基于舌面象与脉诊信息的中医脑病智能辨证与推荐方法与流程
本技术属于医疗信息处理,具体是基于舌面象与脉诊信息的中医脑病智能辨证与推荐方法。
背景技术:
1、基于舌面象与脉诊信息的中医脑病智能辨证与推荐方法,是指利用人工智能、计算机视觉及信号处理技术,对中医诊断脑病核心的舌象及脉象进行数字化采集、特征量化与多模态融合分析,进而构建智能算法模型以辅助临床进行证候判别与诊疗方案推荐的技术体系,能够将传统中医依赖医师主观经验的望闻问切转化为客观、可量化的数据标准,解决了中医脑病诊疗中辨证难、传承难的痛点,实现了从定性描述到定量分析的跨越。它不仅为中风、痴呆等复杂脑病的早期筛查与精准分型提供了客观依据,提升了基层医疗的诊疗一致性,还通过智能化手段推动了中医脑病诊疗的标准化与现代化,对于优化医疗资源配置、实现脑病全周期的智慧化管理具有极高的临床应用价值与社会效益。
2、现有技术由于缺乏针对中医脑病的动态舌脉合参及分期推理机制,使得辨证脱离脑病动静分期的临床特点,导致诊疗方案客观性差、与病程阶段适配度低;因此,对于中医脑病智能辨证与推荐方法仍需进一步的改进。
技术实现思路
1、本技术旨在至少解决现有技术中存在的技术问题之一;为此,本技术提出了基于舌面象与脉诊信息的中医脑病智能辨证与推荐方法,用于解决现有技术由于缺乏针对中医脑病的动态舌脉合参及分期推理机制,使得辨证脱离脑病动静分期的临床特点,导致诊疗方案客观性差、与病程阶段适配度低的技术问题。
2、为实现上述目的,本技术的第一方面提供了基于舌面象与脉诊信息的中医脑病智能辨证与推荐方法,包括:
3、获取用户多模态数据;所述用户多模态数据包括舌面象视频流数据、三维脉诊压力阵列数据和基础体征数据;
4、对用户多模态数据进行数据处理和特征提取构建舌脉联合特征向量;
5、基于舌脉联合特征向量进行脑病证型推理生成脑病证型分类结果和病因病位概率分布;
6、基于脑病证型分类结果和病因病位概率分布进行个性化方案推荐生成个性化干预推荐结果。
7、本技术首先采集用户多模态数据,提取舌体动态震颤、脉位深度等动态特征并融合构建舌脉联合特征向量,实现契合脑病特点的舌脉动态合参;基于脑病专属知识图谱开展多跳推理,输出脑病证型分类结果和病因病位概率分布,贴合脑病复杂病机;最后将病程阶段纳入强化学习状态空间生成个性化干预推荐结果,使诊疗结果精准适配急性期、恢复期等不同病程阶段,提升了中医脑病辨证的客观性及方案与病程的适配度。
8、进一步的,所述对用户多模态数据进行数据处理和特征提取构建舌脉联合特征向量,包括:
9、提取用户多模态数据中的舌面象视频流数据和三维脉诊压力阵列数据;
10、利用retinex理论分解舌面象视频流数据中的若干视频帧图像得到反射分量;
11、采用stm算法对若干视频帧图像进行处理得到二值掩码;
12、将若干相同的视频帧图像对应的反射分量和二值掩码进行逐元素惩罚得到标准化舌体序列;
13、基于标准化舌体序列生成舌体动态纹理张量和舌态几何特征向量;
14、对三维压力阵列数据进行时序特征提取得到脉诊多维特征张量;
15、构建异构图;所述异构图的节点包括舌节点和脉节点;
16、将舌体动态纹理张量的空间特征展平为舌节点特征向量;
17、将脉诊多维特征张量的特征向量作为脉节点特征向量;
18、计算舌节点和脉节点之间的注意力系数,并利用所述注意力系数对邻居节点进行加权聚合得到聚合节点向量;
19、将若干聚合节点向量进行特征拼接得到舌脉联合特征向量。
20、进一步的,所述基于标准化舌体序列生成舌体动态纹理张量和舌态几何特征向量,包括:
21、提取标准化舌体序列;
