澳门新葡萄京集团3522中医体质辨识机器人的研究

来源:http://www.timer-motor.com 作者:运动健康 人气:144 发布时间:2019-05-10
摘要:中医体质辨识机器人系统实现 【深度学习研究进展_郭丽丽】 深度学习研究近况:新的半监督学习算法——判别深度置信(DDBNs),成功应用于可视化数据分类。新的深度学习算法即深凸

中医体质辨识机器人系统实现

【深度学习研究进展_郭丽丽】

深度学习研究近况:新的半监督学习算法——判别深度置信(DDBNs),成功应用于可视化数据分类。新的深度学习算法即深凸网络(DCN),用来解决语音识别中可扩展的挑战。2013年国内学者又开发了一种半监督学习算法,称为卷积深度网络(CDN),用来解决深度学习中图像的分类问题。孙志军等提出基于深度学习的边际Fisher分析特征提取算法DMFA,有效提升特征识别率。国外提出了一种新颖的被称为活跃深度网络(ADN)的半监督学习算法,用来解决在标记数据不足的基础上进行情感分类的问题。

需要进一步研究的问题:模型训练时间过长,如果把训练合并,并提高训练的速度,那么深度学习的实用性会大大提高;是否可以提出新的更加有效且更容易做理论分析的的内容;针对具体的问题,是否可以建立一个通用的深度模型也值得进一步研究。

体质调理方案主要包含体质辨识结论和个性化健康指导方案两大部分。体质辨识结论给出具体的体质类型及偏颇程度,并对发病倾向详细解读。个性化健康指导方案包括精神调养、环境调摄、运动处方、生活指导、饮食建议、穴位按摩、药膳调补、药物养生等。

【人脸微表情识别综述_徐峰, 张军平】

微表情数据集有: 芬兰Oulu大学的SMIC (Spontaneous microexpression corpus)和SMIC 2、中国科学院的CASME (Chinese Academy of Sciences microexpression) 和CASME II、美国南佛罗里达大学的USF-HD和日本筑波大学的Polikovsky dataset.

目前微表情的识别方法:针对识别:基于LBP-TOP 的识别方法,基于STCLQP 的识别方法(完备局部量化模式(Completed local quantized pattern, CLQP) 是LBP 的一项改进工作,STCLQP(Spatial temporal completed local quantized pattern) 是CLQP 在三维时空的扩展),基于LBP-SIP((Local binary pattern with six intersection points) 的识别方法(主要改进就是降低了特征的维度,提高特征抽取的效率),基于Delaunay 时域编码的识别方法,基于时空梯度特征的识别方法,基于Gabor 特征的识别方法,基于颜色空间变换的特征增强,基于STLBP-IP 的识别方法,基于FDM 的识别方法,基于MDMO 的识别方法,基于判别式张量子空间分析的识别方法,基于稀疏张量典型相关性分析的识别方法,基于MMPTR 的识别方法,基于RPCA 的识别方法。针对微表情分类有:基于CBP-TOP 的分类方法,基于Riesz 小波变换的识别方法,基于运动模式放大的分类方法,基于特定点跟踪的特定动作单元识别。针对检测:基于几何形变建模的检测方法,基于特征差异的检测方法,基于光流场积分的阶段分割方法,基于特征差异的微表情顶点定位,基于Strain Tensor 的检测方法。

存在问题:近年来出现了不少从运动角度描述微表情的工作, 在保证识别性能的前提下, 给出了良好的可解释性. 然而, 基于稠密光流场的特征耗时较长, 对于微表情这样仅持续很短时间的面部运动显得代价过大, 几乎无法应用到实时检测中。

未来研究方向:对微表情的精细化预处理,确立一组对微表情有效的预处理流程;在长视频中高效地检测微表情的出现;高效的微表情识别;微表情动作单元的识别。

我们采用深度学习方法实现体质辨识,深度学习能从大量数据中自动提取初特征。深度学习依赖于大数据学习样本,可以解决一些高度复杂的分类问题,识别准确率大幅度提高。因为增大训练数据的目的,就是使得训练数据与现实中的测试数据有更大概率保持一致,这就是深度学习的优势。我们选择VGG、GoogLeNet、ResNet模型,然后比较它们在体质辨识上的效果。这三个模型都是ILSVRC竞赛历年表现出色的模型。ILSVRC竞赛的任务目标是实现1000类图像分类,公开126万张训练图像和5万张验证集图像,比较算法在未公开的10万张测试集图像上的效果。通过比较发现GoogLeNet的模型参数更少,运算速度更快,效果也与VGG接近,因此中医体质辨识机器人选择GoogLeNet实现基于舌苔的体质辨识,选择深度卷积神经网络实现了基于面部的体质辨识。但是深度学习需要大量的训练样本,这给我们带来了现实的问题,用于中医体质辨识的临床样本属于比较小的样本集。另一个问题是,即使有大样本,深度学习也不一定能获得更好的泛化能力,会产生一些奇怪的对抗样本问题,特别是这些样本与真正的反例不同,它们是非常简单的正常样本,但深度学习没有办法识别。

