CN115633939B - 一种基于红外图像获取代谢状态复合区域的方法 - Google Patents
一种基于红外图像获取代谢状态复合区域的方法 Download PDFInfo
- Publication number
- CN115633939B CN115633939B CN202211251559.2A CN202211251559A CN115633939B CN 115633939 B CN115633939 B CN 115633939B CN 202211251559 A CN202211251559 A CN 202211251559A CN 115633939 B CN115633939 B CN 115633939B
- Authority
- CN
- China
- Prior art keywords
- region
- temperature
- interest
- similarity
- infrared image
- 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
-
- 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
- Radiation Pyrometers (AREA)
Abstract
本发明提供了一种基于红外图像获取代谢状态复合区域的方法，通过多个相似度获取方式分别获取第一对象和第二对象在多个感兴趣区域组组成的多个区域组合下的所有温度组合之间的相似度，然后选取非稳定值最小的相似度获取方式获取的相似度最小即温度差异最大的区域组合对应的区域作为目标感兴趣区域，能够使得感兴趣区域的划分更准确。本发明得到的目标感兴趣区域能够使得在具体应用时例如基于人体红外图像对代谢综合征进行识别。
Description
技术领域
本发明涉及图像处理领域，特别是涉及一种基于红外图像获取代谢状态复合区域的方法。
背景技术
机体代谢紊乱主要是人体脏腑功能出现了异常。机体代谢紊乱的主体只有到了身体明显不适的时候才会被意识到，这将使得主体得不到及时针对性的健康修复方案。
医学领域研究得到，人体脏腑功能状态可通过感兴趣区域的体表温度来推测，尤其是体温波动较小的躯干部位的体表温度。红外热成像技术是一种通过红外热成像仪对体表温度的分布和数值进行扫描和测定的功能学影像技术，具有温度敏感性高、成像快且清晰、无创伤、绿色、无接触等优势特点，可以直观反映人体活力及代谢功能，从整体上全面动态地反映机体综合状况，在医学领域得到广泛应用。
因此，如果可通过红外热成像技术来对体表温度进行分析以找到导致身体不适的目标感兴趣区域是值得研究的课题。
发明内容
针对上述技术问题，本发明采用的技术方案为：
本发明实施例提供一种基于红外图像获取代谢状态复合区域的方法，所述方法包括：
S100，基于关于目标部位的m个感兴趣区域信息表以及N个第一对象和N个第二对象的目标部位的红外图像，分别获取关于第一对象的第一温度向量和关于第二对象的第二温度向量；其中，第k个感兴趣区域信息表的第i行包括(Nki，Gk，Rki)，Nki为第k个感兴趣区域信息表对应的感兴趣区域组Gk的第i个感兴趣区域的ID，i的取值为1到n(k)，n(k)为Gk中的感兴趣区域的数量；Rki＝(N1 ki，N2 ki，…，Nj ki，…，Nh(ki) ki)，Nj ki为Gk中与Nki在目标部位的位置上存在关联关系的第j个感兴趣区域的ID，j的取值为1到h(ki)，h(ki)为与Nki存在关联关系的感兴趣区域的数量；
S200，基于H个设定的相似度获取方式分别获取第一温度向量和第二温度向量之间的相似度，得到相似度集D12＝(D1 12，D2 12，…，DH 12)，Dx 12为通过第x种相似度获取方式获取的第一温度向量和第二温度向量之间的相似度，x的取值为1到H；
S300，基于m个感兴趣区域信息表，获取m个区域组集，其中，第k个区域组集Ck＝(Ck1， Ck2，…，Cki，…，Ckn(k)),Cki＝(Cki-2，Cki-3，…，Cki-u，…，Cki-h(ki))，Cki-u为从感兴趣区域Nki和与Nki存在关联关系的感兴趣区域形成的区域组合中任取u个感兴趣区域得到的区域组合和 Gk中除该区域组合之外的感兴趣区域的构成的区域组；u的取值为2到h(ki)；
S400，基于m个区域组集获取A个关于第一对象的第一组合温度向量和A个关于第二对象的第二组合温度向量；
S500，基于H个设定的相似度获取方式分别获取组合温度相似度集组D12 C＝(DC2 12，DC2 12，…， DCx 12，…，DCH 12)，DCx 12为通过第x个相似度获取方式获取的组合温度相似度集；
