(北京工業(yè)大學(xué) 信號(hào)與信息處理研究室，北京 100124)

中醫(yī)舌診是中醫(yī)學(xué)中望診的重要組成部分，指通過(guò)觀察舌象的變化，了解人體生理功能和病理變化。舌苔顏色作為舌象最基本的特征之一，其顏色變化可反映臟腑的寒、熱、虛、實(shí)、病邪的性質(zhì)和病位的深淺[1]。從人眼視覺(jué)的角度，舌苔顏色一般有白苔、黃苔和灰黑苔三類，然而，在中醫(yī)臨床舌診中，這種苔色分類方法對(duì)于中醫(yī)辨證論治的指導(dǎo)意義并不明顯，中醫(yī)大夫常常將舌苔的厚度與舌苔的顏色相結(jié)合，通過(guò)觀測(cè)舌苔顏色和厚度的變化，得出身體真實(shí)的病理情況。因此，根據(jù)中醫(yī)專家對(duì)舌苔顏色的劃分，舌苔顏色主要分為薄白苔、白厚苔、薄黃苔、黃厚苔和灰黑苔5類。在實(shí)際舌診中，舌象特征的診斷通常取決于醫(yī)生的主觀判斷，不同的光源和亮度等外界因素會(huì)對(duì)醫(yī)生產(chǎn)生干擾，不可避免地影響了舌診的可靠性和可重復(fù)性。因此，利用計(jì)算機(jī)對(duì)舌苔顏色進(jìn)行精準(zhǔn)化分析，對(duì)促進(jìn)中醫(yī)舌診客觀化研究具有重要的實(shí)際意義[2]。

在利用計(jì)算機(jī)對(duì)舌象特征進(jìn)行分析時(shí)，常常結(jié)合中醫(yī)醫(yī)師的先驗(yàn)知識(shí)，提取舌圖像的語(yǔ)義特征，從舌圖像中得到與機(jī)體的生理功能和病理變化相關(guān)的舌象特征[2-3]。舌苔顏色作為舌象最基本的特征之一，其分類的準(zhǔn)確程度決定了后續(xù)舌象自動(dòng)分析的有效性，因此對(duì)舌苔顏色進(jìn)行分類研究，對(duì)促進(jìn)中醫(yī)舌診客觀化研究具有重要的實(shí)際意義。

1 相關(guān)工作

以計(jì)算機(jī)圖像分析技術(shù)為主要手段進(jìn)行舌象特征自動(dòng)分析，是20世紀(jì)80年代發(fā)展起來(lái)的一種舌診客觀化研究方法，此后，香港理工大學(xué)[4]、臺(tái)灣蓬甲大學(xué)[5]和北京工業(yè)大學(xué)[6]等各大機(jī)構(gòu)紛紛開(kāi)展相關(guān)工作，在舌象顏色校正、舌象分割和舌象特征分析等方面取得了一定的研究成果。筆者所在的北京工業(yè)大學(xué)信號(hào)與信息處理研究室早在20世紀(jì)90年代末期，就在國(guó)內(nèi)率先開(kāi)展了中醫(yī)舌象數(shù)字化、客觀化和定量化的研究工作，在中醫(yī)舌面象信息的數(shù)字化采集與自動(dòng)分析方面取得了豐厚的研究積累[2-3,6-11]。

目前，關(guān)于中醫(yī)舌苔顏色的研究工作有很多，總的來(lái)說(shuō)，這些工作的基本思路是將中醫(yī)舌苔顏色的自動(dòng)分析看作是分類問(wèn)題，在分類時(shí)，通過(guò)提取舌苔的顏色特征和紋理特征等手工特征，然后通過(guò)“特征+分類器”或“特征+相似性度量”的分類模式進(jìn)行舌苔顏色分析。其中較為常用的舌苔顏色分析方法有：基于支撐向量機(jī)(Support Vector Machine，SVM)的分析方法[8-9]、基于人工神經(jīng)網(wǎng)絡(luò)的分析方法[10]和基于稀疏表示分類器的分析方法[11]等。文獻(xiàn)[8]提出了一種基于聚類樹(shù)算法的舌苔顏色分類方法，對(duì)舌苔顏色和厚度進(jìn)行了定量化描述。文獻(xiàn)[9]將Universum SVM應(yīng)用于舌象樣本的分類中，在舌苔顏色分類中取得了84.44%的分類準(zhǔn)確率。文獻(xiàn)[10]采用學(xué)習(xí)矢量量化神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行舌苔顏色自動(dòng)分析，能夠獲得85%的識(shí)別效果。文獻(xiàn)[11]采用稀疏表示分類器的中醫(yī)舌苔顏色自動(dòng)分析方法，通過(guò)重建最小殘差的方式實(shí)現(xiàn)舌苔顏色分類，識(shí)別準(zhǔn)確率達(dá)到90.51%。在這些分析方法中，SVM與ANNs是兩個(gè)常用的分類器，SVM比較適合解決小樣本、非線性等模式識(shí)別問(wèn)題[12]，但其最終性能依賴于核函數(shù)的選擇，需要投入大量的理論分析工作。而人工神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力，能夠較好地適用于苔色分析方面，具有較強(qiáng)的泛化能力，但其訓(xùn)練易陷入局部最小值。稀疏表示分類器雖然對(duì)數(shù)據(jù)的缺損并不敏感，但字典的質(zhì)量對(duì)稀疏編碼的性能具有非常重要的影響。

雖然基于傳統(tǒng)手工特征的舌苔顏色分析方法已經(jīng)取得了一定的研究成果，但是總的來(lái)說(shuō)，以手工特征建立的分析模型對(duì)光照比較敏感，分析性能的好壞常常依賴于手工特征的選擇。若光照條件發(fā)生變化，以手工特征建立的分析模型將失去作用，使得這些研究成果的識(shí)別性能尚不能達(dá)到中醫(yī)舌診實(shí)際應(yīng)用的要求，所以需要引入新的信息處理技術(shù)來(lái)解決這些問(wèn)題。

近幾年來(lái)，深度學(xué)習(xí)在圖像分類等計(jì)算機(jī)領(lǐng)域取得了巨大成功[13-14]。其中，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)憑借其強(qiáng)大的特征學(xué)習(xí)與表達(dá)能力被廣泛應(yīng)用于圖像分類。雖然目前CNN網(wǎng)絡(luò)模型多種多樣，但其網(wǎng)絡(luò)結(jié)構(gòu)主要由卷積層、池化層和全連接層3種類型的層級(jí)成，如圖1所示。CNN通過(guò)交替進(jìn)行卷積、池化等操作，逐層提取特征，底層學(xué)習(xí)到局部特征，高層學(xué)習(xí)到全局特征，隨著網(wǎng)絡(luò)層數(shù)的增加，學(xué)習(xí)到的特征越來(lái)越抽象，特征經(jīng)全連接層與分類器相連，輸出分類類別。

圖1 CNN分類網(wǎng)絡(luò)模型結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，為更智能化的舌象特征分析提供了可能。利用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練出來(lái)的分類模型，具有更高的泛化能力，能更好地適應(yīng)復(fù)雜多樣的數(shù)據(jù)情況。目前已有研究將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于舌象特征分析中，文獻(xiàn)[15]利用PCANet提取深度特征，在正常舌和異常舌的二分類問(wèn)題上取得91.14%的效果，但尚未對(duì)舌象特征進(jìn)行后續(xù)分析。最近，筆者所在研究室也將深度學(xué)習(xí)的理論知識(shí)引用到舌象特征分析中，采用一層卷積加3層全連接的神經(jīng)網(wǎng)絡(luò)架構(gòu)，對(duì)舌苔顏色進(jìn)行分類研究，相比于傳統(tǒng)方法，分類性能平均提升4.48%，但采用的網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)簡(jiǎn)單，分類性能尚有待提高[16]。

