CN111328421B - 用于对患者的活动分类的方法、计算机程序和设备 - Google Patents
用于对患者的活动分类的方法、计算机程序和设备 Download PDFInfo
- Publication number
- CN111328421B CN111328421B CN201880074531.1A CN201880074531A CN111328421B CN 111328421 B CN111328421 B CN 111328421B CN 201880074531 A CN201880074531 A CN 201880074531A CN 111328421 B CN111328421 B CN 111328421B
- Authority
- CN
- China
- Prior art keywords
- activity
- patient
- region
- image data
- interest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000000694 effects Effects 0.000 title claims abstract description 191
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000004590 computer program Methods 0.000 title claims abstract description 11
- 230000008859 change Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 5
- 230000001483 mobilizing effect Effects 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 210000000746 body region Anatomy 0.000 description 4
- 206010019468 Hemiplegia Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000002566 clonic effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 206010033892 Paraplegia Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 208000008238 Muscle Spasticity Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 206010039897 Sedation Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000014155 detection of activity Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 230000036280 sedation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 208000018198 spasticity Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001256 tonic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0013—Medical image data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1114—Tracking parts of the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
实施例创建用于基于患者支承设备(110)中的患者(100)的图像数据对患者(100)的活动分类的方法、设备和计算机程序。该方法(10)包括基于图像数据探测(12)患者(100)的活动并且从图像数据中确定(14)活动的分类信息。分类信息至少包括关于患者(100)的所探测到的活动是主动由患者(100)引起还是被动由外部影响引起的信息。此外,该方法(10)包括提供(16)关于活动的信息和分类信息。
Description
技术领域
实施例涉及用于基于患者的图像数据对患者的活动分类的方法、设备和计算机程序,尤其但并不排外地涉及用于自动化地识别和分类内在的和外在的患者活动的方案。
背景技术
在常规技术中,重症监护患者的自动监控主要通过由床位/病床处的医疗设备(例如血液动力学监测、呼吸机)监测(监控)生命参数来执行。当发生不期望的生理状态时,医疗设备应该报警。然而,同样重要的是监控状态变量、如患者的活动。
至今,这样的监控决定性地通过在场的护理人员进行,所述护理人员应根据患者的状态以有时非常紧密的时间间隔照看患者,这又与巨大成本相联系。
在重症监护室中收集患者的多个生命参数。对此的示例是心率、呼吸率或氧饱和度。这些生命参数实现患者的健康状态的改进的估计。至今明显关注较少的另一生命参数是患者本身的活动。尤其对患者活动的自动监控按照目前的现有技术仅仅有条件地是可能的。在此,应假定,所确定的患者活动对于一系列应用而言有高的重要性。对此的示例是作为全局生命参数的活动、苏醒事件的识别、镇静深度的评价或各个身体部分的运动能力的评价。
大部分已知的方法和设备使用与患者本身或至少患者的躺卧面(Liegefläche)接触的压力传感器或直接固定在患者上的加速度传感器。
例如,已知基于压力传感器的***,所述***应该用于多个任务。这种***的特色在于压力传感器,所述压力传感器安置在患者床上的床垫下面。躺在床垫上的人的运动被记录和评估。基于压力的***直接安置在患者附近并且因此可能引起在清洁和卫生方面的损害。此外,这种传感器静态地与患者的床垫连接并且因此也拥有静态的检测区域。
Karantonis等人于2006年的公开内容“Implementation of a Real-Time HumanMovement Classifier Using a Triaxial Acceleromater for Ambulatory Monitoring”描述了一种***,该***应利用固定在患者的臀部上的加速度传感器能够识别活动和静止的周期以及事件、如行走和跌倒。直接固定在患者上的传感器分别监控患者区域,所述传感器固定在所述患者区域上。
在专利申请LU90722中描述了一种用于借助摄像机监控病床中的患者的方法。在此,记录“情况图像”,所述情况图像于是关于时间彼此比较,以便探测改变。如果这些改变超过阈值,则触发动作。此外解释了在情况图像中可以识别边缘和/或轮廓,由此可以排除不相关的身体部分。同样提及了通过对象识别可以获得如下数据,所述数据描述患者的姿势以及允许推断出各个受伤的身体部分的运动。
专利申请WO02082999涉及借助图像序列识别痉挛发作。为此,规定感兴趣区,将该感兴趣区的图像划分成更小的区域并且针对每个区域量化关于时间的改变程度。紧接着,处理器尝试识别周期性运动,以便这样推断出痉挛发作。
其他细节可以在以下文献中找到:
l Achilles, F.(2016),Patient MoCap:“Human Pose Estimation UnderBlanket Occlusion for Hospital Monitoring Applications”,InternationalConference on Medical Image Computing and Computer-Assisted Intervention,
l Barnich, O., & Van Droogenbroeck, M. (2011),ViBe:“A universalbackground subtraction algorithm for video sequences”,Image Processing, IEEETransactions on,和
l Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014), “Richfeature hierarchies for accurate object detection and semantic segmentation”,CVPR (computer Vision and Pattern Recognition)。
发明内容
因此,存在创建用于识别和分类患者活动的改进的方案的需求。根据所附的独立权利要求的方法、设备和计算机程序的实施例满足所述需求。
本发明的实施例基于如下认识:基于摄像机的监控***可以被用于重症监护室,以便监控患者的活动。在此,基于患者的所检测到的图像数据例如能够自动化地生成事件(英语也为“Events”),所述事件经由通信网络被传递给合适的接收者。事件在此可以帮助减轻劳动力的负担,提高患者安全性并且引起对护理的改善。
实施例提供用于在二维图像数据中和/或在三维点云中确定活动的方法、计算机程序和设备。应用情况是确定患者的活动(主要在重症监护室,但例如也在疗养院等中)。在此,针对活动可以在内在(主动)活动与外在(被动)活动之间进行区分。实施例的另一核心构思是区分患者的主动和被动活动,或一般在患者活动方面至少在主动活动与被动运动之间进行区分。第一(主动引起的)活动的特色刚好在于,该第一活动由患者本身引发或引起。而后面的被动活动可以归因于外部影响。
在重症监护室,患者通常与外部世界并不完全隔离。护理人员和访客与患者在身体上互相作用并且设备可能导致患者的运动,而患者本身并不对所述运动负责。患者的该由外部引发的活动可能使替代的、非差异化(nicht differenzierend)的方法、如传感器床垫或惯性传感器***的测量结果掺假。
一个实施例是用于基于患者支承设备中的患者的图像数据对患者的活动分类的方法。该方法包括基于图像数据探测患者的活动。此外,该方法包括从图像数据中确定活动的分类信息。分类信息至少包括关于患者的所探测到的活动是主动由患者引起的还是被动由外部影响引起的信息。此外,该方法包括提供关于活动的信息和分类信息。实施例这样可以允许鲁棒地识别和分类患者支承设备中的人员的活动。
在有些实施例中,该方法此外可以规定利用多个传感器检测患者和患者支承设备的环境中的图像数据。使用多个传感器在此可以导致更鲁棒地识别和分类患者活动。
其他实施例此外基于如下构思:观察在图像数据之内的感兴趣区。有些实施例因此可以将活动的识别限制于感兴趣区(例如“床”)。与此相应地,可以在图像数据中进行感兴趣区的确定,其中在感兴趣区中进行活动的探测。在实施例中,因此活动的探测和分类可以被限制于确定的感兴趣区。在此,此外可以规定:确定另一区,所述另一区至少部分地包围感兴趣区。确定分类信息于是此外可以包括:确定,在感兴趣区之内的活动是否对应于该另一区中的活动。
在几个另外的实施例中,关于活动的信息的提供可以包括所分配的时间戳。该时间戳例如可以被用于文档编制目的,或也可以被用于不同区中的活动的时间比较。确定分类信息在几个实施例中可以包括根据时间戳检验存在的活动。实施例因此可以包括检验所述区中的活动的时间一致性或分配。
如果在感兴趣区之内所探测到的活动不对应于另一区中的活动,则患者的所探测到的活动相应地可以被分类为主动由患者引起。如果在感兴趣区之内所探测到的活动对应于另一区中的活动,则患者的所探测到的活动可以被分类为被动由外部影响引起。感兴趣区和另一区这样可以允许将活动至少按主动和被动区分,以及将识别聚焦于感兴趣区、例如确定的肢体、身体区域或整个患者。
在其他实施例中,这些区也可以被跟踪。该方法因此可以包括基于图像数据跟踪感兴趣区。换言之,感兴趣区和/或另一区可以基于图像数据的分析自适应地跟踪患者的要监控的身体部分或区域。这例如也可能由患者支承设备的配置变化引起。实施例这样可以减少或完全避免在要监控的区域中的手动跟踪或模糊。
在几个另外的实施例中,该方法可以包括:借助图像数据探测患者的环境中的至少一个另外的人员,和探测在至少一个另外的人员与患者之间的互动。基于互动于是可以进行分类信息的确定。实施例这样可以使关于场景中的其他人员或关于其活动的信息一起进入患者活动的识别和分类中。在有些实施例中,在确定分类信息时也可以考虑:基于图像数据或基于其他信息、诸如患者支承设备的调节程度反馈,探测患者支承设备的配置改变。例如,在几个实施例中也可以定义多个感兴趣区与相关的其他区,以便这样进一步在不同的活动之间进行区分,例如识别眼区中的活动,以便探测苏醒过程,监控患者支承设备中的整个患者,监控各个肢体,监控身体区域以探测瘫痪(偏瘫、截瘫)等等。
在有些实施例中,也可以基于图像数据进行调动设备的探测。分类信息于是也可以基于调动设备的存在进行。可能的调动设备在此例如可以是床式自行车、运动轨道、患者支承设备本身等。在几个另外的实施例中,可以确定活动简档,所述活动简档包括关于患者的主动或被动引起的活动的时间变化的信息。因此,关于简档的实施例可以提供诊断辅助装置或用于评价康复过程的装置。
在其他实施例中,可以使用“深度学习”方法,以便处理图像数据。确定分类信息于是可以包括利用“深度学习”方法处理图像数据。使用深度学习可以在识别和分类新活动时具有优点。
此外,实施例创建一种设备,其具有计算装置,该计算装置被构成为执行根据上述描述的方法。实施例也创建一种计算机程序,其具有程序代码,该程序代码用于在该程序代码在计算机、处理器或可编程的硬件部件上实施时执行根据上述描述的方法之一。
附图说明
其他有利的设计方案随后借助在附图中所示出的实施例更详细地予以描述,然而实施例一般总体上并不限于所述实施例。
图1示出用于对患者的活动分类的方法的一个实施例的框图;
图2示出在一个实施例中的患者和患者支承设备;
图3示出另一实施例的流程图;
图4示出用于跟踪感兴趣区的方法的另一实施例的框图;
图5示出在一个实施例中的用于说明感兴趣区和另一区的图示;
图6示出用于患者的内在活动与外在活动之间的区分的方法的另一实施例的框图;以及
图7示出在一个实施例中的用于进一步处理被标记为内在和外在的活动的说明。
具体实施方式
现在,更详细地参照所附的附图描述不同的实施例,在所述附图中示出了几个实施例。
在对所附的图的随后描述中,相同的附图标记可以表示相同或类似的部件,其中这些图仅仅示出几个示例性的实施例。此外,可以将概括性的附图标记用于部件和对象,所述部件和对象多次出现在一个实施例中或在一个附图中,然而在一个或多个特征方面共同地予以描述。利用相同的或概括性的附图标记描述的部件或对象可以在单个、多个或所有特征方面、例如其尺寸方面相同地、但必要时也不同地实施,只要从说明书中并明确或隐含地得出不同的内容。可选的部件在所述图中用虚线或箭头示出。
尽管可以以不同的方式修改和改变实施例,但实施例在所述图中作为示例示出并且这里予以详细描述。然而应澄清的是,并不意图将实施例限于分别所公开的形式,而是更确切地说实施例应覆盖位于本发明的范围中的所有功能和/或结构修改方案、等同方案和替代方案。相同的附图标记在整个附图描述中表示相同或者相似的元件。
注意:被称为与另一元件“连接”或“耦合”的元件可以与该另一元件直接连接或耦合或可以存在居间的元件。而当元件被称为与另一元件“直接连接”或“直接耦合”时,不存在居间的元件。被用于描述元件之间的关系的其他概念应以相似的方式予以解释(例如“在...之间”相对于“直接在其之间”,“邻接”相对于“直接邻接”等等)。
这里所使用的术语仅仅用于描述确定的实施例并且不应限制所述实施例。如这里所使用的那样,单数形式“一个”和“该”也应包含复数形式,只要上下文未明确说明不同的内容。此外,应澄清的是,表达、诸如“包含”、“包含的”、“具有”、“包括” 、“包括的”和/或“具有的”如这里所使用的那样说明所提到的特征、整数、步骤、工作流程、元件和/或部件的存在,但并不排除一个或多个特征、整数、步骤、工作流程、元件、部件和/或其组的存在或添加。
只要未另外定义,所有这里所使用的概念(包括技术和学术概念在内)具有实施例所属的领域中的普通技术人员赋予这些概念的相同的含义。此外,应澄清的是,表达、例如在普遍使用的字典中定义的那些表达应被解释为其应具有与其在相关技术的上下文中的含义一致的含义,并且不应在理想化的或过于形式的意义上进行解释,只要这在这里并未明确定义。
图1以框图示出用于基于患者支承设备110中的患者100的图像数据对患者100的活动分类的方法10的一个实施例,其中图2图出患者支承设备110中的患者100。如图1所示出的那样,该方法包括基于图像数据探测12患者的活动并且从图像数据中确定14活动的分类信息,其中分类信息至少包括关于患者的所探测到的活动是主动地由患者引起还是被动地由外部影响引起的信息。此外,该方法10包括提供16关于活动的信息和分类信息。
在实施例中,探测患者活动这里被理解为至少简单地确定关于是否存在活动或运动的信息。在一个简单的实现方案中,该信息也可以是简单的二进制信息。此外,分类信息也可以是二进制信息,所述二进制信息表明所探测到的活动被分类或分级为被动的还是主动的。提供所述信息就此而言也可以对应于输出二进制信息。
在几个实施例中,为了检测在患者100和患者支承设备110的环境中的图像数据,使用多个传感器140a、140b,如这在图2中图示的那样。图像数据因此在实施例中可以通过一个或多个图像传感器或摄像机检测。这些传感器在此可以是二维的或多维的并且也检测在不可见范围中的信号、诸如红外信号,所述红外信号也允许在黑暗中记录的图像数据的相应处理。图像数据本身例如也可以包含深度信息(第三维度),所述深度信息实现活动的识别和分类的相应改进的处理或鲁棒性。
另一实施例是计算机程序,该计算机程序具有程序代码,该程序代码用于当该程序代码在计算机、处理器或可编程的硬件部件上实施时执行这里所描述的方法之一。另一实施例是用于基于患者支承设备中的患者的图像数据对患者的活动分类的设备,该设备具有用于执行这里所描述的方法之一的计算装置。在实施例中,计算装置可以对应于任意的控制器或处理器或可编程的硬件部件。例如,该方法10也可以被实现为软件,所述软件针对相应的硬件部件被编程。就此而言,计算装置可以被实施为可编程的硬件,其具有相应地适配的软件。在此,可以使用任意的处理器、如数字信号处理器(DSP)或图形处理器。实施例在此并不限于确定类型的处理器。可以设想用于实施计算装置的任意的处理器或多个处理器。
在一个实施例中,这样的设备可以包括1...n个传感器140a、140b,所述传感器被定向,使得所述传感器至少覆盖患者100和其较接近的环境,其中n对应于正整数。在有些实施例中,传感器140a、140b可以基本上与对于人可见的照明情况无关地工作。所监控的场景的图像数据(例如彩色图像和/或红外图像和/或深度图像)于是经由一个或多个传感器140a、140b并且经由相应的基础设施(例如网络)提供给计算装置。
在实施例中,可以使用不同类型的摄像机或深度传感器。这里所介绍的方法可以利用不同的摄像机类型实施,以及可以利用一个或多个摄像机实施。几个实施例使用深度摄像机,所述深度摄像机必要时使所述区的定义和内在与外在之间的区分变得容易。原则上,该方法在实施例中即使利用一个传感器也起作用。如果使用多个传感器,则可以减少遮蔽效应并且使该方法更鲁棒。在有些实施例中,可以执行附加的用于摄像机/传感器的外在校准的步骤。
图3示出另一实施例的流程图。该流程图图示在一个实施例中的各个方法步骤,其中观察感兴趣区I 120。在该实施例中确定图像数据中的感兴趣区120,其中在感兴趣区120中进行活动的探测。在图2中除了感兴趣区120之外示出了另一区130。在实施例中,可以附加地进行至少部分地包围感兴趣区的另一区130的确定。如图3所示出的那样,首先进行图像数据形式的传感器信息的检测12a。在传感器信息中然后识别12b感兴趣区120。在此例如可以涉及患者支承设备110、患者100或患者100的确定的身体区域。紧接着在感兴趣区120中确定活动,参见步骤12c。此后,在内在(主动)和外在活动(被动)方面区分14a活动并且相应地确定分类信息。在直到现在的结果的可能的或可选的进一步处理14b之后进行输出16。
例如,传感器无接触地工作并安置在距患者几米的距离处。在有些实施例中,患者因此身体上不受传感器***妨碍并且传感器***并不处于卫生最关键的范围中。在设备的几个另外的实施例中,计算装置被实施为处理器单元,所述处理器单元与1...n个传感器连接并且可以以所描述的方法步骤实施。在实施例中此外可以实施一个或多个通信连接,以便将计算装置的输出传递给接收***(abnehmende Systeme)。在下文中更详细地解释在图3中所示出的方法步骤。
该方法预期1..n个传感器的图像数据或传感器信息作为输入。根据传感器正好提供哪些图像数据,如下步骤的具体实施稍微有区别。如果使用n>1个传感器,可以使传感器的输入数据在空间上关联,例如所述输入数据可以被聚集成三维点云,所述点云于是形成用于进一步处理的图像数据。
在第二步骤12b中,该方法找到由用户或第二或其他***规定的感兴趣区120。典型的感兴趣区120可以是患者支承设备(PLV)110,该患者支承设备具有处于其上的对象。也可设想的是限于整个患者100本身或确定的身体区域。
图4示出用于跟踪感兴趣区的方法的另一实施例的框图并且再次以流程图概括针对感兴趣区120的这里所列举的示例。因此,在图像数据中首先可以找到患者支承设备110,步骤42。在患者支承设备110的范围中,然后可以识别患者100,步骤44。在患者100的范围中然后在随后的步骤46中可以找到身体区域。在有些实施例中,在该场景中可以进行对相应的对象的对象识别。为了对象识别,存在可以使用的一系列不同的方法。现有技术是诸如Girshick等人的深度学习方法,参见上文。在几个另外的实施例中,也可以使用对象探测器,所述对象探测器更特别地根据各个感兴趣区120的类型(或对象)定制,如在下文中还将更详细解释的那样。
在图3中的步骤12c中,在步骤12b中所规定的感兴趣区120中确定活动。这在实施例中可以通过如下方式完成:观察传感器数据的时间序列。传感器数据的与感兴趣区120对应的部分图像现在可以针对不同的时间点确定(例如每0.1秒),使得形成部分图像的时间上合理的顺序。通过分析部分图像关于时间的改变,在下文中可以对活动进行量化。对n个部分图像的改变的分析可以以不同的方式进行,所述n个部分图像按其时间顺序用t_1...t_n表示。
在实施例中为此可以考虑不同的可能性。一种可能性是确定绝对差图像。为此例如可以针对每个对t_i和t_(i-1)确定每个像素位置的像素值的绝对差,这作为结果导致合成的差图像D。各个差然后可以与阈值s_1比较,并且可以相应地设置
。
V中的具有值1的像素之和现在可以被用作在时间点i的活动的量度。
另一用于探测活动的可能性是背景信息的基于采样值的减法(英语也为“samplebased background subtraction(基于样本的背景减法)”)。根据在上述的方案中所需的阈值的选择,相应的量度可能易受噪声影响或相对于真实运动不足够敏感。因此,至少有些实施例可以使用如下方法,所述方法更详细地考虑像素的历史,以便判定其是否代表活动。对此的已知的和成功的示例是ViBe,Barnich,O.等人的文献,参见上文。ViBe又创建活动图,在活动图中当像素经历活动时像素获得值1,而当情况不是如此时该像素获得值0。因此,像素值之和这里也是活动的量度。
此外,活动的参数还可以被归一化,其方式是:所述和除以所观察的部分图像的像素的数量。上面所描述的方法提供参数k_1...k_m的时间上合理的顺序(时间序列),所述参数描述在时间点t_i...t_m的活动。
此外,实施例至少在内在或主动活动(当该活动被分级为由患者本身引起时)与外在或被动活动(当该活动被分级为由外部引起时)之间进行区分。如上面所解释的那样,在步骤12c中所测量到的或所探测到的活动尽管可以被限制于所定义的区,但是至今活动的根源并不为***所知。因此,进行分类信息的确定14。
在该步骤14中,该方法涉及内在与外在活动之间的区分。在其他实施例中,也还可以采取其他分级。一般而言,可以假定,在外在活动的情况下活动也出现在所观察的感兴趣区120的较接近的环境中。在当前实施例中与另一区130(参见图2)相互作用地遵循用于识别潜在的外在活动的该构思。下面解释其他必要时更差异化的解决可能性。
该方法在该实施例中现在围绕实际的感兴趣区I 120确定另一区Z 130。Z例如可能是一个框,该框对应于在每个维度上被放大值W的框I减去框I本身。W在此也可能与I的实际大小有关。对于区I和Z的示例在图5中示出。图5示出在一个实施例中的用于说明感兴趣区120(这里作为框示出)和另一区130(同样作为框示出)的图示。
如果区Z 130被规定,则在感兴趣区120 I中可以进行外在和内在活动之间的区分。图6示出用于患者100的内在与外在活动之间的区分的方法的另一实施例的框图。如先前所解释的,首先在步骤60中在I中确定活动。如果这里没有活动被确定,则这也是该方法的当前输出,如这在步骤61中所示出的那样。要不然,提供确定的活动A_I以及相关的时间戳T_I。关于活动的信息的提供16在当前实施例中也包括相关的或所分配的时间戳的提供。该方法然后通过如下方式继续:前面的步骤“确定活动”针对区Z在步骤62中被重复。如果现在在Z中没有活动被确定,则I中的活动可以作为标记为内在的活动在步骤63中被输出。
如果在Z中识别出活动,则在步骤64中跟随时间戳的比较,其中T_Z是与在区Z中所探测到的活动相关的时间戳。就此而言,分类信息的确定14在当前实施例中包括根据时间戳检验存在的活动。即如果该方法在I中的活动之前识别出Z中的活动(在步骤64中T_Z<T_I),Z中的活动与I中的活动相比此外不早于参数S(在步骤64中T_I-T_Z<S),则假定:涉及外在活动并且在步骤65中输出该外在活动。然而,如果在Z中的活动之前或与Z中的活动同时确定I中的活动,则I中的活动被分类为内在活动并且在步骤66中被输出。在有些实施例中,因此确定:在感兴趣区I 120之内的活动是否对应于另一区Z 130中的活动。如果在感兴趣区120之内所探测到的活动不对应于另一区130中的活动,则患者100的所探测到的活动可以被分类为主动由患者100引起。类似地,如果在感兴趣区I 120之内所探测到的活动对应于另一区Z 130中的活动,则可以将患者100的所探测到的活动分类为被动地由外部影响引起。
换言之,当在另一区Z 130中没有探测到(相关)活动时,感兴趣区I 120中的活动可以被分类为主动由患者100引起。当在另一区中在感兴趣区I 120中的活动之前的时间间隔S之内或与感兴趣区I 120中的活动同时探测到(相关)活动时,感兴趣区I 120中的活动可以被分类为被动由外部引起。至今所获得的数据、即关于活动的信息和分类信息的进一步处理是可选的并且下面予以更详细解释。该方法在输出或提供16中提供在前面的步骤中所获得的数据,例如提供给接收***。这例如可以经由通信连接、例如以太网进行。
在几个另外的实施例中,可以使上面所描述的方法相对于干扰更鲁棒,例如通过自动跟踪感兴趣区I 120(英语Tracking)并且通过上面已经描述的多个传感器的使用。在有些实施例中,感兴趣区I 120可以自动在场景中被找到并且跟踪。在该实施例中,该方法100此外包括基于图像数据跟踪感兴趣区120。因此,在这样的实施例中,当感兴趣区I 120在该场景中移动时,可以减小或避免用户交互。例如也可以针对不同的感兴趣区使用特别定制的探测器。为了利用图像处理装置识别患者支承设备110,例如参考文献DE 10 2017006529.2,该文献公开了与此有关的方案。为了确定患者100本身或患者100的各个身体部分,例如参考Achilles等人的文献,参见上文。
在内在与外在活动之间的区分在其他实施例中可以改进,例如也可以确定外在活动的原因。在此,可以识别“进行激活的对象”、例如人员或设备,所述对象被引入到实际的感兴趣区的环境中。在有些实施例中,该方法10包括:借助图像数据探测患者的环境中的至少一个另外的人员和探测在至少一个另外的人员与患者100之间的互动。此外,然后可以基于互动进行分类信息的确定。在所观察的场景中可能发生其他人员的操纵。常常,患者100的外在运动或动作通过由另一人员的操纵而出现。可以识别该操纵,参见DE102017006529.2。
在其他实施例中,可以识别床的运动,例如可以调整患者支承设备110。这至少在有些实施例中可能也可以从远处、在附近没有在场的人员的情况下实现。可以利用文献DE102015013031或DE3436444中的方法确定情况是否如此。在那里描述了一种方法,利用该方法确定PLV的配置。如果该方法在有关的时间段中确定配置的变化,则在该时间段中的活动可以被标记或探测为外在的(通过PLV配置的变化)。该方法10然后也可以包括基于图像数据探测患者支承设备的配置改变,并且基于配置改变确定分类信息。
一般,在实施例中也可以定义多个感兴趣区与相关的其他区。因为该方法基于图像数据起作用,所以可以并行地或串行地评估多个由感兴趣区和其他区构成的配对。这样,例如也可以分开地监控患者100的半身,以便这样识别偏瘫和截瘫。
调动设备(Mobilisierungsgeräte)、如床式自行车(Bettfahrräder)或调动轨道应帮助患者的调动。借助对象识别和跟踪的方法也可以识别调动设备,所述调动设备被引入到感兴趣区I 120的环境中。视设备而定,该设备可以配备马达或没有配备马达。在第一种情况下,因此可以辅助或也可以完全承担患者100的运动。在第二种情况下,该设备至少用于激励运动。但是在任何情况下,运动不仅仅是内在激发的,使得优选地能够通过该方法在识别出在感兴趣区I中的调动设备的时间间隔中进行该活动的单独的标记。实施例因此可以规定基于图像数据探测调动设备并且基于调动设备的存在而确定14分类信息。
为了能够区分调动设备的类型,也可以一起包括患者在过去的活动。为此,有些实施例可以检测和存储患者的活动的历史。如果例如患者100正好具有高内在活动,可能的是,调动设备仅仅应该用于辅助。如果患者没有内在活动,全辅助***是非常可能的。
此外,有些实施例也可以确定一个或多个活动简档,所述活动简档包括关于患者的主动或被动引起的活动的时间变化的信息。就此而言,该方法可以如下细化:进一步处理所获得的关于内在和外在活动的信息。这可以要么直接在所描述的设备的处理器单元/计算装置上进行,并且因此也在输出(给其他***)之前进行,要么也可能在接收直到现在的数据的其他***中进行。进一步处理的可能性是去除外在活动。这可以通过如下方式进行:简单地不可替代地从活动数据中去除具有外在活动的区域。如果活动现在关于时间窗取平均值,则获得对象、例如患者的内在活动的量度。
图7示出在一个实施例中的用于进一步处理被标记为内在和外在的活动的说明。所示出的流程图图示被标记为内在的和外在的活动的进一步处理,使得在该方法结束时提供患者的内在活动的量度。首先在步骤70中在感兴趣区中探测活动并且紧接着在步骤71中对内在和外在活动进行区分。在所示出的实施例中,在步骤72中去除被分级为外在的活动并且在步骤73中关于时间窗对剩下的内在活动取平均值。作为结果,于是可以输出患者的内在活动的量度。
正好相反,在其他实施例中也可以在流程图的第三步骤72中去除具有内在活动的时间段,由此可以获得外部(外在)活动的量度。信号也可以被平滑,以便补偿测量误差。这例如可以利用“moving average(移动平均)”滤波器实现。类似地,可以确定关于较长的时间段的平均值并且用作输出。
数据也可以与阈值比较并且在超过阈值或低于阈值时,事件可以用作输出。
此外,可以外推直至当前的时间点X收集的数据。因此例如在阈值的超过完全出现之前可以预测阈值的超过。也可以对活动信号执行频率分析,以便找出活动是否以一个或多个突出的频率出现并且这是哪些频率。
在其他实施例中,至今所描述的设备可以利用所描述的方法或方法本身执行一系列不同的输出,所述输出对于不同的应用情况可以是合理的。例如,所算出的活动值可以作为连续的测量变量输出。因此,该活动值可以作为患者的附加生命参数可用(尤其,当去除外在活动时)。也可设想的是,仅仅提供外在活动,则可以监控,患者在某些时间段中多频繁地以及多长时间被干扰了(参见DE102017006529.2)。
内在活动值(尤其与阈值比较组合)可以被用于在超过阈值时探测苏醒情况。这例如在患者来自手术室并且必须等待其苏醒时是合理的。有节奏的运动在有些实施例中同样可以被识别。如果频率分析例如得出运动遭受周期性变化,则可以使用所确定的频率以便识别(强直)阵挛发作(参见WO02082999)。如果确定一次性强烈运动,则存在如下可能性:所支承的身体部分跌落,这因此在有些实施例中可以被指示。如果沿着矢状平面或沿着横向平面的半身定义为感兴趣区,则在几个实施例中可以结合内在活动在第一情况下跟踪偏瘫的发展而在后一情况下跟踪截瘫的发展。此外,在其他实施例中身体部分或身体区域可以被定义为感兴趣区并且可以相应地跟踪身体部分或身体区域的康复/发展。
一般,实施例可以借助由摄像机检测的患者的图像数据来评估并且因此观察患者。借助所识别的活动/运动可以推断出患者状态(阵挛发作)。在此,可以在主动和被动活动之间进行区分并且因此可以探测和区分由外部引发的活动。在此,实施例并不限于确定的活动、如阵挛发作的探测并且因此同样适合于识别其他所造成的活动。此外,有些实施例可以自适应地或自动地跟踪感兴趣区并且这样例如观察身体部分的康复。实施例因此相对于遮蔽和移动的感兴趣区是鲁棒的。实施例在此没有直接固定在患者上的传感器也行。尤其,可以关注特别的、可能关于时间改变的感兴趣区。
在另一实施例中,可以使用“深度学习”模型,以便处理图像数据。例如,该模型直接从作为输入的图像序列推断:患者的活动正好是内在的还是外在的。在这样的实施例中,算法或方法将隐含地学习:例如通过另一人员对患者的操纵引起外在活动。紧接在图像序列的输入之后将是例如通过深度神经网络的视频段分类,以便确定分类信息。
在上述的描述、权利要求和附图中公开的特征不仅能够单独地而且能够以任意组合对于实施例以其不同的设计方案的实现而言是重要的,并且只要不从说明书中得出不同内容,可以任意地彼此组合。
尽管有些方面结合方法或设备进行了描述,但易于理解的是,这些方面也是相应的设备或相应的方法的描述,使得设备的块或器件也可以被理解为相应的方法步骤或方法步骤的特征,反之亦然。类似于此,结合一个方法步骤或作为一个方法步骤所描述的方面也是相应的设备的相应的块或细节或特征的描述。
根据确定的实施要求可以以硬件或以软件实施本发明的实施例。实施可以在使用数字存储介质、例如软盘、DVD、蓝光光盘、CD、ROM、PROM、EPROM、EEPROM或FLASH存储器、硬盘或其他磁或光存储器执行,在所述数字存储介质上存储有以电子方式可读的控制信号,所述控制信号与可编程的硬件部件共同作用或能够共同作用,使得执行相应的方法。
可编程的硬件部件可以由处理器、计算机处理器(CPU=Central Processing Unit(中央处理单元))、图形处理器(GPU=Graphics Processing Unit(图形处理单元))、计算机、计算机***、专用集成电路(ASIC=Application-Specific Integrated Circuit)、集成电路(IC=Integrated Circuit)、单芯片***(SOC=System on Chip(片上***))、可编程逻辑元件或具有微处理器的现场可编程门阵列(FPGA=Field Programmable Gate Array)构成。
数字存储介质因此可以是机器或计算机可读的。有些实施例因此包括数据载体,其具有以电子方式可读的控制信号,所述控制信号能够与可编程的计算机***或可编程的硬件部件共同作用,使得执行这里所描述的方法之一。一个实施例因此是数据载体(或数字存储介质或计算机可读的介质),在所述数据载体上记录有用于执行这里所描述的方法之一的程序。
一般,本发明的实施例可以被实施为具有程序代码的程序、固件、计算机程序或计算机程序产品或实施为数据,其中当程序在处理器或可编程的硬件部件上运行时,程序代码或数据如下起作用以执行所述方法之一。程序代码或数据例如也可以存储在机器可读的载体或数据载体上。程序代码或数据尤其可以作为源代码、机器代码或字节代码以及作为其他中间代码存在。
此外,另一实施例是数据流、信号系列或信号的序列,其是用于执行这里所描述的方法之一的程序。数据流、信号系列或信号的序列例如可以如下被配置,以便经由数据通信连接、例如经由互联网或其他网络被传输。这样,实施例也是代表数据的信号系列,其适合于经由网络或数据通信连接进行发送,其中数据是程序。
根据一个实施例的程序可以例如通过如下方式在所述方法之一执行期间实现所述方法之一:读出存储位置或将一个数据或多个数据写入这些存储位置中,由此必要时在晶体管结构中、在放大器结构中或在其他电子、光学、磁或根据其他功能原理工作的组件中引起切换过程或其他过程。相应地,可以通过读出存储位置由程序检测、确定或测量数据、值、传感器值或其他信息。程序因此可以通过读出一个或多个存储位置检测、确定或测量变量、值、测量变量和其他信息,以及通过写入一个或多个存储位置中引起、促使或执行动作以及操控其他设备、机器和部件。
上面所描述的实施例仅仅是本发明的原理的说明。易于理解的是,这里所描述的布置和细节的修改方案和变型方案将使其他专业人员明白。因此意图是,本发明仅仅应受下述的权利要求的保护范围限制,而不应受这里借助实施例的描述和解释所呈现的特定细节限制。
Claims (11)
1.一种用于基于患者支承设备(110)中的患者(100)的图像数据对所述患者(100)的活动分类的方法(10),具有:
基于所述图像数据探测(12)所述患者(100)的活动;
其特征在于:
在所述图像数据中确定感兴趣区(120),其中在所述感兴趣区(120)中进行所述活动的探测;
确定另一区(130),所述另一区至少部分地包围所述感兴趣区(120);
从所述图像数据中确定(14)所述活动的分类信息,其中所述分类信息至少包括关于所述患者(100)的所探测到的活动是主动由所述患者(100)引起还是被动由外部影响引起的信息,
其中确定(14)分类信息此外包括:确定在所述感兴趣区(120)之内的活动是否对应于所述另一区(130)中的活动,
其中当在所述感兴趣区(120)之内所探测到的活动不对应于所述另一区(130)中的活动时,所述患者(100)的所探测到的活动被分类为主动由所述患者(100)引起,
其中当在所述感兴趣区(120)之内所探测到的活动对应于所述另一区(130)中的活动时,所述患者(100)的所探测到的活动被分类为被动由外部影响引起;以及
提供(16)关于所述活动的信息和所述分类信息。
2.根据权利要求1所述的方法(10),此外具有:
利用多个传感器(140a;140b)检测在所述患者(100)和所述患者支承设备(110)的环境中的图像数据。
3.根据上述权利要求中任一项所述的方法(10),其中提供(16)关于所述活动的信息包括所分配的时间戳。
4.根据权利要求3所述的方法(10),其中确定(14)分类信息包括根据所述时间戳检验存在的活动。
5.根据权利要求1至4中任一项所述的方法(10),所述方法此外包括基于所述图像数据跟踪所述感兴趣区(120)。
6.根据上述权利要求中任一项所述的方法(10),具有:
借助所述图像数据探测在所述患者(100)的环境中的至少一个另外的人员,
探测在所述至少一个另外的人员与所述患者(100)之间的互动,以及
基于所述互动确定所述分类信息。
7.根据上述权利要求中任一项所述的方法(10),具有:
基于所述图像数据探测所述患者支承设备(110)的配置改变,以及
基于所述配置改变确定所述分类信息。
8.根据上述权利要求中任一项所述的方法(10),具有:
基于所述图像数据探测调动设备,以及
基于调动设备的存在确定所述分类信息。
9.根据上述权利要求中任一项所述的方法(10),具有:
确定活动简档,所述活动简档包括关于所述患者(100)的主动或被动引起的活动的时间变化的信息。
10.一种设备,该设备具有计算装置,所述计算装置被构成为执行根据上述权利要求任一项所述的方法。
11.一种计算机可读存储介质,具有存储在其上的计算机程序,所述计算机程序具有程序代码,所述程序代码用于在所述程序代码在计算机、处理器或可编程的硬件部件上实施时执行根据权利要求1至9中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017010649.5 | 2017-11-17 | ||
DE102017010649.5A DE102017010649A1 (de) | 2017-11-17 | 2017-11-17 | Verfahren, Computerprogramm und Vorrichtung zur Einordnung von Aktivitäten eines Patienten |
PCT/EP2018/081069 WO2019096783A1 (de) | 2017-11-17 | 2018-11-13 | Verfahren, computerprogramm und vorrichtung zur einordnung von aktivitäten eines patienten |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111328421A CN111328421A (zh) | 2020-06-23 |
CN111328421B true CN111328421B (zh) | 2024-03-08 |
Family
ID=64402183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880074531.1A Active CN111328421B (zh) | 2017-11-17 | 2018-11-13 | 用于对患者的活动分类的方法、计算机程序和设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200397348A1 (zh) |
EP (1) | EP3635735B1 (zh) |
CN (1) | CN111328421B (zh) |
DE (1) | DE102017010649A1 (zh) |
WO (1) | WO2019096783A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11638538B2 (en) | 2020-03-02 | 2023-05-02 | Charter Communications Operating, Llc | Methods and apparatus for fall prevention |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002082999A1 (en) * | 2001-04-10 | 2002-10-24 | Battelle Memorial Institute | Image analysis system and method for discriminating movements of an individual |
EP2399513A1 (en) * | 2010-06-23 | 2011-12-28 | Qatar University | System for non-invasive automated monitoring, detection, analysis, characterisation, prediction or prevention of seizures and movement disorder symptoms |
CN105793849A (zh) * | 2013-10-31 | 2016-07-20 | 德克斯康公司 | 用于连续监测装置的自适应界面 |
CN106233349A (zh) * | 2013-10-17 | 2016-12-14 | 德尔格制造股份两合公司 | 用于监控在医疗监控区中的病人的方法 |
CN106796622A (zh) * | 2014-10-13 | 2017-05-31 | 皇家飞利浦有限公司 | 监测信息提供设备和方法 |
CN107205668A (zh) * | 2015-01-28 | 2017-09-26 | 谷歌公司 | 一致患者情况的健康状态趋势 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3436444A1 (de) | 1984-10-04 | 1986-04-10 | Peter Dr. 7915 Elchingen Blank | Verfahren und einrichtung zur reproduzierbaren dreidimensionalen positionierung eines patienten, insbesondere zur bestrahlung |
LU90722B1 (de) | 2001-01-26 | 2002-07-29 | Iee Sarl | Verfahren zu Ueberwachung eines Patienten in einem Krankenbett |
JP5113520B2 (ja) * | 2004-08-25 | 2013-01-09 | モトリカ リミテッド | 脳の可塑性による運動訓練 |
US20120029300A1 (en) * | 2010-07-27 | 2012-02-02 | Carefusion 303, Inc. | System and method for reducing false alarms and false negatives based on motion and position sensing |
JP5682204B2 (ja) * | 2010-09-29 | 2015-03-11 | オムロンヘルスケア株式会社 | 安全看護システム、および、安全看護システムの制御方法 |
US10026505B2 (en) * | 2013-03-26 | 2018-07-17 | Hill-Rom Services, Inc. | Patient support with dynamic bar code generator |
DE102015013031B4 (de) * | 2015-10-09 | 2018-12-27 | Drägerwerk AG & Co. KGaA | Vorrichtung, Verfahren und Computerprogramm zur Bestimmung einer Lage von zumindest zwei Teilsegmenten einer Patientenlagerungsvorrichtung |
DE102017006529A1 (de) | 2017-07-11 | 2019-01-17 | Drägerwerk AG & Co. KGaA | Verfahren, Vorrichtung und Computerprogramm zur Erfassung von optischen Bilddaten einer Patientenumgebung und zur Erkennung einer Patientenüberprüfung |
-
2017
- 2017-11-17 DE DE102017010649.5A patent/DE102017010649A1/de active Pending
-
2018
- 2018-11-13 WO PCT/EP2018/081069 patent/WO2019096783A1/de unknown
- 2018-11-13 CN CN201880074531.1A patent/CN111328421B/zh active Active
- 2018-11-13 US US16/764,644 patent/US20200397348A1/en not_active Abandoned
- 2018-11-13 EP EP18807009.8A patent/EP3635735B1/de active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002082999A1 (en) * | 2001-04-10 | 2002-10-24 | Battelle Memorial Institute | Image analysis system and method for discriminating movements of an individual |
EP2399513A1 (en) * | 2010-06-23 | 2011-12-28 | Qatar University | System for non-invasive automated monitoring, detection, analysis, characterisation, prediction or prevention of seizures and movement disorder symptoms |
CN106233349A (zh) * | 2013-10-17 | 2016-12-14 | 德尔格制造股份两合公司 | 用于监控在医疗监控区中的病人的方法 |
CN105793849A (zh) * | 2013-10-31 | 2016-07-20 | 德克斯康公司 | 用于连续监测装置的自适应界面 |
CN106796622A (zh) * | 2014-10-13 | 2017-05-31 | 皇家飞利浦有限公司 | 监测信息提供设备和方法 |
CN107205668A (zh) * | 2015-01-28 | 2017-09-26 | 谷歌公司 | 一致患者情况的健康状态趋势 |
Also Published As
Publication number | Publication date |
---|---|
US20200397348A1 (en) | 2020-12-24 |
WO2019096783A1 (de) | 2019-05-23 |
EP3635735A1 (de) | 2020-04-15 |
EP3635735B1 (de) | 2023-09-20 |
DE102017010649A1 (de) | 2019-05-23 |
CN111328421A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Stone et al. | Unobtrusive, continuous, in-home gait measurement using the Microsoft Kinect | |
Kwolek et al. | Human fall detection on embedded platform using depth maps and wireless accelerometer | |
JP2019518263A5 (zh) | ||
Cuppens et al. | Automatic video detection of body movement during sleep based on optical flow in pediatric patients with epilepsy | |
US20190231231A1 (en) | Measuring patient mobility in the icu using a novel non-invasive sensor | |
CN107257651A (zh) | 医学监测的场景检测 | |
US11666247B2 (en) | Method, device and computer program for capturing optical image data of patient surroundings and for identifying a patient check-up | |
WO2016193030A1 (en) | Sleep monitoring method and system | |
Xue et al. | Vision-based gait analysis for senior care | |
WO2019003859A1 (ja) | 見守り支援システム及びその制御方法、及びプログラム | |
Kyrollos et al. | Noncontact neonatal respiration rate estimation using machine vision | |
CN111328421B (zh) | 用于对患者的活动分类的方法、计算机程序和设备 | |
CN111448589B (zh) | 用于检测患者的身体移动的设备、***和方法 | |
Banerjee et al. | Exploratory analysis of older adults’ sedentary behavior in the primary living area using kinect depth data | |
US11779260B2 (en) | Cognitive function evaluation method, cognitive function evaluation device, and non-transitory computer-readable recording medium in which cognitive function evaluation program is recorded | |
JP6822326B2 (ja) | 見守り支援システム及びその制御方法 | |
Sharma et al. | Automated detection of newborn sleep apnea using video monitoring system | |
JP7327397B2 (ja) | コンピューターで実行されるプログラム、情報処理システム、および、コンピューターで実行される方法 | |
JP7342863B2 (ja) | コンピュータで実行されるプログラム、情報処理システム、および、コンピュータで実行される方法 | |
Siedel et al. | Contactless interactive fall detection and sleep quality estimation for supporting elderly with incipient dementia | |
TWI727464B (zh) | 管路異常風險預測方法、裝置與相關系統 | |
Goldstein et al. | Chest area segmentation in 3D images of sleeping patients | |
Emeli et al. | Towards Infant Kick Quality Detection to Support Physical Therapy and Early Detection of Cerebral Palsy: A Pilot Study | |
ElSayed et al. | Body and visual sensor fusion for motion analysis in Ubiquitous healthcare systems | |
Venkitaraman et al. | Motion-based segmentation of chest and abdomen region of neonates from videos |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |