研究目的对中医学“色”的概念和内涵进行澄清、整理;对现代学者关于“色”的客观化研究进行检索、梳理,以发现代学者对中医学“色”的研究现状与不足;利用“MTCNN人脸检测算法”对高血压病肝火亢盛证色部进行位置界定,利用“计算机视觉领域中深度学习-轻量化网络Xception”算法构建高血压病肝火亢盛证面部色诊的分类模型。研究方法1.中医学“色”的理论研究对中医“色”进行文字学和文献学的研究。首先,对色进行文字学意义的解读,其次,对《黄帝内经》中有关“色”的内容进行检索、选取、摘录,结合上下文对其内涵进行分析;再次,对后世医家对“色”的阐述进行对比分析研究;然后,对“色”的内涵进行澄清、整理;最后,以“色诊客观化”“望诊客观化”“色部”为关键词对知网、万方、维普数据库进行模糊检索,检索近十年的文献,筛选出与颜面部望诊客观化相关的文献,并进行整理、分类。2.建立数据库通过“舌面脉信息采集体质辨识系统”采集高血压病肝火亢盛证、高血压病非肝火亢盛证、正常人三组研究对象的面部图像,并对图像进行数据清洗和预处理,建立面部图像数据库。3.基于“MTCNN人脸检测算法”高血压病肝火亢盛证进行色部界定对采集的图像信息建立数据库后,在观察三组人群面部特征的基础上,结合人体特点和计算机自动化特点,经过摸索、验证,利用“MTCNN(Multi-task Cascaded Convolutional Networks)人脸检测算法”,在病证结合的基础上提出高血压病肝火亢盛证的色部界定法。4.基于“轻量化网络Xception”高血压病肝火亢盛证面部色诊分类模型的构建利用“计算机视觉领域中深度学习-轻量化网络Xception”研究高血压病肝火亢盛证的面部色诊分类模型。首先对MTCNN人脸检测算法定位的色部进行提取,建立子数据库;其次进行数据拓展,进行训练集和测试集的划分;然后对图像数据进行归一化操作后进行模型训练;最后进行分类测试。研究结果1.中医“色”本义为颜面之气,其内涵包括颜色、色泽、色部、色势、色情。2.共纳入研究对象374例,包括高血压病肝火亢盛证组126例,高血压病非肝火亢盛证组130例,正常组118例。本文在观察了三组研究对象面部特征的基础上,结合人体特点和计算机识别特点,经过摸索,首次利用了“MTCNN算法人脸检测算法”,在病证结合的基础上提出了高血压病肝火亢盛证的色部界定法,该色部定位采取自然标志物定位法,以左侧瞳孔直下与左侧鼻翼水平交界处为原点,提取与面部成比例的皮肤色块,其皮肤块大小因人而异,体现了中医同身寸、自然标志物取位法的个体化思想。位置具体为:左眼向左平移3/4个W,向下移动1/2个h为开始位置坐标,左眼向下移动5/4个h为终点位置坐标。3.对MTCNN算法所提取的三组图像建立子数据库,采用随机裁剪的方式进行数据拓展,对每张皮肤块进行不同尺寸随机裁剪扩展,然后对皮肤块进行筛选,去除特征不明显的皮肤块,按照7:3比例随机生成训练集和测试集,此时训练的皮肤块图片总数为4835张,测试皮肤块图片总共2454张;通过对实验图像数据进行归一化操作后,利用“深度学习-轻量化网络Xception”进行模型训练和测试数据。在模型训练中,A、B、C三组数据共挑选出4835张皮肤块图像用于训练,分别用0、1、2作为标签表示皮肤块图像所属的类别;在实验中,基础参数设置为:共70次epochs(训练参数:1个epoch等于使用训练集中的全部样本训练一次),前10次,设置batchsize为64(训练参数:每次训练在训练集中取样本个数),设置学习率为1e-3(训练参数:监督、并指导模型调整网络权重),后60次,设置batchsize为32,设置学习率为1e-4;并在ImageNet权重系数预训练模型的基础上进行微调,训练分类器参数,得到最终的训练模型。然后对测试数据进行测试,在优化后的神经网络中对网络输出进行正向传播,得到网络输出,并比较实际输出值与标签数据值,确定图像所属的类别,计算出正确分类的图像数据,统计正确率。最终验证正确率为85.24%,其中高血压病肝火亢盛证识别准确率为80.79%,高血压病非肝火亢盛证识别准确率为85.91%,正常人识别准确率为88.70%。值得一提的是深度学习与普通神经网络建立的模型不同,模型参数巨大,且潜藏在计算机后台,具有不可见性,因此被深度学习系统也被称为“黑匣子”。研究结论1.中医“色”本义为颜面气色,内涵包括颜色、色泽、色部、色势、色情。中医对“色”的认识是综合了人体局部、整体、心理的综合动态认识,体现了中医以整体观念、恒动观念、辨证观念认识生命运动和疾病变化规律的特有视角。2.基于“MTCNN人脸检测算法”对高血压病肝火亢盛证的色部定位法具有快速简捷、自动识别、自动定位、精准度高、个体化强的特点,探索了病证结合的色部定位法,可推广至其他病证。3.通过“深度学习-轻量化网络Xception”构建高血压病肝火亢盛证面部色诊分类模型具有可操作性和较高的准确性,探索了高血压病肝火亢盛证色诊客观化的道路。4.“深度学习-轻量化网络Xception”构建的面部色诊分类模型能体现中医个体化诊疗思想,探索了人工智能在中医色诊领域的应用,可推广至其他病证的色诊研究和中医研究的其他领域。