舌圖像雖是在自然條件下拍攝得到，但其與普通自然圖像相比卻具有顯著不同。首先，舌圖像的獲取條件較為苛刻，通常要求在具有良好外界條件下拍攝，這樣才能避免引入過(guò)多的外界干擾；其次，樣本的標(biāo)注需要依賴權(quán)威醫(yī)生的標(biāo)注，經(jīng)驗(yàn)不足的醫(yī)生或非專業(yè)人士標(biāo)注的數(shù)據(jù)往往會(huì)導(dǎo)致雜亂的注釋，引起歧義，同時(shí)舌圖像的獲取代價(jià)較為昂貴，造成實(shí)際可以用來(lái)實(shí)驗(yàn)的樣本數(shù)量較少；最后，采集的樣本來(lái)源以健康或亞健康人群居多，而常見(jiàn)病比例不均衡，造成采集到的樣本類別之間存在樣本數(shù)量不均衡的狀況，以此數(shù)據(jù)建立的分類模型在對(duì)舌象特征進(jìn)行識(shí)別時(shí)容易產(chǎn)生小樣本偏向大樣本類別的情況。盡管將深度學(xué)習(xí)的理論應(yīng)用于苔色分析中已取得初步發(fā)展，但是樣本數(shù)量有限以及類別不平衡的客觀因素仍是制約客觀化研究的重要因素。因此，本文針對(duì)舌苔樣本數(shù)量有限且類別不平衡的特點(diǎn)，對(duì)舌象樣本中不平衡的舌苔顏色類別進(jìn)行數(shù)據(jù)擴(kuò)充處理，然后通過(guò)設(shè)計(jì)輕型卷積神經(jīng)網(wǎng)絡(luò)，將特征提取和分類結(jié)合到一個(gè)框架中，通過(guò)數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)圖像與其屬性的映射關(guān)系，實(shí)現(xiàn)舌苔顏色的精確分類。

2 基于輕型CNN網(wǎng)絡(luò)的舌苔顏色分類方法

本文提出的基于輕型CNN網(wǎng)絡(luò)的舌苔顏色分類方法的基本思想是：首先，對(duì)已標(biāo)注的舌苔訓(xùn)練樣本通過(guò)幾何變換等數(shù)據(jù)擴(kuò)充方式平衡數(shù)據(jù)集；然后，設(shè)計(jì)輕型卷積神經(jīng)網(wǎng)絡(luò)，將特征提取和分類納入到一個(gè)框架結(jié)構(gòu)中，利用平衡后的數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練，通過(guò)設(shè)置網(wǎng)絡(luò)參數(shù)和迭代次數(shù)，選擇具有最優(yōu)分類性能的模型作為最終的舌苔顏色分類模型；最后，利用訓(xùn)練好的舌苔顏色分類模型對(duì)預(yù)測(cè)舌圖像進(jìn)行識(shí)別，通過(guò)提取圖像中的舌苔圖像塊進(jìn)行識(shí)別，得出苔色分類結(jié)果。該方法的整體框圖如圖2所示。

圖2 基于輕型CNN模型的舌苔顏色分類整體框圖

2.1 舌苔顏色樣本的不平衡處理

如前所述，由于實(shí)際采集到的舌苔顏色多以薄白苔為主，其他顏色相對(duì)來(lái)說(shuō)數(shù)量較少，特別是灰黑苔樣本很少見(jiàn)，所以舌苔顏色數(shù)據(jù)集各類別數(shù)量之間存在不平衡狀況。因此在訓(xùn)練舌苔顏色分類模型之前需要進(jìn)行平衡數(shù)據(jù)集操作，通過(guò)數(shù)據(jù)擴(kuò)充手段，如鏡像、翻轉(zhuǎn)、平移和尺寸變換等，對(duì)舌苔數(shù)據(jù)集進(jìn)行平衡處理。

根據(jù)中醫(yī)理論，中醫(yī)專家往往將舌苔顏色分為5類：薄白苔、白厚苔、薄黃苔、黃厚苔和灰黑苔。為了使訓(xùn)練樣本盡可能標(biāo)準(zhǔn)且典型，實(shí)驗(yàn)中所使用的訓(xùn)練樣本為若干由中醫(yī)專家逐塊確定類別的一系列圖像子塊，圖像子塊的大小必須兼顧統(tǒng)計(jì)特性和精確度。由于舌苔是舌質(zhì)上附著的苔狀物，透過(guò)舌苔能隱隱見(jiàn)到舌質(zhì)的為薄苔，不能見(jiàn)到舌質(zhì)的為厚苔[1]，因此圖像子塊的選擇必須有效區(qū)分薄苔和厚苔，以確保實(shí)驗(yàn)結(jié)果的精確度。舌苔實(shí)驗(yàn)樣本塊的示例如表1所示。

表1 舌苔顏色訓(xùn)練樣本塊示例

實(shí)驗(yàn)樣本集共1158例，實(shí)驗(yàn)樣本按照4∶1的比例隨機(jī)劃分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，其中訓(xùn)練數(shù)據(jù)用于網(wǎng)絡(luò)模型訓(xùn)練，測(cè)試數(shù)據(jù)用于計(jì)算最終的模型分類精確度。在分類模型訓(xùn)練之前需要平衡樣本以保證訓(xùn)練不會(huì)偏向較大樣本類別。因此，對(duì)訓(xùn)練數(shù)據(jù)采用鏡像、旋轉(zhuǎn)方式進(jìn)行了數(shù)據(jù)平衡，測(cè)試數(shù)據(jù)保持不變，平衡前與平衡后的樣本分布如表2所示。

表2 平衡前與平衡后的各類樣本分布 單位：例

平衡策略可如下表示。

① 保持最大類的樣本數(shù)目不變，在本實(shí)驗(yàn)中薄白苔樣本有404例，為數(shù)量最大類別，因此其數(shù)量保持不變。

② 根據(jù)少數(shù)類與最大類的數(shù)量之間的差異，對(duì)少數(shù)類進(jìn)行樣本擴(kuò)充，擴(kuò)充方式首先選擇鏡像操作，如果擴(kuò)充后樣本類別差別很大，則再選擇旋轉(zhuǎn)操作，直到樣本類別數(shù)目不大。例如表2中灰黑苔具有75例，首先進(jìn)行鏡像操作擴(kuò)充數(shù)據(jù)一倍變?yōu)?50例，由于鏡像操作后樣本數(shù)量和最大類數(shù)量相差很多，所以再進(jìn)行旋轉(zhuǎn)操作，分別旋轉(zhuǎn)90°、180°和270°，共擴(kuò)充3倍。其中，旋轉(zhuǎn)的角度可以根據(jù)實(shí)際樣本的數(shù)量進(jìn)行選擇，即在對(duì)原始樣本進(jìn)行旋轉(zhuǎn)操作時(shí)，根據(jù)需要擴(kuò)充的樣本數(shù)目，選擇擴(kuò)充1倍或多倍，旋轉(zhuǎn)角度選擇90°或其他度數(shù)的組合。

③ 將擴(kuò)充的樣本與原有樣本一起作為數(shù)據(jù)集，并保證每類樣本的最終數(shù)量相同或相差不大。

2.2 舌苔顏色分類模型

在大規(guī)模數(shù)據(jù)支持的基礎(chǔ)上，CNN 可以實(shí)現(xiàn)較高的識(shí)別準(zhǔn)確率。但是在一些應(yīng)用中，數(shù)據(jù)很難收集，標(biāo)定過(guò)程費(fèi)時(shí)費(fèi)力，訓(xùn)練樣本數(shù)據(jù)的不足將導(dǎo)致過(guò)擬合的發(fā)生，產(chǎn)生較低的識(shí)別準(zhǔn)確率。在本文中，選擇AlexNet[17]作為基礎(chǔ)網(wǎng)絡(luò)，這是因?yàn)锳lexNet相比于其他網(wǎng)絡(luò)模型，如VggNet[18]、GoogleNet[19]和ResNet[20]等，具有較淺的網(wǎng)絡(luò)結(jié)構(gòu)，在小樣本下不容易出現(xiàn)過(guò)擬合的問(wèn)題。對(duì)于舌苔顏色分類問(wèn)題來(lái)說(shuō)，因?yàn)闃颖緮?shù)量的限制，選取的深度學(xué)習(xí)網(wǎng)絡(luò)模型層次不宜過(guò)深。因此，對(duì)AlexNet網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改，通過(guò)減少網(wǎng)絡(luò)參數(shù)來(lái)設(shè)計(jì)輕型網(wǎng)絡(luò)結(jié)構(gòu)的舌苔顏色分類模型，以此來(lái)克服過(guò)擬合現(xiàn)象，提高識(shí)別準(zhǔn)確率和模型的魯棒性。

