[發(fā)明專利]一種基于物聯(lián)網(wǎng)的超聲骨科手術(shù)控制方法及控制系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201610994278.4
• 申請(qǐng)日: 2016-11-11
• 公開（公告）號(hào): CN106600545B
• 公開（公告）日: 2020-09-11
• 發(fā)明（設(shè)計(jì)）人: 韓曉東
• 申請(qǐng)（專利權(quán)）人: 韓曉東
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06K9/62;G05B19/042
• 代理公司: 北京一格知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11316
• 代理人: 滑春生;趙永偉

1.一種基于物聯(lián)網(wǎng)的超聲骨科手術(shù)控制系統(tǒng)，設(shè)置有主體；所述主體左側(cè)面由上到下依次設(shè)置有USB接口、揚(yáng)聲器和腳踏開關(guān)；所述主體斜面上設(shè)置有顯示器和控制鍵，且顯示器在控制鍵的右側(cè)；所述主體上端面設(shè)置有指示燈；所述主體右側(cè)面由上到下依次設(shè)置有無(wú)菌室和通風(fēng)孔；所述無(wú)菌室內(nèi)腔設(shè)置有手術(shù)設(shè)備；所述通風(fēng)孔左側(cè)設(shè)置有散熱扇，且散熱扇設(shè)置在主體內(nèi)腔中；其特征在于，該基于物聯(lián)網(wǎng)的超聲骨科手術(shù)控制系統(tǒng)還設(shè)置有單片機(jī)控制器；所述單片機(jī)控制器的輸出端分別與揚(yáng)聲器、散熱器、指示燈、顯示器和超聲發(fā)生模塊的輸入端電性連接；

所述單片機(jī)控制器的輸入端分別與腳踏開關(guān)、控制鍵和電源模塊的輸出端電性連接；所述單片機(jī)控制器分別與數(shù)據(jù)存儲(chǔ)模塊、圖像采集處理模塊、紅外檢測(cè)模塊、超聲檢測(cè)模塊和無(wú)線射頻收發(fā)模塊電性連接；所述無(wú)線射頻收發(fā)模塊通過(guò)GPRS網(wǎng)絡(luò)與外部設(shè)備連接；

所述主體的底部與萬(wàn)向輪通過(guò)底座連接，且萬(wàn)向輪上安裝有剎車片；所述腳踏開關(guān)為多檔位設(shè)計(jì)的功能開關(guān)；所述顯示器具體為L(zhǎng)ED顯示器；所述主體內(nèi)腔底部固定有主機(jī)箱；所述無(wú)菌室右側(cè)設(shè)置有與無(wú)菌室匹配的滑動(dòng)門；所述外部設(shè)備包括手機(jī)或電腦具有網(wǎng)絡(luò)連接功能的電子產(chǎn)品；所述電源模塊設(shè)置有UPS不間斷電源設(shè)備；所述超聲發(fā)生模塊的輸出端與手術(shù)設(shè)備的輸入端連接；所述指示燈至少為兩個(gè)；

所述基于物聯(lián)網(wǎng)的超聲骨科手術(shù)控制系統(tǒng)的控制方法包括：

通過(guò)控制鍵或外部設(shè)備對(duì)單片機(jī)控制器下達(dá)指令；

單片機(jī)控制器對(duì)超聲發(fā)生模塊傳輸相應(yīng)的數(shù)據(jù)，超聲發(fā)生模塊產(chǎn)生設(shè)定的超聲波并傳輸?shù)绞中g(shù)設(shè)備；

通過(guò)腳踏開關(guān)調(diào)節(jié)超聲波強(qiáng)度；通過(guò)圖像采集處理模塊、紅外檢測(cè)模塊和超聲檢測(cè)模塊同時(shí)對(duì)手術(shù)過(guò)程實(shí)時(shí)檢測(cè)和對(duì)檢測(cè)的數(shù)據(jù)進(jìn)行處理；對(duì)整個(gè)手術(shù)過(guò)程中檢測(cè)和處理的數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)存儲(chǔ)模塊中；

無(wú)線射頻收發(fā)模塊通過(guò)GPRS網(wǎng)絡(luò)將數(shù)據(jù)傳輸至外部設(shè)備，同時(shí)通過(guò)顯示器顯示出來(lái)；并通過(guò)指示燈和揚(yáng)聲器在手術(shù)過(guò)程中做出不同的提示；

圖像采集處理模塊的數(shù)據(jù)處理方法包括：

步驟一、訓(xùn)練子集選擇與生成：通過(guò)獲得若干組觀察數(shù)據(jù)與所屬類別的信息作為算法模型建立的依據(jù)，每一條信息稱為一個(gè)訓(xùn)練樣本，若干訓(xùn)練樣本組成訓(xùn)練集；若訓(xùn)練樣本有k類，k≥2；則依據(jù)訓(xùn)練樣本類別，由兩類樣本組成個(gè)訓(xùn)練子集，訓(xùn)練子集X_n表示為：

X_n＝{{X_i},{X_j}}，

其中，且i≠j,{x_i}和{x_j}分別表示訓(xùn)練集中第i和第j類樣本的集合；

步驟二、分類器判別模型的生成：利用訓(xùn)練子集X_n生成分類器判別模型y_n＝f_n(X)；具體包括：

1)求X_n中i，j兩類樣本的均值和

2)求類內(nèi)散度矩陣S_wn：

其中是的轉(zhuǎn)置矩陣；

3)求類間散度矩陣S_bn：

4)求投影方向W_n：

W_n＝S_wn^-1·S_bn；

5)求分類器判別閾值w_0n：

則得訓(xùn)練子集X_n對(duì)應(yīng)的判別模型：y_n＝f_n(X)＝W_n·X-w_0n；

6)按照步驟1)至步驟5)的方法求出每個(gè)訓(xùn)練子集對(duì)應(yīng)的分類器判別模型，生成個(gè)分類器，形成分類器組，其中第n個(gè)分類器表示為：

步驟三、非線性連續(xù)型函數(shù)映射：

利用非線性連續(xù)函數(shù)對(duì)分類器組輸出y_n進(jìn)行映射，若為第n個(gè)分類器輸出的非線性映射，令為：

其中a是為增強(qiáng)算法泛化性能而引入的松弛變量；若分類器組由k個(gè)分類器組成，則Y＝{y₁*,y₂*,···,y_k*}為數(shù)據(jù)預(yù)處理結(jié)果。