CN109730796A - 一种全牙列咬合监测与智能分析辅助诊疗装置 - Google Patents

Abstract

一种全牙列咬合监测与智能分析辅助诊疗装置，包括用于采集患者牙齿咬合力数据的压力采集模块，用于接收压力传感器的信号的主体控制模块，控制压力数据的处理、存储及打包，用于将主体控制模块处理后的压力数据无线发送到接收端的无线收发模块，用于接收无线收发模块的数据的接收端，接收端对打包的数据进行解析，把解析后的数据传输给服务器，利用人工智能算法对接收到的咬合力数据进行处理的服务器，将未智能处理的原始数据和智能处理后的结果传输到接收终端上，用于接收服务器的数据信息的接收终端，供医生查看患者磨牙数据并提出治疗方案，能够对磨牙患者的咬合力信息进行实时、动态测量并进行智能分析处理，具有实时性强的特点。

Description

一种全牙列咬合监测与智能分析辅助诊疗装置

技术领域

本发明涉及磨牙症疾病监测与诊疗技术领域，特别涉及一种全牙列咬合监测与智能分析辅助诊疗装置。

背景技术

研究表明，长期磨牙活动会造成牙支持组织损伤，牙齿磨损，修复体破坏，颞下颌关节、肌肉疼痛等。磨牙症发病率高且并发症广泛对人体健康产生重要影响。现有主要疗法包括：1.全牙列合垫佩戴。研究显示该治疗方法可放松颌面部紧张肌肉降低细胞低氧水平，同时当上下颌位于正中关系位时，不仅提供一定的诊断信息还可保护磨牙症患者牙齿磨损以及相关组织损伤。2.生物反馈疗法。生物反馈疗法可通过味觉、听觉刺激等提醒磨牙症患者终止磨牙活动。随着无线设备的发展，患者可通过佩戴腕表等具有震动功能的装置产生提示进而达到意识干预，从而中断磨牙行为。3.药物疗法及心理行为疗法。上述治疗方法在改善磨牙症状中均存在一定的弊端，由于磨牙症的病因复杂，目前尚无特异性疗法。

在磨牙症治疗方法中，对磨牙的检测与咬合应力的测量非常关键。美国推出的T-scan咬合分析仪，引入时间参数，能够记录患者咬合接触动态信息，如咬合力、咬合接触面积、咬合接触点。日本推出的Dental Prescale系统，通过在上下牙列之间放置薄膜，该薄膜在力的作用下发生颜色变化，利用计算机图像扫描、计算，进而对咬合接触点数目、面积、合力进行测量。上述方法在咬合测量方面均获得一定有效性，可用于静态咬合接触点的分析，但不足之处在于上述方法对下颌运动过程中的动态、实时咬合接触测量均存在一定局限性，而且对得到的数据信息没有充分挖掘和分析，无法利用采集的数据为医学工作人员提供快速、准确的辅助信息。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提出一种全牙列咬合监测与智能分析辅助诊疗装置，能够对磨牙患者的咬合力信息进行实时、动态测量并进行智能分析处理，具有实时性强的特点。

为了实现上述目的，本发明采用的技术方案是：

一种全牙列咬合监测与智能分析辅助诊疗装置，包括

压力采集模块：用于采集患者牙齿咬合力数据，所述压力采集模块包括个性化定制的放置于患者牙齿上的咬合板，咬合板内嵌入多个用于采集压力信号的压力传感器；

主体控制模块：用于接收压力传感器的信号，控制压力数据的处理、存储及打包，所述主体控制模块采用MCU微控制器芯片并集成在咬合板内部；

无线收发模块：用于将主体控制模块处理后的压力数据无线发送到接收端，所述无线收发模块集成在咬合板内部；

接收端：用于接收无线收发模块的数据，并按照通信协议对打包的数据进行解析，把解析后的数据传输给服务器，所述接收端为患者佩戴的手环或者手机；

服务器：利用人工智能算法对接收到的咬合力数据进行分析处理得到磨牙分析结果，将未智能处理的原始数据和智能处理后的结果传输到接收终端上；

接收终端：用于接收服务器的数据信息，所述接收终端为能够通过网络下载磨牙分析结果并显示的手机或者PC，供医生查看患者磨牙数据并提出治疗方案。

所述无线收发模块采用蓝牙芯片。

所述对数据的分析过程分为：信号滤波、特征提取、Bagging集成分类和一维卷积神经网络判别四个部分，其中信号滤波和特征提取这两步是每个通道分别进行的。

所述信号滤波过程采用平移不变量小波去噪法对信号进行滤波。

所述Bagging集成分类使用KNN、决策树、支持向量机和全连接神经网络4个分类器分别做出判断，然后用加权投票的方式得到最终的判断结果。

所述一维卷积神经网络以mobilenetv2为模板进行设计，其基本模块是一个包含3个卷积层的残差结构，其中pwconv1和pwconv2表示一维的逐点卷积，dwconv表示一维的深度卷积,BN表示批归一化,Relu6表示非线性激活函数为Relu6函数；以6倍的扩展率增大其通道数，使模块中间的dwconv可以更丰富地提取特征，若输入模块的信号的通道数(特征数)为n，则pwconv1的输出通道数为6n，dwconv的输入和输出通道数都为6n，pwconv2的输出通道数为6n，输出通道数重新减少至n。

所述咬合板为与患者牙齿形状相吻合的全牙列合垫，并覆盖患者磨牙位置，压力传感器根据医生的取模诊断结果排列于全牙列合垫的牙齿咬合面上，具体设置在双侧牙列合面、上前牙腭面位置于咬合接触位，MCU微控制器芯片及无线收发模块根据医生咬模贴放在舌腭面，压力传感器、MCU微控制器芯片、无线收发模块上及全牙列合垫表面上均匀覆盖一薄层光固化透明树脂。

所述压力传感器、MCU微控制器芯片、蓝牙芯片均采用微型芯片，以避免患者口腔不适及保证芯片正常工作。

本发明的有益效果是：

本发明通过医生首先对患者进行初诊，根据患者不同情况对其进行全牙列印模制取，个性化定制压力感应式全牙列咬合检测装置，能够更有针对性地采集患者磨牙信号；利用新型器件技术，达到装置模块微型化且便携，佩戴于患者口腔内，不会对患者造成不适感，对人体安全无害；利用先进的信息技术，采集实时、动态的牙齿磨动及咬合数据，搭建专门的云端服务器存储大量磨牙数据信息，并通过本人工智能算法在云端智能处理磨牙信号，实现磨牙数据信息无线传输及人工智能分析，进一步达到实时生物反馈；在磨牙信息反馈方面，医生通过手机APP或个人电脑登录服务器随时查看患者最近一段时间磨牙情况，并结合人工智能算法给出的分析对患者的治疗过程及时提出针对性方案，进一步调整治疗方案，优化患者治疗磨牙的疗效。

附图说明

图1是结构示意图。

图2是采集模块开始工作的结构示意图。

图3是主体控制模块工作过程的结构示意图。

图4是数据流的结构示意图。

图5是采集装置与手机通讯过程的结构示意图。

图6是磨牙数据的可视化显示图。

图7是人工智能算法处理数据的结构示意图。

图8是小波变换的流程示意图。

图9是信号特征提取的示意图。

图10是Bagging集成分类的算法结构示意图。

图11是一维卷积神经网络中的bottleneck1d模块的结构示意图。

图12为咬合板的结构示意图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明设计了基于磨牙咬合力测量的装置以及实现了针对咬合力数据智能分析的人工智能算法，下面进行详细说明。

一种全牙列咬合监测与智能分析辅助诊疗装置，包括压力采集模块：用于采集患者牙齿咬合力数据，所述压力采集模块包括个性化定制的放置于患者牙齿上的咬合板，咬合板内嵌入多个用于采集压力信号的压力传感器。

如图12所示，所述压力传感器的具体位置根据医生初诊后进行判断。首先，利用临床硅橡胶印模材料制取磨牙症患者上下颌牙列印模，同时记录患者上下颌正中关系位时咬合记录。根据制取完成的硅橡胶阴模灌制磨牙症患者超硬石膏阳模。将薄层透明光固化树脂均匀覆盖于患者上颌牙列，初步完成的全牙列合垫通过唇颊侧约2mm宽的覆盖量提供摩擦固位，标记磨牙位置，腭侧覆盖量可适当加长。由合垫加工厂加工制作合垫，完成后，由医生配合加工厂将厚度约0.3mm的条状软质压力感应芯片平铺于未固化的牙列咬合面，调整芯片在双侧牙列合面、上前牙腭面位置于咬合接触位，并装入控制芯片。将另一薄层光固化透明树脂均匀覆盖于芯片及第一层树脂表面，进行边缘修整，在光固化机中固化30min进行固化过程。仔细脱模并对光照完成的全牙列合垫进行边缘修整、抛光。同时，利用制作完成的全牙列合垫及预先制取的正中颌位咬合记录在合架中进行咬合调整。当患者佩戴合架咬合调整后的稳定性合垫以后，当上下颌位于正中关系(CR)，双侧髁突位于关节凹最前最上位置，与关节盘中央最薄弱无血管部分贴近时，合垫合平面与对合牙形成稳定、平衡的咬合接触。当下颌做前伸与侧方运动时，由合垫在尖牙区域伸长的部分发挥尖牙引导的作用，双侧后牙与合垫脱离咬合接触。

主体控制模块：用于接收压力传感器的信号，控制压力数据的处理、存储及打包，所述主体控制模块采用MCU微控制器芯片并集成在咬合板内部。

所述咬合板需要置于口腔内侧，从而达到实时、动态监测咬合力的目的，所以整个系统必须具有微型、低功耗、性能稳定等特点，且需要考虑患者佩戴的舒适性，要能够与人体牙齿相适应。故在本模块的设计中，所选用的模块均对尺寸和功耗提出了较高的要求，采用低功耗的MCU作为主控，控制多路压力信号的采集，并将模拟量经过多路AD转换模块转换成数字信号，经过处理后把数据发给服务端，进行下一步处理。同时，由于咬合力测量模块置于口腔内部，供电方式选择纽扣电池，当电量不足时，无法供给MCU所需要的工作电压，MCU可能会断电丢失数据，所以必须要对测量的数据进行存储，保证在断电的情况下数据不会丢失。而且也要对程序进行掉电保护，这样更换电池时，不用对MCU进行程序重新写入操作，增强整个模块的实用性和数据传输的稳定性。

无线收发模块：用于将主体控制模块处理后的压力数据无线发送到接收端，所述无线收发模块集成在咬合板内部，具体采用蓝牙芯片实现。

接收端：用于接收无线收发模块的数据，并按照通信协议对打包的数据进行解析，把解析后的数据传输给服务器，所述接收端包括患者佩戴的手环或者手机。

服务器：利用人工智能算法对接收到的咬合力数据进行处理，将未智能处理的原始数据和智能处理后的结果传输到接收终端上。

在服务器中，基于人工智能算法对咬合力数据进行进一步处理，服务器收到的数据是感应力(牙齿咬合力)随时间变化的多通道一维信号，每个通道记录了一个采样点的情况。我们利用人工智能的算法，结合数字信号处理、统计分析等方法，对信号进行分析，对患者是否患病、患病类型、患病严重程度、病情的发展情况等给出结论，通过互联网传给医生，辅助医生对患者进行治疗。我们对数据的整个分析过程分为：信号滤波、特征提取、Bagging集成分类和一维卷积神经网络判别四个部分，其中信号滤波和特征提取这两步是每个通道分别进行的。

由于测量误差和电磁波干扰等原因，我们获得的感应力信号通常是有误差的，通过实验我们证明了每个通道的信号中的噪声的概率密度函数都是服从高斯分布的，即噪声为高斯噪声。我们利用平移不变量小波去噪法对信号进行滤波，与其他方法相比，该方法不仅能有效的抑制Pseduo-Gibbs现象，而且原始信号和估计信号之间的均方根误差较小。

在滤波之后，我们提取了信号中一些有代表性的特征，然后将提取的特征作为输入，利用Bagging集成分类的方法对测试者是否患有磨牙症进行判断。使用KNN、决策树、支持向量机和全连接神经网络4个分类器分别做出判断，然后用加权投票的方式得到最终的判断结果。为了提升算法的泛化能力，每个分类器所使用的训练样本集不完全相同。我们采用自助采样法，在训练样本集中有放回地抽取m次(m为训练样本的个数)，得到一个新的、容量为m的训练样本集。在新样本集中，某些样本会出现多次，而某些样本则不会出现。对于每一个分类器，我们用此方法生成一个新样本集，然后用新样本集训练分类器。在训练完成后，我们采用“包外估计”的方法估计分类器的准确率。我们估计的准确率即为对应分类器的权值。

最后使用一维卷积神经网络对患者的患病类型、患病严重程度、病情的发展趋势等做进一步的判断，网络输入是患者的感应力信号，输出根据医生的需求来确定。

在服务器端处理完数据之后，把所得到的处理后的分析结果传输给接收终端，接收终端用于接收服务器的数据信息，即医生的智能手机，手机装有相关的APP，能够通过网络下载磨牙分析结果，在APP端进行可视化显示，供医生查看患者磨牙数据并提出治疗方案。

如图7示，处理数据算法均采用经典算法移植到本发明的咬合应力分析上，总体流程分为四个部分，对这4个部分分别做详细的说明如下：

1.信号滤波

如图8示，首先借助小波变换，将咬合应力信号变换到小波域，然后把信号的小波变换与噪声的小波变换分离，最后丢弃噪声的变换系数,由剩余的变换系数做逆变换得到去噪信号。在诸多的小波变换去噪法中，选择平移不变量小波去噪法对信号进行去噪，具体来说，若得到的原始信号为x(t)，0≤t≤n,对x(t)进行h(h为正整数)的时域平移后得到的信号S_h(t)＝x(t+h)，则在S_h可逆的条件下，n次循环平移的平移不变量小波去噪法可用下式表示：

其中H_n＝{h：0≤h＜n}，Ave表示求均值，T表示对信号用Donoho阈值法进行去噪处理。

2.咬合应力数据特征提取

如图9示，对于每个通道，我们提取其时域和频域特征，在提取时域特征时，我们利用信号采样点的值进行计算，我们的采样点共有N个，第i个采样点的值我们记为x(i)，我们提取以下6个特征：

①振幅：A＝max(x(i))-min(x(i))，max(x(i))和min(x(i))分别表示采样点中的最大值和最小值，这样A可以用来表示信号的振幅，即其最大值与最小值之差。

②均值：可以用来表示信号的平均值。

③标准差：其中是②中求出的信号均值。S_n可用来衡量信号的波动程度。

④近似熵：近似熵是量化时间序列的规律性和可预测性的参数，其计算方式比较复杂。首先记长度为m的向量X(i)＝[x(i)，x(i+1)，，，x(i+m-1)]，其中x(i)仍然是信号第i个采样点的值，这样我们可以得到N-m+1个向量X(1)，X(2)，，，X(N-m+1)。再定义两个向量X，X^*的距离d[X，X^*]＝max|x(a)-x^*(a)|，即两个向量对应元素的最大差值。在我们前面得到的N-m+1个向量中，统计满足以下条件的向量的个数：

该式计算的是在这N-m+1个向量中，与向量X(i)的距离不超过r的向量所占的比例。

我们再定义：

即由这N-m+1个向量对应的值的对数平均。

则现在我们可以给出近似熵的定义公式：

ApEn＝Φ^m(r)-Φ^m+1(r)

ApEn即为我们需要的近似熵，该式计算的是当向量长度增加1时，Φ^m(r)的值和Φ^m+1(r)的值的差。在定义近似熵的过程中出现了2个参数m和r，通常我们取m＝3，r＝0.2S_n。

⑤重心频率：其中S(f)是对滤波后的时域信号做傅里叶变换后得到的频域信号。

⑥频率标准差：其中S(f)是对滤波后的时域信号做傅里叶变换后得到的频域信号。FC是⑤中求出的重心频率。

3.Bagging集成分类

如图10，在得到患者的咬合应力信号的特征之后，使用KNN、决策树、支持向量机和全连接神经网络4个分类器分别做出判断，然后采用了Bagging集成分类的方法，得到最终的判断结果。下面对4个分类器的算法原理及其参数选择等分别做详细的说明。

(1)KNN

KNN，即K-近邻算法，是一种经典的分类算法，它的基本思想很简单：对于某个样本，根据特征空间(特征向量所在的空间)中距离与其最近的k个样本的类别判断该样本所属的类别。该算法分为以下5步：

①计算测试数据与各个训练数据之间的距离；

②按照距离的递增关系进行排序；

③选取距离最小的k个样本；

④确定前k个样本所在类别的出现频率；

⑤返回前k个样本中出现频率最高的类别作为测试数据的预测分类。

决定该算法精度的主要有以下三点：

①k的选取：一般来说，k的范围不小于3，不大于20。k值较小时，会对近邻的训练样本较为敏感，容易出现过拟合；k值较大时，距离较远的训练样本也会起到预测作用，容易出现欠拟合。因此采用10折交叉验证的方式，寻找最优的k值。

②距离的度量，采用欧氏距离度量两个样本的距离，若两个样本对应的特征值分别为则它们的距离这也是最常用的距离度量方式。考虑到不同特征的数值量级可能有较大差别，因此需要对特征向量做归一化处理。设样本特征的第m个分量的最大值为最小值为则令

③对样本所属类别的判断：标准的KNN算法是采用简单投票的方式决定待分类样本的所属类别，但考虑到距离不同的样本对待分类样本的影响程度不同，所以采用加权投票的方式确定所属样本的类别，权值函数为其中a是为了避免距离很近的点权值过大而设置的一个常数，由于已经对特征向量做了归一化处理，因此设置a＝1即可。采用加权投票的方式还可以在一定程度上解决样本不均衡的问题。

(2)决策树

此处所说的决策时，指的是分类二叉决策树，其核心思想是在一个数据集中找到一个最优特征，然后从这个特征的选值中找一个最优候选值(即最优分类阈值)，根据这个最优候选值将数据集分为两个子数据集，然后递归上述操作，直到满足指定条件为止。决策树分类实际上就是if-else的堆彻。利用决策树进行分类的算法步骤如下：

①决策树中的每一个结点(叶结点除外)对应于一个提问。每一个叶结点给出最终的分类。决策树的构建从根结点开始。

②根结点的构建：根结点对应于训练样本集D。通过选择针对某一属性的一个问题进行提问，可以根据对该问题的回答，将训练样本集D分类两个部分：Dy及Dn(其中，Dy为回答YES的样本，Dn为回答NO的样本)，并建立与之相对应的两个子结点。希望选择一个这样问题进行提问：使得Dy及Dn尽可能纯净。

③中间结点的构造：对于每一个中间结点(结点N)，都有一个与之对应的子集DN。同样，根据结点N的提问，可以将DN进一步划分为两个部分DNy及DNn(其中，DNy为回答YES的样本，DNn为回答NO的样本)，并得到与之相对应的两个子结点。希望根据结点N提出的问题，能够使DNy及DNn尽可能纯净。

④当如上得到的某一个子结点满足某些条件时，就可以确定该结点为叶结点，并给出其类别。

⑤当决策树中的每一条路径都对应于一个叶结点时，学习过程结束，决策树构建完毕。

⑥根据上述准则(纯净度准则)构建决策树，可以保证决策树的复杂度较小(结点数量少、深度小)。

对于算法的细节，进行如下设置：

①对分类特征和分类阈值的选择：选择使分类前后的信息熵之差(信息增益)最大的特征作为分类特征。设D为需要划分的训练元组，则D的信息熵(entropy)表示为：

其中，m为D中元素的类别数，p_i表示第i个类别在整个训练元组中出现的概率，可以用属于此类别元素的数量除以训练元组元素总数量作为估计。熵的实际意义表示是D中元组的类标号所需要的平均信息量。

现在假设将训练元组D按属性A进行划分，则A对D划分的期望信息为：

其中，v为划分的子训练元祖个数，则信息增益即为两者的差值：

gain(A)＝info(D)-info_A(D)

而在设置分类阈值时，选择可以把结点的样本等分的阈值即可，这样在保证决策树的分类准确率较高的同时，还能避免很多无谓的计算。

②叶节点的确定：若令每个节点都完全展开至不可再进一步划分的结点，则通常会出现比较严重的过拟合现象。因此设置，当该结点对应的样本数少于5，深度已经达到8时，不再展开该结点，若叶结点包含不同类别的样本，则采用简单投票(多数服从)的方式决定该叶结点对应的分类属性。

(3)支持向量机

支持向量机，又称SVM，是一种经典的机器学习算法，可以用来解决二分类问题，其主要思想是找到一个线性分类器g(x)＝w^Tx+w₀，使得分类面g(x)＝0满足：①分类面与两类样本间的距离相等。②分类面与两类样本间的距离最大。即支持向量机设计的目的，本质上是寻求一个距离最大化的等距离分类面。

在经过一系列数学推导之后，可以把它转化为一个约束条件下的极值问题：

其中，y_i＝1 if x∈w₁,y_i＝-1 if x∈w₂；

然后使用拉格朗日乘数法解决求解该问题，就可以得到最优的分类面。

以上是支持向量机的核心思想，但最基本的支持向量机无法解决样本线性不可分的情况，解决该问题主要有2种方法：

①引入松弛变量，不要求样本一定线性可分，但希望样本尽量线性可分，可以把最终的条件极值问题转化为：

其中，y_i＝1 if x∈w₁,y_i＝-1 if x∈w₂,C为惩罚因子。

②用函数φ(x)把样本从原始空间中映射到一个更高维的特征空间，使样本在特征空间中线性可分。有定理证明，如果原始空间是有限维，那么一定存在一个更高维的特征空间使样本线性可分。该方法称为核函数方法，φ(x)称为核函数。

此时的条件极值问题为：

其中，y_i＝1 if x∈w₁,y_i＝-1 if x∈w₂。

同时使用这两种方法改进支持向量机，这样我们的支持向量机对应的条件极值问题为：

i＝1，...，N

其中，y_i＝1 if x∈w₁,y_i＝-1 if x∈w₂。

惩罚因子C按照工业界的惯例设置为1，核函数选择最常用的高斯核函数。

(4)全连接神经网络：

本发明的全连接神经网络用于分析磨牙应力特征及磨牙病情的严重程度，该网络具有一个输入层、2个隐层和1个输出层，它们的节点数分别为96,96,96,2。输出层的非线性激活函数使用softmax函数，其余所有节点均使用Relu函数作为非线性激活函数。为了避免训练过程中出现过拟合现象，使用了以下两个手段：

①dropout:在训练的一次循环中先以概率p随机选择神经层中的一些单元并将其临时隐藏，然后再进行该次循环中神经网络的训练和优化过程。在下一次循环中，又隐藏另外一些神经元，如此直至训练结束。在测试时，不隐藏任何神经元，且需要对每个权值乘以系数1-p。

②L2正则化：正则化即为在原来的损失函数的基础上加上一个惩罚项，若记原来的损失函数为C₀，则新的损失函数为：

其中，w是神经网络中的所有权值，λ是正则化参数。由于惩罚项为神经网络中所有权值的平方和，因此称其为L2正则化。

训练过程中，使用动量梯度下降法，权重更新公式为：

W_i+1＝W_i-∈V_i+1

其中β为动量系数，设置其为0.9(常用值)。训练时的批尺寸batch size设置为128。

4.一维卷积神经网络判别

如图11，本发明的一维卷积神经网络的基本模块是一个包含3个卷积层的残差结构，其中pwconv1和pwconv2表示一维的逐点卷积(pointwise convolution)，dwconv表示一维的深度卷积(depthwise convolution),BN表示批归一化(batch normalization),Relu6表示非线性激活函数为Relu6函数。

为了使模块中间的dwconv可以更丰富地提取特征，以6倍的扩展率增大其通道数，具体来说，若输入模块的信号的通道数(特征数)为n，则pwconv1的输出通道数为6n，dwconv的输入和输出通道数都为6n，pwconv2的输出通道数为6n，输出通道数重新减少至n。该模块与Mobilenetv2中的Bottleneck结构十分相似，因此把该模块命名为Bottleneck1d。

表1判断患者患病类型的一维卷积神经网络的总体架构。

Operator	Cin	Cout	T
				Conv1d	16	32	1
Maxpooling	32	32	1
				Bottleneck1d	32	32	6
Conv1d	32	64	1
				Maxpooling	64	64	1
Bottleneck1d	64	64	6
				Conv1d	64	128	1
Maxpooling	128	128	1
				Bottleneck1d	128	128	6
Conv1d	128	256	1
				Maxpooling	256	256	1
GAP	256	256	1
				FullyConnected	256	64	1
FullyConnected	64	3	1

如表1所示，本发明所搭建的一维卷积神经网络的总体结构与经典的轻量级卷积神经网络Mobilenetv2比较相似，表中的Operator表示具体的网络结构，Cin表示输入通道数(卷积层)或输入节点数(全连接层)，Cout表示输出通道数(卷积层)或输出节点数(全连接层)，T表示该结构的重复次数。表中的GAP的含义为全局平均池化(Global AveragePooling)。在网络中，所有卷积层的卷积核长度都为3，所有池化层的池化核长度都为2，除了最后一个全连接层，网络中所有的激活函数都为Relu6函数。

由于磨牙症主要分为3类：白天磨牙、晚上磨牙、白天晚上都磨牙，因此用于判断患者患病类型的网络的最后一层的输出节点数为3，若想利用网络分析患者的其他情况，只需更改网络最后一层的结构。与前面提到的全连接神经网络相同，使用系数为0.9的动量梯度下降法训练网络，批尺寸设置为128。此外采用迁移学习的方法，在训练开始前先利用外部数据对网络进行预训练，以获得较好的初始化权值。

如图2所示，在初始状态下，装置处于休眠状态，降低系统功耗。当患者磨牙时，就会通过咬合与磨牙对传感器产生一个作用，从而导致传感器输出的电压值或者电流值发生变化，进而传递给AD转换器。为了比较好的记录磨牙的开始时间，防止误判，在初始时存储一个比较阈值，当AD采集的数字信号大于这个阈值，才认为磨牙发生。唤醒MCU进行多通道AD转换的控制。

如图3所示，进行预判判断磨牙事件发生时，唤醒MCU进行主体控制。AD转换器把传感器采集的模拟信号转化成MCU可以处理的数字信号，并且把数据送入MCU中。一旦MCU接收到数据，MCU会被硬件信号唤醒，同时对多路AD进行分路控制，在微观上异步采集数据，而在宏观上同步采集数据。对于接收到的数据，在MCU中进行切割、分类、转换以及去掉干扰数据等操作，把合格的数据存储后然后以一定的格式进行打包，通过无线传输装置发送给服务端。当服务端接收成功接收数据后，给MCU一个反馈信号，MCU会再次进入休眠状态，等待下一次磨牙事件发生，否则MCU会对数据进行重发，确保服务端可以得到采集的数据。

如图4所示，医生首先对患者进行初步诊断、检查分析。对磨牙症患者进行取模，确定全牙列咬合监测装置的设计，针对不同患者磨牙的病情轻重不同，对检测设备进行适当定制以提高装置使用性能、装置的性价比及易用性等。口腔模型加工厂拿到牙列模型及医生给出的装置设计方案后，对患者定制口内全牙咬合监测装置。患者在佩戴采集装置时，采集装置会实时采集患者磨牙时所产生的数据，并通过蓝牙传输到手环或者手机App。手环收到磨牙数据后，确认患者的磨牙情况，可以根据需要通过刺激性的手段提醒患者。手机App或者手环通过WiFi上传采集到的数据到服务器进行处理。在服务器，通过人工智能算法得到患者的磨牙分析结果。在手机App上可以通过Internet下载磨牙分析结果，医生可以随时查看磨牙数据并提出治疗方案。

手机APP支持随时绑定或解绑个人采集装置。医生可以随时查看磨牙情况以及人工智能算法分析，具体到每颗牙齿的磨牙情况(对磨牙数据进行可视化分析，以柱状图等形式体现)，了解患者的病情并及时给出或调整治疗方案。

如图5示，采集装置与手机的通讯过程是：采集装置发出广播并提供用于通讯的服务和特征字-->手机开启蓝牙进行扫描扫描到采集装置之后发起连接-->连接完成之后通过采集装置提供的用于通讯的服务和特征字开始收发数据。发送数据时，首先得到用于发送数据的蓝牙设备所拥有的特征。获取到了特征之后，把发送的数据填到特征里面，然后传输到设备。接收设备端发送过来的数据有两种发送，一是通过拥有可读属性的蓝牙网关特性去主动读取，二是通过拥有可通知属性的蓝牙网关特性去被动接收。本发明使用的是第二种，第一种使用场景有限。

如图6示，以上(a1)(a2)两幅图是在APP端的可视化显示效果图，用户可以根据需要切换显示诊断效果图。横轴是从左到右顺序排列的16颗牙齿，竖轴为咬合力的大小。当处理后的数据从服务器传入手机App后，可以借助于图形化手段把咬合力数据可视化显示，可以让用户直观的认知自己的磨牙情况。图(b1)(b2)是咬合力大小的三维柱状图可视化显示，医生可以直接从三维磨牙图形中得出数据所体现的复杂信息，有利于让医生更加全面的了解患者的磨牙病情，及时给出或调整治疗方案，达到更好的磨牙治疗效果。图(c1)(c2)(c3)是磨牙情况的时间维度的数据展现，时间轴为一月到十月的磨牙情况，横轴是每天的24小时，竖轴为磨牙情况，根据用户的磨牙情况自动更改坐标轴的大小。医生可以直接从图形中得出长期的患者磨牙情况，以便总结出患者的治疗效果，有利于医生及时给出或调整治疗方案，达到更好的磨牙治疗效果。

参见图1，本发明的工作原理是：

磨牙症患者通过佩戴装有压力感应芯片的全牙列合垫，对患者牙齿磨动情况进行实时动态监测。当磨牙症患者进行牙齿的磨动或紧咬时，压力感应芯片将从多位点同步实时记录患者合力大小、强度、频率，并将磨牙信息以无线信号发给磨牙信息分析及反馈模块，实现磨牙信息无线传输及智能分析。磨牙信息分析及反馈模块接收磨牙信息监测模块发出的磨牙信息，依据磨牙相对力值和时间判断磨牙，并以振动形式向患者发出反馈，提示磨牙动作存在，提醒患者有意识进行神经肌肉放松，停止磨牙行为。

Claims (7)

1.一种全牙列咬合监测与智能分析辅助诊疗装置，其特征在于，包括：

压力采集模块：用于采集患者牙齿咬合力数据，所述压力采集模块包括个性化定制的放置于患者牙齿上的咬合板，咬合板内嵌入多个用于采集压力信号的压力传感器；

主体控制模块：用于接收压力传感器的信号，控制压力数据的处理、存储及打包，所述主体控制模块采用MCU微控制器芯片并集成在咬合板内部；

无线收发模块：用于将主体控制模块处理后的压力数据无线发送到接收端，所述无线收发模块集成在咬合板内部；

接收端：用于接收无线收发模块的数据，并按照通信协议对打包的数据进行解析，把解析后的数据传输给服务器，所述接收端为患者佩戴的手环或者手机；

服务器：利用人工智能算法对接收到的咬合力数据进行分析处理得到磨牙分析结果，将未智能处理的原始数据和智能处理后的结果传输到接收终端上；

接收终端：用于接收服务器的数据信息，所述接收终端为能够通过网络下载磨牙分析结果并显示的手机或者PC，供医生查看患者磨牙数据并提出治疗方案。

2.根据权利要求1所述的一种全牙列咬合监测与智能分析辅助诊疗装置，其特征在于，所述无线收发模块采用蓝牙芯片。

3.根据权利要求1所述的一种全牙列咬合监测与智能分析辅助诊疗装置，其特征在于，所述对数据的分析过程分为：信号滤波、特征提取、Bagging集成分类和一维卷积神经网络判别四个部分，其中信号滤波和特征提取这两步是每个通道分别进行的。

4.根据权利要求3所述的一种全牙列咬合监测与智能分析辅助诊疗装置，其特征在于，所述信号滤波过程采用平移不变量小波去噪法对信号进行滤波。

5.根据权利要求3所述的一种全牙列咬合监测与智能分析辅助诊疗装置，其特征在于，所述Bagging集成分类使用KNN、决策树、支持向量机和全连接神经网络4个分类器分别做出判断，然后用加权投票的方式得到最终的判断结果。

6.根据权利要求3所述的一种全牙列咬合监测与智能分析辅助诊疗装置，其特征在于，所述一维卷积神经网络以mobilenetv2为模板进行设计，其基本模块是一个包含3个卷积层的残差结构，其中pwconv1和pwconv2表示一维的逐点卷积，dwconv表示一维的深度卷积,BN表示批归一化,Relu6表示非线性激活函数为Relu6函数；以6倍的扩展率增大其通道数，使模块中间的dwconv可以更丰富地提取特征，若输入模块的信号的通道数(特征数)为n，则pwconv1的输出通道数为6n，dwconv的输入和输出通道数都为6n，pwconv2的输出通道数为6n，输出通道数重新减少至n。

7.根据权利要求1所述的一种全牙列咬合监测与智能分析辅助诊疗装置，其特征在于，所述咬合板为与患者牙齿形状相吻合的全牙列合垫，并覆盖患者磨牙位置，压力传感器根据医生的取模诊断结果排列于全牙列合垫的牙齿咬合面上，具体设置在双侧牙列合面、上前牙腭面位置于咬合接触位，MCU微控制器芯片及无线收发模块根据医生咬模贴放在舌腭面，压力传感器、MCU微控制器芯片、无线收发模块上及全牙列合垫表面上均匀覆盖一薄层光固化透明树脂。