[發明專利]一種基于云數據庫的色素障礙性皮膚病分類專家系統

有效

• 申請號: 201810450124.8
• 申請日: 2018-05-11
• 公開（公告）號: CN108597604B
• 公開（公告）日: 2021-10-26
• 發明（設計）人: 劉旭;翟文華;張晶晶;劉香瓊;梁躍輝;王立升
• 申請（專利權）人: 廣西大學
• 主分類號: G16H50/20
• 分類號: G16H50/20
• 代理公司: 廣西南寧公平知識產權代理有限公司 45104
• 代理人: 王素娥

1.一種基于云數據庫的色素障礙性皮膚病分類專家系統，其包括小型電子顯微模塊、彈性模量測試模塊、微生物快速檢測模塊、660nm-910nm波長紅光紅外血紅蛋白感應模塊、紫外線接收成像模塊、紅外線接收成像模塊、接觸式電導率測試模塊、輸入信號轉數字信號模塊、人工智能和機器學習模塊、皮膚個體差異化模型建立模塊、皮膚科專家經驗數據庫、皮膚科專家規則數據庫、皮膚病面部圖像云數據庫、皮膚藥物不良反應云數據庫、護膚品化學成份云數據庫、數據庫自收集和進化模塊、皮膚病人工智能診斷輸出圖形界面、禁忌藥物與化學成份提示模塊、適宜藥物與化學成分提示模塊、皮膚病護理提示模塊；所述小型電子顯微模塊是具有手機或計算機USB接口的小型電子顯微模塊；

一種基于云數據庫的色素障礙性皮膚病分類專家系統，它還包括存儲器與微處理器，所述存儲器通過內部總線與外部通信端口與各數據收集模塊聯系并收集數據；

所述外部通信端口至少包括USB接口、網絡數據線通信端口、藍牙通信端口、WIFI通信端口、GSM通信端口、GPRS通信端口中的一種或任意多種；

所述微處理器可為計算機或手機上的CPU，通過皮膚個體差異化模型建立模塊的自編程序，進行數據錄入與建模處理，并且實時與各模塊和各數據庫發生交互；

所述皮膚病人工智能診斷輸出圖形界面，為計算機或手機上智能操作系統運行的自編軟件；

所述的小型電子顯微模塊，包括消色差型40倍放大物鏡、與之配套的10倍放大目鏡、微型電子攝像機、或與物鏡配套的10倍放大帶USB接口與攝像功能的電子目鏡；所有鏡頭直徑不能超過2cm，不帶數據線的硬件長度，不能超過3cm，拍照后的圖像數據通過通信端口傳輸至微處理器，所得患者皮膚照片質量不應低于300萬像素，所得皮膚照片以圖片中心點為準，半徑為1～3mm的圓形范圍內提取圖像特征；

所述彈性模量測試模塊，包括小型負壓真空泵，高精度壓力傳感器，高精度拉力傳感器，直徑為1～3mm、長度為1～2cm的圓柱形不銹鋼管，或直徑為1～3mm、長度為1～2cm的圓柱形PVC管，開啟負壓真空泵的真空值應在0.01-0.1MPa；所得皮膚的包括壓力值與拉力值的皮膚彈性特征，應經過壓力傳感器和拉力傳感器，將信息傳入微處理器，并由微處理器轉化為數字值，且經過調試和校正后才能使用；

所述微生物快速檢測模塊，包括美國BactTest型便攜式細菌測定儀、激發波長360nm-470nm，發射波長460nm-530nm的定波長熒光儀、鄰硝基苯β-D-半乳吡喃糖苷(ONPG)培養基、4-甲基傘形酮-β-D葡萄糖醛酸苷(MUG)培養基、Risym光敏亮度檢測二極管(4針)、光信號轉數字信號轉換器；

所述660nm～910nm波長紅光紅外血紅蛋白感應模塊，包括660nm波長的紅光LED燈管和910nm波長的紅外光LED燈管，光信號轉數字信號轉換器，血氧儀，數字化還原血紅蛋白感應曲線模型，數字化氧合血紅蛋白感應曲線模型，光信號轉數字信號轉換器；

所述紫外線接收成像模塊，包括315～400nm紫外線光電二極管UVA、280～315nm紫外線光電二極管UVB、100～280nm紫外線光電二極管UVC、185nm～260nm波長深紫外探測器、紫外線照相機；拍照后的紫外線圖像數據通過通信端口傳輸至微處理器；所得紫外線皮膚照片質量不應低于300萬像素；所得皮膚照片以圖片中心點為準，半徑為1～3mm的圓形范圍內提取圖像特征；

所述紅外線接收成像模塊，包括紅外線發射管IR15-21C/TR8，紅外線發射管IR26-51C/L110/TR8，紅外線照相機；拍照后的紅外線圖像數據通過通信端口傳輸至微處理器；所得紅外線皮膚照片質量不應低于300萬像素；所得皮膚照片以圖片中心點為準，半徑為1～3mm的圓形范圍內提取圖像特征；

所述接觸式電導率測試模塊，包括便攜式電導率儀、便攜式pH測試儀、0.1級pH試紙、接觸式數字溫度計；所得皮膚的包括表皮溫度值、電導率值與pH值的皮膚電化學特征，應經過電傳感器和電信號轉數字信號轉化器，將信息傳入微處理器，并由微處理器轉化為數字值，且經過調試和校正后才能使用；

所述輸入信號轉數字信號模塊，包括模數A/D轉換器、IK型標準信號轉換器；

所述人工智能和機器學習模塊，包括自編的支持向量機分類與回歸程序、自編的人工神經網絡深度學習程序、自編的偏最小二乘法程序、自編的主成分分析程序、自編的集成學習法Bagging程序、自編的集成學習法Adaboost程序、自編的簡單貝葉斯網絡算法、自編的決策樹算法、自編的遺傳進化算法、自編的最近鄰算法、自編的隨機森林算法、自編的回歸樹算法；

所述皮膚個體差異化模型建立模塊，包括自編的皮膚數據數字化電子表格、自編的皮膚特征數字化電子表格、自編的皮膚分類類型輸出電子表格、自編的皮膚分類模型人工智能投票程序、自編的皮膚分類調用人工智能和機器學習模塊各算法程序、自編的皮膚三維模型程序、自編的圖片處理和皮膚特征提取程序；

所述皮膚科專家經驗數據庫，包括自行收集的皮膚科重要中文文獻217篇，自行收集的皮膚科重要英文文獻182篇，上述文獻以篇名、關鍵字和相關病癥為索引，制成Access數據庫文件的形式存儲在網絡云盤，隨時可以調用；

所述皮膚科專家規則數據庫，包括自編的色素痣病變特征識別程序ABCDE規則(A：非對稱Asymmetry；B：邊緣不規則Border irregularity；C：顏色改變Color variation；D：直徑Diameter；E：隆起Elevation)、自編的皰疹特征識別程序、自編的毛囊炎特征識別程序、自編的黃褐斑特征識別程序、自編的痤瘡特征識別程序、自編的白癜風特征識別程序、自編的斑痣特征識別程序、自編的皮炎特征識別程序、自編的色素障礙性皮膚病各特征識別程序；

所述皮膚病面部圖像云數據庫，包括自行收集編撰的男性患者面部圖片肌膚數據庫，自行收集編撰的女性患者面部肌膚圖片數據庫，圖片以性別、網名、年齡、肌膚部位、具體所患皮膚病癥、皮膚測試參數和所屬地區為索引，制成Access數據庫文件的形式存儲在網絡云盤，隨時可以調用；

所述皮膚藥物不良反應云數據庫，包括根據國家食品藥品監督局公布的《國家基本藥物目錄》中皮膚科藥物三十種，以及除此之外的一些常用皮膚病藥物二十種，上述藥物根據其名稱、劑型、含量、不良反應癥狀和處理方法為索引，制成Access數據庫文件的形式存儲在網絡云盤，隨時可以調用；