关于已读的表情识别的文献分类:

体质辨识机器人总体设计

【CNN 深度学习模型用于表情特征提取方法探究_张昭旭】

针对CNN 在图像识别方面的优势,提出一种基于CNN 的人脸表情特征提取方法。使用具有8 层网络结构的AlexNet 模型对融合的人脸表情图像进行特征提取,再使用支持向量机(SVM)进行分类预测。将预测结果与一些经典方法如SVM、PCA 等做比较,可发现在样本图片拍摄条件变化较大的情况下,CNN 在提取图像本质特征方面效果较好。

中医体质辨识机器人的设计与实现方法,主要贡献在于构造了第一个较大规模的自然条件下的舌苔和面部数据库,提出了基于深度学习的效果很好的舌苔检测方法和人脸检测算法,采用深度学习方法和自主创新的认知机器学习方法实现了效果较好的体质辨识结果。中医体质辨识机器人的测试表明,体质辨识是有共性的,表明中医能够客观化、标准化,未来的工作是积极引入更多更先进的科学技术,在有限训练样本的情况下,根据认知机器学习方法获得更好的体质辨识准确率。

【基于稀疏表示的KCCA 方法及在表情识别中的应用_周晓彦,郑文明,辛明海】

为尽可能排除这些影响表情识别的因素如图像特征中存在与情感语义无关的信息及噪声干扰等因素,提出一种基于稀疏表示的核典型相关分析方法,并将其应用于表情识别中. 该方法的基本思想是应用稀疏学习方法来自动选择表情特征矩阵中的关键特征谱成分进行表情特征与情感语义特征之间的相关性建模,然后通过建立的模型完成对待测表情图像的语义特征估计,并用于表情的分类识别. 为验证所提方法较传统的基于核典型相关分析方法的优越性,选取国际标准表情数据库JAFFE 进行实验,实验结果证实了所提方法的有效性.


关于自动拍摄的文献总结下次再T.T。

下面是今天的重大发现-_-

澳门新葡萄京集团3522 1

中医体质辨识机器人采用深度神经网实现舌苔图像和人脸图像的体质辨识,需要大量的已标记数据库,但是目前没有公共的数据库。我们直接从医院获取大量的临床样本,每个样本都有对应的体质类型,用于构造训练图像数据库,并采用了我们提出的图像索引算法建立索引,支持训练数据库的快速增长。其中体质类型是采用王琦教授的研究成果及中华中医药学会发布的《中医体质分类判定标准》,体质类型分为平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质、特禀质九个类型。

基于深度学习的各种方法篇:

澳门新葡萄京集团3522 2

以下是阅读文献时的笔记。

中医体质辨识的流程图如图2所示,体质辨识机器人检测到被试者到来时自动启动体质辨识流程,发出体质辨识请求,然后控制摄像头采集人脸图像,进行人脸检测,检测到人脸图像后向中医机器人平台发出人脸体质辨识请求,并等待结果。同时控制摄像头采集舌苔图像,进行舌苔检测,检测到舌苔后,将采集的舌苔图像发送到中医机器人平台进行舌苔体质辨识,并等待辨识结果。当获取到两个辨识结果后,进行融合计算,得到最终的体质类型(最多三个),并将体质类型及相应的调理方案输出。

【人机交互中的表情识别研究进展_薛丽丽】

表情特征提取包括运动特征和形变特征提取。面部表情图像的运动特征包括特征点运动距离的大小及运动方向,代表性的方法包括光流法 、运动模型、特征点跟踪方法。面部特征的形变可以由形状和纹理两方面来描述, 又可以分为基于模型的方法和基于图像的方法两类。其中基于模型的方法有活动外观模型(AAM)、点分布模型(PDM)等;基于图像的方法有Gabor变换、主成分分析(PCA)等。

在鲁棒表情识别方面,Matsugu等人描述了一个基于规则的算法 , 用来识别人脸表情, 解决了表情识别中与人无关、平移、旋转和尺度变换等问题。实验结果表明, 对10余人的5 600个静态图像的微笑表情的识别率达到了97.6%。

精细表情识别包括对表情单元识别与对表情强度识别。研究者们通常使用局部特征分析和光流法等运动分析技术来对表情单元进行识别。美国卡内基梅隆大学机器人研究所的Tian和Kanade等人开发了自动人脸分析系统。

在混合表情识别方面:哈尔滨工业大学的金辉和中国科学院的高文实现了人脸面部混合表情识别系统(按时序组特征序列 概率融合);北京科技大学的Zhao等人提出了一种基于模糊核分类和支持向量机的面部复杂表情识别方法;北京大学的武宇文考虑了基于脸部形状和结构特征的表情模糊性描述,并分析了基于脸部2维形状和结构特征描述表情模糊性的合理性和不足之处。

在非基本表情识别方面:北京航空航天大学的薛雨丽、毛峡等人基于AdaBoost方法对包括打哈欠、好奇等9种表情进行了识别[。美国加利福尼亚大学的Littlewort等人提出一个对自发的疼痛表情进行识别的系统[。美国卡内基梅隆大学的Ashraf等人利用活动外观模型来识别疼痛表情。印度的Saradadevi等人通过对嘴巴的跟踪和对打哈欠的识别来检测驾驶员的疲劳状态。

存在的问题与局限:大多数研究仍局限于对设定表情的识别,尚缺鲁棒性。多数研究仍停留在高兴、悲伤、惊讶、愤怒、嫌恶、害怕等基本表情识别的研究上, 但基本表情并不能涵盖人类的主要表情, 为了提高人工情感的表达能力, 就需要识别更多的表情(如细微表情、混合表情、非基本表情)。


中医认为体质是个性化的,决定了个体对某些疾病的易感性,决定了患病之后的反应形式及治疗效果和预后转归。例如有些人感觉身体不适,出现头晕头疼、两眼干涩、疲倦乏力、食欲不振等,到医院检查指标都正常,但通过中医诊断,体质上却表现出偏颇,因而可通过中医治疗和饮食调理来纠正偏颇的体质,从而恢复正常。对每一种偏颇体质,中医都有对应的治疗和调理方案,通过中医体质测评,就可以为疾病的预测和健康指导提供依据。现在,中医体质测评已有国家标准,由北京中医药大学王琦教授率领团队完成,研究成果获国家科技进步二等奖。

【人脸表情的实时分类_王宇博 艾海舟 武勃 黄畅】

提出一种基于连续Adaboost算法的人脸表情实时分类方法。使用Haar特征设计了具有连续致信度输出的查找表型弱分类器形式,构造出弱分类器空间,采用连续Adaboost算法学习出人脸表情分类器。实验结果表明:文中方法与支持向量机方法相比,对于人脸表情分类的正确率相当,而速度快近300倍,具有实时性。

目前,绝大多数的中医体质辨识系统就是根据这个标准,通过回答一组标准的问题来判断体质类型,这类系统属于中医问诊。除此之外,中医还采用望诊方法来辨识体质。实践证明,面部和舌苔的变化,能够客观地反映气血、病情、疾病、脏腑等,这些变化蕴含着大量的人体体质信息,但是望诊辨识体质需要中医专家丰富的专业经验,对没有经验的医生及普通人就比较困难,因此需要采用先进的人工智能方法来辅助识别。

【基于深度学习的表情识别研究_赵艳】

本文将堆积降噪自动编码机应用到表情识别当中,提出一种结合主成分分析和堆积降噪自动编码机的表情识别方法。在图像预处理之后使用主成分分析对人脸图像进行线性降维,然后将降维之后的特征输入到堆积降噪自动编码机再进行特征学习,与此同时,堆积降噪自动编码机对特征进行非线性的降维,从而得到维数较低而又较好的特征,并将其用于分类。对比实验表明,本文提出的基于降维的堆积降噪自动编码机的表情识别方法比文中其他几种基于深度学习及非深度学习的表情识别方法取得的表情识别正确率更高。

另外,提出一种基于 Gabor 小波和深度信念网络的表情识别方法,可以学习到结合局部及全局的特征,从而取得较高的表情识别率。

澳门新葡萄京集团3522 3

【容忍姿态变化的人脸表情识别方法研究_于永斌】

(1)针对人脸表情底层视觉特征无法表达高层语义的问题,提出一种基于语义属性的人脸表情识别新方法。

该方法利用表情语义属性这一中间人脸表情特征表示方法可在个别类别样本很少的情况下共享情感特征信息的特点,通过统计人脸表情AU(Action Unit)编码建立表情语义属性与表情类别矩阵,然后采用SIFT(Scale—Invariant——Feature Transform)底层视觉特征训练获得语义属性标注器,最后利用贝叶斯模型识别人脸表情。在CK 和BU.3DFE两个公开人脸表情数据库上的实验结果表明,与其它底层特征提取方法相比,该方法能有效提取表情特征信息并且把8种表情类别的平均识别率提高了4%。

(2)针对人脸表情图像中出现人脸姿态、尺度和人物等条件变得复杂时,识别准确率也随之降低的问题,提出基于多姿态人脸表情识别的层次主题模型。

该方法在表情识别之前,首先结合局部纹理特征和全局几何信息学习人脸表情的中间层特征表示。通过共享不同姿态之间的特征池信息,可以对不同的姿态使用统一的解决方案,而不需要对每个姿态训练相应的模型参数。这种共享特征与模型参数的方法可以扩展到姿态多样的现实场景人脸表情识别系统中。该方法在多姿态人脸表情识别标准库和网络图像上都取得较好的识别结果.

