CN116107194A - 一种激光器的自动切换控制方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及激光控制领域，公开了一种激光器的自动切换控制方法、装置、设备及存储介质，用于实现激光治疗仪的自动切换控制并提高激光设备的安全性。方法包括：分别构建输出功率数据对应的输出功率分布曲线以及反射功率数据对应的反射功率分布曲线，并根据输出功率分布曲线对反射功率分布曲线进行反射异常检测，得到反射异常数据集；对反射异常数据集进行权重设置，得到目标权重数据，并根据目标权重数据构建反射异常数据集的异常功率融合向量；将异常功率融合向量输入激光治疗仪模式分析模型进行激光治疗仪模式控制预测，得到第二控制模式；根据第二控制模式，对目标激光治疗仪进行控制模式切换。

Description

一种激光器的自动切换控制方法、装置、设备及存储介质

技术领域

本发明涉及激光控制领域，尤其涉及一种激光器的自动切换控制方法、装置、设备及存储介质。

背景技术

激光治疗仪是一种利用激光技术进行治疗的医疗设备。它通过激光产生的高能量光束，对人体的组织进行刺激和治疗。激光治疗仪广泛应用于医疗、美容、康复等领域，可用于治疗炎症、疼痛、创伤、疤痕、皮肤病等症状。激光治疗仪的优点包括无创、无痛、无副作用、治疗效果显著等。

但是目前激光治疗仪的功率很难达到精准的控制，容易导致激光治疗仪的安全性降低。

发明内容

本发明提供了一种激光器的自动切换控制方法、装置、设备及存储介质，用于实现激光治疗仪的自动切换控制并提高激光设备的安全性。

本发明第一方面提供了一种激光器的自动切换控制方法，所述激光器的自动切换控制方法包括：

获取目标激光治疗仪的原始激光功率数据，以及对所述原始激光功率数据进行数据筛选和时序关联处理，得到标准激光功率数据；

对所述标准激光功率数据进行数据集分类，得到输出功率数据和反射功率数据，并对所述输出功率数据进行控制模式分析，生成至少一个第一控制模式；

根据所述至少一个第一控制模式，分别构建所述输出功率数据对应的输出功率分布曲线以及所述反射功率数据对应的反射功率分布曲线，并根据所述输出功率分布曲线对所述反射功率分布曲线进行反射异常检测，得到反射异常数据集；

对所述反射异常数据集进行权重设置，得到目标权重数据，并根据所述目标权重数据构建所述反射异常数据集的异常功率融合向量；

将所述异常功率融合向量输入预置的激光治疗仪模式分析模型进行激光治疗仪模式控制预测，得到第二控制模式；

根据所述第二控制模式，对所述目标激光治疗仪进行控制模式切换，并对所述目标激光治疗仪进行反射功率实时监测，生成反射功率异常处理方案。

结合第一方面，在本发明第一方面的第一实施方式中，所述获取目标激光治疗仪的原始激光功率数据，以及对所述原始激光功率数据进行数据筛选和时序关联处理，得到标准激光功率数据，包括：

接收控制终端发送的激光治疗仪安全监控请求，并对所述激光治疗仪安全监控请求进行请求解析，得到对应的目标激光治疗仪；

调用预置的激光功率管理数据库，查询所述目标激光治疗仪对应的原始激光功率数据；

对所述原始激光功率数据进行数据筛选，得到筛选后的激光功率数据；

对所述筛选后的激光功率数据进行时序关联处理，得到标准激光功率数据。

结合第一方面，在本发明第一方面的第二实施方式中，所述对所述标准激光功率数据进行数据集分类，得到输出功率数据和反射功率数据，并对所述输出功率数据进行控制模式分析，生成至少一个第一控制模式，包括：

获取所述标准激光功率数据对应的输出特征标识和反射特征标识；

根据所述输出特征标识从所述标准激光功率数据中提取输出功率数据，以及根据所述反射特征标识查询所述标准激光功率数据中的反射功率数据；

对所述输出功率数据进行控制模式分析，生成至少一个第一控制模式。

结合第一方面，在本发明第一方面的第三实施方式中，所述根据所述至少一个第一控制模式，分别构建所述输出功率数据对应的输出功率分布曲线以及所述反射功率数据对应的反射功率分布曲线，并根据所述输出功率分布曲线对所述反射功率分布曲线进行反射异常检测，得到反射异常数据集，包括：

根据预置的功率数据拟合函数和所述至少一个第一控制模式，构建所述输出功率数据对应的输出功率分布曲线；

通过所述功率数据拟合函数，对所述反射功率数据进行曲线拟合，得到对应的反射功率分布曲线；

获取所述至少一个第一控制模式的反射功率标准参数；

根据所述反射功率标准参数和所述输出功率分布曲线对所述反射功率分布曲线进行反射异常检测，得到反射异常数据集。

结合第一方面，在本发明第一方面的第四实施方式中，所述根据所述反射功率标准参数和所述输出功率分布曲线对所述反射功率分布曲线进行反射异常检测，得到反射异常数据集，包括：

提取所述输出功率分布曲线中的多个第一特征值，以及提取所述反射功率分布曲线中的多个第二特征值；

对所述多个第一特征值进行均值计算，得到目标均值；

根据所述反射功率标准参数，对所述多个第一特征值和所述目标均值进行差值计算，得到每个第一特征值对应的特征差值；

对每个第一特征值对应的特征差值和预设的误差范围进行比较，得到每个特征差值对应的比较结果；

根据每个特征差值对应的比较结果，从所述多个第二特征值中提取多个反射异常特征值，并根据所述多个反射异常特征值生成反射异常数据集。

结合第一方面，在本发明第一方面的第五实施方式中，所述对所述反射异常数据集进行权重设置，得到目标权重数据，并根据所述目标权重数据构建所述反射异常数据集的异常功率融合向量，包括：

对所述反射异常数据集进行权重设置，得到目标权重数据；

对所述反射异常数据集进行数据集编码，得到反射编码数据，并对所述反射编码数据进行向量转换，得到初始向量；

根据所述目标权重数据，对所述初始向量进行权重系数设置，生成所述反射异常数据集的异常功率融合向量。

结合第一方面，在本发明第一方面的第六实施方式中，所述将所述异常功率融合向量输入预置的激光治疗仪模式分析模型进行激光治疗仪模式控制预测，得到第二控制模式，包括：

将所述异常功率融合向量输入预置的激光治疗仪模式分析模型，其中，所述激光治疗仪模式分析模型包括：双层长短时记忆网络、三层卷积网络以及两层全连接网络；

通过所述激光治疗仪模式分析模型对所述异常功率融合向量进行激光治疗仪模式控制预测，得到目标预测值；

根据所述目标预测值，从预置的多个候选控制模式中匹配第二控制模式。

本发明第二方面提供了一种激光器的自动切换控制装置，所述激光器的自动切换控制装置包括：

获取模块，用于获取目标激光治疗仪的原始激光功率数据，以及对所述原始激光功率数据进行数据筛选和时序关联处理，得到标准激光功率数据；

分类模块，用于对所述标准激光功率数据进行数据集分类，得到输出功率数据和反射功率数据，并对所述输出功率数据进行控制模式分析，生成至少一个第一控制模式；

构建模块，用于根据所述至少一个第一控制模式，分别构建所述输出功率数据对应的输出功率分布曲线以及所述反射功率数据对应的反射功率分布曲线，并根据所述输出功率分布曲线对所述反射功率分布曲线进行反射异常检测，得到反射异常数据集；

设置模块，用于对所述反射异常数据集进行权重设置，得到目标权重数据，并根据所述目标权重数据构建所述反射异常数据集的异常功率融合向量；

分析模块，用于将所述异常功率融合向量输入预置的激光治疗仪模式分析模型进行激光治疗仪模式控制预测，得到第二控制模式；

切换模块，用于根据所述第二控制模式，对所述目标激光治疗仪进行控制模式切换，并对所述目标激光治疗仪进行反射功率实时监测，生成反射功率异常处理方案。

本发明第三方面提供了一种激光器的自动切换控制设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述激光器的自动切换控制设备执行上述的激光器的自动切换控制方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的激光器的自动切换控制方法。

本发明提供的技术方案中，分别构建输出功率数据对应的输出功率分布曲线以及反射功率数据对应的反射功率分布曲线，并根据输出功率分布曲线对反射功率分布曲线进行反射异常检测，得到反射异常数据集；对反射异常数据集进行权重设置，得到目标权重数据，并根据目标权重数据构建反射异常数据集的异常功率融合向量；将异常功率融合向量输入激光治疗仪模式分析模型进行激光治疗仪模式控制预测，得到第二控制模式；根据第二控制模式，对目标激光治疗仪进行控制模式切换，本发明对目标激光治疗仪的原始激光功率数据进行实时的异常分析，进而使得激光治疗仪模式分析模型的激光治疗仪模式控制预测更加准确，然后对目标激光治疗仪进行控制模式切换，实现了激光治疗仪的自动切换控制，并且提高了激光设备的安全性。

