CN116664925B - 一种重症监护室内目标识别方法、装置、设备及存储介质 - Google Patents
一种重症监护室内目标识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116664925B CN116664925B CN202310573889.1A CN202310573889A CN116664925B CN 116664925 B CN116664925 B CN 116664925B CN 202310573889 A CN202310573889 A CN 202310573889A CN 116664925 B CN116664925 B CN 116664925B
- Authority
- CN
- China
- Prior art keywords
- medical
- medical equipment
- personnel
- roi
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000003993 interaction Effects 0.000 claims abstract description 20
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000645 desinfectant Substances 0.000 claims description 5
- 238000001631 haemodialysis Methods 0.000 claims description 5
- 230000000322 hemodialysis Effects 0.000 claims description 5
- 238000001802 infusion Methods 0.000 claims description 5
- 238000006213 oxygenation reaction Methods 0.000 claims description 5
- 230000002685 pulmonary effect Effects 0.000 claims description 5
- 239000012528 membrane Substances 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000028399 Critical Illness Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种重症监护室内目标识别方法、装置、设备及存储介质,其中,该方法包括步骤:采集重症监护室场景的人员数据和医疗设备数据;对所述人员数据和医疗设备数据进行标注,并利用目标检测模型对标注的人员和医疗设备进行训练,得到人员感兴趣区ROI坐标和医疗设备ROI坐标;基于所述人员感兴趣区ROI坐标和医疗设备ROI坐标,对医护人员、患者以及医疗设备进行定位识别,并根据医护人员与患者旁边的医疗设备交互频率,以对高风险患者自动识别。本申请实现患者病情的实施在线观察、医护诊疗行为的实施监督及医疗设备使用的实施监管,并提升重症患者的救治能力,降低病死率,提升医疗效率,节省医疗成本。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及一种重症监护室内目标识别方法、装置、设备及存储介质。
背景技术
重症监护病房(ICU)是集患者病情危重,医护人员诊疗行为频繁,医疗设备较多且使用率高等典型复杂医疗场景的特点为一体的特殊医疗场景。由于患者危重症病情的需求,该场景下需保持24小时内的快速应急医疗处置灵敏度,且确保医疗设备资源需得到高效的配置。
现有ICU场景,医护人员对患者病情的观察依靠的技术包括:床旁查房观察和远程视频监控观察。现有技术缺点是:床旁观察下,个体偏倚较大,完全依赖于医护人员的医疗水平,诊疗行为无法做到全流程质控;远程视频监控观察,同样在某种程度上依靠人力完成,存在漏查的情况且无法做到实时在线。在这样的现有技术的局限性上,医护人员对医疗设备的使用情况实时了解程度同样仅靠人力清点或者回忆,尤其是在大型ICU内,难以提升医疗效率。因此,在现有的技术下,高风险患者自动识别及医疗设备的高效配置无法得到解决,降低医疗效率,影响患者安全。
发明内容
本发明主要目的在于提供一种重症监护室内目标识别方法、装置、设备及存储介质,能够实现患者病情的实施在线观察、医护诊疗行为的实施监督及医疗设备使用的实施监管,并提升重症患者的救治能力,降低病死率,提升医疗效率,节省医疗成本。
第一方面,本申请提供了一种重症监护室内目标识别方法,该方法包括步骤:
采集重症监护室场景的人员数据和医疗设备数据;
对所述人员数据和医疗设备数据进行标注,并利用目标检测模型对标注的人员和医疗设备进行训练,得到人员感兴趣区ROI坐标和医疗设备ROI坐标;
基于所述人员感兴趣区ROI坐标和医疗设备ROI坐标,对医护人员、患者以及医疗设备进行定位识别,并根据医护人员与患者旁边的医疗设备交互频率,以对高风险患者自动识别。
结合上述第一方面,作为一种可选的实现方式,分别设置人员标签和医疗设备标签,以对所述人员数据和医疗设备数据进行标注,其中所述人员数据包括医护人员和患者,所述医疗设备包括:病床、电脑、床尾桌、治疗盘、输液架、心电监护仪、呼吸机、血液透析机、体外膜肺氧合设备、手消毒液和手机;
利用YoloV5目标检测模型对标注的人员和医疗设备进行训练,得到人员ROI坐标和各医疗设备ROI坐标。
结合上述第一方面,作为一种可选的实现方式,将所述人员感兴趣区ROI坐标与病床ROI坐标进行比对,当所述人员感兴趣区ROI坐标与所述病床ROI坐标重合面积小于设定面积时,将该人员ROI坐标识别为医护人员;
当所述人员感兴趣区ROI坐标与所述病床ROI坐标重合面积大于等于设定面积时,对所述人员ROI坐标进行长宽比计算:
当所述人员ROI坐标纵向距离小于等于横向距离,将该人员ROI坐标识别为患者;
当所述人员纵向距离大于横向距离,将该人员ROI坐标识别为医护人员;
将标注的医疗设备输入到实例分割模型中进行训练,得到所述医疗设备Mask区域,并将所述医疗设备Mask区域与医疗设备ROI进行对比,以对医疗设备进行定位识别。
结合上述第一方面,作为一种可选的实现方式,将实例分割模型输出的医疗设备的Mask区域与该类物品在目标检测模型中输出的ROI进行比对;
将位于ROI外的Mask区域剔除,保留ROI内部的Mask区域作为该医疗设备的识别区域。
结合上述第一方面,作为一种可选的实现方式,根据定位识别的医疗设备,确定所述设备当前所处状态和数量,以对所述医疗设备进行高效配置。
结合上述第一方面,作为一种可选的实现方式,当所述医护人员与所述患者旁边的医疗设备交互频率大于设定次数时,确定所述患者为高风险患者;
当所述医护人员与所述患者旁边的医疗设备交互频率小于设定次数时,确定所述患者为低风险患者。
结合上述第一方面,作为一种可选的实现方式,根据安装在监护室场景的对称摄像头,采集重症监护室场景的人员数据和医疗设备数据,其中所述对称摄像头的方向为从床尾朝向床头区域以及从床头朝向床尾区域。
第二方面,本申请提供了一种重症监护室内目标识别装置,该装置包括:
采集单元,其用于采集重症监护室场景的人员数据和医疗设备数据;
处理单元,其用于对所述人员数据和医疗设备数据进行标注,并利用目标检测模型对标注的人员和医疗设备进行训练,得到人员感兴趣区ROI坐标和医疗设备ROI坐标;
识别单元,其用于基于所述人员感兴趣区ROI坐标和医疗设备ROI坐标,对医护人员、患者以及医疗设备进行定位识别,并根据医护人员与患者旁边的医疗设备交互频率,以对高风险患者自动识别。
第三方面,本申请还提供了一种电子设备,所述电子设备包括:处理器;存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现第一方面任一项所述的方法。
第四方面,本申请还提供了一种计算机可读存储介质,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行第一方面任一项所述的方法。
本申请提供的一种重症监护室内目标识别方法、装置、设备及存储介质,其中该方法包括步骤:采集重症监护室场景的人员数据和医疗设备数据;对所述人员数据和医疗设备数据进行标注,并利用目标检测模型对标注的人员和医疗设备进行训练,得到人员感兴趣区ROI坐标和医疗设备ROI坐标;基于所述人员感兴趣区ROI坐标和医疗设备ROI坐标,对医护人员、患者以及医疗设备进行定位识别,并根据医护人员与患者旁边的医疗设备交互频率,以对高风险患者自动识别。本申请实现患者病情的实施在线观察、医护诊疗行为的实施监督及医疗设备使用的实施监管,并提升重症患者的救治能力,降低病死率,提升医疗效率,节省医疗成本。
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的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1为本申请实施例中提供的一种重症监护室内目标识别方法流程图;
图2为本申请实施例中提供的一种重症监护室内目标识别装置示意图;
图3为本申请实施例中提供的人员识别示意图;
图4为本申请实施例中提供的医疗设备识别示意图;
图5为本申请实施例中提供的一种电子设备示意图;
图6为本申请实施例中提供的一种计算机可读程序介质示意图。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。附图所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
需要说明的是,在现有的技术下,高风险患者自动识别(医护长时间聚集其床旁、医护频繁操作患者旁医疗设备)及医疗设备的高效配置(诊疗设备都在什么位置,是否处于使用状态等)无法得到解决,降低医疗效率,影响患者安全。
本申请实施例提供了一种重症监护室内目标识别方法、装置、设备及存储介质,能够实现患者病情的实施在线观察、医护诊疗行为的实施监督及医疗设备使用的实施监管,并提升重症患者的救治能力,降低病死率,提升医疗效率,节省医疗成本。
为达到上述技术效果,本申请的总思路如下:
一种重症监护室内目标识别方法,该方法包括步骤:
S101:采集重症监护室场景的人员数据和医疗设备数据。
S102:对所述人员数据和医疗设备数据进行标注,并利用目标检测模型对标注的人员和医疗设备进行训练,得到人员感兴趣区ROI坐标和医疗设备ROI坐标。
S103:基于所述人员感兴趣区ROI坐标和医疗设备ROI坐标,对医护人员、患者以及医疗设备进行定位识别,并根据医护人员与患者旁边的医疗设备交互频率,以对高风险患者自动识别。
以下结合附图对本申请的实施例作进一步详细说明。
参照图1,图1所示为本发明提供的一种重症监护室内目标识别方法流程图,如图1所示,该方法包括步骤:
步骤S101:采集重症监护室场景的人员数据和医疗设备数据。
具体而言,根据安装在监护室场景的对称摄像头,采集重症监护室场景的人员数据和医疗设备数据,其中所述对称摄像头的方向为从床尾朝向床头区域以及从床头朝向床尾区域。
方便理解举例说明,勘察ICU内建筑布局特点,根据现场床单元环境确定摄像头布置位置和数量(一般采用两个深度摄像头,也可以根据需求设置摄像头位置和数量)。
一实施例中,在ICU内某一病床床单元空间内架设2个摄像头,方向从床尾朝向床头区域以及床头朝向床位区域,记录2个视频,每个摄像头视频流进行单独计算。两个相向朝向的摄像头能够避免由于视野遮挡导致识别不到的问题,无论何种情形医护都能够暴露在某一摄像头视野下。
步骤S102:对所述人员数据和医疗设备数据进行标注,并利用目标检测模型对标注的人员和医疗设备进行训练,得到人员感兴趣区ROI坐标和医疗设备ROI坐标。
具体而言,分别设置人员标签和医疗设备标签,对所述人员数据和医疗设备数据进行标注,其中所述人员数据包括医护人员和患者,所述医疗设备包括:病床、电脑、床尾桌、治疗盘、输液架、心电监护仪、呼吸机、血液透析机、体外膜肺氧合设备、手消毒液和手机。利用YoloV5目标检测模型对标注的人员和医疗设备进行训练,得到人员ROI坐标和各医疗设备ROI坐标。
一实施例中,根据摄像头采集的数据分别对医护、患者和病床进行标注,设置为三类标签,在YoloV5目标检测模型中进行训练得到人员ROI坐标,以进行医患识别区分。
一实施例中,根据摄像头采集的医疗设备数据对医疗设备进行标注,在YoloV5目标检测模型中进行训练,各医疗设备ROI坐标,以进行医疗设备识别。
需要说明的是ROI为(region of interest),感兴趣区域。机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域。
步骤S103:基于所述人员感兴趣区ROI坐标和医疗设备ROI坐标,对医护人员、患者以及医疗设备进行定位识别,并根据医护人员与患者旁边的医疗设备交互频率,以对高风险患者自动识别。
具体而言,将所述人员感兴趣区ROI坐标与病床ROI坐标进行比对,当所述人员感兴趣区ROI坐标与所述病床ROI坐标重合面积小于设定面积时,将该人员ROI坐标识别为医护人员;当所述人员感兴趣区ROI坐标与所述病床ROI坐标重合面积大于等于设定面积时,对所述人员ROI坐标进行长宽比计算:当所述人员ROI坐标纵向距离小于等于横向距离,将该人员ROI坐标识别为患者;当所述人员纵向距离大于横向距离,将该人员ROI坐标识别为医护人员;将标注的医疗设备输入到实例分割模型中进行训练,得到所述医疗设备Mask区域,并将所述医疗设备Mask区域与医疗设备ROI进行对比,以对医疗设备进行定位识别。
方便理解举例说明,由于YoloV5目标检测模型不能对医患之间进行100%区分,在模型训练监测结果后进行辅助纠正。
目标检测模型输出的人员(包括医护和患者)和病床矩形ROI(在被处理的图像上以矩形勾勒出需要处理的区域,称为感兴趣区域,简称ROI)具有4点坐标,将人员坐标区域与病床坐标区域进行比对计算,如果人员坐标区域有大于等于80%的面积与病床坐标区域重合,进入下一步优化,重合区域小于80%则将该人员ROI标签定为医护。
其中,进入下一步优化包括:由于ICU病房内病患几乎完全失去自主移动能力,病程期间躺卧位或俯卧位在病床区域内,因此患者与医护由于站立和平躺姿势的不同,矩形ROI的长宽比有着显著的区分,因此对上述输出的人员坐标进行长宽比计算,如果纵向(宽)距离小于等于横向(长)距离,将该坐标确认为患者。纵向(宽)距离大于横向(长)距离则将该人员坐标修改标签定为医护。
可选的,进行完训练优化后统计各个摄像头视野区域内的医护和患者数量。
医疗设备分两步进行训练,联合区分,具体为:在YoloV5目标检测模型中进行训练,模型输出各类物品的(医疗设备)4点矩形ROI,在MaskRCNN实例分割模型中进行训练,模型输出各类物品的Mask区域,由于现有实例分割模型在ICU场景下对各类物体输出的Mask区域会有误判,对各类物体混淆程度较大,因此同步利用精度较高的目标检测模型结果进行修正以提高物体检测精度。
医疗设备的识别目的:ICU内患者的救治基本依靠医疗设备完成,通过识别医疗设备及医护人员对医疗设备的操作频次的高低可以识别高风险患者。同时医疗设备的识别,可以协助医护人员实时知晓,不同类型的不同设备目前是否处于在用状态,用在什么患者,目前空闲可使用的设备还有多少,分别在什么位置,如果有急危患者需要抢救,可以在什么位置最先获得该设备等。
识别后的获益:首先可以实现ICU内不同风险患者的实时识别(例如,某一位患者周边设备基本处于低频次医护接触,那么该患者可能在现有治疗手段下,病情稳定,是低风险患者;另外一位患者,医护频繁对其诊疗设备进行接触,那么该患者可能各项生命指标不稳定,是高风险死亡患者)。其次提升ICU内医疗设备的管理效率。ICU设备多且复杂,日常工作中靠人工清点效率低下,且无法知晓设备是否在用,用在什么患者。该技术下,可以准备实时监控到各类设备的使用状况及定位,以此基础上实时统计,剩余可使用设备的数量及位置,方便临床医务人员的管理。
可选的,对视频数据同时进行目标检测和实例分割,利用单独的目标检测模型对实例分割模型的结果进行区域修正,提高实例分割输出的各类物品坐标的精度。
需要说明的是,目标检测模型能够精确的定位出图像中某一物体类别信息和所在位置,输出目标的边界框,一般为4点矩形ROI区域,实例分割模型在此基础上将图像中特定的物体进行像素点级别的分类,并且需要区分相同类别中不同个体。模型输出某一个物品(即实例)确定的区域,即Mask区域,一般为不规则区域。
一实施例中,将实例分割模型输出的医疗设备的Mask区域与该类物品在目标检测模型中输出的ROI进行比对;将位于ROI外的Mask区域剔除,保留ROI内部的Mask区域作为该医疗设备的识别区域。
以各类物品的Mask区域为主,依次遍历修正,有两种情况:
情况1:对某个物品Mask区域与目标检测ROI有重合,将实例分割模型输出的各类设备物品的Mask区域与该类物品在目标检测模型中输出的ROI进行比对,将位于ROI外的Mask区域剔除,仅保留ROI内部的Mask区域作为该物体的识别区域。
情况2:对某个物品如果出现输出物品的Mask区域,但没有在目标检测模型中输出ROI坐标,将该Mask区域舍弃,以防止误判,进而优化识别精度。
一实施例中,根据定位识别的医疗设备,确定所述设备当前所处状态和数量,以对所述医疗设备进行高效配置。
一实施例中,当所述医护人员与所述患者旁边的医疗设备交互频率大于设定次数时,确定所述患者为高风险患者;当所述医护人员与所述患者旁边的医疗设备交互频率小于设定次数时,确定所述患者为低风险患者。其中医护与设备的交互频次的设定次数可根据需求自定义设置。
综上所述,首先,本专利技术能够实时监测医院ICU病房内的医护人员以及患者位置,对不同类型的人员的区分识别并进行实时统计。其次,ICU重症监护室内医疗设备复杂且数量较多,本技术能够对各类医疗设备进行准确的定位识别并进行实时统计分析。
本发明技术可实现ICU病房内人员和医疗设备实时识别区分、定位及统计,进一步地可以依托此技术实现患者病情的实施在线观察、医护诊疗行为的实施监督及医疗设备使用(医护与设备的交互频率)的实施监管,以此提升重症患者的救治能力,降低病死率,提升医疗效率,节省医疗成本。
参照图2,图2所示为本发明提供的一种重症监护室内目标识别装置示意图,如图2所示,该装置包括:
采集单元201:其用于采集重症监护室场景的人员数据和医疗设备数据。
处理单元202:其用于对所述人员数据和医疗设备数据进行标注,并利用目标检测模型对标注的人员和医疗设备进行训练,得到人员感兴趣区ROI坐标和医疗设备ROI坐标。
识别单元203:其用于基于所述人员感兴趣区ROI坐标和医疗设备ROI坐标,对医护人员、患者以及医疗设备进行定位识别,并根据医护人员与患者旁边的医疗设备交互频率,以对高风险患者自动识别。
进一步地,一种可能的实施方式中,处理单元,还用于分别设置人员标签和医疗设备标签,以对所述人员数据和医疗设备数据进行标注,其中所述人员数据包括医护人员和患者,所述医疗设备包括:病床、电脑、床尾桌、治疗盘、输液架、心电监护仪、呼吸机、血液透析机、体外膜肺氧合设备、手消毒液和手机;
利用YoloV5目标检测模型对标注的人员和医疗设备进行训练,得到人员ROI坐标和各医疗设备ROI坐标。
进一步地,一种可能的实施方式中,识别单元,还用于将所述人员感兴趣区ROI坐标与病床ROI坐标进行比对,当所述人员感兴趣区ROI坐标与所述病床ROI坐标重合面积小于设定面积时,将该人员ROI坐标识别为医护人员;
当所述人员感兴趣区ROI坐标与所述病床ROI坐标重合面积大于等于设定面积时,对所述人员ROI坐标进行长宽比计算:
当所述人员ROI坐标纵向距离小于等于横向距离,将该人员ROI坐标识别为患者;
当所述人员纵向距离大于横向距离,将该人员ROI坐标识别为医护人员;
将标注的医疗设备输入到实例分割模型中进行训练,得到所述医疗设备Mask区域,并将所述医疗设备Mask区域与医疗设备ROI进行对比,以对医疗设备进行定位识别。
进一步地,一种可能的实施方式中,识别单元,还用于将实例分割模型输出的医疗设备的Mask区域与该类物品在目标检测模型中输出的ROI进行比对;
将位于ROI外的Mask区域剔除,保留ROI内部的Mask区域作为该医疗设备的识别区域。
进一步地,一种可能的实施方式中,还包括确定单元,其用于根据定位识别的医疗设备,确定所述设备当前所处状态和数量,以对所述医疗设备进行高效配置。
进一步地,一种可能的实施方式中,识别单元,还用于当所述医护人员与所述患者旁边的医疗设备交互频率大于设定次数时,确定所述患者为高风险患者;
当所述医护人员与所述患者旁边的医疗设备交互频率小于设定次数时,确定所述患者为低风险患者。
进一步地,一种可能的实施方式中,采集单元,还用于根据安装在监护室场景的对称摄像头,采集重症监护室场景的人员数据和医疗设备数据,其中所述对称摄像头的方向为从床尾朝向床头区域以及从床头朝向床尾区域。
参照图3,图3所示为本发明提供的人员识别示意图,如图3所示:
根据采集的数据(摄像头1、2中视频流1数据)分别对医护、患者和病床进行标注,设置为三类标签,在YoloV5目标检测模型中进行训练,得到医护、患者和病床的ROI。
训练结果优化1:目标检测模型输出的人员(包括医护和患者)和病床矩形ROI(在被处理的图像上以矩形勾勒出需要处理的区域,称为感兴趣区域,简称ROI)具有4点坐标,将人员坐标区域与病床坐标区域进行比对计算,如果人员坐标区域有大于等于80%的面积与病床坐标区域重合,进入下一步优化,重合区域小于80%则将该人员ROI标签定为医护。
训练结果优化2:由于ICU病房内病患几乎完全失去自主移动能力,病程期间躺卧位或俯卧位在病床区域内,因此患者与医护由于站立和平躺姿势的不同,矩形ROI的长宽比有着显著的区分,因此对纠正训练结果优化1中输出的人员坐标进行长宽比计算,如果纵向(宽)距离小于等于横向(长)距离,将该坐标确认为患者。纵向(宽)距离大于横向(长)距离则将该人员坐标修改标签定为医护。
进行完训练优化后统计各个摄像头视野区域内的医护和患者数量。
参照图4,图4所示为本发明提供的医疗设备识别示意图,如图4所示:
摄像头1、2中视频流2数据对病床、电脑、床尾桌、治疗盘、输液架、心电监护仪、呼吸机、血液透析机、体外膜肺氧合设备(ECMO)、手消毒液、手机等ICU内特定标志性物品进行标注,设置标签,分两步进行训练、联合区分,即YoloV5目标检测模型和MaskRCNN实例分割模型,分别得到YoloV5目标检测模型输出各类物品的4点矩形ROI和MaskRCNN实例分割模型输出各类物品的Mask区域。
由于现有实例分割模型在ICU场景下对各类物体输出的Mask区域会有误判,对各类物体混淆程度较大,因此同步利用精度较高的目标检测模型结果进行修正以提高物体检测精度。
比较各类设备物品的Mask区域与该类物品在目标检测模型中输出的ROI,当某个物品Mask区域与目标检测ROI有重合,将实例分割模型输出的各类设备物品的Mask区域与该类物品在目标检测模型中输出的ROI进行比对,将位于ROI外的Mask区域剔除,仅保留ROI内部的Mask区域作为该物体的识别区域。当某个物品如果出现输出物品的Mask区域,但没有在目标检测模型中输出ROI坐标,将该Mask区域舍弃。进行完修正计算后统计各个摄像头视野区域内的各类设备和物品数量。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同***组件(包括存储单元520和处理单元510)的总线530。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)521和/或高速缓存存储单元522,还可以进一步包括只读存储单元(ROM)523。
存储单元520还可以包括具有一组(至少一个)程序模块525的程序/实用工具524,这样的程序模块525包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
根据本公开的方案,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
本发明是参照根据本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
Claims (9)
1.一种重症监护室内目标识别方法,其特征在于,包括:
采集重症监护室场景的人员数据和医疗设备数据;
对所述人员数据和医疗设备数据进行标注,并利用目标检测模型对标注的人员和医疗设备进行训练,得到人员感兴趣区ROI坐标和医疗设备ROI坐标;
基于所述人员感兴趣区ROI坐标和医疗设备ROI坐标,对医护人员、患者以及医疗设备进行定位识别,并根据医护人员与患者旁边的医疗设备交互频率,以对高风险患者自动识别;
其中,将所述人员感兴趣区ROI坐标与病床ROI坐标进行比对,当所述人员感兴趣区ROI坐标与所述病床ROI坐标重合面积小于设定面积时,将该人员ROI坐标识别为医护人员;
当所述人员感兴趣区ROI坐标与所述病床ROI坐标重合面积大于等于设定面积时,对所述人员ROI坐标进行长宽比计算:
当所述人员ROI坐标纵向距离小于等于横向距离,将该人员ROI坐标识别为患者;
当所述人员纵向距离大于横向距离,将该人员ROI坐标识别为医护人员;
将标注的医疗设备输入到实例分割模型中进行训练,得到所述医疗设备Mask区域,并将所述医疗设备Mask区域与医疗设备ROI进行对比,以对医疗设备进行定位识别。
2.根据权利要求1所述的方法,其特征在于,所述对所述人员数据和医疗设备数据进行标注,并利用目标检测模型对标注的人员和医疗设备进行训练,得到人员感兴趣区ROI坐标和医疗设备ROI坐标,包括:
分别设置人员标签和医疗设备标签,以对所述人员数据和医疗设备数据进行标注,其中所述人员数据包括医护人员和患者,所述医疗设备包括:病床、电脑、床尾桌、治疗盘、输液架、心电监护仪、呼吸机、血液透析机、体外膜肺氧合设备、手消毒液和手机;
利用YoloV5目标检测模型对标注的人员和医疗设备进行训练,得到人员ROI坐标和各医疗设备ROI坐标。
3.根据权利要求1所述的方法,其特征在于,所述将所述医疗设备Mask区域与医疗设备ROI进行对比,以对医疗设备进行定位识别,包括:
将实例分割模型输出的医疗设备的Mask区域与所述医疗设备在目标检测模型中输出的ROI进行比对;
将位于ROI外的Mask区域剔除,保留ROI内部的Mask区域作为该医疗设备的识别区域。
4.根据权利要求1所述的方法,其特征在于,还包括:
根据定位识别的医疗设备,确定所述设备当前所处状态和数量,以对所述医疗设备进行高效配置。
5.根据权利要求1所述的方法,其特征在于,所述根据医护人员与患者旁边的医疗设备交互频率,以对高风险患者自动识别,包括:
当所述医护人员与所述患者旁边的医疗设备交互频率大于设定次数时,确定所述患者为高风险患者;
当所述医护人员与所述患者旁边的医疗设备交互频率小于设定次数时,确定所述患者为低风险患者。
6.根据权利要求1所述的方法,其特征在于,所述采集重症监护室场景的人员数据和医疗设备数据,并对人员和医疗设备进行标注,包括:
根据安装在监护室场景的对称摄像头,采集重症监护室场景的人员数据和医疗设备数据,其中所述对称摄像头的方向为从床尾朝向床头区域以及从床头朝向床尾区域。
7.一种重症监护室内目标识别装置,其特征在于,包括:
采集单元,其用于采集重症监护室场景的人员数据和医疗设备数据;
处理单元,其用于对所述人员数据和医疗设备数据进行标注,并利用目标检测模型对标注的人员和医疗设备进行训练,得到人员感兴趣区ROI坐标和医疗设备ROI坐标;
识别单元,其用于基于所述人员感兴趣区ROI坐标和医疗设备ROI坐标,对医护人员、患者以及医疗设备进行定位识别,并根据医护人员与患者旁边的医疗设备交互频率,以对高风险患者自动识别;
其中,将所述人员感兴趣区ROI坐标与病床ROI坐标进行比对,当所述人员感兴趣区ROI坐标与所述病床ROI坐标重合面积小于设定面积时,将该人员ROI坐标识别为医护人员;
当所述人员感兴趣区ROI坐标与所述病床ROI坐标重合面积大于等于设定面积时,对所述人员ROI坐标进行长宽比计算:
当所述人员ROI坐标纵向距离小于等于横向距离,将该人员ROI坐标识别为患者;
当所述人员纵向距离大于横向距离,将该人员ROI坐标识别为医护人员;
将标注的医疗设备输入到实例分割模型中进行训练,得到所述医疗设备Mask区域,并将所述医疗设备Mask区域与医疗设备ROI进行对比,以对医疗设备进行定位识别。
8.一种电子设备,其特征在于,所述电子设备,包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行根据权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310573889.1A CN116664925B (zh) | 2023-05-17 | 2023-05-17 | 一种重症监护室内目标识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310573889.1A CN116664925B (zh) | 2023-05-17 | 2023-05-17 | 一种重症监护室内目标识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664925A CN116664925A (zh) | 2023-08-29 |
CN116664925B true CN116664925B (zh) | 2023-12-26 |
Family
ID=87725279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310573889.1A Active CN116664925B (zh) | 2023-05-17 | 2023-05-17 | 一种重症监护室内目标识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664925B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726821B (zh) * | 2024-02-05 | 2024-05-10 | 武汉理工大学 | 一种面向医疗视频中区域遮挡的医护行为识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036500A (zh) * | 2018-07-19 | 2018-12-18 | 苏州麦迪斯顿医疗科技股份有限公司 | 一种临床预警方法、装置、设备及存储介质 |
CN113100716A (zh) * | 2021-04-16 | 2021-07-13 | 东南大学附属中大医院 | 一种患者集中监测方法、装置、电子设备及存储介质 |
CN113257440A (zh) * | 2021-06-21 | 2021-08-13 | 杭州金线连科技有限公司 | 一种基于病患视频识别的icu智能看护*** |
CN114141390A (zh) * | 2021-12-09 | 2022-03-04 | 温澜清江(北京)科技有限公司 | 一种远程icu数据网络*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003219689A1 (en) * | 2002-02-08 | 2003-09-02 | Maryellen L. Giger | Method and system for risk-modulated diagnosis of disease |
US9536052B2 (en) * | 2011-10-28 | 2017-01-03 | Parkland Center For Clinical Innovation | Clinical predictive and monitoring system and method |
EP3021739A4 (en) * | 2013-07-18 | 2017-03-22 | Parkland Center for Clinical Innovation | Patient care surveillance system and method |
-
2023
- 2023-05-17 CN CN202310573889.1A patent/CN116664925B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109036500A (zh) * | 2018-07-19 | 2018-12-18 | 苏州麦迪斯顿医疗科技股份有限公司 | 一种临床预警方法、装置、设备及存储介质 |
CN113100716A (zh) * | 2021-04-16 | 2021-07-13 | 东南大学附属中大医院 | 一种患者集中监测方法、装置、电子设备及存储介质 |
CN113257440A (zh) * | 2021-06-21 | 2021-08-13 | 杭州金线连科技有限公司 | 一种基于病患视频识别的icu智能看护*** |
CN114141390A (zh) * | 2021-12-09 | 2022-03-04 | 温澜清江(北京)科技有限公司 | 一种远程icu数据网络*** |
Non-Patent Citations (2)
Title |
---|
Braden 量表与MEWS 在重症监护室重度创伤损伤患者 压力性损伤中的预测价值分析;张元元等;《齐鲁护理杂志》;全文 * |
Delayed Recognition of Deterioration of Patients in General Wards Is Mostly Caused by Human Related Monitoring Failures: A Root Cause Analysis of Unplanned ICU Admissions;Louise S. van Galen et al.;《PLOS》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116664925A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11699526B2 (en) | Alarm notification system | |
US11823378B2 (en) | Systems and methods for processing electronic images to detect contamination in specimen preparations | |
CN116664925B (zh) | 一种重症监护室内目标识别方法、装置、设备及存储介质 | |
US20130035581A1 (en) | Augmented reality enhanced triage systems and methods for emergency medical services | |
US10365946B2 (en) | Clustering based process deviation detection | |
CN110050276B (zh) | 患者识别***和方法 | |
EP3642757A1 (en) | Subject identification systems and methods | |
US11734954B2 (en) | Face recognition method, device and electronic equipment, and computer non-volatile readable storage medium | |
US20160162641A1 (en) | Medical support server and medical support system | |
US20210192270A1 (en) | Person indentification systems and methods | |
US20190109997A1 (en) | Camera normalization | |
WO2024046433A1 (zh) | 结合rpa和ai实现ia的防疫监督方法、装置及电子设备 | |
CN115831298B (zh) | 基于医院管理信息***的临床试验患者招募方法及装置 | |
CN102419890A (zh) | 一种监护告警***及其监护告警方法 | |
CN115101186B (zh) | 基于大数据的医院就诊信息管理方法及装置 | |
US20190290872A1 (en) | Tracheal intubation procedure monitoring | |
WO2023005662A1 (zh) | 图像处理方法及装置、电子设备、程序产品及计算机可读存储介质 | |
CN111192679B (zh) | 一种影像数据异常的处理方法、装置及存储介质 | |
Baskaran et al. | Using facial landmark detection on thermal images as a novel prognostic tool for emergency departments | |
CN116664819B (zh) | 一种医护人员手部识别定位方法、装置、设备及存储介质 | |
Majumder | Development of a fast Fourier transform-based analytical method for COVID-19 diagnosis from chest X-ray images using GNU octave | |
CN117495656A (zh) | 一种人脸隐私保护方法、装置、***及电子设备 | |
Kodhai | Smart attendance system for COVID-19 | |
EP4181080A1 (en) | Monitoring an entity in a medical facility | |
Su et al. | Combining frontal and profile view facial images to predict difficult-to-intubate patients using AI |
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 |