一种基于便携式近红外光谱仪的体质判别系统及方法与流程

1.本发明涉及近红外光谱检测技术，具体涉及一种基于便携式近红外光谱仪的体质判别系统及方法。


背景技术：

2.中医认为，所谓体质，是指人体生命过程中，在遗传和后天获得的基础上所形成的形态结构、生理功能和心理状态方面综合的、相对稳定的固有特质，也就是我们通常所说的在人类群体中普遍存在的个体差异。总体来讲，目前中医领域将人的体质分为9种，1种平和，8种偏颇。包括：平和质、气虚质、阳虚质、阴虚质、特禀质、气郁质、血瘀质、痰湿质、湿热质。
3.目前体质判别主要依据2009年发布的《中医体质分类与判定》标准，采用对患者进行问卷调查打分的方式进行。此外，在中医学中有“有诸内，必形于外”的说法，即通过皮肤的外在表现，可以直接或间接地感知人体的健康状态。中医体质学创始人王琦教授提出的“肤-体相关理论”认为皮肤表现是体质整体表现的一部分，体质是皮肤的土壤，体质状态对皮肤状态具有决定性作用。故中医在日常就诊中常利用面诊经验来进行快速判别。但不论是对患者的问卷调查或是中医的经验判断，均存在较大的主观因素干扰，故如何找寻一种快速、简便又科学直观的方法，建立皮肤与体质之间的稳定量化关系，进而快速指导人的体质判定，成为了一种趋势。


技术实现要素：

4.本发明所要解决的技术问题是：提出一种基于便携式近红外光谱仪的体质判别系统及方法，减少体质判别过程中的主观因素的影响，快速准确地指导体质判别。
5.本发明解决上述技术问题采用的技术方案是：
6.一方面，本发明提供了一种基于便携式近红外光谱仪的体质判别系统，其包括：
7.模型建立模块；用于对被采样者的面部特定部位进行光谱数据采集，并提取各个部位对应的光谱数据与被采样者的体质类型标定值构建训练样本数据集，基于训练样本数据集进行各特定部位不同建模方式的光谱数据建模，筛选各特定部分最优光谱模型后进行模型集成，获得体质判别模型；
8.体质判别模块，用于基于所述体质判别模型对待判别对象进行体质判别。
9.进一步的，所述模型建立模块包括：
10.光谱采集模块，用于对被采样者的面部特定部位进行光谱数据采集；
11.光谱数据提取模块，用于对采集的光谱数据按照部位分别提取，并匹配对应体质类型标定值；
12.数据预处理模块，用于对各个部位的光谱数据分别进行预处理；
13.部位光谱数据建模模块，用于基于预处理后的各个部位的光谱数据进行不同建模方式的光谱数据建模；
14.模型筛选模块，用于从各部位不同建模方式建立的光谱数据模型中筛选出对应部位的最优光谱数据模型；
15.模型集成模块，用于将筛选出各部位对应的最优光谱数据模型进行模型集成。
16.进一步的，所述面部特定部位包括：额头、左脸颊、下巴、右脸颊和鼻尖。
17.进一步的，不同建模方式包括：svm(支持向量机)、decision trees(决策树)和mlp(多层感知机)。
18.进一步的，所述预处理包括：高斯平滑、高斯求导、sg平滑法、去趋势及标准化处理。
19.进一步的，所述筛选出对应部位的最优光谱数据模型包括：计算对应部位不同建模方式获得的光谱数据模型的f1得分值，筛选出f1得分值最大的模型作为该部位对应的最优光谱数据模型；其中，p为精确率，r为召回率。
20.进一步的，所述模型集成包括：打包各个部位最优光谱数据模型的预处理方法、建模方法及相应参数，设定硬投票机制作为最终的集成方式，对结果进行集成输出。
21.另一方面，本发明还提供了一种基于便携式近红外光谱仪的体质判别方法，包括：
22.a、建立体质判别模型：
23.对被采样者的面部特定部位进行光谱数据采集，并提取各个部位对应的光谱数据与被采样者的体质类型标定值构建训练样本数据集，基于训练样本数据集进行各特定部位不同建模方式的光谱数据建模，筛选各特定部分最优光谱模型后进行模型集成，获得体质判别模型；
24.b、体质判别：
25.基于所述体质判别模型对待判别对象进行体质判别。
26.进一步的，步骤a具体包括以下步骤：
27.a1、对被采样者的面部特定部位进行光谱数据采集；
28.a2、对采集的光谱数据按照部位分别提取，并匹配对应体质类型标定值；
29.a3、对各个部位的光谱数据分别进行预处理；
30.a4、基于预处理后的各个部位的光谱数据进行不同建模方式的光谱数据建模；
31.a5、从各部位不同建模方式建立的光谱数据模型中筛选出对应部位的最优光谱数据模型；
32.a6、将筛选出各部位对应的最优光谱数据模型进行模型集成。
33.进一步的，步骤a2中，所述体质类型标定值是由被采样人员填写《中医体质分类与判定》中的调查问卷打分判定所得，体质类型包括平和质、气虚质、阳虚质、阴虚质、特禀质、气郁质、血瘀质、痰湿质和湿热质。
34.进一步的，步骤b中，体质判别模型对待判别对象进行体质判别时，基于硬投票机制对各个部位对应的最优光谱数据模型的判别结果进行投票后的集成结果作为最终的判定结果。
35.本发明的有益效果是：
36.本发明通过便携式近红外光谱仪对表征人体特性的脸部五个部位的皮肤进行光谱测定，结合机器学习建模算法，构建稳定可靠的光谱-体质集成模型，从而对未知样本进
行体质判定预测；有效降低了中医传统体质判别的主观影响因素，提升了体质判别分类的科学性、稳定性，有利于快速准确地指导体质判别。
附图说明
37.图1是本发明中的基于便携式近红外光谱仪的体质判别原理示意图；
38.图2是本发明实施例中的基于便携式近红外光谱仪的体质判别方法流程图。
具体实施方式
39.由于近红外光谱可以穿透皮肤表层，对皮肤的皮下组织及分子结构进行探测，近几年成为了医疗、美容行业的热门研究方向。但目前医疗仪器多为国外进口的实验室大型设备，操作复杂且维护成本高。随着微机电技术的发展，便携式光谱仪被广泛应用于食品、饮料、医药、煤炭等各个领域，其具有结构简单、成本低廉、携带方便、结果实时可见等优势，目前已成为光谱领域的热门产品。便携式光谱仪在体质判定方面的推广，作为中医诊断的直观稳定的辅助手段，将极大地提升中医的诊断效率，同时也有利于在患者中大面积推广，获得可观经济效益。基于此，本发明提供了一种基于便携式近红外光谱仪的体质判别系统及方法，采用便携式近红外光谱仪，对选定的脸部具有明显表征特性的特定点位进行光谱数据采集，对采集的数据进行集成建模，从而形成稳定的、可表征体质类别的数学模型，进而辅助医患进行快速准确地体质判定。
40.其实现原理如图1所示，首先，对被采样者的面部特定部位进行光谱数据采集，并对采集的光谱数据按照部位分别进行提取，以及按照《中医体质分类与判定》确定被采样值的体质类型标定值；然后为各个部位的光谱数据匹配对应体质类型标定值；接着对各个部位的光谱数据分别进行预处理；然后基于预处理后的各个部位的光谱数据进行不同建模方式的光谱数据建模；接着，从各部位不同建模方式建立的光谱数据模型中筛选出对应部位的最优光谱数据模型；最后将筛选出各部位对应的最优光谱数据模型进行模型集成。基于体质判别模型就能够实现对待判别对象的快速体质判别。
41.基于上述原理，本发明提供的基于便携式近红外光谱仪的体质判别系统，包括模型建立模块和体质判别模块；其中模型建立模块包括：
42.光谱采集模块，用于对被采样者的面部特定部位进行光谱数据采集；
43.光谱数据提取模块，用于对采集的光谱数据按照部位分别提取，并匹配对应体质类型标定值；
44.数据预处理模块，用于对各个部位的光谱数据分别进行预处理；
45.部位光谱数据建模模块，用于基于预处理后的各个部位的光谱数据进行不同建模方式的光谱数据建模；
46.模型筛选模块，用于从各部位不同建模方式建立的光谱数据模型中筛选出对应部位的最优光谱数据模型；
47.模型集成模块，用于将筛选出各部位对应的最优光谱数据模型进行模型集成。
48.实施例：
49.本实施例为基于便携式近红外光谱仪的体质判别方法的一种实例，其实现流程如图2所示，包括以下步骤：
50.s1.原始光谱数据采集：
51.本步骤中，利用pv400r-ii便携式光谱仪对被采样人员进行原始光谱数据采集，采样部位包括额头、左脸颊、下巴、右脸颊、鼻尖这五个能够表征人体特性的部位。此外，为了防止光谱仪在鼻尖处采样出现漏光现象，可以采用在左右鼻翼处采样取平均的方式取代鼻尖信息。
52.s2.部位数据提取整理：
53.本步骤中，将s1中的数据按部位分别提取并匹配对应标定值，具体操作如下：
54.s21.从原始数据中提取各个部位的原始光谱数据信息；
55.s22.由被采样人员填写《中医体质分类与判定》中的调查问卷打分，判定被采样人员属于的体质类型；
56.s23.将体质类型进行标签编码，并与各个部位的原始光谱数据组成完整的训练集样本数据。
57.s3.部位光谱预处理：
58.本步骤中，分别对5个不同部位的数据进行高斯平滑、高斯求导、sg平滑法、去趋势及标准化预处理操作。
59.s4.部位光谱数据建模：
60.本步骤中，对s3中生成的预处理数据分别进行svm(支持向量机)、decision trees(决策树)、mlp(多层感知机)建模操作，从而获得针对每一个部位的不同建模方式生成的光谱模型。
61.s5.部位最优模型筛选：
62.本步骤中，基于f1(二分类模型的精确度的评价指标，为模型精确率和召回率的调和平均)得分值，选取各个部位得分值最高的模型作为其对应的最优模型；
63.其中，p为精确率，r为召回率。
64.s6.模型集成：
65.本步骤中，将s5生成的最优模型进行集成并设定最终的判定标准，具体为：
66.s61.将s5中生成的最优模型对应的预处理方法、建模方法及相应参数值以joblib格式进行打包；
67.s62.基于硬投票机制作为最终的判定方式，对结果进行集成输出。
68.基于上述步骤，在获得体质判别模型后，我们就可以利用模型对待判别对象进行体质判别，在判别时，基于硬投票机制对各个部位对应的最优光谱数据模型的判别结果进行投票后的集成结果作为最终的判定结果。
69.最后应当说明的是，上述实施例仅是优选实施方式，并不用以限制本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出若干修改，等同替换、改进等，均应包含在本发明的保护范围之内。