對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的修改如圖3所示，首先為了減少網(wǎng)絡(luò)參數(shù)以避免過(guò)擬合，摒棄了11×11或7×7大小的卷積核，網(wǎng)絡(luò)結(jié)構(gòu)中的卷積核大小皆為5×5或3×3，并減少了全連接層的輸出數(shù)目，將第一個(gè)全連接層原始輸出數(shù)目從4096減少到1024，將第二個(gè)全連接層的原始輸出數(shù)目從1024減少到512；然后為了提高網(wǎng)絡(luò)的泛化能力，保留了原網(wǎng)絡(luò)中的LRN層與Dropout層；同時(shí)為了減少特征圖尺寸和參數(shù)數(shù)目，在每次卷積操作結(jié)束后均進(jìn)行池化操作，池化操作可以從一個(gè)區(qū)域中通過(guò)某種方式得出一個(gè)值作為特征，從而降低卷積層輸出的特征圖的維度，同時(shí)非常有效地縮小參數(shù)矩陣的尺寸，從而減少最后全連層中的參數(shù)數(shù)量。

圖3 舌苔顏色分類模型架構(gòu)

網(wǎng)絡(luò)采用以下幾種網(wǎng)絡(luò)優(yōu)化策略和訓(xùn)練技巧，以提高網(wǎng)絡(luò)模型分類性能。

2.2.1 修正線性單元

修正線性單元(Rectified Linear Unit,ReLU)函數(shù)是目前在網(wǎng)絡(luò)結(jié)構(gòu)中應(yīng)用較為廣泛的一種激活函數(shù)，常用于卷積操作之后和池化操作之前，可以使網(wǎng)絡(luò)具有非線性，增加網(wǎng)絡(luò)對(duì)于復(fù)雜函數(shù)的擬合能力，對(duì)于輸入x，其輸出F(x)的數(shù)學(xué)形式為

F(x)=max(0,x)

(1)

傳統(tǒng)的激活函數(shù)sigmoid或者tanh函數(shù)都是飽和非線性函數(shù)，即函數(shù)值達(dá)到一定程度之后，變化會(huì)非常小，幾乎為零，容易出現(xiàn)梯度消失問(wèn)題。ReLU激活函數(shù)能夠保留結(jié)果中的正數(shù)，不僅可以解決梯度消失問(wèn)題，還可以加快收斂。

2.2.2 局部響應(yīng)歸一化層

(2)

式中，(x,y)為卷積操作的位置；N為該層中的核總數(shù)；i為第i個(gè)卷積核；k,n,α和β都是超參數(shù)，在網(wǎng)絡(luò)中需要根據(jù)實(shí)際情況進(jìn)行賦值。

2.2.3 Dropout策略

Dropout是一種重要的防止模型過(guò)擬合方法，指在模型訓(xùn)練時(shí)隨機(jī)讓網(wǎng)絡(luò)某些隱含層節(jié)點(diǎn)的權(quán)重不工作，不工作的那些節(jié)點(diǎn)可以暫時(shí)認(rèn)為不是網(wǎng)絡(luò)結(jié)構(gòu)的一部分，但是它的權(quán)重被保留下來(lái)，在下次樣本輸入時(shí)它可能又得以工作。Dropout過(guò)程就是一個(gè)非常有效的結(jié)合多模型決策的方法，通過(guò)訓(xùn)練大量的不同的網(wǎng)絡(luò)，來(lái)平均預(yù)測(cè)概率。不同的模型在不同的訓(xùn)練集上訓(xùn)練，其中每個(gè)批次的訓(xùn)練數(shù)據(jù)都是隨機(jī)選擇，最后每個(gè)模型用相同的權(quán)重來(lái)“融合”，以此來(lái)使網(wǎng)絡(luò)學(xué)習(xí)到更加魯棒的特征，提高模型的泛化能力。

