專利名稱：基于舌象的中醫(yī)衛(wèi)氣營血證候計算機分類方法
技術領域：
本發(fā)明涉及的是一種分析方法，具體地說是一種基于人體舌相對衛(wèi)氣營血證候進行計算機分析的方法。
背景技術：
衛(wèi)氣營血辨證，是外感溫熱病的辨證綱領，也是外感溫熱病證候分類的一種方法。是清代葉桂在《內經》的理論指導下，總結前人及自己的經驗而創(chuàng)立的一種辨證方法，他把溫病的產生、發(fā)展、演變過程，劃分為衛(wèi)分、氣分、營分和血分四個階段，用來說明溫病證候淺深輕重和傳變規(guī)律。一般來說，衛(wèi)氣營血辨證中，邪在衛(wèi)分、氣分者病情輕淺；邪入營分、血分者，病情深重。溫病的傳變有順傳和逆?zhèn)鲀煞N，由衛(wèi)分到氣分，進而發(fā)展到營分、血分者，為順傳。衛(wèi)分證直接陷入營分證者，為逆?zhèn)鳌Ｓ捎跍夭〔∏閺碗s多變，衛(wèi)、氣、營、血四個階段并非截然分開。因此，在臨床上往往有不同階段的證候相互交織錯雜的表現(xiàn)，如衛(wèi)氣同病、氣血兩燔等等。臟腑經絡是衛(wèi)氣營血辨證的物質基礎。衛(wèi)分證病變多涉及肺衛(wèi)皮毛，氣分證病變多影響胸膈、肺腸、脾胃、膽等臟腑組織，營分證候多關系到心與心包絡，血分證病變多耗損肝腎陰血。
但是目前對衛(wèi)氣營血證候的分析判別還是靠中醫(yī)醫(yī)師的經驗進行的，具有一定的隨意性，難以達到準確、可靠的目的。特別是這種人工分析判別的方式，不可能作為一種通用的檢測方法被廣泛推廣應用。
Boosting由Freund和Schapire于1990年提出，是提高預測學習系統(tǒng)預測能力的有效工具之一，也是組合學習中最具代表性的方法，它試圖提供一種提升任意學習算法精度的普遍方法。
在Valiant的PAC模型中，若存在一個多項式級的學習算法以識別一組概念，且識別的正確率很高，那么這組概念是強學習的；如果學習算法識別一組概念的正確率僅比隨機猜測略好，那么這組概念是弱學習的。
Kearns和Valiant提出了弱學習算法與強學習算法的等價問題在PAC模型中一個“弱”學習器是否能被“提升”為一個具有任意精度的“強”學習算法如果兩者等價，那么在學習概念時，只要找到一個比隨機猜測略好的學習算法，就可以將其提升為強學習算法，而不必直接去找通常情況下很難獲得的強學習算法。
Boosting方法的主要思想是給定一弱學習算法和一訓練集(X1，Y1)，(X2，Y2)，…，(Xn，Yn，這里Xi為第i個訓練樣本的輸入，Yi為分類問題的類別標志。算法開始先給每一個訓練樣本賦以相等的權值1/n，然后用該學習算法對訓練集訓練T輪，每次訓練后，對訓練失敗的訓練樣本賦以較大的權值，也就是讓學習算法在后續(xù)的學習中集中對比較難的訓練樣本進行學習，從而得到一個預測函數(shù)序列h1，h2，…，hn，其中hi也有一定的權值，預測效果好的預測函數(shù)的權值較大，反之較小。最終的預測函數(shù)H采用有權值的投票方式對新樣本進行判別。Boosting算法的偽代碼如下所示(1)輸入(X1，Y1)，(X2，Y2)，…，(Xn，Yn)
初始化D1( )＝1/n(2)For t＝1，…，T①在Dt下訓練，得到預測函數(shù)ht②計算該預測函數(shù)的錯誤率Et＝∑Dt( )[(ht，Xt≠Yt]選擇αt＝1/2 ln((1-Ft)/Ft)③根據(jù)錯誤率更新樣本的權重當ht(Xt)≠Yt時Dt+1( )＝Dt( )*exp(αt)當ht(Xt)＝Yt時Dt+1( )＝Dt( )*exp(-αt)并調整飾的權重和為1(3)輸出H(X)＝sign(∑αht(X))。

發(fā)明內容本發(fā)明的目的在于提供一種自動化程度高、快速準確、具有廣泛的應用價值的基于舌象的中醫(yī)衛(wèi)氣營血證候計算機分類方法。
本發(fā)明的目的是這樣實現(xiàn)的從舌象庫中提取子圖像，將各子圖像進行預處理后進行特征提取，將提取的特征送入分類器進行分類，經融合后輸出。
本發(fā)明還可以包括1、所述的分類器是Boosting投票表決分類器，判別厚苔還是薄苔，其分類為If舌苔厚紋理塊數(shù)量＞舌苔薄紋理塊數(shù)量then厚苔If舌苔厚紋理塊數(shù)量＜舌苔薄紋理塊數(shù)量then薄苔Else無法判斷。
2、所述的分類器還包括樹狀分類器，判斷出黑苔、黃苔、白苔或灰苔，其分類為輸入舌圖像Img的4維苔色特征向量為black、gray、white、yellow，分別代表黑、灰、白和黃，則苔色判斷算法如下(1)若black＞gray & black＞white & black＞yellow，則判斷為黑苔；否則，(2)若yellow＞gray & yellow＞white & yellow＞black，則判斷為黃苔；否則，(3)若white＞gray & white＞yellow & white＞black，則判斷為白苔；否則，(4)判斷為灰苔。
3、所述的分類器還包括樹狀分類器，首先使用樹狀分類器將舌色分成青；藍、淡白、紫、淡紫、淡紅；紅、絳3個大類；然后，將8維舌色特征向量作為輸入，使用線性分類器對每個大類進行最終的分析，判斷出紅、淡紅、絳、紫、淡紫、藍、青和淡白，輸入舌圖像Img的8維舌色特征向量為red、lightred、darkred、purple、lightpurple、blue、green、lightwhite，分別代表紅、淡紅、絳、紫、淡紫、藍、青和淡白，則舌色判斷如下
(1)使用樹狀分類器，將舌圖像Img分類為青；紅、絳；淡紅、淡紫、紫、藍、淡白3個大類，其中，輸入向量是由8維舌色特征向量進行對應維合并后的3維特征向量；(2)對于“紅、絳”類，將8維舌色特征向量作為輸入，使用事先訓練好的2類線性分類器進行分類，判斷為紅或絳；(3)對于“淡紅、淡紫、紫、藍、淡白”類，若blue＞(lightpurple*150％)且通過線性分類器判斷為藍，則作為藍，否則，計算舌圖像Img的RGB平均值向量(r，g，b)和舌圖像Img亮度值L＞150的像素比例值ratio，若ratio＞0.7627& g＞＝148.5且通過線性分類器判斷為淡白，則作為淡白，否則，將8維舌色特征向量作為輸入，使用事先訓練好的3類線性分類器進行分類，判斷為淡紅、淡紫或紫。
本發(fā)明的優(yōu)點在于根據(jù)不同的衛(wèi)氣營血證候的特點，運用不同的診斷模型，對所處理的證候和疾病進行分析，實驗在較大的樣本集上進行，診斷結果也較令人滿意。采用本發(fā)明的方法，可以實現(xiàn)各種衛(wèi)氣營血證候分析的計算機化，消除人為分析對結果的影響，達到快速準確的目的。具有廣泛的實用價值。


圖1是系統(tǒng)結構圖；圖2是舌圖像顏色分類算法的總體框架圖；圖3是淡白舌G分量分布；圖4是淡白舌中亮度大于150的像素比例分布。
具體實施方式
下面舉例對本發(fā)明做更詳細地描述1、基于boosting的證候診斷建模以中醫(yī)八綱辯證為例，圖1給出由基于Boosting投票表決分類器所導出辯證模型的部分表述。
If舌苔厚紋理塊數(shù)量＞舌苔薄紋理塊數(shù)量then厚苔If舌苔厚紋理塊數(shù)量＜舌苔薄紋理塊數(shù)量then薄苔Else無法判斷。
2、基于樹狀分類器的證候診斷模型我們將舌圖像顏色分類為4種苔色(黑、灰、白、黃)和8種舌色(紅、淡紅、紫、淡紫、絳、藍、青、淡白)。根據(jù)前面的分類結果，我們已經可以得到每一張舌圖像在這些顏色下的像素面積百分比。下面，將利用這12個值組成的12維顏色比例特征向量來設計舌圖像顏色的分類算法。
將這12維特征向量分成一個4維的苔色特征向量和8維的舌色特征向量，分別設計苔色和舌色的分類算法。大概的思路如下所述(1)由于舌圖像上苔色情況簡單，使用樹狀分類器可以實現(xiàn)對苔色的分類。
(2)針對舌圖像上舌色情況的復雜性，我們的想法是首先，使用樹狀分類器進行粗分類，將舌色分成3個大類(青；藍、淡白、紫、淡紫、淡紅；紅、絳)；然后，針對某些顏色(如淡白、藍)的特殊性質，加入有益的限制條件，以提高分類的準確性；最后，將8維舌色特征向量作為輸入，使用線性分類器對每個大類進行最終的細分類。圖2給出了舌圖像顏色分類算法的框架圖。選擇舌色提取次序的原則易分離的顏色先進行提取，以免影響后面的顏色類別。
苔色判斷算法設輸入舌圖像Img的4維苔色特征向量為(black，gray，white，yellow)(分別代表黑、灰、白和黃)，則苔色判斷算法如下所述(樹狀分類器)(1)若black＞gray & black＞white & black＞yellow，則判斷為黑苔；否則，(2)若yellow＞gray & yellow＞white & yellow＞black，則判斷為黃苔；否則，(3)若white＞gray & white＞yellow & white＞black，則判斷為白苔；否則，(4)判斷為灰苔。
舌色判斷算法設輸入舌圖像Img的8維舌色特征向量為(red，lightred，darkred，purple，lightpurple，blue，green，lightwhite)(分別代表紅、淡紅、絳、紫、淡紫、藍、青和淡白)，則舌色判斷算法如下所述(1)使用樹狀分類器，將舌圖像Img分類為3個大類(青；紅、絳；淡紅、淡紫、紫、藍、淡白)中的一類。其中，輸入向量是由8維舌色特征向量進行對應維合并后的3維特征向量；(2)對于“紅、絳”類。將8維舌色特征向量作為輸入，使用事先訓練好的2類線性分類器進行分類，判斷為紅或絳；(3)對于“淡紅、淡紫、紫、藍、淡白”類。若blue＞(lightpurple*150％)且通過線性分類器判斷為藍，則作為藍(分析見后文)；否則，計算舌圖像Img的RGB平均值向量(r，g，b)和舌圖像Img亮度值L＞150的像素比例值ratio，若ratio＞0.7627 & g＞＝148.5且通過線性分類器判斷為淡白，則作為淡白(分析見后文)；否則，將8維舌色特征向量作為輸入，使用事先訓練好的3類線性分類器進行分類，判斷為淡紅、淡紫或紫。
上述算法中使用了一些經驗值以及經驗公式，下面將進行必要的分析與解釋。這些經驗值與經驗公式均來自對日常實驗結果的分析。
對于藍舌色的判斷依據(jù)圖5-3是5張較典型藍舌圖像在舌色苔色上的比例分布圖。如圖所示，在第5，6(分別是淡紫和藍分量)處具有較明顯的分布規(guī)律，可以得到如下的經驗公式藍＞淡紫*150％。實驗表明，該經驗公式取得了不錯的效果。
對于淡白舌色的判斷依據(jù)經過仔細觀察，可以發(fā)現(xiàn)，淡白舌圖像在亮度上較其他舌圖像更高，且亮度大的像素相對較多。根據(jù)這些分析，我們作出了RGB下G分量均值以及亮度值＞150的像素比例Ratio的分布圖，如圖3、4所示。由圖可以得到經驗閾值及其限制公式Ratio＞0.7627 & G＞＝148.5。實驗結果也證明了該方法的有效性。
衛(wèi)氣營血根據(jù)分析與判斷，該舌象樣本舌苔薄，苔色薄白(或薄黃)，舌質淡紅(或淡紫)，為衛(wèi)分證。
根據(jù)分析與判斷，該舌象樣本舌苔厚，苔色黃，舌質紅，為氣分證。
根據(jù)分析與判斷，該舌象樣本舌質絳，為營分證。
根據(jù)分析與判斷，該舌象樣本舌質絳紫，為血分證。
權利要求
1.一種基于舌象的中醫(yī)衛(wèi)氣營血證候計算機分類方法，其特征是從舌象庫中提取子圖像，將各子圖像進行預處理后進行特征提取，將提取的特征送入分類器進行分類，經融合后輸出。
2.根據(jù)權利要求1所述的基于舌象的中醫(yī)衛(wèi)氣營血證候計算機分類方法，其特征是所述的分類器是Boosting投票表決分類器，判別厚苔還是薄苔，其分類為If舌苔厚紋理塊數(shù)量＞舌苔薄紋理塊數(shù)量then厚苔If舌苔厚紋理塊數(shù)量＜舌苔薄紋理塊數(shù)量then薄苔Else無法判斷。
3.根據(jù)權利要求1所述的基于舌象的中醫(yī)衛(wèi)氣營血證候計算機分類方法，其特征是所述的分類器還包括樹狀分類器，判斷出黑苔、黃苔、白苔或灰苔，其分類為輸入舌圖像Img的4維苔色特征向量為black、gray、white、yellow，分別代表黑、灰、白和黃，則苔色判斷算法如下(1)若black＞gray & black＞white & black＞yellow，則判斷為黑苔；否則，(2)若yellow＞gray & yellow＞white & yellow＞black，則判斷為黃苔；否則，(3)若white＞gray & white＞yellow & white＞black，則判斷為白苔；否則，(4)判斷為灰苔。
4.根據(jù)權利要求3所述的基于舌象的中醫(yī)衛(wèi)氣營血證候計算機分類方法，其特征是所述的分類器還包括樹狀分類器，首先使用樹狀分類器將舌色分成青；藍、淡白、紫、淡紫、淡紅；紅、絳3個大類；然后，將8維舌色特征向量作為輸入，使用線性分類器對每個大類進行最終的分析，判斷出紅、淡紅、絳、紫、淡紫、藍、青和淡白，輸入舌圖像Img的8維舌色特征向量為red、lightred、darkred、purple、lightpurple、blue、green、lightwhite，分別代表紅、淡紅、絳、紫、淡紫、藍、青和淡白，則舌色判斷如下(1)使用樹狀分類器，將舌圖像Img分類為青；紅、絳；淡紅、淡紫、紫、藍、淡白3個大類，其中，輸入向量是由8維舌色特征向量進行對應維合并后的3維特征向量；(2)對于“紅、絳”類，將8維舌色特征向量作為輸入，使用事先訓練好的2類線性分類器進行分類，判斷為紅或絳；(3)對于“淡紅、淡紫、紫、藍、淡白”類，若blue＞(lightpurple*150％)且通過線性分類器判斷為藍，則作為藍，否則，計算舌圖像Img的RGB平均值向量(r，g，b)和舌圖像Img亮度值L＞150的像素比例值ratio，若ratio＞0.7627& g＞＝148.5且通過線性分類器判斷為淡白，則作為淡白，否則，將8維舌色特征向量作為輸入，使用事先訓練好的3類線性分類器進行分類，判斷為淡紅、淡紫或紫。
全文摘要
本發(fā)明提供的是一種基于舌象的中醫(yī)衛(wèi)氣營血證候計算機分類方法。從舌象庫中提取子圖像，將各子圖像進行預處理后進行特征提取，將提取的特征送入分類器進行分類，經融合后輸出。本發(fā)明的優(yōu)點在于根據(jù)不同的衛(wèi)氣營血證候的特點，運用不同的診斷模型，對所處理的證候和疾病進行分析，實驗在較大的樣本集上進行，診斷結果也較令人滿意。采用本發(fā)明的方法，可以實現(xiàn)各種衛(wèi)氣營血證候分析的計算機化，消除人為分析對結果的影響，達到快速準確的目的。具有廣泛的實用價值。
文檔編號G06Q50/00GK1973759SQ20061015087
公開日2007年6月6日 申請日期2006年10月11日 優(yōu)先權日2006年10月11日
發(fā)明者張大鵬, 李乃民, 王寬全, 黃勃, 張宏志 申請人:哈爾濱工業(yè)大學