CN110033846B - 一种产科临床辅助顺产装置及控制方法、计算机程序 - Google Patents
一种产科临床辅助顺产装置及控制方法、计算机程序 Download PDFInfo
- Publication number
- CN110033846B CN110033846B CN201910309273.7A CN201910309273A CN110033846B CN 110033846 B CN110033846 B CN 110033846B CN 201910309273 A CN201910309273 A CN 201910309273A CN 110033846 B CN110033846 B CN 110033846B
- Authority
- CN
- China
- Prior art keywords
- module
- detected
- data
- index
- matrix
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004590 computer program Methods 0.000 title abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 40
- 238000007689 inspection Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000004321 preservation Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 12
- 239000000523 sample Substances 0.000 claims description 54
- 239000011159 matrix material Substances 0.000 claims description 49
- 230000002159 abnormal effect Effects 0.000 claims description 38
- 230000001605 fetal effect Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000009499 grossing Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000004887 air purification Methods 0.000 claims description 5
- 210000003754 fetus Anatomy 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 239000013618 particulate matter Substances 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000000241 respiratory effect Effects 0.000 abstract description 2
- 230000004044 response Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 210000001015 abdomen Anatomy 0.000 description 10
- 238000002604 ultrasonography Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 230000000803 paradoxical effect Effects 0.000 description 3
- 206010011409 Cross infection Diseases 0.000 description 2
- 206010029803 Nosocomial infection Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000034423 Delivery Diseases 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003793 prenatal diagnosis Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 208000037920 primary disease Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000001215 vagina Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
本发明属于辅助顺产技术领域，公开了一种产科临床辅助顺产装置及控制方法、计算机程序，产科临床辅助顺产装置包括：产检模块、电子产检表生成模块、主控模块、角度调整模块、按摩模块、空气净化模块、保温模块、虚拟训练模块。本发明通过电子产检表生成模块能够自动生成电子产检表，提高产检表的可读性，提高诊断的准确性和病历的可追溯性；同时，通过虚拟训练模块高度仿真操作全过程，包括真实的超声图像、呼吸运动的仿真和真实的触觉反应，可以在不对病人产生任何危险的前提下，有效的用于超声的教学，训练和操作评估，非常适合医院的教学和培训。
Description
技术领域
本发明属于辅助顺产技术领域，尤其涉及一种产科临床辅助顺产装置及控制方法、计算机程序。
背景技术
产科的住院人群是以产妇及新生儿为主，是一组特殊的人群，大部分的产妇是身体健康无原发病的青年妇女，但同时是医院感染的高危人群，而新生儿免疫力低下，也是医院感染的高危人群。因此做好相应的预防工作为进一步提高产科的护理质量打好坚实的基础。顺产是一种分娩方式，是一种产力、产道和胎儿三个因素均正常且能互相适应，胎儿经阴道自然娩的方式。然而，现有产科临床辅助顺产装置不能及时生成产妇的产检表数据，不利于顺产过程诊断的准确性；同时，现有产科临床辅助顺产装置缺乏训练功能，受训医生大多在指导医生的指导下，通过临床观摩进行训练，接触的病例受到限制，而且让病人承担很大的风险。
综上所述，现有技术存在的问题是：
现有产科临床辅助顺产装置不能及时生成产妇的产检表数据，不利于顺产过程诊断的准确性；
同时，现有产科临床辅助顺产装置缺乏训练功能，受训医生大多在指导医生的指导下，通过临床观摩进行训练，接触的病例受到限制，而且让病人承担很大的风险。
目前胎儿图像评价的数学模型有很多种，比如因子分析模型、模糊数学模型、聚类模型等。但是这些传统的评价模型并没有很好地解决观测指标与胎儿图像异常级别之前的非线性关系。评价的目的不只是简单地分类出各指标的异常等级，不能综合合理地评价出胎儿图像等级。
现有的图形相似度常用识别方法有概率统计算法、特征值的最小均方误差和几何外观特征必要条件的加权平均算法等。虽然取得了一定的效率，但也存在一些不足：算法的实现过程和视觉分辨的匹配性不直观；算法复杂，导致数据处理量大，运行成本高；算法的平均性分析导致图形中重要几何特征的变化对整体相似度的影响，导致准确性和稳定性存在一定偏差。
发明内容
针对现有技术存在的问题，本发明提供了一种产科临床辅助顺产装置及控制方法、计算机程序。
本发明是这样实现的，一种产科临床辅助顺产装置的控制方法，包括：
利用产检医疗设备检测相关数据信息；根据检测的数据自动生成电子产检表；产检医疗设备检测相关数据信息中，包括：
将图像去噪模型应用到同一区域待检部位样本预处理中，建立带权的高斯平滑滤波器矩阵模型，计算高斯平滑中心点相对左右阈值的差值和，最后计算高斯平滑处理后的样本值；
将因子分子与模糊数学隶属度结合得到单项指标的因子隶属度，得到对待检部位单项指标评价；计算综合权重，得到不同物质浓度对应的综合评定权重；最后使用模糊模型中统一化权重计算，得到待检部位综合权重矩阵，计算得到待检部位状况；
改进的因子定权模型成果展示，各项指标评价子模块是前期待检部位预处理结果的呈现，将海量数据通过高斯去噪模型处理后，得到合理指标数据；通过因子定权模型分析，将数据经傅立叶加权变换转换成对应异常度的异常值，得到最后待检部位异常等级；待检部位基础信息子模块实时显示待检部位预处理和评价过程中的关键数据信息，让用户直观了解待检部位评价中各项指标动态因子权重和异常等级因子隶属概率；
结合相关分析算法对当前各项超标待检部位指标和预测超标指标向用户发出警报，以待检部位评价模块计算数据为基础，设置异常警报指数，根据BP神经网络预测算法，预测下一时间节点的待检部位各项异常指标值，根据监控数据实时自动向用户发出警报；
所述高斯去噪模型的步骤如下：
步骤一，建立带权的高斯平滑滤波器矩阵模型：
式中：Q为滤波器矩阵，Q为1*n的矩阵；
n为矩阵大小阈值；
i为距离中心坐标点的相对坐标值，即Q[i]所得为该坐标点相对中心点的权重差；
步骤二，计算高斯平滑中心点相对左右阈值的差值和；
式中：S[k]为中心点相对左右阈值的差值和；
buf[k]为中心点的样本测量值；
n为滤波器矩阵大小；
步骤三，计算高斯平滑处理后的样本值：
式中：buf′[k]为中心点处理后的值；
buf[k]为中心点的样本测量值；
n为滤波器矩阵大小；
利用升降器调节床体靠背角度；利用按摩垫对产妇背部进行按摩操作；利用空气净化器净化产房环境；利用发热管对床体进行保暖操作；利用超声探头采集图像并构建虚拟环境进行虚拟训练；
超声探头采集图像中，消除图像中的奇化部分；建立两图像的数学模型，由描述图像的完备向量组建立与图像对应的特征矩阵，计算出相邻两边的夹角；计算两图像间的最近距离；对计算结果的增强性处理。
进一步，改进的因子定权模型成果展示包括：
将海量数据通过高斯去噪模型处理后，得到合理指标数据；
将预处理之后的数据通过因子定权模型分析，得到最后待检部位异常等级；
以指标评价和因子定权模型评价为基础，实时显示待检部位预处理和评价过程中的关键数据信息；
所述因子定权模型的算法步骤如下：
步骤1，将因子分子与模糊数学隶属度结合得到因子隶属度，如公式：
式中x0代表待检部位指标前一个异常等级；
x1代表待检部位指标后一个异常等级；
x代表当前待检部位样本值；
步骤2，根据公式
对待检部位单项指标评价；
W为待检部位各项指标样本集合，L为待检部位各项指标异常等级集合，建立如下公式：
式中：A为样本数值；
n为指标数目；
m为异常等级个数据；
通过以下公式计算出单项指标的因子隶属度，对应n个待检部位指标得到m*n的矩阵R；
步骤3，计算综合权重；
待检部位异常是由多个指标引起的，不同物质浓度应当对综合评定权重有影响，单个指标的权重计算如以下公式：
式中：Ai代表当前指标数值；
Lk代表指标等级；
使用模糊模型中统一化权重计算，得到如下公式：
式中：wk代表单一指标权重；
有n个待检部位指标，即得到待检部位综合权重矩阵B，如以下公式：
B＝[W1，W2，......，Wn]
步骤4，将矩阵R与矩阵复合计算，计算得到待检部位状况。
进一步，所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形：
S1＝(11，α1，12，α2...1N-1，αN-1，1N，αN)；
S1和该多边形有一一映射关系，其表示与边角初始顺序无关；
所述完备向量组，按逆时针方向，有2N个向量S1、S2……S2N-1、S2N和多边形均有一一映射关系，构成了该多边形的一个完备向量组，表示如下：
S1＝(11，α1，12，α2...1N-1，αN-1，1N，αN)；
S2＝(α1，12，α2...1N-1，αN-1，1N，αN，11)；
……
S2N-1＝(1N，αN，11，α1，12，α2...1N-1，αN-1)；
S2N＝(αN，11，α1，12，α2...1N-1，αN-1，1N)；
用矩阵SE表示完备向量，并定义SE为该多边形的特征矩阵，SE表示如下：
进一步，电子产检表生成中，采用模糊C-均值聚类算法对检测的产检数据进行处理，自动生成电子产检表，纠正分类错误，提高模糊点的清晰度，提高生成的产检数据的准确性；
具体采用以下算法：
把n个向量xi(i＝1，2，…，n)分为c个类别，用每类的聚类中心代表该类，聚类中心为V＝{v1，v2，…，vc}；uik表示第i个数据点属于第k类的隶属度，隶属度越大表示数据对象属于该类的程度越高，隶属度越小表示属于该类的程度越小；
FCM算法的目标函数为：
其中：uik∈[0，1]，
dik＝||·||为样本点与类中心之间的相似性距离；m是模糊参数。
进一步，空气净化器，采用偏微分算法对产房内空气净化；具体有：
解上方程，得到ρ的表达式为：
ρ＝bρ0+(ρt＝0-bρ0)e-at
其中，Q1＝S1v1，为通过过滤网的单位时间空气流量值；η是过滤网对通过其颗粒物的吸收效率；单位时间内外界与产房环境的对流空气流量为Q2，则由此导致单位时间内颗粒物的增加量为
而
表示单位时间内净化器净化空气体积占房间体积比，
表示单位时间内净化器与外界交换气体体积占总体积百分比；其中
的值越大的对应净化器的性能越优秀；
的值越小，不容易造成再次异常，对应房间内净化效率越高；
超声探头，采用非局部均值滤波算法，去除超声探头采集胎儿图像过程中的离散噪声图像，使得图像的轮廓清楚，图像清晰：
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；
所述虚拟训练模块虚拟方法进一步包括：
收集并记录超声探头在不同位置进行超声波作业获得的超声图像信息；
建立不同位置与其对应的超声图像信息的关联关系；
建立包含所获得的不同位置的超声图像信息和所述关联关系的训练数据库；
在进行产科超声检查训练时，对超声探头在模拟的位置进行检测，并根据检测到的位置信息以及所述关联关系，从训练数据库中读取对应的超声图像信息；
利用可视化模块显示从训练数据库中读取对应的超声图像信息；
所述位置信息包括超声探头所在空间直角坐标系中的坐标信息以及所在坐标的压力信息；所述胎儿超声图像信息包括胎儿超声图像名称和胎儿超声图像。
所述建立孕妇肚子不同位置与其对应的胎儿超声图像信息的关联关系包括：
通过分别将超声探头在孕妇肚子上的位置信息与其对应的胎儿超声图像信息中的胎儿超声图像名称进行关联处理，建立孕妇肚子不同位置与其对应的胎儿超声图像信息的关联关系。
本发明另一目的在于提供一种实现所述产科临床辅助顺产装置的控制方法的计算机程序。
本发明另一目的在于提供一种实现所述产科临床辅助顺产装置的控制方法的信息数据处理终端。
本发明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产科临床辅助顺产装置的控制方法。
本发明另一目的在于提供一种实现所述产科临床辅助顺产装置的控制方法的产科临床辅助顺产装置，所述产科临床辅助顺产装置包括：
产检模块，与主控模块连接，用于通过产检医疗设备检测产妇相关数据信息；
电子产检表生成模块，与主控模块连接，用于根据检测的产检数据自动生成电子产检表；
主控模块，与产检模块、电子产检表生成模块、角度调整模块、按摩模块、空气净化模块、保温模块、虚拟训练模块连接，用于通过单片机控制各个模块正常工作；
角度调整模块，与主控模块连接，用于通过升降器调节床体靠背角度；
按摩模块，与主控模块连接，用于通过按摩垫实现对产妇背部进行按摩操作；
空气净化模块，与主控模块连接，用于通过空气净化器净化产房环境；
保温模块，与主控模块连接，用于通过发热管对床体进行保暖操作；
虚拟训练模块，与主控模块连接，用于通过超声探头采集胎儿图像并构建虚拟环境进行虚拟训练。
所述电子产检表生成模块包括表格录入模块、趋势图绘制模块、报告扫描模块；
表格录入模块，用于收集产妇的基本信息和产检信息，填入预设的电子表格中；
趋势图绘制模块，用于收集产检动态数据，在时间坐标系中绘制动态数据的变化趋势图；
报告扫描模块，用于扫描检验报告、影像报告生成电子检查报告；将所述表格录入模块生成的电子表格、所述趋势图绘制模块绘制的数据变化趋势图和电子检查报告按照预设顺序，生成电子产检本。
本发明另一目的在于提供一种产科临床辅助顺产平台，所述产科临床辅助顺产平台至少搭载所述的产科临床辅助顺产装置。
本发明的优点及积极效果为：
本发明通过电子产检表生成模块能够自动生成电子产检表，提高产检表的可读性，医生可以更加方便的查询到关键信息，提高医生查阅产检表的效率，提高诊断的准确性和病历的可追溯性；同时，通过虚拟训练模块在虚拟环境下的产科超声训练系统来帮助医生进行培训，并着重于模拟各种真实环境下的图像及多种胎儿畸形。同时可以为超声引导下产科有创产前诊断技术、胎儿手术的发展奠定了良好的基础。该系统高度仿真操作全过程，包括真实的超声图像、呼吸运动的仿真和真实的触觉反应，可以在不对病人产生任何危险的前提下，有效的用于超声的教学，训练和操作评估，非常适合医院的教学和培训。
本发明提供的产科临床辅助顺产装置，具有(1)采用模糊C-均值聚类算法对检测的产检数据进行处理，自动生成电子产检表，有效纠正分类错误，提高模糊点的清晰度，提高生成的产检数据的准确性；(2)空气净化器，采用偏微分算法提高产房内净化效率，为产房带来优质环境；(3)超声探头，采用非局部均值滤波算法，去除超声探头采集胎儿图像过程中的离散噪声图像，使得图像的轮廓清楚，图像清晰。
本发明建立了能够更加准确的对胎儿图像做出评定的因子定权评价模型。通过对该模型大量数据测试，证明其算法运行效率和对评价的准确率大大提高，为最终的系统实现做好了准备工作。通过分析和处理海量测量数据，建立与定权因子耦合相关的数学分析模型，挖掘历史知识，通过科学合理的评定系统；对数学模型分析成果的进一步升华，通过因素分析，实现区域性对比和关联因素的预测分析，提供图像异常报警。
本发明提供的多边形轮廓相似度检测方法，提高了机器对图形相似度的视觉分辨效果，尤其对人工不易分辨高相似度图形的难点有很大帮助；图形检测效果有较强的稳定性和可靠性；检测时间短，运行高效，实施效果成本低。本发明仅对图形的边进行查询，减少了数据处理量。本发明通过构造图形的特征矩阵，选取合适的判定准则，并对特征矩阵元素进行多次增强性非线性变换，用多数值、多标准的加权平均值建立相似度标准，达到了算法高效并有较强的稳定性。
附图说明
图1是本发明实施例提供的产科临床辅助顺产装置结构框图。
图中：1、产检模块；2、电子产检表生成模块；3、主控模块；4、角度调整模块；5、按摩模块；6、空气净化模块；7、保温模块；8、虚拟训练模块。
图2是本发明实施例提供的虚拟训练模块虚拟方法流程图。
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，本发明实施例提供的产科临床辅助顺产装置，包括：产检模块1、电子产检表生成模块2、主控模块3、角度调整模块4、按摩模块5、空气净化模块6、保温模块7、虚拟训练模块8。
产检模块1，与主控模块3连接，用于通过产检医疗设备检测产妇相关数据信息；
电子产检表生成模块2，与主控模块3连接，用于根据检测的产检数据自动生成电子产检表；
主控模块3，与产检模块1、电子产检表生成模块2、角度调整模块4、按摩模块5、空气净化模块6、保温模块7、虚拟训练模块8连接，用于通过单片机控制各个模块正常工作；
角度调整模块4，与主控模块3连接，用于通过升降器调节床体靠背角度；
按摩模块5，与主控模块3连接，用于通过按摩垫对产妇背部进行按摩操作；
空气净化模块6，与主控模块3连接，用于通过空气净化器净化产房环境；
保温模块7，与主控模块3连接，用于通过发热管对床体进行保暖操作；
虚拟训练模块8，与主控模块3连接，用于通过超声探头采集胎儿图像并构建虚拟环境进行虚拟训练。
本发明提供的电子产检表生成模块2包括表格录入模块、趋势图绘制模块、报告扫描模块；
表格录入模块，用于收集产妇的基本信息和产检信息，填入预设的电子表格中；
趋势图绘制模块，用于收集产检动态数据，在时间坐标系中绘制动态数据的变化趋势图；
报告扫描模块，用于扫描检验报告、影像报告生成电子检查报告；将所述表格录入模块生成的电子表格、所述趋势图绘制模块绘制的数据变化趋势图和电子检查报告按照预设顺序，生成电子产检本。
如图2所示，本发明提供的虚拟训练模块虚拟方法包括：
S101：收集并记录超声探头在孕妇肚子不同位置进行超声波作业获得的胎儿超声图像信息；
S102：建立孕妇肚子不同位置与其对应的胎儿超声图像信息的关联关系；
S103：建立包含所获得的孕妇肚子不同位置的胎儿超声图像信息和所述关联关系的训练数据库；
S104：在进行产科超声检查训练时，对超声探头在模拟孕妇肚子的位置进行检测，并根据检测到的位置信息以及所述关联关系，从训练数据库中读取对应的胎儿超声图像信息；
S105：利用可视化模块显示从训练数据库中读取对应的胎儿超声图像信息。
本发明提供的位置信息包括超声探头所在空间直角坐标系中的坐标信息以及所在坐标的压力信息；所述胎儿超声图像信息包括胎儿超声图像名称和胎儿超声图像。
本发明提供的建立孕妇肚子不同位置与其对应的胎儿超声图像信息的关联关系包括：
通过分别将超声探头在孕妇肚子上的位置信息与其对应的胎儿超声图像信息中的胎儿超声图像名称进行关联处理，建立孕妇肚子不同位置与其对应的胎儿超声图像信息的关联关系。
本发明工作时，通过产检模块1利用产检医疗设备检测产妇相关数据信息；通过电子产检表生成模块2根据检测的产检数据自动生成电子产检表；主控模块3通过角度调整模块4利用升降器调节床体靠背角度；通过按摩模块5利用按摩垫对产妇背部进行按摩操作；通过空气净化模块6利用空气净化器净化产房环境；保温模块7利用发热管对床体进行保暖操作；通过虚拟训练模块8利用超声探头采集胎儿图像并构建虚拟环境进行虚拟训练。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的产科临床辅助顺产装置的控制方法，包括：
利用产检医疗设备检测相关数据信息；根据检测的数据自动生成电子产检表；产检医疗设备检测相关数据信息中，包括：
将图像去噪模型应用到同一区域待检部位样本预处理中，建立带权的高斯平滑滤波器矩阵模型，计算高斯平滑中心点相对左右阈值的差值和，最后计算高斯平滑处理后的样本值；
将因子分子与模糊数学隶属度结合得到单项指标的因子隶属度，得到对待检部位单项指标评价；计算综合权重，得到不同物质浓度对应的综合评定权重；最后使用模糊模型中统一化权重计算，得到待检部位综合权重矩阵，计算得到待检部位状况；
改进的因子定权模型成果展示，各项指标评价子模块是前期待检部位预处理结果的呈现，将海量数据通过高斯去噪模型处理后，得到合理指标数据；通过因子定权模型分析，将数据经傅立叶加权变换转换成对应异常度的异常值，得到最后待检部位异常等级；待检部位基础信息子模块实时显示待检部位预处理和评价过程中的关键数据信息，让用户直观了解待检部位评价中各项指标动态因子权重和异常等级因子隶属概率；
结合相关分析算法对当前各项超标待检部位指标和预测超标指标向用户发出警报，以待检部位评价模块计算数据为基础，设置异常警报指数，根据BP神经网络预测算法，预测下一时间节点的待检部位各项异常指标值，根据监控数据实时自动向用户发出警报；
所述高斯去噪模型的步骤如下：
步骤一，建立带权的高斯平滑滤波器矩阵模型：
式中：Q为滤波器矩阵，Q为1*n的矩阵；
n为矩阵大小阈值；
i为距离中心坐标点的相对坐标值，即Q[i]所得为该坐标点相对中心点的权重差；
步骤二，计算高斯平滑中心点相对左右阈值的差值和；
式中：S[k]为中心点相对左右阈值的差值和；
buf[k]为中心点的样本测量值；
n为滤波器矩阵大小；
步骤三，计算高斯平滑处理后的样本值：
式中：buf′[k]为中心点处理后的值；
buf[k]为中心点的样本测量值；
n为滤波器矩阵大小；
利用升降器调节床体靠背角度；利用按摩垫对产妇背部进行按摩操作；利用空气净化器净化产房环境；利用发热管对床体进行保暖操作；利用超声探头采集图像并构建虚拟环境进行虚拟训练；
超声探头采集图像中，消除图像中的奇化部分；建立两图像的数学模型，由描述图像的完备向量组建立与图像对应的特征矩阵，计算出相邻两边的夹角；计算两图像间的最近距离；对计算结果的增强性处理。
改进的因子定权模型成果展示包括：
将海量数据通过高斯去噪模型处理后，得到合理指标数据；
将预处理之后的数据通过因子定权模型分析，得到最后待检部位异常等级；
以指标评价和因子定权模型评价为基础，实时显示待检部位预处理和评价过程中的关键数据信息；
所述因子定权模型的算法步骤如下：
步骤1，将因子分子与模糊数学隶属度结合得到因子隶属度，如公式：
式中x0代表待检部位指标前一个异常等级；
x1代表待检部位指标后一个异常等级；
x代表当前待检部位样本值；
步骤2，根据公式
对待检部位单项指标评价；
W为待检部位各项指标样本集合，L为待检部位各项指标异常等级集合，建立如下公式：
式中：A为样本数值；
n为指标数目；
m为异常等级个数据；
通过以下公式计算出单项指标的因子隶属度，对应n个待检部位指标得到m*n的矩阵R；
步骤3，计算综合权重；
待检部位异常是由多个指标引起的，不同物质浓度应当对综合评定权重有影响，单个指标的权重计算如以下公式：
式中：Ai代表当前指标数值；
Lk代表指标等级；
使用模糊模型中统一化权重计算，得到如下公式：
式中：wk代表单一指标权重；
有n个待检部位指标，即得到待检部位综合权重矩阵B，如以下公式：
B＝[W1，W2，......，Wn]
步骤4，将矩阵R与矩阵复合计算，计算得到待检部位状况。
所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形：
S1＝(11，α1，12，α2...1N-1，αN-1，1N，αN)；
S1和该多边形有一一映射关系，其表示与边角初始顺序无关；
所述完备向量组，按逆时针方向，有2N个向量S1、S2……S2N-1、S2N和多边形均有一一映射关系，构成了该多边形的一个完备向量组，表示如下：
S1＝(11，α1，12，α2...1N-1，αN-1，1N，αN)；
S2＝(α1，12，α2...1N-1，αN-1，1N，αN，11)；
……
S2N-1＝(1N，αN，11，α1，12，α2...1N-1，αN-1)；
S2N＝(αN，11，α1，12，α2...1N-1，αN-1，1N)；
用矩阵SE表示完备向量，并定义SE为该多边形的特征矩阵，SE表示如下：
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 (9)
1.一种产科临床辅助顺产装置的控制方法，其特征在于，所述产科临床辅助顺产装置的控制方法包括：
利用产检医疗设备检测相关数据信息；根据检测的数据自动生成电子产检表；产检医疗设备检测相关数据信息中，包括：
将图像去噪模型应用到同一区域待检部位样本预处理中，建立带权的高斯平滑滤波器矩阵模型，计算高斯平滑中心点相对左右阈值的差值和，最后计算高斯平滑处理后的样本值；
将因子分子与模糊数学隶属度结合得到单项指标的因子隶属度，得到对待检部位单项指标评价；计算综合权重，得到不同物质浓度对应的综合评定权重；最后使用模糊模型中统一化权重计算，得到待检部位综合权重矩阵，计算得到待检部位状况；
改进的因子定权模型成果展示，各项指标评价子模块是前期待检部位预处理结果的呈现，将海量数据通过高斯去噪模型处理后，得到合理指标数据；通过因子定权模型分析，将数据经傅立叶加权变换转换成对应异常度的异常值，得到最后待检部位异常等级；待检部位基础信息子模块实时显示待检部位预处理和评价过程中的关键数据信息，让用户直观了解待检部位评价中各项指标动态因子权重和异常等级因子隶属概率；
结合相关分析算法对当前各项超标待检部位指标和预测超标指标向用户发出警报，以待检部位评价模块计算数据为基础，设置异常警报指数，根据BP神经网络预测算法，预测下一时间节点的待检部位各项异常指标值，根据监控数据实时自动向用户发出警报；
所述高斯去噪模型的步骤如下：
步骤一，建立带权的高斯平滑滤波器矩阵模型：
式中:Q为滤波器矩阵，Q为1*n的矩阵；
n为矩阵大小阈值；
i为距离中心坐标点的相对坐标值，即Q[i]所得为该坐标点相对中心点的权重差；
步骤二，计算高斯平滑中心点相对左右阈值的差值和；
式中:S[k]为中心点相对左右阈值的差值和；
buf[k]为中心点的样本测量值；
n为滤波器矩阵大小；
步骤三，计算高斯平滑处理后的样本值：
式中:buf′[k]为中心点处理后的值；
buf[k]为中心点的样本测量值；
n为滤波器矩阵大小；
利用升降器调节床体靠背角度；利用按摩垫对产妇背部进行按摩操作；利用空气净化器净化产房环境；利用发热管对床体进行保暖操作；利用超声探头采集图像并构建虚拟环境进行虚拟训练；
超声探头采集图像中，消除图像中的奇化部分；建立两图像的数学模型，由描述图像的完备向量组建立与图像对应的特征矩阵，计算出相邻两边的夹角；计算两图像间的最近距离；对计算结果的增强性处理。
2.如权利要求1所述的产科临床辅助顺产装置的控制方法，其特征在于，
改进的因子定权模型成果展示包括：
将海量数据通过高斯去噪模型处理后，得到合理指标数据；
将预处理之后的数据通过因子定权模型分析，得到最后待检部位异常等级；
以指标评价和因子定权模型评价为基础，实时显示待检部位预处理和评价过程中的关键数据信息；
所述因子定权模型的算法步骤如下：
步骤1，将因子分子与模糊数学隶属度结合得到因子隶属度，如公式：
式中x0代表待检部位指标前一个异常等级；
x1代表待检部位指标后一个异常等级；
x代表当前待检部位样本值；
步骤2，根据公式
对待检部位单项指标评价；
W为待检部位各项指标样本集合，L为待检部位各项指标异常等级集合，建立如下公式：
式中：A为样本数值；
n为指标数目；
m为异常等级个数据；
通过以下公式计算出单项指标的因子隶属度，对应n个待检部位指标得到m*n的矩阵R；
步骤3，计算综合权重；
待检部位异常是由多个指标引起的，不同物质浓度应当对综合评定权重有影响，单个指标的权重计算如以下公式：
式中：Ai代表当前指标数值；
Lk代表指标等级；
使用模糊模型中统一化权重计算，得到如下公式：
式中：Wk代表单一指标权重；
有n个待检部位指标，即得到待检部位综合权重矩阵B，如以下公式：
B＝[W1，W2，......，Wn]
步骤4，将矩阵R与矩阵复合计算，计算得到待检部位状况。
3.如权利要求1所述的产科临床辅助顺产装置的控制方法，其特征在于，
所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形：
S1＝(l1,α1,l2，α2…lN-1,αN-1,lN,αN)；
S1和该多边形有一一映射关系，其表示与边角初始顺序无关；
所述完备向量组，按逆时针方向，有2N个向量S1、S2……S2N－1、S2N和多边形均有一一映射关系，构成了该多边形的一个完备向量组，表示如下：
S1＝(l1,α1,l2，α2…lN-1,αN-1,lN,αN)；
S2＝(α1,l2，α2…lN-1,αN-1,lN,αN,l1)；
……
S2N－1＝(lN,αN,l1,α1,l2，α2…lN-1,αN-1)；
S2N＝(αN,l1,α1,l2，α2…lN-1,αN-1,lN)；
用矩阵SE表示完备向量，并定义SE为该多边形的特征矩阵，SE表示如下：
SE＝[S1 T S2 T……S2N－1 T S2N T]
4.如权利要求1所述的产科临床辅助顺产装置的控制方法，其特征在于，
电子产检表生成中，采用模糊C-均值聚类算法对检测的产检数据进行处理，自动生成电子产检表，纠正分类错误；
具体采用以下算法：
把n个向量xi(i＝1，2，…，n)分为c个类别，用每类的聚类中心代表该类，聚类中心为V＝{v1，v2，…，vc}；uik表示第i个数据点属于第k类的隶属度，隶属度越大表示数据对象属于该类的程度越高，隶属度越小表示属于该类的程度越小；
FCM算法的目标函数为:
其中:uik∈[0，1]，
dik＝||·||为样本点与类中心之间的相似性距离；m是模糊参数。
5.如权利要求1所述的产科临床辅助顺产装置的控制方法，其特征在于，
空气净化器，采用偏微分算法对产房内空气净化；具体有：
解上方程，得到ρ的表达式为：
ρ＝bρ0+(ρt＝0-bρ0)e-at
其中，Q1＝S1 v1，为通过过滤网的单位时间空气流量值；η是过滤网对通过其颗粒物的吸收效率；单位时间内外界与产房环境的对流空气流量为Q2，则由此导致单位时间内颗粒物的增加量为
而
表示单位时间内净化器净化空气体积占房间体积比，
表示单位时间内净化器与外界交换气体体积占总体积百分比；其中
的值越大的对应净化器的性能越优秀；
的值越小；
超声探头，采用非局部均值滤波算法，去除超声探头采集胎儿图像过程中的离散噪声图像；
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；
虚拟训练模块虚拟方法进一步包括：
收集并记录超声探头在不同位置进行超声波作业获得的超声图像信息；
建立不同位置与其对应的超声图像信息的关联关系；
建立包含所获得的不同位置的超声图像信息和所述关联关系的训练数据库；
在进行产科超声检查训练时，对超声探头在模拟的位置进行检测，并根据检测到的位置信息以及所述关联关系，从训练数据库中读取对应的超声图像信息；
利用可视化模块显示从训练数据库中读取对应的超声图像信息。
6.一种实现权利要求1～5任意一项所述产科临床辅助顺产装置的控制方法的信息数据处理终端。
7.一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1-5任意一项所述的产科临床辅助顺产装置的控制方法。
8.一种实现权利要求1所述产科临床辅助顺产装置的控制方法的产科临床辅助顺产装置，其特征在于，所述产科临床辅助顺产装置包括：
产检模块，与主控模块连接，用于通过产检医疗设备检测产妇相关数据信息；
电子产检表生成模块，与主控模块连接，用于根据检测的产检数据自动生成电子产检表；
主控模块，与产检模块、电子产检表生成模块、角度调整模块、按摩模块、空气净化模块、保温模块、虚拟训练模块连接，用于通过单片机控制各个模块正常工作；
角度调整模块，与主控模块连接，用于通过升降器调节床体靠背角度；
按摩模块，与主控模块连接，用于通过按摩垫实现对产妇背部进行按摩操作；
空气净化模块，与主控模块连接，用于通过空气净化器净化产房环境；
保温模块，与主控模块连接，用于通过发热管对床体进行保暖操作；
虚拟训练模块，与主控模块连接，用于通过超声探头采集胎儿图像并构建虚拟环境进行虚拟训练；
所述电子产检表生成模块包括表格录入模块、趋势图绘制模块、报告扫描模块；
表格录入模块，用于收集产妇的基本信息和产检信息，填入预设的电子表格中；
趋势图绘制模块，用于收集产检动态数据，在时间坐标系中绘制动态数据的变化趋势图；
报告扫描模块，用于扫描检验报告、影像报告生成电子检查报告；将所述表格录入模块生成的电子表格、所述趋势图绘制模块绘制的数据变化趋势图和电子检查报告按照预设顺序，生成电子产检本。
9.一种产科临床辅助顺产平台，其特征在于，所述产科临床辅助顺产平台至少搭载权利要求8所述的产科临床辅助顺产装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910309273.7A CN110033846B (zh) | 2019-04-17 | 2019-04-17 | 一种产科临床辅助顺产装置及控制方法、计算机程序 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910309273.7A CN110033846B (zh) | 2019-04-17 | 2019-04-17 | 一种产科临床辅助顺产装置及控制方法、计算机程序 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110033846A CN110033846A (zh) | 2019-07-19 |
| CN110033846B true CN110033846B (zh) | 2022-10-14 |
Family
ID=67238971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910309273.7A Expired - Fee Related CN110033846B (zh) | 2019-04-17 | 2019-04-17 | 一种产科临床辅助顺产装置及控制方法、计算机程序 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110033846B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111627308B (zh) * | 2020-07-09 | 2021-11-16 | 厦门立方幻境科技有限公司 | 用于智慧产检的可交互式虚拟仿真练习模型及方法 |
| CN113257100B (zh) * | 2021-05-27 | 2022-08-02 | 郭山鹰 | 一种远程超声教学系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107898590A (zh) * | 2017-12-25 | 2018-04-13 | 青岛市妇女儿童医院 | 一种妇产科临床用产前诊断检查装置 |
| CN108091193A (zh) * | 2017-12-21 | 2018-05-29 | 华中科技大学 | 一种手机智能教学与管理平台 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090132580A1 (en) * | 2007-11-21 | 2009-05-21 | General Electric Company | Systems and Methods for Creating and Viewing Clinical Protocols |
| US8107710B2 (en) * | 2008-05-23 | 2012-01-31 | University Of Rochester | Automated placental measurement |
| US20170200112A1 (en) * | 2016-01-13 | 2017-07-13 | International Business Machines Corporation | Managing a set of shared tasks using biometric data |
-
2019
- 2019-04-17 CN CN201910309273.7A patent/CN110033846B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108091193A (zh) * | 2017-12-21 | 2018-05-29 | 华中科技大学 | 一种手机智能教学与管理平台 |
| CN107898590A (zh) * | 2017-12-25 | 2018-04-13 | 青岛市妇女儿童医院 | 一种妇产科临床用产前诊断检查装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110033846A (zh) | 2019-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104414680B (zh) | 一种三维超声成像方法及系统 | |
| CN110464380A (zh) | 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法 | |
| JPH04332548A (ja) | ニューラル・ネットワークを用いた鑑別診断支援方法 | |
| CN110033846B (zh) | 一种产科临床辅助顺产装置及控制方法、计算机程序 | |
| Gao et al. | Chest X-ray image analysis and classification for COVID-19 pneumonia detection using Deep CNN | |
| US20220354466A1 (en) | Automated Maternal and Prenatal Health Diagnostics from Ultrasound Blind Sweep Video Sequences | |
| WO2021153648A1 (ja) | 記憶媒体、診断支援装置及び診断支援方法 | |
| Selvathi et al. | Fetal biometric based abnormality detection during prenatal development using deep learning techniques | |
| Ergün et al. | Classification of carotid artery stenosis of patients with diabetes by neural network and logistic regression | |
| CN115798711A (zh) | 基于反事实对比学习的慢性肾病诊疗决策支持系统 | |
| CN111145137B (zh) | 基于神经网络的静脉与动脉识别方法 | |
| Xing et al. | Automatic detection of A‐line in lung ultrasound images using deep learning and image processing | |
| Dan et al. | DeepGA for automatically estimating fetal gestational age through ultrasound imaging | |
| Zeng et al. | TUSPM-NET: A multi-task model for thyroid ultrasound standard plane recognition and detection of key anatomical structures of the thyroid | |
| CN111820948A (zh) | 胎儿生长参数测量方法、系统及超声设备 | |
| CN111144163B (zh) | 基于神经网络的静脉与动脉识别系统 | |
| CN116705300A (zh) | 基于体征数据分析的医疗决策辅助方法、系统及存储介质 | |
| CN111402218A (zh) | 脑出血检测方法和装置 | |
| Luís et al. | Integrating eye-gaze data into cxr dl approaches: A preliminary study | |
| WO2020087732A1 (zh) | 基于神经网络的静脉与动脉识别方法与系统 | |
| Khodaee et al. | Automatic placental distal villous hypoplasia scoring using a deep convolutional neural network regression model | |
| WO2021103623A1 (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| Ummah et al. | Covid-19 and Tuberculosis Detection in X-Ray of Lung Images with Deep Convolutional Neural Network. | |
| CN111028949A (zh) | 一种基于物联网的医学影像检查训练系统及方法 | |
| Liu et al. | Automatic fetal ultrasound image segmentation of first trimester for measuring biometric parameters based on deep learning |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221014 |