一种基于VR技术的医疗学习方法及系统与流程

一种基于vr技术的医疗学习方法及系统
技术领域
1.本发明涉及医疗学习技术领域，具体来说，涉及一种基于vr技术的医疗学习方法及系统。


背景技术：

2.随着科学技术日新月异的发展，给当今世界的制造业带来了空前的技术革命，在此期间，虚拟现实技术应运而生，它给人们带来了一门神奇的感觉和技术领域，给人们带入了梦幻世界，虚拟现实简称为vr，是以沉浸性、交互性和构想性为基础技术特征的计算机高级人机界面、并行处理技术、多传感技术、模拟人的视觉、听觉、触觉等感觉器官功能，使得人们沉浸在计算机生成的虚拟环境中并能够通过语言、手势等自然方式与之进行互动，创建了一种造人化的多维信息空间，具有广阔的应用前景。
3.在我国，医疗资源分配不均匀现象比较严重，优势资源集中在少部分地区和医院，即使同为省会城市三甲医院，医院的治疗水平差距也是比较大的，由于地域资源等不可抗力因素导致的医院差距，人民在身体健康出现问题时，会优先选择更好的医院，一方面会增加这些医院的医疗压力，另一方面，由于患者对下级医院医疗水平的不信任，使得下级医院医生不能得到良好的成长，在患者进行诊治时，由于下级医院的经验不够，导致不能确诊，同时加深患者对医院的不信任，而通过建立在3d模型中的婴幼儿紧急救护vr交互系统来培训医学学生，并提高医学学生的治疗能力与治疗手段，更快且更有效的提升医院的治疗水平。
4.针对相关技术中的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.针对相关技术中的问题，本发明提出一种基于vr技术的医疗学习方法及系统，以克服现有相关技术所存在的上述技术问题。
6.为此，本发明采用的具体技术方案如下：
7.根据本发明的一个方面，提供了一种基于vr技术的医疗学习方法，该医疗学习方法包括以下步骤：
8.s1：采用网络爬虫技术抓取患者身体的性能指数数据，记录患者病症的数据信息，并通过云端数据库上传至控制中心；
9.s2：采用网络爬虫技术抓取医生就诊的性能指数数据，记录手术过程的数据信息，并通过云端数据库上传至控制中心；
10.s3：控制中心对采集和记录的数据及信息进行分类处理，并将分类结果反馈至云端，并在云端进行存储；
11.s4：学员佩戴vr显示器，读取存储在云端中的分类结果，并采用正则化构建的深度学习模型对分类结果进行学习；
12.s5：在vr显示器中设置学员登陆窗口，待学员学习后跳转学习考核窗口，并将学习
考核分数上传至云端，并在云端进行存储。
13.进一步的，所述采用网络爬虫技术抓取患者身体的性能指数数据，记录患者病症的数据信息，并通过云端数据库上传至控制中心还包括以下步骤：
14.s11、删除患者身体的性能指数数据中身份属性；
15.s12、采用同类均值插补法补全患者身体的性能指数数据的缺失值；
16.s13、将患者身体的性能指数数据属性中数值型的属性转换成布尔值的属性，并得到新的性能指数数据；
17.s14、通过云端数据库存储并记录新的患者身体的性能指数数据，并将患者病症的信息进行分类存储；
18.s15、结合以太网传输技术，将存储的信息传输至控制中心；
19.其中，所述同类均值插补法包括将数据样本进行分类，以样本的分类中均值来插补缺失值。
20.进一步的，所述将患者身体的性能指数数据属性中数值型的属性转换成布尔值的属性，并得到新的性能指数数据还包括以下步骤：
21.s131、设定阈值，并划分属性值0和1的分隔点；
22.s132、定义属性值a，并将mina和maxa划分为属性a的最小值和最大值；
23.s133、将属性值a的一个原始值x通过最小值至最大值的标准化映射成在区间(0，1)的x＇值。
24.进一步的，所述新的患者身体的性能指数数据的计算公式如下：
25.新的患者身体的性能指数数据＝(原数据-最小值)/(最大值-最小值)。
26.进一步的，所述采用网络爬虫技术抓取医生就诊的性能指数数据，记录手术过程的数据信息，并通过云端数据库上传至控制中心还包括以下步骤：
27.s21、删除医生就诊的性能指数数据中身份属性；
28.s22、采用同类均值插补法补全医生就诊的性能指数数据的缺失值；
29.s23、将医生就诊的性能指数数据属性中数值型的属性转换成布尔值的属性，并得到新的性能指数数据；
30.s24、通过云端数据库存储并记录新的医生就诊的性能指数数据，并将手术过程的数据信息进行分类存储；
31.s25、结合以太网传输技术，将存储的信息传输至控制中心。
32.进一步的，所述控制中心对采集和记录的数据及信息进行分类处理，并将分类结果反馈至云端，并在云端进行存储还包括以下步骤：
33.s31、将步骤s1中患者病症的数据信息与步骤s2中手术过程的数据信息进行整个，并得到数据集；
34.s32、将数据集分成k个互斥的集合，选择其中一个集合作为测试集，剩余的k-1个集合作为训练集，并进行训练测试，并输出k次结果的均值；
35.s33、将均值反馈至云端，并在云端进行存储。
36.进一步的，所述训练测试，并输出k次结果的均值包括采用交叉验证法评估结果。
37.进一步的，所述正则化构建的深度学习模型包括以下步骤：
38.在初始的代价函数上增加l1正则化项，即权重w的绝对值和，再乘以并计算导数，并更新权重w；
39.其中，导数计算公式如下：
[0040][0041]co
为代价函数，为l1正则化项，为正则化系数。
[0042]
进一步的，所述在vr显示器中设置学员登陆窗口，待学员学习后跳转学习考核窗口，并将学习考核分数上传至云端，并在云端进行存储还包括以下步骤：
[0043]
s51、利用编程软件编辑学员登录窗口和学习窗口的相关代码，形成程序包，并导入控制中心；
[0044]
s52、利用控制中心与云端数据库和vr显示器相连接；
[0045]
s53、若学员带上vr显示器，则自动开启登录窗口，登录审核验证，并从云端数据库调取相应数据信息，通过控制中心实现程序读取；
[0046]
s54、若登录成功，则可以观看云端数据库存储的内容和控制中心编辑好的学习窗口呈现的内容。
[0047]
根据本发明的另一个方面，还提供了一种基于vr技术的医疗学习系统，该系统包括：
[0048]
患者信息采集模块，采用网络爬虫技术抓取患者身体的性能指数数据，记录患者病症的数据信息，并通过云端数据库上传至控制中心；
[0049]
医生信息采集模块，采用网络爬虫技术抓取医生就诊的性能指数数据，记录手术过程的数据信息，并通过云端数据库上传至控制中心；
[0050]
数据库模块，控制中心对采集和记录的数据及信息进行分类处理，并将分类结果反馈至云端，并在云端进行存储；
[0051]
vr学习模块，学员佩戴vr显示器，读取存储在云端中的分类结果，并采用正则化构建的深度学习模型对分类结果进行学习；
[0052]
vr考核模块，在vr显示器中设置学员登陆窗口，待学员学习后跳转学习考核窗口，并将学习考核分数上传至云端，并在云端进行存储。
[0053]
本发明的有益效果为：本发明通过结合vr技术和医疗诊断技术，解决了下级医院的医疗水平和医生就诊水平无法提升的问题，通过vr技术反馈上级医院中具有丰富经验的医生实际操作，让下级医院中的医生了解到患者的基本性能和病症，并提供了如何给出正确的就诊方案，增加医生的就诊经验，并且本发明中的控制中心添加了改进的算法程序进行控制，扩大了各类病症数据库，提高了计算速度和精度，更好的帮助医生进行学习判断，对研究vr医疗具有积极的意义。
附图说明
[0054]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所
需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0055]
图1是根据本发明实施例的一种基于vr技术的医疗学习方法的流程图；
[0056]
图2是根据本发明实施例的一种基于vr技术的医疗学习系统的原理框图；
[0057]
图3是根据本发明实施例的一种基于vr技术的医疗学习方法中正则化后的学习模型图。
[0058]
图中：
[0059]
1、患者信息采集模块；2、医生信息采集模块；3、数据库模块；4、vr学习模块；5、vr考核模块。
具体实施方式
[0060]
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
[0061]
根据本发明的实施例，提供了一种基于vr技术的医疗学习方法及系统。
[0062]
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于vr技术的医疗学习方法，该医疗学习方法包括以下步骤：
[0063]
s1：采用网络爬虫技术抓取患者身体的性能指数数据，记录患者病症的数据信息，并通过云端数据库上传至控制中心；
[0064]
s2：采用网络爬虫技术抓取医生就诊的性能指数数据，记录手术过程的数据信息，并通过云端数据库上传至控制中心；
[0065]
s3：控制中心对采集和记录的数据及信息进行分类处理，并将分类结果反馈至云端，并在云端进行存储；
[0066]
s4：学员佩戴vr显示器，读取存储在云端中的分类结果，并采用正则化构建的深度学习模型对分类结果进行学习；
[0067]
s5：在vr显示器中设置学员登陆窗口，待学员学习后跳转学习考核窗口，并将学习考核分数上传至云端，并在云端进行存储。
[0068]
在一个实施例中，所述采用网络爬虫技术抓取患者身体的性能指数数据，记录患者病症的数据信息，并通过云端数据库上传至控制中心还包括以下步骤：
[0069]
s11、删除患者身体的性能指数数据中身份属性；
[0070]
s12、采用同类均值插补法补全患者身体的性能指数数据的缺失值；
[0071]
s13、将患者身体的性能指数数据属性中数值型的属性转换成布尔值的属性，并得到新的性能指数数据；
[0072]
s14、通过云端数据库存储并记录新的患者身体的性能指数数据，并将患者病症的信息进行分类存储；
[0073]
s15、结合以太网传输技术，将存储的信息传输至控制中心；
[0074]
其中，所述同类均值插补法包括将数据样本进行分类，以样本的分类中均值来插
补缺失值。
[0075]
在一个实施例中，所述将患者身体的性能指数数据属性中数值型的属性转换成布尔值的属性，并得到新的性能指数数据还包括以下步骤：
[0076]
s131、设定一个阈值，并划分属性值0和1的分隔点；
[0077]
s132、定义属性值a，并将mina和maxa划分为属性a的最小值和最大值；
[0078]
s133、将属性值a的一个原始值x通过最小值至最大值的标准化映射成在区间(0，1)的x＇值。
[0079]
在一个实施例中，所述新的患者身体的性能指数数据的计算公式如下：
[0080]
新的患者身体的性能指数数据＝(原数据-最小值)/(最大值-最小值)。
[0081]
在一个实施例中，所述采用网络爬虫技术抓取医生就诊的性能指数数据，记录手术过程的数据信息，并通过云端数据库上传至控制中心还包括以下步骤：
[0082]
s21、删除医生就诊的性能指数数据中身份属性；
[0083]
s22、采用同类均值插补法补全医生就诊的性能指数数据的缺失值；
[0084]
s23、将医生就诊的性能指数数据属性中数值型的属性转换成布尔值的属性，并得到新的性能指数数据；
[0085]
s24、通过云端数据库存储并记录新的医生就诊的性能指数数据，并将手术过程的数据信息进行分类存储；
[0086]
s25、结合以太网传输技术，将存储的信息传输至控制中心。
[0087]
在一个实施例中，所述控制中心对采集和记录的数据及信息进行分类处理，并将分类结果反馈至云端，并在云端进行存储还包括以下步骤：
[0088]
s31、将步骤s1中患者病症的数据信息与步骤s2中手术过程的数据信息进行整个，并得到数据集；
[0089]
s32、将数据集分成k个互斥的集合，选择其中一个集合作为测试集，剩余的k-1个集合作为训练集，并进行训练测试，并输出k次结果的均值；
[0090]
s33、将均值反馈至云端，并在云端进行存储。
[0091]
在一个实施例中，所述训练测试，并输出k次结果的均值包括采用交叉验证法评估结果。
[0092]
在一个实施例中，所述正则化构建的深度学习模型包括以下步骤：
[0093]
在初始的代价函数上增加l1正则化项，即权重w的绝对值和，再乘以并计算导数，并更新权重w；
[0094]
其中，导数计算公式如下：
[0095][0096]co
为代价函数，为l1正则化项，为正则化系数；
[0097]
在具体应用时，如图3所示，权重w的更新规则为：比原始的更新规则多出了这一项；
[0098]
当w为正时，∑|w|＞0，则更新后的w变小；当w为负时，∑|w|》0，则更新后的w变大，因此它的效果就是让w往0靠，使网络中的权重尽可能为0，也就相当于减小了网络复杂度，防止过拟合；
[0099]
拟合(fitting)：就是说这个曲线能不能很好的描述某些样本，并且有比较好的泛化能力；
[0100]
过拟合(overfitting)：模型把数据学习的太彻底，以至于把噪声数据的特征也学习到了，这样就会导致在后期测试的时候不能够很好地识别数据，即不能正确的分类，模型泛化能力太差；
[0101]
欠拟合(underfitting)：模型没有很好地捕捉到数据特征，不能够很好地拟合数据，或者是模型过于简单无法拟合或区分样本；
[0102]
通过对学习模型进行正则化的拟合，使得学习模型具有较好的泛化能力，更准确的描述数据集，能够使得后期输出的信息准确度更高，通过vr显示模块展示的信息能够更加快速、精准和清晰。
[0103]
在一个实施例中，所述在vr显示器中设置学员登陆窗口，待学员学习后跳转学习考核窗口，并将学习考核分数上传至云端，并在云端进行存储还包括以下步骤：
[0104]
s51、利用编程软件编辑学员登录窗口和学习窗口的相关代码，形成程序包，并导入控制中心；
[0105]
s52、利用控制中心与云端数据库和vr显示器相连接；
[0106]
s53、若学员带上vr显示器，则自动开启登录窗口，登录审核验证，并从云端数据库调取相应数据信息，通过控制中心实现程序读取；
[0107]
s54、若登录成功，则可以观看云端数据库存储的内容和控制中心编辑好的学习窗口呈现的内容。
[0108]
在具体应用时，对采集记录的数据进行预处理还可以，形成标记数据、划分标记数据、构建学习模型、编写算法程序包、导入控制中心运行、导入划分好的标记数据进行计算处理及输出得到处理值，将其与数据库中存储的病症数据进行对比，将对比结果及运算的结果均实时反馈给vr显示模块；
[0109]
且运行代码如下：computelateralerrors(com.x()，com.y()，
[0110]
vehiclestateprovider：instance()-》heading()，
[0111]
vehiclestateprovider：instance()-》linear_velocity()，
[0112]
vehiclestateprovider：instance()-》angular_velocity()，
[0113]
trajectory_analyzer_，debug)。
[0114]
根据本发明的另一实施例，如图2所示，还提供了一种基于vr技术的医疗学习系统，该系统包括：
[0115]
患者信息采集模块1，采用网络爬虫技术抓取患者身体的性能指数数据，记录患者病症的数据信息，并通过云端数据库上传至控制中心；
[0116]
医生信息采集模块2，采用网络爬虫技术抓取医生就诊的性能指数数据，记录手术过程的数据信息，并通过云端数据库上传至控制中心；
[0117]
数据库模块3，控制中心对采集和记录的数据及信息进行分类处理，并将分类结果反馈至云端，并在云端进行存储；
[0118]
vr学习模块4，学员佩戴vr显示器，读取存储在云端中的分类结果，并采用正则化构建的深度学习模型对分类结果进行学习；
[0119]
vr考核模块5，在vr显示器中设置学员登陆窗口，待学员学习后跳转学习考核窗口，并将学习考核分数上传至云端，并在云端进行存储。
[0120]
综上所述，借助于本发明的上述技术方案，本发明通过结合vr技术和医疗诊断技术，解决了下级医院的医疗水平和医生就诊水平无法提升的问题，通过vr技术反馈上级医院中具有丰富经验的医生实际操作，让下级医院中的医生了解到患者的基本性能和病症，并提供了如何给出正确的就诊方案，增加医生的就诊经验，并且本发明中的控制中心添加了改进的算法程序进行控制，扩大了各类病症数据库，提高了计算速度和精度，更好的帮助医生进行学习判断，对研究vr医疗具有积极的意义，通过对学习模型进行正则化的拟合，使得学习模型具有较好的泛化能力，更准确的描述数据集，能够使得后期输出的信息准确度更高，通过vr显示模块展示的信息能够更加快速、精准和清晰。
[0121]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。