一种老年人群老年痴呆病患病辅助分析系统

1.本发明涉及一种阿尔兹海默症的患病情况辅助分析技术，具体为一种老年人群老年痴呆病患病辅助分析系统。


背景技术：

2.近年来，我国阿尔兹海默症患病人数不断攀升，阿尔兹海默症疾病起因隐匿不易被察觉，传统方法仅靠医生肉眼诊断，经济成本消耗大。
3.目前针对阿尔兹海默症的病情概率预测方法，存在如下几种：第一，定性预测，该方法主要通过预测人验和直观判断能力，将预测患者与已诊断的患者放在一起，进行模糊聚类分析，但是该预测方法缺乏数量上的精确描述，易受人的经验与主观判断能力的束缚，因此稳定性较差。第二，定量预测，该研究方法是利用统计方法与数学模型，数学模型是各种预测方法的核心，所采用的机器学习分类模型便是基于数学模型建构，定量预测比较客观，较少受主观因素的影响，该方法在疾病预测中使用较为广泛。


技术实现要素：

4.为了解决这一问题，提出了一种老年人群老年痴呆病患病辅助分析系统，基于支持向量机模型上做多核优化，辅助医生给患者进行预测分析，可应用于阿尔兹海默症的患病情况辅助分析。
5.为解决上述技术问题，本发明所采用的技术方案为：一种老年人群老年痴呆病患病辅助分析系统，包括登录注册模块，首先创建用户模型，用户登录模块功能包含程序是否能正确匹配数据库中的账户与密码，当匹配不成功时是否能够拒绝用户登录，以及记住密码功能是否能够正常运行；
6.修改密码模块，操作包括用户输入账户原密码，用户修改的密码，以及与新密码验证的确密码，点击菜单按钮则会隐藏重置按钮和返回按钮，再次点击菜单按钮则会显示重置按钮和返回按钮；点击重置按钮，则会清空原密码，新密码，确认密码输入框里的输入值，点击返回按钮，则会返回登录界面；
7.预测分析模块，本程序的诊断界面与主界面使用了qtdesigncr设计，在实现阿尔兹预测分类功能实现中，使用skleam类库内置的算法模型进行分类优化；在基于机器学习的医学影像研究和辅助诊断系统中，调用sklearn库中的支持向量机算法能够方便快速开发优化算法，能够使算法模型方便快捷的保存和调用，让预测分析系统能够快速、便捷的进行阿尔兹海默症的患病分析。
8.作为优选，所述算法模型分为两部分，利用svm支持向量机对数据集进行分类预测工作，并使用合成核方法对svm进行多核优化，实现svm_mk算法。
9.作为优选，多核svm框架，首先将特征数据合成矩阵中，然后通过训练标签数据得到每个核函数的权重，最后利用合成核后的支持向量机模型，对ad和hc两类数据进行分类。
10.svm算法，称之为支持向量机；即对于两种属于不同分类的样本，寻找一条最优的
分割线，是样本到该分割线的几何距离最大，则这条分割线称之为最优分割线；在svm算法中，在一个多维的空间中，寻找一个最优超平面，将属于不同维度的特征向量分隔开，即为该算法的核心，如公式2.1，通过该计算公式便可得到最优超平面；
11.w
t
x+b＝0
ꢀꢀꢀ
(2.1)超平面计算公式
12.本设计所使用合成核的线性组合为线性核函数如公式2.2所示，指数核函数如公式2.3所示，rbf函数如公式2.4所示，以及sigmod核函数如公式2.5所示的组合，达到并且预测的功能；
13.k(x，y)＝x
tyꢀꢀꢀ
(2.2)线性函数公式
[0014][0015][0016]
k(x，y)＝tanh(αx
t
y+c)
ꢀꢀꢀ
(2.5)sigmoid函数公式。
[0017]
作为优选，所述svm_mk算法包括如下步骤：
[0018]
1)数据获取：获取老年人群的功能核磁共振影像fmri数据，包括阿尔兹海默症患病样本和健康对照样本；
[0019]
2)预处理：对于所获得的数据集进行数据预处理，影像预处理包括下采样图像对齐和大小矫正；
[0020]
3)特征提取：使用影像组学pyradiomics对fmri数据进行特征提取；
[0021]
4)特征筛选：使用lasso算法对影像特征进行筛选；
[0022]
5)模型训练：使用多核svm算法，对数据样本进行多核训练，训练出适合数据样本的核函数及其权重系数，用合成核的方法对支持向量机进行核优化；
