本技术涉及控制,特别涉及一种药物的输注控制方法、系统、介质及电子设备。
背景技术:
1、药物的输注在医疗中起着至关重要的作用,能够确保患者得到准确的药物治疗。通过手动进行药物输注,手动药物的输注存在一些问题,例如人为操作误差、药物浓度计算困难、药物识别错误等,这些问题导致患者的健康风险和治疗效果下降。因此,需要一种能够自动识别药物和浓度,并实现稳定精确输注的技术。
2、相关技术中,通过拟合患者的疾病发展过程自动设置药物输注的时间段,并在不同的时间段输注药物,但是该方式未考虑个体差异,从而降低了药物的输注精度。
技术实现思路
1、本技术实施例提供了一种药物的输注控制方法、系统、介质及电子设备。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
2、第一方面,本技术实施例提供了一种药物的输注控制方法,方法包括:
3、实时接收来着传感器的药物输注参数序列、来自高分辨率摄像头的待处理药盒表面图像以及来自二维码读取器的药物二维码;
4、根据待处理药盒表面图像,生成待输注药物的目标药物浓度;
5、根据药物二维码,确定待输注药物的目标药物批次信息标签和目标药盒分类编码;
6、将药物输注参数序列、目标药物浓度、目标药物批次信息标签和目标药盒分类编码输入预先训练的输注控制模型中,输出当前时刻的目标驱动装置转速;
7、根据当前时刻的目标驱动装置转速,调整驱动装置的转速,以控制待输注药物的输注速率。
8、可选的,根据待处理药盒表面图像,生成待输注药物的目标药物浓度,包括:
9、将待处理药盒表面图像输入预先构建的药物类别分析模型中,输出待处理药盒表面图像对应的药物类别概率分布;
10、根据药物类别概率分布和药物库,生成待输注药物对应的目标药物浓度。
11、可选的,预先构建的药物类别分析模型包括图像预处理模块、特征提取模块、残差连接模块、全局平均池化模块以及全连接层模块;
12、将待处理药盒表面图像输入预先构建的药物类别分析模型中,输出待处理药盒表面图像对应的药物类别概率分布,包括:
13、图像预处理模块根据药物盒的位置和大小,裁剪待处理药盒表面图像的区域进行高斯滤波,得到目标区域图像;
14、特征提取模块提取目标区域图像的特征图,得到特征图序列;
15、残差连接模块将目标区域图像与特征图序列进行残差连接,得到残差特征图;
16、全局平均池化模块采用全局平均池化操作对残差特征图的空间维度降维至预设维度,得到最终特征向量;
17、全连接层模块通过激活函数和最终特征向量预测药物类别,得到药物类别概率分布。
18、可选的,根据药物类别概率分布和药物库,生成待输注药物对应的目标药物浓度,包括:
19、根据药物类别概率分布,在药物库中查询药盒图像样本;
20、获取查询的每个药盒图像样本的药物浓度信息;
21、将查询的每个药盒图像样本的药物浓度信息与药物类别概率分布进行加权平均,得到待输注药物对应的目标药物浓度。
22、可选的,按照以下步骤生成药物库,包括:
23、收集已有的药盒图像;
24、对收集的各药盒图像标注药物名称和浓度,得到各药盒图像样本;
25、根据各药盒图像样本,建立药物库。
26、可选的,实时接收来着传感器的药物输注参数序列之前,还包括:
27、收集不同批次药盒的历史数据;历史数据包括传感器采集的历史药物输注参数序列、历史药盒分类编码和历史药物浓度以及历史药物批次信息标签;
28、对历史药物输注参数序列进行归一化,得到传感器数据样本;
29、对历史药盒分类编码和历史药物浓度以及历史药物批次信息标签进行编码,得到药物编码信息;
30、对传感器数据样本和药物编码信息进行特征组合,得到目标输入序列;
31、将每个目标输入序列与每个目标输入序列对应的驱动装置转速进行关联,得到模型训练集;
32、采用神经网络创建输注控制模型;
33、根据模型训练集,对输注控制模型进行训练,生成预先训练的输注控制模型。
34、可选的,根据模型训练集,对输注控制模型进行训练,生成预先训练的输注控制模型,包括:
35、将模型训练集输入输注控制模型中,以最小化预测值和实际值之间的均方误差,得到目标均方误差;
36、在目标均方误差到达最小时,生成预先训练的输注控制模型。
37、第二方面,本技术实施例提供了一种注药泵,注药泵包括:
38、传感器、二维码读取器、高分辨率摄像头、ai芯片以及驱动装置;
39、传感器,用于发送药物输注参数序列给ai芯片;
40、二维码读取器,用于发送药盒上的药物二维码给ai芯片;
41、高分辨率摄像头,用于发送药盒上的待处理药盒表面图像给ai芯片;
42、ai芯片,用于实时接收来着传感器的药物输注参数序列、来自高分辨率摄像头的待处理药盒表面图像以及来自二维码读取器的药物二维码,根据待处理药盒表面图像,生成待输注药物的目标药物浓度,根据药物二维码,确定待输注药物的目标药物批次信息标签和目标药盒分类编码,将药物输注参数序列、目标药物浓度、目标药物批次信息标签和目标药盒分类编码输入预先训练的输注控制模型中,输出当前时刻的目标驱动装置转速,根据当前时刻的目标驱动装置转速,调整驱动装置的转速,以控制待输注药物的输注速率。
43、第三方面,本技术实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
44、第四方面,本技术实施例提供一种电子设备,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
45、本技术实施例提供的技术方案可以包括以下有益效果:
46、在本技术实施例中,药物的输注控制系统首先实时接收来着传感器的药物输注参数序列、待处理药盒表面图像以及药物二维码;然后根据待处理药盒表面图像,生成待输注药物的目标药物浓度;其次根据药物二维码,确定待输注药物的目标药物批次信息标签和目标药盒分类编码;最后将以上参数输入预先训练的输注控制模型中,输出当前时刻的目标驱动装置转速;根据当前时刻的目标驱动装置转速,调整驱动装置的转速,以控制待输注药物的输注速率。由于本技术根据基于深度学习的预先训练的输注控制模型进行驱动装置的智能自适应控制,使得能够根据实时上报的信息自动控制待输注药物的输注速率,从而提升了药物的输注精度。
47、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本技术。