3)针对层次主题模型中人脸不正确的特征点信息会干扰多姿态人脸表情特征提取的问题,提出基于层次深度模型的姿态无关人脸表情识别方法。该方法在人脸检测之后,不需要再进行人脸特征点定位、直接使用检测到的整个人脸区域完成姿态无关人脸表情识别。实验结果表明,该方法对人脸检测误差具有一定的鲁棒性,并且提高了识别准确率。


自动调光系统是很重要的组成部分,它主要解决两个问题。首先中医望诊对采集样本的光照强度和稳定性有较高要求,体质识别在很大程度上依靠机器视觉,视觉的灵敏度将直接影响机器人的体质识别速度和识别质量。我们自主设计的光照自动调节系统,会根据机器人环境的光照情况自动调节到合适程度,从而增强机器人对环境的抗干扰能力。其次,中医体质辨识机器人工作时,采用摄像机解决被试者的位置问题。因为每次被试者出现在拍摄现场时,很难要求被试者高精度出现在目标位置,而且光线变化,目标位置也会变化。而被试者位置差距太大,识别结果有时会有较大偏差。我们的方法是首先采用传感器检测是否有被试者。其次,通过深度学习算法检测人脸。最后,采用深度学习算法检测被试者是否伸出舌苔。中医体质辨识软件系统是机器人的大脑,它控制自动调光系统将光源强度调到合适的程度,控制机器人硬件系统完成摄像头的控制和语音控制,采集人脸和舌苔图像,获取对应的体质类型和调理方案,然后显示体质类型的症状、发病倾向和调理方案。

关于微表情识别方面:

已有的一些初步研究,主要采用图像处理方法和经典的机器学习算法,存在的问题是相关的样本数据库太小、质量不高。其次,实用性不好,需要专门的使用环境或者借助专业设备。再者是自动化程度不高,需要专业人员辅助测试,测试速度慢。因此我们采用不同的方法,研究实现了体质辨识机器人,其采用先进的认知深度学习算法实现舌苔和面部的自动检测和体质辨识,速度快,准确率高,不受被试者的主观影响。它配备自动调光系统,不需要配置专门环境,实用性强。中医体质辨识机器人不仅能够辅助提高医生的工作效率,提高体质辨识的准确性,还能提高普通人的体质辨识能力,以便预防疾病,这有利于中医的传承和创新,对推动中医现代化具有重要意义。

-

中医体质辨识机器人的实现采用现有的深度学习框架,然后是我们提出的人脸检测、舌苔检测和人脸舌苔体质辨识算法,自动检测出的舌苔图像效果很好。中医体质辨识机器人的对体质辨识的速度非常快,每次测试不超过1分钟,而且测试的准确率高。

【基于语义属性的人脸表情识别新方法_于永斌,刘清怡,毛启容,詹永照】

对人脸表情底层视觉特征无法表达高层语义的问题,提出一种基于语义属性的人脸表情识别新方法。该方法利用表情语义属性这一中间人脸表情特征表示方法可在个别类别样本很少的情况下共享情感特征信息的特点,通过统计cK 库中人脸表情Au(ActionuIlit)编码建立表情语义属性与表情类别矩阵,然后采用s口盯(scale—Invariant Featurel'瑚sfom)底层视觉特征训练获得语义属性标注器,最后利用贝叶斯模型识别人脸表情.在cK 和Bu-3DFE两个公开人脸表情数据库上的实验结果表明,与其它底层特征提取方法相比,该方法能有效提取表情特征信息并且把8种表情类别的平均识别率提高了4%.

深度学习体质辨识方法

【基于深度学习的痛苦表情识别_王军】

结合深度置信网络和生成模型,提出了一种基于深度学习的痛苦表情识别方法。为了避免了过多主动因素的干预,利用深度置信网络提取痛苦表情特征,该特征能更有效地表征了痛苦特征信息。在此基础上,为了解决了痛苦识别中的小样本问题,利用生成模型,结合已标记样本和未标记样本,提出了痛苦表情半监督分类方法。在自建痛苦数据库上,利用该方法与其它几种方法进行了对比实验,实验结果表明,该方法能获得更有效的痛苦特征,并具有更高的识别精度。

本文由澳门新葡萄京集团3522发布于运动健康,转载请注明出处:澳门新葡萄京集团3522中医体质辨识机器人的研究

关键词:

上一篇:黄连羊肝丸(扁鹊制药)

下一篇:没有了

频道精选

最火资讯