附图说明

图1为本发明实施例中激光器的自动切换控制方法的一个实施例示意图；

图2为本发明实施例中数据集分类的流程图；

图3为本发明实施例中反射异常检测的流程图；

图4为本发明实施例中得到反射异常数据集的流程图；

图5为本发明实施例中激光器的自动切换控制装置的一个实施例示意图；

图6为本发明实施例中激光器的自动切换控制设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种激光器的自动切换控制方法、装置、设备及存储介质，用于实现激光治疗仪的自动切换控制并提高激光设备的安全性。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中激光器的自动切换控制方法的一个实施例包括：

S101、获取目标激光治疗仪的原始激光功率数据，以及对原始激光功率数据进行数据筛选和时序关联处理，得到标准激光功率数据；

可以理解的是，本发明的执行主体可以为激光器的自动切换控制装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

具体的，服务器获取目标激光治疗仪的原始激光功率数据，其中，服务器首先确定目标激光治疗仪的型号和连接方式，进而连接到目标激光治疗仪并获取其激光功率输出数据，其中，可以通过传感器、接口或API等方式进行访问，进而确认所获得的数据是否为目标激光治疗仪的有效输出数据，并根据需要进行数据转换和单位调整，需要说明的是，在对原始激光功率数据进行数据筛选和时序关联处理，得到标准激光功率数据时，服务器对原始数据进行预处理，包括去除异常值、噪声和不良数据点。可以使用算法、滤波器和统计方法进行数据清洗和过滤，进一步的，服务器将数据进行时序排序和关联处理，以获得标准激光功率数据。可以使用时间戳、采样频率和事件标记等方式进行数据关联和处理，最终得到标准激光功率数据。

S102、对标准激光功率数据进行数据集分类，得到输出功率数据和反射功率数据，并对输出功率数据进行控制模式分析，生成至少一个第一控制模式；

具体的，服务器对标准激光功率数据进行数据集分类，得到输出功率数据和反射功率数据，其中，服务器将标准激光功率数据根据不同的特征和属性进行分类，如时间、频率、波长、功率等，进而，服务器将分类后的数据集中的输出功率数据和反射功率数据分别提取出来，进而对输出功率数据进行基本统计分析，如均值、方差、标准差等，生成至少一个第一控制模式。

S103、根据至少一个第一控制模式，分别构建输出功率数据对应的输出功率分布曲线以及反射功率数据对应的反射功率分布曲线，并根据输出功率分布曲线对反射功率分布曲线进行反射异常检测，得到反射异常数据集；

具体的，根据第一控制模式确定输出功率数据的范围和变化规律，可以将其表示为一个概率分布函数，如正态分布、泊松分布等，进而，对输出功率数据进行统计分析和处理，生成输出功率分布曲线。可以使用科学绘图工具进行可视化和展示，进一步的，服务器对反射功率数据进行同样的处理，生成反射功率分布曲线，根据输出功率分布曲线的特征和参数，设定反射功率的阈值或区间范围，如平均值加减标准差、分位数等，对反射功率数据进行比较和判断，确定是否超出设定的阈值或范围，以判定是否存在反射异常，最终，提取该异常数据，生成反射异常数据集。

S104、对反射异常数据集进行权重设置，得到目标权重数据，并根据目标权重数据构建反射异常数据集的异常功率融合向量；

具体的，对反射异常数据集进行权重设置，得到目标权重数据，其中，服务器对反射异常数据集中的每个异常数据点进行分析，以确定其异常程度和影响因素，其中，该影响因素包括异常持续时间、频率、幅值等指标，根据异常数据的异常程度和影响因素，为每个异常数据点赋予相应的权重，其中，在赋予权重时，可以使用专家评估、模型预测、经验法则等方法进行权重设置，进一步的，服务器将反射异常数据集转化为一个异常功率矩阵，其中每行表示一个异常数据点，每列表示不同的指标或特征，进而将目标权重数据转化为一个权重向量，与异常功率矩阵进行加权平均，即可生成反射异常数据集的异常功率融合向量，例如，对反射异常数据集进行权重设置，基于异常持续时间、频率和幅值三个指标，为每个异常数据点赋予相应的权重。然后将反射异常数据集转化为一个异常功率矩阵，并将目标权重数据转化为一个权重向量。最后，使用算术平均方法，将异常功率矩阵与权重向量进行加权平均，即可生成反射异常数据集的异常功率融合向量。

S105、将异常功率融合向量输入预置的激光治疗仪模式分析模型进行激光治疗仪模式控制预测，得到第二控制模式；

具体的，服务器将异常功率融合向量输入预置的激光治疗仪模式分析模型进行激光治疗仪模式控制预测，得到第二控制模式，其中，需要说明的是，将异常功率融合向量输入预置的激光治疗仪模式分析模型中进行处理和预测，进而，服务器根据模型的输出结果，生成第二控制模式，用于调整激光治疗仪的控制参数和工作方式。例如，将异常功率融合向量输入预置的激光治疗仪模式分析模型中进行处理和预测，模型可以根据异常功率融合向量的特征和时间序列分析等方法，预测当前进程中激光输出的功率变化趋势和可能出现的异常情况，从而生成相应的第二控制模式，如自适应调整输出功率范围、变化速率等，避免激光功率过高或不足，从而保障治疗效果和安全性。

S106、根据第二控制模式，对目标激光治疗仪进行控制模式切换，并对目标激光治疗仪进行反射功率实时监测，生成反射功率异常处理方案。

具体的，服务器根据第二控制模式的输出结果，调整目标激光治疗仪的控制参数和工作方式，以适应当前治疗进程中的变化，需要说明的是，在控制模式切换的过程中，需要保证无缝切换，同时避免出现误操作和安全隐患，对反射功率进行实时监测，并记录监测数据时，服务器可以使用传感器、接口或API等方式进行访问，以获取反射功率数据，其中，在生成反射功率异常处理方案时，服务器对历史反射功率数据进行分析，以了解其基本特征和分布情况，其中，基于第二控制模式和反射功率数据的实时监测结果，对反射功率异常进行识别和分类，根据异常的严重程度和影响因素，制定相应的反射功率异常处理方案，如自动报警、停止治疗、手动干预等。同时需要考虑患者的个体差异和安全风险，例如，根据第二控制模式的输出结果，调整激光治疗仪的控制参数和工作方式，以适应当前进程中的变化。同时实时监测反射功率数据，基于历史数据和实时监测结果，对反射功率异常进行识别和分类。对于严重的反射功率异常，可以自动报警或停止治疗；对于较轻微的反射功率异常，可以通过手动干预和调整，重新调整激光治疗仪的控制参数和工作方式。

本发明实施例中，分别构建输出功率数据对应的输出功率分布曲线以及反射功率数据对应的反射功率分布曲线，并根据输出功率分布曲线对反射功率分布曲线进行反射异常检测，得到反射异常数据集；对反射异常数据集进行权重设置，得到目标权重数据，并根据目标权重数据构建反射异常数据集的异常功率融合向量；将异常功率融合向量输入激光治疗仪模式分析模型进行激光治疗仪模式控制预测，得到第二控制模式；根据第二控制模式，对目标激光治疗仪进行控制模式切换，本发明对目标激光治疗仪的原始激光功率数据进行实时的异常分析，进而使得激光治疗仪模式分析模型的激光治疗仪模式控制预测更加准确，然后对目标激光治疗仪进行控制模式切换，实现了激光治疗仪的自动切换控制，并且提高了激光设备的安全性。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）接收控制终端发送的激光治疗仪安全监控请求，并对激光治疗仪安全监控请求进行请求解析，得到对应的目标激光治疗仪；

（2）调用预置的激光功率管理数据库，查询目标激光治疗仪对应的原始激光功率数据；

（3）对原始激光功率数据进行数据筛选，得到筛选后的激光功率数据；

（4）对筛选后的激光功率数据进行时序关联处理，得到标准激光功率数据。

具体的，服务器接收控制终端发送的激光治疗仪安全监控请求，解析请求报文中的目标激光治疗仪信息，根据目标激光治疗仪信息，确定需要进行安全监控和数据处理的激光治疗仪设备，根据目标激光治疗仪信息，调用预置的激光功率管理数据库，查询该设备对应的原始激光功率数据集，对查询结果进行验证和检测，确保数据的完整性和可靠性，进而，服务器对原始激光功率数据进行数据筛选，得到筛选后的激光功率数据，最终，服务器对原始激光功率数据进行质量控制和处理，去除不合格的数据点和异常值，对经过质量控制和处理的原始激光功率数据进行分类和筛选，得到符合要求的激光功率子集，对筛选后的激光功率数据进行时序关联处理，得到标准激光功率数据，对筛选后的激光功率数据进行时序关联处理，包括时间戳对齐、插值、平滑等操作，以获得更加准确和稳定的标准激光功率数据，对标准激光功率数据进行进一步处理和分析，如分类、聚类、回归等方法。例如，根据控制终端发送的激光治疗仪安全监控请求，解析请求报文中的目标激光治疗仪信息。然后，调用预置的激光功率管理数据库，查询目标激光治疗仪对应的原始激光功率数据。对查询结果进行质量控制和处理，并对符合要求的激光功率数据进行时序关联处理，得到标准激光功率数据。

在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：

S201、获取标准激光功率数据对应的输出特征标识和反射特征标识；

S202、根据输出特征标识从标准激光功率数据中提取输出功率数据，以及根据反射特征标识查询标准激光功率数据中的反射功率数据；

S203、对输出功率数据进行控制模式分析，生成至少一个第一控制模式。

具体的，服务器确定需要提取的输出特征标识和反射特征标识，进而服务器通过对标准激光功率数据进行分析和处理，提取相应的特征标识，并存储到数据库或文件中，根据输出特征标识从标准激光功率数据中提取输出功率数据，以及根据反射特征标识查询标准激光功率数据中的反射功率数据，根据输出特征标识从标准激光功率数据中提取输出功率数据，可以使用相关工具库和算法进行快速提取和分析，根据反射特征标识查询标准激光功率数据中的反射功率数据，可以使用数据库或文件系统等方式进行访问和检索，进而，服务器对输出功率数据进行控制模式分析，可以使用聚类、分类、回归等方法进行建模和预测。根据实验设计和分析需求，生成至少一个第一控制模式，需要说明的是，第一控制模式可以基于多种因素进行建模和优化，包括时间序列特征、空间特征、频域特征等。同时需要考虑患者的个体差异和安全风险。例如，根据标准激光功率数据的输出特征标识和反射特征标识，从数据集中提取输出功率数据和反射功率数据。然后，对输出功率数据进行控制模式分析，生成至少一个第一控制模式。可以使用聚类算法、分类方法或机器学习模型等方法进行建模和预测，以达到治疗效果和安全性的最优化。

在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：

S301、根据预置的功率数据拟合函数和至少一个第一控制模式，构建输出功率数据对应的输出功率分布曲线；

S302、通过功率数据拟合函数，对反射功率数据进行曲线拟合，得到对应的反射功率分布曲线；

S303、获取至少一个第一控制模式的反射功率标准参数；

S304、根据反射功率标准参数和输出功率分布曲线对反射功率分布曲线进行反射异常检测，得到反射异常数据集。

具体的，服务器构建输出功率分布曲线，首先，根据预置的功率数据拟合函数和至少一个第一控制模式，可以构建输出功率数据对应的输出功率分布曲线，需要说明的是，输出功率分布曲线描述了系统在不同功率下所产生的输出信号分布情况，进一步的，服务器通过功率数据拟合函数，对反射功率数据进行曲线拟合，得到对应的反射功率分布曲线。在此步骤中，需要将反射功率数据输入到之前构建的功率数据拟合函数中，获取反射功率对应的输出功率值，然后拟合反射功率数据，得到反射功率分布曲线，需要说明的是，反射功率分布曲线描述了系统在不同功率下所产生的反射信号分布情况，进而，服务器获取至少一个第一控制模式的反射功率标准参数。反射功率标准参数是指在特定功率下，反射功率的期望值和方差等统计指标。这个过程通常需要使用多组反射功率数据，计算出每个功率下的反射功率统计指标，然后将其作为反射功率标准参数，最终，服务器根据反射功率标准参数和输出功率分布曲线对反射功率分布曲线进行反射异常检测，得到反射异常数据集。这个过程涉及到比较反射功率分布曲线与它们的期望值和方差等统计指标之间的差异，以判断反射信号是否存在异常现象。

在一具体实施例中，如图4所示，执行步骤S304的过程可以具体包括如下步骤：

S401、提取输出功率分布曲线中的多个第一特征值，以及提取反射功率分布曲线中的多个第二特征值；

S402、对多个第一特征值进行均值计算，得到目标均值；

S403、根据反射功率标准参数，对多个第一特征值和目标均值进行差值计算，得到每个第一特征值对应的特征差值；

S404、对每个第一特征值对应的特征差值和预设的误差范围进行比较，得到每个特征差值对应的比较结果；

S405、根据每个特征差值对应的比较结果，从多个第二特征值中提取多个反射异常特征值，并根据多个反射异常特征值生成反射异常数据集。

服务器对于提取输出功率分布曲线中的多个第一特征值和反射功率分布曲线中的多个第二特征值，通过采用各种信号处理和数据分析技术。例如，在输出功率分布曲线和反射功率分布曲线上可以使用峰值检测算法来识别并提取每个特征值所对应的频率或幅度，进一步的，对多个第一特征值进行均值计算，得到目标均值，对于此步骤，可以使用NumPy中的mean()函数对多个第一特征值进行求均值操作，从而得到目标均值，根据反射功率标准参数，对多个第一特征值和目标均值进行差值计算，得到每个第一特征值对应的特征差值，服务器通过简单数学运算符和数组操作，将反射功率标准参数与多个第一特征值和目标均值进行比较，从而得到每个第一特征值对应的特征差值。对每个第一特征值对应的特征差值和预设的误差范围进行比较，得到每个特征差值对应的比较结果，服务器通过比较运算符和逻辑运算符，将每个第一特征值对应的特征差值与预设的误差范围进行比较，并生成相应的比较结果，进一步的，服务器根据每个特征差值对应的比较结果，从多个第二特征值中选择反射异常特征值，例如，基于聚类的异常检测算法，通过找到数据集中的“离群点”来识别反射异常特征值。

在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：

（1）对反射异常数据集进行权重设置，得到目标权重数据；

（2）对反射异常数据集进行数据集编码，得到反射编码数据，并对反射编码数据进行向量转换，得到初始向量；

（3）根据目标权重数据，对初始向量进行权重系数设置，生成反射异常数据集的异常功率融合向量。

具体的，对反射异常数据集进行权重设置，得到目标权重数据，其中，服务器对反射异常数据集中的每个异常数据点进行分析，以确定其异常程度和影响因素，其中，该影响因素包括异常持续时间、频率、幅值等指标，根据异常数据的异常程度和影响因素，为每个异常数据点赋予相应的权重，其中，在赋予权重时，可以使用专家评估、模型预测、经验法则等方法进行权重设置，进一步的，服务器将反射异常数据集转化为一个异常功率矩阵，其中每行表示一个异常数据点，每列表示不同的指标或特征，进而将目标权重数据转化为一个权重向量，与异常功率矩阵进行加权平均，即可生成反射异常数据集的异常功率融合向量，例如，对反射异常数据集进行权重设置，基于异常持续时间、频率和幅值三个指标，为每个异常数据点赋予相应的权重。然后将反射异常数据集转化为一个异常功率矩阵，并将目标权重数据转化为一个权重向量。最后，使用算术平均方法，将异常功率矩阵与权重向量进行加权平均，即可生成反射异常数据集的异常功率融合向量。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）将异常功率融合向量输入预置的激光治疗仪模式分析模型，其中，激光治疗仪模式分析模型包括：双层长短时记忆网络、三层卷积网络以及两层全连接网络；

（2）通过激光治疗仪模式分析模型对异常功率融合向量进行激光治疗仪模式控制预测，得到目标预测值；

（3）根据目标预测值，从预置的多个候选控制模式中匹配第二控制模式。

需要说明的是，对于给定的异常功率融合向量，服务器将其输入到模型中进行前向传播计算，以得到输出结果，其中，服务器通过激光治疗仪模式分析模型对异常功率融合向量进行激光治疗仪模式控制预测，得到目标预测值：在模型的前向传播计算过程中，异常功率融合向量会依次通过每个网络层，并经过各种非线性变换和特征提取操作。最终，服务器将得到一个预测结果，即激光治疗仪的预测控制模式，服务器可以利用预先配置好的控制模式列表，根据预测结果匹配出最匹配的控制模式。这个过程通常涉及到模式匹配算法，例如哈希表或基于文本相似度的匹配算法。

上面对本发明实施例中激光器的自动切换控制方法进行了描述，下面对本发明实施例中激光器的自动切换控制装置进行描述，请参阅图5，本发明实施例中激光器的自动切换控制装置一个实施例包括：

获取模块501，用于获取目标激光治疗仪的原始激光功率数据，以及对所述原始激光功率数据进行数据筛选和时序关联处理，得到标准激光功率数据；

分类模块502，用于对所述标准激光功率数据进行数据集分类，得到输出功率数据和反射功率数据，并对所述输出功率数据进行控制模式分析，生成至少一个第一控制模式；

构建模块503，用于根据所述至少一个第一控制模式，分别构建所述输出功率数据对应的输出功率分布曲线以及所述反射功率数据对应的反射功率分布曲线，并根据所述输出功率分布曲线对所述反射功率分布曲线进行反射异常检测，得到反射异常数据集；

设置模块504，用于对所述反射异常数据集进行权重设置，得到目标权重数据，并根据所述目标权重数据构建所述反射异常数据集的异常功率融合向量；

分析模块505，用于将所述异常功率融合向量输入预置的激光治疗仪模式分析模型进行激光治疗仪模式控制预测，得到第二控制模式；

切换模块506，用于根据所述第二控制模式，对所述目标激光治疗仪进行控制模式切换，并对所述目标激光治疗仪进行反射功率实时监测，生成反射功率异常处理方案。

通过上述各个组成部分的协同合作，分别构建输出功率数据对应的输出功率分布曲线以及反射功率数据对应的反射功率分布曲线，并根据输出功率分布曲线对反射功率分布曲线进行反射异常检测，得到反射异常数据集；对反射异常数据集进行权重设置，得到目标权重数据，并根据目标权重数据构建反射异常数据集的异常功率融合向量；将异常功率融合向量输入激光治疗仪模式分析模型进行激光治疗仪模式控制预测，得到第二控制模式；根据第二控制模式，对目标激光治疗仪进行控制模式切换，本发明对目标激光治疗仪的原始激光功率数据进行实时的异常分析，进而使得激光治疗仪模式分析模型的激光治疗仪模式控制预测更加准确，然后对目标激光治疗仪进行控制模式切换，实现了激光治疗仪的自动切换控制，并且提高了激光设备的安全性。

上面图5行详细描述，下面从硬件处理的角度对本发明实施例中激光器的自动切换控制设备进行详细描述。

图6是本发明实施例提供的一种激光器的自动切换控制设备的结构示意图，该激光器的自动切换控制设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对激光器的自动切换控制设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在激光器的自动切换控制设备600上执行存储介质630中的一系列指令操作。

激光器的自动切换控制设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的激光器的自动切换控制设备结构并不构成对激光器的自动切换控制设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种激光器的自动切换控制设备，所述激光器的自动切换控制设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述激光器的自动切换控制方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述激光器的自动切换控制方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种激光器的自动切换控制方法，其特征在于，所述激光器的自动切换控制方法包括：

获取目标激光治疗仪的原始激光功率数据，以及对所述原始激光功率数据进行数据筛选和时序关联处理，得到标准激光功率数据；

对所述标准激光功率数据进行数据集分类，得到输出功率数据和反射功率数据，并对所述输出功率数据进行控制模式分析，生成至少一个第一控制模式；

根据所述至少一个第一控制模式，分别构建所述输出功率数据对应的输出功率分布曲线以及所述反射功率数据对应的反射功率分布曲线，并根据所述输出功率分布曲线对所述反射功率分布曲线进行反射异常检测，得到反射异常数据集；

对所述反射异常数据集进行权重设置，得到目标权重数据，并根据所述目标权重数据构建所述反射异常数据集的异常功率融合向量；

将所述异常功率融合向量输入预置的激光治疗仪模式分析模型进行激光治疗仪模式控制预测，得到第二控制模式；

根据所述第二控制模式，对所述目标激光治疗仪进行控制模式切换，并对所述目标激光治疗仪进行反射功率实时监测，生成反射功率异常处理方案。

2.根据权利要求1所述的激光器的自动切换控制方法，其特征在于，所述获取目标激光治疗仪的原始激光功率数据，以及对所述原始激光功率数据进行数据筛选和时序关联处理，得到标准激光功率数据，包括：

接收控制终端发送的激光治疗仪安全监控请求，并对所述激光治疗仪安全监控请求进行请求解析，得到对应的目标激光治疗仪；

调用预置的激光功率管理数据库，查询所述目标激光治疗仪对应的原始激光功率数据；

对所述原始激光功率数据进行数据筛选，得到筛选后的激光功率数据；

对所述筛选后的激光功率数据进行时序关联处理，得到标准激光功率数据。

3.根据权利要求1所述的激光器的自动切换控制方法，其特征在于，所述对所述标准激光功率数据进行数据集分类，得到输出功率数据和反射功率数据，并对所述输出功率数据进行控制模式分析，生成至少一个第一控制模式，包括：

获取所述标准激光功率数据对应的输出特征标识和反射特征标识；

根据所述输出特征标识从所述标准激光功率数据中提取输出功率数据，以及根据所述反射特征标识查询所述标准激光功率数据中的反射功率数据；

对所述输出功率数据进行控制模式分析，生成至少一个第一控制模式。

4.根据权利要求1所述的激光器的自动切换控制方法，其特征在于，所述根据所述至少一个第一控制模式，分别构建所述输出功率数据对应的输出功率分布曲线以及所述反射功率数据对应的反射功率分布曲线，并根据所述输出功率分布曲线对所述反射功率分布曲线进行反射异常检测，得到反射异常数据集，包括：

根据预置的功率数据拟合函数和所述至少一个第一控制模式，构建所述输出功率数据对应的输出功率分布曲线；

通过所述功率数据拟合函数，对所述反射功率数据进行曲线拟合，得到对应的反射功率分布曲线；

获取所述至少一个第一控制模式的反射功率标准参数；

根据所述反射功率标准参数和所述输出功率分布曲线对所述反射功率分布曲线进行反射异常检测，得到反射异常数据集。

5.根据权利要求4所述的激光器的自动切换控制方法，其特征在于，所述根据所述反射功率标准参数和所述输出功率分布曲线对所述反射功率分布曲线进行反射异常检测，得到反射异常数据集，包括：

提取所述输出功率分布曲线中的多个第一特征值，以及提取所述反射功率分布曲线中的多个第二特征值；

对所述多个第一特征值进行均值计算，得到目标均值；

根据所述反射功率标准参数，对所述多个第一特征值和所述目标均值进行差值计算，得到每个第一特征值对应的特征差值；

对每个第一特征值对应的特征差值和预设的误差范围进行比较，得到每个特征差值对应的比较结果；

根据每个特征差值对应的比较结果，从所述多个第二特征值中提取多个反射异常特征值，并根据所述多个反射异常特征值生成反射异常数据集。

6.根据权利要求1所述的激光器的自动切换控制方法，其特征在于，所述对所述反射异常数据集进行权重设置，得到目标权重数据，并根据所述目标权重数据构建所述反射异常数据集的异常功率融合向量，包括：

对所述反射异常数据集进行权重设置，得到目标权重数据；

对所述反射异常数据集进行数据集编码，得到反射编码数据，并对所述反射编码数据进行向量转换，得到初始向量；

根据所述目标权重数据，对所述初始向量进行权重系数设置，生成所述反射异常数据集的异常功率融合向量。

7.根据权利要求1所述的激光器的自动切换控制方法，其特征在于，所述将所述异常功率融合向量输入预置的激光治疗仪模式分析模型进行激光治疗仪模式控制预测，得到第二控制模式，包括：

将所述异常功率融合向量输入预置的激光治疗仪模式分析模型，其中，所述激光治疗仪模式分析模型包括：双层长短时记忆网络、三层卷积网络以及两层全连接网络；

通过所述激光治疗仪模式分析模型对所述异常功率融合向量进行激光治疗仪模式控制预测，得到目标预测值；

根据所述目标预测值，从预置的多个候选控制模式中匹配第二控制模式。

8.一种激光器的自动切换控制装置，其特征在于，所述激光器的自动切换控制装置包括：

获取模块，用于获取目标激光治疗仪的原始激光功率数据，以及对所述原始激光功率数据进行数据筛选和时序关联处理，得到标准激光功率数据；

分类模块，用于对所述标准激光功率数据进行数据集分类，得到输出功率数据和反射功率数据，并对所述输出功率数据进行控制模式分析，生成至少一个第一控制模式；

构建模块，用于根据所述至少一个第一控制模式，分别构建所述输出功率数据对应的输出功率分布曲线以及所述反射功率数据对应的反射功率分布曲线，并根据所述输出功率分布曲线对所述反射功率分布曲线进行反射异常检测，得到反射异常数据集；

设置模块，用于对所述反射异常数据集进行权重设置，得到目标权重数据，并根据所述目标权重数据构建所述反射异常数据集的异常功率融合向量；

分析模块，用于将所述异常功率融合向量输入预置的激光治疗仪模式分析模型进行激光治疗仪模式控制预测，得到第二控制模式；

切换模块，用于根据所述第二控制模式，对所述目标激光治疗仪进行控制模式切换，并对所述目标激光治疗仪进行反射功率实时监测，生成反射功率异常处理方案。

9.一种激光器的自动切换控制设备，其特征在于，所述激光器的自动切换控制设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述激光器的自动切换控制设备执行如权利要求1-7中任一项所述的激光器的自动切换控制方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的激光器的自动切换控制方法。

Images