CN115804582A - 基于人工智能技术的微波无创颅内压连续监测系统和用途 - Google Patents
基于人工智能技术的微波无创颅内压连续监测系统和用途 Download PDFInfo
- Publication number
- CN115804582A CN115804582A CN202211527185.2A CN202211527185A CN115804582A CN 115804582 A CN115804582 A CN 115804582A CN 202211527185 A CN202211527185 A CN 202211527185A CN 115804582 A CN115804582 A CN 115804582A
- Authority
- CN
- China
- Prior art keywords
- intracranial pressure
- microwave
- signal
- unit
- microwave signal
- 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
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 99
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000005516 engineering process Methods 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 16
- 210000003128 head Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000003321 amplification Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000016988 Hemorrhagic Stroke Diseases 0.000 description 1
- 206010059491 Intracranial haematoma Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000020658 intracerebral hemorrhage Diseases 0.000 description 1
- 238000000185 intracerebroventricular administration Methods 0.000 description 1
- 230000004410 intraocular pressure Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 210000003454 tympanic membrane Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了基于人工智能技术的微波无创颅内压连续监测系统和用途,属于颅内压监测技术领域,该基于人工智能技术的微波无创颅内压连续监测系统包括信号处理系统和计算机,信号处理系统被配置用于发射第一微波信号和接收返回的第二微波信号并进行滤波处理;计算机被配置包括特征分析模块、智能分析模块、处理模块和影响分析模块;特征分析模块用于对所述第一微波信号和接收反射的第二微波信号进行频率范围的分析,得到相关参数;智能分析模块用于将所述相关参数与第一颅内压值进行训练,得到监测模型;本发明既能保证第二颅内压值的准确性,又能获得影响第二颅内压值的相关因素,便于科学技术的进步。
Description
技术领域
本发明属于颅内压监测技术领域,具体而言,涉及基于人工智能技术的微波无创颅内压连续监测系统和用途。
背景技术
颅内压是颅脑疾病临床诊断中的一个重要监测指标,准确测量患者的颅内压水平对于治疗具有积极意义。现行颅内压检测是通过脑室内有创性置管,操作困难且风险较大。近年来发展了一些颅内压的无创检测方法,比如:眼内压评估法、生物电阻抗法、经颅多普勒超声检查和耳鼓膜位移法等等,但是这些方法都存在一定的局限性,或者是测量颅内压的准确性不高,或者是会对人体造成一定的伤害,即使这种伤害和有创的方法相比小得多。
为此,我们希望寻找一种能够准确测定颅内压水平,同时对人体几乎无害的技术。经过调查研究,我们发现微波测量具有辐射小的特点,并且近年来在成像、定位等领域有很多应用,且具有较高的准确性,可以很好地满足我们的要求。同时,瑞典Chalmers大学一研究组利用微波技术成功地对颅内血肿的大小进行了分类以及区分了出血性脑卒中和缺血性脑卒中,为微波技术在医疗监测领域的应用提供了成功的范例。
但是,对于目前的各项无创测量手段,大都对人体存在着不同程度的危害性,不利于颅内压的测量;同时,考虑到有病理、生理和设备等各种影响因素,目前在测量过程中,由于获得的颅内压值不够准确,因此导致难以分析各种影响因素。
发明内容
