CN112924660B - 一种扫描系统及其扫描方法 - Google Patents
一种扫描系统及其扫描方法 Download PDFInfo
- Publication number
- CN112924660B CN112924660B CN202110101890.5A CN202110101890A CN112924660B CN 112924660 B CN112924660 B CN 112924660B CN 202110101890 A CN202110101890 A CN 202110101890A CN 112924660 B CN112924660 B CN 112924660B
- Authority
- CN
- China
- Prior art keywords
- light
- signal
- light beam
- hematocrit
- reflected
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/49—Blood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Hematology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Biophysics (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Urology & Nephrology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Ecology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种可扫描系统及其扫描方法,可以对不同状态包括静止时,工作时,工作后各个状态进行识别以及数据进行处理从而获得相对准确的数据,同时结合建立模型对不同状态下的不同病变进行识别,而且,该系统能不断验证和优化模型,可以实现自主学习和更新,提高了病变识别的准确性和可靠性。
Description
技术领域
本发明涉及可穿戴领域,特别是涉及用于监测红细胞比容的可穿戴设备。
背景技术
近年来,随着传感器技术、柔性可穿戴设备等科学的迅速发展,在仓库中利用扫描系统进行货物清点已经大量普及,然而现有的扫描系统仅能扫描条形码,不能实时监控穿戴该扫描仪的工作人员的身体异常,而仓库扫码工作要么经常会保持一个动作进行扫码,要么可能进行繁重的搬运工作,身体不适时不能及时的自我发现,难免会有安全隐患。而红细胞比容指红细胞占全血容积的百分比。它反映红细胞和血浆的比例,是影响血黏度的主要因素,因此红细胞比容值可以实现身体异常的及时提醒。
目前需要无创技术测试的参数包括但不限于血液红细胞比容、血红蛋白浓度、氧饱和度、心率和流速以及血容量变化百分比。例如在专利CN110868920A中公开了一种具有多模态诊断的可穿戴装置,利用光学检测装置可以包括一个或多个光电探测器,其被配置为安装在患者的皮肤表面上,接收到的光的强度用于测定所述血管内部的一种或多种流体性质,其中一种或多种流体性质包括以下一项或多项:血液氧合;心率;化学组成;分析物浓度;细胞浓度;白细胞浓度;红细胞浓度;颗粒浓度;血流速度;血细胞比容;以及血红蛋白浓度。
然而现有技术中利用光学检测装置在提取信号时,由于测量部位的移动、自然光、日光灯等等其他的干扰,最终测到的信号需要通过很多方法进行滤波处理。且由于人体属于异常复杂的随着时间变化的生命体,通常上一秒的身体数据和下几秒的身体数据区别都较大,并且由于重体力工作时,红细胞可能会升高,影响红细胞比容值,因此静止时、工作时和工作后数据差距更大,难以有效消除背景信号。因此有必要监测佩戴扫描系统的工作人员工作时同时监测工作人员的身体状态从而及时发出警示。
发明内容
基于此,有必要针对上述针对利用扫描系统进行工作的人员在工作时同时根据不同的状态获得更准确的测试数据从而发出警示,提供一种用于监测红细胞比容的可穿戴设备。
一种扫描系统,其包括光学发射系统、反射系统和接收系统,其特征在于:所述光学发射系统包括光学支架及安装在所述光学支架上的光源发射器;所述光学发射系统包括第一光学发射系统和第二光学发射系统;所述反射系统包括第一反射镜、第二反射镜、第三反射镜和第四反射镜和第一摆动反射模块;第一光学发射系统发射的光可被分为第一光束和第二光束,第二光学发射系统发射出第三光束,其中第一光束用于条形码检测,第二光束与第三光束用于测试红细胞比容值;所述接收系统至少包括三个光源接收器以及至少一个处理器;其中第一光源接收器用于接收条形码扫描单元信号,第二和第三光源接收器用于接收红细胞测试系统信号。
进一步,第一光学发射系统发出的光经过分光系统后分为垂直的第一光束和第二光束,第一光束被第三反射镜反射后到达第一摆动反射模块经过反射后到达条形码,实现对条形码的扫描;第二光束被第四反射镜反射后与第三光束汇合,通过窗口照射皮肤。
进一步,反射系统还包括第二摆动反射模块,第三反射镜设置在第一摆动机构上构成第二摆动反射模块,通过第一摆动机构的摆动幅度调整第三反射镜的角度;第二摆动反射模块调整第三反射镜的角度,使得第一光学发射系统发射的光被反射为第二光束,第二光束的光直接与第三光束汇合,通过窗口照射皮肤;或者,第二摆动反射模块调整第三反射镜的角度,使其反射的第一光束被反射至第一摆动反射模块上,第一光束的光被第一摆动反射模块中的第五反射镜反射至条形码,实现对条形码的扫描。
进一步,所述红细胞测试系统通过光学传感器获得红细胞比容值。
进一步,所述红细胞测试系统中数据处理模块用于根据通过探测响应于光照射而从皮肤区域反射的光以及透射通过皮肤区域的光而采集的光源接收器信号来导出针对第一波长和第二波长的电容积脉搏波描记法计算红细胞比容值。
进一步,所述处理器针对不同的工作或者运动状态,选择不同状态下的模型参数及阈值,从而提醒身体异常。
进一步,将第一至第三光源接收器采集的光信号通过处理器处理得到条形码信号和红细胞测试系统信号,其中红细胞测试系统信号生成的具体步骤包括:步骤(1):模型建立模块:将包含现有数据的来源红细胞比容信号的数据库进行训练;在数据库中标注了低红细胞比容和高红细胞比容作为训练数据集;步骤(2):基于数据预处理模块对数据进行滤波变换进行预处理,同时利用机器学习和深度学习算法进行计算,得到红细胞比容信号,针对不同的工作或者运动状态,选择不同状态下的模型参数及阈值,针对不同病变确定不同的判断模型。
进一步,红细胞比容值数据处理包括:当处理静止状态时,获取T0时间段的红细胞比容A0作为最新的红细胞比容值;当处于工作状态时,获得T1时间段的红细胞比容值A1、T2时间段的红细胞比容值A2,T3时间段的红细胞比容值A3、T4时间段的红细胞比容值A4,当A1与A2的平均值与A3和A4的平均值差值小于2%时,将A3和A4的平均值作为最新的红细胞比容值;当处于工作后状态时,获取时间段T5、T6的红细胞比容值分别为A5和A6,分别将A5与A1获得一个差值δ1,A6与A1获得一个差值δ2,差值小于1%时,将A5和A6的平均值作为最新的红细胞比容值,上述各个时间段为1-2秒量级的时间段。
进一步,所述数据处理模块用于根据通过探测响应于光照射而从皮肤区域反射的光以及透射通过皮肤区域的光而采集的光源接收器信号来导出针对第一波长和第二波长的体积描记PPG信号,所述光照射包括第一光学发射系统发射的第二光束和第二光学发射系统发射的第三光束,其中,第二光束的第一波长范围位于500-800nm之间,第三光束的第二波长范围位于1200-1500nm之间。
进一步,数据采集模块包括:在t1时刻,探测在第一波长处的反射光,采集第二光源接收器信号,导出第一PPG信号P1;探测在所述第二波长处的反射光,采集第二光源接收器信号,导出第二PPG信号P2;探测在所述第一波长的透射光,采集第三光源接收器信号,导出第三PPG信号P3;探测在所述第二波长处的透射光,采集第三光源接收器信号,导出第四PPG信号P4;在t2时刻,探测在所述第一波长处的反射光,采集第二光源接收器信号,导出第五PPG信号P5;探测在所述第二波长处的反射光,采集第二光源接收器信号,导出第六PPG信号P6;探测在所述第一波长的透射光,采集的第三光源接收器信号,导出第七PPG信号P7;探测在所述第二波长处的透射光,采集的第三光源接收器信号,导出第八PPG信号P8,其中t1,t2相差1-2秒;
上述各时间段的红细胞HCT采用如下方式计算:
在进行信号处理时需要关注光源接收器的信噪比,信噪比(SNR)的计算方式为:
SNR=T信/T噪=T信/(T-T信)=Pr/N,其中Pr为信号功率,N为噪声功率,T信为真实信号值,T噪为噪音信号值;
其中N=KTBn=1/2πKTF;K是玻尔兹曼常数,T是温度(开尔文),Bn是噪声等效带宽,F为上截止频率;
则:
对于P1-P8信号,分别找到PPG信号的初始极大值点,选取脉搏波周期,通常0.83s左右内·的m个波峰值P峰ij和m个波谷值P谷ij,记录对应的信号功率Pr峰ij和Pr谷ij;其中i=1,2....8;j=1,2...m,m为大于等于3的整数;
利用公式1计算出P峰ij和P谷ij的实际信号值,计算上述取得P1-P8信号的m个波峰实际信号值和m个波谷实际信号值的均值P均i作为P1-P8的计算信号值:
红细胞的吸收系数R1可由如下公式计算:
R1=R1反射+R1透射=(P均5-P均1)+(P均7-P均3)
血浆中的水的吸收系数R2可由如下公式计算:
R2=R2反射+R2透射=(P均6-P均2)+(P均8-P均4)
据此估算出红细胞比容HCT(即前述A0-A6):
HCT=R1/R2。
进一步,为了评价模型在不同状态下的有效性、泛化性和鲁棒性,并采用奖惩机制对模型性能进行迭代,先构建分类模型,标记不同的病变,通过不同的红细胞比容信号判断不同的病变,并反馈给医生的终端设备和数据库平台。
有益效果:
1、现有的扫描系统仅能扫描条形码,不能实时监控穿戴该扫描仪的工作人员的身体异常。因此,本发明提供了一种可以实时方便无创检测红细胞比容的方法,可以根据各种不同的工作状态从而获得更加准确的信号;从而方便监控穿戴该扫描仪的工作人员的身体异常状态。
2、本系统对检测数据进行不断验证和优化,提高了软件的自主学习性,且可以利用大数据对现有的检测结果提供更有效的辅助验证,数据直接跟医生后台连接,大大提高了医生判断的准确性和方便性。
附图说明
图1为包含监测身体异常扫描系统的可穿戴设备的示意图;
图2为实施方式1的监测身体异常扫描系统的结构示意图;
图3为实施方式2的监测身体异常扫描系统模态一信号采集的结构示意图;
图4为实施方式2的监测身体异常扫描系统模态二信号采集的结构示意图;
100-监测身体异常扫描系统;1-第一光学发射系统;2-第二光学发射系统;3-分光系统;4-第二反射镜;5-第三反射镜;6-第四反射镜;7-第一摆动反射模块;8-条码;9-第一光源接收器;10-第二光源接收器;13-窗口;14-第一摆动机构;15-第五反射镜;16-摆动臂;17-第一摆动端;21-第三光源接收器;20-人体佩戴部位;22-可穿戴设备。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
实施例一:
图1为包含监测身体异常扫描系统100的可穿戴设备22,可穿戴设备可为手环,佩戴于手腕;可穿戴设备还可为指环,佩戴于手指部位。监测身体异常扫描系统100位于可穿戴设备22的外侧,第三光源接收器21位于监测身体异常扫描系统100的对面,且设置在可穿戴设备的内侧。
一种扫描系统是一种在实现条形码扫描的同时可以测试红细胞比容值的系统。如图2所示,该扫描系统100包括具有不同波长的第一光学发射系统1和第二光学发射系统2,第一光学发射系统1发出的光经过分光系统后分为垂直的第一光束和第二光束;第二光学发射系统2发出的光经第二反射镜4反射生成第三光束;第一光束被第三反射镜5反射后到达第一摆动反射模块7经过反射后到达条形码8从而实现对条形码8的扫描,第一光源接收器9用于接收条形码8反射的光信号;第二光束被第四反射镜6反射后与第三光束汇合,从窗口13照射皮肤,第二光源接收器10接受响应于光照射而从皮肤区域20反射的光,第三光源接收器21接收响应于光照射而从皮肤区域20透射的光,从而实现对红细胞比容值的监测。
第一摆动反射模块7包括第五反射镜15、摆动臂16和第一摆动端17,为了保证具有足够大的扫描范围,第一摆动反射模块7包括固定到第一摆动端17的摆动臂16,摆动臂16可以是扭转弹簧以及旋转轴,扭转弹簧用于带动第五反射镜15的摆动。
所述红细胞测试系统中数据处理模块用于根据通过探测响应于光照射而从皮肤区域反射的光以及透射通过皮肤区域的光而采集的光源接收器信号来导出针对第一波长和第二波长的电容积脉搏波描记法计算红细胞比容值。
所述处理器针对不同的工作或者运动状态,选择不同状态下的模型参数及阈值,从而提醒身体异常。
将第一至第三光源接收器采集的光信号通过处理器处理得到条形码信号和红细胞测试系统信号,其中红细胞测试系统信号生成的具体步骤包括:步骤(1):模型建立模块:将包含现有数据的来源红细胞比容信号的数据库进行训练;在数据库中标注了低红细胞比容和高红细胞比容作为训练数据集;步骤(2):基于数据预处理模块对数据进行滤波变换进行预处理,同时利用机器学习和深度学习算法进行计算,得到红细胞比容信号,针对不同的工作或者运动状态,选择不同状态下的模型参数及阈值,针对不同病变确定不同的判断模型。
红细胞比容值数据处理包括:当处理静止状态时,获取T0时间段的红细胞比容A0作为最新的红细胞比容值;当处于工作状态时,获得T1时间段的红细胞比容值A1、T2时间段的红细胞比容值A2,T3时间段的红细胞比容值A3、T4时间段的红细胞比容值A4,当A1与A2的平均值与A3和A4的平均值差值小于2%时,将A3和A4的平均值作为最新的红细胞比容值;当处于工作后状态时,获取时间段T5、T6的红细胞比容值分别为A5和A6,分别将A5与A1获得一个差值δ1,A6与A1获得一个差值δ2,差值小于1%时,将A5和A6的平均值作为最新的红细胞比容值,上述各个时间段为1-2秒量级的时间段。
当光照透过皮肤组织然后再反射到光敏传感器时光照有一定的衰减的。测量部位没有大幅度的工作时,像肌肉、骨骼、静脉和其他连接组织等等对光的吸收是基本不变的。但是血液不同,由于动脉里有血液的流动,那么对光的吸收自然也有所变化。当我们把光转换成电信号时,正是由于动脉对光的吸收有变化而其他组织对光的吸收基本不变,得到的信号就可以分为直流DC信号和交流AC信号。提取其中的AC信号,就能反应出血液流动的特点。我们把这种技术叫做光电容积脉搏波描记法PPG。由于测量部位的移动、自然光、日光灯等等其他的干扰,最终测到的信号可能无法直接提取AC信号,所以要通过复杂的滤波处理。
利用PPG信号相减法可以除去人体组织变化和其它干扰产生的干扰背景。基本原理是在相当短秒量级的时间内,人体的各项生理状态几乎不发生变化,但是血流容积却由于受到了血流阻断或是脉搏波动而发生了微小的变化。在相当短秒量级的时间内,我们连续测量同一个人的同一部位,采集到一系列与血流容积变化有关的PPG信号,然后取两个PPG信号相减,这样就可以除去其他人体组织变化产生的干扰背景,即去除了直流DC信号,获得对我们有用的PPG中的AC信号信息。
为了估计血红细胞相对于血浆的相对吸收,本发明将前向散射(透射)和背向散射(反射)两者考虑在内。即将反射和透射光电体积描记两者组合到单个模态中,从而考虑血液的红细胞比容相关的散射性质。具有500-800nm的波长的光主要由血红细胞中的血红蛋白吸收,而具有1200-1500nm的波长的光主要由血浆中的水吸收。
所述数据处理模块用于根据通过探测响应于光照射而从皮肤区域反射的光以及透射通过皮肤区域的光而采集的光源接收器信号来导出针对第一波长和第二波长的体积描记PPG信号,所述光照射包括第一光学发射系统发射的第二光束和第二光学发射系统发射的第三光束,其中,第二光束的第一波长范围位于500-800nm之间,第三光束的第二波长范围位于1200-1500nm之间。
数据采集模块包括:在t1时刻,探测在第一波长处的反射光,采集第二光源接收器信号,导出第一PPG信号P1;探测在所述第二波长处的反射光,采集第二光源接收器信号,导出第二PPG信号P2;探测在所述第一波长的透射光,采集第三光源接收器信号,导出第三PPG信号P3;探测在所述第二波长处的透射光,采集第三光源接收器信号,导出第四PPG信号P4;在t2时刻,探测在所述第一波长处的反射光,采集第二光源接收器信号,导出第五PPG信号P5;探测在所述第二波长处的反射光,采集第二光源接收器信号,导出第六PPG信号P6;探测在所述第一波长的透射光,采集的第三光源接收器信号,导出第七PPG信号P7;探测在所述第二波长处的透射光,采集的第三光源接收器信号,导出第八PPG信号P8,其中t1,t2相差1-2秒;上述各时间段的红细胞HCT采用如下方式计算:
在进行信号处理时需要关注光源接收器的信噪比,信噪比(SNR)的计算方式为:
SNR=T信/T噪=T信/(T-T信)=Pr/N,其中Pr为信号功率,N为噪声功率,T信为真实信号值,T噪为噪音信号值;
其中N=KTBn=1/2πKTF;K是玻尔兹曼常数,T是温度(开尔文),Bn是噪声等效带宽,F为上截止频率;
则:
对于P1-P8信号,分别找到PPG信号的初始极大值点,选取脉搏波周期,通常0.83s左右内·的m个波峰值P峰ij和m个波谷值P谷ij,记录对应的信号功率Pr峰ij和Pr谷ij;其中i=1,2....8;j=1,2...m,m为大于等于3的整数;
利用公式1计算出P峰ij和P谷ij的实际信号值,计算上述取得P1-P8信号的m个波峰实际信号值和m个波谷实际信号值的均值P均i作为P1-P8的计算信号值:
红细胞的吸收系数R1可由如下公式计算:
R1=R1反射+R1透射=(P均5-P均1)+(P均7-P均3)
血浆中的水的吸收系数R2可由如下公式计算:
R2=R2反射+R2透射=(P均6-P均2)+(P均8-P均4)
据此估算出红细胞比容HCT(即前述A0-A6):
HCT=R1/R2。
进一步,为了评价模型在不同状态下的有效性、泛化性和鲁棒性,并采用奖惩机制对模型性能进行迭代,先构建分类模型,标记不同的病变,通过不同的红细胞比容信号判断不同的病变,并反馈给医生的终端设备和数据库平台。
实施例二:
如图3-4所示,一种扫描系统是一种在实现二维码扫描的同时可以测试红细胞的系统,该扫描系统包括具有不同波长的第一光学发射系统1和第二光学发射系统2;第三反射镜5设置在第一摆动机构14上,构成第二摆动反射模块,通过第一摆动机构14的摆动幅度从而调整第三反射镜5的角度。
在模态一,当测试条形码间隙时,第二摆动反射模块调整第三反射镜5的角度,使得第一光学发射系统1发射的光被第三反射镜5反射为第二光束,第二光学发射系统2发出的光经第二反射镜4反射生成第三光束,第二光束的光直接与第三光束汇合,从窗口13照射皮肤,第二光源接收器10接受响应于光照射而从皮肤区域20反射的光,第三光源接收器21接收响应于光照射而从皮肤区域20透射的光,从而实现对红细胞比容值的监测;在模态二,当需要测试条码时,第二摆动反射模块调整第三反射镜5的角度,使其反射的第一光束被第三反射镜5反射至第一摆动反射模块7上,第一光束的光被第一摆动反射模块7中的第五反射镜15反射从而实现对条形码8的扫描,第一光源接收器9用于接收条形码8反射的光信号。
红细胞比容的具体测试方式与实施例一类似,在此不再赘述。
综上,本发明的用于监测红细胞比容的可穿戴设备,可以对不同状态包括静止时,工作时,工作后各个状态进行识别以及数据进行处理从而获得相对准确的数据,同时结合建立模型对不同状态下的不同病变进行识别,而且,该系统能不断验证和优化模型,可以实现自主学习和更新,提高了病变识别的准确性和可靠性。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,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。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种扫描系统,其包括光学发射系统、反射系统和接收系统,其特征在于:所述光学发射系统包括光学支架及安装在所述光学支架上的第一光学发射系统和第二光学发射系统;所述反射系统包括第一反射镜、第二反射镜、第三反射镜、第四反射镜和第一摆动反射模块;第一光学发射系统发射的光可被分为第一光束和第二光束,第二光学发射系统发射出第三光束,其中第一光束用于条形码检测,第二光束与第三光束用于测试红细胞比容值;所述接收系统至少包括三个光源接收器以及至少一个处理器;其中第一光源接收器用于接收条形码扫描单元信号,第二和第三光源接收器用于接收红细胞测试系统信号;
反射系统还包括第二摆动反射模块,第三反射镜设置在第一摆动机构上构成第二摆动反射模块,通过第一摆动机构的摆动幅度调整第三反射镜的角度;第二摆动反射模块调整第三反射镜的角度,使得第一光学发射系统发射的光被反射为第二光束,第二光束的光直接与第三光束汇合,通过窗口照射皮肤;或者,第二摆动反射模块调整第三反射镜的角度,使其反射的第一光束被反射至第一摆动反射模块上,第一光束的光被第一摆动反射模块中的第五反射镜反射至条形码,实现对条形码的扫描;所述红细胞测试系统中数据处理模块用于根据通过探测响应于光照射而从皮肤区域反射的光以及透射通过皮肤区域的光而采集的光源接收器信号来导出针对第一波长和第二波长的电容积脉搏波描记法计算红细胞比容值;所述处理器针对不同的工作或者运动状态,选择不同状态下的模型参数及阈值,从而提醒身体异常。
2.根据权利要求1所述的扫描系统,其特征在于:第一光学发射系统发出的光经过分光系统后分为垂直的第一光束和第二光束,第一光束被第三反射镜反射后到达第一摆动反射模块经过反射后到达条形码,实现对条形码的扫描;第二光束被第四反射镜反射后与第三光束汇合,通过窗口照射皮肤。
3.根据权利要求1所述的扫描系统的扫描方法,其特征在于:将第一至第三光源接收器采集的光信号通过处理器处理得到条形码信号和红细胞测试系统信号,其中红细胞测试系统信号生成的具体步骤包括:步骤(1):模型建立模块:将包含现有数据的来源红细胞比容信号的数据库进行训练;在数据库中标注了低红细胞比容和高红细胞比容作为训练数据集;步骤(2):基于数据预处理模块对数据进行滤波变换进行预处理,同时利用机器学习和深度学习算法进行计算,得到红细胞比容信号,针对不同的工作或者运动状态,选择不同状态下的模型参数及阈值,针对不同病变确定不同的判断模型。
4.根据权利要求3所述的扫描系统的扫描方法,红细胞比容值数据处理包括:当处理静止状态时,获取T0时间段的红细胞比容A0作为最新的红细胞比容值;当处于工作状态时,获得T1时间段的红细胞比容值A1、T2时间段的红细胞比容值A2,T3时间段的红细胞比容值A3、T4时间段的红细胞比容值A4,当A1与A2的平均值与A3和A4的平均值差值小于2%时,将A3和A4的平均值作为最新的红细胞比容值;当处于工作后状态时,获取时间段T5、T6的红细胞比容值分别为A5和A6,分别将A5与A1获得一个差值δ1,A6与A1获得一个差值δ2,差值小于1%时,将A5和A6的平均值作为最新的红细胞比容值,上述各个时间段为1-2秒量级的时间段。
5.根据权利要求3所述的扫描系统的扫描方法,所述数据处理模块用于根据通过探测响应于光照射而从皮肤区域反射的光以及透射通过皮肤区域的光而采集的光源接收器信号来导出针对第一波长和第二
波长的体积描记PPG信号,所述光照射包括第一光学发射系统发射的第二光束和第二光学发射系统发射的第三光束,其中,第二光束的第一波长范围位于500-800nm之间,第三光束的第二波长范围位于1200-1500nm之间。
6.根据权利要求3所述的一种扫描系统的扫描方法,数据采集模块包括:在t1时刻,探测在第一波长处的反射光,采集第二光源接收器信号,导出第一PPG信号P1;探测在所述第二波长处的反射光,采集第二光源接收器信号,导出第二PPG信号P2;探测在所述第一波长的透射光,采集第三光源接收器信号,导出第三PPG信号P3;探测在所述第二波长处的透射光,采集第三光源接收器信号,导出第四PPG信号P4;在t2时刻,探测在所述第一波长处的反射光,采集第二光源接收器信号,导出第五PPG信号P5;探测在所述第二波长处的反射光,采集第二光源接收器信号,导出第六PPG信号P6;探测在所述第一波长的透射光,采集的第三光源接收器信号,导出第七PPG信号P7;探测在所述第二波长处的透射光,采集的第三光源接收器信号,导出第八PPG信号P8,其中t1,t2相差1-2秒;
上述各时间段的红细胞HCT采用如下方式计算:
在进行信号处理时需要关注检测器的信噪比,信噪比(SNR)的计算方式为:
SNR=T信/T噪=T信/(T-T信)=Pr/N,其中Pr为信号功率,N为噪声功率,T信为真实信号值,T噪为噪音信号值;
其中N=KTBn=1/2πKTF;K是玻尔兹曼常数,T是温度,Bn是噪声等效带宽,F为上截止频率;
则:
对于P1-P8信号,分别找到PPG信号的初始极大值点,选取脉搏波周期,通常0.83s左右内的m个波峰值P峰ij和m个波谷值P谷ij,记录对应的信号功率Pr峰ij和Pr谷ij;其中i=1,2....8;j=1,2...m,m为大于等于3的整数;
利用公式1计算出P峰ij和P谷ij的实际信号值,计算上述取得P1-P8信号的m个波峰实际信号值和m个波谷实际信号值的均值P均i作为P1-P8的计算信号值:
红细胞的吸收系数R1可由如下公式计算:
R1=R1反射+R1透射=(P均5-P均1)+(P均7-P均3)
血浆中的水的吸收系数R2可由如下公式计算:
R2=R2反射+R2透射=(P均6-P均2)+(P均8-P均4)
据此估算出红细胞比容HCT:
HCT=R1/R2。
7.根据权利要求6所述的一种扫描系统的扫描方法,为了评价模型在不同状态下的有效性、泛化性和鲁棒性,并采用奖惩机制对模型性能进行迭代,先构建分类模型,标记不同的病变,通过不同的红细胞比容信号判断不同的病变,并反馈给医生的终端设备和数据库平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101890.5A CN112924660B (zh) | 2021-01-26 | 2021-01-26 | 一种扫描系统及其扫描方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110101890.5A CN112924660B (zh) | 2021-01-26 | 2021-01-26 | 一种扫描系统及其扫描方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112924660A CN112924660A (zh) | 2021-06-08 |
CN112924660B true CN112924660B (zh) | 2023-09-26 |
Family
ID=76166103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110101890.5A Active CN112924660B (zh) | 2021-01-26 | 2021-01-26 | 一种扫描系统及其扫描方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112924660B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106456029A (zh) * | 2014-05-21 | 2017-02-22 | 皇家飞利浦有限公司 | 用于无创地确定对象的红细胞比容值的设备和方法 |
KR20180106433A (ko) * | 2017-03-20 | 2018-10-01 | 유재호 | 운전자 헬스케어 기능을 가지는 밴드형 웨어러블 장치 및 시스템 |
CN109363645A (zh) * | 2018-10-29 | 2019-02-22 | 中国科学院上海技术物理研究所 | 一种基于激光光声光谱的人体血管检测方法 |
CN109620262A (zh) * | 2018-12-12 | 2019-04-16 | 华南理工大学 | 一种基于可穿戴手环的情绪识别系统及方法 |
CN110461225A (zh) * | 2017-05-04 | 2019-11-15 | 佳明瑞士有限责任公司 | 脉搏光谱技术 |
CN111680533A (zh) * | 2020-06-02 | 2020-09-18 | 上海浩创亘永科技有限公司 | 扫描器、穿戴式智能设备及扫描系统 |
CN112261904A (zh) * | 2018-03-27 | 2021-01-22 | 卫保数码有限公司 | 选择用于监测血液中分析物的光源的强度的方法及其设备 |
-
2021
- 2021-01-26 CN CN202110101890.5A patent/CN112924660B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106456029A (zh) * | 2014-05-21 | 2017-02-22 | 皇家飞利浦有限公司 | 用于无创地确定对象的红细胞比容值的设备和方法 |
KR20180106433A (ko) * | 2017-03-20 | 2018-10-01 | 유재호 | 운전자 헬스케어 기능을 가지는 밴드형 웨어러블 장치 및 시스템 |
CN110461225A (zh) * | 2017-05-04 | 2019-11-15 | 佳明瑞士有限责任公司 | 脉搏光谱技术 |
CN112261904A (zh) * | 2018-03-27 | 2021-01-22 | 卫保数码有限公司 | 选择用于监测血液中分析物的光源的强度的方法及其设备 |
CN109363645A (zh) * | 2018-10-29 | 2019-02-22 | 中国科学院上海技术物理研究所 | 一种基于激光光声光谱的人体血管检测方法 |
CN109620262A (zh) * | 2018-12-12 | 2019-04-16 | 华南理工大学 | 一种基于可穿戴手环的情绪识别系统及方法 |
CN111680533A (zh) * | 2020-06-02 | 2020-09-18 | 上海浩创亘永科技有限公司 | 扫描器、穿戴式智能设备及扫描系统 |
Non-Patent Citations (2)
Title |
---|
基于PPG信号的LSTM网络同步动脉血压预测;李帆;程云章;边俊杰;耿晓斌;;软件导刊(第08期);全文 * |
基于脉搏波特征参数的无创血红蛋白检测研究;甘永进 等;燕山大学学报;第44卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112924660A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | HemaApp: noninvasive blood screening of hemoglobin using smartphone cameras | |
RU2640006C2 (ru) | Способ и система идентификации артефактов перемещения и повышения надежности измерений и сигналов тревоги в фотоплетизмографических измерениях | |
US9149216B2 (en) | Photoplethysmography device and method | |
US7254425B2 (en) | Method for detecting artifacts in data | |
US9314197B2 (en) | Wearable pulse oximetry device | |
CN109561843A (zh) | 用于监测对象的外围动脉灌注的设备、系统和方法 | |
JP2010508056A (ja) | 生物学的パラメータの体内での測定のためのシステム及び方法 | |
KR20100065084A (ko) | 움직임 잡음에 강인한 맥파 측정 장치 및 그 방법 | |
US20180035932A1 (en) | Method and apparatus for real-time non-invasive optical monitoring of decompression sickness state | |
JP2007515977A (ja) | 信号の解析及び処理方法 | |
CN108937957B (zh) | 检测方法、装置及检测设备 | |
Zhou et al. | The noninvasive blood pressure measurement based on facial images processing | |
JP2011516118A (ja) | グルコース以外の1つ以上の成分のスペクトルデータを使用して非侵襲で血糖を検出するための方法およびシステム | |
CN106037706A (zh) | 一种基于光电容积法的心率监测可穿戴设备及监测方法 | |
CN111956234A (zh) | 基于光声技术的血氧饱和度精确测量方法及设备 | |
US20230172565A1 (en) | Systems, devices, and methods for developing a model for use when performing oximetry and/or pulse oximetry and systems, devices, and methods for using a fetal oximetry model to determine a fetal oximetry value | |
Dai et al. | Respwatch: Robust measurement of respiratory rate on smartwatches with photoplethysmography | |
Xie et al. | Development of wearable pulse oximeter based on internet of things and signal processing techniques | |
US11259721B2 (en) | Method and device for detecting concentration of total hemoglobin in blood | |
Jincheng et al. | Design and implementation of wearable oxygen saturation monitoring system | |
WO2020160058A1 (en) | Systems and methods for computationally efficient non-invasive blood quality measurement | |
JP2011167424A (ja) | 血圧監視装置 | |
CN112924660B (zh) | 一种扫描系统及其扫描方法 | |
Bhat et al. | The biophysical parameter measurements from PPG signal | |
Liu et al. | Convolutional neural network-based detection of deep vein thrombosis in a low limb with light reflection rheography |
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 |