基于PDA扫码技术的医院手术室管理系统的研究

【作 者】 薛菊琴，王玉吟

1 上海市胸科医院，上海市，200030

2 上海交通大学附属胸科医院 手术室，上海市，200030

0 引言

在发展中国家和发达国家，人口正在快速老龄化。对于人们来说，保持良好的药物治疗计划依从性对于成功治疗慢性病非常重要[1]。自1994年以来，扫码系统由于其快速的可读性和强大的存储容量而受到各个领域关注，其中包括制造、仓储和物流、零售、医疗保健、生命科学、运输和办公自动化。如今，随着智能设备的爆炸式增长，个人数字助理（personal digital assistant,PDA）扫码现在正进入医疗保健的临床领域。然而，许多医院扫描设备比较老化，导致其监测识别效率大大降低[2-3]。

对于目前有关医院扫码技术存在的问题，文献[4]提出了一种基于二维码检测技术的新型医疗扫描系统，通过各种二维码检测算法从成像设备中扫描，并采用所罗门纠错技术检测二维码的真实性，但其二维码扫描监测时间过长，系统内部计算效率低，处理缓慢。在此基础上，文献[5]采用卷积神经网络（convolutional neural network,CNN）分割算法解析图像码，CNN模型可以自动提取图像特征，但当网络层次太深时，靠近输入层的参数改动缓慢，并且池层会丢失大量信息，导致图像码识别容易出错。

1 总体方案

本研究总结了上述学者研究项目的优缺点，设计了一种医院手术室管理系统，系统架构如图1所示。

如图1所示，医院手术室管理系统由三层架构组成：前端层、移动层和云层。在前端层，医院药剂师使用二维码或条形码生成器，将患者的药物列表附加在药包中，并对条形码与二维码进行编码，其中的扫描图像码包括：药包ID、药包类型、患者姓名、患者性别、患者年龄、药物名称、外观、临床用途、药品剂量以及可能的副作用。移动层将托管个性化的药物安全支持应用程序，该应用程序提供一些主要功能，包括手术提醒、协助配药、药物记录、医疗方案以及老年慢性病门诊患者忘记药物的通知[6]。云服务位于云层，如：用于存储用户用药记录的云数据库服务器、用于定位老年人的谷歌地图服务器以及用于检索用户预期药物信息以提高其用药安全性的药物信息网站。手术室PDA扫码流程如图2所示。

图2展示了手术室PDA扫码的大致流程：第一步，患者必须通过移动端医院应用程序系统编辑其个人信息，使医护人员能够通过PDA查询手术资料；第二步，应用程序系统会根据老年患者服药后的照片和位置生成个性化的移动用药记录，并将用药记录自动上传到云数据库服务器；第三步，在患者进行手术前，通过移动系统提供的手术多种药物检查，如：药物图像显示、药物与剂量、药物过敏检查和累积剂量检查，应用程序系统将自动生成个性化手术药物记录，可大大提高手术效率[7]；第四步，老年门诊患者离开医院时，会携带一个附有二维码的药包。通过智能手机内置的摄像头，家庭成员或护理人员可以从药包中提取每个二维码，对应所有内容将自动传输到应用程序系统中。

2 自主设计技术部分

2.1 PDA扫描装置硬件

在医院手术室管理系统中，PDA扫描装置的硬件设计是核心部分。本研究所设计的PDA扫描硬件由一个创新的医院急救智能带和一个智能扫描系统组成，主要功能包括：设有用于体温测量、心率测量、血氧水平测量和血压测量的传感器；通过一组多色LED灯显示分配给患者分诊组的颜色；拥有通过适当的路由器向智能扫描系统服务器发送/接收数据的无线通信能力。此外，医院急救智能带与智能扫描系统持续通信，实现对患者状态的实时监控[8]。相关监控信息显示在用户端的屏幕中，通过可视化展示不同状态的患者分组（就诊、等待和等待分诊）情况。图3为医院急救智能带示意。

本研究设计用于识别编码符号的原始扫描设备，扫描条形码与二维码图像传输至控制模块，以便通过专用程序对输入的记录信息进行解码。医院手术室扫描系统的一般框架基于美国国家仪器（National Instruments,NI）技术，可以使用带有高分辨率传感器的数码相机模块作为寄存器[9]，医院手术室扫描系统的硬件框架如图4所示。

图4中包括组件：控制对象1、照明设备2、光学系统3、PDA装置4、控制模块5、数据采集装置6、计算机系统7、外部存储器8。其中，数码相机必须具有与计算机的有线高速USB接口、遥控接口。功能模块实现软件包括组件：数码相机软件9、数码相机控制虚拟设备10、当前图像获取模块11、图像处理和分析模块12、测量模块13、结果形成和显示模块14、NI视觉助手15、雾化模块16，提供以指定的时间间隔获取图像，在屏幕上显示图像并选择图像处理算法。

在医院手术室扫描系统中，PDA被用作APP条形码与二维码的扫描仪，并通过无线方式连接到主系统，以更新有关手术药品、医疗器材账单和其使用记录的信息。本研究PDA扫描装置采用PIC16F877A芯片的8位微控制器（micro controller unit,MCU）用于控制每个过程，蓝牙模块接口用于提供MCU和扫描仪（PDA）之间的通信。视差PLX-DAQ是一种计算机应用程序，用于通过串行端口与MCU通信来维护笔记本电脑上的数据库。其保存药物的跟踪记录、单个药品的价格、手术所需购买药品的总价、患者名称、手术的日期和时间等。射频识别（radio frequency identification,RFID）阅读器用于基于卡的支付系统，因为此原型中使用RFID卡进行支付。数字液晶显示器（liquid crystal display,LCD）用于显示手术药品中的账单信息。PDA扫描模块硬件框架如图5所示。

如图5所示，PIC16F877A微控制器属于PIC16系列，是采用微芯片技术开发的8位微控制器，源代码是使用嵌入式C语言开发的。采用Mikroelektronika产品中的MikroC Pro for PIC编译器，其提供了大量存储空间，有助于更快地开发系统。整个扫描硬件包含了MCU模块、蓝牙模块、RFID阅读器、字母数字LCD和Max232接口。蓝牙模块采用的是HC-05，其需要UART与MCU进行通信，因此HC-05可配置为主或从通信模式。此外，蓝牙模块的配置需要AT命令，如设置波特率、蓝牙模块名称等；RFID模块采用的是EM-18[10-11]，即125 kHz RFID阅读器。读卡器是能够与RFID标签通信的设备，其可以识别RFID标签的存在并与之通信。RFID阅读器通信协议通常在RFID标准中规定；Max232接口是一种电平转换器，其能将TTL信号转换为RS-232，以便在MCU和笔记本电脑之间进行适当的通信。此外，Max232接口还需要UART进行通信，RFID、Max232接口和蓝牙模块一共需要3个UART，但PIC16F877A仅支持一个内部UART端口，因此使用适用于PIC的MikroC Pro的UART软件库制作了另外两个UART端口。

2.2 手术室管理系统中的图像处理算法

在本研究中，为了提高手术室管理系统对手术药品图像数据处理与分析的精度，采用基于能量驱动采样优化的分类算法（energy driven sampling-classification algorithm,EDS-CA），对经过PDA扫描接收到的医疗数据信息进行恰当的预处理，之后构建函数分类器，并根据EDS-CA减少进程提高图像处理效率。假设存在不同类型的医疗图像码集y(t)为：

式中，dn(t)是指不同类型的医疗图像码，下标n指序号。进行数据整合计算后，计算式可变为[12]：

式中，di(t)为第i种医疗图像在t时间输出的图像码，i=1，2，…，n。数据整合计算后进行分类算法，按照不同的属性训练出不同的分类器，通过迭代训练产生新的图像码样本权值，之后，将所有医疗图像码进行权重归一化，即：

式中，WLi表示第L次训练的第i个医疗图像码类型的误差权重值。从中得到需要的最弱的分类器WLi，通过WLi来决定首次权值：

式中，若ei=0，医疗图像码样本xi被正确分类；若ei=1，则医疗图像码样本被错误分类。其中，强分类器H(x)可以表示为：

通过式(3)～式(6)，可以区分出来一些权值低的分类器，即强分类器。通过上述分类，用户能够快速对多种类型的医疗图像码分类，提高了数据分选能力。分类算法流程如图6所示。

在图6应用到的分类算法中，为了使医疗图像码分类更加精确，需要不断地进行数据训练，使用的初级分类器会很弱，随着训练次数的增加会得到多个强分类器，多个强分类器组合得到联合分类器，这对于提升分类精确很有帮助，能使医疗图像码集合中的不同数据按照设定的数据属性进行分类[13-14]。

此外，为了减少处理医疗图像码的进程数目，提高计算效率，本研究采用能量驱动采样（energy driven sampling,EDS）方法进行优化。EDS的原理基于简单的爬山算法优化，通过迭代求精移动图像边界来完成分割聚类，而不是在分割的医疗图像码上构建算法框架。假设s表示医疗图像码数据，根据EDS原理，所有的优化都基于能量的函数[15]，如式(7)所示。

式中，M(s)是基于医疗图像码的像素尺度分布；G(s)是医疗图像码的边界形状；度量γ用于控制这两项之间的平衡。用H(s)计算每个簇的色密度分布，可用式(8)～式(10)表示：

式中，医疗图像码分割含有k个的像素；v表示直方图中的一组像素尺度特征点；δ表示图像码的指示函数；Z表示直方图的归一化因子；Ck(j)是医疗图像码的分布函数，分布量T的测量质量可用于确定直方图集中的特征点。

G(s)用于计算医疗图像码的边界形状，可用式(11)和式(12)表示。

综上所述，EDS的两个主要步骤是：第一步，对图像进行规则网格的均匀粗分割初始化；第二步，当E(s)＞E(st)时，图片被移动到相邻的医疗图像码上，其中s是建议的分区，st是最低的能量分区。在块级移动阶段，将多个像素同时移动到邻域中，使边界被新的医疗图像码重新调整[16]。这些过程保证了EDS-CA算法比其他数据处理方法有更好的性能和更快的计算效率。

3 实验与分析

为了验证本研究采用PDA扫码技术的实用性与可靠性，本研究在某医疗手术室搭建多联机计算机集群进行测试实验，成功实现了医院手术管理系统。系统采用工具包OpenAI Gym进行仿真，其计算机操作系统为Windows10，64位，计算机的开发工具为Visual Studio 2019，OpenCV 3.0。计算机的硬件环境为CPU：intel CORETMi7；主频为2.59 GHz；内存16 GB。本研究设计的医院手术管理系统界面如图7所示。

在构建实验系统后，本研究调取了医院的手术药物，其中包含了共2 100张不同类型药物的二维码与条形码。实验中打开PDA中的医院APP，该PDA扫码装置控制模块为PIC16系列的PIC16F877A芯片8位微控制器，并采用了Mikroelektronika产品中的MikroC Pro for PIC编译器，通过该装置对所有医疗图像码进行监测识别工作，扫码示意如图8所示。

为了彰显本研究所用PDA扫码装置的优势，本研究以文献[4]中所采用的基于二维码检测技术的新型医疗扫描系统作为参照，扫描识别300～2 100张不同种类的医疗图像码，并测试本研究方法与文献[4]方法扫描总共消耗的时间，如图9所示。

从图9中不难看出，本研究所采用的基于PIC16F877A芯片8位微控制器扫描装置能够显著地提高监测识别医疗图像码的效率，相比于文献[4]所采用的基于二维码检测技术，本研究设计的扫码装置效率优先20%。

为了表现出本研究所用EDS-CA的性能优势，以文献[5]中所采用的基于CNN图像分割算法为实验参照对象，进行仿真对比实验。将所用医疗图像码区分为条形码（1 284张）与二维码（816张）两类，分别作为实验数据库，将所有具有image、txt、height、width、number属性的图像码进行标记。随后通过两种算法将这些标记的集群分类为5个同种属性信息集合（S1～S5）。统计EDS-CA与CNN两种算法的分类精度，统计结果如表1所示，并综合计算分类的平均精度，绘制柱状图，如图10所示。

表1 两种算法分类精度对比（%）Tab.1 Comparison of classification accuracy between the two algorithms（%）

从表1结果可以看出，无论是条形码还是二维码，运用本研究EDS-CA处理医疗图像码的分类精度要高于文献[5]所采用的基于CNN图像分割算法，说明本方法在处理图像识别时错误率极低，监测的图像数据精度高，表明本算法框架更具有可靠性。

4 结束语

本研究的主要目标是解决医院扫码装置老化出现的各种问题，为此，本研究设计用于识别编码符号的原始扫描设备，扫描条形码与二维码图像传输至控制模块，采用PIC16F877A芯片8位微控制器用于控制每个过程，蓝牙模块接口用于提供MCU和PDA之间的通信，采用Mikroelektronika产品中的MikroC Pro for PIC编译器，为医院手术室扫描系统提供了大量存储空间，有助于更快地开发软件。本研究还采用EDS-CA对医疗图像码进行规则网格的均匀粗分割，保证了EDS-CA算法比其他数据处理方法具有更好的性能和更快的计算效率，并设计实验证实了该算法的性能优势。然而，移动云医疗系统中最具挑战性的方面是保证用户隐私和提供使用云资源的移动应用程序安全，为此，未来将继续改进与数据安全和数据保密相关的若干问题，加强系统的安全性。