[發明專利]一種基于互聯網的泌尿外科體外碎石機控制方法

在審

• 申請號: 201710943688.0
• 申請日: 2017-10-11
• 公開（公告）號: CN107633873A
• 公開（公告）日: 2018-01-26
• 發明（設計）人: 丁才學
• 申請（專利權）人: 丁才學
• 主分類號: G16H20/40
• 分類號: G16H20/40;G16H40/60;G06T7/00;G06T7/73
• 代理公司: 北京國坤專利代理事務所(普通合伙)11491
• 代理人: 趙紅霞

1.一種基于互聯網的泌尿外科體外碎石機控制方法，其特征在于，所述基于互聯網的泌尿外科體外碎石機控制方法包括以下步驟：

步驟一，用B超探頭對人體進行掃描，采集B超探頭的切面探測影像數據，并將該影像呈現在接入互聯網的計算機上；

所述計算機信號間干擾關系分析方法包括以下步驟：

(1)確定干擾信號在無線信號領域上的若干特征參數CP，并基于特征參數形成對應的干擾空間模型，基于建立的干擾空間模型，確定待分析的干擾信號特征矢量與參照信號特征矢量

(2)基于干擾空間模型，針對干擾信號特征矢量定義對參照信號特征矢量的位移矢量

(3)定義位移矢量在干擾空間中對某個維度坐標軸的投影，為干擾信號特征矢量到參照信號特征矢量在該CP維度上的距離，即有：

其中PRJ(·)算子表示針對某一CP維度的投影運算；

(4)定義干擾信號對參照信號的干擾狀態為S，用以表示干擾信號對參照信號的干擾關系；

S(VI→,VS→)=0∃CPi,dCPi,(I,S)≥ΔCPi1∀CPi,dCPi,(I,S)<ΔCPi;]]>

(5)在已經形成干擾的前提下，首先需要選取并確定干擾作用參數EP，對于干擾信號而言，參數通常為信號功率p或者能量e；

(6)定義干擾信號對參照信號的干擾程度為G，用以衡量干擾信號對參照信號的干擾影響程度；

所述方法進一步包括：對于干擾信號和參照信號各自包含若干干擾特征矢量的多模情況，此時的干擾狀態S(V_I，V_S)，如下計算：

其中S[V_I，V_S]_M×N被稱為干擾狀態矩陣，矩陣中的每個元素表示V_I中的第k個特征矢量和V_S中的第l個特征矢量的干擾狀態，只有兩個特征矢量集合中每個元素都不干擾時，S(V_I，V_S)＞0干擾信號才不對參照信號形成干擾；反之，S(V_I，V_S)＞0，此時干擾信號將對參照信號形成干擾；

所述B超探頭的圖像獲取中投影數據計算目標圖像的迭代模型，所述迭代模型的公式表示為：

Xi=Xi-1+(Gi-1-Mi-1·Xi-1)·Mi-1T·λ(Mi-1·Mi-1);]]>

其中，X為所述目標圖像，M為系統矩陣，G為所述投影數據，i表示迭代次數，X_i表示第i次迭代后得到的迭代結果；λ表示收斂系數，且λ∈(0,1)，M T表示對矩陣M的轉置；設置所述目標圖像的初始值，并根據預先設置的迭代次數利用所述迭代模型對所述目標圖像中的每個像素點進行迭代更新，獲取所述目標圖像，所述迭代模型中的像素點的當前灰度值與前次迭代的灰度值一致逼近；所述將目標圖像中灰度值小于0的像素點置零；

步驟二，當掃描到人體上的結石顯示在顯示單元上的某一位置上時，通過輸入單元將結石在掃描切面上的位置信息輸入給中央處理單元進行鎖定；

所述顯示單元利用多個混合參數和多幅載體圖像來隱藏一幅圖像，通過運用圖像的多重混合嵌入技術將圖像信息嵌入到數字圖像系統的時變參數中，對數字圖像系統建立數學模型，運用迭代學習辨識方法在有限時間區間上對時變參數的完全估計這一重要特性，實現數字圖像系統的圖像信息的完全重建，實驗數值結果表明，運用迭代學習辨識方法能夠完全恢復出隱藏圖像，并且通過大量的實驗測試了所提出方法抵抗JPEG壓縮、剪切、噪聲和中值濾波幾何攻擊的能力；

記原始圖像G為θ(t)序列，加密后為圖像G′為x(t)序列，載體圖像組F_i(i＝1,2,…,n)為w_i(t)序列,i＝1,2,…,n，混合圖像S_n為y(t)，則系統表示為：

x(t+1)=f(x(t),θ(t),t)y1(t)=g(x(t),t)y(t)=h(y1(t),t);]]>

t∈{0,1,2...N},x(t)∈Rⁿ,θ(t)∈R¹；y¹(t)∈R¹；y(t)∈R¹,非線性函數f(x(t),θ(t),t)表示原始圖像加密的函數，非線性函數g(x(t),t)表示加密后的圖像和載體圖像一次迭代混合函數，h(y¹(t),t)表示n重迭代混合后的函數，當參數真值為θ^*(t)時，寫成：

x*(t+1)=f(x*(t),θ*(t),t)y1(t)=g(x*(t),t)y*(t)=h(y1(t),t);]]>

用于估計θ^*(t)的迭代學習辨識系統為:

xk(t+1)=f(xk(t),θk(t),t)yk1(t)=g(xk(t),t)yk(t)=h(yk1(t),t);]]>

式中，k為迭代次數，每次迭代時的初值相同，假設f關于x、θ的偏導數，及g關于x的偏導數，以及h關于g的偏導數存在，記：

Dk(t)=∂h(yk1(t),t)∂g(xk(t),t)|g(xk(t),t)=ξk(t)ξk(t)=(1-σ1)g(x*(t),t)+σ1g(xk(t),t),0<σ1<1]]>

Ck(t)=∂g(xk(t),t)∂xk(t)|xk(t)=ξk(t)ξk(t)=(1-σ2)x*(t)+σ2xk(t),0<σ2<1;]]>

Ak(t)=∂f(xk(t),θk(t),t)∂xk(t)|xk(t)=ξk(t)ζk(t)=(1-σ3)x*(t)+σ3xk(t),0<σ3<1;]]>

η_k(t)＝(1-σ₄)θ^*(t)+σ₄θ_k(t)，0＜σ₄＜1；并記其界為C_D,C_C，C_A，C_B；

若：

-1≤ρ+CM′·CBCAλ-CA<1;]]>

其中ρ的取值為:

||1-γ_k(t)D_k(t+1)C_k(t+1)B_k(t)||≤ρ＜1；

||γ_kD_k(t)C_k(t)-γ_kD_k(t+1)C_k(t+1)A_k(t)||≤C_M'；

則當k→∞時，θ_k(t)在區間{0,1,…,N}上收斂于θ^*(t)；

證明：

根據微分中值定理：

=θ~k(t)-γk{Dk(t+1)[g(xd(t+1),t+1)-g(xk(t+1),t+1)]-Dk(t)[g(xd(t),t)-g(xk(t),t)]}=θ~k(t)-γk{Dk(t+1)Ck(t+1)[f(xd(t),θd(t),t)-f(xk(t),θk(t),t)]-Dk(t)Ck(t)[xd(t)-xk(t)]}=θ~k(t)-γk{Dk(t+1)Ck(t+1){Ak(t)[xd(t)-xk(t)]+Bk(t)[θd(t)-θk(t)]}-Dk(t)Ck(t)[xd(t)-xk(t)]}=θ~k(t)-γk{Dk(t+1)Ck(t+1){Ak(t)x~k(t)+Bk(t)θ~k(t)}-Dk(t)Ck(t)x~k(t)}=θ~k(t)-γkDk(t+1)Ck(t+1)Bk(t)θ~k-γkDk(t+1)Ck(t+1)Ak(t)x~k(t)+γkDk(t)Ck(t)x~k(t)=[1-γkDk(t+1)Ck(t+1)Bk(t)]θ~k(t)-γkDk(t+1)Ck(t+1)Ak(t)x~k(t)+γkDk(t)Ck(t)x~k(t)=ρθ~k(t)-γkDk(t+1)Ck(t+1)Ak(t)x~k(t)+γkDk(t)Ck(t)x~k(t)=ρθ~k(t)+[γkDk(t)Ck(t)-γkDk(t+1)Ck(t+1)Ak(t)]x~k(t)]]>

記：M'_k＝γ_kD_k(t)C_k(t)-γ_kD_k(t+1)C_k(t+1)A_k(t)；

得到：

兩端取λ范數：

記||M'_k||_λ≤C_M'把式(16)代入(30)得到：

不等式可寫成：

||θ~k+1(t)||λ≤ρ||θ~k(t)||λ+CM′·CBCAλ-CA||θ~k(t)||λ;]]>

因為0≤ρ≤1取λ足夠大，則：

limk→∞||θ~k(t)||λ=0;]]>

所述中央處理單元通過迭代學習辨識方法獲得的時變參數θ_k(t)的一組圖像序列，再按照原始圖像的像素比率重構出隱藏的圖像，對于被恢復的隱藏圖像和混合圖像仍然可以采用均方根誤差來反映他們的誤差，利用峰值信噪比來度量他們的客觀保真度，載體圖像F和混合圖像S的均方根誤差為：

RMSE=[1MNΣi=1MΣj=1N[F(i,j)-S(i,j)]2]12;]]>

均方根誤差越小，說明兩個圖像越相似，其中載體圖像F的圖像大小為M×M,圖像S的大小為N×N；

圖像F和混合圖像的峰值信噪比PSNR為：

PSNR=10lg(M×N×2552Σi=1MΣj=1N(F(i,j)-S(i,j))2);]]>

峰值信噪比PSNR作為衡量圖像客觀保真度的準則，它的值越大，說明圖像混合的保真度越高，選取三幅混合圖像、三個混個參數實現原始圖像的隱藏，數字圖像恢復系統的狀態表達式為：

x(t+1)=(λ+θ(t))x(t)(1-x(t))y1(t)=α1w1(t)+(1-α1)x(t)y2(t)=α2w2(t)+(1-α2)y1(t)y3(t)=α3w3(t)+(1-α3)y2(t)y(t)=y3(t);]]>

實驗時，取λ＝3.65，初值x_k(0)＝0.47，原始圖像θ(t)為灰度圖像，載體圖像w₁(t)、w₂(t)、w₃(t)為兩幅不同點的灰度圖像，經過4次混合隱藏后得到混合圖像，y^*(t)；

根據式α_i+1＝μ′α_i(1-α_i)，設參數μ'＝3.82，初值α₁＝0.75，在Logistic映射的迭代下所產生的混沌序列為{α_i}，從中選取實驗參數序列；

依據收斂性充分條件確定的學習增益為：

γk(t)=1(β1β2β3)xk(t)(1-xk(t));]]>

式中,β_i＝1-α_i,i＝1,2，為檢驗算法性能，定義指標函數為

步驟三，中央處理單元根據人體上的結石在掃描切面上的位置信息和碎石機的波源焦點位置信息計算出二者之間的空間距離和運動重合軌跡；

步驟四，根據人體上的結石與碎石機的波源焦點之間的空間距離和運動重合軌跡，中央處理單元驅動動力裝置上述二者按照運動重合軌跡做相對運動，獲得結石準確位置；

步驟五，確定結石的尺寸、確定結石的類型或者確定結石的尺寸與類型兩者；選擇用于產生聲波波形的聲頻的幅值，聲頻的幅值是基于結石的尺寸進行選擇；

步驟六，使用聲波驅動器來產生聲波波形；使用超聲波驅動器來產生具有超聲波頻率的超聲波波形；

步驟七，經由波導軸將聲波波形和超聲波波形傳輸到結石準確位置，進行破碎。