一种基于深度学习的物表清洁训练方法、系统及装置
本技术涉及医疗环境物表检测领域，具体涉及一种基于深度学习的物表清洁训练方法、系统及装置。
背景技术：
1、环境物表清洁是指消除环境表面污物的过程。对于医疗机构而言，环境物表包括建筑物内部表面、医疗器械、常用设备等，例如门、玻璃窗、地面、监护仪、桌面等。环境物表的清洁程度关系到医院环境的安全，医疗环境物表污染是引起医疗感染的重要原因之一。在传统的清洁方式中，清洁工作者根据主观判断清洁操作中采用清洁力度和清洁程度。但是，当环境物表不存在可见污垢时，清洁效果容易受到清洁工作者对感染控制的重视程度、工作经验等主观因素的影响，进而容易出现环境物表存在残留的无法用肉眼观察的污垢，导致患者感染风险的增大。例如当清洁工作者对感染控制的重视程度低、工作经验不足负责完成环境物表的清洁工作时，容易出现清洁力度不足以消除环境表面污物的现象。
技术实现思路
1、本发明的目的在于解决如何辅助清洁工作者判断清洁力度是否足以使环境物表的清洁效果符合清洁标准的技术问题，提供了一种基于深度学习的物表清洁训练方法、系统及装置。
2、根据本发明的第一方面，本发明请求保护一种基于深度学习的物表清洁训练方法，包括：
3、s1：获取目标清洁对象的目标清洁区域的第一类别，得到第一目标类别；其中，所述第一类别包括材质类别；
4、s2：通过压力获取装置获取将要使用的第一清洁力度；
5、s3：根据所述第一目标类别和所述第一清洁力度得到清洁结果，所述结果包括所述第一清洁力度是否符合清洁标准；
6、s4：根据所述清洁结果判断是否需要调整所述第一清洁力度，若所述第一清洁力度不符合清洁标准，调整所述第一清洁力度，返回步骤s2，若所述第一清洁力度符合清洁标准，将所述第一清洁力度作为目标清洁力度。
7、在本技术一实施例中，在所述根据所述第一目标类别和所述第一清洁力度得到清洁结果之前，还包括获取所述目标清洁区域的第二类别，得到第二目标类别；其中，所述第二类别用于表示所述目标清洁区域存在污垢的风险程度；在所述根据所述第一目标类别和所述第一清洁力度输入得到清洁结果之中，还包括根据所述第一目标类别、所述第二目标类别和所述第一清洁力度得到所述清洁结果。
8、在本技术一实施例中，所述第二类别包括第一子类别和第二子类别，所述第一子类别用于表示所述目标清洁区域的接触频率，所述第二子类别用于表示所述目标清洁区域存在污垢的概率，在所述获取所述目标清洁区域的第二类别之中，还包括：
9、获取所述目标清洁区域的所述第一子类别，得到第一目标子类别；
10、获取历史清洁记录中所述目标清洁区域存在可见污垢的次数，得到参考清洁次数；
11、获取历史清洁记录中所述目标清洁区域的清洁总次数；
12、根据所述参考清洁次数和所述清洁总次数的比值获取所述目标清洁区域的所述第二子类别，得到第二目标子类别；
13、根据所述第一目标子类别和所述第二目标子类别得到所述第二目标类别。
14、在本技术一实施例中，在所述根据所述第一目标类别、所述第二目标类别和所述第一清洁力度得到所述清洁结果之中，还包括：
15、根据所述第一目标类别和所述第一清洁力度得到所述目标清洁区域的预测清洁率；
16、根据所述第一目标类别查询第一数据库，以得到所述目标清洁区域的标准清洁率；
17、根据所述标准清洁率和所述第二目标类别得到目标清洁率；
18、对比所述预测清洁率和所述目标清洁率，若所述预测清洁率不小于所述目标清洁率，所述第一清洁力度符合清洁标准；若所述预测清洁率小于所述目标清洁率，所述第一清洁力度不符合清洁标准。
19、在本技术一实施例中，在所述根据所述第一目标类别和所述第一清洁力度得到所述目标清洁区域的预测清洁率之中，还包括：
20、获取所有环境物表中所有清洁区域对应的所述第一类别，得到第一参考类别；
21、根据每一所述第一参考类别采集多个实验样本；
22、对每一实验样本进行荧光标记，采集荧光标记所在位置的图像得到第一图像；
23、分别采用大小不同的清洁力对每一实验样本进行清洁操作，通过压力获取装置获取对应的清洁力的大小，得到第二清洁力度；
24、获取完成清洁操作后每一实验样本上荧光标记所在位置的图像，得到对应的第二图像；
25、根据所述第一图像与所述第二图像的差异得到对应实验样本的实际清洁率；
26、根据每一实验样本对应的所述第一参考类别、所述第二清洁力度和所述实际清洁率得到对应的样本数据，根据所有所述样本数据训练清洁率预测模型；
27、将所述第一目标类别和所述第一清洁力度输入训练好的所述清洁率预测模型，得到所述预测清洁率。
28、在本技术一实施例中，在所述根据所述第一图像与所述第二图像的差异得到对应实验样本的实际清洁率之中，还包括：
29、获取所述第一图像中荧光标记所在位置，得到第一标记位置。
30、根据所述第二图像中荧光标记所在位置对每一所述第一标记位置设置清洁标签，得到所述实际清洁率；其中，所述清洁标签包括第一清洁标签和第二清洁标签，所述第一清洁标签用于表示所述第一标记位置在所述第二图像中不存在荧光标记，所述第二清洁标签用于表示所述第一标记位置在所述第二图像中存在荧光标记；
31、在所述将所述第一目标类别和所述第一清洁力度输入训练好的所述清洁率预测模型之中，还包括：
32、根据所述第一清洁力度获取压力获取装置上每一位置在清洁操作过程中受到清洁力的变化序列，得到第一清洁子力度；
33、将每一所述第一清洁子力度和所述第一目标类别输入所述清洁率预测模型，得到对应位置的预测清洁标签；
34、计算所有所述预测清洁标签中所述第一清洁标签的占比得到所述预测清洁率。
35、在本技术一实施例中，在所述根据所述标准清洁率和所述第二目标类别得到目标清洁率之中，还包括：
36、根据所述第一目标子类别查询第二数据库得到第一权重，根据所述第一权重和所述标准清洁率的乘积计算得到第一目标子清洁率；
37、根据所述第二目标子类别计算得到所述第二目标子清洁率，所述第二目标子清洁率的计算方法包括：
38、；
39、其中，r为所述第二目标子清洁率，r1为所述标准清洁率，r2为最高清洁率，f1为所述参考清洁次数，f为所述清洁总次数；
40、根据所述第一目标子清洁率和所述第二目标子清洁率计算得到所述目标清洁率。
41、在本技术一实施例中，所述最高清洁率的获取方法包括：
42、获取历史清洁记录中所述第一类别与所述第一目标类别相同的清洁区域，得到第一参考清洁区域；
43、获取所述第一参考清洁区域的所述预测清洁率，得到第一参考清洁率；
44、获取所述样本数据中所述第一参考类别与所述第一目标类别相同的实验样本，得到第二参考清洁区域；
45、获取所述第二参考清洁区域的所述实际清洁率，得到第二参考清洁率；
46、取所有所述第一参考清洁率、所有所述第二参考清洁率和所述目标清洁区域的所述预测清洁率中的最大值得到所述最高清洁率。
47、根据本发明的第二方面，本发明请求保护一种基于深度学习的物表清洁训练系统，包括：
48、第一获取模块，所述第一获取模块用于获取目标清洁对象的目标清洁区域的第一类别，得到第一目标类别；其中，所述第一类别包括材质类别；
49、第二获取模块，所述第二获取模块用于获取将要使用的第一清洁力度；
50、第一处理模块，所述第一处理模块用于根据所述第一目标类别和所述第一清洁力度得到清洁结果，所述结果包括所述第一清洁力度是否符合清洁标准；
51、第一判断模块，所述第一判断模块用于根据所述清洁结果判断是否需要调整所述第一清洁力度，若所述第一清洁力度不符合清洁标准，调整所述第一清洁力度，所述第二获取模块重新获取调整后的所述第一清洁力度，若所述第一清洁力度符合清洁标准，将所述第一清洁力度作为目标清洁力度。
52、在本技术一实施例中，所述系统还包括第三获取模块，所述第三获取模块用于获取所述目标清洁区域的第二类别，得到第二目标类别；其中，所述第二类别用于表示所述目标清洁区域存在污垢的风险程度；所述第一处理模块还包括根据所述第一目标类别、所述第二目标类别和所述第一清洁力度得到所述清洁结果。
53、在本技术一实施例中，所述第二类别包括第一子类别和第二子类别，所述第一子类别用于表示所述目标清洁区域的接触频率，所述第二子类别用于表示所述目标清洁区域存在污垢的概率，所述第三获取模块还包括：
54、获取所述目标清洁区域的所述第一子类别，得到第一目标子类别；
55、获取历史清洁记录中所述目标清洁区域存在可见污垢的次数，得到参考清洁次数；
56、获取历史清洁记录中所述目标清洁区域的清洁总次数；
57、根据所述参考清洁次数和所述清洁总次数的比值获取所述目标清洁区域的所述第二子类别，得到第二目标子类别；
58、根据所述第一目标子类别和所述第二目标子类别得到所述第二目标类别。
59、在本技术一实施例中，所述第一处理模块包括第一处理子模块，所述第一处理子模块用于根据所述第一目标类别和所述第一清洁力度得到所述目标清洁区域的预测清洁率；根据所述第一目标类别查询第一数据库，以得到所述目标清洁区域的标准清洁率；根据所述标准清洁率和所述第二目标类别得到目标清洁率；对比所述预测清洁率和所述目标清洁率，若所述预测清洁率不小于所述目标清洁率，所述第一清洁力度符合清洁标准；若所述预测清洁率小于所述目标清洁率，所述第一清洁力度不符合清洁标准。
60、在本技术一实施例中，所述第一处理模块还包括第一训练子模块，所述第一训练子模块用于获取所有环境物表中所有清洁区域对应的所述第一类别，得到第一参考类别；根据每一所述第一参考类别采集多个实验样本；对每一实验样本进行荧光标记，采集荧光标记所在位置的图像得到第一图像；分别采用大小不同的清洁力对每一实验样本进行清洁操作，通过压力获取装置获取对应的清洁力的大小，得到第二清洁力度；获取完成清洁操作后每一实验样本上荧光标记所在位置的图像，得到对应的第二图像；根据所述第一图像与所述第二图像的差异得到对应实验样本的实际清洁率；根据每一实验样本对应的所述第一参考类别、所述第二清洁力度和所述实际清洁率得到对应的样本数据，根据所有所述样本数据训练清洁率预测模型；
61、所述第一处理子模块还包括将所述第一目标类别和所述第一清洁力度输入训练好的所述清洁率预测模型，得到所述预测清洁率。
62、在本技术一实施例中，所述第一训练子模块还包括：
63、获取所述第一图像中荧光标记所在位置，得到第一标记位置。
64、根据所述第二图像中荧光标记所在位置对每一所述第一标记位置设置清洁标签，得到所述实际清洁率；其中，所述清洁标签包括第一清洁标签和第二清洁标签，所述第一清洁标签用于表示所述第一标记位置在所述第二图像中不存在荧光标记，所述第二清洁标签用于表示所述第一标记位置在所述第二图像中存在荧光标记；
65、所述第一处理子模块还包括：
66、根据所述第一清洁力度获取压力获取装置上每一位置在清洁操作过程中受到清洁力的变化序列，得到第一清洁子力度；
67、将每一所述第一清洁子力度和所述第一目标类别输入所述清洁率预测模型，得到对应位置的预测清洁标签；
68、计算所有所述预测清洁标签中所述第一清洁标签的占比得到所述预测清洁率。
69、在本技术一实施例中，所述第一处理子模块还包括：
70、根据所述第一目标子类别查询第二数据库得到第一权重，根据所述第一权重和所述标准清洁率的乘积计算得到第一目标子清洁率；
71、根据所述第二目标子类别计算得到所述第二目标子清洁率，所述第二目标子清洁率的计算方法包括：
72、；
73、其中，r为所述第二目标子清洁率，r1为所述标准清洁率，r2为最高清洁率，f1为所述参考清洁次数，f为所述清洁总次数；
74、根据所述第一目标子清洁率和所述第二目标子清洁率计算得到所述目标清洁率。
75、在本技术一实施例中，所述第一处理子模块还包括：
76、获取历史清洁记录中所述第一类别与所述第一目标类别相同的清洁区域，得到第一参考清洁区域；
77、获取所述第一参考清洁区域的所述预测清洁率，得到第一参考清洁率；
78、获取所述样本数据中所述第一参考类别与所述第一目标类别相同的实验样本，得到第二参考清洁区域；
79、获取所述第二参考清洁区域的所述实际清洁率，得到第二参考清洁率；
80、取所有所述第一参考清洁率、所有所述第二参考清洁率和所述目标清洁区域的所述预测清洁率中的最大值得到所述最高清洁率。
81、根据本发明的第三方面，本发明请求保护一种基于深度学习的物表清洁训练装置，包括壳体、压力获取装置、处理器、存储器以及显示屏，所述压力获取装置用于获取将要使用的清洁力度的大小，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面所述方法中的步骤。
82、本技术具有以下有益效果：
83、1、在对医疗机构的环境物表进行清洁的过程中，通常采用物理吸附和化学溶解等方式完成清洁操作。对清洁目标施加压力能够有效提高清洁效果。但是，相同污垢在不同材质上的吸附力存在差异，进而导致使用同一压力对不同材质上的相同污垢进行清洁时，清洁效果存在差异。例如相较于粗糙材质而言，使用同一压力对光滑材质上的相同污垢进行清洁操作的清洁效果更好。在实际应用场景中，不同环境物表的材质存在差异，相同环境物表在不同区域的材质也存在差异。因此，清洁人员可以通过压力获取装置预先模拟清洁过程，根据清洁过程将要施加的压力和第一目标类别得到对应清洁操作的清洁效果是否符合清洁标准，以实现辅助清洁人员判断目标清洁区域所需的清洁压力。若清洁效果不符合清洁标准，则调整压力后重新输入所述第一清洁检测模型得到清洁结果，直到符合清洁标准，则完成一次对目标清洁类别的训练。在降低清洁不彻底的出现概率的同时引导清洁人员根据所述清洁结果调整第一清洁力度，获取符合清洁标准的最小清洁力度，以实现省力的技术效果。
84、2、在实际应用场景中，患者对不同环境物的接触概率不同，例如相较于灯具而言，患者接触门把手的概率更大，当灯具和门把手存在可能引起患者感染的污垢时，患者由于接触门把手引起感染的概率大于由于接触灯具引起感染的概率更大。因此，根据接触频率对所有环境物表的清洁区域进行分类，根据接触频率校正所述目标清洁区域的清洁结果，例如对于相同材质的接触区域，相较于接触频率低的清洁区域而言，接触频率越高的清洁区域需要达到清洁标准更高，对应在清洁过程中需要采用的清洁力更大，以实现辅助清洁人员在保证清洁效果符合清洁标准的前提下获取更加省力的清洁策略，提高清洁效率。
85、3、在实际应用场景中，患者对不同环境物的接触概率不同，例如相较于灯具而言，患者接触门把手的概率更大，当灯具和门把手存在可能引起患者感染的污垢时，患者由于接触门把手引起感染的概率大于由于接触灯具引起感染的概率更大。因此，根据接触频率对所有环境物表的清洁区域进行分类，根据接触频率校正所述目标清洁区域的清洁结果，例如对于相同材质的接触区域，相较于接触频率低的清洁区域而言，接触频率越高的清洁区域需要达到清洁标准更高，对应在清洁过程中需要采用的清洁力更大，以实现辅助清洁人员在保证清洁效果符合清洁标准的前提下获取更加省力的清洁策略，提高清洁效率。同时，除了由于患者、医护人员或其他人员直接接触或使用导致环境物表可能存在不可见污垢的情形以外，还可能由于血液、分泌物、排泄物、果汁和菜汤等喷溅造成环境物表存在污垢，接触频率小的区域也可能存在不可见污垢。特别的，在实际应用场景中，环境物表出现可见污垢后，患者或陪护人员会对可见污垢进行初步清洁，但由于缺少清洁的专业知识，存在残留等清洁不到位的概率大，在专业的清洁人员进行清洁过程中，对该区域的重视程度降低，进而导致该区域的清洁效果不符合清洁标准。因此，根据历史清洁过程中目标清洁区域出现可见污垢的频率作为衡量该区域存在由于喷溅等出现不可见污垢的概率，提高清洁效果。
86、4、每完成一次对目标清洁区域的清洁操作，需要根据目标清洁区域是否存在可见污垢更新所述目标清洁区域的所述参考清洁次数和所述清洁总次数，进而影响所述目标清洁区域对应的所述第二目标类别。当所述目标清洁区域的所述第二目标类别发生变化时，需要重新对所述第二清洁检测模型重新训练，耗费大量计算资源。因此，优先通过清洁率检测模型根据环境物表固定不变的材质类别完成对所述第一清洁力度对应的清洁操作的清洁率进行预测，得到所述预测清洁率。所述预测清洁率只会随着所述第一清洁力度和材质类别的改变而改变。所述第二目标类别用于对材质类别对应的标准清洁率进行校正，对于风险程度高的所述目标清洁区域，对应提高清洁标准，对于风险程度低的所述目标清洁区域，在保证清洁效果符合规范的前提下适当降低清洁标准，以减少由于实际清洁操作过程中目标清洁区域是否存在可见污垢而导致的模型反复训练的计算量。
87、5、清洁效果除了受到清洁过程中目标清洁区域的压力大小的影响，还会受到清洁操作的时长的影响。在清洁力的大小一致的前提下，清洁人员对目标清洁区域进行清洁操作的时长越长，清洁效果越好，尤其当清洁操作的时长过短时，清洁人员施加符合清洁要求的清洁力也仍然难以将目标清洁区域清洁到位。同时，在清洁过程中，不同位置在同一时刻受到的清洁力的大小可能不同，同一位置在不同时刻受到的清洁力大小也可能存在差异。因此，在训练过程中，根据清洁前后荧光标记图像的变化情况得到每一位置在经过对应的清洁操作后是否将对应位置的荧光标记清除，将每一位置在清洁过程中不同时刻受到的清洁力和对应位置的荧光标记的剩余情况作为样本数据，根据所有样本数据训练数据集，用于训练所述清洁率预测模型。在应用过程中，根据所述第一清洁力度中每一位置在不同时间内受到的清洁力度和所述第一目标类别判断对应位置经过该清洁操作后是否能将荧光标记清除，根据能够将荧光标记清除的位置数量和清洁操作位置覆盖总数量得到所述预测清除率，以实现对清洁操作覆盖范围内的每一位置是否符合清洁标准的预测，通过显示屏显示预测结果，辅助清洁人员调整清洁操作。同时，所述清洁率预测模型在训练过程中纳入了每一位置受到清洁力的时间信息，同时根据清洁力度和受到清洁力的时长判断是否符合清洁标准，更接近实际应用场景，提高预测的准确率。
技术特征：
1.一种基于深度学习的物表清洁训练方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的物表清洁训练方法，其特征在于，在所述根据所述第一目标类别和所述第一清洁力度得到清洁结果之前，还包括获取所述目标清洁区域的第二类别，得到第二目标类别；其中，所述第二类别用于表示所述目标清洁区域存在污垢的风险程度；在所述根据所述第一目标类别和所述第一清洁力度输入得到清洁结果之中，还包括根据所述第一目标类别、所述第二目标类别和所述第一清洁力度得到所述清洁结果。
3.根据权利要求2所述的一种基于深度学习的物表清洁训练方法，其特征在于，所述第二类别包括第一子类别和第二子类别，所述第一子类别用于表示所述目标清洁区域的接触频率，所述第二子类别用于表示所述目标清洁区域存在污垢的概率，在所述获取所述目标清洁区域的第二类别之中，还包括：
4.根据权利要求3所述的一种基于深度学习的物表清洁训练方法，其特征在于，在所述根据所述第一目标类别、所述第二目标类别和所述第一清洁力度得到所述清洁结果之中，还包括：
5.根据权利要求4所述的一种基于深度学习的物表清洁训练方法，其特征在于，在所述根据所述第一目标类别和所述第一清洁力度得到所述目标清洁区域的预测清洁率之中，还包括：
6.根据权利要求5所述的一种基于深度学习的物表清洁训练方法，其特征在于，在所述根据所述第一图像与所述第二图像的差异得到对应实验样本的实际清洁率之中，还包括：
7.根据权利要求4或5所述的一种基于深度学习的物表清洁训练方法，其特征在于，在所述根据所述标准清洁率和所述第二目标类别得到目标清洁率之中，还包括：
8.根据权利要求7所述的一种基于深度学习的物表清洁训练方法，其特征在于，所述最高清洁率的获取方法包括：
9.一种基于深度学习的物表清洁训练系统，其特征在于，包括：
10.一种基于深度学习的物表清洁训练装置，其特征在于，包括壳体、压力获取装置、处理器、存储器以及显示屏，所述压力获取装置用于获取将要使用的清洁力度的大小，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权1-8任一所述方法中的步骤。
技术总结
本申请公开了一种基于深度学习的物表清洁训练方法、系统及装置，涉及医疗环境物表检测领域，包括：获取目标清洁对象的目标清洁区域的第一类别得到第一目标类别；通过压力获取装置获取将要使用的第一清洁力度；根据第一目标类别和第一清洁力度得到清洁结果；根据清洁结果判断是否需要调整第一清洁力度，若第一清洁力度不符合清洁标准，调整第一清洁力度，若第一清洁力度符合清洁标准，将第一清洁力度作为目标清洁力度，以实现辅助清洁人员判断目标清洁区域所需的清洁力的大小。
技术研发人员：吕宇,向钱,张波
受保护的技术使用者：四川省医学科学院·四川省人民医院
技术研发日：
技术公布日：2024/9/23