CN114724680A - 基于人工智能深度学习的治疗方法及系统 - Google Patents

基于人工智能深度学习的治疗方法及系统 Download PDF

Info

Publication number
CN114724680A
CN114724680A CN202210281249.9A CN202210281249A CN114724680A CN 114724680 A CN114724680 A CN 114724680A CN 202210281249 A CN202210281249 A CN 202210281249A CN 114724680 A CN114724680 A CN 114724680A
Authority
CN
China
Prior art keywords
electric field
current
output
value
intensity
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
Application number
CN202210281249.9A
Other languages
English (en)
Inventor
段红杰
张建义
刘胜军
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.)
Hebei Puni Medical Technology Co ltd
Original Assignee
Hebei Puni Medical 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 Hebei Puni Medical Technology Co ltd filed Critical Hebei Puni Medical Technology Co ltd
Priority to CN202210281249.9A priority Critical patent/CN114724680A/zh
Publication of CN114724680A publication Critical patent/CN114724680A/zh
Pending 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
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/02—Details
    • A61N1/04—Electrodes
    • A61N1/0404—Electrodes for external use
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Electrotherapy Devices (AREA)

Abstract

本发明涉及一种基于人工智能深度学习的治疗方法及系统，所述方法包括：以人体头部作为电场空间，向电极片输出电能在人脑头部形成治疗电场，实时采集治疗过程中的当前电极片温度、当前输出电压和当前输出电流；将当前电极片温度、当前输出电压和当前输出电流输入至电场强度模型中，输出最佳电场强度值，电场强度模型通过深度学习得到；其中，在确定当前输出电流未达到预设电流阈值时，当当前电极片温度未达到温度阈值时，最佳电场强度值高于当前输出电压对应的强度值，当当前电极片温度到达温度阈值时，最佳电场强度值低于当前输出电压对应的强度值；根据最佳电场强度值对下一时刻的输出电压进行调整。其智能化程度高，大大提高治疗效果。

Description

基于人工智能深度学习的治疗方法及系统
技术领域
本发明涉及肿瘤治疗技术领域，尤其涉及一种基于人工智能深度学习的治疗方法及系统。
背景技术
长久以来， 根据电场原理治疗肿瘤的主要方式是射频和电动势作用， 两者均是利用了电场作用于细胞产生热效应，将人体组织加热至特定温度， 根据正常组织和肿瘤组织在血管结构和微循环方面存在的差别机制， 达到抑制肿瘤细胞生长的目的。
电场治疗肿瘤手段中，治疗时间越长，电场强度越大，治疗效果越好。当前最常采用的技术手段为固定输出电压，输出强度固定，但是采用该治疗手段时，治疗电极一旦发热就需要立即停机，同时容易出现烫伤风险；还有另外一种手段是采用逐级循环式升压，然后再降压输出，周期循环，避免烫伤，但是输出有效治疗时间不够，治疗效果不佳。
因此，亟需提供一种基于人工智能深度学习的治疗方法及系统，在保证较佳的治疗效果下，还能避免烫伤风险。
发明内容
本发明所要解决的技术问题是提供一种基于人工智能深度学习的治疗方法及系统。
为解决上述问题，本发明所采取的技术方案是：
一方面，提供了一种基于人工智能深度学习的治疗方法，所述方法包括：
以人体头部作为电场空间，向电极片输出电能在人脑头部形成治疗电场，实时采集治疗过程中的当前电极片温度、当前输出电压和当前输出电流；
将所述当前电极片温度、当前输出电压和当前输出电流输入至电场强度模型中，输出最佳电场强度值，所述电场强度模型通过深度学习得到；其中，在确定当前输出电流未达到预设电流阈值时，当所述当前电极片温度未达到温度阈值时，所述最佳电场强度值高于当前输出电压对应的强度值，当所述当前电极片温度到达温度阈值时，所述最佳电场强度值低于当前输出电压对应的强度值；
根据所述最佳电场强度值对下一时刻的输出电压进行调整。
作为发明的一种实施方式，所述电场强度模型采用下述方法训练得到：
获取原始样本数据，所述原始样本数据包括多个治疗时刻下的历史电极片温度、历史输出电压、历史输出电流和历史输出强度；
基于所述原始样本数据，训练得到电场强度模型。
作为发明的一种实施方式，所述基于所述原始样本数据，训练得到电场强度模型，包括：
根据历史输出电流强度值和历史电极片温度值，将原始样本数据划分为第一类数据集合和第二类数据集合，所述第一类数据集合中的历史输出电流强度值未达到所述预设电流阈值且历史电极片温度值未达到所述温度阈值，所述第二类数据集中的历史输出电流强度值未达到所述预设电流阈值且历史电极片温度值达到所述温度阈值；
根据所述第一类数据集合得到在第一治疗条件下用于输出最佳电场强度值的空间矢量负载子模型；
根据所述第二类数据集合训练得到在第二治疗条件下用于输出最佳电场强度值的电场强度子模型。
作为发明的一种实施方式，所述根据所述第一类数据集合得到在第一治疗条件下用于输出最佳电场强度值的空间矢量负载子模型，包括：
根据人头内部组织电导率不同，电场强度不同建立初始空间电场矢量模型；
输入第一类数据集合，根据欧姆定律的对应关系进行运算，运算数据与系统建立的控制模型进行对比，校正，运算结果调整输出性能。
作为发明的一种实施方式，所述根据所述第二类数据集合训练得到在第二治疗条件下用于输出最佳电场强度值的电场强度子模型，包括：
从所述第二类数据集合中得到输出强度集合，所述输出强度集合包括多个输出强度值，每个所述输出强度值均为调转中断程序后经过反时限运算得到；
从所述输出强度集合中获取待训练输出强度集合和待校验输出强度集合；
将待训练输出强度集合中的每个输出强度值依次输入至深度卷积神经网络模型，利用预设的训练算法训练用于根据所述输出强度对应的输出电压和输出电流预测卷积神经网络模型；
利用待校验输出强度集合中的每个输出强度校验训练后的深度卷积神经网络模型得到所述电场强度模型。
作为发明的一种实施方式，步骤S1通过霍尔元件采集所述当前输出电压和所述当前输出电流，通过温度传感器采集所述当前电极片温度。
另一方面，提供了一种基于人工智能深度学习的治疗系统，所述系统包括：
治疗数据采集模块，用于以人体头部作为电场空间，向电极片输出电能在人脑头部形成治疗电场，实时采集治疗过程中的当前电极片温度、当前输出电压和当前输出电流；
电场强度生成模块，用于将所述当前电极片温度、当前输出电压和当前输出电流输入至电场强度模型中，输出最佳电场强度值，所述电场强度模型通过深度学习得到；其中，在确定当前输出电流未达到预设电流阈值时，当所述当前电极片温度未达到温度阈值时，所述最佳电场强度值高于当前输出电压对应的强度值，当所述当前电极片温度到达温度阈值时，所述最佳电场强度值低于当前输出电压对应的强度值；
电压调整模块，用于根据所述最佳电场强度值对下一时刻的输出电压进行调整。
作为发明的一种实施方式，所述电场强度生成模块包括：
原始样本获取单元，用于获取原始样本数据，所述原始样本数据包括多个治疗时刻下的历史电极片温度、历史输出电压、历史输出电流和历史输出强度；
训练单元，用于基于所述原始样本数据，训练得到电场强度模型。
作为发明的一种实施方式，所述训练单元还用于：
根据历史输出电流强度值和历史电极片温度值，将原始样本数据划分为第一类数据集合和第二类数据集合，所述第一类数据集合中的历史输出电流强度值未达到所述预设电流阈值且历史电极片温度值未达到所述温度阈值，所述第二类数据集中的历史输出电流强度值未达到所述预设电流阈值且历史电极片温度值达到所述温度阈值；
根据所述第一类数据集合得到在第一治疗条件下用于输出最佳电场强度值的空间矢量负载子模型；
根据所述第二类数据集合训练得到在第二治疗条件下用于输出最佳电场强度值的电场强度子模型。
作为发明的一种实施方式，所述训练单元还用于：
根据人头内部组织电导率不同，电场强度不同建立初始空间电场矢量模型；
输入第一类数据集合，根据欧姆定律的对应关系进行运算，运算数据与系统建立的控制模型进行对比，校正，运算结果调整输出性能。
作为发明的一种实施方式，所述训练单元还用于：
从所述第二类数据集合中得到输出强度集合，所述输出强度集合包括多个输出强度值，每个所述输出强度值均为调转中断程序后经过反时限运算得到；
从所述输出强度集合中获取待训练输出强度集合和待校验输出强度集合；
将待训练输出强度集合中的每个输出强度值依次输入至深度卷积神经网络模型，利用预设的训练算法训练用于根据所述输出强度对应的输出电压和输出电流预测卷积神经网络模型；
利用待校验输出强度集合中的每个输出强度校验训练后的深度卷积神经网络模型得到所述电场强度模型。
作为发明的一种实施方式，所述系统还包括霍尔元件和温度传感器，通过霍尔元件采集所述当前输出电压和所述当前输出电流，通过温度传感器采集所述当前电极片温度。
采用上述技术方案所产生的有益效果在于：
本发明实施例提供的基于人工智能深度学习的治疗方法及系统，通过采用人工智能深度学习方法训练得到了电场强度模型，在治疗过程中实时采集治疗过程中的当前电极片温度、当前输出电压和当前输出电流，并将上述数值输入至电场强度模型中即可得到下一时刻输出的最佳电场强度值，并基于该最佳电场强度值调整输出电压。其相对于现有的两种治疗方式而言，采用该方法能够根据治疗温度随时调整下一时刻的输出电压，实现在满足治疗温度（避免烫伤风险）条件下的输出强度最大化，从而大大提高治疗效果。
另外，该治疗方法及系统通过建立电场强度模型，能够基于当前电极片温度执行不同的操作，当当前电极片温度未达到温度阈值时，基于矢量负载子模型实时调整输出电压，保障输出强度最大化；当当前电极片温度达到温度阈值时，以最高优先级调转中断程序，反时限降低输出强度，等温度回落至预设低温阈值后，终止中断程序，转而执行当前电极片温度未达到温度阈值时的操作流程，智能化程度高。
附图说明
图1是本发明实施例提供的一种基于人工智能深度学习的治疗方法的流程图。
图2是本发明实施例提供的一种电场强度模型的训练流程图。
图3是是本发明实施例提供的一种基于人工智能深度学习的治疗系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合具体实施例对发明进行清楚、完整的描述。
本发明实施例提供了一种基于人工智能深度学习的治疗方法，如图1所示，方法包括：
步骤S1、以人体头部作为电场空间，向电极片输出电能在人脑头部形成治疗电场，实时采集治疗过程中的当前电极片温度、当前输出电压和当前输出电流；
其中，可通过霍尔元件采集当前输出电压和当前输出电流，通过温度传感器采集当前电极片温度。
步骤S2、将当前电极片温度、当前输出电压和当前输出电流输入至电场强度模型中，输出最佳电场强度值，电场强度模型通过深度学习得到。
其中，当确定当前输出电流小于预设电流阈值且当前电极片温度低于温度阈值时，最佳电场电场强度值大于当前输出电压对应的强度值；而在确定当前输出电流小于预设电流阈值且当前电极片温度高于温度阈值时，最佳电场强度值则低于当前输出电压对应的强度值；
另外，上述预设电流阈值可由治疗过程中不影响治疗进度且能达到治疗效果的最大电流值确定，示例性地，电流阈值为2000mA；进一步地，上述温度阈值可由人体所能承受的最高温度确定，其可由工作人员预先设置为一个固定温度，也可由工作人员根据患者的承受度分别确定，示例性地，该温度阈值为固定温度41℃。
步骤S3、根据最佳电场强度值对下一时刻的输出电压进行调整。
当然，步骤还包括：
步骤S4、当确定当前输出电流达到预设电流阈值时，控制切断电源。
本发明实施例提供的基于人工智能深度学习的治疗方法，通过采用人工智能深度学习方法训练得到了电场强度模型，在治疗过程中实时采集治疗过程中的当前电极片温度、当前输出电压和当前输出电流，并将上述数值输入至电场强度模型中即可得到下一时刻输出的最佳电场强度值，并基于该最佳电场强度值调整输出电压。其相对于现有的两种治疗方式而言，采用该方法能够根据治疗温度随时调整下一时刻的输出电压，实现在满足治疗温度（避免烫伤风险）条件下的输出强度最大化，从而大大提高治疗效果。
以下，本发明将针对电场强度模型的训练过程进行具体说明。
如图2所示，电场强度模型采用下述方法训练得到：
步骤S201、获取原始样本数据，原始样本数据包括多个治疗时刻下的历史电极片温度、历史输出电压、历史输出电流和历史输出强度；
步骤S202、基于原始样本数据，训练得到电场强度模型。
其具体包括：
步骤S2021、根据历史输出电流强度值和历史电极片温度值，将原始样本数据划分为第一类数据集合和第二类数据集合，第一类数据集合中的历史输出电流强度值未达到预设电流阈值且历史电极片温度值未达到温度阈值，第二类数据集中的历史输出电流强度值未达到预设电流阈值且历史电极片温度值达到温度阈值；
步骤S2022、根据第一类数据集合得到在第一治疗条件下用于输出最佳电场强度值的空间矢量负载子模型；
第一治疗条件指代的即为历史输出电流强度值小于预设电流阈值且历史电极片温度值未达到预设阈值的条件，在第一治疗条件下，被治疗的患者不会出现烫伤的风险。
该步骤具体包括：
根据人头内部组织电导率不同，电场强度不同建立初始空间电场矢量模型；
输入第一类数据集合，根据欧姆定律的对应关系进行运算，运算数据与系统建立的控制模型进行对比，校正，运算结果调整输出性能。
由此，基于理论值和实际值对空间电场矢量模型的参数进行调整，得到满足要求的空间矢量负载子模型，实现在第一治疗条件下，基于当前电极片温度、当前输出电压和当前输出电流得到大于当前输出电压对应的强度值的最佳电场强度值，实现下一个时刻下的输出强度最大化，以此实现每个时刻下的输出强度最大化。
步骤S2023、根据第二类数据集合训练得到在第二治疗条件下用于输出最佳电场强度值的电场强度子模型。
第二治疗条件指代的即为历史输出电流强度值小于预设电流阈值且历史电极片温度值达到预设阈值的条件，在第二治疗条件下，会出现患者烫伤的情况，通过电场强度子模型可保证在避免烫伤的前提下输出强度最大。
该步骤具体包括：
从第二类数据集合中得到输出强度集合，输出强度集合包括多个输出强度值，每个输出强度值均为调转中断程序后经过反时限运算得到；另外，每个输出强度均与一个历史输出电流、历史输出电压和历史电极片温度值相对应，反时限运算指代的是：当确定当前时刻的历史电极片温度值升温速度越大时，下一时刻的输出强度下降值越大，以保证在经过若干个预设时刻后，电极片温度回落至预设低温阈值，预设低温阈值低于温度阈值。
从输出强度集合中获取待训练输出强度集合和待校验输出强度集合；
将待训练输出强度集合中的每个输出强度值依次输入至深度卷积神经网络模型，利用预设的训练算法训练用于根据输出强度对应的输出电压和输出电流预测卷积神经网络模型；
利用待校验输出强度集合中的每个输出强度校验训练后的深度卷积神经网络模型得到电场强度模型。
具体地，其可采用下述过程：
将待训练输出强度集合中数据作为迭代数据集；
首先建立深度卷积神经网络模型，将待训练输出强度集合中的历史输出电压、历史输出电流、历史电极片温度参数作为给定的输入值训练AI预测电场强度输出值。将神经网络分成3个层：输入层（input layer）、隐藏层（可能有多个）（hidden layer）输出层（output layer）；
a、输入层接收输入数据，在预测AI中，输入层有3个量作为神经元分别为：电压，电流，温度；输入层收到这些信息后会传递给第一个隐藏层。
b、隐藏层会对输入数据进行数学运算，如何决定隐藏层的数量、以及每层神经元的数量，神经元之间的每个连接都和权重（weight）紧密相关，它决定了输入值的重要性，设置电流和温度作为初始权重，每个神经元都有一个激活函数，这些函数的目标是将神经元的输出值“标准化”，当每组采集的输入数据通过神经网络的所有层级，AI会通过输出层返回输出值，送到迭代数据集。
其次训练神经网络，要训练AI，读取来自迭代数据集中的数据，迭代数据集和将AI输出与数据集输出进行对比，将产生一个代价函数，显示AI的输出与真实输出之间的差异。数据集的每一次迭代后，神经元之间的权重会通过梯度下降的方式（梯度下降是一种寻找函数最小值的方法，其工作原理是在数据集的每次迭代后，以很小的增量改变权重，通过计算确定权重代价函数的导数(或梯度)，获得可以找到最小值实施方向），降低代价函数的值。当代价函数为零时，即只有AI的输出值和数据集的输出值一样的时候，才代表达到了这个状态，即最优状态，此时电场强度最佳，设备输出最优。
最后，利用待校验输出强度集合进行校验，将校验满足要求的深度卷积神经网络模型作为最终的电场强度模型。
本发明实施例提供的基于人工智能深度学习的治疗方法，通过电场强度模型，能够基于当前电极片温度执行不同的操作，当当前电极片温度未达到温度阈值时，基于矢量负载子模型实时调整输出电压，保障输出强度最大化；当当前电极片温度达到温度阈值时，以最高优先级调转中断程序，反时限降低输出强度，等温度回落至预设低温阈值后，终止中断程序，转而执行当前电极片温度未达到温度阈值时的操作流程，智能化程度高，实现在满足治疗温度（避免烫伤风险）条件下的输出强度最大化，从而大大提高治疗效果。
本发明实施例还提供了一种基于人工智能深度学习的治疗系统，如图3所示，所述系统包括：
治疗数据采集模块301，用于以人体头部作为电场空间，向电极片输出电能在人脑头部形成治疗电场，实时采集治疗过程中的当前电极片温度、当前输出电压和当前输出电流；
电场强度生成模块302，用于将所述当前电极片温度、当前输出电压和当前输出电流输入至电场强度模型中，输出最佳电场强度值，所述电场强度模型通过深度学习得到；其中，在确定当前输出电流未达到预设电流阈值时，当所述当前电极片温度未达到温度阈值时，所述最佳电场强度值高于当前输出电压对应的强度值，当所述当前电极片温度到达温度阈值时，所述最佳电场强度值低于当前输出电压对应的强度值；
电压调整模块303，用于根据所述最佳电场强度值对下一时刻的输出电压进行调整。
在一种可能的实现方式中，所述电场强度生成模块302包括：
原始样本获取单元，用于获取原始样本数据，所述原始样本数据包括多个治疗时刻下的历史电极片温度、历史输出电压、历史输出电流和历史输出强度；
训练单元，用于基于所述原始样本数据，训练得到电场强度模型。
在一种可能的实现方式中，所述训练单元还用于：
根据历史输出电流强度值和历史电极片温度值，将原始样本数据划分为第一类数据集合和第二类数据集合，所述第一类数据集合中的历史输出电流强度值未达到所述预设电流阈值且历史电极片温度值未达到所述温度阈值，所述第二类数据集中的历史输出电流强度值未达到所述预设电流阈值且历史电极片温度值达到所述温度阈值；
根据所述第一类数据集合得到在第一治疗条件下用于输出最佳电场强度值的空间矢量负载子模型；
根据所述第二类数据集合训练得到在第二治疗条件下用于输出最佳电场强度值的电场强度子模型。
在一种可能的实现方式中，所述训练单元还用于：
根据人头内部组织电导率不同，电场强度不同建立初始空间电场矢量模型；
输入第一类数据集合，根据欧姆定律的对应关系进行运算，运算数据与系统建立的控制模型进行对比，校正，运算结果调整输出性能。
在一种可能的实现方式中，所述训练单元还用于：
从所述第二类数据集合中得到输出强度集合，所述输出强度集合包括多个输出强度值，每个所述输出强度值均为调转中断程序后经过反时限运算得到；
从所述输出强度集合中获取待训练输出强度集合和待校验输出强度集合；
将待训练输出强度集合中的每个输出强度值依次输入至深度卷积神经网络模型，利用预设的训练算法训练用于根据所述输出强度对应的输出电压和输出电流预测卷积神经网络模型；
利用待校验输出强度集合中的每个输出强度校验训练后的深度卷积神经网络模型得到所述电场强度模型。
在一种可能的实现方式中，所述系统还包括霍尔元件和温度传感器，通过霍尔元件采集所述当前输出电压和所述当前输出电流，通过温度传感器采集所述当前电极片温度。
本发明实施例提供的基于人工智能深度学习的治疗系统，通过电场强度模型，能够基于当前电极片温度执行不同的操作，当当前电极片温度未达到温度阈值时，基于矢量负载子模型实时调整输出电压，保障输出强度最大化；当当前电极片温度达到温度阈值时，以最高优先级调转中断程序，反时限降低输出强度，等温度回落至预设低温阈值后，终止中断程序，转而执行当前电极片温度未达到温度阈值时的操作流程，智能化程度高，实现在满足治疗温度（避免烫伤风险）条件下的输出强度最大化，从而大大提高治疗效果。

Claims (10)

1.一种基于人工智能深度学习的治疗方法，其特征在于，所述方法包括：
以人体头部作为电场空间，向电极片输出电能在人脑头部形成治疗电场，实时采集治疗过程中的当前电极片温度、当前输出电压和当前输出电流；
将所述当前电极片温度、当前输出电压和当前输出电流输入至电场强度模型中，输出最佳电场强度值，所述电场强度模型通过深度学习得到；其中，在确定当前输出电流未达到预设电流阈值时，当所述当前电极片温度未达到温度阈值时，所述最佳电场强度值高于当前输出电压对应的强度值，当所述当前电极片温度到达温度阈值时，所述最佳电场强度值低于当前输出电压对应的强度值；
根据所述最佳电场强度值对下一时刻的输出电压进行调整。
2.根据权利要求1所述的一种基于人工智能深度学习的治疗方法，其特征在于，所述电场强度模型采用下述方法训练得到：
获取原始样本数据，所述原始样本数据包括多个治疗时刻下的历史电极片温度、历史输出电压、历史输出电流和历史输出强度；
基于所述原始样本数据，训练得到电场强度模型。
3.根据权利要求2所述的一种基于人工智能深度学习的治疗方法，其特征在于，所述基于所述原始样本数据，训练得到电场强度模型，包括：
根据历史输出电流强度值和历史电极片温度值，将原始样本数据划分为第一类数据集合和第二类数据集合，所述第一类数据集合中的历史输出电流强度值未达到所述预设电流阈值且历史电极片温度值未达到所述温度阈值，所述第二类数据集中的历史输出电流强度值未达到所述预设电流阈值且历史电极片温度值达到所述温度阈值；
根据所述第一类数据集合得到在第一治疗条件下用于输出最佳电场强度值的空间矢量负载子模型；
根据所述第二类数据集合训练得到在第二治疗条件下用于输出最佳电场强度值的电场强度子模型。
4.根据权利要求3所述的一种基于人工智能深度学习的治疗方法，其特征在于，所述根据所述第一类数据集合得到在第一治疗条件下用于输出最佳电场强度值的空间矢量负载子模型，包括：
根据人头内部组织电导率不同，电场强度不同建立初始空间电场矢量模型；
输入第一类数据集合，根据欧姆定律的对应关系进行运算，运算数据与系统建立的控制模型进行对比，校正，运算结果调整输出性能。
5.根据权利要求3所述的一种基于人工智能深度学习的治疗方法，其特征在于，所述根据所述第二类数据集合训练得到在第二治疗条件下用于输出最佳电场强度值的电场强度子模型，包括：
从所述第二类数据集合中得到输出强度集合，所述输出强度集合包括多个输出强度值，每个所述输出强度值均为调转中断程序后经过反时限运算得到；
从所述输出强度集合中获取待训练输出强度集合和待校验输出强度集合；
将待训练输出强度集合中的每个输出强度值依次输入至深度卷积神经网络模型，利用预设的训练算法训练用于根据所述输出强度对应的输出电压和输出电流预测卷积神经网络模型；
利用待校验输出强度集合中的每个输出强度校验训练后的深度卷积神经网络模型得到所述电场强度模型。
6.根据权利要求1所述的一种基于人工智能的深度学习的数据分析方法，其特征在于，步骤S1通过霍尔元件采集所述当前输出电压和所述当前输出电流，通过温度传感器采集所述当前电极片温度。
7.一种基于人工智能深度学习的治疗系统，其特征在于，所述系统包括：
治疗数据采集模块，用于以人体头部作为电场空间，向电极片输出电能在人脑头部形成治疗电场，实时采集治疗过程中的当前电极片温度、当前输出电压和当前输出电流；
电场强度生成模块，用于将所述当前电极片温度、当前输出电压和当前输出电流输入至电场强度模型中，输出最佳电场强度值，所述电场强度模型通过深度学习得到；其中，在确定当前输出电流未达到预设电流阈值时，当所述当前电极片温度未达到温度阈值时，所述最佳电场强度值高于当前输出电压对应的强度值，当所述当前电极片温度到达温度阈值时，所述最佳电场强度值低于当前输出电压对应的强度值；
电压调整模块，用于根据所述最佳电场强度值对下一时刻的输出电压进行调整。
8.根据权利要求1所述的一种基于人工智能深度学习的治疗系统，其特征在于，所述电场强度生成模块包括：
原始样本获取单元，用于获取原始样本数据，所述原始样本数据包括多个治疗时刻下的历史电极片温度、历史输出电压、历史输出电流和历史输出强度；
训练单元，用于基于所述原始样本数据，训练得到电场强度模型。
9.根据权利要求8所述的一种基于人工智能深度学习的治疗系统，其特征在于，所述训练单元还用于：
根据历史输出电流强度值和历史电极片温度值，将原始样本数据划分为第一类数据集合和第二类数据集合，所述第一类数据集合中的历史输出电流强度值未达到所述预设电流阈值且历史电极片温度值未达到所述温度阈值，所述第二类数据集中的历史输出电流强度值未达到所述预设电流阈值且历史电极片温度值达到所述温度阈值；
根据所述第一类数据集合得到在第一治疗条件下用于输出最佳电场强度值的空间矢量负载子模型；
根据所述第二类数据集合训练得到在第二治疗条件下用于输出最佳电场强度值的电场强度子模型。
10.根据权利要求9所述的一种基于人工智能深度学习的治疗系统，其特征在于，所述训练单元还用于：
根据人头内部组织电导率不同，电场强度不同建立初始空间电场矢量模型；
输入第一类数据集合，根据欧姆定律的对应关系进行运算，运算数据与系统建立的控制模型进行对比，校正，运算结果调整输出性能。
CN202210281249.9A 2022-03-22 2022-03-22 基于人工智能深度学习的治疗方法及系统 Pending CN114724680A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210281249.9A CN114724680A (zh) 2022-03-22 2022-03-22 基于人工智能深度学习的治疗方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210281249.9A CN114724680A (zh) 2022-03-22 2022-03-22 基于人工智能深度学习的治疗方法及系统

Publications (1)

Publication Number Publication Date
CN114724680A true CN114724680A (zh) 2022-07-08

Family

ID=82240680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210281249.9A Pending CN114724680A (zh) 2022-03-22 2022-03-22 基于人工智能深度学习的治疗方法及系统

Country Status (1)

Country Link
CN (1) CN114724680A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115429414A (zh) * 2022-11-09 2022-12-06 北京国械堂科技发展有限责任公司 一种向人体传递电场能量的器械装置及其控制电路
CN117205442A (zh) * 2023-09-18 2023-12-12 易集康健康科技(杭州)有限公司 一种射频脉冲发射模块的控制方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115429414A (zh) * 2022-11-09 2022-12-06 北京国械堂科技发展有限责任公司 一种向人体传递电场能量的器械装置及其控制电路
CN117205442A (zh) * 2023-09-18 2023-12-12 易集康健康科技(杭州)有限公司 一种射频脉冲发射模块的控制方法及系统
CN117205442B (zh) * 2023-09-18 2024-04-23 易集康健康科技(杭州)有限公司 一种射频脉冲发射模块的控制方法及系统

Similar Documents

Publication Publication Date Title
CN114724680A (zh) 基于人工智能深度学习的治疗方法及系统
CN104225790B (zh) 闭环神经刺激系统
CN107929938A (zh) 一种经颅电磁同步刺激系统
CN101794114B (zh) 助行功能性电刺激系统中遗传算法整定控制参数的方法
CN114870249B (zh) 一种闭环自适应交流电刺激神经网络调控方法及系统
Qiu et al. Intelligent algorithm tuning PID method of function electrical stimulation using knee joint angle
CN116617577A (zh) 一种可闭环调控的肿瘤电场治疗方法及系统
CN101846977B (zh) 功能性电刺激关节角度遗传模糊控制方法
CN101837165B (zh) 基于遗传蚁群融合模糊控制器的助行电刺激精密控制方法
Su et al. Nonparametric Hammerstein model based model predictive control for heart rate regulation
CN112370339B (zh) 基于机器学习的手部刺激训练装置的实现方法
CN116884618A (zh) 一种基于有限元建模和模拟退火优化算法的人体膀胱聚焦电刺激方法
Jiao et al. Cnn-lstm network based prediction of human joint angles using multi-band semg and historical angles
Zhang et al. Simulation study of FES-assisted standing up with neural network control
Cojocaru et al. Fuzzy logic algorithm for use in controlled hypothermia
CN114668409A (zh) 基于光遗传调控的人体神经接口系统及方法
Ahmad et al. Closed-loop Functional Electrical Stimulation (FES)–cycling rehabilitation with phase control Fuzzy Logic for fatigue reduction control strategies for stroke patients
Zhu et al. An optimization approach for transcranial direct current stimulation using nondominated sorting genetic algorithm II
Trifonov et al. Biotechnical system for control to the exoskeleton limb based on surface myosignals for rehabilitation complexes
CN112370340B (zh) 基于机器学习的足部刺激训练装置的实现方法
KR20220041636A (ko) 능동적인 신경자극신호 제어를 이용하여 통증을 치료하는 체내 이식형 능동적 신경자극치료기
CN112370341B (zh) 基于机器学习的耳部刺激训练装置的实现方法
CN113827254A (zh) 一种穿戴式脑神经功能智能调控和增强的方法及设备
Cheng et al. Radial Basis Function Neural Network-based PID model for functional electrical stimulation system control
CN213667557U (zh) 一种颈部颅底血管刺激训练装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 050000 No. 203, building B-12, No. 501, Taihang South Street, high tech Zone, Shijiazhuang, Hebei

Applicant after: HEBEI PUNI MEDICAL TECHNOLOGY CO.,LTD.

Address before: 050000 No. 502, unit 1, building 4, No. 222, Xing'an Street, high tech Zone, Shijiazhuang City, Hebei Province

Applicant before: HEBEI PUNI MEDICAL TECHNOLOGY CO.,LTD.