2.3 舌苔顏色分類

在分類器選擇方面，選擇Softmax分類器作為模型的最終分類器，通過(guò)計(jì)算當(dāng)前樣本屬于每一類別的概率，選擇具有最高概率的那一類作為當(dāng)前樣本的類別。Softmax回歸模型是Logistic回歸模型在多分類問(wèn)題上的擴(kuò)展。相比訓(xùn)練多個(gè)Logistic回歸來(lái)做多分類問(wèn)題，Softmax回歸更適合類別間是互斥的情況。設(shè)m個(gè)訓(xùn)練集樣本為{(x(1),y(1)),…,(x(m),y(m))}，向量x(i)的維度為n+1，類標(biāo)y可以取c個(gè)不同的值,則回歸模型的代價(jià)函數(shù)J(θ)為

(3)

3 實(shí)驗(yàn)結(jié)果與分析

所使用的舌象樣本是在首都醫(yī)科大學(xué)宣武醫(yī)院中醫(yī)科采集得到，共采集了249張，并按照苔色分布情況由中醫(yī)專家選取標(biāo)準(zhǔn)塊，共獲得1158例實(shí)驗(yàn)樣本。在經(jīng)過(guò)樣本平衡處理后，共得到2257例實(shí)驗(yàn)樣本。本實(shí)驗(yàn)提出的網(wǎng)絡(luò)架構(gòu)使用Tensorflow架構(gòu)進(jìn)行實(shí)現(xiàn)。系統(tǒng)配置為Intel?CoreTMi7-6700 CPU 3.40 GHz，16 GB內(nèi)存，TITAN X Pascal顯卡。具體實(shí)驗(yàn)中，首先對(duì)所提出的網(wǎng)絡(luò)模型的識(shí)別性能進(jìn)行測(cè)試；然后對(duì)樣本平衡前與平衡后的網(wǎng)絡(luò)模型準(zhǔn)確率進(jìn)行對(duì)比分析；最后通過(guò)不同模型分類準(zhǔn)確性之間進(jìn)行對(duì)比，驗(yàn)證網(wǎng)絡(luò)模型的有效性。

3.1 模型分類結(jié)果

基于上述的舌苔樣本庫(kù)，進(jìn)行舌苔顏色分類模型訓(xùn)練。分類模型訓(xùn)練采用Adam梯度下降算法，其相比于SGD隨機(jī)下降算法具有更好的收斂速度。網(wǎng)絡(luò)輸入統(tǒng)一歸一化為100像素×100像素大小，訓(xùn)練參數(shù)設(shè)置如表3所示。

表3 網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置

在實(shí)際模型訓(xùn)練中將訓(xùn)練數(shù)據(jù)集全部訓(xùn)練一遍稱為一個(gè)epoch，在實(shí)際模型訓(xùn)練中，訓(xùn)練樣本共進(jìn)行了1000個(gè)epoch的訓(xùn)練，每100個(gè)epoch保存一個(gè)模型，并用訓(xùn)練模型在測(cè)試集上進(jìn)行了分類性能測(cè)試，如果分類器對(duì)測(cè)試樣本的分類結(jié)果與舌象樣本標(biāo)注相同，則認(rèn)為分類正確，否則則認(rèn)為分類結(jié)果錯(cuò)誤。不同epoch下的分類準(zhǔn)確性如圖4所示。

圖4 不同epoch下的分類準(zhǔn)確率

從圖4中可以看出，不同epoch下的分類準(zhǔn)確率存在一定的差異，在實(shí)際模型選擇時(shí)，應(yīng)設(shè)定適當(dāng)?shù)牡螖?shù)來(lái)獲得最優(yōu)的識(shí)別準(zhǔn)確率。因此，選擇在epoch為900時(shí)訓(xùn)練出的模型作為苔色分類的最終模型，此模型在測(cè)試數(shù)據(jù)集下能取得約94.85%的分類準(zhǔn)確率，所得到苔色分類結(jié)果的混淆矩陣如表4所示。

表4中，矩陣中對(duì)角線上的數(shù)值為每類分類正確的樣本數(shù)量，其他為誤分類的樣本數(shù)量。如混淆矩陣的第一行中被正確分類的薄白苔有98例，有2例被誤分為白厚苔，有1例被誤分為薄黃苔。

