CN114588402B - 一种基于视觉识别的输液进程监测系统及其监测方法 - Google Patents

一种基于视觉识别的输液进程监测系统及其监测方法 Download PDF

Info

Publication number
CN114588402B
CN114588402B CN202210178742.8A CN202210178742A CN114588402B CN 114588402 B CN114588402 B CN 114588402B CN 202210178742 A CN202210178742 A CN 202210178742A CN 114588402 B CN114588402 B CN 114588402B
Authority
CN
China
Prior art keywords
data
infusion
transfusion
display screen
terminal
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
Application number
CN202210178742.8A
Other languages
English (en)
Other versions
CN114588402A (zh
Inventor
边文伟
伍明
詹国伟
应伟峰
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.)
Zhejiang Yimadi Technology Co ltd
Original Assignee
Zhejiang Yimadi 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 Zhejiang Yimadi Technology Co ltd filed Critical Zhejiang Yimadi Technology Co ltd
Priority to CN202210178742.8A priority Critical patent/CN114588402B/zh
Publication of CN114588402A publication Critical patent/CN114588402A/zh
Application granted granted Critical
Publication of CN114588402B publication Critical patent/CN114588402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/16831—Monitoring, detecting, signalling or eliminating infusion flow anomalies
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/16831—Monitoring, detecting, signalling or eliminating infusion flow anomalies
    • A61M5/1684—Monitoring, detecting, signalling or eliminating infusion flow anomalies by detecting the amount of infusate remaining, e.g. signalling end of infusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Hematology (AREA)
  • Veterinary Medicine (AREA)
  • Vascular Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Anesthesiology (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Infusion, Injection, And Reservoir Apparatuses (AREA)

Abstract

本发明公开了一种基于视觉识别的输液进程监测系统及其监测方法，包括：终端，用于采集和处理输液进程的数据；服务器，用于处理和转送接收到的数据；显示屏，用于展示输液进程和查看输液结束时的数据；其中，所述终端、服务器和显示屏依次通讯连接。本发明的基于视觉识别的输液进程监测系统及其监测方法，在不改变护士原有工作模式的前提下，大幅度减少了误报、漏报的情况，还可以直观地从护士站实时查看输液进程，远程掌控所有患者输液情况。护士可根据监测信息和专业判断科学安排工作优先级，减少频繁无效地奔波，提高护士工作效率。

Description

一种基于视觉识别的输液进程监测系统及其监测方法
技术领域
本发明涉及监测系统技术领域，具体涉及一种基于视觉识别的输液进程监测系统及其监测方法。
背景技术
当前市场上传统的输液监测手段主要有称重、红外等输液管理模式，推出至今虽已有十余年，很多技术痛点至今未能得到有效解决。比如在操作上，护理人员在称重设备挂钩上挂上输液袋/瓶后每次都要根据不同规格的瓶子、袋子设定初始值，然后在护士站监视输液进程。操作比较复杂，无法查看输液袋/瓶的实时图片，告警后须到现场确认，定期还需要更换电池。在准确率方面，受外界因素影响较大，比如牵拉、压坠等都会影响到称重装置的称重结果，造成误报、漏报，准确率比较低。且重力传感器的精度随环境、时间变化而变化，因此需要定期对称重装置计量、归零。在数据安全方面，无论称重和红外都是采用RFID、LORA等传输模式，最远可被1-3KM以外的接收器接收到数据，有不可控的数据外泄风险。
目前，市场上的输液检测方式还存在操作复杂、准确率较低的问题。
基于上述情况，本发明提出了一种基于视觉识别的输液进程监测系统及其监测方法，可有效解决以上问题。
发明内容
本发明的目的在于提供一种基于视觉识别的输液进程监测系统及其监测方法。本发明的基于视觉识别的输液进程监测系统及其监测方法，在不改变护士原有工作模式的前提下，大幅度减少了误报、漏报的情况，还可以直观地从护士站实时查看输液进程，远程掌控所有患者输液情况。护士可根据监测信息和专业判断科学安排工作优先级，减少频繁无效地奔波，提高护士工作效率。
本发明通过下述技术方案实现：
一种基于视觉识别的输液进程监测系统，包括：
终端，用于采集和处理输液进程的数据；
服务器，用于处理和转送接收到的数据；
显示屏，用于展示输液进程和查看输液结束时的数据；
其中，所述终端、服务器和显示屏依次通讯连接。
本发明的目的在于提供一种基于视觉识别的输液进程监测系统及其监测方法。本发明的基于视觉识别的输液进程监测系统及其监测方法，在不改变护士原有工作模式的前提下，大幅度减少了误报、漏报的情况，还可以直观地从护士站实时查看输液进程，远程掌控所有患者输液情况。护士可根据监测信息和专业判断科学安排工作优先级，减少频繁无效地奔波，提高护士工作效率。
优选的，包括计算盒，所述终端、计算盒、服务器和显示屏依次通讯连接。
一种基于视觉识别的输液进程监测系统的监测方法，包括以下步骤：
步骤S1：通过终端定时采集单张病床前的实时数据，根据医院网络流量压力，选择数据处理模式；
步骤S2：对采集的数据进行算法处理，根据生成的识别结果判断输液进程，保存识别结果到数据库；
若采用服务器对数据进行算法处理，则需要返回识别结果至终端；
若采用计算盒对数据进行算法处理，则需要将识别结果传送至服务器，并返回识别结果至终端；
步骤S3：服务器将识别结果传送至护士站，并在显示屏中显示输液进程。
优选的，所述步骤S1的数据处理模式包括：
步骤S11：若医院网络流量压力较小，则将所有数据传送至服务器处理；
步骤S12：若医院网络流量压力偏小，则将数据传送至服务器处理，且只上传带有输液袋的数据；
步骤S13：若医院网络流量压力偏大，则将所有数据传送至计算盒处理；
步骤S14：若医院网络流量压力较大，则数据直接在终端处理，且只上传经识别后的结果及裁剪后的数据。
优选的，所述步骤S12包括：
步骤S121：将数据送入床头终端APP程序；
步骤S122：通过APP程序对数据进行处理，将数据送入API接口，进入预训练模型进行目标识别，判断当前是否有输液袋；
步骤S123：若有输液袋，则进入步骤S2，若无输液袋，则返回步骤S1。
优选的，所述算法处理包括以下步骤：
步骤S211：由服务器、计算盒或终端的其中一种处理器接收数据，调整为训练模型预定义比例，传送给数据推理服务接口API；
步骤S212：数据推理服务接口API接收数据，张量化处理后传给模型；
步骤S213：预训练模型对输入的数据张量做实例分割运算，在像素层面识别目标轮廓，进行特征提取；
步骤S214：用FPN生成N个proposals窗口，把proposals窗口映射到最后一层卷积map上；
步骤S215：通过全连接分类+回归+分割，同时进行分析数据液面特征，以及生成边界框和掩码；
步骤S216：根据生成的输液袋边界框，取最高点及最低点的两条水平线、最左侧与最右侧两条垂直线，将四条线围成的封闭区域设为待裁剪区域，在原图上将该区域裁剪后保存；
步骤S217：根据分析后数据液面特征，通过预定义的输液进程判断当前数据输液状态。
优选的，所述数据为图像或视频。
优选的，所述判断输液进程的方式为当识别到药液余量大于70％以上时，护士站显示屏输液进程显示为绿色；
当识别到药液余量小于70％且大于20％时，护士站显示屏输液进程显示为蓝色；
当识别到药液余量小于20％且大于5ml时，护士站显示屏输液进程显示为橙色；
当识别到药液余量小于5ml时，护士站显示屏输液进程显示为红色。
优选的，包括步骤S4：床头终端和护士站显示屏同步语音播报“输液结束”，且护士站显示屏弹窗提示“**床输液结束”，并同步显示该床号输液袋数据。
本发明与现有技术相比，具有以下优点及有益效果：
本发明的基于视觉识别的输液进程监测系统及其监测方法，在不改变护士原有工作模式的前提下，大幅度减少了误报、漏报的情况，还可以直观地从护士站实时查看输液进程，远程掌控所有患者输液情况。护士可根据监测信息和专业判断科学安排工作优先级，减少频繁无效地奔波，提高护士工作效率，具体有益效果如下：
附图说明
图1为本发明所述实施例3的示意框图；
图2为本发明所述实施例4的示意框图；
图3为本发明所述实施例5的示意框图；
图4为本发明所述实施例6的示意框图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合具体实施例对本发明的优选实施方案进行描述，但是应当理解，附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
实施例1：
如图1至4所示，一种基于视觉识别的输液进程监测系统，包括：
终端1，用于采集和处理输液进程的数据；
服务器2，用于处理和转送接收到的数据；
显示屏3，用于展示输液进程和查看输液结束时的数据；
其中，所述终端1、服务器2和显示屏3依次通讯连接。
进一步地，在另一个实施例中，包括计算盒4，所述终端1、计算盒4、服务器2和显示屏3依次通讯连接。
实施例2：
如图1至4所示，一种基于视觉识别的输液进程监测系统的监测方法，包括以下步骤：
步骤S1：通过终端1定时采集单张病床前的实时数据，根据医院网络流量压力，选择数据处理模式；
步骤S2：对采集的数据进行算法处理，根据生成的识别结果判断输液进程，保存识别结果到数据库；
若采用服务器2对数据进行算法处理，则需要返回识别结果至终端1；
若采用计算盒4对数据进行算法处理，则需要将识别结果传送至服务器2，并返回识别结果至终端1；
步骤S3：服务器2将识别结果传送至护士站，并在显示屏3中显示输液进程。
进一步地，在另一个实施例中，所述步骤S1的数据处理模式包括：
步骤S11：若医院网络流量压力较小，则将所有数据传送至服务器2处理；
步骤S12：若医院网络流量压力偏小，则将数据传送至服务器2处理，且只上传带有输液袋的数据；
步骤S13：若医院网络流量压力偏大，则将所有数据传送至计算盒4处理；
步骤S14：若医院网络流量压力较大，则数据直接在终端1处理，且只上传经识别后的结果及裁剪后的数据。
进一步地，在另一个实施例中，所述步骤S12包括：
步骤S121：将数据送入床头终端1的APP程序；
步骤S122：通过APP程序对数据进行处理，将数据送入API接口，进入预训练模型进行目标识别，判断当前是否有输液袋；
步骤S123：若有输液袋，则进入步骤S2，若无输液袋，则返回步骤S1；
进一步地，在另一个实施例中，所述算法处理包括以下步骤：
步骤S211：由服务器2、计算盒4或终端1的其中一种处理器接收数据，调整为训练模型预定义比例，传送给数据推理服务接口API；
步骤S212：数据推理服务接口API接收数据，张量化处理后传给模型；
步骤S213：预训练模型对输入的数据张量做实例分割运算，在像素层面识别目标轮廓，进行特征提取；
步骤S214：用FPN生成N个proposals窗口，把proposals窗口映射到最后一层卷积map上；
步骤S215：通过全连接分类+回归+分割，同时进行分析数据液面特征，以及生成边界框和掩码；
步骤S216：根据生成的输液袋边界框，取最高点及最低点的两条水平线、最左侧与最右侧两条垂直线，将四条线围成的封闭区域设为待裁剪区域，在原图上将该区域裁剪后保存；
步骤S217：根据分析后数据液面特征，通过预定义的输液进程判断当前数据输液状态。
进一步地，在另一个实施例中，所述数据为图像或视频。
进一步地，在另一个实施例中，所述判断输液进程的方式为当识别到药液余量大于70％以上时，护士站显示屏3输液进程显示为绿色；
当识别到药液余量小于70％且大于20％时，护士站显示屏3输液进程显示为蓝色；
当识别到药液余量小于20％且大于5ml时，护士站显示屏3输液进程显示为橙色；
当识别到药液余量小于5ml时，护士站显示屏3输液进程显示为红色。
进一步地，在另一个实施例中，包括步骤S4：床头终端1和护士站显示屏3同步语音播报“输液结束”，且护士站显示屏3弹窗提示“**床输液结束”，并同步显示该床号输液袋数据。
实施例3：
如图1所示，一种基于视觉识别的输液进程监测系统的监测方法，包括以下步骤：
步骤S1：通过终端1定时采集单张病床前的实时数据，根据医院网络流量压力，选择数据处理模式；
步骤S2：对采集的数据进行算法处理，根据生成的识别结果判断输液进程，保存识别结果到数据库；
采用服务器2对数据进行算法处理，则需要返回识别结果至终端1；
步骤S3：服务器2将识别结果传送至护士站，并在显示屏3中显示输液进程；
步骤S4：床头终端1和护士站显示屏3同步语音播报“输液结束”，且护士站显示屏3弹窗提示“**床输液结束”，并同步显示该床号输液袋图像或视频。
所述步骤S1的数据处理模式包括：
步骤S11：医院网络流量压力较小，则将所有图像或视频传送至服务器2处理；
所述算法处理包括以下步骤：
步骤S211：由服务器2接收数据，调整为训练模型预定义比例，传送给数据推理服务接口API；
步骤S212：数据推理服务接口API接收数据，张量化处理后传给模型；
步骤S213：预训练模型对输入的数据张量做实例分割运算，在像素层面识别目标轮廓，进行特征提取；
步骤S214：用FPN生成N个proposals窗口，把proposals窗口映射到最后一层卷积map上；
步骤S215：通过全连接分类+回归+分割，同时进行分析数据液面特征，以及生成边界框和掩码；
步骤S216：根据生成的输液袋边界框，取最高点及最低点的两条水平线、最左侧与最右侧两条垂直线，将四条线围成的封闭区域设为待裁剪区域，在原图上将该区域裁剪后保存；
步骤S217：根据分析后数据液面特征，通过预定义的输液进程判断当前数据输液状态。
所述判断输液进程的方式为当识别到药液余量大于70％以上时，护士站显示屏3输液进程显示为绿色；
当识别到药液余量小于70％且大于20％时，护士站显示屏3输液进程显示为蓝色；
当识别到药液余量小于20％且大于5ml时，护士站显示屏3输液进程显示为橙色；
当识别到药液余量小于5ml时，护士站显示屏3输液进程显示为红色。
实施例4：
如图2所示，一种基于视觉识别的输液进程监测系统的监测方法，包括以下步骤：
步骤S1：通过终端1定时采集单张病床前的实时数据，根据医院网络流量压力，选择数据处理模式；
步骤S2：对采集的数据进行算法处理，根据生成的识别结果判断输液进程，保存识别结果到数据库；
采用服务器2对数据进行算法处理，则需要返回识别结果至终端1；
步骤S3：服务器2将识别结果传送至护士站，并在显示屏3中显示输液进程；
步骤S4：床头终端1和护士站显示屏3同步语音播报“输液结束”，且护士站显示屏3弹窗提示“**床输液结束”，并同步显示该床号输液袋图像或视频。
所述步骤S1的数据处理模式包括：
步骤S12：医院网络流量压力偏小，则将图像或视频传送至服务器2，且只上传带有输液袋的图像或视频；
所述步骤S12包括：
步骤S121：将图像或视频送入床头终端1APP程序；
步骤S122：通过APP程序对图像或视频进行处理，将图像或视频送入API接口，进入预训练模型进行目标识别，判断当前是否有输液袋；
步骤S123：若有输液袋，则进入步骤S2，若无输液袋，则返回步骤S1；
所述算法处理包括以下步骤：
步骤S211：由服务器2接收数据，调整为训练模型预定义比例，传送给数据推理服务接口API；
步骤S212：数据推理服务接口API接收数据，张量化处理后传给模型；
步骤S213：预训练模型对输入的数据张量做实例分割运算，在像素层面识别目标轮廓，进行特征提取；
步骤S214：用FPN生成N个proposals窗口，把proposals窗口映射到最后一层卷积map上；
步骤S215：通过全连接分类+回归+分割，同时进行分析数据液面特征，以及生成边界框和掩码；
步骤S216：根据生成的输液袋边界框，取最高点及最低点的两条水平线、最左侧与最右侧两条垂直线，将四条线围成的封闭区域设为待裁剪区域，在原图上将该区域裁剪后保存；
步骤S217：根据分析后数据液面特征，通过预定义的输液进程判断当前数据输液状态。
所述判断输液进程的方式为当识别到药液余量大于70％以上时，护士站显示屏3输液进程显示为绿色；
当识别到药液余量小于70％且大于20％时，护士站显示屏3输液进程显示为蓝色；
当识别到药液余量小于20％且大于5ml时，护士站显示屏3输液进程显示为橙色；
当识别到药液余量小于5ml时，护士站显示屏3输液进程显示为红色。
实施例5：
如图3所示，一种基于视觉识别的输液进程监测系统的监测方法，包括以下步骤：
步骤S1：通过终端1定时采集单张病床前的实时数据，根据医院网络流量压力，选择数据处理模式；
步骤S2：对采集的数据进行算法处理，根据生成的识别结果判断输液进程，保存识别结果到数据库；
采用计算盒4对数据进行算法处理，则需要将识别结果传送至服务器2，并返回识别结果至终端1；终端1可根据识别结果调整图片采集频率。
步骤S3：服务器2将识别结果传送至护士站，并在显示屏3中显示输液进程；
步骤S4：床头终端1和护士站显示屏3同步语音播报“输液结束”，且护士站显示屏3弹窗提示“**床输液结束”，并同步显示该床号输液袋图像或视频。
所述步骤S1的数据处理模式包括：
步骤S13：医院网络流量压力偏大，则将所有图像或视频传送至计算盒4；
所述算法处理包括以下步骤：
步骤S211：由计算盒4接收数据，调整为训练模型预定义比例，传送给数据推理服务接口API；
步骤S212：数据推理服务接口API接收数据，张量化处理后传给模型；
步骤S213：预训练模型对输入的数据张量做实例分割运算，在像素层面识别目标轮廓，进行特征提取；
步骤S214：用FPN生成N个proposals窗口，把proposals窗口映射到最后一层卷积map上；
步骤S215：通过全连接分类+回归+分割，同时进行分析数据液面特征，以及生成边界框和掩码；
步骤S216：根据生成的输液袋边界框，取最高点及最低点的两条水平线、最左侧与最右侧两条垂直线，将四条线围成的封闭区域设为待裁剪区域，在原图上将该区域裁剪后保存；
步骤S217：根据分析后数据液面特征，通过预定义的输液进程判断当前数据输液状态。
所述判断输液进程的方式为当识别到药液余量大于70％以上时，护士站显示屏3输液进程显示为绿色；
当识别到药液余量小于70％且大于20％时，护士站显示屏3输液进程显示为蓝色；
当识别到药液余量小于20％且大于5ml时，护士站显示屏3输液进程显示为橙色；
当识别到药液余量小于5ml时，护士站显示屏3输液进程显示为红色。
实施例6：
如图4所示，一种基于视觉识别的输液进程监测系统的监测方法，包括以下步骤：
步骤S1：通过终端1定时采集单张病床前的实时数据，根据医院网络流量压力，选择数据处理模式；
步骤S2：对采集的数据进行算法处理，根据生成的识别结果判断输液进程，保存识别结果到数据库；
若采用服务器2对数据进行算法处理，则需要返回识别结果至终端1；
若采用计算盒4对数据进行算法处理，则需要将识别结果传送至服务器2，并返回识别结果至终端1；
步骤S3：服务器2将识别结果传送至护士站，并在显示屏3中显示输液进程；
步骤S4：床头终端1和护士站显示屏3同步语音播报“输液结束”，且护士站显示屏3弹窗提示“**床输液结束”，并同步显示该床号输液袋图像或视频。
所述步骤S1的数据处理模式包括：
步骤S14：医院网络流量压力较大，则将图像或视频传送至服务器2，且只上传经识别后裁剪的图像或视频。
所述算法处理包括以下步骤：
步骤S211：由终端1接收数据，调整为训练模型预定义比例，传送给数据推理服务接口API；
步骤S212：数据推理服务接口API接收数据，张量化处理后传给模型；
步骤S213：预训练模型对输入的数据张量做实例分割运算，在像素层面识别目标轮廓，进行特征提取；
步骤S214：用FPN生成N个proposals窗口，把proposals窗口映射到最后一层卷积map上；
步骤S215：通过全连接分类+回归+分割，同时进行分析数据液面特征，以及生成边界框和掩码；
步骤S216：根据生成的输液袋边界框，取最高点及最低点的两条水平线、最左侧与最右侧两条垂直线，将四条线围成的封闭区域设为待裁剪区域，在原图上将该区域裁剪后保存；
步骤S217：根据分析后数据液面特征，通过预定义的输液进程判断当前数据输液状态。
所述判断输液进程的方式为当识别到药液余量大于70％以上时，护士站显示屏3输液进程显示为绿色；
当识别到药液余量小于70％且大于20％时，护士站显示屏3输液进程显示为蓝色；
当识别到药液余量小于20％且大于5ml时，护士站显示屏3输液进程显示为橙色；
当识别到药液余量小于5ml时，护士站显示屏3输液进程显示为红色。
依据本发明的描述及附图，本领域技术人员很容易制造或使用本发明的基于视觉识别的输液进程监测系统及其监测方法，并且能够产生本发明所记载的积极效果。
如无特殊说明，本发明中，若有术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此本发明中描述方位或位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以结合附图，并根据具体情况理解上述术语的具体含义。
除非另有明确的规定和限定，本发明中，若有术语“设置”、“相连”及“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (4)

1.一种基于视觉识别的输液进程监测系统的监测方法，其特征在于，所述输液进程监测系统包括终端，用于采集和处理输液进程的数据；
服务器，用于处理和转送接收到的数据；
显示屏，用于展示输液进程和查看输液结束时的数据；
计算盒；
其中，所述终端、计算盒、服务器和显示屏依次通讯连接；
所述监测方法包括以下步骤：
步骤S1：通过终端定时采集单张病床前的实时数据，根据医院网络流量压力，选择数据处理模式；
步骤S2：对采集的数据进行算法处理，根据生成的识别结果判断输液进程，保存识别结果到数据库；
若采用服务器对数据进行算法处理，则需要返回识别结果至终端；
若采用计算盒对数据进行算法处理，则需要将识别结果传送至服务器，并返回识别结果至终端；
步骤S3：服务器将识别结果传送至护士站，并在显示屏中显示输液进程；
所述步骤S1的数据处理模式包括：
步骤S11：若医院网络流量压力较小，则将所有数据传送至服务器处理；
步骤S12：若医院网络流量压力偏小，则将数据传送至服务器处理，且只上传带有输液袋的数据；
步骤S13：若医院网络流量压力偏大，则将所有数据传送至计算盒处理；
步骤S14：若医院网络流量压力较大，则数据直接在终端处理，且只上传经识别后的结果及裁剪后的数据；
所述步骤S12包括：
步骤S121：将数据送入床头终端APP程序；
步骤S122：通过APP程序对数据进行处理，将数据送入API接口，进入预训练模型进行目标识别，判断当前是否有输液袋；
步骤S123：若有输液袋，则进入步骤S2，若无输液袋，则返回步骤S1；
所述算法处理包括以下步骤：
步骤S211：由服务器、计算盒或终端的其中一种处理器接收数据，调整为训练模型预定义比例，传送给数据推理服务接口API；
步骤S212：数据推理服务接口API接收数据，张量化处理后传给模型；
步骤S213：预训练模型对输入的数据张量做实例分割运算，在像素层面识别目标轮廓，进行特征提取；
步骤S214：用FPN生成N个proposals窗口，把proposals窗口映射到最后一层卷积map上；
步骤S215：通过全连接分类+回归+分割，同时进行分析数据液面特征，以及生成边界框和掩码；
步骤S216：根据生成的输液袋边界框，取最高点及最低点的两条水平线、最左侧与最右侧两条垂直线，将四条线围成的封闭区域设为待裁剪区域，在原图上将该区域裁剪后保存；
步骤S217：根据分析后数据液面特征，通过预定义的输液进程判断当前数据输液状态。
2.根据权利要求1所述的基于视觉识别的输液进程监测系统的监测方法，其特征在于：所述数据为图像或视频。
3.根据权利要求1所述的基于视觉识别的输液进程监测系统的监测方法，其特征在于：所述判断输液进程的方式为当识别到药液余量大于70％以上时，护士站显示屏输液进程显示为绿色；
当识别到药液余量小于70％且大于20％时，护士站显示屏输液进程显示为蓝色；
当识别到药液余量小于20％且大于5ml时，护士站显示屏输液进程显示为橙色；
当识别到药液余量小于5ml时，护士站显示屏输液进程显示为红色。
4.根据权利要求1所述的基于视觉识别的输液进程监测系统的监测方法，其特征在于，包括步骤S4：床头终端和护士站显示屏同步语音播报“输液结束”，且护士站显示屏弹窗提示“**床输液结束”，并同步显示该床号输液袋数据。
CN202210178742.8A 2022-02-25 2022-02-25 一种基于视觉识别的输液进程监测系统及其监测方法 Active CN114588402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210178742.8A CN114588402B (zh) 2022-02-25 2022-02-25 一种基于视觉识别的输液进程监测系统及其监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210178742.8A CN114588402B (zh) 2022-02-25 2022-02-25 一种基于视觉识别的输液进程监测系统及其监测方法

Publications (2)

Publication Number Publication Date
CN114588402A CN114588402A (zh) 2022-06-07
CN114588402B true CN114588402B (zh) 2023-09-05

Family

ID=81806862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210178742.8A Active CN114588402B (zh) 2022-02-25 2022-02-25 一种基于视觉识别的输液进程监测系统及其监测方法

Country Status (1)

Country Link
CN (1) CN114588402B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108815632A (zh) * 2018-03-12 2018-11-16 宿良 一种静脉注射换药提醒系统
CN110522971A (zh) * 2019-08-01 2019-12-03 阿克索健康科技(广州)有限公司 一种基于无线通信的输液远程报警系统及控制方法
CN113274583A (zh) * 2021-05-26 2021-08-20 北京大学第三医院（北京大学第三临床医学院） 一种具备多参数配置的注射管理系统
CN113274584A (zh) * 2021-05-26 2021-08-20 北京大学第三医院（北京大学第三临床医学院） 一种基于图像处理注射速度管理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108815632A (zh) * 2018-03-12 2018-11-16 宿良 一种静脉注射换药提醒系统
CN110522971A (zh) * 2019-08-01 2019-12-03 阿克索健康科技(广州)有限公司 一种基于无线通信的输液远程报警系统及控制方法
CN113274583A (zh) * 2021-05-26 2021-08-20 北京大学第三医院（北京大学第三临床医学院） 一种具备多参数配置的注射管理系统
CN113274584A (zh) * 2021-05-26 2021-08-20 北京大学第三医院（北京大学第三临床医学院） 一种基于图像处理注射速度管理方法

Also Published As

Publication number Publication date
CN114588402A (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN111951949B (zh) 一种用于智慧病房的智能护理交互系统
JP7211668B2 (ja) 画像認識に基づく排出監視システム及び方法
CN103623480B (zh) 一种病房床头智能终端服务系统
CN103678916B (zh) 一种自动采集监护仪的监护数据的通用方法及装置
US11219570B2 (en) Relocation module and methods for surgical equipment
US11583460B2 (en) Medical module including automated dose-response record system
CN107335108A (zh) 一种基于医疗物联网的输液监控系统及控制方法
CN113274583B (zh) 一种具备多参数配置的注射管理系统
CN109200393A (zh) 一种交互式输液监控系统及监控方法
US20140337045A1 (en) Remote Notification System
CN110960750A (zh) 一种静脉滴注智能物联网监控系统和方法
CN114596521A (zh) 一种基于视觉测量的静脉输液监测方法和系统
CN112386765A (zh) 一种基于5g的智能输液监控系统
CN115252962A (zh) 一种基于机器视觉的智能输液报警方法及系统
CN114588402B (zh) 一种基于视觉识别的输液进程监测系统及其监测方法
CN107516019A (zh) 无创健康预测系统及方法
CN203634563U (zh) 一种病房床头智能终端服务系统
CN116825337A (zh) 患者安全护理预警系统
CN107137065A (zh) 一种孕婴监护系统及方法
CN113663167B (zh) 一种基于多传感器的智能输液报警装置及监测方法
CN112402736A (zh) 一种输液监视方法
CN105635293A (zh) 一种利用家庭智能终端采集体征数据的方法
CN116421824B (zh) 一种输液监控方法、系统
CN114639149B (zh) 具有情绪识别功能的病床终端
CN209827798U (zh) 一种具有安全反馈功能的输液系统

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Bian Wenwei

Inventor after: Wu Ming

Inventor after: Zhan Guowei

Inventor after: Ying Weifeng

Inventor before: Bian Wenwei

Inventor before: Wu Ming

Inventor before: Zhan Guowei

Inventor before: Ying Weifeng

Inventor before: Zhang Hongjun

GR01 Patent grant
GR01 Patent grant