CN113723241A - 一种基于姿态估计的手卫生监测系统 - Google Patents
一种基于姿态估计的手卫生监测系统 Download PDFInfo
- Publication number
- CN113723241A CN113723241A CN202110953883.8A CN202110953883A CN113723241A CN 113723241 A CN113723241 A CN 113723241A CN 202110953883 A CN202110953883 A CN 202110953883A CN 113723241 A CN113723241 A CN 113723241A
- Authority
- CN
- China
- Prior art keywords
- hand
- hand hygiene
- module
- estimation
- monitoring system
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000005406 washing Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 230000000249 desinfective effect Effects 0.000 claims abstract description 7
- 206010011409 Cross infection Diseases 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 11
- 210000002478 hand joint Anatomy 0.000 claims description 11
- 238000004659 sterilization and disinfection Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 239000000645 desinfectant Substances 0.000 claims description 5
- 208000015181 infectious disease Diseases 0.000 claims description 5
- 241000894006 Bacteria Species 0.000 claims description 4
- 206010064687 Device related infection Diseases 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 8
- 239000010410 layer Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 206010029803 Nosocomial infection Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010197 meta-analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000287181 Sturnus vulgaris Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
- G06F16/7854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content using shape
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
- G06F16/786—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content using motion, e.g. object motion or camera motion
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G16H40/20—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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Accommodation For Nursing Or Treatment Tables (AREA)
Abstract
本发明提出了一种基于姿态估计的手卫生监测系统。包括：身份识别模块，对医护人员身份进行标识，并针对每个身份信息建立单独的一个保存文档；图片传感模块，从多角度捕获医护人员洗手、手臂消毒过程的视频片段；数据传输模块，对图片传感模块捕获的多视频片段进行整理和调度，并传输至姿态估计模块；姿态估计模块，利用训练好的深度学习网络对输入的视频片段数据进行姿态估计，判断是否在进行正确的手卫生操作步骤，以及判断是否满足规范的手卫生操作时长；提醒警报模块，根据姿态估计模块的输出结果进行相应的提醒。本发明利用图片识别等关键技术，将信息数据大环境的资源进行巧妙利用，实现了手卫生的智能监测，能够有效提高手卫生依从率。
Description
技术领域
本发明涉及手卫生管理技术，具体涉及一种基于姿态估计的手卫生监测系统。
背景技术
保持手部的卫生是预防医院感染的基础，手卫生质量的好坏直接影响着医院感染的预防与控制。有数据显示，至少30％的医院感染与手卫生执行不到位有着直接关系，手卫生是目前国际上公认的控制医院感染最简便、最有效、最经济的手段之一。我国近些年开展的手卫生运动在一定程度上提高了医护人员手部卫生质量。但一项Meta分析“程龙慧,丁洁,肖培,等.医护人员手卫生依从率及正确率的meta分析[J].中国感染控制杂志,2018(2)：126-131.DOI：10.3969/j.issn.1671-9638.2018.02.008”显示我国近几年的医院医护人员的总体手卫生依从率不到60％，这说明我国医护人员手卫生依从率仍未获得显著提高，并且这个数字大多数是在直接观察下得到的，直接观察存在霍桑效应偏倚导致结果虚高，实际手卫生依从率情况可能更低。
医护人员的手卫生依从性普遍较低，其主要原因在于手卫生缺乏有效的监管方法，仅靠有限的人力进行监管，难以使医护人员养成良好的手卫生习惯。现有技术中已提出一些手卫生监测系统，但是大多聚焦于监测洗手液或手消毒剂使用情况而忽略是否按照正确步骤与规定时长进行手卫生操作的问题，难以实现有效的手卫生依从性提高。
发明内容
发明目的：针对现有技术的不足，本发明提出一种基于姿态估计的手卫生监测系统，利用图片识别等关键技术，将信息数据大环境的资源进行巧妙利用，实现了手卫生问题的关键性突破。
技术方案：一种基于姿态估计的手卫生监测系统，包括：
身份识别模块，对医护人员身份进行标识，并针对每个身份信息建立单独的一个保存文档
图片传感模块，从多角度捕获医护人员洗手、手臂消毒过程的视频片段；
数据传输模块，对图片传感模块捕获的多视频片段进行整理和调度，并传输至姿态估计模块；
姿态估计模块，利用训练好的深度学习网络对输入的视频片段数据进行姿态估计，判断是否在进行正确的手卫生操作步骤，以及判断是否满足规范的手卫生操作时长；
提醒警报模块，根据姿态估计模块的输出结果进行相应的提醒。
其中，所述身份识别模块包括出入口识别器、洗手池与手消毒液旁感应器、智能胸牌、信号接收器，出入口识别器安装在洗手池与手消毒液上方天花板上，具有智能胸牌自动激活功能；智能胸牌佩戴在医护人员胸前，与医护人员工号绑定；信号接收器根据信号辐射范围安装在洗手池与手消毒液上方天花板各处，从而实现信息快速传输交换。
所述图片传感模块包含多角度红外摄像头、手势追踪传感器，用于捕获动态手势图像。
进一步地，所述姿态估计模块包括：
模型训练单元，通过收集带有标签的规范的手卫生操作视频图像并将其做为数据库，并利用该手卫生数据库对搭建的深度学习网络进行训练，使其能够估计医护人员进行手卫生操作的过程是否正确；
判别单元，根据由数据传输模块传输的医护人员的实时手卫生操作片段，与数据库中的正确的操作流程进行比对，判断是否规范；同时开始计算网络捕捉医护人员手部进行洗手消毒的时长，判断是否符合要求的时长；
输出单元，若判别单元的两个判断逻辑中不满足任一情况，则输出“1”电平给提醒记录模块，反之则输出“0”电平。
进一步地，所述模型训练单元利用面向洗手姿态检测的一种识别算法，对手部运动姿势进行检测，所述算法中包括两个模块，DetNet和IKNet，分别预测2D/3D关节位置和关节旋转，其中DetNet是一种用于三维手关节检测的多任务神经网络，在多任务方案下从单一RGB图像预测2D和3D手关节位置，然后，通过将手模型拟合到3D关节预测中来检索手的形状；IKNet通过DetNet的三维关节预测作为输入，从而进行关节旋转的预测。
进一步地，所述系统运行过程中产生的所有数据均记录在后台客户端，所述系统还包括大数据分析模块，在监管周期的终点对医护人员手卫生消毒情况进行大数据分析，对手卫生步骤、手部揉搓时长和院内感染发生率、导管感染发生率、耐药菌感染发生率进行统计分析，通过不同变量与院内感染数据的相关性分析，找出手卫生的不足环节，并对下一个周期提出建议。
有益效果：本发明的有益效果为：
1、本发明提出的一种基于姿态估计的手卫生监测系统，综合利用手势追踪技术、传感器、深度学习、姿态估计等技术，融合使用多角度红外摄像头、手势追踪传感器等多种异构物联网终端，智能分析医护人员的洗手消毒流程是否符合规范以及时长是否满足要求。对未进行规范手卫生操作的医护人员进行提醒，并利用大数据分析未进行规范手卫生操作的次数，计算手卫生依从率，找出手卫生消毒的不足环节。
2、本系统区别于传统的手卫生监测系统，使用摄像头拍摄图像的方式以及手势追踪技术完成手卫生姿态估计，克服了传统手卫生监测系统需要人盯人以及只监测洗手液使用情况而忽略是否按照正确步骤与正确时长进行手卫生操作的缺点，并结合提醒记录模块，实现警报记录效果，及时纠正不规范的手卫生操作。该发明能够实现手卫生监测过程的数字化，方便纠正医护人员的不规范操作，从而提高手卫生依从率。
附图说明
图1为本发明实施例提供的手卫生监测系统结构框图；
图2为本发明实施例提供的姿态估计算法流程流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明实施例提供了一种基于姿态估计的手卫生监测系统，重点解决医护人员手卫生依从性与规范性问题，以提升医院感染的防控效果。参照图1，该系统包括六个模块，分别是身份识别模块、图片传感模块、数据传输模块、姿态估计模块、提醒警报模块、大数据分析模块。
(一)身份识别模块
所述身份识别模块包括出入口识别器、智能胸牌、信号接收器。出入口识别器安装在洗手池与手消毒液上方天花板上，具有智能胸牌自动激活功能；智能胸牌佩戴在医护人员胸前，与医护人员工号绑定。以上各组件均具有低电量报警，互相之间可进行射频信号通信，协同反馈医护人员手卫生状态。根据使用者对手卫生信息进行分类保存，即以每个使用者的身份信息建立单独的一个保存文档，该文档内包括使用者每一次手卫生过程中产生的手卫生信息，包括每一次洗手步骤是否正确与洗手时长节点。文档均储存于医院后台客户端，便于后续分析。
在身份识别模块，当出入口识别器识别到医务人员时，发送信号激活智能胸牌。此时胸牌显示为红色，默认医护人员手部为污染状态，需医护人员立即进行手卫生，进行手卫生后智能胸牌显示为绿色状态，表示医护人员手部为清洁状态。当医护人员进入病床区域进行操作时，可以根据胸牌所显示的颜色判断医护人员是否已进行手卫生。
(二)图片传感模块
图片传感模块主要包括完成手卫生监测系统所需要的各种异构物联网终端设备，包含多角度红外摄像头、手势追踪传感器两个部分。多角度红外摄像头能从多角度探测手臂，实时记录下手臂以及手臂消毒姿势以及洗手消毒是否达到规定时长。在动态手势特征提取时，除了要根据手部轮廓和手关节分布结构来获取手势特征外，还需要考虑到手的运动特点，充分跟踪手部运动的离摄像机的距离和角度，结合旋转平移等方法来完成动态手势识别。基于深度摄像头的手势追踪传感器，利用多深度传感器补偿单个深度摄像头局限性，能够实现：(1)手臂和手势实时追踪；(2)多传感器协作下自遮挡下的手型恢复；(3)深度传感器下手型追踪的准确度；(4)实时跟踪手部洗手或消毒情况。图片传感模块位于所述基于姿态估计的手卫生监测系统的输入层，包含面向不同场景的传感器、标签等设备，以及这些设备与设备之间，设备与上层系统之间的通信协议。
本实例中图片传感模块所使用的异构采集设备主要包括Kinect红外摄像头、手势追踪传感器A111等。实际操作时，首先在医护人员进行手卫生操作场地放置Kinect红外摄像头，从多个角度拍摄医护人员进行手卫生操作，以获得其操作流程图像和RGB图像。
(三)数据传输模块
在数据传输模块，将用多角度红外摄像头、手势追踪传感器记录的视频片段，经过处理后变成模拟信号，信号进入A/D转换器量化后，通过DSP的多通道串口将数据传输到DSP中，利用DSP中特定的串行模块，将数据传入姿态估计模块进行估计判断。数据传输模块在基于姿态估计的手卫生监测系统中位于传输层，由各设备、人员产生的数据在一层汇总，通过数据总线技术进行有效的整理和调度，最终供系统使用。
(四)姿态估计模块
姿态估计模块位于所述基于姿态估计的手卫生监测系统的核心层，用于为有效监督医护人员手卫生执行情况，通过医护人员洗手步骤与数据库中的正确洗手步骤进行比对，规范医护人员的手卫生操作。
姿态估计模块通过图像识别等技术来监测是否在进行正确的手卫生操作步骤，以及是否满足规范的手卫生操作时长。姿态估计模块首先通过进行正确标注的手卫生过程的数据库来训练深度学习网络，从而达到较高预测判断准确率，接着通过得到的数据传输模块传输的医护人员手卫生操作过程数据，利用已训练好的深度学习网络，与已标注的数据库进行数据对比，从而进行姿态估计，判断是否在进行正确的手卫生操作步骤，即六步洗手法。并且进行计时，判断是否满足规范的手卫生操作时长，即手部揉搓时长超过15秒。若任一步骤不符合要求，则输出“否”数据，反之则为“是”数据。
具体而言，姿态估计模块首先收集带有标签的规范的手卫生操作视频图像并将其做为数据库，接着搭建深度学习网络并用上述手卫生数据库训练，使其可以准确捕捉、估计医护人员进行手卫生操作的过程是否正确。然后将由数据传输模块传输的医护人员的实时手卫生操作片段输入进网络中，与数据库中的正确的操作流程进行比对，判断是否规范。同时开始计算网络捕捉医护人员手部进行洗手消毒的时长，判断是否符合要求的时长，若不满足任一情况，则输出“1”电平给提醒记录模块，反之则输出“0”电平。
在洗手时，手部姿态估计面临着如下困难：遮挡、3D回归的二义性、不同手势具有较大的相似性、人手分辨率较低。本发明中，姿态估计模块内封装了面向洗手姿态检测的一种识别算法，该算法可以较好地解决这些问题。具体来说，算法中包括两个模块，DetNet和IKNet，分别预测2D/3D关节位置和关节旋转。其中DetNet是一种用于三维手关节检测的多任务神经网络，在多任务方案下从单一RGB图像预测2D和3D手关节位置。然后，通过将手模型拟合到3D关节预测中来检索手的形状。IKNet通过DetNet的三维关节预测作为输入，从而进行关节旋转的预测。该算法精度高，速度快，可以达到100帧每秒。
步骤1、建立手关节检测网络DetNet。此步骤以单个RGB图像为对象，在图像空间中输出相对根和尺度归一化的三维手部关节预测和二维手部关节预测。由3个部分组成：特征提取器、2D检测器、3D检测器。
特征提取器使用经典的ResNet50，它以128×128的分辨率拍摄图像，输出大小为32×32×256的Feature Maps F。
2D检测器是一个2层全连接CNN，输入为Feature Maps F，输出Heat Maps H。H包含21个手部关节点的关节预测置信图Hj，Hj编码了pixel被关节j覆盖的置信度。
3D检测器从置信图和特征图回归3D手部姿态。输入为Feature Maps F和HeatMaps H，通过Delta Maps D，输出Location Maps L。D是子节点相对于根节点的方向向量，L是手部的三维关节点的位置。D中的每一个像素Db编码骨骼b的方向，这个方向表示的是从父关节到子关节的3D向量表示。
步骤2、利用IKNet从关节位置得到关节的旋转参数。IKNet是为手部建模服务的，建模采用的是MANO，可参见“Javier Romero,Dimitrios Tzionas,and MichaelJ.Black.Embodied hands:Modeling and capturing hands and bodies together.ACMTransactions on Graphics,36(6):245:1–245:17,Nov.2017.”。整个手部姿态的建模公式是：
M(θ,β)＝W(T(θ,β),θ,W,J(θ))
其中，β从Shape Estimation处获得。θ表示轴角表示的关节旋转，通过网络获得。
将建模的手姿态与系统中的七步洗手法对比，由此可得是否符合正确的洗手步骤，当特征提取器拍摄到手接触到水时开始计时，无水流冲洗手时停止计时，判断洗手时间是否达到15秒。
(五)提醒警报模块
所述提醒警报模块，根据姿态估计模块的输出结果，若得到的是“否”数据，则打开蜂鸣器开关进行警报，提醒医护人员进行正确、规范的手卫生操作流程。此模块位于所述基于姿态估计的手卫生监测系统的输出层，根据姿态估计模块的比对结果，通过蜂鸣器提醒医护人员进行有效、规范的手卫生操作，以保证提高手卫生依从率。
具体而言，在提醒警报模块，根据姿态估计模块输出的电平来进行蜂鸣器的启动，若为“1”电平，则启动蜂鸣器进行警报，提醒医护人员改正错误的手卫生流程，若为“0”电平，则不启动蜂鸣器。同时记录一天内输入“1”电平的次数与有电平输入的次数，根据两者的数据来进行手卫生依从率的计算。传输电平为“1”的次数是指规范执行手卫生的次数，有电平输入的次数是指应执行手卫生的次数。公式如下：
手卫生依从率＝规范执行手卫生的次数/应执行手卫生的次数×100％
(六)大数据分析模块
所述大数据分析模块，与数据库相连，在监管周期的终点对医护人员手卫生消毒情况进行大数据分析，所有数据均记录在后台客户端，对手卫生步骤、手部揉搓时长和院内感染发生率、导管感染发生率、耐药菌感染发生率进行统计分析，通过不同变量与院内感染数据的相关性分析，找出手卫生的不足环节，并对下一个周期提出建议。依从率与正确率数据会自动生成各种图形表格，以便直观查看。医护人员可随时登录微信、电脑客户端观看手卫生视频，查询手卫生事件、日志、人员依从率、人员类别依从率、科室依从率等数据。
在大数据分析模块，第一步，获取手卫生操作相关数据(如手卫生步骤、手部揉搓时长和院内感染发生率、导管感染发生率、耐药菌感染发生率)。第二步，把数据转化为Python模块csv来处理，以CSV格式存储。第三步，对一些手卫生操作相关的数据集的数据进行批处理，对一天之内海量的数据进行统一的处理，对应的处理框架为HadoopMapReduce。最后一个步骤，展示经过各个不同分析算法处理过的数据结果。该步骤包括从预先计算汇总的结果中的读取和用图形表格展示出来。这样便于找出手卫生消毒的不足环节，并对下一个周期提出建议。
Claims (6)
1.一种基于姿态估计的手卫生监测系统，其特征在于，包括：
身份识别模块，对医护人员身份进行标识，并针对每个身份信息建立单独的一个保存文档
图片传感模块，从多角度捕获医护人员洗手、手臂消毒过程的视频片段；
数据传输模块，对图片传感模块捕获的多视频片段进行整理和调度，并传输至姿态估计模块；
姿态估计模块，利用训练好的深度学习网络对输入的视频片段数据进行姿态估计，判断是否在进行正确的手卫生操作步骤，以及判断是否满足规范的手卫生操作时长；
提醒警报模块，根据姿态估计模块的输出结果进行相应的提醒。
2.根据权利要求1所述的基于姿态估计的手卫生监测系统，其特征在于，所述身份识别模块包括出入口识别器、洗手池与手消毒液旁感应器、智能胸牌、信号接收器，出入口识别器安装在洗手池与手消毒液上方天花板上，具有智能胸牌自动激活功能；智能胸牌佩戴在医护人员胸前，与医护人员工号绑定；信号接收器根据信号辐射范围安装在洗手池与手消毒液上方天花板各处，从而实现信息快速传输交换。
3.根据权利要求1所述的基于姿态估计的手卫生监测系统，其特征在于，所述图片传感模块包含多角度红外摄像头、手势追踪传感器，用于捕获动态手势图像。
4.根据权利要求1所述的基于姿态估计的手卫生监测系统，其特征在于，所述姿态估计模块包括：
模型训练单元，通过收集带有标签的规范的手卫生操作视频图像并将其做为数据库，并利用该手卫生数据库对搭建的深度学习网络进行训练，使其能够估计医护人员进行手卫生操作的过程是否正确；
判别单元，根据由数据传输模块传输的医护人员的实时手卫生操作片段，与数据库中的正确的操作流程进行比对，判断是否规范；同时开始计算网络捕捉医护人员手部进行洗手消毒的时长，判断是否符合要求的时长；
输出单元，若判别单元的两个判断逻辑中不满足任一情况，则输出“1”电平给提醒记录模块，反之则输出“0”电平。
5.根据权利要求4所述的基于姿态估计的手卫生监测系统，其特征在于，所述模型训练单元利用面向洗手姿态检测的一种识别算法，对手部运动姿势进行检测，所述算法中包括两个模块，DetNet和IKNet，分别预测2D/3D关节位置和关节旋转，其中DetNet是一种用于三维手关节检测的多任务神经网络，在多任务方案下从单一RGB图像预测2D和3D手关节位置，然后，通过将手模型拟合到3D关节预测中来检索手的形状；IKNet通过DetNet的三维关节预测作为输入，从而进行关节旋转的预测。
6.根据权利要求1所述的基于姿态估计的手卫生监测系统，其特征在于，所述系统运行过程中产生的所有数据均记录在后台客户端，所述系统还包括大数据分析模块，在监管周期的终点对医护人员手卫生消毒情况进行大数据分析，对手卫生步骤、手部揉搓时长和院内感染发生率、导管感染发生率、耐药菌感染发生率进行统计分析，通过不同变量与院内感染数据的相关性分析，找出手卫生的不足环节，并对下一个周期提出建议。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110953883.8A CN113723241A (zh) | 2021-08-19 | 2021-08-19 | 一种基于姿态估计的手卫生监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110953883.8A CN113723241A (zh) | 2021-08-19 | 2021-08-19 | 一种基于姿态估计的手卫生监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113723241A true CN113723241A (zh) | 2021-11-30 |
Family
ID=78676793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110953883.8A Pending CN113723241A (zh) | 2021-08-19 | 2021-08-19 | 一种基于姿态估计的手卫生监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723241A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115731648A (zh) * | 2022-12-08 | 2023-03-03 | 厦门农芯数字科技有限公司 | 基于人体姿态动态识别的养殖场管理系统 |
| CN115761902A (zh) * | 2022-12-08 | 2023-03-07 | 厦门农芯数字科技有限公司 | 基于人体骨骼关节点识别的入口消毒识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090195385A1 (en) * | 2008-02-04 | 2009-08-06 | Ching Ching Huang | Proactive hand hygiene monitoring system |
| US20100117836A1 (en) * | 2007-03-30 | 2010-05-13 | Toronto Rehabilitation Institute | Hand hygiene compliance system |
| CN108062164A (zh) * | 2018-01-15 | 2018-05-22 | 杭州易同全科技有限公司 | 用于手卫生依从性监管的智能终端 |
| CN110289085A (zh) * | 2019-05-31 | 2019-09-27 | 杭州小创科技有限公司 | 一种手卫生的监管系统及其使用方法 |
| US20200126395A1 (en) * | 2018-08-30 | 2020-04-23 | Sanus Solutions, LLC | Hygiene monitoring system and method |
| CN112906453A (zh) * | 2020-12-17 | 2021-06-04 | 江南大学 | 智能识别并实时反馈的洗手监测系统 |
-
2021
- 2021-08-19 CN CN202110953883.8A patent/CN113723241A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100117836A1 (en) * | 2007-03-30 | 2010-05-13 | Toronto Rehabilitation Institute | Hand hygiene compliance system |
| US20090195385A1 (en) * | 2008-02-04 | 2009-08-06 | Ching Ching Huang | Proactive hand hygiene monitoring system |
| CN108062164A (zh) * | 2018-01-15 | 2018-05-22 | 杭州易同全科技有限公司 | 用于手卫生依从性监管的智能终端 |
| US20200126395A1 (en) * | 2018-08-30 | 2020-04-23 | Sanus Solutions, LLC | Hygiene monitoring system and method |
| CN110289085A (zh) * | 2019-05-31 | 2019-09-27 | 杭州小创科技有限公司 | 一种手卫生的监管系统及其使用方法 |
| CN112906453A (zh) * | 2020-12-17 | 2021-06-04 | 江南大学 | 智能识别并实时反馈的洗手监测系统 |
Non-Patent Citations (1)
| Title |
|---|
| YUXIAO ZHOU 等: "Monocular Real-time Hand Shape and Motion Capture using Multi-modal Data", ARXIV:2003.09572V2, 30 April 2020 (2020-04-30), pages 1 - 10 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115731648A (zh) * | 2022-12-08 | 2023-03-03 | 厦门农芯数字科技有限公司 | 基于人体姿态动态识别的养殖场管理系统 |
| CN115761902A (zh) * | 2022-12-08 | 2023-03-07 | 厦门农芯数字科技有限公司 | 基于人体骨骼关节点识别的入口消毒识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110477925B (zh) | 一种针对敬老院老人的跌倒检测与预警方法及系统 | |
| CN113723241A (zh) | 一种基于姿态估计的手卫生监测系统 | |
| CN108596148B (zh) | 一种基于计算机视觉的建筑工人劳动状态分析系统及方法 | |
| CN109558785A (zh) | 安防监控系统及应用其的无人便利店 | |
| CN107247945A (zh) | 一种基于Kinect设备的病房病患监护系统及监护方法 | |
| CN209543514U (zh) | 基于人脸识别的监控与报警系统 | |
| Humenberger et al. | Embedded fall detection with a neural network and bio-inspired stereo vision | |
| CN113392765B (zh) | 一种基于机器视觉的摔倒检测方法和系统 | |
| CN108898108B (zh) | 一种基于扫地机器人的用户异常行为监测系统及方法 | |
| CN100464348C (zh) | 视频监视识别智能装置与方法 | |
| Cardile et al. | A vision-based system for elderly patients monitoring | |
| CN114241270A (zh) | 一种家庭护理智能监督方法、系统及装置 | |
| Tsai et al. | Predicting canine posture with smart camera networks powered by the artificial intelligence of things | |
| Bandini et al. | A wearable vision-based system for detecting hand-object interactions in individuals with cervical spinal cord injury: First results in the home environment | |
| CN118470645A (zh) | 基于视觉检测的笔试智能监控系统及方法 | |
| CN112883906B (zh) | 一种基于目标检测的人员状态分析方法 | |
| WO2018010091A1 (zh) | 一种老年服务机器人 | |
| CN117953578A (zh) | 基于深度视觉技术的电梯乘员行为检测方法 | |
| CN117315532A (zh) | 一种智能看护系统及方法 | |
| CN111931748A (zh) | 一种适用于蓄电池生产车间的工人疲劳度检测方法 | |
| CN116584978A (zh) | 一种面向自助核酸采样的试管回收系统、设备及介质 | |
| CN110708519A (zh) | 面向工业现场环境的交互式监控方法 | |
| CN116189232A (zh) | 一种基于机器视觉的养老院老人异常行为检测方法及系统 | |
| CN114429676B (zh) | 一种医疗机构消毒供应室人员身份与行为识别系统 | |
| CN115410113A (zh) | 基于计算机视觉的跌倒检测方法、装置及存储介质 |
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 |