CN117612694A - 一种基于数据反馈的热疗机数据识别方法和系统 - Google Patents
一种基于数据反馈的热疗机数据识别方法和系统 Download PDFInfo
- Publication number
- CN117612694A CN117612694A CN202311640784.XA CN202311640784A CN117612694A CN 117612694 A CN117612694 A CN 117612694A CN 202311640784 A CN202311640784 A CN 202311640784A CN 117612694 A CN117612694 A CN 117612694A
- Authority
- CN
- China
- Prior art keywords
- parameters
- layer
- thermal
- thermal therapy
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 139
- 238000002560 therapeutic procedure Methods 0.000 title claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 88
- 230000000694 effects Effects 0.000 claims abstract description 61
- 238000010438 heat treatment Methods 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000005856 abnormality Effects 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000000015 thermotherapy Methods 0.000 claims abstract description 19
- 230000001225 therapeutic effect Effects 0.000 claims description 60
- 238000010606 normalization Methods 0.000 claims description 53
- 210000002569 neuron Anatomy 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000007669 thermal treatment Methods 0.000 claims description 12
- 239000000523 sample Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 206010020843 Hyperthermia Diseases 0.000 claims description 7
- 230000036031 hyperthermia Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 239000013074 reference sample Substances 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 230000036772 blood pressure Effects 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 239000008280 blood Substances 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 4
- 230000008338 local blood flow Effects 0.000 claims description 4
- 239000000090 biomarker Substances 0.000 claims description 3
- 230000004087 circulation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000003205 muscle Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 206010067484 Adverse reaction Diseases 0.000 description 2
- 230000006838 adverse reaction Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 101001013832 Homo sapiens Mitochondrial peptide methionine sulfoxide reductase Proteins 0.000 description 1
- 102100031767 Mitochondrial peptide methionine sulfoxide reductase Human genes 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000016273 neuron death Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001126 phototherapy Methods 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及热疗机的技术领域,公开了一种基于数据反馈的热疗机数据识别方法和系统,该方法包括以下步骤:S1:实时采集并记录热疗过程参数;S2:对所述热疗过程参数进行异常检测;S3:对异常检测后的热疗过程参数进行预处理;S4:将预处理后的热疗过程参数输入神经网络进行疗效评估;S5:根据疗效评估结果调整热疗机运行参数;S6:数据将热疗过程参数疗和效评估结果进行可视化展示。相比传统的热疗过程,本发明能够更好地适应患者的个体差异和需求,提高热疗的针对性和有效性,进而改善治疗效果。
Description
技术领域
本发明涉及热疗机的技术领域,具体涉及一种基于数据反馈的热疗机数据识别方法和系统。
背景技术
目前,热疗作为一种常见的物理治疗手段,在肿瘤治疗、疼痛管理和康复治疗等领域被广泛应用。热疗机作为实施热疗的工具,通常通过热能传递到患者的体内组织,以达到治疗的效果。然而,传统的热疗机在治疗过程中往往采用固定的操作参数,无法根据患者的个体差异和实时生理状态进行针对性调整,因此存在一些局限性。近年来,基于实时参数采集预测疗效并据此调整热疗机运行参数的控制方案受到了研究和关注。但现有技术中,往往只关注热疗机温度的实时变化,而温度并非影响疗效的唯一指标,导致对热疗疗效的有益影响十分有限。
如授权公告号为CN107440795B的中国专利公开了一种双波长激励的反馈式光热治疗仪,它涉及光热治疗仪,它是要解决现有的激光光热治疗仪损害正常细胞、缺乏无创的温度反馈功能、治疗周期长的技术问题,该光热治疗仪包括双通道信号发生器、制热激光器、制冷激光器、光纤传输系统、上转换热疗探针、光谱仪和计算机;其中光纤传输系统包括由光纤依次连接的耦合器、环形器和聚焦镜;两束不同波长的脉冲激光分别用于加热和制冷,探针的上转换荧光信号解析探针温度,实现光疗过程中的温度反馈,并且进一步根据反馈的温度来调节输入激光参数,实现在线干预。该发明的治疗仪操作简单,可抑制过热现象、缩短治疗周期。
如申请公开号为CN110448809A的专利公开了一种三维靶向微波肿瘤热疗机,包括:工控机、微波输出系统和测温系统;工控机用于控制测温系统的启动或关闭;测温系统用于实时检测病灶处的温度信息并将温度信息发送至所述工控机;工控机还用于根据温度信息控制微波输出系统的输出功率;微波输出系统用于对病灶处进行微波热疗。该发明实施例提供的三维靶向微波肿瘤热疗机,利用测温系统实时检测病灶处的温度信息,利用工控机并根据温度信息对微波输出系统的输出功率进行控制,形成了温度和输出功率的闭环控制,一方面保证了病灶处的微波热疗温度,有利于提高热疗效果;另一方面避免热疗过程中病灶周围正常组织的温度过高,有利于提高微波热疗的安全性和可靠性。
以上专利都存在本背景技术提出的问题:只关注热疗机温度的实时变化,而温度并非影响疗效的唯一指标,导致对热疗疗效的有益影响十分有限。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于数据反馈的热疗机数据识别方法和系统,帮助医疗人员做出更加客观、科学的决策,提高诊疗质量和治疗效果。
为解决上述技术问题,本发明提供如下技术方案:
一方面,本发明提供一种基于数据反馈的热疗机数据识别方法,包括以下步骤:
S1:实时采集并记录热疗过程参数;
S2:对所述热疗过程参数进行异常检测;
S3:对异常检测后的热疗过程参数进行预处理;
S4:将预处理后的热疗过程参数输入神经网络进行疗效评估;
S5:根据疗效评估结果调整热疗机运行参数;
S6:将热疗过程参数和疗效评估结果进行可视化展示。
作为本发明所述基于数据反馈的热疗机数据识别方法的一种优选方案,其中:所述热疗过程参数包括热疗机运行参数和患者生理指标;其中,热疗机运行参数包括设定温度、预设治疗时间、功率、循环模式;患者生理指标包括热疗区域温度、局部血流变化率、皮肤电阻率、血氧饱和度、心率变化率、血压变化率。
作为本发明所述基于数据反馈的热疗机数据识别方法的一种优选方案,其中:所述异常检测的方法如下:根据历史数据的分析结果,确定每种热疗过程参数和指标的正常范围,为每种热疗过程参数设置阈值;将实时采集的每种热疗过程参数与阈值进行比较,判断每种热疗过程参数是否异常;若热疗过程参数出现异常,则向医务人员发出警报;若热疗过程参数无异常,则进行数据预处理。
作为本发明所述基于数据反馈的热疗机数据识别方法的一种优选方案,其中:所述预处理包括数据清洗、归一化和编码处理;其中,数据清洗包括缺失值填充和异常值修正;归一化的方法为采用Min-Max对患者生理指标以及热疗机设定温度、预设治疗时间、功率的值进行缩放;编码处理为对循环模式进行编码。
作为本发明所述基于数据反馈的热疗机数据识别方法的一种优选方案,其中:所述疗效评估的方法为将预处理后的热疗过程参数输入训练好的神经网络中计算疗效参数,将疗效参数作为疗效评估结果;所述疗效参数包括疼痛评分、关节活动度、肌力、生物标志物含量。
作为本发明所述基于数据反馈的热疗机数据识别方法的一种优选方案,其中:所述神经网络包括输入层、隐藏层和输出层;
其中,输入层用于接收热疗过程参数并传递给隐藏层;
隐藏层由全连接层和批量归一化层组成,用于将热疗过程参数转换为特征向量;
输出层用于根据所述特征向量计算并输出疗效参数的预测值。
作为本发明所述基于数据反馈的热疗机数据识别方法的一种优选方案,其中:所述隐藏层共有m个全连接层和m个批量归一化层,每个全连接层之后部署一个批量归一化层;第i个全连接层和第i个批量归一化层各有ni个神经元,i的取值范围为1,2,……,m;每个全连接层的每个神经元均与前一层的所有神经元连接,并将前一层每个神经元的输出进行加权、偏置后输出至批量归一化层;每个批量归一化层对前一个全连接层的输出进行归一化处理之后进行激活处理,然后输出到后一层;
全连接层的计算公式如下:
其中,xij表示第i个全连接层第j个神经元的输出特征向量;Wij表示第i个全连接层第j个神经元的权重矩阵;bij表示第i个全连接层第j个神经元的偏置参数;j的取值范围为1,2,……,ni;Xi-1表示第i-1个批量归一化层输出的特征向量;任一批量归一化层的特征向量的形式如下:
其中,Xi表示第i个批量归一化层的特征向量;
权重矩阵的形式如下:
其中,为权重值;
输出层有q个神经元,计算公式如下:
y=W0·Xm+b0;
其中,y表示输出层计算所得的疗效参数的预测值;Xm表示第m个批量归一化层的特征向量;b0表示输出层的偏置参数,W0表示输出层的权重矩阵,形式如下:
其中,w1,w2,……,wq为输出层的权重参数。
作为本发明所述基于数据反馈的热疗机数据识别方法的一种优选方案,其中:所述神经网络的训练方法如下:
S100:采集训练样本,构建训练集;任一训练样本A的形式如下:
A={X,Y};
其中,X为热疗过程参数集,Y为疗效参数集;X的形式如下:
其中,x1,x2,……,xp,分别表示第1,2,……p个热疗过程参数的值,p为热疗过程参数的最大个数;
Y的形式如下:
其中,y1,y2,……,yq,分别表示第1,2,……q个疗效参数的值,q为疗效参数的最大个数;
S200:初始化网络参数;
需要进行初始化的网络参数包括全连接层的权重矩阵Wij和偏置参数bij;批量归一化层的权重参数和偏置参数;输出层的权重矩阵Wo和偏置参数bo;
S300:计算神经网络的输出值;所述输出值为输出层计算得到的疗效参数的预测值;
S400:根据疗效参数的预测值和实际值计算损失函数;
S500:通过梯度下降法进行网络参数优化:
S600:重复进行S200~S500,直至损失函数收敛。
作为本发明所述基于数据反馈的热疗机数据识别方法的一种优选方案,其中:调整热疗机运行参数的方法如下:定义训练集中疗效参数均不低于预设阈值的样本为正常样本,统计所有正常样本,构建参考集;
若疗效参数均不低于预设的阈值,则无需调整热疗机运行参数;
若至少有一个疗效参数低于预设的阈值,则计算本次热疗的热疗过程参数集与所述参考集中所有正常样本的热疗过程参数集的相似度;取所述相似度最高的样本作为本次热疗的参考样本;根据参考样本的热疗机运行参数,给出本次热疗机运行参数的调整建议。
第二方面,本发明提供一种基于数据反馈的热疗机数据识别系统,包括数据采集模块、异常检测模块、数据预处理模块、智能建模模块、疗效评估模块、结果展示模块、自动控制模块,其中:
数据采集模块用于实时采集热疗过程参数;
异常检测模块用于对热疗过程参数进行异常检测和异常提示;
数据预处理模块用于对热疗过程参数进行预处理;
智能建模模块用于构建和训练神经网络模型,建立热疗过程参数与疗效评估参数的关系;
疗效评估模块用于根据实时采集的热疗过程参数,应用所述神经网络模型来进行疗效预测;
结果展示模块用于向医护人员显示热疗过程参数与疗效预测结果;
自动控制模块用于根据疗效预测结果自动调整热疗机运行参数。
与现有技术相比,本发明所达到的有益效果如下:
通过实时监测热疗过程中的参数,医护人员可以更好地了解患者的生理反应,能够帮助医护人员及时发现患者的生理异常或不良反应,从而及早采取干预措施,减少不良反应和并发症的发生风险,提高热疗的安全性。
实时采集的热疗过程参数数据可以作为依据,进行数据驱动决策,为医疗人员提供了更多的客观数据和依据,帮助医疗人员做出更加客观、科学的决策,提高诊疗质量和治疗效果。
通过神经网络来预测热疗疗效,并根据预测的疗效调整热疗机的运行参数,可以更好地适应患者的个体差异和需求,提高热疗的针对性和有效性,进而改善治疗效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明提供的基于数据反馈的热疗机数据识别方法流程图;
图2为本发明提供的基于数据反馈的热疗机数据识别系统的结构示意图;
图3为本发明提供的用于热疗疗效评估的神经网络的训练方法流程图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
实施例1
本实施例介绍一种基于数据反馈的热疗机数据识别方法方法,参照图1,该方法包括以下步骤:
S1:实时采集并记录热疗过程参数;
所述热疗过程参数包括热疗机运行参数和患者生理指标;其中,热疗机运行参数包括设定温度、预设治疗时间、功率、循环模式;患者生理指标包括热疗区域温度、局部血流变化率、皮肤电阻率、血氧饱和度、心率变化率、血压变化率。
S2:对所述热疗过程参数进行异常检测;
所述异常检测的方法如下:根据历史数据的分析结果,结合专业知识和经验,确定每种热疗过程参数和指标的正常范围,为每种热疗过程参数设置阈值;将实时采集的每种热疗过程参数与阈值进行比较,判断每种热疗过程参数是否异常;若热疗过程参数出现异常,则向医务人员发出警报;若热疗过程参数无异常,则进行数据预处理。
S3:对异常检测后的热疗过程参数进行预处理;
所述预处理包括数据清洗、归一化和编码处理;其中,数据清洗包括缺失值填充和异常值修正;归一化的方法为采用Min-Max对患者生理指标以及热疗机设定温度、预设治疗时间、功率的值进行缩放;编码处理为对循环模式进行编码。
S4:将预处理后的热疗过程参数输入神经网络进行疗效评估;
所述疗效评估的方法为将预处理后的热疗过程参数输入训练好的神经网络中计算疗效参数,将疗效参数作为疗效评估结果;所述疗效参数包括疼痛评分、关节活动度、肌力、生物标志物含量。
所述神经网络包括输入层、隐藏层和输出层;
其中,输入层用于接收热疗过程参数并传递给隐藏层;
隐藏层由全连接层和批量归一化层组成,用于将热疗过程参数转换为特征向量;
输出层用于根据所述特征向量计算并输出疗效参数的预测值。
所述隐藏层共有m个全连接层和m个批量归一化层,每个全连接层之后部署一个批量归一化层;第i个全连接层和第i个批量归一化层各有ni个神经元,i的取值范围为1,2,……,m;当i=1时,n1=p;每个全连接层的每个神经元均与前一层的所有神经元连接,并将前一层每个神经元的输出进行加权、偏置后输出至批量归一化层;每个批量归一化层对前一个全连接层的输出进行归一化处理之后进行激活处理,然后输出到后一层;
通过神经网络学习热疗过程参数的特征,建立热疗过程参数与疗效参数间的非线性映射关系。
参照图3,所述神经网络的训练方法如下:
S100:采集训练样本,构建训练集;任一训练样本A的形式如下:
A={X,Y};
其中,X为热疗过程参数集,Y为疗效参数集;X的形式如下:
其中,x1,x2,……,xp,分别表示第1,2,……p个热疗过程参数的值,p为热疗过程参数的最大个数;
Y的形式如下:
其中,y1,y2,……,yq,分别表示第1,2,……q个疗效参数的值,q为疗效参数的最大个数;
S200:初始化网络参数;
需要进行初始化的网络参数包括全连接层的权重矩阵Wij和偏置参数bij;批量归一化层的权重参数和偏置参数;输出层的权重矩阵Wo和偏置参数bo;
采用MSRA初始化方法进行初始化,
任一全连接层的任一权重矩阵、输出层的权重矩阵中的权重参数,以及任一批量归一化层的权重参数的标准差通过以下公式计算得到:
其中,σ表示标准差,ni-1表示前一层的神经元个数;a为LeakyReLU函数的斜率。根据计算得到的标准差σ,使用Python中的NumPy库来实现高斯分布的随机初始化,生成权重参数。
任意全连接层、批量归一化层,以及输出层的任一偏置参数的初始值设为0.1。通过偏置参数对样本的均值进行调整,将样本的分布偏移,使得初始化后的样本分布向正态分布的正侧偏移,使神经网络可以学习到更适合当前任务的特征表示,助于提升模型的拟合能力。
S300:计算神经网络的输出值;所述输出值为输出层计算得到的疗效参数的预测值;
此为过程正向传播,热疗过程参数通过网络的各层进行前向计算,逐层计算特征向量。将热疗过程参数从输入层传递给隐藏层,每一个隐藏层对热疗过程参数进行加权、偏置、归一化、激活处理后输出至后一层;输出层根据隐藏层输出的特征向量计算疗效参数的预测值。
全连接层的计算公式如下:
其中,xij表示第i个全连接层第j个神经元的输出特征向量;Wij表示第i个全连接层第j个神经元的权重矩阵;bij表示第i个全连接层第j个神经元的偏置参数;j的取值范围为1,2,……,ni;Xi-1表示第i-1个批量归一化层输出的特征向量;任一批量归一化层的特征向量的形式如下:
其中,Xi表示第i个批量归一化层的特征向量;
权重矩阵的形式如下:
其中,为权重值;
批量归一化层用于对全连接层输出的特征向量进行归一化处理;
归一化的操作可以使得神经网络中间层输出的数值更加稳定和规范,有助于提高网络训练的速度和稳定性,并且增强了网络对输入数据的适应能力。方法如下:
计算上一个全连接层输出的所有特征值的均值和方差,分别记作μ,σ2;
对每个特征值进行归一化处理,公式如下:
其中,x0表示任一归一化前的特征值,表示x0进行归一化后的特征值,ε为一个数值很小的常数。
对归一化后的特征值进行加权和偏置,公式如下:
其中,表示加权和偏置后的特征值,αi表示第i个批量归一化层的权重参数,βi表示第i个批量归一化层的偏置参数。
将每个经过加权和偏置后的特征值经过激活函数处理后,输入到神经网络的后一层。
采用LeakyReLU函数对特征值进行激活处理,公式如下:
其中,x表示激活处理后的特征值;a是一个小于1的常数,本实施例中a设置为0.01。常数a控制了特征值在负数区域的斜率,可以避免采用ReLU函数作为激活函数的神经元死亡问题,避免训练过程中某些神经元的输出始终为0,无法更新权重,并且在训练过程中能够使损失函数更快地收敛,有效避免梯度消失的问题。
输出层有q个神经元,计算公式如下:
y=W0·Xm+b0;
其中,y表示输出层计算所得的疗效参数的预测值;Xm表示第m个批量归一化层的特征向量;b0表示输出层的偏置参数,W0表示输出层的权重矩阵,形式如下:
其中,w1,w2,……,wq为输出层的权重参数。
S400:根据疗效参数的预测值和实际值计算损失函数;
采用L2范数形式的损失函数,计算公式如下:
其中,L表示损失函数;N为训练样本的数量;yk表示第k个训练样本的疗效参数的预测值,y'k表示k个训练样本的疗效参数的实际值,k的取值范围为1,2,……,N。
S500:通过梯度下降法进行网络参数优化:
通过计算梯度来更新优化网络参数,是一个反向传播过程。从输出层开始,计算损失函数对每个参数的偏导数,即每个参数的梯度。将梯度向后传播到前一层,使用链式法则计算每个层的梯度。使用梯度下降算法来更新网络参数。更新规则通常是将参数沿着梯度的反方向按照一定的学习率进行调整。具体方法如下:
S501:计算网络中每一层的误差;
其中,输出层的误差δo的计算公式如下:
全连接层的误差公式如下:
其中,表示第i个全连接层的误差,/>表示第i个全连接层的权重矩阵;/>表示第i个批量归一化层的误差;
批量归一化层的误差公式如下:
其中,δi+1表示第i个批量归一化层的后一层的误差,表示第i个批量归一化层的输出对输入的偏导数;
S502:根据误差计算每一层参数的梯度;
每个参数的梯度等于损失函数L对该参数的偏导数;其中,输出层的权重梯度计算公式如下:
其中,xo表示输出层的输入,sum表示对一次训练中所有样本的梯度求和;
输出层的偏置梯度计算公式如下:
全连接层的权重梯度计算公式如下:
其中表示第i个全连接层的输入;
全连接层的偏置梯度公式如下:
其中,表示第i个全连接层的偏置参数;
批量归一化层的权重梯度公式如下:
其中,表示第i个批量归一化层经过归一化后的输入;
批量归一化层的偏置梯度公式如下:
S503:根据每一层参数的梯度进行参数更新;公式如下:
其中,w表示神经网络中的任一权重参数,w'表示w经过参数更新后的值,η表示学习率,表示w所在层的权重梯度;
其中,b表示卷积神经网络中含偏置参数的任一层的任一偏置参数,b'表示b经过参数更新后的值,表示b所在层的偏置梯度;
S600:重复进行S200~S500,直至损失函数收敛。
S5:根据疗效评估结果调整热疗机运行参数;方法如下:定义训练集中疗效参数均不低于预设阈值的样本为正常样本,统计所有正常样本,构建参考集;
若疗效参数均不低于预设的阈值,则无需调整热疗机运行参数;
若至少有一个疗效参数低于预设的阈值,则计算本次热疗的热疗过程参数集与所述参考集中所有正常样本的热疗过程参数集的相似度;取所述相似度最高的样本作为本次热疗的参考样本;根据参考样本的热疗机运行参数,给出本次热疗机运行参数的调整建议。
S6:将热疗过程参数和疗效评估结果进行可视化展示。
实施例2
本实施例为本发明的第二个实施例;与实施例1基于相同的发明构思,参照图2,本实施例介绍一种基于数据反馈的热疗机数据识别系统,包括:数据采集模块、异常检测模块、数据预处理模块、智能建模模块、疗效评估模块、结果展示模块、自动控制模块,其中:
数据采集模块用于实时采集热疗过程参数;
异常检测模块用于对热疗过程参数进行异常检测和异常提示;
数据预处理模块用于对热疗过程参数进行预处理;
智能建模模块用于构建和训练神经网络模型,建立热疗过程参数与疗效评估参数的关系;
疗效评估模块用于根据实时采集的热疗过程参数,应用所述神经网络模型来进行疗效预测;
结果展示模块用于向医护人员显示热疗过程参数与疗效预测结果;
自动控制模块用于根据疗效预测结果自动调整热疗机运行参数。
上述各模块的具体功能实现参考实施例1中基于数据反馈的热疗机数据识别方法中的相关内容,不予赘述。特别要指出的是,所述数据采集模块集成了以下设备:
红外温度传感器,用于实时测量热疗区域的温度;
超声传感器,用于实时测量血液流速,便于计算局部血流变化率;
皮肤电阻仪,用于实时测量皮肤电阻率;
脉搏氧饱和度监测仪,用于实时测量血氧饱和度;
心电图监护仪,用于实时测量患者的心率,便于计算心率变化率;
血压计,用于实时测量患者的血压,便于计算血压变化率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种基于数据反馈的热疗机数据识别方法,其特征在于:包括以下步骤:
S1:实时采集并记录热疗过程参数;
S2:对所述热疗过程参数进行异常检测;
S3:对异常检测后的热疗过程参数进行预处理;
S4:将预处理后的热疗过程参数输入神经网络进行疗效评估;
S5:根据疗效评估结果调整热疗机运行参数;
S6:将热疗过程参数和疗效评估结果进行可视化展示。
2.如权利要求1所述的一种基于数据反馈的热疗机数据识别方法,其特征在于:所述热疗过程参数包括热疗机运行参数和患者生理指标;其中,热疗机运行参数包括设定温度、预设治疗时间、功率、循环模式;患者生理指标包括热疗区域温度、局部血流变化率、皮肤电阻率、血氧饱和度、心率变化率、血压变化率。
3.如权利要求2所述的一种基于数据反馈的热疗机数据识别方法,其特征在于:所述异常检测的方法如下:根据历史数据的分析结果,确定每种热疗过程参数和指标的正常范围,为每种热疗过程参数设置阈值;将实时采集的每种热疗过程参数与阈值进行比较,判断每种热疗过程参数是否异常;若热疗过程参数出现异常,则向医务人员发出警报;若热疗过程参数无异常,则进行数据预处理。
4.如权利要求3所述的一种基于数据反馈的热疗机数据识别方法,其特征在于:所述预处理包括数据清洗、归一化和编码处理;其中,数据清洗包括缺失值填充和异常值修正;归一化的方法为采用Min-Max对患者生理指标以及热疗机设定温度、预设治疗时间、功率的值进行缩放;编码处理为对循环模式进行编码。
5.如权利要求4所述的一种基于数据反馈的热疗机数据识别方法,其特征在于:所述疗效评估的方法为将预处理后的热疗过程参数输入训练好的神经网络中计算疗效参数,将疗效参数作为疗效评估结果;所述疗效参数包括疼痛评分、关节活动度、肌力、生物标志物含量。
6.如权利要求5所述的一种基于数据反馈的热疗机数据识别方法,其特征在于:所述神经网络包括输入层、隐藏层和输出层;
其中,输入层用于接收热疗过程参数并传递给隐藏层;
隐藏层由全连接层和批量归一化层组成,用于将热疗过程参数转换为特征向量;
输出层用于根据所述特征向量计算并输出疗效参数的预测值。
7.如权利要求6所述的一种基于数据反馈的热疗机数据识别方法,其特征在于:所述隐藏层共有m个全连接层和m个批量归一化层,每个全连接层之后部署一个批量归一化层;第i个全连接层和第i个批量归一化层各有ni个神经元,i的取值范围为1,2,……,m;每个全连接层的每个神经元均与前一层的所有神经元连接,并将前一层每个神经元的输出进行加权、偏置后输出至批量归一化层;每个批量归一化层对前一个全连接层的输出进行归一化处理之后进行激活处理,然后输出到后一层;
全连接层的计算公式如下:
其中,xij表示第i个全连接层第j个神经元的输出特征向量;Wij表示第i个全连接层第j个神经元的权重矩阵;bij表示第i个全连接层第j个神经元的偏置参数;j的取值范围为1,2,……,ni;Xi-1表示第i-1个批量归一化层输出的特征向量;任一批量归一化层的特征向量的形式如下:
其中,Xi表示第i个批量归一化层的特征向量;
权重矩阵的形式如下:
其中,为权重值;
输出层有q个神经元,计算公式如下:
y=W0·Xm+b0;
其中,y表示输出层计算所得的疗效参数的预测值;Xm表示第m个批量归一化层的特征向量;b0表示输出层的偏置参数,W0表示输出层的权重矩阵,形式如下:
W0=[w1,w2,......,wq];
其中,w1,w2,……,wq为输出层的权重参数。
8.如权利要求7所述的一种基于数据反馈的热疗机数据识别方法,其特征在于:所述神经网络的训练方法如下:
S100:采集训练样本,构建训练集;任一训练样本A的形式如下:
A={X,Y};
其中,X为热疗过程参数集,Y为疗效参数集;X的形式如下:
其中,x1,x2,……,xp,分别表示第1,2,……p个热疗过程参数的值,p为热疗过程参数的最大个数;
Y的形式如下:
其中,y1,y2,……,yq,分别表示第1,2,……q个疗效参数的值,q为疗效参数的最大个数;
S200:初始化网络参数;
需要进行初始化的网络参数包括全连接层的权重矩阵Wij和偏置参数bij;批量归一化层的权重参数和偏置参数;输出层的权重矩阵Wo和偏置参数bo;
S300:计算神经网络的输出值;所述输出值为输出层计算得到的疗效参数的预测值;
S400:根据疗效参数的预测值和实际值计算损失函数;
S500:通过梯度下降法进行网络参数优化:
S600:重复进行S200~S500,直至损失函数收敛。
9.如权利要求8所述的一种基于数据反馈的热疗机数据识别方法,其特征在于:所述调整热疗机运行参数的方法如下:定义训练集中疗效参数均不低于预设阈值的样本为正常样本,统计所有正常样本,构建参考集;
若疗效参数均不低于预设的阈值,则无需调整热疗机运行参数;
若至少有一个疗效参数低于预设的阈值,则计算本次热疗的热疗过程参数集与所述参考集中所有正常样本的热疗过程参数集的相似度;取所述相似度最高的样本作为本次热疗的参考样本;根据参考样本的热疗机运行参数,给出本次热疗机运行参数的调整建议。
10.一种基于数据反馈的热疗机数据识别系统,基于权利要求1-9中任一项所述的一种基于数据反馈的热疗机数据识别方法实现,其特征在于:包括数据采集模块、异常检测模块、数据预处理模块、智能建模模块、疗效评估模块、结果展示模块、自动控制模块,其中:
数据采集模块用于实时采集热疗过程参数;
异常检测模块用于对热疗过程参数进行异常检测和异常提示;
数据预处理模块用于对热疗过程参数进行预处理;
智能建模模块用于构建和训练神经网络模型,建立热疗过程参数与疗效评估参数的关系;
疗效评估模块用于根据实时采集的热疗过程参数,应用所述神经网络模型来进行疗效预测;
结果展示模块用于向医护人员显示热疗过程参数与疗效预测结果;
自动控制模块用于根据疗效预测结果自动调整热疗机运行参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311640784.XA CN117612694A (zh) | 2023-12-04 | 2023-12-04 | 一种基于数据反馈的热疗机数据识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311640784.XA CN117612694A (zh) | 2023-12-04 | 2023-12-04 | 一种基于数据反馈的热疗机数据识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117612694A true CN117612694A (zh) | 2024-02-27 |
Family
ID=89951327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311640784.XA Pending CN117612694A (zh) | 2023-12-04 | 2023-12-04 | 一种基于数据反馈的热疗机数据识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117612694A (zh) |
Citations (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06105918A (ja) * | 1992-09-29 | 1994-04-19 | Olympus Optical Co Ltd | 温熱治療装置 |
WO2000032270A2 (de) * | 1998-11-30 | 2000-06-08 | Kuenzel Georg | Hyperthermie-einrichtung |
JP2002113034A (ja) * | 2001-09-04 | 2002-04-16 | Sanyo Electric Co Ltd | 温熱治療器 |
CN1961987A (zh) * | 2005-11-08 | 2007-05-16 | 中国科学院理化技术研究所 | 用于全身或局部肿瘤热疗的电极板阵列加热装置 |
CN101011293A (zh) * | 2006-03-31 | 2007-08-08 | 孙晴 | 一种同时实施局部和全身热疗的微波治疗系统 |
CN101232917A (zh) * | 2005-08-03 | 2008-07-30 | 皇家飞利浦电子股份有限公司 | 用于磁热疗的超声波监测和反馈 |
CN102670298A (zh) * | 2011-03-18 | 2012-09-19 | 中国科学院理化技术研究所 | 广谱型肿瘤热疗设备 |
CN102945320A (zh) * | 2012-10-29 | 2013-02-27 | 河海大学 | 一种时间序列数据异常检测方法与装置 |
CN103961182A (zh) * | 2014-05-06 | 2014-08-06 | 深圳普门科技有限公司 | 一种多功能治疗箱组及其专家系统的治疗推荐方法 |
JP2016017692A (ja) * | 2014-07-08 | 2016-02-01 | 旭化成ホームズ株式会社 | 温熱快適感評価方法および温熱環境コントロールシステム。 |
US20160287891A1 (en) * | 2013-11-26 | 2016-10-06 | Shonai Create Industrial Co., Ltd. | High frequency cancer thermotherapy apparatus |
CN106039592A (zh) * | 2016-07-12 | 2016-10-26 | 圆融健康科技(深圳)有限公司 | 智能光子治疗仪及其控制方法 |
TWI615169B (zh) * | 2016-11-16 | 2018-02-21 | 財團法人金屬工業研究發展中心 | 電磁熱治療估測系統以及電磁熱治療估測方法 |
CN108537777A (zh) * | 2018-03-20 | 2018-09-14 | 西京学院 | 一种基于神经网络的作物病害识别方法 |
CN109063308A (zh) * | 2018-07-26 | 2018-12-21 | 北京航空航天大学 | 一种基于深度量子学习的健康评估方法 |
CN109686441A (zh) * | 2018-12-21 | 2019-04-26 | 质直(上海)教育科技有限公司 | 一种大数据医疗数据特征提取和智能分析预测方法 |
US20190192381A1 (en) * | 2016-06-14 | 2019-06-27 | Shanghai Darong-Med Ltd. | Therapeutic Heat Energy Measuring System, Method And Application For Meridian Thermal Therapy Device |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
US20200054216A1 (en) * | 2018-08-16 | 2020-02-20 | Astrid Pharma Corp. | System of machine-learning mediated image analysis to aid predictive mri-guided hyperthermia treatments |
CN111067618A (zh) * | 2019-12-31 | 2020-04-28 | 华科精准(北京)医疗科技有限公司 | 激光间质热疗的模拟方法和设备 |
CN111899894A (zh) * | 2020-08-03 | 2020-11-06 | 东南大学 | 一种抑郁症患者预后药效评估系统及其评估方法 |
CN111939479A (zh) * | 2020-08-20 | 2020-11-17 | 哈尔滨乔然科技有限公司 | 一种相控阵热疗机及其控制方法 |
CN113491511A (zh) * | 2020-03-18 | 2021-10-12 | 原相科技股份有限公司 | 光学式医疗检测装置 |
US20210339037A1 (en) * | 2020-04-29 | 2021-11-04 | Yinghui Sun | Physical targeted hyperthermia system used for tumor therapy and control method thereof |
CN114176884A (zh) * | 2021-07-05 | 2022-03-15 | 深圳极能量子科技有限公司 | 一种基于物联网的细胞热疗仪及其管理系统 |
US20220121909A1 (en) * | 2020-03-24 | 2022-04-21 | Lg Electronics Inc. | Training a neural network using stochastic whitening batch normalization |
CN114904140A (zh) * | 2022-05-06 | 2022-08-16 | 张彧 | 理疗设备及其控制方法、理疗系统 |
CN115804683A (zh) * | 2022-11-15 | 2023-03-17 | 深圳市德壹医疗科技有限公司 | 一种热疗理疗机器人精准热疗的控制方法 |
CN115861923A (zh) * | 2022-11-24 | 2023-03-28 | 中国人民解放军总医院第一医学中心 | 腿部热疗康复设备 |
CN116473516A (zh) * | 2023-04-24 | 2023-07-25 | 哈尔滨工业大学(威海) | 基于光声弹性图像的肿瘤热消融效果评估系统和评估方法 |
US20230237309A1 (en) * | 2020-09-08 | 2023-07-27 | Huawei Technologies Co., Ltd. | Normalization in deep convolutional neural networks |
WO2023168916A1 (zh) * | 2022-03-08 | 2023-09-14 | 太原理工大学 | 一种基于不锈钢极薄带退火工艺神经网络模型优化方法 |
CN117009876A (zh) * | 2023-10-07 | 2023-11-07 | 长春光华学院 | 基于人工智能的运动状态量评估方法 |
JP7381815B1 (ja) * | 2022-06-17 | 2023-11-16 | 之江実験室 | 適応リサンプリングディープエンコーダネットワークに基づく通路異常検出システム |
-
2023
- 2023-12-04 CN CN202311640784.XA patent/CN117612694A/zh active Pending
Patent Citations (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06105918A (ja) * | 1992-09-29 | 1994-04-19 | Olympus Optical Co Ltd | 温熱治療装置 |
WO2000032270A2 (de) * | 1998-11-30 | 2000-06-08 | Kuenzel Georg | Hyperthermie-einrichtung |
JP2002113034A (ja) * | 2001-09-04 | 2002-04-16 | Sanyo Electric Co Ltd | 温熱治療器 |
CN101232917A (zh) * | 2005-08-03 | 2008-07-30 | 皇家飞利浦电子股份有限公司 | 用于磁热疗的超声波监测和反馈 |
CN1961987A (zh) * | 2005-11-08 | 2007-05-16 | 中国科学院理化技术研究所 | 用于全身或局部肿瘤热疗的电极板阵列加热装置 |
CN101011293A (zh) * | 2006-03-31 | 2007-08-08 | 孙晴 | 一种同时实施局部和全身热疗的微波治疗系统 |
CN102670298A (zh) * | 2011-03-18 | 2012-09-19 | 中国科学院理化技术研究所 | 广谱型肿瘤热疗设备 |
CN102945320A (zh) * | 2012-10-29 | 2013-02-27 | 河海大学 | 一种时间序列数据异常检测方法与装置 |
US20160287891A1 (en) * | 2013-11-26 | 2016-10-06 | Shonai Create Industrial Co., Ltd. | High frequency cancer thermotherapy apparatus |
CN103961182A (zh) * | 2014-05-06 | 2014-08-06 | 深圳普门科技有限公司 | 一种多功能治疗箱组及其专家系统的治疗推荐方法 |
JP2016017692A (ja) * | 2014-07-08 | 2016-02-01 | 旭化成ホームズ株式会社 | 温熱快適感評価方法および温熱環境コントロールシステム。 |
US20190192381A1 (en) * | 2016-06-14 | 2019-06-27 | Shanghai Darong-Med Ltd. | Therapeutic Heat Energy Measuring System, Method And Application For Meridian Thermal Therapy Device |
CN106039592A (zh) * | 2016-07-12 | 2016-10-26 | 圆融健康科技(深圳)有限公司 | 智能光子治疗仪及其控制方法 |
TWI615169B (zh) * | 2016-11-16 | 2018-02-21 | 財團法人金屬工業研究發展中心 | 電磁熱治療估測系統以及電磁熱治療估測方法 |
CN108537777A (zh) * | 2018-03-20 | 2018-09-14 | 西京学院 | 一种基于神经网络的作物病害识别方法 |
CN109063308A (zh) * | 2018-07-26 | 2018-12-21 | 北京航空航天大学 | 一种基于深度量子学习的健康评估方法 |
US20200054216A1 (en) * | 2018-08-16 | 2020-02-20 | Astrid Pharma Corp. | System of machine-learning mediated image analysis to aid predictive mri-guided hyperthermia treatments |
CN109686441A (zh) * | 2018-12-21 | 2019-04-26 | 质直(上海)教育科技有限公司 | 一种大数据医疗数据特征提取和智能分析预测方法 |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
CN111067618A (zh) * | 2019-12-31 | 2020-04-28 | 华科精准(北京)医疗科技有限公司 | 激光间质热疗的模拟方法和设备 |
CN113491511A (zh) * | 2020-03-18 | 2021-10-12 | 原相科技股份有限公司 | 光学式医疗检测装置 |
US20220121909A1 (en) * | 2020-03-24 | 2022-04-21 | Lg Electronics Inc. | Training a neural network using stochastic whitening batch normalization |
US20210339037A1 (en) * | 2020-04-29 | 2021-11-04 | Yinghui Sun | Physical targeted hyperthermia system used for tumor therapy and control method thereof |
CN111899894A (zh) * | 2020-08-03 | 2020-11-06 | 东南大学 | 一种抑郁症患者预后药效评估系统及其评估方法 |
CN111939479A (zh) * | 2020-08-20 | 2020-11-17 | 哈尔滨乔然科技有限公司 | 一种相控阵热疗机及其控制方法 |
US20230237309A1 (en) * | 2020-09-08 | 2023-07-27 | Huawei Technologies Co., Ltd. | Normalization in deep convolutional neural networks |
CN114176884A (zh) * | 2021-07-05 | 2022-03-15 | 深圳极能量子科技有限公司 | 一种基于物联网的细胞热疗仪及其管理系统 |
WO2023168916A1 (zh) * | 2022-03-08 | 2023-09-14 | 太原理工大学 | 一种基于不锈钢极薄带退火工艺神经网络模型优化方法 |
CN114904140A (zh) * | 2022-05-06 | 2022-08-16 | 张彧 | 理疗设备及其控制方法、理疗系统 |
JP7381815B1 (ja) * | 2022-06-17 | 2023-11-16 | 之江実験室 | 適応リサンプリングディープエンコーダネットワークに基づく通路異常検出システム |
CN115804683A (zh) * | 2022-11-15 | 2023-03-17 | 深圳市德壹医疗科技有限公司 | 一种热疗理疗机器人精准热疗的控制方法 |
CN115861923A (zh) * | 2022-11-24 | 2023-03-28 | 中国人民解放军总医院第一医学中心 | 腿部热疗康复设备 |
CN116473516A (zh) * | 2023-04-24 | 2023-07-25 | 哈尔滨工业大学(威海) | 基于光声弹性图像的肿瘤热消融效果评估系统和评估方法 |
CN117009876A (zh) * | 2023-10-07 | 2023-11-07 | 长春光华学院 | 基于人工智能的运动状态量评估方法 |
Non-Patent Citations (6)
Title |
---|
卓子寒;翟伟明;刘玲玲;蔡东阳;李一戈;唐劲天;: "肿瘤热疗计划系统的研究进展", 计算机应用研究, vol. 29, no. 12, 15 December 2012 (2012-12-15), pages 4407 - 4411 * |
唐晨曦;宋燕;赵丽;: "BSD2000热疗系统治疗深部肿瘤的护理", 西部医学, vol. 21, no. 11, 20 November 2009 (2009-11-20), pages 1 - 2 * |
张鹏: "神经康复理疗设备的FBS拓展模型构建与应用", 中国优秀硕士论文辑, no. 4, 15 April 2022 (2022-04-15), pages 1 * |
肖美英, 宋建顺, 章岳山, 黄传继, 李鼎九: "大功率微波区域/全身低热对心血管某些功能的影响", 肿瘤防治杂志, vol. 6, no. 01, 30 March 1999 (1999-03-30), pages 6 - 7 * |
贾得巍;刘静;: "移动式微波全身加热的理论模型与温度预示", 中国生物医学工程学报, no. 02, 20 April 2010 (2010-04-20), pages 1 - 8 * |
高宏建;杨春兰;赵磊;艾海明;吴水才;程志刚;梁萍;: "肝癌微波热疗手术规划系统的设计与实现", 北京工业大学学报, no. 03, 15 March 2010 (2010-03-15), pages 384 - 388 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6277080B1 (en) | Method and apparatus for measuring exertion endurance | |
Forouzanfar et al. | Feature-based neural network approach for oscillometric blood pressure estimation | |
EP1127544B1 (en) | Measurement relating to human energy metabolism | |
EP1127543B1 (en) | non-invasive assessment of lactate concentration in body in connection with corporal exercise | |
EP1147790B1 (en) | Method and equipment for human-related measuring | |
Ling et al. | Genetic-algorithm-based multiple regression with fuzzy inference system for detection of nocturnal hypoglycemic episodes | |
Gramatikov | Detecting central fixation by means of artificial neural networks in a pediatric vision screener using retinal birefringence scanning | |
Sikchi et al. | Generic medical fuzzy expert system for diagnosis of cardiac diseases | |
CN112102940A (zh) | 一种屈光检测方法、装置、计算机设备及存储介质 | |
CN117612694A (zh) | 一种基于数据反馈的热疗机数据识别方法和系统 | |
CN114613492A (zh) | 一种多模态激光干眼治疗仪波长控制方法 | |
CN117133404B (zh) | 一种针对胸廓出口综合征的智能化康复护理装置 | |
KR102460337B1 (ko) | 초음파 자극 제어 장치 및 방법 | |
US5579778A (en) | Method and apparatus for producing thermodilution cardiac output measurements utilizing a neural network | |
CN111939479A (zh) | 一种相控阵热疗机及其控制方法 | |
CN116649904A (zh) | 一种基于互联网医院的患者安全监控系统 | |
EP3967218A1 (en) | Local activation time analysis system | |
Hashim et al. | Optimization of ECG Peaks (Amplitude and Duration) in Predicting ECG Abnormality using Artificial Neural Network | |
CN113194829B (zh) | 人体精神压力测试方法及系统 | |
Dhok | Design of Mathematical Model for Prediction Deficiency of Nitric Oxide in blood Vessels | |
JPH06205843A (ja) | レート応答型ペースメーカ | |
AU2021101904A4 (en) | Artificial neural network based early diagnosis of diabetes mellitus | |
CN116884649B (zh) | 一种用于监测用户安全的控制系统 | |
KR20230085020A (ko) | 생체 신호 수집과 분석 기반의 신체 착용형 통증 관리 시스템 | |
TW202304374A (zh) | 自律神經平衡性檢測與疲勞程度評估之方法 |
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 |