表4 舌苔顏色分類的混淆矩陣

除此之外，在同一模型上對(duì)數(shù)據(jù)不進(jìn)行平衡處理和進(jìn)行平衡處理兩種情況下訓(xùn)練的模型準(zhǔn)確率進(jìn)行了比較，實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 樣本平衡前與平衡后的分類準(zhǔn)確率對(duì)比

從圖5中可以看出，未進(jìn)行數(shù)據(jù)平衡處理的數(shù)據(jù)集訓(xùn)練的分類模型各類別的分類準(zhǔn)確率之間相差較大，且在多數(shù)類上的分類準(zhǔn)確率明顯高于少數(shù)類；但在經(jīng)數(shù)據(jù)平衡處理的數(shù)據(jù)集訓(xùn)練的分類模型上的各類別的分類準(zhǔn)確率之間相差較小。如在未進(jìn)行樣本平衡之前，薄白苔樣本因?yàn)閿?shù)量最多，其分類準(zhǔn)確率達(dá)到99.01%，但在薄黃苔、白厚苔類別上的分類準(zhǔn)確率則比較低，分別為78.38%、84.62%，而樣本經(jīng)過(guò)平衡處理后，雖然薄白苔的準(zhǔn)確率下降到96.04%，但在薄黃苔、黃厚苔類別上的分類準(zhǔn)確率則分別提高到94.59%、92.31%。因此樣本平衡后與樣本平衡前的分類結(jié)果相比，雖然由于樣本擴(kuò)充改變了數(shù)據(jù)的分布，使得樣本各類的訓(xùn)練更加均衡，在多數(shù)類上的分類準(zhǔn)確率有所下降，但在少數(shù)類上的分類準(zhǔn)確率得到提升，且整體平均準(zhǔn)確率由93.13%提高到94.85%。

3.2 不同卷積神經(jīng)網(wǎng)絡(luò)分類結(jié)果

為了驗(yàn)證所采用的網(wǎng)絡(luò)的有效性，將所設(shè)計(jì)的網(wǎng)絡(luò)架構(gòu)與目前主流的網(wǎng)絡(luò)架構(gòu)LeNet、AlexNet、VggNet16、ResNet18以及文獻(xiàn)[16]的分類模型采用相同訓(xùn)練方式在相同的數(shù)據(jù)集下的模型分類準(zhǔn)確率進(jìn)行了對(duì)比。對(duì)比結(jié)果如圖6所示。

圖6 不同分類模型的分類準(zhǔn)確率對(duì)比

從圖6中可以看出，上述幾種網(wǎng)絡(luò)模型在相同數(shù)據(jù)集下分別取得94.42%、93.13%、93.99%、93.56%和92.71%的分類準(zhǔn)確率。因此，所設(shè)計(jì)的網(wǎng)絡(luò)架構(gòu)能夠取得更好的94.85%分類性能，相比其中最高的網(wǎng)絡(luò)模型準(zhǔn)確率可以提升0.43%。

4 結(jié)束語(yǔ)

本文結(jié)合中醫(yī)醫(yī)師的診療經(jīng)驗(yàn)，提出一種基于輕型卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的舌苔顏色分類方法。首先，對(duì)樣本中不平衡的舌苔顏色類別進(jìn)行數(shù)據(jù)擴(kuò)充；然后，根據(jù)舌象樣本的特點(diǎn)，設(shè)計(jì)了一種輕型卷積神經(jīng)網(wǎng)絡(luò)，將特征提取和分類納入到一個(gè)框架中統(tǒng)一進(jìn)行處理；最后，通過(guò)數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)圖像與其屬性的映射關(guān)系，得到苔色分類模型，從而實(shí)現(xiàn)舌苔顏色的分類。實(shí)驗(yàn)證明，所提出的方法在舌苔顏色分類方面能取得更好的分類性能。未來(lái)，將通過(guò)完善數(shù)據(jù)集和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)的方式，進(jìn)一步提高舌苔顏色分類的準(zhǔn)確率。希望通過(guò)進(jìn)行這一研究，能夠促進(jìn)中醫(yī)舌診智能化分析的發(fā)展，同時(shí)對(duì)輔助中醫(yī)臨床診療及臨床研究具有現(xiàn)實(shí)意義。