一种强脉冲激光干眼治疗仪能量控制方法技术

本发明专利技术属于干眼治疗技术领域，具体公开了一种强脉冲激光干眼治疗仪能量控制方法，包括以下步骤：S1：数据采集；S2：数据输入：将患者数据输入到干眼数据预测模型中；S3：数据输出：干眼数据预测模型输出强脉冲激光的相关信息；S4：治疗应用：将输出的强脉冲激光的相关信息应用到强脉冲激光干眼治疗仪中；S5：异常反馈：若根据上述强脉冲激光进行干眼治疗效果未达到预期效果，则将采集的数据反馈给干眼数据预测模型；S6：再次调整：对参数进行微调。上述方法，能够解决纯靠医护人员经验进行强脉冲激光相关特征的判断与选择，对医护人员的技能、经验等要求较高，不利于强脉冲激光在干眼治疗领域的应用，并且造成自动化程度低的问题。并且造成自动化程度低的问题。并且造成自动化程度低的问题。

【技术实现步骤摘要】
一种强脉冲激光干眼治疗仪能量控制方法


[0001]本专利技术属于干眼治疗
，尤其涉及一种强脉冲激光干眼治疗仪能量控制方法。

技术介绍

[0002]强脉冲激光，英文缩写IPL，是一种宽谱可见光。IPL治疗干眼症基于选择性光热作用原理，即输出的强脉冲光中较长波长的光可穿透到皮肤较深处组织产生光热作用和光化学作用，对睑板腺功能的改善能起到作用，可软化脂质，促进脂质分泌，也可杀灭螨虫及部分细菌，对睑板腺囊肿、麦粒肿等疾病有治疗效果。
[0003]目前对于强脉冲激光的强度、时间以及能量的波形，均有医护人员根据自身经验进行判断，并根据治疗结果再进行调节。纯靠医护人员经验进行强脉冲激光相关特征的判断与选择，对医护人员的技能、经验等要求较高，不利于强脉冲激光在干眼治疗领域的应用，并且自动化程度低。

技术实现思路

[0004]本专利技术的目的在于提供一种强脉冲激光干眼治疗仪能量控制方法，以解决纯靠医护人员经验进行强脉冲激光相关特征的判断与选择，对医护人员的技能、经验等要求较高，不利于强脉冲激光在干眼治疗领域的应用，并且造成自动化程度低的问题。
[0005]为了达到上述目的，本专利技术的技术方案为：一种强脉冲激光干眼治疗仪能量控制方法，包括以下步骤：
[0006]S1：数据采集：采集患者数据，包括患者肤色、角质层厚度和疼痛忍受度；
[0007]S2：数据输入：将患者数据输入到基于深度学习的干眼数据预测模型中；
[0008]S3：数据输出：干眼数据预测模型输出强脉冲激光的相关信息，包括强脉冲激光的能量波形、强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度；
[0009]S4：治疗应用：将输出的强脉冲激光的相关信息应用到强脉冲激光干眼治疗仪中，使强脉冲激光干眼治疗仪射出的强脉冲激光符合相关信息。
[0010]进一步，在步骤S2中，干眼数据预测模型的建立具体包括以下步骤：
[0011]S2.1：样本标定：样本采用已处理的各个患者的相关数据，相关数据包括患者肤色、角质层厚度、疼痛忍受度、治疗时的强脉冲激光的能量波形、强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度；对治疗效果达到预期效果的样本进行标定，治疗效果未达到预期效果的样本不进行标定；
[0012]S2.2：输入量和输出量的确认：将患者肤色、角质层厚度、疼痛忍受度作为输入量，将治疗时的强脉冲激光的能量波形、强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度作为输出量；
[0013]S2.3：训练数据集生成：将标定样本中的各个患者的患者肤色、角质层厚度和疼痛
忍受度嵌入图片的RGB分量，转换为信息图像；对信息图像进行预处理，同一图片大小，生成目标信息片段，作为训练数据集；
[0014]S2.4：建立基于DBN结构的干眼数据预测模型：采用深度置信网络作为干眼数据预测模型的算法，深度置信网络包括多个RBM模型，每个RBM模型包括一个可见层和一个双向连接的隐藏层，将训练数据集作为第一个RBM模型的输入向量，对第一个RBM模型进行训练；将训练完成的第一个RBM模型的隐藏层作为第二个RBM模型的可见层的输入向量，继续对第二个RBM模型进行训练；将训练完成的第二个RBM模型的隐藏层作为第三个RBM模型的可见层的输入向量，继续对第三个RBM模型进行训练；依次训练，直到全部RBM模型训练完成，最后一个RBM模型的隐藏层连接到输出层，输出预测结果；
[0015]S2.5：参数调整：在上述无监督学习过程完成之后，根据附加在网络顶层的标签，对DBN结构进行有监督的联合训练，根据预测结果对所有网络层结构的参数进行微调，形成干眼数据预测模型。
[0016]进一步，还包括以下步骤：
[0017]S5：异常反馈：若根据上述强脉冲激光进行干眼治疗效果未达到预期效果，则将步骤S1中采集的该患者的数据反馈给干眼数据预测模型；
[0018]S6：再次调整：再次通过有监督训练对干眼数据预测模型的参数进行微调。
[0019]进一步，在步骤S2.4中，每个RBM模型中包括n个可视层和m个隐藏层，将参数θ记为θ＝{a
i
,b
j
,w
ij
}，其中w
ij
表示连接权重；其中有：
[0020]v＝(v1,v2,
…
,v
i
,
…
,v
n
)为可视层状态，v
i
为第i个神经元状态；
[0021]h＝(h1,h2,
…
,h
j
,
…
,h
m
)为隐藏层状态，h
j
为第j个神经元状态；
[0022]a＝(a1,a2,
…
,a
i
,
…
,a
n
)为可视层偏置，a
i
为第i个神经元偏置；
[0023]b＝(b1,b2,
…
,b
j
,
…
,b
m
)为隐藏层偏置，b
j
为第j个神经元偏置；
[0024]RBM模型的能量函数为：
[0025][0026]根据上述公式可知，函数值与可视层和隐藏层所有神经元的值都有关，定义v和h的联合概率密度为：
[0027][0028]可视层的边缘概率密度通过对所有隐藏层神经元求和得到：
[0029][0030]隐藏层的边缘概率密度通过对所有可视层神经元求和得到：
[0031][0032]可视层中神经元i被激活的概率为：
[0033][0034]隐藏层中神经元j被激活的概率为：
[0035][0036]其中，σ(a
i
+∑
j
w
ij
h
j
)和σ(b
j
+∑
i
v
i
w
ij
)为激活函数；
[0037]以使可视层v的概率分布最大，即根据训练数据集，使下式似然函数最大化：
[0038][0039]通过随机梯度上升法求似然函数的最大值，对参数θ求偏导得到：
[0040][0041]其中，<v
i
h
j
>
p(h|v)
表示数据分布p(h|v)的期望，<v
i
h
j
>
model
表示模型分布p(v，h)的期望；
[0042]根据对比散度算法，能够得到权重和偏置的更新准则如下：
[0043]Δω
ij
＝α(<v
i
h
j
>
p(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种强脉冲激光干眼治疗仪能量控制方法，其特征在于：包括以下步骤：S1：数据采集：采集患者数据，包括患者肤色、角质层厚度和疼痛忍受度；S2：数据输入：将患者数据输入到基于深度学习的干眼数据预测模型中；S3：数据输出：干眼数据预测模型输出强脉冲激光的相关信息，包括强脉冲激光的能量波形、强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度；S4：治疗应用：将输出的强脉冲激光的相关信息应用到强脉冲激光干眼治疗仪中，使强脉冲激光干眼治疗仪射出的强脉冲激光符合相关信息。2.根据权利要求1所述的一种强脉冲激光干眼治疗仪能量控制方法，其特征在于：在步骤S2中，干眼数据预测模型的建立具体包括以下步骤：S2.1：样本标定：样本采用已处理的各个患者的相关数据，相关数据包括患者肤色、角质层厚度、疼痛忍受度、治疗时的强脉冲激光的能量波形、强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度；对治疗效果达到预期效果的样本进行标定，治疗效果未达到预期效果的样本不进行标定；S2.2：输入量和输出量的确认：将患者肤色、角质层厚度、疼痛忍受度作为输入量，将治疗时的强脉冲激光的能量波形、强脉冲激光中各个子脉冲的持续时间以及强脉冲激光中各个子脉冲的能量强度作为输出量；S2.3：训练数据集生成：将标定样本中的各个患者的患者肤色、角质层厚度和疼痛忍受度嵌入图片的RGB分量，转换为信息图像；对信息图像进行预处理，同一图片大小，生成目标信息片段，作为训练数据集；S2.4：建立基于DBN结构的干眼数据预测模型：采用深度置信网络作为干眼数据预测模型的算法，深度置信网络包括多个RBM模型，每个RBM模型包括一个可见层和一个双向连接的隐藏层，将训练数据集作为第一个RBM模型的输入向量，对第一个RBM模型进行训练；将训练完成的第一个RBM模型的隐藏层作为第二个RBM模型的可见层的输入向量，继续对第二个RBM模型进行训练；将训练完成的第二个RBM模型的隐藏层作为第三个RBM模型的可见层的输入向量，继续对第三个RBM模型进行训练；依次训练，直到全部RBM模型训练完成，最后一个RBM模型的隐藏层连接到输出层，输出预测结果；S2.5：参数调整：在上述无监督学习过程完成之后，根据附加在网络顶层的标签，对DBN结构进行有监督的联合训练，根据预测结果对所有网络层结构的参数进行微调，形成干眼数据预测模型。3.根据权利要求2所述的一种强脉冲激光干眼治疗仪能量控制方法，其特征在于：还包括以下步骤：S5：异常反馈：若根据上述强脉冲激光进行干眼治疗效果未达到预期效果，则将步骤S1中采集的该患者的数据反馈给干眼数据预测模型；S6：再次调整：再次通过有监督训练对干眼数据预测模型的参数进行微调。4.根据权利要求3所述的一种强脉冲激光干眼治疗仪能量控制方法，其特征在于：在步骤S2.4中，每个RBM模型中包括n个可视层和m个隐藏层，将参数θ记为θ＝{a
i
,b
j
,w
ij
}，其中w
ij
表示连接权重；其中有：v＝(v1,v2,
…
,v
i
,
…
,v
n
)为可视层状态，v
...

【专利技术属性】
技术研发人员：柴毅，屈剑锋，
申请(专利权)人：重庆大学，
类型：发明
国别省市：