[发明专利]医疗设备寿命预测及分析方法、系统、介质、设备及终端

说明书

本发明属于医疗设备分析技术领域，公开了一种医疗设备寿命预测及分析方法、系统、介质、设备及终端，采集医疗设备的实时状态数据、医疗设备指标数据、环境实时状态数据；基于医疗设备多个时间尺度上的信息，利用深度神经网络提取多尺度特征；利用COX风险比例模型、随机森林、支持向量机和梯度提升机实现医疗设备寿命预测及分析。本发明提出了一种基于医疗设备多个时间尺度上的信息，利用神经网络提取特征，进行相关设备寿命预测及分析的方法。同时，本发明提出在医疗设备寿命预测中提出利用神经网络提取多时间尺度上的特征作为医疗设备的寿命预测及分析的数据输入，利用多尺度时间特性提取，能够同时进行医疗设备故障类型以及寿命的预测。

技术领域

本发明属于医疗设备分析技术领域，尤其涉及一种医疗设备寿命预测及分析方法、系统、介质、设备及终端。

背景技术

目前，医疗设备是各大医院不可缺少的一种设施，医疗设备的正常运转是医疗、科研、机构以及临床治疗的最基础也是最重要的环节。随着医疗技术的快速发展以及医疗设备的增多，医院对其维护管理提出了更高的要求。在过去的20年里，医疗领域的设备维护技术得到改善，由以往的故障后维修向周期性的预防性维护转变。但现行的预防性维护多依赖于工程师的经验判断设备运行性能或使用状况，并未对设备退化程度进行量化，缺乏对设备维护时的健康状态评估和决策支持；同时，对所有医疗设备建立固定周期的维护方法，不可避免地会造成资源浪费，未实现有针对性的实时监测管理。一旦医疗设备出现故障，将会对临床治疗、患者健康造成难以补救的伤害。因此，对医疗设备的寿命预测及分析显得尤为关键。电子、军工、航空、轨道交通等行业已将设备维护机制提升到新的高度，其运用传感技术、无线传输、状态监测与故障决策等对设备实施日常的预测性维护，并取得了较大的社会效益。与之比较，预测性维护在医疗领域还是个“新生物”，其应用并未得到充分重视。

目前，主要是利用某一时刻的医疗设备信息构建模型，再利用模型进行医疗设备寿命预测及分析。但医疗设备发生故障之前，某些指标已经发生了变化，因此基于医疗设备单个时间尺度上的寿命预测分析精度并不理想。

LSTM独特的门结构使其能够捕获数据序列变化及时间信息，不仅考虑当前时刻的输入，而且赋予网络对之前内容的记忆功能。针对多通道序列电信号数据，LSTM可以处理同一时刻、多通道数据特征，并结合该时刻前后一段时间各个通道的数据特征比提取特征空间信息的网络优势更加突出。因此，利用研究对象端口电信号以及征兆现象多模态特征，基于LSTM网络来搭建故障智能诊断模型。神经网络模型基本结构框架包括输入层、隐藏层、输出层，但是现有技术只能进行故障预测。因此，亟需设计一种新的医疗设备寿命预测及分析方法、系统。

通过上述分析，现有技术存在的问题及缺陷为：现有基于医疗设备单个时间尺度上的寿命预测分析精度并不理想，且只能进行故障预测。

发明内容

针对现有技术存在的问题，本发明提供了一种医疗设备寿命预测及分析方法、系统、介质、设备及终端。

本发明是这样实现的，一种医疗设备寿命预测及分析方法，所述医疗设备寿命预测及分析方法包括：

基于医疗设备多个时间尺度上的信息，利用深度神经网络提取多尺度特征，进行模型训练和相关医疗设备寿命预测及分析。

进一步，所述医疗设备寿命预测及分析方法包括以下步骤：

步骤一，数据采集：采集医疗设备的实时状态数据、医疗设备指标数据、环境实时状态数据；为智能预警模型提供真实可靠的数据支撑。

步骤二，特征提取：利用深度神经网络进行多尺度特征提取；深度学习方法可以有效提高模型参数价值。

步骤三，寿命预测及分析：利用COX风险比例模型、随机森林、支持向量机和梯度提升机实现医疗设备寿命预测及分析。极大的提升预测精度。