CN115361424A - 一种基于物联网数据分析的医疗设备监控方法和*** - Google Patents
一种基于物联网数据分析的医疗设备监控方法和*** Download PDFInfo
- Publication number
- CN115361424A CN115361424A CN202211292293.6A CN202211292293A CN115361424A CN 115361424 A CN115361424 A CN 115361424A CN 202211292293 A CN202211292293 A CN 202211292293A CN 115361424 A CN115361424 A CN 115361424A
- Authority
- CN
- China
- Prior art keywords
- processing terminal
- data
- medical equipment
- data processing
- medical device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000007405 data analysis Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 110
- 238000000605 extraction Methods 0.000 claims description 21
- 239000000284 extract Substances 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- QVRVXSZKCXFBTE-UHFFFAOYSA-N n-[4-(6,7-dimethoxy-3,4-dihydro-1h-isoquinolin-2-yl)butyl]-2-(2-fluoroethoxy)-5-methylbenzamide Chemical compound C1C=2C=C(OC)C(OC)=CC=2CCN1CCCCNC(=O)C1=CC(C)=CC=C1OCCF QVRVXSZKCXFBTE-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/60—Healthcare; Welfare
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/30—Information sensed or collected by the things relating to resources, e.g. consumed power
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Bioethics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于物联网数据分析的医疗设备监控方法和***,其属于医疗设备监管的领域,其中方法基于一医疗设备监控***,医疗设备监控***包括对应于医疗设备设置的数据采集组件、数据处理终端以及云平台服务器,上述方法包括:第一数据处理终端接收第一数据采集组件所发送的针对第一医疗设备的多通道电流数据;第一数据处理终端基于针对第一医疗设备的多通道电流数据,判断第一医疗设备的实时运行状态。本发明具有能够提高普适性,提高实施效率的效果。
Description
技术领域
本发明涉及医疗设备监管的技术领域,尤其是涉及一种基于物联网数据分析的医疗设备监控方法和***。
背景技术
医疗设备是现代化程度的重要标志,是医疗、科研、教研、教学工作最基本要素,也是不断提高医学科学技术水平的基本条件。随着医疗器械的不断发展,各种医疗设备也随之进行了多次的更新换代。
在医疗***中,医院中的各种医疗设备均需要进行日常的维护和管理。目前,为了实现对医疗设备运行状态的监测,通常会采用涉及厂家协议的设备日志采集方式、涉及接口开发的信息***数据采集方式等方法。
在实现本申请的过程中,发明人发现上述技术至少存在以下问题:上述常见的几种监测方式或涉及到了厂家协议,或涉及到了接口开发,普适性较差,在医疗设备种类较多的情况下,对开发成本和实施效率均会带来影响。
发明内容
为了提高普适性,提高实施效率,本申请提供一种基于物联网数据分析的医疗设备监控方法和***。
第一方面,本申请提供一种基于物联网数据分析的医疗设备监控方法,采用如下的技术方案:
一种基于物联网数据分析的医疗设备监控方法,所述方法基于一医疗设备监控***,所述医疗设备监控***包括对应于医疗设备设置的数据采集组件、数据处理终端以及云平台服务器,所述方法包括:
