CN107203701B - 一种脂肪厚度的测量方法、装置及系统 - Google Patents
一种脂肪厚度的测量方法、装置及系统 Download PDFInfo
- Publication number
- CN107203701B CN107203701B CN201710607055.2A CN201710607055A CN107203701B CN 107203701 B CN107203701 B CN 107203701B CN 201710607055 A CN201710607055 A CN 201710607055A CN 107203701 B CN107203701 B CN 107203701B
- Authority
- CN
- China
- Prior art keywords
- measured
- fat thickness
- data
- model
- fat
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明实施例公开了一种脂肪厚度的测量方法、装置及系统。其中,方法包括首先获取光电传感器采集的近红外光发射器发射至待测量身体部位散射的光强,作为待测量身体部位脂肪的待测量数据;然后获取待测量数据对应的待测者的性别与年龄;最后将待测量数据、待测者的性别与年龄输入预先构建的脂肪厚度测量模型中,脂肪厚度测量模型包括多个子专家模型,为对多个年龄段、肥胖程度不同、男女比例均衡的测试者进行采样,利用卷积神经网络模型训练采样数据所得,脂肪厚度测量模型的输出结果即为待测量身体部位的脂肪厚度。可有效的测量不同人群的脂肪厚度,提高了脂肪厚度测量的便捷性、安全性,提高了脂肪厚度测量的工作效率,具有普适性。
Description
技术领域
本发明实施例涉及医疗设备技术领域,特别是涉及一种脂肪厚度的测量方法、装置及系统。
背景技术
随着社会经济的日益发展,人民生活质量越来越好,肥胖症也越来越普遍化。由于脂肪堆积所引发的各种代谢综合症,例如糖尿病、高血压和冠心病等慢性疾病已成为危害人类健康,引发身体疾病的重要因素之一,脂肪的多少对评测人体身体健康状况至关重要。可见,准确、及时测量人体脂肪有利于预防糖尿病等慢性疾病的病发。
现有技术中,对脂肪厚度的测量,多采用生物电阻抗、皮褶厚度测量法以及超声测量法,生物电阻抗、皮褶厚度测量法的准确度较低,尽管超声测量法测量的准确度高,但是超声测量法一般是利用超声仪器对测量部位进行医学成像,然后利用测量工具测量该成像上皮脂的厚度,作为脂肪的厚度。这种方法,需要到医院或具有一定的理论知识的工作人员进行操作,操作过程费时且复杂,不利于推广应用。
发明内容
本发明实施例的目的是提供一种脂肪厚度的测量方法及装置,以提高脂肪厚度测量的工作效率。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种脂肪厚度的测量方法,包括:
获取光电传感器采集待测量数据,所述待测量数据为所述光电传感器采集的近红外光发射器发射至待测量身体部位散射的光强;
获取所述待测量数据对应的用户体质信息,所述用户体质信息包括待测者的性别与年龄;
将所述待测量数据、所述用户体质信息输入预先构建的脂肪厚度测量模型中,所述脂肪厚度测量模型的输出结果作为所述待测量身体部位的脂肪厚度;
其中,所述脂肪厚度测量模型包括多个子专家模型,为对多个年龄段、肥胖程度不同、男女比例均衡的测试者进行采样,利用卷积神经网络模型训练采样数据所得。
可选的,所述脂肪厚度测量模型的构建过程包括:
获取测试集中每位测试者的肱二头肌与腹部的脂肪测试数据与相应的脂肪厚度、性别及年龄,所述测试集中包括多个年龄段、肥胖程度不同、男女比例均衡的多名测试者;所述脂肪厚度通过B型超声诊断仪对所述肱二头肌或腹部进行测量所得;
利用多组所述脂肪测试数据与对应的性别数据,训练预先搭建的卷积神经网络模型,使得误差达标,以得到性别分类器;
利用多组所述脂肪测试数据与对应的年龄数据,训练预先搭建的卷积神经网络模型,使得误差达标,以得到年龄分类器;
利用所述性别分类器、所述年龄分类器搭建混合专家模型,并利用多组所述脂肪测试数据与对应的脂肪厚度数据对所述混合专家模型训练,使得误差达标,以得到脂肪厚度测量模型。
可选的,在所述获取光电传感器采集待测量数据之后,还包括:
将所述待测量数据输入预先构建的异常检测模型中;
当所述异常检测模型判定所述待测量数据满足测量条件后,执行后续操作;反之,则发送重新获取待测量数据的指令;
其中,所述异常检测模型为,利用错误采集操作采集得到的错误测试数据集,训练多元正太异常监测模型所得。
可选的,所述脂肪厚度测量模型的输出结果作为所述待测量身体部位的脂肪厚度包括:
根据用户体质信息,在所述脂肪厚度测量模型中匹配目标子专家模型;
利用所述目标子专家模型对所述待测量数据进行脂肪厚度的预测,并将所述目标子专家模型的输出结果作为所述待测量身体部位的脂肪厚度。
可选的,所述脂肪厚度测量模型的输出结果作为所述待测量身体部位的脂肪厚度包括:
获取所述脂肪厚度测量模型中每个子专家模型,对所述待测量数据进行脂肪厚度预测的子测量结果;
利用softmax网络对各所述子测量结果进行评价,以获取各所述子测量结果的可信度;
从各所述可信度中选取最高可信度值,并将其对应的子测量结果,作为所述待测量身体部位的脂肪厚度。
可选的,所述获取所述待测量数据对应的用户体质信息包括:
将所述待测量数据输入所述性别分类器,以获得所述待测者的性别;
将所述待测量数据输入所述年龄分类器,以获得所述待测者的年龄。
可选的,所述获取所述待测量数据对应的用户体质信息包括:
接收外部输入的用户体质信息指令,根据所述指令获取所述待测量数据对应的用户体质信息。
本发明实施例另一方面提供了一种脂肪厚度的测量装置,包括:
获取测试信息模块,用于获取光电传感器采集待测量数据,所述待测量数据为所述光电传感器采集的近红外光发射器发射至待测量身体部位散射的光强;获取所述待测量数据对应的用户体质信息,所述用户体质信息包括待测者的性别与年龄;
脂肪厚度预测模块,用于将所述待测量数据、所述用户体质信息输入预先构建的脂肪厚度测量模型中,所述脂肪厚度测量模型的输出结果作为所述待测量身体部位的脂肪厚度;其中,所述脂肪厚度测量模型包括多个子专家模型,为对多个年龄段、肥胖程度不同、男女比例均衡的测试者进行采样,利用卷积神经网络模型训练采样数据所得。
本发明实施例还提供了一种脂肪厚度的测量系统,包括近红外光发射器、光电传感器及如上所述的脂肪厚度的测量装置。
本发明实施例提供了一种脂肪厚度的测量方法,首先获取光电传感器采集的近红外光发射器发射至待测量身体部位散射的光强,作为待测量身体部位脂肪的待测量数据;然后获取待测量数据对应的待测者的性别与年龄;最后将待测量数据、待测者的性别与年龄输入预先构建的脂肪厚度测量模型中,脂肪厚度测量模型包括多个子专家模型,为对多个年龄段、肥胖程度不同、男女比例均衡的测试者进行采样,利用卷积神经网络模型训练采样数据所得,脂肪厚度测量模型的输出结果即为待测量身体部位的脂肪厚度。
本申请提供的技术方案的优点在于,利用预先搭建好的脂肪厚度测量模型对待测量身体部位的脂肪厚度进行预测,利用卷积神经网络学习测试数据特征,深度学习算法对原始脂肪测试数据进行回归拟合,得到准确性较高的预测模型,可有效的测量不同人群的脂肪厚度,提高了脂肪厚度测量的便捷性、安全性,大大的提升了脂肪厚度测量的工作效率;由于整个操作简单、方便,有利于提升脂肪厚度测量的适用性,具有普适性,以便于广泛推广。
此外,本发明实施例还针对脂肪厚度的测量方法提供了相应的实现装置及系统,进一步使得所述方法更具有实用性,所述装置及系统具有相应的优点。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明实施例提供的一种脂肪厚度的测量方法的流程示意图;
图2为本发明实施例提供的另一种脂肪厚度的测量方法的流程示意图;
图3为本发明实施例提供的脂肪厚度的测量装置的一种具体实施方式结构图;
图4为本发明实施例提供的脂肪厚度的测量装置的另一种具体实施方式结构图;
图5为本发明实施例提供的脂肪厚度的测量系统的一种具体实施方式结构图;
图6为本发明实施例提供的近红外光发射器的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种脂肪厚度的测量方法的流程示意图,本发明实施例可包括以下内容:
S101:获取光电传感器采集待测量数据,所述待测量数据为所述光电传感器采集的近红外光发射器发射至待测量身体部位散射的光强。
近红外光发射器用于发生红外光,并照射至待测量脂肪的身体部位,由于红外光对身体组织的不同厚度,散射的光强不同。
光电传感器是用于采集身体组织在红外光照射后散射的光强,然后将这些光信号转化为电信号,作为待测量身体部位的脂肪测试数据,即待测量数据,用于后续根据这些数据对当前身体部位的脂肪厚度进行测量。
S102:获取所述待测量数据对应的用户体质信息,所述用户体质信息包括待测者的性别与年龄。
由于脂肪的厚度一般与个人体质相关,尤其是年龄和性别,年龄和性别的不同,个人身体代谢不同,脂肪在体内积累的也不同。
用户体质信息的获取可通过下述两种方式进行获取,当然,还可通过其他方式,本申请对此不作任何限定。
接收外部输入的用户体质信息指令,根据所述指令获取所述待测量数据对应的用户体质信息;或
将所述待测量数据输入所述性别分类器,以获得所述待测者的性别,将所述待测量数据输入所述年龄分类器,以获得所述待测者的年龄。
脂肪厚度测量装置可设置人工交互界面,外部输入,例如当前的待测者自己输入,或者是脂肪厚度测量装置的操作者进行输入;还可为其他方式进行输入,例如设置USB接口,导入数据;或者是设置NFC、RFID、二维码、条形码等标识码的识别装置,进行扫描后识别输入,这均不影响本申请的实现。
性别分类器与年龄分类器为预先构建的脂肪厚度测量模型中包括的两类分类器,可以通过待测量数据来判断当前待测者的性别与年龄。
S103:将所述待测量数据、所述用户体质信息输入预先构建的脂肪厚度测量模型中,所述脂肪厚度测量模型的输出结果作为所述待测量身体部位的脂肪厚度。
脂肪厚度测量模型包括多个子专家模型,为对多个年龄段、肥胖程度不同、男女比例均衡的测试者进行采样,利用卷积神经网络模型训练采样数据所得,具体的模型构建过程可为:
A11:获取测试集中每位测试者的肱二头肌与腹部的脂肪测试数据与相应的脂肪厚度、性别及年龄,所述测试集中包括多个年龄段、肥胖程度不同、男女比例均衡的多名测试者;所述脂肪厚度通过B型超声诊断仪对所述肱二头肌或腹部进行测量所得;
本申请发明人发现,肱二头肌与腹部上的脂肪厚度可以准确反映整个身体的脂肪堆积程度,即可作为衡量肥胖的特征,且不同体质的人的肱二头肌与腹部的脂肪有着明显的区别。
训练模型的样本种类数据越多,对后期的测试数据就越准确。故,可包括不同年龄段的、肥胖不同的、男女均衡的3000测试者作为样本,采集测试者的脂肪数据构成测试集。
可采用B型超声诊断仪对测试者的脂肪测量部位的脂肪进行测量,获取脂肪厚度。
脂肪测试数据为利用光电传感器采集近红外光发射器发射至测试者的肱二头肌与腹部所得的数据;每个测试者的脂肪测试数据与性别、年龄、脂肪厚度一一对应;多组脂肪测试数据即为多个测试者的脂肪测试数据。
A12:利用多组所述脂肪测试数据与对应的性别数据,训练预先搭建的卷积神经网络模型,使得误差达标,以得到性别分类器;
A13:利用多组所述脂肪测试数据与对应的年龄数据,训练预先搭建的卷积神经网络模型,使得误差达标,以得到年龄分类器;
A14:利用所述性别分类器、所述年龄分类器搭建混合专家模型,并利用多组所述脂肪测试数据与对应的脂肪厚度数据对所述混合专家模型训练,使得误差达标,以得到脂肪厚度测量模型。
卷积神经网络模型依次由输入层、卷积层、池化层、输出层组成。输入层为训练数据,卷积层为特征提取层,池化层位于卷积层后,是一个二次提取的计算层,将池化层的数据进行向量化后连接分类器,经输出层输出类别结果。
为了进一步提升测试数据的准确性,可对采集到的数据进行滤波去噪。
由于脂肪厚度测量模型中由多类样本数据训练所得,包括多个子专家模型,每个子专家模型预测的侧重点不同,举例来说,20-35岁的待测数据使用的子专家模型可使用侧重点为年轻人的专家模型。
在本发明实施例提供的技术方案中,利用预先搭建好的脂肪厚度测量模型对待测量身体部位的脂肪厚度进行预测,利用卷积神经网络学习测试数据特征,深度学习算法对原始脂肪测试数据进行回归拟合,得到准确性较高的预测模型,可有效的测量不同人群的脂肪厚度,提高了脂肪厚度测量的便捷性、安全性,大大的提升了脂肪厚度测量的工作效率;由于整个操作简单、方便,有利于提升脂肪厚度测量的适用性,具有普适性,以便于广泛推广。
由于脂肪厚度测量模型中包括多个子专家模型,故如何从脂肪厚度测量模型的输出结果中选择所述待测量身体部位的脂肪厚度,具体的可采用下述两种方式,当然,还可通过其他方式,本申请对此不作任何限定。
B11:根据用户体质信息,在所述脂肪厚度测量模型中匹配目标子专家模型;
B12:利用所述目标子专家模型对所述待测量数据进行脂肪厚度的预测,并将所述目标子专家模型的输出结果作为所述待测量身体部位的脂肪厚度。
由于输入的待测量数据包含了不同年龄段和性别的数据,多个混合子专家模型能根据不同的数据选择特定的子专家模型,增加了脂肪厚度测量模型的可靠度、稳定性。在实际的运用中,每个子专家模型可以使用SVM回归、神经网络等不同的模型;或者使用网络结构(如网络层数、神经元个数、神经元的连接方法)不一的多个神经网络。
或者还可为:
C11:获取所述脂肪厚度测量模型中每个子专家模型,对所述待测量数据进行脂肪厚度预测的子测量结果;
C12:利用softmax网络对各所述子测量结果进行评价,以获取各所述子测量结果的可信度;
C13:从各所述可信度中选取最高可信度值,并将其对应的子测量结果,作为所述待测量身体部位的脂肪厚度。
对于softmax输出层,相关计算公式如下为:
代价函数计算公式为:
代价函数对输出的偏导为:
代价函数对输入的偏导为:
若将每个专家的预测当作高斯分布,则对于给定的专家模型,预测值为真实值的条件概率为:
通过对每个子专家模型的预测结果进行评价,选取可信度最高的一个输出结果作为最终的预测结果,有利于提升预测的准确性,从而提高了脂肪测量的准确性。
考虑到在采集数据时,可能会由于红外光发射器未对准待测量身体部位,导致采集到的数据不准确,从而测量的脂肪厚度不准确,鉴于这种由于操作失误而导致的测量精度的不准,本申请还提供了另外一个实施例,请参见图2,图2为本发明实施例提供的另一种脂肪厚度的测量方法的流程示意图,具体的可包括以下内容:
S201:具体的,与上述实施例的S101所描述一致,此处不再赘述。
S302:将所述待测量数据输入预先构建的异常检测模型中,判断所述待测量数据是否满足测量条件。
当所述异常检测模型判定所述待测量数据满足测量条件后,执行后续操作,即执行S203;反之,则发送重新获取待测量数据的指令,即返回S201。
异常检测模型为,利用错误采集操作采集得到的错误测试数据集,训练多元正太异常监测模型所得。异常检测模型可采用多元正态(Multivariate Gaussian)模型,该模型能自动学习、捕捉各个特征量之间的对应关系,当各个特征之间的关系发生异常时能自动识别,而且对未知的训练数据也具有较强的稳定性。具体的描述如下:
对于由光电传感器(例如光电二极管)采集的训练数据集{x(1),x(2),...,x(m)},x(i)∈Rn,首先对这些数据进行归一化处理,得到:
计算协方差矩阵:
该样本为正常的概率为:
可以设置,当p(x)<ε时,输入的待测量数据异常,需进行重新采集。
错误测试数据集包括多组采集模拟操作者使用脂肪厚度测量装置不恰当时,测量出的脂肪数据,例如近红外探头与测量身体部位之间有较大空隙等情况。
然后利用上述获取的操作合规时获得的测试数据,与错误测试数据集一同对多元正太异常监测模型进行训练,使得误差达标。
当将当前待测量数据输入到异常监测模型时,异常检测模型对数据进行分析,当之前训练的样本足够多时,可准确的判断待测量数据为正确操作下采集的合规数据,还是错误操作的数据。
测量条件即为是否为正确操作下获取的待测量数据。
当当前待测量数据为错误操作下获取的数据,则需要进行重新采集数据,即发送重新采集数据的指令,操作者接收到该指令后,对待测量身体部位进行重新照射,光电传感器进行重新采集数据。
进一步的,为了及时让操作者或测试者明确采集数据的不合格,可设置报警器,当异常检测模型判定待测量数据不满足测量条件,进行报警。
S203-S204:具体的,与上述实施例的S102-S103所描述一致,此处不再赘述。
在进行脂肪厚度测量之前,先对待测量数据进行检测,看其是否为正确操作下获取的数据,当其满足测量条件,对其进行进一步预测,反之则进行重新采集数据,保证数据采集的准确度,有利于提升待测量数据预测的准确性,从而提高脂肪测量的准确性。
本发明实施例还针对脂肪厚度的测量方法提供了相应的实现装置,进一步使得所述方法更具有实用性。下面对本发明实施例提供的的装置进行介绍,下文描述的脂肪厚度的测量装置与上文描述的脂肪厚度的测量方法可相互对应参照。
参见图3,图3为本发明实施例提供的脂肪厚度的测量装置在一种具体实施方式下的结构图,该装置可包括:
获取测试信息模块301,用于获取光电传感器采集待测量数据,所述待测量数据为所述光电传感器采集的近红外光发射器发射至待测量身体部位散射的光强;获取所述待测量数据对应的用户体质信息,所述用户体质信息包括待测者的性别与年龄;
脂肪厚度预测模块302,用于将所述待测量数据、所述用户体质信息输入预先构建的脂肪厚度测量模型中,所述脂肪厚度测量模型的输出结果作为所述待测量身体部位的脂肪厚度;其中,所述脂肪厚度测量模型包括多个子专家模型,为对多个年龄段、肥胖程度不同、男女比例均衡的测试者进行采样,利用卷积神经网络模型训练采样数据所得。
在一种具体实施方式下,所述脂肪厚度预测模块302包括脂肪厚度测量模型构建单元3021,具体可包括:
信息数据获取单元30211,用于获取测试集中每位测试者的肱二头肌与腹部的脂肪测试数据与相应的脂肪厚度、性别及年龄,所述测试集中包括多个年龄段、肥胖程度不同、男女比例均衡的多名测试者;所述脂肪厚度通过B型超声诊断仪对所述肱二头肌或腹部进行测量所得;
分类器生成单元30212,用于利用多组所述脂肪测试数据与对应的性别数据,训练预先搭建的卷积神经网络模型,使得误差达标,以得到性别分类器;利用多组所述脂肪测试数据与对应的年龄数据,训练预先搭建的卷积神经网络模型,使得误差达标,以得到年龄分类器;
模型生成单元30213,用于利用所述性别分类器、所述年龄分类器搭建混合专家模型,并利用多组所述脂肪测试数据与对应的脂肪厚度数据对所述混合专家模型训练,使得误差达标,以得到脂肪厚度测量模型。
在本发明实施例的一种具体实施方式下,所述脂肪厚度预测模块302可包括:
匹配单元3021,用于根据用户体质信息,在所述脂肪厚度测量模型中匹配目标子专家模型;
结果输出单元3022,用于利用所述目标子专家模型对所述待测量数据进行脂肪厚度的预测,并将所述目标子专家模型的输出结果作为所述待测量身体部位的脂肪厚度。
在本发明实施例的另一种具体实施方式下,所述脂肪厚度预测模块302还可包括:
获取子测量结果单元3023,用于获取所述脂肪厚度测量模型中每个子专家模型,对所述待测量数据进行脂肪厚度预测的子测量结果;
评价单元3024,用于利用softmax网络对各所述子测量结果进行评价,以获取各所述子测量结果的可信度;
选取单元3025,用于从各所述可信度中选取最高可信度值,并将其对应的子测量结果,作为所述待测量身体部位的脂肪厚度。
在一些具体的实施方式下,所述获取测试信息模块301可包括:
第一用户体质信息获取单元3011,用于将所述待测量数据输入所述性别分类器,以获得所述待测者的性别;将所述待测量数据输入所述年龄分类器,以获得所述待测者的年龄。
在另外一种具体实施方式下,所述获取测试信息模块301还可包括:
第二用户体质信息获取单元3011,用于接收外部输入的用户体质信息指令,根据所述指令获取所述待测量数据对应的用户体质信息。
可选的,在本实施例的一些实施方式中,请参阅图4,所述装置例如可以包括:
异常检测模块303,所述异常检测模块303可以包括:
数据输入单元3031,用于将所述待测量数据输入预先构建的异常检测模型中;
判断单元3032,用于当所述异常检测模型判定所述待测量数据满足测量条件后,执行后续操作;反之,则发送重新获取待测量数据的指令。
本发明实施例所述脂肪厚度的测量装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例利用预先搭建好的脂肪厚度测量模型对待测量身体部位的脂肪厚度进行预测,利用卷积神经网络学习测试数据特征,深度学习算法对原始脂肪测试数据进行回归拟合,得到准确性较高的预测模型,可有效的测量不同人群的脂肪厚度,提高了脂肪厚度测量的便捷性、安全性,大大的提升了脂肪厚度测量的工作效率;由于整个操作简单、方便,有利于提升脂肪厚度测量的适用性,具有普适性,以便于广泛推广。
本发明实施例还提供了脂肪厚度的测量系统,请参见图5,可包括:
近红外光发射器501、光电传感器502及脂肪厚度的测量装置503。
其中,近红外光发射器501可为850nm和940nm的双波段近红外光发射器。850nm的红外光是对皮肤组织最为敏感的近红外光,为了提高采集数据的准确性,采用850nm的红外光发射器照射待测量身体部位。由于受外界不可避免的因素干扰,为了提高采集数据的准确性,可采用940nm的红外光同时照射待测量身体部位,用于辅助去除噪声,有利于提高数据采集的准确性,有利于进一步的提升脂肪厚度测量的准确性。
近红外光发射器501与光电传感器502作为脂肪厚度测量的探头,在一种具体实施方式下,请参阅图6所示,该探头可包括两排共六个近红外光发射灯珠,以及一个高灵敏度光电二极管传感器以作为光电传感器。将探头可垂直贴近测量部位,执行采集时,利用60赫兹的PWM信号控制6个近红外光发射器依次照射测量部位,光电二极管传感器采集近红外光后向散射的光强,将原始数据进行滤波后得到一组输入数据,其中包括6个特征量。
脂肪厚度的测量装置503的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本发明实施例所述脂肪厚度的测量系统的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例利用预先搭建好的脂肪厚度测量模型对待测量身体部位的脂肪厚度进行预测,利用卷积神经网络学习测试数据特征,深度学习算法对原始脂肪测试数据进行回归拟合,得到准确性较高的预测模型,可有效的测量不同人群的脂肪厚度,提高了脂肪厚度测量的便捷性、安全性,大大的提升了脂肪厚度测量的工作效率;由于整个操作简单、方便,有利于提升脂肪厚度测量的适用性,具有普适性,以便于广泛推广。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种脂肪厚度的测量方法、装置及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种脂肪厚度的测量方法,其特征在于,包括:
获取光电传感器采集待测量数据,所述待测量数据为所述光电传感器采集的近红外光发射器发射至待测量身体部位散射的光强;
获取所述待测量数据对应的用户体质信息,所述用户体质信息包括待测者的性别与年龄;
将所述待测量数据、所述用户体质信息输入预先构建的脂肪厚度测量模型中,所述脂肪厚度测量模型的输出结果作为所述待测量身体部位的脂肪厚度;
其中,所述脂肪厚度测量模型包括多个子专家模型,为对多个年龄段、肥胖程度不同、男女比例均衡的测试者进行采样,利用卷积神经网络模型训练采样数据所得。
2.根据权利要求1所述的脂肪厚度的测量方法,其特征在于,所述脂肪厚度测量模型的构建过程包括:
获取测试集中每位测试者的肱二头肌与腹部的脂肪测试数据与相应的脂肪厚度、性别及年龄,所述测试集中包括多个年龄段、肥胖程度不同、男女比例均衡的多名测试者;所述脂肪厚度通过B型超声诊断仪对所述肱二头肌或腹部进行测量所得;
利用多组所述脂肪测试数据与对应的性别数据,训练预先搭建的卷积神经网络模型,使得误差达标,以得到性别分类器;
利用多组所述脂肪测试数据与对应的年龄数据,训练预先搭建的卷积神经网络模型,使得误差达标,以得到年龄分类器;
利用所述性别分类器、所述年龄分类器搭建混合专家模型,并利用多组所述脂肪测试数据与对应的脂肪厚度数据对所述混合专家模型训练,使得误差达标,以得到脂肪厚度测量模型。
3.根据权利要求1所述的脂肪厚度的测量方法,其特征在于,在所述获取光电传感器采集待测量数据之后,还包括:
将所述待测量数据输入预先构建的异常检测模型中;
当所述异常检测模型判定所述待测量数据满足测量条件后,执行后续操作;反之,则发送重新获取待测量数据的指令;
其中,所述异常检测模型为,利用错误采集操作采集得到的错误测试数据集,训练多元正太异常监测模型所得。
4.根据权利要求1至3任意一项所述的脂肪厚度的测量方法,其特征在于,所述脂肪厚度测量模型的输出结果作为所述待测量身体部位的脂肪厚度包括:
根据用户体质信息,在所述脂肪厚度测量模型中匹配目标子专家模型;
利用所述目标子专家模型对所述待测量数据进行脂肪厚度的预测,并将所述目标子专家模型的输出结果作为所述待测量身体部位的脂肪厚度。
5.根据权利要求1至3任意一项所述的脂肪厚度的测量方法,其特征在于,所述脂肪厚度测量模型的输出结果作为所述待测量身体部位的脂肪厚度包括:
获取所述脂肪厚度测量模型中每个子专家模型,对所述待测量数据进行脂肪厚度预测的子测量结果;
利用softmax网络对各所述子测量结果进行评价,以获取各所述子测量结果的可信度;
从各所述可信度中选取最高可信度值,并将其对应的子测量结果,作为所述待测量身体部位的脂肪厚度。
6.根据权利要求2所述的脂肪厚度的测量方法,其特征在于,所述获取所述待测量数据对应的用户体质信息包括:
将所述待测量数据输入所述性别分类器,以获得所述待测者的性别;
将所述待测量数据输入所述年龄分类器,以获得所述待测者的年龄。
7.根据权利要求5所述的脂肪厚度的测量方法,其特征在于,所述获取所述待测量数据对应的用户体质信息包括:
接收外部输入的用户体质信息指令,根据所述指令获取所述待测量数据对应的用户体质信息。
8.一种脂肪厚度的测量装置,其特征在于,包括:
获取测试信息模块,用于获取光电传感器采集待测量数据,所述待测量数据为所述光电传感器采集的近红外光发射器发射至待测量身体部位散射的光强;获取所述待测量数据对应的用户体质信息,所述用户体质信息包括待测者的性别与年龄;
脂肪厚度预测模块,用于将所述待测量数据、所述用户体质信息输入预先构建的脂肪厚度测量模型中,所述脂肪厚度测量模型的输出结果作为所述待测量身体部位的脂肪厚度;其中,所述脂肪厚度测量模型包括多个子专家模型,为对多个年龄段、肥胖程度不同、男女比例均衡的测试者进行采样,利用卷积神经网络模型训练采样数据所得。
9.一种脂肪厚度的测量系统,其特征在于,包括:
近红外光发射器、光电传感器及如权利要求8所述的脂肪厚度的测量装置。
10.根据权利要求9所述的脂肪厚度的测量系统,其特征在于,所述近红外光发射器为850nm和940nm的双波段近红外光发射器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710607055.2A CN107203701B (zh) | 2017-07-24 | 2017-07-24 | 一种脂肪厚度的测量方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710607055.2A CN107203701B (zh) | 2017-07-24 | 2017-07-24 | 一种脂肪厚度的测量方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107203701A CN107203701A (zh) | 2017-09-26 |
CN107203701B true CN107203701B (zh) | 2020-08-11 |
Family
ID=59911572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710607055.2A Active CN107203701B (zh) | 2017-07-24 | 2017-07-24 | 一种脂肪厚度的测量方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107203701B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472798A (zh) * | 2018-12-10 | 2019-03-15 | 重庆理工大学 | 生猪脂肪含量检测模型训练方法及生猪脂肪含量检测方法 |
CN109528194B (zh) * | 2019-01-21 | 2023-07-18 | 西安邮电大学 | 一种基于多核svm的自适应人体成分模型构建方法 |
CN109936568B (zh) * | 2019-02-20 | 2021-08-17 | 长安大学 | 一种基于循环神经网络的防恶意攻击传感器数据采集方法 |
CN109893095A (zh) * | 2019-03-11 | 2019-06-18 | 常州市贝叶斯智能科技有限公司 | 一种人体组分检测和分析的智能机器人系统 |
CN111067573A (zh) * | 2019-12-31 | 2020-04-28 | 南京手声信息科技有限公司 | 一种脂肪厚度检测装置 |
CN111616744A (zh) * | 2019-12-31 | 2020-09-04 | 南京手声信息科技有限公司 | 一种基于单点的脂肪厚度检测装置、终端设备及系统 |
CN111508607B (zh) * | 2020-04-13 | 2023-10-13 | 山东师范大学 | 一种基于bp神经网络的肥胖症预测系统 |
CN111862070A (zh) * | 2020-07-29 | 2020-10-30 | 南通大学 | 一种基于ct图像测量皮下脂肪厚度的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1424888A (zh) * | 2000-01-21 | 2003-06-18 | 三西斯医学股份有限公司 | 通过与脂肪组织相关的特征对组织分类与表征 |
CN101551341A (zh) * | 2009-04-09 | 2009-10-07 | 浙江大学 | 基于图像与光谱信息融合的肉品在线无损检测方法与装置 |
CN101662982A (zh) * | 2006-11-14 | 2010-03-03 | 格拉茨医科大学 | 测定有机体脂肪层的厚度 |
WO2012092535A1 (en) * | 2010-12-31 | 2012-07-05 | General Electric Company | Method and system to improve visceral adipose tissue estimate by measuring and correcting for subcutaneous adipose tissue composition |
CN102946800A (zh) * | 2010-04-05 | 2013-02-27 | 科文迪斯有限公司 | 用于个性化生理学参数的方法和装置 |
-
2017
- 2017-07-24 CN CN201710607055.2A patent/CN107203701B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1424888A (zh) * | 2000-01-21 | 2003-06-18 | 三西斯医学股份有限公司 | 通过与脂肪组织相关的特征对组织分类与表征 |
CN101662982A (zh) * | 2006-11-14 | 2010-03-03 | 格拉茨医科大学 | 测定有机体脂肪层的厚度 |
CN101551341A (zh) * | 2009-04-09 | 2009-10-07 | 浙江大学 | 基于图像与光谱信息融合的肉品在线无损检测方法与装置 |
CN102946800A (zh) * | 2010-04-05 | 2013-02-27 | 科文迪斯有限公司 | 用于个性化生理学参数的方法和装置 |
WO2012092535A1 (en) * | 2010-12-31 | 2012-07-05 | General Electric Company | Method and system to improve visceral adipose tissue estimate by measuring and correcting for subcutaneous adipose tissue composition |
Non-Patent Citations (2)
Title |
---|
Regression models for near-infrared measurement of subcutaneous adipose tissue thickness;Yu Wang 等;《Physiological Measurement》;20160531;第37卷(第7期);1024-1034 * |
基于SVM算法的红外测量皮下脂肪厚度模型研究;王玉 等;《中国医疗设备》;20160525;第31卷(第5期);43-46,53 * |
Also Published As
Publication number | Publication date |
---|---|
CN107203701A (zh) | 2017-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203701B (zh) | 一种脂肪厚度的测量方法、装置及系统 | |
CN106980746B (zh) | 一种基于时序分析的通用无创血糖预测方法 | |
RU2757048C1 (ru) | Способ и система оценки здоровья тела человека на основе данных большого объема о сне | |
US8965497B2 (en) | Electrophysiological analysis system and method | |
CN101884541B (zh) | 人体血液生化参数无创检测仪及检测方法 | |
CN107536617A (zh) | 基于驾驶员的生物识别信号检测驾驶员状态的装置和方法 | |
KR20200100131A (ko) | 혼합 센싱에 기반한 생체 모니터링 및 분석 방법, 시스템 | |
AU2022202574B2 (en) | Body state classification | |
US20220357279A1 (en) | Dual wavelength combined fingerprint and high wavenumber raman spectroscopy and applications of same | |
CN114129169B (zh) | 一种生物电信号数据识别方法、系统、介质和设备 | |
CN114847875A (zh) | 多动症的功能性近红外光谱和红外热像的识别方法 | |
CN116453656A (zh) | 一种心理健康评估预警系统及方法 | |
WO2007066589A1 (ja) | 近赤外分光を用いた生活習慣病に関する検査・診断法および装置 | |
CN112754479A (zh) | 一种血糖浓度的检测方法及设备 | |
Kanzler et al. | A data-driven framework for the selection and validation of digital health metrics: use-case in neurological sensorimotor impairments | |
Martinez et al. | Strategic attention learning for modality translation | |
WO2006123611A1 (ja) | 近赤外分光を用いた慢性疲労症候群(cfs)診断法および装置 | |
CN210354670U (zh) | 一种基于混合传感的生理监测及分析系统 | |
CN109480757A (zh) | 视功能检测方法和系统及装置 | |
WO2023138690A1 (en) | Electrical impedance tomography based systems and methods | |
CN204351830U (zh) | 慢性病早期电生理检测设备和系统 | |
Domingues et al. | An actigraphy heterogeneous mixture model for sleep assessment | |
WO2023138694A1 (en) | Electrical impedance tomography based diagnostic systems and methods | |
CN106055896A (zh) | 中医体外诊断方法及装置 | |
De et al. | Alz-sense: A novel non-invasive pre-clinical testing to differentiate dementia from mci |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |