一种医疗影像设备控制方法、系统和设备与流程

1.本说明书涉及计算机领域，特别涉及一种医疗影像设备控制方法和系统。


背景技术：

2.在用于疾病诊断或研究目的的非侵入性扫描如电子计算机断层扫描(computed tomography，ct)、磁共振成像(magnetic resonance imaging，mri)、正电子发射计算机断层扫描(positron emission tomography，pet)等中，需要对人体进行扫描以获取扫描信息。但扫描过程中可能会发生各种突发状况需要及时停止扫描，例如，设备故障或受检者突然不适等。
3.因此需要一种能够根据实际情况快速反应的医疗影像设备控制方法和系统以克服上述问题。


技术实现要素：

4.本说明书实施例之一提供一种医疗影像设备控制方法。所述方法包括：
5.获取监测数据，所述监测数据包括：扫描环境的环境数据和/或扫描对象的生理数据；基于对所述监测数据的处理，确定所述扫描对象的情绪类型，所述情绪类型包括正常状态和/或非正常状态；基于所述情绪类型，确定是否触发扫描停止。
6.本说明书实施例之一提供一种医疗影像设备控制系统，所述系统包括：获取模块，用于获取监测数据，所述监测数据包括：扫描环境的环境数据和/或扫描对象的生理数据；处理模块，用于基于对所述监测数据的处理，确定所述扫描对象的情绪类型，所述情绪类型包括正常状态和/或非正常状态；确定模块，用于基于所述情绪类型，确定是否触发扫描停止。
7.本说明书实施例之一提供一种医疗影像设备控制装置设备，包括：监测器，所述监测器被配置为获取监测数据，所述监测数据包括：扫描环境的环境数据和/或扫描对象的生理数据；处理器，所述处理器被配置为基于对所述监测数据的处理，确定所述扫描对象的情绪类型，所述情绪类型包括正常状态和/或非正常状态；触发开关，所述触发开关被配置为基于所述情绪类型，确定是否触发扫描停止。
8.本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行所述医疗影像设备控制方法。
9.通过本说明书一些实施例介绍的医疗影像设备控制方法，可以实现正常状态和紧急情况的精准判断，并在紧急情况下及时停止扫描；另外，基于联合训练得到的多个机器学习模型进行判断，可以简化模型训练，节省算力，增加判断结果的准确程度。
附图说明
10.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其
中：
11.图1是根据本说明书一些实施例所示的医疗影像设备控制系统的应用场景示意图；
12.图2是根据本说明书一些实施例所示的医疗影像设备控制系统的模块框图；
13.图3是根据本说明书一些实施例所示的医疗影像设备控制方法的示例性流程图；
14.图4是根据本说明书另一些实施例所示的触发扫描停止确定的示例性流程图；
15.图5是根据本说明书另一些实施例所示的情绪类型确定的示例性流程图；
16.图6是根据本说明书一些实施例所示的一种模型结构的示例性示意图；
17.图7是根据本说明书一些实施例所示的另一模型结构的示例性示意图；
18.图8是根据本说明书一些实施例所示的另一模型结构的示例性示意图。
具体实施方式
19.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
20.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
21.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
22.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
23.本说明书实施例涉及一种医疗影像设备控制方法、系统及存储介质。该医疗影像设备控制方法、系统及存储介质可以用于医疗影像设备，如ct扫描设备、计算机x线摄影(computed radiography，cr)设备、直接数字化x射线摄影(digital radiography，dr)设备、磁共振成像(magnetic resonance imaging，mri)设备等。在一些实施例中，该医疗影像设备控制方法、系统及存储介质可以用于其他领域，如工业设备控制、家用电器控制等领域。
24.图1是根据本说明书一些实施例所示的医疗影像设备控制系统的应用场景示意图。
25.医疗影像设备控制系统涉及的场景100可以如图1所示，在一些实施例中，医疗影像设备控制系统涉及的场景100中可以包括信号采集装置110、网络120、扫描设备130、处理设备140以及存储设备150。该场景100中的多个组件之间可以通过网络120互相连接。例如，
信号采集装置110和扫描设备130可以通过网络120连接或通信。又例如，信号采集装置110和处理设备140可以通过网络120连接或通信。
1.信号采集装置110可以用于获取扫描对象的各种物理信息。在一些实施例中，扫描对象可以包括生物对象和/或非生物对象。例如，扫描对象可以是有生命或无生命的有机和/或无机物质。
2.在一些实施例中，信号采集装置110可以包括心电检测装置111、脑电检测装置112、声音检测装置113等。在一些实施例中，心电检测装置111可以包括心电监测仪、可穿戴心电监护装置、智能腕表、手环、心电贴等。在一些实施例中，脑电检测装置112可以包括可穿戴脑电监测仪等。在一些实施例中，声音检测装置可以包括麦克风、噪声测试仪等。
3.网络120可以包括能够促进场景100的信息和/或数据交换的任何合适的网络。在一些实施例中，场景100的至少一个组件(例如，信号采集装置110、扫描设备130、处理设备140、存储设备150)可以通过网络120与场景100中至少一个其他组件交换信息和/或数据。例如，处理设备140可以通过网络120从信号采集装置110获取扫描对象的扫描数据或扫描图像。在一些实施例中，网络120可以包括至少一个网络接入点。例如，网络120可以包括有线和/或无线网络接入点，例如基站和/或互联网交换点，场景100的至少一个组件可以通过接入点连接到网络120以交换数据和/或信息。
4.扫描设备130可以是用于疾病诊断或研究目的的成像装置。扫描设备130对检测区域或扫描区域内的扫描对象进行扫描，得到该扫描对象的扫描数据。在一些实施例中，扫描设备130可以包括单模态扫描仪131和/或多模态扫描仪132。单模态扫描仪131可以包括例如超声波(ultrasound，us)扫描仪、x射线扫描仪、计算机断层扫描(computed tomography，ct)扫描仪、核磁共振成像(magnetic resonance imaging，mri)扫描仪、正电子发射计算机断层扫描(positron emission computed tomography，pet)扫描仪、光学相干断层扫描(optical coherence tomography，oct)扫描仪、血管内超声(intravenous ultrasound，ivus)扫描仪、近红外光谱(near infrared spectrum，nirs)扫描仪、远红外(far infrared，fir)扫描仪等，或其任意组合。多模态扫描仪132可以包括例如x射线成像-核磁共振成像(x-ray-magnetic resonance imaging，x射线-mri)扫描仪、正电子发射断层扫描-x射线成像(positron emission computed tomography-x-ray，pet-x射线)扫描仪、单光子发射计算机断层扫描-核磁共振成像(single photon emission computed tomography-magnetic resonance imaging，spect-mri)扫描仪、正电子发射断层扫描-计算机断层摄影(positron emission computed tomography-computed tomography，pet-ct)扫描仪、数字减影血管造影-核磁共振成像(digital subtraction angiography-magnetic resonance imaging，dsa-mri)扫描仪等。在一些实施例中，信号采集装置110可以集成在扫描设备130上，或者信号采集装置110与扫描设备130通过同一实体实现其功能。上面提供的扫描设备仅用于说明目的，而无意限制本说明书的范围。
5.处理设备140可以处理从信号采集装置110、扫描设备130、存储设备150或场景100的其他组件获得的数据和/或信息。例如，处理设备140可以从扫描设备130中获取断层扫描图像、pet扫描图像等，并对其进行分析处理。又例如，处理设备140可以获取扫描设备130的扫描图像、扫描时间等扫描数据。还例如，处理设备140可以判断信号采集装置110获取的信息是否异常，并基于判断结果执行对应操作。在一些实施例中，处理设备140可以是本地或
远程的。例如，处理设备140可以通过网络120从信号采集装置110、扫描设备130和/或存储设备150访问信息和/或数据。
6.在一些实施例中，处理设备140可以为信号采集装置110或扫描设备130的一部分。例如，处理设备140可以集成在扫描设备130和/或扫描设备130的工作站内，用于控制扫描设备130的扫描行为、处理扫描数据、确定扫描对象在扫描区域中的目标位置、扫描图像数据中的异常数据以及推荐扫描协议等。
7.存储设备150可以存储数据、指令和/或任何其他信息。例如，存储设备150可以存储扫描设备130获取的扫描图像及其相关信息等。在一些实施例中，存储设备150可以存储从信号采集装置110、扫描设备130和/或处理设备140获得的数据，如扫描图像、扫描时间、患者信息等数据。在一些实施例中，存储设备150可以存储处理设备140用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。
8.在一些实施例中，存储设备150可以连接到网络120以与场景100中的至少一个其他组件(例如，信号采集装置110、扫描设备130、处理设备140)通信。场景100中的至少一个组件可以通过网络120访问存储设备150中存储的数据(例如，扫描对象的扫描图像、信息数据等)。在一些实施例中，存储设备150可以是处理设备140的一部分。
9.应当注意医疗影像设备控制系统涉及的场景100仅仅是为了说明的目的而提供的，并不意图限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，场景100还可以包括信息源。又例如，场景100可以在其它设备上实现类似或不同的功能。然而，这些变化和修改不会背离本说明书的范围。
10.图2是根据本说明书一些实施例所示的医疗影像设备控制系统的模块框图。如图2所示，系统200包括获取模块210、处理模块220和确定模块230。在一些实施例中，系统200对应的功能可以由处理设备140执行，如获取模块210、处理模块220和确定模块230可以为处理设备140中的模块。
11.获取模块210可以用于获取监测数据，所述监测数据包括：扫描环境的环境数据和/或扫描对象的生理数据。
12.处理模块220可以基于对所述监测数据的处理，确定所述扫描对象的情绪类型，所述情绪类型包括正常状态和/或非正常状态。
13.确定模块230可以用于基于情绪类型，确定是否触发扫描停止。
14.应当理解，图2所示的系统200及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。
15.需要注意的是，以上对于系统200及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接，如获取模块210、处理模块220和确定模块230的各项功能可以在同一模块上实现，或由多个模块共同实现以上模块的功能。
16.图3是根据本说明书一些实施例所示的医疗影像设备控制方法的示例性流程图。如图3所示，流程300包括以下步骤。在一些实施例中，流程300可以由处理设备140执行，例如，由处理设备140内的相应模块执行。
17.步骤310，获取监测数据。在一些实施例中，该步骤310可以由获取模块210执行。
18.监测数据是指需要监控其变化情况的数据。在一些实施例中，监测数据可以包括扫描环境的环境数据中的至少一种和/或扫描对象的生理数据中的至少一种。
19.在一些实施例中，监测数据可以基于相应的信号采集装置获取，例如麦克风、心电监测设备、脑电监测设备、温度传感器、湿度传感器等部件。监测数据还可以通过网络、存储设备调用获取。
20.扫描环境可以是扫描设备(如ct扫描设备)在扫描过程中所处的物理环境，例如，ct扫描室。扫描环境需要为医疗影像设备提供合适的物理环境，例如，温度、湿度、磁场、电压、声音等物理参数需要为扫描设备进行合理配置。
21.扫描环境的环境数据可以是与扫描环境相关的任何信息，例如，在扫描过程中，传感器采集到的扫描环境内的声音分贝数、温度、湿度、光线强度等。在一些实施例中，扫描环境的环境数据可以基于内部通讯系统(intercom)的麦克风、温度计、湿度计等获取。
22.扫描对象可以是扫描过程中涉及的生物对象和/或非生物对象的整体或部位。例如，扫描对象可以是有生命或无生命的有机和/或无机物质，或部位如头部、耳鼻、颈部、胸部、腹部、肝胆胰脾、肾脏、脊柱等。
23.生理数据可以是反映生理、生物特征的数据。
24.扫描对象的生理数据可以是反映扫描对象生理特征的数据。在一些实施例中，当扫描对象为人体时，扫描对象的生理数据可以包括心电信号、脑电信号、肌电信号、血压信号等数据。在一些实施例中，扫描对象的生理数据可以通过心电监测仪、可穿戴心电监护装置、智能腕表、手环、心电贴、脑电监测仪等获取。在一些实施例中，当扫描对象为非生物对象时，扫描对象的生理数据可以是模拟的以上生理数据。在一些实施例中，模拟的以上生理数据可以通过网络、或通过对应的生物对象生理数据获取。
25.在一些实施例中，监测数据还包括：扫描对象的基本信息中的至少一种和/或病历信息中的至少一种。
26.基本信息可以是与扫描对象个体自身相关的信息。例如，扫描对象的年龄、性别、身高、体重等信息。
27.病历信息可以是与扫描对象病灶相关的消息。例如，扫描对象的病史、就医情况、当前诊断情况等信息。
28.步骤320，基于对监测数据的处理，确定扫描对象的情绪类型。在一些实施例中，该步骤320可以由处理模块220执行。
29.情绪类型可以是反映扫描对象个体心理情绪状况的类型。可以通过处理模块220对监测数据处理以确定扫描对象个体的情绪类型。在一些实施例中，情绪类型包括正常状态及非正常状态中的至少一种。在一些实施例中，情绪类型还可以包括正常状态或非正常状态的概率，如情绪类型为正常状态，对应概率为95％，情绪类型为非正常状态，对应概率为5％。在一些实施例中，可以通过多种方式确定扫描对象的情绪类型，例如，通过概率大小确定扫描对象当前情绪类型。如确定概率更大的情绪类型为扫描对象的情绪类型，若情绪类型为正常状态，对应概率为95％，情绪类型为非正常状态，对应概率为5％，此时情绪类型为正常状态的概率更大，则当前扫描对象的情绪类型为正常状态。
30.正常状态是指扫描对象的情绪为不影响扫描进行的状态，例如，可以是扫描对象个体情绪稳定、冷静的状态。如当扫描对象个体的心电信号、脑电信号稳定，或波动较小时，
且扫描环境的声音数据反映无异常声音，则判断其处于正常状态。在一些实施例中，可以默认扫描对象的情绪类型为正常状态。
31.非正常状态是指扫描对象的情绪可能影响扫描进行的状态，例如，可以是扫描个体情绪波动较大、暴躁、紧张的状态，或身体不适的非健康状态。如当扫描对象个体的心电信号、脑电信号不稳定，波动较大时，或扫描环境的声音数据反映有异常声音如尖叫、嘶吼、撞击声等，判断其处于非正常状态。
32.在一些实施例中，监测数据的处理通过处理设备完成，针对不同监测数据对应不同的处理方法。例如，对于心电/脑电信号，通过判断其对应的心电/脑电图波动情况获取心电/脑电数据的波动情况，当波动超过预设阈值时，判断其处于非正常状态。再例如，对于环境数据中的声音数据，通过监测其分贝大小、频率、声音持续时间等信息判断声音数据是否异常，如当分贝大小超过预设阈值时，判断其处于非正常状态。
33.在一些实施例中，对于心电/脑电数据、声音数据等监测数据都处于正常状态的情况下，判断扫描对象也处于正常状态；对于心电/脑电数据、声音数据等监测数据至少一个处于非正常状态的情况下，判断扫描对象处于非正常状态。关于确定扫描对象的情绪类型的更多说明参见图4及其对应内容。
34.步骤330，基于情绪类型，确定是否触发扫描停止。在一些实施例中，该步骤330可以由确定模块230执行。
35.扫描停止可以是用于停止扫描设备运行的功能。在一些实施例中，扫描停止基于机械按键进行，例如，急停按钮、estop按钮等。在一些实施例中，扫描停止可以基于触发相应的控制指令进行。响应于以上按键按下、控制指令被触发，通过电气控制等手段将控制信号发往扫描设备，扫描设备立刻停止工作，保持原状或恢复初始状态。在一些实施例中，扫描停止可以通过软件、判断模型等自动触发，也可以人工触发。关于自动触发的具体描述，参见图4及其相关描述。
36.在一些实施例中，可以基于情绪类型为正常状态或非正常状态，确定是否通过电气触发扫描停止。例如，当情绪类型为正常状态时，扫描设备继续工作；当情绪类型为非正常状态时，扫描停止自动触发，扫描设备响应于扫描停止触发而停止工作。在一些实施例中，可以基于情绪类型为正常状态或非正常状态的概率是否大于阈值，确定是否通过电气触发扫描停止。例如，当情绪类型为正常状态的概率为96％大于预设阈值95％，则扫描设备继续工作；当情绪类型为非正常状态的概率为90％大于预设阈值80％，则通过电气触发扫描停止。
37.本说明书一些实施例基于被扫描对象的情绪变化情况，判断被扫描对象是否可能发生危险受到伤害，进而确定扫描设备工作是否立即停止。对于突发紧急情况，可以在扫描设备操作者反应不及时的情况下及时止损，同时避免对被扫描对象的二次伤害。
38.应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，流程300还可以包括其他步骤。
39.图4是根据本说明书另一些实施例所示的触发扫描停止确定的示例性流程图。如图4所示，流程400包括以下步骤。在一些实施例中，流程400可以由处理设备140执行，例如，
由处理设备140内的相应模块如处理模块220执行。
40.步骤410，基于判断模型处理监测数据，确定扫描对象的情绪类型。
41.在一些实施例中，监测数据可以基于模型处理以确定扫描对象的情绪类型，例如，通过判断模型确定扫描对象的情绪类型。
42.判断模型可以是卷积神经网络(convolutional neural networks,cnn)或其他机器学习模型。判断模型的输入可以是监测数据，输出可以是扫描对象的情绪类型。在一些实施例中，判断模型可以基于大量带有标识的训练样本训练得到。在一些实施例中，训练样本可以是观看恐怖电影、游玩游乐园的感官刺激项目、受伤时产生的尖叫嘶吼等声音数据和心电/脑电数据，标签可以是正常状态和非正常状态，标签可以基于人工标注获取。在一些实施例中，判断模型可以由一个或多个模型共同实现，例如，判断模型可以为多个模型组合而成，关于判断模型的进一步说明，参见图5及其相关说明。
43.在一些实施例中，基于判断模型处理监测数据，以确定扫描对象的情绪类型，基于所述情绪类型，确定是否触发扫描停止。例如，对判断模型输入声音、心电/脑电数据等监测数据，输出扫描对象的情绪类型为正常状态、非正常状态以及对应的概率，响应于扫描对象的情绪类型为非正常状态或非正常状态概率大于预设阈值，则触发扫描停止。
44.在一些实施例中，还可以基于其他方法确定是否触发扫描停止，例如，可以采取如下步骤：
45.步骤420，获取判断模型输出的第一置信度，并判断置信度是否满足预设条件；第一置信度是指扫描对象的情绪类型为预设情绪类型的置信度。
46.在一些实施例中，判断模型还可以输出与扫描对象情绪类型相关的置信度。置信度可以是指扫描对象处于某一情绪类型的概率的可信程度。在一些实施例中，置信度直接表示扫描对象处于某一情绪类型的概率。例如，判断模型输出扫描对象为非正常状态的置信度为90％，表示扫描对象处于惊恐状态的可信程度或概率为90％。在一些实施例中，置信度可以包括第一置信度和第二置信度，第一置信度表示当前情绪类型为预设情绪类型(如非正常状态)的置信度，第二置信度表示当前情绪类型为非预设情绪类型(如正常状态)的置信度。
47.预设情绪类型可以是扫描对象可能处于的情绪类型，例如，正常状态和非正常状态。在一些实施例中，为了便于直接对异常情况的监控，可以将非正常状态作为预设情绪类型。
48.在一些实施例中，通过向判断模型输入声音、心电/脑电等监测数据，可以输出扫描对象当前情绪类型为某一情绪类型的置信度。
49.预设条件可以是判定某一情绪类型是否为非正常状态的限制条件。在一些实施例中，预设条件可以包括预设的置信度阈值，例如95％、80％等。
50.在一些实施例中，当第一置信度的数值满足预设条件时，如第一置信度大于95％，执行步骤440；当第一置信度的数值不满足预设条件时，如第一置信度小于95％，执行步骤430。在一些实施例中，第二置信度的数值也可以用于执行步骤的判断，当第二置信度的数值满足预设条件时，如第二置信度小于50％，执行步骤440；当第二置信度的数值不满足预设条件时，如第二置信度大于50％，执行步骤430。
51.步骤430，若第一置信度不满足预设条件，则将发送提醒信息给操作员。
52.操作员可以是控制扫描设备的任何人员，如医生、研究员、设备维护人员等。
53.提醒信息是指用于警示操作员的所有信息。例如，文字、图像、声音、振动等信息。在一些实施例中，当判断第一置信度不满足预设条件，提醒信息可以在扫描设备的控制界面以文字、图像等形式直接体现，或发出警报声与振动，或通过网络发送以上内容到操作员使用的如手机、电脑等终端设备上。操作员基于提醒信息判断是否需要触发扫描停止，若操作员触发扫描停止，系统通过电气触发扫描停止。反之，操作员可以关闭提醒或等待提醒自动关闭。在一些实施例中，第二置信度的判断也可以用于该步骤。
54.步骤440，若第一置信度满足预设条件，则触发扫描停止。在一些实施例中，第二置信度的判断也可以用于该步骤。
55.在一些实施例中，医疗影像设备控制系统可以包括触发开关，所述开关与医疗影像设备控制系统的其他部件串联。当触发开关接收到表示扫描停止的指令时，触发开关立刻断开，使扫描设备停止工作，或恢复初始状态。在一些实施例中，触发开关可以是一个由软件控制的常闭继电器。
56.通过流程400中一些实施例所述的方法，医疗影像设备控制系统可以基于扫描对象的情绪类型判断当前是否为异常情况，若能够明确判断当前情况为异常情况，则自动停止扫描，若当前判断模棱两可，则交由操作员判断是否为异常情况。通过以上流程实现设备基于当前情况的精确控制，减少了在紧急情况下扫描设备没有自动停止，或在正常情况下扫描设备错误停止的可能性。
57.应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，流程400还可以包括其他步骤。
58.图5是根据本说明书另一些实施例所示的情绪类型确定的示例性流程图。如图5所示，流程500包括以下步骤。在一些实施例中，流程500可以由处理设备140执行，例如，由处理设备140内的相应模块如处理模块220执行。
59.步骤510，基于第一判断模型处理声音数据，确定扫描对象的第一情绪类型。
60.第一判断模型可以是用于判断声音数据的模型。在一些实施例中，第一判断模型可以是深度神经网络模型、卷积神经网络模型等。第一判断模型可以输入声音数据，输出扫描对象第一情绪类型。
61.第一情绪类型可以是通过声音判断得到的情绪类型。第一情绪类型可以包括正常状态和非正常状态。
62.在一些实施例中，第一判断模型可以通过带有标签的声音数据训练得到，例如通过观看恐怖电影产生的尖叫声、游乐园的感官刺激项目的尖叫声、受伤者痛苦的嘶吼声等声音数据训练得到。通过将带有标签的声音数据输入模型，基于标签和第一判断模型的结果构建损失函数，基于损失函数迭代更新第一判断模型的参数。当初始第一判断模型的损失函数满足预设条件时模型训练完成，得到训练好的第一判断模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。标签可以是正常状态和非正常状态。在一些实施例中，标签可以通过人工标注获取。
63.在一些实施例中，训练样本可以包括第一训练集和第一验证集。第一训练集可以
用于训练第一判断模型；第一验证集可以用于在训练完毕后对第一判断模型进行验证；响应于验证失败，随机更改第一判断模型结构并对换若干训练集和验证集，再进行训练。例如，在训练完第一判断模型后，使用验证集对该模型进行验证，若验证结果低于某一阈值，则更改第一判断模型结构，可以修改某一层或是多层的卷积核的大小(如3x3改为4x4)，对换若干训练集和验证集，再进行训练。
64.步骤520，基于第二判断模型处理生理数据，确定扫描对象的第二情绪类型。
65.第二判断模型可以是用于判断心电/脑电数据的模型。在一些实施例中，第二判断模型可以是深度神经网络模型、卷积神经网络模型等。第二判断模型可以输入心电/脑电数据，输出扫描对象第二情绪类型。
66.第二情绪类型可以是通过心电/脑电数据判断得到的预设情绪类型。第二情绪类型可以包括正常状态和非正常状态。
67.在一些实施例中，第二判断模型可以通过带有标签的心电/脑电数据训练得到，例如通过在紧张状态下波动较大的心电/脑电数据、在受伤状态下波动较大的心电/脑电数据等训练得到。第二判断模型可以采用与第一判断模型相同的训练方法，其中，区别在于第二判断模型中输入的训练数据为带有标签的生理数据(如带有标签的心电/脑电数据)，而第一判断模型中输入的训练数据为带有标签的声音数据。
68.在一些实施例中，训练样本可以包括第二训练集和第二验证集。第二训练集可以用于训练第二判断模型；第二验证集可以用于在训练完毕后对第二判断模型进行验证；响应于验证失败，随机更改第二判断模型结构并对换若干训练集和验证集，再进行训练。例如，在训练完第二判断模型后，使用验证集对该模型进行验证，若验证结果低于某一阈值，则更改第二判断模型结构，可以修改某一层或是多层的卷积核的大小(如3x3改为4x4)，对换若干训练集和验证集，再进行训练。
69.步骤510和步骤520文字描述的先后顺序并不能对本说明书公开的技术方案构成限定，在不违背本说明书技术方案的前提下，步骤510和步骤520可以任意调换顺序进行，也可以同时进行。
70.步骤530，基于第一情绪类型、第二情绪类型和初始情绪类型，确定扫描对象的情绪类型，所述初始情绪类型通过所述扫描对象的生理数据确定。
71.初始情绪类型可以是扫描对象在接受扫描之前的最初情绪类型。初始情绪类型可以包括正常状态和非正常状态。
72.在一些实施例中，扫描对象的情绪类型可以是基于第一情绪类型和第二情绪类型综合判断的结果。例如，第一情绪类型是通过声音数据反馈用户的情绪类型，第二情绪类型是通过心电/脑电数据反馈用户的情绪类型，扫描对象的情绪类型是基于以上内容综合判断得到。
73.在一些实施例中，当第一情绪类型为正常状态，第二情绪类型为正常状态时，确定扫描对象的情绪类型为正常状态；当第一情绪类型、第二情绪类型中至少一个为非正常状态时，确定扫描对象的情绪类型为非正常状态。例如，扫描对象在遇到危险情况时没有发出尖叫声，但心电/脑电信号产生非常大的波动，则判断其处于非正常状态。
74.在一些实施例中，扫描对象的情绪类型可以是基于第一情绪类型、第二情绪类型和初始情绪类型综合判断的结果。例如，通过生理数据判断扫描对象的初始情绪类型为非
正常状态，则无论扫描对象在扫描过程中是否发出尖叫声、心电/脑电信号是否产生较大波动，均判断其处于非正常状态。
75.通过判断模型，基于对用户的监测数据判断其是否处于紧急情况，可以基于机器学习得到更精确的判断结果；另外，基于多种监测数据综合判断，并基于用户初始状态对判断结果进行修正，可以提高判断的准确率。
76.应当注意的是，上述有关流程500的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程500进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，流程500还可以包括其他步骤。
77.在一些实施例中，判断模型可以通过图6的模型结构600呈现。
78.如图6所示，第一判断模型603的输入可以是声音数据601，输出可以是第一概率605。
79.第一概率可以是基于声音数据判断的扫描对象处于某一情绪类型的概率。例如，通过声音数据得到扫描对象处于正常状态的概率是95％。在一些实施例中，第一概率可以是扫描对象处于某一情绪类型的置信度，如第一置信度和第二置信度。
80.如图6所示，第二判断模型604的输入可以是生理数据602，输出可以是第二概率606。
81.第二概率可以是基于生理数据判断的扫描对象处于某一情绪类型的概率。例如，通过生理数据得到扫描对象处于正常状态的概率是95％。在一些实施例中，第二概率可以是扫描对象处于某一情绪类型的置信度，如第一置信度和第二置信度。
82.如图6所示，通过对第一概率605和第二概率606进行综合处理可以得到第三概率607。
83.第三概率可以是基于监测数据综合判断的扫描对象处于某一情绪类型的概率。例如，基于监测数据综合判断的得到扫描对象处于正常状态的概率是95％。在一些实施例中，第三概率可以是扫描对象处于某一情绪类型的置信度，如第一置信度和第二置信度。
84.在一些实施例中，若第一概率对应的情绪类型与第二概率对应的情绪类型不相同，则所述综合处理可以包括换算步骤和处理步骤，换算步骤是指将第一概率和第二概率换算为同一情绪类型下的概率，如当第一概率为正常状态的概率，第二概率为非正常状态的概率，则换算步骤为1减去第一概率，或1减去第二概率；处理步骤可以是第三概率通过第一概率和第二概率求平均值、加权平均、取最大值得到，例如，预设条件为非正常状态的概率为95％，向第一判断模型输入声音数据，输出非正常状态的概率为20％，向第二判断模型输入生理数据，输出非正常状态的概率为96％，由于96％＞95％＞20％，则第三概率取最大值96％，且根据第三概率通过电气触发扫描停止。
85.在一些实施例中，第三概率的获取可以通过模型实现，例如，可以基于第三判断模型对第一概率和第二概率的处理得到第三概率，关于该实施例的具体描述，参见图7及其相关描述。
86.关于图6中的第一判断模型和第二判断模型训练的说明，参见图5及其相关描述，此处不再赘述。
87.在一些实施例中，判断模型还可以通过图7的模型结构700呈现。例如，判断模型包
括第一判断模型603、第二判断模型604和第三判断模型708。
88.如图7所示，第一判断模型603的输入可以是声音数据601，输出可以是第一概率605；第二判断模型604的输入可以是生理数据602，输出可以是第二概率606。关于第一判断模型603和第二判断模型604的说明，参见图6及其相关描述。第三判断模型708的输入可以是第一概率605和第二概率606，输出可以是第三概率607。
89.在一些实施例中，第一判断模型和第二判断模型的输出可以作为第三判断模型的输入。
90.第三判断模型可以是用于基于第一概率和第二概率确定第三概率的模型。
91.在一些实施例中，第一判断模型、第二判断模型和第三判断模型可以通过分步训练或联合训练得到。
92.关于第一判断模型、第二判断模型分布训练的具体描述，参见图5及其相关描述。
93.在一些实施例中，第三判断模型可以通过基于每种监测数据下处于某一情绪类型对应的概率训练得到，例如通过基于声音数据判断的正常状态概率、基于声音数据判断的非正常状态概率、基于生理数据判断的正常状态概率和基于生理数据判断的非正常状态概率等训练得到。通过将以上数据输入模型，基于标签和第三判断模型的结果构建损失函数，基于损失函数迭代更新第三判断模型的参数。当初始第三判断模型的损失函数满足预设条件时模型训练完成，得到训练好的第三判断模型。其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。标签可以是正常状态和非正常状态的概率。在一些实施例中，标签可以通过人工标注获取。
94.在一些实施例中，第一判断模型、第二判断模型和第三判断模型可以通过联合训练得到。例如，联合训练的样本包括声音数据、生理数据等监控数据，标签为正常状态和非正常状态的概率。将声音数据输入第一判断模型，将生理数据输入第二判断模型，分别输出第一概率和第二概率；将第一概率和第二概率输入第三判断模型，基于第三判断模型输出的第三概率和标签构建损失函数，并基于损失函数同时更新第一判断模型、第二判断模型和第三判断模型的参数，得到训练好的第一判断模型、第二判断模型和第三判断模型。
95.本说明书一些实施例通过联合训练得到第一判断模型、第二判断模型和第三判断模型。通过这种方式简化了模型的训练，节省了模型的训练时间，减轻了模型训练的工作量，减少了多个模型训练的总的步骤，使得模型的训练可以关注于最后的结果，即第三概率，而不需要关注单个模型输出的中间结果；另外，能够解决正常状态和非正常状态的概率作为标签不易获得的问题。
96.在一些实施例中，判断模型可以通过图8的模型结构800呈现。判断模型可以包括第一提取模型803、第二提取模型804和处理模型808。通过在判断模型中建立特征提取模型与特征处理模型，实现对特征的判断。
97.如图8所示，第一提取模型803的输入可以是声音数据601，输出可以是声音特征805。声音特征805是指与声音相关的物理特征，如声音的响度、频率、波长等物理特征。
98.第一提取模型可以是用于从声音数据中提取声音特征的模型。例如，从尖叫声、嘶吼声中提取声音的响度、频率、波长等特征。
99.如图8所示，第二提取模型804的输入可以是生理数据602，输出可以是生理特征806。生理特征806是指与生理相关的物理特征，如心电/脑电信号的波峰、波长、周期等特
征。
100.第二提取模型可以是用于从生理数据中提取生理特征的模型。例如，从脑电信号、心电信号中提取波峰、波长、周期等特征。
101.如图8所示，处理模型808的输入可以是声音特征805和生理特征806，输出可以是第三概率607。第三概率607为基于声音数据、生理数据综合判断的扫描对象处于某一情绪类型的概率。
102.处理模型可以是用于基于检测数据特征确定第三概率的模型。例如，基于声音波长、声音频率、心电/脑电频率、心电/脑电波长等特征确定第三概率。
103.在一些实施例中，第一提取模型和第二提取模型的输出可以作为处理模型的输入。
104.在一些实施例中，第一提取模型、第二提取模型和处理模型可以通过联合训练得到。例如，联合训练的样本包括声音数据、生理数据、声音特征、生理特征，标签为正常状态的概率和/或非正常状态的概率。将声音数据输入第一提取模型，将生理数据输入第二提取模型，将声音特征和生理特征输入处理模型，基于处理模型输出的第三概率和标签构建损失函数，并基于损失函数同时更新第一提取模型、第二提取模型和处理模型的参数，得到训练好的第一提取模型、第二提取模型和处理模型。
105.通过提取各类监控数据特征，并将所有特征输入同一处理模型，可以得到不同类型监控数据，如声音特征与生理特征之间的关系，将此关系纳入第三概率确定的考量范围，可以得到更贴近真实情况的判断结果。
106.在一些实施例中，判断模型还可以通过其他模型结构实现。例如，将第一判断模型、第二判断模型、第三判断模型的功能集中在同一模型实现，或将第一提取模型、第二提取模型、处理模型的功能集中在同一模型实现。以上实施例仅仅是为了示例和说明，而不限定本说明书的适用范围。
107.在一些实施例中，可以通过将基于时序的连续的声音数据、生理数据输入以上模型，确定扫描对象的情绪类型。例如，每0.02秒记录一次扫描对象的声音数据和生理数据得到数据集，将数据集中的声音数据输入第一判断模型，输出第一概率的数据集；将数据集中的生理数据输入第二判断模型，输出第二概率的数据集；基于以上第一概率的数据集和第二概率的数据集通过第三判断模型判断扫描对象情绪类型，所述扫描对象情绪类型可以由属于预设情绪类型的第三概率、置信度等方式体现。在一些实施例中，第一概率的数据集和第二概率的数据集可以反映声音数据和生理数据的变化规律，通过将该变化规律输入第三判断模型，可以预测扫描对象情绪类型。
108.通过将连续的声音数据、生理数据输入模型，可以使模型学习到声音数据和生理数据在正常状态下的正常变化，从而在非正常状态下，能够排除这种正常变化带来的干扰，使判断结果更准确。
109.本说明书一些实施例还公开了一种医疗影像设备控制装置，该装置包括处理器以及存储器；存储器用于存储指令，该指令被所述处理器执行时，导致该装置实现所述医疗影像设备控制方法。
110.本说明书一些实施例还公开了一种医疗影像设备控制设备，包括：监测器，所述监测器被配置为获取监测数据，所述监测数据包括：扫描环境的环境数据和/或扫描对象的生
理数据；处理器，所述处理器被配置为基于对所述监测数据的处理，确定所述扫描对象的情绪类型，所述情绪类型包括正常状态和/或非正常状态；触发开关，所述触发开关被配置为基于所述情绪类型，确定是否触发扫描停止。
111.本说明书一些实施例还公开了一种计算机可读存储介质，该存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行所述医疗影像设备控制方法。
112.通过本说明书一些实施例介绍的医疗影像设备控制方法，可以实现正常状态和紧急情况的精准判断，并在紧急情况下及时停止扫描；另外，基于联合训练得到的多个机器学习模型进行判断，可以简化模型训练，节省算力，增加判断结果的准确程度。
113.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
114.同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
115.此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
116.同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
117.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
118.针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、
定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
119.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。