【技术实现步骤摘要】
本专利技术医疗器械领域，特别涉及一种训练方法及训练系统。
技术介绍
1、在医生进行临床手术之前，都需要对其进行培训。
2、目前的手术训练装置的培训结果都是培训师人为进行打分评定，并且有的只能提供通过/不通过的定性结论，结论不够详细。因此，带来了如下缺陷：1.打分结果不能体现特定科室、医院的实际关注的核心考核标准与指标。2.现有打分项目较固定，不能满足不同科室的训练目标的差异化。3.定性评价，无法体现使用者对具体技能的掌握情况。4.对原始培训数据缺乏处理，无法展开多维度的手术评估。5.人为打分效率低，且评估结果受主观因素影响。
3、现有技术中存在一些定量打分的方案，例如，对所有原始数据进行清理后，采用hmm(hidden markov model，隐马尔科夫模型)方法进行量化结果评估，但是，该方案没有对原始数据进行个性化清理，生成模型的针对性不强，最终的打分效果不理想。
4、也即，现有技术中存在对数据处理时的针对性不强，打分效果不够理想的问题。
技术实现思路
1、本专利技术的目的在于提供一种训练方法及训练系统，以解决现有技术中存在的对数据处理时的针对性不强，打分效果不够理想的问题。
2、为了解决上述技术问题，本专利技术提供了一种训练方法，包括：对历史数据进行标签化处理；基于所述历史数据获得训练评估模型；其中，基于不同的标签，按照至少两种不同的方式获得所述训练评估模型；获取训练标签；获取操作指令；基于所述操作指令计算得到模拟训练结果；所述
3、可选的，所述标签的种类包括：科室、术式、训练目标和打分项中的至少一者。
4、可选的，所述训练目标包括：基础训练、切口选择、组织分离、缝合打结、出血量控制和时间控制中的至少一者。
5、和/或，所述打分项包括：视野、切口定位、组织切除、耗时、缝合效率和出血量中的至少一者。
6、可选的，所述基于历史数据获得训练评估模型的步骤包括：缺失数据处理；数据格式处理；逻辑错误清洗；去除无用数据；以及，关联性验证。
7、可选的，所述基于历史数据获得训练评估模型的步骤包括：将所述历史数据按照初始比例随机分为训练数据和验证数据；以所述训练数据为输入，训练预测模型；对于训练结束的所述预测模型，以所述验证数据为输入，进行模型验证并计算准确率；若所述准确率低于第一准确率，重新将所述历史数据按照所述初始比例随机分为所述训练数据和所述验证数据并执行后续步骤；若所述准确率在所述第一准确率和第二准确率之间，重新进行以所述训练数据为输入，训练所述预测模型并执行后续步骤；若所述准确率高于所述第二准确率，将所述预测模型设置为所述训练评估模型。
8、可选的，当所述标签的种类为打分项时，以所述训练数据为输入，训练预测模型的步骤包括：对于每一个打分项，执行如下步骤：确定评分标准集，所述评分标准集中包括至少两种评分标准；基于所述训练数据确定每个所述评分标准下由不同输入得到不同输出的概率函数；确定奖励函数；基于所述评分标准集、所述概率函数和所述奖励函数计算得到的总奖励；通过不断修改所述评分标准集使得计算得到的所述总奖励最大；将所述总奖励最大对应的所述评分标准设置为训练结果。
9、可选的，当所述标签为时间控制时，以所述训练数据为输入，训练预测模型的步骤包括：将操作过程划分为多个阶段；设置每个所述阶段对应的阶段系数；基于所述阶段的耗时和所述阶段系数计算时间评价价值，并结合所述时间评价价值计算所述评分结果；通过不断修改所述阶段系数，使得计算得到的所述评分结果和所述训练数据中的所述评分结果的误差达到最小值；误差达到最小值所对应的所述阶段系数设置为训练结果。
10、可选的，所述训练方法包括：在所述训练方法执行的过程中采集新数据，并基于所述新数据更新所述训练评估模型；采集所述新数据的过程包括：采集时间信息并存储为时间戳和uid，采集图像信息并存储所述图像信息的存储路径；采集培训计划并存储为培训信息；采集由外部输入的所述评估结果的修正值并存储为实际培训结果；采集自定义输入并存储为补充信息。
11、可选的，所述基于历史数据获得训练评估模型的步骤包括：基于科室、训练目标、分数和/或等级提取打分项以及所述打分项权重。
12、所述训练方法包括：基于科室和所述训练评估模型自动设置所述训练目标和/或基于外部输入修改所述训练目标；基于所述训练目标和所述训练评估模型自动设置打分项及打分项权重和/或基于外部输入修改所述打分项及所述打分项权重。
13、所述模拟训练结果输入所述训练评估模型得到评估结果的步骤包括：基于所述模拟训练结果计算所述打分项的数值，并结合所述打分项权重计算得到所述评分结果。
14、可选的，所述基于历史数据获得训练评估模型的步骤包括：基于所述打分项获取所述评估结果的所述图像特征；基于所述模拟训练结果计算所述打分项的步骤包括：基于所述模拟训练结果获取所述图像特征；以及，基于所述图像特征计算所述打分项的数值。
15、所述图像特征包括：组织边缘特征、缝合特征及视野特征。
16、可选的，所述训练方法包括：基于所述历史数据获取训练方案模型，所述训练方案模型包括训练状态在不同的训练方案下得到的训练状态结果和对应的概率；基于学员当前的所述训练状态结合所述训练方案模型选择预期的所述训练状态结果最佳的所述训练方案作为训练课程。
17、可选的，所述训练方法包括：基于交互界面获取所述训练标签和打分项权重信息，所述训练标签包括：科室信息、训练目标信息和打分项信息；基于所述科室信息和训练目标信息生成训练内容；以及，基于所述模拟训练结果、打分项信息和打分项权重信息获取所述评估结果。
18、为了解决上述技术问题，本专利技术还提供了一种训练系统，包括人机交互模块、结果评估模块、手术训练模块和培训机器人子系统。
19、其中，所述结果评估模块用于基于历史数据获得训练评估模型；其中，所述历史数据贴有标签；所述结果评估模块基于不同的标签，按照至少两种不同的方式获得所述训练评估模型。
20、所述培训机器人子系统用于获取所述操作指令。所述人机交互模块用于获取训练标签；所述训练标签与所述标签具有一一对应关系。
21、所述手术训练模块用于基于所述操作指令计算得到模拟训练结果；所述模拟训练结果与所述操作指令在实际操作环境中运行得到的结果具有对应关系。
22、所述结果评估模块还用于基于模拟训练结果和所述训练标签对应的所述标签得到评估结果。
23、可选的，所述训练系统还包括数据模块和人机交互模块；其中，所述数据模块用于在所述训练系统运行过程中采集新数据；所述结果评估模块还用于基于所述新数据更新所述训练评估模型；所述手术训练模块还用于生成所述培训机器人子系统所需的虚拟图像；所述培训机器人子系统本文档来自技高网...
【技术保护点】
1.一种训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的训练方法，其特征在于，所述标签的种类包括：科室、术式、训练目标和打分项中的至少一者；
3.根据权利要求1所述的训练方法，其特征在于，所述基于历史数据获得训练评估模型的步骤包括：
4.根据权利要求1所述的训练方法，其特征在于，所述基于历史数据获得训练评估模型的步骤包括：
5.根据权利要求4所述的训练方法，其特征在于，当所述标签的种类为打分项时，以所述训练数据为输入，训练预测模型的步骤包括：
6.根据权利要求4所述的训练方法，其特征在于，当所述标签为时间控制时，以所述训练数据为输入，训练预测模型的步骤包括：
7.根据权利要求1所述的训练方法，其特征在于，所述基于历史数据获得训练评估模型的步骤包括：基于科室、训练目标、分数和/或等级提取打分项以及所述打分项权重；
8.根据权利要求7所述的训练方法，其特征在于，所述基于历史数据获得训练评估模型的步骤包括：基于所述打分项获取所述评估结果的所述图像特征；基于所述模拟训练结果计算所述打分项
9.根据权利要求1-8中任一项所述的训练方法，其特征在于，所述训练方法包括：
10.根据权利要求1-8中任一项所述的训练方法，其特征在于，所述训练方法包括：
11.一种训练系统，其特征在于，包括人机交互模块、结果评估模块、手术训练模块和培训机器人子系统，其中，
...【技术特征摘要】
1.一种训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的训练方法，其特征在于，所述标签的种类包括：科室、术式、训练目标和打分项中的至少一者；
3.根据权利要求1所述的训练方法，其特征在于，所述基于历史数据获得训练评估模型的步骤包括：
4.根据权利要求1所述的训练方法，其特征在于，所述基于历史数据获得训练评估模型的步骤包括：
5.根据权利要求4所述的训练方法，其特征在于，当所述标签的种类为打分项时，以所述训练数据为输入，训练预测模型的步骤包括：
6.根据权利要求4所述的训练方法，其特征在于，当所述标签为时间控制时，以所述训练数据为输入，训练预测模型的步骤包括：
7.根据权利要求1所述的训练方法，其特...
【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，请求不公布姓名，请求不公布姓名，
申请(专利权)人：上海微创医疗机器人集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。