22、将标准化舌体序列输入至3d-cnn模型得到运动特征图;
23、计算标准化舌体序列中相邻帧之间的相位一致性,并对相邻帧的相位一致性计算时间差分;
24、通过频域滤波增强高频分量得到微震颤能量图;所述微震颤能量图,满足:
25、;
26、其中,为傅里叶变换;表示为时间差分;表示为高通滤波器;表示为频率;
27、将运动特征图和微震颤能量图在通道维度进行拼接,通过卷积层进行融合得到舌体动态纹理张量;
28、计算舌体边缘点沿法线方向的移动速度;所述移动速度,满足:
29、;
30、其中,表示为边界弧长参数;表示为时间编号;表示为粘性系数;表示为曲率;
31、对所述移动速度进行时间维度的傅里叶变换,并沿空间维度进行统计池化操作得到舌态几何特征向量;所述统计池化包括最大值或方差。
32、进一步的,所述对三维压力阵列数据进行时序特征提取得到脉诊多维特征张量,包括:
33、提取三维压力阵列数据;
34、采用emd方法将三维压力阵列数据分解为若干本征模函数;
35、计算脉动压力张量;所述脉动压力张量满足:
36、;
37、其中,表示为三维压力阵列数据中的空间坐标,表示为时间编号;表示为三维压力阵列数据中原始脉诊信号;表示为本征模函数对应的编号;表示为本征模函数的集合;
38、对脉动压力张量进行连续小波变换生成时频系数矩阵;所述时频系数矩阵满足:
39、;
40、其中,表示为尺度因子,表示为平移因子,表示为母小波复共轭;
41、通过时频系数矩阵提取脉位深度、脉力强度和脉率周期;
42、将时频系数矩阵、脉位深度、脉力强度和脉率周期映射至空间网格中构建脉诊多维特征张量;所述脉诊多维特征张量满足:
43、;
44、其中,表示为脉位深度;表示为脉力强度;表示为脉率周期;表示为取算术平均值操作;表示为取方差操作。
45、本技术针对舌面象视频流数据,先通过光照校正和动态分割得到标准化舌体序列,一方面借助三维卷积捕捉舌体宏观伸缩、偏斜等运动特征,另一方面通过相位一致性差分与频域滤波提取肉眼难以识别的微震颤信号,同时结合舌体边缘曲率变化量化舌体强硬、痿软等几何特征;针对三维脉诊压力阵列数据,先通过信号分解滤除呼吸、肌电等噪声干扰,再通过连续小波变换将尺度因子与脉位深浅建立物理映射,同步提取脉力强度、脉率周期等多维参数构建脉诊特征张量;之后将两类特征分别作为异构图中的舌节点和脉节点,通过注意力机制学习舌尖、舌根等舌象分区与寸、关、尺等脉诊部位的病理关联,加权聚合后融合得到舌脉联合特征向量,既能精准捕捉脑病特有的舌颤、脉位浮动等动态病理信息,又能实现舌脉特征的深度互证,相比传统静态单模态分析,特征与脑病病机的契合度大幅提升,为后续辨证推理提供了可靠的量化依据。
46、进一步的,所述基于舌脉联合特征向量进行脑病证型推理生成脑病证型分类结果和病因病位概率分布,包括:
47、获取脑病知识图谱和舌脉联合特征向量;所述脑病知识图谱包括若干实体以及实体之间的关系;
48、将舌脉联合特征向量作为观测实体注入脑病知识图谱中得到增强型知识图谱;
49、通过关系图注意力网络对增强型知识图谱中的若干实体进行多跳信息融合得到高级语义特征;
50、将若干实体对应的高级语义特征通过mlp结合softmax函数输出若干实体对应的概率分布;所述概率分布包括脑病证型初始概率和病因病位概率分布;
51、将脑病证型初始概率和病因病位初始概率采用门控机制进行融合生成脑病证型分类结果;
52、所述脑病证型分类结果,满足:
53、;
54、其中,表示为融合权重向量;表示为脑病证型初始概率;表示为病因病位初始概率;表示为逐元素相乘;
55、所述融合权重向量,满足:
56、;
