Структура и классификация медицинских отходов: Медицинские отходы: что с этим делать?

Содержание

Медицинские отходы: что с этим делать?

Интервью с директором Международного центра экологических технологий Программы ООН по окружающей среде (ЮНЕП) в Осаке (Япония) Кейтом Алверсоном. Центр выпустил «Справочник технологий переработки/утилизации медицинских отходов» — научно-практическое издание, охватывающее все аспекты медицинских отходов. Это очень актуальная тема во время нынешней пандемии нового коронавируса COVID-19.

Пожалуйста, опишите документ, и как он может помочь во время этой пандемии?

Справочник создан в помощь национальным и местным органам власти, организациям здравоохранения и странам в оценке и выборе подходящих технологий для утилизации медицинских отходов. Он поможет тем, кто отвечает за планирование и управление значительно увеличившимися объемами медицинских отходов в результате всемирной пандемии.

Что такое медицинские отходы?

Медицинские отходы — это все отходы медицинских учреждений, медицинских лабораторий и биомедицинских исследовательских учреждений, а также отходы из небольших или отдельных источников.

Больницы производят большой объем медицинских отходов, однако они составляют небольшую долю среди общего числа источников.

Неправильная переработка и утилизация медицинских отходов представляет серьезную опасность вторичной передачи болезни в результате распространения инфекции среди сборщиков мусора, работников здравоохранения, медицинских работников, пациентов и общества в целом, которое не собирает отходы надлежащим образом.

Открытое сжигание и сжигание без надлежащего контроля подвергают угрозе здоровье работников по переработке отходов и состояние окружающей среды из-за токсичных выбросов в атмосферу и золы.

Сколько медицинских отходов производит средняя больница?

Оценка данных об уровне отходов со всего мира показывает, что в больницах производится около 0,5 кг мусора на больничную койку в день. Однако эта цифра и базовый состав отходов сильно различаются в зависимости от местных условий. Например, страны с более высоким уровнем дохода производят гораздо больше отходов и пластика, что часто составляет более половины всех медицинских отходов.

Из-за этой огромной разницы не существует единственного лучшего решения обращения с медицинскими отходами.

В справочнике представлена ​​проверенная методология анализа местных потребностей в образовании, составе и утилизации медицинских отходов, а также выбора соответствующих технологий в рамках локальной системы управления отходами.

Какой вид медицинских отходов наиболее опасен с точки зрения распространения инфекционных заболеваний?

Медицинские отходы можно распределить по категориям в соответствии с общей классификацией: острые предметы, биологический материал, отходы инфекционных отделений, фармацевтические отходы, включая циостатики, опасные химические и радиоактивные отходы и общие (неопасные) отходы.

В целом, от 75 до 90 процентов отходов, производимых медицинскими учреждениями, представляют собой неопасные (неинфекционные) общие отходы, сравнимые с бытовыми. Инфекционные отходы — это отходы, которые предположительно содержат патогенные микроорганизмы (болезнетворные бактерии, вирусы, паразиты или грибки) в концентрации или количестве, достаточной для вызывания заболевания у восприимчивых носителей.

Обложка справочника. Фото ЮНЕП

В справочнике говорится о разделении медицинских отходов. Что означает это разделение?

Разделение является важным элементом эффективного управления медицинскими отходами. Отделяя опасные отходы от неопасных, можно значительно сократить объем отходов, требующих специальной обработки. Другие элементы управления медицинскими отходами включают в себя классификацию, минимизацию, распределение по контейнерам, цветовое кодирование, маркировку, вывески, обработку, транспортировку, хранение, обработку и окончательную утилизацию. И, конечно же, для поддержания такой системы требуются постоянное обучение, планирование, составление бюджета, мониторинг, оценка, документирование и ведение учета.

Что странам нужно сделать для реализации политики правильного обращения с медицинскими отходами?

Процесс внедрения хорошей системы управления медицинскими отходами сложен. Он влечет за собой оценку категорий отходов и существующей практики, выбор вариантов утилизации отходов, разработку плана обращения с отходами, принятие институциональной политики и руководящих принципов, создание организации по управлению отходами, распределение человеческих и финансовых ресурсов, осуществление планов в соответствии с установленными сроками, а также внедрение программы периодического обучения, мониторинга, оценки и постоянного улучшения системы.

Как справочник может помочь при обращении с отходами в больницах во время пандемии коронавируса?

Страны, города и учреждения, которые использовали данный справочник или другие подобные инструменты и разработали действующую систему управления отходами, гораздо лучше справляются с резкими скачками объемов медицинских отходов, связанных с бедствиями, включая продолжающуюся пандемию. Лучшие системы управления медицинскими отходами включают планы действий в чрезвычайных ситуациях, включая пандемии.

Однако этот справочник является инструментом снижения риска, очень полезным и актуальным для реагирования на пандемию в среднесрочном и долгосрочном масштабе — от нескольких месяцев до нескольких лет, — но его необходимо дополнить инструкциями по быстрому реагированию на чрезвычайные ситуации в режиме реального времени.

Каковы основные процессы обработки медицинских отходов?

Существует четыре основных способа обработки медицинских отходов: термический, химический, облучение и биологический.

К сожалению, в реальности огромное количество медицинских отходов по миру, в том числе отходов, образующихся в результате наших ответных действий на пандемию, либо неправильно обрабатывается с помощью ненадлежащих технологий, либо вообще не обрабатывается.

Для получения дополнительной информации, пожалуйста, свяжитесь с Кейтом Алверсоном: [email protected]

классификация по опасности, таблица классов, методы обеззараживания

В процессе деятельности любого медицинского учреждения образуются отходы, которые нужно каким-то образом утилизировать. Сложность утилизации заключается в том, что подобные отходы относятся к особо опасным из-за возможного содержания патогенных микроорганизмов. Федеральное законодательство определяет четкую классификацию медицинских отходов по классам опасности, на основании разграничения устанавливаются правила утилизации.

Классификация отходов

В общем количестве отходов, которые образуются в процессе жизнедеятельности человека, медицинский мусор занимает не более 3%. Но из-за своей потенциальной опасности для окружающих этот вид отходов состоит на особом учете у контролирующих органов.

По составу все медотходы делятся на такие категории:

  • Пластиковые — использованные шприцы и капельницы, катетеры, шпатели и другие приспособления, изготовленные из медицинского пластика.
  • Бумажные — картонные упаковки от лекарственных препаратов, транспортировочные коробки и другие бумажные отходы.
  • Пищевые — остатки продуктов и несъеденных блюд из больничных столовых.
  • Стеклянные — ампулы, пробирки, колбы, предметные стекла и другие изделия из стекла.
  • Химические — реактивы, остатки медицинских препаратов.
  • Биологические — ткани и органы, остающиеся после хирургических операций. Сюда же относятся трупы лабораторных животных.

Все перечисленные категории разделены на группы по классам опасности, структуру и классификацию медицинских отходов регулирует Сан ПиН 2. 1.7.2790−10. Классификация составлена на основании степени угрозы медотходов здоровью человека и окружающей среде.

Таблица по классам медицинских отходов:

КлассХарактеристикаЧто относитсяКак утилизируют
А

подробнее об этом классе читайте здесь

Нетоксичные продукты и предметы, которые не были в контакте с инфицированными биологическими жидкостями и не представляют никакой опасностиОстатки из пищеблоков неинфекционных отделений, мебель, диагностическое оборудование, бумага, стройматериалыВыбрасывают как обычный бытовой мусор
Б подробнее об этом классе читайте здесьОпасные продукты, которые были в контакте с инфицированными жидкостямиПродукты работы биологических лабораторий (3−4 класса патогенности), предметы пользования больными инфекционных отделений, остатки продуктов из пищеблоков инфекционных отделений, отходы хирургических отделений.Упаковывают в специальные пакеты, маркируют желтым цветом. После обеззараживания подвергают обычной утилизации.
ВОчень опасные медотходыОстатки из микробиологических лабораторий 1−2 класса патогенности, предметы медицинского назначения, которые контактировали с пациентами, зараженными опасными вирусами и бактериями, медотходы хирургических и фтизиатрических отделений.Помещают в специальную тару, обозначенную красным цветом, обеззараживают и утилизируют в специальных аппаратах — утилизаторах.
Г

подробнее об этом классе читайте здесь

Токсичные остаткиОстатки лекарственных препаратов, реактивы.Упаковывают в отдельную тару, обозначают черным цветом. Утилизацией класса Г занимаются специальные организации
ДРадиоактивные отходыОстатки препаратов для лучевой диагностики, отходы из диагностических лабораторий и рентгеновских кабинетов, загрязненные радионуклидами.Собирают в специальную тару, обозначенную пометкой «радиация» и гарантирующую защиту окружающих от радиационного излучения. Радиоактивные остатки направляют в специально отведенные места для захоронения.

Требования к дезинфекции

В зависимости от класса отходов в медицинских организациях перед утилизацией проводится дезинфекция. Класс А обеззараживанию не подвергают. Медотходы, которые отнесены к классам Б и В, обеззараживают перед помещением их в упаковки. Метод дезинфекции — погружение остатков в антисептический раствор.

В каждой организации должен быть список рекомендованных Минздравом РФ дезинфектантов. Персонал в обязательном порядке получает инструкции по правилам техники безопасности во время работы с дезинфицирующими веществами и опасными медотходами. Также обязательно проводится дезинфекция контейнеров для сбора медотходов классов А-В.

Дополнительно в лечебных учреждениях оборудуются места для обеззараживания автотранспорта, который занимается перевозкой медотходов. Место стоянки и дезинфекции автомобильных средств асфальтируют, для сточных вод оборудуют единый сток.

Методы обеззараживания

Классификация отходов по классам опасности в медицине определяет методы дезинфекции. Для каждого класса опасности требуются свои условия обеззараживания, применяются реактивы, установленные нормативной документацией. В некоторых случаях для увеличения площади обработки медотходы перед дезинфекцией измельчают.

При утилизации медотходов применяются такие методы обеззараживания:

  • Стерилизация — проводится в автоклавах в присутствии водяного пара, при этом в аппаратах создается давление до двух атмосфер и температура 100−120 °C .
  • Химическое обезвреживание — используются вещества с сильным бактерицидным действием. Чаще всего при дезинфекции медицинского мусора применяют соединения хлора.
  • Обработка микроволнами — после измельчения и смешивания с водой медотходы подвергают обработке в СВЧ-установках.
  • Обеззараживание различными видами излучения (радиоактивным, инфракрасным, ионизирующим) — метод редко используется из-за дороговизны и риска облучения персонала. Также этот способ не подходит для обезвреживания микроорганизмов, устойчивых к радиоизлучению.

Из-за недостатка информации и контроля нередко медотходы утилизируются с нарушениями, особенно это касается частных лечебных учреждений, косметологических салонов. Проблема должна решаться на государственном уровне, так как медицинские отходы несут реальную угрозу человеку и окружающей среде.

Федеральная служба по надзору в сфере здравоохранения

Инструкция по поиску видов в номенклатурной классификации медицинских изделий по видам

Номенклатурная классификация медицинских изделий по видам (далее – номенклатурная классификация) утверждена приказом Министерства здравоохранения Российской Федерации от 6 июня 2012 г.

№ 4н «Об утверждении номенклатурной классификации медицинских изделий».

Номенклатурная классификация размещается в электронном виде на официальном сайте Федеральной службы по надзору в сфере здравоохранения в информационно-телекоммуникационной сети «Интернет».

Номенклатурная классификация содержит:

— числовое обозначение вида медицинского изделия – шестизначный идентификационный уникальный номер записи, представленный на сайте в первом столбце таблицы (столбец «Код»),

— наименование вида медицинского изделия (столбец «Наименование»),

— описание вида медицинского изделия (столбец «Описание»).

Наименование вида не является стандартизованным наименованием конкретного медицинского изделия, а определяет вид или видовую группу, которая представляет собой совокупность изделий, имеющих одинаковое или аналогичное назначение и устройство (конструкцию).

Поиск вида осуществляется в первую очередь по наименованию. Для уточнения отнесения применяется поиск по описанию вида, которое содержит описание свойств и классификационных признаков медицинского изделия.

Поиск вида в номенклатурной классификации возможно осуществлять следующими способами:

  • Поиск по слову или части слова в наименовании вида производится путем помещения слова или его части в строку поиска наименования.

  • Строка «Расширенный поиск» позволяет осуществлять навигацию:

             — по коду вида;

             — по слову или части слова в описании вида;

             — по слову или части слова в названии раздела.

  • В левой части страницы расположен перечень разделов и подразделов, который позволяет выбрать виды, содержащиеся в данном разделе (подразделе). Один вид может относиться к нескольким разделам (подразделам). Если не удается найти вид по ключевому слову, рекомендуется внимательно просмотреть виды, входящие в соответствующий раздел. Это позволяет подобрать дополнительные ключевые слова для поиска вида.

Одновременное использование поиска по наименованию и описанию, или одновременный поиск по наименованию и выбор соответствующего раздела (подраздела) позволяет сузить поиск нужного вида.

Пример поиска.

Наименование изделия: Стенты коронарные кобальт-хромовые.

Шаг 1.

В строку поиска по наименованию ввести слово «стент». В таблице выбрано 174 записей видов, содержащих слова, в состав которых входит это сочетание букв.

Шаг 2.

Чтобы сузить поиск, можно одновременно в «Расширенном поиске» в строке «Описание» ввести часть слова «коронар». Выбрано 14 записей, в них – 6 различных видов (некоторые виды повторяются, так как относятся к нескольким подразделам).

Шаг 3.

Просмотр выведенных на экран видов позволяет выбрать нужный вид:

218190 «Стент для коронарных артерий непокрытый металлический».

Отходы 1-4 класса опасности. Что к ним относится? Перечень опасных отходов 1,2,3,4 класса опасности

Классы опасности устанавливаются для различных загрязняющих веществ, которые могут представлять угрозу для природы и/или жизнедеятельности человека. К 1-4 классу относятся самые опасные отходы, в обязательном порядке требующие утилизации. Перечень и принадлежность к определенному классу основывается на результатах, полученных экспериментальным, расчетным или методом компьютерного моделирования. Их совокупность в итоге позволяет сделать вывод о том, к какому из классов опасности относится то или иное вещество.

Всего существует 5 классов опасности отходов. По каждому из них разработаны свои нормативы, определяющие предельно допустимую концентрацию в воздухе, среднюю смертельную дозу, зоны острого и хронического воздействия.

К последнему, пятому, относятся вещества, не представляющие опасности. У них минимальная степень воздействия на окружающую среду. Остальные четыре класса мы рассмотрим ниже.

Классы отходов 1 и 2: что к ним относится и их особенности

К классу I относятся вещества чрезвычайно высокой опасности. Для них характерна наиболее значительная степень вредного воздействия на окружающую среду. Они приводят к кардинальному изменению экологической составляющей, восстановительный период отсутствует. К этому классу опасности относят полоний, бензапирен, фтороводород, соли свинца, таллий, диэтилртуть, плутоний, теллур, озон, циановодород и другие вещества. После их воздействия экологическая система нарушается в наибольшей степени, при этом период восстановления отсутствует. Определение принадлежности к классу опасности I осуществляется расчетным или экспериментальным методом.

На практике такие отходы могут представлять собой трансформаторы, конденсаторы, креозол и его остатки, ртутные термометры (отработанные или бракованные) и другие ртутьсодержащие приборы, асбестовую пыль, синтетические и минеральные масла, отходы солей мышьяка, антидетонационные присадки и отходы.

К классу II относятся высоко опасные вещества. У них высокая степень вредного воздействия на природу, они приводят к серьезному нарушению экологического баланса в окружающей среде. Последствия влияния веществ класса II  настолько велики, что природе потребуется не менее 30 лет для восстановления. К этому классу опасности принадлежат литий, фенол, хлороформ, серную кислоту, селен, сероводород, барий, формальдегид, сурьму, стирол, все нитриты, мышьяк, молибден и другие вещества. После их воздействия экологическая система сильно нарушается, а период восстановления составляет от 30 лет. Определение принадлежности к классу опасности II осуществляется расчетным или экспериментальным методом.

На практике такие отходы могут представлять собой отработанные и бракованные аккумуляторы, автопокрышки, масла, щелочи, кислоты, гальванические элементы, остатки рафинирования нефтесодержащих отходов, свинцовые опилки, кислые смолы.

К первому и второму классам опасности на практике часто относятся промышленные отходы – те, которые образовались в процессе функционирования различных производственных предприятий. Это могут быть  масла, щелочи, кислоты и другие химические вещества. Опасность также представляют отработанные люминесцентные и ртутные лампы, термометры, гальванические элементы.

Классы отходов 3 и 4: что к ним относится и их особенности

К классу III относятся умеренно опасные вещества. У них средняя степень вредного воздействия на окружающую среду. Они еще приводят к нарушению экологической системы, но для восстановления требуется около 10 лет. После этого влияние источника заражения снижается к минимуму. К этому классу опасности относят соединения марганца, серебра, никеля, меди, бензосодержащие отходы, соляную кислоту, трихлорэтилен, фосфаты, этиловый спирт и другие вещества. После их воздействия экологическая система нарушается и для ее восстановления требуется от 10 лет. Определение принадлежности к перечню отходов класса опасности III осуществляется расчетным или экспериментальным методом.

На практике такие отходы могут представлять собой отработанные медные провода, ацетон, обтирочные материалы, шлам очистки труб от нефти, масла (автомобильные, моторные), дизтопливо, цементную пыль, загрязненный бензином песок, свежий навоз со свинофермы, свежий утиный и гусиный помет, табачную пыль.

К классу IV относятся мало опасные вещества. У них низкая степень вредного воздействия опасных отходов на окружающую среду. Эти вещества приводят к определенным нарушениям экологической системы, но она способна восстановиться в течение 3 лет в среднем. К этому классу опасности относятся сульфаты, хлориды, алюминий, метан, аммиак, этанол и другие вещества. После их воздействия экологическая система также нарушается, но период ее восстановления наименьший – около 3 лет. Определение принадлежности к классу опасности IV осуществляется только экспериментальным методом.

На практике такие отходы часто являются строительными (бой кирпича, остатки щебня и арматуры, шпаклевка, куски рубероида). Также это может быть уличный и дорожный мусор, отходы битума и асфальта, обломки мебели, упаковки, остатки пищи, осколки стекла, опилки, отходы пуха и перьев, перепревший навоз и помет птицы, отработанный загрязненный уголь.

Порядок переработки отходов 1-4 класса опасности в 2020 году

Переработка веществ перечисленных по перечню выше классов опасности осуществляется на современном оборудовании, которое позволяет полностью или в максимальной мере устранить их химическую активность. В отдельных случаях становится возможным их вторичная переработка с последующим использованием в различных сферах. Обратите внимание, что сбор и утилизация отходов первого класса опасности осуществляется отдельно, они собираются в специальные контейнеры, которые обеспечивают безопасность их транспортировки. Этот контейнер имеет определенную форму, твердое покрытие внутри и подлежит перевозке в защитном чехле. Среди отходов второго класса только отработанные аккумуляторы нельзя подвергать механическому воздействию, а хранить и перемещать можно в оборудованных для этого контейнерах или поддонах. Также отдельно собираются нефтесодержащие отходы и отработанные масла.

Отходы классов опасности 1 и 2 запрещено бросать, ударять, переворачивать (в упакованном виде), а также повреждать тару, в которой они находятся. В ящиках с ртутьсодержащими элементами не допускается размещение иных отходов.

Сбор и утилизация отходов классов с первого по четвертый осуществляется в соответствии с инструкцией, где описана следующая последовательность действий:

  • сбор и сортировка отходов;
  • оформление документации;
  • учет отходов;
  • транспортировка к месту временного хранения, обезвреживания и переработки;
  • уменьшение объема за счет применения инновационных технологий (упаковка, переработка).

Стоимость работы по определению принадлежности к определенному классу опасности отходов определяется в зависимости от их количества и компонентного состава. Информация об уровне вредоносности отходов заносится в специальный паспорт. В нем же перечислены основные физико-химические свойства отходов. Другие особенности заполнения паспорта перечислены в законе «Об отходах производства и потребления» от 24.06.1998.

Наша компания предлагает услуги по сбору, транспортировке и утилизации отходов 1-4 класса опасности. Мы имеем лицензию на выполнение данных видов услуг, используем только усовершенствованные современные технологии переработки, что позволяет минимизировать риски воздействия на окружающую среду, а также конкурентоспособные цены.

И наши менеджеры предложат вам оптимальную стоимость услуги!

Почему клиенты доверяют нам:

  • мы осуществляем деятельность в соответствии с лицензией и Законодательством;
  • мы перерабатываем отходы инновационными способами, обеспечивая высокую экологическую безопасность процесса;
  • мы предлагаем доступные цены на весь перечень услуг;
  • оказываем бесплатные консультации по вопросам утилизации.

Виды санитарно-просветительской работы структура и классификация медицинских отходов

МЕДИЦИНСКИЙ КОЛЛЕДЖ[pic 1]

Федерального государственного бюджетного образовательного учреждения высшего образования

«Уральский государственный университет путей сообщения»

РЕФЕРАТ

ПМ.01 Проведение профилактических мероприятий

МДК 01.03. Сестринское дело в системе первичной медико-санитарной помощи населению

Основы сестринского дела

Тема: ВИДЫ САНИТАРНО-ПРОСВЕТИТЕЛЬСКОЙ РАБОТЫ СТРУКТУРА И КЛАССИФИКАЦИЯ МЕДИЦИНСКИХ ОТХОДОВ

Выполнил студент

Калугина Анастасия Васильевна

Курс 1

Группа СДоз-140

Специальность: Сестринское дело

Преподаватель

Лустикова Наталья Юрьевна

        

Екатеринбург 2020

СОДЕРЖАНИЕ

Введение……………………………………………………………………….3

1 Медицинские отходы: понятие и классификация…………………………4

2 Опасность медицинских отходов для человека……………….

.……….…8

3 Безопасность при работе с медицинскими отходами………..………..…..9

Заключение……………………………………………………………………11

Список использованной литературы……………………………………….12

ВВЕДЕНИЕ

На сегодняшний день безопасное обращение с медицинскими отходами является одной из важных проблем экологии. Отходы являются источником загрязнения окружающей среды и содействуют распространению и увеличению опасных веществ, негативно влияющих на здоровье человека.

    Стремительное развитие медицинской промышленности приводит к образованию и накоплению медицинских отходов, в результате чего появилась важность решения проблемы обезвреживания отходов лечебно-профилактических организаций.  

Неправильное обращение с медицинскими отходами подвергает работников здравоохранения, тех, кто контактирует с этими отходами и население риску заражения. Кроме того, в мусорных баках часто находят использованные шприцы, перчатки, запачканные кровью. А на свалках могут оказаться кожные лоскуты, скальпели, ампулы с остатками лекарственных препаратов. Таким образом, актуальность данной темы обусловлена огромной значимостью понимания того, какой вред могут принести медицинские отходы, а также важностью безопасного обращения с данными отходами.

    Объектом данной работы является появление понимания об ответственности обращения с медицинскими отходами.

    Предметом исследования – медицинские отходы, их виды.

    Цель: Ознакомиться с классами медицинских отходов, правильном обращении с ними. Для достижения поставленной цели рассмотрим следующие задачи:

1. Дать характеристику медицинских отходов.

2. Ознакомиться с опасностью медицинских отходов.

3. Рассмотреть и изучить безопасное обращение с медицинскими отходами.

1 МЕДИЦИНСКИЕ ОТХОДЫ: ПОНЯТИЕ И КЛАССИФИКАЦИЯ

Впервые понятие медицинских отходов было выделено в особую группу отходов в Базельской конвенции. В соответствии с ней медицинские отходы – отходы, полученные в результате врачебного ухода за пациентами в больницах, поликлиниках и клиниках.

    В результате ратификации Россией Базельской конвенции о контроле за трансграничной перевозкой опасных отходов и их удалением в 1994 году , на Российскую Федерацию легло «бремя», которое выразилось в обязанности сформировать совокупность норм, касающихся медицинских отходов [1].

     По Санитарно-эпидемиологическим требованиям к обращению с медицинскими отходами, медицинские отходы – это отходы, образующиеся в организациях при осуществлении медицинской и/или фармацевтической деятельности, выполнении лечебно-диагностических и оздоровительных процедур.

Медицинские отходы классификация по СанПиН и структура по степени опасности

Медицинские отходы – это не просто мусор! Классификация согласно СанПиН 2.1.7.2790-10

Из всего количества отходов медицинские составляют около 2-3 %, однако это одни из очень опасных отходов. По этому к вопросам их утилизации подойдут со всей серьёзностью. Медицинские отходы имеют собственную структуру и классификацию, благодаря ей выполняется учет, сбор, хранение и утилизация отходов медицинского назначения.

Состав отходов

  1. Пластик. В данную категорию входят такие медицинские приборы, как шприцы, капельницы и остальные приборы единоразового использования. Сами по себе никакой опасности они не несут, но они содержат останки препаратов, которые и могут причинить большой вред.
  2. Бумага. Самый безопасный отходный материал, так как в него входят по большей части упаковки. Но и к бумаге нельзя относиться с пренебрежением: мало ли что было в них упаковано.
  3. Отходы пищеблока. В основном, это все неиспользованные продукты.
  4. Стекло. В данную категорию входят различного рода ампулы, пробирки, оборудование применяемое в медицинской сфере.
  5. Биологический материал.
  6. Химические вещества. Это конкретно сами препараты и составляющие медицинских приборов.

Все составляющие медицинских отходов собой представляют серьёзную опасность для населения. Собственно поэтому перед утилизацией их обеззараживают или совсем уничтожают. Ведь некоторые детали могли контактировать напрямую с больными, имеющими опасные вирусные и инфекционные заболевания, а это означает, представляют опасность для здоровых людей.

Кроме этого, медицинские отходы могут разделяется и на прочие группы:

Биологические отходы. Это самые разные ткани и органы, которые появляются во время медицинской и ветеринарной практики. Это могут быть отходы послеоперационные или появившиеся из-за причины гибели скота. Отходы данного типа есть также в парикмахерских, фитнес- центрах и прочих аналогичных организациях. Самым эффективным и надёжным с медицинской точки зрения способом утилизации биоотходов являются использование специализированных печей для сжигания.

Медицинские отходы. Эти отходы появляются в учреждениях медицинского назначения, к примеру в центрах сдачи крови, аптеках, в престарелых домах, на фармацевтическом производстве.

Отходы профилактических-лечебных отделений. Отходы аптек, фармацевтических заводов, а еще профилактических-лечебных отделений. Такими отходами могут быть препараты или оборудование, которые уже были применены, просрочены или не годятся для применения по какой-нибудь другой причине.

Насколько опасен разбитый ртутный термометр читайте в публикации.

Какая температура плавления ртути и остальные свойства данного метала смотрите https://greenologia.ru/othody/metally/rtut/primenenie.html по ссылке.

Классы опасности медицинских отходов

Кроме составляющих единиц, медицинские отходы классифицируются согласно СанПиН 2.1.7.2790-10 по степени опасности, так как каждая группа просит собственных методов обращения и утилизации. По этому во всех медзаведениях есть несколько контейнеров для каждой группы отходов, окрашенных в цвета согласно классификатору.

  • Отходы А класса. Это самая неопасная категория отходов. Неинфицированная бумага, мебель, испорченное оборудование, отходы от пищи (к ним не необходимо относить отходы кожно-венерологических и инфекционых отделов), строй мусор и все другие нетоксичные объекты – все это составляющие отходов А класса. Обозначаются белым цветом. Как и любые иные отходы, они бывают утилизированы на полигоны ТБО.
  • Отходы класса Б. Опасные отходы. В основном, это отходы инфекционых отделений, инструменты, контактировавшие с больными, загрязненные опасными жидкостями, отходы микробиологический лабораторий не выше 3-4 уровня патогенности, а еще отходы из патологоанатомического и хирургического отделений. Обозначаются жёлтым цветом. Отходы данной категории помещаются в пакеты для медицинских отходов и сортируются в отдельный контейнер жёлтого цвета и перед утилизацией обязательно проходят процесс обеззараживания, так как могут принести вред.

Пакеты для утилизации медицинских отходов предназначаются для классов (А, Б, В и Г), выпускаются разнообразных цветов, и имеют 2 слоя. Слой снаружи – полимерный этилен малого давления, обеспечивающий отличную крепость мешка, слой находящийся внутри – пластичный, благодаря полимерному этилену большого давления. 100 % – герметичность мешков обеспечивает стяжка – завязка, которая является необходимым элементом пакетов.

  • Отходы класса В. Чрезвычайно опасные отходы. Это оборудование, которое пребывало в непосредственном контакте с больными с тяжёлыми вирусными заболеваниями, отходы 1-2 групп патогенности. Сюда же входят отходы из микологических, физиатрических отделений, а еще отходы, контактировавшие с больными анаэробными инфекциями. Обозначаются красным цветом. Чтобы отходы данного класса не принесли никому вред, они обеззараживаются в специализированных установках – утилизаторах, часто такое оборудование находится в границах медучреждения. В любом ином виде их перевозка строжайше воспрещена.
  • Отходы класса Г. Разные препараты с истекшим сроком годности, химические препараты и циостатики, ртуть. По опасности эти отходы близки к промышленным, очень токсичны и собой представляют серьёзную опастность. Обозначаются черным цветом. Вывозом и утилизацией отходов данной категории в согласии правилам обращения с медицинскими отходами занимаются исключительно профессионалы.
  • Отходы класса Д – радиоактивные. Утилизация отходов класса Д аналогична классу Г.

По правилам обращения с медицинскими отходами, на отходы должен быть составлен обязательный документ – паспорт, без него любые действия с опасными отходами запрещены законом. Ответственность за составление паспорта несет руководитель предприятия.

(Пока оценок нет)

классификация и правила их утилизации

Введение

В настоящий момент в России правила обращения с медицинскими отходами регламентируются санитарными правилами и нормами. «Правила сбора, хранения и удаления отходов лечебно-профилактических учреждений(ЛПУ)», заменившими ранее действующие СанПиН 2.1.7.728-99, принятые еще в 1999 году. skillbox отзывы о курсах . Кружки на 8 марта с фотографиями Щербинка.

В России, по-прежнему используют для утилизации большинства медицинских отходов метод захоронения на специальных полигонах с предварительной дезинфекцией. Однако захоронение сопряжено со значительными транспортными расходами, расходами на дезинфекцию, на изменение товарного вида, исключающее повторное использование, да и само создание полигонов требует отчуждения больших территорий, организаций систем защиты и контроля.

Каждый руководитель, осуществляющего амбулаторно поликлиническую деятельность, обязан обеспечить безопасные и безвредные условия труда персонала. Неудовлетворительная утилизация отходов в организации может привести к заражению сотрудников различными инфекционными заболеваниями, в том числе гепатитами, и вирусом иммунодефицита человека (ВИЧ-инфекция).

Эпидемиологическая опасность медицинских отходов обусловлена и тем, что в них существенно выше общее микробное число по сравнению с бытовыми отходами, обнаруживаются патогенные микроорганизмы — бактерии и вирусы. В связи с этим неправильное обращение с отходами внутри учреждения, а также нарушение условий их сбора, хранения и транспортировки могут стать причиной возникновения инфекционных заболеваний у пациентов, выноса инфекции за пределы поликлиники.

Для профилактики подобного заражения разработаны и утверждены соответствующие документы — СанПиНы «Санитарно-эпидемиологические правила и нормативы».

Нормативное регулирование

Из-за дополнительных рисков, связанных с эпидемиологическим, бактериологическим, токсилогическим или радиационным воздействием, медотходы обрабатываются отдельно от всех других видов отходов. Нормативно-правовые акты, относящиеся к обороту мусора, не регулируют обращение отходов медучреждений. Регулирование деятельности происходит на основании санитарных правил СанПиН 2.1.7.2790-10, по которым выполняются все операции:

  1. Сбор.
  2. Хранение.
  3. Вывоз и утилизация.

Исходя из характера воздействия медицинских остатков возможны промежуточные этапы по обезвреживанию и обеззараживанию образовавшейся массы.

Что такое?

Медицинские отходы — это мусор, который остается в медзаведениях вследствие лечебно-профилактических действий. В Российской Федерации ежегодно образуется до 1 миллиона тонн медотходов.
Это лишь 2-3 % всех отходов, но они скрывают большую угрозу. Отходы содержат бактерии, вызывающие различные эпидемии.

Медицинский мусор состоит из:

  1. Пластика. Эта категория представлена использованными шприцами, капельницами, бахилами, халатами одноразового использования. Такие отходы опасны остатками лекарственных препаратов.
  2. Пищевых отбросов. Это продукты, которые не были употреблены в медучреждениях.
  3. Отходов бумаги, которые включают в себя упаковку, книги, документы, данный вид представляет наименьшую опасность.
  4. Стекла. Данный класс представлен такими стеклянными изделиями, как ампула, пробирка.
  5. Химических компонентов. Категория состоит из препаратов, медикаментов, дезинфекторов, растворителей.
  6. Радиоактивных веществ, имеющихся в радиотерапевтических и диагностических веществах и препаратах. Про опасность данного вида, рекомендуем почитать интересную статью по этой ссылке.
  7. Металла. Иглы, шприцы, скальпели, лезвия.
  8. Биоматериалов. К данному классу относятся части тел и жидкости.

Каждая разновидность медицинских отходов несет вред окружающей среде и человеку, и перед утилизацией этот мусор проходит обеззараживание.

Классификация медицинских отходов

Другое отличие медотходов – они не классифицируются по федеральному каталогу, включающему 5 классов опасности: I – самый опасный, V – безопасный. Остатки, образующиеся в медучреждениях, по санитарным правилам классифицируются по собственным 5 классам: «А», «Б», «В», «Г», «Д». Разделение сделано по двум характеристикам:

  • степень воздействия;
  • характер воздействия.

Для каждого класса предусмотрены собственные меры по обработке, предусматривающие применение методов по обезвреживанию или обеззараживанию, исходя из характера опасности.

Класс «А» – безвредные

На территории медицинских учреждений 80% мусора образуется от второстепенной деятельности: документооборота, питания, уборки. Если такие отходы не были подвержены опасному воздействию, то они могут обрабатываться наравне с обычным бытовым мусором. К опасному воздействию относится: инфекционное, токсилогическое, эпидемиологическое, радиационное.

К классу «А» относятся следующие виды медицинского мусора: пищевые остатки, платки, салфетки, макулатура, мебель, гипс, одежда. Они могут обрабатываться совместно с обычными твердыми бытовыми отходами (ТБО), если был исключен контакт с биожидкостями (слюни, кровь, жидкие выделения) или инфекционными пациентами.

Класс «Б» – эпидемиологически опасные

Половину опасных медотходов (все, кроме «А») приходится на класс «Б», характеризующегося низкой и средней эпидемиологической опасностью. Этот показатель определяется 3-4 группой патогенности микроорганизмов. Это послеоперационные остатки и предметы, контактировавшие с биологическими жидкостями пациентов. К классу «Б» относятся инструменты, непригодные вакцины, пищевые остатки из инфекционного блока, старые лекарства. Кроме этого, в эту группу входят производственные, лабораторные медотходы.

Класс «В» – чрезвычайно эпидемиологически опасные

Состав класса «В» такой же, как у «Б», но с большим уровнем опасности – 1-2 группа патогенности. В состав входят такие же остатки и предметы: подвергшиеся воздействию биологических жидкостей инструменты, непригодные вакцины, остатки пищи из инфекционных отделений, старые лекарства, производственные и лабораторные отходы. Все медотходы, возникающие в туберкулезных отделениях лечебных учреждений, относятся к классу «В».

Класс «Г» – токсикологически опасные

В отдельную группу выделяются медотходы, характеризующиеся не степенью опасности, а ее характером – это отходы класса «Г». В эту группу входят все отходы, подвергшиеся токсилогическому воздействию. Чаще всего они появляются в местах производства, к таким остаткам относятся:

  • просроченные лекарства;
  • ртутное оборудование;
  • препараты для химиотерапии;
  • осветительное и другое эксплуатационное оборудование.

Класс «Д» – радиоактивные

Другая группа медотходов, выделяемая на основании характера воздействия, – класс «Д». К нему относятся материалы и предметы, на которые было оказано радиоактивное воздействие. Тип отходов может быть любой: расходники, инструменты, оборудование. Условие отнесения остатков к классу «Д» – превышение норм радиационной безопасности. Такие отходы образуются не только в больницах, но и в экспериментальных центрах, занимающихся изучением радиоактивного воздействия на организм или действия препаратов.

Места скопления медотходов класса «В»

Чрезвычайно эпидемиологически опасные отходы класса «В» в больших количествах образуются в следующих местах:

  1. Отделения муниципальных больниц и частных клиник, где проводится лечение пациентов с тяжелыми инфекционными заболеваниями.
  2. Лаборатории, исследующие патогенные микроорганизмы 1-2 категорий.
  3. Туберкулезные диспансеры.

Места появления

Главный признак медотходов – место их образования. К ним относятся лечебно-медицинские учреждения всех типов: больницы, профилактории, научные центры, фармацевтические производства, аптеки. Даже обычные бытовые отходы относятся к медицинским, если они образовались на территории лечебно-профилактического учреждения. Разделение на классы основано на типе воздействия, которое тоже проявляется территориально:

  • класс «А» – почти площадь учреждения, кроме отделений с эпидемиологическим, токсилогическим, радиоактивным воздействием;
  • «Б» и «В» – инфекционные отделения;
  • «Г» – химиотерапевтическое, фармакологическое;
  • «Д» – рентгеновское.

Кроме мест образования, на региональном уровне определяются нормы накопления. Объемы зависят от нескольких параметров: число койко-мест, площадь, тип учреждения.

Введение

Жизнь большинства из нас начинается и заканчивается в компании медицинских специалистов. На протяжении всей жизни мы ходим в медицинские учреждения и принимаем лекарства не один раз. Редко мы считаем, что результаты нашего лечения вредны для окружающей среды, которая впоследствии становится опасной для здоровья человека. Мы говорим о медицинских отходах.

Спектр медицинских отходов достаточно широк. Сюда относятся как остатки лекарств, которые мы выбрасываем в урны, так и все медицинские отходы с очистных и перерабатывающих сооружений: Предметы для ухода за пациентами, шприцы, бинты, кровь, экскременты, ткани человеческого тела и многое другое. Медицинские отходы из больниц представляют растущую угрозу для окружающей среды в связи с их растущим объемом. К медицинским отходам относятся все виды отходов, образующиеся в больницах, амбулаториях, станциях переливания крови, научно-исследовательских институтах и медицинских учебных заведениях, ветеринарных клиниках, аптеках, фармацевтическом производстве и медицинских центрах. Наша компания может обеспечить транспортировку, уничтожение или утилизацию медицинских отходов и просроченных лекарств.

Сбор, упаковка и хранение отходов

Все мероприятия по обороту медицинских отходов до их вывоза организуются силами учреждения, где они образовались. Для упрощения обращения медотходов разработана цветовая маркировка, по которой группируются остатки:

  • класс «А» – любой цвет, кроме желтого и красного;
  • «Б» – желтый;
  • «В» – красный;
  • «Г» – любой, кроме желтого и красного;
  • «Д» – синий (используется на практике, правилами не определен).

Для сбора и временного хранения на территории учреждения используется герметичная тара, которая помимо цветового обозначения имеет дополнительную маркировку со следующей информацией: класс, вес, количество, состав. В качестве емкостей используются контейнеры или закрывающиеся пакеты, тара может быть одноразовой или многоразовой. Гибкая тара недопустима для помещения в нее острых остатков (шприцы, битое стекло), способных нарушить герметичность.

Смешение отходов разных классов недопустимо, а собранные по тарам остатки размещаются в оборудованных помещениях. Для правильного хранения в помещениях поддерживается специальный микроклимат или устанавливается холодильное оборудование.

Нормативы образования отходов класса «В»

Нормативы образования медицинских отходов не регулируются какими-либо официальными документами и федеральными законами, поэтому каждое медучреждение рассчитывает свою норму образования, исходя из ряда факторов:

  • Профиль медучреждения. В инфекционных и тубдиспансерах, а также ЛПУ объем отходов этого класса значительно выше, чем у больниц широкого профиля.
  • Структура медучреждения.
  • Возможности медицинского учреждения как технические, так и финансовые, а также общее благоустройство территории организации.

Данные о нормативах соответственно различаются и составляют:

  1. От 0,91 килограмм в сутки на одну койку для инфекционных учреждений.
  2. От 0,107 килограмм за одно посещение для тубдиспансеров.

Средний уровень плотности медотходов категории «В» — от 100 килограмм на м3.

Правила транспортировки

Кроме класса «А», который вывозится на те же условиях, что и ТБО, для медицинских отходов предусмотрены собственные правила перевозки. Требования к транспортному средству, используемому для вывоза медицинских отходов класса «Б», «В», «Г», «Д»:

  • физически разделенные кабина и кузов;
  • жесткий и крытый кузов;
  • фиксирующие крепежные устройства внутри;
  • рефрижераторная установка;
  • средства первичной дезинфекции на случай непредвиденных обстоятельств;
  • маркировка «Медицинские отходы».

Для соответствия правилам безопасности должна исключаться перевозка остатков других классов, а кузов необходимо периодически дезинфицировать. Водители и другой сопровождающий персонал снабжаются индивидуальными средствами защиты, в которых они должны выполнять все операции, предусматривающие контакт с тарой для медотходов.

Сбор внутри медицинских организаций

Упаковку для сбора выбирают в зависимости от морфологического состава медицинских отходов. Это могут быть либо одноразовые пакеты, либо контейнеры с жестким основанием, которые невозможно проколоть.

И мягкие пакеты, и контейнеры должны быть красного цвета.

Остатки органического происхождения (жидкие отходы), а также использованные медицинские инструменты собирают во влагостойкий контейнер.

Все остальные отходы собирают в специальные пакеты для медицинского мусора, которые крепятся на тележках или контейнерах.

После того, как пакет заполнен не более чем на три четверти, человек, несущий ответственность за сбор медотходов, завязывает пакет так, чтобы содержимое не могло просыпаться. Контейнеры плотно закрываются крышками.

Транспортировка медицинских отходов за пределы отделения в незапечатанных емкостях строго запрещена.

На финальной упаковке и вывозе из подразделения, медицинские пакеты и контейнеры маркируются надписью «Отходы. Класс В».

Также маркировка должна содержать название медицинского учреждения, отдела, даты упаковки и фамилии ответственного сотрудника.

После сбора одноразовые пакеты и контейнеры складываются в баки для хранения, и их отправляют на дезинфекцию.

Вывоз необеззараженных отходов класса «В» с территории медорганизации недопустим.

Методы обеззараживания и утилизации медотходов

Исключение негативного воздействия медицинских отходов на окружающую среду и персонал достигается при обезвреживании или обеззараживании остатков. Для некоторых классов медотходов («Б», «В») это обязательная процедура, которую необходимо выполнить для временного хранения до вывоза остатков. Дополнительное обеззараживание проводится при утилизации, чтобы исключить попадание опасных остатков в окружающую среду при разложении и повторном использовании предметов. Используются следующие способы обеззараживания и обезвреживания:

  • стерилизация;
  • микроволновое или инфракрасное излучение, ионизация;
  • химическая дезинфекция.

Малоопасные, неопасные и обработанные остатки подлежат захоронению на полигонах или сжиганию. При захоронении остатки прессуются или подвергаются дроблению для сокращения объема, занимаемого мусором.

Гидроклавирование (стерилизация)

Самый распространенный способ обеззараживания – стерилизация. Она проводится в специальных установках, которые называются автоклавами, из-за чего способ называются гидроклавированием или автоклавированием. При помещении в герметичную установку отходы подвергаются воздействию водяного пара при температуре свыше 100 °C и повышенного давления, что способствует уничтожению бактерий.

Воздействие микроволнами, инфракрасными лучами, ионами

Аналогично персонал поступает при обеззараживании физико-химическими способами: отходы помещаются в устройство, где на них оказывается один из видов воздействия. К ним относится: микроволновое и инфракрасное излучение, ионизация. Под влиянием лучей и нагрева остатков происходит уничтожение бактерий. Выбор конкретного способа зависит от типа медотходов, потому что некоторые из них устойчивы к определенным видам воздействия. Для улучшения результатов обеззараживания остатки измельчаются и смешиваются с водой, чтобы увеличить площадь покрытия при излучении.

Химическая дезинфекция

Другой простой способ обеззараживания медицинских предметов – химическая дезинфекция. Для применения не нужна герметичная емкость, достаточно использовать тару, заполненную химическим раствором, в который помещаются остатки. Этот способ применяется с отходами и с используемыми многоразовыми медицинскими инструментами. Чаще всего для этого используются хлорсодержащие жидкости.

Сжигание и захоронение

Большинство медицинских отходов даже после обеззараживания сжигается в специальных установках – инсинераторах. За счет этого полностью уничтожаются бактерии, а объем отходов уменьшается на 80-90%. Кроме этого, при сжигании исключается повторное использование медотходов. Получившиеся твердые остатки безопасны для окружающей среды, попадают в федеральную классификацию и могут быть захоронены в земле. Если сжигание не производится, то безопасные для захоронения остатки подлежат измельчению или дроблению, что исключает незаконное повторное использование медицинских предметов.

Способы ликвидации мусора

Основным способом утилизации медотходов в России является захоронение на полигонах после предварительного обеззараживания. Но для этого нужно осваивать обширные территории, что требует серьезных затрат на транспортировку, изменения товарного вида остатков, проведения захоронений и обеспечения контроля на полигонах. Более экономичным вариантом переработки является сжигание, стерилизация, воздействие излучением.

Основные требования САН ПиН

В России обращение с медицинскими отходами регулируется нормами СанПиНа. Выбор метода обезвреживания мусора зависит от масштабов и профиля организации. В СанПиН 2.1.7.2790-10 приведены основные требования утилизации остатков ЛПК.

Основные правила утилизации медицинских отходов по классификации:

  • Пищевой мусор класса А допускается сбрасывать в систему общей канализации, непищевые остатки в упакованном виде – в мусоропровод и в мусороприемные камеры.
  • Отходы Б класса обязательно дезинфицируют перед утилизацией. Органы и ткани патологоанатомических и операционных отделений подлежат кремации и захоронению.
  • Перед утилизацией, отходы класса В дезинфицируют физическими способами. Для обеззараживания пищевых остатков и выделений больных используют химические методы дезинфекции.
  • Запрещен сбор и временное хранение медмусора класса Г (флаконы, приборы с ртутью, ампулы) без предварительной дезактивации с применением специальных средств.

Емкости с отходами нельзя размещать возле электронагревательных приборов, нарушать вручную герметическую упаковку мусора, пересыпать и транспортировать отходы без использования средств малой механизации.

Дезинфекция перед утилизацией

Обеззараживание опасных отходов перед утилизацией является обязательной мерой. Выбор способа безопасной дезинфекции зависит от специфики деятельности медицинского учреждения. Обезвреживание остатков выполняется в соответствии со следующими требованиями:

  1. Дезинфекция отходов класса Б осуществляется централизованным (участок обеззараживания расположен за пределами территории ЛПУ) и децентрализованным способом.
  2. Мусор В класса дезинфицируют только децентрализовано (на месте), поскольку временное хранение и транспортировка необеззараженных отходов этой категории запрещены.
  3. Физический метод дезинфекции остатков Б и В предполагает обеззараживание паром, температурой, электромагнитным и радиационным излучением.
  4. Химические способы обезвреживания медицинского на месте мусора Б и В – это обработка дезинфицирующими средствами с бактерицидным, фунгицидным, вирулицидным действием.

Предварительная дезинфекция отходов А класса не требуется. Токсикологически опасный медицинский мусор Г категории деактивируют незамедлительно. Обеззараживанием остатков с радиоактивным содержанием занимаются профильные предприятия.

Варианты ликвидации мусора

Утилизатор медицинских отходов Стериус 60

Применять технологии ликвидации мусора разрешено после аппаратного обезвреживания физическим способом. Захоронение медицинских остатков на полигонах допускается после изменения вида и агрегатного состояния отходов (спекание, измельчение, дробление, прессование). Ликвидировать медицинский мусор можно несколькими способами.

Утилизация медицинских отходов разных классов опасности:

  1. Сжигание. Материал загружают в муфельные печи, инсинераторы. Обезвреживают путем термической обработки. После дожига газообразных продуктов горения, остывания пепла мусор удаляют на полигоны для ТБО. Метод подходит для всех типов медицинского мусора.
  2. Стерилизация в устройствах автоклавирования. Отходы А, Б, В, Г, Д утилизация выполняется под действием пара и температуры. Ликвидации подлежат перевязочные материалы, инструменты. Требуется предварительная обработка медмусора путем прессования и измельчения. Автоклав переводит отходы Б, В в класс А.
  3. Химическая дезинфекция. Перед уничтожением медицинский мусор дробят, прессуют, чтобы хлор глубоко проникал в отработанные продукты. Такой способ подходит для жидкого мусора. Недостаток – не все микроорганизмы могут быть уничтожены.
  4. Микроволновое воздействие. Осуществляется при помощи стационарных и мобильных установок. Для эффективной ликвидации мусор предварительно измельчают, перемешивают с водной средой. При обработке СВЧ-волнами выделяется пар и тепло, уничтожающие инфицированные отходы.

Еще один способ утилизации – стерилизация ионизирующим, радиоактивным, инфракрасным излучением. Оказывает бактерицидное действие на медицинские остатки. Во время работы ионизирующей установки происходит незначительный нагрев стерилизуемого объекта.

Лицензия на утилизацию медотходов

Из-за отдельной классификации медицинских отходов от всех остальных видов деятельность по их обращению связана с юридическими противоречиями. По общему федеральному законодательству лицензия требуется только для обращения с отходами I-IV класса, а из медицинских к ним относится только группа «Г». После обеззараживания некоторые медицинские отходы могут попадать под федеральную классификацию, что обязывает организации иметь лицензию для обращения. Прямое указание на наличие лицензии для работы с медицинскими отходами классов «А», «Б», «В», «Д» отсутствует. Санитарными правилами определены условия обращения, во многом аналогичные тем, что подтверждаются при прохождении лицензирования на обращение с другими видами отходов.

Основные требования по обращению с отходами

Для обеспечения эпидемиологической безопасности в процессе утилизации, разработан перечень правил и норм. Требования по обращению с медицинскими остатками начинаются с соблюдения инструкций по использованию расходных материалов и инвентаря.

Основные положения:

  • Нельзя смешивать разные классы мусора в одной таре.
  • Емкости в обязательном порядке нужно маркировать.
  • Одноразовые упаковки дезинфицируют и утилизируют.
  • Многоразовую тару обрабатывают, используют повторно.
  • Задействованный персонал обязан проходить медосмотры.
  • Лиц, не прошедших инструктаж, к работе не допускают.
  • Персоналу выдают средства индивидуальной защиты, спецодежду.
  • Запрещено вручную пересыпать неупакованные материалы.

Установлены строгие сроки временного хранения медицинских остатков. Сбор отходов выполняется в течение рабочей смены, тару для острого инструментария можно заполнять до трех суток. Опасный мусор классов Б и В содержат отдельно от других отходов, а мусор, не прошедший обеззараживание, хранят в специально оборудованных помещениях, куда не имеют доступ посторонние лица.

На заметку! Получить допуск к работам с медицинскими отходами (сбор, хранение, перевозка) можно после прохождения специального обучения.

Опасность для окружающей среды и здоровья человека

Утилизация медицинского мусора – одна из ведущих мировых проблем, поскольку эти отходы несут угрозу для внешней среды. Наряду с официальными свалками, ежегодно появляются неразрешенные свалочные площадки. Большая часть не соответствует санитарным нормам. На таких свалочных полигонах особую угрозу несет медицинский мусор.

Увеличение количество медотходов связывается с нехваткой и отсутствием в РФ приспособлений для устранения и обезвреживания мусорного материала.

Загрязненная внешняя среда является причиной для ухудшения здоровья людей.

Способы утилизации, оборудование

Существует несколько методов ликвидации медотходов. Рассмотрим каждый из них более подробно.

Инсинерация

При инсинерации биологический продукт и отходы подвергаются сжиганию при температурном режиме 400-1200 С в специализированном оборудовании (инсинераторах).
Этот довольно результативный и часто применяемый метод не одобрен экологами, так как инсинераторы, используя при работе дизель либо газ, выделяют в атмосферу вредоносные компоненты.

Пиролиз

При пиролизе материал кремируется в безвоздушном пространстве. Почва и воздух не загрязняются вредными компонентами.

Плазменная технология

Плазменную технологию используют для ликвидации опасных отходов. Токсические компоненты разлагаются посредством энергии электродуги при температурном режиме 4000 градусов. Метод не нашел широкого применения по причине не изученности.

Помимо этих методов применяют химическую (кислота, щелочь), термохимическую (измельчение, прогревание, обеззараживание мусора) технологии.

Полезное видео

О том, как производят дезинфицирование медицинских отходов и их утилизацию в одной из российских больниц, смотрите в следующем видеосюжете:

A Алгоритм идентификации и классификации биомедицинских отходов с использованием Mltrp и Rvm

Иран J Общественное здравоохранение. 2016 Октябрь; 45 (10): 1276–1287.

Аравиндан АЧУТАН

1. Факультет гражданского строительства, Инженерный колледж Лата Матхаван, Мадурай, Тамил Наду, Индия

Васумати АЙЯЛЛУ МАДАНГОПАЛ

2. Dept. , Тамил Наду, Индия

1. Отдел.инженерного колледжа Лата Матхаван, Мадурай, Тамил Наду, Индия

2. Кафедра гражданского строительства, Технологический институт Сету, Карияпатти, Тамил Наду, Индия

Поступила в редакцию 22 марта 2016 г. ; Принято 10 августа 2016 г.

Copyright © Иранская ассоциация общественного здравоохранения и Тегеранский университет медицинских наук

Эта работа находится под лицензией Creative Commons Attribution-NonCommercial 3.0 Unported License, которая позволяет пользователям читать, копировать, распространять и создавать производные работы для некоммерческих целей. целей из материала, если автор оригинальной работы указан правильно.

Abstract

Background:

Мы стремились извлечь функции гистограммы для анализа текста и классифицировать типы биомедицинских отходов (BMW) для удаления мусора и управления им.

Методы:

Данный BMW был предварительно обработан с использованием метода медианной фильтрации, который эффективно уменьшил шум на изображении. После этого особенности гистограммы отфильтрованного изображения были извлечены с помощью предложенного метода Modified Local Tetra Pattern (MLTrP).Наконец, машина вектора релевантности (RVM) использовалась для классификации BMW на части человеческого тела, пластик, хлопок и жидкости.

Результаты:

Изображение BMW было взято из набора данных изображения мусора для анализа. Производительность предложенной системы идентификации и классификации BMW была оценена с точки зрения чувствительности, специфичности, скорости классификации и точности с помощью MATLAB. По сравнению с существующими методиками предложенные методики давали лучшие результаты.

Заключение:

В этой работе предлагается новая методика анализа текстуры и классификации для управления и утилизации BMW. Его можно использовать во многих приложениях реального времени, таких как системы управления больницами и здравоохранением, для надлежащей утилизации BMW.

Ключевые слова: Медицинские биоотходы, Медианный фильтр, Чувствительность, Специфичность

Введение

Биомедицинские отходы (BMW) возникают в результате ухода за людьми, животными, медицинского обучения, медицинских исследований, отходов биологических лабораторий и других объектов. Часть этого потока отходов является заразной или потенциально заразной, и ею необходимо управлять надлежащим образом для защиты санитарного и медицинского персонала. Обычно BMW (1–3) регулируются и управляются в соответствии с различными стандартами и протоколами в разных странах. В медицинских учреждениях отходы образуются при неправильном управлении, что оказывает прямое воздействие на здоровье населения, окружающей среды и медицинских работников. БМВ представляет опасность для здоровья населения, больниц, медицинских учреждений, флоры и фауны района.BMW всегда должен храниться в безопасных условиях, когда это возможно. BMW нельзя смешивать с химическим, радиоактивным или другим лабораторным мусором. Контейнеры для BMW должны соответствовать его содержимому, существуют различные виды контейнеров, а также пакеты для хранения и утилизации BMW (4). Правительство Индии указывает, что BMW является частью больничной гигиены и технического обслуживания. Всемирная организация здравоохранения (ВОЗ) разделила BMW на восемь категорий, в том числе:

Предварительная обработка — важный этап в приложениях для обработки изображений, который устраняет ненужные шумы в заданном входном изображении. Медианные фильтры широко используются во многих приложениях для обработки изображений, поскольку они обеспечивают отличные возможности шумоподавления для удаления шума. В этой статье усовершенствованный метод медианной фильтрации применяется для удаления шумов в заданном изображении BMW. После шумоподавления текстурные особенности предварительно обработанного изображения BMW извлекаются на основе значения гистограммы с помощью MLTrP.

В данном исследовании идентифицируется и классифицируется тип БМВ с помощью МЛТрП и классификатора РВМ.Алгоритмы обработки изображений применяют локальные и глобальные операции к входному изображению по некоторым конкретным причинам, таким как устранение шума, обнаружение краев и контрастное растяжение. Локальный бинарный паттерн (LBP), локальный производный паттерн (LDP) и локальный тетрагональный паттерн (LTP) — это существующие подходы к извлечению признаков. Эти методы в основном используются для извлечения информации на основе распределения краев, закодированных с использованием только двух направлений, таких как положительное и отрицательное направления. Производительность этих методов может быть улучшена путем дифференциации границ более чем в двух направлениях.Для преодоления этого ограничения в данной работе используется метод извлечения MLTP. MLTrP — это код с тремя направлениями, который иллюстрирует пространственную структуру локальной текстуры с использованием направления центрального серого пикселя. BMW следует классифицировать в соответствии с их источником, типом и факторами риска (5). В данной статье МЛТрП для классификации БМВ предлагается на основе диагонального, горизонтального и вертикального направления. Текст является важной концепцией анализа текстуры, применяемой для разработки эффективных моделей распознавания текстуры.Кроме того, извлечение шаблона используется для классификации каждого пикселя с использованием четырехнаправленного направления, а извлечение шаблона величины собирается с использованием величины производных. Существуют различные методы классификации для эффективной классификации изображений. Некоторыми из существующих методов классификации, сравниваемых в этой статье, являются искусственная нейронная сеть (ИНС) (6), дерево решений (7), машина опорных векторов (SVM) (8) и нечеткая мера (9). ANN — это непараметрический универсальный классификатор, который эффективно обрабатывает входной шум.Недостатками этого метода являются его высокая скорость вычислений, семантическая бедность, проблема переобучения и больше времени на обучение. Дерево решений — это непараметрические обучающие данные, которые обеспечивают иерархические связи между входными переменными для прогнозирования членства в классе. Он прост и обладает хорошей вычислительной эффективностью, что является основным преимуществом этого метода. Он становится более сложным, когда различные значения соотносятся, что является основным ограничением этого подхода.

SVM — это классификатор с неконтролируемым обучением, который приобретает гибкость в виде порога и содержит нелинейное преобразование. Преимущества этого метода в том, что он имеет меньшую вычислительную сложность и простое управление сложностью правил принятия решений. Недостатками этой методики являются низкая результирующая прозрачность SVM, меньше времени на обучение, непростая для понимания структура этой методики и более сложное определение оптимальных параметров. Чтобы преодолеть эти недостатки, в этой статье используется метод классификации RVM.

После извлечения элементов текстуры классификатор RVM используется для классификации отходов BMW. RVM является распространенным выбором для задач классификации, что дает больше преимуществ по сравнению с SVM. В этом анализе он в основном используется для классификации входного изображения BMW. После классификации идентифицируются типы отходов, чтобы правильно отделить и утилизировать BMW. В этом анализе определены и классифицированы четыре типа отходов, такие как части человеческого тела, пластик, хлопок и жидкости.Основная цель этой работы состояла в том, чтобы дать определение BMW и предоставить информацию об идентификации и классификации этого потока отходов. Для этого в статье предлагается метод классификации МЛТрП с РВМ.

Мы стремились извлечь функции гистограммы для анализа текста и классифицировать типы BMW для утилизации и управления мусором.

Методы

Здесь MLTrP и RVM использовались для эффективного извлечения и классификации характеристик гистограммы изображения BMW. Основная цель этой работы состояла в том, чтобы извлечь особенности гистограммы из изображения BMW и классифицировать тип BMW как пластиковые, хлопковые, жидкие или части человеческого тела. Предлагаемая система классификации изображений BMW была разработана в 2014 году с использованием инструмента MATLAB с некоторыми изображениями мусора. В этом документе представлена ​​новая основа для надлежащего удаления мусора и управления им.

Предварительная обработка

Предварительная обработка изображений обычно включает устранение фонового шума, стабилизацию интенсивности изображений конкретных частиц, устранение отражений и маскирование частей изображений.Предварительная обработка изображений — это метод увеличения данных, при котором изображения переходят к вычислительной обработке. Предварительная переработка BMW на месте производства — это начальный этап, но он также является важным этапом в управлении медицинскими отходами. В этом исследовании медианный фильтр используется для предварительной обработки изображения BMW. Медианная фильтрация — это нелинейный метод, в основном используемый для удаления шума с изображений. Это очень эффективный и широко используемый метод удаления шума с сохранением границ. Медианный фильтр — один из основных строительных блоков в приложениях для обработки изображений, который адекватно удаляет шумы типа «соль и перец».Он удаляет шумы в изображении BMW, перемещаясь по изображению пиксель за пикселем. Шаблон соседей называется окном, которое пиксель за пикселем скользит по всему изображению BMW. Первоначально медиана вычисляется путем упорядочивания всех значений пикселей из окна в числовом порядке. После этого он заменяет каждое значение медианным значением соседних пикселей. показан процесс медианной фильтрации на основе предварительной обработки изображения BMW.

Процесс медианной фильтрации

Первоначально на вход подается изображение BMW, и шумы, присутствующие в этом изображении, удаляются с помощью метода медианной фильтрации.Затем особенности текстуры изображения с шумоподавлением извлекаются с использованием метода MLTP. На этом этапе шаблоны извлекаются, и шаблоны закодированной величины вычисляются на основе направлений пикселей (0°, 45° и 90°). Следовательно, функции гистограммы выбираются и подаются на вход классификатора RVM. Наконец, образ BMW классифицируется по частям человеческого тела, хлопку, пластику и жидким отходам.

Извлечение признаков

Извлечение признаков — это процесс захвата визуального содержимого изображений для индексации и поиска.Извлечение признаков включает в себя облегчение количества ресурсов, необходимых для точного представления большого набора данных. Целью извлечения признаков является представление необработанного изображения в его уменьшенной форме для облегчения процесса принятия решений, такого как классификация образов. Извлечение признаков является важным шагом для получения высокой скорости классификации. Набор признаков извлекается, чтобы позволить классификатору идентифицировать нормальный и ненормальный образец. Область изображения BMW определяется способом распределения уровней серого по пикселям в области. Свойства области изображения BMW количественно определяются путем использования пространственных отношений, лежащих в основе распределения уровня серого. В этой статье особенности входного изображения BMW извлекаются с помощью MLTP. показывает общий поток предложенного извлечения признаков на основе MLTP и классификации на основе RVM.

Общий поток предлагаемой идентификации и классификации BMW

MLTrP

В области извлечения и классификации текстурных признаков MLTrP является ступенькой.Он в основном используется для построения взаимосвязи между центральным пикселем и соседними пикселями путем вычисления разницы уровней серого. MLTrP кодирует входное изображение BMW, вычисляя горизонтальное и вертикальное направления каждого пикселя. Он кодирует взаимосвязь на основе направления центрального пикселя p c и соседей. Направления вычисляются путем объединения (n-1)-го -го порядка производных направлений 0°, 45° и 90°. Производные первого порядка по направлениям 0°, 45° и 90° обозначаются как

Dθ1(np)|θ=0°,45°,90°

Пусть n c обозначает центральный пиксель изображения D , n h 9008 обозначает горизонталь v указывает вертикальную окрестность, а n d представляет диагональную окрестность n c соответственно. Затем производные первого порядка в центральном пикселе вычисляются как D(nc)

[2]

D90°1(nc)=D(nv)−D(nc)

[3]

Направление центрального пикселя вычисляется как

DDir1(nc)={1,D0°1(nc)≥0 и D45°1(nc)≥0 и D90°1(nc)≥02,D0°1(nc)<0 и D45°1( nc)≥0 и D90°1(nc)≥03,D0°1(nc)<0 и D45°1(nc)≥0 и D90°1(nc)<04,D0°1(nc)≥0 и D45°1(nc)≥0 и D90°1(nc)<05,D0°1(nc)≥0 и D45°1(nc)<0 и D90°1(nc)≥06,D0°1(nc )<0 и D45°1(нк)<0 и D90°1(нк)≥07,D0°1(нк)<0 и D45°1(нк)<0 и D90°1(нк)<08,D0 °1(nc)≥0 и D45°1(nc)>0 и D90°1(nc)<0

[4]

Из уравнения [4] видно, что возможное направление для каждого центрального пикселя может быть 1, 2, 3, 4, 5, 6, 7 или 8, и в конечном итоге изображение преобразуется в восемь направлений.Заказ МЛТрП 2 ( н c ) определяется следующим образом,

MLTrP2(nc)={f8(DDir1(nc),DDir1(n1)),f8(DDir1(nc),DDir1(n2)),⋯f8(DDir1(nc),DDir1(np))}

[5]

f8(DDir1(nc),DDir1(np))={0,DDir1(nc)=DDir1(np)else,DDir1(np)

[6]

8-битный шаблон тетра для каждый центральный пиксель получается из уравнений [5] и [6]. Затем все шаблоны разделяются на 8 частей в зависимости от направления центрального пикселя. Где направление центрального пикселя ( DDir1(nc) ) получается из уравнения [4].Отсюда МЛТрП 2 | Направление = 2,3,4,5,6,7,8

=∑p=1p2(p−1)*f8(MLTrP2(nc))|Direction=2,3,4,5,6,7,8

[7]

f8(MLTrP2(nc)) |Direction=ϕ={1,if MLTrP2(nc)=ϕ0,else

[8]

Где ф = 2,3,4,5,6,7,8. аналогичным образом другие четырехгранные шаблоны для оставшихся 8 направлений центральных пикселей преобразуются в двоичные шаблоны. Наконец, берутся 56 (8×7) бинарных шаблонов. показан процесс извлечения признаков гистограммы с помощью MLTrP.

Процесс извлечения признаков на основе MLTP

Компонент величины MLTP предоставляет более полезную информацию для классификации признаков текстуры. Использование комбинации этих паттернов обеспечивает лучшие показания, которые не проявляются ни в одном отдельном компоненте. Схема величины извлечения признаков MLTrP показана на рис.

Процесс извлечения шаблона величины

иллюстрирует вычисление четырехгранного шаблона для направления центрального пикселя 1 с использованием направления соседей.Направление синих стрелок представляет центральный пиксель, а черные стрелки представляют соседние пиксели. Здесь мы берем 57 паттернов (то есть 8 X 7), 56 тетра-паттернов и 1 паттерн магнитуды. Следовательно, мы увеличиваем количество шаблонов для извлечения признаков текстуры. Традиционные алгоритмы находят паттерн тетра в 4 направлениях, но в этой работе мы используем 8 направлений.

Векторная диаграмма для расчета тетрапаттерна

Классификация RVM

RVM — это алгоритм разреженного обучения, аналогичный SVM, который способен выдавать полностью вероятностные выходные данные.Преимущества RVM дают функцию решения, которая намного реже, чем SVM, сохраняя при этом точность классификации. RVM представляет собой выпуклую квадратичную программу, которая обеспечивает вероятностную интерпретацию машины выходных векторов. Идея RVM заключается в том, что входные данные отображаются в многомерное пространство функций с помощью функции ядра.

Дан набор данных {ай,би}я=1n , где a i — входной вектор, а b i — их соответствующие выходные данные.Вывод RVM проиллюстрирован следующим образом:

b(a)=∑i=1nwif(a,ai)+w0

[9]

Где w = [ w 0 , … w i ] представляет весовой вектор, f ( a, a i ) представляет ядро ​​. В RVM в качестве встречающегося ядра используется ядро ​​Гаусса, выраженное следующим образом:

f(a,ai)=exp[−‖a−ai‖22σ2]

[10]

Где σ представляет ширину ядра Гаусса.Вероятность набора данных может быть выражена с помощью

p(b|w,σ2)=(2πσ2)−π2exp[−12σ2||b−ρ||2]

[11]

Где,

ρ

ρ ( A I ) = (1, F ( A I , A 1 ), F ( A I , A , A 2 ), . .., F ( A I , A , A N ))

[12]

. Явная вероятность до распределение по весам для улучшения обобщающей способности модели RVM, определяемой следующим образом:

p(w|x)=Πi=1nN(wi|0,xi−1)

[13]

Где x представляет вектор гиперпараметров.Таким образом, функция классификатора векторной машины релевантности может быть выражена следующим образом:

b(a)=ρ′(a)(∑i=1nxiρ(ai))

[14]

В этом анализе классификатор RVM в основном используется для классификации типов отходов, таких как части человеческого тела , хлопок, пластмассы и жидкости. Преимущества классификатора RVM перед SVM:

  • Классификатор RVM требует меньшего вектора релевантности, чем SVM.

  • По сравнению с SVM требуется меньше времени на тестирование.

  • Вычислительные затраты и сложность ниже по сравнению с SVM.

Результаты

Биомедицинские отходы (БМВ) – это отходы, образующиеся в больницах, учреждениях здравоохранения и медицинских лабораториях, образующиеся в ходе иммунизации, диагностики и лечения. Экспериментальные результаты показывают эффективность предлагаемой идентификации и классификации BMW. В этом анализе метод извлечения признаков MLTrP используется для гистограммы характеристик изображения BMW, а классификатор RVM используется для классификации типов отходов, таких как части человеческого тела, пластик, хлопок и жидкости.

Отфильтрованное изображение

Первоначально изображение BMW подается на вход, показанный на рис. Он содержит нерелевантные и сильно искаженные шумы, удаленные с помощью медианного фильтра. Он в основном используется для устранения шума соли и перца из изображения, и отфильтрованное изображение показано на . Паттерн соседей называется окном, которое скользит по пикселю всего изображения. Здесь медиана вычисляется путем сортировки всех значений пикселей из окна в числовом порядке. Затем значение пикселя заменяется медианным значением (средним значением пикселя).

Извлечение текстуры

После шумоподавления текстурные особенности изображения с шумоподавлением извлекаются с помощью метода MLTrP, показанного на . MLTrP иллюстрирует пространственную структуру локальной текстуры, используя направление центрального серого пикселя. Тетрашаблон рассчитывается на основе направления пикселей с использованием производных по горизонтали, диагонали и вертикали (0°, 45° и 90°).

Извлечение признаков текстуры

Матрица путаницы

иллюстрирует матрицу путаницы для фактических и прогнозируемых классов изображения BMW.На этом графике ось x представляет прогнозируемые классы, ось y представляет выборки данных, а ось z представляет фактические классы. Матрица путаницы содержит информацию о фактических и прогнозируемых классификациях, выполненных системой классификации RVM. Производительность этой системы оценивается с использованием данных в матрице.

Матрица путаницы для фактических и предсказанных классов

Чувствительность и специфичность

Чувствительность — это доля истинно положительных результатов, правильно идентифицированных классификатором RVM, выраженная в процентах.Чувствительность определяется как вероятность получения положительного результата теста у испытуемых. Специфичность — это количество истинно отрицательных результатов, деленное на сумму числа истинно отрицательных и ложноположительных результатов. Чувствительность рассчитывается с использованием,

Чувствительность = TP (TP + Fn) = количество истинных положительных оценокНом Согласил всех положительных оценок

[15]

Специфичность = Tn (Tn + FP) = количество истинного отрицательного оценки со всеми негативными оценками

[16]

Средние значения формул 15 и 16: TP – истинно положительный, TN – истинно отрицательный, FP – ложноположительный, FN – ложноотрицательный.В этом анализе уровень чувствительности увеличивается на 100%, а уровень специфичности увеличивается на 91%.

Скорость классификации

RVM — один из самых известных методов классификации и распознавания образов. Он обеспечивает лучшие результаты классификации по сравнению с классификатором SVM. Скорость классификации — это скорость идеального предсказания, увеличенная на 100%. Частота ошибок — это частота ошибочной классификации, которая снижает производительность скорости классификации, уменьшенную на 43%. Правильная скорость — это точная скорость классификации, увеличенная на 95.65%. Увеличивая правильную скорость, общая производительность и точность также увеличиваются.

Точность

Из этого анализа видно, что уровень точности увеличивается на 95,65% при использовании классификации RVM. Результаты обработки изображения BMW возвращают результат с точностью, соответствующей субпиксельному разрешению, воспроизводимость которого можно вывести из частоты возникновения. Точность классификатора РВМ можно определить по чувствительности и специфичности при наличии распространенности. Уровень точности рассчитывается с использованием,

Точность=(TN+TP)(TN+TP+FN+FP)=Количество истинных  оценокКоличество всех оценок

[17]

Где PL представляет положительную вероятность, а NL представляет отрицательную вероятность. PL — это положительный результат, также называемый прогностической ценностью положительного результата теста. NL — отрицательный балл, также называемый прогностической ценностью отрицательного результата теста.

Здесь точность классификации уровня обучения и точек обучающих признаков рассчитывается для существующих и предлагаемых методов извлечения признаков текстуры, показанных на рис.Где, я ? представляет коэффициент плотности шума.

Таблица 1:

Таблица 1:

Классификация Точность для существующих и предложенных текстурных методов экстракции Функции (24)

005 96.55 94.2605 76.67 88.96
Классификация Точность ρ = 5% ρ = 5% ρ = 10% ρ = 20% ρ = 30% ρ = 40% ρ = 40% ρ = 40%
Методы
Brint2_cs_cm (MS9) 98. 63 96.55
92.64 94.64 84.54 74.26
92.96 92.96 90.53 82.2 69.77 50.88
94.77 94.77 94.77 94. 77 94,77 93.22 76.67
54.81 43.33 43.33
LTP (MS9) 92.99 92.99 91.99 86.11 77.71 64.19
NRLBP (MS9) 88. 63 88.96
83.87 78.98 78.98 67.11
MLTRP (Предлагается) 99.44 98.44 95.65 92.86 92.86 91.3

Достопримечательности Достижие (PL) = Чувствительность

[18]

Negative Likehood (NL)=1−SensitivitySpecificity

[19]

Сравнительный анализ между существующими SVM и предлагаемыми классификаторами RVM

представляет значения чувствительности, специфичности и скорости классификации. Из этого графика видно, что предложенный классификатор RVM дает лучшие результаты по сравнению с классификатором SVM. показан сравнительный анализ существующих и предлагаемых методов классификации RVM.

График сравнительного анализа существующих SVM и предлагаемых классификаторов RVM.

Показатель производительности

показывает показатель эффективности классификации RVM. Показатели производительности, такие как частота ошибок, частота ошибок, чувствительность, специфичность, точность и распространенность предлагаемой системы идентификации и классификации BMW, оцениваются с использованием классификатора RVM.

Таблица 2:

Таблица 2:

Распоряжение РВМ классификации

06 Последняя корректная скорость4
Ошибка частота
0. 9565
0.0435
Обладательство 1
Чувствительность 1
Спецификация 0.9196
положительный прогноз 0,9167 0. 9167
1
0 4
12
отрицательная вероятность (NL) 0
Распространенность Точность

ОбсуждениеВ последние десятилетия предложено несколько родственных работ по классификации БМВ. Классификация (10) и идентификация BMW — непростая задача, поэтому для идентификации потока отходов требуется дополнительная работа.

Методы медианной фильтрации (11–13), MLTP (14–19) и RVM (20–23) используются для эффективного извлечения и проверки характеристик гистограммы изображения BMW. В этом исследовании правильно идентифицированы и классифицированы четыре типа отходов, такие как части человеческого тела, пластик, хлопок и жидкости.

В этом документе основное внимание уделяется разделению биоотходов у источника. Разделение биоотходов у источника является первичным этапом, а переработка, повторное использование и переработка должны рассматриваться с соответствующей точки зрения. Предлагаемая идентификация и классификация BMW стремится к повышению точности, чувствительности, специфичности и скорости классификации. Эти показатели особенно важны для визуализации BMW, и она становится предсказуемой исследовательской процедурой в клинической практике.В этой статье разработан гибридный метод для извлечения и классификации текстурных признаков изображения BMW путем объединения MLTP с классификатором RVM. Основная цель использования метода MLTrP состоит в том, чтобы извлечь функции гистограммы из очищенного от шума изображения BMW. Здесь 8-битный тетра-шаблон и амплитудные шаблоны рассчитываются на основе горизонтального, диагонального и вертикального направлений (0°, 45° и 90°). Кроме того, механизм классификации RVM также используется для точной классификации потока отходов на части человеческого тела, пластик, хлопок и жидкости.

В будущем система классификации может быть усовершенствована для дальнейшей систематической сортировки и надлежащей утилизации BMW.

Заключение

BMW следует классифицировать в соответствии с их источником, типом и факторами риска, связанными с обращением с ними, обращением, разделением, обработкой и удалением. С BMW необходимо обращаться и хранить его в безопасных условиях, поскольку он вызывает серьезные проблемы со здоровьем окружающей среды. В этой статье BMW идентифицируется и классифицируется с использованием метода MLTP и классификатора RVM.Первоначально входное изображение BMW предварительно обрабатывается с использованием метода медианной фильтрации. На этом этапе нерелевантные и сильно искаженные шумы удаляются и фильтруются. После этого MLTrP используется для извлечения характеристик гистограммы изображения BMW. Следовательно, признаки шаблона гистограммы подаются на вход RVM, который является многоклассовым классификатором, в основном используемым для классификации шаблонов. Наконец, образ BMW классифицируется по частям человеческого тела, хлопку, пластику и жидким отходам.

Этические соображения

Этические вопросы (включая плагиат, информированное согласие, неправомерное поведение, фабрикацию и/или фальсификацию данных, двойную публикацию и/или представление, избыточность и т. д.) были полностью соблюдены авторами.

Благодарность

Авторы заявляют об отсутствии конфликта интересов.

Ссылки

1. Чаухан А., Сингх А. (2016). Гибридный многокритериальный подход к принятию решений для выбора устойчивого местоположения объекта по утилизации медицинских отходов. J Clean Prod, 139: 1001–1010. [Google Академия]2. Лакшми Рефонаа Дж., Вивек Дж. (2015). Отслеживание биомедицинских отходов с использованием глобальной системы позиционирования. 2015. Международная конференция по схемам, энергетике и вычислительным технологиям (ICCPCT).[Google Академия]3. Кумар Р., Гупта А.К., Аггарвал А.К., Кумар А. (2014). Описательное исследование по оценке управления биомедицинскими отходами в государственной больнице третичного уровня в Северной Индии. J Environ Health Sci Eng, 12:69. [Бесплатная статья PMC] [PubMed] [Google Scholar]4. Морейра АММ, Гюнтер ВМР. (2013). Оценка обращения с медицинскими отходами в центре первичной медико-санитарной помощи в Сан-Паулу, Бразилия. Управление отходами, 33 (1): 162–167. [PubMed] [Google Scholar]5. Калайвани К., Анджалиприя В., Сивакумар Р., Шримина Р.(2015). Эффективная схема управления биоключами для приложений телемедицины. в области технологических инноваций в области ИКТ для сельского хозяйства и развития сельских районов (TIAR), IEEE, 2015 г. [Google Академия]6. Найк Б., Наяк Дж., Бехера Х.С., Авраам А. (2016). Самоадаптирующаяся ИНС высшего порядка, основанная на поиске гармонии, для нелинейной классификации данных. Нейрокомпьютинг, 179: 69–87. [Google Академия]7. Фарид Д.М., Чжан Л., Рахман С.М., Хоссейн М.А., Страчан Р. (2014). Гибридное дерево решений и наивные байесовские классификаторы для задач классификации нескольких классов.Приложение Expert Syst, 41 (4): 1937–1946. [Google Академия]8. Ван Д., Чжан С., Фан М., Е С. (2016). Иерархические смешивающие линейные машины опорных векторов для нелинейной классификации. Распознавание образов, 59: 255–267. [Google Академия]9. Корытковски М., Рутковски Л., Шерер Р. (2016). Быстрая классификация изображений за счет усиления нечетких классификаторов. Информ Sci, 327: 175–182. [Google Академия] 10. Розен Г.Л., Райхенбергер Э.Р., Розенфельд А.М. (2011). NBC: веб-сервер инструмента наивной байесовской классификации для таксономической классификации метагеномных прочтений.Биоинформатика, 27(1): 127–129. [Бесплатная статья PMC] [PubMed] [Google Scholar]11. Фарагалла О.С., Ибрагем Х.М. (2016). Структура взвешенного медианного фильтра с адаптивным переключением для подавления шума соли и перца. AEU-Int J Electron C, 70(8): 1034–1040. [Google Академия] 12. Лу КТ. (2014). Шумоподавление с использованием трехступенчатого коэффициента усиления и итеративно-направленного медианного фильтра. Appl Acoust, 76: 249–261. [Google Академия] 13. Мехер СК. (2014). Рекурсивный и исключающий шум срединный фильтр с нечетким переключением для подавления импульсного шума.Eng Appl Artif Intell, 30: 145–154. [Google Академия] 14. Мурала С., Махешвари Р., Баласубраманиан Р. (2012). Локальные четырехугольники: новый дескриптор функции для поиска изображений на основе содержимого. IEEE Trans Image Process, 21(5): 2874–2886. [PubMed] [Google Scholar] 15. Шривастава Н., Тьяги В. (2014). Эффективная схема классификации текстуры изображения на основе бинарного шаблона локальной структуры. Visual Comput, 30 (11): 1223–1232. [Google Академия] 16. Мурала С., Ву (2014). Локальные сетчатые паттерны в сравнении с локальными бинарными паттернами: индексация и поиск биомедицинских изображений.IEEE J Biomed Health Inform, 18(3): 929–938. [PubMed] [Google Scholar] 17. Юань Ф. (2014). Инвариантный к вращению и масштабу локальный двоичный шаблон, основанный на производных по направлению высокого порядка для классификации текстуры. Процесс цифровых сигналов, 26: 142–152. [Google Академия] 18. Юань Ф., Ши Дж., Ся С., Фан Ю., Фан З., Мэй Т. (2016). Локальные троичные шаблоны высокого порядка с проекцией, сохраняющей локальность, для обнаружения дыма и классификации изображений. Информ Sci, 372: 225–240. [Google Академия] 19. Хуанга М., Му З., Зенга Х., Хуанб С.(2015). Описание области локального изображения с использованием ортогонального симметричного локального троичного шаблона. Pattern Recognit Lett, 54: 56–62. [Google Академия] 20. Ван К., Цзя Х. (2009). Классификация изображений с использованием векторной машины релевантности бинарного дерева без баланса. в АЗИИ ’09. Международный азиатский симпозиум по интеллектуальному взаимодействию и эффективным вычислениям. [Google Академия] 21. Раджу Дж., Дурай, CAD. (2013). Обзор методов классификации текстур. 2013 Международная конференция по информационным коммуникациям и встроенным системам (ICICES).[Google Академия] 22. Пал М., Foody GM. (2012). Оценка SVM, RVM и SMLR для точной классификации изображений с ограниченными наземными данными. IEEE J Sel Topics Appl Earth Observ, 5 (5): 1344–1355. [Google Академия] 23. Браун А.С., Вайднер У., Хинц С. (2012). Классификация в многомерных пространствах признаков — оценка с использованием SVM, IVM и RVM с упором на смоделированные данные EnMAP. IEEE J Sel Topics Appl Earth Observ, 5(2): 436–443. [Google Академия] 24. Лю Л., Лонг И., Фьегут П.В., Лао С., Чжао Г. (2014). BRINT: классификация текстур, инвариантная к бинарному вращению и устойчивая к шуму.IEEE Trans Image Process, 23(7): 3071–3084. [PubMed] [Google Scholar]

A Алгоритм идентификации и классификации биомедицинских отходов с использованием Mltrp и Rvm

Иран J Общественное здравоохранение. 2016 Октябрь; 45 (10): 1276–1287.

Аравиндан АЧУТАН

1. Кафедра гражданского строительства, Инженерный колледж Лата Матхаван, Мадурай, Тамил Наду, Индия

Васумати АЙЯЛЛУ МАДАНГОПАЛ

2. Институт гражданской инженерии Карпатия, Департамент гражданского строительства , Тамилнад, Индия

1. Кафедра гражданского строительства, Инженерный колледж Лата Матхаван, Мадурай, Тамил Наду, Индия

2. Кафедра гражданского строительства, Технологический институт Сету, Карияпатти, Тамил Наду, Индия

Поступила в редакцию 22 марта 2016 г.; Принято 10 августа 2016 г.

Copyright © Иранская ассоциация общественного здравоохранения и Тегеранский университет медицинских наук

Эта работа находится под лицензией Creative Commons Attribution-NonCommercial 3.0 Unported License, которая позволяет пользователям читать, копировать, распространять и создавать производные работы для некоммерческих целей. целей из материала, если автор оригинальной работы указан правильно.

Abstract

Background:

Мы стремились извлечь функции гистограммы для анализа текста и классифицировать типы биомедицинских отходов (BMW) для удаления мусора и управления им.

Методы:

Данный BMW был предварительно обработан с использованием метода медианной фильтрации, который эффективно уменьшил шум на изображении. После этого особенности гистограммы отфильтрованного изображения были извлечены с помощью предложенного метода Modified Local Tetra Pattern (MLTrP).Наконец, машина вектора релевантности (RVM) использовалась для классификации BMW на части человеческого тела, пластик, хлопок и жидкости.

Результаты:

Изображение BMW было взято из набора данных изображения мусора для анализа. Производительность предложенной системы идентификации и классификации BMW была оценена с точки зрения чувствительности, специфичности, скорости классификации и точности с помощью MATLAB. По сравнению с существующими методиками предложенные методики давали лучшие результаты.

Заключение:

В этой работе предлагается новая методика анализа текстуры и классификации для управления и утилизации BMW. Его можно использовать во многих приложениях реального времени, таких как системы управления больницами и здравоохранением, для надлежащей утилизации BMW.

Ключевые слова: Медицинские биоотходы, Медианный фильтр, Чувствительность, Специфичность

Введение

Биомедицинские отходы (BMW) возникают в результате ухода за людьми, животными, медицинского обучения, медицинских исследований, отходов биологических лабораторий и других объектов.Часть этого потока отходов является заразной или потенциально заразной, и ею необходимо управлять надлежащим образом для защиты санитарного и медицинского персонала. Обычно BMW (1–3) регулируются и управляются в соответствии с различными стандартами и протоколами в разных странах. В медицинских учреждениях отходы образуются при неправильном управлении, что оказывает прямое воздействие на здоровье населения, окружающей среды и медицинских работников. БМВ представляет опасность для здоровья населения, больниц, медицинских учреждений, флоры и фауны района.BMW всегда должен храниться в безопасных условиях, когда это возможно. BMW нельзя смешивать с химическим, радиоактивным или другим лабораторным мусором. Контейнеры для BMW должны соответствовать его содержимому, существуют различные виды контейнеров, а также пакеты для хранения и утилизации BMW (4). Правительство Индии указывает, что BMW является частью больничной гигиены и технического обслуживания. Всемирная организация здравоохранения (ВОЗ) разделила BMW на восемь категорий, в том числе:

Предварительная обработка — важный этап в приложениях для обработки изображений, который устраняет ненужные шумы в заданном входном изображении.Медианные фильтры широко используются во многих приложениях для обработки изображений, поскольку они обеспечивают отличные возможности шумоподавления для удаления шума. В этой статье усовершенствованный метод медианной фильтрации применяется для удаления шумов в заданном изображении BMW. После шумоподавления текстурные особенности предварительно обработанного изображения BMW извлекаются на основе значения гистограммы с помощью MLTrP.

В данном исследовании идентифицируется и классифицируется тип БМВ с помощью МЛТрП и классификатора РВМ. Алгоритмы обработки изображений применяют локальные и глобальные операции к входному изображению по некоторым конкретным причинам, таким как устранение шума, обнаружение краев и контрастное растяжение. Локальный бинарный паттерн (LBP), локальный производный паттерн (LDP) и локальный тетрагональный паттерн (LTP) — это существующие подходы к извлечению признаков. Эти методы в основном используются для извлечения информации на основе распределения краев, закодированных с использованием только двух направлений, таких как положительное и отрицательное направления. Производительность этих методов может быть улучшена путем дифференциации границ более чем в двух направлениях.Для преодоления этого ограничения в данной работе используется метод извлечения MLTP. MLTrP — это код с тремя направлениями, который иллюстрирует пространственную структуру локальной текстуры с использованием направления центрального серого пикселя. BMW следует классифицировать в соответствии с их источником, типом и факторами риска (5). В данной статье МЛТрП для классификации БМВ предлагается на основе диагонального, горизонтального и вертикального направления. Текст является важной концепцией анализа текстуры, применяемой для разработки эффективных моделей распознавания текстуры.Кроме того, извлечение шаблона используется для классификации каждого пикселя с использованием четырехнаправленного направления, а извлечение шаблона величины собирается с использованием величины производных. Существуют различные методы классификации для эффективной классификации изображений. Некоторыми из существующих методов классификации, сравниваемых в этой статье, являются искусственная нейронная сеть (ИНС) (6), дерево решений (7), машина опорных векторов (SVM) (8) и нечеткая мера (9). ANN — это непараметрический универсальный классификатор, который эффективно обрабатывает входной шум.Недостатками этого метода являются его высокая скорость вычислений, семантическая бедность, проблема переобучения и больше времени на обучение. Дерево решений — это непараметрические обучающие данные, которые обеспечивают иерархические связи между входными переменными для прогнозирования членства в классе. Он прост и обладает хорошей вычислительной эффективностью, что является основным преимуществом этого метода. Он становится более сложным, когда различные значения соотносятся, что является основным ограничением этого подхода.

SVM — это классификатор с неконтролируемым обучением, который приобретает гибкость в виде порога и содержит нелинейное преобразование. Преимущества этого метода в том, что он имеет меньшую вычислительную сложность и простое управление сложностью правил принятия решений. Недостатками этой методики являются низкая результирующая прозрачность SVM, меньше времени на обучение, непростая для понимания структура этой методики и более сложное определение оптимальных параметров.Чтобы преодолеть эти недостатки, в этой статье используется метод классификации RVM.

После извлечения элементов текстуры классификатор RVM используется для классификации отходов BMW. RVM является распространенным выбором для задач классификации, что дает больше преимуществ по сравнению с SVM. В этом анализе он в основном используется для классификации входного изображения BMW. После классификации идентифицируются типы отходов, чтобы правильно отделить и утилизировать BMW. В этом анализе определены и классифицированы четыре типа отходов, такие как части человеческого тела, пластик, хлопок и жидкости.Основная цель этой работы состояла в том, чтобы дать определение BMW и предоставить информацию об идентификации и классификации этого потока отходов. Для этого в статье предлагается метод классификации МЛТрП с РВМ.

Мы стремились извлечь функции гистограммы для анализа текста и классифицировать типы BMW для утилизации и управления мусором.

Методы

Здесь MLTrP и RVM использовались для эффективного извлечения и классификации характеристик гистограммы изображения BMW.Основная цель этой работы состояла в том, чтобы извлечь особенности гистограммы из изображения BMW и классифицировать тип BMW как пластиковые, хлопковые, жидкие или части человеческого тела. Предлагаемая система классификации изображений BMW была разработана в 2014 году с использованием инструмента MATLAB с некоторыми изображениями мусора. В этом документе представлена ​​новая основа для надлежащего удаления мусора и управления им.

Предварительная обработка

Предварительная обработка изображений обычно включает устранение фонового шума, стабилизацию интенсивности изображений конкретных частиц, устранение отражений и маскирование частей изображений.Предварительная обработка изображений — это метод увеличения данных, при котором изображения переходят к вычислительной обработке. Предварительная переработка BMW на месте производства — это начальный этап, но он также является важным этапом в управлении медицинскими отходами. В этом исследовании медианный фильтр используется для предварительной обработки изображения BMW. Медианная фильтрация — это нелинейный метод, в основном используемый для удаления шума с изображений. Это очень эффективный и широко используемый метод удаления шума с сохранением границ. Медианный фильтр — один из основных строительных блоков в приложениях для обработки изображений, который адекватно удаляет шумы типа «соль и перец». Он удаляет шумы в изображении BMW, перемещаясь по изображению пиксель за пикселем. Шаблон соседей называется окном, которое пиксель за пикселем скользит по всему изображению BMW. Первоначально медиана вычисляется путем упорядочивания всех значений пикселей из окна в числовом порядке. После этого он заменяет каждое значение медианным значением соседних пикселей. показан процесс медианной фильтрации на основе предварительной обработки изображения BMW.

Процесс медианной фильтрации

Первоначально на вход подается изображение BMW, и шумы, присутствующие в этом изображении, удаляются с помощью метода медианной фильтрации.Затем особенности текстуры изображения с шумоподавлением извлекаются с использованием метода MLTP. На этом этапе шаблоны извлекаются, и шаблоны закодированной величины вычисляются на основе направлений пикселей (0°, 45° и 90°). Следовательно, функции гистограммы выбираются и подаются на вход классификатора RVM. Наконец, образ BMW классифицируется по частям человеческого тела, хлопку, пластику и жидким отходам.

Извлечение признаков

Извлечение признаков — это процесс захвата визуального содержимого изображений для индексации и поиска.Извлечение признаков включает в себя облегчение количества ресурсов, необходимых для точного представления большого набора данных. Целью извлечения признаков является представление необработанного изображения в его уменьшенной форме для облегчения процесса принятия решений, такого как классификация образов. Извлечение признаков является важным шагом для получения высокой скорости классификации. Набор признаков извлекается, чтобы позволить классификатору идентифицировать нормальный и ненормальный образец. Область изображения BMW определяется способом распределения уровней серого по пикселям в области.Свойства области изображения BMW количественно определяются путем использования пространственных отношений, лежащих в основе распределения уровня серого. В этой статье особенности входного изображения BMW извлекаются с помощью MLTP. показывает общий поток предложенного извлечения признаков на основе MLTP и классификации на основе RVM.

Общий поток предлагаемой идентификации и классификации BMW

MLTrP

В области извлечения и классификации текстурных признаков MLTrP является ступенькой.Он в основном используется для построения взаимосвязи между центральным пикселем и соседними пикселями путем вычисления разницы уровней серого. MLTrP кодирует входное изображение BMW, вычисляя горизонтальное и вертикальное направления каждого пикселя. Он кодирует взаимосвязь на основе направления центрального пикселя p c и соседей. Направления вычисляются путем объединения (n-1)-го -го порядка производных направлений 0°, 45° и 90°. Производные первого порядка по направлениям 0°, 45° и 90° обозначаются как

Dθ1(np)|θ=0°,45°,90°

Пусть n c обозначает центральный пиксель изображения D , n h 9008 обозначает горизонталь v указывает вертикальную окрестность, а n d представляет диагональную окрестность n c соответственно. Затем производные первого порядка в центральном пикселе вычисляются как D(nc)

[2]

D90°1(nc)=D(nv)−D(nc)

[3]

Направление центрального пикселя вычисляется как

DDir1(nc)={1,D0°1(nc)≥0 и D45°1(nc)≥0 и D90°1(nc)≥02,D0°1(nc)<0 и D45°1( nc)≥0 и D90°1(nc)≥03,D0°1(nc)<0 и D45°1(nc)≥0 и D90°1(nc)<04,D0°1(nc)≥0 и D45°1(nc)≥0 и D90°1(nc)<05,D0°1(nc)≥0 и D45°1(nc)<0 и D90°1(nc)≥06,D0°1(nc )<0 и D45°1(нк)<0 и D90°1(нк)≥07,D0°1(нк)<0 и D45°1(нк)<0 и D90°1(нк)<08,D0 °1(nc)≥0 и D45°1(nc)>0 и D90°1(nc)<0

[4]

Из уравнения [4] видно, что возможное направление для каждого центрального пикселя может быть 1, 2, 3, 4, 5, 6, 7 или 8, и в конечном итоге изображение преобразуется в восемь направлений.Заказ МЛТрП 2 ( н c ) определяется следующим образом,

MLTrP2(nc)={f8(DDir1(nc),DDir1(n1)),f8(DDir1(nc),DDir1(n2)),⋯f8(DDir1(nc),DDir1(np))}

[5]

f8(DDir1(nc),DDir1(np))={0,DDir1(nc)=DDir1(np)else,DDir1(np)

[6]

8-битный шаблон тетра для каждый центральный пиксель получается из уравнений [5] и [6]. Затем все шаблоны разделяются на 8 частей в зависимости от направления центрального пикселя. Где направление центрального пикселя ( DDir1(nc) ) получается из уравнения [4].Отсюда МЛТрП 2 | Направление = 2,3,4,5,6,7,8

=∑p=1p2(p−1)*f8(MLTrP2(nc))|Direction=2,3,4,5,6,7,8

[7]

f8(MLTrP2(nc)) |Direction=ϕ={1,if MLTrP2(nc)=ϕ0,else

[8]

Где ф = 2,3,4,5,6,7,8. аналогичным образом другие четырехгранные шаблоны для оставшихся 8 направлений центральных пикселей преобразуются в двоичные шаблоны. Наконец, берутся 56 (8×7) бинарных шаблонов. показан процесс извлечения признаков гистограммы с помощью MLTrP.

Процесс извлечения признаков на основе MLTP

Компонент величины MLTP предоставляет более полезную информацию для классификации признаков текстуры. Использование комбинации этих паттернов обеспечивает лучшие показания, которые не проявляются ни в одном отдельном компоненте. Схема величины извлечения признаков MLTrP показана на рис.

Процесс извлечения шаблона величины

иллюстрирует вычисление четырехгранного шаблона для направления центрального пикселя 1 с использованием направления соседей.Направление синих стрелок представляет центральный пиксель, а черные стрелки представляют соседние пиксели. Здесь мы берем 57 паттернов (то есть 8 X 7), 56 тетра-паттернов и 1 паттерн магнитуды. Следовательно, мы увеличиваем количество шаблонов для извлечения признаков текстуры. Традиционные алгоритмы находят паттерн тетра в 4 направлениях, но в этой работе мы используем 8 направлений.

Векторная диаграмма для расчета тетрапаттерна

Классификация RVM

RVM — это алгоритм разреженного обучения, аналогичный SVM, который способен выдавать полностью вероятностные выходные данные.Преимущества RVM дают функцию решения, которая намного реже, чем SVM, сохраняя при этом точность классификации. RVM представляет собой выпуклую квадратичную программу, которая обеспечивает вероятностную интерпретацию машины выходных векторов. Идея RVM заключается в том, что входные данные отображаются в многомерное пространство функций с помощью функции ядра.

Дан набор данных {ай,би}я=1n , где a i — входной вектор, а b i — их соответствующие выходные данные.Вывод RVM проиллюстрирован следующим образом:

b(a)=∑i=1nwif(a,ai)+w0

[9]

Где w = [ w 0 , … w i ] представляет весовой вектор, f ( a, a i ) представляет ядро ​​. В RVM в качестве встречающегося ядра используется ядро ​​Гаусса, выраженное следующим образом:

f(a,ai)=exp[−‖a−ai‖22σ2]

[10]

Где σ представляет ширину ядра Гаусса.Вероятность набора данных может быть выражена с помощью

p(b|w,σ2)=(2πσ2)−π2exp[−12σ2||b−ρ||2]

[11]

Где,

ρ

ρ ( A I ) = (1, F ( A I , A 1 ), F ( A I , A , A 2 ), . .., F ( A I , A , A N ))

[12]

. Явная вероятность до распределение по весам для улучшения обобщающей способности модели RVM, определяемой следующим образом:

p(w|x)=Πi=1nN(wi|0,xi−1)

[13]

Где x представляет вектор гиперпараметров.Таким образом, функция классификатора векторной машины релевантности может быть выражена следующим образом:

b(a)=ρ′(a)(∑i=1nxiρ(ai))

[14]

В этом анализе классификатор RVM в основном используется для классификации типов отходов, таких как части человеческого тела , хлопок, пластмассы и жидкости. Преимущества классификатора RVM перед SVM:

  • Классификатор RVM требует меньшего вектора релевантности, чем SVM.

  • По сравнению с SVM требуется меньше времени на тестирование.

  • Вычислительные затраты и сложность ниже по сравнению с SVM.

Результаты

Биомедицинские отходы (БМВ) – это отходы, образующиеся в больницах, учреждениях здравоохранения и медицинских лабораториях, образующиеся в ходе иммунизации, диагностики и лечения. Экспериментальные результаты показывают эффективность предлагаемой идентификации и классификации BMW. В этом анализе метод извлечения признаков MLTrP используется для гистограммы характеристик изображения BMW, а классификатор RVM используется для классификации типов отходов, таких как части человеческого тела, пластик, хлопок и жидкости.

Отфильтрованное изображение

Первоначально изображение BMW подается на вход, показанный на рис. Он содержит нерелевантные и сильно искаженные шумы, удаленные с помощью медианного фильтра. Он в основном используется для устранения шума соли и перца из изображения, и отфильтрованное изображение показано на . Паттерн соседей называется окном, которое скользит по пикселю всего изображения. Здесь медиана вычисляется путем сортировки всех значений пикселей из окна в числовом порядке. Затем значение пикселя заменяется медианным значением (средним значением пикселя).

Извлечение текстуры

После шумоподавления текстурные особенности изображения с шумоподавлением извлекаются с помощью метода MLTrP, показанного на . MLTrP иллюстрирует пространственную структуру локальной текстуры, используя направление центрального серого пикселя. Тетрашаблон рассчитывается на основе направления пикселей с использованием производных по горизонтали, диагонали и вертикали (0°, 45° и 90°).

Извлечение признаков текстуры

Матрица путаницы

иллюстрирует матрицу путаницы для фактических и прогнозируемых классов изображения BMW.На этом графике ось x представляет прогнозируемые классы, ось y представляет выборки данных, а ось z представляет фактические классы. Матрица путаницы содержит информацию о фактических и прогнозируемых классификациях, выполненных системой классификации RVM. Производительность этой системы оценивается с использованием данных в матрице.

Матрица путаницы для фактических и предсказанных классов

Чувствительность и специфичность

Чувствительность — это доля истинно положительных результатов, правильно идентифицированных классификатором RVM, выраженная в процентах.Чувствительность определяется как вероятность получения положительного результата теста у испытуемых. Специфичность — это количество истинно отрицательных результатов, деленное на сумму числа истинно отрицательных и ложноположительных результатов. Чувствительность рассчитывается с использованием,

Чувствительность = TP (TP + Fn) = количество истинных положительных оценокНом Согласил всех положительных оценок

[15]

Специфичность = Tn (Tn + FP) = количество истинного отрицательного оценки со всеми негативными оценками

[16]

Средние значения формул 15 и 16: TP – истинно положительный, TN – истинно отрицательный, FP – ложноположительный, FN – ложноотрицательный.В этом анализе уровень чувствительности увеличивается на 100%, а уровень специфичности увеличивается на 91%.

Скорость классификации

RVM — один из самых известных методов классификации и распознавания образов. Он обеспечивает лучшие результаты классификации по сравнению с классификатором SVM. Скорость классификации — это скорость идеального предсказания, увеличенная на 100%. Частота ошибок — это частота ошибочной классификации, которая снижает производительность скорости классификации, уменьшенную на 43%. Правильная скорость — это точная скорость классификации, увеличенная на 95.65%. Увеличивая правильную скорость, общая производительность и точность также увеличиваются.

Точность

Из этого анализа видно, что уровень точности увеличивается на 95,65% при использовании классификации RVM. Результаты обработки изображения BMW возвращают результат с точностью, соответствующей субпиксельному разрешению, воспроизводимость которого можно вывести из частоты возникновения. Точность классификатора РВМ можно определить по чувствительности и специфичности при наличии распространенности. Уровень точности рассчитывается с использованием,

Точность=(TN+TP)(TN+TP+FN+FP)=Количество истинных  оценокКоличество всех оценок

[17]

Где PL представляет положительную вероятность, а NL представляет отрицательную вероятность. PL — это положительный результат, также называемый прогностической ценностью положительного результата теста. NL — отрицательный балл, также называемый прогностической ценностью отрицательного результата теста.

Здесь точность классификации уровня обучения и точек обучающих признаков рассчитывается для существующих и предлагаемых методов извлечения признаков текстуры, показанных на рис.Где, я ? представляет коэффициент плотности шума.

Таблица 1:

Таблица 1:

Классификация Точность для существующих и предложенных текстурных методов экстракции Функции (24)

005 96.55 94.2605 76.67 88.96
Классификация Точность ρ = 5% ρ = 5% ρ = 10% ρ = 20% ρ = 30% ρ = 40% ρ = 40% ρ = 40%
Методы
Brint2_cs_cm (MS9) 98. 63 96.55
92.64 94.64 84.54 74.26
92.96 92.96 90.53 82.2 69.77 50.88
94.77 94.77 94.77 94. 77 94,77 93.22 76.67
54.81 43.33 43.33
LTP (MS9) 92.99 92.99 91.99 86.11 77.71 64.19
NRLBP (MS9) 88. 63 88.96
83.87 78.98 78.98 67.11
MLTRP (Предлагается) 99.44 98.44 95.65 92.86 92.86 91.3

Достопримечательности Достижие (PL) = Чувствительность

[18]

Negative Likehood (NL)=1−SensitivitySpecificity

[19]

Сравнительный анализ между существующими SVM и предлагаемыми классификаторами RVM

представляет значения чувствительности, специфичности и скорости классификации. Из этого графика видно, что предложенный классификатор RVM дает лучшие результаты по сравнению с классификатором SVM. показан сравнительный анализ существующих и предлагаемых методов классификации RVM.

График сравнительного анализа существующих SVM и предлагаемых классификаторов RVM.

Показатель производительности

показывает показатель эффективности классификации RVM. Показатели производительности, такие как частота ошибок, частота ошибок, чувствительность, специфичность, точность и распространенность предлагаемой системы идентификации и классификации BMW, оцениваются с использованием классификатора RVM.

Таблица 2:

Таблица 2:

Распоряжение РВМ классификации

06 Последняя корректная скорость4
Ошибка частота
0. 9565
0.0435
Обладательство 1
Чувствительность 1
Спецификация 0.9196
положительный прогноз 0,9167 0. 9167
1
0 4
12
отрицательная вероятность (NL) 0
Распространенность Точность

ОбсуждениеВ последние десятилетия предложено несколько родственных работ по классификации БМВ. Классификация (10) и идентификация BMW — непростая задача, поэтому для идентификации потока отходов требуется дополнительная работа.

Методы медианной фильтрации (11–13), MLTP (14–19) и RVM (20–23) используются для эффективного извлечения и проверки характеристик гистограммы изображения BMW. В этом исследовании правильно идентифицированы и классифицированы четыре типа отходов, такие как части человеческого тела, пластик, хлопок и жидкости.

В этом документе основное внимание уделяется разделению биоотходов у источника. Разделение биоотходов у источника является первичным этапом, а переработка, повторное использование и переработка должны рассматриваться с соответствующей точки зрения. Предлагаемая идентификация и классификация BMW стремится к повышению точности, чувствительности, специфичности и скорости классификации. Эти показатели особенно важны для визуализации BMW, и она становится предсказуемой исследовательской процедурой в клинической практике.В этой статье разработан гибридный метод для извлечения и классификации текстурных признаков изображения BMW путем объединения MLTP с классификатором RVM. Основная цель использования метода MLTrP состоит в том, чтобы извлечь функции гистограммы из очищенного от шума изображения BMW. Здесь 8-битный тетра-шаблон и амплитудные шаблоны рассчитываются на основе горизонтального, диагонального и вертикального направлений (0°, 45° и 90°). Кроме того, механизм классификации RVM также используется для точной классификации потока отходов на части человеческого тела, пластик, хлопок и жидкости.

В будущем система классификации может быть усовершенствована для дальнейшей систематической сортировки и надлежащей утилизации BMW.

Заключение

BMW следует классифицировать в соответствии с их источником, типом и факторами риска, связанными с обращением с ними, обращением, разделением, обработкой и удалением. С BMW необходимо обращаться и хранить его в безопасных условиях, поскольку он вызывает серьезные проблемы со здоровьем окружающей среды. В этой статье BMW идентифицируется и классифицируется с использованием метода MLTP и классификатора RVM.Первоначально входное изображение BMW предварительно обрабатывается с использованием метода медианной фильтрации. На этом этапе нерелевантные и сильно искаженные шумы удаляются и фильтруются. После этого MLTrP используется для извлечения характеристик гистограммы изображения BMW. Следовательно, признаки шаблона гистограммы подаются на вход RVM, который является многоклассовым классификатором, в основном используемым для классификации шаблонов. Наконец, образ BMW классифицируется по частям человеческого тела, хлопку, пластику и жидким отходам.

Этические соображения

Этические вопросы (включая плагиат, информированное согласие, неправомерное поведение, фабрикацию и/или фальсификацию данных, двойную публикацию и/или представление, избыточность и т. д.) были полностью соблюдены авторами.

Благодарность

Авторы заявляют об отсутствии конфликта интересов.

Ссылки

1. Чаухан А., Сингх А. (2016). Гибридный многокритериальный подход к принятию решений для выбора устойчивого местоположения объекта по утилизации медицинских отходов. J Clean Prod, 139: 1001–1010. [Google Академия]2. Лакшми Рефонаа Дж., Вивек Дж. (2015). Отслеживание биомедицинских отходов с использованием глобальной системы позиционирования. 2015. Международная конференция по схемам, энергетике и вычислительным технологиям (ICCPCT).[Google Академия]3. Кумар Р., Гупта А.К., Аггарвал А.К., Кумар А. (2014). Описательное исследование по оценке управления биомедицинскими отходами в государственной больнице третичного уровня в Северной Индии. J Environ Health Sci Eng, 12:69. [Бесплатная статья PMC] [PubMed] [Google Scholar]4. Морейра АММ, Гюнтер ВМР. (2013). Оценка обращения с медицинскими отходами в центре первичной медико-санитарной помощи в Сан-Паулу, Бразилия. Управление отходами, 33 (1): 162–167. [PubMed] [Google Scholar]5. Калайвани К., Анджалиприя В., Сивакумар Р., Шримина Р.(2015). Эффективная схема управления биоключами для приложений телемедицины. в области технологических инноваций в области ИКТ для сельского хозяйства и развития сельских районов (TIAR), IEEE, 2015 г. [Google Академия]6. Найк Б., Наяк Дж., Бехера Х.С., Авраам А. (2016). Самоадаптирующаяся ИНС высшего порядка, основанная на поиске гармонии, для нелинейной классификации данных. Нейрокомпьютинг, 179: 69–87. [Google Академия]7. Фарид Д.М., Чжан Л., Рахман С.М., Хоссейн М.А., Страчан Р. (2014). Гибридное дерево решений и наивные байесовские классификаторы для задач классификации нескольких классов.Приложение Expert Syst, 41 (4): 1937–1946. [Google Академия]8. Ван Д., Чжан С., Фан М., Е С. (2016). Иерархические смешивающие линейные машины опорных векторов для нелинейной классификации. Распознавание образов, 59: 255–267. [Google Академия]9. Корытковски М., Рутковски Л., Шерер Р. (2016). Быстрая классификация изображений за счет усиления нечетких классификаторов. Информ Sci, 327: 175–182. [Google Академия] 10. Розен Г.Л., Райхенбергер Э.Р., Розенфельд А.М. (2011). NBC: веб-сервер инструмента наивной байесовской классификации для таксономической классификации метагеномных прочтений.Биоинформатика, 27(1): 127–129. [Бесплатная статья PMC] [PubMed] [Google Scholar]11. Фарагалла О.С., Ибрагем Х.М. (2016). Структура взвешенного медианного фильтра с адаптивным переключением для подавления шума соли и перца. AEU-Int J Electron C, 70(8): 1034–1040. [Google Академия] 12. Лу КТ. (2014). Шумоподавление с использованием трехступенчатого коэффициента усиления и итеративно-направленного медианного фильтра. Appl Acoust, 76: 249–261. [Google Академия] 13. Мехер СК. (2014). Рекурсивный и исключающий шум срединный фильтр с нечетким переключением для подавления импульсного шума.Eng Appl Artif Intell, 30: 145–154. [Google Академия] 14. Мурала С., Махешвари Р., Баласубраманиан Р. (2012). Локальные четырехугольники: новый дескриптор функции для поиска изображений на основе содержимого. IEEE Trans Image Process, 21(5): 2874–2886. [PubMed] [Google Scholar] 15. Шривастава Н., Тьяги В. (2014). Эффективная схема классификации текстуры изображения на основе бинарного шаблона локальной структуры. Visual Comput, 30 (11): 1223–1232. [Google Академия] 16. Мурала С., Ву (2014). Локальные сетчатые паттерны в сравнении с локальными бинарными паттернами: индексация и поиск биомедицинских изображений.IEEE J Biomed Health Inform, 18(3): 929–938. [PubMed] [Google Scholar] 17. Юань Ф. (2014). Инвариантный к вращению и масштабу локальный двоичный шаблон, основанный на производных по направлению высокого порядка для классификации текстуры. Процесс цифровых сигналов, 26: 142–152. [Google Академия] 18. Юань Ф., Ши Дж., Ся С., Фан Ю., Фан З., Мэй Т. (2016). Локальные троичные шаблоны высокого порядка с проекцией, сохраняющей локальность, для обнаружения дыма и классификации изображений. Информ Sci, 372: 225–240. [Google Академия] 19. Хуанга М., Му З., Зенга Х., Хуанб С.(2015). Описание области локального изображения с использованием ортогонального симметричного локального троичного шаблона. Pattern Recognit Lett, 54: 56–62. [Google Академия] 20. Ван К., Цзя Х. (2009). Классификация изображений с использованием векторной машины релевантности бинарного дерева без баланса. в АЗИИ ’09. Международный азиатский симпозиум по интеллектуальному взаимодействию и эффективным вычислениям. [Google Академия] 21. Раджу Дж., Дурай, CAD. (2013). Обзор методов классификации текстур. 2013 Международная конференция по информационным коммуникациям и встроенным системам (ICICES).[Google Академия] 22. Пал М., Foody GM. (2012). Оценка SVM, RVM и SMLR для точной классификации изображений с ограниченными наземными данными. IEEE J Sel Topics Appl Earth Observ, 5 (5): 1344–1355. [Google Академия] 23. Браун А.С., Вайднер У., Хинц С. (2012). Классификация в многомерных пространствах признаков — оценка с использованием SVM, IVM и RVM с упором на смоделированные данные EnMAP. IEEE J Sel Topics Appl Earth Observ, 5(2): 436–443. [Google Академия] 24. Лю Л., Лонг И., Фьегут П.В., Лао С., Чжао Г. (2014). BRINT: классификация текстур, инвариантная к бинарному вращению и устойчивая к шуму.IEEE Trans Image Process, 23(7): 3071–3084. [PubMed] [Google Scholar]

A Алгоритм идентификации и классификации биомедицинских отходов с использованием Mltrp и Rvm

Иран J Общественное здравоохранение. 2016 Октябрь; 45 (10): 1276–1287.

Аравиндан АЧУТАН

1. Кафедра гражданского строительства, Инженерный колледж Лата Матхаван, Мадурай, Тамил Наду, Индия

Васумати АЙЯЛЛУ МАДАНГОПАЛ

2. Институт гражданской инженерии Карпатия, Департамент гражданского строительства , Тамилнад, Индия

1. Кафедра гражданского строительства, Инженерный колледж Лата Матхаван, Мадурай, Тамил Наду, Индия

2. Кафедра гражданского строительства, Технологический институт Сету, Карияпатти, Тамил Наду, Индия

Поступила в редакцию 22 марта 2016 г.; Принято 10 августа 2016 г.

Copyright © Иранская ассоциация общественного здравоохранения и Тегеранский университет медицинских наук

Эта работа находится под лицензией Creative Commons Attribution-NonCommercial 3.0 Unported License, которая позволяет пользователям читать, копировать, распространять и создавать производные работы для некоммерческих целей. целей из материала, если автор оригинальной работы указан правильно.

Abstract

Background:

Мы стремились извлечь функции гистограммы для анализа текста и классифицировать типы биомедицинских отходов (BMW) для удаления мусора и управления им.

Методы:

Данный BMW был предварительно обработан с использованием метода медианной фильтрации, который эффективно уменьшил шум на изображении. После этого особенности гистограммы отфильтрованного изображения были извлечены с помощью предложенного метода Modified Local Tetra Pattern (MLTrP).Наконец, машина вектора релевантности (RVM) использовалась для классификации BMW на части человеческого тела, пластик, хлопок и жидкости.

Результаты:

Изображение BMW было взято из набора данных изображения мусора для анализа. Производительность предложенной системы идентификации и классификации BMW была оценена с точки зрения чувствительности, специфичности, скорости классификации и точности с помощью MATLAB. По сравнению с существующими методиками предложенные методики давали лучшие результаты.

Заключение:

В этой работе предлагается новая методика анализа текстуры и классификации для управления и утилизации BMW. Его можно использовать во многих приложениях реального времени, таких как системы управления больницами и здравоохранением, для надлежащей утилизации BMW.

Ключевые слова: Медицинские биоотходы, Медианный фильтр, Чувствительность, Специфичность

Введение

Биомедицинские отходы (BMW) возникают в результате ухода за людьми, животными, медицинского обучения, медицинских исследований, отходов биологических лабораторий и других объектов.Часть этого потока отходов является заразной или потенциально заразной, и ею необходимо управлять надлежащим образом для защиты санитарного и медицинского персонала. Обычно BMW (1–3) регулируются и управляются в соответствии с различными стандартами и протоколами в разных странах. В медицинских учреждениях отходы образуются при неправильном управлении, что оказывает прямое воздействие на здоровье населения, окружающей среды и медицинских работников. БМВ представляет опасность для здоровья населения, больниц, медицинских учреждений, флоры и фауны района.BMW всегда должен храниться в безопасных условиях, когда это возможно. BMW нельзя смешивать с химическим, радиоактивным или другим лабораторным мусором. Контейнеры для BMW должны соответствовать его содержимому, существуют различные виды контейнеров, а также пакеты для хранения и утилизации BMW (4). Правительство Индии указывает, что BMW является частью больничной гигиены и технического обслуживания. Всемирная организация здравоохранения (ВОЗ) разделила BMW на восемь категорий, в том числе:

Предварительная обработка — важный этап в приложениях для обработки изображений, который устраняет ненужные шумы в заданном входном изображении.Медианные фильтры широко используются во многих приложениях для обработки изображений, поскольку они обеспечивают отличные возможности шумоподавления для удаления шума. В этой статье усовершенствованный метод медианной фильтрации применяется для удаления шумов в заданном изображении BMW. После шумоподавления текстурные особенности предварительно обработанного изображения BMW извлекаются на основе значения гистограммы с помощью MLTrP.

В данном исследовании идентифицируется и классифицируется тип БМВ с помощью МЛТрП и классификатора РВМ. Алгоритмы обработки изображений применяют локальные и глобальные операции к входному изображению по некоторым конкретным причинам, таким как устранение шума, обнаружение краев и контрастное растяжение. Локальный бинарный паттерн (LBP), локальный производный паттерн (LDP) и локальный тетрагональный паттерн (LTP) — это существующие подходы к извлечению признаков. Эти методы в основном используются для извлечения информации на основе распределения краев, закодированных с использованием только двух направлений, таких как положительное и отрицательное направления. Производительность этих методов может быть улучшена путем дифференциации границ более чем в двух направлениях.Для преодоления этого ограничения в данной работе используется метод извлечения MLTP. MLTrP — это код с тремя направлениями, который иллюстрирует пространственную структуру локальной текстуры с использованием направления центрального серого пикселя. BMW следует классифицировать в соответствии с их источником, типом и факторами риска (5). В данной статье МЛТрП для классификации БМВ предлагается на основе диагонального, горизонтального и вертикального направления. Текст является важной концепцией анализа текстуры, применяемой для разработки эффективных моделей распознавания текстуры.Кроме того, извлечение шаблона используется для классификации каждого пикселя с использованием четырехнаправленного направления, а извлечение шаблона величины собирается с использованием величины производных. Существуют различные методы классификации для эффективной классификации изображений. Некоторыми из существующих методов классификации, сравниваемых в этой статье, являются искусственная нейронная сеть (ИНС) (6), дерево решений (7), машина опорных векторов (SVM) (8) и нечеткая мера (9). ANN — это непараметрический универсальный классификатор, который эффективно обрабатывает входной шум.Недостатками этого метода являются его высокая скорость вычислений, семантическая бедность, проблема переобучения и больше времени на обучение. Дерево решений — это непараметрические обучающие данные, которые обеспечивают иерархические связи между входными переменными для прогнозирования членства в классе. Он прост и обладает хорошей вычислительной эффективностью, что является основным преимуществом этого метода. Он становится более сложным, когда различные значения соотносятся, что является основным ограничением этого подхода.

SVM — это классификатор с неконтролируемым обучением, который приобретает гибкость в виде порога и содержит нелинейное преобразование. Преимущества этого метода в том, что он имеет меньшую вычислительную сложность и простое управление сложностью правил принятия решений. Недостатками этой методики являются низкая результирующая прозрачность SVM, меньше времени на обучение, непростая для понимания структура этой методики и более сложное определение оптимальных параметров.Чтобы преодолеть эти недостатки, в этой статье используется метод классификации RVM.

После извлечения элементов текстуры классификатор RVM используется для классификации отходов BMW. RVM является распространенным выбором для задач классификации, что дает больше преимуществ по сравнению с SVM. В этом анализе он в основном используется для классификации входного изображения BMW. После классификации идентифицируются типы отходов, чтобы правильно отделить и утилизировать BMW. В этом анализе определены и классифицированы четыре типа отходов, такие как части человеческого тела, пластик, хлопок и жидкости.Основная цель этой работы состояла в том, чтобы дать определение BMW и предоставить информацию об идентификации и классификации этого потока отходов. Для этого в статье предлагается метод классификации МЛТрП с РВМ.

Мы стремились извлечь функции гистограммы для анализа текста и классифицировать типы BMW для утилизации и управления мусором.

Методы

Здесь MLTrP и RVM использовались для эффективного извлечения и классификации характеристик гистограммы изображения BMW.Основная цель этой работы состояла в том, чтобы извлечь особенности гистограммы из изображения BMW и классифицировать тип BMW как пластиковые, хлопковые, жидкие или части человеческого тела. Предлагаемая система классификации изображений BMW была разработана в 2014 году с использованием инструмента MATLAB с некоторыми изображениями мусора. В этом документе представлена ​​новая основа для надлежащего удаления мусора и управления им.

Предварительная обработка

Предварительная обработка изображений обычно включает устранение фонового шума, стабилизацию интенсивности изображений конкретных частиц, устранение отражений и маскирование частей изображений.Предварительная обработка изображений — это метод увеличения данных, при котором изображения переходят к вычислительной обработке. Предварительная переработка BMW на месте производства — это начальный этап, но он также является важным этапом в управлении медицинскими отходами. В этом исследовании медианный фильтр используется для предварительной обработки изображения BMW. Медианная фильтрация — это нелинейный метод, в основном используемый для удаления шума с изображений. Это очень эффективный и широко используемый метод удаления шума с сохранением границ. Медианный фильтр — один из основных строительных блоков в приложениях для обработки изображений, который адекватно удаляет шумы типа «соль и перец». Он удаляет шумы в изображении BMW, перемещаясь по изображению пиксель за пикселем. Шаблон соседей называется окном, которое пиксель за пикселем скользит по всему изображению BMW. Первоначально медиана вычисляется путем упорядочивания всех значений пикселей из окна в числовом порядке. После этого он заменяет каждое значение медианным значением соседних пикселей. показан процесс медианной фильтрации на основе предварительной обработки изображения BMW.

Процесс медианной фильтрации

Первоначально на вход подается изображение BMW, и шумы, присутствующие в этом изображении, удаляются с помощью метода медианной фильтрации.Затем особенности текстуры изображения с шумоподавлением извлекаются с использованием метода MLTP. На этом этапе шаблоны извлекаются, и шаблоны закодированной величины вычисляются на основе направлений пикселей (0°, 45° и 90°). Следовательно, функции гистограммы выбираются и подаются на вход классификатора RVM. Наконец, образ BMW классифицируется по частям человеческого тела, хлопку, пластику и жидким отходам.

Извлечение признаков

Извлечение признаков — это процесс захвата визуального содержимого изображений для индексации и поиска.Извлечение признаков включает в себя облегчение количества ресурсов, необходимых для точного представления большого набора данных. Целью извлечения признаков является представление необработанного изображения в его уменьшенной форме для облегчения процесса принятия решений, такого как классификация образов. Извлечение признаков является важным шагом для получения высокой скорости классификации. Набор признаков извлекается, чтобы позволить классификатору идентифицировать нормальный и ненормальный образец. Область изображения BMW определяется способом распределения уровней серого по пикселям в области.Свойства области изображения BMW количественно определяются путем использования пространственных отношений, лежащих в основе распределения уровня серого. В этой статье особенности входного изображения BMW извлекаются с помощью MLTP. показывает общий поток предложенного извлечения признаков на основе MLTP и классификации на основе RVM.

Общий поток предлагаемой идентификации и классификации BMW

MLTrP

В области извлечения и классификации текстурных признаков MLTrP является ступенькой.Он в основном используется для построения взаимосвязи между центральным пикселем и соседними пикселями путем вычисления разницы уровней серого. MLTrP кодирует входное изображение BMW, вычисляя горизонтальное и вертикальное направления каждого пикселя. Он кодирует взаимосвязь на основе направления центрального пикселя p c и соседей. Направления вычисляются путем объединения (n-1)-го -го порядка производных направлений 0°, 45° и 90°. Производные первого порядка по направлениям 0°, 45° и 90° обозначаются как

Dθ1(np)|θ=0°,45°,90°

Пусть n c обозначает центральный пиксель изображения D , n h 9008 обозначает горизонталь v указывает вертикальную окрестность, а n d представляет диагональную окрестность n c соответственно. Затем производные первого порядка в центральном пикселе вычисляются как D(nc)

[2]

D90°1(nc)=D(nv)−D(nc)

[3]

Направление центрального пикселя вычисляется как

DDir1(nc)={1,D0°1(nc)≥0 и D45°1(nc)≥0 и D90°1(nc)≥02,D0°1(nc)<0 и D45°1( nc)≥0 и D90°1(nc)≥03,D0°1(nc)<0 и D45°1(nc)≥0 и D90°1(nc)<04,D0°1(nc)≥0 и D45°1(nc)≥0 и D90°1(nc)<05,D0°1(nc)≥0 и D45°1(nc)<0 и D90°1(nc)≥06,D0°1(nc )<0 и D45°1(нк)<0 и D90°1(нк)≥07,D0°1(нк)<0 и D45°1(нк)<0 и D90°1(нк)<08,D0 °1(nc)≥0 и D45°1(nc)>0 и D90°1(nc)<0

[4]

Из уравнения [4] видно, что возможное направление для каждого центрального пикселя может быть 1, 2, 3, 4, 5, 6, 7 или 8, и в конечном итоге изображение преобразуется в восемь направлений.Заказ МЛТрП 2 ( н c ) определяется следующим образом,

MLTrP2(nc)={f8(DDir1(nc),DDir1(n1)),f8(DDir1(nc),DDir1(n2)),⋯f8(DDir1(nc),DDir1(np))}

[5]

f8(DDir1(nc),DDir1(np))={0,DDir1(nc)=DDir1(np)else,DDir1(np)

[6]

8-битный шаблон тетра для каждый центральный пиксель получается из уравнений [5] и [6]. Затем все шаблоны разделяются на 8 частей в зависимости от направления центрального пикселя. Где направление центрального пикселя ( DDir1(nc) ) получается из уравнения [4].Отсюда МЛТрП 2 | Направление = 2,3,4,5,6,7,8

=∑p=1p2(p−1)*f8(MLTrP2(nc))|Direction=2,3,4,5,6,7,8

[7]

f8(MLTrP2(nc)) |Direction=ϕ={1,if MLTrP2(nc)=ϕ0,else

[8]

Где ф = 2,3,4,5,6,7,8. аналогичным образом другие четырехгранные шаблоны для оставшихся 8 направлений центральных пикселей преобразуются в двоичные шаблоны. Наконец, берутся 56 (8×7) бинарных шаблонов. показан процесс извлечения признаков гистограммы с помощью MLTrP.

Процесс извлечения признаков на основе MLTP

Компонент величины MLTP предоставляет более полезную информацию для классификации признаков текстуры. Использование комбинации этих паттернов обеспечивает лучшие показания, которые не проявляются ни в одном отдельном компоненте. Схема величины извлечения признаков MLTrP показана на рис.

Процесс извлечения шаблона величины

иллюстрирует вычисление четырехгранного шаблона для направления центрального пикселя 1 с использованием направления соседей.Направление синих стрелок представляет центральный пиксель, а черные стрелки представляют соседние пиксели. Здесь мы берем 57 паттернов (то есть 8 X 7), 56 тетра-паттернов и 1 паттерн магнитуды. Следовательно, мы увеличиваем количество шаблонов для извлечения признаков текстуры. Традиционные алгоритмы находят паттерн тетра в 4 направлениях, но в этой работе мы используем 8 направлений.

Векторная диаграмма для расчета тетрапаттерна

Классификация RVM

RVM — это алгоритм разреженного обучения, аналогичный SVM, который способен выдавать полностью вероятностные выходные данные.Преимущества RVM дают функцию решения, которая намного реже, чем SVM, сохраняя при этом точность классификации. RVM представляет собой выпуклую квадратичную программу, которая обеспечивает вероятностную интерпретацию машины выходных векторов. Идея RVM заключается в том, что входные данные отображаются в многомерное пространство функций с помощью функции ядра.

Дан набор данных {ай,би}я=1n , где a i — входной вектор, а b i — их соответствующие выходные данные.Вывод RVM проиллюстрирован следующим образом:

b(a)=∑i=1nwif(a,ai)+w0

[9]

Где w = [ w 0 , … w i ] представляет весовой вектор, f ( a, a i ) представляет ядро ​​. В RVM в качестве встречающегося ядра используется ядро ​​Гаусса, выраженное следующим образом:

f(a,ai)=exp[−‖a−ai‖22σ2]

[10]

Где σ представляет ширину ядра Гаусса.Вероятность набора данных может быть выражена с помощью

p(b|w,σ2)=(2πσ2)−π2exp[−12σ2||b−ρ||2]

[11]

Где,

ρ

ρ ( A I ) = (1, F ( A I , A 1 ), F ( A I , A , A 2 ), . .., F ( A I , A , A N ))

[12]

. Явная вероятность до распределение по весам для улучшения обобщающей способности модели RVM, определяемой следующим образом:

p(w|x)=Πi=1nN(wi|0,xi−1)

[13]

Где x представляет вектор гиперпараметров.Таким образом, функция классификатора векторной машины релевантности может быть выражена следующим образом:

b(a)=ρ′(a)(∑i=1nxiρ(ai))

[14]

В этом анализе классификатор RVM в основном используется для классификации типов отходов, таких как части человеческого тела , хлопок, пластмассы и жидкости. Преимущества классификатора RVM перед SVM:

  • Классификатор RVM требует меньшего вектора релевантности, чем SVM.

  • По сравнению с SVM требуется меньше времени на тестирование.

  • Вычислительные затраты и сложность ниже по сравнению с SVM.

Результаты

Биомедицинские отходы (БМВ) – это отходы, образующиеся в больницах, учреждениях здравоохранения и медицинских лабораториях, образующиеся в ходе иммунизации, диагностики и лечения. Экспериментальные результаты показывают эффективность предлагаемой идентификации и классификации BMW. В этом анализе метод извлечения признаков MLTrP используется для гистограммы характеристик изображения BMW, а классификатор RVM используется для классификации типов отходов, таких как части человеческого тела, пластик, хлопок и жидкости.

Отфильтрованное изображение

Первоначально изображение BMW подается на вход, показанный на рис. Он содержит нерелевантные и сильно искаженные шумы, удаленные с помощью медианного фильтра. Он в основном используется для устранения шума соли и перца из изображения, и отфильтрованное изображение показано на . Паттерн соседей называется окном, которое скользит по пикселю всего изображения. Здесь медиана вычисляется путем сортировки всех значений пикселей из окна в числовом порядке. Затем значение пикселя заменяется медианным значением (средним значением пикселя).

Извлечение текстуры

После шумоподавления текстурные особенности изображения с шумоподавлением извлекаются с помощью метода MLTrP, показанного на . MLTrP иллюстрирует пространственную структуру локальной текстуры, используя направление центрального серого пикселя. Тетрашаблон рассчитывается на основе направления пикселей с использованием производных по горизонтали, диагонали и вертикали (0°, 45° и 90°).

Извлечение признаков текстуры

Матрица путаницы

иллюстрирует матрицу путаницы для фактических и прогнозируемых классов изображения BMW.На этом графике ось x представляет прогнозируемые классы, ось y представляет выборки данных, а ось z представляет фактические классы. Матрица путаницы содержит информацию о фактических и прогнозируемых классификациях, выполненных системой классификации RVM. Производительность этой системы оценивается с использованием данных в матрице.

Матрица путаницы для фактических и предсказанных классов

Чувствительность и специфичность

Чувствительность — это доля истинно положительных результатов, правильно идентифицированных классификатором RVM, выраженная в процентах.Чувствительность определяется как вероятность получения положительного результата теста у испытуемых. Специфичность — это количество истинно отрицательных результатов, деленное на сумму числа истинно отрицательных и ложноположительных результатов. Чувствительность рассчитывается с использованием,

Чувствительность = TP (TP + Fn) = количество истинных положительных оценокНом Согласил всех положительных оценок

[15]

Специфичность = Tn (Tn + FP) = количество истинного отрицательного оценки со всеми негативными оценками

[16]

Средние значения формул 15 и 16: TP – истинно положительный, TN – истинно отрицательный, FP – ложноположительный, FN – ложноотрицательный.В этом анализе уровень чувствительности увеличивается на 100%, а уровень специфичности увеличивается на 91%.

Скорость классификации

RVM — один из самых известных методов классификации и распознавания образов. Он обеспечивает лучшие результаты классификации по сравнению с классификатором SVM. Скорость классификации — это скорость идеального предсказания, увеличенная на 100%. Частота ошибок — это частота ошибочной классификации, которая снижает производительность скорости классификации, уменьшенную на 43%. Правильная скорость — это точная скорость классификации, увеличенная на 95.65%. Увеличивая правильную скорость, общая производительность и точность также увеличиваются.

Точность

Из этого анализа видно, что уровень точности увеличивается на 95,65% при использовании классификации RVM. Результаты обработки изображения BMW возвращают результат с точностью, соответствующей субпиксельному разрешению, воспроизводимость которого можно вывести из частоты возникновения. Точность классификатора РВМ можно определить по чувствительности и специфичности при наличии распространенности.Уровень точности рассчитывается с использованием,

Точность=(TN+TP)(TN+TP+FN+FP)=Количество истинных  оценокКоличество всех оценок

[17]

Где PL представляет положительную вероятность, а NL представляет отрицательную вероятность. PL — это положительный результат, также называемый прогностической ценностью положительного результата теста. NL — отрицательный балл, также называемый прогностической ценностью отрицательного результата теста.

Здесь точность классификации уровня обучения и точек обучающих признаков рассчитывается для существующих и предлагаемых методов извлечения признаков текстуры, показанных на рис.Где, я ? представляет коэффициент плотности шума.

Таблица 1:

Таблица 1:

Классификация Точность для существующих и предложенных текстурных методов экстракции Функции (24)

005 96.55 94.2605 76.67 88.96
Классификация Точность ρ = 5% ρ = 5% ρ = 10% ρ = 20% ρ = 30% ρ = 40% ρ = 40% ρ = 40%
Методы
Brint2_cs_cm (MS9) 98.63 96.55
92.64 94.64 84.54 74.26
92.96 92.96 90.53 82.2 69.77 50.88
94.77 94.77 94.77 94.77 94,77 93.22 76.67
54.81 43.33 43.33
LTP (MS9) 92.99 92.99 91.99 86.11 77.71 64.19
NRLBP (MS9) 88.63 88.96
83.87 78.98 78.98 67.11
MLTRP (Предлагается) 99.44 98.44 95.65 92.86 92.86 91.3

Достопримечательности Достижие (PL) = Чувствительность

[18]

Negative Likehood (NL)=1−SensitivitySpecificity

[19]

Сравнительный анализ между существующими SVM и предлагаемыми классификаторами RVM

представляет значения чувствительности, специфичности и скорости классификации.Из этого графика видно, что предложенный классификатор RVM дает лучшие результаты по сравнению с классификатором SVM. показан сравнительный анализ существующих и предлагаемых методов классификации RVM.

График сравнительного анализа существующих SVM и предлагаемых классификаторов RVM.

Показатель производительности

показывает показатель эффективности классификации RVM. Показатели производительности, такие как частота ошибок, частота ошибок, чувствительность, специфичность, точность и распространенность предлагаемой системы идентификации и классификации BMW, оцениваются с использованием классификатора RVM.

Таблица 2:

Таблица 2:

Распоряжение РВМ классификации

06 Последняя корректная скорость4
Ошибка частота
0.9565
0.0435
Обладательство 1
Чувствительность 1
Спецификация 0.9196
положительный прогноз 0,9167 0.9167
1
0 4
12
отрицательная вероятность (NL) 0
Распространенность Точность

ОбсуждениеВ последние десятилетия предложено несколько родственных работ по классификации БМВ. Классификация (10) и идентификация BMW — непростая задача, поэтому для идентификации потока отходов требуется дополнительная работа. Методы медианной фильтрации (11–13), MLTP (14–19) и RVM (20–23) используются для эффективного извлечения и проверки характеристик гистограммы изображения BMW. В этом исследовании правильно идентифицированы и классифицированы четыре типа отходов, такие как части человеческого тела, пластик, хлопок и жидкости.

В этом документе основное внимание уделяется разделению биоотходов у источника. Разделение биоотходов у источника является первичным этапом, а переработка, повторное использование и переработка должны рассматриваться с соответствующей точки зрения. Предлагаемая идентификация и классификация BMW стремится к повышению точности, чувствительности, специфичности и скорости классификации. Эти показатели особенно важны для визуализации BMW, и она становится предсказуемой исследовательской процедурой в клинической практике.В этой статье разработан гибридный метод для извлечения и классификации текстурных признаков изображения BMW путем объединения MLTP с классификатором RVM. Основная цель использования метода MLTrP состоит в том, чтобы извлечь функции гистограммы из очищенного от шума изображения BMW. Здесь 8-битный тетра-шаблон и амплитудные шаблоны рассчитываются на основе горизонтального, диагонального и вертикального направлений (0°, 45° и 90°). Кроме того, механизм классификации RVM также используется для точной классификации потока отходов на части человеческого тела, пластик, хлопок и жидкости.

В будущем система классификации может быть усовершенствована для дальнейшей систематической сортировки и надлежащей утилизации BMW.

Заключение

BMW следует классифицировать в соответствии с их источником, типом и факторами риска, связанными с обращением с ними, обращением, разделением, обработкой и удалением. С BMW необходимо обращаться и хранить его в безопасных условиях, поскольку он вызывает серьезные проблемы со здоровьем окружающей среды. В этой статье BMW идентифицируется и классифицируется с использованием метода MLTP и классификатора RVM.Первоначально входное изображение BMW предварительно обрабатывается с использованием метода медианной фильтрации. На этом этапе нерелевантные и сильно искаженные шумы удаляются и фильтруются. После этого MLTrP используется для извлечения характеристик гистограммы изображения BMW. Следовательно, признаки шаблона гистограммы подаются на вход RVM, который является многоклассовым классификатором, в основном используемым для классификации шаблонов. Наконец, образ BMW классифицируется по частям человеческого тела, хлопку, пластику и жидким отходам.

Этические соображения

Этические вопросы (включая плагиат, информированное согласие, неправомерное поведение, фабрикацию и/или фальсификацию данных, двойную публикацию и/или представление, избыточность и т. д.) были полностью соблюдены авторами.

Благодарность

Авторы заявляют об отсутствии конфликта интересов.

Ссылки

1. Чаухан А., Сингх А. (2016). Гибридный многокритериальный подход к принятию решений для выбора устойчивого местоположения объекта по утилизации медицинских отходов. J Clean Prod, 139: 1001–1010. [Google Академия]2. Лакшми Рефонаа Дж., Вивек Дж. (2015). Отслеживание биомедицинских отходов с использованием глобальной системы позиционирования. 2015. Международная конференция по схемам, энергетике и вычислительным технологиям (ICCPCT).[Google Академия]3. Кумар Р., Гупта А.К., Аггарвал А.К., Кумар А. (2014). Описательное исследование по оценке управления биомедицинскими отходами в государственной больнице третичного уровня в Северной Индии. J Environ Health Sci Eng, 12:69. [Бесплатная статья PMC] [PubMed] [Google Scholar]4. Морейра АММ, Гюнтер ВМР. (2013). Оценка обращения с медицинскими отходами в центре первичной медико-санитарной помощи в Сан-Паулу, Бразилия. Управление отходами, 33 (1): 162–167. [PubMed] [Google Scholar]5. Калайвани К., Анджалиприя В., Сивакумар Р., Шримина Р.(2015). Эффективная схема управления биоключами для приложений телемедицины. в области технологических инноваций в области ИКТ для сельского хозяйства и развития сельских районов (TIAR), IEEE, 2015 г. [Google Академия]6. Найк Б., Наяк Дж., Бехера Х.С., Авраам А. (2016). Самоадаптирующаяся ИНС высшего порядка, основанная на поиске гармонии, для нелинейной классификации данных. Нейрокомпьютинг, 179: 69–87. [Google Академия]7. Фарид Д.М., Чжан Л., Рахман С.М., Хоссейн М.А., Страчан Р. (2014). Гибридное дерево решений и наивные байесовские классификаторы для задач классификации нескольких классов.Приложение Expert Syst, 41 (4): 1937–1946. [Google Академия]8. Ван Д., Чжан С., Фан М., Е С. (2016). Иерархические смешивающие линейные машины опорных векторов для нелинейной классификации. Распознавание образов, 59: 255–267. [Google Академия]9. Корытковски М., Рутковски Л., Шерер Р. (2016). Быстрая классификация изображений за счет усиления нечетких классификаторов. Информ Sci, 327: 175–182. [Google Академия] 10. Розен Г.Л., Райхенбергер Э.Р., Розенфельд А.М. (2011). NBC: веб-сервер инструмента наивной байесовской классификации для таксономической классификации метагеномных прочтений.Биоинформатика, 27(1): 127–129. [Бесплатная статья PMC] [PubMed] [Google Scholar]11. Фарагалла О.С., Ибрагем Х.М. (2016). Структура взвешенного медианного фильтра с адаптивным переключением для подавления шума соли и перца. AEU-Int J Electron C, 70(8): 1034–1040. [Google Академия] 12. Лу КТ. (2014). Шумоподавление с использованием трехступенчатого коэффициента усиления и итеративно-направленного медианного фильтра. Appl Acoust, 76: 249–261. [Google Академия] 13. Мехер СК. (2014). Рекурсивный и исключающий шум срединный фильтр с нечетким переключением для подавления импульсного шума.Eng Appl Artif Intell, 30: 145–154. [Google Академия] 14. Мурала С., Махешвари Р., Баласубраманиан Р. (2012). Локальные четырехугольники: новый дескриптор функции для поиска изображений на основе содержимого. IEEE Trans Image Process, 21(5): 2874–2886. [PubMed] [Google Scholar] 15. Шривастава Н., Тьяги В. (2014). Эффективная схема классификации текстуры изображения на основе бинарного шаблона локальной структуры. Visual Comput, 30 (11): 1223–1232. [Google Академия] 16. Мурала С., Ву (2014). Локальные сетчатые паттерны в сравнении с локальными бинарными паттернами: индексация и поиск биомедицинских изображений.IEEE J Biomed Health Inform, 18(3): 929–938. [PubMed] [Google Scholar] 17. Юань Ф. (2014). Инвариантный к вращению и масштабу локальный двоичный шаблон, основанный на производных по направлению высокого порядка для классификации текстуры. Процесс цифровых сигналов, 26: 142–152. [Google Академия] 18. Юань Ф., Ши Дж., Ся С., Фан Ю., Фан З., Мэй Т. (2016). Локальные троичные шаблоны высокого порядка с проекцией, сохраняющей локальность, для обнаружения дыма и классификации изображений. Информ Sci, 372: 225–240. [Google Академия] 19. Хуанга М., Му З., Зенга Х., Хуанб С.(2015). Описание области локального изображения с использованием ортогонального симметричного локального троичного шаблона. Pattern Recognit Lett, 54: 56–62. [Google Академия] 20. Ван К., Цзя Х. (2009). Классификация изображений с использованием векторной машины релевантности бинарного дерева без баланса. в АЗИИ ’09. Международный азиатский симпозиум по интеллектуальному взаимодействию и эффективным вычислениям. [Google Академия] 21. Раджу Дж., Дурай, CAD. (2013). Обзор методов классификации текстур. 2013 Международная конференция по информационным коммуникациям и встроенным системам (ICICES).[Google Академия] 22. Пал М., Foody GM. (2012). Оценка SVM, RVM и SMLR для точной классификации изображений с ограниченными наземными данными. IEEE J Sel Topics Appl Earth Observ, 5 (5): 1344–1355. [Google Академия] 23. Браун А.С., Вайднер У., Хинц С. (2012). Классификация в многомерных пространствах признаков — оценка с использованием SVM, IVM и RVM с упором на смоделированные данные EnMAP. IEEE J Sel Topics Appl Earth Observ, 5(2): 436–443. [Google Академия] 24. Лю Л., Лонг И., Фьегут П.В., Лао С., Чжао Г. (2014). BRINT: классификация текстур, инвариантная к бинарному вращению и устойчивая к шуму.IEEE Trans Image Process, 23(7): 3071–3084. [PubMed] [Google Scholar]

A Алгоритм идентификации и классификации биомедицинских отходов с использованием Mltrp и Rvm

Иран J Общественное здравоохранение. 2016 Октябрь; 45 (10): 1276–1287.

Аравиндан АЧУТАН

1. Кафедра гражданского строительства, Инженерный колледж Лата Матхаван, Мадурай, Тамил Наду, Индия

Васумати АЙЯЛЛУ МАДАНГОПАЛ

2. Институт гражданской инженерии Карпатия, Департамент гражданского строительства , Тамилнад, Индия

1. Кафедра гражданского строительства, Инженерный колледж Лата Матхаван, Мадурай, Тамил Наду, Индия

2. Кафедра гражданского строительства, Технологический институт Сету, Карияпатти, Тамил Наду, Индия

Поступила в редакцию 22 марта 2016 г.; Принято 10 августа 2016 г.

Copyright © Иранская ассоциация общественного здравоохранения и Тегеранский университет медицинских наук

Эта работа находится под лицензией Creative Commons Attribution-NonCommercial 3.0 Unported License, которая позволяет пользователям читать, копировать, распространять и создавать производные работы для некоммерческих целей. целей из материала, если автор оригинальной работы указан правильно.

Abstract

Background:

Мы стремились извлечь функции гистограммы для анализа текста и классифицировать типы биомедицинских отходов (BMW) для удаления мусора и управления им.

Методы:

Данный BMW был предварительно обработан с использованием метода медианной фильтрации, который эффективно уменьшил шум на изображении. После этого особенности гистограммы отфильтрованного изображения были извлечены с помощью предложенного метода Modified Local Tetra Pattern (MLTrP).Наконец, машина вектора релевантности (RVM) использовалась для классификации BMW на части человеческого тела, пластик, хлопок и жидкости.

Результаты:

Изображение BMW было взято из набора данных изображения мусора для анализа. Производительность предложенной системы идентификации и классификации BMW была оценена с точки зрения чувствительности, специфичности, скорости классификации и точности с помощью MATLAB. По сравнению с существующими методиками предложенные методики давали лучшие результаты.

Заключение:

В этой работе предлагается новая методика анализа текстуры и классификации для управления и утилизации BMW. Его можно использовать во многих приложениях реального времени, таких как системы управления больницами и здравоохранением, для надлежащей утилизации BMW.

Ключевые слова: Медицинские биоотходы, Медианный фильтр, Чувствительность, Специфичность

Введение

Биомедицинские отходы (BMW) возникают в результате ухода за людьми, животными, медицинского обучения, медицинских исследований, отходов биологических лабораторий и других объектов.Часть этого потока отходов является заразной или потенциально заразной, и ею необходимо управлять надлежащим образом для защиты санитарного и медицинского персонала. Обычно BMW (1–3) регулируются и управляются в соответствии с различными стандартами и протоколами в разных странах. В медицинских учреждениях отходы образуются при неправильном управлении, что оказывает прямое воздействие на здоровье населения, окружающей среды и медицинских работников. БМВ представляет опасность для здоровья населения, больниц, медицинских учреждений, флоры и фауны района.BMW всегда должен храниться в безопасных условиях, когда это возможно. BMW нельзя смешивать с химическим, радиоактивным или другим лабораторным мусором. Контейнеры для BMW должны соответствовать его содержимому, существуют различные виды контейнеров, а также пакеты для хранения и утилизации BMW (4). Правительство Индии указывает, что BMW является частью больничной гигиены и технического обслуживания. Всемирная организация здравоохранения (ВОЗ) разделила BMW на восемь категорий, в том числе:

Предварительная обработка — важный этап в приложениях для обработки изображений, который устраняет ненужные шумы в заданном входном изображении.Медианные фильтры широко используются во многих приложениях для обработки изображений, поскольку они обеспечивают отличные возможности шумоподавления для удаления шума. В этой статье усовершенствованный метод медианной фильтрации применяется для удаления шумов в заданном изображении BMW. После шумоподавления текстурные особенности предварительно обработанного изображения BMW извлекаются на основе значения гистограммы с помощью MLTrP.

В данном исследовании идентифицируется и классифицируется тип БМВ с помощью МЛТрП и классификатора РВМ.Алгоритмы обработки изображений применяют локальные и глобальные операции к входному изображению по некоторым конкретным причинам, таким как устранение шума, обнаружение краев и контрастное растяжение. Локальный бинарный паттерн (LBP), локальный производный паттерн (LDP) и локальный тетрагональный паттерн (LTP) — это существующие подходы к извлечению признаков. Эти методы в основном используются для извлечения информации на основе распределения краев, закодированных с использованием только двух направлений, таких как положительное и отрицательное направления. Производительность этих методов может быть улучшена путем дифференциации границ более чем в двух направлениях.Для преодоления этого ограничения в данной работе используется метод извлечения MLTP. MLTrP — это код с тремя направлениями, который иллюстрирует пространственную структуру локальной текстуры с использованием направления центрального серого пикселя. BMW следует классифицировать в соответствии с их источником, типом и факторами риска (5). В данной статье МЛТрП для классификации БМВ предлагается на основе диагонального, горизонтального и вертикального направления. Текст является важной концепцией анализа текстуры, применяемой для разработки эффективных моделей распознавания текстуры.Кроме того, извлечение шаблона используется для классификации каждого пикселя с использованием четырехнаправленного направления, а извлечение шаблона величины собирается с использованием величины производных. Существуют различные методы классификации для эффективной классификации изображений. Некоторыми из существующих методов классификации, сравниваемых в этой статье, являются искусственная нейронная сеть (ИНС) (6), дерево решений (7), машина опорных векторов (SVM) (8) и нечеткая мера (9). ANN — это непараметрический универсальный классификатор, который эффективно обрабатывает входной шум.Недостатками этого метода являются его высокая скорость вычислений, семантическая бедность, проблема переобучения и больше времени на обучение. Дерево решений — это непараметрические обучающие данные, которые обеспечивают иерархические связи между входными переменными для прогнозирования членства в классе. Он прост и обладает хорошей вычислительной эффективностью, что является основным преимуществом этого метода. Он становится более сложным, когда различные значения соотносятся, что является основным ограничением этого подхода.

SVM — это классификатор с неконтролируемым обучением, который приобретает гибкость в виде порога и содержит нелинейное преобразование. Преимущества этого метода в том, что он имеет меньшую вычислительную сложность и простое управление сложностью правил принятия решений. Недостатками этой методики являются низкая результирующая прозрачность SVM, меньше времени на обучение, непростая для понимания структура этой методики и более сложное определение оптимальных параметров.Чтобы преодолеть эти недостатки, в этой статье используется метод классификации RVM.

После извлечения элементов текстуры классификатор RVM используется для классификации отходов BMW. RVM является распространенным выбором для задач классификации, что дает больше преимуществ по сравнению с SVM. В этом анализе он в основном используется для классификации входного изображения BMW. После классификации идентифицируются типы отходов, чтобы правильно отделить и утилизировать BMW. В этом анализе определены и классифицированы четыре типа отходов, такие как части человеческого тела, пластик, хлопок и жидкости.Основная цель этой работы состояла в том, чтобы дать определение BMW и предоставить информацию об идентификации и классификации этого потока отходов. Для этого в статье предлагается метод классификации МЛТрП с РВМ.

Мы стремились извлечь функции гистограммы для анализа текста и классифицировать типы BMW для утилизации и управления мусором.

Методы

Здесь MLTrP и RVM использовались для эффективного извлечения и классификации характеристик гистограммы изображения BMW.Основная цель этой работы состояла в том, чтобы извлечь особенности гистограммы из изображения BMW и классифицировать тип BMW как пластиковые, хлопковые, жидкие или части человеческого тела. Предлагаемая система классификации изображений BMW была разработана в 2014 году с использованием инструмента MATLAB с некоторыми изображениями мусора. В этом документе представлена ​​новая основа для надлежащего удаления мусора и управления им.

Предварительная обработка

Предварительная обработка изображений обычно включает устранение фонового шума, стабилизацию интенсивности изображений конкретных частиц, устранение отражений и маскирование частей изображений.Предварительная обработка изображений — это метод увеличения данных, при котором изображения переходят к вычислительной обработке. Предварительная переработка BMW на месте производства — это начальный этап, но он также является важным этапом в управлении медицинскими отходами. В этом исследовании медианный фильтр используется для предварительной обработки изображения BMW. Медианная фильтрация — это нелинейный метод, в основном используемый для удаления шума с изображений. Это очень эффективный и широко используемый метод удаления шума с сохранением границ. Медианный фильтр — один из основных строительных блоков в приложениях для обработки изображений, который адекватно удаляет шумы типа «соль и перец».Он удаляет шумы в изображении BMW, перемещаясь по изображению пиксель за пикселем. Шаблон соседей называется окном, которое пиксель за пикселем скользит по всему изображению BMW. Первоначально медиана вычисляется путем упорядочивания всех значений пикселей из окна в числовом порядке. После этого он заменяет каждое значение медианным значением соседних пикселей. показан процесс медианной фильтрации на основе предварительной обработки изображения BMW.

Процесс медианной фильтрации

Первоначально на вход подается изображение BMW, и шумы, присутствующие в этом изображении, удаляются с помощью метода медианной фильтрации.Затем особенности текстуры изображения с шумоподавлением извлекаются с использованием метода MLTP. На этом этапе шаблоны извлекаются, и шаблоны закодированной величины вычисляются на основе направлений пикселей (0°, 45° и 90°). Следовательно, функции гистограммы выбираются и подаются на вход классификатора RVM. Наконец, образ BMW классифицируется по частям человеческого тела, хлопку, пластику и жидким отходам.

Извлечение признаков

Извлечение признаков — это процесс захвата визуального содержимого изображений для индексации и поиска.Извлечение признаков включает в себя облегчение количества ресурсов, необходимых для точного представления большого набора данных. Целью извлечения признаков является представление необработанного изображения в его уменьшенной форме для облегчения процесса принятия решений, такого как классификация образов. Извлечение признаков является важным шагом для получения высокой скорости классификации. Набор признаков извлекается, чтобы позволить классификатору идентифицировать нормальный и ненормальный образец. Область изображения BMW определяется способом распределения уровней серого по пикселям в области.Свойства области изображения BMW количественно определяются путем использования пространственных отношений, лежащих в основе распределения уровня серого. В этой статье особенности входного изображения BMW извлекаются с помощью MLTP. показывает общий поток предложенного извлечения признаков на основе MLTP и классификации на основе RVM.

Общий поток предлагаемой идентификации и классификации BMW

MLTrP

В области извлечения и классификации текстурных признаков MLTrP является ступенькой.Он в основном используется для построения взаимосвязи между центральным пикселем и соседними пикселями путем вычисления разницы уровней серого. MLTrP кодирует входное изображение BMW, вычисляя горизонтальное и вертикальное направления каждого пикселя. Он кодирует взаимосвязь на основе направления центрального пикселя p c и соседей. Направления вычисляются путем объединения (n-1)-го -го порядка производных направлений 0°, 45° и 90°. Производные первого порядка по направлениям 0°, 45° и 90° обозначаются как

Dθ1(np)|θ=0°,45°,90°

Пусть n c обозначает центральный пиксель изображения D , n h 9008 обозначает горизонталь v указывает вертикальную окрестность, а n d представляет диагональную окрестность n c соответственно.Затем производные первого порядка в центральном пикселе вычисляются как D(nc)

[2]

D90°1(nc)=D(nv)−D(nc)

[3]

Направление центрального пикселя вычисляется как

DDir1(nc)={1,D0°1(nc)≥0 и D45°1(nc)≥0 и D90°1(nc)≥02,D0°1(nc)<0 и D45°1( nc)≥0 и D90°1(nc)≥03,D0°1(nc)<0 и D45°1(nc)≥0 и D90°1(nc)<04,D0°1(nc)≥0 и D45°1(nc)≥0 и D90°1(nc)<05,D0°1(nc)≥0 и D45°1(nc)<0 и D90°1(nc)≥06,D0°1(nc )<0 и D45°1(нк)<0 и D90°1(нк)≥07,D0°1(нк)<0 и D45°1(нк)<0 и D90°1(нк)<08,D0 °1(nc)≥0 и D45°1(nc)>0 и D90°1(nc)<0

[4]

Из уравнения [4] видно, что возможное направление для каждого центрального пикселя может быть 1, 2, 3, 4, 5, 6, 7 или 8, и в конечном итоге изображение преобразуется в восемь направлений.Заказ МЛТрП 2 ( н c ) определяется следующим образом,

MLTrP2(nc)={f8(DDir1(nc),DDir1(n1)),f8(DDir1(nc),DDir1(n2)),⋯f8(DDir1(nc),DDir1(np))}

[5]

f8(DDir1(nc),DDir1(np))={0,DDir1(nc)=DDir1(np)else,DDir1(np)

[6]

8-битный шаблон тетра для каждый центральный пиксель получается из уравнений [5] и [6]. Затем все шаблоны разделяются на 8 частей в зависимости от направления центрального пикселя. Где направление центрального пикселя ( DDir1(nc) ) получается из уравнения [4].Отсюда МЛТрП 2 | Направление = 2,3,4,5,6,7,8

=∑p=1p2(p−1)*f8(MLTrP2(nc))|Direction=2,3,4,5,6,7,8

[7]

f8(MLTrP2(nc)) |Direction=ϕ={1,if MLTrP2(nc)=ϕ0,else

[8]

Где ф = 2,3,4,5,6,7,8. аналогичным образом другие четырехгранные шаблоны для оставшихся 8 направлений центральных пикселей преобразуются в двоичные шаблоны. Наконец, берутся 56 (8×7) бинарных шаблонов. показан процесс извлечения признаков гистограммы с помощью MLTrP.

Процесс извлечения признаков на основе MLTP

Компонент величины MLTP предоставляет более полезную информацию для классификации признаков текстуры. Использование комбинации этих паттернов обеспечивает лучшие показания, которые не проявляются ни в одном отдельном компоненте. Схема величины извлечения признаков MLTrP показана на рис.

Процесс извлечения шаблона величины

иллюстрирует вычисление четырехгранного шаблона для направления центрального пикселя 1 с использованием направления соседей.Направление синих стрелок представляет центральный пиксель, а черные стрелки представляют соседние пиксели. Здесь мы берем 57 паттернов (то есть 8 X 7), 56 тетра-паттернов и 1 паттерн магнитуды. Следовательно, мы увеличиваем количество шаблонов для извлечения признаков текстуры. Традиционные алгоритмы находят паттерн тетра в 4 направлениях, но в этой работе мы используем 8 направлений.

Векторная диаграмма для расчета тетрапаттерна

Классификация RVM

RVM — это алгоритм разреженного обучения, аналогичный SVM, который способен выдавать полностью вероятностные выходные данные.Преимущества RVM дают функцию решения, которая намного реже, чем SVM, сохраняя при этом точность классификации. RVM представляет собой выпуклую квадратичную программу, которая обеспечивает вероятностную интерпретацию машины выходных векторов. Идея RVM заключается в том, что входные данные отображаются в многомерное пространство функций с помощью функции ядра.

Дан набор данных {ай,би}я=1n , где a i — входной вектор, а b i — их соответствующие выходные данные.Вывод RVM проиллюстрирован следующим образом:

b(a)=∑i=1nwif(a,ai)+w0

[9]

Где w = [ w 0 , … w i ] представляет весовой вектор, f ( a, a i ) представляет ядро ​​. В RVM в качестве встречающегося ядра используется ядро ​​Гаусса, выраженное следующим образом:

f(a,ai)=exp[−‖a−ai‖22σ2]

[10]

Где σ представляет ширину ядра Гаусса.Вероятность набора данных может быть выражена с помощью

p(b|w,σ2)=(2πσ2)−π2exp[−12σ2||b−ρ||2]

[11]

Где,

ρ

ρ ( A I ) = (1, F ( A I , A 1 ), F ( A I , A , A 2 ), …, F ( A I , A , A N ))

[12]

. Явная вероятность до распределение по весам для улучшения обобщающей способности модели RVM, определяемой следующим образом:

p(w|x)=Πi=1nN(wi|0,xi−1)

[13]

Где x представляет вектор гиперпараметров.Таким образом, функция классификатора векторной машины релевантности может быть выражена следующим образом:

b(a)=ρ′(a)(∑i=1nxiρ(ai))

[14]

В этом анализе классификатор RVM в основном используется для классификации типов отходов, таких как части человеческого тела , хлопок, пластмассы и жидкости. Преимущества классификатора RVM перед SVM:

  • Классификатор RVM требует меньшего вектора релевантности, чем SVM.

  • По сравнению с SVM требуется меньше времени на тестирование.

  • Вычислительные затраты и сложность ниже по сравнению с SVM.

Результаты

Биомедицинские отходы (БМВ) – это отходы, образующиеся в больницах, учреждениях здравоохранения и медицинских лабораториях, образующиеся в ходе иммунизации, диагностики и лечения. Экспериментальные результаты показывают эффективность предлагаемой идентификации и классификации BMW. В этом анализе метод извлечения признаков MLTrP используется для гистограммы характеристик изображения BMW, а классификатор RVM используется для классификации типов отходов, таких как части человеческого тела, пластик, хлопок и жидкости.

Отфильтрованное изображение

Первоначально изображение BMW подается на вход, показанный на рис. Он содержит нерелевантные и сильно искаженные шумы, удаленные с помощью медианного фильтра. Он в основном используется для устранения шума соли и перца из изображения, и отфильтрованное изображение показано на . Паттерн соседей называется окном, которое скользит по пикселю всего изображения. Здесь медиана вычисляется путем сортировки всех значений пикселей из окна в числовом порядке. Затем значение пикселя заменяется медианным значением (средним значением пикселя).

Извлечение текстуры

После шумоподавления текстурные особенности изображения с шумоподавлением извлекаются с помощью метода MLTrP, показанного на . MLTrP иллюстрирует пространственную структуру локальной текстуры, используя направление центрального серого пикселя. Тетрашаблон рассчитывается на основе направления пикселей с использованием производных по горизонтали, диагонали и вертикали (0°, 45° и 90°).

Извлечение признаков текстуры

Матрица путаницы

иллюстрирует матрицу путаницы для фактических и прогнозируемых классов изображения BMW.На этом графике ось x представляет прогнозируемые классы, ось y представляет выборки данных, а ось z представляет фактические классы. Матрица путаницы содержит информацию о фактических и прогнозируемых классификациях, выполненных системой классификации RVM. Производительность этой системы оценивается с использованием данных в матрице.

Матрица путаницы для фактических и предсказанных классов

Чувствительность и специфичность

Чувствительность — это доля истинно положительных результатов, правильно идентифицированных классификатором RVM, выраженная в процентах.Чувствительность определяется как вероятность получения положительного результата теста у испытуемых. Специфичность — это количество истинно отрицательных результатов, деленное на сумму числа истинно отрицательных и ложноположительных результатов. Чувствительность рассчитывается с использованием,

Чувствительность = TP (TP + Fn) = количество истинных положительных оценокНом Согласил всех положительных оценок

[15]

Специфичность = Tn (Tn + FP) = количество истинного отрицательного оценки со всеми негативными оценками

[16]

Средние значения формул 15 и 16: TP – истинно положительный, TN – истинно отрицательный, FP – ложноположительный, FN – ложноотрицательный.В этом анализе уровень чувствительности увеличивается на 100%, а уровень специфичности увеличивается на 91%.

Скорость классификации

RVM — один из самых известных методов классификации и распознавания образов. Он обеспечивает лучшие результаты классификации по сравнению с классификатором SVM. Скорость классификации — это скорость идеального предсказания, увеличенная на 100%. Частота ошибок — это частота ошибочной классификации, которая снижает производительность скорости классификации, уменьшенную на 43%. Правильная скорость — это точная скорость классификации, увеличенная на 95.65%. Увеличивая правильную скорость, общая производительность и точность также увеличиваются.

Точность

Из этого анализа видно, что уровень точности увеличивается на 95,65% при использовании классификации RVM. Результаты обработки изображения BMW возвращают результат с точностью, соответствующей субпиксельному разрешению, воспроизводимость которого можно вывести из частоты возникновения. Точность классификатора РВМ можно определить по чувствительности и специфичности при наличии распространенности.Уровень точности рассчитывается с использованием,

Точность=(TN+TP)(TN+TP+FN+FP)=Количество истинных  оценокКоличество всех оценок

[17]

Где PL представляет положительную вероятность, а NL представляет отрицательную вероятность. PL — это положительный результат, также называемый прогностической ценностью положительного результата теста. NL — отрицательный балл, также называемый прогностической ценностью отрицательного результата теста.

Здесь точность классификации уровня обучения и точек обучающих признаков рассчитывается для существующих и предлагаемых методов извлечения признаков текстуры, показанных на рис.Где, я ? представляет коэффициент плотности шума.

Таблица 1:

Таблица 1:

Классификация Точность для существующих и предложенных текстурных методов экстракции Функции (24)

005 96.55 94.2605 76.67 88.96
Классификация Точность ρ = 5% ρ = 5% ρ = 10% ρ = 20% ρ = 30% ρ = 40% ρ = 40% ρ = 40%
Методы
Brint2_cs_cm (MS9) 98.63 96.55
92.64 94.64 84.54 74.26
92.96 92.96 90.53 82.2 69.77 50.88
94.77 94.77 94.77 94.77 94,77 93.22 76.67
54.81 43.33 43.33
LTP (MS9) 92.99 92.99 91.99 86.11 77.71 64.19
NRLBP (MS9) 88.63 88.96
83.87 78.98 78.98 67.11
MLTRP (Предлагается) 99.44 98.44 95.65 92.86 92.86 91.3

Достопримечательности Достижие (PL) = Чувствительность

[18]

Negative Likehood (NL)=1−SensitivitySpecificity

[19]

Сравнительный анализ между существующими SVM и предлагаемыми классификаторами RVM

представляет значения чувствительности, специфичности и скорости классификации.Из этого графика видно, что предложенный классификатор RVM дает лучшие результаты по сравнению с классификатором SVM. показан сравнительный анализ существующих и предлагаемых методов классификации RVM.

График сравнительного анализа существующих SVM и предлагаемых классификаторов RVM.

Показатель производительности

показывает показатель эффективности классификации RVM. Показатели производительности, такие как частота ошибок, частота ошибок, чувствительность, специфичность, точность и распространенность предлагаемой системы идентификации и классификации BMW, оцениваются с использованием классификатора RVM.

Таблица 2:

Таблица 2:

Распоряжение РВМ классификации

06 Последняя корректная скорость4
Ошибка частота
0.9565
0.0435
Обладательство 1
Чувствительность 1
Спецификация 0.9196
положительный прогноз 0,9167 0.9167
1
0 4
12
отрицательная вероятность (NL) 0
Распространенность Точность

ОбсуждениеВ последние десятилетия предложено несколько родственных работ по классификации БМВ. Классификация (10) и идентификация BMW — непростая задача, поэтому для идентификации потока отходов требуется дополнительная работа. Методы медианной фильтрации (11–13), MLTP (14–19) и RVM (20–23) используются для эффективного извлечения и проверки характеристик гистограммы изображения BMW. В этом исследовании правильно идентифицированы и классифицированы четыре типа отходов, такие как части человеческого тела, пластик, хлопок и жидкости.

В этом документе основное внимание уделяется разделению биоотходов у источника. Разделение биоотходов у источника является первичным этапом, а переработка, повторное использование и переработка должны рассматриваться с соответствующей точки зрения. Предлагаемая идентификация и классификация BMW стремится к повышению точности, чувствительности, специфичности и скорости классификации. Эти показатели особенно важны для визуализации BMW, и она становится предсказуемой исследовательской процедурой в клинической практике.В этой статье разработан гибридный метод для извлечения и классификации текстурных признаков изображения BMW путем объединения MLTP с классификатором RVM. Основная цель использования метода MLTrP состоит в том, чтобы извлечь функции гистограммы из очищенного от шума изображения BMW. Здесь 8-битный тетра-шаблон и амплитудные шаблоны рассчитываются на основе горизонтального, диагонального и вертикального направлений (0°, 45° и 90°). Кроме того, механизм классификации RVM также используется для точной классификации потока отходов на части человеческого тела, пластик, хлопок и жидкости.

В будущем система классификации может быть усовершенствована для дальнейшей систематической сортировки и надлежащей утилизации BMW.

Заключение

BMW следует классифицировать в соответствии с их источником, типом и факторами риска, связанными с обращением с ними, обращением, разделением, обработкой и удалением. С BMW необходимо обращаться и хранить его в безопасных условиях, поскольку он вызывает серьезные проблемы со здоровьем окружающей среды. В этой статье BMW идентифицируется и классифицируется с использованием метода MLTP и классификатора RVM.Первоначально входное изображение BMW предварительно обрабатывается с использованием метода медианной фильтрации. На этом этапе нерелевантные и сильно искаженные шумы удаляются и фильтруются. После этого MLTrP используется для извлечения характеристик гистограммы изображения BMW. Следовательно, признаки шаблона гистограммы подаются на вход RVM, который является многоклассовым классификатором, в основном используемым для классификации шаблонов. Наконец, образ BMW классифицируется по частям человеческого тела, хлопку, пластику и жидким отходам.

Этические соображения

Этические вопросы (включая плагиат, информированное согласие, неправомерное поведение, фабрикацию и/или фальсификацию данных, двойную публикацию и/или представление, избыточность и т. д.) были полностью соблюдены авторами.

Благодарность

Авторы заявляют об отсутствии конфликта интересов.

Ссылки

1. Чаухан А., Сингх А. (2016). Гибридный многокритериальный подход к принятию решений для выбора устойчивого местоположения объекта по утилизации медицинских отходов. J Clean Prod, 139: 1001–1010. [Google Академия]2. Лакшми Рефонаа Дж., Вивек Дж. (2015). Отслеживание биомедицинских отходов с использованием глобальной системы позиционирования. 2015. Международная конференция по схемам, энергетике и вычислительным технологиям (ICCPCT).[Google Академия]3. Кумар Р., Гупта А.К., Аггарвал А.К., Кумар А. (2014). Описательное исследование по оценке управления биомедицинскими отходами в государственной больнице третичного уровня в Северной Индии. J Environ Health Sci Eng, 12:69. [Бесплатная статья PMC] [PubMed] [Google Scholar]4. Морейра АММ, Гюнтер ВМР. (2013). Оценка обращения с медицинскими отходами в центре первичной медико-санитарной помощи в Сан-Паулу, Бразилия. Управление отходами, 33 (1): 162–167. [PubMed] [Google Scholar]5. Калайвани К., Анджалиприя В., Сивакумар Р., Шримина Р.(2015). Эффективная схема управления биоключами для приложений телемедицины. в области технологических инноваций в области ИКТ для сельского хозяйства и развития сельских районов (TIAR), IEEE, 2015 г. [Google Академия]6. Найк Б., Наяк Дж., Бехера Х.С., Авраам А. (2016). Самоадаптирующаяся ИНС высшего порядка, основанная на поиске гармонии, для нелинейной классификации данных. Нейрокомпьютинг, 179: 69–87. [Google Академия]7. Фарид Д.М., Чжан Л., Рахман С.М., Хоссейн М.А., Страчан Р. (2014). Гибридное дерево решений и наивные байесовские классификаторы для задач классификации нескольких классов.Приложение Expert Syst, 41 (4): 1937–1946. [Google Академия]8. Ван Д., Чжан С., Фан М., Е С. (2016). Иерархические смешивающие линейные машины опорных векторов для нелинейной классификации. Распознавание образов, 59: 255–267. [Google Академия]9. Корытковски М., Рутковски Л., Шерер Р. (2016). Быстрая классификация изображений за счет усиления нечетких классификаторов. Информ Sci, 327: 175–182. [Google Академия] 10. Розен Г.Л., Райхенбергер Э.Р., Розенфельд А.М. (2011). NBC: веб-сервер инструмента наивной байесовской классификации для таксономической классификации метагеномных прочтений.Биоинформатика, 27(1): 127–129. [Бесплатная статья PMC] [PubMed] [Google Scholar]11. Фарагалла О.С., Ибрагем Х.М. (2016). Структура взвешенного медианного фильтра с адаптивным переключением для подавления шума соли и перца. AEU-Int J Electron C, 70(8): 1034–1040. [Google Академия] 12. Лу КТ. (2014). Шумоподавление с использованием трехступенчатого коэффициента усиления и итеративно-направленного медианного фильтра. Appl Acoust, 76: 249–261. [Google Академия] 13. Мехер СК. (2014). Рекурсивный и исключающий шум срединный фильтр с нечетким переключением для подавления импульсного шума.Eng Appl Artif Intell, 30: 145–154. [Google Академия] 14. Мурала С., Махешвари Р., Баласубраманиан Р. (2012). Локальные четырехугольники: новый дескриптор функции для поиска изображений на основе содержимого. IEEE Trans Image Process, 21(5): 2874–2886. [PubMed] [Google Scholar] 15. Шривастава Н., Тьяги В. (2014). Эффективная схема классификации текстуры изображения на основе бинарного шаблона локальной структуры. Visual Comput, 30 (11): 1223–1232. [Google Академия] 16. Мурала С., Ву (2014). Локальные сетчатые паттерны в сравнении с локальными бинарными паттернами: индексация и поиск биомедицинских изображений.IEEE J Biomed Health Inform, 18(3): 929–938. [PubMed] [Google Scholar] 17. Юань Ф. (2014). Инвариантный к вращению и масштабу локальный двоичный шаблон, основанный на производных по направлению высокого порядка для классификации текстуры. Процесс цифровых сигналов, 26: 142–152. [Google Академия] 18. Юань Ф., Ши Дж., Ся С., Фан Ю., Фан З., Мэй Т. (2016). Локальные троичные шаблоны высокого порядка с проекцией, сохраняющей локальность, для обнаружения дыма и классификации изображений. Информ Sci, 372: 225–240. [Google Академия] 19. Хуанга М., Му З., Зенга Х., Хуанб С.(2015). Описание области локального изображения с использованием ортогонального симметричного локального троичного шаблона. Pattern Recognit Lett, 54: 56–62. [Google Академия] 20. Ван К., Цзя Х. (2009). Классификация изображений с использованием векторной машины релевантности бинарного дерева без баланса. в АЗИИ ’09. Международный азиатский симпозиум по интеллектуальному взаимодействию и эффективным вычислениям. [Google Академия] 21. Раджу Дж., Дурай, CAD. (2013). Обзор методов классификации текстур. 2013 Международная конференция по информационным коммуникациям и встроенным системам (ICICES).[Google Академия] 22. Пал М., Foody GM. (2012). Оценка SVM, RVM и SMLR для точной классификации изображений с ограниченными наземными данными. IEEE J Sel Topics Appl Earth Observ, 5 (5): 1344–1355. [Google Академия] 23. Браун А.С., Вайднер У., Хинц С. (2012). Классификация в многомерных пространствах признаков — оценка с использованием SVM, IVM и RVM с упором на смоделированные данные EnMAP. IEEE J Sel Topics Appl Earth Observ, 5(2): 436–443. [Google Академия] 24. Лю Л., Лонг И., Фьегут П.В., Лао С., Чжао Г. (2014). BRINT: классификация текстур, инвариантная к бинарному вращению и устойчивая к шуму.IEEE Trans Image Process, 23(7): 3071–3084. [PubMed] [Google Scholar]

Healthcare Environmental Resource Center (HERC)

Регулируемые медицинские отходы — обзор


Что такое RMW?

Регулируемые медицинские отходы (RMW), также известные как «биологически опасные» отходы или «инфекционные медицинские» отходы — это часть потока отходов которые могут быть загрязнены кровью, биологическими жидкостями или другими потенциально инфекционные материалы, таким образом представляющие значительный риск передачи инфекция .

Существует несколько ключевых категорий отходов, обычно классифицируются как «регулируемые». Каждая категория обычно предъявляет особые требования к обращению, которые могут зависеть от штата. Видеть страница Типы регулируемых медицинских отходов для получения дополнительной информации о классификации RMW

Законы большинства штатов требуют, чтобы RMW был неинфекционным до его можно утилизировать как твердые отходы. (см. Страница «Обработка и утилизация» для получения дополнительной информации.)

RMW уникален для сектора здравоохранения и представляет ряд проблем с соблюдением требований. В отличие от многих правил, которые применяются к здравоохранению, большинство правил, регулирующих медицинские отходы, определены на уровне штатов, а не на федеральном уровне. Добавление еще одного уровня сложности, полномочия в отношении правил обращения с медицинскими отходами часто исходят от нескольких органов на государственном уровне. (См. ниже.)

Федеральный закон не дает четкого определения медицинских отходов. Как правило, государственные департаменты здравоохранения выдают правила, которые определяют, какие отходы считаются «регулируемыми» или требуют особого обращения.Используйте RMW State Locator, чтобы найти определения, которые применяются в вашем штате.

Конечно, не всегда понятно, как общие правила будет применяться к конкретной ситуации. Локатор состояний RMW обеспечивает контактная информация для лиц в государственных органах, которые могут помочь решить вопросы толкования.

 


Регуляторный Обзор — прошлое

В конце 1980-х, когда разрабатывалась существующая система регулирования медицинских отходов, EPA играл центральную роль.Схема была похожа на другие формы экологические нормы, такие как выбросы в атмосферу и твердые отходы. А общая схема была разработана на федеральном уровне, а затем принята, с относительно небольшими вариациями в каждом штате. Однако после На этом начальном этапе была разработана нормативно-правовая база для медицинских отходов. отличается от более типичного шаблона, со значительно большей свободой действий оставлено на усмотрение отдельных штатов.

В 1980-х общественность стала знали, что использованные шприцы и подобные отходы были обнаружены при мытье посуды на нескольких пляжах Восточного побережья.В ответ Конгресс принял Медицинский Закон об отслеживании отходов (MWTA), который требовал от EPA создания двухлетнего демонстрационная программа по медицинским отходам. МЗТА:

  • определили, какие отходы будут регулируемый

  • установил отслеживание от колыбели до могилы система, основанная на инициируемой генератором форме отслеживания (аналогично RCRA манифесты для опасных отходы)

  • необходимых стандартов управления для разделение, упаковка, маркировка и хранение отходов

  • установленные требования к ведению учета

  • определенных штрафов, которые могут быть наложены за бесхозяйственность

Эти стандарты отслеживания и управления медицинских отходов действовали в четырех штатах (Нью-Йорк, Нью-Джерси, Коннектикут, Род-Айленд) и в Пуэрто-Рико с июня 1989 г. по июнь 1991.За это время EPA также собрало информацию и выполнило несколько исследований, связанных с обращением с медицинскими отходами. Правила обнародованного в соответствии с MWTA, срок действия которого истек 21 июня 1999 г.

Из информации, собранной во время этого периода EPA пришло к выводу, что болезнетворный потенциал медицинских отходы самые большие в момент образования и естественным образом сужаются после этого момента. Таким образом, медицинские отходы можно считать более профессионального беспокойства, чем заботы об окружающей среде влияющие на общественность: риск для широкой общественности заболеваний, вызванных воздействием медицинских отходов, вероятно, будет намного ниже чем риск для лица, подвергающегося профессиональному облучению.

MWTA вместе со связанными с EPA программа, направленная на то, чтобы привлечь внимание к проблеме медицинских отходов. Это также представил модель, которая впоследствии использовалась некоторыми государствами и другие федеральные агентства в разработке собственных программ по медицинским отходам.


Регуляторный Обзор — настоящее время

EPA больше не играет центральной роли в регулирование медицинских отходов; вместо этого штаты и другие федеральные агентства взяли на себя эту ответственность.Ниже приводится краткое изложение текущего схема регулирования медицинских отходов.

Государственная медицинская служба Правила обращения с отходами. Почти все 50 штатов приняли законы о медицинских отходах правила в той или иной степени. Однако, в отличие от государственных правил по обращению с отходами, все они основаны на федеральных стандартах RCRA, государственных медицинских отходов стандарты разнообразны. Приняты некоторые государственные правила обращения с медицинскими отходами. после Закона об отслеживании медицинских отходов, в то время как у других практически нет соответствует этому историческому закону.

В большинстве штатов защита окружающей среды агентство в первую очередь отвечает за разработку и соблюдение правил для обращения с медицинскими отходами и их утилизации. Хотя в некоторых штатах Департамент здравоохранения может играть важную роль (например, MO, OK) или даже служить основным регулирующим органом (например, CO). Где оба агентства вовлечены, как правило, департамент здравоохранения отвечает за руководство и природоохранное агентство несут ответственность за транспортировку и утилизация (т.г., ЛА, МО).

В большинстве штатов действуют правила, касающиеся упаковка, хранение и транспортировка медицинских отходов. Некоторые штаты требовать от медицинских учреждений регистрации и/или получения разрешения. Состояние правила могут также охватывать разработку планов действий в чрезвычайных ситуациях, лечение на месте, обучение, отслеживание отходов, ведение учета и отчетность.

Правила OSHA. ОША, будь то Министерство труда США по охране труда и здоровья Администрация или государственная программа OSHA (24 штата имеют свои собственные программа) регулирует несколько аспектов обращения с медицинскими отходами, включая управление острых предметов, требования к контейнерам, в которых содержатся или хранятся медицинские отходы, маркировка пакетов/контейнеров для медицинских отходов и обучение сотрудников.Эти Стандарты предназначены для защиты медицинских работников от риска воздействие возбудителей инфекций, передающихся через кровь. Однако они также помогают систематически управлять отходами, которые приносят пользу обществу и окружающей среде.

В штатах с комплексными медицинскими отходами нормативных актов, часто существует дублирование между государственными экологическими/департаментами санитарных правил и стандарта OSHA на патогены, передающиеся через кровь; тем не мение, конфликтов мало, если они вообще есть. Вместо этого один набор правил может быть расплывчатым или общий, где другой очень специфичен.В таких случаях здравоохранение учреждениям рекомендуется следовать более подробным или строгим правилам. В штатах, где не существует всеобъемлющих правил обращения с медицинскими отходами, правила OSHA заполняют важный пробел.

Правила Агентства по охране окружающей среды США. Хотя EPA больше не играет центральной роли в управлении медицинскими отходами, EPA имеет действующие правила, регулирующие выбросы из больниц/медицинских/инфекционных Установки для сжигания отходов, а также требования Федерального закона об инсектицидах, Закон о фунгицидах и родентицидах (FIFRA) для обработки некоторых медицинских отходов технологии, использующие химические вещества для обработки отходов.

Правила DOT. Регулируемый медицинские отходы определяются Департаментом транспорта как опасные материал. Правила DOT в основном применяются к перевозчикам, а не к здравоохранению. удобства; хотя знание этих правил важно из-за ответственность, связанная с вывозом отходов за пределы площадки.

Кроме того, Центры по контролю за заболеваниями (CDC) выпускает рекомендации по инфекционному контролю.


Что такое
, а не RMW?

Хотя штаты определяют конкретные категории регулируемых медицинские отходы, важно, чтобы медицинские учреждения понимали определенные ключевые концепции во избежание неправильной сортировки отходов.

Одним из распространенных заблуждений, например, является использование слова «насыщенный» , чтобы определить, какой материал можно рассматривать как твердые отходы по сравнению с RMW. В некоторых состояниях «насыщение» обычно относится к стандарту OSHA на патогены, передающиеся через кровь, что квалифицирует значение слова «насыщенный» как относящееся к «загрязненной предметы, которые могут привести к выделению крови или других потенциально инфекционных материалы в жидком или полужидком состоянии при сжатии ».

В таких случаях это было бы неправильной интерпретацией. предположить, что любое медицинское изделие, вступающее в контакт с кровью, биологические жидкости или другие потенциально инфекционные материалы, независимо от того, как незначительный контакт автоматически становится RMW. Определение OSHA «насыщение» позволит разместить большинство предметов со следовыми уровнями загрязнения в потоке твердых отходов.

Правила вашего штата могут разрешать вам обращаться с определенными отходы, с которыми вы в настоящее время обращаетесь как с медицинскими отходами в рамках общего поток твердых отходов.Проверьте локатор состояний RMW для получения подробной информации о определения вашего состояния.

2021 Руководство по утилизации медицинских отходов

Как уже говорилось ранее, к утилизации острых предметов и игл следует подходить с особой осторожностью и важностью. Поскольку они могут проколоть кожу, медицинские работники могут случайно уколоться из-за неправильного обращения с этими «грязными» иглами, которые потенциально могут заразить их серьезными заболеваниями. Помимо медицинского персонала, почти любой, кто соприкасается с неправильно утилизированными острыми предметами и иглами, может стать жертвой этого типа травм.При утилизации острых предметов и игл рекомендуется соблюдать осторожность.

Вот руководство по правильной утилизации этих опасных медицинских отходов:

Обычно острые предметы и иглы поставляются в контейнере, куда можно утилизировать использованные иглы. Обратите внимание, что эти контейнеры устойчивы к проколам, обеспечивая дополнительный уровень защиты. Кроме того, эти контейнеры также маркируются, чтобы все люди знали, что то, что находится внутри, чрезвычайно опасно.

Когда контейнер уже переполнен, обратите внимание, что он должен быть заполнен примерно на ¾, а не до краев контейнера.Как только это будет сделано, вам необходимо выполнить следующие несколько шагов, чтобы быть уверенным в том, что делать:

  1. Плотно закройте контейнер.
  2. Поместите контейнер на красный вкладыш (коробка, в которой был отправлен контейнер).
  3. На крышке должно быть приспособление для скручивания и завязки, надежно завяжите его.
  4. Поместите красный пакет в почтовый ящик.
  5. Следуйте инструкциям по закрытию коробки.
  6. Запишите свой обратный адрес на этикетке коробки.
  7. Теперь, когда вы надежно запечатали коробку, вы можете отдать ее местному почтальону, чтобы он отправил ее в нужное учреждение по утилизации медицинских отходов.

В этом суть того, как оставаться в курсе обращения с этими опасными типами медицинских отходов. Опять же, будьте осторожны, когда дело доходит до утилизации этих острых предметов и игл, поскольку они потенциально могут содержать опасные для жизни заболевания, такие как гепатит, вирус иммунодефицита человека или ВИЧ.

Утилизация средств индивидуальной защиты (СИЗ), используемых для предотвращения распространения COVID-19

Поскольку предприятия начинают работать в обычном режиме, сводя к минимуму риск воздействия коронавирусной болезни 2019 (COVID-19), Департамент окружающей среды, Великих озер и энергетики Мичигана (EGLE), Отдел управления материалами, Секция твердых отходов, получил многочисленные звонки от предприятий в Мичигане, касающиеся надлежащей утилизации средств индивидуальной защиты (СИЗ), которые используются для безопасности сотрудников и предотвращения риска заражения COVID-19.

 

Главный вопрос заключается в том, следует ли обращаться с этими отходами СИЗ как с медицинскими отходами или как с обычными твердыми отходами, независимо от операционных функций объекта (медицинских или немедицинских).

 

В соответствии с рекомендациями, изданными федеральными Центрами по контролю и профилактике заболеваний (CDC), средства индивидуальной защиты, используемые для предотвращения распространения COVID-19, могут быть выброшены в общий мусор при условии, что в противном случае отходы не будут классифицироваться как медицинские отходы. в соответствии с Частью 138 Закона о регулировании медицинских отходов Кодекса общественного здравоохранения, 1978 г., PA 368, с поправками (MWRA).Это означает, что если СИЗ не насыщены жидкой кровью человека или биологическими жидкостями до такой степени, что они могут выделять эти жидкости из СИЗ, они не считаются регулируемыми медицинскими отходами в соответствии с рекомендациями MWRA или CDC, изданными в отношении отходов СИЗ COVID-19. .

 

Объекты должны поощрять надлежащую утилизацию СИЗ и обеспечивать соответствующие емкости для твердых отходов возле входов и выходов в здания для утилизации СИЗ, чтобы предотвратить захламление. Эти емкости должны часто опорожняться персоналом учреждения, оснащенным соответствующими СИЗ, и все мешки должны быть плотно завязаны перед утилизацией в качестве меры предосторожности.Утилизируемые СИЗ ни в коем случае не должны помещаться в контейнеры для переработки, поскольку предприятия по переработке и сотрудники, выполняющие сортировку материалов, подвергаются воздействию СИЗ, что ставит под угрозу их безопасность и увеличивает риск для здоровья населения.

.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *