CN109493950A - 综合多属性主客观信息的人体面部皮肤状态区间预测方法 - Google Patents

综合多属性主客观信息的人体面部皮肤状态区间预测方法 Download PDF

Info

Publication number
CN109493950A
CN109493950A CN201811267732.1A CN201811267732A CN109493950A CN 109493950 A CN109493950 A CN 109493950A CN 201811267732 A CN201811267732 A CN 201811267732A CN 109493950 A CN109493950 A CN 109493950A
Authority
CN
China
Prior art keywords
attribute
skin
skin condition
subjective
objective
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.)
Pending
Application number
CN201811267732.1A
Other languages
English (en)
Inventor
王小艺
王婷婷
张慧妍
王立
王英强
于家斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sihai Tilling Technology Co Ltd
Beijing Technology and Business University
Original Assignee
Beijing Sihai Tilling Technology Co Ltd
Beijing Technology and Business University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sihai Tilling Technology Co Ltd, Beijing Technology and Business University filed Critical Beijing Sihai Tilling Technology Co Ltd
Priority to CN201811267732.1A priority Critical patent/CN109493950A/zh
Publication of CN109493950A publication Critical patent/CN109493950A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种综合多属性主客观信息的人体面部皮肤状态区间预测方法，属于皮肤医学与信息科学交叉融合的工程技术领域。本发明针对粗糙度、纹理度、色泽度、弹性、水分含量共五个皮肤状态属性，结合实测数据特点划分属性区间，以客观反映人体面部皮肤状态变化为上升、保持还是下降，为单项属性的预测奠定基础；而后通过优序图法和熵权法进行主客观权重信息的融合，结合基于灰色模型GM(1,N)的单属性预测，实现对皮肤状态变化趋势的综合区间预测，以便从综合的角度分析皮肤状态演化趋势。本发明可兼顾综合性区间预测及单属性区间预测，辅助决策人员快速发现对影响皮肤状态提升的关键属性，以便后续有针对性地采取养护措施。

Description

综合多属性主客观信息的人体面部皮肤状态区间预测方法
技术领域
本发明属于皮肤医学与信息科学交叉融合的工程技术领域，涉及一种综合多属性主客观信息的人体面部皮肤状态区间预测方法。
背景技术
皮肤作为人体表面积最大的组织器官，对于保护人体免受外界侵害起着最基础的作用。人体皮肤状态特别是人体面部皮肤状态，与人体内部脏腑健康状态密切相关，一直以来其状态预测不仅可以作为护肤品使用适当与否的重要辅助决策因素，也能通过及早发现潜在的身体问题对人体健康诊疗，起到积极的推动作用。
然而，目前在皮肤医学科学领域，由于问题的复杂性，如：人体面部皮肤属性受天气、情绪、睡眠等因素影响呈现较大的波动性。所以，现阶段的研究还主要局限于对人体面部皮肤状态进行评价、分析皮肤属性间的相关性或研究皮肤属性与人体健康状态的关联性。研究成果虽然在一定程度上为人体面部皮肤状态分析及其与体质健康的关联研究奠定了基础，但目前还未建立从时间的角度研究人体面部皮肤状态变化的动态演化模型以为提前发现问题进行防治提供理论依据。
发明内容
本发明的目的是基于历史人脸面部皮肤测试数据，预测皮肤状态的发展态势。基于皮肤状态变化影响因素众多，如气候、饮食、睡眠等都会影响皮肤状态发生波动，精准预测难度较大，且细微数据指标的差别对皮肤养护方案的确定几乎没有差别，因此采用区间预测方法对皮肤状态的发展趋势进行预测是现实可行的。本发明提出一种综合多属性主客观信息的人体面部皮肤状态区间预测方法，针对粗糙度、纹理度、色泽度、弹性、水分含量共五个皮肤状态属性，结合实测数据特点划分属性区间，以客观反映人体面部皮肤状态变化为上升、保持还是下降，为单项属性的预测奠定基础；而后通过优序图法和熵权法进行主客观权重信息的融合，实现对皮肤状态变化趋势的综合区间预测，以便从综合的角度分析皮肤状态演化趋势。这样，建立的皮肤状态区间预测模型可兼顾综合性区间预测及单属性区间预测，辅助决策人员快速发现对影响皮肤状态提升的关键属性，以便后续有针对性地采取养护措施。
本发明提供的综合多属性主客观信息的人体面部皮肤状态区间预测方法，主要包括以下四个步骤：
步骤一、人体面部皮肤状态属性分析及对应等级区间划分；
本发明根据皮肤领域背景知识，选取粗糙度、纹理度、色泽度、弹性、水分含量共五个皮肤状态属性进行皮肤状态分析。根据专家所提供领域公认的皮肤状态属性的单因素分类等级区间，必要时结合测试者皮肤状态属性数据进行预测等级区间划分，将五个皮肤状态属性数据分别划分为好、中、坏三个等级区间。
步骤二、多属性信息主客观权重融合；
对于复杂多属性问题，各个属性间的重要程度是不同的，为更加准确地计算、预测面部皮肤状态变化，合理、有效地确定属性权重意义重大。本发明综合了基于数据分析的客观权重法，以及主观倾向较强的专家评分法，提出了基于数据样本量的主客观权重融合函数，最终获得的各个皮肤状态属性的融合主客观因素的综合权重，充分发挥了数据样本量小时专家积累经验的优势，与数据样本量大时客观数据挖掘的精准度高的特点。
步骤三、基于灰色GM(1,N)模型的单属性预测；
灰色理论通过对不确定、贫信息历史数据进行处理，建立相应微分方程使之量化以实现充分利用已知信息探寻系统运动规律的目的。由于人体面部皮肤对内外环境变化敏感导致的不确定性，属性较多而受领域内预测建模采集的时间序列数据量有限的制约，故本发明选用描述多变量一阶线性动态模型的灰色GM(1,N)模型进行单属性预测。本发明以面部皮肤中的粗糙度、纹理度、色泽度、弹性、水分含量这五个皮肤状态属性为研究对象，在进行单属性皮肤状态预测时，其相关因素不仅包含所关注的单一属性，同时也考虑其可能受到其它四种皮肤状态属性的影响，构建模型实现基于时间序列数据的皮肤状态单属性预测，分别得到五个皮肤状态属性的单属性预测值和单属性预测区间。
步骤四、综合多属性皮肤状态区间预测；
面对皮肤这一复杂对象，单属性皮肤状态预测虽然可以得出被测试人员不同皮肤状态属性的变化趋势，但往往不能直观、全面地得到其皮肤的整体水平。为了解决这一问题，本发明提出综合多属性皮肤状态区间预测方法。通过对单属性预测值及对应的单属性预测区间进行无量纲化处理，而后分别与步骤二所得综合权重相融合，得到的皮肤状态综合值与皮肤状态综合区间进行对比，从而完成了综合多属性皮肤状态的区间预测目的。
本发明的优点在于：
1、本发明基于领域公认的皮肤状态属性单因素分类等级，并考虑到被测试人群年龄导致的测试数据分布特性，在专家所给领域认可指标划分等级的基础上，为进行预测研究，提出基于数据用正态分布对皮肤等级较为集中的属性值进行较为细致的划分，得到新的单属性人体面部皮肤状态区间。运用此方法对皮肤状态属性值进行细化分类较为客观且具有理论与实践依据，这对于后续皮肤状态属性值较为集中的人群面部属性值进行区间预测研究具有重要意义。
2、本发明提出基于数据样本量调整主客观权重的融合函数，最终获得的权重，充分发挥了数据样本量小时，专家积累经验的优势，及数据样本量大时，客观数据挖掘的精准度高的特点。
3、本发明提出基于灰色GM(1，N)的皮肤单属性预测的综合多属性皮肤状态区间预测。这既能使被测试人员认清自己的整体皮肤状态变化趋势，也能让该被测试人员针对某一属性的变化做出相应举措使其改善。
4、本发明基于数据信息与专家意见确定皮肤属性权重，结合皮肤状态的波动特性提出了一种皮肤状态区间方式，而后采用改进灰色GM(1,N)模型，实现通过累计的人体面部皮肤测试信息，实现预测的目的，可为人体面部皮肤的健康养护提供支撑。
附图说明
图1为本发明提供的基于灰色GM(1,N)单属性区间预测方法的流程图；
图2综合多属性皮肤状态区间预测流程图；
图3随机抽取一名志愿者的粗糙度预测结果图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
本发明提供一种综合多属性主客观信息的人体面部皮肤状态区间预测方法，所述预测方法一方面可提高模型的预测准确度，另一方面还探究预测信息与其他皮肤属性间的影响关系，分析影响人体面部皮肤状态的关键皮肤属性；流程图如图1所示，所述预测方法具体步骤如下：
步骤一、人体面部皮肤状态属性分析及对应等级区间划分；
根据皮肤领域背景知识，常用的人体面部皮肤状态属性有粗糙度、纹理度、色泽度、弹性、水分含量这五项皮肤状态属性。通过分析研究这五项皮肤状态属性的属性值及其变化情况，能基本衡量出人体面部皮肤的状态及健康程度，因此，本发明对这五项皮肤状态属性进行预测研究，通过对皮肤状态变化趋势进行分析以为后续护肤品选取提供理论参考。
若被测试者皮肤状态属性由于地域、年龄较为集中，则个体间属性值差异度较小，因此根据领域公认的皮肤状态属性单因素分类等级标准难以实现对被测试者进行三个以上不同等级的分类。
本发明为了细化分析皮肤状态属性的变化趋势，在专家所提供的皮肤状态属性的单因素分类等级的基础上，提出采用正态分布法对于同一等级或等级相近的属性值进行重新划分，为后续实现较精确的皮肤状态属性预测研究提供可行条件。具体步骤如下：
首先，采集皮肤状态属性，具体可以通过皮肤检测仪或皮肤检测箱进行皮肤状态属性的采集。在采集监测时段内对被测试者进行等间隔皮肤状态属性的数据采集获得相应的时间序列数据，并将采集到的数据根据被测试者信息以及被测皮肤状态属性进行整理、存储。若被测试者皮肤状态属性由于地域、年龄较为集中导致了个体间属性值差异度较小，导致根据领域公认的皮肤状态属性单因素分类等级标准难以实现对被测试者进行三个不同等级的分类。或被测试者皮肤状态属性值领域内还未有认可的划分依据，则需按照皮肤状态属性将属性数据分类，分别计算各项皮肤状态属性的平均值μi与标准差σi，其中，i＝1,2,…N,N为皮肤状态属性个数。根据计算得到的皮肤状属性的平均值与标准差，然后依据这些平均值加(减)标准差(μi±σi)的数值为阈值点，确定本发明中涉及的皮肤状态属性区间划分，为进行人体面部皮肤状态区间预测做好准备。这里，为了分析、计算的方便性，将各项皮肤状态属性进行三个区间划分，分别为“好”、“中”、“坏”。
若被测试者皮肤状态属性值差异度较大，可全覆盖领域公认的皮肤状态属性单因素分类等级标准范围，详见参考文献[1](《融合主客观信息的皮肤状态模糊综合评价研究》，作者王昭洋，张慧妍等，微电子学与计算机，2016，33(1):119-122)中公开的皮肤状态属性单因素分类等级标准，例如可将I优和Ⅱ良区间合并，设定预测“好”区间；将Ⅲ中设定为预测“中”区间，将Ⅳ设定为预测“差”区间，以实现对被测试者进行“好”、“中”、“坏”三个预测区间的划分。
步骤二、多属性信息主客观权重融合；
由于人体面部皮肤状态属性较多，属性权重的确定对于全面、综合预测人体面部皮肤状态十分关键。因此，如何依据专家长期积累的经验及较规范化的数据信息进行多属性信息主客观权重融合至关重要，这里，本发明综合考虑了专家经验与数据样本对预测结果的影响，提出一种新的主客观权重融合方法：
Wi＝AA(n)WAi+AB(n)WBi (1)
其中，Wi为第i个皮肤状态属性融合主客观因素后的综合权重，WAi为对应客观赋权法确定的客观权重，WBi为对应主观赋权法确定的主观权重，AA(n)与AB(n)分别为与样本容量n相关的客观权重系数以及主观权重系数。本发明将采用优序图法和熵权法作为优选方法，用于主、客观赋权，如图2所示。
首先，为了计算客观权重系数AA(n)和主观权重系数AB(n)，需确定其应用限制条件，即两者相加和为1，考虑当数据样本容量逐渐增大时主观权重对预测结果影响会逐渐减小，而客观权重对预测结果影响逐渐增加；反之，当数据样本量很少时，可以认为基于专家经验的主观赋权法相比于基于数据的客观赋权法能更好地给出了皮肤状态属性的重要程度。考虑极限的情况，可以认为当数据量为无穷大时客观权重系数AA(n)为1，主观权重系数AB(n)为0，当数据量为1时，客观权重系数AA(n)为0，主观权重系数AB(n)为1。可以看出，随着样本数量增加(减少)，客观权重系数AA(n)与主观权重系数AB(n)变化趋势呈相反的变化趋势。接着，本发明提出融合参数α，定义α为一与样本容量有关的常数，当n＝α，主客观权重系数相等，即AA(α)＝AB(α)＝0.5。按照上述要求，这里给出计算主客观权重系数的公式如下：
实际应用中应结合具体研究属性的不同或所获取得样本容量的数量级不同，α的取值为大于0的整数，需要具体确定。
步骤三、基于灰色模型GM(1,N)的单属性预测；
灰色模型GM(1,N)通过对系统中多个属性的关联性进行分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，预测事物未来发展趋势的状况。人体面部皮肤作为一种特殊的研究对象，其特殊之处在于其属性较多且易受内外界环境变化影响从而导致其具有不确定性，同时从研究条件出发考虑预测建模采集的时间序列数据量有限，故本发明选用灰色模型GM(1，N)预测单属性皮肤状态，获得单属性预测值和单属性预测区间。如图1所示流程，具体如下：
灰色模型GM(1,N)是一阶N个变量的微分方程型预测模型。对于N个皮肤属性，如果每个属性都有m个相对应的数据，则可形成N个数列。设导入人员a的皮肤属性数据，其中粗糙度为需要预测的特征，并对人员a每一属性值进行累加处理，X1 (0)＝(x1 (0)(1),x1 (0)(2),…,x1 (0)(m))为系统特征数据序列，而X2 (0)＝(x2 (0)(1),x2 (0)(2),…,x2 (0)(m))……XN (0)＝(xN (0)(1),xN (0)(2),…,xN (0)(m)为相关的皮肤状态属性因素序列。将Xi (0)进行一次累加生成得到Xi (1)，(k＝1,2,…,m；i＝1,2,…N)，目的是为了弱化原始数据的波动，呈现逐渐递增形式。
如果将数列Xi (1)的时刻k＝1,2,…,m看作连续的变量t，可将Xi (1)转而看成时间t的函数Xi (1)＝Xi (1)(t)，则可建立白化式方程：
此微分方程便是GM(1,N)模型。按典型灰色模型GM(1,N)的计算流程，构建紧邻均值序列，并将参数列记为矩阵形式后对此方程采用最小二乘法进行对应灰色参数估计，进而解得灰色模型GM(1，5)，得到皮肤状态属性粗糙度累加值预测公式进行累减就可以得到人员a粗糙度皮肤状态属性预测值。
据此得到其他所有皮肤状态属性的单属性预测值。
预测结束后，考察所得到的皮肤状态属性的单属性预测值所属的单属性预测区间。并与用仪器测得的单属性实际值进行两者在同一等级区间的命中率计算。
步骤四、综合多属性皮肤状态区间预测；
人体面部皮肤状态属性从不同角度反映皮肤状态情况，简单的单属性皮肤状态预测只能给出人体面部皮肤的局部有限信息，对于皮肤整体水平的认识模糊，因此，本发明在进行单属性皮肤预测的基础上，针对面部皮肤状态的复杂性，提出了面部综合多属性皮肤状态区间预测的概念，以达到令被测试者不仅可以明确自己面部皮肤某一属性的发展态势，而且可以系统、全面地了解自己面部皮肤整体变化趋势，为后续采取相应的举措来改善面部皮肤质量提供基础。
首先，综合多属性皮肤状态区间预测研究中为了消除皮肤状态属性量纲及数量级的影响，对被测试者的各项面部皮肤状态属性的属性值Xi以及每一皮肤状态属性的分类区间φi分别进行无量纲化处理，得到Xi *与φi *。之后，将无量纲化后的结果与步骤二中得到的综合权重W相融合，得到最终需要的皮肤综合属性值以及综合属性分类区间，即，
其中，Wi为第i个皮肤状态属性的综合权重，Xi *为无量纲化处理后的属性值，φi *为无量纲化处理后的属性区间。
最终，将依据方程(4)得出的皮肤综合属性值与综合属性分类区间相对比，完成对被测试者面部皮肤综合属性的区间预测。用此方法进行综合多属性皮肤状态区间预测，实现简单，易于推广。
下面通过实施例进一步说明本发明的技术方案。
实施例一：
步骤一、人体面部皮肤状态属性分析及对应等级区间划分；
根据皮肤领域背景知识，选取粗糙度、纹理度、色泽度、弹性、水分含量共五个皮肤状态属性作为预测研究对象。并于2016年9月起在北京工商大学智能感知与优化控制实验室对12名志愿者进行上述皮肤状态属性连续有效的测试，为了实时监测皮肤状态变化趋势，所选取的测试时间间隔为一周，最终每名志愿者分别测得皮肤样本21组。测试过程中保证志愿者的皮肤清洁，测试环境恒温、恒湿满足皮肤测试的环境要求。
将每位皮肤测试志愿者测试到的样本数据分为两组，第一组为前18次的样本数据作为建模的训练样本，第二组为余下3次样本数据作为测试样本。根据领域内公认的皮肤状态属性分类等级给出的皮肤单属性评价标准可知，本次样本数据中的粗糙度、色泽度、弹性、水分含量集中在优、良等级，而纹理度目前领域内还没有公认的评价标准。因此，本发明提出结合测试数据，采用正态分布对样本数据进行皮肤状态属性划分区间，详见表1，为后续预测皮肤状态变化趋势提供基础。
表1基于人体面部皮肤属性测试数据的正态分布划分区间
粗糙度 纹理度 色泽度 弹性 水分含量
好 ≤0.081 ≤0.44 87.065≤ 0.7113≤ 75.4969≤
中 0.081～0.0995 0.44～0.6324 80.9897～87.065 0.5943～0.7113 63.3728～75.4969
坏 0.0995≤ 0.6324≤ ≤80.9897 ≤0.5943 ≤63.3728
步骤二、多属性信息主客观权重融合；
如何科学、有效的确定多属性权重分配一直是多属性复杂系统研究的重点内容之一，权重的确定主要包括客观赋权法与主观赋权法两类，两者各有利弊。前者通过已知信息确定各属性权重分配，其拥有较强理论依据，但缺乏专家长期累积的经验；后者则反映了人们长时间在所研究领域内的成果积累，但易忽视客观系统当前情况，且各个专家对同一系统的评价往往因个人偏好不同而产生不同判断结果。故本发明提出一种多属性信息主客观权重融合方法，以样本数据量为切入点，综合了基于数据分析的熵权法，以及主观倾向较强的优序图法，所确定的综合权重，可以发挥其在数据量小时，专家累积经验的优势，以及数据量大时，客观数据挖掘的重要性。
实验以熵权法作为客观赋权法确定皮肤属性权重，获得的权重详见表2：
表2熵权法确定客观权重
粗糙度 纹理度 色泽度 弹性 水分含量
W<sub>Ai</sub> 0.3107 0.2029 0.1828 0.1600 0.1436
以优序图法作为主观赋权法确定皮肤属性权重，获得的权重详见表3：
表3优序图法确定主观权重
粗糙度 纹理度 色泽度 弹性 水分含量
W<sub>Bi</sub> 0.2167 0.1167 0.2833 0.1000 0.2833
设融合参数α为50，故公式(2)可写为
由计算可得客观融合系数AA(n)＝0.2126，主观融合系数AB(n)＝0.7874，再根据公式(1)与表2、3可算得主客观融合后的综合权重Wi，i＝1,2,…N,N＝5为本实例皮肤状态属性个数。见表4：
表4主客观融合后的综合权重
粗糙度 纹理度 色泽度 弹性 水分含量
W<sub>i</sub> 0.2367 0.1350 0.2620 0.1127 0.2536
步骤三、基于灰色GM(1，N)的单属性预测；
灰色模型GM(1，N)是描述多变量的动态模型，能表明人体面部皮肤状态的属性诸多，有水分含量、油脂、色泽、弹性、PH值等影响因素，考虑到数据的完整性、可获得性以及计算的方便性，本发明选取粗糙度、纹理度、色泽度、弹性、水分含量五种属性作为预测对象，在进行某一属性预测研究时，增加其他属性参与建模，通过各属性之间影响关系及变化规律信息的纳入，以期得到更高精度的预测结果。
随机抽取一名测试志愿者，已知测得其粗糙度、纹理度、色泽度、弹性、水分含量数据样本，见表5。以预测其粗糙度这一属性为例，应用灰色GM(1，5)建模，结合图1，经计算得到模型待定参数为：将所得到的参数带入灰色GM(1，5)求解公式可以获取该属性的预测累加值，之后再进行累减即可得到该属性的预测值，该被测试人员粗糙度的预测值与实际值对比如图3所示。同理也可算得另外四个属性的预测值。表6为根据灰色模型计算出粗糙度预测值的区间命中对比，逐一计算12名志愿者采用18组训练样本构建的预测模型，进行了3组预测实验，将预测结果与已知样本数据做区间命中分析，命中率达到77.8％。
表5随机抽取人员的测试样本
粗糙度 纹理度 色泽度 弹性 水分含量
1 0.08226208 0.520800733 82.77746388 0.678735155 64.9
2 0.085531842 0.557508073 83.17578016 0.723134811 66.77497226
3 0.07585152 0.606793676 83.31831565 0.787740131 67.2
…… …… …… …… …… ……
17 0.08245632 0.619015171 80.50972626 0.731832846 67.2
18 0.083424499 0.603060601 82.16011153 0.751408246 69.83745225
表6粗糙度区间命中对比
19 20 21
实际区间 II II II
预测区间 II II II
步骤四、综合多属性皮肤状态区间预测；
根据专家所提供的人体面部皮肤单属性评价标准可知，粗糙度、纹理度两个属性属于“极小型”指标，色泽度、弹性、水分含量三个属性属于“极大型”指标。在对各个属性进行综合分析之前，根据其分类类型的不同，需对其进行一致化处理。具体做法即将“极小型”对应的属性取倒数，将其转化为“极大型”指标。
由于粗糙度、纹理度、色泽度、弹性、水分含量五个属性的单位不同，还需对每个属性进行归一化处理，即将它们无量纲化，为后续实现综合多属性皮肤状态区间预测做好准备。表7和表8分别为一致性与归一化处理后的属性预测值与属性区间。其中表7为随机选取一名志愿者的预测处理数据，表8为12名志愿者面部皮肤属性处理区间。
表7一致性与归一化处理后的属性预测值
粗糙度 纹理度 色泽度 弹性 水分含量
19 0.6322 0.1607 0.4532 0.6461 0.6187
20 0.6456 0.4191 0.3783 0.6491 0.537
21 0.6719 0.4162 0.1858 0.6367 0.6129
表8一致性与归一化处理后的属性区间
粗糙度 纹理度 色泽度 弹性 水分含量
I 0.723～1 0.477～1 0.771～1 0.585～1 0.715～1
II 0.329～0.723 0.3～0.477 0.324～0.771 0.263～0.585 0.34～0.715
III 0～0.329 0～0.3 0～0.324 0～0.263 0～0.34
而后，根据步骤二求得的主客观融合后的综合权重，将处理后的3组预测实验中涉及的五个皮肤属性值和属性区间进行加权综合，综合多属性皮肤状态区间预测命中率达到74.5％，所得的综合属性预测状态与单一属性预测状态对比如下，见表9。
表9综合属性与单一属性预测状态对比
综合 粗糙度 纹理度 色泽度 弹性 水分含量
19 II II II II I II
20 II II II II I II
21 II II II III I II
从表9中的预测结果信息可以发现，综合属性预测状态与单一属性预测状态吻合度较高，并且比较符合人们对皮肤状态直观的分类标准。表明本发明所提出的综合多属性皮肤状态区间预测能够较为客观的预测出人体皮肤状态综合等级，具有较好的实际应用与理论参考价值，预测模型简洁、高效、易于推广。

Claims (4)

1.综合多属性主客观信息的人体面部皮肤状态区间预测方法，其特征在于：包括以下步骤，
步骤一、人体面部皮肤状态属性分析及对应等级区间划分；
采集人体面部皮肤状态属性数据，并选取粗糙度、纹理度、色泽度、弹性、水分含量共五个皮肤状态属性进行皮肤状态分析；将五个皮肤状态属性数据分别划分为好、中、坏三个等级区间；
步骤二、多属性信息主客观权重融合；
Wi＝AA(n)WAi+AB(n)WBi (1)
其中，Wi为第i个皮肤状态属性融合主客观因素后的综合权重，WAi为客观赋权法确定的客观权重，WBi为主观赋权法确定的主观权重，AA(n)与AB(n)分别为与样本容量n相关的客观权重系数以及主观权重系数；
步骤三、基于灰色模型GM(1,N)的单属性预测；
以面部皮肤中的粗糙度、纹理度、色泽度、弹性、水分含量这五个皮肤状态属性为研究对象，构建灰色模型GM(1,N)实现基于时间序列数据的皮肤状态单属性预测，分别得到五个皮肤状态属性的单属性预测值和单属性预测区间；
步骤四、综合多属性皮肤状态区间预测；
对单属性预测值Xi及对应的单属性预测区间φi分别进行无量纲化处理，得到Xi *与φi *；将无量纲化处理后的结果分别与步骤二所得综合权重Wi相融合，得到的皮肤状态综合值与皮肤状态综合区间从而完成综合多属性皮肤状态的区间预测：
2.根据权利要求1所述的综合多属性主客观信息的人体面部皮肤状态区间预测方法，其特征在于：步骤一中，采用正态分布法对属性值进行划分，具体如下：
首先，采集皮肤状态属性，在采集监测时段内对被测试者进行等间隔皮肤状态属性的数据采集获得相应的时间序列数据，按照皮肤状态属性将属性数据分类，分别计算各项皮肤状态属性的平均值μi与标准差σi，其中，i＝1,2,…N,N为皮肤状态属性个数；根据计算得到的皮肤状属性的平均值与标准差，然后依据μi±σi的数值为阈值点，将各项皮肤状态属性进行三个区间划分，分别为“好”、“中”、“坏”。
3.根据权利要求1所述的综合多属性主客观信息的人体面部皮肤状态区间预测方法，其特征在于：所述的客观权重系数AA(n)和主观权重系数AB(n)通过如下方法获得，定义融合参数α为与样本容量n关的常数，当n＝α，主客观权重系数相等，即AA(α)＝AB(α)＝0.5；给出计算主客观权重系数的公式如下：
4.根据权利要求1所述的综合多属性主客观信息的人体面部皮肤状态区间预测方法，其特征在于：所述的客观赋权法采用熵权法；所述的主观赋权法采用优序图法。
CN201811267732.1A 2018-10-29 2018-10-29 综合多属性主客观信息的人体面部皮肤状态区间预测方法 Pending CN109493950A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811267732.1A CN109493950A (zh) 2018-10-29 2018-10-29 综合多属性主客观信息的人体面部皮肤状态区间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811267732.1A CN109493950A (zh) 2018-10-29 2018-10-29 综合多属性主客观信息的人体面部皮肤状态区间预测方法

Publications (1)

Publication Number Publication Date
CN109493950A true CN109493950A (zh) 2019-03-19

Family

ID=65693308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811267732.1A Pending CN109493950A (zh) 2018-10-29 2018-10-29 综合多属性主客观信息的人体面部皮肤状态区间预测方法

Country Status (1)

Country Link
CN (1) CN109493950A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378304A (zh) * 2019-07-24 2019-10-25 厦门美图之家科技有限公司 皮肤状态检测方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040122299A1 (en) * 2002-12-24 2004-06-24 Yasutaka Nakata Method for the skin analysis
CN103116698A (zh) * 2013-01-23 2013-05-22 合肥工业大学 一种基于三次样条的gm(1,1)模型预测方法
CN105956382A (zh) * 2016-04-26 2016-09-21 北京工商大学 基于改进型cart决策树与模糊朴素贝叶斯组合模型的中医体质优化分类方法
CN106407645A (zh) * 2016-08-08 2017-02-15 北京工商大学 基于主成分分析法的面部皮肤状态评价方法
CN106600585A (zh) * 2016-12-08 2017-04-26 北京工商大学 基于灰度共生矩阵的皮肤状态定量评价方法
CN108461150A (zh) * 2017-02-20 2018-08-28 天津工业大学 一种职业卫生预测研究方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040122299A1 (en) * 2002-12-24 2004-06-24 Yasutaka Nakata Method for the skin analysis
CN103116698A (zh) * 2013-01-23 2013-05-22 合肥工业大学 一种基于三次样条的gm(1,1)模型预测方法
CN105956382A (zh) * 2016-04-26 2016-09-21 北京工商大学 基于改进型cart决策树与模糊朴素贝叶斯组合模型的中医体质优化分类方法
CN106407645A (zh) * 2016-08-08 2017-02-15 北京工商大学 基于主成分分析法的面部皮肤状态评价方法
CN106600585A (zh) * 2016-12-08 2017-04-26 北京工商大学 基于灰度共生矩阵的皮肤状态定量评价方法
CN108461150A (zh) * 2017-02-20 2018-08-28 天津工业大学 一种职业卫生预测研究方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
关志强等: "灰色模型在健康数据预测中的应用", 《北京工商大学学报(自然科学版)》 *
李爽等: "多属性皮肤指标的中医体质模糊优化分类模型", 《计算机科学与探索》 *
李霞等: "区间型多属性决策的主客观赋权方法", 《黑龙江科技信息》 *
王中兴等: "基于主客观加权属性值一致化的组合赋权法", 《广西科学》 *
王昭洋等: "融合主客观信息的皮肤状态模糊综合评价研究", 《微电子学与计算机》 *
计明军 等: "《预测与决策方法》", 31 August 2018 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378304A (zh) * 2019-07-24 2019-10-25 厦门美图之家科技有限公司 皮肤状态检测方法、装置、设备及存储介质
CN110378304B (zh) * 2019-07-24 2021-11-02 厦门美图之家科技有限公司 皮肤状态检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Chan et al. Development of artificial neural network models for predicting thermal comfort evaluation in urban parks in summer and winter
Srivastava et al. Intelligent employee retention system for attrition rate analysis and churn prediction: An ensemble machine learning and multi-criteria decision-making approach
Hadayeghi et al. Development of planning-level transportation safety models using full Bayesian semiparametric additive techniques
Belhadj New fuzzy indices of poverty by distinguishing three levels of poverty
Schliep et al. Multilevel latent Gaussian process model for mixed discrete and continuous multivariate response data
CN107609651A (zh) 一种基于学习者模型的设计项评估方法
Jamali et al. Prioritizing academic library service quality indicators using fuzzy approach: Case study: libraries of Ferdowsi University
Groothuis-Oudshoorn et al. Dealing with uncertainty in the analysis and reporting of MCDA
Kozlovskyi et al. Economic-mathematical modeling and forecasting of competitiveness level of agricultural sector of Ukraine by means of theory of fuzzy sets under conditions of integration into European market
Liu et al. Condition evaluation for existing reinforced concrete bridge superstructure using fuzzy clustering improved by particle swarm optimisation
Rahmad et al. Analysis of The Effect of Community’s Role in CSR Activities on The Image of The Company of Minarak Brantas Gas, Inc.
CN109493950A (zh) 综合多属性主客观信息的人体面部皮肤状态区间预测方法
Saidi Mehrabad et al. Provident decision making by considering dynamic and fuzzy environment for FMS evaluation
Leiwakabessy et al. A Modified Human Development Index, Democracy And Economic Growth In Indonesia
Kim et al. Comparative analysis of traveler destination choice models by method of sampling alternatives
Abdi et al. Empirical study on the effect of organizational culture on organization innovation
CN105224808B (zh) 基于三维坐标的投影积分函数皮肤状态综合评价方法
Siregar et al. Analysis Of Decision Support Systems Edas Method In New Student Admission Selection
Akhmetova Socio-economic environment as the basis for innovation economy
Ustundag et al. A Hybrid Fuzzy Risk Evaluation Model For Real Estate Investments.
CN108255949B (zh) 一种游客在参观展会时的展园细分选择行为偏好的方法
Bakar et al. A Bayesian spatial categorical model for prediction to overlapping geographical areas in sample surveys
Lewis et al. Identification of residential property sub-markets using evolutionary and neural computing techniques
Ren et al. Measurement of enterprise management efficiency based upon information entropy and evidence theory
Fouskakis et al. A Bayesian longitudinal model for quantifying students’ preferences regarding teaching quality indicators

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190319