CN118050648A - 植入式设备电量监控设备、方法及相关装置 - Google Patents
植入式设备电量监控设备、方法及相关装置 Download PDFInfo
- Publication number
- CN118050648A CN118050648A CN202410389527.1A CN202410389527A CN118050648A CN 118050648 A CN118050648 A CN 118050648A CN 202410389527 A CN202410389527 A CN 202410389527A CN 118050648 A CN118050648 A CN 118050648A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- implantable device
- preset
- state
- stimulation
- 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 54
- 238000012806 monitoring device Methods 0.000 title claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 46
- 230000010365 information processing Effects 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 230000000638 stimulation Effects 0.000 claims description 152
- 238000004891 communication Methods 0.000 claims description 44
- 230000005856 abnormality Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 230000002950 deficient Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 230000005611 electricity Effects 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 210000005036 nerve Anatomy 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 239000007943 implant Substances 0.000 description 4
- 230000007383 nerve stimulation Effects 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 3
- 230000036506 anxiety Effects 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002513 implantation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 210000000278 spinal cord Anatomy 0.000 description 3
- 208000021384 Obsessive-Compulsive disease Diseases 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 208000024714 major depressive disease Diseases 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000036407 pain Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010003805 Autism Diseases 0.000 description 1
- 208000020706 Autistic disease Diseases 0.000 description 1
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 208000023105 Huntington disease Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 208000019695 Migraine disease Diseases 0.000 description 1
- 208000019022 Mood disease Diseases 0.000 description 1
- 208000016285 Movement disease Diseases 0.000 description 1
- 208000008238 Muscle Spasticity Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 208000028017 Psychotic disease Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 206010013663 drug dependence Diseases 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 201000006517 essential tremor Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 206010027599 migraine Diseases 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 208000028173 post-traumatic stress disease Diseases 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000036578 sleeping time Effects 0.000 description 1
- 208000018198 spasticity Diseases 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000001515 vagal effect Effects 0.000 description 1
- 210000001186 vagus nerve Anatomy 0.000 description 1
Landscapes
- Electrotherapy Devices (AREA)
Abstract
本申请提供一种植入式设备电量监控设备、方法及相关装置,属于医疗器械技术领域,所述监控设备包括信息处理模块和预警模块:信息处理模块包括第一获取单元、第二获取单元和判定单元;第一获取单元用于获取植入式设备的使用状态以及所述使用状态对应实际电量信息;第二获取单元用于基于实际电量信息,确定植入式设备实际耗电数据;判定单元用于基于所述实际耗电数据以及所述使用状态对应的预设耗电数据,判定所述植入式设备的耗电是否异常,若是,则将耗电异常信息发送至预警模块;预警模块用于发出预警提示。通过构建信息处理模块和预警模块,实现对植入式设备电量的实时监测和异常预警,提高电量监测的准确性和实时性。
Description
技术领域
本申请涉及医疗器械技术领域,尤其涉及植入式设备的电量监控设备、方法及相关装置。
背景技术
在医疗领域,植入式医疗器械的应用越来越广泛,如心脏起搏器、神经刺激器等。这些设备在患者体内扮演着重要的角色,其稳定性和安全性直接关系到患者的生命质量和健康状况。耗电量作为植入式医疗器械运行的关键因素之一,一旦耗电量出现异常,将直接影响设备的正常运行,甚至可能导致严重的医疗后果。
然而,由于植入式医疗器械的空间受限,无法在其内部加入专门的硬件监测设备来实时监控电量情况。因此,传统的电量监测方法往往依赖于患者定期到医院进行检查或依赖医生的经验进行判断,这种方法不仅效率低下,而且难以及时发现电量异常。
通过电量监测设备,利用先进技术对植入式医疗器械的电量进行实时监测和分析,可以及时发现电量异常,从而采取相应的措施,确保设备的正常运行和患者的安全。然而,现有的电量监测方法仍存在一定的局限性。一方面,由于植入式医疗器械的使用环境复杂多变,其电量消耗情况受到多种因素的影响,如设备的工作状态、患者的生活习惯等。因此,如何准确判断电量异常并确定其原因是一个亟待解决的问题。另一方面,由于患者的个体差异和疾病类型的不同,对电量监测的精度和实时性要求也不同。因此,如何设计一种通用性强、精度高的电量监测方法也是一个重要的研究方向。
基于此,本申请提供了植入式设备的电量监控设备、方法及相关装置,以解决上述现有技术中存在的问题。
发明内容
本申请的目的在于提供一种植入式设备的电量监控设备、方法及相关装置,通过构建信息处理模块和预警模块,实现对植入式设备电量的实时监测和异常预警,同时结合机器学习等技术,提高电量监测的准确性和实时性,为患者的健康和安全提供有力保障。
本申请的目的采用以下技术方案实现:
第一方面,本申请提出一种植入式设备电量监控设备,所述监控设备包括信息处理模块和预警模块:
所述信息处理模块包括第一获取单元、第二获取单元和判定单元;
所述第一获取单元用于获取至少一个植入式设备的使用状态以及所述使用状态对应实际电量信息;
所述第二获取单元用于基于实际电量信息,确定所述植入式设备在预设时间段内的实际耗电数据;
所述判定单元,用于基于所述实际耗电数据以及所述使用状态对应的预设耗电数据,判定所述植入式设备的耗电是否异常,若是,则将耗电异常信息发送至预警模块;
所述预警模块用于根据所述耗电异常信息发出预警提示。
可选地,所述植入式设备电量监控设备,所述预设耗电数据的获取方式包括:
获取所述植入式设备的使用状态以及每个使用状态下的理论功耗;所述植入式设备的使用状态包括如下至少一种状态:待机状态、刺激状态以及通讯状态;
基于每个使用状态下所述理论功耗获得每个使用状态下在第一预设时间内的耗电数据,并将每个使用状态下的所述耗电数据作为该使用状态下的预设耗电数据。
优选地,所述植入式设备电量监控设备,所述理论功耗的获取方式包括:
获取历史数据中植入式设备的不同使用状态下的电量信息以及耗电参数;所述耗电参数包括硬件参数和工作参数;
根据获取的历史数据,通过机器学习,分别确定植入式设备在刺激状态下、待机状态下以及通讯状态下的功耗;并将在刺激状态下的功耗作为刺激状态下的理论功耗;将在待机状态下的功耗作为待机状态的理论功耗;将在通讯状态下的功耗曲线作为通讯状态下的理论功耗。
可选地,所述植入式设备电量监控设备,所述预设耗电数据为:
其中,Qy为预设耗电数据,Qk为刺激状态的耗电数据,Tk为第一预设时间内的刺激时间,T为第一预设时间,Pi为第一预设时间内植入式设备除刺激状态外第i个使用状态的理论功耗;i为第一预设时间内植入式设备除刺激状态外运行的不同使用状态的数量,ti为第一预设时间内植入式设备除刺激状态外第i个使用状态的运行时长;Pj为第一预设时间内刺激状态下第j组刺激参数对应的理论功耗;tj为第一预设时间内刺激状态下第j组刺激参数对应的刺激时长;m为第一预设时间内刺激状态下所用到的刺激参数的组数。
优选地,所述植入式设备电量监控设备,所述实际耗电数据包括第一实际耗电量,所述预设耗电数据包括第一预设耗电量;所述判定单元的执行步骤包括:
基于第一预设耗电量与第一实际耗电量获得第一差值;
若所述第一差值大于第一阈值,则进行预警提醒;
若所述第一差值小于或等于所述第一阈值;则记录所述第一差值,并继续统计后续的第一实际耗电量;
若根据后续统计的第一实际耗电量得到的第一差值均小于或等于所述第一阈值;并且连续多次第一实际耗电量均大于第一预设耗电量,或者连续多次第一实际耗电量均小于第一预设耗电量,则进行第二判定。
优选地,所述植入式设备电量监控设备,所述第二判定包括:
将连续多个第一预设时间内的总耗电量作为第二实际耗电量;
将第二实际耗电量与第二预设耗电量对比,获得第二差值;
若第二差值大于第二阈值,则进行预警提醒。
优选地,所述植入式设备电量监控设备,所述第一阈值满足以下条件:
αu=tu/T
其中,Dy1为第一阈值,v为第一预设时间内植入式设备使用状态数量,tu为第一预设时间内植入式设备第u个使用状态的运行时间;Du为植入式设备第u个使用状态单位时间内实际耗电量与预设耗电量允许的最大标定差值;αu为植入式设备第u个使用状态的系数;T为第一预设时间。
可选地,所述植入式设备电量监控设备,所述预设耗电数据的获取方法包括:
信息处理模块根据植入式设备在不同使用状态下的耗电数据,建立植入式设备在不同使用状态的耗电曲线;根据不同使用状态的耗电曲线,预测植入式设备在不同使用状态下的后续预设时间段的耗电信息,并将所述耗电信息作为所述预设耗数据。
可选地,所述植入式设备电量监控设备,所述判定单元的执行步骤包括:
判断预设时间内的使用状态是否与预设使用状态一致;
若是,则计算预设耗电曲线与实际耗电曲线的距离,所述预设耗电曲线为基于所述预设耗电数据生成的曲线;
若实际耗电曲线与预设耗电曲线的距离大于距离阈值,则进行报警提醒。
优选地,所述植入式设备电量监控设备,所述判断预设时间内的使用状态是否与预设使用状态一致,包括:
若预设时间内的使用状态与预设使用状态不一致;
则获取植入式设备的使用状态以及每个使用状态下的理论功耗;
基于理论功耗获得在预设时间内的耗电数据作为预设耗电数据。
可选地,所述植入式设备电量监控设备,所述信息处理模块还用于:
当所述植入式设备的耗电异常时,获取所述植入式设备的运行参数;
将所述运行参数与预设故障对应的运行参数进行匹配,以确定所述植入式设备的耗电故障类型。
可选地,所述植入式设备电量监控设备,所述信息处理模块还用于:
判断所述植入式设备是否已植入患者体内;
若是,则根据所述植入式设备的耗电异常情况进行风险分级;
若否,则判断该植入式设备为不良品。
第二方面,本申请提供一种植入式设备电量监控方法,所述方法包括:
通过信息处理模块获取至少一个植入式设备的使用状态以及所述使用状态对应实际电量信息;
基于实际电量信息,确定所述植入式设备在预设时间段内的实际耗电数据;
基于所述实际耗电数据以及所述使用状态对应的预设耗电数据,判定所述植入式设备的耗电是否异常,若是,则将耗电异常信息发送至预警模块;
根据所述耗电异常信息,通过所述预警模块发出预警提示。
第三方面,本申请提供一种医疗系统,所述医疗系统包括:
植入式设备,所述植入式设备可定时发送电量信息或具有电量信息获取接口;
任一本申请所述植入式设备电量监控设备,所述植入式设备电量监控设备实现所述植入式设备的电量监控。
第四方面,本申请提供一种程控设备,所述程控设备包括:
任一本申请所述植入式设备电量监控设备,所述植入式设备电量监控设备实现所述植入式设备的电量监控。
第五方面,本申请提供一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现任一本申请所述设备的功能,或者实现权利本申请所述方法的步骤。
在一些可选的实施例中,所述电子设备还设置有显示屏。
第六方面,本申请提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现任一本申请所述设备的功能,或者实现权利本申请所述方法的步骤。
第七方面,本申请提出一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现任一本申请所述设备的功能,或者实现本申请所述方法的步骤。
本发明的有益效果至少包括如下几个方面:通过信息处理模块和预警模块的配合,能够实时监测植入式设备的电量情况,一旦发现电量异常,便能迅速发出预警提示,提高了电量监控的及时性和准确性;通过机器学习技术,能够从历史数据中学习植入式设备在不同使用状态下的理论功耗,进而预测其后续耗电情况,提高了预测的准确性,根据耗电异常情况进行风险分级,并识别可能的故障类型;不仅有助于医生或患者了解设备的工作状态,还能为后续的维护或治疗提供有针对性的建议;在植入式设备尚未植入患者体内时,本申请能够判断其为不良品,从而避免了潜在的安全风险,有助于在设备出厂前或运输过程中发现并解决问题,提高了产品的质量和安全性。
附图说明
下面结合附图和实施例对本申请进一步说明;
图1是本申请实施例提供的植入式设备的电量监控设备的示意图;
图2是本申请实施例提供的医疗系统示意图;
图3是本申请实施例提供的植入式设备的电量监控方法示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本申请做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
下面,首先对本申请实施例的其中一个应用领域(即植入式器械)进行简单说明。植入式神经刺激系统(一种植入式医疗系统)主要包括植入患者体内的刺激器以及设置于患者体外的程控设备。现有的神经调控技术主要是通过立体定向手术在体内特定结构(即靶点)植入电极,并由植入患者体内的刺激器经电极向靶点发放电脉冲,调控相应神经结构和网络的电活动及其功能,从而改善症状、缓解病痛。其中,刺激器可以是植入式神经电刺激装置、植入式心脏电刺激系统(又称心脏起搏器)、植入式药物输注装置(ImplantableDrug Delivery System,简称IDDS)和导线转接装置中的任意一种。植入式神经电刺激装置例如是脑深部电刺激系统(Deep Brain Stimulation,简称DBS)、植入式脑皮层刺激系统(Cortical Nerve Stimulation,简称CNS)、植入式脊髓电刺激系统(Spinal CordStimulation,简称SCS)、植入式骶神经电刺激系统(Sacral Nerve Stimulation,简称SNS)、植入式迷走神经电刺激系统(Vagus Nerve Stimulation,简称VNS)等。
在一些实施例中,刺激器可以包括脉冲发生器(Implantable Pulse Generator,IPG)、电极导线以及设置于脉冲发生器和电极导线之间的延伸导线,通过延伸导线实现脉冲发生器和电极导线的数据交互,脉冲发生器设置于患者体内。响应于程控设备发送的程控指令,依靠密封电池和电路向体内组织提供可控制的电刺激能量,通过植入的延伸导线和电极导线,为体内组织的特定区域递送一路或两路可控制的特定电刺激。延伸导线配合脉冲发生器使用,作为电刺激信号的传递媒体,将脉冲发生器产生的电刺激信号,传递给电极导线。电极导线通过其上的电极触点,向体内组织的特定区域递送电刺激。刺激器设置有单侧或双侧的一路或多路电极导线,电极导线上设置有多个电极触点。
在另一些实施例中,刺激器可以仅包括脉冲发生器和电极导线。其中,脉冲发生器可以是嵌入在患者颅骨上,电极导线植入于患者颅内,此时脉冲发生器与电极导线直接连接,无需延伸导线。
电极导线可以是神经刺激电极,电极导线通过多个电极触点,向体内组织的特定区域递送电刺激。刺激器设置有单侧或双侧的一路或多路电极导线,电极导线上设置有多个电极触点,电极触点可以均匀排列或者非均匀排列在电极导线的周向上。作为一个示例,电极触点可以以4行3列的阵列(共计12个电极触点)排列在电极导线的周向上。电极触点可以包括刺激触点和/或采集触点。电极触点例如可以采用片状、环状、点状等形状。
在一些可能的方式中,受刺激的体内组织可以是患者的脑组织,受刺激的部位可以是脑组织的特定部位。当患者的疾病类型不同时,受刺激的部位一般来说是不同的,所使用的刺激触点(单源或多源)的数量、一路或多路(单通道或多通道)特定电刺激信号的运用以及刺激参数数据也是不同的。可以认为,当所使用的刺激触点是多源、多路(多通道)时,会相比于单源、单路产生更大的数据量。
本申请实施例对适用的疾病类型不作限定,其可以是脑深部刺激(DBS)、脊髓刺激(SCS)、骨盆刺激、胃刺激、外周神经刺激、功能性电刺激所适用的疾病类型。其中,DBS可以用于治疗或管理的疾病类型包括但不限于:痉挛疾病(例如,癫痫)、疼痛、偏头痛、精神疾病(例如,重度抑郁症(MDD))、躁郁症、焦虑症、创伤后压力心理障碍症、轻郁症、强迫症(OCD)、行为障碍、情绪障碍、记忆障碍、心理状态障碍、移动障碍(例如,特发性震颤或帕金森氏病)、亨廷顿病、阿尔茨海默症、药物成瘾症、孤独症或其他神经学或精神科疾病和损害。
刺激参数可以包括:频率(例如是单位时间1s内的电刺激脉冲信号个数,单位为Hz)、脉宽(每个脉冲的持续时间,单位为μs)、幅值(一般用电压表述,即每个脉冲的强度,单位为V)、时序(例如可以是连续或者触发)、刺激模式(包括电流模式、电压模式、定时刺激模式和循环刺激模式中的一种或多种)、医生控制上限及下限(医生可调节的范围)和患者控制上限及下限(患者可自主调节的范围)中的一种或多种。
在一个具体应用场景中,可以在电流模式或者电压模式下对刺激器的各刺激参数进行调节。
本申请的目的采用以下技术方案实现:
参照图1,本申请的一些实施例提供了一种植入式设备电量监控设备,所述监控设备包括信息处理模块和预警模块:
所述信息处理模块包括第一获取单元、第二获取单元和判定单元;
所述第一获取单元用于获取至少一个植入式设备的使用状态以及所述使用状态对应实际电量信息;
所述第二获取单元用于基于实际电量信息,确定所述植入式设备在预设时间段内的实际耗电数据;所述耗电数据为统计开始时耗电数据和结束时耗电数据的差值,可以是耗电量,也可以是耗电速度;
所述判定单元,用于基于所述实际耗电数据以及所述使用状态对应的预设耗电数据,判定所述植入式设备的耗电是否异常,若是,则将耗电异常信息发送至预警模块;
所述预警模块用于根据所述耗电异常信息发出预警提示。
上述技术方案的工作原理为:首先,可以通过信息处理模块(可能是中央处理器、微控制器或其他计算设备)获取至少一个植入式设备的使用状态。其中,植入式设备的使用状态至少包括待机状态、刺激状态以及通讯状态;其中,该电量监控设备可以为程控设备(即程控器)的一个功能部件,这样可以实现程控设备对植入式设备电量的监控,减少了其余设备的参与,增加了便捷性,进一步地,所述信息处理模块可以为程控设备的一个处理单元,比如,CPU或单独配置的处理电路系统等。
同时,获取这些使用状态对应的实际电量信息,基于获取到的实际电量信息,计算植入式设备在预设时间段内的实际耗电数据。其中预设时间段可以根据具体需要设定,可以是半天,一天、一周等;耗电数据可报包括耗电量、耗电速度,耗电量可以通过统计开始时的电量和结束时的电量之差来得出,也可以是这段时间内的平均耗电速度。
在得到实际耗电数据后,将其与对应使用状态下的预设耗电数据进行比较。如果实际耗电数据超过预设耗电数据的某个阈值,则判定为耗电异常,即植入式设备的实际耗电速度过快,可能会导致内部硬件损耗过快,以及产生过量的热量,影响设备的使用寿命以及患者自身的安全。一旦判定单元检测到耗电异常,发送耗电异常信息到预警模块,预警模块根据接收到的信息发出预警提示。
预警提示可以是声音警报、灯光提示、短信通知、APP推送等,具体形式取决于实际应用场景和用户需求。
在一些实施例中,预警模块可以向患者或医生进行提醒,以使患者或医生能及时了解植入式设备的真实使用情况,在一些其他实施例中,所述预警模块还可以向厂家或医院等对象发送,厂家可以为植入式设备的研发厂家或生产厂家等,作为可选地,预警模块将提示信息发送至医院,比如可以发送至医院的后台服务器,医院端一方面可以及时提醒相应的医生或患者提示信息,另一方面,医院还可以收集并监控在其做植入式手术的全部患者的植入式设备的耗电信息,并发送至厂家,这样厂家就可以通过医院及时获得全部的植入式设备的耗电信息,从而便于进行相应的设备分析和优化。当然厂家还可以与每个在售/在用的植入式设备进行关联监控,这样预警模块可以直接将提示信息发送至厂家,比如发送至厂家的后台服务器,厂家可以及时了解每个植入式设备的运行状态并在出现问题时能及时进行处理,提升患者的使用体验。
在一些其他实施例中,当实际耗电数据低于预设耗电数据时,也可以表示植入式设备的耗电能力减弱,可能是硬件出现问题或工作时输出的刺激参数不及预期导致耗电减少,这里还可以作为异常输出,以使用户(比如患者或医生)判断异常的原因,以便及时得到更正调整,进一步地,由于耗电能力都有一定的浮动范围,因为可以通过实际耗电数据和预设耗电数据之间的偏差确定异常,当偏差过大时(比如实际耗电数据相对更大或相对更小),才警示异常的信息。
上述技术方案的效果为:通过植入式设备电量监控设备,获得一个或者多个植入式设备的电量,并根据植入式设备的使用状态和实际电量信息,进行植入式设备的电量管理和监控,实现快速而准确的耗电异常判定;减少因为电量异常导致的植入式设备性能异常,影响用户的治疗效果,同时,监控设备多个植入产品使用数据、电量的监控数据;这些数据可以用于优化产品设计、提高电池寿命、调整功耗策略等,从而实现产品的持续改进和优化。
其中,在一些实施例中,所述预设耗电数据的获取方式包括:
获取所述植入式设备的使用状态以及每个使用状态下的理论功耗;所述植入式设备的使用状态包括至少一种如下状态:待机状态、刺激状态以及通讯状态;
基于每个使用状态下所述理论功耗获得每个使用状态下在第一预设时间内的耗电数据,并将每个使用状态下的所述耗电数据作为该使用状态下的预设耗电数据;通过设置一个预设时间作为第一预设时间,监控在预设时间内设备的状态,以及每个状态下的运行时间,预设时间可以为1个小时、3个小时、一天等;此处不做具体的限定。
在一些实施例中,所述理论功耗的获取方式包括:
获取历史数据中植入式设备的不同使用状态下的电量信息以及耗电参数;所述耗电参数包括刺激状态下的刺激参数;程控记录只是在刺激状态下的耗电参数,在待机状态下有待机参数(比如硬件参数自身带来的后台功耗),通信状态下的通信参数(比如与程控器交互过程中带来的功耗);所述耗电参数可以包括植入式设备的硬件参数以及工作参数,所述硬件参数可以为植入式设备的硬件配置,比如内部的电路配置信息,在植入式设备处于待机状态时硬件参数也可能需要一定耗电来维持工作,所述工作参数可以为植入式设备在刺激工作时的参数,比如刺激参数,该部分可以为主要的耗电渠道,所述刺激参数包括电压参数、脉宽参数、频率参数和阻抗参数。
通过机器学习,根据获取的历史数据确定植入式设备在刺激状态下、待机状态下以及通讯状态下的功耗;并将在刺激状态下的功耗作为刺激状态下的理论功耗;将在待机状态下的功耗作为待机状态的理论功耗;将在通讯状态下的功耗曲线作为通讯状态下的理论功耗;
其中,通讯状态功耗可以为一个平均值,范围可以为5-15ma,具体可以为5ma,10ma,15ma,此处不作具体限定;
待机状态的正常功耗也可以是个平均值,范围可以为10ua-50ua;具体可以为10ma,15ma,20ma,50ma,此处不作具体限定;
刺激状态下的功耗根据刺激参数的不同而变化,比如,电压越高,功耗越大;阻抗越大,功耗越大;脉冲宽度和频率越大,功耗越大;即不同的刺激参数的预设耗电数据也不同,当然,上述的刺激参数可以在同一患者的同一型号的植入式设备的工作参数,并且植入式设备植入体内位置也是一样的,进一步地,也可以获得不同型号植入式设备的不同刺激参数的预设耗电数据。
在本说明书一个实施例中,还可以通过机器学习,可以获得对应刺激参数下功耗。
在一些实施例中,所述功耗为单位时间内的耗电量(电流)即功耗=总耗电量/运行时间。
本申请一些实施例提供的一种植入式设备电量监控设备,所述预设耗电数据为:
其中,Qy为预设耗电数据,Qk为刺激状态的耗电数据,Tk为第一预设时间内的刺激时间,T为第一预设时间,Pi为第一预设时间内植入式设备除刺激状态外第i个使用状态的理论功耗;i为第一预设时间内植入式设备除刺激状态外运行的不同使用状态的数量,ti为第一预设时间内植入式设备除刺激状态外第i个使用状态的运行时长;Pj为第一预设时间内刺激状态下第就j组刺激参数对应的理论功耗;tj为第一预设时间内刺激状态下第j组刺激参数对应的刺激时长;m为第一预设时间内刺激状态下所用到的刺激参数的组数;如果第一预设时间内只有刺激状态,则i=0,Tk=T;如果第一预设时间内无刺激状态,则Qk=0,Tk=0,m=0。
上述技术方案的工作原理和效果为:植入式设备有多种使用状态,植入式设备的使用状态包括至少一种如下状态:待机状态、刺激状态以及通讯状态;通过历史数据可以获得不同状态下的时长参数以及耗电量,从而获得平均功耗,其中待机状态和通讯状态的功耗,可以通过历史数据,获得待机时间与耗电量的关系获得理论待机功耗,以及通过通讯时间与耗电量的关系,获得理论通信功耗。
在本说明书另一实施例中,由于植入式设备在进行神经刺激时的功耗与其刺激参数(如刺激幅度、刺激频率等)紧密相关,因此需要收集设备在多组刺激参数下的每组参数对应的刺激功耗,从而获得刺激状态下对应刺激参数的功耗曲线。
示例性地,可以通过分析历史数据中的程控记录以及耗电量信息,可以计算出在不同刺激参数下的刺激功耗曲线;其中刺激功耗原理是通过耗电量除以刺激时长得到的;程控记录详细记录了刺激参数(如刺激幅度、刺激频率等)及刺激时长;利用机器学习算法,模型被训练以识别和预测不同刺激参数对应的平均刺激功耗以及非工作状态的功耗;机器学习模型通过学习历史数据中的模式、刺激时长、耗电量和待机时长,能够计算出每组刺激参数对应的功耗曲线,此功耗曲线即为刺激状态下对应刺激参数的理论功耗。
通过机器学习对历史数据的分析,能够精准地预测植入式设备在不同使用状态(待机状态、刺激状态、通讯状态)下的理论功耗。特别是针对刺激状态,该方案能够根据刺激参数(电压、阻抗、脉宽、频率等)的变化,准确计算出对应的功耗,提高了功耗预测的准确性;通过各个状态下的理论功耗,通过获得准确的功耗数据,能够获得植入式设备的在不同状态下的理论耗电数据,将理论耗电量作为预设耗电量,其中,理论耗电量可以为功耗,时间的乘积,通过设置一个预设时间作为第一预设时间,监控在预设时间内设备的状态,以及每个状态下的运行时间,可以获得理论耗电量作为第一预设耗电量;预设时间可以为1个小时、3个小时、一天;此处不做具体的限定;如果第一预设时间内只有刺激状态,则基于各个刺激参数的理论功耗以及在第一预设时间内的运行时长,获得每个刺激参数下的耗电量,多组刺激参数下的耗电量总和即为第一预设时间内的耗电量;如果第一预设时间内只有待机状态,则将待机状态下的理论功耗与第一预设时间的乘积即为第一预设耗电量。
通过实际耗电数据与理论耗电数据的对比,能够及时了解设备的耗电情况,可以避免因设备损坏而导致对用户健康的影响,同时也可以及时发现未植入人体的设备的耗电情况,基于耗电情况进行报废处理,以及设计改进,提高植入式设备的性能以及可靠性。
在一些实施例中,所述实际耗电数据包括第一实际耗电量,所述预设耗电数据包括第一预设耗电量;所述判定单元的执行步骤包括:
基于第一预设耗电量与第一实际耗电量获得第一差值;
若所述第一差值大于第一阈值,则进行预警提醒;
若所述第一差值小于或等于所述第一阈值;则记录所述第一差值,并继续统计后续的第一实际耗电量;
若根据后续统计的第一实际耗电量得到的第一差值均小于或等于所述第一阈值;并且连续多次第一实际耗电量均大于第一预设耗电量,或者连续多次第一实际耗电量均小于第一预设耗电量,则进行第二判定。其中多次中的次数设置为N,则N≥3,N可以为3,也可以为4,、5,此处不做具体限定。
可以理解为,每次判断的时间长度为第一预设时间,以第一预设时间为判断步长持续判断植入式设备的耗电情况,第一预设时间可以为小的时间长度也可以是大的时间长度,当所述第一预设时间为较大的时间长度时,比如1小时,2小时,则很难判断局部时间的耗电情况,比如可能出现局部或短时间的异常,因此所述第一预设时间可以优先设置较短的时间,比如10分钟、20分钟、30分钟等,在设置较短的第一预设时间后,又无法兼顾考虑长时间的耗电情况,因此可以在连续多个第一预设时间均判断耗电正常后,可以考虑这多个连续第一预设时间形成的较长的时间长度的耗电情况,具体地,当连续多个第一预设时间内植入式设备的耗电情况均为正常时,且相对理论上的耗电都是同方向偏差(即要么都是大于理论上的耗电,也么都是小于理论上的耗电),那么就可以判断植入式设备在长时间跨度下的耗电情况。
在一些实施例中,所述第二判定包括:
将连续多个第一预设时间内的总耗电量作为第二实际耗电量;这里的多个第一预设时间与前述连续多次中的多次数量相同;例如:连续3次第一实际耗电量大于第一预设耗电量;这里的多个第一预设时间即为3个第一预设时间;在这里多个第一预设时间可以作为第二预设时间,即第二预设时间要大于第一预设时间;
将第二实际耗电量与第二预设耗电量对比,获得第二差值;第二预设耗电量与第一预设耗电量计算方法相同,只是时间为多个第一预设时间;
将第二差值与第二阈值进行对比;第二阈值可以为植入式设备的第二预设时间内的耗电偏差临界值,即植入式设备在第二预设时间内连续同方向偏差的临界值,其中可选地,其可以小于多个连续的第一预设时间中的数量与第一阈值的乘积;当超过该第二阈值,则表明植入式设备在长时间内都是处于耗电较大或耗电较小的情况,从设备的角度存在异常的可能性较大,因此需要外部人员介入确认具体情况。
若第二差值大于第二阈值,则进行预警提醒。
上述技术方案的工作原理和效果为:判定单元首先根据第一预设耗电量(即理论计算得出的耗电量)与第一实际耗电量(即设备实际消耗的电量)进行比较,得出第一差值;评估实际耗电量与理论耗电量的偏离程度;如果第一差值大于设定的第一阈值,则判定实际耗电量与理论耗电量的偏差过大,可能存在异常耗电情况,因此会触发预警提醒,通知用户或管理人员进行进一步的检查和处理;例如:植入物待机状态每小时30ua,每天其耗电量为30*24h=720ua,总电池电量为200mah,则2-3天电量才有可能变化,若监测过程中,发现3-5小时内(可以设置第一预设时间3~5小时)就发生明显变化,就可以预警该植入物出现故障;植入式设备在刺激状态下,理论刺激参数,理论推断每小时耗电150ua,则每天消耗3.6ma,一天会有1-2%的变化,若发现3-5小时内就发生明显变化,就可以预警该植入物出现故障。
如果第一差值小于或等于所述第一阈值,信息处理模块会记录这一差值,并继续监测设备的耗电量。同时监测连续多次的实际耗电量与预设耗电量的对比情况;如果连续多次(例如N次,N≥3)出现实际耗电量均大于或小于预设耗电量的情况,可能一次耗电量差值在预设范围内,但是多次向同一个方向偏离(即连续多次的实际耗电量均小于或大于预设耗电量),并且累计的耗电偏差超过了第二阈值,则预示着植入式设备也可能存在故障,这种情况下也需要提前预警,告知用户(患者或医生);
在第二判定中,信息处理模块会考虑更长时间段内的耗电量情况。它首先会获取连续多个第一预设时间(即第二预设时间)内的总耗电量(即第二实际耗电量);根据相同的计算方法得出第二预设耗电量(即这些时间段内的理论耗电量);通过比较第二实际耗电量与第二预设耗电量,信息处理模块可以得出第二差值,最后,信息处理模块会将第二差值与第二阈值进行对比;如果第二差值大于第二阈值,信息处理模块同样会触发预警提醒,这表示在较长时间段内,设备的实际耗电量与理论耗电量存在显著的偏差,以及异常变化趋势。
第一阈值主要用于衡量单次或短时间内设备耗电量的偏离程度;然而,设备耗电量的变化可能不仅限于短时间尺度,还可能涉及较长时间段内的变化趋势;因此,设置第二阈值可以更好地适应这种不同时间尺度的变化,确保预警系统能够捕捉到更广泛的异常情况;可能会因为单次或短时间内的测量误差或短暂异常而导致误报。同样,如果只考虑长时间段内的耗电量变化,可能会因为忽略了短时间内的异常而导致漏报。如果只依赖第一阈值进行预警,可能会因为忽略了长时间内的耗电量变化趋势而导致漏报。通过设置第二阈值,能够综合考虑短时间和长时间尺度上的耗电量变化,从而减少了漏报的可能性。即使单次或短时间内的耗电量变化在正常范围内,但如果连续多次出现偏离趋势并超过第二阈值,仍然能够触发预警,通过监测多次的差值,可以更好的反应实际耗电量与预设耗电量的变化趋势,在一些场景下,可能一次耗电量差值在预设范围内,但是多次向同一个方向偏离,并且超过了第二阈值,预示着植入式设备也可能存在故障,则会进行预警,在另一些场景下,设备的耗电量可能会暂时增加,但如果这种增加在长时间内保持稳定,并且不超过第二阈值,则不会触发误报;从而能够准确系统地监测植入式设备的电量,减少因为电池可能存在内部短路、泄漏或其他损坏导致的设备损坏以及影响用户健康和使用体验的问题发生。
在一些实施例中,所述植入式设备电量监控设备,所述第一阈值满足以下条件:
αu=tu/T
其中,Dy1为第一阈值,v为第一预设时间内植入式设备使用状态数量,tu为第一预设时间内植入式设备第u个使用状态的运行时间;Du为植入式设备第u个使用状态单位时间内实际耗电量与预设耗电量允许的最大标定差值;αu为植入式设备第u个使用状态的系数;T为第一预设时间;例如,第一预设时间为一个小时,在当次统计的一个小时内,待机状态30分钟,刺激状态20分钟,通讯状态10分钟,则v=3。
上述技术方案的工作原理和效果为:实时监测植入式设备的运行状态,包括各个状态的运行时间。其中,各个状态包括待机、刺激、通讯等,每种状态对应的耗电量和特性可能不同。对于每个状态,电量监控设备会根据运行时间和第一预设时间来计算权重(即αu),根据设备规格和/或历史数据,预先设定好每个状态单位时间内的最大标定差值(即Du);通过将各个状态下的时间、系数和最大标定差值代入公式,计算出第一阈值;这个阈值反映了在特定预设时间段内,设备实际耗电量与理论耗电量之间允许的最大偏差。上述公式允许根据植入式设备不同状态下的实际运行时间和特性来计算第一阈值,能够灵活地适应各种使用情况,无论设备处于待机、刺激还是通讯状态,都能够准确地反映出耗电量变化的趋势,每个状态的时间权重准确反映了植入式设备在特定时间段内各状态的实际运行时间占比;如果某个状态在第一预设时间内运行时间较长,其对整体耗电量的贡献也将更大,从而在阈值计算中得到更多的权重,确保阈值计算的准确性和合理性。
在一些其他实施例中,在第一预设时间内的第一差值不大于(即小于或等于)第一阈值时,继续统计后续多个第一预设时间的实际耗电量,当均不大于第一阈值时,可以计算在第二预设时间(即统计的连续的第一预设时间之和)内的实际耗电量的累计偏差,该累计偏差可以为第一差值(实际耗电量和预设耗电量的差值,此时,当实际耗电量大于预设耗电量时,第一差值为正值,当实际耗电量小于预设耗电量时,第一差值为负值)基于时间的积分,根据最终的积分值确定植入式设备在第二预设时间内的累计偏差,并设置相应的第二阈值,该第二阈值和上文中的第二阈值可以一致,也可以不一致,具体的设置过程不做限定,通过累计偏差和第二阈值的比较,对植入式设备的耗电进行第二次异常判定,从而可以实现长时间尺度的监控。
在一些实施例中,所述预设耗电数据的获取方法还可以包括:
信息处理模块根据植入式设备在不同使用状态下的耗电数据,建立植入式设备在不同使用状态的耗电曲线;根据不同使用状态的耗电曲线,预测植入式设备在不同使用状态下的后续预设时间段的耗电信息,并将所述耗电信息作为所述预设耗数据。
具体地:通过对植入设备的长期使用跟踪,收集不同使用状态下(待机、刺激、通讯)的耗电数据;考虑到使用习惯,收集不同时间段(如白天、夜晚)的使用状态以及耗电数据;根据收集到的数据,建立植入设备在不同使用状态下的耗电曲线;基于耗电曲线和用户的使用习惯,预测植入设备在接下来的一段时间内(例如,一天、一周)的耗电量;将预测得到的耗电量作为预设耗电数据;例如:一种植入式脑刺激器,包括待机状态、刺激状态和通讯状态三种使用状态;通过记录在不同状态下的电量消耗数据,可以建立对应的耗电曲线;例如,在刺激状态下,根据用户的使用习惯和刺激时间,可以获得刺激状态下的使用时间段以及的耗电数据、待机状态下的时间段以及的耗电数据、通讯状态下的时间段以及耗电数据;根据历史数据和患者的使用习惯预测在接下来某个时间段应该处于待机状态、通讯状态和/或刺激状态,耗电数据预计是怎样,会生成一个耗电曲线,预测在接下来某个时间段应该处于待机、通讯状态和/或刺激状态,耗电数据预计是怎样,耗电数据是如何变化的,会生成一个耗电曲线,这个耗电曲线可以作为预设耗电数据。
在一些实施例中,所述判定单元的执行步骤包括:
判断预设时间内的使用状态是否与预设使用状态一致;
若是,则计算预设耗电曲线与实际耗电曲线的距离;此处的距离可以是平均距离,也可以是最大距离,在一些其他实施例中,该距离也可以为预设耗电曲线和实际耗电曲线之间的相似度,相似度也可以反映二者之间的偏差程度,相似度可以通过欧氏距离、曼式距离等方式确定,此处不作具体限定;所述预设耗电曲线为基于所述预设耗电数据生成的曲线;
若实际耗电曲线与预设耗电曲线的距离大于距离阈值,则进行报警提醒;
若预设时间内的使用状态与预设使用状态不一致;
则获取植入式设备的使用状态以及每个使用状态下的理论功耗;
基于理论功耗获得在预设时间段内的耗电数据作为预设耗电数据,在实际判定时,植入式设备的实际耗电数据可以为第一耗电量,相应地,预设耗电数据可以为第一预设耗电量;然后执行基于第一预设耗电量与第一实际耗电量获得第一差值;若所述第一差值大于第一阈值,则进行预警提醒;若所述第一差值小于或等于所述第一阈值;则记录所述第一差值,并继续统计后续实际耗电量;若根据后续统计的实际耗电量得到的第一差值均小于或等于所述第一阈值;并且连续多次第一实际耗电量均大于第一预设耗电量,或者连续多次第一实际耗电量均小于第一预设耗电量,则进行第二判定,以及第二判定步骤。
上述技术方案的原理和效果为:首先,信息处理模块会收集植入式设备在不同使用状态下的耗电数据,耗电数据包括待机状态、刺激状态、通讯状态等多种模式下的电量消耗情况;耗电数据可以是实时的,也可以是历史数据,通过特定的接口或通信协议从植入式设备中获取。
利用这些耗电数据来建立植入式设备在不同使用状态下的耗电曲线。耗电曲线可以是基于时间的连续变化曲线,展示了设备在不同状态下的电量消耗趋势。
基于已经建立的耗电曲线,信息处理模块利用相应的算法或模型来预测植入式设备在不同使用状态下的后续预设时间段的耗电信息;预测可以是基于曲线拟合的,也可以是基于机器学习的。例如,可以利用时间序列预测模型、长短时记忆模型等机器学习算法来预测未来的电量消耗情况。
信息处理模块将预测得到的耗电信息作为预设耗电量。这个预设耗电量可以作为一个基准值,用于与实际耗电量进行比较,从而判断设备是否存在异常耗电情况。
具体地,由于植入式设备一般是规律的工作,比如在一天中的指定的时间段(比如白天时间)是刺激工作时间,便于患者正常日常生活,另一时间段(比如睡觉时间)是待机时间,减少电池消耗等,因此植入式设备的耗电数据也应该是随时间呈一定的规律变化,但是随着设备的使用时间增加,自身硬件损耗增加,在相同的硬件参数或工作参数下,其耗电量也会有一定的变化,因此可以通过机器学习算法通过植入式设备历史的数据(比如硬件参数、刺激参数、时间参数等)去得到植入式设备的耗电模型,并基于耗电模型去预测后续的耗电数据,再通过实际的耗电数据和预测的耗电数据进行比对,以确定植入式设备的耗电是否符合规律,若不符合,则说明耗电异常,需及时处理。该方案考虑的是在植入式设备使用过程中软硬件的性能变化导致的耗电能力发生变化,但耗电能力变化应该是逐渐变化而不是突变的,因此通过建立耗电曲线来预测后续的理论耗电量,建立的过程可以是建立的基于时间的耗电变化曲线,也可以是基于机器学习,比如基于时间序列的预测模型,长短时记忆模型等;从而提高预测的准确性。
在判定过程中,信息处理模块会获取植入式设备在预设时间内的使用状态,并与预设的使用状态进行比较;其中预设的使用状态,根据用户的使用习惯,预测用户在该预设时间段是什么样的工作状态,根预测结果,会有一个预设的电量曲线,这一步的目的是判断设备是否按照预期的模式运行。
如果预设时间内的使用状态与预设使用状态一致,则计算预设耗电曲线与实际耗电曲线的距离。实际耗电曲线则是根据设备在预设时间内的实时耗电数据生成的。通过计算两条曲线的距离,预警模块可以量化理论耗电量与实际耗电量之间的差异;判断实际耗电曲线与预设耗电曲线的距离是否大于一个设定的距离阈值;这个阈值通常是根据设备的特性、使用模式以及通过历史数据判定可接受的耗电量差异范围来设定的;如果实际耗电曲线与预设耗电曲线的距离超过了阈值,说明设备的实际耗电量与理论耗电量之间存在显著的偏差,可能存在异常耗电的情况,则触发报警提醒功能,通知用户或管理人员注意设备的耗电情况,以便及时采取措施。
如果预设时间内的使用状态与预设使用状态不一致,则采取另一种判定策略;即获取植入式设备当前的实际使用状态,并查询每个使用状态下的理论功耗。此处的理论功耗通过前述实施例的方法确定,然后,根据这些理论功耗计算出在预设时间内的理论耗电量,并将其作为新的预设耗电量;然后执行基于第一预设耗电量与第一实际耗电量获得第一差值;若所述第一差值大于第一阈值,则进行预警提醒;若所述第一差值小于或等于所述第一阈值;则记录所述第一差值,并继续统计后续实际耗电量;若若根据后续统计的实际耗电量得到的第一差值均小于或等于所述第一阈值;并且连续多次第一实际耗电量均大于第一预设耗电量,或者连续多次第一实际耗电量均小于第一预设耗电量,则进行第二判定,以及第二判定步骤。通过结合耗电曲线的建立、预测模型以及实时使用状态的判断,实现植入式设备电量精准监控、动态适应、个性化预警和灵活调整的效果。
在一些实施例中,所述信息处理模块还用于:
当所述植入式设备的耗电异常时,获取所述植入式设备的运行参数;
将所述运行参数与预设故障对应的运行参数进行匹配,以确定所述植入式设备的耗电故障类型;例如:将异常对应的电流与不同故障模式下对应的电流对比,选择最接近的电流值对应的故障模式即为推测的故障原因。
上述技术方案的工作原理为:当植入式设备的耗电情况出现异常时,信息处理模块会立即启动故障排查流程;首先,它会收集当前植入式设备的运行参数,所述运行参数可能包括电流、电压、功率、温度等,这些参数能够直接反映设备的工作状态和能量消耗情况;然后信息处理模块会将收集到的运行参数与预设的故障模式对应的运行参数进行比对和匹配;这些预设的故障模式通常是基于设备的历史故障数据、设计规格以及专家知识预先设定的,它们包含了各种可能的故障情况下设备应有的运行参数特征。匹配过程中,信息处理模块会利用特定的算法或模型,比如模式识别、机器学习等,来对比当前运行参数与预设故障模式参数之间的相似度或差异度;确定当前设备的耗电异常与哪一种预设故障模式最为接近。例如,如果当前设备的电流异常升高,信息处理模块会将这一电流值与不同故障模式下对应的电流值进行比较。通过计算相似度或差异度,模块可以选择出最接近当前电流值的故障模式,从而确定推测的故障原因。确定耗电故障类型后,信息处理模块会进一步触发相应的故障处理机制;包括向用户发送报警信息、调整设备的运行参数以减轻故障影响、记录故障日志以便后续分析,或者触发设备的自动修复功能等。
通过上述步骤,植入式设备电量监控设备能够实现对设备耗电异常的快速识别和故障类型的准确判断,为及时采取修复措施提供了有力的支持;这不仅有助于保障设备的稳定运行,还能够为技术和/或工艺优化提供数据支持。
在一些实施例中,所述信息处理模块还用于:
判断所述植入式设备是否已植入患者体内;
若是,则根据所述植入式设备的耗电异常情况进行风险分级;
若否,则判断该植入式设备为不良品。
上述技术方案的工作原理为:信息处理模块会判断植入式设备是否已植入患者体内,可以通过设备的连接信息和/或系统录入唯一识别码识别;如果植入式设备已经植入患者体内,信息处理模块会进一步根据设备的耗电异常情况进行风险分级;风险分级的目的是根据耗电异常对患者可能产生的影响程度,将异常划分为不同的等级,以便采取相应的处理措施。
在风险分级的过程中,综合考虑多个因素;其中,耗电速度是一个重要指标。如果设备耗电速度异常快,那么意味着患者需要更频繁地充电,这不仅给患者带来了不便,还可能影响设备的持续稳定运行;因此,耗电速度越快,风险等级往往越高;此外,耗电速度的稳定程度也是判断风险等级的关键因素。如果同一使用状态下,设备的耗电速度忽快忽慢,那么患者的担忧程度会更高,因为他们无法准确预测设备的剩余使用时间。这种不稳定性可能导致患者的焦虑感增加,从而提高了风险等级。除了耗电速度和稳定程度,信息处理模块还可能考虑其他因素,如异常持续时间、异常发生的频率等,以及此外,不同患者对于耗电异常的容忍度也可能存在差异。有些患者可能更关心设备的稳定性和持久性,而对耗电速度的变化不太敏感;而有些患者则可能更关注设备的实时电量信息,以便及时充电。因此,在制定风险分级标准时,还需要充分考虑患者的个性化需求,以更全面地评估风险等级。根据这些因素的综合评估,信息处理模块会将耗电异常情况划分为不同的风险等级,如低风险、中风险和高风险等。不同风险等级对应着不同的处理措施。例如,对于低风险情况,可以采取简单的提醒措施;而对于高风险情况,则需要立即采取紧急处理措施,如联系患者进行充电或更换设备等。如果植入式设备尚未植入患者体内,信息处理模块会判断该设备为不良品。这意味着该设备在出厂前或运输过程中可能已经存在某些问题,导致耗电异常。对于不良品,需要采取相应的措施进行处理,如退回进行维修或报废等,以确保患者使用到的设备是安全可靠的。
综上所述,该植入式设备电量监控方法通过判断设备是否植入患者体内以及根据耗电异常情况进行风险分级,能够实现对植入式设备电量状况的有效监控和管理,保障患者的安全和设备的稳定运行。
参照图3,本申请实施例提供一种植入式设备电量监控方法,所述方法包括:
通过信息处理模块获取至少一个植入式设备的使用状态以及所述使用状态对应实际电量信息;
基于实际电量信息,确定所述植入式设备在预设时间段内的实际耗电数据;所述耗电数据为统计开始时耗电数据和结束时耗电数据的差值,可以是耗电量,也可以是耗电速度;
基于所述实际耗电数据以及所述使用状态对应的预设耗电数据,判定所述植入式设备的耗电是否异常,若是,则将耗电异常信息发送至预警模块;
根据所述耗电异常信息,通过所述预警模块发出预警提示。
在一些实施例中,所述预设耗电数据的获取方式包括:
获取所述植入式设备的使用状态以及每个使用状态下的理论功耗;所述植入式设备的使用状态包括至少一种如下状态:待机状态、刺激状态以及通讯状态;
基于每个使用状态下所述理论功耗获得每个使用状态下在第一预设时间内的耗电数据,并将每个使用状态下的所述耗电数据作为该使用状态下的预设耗电数据;通过设置一个预设时间作为第一预设时间,监控在预设时间内设备的状态,以及每个状态下的运行时间,预设时间可以为1个小时、3个小时、一天等;此处不做具体的限定。
在一些实施例中,所述理论功耗的获取方式包括:
获取历史数据中植入式设备的不同使用状态下的电量信息以及耗电参数;所述耗电参数包括刺激状态下的刺激参数;程控记录只是在刺激状态下的耗电参数,在待机状态下有待机参数(比如硬件参数自身带来的后台功耗),通信状态下的通信参数(比如与程控器交互过程中带来的功耗);所述刺激参数包括电压参数、脉宽参数、频率参数和阻抗参数。
通过机器学习,根据获取的历史数据确定植入式设备在刺激状态下、待机状态下以及通讯状态下的功耗;并将在刺激状态下的功耗作为刺激状态下的理论功耗;将在待机状态下的功耗作为待机状态的理论功耗;将在通讯状态下的功耗曲线作为通讯状态下的理论功耗;
其中,通讯状态功耗可以为一个平均值,范围可以为5-15ma,具体可以为5ma,10ma,15ma,此处不作具体限定;
待机状态的正常功耗也可以是个平均值,范围可以为10ua-50ua;具体可以为10ma,15ma,20ma,50ma,此处不作具体限定;
刺激状态下的功耗根据刺激参数的不同而变化;电压越高,功耗越大;阻抗越大,功耗越大;脉冲宽度和频率越大,功耗越大;通过机器学习;可以获得对应刺激参数下功耗;
在一些实施例中,所述功耗为单位时间内的耗电量(电流)即功耗=总耗电量/运行时间。
在一些实施例中,所述植入式设备电量监控方法,所述预设耗电数据为:
其中,Qy为预设耗电数据,Ok为刺激状态的耗电数据,Tk为第一预设时间内的刺激时间,T为第一预设时间,Pi为第一预设时间内植入式设备除刺激状态外第i个使用状态的理论功耗;i为第一预设时间内植入式设备除刺激状态外运行的不同使用状态的数量,ti为第一预设时间内植入式设备除刺激状态外第i个使用状态的运行时长;Pj为第一预设时间内刺激状态下第j组刺激参数对应的理论功耗;tj为第一预设时间内刺激状态下第j组刺激参数对应的刺激时长;m为第一预设时间内刺激状态下所用到的刺激参数的组数;如果第一预设时间内只有刺激状态,则i=0,Tk=T;如果第一预设时间内无刺激状态,则Qk=0,Tk=0,m=0。
在一些实施例中,所述实际耗电数据包括第一实际耗电量,所述预设耗电数据包括第一预设耗电量;所述基于所述实际耗电数据以及所述使用状态对应的预设耗电数据,判定所述植入式设备的耗电是否异常,若是,则将耗电异常信息发送至预警模块;包括:
基于第一预设耗电量与第一实际耗电量获得第一差值;
若所述第一差值大于第一阈值,则进行预警提醒;
若所述第一差值小于或等于所述第一阈值;则记录所述第一差值,并继续统计后续的第一实际耗电量;
若根据后续统计的第一实际耗电量得到的第一差值均小于或等于所述第一阈值;并且连续多次第一实际耗电量均大于第一预设耗电量,或者连续多次第一实际耗电量均小于第一预设耗电量,则进行第二判定。其中多次中的次数设置为N,则N≥3,N可以为3,也可以为4,、5,此处不做具体限定。
在一些实施例中,所述第二判定包括:
将连续多个第一预设时间内的总耗电量作为第二实际耗电量;这里的多个第一预设时间与前述连续多次中的多次数量相同;例如:连续3次第一实际耗电量大于第一预设耗电量;这里的多个第一预设时间即为3个第一预设时间;在这里多个第一预设时间可以作为第二预设时间,即第二预设时间要大于第一预设时间;
将第二时间耗电量与第二预设耗电量对比,获得第二差值;第二预设耗电量与第一预设耗电量计算方法相同,只是时间为多个第一预设时间;
将第二差值与第二阈值进行对比;第二阈值可以为植入式设备的第二预设时间内的耗电偏差临界值,其中可选地,其可以小于多个连续的第一预设时间中的数量与第一阈值的乘积;
若第二差值大于第二阈值,则进行预警提醒。
在一些实施例中,所述植入式设备电量监控方法,所述第一阈值满足以下条件:
αu=tu/T
其中,Dy1为第一阈值,v为第一预设时间内植入式设备的使用状态数量,tu为第一预设时间内植入式设备第u个使用状态的运行时间;Du为植入式设备第u个使用状态单位时间内实际耗电量与预设耗电量允许的最大标定差值;αu为植入式设备第u个使用状态的系数;T为第一预设时间;例如,第一预设时间为一个小时,在当次统计的一个小时内,待机状态30分钟,刺激状态20分钟,通讯状态10分钟,则v=3。
在一些其他实施例中,在第一预设时间内的第一差值不大于(即小于或等于)第一阈值时,继续统计后续多个第一预设时间的第一实际耗电量,当均不大于第一阈值时,可以计算在第二预设时间(即统计的连续的第一预设时间之和)内的实际耗电量的累计偏差,该累计偏差可以为第一差值(实际耗电量和预设耗电量的差值,此时,当实际耗电量大于预设耗电量时,第一差值为正值,当实际耗电量小于预设耗电量时,第一差值为负值)基于时间的积分,根据最终的积分值确定植入式设备在第二预设时间内的累计偏差,并设置相应的第二阈值,该第二阈值和上文中的第二阈值可以一致,也可以不一致,具体的设置过程不做限定,通过累计偏差和第二阈值的比较,对植入式设备的耗电进行第二次异常判定,从而可以实现长时间尺度的监控。
在一些实施例中,所述预设耗电数据的获取方法包括:
信息处理模块根据植入式设备在不同使用状态下的耗电数据,建立植入式设备在不同使用状态的耗电曲线;根据不同使用状态的耗电曲线,预测植入式设备在不同使用状态下的后续预设时间段的耗电信息,并将所述耗电信息作为所述预设耗数据。
具体地:通过对植入设备的长期使用跟踪,收集不同使用状态下(待机、刺激、通讯)的耗电数据;考虑到使用习惯,收集不同时间段(如白天、夜晚)的使用状态以及耗电数据;根据收集到的数据,建立植入设备在不同使用状态下的耗电曲线;基于耗电曲线和用户的使用习惯,预测植入设备在接下来的一段时间内(例如,一天、一周)的耗电量;将预测得到的耗电量作为预设耗电数据;例如:一种植入式脑刺激器,包括待机状态、刺激状态和通讯状态三种使用状态;通过记录在不同状态下的电量消耗数据,可以建立对应的耗电曲线;例如,在刺激状态下,根据用户的使用习惯和刺激时间,可以获得刺激状态下的使用时间段以及的耗电数据、待机状态下的时间段以及的耗电数据、通讯状态下的时间段以及耗电数据;根据历史数据和患者的使用习惯预测在接下来某个时间段应该处于待机状态、通讯状态和/或刺激状态,耗电数据预计是怎样,会生成一个耗电曲线,预测在接下来某个时间段应该处于待机、通讯状态和/或刺激状态,耗电数据预计是怎样,耗电数据是如何变化的,会生成一个耗电曲线;这个耗电曲线可以作为预设耗电数据。
在一些实施例中,所述基于所述实际耗电数据以及所述使用状态对应的预设耗电数据,判定所述植入式设备的耗电是否异常,若是,则将耗电异常信息发送至预警模块;包括:
判断预设时间内的使用状态是否与预设使用状态一致;
若是,则计算预设耗电曲线与实际耗电曲线的距离;此处的距离可以是平均距离,也可以是最大距离;此处不作具体限定;
若实际耗电曲线与预设耗电曲线的距离大于距离阈值,则进行报警提醒;
若预设时间内的使用状态与预设使用状态不一致;
则获取植入式设备的使用状态以及每个使用状态下的理论功耗;
基于理论功耗获得在预设时间内的耗电数据作为预设耗电数据;然后执行基于第一预设耗电量与第一实际耗电量获得第一差值;若所述第一差值大于第一阈值,则进行预警提醒;若所述第一差值小于或等于所述第一阈值;则记录所述第一差值,并继续统计后续实际耗电量;若根据后续统计的实际耗电量得到的第一差值均小于或等于所述第一阈值;并且连续多次第一实际耗电量均大于第一预设耗电量,或者连续多次第一实际耗电量均小于第一预设耗电量,则进行第二判定,以及第二判定步骤。
在一些实施例中,所述方法还包括:
当所述植入式设备的耗电异常时,获取所述植入式设备的运行参数;
将所述运行参数与预设故障对应的运行参数进行匹配,以确定所述植入式设备的耗电故障类型;
在一些实施例中,所述方法还包括:
判断所述植入式设备是否已植入患者体内;
若是,则根据所述植入式设备的耗电异常情况进行风险分级;
若否,则判断该植入式设备为不良品。
上述技术方案的工作原理和效果与本申请实施例,植入式设备电量监控设备中所述的方法相同,此处不再具体赘述。
本申请还提供一种医疗系统,如图2所示,所述医疗系统包括:
植入式设备,所述植入式设备可定时发送电量信息或具有电量信息获取接口;
本实施例中任一所述植入式设备电量监控设备,所述植入式设备电量监控设备实现所述植入式设备的电量监控。
本申请提供一种程控设备,所述程控设备与植入式设备耦接,能够至少为所述植入式设备提供程控指令,在一些其他实施例中,所述程控设备还可以作为所述植入式设备的充电设备,为所述植入式设备提供充电信息,所述程控设备包括上述提供的所述植入式设备电量监控设备,所述植入式设备电量监控设备实现所述植入式设备的电量监控。
本申请还提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一所述设备的功能,或者实现本申请所述的植入式设备电量监控方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现本申请实施例任一所述的设备的功能,或者实现本申请所述的植入式设备电量监控方法的步骤。
在一些可选的实施例中,所述电子设备还设置有显示屏。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质用于存储计算机程序,所述计算机程序被执行时实现本申请实施例任一所述的设备的功能,或者实现本申请所述的植入式设备电量监控方法的步骤。
在本申请中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言诸如Java、C++等,还包括常规的过程式程序设计语言诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在关联设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本申请从使用目的上,效能上,进步及新颖性等观点进行阐述,已符合专利法所强调的功能增进及使用要件,本申请以上的说明书及说明书附图,仅为本申请的较佳实施例而已,并非以此局限本申请,因此,凡一切与本申请构造,装置,特征等近似、雷同的,即凡依本申请专利申请范围所作的等同替换或修饰等,皆应属本申请的专利申请保护的范围之内。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下,在发明的范围内可以对上述实施例进行变化、修改、替换和变型,所有的这些改变都应该属于本发明权利要求的保护范围之内。本申请从使用目的上,效能上,进步及新颖性等观点进行阐述,已符合专利法所强调的功能增进及使用要件,本申请以上的说明书及说明书附图,仅为本申请的较佳实施例而已,并非以此局限本申请,因此,凡一切与本申请构造,装置,特征等近似、雷同的,即凡依本申请专利申请范围所作的等同替换或修饰等,皆应属本申请的专利申请保护的范围之内。
Claims (18)
1.一种植入式设备电量监控设备,其特征在于,所述监控设备包括信息处理模块和预警模块:
所述信息处理模块包括第一获取单元、第二获取单元和判定单元;
所述第一获取单元用于获取至少一个植入式设备的使用状态以及所述使用状态对应实际电量信息;
所述第二获取单元用于基于实际电量信息,确定所述植入式设备在预设时间段内的实际耗电数据;
所述判定单元用于基于所述实际耗电数据以及所述使用状态对应的预设耗电数据,判定所述植入式设备的耗电是否异常,若是,则将耗电异常信息发送至预警模块;
所述预警模块用于根据所述耗电异常信息发出预警提示。
2.根据权利要求1所述的植入式设备电量监控设备,其特征在于,所述预设耗电数据的获取方式包括:
获取所述植入式设备的使用状态以及每个使用状态下的理论功耗;所述植入式设备的使用状态包括如下至少一种状态:待机状态、刺激状态以及通讯状态;
基于每个使用状态下所述理论功耗获得每个使用状态下在第一预设时间内的耗电数据,并将每个使用状态下的所述耗电数据作为该使用状态下的预设耗电数据。
3.根据权利要求2所述的植入式设备电量监控设备,其特征在于,所述理论功耗的获取方式包括:
获取历史数据中植入式设备的不同使用状态下的电量信息以及耗电参数;所述耗电参数包括硬件参数和工作参数;
根据获取的历史数据,通过机器学习分别确定植入式设备在刺激状态下、待机状态下以及通讯状态下的功耗;并将在刺激状态下的功耗作为刺激状态下的理论功耗;将在待机状态下的功耗作为待机状态的理论功耗;将在通讯状态下的功耗曲线作为通讯状态下的理论功耗。
4.根据权利要求2所述的植入式设备电量监控设备,其特征在于,所述预设耗电数据为:
其中,Qy为预设耗电数据,Qk为刺激状态的耗电数据,Tk为第一预设时间内的刺激时间,T为第一预设时间,Pi为第一预设时间内植入式设备除刺激状态外第i个使用状态的理论功耗;i为第一预设时间内植入式设备除刺激状态外运行的不同使用状态的数量,ti为第一预设时间内植入式设备除刺激状态外第i个使用状态的运行时长;Pj为第一预设时间内刺激状态下第j组刺激参数对应的理论功耗;tj为第一预设时间内刺激状态下第j组刺激参数对应的刺激时长;m为第一预设时间内刺激状态下所用到的刺激参数的组数。
5.根据权利要求2所述的植入式设备电量监控设备,其特征在于,所述实际耗电数据包括第一实际耗电量,所述预设耗电数据包括第一预设耗电量;所述判定单元的执行步骤包括:
基于第一预设耗电量与第一实际耗电量获得第一差值;
若所述第一差值大于第一阈值,则进行预警提醒;
若所述第一差值小于或等于所述第一阈值;则记录所述第一差值,并继续统计后续的第一实际耗电量;
若根据后续统计的第一实际耗电量得到的第一差值均小于或等于所述第一阈值;并且连续多次第一实际耗电量均大于第一预设耗电量,或者连续多次第一实际耗电量均小于第一预设耗电量,则进行第二判定。
6.根据权利要求5所述的植入式设备电量监控设备,其特征在于,所述第二判定包括:
将连续多个第一预设时间内的总耗电量作为第二实际耗电量;
将第二实际耗电量与第二预设耗电量对比,获得第二差值;
若第二差值大于第二阈值,则进行预警提醒。
7.根据权利要求5所述的植入式设备电量监控设备,其特征在于,所述第一阈值满足以下条件:
αu=tu/T
其中,Dy1为第一阈值,v为第一预设时间内植入式设备的使用状态数量,tu为第一预设时间内植入式设备第u个使用状态的运行时间;Du为植入式设备第u个使用状态单位时间内实际耗电量与预设耗电量允许的最大标定差值;αu为植入式设备第u个使用状态的系数;T为第一预设时间。
8.根据权利要求1所述的植入式设备电量监控设备,其特征在于,所述预设耗电数据的获取方法包括:
信息处理模块根据植入式设备在不同使用状态下的耗电数据,建立植入式设备在不同使用状态的耗电曲线;根据不同使用状态的耗电曲线,预测植入式设备在不同使用状态下的后续预设时间段的耗电信息,并将所述耗电信息作为所述预设耗数据。
9.根据权利要求8所述的植入式设备电量监控设备,其特征在于,所述判定单元的执行步骤包括:
判断预设时间段内的使用状态是否与预设使用状态一致;
若是,则计算预设耗电曲线与实际耗电曲线的距离,所述预设耗电曲线为基于所述预设耗电数据生成的曲线;
若实际耗电曲线与预设耗电曲线的距离大于距离阈值,则进行报警提醒。
10.根据权利要求9所述的植入式设备电量监控设备,其特征在于,所述判断预设时间段内的使用状态是否与预设使用状态一致,包括:
若预设时间段内的使用状态与预设使用状态不一致;
则获取植入式设备的使用状态以及每个使用状态下的理论功耗;
基于理论功耗获得在预设时间段内的耗电数据作为预设耗电数据。
11.根据权利要求1所述的植入式设备电量监控设备,其特征在于,所述信息处理模块还用于:
当所述植入式设备的耗电异常时,获取所述植入式设备的运行参数;
将所述运行参数与预设故障对应的运行参数进行匹配,以确定所述植入式设备的耗电故障类型。
12.根据权利要求1所述的植入式设备电量监控设备,其特征在于,所述信息处理模块还用于:
判断所述植入式设备是否已植入患者体内;
若是,则根据所述植入式设备的耗电异常情况进行风险分级;
若否,则判断该植入式设备为不良品。
13.一种植入式设备电量监控方法,其特征在于,所述方法包括:
通过信息处理模块获取至少一个植入式设备的使用状态以及所述使用状态对应实际电量信息;
基于实际电量信息,确定所述植入式设备在预设时间段内的实际耗电数据;
基于所述实际耗电数据以及所述使用状态对应的预设耗电数据,判定所述植入式设备的耗电是否异常,若是,则将耗电异常信息发送至预警模块;
根据所述耗电异常信息,通过所述预警模块发出预警提示。
14.一种医疗系统,其特征在于,所述医疗系统包括:
植入式设备,所述植入式设备可定时发送电量信息或具有电量信息获取接口;
如权利要求1-12任一所述植入式设备电量监控设备,所述植入式设备电量监控设备实现所述植入式设备的电量监控。
15.一种程控设备,其特征在于,所述程控设备包括:
如权利要求1-12任一所述植入式设备电量监控设备,所述植入式设备电量监控设备实现所述植入式设备的电量监控。
16.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1-12任一所述设备的功能,或者实现权利要求13所述方法的步骤。
17.一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存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-12任一所述设备的功能,或者实现权利要求13所述方法的步骤。
18.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1-12任一所述设备的功能,或者实现权利要求13所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389527.1A CN118050648A (zh) | 2024-04-01 | 2024-04-01 | 植入式设备电量监控设备、方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389527.1A CN118050648A (zh) | 2024-04-01 | 2024-04-01 | 植入式设备电量监控设备、方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118050648A true CN118050648A (zh) | 2024-05-17 |
Family
ID=91052058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410389527.1A Pending CN118050648A (zh) | 2024-04-01 | 2024-04-01 | 植入式设备电量监控设备、方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118050648A (zh) |
-
2024
- 2024-04-01 CN CN202410389527.1A patent/CN118050648A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11890475B2 (en) | Notification indicative of a change in efficacy of therapy | |
US9180303B2 (en) | Transmission of power source usage information over a network | |
EP2403589B1 (en) | Systems for delivering neural therapy correlated with patient status | |
EP2411090B1 (en) | Optimal deep brain stimulation therapy with q learning | |
US8914115B2 (en) | Selecting therapy cycle parameters based on monitored brain signal | |
US8521294B2 (en) | System and method for dynamically configurable deep brain stimulation | |
CN115430050A (zh) | 充电提醒装置、植入式神经刺激系统及存储介质 | |
WO2024083193A1 (zh) | 脉冲发生器、刺激器、医疗系统及计算机可读存储介质 | |
WO2024027781A1 (zh) | 自诊断设备、程控系统及计算机可读存储介质 | |
CN118050648A (zh) | 植入式设备电量监控设备、方法及相关装置 | |
WO2017143185A1 (en) | Wireless implant systems for sensing and stimulating nerves | |
CN116488297A (zh) | 体外充电器及其充电方法、存储介质及程序产品 | |
US20220401739A1 (en) | Cloud-based sensor operation adapted to patient behavior | |
US20220230743A1 (en) | Medical device management using risk control measures | |
US20220230742A1 (en) | Medical device management | |
CN117895624B (zh) | 植入设备的充电提醒方法及相关装置 | |
CN117065217A (zh) | 电位信号采集设备及其方法、医疗系统、可读存储介质 | |
US11890468B1 (en) | Neurostimulation systems with event pattern detection and classification | |
US20240221926A1 (en) | Implantable medical device (imd) with code path metrics | |
US20220400952A1 (en) | Cloud-based patient monitoring and pain management system | |
CN116936060A (zh) | 医疗系统的故障检测方法及相关装置 | |
CN118199779A (zh) | 植入式设备的对时方法及相关装置 | |
CN116721752A (zh) | 电极导线的配置装置、程控设备、医疗系统及相关产品 | |
CN116932319A (zh) | 用于确定程控错误的方法及相关装置 | |
WO2023186887A1 (en) | Method for early illness detection using implanted neurostimulation system features |
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 |