CN117814932A - 一种辅助立体定位的窒息监测方法、装置、设备及介质 - Google Patents

Abstract

本发明涉及医疗器械技术领域，公开了一种辅助立体定位的窒息监测方法、装置、设备及介质，方法包括：在对实验动物进行立体定位手术时，对实验动物的颈部偏移角度进行监测，并对实验动物的生理参数进行监测；将颈部偏移角度和生理参数进行多模态数据融合，生成综合监测数据；判断综合监测数据是否处于预先确定的多模态空间范围，进而判断实验动物是否具有窒息风险。本发明通过对实验动物进行姿态和生理参数的综合监测和多模态数据分析，能够准确、可靠判断出实验动物在立体定位手术时是否有窒息风险，减少对动物的伤害，降低动物死亡率，从而提高立体定位手术的试验成功率。

Description

一种辅助立体定位的窒息监测方法、装置、设备及介质

技术领域

本发明涉及医疗器械技术领域，具体涉及一种辅助立体定位的窒息监测方法、装置、设备及介质。

背景技术

在对实验动物手术中立体定位仪是一个常见的设备，例如在小鼠脑区植入电极以及病毒注射等实验都需要借助立体定位仪来确定植入坐标。立体定位技术是精确确定脑结构特定位置的技术。常用于实验神经心理学和脑神经外科的手术。如把微电极或微导管准确插入或将射线对准特定的脑部位，对其进行刺激、损伤或注射药物。立体定位仪由固定动物头部的耳扦、门齿钩及三维可调的电极架组成。使用时，首先需要通过调节适配器高度和前后使得头部调平。然后按脑图谱提供的参数，在规定的参照坐标系中确定要研究或进行手术的位置。

但在固定小鼠头部之后，在调平过程中，由于身体姿势的变化，特别是头颈部的姿势变化，会导致小鼠的脖子角度异常气道受阻，引发窒息的风险，而现有的立体定位仪并没有监测和预防这种情况发生的功能，导致小鼠手术时具有窒息风险。

发明内容

有鉴于此，本发明提供了一种辅助立体定位的窒息监测方法、装置、设备及介质，以解决对小鼠进行立体定位手术时具有窒息风险的问题。

第一方面，本发明提供了一种辅助立体定位的窒息监测方法，方法包括：

在对实验动物进行立体定位手术时，对实验动物的颈部偏移角度进行监测，并对实验动物的生理参数进行监测；

将颈部偏移角度和生理参数进行多模态数据融合，生成综合监测数据；

判断综合监测数据是否处于预先确定的多模态空间范围，进而判断实验动物是否具有窒息风险。

本发明实施例提供辅助立体定位的窒息监测方法，通过在对实验动物进行立体定位手术时，监测实验动物的颈部偏移角度和生理参数，将颈部偏移角度和生理参数进行多模态数据融合，生成综合监测数据后，判断综合监测数据是否处于预先确定的多模态空间范围，进而判断实验动物是否具有窒息风险。本发明通过对实验动物进行姿态和生理参数的综合监测和多模态数据分析，能够准确、可靠判断出实验动物在立体定位手术时是否有窒息风险，减少对动物的伤害，降低动物死亡率，从而提高立体定位手术的试验成功率。

在一种可选的实施方式中，还包括：若实验动物具有窒息风险，则进行多模态报警，多模态报警包括声音报警、光提示报警和界面通知报警中的至少一种。

本发明通过在监测出实验动物具有窒息风险时迅速发出警报，能够及时提醒操作者实验面临安全问题，需及时进行调整，从而防止实验在操作者未知情况下失败。

在一种可选的实施方式中，对实验动物的颈部偏移角度进行监测的过程，包括：采集实验动物的颈部图像；通过预先训练的姿态识别模型，对颈部图像中实验动物的颈部姿态进行识别，获取实验动物的颈部偏移角度。

本发明通过模型学习实验动物姿态变化中颈部偏移角度，能够在一定程度上反映出实验动物是否会因为脖子角度异常而导致气道受阻，从而导致窒息的情况。

在一种可选的实施方式中，构建姿态识别模型的过程，包括：收集实验动物在不同场景下、不同光照条件下、不同身体姿势下和不同颈部偏移角度下的颈部图像；对颈部图像进行标准化处理，并为颈部图像标注预设标签；构建初始卷积神经网络模型；将进行标注的颈部图像输入至初始卷积神经网络模型中进行训练，获得姿态识别模型。

本发明通过卷积神经网络能够根据实验动物颈部图像准确识别出颈部偏移角度，提高窒息风险监测的准确性与可靠性。

在一种可选的实施方式中，对实验动物的生理参数进行监测的过程中，包括：通过呼吸频率传感器获取实验动物的呼吸频率；通过心率传感器获取实验动物的心跳频率。

本发明通过监测实验动物的生理参数，能够更进一步根据实验动物真实生理状况判断出是否具有窒息风险，弥补外部姿态监测可能存在的误差，从而进一步提高窒息风险监测的准确性。

在一种可选的实施方式中，确定多模态空间范围的过程，包括：收集历史实验中已知是否发生窒息情况的实验动物的颈部偏移角度、呼吸频率和心跳频率；将颈部偏移角度、呼吸频率和心跳频率进行多模态数据融合，获得综合监测数据；通过预设分类模型对已知是否发生窒息情况所对应的综合监测数据进行学习，通过确定颈部偏移角度、呼吸频率和心跳频率的窒息风险边界来获得多模态空间范围。

本发明通过预先根据姿态参数和生理参数的数据融合结果学习确定未发生窒息的空间范围，能够降低因某一数据源的异常而引起的误报，提高窒息监测的可靠性，提高对于复杂情景的适应性。

在一种可选的实施方式中，判断综合监测数据是否处于预先确定的多模态空间范围，进而判断实验动物是否具有窒息风险的过程，包括：判断颈部偏移角度、呼吸频率和心跳频率是否处于多模态空间范围内；若颈部偏移角度、呼吸频率和心跳频率均处于多模态空间内，则实验动物无窒息风险；若颈部偏移角度、呼吸频率或心跳频率中至少一个不处于多模态空间内，则实验动物具有窒息风险。

本发明通过空间范围判断当前实验动物是否具有窒息风险，能够综合多个数据源，提高实时监测的精度，同时增强监测的反应速度，实现信息互补，为窒息监测提供更全面、更具体的信息量，提高实验动物窒息风险监测的准确性和可靠性。

第二方面，本发明提供了一种辅助立体定位的窒息监测装置，装置包括：

监测模块，用于在对实验动物进行立体定位手术时，对实验动物的颈部偏移角度进行监测，并对实验动物的生理参数进行监测；

数据融合模块，用于将颈部偏移角度和生理参数进行多模态数据融合，生成综合监测数据；

窒息监测模块，用于根据综合监测数据和预先确定的多模态判断条件来判断实验动物是否具有窒息风险。

本发明实施例提供的辅助立体定位的窒息监测装置，通过在对实验动物进行立体定位手术时，监测实验动物的颈部偏移角度和生理参数，将颈部偏移角度和生理参数进行多模态数据融合，生成综合监测数据后，判断综合监测数据是否处于预先确定的多模态空间范围，进而判断实验动物是否具有窒息风险。本发明通过对实验动物进行姿态和生理参数的综合监测和多模态数据分析，能够准确、可靠判断出实验动物在立体定位手术时是否有窒息风险，减少对动物的伤害，降低动物死亡率，从而提高立体定位手术的试验成功率。

第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的辅助立体定位的窒息监测方法。

第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的辅助立体定位的窒息监测方法。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的辅助立体定位的窒息监测方法的流程示意图；

图2是根据本发明实施例的辅助立体定位的窒息监测方法的系统处理流程示意图；

图3是根据本发明实施例的另一辅助立体定位的窒息监测方法的流程示意图；

图4是根据本发明实施例的又一辅助立体定位的窒息监测方法的流程示意图；

图5是根据本发明实施例的辅助立体定位的窒息监测装置的结构框图；

图6是本发明实施例的计算机设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

本发明实施例适用于对实验动物进行立体定位手术的场景。根据本发明实施例，提供了一种辅助立体定位的窒息监测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中提供了一种辅助立体定位的窒息监测方法，可用于上述的移动终端，如电脑，图1是根据本发明实施例的辅助立体定位的窒息监测方法的流程图，如图1所示，该流程包括如下步骤：

步骤S101，在对实验动物进行立体定位手术时，对实验动物的颈部偏移角度进行监测，并对实验动物的生理参数进行监测。

具体地，在本发明实施例中，如图2所示，例如给小鼠进行立体定位手术时，为准确掌握小鼠是否具有窒息风险，通过辅助立体定位的窒息监测方法所对应系统控制预先部署的姿势监测系统监测小鼠的颈部偏移角度，即脖子的偏移角度，以确保在手术过程中小鼠的姿势在安全范围内，但不以此为限。其中，姿势监测系统通过安装于手术区域的摄像头采集小鼠的颈部图像，然后通过包含姿态识别模型的图像处理模块对颈部图像中小鼠的颈部姿态进行识别，获取小鼠的颈部偏移角度。在本发明实施例中，摄像头配备高分辨率摄像头进行小鼠颈部图像的捕捉，图像处理模块使用现有技术中先进的OpenPose图像处理算法，分析来自摄像头的颈部图像中小鼠脖子角度，但不以此为限。

在一种可选的实施方式中，本发明实施例还在立体定位手术过程中通过预先部署的生理参数监测系统的传感器集成模块对小鼠的生理参数进行实时监测，监测的生理参数包括呼吸频率和心跳频率，还可将小鼠的体温、血氧饱和度作为监测对象，仅作为举例，不以此为限。生理参数能够较为准确的反映出小鼠当前的生理状况，弥补外部姿态检测可能存在的误差。

步骤S102，将颈部偏移角度和生理参数进行多模态数据融合，生成综合监测数据。

具体地，在本发明实施例中，当获取小鼠的颈部偏移角度和生理参数后，并不是简单直接的通过判断各参数是否在某对应区间内来判断小鼠是否有窒息风险，而是通过预先部署的数据融合模块对颈部偏移角度和各生理参数进行数据融合，生成综合监测数据，即对不同技术领域进行有效整合，这种整合为手术安全性提供了新的层面。其中，在综合监测数据中，颈部偏移角度是一个单独的角度数值，而生理参数可能是一个单独的数值，也可能是一个时间段内的变化范围。本发明实施例采用多模态数据融合引擎(Multimodal DataFusion Engine，MDFE)进行数据融合，其中，MDFE使用特定算法，将图像处理单元的脖子角度数据与生理参数进行数据融合，形成具有多维度信息的综合监测数据，确保对小鼠姿势和生理状态的全面监测。多模态数据融合有助于减少误报率。通过同时考虑图像和传感器数据，能够更准确地判断小鼠是否具有窒息风险，降低因某一数据源的异常而引起的误报，提高监测结果的可靠性。多模态数据融合能够提高对于复杂情境的适应性。例如，在立体定位手术环境中可能存在光线变化、小鼠体型差异等因素，综合使用不同模态的数据能够增强系统的稳健性。多模态数据融合能够及时响应并调整，因为它综合了多个数据源，不仅能够提高实时监测的精度，同时能够增强监测的反应速度。同时，图像处理和传感器数据能够进行信息互补，图像处理提供视觉上的信息，而传感器提供生理参数，两者结合起来使得监测数据包含更全面、更具体信息量，有助于更准确地判断窒息风险。

步骤S103，判断综合监测数据是否处于预先确定的多模态空间范围，进而判断实验动物是否具有窒息风险。

具体地，在本发明实施例中，预先根据历史实验中小鼠的窒息情况和对应的综合监测数据确定多模态空间范围，然后在实际立体定位手术中，实时获得综合监测数据，实时判断综合监测数据是否处于多模态空间范围内。本发明判断综合监测数据是否处于预先确定的多模态空间范围，并不是简单的判断每个参数是否在对应的范围内，而是综合判断。例如当判断出颈部偏移角度处于多模态空间范围中角度范围的同时，判断各生理参数是否处于对应的生理参数范围，而且颈部偏移角度在角度范围内的所处位置还会影响生理参数范围的取值，例如若颈部偏移角度处于角度范围的中间位置，则对应的生理参数范围比较宽泛，若颈部偏移角度处于角度范围的两边位置，则对应的生理参数范围相对较小，具体多模态空间范围的确定情况根据分类模型的学习结果确定。

本发明实施例提供了一种辅助立体定位的窒息监测方法，通过在对实验动物进行立体定位手术时，监测实验动物的颈部偏移角度和生理参数，将颈部偏移角度和生理参数进行多模态数据融合，生成综合监测数据后，判断综合监测数据是否处于预先确定的多模态空间范围，进而判断实验动物是否具有窒息风险。本发明通过对实验动物进行姿态和生理参数的综合监测和多模态数据分析，能够准确、可靠判断出实验动物在立体定位手术时是否有窒息风险，减少对动物的伤害，降低动物死亡率，从而提高立体定位手术的试验成功率。

在本实施例中提供了一种辅助立体定位的窒息监测方法，可用于上述的移动终端，如电脑，图3是根据本发明实施例的辅助立体定位的窒息监测方法的流程图，如图3所示，该流程包括如下步骤：

步骤S301，在对实验动物进行立体定位手术时，对实验动物的颈部偏移角度进行监测，并对实验动物的生理参数进行监测。详细请参见图1所示实施例的步骤S101，在此不再赘述。

步骤S302，将颈部偏移角度和生理参数进行多模态数据融合，生成综合监测数据。详细请参见图1所示实施例的步骤S102，在此不再赘述。

步骤S303，判断综合监测数据是否处于预先确定的多模态空间范围，进而判断实验动物是否具有窒息风险。详细请参见图1所示实施例的步骤S103，在此不再赘述。

步骤S304，若实验动物具有窒息风险，则进行多模态报警，多模态报警包括声音报警、光提示报警和界面通知报警中的至少一种。

具体地，在本发明实施例中，如图2所示，在进行立体定位手术过程中，当判断出小鼠具有窒息风险，则通过具有多模态警报传达器(Multimodal Alert Transmitter，MAT)进行报警，其中，MAT通过声音、光提示或界面通知等多种方式向操作者传达警报信息，提醒操作者采取相应的救援措施，仅作为举例，不以此为限。

在一些可选的实施方式中，本发明实施例通过构建的一套综合的小鼠手术窒息监测方法的用户交互界面来辅助立体定位手术，为操作者提供用户友好的界面，使操作者能够轻松地监测窒息监测结果的反馈，理解小鼠的生理状况，并根据需要进行操作调整，全方位保障了手术过程的安全性。此外，操作者可根据实验需求调整系统参数，例如设置脖子角度的安全阈值、调整警报灵敏度等。

本发明实施例提供了一种辅助立体定位的窒息监测方法，通过在对实验动物进行立体定位手术时，监测实验动物的颈部偏移角度和生理参数，将颈部偏移角度和生理参数进行多模态数据融合，生成综合监测数据后，判断综合监测数据是否处于预先确定的多模态空间范围，进而判断实验动物是否具有窒息风险，若实验动物具有窒息风险，则进行多模态报警。本发明通过对实验动物进行姿态和生理参数的综合监测、多模态数据分析和多模态报警，能够准确、可靠判断出实验动物在立体定位手术时是否有窒息风险，从而对操作者进行及时报警，进而减少对动物的伤害，降低动物死亡率，提高立体定位手术的试验成功率。

在本实施例中提供了一种辅助立体定位的窒息监测方法，可用于上述的移动终端，如电脑，图4是根据本发明实施例的辅助立体定位的窒息监测方法的流程图，如图4所示，该流程包括如下步骤：

步骤S401，在对实验动物进行立体定位手术时，对实验动物的颈部偏移角度进行监测，并对实验动物的生理参数进行监测。

具体地，上述步骤S401包括：

步骤S4011，构建姿态识别模型。

具体地，在本发明实施例中，收集实验小鼠在不同场景下、不同光照条件下、不同身体姿势下和不同颈部偏移角度下的颈部图像，所得颈部图像涵盖多种复杂情况，能够确保数据集的多样性，以提高模型的泛化能力。然后对颈部图像进行标准化处理，抱愧大小标准化、亮度处理、旋转矫正等以确保输入数据的一致性和质量。同时为颈部图像标注预设标签，本发明实施例可以根据是否影响小鼠呼吸设置标签，例如不会影响小鼠呼吸的角度就是1，如果会影响小鼠呼吸的角度就是0；或者直接标记小鼠脖子的角度，然后确定多少度会影响呼小鼠呼吸。本发明通过构建初始卷积神经网络模型进行学习，将进行标注的颈部图像输入至初始卷积神经网络模型中，输出对应的标签，根据输入输出对初始卷积神经网络模型进行训练和调整，最后获得姿态识别模型。在训练过程中，初始卷积神经网络通过反向传播算法更新权重，以减小预测值与真实标签之间的差距，并选择适当的损失函数和优化算法来进行训练。本发明实施例还建立的验证集(收集的不恰当的脖子角度的照片以及恰当的脖子角度的照片)评估训练得到的模型性能，根据评估结果，调整网络架构、超参数，确保模型在未见过的数据上表现良好，以确保泛化性能。

步骤S4012，采集实验动物的颈部图像；通过预先训练的姿态识别模型，对颈部图像中实验动物的颈部姿态进行识别，获取实验动物的颈部偏移角度。

具体地，本发明实施例将训练好的姿态识别模型部署到计算机上，在实际立体定位手术中，将实时收集的颈部图像输入至姿态识别模型，能够直接获得小鼠的颈部偏移角度，从而实现对小鼠脖子角度的实时监测。

步骤S4013，通过呼吸频率传感器获取实验动物的呼吸频率；通过心率传感器获取实验动物的心跳频率。

具体地，在本发明实施例中，在对小鼠进行立体定位实验时，在其身上部署包括呼吸频率传感器和心率传感器的传感器集成模块进行时域分析，获取呼吸频率和心跳频率的实时数据。

步骤S402，将颈部偏移角度和生理参数进行多模态数据融合，生成综合监测数据。详细请参见图1所示实施例的步骤S102，在此不再赘述。

步骤S403，判断综合监测数据是否处于预先确定的多模态空间范围，进而判断实验动物是否具有窒息风险。

具体地，上述步骤S403包括：

步骤S4031，确定多模态空间范围。

具体地，在本发明实施例中，收集历史实验中已知是否发生窒息情况的小鼠的颈部偏移角度、呼吸频率和心跳频率，将颈部偏移角度、呼吸频率和心跳频率通过多模态数据融合引擎MDFE进行多模态数据融合，获得综合监测数据，然后通过预设分类模型对已知是否发生窒息情况所对应的综合监测数据进行学习，例如二分类模型，但不以此为限，通过确定颈部偏移角度、呼吸频率和心跳频率的窒息风险边界来获得多模态空间范围，其中窒息风险边界为发生窒息和未发生窒息时某参数所对应数值。

步骤S4032，判断颈部偏移角度、呼吸频率和心跳频率是否处于多模态空间范围内；若颈部偏移角度、呼吸频率和心跳频率均处于多模态空间内，则实验动物无窒息风险；若颈部偏移角度、呼吸频率或心跳频率中至少一个不处于多模态空间内，则实验动物具有窒息风险。

具体地，在本发明实施例中，颈部偏移角度、呼吸频率和心跳频率所对应的多模态空间范围并不是固定不变的三个范围，而是相互影响的一个空间范围，即当确定其中一个参数在正常范围内的同时，其他两个参数需同时满足在对应的正常范围内，且不同参数对应的正常范围会因为其中某一参数在正常范围内的位置不同而发生变换，具体范围分布情况能够通过分类模型学习，然后通过异常检测引擎(Anomaly Detection Engine，ADE)使用专门设计的算法进行判断分析，直接得出结果。

本发明实施例提供了一种辅助立体定位的窒息监测方法，通过在对实验动物进行立体定位手术时，监测实验动物的颈部偏移角度和生理参数，将颈部偏移角度和生理参数进行多模态数据融合，生成综合监测数据后，判断综合监测数据是否处于预先确定的多模态空间范围，进而判断实验动物是否具有窒息风险。本发明通过对实验动物进行姿态和生理参数的综合监测和多模态数据分析，能够准确、可靠判断出实验动物在立体定位手术时是否有窒息风险，减少对动物的伤害，降低动物死亡率，从而提高立体定位手术的试验成功率。

在本实施例中还提供了一种辅助立体定位的窒息监测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本实施例提供一种辅助立体定位的窒息监测装置，如图5所示，包括：

监测模块501，用于在对实验动物进行立体定位手术时，对实验动物的颈部偏移角度进行监测，并对实验动物的生理参数进行监测。

数据融合模块502，用于将颈部偏移角度和生理参数进行多模态数据融合，生成综合监测数据。

窒息监测模块503，用于根据综合监测数据和预先确定的多模态判断条件来判断实验动物是否具有窒息风险。

在一些可选的实施方式中，还包括：报警模块，用于若实验动物具有窒息风险，则进行多模态报警，多模态报警包括声音报警、光提示报警和界面通知报警中的至少一种。

在一些可选的实施方式中，监测模块501包括：

颈部偏移角度监测单元，用于采集实验动物的颈部图像；通过预先训练的姿态识别模型，对颈部图像中实验动物的颈部姿态进行识别，获取实验动物的颈部偏移角度。

姿态识别模型构建单元，用于收集实验动物在不同场景下、不同光照条件下、不同身体姿势下和不同颈部偏移角度下的颈部图像；对颈部图像进行标准化处理，并为颈部图像标注预设标签；构建初始卷积神经网络模型；将进行标注的颈部图像输入至初始卷积神经网络模型中进行训练，获得姿态识别模型。

生理参数监测单元，用于通过呼吸频率传感器获取实验动物的呼吸频率；通过心率传感器获取实验动物的心跳频率。

在一些可选的实施方式中，窒息监测模块503包括：

多模态空间范围确定单元，用于收集历史实验中已知是否发生窒息情况的实验动物的颈部偏移角度、呼吸频率和心跳频率；将颈部偏移角度、呼吸频率和心跳频率进行多模态数据融合，获得综合监测数据；通过预设分类模型对已知是否发生窒息情况所对应的综合监测数据进行学习，通过确定颈部偏移角度、呼吸频率和心跳频率的窒息风险边界来获得多模态空间范围。

范围判断单元，用于判断颈部偏移角度、呼吸频率和心跳频率是否处于多模态空间范围内；若颈部偏移角度、呼吸频率和心跳频率均处于多模态空间内，则实验动物无窒息风险；若颈部偏移角度、呼吸频率或心跳频率中至少一个不处于多模态空间内，则实验动物具有窒息风险。

上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。

本实施例中的辅助立体定位的窒息监测装置是以功能单元的形式来呈现，这里的单元是指ASIC(Application Specific Integrated Circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。

本发明实施例还提供一种计算机设备，具有上述图5所示的辅助立体定位的窒息监测装置。

请参阅图6，图6是本发明可选实施例提供的一种计算机设备的结构示意图，如图6所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器10为例。

处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。

其中，所述存储器20存储有可由至少一个处理器10执行的指令，以使所述至少一个处理器10执行实现上述实施例示出的方法。

存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。

该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。

本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种辅助立体定位的窒息监测方法，其特征在于，所述方法，包括：

在对实验动物进行立体定位手术时，对所述实验动物的颈部偏移角度进行监测，并对所述实验动物的生理参数进行监测；

将所述颈部偏移角度和所述生理参数进行多模态数据融合，生成综合监测数据；

判断所述综合监测数据是否处于预先确定的多模态空间范围，进而判断所述实验动物是否具有窒息风险。

2.根据权利要求1所述的方法，其特征在于，还包括：

若所述实验动物具有窒息风险，则进行多模态报警，所述多模态报警包括声音报警、光提示报警和界面通知报警中的至少一种。

3.根据权利要求1所述的方法，其特征在于，所述对所述实验动物的颈部偏移角度进行监测的过程，包括：

采集所述实验动物的颈部图像；

通过预先训练的姿态识别模型，对所述颈部图像中所述实验动物的颈部姿态进行识别，获取所述实验动物的颈部偏移角度。

4.根据权利要求3所述的方法，其特征在于，构建所述姿态识别模型的过程，包括：

收集所述实验动物在不同场景下、不同光照条件下、不同身体姿势下和不同颈部偏移角度下的颈部图像；

对所述颈部图像进行标准化处理，并为所述颈部图像标注预设标签；

构建初始卷积神经网络模型；

将进行标注的所述颈部图像输入至初始卷积神经网络模型中进行训练，获得姿态识别模型。

5.根据权利要求1所述的方法，其特征在于，所述对所述实验动物的生理参数进行监测的过程中，包括：

通过呼吸频率传感器获取所述实验动物的呼吸频率；

通过心率传感器获取所述实验动物的心跳频率。

6.根据权利要求3或5所述的方法，其特征在于，确定所述多模态空间范围的过程，包括：

收集历史实验中已知是否发生窒息情况的所述实验动物的颈部偏移角度、呼吸频率和心跳频率；

将所述颈部偏移角度、所述呼吸频率和所述心跳频率进行多模态数据融合，获得综合监测数据；

通过预设分类模型对所述已知是否发生窒息情况所对应的所述综合监测数据进行学习，通过确定所述颈部偏移角度、所述呼吸频率和所述心跳频率的窒息风险边界来获得所述多模态空间范围。

7.根据权利要求6所述的方法，其特征在于，所述判断所述综合监测数据是否处于预先确定的多模态空间范围，进而判断所述实验动物是否具有窒息风险的过程，包括：

判断所述颈部偏移角度、所述呼吸频率和所述心跳频率是否处于所述多模态空间范围内；

若所述颈部偏移角度、所述呼吸频率和所述心跳频率均处于所述多模态空间内，则所述实验动物无窒息风险；

若所述颈部偏移角度、所述呼吸频率或所述心跳频率中至少一个不处于所述多模态空间内，则所述实验动物具有窒息风险。

8.一种辅助立体定位的窒息监测装置，其特征在于，所述装置，包括：

监测模块，用于在对实验动物进行立体定位手术时，对所述实验动物的颈部偏移角度进行监测，并对所述实验动物的生理参数进行监测；

数据融合模块，用于将所述颈部偏移角度和所述生理参数进行多模态数据融合，生成综合监测数据；

窒息监测模块，用于根据所述综合监测数据和预先确定的多模态判断条件来判断所述实验动物是否具有窒息风险。

9.一种计算机设备，其特征在于，包括：

存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至7中任一项所述的辅助立体定位的窒息监测装置。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任一项所述的辅助立体定位的窒息监测装置。