CN109568047A - 一种心内科智能专用床、控制系统及控制方法 - Google Patents
一种心内科智能专用床、控制系统及控制方法 Download PDFInfo
- Publication number
- CN109568047A CN109568047A CN201811418158.5A CN201811418158A CN109568047A CN 109568047 A CN109568047 A CN 109568047A CN 201811418158 A CN201811418158 A CN 201811418158A CN 109568047 A CN109568047 A CN 109568047A
- Authority
- CN
- China
- Prior art keywords
- group
- load
- module
- image
- arterial pressure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61G—TRANSPORT, PERSONAL CONVEYANCES, OR ACCOMMODATION SPECIALLY ADAPTED FOR PATIENTS OR DISABLED PERSONS; OPERATING TABLES OR CHAIRS; CHAIRS FOR DENTISTRY; FUNERAL DEVICES
- A61G7/00—Beds specially adapted for nursing; Devices for lifting patients or disabled persons
- A61G7/002—Beds specially adapted for nursing; Devices for lifting patients or disabled persons having adjustable mattress frame
- A61G7/018—Control or drive mechanisms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61G—TRANSPORT, PERSONAL CONVEYANCES, OR ACCOMMODATION SPECIALLY ADAPTED FOR PATIENTS OR DISABLED PERSONS; OPERATING TABLES OR CHAIRS; CHAIRS FOR DENTISTRY; FUNERAL DEVICES
- A61G2203/00—General characteristics of devices
- A61G2203/10—General characteristics of devices characterised by specific control means, e.g. for adjustment or steering
Landscapes
- Health & Medical Sciences (AREA)
- Nursing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于医疗专用床技术领域,公开了一种心内科智能专用床、控制系统及控制方法,心内科智能专用床控制系统包括:图像采集模块、血压检测模块、心率检测模块、体温检测模块、主控模块、图像处理模块、参数计算模块、升降模块、照明模块、数据存储模块、显示模块。本发明弥补了输出图像分辨率降低带来的图像信息损失,组织结构还原度高,图像显示效果更好;同时,通过参数计算模块提供受试者的动脉压波形数据并分析动脉压波形数据,从而确定受试者是否正在经历非正常状态。如果受试者被确定为正在经历非正常状态,那么多元统计模型被应用于动脉压波形数据,从而确定受试者的心血管参数。
Description
技术领域
本发明属于医疗专用床技术领域,尤其涉及一种心内科智能专用床、控制系统及控制方法。
背景技术
心内科,即心血管内科,是各级医院大内科为了诊疗心血管血管疾病而设置的一个临床科室,治疗的疾病包括心绞痛、高血压、猝死、心律失常、心力衰竭、早搏、心律不齐、心肌梗死、心肌病、心肌炎、急性心肌梗死等心血管疾病。心脏是一个中空的肌性器官,位于胸腔的中部,由一间隔分为左右两个腔室,每个腔室又分为位于上部的心房和下部的心室两部分。心房收集入心血液,心室射血出心。心室的进口和出口都有瓣膜,保证血液单向流动。人体在不同的生理状况下,各器官组织的代谢水平不同,对血流量的需要也不同。心血管活动能在机体的神经和体液调解下,改变心排血量和外周阻力,协调各器官组织之间的血流分配,以满足各器官组织对血流量的需要。然而,现有心内科智能专用床获取患者图片分辨率会略小于原图,导致图像信息损失,不能真实还原组织结构;同时,不能对患者多个心脏指标进行监测,影响诊断结果。
综上所述,现有技术存在的问题是:
现有心内科智能专用床获取患者图片分辨率会略小于原图,导致图像信息损失,不能真实还原组织结构;同时,不能对患者多个心脏指标进行监测,影响诊断结果。
现有技术中本医疗影像设备在图像采集过程中,存在离散噪声图像,使得图像清晰下降,降低图像的辨识度,不能得到可靠的患者图像数据,从而影响治疗的进行:现有技术中温度传感器由于受到随机噪声、温度测量差值的影响,不能使得患者的体温得到真实可靠的测定,不利于医生对其生命体征的有效掌握,不能及时有效的对治疗方案进行调整;现有的专用床的接收光功率和照明强度分布的不均匀性,使得专用床光度不能均匀照射、稳定性差。
发明内容
针对现有技术存在的问题,本发明提供了一种心内科智能专用床、控制系统及控制方法。
本发明是这样实现的,一种心内科智能专用床控制方法,所述心内科智能专用床控制方法包括:
主控模块通过单片机控制各个设备正常工作;具体包括:
网络群间负载平衡,通过群分裂以及群在网络地址空间的移动来实现群之间的负载转移,并通过新节点加入负载较大的群诱导群发生分裂和合并,使负载较大的地址空间群数目增多,负载较小的地址空间群数目减少,其中负载定义为该群中节点单位时间所需要处理消息的平均数目;获得各个设备正确的控制运行参数。
进一步,网络群间负载平衡的方法包括:
步骤(A1)群A的超级节点S随机地向周围k·log2N个群发送群负载请求消息,获取所述k·log2N个群的负载信息,并通过计算这k·log2N个群的负载平均值来估算出当前整个HP2P网络的群平均负载Loadavg,其中k是一个在区间[1,N/log2N]取值的整数,N为网络中群的数目;
步骤(A2)若群A当前负载Load>γ·Loadavg,且群分裂成的两个小群中节点数目均大于HP2P网络群节点数目下限,则将该群分裂成两个群,其中γ是一个大于1的实数,网络群间负载平衡本次执行结束;否则转至步骤(A3);
步骤(A3)构建HP2P网络中Chord环,群A向其前驱群和后继群发送负载请求消息,从而获取前驱群和后继群的当前负载情况,其中前驱群为HP2P网络Chord环中离群A最近的前一个群,后继群为HP2P网络Chord环中离群A最近的后一个群;
步骤(A4)如果群A当前负载Load>Loadavg则转至步骤(A5),如果Load<Loadavg则转至步骤(A8);否则HP2P网络群间负载平衡的方法执行结束;
步骤(A5)如果群A负载Load≥Loadlight/(1-2·β),则将自身负载降低β,其中β是一个在区间(0,0.5)取值的实数,并转至步骤(A6);否则转至步骤(A8);其中Loadlight为该群的前驱群和后继群中负载较小的群的负载;
步骤(A6)如果Loadlight为群A的前驱群的负载,则群A通知其前驱群沿着Chord环顺时针移动,移动的地址空间长度为(Load-Loadlight)×Length/(2×Load),并将相应的元数据转移到前驱群中,HP2P网络群间负载平衡的方法本次执行结束,其中Length为群A在Chord环中所维护的地址空间长度;否则转至步骤(A7);
步骤(A7)Loadlight为群A的后继群的负载,则该群沿着Chord环逆时针移动,移动的地址空间长度为(Load-Loadlight)×Length/(2×Load),并将相应的元数据转移到后继群中,而后网络群间负载平衡的方法本次执行结束;
步骤(A8)如果Load≤(1-2·β)·Loadheavy,并转至步骤(A9);其中Loadheavy为该群的前驱群和后继群中负载较重群的负载,β是一个在区间(0,0.5)取值的实数,否则网络群间负载平衡方法执行结束;
步骤(A9)如果Loadheavy为群A的前驱群的负载,则群A通知其前驱群沿着Chord环逆时针移动,移动的地址空间长度为(Loadheavy-Load)×Lengthpredecessor/(2×Loadheavy),并从前驱群获取相应的元数据,其中Lengthpredecessor为前驱群在Chord环中所维护的地址空间长度,而后网络群间负载平衡方法本次执行结束;否则转至步骤(A10);
步骤(A10)Loadheavy为群A的后继群的负载,则群A沿着Chord环顺时针移动,移动的地址空间长度为(Loadheavy-Load)×Lengthsuccessor/(2×Loadheavy),并从后继群获取相应的元数据,其中Lengthsuccessor为后继群在Chord环中所维护的地址空间长度,此时网络群间负载平衡方法执行结束。
进一步,所述心内科智能专用床控制方法包括:
图像采集模块通过医疗影像设备采集患者图像数据;
所述图像采集模块,医疗影像设备采用非局部均值滤波算法,去除医疗影像设备在图像采集过程中的离散噪声图像,使得图像清晰,提高辨识度,得到可靠的患者图像数据:
血压检测模块通过血压检测设备检测患者血压数据;
心率检测模块通过心率检测设备检测患者心率数据;
体温检测模块通过体温传感器检测患者体温数据;
主控模块通过单片机控制各个模块正常工作;
图像处理模块通过图像处理程序对采集的图像进行处理;
参数计算模块通过获取动脉压波形数据确定患者的心血管参数;
升降模块通过升降器对床体进行升降操作;
照明模块通过照明灯提供照明操作;
数据存储模块通过存储器存储采集的图像、血压、心率、体温数据;
显示模块通过显示器显示患者图像、血压、心率、体温数据。
进一步,所述图像处理模块处理方法如下:
步骤1、获取多个已标记的IVOCT图像;
步骤2、建立IVOCT图像样本集,将所述IVOCT图像样本集分为训练样本集和测试样本集;
步骤3、构建卷积神经网络结构;
步骤4、利用所述训练样本集对所述卷积神经网络进行训练,以获取CNN模型;
步骤5、将所述测试样本集输入所述CNN模型,获取不同组织对应的组织类型图。
所述步骤2包括:
分别对每一张所述已标记的IVOCT图像进行多种形式的变换,以获取多张变换后的图像,将多张所述变换后的图像中的每一张设为一个样本;其中,所述多种形式的变换包括剪裁、平移、翻转、旋转、变形和灰度值变化中的一种或者组合;
将所述多个样本设为所述IVOCT图像样本集;
所述步骤4之前还包括:
根据病变血管包含的组织类型设置训练标签,所述训练标签包括分割标签和边界标签,所述分割标签和所述边界标签均用于对所述卷积神经网络进行训练。
进一步,所述参数计算模块计算方法如下:
(1)提供来自受试者的动脉压波形数据;
(2)分析所述动脉压波形数据,从而确定所述受试者是否正在经历非正常状态;
(3)如果所述受试者被确定为正在经历所述非正常状态,那么将第二多元统计模型应用于所述动脉压波形数据,从而确定所述受试者的心血管参数;
(4)如果所述受试者未被确定为在经历所述非正常状态,那么将第三多元统计模型应用于所述动脉压波形数据,从而确定所述受试者的心血管参数。
进一步,所述受试者是否正在经历非正常状态包含将第一多元统计模型应用于所述动脉压波形数据,从而确定所述受试者是否正在经历所述非正常状态,所述第一多元统计模型是根据来自正在经历所述非正常状态的第一组测试受试者的第一组动脉压波形数据和来自未在经历所述非正常状态的第二组测试受试者的第二组动脉压波形数据来建立的,所述第一多元统计模型提供对应于所述第一组动脉压波形数据的动脉压波形第一值和所述第二组动脉压波形数据的动脉压波形第二值的输出值,其中如果所述输出值大于所述第一值和第二值之间的阈值时,那么所述受试者被确定为正在经历所述非正常状态;
所述受试者是否正在经历非正常状态包含利用以下步骤应用所述第一多元统计模型:
确定与来自正在经历所述非正常状态的第一组测试受试者的第一组动脉压波形数据和来自未在经历所述非正常状态的第二组测试受试者的第二组动脉压波形数据有关的逼近函数,
所述逼近函数是至少以下参数的函数:
(a)基于所述动脉压波形数据的标准差的参数;
(b)基于所述受试者的心率的参数;
(c)基于所述动脉血压信号的心脏收缩部分下的区域的参数;
(d)基于心脏收缩的持续时间的参数;
(e)基于所述心脏收缩的持续时间与心脏舒张的持续时间的比率的参数;
(f)基于一组动脉压波形数据的平均动脉压的参数;
(g)基于一组动脉压波形数据的压力加权标准差的参数;
(h)基于一组动脉压波形数据的压力加权平均的参数;
(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数;
(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数;
(k)基于一组动脉压波形数据的压力加权偏度的参数;
(l)基于一组动脉压波形数据的压力加权峰度的参数;
(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数;
(n)基于所述受试者的身体表面面积的参数。
本发明的另一目的在于提供一种实现所述心内科智能专用床控制方法的计算机程序。
本发明的另一目的在于提供一种实现所述心内科智能专用床控制方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的心内科智能专用床控制方。
本发明的另一目的在于提供一种心内科智能专用床控制系统,所述心内科智能专用床控制系统包括:
图像采集模块,与主控模块连接,用于通过医疗影像设备采集患者图像数据;
所述图像采集模块,医疗影像设备采用非局部均值滤波算法,去除医疗影像设备在图像采集过程中的离散噪声图像,使得图像清晰,提高辨识度,得到可靠的患者图像数据:
血压检测模块,与主控模块连接,用于通过血压检测设备检测患者血压数据;
心率检测模块,与主控模块连接,用于通过心率检测设备检测患者心率数据;
体温检测模块,与主控模块连接,用于通过体温传感器检测患者体温数据;
主控模块,与图像采集模块、血压检测模块、心率检测模块、体温检测模块、图像处理模块、参数计算模块、升降模块、照明模块、数据存储模块、显示模块连接,用于通过单片机控制各个模块正常工作;
图像处理模块,与主控模块连接,用于通过图像处理程序对采集的图像进行处理;
参数计算模块,与主控模块连接,用于通过获取动脉压波形数据确定患者的心血管参数;
升降模块,与主控模块连接,用于通过升降器对床体进行升降操作;
照明模块,与主控模块连接,用于通过照明灯提供照明操作;
数据存储模块,与主控模块连接,用于通过存储器存储采集的图像、血压、心率、体温数据;
显示模块,与主控模块连接,用于通过显示器显示患者图像、血压、心率、体温数据
本发明的另一目的在于提供一种心内科智能专用床。
本发明的优点及积极效果为:
本发明通过图像处理模块建立卷积神经网络结构,使其具有一个收缩路径和两个扩张路径,构成横向Y形网络结构,然后通过网络训练,优化CNN模型,本发明实施例中,CNN模型具有两个输出端,分别对组织的轮廓和内部结构进行分别显示,解决了现有技术中,输出图像的分辨率略小,部分图像信息损失后,导致组织边界显示不清楚的技术问题;建立新的优化CNN模型,通过第一输出端输出心血管IVOCT图像中不同类型的组织的结构,第二输出端输出心血管中不同类型的组织的边界轮廓,使得每一种组织的边界和轮廓分别显示,然后将边界图和分割图进行叠加构成完整的组织结构图,弥补了输出图像分辨率降低带来的图像信息损失,组织结构还原度高,图像显示效果更好;同时,通过参数计算模块提供受试者的动脉压波形数据并分析动脉压波形数据,从而确定受试者是否正在经历非正常状态。如果受试者被确定为正在经历非正常状态,那么多元统计模型被应用于动脉压波形数据,从而确定受试者的心血管参数。例如利用正在经历非正常状态的受试者的数据可以形成该多元统计模型。如果受试者未被确定为是非正常状态的(即,受试者正在经历与非正常状态相对的正常状态),那么多元统计模型被应用于动脉压波形数据,从而确定受试者的心血管参数。
本发明医疗影像设备采用非局部均值滤波算法,去除医疗影像设备在图像采集过程中的离散噪声图像,使得图像清晰,提高辨识度,得到可靠的患者图像数据:本发明采用灰色模型对温度传感器进行处理,有效降低随机噪声、实现温度补偿、提高温度传感器精度,使得患者的体温得到真实可靠的测定,有利于医生对其生命体征的有效掌握,可及时对治疗方案进行调整。改善心内科智能专用床的接收光功率和照明强度分布的不均匀性,保障智能专用床光度的均匀稳定。
一种心内科智能专用床控制方法,所述心内科智能专用床控制方法包括:
主控模块通过单片机控制各个设备正常工作;具体包括:
网络群间负载平衡,通过群分裂以及群在网络地址空间的移动来实现群之间的负载转移,并通过新节点加入负载较大的群诱导群发生分裂和合并,使负载较大的地址空间群数目增多,负载较小的地址空间群数目减少,其中负载定义为该群中节点单位时间所需要处理消息的平均数目;获得各个设备正确的控制运行参数。实现各个设备的智能控制。
附图说明
图1是本发明实施例提供的心内科智能专用床控制系统图。
图中:1、图像采集模块;2、血压检测模块;3、心率检测模块;4、体温检测模块;5、主控模块;6、图像处理模块;7、参数计算模块;8、升降模块;9、照明模块;10、数据存储模块;11、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明提供的心内科智能专用床包括:图像采集模块1、血压检测模块2、心率检测模块3、体温检测模块4、主控模块5、图像处理模块6、参数计算模块7、升降模块8、照明模块9、数据存储模块10、显示模块11。
图像采集模块1,与主控模块5连接,用于通过医疗影像设备采集患者图像数据;
血压检测模块2,与主控模块5连接,用于通过血压检测设备检测患者血压数据;
心率检测模块3,与主控模块5连接,用于通过心率检测设备检测患者心率数据;
体温检测模块4,与主控模块5连接,用于通过体温传感器检测患者体温数据;
主控模块5,与图像采集模块1、血压检测模块2、心率检测模块3、体温检测模块4、图像处理模块6、参数计算模块7、升降模块8、照明模块9、数据存储模块10、显示模块11连接,用于通过单片机控制各个模块正常工作;
图像处理模块6,与主控模块5连接,用于通过图像处理程序对采集的图像进行处理;
参数计算模块7,与主控模块5连接,用于通过获取动脉压波形数据确定患者的心血管参数;
升降模块8,与主控模块5连接,用于通过升降器对床体进行升降操作;
照明模块9,与主控模块5连接,用于通过照明灯提供照明操作;
数据存储模块10,与主控模块5连接,用于通过存储器存储采集的图像、血压、心率、体温数据;
显示模块11,与主控模块5连接,用于通过显示器显示患者图像、血压、心率、体温数据。
本发明提供的图像处理模块6处理方法如下:
步骤1、获取多个已标记的IVOCT图像;
步骤2、建立IVOCT图像样本集,将所述IVOCT图像样本集分为训练样本集和测试样本集;
步骤3、构建卷积神经网络结构;
步骤4、利用所述训练样本集对所述卷积神经网络进行训练,以获取CNN模型;
步骤5、将所述测试样本集输入所述CNN模型,获取不同组织对应的组织类型图。
本发明提供的步骤2包括:
分别对每一张所述已标记的IVOCT图像进行多种形式的变换,以获取多张变换后的图像,将多张所述变换后的图像中的每一张设为一个样本;其中,所述多种形式的变换包括剪裁、平移、翻转、旋转、变形和灰度值变化中的一种或者组合;
将所述多个样本设为所述IVOCT图像样本集。
本发明提供的步骤4之前还包括:
根据病变血管包含的组织类型设置训练标签,所述训练标签包括分割标签和边界标签,所述分割标签和所述边界标签均用于对所述卷积神经网络进行训练。
本发明提供的参数计算模块7计算方法如下:
(1)提供来自受试者的动脉压波形数据;
(2)分析所述动脉压波形数据,从而确定所述受试者是否正在经历非正常状态;
(3)如果所述受试者被确定为正在经历所述非正常状态,那么将第二多元统计模型应用于所述动脉压波形数据,从而确定所述受试者的心血管参数;
(4)如果所述受试者未被确定为在经历所述非正常状态,那么将第三多元统计模型应用于所述动脉压波形数据,从而确定所述受试者的心血管参数。
本发明提供的受试者是否正在经历非正常状态包含将第一多元统计模型应用于所述动脉压波形数据,从而确定所述受试者是否正在经历所述非正常状态,所述第一多元统计模型是根据来自正在经历所述非正常状态的第一组测试受试者的第一组动脉压波形数据和来自未在经历所述非正常状态的第二组测试受试者的第二组动脉压波形数据来建立的,所述第一多元统计模型提供对应于所述第一组动脉压波形数据的动脉压波形第一值和所述第二组动脉压波形数据的动脉压波形第二值的输出值,其中如果所述输出值大于所述第一值和第二值之间的阈值时,那么所述受试者被确定为正在经历所述非正常状态。
本发明提供的受试者是否正在经历非正常状态包含利用以下步骤应用所述第一多元统计模型:
确定与来自正在经历所述非正常状态的第一组测试受试者的第一组动脉压波形数据和来自未在经历所述非正常状态的第二组测试受试者的第二组动脉压波形数据有关的逼近函数,
所述逼近函数是至少以下参数的函数:
(a)基于所述动脉压波形数据的标准差的参数;
(b)基于所述受试者的心率的参数;
(c)基于所述动脉血压信号的心脏收缩部分下的区域的参数;
(d)基于心脏收缩的持续时间的参数;
(e)基于所述心脏收缩的持续时间与心脏舒张的持续时间的比率的参数;
(f)基于一组动脉压波形数据的平均动脉压的参数;
(g)基于一组动脉压波形数据的压力加权标准差的参数;
(h)基于一组动脉压波形数据的压力加权平均的参数;
(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数;
(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数;
(k)基于一组动脉压波形数据的压力加权偏度的参数;
(l)基于一组动脉压波形数据的压力加权峰度的参数;
(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数;
(n)基于所述受试者的身体表面面积的参数。
本发明工作时,首先,通过图像采集模块1利用医疗影像设备采集患者图像数据;通过血压检测模块2利用血压检测设备检测患者血压数据;通过心率检测模块3利用心率检测设备检测患者心率数据;通过体温检测模块4利用体温传感器检测患者体温数据;其次,主控模块5通过图像处理模块6利用图像处理程序对采集的图像进行处理;通过参数计算模块7获取动脉压波形数据确定患者的心血管参数;通过升降模块8利用升降器对床体进行升降操作;通过照明模块9利用照明灯提供照明操作;然后,通过数据存储模块10利用存储器存储采集的图像、血压、心率、体温数据;最后,通过显示模块11利用显示器显示患者图像、血压、心率、体温数据。
下面结合具体分析对本发明的应用作进一步描述。
本发明实施例提供的图像采集模块,医疗影像设备采用非局部均值滤波算法,去除医疗影像设备在图像采集过程中的离散噪声图像,使得图像清晰,提高辨识度,得到可靠的患者图像数据:
离散噪声图像v={v(i)|i∈I}对一个像素i的估计值NL[v](i),计算为图像中的所有像素的加权平均值,w(i,j)为权重,0≤w(i,j)≤1且
灰度向量v(Ni)和v(Nj)的相似性表示像素i和像素j之间的相似性,为i、j区域的加权欧式距离的平方,a(a>0)表示高斯核标准差,h为控制虑波程度的系数,Z(i)图像搜索范围内所有区域相似度总和;
血压检测模块,与主控模块连接,用于通过血压检测设备检测患者血压数据;
心率检测模块,与主控模块连接,用于通过心率检测设备检测患者心率数据;
体温检测模块,与主控模块连接,用于通过体温传感器检测患者体温数据;
所述体温传感器,为了有效降低随机噪声、实现温度补偿、提高温度传感器精度,因此采用灰色模型对温度传感器进行处理,即采用白化形式的GM(1,1)方程为:
其中,a为模型参数,运用最小二乘法计算得到:
其中,
yN=[x0(2),x0(3),…,x0(n)]T;
主控模块,与图像采集模块、血压检测模块、心率检测模块、体温检测模块、图像处理模块、参数计算模块、升降模块、照明模块、数据存储模块、显示模块连接,用于通过单片机控制各个模块正常工作;
图像处理模块,与主控模块连接,用于通过图像处理程序对采集的图像进行处理;
参数计算模块,与主控模块连接,用于通过获取动脉压波形数据确定患者的心血管参数;
升降模块,与主控模块连接,用于通过升降器对床体进行升降操作;
照明模块,与主控模块连接,用于通过照明灯提供照明操作;
所述照明灯,为了改善心内科智能专用床的接收光功率和照明强度分布的不均匀性,保障智能专用床光度的均匀稳定,采用以下算法:
改进得接收光功率表达式为:
当平均发射光功率Pt一定时,分布由中心向四周快速衰减功率调节因子优化得到功率调节因子Ki,其中i∈[0-15],使得专用床的接收光功率和照明强度分布均匀,使每个照明灯的发射功率可调且为Ki×Pt(其中功率调节因子Ki取值范围为0~1,精度为0.01),使接收机的接收光功率Pr和照明强度Er满足,为专用床的光度提供保障。
下面结合具体实施例对本发明的应用作进一步描述。
本发明实施例提供的心内科智能专用床控制方法,所述心内科智能专用床控制方法包括:
主控模块通过单片机控制各个设备正常工作;具体包括:
网络群间负载平衡,通过群分裂以及群在网络地址空间的移动来实现群之间的负载转移,并通过新节点加入负载较大的群诱导群发生分裂和合并,使负载较大的地址空间群数目增多,负载较小的地址空间群数目减少,其中负载定义为该群中节点单位时间所需要处理消息的平均数目;获得各个设备正确的控制运行参数。
网络群间负载平衡的方法包括:
步骤(A1)群A的超级节点S随机地向周围k·log2N个群发送群负载请求消息,获取所述k·log2N个群的负载信息,并通过计算这k·log2N个群的负载平均值来估算出当前整个HP2P网络的群平均负载Loadavg,其中k是一个在区间[1,N/log2N]取值的整数,N为网络中群的数目;
步骤(A2)若群A当前负载Load>γ·Loadavg,且群分裂成的两个小群中节点数目均大于HP2P网络群节点数目下限,则将该群分裂成两个群,其中γ是一个大于1的实数,网络群间负载平衡本次执行结束;否则转至步骤(A3);
步骤(A3)构建HP2P网络中Chord环,群A向其前驱群和后继群发送负载请求消息,从而获取前驱群和后继群的当前负载情况,其中前驱群为HP2P网络Chord环中离群A最近的前一个群,后继群为HP2P网络Chord环中离群A最近的后一个群;
步骤(A4)如果群A当前负载Load>Loadavg则转至步骤(A5),如果Load<Loadavg则转至步骤(A8);否则HP2P网络群间负载平衡的方法执行结束;
步骤(A5)如果群A负载Load≥Loadlight/(1-2·β),则将自身负载降低β,其中β是一个在区间(0,0.5)取值的实数,并转至步骤(A6);否则转至步骤(A8);其中Loadlight为该群的前驱群和后继群中负载较小的群的负载;
步骤(A6)如果Loadlight为群A的前驱群的负载,则群A通知其前驱群沿着Chord环顺时针移动,移动的地址空间长度为(Load-Loadlight)×Length/(2×Load),并将相应的元数据转移到前驱群中,HP2P网络群间负载平衡的方法本次执行结束,其中Length为群A在Chord环中所维护的地址空间长度;否则转至步骤(A7);
步骤(A7)Loadlight为群A的后继群的负载,则该群沿着Chord环逆时针移动,移动的地址空间长度为(Load-Loadlight)×Length/(2×Load),并将相应的元数据转移到后继群中,而后网络群间负载平衡的方法本次执行结束;
步骤(A8)如果Load≤(1-2·β)·Loadheavy,并转至步骤(A9);其中Loadheavy为该群的前驱群和后继群中负载较重群的负载,β是一个在区间(0,0.5)取值的实数,否则网络群间负载平衡方法执行结束;
步骤(A9)如果Loadheavy为群A的前驱群的负载,则群A通知其前驱群沿着Chord环逆时针移动,移动的地址空间长度为(Loadheavy-Load)×Lengthpredecessor/(2×Loadheavy),并从前驱群获取相应的元数据,其中Lengthpredecessor为前驱群在Chord环中所维护的地址空间长度,而后网络群间负载平衡方法本次执行结束;否则转至步骤(A10);
步骤(A10)Loadheavy为群A的后继群的负载,则群A沿着Chord环顺时针移动,移动的地址空间长度为(Loadheavy-Load)×Lengthsuccessor/(2×Loadheavy),并从后继群获取相应的元数据,其中Lengthsuccessor为后继群在Chord环中所维护的地址空间长度,此时网络群间负载平衡方法执行结束。
所述心内科智能专用床控制方法包括:
图像采集模块通过医疗影像设备采集患者图像数据;
所述图像采集模块,医疗影像设备采用非局部均值滤波算法,去除医疗影像设备在图像采集过程中的离散噪声图像,使得图像清晰,提高辨识度,得到可靠的患者图像数据:
血压检测模块通过血压检测设备检测患者血压数据;
心率检测模块通过心率检测设备检测患者心率数据;
体温检测模块通过体温传感器检测患者体温数据;
主控模块通过单片机控制各个模块正常工作;
图像处理模块通过图像处理程序对采集的图像进行处理;
参数计算模块通过获取动脉压波形数据确定患者的心血管参数;
升降模块通过升降器对床体进行升降操作;
照明模块通过照明灯提供照明操作;
数据存储模块通过存储器存储采集的图像、血压、心率、体温数据;
显示模块通过显示器显示患者图像、血压、心率、体温数据。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (11)
1.一种心内科智能专用床控制方法,其特征在于,所述心内科智能专用床控制方法包括:
主控模块通过单片机控制各个设备正常工作;具体包括:
网络群间负载平衡,通过群分裂以及群在网络地址空间的移动来实现群之间的负载转移,并通过新节点加入负载较大的群诱导群发生分裂和合并,使负载较大的地址空间群数目增多,负载较小的地址空间群数目减少,其中负载定义为该群中节点单位时间所需要处理消息的平均数目;获得各个设备正确的控制运行参数。
2.如权利要求1所述心内科智能专用床控制方法,其特征在于,网络群间负载平衡的方法包括:
步骤(A1)群A的超级节点S随机地向周围k·log2N个群发送群负载请求消息,获取所述k·log2N个群的负载信息,并通过计算这k·log2N个群的负载平均值来估算出当前整个HP2P网络的群平均负载Loadavg,其中k是一个在区间[1,N/log2N]取值的整数,N为网络中群的数目;
步骤(A2)若群A当前负载Load>γ·Loadavg,且群分裂成的两个小群中节点数目均大于HP2P网络群节点数目下限,则将该群分裂成两个群,其中γ是一个大于1的实数,网络群间负载平衡本次执行结束;否则转至步骤(A3);
步骤(A3)构建HP2P网络中Chord环,群A向其前驱群和后继群发送负载请求消息,从而获取前驱群和后继群的当前负载情况,其中前驱群为HP2P网络Chord环中离群A最近的前一个群,后继群为HP2P网络Chord环中离群A最近的后一个群;
步骤(A4)如果群A当前负载Load>Loadavg则转至步骤(A5),如果Load<Loadavg则转至步骤(A8);否则HP2P网络群间负载平衡的方法执行结束;
步骤(A5)如果群A负载Load≥Loadlight/(1-2·β),则将自身负载降低β,其中β是一个在区间(0,0.5)取值的实数,并转至步骤(A6);否则转至步骤(A8);其中Loadlight为该群的前驱群和后继群中负载较小的群的负载;
步骤(A6)如果Loadlight为群A的前驱群的负载,则群A通知其前驱群沿着Chord环顺时针移动,移动的地址空间长度为(Load-Loadlight)×Length/(2×Load),并将相应的元数据转移到前驱群中,HP2P网络群间负载平衡的方法本次执行结束,其中Length为群A在Chord环中所维护的地址空间长度;否则转至步骤(A7);
步骤(A7)Loadlight为群A的后继群的负载,则该群沿着Chord环逆时针移动,移动的地址空间长度为(Load-Loadlight)×Length/(2×Load),并将相应的元数据转移到后继群中,而后网络群间负载平衡的方法本次执行结束;
步骤(A8)如果Load≤(1-2·β)·Loadheavy,并转至步骤(A9);其中Loadheavy为该群的前驱群和后继群中负载较重群的负载,β是一个在区间(0,0.5)取值的实数,否则网络群间负载平衡方法执行结束;
步骤(A9)如果Loadheavy为群A的前驱群的负载,则群A通知其前驱群沿着Chord环逆时针移动,移动的地址空间长度为(Loadheavy-Load)×Lengthpredecessor/(2×Loadheavy),并从前驱群获取相应的元数据,其中Lengthpredecessor为前驱群在Chord环中所维护的地址空间长度,而后网络群间负载平衡方法本次执行结束;否则转至步骤(A10);
步骤(A10)Loadheavy为群A的后继群的负载,则群A沿着Chord环顺时针移动,移动的地址空间长度为(Loadheavy-Load)×Lengthsuccessor/(2×Loadheavy),并从后继群获取相应的元数据,其中Lengthsuccessor为后继群在Chord环中所维护的地址空间长度,此时网络群间负载平衡方法执行结束。
3.如权利要求1所述心内科智能专用床控制方法,其特征在于,所述心内科智能专用床控制方法包括:
图像采集模块通过医疗影像设备采集患者图像数据;
所述图像采集模块,医疗影像设备采用非局部均值滤波算法,去除医疗影像设备在图像采集过程中的离散噪声图像,使得图像清晰,提高辨识度,得到可靠的患者图像数据:
血压检测模块通过血压检测设备检测患者血压数据;
心率检测模块通过心率检测设备检测患者心率数据;
体温检测模块通过体温传感器检测患者体温数据;
主控模块通过单片机控制各个模块正常工作;
图像处理模块通过图像处理程序对采集的图像进行处理;
参数计算模块通过获取动脉压波形数据确定患者的心血管参数;
升降模块通过升降器对床体进行升降操作;
照明模块通过照明灯提供照明操作;
数据存储模块通过存储器存储采集的图像、血压、心率、体温数据;
显示模块通过显示器显示患者图像、血压、心率、体温数据。
4.如权利要求3所述心内科智能专用床控制方法,其特征在于,所述图像处理模块处理方法如下:
步骤1、获取多个已标记的IVOCT图像;
步骤2、建立IVOCT图像样本集,将所述IVOCT图像样本集分为训练样本集和测试样本集;
步骤3、构建卷积神经网络结构;
步骤4、利用所述训练样本集对所述卷积神经网络进行训练,以获取CNN模型;
步骤5、将所述测试样本集输入所述CNN模型,获取不同组织对应的组织类型图。
所述步骤2包括:
分别对每一张所述已标记的IVOCT图像进行多种形式的变换,以获取多张变换后的图像,将多张所述变换后的图像中的每一张设为一个样本;其中,所述多种形式的变换包括剪裁、平移、翻转、旋转、变形和灰度值变化中的一种或者组合;
将所述多个样本设为所述IVOCT图像样本集;
所述步骤4之前还包括:
根据病变血管包含的组织类型设置训练标签,所述训练标签包括分割标签和边界标签,所述分割标签和所述边界标签均用于对所述卷积神经网络进行训练。
5.如权利要求3所述心内科智能专用床控制方法,其特征在于,所述参数计算模块计算方法如下:
(1)提供来自受试者的动脉压波形数据;
(2)分析所述动脉压波形数据,从而确定所述受试者是否正在经历非正常状态;
(3)如果所述受试者被确定为正在经历所述非正常状态,那么将第二多元统计模型应用于所述动脉压波形数据,从而确定所述受试者的心血管参数;
(4)如果所述受试者未被确定为在经历所述非正常状态,那么将第三多元统计模型应用于所述动脉压波形数据,从而确定所述受试者的心血管参数。
6.如权利要求3所述心内科智能专用床控制方法,其特征在于,所述受试者是否正在经历非正常状态包含将第一多元统计模型应用于所述动脉压波形数据,从而确定所述受试者是否正在经历所述非正常状态,所述第一多元统计模型是根据来自正在经历所述非正常状态的第一组测试受试者的第一组动脉压波形数据和来自未在经历所述非正常状态的第二组测试受试者的第二组动脉压波形数据来建立的,所述第一多元统计模型提供对应于所述第一组动脉压波形数据的动脉压波形第一值和所述第二组动脉压波形数据的动脉压波形第二值的输出值,其中如果所述输出值大于所述第一值和第二值之间的阈值时,那么所述受试者被确定为正在经历所述非正常状态;
所述受试者是否正在经历非正常状态包含利用以下步骤应用所述第一多元统计模型:
确定与来自正在经历所述非正常状态的第一组测试受试者的第一组动脉压波形数据和来自未在经历所述非正常状态的第二组测试受试者的第二组动脉压波形数据有关的逼近函数,
所述逼近函数是至少以下参数的函数:
(a)基于所述动脉压波形数据的标准差的参数;
(b)基于所述受试者的心率的参数;
(c)基于所述动脉血压信号的心脏收缩部分下的区域的参数;
(d)基于心脏收缩的持续时间的参数;
(e)基于所述心脏收缩的持续时间与心脏舒张的持续时间的比率的参数;
(f)基于一组动脉压波形数据的平均动脉压的参数;
(g)基于一组动脉压波形数据的压力加权标准差的参数;
(h)基于一组动脉压波形数据的压力加权平均的参数;
(i)基于一组动脉压波形数据的动脉脉搏搏动偏度值的参数;
(j)基于一组动脉压波形数据的动脉脉搏搏动峰度值的参数;
(k)基于一组动脉压波形数据的压力加权偏度的参数;
(l)基于一组动脉压波形数据的压力加权峰度的参数;
(m)基于一组动脉压波形数据的压力相关的弹性贮器顺应性的参数;
(n)基于所述受试者的身体表面面积的参数。
7.一种实现权利要求1~5任意一项所述心内科智能专用床控制方法的计算机程序。
8.一种实现权利要求1~5任意一项所述心内科智能专用床控制方法的信息数据处理终端。
9.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-6任意一项所述的心内科智能专用床控制方。
10.一种心内科智能专用床控制系统,其特征在于,所述心内科智能专用床控制系统包括:
图像采集模块,与主控模块连接,用于通过医疗影像设备采集患者图像数据;
所述图像采集模块,医疗影像设备采用非局部均值滤波算法,去除医疗影像设备在图像采集过程中的离散噪声图像,使得图像清晰,提高辨识度,得到可靠的患者图像数据:
血压检测模块,与主控模块连接,用于通过血压检测设备检测患者血压数据;
心率检测模块,与主控模块连接,用于通过心率检测设备检测患者心率数据;
体温检测模块,与主控模块连接,用于通过体温传感器检测患者体温数据;
主控模块,与图像采集模块、血压检测模块、心率检测模块、体温检测模块、图像处理模块、参数计算模块、升降模块、照明模块、数据存储模块、显示模块连接,用于通过单片机控制各个模块正常工作;
图像处理模块,与主控模块连接,用于通过图像处理程序对采集的图像进行处理;
参数计算模块,与主控模块连接,用于通过获取动脉压波形数据确定患者的心血管参数;
升降模块,与主控模块连接,用于通过升降器对床体进行升降操作;
照明模块,与主控模块连接,用于通过照明灯提供照明操作;
数据存储模块,与主控模块连接,用于通过存储器存储采集的图像、血压、心率、体温数据;
显示模块,与主控模块连接,用于通过显示器显示患者图像、血压、心率、体温数据。
11.一种至少搭载权利要求9所述心内科智能专用床控制系统的心内科智能专用床。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418158.5A CN109568047A (zh) | 2018-11-26 | 2018-11-26 | 一种心内科智能专用床、控制系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811418158.5A CN109568047A (zh) | 2018-11-26 | 2018-11-26 | 一种心内科智能专用床、控制系统及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109568047A true CN109568047A (zh) | 2019-04-05 |
Family
ID=65924240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811418158.5A Pending CN109568047A (zh) | 2018-11-26 | 2018-11-26 | 一种心内科智能专用床、控制系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109568047A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060758A (zh) * | 2019-04-11 | 2019-07-26 | 刘刚 | 一种面神经微创切除术在梅杰综合征中的应用系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102387743A (zh) * | 2009-02-09 | 2012-03-21 | 爱德华兹生命科学公司 | 计算心血管参数 |
CN103916327A (zh) * | 2014-03-21 | 2014-07-09 | 西安电子科技大学 | 一种hp2p网络负载平衡的方法 |
CN106580583A (zh) * | 2016-12-08 | 2017-04-26 | 李晓梅 | 一种心内科多功能护理架 |
CN107945176A (zh) * | 2017-12-15 | 2018-04-20 | 西安中科微光影像技术有限公司 | 一种彩色ivoct成像方法 |
CN107993229A (zh) * | 2017-12-15 | 2018-05-04 | 西安中科微光影像技术有限公司 | 一种基于心血管ivoct图像的组织分类方法和装置 |
CN108742566A (zh) * | 2018-04-16 | 2018-11-06 | 北京京大律业知识产权代理有限公司 | 一种基于大数据的心血管疾病风险控制方法 |
CN109191434A (zh) * | 2018-08-13 | 2019-01-11 | 阜阳师范学院 | 一种细胞分化中的图像检测系统及检测方法 |
CN109360044A (zh) * | 2018-09-20 | 2019-02-19 | 浙江医药高等专科学校 | 一种跨境电子商务销售管理系统及方法 |
CN110448418A (zh) * | 2019-08-08 | 2019-11-15 | 厦门大学附属第一医院 | 一种智能多功能床的监控系统 |
-
2018
- 2018-11-26 CN CN201811418158.5A patent/CN109568047A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102387743A (zh) * | 2009-02-09 | 2012-03-21 | 爱德华兹生命科学公司 | 计算心血管参数 |
CN103916327A (zh) * | 2014-03-21 | 2014-07-09 | 西安电子科技大学 | 一种hp2p网络负载平衡的方法 |
CN106580583A (zh) * | 2016-12-08 | 2017-04-26 | 李晓梅 | 一种心内科多功能护理架 |
CN107945176A (zh) * | 2017-12-15 | 2018-04-20 | 西安中科微光影像技术有限公司 | 一种彩色ivoct成像方法 |
CN107993229A (zh) * | 2017-12-15 | 2018-05-04 | 西安中科微光影像技术有限公司 | 一种基于心血管ivoct图像的组织分类方法和装置 |
CN108742566A (zh) * | 2018-04-16 | 2018-11-06 | 北京京大律业知识产权代理有限公司 | 一种基于大数据的心血管疾病风险控制方法 |
CN109191434A (zh) * | 2018-08-13 | 2019-01-11 | 阜阳师范学院 | 一种细胞分化中的图像检测系统及检测方法 |
CN109360044A (zh) * | 2018-09-20 | 2019-02-19 | 浙江医药高等专科学校 | 一种跨境电子商务销售管理系统及方法 |
CN110448418A (zh) * | 2019-08-08 | 2019-11-15 | 厦门大学附属第一医院 | 一种智能多功能床的监控系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110060758A (zh) * | 2019-04-11 | 2019-07-26 | 刘刚 | 一种面神经微创切除术在梅杰综合征中的应用系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mousavi et al. | Blood pressure estimation from appropriate and inappropriate PPG signals using A whole-based method | |
CN106073755A (zh) | 一种微型动态心电监测设备上房颤自动识别的实现方法 | |
CN106066933B (zh) | 获取房颤识别人工神经网络权重值矩阵的方法 | |
CN109192305B (zh) | 一种基于深度循环神经网络的心功能自动分析方法 | |
US8099158B2 (en) | System and method for selecting end of diastole and end of systole frames | |
CN111951965B (zh) | 基于时序知识图谱的全景式健康动态监测与预测系统 | |
CN111000551A (zh) | 一种基于深度卷积神经网络模型的心脏病发风险诊断方法 | |
Vo et al. | P2E-WGAN: ECG waveform synthesis from PPG with conditional wasserstein generative adversarial networks | |
WO2022088443A1 (zh) | 边缘计算节点的制造方法和边缘计算节点 | |
Holmes et al. | Clinical applications of patient-specific models: The case for a simple approach | |
CN110051336A (zh) | 处理生理数据的方法、装置和存储介质 | |
García‐Escobar et al. | Subtle QRS changes are associated with reduced ejection fraction, diastolic dysfunction, and heart failure development and therapy responsiveness: Applications for artificial intelligence to ECG | |
KR102108961B1 (ko) | 이미지 기반의 인공지능 딥러닝을 이용한 혈압 추정 장치 | |
CN109568047A (zh) | 一种心内科智能专用床、控制系统及控制方法 | |
CN110575178A (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
CN109326354A (zh) | 基于ann血流储备分数预测方法、装置、设备及介质 | |
TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
Sbrollini et al. | Advanced repeated structuring and learning procedure to detect acute myocardial ischemia in serial 12-lead ECGs | |
Zhang et al. | Cascade forest regression algorithm for non-invasive blood pressure estimation using PPG signals | |
Roberts et al. | Bayesian networks for cardiovascular monitoring | |
CN115862843B (zh) | 心肌肌钙蛋升高类型、心血管疾病的辅助判识系统及设备 | |
CN114831643B (zh) | 一种心电信号监测装置和可穿戴设备 | |
Sahay et al. | Computer‐Aided Interpretation of ECG Signal—A Challenge | |
US11925474B2 (en) | Methods and systems for patient baseline estimation | |
KR102573416B1 (ko) | 생체 신호 분석 모델의 출력 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |
|
RJ01 | Rejection of invention patent application after publication |