CN110575178A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110575178A CN110575178A CN201910856855.7A CN201910856855A CN110575178A CN 110575178 A CN110575178 A CN 110575178A CN 201910856855 A CN201910856855 A CN 201910856855A CN 110575178 A CN110575178 A CN 110575178A
- Authority
- CN
- China
- Prior art keywords
- sequence
- data
- image
- acceleration
- variance
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims description 13
- 230000001133 acceleration Effects 0.000 claims abstract description 50
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000005481 NMR spectroscopy Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 7
- 230000001575 pathological effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 230000002980 postoperative effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 208000032023 Signs and Symptoms Diseases 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000000474 nursing effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000002604 ultrasonography Methods 0.000 claims description 2
- 238000013154 diagnostic monitoring Methods 0.000 claims 5
- 239000013598 vector Substances 0.000 description 17
- 238000002591 computed tomography Methods 0.000 description 9
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 206010013700 Drug hypersensitivity Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000005311 drug allergy Diseases 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1123—Discriminating type of movement, e.g. walking or running
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Pulmonology (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Vascular Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种运动状态判断的诊断监控综合医疗系统，包括客户端、工作站、云端服务器、图像采集装置以及生理参数传感器，生理参数传感器通过短距离无线通信技术传输到网络协调器与客户端连接，客户端通过互联网与云端服务器连接，生理参数传感器为可穿戴设备，其通过加速度计的加速度数据判断患者的运动状态。
Description
技术领域
本发明属医疗系统领域，特别涉及一种运动状态判断的诊断监控综合医疗系统。
背景技术
随着进入二十一世纪，智能化时代即将到来，患者的监护问题也将是智能化时代的一个重要的研究课题。患者经常会遇到各种意想不到的伤害，例如跌倒和心率不正常等，缺少对患者运动状态的实时监控。将自动化医疗设备引入现代医疗信息系统具有多种优势，患者护理、更安全、更智能以及减少人为错误的可能性。医疗设备之间的通信连接是保证患者安全的重要因素之一。医学图像融合技术在整合来自不同成像方式的解剖和功能信息方面提供了卓越的性能，这些信息甚至有助于在早期进行疾病的准确诊断。因此，多模态医学图像融合在医学领域的信息集成中起着至关重要的作用。传统上，国内外医学界的诊疗决策尤其是诊断决策方法大都是根据各种医疗仪器对病人的检查结果，由医生凭借自身的医学知识和多年积累的临床诊断经验，对病情进行分析判断，从而做出相应的决策。这种决策方法的有效性取决于医生的业务水平，主观因素影响较大。
发明内容
本发明要解决的技术问题是如何实现对患者实时的状态监控并进行识别，对此本发明提供一种运动状态判断的诊断监控综合医疗系统，包括客户端、工作站、云端服务器、图像采集装置以及生理参数传感器，生理参数传感器通过短距离无线通信技术传输到网络协调器与客户端连接，客户端通过互联网与云端服务器连接，图像采集装置与工作站连接，将采集到的图像上传至云端服务器，患者用户通过客户端上传患者用户的基本信息至云端服务器，决策用户通过工作站上传案例概况信息、患者用户主要症状和体征、化验结果、病理信息、患者用户病情的基本判断、治疗手段、手术后症状、护理建议和策略至云端服务器，云端服务器存储有诊疗案例库，云端服务器对上传的各类信息综合形成案例，决策用户通过工作站对诊疗案例库进行检索，在诊疗案例库中找到相似度匹配找到最相似的案例，图像采集装置包括CT机、超声仪和核磁共振仪，生理参数传感器包括心率采集传感器、血压计、血氧仪和加速度计，其为可穿戴设备，工作站使用图像融合对采集到的CT图像、超声图像和核磁共振图像进行两两图像融合，并将融合后的图像上至云端服务器，工作站与云端服务器之间使用加密算法进行通信。
其中，生理参数传感器为可穿戴设备，其通过加速度计的加速度数据判断患者的运动状态，
一种诊断监控综合医疗系统的运动状态判断方法，具体判断过程如下：
步骤1，从加速度计获取加速度数据；
步骤2，数据预处理，
将获取的加速度数据生成为加速度时间序列数据，采用滑动窗口为加速度时间序列数据的时域加窗，对每个加窗得到的加速度时间序列数据进行处理和识别，滑动窗口使用时间轴来分段提取序列，定义窗口长度w以及重叠窗口长度o。
对于一段加速度时间序列{x1，x2...xn...}，第一个窗口为{x1，x2...xw}，第二个窗口为{xw-o，xw-o+1...x2w-o-1}，第三个窗口为{x2w-2o-1，x2w-2o...x3w-2o-2}，第n各窗口为{xn(w-o)-n+1，xn(w-o)-n+2...xn(w-o)+w-n}，其中，w＝60，o＝10。xn为加速度时间序列数据。
重叠的作用是减轻频谱泄漏，减少信号截断对信息的破坏。
步骤3，数据特征生成，
加速度数据特征包括时域特征和频域特征，时域特征包括加速的在窗口长度w内的平均值、均方根、方差和绝对平均差，频域特征为窗口长度w内的能量。
均值为加速度数值的平均大小，是加速的直流分量，其计算公式为：
均方根D为加速度值的总体大小，其计算公式如下：
方差σx为加速度的分散程度，其计算公式如下：
方差明显的反映了数据变化的剧烈程度，其中-是加速度的均值。
绝对平均差K的计算为：
能量E的计算方法是对信号做FFT之后，各个分量的幅值平方和，其公式为：
Fi为加速度时间FFT之后第i个分量的幅度，N为分量个数。
通过上述平均值、均方根、方差、绝对平均差、能量的计算分别得到多个窗口的平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列。
特征生成在模式识别的任务中是至关重要的，给定了测度集合，特征生成的目标是探索获取数据的固有模式和信息的重表示。一个良好的特征生成过程会将数据的基本信息压缩，同时剔除冗余的信息，从而减少原始数据空间的维数。
步骤4匹配识别，
生成样本序列，样本序列包括在行走状态、奔跑状态、跳跃状态、跌倒状态、静止状态下各个平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列，样本序列为预先设置或者通过用户本身通过执行相应的状态进行设置；
将上述得到的平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列分别匹配不同状态下的样本序列，将匹配度最高的样本序列的状态作为当前用户的运动状态。
本发明的有益效果：
(1)通过运动状态的判断实现了患者姿态的识别，实时监控病人的状态；
(2)通过图像融合实现了患者病灶图像的细节显示，为医生诊断提供有力的依据；
(3)通过相似度匹配寻找与患者最为接近的案例，从而为医生诊断提供可靠的依据治疗方案以及病人治疗环境的选择提供依据，从而极大减少了医生的劳动强度。
附图说明
图1为本发明的系统框图；
图2为本发明的判断患者的运动状态流程图；
具体实施方式
下面结合附图与实施例对本发明作进一步的说明。
本发明的实施例参考图1-2示。
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，包括客户端、工作站、云端服务器、图像采集装置以及生理参数传感器，生理参数传感器通过短距离无线通信技术传输到网络协调器与客户端连接，客户端通过互联网与云端服务器连接，图像采集装置与工作站连接，将采集到的图像上传至云端服务器，患者用户通过客户端上传患者用户的基本信息至云端服务器，决策用户通过工作站上传案例概况信息、患者用户主要症状和体征、化验结果、病理信息、患者用户病情的基本判断、治疗手段、手术后症状、护理建议和策略至云端服务器，云端服务器存储有诊疗案例库，云端服务器对上传的各类信息综合形成案例，决策用户通过工作站对诊疗案例库进行检索，在诊疗案例库中找到相似度匹配找到最相似的案例，图像采集装置包括CT机、超声仪和核磁共振仪，生理参数传感器包括心率采集传感器、血压计、血氧仪和加速度计，其为可穿戴设备，工作站使用图像融合对采集到的CT图像、超声图像和核磁共振图像进行两两图像融合，并将融合后的图像上至云端服务器，工作站与云端服务器之间使用加密算法进行通信。
其中，生理参数传感器为可穿戴设备，其通过加速度计的加速度数据判断患者的运动状态，具体判断过程如下：
步骤1，从加速度计获取加速度数据；
步骤2，数据预处理，
将获取的加速度数据生成为加速度时间序列数据，采用滑动窗口为加速度时间序列数据的时域加窗，对每个加窗得到的加速度时间序列数据进行处理和识别，滑动窗口使用时间轴来分段提取序列，定义窗口长度w以及重叠窗口长度o。
对于一段加速度时间序列{x1，x2...xn...}，第一个窗口为{x1，x2...xw}，第二个窗口为{xw-o，xw--o+1...x2w-o-1}，第三个窗口为{x2w-2o-1，x2w-2o...x3w-2o-2}，第n各窗口为{xn(w-o)-n+1，xn(w-o)-n+2...xn(w-o)+w-n}，其中，w＝60，o＝10。xn为加速度时间序列数据。
重叠的作用是减轻频谱泄漏，减少信号截断对信息的破坏。
步骤3，数据特征生成，
加速度数据特征包括时域特征和频域特征，时域特征包括加速的在窗口长度w内的平均值、均方根、方差和绝对平均差，频域特征为窗口长度w内的能量。
均值为加速度数值的平均大小，是加速的直流分量，其计算公式为：
均方根D为加速度值的总体大小，其计算公式如下：
方差σx为加速度的分散程度，其计算公式如下：
方差明显的反映了数据变化的剧烈程度，其中-是加速度的均值。
绝对平均差K的计算为：
能量E的计算方法是对信号做FFT之后，各个分量的幅值平方和，其公式为：
Fi为加速度时间FFT之后第i个分量的幅度，N为分量个数。
通过上述平均值、均方根、方差、绝对平均差、能量的计算分别得到多个窗口的平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列。
特征生成在模式识别的任务中是至关重要的，给定了测度集合，特征生成的目标是探索获取数据的固有模式和信息的重表示。一个良好的特征生成过程会将数据的基本信息压缩，同时剔除冗余的信息，从而减少原始数据空间的维数。
步骤4匹配识别，
生成样本序列，样本序列包括在行走状态、奔跑状态、跳跃状态、跌倒状态、静止状态下各个平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列，样本序列为预先设置或者通过用户本身通过执行相应的状态进行设置；
将上述得到的平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列分别匹配不同状态下的样本序列，将匹配度最高的样本序列的状态作为当前用户的运动状态。
其中，采用超声图像和核磁共振图像生成聚焦彩色图像，其融合过程如下：
步骤1，通过HSV变换将图像A、B从RGB空间转化到HSV空间，并获得H、S、V三个分量；
步骤2，通过邻域叠加得到融合后的H分量；
步骤3，通过梯度计算得到融合后的S分量和V分量；
步骤4，根据上述步骤的H分量、S分量和V分量，通过HSV逆变换构成最终的融合图像。
其中，步骤2具体为：
步骤2.1，初始化，n＝1，Yi，j(0)＝0，Li，j(0)＝1，θi，j(0)＝1，
步骤2.2，迭代，
其中，n为迭代次数；为图像A，B在点(i，j)处第n次叠加后的线性链接输入；为图像A，B在点(i，j)处第n次叠加后的活跃度；为图像A，B在点(i，j)处第n次叠加后的H分量；为图像A，B在点(i，j)处第n次叠加后的动态阈值；为图像A，B在点(i，j)处第n次叠加后的二值化输出；为图像A，B在点(i，j)处第n次叠加后的高二值次数；α为时间衰减常数；β为链接强度系数；Wi，j在点(i，j)处权重系数；VL、Vθ为放大系数；k，l为点(i，j)为纵向和横向临近链接范围。
步骤2.3，判断，n＞N，N为迭代次数阈值；则进入步骤4，否则n＝n+1，返回步骤2；
步骤2.4，统计，分别计算图像A和图像B的高二值总次数，
步骤2.5，对图像A和图像B中所有的点(i，j)均进行上述步骤1-4，得出TA(i，j)和TB(i，j)；
步骤2.6，融合，
其中，HAB(i，j)为在点(i，j)处融合后的H分量，hA(i，j)、hB(i，j)为原始图像A、B在点(i，j)处的H分量，TA(i，j)、TB(i，j)为图像A、B在点(i，j)处高二值总次数，
其中，步骤3具体为：
步骤3.1，梯度计算
其中，
其中，为原始图像A、B在点(i，j)处的梯度，Gi()、Gj()、Gij()、Gji()为点(i，j)处的横向、竖向、45°斜向、135°斜向变化函数，sA(i，j)、sB(i，j)为原始图像A、B在点(i，j)处的S分量，
此外，未避免过长的表达式无法显示，此处的{}表示对长表达式的涵盖，即
步骤3.2，融合，
SAB(i，j)为在点(i，j)处融合后的S分量；
步骤3.3，通过上述步骤3.1-3.2得到图像A、B在点(i，j)处融合后的V分量VAB(i，j)。
其中，图像A为超声图像或核磁共振图像，图像B为核磁共振图像或超声图像。
其中，使用CT图像和核磁共振图像或者使用CT图像和超声图像生成灰度图像，其融合过程如下：
步骤1，图像A为参考图像，图像B为标准图像，取得图像A、B的灰度函数，分别为fA(i，j)，fB(i，j)；
步骤2，两幅图像的平均灰度值μA、μB，
其中，M和N是图像二维像素尺寸；
步骤2.计算两幅图像的标准偏差σA、σB：
步骤3.计算修正系数cr：
步骤4.计算平均灰度值校正项μc：
μc＝μA-(cr×μB)；
步骤5.计算标准图像B的匹配图像灰度函数f′B，
f′B＝(fB(i，j)×cr)+μc；
步骤6，计算参考图像A以及匹配灰度后的图像B的梯度，
其中，
其中，为原始图像A、B在点(i，j)处的梯度，Gi()、Gi()、Gij()、Gji()为点(i，j)处的横向、竖向、45°斜向、135°斜向变化函数，fA(i，j)、f′B(i，j)为参考图像A以及匹配灰度后的图像B在点(i，j)处的灰度分量；
步骤7，融合，
其中，FAB(i，j)为在点(i，j)处融合后的灰度分量。
由此得到融合的灰度图像。
其中，图像A为超声图像或核磁共振图像，图像B为CT图像。
其中，决策用户通过工作站对诊疗案例库进行检索，在诊疗案例库中找到相似度匹配找到最相似的案例，具体步骤如下：
步骤1，根据医学临床诊疗特点，定义源决策案例的特征属性，建立诊疗案例库；
步骤2，患者用户就诊后，通过人机交互界面输入特征属性信息，并提取特征向量；
其中，特征向量包括：
案例概况信息向量，其包括案例编号，案例名，案例发生时间，主治医生姓名，住院医师姓名，护理人员姓名在内的特征属性；
病人基本信息向量，其包括患者用户性别，年龄，身高，体重，家族史，健康史，药物过敏史，入院日期，出院日期在内的特征属性；
患者用户主要症状和体征的向量，其包括患者用户主观异常感觉，患者用户体征在内的特征属性；
化验结果向量，包括血常规，免疫组合，凝血象，尿常规，血气分析，B超检查，CT检查，心电，血压，血氧饱和度在内的特征属性；
病理信息向量，包括来自理报告中的肿瘤大小、受侵淋巴结数、有无结节冒、恶性肿瘤程度，肿块位置、肿块所在象限，分布特征，生长特征在内的特征属性；
患者用户病情的基本判断向量，包括决策用户的主观判断结果，即恶性、良性、易复发和不易复发在内的特征属性；
治疗向量，包括病情描述，诊断过程，是否放疗，治疗过程，治疗效果以及中间的检查情况在内的特征属性；
手术后症状向量，即治疗后的乳腺癌患者用户症状描述在内的特征属性；
患者用户具体病情以及症状特征的护理建议和策略的向量。
步骤3，输入特征向量，模糊诊疗知识发现程序在诊疗案例库发现相关案例；
步骤4，通过遗传算法获取各特征向量中各特征属性的最优权重；具体为：
步骤4.1，将特征属性进行编码；
步骤4.2，生成各特征属性的初始权重；
步骤4.3，计算适应度并保持优选的染色体；
步骤4.4，发现准确值；
步骤4.5，用轮盘赌选择方法进行复制和选择；
步骤4.6，交叉；
步骤4.7，变异；
步骤4.8，优选染色体；
步骤4.9，替代现有染色体；
步骤4.10，进化迭代次数是否达到上限，是则停止迭代，进入步骤11，否则返回步骤3，继续迭代；
步骤4.11，将当前染色体逆编码，生成最优权重；
步骤5，结合最优权重和各特征属性，通过案例检索程序在诊疗案例库中进行检索，进行相似度分析获取最相似的案例，具体为：
步骤5.1，确定决策用户的正负理想案例，构造模糊矩阵并进行规范化；
步骤5.2，对模糊矩阵进行加权计算；
步骤5.3，对正负理想案例各属性指标值加权；
步骤5.4，计算正负理想案例、目标案例与输入案例的距离，
其中，i为特征向量序数；j为特征属性序数；n为特征向量总数；l为特征属性总数；xij为第i个特征向量的第j个特征属性值；为到正理想点的距离；为到负理想点的距离；IDT为各案例与目标案例的距离；为正理想点值，为负理想点值，xT为目标点值，d(，)为模糊数之间的距离函数；
步骤5.5，计算贴合度，确定各个案例之间的顺序，找到与目标案例最相似的案例，计算各个案例与目标案例之间的贴近度，
其中，TH为贴合度，TH值越高表示两个案例越相近，选择贴合度最高的案例作为最相似的案例；
步骤6，返回最相似的案例给决策用户，如满足要求，则生成诊断案例，并进入步骤7；如不满足要求，则决策用户输入特定需求，启动案例修正程序，对获取的案例进行修正，直至满足要求的案例，并进入步骤7；
步骤7：决策用户审查和评估检索得到的案例价值，如果认为该案例有价值，则生成相应的诊断结论，并存入诊疗案例库，如果认为该案例没有有价值，则生成相应的诊断结论，并退出。
以上所述实施方式仅表达了本发明的一种实施方式，但并不能因此而理解为对本发明范围的限制。应当指出，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (10)
1.一种运动状态判断的诊断监控综合医疗系统，包括客户端、工作站、云端服务器、图像采集装置以及生理参数传感器，生理参数传感器通过短距离无线通信技术传输到网络协调器与客户端连接，客户端通过互联网与云端服务器连接，图像采集装置与工作站连接，将采集到的图像上传至云端服务器，患者用户通过客户端上传患者用户的基本信息至云端服务器，决策用户通过工作站上传案例概况信息、患者用户主要症状和体征、化验结果、病理信息、患者用户病情的基本判断、治疗手段、手术后症状、护理建议和策略至云端服务器，云端服务器存储有诊疗案例库，云端服务器对上传的各类信息综合形成案例，决策用户通过工作站对诊疗案例库进行检索，在诊疗案例库中找到相似度匹配找到最相似的案例，图像采集装置包括CT机、超声仪和核磁共振仪，生理参数传感器包括心率采集传感器、血压计、血氧仪和加速度计，其为可穿戴设备，工作站使用图像融合对采集到的CT图像、超声图像和核磁共振图像进行两两图像融合，并将融合后的图像上至云端服务器，工作站与云端服务器之间使用加密算法进行通信，其特征在于：生理参数传感器为可穿戴设备，其通过加速度计的加速度数据判断患者的运动状态，具体判断过程如下：
步骤1，从加速度计获取加速度数据；
步骤2，数据预处理，
步骤3，数据特征生成，
步骤4匹配识别。
2.根据权利要求1所述的一种运动状态判断的诊断监控综合医疗系统，其特征在于步骤2具体为：
将获取的加速度数据生成为加速度时间序列数据，采用滑动窗口为加速度时间序列数据的时域加窗，对每个加窗得到的加速度时间序列数据进行处理和识别，滑动窗口使用时间轴来分段提取序列，定义窗口长度w以及重叠窗口长度o，
对于一段加速度时间序列{x1，x2...xn...}，第一个窗口为{x1，x2...xw}，第二个窗口为{xw-o，xw-o+1...x2w-o-1}，第三个窗口为{x2w-2o-1，x2w-2o...x3w-2o-2}，第n各窗口为{xn(w-o)-n+1，xn(w-o)-n+2...xn(w-o)+w-n}，其中，w＝60，o＝10，xn为加速度时间序列数据。
3.根据权利要求1所述的一种运动状态判断的诊断监控综合医疗系统，其特征在于步骤3具体为：
加速度数据特征包括时域特征和频域特征，时域特征包括加速的在窗口长度w内的平均值、均方根、方差和绝对平均差，频域特征为窗口长度w内的能量；
均值为加速度数值的平均大小，是加速的直流分量，其计算公式为：
均方根D为加速度值的总体大小，其计算公式如下：
方差σx为加速度的分散程度，其计算公式如下：
方差明显的反映了数据变化的剧烈程度，其中是加速度的均值；
绝对平均差K的计算为：
能量E的计算方法是对信号做FFT之后，各个分量的幅值平方和，其公式为：
Fi为加速度时间FFT之后第i个分量的幅度，N为分量个数；
通过上述平均值、均方根、方差、绝对平均差、能量的计算分别得到多个窗口的平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列。
4.根据权利要求1所述的一种运动状态判断的诊断监控综合医疗系统，其特征在于步骤4具体为：
生成样本序列，样本序列包括在行走状态、奔跑状态、跳跃状态、跌倒状态、静止状态下各个平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列，样本序列为预先设置或者通过用户本身通过执行相应的状态进行设置；
将上述得到的平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列分别匹配不同状态下的样本序列，将匹配度最高的样本序列的状态作为当前用户的运动状态。
5.根据权利要求1所述的一种运动状态判断的诊断监控综合医疗系统，其特征在于：生理参数传感器为可穿戴设备，其通过加速度计的加速度数据判断患者的运动状态，具体判断过程如下：
步骤1，从加速度计获取加速度数据；
步骤2，数据预处理，
步骤3，数据特征生成，
步骤4匹配识别。
6.根据权利要求1所述的一种运动状态判断的诊断监控综合医疗系统，其特征在于：采用超声图像和核磁共振图像生成聚焦彩色图像，其融合过程如下：
步骤1，通过HSV变换将图像A、B从RGB空间转化到HSV空间，并获得H、S、V三个分量；
步骤2，通过邻域叠加得到融合后的H分量；
步骤3，通过梯度计算得到融合后的S分量和V分量；
步骤4，根据上述步骤的H分量、S分量和V分量，通过HSV逆变换构成最终的融合图像。
7.一种权利要求1所述的诊断监控综合医疗系统的运动状态判断方法，具体判断过程如下：
步骤1，从加速度计获取加速度数据；
步骤2，数据预处理，
步骤3，数据特征生成，
步骤4匹配识别。
8.根据权利要求7所述的诊断监控综合医疗系统的运动状态判断方法，其特征在于步骤2具体为：
将获取的加速度数据生成为加速度时间序列数据，采用滑动窗口为加速度时间序列数据的时域加窗，对每个加窗得到的加速度时间序列数据进行处理和识别，滑动窗口使用时间轴来分段提取序列，定义窗口长度w以及重叠窗口长度o，
对于一段加速度时间序列{x1，x2...xn...}，第一个窗口为{x1，x2...xw}，第二个窗口为{xw-o，xw-o+1...x2w-o-1}，第三个窗口为{x2w-2o-1，x2w-2o...x3w-2o-2}，第n各窗口为{xn(w-o)-n+1，xn(w-o)-n+2...xn(w-o)+w-n}，其中，w＝60，o＝10，xn为加速度时间序列数据。
9.根据权利要求7所述的诊断监控综合医疗系统的运动状态判断方法，其特征在于步骤3具体为：
加速度数据特征包括时域特征和频域特征，时域特征包括加速的在窗口长度w内的平均值、均方根、方差和绝对平均差，频域特征为窗口长度w内的能量；
均值为加速度数值的平均大小，是加速的直流分量，其计算公式为：
均方根D为加速度值的总体大小，其计算公式如下：
方差σx为加速度的分散程度，其计算公式如下：
方差明显的反映了数据变化的剧烈程度，其中是加速度的均值；
绝对平均差K的计算为：
能量E的计算方法是对信号做FFT之后，各个分量的幅值平方和，其公式为：
Fi为加速度时间FFT之后第i个分量的幅度，N为分量个数；
通过上述平均值、均方根、方差、绝对平均差、能量的计算分别得到多个窗口的平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列。
10.根据权利要求7所述的诊断监控综合医疗系统的运动状态判断方法，其特征在于步骤4具体为：
生成样本序列，样本序列包括在行走状态、奔跑状态、跳跃状态、跌倒状态、静止状态下各个平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列，样本序列为预先设置或者通过用户本身通过执行相应的状态进行设置；
将上述得到的平均值序列、均方根序列、方差序列、绝对平均差序列、能量序列分别匹配不同状态下的样本序列，将匹配度最高的样本序列的状态作为当前用户的运动状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910856855.7A CN110575178B (zh) | 2019-09-10 | 2019-09-10 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910856855.7A CN110575178B (zh) | 2019-09-10 | 2019-09-10 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110575178A true CN110575178A (zh) | 2019-12-17 |
| CN110575178B CN110575178B (zh) | 2022-05-10 |
Family
ID=68812821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910856855.7A Active CN110575178B (zh) | 2019-09-10 | 2019-09-10 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110575178B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021159767A1 (zh) * | 2020-02-10 | 2021-08-19 | 腾讯科技（深圳）有限公司 | 一种医学图像处理的方法、图像处理的方法及装置 |
| CN114610950A (zh) * | 2020-12-04 | 2022-06-10 | 中山大学 | 一种图网络节点表示方法 |
| CN115381408A (zh) * | 2022-10-28 | 2022-11-25 | 深圳市心流科技有限公司 | 一种基于运动状态的穿戴式检测装置的调控方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1785722A1 (en) * | 2005-11-11 | 2007-05-16 | Stratos Bio Ltd. | Microbial, viral and mammalian susceptibility to agents that affect cell growth and metabolism, and compatibility of compounds |
| CN101211341A (zh) * | 2006-12-29 | 2008-07-02 | 上海芯盛电子科技有限公司 | 图像智能模式识别搜索方法 |
| CN102063710A (zh) * | 2009-11-13 | 2011-05-18 | 烟台海岸带可持续发展研究所 | 一种遥感图像融合增强的实现方法 |
| CN102592266A (zh) * | 2012-01-04 | 2012-07-18 | 西安工程大学 | 基于双简化脉冲耦合神经网络的坯布疵点分割方法 |
| CN102750540A (zh) * | 2012-06-12 | 2012-10-24 | 大连理工大学 | 基于形态滤波增强的最稳定极值区视频文本检测方法 |
| CN103735253A (zh) * | 2014-01-17 | 2014-04-23 | 厦门强本科技有限公司 | 一种基于移动终端的中医舌象分析系统及方法 |
| CN104200418A (zh) * | 2014-09-29 | 2014-12-10 | 北京中美联医学科学研究院有限公司 | 基于移动互联网的智能居家诊疗系统和方法 |
| CN105469364A (zh) * | 2015-10-26 | 2016-04-06 | 厦门理工学院 | 一种联合小波变换域和空间域的医学图像融合方法 |
| CN107049324A (zh) * | 2016-11-23 | 2017-08-18 | 深圳大学 | 一种肢体运动姿态的判断方法及装置 |
| CN109115348A (zh) * | 2018-07-24 | 2019-01-01 | 哈尔滨工业大学 | 一种基于火焰光场重聚焦图像的三维温度重建联合方法 |
-
2019
- 2019-09-10 CN CN201910856855.7A patent/CN110575178B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1785722A1 (en) * | 2005-11-11 | 2007-05-16 | Stratos Bio Ltd. | Microbial, viral and mammalian susceptibility to agents that affect cell growth and metabolism, and compatibility of compounds |
| CN101211341A (zh) * | 2006-12-29 | 2008-07-02 | 上海芯盛电子科技有限公司 | 图像智能模式识别搜索方法 |
| CN102063710A (zh) * | 2009-11-13 | 2011-05-18 | 烟台海岸带可持续发展研究所 | 一种遥感图像融合增强的实现方法 |
| CN102592266A (zh) * | 2012-01-04 | 2012-07-18 | 西安工程大学 | 基于双简化脉冲耦合神经网络的坯布疵点分割方法 |
| CN102750540A (zh) * | 2012-06-12 | 2012-10-24 | 大连理工大学 | 基于形态滤波增强的最稳定极值区视频文本检测方法 |
| CN103735253A (zh) * | 2014-01-17 | 2014-04-23 | 厦门强本科技有限公司 | 一种基于移动终端的中医舌象分析系统及方法 |
| CN104200418A (zh) * | 2014-09-29 | 2014-12-10 | 北京中美联医学科学研究院有限公司 | 基于移动互联网的智能居家诊疗系统和方法 |
| CN105469364A (zh) * | 2015-10-26 | 2016-04-06 | 厦门理工学院 | 一种联合小波变换域和空间域的医学图像融合方法 |
| CN107049324A (zh) * | 2016-11-23 | 2017-08-18 | 深圳大学 | 一种肢体运动姿态的判断方法及装置 |
| CN109115348A (zh) * | 2018-07-24 | 2019-01-01 | 哈尔滨工业大学 | 一种基于火焰光场重聚焦图像的三维温度重建联合方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021159767A1 (zh) * | 2020-02-10 | 2021-08-19 | 腾讯科技（深圳）有限公司 | 一种医学图像处理的方法、图像处理的方法及装置 |
| CN114610950A (zh) * | 2020-12-04 | 2022-06-10 | 中山大学 | 一种图网络节点表示方法 |
| CN114610950B (zh) * | 2020-12-04 | 2023-11-07 | 中山大学 | 一种图网络节点表示方法 |
| CN115381408A (zh) * | 2022-10-28 | 2022-11-25 | 深圳市心流科技有限公司 | 一种基于运动状态的穿戴式检测装置的调控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110575178B (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110584605B (zh) | 一种相似度匹配的诊断监控综合医疗系统及其匹配方法 | |
| US11883153B2 (en) | Digital platform to identify health conditions and therapeutic interventions using an automatic and distributed artificial intelligence system | |
| JP6947759B2 (ja) | 解剖学的対象物を自動的に検出、位置特定、及びセマンティックセグメンテーションするシステム及び方法 | |
| JP6522161B2 (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
| CN111133526B (zh) | 发掘可用于机器学习技术中的新颖特征，例如用于诊断医疗状况的机器学习技术 | |
| Vankdothu et al. | Brain tumor segmentation of MR images using SVM and fuzzy classifier in machine learning | |
| CN110575178B (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 | |
| CN110600109B (zh) | 一种彩色图像融合的诊断监控综合医疗系统及其融合方法 | |
| KR20170096088A (ko) | 영상처리장치, 영상처리방법 및 이를 기록한 기록매체 | |
| CN111095232B (zh) | 发掘用于机器学习技术中的基因组 | |
| CN111183424A (zh) | 识别用户的系统和方法 | |
| CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
| JP2020032044A (ja) | 類似度決定装置、方法およびプログラム | |
| CN110010250B (zh) | 基于数据挖掘技术的心血管疾病患者虚弱症分级方法 | |
| CN110580951B (zh) | 一种通信加密的诊断监控综合医疗系统及其通信加密方法 | |
| TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
| CN117153379B (zh) | 一种胸廓出口综合征的预测装置 | |
| Khan et al. | Novel statistical time series data augmentation and machine learning based classification of unobtrusive respiration data for respiration Digital Twin model | |
| CN116469148A (zh) | 一种基于面部结构识别的概率预测系统及预测方法 | |
| US11989880B2 (en) | Similarity determination apparatus, similarity determination method, and similarity determination program | |
| CN114569116A (zh) | 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统 | |
| Huang et al. | A new direction to promote the implementation of artificial intelligence in natural clinical settings | |
| CN110600124B (zh) | 一种灰度图像融合的诊断监控综合医疗系统及其融合方法 | |
| Martinez et al. | Strategic attention learning for modality translation | |
| Radvansky et al. | Identification of the Occurrence of Poor Blood Circulation in Toes by Processing Thermal Images from Flir Lepton Module |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220421 Address after: 100000 room 505, 4th floor, building 3, yard 1, East Road, Automobile Museum, Fengtai District, Beijing Applicant after: Beijing Zetian Zhongkang Technology Co.,Ltd. Address before: 250012 School of medicine, Shandong University, 44 West Wenhua Road, Lixia District, Shandong, Ji'nan Applicant before: Jia Ying |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |