CN116935009A - 基于历史数据分析进行预测的手术导航系统 - Google Patents

Abstract

本发明公开了基于历史数据分析进行预测的手术导航系统，包括模块：数据采集模块、数据预处理模块、数据可视化模块、自适应手术导航预测模型训练模块、自适应手术导航预测模型评估模块、实时预测与导航模块和持续学习与更新模块。本发明属于手术导航技术领域，具体是指基于历史数据分析进行预测的手术导航系统，本方案采用邓氏灰色关联度算法和直方图均衡化进行图像修复和增强，提高图像的质量和可视化效果的稳定性；采用K折交叉验证，准确评估模型泛化能力；采用集成分类模型加以贝叶斯优化参数能够快速处理大量特征和样本，快速更新数据图像，提高导航精准度，有较强的预测能力和鲁棒性，能够评估特征的重要性。

Description

基于历史数据分析进行预测的手术导航系统

技术领域

本发明属于手术导航技术领域，具体是基于历史数据分析进行预测的手术导航系统。

背景技术

根据历史数据分析进行预测的手术导航系统是一种用数据分析出来的事物之间的模式、趋势和关联性帮助医生进行准确的操作和决断，旨在更好地帮助医生减少手术风险和并发症的发生，发生突发情况时能够迅速找到最优解决方案，为患者提供更安全、高效和精确的医疗服务。但是现有的手术导航存在空间信息不全、手术传感器误差和软组织变形的技术问题；存在影像质量和图像处理结果准确性和稳定性不高的技术问题；存在数据集的限制、样本的不均衡性和在特定情况下算法的不准确性的技术问题；存在模型复杂、样本数据量大、导航结果精度较低和数据图像更新进度慢的技术问题。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供的基于历史数据分析进行预测的手术导航系统，针对存在空间信息不全、手术传感器误差和软组织变形的技术问题，采用三维重建技术，将成像和定位数据与手术场景结合，重建解剖结构，实时更新软组织形状变化，生成模拟的导航图像，为医生提供更全面的空间信息；针对影像质量以及图像处理结果准确性和稳定性不高的技术问题，采用邓氏灰色关联度算法和直方图均衡化进行图像修复和增强，提高图像的质量和可视化效果的稳定性；针对存在数据集的限制、样本的不均衡性和在特定情况下算法的不准确性的技术问题，采用K折交叉验证，准确评估模型泛化能力，避免过拟合，减少因数据集的限制，样本的不均衡性和特定情况下算法的不准确性而引起的偏差；针对存在模型复杂，样本数据量大，导航结果精度较低和数据图像更新进度慢的技术问题，采用集成分类模型加以贝叶斯优化参数能够快速处理大量特征和样本，快速更新数据图像，提高导航精准度，有较强的预测能力和鲁棒性，能够评估特征的重要性。

本发明提供的基于历史数据分析进行预测的手术导航系统，包括数据采集模块、数据预处理模块、数据可视化模块、自适应手术导航预测模型训练模块、自适应手术导航预测模型评估模块、实时预测与导航模块和持续学习与更新模块；

所述数据采集模块使用各种传感器收集手术过程中的生命体征数据和影像数据，并将数据发送至数据预处理模块；

所述数据预处理模块采用小波去噪的方法对数据进行去噪，以及进行缺失值填充和异常值处理，并对数据进行归一化转换后进行特征选择与数据分割，将训练集数据发送至数据可视化模块和自适应手术导航预测模型训练模块，将验证集数据发送至自适应手术导航预测模型评估模块；

所述数据可视化模块对影像数据进行图像增强和滤波处理，并转化成灰度图像，采用邓氏灰色关联度算法和直方图均衡化进行图像修复和增强，进行三维重建和区位分割与标记，对影像中的区域进行计量和量化，将成像和定位数据与手术场景结合，生成模拟的导航图像，提供给医生参考和操作；

所述自适应手术导航预测模型训练模块建立集成分类模型，将数据特征作为样本输入，将手术过程和结果相关的标签作为输出，并基于贝叶斯定理建立高斯回归过程拟合参数间的关系，多次迭代，进行参数优化与更新，预测手术中存在的问题和结果；

所述自适应手术导航预测模型评估模块使用K折交叉验证的方法，将数据进行分组标记，确保每组数据都做过验证集，并进行训练和性能评估，选择最优模型参数，提高模型泛化能力，更准确地评估模型性能；

所述实时预测与导航模块将病人的实时数据输入到训练好的模型中，实时为医生提供导航和决策支持；

所述持续学习与更新模块将采集的数据与专家反馈相结合，发现模型问题，并不断优化更新。

进一步地，在数据采集模块中，获取历史手术中的生命体征数据和影像数据，使用传感器收集手术过程中的生命体征数据以及通过设备获取手术过程中的影像数据。

进一步地，在数据预处理模块中，设有数据清洗单元、数据转换单元、特征选择单元和数据分割单元，具体包括以下内容：

数据清洗单元，将数据采集模块采集的历史生命体征数据和影像数据用小波去噪的方法去除数据中的噪声，以及进行缺失值填充和异常值处理，处理过程如下：

使用两个互补的高通和低通滤波器得到分解水平，然后剔除一半的样本；滤波器的切割频率等于所分析信号的带宽的一半，采用以下母体小波进行分析，所用公式如下：

；

式中，t为自变量，表示时间轴上的位置，n为时间平移系数，m为尺度系数，φ是一个基准的连续小波函数；

确定每个分解层次的细节系数的阈值根据以下关系：

；

式中，THR_J表示求解的阈值函数，cD_j表示离散小波变换中信号第j层次的高频部分，c表示该高频部分的离散小波系数；

修改指定阈值的第j级细节系数基的值,所用公式如下：

；

式中，sgn表示一个数的符号；

基于近似系数修正细节系数并进行更高水平的分解来重建信号x_i（t），所用公式如下：

；

式中，ω_k（t）是第k级分解的缩放函数，而是m=m₀，......，m_k级分解的小波函数，cA_m，n是近似系数，cD_m，n是细节系数；

数据转换单元，对数据进行归一化变换来改变数据的数值范围、分布和表示形式；

特征选择单元，从转换的数据中选择最具有代表性的特征，去除冗余和不相关特征；

数据分割单元，将数据划分为训练集和验证集，用于模型的训练、调优和评估，将数据采集模块获得的历史数据及对应标签作为样本数据，随机将90%的样本数据作为训练数据集，剩余的10%的比例划分为验证数据集。

进一步地，在数据可视化模块中，设有图像增强修复单元、直方图均衡化单元、三维重建单元、区域分割与标记单元和计量和量化单元，具体包括以下内容：

图像增强修复单元，采用邓氏灰色关联度算法进行修复，具体内容如下：

将数据采集模块中获取的影像数据图像转换为灰度图像，预先设有m1个评价对象和n1个评价指标，其中评价对象用a表示为a={a₁，a₂，…，a_m1}，评价指标用b表示为b={b₁，b₂，…，b_n1}，采用极小－极大标准化进行数据标准化；

计算关联度矩阵，采用欧式距离进行度量，所用公式如下：

R（a，b）=|X（a，b）-Y（b）|；

式中，R（a，b）表示评价对象a和评价指标b之间的关联度，X（a，b）为标准化后的数据，Y（b）为各评价指标b的参考序列；

将关联度矩阵中的原始关联度值归一化到[0，1]之间，得到关联度系数，所用公式如下：

；

式中，C（a，b）表示评价对象a和评价指标b之间的关联度系数，min（R（a，：））和max（R（a，：））分别表示第a行中的最小关联度值和最大关联度值，是分辨系数且/>；

计算综合关联度，预先设定权重，将各个指标的关联度系数按权重加权求和，得到综合关联度值，所用公式如下：

；

式中，G（a）表示评价对象a的综合关联度，w（k）表示第k个指标的权重，C（a，k）表示评价对象a和指标k之间的关联度系数；

应用基于分数阶微分的Halbert预测模型进行滤波处理，预先收集时间序列信号，并表示为复数形式，通过Halbert变换将其转化为复解析信号，所用公式如下：

X（t）=x（t）+jH{x（t）}；

式中，原始时间序列为x（t），其Halbert变换后的复解析信号为X（t），j为虚数单位，H{x（t）}表示对x（t）进行Halbert变换得到的解析信号；

基于Halbert变换得到的复解析信号，进行分数阶微分运算，公式如下：

；

式中，D^α表示α阶分数阶微分，α为分数阶导数的阶数，Cⁿ为组合数；

基于分数阶微分得到的新序列D^αX（t），使用自回归模型AR进行参数估计和模型构建；根据建立的预测模型，对未来时间步进行预测并得到预测值y（t+Δt），再通过逆变换将预测值转换回原始时间序列的尺度；根据预测模型得到的预测值，对影像数据图像进行预测修复和图像增强；

直方图均衡化单元，使用直方图均衡化来提高图像的质量和可视化效果，具体内容如下：

计算图像的灰度直方图，统计图像中每个灰度级的像素数量；计算累积分布函数，将每个灰度级的像素数量转换为累计值，得到一个表示灰度级分布累计的函数；计算归一化的累积分布函数：将累积分布函数进行归一化，将其映射到0到255的范围内；映射像素值，对于图像中的每个像素，使用归一化的累积分布函数来映射其灰度级；生成均衡化后的图像，使用映射后的像素值重新构建图像；

三维重建单元，对连续切片的二维图像数据进行三维重建，具体内容如下：

传感器数据采集，使用深度摄像头获取人体内部环境信息；构建点云图，使用视觉SLAM算法构建点云环境图；位姿估计，通过SLAM算法，实时估计移动平台在三维空间中的位置和方向；点云匹配，根据已建立的地图和新获取的传感器数据，使用点云配准技术将新的点云与现有地图进行匹配和融合；点云处理和滤波，对融合后的点云进行后处理，包括滤波、去噪和特征提取；地图维护和更新，实时更新地图，保持与环境的一致性；

区域分割与标记单元，对影像中的结构、组织和异常区域进行阈值分割和标记；

计量和量化单元，对影像中感兴趣的结构进行计量和量化分析，包括测量尺寸、体积、密度和血流参数，使用软件提供的测量工具进行定量分析。

进一步地，在自适应手术导航预测模型训练模块中，设有建立决策模型单元、样本输入单元、确定预测结果单元、参数优化单元，具体内容如下：

建立决策模型单元，建立集成分类模型，所用公式如下：

；

式中，θ_q表示服从独立同分布的随机向量，q表示第q个决策树，Q是决策树的数量，y是每棵树最优投票的已知变量；

样本输入单元，将数据分割单元的训练集样本输入到每个决策树中，得到每个决策树的预测结果；

确定预测结果单元，根据每个决策树的预测结果，通过取平均值的策略，确定最终的预测结果；

参数优化单元，基于贝叶斯定理进行参数优化，建立高斯回归过程模型来拟合参数值和目标函数之间的关系，寻找最优参数，具体内容如下：

预先设有一组超参数组合是；

设函数f：x→R，在x∈X内找到，即找到一个/>值，使函数f（x）处取最小值；

式中，x为森林中最大的树深度，R是实数集，X作为随机变量的集合，f（x）服从联合高斯分布；

统计特性根据均值函数m（x）和协方差函数k1（x，x’）表示，所用公式如下：

；

；

模型表示为Y=f（x）+ε；

式中，ε为独立随机变量，服从高斯分布，ε~N（0，σ_n ²），σ_n ²表示噪声的方差，x’是森林中最大的树深度的目标函数；

联合先验分布表示为：

；

式中，是未知点的集合，/>是/>的预测结果，K是高斯过程的核函数，I_n是期望的提升量，k1是协方差；

求解后验分布，使用贝叶斯推断方法，基于已有的参数样本数据和目标函数的观测值，求解后验分布；更新参数样本数据，根据后验分布，选择一个达到较好性能的参数组合；更新模型参数，将新的参数样本数据和相应的目标函数观测值添加到已有的样本中，更新高斯回归过程模型；设定最大迭代次数来确定何时停止迭代过程，结束优化；输出最优参数，根据优化结果，输出最优的参数组合及对应的目标函数值。

进一步地，在自适应手术导航预测模型评估模块中，设有数据分组单元、分类标记单元、训练评估单元、重复单元和性能评估单元，具体内容如下：

数据分组单元，将验证数据集分为k_z个大小相似的子集，称为折；

分类标记单元，对于每个折，使用该折作为验证集，剩下的k_z-1个折作为训练集；

训练评估单元，使用训练集对模型进行训练，并使用验证集对模型进行评估，记录评估指标：准确率、精确率和召回率；

重复单元，重复分类标记单元和训练评估单元，直到每个折都充当过一次验证集；

性能评估单元，统计k_z次训练的评估指标，计算平均值和标准差，得到最终的模型性能评估结果，预先设有评估阈值，当评估结果低于评估阈值时重新划分数据集建立模型。

进一步地，在实时预测与导航模块中，具体为在实际手术中，采集病人的实时数据，输入到训练好的自适应手术导航预测模型中，实时预测出现的手术问题和结果，并根据预测结果，为医生提供实施导航和决策的支持。

进一步地，在持续学习和更新模块中，具体为根据实时采集的数据和医生的反馈，对自适应手术导航预测模型进行持续学习和更新，不断提高模型预测的准确性和适应性。

采用上述方案本发明取得的有益效果如下：

（1）针对存在空间信息不全、手术传感器误差和软组织变形的技术问题，本方案采取三维重建技术，将成像和定位数据与手术场景结合，重建解剖结构，实时更新软组织形状变化，生成模拟的导航图像，为医生提供更全面的空间信息；

（2）针对存在数据集的限制、样本的不均衡性和在特定情况下算法的不准确性的技术问题，采用K折交叉验证，准确评估模型泛化能力，避免过拟合，减少因数据集的限制，样本的不均衡以及随机性和特定情况下算法的不准确性而引起的偏差；

（3）针对存在模型复杂，样本数据量大，导航结果精度较低和数据图像更新进度慢的技术问题，采用集成分类模型加以贝叶斯优化参数能够快速处理大量特征和样本，快速更新数据图像，提高导航精准度，有较强的预测能力和鲁棒性，能够评估特征的重要性；

（4）针对影像质量以及图像处理结果准确性和稳定性不高的技术问题，本方案采用邓氏灰色关联度算法和直方图均衡化进行图像修复和增强，提高图像的质量和可视化效果的稳定性。

附图说明

图1为本发明提供的基于历史数据分析进行预测的手术导航系统的示意图；

图2为数据预处理模块的示意图；

图3为数据可视化模块的示意图；

图4为自适应手术导航预测模型训练模块的示意图；

图5为自适应手术导航预测模型评估模块的示意图。

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

具体实施方式

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。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为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，因此不能理解为对本发明的限制。

实施例一，参阅图1，本发明提供的基于历史数据分析进行预测的手术导航系统，包括数据采集模块、数据预处理模块、数据可视化模块、自适应手术导航预测模型训练模块、自适应手术导航预测模型评估模块、实时预测与导航模块和持续学习与更新模块；

所述数据采集模块使用各种传感器收集手术过程中的生命体征数据和影像数据，并将数据发送至数据预处理模块；

所述数据预处理模块采用小波去噪的方法对数据进行去噪，以及进行缺失值填充和异常值处理，并对数据进行归一化转换后进行特征选择与数据分割，将训练集数据发送至数据可视化模块和自适应手术导航预测模型训练模块，将验证集数据发送至自适应手术导航预测模型评估模块；

所述数据可视化模块对影像数据进行图像增强和滤波处理，并转化成灰度图像，采用邓氏灰色关联度算法和直方图均衡化进行图像修复和增强，进行三维重建和区位分割与标记，对影像中的区域进行计量和量化，将成像和定位数据与手术场景结合，生成模拟的导航图像，提供给医生参考和操作；

所述自适应手术导航预测模型训练模块建立集成分类模型，将数据特征作为样本输入，将手术过程和结果相关的标签作为输出，并基于贝叶斯定理建立高斯回归过程拟合参数间的关系，多次迭代，进行参数优化与更新，预测手术中存在的问题和结果；

所述自适应手术导航预测模型评估模块使用K折交叉验证的方法，将数据进行分组标记，确保每组数据都做过验证集，并进行训练和性能评估，选择最优模型参数，提高模型泛化能力，更准确地评估模型性能；

所述实时预测与导航模块将病人的实时数据输入到训练好的模型中，实时为医生提供导航和决策支持；

所述持续学习与更新模块将采集的数据与专家反馈相结合，发现模型问题，并不断优化更新。

实施例二，参阅图1和图3，该实施例基于上述实施例，在数据可视化模块中，设有图像增强修复单元、直方图均衡化单元、三维重建单元、区域分割与标记单元和计量和量化单元，具体包括以下内容：

图像增强修复单元，具体内容如下：

将数据采集模块中获取的影像数据图像转换为灰度图像，预先设有m1个评价对象和n1个评价指标，其中评价对象用a表示为a={a₁，a₂，…，a_m1}，评价指标用b表示为b={b₁，b₂，…，b_n1}，采用极小－极大标准化进行数据标准化；

计算关联度矩阵，采用欧式距离进行度量，所用公式如下：

R（a，b）=|X（a，b）-Y（b）|；

式中，R（a，b）表示评价对象a和评价指标b之间的关联度，X（a，b）为标准化后的数据，Y（b）为各评价指标b的参考序列；

将关联度矩阵中的原始关联度值归一化到[0，1]之间，得到关联度系数，所用公式如下：

；

式中，C（a，b）表示评价对象a和评价指标b之间的关联度系数，min（R（a，：））和max（R（a，：））分别表示第a行中的最小关联度值和最大关联度值，ξ是分辨系数且0<ξ≤1，用于平衡最小和最大关联度值之间的关系；

计算综合关联度，预先设定权重，将各个指标的关联度系数按权重加权求和，得到综合关联度值，所用公式如下：

；

式中，G（a）表示评价对象a的综合关联度，w（k）表示第k个指标的权重，C（a，k）表示评价对象a和指标k之间的关联度系数，根据综合关联度的大小，对评价对象进行排序，从而确定各指标的重要性和优先级，用于辅助决策过程；

应用基于分数阶微分的Halbert预测模型进行滤波处理，预先收集时间序列信号，并表示为复数形式，通过Halbert变换将其转化为复解析信号，所用公式如下：

X（t）=x（t）+jH{x（t）}；

式中，原始时间序列为x（t），其Halbert变换后的复解析信号为X（t），j为虚数单位，H{x（t）}表示对x（t）进行Halbert变换得到的解析信号；

基于Halbert变换得到的复解析信号，进行分数阶微分运算，所用公式如下：

；

其中，D^α表示α阶分数阶微分，α为分数阶导数的阶数，Cⁿ为组合数；

基于分数阶微分得到的新序列D^αX（t）使用自回归模型AR进行参数估计和模型构建；

根据建立的预测模型，对未来时间步进行预测并得到预测值y（t+Δt），再通过逆变换将预测值转换回原始时间序列的尺度；

根据预测模型得到的预测值，对影像数据图像进行预测修复，以恢复图像的细节和对比度；

直方图均衡化单元，使用直方图均衡化来提高图像的质量和可视化效果，具体内容如下：

计算图像的灰度直方图，统计图像中每个灰度级的像素数量；计算累积分布函数，将每个灰度级的像素数量转换为累计值，得到一个表示灰度级分布累计的函数；计算归一化的累积分布函数，将累积分布函数进行归一化，将其映射到0到255的范围内；映射像素值，对于图像中的每个像素，使用归一化的累积分布函数来映射其灰度级；生成均衡化后的图像，使用映射后的像素值重新构建图像；

三维重建单元，对连续切片的二维图像数据进行三维重建，以便更好地观察和分析结构，如器官、血管，具体内容如下：传感器数据采集，使用深度摄像头获取人体内部环境信息；构建点云图，使用视觉SLAM算法构建点云环境图；位姿估计，通过SLAM算法，实时估计移动平台在三维空间中的位置和方向；点云匹配，根据已建立的地图和新获取的传感器数据，使用点云配准技术将新的点云与现有地图进行匹配和融合，用于增量式地更新地图、优化位姿估计；点云处理和滤波，对融合后的点云进行后处理，包括滤波、去噪和特征提取，以减少噪声和提高地图的质量和精度；地图维护和更新，实时更新地图，保持与环境的一致性；

区域分割与标记单元，对影像中的结构、组织和异常区域进行阈值分割和标记，获取更精确的分析和定位；

计量和量化单元，对影像中感兴趣的结构进行计量和量化分析，包括测量尺寸、体积、密度和血流参数，使用软件提供的测量工具进行定量分析。

通过执行上述操作，针对影像质量以及图像处理结果准确性和稳定性不高的技术问题，本方案采用邓氏灰色关联度算法和直方图均衡化进行图像修复和增强，提高图像的质量和可视化效果的稳定性；针对存在空间信息不全、手术传感器误差和软组织变形的技术问题，本方案采取三维重建技术，将成像和定位数据与手术场景结合，重建解剖结构，实时更新软组织形状变化，生成模拟的导航图像，为医生提供更全面的空间信息。

实施例三，参阅图1和图4，该实施例基于上述实施例，在自适应手术导航预测模型训练模块中，具体包括以下内容：

建立决策模型单元，建立集成分类模型，所用公式如下：

；

式中，θ_q表示服从独立同分布的随机向量，q表示第q个决策树，Q是决策树的数量，y是每棵树最优投票的已知变量；

样本输入单元，将数据分割单元的训练集样本输入到每个决策树中，得到每个决策树的预测结果；

确定预测结果单元，根据每个决策树的预测结果，通过取平均值的策略，确定最终的预测结果；

参数优化单元，基于贝叶斯定理进行参数优化，建立高斯回归过程模型来拟合参数值和目标函数之间的关系，寻找最优参数，具体内容如下：

预先设有一组超参数组合是；

设函数f：x→R，在x∈X内找到，即找到一个/>值，使函数f（x）在/>处取最小值；

式中，x为森林中最大的树深度，R是实数集，X作为随机变量的集合，f（x）服从联合高斯分布；

统计特性根据均值函数m（x）和协方差函数k1（x，x’）表示，所用公式如下：

；

；

模型表示为Y=f（x）+ε；

式中，ε为独立随机变量，服从高斯分布，ε~N（0，σ_n ²），σ_n ²表示噪声的方差，x’是森林中最大的树深度的目标函数；

联合先验分布表示为：

；

式中，是未知点的集合，/>是/>的预测结果，K是高斯过程的核函数，I_n是期望的提升量，k1是协方差；

求解后验分布，使用贝叶斯推断方法，基于已有的参数样本数据和目标函数的观测值，求解后验分布；更新参数样本数据，根据后验分布，选择一个达到较好性能的参数组合；更新模型参数，将新的参数样本数据和相应的目标函数观测值添加到已有的样本中，更新高斯回归过程模型；设定最大迭代次数来确定何时停止迭代过程，结束优化；输出最优参数，根据优化结果，输出最优的参数组合及对应的目标函数值。

通过执行上述操作，针对存在模型复杂，样本数据量大，导航结果精度较低和数据图像更新进度慢的技术问题，本方案采用集成分类模型加以贝叶斯优化参数快速处理大量特征和样本，快速更新数据图像，提高导航精准度，有较强的预测能力和鲁棒性，评估特征的重要性。

实施例四，参阅图1和图2，该实施例基于上述实施例，在数据预处理模块中，设有数据清洗单元、数据转换单元、特征选择单元和数据分割单元，具体包括以下内容：

数据清洗单元，将数据采集模块获得的历史生命体征数据和影像数据进行检查，了解数据的结构、规模和特征，用小波去噪的方法去除数据中的噪声，以及进行缺失值填充和异常值处理，具体内容如下：

使用两个互补的高通和低通滤波器得到分解水平，然后剔除一半的样本；滤波器的切割频率等于所分析信号的带宽的一半，此类算法是离散小波变换的放大，称为快速小波变换，采用以下母体小波进行分析，所用公式如下：

；

式中，t为自变量，表示在时间轴上的位置，n为时间平移系数，m为尺度系数，φ是一个基准的连续小波函数；

每个分解层次的细节系数的阈值根据以下关系确定：

；

式中，THR_J表示求解的阈值函数，cD_j表示离散小波变换中信号第j层次的高频部分，c表示该高频部分的离散小波系数；

修改指定阈值的第j级细节系数基的值，这种方法称为软阈值程序，所用公式如下：

；

式中，sgn表示一个数的符号；

基于近似系数修正细节系数并进行更高水平的分解来重建信号x_i（t），所用公式如下：

；

其中ω_k（t）是第k级分解的缩放函数，而是m=m₀，......，m_k级分解的小波函数，cA_m，n是近似系数，cD_m，n是细节系数；

数据转换单元，对数据进行归一化变换来改变数据的数值范围、分布和表示形式，使之更适合分析和建模；

特征选择单元，从转换的数据中选择最具有代表性的特征，去除冗余和不相关特征，达到减少维度和提高建模效果的目的；

数据分割单元，将数据划分为训练集和验证集，用于模型的训练、调优和评估，以确保模型的泛化能力和可靠性，将数据采集模块获得的历史数据及对应标签作为样本数据，随机将90%的样本数据作为训练数据集，10%的样本数据作为验证数据集。

实施例五，参阅图1和图5，该实施例基于上述实施例，在自适应手术导航预测模型评估模块中，设有数据分组单元、分类标记单元、训练评估单元、重复单元和性能评估单元，具体包括以下内容：

数据分组单元，将验证数据集分为k_z个大小相似的子集，称为折；

分类标记单元，对于每个折，使用该折作为验证集，剩下的k_z-1个折作为训练集；

训练评估单元，使用训练集对模型进行训练，并使用验证集对模型进行评估，记录评估指标：准确率、精确率和召回率；

重复单元，重复分类标记单元和训练评估单元，直到每个折都充当过一次验证集；

性能评估单元，统计k_z次训练的评估指标，计算平均值和标准差，得到最终的模型性能评估结果，预先设有评估阈值，当评估结果低于评估阈值时重新划分数据集建立模型。

通过执行上述操作，针对存在数据集的限制、样本的不均衡性和在特定情况下算法的不准确性的技术问题，本方案采用K折交叉验证，准确评估模型泛化能力，避免过拟合，减少因数据集的限制，样本的不均衡性和特定情况下算法的不准确性而引起的偏差。

实施例六，参阅图1，该实施例基于上述实施例，在数据采集模块中，具体为使用传感器收集手术过程中的实时数据来获取生命体征数据以及通过设备获取手术过程中的影像数据。

实施例七，参阅图1，该实施例基于上述实施例，在实时预测与导航模块中，具体为在实际手术中，采集病人的实时数据，输入到训练好的自适应手术导航预测模型中，实时预测出现的手术问题和结果，并根据预测结果，为医生提供实施导航和决策的支持。

实施例八，参阅图1，该实施例基于上述实施例，在持续学习和更新模块中，具体为根据实时采集的数据和医生的反馈，对自适应手术导航预测模型进行持续学习和更新，不断提高模型预测的准确性和适应性。

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。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (8)

1.基于历史数据分析进行预测的手术导航系统，其特征在于：包括数据采集模块、数据预处理模块、数据可视化模块、自适应手术导航预测模型训练模块、自适应手术导航预测模型评估模块、实时预测与导航模块和持续学习与更新模块；

所述数据可视化模块对影像数据进行图像增强和滤波处理，并转化成灰度图像，采用邓氏灰色关联度算法和直方图均衡化进行图像修复和增强，进行三维重建和区位分割与标记，对影像中的区域进行计量和量化，将成像和定位数据与手术场景结合，生成模拟的导航图像；

所述自适应手术导航预测模型训练模块建立集成分类模型，将数据特征作为样本输入，将手术过程和结果相关的标签作为输出，并基于贝叶斯定理建立高斯回归过程拟合参数间的关系，多次迭代，进行参数优化与更新，预测手术中存在的问题和结果；

所述自适应手术导航预测模型评估模块使用K折交叉验证的方法，将数据进行分组标记并进行训练和性能评估，选择最优模型参数。

2.根据权利要求1所述的基于历史数据分析进行预测的手术导航系统，其特征在于：在数据可视化模块中，设有图像增强修复单元、直方图均衡化单元、三维重建单元、区域分割与标记单元和计量和量化单元，具体包括以下内容：

图像增强修复单元，采用邓氏灰色关联度算法进行修复，具体内容如下：

将数据采集模块中获取的影像数据图像转换为灰度图像，预先设有m个评价对象和n个评价指标，其中评价对象用a表示为a={a₁，a₂，…，a_m}，评价指标用b表示为b={b₁，b₂，…，b_n}，采用极小－极大标准化进行数据标准化；

计算关联度矩阵，采用欧式距离进行度量，所用公式如下：

R（a，b）=|X（a，b）-Y（b）|；

式中，R（a，b）表示评价对象a和评价指标b之间的关联度，X（a，b）为标准化后的数据，Y（b）为各评价指标b的参考序列；

将关联度矩阵中的原始关联度值归一化到[0，1]之间，得到关联度系数，所用公式如下：

；

式中，C（a，b）表示评价对象a和评价指标b之间的关联度系数，min（R（a，：））和max（R（a，：））分别表示第a行中的最小关联度值和最大关联度值，ξ是分辨系数且0<ξ≤1；

计算综合关联度，预先设定权重，将各个指标的关联度系数按权重加权求和，得到综合关联度值，所用公式如下：

；

式中，G（a）表示评价对象a的综合关联度，w（k）表示第k个指标的权重，C（a，k）表示评价对象a和指标k之间的关联度系数；

应用基于分数阶微分的Halbert预测模型进行滤波处理，预先收集时间序列信号，并表示为复数形式，通过Halbert变换将其转化为复解析信号，所用公式如下：

X（t）=x（t）+jH{x（t）}；

式中，原始时间序列为x（t），其Halbert变换后的复解析信号为X（t），j为虚数单位，H{x（t）}表示对x（t）进行Halbert变换得到的解析信号；

基于Halbert变换得到的复解析信号，进行分数阶微分运算，公式如下：

；

式中，D^α表示α阶分数阶微分，α为分数阶导数的阶数，Cⁿ为组合数；

基于分数阶微分得到的新序列D^αX（t），使用自回归模型AR进行参数估计和模型构建；根据建立的预测模型，对未来时间步进行预测并得到预测值y（t+Δt），再通过逆变换将预测值转换回原始时间序列的尺度；根据预测模型得到的预测值，对影像数据图像进行预测修复和图像增强；

直方图均衡化单元，使用直方图均衡化来提高图像的质量和可视化效果，具体内容如下：

计算图像的灰度直方图，统计图像中每个灰度级的像素数量；计算累积分布函数，将每个灰度级的像素数量转换为累计值，得到一个表示灰度级分布累计的函数；计算归一化的累积分布函数：将累积分布函数进行归一化，将其映射到0到255的范围内；映射像素值，对于图像中的每个像素，使用归一化的累积分布函数来映射其灰度级；生成均衡化后的图像，使用映射后的像素值重新构建图像；

三维重建单元，对连续切片的二维图像数据进行三维重建，具体内容如下：

传感器数据采集，使用深度摄像头获取人体内部环境信息；构建点云图，使用视觉SLAM算法构建点云环境图；位姿估计，通过SLAM算法，实时估计移动平台在三维空间中的位置和方向；点云匹配，根据已建立的地图和新获取的传感器数据，使用点云配准技术将新的点云与现有地图进行匹配和融合；点云处理和滤波，对融合后的点云进行后处理，包括滤波、去噪和特征提取；地图维护和更新，实时更新地图，保持与环境的一致性；

区域分割与标记单元，对影像中的结构、组织和异常区域进行阈值分割和标记；

计量和量化单元，对影像中感兴趣的结构进行计量和量化分析，包括测量尺寸、体积、密度和血流参数，使用软件提供的测量工具进行定量分析。

3.根据权利要求1所述的基于历史数据分析进行预测的手术导航系统，其特征在于：在自适应手术导航预测模型训练模块中，设有建立决策模型单元、样本输入单元、确定预测结果单元和参数优化单元，具体内容如下：

建立决策模型单元，建立集成分类模型，所用公式如下：

；

式中，θ_q表示服从独立同分布的随机向量，q表示第q个决策树，Q是决策树的数量，y是每棵树最优投票的已知变量；

样本输入单元，将数据分割单元的训练集样本输入到每个决策树中，得到每个决策树的预测结果；

确定预测结果单元，根据每个决策树的预测结果，通过取平均值的策略，确定最终的预测结果；

参数优化单元，基于贝叶斯定理进行参数优化，建立高斯回归过程模型来拟合参数值和目标函数之间的关系，寻找最优参数，具体内容如下：

预先设有一组超参数组合是；

设函数f：x→R，在x∈X内找到，即找到一个/>值，使函数f（x）在/>处取最小值；

式中，x是森林中最大的树深度，R是实数集，X作为随机变量的集合，f（x）服从联合高斯分布；

统计特性根据均值函数m（x）和协方差函数k1（x，x’）表示，所用公式如下：

；

；

式中，ε为独立随机变量，服从高斯分布，ε~N（0，σ_n ²），σ_n ²表示噪声的方差，x’是森林中最大的树深度的目标函数；

联合先验分布表示为：

；

式中，是未知点的集合，/>是/>的预测结果，K是高斯过程的核函数，I_n是期望的提升量，k1是协方差；

求解后验分布，使用贝叶斯推断方法，基于已有的参数样本数据和目标函数的观测值，求解后验分布；更新参数样本数据，根据后验分布，选择一个达到较好性能的参数组合；更新模型参数，将新的参数样本数据和相应的目标函数观测值添加到已有的样本中，更新高斯回归过程模型；设定最大迭代次数来确定何时停止迭代过程，结束优化；输出最优参数，根据优化结果，输出最优的参数组合及对应的目标函数值。

4.根据权利要求1所述的基于历史数据分析进行预测的手术导航系统，其特征在于：在数据预处理模块中，设有数据清洗单元、数据转换单元、特征选择单元和数据分割单元，具体包括以下内容：

数据清洗单元，将数据采集模块采集的历史生命体征数据和影像数据用小波去噪的方法去除数据中的噪声，以及进行缺失值填充和异常值处理，处理过程如下：

使用两个互补的高通和低通滤波器得到分解水平，然后剔除一半的样本；滤波器的切割频率等于所分析信号的带宽的一半，采用以下母体小波进行分析，所用公式如下：

；

式中，t为自变量，表示时间轴上的位置，n为时间平移系数，m为尺度系数，是一个基准的连续小波函数；

确定每个分解层次的细节系数的阈值根据以下关系：

；

式中，THRJ表示求解的阈值函数，cDj表示离散小波变换中信号第j层次的高频部分，c表示该高频部分的离散小波系数；

修改指定阈值的第j级细节系数基的值，所用公式如下：

；

式中，sgn表示一个数的符号；

基于近似系数修正细节系数并进行更高水平的分解来重建信号x_i（t），所用公式如下：

；

式中，ω_k（t）是第k级分解的缩放函数，而是m=m₀，......，m_k级分解的小波函数，cA_m，n是近似系数，cD_m，n是细节系数；

数据转换单元，对数据进行归一化变换来改变数据的数值范围、分布和表示形式；

特征选择单元，从转换的数据中选择最具有代表性的特征，去除冗余和不相关特征；

数据分割单元，将数据划分为训练集和验证集，用于模型的训练、调优和评估，将数据采集模块获得的历史数据及对应标签作为样本数据，随机将90%的样本数据作为训练数据集，剩余的10%的比例划分为验证数据集。

5.根据权利要求1所述的基于历史数据分析进行预测的手术导航系统，其特征在于：在自适应手术导航预测模型评估模块中，设有数据分组单元、分类标记单元、训练评估单元、重复单元和性能评估单元，具体内容如下：

数据分组单元，将验证数据集分为k_z个大小相似的子集，称为折；

分类标记单元，对于每个折，使用该折作为验证集，剩下的k_z-1个折作为训练集；

训练评估单元，使用训练集对模型进行训练，并使用验证集对模型进行评估，记录评估指标：准确率、精确率和召回率；

重复单元，重复分类标记单元和训练评估单元，直到每个折都充当过一次验证集；

性能评估单元，统计k_z次训练的评估指标，计算平均值和标准差，得到最终的模型性能评估结果，预先设有评估阈值，当评估结果低于评估阈值时重新划分数据集建立模型。

6.根据权利要求1所述的基于历史数据分析进行预测的手术导航系统，其特征在于：在数据采集模块中，具体为获取历史手术中的生命体征数据和影像数据，使用传感器收集手术过程中的生命体征数据以及通过设备获取手术过程中的影像数据。

7.根据权利要求1所述的基于历史数据分析进行预测的手术导航系统，其特征在于：在实时预测与导航模块中，具体为在实际手术中，采集病人的实时数据，输入到训练好的自适应手术导航预测模型中，实时预测出现的手术问题和结果。

8.根据权利要求1所述的基于历史数据分析进行预测的手术导航系统，其特征在于：在持续学习与更新模块中，具体为根据实时采集的数据和医生的反馈，对自适应手术导航预测模型进行持续学习和更新。