[發(fā)明專利]一種多模態(tài)激光干眼治療儀波長(zhǎng)控制方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202210249225.5
• 申請(qǐng)日: 2022-03-14
• 公開（公告）號(hào): CN114613492B
• 公開（公告）日: 2023-08-08
• 發(fā)明（設(shè)計(jì)）人: 屈劍鋒;柴毅
• 申請(qǐng)（專利權(quán)）人: 重慶大學(xué)
• 主分類號(hào): G16H50/20
• 分類號(hào): G16H50/20;G16H50/30;G06N3/06;G06N3/084;A61N5/067
• 代理公司: 重慶智慧之源知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 50234
• 代理人: 高彬

1.一種多模態(tài)激光干眼治療儀波長(zhǎng)控制方法，其特征在于：包括以下步驟：

S1：數(shù)據(jù)采集：采集患者數(shù)據(jù)，包括患者膚色、角質(zhì)層厚度、疼痛忍受度；

S2：數(shù)據(jù)輸入：將采集的患者數(shù)據(jù)輸入至基于深度學(xué)習(xí)的干眼數(shù)據(jù)預(yù)測(cè)模型中進(jìn)行處理；干眼數(shù)據(jù)預(yù)測(cè)模型的建立具體包括以下步驟：

S2.1：樣本標(biāo)定：樣本采用已處理的各個(gè)患者的相關(guān)數(shù)據(jù)，相關(guān)數(shù)據(jù)包括患者膚色、角質(zhì)層厚度、疼痛忍受度、治療時(shí)強(qiáng)脈沖激光中各個(gè)子脈沖的持續(xù)時(shí)間以及強(qiáng)脈沖激光中各個(gè)子脈沖的能量強(qiáng)度；對(duì)治療效果達(dá)到預(yù)期效果的樣本進(jìn)行標(biāo)定，治療效果未達(dá)到預(yù)期效果的樣本不進(jìn)行標(biāo)定；

S2.2：輸入量和輸出量的確認(rèn)：將患者膚色、角質(zhì)層厚度、疼痛忍受度作為輸入量，將治療時(shí)強(qiáng)脈沖激光中各個(gè)子脈沖的持續(xù)時(shí)間以及強(qiáng)脈沖激光中各個(gè)子脈沖的能量強(qiáng)度作為輸出量；

S2.3：訓(xùn)練數(shù)據(jù)集生成：將標(biāo)定樣本中的各個(gè)患者的患者膚色、角質(zhì)層厚度和疼痛忍受度嵌入圖片的RGB分量，轉(zhuǎn)換為信息圖像；對(duì)信息圖像進(jìn)行預(yù)處理，同一圖片大小，生成目標(biāo)信息片段，作為訓(xùn)練數(shù)據(jù)集；

S2.4：建立基于DBN結(jié)構(gòu)的干眼數(shù)據(jù)預(yù)測(cè)模型：采用深度置信網(wǎng)絡(luò)作為干眼數(shù)據(jù)預(yù)測(cè)模型的算法，深度置信網(wǎng)絡(luò)包括多個(gè)RBM模型，每個(gè)RBM模型包括一個(gè)可見層和一個(gè)雙向連接的隱藏層，將訓(xùn)練數(shù)據(jù)集作為第一個(gè)RBM模型的輸入向量，對(duì)第一個(gè)RBM模型進(jìn)行訓(xùn)練；將訓(xùn)練完成的第一個(gè)RBM模型的隱藏層作為第二個(gè)RBM模型的可見層的輸入向量，繼續(xù)對(duì)第二個(gè)RBM模型進(jìn)行訓(xùn)練；將訓(xùn)練完成的第二個(gè)RBM模型的隱藏層作為第三個(gè)RBM模型的可見層的輸入向量，繼續(xù)對(duì)第三個(gè)RBM模型進(jìn)行訓(xùn)練；依次訓(xùn)練，直到全部RBM模型訓(xùn)練完成，最后一個(gè)RBM模型的隱藏層連接到輸出層，輸出預(yù)測(cè)結(jié)果；

每個(gè)RBM模型中包括n個(gè)可視層和m個(gè)隱藏層，將參數(shù)θ記為θ＝{a_i,b_j,w_ij}，其中w_ij表示連接權(quán)重；其中有：

v＝(v₁,v₂,…,v_i,…,v_n)為可視層狀態(tài)，v_i為第i個(gè)神經(jīng)元狀態(tài)；

h＝(h₁,h₂,…,h_j,…,h_m)為隱藏層狀態(tài)，h_j為第j個(gè)神經(jīng)元狀態(tài)；

a＝(a₁,a₂,…,a_i,…,a_n)為可視層偏置，a_i為第i個(gè)神經(jīng)元偏置；

b＝(b₁,b₂,…,b_j,…,b_m)為隱藏層偏置，b_j為第j個(gè)神經(jīng)元偏置；

RBM模型的能量函數(shù)為：

根據(jù)上述公式可知，函數(shù)值與可視層和隱藏層所有神經(jīng)元的值都有關(guān)，定義v和h的聯(lián)合概率密度為：

可視層的邊緣概率密度通過對(duì)所有隱藏層神經(jīng)元求和得到：

隱藏層的邊緣概率密度通過對(duì)所有可視層神經(jīng)元求和得到：

可視層中神經(jīng)元i被激活的概率為：

隱藏層中神經(jīng)元j被激活的概率為：

其中，σ(a_i+∑_jw_ijh_j)和σ(b_j+∑_iv_iw_ij)為激活函數(shù)；

以使可視層v的概率分布最大，即根據(jù)訓(xùn)練數(shù)據(jù)集，使下式似然函數(shù)最大化：

通過隨機(jī)梯度上升法求似然函數(shù)的最大值，對(duì)參數(shù)θ求偏導(dǎo)得到：

其中，v_ih_jp(h|v)表示數(shù)據(jù)分布p(h|v)的期望，v_ih_jmodel表示模型分布p(v,h)的期望；

根據(jù)對(duì)比散度算法，能夠得到權(quán)重和偏置的更新準(zhǔn)則如下：

Δω_ij＝α(v_ih_jp(h|v)-v_ih_jrecon)???????????????????(9)

Δa_i＝α(v_ip(h|v)-v_irecon)?????????????????????(10)

Δb_j＝α(h_jp(h|v)-h_jrecon)????????????????????(11)

其中，α表示學(xué)習(xí)率，v_ih_jrecon、v_irecon和h_jrecon分別表示重構(gòu)模型分布下p(v，h)、p(v)和p(h)的期望；

根據(jù)更新后的權(quán)重和偏置，得到更新后的參數(shù)θ；

S2.5：參數(shù)調(diào)整：在無監(jiān)督學(xué)習(xí)過程完成之后，根據(jù)附加在網(wǎng)絡(luò)頂層的標(biāo)簽，對(duì)DBN結(jié)構(gòu)進(jìn)行有監(jiān)督的聯(lián)合訓(xùn)練，根據(jù)預(yù)測(cè)結(jié)果對(duì)所有網(wǎng)絡(luò)層結(jié)構(gòu)的參數(shù)進(jìn)行微調(diào)，形成干眼數(shù)據(jù)預(yù)測(cè)模型；

S3：數(shù)據(jù)輸出：干眼數(shù)據(jù)預(yù)測(cè)模型輸出強(qiáng)脈沖激光的相關(guān)信息；包括強(qiáng)脈沖激光中各個(gè)子脈沖的持續(xù)時(shí)間以及強(qiáng)脈沖激光中各個(gè)子脈沖的能量強(qiáng)度；

S4：根據(jù)干眼數(shù)據(jù)預(yù)測(cè)模型生成的各子脈沖的持續(xù)時(shí)間和能量強(qiáng)度生成強(qiáng)脈沖激光的波長(zhǎng)以及選擇強(qiáng)脈沖激光的能量波形組合，并且至少選擇兩種波形；波形包括三種，其中兩種為主要治療波形，另一種為輔助治療波形，三種波形的周期能量強(qiáng)度分別為w₁，w₂，w₃，其中w₃表示輔助治療波形的周期能量強(qiáng)度；三種周期能量強(qiáng)度根據(jù)以下公式計(jì)算得出：

其中，h_j為子脈沖能量強(qiáng)度，τ_j為子脈沖持續(xù)時(shí)間，n為周期子脈沖個(gè)數(shù)；

波形的選擇公式為：w＝αw₁+βw₂+ηw₃

其中，w為預(yù)測(cè)的周期能量總強(qiáng)度，η大于0，α、β大于等于0并不能同時(shí)為0，根據(jù)患者膚色、角質(zhì)層厚度、疼痛忍受度以及專家知識(shí)，確定各個(gè)波形的權(quán)重；

S5：應(yīng)用到強(qiáng)脈沖激光干眼治療儀：將至少兩種強(qiáng)脈沖激光的組合信息應(yīng)用到強(qiáng)脈沖激光干眼治療儀中，使強(qiáng)脈沖激光干眼治療儀射出的至少兩種強(qiáng)脈沖激光。