CN113571149A - 一种基于大数据的输液瓶换液顺序推荐方法及系统 - Google Patents

一种基于大数据的输液瓶换液顺序推荐方法及系统 Download PDF

Info

Publication number
CN113571149A
CN113571149A CN202110863128.0A CN202110863128A CN113571149A CN 113571149 A CN113571149 A CN 113571149A CN 202110863128 A CN202110863128 A CN 202110863128A CN 113571149 A CN113571149 A CN 113571149A
Authority
CN
China
Prior art keywords
infusion
gray
bottle
liquid
pixel point
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.)
Withdrawn
Application number
CN202110863128.0A
Other languages
English (en)
Inventor
张来娣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Fuen Daily Chemical Technology Co ltd
Original Assignee
Jiangsu Fuen Daily Chemical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Fuen Daily Chemical Technology Co ltd filed Critical Jiangsu Fuen Daily Chemical Technology Co ltd
Priority to CN202110863128.0A priority Critical patent/CN113571149A/zh
Publication of CN113571149A publication Critical patent/CN113571149A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10024—Color 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Abstract

本发明涉及一种基于大数据的输液瓶换液顺序推荐方法及系统，该方法采用神经网络中的DNN网络对实时采集的吊瓶图像进行语义分割，准确分割出吊瓶的原始图像，然后对吊瓶的原始图像中能表征输液进度的液位面分界线进行检测，利用设定时间间隔内液位面分界面的下降高度，计算出吊瓶药液输完所需的剩余时间，按照各吊瓶药液输完所需的剩余时间的长短进行排序，相当于根据各床病人的真实输液进度进行换液的紧急程度排序，使护士能够及时掌握各病床输液进度，从而有效提升换液效率。并且，无需病人持续关注输液进度，降低人力资源消耗和因呼叫不及时造成的危险情况的发生。

Description

一种基于大数据的输液瓶换液顺序推荐方法及系统
技术领域
本发明涉及人工智能及大数据技术领域，具体涉及一种基于大数据的输液瓶换液顺序推荐方法及系统。
背景技术
目前，病人在住院过程中往往需要进行输液治疗，与此同时需要配备护士进行相关的辅助工作。然而，住院部的每个护士站配置的护士数量有限，往往只配备有两到三名护士，在病人较多，尤其是多个病人输液比较密集时，护士的工作量就会成倍数增加，由于需要换液的病人较多，护士只能根据病人的呼叫情况进行处理，然而有些病人由于疏忽，当需要更换输液瓶时没有及时呼叫护士，而护士可能忙于其他病人的护理工作，导致不能对一些病人的输液瓶进行及时更换处理。并且，还有一些病人可能在输液即将结束时才开始呼叫护士，而此时由于护士忙不开而容易造成病人出现跑针，血液倒流等危险情况的发生。
另一方面，很多病人为了防止护士在忙碌时段顾不上自己或者响应时间较慢，往往会在输液快要结束时提前五分钟左右进行呼叫，这就会增加护士的紧迫感，并影响到对其他病床更紧急情况下病人的响应时间。除此之外，由于各病床的呼叫时间不同，且各病床的位置不同，很容易造成护士来回往返进行换液操作，不仅造成护士体力上的浪费和透支，也会增加其他待换液工作的响应时间，使换液效率下降。
发明内容
本发明的目的在于提供一种基于大数据的输液瓶换液顺序推荐方法及系统，用于解决待换液病人较多时病人漏呼叫、晚呼叫导致更换输液瓶不及时的问题，以及当待换液病人较多时护士的换液不合理导致换液效率较低的问题。
因此，所采用的技术方案具体如下：
第一方面，本发明提供了一种基于大数据的输液瓶换液顺序推荐方法，包括：
步骤S1，实时采集各病房内含有吊瓶的图像，利用神经网络对采集各病房内含有吊瓶的图像进行处理，获取各个吊瓶的原始图像；
步骤S2，检测各个吊瓶原始图像中的液位面分界线；吊瓶原始图像包含液体区域和空瓶区域，所述液位面分界线为区分液体区域和空瓶区域的液面分界线；
步骤S3，利用设定时间间隔内液位面分界面的下降高度，计算出吊瓶药液输完所需的剩余时间；按此方法分别计算得到各个病床的吊瓶中药液输完所需的剩余时间后，按照剩余时间的长短进行排序，将排序结果作为换液的优先处理顺序进行推荐。
优选的，所述的神经网络为DNN网络，利用该神经网络对采集各病房内含有吊瓶的图像进行处理具体包括：
1)将采集到的含有输液装置的图像作为训练数据集，对数据集进行标注，标注的标签为：输液装置中的吊瓶标注为1，剩余非吊瓶部分标注为0；标注完成后，随机选择数据集的训练集，剩余的数据集作为验证集；
2)将图像数据和标签数据输入DNN网络中，网络的编码器用于抽取图像特征，并将通道数变换为类别个数；网络的解码器用于将特征图的高和宽变换为输入图像的尺寸，从而输出特征图像中每个像素的类别；
3)使用损失函数进行训练，得到吊瓶语义分割图；
4)将获得的吊瓶语义分割图与原始图像对应的像素值相乘，从而获得吊瓶的原始图像。
优选的，步骤S2中，检测吊瓶原始图像中的液位面分界线的步骤如下：
1)将吊瓶的原始图像转换为灰度图，确定各像素点的灰度值。
2)遍历灰度图像中各像素点，根据当前像素点与上一行相邻n(n≥2)个像素点之间的灰度差值和方位角，确定当前像素点的灰度调整值；该灰度调整值的计算式如下：
Figure BDA0003186503170000021
其中，Δpi为灰度调整值，θ为相邻像素与当前像素之间的夹角，Δgj为相邻像素与当前像素之间的灰度差值，n为当前像素点的相邻像素个数；
3)将灰度调整值叠加到当前像素点的灰度值上，以更新当前像素点的灰度值；
4)获得灰度调整后的灰度图像，在灰度值进行更新的像素点中，计算该像素点与上一行相邻像素点的灰度值梯度，确定出待选择的分界线；结合已知的液面分界线宽度和水平方向，最终确定出图像中的液面分界线。
优选的，步骤3)中，更新当前像素点的灰度值的具体步骤包括：
当当前像素点与其相邻像素之间的灰度差值Δgj均大于零时，灰度值更新的公式如下：
pi,new＝pi-Δpi
其中，pi,new为叠加后更新的当前像素点的灰度值，pi为当前像素点的灰度值，Δpi为灰度调整值；
当当前像素点与其相邻像素之间的灰度差值Δgj均小于零时，灰度值更新的公式如下：
pi,new＝pi+Δpi
其中，pi,new为叠加后更新的当前像素点的灰度值，pi为当前像素点的灰度值，Δpi为灰度调整值。
优选的，步骤4)中，确定出图像中的液面分界线包括：
(1)根据连通域分析法计算相互连通的被调整后的像素点长度，将其中连通域长度小于吊瓶宽度的集合判定为噪声点，对此类噪声点进行滤除，其中，吊瓶宽度的确定方法为：通过对吊瓶的语义分割图像进行连通域分析，选取水平方向相连通的最长边长，作为吊瓶宽度；
(2)对经上一步筛选后的连通域集合，继续基于水平方向进行筛选，对各像素点进行遍历，计算其与相邻像素之间的斜率方向，若不为水平方向则进行像素点滤除；
(3)根据灰度值梯度信息进行筛选，筛选灰度值梯度相同的像素点，被筛选的像素点所在直线作为最终的液位面分界线；所述的灰度值梯度为对应上下两行像素点的灰度差值，表示为pi,j-pi+1,j，i和i+1表示行，j表示列；
若此时还有不止一个连通域集合满足要求，则计算上下两行相邻像素点之间灰度值梯度的均方差，取其中最小的均方差对应的像素点所在直线作为最终的液位面分界线。
优选的，步骤S3中，计算出吊瓶药液输完所需的剩余时间的步骤如下：
根据设定时间间隔的周期T，以及吊瓶体积为Vi，计算出当前吊瓶的输液速率
Figure BDA0003186503170000031
再结合当前液位面分界线处所对应的非药液区域体积V0，计算剩余药液输完所需时间
Figure BDA0003186503170000032
本发明具有如下有益效果：
采用神经网络中的DNN网络对实时采集的吊瓶图像进行语义分割，准确分割出吊瓶的原始图像，然后对吊瓶的原始图像中能表征输液进度的液位面分界线进行检测，利用设定时间间隔内液位面分界面的下降高度，计算出吊瓶药液输完所需的剩余时间，按照各吊瓶药液输完所需的剩余时间的长短进行排序，相当于根据各床病人的真实输液进度进行换液的紧急程度排序，使护士能够及时掌握各病床输液进度，从而有效提升换液效率。并且，无需病人持续关注输液进度，降低人力资源消耗和因呼叫不及时造成的危险情况的发生。
第二方面，本发明提供了另一种基于大数据的输液瓶换液顺序推荐方法，包括：
步骤S1，实时采集各病房内含有吊瓶的图像，利用神经网络对采集各病房内含有吊瓶的图像进行处理，获取各个吊瓶的原始图像；
步骤S2，检测各个吊瓶原始图像中的液位面分界线；吊瓶原始图像包含液体区域和空瓶区域，所述液位面分界线为区分液体区域和空瓶区域的液面分界线；
步骤S3，根据当前吊瓶的液位面分界线的长度，判断当前输液进度是否进入末尾阶段，
判断进入末尾阶段的方法是：
根据吊瓶当前液位面分界线长度L1与上一周期所处的液位面分界线长度L0进行比较，当前液位面分界线长度持续n(n≥2)个周期均低于上一周期液位面分界线长度时，则判断此时进入输液进度的末尾阶段；
步骤S4，若判定进入末尾阶段，利用设定时间间隔内液位面分界面的下降高度，计算出吊瓶药液输完所需的剩余时间；按此方法分别计算得到各个病床的吊瓶中药液输完所需的剩余时间后，按照剩余时间的长短进行排序，将排序结果作为换液的优先处理顺序进行推荐。
优选的，将处于同一病房内且均处于输液进度末尾阶段的各病床进行优先度排序与输液速率调整，具体步骤如下：
1)筛选优先级别最高的待换液对象，筛选方法为：
根据各病床所对应吊瓶的剩余输液时间，得到其中最短的剩余输液时间，并以此最短输液时间为参考，将同病房内剩余输液时间与其相差在设定时间之内的输液装置归于同一最高优先级别，并设为待换液对象；
2)在待换液对象中，除最短的剩余输液时间的吊瓶外，采用声音提醒和/或文字显示提醒的方式，向剩余待换液对象对应的病床，给出吊瓶的输液速率调整建议，调慢输液速率。
优选的，将待换液对象中剩余输液时间中最长的tl作为参考进行速率调整，调整后的输液速率为：
Figure BDA0003186503170000041
其中，vk,new为调整后的输液速率，Vk代表同一病房内第k个待换液对象所对应的吊瓶体积，V0为非药液区域体积。
优选的，若多个病房内的待换液对象存在最短输液时间相同的情况时，计算各病房换液顺序的优先度特征值P，其计算表达式为：
Figure BDA0003186503170000051
σk为同一病房内待换液对象剩余时间的均方差，n为病房内存在输液对象的病床数量N为病房内待换液对象的总数量，1≤N≤n；
在各病房内含有待换液对象，且剩余最短时间相同的换液顺序中，根据求得的优先度特征值P进行排序；除最高优先特征值P对应的病房外，其余各病房按照优先特征值P的由高到低，依次调慢输液速率。
本发明具有如下有益效果：
采用神经网络中对实时采集的吊瓶图像进行处理，得到吊瓶的原始图像，然后对吊瓶的原始图像中能表征输液进度的液位面分界线进行检测，并在液位面分界面进入输液的末尾阶段时，根据各床病人的真实输液进度进行换液的紧急程度排序，既能够使护士能够及时掌握各病床输液进度，从而有效提升换液效率；又能够保证在护士进行换液之前使病人进行充分输液，提高输液量。并且，无需病人持续关注输液进度，降低人力资源消耗和因呼叫不及时造成的危险情况的发生。
第三方面，本发明提供了另一种基于大数据的输液瓶换液顺序推荐系统，包括：
包括控制器、显示器和设置在各个病房内的相机，控制器与各相机连接，控制器与显示器连接，控制器用于获取各个相机拍照的图像，按照上面的第一方面或第二方面提到的方法对各病房内含有吊瓶的图像进行处理，生成换液对象的排序结果，并将排序推荐结果显示在显示器中。
本发明具有如下有益效果：
通过控制器、显示器和设置在各个病房内的相机这些硬件装置，能够实现上面第一方面和第二方面中的方法，提高换液效率。
附图说明
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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例1所提供的输液瓶换液顺序推荐方法流程图；
图2-1为本发明实施例1中pi与其三个相邻像素之间的灰度差值Δgj均大于零的示意图；
图2-2为本发明实施例1中pi与其三个相邻像素之间的灰度差值Δgj均小于零的示意图。
具体实施方式
下面结合附图具体的说明本发明所提供的实施方案。
实施例1：
本发明的一种基于大数据的输液瓶换液顺序推荐方法，主要目的是实现对各病床的输液瓶进行换液操作的有效排序，提升换液效率，降低危险事故的发生，其发明构思为：实时采集各病房内含有吊瓶(输液瓶)的图像，利用神经网络对各病房内含有吊瓶的图像进行处理，获取各个吊瓶的原始图像；检测各个吊瓶原始图像中的液位面分界线，利用设定时间间隔内液位面分界面的下降高度，计算出该吊瓶药液输完所需的剩余时间；按此方法分别计算得到若干个病床的吊瓶中药液输完所需的剩余时间后，按照剩余时间的长短进行排序，将排序结果作为换液的优先处理顺序进行推荐。
具体的，如图1所示，该方法的具体实现步骤如下：
步骤S1，实时采集各病房内含有吊瓶(输液瓶)的图像，利用神经网络对采集各病房内含有吊瓶的图像进行处理，获取各个吊瓶的原始图像。
本步骤中，采集图像时，使用RGB相机在光照正常且充足的条件下，将其置于病房上方进行拍照，其中相机拍照范围要能够覆盖病房内所有的病床区域及对应的输液装置。
本步骤中，采用的神经网络为DNN网络，对拍照图像中吊瓶的感知采用语义分割，DNN网络为Encoder-Decoder结构(编码器-解码器)，具体训练内容为：
1)将采集到的含有输液装置的图像作为训练数据集，对数据集进行标注，标注的标签为：输液装置中的吊瓶标注为1，其他(非吊瓶部分)标注为0。标注完成后，随机选择数据集的80％作为训练集，剩余的20％作为验证集。
2)将图像数据和标签数据输入DNN网络中，网络的Encoder(编码器)用于抽取图像特征，并将通道数变换为类别个数；网络的Decoder(解码器)用于将特征图的高和宽变换为输入图像的尺寸，从而输出特征图像中每个像素的类别。
3)使用Loss函数(损失函数)进行训练，Loss函数采用交叉熵损失函数，得到吊瓶语义分割图。
4)将获得的吊瓶语义分割图与原始图像对应的像素值相乘，从而获得吊瓶的原始图像。
步骤S2，检测各个吊瓶原始图像中的液位面分界线。
本步骤中，获得的吊瓶原始图像中，吊瓶区域包含液体区域和空瓶区域，虽然两种区域的属性不同，但在相同光照强度下，两种区域的亮度差别较小，区分液体区域和空瓶区域的液面分界线不明显。
为获得清晰有效的液位面分界线，需要对步骤S1中获得的吊瓶原始图像进行处理，具体处理过程为：
1)将吊瓶的原始图像转换为灰度图，确定各像素点的灰度值。
2)遍历灰度图像中各像素点，根据当前像素点与上一行相邻三个像素点之间的灰度差值和方位角，确定当前像素点的灰度调整值。
以任意像素点pi为中心像素点为例进行说明，在pi所在的八邻域像素内，分别计pi与其上面三个相邻像素之间的灰度差值Δgj，其中j＝1,2,3，分别依次代表自左向右三个相邻像素点与pi的灰度差值；对于方位角的确定，本发明中通过各相邻像素与pi之间的夹角作为需要确定的方位角θ，并以此方位角作为权重参考来对当前像素点pi的灰度值进行调整，其中调整值Δpi的具体计算式为：
Figure BDA0003186503170000071
其中，Δpi为灰度调整值，θ为相邻像素与当前像素之间的夹角，Δgj为相邻像素与当前像素之间的灰度差值，n为当前像素点的相邻像素个数。
本步骤中，由于液位面是水平的，因此根据像素八邻域中的竖直方向上的梯度进行各像素点的灰度调整。因此上面公式中的n＝3，作为其他方式，若采用m(m>8)个邻域像素作为基本像素关系，那么此时n为大于3的整数，例如n＝4或5。
本步骤中，将方位角θ的正弦值作为权重，来表征某个相邻像素与当前像素之间灰度差值对像素调整值Δpi的贡献度，例如，左向右三个相邻像素点中，右边的像素点与当前像素点的方位角为45°，权重值为0.5；左边的像素点与当前像素点的方位角为135°，权重值为-0.5；中间的像素点与当前像素点的方位角为90°，权重值为1。由于考虑权重对像素调整值Δpi的贡献度时，只考虑权重大小，不考虑数值的正负，因此，上面的公式中采用绝对值来解决去除方位角正弦值的符号问题，以及去掉灰度差值的正负符号问题。
本步骤中，在求取像素调整值时，考虑了与相邻像素间的灰度差，也就是只对存在灰度差值的像素进行灰度调整，来增大像素点之间的灰度差别，若计算的三个灰度差Δgj均为零，表明此像素点与相邻的这几个像素点的灰度无差别，则无需对当前像素进行调整。
3)将灰度调整值叠加到当前像素点的灰度值上，以更新当前像素点的灰度值，当pi与其三个相邻像素之间的灰度差值Δgj均大于零时，说明此三个相邻像素点的灰度值都大于当前像素点的灰度值，因此，叠加公式如下：
pi,new＝pi-Δpi
其中，pi,new为叠加后更新的当前像素点的灰度值。
如图2-1所示，当前像素点的灰度值为100，上一行三个相邻像素点的灰度值分别为120、120、120，那么根据步骤2)中的公式，计算得到的调整值为40，由于像素点pi的灰度值均小于三个相邻像素点的灰度值，为增大当前像素点与相邻像素点的灰度差距，因此，在叠加灰度调整值时，需要在当前灰度值的基础上减去灰度调整值，更新后的灰度值为60。
当pi与其三个相邻像素之间的灰度差值Δgj均小于零时，说明此三个相邻像素点的灰度值都小于当前像素点的灰度值，因此，叠加公式如下：
pi,new＝pi+Δpi
其中，pi,new为叠加后更新的当前像素点的灰度值。
经过上面的步骤，可以有效避免噪声像素点带来误差，且由于液体区域和非液体区域中的像素值只有在分界线附近差别较大，因此通过上述调整，可以有效获得较为明显的液面分界线。
如图2-2所示，当前像素点的灰度值为100，上一行三个相邻像素点的灰度值分别为80、80、80，那么根据步骤2)中的公式，计算得到的调整值为40，由于像素点pi的灰度值均大于三个相邻像素点的灰度值，为增大当前像素点与相邻像素点的灰度差距，因此，在叠加灰度调整值时，需要在当前灰度值的基础上加上灰度调整值，更新后的灰度值为140。
4)获得灰度调整后的灰度图像，在灰度值进行更新的像素点中，计算该像素点与上一行相邻像素点的灰度值梯度(即灰度差)，确定出待选择的分界线；然后，结合已知的液面分界线宽度和水平方向，最终确定出图像中的液面分界线。
步骤S3，利用设定时间间隔内液位面分界面的下降高度，计算出该吊瓶药液输完所需的剩余时间；按此方法分别计算得到若干个病床的吊瓶中药液输完所需的剩余时间后，按照剩余时间的长短进行排序，将排序结果作为换液的优先处理顺序进行推荐。
具体的，得到液位面分界线后，以一分钟为设定时间间隔的周期T，计算吊瓶的输液速率。由于吊瓶体积存在多种规格，仅依靠液位面分界线的下降高度并无法判断周期内药液下降体积，因此，本发明中设吊瓶体积为Vi，根据周期T内液位面分界线的下降高度计算hT计算对应的下降体积为VT，当前液位面分界线处所对应的非药液区域体积为V0，则可计算出当前吊瓶的输液速率
Figure BDA0003186503170000091
及计算剩余药液输完所需时间
Figure BDA0003186503170000092
本实施例中，可采用两种方式求取：
方式一：液位面分界线的下降体积的计算公式为：
VT＝*hi
式中，VT为液位面分界线的下降体积，s为吊瓶的截面积，hi为周期T内液位面分界线的下降高度。
方式二：液位面分界线的下降体积的计算公式为：
Figure BDA0003186503170000093
式中，VT为液位面分界线的下降体积，Vi为吊瓶体积，hT为吊瓶的高度，hi为周期T内液位面分界线的下降高度。
实施例2：
本实施例提供了一种基于大数据的输液瓶换液顺序推荐方法，与实施例1中方法的不同之处在于，步骤S2中，经过像素点的灰度值更新后，灰度图像中存在较多因噪声点，因此在确定液面分界线之前，需要在继续处理灰度图像，滤除噪声点，以获得更为有效的液位面分界线。
基于上述考虑，(在步骤S2中的子步骤4)中)继续处理灰度图像的具体过程为：
(1)首先，根据连通域分析法(为现有技术)计算相互连通的被调整后的像素点长度，将其中连通域长度小于吊瓶宽度的集合判定为噪声点，不可能为液面分界线，对此类噪声点进行滤除，其中，吊瓶宽度可通过对其语义分割图像同样进行连通域分析，选取水平方向相连通的最长边长。
(2)由于液位面基本是水平的，因此对经上一步筛选后的连通域集合，继续基于此水平方向进行筛选，对各像素点进行遍历，计算其与相邻像素之间的斜率方向，若不为水平方向则进行滤除。
(3)由于去除光照影响后，液位面分界线处的各像素点灰度值梯度(即对应上下两行像素点的灰度差值，表示为pi,j-pi+1,j)几乎一致，因此最后根据灰度值梯度信息进行筛选，筛选灰度值梯度相同的像素点，即经上述过程再次筛选后，若此时还有不止一个连通域集合满足要求，则计算上下两行相邻像素点之间灰度值梯度的均方差，取其中最小的均方差对应的像素点所在直线作为最终的液位面分界线。
本实施例经过上面步骤，在实施例1中步骤S2中的吊瓶原始图像存在较多噪声点时，能够很好的除去这些噪声，避免噪声没有滤除，导致液面分界线的误检测。
实施例3：
本实施例提供了一种基于大数据的输液瓶换液顺序推荐方法，与实施例1中方法的不同之处在于步骤S3，为了尽量使吊瓶内更多的液体输入病人体内，避免过早给病人更换吊瓶，需要控制推荐换液的优先处理顺序，优化推荐排序。
在按照剩余时间的长短进行排序之前，还包括以下步骤：
根据当前吊瓶的液位面分界线的长度，判断当前输液进度是否进入末尾阶段，若判定进入末尾阶段，则计算所有进入末尾阶段的吊瓶输液进度剩余时长，并仅对进入此阶段的各吊瓶输液进度进行排序，其中剩余输液时长越短则其排名越靠前，将排序结果作为换液的优先处理顺序进行推荐。
本步骤中，判断当前输液进度是否进入末尾阶段的方法是：
由于吊瓶在瓶口位置处直径逐渐缩短，即在输液的最后进度部分平身结构逐渐收窄，当液位面分界线进入此区域时，说明吊瓶中液体即将输入完毕，因此，本发明中将此阶段设为输液进度的末尾阶段。此末尾阶段的判断过程是：根据吊瓶当前液位面分界线L1与上一周期处的液位面分界线的长度L0进行相比，当前液位面分界线持续两个周期均低于上一周期液位面分界线时，则判断此时进入输液进度的末尾阶段。
实施例4：
本实施例提供了一种基于大数据的输液瓶换液顺序推荐方法，与实施例1中方法的不同之处在于，为提高护士的处理效率，同时降低护士的劳动强度，本实施例需要将处于同一病房内且均处于输液进度末尾阶段的各病床进行优先度排序与输液速率调整，以使护士在进行换液时能够一次性对同病房内需要进行换液操作的各病床进行统一处理，具体调整过程为：
1)筛选优先级别最高的待换液对象，筛选方法为：
根据各病床所对应吊瓶的剩余输液时间，得到其中最短的剩余输液时间，并以此最短输液时间为参考，将同病房内剩余输液时间与其相差在设定时间(如三分钟)之内的输液装置归于同一最高优先级别，设为待换液对象。
2)在待换液对象中，除最短的剩余输液时间的吊瓶(为护士第一个换液处理的输液装置)外，采用声音提醒和/或文字显示提醒的方式，向其他待换液对象对应的病人，给出吊瓶的输液速率调整建议，调慢输液速率。
具体方法为：将待换液对象中剩余输液时间中最长的tl作为参考进行速率调整，则同病房内各输液速率vk调整后的速率vk,new的数学表达式为：
Figure BDA0003186503170000111
其中，Vk代表同一病房内第k个待换液对象所对应的吊瓶体积。
本步骤中，由于病人无法精确调节输液速率满足上面的公式，因此，在给出调整输液速率的建议时，可在吊瓶的输液速率调整滑轮上标记出调整刻度，每一个单位刻度，对应一个输液速率，可供病人参考，来进行调节。
这样，其他吊瓶的输液速率调慢后，能够在护士去处理这些吊瓶的换液情况时，使剩余吊瓶仍没有输液完毕，避免了护士没处理这些吊瓶时就输液完毕，导致病人的输液口回血。
在此基础上，若多个病房内的待换液对象存在最短输液时间相同的情况时，根据各最短输液时间所在病房内的实际情况，为其进行优先度排序，在在最短输液时间相同的待换液对象之间进行优先度排序，以防止同一时间内护士来不及进行换液操作。还包括以下处理步骤：
设同一病房内待换液对象剩余时间的均方差为σk，各病房内待换液对象的总数量为N,1≤N≤n，n为病房内存在输液对象的病床数量。则由此可建立反映每个病房换液顺序的优先度特征值P，其计算表达式为：
Figure BDA0003186503170000112
则根据上式可对各病房内含有待换液对象且剩余最短时间相同的换液顺序根据优先度特征值P进行排序。
得到上述排序顺序后，除最高优先特征值P对应的病房外，其余各病房按照优先特征值P的由高到低，依次调慢输液速率。例如，1号病房的优先特征值P最高，按照上面步骤1)和步骤2)，得到最高优先级别的换液吊瓶(与病床号对应)排序，比如，病床号为102>103；2号病房的优先特征值P次之，如该病房中只有病床201为待换液对象；3号病房的优先特征值P更次之，如该病房中只有病床302为待换液对象，最终的换液对象的排序为：102>103>201>302，则根据前一排名的待换液对象的剩余输液时间t103，计算病床201对应吊瓶输液速率调节后的速率v201，计算式如下：
Figure BDA0003186503170000113
其中，Δt为设定的一个小时间差，t201＝t103+Δt。
然后，再根据前一排名的待换液对象的剩余输液时间t201，计算病床302对应吊瓶输液速率调节后的速率v302，计算式如下：
Figure BDA0003186503170000121
其中，t302＝t201+Δt。
最终，可根据各病房内输液进度的初步排名顺序，以及初步排名相同时根据优先度特征值P的进一步排序，获得各病房的换液顺序，护士可根据得到的排名顺序及时进行换液操作。
实施例5：
本实施例提出一种基于大数据的输液瓶换液顺序推荐系统，包括控制器、显示器和设置在各个病房内的相机，控制器与各相机连接，控制器与显示器连接，控制器用于获取各个相机拍照的图像，按照实施例1-实施例4中的任何一种方法对各病房内含有吊瓶(输液瓶)的图像进行处理，生成换液对象的排序结果，并将排序推荐结果显示在显示器上。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于大数据的输液瓶换液顺序推荐方法，其特征在于，该方法包括以下步骤：
步骤S1，实时采集各病房内含有吊瓶的图像，利用神经网络对采集各病房内含有吊瓶的图像进行处理，获取各个吊瓶的原始图像；
步骤S2，检测各个吊瓶原始图像中的液位面分界线；吊瓶原始图像包含液体区域和空瓶区域，所述液位面分界线为区分液体区域和空瓶区域的液面分界线；
步骤S3，利用设定时间间隔内液位面分界面的下降高度，计算出吊瓶药液输完所需的剩余时间；按此方法分别计算得到各个病床的吊瓶中药液输完所需的剩余时间后，按照剩余时间的长短进行排序，将排序结果作为换液的优先处理顺序进行推荐。
2.根据权利要求1所述的基于大数据的输液瓶换液顺序推荐方法，其特征在于，步骤S2中，检测吊瓶原始图像中的液位面分界线的步骤如下：
1)将吊瓶的原始图像转换为灰度图，确定各像素点的灰度值；
2)遍历灰度图像中各像素点，根据当前像素点与上一行相邻n(n≥2)个像素点之间的灰度差值和方位角，确定当前像素点的灰度调整值；该灰度调整值的计算式如下：
Figure FDA0003186503160000011
其中，Δpi为灰度调整值，θ为相邻像素与当前像素之间的夹角，Δgj为相邻像素与当前像素之间的灰度差值，n为当前像素点的相邻像素个数；
3)将灰度调整值叠加到当前像素点的灰度值上，以更新当前像素点的灰度值；
4)获得灰度调整后的灰度图像，在灰度值进行更新的像素点中，计算该像素点与上一行相邻像素点的灰度值梯度，确定出待选择的分界线；结合已知的液面分界线宽度和水平方向，最终确定出图像中的液面分界线。
3.根据权利要求2所述的基于大数据的输液瓶换液顺序推荐方法，其特征在于，步骤3)中，更新当前像素点的灰度值的具体步骤包括：
当当前像素点与其相邻像素之间的灰度差值Δgj均大于零时，灰度值更新的公式如下：
pi,new＝pi-Δpi
其中，pi,new为叠加后更新的当前像素点的灰度值，pi为当前像素点的灰度值，Δpi为灰度调整值；
当当前像素点与其相邻像素之间的灰度差值Δgj均小于零时，灰度值更新的公式如下：
pi,new＝pi+Δpi
其中，pi,new为叠加后更新的当前像素点的灰度值，pi为当前像素点的灰度值，Δpi为灰度调整值。
4.根据权利要求2所述的基于大数据的输液瓶换液顺序推荐方法，其特征在于，步骤4)中，确定出图像中的液面分界线包括：
(1)根据连通域分析法计算相互连通的被调整后的像素点长度，将其中连通域长度小于吊瓶宽度的集合判定为噪声点，对此类噪声点进行滤除，其中，吊瓶宽度的确定方法为：通过对吊瓶的语义分割图像进行连通域分析，选取水平方向相连通的最长边长，作为吊瓶宽度；
(2)对经上一步筛选后的连通域集合，继续基于水平方向进行筛选，对各像素点进行遍历，计算其与相邻像素之间的斜率方向，若不为水平方向则进行像素点滤除；
(3)根据灰度值梯度信息进行筛选，筛选灰度值梯度相同的像素点，被筛选的像素点所在直线作为最终的液位面分界线；所述的灰度值梯度为对应上下两行像素点的灰度差值，表示为pi,j-pi+1,j，i和i+1表示行，j表示列；
若此时还有不止一个连通域集合满足要求，则计算上下两行相邻像素点之间灰度值梯度的均方差，取其中最小的均方差对应的像素点所在直线作为最终的液位面分界线。
5.根据权利要求1所述的基于大数据的输液瓶换液顺序推荐方法，其特征在于，步骤S3中，计算出吊瓶药液输完所需的剩余时间的步骤如下：
根据设定时间间隔的周期T，以及吊瓶体积为Vi，计算出当前吊瓶的输液速率
Figure FDA0003186503160000021
再结合当前液位面分界线处所对应的非药液区域体积V0，计算剩余药液输完所需时间
Figure FDA0003186503160000022
6.一种基于大数据的输液瓶换液顺序推荐方法，其特征在于，该方法包括以下步骤：
步骤S1，实时采集各病房内含有吊瓶的图像，利用神经网络对采集各病房内含有吊瓶的图像进行处理，获取各个吊瓶的原始图像；
步骤S2，检测各个吊瓶原始图像中的液位面分界线；吊瓶原始图像包含液体区域和空瓶区域，所述液位面分界线为区分液体区域和空瓶区域的液面分界线；
步骤S3，根据当前吊瓶的液位面分界线的长度，判断当前输液进度是否进入末尾阶段，
判断进入末尾阶段的方法是：
根据吊瓶当前液位面分界线长度L1与上一周期所处的液位面分界线长度L0进行比较，当前液位面分界线长度持续n(n≥2)个周期均低于上一周期液位面分界线长度时，则判断此时进入输液进度的末尾阶段；
步骤S4，若判定进入末尾阶段，利用设定时间间隔内液位面分界面的下降高度，计算出吊瓶药液输完所需的剩余时间；按此方法分别计算得到各个病床的吊瓶中药液输完所需的剩余时间后，按照剩余时间的长短进行排序，将排序结果作为换液的优先处理顺序进行推荐。
7.根据权利要求6所述的基于大数据的输液瓶换液顺序推荐方法，其特征在于，将处于同一病房内且均处于输液进度末尾阶段的各病床进行优先度排序与输液速率调整，具体步骤如下：
1)筛选优先级别最高的待换液对象，筛选方法为：
根据各病床所对应吊瓶的剩余输液时间，得到其中最短的剩余输液时间，并以此最短输液时间为参考，将同病房内剩余输液时间与其相差在设定时间之内的输液装置归于同一最高优先级别，并设为待换液对象；
2)在待换液对象中，除最短的剩余输液时间的吊瓶外，采用声音提醒和/或文字显示提醒的方式，向剩余待换液对象对应的病床，给出吊瓶的输液速率调整建议，调慢输液速率。
8.根据权利要求7所述的基于大数据的输液瓶换液顺序推荐方法，其特征在于，将待换液对象中剩余输液时间中最长的tl作为参考进行速率调整，调整后的输液速率为：
Figure FDA0003186503160000031
其中，vk,new为调整后的输液速率，Vk代表同一病房内第k个待换液对象所对应的吊瓶体积，V0为非药液区域体积。
9.根据权利要求7所述的基于大数据的输液瓶换液顺序推荐方法，其特征在于，若多个病房内的待换液对象存在最短输液时间相同的情况时，计算各病房换液顺序的优先度特征值P，其计算表达式为：
Figure FDA0003186503160000032
σk为同一病房内待换液对象剩余时间的均方差，n为病房内存在输液对象的病床数量N为病房内待换液对象的总数量，1≤N≤n；
在各病房内含有待换液对象，且剩余最短时间相同的换液顺序中，根据求得的优先度特征值P进行排序；除最高优先特征值P对应的病房外，其余各病房按照优先特征值P的由高到低，依次调慢输液速率。
10.一种基于大数据的输液瓶换液顺序推荐系统，其特征在于，包括控制器、显示器和设置在各个病房内的相机，控制器与各相机连接，控制器与显示器连接，控制器用于获取各个相机拍照的图像，按照如权利要求1-9任一项所述的方法对各病房内含有吊瓶的图像进行处理，生成换液对象的排序结果，并将排序推荐结果显示在显示器中。
CN202110863128.0A 2021-07-29 2021-07-29 一种基于大数据的输液瓶换液顺序推荐方法及系统 Withdrawn CN113571149A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110863128.0A CN113571149A (zh) 2021-07-29 2021-07-29 一种基于大数据的输液瓶换液顺序推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110863128.0A CN113571149A (zh) 2021-07-29 2021-07-29 一种基于大数据的输液瓶换液顺序推荐方法及系统

Publications (1)

Publication Number Publication Date
CN113571149A true CN113571149A (zh) 2021-10-29

Family

ID=78168880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110863128.0A Withdrawn CN113571149A (zh) 2021-07-29 2021-07-29 一种基于大数据的输液瓶换液顺序推荐方法及系统

Country Status (1)

Country Link
CN (1) CN113571149A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554702A (zh) * 2021-09-22 2021-10-26 南通林德安全设备科技有限公司 基于人工智能的输液进度评估方法及系统
CN115019456A (zh) * 2022-05-31 2022-09-06 浙江大学 一种病房呼叫系统及其呼叫方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554702A (zh) * 2021-09-22 2021-10-26 南通林德安全设备科技有限公司 基于人工智能的输液进度评估方法及系统
CN113554702B (zh) * 2021-09-22 2021-12-07 南通林德安全设备科技有限公司 基于人工智能的输液进度评估方法及系统
CN115019456A (zh) * 2022-05-31 2022-09-06 浙江大学 一种病房呼叫系统及其呼叫方法

Similar Documents

Publication Publication Date Title
CN113571149A (zh) 一种基于大数据的输液瓶换液顺序推荐方法及系统
Thanh et al. Leukemia blood cell image classification using convolutional neural network
Casanova et al. Reduced brain size and gyrification in the brains of dyslexic patients
CN105184239B (zh) 基于患者表情识别的病房辅助医护系统及辅助医护方法
CN104573385B (zh) 用于病房数据采集的机器人系统
CN104503419B (zh) 一种用于病房数据采集方法
US20220084662A1 (en) Systems and methods for automatically notifying a caregiver that a patient requires medical intervention
CN110215216A (zh) 基于骨骼关节点分区域分层次的行为识别方法、系统
CN115457067B (zh) 一种通鼻提神药物液位检测方法
CN113516017B (zh) 服药过程的监督方法、装置、终端设备及存储介质
CN110634558A (zh) 一种信息化五级儿科急诊分诊方法
US20230377750A1 (en) Classifier Apparatus With Decision Support Tool
CN108597615A (zh) 一种轻度认知障碍患者痴呆转化的筛选参考方法
CN113554702B (zh) 基于人工智能的输液进度评估方法及系统
CN117253580A (zh) 一种自动化患者监测护理系统、方法以及装置
CN115019385A (zh) 通过手语交流的人工智能医务系统
Zonneveld et al. High-dimensional mapping of cognition to the brain using voxel-based morphometry and subcortical shape analysis
Janssen et al. Implementation of Artificial Intelligence Applications in Australian Healthcare Organisations: Environmental Scan Findings
CN114283942A (zh) 基于老年综合评估情况生成个体化护理方案的系统及方法
CN204496497U (zh) 用于病房数据采集的机器人系统
CN112862831A (zh) 对抗网络生成方法和眼底荧光造影图像无灌注区分割方法
Kiruthika et al. Automatic sickle cell anaemia detection using image processing technique
CN113491806B (zh) 一种基于大数据的医疗数据变量测量监测方法及系统
KIRBOGA et al. The impact of artificial intelligence on the medical area: Detailed review
Azeroual et al. Convolutional Neural Network for Segmentation and Classification of Glaucoma.

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20211029

WW01 Invention patent application withdrawn after publication