证候识别方法、装置、电子设备及存储介质

摘要

本发明实施例公开了一种证候识别方法、装置、电子设备及存储介质，该方法包括：获取目标对象在当前时刻下的当前生理数据；其中，所述当前生理数据至少包括红外温度数据以及舌像数据；将所述当前生理数据输入至预先训练完成的证候识别模型中，得到所述目标对象在所述当前时刻下的目标证候类别；其中，所述证候识别模型基于历史对象的历史生理数据以及与所述历史生理数据对应的标签数据对预先建立的神经网络模型进行训练得到，所述标签数据用于表示所述历史生理数据的证候类别。通过本发明实施例的技术方案，实现了结合多种生理数据准确快速的识别目标对象的证候类别的技术效果。

说明书

技术领域

本发明实施例涉及中医诊疗技术领域，尤其涉及一种证候识别方法、装置、电子设备及存储介质。

背景技术

中医医师为患者进行诊断通常是通过望、闻、问、切的方式来确认患者的证候。例如，中医医师经过把脉确定脉搏强弱、频率等，通过观察患者的舌头确定舌头的苔色、苔质等，还可以通过询问患者的身体体质，发病症状等信息，来判断患者的证候。

目前，采用中医诊断方法对患者进行诊断，并确定证候，需要依赖中医医师的个人经验、诊法技巧、认识水平和思维能力。并且，中医医师的工作能力以及工作时间是有限的，难以快速、准确的确定患者的证候，也就会导致患者进行中医问诊的。

发明内容

本发明实施例提供了一种证候识别方法、装置、电子设备及存储介质，以实现准确快速的识别目标对象的证候类别。

第一方面，本发明实施例提供了一种证候识别方法，该方法包括：

获取目标对象在当前时刻下的当前生理数据；其中，所述当前生理数据至少包括红外温度数据以及舌像数据；

将所述当前生理数据输入至预先训练完成的证候识别模型中，得到所述目标对象在所述当前时刻下的目标证候类别；

其中，所述证候识别模型基于历史对象的历史生理数据以及与所述历史生理数据对应的标签数据对预先建立的神经网络模型进行训练得到，所述标签数据用于表示所述历史生理数据的证候类别。

第二方面，本发明实施例还提供了一种证候识别装置，该装置包括：

生理数据获取模块，用于获取目标对象在当前时刻下的当前生理数据；其中，所述当前生理数据至少包括红外温度数据以及舌像数据；

目标证候确定模块，用于将所述当前生理数据输入至预先训练完成的证候识别模型中，得到所述目标对象在所述当前时刻下的目标证候类别；

其中，所述证候识别模型基于历史对象的历史生理数据以及与所述历史生理数据对应的标签数据对预先建立的神经网络模型进行训练得到，所述标签数据用于表示所述历史生理数据的证候类别。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的证候识别方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例任一所述的证候识别方法。

本发明实施例的技术方案，通过获取目标对象在当前时刻下的当前生理数据，将当前生理数据输入至预先训练完成的证候识别模型中，得到目标对象在当前时刻下的目标证候类别，解决了由于中医医师的经验和时间限制造成的难以快速准确的确定目标对象证候类型的问题，实现了结合多种生理数据准确快速的识别目标对象的证候类别的技术效果。

附图说明

为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。

图1为本发明实施例一所提供的一种证候识别方法的流程示意图；

图2为本发明实施例一所提供的三阴三阳示意图；

图3为本发明实施例一所提供的上热下寒的结构热力图；

图4为本发明实施例一所提供的下热上寒的结构热力图；

图5为本发明实施例二所提供的一种证候识别方法的流程示意图；

图6为本发明实施例二所提供的不同体势下的红外温度图；

图7为本发明实施例二所提供的卷积的结构示意图；

图8为本发明实施例三所提供的一种证候识别模型的示意图；

图9为本发明实施例四所提供的一种证候识别装置的结构示意图；

图10为本发明实施例五所提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一所提供的一种证候识别方法的流程示意图，本实施例可适用于对目标对象进行诊疗时，确定目标对象的证候的情况，该方法可以由证候识别装置来执行，该装置可以通过软件和/或硬件的形式实现，该硬件可以是电子设备，可选的，电子设备可以是移动终端等。