[0023]
6)预测：对于待输入样本的特征向量，将样本输入到已经训练好的预测模型中，进行样本的概率预测。
[0024]
作为优选，所述的数据集的获取：本设计采用的数据来自阿尔茨海默病的神经影像学adni数据库，通过标准功能磁共振成像fmri数据集，获取t1加权体积fmri成像，从adni数据库下载并分析了包括250位健康对照和250位阿尔兹海默症患者。
[0025]
作为优选，所述预处理包括如下步骤：
[0026]
1)首先去除无用的数据维度，比如版本号及字符；
[0027]
2)去除相同值，对数据中相同的值去除，对影像的分类没有作用的数据；。
[0028]
作为优选，多核支持向量机设计，包括如下步骤：
[0029]
1)多核svm步骤包括数据输入空间，特征空间，核空间，合成核空间，输入空间；
[0030]
2)数据输入空间用于接受外界的样本特征，并对输入的数据进行预处理，得到fmri影像的数据特征；
[0031]
3)特征空间用于选择数据样本的所需要训练的特征，用于训练核函数；
[0032]
4)核空间用得到的样本特征训练核函数，训练得到最适合数据的各个核函数；
[0033]
5)合成核空间用于计算各个核函数的权重系数，并将合成核优化支持向量机模型；
[0034]
6)输出空间接收到输入的特征数据，输出最终的患病概率。
[0035]
本发明的老年人群老年痴呆病患病辅助分析系统可达到如下有益效果：
[0036]
1、整体界面清晰明了，对于各种功能操作简便，适合各种年龄段的人群使用，预测分析功能方便直接。
[0037]
2、本次设计选用的数据集为fmri数据，提取到fmri数据特征信息并进行筛选，方便训练，并可以使用fmri数据进行预测。
[0038]
3、本次设计所采用的多核支持向量机模型，单核映射函数不能找到特征数据样本中隐藏的相关信息，多核函数方法比单个核函数方法具有更高的可用性，从而对于概率预测功能的准确性有了一定的保证。
[0039]
4、本设计完全属于公益性的项目，将fmri数据进行预处理，并且提供了病情预测的功能，从而实现阿尔兹海默症的辅助诊断分析。
附图说明
[0040]
图1为用户登录流程图；
[0041]
图2为用户修改流程图；
[0042]
图3为预测分析流程图；
[0043]
图4为svm_mk算法流程图；
[0044]
图5为分析数据集特征图；
[0045]
图6为数据集数据清洗图；
[0046]
图7为mse关系图；
[0047]
图8为特征取值模型图；
[0048]
图9为特征取值模型图；
[0049]
图10为多核学习流程图；
[0050]
图11为10次实验与4个方法的精度比较图；
[0051]
图12为10折交叉验证比较图；
[0052]
图13为svm_mk模型roc曲线图。
具体实施方式
[0053]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0054]
本发明的老年人群老年痴呆病患病辅助分析系统在具体实施时，包括登录注册模块如图1所示，首先创建用户模型，用户登录模块功能包含程序是否能正确匹配数据库中的账户与密码，当匹配不成功时是否能够拒绝用户登录，以及记住密码功能是否能够正常运行。
[0055]
修改密码模块如图2，操作包括用户输入账户原密码，用户修改的密码，以及与新密码验证的确密码。点击菜单按钮则会隐藏重置按钮和返回按钮，再次点击菜单按钮则会显示重置按钮和返回按钮。点击重置按钮，则会清空原密码，新密码，确认密码输入框里的输入值，点击返回按钮，则会返回登录界面。
[0056]
预测分析模块如图3，本程序的诊断界面与主界面使用了qtdesigner设计，在实现
阿尔兹预测分类功能实现中，使用sklearn类库内置的算法模型进行分类优化。在基于机器学习的医学影像研究和辅助诊断系统中，调用sklearn库中的支持向量机算法能够方便快速开发优化算法，能够使算法模型方便快捷的保存和调用，让预测分析系统能够快速、便捷的进行阿尔兹海默症的患病分析。
[0057]