所述護膚品化學成份云數據庫，包括自行收集編撰的化妝品化學成份共195個化合物，根據其命名、含量、CAS號、化學分子式和分子量化學數據為索引，制成Access數據庫文件的形式存儲在網絡云盤，隨時可以調用；還包括自編的皮膚科常見外用藥電子表格、自編的皮膚科常見口服藥電子表格、自編的皮膚科常見注射用藥電子表格；上述電子表格以Access數據庫文件的形式存儲在網絡云盤，隨時可以調用；

所述數據庫自收集和進化模塊，是通過調用自編的半監督機器學習程序，主要采用人工神經網絡深度學習算法、最近鄰算法、簡單貝葉斯網絡算法和遺傳進化算法，對皮膚科專家經驗數據庫、皮膚科處方數據庫、皮膚科專家規則數據庫、皮膚病面部圖像云數據庫、皮膚藥物不良反應云數據庫、護膚品化學成份云數據庫進行維護和拓展，主要是以算法對通過互聯網搜索引擎Google、百度上更新的資料和圖片，以及后續不斷收集的數據、圖片和文獻進行歸類分析，整理至服務器的文件夾，以方便后續人工處理和皮膚科專家進行審核入庫；

所述皮膚病人工智能診斷輸出圖形界面，包括手機上自編的APP軟件程序和計算機上自編的Windows軟件程序，這兩個程序能分別在手機的ISO、安卓系統和計算機的Windows系統上獨立運行整個專家系統，并在各自平臺上以圖形界面的形式輸出皮膚個體差異化模型結果和皮膚病人工智能診斷結果；

所述禁忌藥物與化學成份提示模塊，包括自編的對應皮膚基本屬中的小類別，所對應的禁忌藥物與化學成份電子表格，在皮膚個體差異化建模后會向用戶發送其皮膚所屬類別的這部分禁忌藥物與化學成份文本，該模塊中的數據，以皮膚藥物不良反應云數據庫、護膚品化學成份云數據庫為基礎；

所述適宜藥物與化學成分提示模塊，包括自編的對應皮膚基本屬中的小類別，所對應的適宜藥物與化學成份電子表格，在皮膚個體差異化建模后會向用戶發送其皮膚所屬類別的這部分適宜藥物與化學成份文本，該模塊中的數據，以皮膚藥物不良反應云數據庫、護膚品化學成份云數據庫為基礎；

所述皮膚病護理提示模塊，包括自編的對應皮膚基本屬中的小類別，所對應的皮膚護理小常識、方法和方案電子表格，根據不同地方和該地空氣濕度，大氣參數和紫外線強度對用戶進行提示文本的電子表格，在皮膚分類建模后會向用戶發送健康護理提示文本。

2.一種基于云數據庫的色素障礙性皮膚病分類專家系統，運行步驟如下：

(1)專家系統預處理：將皮膚病面部圖像云數據庫中的數據取出，并進行皮膚基本屬中的小類別的標識，利用皮膚科專家經驗數據庫、皮膚科專家規則數據庫構造出輸入變量、皮膚基本類別的電子表格；

(2)皮膚個體差異化模型建立：利用皮膚病面部圖像云數據庫中數據構造出的輸入變量，調用人工智能和機器學習模塊進行初步建模，接著調用皮膚個體差異化模型建立模塊，通過皮膚科醫生和專家對分類結果的精確度進行投票，選擇支持向量機分類程序、人工神經網絡深度學習程序、偏最小二乘法程序、主成分分析程序、集成學習法Bagging程序、集成學習法Adaboost程序、簡單貝葉斯網絡算法程序、決策樹算法程序、遺傳進化算法程序、最近鄰算法程序、隨機森林算法程序或回歸樹算法程序中的一種或幾種，作為某個皮膚基本屬，即美白屬(白皙性、普通色素性、暗沉性)，油水屬(油性、中性、干性)，敏感屬(易過敏性、一般敏感性、耐受性)，緊致屬(細膩緊致性、一般緊致性、皺紋性、易皺性)，色斑屬(易起斑性、不易起斑性)和染菌屬(易染菌性、一般染菌性、不易染菌性)的分類器；

(3)多模塊獲取用戶皮膚數值參數：通過小型電子顯微模塊、彈性模量測試模塊、微生物快速檢測模塊、660nm-910nm波長紅光紅外血紅蛋白感應模塊、紫外線接收成像模塊、紅外線接收成像模塊、接觸式電導率測試模塊、輸入信號轉數字信號模塊進行快速收集某用戶的具體皮膚數據，其中包括皮膚顯微彩色和灰度清晰圖片、各個彈性模量值、皮膚每平方毫米菌值以及可能菌類、皮膚血氧含量、皮膚紫外成像清晰圖片、皮膚紅外成像清晰圖片、皮膚電導率、皮膚表層溫度、皮膚pH值；上述數據需在輸入信號轉數字信號模塊進行轉化，其中圖片格式統一轉化為BMP格式；

(4)將皮膚數值參數代入皮膚個體差異化模型：用戶皮膚數值參數取得后，不能直接使用，需調用皮膚個體差異化模型建立模塊中的圖片處理與皮膚特征提取程序，將電子顯微模塊、彈性模量測試模塊、微生物快速檢測模塊、660nm～910nm波長紅光紅外血紅蛋白感應模塊、紫外線接收成像模塊、紅外線接收成像模塊、接觸式電導率測試模塊傳送的數值，整理為包括皮膚黑色素光密度值、皮膚紅色素光密度值、皮膚彈性特征值、皮膚相對含水量、皮膚酸堿度值、皮膚油脂密度值、皮膚毛孔半徑值、皮膚皺紋強度、皮膚紋理值、皮膚色斑分布值、皮膚色斑強度值、皮膚毛發值、皮膚灰度值、皮膚平滑值、皮膚圖像分割四算子特征值、皮膚染菌系數值、皮膚創面系數值、皮膚痤瘡系數值、皮膚紫外斑點值、皮膚炎癥系數值、皮膚血氧含量百分值在內二十四個建模特征變量，然后將這些特征變量代入所預先建立的皮膚個體差異化模型中，經過機器學習的分類器計算，即可得到用戶皮膚所屬的差異化類型，以此為基礎，可更好診斷色素障礙性皮膚病分類；

(5)專家系統分類后處理：在得到用戶皮膚所屬的類型后，所識別的皮膚圖片和二十四個建模特征變量，還需調用皮膚科專家規則數據庫，對其包括色素痣病變特征、皰疹特征、毛囊炎特征、黃褐斑特征、痤瘡特征、白癜風特征、斑痣特征、皮炎特征的色素障礙性皮膚病各特征進行識別，根據用戶皮膚所屬類型和皮膚科特征識別，調用皮膚病人工智能診斷輸出圖形界面，告知用戶其個體差異化皮膚類型和可能的皮膚病變，調用禁忌藥物與化學成份提示模塊，向用戶發送其皮膚所屬類別的這部分禁忌藥物與化學成份文本，調用適宜藥物與化學成分提示模塊，向用戶發送其皮膚所屬類別的這部分適宜藥物與化學成份文本，調用皮膚病護理提示模塊，向用戶發送其皮膚所屬類別部分健康護理提示文本；

(6)專家系統自動進化：通過人機對話，詢問用戶是否愿意將其個人數據包括皮膚照片，各測試參數，皮膚模型，在去除私隱信息后，保留至皮膚病面部圖像云數據庫中；若用戶同意，則上傳該數據并更新云數據庫；在達到一定的更新數量后，調用數據庫自收集和進化模塊，對數據庫和皮膚個體差異化模型進行匯集和更新，從而使專家系統不斷進化，分類和分析的準確性越來越高。