如图1所述，本实施例的方法具体包括如下步骤：

S110、获取目标对象在当前时刻下的当前生理数据。

其中，当前生理数据至少包括红外温度数据以及舌像数据。目标对象可以是进行证候识别的有生命的个体，典型的，目标对象可以是人或动物等。为便于理解，在本发明实施例中以目标对象是人为例进行示例性地说明。生理数据可以是与目标对象的健康状态相关联的各种数据。红外温度数据可以是通过红外温度扫描仪器等红外检测设备扫描得到的目标对象的红外温度图像。舌像数据可以是通过拍摄仪器采集的目标对象的舌像图像。

需要说明的是，在非平衡热力学领域，根据温度的高低，可以将身体分为阴阳，根据病理与温度的关系又可以进一步分为太阳、少阳、阳明、太阴、少阴以及厥阴，如图2所示。用中医阴阳理论描述人体的非平衡热力系统的温度梯度，可以分为三阴三阳。温度最高区域为阳明，温度最高区域的周围区域太阳，高温度区域与低温度区域的交界(即寒热交界)为少阳；温度最低区域为太阴，比太阴区域温度低的区域为少阴，少阴区域边缘区域为厥阴。因此，人体可以看作一个热传递循环系统，该系统中的热传递具有阳升阴降，沿着导热系数高的途径传递，从高温向低温传递的特点。

如图3所示的上热下寒的结构热力图，图3中标记A所对应的区域温度最高，热传递是由A区域沿箭头方向进行传递的。如图4所示的下热上寒的结构热力图，图4中标记B所对应的区域温度最高，热传递是有B区域沿箭头方向进行传递的。并且，可以将人体看作一个整体的循环系统，各个器官的功能不一样，工作原理也各不相同，所以各个器官的温度也不相同。健康人的每个器官温度通常会维持在特定的范围内。如果人生病了，他的器官工作就会不协调，器官所散发的温度就会发生异常，通过对具有异常温度变化的器官进行检测，可以反应患者的证候信息。因此，可以将红外温度数据作为证候识别的基础数据之一。

还需要说明的是，在中医学领域，将舌划分为舌尖、舌中、舌根和舌边四个部分，认为舌尖反映心肺的病变，舌中反映脾胃的病变，舌根反映肾的病变，舌边反映肝胆的病变。如果患者生病了，他的舌像上会有体现，如苔质、苔色、形状等变化，因此，在发明实施例中将舌像数据作为证候识别的基础数据之一。

具体的，当前时刻下可以通过红外检测设备扫描得到的目标对象的红外温度图像，通过拍摄仪器采集的目标对象的舌像图像。

可选的，目标对象在当前时刻下的当前生理数据还包括：脉象数据、血压、心率以及病症数据等中的至少一种。

其中，脉象数据可以包括脉位，脉力以及脉率等数据，病症数据可以包括患者自述症状，既往史，家族病史等数据。

S120、将当前生理数据输入至预先训练完成的证候识别模型中，得到目标对象在当前时刻下的目标证候类别。

其中，证候识别模型基于历史对象的历史生理数据以及与历史生理数据对应的标签数据对预先建立的神经网络模型进行训练得到，标签数据用于表示历史生理数据的证候类别。历史对象可以是全部用户，也可以是当前用户，还可以是基于当前用户的用户数据确定的与所述当前用户对应的历史用户，如与当前用户具有相同体质的用户。其中，用户数据可以是与用户健康相关的生理数据，如，性别、年龄以及身体指标数据等。历史生理数据是与历史对象相对应的生理数据。目标证候类别可以是证候识别模型的识别结果，可以是证候标签数据，每一个证候标签数据对应一个证候类别。

在中医学中，可以将证候划分为少见或无、气阴两虚、气血两虚、肺脾气虚、肺肾气虚、心脾两虚、胃热证、湿热蕴肤、大肠湿热、肝胆湿热、胞宫湿热、筋骨湿热、脾胃阳虚、脾肾阳虚、心阳虚、心肾阳虚水泛兼气虚血瘀、肾精不足、筋骨寒湿、肝肾阴虚、胃阴虚、肺阴虚、气虚血瘀(心气虚兼有血瘀、心阳虚气虚建有血瘀)、气滞血瘀、气郁、肝气郁结、肝郁化火、肝郁脾虚、肝胃不和、脾虚痰湿、痰湿阻肺(痰浊阻肺)、痰核停滞(痰滞证)、风痰阻络、风湿热毒内蕴、脾肾阳虚、脾肾阳虚、阳虚兼有阴虚、阳虚兼有痰湿、湿热、心肾不交、脾失健运、肝肾阴虚阳亢、肺胃热盛、脾肾阳虚等。

需要说明的是，若历史对象为全部用户，则训练证候识别模型的训练数据丰富，能够提高证候识别模型的识别效果，但是，不同体质的用户的相同或相似的生理数据所对应的证候类型可能不同，会影响证候识别模型的个体适应性；若历史对象为当前用户，则可以使证候识别模型更加是用于每个用户，但是，当前用户的生理数据可能无法涉及全部证候类别对应的数据，会导致训练数据量低，影响模型训练效果，并且，针对每个用户构建一个证候识别模型，工作量大；若历史对象为与当前用户具有相同体质的用户，则可以针对不同体质的用户训练一个证候识别模型，使模型能够平衡训练数据量以及模型个性化效果，但是，需要对证候识别模型按用户体质进行分类，增加了较大的工作量。因此，在对证候识别模型进行训练时，使用的是何种历史对象的历史生理数据可以根据实际需求进行选择，在本实施例中不做具体限定。

具体的，将当前生理数据输入至预先训练完成的证候识别模型中，证候识别模型可以对当前生理数据进行处理，以提取出高维特征。进而，根据高维特征进行预测，输出证候类别标签，以确定目标证候类别。

证候识别模型是对预先建立的神经网络模型进行训练得到的，可选的，神经网络模型为计算机视觉组，残差网络以及长短期记忆人工神经网络中的至少一个。

其中，计算机视觉组(Visual Geometry Group，VGG)的优点在于该模型具有较深的网络结构，较小的卷积核和池化采样域，使得其能够在获得更多图像特征的同时控制特征的个数，避免过多的计算量以及过于复杂的结构。残差网络(Residual Network，ResNet)因为有残差的存在，可以将残差看作是图像的信息再传递下去，所以残差结构使得残差网络需要学习的知识变少，更容易学习。长短期记忆人工神经网络(Long-Short TermMemory，LSTM)具有长时记忆功能，实现起来较为简单，并且能够解决长序列训练过程中存在的梯度消失和梯度爆炸的问题。

在本实施例技术方案的基础上，可以使用预先确定证候类别所对应标签数据的红外温度数据以及舌像数据对证候识别模型进行训练。

本发明实施例的技术方案，通过获取目标对象在当前时刻下的当前生理数据，将当前生理数据输入至预先训练完成的证候识别模型中，得到目标对象在当前时刻下的目标证候类别，解决了由于中医医师的经验和时间限制造成的难以快速准确的确定目标对象证候类型的问题，实现了结合多种生理数据准确快速的识别目标对象的证候类别的技术效果。

实施例二

图5为本发明实施例二所提供的一种证候识别方法的流程示意图，本实施例在上述各实施例的基础上，针对基于预先训练完成的证候识别模型根据当前生理数据得到目标对象在当前时刻下的目标证候类别的具体实施方式可参见本实施例的技术方案。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

如图5所述，本实施例的方法具体包括如下步骤：

S210、基于红外温度采集装置获取目标对象的处于至少一种体势下的红外温度图像；基于摄像装置获取目标对象的舌像图像。

其中，红外温度采集装置可以是用于采集人体红外温度数据的装置，例如可以是红外温度扫描仪等。摄像装置可以是具有拍摄图像功能的装置，例如可以是摄像机，照相机等。体势可以是身体姿势，至少一种体势可以是举手前位、胸部前位、胸部后位、整体前位、整体后位、整体右侧位以及整体左侧位等各个姿势中的至少一种。

具体的，通过红外温度采集装置对目标对象的身体表面温度数据进行采集，可以得到至少一种体势的红外温度图像。通过摄像装置对目标对象的舌像图像进行采集，可以是拍摄目标对象的舌部照片等。可以将获取的红外温度图像以及舌像图像用于通过证候识别模型预测证候类别使用。

需要说明的是，不同体势下的温度图像可以展示目标对象在不同的姿势下的温度图像，能够从不同的角度获取温度图像。不同体势下的红外温度图如图6所示，图6中左侧图像为整体前位红外温度图像，中间图像为整体后位红外温度图像，右侧图像为整体左侧位红外温度图像。使用至少一种体势下的红外温度图像的好处在于能够综合考量人体部位在不同角度下的红外温度数据，使得证候识别模型的识别效果提升。

S220、将红外温度数据通过第一通道输入至预先训练完成的证候识别模型中，基于证候识别模型中的区域划分算法以及目标对象的红外温度采集区域，将红外温度数据划分为至少两组子区域温度数据。

其中，证候识别模型可以是两通道输入的模型，第一通道输入红外温度数据，第二通道输入舌像数据。区域划分算法可以是将不同特征的区域分离开的算法，例如基于阈值图像分割算法，分水岭算法等。红外温度采集区域可以是红外温度图像所对应的温度采集区域，例如头部图像，胸部图像或全身图像等。子区域温度数据可以是基于区域划分算法进行区域划分后，各区域的温度数据。

具体的，将红外温度数据作为证候识别模型的第一通道的输入，输入至预先训练完成的证候识别模型中。证候识别模型中的区域划分算法可以对目标对象的红外温度采集区域进行区域划分，并将每个区域的红外温度数据作为一个子区域温度数据。

需要说明的是，人体区域包括三焦，躯干，经络以及五官所对应的区域，还可以按实际应用中的具体需求进行区域划分。人体三焦的温度呈现下焦最热上焦最凉的小幅度温差热结构，当五脏六腑功能正常时，脏腑气机升降维持着这种稳定的热结构；当经络不通脏腑升降失常时，可能会导致人体上热下寒，气机逆乱，产生疾病。经络是能量流通的道路，也是内脏产热散热的重要途径。并且，通过比较躯干与各区域温度的高低顺序，可以判断各区域的正常或异常。具体的，可以是对每个区域进行热值计算，即计算每个区域的平均温度值与躯干的平均温度值的差值，进一步，对各区域热值进行排序，可以用于判断各区域的正常或异常。

S230、基于第一通道的特征提取网络层分别对每组子区域温度数据进行特征提取，确定温度特征数据。

其中，第一通道的特征提取网络层是对第一通道输入的数据进行特征提取的层，可以包括卷积层，池化层，激活层以及残差连接层等。温度特征数据可以是第一通道的特征提取网络层输出的特征数据。

具体的，可以基于卷积层对第一通道输入的每组子区域温度数据进行特征提取，卷积层内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元。卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连。卷积层参数包括卷积核大小、步长和填充，三者共同决定了卷积层输出特征图的尺寸。卷积层参数可以在对证候识别模型进行训练时确定。卷积层的作用就是先学习图像数据的局部特征，然后将局部特征组合成复杂而抽象的特征，卷积的结构示意图如图7所示。

在通过卷积层进行特征提取后，输出的数据会被传递至池化层进行特征选择和信息过滤。池化层包含预设的池化函数，其功能是保留数据的整体特征，同时减少数据的维度，减少模型的参数，使训练速度更快。进一步，将池化层输出的数据输入至激活层，通过激活层可以对数据进行非线性变换，以使数据能够在多维空间表示特征。进而，将激活层输出的数据输入至残差连接层中，可以更好的解决神经网络的退化问题，让神经网络收敛的更快，但最终的结果不会受到显著的影响。可以将第一通道的特征提取网络层的残差连接层输出的数据作为温度特征数据。

S240、将舌像数据通过第二通道输入至预先训练完成的证候识别模型中，基于证候识别模型中第二通道的特征提取网络层对舌像数据进行特征提取，确定舌像特征数据。

其中，第二通道的特征提取网络层是对第二通道输入的数据进行特征提取的层，可以包括卷积层，池化层，激活层以及残差连接层等。舌像特征数据可以是第二通道的特征提取网络层输出的特征数据。

具体的，可以基于卷积层对第二通道输入的舌像数据进行特征提取，并依次通过池化层、激活层以及残差连接层得到输出数据，并将输出数据作为舌像特征数据。根据特征提取网络层获取舌像特征数据的具体实施方式与S230中获取温度特征数据类似，在本步骤中不再赘述。

S250、基于证候识别模型中的特征融合网络层，对温度特征数据以及舌像特征数据进行特征融合，确定融合特征数据。

其中，特征融合网络层是对温度特征数据以及舌像特征数据进行融合的层。融合特征数据可以是特征融合网络层输出的特征数据。

具体的，可以将温度特征数据以及舌像特征数据输入至证候识别模型中的特征融合网络层，以进行多维多通道特征数据的融合，也就是将高维的温度特征数据以及高维的舌像特征数据进行拼接融合，得到融合特征数据。融合特征数据可以用于通过后续网络层识别目标对象的证候类别。

可选的，基于证候识别模型中的特征融合网络层，对温度特征数据以及舌像特征数据进行特征融合的具体步骤可以是：

步骤一、将温度特征数据以及舌像特征数据进行连接，得到连接特征数据。

具体的，将温度特征数据以及舌像特征数据进行串联连接，以将两通道的高维数据处理为单通道的高维特征数据，并将连接后得到的特征数据作为连接特征数据。

步骤二、基于全连接层对连接特征数据进行特征融合，确定第一融合特征数据。

具体的，将连接特征数据输入至全连接层中，以使连接特征数据从高维降至低维，并将获取的低维数据作为第一融合特征数据。获取第一融合特征数据的好处在于：可以根据温度特征数据以及舌像特征数据进行证候类别的分析识别，可以根据温度特征数据以及舌像特征数之间组合的特征数据进行证候类别的分析识别，以提高证候识别模型的识别效果。

需要说明的是，可以将全连接层看作是矩阵乘法，相当于一个特征空间变换，也就是可以把有用的信息提取整合。全连接层的一个重要作用是维度变换，尤其是可以把高维变到低维，同时把有用的信息保留下来。

步骤三、基于神经元处理层对第一融合特征数据进行处理，确定第二融合特征数据。

具体的，将第一融合特征数据输入至神经元处理层中，得到处理后的数据以避免证候识别模型过拟合，并将处理后的数据作为第二融合特征数据。

需要说明的是，神经元处理层，即Dropout层的特性是使部分神经元暂时不起作用，起到防止模型过拟合的效果，通常在训练模型时使用。Dropout层是在证候识别训练的过程中，对于神经网络训练神经元，按照一定的概率将其从网络中暂时移除，以避免由于训练样本数量过少而造成的模型过拟合的发生。

S260、基于证候识别模型中的分类识别网络层，对融合特征数据进行分类识别，确定目标证候类别。

其中，分类识别网络层可以是神经网络模型中，基于分类算法构建的数据处理层。

具体的，基于卷积神经网络中预先设置的高阶特征分类算法，可以对融合特征数据进行分类识别，以确定目标证候标签数据。进一步，可以基于目标证候标签数据与证候类型的对应关系，确定目标对象的目标证候类别。

本发明实施例的证候识别模型可以通过红外温度数据以及舌像数据进行高阶特征提取与融合，达到模型自动识别证候的效果。证候识别模型可以是预先通过大量红外温度数据、舌像数据以及相对应的证候类别训练得到的。当向证候识别模型输入目标对象的红外温度数据和舌像数据时，能够快速的预测出目标对象的证候类别。相比传统中医诊疗方法，能够提高证候识别的速度，为中医医师节省了时间，也为中医医师提供了证候诊断的参考。

本发明实施例的技术方案，通过获取目标对象在当前时刻下的红外温度图像以及舌像图像，将红外温度图像以及舌像图像输入至预先训练完成的证候识别模型中，将所述红外温度数据通过第一通道输入至预先训练完成的证候识别模型中，基于证候识别模型中的区域划分算法以及目标对象的红外温度采集区域，将红外温度数据划分为至少两组子区域温度数据，基于第一通道的特征提取网络层分别对每组子区域温度数据进行特征提取，以提取高阶的温度特征数据，进而，将舌像数据通过第二通道输入至预先训练完成的证候识别模型中，基于证候识别模型中第二通道的特征提取网络层对舌像数据进行特征提取，以提取高阶的舌像特征数据，基于特征融合网络层，对温度特征数据以及舌像特征数据进行特征融合，确定融合特征数据，以获取各生理数据内以及生理数据间的特征数据，基于分类识别网络层，对融合特征数据进行分类识别，确定所述目标证候类别，以得到目标对象在当前时刻下的目标证候类别，解决了由于中医医师的经验和时间限制造成的难以快速准确的确定目标对象证候类型的问题，实现了结合多种生理数据准确快速的识别目标对象的证候类别的技术效果。

实施例三

图8为本发明实施例三所提供的一种证候识别模型的示意图，本实施例作为优选实施例，针对证候识别模型的构建和使用的具体实施方式可参见本实施例的技术方案。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

如图8所示，证候识别模型采用的算法是神经网络，如VGG，ResNet或LSTM等。该模型可以由下述各网络层组成：卷积(Convolution)、池化(Pooling)、激活(Activation)、残差连接(Skip Connect)、Dropout等。

通过双通道输入(一个通道输入红外温度图像，另一个通道输入舌像图像)，将红外温度图像和舌像图像分别输入到证候识别模型中。并且，该模型会分两个通道分别用卷积、池化、激活、残差连接等技术提取高阶特征，再将两通道的高阶特征进行连接(Concatenate)，将连接后的特征再通过全连接层(Full connection)，以得到预先构建的证候识别模型。

对于预先构建的证候识别模型，可以使用预先确定证候类别标签数据的红外温度图像以及舌像图像进行训练，以提高模型预测的准确性。

具体的，训练证候识别模型包括：获取多个训练样本数据，训练样本数据中包括红外温度图像以及舌像图像、与红外温度图像以及舌像图像对应的标签数据。其中，标签数据可以基于预先确定的映射关系表来确定的。针对每一个训练样本数据，对训练样本数据通过卷积、池化、残差连接等处理，得到输入维度统一的向量，进而，将处理后的训练样本数据输入至预先构建的证候识别模型中，得到训练结果。基于训练结果与训练样本数据的真实标签数据结果，对预先构建的证候识别模型中的损失函数进行修正，将损失函数收敛作为训练目标，训练得到待使用证候识别模型。基于校验样本数据对待使用证候识别模型进行校验，当校验结果满足预设条件时，将待使用证候识别模型作为预先训练完成的证候识别模型。

需要说明的是，为了提高模型的准确性，可以尽可能多的获取训练样本数据。

在训练证候识别模型之前可以将预先构建的证候识别模型中的模型参数设置为默认值，以在基于训练样本数据训练时，修正预先构建的证候识别模型中的模型参数。

具体的，可以将训练样本数据输入至预先构建的证候识别模型中，得到与训练样本数据相对应的输出值，基于训练样本数据中标准值和训练输出值，可以计算出标准值和输出值之间的损失值，基于损失值确定待训练分类模型中的模型参数。其中，输出值是训练样本数据所对应的训练结果，标准值是训练样本数据所对应的真实标签数据结果，损失值是输出值与标准值的差值。可以根据损失函数的收敛条件对证候识别模型进行修正，即损失参数作为检测损失函数当前是否达到收敛的条件，比如训练误差是否小于预设误差或误差变化趋势是否趋于稳定，或者当前的迭代次数是否等于预设次数。若检测达到收敛条件，比如损失函数的训练误差达到小于预设误差或误差变化趋于稳定，表明该模型训练完成，此时可以停止迭代训练。若检测到当前未达到收敛条件，可以进一步获取样本数据对该模型进行训练，直至损失函数的训练误差在预设范围之内。当损失函数的训练误差达到收敛时，可以将该模型作为证候识别模型。

在使用证候识别模型进行证候识别时的具体方式如下：

将红外温度数据(例如：数据大小可以是384×288)，通过神经网络CNN、Pooling、Activation以及Skip connect等各网络层进行特征提取，得到第一预设维度(如：512维)的温度特征数据。

将舌像数据(例如：数据大小可以是384×288)经过神经网络CNN、Pooling、Activation，Skip connect等各网络层进行特征提取，得到第二预设维度(如：512维)的舌像特征数据。

将预设维度的红外温度数据(512维红外温度数据)和舌像数据(512维舌像数据)进行连接(Connect)，经过神经网络全连接(Full Connect)层进行特征融合，经过Dropout层来防止过拟合，最终可以输出第三预设维度(如：1000维)的特征数据，用于证候识别，分类识别得到对应的证候类别标签。

需要说明的是，本实施例中涉及的红外温度数据大小，舌像数据大小，第一预设维度，第二预设维度以及第三预设维度可以根据实际需求进行调整，在本实施例中不作具体限定。

证候识别模型的优势在于采用神经网络算法并且结合多种特征融合的方式对证候类别进行的判断，相较于较传统单一的特征，可行性更高，准确性更高。

本发明实施例的技术方案，通过获取目标对象在当前时刻下的红外温度图像以及舌像图像，将红外温度图像以及舌像图像输入至预先训练完成的证候识别模型中，得到目标对象在当前时刻下的目标证候类别，解决了由于中医医师的经验和时间限制造成的难以快速准确的确定目标对象证候类型的问题，实现了结合多种生理数据准确快速的识别目标对象的证候类别的技术效果。

实施例四

图9为本发明实施例四所提供的一种证候识别装置的结构示意图，该装置包括：生理数据获取模块310和目标证候确定模块320。

其中，生理数据获取模块310，用于获取目标对象在当前时刻下的当前生理数据；其中，所述当前生理数据至少包括红外温度数据以及舌像数据；目标证候确定模块320，用于将所述当前生理数据输入至预先训练完成的证候识别模型中，得到所述目标对象在所述当前时刻下的目标证候类别；其中，所述证候识别模型基于历史对象的历史生理数据以及与所述历史生理数据对应的标签数据对预先建立的神经网络模型进行训练得到，所述标签数据用于表示所述历史生理数据的证候类别。

可选的，生理数据获取模块310，还用于基于红外温度采集装置获取所述目标对象的处于至少一种体势下的红外温度图像；基于摄像装置获取所述目标对象的舌像图像。

可选的，目标证候确定模块320，还用于将所述红外温度数据通过第一通道输入至预先训练完成的证候识别模型中，基于所述证候识别模型中的区域划分算法以及所述目标对象的红外温度采集区域，将所述红外温度数据划分为至少两组子区域温度数据；基于所述第一通道的特征提取网络层分别对每组子区域温度数据进行特征提取，确定温度特征数据；将所述舌像数据通过第二通道输入至预先训练完成的证候识别模型中，基于所述证候识别模型中第二通道的特征提取网络层对所述舌像数据进行特征提取，确定舌像特征数据；基于所述证候识别模型中的特征融合网络层，对所述温度特征数据以及所述舌像特征数据进行特征融合，确定融合特征数据；基于所述证候识别模型中的分类识别网络层，对所述融合特征数据进行分类识别，确定所述目标证候类别。

可选的，第一通道和/或所述第二通道的特征提取网络层包括：卷积层，池化层，激活层以及残差连接层。

可选的，目标证候确定模块320，还用于将所述温度特征数据以及所述舌像特征数据进行连接，得到连接特征数据；基于全连接层对所述连接特征数据进行特征融合，确定第一融合特征数据；基于神经元处理层对所述第一融合特征数据进行处理，确定第二融合特征数据。

可选的，目标对象在当前时刻下的当前生理数据还包括：脉象数据以及病症数据中的至少一种。

可选的，神经网络模型为计算机视觉组，残差网络以及长短期记忆人工神经网络中的至少一个。

本发明实施例的技术方案，通过获取目标对象在当前时刻下的当前生理数据，将当前生理数据输入至预先训练完成的证候识别模型中，得到目标对象在当前时刻下的目标证候类别，解决了由于中医医师的经验和时间限制造成的难以快速准确的确定目标对象证候类型的问题，实现了结合多种生理数据准确快速的识别目标对象的证候类别的技术效果。

本发明实施例所提供的证候识别装置可执行本发明任意实施例所提供的证候识别方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述证候识别装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。

实施例五

图10为本发明实施例五所提供的一种电子设备的结构示意图。图10示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图10显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图10所示，电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。

总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备40访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。电子设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图10未显示，通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。

电子设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且，电子设备40还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器412通过总线403与电子设备40的其它模块通信。应当明白，尽管图10中未示出，可以结合电子设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的证候识别方法。

实施例六

本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种证候识别方法，该方法包括：

获取目标对象在当前时刻下的当前生理数据；其中，所述当前生理数据至少包括红外温度数据以及舌像数据；

将所述当前生理数据输入至预先训练完成的证候识别模型中，得到所述目标对象在所述当前时刻下的目标证候类别；

其中，所述证候识别模型基于历史对象的历史生理数据以及与所述历史生理数据对应的标签数据对预先建立的神经网络模型进行训练得到，所述标签数据用于表示所述历史生理数据的证候类别。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。