57、其中,表示为可学习的门控权重矩阵;表示为向量拼接操作;表示为sigmoid函数。
58、进一步的,所述关系图注意力网络由层注意力网络组成;其中,>0;
59、第层注意力网络的输出结果满足:
60、;
61、其中,表示为注意力网络层对应的编号;m表示为实体对应的编号;表示为实体对应的自身权重矩阵;表示为实体在第层的输出结果;表示为实体在第层的聚合中间向量;表示为层归一化操作;
62、所述聚合中间向量满足:
63、;
64、其中,表示为实体的邻居实体集合中的邻居实体编号;表示为归一化注意力权重;表示为邻居实体n经过投影后的特征向量;
65、所述经过投影后的特征向量满足:
66、;
67、其中,表示为邻居实体在第层的输出结果;表示为在实体和实体之间的关系下的权重矩阵;
68、所述归一化注意力权重满足:
69、;
70、其中,表示为原始注意力分数;表示为归一化指数函数;
71、所述原始注意力分数满足:
72、;
73、其中,表示为带泄露修正线性单元激活函数;表示为注意力网络的可学习参数向量,表示为转置符号;表示为关系的嵌入向量;表示为查询对应的投影矩阵。
74、本技术依托脑病知识图谱,将舌脉联合特征向量作为动态观测节点嵌入图谱,利用关系感知的图注意力网络沿症状、病机、病位和证型的路径进行多跳推理,使模型能捕捉深层医学逻辑;同时通过门控单元自适应融合证型概率与病因病位概率,根据二者置信度动态分配决策权重,避免单一概率偏差,突破了传统模型仅依赖数据映射的局限,增强了辨证过程的可解释性,且双概率融合机制有效降低了复杂脑病误诊率,使推理结果更贴合名老中医的临床思维。
75、进一步的,所述基于脑病证型分类结果和病因病位概率分布进行个性化方案推荐生成个性化干预推荐结果,包括:
76、提取脑病证型分类结果和病因病位概率分布;
77、获取基础体征数据中的病程阶段和患者画像;
78、构建状态空间;所述状态空间是指将脑病证型分类结果对应的嵌入向量、病因病位概率分布、病程阶段和患者画像进行特征拼接进行构建;
79、构建动作空间;所述动作空间包括中药动作和针灸动作;所述中药动作包括药索引、药剂量和执行动作;所述针灸动作包括穴索引和补泄标记;
80、构建强化学习模型;所述强化学习模型包括策略网络、q网络和奖励函数;
81、将状态空间通过强化学习模型中的策略网络得到中药动作和针灸动作;
82、根据脑病证型分类结果和病因病位概率分布提取标准底方和标准主穴;
83、将中药动作作用在标准底方中获得中药方案;
84、将针灸动作作用在标准主穴中获得针灸方案;
85、基于中药方案和针灸方案生成个性化干预推荐结果。
86、进一步的,所述策略网络,满足:
87、;
88、其中,表示为策略网络,表示为策略网络可学习参数;和表示为独立mlp,分别解码药和穴;表示为离散分布,用于输出执行动作或补泄标记的概率;表示为状态空间;表示为高斯分布,用于输出药索引对应的药剂量;和分别表示为药索引和穴索引的集合;表示为动作空间。
89、进一步的,所述q网络,满足:
90、;
91、其中,表示为q网络;和分别表示为中药动作和针灸动作;是指将中药动作编码为药向量;是指将针灸动作编码为穴向量;表示为向量拼接;表示为q网络采用的mlp。
92、进一步的,所述奖励函数,满足:
93、;
94、其中,表示为奖励函数;表示为时间步编号;表示为疗效逼近奖励,满足:
95、;
96、其中,是指脑病证型分类结果对应的标准底方的嵌入向量;表示为指示函数;表示为配伍禁忌罚项,满足:
97、;
98、其中,表示为禁忌库里的药对集合;表示为禁忌等级权重;表示为指示函数;表示为策略熵奖赏,通过sac算法获得;和表示为lagrangian乘子。
