s3-3将p图像进行处理，分为包含所有像素点的全p图像，以及分别赋予左右颈部动脉、前后胸片以及胸腔左右两侧多个按顺序的听诊部位、前后臂的左右手腕，手心所在一
侧的前臂与后臂左右关节处、脚部中左右脚背、左右脚踝部位中的一者及其组合的像素点为纯白色像素点，形成多个残余图像,形成图像集pr＝{pi,p
ln
,p
rn
,p
fc
,p
bc
,p
lc
,p
rc
,p
lw
,p
lk
,p
rw
,p
rk
,p
lf
,p
la
,p
rf
,p
ra
},其中pi,p
ln
,p
rn
,p
fc
,p
bc
,p
lc
,p
rc
,p
lw
,p
lk
,p
rw
,p
rk
,p
lf
,p
la
,p
rf
,p
ra
分别为全p图像，以及左颈部动脉、右颈部动脉、前胸片多个按顺序的听诊部位、后胸片多个按顺序的听诊部位、胸腔左侧、胸腔右侧，前臂左手腕、手心所在一侧的前臂与后臂左关节处、前臂右手腕、手心所在一侧的前臂与后臂右关节处、、左脚背、左脚踝、右脚背、右脚踝部位对应的像素点被赋予为纯白色像素点之后的图像，其中p
fc
,p
bc
,p
lc
,p
rc
中各自包括多个听诊部位中的一者及其组合的像素点被赋予为纯白色像素点之后的图像形成的集合，设pr'＝{p
fc
,p
bc
,p
lc
,p
rc
}，其中子集p
fc
＝{p
fc0
,p
fc1
,
…
,p
fci
},p
bc
＝{p
bc0
,p
bc1
,
…
,p
bcj
},p
lc
＝{p
lc0
,p
lc1
,
…
,p
lck
},p
rc
＝{p
rc0
,p
rc1
,
…
,p
rcl
}，i,j,k,l分别为相应子集中所有可能的组合总数，并且下标数字表示赋予其中像素点为纯白像素点的个数。
28.可以理解的是，例如前胸有10个听诊部位时，即对应10个镂孔时，其中每一项代表不赋予任何像素点，赋予其中一个像素点，以此类推，赋予其中所有像素点为纯白像素点时的前胸部位的图像。
29.定义加法：pr和p'r中除全p图像pi外所有元素之间的加法定义为表示相应元素所表示的赋予纯白色像素点的并集，并赋予并集中元素相应的像素点为纯白色之后的残余图像。例如p
ln
+p
rn
＝p
ln
∪p
rn
表示将左右动脉部位的监测数据转为的伪彩色像素赋予纯白色像素之后的残余图像，则图像集pr中一共存在2
14+i+j+k+l
+1种赋予像素纯白色的情况。
30.实际上由于数据量庞大不可能全部训练完成各种可能性下的模型，因此本发明对于模型的训练能够可选择的情况训练。比如重点关注胸腔时则可以让前后胸以及胸腔左右两侧以外的其他像素点都赋予为纯白色，实际只以该情况的训练集作为模型训练用，从而使得我们设计的模型可灵活地对各可能疾病所要重点关注的区域进行针对性训练，从而体现了兼顾人体三维监测的整体观念和辩证论治的监测方案。
31.s3-4选择pr中的元素和/或元素加法得到的图像为对应所述选择的人工智能识别模型的输入端，以体征的分类为输出端训练全部年龄组的对应所有所述选择的人工智能识别模型，并且以验证集验证准确率，当准确率超过预设值时停止训练，建立对应所有年龄组的人工智能识别模型集m。
32.其中，所述人工智能识别模型包括卷积神经网络cnn、深度神经网络dnn、支持向量机svm，或对抗生成网络gan。
33.s4具体包括：
34.s4-1将测试集采用如s2步骤的监测方式完成监测；
35.s4-2根据测试集所在的年龄组,将监测数据进行s3-1-s3-2的方法获得图像p，并按照s3-3中选择的pr中的元素和/或元素加法处理形成图像；
36.s4-3将形成的图像代入人工智能识别模型集m中相应年龄组的模型中，预测出体征的分类的识别。
37.本发明另一个方面,提供一种非暂时性存储介质，其中存储有可由所述数据库服务器sv运行而实现非接触式测量仪的监测生命体征的方法的计算机可读程序。
38.有益效果
39.1.通过定位衣解决了监测部位的准确定位有对应记录，为人工智能识别模型以及
可回溯性病例数据库构建打下数据基础；
40.2.根据不同的年龄分组以及感兴趣的部位选择性的构建神经网络输入端图像结构，为整体和局部的辩证论治下的医疗观提供可靠的辅助诊断依据。
附图说明
41.图1本发明实施例1的一种基于三维立体人工智能识别的非接触式测量装置构成示意图，
42.图2本发明实施例2中穿戴完毕时具有网格结构的定位衣的结构右视示意图，
43.图3为图2中前(左图)后(右图)胸片的正视结构示意图，
44.图4本发明实施例3中的步骤s3-3中将p图像选择处理的四种结构示意图，其中，左上为全p图像，右上、左下、右下图分别为
45.图5本发明实施例3中基于图4的选择p图像的四种结构建立的五组年龄组的cnn模型集m的建立流程示意图，
46.其中附图标记，1雷达波发射可控的生命体征雷达检测仪，2非接触式测量网络系统，3套衣，31头部套口，32胸前片,33胸后片,34右前臂袖套,35右脚套,36胸腔左侧片,37胸腔右侧片，t右侧的镂孔套片，sv数据库服务器。
具体实施方式
47.实施例1
48.本实施例给出了本发明的一种基于三维立体人工智能识别的非接触式测量装置，如图1-3所示，包括雷达波发射可控的生命体征雷达检测仪1，用于对人体的脉搏和呼吸运动进行监测，非接触式测量网络系统2，用于非接触式测量仪和终端的通信、信息存储、和基于三维立体人工智能识别建模，客户端，以及具有网格结构的定位衣(如图2)，用于对人体的所述脉搏和呼吸运动产生部位进行三维定位，其中，
49.所述雷达波发射可控的生命体征雷达检测仪1包括探头、雷达前端数据处理系统，所述探头包括外壳，以及在外壳，以及所述外壳内部安装的发射天线、接受天线、以及方波激励开关，用于控制发射雷达波和接受雷达波的传播路径在所述传输口上的通断。
50.所述雷达前端数据处理系统包括方波激励源、脉冲发射器、时序控制单元、取样脉冲单元、等效采样接收机、信号处理单元，其中，所述生命体征雷达检测仪的方波激励源根据使用者的可控雷达波屏蔽门或者采用方波激励开关的开启而使得激励的一路方波驱动发射电路形成双极型发射高斯脉冲，连续向对就诊者发射，当使用者关闭可控雷达波屏蔽门或者采用方波激励开关时关闭发射；生命体征雷达检测仪的方波激励源产生的另一路方波通过时序控制单元的精确延时后驱动取样脉冲产生电路，形成单极性取样高斯脉冲；双极型发射高斯脉冲经发射天线发射后，遇到就诊者发生反射，接收天线恰好接收该回波脉冲信号，经过精确延时的取样高斯脉冲也正好到来；等效采样接收机对回波信号进行累积，得到一个输出电压信号，生命体征发生变化，等效采样接收机输出电压信号也随之改变，就诊者发生的微弱周期运动，通过回波信号的频率或相位的变化，等效采样接收机便可以获得一个周期性的人体的脉搏和呼吸运动的微动电压信号；电压信号经过信号处理单元的放大、滤波、电平搬移和模数转换处理后，传送至医疗机构中设置的非接触式测量网络系统2
中；
