CN115153451B - 一种基于汗印成像的汗量检测方法 - Google Patents
一种基于汗印成像的汗量检测方法 Download PDFInfo
- Publication number
- CN115153451B CN115153451B CN202210991410.1A CN202210991410A CN115153451B CN 115153451 B CN115153451 B CN 115153451B CN 202210991410 A CN202210991410 A CN 202210991410A CN 115153451 B CN115153451 B CN 115153451B
- Authority
- CN
- China
- Prior art keywords
- sweat
- error
- value
- calculating
- test paper
- 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
- 210000004243 sweat Anatomy 0.000 title claims abstract description 150
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000003384 imaging method Methods 0.000 title claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000005192 partition Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000003248 secreting effect Effects 0.000 abstract description 2
- 230000035900 sweating Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012031 short term test Methods 0.000 description 1
- 210000000106 sweat gland Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14507—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue specially adapted for measuring characteristics of body fluids other than blood
- A61B5/14517—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue specially adapted for measuring characteristics of body fluids other than blood for sweat
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
- A61B5/4261—Evaluating exocrine secretion production
- A61B5/4266—Evaluating exocrine secretion production sweat secretion
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/1032—Determining colour for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Endocrinology (AREA)
- Gastroenterology & Hepatology (AREA)
- Optics & Photonics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种基于汗印成像的汗量检测方法,具体步骤为:在不同环境下将不同量的汗液滴入到多个试纸上,试纸上形成的汗印图像;计算汗印图像的色值极差,并根据色值极差将汗印图像分为多个区域;计算多个区域的汗液采集总值,计算汗液采集总值与真实汗液值之间的误差;以环境参数、分区数为输入,误差为输出,构建基于BP神经网络的误差预测模型;对误差预测模型进行训练;集测试者测试时的环境参数以及汗印图像,并计算汗液采集总值和误差,获得测试者待测部位的出汗量和出汗率。本申请通过对测试者出汗量的检测,能够对测试者的出汗体质及泌汗功能的强弱进行判断,对其日常运动、工作强度、水分补充提供指导。
