一种自动体外除颤器智能辅助系统及方法与流程

本发明涉及一种自动体外除颤器智能辅助系统及方法，属于医疗技术领域。

背景技术：

自动体外除颤器又称自动体外电击器、自动电击器、自动除颤器、心脏除颤器及傻瓜电击器等，是一种便携式的医疗设备，它可以诊断特定的心律失常，并且给予电击除颤，是可被非专业人员使用的用于抢救心源性猝死患者的医疗设备，机器人在当今社会应用于各个领域，自动体外除颤器除颤仪主要应用于医学急救领域，面对现代突发性疾病，医疗体系可以尽量的解决，但是还有某些方面不尽如人意，现在市场上对突发性疾病的医疗器械不在少数，但是大部分都需要专业的医疗人士才可以操作，在大部分急救场景往往缺少专业医疗人士，导致急救成功率过低。

技术实现要素：

为解决上述问题，本发明的目的在于提供一种自动体外除颤器智能辅助系统，包括：云端后台服务器，用于存储用户信息并根据定位向辅助机器人发送救援指令；呼救设备，用于向服务器发送求救信息，求救信息包括用户当前位置信息；辅助机器人，由于搭载医疗设备根据后台指令对目标用户执行对应的救援任务，其中医疗设备包括自动体外除颤器。

本发明解决其问题所采用的技术方案一方面是：一种自动体外除颤器智能辅助系统，其特征在于，包括：云端后台服务器，用于存储用户信息并根据定位向辅助机器人发送救援指令；呼救设备，用于向服务器发送求救信息，求救信息包括用户当前位置信息；辅助机器人，由于搭载医疗设备根据后台指令对目标用户执行对应的救援任务，其中医疗设备包括自动体外除颤器。

进一步的，所述呼救设备包括但不限于移动终端以及固定医疗急救站。

进一步的，所述移动终端设备包括：定位模块，用于确定用户当前的地理位置；消息发送模块，用于向云端后台服务器发送求救信息，其中求救信息包括用户信息和用户当前地理位置。

进一步的，所述辅助机器人包括：驱动模块，用于驱动机体按照路径移动；导航模块，根据救援指令的定位信息，规划行动路线；避障模块，用于通过红外线或声波探测，控制辅助机器人执行规避障碍。

进一步的，所述辅助机器人包括：采集模块，用于采集目标用户身体状态信息，包括但不限于心率；显示以及语音模块，用于根据操作设备向操作人员播放对应的指导内容。

进一步的，所述辅助机器人包括：除颤器，用于对目标用户执行除颤操作；图样采集模块，用于采集待除颤对象的面部图像数据；特征提取模块，用于提取出面部图像数据中人脸的肌肤纹理特征；模型分类器，包括对应各个年龄段的模型分类器，以面部图像数据作为输入，输出对应的能量设置参数；能量设置模块，用于根据能量设置参数控制除颤器的输出能量值。

本发明解决其问题所采用的技术方案另一方面是：一种自动体外除颤器智能辅助方法，其特征在于，包括以下步骤：s100、当需要医疗救助时，用户通过呼救设备向云端后台服务器发送求救信息，其中求救信息包括用户当前位置信息；s200、云端后台服务器将根据求救信息生成求救任务以及配套的任务指令发送给距离用户最近且处于待命状态的辅助机器人；

s300、辅助机器人搭载医疗设备根据后台指令接近目标用户，执行对应的救援任务，其中救援任务包括实施体外除颤。

进一步的，所述s300还包括：采集目标用户身体状态信息，包括但不限于心率；根据采集的信息对目标用户的身体状态做初步评估，并显示评估结果。

进一步的，所述s300还包括：s310、采集待除颤对象的面部图像数据，进行预估和详细评估；s320、提取出面部图像数据中人脸的肌肤纹理特征，对年龄范围进行初步评估，得到一个指定的年龄段；s330、基于支持向量机的方法，建立对应于不同年龄段的模型分类器，其中建立模型分类型的方法为基于梯度直方图和局部二值化模式建立训练样本库；s340、根据步骤s302确定的年龄段，选取对应年龄段的模型分类器，以采集的待除颤对象的面部图像数据作为输入端，进行评估，输出年龄估计结果；s350、基于预设的年龄与对应点击能量规则，根据年龄估计结果选择对应的点击能量。

进一步的，所述310还包括脸部预处理步骤：a.面部提取，基于脸部探测器cas进行面部提取；b.使用coarse-to-fineauto-encodernetwork(cfan)检测脸部的五个特征点，分别是左右眼中心，鼻尖，嘴部左右角；c.将提取出特征后面部图像数据进行标准化，并将标准化后的图像进行图像尺寸重设置，其中标准化包括内标准化与外标准化两种方式，其中外标准化的方式不仅包含了脸部的固有信息，而且也包含了整体的上下文信息，内标准化只包含了面部信息。

本发明的有益效果是：自动对患者执行体外除颤，对于其他需要人工执行的施救动作，对操作人员播放对应的指导内容，最大化的保证除颤的成功率和救治率，降低因操作不规范或耽误急救时间而导致急救失败危机患者生命的概率。

附图说明

图1是根据本发明优选实施例的系统结构示意图；

图2是根据本发明优选实施例的方法流程示意图；

图3是图像数据处理流程图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。

需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本文说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本文所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。

lbp指局部二值模式，英文全称：localbinarypatterns。最初功能为辅助图像局部对比度，并不是一个完整的特征描述子。

方向梯度直方图(histogramoforientedgradient,hog)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。hog特征通过计算和统计图像局部区域的梯度方向直方图来构成特征。

principalcomponentanalysis(pca)：主成分分析法，是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中表示，即把原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合。并期望在所投影的维度上数据的方差最大，尽量使新的m个特征互不相关。从旧特征到新特征的映射捕获数据中的固有变异性。以此使用较少的数据维度，同时保留住较多的原数据点的特性。

参照图1，是根据本发明优选实施例的系统示意图，

包括：云端后台服务器，用于存储用户信息并根据定位向辅助机器人发送救援指令；呼救设备，用于向服务器发送求救信息，求救信息包括用户当前位置信息；辅助机器人，由于搭载医疗设备根据后台指令对目标用户执行对应的救援任务，其中医疗设备包括自动体外除颤器。

进一步的，所述呼救设备包括但不限于移动终端以及固定医疗急救站。

进一步的，所述移动终端设备包括：定位模块，用于确定用户当前的地理位置；消息发送模块，用于向云端后台服务器发送求救信息，其中求救信息包括用户信息和用户当前地理位置。

进一步的，所述辅助机器人包括：驱动模块，用于驱动机体按照路径移动；导航模块，根据救援指令的定位信息，规划行动路线；避障模块，用于通过红外线或声波探测，控制辅助机器人执行规避障碍。

进一步的，所述辅助机器人包括：采集模块，用于采集目标用户身体状态信息，包括但不限于心率；显示以及语音模块，用于根据操作设备向操作人员播放对应的指导内容。

进一步的，所述辅助机器人包括：除颤器，用于对目标用户执行除颤操作；图样采集模块，用于采集待除颤对象的面部图像数据；特征提取模块，用于提取出面部图像数据中人脸的肌肤纹理特征；模型分类器，包括对应各个年龄段的模型分类器，以面部图像数据作为输入，输出对应的能量设置参数；能量设置模块，用于根据能量设置参数控制除颤器的输出能量值。

参照图2，是根据本发明优选实施例的方法流程示意图，

包括以下步骤：s100、当需要医疗救助时，用户通过呼救设备向云端后台服务器发送求救信息，其中求救信息包括用户当前位置信息；s200、云端后台服务器将根据求救信息生成求救任务以及配套的任务指令发送给距离用户最近且处于待命状态的辅助机器人；

s300、辅助机器人搭载医疗设备根据后台指令接近目标用户，执行对应的救援任务，其中救援任务包括实施体外除颤。

进一步的，所述s300还包括：采集目标用户身体状态信息，包括但不限于心率；根据采集的信息对目标用户的身体状态做初步评估，并显示评估结果。

进一步的，所述s300还包括：s310、采集待除颤对象的面部图像数据，进行预估和详细评估；s320、提取出面部图像数据中人脸的肌肤纹理特征，对年龄范围进行初步评估，得到一个指定的年龄段；s330、基于支持向量机的方法，建立对应于不同年龄段的模型分类器，其中建立模型分类型的方法为基于梯度直方图和局部二值化模式建立训练样本库；s340、根据步骤s302确定的年龄段，选取对应年龄段的模型分类器，以采集的待除颤对象的面部图像数据作为输入端，进行评估，输出年龄估计结果；s350、基于预设的年龄与对应点击能量规则，根据年龄估计结果选择对应的点击能量。

进一步的，所述310还包括脸部预处理步骤：a.面部提取，基于脸部探测器cas进行面部提取；b.使用coarse-to-fineauto-encodernetwork(cfan)检测脸部的五个特征点，分别是左右眼中心，鼻尖，嘴部左右角；c.将提取出特征后面部图像数据进行标准化，并将标准化后的图像进行图像尺寸重设置，其中标准化包括内标准化与外标准化两种方式，其中外标准化的方式不仅包含了脸部的固有信息，而且也包含了整体的上下文信息，内标准化只包含了面部信息。

现在人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到广泛应用。aed急救辅助智能机器人应用了高精确度的人工智能系统用来处理抢救患者是的数据计算，在配合产品搭载的aed除颤仪及其他的抢救设备，基本满足产品的需要。最后，产品的设计主要包括两方面的内容：人工智能设计及救助设备的设计，在本文的研究研究范围内，人工智能的设计主要通过对比市面上的各种救助设备的工艺参数，最终录入具体数据，确定产品的最终设计。

辅助机器人主要需要具备以下因素：

(1)智能急救过程中的安全性，因为救助设备中存在大电流的aed除颤仪，一旦出现漏电或误触电极将会造成严重的后果，因此安全性分析成为产品救助设备中的首要因素。(2)救助设备的操作便易性，在救助过程中，一定会应用到产品中的救助设备，救助设备为医用专业设备，未经学习训练的普通人很难直接应用此类设备，因此产品应用高精确的人工智能系统，通过精确的计算通过语音和显示屏指导普通人进行急救工作。降低操作难度。(3)提高救助效率，为了提高急救的成功率，救助设备搭载了aed除颤仪及急救药物，物品急救箱，通过人工智能的计算，在最短的时间内完成急救，抓住急救的黄金时间。

在科技发展的现代，压力也越来越大，也伴随着众多突发性疾病，心源性猝死，哮喘，心脏病接踵而至，心脏性猝死最具代表性，心脏性猝死以急性症状发作后1小时内发生的以意识突然丧失为特征，心脏骤停病人早期85％～90％是室颤，治疗室颤最有效的方法是早用aed除颤。除颤每推迟1分钟，存活率降低7％～10％。cpr与aed的早期有效配合使用，是抢救心跳呼吸骤停猝死病人的最有效抢救手段。aed除颤仪因为具有高效率，体积小等优点，应用于本产品。本文设计应用的aed除颤仪，其结构如图所示，该系统包含以下只要组成部件：电源、除颤电极片、电极片放置指示灯、电极片接头接口、诊断面板、扬声器、电击按钮、成人-儿童切换按钮及辅助组件。

aed的工作原理：用较强的脉冲电流通过心脏来消除心律失常、使之恢复正常心律，除颤是利用外源性的电流来治疗心律失常的，是近代治疗心律失常的方法。心脏除颤的原理是：除颤复律时作用于心脏的是一次瞬时高能脉冲，一般持续时间是4～10ms，电能在40～400j(焦耳)内。它能完成电击复律，即除颤。当患者发生严重快速心律失常时，如心房扑动、心房纤颤、室上性或室性心动过速等，往往造成不同程度的血液动力障碍。尤其当患者出现心室颤动时，由于心室无整体收缩能力，心脏射血和血液循环终止，如不及时抢救，常造成患者因脑部缺氧时间过长而死亡。如采用除颤器，控制一定能量的电流通过心脏，能消除某些心律紊乱，可使心律恢复正常，从而使心脏疾病患者得到抢救和治疗。人工智能系统首先会智能识别系统会自动根据患者的心率加以判断，在允许的情况下给予电击去除颤，前车身带有智能心率显示仪，可以更准确的为施救者提供处理信息和使用方法，系统会控制除颤的电流大小及电击的时间，彻底解决普通人无法使用专业医疗设备的难题。且后车身搭载了其他的急救装备，主要用于除aed急救外的其他急救场合所需，如各种类型解毒药剂，止血医疗器械等，在启动后车急救时，后车盖旋转弹起会显示智能指导系统，根据施救者输入的信息分析急救等级，与之相对应的弹出药物，且后车盖附着的显示屏会弹出医疗器械教程指导辅助施救者抢救患者。aed急救辅助智能机器人急救奔赴现场形态下，前车身制动，后车身向后驱动，车身下凹，以汽车的驱动形态奔赴事发现场，过程中唤醒人工智能系统，各项急救设备处于工作状态，同时打开警报，红外线探测仪，发出警报使行人避让，红外线探测行人，使机器人及时避让过路行人。最后抵达事发现场开始运作，救助患者。

年龄层估计大致分为预估和详细评估两个阶段。预估阶段：提取出照片中人脸的肌肤纹理特征，对年龄范围做一个大致的评估，得出一个特定的年龄段；

详细评估阶段：

通过支持向量机的方法，建立了对应于多个年龄段的多个模型分类器，并选择合适的模型进行匹配。这其中，我们融合lbp和hog特征的人脸年龄估计算法。

使用lbp和hog特征的人脸年龄估计算法的流程如图3所示，

融合lbp和hog特征的人脸年龄估计算法提取与年龄变化关系紧密的人脸的局部统计特征。lbp(局部二值化模式)特征和hog(梯度直方图)特征，并用cca(典型相关分析)的方法融合，最后通过svr(支持向量机回归)的方法对人脸库进行训练和测试。

使用面部进行年龄估计包含两个关键步骤：

(1)年龄特征表达：这对于一般的视觉问题都存在，之前使用的方法都是利用人工设定的特征提取器来进行特征提取，但是这种方式很大程度上由特征提取器的特点所决定，往往能够在重点照顾某一方面的情况下，在其它方面表现并不是很好。这类特征提取器主要有(bif、lbp、hog等)。而使用深度学习的方法可以使网络能够更广泛的学习多种特征，不仅可以减少人工成本，而且提取出来的特征也比较具有通用性。

(2)年龄估计器的学习过程：年龄的估计划分为回归、分类、分类+回归等问题进行学习，但以往利用人工特征提取器进行提取的方法，其特征提取与年龄估计过程是分开的，也就是先利用一些特征提取器进行特征提取之后喂给神经网络或svr等进行估计，这样做不好的一点是，最终的准确性依赖特征的选取，往往后面分类/回归器的学习无法反馈给特征提取器，从而不能根据估计的准确性来调整特征提取。这点类似于目标检测中rcnn和fastrcnn的训练方法，不仅在特征提取阶段运算量大，而且容易产生冗余，而且后续的处理不能反馈到前面，从而效果一般。而通过使用深度神经网络则可以实现端到端的过程，从而提升估计的准确度。

下面介绍一下人脸训练和测试的一般方法：

网络的训练方法：

(1)年龄回归器训练：

这里采用了回归的方法，首先将原始网络的最后一层修改为一个神经节点，并且采用sigmoid激活函数，这样可以将结果限制在[0,1]之间。那么也需要将年龄标签归一化[0,1]之间以使得他们具有相同的尺度，不然损失函数将无法计算。标签归一化的方法是将所有年龄都除以100。

(2)年龄分类器训练：

采用了年龄描述度标签，这里采用了交叉熵来作为损失函数进行训练。

网络训练的步骤：

(1)由于人脸的数据集都规模不大，首先在大型人脸识别数据集casia-webface进行了预训练。主要是因为人脸识别与人脸年龄估计都用到了人脸特征，因此在人脸识别数据集上进行预训练可以更好的提取人脸的特征，这种初始化方式势必比随机初始化更好，不容易发生严重的过拟合。

(2)利用包含真实年龄的数据集进行微调。真实年龄估计和表面年龄估计虽然不一样，但两者还是存在很多相似性的。在cacd、morph-ii、webfaceage上进行了微调。上面提到的分类器和回归器便是在这里进行了的学习。

(3)利用比赛数据进行微调。

脸部预处理：

(1)面部提取：利用vipl实验室研发的脸部探测器cas进行了面部提取。

(2)脸部特征点定位：使用coarse-to-fineauto-encodernetwork(cfan)检测了脸部的五个特征点，分别是左右眼中心，鼻尖，嘴部左右角。

(3)面部标准化：这里使用了内标准化与外标准化两种方式，其中外标准化的方式不仅包含了脸部的固有信息，而且也包含了整体的上下文信息；内标准化只包含了面部信息。然后将标准化之后的图像进行了256*256的resize。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。

计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。