51.所述非接触式测量网络系统2包括：以太网，核心交换机、专线网络、至少一个数据集成网关bn，n为自然数，与所述至少一个数据集成网关bn可数据交互的相应的至少一个医疗资源an，n为自然数,以及数据库服务器sv，其中，以太网用于接收非接触式生命体征测量仪和/或和客户端的数据交互，并且以太网与核心交换机、核心交换机与专线网络，专线网络与至少一个数据集成网关bn，以及核心交换机与数据库服务器sv之间可数据交互。
52.实施例2
53.本实施例给出了具有网格结构的定位衣的具体结构，如图2所示，包括了一体化设计的套衣3、包括头部套口31、胸前片32、胸后片33、左前臂袖套(图未示)、右前臂袖套34、左脚套(图未示)、右脚套35，其中，所述头部套口31具有贴颈的左右两侧的镂孔(仅图2中以*表示镂孔)套片t(即图中镂孔所在的位置及其周围部分)，以暴露颈部动脉部位，所述头部套口31用于将人体头部套入而完成套衣在颈部的定位，此时头部套口31外延的胸前片32、胸后片33罩在人体躯干上前后胸腔听诊部位，且所述胸前片31、胸后片33各具有暴露听诊部位的10个镂孔(如图3所示圆圈)，且所述胸前片32具有往胸腔左右两侧延伸而覆盖到胸腔左右两侧的侧片36(如图3所示)和37，所述侧片36和37上各具有3个从上之下排列的用于听诊的镂孔。
54.如图2，所述左前臂袖套、右前臂袖套34分别对称地与所述胸前片32的上边缘而连接，用于分别套入左前臂和右前臂，所述左前臂袖套、右前臂袖套34都具有暴露手心所在一侧的手腕的镂孔以及手心所在一侧的前臂与后臂关节处的镂孔；所述左脚套、右脚套35分别对称地与所述胸前片32下端连接，用于分别套入左脚和右脚，所述左脚套、右脚套32各具有暴露脚背和脚踝的两个镂孔。进一步讲，如图2中附图标记35所指示的右脚套中*所指示的部位，左端*为右脚踝左侧镂孔，右端*为脚背镂孔)。
55.所述每个镂孔附近都具有用于指示监测顺序的阿拉伯数字序号(图未示)，以便监测时按照序号顺序对所有镂孔部位进行非接触式监测。如图3所示，为前(左图)后(有图)胸片的结构(其中镂孔未示出)，其中带箭头的曲折路径为按照监测顺序进行切换监测镂孔的指示路径，据此每个镂孔附近也都具有阿拉伯数字指示的监测顺序序号(图未示)。
56.具体套衣3的穿戴方法为，选择一件套衣3，如图2所示，使得就诊者的头部能够套入所述套衣3的头部套口31，将就诊者的左前臂、右前臂、左脚、右脚分别能够套入左前臂袖套、右前臂袖套、左脚套、右脚套，使得套片贴颈而使得镂孔套片暴露颈部动脉，而胸前片、胸后片、左前臂袖套、右前臂袖套、左脚套、右脚套中的镂孔分别暴露相应的部位(颈项、躯干和四肢图未示)。
57.实施例3
58.本实施例将说明采用实施例2的套衣3和利用实施例1的雷达波发射可控的生命体征雷达检测仪1进行监测生命体征的方法，包括如下步骤：
59.s1从城市a中召集志愿者，依照年龄分为abcde五组年龄组，其中a组年龄为14岁以下，b组为15岁-30岁，c组为31-50岁，d组为51-70岁，e组为71岁以上；每一组内都划分为训练集、验证集、测试集；所述训练集、验证集、测试集的比例为3:1:3；
60.s2所有五组中的志愿者监测时都需要穿戴上合身的套衣3，按照顺序分别对颈部、胸部即胸腔左右两侧、前臂、脚部中的所有镂孔部位使用所述非接触式测量仪进行监测；并
且在测试完其中任一个镂孔部位切换到下一个镂孔部位前，利用开关(如图1所示)切断在所述传输口上的发射雷达波或接受雷达波的传播路径，当切换完毕时继续开通传播路径进行监测，以此完成所有镂孔部位的监测；
61.s3具体包括：s3-1实施例1中非接触式测量网络系统2中的数据库服务器sv获取监测数据，将电压信号数据通过傅里叶变换转化到频域中，获得傅里叶频谱f；
62.s3-2对于每一个组内的训练集，使用主成分分析法聚类分析获取载荷图，得到对应于生命体征不同分类的敏感的特征傅里叶频率波段bf，将bf中进行傅里叶积分振幅归一化为归一化积分振幅af，按照从左往右颈部动脉、前后胸片20个按照如图3的路径顺序，以及胸腔左右两侧的从上至下顺序，以及左右手腕，手心所在一侧的前臂与后臂左右关节处、脚部中左右脚背、左右脚踝的排序而将相应归一化归一化积分振幅af伪彩化af→
rgb，其中颈部动脉为红色，前后胸采用紫色，腕和关节分别采用橙色和土黄，脚背和脚踝分别采用绿色和土黄，进行矩阵化排列成图像p(如图4所示)；
63.s3-3将p图像进行处理，分为包含所有像素点的全p图像pi，以及其他三类残余图像，分别为根据前面的加法定义，分别为p
fc
+p
bc
+p
lc
+p
rc
、p
lk
+p
rw
、p
ln
+p
rn
的补集，即分别是前后胸片20个镂孔以及胸腔左右两侧6个镂孔之外所有像素均赋予纯白色的图像、左右手腕之外所有像素均赋予纯白色的图像、左右颈动脉之外所有像素赋予为纯白色的图像。
64.接着，如图5所示，以年龄组a为例，对于10-13岁的志愿者选择pi、、为分别对应所选择的人工智能识别模型cnna1、cnna2、cnna3、cnna4的输入端，以体征的分类优、良、中、差为输出端，训练年龄组a的对应所有所述选择的人工智能识别模型cnna1、cnna2、cnna3、cnna4，并且以验证集验证准确率acc，当准确率达超过预设值thres(75％-90％)时停止训练，得到年龄组a的模型cnna,建立对应所有其他年龄组b-e的人工智能识别模型cnnb、cnnc、cnnd、cnne,形成模型集合m。
65.其中，具体的所述人工智能识别模型包括卷积神经网络cnn，其包括输出端的全连接层lc以及分类函数softmax作为预测值输出，当通过与验证集验证，得到四种选择图像结构的损失函数la1、la2、la3、la4以及准确率之后，如果小于预设值thres(对应四种预设值可以互不同，但位于75％-90％之间)则根据损失函数值反向传播调节各自的cnna1、cnna2、cnna3、cnna4的网络参数，直至预测值通过验证集沿着超过各自预设值而获得相应的模型集合cnna＝{cnna1f，cnna2f，cnna3f，cnna4f}，其中对应四种选择的图结构的模型，下标f(final)表示最终训练完毕时的模型。
66.相应地，对于其他年龄组b-e有cnnb＝{cnnb1f，cnnb2f，cnnb3f，cnnb4f}，cnnc＝{cnnc1f，cnnc2f，cnnc3f，cnnc4f}，cnnd＝{cnnd1f，cnnd2f，cnnd3f，cnnd4f}，cnne＝{cnne1f，cnne2f，cnne3f，cnne4f}，则m＝cnn＝{cnna,cnnb,cnnc,cnnd,cnne}。
67.s4包括：s4-1将测试集采用如s2步骤的监测方式完成监测；
68.s4-2根据测试集所在的年龄组,将监测数据进行s3-1-s3-2的方法获得图像p，并按照s3-3中选择的pr中的元素和/或元素加法处理形成图像；
69.s4-3将形成的图像代入人工智能识别模型集m中相应年龄组的模型中，预测出体征的分类。