99、本技术将辨证环节输出的脑病证型分类结果和病因病位概率分布,与患者所处病程阶段、体质特征、基础病史等个体信息融合构建决策输入,依托强化学习模型,通过双路解码网络分别生成中药的增删、剂量调整指令与针灸穴位的补泻操作,以对应的标准底方和标准穴位为基础实施动态调整;奖励机制兼顾处方与规范方案的契合度和配伍禁忌的硬性规避,通过自适应权重平衡疗效与安全性的优先级,突破了传统中医智能化方案证型与固定方剂的刚性匹配局限,可针对脑病急性期、恢复期等不同阶段的病机变化灵活调整用药方案,自动规避药物配伍禁忌及药穴同用的临床风险,同时能依据患者年龄、肝肾功能等特殊体质需求动态优化剂量,高度贴合中医随证加减和个体化施治的临床思维,提升了推荐方案的临床适用性与安全性。
100、与现有技术相比,本技术的有益效果是:
101、1、本技术通过采集用户多模态数据,提取舌体动态震颤、脉位深度等动态特征并融合构建舌脉联合特征向量,实现契合脑病特点的舌脉动态合参;基于脑病专属知识图谱开展多跳推理,输出脑病证型分类结果和病因病位概率分布,贴合脑病复杂病机;最后将病程阶段纳入强化学习状态空间生成个性化干预推荐结果,使诊疗结果精准适配急性期、恢复期等不同病程阶段,提升了中医脑病辨证的客观性及方案与病程的适配度。
102、2、本技术针对舌面象视频流数据,先通过光照校正和动态分割得到标准化舌体序列,一方面借助三维卷积捕捉舌体宏观伸缩、偏斜等运动特征,另一方面通过相位一致性差分与频域滤波提取肉眼难以识别的微震颤信号,同时结合舌体边缘曲率变化量化舌体强硬、痿软等几何特征;针对三维脉诊压力阵列数据,先通过信号分解滤除呼吸、肌电等噪声干扰,再通过连续小波变换将尺度因子与脉位深浅建立物理映射,同步提取脉力强度、脉率周期等多维参数构建脉诊特征张量;之后将两类特征分别作为异构图中的舌节点和脉节点,通过注意力机制学习舌尖、舌根等舌象分区与寸、关、尺等脉诊部位的病理关联,加权聚合后融合得到舌脉联合特征向量,既能精准捕捉脑病特有的舌颤、脉位浮动等动态病理信息,又能实现舌脉特征的深度互证,相比传统静态单模态分析,特征与脑病病机的契合度大幅提升,为后续辨证推理提供了可靠的量化依据。
103、3、本技术依托脑病知识图谱,将舌脉联合特征向量作为动态观测节点嵌入图谱,利用关系感知的图注意力网络沿症状、病机、病位和证型的路径进行多跳推理,使模型能捕捉深层医学逻辑;同时通过门控单元自适应融合证型概率与病因病位概率,根据二者置信度动态分配决策权重,避免单一概率偏差,突破了传统模型仅依赖数据映射的局限,增强了辨证过程的可解释性,且双概率融合机制有效降低了复杂脑病误诊率,使推理结果更贴合名老中医的临床思维。
104、4、本技术将辨证环节输出的脑病证型分类结果和病因病位概率分布,与患者所处病程阶段、体质特征、基础病史等个体信息融合构建决策输入,依托强化学习模型,通过双路解码网络分别生成中药的增删、剂量调整指令与针灸穴位的补泻操作,以对应的标准底方和标准穴位为基础实施动态调整;奖励机制兼顾处方与规范方案的契合度和配伍禁忌的硬性规避,通过自适应权重平衡疗效与安全性的优先级,突破了传统中医智能化方案证型与固定方剂的刚性匹配局限,可针对脑病急性期、恢复期等不同阶段的病机变化灵活调整用药方案,自动规避药物配伍禁忌及药穴同用的临床风险,同时能依据患者年龄、肝肾功能等特殊体质需求动态优化剂量,高度贴合中医随证加减和个体化施治的临床思维,提升了推荐方案的临床适用性与安全性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com