CN110491509A - 医用机器人、医疗服务方法及存储介质 - Google Patents
医用机器人、医疗服务方法及存储介质 Download PDFInfo
- Publication number
- CN110491509A CN110491509A CN201910586782.4A CN201910586782A CN110491509A CN 110491509 A CN110491509 A CN 110491509A CN 201910586782 A CN201910586782 A CN 201910586782A CN 110491509 A CN110491509 A CN 110491509A
- Authority
- CN
- China
- Prior art keywords
- patient
- unit
- index data
- identification information
- body index
- 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
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种医用机器人、医疗服务方法及存储介质,该医用机器人的数据采集模块采集病人的标识信息以及所述病人的身体指标数据,并将所述病人的标识信息以及所述身体指标数据传输至处理模块;处理模块根据数据采集模块传输的所述病人的标识信息以及所述病人的身体指标数据,判断所述病人的身体健康状况,并将判断结果以及所述病人的标识信息传输给人机交互模块;人机交互模块根据处理模块传输的所述病人的标识信息,将处理模块传输的所述判断结果通知给所述病人。本申请提供的医用机器人能够在一定程度上替代医疗人员,为病人提供医疗服务,缓解了医疗人员匮乏问题,能够有效减少医疗人员值夜班的频次,改善医疗人员的工作方式。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种医用机器人、医疗服务方法及存储介质。
背景技术
医疗和健康是人们和国家密切关注的问题,目前,医院普遍存在医疗人员匮乏的现象,医疗人员严重不足。
并且,医院经常需要医疗人员值夜班,这严重影响人体正常作息规律及新陈代谢,对医疗人员的人体健康造成威胁。
可见,如何解决医疗人员匮乏问题,减少医疗人员值夜班的频次,改善医疗人员的工作方式,是需要解决的问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种医用机器人、医疗服务方法及存储介质。
第一方面,本申请提供了一种医用机器人,包括数据采集模块、处理模块和人机交互模块;所述数据采集模块,用于采集病人的标识信息以及所述病人的身体指标数据,并将所述病人的标识信息以及所述身体指标数据传输至所述处理模块;所述处理模块,用于根据所述数据采集模块传输的所述病人的标识信息以及所述病人的身体指标数据,判断所述病人的身体健康状况,并将判断结果以及所述病人的标识信息传输给所述人机交互模块;所述人机交互模块,用于根据所述处理模块传输的所述病人的标识信息,将所述处理模块传输的所述判断结果通知给所述病人。
可选地,所述处理模块具体包括深度学习单元、诊断单元和传输单元;所述深度学习单元,用于将所述数据采集模块采集的所述病人的身体指标数据,输入至预先构建的深度学习模型,获取所述深度学习模型输出的深度学习结果;其中,所述深度学习模型为根据预先获知的身体指标数据与身体健康状况的对应关系训练得到;所述诊断单元,用于根据所述深度学习单元得到的所述深度学习结果以及所述数据采集模块传输的所述病人的标识信息,确定对所述病人的身体健康状况的判断结果;所述传输单元,用于将所述诊断单元得到的所述判断结果以及所述病人的标识信息传输给所述人机交互模块。
可选地,所述诊断单元具体用于:将所述深度学习单元得到的所述深度学习结果通知给医疗人员,并获取所述医疗人员返回的诊断结果,将所述诊断结果作为所述病人的身体健康状况的判断结果。
可选地,所述医用机器人还包括导航模块,所述导航模块具体包括获取单元、规划单元和避障单元;所述获取单元,用于获取病人所在位置以及所述医用机器人的初始位置;所述规划单元,用于根据环境地图,规划从所述初始位置至所述病人所在位置的基本路径,其中,所述环境地图中包括环境的路径信息以及路径上的障碍物基本信息;所述避障单元,用于按照所述基本路径行进并在行进过程中检测并规避所述障碍物,直至到达所述病人所在位置。
可选地,所述避障单元包括障碍物识别子单元以及避障策略子单元;所述障碍物识别子单元,用于识别位于所述基本路径上的障碍物的位置以及运动信息;所述避障策略子单元,用于根据所述障碍物识别子单元识别的所述障碍物的位置以及运动信息确定避障策略,所述避障策略包括为了规避所述障碍物对所述医用机器人的运动速度和方向进行调整的信息。
可选地,所述障碍物识别子单元,具体用于根据毫米波雷达对所述基本路径的探测信号,识别位于所述基本路径上的障碍物的位置以及运动信息。
可选地,所述数据采集模块具体包括:通信单元、图像采集单元、语音采集单元和毫米波雷达单元;所述通信单元,用于与所述病人的可穿戴设备通信,获取所述可穿戴设备传输的所述病人的第一身体指标数据;所述图像采集单元,用于采集所述病人的图像,从所述图像中提取所述病人的第二身体指标数据;所述语音采集单元,用于采集所述病人的声音信号,从所述声音信号中提取所述病人的第三身体指标数据;所述毫米波雷达单元,用于获取毫米波雷达探测所述病人的身体获得的检测信号,根据所述检测信号提取所述病人的第四身体指标数据;其中,所述病人的身体指标数据包括所述第一身体指标数据、所述第二身体指标数据、所述第三身体指标数据以及所述第四身体指标数据。
可选地,所述病人的标识信息通过所述图像采集单元采集所述病人的生物特征获得。
第二方面,本申请提供了一种医疗服务方法,应用于以上所述的医用机器人,所述方法包括:通过数据采集模块采集病人的标识信息以及所述病人的身体指标数据;根据所述数据采集模块传输的所述病人的标识信息以及所述病人的身体指标数据,判断所述病人的身体健康状况,获得判断结果;根据所述病人的标识信息,通过所述人机交互模块将所述判断结果通知给所述病人。
第三方面,本申请提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现所述的医疗服务方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:医用机器人通过数据采集模块采集病人的标识信息以及病人的身体指标数据,处理模块根据病人的身体指标数据对病人的身体健康状况进行判断后,人机交互模块将判断结果通知给病人,从而使得医用机器人能够在一定程度上替代医疗人员,为病人提供医疗服务,一定程度上缓解了医疗人员匮乏问题,能够有效减少医疗人员值夜班的频次,改善医疗人员的工作方式。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中医用机器人的结构示意图;
图2为本申请实施例中处理模块的结构示意图;
图3为本申请实施例中导航模块的结构示意图;
图4为本申请实施例中避障单元的结构示意图;
图5为本申请实施例中数据采集模块的结构示意图;
图6为本申请实施例中医疗服务方法的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了缓解医疗人员匮乏以及改善医疗人员不健康的执勤方式,本申请实施例中提供了一种医用机器人,利用大数据、人工智能、物联网等技术,为病人提供医疗服务。
如图1所示,该医用机器人主要包括数据采集模块11、处理模块12和人机交互模块13。
其中,数据采集模块11,用于采集病人的标识信息以及该病人的身体指标数据,并将该病人的标识信息以及该身体指标数据传输至处理模块12。
处理模块12,用于根据数据采集模块11传输的该病人的标识信息以及该病人的身体指标数据,判断该病人的身体健康状况,并将判断结果以及该病人的标识信息传输给人机交互模块13。
人机交互模块13,用于根据处理模块12传输的病人的标识信息,将处理模块12传输的判断结果通知给该病人。
一个具体实施例中,如图2所示,处理模块12具体包括深度学习单元21、诊断单元22和传输单元23。
深度学习单元21,用于将数据采集模块11采集的病人的身体指标数据,输入至预先构建的深度学习模型,获取深度学习模型输出的深度学习结果。
其中,深度学习模型为根据预先获知的身体指标数据与身体健康状况的对应关系训练得到。例如,从医院的历史诊断数据中获取大量的身体指标数据与身体健康状况的对应关系,基于该对应关系对预设的模型进行训练,确定该模型的各参数,以使得在输入身体指标数据到该模型的情况下,该模型能够输出该身体指标数据所对应的身体健康状况,确定参数后的模型即为本实施例所提到的深度学习模型。本申请实施例中对于采用何种模型不做限制,只有能够正确表达出身体指标数据与身体健康状况之间的关系即可。
诊断单元22,用于根据深度学习单元21得到的深度学习结果、该病人的身体指标数据以及数据采集模块11传输的病人的标识信息,确定对该病人的身体健康状况的判断结果。
传输单元23,用于将诊断单元22得到的判断结果以及病人的标识信息传输给人机交互模块13。
一个具体实施例中,为了保证判断结果的准确性,诊断单元22具体用于将深度学习单元21得到的深度学习结果、病人的身体指标数据以及该病人的标识信息通知给医疗人员,并获取医疗人员返回的诊断结果,将该诊断结果作为该病人的身体健康状况的判断结果。
例如,诊断单元22将深度学习单元21的深度学习结果、病人的身体指标数据以及该病人的标识信息发送给医疗人员的移动终端,医疗人员通过移动终端查看病人的身体指标数据后,对深度学习结果的正确性进行评估以及修正后,向该诊断单元返回诊断结果。
一个具体实施例中,医用机器人的工作环境复杂多变,具有动态不确定性,在病人较多,医生不足的情况下,需要能够主动对病人进行检查并诊断,另外,在夜间需要巡视病房中的每个病人,这就需要医用机器人能够在复杂多变的环境下进行路径规划以及导航。如图3所示,医用机器人还包括导航模块14,导航模块14具体包括获取单元31、规划单元32和避障单元33。
获取单元31,用于获取病人所在位置以及医用机器人的初始位置。
规划单元32,用于根据环境地图,规划从机器人的初始位置至病人所在位置的基本路径,其中,环境地图中包括环境的路径信息以及路径上的障碍物基本信息。
避障单元33,用于按照该基本路径行进并在行进过程中检测并规避障碍物,直至到达该病人所在位置。
一个具体实施例中,如图4所示,避障单元33包括障碍物识别子单元41以及避障策略子单元42。
障碍物识别子单元41,用于识别位于基本路径上的障碍物的位置以及运动信息。
避障策略子单元42,用于根据障碍物识别子单元41识别的障碍物的位置以及运动信息确定避障策略,该避障策略包括为了规避障碍物对医用机器人的运动速度和方向进行调整的信息。
例如,障碍物识别子单元41根据毫米波雷达对基本路径的探测信号,识别位于基本路径上的障碍物的位置以及运动信息。
一个具体实施例中,如图5所示,数据采集模块11具体包括:通信单元51、图像采集单元52、语音采集单元53和毫米波雷达单元54。
通信单元51,用于与病人的可穿戴设备通信,获取该可穿戴设备传输的该病人的第一身体指标数据。
图像采集单元52,用于采集病人的图像,从该图像中提取该病人的第二身体指标数据。
语音采集单元53,用于采集病人的声音信号,从该声音信号中提取该病人的第三身体指标数据。
毫米波雷达单元54,用于获取毫米波雷达探测病人的身体获得的检测信号,根据该检测信号提取该病人的第四身体指标数据。
病人的身体指标数据包括第一身体指标数据、第二身体指标数据、第三身体指标数据以及第四身体指标数据。具体地,第一身体指标数据可以是可穿戴设备长期监测的病人的睡眠、心率、体脂率等数据。第二身体指标数据可以是疼痛位置、流血位置等外观能够分辨的特征数据。第三身体指标数据可以是病人口述的病情等数据。第四身体指标数据可以是毫米波能够检测到的病人的生理特征等数据。
具体实施中,通信单元51对从病人的可穿戴设备直接获取的数据,进行预处理,以去除该数据中的噪声后获取病人的第一身体指标数据,防止对深度学习结果造成干扰;同理,图像采集单元52对采集的图像进行预处理,去除该图像中的噪声后,再从中提取该病人的第二身体指标数据;语音采集单元53对采集的病人的声音信号进行预处理,去除该声音信号中的噪声后,再从中提取该病人的第三身体指标数据;毫米波雷达单元54对毫米波雷达的检测信号进行去噪后,再提取病人的第四身体指标数据。
其中,病人的标识信息通过图像采集单元53采集病人的生物特征获得。具体地,可以将图像采集单元53采集到的病人的面部特征作为该病人的标识信息。需要说明的是,病人的标识信息也可以通过其它方式获得,例如,通信单元从病人的可穿戴设备中读取到该可穿戴设备的设备唯一标识作为该病人的标识信息,或者,从病人的可穿戴设备中读取到该病人的姓名等用于表明身份的信息,作为该病人的标识信息。当然,也可以将语音采集单元采集到的该病人的声音特征作为该病人的标识信息。病人的标识信息还可以采用其他多种方式获得,此处不再一一赘述。
其中,数据采集模块、处理模块以及人机交互模块通过通信总线完成相互间的通信。其中,处理模块中预先配置有可被执行的计算机程序,处理模块执行该计算机程序,实现对病人的身体健康状况的判断,以及与数据采集模块和人机交互模块之间的数据传输。
通信总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
上述的处理模块可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请实施例中,医用机器人通过数据采集模块采集病人的标识信息以及病人的身体指标数据,处理模块根据病人的身体指标数据对病人的身体健康状况进行判断后,人机交互模块将判断结果通知给病人,从而使得医用机器人能够在一定程度上替代医疗人员,为病人提供医疗服务,一定程度上缓解了医疗人员匮乏问题,能够有效减少医疗人员值夜班的频次,改善医疗人员的工作方式。
基于同一构思,本申请实施例中针对以上所提供的医用机器人,提供了一种用于该医用机器人的医疗服务方法,如图6所示,该方法主要包括:
步骤601,通过数据采集模块采集病人的标识信息以及该病人的身体指标数据;
步骤602,根据数据采集模块传输的病人的标识信息以及该病人的身体指标数据,判断该病人的身体健康状况,获得判断结果;
步骤603,根据病人的标识信息,通过人机交互模块将判断结果通知给该病人。
一个具体实施例中,对病人的身体健康状况进行判断的具体过程为:将数据采集模块采集的病人的身体指标数据,输入至预先构建的深度学习模型,获取该深度学习模型输出的深度学习结果;其中,深度学习模型为根据预先获知的身体指标数据与身体健康状况的对应关系训练得到。根据深度学习结果、病人的身体指标数据以及数据采集模块传输的病人的标识信息,确定对该病人的身体健康状况的判断结果。将该判断结果以及该病人的标识信息传输给人机交互模块。
例如,将深度学习结果、病人的身体指标数据以及病人的标识信息通知给医疗人员,并获取医疗人员返回的诊断结果,将该诊断结果作为该病人的身体健康状况的判断结果。
一个具体实施例中,为了能够主动为病人提供医疗服务,医用机器人还需要获取病人所在位置以及医用机器人的初始位置,根据环境地图,规划从该初始位置至该病人所在位置的基本路径,其中,环境地图中包括环境的路径信息以及路径上的障碍物基本信息。按照该基本路径行进,并在行进过程中检测并规避该障碍物,直至到达该病人所在位置。
其中,避障过程中,识别位于基本路径上的障碍物的位置以及运动信息,根据该障碍物识别子单元识别的该障碍物的位置以及运动信息确定避障策略,该避障策略包括为了规避所述障碍物对该医用机器人的运动速度和方向进行调整的信息。
例如,根据毫米波雷达对基本路径的探测信号,识别位于基本路径上的障碍物的位置以及运动信息。
其中,病人的身体指标数据有多种获得途径。例如,与病人的可穿戴设备通信,获取该可穿戴设备传输的该病人的第一身体指标数据;采集病人的图像,从该图像中提取该病人的第二身体指标数据;采集该病人的声音信号,从该声音信号中提取该病人的第三身体指标数据;获取毫米波雷达探测病人的身体获得的检测信号,根据该检测信号提取该病人的第四身体指标数据。病人的身体指标数据包括第一身体指标数据、第二身体指标数据、第三身体指标数据以及第四身体指标数据。当然,还可以有其他途径获得该病人的身体指标数据,此处不再一一列举。
其中,病人的标识信息通过图像采集的病人的生物特征,需要说明的是,病人的标识信息也可以通过其它方式获得,例如,从病人的可穿戴设备中读取到该可穿戴设备的设备唯一标识作为该病人的标识信息,或者,从病人的可穿戴设备中读取到该病人的姓名等用于表明身份的信息,作为该病人的标识信息。当然,也可以将采集到的该病人的声音特征作为该病人的标识信息。病人的标识信息还可以采用其他多种方式获得,此处不再一一赘述。
在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述医疗服务方法。
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。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该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,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读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。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种医用机器人,其特征在于,包括:数据采集模块、处理模块和人机交互模块;
所述数据采集模块,用于采集病人的标识信息以及所述病人的身体指标数据,并将所述病人的标识信息以及所述身体指标数据传输至所述处理模块;
所述处理模块,用于根据所述数据采集模块传输的所述病人的标识信息以及所述病人的身体指标数据,判断所述病人的身体健康状况,并将判断结果以及所述病人的标识信息传输给所述人机交互模块;
所述人机交互模块,用于根据所述处理模块传输的所述病人的标识信息,将所述处理模块传输的所述判断结果通知给所述病人。
2.根据权利要求1所述的医用机器人,其特征在于,所述处理模块具体包括深度学习单元、诊断单元和传输单元;
所述深度学习单元,用于将所述数据采集模块采集的所述病人的身体指标数据,输入至预先构建的深度学习模型,获取所述深度学习模型输出的深度学习结果;其中,所述深度学习模型为根据预先获知的身体指标数据与身体健康状况的对应关系训练得到;
所述诊断单元,用于根据所述深度学习单元得到的所述深度学习结果、所述病人的身体指标数据以及所述数据采集模块传输的所述病人的标识信息,确定对所述病人的身体健康状况的判断结果;
所述传输单元,用于将所述诊断单元得到的所述判断结果以及所述病人的标识信息传输给所述人机交互模块。
3.根据权利要求2所述的医用机器人,其特征在于,所述诊断单元具体用于:
将所述深度学习单元得到的所述深度学习结果、所述病人的身体指标数据以及所述病人的标识信息通知给医疗人员,并获取所述医疗人员返回的诊断结果,将所述诊断结果作为所述病人的身体健康状况的判断结果。
4.根据权利要求1至3任一项所述的医用机器人,其特征在于,所述医用机器人还包括导航模块,所述导航模块具体包括获取单元、规划单元和避障单元;
所述获取单元,用于获取病人所在位置以及所述医用机器人的初始位置;
所述规划单元,用于根据环境地图,规划从所述初始位置至所述病人所在位置的基本路径,其中,所述环境地图中包括环境的路径信息以及路径上的障碍物基本信息;
所述避障单元,用于按照所述基本路径行进并在行进过程中检测并规避所述障碍物,直至到达所述病人所在位置。
5.根据权利要求4所述的医用机器人,其特征在于,所述避障单元包括障碍物识别子单元以及避障策略子单元;
所述障碍物识别子单元,用于识别位于所述基本路径上的障碍物的位置以及运动信息;
所述避障策略子单元,用于根据所述障碍物识别子单元识别的所述障碍物的位置以及运动信息确定避障策略,所述避障策略包括为了规避所述障碍物对所述医用机器人的运动速度和方向进行调整的信息。
6.根据权利要求5所述的医用机器人,其特征在于,所述障碍物识别子单元,具体用于根据毫米波雷达对所述基本路径的探测信号,识别位于所述基本路径上的障碍物的位置以及运动信息。
7.根据权利要求1至3任一项所述的医用机器人,其特征在于,所述数据采集模块具体包括:通信单元、图像采集单元、语音采集单元和毫米波雷达单元;
所述通信单元,用于与所述病人的可穿戴设备通信,获取所述可穿戴设备传输的所述病人的第一身体指标数据;
所述图像采集单元,用于采集所述病人的图像,从所述图像中提取所述病人的第二身体指标数据;
所述语音采集单元,用于采集所述病人的声音信号,从所述声音信号中提取所述病人的第三身体指标数据;
所述毫米波雷达单元,用于获取毫米波雷达探测所述病人的身体获得的检测信号,根据所述检测信号提取所述病人的第四身体指标数据;
其中,所述病人的身体指标数据包括所述第一身体指标数据、所述第二身体指标数据、所述第三身体指标数据以及所述第四身体指标数据。
8.根据权利要求7所述的医用机器人,其特征在于,所述病人的标识信息通过所述图像采集单元采集所述病人的生物特征获得。
9.一种医疗服务方法,其特征在于,应用于权利要求1至8任一项所述的医用机器人,所述方法包括:
通过数据采集模块采集病人的标识信息以及所述病人的身体指标数据;
根据所述数据采集模块传输的所述病人的标识信息以及所述病人的身体指标数据,判断所述病人的身体健康状况,获得判断结果;
根据所述病人的标识信息,通过所述人机交互模块将所述判断结果通知给所述病人。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求9所述的医疗服务方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910586782.4A CN110491509A (zh) | 2019-07-01 | 2019-07-01 | 医用机器人、医疗服务方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910586782.4A CN110491509A (zh) | 2019-07-01 | 2019-07-01 | 医用机器人、医疗服务方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110491509A true CN110491509A (zh) | 2019-11-22 |
Family
ID=68546435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910586782.4A Pending CN110491509A (zh) | 2019-07-01 | 2019-07-01 | 医用机器人、医疗服务方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110491509A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652409A (zh) * | 2020-12-22 | 2021-04-13 | 孙甲子 | 一种基于智能机器人和可穿戴设备的医疗监控系统 |
CN113257415A (zh) * | 2020-02-12 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 健康数据收集装置和系统 |
CN113885513A (zh) * | 2021-10-25 | 2022-01-04 | 北京歌锐科技有限公司 | 一种医疗设备的位置摆放方法、系统及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106949893A (zh) * | 2017-03-24 | 2017-07-14 | 华中科技大学 | 一种三维避障的室内机器人导航方法和系统 |
CN107752984A (zh) * | 2017-11-15 | 2018-03-06 | 李玉东 | 一种基于大数据的高智能全科医疗执业机器人 |
CN107910061A (zh) * | 2017-12-01 | 2018-04-13 | 中南大学 | 一种医疗数据处理方法及系统 |
CN108257668A (zh) * | 2017-12-31 | 2018-07-06 | 徐建 | 机器人医生的看诊诊断治疗方法 |
CN109443368A (zh) * | 2019-01-14 | 2019-03-08 | 轻客小觅智能科技(北京)有限公司 | 无人驾驶机器人的导航方法、装置、机器人及存储介质 |
CN109741815A (zh) * | 2018-12-25 | 2019-05-10 | 广州天高软件科技有限公司 | 一种医疗引导机器人及其实现方法 |
-
2019
- 2019-07-01 CN CN201910586782.4A patent/CN110491509A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106949893A (zh) * | 2017-03-24 | 2017-07-14 | 华中科技大学 | 一种三维避障的室内机器人导航方法和系统 |
CN106949893B (zh) * | 2017-03-24 | 2019-05-21 | 华中科技大学 | 一种三维避障的室内机器人导航方法和系统 |
CN107752984A (zh) * | 2017-11-15 | 2018-03-06 | 李玉东 | 一种基于大数据的高智能全科医疗执业机器人 |
CN107910061A (zh) * | 2017-12-01 | 2018-04-13 | 中南大学 | 一种医疗数据处理方法及系统 |
CN108257668A (zh) * | 2017-12-31 | 2018-07-06 | 徐建 | 机器人医生的看诊诊断治疗方法 |
CN109741815A (zh) * | 2018-12-25 | 2019-05-10 | 广州天高软件科技有限公司 | 一种医疗引导机器人及其实现方法 |
CN109443368A (zh) * | 2019-01-14 | 2019-03-08 | 轻客小觅智能科技(北京)有限公司 | 无人驾驶机器人的导航方法、装置、机器人及存储介质 |
Non-Patent Citations (2)
Title |
---|
席军强: "《车辆信息技术》", 31 December 2013 * |
李成蹊: "《毫米波实用技术与系统》", 31 December 1994 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113257415A (zh) * | 2020-02-12 | 2021-08-13 | 阿里巴巴集团控股有限公司 | 健康数据收集装置和系统 |
CN112652409A (zh) * | 2020-12-22 | 2021-04-13 | 孙甲子 | 一种基于智能机器人和可穿戴设备的医疗监控系统 |
CN113885513A (zh) * | 2021-10-25 | 2022-01-04 | 北京歌锐科技有限公司 | 一种医疗设备的位置摆放方法、系统及装置 |
CN113885513B (zh) * | 2021-10-25 | 2024-01-26 | 北京歌锐科技有限公司 | 一种医疗设备的位置摆放方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Madani et al. | Fast and accurate view classification of echocardiograms using deep learning | |
US20230033601A1 (en) | Dynamic self-learning medical image method and system | |
Ma et al. | Bone fracture detection through the two-stage system of crack-sensitive convolutional neural network | |
CN110491509A (zh) | 医用机器人、医疗服务方法及存储介质 | |
US9510756B2 (en) | Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images | |
Shabbir et al. | Exploratory data analysis, classification, comparative analysis, case severity detection, and internet of things in COVID-19 telemonitoring for smart hospitals | |
Chen et al. | Computerized wrist pulse signal diagnosis using modified auto-regressive models | |
WO2022116423A1 (zh) | 物体位姿估计方法、装置、电子设备及计算机存储介质 | |
KR101870121B1 (ko) | 심층신경망을 이용한 혈류상태 분석시스템, 방법 및 프로그램 | |
KR20170016778A (ko) | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 | |
Kim et al. | An evaluation of classification algorithms for manual material handling tasks based on data obtained using wearable technologies | |
CN109817339A (zh) | 基于大数据的患者分组方法和装置 | |
Gorunescu et al. | Competitive/collaborative neural computing system for medical diagnosis in pancreatic cancer detection | |
US10832410B2 (en) | Computer system, method, and program for diagnosing subject | |
Krishna et al. | An Effective Parkinson's Disease Prediction Using Logistic Decision Regression and Machine Learning with Big Data | |
Kumar et al. | A unified grid-based wandering pattern detection algorithm | |
Zhao et al. | Fault diagnosis of shaft misalignment and crack in rotor system based on MI-CNN | |
CN111419283B (zh) | 一种用于评估新冠肺炎患者病情严重程度的超声分析系统 | |
Ali et al. | Detection of subclinical rheumatic heart disease in children using a deep learning algorithm on digital stethoscope: a study protocol | |
Krishnamoorthy et al. | An Intelligent IoT-Based Smart Healthcare Monitoring System Using Machine Learning | |
CN113256622A (zh) | 基于三维图像的目标检测方法、装置及电子设备 | |
US20200273173A1 (en) | Method for determining whether examinee is infected by microoganism and apparatus using the same | |
CN109740611A (zh) | 舌头图像分析方法及装置 | |
CN110558944A (zh) | 心音处理方法、装置、电子设备及计算机可读存储介质 | |
CN115937903A (zh) | 一种跌倒风险评估方法、装置、电子设备和存储介质 |
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 |