CN114613492A - 一种多模态激光干眼治疗仪波长控制方法 - Google Patents
一种多模态激光干眼治疗仪波长控制方法 Download PDFInfo
- Publication number
- CN114613492A CN114613492A CN202210249225.5A CN202210249225A CN114613492A CN 114613492 A CN114613492 A CN 114613492A CN 202210249225 A CN202210249225 A CN 202210249225A CN 114613492 A CN114613492 A CN 114613492A
- Authority
- CN
- China
- Prior art keywords
- dry eye
- layer
- laser
- strong pulse
- pulse laser
- 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
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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/06—Radiation therapy using light
- A61N5/0613—Apparatus adapted for a specific treatment
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/06—Radiation therapy using light
- A61N2005/0626—Monitoring, verifying, controlling systems and methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/06—Radiation therapy using light
- A61N2005/0626—Monitoring, verifying, controlling systems and methods
- A61N2005/0627—Dose monitoring systems and methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/06—Radiation therapy using light
- A61N2005/0632—Constructional aspects of the apparatus
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/06—Radiation therapy using light
- A61N2005/0664—Details
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Neurology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明属于干眼治疗技术领域,具体公开了一种多模态激光干眼治疗仪波长控制方法,包括以下步骤:S1:数据采集;S2:数据输入:干眼数据预测模型进行处理;S3:数据输出:干眼数据预测模型输出强脉冲激光的相关信息;S4:生成强脉冲激光的波长以及选择强脉冲激光的能量波形组合,并且至少选择两种波形;S5:治疗应用:将至少两种强脉冲激光的组合信息应用到强脉冲激光干眼治疗仪中;S6:异常反馈:若未达到预期效果,则反馈给干眼数据预测模型;S7:再次调整:再次对干眼数据预测模型的参数进行微调。上述方法,多种强脉冲激光同时进行治疗,治疗效果明显优于仅使用一种波形的强脉冲激光进行治疗的效果,从而使得治疗的时间减少,治疗效率更高。
Description
技术领域
本发明属于干眼治疗技术领域,尤其涉及一种多模态激光干眼治疗仪波长控制方法。
背景技术
强脉冲激光,英文缩写IPL,是一种宽谱可见光。IPL治疗干眼症基于选择性光热作用原理,即输出的强脉冲光中较长波长的光可穿透到皮肤较深处组织产生光热作用和光化学作用,对睑板腺功能的改善能起到作用,可软化脂质,促进脂质分泌,也可杀灭螨虫及部分细菌,对睑板腺囊肿、麦粒肿等疾病有治疗效果。
目前在使用强脉冲激光对患者进行干眼治疗的过程中,通常仅使用一种固定波形的强脉冲激光来进行治疗,从而导致治疗效果不佳,治疗时间长的问题。
发明内容
本发明的目的在于提供一种多模态激光干眼治疗仪波长控制方法,以解决目前仅使用一种固定波形的强脉冲激光进行治疗造成治疗效果不佳的问题。
为了达到上述目的,本发明的技术方案为:一种多模态激光干眼治疗仪波长控制方法,包括以下步骤:
S1:数据采集:采集患者数据,包括患者肤色、角质层厚度、疼痛忍受度;
S2:数据输入:将采集的患者数据输入至基于深度学习的干眼数据预测模型中进行处理;
S3:数据输出:干眼数据预测模型输出强脉冲激光的相关信息;包括强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度;
S4:根据干眼数据预测模型生成的各子脉冲的持续时间和能量强度生成强脉冲激光的波长以及选择强脉冲激光的能量波形组合,并且至少选择两种波形;
S5:治疗应用:将至少两种强脉冲激光的组合信息应用到强脉冲激光干眼治疗仪中,使强脉冲激光干眼治疗仪射出的至少两种强脉冲激光。
进一步,在步骤S2中,干眼数据预测模型的建立具体包括以下步骤:
S2.1:样本标定:样本采用已处理的各个患者的相关数据,相关数据包括患者肤色、角质层厚度、疼痛忍受度、治疗时强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度;对治疗效果达到预期效果的样本进行标定,治疗效果未达到预期效果的样本不进行标定;
S2.2:输入量和输出量的确认:将患者肤色、角质层厚度、疼痛忍受度作为输入量,将治疗时强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度作为输出量;
S2.3:训练数据集生成:将标定样本中的各个患者的患者肤色、角质层厚度和疼痛忍受度嵌入图片的RGB分量,转换为信息图像;对信息图像进行预处理,同一图片大小,生成目标信息片段,作为训练数据集;
S2.4:建立基于DBN结构的干眼数据预测模型:采用深度置信网络作为干眼数据预测模型的算法,深度置信网络包括多个RBM模型,每个RBM模型包括一个可见层和一个双向连接的隐藏层,将训练数据集作为第一个RBM模型的输入向量,对第一个RBM模型进行训练;将训练完成的第一个RBM模型的隐藏层作为第二个RBM模型的可见层的输入向量,继续对第二个RBM模型进行训练;将训练完成的第二个RBM模型的隐藏层作为第三个RBM模型的可见层的输入向量,继续对第三个RBM模型进行训练;依次训练,直到全部RBM模型训练完成,最后一个RBM模型的隐藏层连接到输出层,输出预测结果;
S2.5:参数调整:在上述无监督学习过程完成之后,根据附加在网络顶层的标签,对DBN结构进行有监督的联合训练,根据预测结果对所有网络层结构的参数进行微调,形成干眼数据预测模型。
进一步,在步骤S4中,波形包括三种,其中两种为主要治疗波形,另一种为辅助治疗波形,三种波形的周期能量强度分别为w1,w2,w3,其中w3表示辅助治疗波形的周期能量强度;三种周期能量强度根据以下公式计算得出:
其中,hj为子脉冲能量强度,τj为子脉冲持续时间,n为周期子脉冲个数;
波形的选择公式为:w=αw1+βw2+ηw3
其中,w为预测的周期能量总强度,η大于0,α、β大于等于0并不能同时为0,根据患者肤色、角质层厚度、疼痛忍受度以及专家知识,确定各个波形的权重。
进一步,在步骤S4中,根据模糊控制策略来计算强脉冲激光的波长;具体步骤如下:
步骤一:确定模糊控制器的模糊集合,定义强脉冲激光中各子脉冲的持续时间和能量强度作为模糊控制器的输入,强脉冲激光波长作为输出,将输入变量和输出变量的模糊集合选择七个级别,分别为负大、负中、负小、零、正小、正中、正大;
步骤二:将清晰量模糊化,选用高斯型隶属度函数,该函数由参数c和σ确定位置,
步骤三:指定模糊规则以及去模糊化,模糊规则的设计主要参考专家经验、规则以及控制对象的特性;经过模糊推理运算后,得到模糊输出量;采用重心法将模糊输出变量μ(m)转化为μ,重心法解模糊公式为
步骤四:优化模糊控制器参数:以治疗效果最佳为优化目标,以隶属度函数的参数为变量,通过粒子群优化算法优化特定患者下的控制器参数。
进一步,还包括以下步骤:
S6:异常反馈:若根据上述强脉冲激光进行干眼治疗效果未达到预期效果,则将步骤S1中采集的该患者的数据反馈给干眼数据预测模型;
S7:再次调整:再次对干眼数据预测模型的参数进行微调。
进一步,在步骤S2.4中,每个RBM模型中包括n个可视层和m个隐藏层,将参数θ记为θ={ai,bj,wij},其中wij表示连接权重;其中有:
v=(v1,v2,…,vi,…,vn)为可视层状态,vi为第i个神经元状态;
h=(h1,h2,…,hj,…,hm)为隐藏层状态,hj为第j个神经元状态;
a=(a1,a2,…,ai,…,an)为可视层偏置,ai为第i个神经元偏置;
b=(b1,b2,…,bj,…,bm)为隐藏层偏置,bj为第j个神经元偏置;
RBM模型的能量函数为:
根据上述公式可知,函数值与可视层和隐藏层所有神经元的值都有关,定义v和h的联合概率密度为:
可视层的边缘概率密度通过对所有隐藏层神经元求和得到:
隐藏层的边缘概率密度通过对所有可视层神经元求和得到:
可视层中神经元i被激活的概率为:
隐藏层中神经元j被激活的概率为:
其中,σ(ai+∑jwijhj)和σ(bj+∑iviwij)为激活函数;
以使可视层v的概率分布最大,即根据训练数据集,使下式似然函数最大化:
通过随机梯度上升法求似然函数的最大值,对参数θ求偏导得到:
其中,<vi hj>p(h|v)表示数据分布p(h|v)的期望,<vi hj>model表示模型分布p(v,h)的期望;
根据对比散度算法,能够得到权重和偏置的更新准则如下:
Δωij=α(<vihj>p(h|v)-<vihj>recon) (9)
Δai=α(<vi>p(h|v)-<vi>recon) (10)
Δbj=α(<hj>p(h|v)-<hj>recon) (11)
其中,α表示学习率,<vihj>recon、<vi>recon和<hj>recon分别表示重构模型分布下p(v,h)、p(v)和p(h)的期望;
根据更新后的权重和偏置,得到更新后的参数θ。
进一步,所述角质层厚度包括厚、中、薄。
进一步,所述疼痛忍受度包括1级、2级、3级、4级和5级,其中1级最弱,5级最强。
进一步,所述患者肤色包括黑皮、黄皮和白皮。
进一步,在步骤S7和步骤S2.5中,采用梯度下降法对所有网络层结构的参数进行微调。
本技术方案的有益效果在于:①本方案根据患者的自身数据(患者肤色、角质层厚度和疼痛忍受度)作为输入因素,使用干眼数据预测模型进行预测处理,输出符合患者的强脉冲激光的各子脉冲的持续时间和能量强度,并根据各子脉冲的持续时间和能量强度,得出适合患者的波长和强脉冲激光波形的组合,从而取代了仅根据医护人员自身经验和技能进行判断,解决自动化程度低以及判断不准确的问题。②本方案输出的强脉冲激光的波形至少有两种,使得多种强脉冲激光同时进行治疗,治疗效果明显优于仅使用一种波形的强脉冲激光进行治疗的效果,从而使得治疗的时间减少,治疗效率更高。
附图说明
图1为本发明一种多模态激光干眼治疗仪波长控制方法中干眼数据预测模型建立流程图;
图2为第一种波形的示意图;
图3为第二种波形的示意图;
图4为第三种波形的示意图。
具体实施方式
下面通过具体实施方式进一步详细说明:
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例基本如附图1-4所示:一种多模态激光干眼治疗仪波长控制方法,包括以下步骤:
S1:数据采集:采集患者数据,包括患者肤色、角质层厚度、疼痛忍受度;患者肤色包括黑皮、黄皮和白皮,角质层厚度包括厚、中、薄;疼痛忍受度包括1级、2级、3级、4级和5级,其中1级最弱,5级最强;其中患者肤色由医护人员观察患者皮肤来决定,疼痛忍受度由医护人员询问患者的情况来决定,角质层厚度采用皮肤检测仪进行检测,医护人员对厚、中、薄划分界限;
S2:数据输入:将采集的患者数据输入至基于深度学习的干眼数据预测模型中进行处理;干眼数据预测模型的建立具体包括以下步骤:
S2.1:样本标定:样本采用已处理的各个患者的相关数据,相关数据包括患者肤色、角质层厚度、疼痛忍受度、治疗时强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度;对治疗效果达到预期效果的样本进行标定,治疗效果未达到预期效果的样本不进行标定;
S2.2:输入量和输出量的确认:将患者肤色、角质层厚度、疼痛忍受度作为输入量,将治疗时强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度作为输出量;
S2.3:训练数据集生成:将标定样本中的各个患者的患者肤色、角质层厚度和疼痛忍受度嵌入图片的RGB分量,转换为信息图像;对信息图像进行预处理,同一图片大小,生成目标信息片段,作为训练数据集;
S2.4:建立基于DBN结构的干眼数据预测模型:采用深度置信网络作为干眼数据预测模型的算法,深度置信网络包括多个RBM模型,每个RBM模型包括一个可见层和一个双向连接的隐藏层,将训练数据集作为第一个RBM模型的输入向量,对第一个RBM模型进行训练;将训练完成的第一个RBM模型的隐藏层作为第二个RBM模型的可见层的输入向量,继续对第二个RBM模型进行训练;将训练完成的第二个RBM模型的隐藏层作为第三个RBM模型的可见层的输入向量,继续对第三个RBM模型进行训练;依次训练,直到全部RBM模型训练完成,最后一个RBM模型的隐藏层连接到输出层,输出预测结果;
每个RBM模型中包括n个可视层和m个隐藏层,将参数θ记为θ={ai,bj,wij},其中wij表示连接权重;其中有:
v=(v1,v2,…,vi,…,vn)为可视层状态,vi为第i个神经元状态;
h=(h1,h2,…,hj,…,hm)为隐藏层状态,hj为第j个神经元状态;
a=(a1,a2,…,ai,…,an)为可视层偏置,ai为第i个神经元偏置;
b=(b1,b2,…,bj,…,bm)为隐藏层偏置,bj为第j个神经元偏置;
RBM模型的能量函数为:
根据上述公式可知,函数值与可视层和隐藏层所有神经元的值都有关,定义v和h的联合概率密度为:
可视层的边缘概率密度通过对所有隐藏层神经元求和得到:
隐藏层的边缘概率密度通过对所有可视层神经元求和得到:
可视层中神经元i被激活的概率为:
隐藏层中神经元j被激活的概率为:
其中,σ(ai+∑jwijhj)和σ(bj+∑iviwij)为激活函数;
以使可视层v的概率分布最大,即根据训练数据集,使下式似然函数最大化:
通过随机梯度上升法求似然函数的最大值,对参数θ求偏导得到:
其中,<vihj>p(h|v)表示数据分布p(h|v)的期望,<vihj>model表示模型分布p(v,h)的期望;
根据对比散度算法,能够得到权重和偏置的更新准则如下:
Δωij=α(<vihj>p(h|v)-<vihj>recon) (9)
Δai=α(<vi>p(h|v)-<vi>recon) (10)
Δbj=α(<hj>p(h|v)-<hj>recon) (11)
其中,α表示学习率,<vihj>recon、<vi>recon和<hj>recon分别表示重构模型分布下p(v,h)、p(v)和p(h)的期望;
根据更新后的权重和偏置,得到更新后的参数θ。
S2.5:参数调整:在整个DBN结构中,通过学习规则对每一层结构进行训练,将可视层的值传递到隐藏层,再通过隐藏层来重构可视层,根据重构的可视层和原来的可视层之间的差异来更新网络的参数。通过网络结构的逐层堆叠,不仅能够简化网络的计算过程,还能从输入数据中获得更高层次的特征表达;在上述无监督学习过程完成之后,根据附加在网络顶层的标签,对DBN结构进行有监督的联合训练,根据预测结果对所有网络层结构的参数进行微调,形成干眼数据预测模型;有监督的全局训练能够减少训练误差并且提高分类的准确率,一般通过梯度下降法对所有网络参数进行微调。由于每个RBM模型在训练时只能保证自身层内的参数对当层的训练最优,而不是对整个网络的训练最优,因此利用标签信息通过反向传播误差,微调整个网络的参数。
S3:数据输出:干眼数据预测模型输出强脉冲激光的相关信息;包括强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度;
S4:根据干眼数据预测模型生成的各子脉冲的持续时间和能量强度生成强脉冲激光的波长以及选择强脉冲激光的能量波形组合,并且至少选择两种波形;具体地波形包括三种,其中两种为主要治疗波形,如图2、3,另一种为辅助治疗波形,如图4,三种波形的周期能量强度分别为w1,w2,w3,其中w3表示辅助治疗波形的周期能量强度;三种周期能量强度根据以下公式计算得出:
其中,hj为子脉冲能量强度,τj为子脉冲持续时间,n为周期子脉冲个数;
波形的选择公式为:w=αw1+βw2+ηw3
其中,w为预测的周期能量总强度,η大于0,α、β大于等于0并不能同时为0,根据患者肤色、角质层厚度、疼痛忍受度以及专家知识,确定各个波形的权重。
根据模糊控制策略来计算强脉冲激光的波长;具体步骤如下:
步骤一:确定模糊控制器的模糊集合,定义强脉冲激光中各子脉冲的持续时间和周期能量强度作为模糊控制器的输入,强脉冲激光波长作为输出,将输入变量和输出变量的模糊集合选择七个级别,分别为负大、负中、负小、零、正小、正中、正大;
步骤二:将清晰量模糊化,选用高斯型隶属度函数,该函数由参数c和σ确定位置,
步骤三:指定模糊规则以及去模糊化,模糊规则的设计主要参考专家经验、规则以及控制对象的特性;经过模糊推理运算后,得到模糊输出量;采用重心法将模糊输出变量μ(m)转化为μ,重心法解模糊公式为
步骤四:优化模糊控制器参数:以治疗效果最佳为优化目标,以隶属度函数的参数为变量,通过粒子群优化算法优化特定患者下的控制器参数。粒子群优化算法起源于对鸟类捕食行为的研究,其核心理念是通过群体协作和信息共享来发现最佳解决方案。粒子群算法的内容比较简单,易于实施,超参数少,通用性强。只需要不断更新粒子的速度和位置,根据相应的适应度函数来优化目标函数。已广泛应用于神经网络训练、参数优化等。PSO首先初始化一个种群,每个粒子在搜索空间中单独的搜寻最优解,并将其记为当前个体极值,并将个体极值与整个粒子群里的其他粒子共享,找到最优的那个个体极值作为整个粒子群的当前全局最优解,粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。
S5:治疗应用:将至少两种强脉冲激光的组合信息应用到强脉冲激光干眼治疗仪中,使强脉冲激光干眼治疗仪射出的至少两种强脉冲激光;
S6:异常反馈:若根据上述强脉冲激光进行干眼治疗效果未达到预期效果,则将步骤S1中采集的该患者的数据反馈给干眼数据预测模型;预期效果可以设定为在进行三次治疗后,仍没有明显好转,由医护人员根据治疗经验来判断;
S7:再次调整:再次通过有监督训练对干眼数据预测模型的参数进行微调,具体采用梯度下降法进行微调。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.一种多模态激光干眼治疗仪波长控制方法,其特征在于:包括以下步骤:
S1:数据采集:采集患者数据,包括患者肤色、角质层厚度、疼痛忍受度;
S2:数据输入:将采集的患者数据输入至基于深度学习的干眼数据预测模型中进行处理;
S3:数据输出:干眼数据预测模型输出强脉冲激光的相关信息;包括强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度;
S4:根据干眼数据预测模型生成的各子脉冲的持续时间和能量强度生成强脉冲激光的波长以及选择强脉冲激光的能量波形组合,并且至少选择两种波形;
S5:治疗应用:将至少两种强脉冲激光的组合信息应用到强脉冲激光干眼治疗仪中,使强脉冲激光干眼治疗仪射出的至少两种强脉冲激光。
2.根据权利要求1所述的一种多模态激光干眼治疗仪波长控制方法,其特征在于:在步骤S2中,干眼数据预测模型的建立具体包括以下步骤:
S2.1:样本标定:样本采用已处理的各个患者的相关数据,相关数据包括患者肤色、角质层厚度、疼痛忍受度、治疗时强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度;对治疗效果达到预期效果的样本进行标定,治疗效果未达到预期效果的样本不进行标定;
S2.2:输入量和输出量的确认:将患者肤色、角质层厚度、疼痛忍受度作为输入量,将治疗时强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度作为输出量;
S2.3:训练数据集生成:将标定样本中的各个患者的患者肤色、角质层厚度和疼痛忍受度嵌入图片的RGB分量,转换为信息图像;对信息图像进行预处理,同一图片大小,生成目标信息片段,作为训练数据集;
S2.4:建立基于DBN结构的干眼数据预测模型:采用深度置信网络作为干眼数据预测模型的算法,深度置信网络包括多个RBM模型,每个RBM模型包括一个可见层和一个双向连接的隐藏层,将训练数据集作为第一个RBM模型的输入向量,对第一个RBM模型进行训练;将训练完成的第一个RBM模型的隐藏层作为第二个RBM模型的可见层的输入向量,继续对第二个RBM模型进行训练;将训练完成的第二个RBM模型的隐藏层作为第三个RBM模型的可见层的输入向量,继续对第三个RBM模型进行训练;依次训练,直到全部RBM模型训练完成,最后一个RBM模型的隐藏层连接到输出层,输出预测结果;
S2.5:参数调整:在上述无监督学习过程完成之后,根据附加在网络顶层的标签,对DBN结构进行有监督的联合训练,根据预测结果对所有网络层结构的参数进行微调,形成干眼数据预测模型。
4.根据权利要求3所述的一种多模态激光干眼治疗仪波长控制方法,其特征在于:在步骤S4中,根据模糊控制策略来计算强脉冲激光的波长;具体步骤如下:
步骤一:确定模糊控制器的模糊集合,定义强脉冲激光中各子脉冲的持续时间和周期能量强度作为模糊控制器的输入,强脉冲激光波长作为输出,将输入变量和输出变量的模糊集合选择七个级别,分别为负大、负中、负小、零、正小、正中、正大;
步骤二:将清晰量模糊化,选用高斯型隶属度函数,该函数由参数c和σ确定位置,
步骤三:指定模糊规则以及去模糊化,模糊规则的设计主要参考专家经验、规则以及控制对象的特性;经过模糊推理运算后,得到模糊输出量;采用重心法将模糊输出变量μ(m)转化为μ,重心法解模糊公式为
步骤四:优化模糊控制器参数:以治疗效果最佳为优化目标,以隶属度函数的参数为变量,通过粒子群优化算法优化特定患者下的控制器参数。
5.根据权利要求2所述的一种多模态激光干眼治疗仪波长控制方法,其特征在于:还包括以下步骤:
S6:异常反馈:若根据上述强脉冲激光进行干眼治疗效果未达到预期效果,则将步骤S1中采集的该患者的数据反馈给干眼数据预测模型;
S7:再次调整:再次对干眼数据预测模型的参数进行微调。
6.根据权利要求2所述的一种多模态激光干眼治疗仪波长控制方法,其特征在于:在步骤S2.4中,每个RBM模型中包括n个可视层和m个隐藏层,将参数θ记为θ={ai,bj,wij},其中wij表示连接权重;其中有:
v=(v1,v2,…,vi,…,vn)为可视层状态,vi为第i个神经元状态;
h=(h1,h2,…,hj,…,hm)为隐藏层状态,hj为第j个神经元状态;
a=(a1,a2,…,ai,…,an)为可视层偏置,ai为第i个神经元偏置;
b=(b1,b2,…,bj,…,bm)为隐藏层偏置,bj为第j个神经元偏置;
RBM模型的能量函数为:
根据上述公式可知,函数值与可视层和隐藏层所有神经元的值都有关,定义v和h的联合概率密度为:
可视层的边缘概率密度通过对所有隐藏层神经元求和得到:
隐藏层的边缘概率密度通过对所有可视层神经元求和得到:
可视层中神经元i被激活的概率为:
隐藏层中神经元j被激活的概率为:
其中,σ(ai+∑jwijhj)和σ(bj+∑iviwij)为激活函数;
以使可视层v的概率分布最大,即根据训练数据集,使下式似然函数最大化:
通过随机梯度上升法求似然函数的最大值,对参数θ求偏导得到:
其中,<vihj>p(h|v)表示数据分布p(h|v)的期望,<vihj>model表示模型分布p(v,h)的期望;
根据对比散度算法,能够得到权重和偏置的更新准则如下:
Δωij=α(<vihj>p(h|v)-<vihj>recon) (9)
Δai=α(<vi>p(h|v)-<vi>recon) (10)
Δbj=α(<hj>p(h|v)-<hj>recon) (11)
其中,α表示学习率,<vihj>recon、<vi>recon和<hj>recon分别表示重构模型分布下p(v,h)、p(v)和p(h)的期望;
根据更新后的权重和偏置,得到更新后的参数θ。
7.根据权利要求1所述的一种多模态激光干眼治疗仪波长控制方法,其特征在于:所述角质层厚度包括厚、中、薄。
8.根据权利要求1所述的一种多模态激光干眼治疗仪波长控制方法,其特征在于:所述疼痛忍受度包括1级、2级、3级、4级和5级,其中1级最弱,5级最强。
9.根据权利要求1所述的一种多模态激光干眼治疗仪波长控制方法,其特征在于:所述患者肤色包括黑皮、黄皮和白皮。
10.根据权利要求5所述的一种多模态激光干眼治疗仪波长控制方法,其特征在于:在步骤S7和步骤S2.5中,采用梯度下降法对所有网络层结构的参数进行微调。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210249225.5A CN114613492B (zh) | 2022-03-14 | 2022-03-14 | 一种多模态激光干眼治疗仪波长控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210249225.5A CN114613492B (zh) | 2022-03-14 | 2022-03-14 | 一种多模态激光干眼治疗仪波长控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114613492A true CN114613492A (zh) | 2022-06-10 |
CN114613492B CN114613492B (zh) | 2023-08-08 |
Family
ID=81862237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210249225.5A Active CN114613492B (zh) | 2022-03-14 | 2022-03-14 | 一种多模态激光干眼治疗仪波长控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114613492B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116959696A (zh) * | 2023-09-20 | 2023-10-27 | 武汉光盾科技有限公司 | 一种基于激光治疗仪的数据处理方法和装置 |
CN117558055A (zh) * | 2023-12-29 | 2024-02-13 | 广州中科医疗美容仪器有限公司 | 一种基于多模态的肌肤作业控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261371A (zh) * | 2008-04-14 | 2008-09-10 | 中国人民解放军国防科学技术大学 | 时域特性任意可调的脉冲激光源 |
CN107072821A (zh) * | 2014-09-09 | 2017-08-18 | 卢米希拉公司 | 用于损伤或患病组织的非侵入性治疗的多波长光疗装置、系统和方法 |
CN110676680A (zh) * | 2019-09-03 | 2020-01-10 | 南京理工大学 | 用于微片激光器泵浦源输出波长控制的装置 |
CN113164283A (zh) * | 2018-12-06 | 2021-07-23 | 爱尔康公司 | 用于治疗眼睛病症的系统和方法 |
WO2021186443A1 (en) * | 2020-03-17 | 2021-09-23 | Lumenis Ltd | Method and system for determining an optimal set of operating parameters for an aesthetic skin treatment unit |
-
2022
- 2022-03-14 CN CN202210249225.5A patent/CN114613492B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261371A (zh) * | 2008-04-14 | 2008-09-10 | 中国人民解放军国防科学技术大学 | 时域特性任意可调的脉冲激光源 |
CN107072821A (zh) * | 2014-09-09 | 2017-08-18 | 卢米希拉公司 | 用于损伤或患病组织的非侵入性治疗的多波长光疗装置、系统和方法 |
CN113164283A (zh) * | 2018-12-06 | 2021-07-23 | 爱尔康公司 | 用于治疗眼睛病症的系统和方法 |
CN110676680A (zh) * | 2019-09-03 | 2020-01-10 | 南京理工大学 | 用于微片激光器泵浦源输出波长控制的装置 |
WO2021186443A1 (en) * | 2020-03-17 | 2021-09-23 | Lumenis Ltd | Method and system for determining an optimal set of operating parameters for an aesthetic skin treatment unit |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116959696A (zh) * | 2023-09-20 | 2023-10-27 | 武汉光盾科技有限公司 | 一种基于激光治疗仪的数据处理方法和装置 |
CN116959696B (zh) * | 2023-09-20 | 2023-12-08 | 武汉光盾科技有限公司 | 一种基于激光治疗仪的数据处理方法和装置 |
CN117558055A (zh) * | 2023-12-29 | 2024-02-13 | 广州中科医疗美容仪器有限公司 | 一种基于多模态的肌肤作业控制方法 |
CN117558055B (zh) * | 2023-12-29 | 2024-03-08 | 广州中科医疗美容仪器有限公司 | 一种基于多模态的肌肤作业控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114613492B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114613492B (zh) | 一种多模态激光干眼治疗仪波长控制方法 | |
Wei et al. | Automatic image segmentation based on PCNN with adaptive threshold time constant | |
Weng et al. | An adaptive structure neural networks with application to EEG automatic seizure detection | |
Lindenberger et al. | Brain plasticity in human lifespan development: the exploration–selection–refinement model | |
CN103324981B (zh) | 基于神经网络的放化疗规范化质量控制的量化方法 | |
Roberts et al. | Anti-hebbian spike-timing-dependent plasticity and adaptive sensory processing | |
Puranik et al. | Intelligent Alzheimer's detector using deep learning | |
Ororbia et al. | Backprop-free reinforcement learning with active neural generative coding | |
Damayanti et al. | Epilepsy detection on EEG data using backpropagation, firefly algorithm and simulated annealing | |
CN114618090A (zh) | 一种强脉冲激光干眼治疗仪能量控制方法 | |
CN116564477B (zh) | 一种认知功能障碍康复训练系统 | |
Spencer et al. | Compensation for traveling wave delay through selection of dendritic delays using spike-timing-dependent plasticity in a model of the auditory brainstem | |
Faraji et al. | Smart sensor control for rehabilitation in Parkinson's patients | |
Vincent | Reinforcement learning in models of adaptive medical treatment strategies | |
Zhao et al. | A Feed-Forward Neural Network for Increasing the Hopfield-Network Storage Capacity | |
Westermann | Constructivist neural network models of cognitive development | |
Watts | Evolving connectionist systems: Characterisation, simplification, formalisation, explanation and optimisation | |
Pratiwi et al. | Electroencephalography epilepsy classifications using hybrid cuckoo search and neural network | |
Andrew | Backpropagation | |
Chao et al. | Applications of artificial neural network to building statistical models for qualifying and indexing radiation treatment plans | |
Alaskar | Dynamic self-organised neural network inspired by the immune algorithm for financial time series prediction and medical data classification | |
Umale et al. | Prediction and classification of cardiac arrhythmia using ELM | |
Tian et al. | A classification method for epileptic electroencephalogram based on wavelet multi-scale analysis and particle swarm optimization algorithm | |
Chance et al. | An examination of mathematical models of learning in a single neuron | |
Rajendran et al. | Computational modelling of cerebellum granule neuron temporal responses for auditory and visual stimuli |
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 |