本发明涉及医学影像计算技术与人员冲击响应和损伤，特别涉及一种基于迁移学习与mimics/abaqus/python数据联合前处理的高保真人体模型构建方法和系统。
背景技术：
1、随着cae技术的发展，模型研究逐渐成为未来生物力学重要发展方向，人体高保真有限元模型是研究人员冲击响应与损伤的重要方法。其中ct(计算机断层扫描)技术为三维重构提供了支撑。在重大疾病的诊断中，影像学技术的应用提高了疾病的确诊率和治疗效率。然而x光射线的使用剂量会对患者造成影响，照射剂量越高，得到的图像质量越好，同时对患者的副作用越明显；而减少照射量会影响成片质量进而可能造成误诊漏诊，显影剂的危害也一直存在。因此，亟需一种不完全依赖ct技术的高保真人体模型构建方法。
2、mimics软件能快速导入ct、mri等断层序列图像数据，对图像进行基于阈值和形态学算法的组织分割、面绘制的三维重建与大规模数据的转换处理，输出stl文件导入abaqus运行前处理进而提交计算，两款软件都有完备的python接口，为三者数据联合前处理二次开发提供了可能。
3、引入迁移学习技术，将已训练好的模型参数迁移至新的模型，从而达到加快模型训练的目的，通过其他相关任务训练的模型参数，即使只有很小的数据集，也能达到较好的性能。基于特征的迁移学习，将已有的常规人体高保真三维模型进行特征抽取，数据特征映射至目标领域，通过提取个体某些体征数据，与源域中相似特征达成映射关系，进而重构个体全部的特征数据，再将数据导入mimics与abaqus软件，进行实体模型的构建与网格划分等前处理操作。
技术实现思路
1、本发明针对现有技术ct技术副作用与人员模型精细度低的缺陷，提供了一种高保真人体模型构建方法和系统。
2、为了实现以上发明目的，本发明采取的技术方案如下：
3、一种高保真人体模型构建方法，包括以下步骤：
4、第一步，进行完整人体参照模型的特征提取，利用3d形状描述子建立曲面间的对应点映射关系，采用一个向量描述人体模型曲面上指定点及领域的形状特征，匹配向量的值来描述不同曲面点的对应关系；利用python脚本读取人体模型并行操作输出txt文本，输入神经网络模型，进行特征提取；
5、第二步，测量待测人员体征数据，基于生物电阻抗技术，测量人员身高、体重、体脂、骨重、含水量与蛋白质含量，输入神经网络模型与第一步提取的特征的进行特征比对学习与训练，得到待测人员胸肺部建模参数；包括：肺部长宽数据、体积参数、直径参数、表面积参数；
6、第三步，将第二步训练好的模型通过python接入mimics进行数据转换，重构出目标部位关键节点数据，通过python脚本进行大规模数据转换处理，将csv文件转化为二进制stl文件，经初步处理后输出stp格式转入网格划分软件进行去噪、滤波、光滑和打磨处理，得到待测人员的部分三维重构模型，并输出二进制stl数据；
7、第四步，利用python与abaqus，并根据建模参数进行联合快速建模，将步骤三所得初步处理后的stp数据输出为inp文件导入abaqus进行后续的有限元建模及计算，最终得到可用于有限元分析计算的人体高保真三维模型。
8、进一步地，第一步中利用python脚本进行完整人体参照模型的特征提取，具体如下：
9、11、首先在python中引入所需的库，包括matplotlib.pyplot库、mpl_toolkits.mpplot3d库和numpy库；
10、12、读取txt数据，将其转换为二维数组，设置节点数量为200，返回一个元组；
11、13、定义求解信息熵函数，初始化特证二维数组；
12、14、设置图片规格，(x,y,z)＝(0,1,2)；设置坐标轴不可见、背景网络不可见；
13、15、输出特征图片。
14、进一步地，神经网络模型为resnet网络模型，分为四层，第一层为输入特征属性，包括：①待测者的胸肺部阻抗、②胸围、③身高、④体重、⑤年龄、⑥性别；第二层为输入量隶属云分布，对第一层特征量进行分类，计算隶属云分布激活程度；第三层为若干层卷积神经网络层，进行规则推理与逻辑建立；第四层为输出预测层，通过前几级逻辑输出对神经网络的各个输出值进行加权，得到待测人员胸肺部建模主要参数。
15、进一步地，第三步具体为：在提取区域中，根据给定阈值，构建出表达重建组织或器官的等值面，基于体素级重建方法，利用测量的离散数据与原始人体模型数据进行拟合，重构目标部位三维数字形态。
16、进一步地，第三步中重构步骤具体包括：①点(误差)处理；②数据插补；③数据平滑；④曲面直接拟合；⑥点数据网格化。
17、进一步地，第三步中python接入mimics接口算法如下：
18、21、在python中导入相应的库；
19、22、引入mimics vba接口；
20、23、判断两端接口是否可用以及是否可视化；
21、24、转义vba中不同变量，并打开二次开发源文件；
22、25、授予mimics最高访问权限。
23、进一步地，第四步中通过python的文本操作能力实现inp文件的编程，过程包括：①利用abaqus/cae生成基本的inp文件；②python读取与改写inp文件；③编写脚本(录制宏)实现快速建模。
24、本发明还公开了一种高保真人体模型构建系统，该系统能够用于实施上述的一种高保真人体模型构建方法，具体的，包括：人体模型特征提取模块、体征数据测量模块、abaqus模块、mimics模块和resnet模块；
25、人体模型特征提取模块、用于进行完整人体参照模型的特征提取；
26、体征数据测量模块，测量待测人员体征数据；
27、resnet网络模型用于根据人体参照模型的特征和体征数据进行训练，得到待测人员胸肺部建模主要参数。
28、mimics模块，用于与resnet模块进行数据转换，重构出目标部位关键节点数据，并输出二进制stl数据；
29、abaqus模块：与python模块进行联合快速建模，最终得到可用于有限元分析计算的人体高保真三维模型。
30、与现有技术相比，本发明的优点在于：
31、基于原始完整人体三维模型和迁移学习思想，易于实现，运算速度快，准确性较高。提升了人体部位有限元模型计算精度，不再依赖ct技术，降低了人员多次暴露于x射线的风险，同时也避免了传统机器学习训练集少的问题。可以由人体原始整体三维模型与待测人员局部体征数据重构出待测人体局部高保真三维模型，这将给需要研究人员冲击响应与损伤的工程技术人员带来极大便利。
1.一种高保真人体模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高保真人体模型构建方法，其特征在于：第一步中利用python脚本进行完整人体参照模型的特征提取，具体如下：
3.根据权利要求1所述的一种高保真人体模型构建方法，其特征在于：神经网络模型为resnet网络模型，分为四层，第一层为输入特征属性，包括：①待测者的胸肺部阻抗、②胸围、③身高、④体重、⑤年龄、⑥性别；第二层为输入量隶属云分布，对第一层特征量进行分类，计算隶属云分布激活程度；第三层为若干层卷积神经网络层，进行规则推理与逻辑建立；第四层为输出预测层，通过前几级逻辑输出对神经网络的各个输出值进行加权，得到待测人员胸肺部建模主要参数。
4.根据权利要求1所述的一种高保真人体模型构建方法，其特征在于：第三步具体为：在提取区域中，根据给定阈值，构建出表达重建组织或器官的等值面，基于体素级重建方法，利用测量的离散数据与原始人体模型数据进行拟合，重构目标部位三维数字形态。
5.根据权利要求1所述的一种高保真人体模型构建方法，其特征在于：第三步中重构步骤具体包括：①点(误差)处理；②数据插补；③数据平滑；④曲面直接拟合；⑥点数据网格化。
6.根据权利要求1所述的一种高保真人体模型构建方法，其特征在于：第三步中python接入mimics接口算法如下：
7.根据权利要求1所述的一种高保真人体模型构建方法，其特征在于：第四步中通过python的文本操作能力实现inp文件的编程，过程包括：①利用abaqus/cae生成基本的inp文件；②python读取与改写inp文件；③编写脚本实现快速建模。
8.一种高保真人体模型构建系统，其特征在于：该系统能够用于实施权利要求1至7其中一项所述的一种高保真人体模型构建方法，具体的，包括：人体模型特征提取模块、体征数据测量模块、abaqus模块、mimics模块和resnet模块；
