《IEEE Access》:An Integrated Dual-Module Computer Vision System for IV Drip Rate and Fluid Level Monitoring
编辑推荐:
为克服静脉输液(IV therapy)人工监控的劳动密集性与人为误差风险,研究人员开展了IV滴速估算与液位监控双模块计算机视觉系统的研究。他们对比了YOLOv8(一种目标检测算法)与基于热图(heatmap)的点事件回归网络(ResNet-18编码器+卷积解码器)在滴速估算中的性能,并开发了一个定制CNN(卷积神经网络)进行液位分类。研究表明,该集成系统实现了自动、同步监控,在滴速高达94 dpm(滴每分钟)时,基于热图的计数器仍保持91.0%的平均计数准确率,显著优于基于YOLOv8的77.5%,验证了高鲁棒性,为提升患者安全、减轻临床负担提供了可行路径。
想象一下医院的日常场景:病人床边挂着静脉输液袋,药液一滴一滴地通过输液管进入血管。护士需要定时检查滴速是否合适、输液袋的液体是否快用完了。这听起来简单,但在忙碌的病房里,人工监控不仅耗费大量护理时间,还容易因疲劳或疏忽而出错。滴速过快或过慢、液体输完未及时发现,都可能给患者带来安全风险。正因如此,研究人员一直希望借助技术实现自动监控。目前,已有一些基于计算机视觉(Computer Vision)的方法,但它们往往“单打独斗”,要么只盯着估算滴速,要么只管液位高低,没能形成一个完整、实用的临床监控方案。为了解决这个痛点,一项发表在《IEEE Access》上的研究迈出了关键一步:它构建并验证了一个集成双模块计算机视觉系统,能够同时、自动地搞定滴速和液位这两大监控任务,为打造一个真正“眼观六路”的智能输液监控系统铺平了道路。
为了开展这项研究,作者们主要运用了以下几个关键技术方法:首先,在核心的滴速估算任务上,他们采用了两种截然不同的深度学习范式进行对比研究。一种是基于先进的目标检测模型YOLOv8,用于检测视频帧中的滴落事件;另一种是创新的、基于热图的点事件回归网络,其编码器为ResNet-18,后接卷积解码器。两种方法均在一个包含3,458张图像的自定义多样化数据集上进行训练,并在一个严格留出的测试集上评估。其次,在液位监控模块,他们设计了一个定制的卷积神经网络(CNN)用于液位分类。该模型的训练与测试基于一个公开的基准数据集。最后,他们将两个模块集成为一个统一的、基于视频的自动化应用程序原型,并在预先录制的临床视频片段上进行了验证。整个研究的性能评估涵盖了从17到94滴每分钟(dpm)不同滴速的7个视频集合。
研究结果
1. 滴速估算模块的对比研究
研究人员在一个包含3,458张图像的自定义数据集上,对两种深度学习方案进行了严格测试。基于YOLOv8的目标检测器展现出了优秀的检测性能,其平均精度(在IoU阈值为0.5时,即mAP0.50)达到了95.34%。而基于热图的点事件回归网络则在帧级别准确率和召回率上分别取得了88.44%和95.16%的结果。重要的是,在端到端的实际滴速计算评估中,基于热图的计数器在跨越17至94 dpm的7个测试视频上,取得了91.0%的平均计数准确率,显著优于基于YOLOv8计数器的77.5%。结果表明,在较高的输液速率下,基于热图的方法展现出明显更强的鲁棒性。
2. 液位分类模块的性能
针对输液袋液面高度的监控,研究团队开发的定制卷积神经网络(CNN)在公开基准数据集上的测试中,实现了95.26%的分类准确率,证明了该方法在判断液位状态(如正常、警告、需更换)上的高可靠性。
3. 集成系统原型验证
研究最终展示了一个概念验证原型,成功将上述两个高性能模块集成到一个统一的、自动化的视频分析应用中。该系统能够在处理预先录制的临床视频时,同步输出滴速估算结果和液位状态,实现了最初设定的“双任务同步监控”目标。
研究结论与意义
本研究表明,所提出的集成双模块计算机视觉框架是可行且高效的。它不仅在两个独立的监控任务上都实现了高性能(滴速估算准确率最高达91.0%,液位分类准确率达95.26%),更重要的是,它清晰地展示了一条将两者融合为一体化临床应用的路径。与现有的、只解决单一任务的方案相比,这种 holistic(全盘的、整体的)监控系统更贴近真实的临床需求。该系统有潜力显著减少护理人员手动监控的负担,并通过更持续、精准的自动化监测,降低因人为失误导致的输液相关风险,从而提升患者安全。这项研究为开发下一代智能、全面的静脉输液监控系统奠定了坚实的技术基础,并指明了明确的集成方向。