CN106327495A - 一种生物骨骼识别方法、装置及系统 - Google Patents

Abstract

本发明提供了一种生物骨骼识别方法、装置和系统，该方法包括：通过CT扫描待识别骨骼，得到所述待识别骨骼的电子影像信息；根据所述待识别骨骼的骨骼形状对应的特征点，从所述电子影像信息中提取所述特征点对应的影像数据；将所述影像数据映射到统一的数学区间中，得到所述待识别骨骼对应所述数学区间的特征值；将所述特征值输入预先训练好的神经网络中进行处理；所述预先训练好的神经网络是利用骨骼数据库中的骨骼数据进行训练的；获取所述神经网络的输出结果，根据所述输出结果判定所述待识别骨骼的种属或所属个体。本发明利用骨骼数据库和神经网络进行骨骼识别，能够提高骨骼比对及识别的准确率和效率。

Description

一种生物骨骼识别方法、装置及系统

技术领域

本发明涉及生物学或医学图像识别技术领域，具体而言，涉及一种生物骨骼识别方法、装置及系统。

背景技术

目前生物骨骼的识别主要通过人工依靠生物学或医学知识及经验对骨骼进行逐一的比对分析，识别骨骼所属生物的种类及骨骼的位置，手工测量骨骼的一些特征点，根据测量的特征点之间的数据进行骨骼的比对。

在跨种属识别方面，现有技术只能人工识别较为完整的生物骨骼，对于跨种属之间不完整骨骼的识别难度很大，识别成功与否主要依靠识别人的经验，主观成分较大，并且没有比对的样本库进行比对和识别，导致识别的准确率和效率都很低。

发明内容

有鉴于此，本发明实施例的目的在于提供一种生物骨骼识别方法、装置及系统，利用骨骼数据库，能够提高比对及识别的准确率，提高跨种属识别的效率。

第一方面，本发明实施例提供了一种生物骨骼识别方法，包括：

通过CT扫描待识别骨骼，得到待识别骨骼的电子影像信息；

根据待识别骨骼的骨骼形状对应的特征点，从电子影像信息中提取特征点对应的影像数据；将影像数据映射到统一的数学区间中，得到待识别骨骼对应数学区间的特征值；

将特征值输入预先训练好的神经网络中进行处理；预先训练好的神经网络是利用骨骼数据库中的骨骼数据进行训练的；

获取神经网络的输出结果，根据输出结果判定所述待识别骨骼的种属或所属个体。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，将所述影像数据映射到统一的数学区间中采用如下公式：

$y=f(\underset{i=1}{\overset{m}{\Σ}}{w}_i{x}_i-\mathrm{\θ})$

其中，x_i为输入的所述影像数据的向量，y为输出的所述待识别骨骼对应所述数学区间的特征值，w_i为预设的权重系数，θ为预设的阈值，f(x)为预设的激发函数。所述的激发函数f(x)为线性激发函数或指数型激发函数。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，预先训练好的神经网络的训练过程包括：当所述骨骼数据库为按生物种属和骨骼部位分类存储的生物骨骼数据库时，

按照不同生物种属的骨骼形状对应的特征点，从所述生物骨骼数据库中提取不同生物种属的骨骼数据，将提取的所述生物种属的骨骼数据映射到统一的数学区间中，得到训练数据；

随机初始化神经网络中隐藏层的参数；

将所述训练数据输入神经网络，得到所述神经网络的训练输出值；

将所述训练输出值反馈到所述神经网络的隐藏层中，修正隐藏层的参数，反复训练，直至用完所有训练数据，停止训练；

停止训练后，将当前的神经网络作为训练好的神经网络。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，预先训练好的神经网络的训练过程包括：当所述骨骼数据库为按不同个体和骨骼部位分类存储的人体骨骼数据库时，

按照不同个体的骨骼形状对应的特征点，从所述人体骨骼数据库中提取不同个体的骨骼数据，将提取的所述不同个体的骨骼数据映射到统一的数学区间中，得到训练数据；

随机初始化神经网络中隐藏层的参数；

将所述训练数据输入神经网络，得到所述神经网络的训练输出值；

将所述训练输出值反馈到所述神经网络的隐藏层中，修正隐藏层的参数，反复训练，直至用完所有训练数据，停止训练；

停止训练后，将当前的神经网络作为训练好的神经网络。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，获取神经网络的输出结果包括：

逐一获取各个所述特征值经过神经网络处理后的输出值；

计算各个所述特征值对应的输出值的平均值；

求所述平均值作为所述神经网络的输出结果。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，该方法还包括：

当所述骨骼形状对应的特征点中包含有指定的异常特征点时，对获取到的所述神经网络的输出结果按照预设的权重值进行加权处理；

根据加权处理后的输出结果判定所述待识别骨骼的种属或所属个体。

第二方面，本发明实施例还提供一种生物骨骼识别装置，包括：

数据采集模块，用于通过CT扫描待识别骨骼，得到所述待识别骨骼的电子影像信息；

特征提取模块，用于根据所述待识别骨骼的骨骼形状对应的特征点，从所述电子影像信息中提取所述特征点对应的影像数据；将所述影像数据映射到统一的数学区间中，得到所述待识别骨骼对应所述数学区间的特征值；

特征分析模块，用于将所述特征值输入预先训练好的神经网络中进行处理；所述预先训练好的神经网络是利用骨骼数据库中的骨骼数据进行训练的；

结果判定模块，用于获取所述神经网络的输出结果，根据所述输出结果判定所述待识别骨骼的种属或所属个体。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，训练神经网络利用的所述骨骼数据库包括按生物种属和骨骼部位分类存储的生物骨骼数据库和按不同个体和骨骼部位分类存储的人体骨骼数据库。

第三方面，本发明实施例还提供一种生物骨骼识别系统，包括CT扫描仪和第二方面所述的生物骨骼识别装置。

本发明实施例所提供的生物骨骼识别方法、装置及系统，通过与骨骼数据库内的骨骼数据自动比较，能够快速、客观、准确的对不明种属或不明个体的骨骼进行识别，提高骨骼识别的效率和准确性。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例所提供的一种生物骨骼识别方法的流程图；

图2示出了本发明另一实施例所提供的一种生物骨骼识别方法的流程图；

图3示出了本发明实施例所提供的一种生物骨骼识别装置的结构示意图；

图4示出了本发明实施例所提供的一种生物骨骼识别系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

目前，在跨种属识别方面，只能人工识别较为完整的生物骨骼，对于不完整骨骼的识别难度很大，识别成功与否主要依靠识别人的经验，主观成分大。针对这一问题，本发明实施例提供了一种生物骨骼识别方法。

该方法的流程图如图1所示，包括以下步骤。

步骤101，通过CT扫描待识别骨骼，得到待识别骨骼的电子影像信息。

步骤102，根据待识别骨骼的骨骼形状对应的特征点，从电子影像信息中提取特征点对应的影像数据；将影像数据映射到统一的数学区间中，得到待识别骨骼对应数学区间的特征值。

其中，将所述影像数据映射到统一的数学区间中，采用如下公式：

$y=f(\underset{i=1}{\overset{m}{\Σ}}{w}_i{x}_i-\mathrm{\θ})$

其中，x_i为输入的所述影像数据的向量，y为输出的所述待识别骨骼对应所述数学区间的特征值，w_i为预设的权重系数，该权重系数为多次样本训练所得。

θ为预设的阈值，f(x)为预设的激发函数。所述的激发函数f(x)为线性激发函数或指数型激发函数。

激发函数可以是线形函数，也可以是非线性函数。根据不同类型的特征点激发函数也不同，如线性的激发函数

$y=f\left(z\right)=\left\{\begin{array}{cc}1,& \underset{i=1}{\overset{m}{\Σ}}{w}_i{x}_i>\mathrm{\θ},\\ 0,& \underset{i=1}{\overset{m}{\Σ}}{w}_i{x}_i\≤\mathrm{\θ},\end{array}\right.,$

或者指数型激发函数

$f\left(x\right)=\frac{1}{1+e^{-x}}.$

步骤103，将特征值输入预先训练好的神经网络中进行处理。

预先训练好的神经网络是利用骨骼数据库中的骨骼数据进行训练的，所述骨骼数据库为按生物种属和骨骼部位分类存储的生物骨骼数据库，训练过程包括：

按照不同生物种属的骨骼形状对应的特征点，从所述生物骨骼数据库中提取不同生物种属的骨骼数据，将提取的所述生物种属的骨骼数据映射到统一的数学区间中，得到训练数据；

随机初始化神经网络中隐藏层的参数；

将所述训练数据输入神经网络，得到所述神经网络的训练输出值；

将所述训练输出值反馈到所述神经网络的隐藏层中，修正隐藏层的参数，反复训练，直至用完所有训练数据，停止训练；

$w_l^{\left(p\right)}(i,j)=w_l^{(p-1)}(i,j)+{\mathrm{\η\δ}}_l^{\left(p\right)}{a}_{l-1}^{\left(p\right)}\left(j\right),$

在上述公式中，选定待训练的数据P，随机确定系数矩阵W中的系数值，Wi(i,j)为当前迭代时的权重。η为学习速率，ηδa(j)为当前层的输出，这是由上一层的输出a作为输入，经过激发函数的运算得出的当前层的输出。该输出与当前层的权重系数进行运算后，得出本神经元的最终输出。

停止训练后，将当前的神经网络作为训练好的神经网络。

步骤104，获取神经网络的输出结果，根据输出结果判定所述待识别骨骼的种属。

步骤104中，获取神经网络的输出结果包括：逐一获取各个所述特征值经过神经网络处理后的输出值；计算各个所述特征值对应的输出值的平均值；求所述平均值作为所述神经网络的输出结果。

上述方法通过与骨骼数据库进行比较，能够快速、客观、准确的对不明种属的骨骼进行识别，提高跨种属识别的效率和准确性。

实施例2

目前，在人体骨骼数据库方面，在发现无名人体组织样本后，通常会通过DNA进行个体识别，但DNA受环境影响较大，容易被破坏，而骨骼相对较稳定，不容易被破坏，通过骨骼进行个体识别结果稳定。用DNA进行个体识别依赖于DNA数据库，而DNA数据库的建立的被动的，且成本昂贵，而人体骨骼数据库的建立是主动的，人们在进行主动就医活动的同时即可建立数据库。基于通过骨骼鉴定进行个体识别的稳定性，本发明实施例提供了一种生物骨骼识别方法。

该方法的流程图如图2所示，包括以下步骤。

步骤201，通过CT扫描待识别骨骼，得到待识别骨骼的电子影像信息。

步骤202，根据待识别骨骼的骨骼形状对应的特征点，从电子影像信息中提取特征点对应的影像数据；将影像数据映射到统一的数学区间中，得到待识别骨骼对应数学区间的特征值。其中，将所述影像数据映射到统一的数学区间中采用的公式与实施例1中相同，不再赘述。

骨骼识别的基础是选择骨骼的特征点，根据生物学和医学的经验，骨骼的特征点可以按如下的规则选取。

当待识别骨骼为颅骨(除下颌骨)时，选取颅骨最右端，颅骨最左端，颅骨顶端，颅骨最后端，左眼眶最高点，左眼眶最外侧点，左眼眶最内侧点，左眼眶最低点，右眼眶最高点，右眼眶最外侧点，右眼眶最内侧点，右眼眶最低点，右侧颧弓最外侧端，左侧颧弓最外侧端，鼻骨顶端，左乳突最下端，右乳突最下端，以及枕骨打孔前、后、左、右端作为特征点。

当待识别骨骼为下颌骨时，选取左下颌角，右下颌角，左颏隆突，右颏隆突，左下颌头，右下颌头，左冠突，右冠突，下颌切迹最低点及双门齿根部中点作为特征点。

当待识别骨骼为脊柱骨时，选取寰椎：前结节、后结节、左横突外侧端，右横突外侧端，椎孔前端、椎孔后端、椎孔左端和椎孔右端作为特征点。

当待识别骨骼为枢椎时，选取齿突顶点，椎体前下端，左横突外侧端，右横突外侧端，椎孔前端、椎孔后端、椎孔左端、椎孔右端和棘突末端作为特征点。

当待识别骨骼为其他颈椎时，选取椎体前上端，椎体前下端，左横突外侧端，右横突外侧端，椎孔前端、椎孔后端、椎孔左端、椎孔右端和棘突末端作为特征点。

当待识别骨骼为胸椎时，选取椎体前上端，椎体前下端，左横突外侧端，右横突外侧端，椎孔前端、椎孔后端、椎孔左端、椎孔右端，棘突末端，上关节突顶点，下关节突最低点，上肋凹顶点和下肋凹最低点作为特征点。

当待识别骨骼为腰椎时，选取椎体前上端，椎体前下端，左横突外侧端，右横突外侧端，椎孔前端、椎孔后端、椎孔左端、椎孔右端，棘突末端，上关节突顶点和下关节突最低点作为特征点。

当待识别骨骼为骶骨时，选取骶骨耳状面两端，骶骨顶端，骶骨最底点，上关节突顶端和骶正中脊最高点作为特征点。

当待识别骨骼为尾骨时，选取双侧尾骨角和尾骨尖作为特征点。

当待识别骨骼为胸骨时，选取颈静脉切迹，锁切迹上端，锁切迹下端，胸骨体左端，胸骨体右端，胸骨角和胸骨体末端为特征点。

当待识别骨骼为肋骨时，选取肋头，肋结节，肋角和肋骨末端为特征点。

当待识别骨骼为锁骨时，选取肩峰端，胸骨端，最前端和最后端为特征点。

当待识别骨骼为肩胛骨时，选取肩峰端，喙突端，上角，下角，内侧缘最内侧端，外侧角和肩胛冈顶端为特征点。

当待识别骨骼为肱骨时，选取肱骨头，大结节，小结节，肱骨髁，肱骨小头和肱骨体中点前后左右端为特征点。

当待识别骨骼为桡骨时，选取桡骨头，桡骨粗隆，桡骨茎突，尺切迹和桡骨体中点前后左右端为特征点。

当待识别骨骼为尺骨时，选取鹰嘴末端，桡切迹，尺骨茎突，尺骨头和尺骨体中点前后左右端为特征点。

当待识别骨骼为腕骨时，选取上下左右前后各端和几何中心点为特征点。

当待识别骨骼为掌骨时，选取掌骨底、掌骨头和掌骨体中点前后左右端为特征点。

当待识别骨骼为指骨时，选取指骨底，指骨滑车和指骨体中点前后左右端为特征点。

当待识别骨骼为髂骨时，选取髂骨顶端，髂前上棘，髂后上棘，髂前下棘，髂后下棘，坐骨大切迹顶端，坐骨棘，耻骨结节上端，耻骨结节下端，坐骨结节上端和坐骨结节下端为特征点。

当待识别骨骼为股骨时，选取股骨头顶端，大转子，小转子，外上髁，内上髁，内侧髁，外侧髁，髁间窝和股骨干中点前后左后端为特征点。

当待识别骨骼为髌骨时，选取髌底，髌尖，髌骨左右端和髌骨前后端为特征点。

当待识别骨骼为胫骨时，选取髁间隆起，胫骨平台内外端，内踝，腓切迹和胫骨中点前后左右端为特征点。

当待识别骨骼为腓骨时，选取腓骨头，外踝和腓骨中点前后左右端为特征点。

当待识别骨骼为跗骨时，选取前后左右上下端和几何中心点为特征点。

当待识别骨骼为跖骨时，选取跖骨底、跖骨头和跖骨体中点前后左右端为特征点。

当待识别骨骼为趾骨时，选取趾骨底，趾骨滑车和趾骨体中点前后左右端为特征点。

步骤203，将特征值输入预先训练好的神经网络中进行处理。

预先训练好的神经网络是利用骨骼数据库中的骨骼数据进行训练的，所述骨骼数据库为按不同个体和骨骼部位分类存储的人体骨骼数据库时，

按照不同个体的骨骼形状对应的特征点，从所述人体骨骼数据库中提取不同个体的骨骼数据，将提取的所述不同个体的骨骼数据映射到统一的数学区间中，得到训练数据；

随机初始化神经网络中隐藏层的参数；

将所述训练数据输入神经网络，得到所述神经网络的训练输出值；

将所述训练输出值反馈到所述神经网络的隐藏层中，修正隐藏层的参数，反复训练，直至用完所有训练数据，停止训练；

停止训练后，将当前的神经网络作为训练好的神经网络。

步骤204，获取神经网络的输出结果，根据输出结果判定所述待识别骨骼所属的个体。

步骤204中，获取神经网络的输出结果包括：逐一获取各个所述特征值经过神经网络处理后的输出值；计算各个所述特征值对应的输出值的平均值；求所述平均值作为所述神经网络的输出结果。

针对一些特殊情况，如在人骨识别的过程中，陈旧性骨损伤结合病历可以作为骨骼识别的依据，如出现这种情况，需要对输出结果进行调整。鉴于此，该方法还包括：当所述骨骼形状对应的特征点中包含有指定的异常特征点时，对获取到的所述神经网络的输出结果按照预设的权重值进行加权处理；根据加权处理后的输出结果判定所述待识别骨骼的种属或所属个体。

本发明实施例所提供的方法通过数据库中大量样本的训练和检测结果的逆向训练，可以作为识别人类残骨的骨骼类型，基于参照物的同一人骨骼影像资料的有效性判定。并且在骨骼比对的特征点方面，现有技术通过人工逐个比对特征点，因为人力有限，所以比对的特征点相对较少，结论有时不够准确，通过本发明实施例提供的方法，可以自动比对大量的特征点，在大量的比对之后，得出更准确的结论。

与上述生物骨骼识别方法相对应，本发明实施例还提供了一种生物骨骼识别装置。如图3所示，该生物骨骼识别装置，包括如下模块：

数据采集模块301，用于通过CT扫描待识别骨骼，得到所述待识别骨骼的电子影像信息；

特征提取模块302，用于根据所述待识别骨骼的骨骼形状对应的特征点，从所述电子影像信息中提取所述特征点对应的影像数据；将所述影像数据映射到统一的数学区间中，得到所述待识别骨骼对应所述数学区间的特征值；

特征分析模块303，用于将所述特征值输入预先训练好的神经网络中进行处理；所述预先训练好的神经网络是利用骨骼数据库中的骨骼数据进行训练的；

结果判定模块304，用于获取所述神经网络的输出结果，根据所述输出结果判定所述待识别骨骼的种属或所属个体。

其中，训练神经网络利用的所述骨骼数据库包括按生物种属和骨骼部位分类存储的生物骨骼数据库和按不同个体和骨骼部位分类存储的人体骨骼数据库。

本发明又一实施例还提供一种生物骨骼识别系统，参见图4所示，包括CT扫描仪401和第二方面所述的生物骨骼识别装置3。其中，生物骨骼识别装置3的具体结构可以采用图3所示的结构。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本发明实施例所提供的生物骨骼识别方法、装置及系统，可以对不明种属的骨骼进行识别，自动比对大大提高了工作效率，提高了跨种属识别的效率和准确性；同时，采用骨骼数据库中大量的训练数据，提高骨识别的精度，减少了人为因素对骨骼识别的干扰。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种生物骨骼识别方法，其特征在于，包括：

通过CT扫描待识别骨骼，得到所述待识别骨骼的电子影像信息；

根据所述待识别骨骼的骨骼形状对应的特征点，从所述电子影像信息中提取所述特征点对应的影像数据；将所述影像数据映射到统一的数学区间中，得到所述待识别骨骼对应所述数学区间的特征值；

将所述特征值输入预先训练好的神经网络中进行处理；所述预先训练好的神经网络是利用骨骼数据库中的骨骼数据进行训练的；

获取所述神经网络的输出结果，根据所述输出结果判定所述待识别骨骼的种属或所属个体。

2.根据权利要求1所述的生物骨骼识别方法，其特征在于，所述将所述影像数据映射到统一的数学区间中采用如下公式：

$y=f(\underset{i=1}{\overset{m}{\Σ}}{w}_i{x}_i-\mathrm{\θ})$

其中，x_i为输入的所述影像数据的向量，y为输出的所述待识别骨骼对应所述数学区间的特征值，w_i为预设的权重系数，θ为预设的阈值，f(x)为预设的激发函数。

3.根据权利要求2所述的生物骨骼识别方法，其特征在于，所述的激发函数f(x)为线性激发函数或指数型激发函数。

4.根据权利要求1所述的生物骨骼识别方法，其特征在于，所述预先训练好的神经网络的训练过程包括：当所述骨骼数据库为按生物种属和骨骼部位分类存储的生物骨骼数据库时，

按照不同生物种属的骨骼形状对应的特征点，从所述生物骨骼数据库中提取不同生物种属的骨骼数据，将提取的所述生物种属的骨骼数据映射到统一的数学区间中，得到训练数据；

随机初始化神经网络中隐藏层的参数；

将所述训练数据输入神经网络，得到所述神经网络的训练输出值；

将所述训练输出值反馈到所述神经网络的隐藏层中，修正隐藏层的参数，反复训练，直至用完所有训练数据，停止训练；

停止训练后，将当前的神经网络作为训练好的神经网络。

5.根据权利要求1所述的生物骨骼识别方法，其特征在于，所述预先训练好的神经网络的训练过程包括：当所述骨骼数据库为按不同个体和骨骼部位分类存储的人体骨骼数据库时，

按照不同个体的骨骼形状对应的特征点，从所述人体骨骼数据库中提取不同个体的骨骼数据，将提取的所述不同个体的骨骼数据映射到统一的数学区间中，得到训练数据；

随机初始化神经网络中隐藏层的参数；

将所述训练数据输入神经网络，得到所述神经网络的训练输出值；

将所述训练输出值反馈到所述神经网络的隐藏层中，修正隐藏层的参数，反复训练，直至用完所有训练数据，停止训练；

停止训练后，将当前的神经网络作为训练好的神经网络。

6.根据权利要求1所述的生物骨骼识别方法，其特征在于，获取神经网络的输出结果包括：

逐一获取各个所述特征值经过神经网络处理后的输出值；

计算各个所述特征值对应的输出值的平均值；

求所述平均值作为所述神经网络的输出结果。

7.根据权利要求1所述的生物骨骼识别方法，其特征在于，所述方法还包括：

当所述骨骼形状对应的特征点中包含有指定的异常特征点时，对获取到的所述神经网络的输出结果按照预设的权重值进行加权处理；

根据加权处理后的输出结果判定所述待识别骨骼的种属或所属个体。

8.一种生物骨骼识别装置，其特征在于，所述装置包括：

数据采集模块，用于通过CT扫描待识别骨骼，得到所述待识别骨骼的电子影像信息；

特征提取模块，用于根据所述待识别骨骼的骨骼形状对应的特征点，从所述电子影像信息中提取所述特征点对应的影像数据；将所述影像数据映射到统一的数学区间中，得到所述待识别骨骼对应所述数学区间的特征值；

特征分析模块，用于将所述特征值输入预先训练好的神经网络中进行处理；所述预先训练好的神经网络是利用骨骼数据库中的骨骼数据进行训练的；

结果判定模块，用于获取所述神经网络的输出结果，根据所述输出结果判定所述待识别骨骼的种属或所属个体。

9.根据权利要求8所述的生物骨骼识别装置，其特征在于，训练所述神经网络利用的所述骨骼数据库包括按生物种属和骨骼部位分类存储的生物骨骼数据库和按不同个体和骨骼部位分类存储的人体骨骼数据库。

10.一种生物骨骼识别系统，其特征在于，包括CT扫描仪和权利要求8或9所述的生物骨骼识别装置。