S600，获取min(DT 12，D12 CT)对应的区域作为目标感兴趣区域，其中，DT 12为目标相似度方法获取的第一温度向量和第二温度向量之间的相似度，D12 CT为通过目标相似度获取方式获取的组合温度相似度集；目标相似度获取方式为H个设定相似度获取方式中的具有最小非稳定值的相似度获取方式。
本发明至少具有以下有益效果：
本发明实施例提供的基于红外图像获取代谢状态复合区域的方法，通过多个相似度获取方式分别获取第一对象和第二对象在多个感兴趣区域组组成的多个区域组合下的所有温度组合之间的相似度，然后选取非稳定值最小的相似度获取方式获取的相似度中的相似度最小即温度差异最大的区域组合对应的区域作为目标感兴趣区域，能够使得感兴趣区域的划分更准确。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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基于红外图像获取代谢状态复合区域的方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域技术人员在没有作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。
本发明实施例提供一种基于红外图像获取代谢状态复合区域的方法，所述方法可包括：
S100，基于关于目标部位的m个感兴趣区域信息表以及N个第一对象和N个第二对象的目标部位的红外图像，分别获取关于第一对象的第一温度向量和关于第二对象的第二温度向量。其中，第k个感兴趣区域信息表的第i行包括(Nki，Gk，Rki)，Nki为第k个感兴趣区域信息表对应的感兴趣区域组Gk的第i个感兴趣区域的ID，ID可为，例如名称，i的取值为1 到n(k)，n(k)为Gk中的感兴趣区域的数量；Rki＝(N1 ki，N2 ki，…，Nj ki，…，Nh(ki) ki)，Nj ki为Gk中与Nki在目标部位的位置上存在关联关系的第j个感兴趣区域的ID，j的取值为1到h (ki)，h(ki)为与Nki存在关联关系的感兴趣区域的数量。
在本发明实施例中，目标部位可人体上的部位，可基于实际需要确定，例如，可为面部、躯干部位、四肢部位等。在一个示意性实施例中，目标部位可包括人体的正面躯干和背面躯干。感兴趣区域和感兴趣区域的数量可基于实际需要进行设置。在一个示意性实施例中，感兴趣区域可为人体的脏腑功能反射区域。正面躯干和背面躯干的感兴趣区域可基于参考文献 (李洪娟,孙涛,相乐康,王雨婷.基于正常人人体中医红外成像特征的研究[J].世界中西医结合杂志,2021,16(01):88-91.)进行划分。具体地，正面躯干的感兴趣区域可包括胸膺、虚里、右胸、左胁、右胁、胃脘、大腹、小腹、左少腹、右少腹和任脉等11个感兴趣区域，背面躯干可包括左腰、右腰和督脉等3个感兴趣区域。
在本发明实施例中，感兴趣区域组为位于同一设定区域内的感兴趣区域组成。每个感兴趣区域组的优先级可基于实际情况进行确定。
在本发明实施例中，与每个感兴趣区域存在关联关系的感兴趣区域是指在位置上与该感兴趣区域相邻接，具体可基于实际情况进行确定。
进一步地，S100具体可包括：
S101，获取N个第一对象以及N个第二对象的目标部位的红外图像。
在本发明实施例中，第一对象为健康的正常人，即身体健康，无器质性疾病及慢性疾病，或1年内体检提示身体健康者的人群。第二对象可为具有某些疾病的人，在一个具体应用场景中，第二对象可为具有代谢综合征的人。N可基于实际需要进行确定，最少单位可为百人，即最少可为100人。
在本发明实施例中，红外图像可采用现有的图像采集设备进行获取，例如，可采用长沙观谱红外科技有限公司生产的HB-P1-A型号红外热成像柜机作为红外热像图采集器，外接由北京鹰之眼智能健康科技有限公司提供的CIA及HIS采图系统获取。在本发明实施例中，红外图像可为待采集红外图像的对象在具有设定温度和设定湿度的密闭空间内静息设定时间后，按照图像采集设备中呈现的动作画面进行相应的操作所获取的红外图像。具体地，在本发明实施例中，设定温度可为20-24℃，设定湿度可为60％～70％，设定时间可为10～20min。红外图像为在对象暴露身体的状态下获取的图像。
在本发明实施例中，在第二对象为具有代谢综合征的人的情况下，m可等于2～5，优选，可为5，即可包括5个感兴趣区域信息表。本发明的发明人通过实验研究发现，对于具有代谢综合征的人，具有第一优先级的感兴趣区域组可包括大腹、胃脘、左胁、右胁，具有第二优先级的感兴趣区域组可包括左腰和右腰，具有第三优先级的感兴趣区域组可包括胸膺、虚里、右胸，具有第四优先级的感兴趣区域组可包括小腹、左少腹、右少腹，具有第五优先级的感兴趣区域组可包括任脉和督脉。
S102，基于m个感兴趣区域信息表，分别在任一红外图像中标识出与m个感兴趣区域信息表中的感兴趣区域相对应的感兴趣区域。在本发明实施例中，可基于现有的图像标注工具进行标注，例如，北京鹰之眼智能健康科技有限公司提供的专业标注工具。
S103，基于标识后的红外图像分别获取第一温度向量(T11，T12，…，T1k，…，T1m)和第二温度向量(T21，T22，…，T2k，…，T2m)；T1k＝(T1k1，T1k2，…，T1ki，…，T1kn(k))。在本发明的一示例中，
t1r ki为N个第一对象中的第r个第一对象对应的红外图像中的感兴趣区域Nki的温度；T2k＝(T2k1，T2k2，…，T2ki，…，T2kn(k))，/>
t2s ki为N个第二对象中的第s个第二对象对应的红外图像中的感兴趣区域Nki的温度。
在本发明实施例中，每个感兴趣区域的温度可为红外图像中该区域中的所有像素点的温度值的平均值，可基于现有方式获取得到。
通过N个对象的感兴趣区域的温度的平均值作为感兴趣区域的温度，能够提高计算准确性。
在另一个示例中，第k个感兴趣区域信息表的第i行还包括Pk和wk，Pk为Gk的优先级，其中，P1＞P2＞…＞Pk…＞Pm，wk为Pk对应的权重，取值为大于0但小于等于1的系数。每个优先级的权重可基于实际情况进行确定，具体可基于实际情况确定，例如，各权重可按照等比或者等差的方式进行设置，其中，w1＝1。
在该示例中，
被替换为：
在本示例中，每个感兴趣区域的温度与对应的感兴趣区域组的权重相关联，与前述实施例相比，能够使得计算的温度更加准确。
S200，基于H个设定的相似度获取方式分别获取第一温度向量和第二温度向量之间的相似度，得到相似度集D12＝(D1 12，D2 12，…，DH 12)，Dx 12为通过第x种相似度获取方式获取的第一温度向量和第二温度向量之间的相似度，x的取值为1到H。
在本发明实施例中，H个设定的相似度获取方式可为现有的能够计算两个向量之间相似度的算法，例如，余弦距离、马氏距离、欧式距离、海明距离等，但并不局限于此。H的具体数值可基于实际需要进行设置，优选，H＞3。
S300，基于m个感兴趣区域信息表，获取m个区域组集，其中，第k个区域组集Ck＝(Ck1， Ck2，…，Cki，…，Ckn(k)),Cki＝(Cki-2，Cki-3，…，Cki-u，…，Cki-h(ki))，Cki-u为从感兴趣区域Nki和与Nki存在关联关系的感兴趣区域形成的区域组合中任取u个感兴趣区域得到的区域组合和 Gk中除该区域组合之外的感兴趣区域的构成的区域组；u的取值为2到h(ki)。
本领域技术人员知晓，可基于现有的排列组合方法获取Cki-u。在一个具体示例中，以包括大腹、胃脘、左胁、右胁的感兴趣区域组为例，各感兴趣区域存在关联关系的感兴趣区域和形成的组合可如下表1所示：
表1
| 感兴趣区域 | 存在关联关系的感兴趣区域 | 区域组合 |
| 大腹 | 胃脘、左胁、右胁 | 大腹、胃脘、左胁、右胁 |
| 胃脘 | 大腹、左胁、右胁 | 大腹、胃脘、左胁、右胁 |
| 左胁 | 大腹、胃脘 | 大腹、胃脘、左胁 |
| 右胁 | 大腹、胃脘 | 大腹、胃脘、右胁 |
这样，基于与大腹相关的区域组合，可获得如下区域组合：
区域组合1：(大腹、胃脘)、左胁、右胁；
区域组合2：(大腹、左胁)、胃脘、右胁；
区域组合3：(大腹、右胁)、胃脘、左胁；
区域组合4：(大腹、胃脘、左胁)、右胁；
区域组合5：(大腹、胃脘、右胁)、左胁；
区域组合6：(大腹、左胁、右胁)、胃脘；
区域组合7：(大腹、左胁、右胁、胃脘)。
在上述各区域组合中，()表示()中的区域可合并为一个区域。
S400，基于m个区域组集获取A个关于第一对象的第一组合温度向量和A个关于第二对象的第二组合温度向量。
进一步地，S400可具体包括：
S401，基于m个区域组集获取A个区域组合，A个区域组合中的任一区域组均包括任一区域组集中的任一区域组中的任一区域组合。
本领域技术人员知晓，基于m个区域组集获取A个区域组合可基于现有的排列组合方法实现。
S402，基于A个区域组合，获取A个第一组合温度向量和第二组合温度向量。
在本发明一示例中，第v个第一组合温度向量中的第b个温度为
为N个第一对象中的第r个第一对象对应的红外图像中与第v个区域组合中第b个区域对应的区域的温度；第v个第二组合温度向量中的第b个温度为/>
为N个第二对象中的第 s个第二对象对应的红外图像中与第v个区域组合中第b个区域对应的区域的温度；b的取值为1到g(v)，g(v)为第v个区域组合中的区域数量。
在本发明另一示例中，第v个第一组合温度向量中的第b个温度为
第v 个第二组合温度向量中的第b个温度为/>
wvb为第v个区域组合中第b个区域对应的优先级对应的权重。
在本示例中，每个感兴趣区域的温度与对应的感兴趣区域组的权重相关联，与前述实施例相比，能够使得计算的温度更加准确。
S500，基于H个设定的相似度获取方式分别获取组合温度相似度集组D12 C＝(DC2 12，DC2 12，…， DCx 12，…，DCH 12)，DCx 12为通过第x个相似度获取方式获取的组合温度相似度集。
其中，DCx 12＝(DCx 12-1，DCx 12-2，…，DCx 12-v，…，DCx 12-A)，DCx 12-v为通过第x个相似度获取方式获取的第v个第一组合温度向量和第二组合温度向量之间的相似度。
该步骤中的相似度计算可与S200类似。
S600，获取min(DT 12，D12 CT)对应的区域作为目标感兴趣区域，其中，DT 12为目标相似度方法获取的第一温度向量和第二温度向量之间的相似度，D12 CT为通过目标相似度获取方式获取的组合温度相似度集；目标相似度获取方式为H个设定相似度获取方式中的具有最小非稳定值的相似度获取方式。
进一步地，目标相似度获取方式可通过如下方式获取：
基于D12和D12 C分别获取H个非稳定值，并获取H个非稳定值中的最小者对应的相似度获取方式作为目标相似度获取方式。
在本发明实施例中，第x个相似度获取方式的非稳定值εx＝[(Dx1-Dx)2+(Dx2-Dx)2+…+ (Dxe-Dx)2+…+(Dxf(x)-Dx)2]/f(x)，其中，Dxe为通过第x个相似度获取方式获取的相似度， Dxe∈Dx 12∪DCx 12-v，Dx＝Avg(Dxe)，f(x)为通过第x个相似度获取方式获取的相似度的数量，通过前述内可知，f(x)＝A+1。
本发明实施例中，通过计算每个相似度获取方式计算的相似度的非稳定值，从中选取非稳定值最小的相似度获取方式作为目标相似度获取方式，能够使得计算的相似度更加准确。
本领域技术人员知晓，如果H个非稳定值中的最小者不唯一即为多个，则可根据实际需要任意选择一个即可。
本发明实施例提供的基于红外图像获取代谢状态复合区域的方法，通过多个相似度获取方式分别获取第一对象和第二对象在多个感兴趣区域组组成的多个区域组合下的所有温度组合之间的相似度，然后选取非稳定值最小的相似度获取方式获取的相似度中的相似度最小即温度差异最大的区域组合对应的区域作为目标感兴趣区域，能够使得感兴趣区域的划分更准确。
在一个具体应用场景中，例如，在第二对象为代谢综合征的情况下，本发明实施例确定的目标感兴趣区域的温度可用作判定对象是否具有代谢综合征，即可通过红外图像来对代谢综合征进行识别。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明公开的范围由所附权利要求来限定。
Claims (10)
1.一种基于红外图像获取代谢状态复合区域的方法，其特征在于，所述方法包括：
S100，基于关于目标部位的m个感兴趣区域信息表以及N个第一对象和N个第二对象的目标部位的红外图像，分别获取关于第一对象的第一温度向量和关于第二对象的第二温度向量；其中，第k个感兴趣区域信息表的第i行包括(Nki，Gk，Rki)，Nki为第k个感兴趣区域信息表对应的感兴趣区域组Gk的第i个感兴趣区域的ID，i的取值为1到n(k)，n(k)为Gk中的感兴趣区域的数量；Rki＝(N1 ki，N2 ki，…，Nj ki，…，Nh(ki) ki)，Nj ki为Gk中与Nki在目标部位的位置上存在关联关系的第j个感兴趣区域的ID，j的取值为1到h(ki)，h(ki)为与Nki存在关联关系的感兴趣区域的数量；
S200，基于H个设定的相似度获取方式分别获取第一温度向量和第二温度向量之间的相似度，得到相似度集D12＝(D1 12，D2 12，…，DH 12)，Dx 12为通过第x种相似度获取方式获取到的第一温度向量和第二温度向量之间的相似度，x的取值为1到H；
S300，基于m个感兴趣区域信息表，获取m个区域组集，其中，第k个区域组集Ck＝(Ck1，Ck2，…，Cki，…，Ckn(k)),Cki＝(Cki-2，Cki-3，…，Cki-u，…，Cki-h(ki))，Cki-u为从感兴趣区域Nki和与Nki存在关联关系的感兴趣区域形成的区域组合中任取u个感兴趣区域得到的区域组合和Gk中除该区域组合之外的感兴趣区域的构成的区域组；u的取值为2到h(ki)；
