CN116434939A - 一种基于ai算法的医疗设备监管方法、设备与存储介质 - Google Patents
一种基于ai算法的医疗设备监管方法、设备与存储介质 Download PDFInfo
- Publication number
- CN116434939A CN116434939A CN202310373547.5A CN202310373547A CN116434939A CN 116434939 A CN116434939 A CN 116434939A CN 202310373547 A CN202310373547 A CN 202310373547A CN 116434939 A CN116434939 A CN 116434939A
- Authority
- CN
- China
- Prior art keywords
- medical equipment
- core
- supervision
- current
- medical
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 20
- 230000005611 electricity Effects 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001303 quality assessment method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 239000003016 pheromone Substances 0.000 description 11
- 241000257303 Hymenoptera Species 0.000 description 8
- 230000007704 transition Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种基于AI算法的医疗设备监管方法、设备与存储介质,属于数据处理技术领域,具体包括:获取医疗设备的通信协议,并通过采用相同的通信协议的医疗设备的数量确定直接监管医疗设备和非直接监管医疗设备;至少获取非直接监管医疗设备的用电量、使用频次、数量进行核心医疗设备和非核心医疗设备的筛选,基于非核心医疗设备的运行电流进行电流特征值的提取,采用基于AI算法的诊断模型得到非核心医疗设备的运行状态,并基于运行状态存在异常的非核心医疗设备的数量确定供电的电能质量存在疑似异常时,基于供电的电流波形以及电压波形进行电能质量的判断,从而实现了对医疗设备监管的准确性和全面性。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种基于AI算法的医疗设备监管方法、设备与存储介质。
背景技术
为了实现对医疗设备的实时监管和动态管理,在授权发明专利CN115361424B《一种基于物联网数据分析的医疗设备监控方法和***》中通过对第一医疗设备的多通道电流数据的收集和处理,判断第一医疗设备的实时运行状态,从而提升了监管的实时效率和普适性,但是仅仅采用电流数据往往无法准确的实现对医疗设备的运行状态的判断,例如对于用电量较大的大型医疗设备,某一部件的用电量的变化往往无法准确的在电流数据上进行反应,但与此同时,供电的电流质量的变动也有可能导致对医疗设备的运行状态的误判,因此若仅仅结合电流数据进行医疗设备的监管,会导致监管的准确性和可靠性都无法满足要求。
针对上述技术问题,本发明提供了一种基于AI算法的医疗设备监管方法、设备与存储介质。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种基于AI算法的医疗设备监管方法。
一种基于AI算法的医疗设备监管方法,其特征在于,具体包括:
S11获取医疗设备的通信协议,并通过采用相同的通信协议的医疗设备的数量确定直接监管医疗设备和非直接监管医疗设备,并基于所述通信协议对所述直接监管医疗设备进行监管;
S12至少获取所述非直接监管医疗设备的用电量、使用频次、数量,并采用基于AI算法的预测模型确定评估值,并利用所述评估值进行核心医疗设备和非核心医疗设备的筛选,利用所述核心医疗设备的通信协议对所述核心医疗设备进行监管;
S13基于所述非核心医疗设备的运行电流进行电流特征值的提取,并基于所述电流特征值,采用基于AI算法的诊断模型得到所述非核心医疗设备的运行状态,并判断所述运行状态存在异常的非核心医疗设备的数量确定供电的电能质量是否存在疑似异常,若是,则进入步骤S14,若否,则基于所述非核心医疗设备的运行状态进行监管状态的输出;
S14基于所述供电的电流波形以及电压波形进行电能质量的判断,并当所述电能质量不存在异常时,基于所述非核心医疗设备的运行状态进行监管状态的输出。
通过结合采用相同的通信协议的医疗设备的数量确定直接监管医疗设备和非直接监管医疗设备,从而实现了从采用相同协议的医疗设备的数量实现了对直接监管医疗设备的筛选,在保证监管的效率和适用性的基础上,也使得监管的准确性得到了进一步的提升。
通过获取所述非直接监管医疗设备的用电量、使用频次、数量,并采用基于AI算法的预测模型确定评估值,并利用所述评估值进行核心医疗设备和非核心医疗设备的筛选,从而实现了从非直接监管医疗设备的用电情况、使用情况以及数量的角度对核心医疗设备的筛选,不仅考虑到用电量的多少,同时也考虑到使用情况以及从数量角度的可替代性以及重要性,保证了核心医疗设备的确定的准确性和全面性。
通过利用运行状态存在异常的非核心医疗设备的数量确定供电的电能质量是否存在疑似异常,从而避免了原有的由于供电的供电质量存在问题导致的对医疗设备的判断的准确性的影响,提升了判断的精准性,同时也避免了不必要的报警信息。
另一方面,本申请实施例中提供一种计算机设备,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行上述的一种基于AI算法的医疗设备监管方法。
另一方面,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于AI算法的医疗设备监管方法。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种基于AI算法的医疗设备监管方法的流程图;
图2是根据实施例1的评估值确定的具体步骤的流程图;
图3是根据实施例1的非核心医疗设备的运行状态确定的具体步骤的流程图;
图4是根据实施例1的电能质量评估的具体步骤的流程图;
图5是根据实施例2的一种计算机设备的框架图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题,根据本发明的一个方面,如图1所示,提供了根据本发明的一个方面,提供了一种基于AI算法的医疗设备监管方法。
一种基于AI算法的医疗设备监管方法,其特征在于,具体包括:
S11获取医疗设备的通信协议,并通过采用相同的通信协议的医疗设备的数量确定直接监管医疗设备和非直接监管医疗设备,并基于所述通信协议对所述直接监管医疗设备进行监管;
可以理解的是,通过采用相同的通信协议的医疗设备的数量确定直接监管医疗设备和非直接监管医疗设备,具体包括:
将采用相同的通信协议的医疗设备作为协议相同医疗设备,并当所述协议相同医疗设备的数量大于预设数量时,将所述协议相同医疗设备作为直接监管医疗设备。
一般来说,若协议相同医疗设备的数量大于10个以上时,则将协议相同医疗设备作为直接监管医疗设备。
在本实施例中,通过结合采用相同的通信协议的医疗设备的数量确定直接监管医疗设备和非直接监管医疗设备,从而实现了从采用相同协议的医疗设备的数量实现了对直接监管医疗设备的筛选,在保证监管的效率和适用性的基础上,也使得监管的准确性得到了进一步的提升。
S12至少获取所述非直接监管医疗设备的用电量、使用频次、数量,并采用基于AI算法的预测模型确定评估值,并利用所述评估值进行核心医疗设备和非核心医疗设备的筛选,利用所述核心医疗设备的通信协议对所述核心医疗设备进行监管;
具体的举例说明,如图2所示,所述评估值确定的具体步骤为:
S21获取所述非直接监管医疗设备的用电量,并基于所述用电量确定所述非直接监管医疗设备是否为核心医疗设备,若是,则将所述非直接监管医疗设备作为核心医疗设备,若否,则进入步骤S22;
需要说明的是,当用电量较多或者较少时,单纯的采用用电量进行故障的判断并不准确,因此将该部分非直接监管医疗设备作为核心医疗设备。
S22基于所述非直接监管医疗设备的使用频次确定所述非直接监管医疗设备是否为高频次使用的医疗设备,若是,则进入步骤S23,若否,则进入步骤S25;
需要说明的是,当非直接监管医疗设备的使用频次大于一定的使用频次时,则将其作为高频次使用的医疗设备,只有属于高频次使用的医疗设备,当其数量较少或者无法进行替代时,则其可以将其作为核心医疗设备。
S23基于所述高频次使用的医疗设备的数量确定所述高频次使用的医疗设备是否为核心医疗设备,若是,则将所述高频次使用的医疗设备作为核心医疗设备,若否,则进入步骤S24;
需要说明的是,当高频次使用的医疗设备的数量较少时,则说明其属于核心医疗设备。
S24基于所述高频次使用的医疗设备的可替代评估结果确定所述高频次使用的医疗设备是否为核心医疗设备,若是,则将所述高频次使用的医疗设备作为核心医疗设备,若否,则进入步骤S25;
S25基于所述非直接监管医疗设备的用电量、使用频次、数量、可替代评估结果,并采用基于AI算法的预测模型确定评估值。
具体的举例说明,所述基于AI算法的预测模型采用GA-ACO-GRU算法的预测模型,其中其具体的构建步骤为:
步骤1:初始化GRU模型。确定GRU模型拓扑结构,采用实数编码方式将GRU模型初始权值和阈值组成实数串,并设置GA算法参数,即:种群数量P,交叉概率ρc、变异概率ρm等。
步骤2:选取适应度函数。适应度函数即训练样本实际输出和期望输出之间的欧氏距离误差,利用轮盘赌规则执行适应度比例选择,选择适应度低的个体组成新的种群。
步骤3:交叉操作。在种群中随机选择两个个体根据所设定的交叉概率进行操作,两个父代个体xi和xj在第d个染色体点位进行线***叉;
步骤4:变异操作。采用高斯变异算子,高斯分布可改善GA算法避免其陷入局部最优,同时具有局部搜索能力;
步骤5:开始GA算法迭代。当达到迭代次数设定值时,用所得优化解初始化ACO算法信息素,并设定ACO算法初始参数,自变量设置为权值阈值总数,最大迭代次数NAmax,信息素挥发系数rou,转移概率常数ρ,期望值启发因子β等,并对蚂蚁的信息素进行升序排列,随机设置蚂蚁的初始位置;若未达到最大迭代次数则转入步骤3。
步骤6:蚂蚁依据状态转移函数进行寻路。当单只蚂蚁完成路径搜索时,更新局部信息素;当所有蚂蚁完成路径搜索时,更新全局信息素并存储进化信息,待达到最大进化次数后将最优解作为GRU模型的初始参数,判断其是否满足运行要求,是则算法结束,输出预测值;否则继续训练GRU模型得到最优解。
需要说明的是,在蚁群算法中,蚂蚁根据路径上的剩余信息和启发式信息寻找食物并计算状态转移概率,而转移概率是确定下一个要移动的方向,保证蚂蚁的随机性。状态转移概率主要是由信息量和启发因子构成,启发因子包括信息启发因子和期望启发因子,其中α为信息启发式因子,表示蚂蚁在选择下一步要走的路径时,路上信息素对选择路径的影响程度;β是期望启发因子,表示启发信息对路径选择的影响程度.α值太大,会降低蚂蚁的随机搜索能力,因为它会选择信息素浓度高的路径;β值太大,则会容易陷入局部最优,因为它会选择距离当前节点最近的路径。
因此,为了能够充分利用信息素和路径这两个启发式因子,使蚂蚁在两者之间达到平衡时选择下一个节点,即在状态转移概率中将信息素启发式因子和期望启发式因子线性组合得到改进的蚁群算法(Improved Ant Colony Optimization,IACO),这样既不会降低其随机搜索能力,也不容易陷入局部最优.所以对转态转移概率做如下的改进:
其中:表示蚂蚁k在t时刻从城市节点i移动至城市节点j的概率;τij(t)表示t时刻城市节点i与城市节点j连接路径上的信息素浓度;ηij(t)称为表示t时刻城市节点i与城市节点j连接路径上的启发函数;allowedk(k=1,2,…,n)为蚂蚁尚未经过的城市节点集合;α为信息素重要程度因子;β为启发函数重要程度因子,N(0,1)为取值在0到1之间的符合正态分布的随机数。
具体的举例说明,所述可替代评估结果根据与所述医疗设备的相同作用的医疗设备的种类和数量进行确定,其中与所述医疗设备的相同作用的医疗设备的种类越多,与所述医疗设备的相同作用的医疗设备的数量越多,则所述可替代评估结果越大。
需要说明的是,当所述评估值大于预设值时,将所述非直接监管医疗设备作为核心医疗设备。
在本实施例中,通过获取所述非直接监管医疗设备的用电量、使用频次、数量,并采用基于AI算法的预测模型确定评估值,并利用所述评估值进行核心医疗设备和非核心医疗设备的筛选,从而实现了从非直接监管医疗设备的用电情况、使用情况以及数量的角度对核心医疗设备的筛选,不仅考虑到用电量的多少,同时也考虑到使用情况以及从数量角度的可替代性以及重要性,保证了核心医疗设备的确定的准确性和全面性。
S13基于所述非核心医疗设备的运行电流进行电流特征值的提取,并基于所述电流特征值,采用基于AI算法的诊断模型得到所述非核心医疗设备的运行状态,并判断所述运行状态存在异常的非核心医疗设备的数量确定供电的电能质量是否存在疑似异常,若是,则进入步骤S14,若否,则基于所述非核心医疗设备的运行状态进行监管状态的输出;
具体的举例说明,如图3所示,所述非核心医疗设备的运行状态确定的具体步骤为:
S31基于所述非核心医疗设备的运行电流进行电流特征的提取得到峭度、偏度、指定谐波电平、频率,并基于所述峭度、偏度、指定谐波电平、频率,采用基于AI算法的诊断模型得到所述非核心医疗设备的运行状态值,并基于所述运行状态值确定所述非核心医疗设备的运行状态是否存在异常,若是,则进入步骤S32,若否,则基于所述非核心医疗设备的运行状态值进行运行状态的确定。
S32获取所述非核心医疗设备在预设时间内的运行电流波形,并将所述预设时间内的运行电流波形转化为电流波形图像,基于所述电流波形图像进行图像特征的提取,并基于所述图像特征采用基于CNN算法的图像诊断模型得到所述非核心医疗设备的图像运行状态值,并基于所述图像运行状态值确定所述非核心医疗设备的运行状态是否存在异常,若是,则确定所述非核心医疗设备的运行状态存在异常,若否,则进入步骤S33;
S33基于所述图像运行状态值和所述运行状态值得到综合运行状态值,并基于所述综合运行状态值确定所述非核心医疗设备的运行状态是否存在异常,若是,则确定所述非核心医疗设备的运行状态存在异常,若否,则进入步骤S34;
S34基于相同类型的所述非核心医疗设备的故障率以及所述综合运行状态值进行所述非核心医疗设备的运行状态的确定。
具体的,所述综合运行状态值基于所述图像运行状态值和所述运行状态值,采用基于层次分析法的数学模型进行确定。
S14基于所述供电的电流波形以及电压波形进行电能质量的判断,并当所述电能质量不存在异常时,基于所述非核心医疗设备的运行状态进行监管状态的输出。
需要说明的是,如图4所示,所述电能质量评估的具体步骤为:
S41基于所述供电的电流波形进行电流特征的提取得到电流峭度、电流偏度、电流指定谐波电平、电流频率;
S42基于所述供电的电压波形进行电压特征的提取得到电压峭度、电压偏度、电压指定谐波电平、电压频率;
S43基于所述电流峭度、电流偏度、电流指定谐波电平、电流频率、电压峭度、电压偏度、电压指定谐波电平、电压频率构建输入集,并利用基于AI算法的电能质量诊断模型确定所述电能质量是否存在异常。
在本实施例中,通过利用运行状态存在异常的非核心医疗设备的数量确定供电的电能质量是否存在疑似异常,从而避免了原有的由于供电的供电质量存在问题导致的对医疗设备的判断的准确性的影响,提升了判断的精准性,同时也避免了不必要的报警信息。
实施例2
另一方面,如图5所示,本申请实施例中提供一种计算机设备,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行上述的一种基于AI算法的医疗设备监管方法。
实施例3
另一方面,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种基于AI算法的医疗设备监管方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的***和方法,也可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (9)
1.一种基于AI算法的医疗设备监管方法,其特征在于,具体包括:
获取医疗设备的通信协议,并通过采用相同的通信协议的医疗设备的数量确定直接监管医疗设备和非直接监管医疗设备,并基于所述通信协议对所述直接监管医疗设备进行监管;
至少获取所述非直接监管医疗设备的用电量、使用频次、数量,并采用基于AI算法的预测模型确定评估值,并利用所述评估值进行核心医疗设备和非核心医疗设备的筛选,利用所述核心医疗设备的通信协议对所述核心医疗设备进行监管;
基于所述非核心医疗设备的运行电流进行电流特征值的提取,并基于所述电流特征值,采用基于AI算法的诊断模型得到所述非核心医疗设备的运行状态,并判断所述运行状态存在异常的非核心医疗设备的数量确定供电的电能质量是否存在疑似异常,若是,则进入下一步骤,若否,则基于所述非核心医疗设备的运行状态进行监管状态的输出;
基于所述供电的电流波形以及电压波形进行电能质量的判断,并当所述电能质量不存在异常时,基于所述非核心医疗设备的运行状态进行监管状态的输出。
2.如权利要求1所述的医疗设备监管方法,其特征在于,通过采用相同的通信协议的医疗设备的数量确定直接监管医疗设备和非直接监管医疗设备,具体包括:
将采用相同的通信协议的医疗设备作为协议相同医疗设备,并当所述协议相同医疗设备的数量大于预设数量时,将所述协议相同医疗设备作为直接监管医疗设备。
3.如权利要求1所述的医疗设备监管方法,其特征在于,所述评估值确定的具体步骤为:
S21获取所述非直接监管医疗设备的用电量,并基于所述用电量确定所述非直接监管医疗设备是否为核心医疗设备,若是,则将所述非直接监管医疗设备作为核心医疗设备,若否,则进入步骤S22;
S22基于所述非直接监管医疗设备的使用频次确定所述非直接监管医疗设备是否为高频次使用的医疗设备,若是,则进入步骤S23,若否,则进入步骤S25;
S23基于所述高频次使用的医疗设备的数量确定所述高频次使用的医疗设备是否为核心医疗设备,若是,则将所述高频次使用的医疗设备作为核心医疗设备,若否,则进入步骤S24;
S24基于所述高频次使用的医疗设备的可替代评估结果确定所述高频次使用的医疗设备是否为核心医疗设备,若是,则将所述高频次使用的医疗设备作为核心医疗设备,若否,则进入步骤S25;
S25基于所述非直接监管医疗设备的用电量、使用频次、数量、可替代评估结果,并采用基于AI算法的预测模型确定评估值。
4.如权利要求3所述的医疗设备监管方法,其特征在于,所述可替代评估结果根据与所述医疗设备的相同作用的医疗设备的种类和数量进行确定,其中与所述医疗设备的相同作用的医疗设备的种类越多,与所述医疗设备的相同作用的医疗设备的数量越多,则所述可替代评估结果越大。
5.如权利要求3所述的医疗设备监管方法,其特征在于,当所述评估值大于预设值时,将所述非直接监管医疗设备作为核心医疗设备。
6.如权利要求1所述的医疗设备监管方法,其特征在于,所述非核心医疗设备的运行状态确定的具体步骤为:
基于所述非核心医疗设备的运行电流进行电流特征的提取得到峭度、偏度、指定谐波电平、频率,并基于所述峭度、偏度、指定谐波电平、频率,采用基于AI算法的诊断模型得到所述非核心医疗设备的运行状态值,并基于所述运行状态值确定所述非核心医疗设备的运行状态是否存在异常,若是,则进入下一步骤,若否,则基于所述非核心医疗设备的运行状态值进行运行状态的确定;
获取所述非核心医疗设备在预设时间内的运行电流波形,并将所述预设时间内的运行电流波形转化为电流波形图像,基于所述电流波形图像进行图像特征的提取,并基于所述图像特征采用基于CNN算法的图像诊断模型得到所述非核心医疗设备的图像运行状态值,并基于所述图像运行状态值确定所述非核心医疗设备的运行状态是否存在异常,若是,则确定所述非核心医疗设备的运行状态存在异常,若否,则进入下一步骤;
基于所述图像运行状态值和所述运行状态值得到综合运行状态值,并基于所述综合运行状态值确定所述非核心医疗设备的运行状态是否存在异常,若是,则确定所述非核心医疗设备的运行状态存在异常,若否,则进入下一步骤;
基于相同类型的所述非核心医疗设备的故障率以及所述综合运行状态值进行所述非核心医疗设备的运行状态的确定。
7.如权利要求1所述的医疗设备监管方法,其特征在于,所述电能质量评估的具体步骤为:
基于所述供电的电流波形进行电流特征的提取得到电流峭度、电流偏度、电流指定谐波电平、电流频率;
基于所述供电的电压波形进行电压特征的提取得到电压峭度、电压偏度、电压指定谐波电平、电压频率;
基于所述电流峭度、电流偏度、电流指定谐波电平、电流频率、电压峭度、电压偏度、电压指定谐波电平、电压频率构建输入集,并利用基于AI算法的电能质量诊断模型确定所述电能质量是否存在异常。
8.一种计算机设备,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行权利要求1-7任一项所述的医疗设备监管方法。
9.一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-7任一项所述的医疗设备监管方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310373547.5A CN116434939A (zh) | 2023-04-10 | 2023-04-10 | 一种基于ai算法的医疗设备监管方法、设备与存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310373547.5A CN116434939A (zh) | 2023-04-10 | 2023-04-10 | 一种基于ai算法的医疗设备监管方法、设备与存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116434939A true CN116434939A (zh) | 2023-07-14 |
Family
ID=87084892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310373547.5A Pending CN116434939A (zh) | 2023-04-10 | 2023-04-10 | 一种基于ai算法的医疗设备监管方法、设备与存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116434939A (zh) |
-
2023
- 2023-04-10 CN CN202310373547.5A patent/CN116434939A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021109578A1 (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
EP3979080A1 (en) | Methods and systems for predicting time of server failure using server logs and time-series data | |
CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
US11675799B2 (en) | Anomaly detection system | |
US20100306597A1 (en) | Automated identification of performance crisis | |
CN112100024B (zh) | 一种资源负载异常检测方法、装置及设备 | |
CN112800116A (zh) | 一种业务数据的异常检测方法及装置 | |
KR102426627B1 (ko) | 해양쓰레기 모니터링 장치 및 방법 | |
CN111401431A (zh) | 群租房识别方法及***及存储介质 | |
CN109450671B (zh) | 一种日志多组合告警归类方法及*** | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN114254716A (zh) | 一种基于用户行为分析的高危操作识别方法及*** | |
CN114090393B (zh) | 一种告警级别的确定方法、装置及设备 | |
CN116090821A (zh) | 一种考虑极端天气的配电网线路安全风险评估方法 | |
CN102456109A (zh) | 一种用于木马事件预测的最小二乘支持向量机的训练方法及预测方法 | |
CN116866012A (zh) | 电力设施管理平台的网络风险监测方法及*** | |
CN117254980B (zh) | 一种基于注意力机制的工业网络安全风险评估方法及*** | |
CN116434939A (zh) | 一种基于ai算法的医疗设备监管方法、设备与存储介质 | |
CN108429771B (zh) | 基于突变理论的软件定义网络安全状态评估方法及装置 | |
CN116016288A (zh) | 工业设备的流量监测方法、装置、设备及存储介质 | |
CN116166927A (zh) | 一种在线人数异常检测方法、装置及存储介质 | |
CN113627621B (zh) | 一种面向光网络传输质量回归估计的主动学习方法 | |
CN111107158B (zh) | 用于物联网设备集群中的告警方法、装置、设备及介质 | |
CN114782214A (zh) | 一种基于煤改电用电数据的安全负荷辨识方法 |
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 |