Description
技术领域
本发明涉及出汗量检测领域,特别是一种基于汗印成像的汗量检测方法。
背景技术
出汗是一种依靠汗液蒸发来增加人体散热量的体温调节方式,当环境温度升高或人体处于高强度作业时,汗腺会分泌汗液来带走身体的热量,从而达到位置体温恒定的目的,通过对人体的出汗量和出汗率的研究能够有效判定人体的出汗体质,为其提供运动量和高强度作业时长的指导以及其提供饮水指导。
现有出汗量测量方法包括着装体重差法、纱布增重法、试纸变色法等。其中试纸变色法是将试纸贴设在人体的待测部位,试纸通过对汗液的吸收发生变色,通过对试纸变色后的颜色与对比色卡的颜色进行比较计算人体的出汗率,该方法在检测过程存在以下不足:人体在出汗过程中局部存在差异,且试纸每个区域与人体贴合度不同,使试纸的变色范围存在较大差异,该方法仅通过对试纸变色后的颜色与对比色卡的颜色进行比较测量过程存在较大误差,试纸在吸收进行变色反应时也会受到环境温度、湿度的影响。因此,现有试纸变色法在出汗量检测时存在检测精度低等技术问题。
发明内容
本发明的目的就是提供一种基于汗印成像的汗量检测方法,它可以用于对出汗量进行快速准确的检测。
本发明的目的是通过这样的技术方案实现的,具体步骤如下:
1)数据采集:在不同温度Ti、湿度Hi环境下将不同量的汗液Qi滴入到试纸上,并采集汗液在试纸上形成的汗印图像Xi,获得原始数据集S;
2)图像分区:对步骤1)中采集的汗印图像Xi的色值进行识别,并计算色值极差Δxi,并根据色值极差Δxi将汗印图像Xi分为mi个区域;
3)误差计算:计算mi个区域的汗液采集总值Q′i,计算汗液采集总值Q′i与真实汗液值Qi之间的误差ΔQi;
4)构建模型:以温度Ti、湿度Hi、区域数mi为输入,以误差ΔQi为输出,构建基于BP神经网络的误差预测模型;
5)模型训练:以原始数据集S的温度Ti、湿度Hi、区域数mi为输入对基于BP神经网络误差预测模型的参数进行训练,获得训练好的误差预测模型;
6)出汗量预测:将试纸贴设在测试者的待测部位,采集环境参数以及△t时间后试纸上形成的汗印图像X′,将汗印图像X′分为m′个区域并计算汗液采集总值Q′,将环境参数以及m′输入步骤5)中训练好的误差预测模型中计算误差△Q′,并计算测试者待测部位的出汗量和出汗率R。
进一步,步骤1)中数据采集的具体方法为:
1-1)设置若干组温度T、湿度H实验环境,在每组实验环境下将不同量的汗液Q滴入到不同的试纸上;
1-2)采集每个试纸的汗印图像X,所述试纸根据汗液量的不同呈现不同的颜色,且不同颜色对应不同的色值;
1-3)通过步骤1-1)、1-2)获得原始数据集S:
S={s1(T1,H1,Q1,X1),s2(T2,H2,Q2,X2),...,si(Ti,Hi,Qi,Xi),...,sn(Tn,Hn,Qn,Xn)} (1)
式中,si为第i次采的原始数据,n为最大采样次数。
进一步,步骤2)中图像分区的具体方法为:
根据色值极差Δxi将汗印图像Xi分为mi个区域:
式中,x1、x2、x3、x4均为色值极差阈值,m1、m2、m3、m4均为汗印图像Xi的分区数。
进一步,步骤3)中误差计算的具体方法为:
分别计算mi个区域的汗液采集值,并对其求和获得汗液采集总值Q′i:
Q′i=(kx′1+b)a1+(kx′2+b)a2+,...,(kx′p+b)ap,...,+(kx′m+b)am (4)
式中,x′p为第p个区域色值的中值,ap为第p个区域的面积,k、b均为预设系数,(ky′p+b)ap为第p个区域的汗液采集值;
计算汗液采集总值Qi′与真实汗液值Qi之间的误差ΔQi:
ΔQi=Qi-Q′i (5)。
进一步,步骤4)中构建模型的具体方法为:
以温度Ti、湿度Hi、区域数mi为输入,以误差ΔQi为输出,构建基于BP神经网络的误差预测模型;
所述BP神经网络包括1个输入层、2个隐藏层、1个输出层,所述输入层包括3个输入,所述隐藏层均包括2个神经元,所述输出层包括1个输出,隐藏层采用sigmoid函数作为激活函数,输出层采用softmax作为激活函数。
进一步,步骤5)中模型训练的具体步骤为:
5-1)初始化BP神经网络的权重和偏执参数,所述权重参数均初始化为服从正态分布的[-1,1]之间的随机数,偏差均初始化为0;
5-2)设定损失函数loss为:
式中,y为样本的的真实误差ΔQi,y′为神经网络预测的ΔQ′i;
设置学习率为α,采用梯度下降法更新BP神经网络的权重和偏差,获得训练后的误差预测模型。
进一步,步骤6)中出汗量预测的具体步骤为:
6-1)将试纸贴设在测试者的待测部位,采集环境温度T′、湿度H′以及△t时间后试纸上形成的汗印图像X′;
6-2)根据汗印图像X′,采用步骤2)的方法将汗印图像X′分为m′个区域,并采用步骤3)的方法计算m′个区域的汗液采集总值Q′;
6-3)将环境温度T′、湿度H′、区域数m′输入步骤5)中训练好的误差预测模型中计算误差△Q′;
6-4)对汗液采集总值Q′和校正误差△Q′求和得到测试者的待测部位的出汗量,并计算测试者的待测部位的出汗率R:
式中,a为贴设在测试者待测部位试纸有效部分的面积。
由于采用了上述技术方案,本发明具有如下的优点:
1、本申请通过对测试者出汗量的检测,能够对测试者的出汗体质及泌汗功能的强弱进行判断,对其日常运动、工作强度、水分补充提供指导。
2、本申请通过对测试者测试部位的汗印图像进行采集识别能够初略计算出测试部位的出汗量,即汗液采集总值,并通过训练好的误差预测模型,通过误差预测模型对出汗量误差进行预测,并通过对汗液采集总值和误差进行求和得到准确的的出汗量,实现了出汗量的准确快速检测。
3、本申请在计算汗液采集总值时,通过色值极差确定色值的分段数,在色值极差较小时,通过减小分段数减少检测过程的计算量,在色值极差较大时,通过增大分段数保证计算精度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示的一种基于汗印成像的汗量检测方法,具体步骤如下:
1)数据采集:在不同温度Ti、湿度Hi环境下将不同量的汗液Qi滴入到试纸上,并采集汗液在试纸上形成的汗印图像Xi,获得原始数据集S,具体步骤为:
1-1)设置若干组温度T、湿度H实验环境,在每组实验环境下将不同量的汗液Q滴入到不同的试纸上;
1-2)采集每个试纸的汗印图像X,所述试纸根据汗液量的不同呈现不同的颜色,且不同颜色对应不同的色值;
1-3)通过步骤1-1)、1-2)获得原始数据集S:
S={s1(T1,H1,Q1,X1),s2(T2,H2,Q2,X2),...,si(Ti,Hi,Qi,Xi),...,sn(Tn,Hn,Qn,Xn)} (8)
式中,si为第i次采的原始数据,n为最大采样次数。
在本发明实施例中,在密闭腔体内分别设置温度为10℃、15℃、20℃、25℃、30℃、35℃,且在每个温度情况下依次调整湿度为40%RH、50%RH、60%RH、70%RH;在不同的温度、湿度条件下分别进行一次实验,每一次实验时,均通过胶头滴管将已知体积的汗液量滴入到试纸上,试纸吸收汗液中的水分后发生变色,通过图像采集设备对汗印图像进行采集。
2)图像分区:对步骤1)中采集的汗印图像Xi的色值进行识别,并计算色值极差Δxi,并根据色值极差Δxi将汗印图像Xi分为mi个区域,具体方法为:
根据色值极差Δxi将汗印图像Xi分为mi个区域:
式中,x1、x2、x3、x4均为色值极差阈值,m1、m2、m3、m4均为汗印图像Xi的分区数。
在本发明实施例中,试纸的色值范围为0~100,当试纸的色值为100时其颜色为粉色,当试纸的色值在从30向99变换时,试纸为颜色变化为淡蓝色~淡粉色~粉色,当试纸的色值在从1向29变换时,试纸为颜色变化为蓝色~淡蓝色。通过图像采集设备对汗印图像进行采集并识别,识别出汗印图像色值的极大值和极小值并计算色值极差Δxi,确定色值范围的分段数;在本发明实施例中,x1、x2、x3、x4的取值分别10,30,60,90,m1、m2、m3、m4的取值分别2、4、12、18,分段过程为根据色值范围进行均分。
3)误差计算:计算mi个区域的汗液采集总值Q′i,计算汗液采集总值Q′i与真实汗液值Qi之间的误差ΔQi,具体方法为:
分别计算mi个区域的汗液采集值,并对其求和获得汗液采集总值Q′i:
Q′i=(kx′1+b)a1+(kx′2+b)a2+,...,(kx′p+b)ap,...,+(kx′m+b)am (11)
式中,x′p为第p个区域色值的中值,ap为第p个区域的面积,k、b均为预设系数,(ky′p+b)ap为第p个区域的汗液采集值;
计算汗液采集总值Q′i与真实汗液值Qi之间的误差ΔQi:
ΔQi=Qi-Q′i (12)。
在本发明实施例中,试纸的色值变化根据试纸吸收的汗液量呈线性变化,k、b均为线性变化的预设系数,由试纸的材料性能决定。
4)构建模型:以温度Ti、湿度Hi、区域数mi为输入,以误差ΔQi为输出,构建基于BP神经网络的误差预测模型;
所述BP神经网络包括1个输入层、2个隐藏层、1个输出层,所述输入层包括3个输入,所述隐藏层均包括2个神经元,所述输出层包括1个输出,隐藏层采用sigmoid函数作为激活函数,输出层采用softmax作为激活函数。
在本发明实施例中,在出汗液检测过程中,试纸在吸收进行变色反应时也会受到环境温度、湿度的影响,且在滴入汗液的过程中局部的滴入量存在差异(模拟人体在出汗过程中局部存在差异,且试纸每个区域与人体贴合度不同的情况),因此,将温度Ti、湿度Hi、区域数mi作为神经网络的输入充分考虑了环境因素和分段误差对出汗量检测的影响。
5)模型训练:以原始数据集S的温度Ti、湿度Hi、区域数mi为输入对基于BP神经网络误差预测模型的参数进行训练,获得训练好的误差预测模型,具体步骤为:
5-1)初始化BP神经网络的权重和偏执参数,所述权重参数均初始化为服从正态分布的[-1,1]之间的随机数,偏差均初始化为0;
5-2)设定损失函数loss为:
式中,y为样本的的真实误差ΔQi,y′为神经网络预测的ΔQ′i;
设置学习率为α,采用梯度下降法更新BP神经网络的权重和偏差,获得训练后的误差预测模型。
在本发明实施例中,设置梯度下降学习率α为0.01。
6)出汗量预测:将试纸贴设在测试者的待测部位,采集环境参数以及△t时间后试纸上形成的汗印图像X′,将汗印图像X′分为m′个区域并计算汗液采集总值Q′,将环境参数以及m′输入步骤5)中训练好的误差预测模型中计算误差△Q′,并计算测试者待测部位的出汗量和出汗率R,具体步骤为:
6-1)将试纸贴设在测试者的待测部位,采集环境温度T′、湿度H′以及△t时间后试纸上形成的汗印图像X′;
6-2)根据汗印图像X′,采用步骤2)的方法将汗印图像X′分为m′个区域,并采用步骤3)的方法计算m′个区域的汗液采集总值Q′;
6-3)将环境温度T′、湿度H′、区域数m′输入步骤5)中训练好的误差预测模型中计算误差△Q′;
6-4)对汗液采集总值Q′和校正误差△Q′求和得到测试者的待测部位的出汗量,并计算测试者的待测部位的出汗率R:
式中,a为贴设在测试者待测部位试纸有效部分的面积。
在本发明实施例中,通过对测试者出汗量的检测,能够对测试者的出汗体质及泌汗功能的强弱进行判断,通过测试者泌汗功能的强弱将其分为极易出汗体质,易出汗体质,不易出汗体质,极不易出汗体质,通过对其出汗体质的划分对其日常运动时的运动量、工作时的工作强度以及工作时长提供指导,并对其运动工作时的补水量提供指导。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于汗印成像的汗量检测方法,其特征在于,具体步骤如下:
1)数据采集:在不同温度Ti、湿度Hi环境下将不同量的汗液Qi滴入到试纸上,并采集汗液在试纸上形成的汗印图像Xi,获得原始数据集S;
2)图像分区:对步骤1)中采集的汗印图像Xi的色值进行识别,并计算色值极差Δxi,并根据色值极差Δxi将汗印图像Xi分为mi个区域;
3)误差计算:计算mi个区域的汗液采集总值Qi′,计算汗液采集总值Qi′与真实汗液值Qi之间的误差ΔQi;
4)构建模型:以温度Ti、湿度Hi、区域数mi为输入,以误差ΔQi为输出,构建基于BP神经网络的误差预测模型;
5)模型训练:以原始数据集S的温度Ti、湿度Hi、区域数mi为输入对基于BP神经网络误差预测模型的参数进行训练,获得训练好的误差预测模型;
6)出汗量预测:将试纸贴设在测试者的待测部位,采集环境参数以及Δt时间后试纸上形成的汗印图像X′,将汗印图像X′分为m′个区域并计算汗液采集总值Q′,将环境参数以及m′输入步骤5)中训练好的误差预测模型中计算误差ΔQ′,并计算测试者待测部位的出汗量和出汗率R;
步骤3)中误差计算的具体方法为:
分别计算mi个区域的汗液采集值,并对其求和获得汗液采集总值Qi′:
Qi′=(kx1′+b)a1+(kx′2+b)a2+,...,(kx′p+b)ap,...,+(kx′m+b)am(4)
式中,x′p为第p个区域色值的中值,ap为第p个区域的面积,k、b均为预设系数,(ky′p+b)ap为第p个区域的汗液采集值;
计算汗液采集总值Qi′与真实汗液值Qi之间的误差ΔQi:
ΔQi=Qi-Qi′(5)。
2.如权利要求1所述的一种基于汗印成像的汗量检测方法,其特征在于,步骤1)中数据采集的具体方法为:
1-1)设置若干组温度T、湿度H实验环境,在每组实验环境下将不同量的汗液Q滴入到不同的试纸上;
1-2)采集每个试纸的汗印图像X,所述试纸根据汗液量的不同呈现不同的颜色,且不同颜色对应不同的色值;
1-3)通过步骤1-1)、1-2)获得原始数据集S:
S={s1(T1,H1,Q1,X1),s2(T2,H2,Q2,X2),...,si(Ti,Hi,Qi,Xi),...,sn(Tn,Hn,Qn,Xn)} (1)
式中,si为第i次采的原始数据,n为最大采样次数。
4.如权利要求1所述的一种基于汗印成像的汗量检测方法,其特征在于,步骤4)中构建模型的具体方法为:
以温度Ti、湿度Hi、区域数mi为输入,以误差ΔQi为输出,构建基于BP神经网络的误差预测模型;
所述BP神经网络包括1个输入层、2个隐藏层、1个输出层,所述输入层包括3个输入,所述隐藏层均包括2个神经元,所述输出层包括1个输出,隐藏层采用sigmoid函数作为激活函数,输出层采用softmax作为激活函数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210991410.1A CN115153451B (zh) | 2022-08-18 | 2022-08-18 | 一种基于汗印成像的汗量检测方法 |
US18/451,822 US11992327B2 (en) | 2022-08-18 | 2023-08-17 | Methods for sweat volume detection based on sweat print imaging |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210991410.1A CN115153451B (zh) | 2022-08-18 | 2022-08-18 | 一种基于汗印成像的汗量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115153451A CN115153451A (zh) | 2022-10-11 |
CN115153451B true CN115153451B (zh) | 2023-03-21 |
Family
ID=83480345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210991410.1A Active CN115153451B (zh) | 2022-08-18 | 2022-08-18 | 一种基于汗印成像的汗量检测方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11992327B2 (zh) |
CN (1) | CN115153451B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020209449A1 (ko) * | 2019-04-08 | 2020-10-15 | 최용학 | 명도변화를 이용해 인체의 부위별 발한량을 측정하는 장치 및 발한량을 측정하는 방법 |
CN215837161U (zh) * | 2021-01-19 | 2022-02-18 | 绍兴禾素时代抗菌材料科技有限公司 | 一种抗菌亲肤内衣 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61198039A (ja) * | 1985-02-28 | 1986-09-02 | Fujitsu Ltd | 発汗センサ |
JP5298703B2 (ja) * | 2008-08-26 | 2013-09-25 | コニカミノルタ株式会社 | 発汗量測定方法 |
WO2016025468A2 (en) * | 2014-08-11 | 2016-02-18 | The Board Of Trustees Of The University Of Illinois | Devices and related methods for epidermal characterization of biofluids |
WO2017184705A1 (en) * | 2016-04-19 | 2017-10-26 | Mc10, Inc. | Method and system for measuring perspiration |
US10653342B2 (en) * | 2016-06-17 | 2020-05-19 | The Board Of Trustees Of The University Of Illinois | Soft, wearable microfluidic systems capable of capture, storage, and sensing of biofluids |
CN112218576A (zh) * | 2018-03-20 | 2021-01-12 | 海科·雷德特尔 | 用于采集和分析皮肤的图像的装置和方法 |
US11096607B2 (en) * | 2018-06-04 | 2021-08-24 | Ann And Robert H. Lurie Children's Hospital Of Chicago | Systems and methods for thermoregulatory sweat testing |
CN215375433U (zh) * | 2021-05-20 | 2021-12-31 | 重庆诺思达医疗器械有限公司 | 实时监测试纸变化以诊断糖尿病足周围神经病变的装置 |
-
2022
- 2022-08-18 CN CN202210991410.1A patent/CN115153451B/zh active Active
-
2023
- 2023-08-17 US US18/451,822 patent/US11992327B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020209449A1 (ko) * | 2019-04-08 | 2020-10-15 | 최용학 | 명도변화를 이용해 인체의 부위별 발한량을 측정하는 장치 및 발한량을 측정하는 방법 |
CN215837161U (zh) * | 2021-01-19 | 2022-02-18 | 绍兴禾素时代抗菌材料科技有限公司 | 一种抗菌亲肤内衣 |
Also Published As
Publication number | Publication date |
---|---|
US20240065611A1 (en) | 2024-02-29 |
CN115153451A (zh) | 2022-10-11 |
US11992327B2 (en) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106323374B (zh) | 一种基于示踪技术检测冰川消融的方法 | |
CN108537851B (zh) | 一种土壤湿度的探测方法及其应用 | |
CN109472004A (zh) | 气候变化和人类活动对水文干旱影响的综合评估方法、装置及系统 | |
DE3852059D1 (de) | Verfahren zur Ausarbeitung eines statistischen Modells für die Bestimmung der Arbeitslast eines Flugzeugpiloten, daraus resultierendes Modell, Einrichtung zur Durchführung dieses Verfahrens und Anwendungen des Modells. | |
Tan et al. | Modelling hourly and daily open‐water evaporation rates in areas with an equatorial climate | |
CN105841847B (zh) | 一种估算地表潜热通量的方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN113167738A (zh) | 用于确定体液的样品中分析物的浓度的方法和系统以及用于生成软件实现模块的方法和系统 | |
CN113310514A (zh) | 一种农作物生长状况检测方法、系统、装置及存储介质 | |
CN106446530A (zh) | 一种基于人体运动热生理的仿真风险评估方法及其系统 | |
CN115153451B (zh) | 一种基于汗印成像的汗量检测方法 | |
CN1844920B (zh) | 衣下空间微气候构成要素可调式模拟测试仪 | |
CN104816305B (zh) | 一种基于事件驱动机制的有限时间多机器人合作控制方法 | |
CN113392851B (zh) | 一种红茶发酵程度的智能判别方法及装置 | |
CN110706203A (zh) | 基于深度学习的头颅侧位片关键点自动侦测方法及系统 | |
CN108614803A (zh) | 一种气象数据质量控制方法及系统 | |
CN113988311B (zh) | 质量变量的预测方法、装置、终端及存储介质 | |
CN109858576A (zh) | 气体渐进式自反馈浓度熵变预测方法、系统及存储介质 | |
CN118130320A (zh) | 一种织物在穿着状态下的吸湿性能测试方法 | |
CN110160909A (zh) | 一种卤水蒸发速率的测定方法及系统 | |
CN105740211A (zh) | 一种基于蜂巢视频—温度采集系统的信息融合分析方法 | |
RU2392584C1 (ru) | Способ измерения кадастровой стоимости земельного участка | |
CN111879415B (zh) | 测温管理方法、装置及系统 | |
CN108596188A (zh) | 基于hog特征算子的视频目标检测方法 | |
CN111681753B (zh) | 一种基于支持向量机的康复运动模式识别及参数求解方法 |
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 |