[0001] 本申请涉及医疗器械技术领域，特别是涉及一种用于支气管导通的智能辅助系统及方法。

[0002] 在胸外科手术中，在对一个肺部进行手术时，手术中产生的分泌物、组织液或者血液可能进入到另一个肺中，从而对患者造成损害，因此，需要采取相应的肺部隔离措施。

[0003] 相关技术中，采用双腔支气管导管来分隔双肺，并保持患者肺部通气，以避免手术中的肺部分泌物、组织液或血液进入另一个肺中，实现肺部隔离。

[0004] 然而，现有的双腔支气管导管，其结构简单，医护人员在需要测量患者体温时，需要借助其他仪器设备，比如体温计等，无法对患者体温进行实时监测。

[0020] 为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述。方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。需要说明的是，在本申请的描述中“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。A与B连接，可以表示：A与B直接连接和A与B通过C连接这两种情况。另外，在本申请的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。

[0021] 下面结合附图，对本申请实施例进行详细描述。

[0022] 在对患者进行肺部手术时，一般采用双腔支气管导管来分隔双肺，并保持患者肺部通气，以避免手术中的肺部分泌物、组织液或血液进入另一个肺中，实现肺部隔离。然而，现有的双腔支气管导管，其结构简单，医护人员在需要测量患者体温时，需要借助其他仪器设备，比如体温计等，无法对患者体温进行实时监测。

[0023] 为了解决上述问题，本申请实施例提供了一种用于支气管导通的智能辅助系统，如图1所示，为一种用于支气管导通的智能辅助系统100的结构示意图，包括双腔支气管导管101、图像采集模块102，体温监测模块103，以及处理模块104。

[0024] 在图1中，双腔支气管导管101，用于分隔双肺并保持患者肺部的通气，并且至少部分表面配置有一个或多个温度传感器1011；图像采集模块102，集成于双腔支气管导管的端头，通过图像识别技术，采集患者肺部的图像数据；体温监测模块103，与一个或多个温度传感器1011相连，用于直接测量患者的体温监测数据；处理模块104，分别与图像采集模块102和体温监测模块103相连，用于对图像数据和体温监测数据进行融合处理，得到患者的体温监测结果。

[0025] 基于该智能辅助系统，处理模块104不仅能获取得到体温监测模块103传输的体温监测数据，还能获取图像采集模块102采集的图片数据，并进一步对图像数据和体温监测数据进行融合处理，得到患者的体温监测结果。据此，不仅可以通过双腔支气管导管，实现双肺之间的隔离，还可以基于患者肺部的图像数据和体温监测数据，实现对患者体温的实时监测，而且相比单一的体温传感器监测数据而言，本系统了结合肺部的图像数据，该图像数据与体温监测数据属于不同的数据类型和维度，因此，得到的体温监测结果，可靠性更高，有助于患者的肺部手术的顺利进行。

[0026] 在一个实施例中，如图2所示，为一种用于支气管导通的智能辅助系统200的结构示意图，在图2中，图像采集模块102包括一个或多个红外摄像头201，用于采集患者的热成像图像，得到图像数据。据此，采集到的图像数据中包含体温特征，可以用于对患者进行体温监测。

[0027] 可选的，图像采集模块102还包括控制模块202，该控制模块202与红外摄像头201连接，以使得医生可以通过控制模块201，操控红外摄像头201的视野角度，以便更好地观察到气道的不同部位，以确保摄像头能够在不同角度下稳定工作。需要说明的是，图像采集模块102采集得到的图像数据，可以通过相应的显示界面实时显示，以便于医生观察器官内部情况，进而更好的调整摄像头201的视野角度。

[0028] 可选的，由于医疗环境的特殊性，红外摄像头201需要具备防水和防尘的功能，以便于消毒和清洁。

[0029] 可选的，图像采集模块102与处理模块104之间的连接方式，可以是无线连接，或者有线连接，以将图像处理模块102采集得到的图像数据传输到处理模块104，其中，无线连接的方式可以提供更大的灵活性，但需要确保信号的稳定性和安全性。

[0030] 在一个实施例中，如图3所示，为一种用于支气管导通的智能辅助系统300的结构示意图，在图3中，处理模块104包括图像处理单元301以及特征融合单元302，其中，图像采集单元301，分别与图像采集模块102及特征融合单元302相连接，用于提取图像采集模块102采集的图像数据中体温特征，并基于体温特征，对患者进行体温预测，得到体温预测数据。

[0031] 特征融合单元302，用于将图像处理单元301提取得到的体温预测数据及体温监测模块103测量的体温监测数据，基于扩展卡尔曼滤波（Extended Kalman Filter，缩写为EKF）模型进行融合，得到体温监测结果，其中，EKF模型包括非线性状态子模型和测量子模型，非线性状态子模型和观测子模型输入的状态向量相同，该状态向量均由参考体温、体温预测数据、以及体温监测数据组成，非线性状态子模型用于描述患者的体温随着时间的变化，观测子模型用于输出体温监测结果。

[0032] 可选的，非线性状态子模型为 ；观测子模型为 ；
T
其中，xk=[T0, Tb, Ts] 为状态向量，T0为参考体温，Tb为体温预测数据，Ts为体温监测数据，α和β为系数，g1和g2为观测子模型， 和 为观测噪声。

[0033] 可选的，在进行体温监测时，特征融合单元302具体用于：T
设置状态向量的初始状态值x0=[37.0, 37.0, 37.0]；
T
设置协方差矩阵P0=[1 0 0, 0 1 0, 0 0 1] ；
基于非线性状态子模型，对患者体温进行状态预测，得到观测结果
；
对观测结果进行协方差预测，得到协方差预测结果为： ；
其中，Fk是非线性子模型的雅可比矩阵，Q是过程噪声协方差矩阵；
更新EKF模型，包括：
计算卡尔曼增益： ；
其中，Hk是观测子模型的雅可比矩阵，R是测量噪声协方差矩阵；更新状态向量参数： ；
其中，zk是新的观测结果；更新协方差矩阵： ；
其中，I是单位矩阵；
将新的观测结果，作为体温监测结果。

[0034] 以上，重复状态预测和参数更新步骤，随着体温预测数据和体温监测数据的不断更新，持续改进体温的估计，不断优化体温的估计值，通过合理选择非线性状态子模型和观测子模型，以及准确地计算雅可比矩阵，EKF可以有效地处理体温监测中的非线性问题，从而输出准确的体温监测结果。

[0035] 可选的，处理模块104还包括数据预处理单元（附图中未展示），该数据与处理单元，用于在图像处理单元301从图像数据中提取体温特征之前，对图像数据和体温监测数据进行去噪处理，剔除异常数据，从而排除噪声干扰，有助于提高体温监测结果的准确性。

[0036] 可选的，处理模块104还包括特征选择单元（附图中未展示），图像处理单元，用于对体温特征和体温监测数据分别进行特征选择，通过预设算法选择最具有代表性和区分度的特征，以减少特征维度并提高数据处理效率。

[0037] 其中，预设算法包括：方差选择法：选择方差最大的特征，因为方差大的特征通常具有更好的区分能力；相关系数法：计算特征与目标变量之间的相关系数，选择相关性最强的特征；递归特征消除法（Recursive Feature Elimination, RFE）：递归地构建模型，并在每一轮中移除权重最小的特征，直到达到所需数量的特征。

[0038] 在一个实施例中，处理模块104还用于：根据体温监测结果，确定是否需要对患者进行手术，或者调整手术室内的温度或患者的保温措施，其中，保温措施包括加热、降温或者保温。

[0039] 在一个实施例中，如图4所示，为一种用于支气管导通的智能辅助系统400的结构示意图，在图4中，智能辅助系统还包括药物输送装置401，药物输送装置401包括药物储存单元4011和输送管道4012，输送管道4012与双腔支气管导管101相连。

[0040] 可选的，药物存储单元4011上设置有药物添加口（图中未展示），通过该药物添加口，可以直接添加固态药物，相应的输送导管4012内壁光滑，不会粘连固态药物。此外，该药物添加口还具有对应的转换接头（图中未展示），通过该转换接头，可以直接进行输液。

[0041] 基于上述智能辅助系统，可以在不拔出导管的情况下给患者给药，避免对患者进行二次插管引起的损伤。

[0042] 在一个实施例中，如图5所示，智能辅助系统还包括配套的导管管理装置500，导管管理装置500包括一个收纳盒501和收纳状态监测模块502，其中，收纳盒501具有分类存储功能，如图5中的分区1、分区2、分区3、分区4及分区5，各自存储的器件类别不相同，以实现对双腔支气管导管及相应配件进行分类收纳，从而方便下一次取件。收纳状态监测模块502，用以对双腔支气管导管及相应配件的收纳状态进行监测，得到收纳结果，并将收纳结果进行提示，其中，收纳结果包括空缺或者收纳完毕，据此，可以防止导管或者配件丢失，有助于二次利用，接收医疗成本。

[0043] 在一个实施例中，如图6所示，为一种用于支气管导通的智能辅助系统600的结构示意图，在图6中，智能辅助系统还包括显示模块601，显示模块601分别与体温监测模块103、药物输送装置401、以及导管管理装置501相连，用于对体温监测结果、双腔支气管导管的收纳结果以及药物输送状态进行显示。

[0044] 可选的，显示模块601与控制模块201相连，医生可以通过显示模块对应的显示界面，输入操作指令，以使控制模块201按照相应的操作指令，控制红外摄像头201的视野角度。

[0045] 在一个实施例中，如图7所示，为一种用于支气管导通的智能辅助系统700的结构示意图，在图7中，智能辅助系统还包括报警模块701，报警模块701与处理模块104相连，用于在体温监测结果异常时发出警报信息。

[0046] 基于以上智能辅助系统，不仅可以通过双腔支气管导管，实现双肺之间的隔离，还可以基于患者肺部的图像数据和体温监测数据，实现对患者体温的实时监测，而且相比单一的体温传感器监测数据而言，本系统了结合肺部的图像数据，该图像数据与体温监测数据属于不同的数据类型和维度，因此，得到的体温监测结果，可靠性更高，有助于患者的肺部手术的顺利进行。此外，还可以在不拨出支气管导管的情况下，还能实现未患者给药的功能，防止对患者造成二次伤害。

[0047] 另一方面，本申请实施例提供了一种用于支气管导通的智能辅助方法，该智能辅助方法基于上述任一项智能辅助系统来实现，如图8所示，为一种用于支气管导通的智能辅助方法步骤流程图，包括：S801，基于集成于双腔支气管导管端头的图像采集模块，通过图像识别技术，采集患者肺部的图像数据；
在一个实施例中，图像采集模块所述图像采集模块包括一个或多个红外摄像头，通过该红外摄像头，采集患者肺部的热成像图像，得到相应的图像数据，据此，采集得到的图像数据中包含患者的体温特征，从而可以基于图像数据，对患者进行体温监测。

[0048] 此处，在采集图像数据时，医生可以通过相应的显示界面，实时观察采集得到的图像数据，并根据实际情况，调整红外摄像头的视野角度，以提高图像数据的采集质量，使得图像数据中包含显著的体温特征，进而提高体温监测结果的准确性。

[0049] S802，基于体温监测模块，通过双腔支气管导管的至少部分表面设置的一个或多个温度传感器，测量患者的体温监测数据；在一个实施例中，温度传感器设置于双腔支气管导管的外表面，其材质安全，不会对人体造成损害。举例来说，温度传感器的种类可以是热电偶温度传感器、热电阻温度传感器、半导体温度传感器、负温度系数（Negative Temperature Coefficient ，缩写为NTC）热敏电阻等。此处，对温度传感器的具体类型不做限制，但是，温度传感器的使用需要合法合规。

[0050] S803，对图像数据和体温监测数据进行融合处理，得到患者的体温监测结果。

[0051] 在一个实施例中，对图像数据和体温监测数据进行融合处理，得到患者的体温监测结果，包括：从图像数据中提取体温特征，并基于体温特征，对患者进行体温预测，得到体温预测数据。

[0052] 其中，在提取体温特征之前，可以对图像数据进行预处理，从而剔除异常数据，具体方法为：首先对采集到的图像数据，通过中值滤波或小波滤波等算法，进行降噪处理，以提高图像质量；需要应用温度校正算法来校准图像数据，以使得图像数据中的体温特征更加准确；采用基于深度学习的特征提取和异常检测算法，如使用卷积神经网络（Convolutional Neural Networks，缩写为CNN）来识别图像中的异常区域，从而识别出与正常模式显著不同的异常图像，并对这些异常图像进行剔除。为了更直观地分析图像数据，可以采用图像增强技术，如对比度增强、色彩映射等，以及图像数据的可视化方法，以便更清晰地识别异常区域。通过上述方法，可以有效地从采集到的肺部图像数据中剔除异常数据，为临床诊断提供更准确的图像信息。

[0053] 进一步，将体温预测数据及体温监测数据，基于EKF模型进行融合，得到体温监测结果。其中，EKF模型包括非线性状态子模型和测量子模型，非线性状态子模型和观测子模型输入的状态向量相同，该状态向量均由参考体温、体温预测数据、以及体温监测数据组成，非线性状态子模型用于描述患者的体温随着时间的变化，观测子模型用于输出体温监测结果。可选的，非线性状态子模型为 ；观测子模型为 ；
T
其中，xk=[T0, Tb, Ts] 为状态向量，T0为参考体温，Tb为体温预测数据，Ts为体温监测数据，α和β为系数，g1和g2为观测子模型， 和 为观测噪声。

[0054] 可选的，在进行体温监测时，特征融合单元302具体用于：T
设置状态向量的初始状态值x0=[37.0, 37.0, 37.0]；
T
设置协方差矩阵P0=[1 0 0, 0 1 0, 0 0 1] ；
基于非线性状态子模型，对患者体温进行状态预测，得到观测结果
；
对观测结果进行协方差预测，得到协方差预测结果为 ；
其中，Fk是非线性子模型的雅可比矩阵，Q是过程噪声协方差矩阵；
更新EKF模型，包括：
计算卡尔曼增益： ；
其中，Hk是观测子模型的雅可比矩阵，R是测量噪声协方差矩阵；更新状态向量参数： ；
其中，zk是新的观测结果；更新协方差矩阵： ；
其中，I是单位矩阵；
将新的观测结果，作为体温监测结果。

[0055] 以上，重复状态预测和参数更新步骤，随着体温预测数据和体温监测数据的不断更新，持续改进体温的估计，不断优化体温的估计值，通过合理选择非线性状态子模型和观测子模型，以及准确地计算雅可比矩阵，EKF可以有效地处理体温监测中的非线性问题，从而输出准确的体温监测结果。

[0056] 在处理模块获取得到体温监测结果以后，可以将体温监测结果传输给显示模块，进行可视化展示；医生根据体温监测结果，确定是否需要对患者进行手术，或者调整手术室内的温度或患者的保温措施，其中，保温措施包括加热、降温或者保温。在体温监测数据异常时，还可以出发报警模块，发出报警信息。

[0057] 基于以上智能辅助方法，不仅可以通过双腔支气管导管，实现双肺之间的隔离，还可以基于患者肺部的图像数据和体温监测数据，实现对患者体温的实时监测，而且相比单一的体温传感器监测数据而言，本系统了结合肺部的图像数据，该图像数据与体温监测数据属于不同的数据类型和维度，因此，得到的体温监测结果，可靠性更高，有助于患者的肺部手术的顺利进行。此外，还可以在不拨出支气管导管的情况下，还能实现未患者给药的功能，防止对患者造成二次伤害。

[0058] 特别地，以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请实施例及实施例中的特征可以相互组合。

[0059] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。