S400，基于m个区域组集获取A个关于第一对象的第一组合温度向量和A个关于第二对象的第二组合温度向量；
S500，基于H个设定的相似度获取方式分别获取组合温度相似度集组D12 C＝(DC1 12，DC2 12，…，DCx 12，…，DCH 12)，DCx 12为通过第x个相似度获取方式获取的组合温度相似度集；
S600，获取min(DT 12，D12 CT)对应的区域作为目标感兴趣区域，其中，DT 12为目标相似度方式获取的第一温度向量和第二温度向量之间的相似度，D12 CT为通过目标相似度获取方式获取到的组合温度相似度集，目标相似度获取方式为H个设定相似度获取方式中具有最小非稳定值的相似度获取方式。
2.根据权利要求1所述的方法，其特征在于，第k个感兴趣区域信息表的第i行还包括Pk和wk，Pk为Gk的优先级，wk为Pk对应的权重，其中，P1＞P2＞…＞Pk…＞Pm。
3.根据权利要求2所述的方法，其特征在于，第一温度向量为(T11，T12，…，T1k，…，T1m)，第二温度向量为(T21，T22，…，T2k，…，T2m)；其中，T1k＝(T1k1，T1k2，…，T1ki，…，T1kn(k))，
t1r ki为N个第一对象中的第r个第一对象对应的红外图像中的感兴趣区域Nki的温度；T2k＝(T2k1，T2k2，…，T2ki，…，T2kn(k))，/>
t2s ki为N个第二对象中的第s个第二对象对应的红外图像中的感兴趣区域Nki的温度。
4.根据权利要求3所述的方法，其特征在于，
被替换为：
5.根据权利要求3所述的方法，其特征在于，在S400中，第v个第一组合温度向量中的第b个温度为
为N个第一对象中的第r个第一对象对应的红外图像中与第v个区域组合中第b个区域对应的区域的温度；第v个第二组合温度向量中的第b个温度为
为N个第二对象中的第s个第二对象对应的红外图像中与第v个区域组合中第b个区域对应的区域的温度；b的取值为1到g(v)，g(v)为第v个区域组合中的区域数量。
6.根据权利要求4所述的方法，其特征在于，在S400中，
第v个第一组合温度向量中的第b个温度为
为N个第一对象中的第r个第一对象对应的红外图像中与第v个区域组合中第b个区域对应的区域的温度，wvb为第v个区域组合中第b个区域对应的优先级对应的权重；第v个第二组合温度向量中的第b个温度为/>
为N个第二对象中的第s个第二对象对应的红外图像中与第v个区域组合中第b个区域对应的区域的温度；b的取值为1到g(v)，g(v)为第v个区域组合中的区域数量。
7.根据权利要求1至6任一项所述的方法，其特征在于，其中，DCx 12＝(DCx 12-1，DCx 12-2，…，DCx 12-v，…，DCx 12-A)，DCx 12-v为通过第x个相似度获取方式获取的第v个第一组合温度向量和第二组合温度向量之间的相似度；
在S600中，第x个相似度获取方式的非稳定值εx＝[(Dx1-Dx)2+(Dx2-Dx)2+…+(Dxe-Dx)2+…+(Dxf(x)-Dx)2]/f(x，其中，Dxe为通过第x个相似度获取方式获取的相似度集Sx中的第e个相似度，Sx＝Dx 12∪DCx 12-v，Dx＝Avg(Dxe)，e的取值为1到f(x)，f(x)A+1。
8.根据权利要求1所述的方法，其特征在于，目标部位包括人体的正面躯干和背面躯干。
9.根据权利要求8所述的方法，其特征在于，所述感兴趣区域为人体的脏腑功能反射区域。
10.根据权利要求1所述的方法，其特征在于，所述红外图像为待采集红外图像的对象在具有设定温度和设定湿度的密闭空间内静息设定时间后，按照图像采集设备中呈现的动作画面进行相应的操作所获取的红外图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211251559.2A CN115633939B (zh) | 2022-10-13 | 2022-10-13 | 一种基于红外图像获取代谢状态复合区域的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211251559.2A CN115633939B (zh) | 2022-10-13 | 2022-10-13 | 一种基于红外图像获取代谢状态复合区域的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115633939A CN115633939A (zh) | 2023-01-24 |
| CN115633939B true CN115633939B (zh) | 2023-06-13 |
Family
ID=84944529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211251559.2A Active CN115633939B (zh) | 2022-10-13 | 2022-10-13 | 一种基于红外图像获取代谢状态复合区域的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115633939B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116313057B (zh) * | 2023-03-23 | 2023-09-08 | 北京鹰之眼智能健康科技有限公司 | 基于红外图像的异常区域检测系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010194005A (ja) * | 2009-02-24 | 2010-09-09 | Seikei Gakuen | 呼吸計測方法及び呼吸計測装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102429838B1 (ko) * | 2016-03-11 | 2022-08-05 | (주)아모레퍼시픽 | 피부결 블랍을 기초로한 피부결 평가 장치 및 그 방법 |
| JP7138869B2 (ja) * | 2019-06-19 | 2022-09-20 | 国立大学法人信州大学 | 特徴量抽出装置、特徴量抽出方法、識別装置、識別方法及びプログラム |
| CN113758576B (zh) * | 2021-09-08 | 2023-06-13 | 北京鹰之眼智能健康科技有限公司 | 医用人体红外检测设备、热像图处理方法、装置及介质 |
| CN114334151A (zh) * | 2021-12-30 | 2022-04-12 | 北京鹰之眼智能健康科技有限公司 | 基于头部图像对人体健康状态进行评估的方法和装置 |
| CN114882235A (zh) * | 2022-05-12 | 2022-08-09 | 北京中星时代科技有限公司 | 基于图像数据特征的红外图像目标自动识别系统及方法 |
| CN115170792B (zh) * | 2022-09-07 | 2023-01-10 | 烟台艾睿光电科技有限公司 | 红外图像处理方法、装置及设备、存储介质 |
-
2022
- 2022-10-13 CN CN202211251559.2A patent/CN115633939B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010194005A (ja) * | 2009-02-24 | 2010-09-09 | Seikei Gakuen | 呼吸計測方法及び呼吸計測装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115633939A (zh) | 2023-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8811692B2 (en) | System and method for using three dimensional infrared imaging for libraries of standardized medical imagery | |
| Fu’Adah et al. | Automated classification of Alzheimer’s disease based on MRI image processing using convolutional neural network (CNN) with AlexNet architecture | |
| CN115633939B (zh) | 一种基于红外图像获取代谢状态复合区域的方法 | |
| Giuberti et al. | Automatic UPDRS evaluation in the sit-to-stand task of Parkinsonians: Kinematic analysis and comparative outlook on the leg agility task | |
| CN115393578B (zh) | 一种获取代谢状态的复合区域数据处理系统 | |
| Silva et al. | Thermal signal analysis for breast cancer risk verification | |
| CN113962930B (zh) | 阿尔茨海默病风险评估模型建立方法和电子设备 | |
| CN110766735A (zh) | 一种图像的匹配方法、装置、设备及存储介质 | |
| CN115497123B (zh) | 感兴趣区域状态参数获取方法 | |
| JP2005065728A (ja) | 類似画像検索装置 | |
| WO2015052609A1 (en) | An apparatus and method for evaluating multichannel ecg signals | |
| Shen et al. | Multiple empirical kernel mapping based broad learning system for classification of Parkinson’s disease with transcranial sonography | |
| Ko et al. | Predicting sarcopenia of female elderly from physical activity performance measurement using machine learning classifiers | |
| Narin et al. | Effect of different batch size parameters on predicting of COVID19 cases | |
| Lachinov et al. | Learning spatio-temporal model of disease progression with neuralodes from longitudinal volumetric data | |
| Kim et al. | Patient identification based on physical rehabilitation movements using skeleton data | |
| Liu et al. | A novel body posture recognition system on bed | |
| Kampel et al. | Automated Timed Up & Go Test for functional decline assessment of older adults | |
| Pröll et al. | Heart rate estimation from ballistocardiographic signals using deep learning | |
| Wang et al. | Alzheimer's Disease Brain Network Classification Using Improved Transfer Feature Learning with Joint Distribution Adaptation | |
| CN113271848B (zh) | 身体健康状态影像分析装置、方法以及系统 | |
| Warnecke et al. | Registered report protocol: Developing an artifact index for capacitive electrocardiography signals acquired with an armchair | |
| Bieder et al. | Position Regression for Unsupervised Anomaly Detection | |
| Liu et al. | A study on sleep position recognition of body pressure image based on KPCA and SVM | |
| Krishnan et al. | Non–Clinical Pain Assessment System–A Pilot Study |
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 |