第一数据处理终端接收第一数据采集组件所发送的针对第一医疗设备的多通道电流数据;
所述第一数据处理终端基于针对所述第一医疗设备的多通道电流数据,判断所述第一医疗设备的实时运行状态。
通过采用上述技术方案,在日常工作过程中,数据采集组件可以采集对应的医疗设备的多通道电流数据,并发送至对应的数据处理终端,使得对应的数据处理终端能够基于对应的多通道电流数据,判断对应的医疗设备的实时运行状态。由于电流数据的采集并不需要考虑医疗设备的厂家协议、接口类型等,因此具有更高的普适性,有助于节约成本。
可选的,所述第一数据处理终端基于针对所述第一医疗设备的多通道电流数据,判断所述第一医疗设备的实时运行状态,具体包括:
所述第一数据处理终端对针对所述第一医疗设备的多通道电流数据进行特征提取处理,提取出的特征参量包括时域特征、频域特征;
所述第一数据处理终端基于预设有的初级表征网络模型,从所有所述特征参量中提取出敏感特征;
所述第一数据处理终端基于所述敏感特征和预设有的运行状态识别模型,判断所述第一医疗设备的实时运行状态。
可选的,所述多通道电流数据包括多个单通道电流数据;
所述第一数据处理终端对针对所述第一医疗设备的多通道电流数据进行特征提取处理,具体包括:
所述第一数据处理终端对多个所述单通道电流数据分别进行特征提取处理,以得到一一对应于各个所述单通道电流数据的特征参数集合;
所述第一数据处理终端基于预设有的初级表征网络模型,从所有所述特征参量中提取出敏感特征,具体包括:
所述第一数据处理终端基于预设有的初级表征网络模型,分别从每个所述特征参数集合中提取出敏感特征,以得到一一对应于各个所述单通道电流数据的敏感特征集合;
所述第一数据处理终端基于所述敏感特征和预设有的运行状态识别模型,判断所述第一医疗设备的实时运行状态,具体包括:
所述第一数据处理终端基于各个所述敏感特征集合以及预设有的运行状态识别模型,分别得到一一对应于各个所述单通道电流数据的单通道识别结果;
所述第一数据处理终端基于所有所述单通道识别结果,判断所述第一医疗设备的实时运行状态。
可选的,所述运行状态识别模型为ResNet模型,所述ResNet模型的生成过程包括以下内容:
智能设备基于目标设备型号的医疗设备在各个工作模式下的历史敏感特征,构建对应于所述目标设备型号的ResNet模型,所述ResNet模型由多个基本组成单元堆叠构成,所述基本组成单元为残差学习单元,所述残差学习单元被描述为:
所述智能设备基于最后一层所述全连接层的输出,经过训练后,得到最终的模式分类结果,并完成对应于所述目标设备型号的ResNet模型的生成。
可选的,在所述第一数据处理终端基于针对所述第一医疗设备的多通道电流数据,判断所述第一医疗设备的实时运行状态之后,还包括:
所述第一数据处理终端生成状态告知信息,所述状态告知信息中携带有所述实时运行状态、所述第一医疗设备的设备编号以及所述实时运行状态的持续时间;
所述第一数据处理终端上传所述状态告知信息至所述云平台服务器以供存储。
可选的,所述方法还包括:
所述云平台服务器按照预设有的统计周期,定期统计在当前统计周期内获取到的所有状态告知信息,并得到每个所述医疗设备在当前周期内的工作量信息;
所述云平台服务器基于预设有的处理周期,定期提取每个所述医疗设备各自所对应的所有历史工作量信息,所述处理周期的周期长度不小于所述统计周期;
基于对应于目标医疗设备的所有历史工作量信息,更新所述目标医疗设备的设备检查周期。
第二方面,本申请提供一种医疗设备监控***,采用如下的技术方案:
一种医疗设备监控***,包括对应于医疗设备设置的数据采集组件、数据处理终端以及云平台服务器,其中,所述数据处理终端包括:
多通道电流数据采集模块,用于接收对应的数据采集组件所发送的针对对应的医疗设备的多通道电流数据;
实时运行状态判断模块,用于基于针对对应的医疗设备的多通道电流数据,判断对应的医疗设备的实时运行状态。
第三方面,本申请提供一种智能终端,采用如下的技术方案:
一种智能终端,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如第一方面所述方法的计算机程序。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括存储有能够被处理器加载并执行如第一方面所述方法的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:
1.通过采用上述技术方案,在日常工作过程中,数据采集组件可以采集对应的医疗设备的多通道电流数据,并发送至对应的数据处理终端,使得对应的数据处理终端能够基于对应的多通道电流数据,判断对应的医疗设备的实时运行状态。由于电流数据的采集并不需要考虑医疗设备的厂家协议、接口类型等,因此具有更高的普适性,有助于节约成本;
2.通过对各个医疗设备的工作量信息的采集和统计,云平台服务器可以对各个医疗设备的设备检查周期进行更新,从而有助于使得对医疗设备的检查频率更为合理。
附图说明
图1是本申请实施例中用于体现医疗设备监控***的***框图。
图2是本申请实施例中用于体现基于物联网数据分析的医疗设备监控方法的流程示意图。
图3是本申请实施例中用于体现S20的具体内容的流程示意图。
图4是本申请实施例中用于体现数据处理终端的***框图。
图5是本申请实施例中用于体现另一种可能的数据处理终端的***框图。
图6是本申请实施例中用于体现云平台服务器的***框图。
附图标记说明:11、多通道电流数据采集模块;12、实时运行状态判断模块;121、特征参量提取子模块;122、敏感特征提取子模块;123、状态判断子模块;61、工作量信息统计单元;62、历史工作量信息提取单元;63、设备检查周期更新单元。
具体实施方式
以下结合附图1-6对本申请作进一步详细说明。
本申请实施例公开一种医疗设备监控方法,该方法基于一医疗设备监控***。参照图1,医疗设备监控***包括云平台服务器、数据处理终端以及数据采集组件。其中,数据采集组件对应于医疗设备设置,每个医疗设备均可以配置一组数据采集组件,每组数据采集组件都会对应于一个数据处理终端。数据采集组件用于采集对应的医疗设备的运行数据,并传输至对应的数据处理终端。数据处理终端可以通过有线传输或者无线传输的方式通信连接于云平台服务器。
下面将结合具体实施方式,对图2所示的处理流程进行详细的说明,内容可以如下:
S10:第一数据处理终端接收第一数据采集组件所发送的针对第一医疗设备的多通道电流数据。
其中,数据采集组件可以包括能够采集医疗设备的多通道电流数据的若干电流传感器。第一医疗设备可以是所有医疗设备中的任意一个,第一数据采集组件指对应于第一医疗设备设置的数据采集组件,第一数据处理终端指对应于第一数据采集组件的数据处理终端。
在实施中,第一数据采集组件中的电流传感器实时采集第一医疗设备的多通道电流数据,并发送给第一数据采集组件。
S20:第一数据处理终端基于针对第一医疗设备的多通道电流数据,判断第一医疗设备的实时运行状态。
在实施中,第一数据处理终端可以对接收到的针对第一医疗设备的多通道电流数据进行处理,并根据处理结果,自动判断出第一医疗设备的实时运行状态,从而便于及时掌握医疗设备的工作状态、及时发现医疗设备故障等。由于电流数据的采集并不需要考虑医疗设备的厂家协议、接口类型等,因此具有更高的普适性,有助于节约成本。
可选的,参照图3,在另一实施例中,上述S20具体可以包括以下内容:
S21:第一数据处理终端对针对第一医疗设备的多通道电流数据进行特征提取处理,提取出的特征参量包括时域特征、频域特征。
在实施中,第一数据处理终端可以对多通道电流数据进行特征提取处理,提取出的特征参量包括时域特征、频域特征,且时域特征、频域特征的数量和类型均可以根据需求预先设置。其中,举例来说,时域特征可以包括均值、均方值、有效值、平均幅值等等,频域特征可以包括谱能量、均方频谱等等。
S22:第一数据处理终端基于预设有的初级表征网络模型,从所有特征参量中提取出敏感特征。
其中,由于上述提取出的特征参量中,有的特征参量对不同的动作模式具有较强的敏感性,而有的特征参量为不相关或冗余特征,对动作模式的分类的贡献较小,甚至会影响模型的计算效率。因此,可以预先利用预设有的智能设备,采用距离评估技术进行特征选择,从而从各种类型的特征参量中选取出若干种对设备动作敏感的特征参量,作为优选的敏感特征。其中,距离评估技术通过特征间的距离大小来估计特征的敏感程度,其评估原则可以为:属于同一目标类样本的某个特征参量的类内距离越小,则该特征参量对设备动作的敏感程度越大;属于不同目标类样本的某个特征参量的类间距离越大,则该特征参量对设备动作的敏感程度越大。之后,智能设备可以基于选取出的所有敏感特征,形成针对敏感特征的提取规则,并最终生成初级表征网络模型,之后,工作人员可以将初级表征网络模型预先加载入数据处理终端中。
在实施中,数据处理终端可以基于预设有的初级表征网络模型,从所有特征参量中提取出敏感特征。
S23:第一数据处理终端基于所述敏感特征和预设有的运行状态识别模型,判断第一医疗设备的实时运行状态。
在实施中,医疗设备在运行过程中,不同的运行状态下会具有不同的电流,且特定运行状态下的电流通常会具有特定的特征。在运行状态识别模型中,可以记录有医疗设备运行状态和电流特征的对应关系。第一数据处理终端在完成对敏感特征的提取后,可以将敏感特征输入运行状态识别模型,从而得到当前的多通道电流数据所符合的电流特征,再通过运行状态识别模型基于当前电流特征,以及医疗设备运行状态和电流特征的对应关系,最终识别出第一医疗设备的实时运行状态。
一般而言,多通道电流数据包括多个单通道电流数据,在此情况下,可选的,在另一实施例中,上述S21具体可以包括以下内容:
第一数据处理终端对多个单通道电流数据分别进行特征提取处理,以得到一一对应于各个单通道电流数据的特征参数集合。
在实施中,第一数据处理终端可以基于预设有的初级表征网络模型,对多通道电流数据中的每个单通道电流数据分别进行特征提取处理,从而得到一一对应于各个单通道电流数据的特征参数集合。
进一步的,上述S22具体可以包括以下内容:
第一数据处理终端基于预设有的初级表征网络模型,分别从每个特征参数集合中提取出敏感特征,以得到一一对应于各个单通道电流数据的敏感特征集合。
在实施中,第一数据处理终端可以基于预设有的初级表征网络模型,分别对每个特征参数集合进行处理,从而得到一一对应于各个单通道电流数据的敏感特征集合。
之后,上述S23具体可以包括以下内容:
第一数据处理终端基于各个敏感特征集合以及预设有的运行状态识别模型,分别得到一一对应于各个单通道电流数据的单通道识别结果。
在实施中,第一数据处理终端可以利用运行状态识别模型对每个敏感特征集合进行分别处理,从而得到一一对应于各个单通道电流数据的单通道识别结果。
第一数据处理终端基于所有单通道识别结果,判断第一医疗设备的实时运行状态。
在实施中,第一数据处理终端可以将所有单通道识别结果进行集成处理,并最终得到第一医疗设备的实时运行状态。
可选的,在另一实施例中,上述中的运行状态识别模型可以为ResNet模型,ResNet模型的生成过程可以包括以下内容:
智能设备基于目标设备型号的医疗设备在各个工作模式下的历史敏感特征,构建ResNet模型。
具体的,智能设备可以是任意一个具有机器学习功能的智能设备。由于不同设备型号的医疗设备之间存在差别,可以针对每种设备型号分别生成ResNet模型。在本实施例中,以目标设备型号的医疗设备为例,其中,目标设备型号可以是所有设备型号中的任意一个。ResNet模型的基本组成单元为残差学习单元,并可由多个残差学习单元堆叠构成。单个的残差学习单元可以被描述为:
其中,H(X)为残差学习单元的输出,为需要学习的残差映射,i为残差学习单元中包含的层序列,X为历史敏感特征的特征值集合,为模型的输入。在训练过程中,可以将大量的历史敏感数据输入智能设备中,智能设备先利用ResNet模型将各个历史敏感特征分别调整为一维向量,作为ResNet模型中的多层全连接层的输入,其中,第l层全连接的输出可以表示为:
智能设备可以基于最后一层全连接层的输出,并经过训练后,得到最终的模式分类结果,从而建立实时运行状态和特征类型之间的对应关系,完成ResNet模型的生成。
在此基础上,上述中的“第一数据处理终端基于各个敏感特征集合以及预设有的运行状态识别模型,分别得到一一对应于各个单通道电流数据的单通道识别结果”的步骤中,运行状态识别模型,即ResNet模型对对应于第n个单通道电流数据的单通道识别结果,即最后一层全连接层的输出可以是
其中,K为最后一层全连接层的神经元个数,即分类状态数。
此时,基于所有单通道识别结果所得到的最终的实时运行状态即为:
可选的,在另一实施例中,上述方法还可以包括以下内容:
第一数据处理终端接收第一数据采集组件所发送的针对第一医疗设备的设备状态数据,设备状态数据包括设备接口网络行为、设备温度、环境湿度中的至少一种。
具体的,数据采集组件还可以包括设备行为感知机、设备状态感知机、湿度传感器等,从而能够获取到包括例如设备接口网络行为、设备温度、环境湿度等设备状态数据。第一数据采集组件可以将获取到的针对第一医疗设备的设备状态数据和多通道电流数据一起上传至第一数据处理终端。
在此情况下,上述S20具体可以包括以下内容:
第一数据处理终端基于针对第一医疗设备的多通道电流数据和设备状态数据,判断第一医疗设备的实时运行状态。
在实施中,数据处理终端中还可以预先存储有医疗设备运行状态和设备状态数据的对应关系,判断第一医疗设备的实时运行状态的过程时,还可以进一步基于对应于第一医疗设备的设备状态数据,并参考医疗设备运行状态和设备状态数据的对应关系,从而提高判断结果的准确性。
可选的,在另一实施例中,在上述S20之后,还可以包括以下内容:
第一数据处理终端生成状态告知信息,状态告知信息中携带有实时运行状态、第一医疗设备的设备编号以及实时运行状态的持续时间。
在实施中,第一数据处理终端可以在每次完成对第一医疗设备的实时运行状态的判断后,生成携带有上述判断出的实时运行状态、第一医疗设备的设备编号以及实时运行状态的持续时间的状态告知信息。
第一数据处理终端上传状态告知信息至云平台服务器以供存储。
在实施中,第一处理终端可以将生成的状态告知信息实时上传至云平台服务器,以供云平台服务器进行存储,减少数据丢失的可能性,同时便于后续的集中处理。例如,工作人员可以通过云平台服务器,查询任意一台医疗设备在任意时间的工作状态。
进一步的,在另一实施例中,上述方法还可以包括以下内容:
云平台服务器按照预设有的统计周期,定期统计在当前统计周期内获取到的所有状态告知信息,并得到每个医疗设备在当前周期内的工作量信息。
在实施中,云平台服务器可以按照预设有的统计周期,定期统计在当前统计周期内获取到的所有状态告知信息,例如,可以每天统计一次,每星期统计一次等等。对于任意一个医疗设备,云平台服务器可以基于该医疗设备的设备编号,查询到所有与该医疗设备对应的状态告知信息。之后,云平台服务器可以对所有对应于该医疗设备的状态告知信息进行统计,从而得到该医疗设备在当前周期内的工作量信息。其中,工作量信息可以包括设备工作时长、设备工作时间段、设备服务人次、设备休息时长、设备故障时长、设备故障次数等等。
云平台服务器基于预设有的处理周期,定期提取每个医疗设备各自所对应的所有历史工作量信息,处理周期的周期长度不小于统计周期。
基于对应于目标医疗设备的所有历史工作量信息,更新目标医疗设备的设备检查周期。
其中,目标医疗设备可以是所有医疗设备中的任意一个。设备检查周期则是指供工作人员参考并执行的,对对应的医疗设备的检查周期。
在实施中,云平台服务器可以基于提取出的对应于目标医疗设备的所有历史工作量信息,统计目标医疗设备的历史工作总时长,历史故障次数等等数据,云平台服务器也可以仅提取目标医疗设备在当前周期内的历史工作量信息,从而统计目标医疗设备在当前周期内的故障次数等数据。之后,云平台服务器并基于统计出的上述数据,对目标医疗设备的设备检查周期进行更新。例如,随着目标医疗设备的历史工作总时长的增加,可以减小对应于目标医疗设备的设备检查周期的周期长度,当目标医疗设备在当前周期内的故障次数过多时,同样可以减小对应于目标医疗设备的设备检查周期的周期长度。
基于上述方法,本申请实施例还公开一种医疗设备监控***,参照图1,医疗设备监控***包括对应于医疗设备设置的数据采集组件、数据处理终端以及云平台服务器。
其中,参照图4,数据处理终端包括:
多通道电流数据采集模块11,用于接收对应的数据采集组件所发送的针对对应的医疗设备的多通道电流数据。
实时运行状态判断模块12,用于基于针对对应的医疗设备的多通道电流数据,判断对应的医疗设备的实时运行状态。
可选的,参照图5,实时运行状态判断模块12包括;
特征参量提取子模块121,用于对多通道电流数据进行特征提取处理,提取出的特征参量包括时域特征、频域特征。
敏感特征提取子模块122,用于基于预设有的初级表征网络模型,从所有特征参量中提取出敏感特征。
状态判断子模块123,用于基于敏感特征和预设有的运行状态识别模型,判断第一医疗设备的实时运行状态。
可选的,多通道电流数据包括多个单通道电流数据。此时,特征参量提取子模块121具体用于对多个单通道电流数据分别进行特征提取处理,以得到一一对应于各个单通道电流数据的特征参数集合。
敏感特征提取子模块122具体用于基于预设有的初级表征网络模型,分别从每个特征参数集合中提取出敏感特征,以得到一一对应于各个单通道电流数据的敏感特征集合。
状态判断子模块123具体用于基于各个敏感特征集合以及预设有的运行状态识别模型,分别得到一一对应于各个单通道电流数据的单通道识别结果,并基于所有单通道识别结果,判断第一医疗设备的实时运行状态。
可选的,数据处理终端还包括;
状态告知信息生成模块,用于在判断完医疗设备的实时运行状态之后,生成状态告知信息。
状态告知信息上传模块,用于上传状态告知信息至云平台服务器以供存储。
可选的,参照图6,云平台服务器包括:
工作量信息统计单元61,用于按照预设有的统计周期,定期统计在当前统计周期内获取到的所有状态告知信息,并得到每个医疗设备在当前周期内的工作量信息。
历史工作量信息提取单元62,用于基于预设有的处理周期,定期提取每个医疗设备各自所对应的所有历史工作量信息,处理周期的周期长度不小于统计周期。
设备检查周期更新单元63,用于基于对应于目标医疗设备的所有历史工作量信息,更新目标医疗设备的设备检查周期。
本申请实施例还公开一种智能终端,智能终端包括存储器和处理器,存储器上存储有能够被处理器加载并执行如上述的基于物联网数据分析的医疗设备监控方法的计算机程序。
本申请实施例还公开一种计算机可读存储介质,其存储有能够被处理器加载并执行如上述的基于物联网数据分析的医疗设备监控方法的计算机程序,该计算机可读存储介质例如包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本申请的技术方案,而非对申请的保护范围进行限制。显然,所描述的实施例仅仅是本申请部分实施例,而不是全部实施例。基于这些实施例,本领域普通工作人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请所要保护的范围。
Claims (9)
1.一种基于物联网数据分析的医疗设备监控方法,其特征在于,所述方法基于一医疗设备监控***,所述医疗设备监控***包括对应于医疗设备设置的数据采集组件、数据处理终端以及云平台服务器,所述方法包括:
第一数据处理终端接收第一数据采集组件所发送的针对第一医疗设备的多通道电流数据;
所述第一数据处理终端基于针对所述第一医疗设备的多通道电流数据,判断所述第一医疗设备的实时运行状态。
2.根据权利要求1所述的基于物联网数据分析的医疗设备监控方法,其特征在于,所述第一数据处理终端基于针对所述第一医疗设备的多通道电流数据,判断所述第一医疗设备的实时运行状态,具体包括:
所述第一数据处理终端对针对所述第一医疗设备的多通道电流数据进行特征提取处理,提取出的特征参量包括时域特征、频域特征;
所述第一数据处理终端基于预设有的初级表征网络模型,从所有所述特征参量中提取出敏感特征;
所述第一数据处理终端基于所述敏感特征和预设有的运行状态识别模型,判断所述第一医疗设备的实时运行状态。
3.根据权利要求1所述的基于物联网数据分析的医疗设备监控方法,其特征在于,所述多通道电流数据包括多个单通道电流数据;
所述第一数据处理终端对针对所述第一医疗设备的多通道电流数据进行特征提取处理,具体包括:
所述第一数据处理终端对多个所述单通道电流数据分别进行特征提取处理,以得到一一对应于各个所述单通道电流数据的特征参数集合;
所述第一数据处理终端基于预设有的初级表征网络模型,从所有所述特征参量中提取出敏感特征,具体包括:
所述第一数据处理终端基于预设有的初级表征网络模型,分别从每个所述特征参数集合中提取出敏感特征,以得到一一对应于各个所述单通道电流数据的敏感特征集合;
所述第一数据处理终端基于所述敏感特征和预设有的运行状态识别模型,判断所述第一医疗设备的实时运行状态,具体包括:
所述第一数据处理终端基于各个所述敏感特征集合以及预设有的运行状态识别模型,分别得到一一对应于各个所述单通道电流数据的单通道识别结果;
所述第一数据处理终端基于所有所述单通道识别结果,判断所述第一医疗设备的实时运行状态。
4.根据权利要求2所述的基于物联网数据分析的医疗设备监控方法,其特征在于,所述运行状态识别模型为ResNet模型,所述ResNet模型的生成过程包括以下内容:
智能设备基于目标设备型号的医疗设备在各个工作模式下的历史敏感特征,构建对应于所述目标设备型号的ResNet模型,所述ResNet模型由多个基本组成单元堆叠构成,所述基本组成单元为残差学习单元,所述残差学习单元被描述为:
所述智能设备基于最后一层所述全连接层的输出,经过训练后,得到最终的模式分类结果,并完成对应于所述目标设备型号的ResNet模型的生成。
5.根据权利要求1所述的基于物联网数据分析的医疗设备监控方法,其特征在于,在所述第一数据处理终端基于针对所述第一医疗设备的多通道电流数据,判断所述第一医疗设备的实时运行状态之后,还包括:
所述第一数据处理终端生成状态告知信息,所述状态告知信息中携带有所述实时运行状态、所述第一医疗设备的设备编号以及所述实时运行状态的持续时间;
所述第一数据处理终端上传所述状态告知信息至所述云平台服务器以供存储。
6.根据权利要求5所述的基于物联网数据分析的医疗设备监控方法,其特征在于,所述方法还包括:
所述云平台服务器按照预设有的统计周期,定期统计在当前统计周期内获取到的所有状态告知信息,并得到每个所述医疗设备在当前周期内的工作量信息;
所述云平台服务器基于预设有的处理周期,定期提取每个所述医疗设备各自所对应的所有历史工作量信息,所述处理周期的周期长度不小于所述统计周期;
基于对应于目标医疗设备的所有历史工作量信息,更新所述目标医疗设备的设备检查周期。
7.一种医疗设备监控***,其特征在于,包括对应于医疗设备设置的数据采集组件、数据处理终端以及云平台服务器,其中,所述数据处理终端包括:
多通道电流数据采集模块,用于接收对应的数据采集组件所发送的针对对应的医疗设备的多通道电流数据;
实时运行状态判断模块,用于基于针对对应的医疗设备的多通道电流数据,判断对应的医疗设备的实时运行状态。
8.一种智能终端,其特征在于,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如权利要求1至6任一所述方法的计算机程序。
9.一种计算机可读存储介质,其特征在于,存储有能够被处理器加载并执行如权利要求1至6任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211292293.6A CN115361424B (zh) | 2022-10-21 | 2022-10-21 | 一种基于物联网数据分析的医疗设备监控方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211292293.6A CN115361424B (zh) | 2022-10-21 | 2022-10-21 | 一种基于物联网数据分析的医疗设备监控方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115361424A true CN115361424A (zh) | 2022-11-18 |
CN115361424B CN115361424B (zh) | 2023-02-03 |
Family
ID=84008390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211292293.6A Active CN115361424B (zh) | 2022-10-21 | 2022-10-21 | 一种基于物联网数据分析的医疗设备监控方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115361424B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030955A (zh) * | 2023-02-16 | 2023-04-28 | 深圳市汇健智慧医疗有限公司 | 基于物联网的医疗设备状态监测方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180350459A1 (en) * | 2017-06-05 | 2018-12-06 | University Of Florida Research Foundation, Inc. | Methods and apparatuses for implementing a semantically and visually interpretable medical diagnosis network |
CN111256757A (zh) * | 2020-02-25 | 2020-06-09 | 深圳哈维生物医疗科技有限公司 | 基于云计算的医疗设备监控***及方法 |
CN111951950A (zh) * | 2019-05-16 | 2020-11-17 | 中国科学院自动化研究所 | 基于深度学习的三维数据医疗分类***、方法和装置 |
WO2021232591A1 (zh) * | 2020-05-22 | 2021-11-25 | 平安国际智慧城市科技股份有限公司 | 基于物联网数据的用户数据分类方法、装置、计算机设备及存储介质 |
-
2022
- 2022-10-21 CN CN202211292293.6A patent/CN115361424B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180350459A1 (en) * | 2017-06-05 | 2018-12-06 | University Of Florida Research Foundation, Inc. | Methods and apparatuses for implementing a semantically and visually interpretable medical diagnosis network |
CN111951950A (zh) * | 2019-05-16 | 2020-11-17 | 中国科学院自动化研究所 | 基于深度学习的三维数据医疗分类***、方法和装置 |
CN111256757A (zh) * | 2020-02-25 | 2020-06-09 | 深圳哈维生物医疗科技有限公司 | 基于云计算的医疗设备监控***及方法 |
WO2021232591A1 (zh) * | 2020-05-22 | 2021-11-25 | 平安国际智慧城市科技股份有限公司 | 基于物联网数据的用户数据分类方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
于静汶等: "基于深度神经网络的肺结节自动检测方案探讨", 《科技视界》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030955A (zh) * | 2023-02-16 | 2023-04-28 | 深圳市汇健智慧医疗有限公司 | 基于物联网的医疗设备状态监测方法及相关装置 |
CN116030955B (zh) * | 2023-02-16 | 2023-06-09 | 深圳市汇健智慧医疗有限公司 | 基于物联网的医疗设备状态监测方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115361424B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019214309A1 (zh) | 模型测试的方法及装置 | |
CN112393931B (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
US10444746B2 (en) | Method for managing subsystems of a process plant using a distributed control system | |
CN117176560B (zh) | 一种基于物联网的监测设备监管***及其方法 | |
CN115361424B (zh) | 一种基于物联网数据分析的医疗设备监控方法和*** | |
CN113868953B (zh) | 工业***中多机组运行优化方法、装置、***及存储介质 | |
CN117664218B (zh) | 一种真空冷冻干燥机的校准方法 | |
CN113887749A (zh) | 基于云边协同的电力物联网多维度监控处置方法、设备及平台 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN115441456A (zh) | 一种电网调度支持***故障诊断方法及装置 | |
CN117273550B (zh) | 一种食品检测智能实验室的信息管理方法 | |
CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 | |
CN117592656A (zh) | 基于碳数据核算的碳足迹监控方法及*** | |
CN117782198A (zh) | 一种基于云边端架构的公路机电设备运行监测方法及*** | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析*** | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
CN117291576A (zh) | 一种基于工业场景数据趋势预测的方法、***、计算机设备及存储介质 | |
CN116863664A (zh) | 燃气设备的实时监测方法以及燃气设备监测*** | |
CN115456222A (zh) | 一种远程智能预测性维修运维服务方法 | |
CN113592216A (zh) | 一种应用于智能工厂的生产管理方法和*** | |
CN111597860B (zh) | 一种用于cnc断刀预测的***及方法 | |
CN113204332A (zh) | 智能家居设备控制程序生成***及方法 | |
CN117596160B (zh) | 一种用于制造行业数据链路融通的方法和*** | |
CN116150666B (zh) | 储能***故障检测方法、装置及智能终端 | |
CN117435964B (zh) | 基于数据诊断仪的设备状态评估方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Medical Device Monitoring Method and System Based on IoT Data Analysis Effective date of registration: 20230511 Granted publication date: 20230203 Pledgee: Bank of Jiangsu Limited by Share Ltd. Wuxi branch Pledgor: Xinyicheng Technology (Jiangsu) Co.,Ltd. Registration number: Y2023980040222 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |