CN113160987A - 健康状态预测方法、装置、计算机设备及存储介质 - Google Patents
健康状态预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113160987A CN113160987A CN202110470083.0A CN202110470083A CN113160987A CN 113160987 A CN113160987 A CN 113160987A CN 202110470083 A CN202110470083 A CN 202110470083A CN 113160987 A CN113160987 A CN 113160987A
- Authority
- CN
- China
- Prior art keywords
- age
- face image
- features
- comprehensive information
- feature
- 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.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 230000003862 health status Effects 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000001815 facial effect Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000037213 diet Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及智能决策技术领域，尤其涉及一种健康状态预测方法、装置、计算机设备及存储介质，对健康状态实现了更准确地预测。其中，方法包括：获取表示用户当前状态的综合信息和人脸图像，综合信息包括用户的真实年龄；将人脸图像输入预先训练好的年龄预测网络模型得到预测年龄，并确定预测年龄与真实年龄之间的年龄差异特征；对人脸图像进行特征提取，得到人脸图像特征；对综合信息进行预处理，得到综合信息特征；对年龄差异特征、人脸图像特征、综合信息特征进行特征融合，得到融合特征；将融合特征输入至预先训练好的健康状态预测网络模型进行健康状态预测，得到预测的健康状态。
Description
技术领域
本申请涉及智能决策技术领域，尤其涉及一种健康状态预测方法、装置、计算机设备及存储介质。
背景技术
借助于医疗器械产品进行自身健康状况监测的方式不够便捷，不能满足用户的实际需求。基于人脸图像的用户健康状态评估是一种新兴的健康评估手段，但现有的基于人脸图像的用户健康状态预测不够精确。
发明内容
本申请提供了一种健康状态预测方法、装置、计算机设备及存储介质，以实现基于人脸图像更精确地预测用户的健康状态。
第一方面，本申请提供了一种健康状态预测方法，所述方法包括：
获取表示用户当前状态的综合信息和人脸图像，所述综合信息包括用户的真实年龄；
将所述人脸图像输入预先训练好的年龄预测网络模型得到预测年龄，并确定所述预测年龄与所述真实年龄之间的年龄差异特征；
对所述人脸图像进行特征提取，得到人脸图像特征；
对所述综合信息进行预处理，得到综合信息特征；
对所述年龄差异特征、人脸图像特征、综合信息特征进行特征融合，得到融合特征；
将所述融合特征输入至预先训练好的健康状态预测网络模型进行健康状态预测，得到预测的健康状态。
第二方面，本申请还提供了一种健康状态预测装置，所述装置包括：
数据获取模块，用于获取表示用户当前状态的综合信息和人脸图像，所述综合信息包括用户的真实年龄；
年龄差值确定模块，用于将所述人脸图像输入预先训练好的年龄预测网络模型得到预测年龄，并确定所述预测年龄与所述真实年龄之间的年龄差异特征；
图像特征提取模块，用于对所述人脸图像进行特征提取，得到人脸图像特征；
综合信息预处理模块，用于对所述综合信息进行预处理，得到综合信息特征；
特征融合模块，用于对所述年龄差异特征、人脸图像特征、综合信息特征进行特征融合，得到融合特征；
健康状态预测模块，用于将所述融合特征输入至预先训练好的健康状态预测网络模型进行健康状态预测，得到预测的健康状态。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的健康状态预测方法。
第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的健康状态预测方法。
本申请公开了一种健康状态预测方法、装置、计算机设备及存储介质，将基于人脸图像预测的年龄和真实年龄之间的差异信息引入健康状态预测任务中，更加充分地利用人脸图像和真实年龄之间的辩证关系，从而实现基于人脸图像对用户健康状态更准确地进行预测。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请的实施例提供的一种健康状态预测方法的示意流程图；
图2是本申请的实施例提供的一种健康状态预测方法的网络示意图；
图3是本申请的实施例提供的一种年龄预测网络模型的网络结构示意图；
图4为本申请的实施例提供的一种健康状态预测装置的示意性框图；
图5为本申请的实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了一种健康状态预测方法、装置、计算机设备及存储介质。其中，该健康状态预测方法可以应用于服务器中，通过将基于人脸图像的预测年龄和真实年龄之间的差异信息引入健康状态预测任务，实现对健康状态更准确地预测。其中，该服务器可以为独立的服务器，也可以为服务器集群。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请的实施例提供的一种健康状态预测方法的示意流程图。该健康状态预测方法可应用于服务器中，用于将基于人脸图像的预测年龄与真实年龄之间的年龄差引入健康状态预测任务中，从而实现对健康状态更准确地预测。
请参阅图1、图2，该健康状态预测方法具体包括步骤S101至步骤S106。
S101、获取表示用户当前状态的综合信息和人脸图像，所述综合信息包括用户的真实年龄。
综合信息为能获取到表示用户当前状态的信息，至少包括用户的真实年龄。综合信息还可以包括：用户的身高、体重、性别、所在城市等。
人脸图像可以理解为包括人脸的图像，人脸图像中可以看清五官、轮廓等基本特征。该人脸图像可以通图像采集器对人脸进行拍摄获得，还可以接收终端设备或者服务器传输的人脸图像。
S102、将所述人脸图像输入预先训练好的年龄预测网络模型得到预测年龄，并确定所述预测年龄与所述真实年龄之间的年龄差异特征。
年龄预测网络模型是预先训练好的。其中，该年龄预测网络模型的训练步骤具体为：获取包含人脸图像和真实年龄的第一数据集；以第一数据集中的人脸图像为输入，以第一数据集中的真实年龄为训练目标，通过对年龄预测网络进行迭代训练，得到年龄预测网络模型。
第一数据集来源于公开的人脸年龄数据集，例如可以采用带有年龄标签的脸部图像数据集I MDB-WI KI和人脸跨年龄数据集MORPH2中的数据，当然还可以采用其它公开的人脸年龄数据集中的数据。
将第一数据集中的人脸图像输入年龄预测网络，得到年龄的预测值，对该预测值与该人脸图像对应的真实年龄进行损失函数计算，根据该损失函数值优化年龄预测网络的参数，当损失函数值低于预设的阈值时，得到训练好的年龄预测网络模型。
需要说明的是，用于训练年龄预测网络模型的第一数据集中不能包含用于健康状态预测的人脸图像样本。在采集健康状态预测的样本时，会倾向于采集数量接近的健康状态与非健康状态的样本，以实现更好地训练健康状态预测网络模型。可以理解的是，非健康状态下的基于人脸预测的面容年龄与真实年龄差异较大，如果将健康状态预测数据集中的样本用于训练年龄预测网络模型，会导致年龄预测网络模型的预测结果向真实年龄拟合，进而消减了面容年龄与真实年龄差异特征的作用。
如图3所示，在一些实施例中，该年龄预测网络模型的网络结构可以采用软阶段回归网络结构(Soft Stagewise Regression Network，SSR-Net)。SSR-Net 网络结构整体包括两个异构流，并分为3个阶段，这2个异构流的区别是选用激活函数(分别是RELU激活函数和Tanh激活函数)以及选用不同的池化方法 (分别是平均值池化和最大值池化)，从而可以分析人脸图像不同的特征。在每一个阶段之间，会对这两个异构流的输出进行特征融合从而提高性能。 SSR-Net具有体积小、计算效率高等优点，适用于年龄预测。选用SSR-Net网作为年龄预测网络模型的网络结构，可以减缓计算压力，提高健康状态预测的效率。
得到训练好的年龄预测网络模型后，将人脸图像输入该训练好的年龄预测网络模型，输出基于人脸图像的预测年龄，计算该预测年龄与真实年龄的差值，得到年龄差异值。在本申请提供的实施例中，该年龄差异值可以为用预测年龄减去真实年龄得到的结果；例如，假设真实年龄为25岁，当基于人脸图像得到的预测年龄为20岁时，则年龄差异值为：-5；当基于人脸图像得到的预测年龄为30岁时，则年龄差异值为5。
得到年龄差异值后，需对该年龄差异值进行信息编码以得到年龄差异特征。
示例性地，可以对该年龄差异值直接归一化，例如当年龄差异值为5时，可将该年龄差异值编码为0.05。
示例性地，还可以对年龄差异值在统计的年龄差异值范围内进行归一化。假设统计的年龄差异值范围为-20～30，年龄差异值为5，则可以将年龄差异值编码为为(5-(-20))/(30-(-20))＝0.5。
示例性地，还可以对统计的年龄差异值范围对进行区间划分，再对年龄差异值进行独热编码(One-hot encoding)。假设统计的年龄差异值范围为-20～30；以2岁为一个子单元对统计的年龄差异值范围进行区间划分，则年龄差异值5 编码为：[0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0]。
对年龄差异值进行信息编码的方式有很多种，具体的编码方式需要根据编码效果进行选取，本申请对此不做具体限定。
S103、对所述人脸图像进行特征提取，得到人脸图像特征。
具体的，通过预配置的卷积神经网络，提取所述人脸图像中的特征，得到人脸图像特征；和/或基于预设的图像算子对所述人脸图像进行特征提取，得到人脸图像特征。
在一个实施例中，可以通过预配置的卷积神经网络对人脸图像特征进行提取得到抽象特征。
示例性的，可以采用残差网络结构(ResNet)提取人脸图像特征。残差网络结构能够通过增加深度来提高准确率，残差网络内部的残差块使用跳跃连接，能够缓解在深度神经网络中增加深度带来的梯度消失问题。
示例性的，还可以采用VGGNet网络结构提取人脸图像特征。VGGNet网络结构用小尺寸的滤波器替换大尺寸的滤波器减少了深度训练的参数，同时增加了非线性变换的次数，提高了卷积神经网络对特征的学习能力。
示例性的，还可以采用MobileFaceNets网络结构。MobilefaceNets是一个从MobileNetV2衍生而来的拥有工业级精度和速度的轻量级人脸识别网络，模型大小只有4MB，专为人脸识别任务设计。
在另一个实施例中，还可以通过预设的图像算子对人脸图像进行特征提取，预设的图像算子包括以下至少一种：局部二值模式算子(Local binary patterns,LBP)、方向梯度直方图算子(Histogram of oriented gradient， HOG)、尺度不变特征转换算子(Scale-invariant feature transform,SIFT)、 Haar特征描述算子。当然还可以采用其它算子，具体根据实际情况进行选择，本申请不做具体限定。
S104、对所述综合信息进行预处理，得到综合信息特征。
对综合信息进行预处理，是指对综合信息进行信息编码，得到综合信息特征的过程。具体的，对离散型综合信息采用枚举值的方法进行独热编码；对连续型综合信息采用等频分箱法进行区间划分，再根据区间划分对每个区间进行编码。对综合信息中年龄进行编码，可以直接归一化，例如将34岁编码为0.34。也可先对年龄进行区间划分，再对划分的区间进行独热编码(One-Hot)，例如：默认年龄范围为0-100岁，以每10年划分一个区间，则34岁属于第4个区间 (30-40岁)，对应的编码为[0,0,0,1,0,0,0,0,0,0]。对综合信息中的身高和体重等信息的编码方式可以参考年龄信息的编码方式。还比如，对综合信息中的所在城市进行编码，可以根据城市的邮政信息进行编码，或直接进行独热编码(One-hotencoding)，还可以利用预训练好的文字embedding的方式对城市信息进行编码。综合信息的编码方式有很多，具体编码方式需要根据综合信息的类型以及编码效果进行选取，本申请对此不做具体限定。
S105、对所述年龄差异特征、人脸图像特征、综合信息特征进行特征融合，得到融合特征。
在一些实施例中，基于神经网络对所述年龄差异特征、人脸图像特征、综合信息特征进行融合，得到融合特征。具体的，先将年龄差异特征与综合信息特征进行拼接得到用户信息特征，然后基于神经网络对人脸图像特征进行降维，得到降维后的人脸图像特征。当降维后的人脸图像特征与用户信息特征的特征维数之间的差异小于预设值时，将降维后的人脸图像特征与用户信息特征进行拼接后得到融合特征。
由于年龄差异特征与综合信息特征的特征维数相近，因此可将年龄差异特征与综合信息特征直接进行拼接得到用户信息特征。不过人脸图像特征的特征维数与年龄差异特征、综合信息特征的特征维数相差很大，如对以上三种特征直接进行拼接融合，由于人脸图像特征的维数很大，会削弱年龄差异特征对健康状态预测任务的影响。因此需要对高维数的人脸图像特征后进行降维，当降维后的人脸图像特征维数与用户信息特征维数在同一个数量级内时，将用户信息特征与人脸图像特征进行拼接，从而得到融合特征。具体的，可以先根据人脸图像和用户信息特征的特征维数确定一个预设值，当降维后的人脸图像特征维数与基本信息特征维数之间的差异小于该预设值时，表示两者的特征维数在同一个数量级内。该预设值需要根据人脸图像特征与用户信息特征的维数来确定，本申请对此不做限定。
在一些实施例中，可以将人脸图像特征输入神经网络的全连接层实现高维特征向低维特征的映射。在一些实施例中，还可以将人脸图像特征输入神经网络的池化层进行图像压缩实现降维。具体可以根据所提取的人脸图像特征维数和所需要降维的维数的数量级，来确定所需要采用的神经网络，本申请对此不做限定。
S106、将所述融合特征输入至预先训练好的健康状态预测网络模型进行健康状态预测，得到预测的健康状态。
在对用户的健康状态预测之前，需要先得到预先训练好的健康状态预测网络模型，该健康状态预测网络用于对用户的健康状态进行分类预测，该健康状态预测网络模型的训练过程如下。
首先，采集用于健康状态预测的样本数据集，该数据集中包括：人脸图像、综合信息(包含真实年龄值)和健康状态真实值。需要说明的是，为了提高健康状态预测网络模型预测的准确性，所采集的健康状态与非健康状态的样本数量应当接近。
其次，将该样本数据库中的人脸图像输入训练好的年龄预测网络模型，得到预测年龄值，并确定预测年龄值与真实年龄值的对应的年龄差异特征。再对该样本数据库中的人脸图像进行特征提取得到人脸图像特征，对样本数据库中的综合信息编码后得到综合信息特征。将基于该样本数据库得到的年龄差异特征、人脸图像特征与综合信息特征进行特征融合后得到对应的融合特征。将该融合特征作为健康状态预测网络的输入，将与该人脸图像对应的真实的健康状态作为训练目标，通过健康状态预测网络输出健康状态预测值。对健康状态真实值与健康状态预测值进行损失函数计算，根据该损失函数值优化健康状态预测网络的参数，并通过反向传播，进一步优化对人脸图像特进行特征提取的神经网络参数以及对特征进行融合的神经网络参数。当损失函数值低于预设的阈值时，得到训练好的健康状态预测网络模型。
最后，将步骤S105中得到的融合特征输入该训练好的健康状态预测网络模型，得到对该用户的健康状态的预测结果。
在一些实施例中，预测的健康状态为表征不同健康状态的离散值，例如可以包括：健康，亚健康，疾病三种状态；当业务数据只有健康、疾病两种标签时，预测的健康状态也可以相应地设为健康，疾病两种状态。具体健康状态的类别可以根据实际业务场景进行确定，本申请对此不做限定。
在一些实施例中，得到预测的健康状态后，依据预测的健康状态，生成健康建议，发送至用户的终端设备。健康建议中可以包括就医建议、饮食建议、休息建议以及运动建议等，用户可以基于这些建议对自己的运动、饮食等进行管理，从而实现对自己健康状况的管理，提高了用户的体验。例如，当根据人脸图像预测的健康状态为“疾病”时，提醒用户及时就医；当预测的健康状态为“亚健康”时，给用户提供相应的休息和运动建议。
本申请实施例中的提供的健康状态预测方法，可以基于用户的人脸图像和综合信息，通过神经网络得到该用户的健康状态的预测结果。通过该方案，用户只需提供自己的人脸图像和综合信息，即可通过健康状态预测模型得到健康状态的预测结果来了解自身的健康状况。另一方面，在基于人脸图像进行健康状态预测之前，先基于人脸图像预测年龄，再将预测年龄与真实年龄之间的年龄差异特征也引入健康状态预测的任务中，更充分地利用人脸图像和真实年龄之间的辩证关系，从而提高了健康状态预测的精度。
请参阅图4，图4是本申请的实施例提供一种健康状态预测装置装置的示意性框图，该健康状态预测装置用于执行前述的健康状态预测方法。其中，该健康状态预测装置可以配置于服务器。
如图4所示，该健康状态预测装置400，包括：
数据获取模块401，用于获取表示用户当前状态的综合信息和人脸图像，所述综合信息包括用户的真实年龄；
年龄差值确定模块402，用于将所述人脸图像输入预先训练好的年龄预测网络模型得到预测年龄，并确定所述预测年龄与所述真实年龄之间的年龄差异特征；
图像特征提取模块403，用于对所述人脸图像进行特征提取，得到人脸图像特征；
综合信息预处理模块404，用于对所述综合信息进行预处理，得到综合信息特征；
特征融合模块405，用于对所述年龄差异特征、人脸图像特征、综合信息特征进行特征融合，得到融合特征；
健康状态预测模块406，用于将所述融合特征输入至预先训练好的健康状态预测网络模型进行健康状态预测，得到预测的健康状态。
在一些实施例中，该健康状态预测装置400还包括模型训练模块，该模型训练模块用于：获取包含人脸图像和真实年龄的第一数据集；以所述第一数据集中的人脸图像为输入，以所述第一数据集中的真实年龄为训练目标，通过对年龄预测网络进行迭代训练，得到年龄预测网络模型。其中，所述年龄预测网络模型采用软阶段回归网络结构。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5 所示的计算机设备上运行。
请参阅图5，图5是本申请的实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器。
参阅图5，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种健康状态预测方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种健康状态预测方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor， DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取表示用户当前状态的综合信息和人脸图像，所述综合信息包括用户的真实年龄；
将所述人脸图像输入预先训练好的年龄预测网络模型得到预测年龄，并确定所述预测年龄与所述真实年龄之间的年龄差异特征；
对所述人脸图像进行特征提取，得到人脸图像特征；
对所述综合信息进行预处理，得到综合信息特征；
对所述年龄差异特征、人脸图像特征、综合信息特征进行特征融合，得到融合特征；
将所述融合特征输入至预先训练好的健康状态预测网络模型进行健康状态预测，得到预测的健康状态。
在一个实施例中，所述处理器在实现对年龄差异特征、人脸图像特征、综合信息特征进行特征融合时，用于实现：
将所述年龄差异特征与所述综合信息特征进行拼接得到用户信息特征；
基于神经网络对所述人脸图像特征进行降维，得到降维后的人脸图像特征；
当所述降维后的人脸图像特征与所述用户信息特征的特征维数之间的差异小于预设值时，将所述降维后的人脸图像特征与所述用户信息特征进行拼接后得到所述融合特征。
在一个实施例中，所述处理器在实现确定预测年龄与真实年龄之间的年龄差异特征时，用于实现：
计算所述预测年龄与所述真实年龄之间的年龄差异值，对所述年龄差异值进行归一化处理，得到年龄差异特征；或者，
获取统计的年龄差异值范围，根据所述年龄差异值范围对所述年龄差异值进行独热编码，得到年龄差异特征。
在一个实施例中，所述处理器在实现对人脸图像进行特征提取，得到人脸图像特征时，用于实现：
通过预配置的卷积神经网络所述人脸图像进行特征提取，得到人脸图像特征；和/或，
基于预设的图像算子对所述人脸图像进行特征提取，得到人脸图像特征。
所述预设的图像算子包括以下至少一种：局部二值模式算子、方向梯度直方图算子、尺度不变特征转换算子、Haar特征描述算子。
在一个实施例中，所述处理器在实现得到训练好的年龄预测网络模型时，用于实现：
获取包含人脸图像和真实年龄的第一数据集；
以所述第一数据集中的人脸图像为输入，以所述第一数据集中的真实年龄为训练目标，通过对年龄预测网络进行迭代训练，得到年龄预测网络模型。年龄预测网络模型采用软阶段回归网络结构。
本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项健康状态预测方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD) 卡，闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种健康状态预测方法，其特征在于，包括：
获取表示用户当前状态的综合信息和人脸图像，所述综合信息包括用户的真实年龄；
将所述人脸图像输入预先训练好的年龄预测网络模型得到预测年龄，并确定所述预测年龄与所述真实年龄之间的年龄差异特征；
对所述人脸图像进行特征提取，得到人脸图像特征；
对所述综合信息进行预处理，得到综合信息特征；
对所述年龄差异特征、人脸图像特征、综合信息特征进行特征融合，得到融合特征；
将所述融合特征输入至预先训练好的健康状态预测网络模型进行健康状态预测，得到预测的健康状态。
2.根据权利要求2所述的方法，其特征在于，所述对所述年龄差异特征、人脸图像特征、综合信息特征进行融合，得到融合特征，包括：
对所述年龄差异特征与所述综合信息特征进行拼接得到用户信息特征；
基于神经网络对所述人脸图像特征进行降维，得到降维后的人脸图像特征；
当所述降维后的人脸图像特征与所述用户信息特征的特征维数之间的差异小于预设值时，将所述降维后的人脸图像特征与所述用户信息特征进行拼接后得到所述融合特征。
3.根据权利要求1所述的方法，其特征在于，所述确定所述预测年龄与所述真实年龄之间的年龄差异特征，包括：
计算所述预测年龄与所述真实年龄之间的年龄差异值，对所述年龄差异值进行归一化处理，得到年龄差异特征；或者，
获取统计的年龄差异值范围，根据所述年龄差异值范围对所述年龄差异值进行独热编码，得到年龄差异特征。
4.根据权利要求1所述的方法，其特征在于，所述对所述人脸图像进行特征提取，得到人脸图像特征，包括：
通过预配置的卷积神经网络对所述人脸图像进行特征提取，得到人脸图像特征；和/或，
基于预设的图像算子对所述人脸图像进行特征提取，得到人脸图像特征。
5.根据权利要求1所述的方法，其特征在于，所述预设的图像算子包括以下至少一种：
局部二值模式算子、方向梯度直方图算子、尺度不变特征转换算子、Haar特征描述算子。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取包含人脸图像和真实年龄的第一数据集；
以所述第一数据集中的人脸图像为输入，以所述第一数据集中的真实年龄为训练目标，通过对年龄预测网络进行迭代训练，得到年龄预测网络模型。
7.根据权利要求6所述的方法，其特征在于，所述年龄预测网络模型采用软阶段回归网络结构。
8.一种健康状态预测装置，其特征在于，包括：
数据获取模块，用于获取表示用户当前状态的综合信息和人脸图像，所述综合信息包括用户的真实年龄；
年龄差值确定模块，用于将所述人脸图像输入预先训练好的年龄预测网络模型得到预测年龄，并确定所述预测年龄与所述真实年龄之间的年龄差异特征；
图像特征提取模块，用于对所述人脸图像进行特征提取，得到人脸图像特征；
综合信息预处理模块，用于对所述综合信息进行预处理，得到综合信息特征；
特征融合模块，用于对所述年龄差异特征、人脸图像特征、综合信息特征进行特征融合，得到融合特征；
健康状态预测模块，用于将所述融合特征输入至预先训练好的健康状态预测网络模型进行健康状态预测，得到预测的健康状态。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的健康状态预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的健康状态预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110470083.0A CN113160987B (zh) | 2021-04-28 | 2021-04-28 | 健康状态预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110470083.0A CN113160987B (zh) | 2021-04-28 | 2021-04-28 | 健康状态预测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113160987A true CN113160987A (zh) | 2021-07-23 |
| CN113160987B CN113160987B (zh) | 2023-08-22 |
Family
ID=76872376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110470083.0A Active CN113160987B (zh) | 2021-04-28 | 2021-04-28 | 健康状态预测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113160987B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116487050A (zh) * | 2023-06-21 | 2023-07-25 | 深圳市万佳安智能科技有限公司 | 人体健康监测方法、装置和计算机设备 |
| CN118430050A (zh) * | 2024-06-28 | 2024-08-02 | 山东锋士信息技术有限公司 | 一种基于融合面部多特征的中医面诊方法和系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008242963A (ja) * | 2007-03-28 | 2008-10-09 | Fujifilm Corp | 健康分析表示方法及び健康分析表示装置 |
| CN105512493A (zh) * | 2015-12-22 | 2016-04-20 | 重庆大学 | 基于脑部病理年龄估计的脑疾病检测系统 |
| US20180289334A1 (en) * | 2017-04-05 | 2018-10-11 | doc.ai incorporated | Image-based system and method for predicting physiological parameters |
| CN109376932A (zh) * | 2018-10-30 | 2019-02-22 | 平安医疗健康管理股份有限公司 | 基于预测模型的年龄预测方法、装置、服务器及存储介质 |
| CN109390056A (zh) * | 2018-11-05 | 2019-02-26 | 平安科技（深圳）有限公司 | 健康预测方法、装置、终端设备及计算机可读存储介质 |
| CN109785964A (zh) * | 2018-12-13 | 2019-05-21 | 平安科技（深圳）有限公司 | 一种健康评估方法、健康评估装置及计算机可读存储介质 |
| CN110459304A (zh) * | 2019-07-19 | 2019-11-15 | 汕头大学 | 一种基于面部图像的健康状态诊断系统 |
| US20200185102A1 (en) * | 2018-12-11 | 2020-06-11 | K Health Inc. | System and method for providing health information |
| CN111951954A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 身体健康状态检测方法、装置、可读存储介质及终端设备 |
| CN112465231A (zh) * | 2020-12-01 | 2021-03-09 | 平安医疗健康管理股份有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
| US20210089753A1 (en) * | 2019-09-24 | 2021-03-25 | Boe Technology Group Co., Ltd. | Age Recognition Method, Computer Storage Medium and Electronic Device |
-
2021
- 2021-04-28 CN CN202110470083.0A patent/CN113160987B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008242963A (ja) * | 2007-03-28 | 2008-10-09 | Fujifilm Corp | 健康分析表示方法及び健康分析表示装置 |
| CN105512493A (zh) * | 2015-12-22 | 2016-04-20 | 重庆大学 | 基于脑部病理年龄估计的脑疾病检测系统 |
| US20180289334A1 (en) * | 2017-04-05 | 2018-10-11 | doc.ai incorporated | Image-based system and method for predicting physiological parameters |
| CN109376932A (zh) * | 2018-10-30 | 2019-02-22 | 平安医疗健康管理股份有限公司 | 基于预测模型的年龄预测方法、装置、服务器及存储介质 |
| CN109390056A (zh) * | 2018-11-05 | 2019-02-26 | 平安科技（深圳）有限公司 | 健康预测方法、装置、终端设备及计算机可读存储介质 |
| US20200185102A1 (en) * | 2018-12-11 | 2020-06-11 | K Health Inc. | System and method for providing health information |
| CN109785964A (zh) * | 2018-12-13 | 2019-05-21 | 平安科技（深圳）有限公司 | 一种健康评估方法、健康评估装置及计算机可读存储介质 |
| CN110459304A (zh) * | 2019-07-19 | 2019-11-15 | 汕头大学 | 一种基于面部图像的健康状态诊断系统 |
| US20210089753A1 (en) * | 2019-09-24 | 2021-03-25 | Boe Technology Group Co., Ltd. | Age Recognition Method, Computer Storage Medium and Electronic Device |
| CN111951954A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 身体健康状态检测方法、装置、可读存储介质及终端设备 |
| CN112465231A (zh) * | 2020-12-01 | 2021-03-09 | 平安医疗健康管理股份有限公司 | 地区人口健康状态预测方法、设备和可读存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116487050A (zh) * | 2023-06-21 | 2023-07-25 | 深圳市万佳安智能科技有限公司 | 人体健康监测方法、装置和计算机设备 |
| CN116487050B (zh) * | 2023-06-21 | 2023-12-22 | 深圳市万佳安智能科技有限公司 | 人体健康监测方法、装置和计算机设备 |
| CN118430050A (zh) * | 2024-06-28 | 2024-08-02 | 山东锋士信息技术有限公司 | 一种基于融合面部多特征的中医面诊方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113160987B (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929622A (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
| CN112560829B (zh) | 人群数量确定方法、装置、设备及存储介质 | |
| CN110689518B (zh) | 宫颈细胞图像筛查方法、装置、计算机设备及存储介质 | |
| CN113435998B (zh) | 贷款逾期预测方法、装置、电子设备及存储介质 | |
| CN111651601A (zh) | 用于电力信息系统的故障分类模型的训练方法及分类方法 | |
| CN114896067B (zh) | 任务请求信息的自动生成方法、装置、计算机设备及介质 | |
| CN113160987B (zh) | 健康状态预测方法、装置、计算机设备及存储介质 | |
| CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
| CN112287986A (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
| CN114693624A (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
| CN114742211B (zh) | 一种面向微控制器的卷积神经网络部署和优化方法 | |
| CN110751191A (zh) | 一种图像的分类方法及系统 | |
| CN114496099A (zh) | 细胞功能注释方法、装置、设备及介质 | |
| CN116543351A (zh) | 一种基于时空串并联关系编码的自监督群体行为识别方法 | |
| CN115147661A (zh) | 一种染色体分类方法、装置、设备及可读存储介质 | |
| CN112580616B (zh) | 人群数量确定方法、装置、设备及存储介质 | |
| CN115439928A (zh) | 一种操作行为识别方法及装置 | |
| CN111913648A (zh) | 一种固态硬盘的数据处理方法及装置 | |
| CN113762503A (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
| CN117495422A (zh) | 基于电力通信网建设的造价管理系统及其方法 | |
| CN117194652A (zh) | 一种基于深度学习的信息推荐系统 | |
| CN117077586A (zh) | 一种电路设计的寄存器传输级资源预测方法、装置及设备 | |
| CN117095460A (zh) | 基于长短时关系预测编码的自监督群体行为识别方法及其识别系统 | |
| CN115954019A (zh) | 一种融合自注意力和卷积操作的环境噪声识别方法及系统 | |
| CN116362301A (zh) | 一种模型的量化方法以及相关设备 |
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 |