【技术实现步骤摘要】
本专利技术涉及医学设备监测，尤其涉及一种麻醉监护设备运行状态监测方法及系统。
技术介绍
1、在当前临床手术中，由于手术时长往往较久，使得需要长时间操作麻醉机的医护人员在面临身体疲劳等状况时，易因体力与精力消耗引发注意力分散，进而导致疏忽，影响手术的安全性和顺利进行。
2、目前监测麻醉机运行状态的主要方法有人工观察和自动监测两种方式。人工观察是医护人员通过直接观察麻醉机的显示屏画面来监测麻醉机的运行情况，并在需要时采取干预措施。自动监测则配备了自动监测和报警系统，可以连续监测麻醉机，提供实时数据和警报，帮助医护人员及时发现问题并采取行动。
3、仅仅依靠人工观察可能会出现人为错误，例如观察不及时导致遗漏干预或延迟干预、观察受主观性或疲劳影响、处理多任务导致忽略对细节的观察、高压力环境下的人为错误、难以跟踪和记录历史数据影响决策、轮班导致无法持续观察等问题。自动监测也会产生系统错误，例如出现虚警和误报、技术故障、在系统互操作性上难以无缝协同等问题。而这两种方式相互结合，即人工观察依赖医护人员的专业知识和经验，自动监测提供客观的数据支持，医护人员综合考虑这两种信息来源以做出决策和干预措施，同样会带来使用问题，例如过度依赖系统致失去直觉观察、信息过载增加工作负担并引发疲劳、虚警和误报导致不必要的干预并削弱对系统的信任、解释监测数据和警报需要额外的专业知识培训和经验积累、技术故障导致人工判断错误、数据使用的隐私和合规等。
技术实现思路
1、本部分的目的在于概述本专利技术
2、鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术提供了一种麻醉监护设备运行状态监测方法，用来解决实际问题中，单独或结合使用人工观察和自动监测这两种方式在监测麻醉机运行状态时所带来的人为错误和系统错误的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术提供了一种麻醉监护设备运行状态监测方法，包括：
5、采集麻醉机屏幕画面中的视频图像，提取所述视频图像中含有的帧图像，并对该帧图像进行预处理，对预处理后的帧图像采用图像分割技术分离帧图像中的不同元素；
6、将不同元素中的波形和数值采用分类式处理，同时利用深度学习模型和ocr模型分别对处理后波形中的波形信号和数值进行训练；
7、判断训练后的波形信号和数值是否匹配分类式处理时的波形信号和数值，以完成对麻醉监护设备的精确监测。
8、作为本专利技术所述的麻醉监护设备运行状态监测方法的一种优选方案，其中：对该帧图像进行预处理，包括：
9、对于当前处理的视频图像，定义一个视频图像的模板，并以该模板作为所述图像的若干个邻近像素点值；
10、将所述模板的像素由小到大进行排序，替换当前处理的视频图像中的像素点值。
11、作为本专利技术所述的麻醉监护设备运行状态监测方法的一种优选方案，其中：将不同元素中的波形和数值采用分类式处理，包括：
12、设波形τ(x)的长度为q序列，提取所述波形在时域中的特征参数，公式表示为：
13、
14、其中，q＝2m，m为整数；χ表示为波形的过滤因子；κ(ι)表示波形峰值κ的脉冲因子ι；wmφ表示通过过滤器w的波形信号φ。
15、作为本专利技术所述的麻醉监护设备运行状态监测方法的一种优选方案，其中：还包括：
16、初始化数值y，估计数值在时域的分形维数k，提取所述数值在时域中的特征参数，并从初始数值的时间序列m，计算数值的新时间序列如下所示：
17、
18、其中，n表示为数值在时域分形维数的信号总长度，t表示信号在给定时间内的观测周期。
19、作为本专利技术所述的麻醉监护设备运行状态监测方法的一种优选方案，其中：利用深度学习模型和ocr模型分别对处理后波形中的波形信号和数值进行训练，包括：
20、对于模式识别方法能够识别的波形信号，即归类为可分类波形，并将所述波形划分为：血氧饱和度波形、呼吸波形、二氧化碳波形、动脉血压波形和心电图波形；其中，血氧饱和度波形、动脉血压波形和心电图波形三个波形具有关联性；呼吸波形和二氧化碳波形两个波形具有关联性；对于模式识别方法识别不了的波形信号，即归类为不可分类波形，对于属于此类波形的波形信号需通知相关人员进行人工判别；当波形信号在设备运行中出现波动，即t值不稳定，则显示波形异常，通知相关人员结合设备当前运行状态进行人工判别，并记录下当前波形信号所属的波形类型，通过深度学习模型继续迭代训练；
21、使用ocr识别方法识别处理后的数值，将该数值转换为文本，通过ocr模型进行训练；
22、其中，sign为符号函数，djk为波形信号在时域中的系数。
23、作为本专利技术所述的麻醉监护设备运行状态监测方法的一种优选方案，其中：判断训练后的波形信号和数值是否匹配分类式处理时的波形信号和数值，包括：
24、将训练后的波形信号φ和数值y分别带入κ(ι)和中；若κ(ι)在的范围内，则表示训练后的波形信号并没有偏离分类式处理时的波形信号，符合波形在时域中的特征；若属于中的任一条件区间内，则说明初始数值y在给定的信号观测周期内发生了变化，导致数值特征发生偏差，不符合数值在时域中的特征；
25、其中，σ表示波形信号波动的偏差值，λ表示数值转换为文本的偏差值。
26、第二方面，本专利技术提供了麻醉监护设备运行状态监测系统，其包括：
27、图像采集模块，采集麻醉机屏幕画面中的视频图像，提取所述视频图像中含有的帧图像，并对该帧图像进行预处理，对预处理后的帧图像采用图像分割技术分离帧图像中的不同元素；
28、模型训练模块，将不同元素中的波形和数值采用分类式处理，同时利用深度学习模型和ocr模型分别对处理后波形中的波形信号和数值进行训练；
29、判别验证模块，判断训练后的波形信号和数值是否匹配分类式处理时的波形信号和数值。
30、第三方面，本专利技术提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述方法的任一步骤。
31、第四方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述方法的任一步骤。
32、与现有技术相比，专利技术有益效果为：本专利技术通过将不同元素中的波形和数值采用分类式处理，同时利用深度学习模型和ocr模型分别对处理后波形中的波形信号和数值进行训练；判断训练后的波形信号和数值是否匹配分类式处理时的波形信号和数值，以完成对麻醉监护设备的精确监测；本专利技术利用分类式处理方法将帧图像中所包含不同元素的波形和本文档来自技高网...
【技术保护点】
1.一种麻醉监护设备运行状态监测方法，其特征在于，包括：
2.如权利要求3所述的麻醉监护设备运行状态监测方法，其特征在于，对该帧图像进行预处理，包括：
3.如权利要求4所述的麻醉监护设备运行状态监测方法，其特征在于，将不同元素中的波形和数值采用分类式处理，包括：
4.如权利要求5所述的麻醉监护设备运行状态监测方法，其特征在于，还包括：
5.如权利要求3或4所述的麻醉监护设备运行状态监测方法，其特征在于，利用深度学习模型和OCR模型分别对处理后波形中的波形信号和数值进行训练，包括：
6.如权利要求5所述的麻醉监护设备运行状态监测方法，其特征在于，判断训练后的波形信号和数值是否匹配分类式处理时的波形信号和数值，包括：
7.一种麻醉监护设备运行状态监测系统，基于权利要求1～6任一所述的麻醉监护设备运行状态监测方法，其特征在于，包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～6任一所述方法的步骤。
9.一种计
...【技术特征摘要】
1.一种麻醉监护设备运行状态监测方法，其特征在于，包括：
2.如权利要求3所述的麻醉监护设备运行状态监测方法，其特征在于，对该帧图像进行预处理，包括：
3.如权利要求4所述的麻醉监护设备运行状态监测方法，其特征在于，将不同元素中的波形和数值采用分类式处理，包括：
4.如权利要求5所述的麻醉监护设备运行状态监测方法，其特征在于，还包括：
5.如权利要求3或4所述的麻醉监护设备运行状态监测方法，其特征在于，利用深度学习模型和ocr模型分别对处理后波形中的波形信号和数值进行训练，包括：
6.如权利...
【专利技术属性】
技术研发人员：姚伟锋，关山，陈潮金，窦朝逊，郭晋言，罗刚健，黑子清，容典，
申请(专利权)人：中山大学附属第三医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。