技术新讯 > 医药医疗技术的改进,医疗器械制造及应用技术 > 基于人工智能算法的穿戴式痛风超声治疗系统的制作方法  >  正文

基于人工智能算法的穿戴式痛风超声治疗系统的制作方法

  • 国知局
  • 2024-07-11 17:41:57

本发明涉及医疗,尤其涉及一种基于人工智能算法的穿戴式痛风超声治疗系统。

背景技术:

1、痛风是一种由尿酸代谢紊乱引起的疾病,长期的尿酸结晶在关节和周围组织的沉积。当这些结晶移动或压迫周围的神经和软组织时,会引起剧烈的疼痛。因病人尿酸结晶在关节处部位、面积和深度因人而异、各不相同,并呈不规则性和不确定性。

2、目前针对痛风的治疗方法主要如下:1、通过药物治疗,进行输液治疗,见效快,效果好,但并不能从根本上治疗疾病,容易引发副作用;2、中医治疗痛风,方法主要包括中药口服、外用、穴位贴敷、针灸等,其缺点在于见效慢。3、手术治疗,容易引发术后并发症。

3、目前的超声技术对痛风结晶非常敏感,传统超声治疗仪只有控制没有实时效果监测,更不智能给出适合个人的最佳超声处方的缺点,同时单一、适应性差、治疗效果不佳,因此,亟需一种基于人工智能算法的穿戴式痛风超声治疗系统。

技术实现思路

1、本发明的目的是提供一种基于人工智能算法的穿戴式痛风超声治疗系统,提高了超声治疗仪的治疗效率和适应性。

2、本发明提供了一种基于人工智能算法的穿戴式痛风超声治疗系统,包括:

3、数据采集模块,用于获取目标对象的历史痛风病例样本;

4、特征提取模块,用于从历史痛风病例样本中提取目标对象使用超声处方作用前后的特征数据,所述超声处方是指通过穿戴式超声治疗设备控制振幅、频率而产生的超声能量;

5、预测训练模块,用于将提取到的特征数据输入全连接神经网络进行训练,得到训练好的全连接神经网络,能够对不同超声处方下的血液增速和疼痛值进行预测;

6、优化输出模块,用于根据预测出的血液增速和疼痛值选出与每个目标对象适配的最佳目标超声处方结果。

7、作为优选地,所述超声处方包括超声阵列能量聚焦类型、能量聚焦深度和能量作用面,其中,所述能量聚焦类型包括预设间隔点状、预设间隔点连点状、预设间隔的连续状及随机散点状;所述能量聚焦深度包括一个或多个超声振源产生能量叠加生成的能量聚焦深度;所述能量作用面包括平面、凸面、凹面、弧面及与目标位置相适配的面。

8、作为优选地,所述特征提取模块还包括:

9、所述历史痛风病例样本对应的使用超声处方作用前后的特征数据包括目标对象的所在地区、性别、年龄、血液流速、血液含氧量、超声处方种类、超声处方使用时间/次数、血液增速及疼痛值,其中,超声处方种类包括正弦波、方波、三角波及与超声能量作用范围、面积和深度相关的声波。

10、作为优选地,所述特征提取模块还包括:

11、标签设定模块,用于获取超声处方作用前的初始血液流速、血液含氧量及疼痛值;获取超声处方作用后预设时间的血液流速、血液含氧量及疼痛值;分别计算初始血液流速、血液含氧量及疼痛值与作用后的血液流速、血液含氧量及疼痛值的差值,基于差值信息得出作用后的血液流速的增长率/血液增速和疼痛下降率/疼痛值;

12、数据预处理模块,对步骤一获取的数据集和实际结果标签进行归一化处理,将输入层的实际输入数据值和输出层的标签数据限定在0~1之间。

13、作为优选地,所述预测训练模块还包括:

14、构建全连接神经网络,x=(x1,...,xn)作为第一层输入层的实际输入向量,h=(h1...,hm)作为第二层隐藏层的输出向量,y=(y1,y2)作为第三层输出层的预测输出结果,a=(aij)n×m为输入层至隐藏层的权重矩阵,b=(bjk)m×2为隐藏层至输出层的权重矩阵,c=(c1,...,cm)为隐藏层的偏置向量,d=(d1,d2)为输出层的偏置向量;配置relu函数为隐藏层的激活函数;配置sigmoid函数为输出层的激活函数;最大迭代训练次数为max_epochs;停止训练的误差阈值为ε;网络的标签为yo=(r1,r2);

15、其中,x1…xn代表提取的特征数据;n为输入层含有的神经元个数;m为隐藏层含有的神经元个数;y1、y2分别代表预测的血液增速和疼痛值,aij为输入层第i个神经元至隐藏层的第j个神经元的权重参数值;bjk为隐藏层的第j个神经元至输出层第k个神经元的权重参数值,r1,r2分别代表实际血液增速和疼痛值。

16、作为优选地,所述预测训练模块还包括:

17、网络初始化,初始化的参数包括输入层到隐藏层的权重矩阵a;隐藏层到输出层的权重矩阵b;隐藏层的偏置向量c;输出层的偏置向量d;设定学习率为1e-4;

18、计算隐藏层的输出,计算方法如下式中,r(·)为隐藏层的激活函数,选择relu函数作为隐藏层的激活函数,其函数表达式为r(t)=max(0,t),式中,t表示激活函数的输入,r(t)表示激活函数的输出,apj为输入层第p个神经元至隐藏层的第j个神经元的权重参数值;xp指输入的特征元素,cj为隐藏层的偏置向量;

19、计算输出层的预测输出,计算方法如下式中,p(·)为输出层的激活函数,选择sigmoid函数作为输出层的激活函数,其函数定义式为式中,z表示激活函数的输入,p(z)表示激活函数的输出,dk为输出层的偏置向量,sigmoid函数将输出限定在0~1的范围内,bpk为隐藏层的第p个神经元至输出层第k个神经元的权重参数值;

20、将预测结果y和实际标签值y0的均方误差作为训练全连接神经网络的损失函数,损失函数的表达式为

21、根据自适应矩估计算法对全连接神经网络的参数进行更新,设定学习率为1e-4,最大迭代训练次数max_epochs为1000,通过自适应估计算法进行反向传播,更新输入层到隐藏层的权重矩阵a、隐藏层到输出层的权重矩阵b、隐藏层的偏置向量c、输出层的偏置向量d;

22、判断训练过程是否结束,若|l(y,yo)|>ε,则返回网络初始化,继续训练求解;若|l(y,y0)|≤ε,则结束训练过程;若当前训练次数达到最大训练次数max_epochs时,则结束训练过程;

23、确定更新的网络参数,保存训练结束后的网络参数,即确定输入层到隐藏层的权重矩阵a、隐藏层到输出层的权重矩阵b、隐藏层的偏置向量c、输出层的偏置向量d;根据以上步骤获取训练好的全连接神经网络,通过更新后的网络预测血液增速和疼痛值,并根据预测结果选择最佳的超声处方和使用时长。

24、作为优选地,所述优化输出模块包括:

25、根据超声处方对应的预测结果获取血液增速和在该血液增速下持续时间,生成统计列表,所述统计列表包括超声处方的使用时间、超声处方id、血液平均增速、使用时长和跟随使用时长变化的血液增量;

26、根据统计列表中的血液流量得到超声处方治疗效果得分,按得分排序后能够根据超声处方id全过程追踪数据;

27、其中,每个超声处方治疗效果得分=跟随使用时长变化的血液增量i nt,i nt=血液平均增速*使用时长。

28、作为优选地,所述优化输出模块包括:

29、通过穿戴式超声治疗仪检测目标对象使用超声处方前的血液流速;

30、从服务器下载更新对应的ai超声处方,所述ai超声处方为经过网络预测后适配目标对象的目标超声处方;

31、判断选择ai超声处方或者默认超声处方,若选择默认超声处方时,则采用默认的m套超声处方,该第一超声处方列表id=m套默认超声处方,或者,若选择ai超声处方时,判断是否存在n套ai超声处方,存在则采用n套ai超声处方,超声处方列表id=n套ai超声处方;

32、选取当前超声处方列表中方案对应的超声处方id,执行该id对应的超声操作,持续监测目标对象的血液流速和疼痛值生成监测结果,根据监测结果判断是否中断当前操作并选择超声处方id;

33、当中断当前操作,则将监测到的超声处方id、血液流速及疼痛值及中断标识上传服务器,启动重新选取列表中的方案,返回持续监测血液流速和疼痛值后继续判断是否中断;

34、当未中断当前操作,则判断当前方案是否结束,是则将当前监测到的数据上传服务器并更新超声处方;

35、遍历超声处方列表id直至操作结束,根据最大血液增速和持续时间,计算得出当前超声处方作用下的治疗效果得分。

36、作为优选地,所述穿戴式超声治疗设备包括:

37、柔性电路基板,所述柔性电路基板上分布有多个超声换能器单元形成不同组合的超声阵列;

38、超声换能器单元,所述超声换能器单元与所述柔性电路基板相连接,所述超声换能器单元包括多个超声换能器和与所述超声换能器形状相适配的超声换能器固定套,所述超声换能器固定套内侧设有电极,所述电极与所述柔性电路基板相连通,同时,每个所述超声换能器的电极汇聚到所述柔性电路基板上的总线集线盒与超声主机相连通;所述超声换能器包括超声换能器本体,所述超声换能器本体上表面设有通孔,所述超声换能器固定套套设在所述超声换能器上进行相互卡紧时,所述超声换能器本体与所述电极相连通,且所述超声换能器本体上设有防呆结构。

39、本发明还提供了一种可读存储介质,所述可读存储介质上存储有处理程序,所述处理程序被处理器执行时实现如下述步骤:获取目标对象的历史痛风病例样本;从历史痛风病例样本中提取目标对象使用超声处方作用前后的特征数据,所述超声处方是指通过穿戴式超声治疗设备控制振幅、频率而产生的超声能量;将提取到的特征数据输入全连接神经网络进行训练,得到训练好的全连接神经网络,能够对不同超声处方下的血液增速和疼痛值进行预测;根据预测出的血液增速和疼痛值选出与每个目标对象适配的最佳目标超声处方结果。

40、针对现有技术,本发明具有如下的有益效果:

41、本发明所提供的一种基于人工智能算法的穿戴式痛风超声治疗系统,面对尿酸结晶的不规则性和在关节处位置的不确定性,以多种变化组合的超声处方作为痛风超声治疗仪治疗基础,以人工智能模型、算法的核心,颠覆了传统超声治疗仪只有控制没有实时效果监测,更不智能给出适合个人的最佳治疗超声处方的缺点,同时单一、适应性差、治疗效果不佳的特点,针对痛风患者的尿酸结晶具有更强的针对性和适应性,预测最佳的治疗方案,大幅提升痛风治疗效果。

本文地址:https://www.jishuxx.com/zhuanli/20240615/85684.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。