本发明实施例提供了基于人工智能技术的微波无创颅内压连续监测系统和用途,其目的在于目前的各项无创测量手段,大都对人体存在着不同程度的危害性和颅内压值不够准确,导致难以分析各种影响因素的问题。
鉴于上述问题,本发明提出的技术方案是:
第一方面,本发明提供基于人工智能技术的微波无创颅内压连续监测系统,包括:
信号处理系统,被配置用于发射第一微波信号和接收返回的第二微波信号并进行滤波处理;
计算机,被配置包括:
特征分析模块,其用于对所述第一微波信号和接收反射的第二微波信号进行频率范围的分析,得到相关参数;
智能分析模块,其用于将所述相关参数与第一颅内压值进行训练,得到监测模型;或将所述相关参数输入所述监测模型进行分析,得到第二颅内压值;
处理模块,其用于将所述第二颅内压值与预测区间进行比较根据比较结果执行相应的处理;
影响分析模块,其用于根据所述比较结果进行影响因素分析,得到分析结果并输出。
作为本发明的一种优选技术方案,所述第一微波信号的功率为 P:。
作为本发明的一种优选技术方案,所述第一微波信号的频率范围为0.3~3GHz。
作为本发明的一种优选技术方案,所述信号处理系统,具体包括:
信号发射/接收单元,其用于向受测者的头部发射的第一微波信号和接收返回的第二微波信号;
增益单元,其用于对所述第一微波信号和所述第二微波信号进行增益放大;
滤波单元,其用于识别所述第一微波信号和所述第二微波信号中的杂波,并将所述杂波滤除;
信号转化单元,其用于将所述第一微波信号转化为第一数字信号,将所述第二微波信号转换为第二数字信号。
作为本发明的一种优选技术方案,所述相关参数包含微波反射参数和传输参数。
作为本发明的一种优选技术方案,所述特征分析模块,具体包括:
频率分析单元,其用于对所述第一数字信号和所述第二数据信号均分别建立频域图和时域图;
解析单元,其用于从所述频域图和所述时域图中解析出相关参数。
作为本发明的一种优选技术方案,所述智能分析模块,具体包括:
设置单元,其用于将所述相关参数设置作为输入、将所述第一颅内压值设置作为输出;
智能训练单元,其用于根据所述设置单元的设置,利用人工智能算法进行训练,得到监测模型;
参数分析单元,其用于将所述相关参数输入所述监测模型进行分析,得到第二颅内压值。
作为本发明的一种优选技术方案,所述处理模块,具体包括:
计算单元,其用于计算所述第二颅内压值的标准偏差;
比较单元,其用于比较所述标准偏差是否处于所述预测区间之内,得到比较结果;
处理单元,其用于根据所述比较结果执行相应的处理;其中,若所述比较结果为标准偏差处于所述预测区间之内,则将所述第二颅内压值输出;若所述比较结果为标准偏差处于所述预测区间之外,则执行下一步骤。
作为本发明的一种优选技术方案,所述影响分析模块,具体包括:
判断单元,其用于判断所述第二颅内压值落入哪个预设阈值区间,得到判断结果;其中,预设阈值区间包含第一阈值区间、第二阈值区间和第三阈值区间;
确定单元,其用于根据所述判断结果确定影响因素,得到分析结果并输出。
第二方面,本发明实施例提供一种根据上述的微波无创颅内压连续监测系统在连续监测受测者颅内压的用途。
本发明实施例提供的上述技术方案的有益效果至少包括:
(1)通过信号处理系统向受测者的头部发射第一微波信号之后,同时接收第二微波信号,并对第一微波信号和第二微波信号进行分析,得到相关参数。便于将相关参数与第一颅内压值之间关联,尤其在关联之后,便于使得相关参数与第二颅内压值之间的匹配更加真实、可靠。
(2)通过信号处理系统测量获得的临床样本,并通过人工智能算法进行学习训练,得到监测模型,以使在后续的受测者通过本发明的微波无创颅内压连续监测系统在无创环境下进行测量,得到第二颅内压值,并针对第二颅内压值进行分析处理,对于异常的受测者分析出相应的结果。进而既能保证第二颅内压值的准确性,又能获得影响第二颅内压值的相关因素,便于科学技术的进步。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
图1是本发明所公开的基于人工智能技术的微波无创颅内压连续监测系统的示意图。
附图标记说明:100、信号处理系统;110、信号发射/接收单元;120、增益单元;130、滤波单元;140、信号转化单元;200、计算机;210、特征分析模块;211、频率分析单元;212、解析单元;220、智能分析模块;221、设置单元;222、智能训练单元;223、参数分析单元;230、处理模块;231、计算单元;232、比较单元;233、处理单元;240、影响分析模块;241、判断单元;242、确定单元。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
实施例一
参照附图1所示,本发明提供一种技术方案:基于人工智能技术的微波无创颅内压连续监测系统,包括信号处理系统100和计算机200;
信号处理系统100,被配置用于发射第一微波信号和接收返回的第二微波信号并进行滤波处理;其中,第一微波信号为发射的微波信号,第二微波信号为反射或返回的微波信号。
计算机200,被配置包括:
特征分析模块210,其用于对所述第一微波信号和接收反射的第二微波信号进行频率范围的分析,得到相关参数;
智能分析模块220,其用于将所述相关参数与第一颅内压值进行训练,得到监测模型;或将所述相关参数输入所述监测模型进行分析,得到第二颅内压值;其中,第一颅内压值是同一受测者在有创环境下得到的颅内压值;第二颅内压值是后续的受测者通过本发明的微波无创颅内压连续监测系统在无创环境下进行测量得到的预测颅内压值。
处理模块230,其用于将所述第二颅内压值与预测区间进行比较根据比较结果执行相应的处理;
影响分析模块240,其用于根据所述比较结果进行影响因素分析,得到分析结果并输出。
具体而言,通过信号处理系统100向受测者的头部发射第一微波信号之后,同时接收第二微波信号,并对第一微波信号和第二微波信号进行分析,得到相关参数。便于将相关参数与第一颅内压值之间关联,尤其在关联之后,便于使得相关参数与第二颅内压值之间的匹配更加真实、可靠。
并且,在本发明中,通过信号处理系统100测量获得的临床样本,并通过人工智能算法进行学习训练,得到监测模型,以使在后续的受测者通过本发明的微波无创颅内压连续监测系统在无创环境下进行测量,得到第二颅内压值,并针对第二颅内压值进行分析处理,对于异常的受测者分析出相应的结果。进而既能保证第二颅内压值的准确性,又能获得影响第二颅内压值的相关因素,便于科学技术的进步。
在本发明较佳的实施例中,所述第一微波信号的功率为1mW。进一步优选地,所述第一微波信号的频率范围为0.3~3GHz。
进一步地,所述信号处理系统100,具体包括:
信号发射/接收单元110,其用于向受测者的头部发射的第一微波信号和接收返回的第二微波信号;
信号发射/接收单元110可以是微波天线。使用时,微波天线通过绑带的方式绑在受测者的头部,微波天线向受测者的颅脑发射微波信号(即第一微波信号);微波信号遇到颅脑后被反射回微波天线,也或者透射颅脑过后传输回来的微波信号(即第二微波信号)。
在此过程中,由于本发明采用微波信号,能够大大减弱对人体的影响。
增益单元120,其用于对所述第一微波信号和所述第二微波信号进行增益放大;
增益单元120可以是增益芯片,实现对第一微波信号和第二微波信号的信号放大处理。
滤波单元130,其用于识别所述第一微波信号和所述第二微波信号中的杂波,并将所述杂波滤除;
滤波单元130可以是信号滤波器或低通滤波器,实现对第一微波信号和第二微波信号进行滤波,避免杂波对真实微波信号的影响。
信号转化单元140,其用于将所述第一微波信号转化为第一数字信号,将所述第二微波信号转换为第二数字信号。
信号转化单元140可以是数模转换器,实现将电信号向数字信号的转换。
在一种实施例中,所述相关参数包含微波反射参数和传输参数。
进一步地,所述特征分析模块210,具体包括:
频率分析单元211,其用于对所述第一数字信号和所述第二数据信号均分别建立频域图和时域图;
解析单元212,其用于从所述频域图和所述时域图中解析出相关参数。
具体而言,微波信号分析过程中,需对第一数字信号建立频域图和时域图,同时对第二数字信号建立频域图和时域图,并从该频域图和时域图中解析出第二数字信号的微波反射参数和传输参数。
进一步地,所述智能分析模块220,具体包括:
设置单元221,其用于将所述相关参数设置作为输入、将所述第一颅内压值设置作为输出;
智能训练单元222,其用于根据所述设置单元221的设置,利用人工智能算法进行训练,得到监测模型;
参数分析单元223,其用于将所述相关参数输入所述监测模型进行分析,得到第二颅内压值。
具体而言,人工智能算法包括但不限于深度学习算法、机器学习算法和神经网络算法。通过将大量的临床样本进行学习训练,能够进一步加强微波反射参数和传输参数与第一颅内压值进行关联,从而对于新的第二微波信号,在输入监测模型之后,能够获得更为准确的第二颅内压值。
进一步地,所述处理模块230,具体包括:
计算单元231,其用于计算所述第二颅内压值的标准偏差;
比较单元232,其用于比较所述标准偏差是否处于所述预测区间之内,得到比较结果;
处理单元233,其用于根据所述比较结果执行相应的处理;其中,若所述比较结果为标准偏差处于所述预测区间之内,则将所述第二颅内压值输出;若所述比较结果为标准偏差处于所述预测区间之外,则执行下一步骤。
具体而言,由于第二颅内压值具有预测的属性,通常监测模型会给出未来的且具有连续性的第二颅内压值,再将多个第二颅内压值进行标准偏差的计算,同时通过标准偏差与预测区间的比较,能够判断第二颅内压值的波动情况,从而可为影响因素的分析带来了依据。
此外,在需输出第二颅内压值的过程中,需先将对第二颅内压值进行平均,最后将第二颅内压值的均值输出。
进一步地,所述影响分析模块240,具体包括:
判断单元241,其用于判断所述第二颅内压值落入哪个预设阈值区间,得到判断结果;其中,预设阈值区间包含第一阈值区间、第二阈值区间和第三阈值区间;
确定单元242,其用于根据所述判断结果确定影响因素,得到分析结果并输出。
具体而言,对于连续的第二颅内压值,若一组第二颅内压值中两个数值端点均落入第一阈值区间,则确定为病理因素;若一组第二颅内压值中两个数值端点均落入第二阈值区间,则确定为生理因素;一组第二颅内压值中两个数值端点均落入第三阈值区间,则确定为设备因素。
接下来,本发明通过如下方式获得监测模型:
信号发射/接收单元110向受测者的头部发射的第一微波信号和接收返回的第二微波信号;
增益单元120对所述第一微波信号和所述第二微波信号进行增益放大;
滤波单元130识别所述第一微波信号和所述第二微波信号中的杂波,并将所述杂波滤除;
信号转化单元140将所述第一微波信号转化为第一数字信号,将所述第二微波信号转换为第二数字信号;
频率分析单元211对所述第一数字信号和所述第二数据信号均分别建立频域图和时域图;
解析单元212从所述频域图和所述时域图中解析出相关参数。
设置单元221将所述相关参数设置作为输入、将所述第一颅内压值设置作为输出;
智能训练单元222根据所述设置单元221的设置,利用人工智能算法进行训练,得到监测模型。
接下来,本发明通过如下方式输出第二颅内压值或影响因素分析:
信号发射/接收单元110向受测者的头部发射的第一微波信号和接收返回的第二微波信号;
增益单元120对所述第一微波信号和所述第二微波信号进行增益放大;
滤波单元130识别所述第一微波信号和所述第二微波信号中的杂波,并将所述杂波滤除;
信号转化单元140将所述第一微波信号转化为第一数字信号,将所述第二微波信号转换为第二数字信号;
频率分析单元211对所述第一数字信号和所述第二数据信号均分别建立频域图和时域图;
解析单元212从所述频域图和所述时域图中解析出相关参数;
参数分析单元223将所述相关参数输入所述监测模型进行分析,得到第二颅内压值;
计算单元231计算所述第二颅内压值的标准偏差;
比较单元232比较所述标准偏差是否处于所述预测区间之内,得到比较结果;
处理单元233根据所述比较结果执行相应的处理;其中,若所述比较结果为标准偏差处于所述预测区间之内,则将所述第二颅内压值输出;若所述比较结果为标准偏差处于所述预测区间之外,则执行下一步骤。
判断单元241判断所述第二颅内压值落入哪个预设阈值区间,得到判断结果;其中,预设阈值区间包含第一阈值区间、第二阈值区间和第三阈值区间;
确定单元242根据所述判断结果确定影响因素,得到分析结果并输出。
实施例二
本发明实施提供一种根据实施例一在连续监测受测者颅内压的用途。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机200软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然,处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现,本申请中描述的技术可用执行本申请所述功能的模块(例如,过程、函数等、)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内,也可以实现在处理器外,在后一种情况下,它经由各种手段以通信方式耦合到处理器,这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (10)
1.基于人工智能技术的微波无创颅内压连续监测系统,其特征在于,包括:
信号处理系统,被配置用于发射第一微波信号和接收返回的第二微波信号并进行滤波处理;
计算机,被配置包括:
特征分析模块,其用于对所述第一微波信号和接收反射的第二微波信号进行频率范围的分析,得到相关参数;
智能分析模块,其用于将所述相关参数与第一颅内压值进行训练,得到监测模型;或将所述相关参数输入所述监测模型进行分析,得到第二颅内压值;
处理模块,其用于将所述第二颅内压值与预测区间进行比较根据比较结果执行相应的处理;
影响分析模块,其用于根据所述比较结果进行影响因素分析,得到分析结果并输出。
2.根据权利要求1所述的基于人工智能技术的微波无创颅内压连续监测系统,其特征在于,所述第一微波信号的功率为1mW。
3.根据权利要求1或2所述的基于人工智能技术的微波无创颅内压连续监测系统,其特征在于,所述第一微波信号的频率范围为0.3~3GHz。
4.根据权利要求1所述的基于人工智能技术的微波无创颅内压连续监测系统,其特征在于,所述信号处理系统,具体包括:
信号发射/接收单元,其用于向受测者的头部发射的第一微波信号和接收返回的第二微波信号;
增益单元,其用于对所述第一微波信号和所述第二微波信号进行增益放大;
滤波单元,其用于识别所述第一微波信号和所述第二微波信号中的杂波,并将所述杂波滤除;
信号转化单元,其用于将所述第一微波信号转化为第一数字信号,将所述第二微波信号转换为第二数字信号。
5.根据权利要求4所述的基于人工智能技术的微波无创颅内压连续监测系统,其特征在于,所述相关参数包含微波反射参数和传输参数。
6.根据权利要求5所述的基于人工智能技术的微波无创颅内压连续监测系统,其特征在于,所述特征分析模块,具体包括:
频率分析单元,其用于对所述第一数字信号和所述第二数据信号均分别建立频域图和时域图;
解析单元,其用于从所述频域图和所述时域图中解析出相关参数。
7.根据权利要求6所述的基于人工智能技术的微波无创颅内压连续监测系统,其特征在于,所述智能分析模块,具体包括:
设置单元,其用于将所述相关参数设置作为输入、将所述第一颅内压值设置作为输出;
智能训练单元,其用于根据所述设置单元的设置,利用人工智能算法进行训练,得到监测模型;
参数分析单元,其用于将所述相关参数输入所述监测模型进行分析,得到第二颅内压值。
8.根据权利要求1所述的基于人工智能技术的微波无创颅内压连续监测系统,其特征在于,所述处理模块,具体包括:
计算单元,其用于计算所述第二颅内压值的标准偏差;
比较单元,其用于比较所述标准偏差是否处于所述预测区间之内,得到比较结果;
处理单元,其用于根据所述比较结果执行相应的处理;其中,若所述比较结果为标准偏差处于所述预测区间之内,则将所述第二颅内压值输出;若所述比较结果为标准偏差处于所述预测区间之外,则执行下一步骤。
9.根据权利要求1所述的基于人工智能技术的微波无创颅内压连续监测系统,其特征在于,所述影响分析模块,具体包括:
判断单元,其用于判断所述第二颅内压值落入哪个预设阈值区间,得到判断结果;其中,预设阈值区间包含第一阈值区间、第二阈值区间和第三阈值区间;
确定单元,其用于根据所述判断结果确定影响因素,得到分析结果并输出。
10.一种根据权利要求1~9任一项所述的微波无创颅内压连续监测系统在连续监测受测者颅内压的用途。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211527185.2A CN115804582A (zh) | 2022-12-01 | 2022-12-01 | 基于人工智能技术的微波无创颅内压连续监测系统和用途 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211527185.2A CN115804582A (zh) | 2022-12-01 | 2022-12-01 | 基于人工智能技术的微波无创颅内压连续监测系统和用途 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115804582A true CN115804582A (zh) | 2023-03-17 |
Family
ID=85484608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211527185.2A Pending CN115804582A (zh) | 2022-12-01 | 2022-12-01 | 基于人工智能技术的微波无创颅内压连续监测系统和用途 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115804582A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100174179A1 (en) * | 2006-06-29 | 2010-07-08 | Medfield Diagnositcs Ab | Solution for internal monitoring of body |
CN103110408A (zh) * | 2013-03-14 | 2013-05-22 | 重庆大学 | 一种脑水肿监测装置 |
CN105324074A (zh) * | 2013-04-12 | 2016-02-10 | 奥森医疗科技有限公司 | 利用生物阻抗测量脑生理参数 |
WO2018127434A1 (en) * | 2017-01-09 | 2018-07-12 | Medfield Diagnostics Ab | Method and system for ensuring antenna contact and system function in applications of detecting internal dielectric properties in a body |
CN110177498A (zh) * | 2016-12-06 | 2019-08-27 | 麦德菲尔德诊断有限公司 | 用于检测主体中的不对称定位的内部对象的系统和方法 |
CN112932437A (zh) * | 2021-03-04 | 2021-06-11 | 深圳市第二人民医院(深圳市转化医学研究院) | 一种用于术后人体无线颅内压智能监控装置 |
-
2022
- 2022-12-01 CN CN202211527185.2A patent/CN115804582A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100174179A1 (en) * | 2006-06-29 | 2010-07-08 | Medfield Diagnositcs Ab | Solution for internal monitoring of body |
CN103110408A (zh) * | 2013-03-14 | 2013-05-22 | 重庆大学 | 一种脑水肿监测装置 |
CN105324074A (zh) * | 2013-04-12 | 2016-02-10 | 奥森医疗科技有限公司 | 利用生物阻抗测量脑生理参数 |
CN110177498A (zh) * | 2016-12-06 | 2019-08-27 | 麦德菲尔德诊断有限公司 | 用于检测主体中的不对称定位的内部对象的系统和方法 |
WO2018127434A1 (en) * | 2017-01-09 | 2018-07-12 | Medfield Diagnostics Ab | Method and system for ensuring antenna contact and system function in applications of detecting internal dielectric properties in a body |
CN112932437A (zh) * | 2021-03-04 | 2021-06-11 | 深圳市第二人民医院(深圳市转化医学研究院) | 一种用于术后人体无线颅内压智能监控装置 |
Non-Patent Citations (1)
Title |
---|
HAISHENG ZHANG,ET AL: "Experiment study on the detection of cerebral hemorrhage in rabbits based on broadband antenna technology", COMPUTER ASSISTED SURGERY, vol. 24, no. 1, 1 October 2019 (2019-10-01), pages 96 - 104 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110755076B (zh) | 磁共振扫描仪的图像采集方法、装置、设备和介质 | |
Zhu et al. | Stroke classification in simulated electromagnetic imaging using graph approaches | |
CN109077715A (zh) | 一种基于单导联的心电信号自动分类方法 | |
CN107595249B (zh) | 基于脉搏波的怀孕女性筛查方法 | |
CN110037668B (zh) | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 | |
WO2005041778A1 (en) | Analysis of auscultatory sounds using single value decomposition | |
WO2006079062A1 (en) | Analysis of auscultatory sounds using voice recognition | |
CN102458259A (zh) | 利用超声识别移动的解剖结构的方法和装置 | |
CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
CN112869716B (zh) | 一种基于双通道卷积神经网络的脉搏特征识别系统及方法 | |
US20220370031A1 (en) | Automated system and method of monitoring anatomical structures | |
CN115804582A (zh) | 基于人工智能技术的微波无创颅内压连续监测系统和用途 | |
CN109036552A (zh) | 中医诊断终端及其存储介质 | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
JP6706996B2 (ja) | 生体信号処理装置、異常判別方法およびプログラム | |
CN113243898B (zh) | 一种脑卒中数据处理设备及方法 | |
CN115040091A (zh) | 基于vmd算法的毫米波雷达生命信号提取方法 | |
Du et al. | 77GHz Millimeter-Wave Radar Vital Signs Detection Based on GA-VMD Algorithm | |
CN112842355A (zh) | 基于深度学习目标检测的心电信号心搏检测识别方法 | |
CN112043256A (zh) | 一种基于雷达的多目标心率实时测量方法 | |
Moukadem et al. | Automatic heart sound analysis module based on Stockwell transform | |
CN114098645B (zh) | 一种睡眠分期方法及装置 | |
CN117530666B (zh) | 呼吸异常识别模型训练方法、呼吸异常识别方法及设备 | |
Lu et al. | Uterine electromyography signal feature extraction and classification | |
CN114366164B (zh) | 一种动脉粥样硬化斑块超声定量评价与风险评估方法 |
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 |