本设计将患病预测算法命名为svm_mk预测算法。该算法主要分为两部分，利用svm支持向量机对数据集进行分类预测工作，并使用合成核方法对svm进行多核优化，实现svm_mk算法。多核svm框架如图4所示，首先将特征数据合成矩阵中，然后通过训练标签数据得到每个核函数的权重，最后利用合成核后的支持向量机模型，对ad和hc两类数据进行分类。
[0058]
svm算法，称之为支持向量机。对该算法可以通俗理解为，对于两种属于不同分类的样本，寻找一条最优的分割线，是样本到该分割线的几何距离最大，则这条分割线称之为最优分割线。在svm算法中，在一个多维的空间中，寻找一个最优超平面，将属于不同维度的特征向量分隔开，即为该算法的核心，如公式2.1，通过该计算公式便可得到最优超平面
[0059]wt
x+b＝0
ꢀꢀꢀ
(2.1)超平面计算公式
[0060]
多核学习模型是一种灵活性更强的核支持向量机模型，单核模型在解决样本空间数据不平坦时，得到的结果表现并不良好，单核映射函数不能找到特征数据样本中隐藏的相关信息。本设计设计所使用合成核的线性组合为线性核函数(如公式2.2所示)，指数核函数(如公式2.3所示)，rbf函数(如公式2.4所示)以及sigmod核函数(如公式2.5所示)的组合，达到并且预测的功能。
[0061]
k(x，y)＝x
tyꢀꢀꢀ
(2.2)线性函数公式
[0062][0063][0064]
k(x，y)＝tanh(αx
t
y，+c)
ꢀꢀꢀ
(2.5)sigmoid函数公式
[0065]
本设计采用了阿尔茨海默病的神经影像学(adni)数据库，高分辨率fmri数据都是从adni网站下载。adni数据库的主要目标是为了测试mri、cbf、pet、其他生物学指标以及临床统计信息与神经学评测能否结合，来预测轻度认知障碍(mci)和早期阿尔兹海默症的进展。
[0066]
首先，对于数据集进行图像处理使用影像组学pyradiomics网站上的特征提取模型，从医学影像图像中挖掘大量的定向影像特征，使用统计学的特征筛选方法，筛选最具有价值的影像组学特征，用以解析阿尔兹海默症的临床信息。
[0067]
用于该疾病的定性，预测分析以及辅助诊断，整个数据集中共有500个观察值和129列见图5。对数据集中数据整体了解之后，对数据集进行数据清洗，去除掉版本信息与相同的值，共得到500个观察值和18列图6。
[0068]
本设计采用最小绝对收缩与选择算符特征筛选算法(lasso)，lasso特征筛选是一种压缩估计算法。该算法凭借一个由惩罚函数构建出来的模型，来压缩数据样本中的一些特征系数。lasso特征筛选算法能够在建立线型回归模型时，对各种变量包括非负变量、一元连续变量、二元离散变量、多元离散因变等进行特征筛选，并能够降低算法的模型复杂度。
[0069]
为了得到预测好的分类模型，在模型中调节更好的参数。lasso算法利用优化模型里的一些变量参数来降低算法模型复杂度，来有效的避免过拟合现象(overfitting)。线性模型的复杂性与线性模型的变量个数有关。模型参数越多，模型越复杂。实际模型的回归过程中，要考虑到模型的误差项，用正则化方法来减少overfitting现象。
[0070]
lasso模型算法由来控制的复杂度，的值越大，惩罚系数就越大，则算法模型的参数数目就越多。由惩罚系数来减少算法模型的参数数目。另一个参数α用来控制数据相关性较高的模型特征。
[0071]
lasso算法α的值为1，岭回归算法的α值为0，对应了惩罚函数公式的目的与形式，通过穷举法穷举λ的不同值，选择不同λ值下模型表现最优的参数，结合交叉验证选择表现最好的特征模型，本实验下的lasso筛选的特征模型如图7所示。
[0072]
如图7所示，lambda是指随机选择λ，做lambda的模型，mse指均方误差，使得期望最小化的目标参量取得最小值。数据样本中通常会有一些离群点，在python中，lasso特征筛选算法用数据矩阵作为输入，因此需要对初始数据样本做预处理操作。并且，若数据样本之间的数量级差距较大，还需要对输入的样本数据进行预处理，使输入的数据样本满足均值，标准差。
[0073]
本次研究中使用均值方差(mse)，mse能够比较好的衡量一个模型好坏的所衍生出来的一个值。
[0074]
如图8所示，coefficients为各个体素在不同lambda下的取值，在不同lambda取值下，体素的取值不同，在mse取值最小的点上。既取得lambda取值为0.01151值上，共筛选出了5个数据特征信息。
[0075]
在本次实验中，使用lasso特征筛选出5个体素特征见图9，分别为诊断图像原始平均值(diagnostics_image-original_mean)diomean，诊断图像原始最大值diomax(diagnostics_image-original_maximum)，原始图像一阶特征峰度ofk(original_firstorder_kurtosis)，原始图像一阶特征最大值ofm(original_firstorder_maximum)，原始一阶特征偏斜度ofs(original_firstorder_skewness)。可知diomean，diomax和ofs占比的权重最大，ofk与ofm占比较小，但在mse取值点上，体素值也有相较于其他13种筛去的体素有所占比。
[0076]
其中，weight表示各个体素在mse点上取得的权重。诊断图像原始平均值为最大脑区表面网格点之间的平均成对欧氏距离，诊断图像原始最大值表示为最大脑区表面网格点之间的最大成对欧氏距离。原始图像的一阶特征峰度，峰度是衡量图像roi中值的“峰值”分布的一种方法。较高的峰度意味着分布的质量集中在后部，而不是向平均值。较低的峰度意味着相反，即分布质量集中在平均峰值上。原始图像一阶最大值表示为体素在roi内的最大灰度强度。原始图像的一阶特征偏斜度，偏度度量的是关于平均值的值分布的不对称性。根据分布质量集中的地方，这个值可以是正的，也可以是负的。
[0077]
可知，图像原始均值在原本数据样本中相关性占比最高，其次为图像原始最大值以及一阶特征偏斜度，一阶特征峰度以及图像原始最大值相关性相对较小。选出该5项特征用于本次实验数据的分类特征
[0078]
多核支持向量机模型训练过程：
[0079]
算法框架如图10所示，多核学习模型是一种灵活性更强的核支持向量机模型，单
核模型在解决样本空间数据不平坦时，得到的结果表现并不良好，单核映射函数不能找到特征数据样本中隐藏的相关信息。多核函数方法比单个核函数方法具有更高的可用性。在使用多核分类学习中，由多个核函数映射高维空间不平坦的数据。由于各个核函数对特征组合空间有不同的映射表现，因此能够将不同特征中的相互关系由多个核函数一起解决。从基核函数中选择两个及以上的核映射函数来生成多核函数，并用各个核映射函数权重系数来分配在支持向量机分类器中的相关性。
[0080]
不同的核映射函数有不同的映射表现，多核学习能够融合各个核映射函数的映射能力，面对多种或异构的样本数据时，多核学习方法能够提供更优的灵活性。这种方法即合成核方法。
[0081]
为了得到多核学习的核映射函数的系数，使用svm分类模型和合成核算法优化，将训练核映射函数的权重转为计算的目标函数。多核svm框架首先将特征数据合成矩阵中，然后通过训练标签数据得到每个核函数的权重系数，最后利用合成核后的支持向量机模型，对ad和hc两类数据进行分类。
[0082]
通过给定一些基核函数，比如线性核函数(linear)，指数核函数(poly)，高斯核函数(rbf)，对于每一个，可以指定多组参数，共有m个基核函数，用它们的线性组合来作为最终的核函数。通过训练数据样本，得到这个线性组合中每个核函数的权重d(weight)。由于融合了各种核函数，可以照顾到异构的特征。
[0083]
通过输入数据的特征x大小构造核矩阵，通过训练标签大小形成350行350列的y矩阵，通过核函数组合，得到对于x数据的核函数映射矩阵，即350行5列的data矩阵，将数据矩阵与y矩阵相乘，并计算矩阵的迹(trace)，并将各个核函数矩阵的迹相加，得到相应的迹值，在与数据矩阵相乘，即可得到相应的融合矩阵。通过模型训练即可得到多核svm的核函数权重系数。
[0084]
在本次实验中，合成核的组合核的线性组合为线性核函数，指数核函数，rbf函数以及sigmod核函数的组合，表4-2为本次设计中所使用的核函数组合以及其权重系数。
[0085]
表4-2核系数权重表
[0086][0087]
用上述核函数基核构成合成核，作为svm的核函数。其中线性核函数的偏置值为0，指数核函数的指数为2，偏置值为0，高斯核函数1的gamma值为1，sigmod核函数的alpha值为1，偏置值为0，高斯核函数2的gamma值为0。用这些基核构成多核模型，来实现svm_mk模型。
[0088]
在本次多核svm机器学习实验中，继续使用相同的150例测试数据集来评估多核svm和传统机器学习的阿尔兹海默症分类能力，用svm-mk模型与逻辑回归模型，随机森林模型和支持向量机模型进行对比，并用选择的参数组合重复10次实验，并记录相对应的准确率。在每个机器学习方法中，实验的准确率和相应的实验次数如图11所示。
[0089]
如图所示，用svm_mk方法得到的准确率较好，准确率的峰值能在0.77，普遍高于0.7，相较于传统的回归分类算法，随机森林分类算法和支持向量机分类算法，svm_mk取得的准确率明显较好。逻辑回归模型波动幅度大，准确率的差异在0.2之上，逻辑回归模型不稳定。randomforest分类模型与svm分类模型准确率在0.65左右，svm分类模型准确率比randomforest分类模型高。svm_mk准确率表现为最好的，且在10次重复的实验中，精度的准
确率间隙在0.1之间，这些分析证明了svm_mk分类模型的分类能力也具有较好的稳定性。
[0090]
对于svm_mk模型，本实验依旧使用了10折交叉验证，将共150里的测试样本分成10份子测试样本集，用逻辑回归模型，随机森林模型，支持向量机和svm_mk模型进行2次10折交叉验证。将150个测试集数据样本分成十组15份的子样本集，9组样本集用作训练样本，其余样本集作为测试样本。重复十次，使得每一个子样本都作为模型验证，验证一次。重复两次10折交叉验证，将每个模型重复两次得到的结果取平均值，得到的平均值结果图如图12，通过上图发现，在预测阿尔兹海默症方面，svm_mk精确度表现较好，在单模态分类上还是优于其他三种机器学习模型，较为稳定。
[0091]
svm_mk模型roc曲线如图13所示。可知该模型的auc值为0.73，由上图可知，linearregression分类模型auc值为0.68，randomforest分类模型auc值为0.63，svm分类模型auc值为0.65，表现均不如svm_mk模型。且在整体的阈值表现上，svm_mk模型表明该模型在正确率方面要由于其他三种算法。
[0092]
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

技术特征：
1.一种老年人群老年痴呆病患病辅助分析系统，其特征在于：包括登录注册模块，首先创建用户模型，用户登录模块功能包含程序是否能正确匹配数据库中的账户与密码，当匹配不成功时是否能够拒绝用户登录，以及记住密码功能是否能够正常运行；修改密码模块，操作包括用户输入账户原密码，用户修改的密码，以及与新密码验证的确密码，点击菜单按钮则会隐藏重置按钮和返回按钮，再次点击菜单按钮则会显示重置按钮和返回按钮；点击重置按钮，则会清空原密码，新密码，确认密码输入框里的输入值，点击返回按钮，则会返回登录界面；预测分析模块，本程序的诊断界面与主界面使用了qtdesigner设计，在实现阿尔兹预测分类功能实现中，使用sklearn类库内置的算法模型进行分类优化；在基于机器学习的医学影像研究和辅助诊断系统中，调用sklearn库中的支持向量机算法能够方便快速开发优化算法，能够使算法模型方便快捷的保存和调用，让预测分析系统能够快速、便捷的进行阿尔兹海默症的患病分析。2.根据权利要求1所述的老年人群老年痴呆病患病辅助分析系统，其特征在于：所述算法模型分为两部分，利用svm支持向量机对数据集进行分类预测工作，并使用合成核方法对svm进行多核优化，实现svm_mk算法。3.根据权利要求2所述的老年人群老年痴呆病患病辅助分析系统，其特征在于：多核svm框架，首先将特征数据合成矩阵中，然后通过训练标签数据得到每个核函数的权重，最后利用合成核后的支持向量机模型，对ad和hc两类数据进行分类。svm算法，称之为支持向量机；即对于两种属于不同分类的样本，寻找一条最优的分割线，是样本到该分割线的几何距离最大，则这条分割线称之为最优分割线；在svm算法中，在一个多维的空间中，寻找一个最优超平面，将属于不同维度的特征向量分隔开，即为该算法的核心，如公式2.1，通过该计算公式便可得到最优超平面；w
t
x+b＝0
ꢀꢀꢀꢀ
(2.1)超平面计算公式本设计所使用合成核的线性组合为线性核函数如公式2.2所示，指数核函数如公式2.3所示，rbf函数如公式2.4所示，以及sigmod核函数如公式2.5所示的组合，达到并且预测的功能；k(x，y)＝x
t
y
ꢀꢀꢀꢀ
(2.2)线性函数公式指数核函数rbf函数k(x，y)＝tanh(αx
t
y+c)
ꢀꢀꢀꢀ
(2.5)sigmoid函数公式。4.根据权利要求2所述的老年人群老年痴呆病患病辅助分析系统，其特征在于：所述svm_mk算法包括如下步骤：1)数据获取：获取老年人群的功能核磁共振影像fmri数据，包括阿尔兹海默症患病样本和健康对照样本；2)预处理：对于所获得的数据集进行数据预处理，影像预处理包括下采样图像对齐和大小矫正；3)特征提取：使用影像组学pyradiomics对fmri数据进行特征提取；
4)特征筛选：使用lasso算法对影像特征进行筛选；5)模型训练：使用多核svm算法，对数据样本进行多核训练，训练出适合数据样本的核函数及其权重系数，用合成核的方法对支持向量机进行核优化；6)预测：对于待输入样本的特征向量，将样本输入到已经训练好的预测模型中，进行样本的概率预测。5.根据权利要求4所述的老年人群老年痴呆病患病辅助分析系统，其特征在于：所述的数据集的获取：本设计采用的数据来自阿尔茨海默病的神经影像学adni数据库，通过标准功能磁共振成像fmri数据集，获取t1加权体积fmri成像，从adni数据库下载并分析了包括250位健康对照和250位阿尔兹海默症患者。6.根据权利要求4所述的老年人群老年痴呆病患病辅助分析系统，其特征在于：所述预处理包括如下步骤：1)首先去除无用的数据维度，比如版本号及字符；2)去除相同值，对数据中相同的值去除，对影像的分类没有作用的数据。7.根据权利要求4所述的老年人群老年痴呆病患病辅助分析系统，其特征在于：多核支持向量机设计，包括如下步骤：1)多核svm步骤包括数据输入空间，特征空间，核空间，合成核空间，输入空间；2)数据输入空间用于接受外界的样本特征，并对输入的数据进行预处理，得到fmri影像的数据特征；3)特征空间用于选择数据样本的所需要训练的特征，用于训练核函数；4)核空间用得到的样本特征训练核函数，训练得到最适合数据的各个核函数；5)合成核空间用于计算各个核函数的权重系数，并将合成核优化支持向量机模型；6)输出空间接收到输入的特征数据，输出最终的患病概率。

技术总结
本发明涉及一种阿尔兹海默症的患病情况辅助分析技术，具体为一种老年人群老年痴呆病患病辅助分析系统，基于支持向量机模型上做多核优化，辅助医生给患者进行预测分析，可应用于阿尔兹海默症的患病情况辅助分析；包括登录注册模块，首先创建用户模型，用户登录模块功能包含程序是否能正确匹配数据库中的账户与密码，当匹配不成功时是否能够拒绝用户登录，以及记住密码功能是否能够正常运行；修改密码模块，操作包括用户输入账户原密码，用户修改的密码，以及与新密码验证的确密码，点击菜单按钮则会隐藏重置按钮和返回按钮，再次点击菜单按钮则会显示重置按钮和返回按钮；点击重置按钮，则会清空原密码，新密码，确认密码输入框里的输入值。里的输入值。里的输入值。


技术研发人员：孟祥莲 秦志龙 丁马方
受保护的技术使用者：常州工学院
技术研发日：2021.11.15
技术公布日：2022/3/8