本技術涉及生物醫學檢測與光譜分析，涉及一種基于高光譜圖像數據的皮膚屏障損傷評估方法及系統。
背景技術：
1、皮膚屏障是皮膚最外層的保護結構，主要由角質層和皮脂膜構成，其核心作用是防止皮膚水分流失、抵御外界如微生物、過敏原等有害物質的入侵，并維持皮膚微生態平衡。皮膚屏障的完整度直接影響皮膚的健康狀態，屏障受損可能導致皮膚干燥、敏感、炎癥或皮膚病。
2、當前用于檢測皮膚屏障是否受到損傷的方法有很多，主要包括經皮水分流失率(tewl)檢測法、角質層含水量檢測法、皮脂分泌量檢測法等，此外還包括皮膚影像學評估檢測法，即直接觀察角質層結構是否致密均勻。實際應用中，上述檢測方法都存在著較大的局限性，例如，傳統皮膚屏障損傷評估方法，如上述的經皮水分流失率測試法需接觸式采樣，無法實現動態連續監測，而影像學評估檢測法又存在空間分辨率不足且無法知曉皮膚深層成分結構的局限性，導致最終損傷評估結果的準確度大打折扣。
3、為了克服上述諸如影像學評估檢測法在皮膚屏障損傷程度評估中存在的問題，實際應用中出現了基于高光譜圖像的皮膚屏障損傷程度評估法。其中高光譜成像能夠同時獲取目標物體的空間信息和連續、窄波段的光譜信息，與傳統rgb三通道圖像相比，高光譜圖像能提供更豐富的光譜特征，用于識別物質的化學成分或物理狀態。實際應用中，可以利用高光譜圖像直接檢測與皮膚屏障相關的皮膚參數數據，如角質層水分含量、皮脂膜完整性、血紅蛋白含量(用于判斷與屏障受損相關的炎癥)等，進而對皮膚屏障損傷程度做出評估。
4、實踐中發明人發現，在利用高光譜圖像數據自動對皮膚屏障損傷程度進行評估時，雖然高光譜圖像提升了各項皮膚參數的采集精度，一定程度上提升了皮膚屏障損傷評估的準確性，但皮膚屏障損傷程度動態監測的精度不高，且評估結果與采用傳統方式獲取的評估結果之間仍存在較大偏差。
技術實現思路
1、針對實際應用中皮膚屏障損傷評估動態監測精度不足、評估結果的準確性有待進一步提升的問題，本技術目的一在于提供一種基于高光譜圖像數據的皮膚屏障損傷評估方法，其通過高光譜圖像采集裝置定時獲取并分析待測皮膚的各項參數，同時采集與上述皮膚參數相關的生理參數及環境參數，利用時空融合神經網絡模型(st-fnn)作為損傷程度中間數據的處理模型，實現皮膚屏障損傷程度的實時準確監測與精準評估；為實現上述皮膚屏障損傷評估方法，本技術目的二在于提出一種基于高光譜圖像數據的皮膚屏障損傷評估系統。具體方案如下：
2、一種基于高光譜圖像數據的皮膚屏障損傷評估方法，包括：
3、獲取定時采集存儲的待測皮膚的高光譜圖像數據及其對應的影響因子數據；
4、設定特征波段并自高光譜圖像數據中提取對應的特征光譜作為參考數據，根據各參考數據隨時間變化的特征，判定生成待測皮膚各區域的皮膚屏障受損概率；
5、根據上述受損概率將待測皮膚劃分為多個測試區域，確定并采集受損概率最小的測試區域所對應的參考數據作為健康皮膚的表征數據；
6、獲取用以反映所述表征數據與影響因子數據之間關聯關系的影響關系模型；
7、標定一影響因子數據并根據所述影響關系模型對各參考數據加以修正，生成供判定模型訓練用的參考數據庫；
8、基于上述參考數據庫結合其中經修正后的表征數據，以及給定的量化標準，利用深度學習算法訓練生成用以評估皮膚屏障損傷程度的判定模型；
9、實時采集待測皮膚的高光譜圖像數據及其對應的影響因子數據，基于所述影響關系模型及判定模型判定生成皮膚屏障損傷程度評估數據；
10、其中，所述皮膚屏障損傷程度量化標準為特征光譜與修正后表征數據的差異程度。
11、通過上述技術方案，在利用神經網絡模型對定時采集的皮膚高光譜圖像數據進行訓練前，充分考慮了相關影響因子數據對高光譜圖像數據中特征光譜的影響，利用標定的影響因子數據對相關參考數據進行修正，使得后期訓練生成的判定模型更加適配于當前用戶，也使得皮膚屏障損傷程度動態監測的結果更為精準，并且上述損傷評估方案自適應于不同的影響因子數據，適用性廣泛。
12、進一步的，所述影響因子數據包括采集待測皮膚高光譜圖像的采樣頻率數據，以及采集上述高光譜圖像時同時采集的環境參數數據及用戶生理參數數據；
13、其中，所述環境參數數據包括環境溫度、濕度及光強度數據；
14、生理參數數據包括用戶心率、體表溫度、血氧飽和度及睡眠質量數據。
15、通過上述技術方案，不僅將環境溫濕度數據對用戶皮膚含水量及油脂分泌的影響考慮其中，還將用戶生理參數數據對皮膚含水量及油脂分泌等參數的影響考慮其中，在利用參考數據生成適配于當前用戶的判定模型時，排除了環境參數及生理參數等自然因素對特征光譜的影響，提升了判定模型的輸出精準度。并且，在本技術方案中待測皮膚高光譜圖像采集動作本身對用戶皮膚的影響也被考慮其中，進一步降低了訓練數據中干擾數據對訓練結果的影響，提升后期判定模型對皮膚屏障損傷程度的判定精度。
16、進一步的，根據上述受損概率將待測皮膚劃分為多個測試區域，確定并采集受損概率最小的測試區域所對應的參考數據，包括：
17、獲取并基于待測皮膚高光譜圖像中各像素點的受損概率值，通過聚類算法生成多個所述測試區域；
18、計算各測試區域中的概率均值大小并比較，確定受損概率最小的測試區域為健康參考區域；和/或
19、通過偽彩色圖像映射所述健康參考區域，基于輔助檢驗方法確認上述健康參考區域的皮膚屏障受損程度；
20、其中，所述輔助檢驗方法包括tewl法、皮脂分泌量檢測法。
21、通過上述技術方案，可以利用像素級的受損概率數據并結合聚類算法精準劃分出各測試區域，進而找到皮膚屏障損傷程度最小的待測皮膚，結合輔助檢驗方法可以進一步確定健康皮膚區域，進而找到最佳的表征數據，提升參考數據的修正精度。
22、進一步的，實施所述輔助檢驗方法前還包括：
23、獲取并存儲皮膚屏障損傷隨時間變化的擴散規律；
24、于初始時間基于tewl法確定待測皮膚上皮膚屏障損傷區域，結合當前時間及所述擴散規律生成待測皮膚上各區域的損傷預估概率，生成多個概率校驗區域；
25、若多個所述概率校驗區域的概率數值分布與各測試區域的概率數值分布相近似，則確認當前健康參考區域，否則實施所述輔助檢驗方法。
26、通過上述技術方案，基于初始時刻采集的皮膚屏障損傷區域結合損傷區域的擴散規律，可以對各測試區域的受損概率提供輔助驗證，進一步提升健康參考區域的準確度，提升后期參考數據的修正精度。
27、進一步的，判定生成待測皮膚各區域的皮膚屏障受損概率通過st-fnn神經網絡對各時刻采集的參考數據分析訓練得到；
28、所述影響關系模型包括用以表示所述表征數據與環境參數數據的第一關系模型、以及用以表示所述表征數據與生理參數數據之間的第二關系模型；
29、其中，所述第一關系模型經由遞歸神經網絡對各參考數據及其對應的環境參數數據分析訓練得到；
30、所述第二關系模型經由lstm神經網絡對各參考數據及其對應的生理參數數據分析訓練得到。
31、通過上述技術方案，可以使得待測皮膚上各區域皮膚屏障受損概率的分析結果更為準確，并且由于生理參數數據變動與特征光譜的變動之間存在一定的時間差，通過采用lstm神經網絡訓練得到的第二關系模型能夠更加精準的獲取到參考數據與生理參數數據之間的關聯關系。
32、進一步的，所述特征波段包括用以表征皮膚角質層厚度、脂質密度以及水分動態數據的光波波長區段；
33、所述皮膚屏障損傷評估方法還包括：
34、擇取一非健康參考區域作為阻斷區域，實施皮膚屏障損傷修復操作以阻斷經皮水分流失；
35、獲取上述阻斷區域在實施皮膚屏障損傷修復操作前后設定時長內的高光譜圖像數據，基于所述判定模型生成皮膚屏障損傷程度評估數據并比較評估數據間的差異；
36、基于比較結果驗證所述判定模型輸出結果的準確性。
37、通過上述技術方案，可以通過一皮膚屏障損傷區域的修復操作，在不損傷待測皮膚的前提下反向驗證判定模型輸出結果的準確性，讓皮膚屏障動態監測的結果更為精確。
38、進一步的，所述皮膚屏障損傷評估方法還包括：
39、獲取并關聯存儲各皮膚屏障損傷數據與其適配的修復方法；
40、基于所述判定模型獲取待測皮膚各測試區域的皮膚屏障損傷程度數據；
41、根據評估得到的損傷程度數據為待測皮膚各測試區域配置適配的修復方法；
42、通過偽彩色圖像映射技術，根據各測試區域所對應的修復方法為各測試區域標記不同的顏色。
43、通過上述技術方案，可以讓用戶知曉皮膚屏障損傷程度后快速的做出修復方案。
44、一種基于高光譜圖像數據的皮膚屏障損傷評估系統，包括：
45、數據采集單元，配置為用于定時采集并輸出待測皮膚的高光譜圖像數據及其對應的影響因子數據；
46、數據存儲單元，配置為用于存儲所述高光譜圖像數據及其對應的影響因子數據，以及實施如前所述基于高光譜圖像數據的皮膚屏障損傷評估方法所涉及的中間數據及模型算法；
47、數據修正單元，配置為自高光譜圖像數據中提取對應的特征光譜作為參考數據，生成表征所述參考數據與影響因子數據之間關聯關系的影響關系模型，并標定一影響因子數據并根據所述影響關系模型對各參考數據加以修正，生成供判定模型訓練用的參考數據庫；
48、模型生成單元，配置為基于上述參考數據庫以及給定的量化標準，利用深度學習算法訓練生成用以評估皮膚屏障損傷程度的判定模型；
49、損傷判定單元，配置為用于實時采集待測皮膚的高光譜圖像數據及其對應的影響因子數據，基于所述影響關系模型及判定模型判定生成皮膚屏障損傷程度評估數據。
50、進一步的，所述數據采集單元包括：
51、高光譜圖像數據采集組件，包括高光譜成像模塊，用以采集并輸出待測皮膚的高光譜圖像數據；
52、環境參數數據采集組件，包括溫度傳感器、濕度傳感器以及光強度傳感器，用以采集并輸出環境溫濕度及光強度數據；
53、生理參數數據采集組件，包括智能手環，用以采集并輸出用戶的心率、體表溫度、血氧飽和度及睡眠質量數據。
54、通過上述技術方案，可以全面采集影響皮膚參數的各項影響因子數據，使得后期訓練生成的判定模型具有更高的評估精度。
55、進一步的，所述系統還包括修復建議生成單元，包括：
56、修復方案存儲模塊，配置為用于獲取并關聯存儲各皮膚屏障損傷數據與其適配的修復方法；
57、皮膚屏障損傷分區模塊，配置為基于判定模型獲取待測皮膚各測試區域的皮膚屏障損傷程度數據；
58、修復方案匹配模塊，配置為根據評估得到的損傷程度數據為待測皮膚各測試區域配置適配的修復方法；
59、顏色標記模塊，通過偽彩色圖像映射技術，根據各測試區域所對應的修復方法為各測試區域標記不同的顏色。
60、本技術至少包括以下一種有益效果：
61、(1)在采集待測皮膚的高光譜圖像數據時充分考慮了環境參數以及用戶生理參數對特征光譜的影響，引入參考數據修正機制對用于訓練的數據加以修正，使得后期訓練生成的判定模型輸出結果更為精準；
62、(2)通過高光譜圖像數據對皮膚屏障受損程度加以評估，相較于傳統的tewl法更為高效，且無需與用戶待測皮膚接觸，避免皮膚屏障的二次損傷，能夠多次快捷的獲取到準確的皮膚狀態參數，輸出精確的評估結果，為后續修復治療的效果提供有利保證。