一种基于深度学习的智慧医疗系统的制作方法

1.本发明涉及深度学习智医疗技术领域，一种基于深度学习的智慧医疗系统。


背景技术：

2.健康是人类最普遍最根本的需求，人民健康是民族昌盛和国家富强的重要标志。随着经济社会的发展，我国国民对健康的需求快速增长，人们在希望“好看病、看好病”的同时，更加关注疾病的预防、个体功能的完善、健康状态的良好，以及健康寿命的延长。人们越来越关注自身健康问题，对医疗健康服务的需求也变得越来越迫切。在同时，ai技术的充分运用，互联网技术的不断渗透，有效推动了医院内、医院外的健康管理、医疗管理信息化、高效化、个性化。智慧医疗因此诞生。
3.智慧医疗是综合了大数据与深度学习的识别与分析技术方案。通过大数据分析与深度学习识别病理实现对人体慢性病、养老管控以及对医生诊断的辅助。实行远程就诊、ai自动生成预防建议等功能。


技术实现要素：

4.本发明提供一种基于深度学习的智慧医疗系统，通过大数据与深度学习实现对用户远程健康管控，辅助诊断等功能。
5.实现本发明目的的技术方案是：
6.一种基于深度学习的智慧医疗系统，包括摄像头、智能穿戴设备、血糖血压测试医疗箱和上位机、数据服务器，摄像头分别安装在用户家中与医生办公室，智能穿戴设备用于记录用户心电图数据与数据服务器通信连接，血糖测试医疗用于记录用户的血糖信息与数据服务器通信连接，上位机与数据服务器通信连接。
7.所述的摄像头，为一种具有识别能力的网络摄像头。
8.所诉的智能穿戴设备，为一种具有记录心电图数据的智能手环。
9.所述的血糖血压测试医疗箱，为与数据服务器连接通信的血糖血压测试器。
10.所述的上位机，包括pc端、智能移动终端。
11.所述的数据服务器，存储病例数据，与每个用户心电图与血糖数据。
12.一种基于深度学习的智慧医疗系统，包括如下步骤：
13.1)用户佩戴智能穿戴设备，智能穿戴设备记录用户心率以及惯性数据，并将数据传入数据服务器中。为之后的慢性疾病的治疗方案和预防听过依据；
14.2)将室内安装智能摄像头，智能摄像头负责监控用户非正常行为(晕倒、摔倒)，在用户出现晕倒、摔倒等情况时智能摄像头对图像以及智能穿戴设备的惯性数据进行融合预测分析将数据上传至服务器，并对医院的急救系统进行报警；
15.3)用户定期使用血糖血压测试医疗箱记录血糖血压情况，并将数据传入数据服务器中，服务器通过深度学习技术对数据进行分析与诊断，为之后的慢性疾病的治疗方案和预防听过依据；
16.4)用户通过上位机即客户端挂号远程就诊，医院医生通过客户端及数据服务器中调取用户的信息，同时根据数据服务器通过优化的二级级联神经网络算法对用户的医疗图像识别预测提供的辅助诊断；
17.步骤2)，所述的融合预测分析算法，是利用智能穿戴设备上的六轴传感器得到的惯性数据与智能摄像头采集的图像进行二次判定。首先通过六轴传感器得到三个方向的加速度数据通过计算得到sma与smv的值，若sma与smv的数值超过预设的正常值并且sma与smv的增量突然骤增时，智能摄像头开始采集图片并使复合检测算法判定使用者是否出现摔倒或者晕倒的情况。sma与smv的计算公式如下：
[0018][0019]
上述公式(1)中，acc_x、acc_y、acc_z分别为三个方向的某一时刻的加速度值，i为当前采集的次数。
[0020]
复合检测算法主要结构如下：
[0021]
1)制作数据集
[0022]
利用数据集中的表框信息截取数据集中的目标图像等到一个新的图像，对新的图像进行福利也变换得到新的数据集。
[0023]
2)训练
[0024]
将新老数据集一同输入到ssd网络中进行训练。
[0025]
3)预测
[0026]
首先将图像输入到ssd网络中进行预测等到预测框和预测分类分数；
[0027]
其次使用上一步产生的预测框裁剪输入图像得到一个新的图像，将新的图像进行傅里叶变换后放入ssd，此次只进行二分类不产生预测框，得到最终的分类分数；
[0028]
最后在将每个分类前后两次的分类分数相加，得到最终分数，将分数最高的结果作为预测结果。
[0029]
步骤4)，所述的优化的二级级联神经网络算法，是利用u
‑
net对肿瘤进行图形分割，再利用resnet
‑
50对分割出来的肿瘤部分进行分类。
[0030]
本发明提供的一种基于深度学习的智慧医疗系统，具有如下优点：
[0031]
1、本发明与传统的医院就医相比，可以远程就医，方便老人或无返到达医院现场就医的人可以随时随地就医。
[0032]
2、本发明可以记录和监测用户的血糖血压，通过记录分析血糖血压值，医生可以随时查看病人或用户的近期血糖以及血压的变化以便于医生对病人或用户提供更精准的。
[0033]
3、本发明可以随时监控用户在室内的活动情况，当使用者出现严重是摔伤、晕倒等情况时医院可立即接到报警，并对使用者展开救治。
[0034]
4、本发明运用了深度学习、大数据技术，是一个智慧型医疗系统方案，可对摔倒、和医学图像进行准确的判断，辅助医生的工作。
附图说明
[0035]
图1为本发明系统结构图；
[0036]
图2为本发明实施例中的融合预测分析算法的工作流程图；
[0037]
图3是本发明实施例中复合检测算法的预测工作过程图；
[0038]
图4是本发明实施例中优化的二级级联神经网络算法过程图；
具体实施方式
[0039]
下面结合附图和实施例对本发明内容做进一步阐述，但不是对本发明的限定。
[0040]
实施例1：智慧医疗系统
[0041]
当使用者佩戴智能穿戴设备同时在室内安装智能摄像头时。智能穿戴设备将记录用户的惯性数值，当惯性数值异常时智能摄像头使用融合预测分析算法判断用当前是否为非正常状态，并将报警信息传到医院的上位机中。用户使用血糖血压测试医疗箱子将血糖血压数据上传至服务器，通过上位机远程就医，数据服务器通过利用二级级联神经网络算法网分析医学图像并为医生提供辅助诊断，并针对血糖血压数据给出相应医嘱。
[0042]
如图1所示，一种基于深度学习的智慧医疗系统，包括摄像头、智能穿戴设备、血糖血压测试医疗箱和上位机、数据服务器，摄像头分别安装在用户家中与医生办公室，智能穿戴设备用于记录用户心电图数据与数据服务器通信连接，血糖测试医疗用于记录用户的血糖信息与数据服务器通信连接，上位机与数据服务器通信连接。
[0043]
所述的摄像头，为一种具有识别能力的网络摄像头，采用融合预测分析算法能准确判断用户是否出现晕倒、摔倒等突发状况。
[0044]
所诉的智能穿戴设备，为一种具有记录心电图数据的智能手环，其具有记录心电图数据并上传至数据服务器的功能。
[0045]
所述的血糖血压测试医疗箱，为与数据服务器连接通信的血糖血压测试器。
[0046]
所述的上位机，包括pc端、智能移动终端，智能移动终端可以采用智能手机，可在进行远程就医问诊。
[0047]
所述的数据服务器，存储病例数据，与每个用户心电图与血糖血压数据，搭载优化的二级级联神经网络算法，可对医学图像进行检测识别并为医生提供辅助诊断。
[0048]
一种基于深度学习的智慧医疗系统，包括如下步骤：
[0049]
1)用户佩戴智能穿戴设备就来心电图数据，并室内环境下每个房间安装智能摄像头，摄像头只有在智能设备传出异常的惯性数据才打开采集图像。智能穿戴设备、智能摄像头与数据服务器连接，确保数据能上传至服务器；
[0050]
2)用户使用血糖血压测试医疗箱子将血糖血压数据上传至服务器，作为医生诊断与慢性病监控的依旧。
[0051]
3)数据服务器中存入大量的病理数据和医学图像数据集用于实现智能诊断；
[0052]
4)当用户出现摔倒或晕倒等状况时，智能穿戴设备sma与smv值传入数据库服务器中的同时也将sma与smv传入智能摄像头，摄像头读到了当钱sma与smv的值判断若数值异常摄像头开启采集图像，通过复合检测算法再次判断用户状态若为真则将信息传入数据库服务器，服务器将报警信息传入医院客户端，此时医生得到警报可以快速做出救治反应；
[0053]
5)用户使用上位机客户端远程就医时，数据服务器通过优化的二级联神经网络算
法将医学图像内容进行分类并将最后的诊断与用户的血糖血压值一同传到医院客户端供医生参考诊断；
[0054]
步骤2)，所述的融合预测分析算法，是利用智能穿戴设备上的六轴传感器得到的惯性数据与智能摄像头采集的图像进行二次判定。首先通过六轴传感器得到三个方向的加速度数据通过计算得到sma与smv的值，若sma与smv的数值超过预设的正常值并且sma与smv的增量突然骤增时，智能摄像头开始采集图片并使复合检测算法判定使用者是否出现摔倒或者晕倒的情况。sma与smv的计算公式如下：
[0055][0056]
上述公式(1)中，acc_x、acc_y、acc_z分别为三个方向的某一时刻的加速度值，i为当前采集的次数。
[0057]
复合检测算法主要结构如下：
[0058]
1)制作数据集
[0059]
利用数据集中的表框信息截取数据集中的目标图像等到一个新的图像，对新的图像进行福利也变换得到新的数据集。
[0060]
2)训练
[0061]
将新老数据集一同输入到ssd网络中进行训练。
[0062]
3)预测
[0063]
首先将图像输入到ssd网络中进行预测等到预测框和预测分类分数；
[0064]
其次使用上一步产生的预测框裁剪输入图像得到一个新的图像，将新的图像进行傅里叶变换后放入ssd，此次只进行二分类不产生预测框，得到最终的分类分数；
[0065]
最后在将每个分类前后两次的分类分数相加，得到最终分数，将分数最高的结果作为预测结果。
[0066]
步骤4)，所述的优化的二级级联神经网络算法，是利用u
‑
net对肿瘤进行图形分割，再利用resnet
‑
50对分割出来的肿瘤部分进行分类。