基于ML-kNN多标记学习的中医体质辨识模型研究

目的 中医体质与人体健康状态密切相关。研究利用人工智能技术辨识中医体质，为中医体质辨识智能化及自动化发展提供新思路。方法 以江苏省中医院体检中心的中医体质数据作为初始数据样本，经过数据清洗、过滤及结构化最终纳入9844条数据作为研究对象，运用ML-kNN多标记k近邻算法构建中医体质辨识模型，使用10折交叉验证训练模型，并采用多标记学习评价指标评估模型效果。结果 中医体质辨识模型的平均汉明损失为0.096 1，平均1-错误率为0.126 1，平均排序损失为0.086 6，平均覆盖率为1.153 5，平均精度为88.57%。结论 基于体检中心中医体质辨识量表数据，利用ML-kNN多标记学习算法，构建体质辨识模型，能够有效实现中医体质辨识智能化。     

融合Seg-UNet的中医面像分割网络模型研究＊

目的 为实现中医面像部分区域的精准分割，提出一种融合Seg-UNet的中医面像分割网络模型。方法 采用Seg-Net网络中的最大池化索引将U-Net网络中的上采样改为上池化来改进U-Net网络。在U-Net网络原编码阶段的池化过程通过池化索引保留权重信息，上采样过程即可利用该索引实现特征图矩阵的扩充。在此基础上增加一层卷积扩增通道数，改进原网络中将特征图矩阵直接复制的上采样方式，从而降低池化过程中权重信息的损失。将Seg-UNet网络模型分别对脸颊、额头和嘴唇3个部位进行分割训练和测试。结果 对中医面像部分区域分割精度高，分割效果优于传统U-Net和Seg-Net网络模型，采用准确率（Acc）、Dice系数、平均交并比（MIoU）作为评价指标。结论 本研究结合深度学习方法实现了较好的中医面像部分区域分割效果。