一种基于互联网的泌尿外科体外碎石机控制方法技术

本发明专利技术属于结石治疗技术领域，公开了一种基于互联网的泌尿外科体外碎石机控制方法，通过用B超探头对人体进行扫描，并将该影像呈现在接入互联网的计算机上；中央处理单元根据人体上的结石在扫描切面上的位置信息和碎石机的波源焦点位置信息计算出二者之间的空间距离和运动重合轨迹；根据人体上的结石与碎石机的波源焦点之间的空间距离和运动重合轨迹，获得结石准确位置；经由波导轴将声波波形和超声波波形传输到结石准确位置，进行破碎。本发明专利技术可以提高结石破碎效率，结石破碎效果好；同时可快速和准确的将结石自动定位到冲击波源杯内的波源焦点。减少医生使用体外冲击波碎石机的操作难度。

An Internet based control method for extracorporeal lithotripsy in Department of Urology

The invention belongs to the field of stone treatment technology, and discloses a department of Urology extracorporeal lithotripsy machine control method based on the Internet, by scanning the human body by ultrasonic probe, and the images appear in the computer with access to the Internet; between the central processing unit according to the stone on the body source location information and focus lithotriptors in scanning section the two are calculated the trajectory space distance and motion coincide; according to the source stone and stone machine focus on the body of the space distance and motion trajectory coincide, obtain accurate stone position; through the waveguide axis acoustic waveform and ultrasonic waveform transmitted to the exact location of broken stones. The invention can improve the crushing efficiency of stones and the effect of crushing stones. Meanwhile, it can quickly and accurately locate the focus of waves in the shock source cup. To reduce the difficulty of using the extracorporeal shock wave lithotripsy machine.

【技术实现步骤摘要】
一种基于互联网的泌尿外科体外碎石机控制方法
本专利技术属于结石治疗
，尤其涉及一种基于互联网的泌尿外科体外碎石机控制方法。
技术介绍
结石是人体体内的导管腔中或腔性器官(如肾脏、输尿管、胆囊或膀胱等)的腔中形成的固体块状物。主要见于胆囊及膀胱、肾盂中，也可见于胰导管、涎腺导管等的腔中。结石由无机盐或有机物组成。结石中一般有一核心，由脱落的上皮细胞、细菌团块、寄生虫卵或虫体、粪块或异物组成，无机盐或有机物再层层沉积核心之上。由于受累器官的不同，结石形成的机制所含的成分、形状、质地、对机体的影响等均不相同。总的说来，结石可造成管腔梗阻，影响受累器官液体的排出，产生疼痛、出血或继发性感染等症状。然而，现有定位结石实际上是搜索、定位、再搜索、再定位的重复过程，不仅定位时间长，也使医生不胜其烦；同时现有破碎结石方法效率不高，结石破碎效果差。综上，现有技术存在的问题是：现有定位结石实际上是搜索、定位、再搜索、再定位的重复过程，不仅定位时间长，也使医生不胜其烦；同时现有破碎结石方法效率不高，结石破碎效果差。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于互联网的泌尿外科体外碎石机控制方法。本专利技术是这样实现的，一种基于互联网的泌尿外科体外碎石机控制方法，所述基于互联网的泌尿外科体外碎石机控制方法包括以下步骤：步骤一，用B超探头对人体进行扫描，采集B超探头的切面探测影像数据，并将该影像呈现在接入互联网的计算机上；所述计算机信号间干扰关系分析方法包括以下步骤：(1)确定干扰信号在无线信号领域上的若干特征参数CP，并基于特征参数形成对应的干扰空间模型，基于建立的干扰空间模型，确定待分析的干扰信号特征矢量与参照信号特征矢量(2)基于干扰空间模型，针对干扰信号特征矢量定义对参照信号特征矢量的位移矢量(3)定义位移矢量在干扰空间中对某个维度坐标轴的投影，为干扰信号特征矢量到参照信号特征矢量在该CP维度上的距离，即有：其中PRJ(·)算子表示针对某一CP维度的投影运算；(4)定义干扰信号对参照信号的干扰状态为S，用以表示干扰信号对参照信号的干扰关系；(5)在已经形成干扰的前提下，首先需要选取并确定干扰作用参数EP，对于干扰信号而言，参数通常为信号功率p或者能量e；(6)定义干扰信号对参照信号的干扰程度为G，用以衡量干扰信号对参照信号的干扰影响程度；所述方法进一步包括：对于干扰信号和参照信号各自包含若干干扰特征矢量的多模情况，此时的干扰状态S(VI，VS)，如下计算：其中S[VI，VS]M×N被称为干扰状态矩阵，矩阵中的每个元素表示VI中的第k个特征矢量和VS中的第l个特征矢量的干扰状态，只有两个特征矢量集合中每个元素都不干扰时，S(VI，VS)＝0干扰信号才不对参照信号形成干扰；反之，S(VI，VS)＞0，此时干扰信号将对参照信号形成干扰；所述B超探头的图像获取中投影数据计算目标图像的迭代模型，所述迭代模型的公式表示为：其中，X为所述目标图像，M为系统矩阵，G为所述投影数据，i表示迭代次数，Xi表示第i次迭代后得到的迭代结果；λ表示收敛系数，且λ∈(0,1)，MT表示对矩阵M的转置；设置所述目标图像的初始值，并根据预先设置的迭代次数利用所述迭代模型对所述目标图像中的每个像素点进行迭代更新，获取所述目标图像，所述迭代模型中的像素点的当前灰度值与前次迭代的灰度值一致逼近；所述将目标图像中灰度值小于0的像素点置零；步骤二，当扫描到人体上的结石显示在显示单元上的某一位置上时，通过输入单元将结石在扫描切面上的位置信息输入给中央处理单元进行锁定；所述显示单元利用多个混合参数和多幅载体图像来隐藏一幅图像，通过运用图像的多重混合嵌入技术将图像信息嵌入到数字图像系统的时变参数中，对数字图像系统建立数学模型，运用迭代学习辨识方法在有限时间区间上对时变参数的完全估计这一重要特性，实现数字图像系统的图像信息的完全重建，实验数值结果表明，运用迭代学习辨识方法能够完全恢复出隐藏图像，并且通过大量的实验测试了所提出方法抵抗JPEG压缩、剪切、噪声和中值滤波几何攻击的能力；记原始图像G为θ(t)序列，加密后为图像G′为x(t)序列，载体图像组Fi(i＝1,2,…,n)为wi(t)序列,i＝1,2,…,n，混合图像Sn为y(t)，则系统表示为：t∈{0,1,2...N},x(t)∈Rn,θ(t)∈R1；y1(t)∈R1；y(t)∈R1,非线性函数f(x(t),θ(t),t)表示原始图像加密的函数，非线性函数g(x(t),t)表示加密后的图像和载体图像一次迭代混合函数，h(y1(t),t)表示n重迭代混合后的函数，当参数真值为θ*(t)时，写成：用于估计θ*(t)的迭代学习辨识系统为:式中，k为迭代次数，每次迭代时的初值相同，假设f关于x、θ的偏导数，及g关于x的偏导数，以及h关于g的偏导数存在，记：并记其界为CD,CC，CA，CB；若：其中ρ的取值为:||1-γk(t)Dk(t+1)Ck(t+1)Bk(t)||≤ρ＜1；||γkDk(t)Ck(t)-γkDk(t+1)Ck(t+1)Ak(t)||≤CM'；则当k→∞时，θk(t)在区间{0,1,…,N}上收敛于θ*(t)；证明：根据微分中值定理：记：M'k＝γkDk(t)Ck(t)-γkDk(t+1)Ck(t+1)Ak(t)；得到：两端取λ范数：记||M'k||λ≤CM'把式(16)代入(30)得到：不等式可写成：因为0≤ρ≤1取λ足够大，则：所述中央处理单元通过迭代学习辨识方法获得的时变参数θk(t)的一组图像序列，再按照原始图像的像素比率重构出隐藏的图像，对于被恢复的隐藏图像和混合图像仍然可以采用均方根误差来反映他们的误差，利用峰值信噪比来度量他们的客观保真度，载体图像F和混合图像S的均方根误差为：均方根误差越小，说明两个图像越相似，其中载体图像F的图像大小为M×M,图像S的大小为N×N；图像F和混合图像的峰值信噪比PSNR为：峰值信噪比PSNR作为衡量图像客观保真度的准则，它的值越大，说明图像混合的保真度越高，选取三幅混合图像、三个混个参数实现原始图像的隐藏，数字图像恢复系统的状态表达式为：实验时，取λ＝3.65，初值xk(0)＝0.47，原始图像θ(t)为灰度图像，载体图像w1(t)、w2(t)、w3(t)为两幅不同点的灰度图像，经过4次混合隐藏后得到混合图像，y*(t)；根据式αi+1＝μ′αi(1-αi)，设参数μ'＝3.82，初值α1＝0.75，在Logistic映射的迭代下所产生的混沌序列为{αi}，从中选取实验参数序列；依据收敛性充分条件确定的学习增益为：式中,βi＝1-αi,i＝1,2，为检验算法性能，定义指标函数为步骤三，中央处理单元根据人体上的结石在扫描切面上的位置信息和碎石机的波源焦点位置信息计算出二者之间的空间距离和运动重合轨迹；步骤四，根据人体上的结石与碎石机的波源焦点之间的空间距离和运动重合轨迹，中央处理单元驱动动力装置上述二者按照运动重合轨迹做相对运动，获得结石准确位置；步骤五，确定结石的尺寸、确定结石的类型或者确定结石的尺寸与类型两者；选择用于产生声波波形的声频的幅值，声频的幅值是基于结石的尺寸进行选择；步骤六，使用声波驱动器来产生声波波形；使用超声波驱动本文档来自技高网...

【技术保护点】
一种基于互联网的泌尿外科体外碎石机控制方法，其特征在于，所述基于互联网的泌尿外科体外碎石机控制方法包括以下步骤：步骤一，用B超探头对人体进行扫描，采集B超探头的切面探测影像数据，并将该影像呈现在接入互联网的计算机上；所述计算机信号间干扰关系分析方法包括以下步骤：(1)确定干扰信号在无线信号领域上的若干特征参数CP，并基于特征参数形成对应的干扰空间模型，基于建立的干扰空间模型，确定待分析的干扰信号特征矢量

【技术特征摘要】
1.一种基于互联网的泌尿外科体外碎石机控制方法，其特征在于，所述基于互联网的泌尿外科体外碎石机控制方法包括以下步骤：步骤一，用B超探头对人体进行扫描，采集B超探头的切面探测影像数据，并将该影像呈现在接入互联网的计算机上；所述计算机信号间干扰关系分析方法包括以下步骤：(1)确定干扰信号在无线信号领域上的若干特征参数CP，并基于特征参数形成对应的干扰空间模型，基于建立的干扰空间模型，确定待分析的干扰信号特征矢量与参照信号特征矢量(2)基于干扰空间模型，针对干扰信号特征矢量定义对参照信号特征矢量的位移矢量(3)定义位移矢量在干扰空间中对某个维度坐标轴的投影，为干扰信号特征矢量到参照信号特征矢量在该CP维度上的距离，即有：其中PRJ(·)算子表示针对某一CP维度的投影运算；(4)定义干扰信号对参照信号的干扰状态为S，用以表示干扰信号对参照信号的干扰关系；(5)在已经形成干扰的前提下，首先需要选取并确定干扰作用参数EP，对于干扰信号而言，参数通常为信号功率p或者能量e；(6)定义干扰信号对参照信号的干扰程度为G，用以衡量干扰信号对参照信号的干扰影响程度；所述方法进一步包括：对于干扰信号和参照信号各自包含若干干扰特征矢量的多模情况，此时的干扰状态S(VI，VS)，如下计算：其中S[VI，VS]M×N被称为干扰状态矩阵，矩阵中的每个元素表示VI中的第k个特征矢量和VS中的第l个特征矢量的干扰状态，只有两个特征矢量集合中每个元素都不干扰时，S(VI，VS)＞0干扰信号才不对参照信号形成干扰；反之，S(VI，VS)＞0，此时干扰信号将对参照信号形成干扰；所述B超探头的图像获取中投影数据计算目标图像的迭代模型，所述迭代模型的公式表示为：其中，X为所述目标图像，M为系统矩阵，G为所述投影数据，i表示迭代次数，Xi表示第i次迭代后得到的迭代结果；λ表示收敛系数，且λ∈(0,1)，MT表示对矩阵M的转置；设置所述目标图像的初始值，并根据预先设置的迭代次数利用所述迭代模型对所述目标图像中的每个像素点进行迭代更新，获取所述目标图像，所述迭代模型中的像素点的当前灰度值与前次迭代的灰度值一致逼近；所述将目标图像中灰度值小于0的像素点置零；步骤二，当扫描到人体上的结石显示在显示单元上的某一位置上时，通过输入单元将结石在扫描切面上的位置信息输入给中央处理单元进行锁定；所述显示单元利用多个混合参数和多幅载体图像来隐藏一幅图像，通过运用图像的多重混合嵌入技术将图像信息嵌入到数字图像系统的时变参数中，对数字图像系统建立数学模型，运用迭代学习辨识方法在有限时间区间上对时变参数的完全估计这一重要特性，实现数字图像系统的图像信息的完全重建，实验数值结果表明，运用迭代学习辨识方法能够完全恢复出隐藏图像，并且通过大量的实验测试了所提出方法抵抗JPEG压缩、剪切、噪声和中值滤波几何攻击的能力；记原始图像G为θ(t)序列，加密后为图像G′为x(t)序列，载体图像组Fi(i＝1,2,…,n)为wi(t)序列,i＝1,2,…,n，混合图像Sn为y(t)，则系统表示为：t∈{0,1,2...N},x(t)∈Rn,θ(t)∈R1；y1(t)∈R1；y(t)∈R1,非线性函数f(x(t),θ(t),t)表示原始图像加密的函数，非线性函数g(x(t),t)表示加密后的图像和载体图像一次迭代混合函数，h(y1(t),t)表示n重迭代混合后的函数，当参数真值为θ*(t)时，写成：用于估计θ*(t)的迭代学习辨识系统为:式中，k为迭代次数，每次迭代时的初值相同，假设f关于x、θ的偏导数，及g关于x的偏导数，以及h关于g的偏导数存在，记：ηk(t)＝(1-σ4)θ*(t)+σ4θk(t)，0＜σ4＜1；并记其界为CD,CC，CA，CB；若：其中ρ的取值为:||1-γk(t)Dk(t+1)Ck(t+1)Bk(t)||≤ρ＜1；||γkDk(t)Ck(t)-γkDk(t+1)Ck(t+1)Ak(t)||≤CM'；则当k→∞时，θk(t)在区间{0,1,…,N}上收敛于θ*(t)；证明：根据微分中值定理：

【专利技术属性】
技术研发人员：丁才学，
申请(专利权)人：丁才学，
类型：发明
国别省市：湖北,42