一种基于大数据的医疗数据变量测量监测方法及系统与流程

1.本发明涉及数据变量测量技术领域，具体涉及一种基于大数据的医疗数据变量测量监测方法及系统。


背景技术：

2.病人在住院时经常需要输液，为了避免危险，需要病人或者家属时刻关注吊瓶内液体何时会输完，从而提醒护士进行液体更换或者拔针。然而，病人由于身体虚弱很可能不适合持续关注输液进度，而家属由于各种日常事情的发生也很难一直陪护在病人身边，导致病人和家属不能及时提醒护士进行液体更换或者拔针，进而造成了医疗事故的发生。
3.现有的基于视觉感知技术的输液进度自动判断方法一般是基于摄像头拍摄的吊瓶图像直接判断吊瓶内液面变化情况，然而，吊瓶与吊瓶内液体颜色较为接近，且液面变化较为缓慢，直接根据拍摄的吊瓶图像很难准确判断液面变化情况，存在无法准确预测输液完成的剩余时间的问题。


技术实现要素：

4.本发明的目的在于提供一种基于大数据的医疗数据变量测量监测方法及系统，用于解决现有方法无法准确预测输液完成的剩余时间的问题。
5.为了解决上述问题，本发明的一种基于大数据的医疗数据变量测量监测方法的技术方案，包括以下步骤：实时获取输液装置图像，对输液装置图像划分得到吊瓶区域图像和滴管区域图像；对滴管区域图像进行相邻帧作差处理，得到相邻帧差图像，将相邻帧差图像进行叠加，将叠加后滴管区域图像中滴管内液滴连为一个连续的轨迹线的时间记为一个累积周期，统计一个累积周期对应的图像帧数；将吊瓶区域图像与吊瓶区域背景图像作差，得到背景帧差图像，将背景帧差图像进行叠加，根据叠加获得的吊瓶区域图像得到吊瓶内液体下降高度；根据吊瓶内液体下降高度计算吊瓶内剩余液体高度；根据吊瓶内剩余液体高度和构建的液位面差值模型，计算当前图像帧数下的输液剩余时间；所述液位面差值模型包括吊瓶内液体下降高度、图像帧数和时间之间的对应关系。
6.本发明还提供了一种基于大数据的医疗数据变量测量监测系统的技术方案，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述基于大数据的医疗数据变量测量监测方法。
7.上述监控方法和监控系统的有益效果是：本发明将滴管内液滴连为一个连续的轨迹线的时间记为一个累积周期，通过一个累积周期对应的图像帧数来反映输液速度：输液速度越快，液滴的拖行长度越长，一个累积周期对应的图像帧数越少；本发明通过将吊瓶区域图像与吊瓶区域背景图像作差得到了背景帧差图像，基于将背景帧差图像叠加得到的吊
瓶区域图形，能够更准确地得到吊瓶内液体下降高度；根据吊瓶内液体下降高度能够更准确地计算吊瓶内剩余液体高度，进而基于构建的液位面差值模型，可以更准确地计算当前图像帧数下的输液剩余时间，解决现有方法无法准确预测输液完成的剩余时间的问题。
8.进一步地，所述将吊瓶区域图像与吊瓶区域背景图像作差，得到背景帧差图像的方法包括：对所述图像帧数对应的第一个累积周期内的吊瓶区域图像进行求均值处理，得到所述图像帧数对应的吊瓶区域背景图像；每隔设定倍数的累积周期选取一帧吊瓶区域图像，连续选取设定帧数的吊瓶区域图像；将每一帧吊瓶区域图像与吊瓶区域背景图像作差，得到背景帧差图像。
9.进一步地，所述液位面差值模型为：其中，
ꢀꢀ
为吊瓶内液体下降高度， 为吊瓶高度， 为图像帧数， 为时间， 为拟合得到的优化系数。
10.进一步地，所述对输液装置图像划分得到吊瓶区域图像和滴管区域图像的方法包括：任选输液装置边缘集合中的一个像素点作为初始像素点，计算该初始像素点与对应的水平对点的欧式距离；所述对应的水平对点指的是水平高度相同的输液装置边缘集合中的像素点；按照设定方向对输液装置的边缘像素点进行遍历，依次计算各边缘像素点与对应的水平对点的欧式距离；对计算得到的欧式距离进行聚类，根据聚类结果对输液装置图像进行划分，得到吊瓶区域图像和滴管区域图像。
11.进一步地，所述输液装置图像根据语义分割网络对病床区域图像处理得到。
附图说明
12.图1是本发明的基于大数据的医疗数据变量测量监测方法流程图；图2是本发明的输液装置结构示意图。
具体实施方式
13.为使本发明实施例的目的、技术方案和优点更清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行介绍。
14.基于大数据的医疗数据变量测量监测方法实施例本实施例旨在实现对输液完成的剩余时间的准确预测，如图1所示，本实施例的基于大数据的医疗数据变量测量监测方法包括以下步骤：1）实时获取输液装置图像，对输液装置图像划分得到吊瓶区域图像和滴管区域图像；本实施例的输液装置图像是根据语义分割网络对病床区域图像处理得到的，首先
在病床上方安装一个rgb相机，通过该rgb相机获取病房内的图像，该rgb相机的拍摄范围应满足覆盖病房内所有的病床区域及对应的输液装置的要求。本实施例对输液装置的感知采用语义分割的方式，具体采用encoder
‑
decoder结构的dnn网络，对该dnn网络的具体训练过程如下：将采集到的含有输液装置的图像作为训练数据集，对数据集进行标注，输液装置标注为1，其他标注为0。其中随机选择数据集的80%作为训练集，剩余的20%作为验证集；将图像数据和标签数据输入网络中，encoder抽取图像特征，并将通道数变换为类别个数；然后通过decoder将特征图的高和宽变换为输入图像的尺寸，从而输出每个像素的类别。本实施例中loss函数使用交叉熵损失函数进行训练。
15.病房内的病床数量一般为一到四，当病床内的数量为多个时，在使用语义分割网络获取到输液装置后，可根据输液装置在成像中距离相机的距离为输液装置匹配对应的床位床号。作为其它实施方式，也可以在一个病房安装多个rgb相机，使每一个rgb相机对应一个病床和对应的输液装置。
16.对于基于语义分割网络得到的单个输液装置，对输液装置的边缘进行像素遍历，得到各像素点与对应的水平对点的欧式距离，根据各像素点对应的欧式距离对输液装置图像进行划分，得到各部分对应的区域图像；具体为：任选输液装置边缘集合中的一个像素点作为初始像素点，计算该初始像素点与对应的水平对点的欧式距离，此处水平对点指的是与初始像素点水平高度相同的输液装置边缘集合中的另一像素点；本实施例确定初始像素点的水平对点的方法为：根据该初始像素点的坐标作过该初始像素点的水平直线，将边缘集合中与该水平直线相交的另一像素点记为初始像素点的水平对点；按单一方向从初始像素点开始依次进行遍历边缘集合中的其它像素点，依次计算各边缘像素点与对应的水平对点的欧式距离，直到将输液装置边缘集合内的所有像素点遍历完全。本实施例在对各像素点进行遍历的过程中获取各像素点对应的水平对点的方式与上述获取初始像素点的水平对点的方式类同，此处不再赘述。由于对于某一像素点（比如像素点a）的水平对点（比如像素点a）而言，该像素点（像素点a）是其水平对点（像素点a）的水平对点，因此，本实施例对于边缘集合中已被检测为水平对点的像素点则无需再进行遍历，这大大提升了遍历效率。
17.对计算得到的各欧氏距离进行均值聚类。如图2所述，输液装置主要包括吊瓶1、滴管3和输液流管2三部分，其中吊瓶部分对应的直径大于滴管部分对应的直径大小，滴管部分对应的直径大小大于输液流管对应的直径大小，本实施例设置聚类数量，聚类后根据每个类别所对应的欧式距离平均的大小进行排序，并分别归于吊瓶类、滴管类和输液流管类。 均值聚类为现有技术，本实施例不再对均值聚类的过程进行描述。
18.由于吊瓶的瓶口处直径较小，因此在上述分类过程中吊瓶的瓶口易被归于滴管类，为了区分吊瓶的瓶口和滴管，本实施例对归于滴管类的各连通域进行分析，若当前连通域与吊瓶类和输液流管类相连通，则将此连通域判断为吊瓶类；若当前连通域两侧仅与输液流管类相连通，则判断其为滴管类，保持聚类类型不变。
19.至此可对输液装置的各部位进行有效区分，得到吊瓶区域图像和滴管区域图像。
20.2）对滴管区域图像进行相邻帧作差处理，得到相邻帧差图像，将相邻帧差图像进行叠加，将叠加后滴管区域图像中滴管内液滴连为一个连续的轨迹线的时间记为一个累积周期，统计一个累积周期对应的图像帧数；在上述得到了滴管区域图像后，本实施例对滴管区域图像进行相邻帧作差处理，并对差值图像进行叠加，当帧差叠加获得的滴管区域图像中滴管内液滴连为一条完整轨迹线时记为一个累计周期，完整度轨迹线指轨迹线是连续的、不间断的，记录此时所对应用来进行上述叠加操作的图像帧数，指第个累计周期下经帧差叠加操作所得到的图像帧数。当输液速度不改变时，每个累积周期对应的图像帧数相等。
21.本实施例使用获得的图像帧数表征滴管处输液速率，在相同的曝光时长和相同的相机参数下，滴管处输液速率越快则滴管内液滴所形成的拖行长度越长，则用来进行完整轨迹叠加所用的图像帧数越少，也即一个累积周期对应的图像帧数越少。
22.由于在输液过程中患者或家属或医护人员可能对输液速率进行调整，因此本实施例中相机持续不断的对所获得的滴管区域图像进行帧差叠加操作，并将每次获取到图像帧数 与上一周期获取到的图像帧数进行比较，若二者相同，则将其归于同一速率类别中，若不同，则需将其归于不同的速率类别中。由于图像帧数采集频率很快，因此为避免采样带来的误差，本实施例中将前后周期内相差不超过三帧的图像帧数归于同一速率类别中。
23.3）将吊瓶区域图像与吊瓶区域背景图像作差，得到背景帧差图像，将背景帧差图像进行叠加，根据叠加获得的吊瓶区域图像得到吊瓶内液体下降高度；由于输液时药品大部分为生理盐水等透明液体，而常规的吊瓶也为透明材料制成，因此相机在进行拍摄时难以有效区分药液在吊瓶中的液位面；且由于吊瓶内液面下降速率较慢，无法使用帧间差分法直接进行分析。基于上述考虑，很难通过直观的观察液面来分析吊瓶内液体的剩余高度；为了较为准确地获取吊瓶内液体下降高度，本实施例通过以下过程来获得吊瓶内液体的下降轨迹线，具体过程为：当开始检测到吊瓶装置时，意味着病人开始使用当前吊瓶进行输液，由于吊瓶内液面下降缓慢而滴管内获得完整轨迹线的一个周期时间非常短，因此在滴管最开始获得完整轨迹线的一个周期内，将对应时间内吊瓶区域所获得的若干帧图像进行均值计算，并将计算结果作为初始的背景图像；在图像帧数不变的情况下，每隔十个周期选取一帧吊瓶区域的图像，前后共选取50帧并将选取的各帧吊瓶区域图像与背景图像进行作差；将差值结果图像按顺序进行叠加，通过对差值结果的叠加，会使得叠加后图像颜色越来越深，便于清晰准确地计算对应时间段内液位面的下降高度。本实施例之所以不使用第50帧差值图像直接与初始差值图像进行叠加来获取液面下降高度是由于单次叠加颜色过浅，无法有效区分差值区域，不利于结果的准确计算。本实施例中选取了50帧背景帧差图像进行累积，作为其它实施方式，也可以选择其它设定帧数的背景帧差图像进行累积。
24.本实施例中在输液速率发生改变时，即有病人或者病人家属或者医护人员改变输液调节器4时，则以改变后初个累积周期内所对应的图像帧数计算当前的吊瓶区域的背景
图像，经同样操作得到其对应的输液下降高度。
25.4）根据吊瓶内液体下降高度计算吊瓶内剩余液体高度；根据吊瓶内剩余液体高度和构建的液位面差值模型，计算当前图像帧数下的输液剩余时间。
26.本实施例在得到了吊瓶内液体下降高度之后，可以根据吊瓶区域的吊瓶高度以及吊瓶内液体已下降高度 作差计算得到吊瓶内液体剩余高度。本实例中吊瓶高度h根据步骤1）中对输液装置的聚类结果，对吊瓶类别区域经连通域分析法获得。
27.将吊瓶内液体剩余高度和当前的图像帧数输入到构建好的液位面差值模型，也即将吊瓶内液体剩余高度视为液位面差值模型中的吊瓶内液体下降高度，即可预测该图像帧数下吊瓶内剩余液体对应的剩余输液时间，该液位面差值模型包括吊瓶内液体下降高度、图像帧数和时间之间的对应关系，图像帧数反映的是输液速度，输液速度越快，图像帧数越少，因此，吊瓶内液体下降高度与图像帧数成负相关关系，吊瓶内液体下降高度与时间成正相关关系。本实施例中构建好的液位面差值模型为：其中， 为优化系数，可根据大数据获得的多组不同图像帧数 与所对应的输液下降高度比值以及对应的时间t经拟合得到；为吊瓶内液体已下降高度， 为图像帧数，t为时间。
28.本实施例将滴管内液滴连为一个连续的轨迹线的时间记为一个累积周期，通过一个累积周期对应的图像帧数来反映输液速度：输液速度越快，液滴的拖行长度越长，一个累积周期对应的图像帧数越少；本实施例通过将吊瓶区域图像与吊瓶区域背景图像作差得到了背景帧差图像，基于将背景帧差图像叠加得到的吊瓶区域图形，能够更准确地得到吊瓶内液体下降高度；根据吊瓶内液体下降高度能够更准确地计算吊瓶内剩余液体高度，进而基于构建的液位面差值模型，可以更准确地计算当前图像帧数下的输液剩余时间，解决现有方法无法准确预测输液完成的剩余时间的问题。
29.基于大数据的医疗数据变量测量监测系统实施例本实施例的医疗大数据的智能医疗监控系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如医疗大数据的智能医疗监控方法实施例所描述的医疗大数据的智能医疗监控方法。
30.由于基于大数据的医疗数据变量测量监测方法实施例中已经对基于大数据的医疗数据变量测量监测方法进行了说明，此处就不再赘述。
31.需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。