本發(fā)明涉及呼吸機故障預測，具體涉及一種基于lstm分類器的呼吸機故障預測方法。

背景技術：

1、當前，呼吸機已普遍用于各種原因所致的呼吸衰竭、大手術期間的麻醉呼吸管理、呼吸支持治療和急救復蘇中，在現(xiàn)代醫(yī)學領域內(nèi)占有十分重要的位置。呼吸機是一種能夠起到預防和治療呼吸衰竭，減少并發(fā)癥，挽救及延長病人生命的至關重要的醫(yī)療設備。

2、呼吸機在使用過程中，難免會遇到故障問題，目前呼吸機故障；一般是在使用過程中，等儀器出現(xiàn)自檢故障報警或者停機等嚴重故障之后才能發(fā)現(xiàn)呼吸機的故障。目前主流的呼吸機都自帶傳感器系統(tǒng)，呼吸機在使用到一定的時間時，其傳感器系統(tǒng)中的傳感器部件可能會出現(xiàn)問題。因此如何提前對呼吸機各個傳感器的故障進行預測是十分必要的。

技術實現(xiàn)思路

1、為此，本發(fā)明提供一種基于lstm分類器的呼吸機故障預測方法，以解決現(xiàn)有技術中的上述問題。

2、為了實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、根據(jù)本發(fā)明的第一方面，一種基于lstm分類器的呼吸機故障預測方法，包括以下步驟：

4、s1.采集同類型呼吸機的歷史數(shù)據(jù)，建立數(shù)據(jù)集；

5、s2.對數(shù)據(jù)集的數(shù)據(jù)進行預處理，并將處理后的數(shù)據(jù)集分為訓練集和測試集；

6、s3.將訓練集和測試集的數(shù)據(jù)輸入到lstm分類器中進行訓練；

7、t時間的lstm層結構，通過單元狀態(tài)ct、隱藏狀態(tài)ht和輸入門、輸出門來提供更豐富的內(nèi)部狀態(tài)；假定有n個相同品牌型號的呼吸機在使用期間，總計有m個傳感器在監(jiān)測呼吸機的運行狀態(tài)；以矩陣的形式表示每個呼吸機i(i＝1,2，...，n)在其生命周期內(nèi)獲得的傳感器數(shù)據(jù)xi；

8、xi＝[x1,x2,...xn]，xi∈rn×m；

9、在訓練時，lstm依據(jù)采用傳感器數(shù)據(jù)xi，并判斷rul真實值是否屬于某個確定的時間窗口；

10、在測試時，在時間t點，構建的lstm分類器將傳感器測量值xt的向量作為輸入數(shù)據(jù)，并輸出rul屬于確定時間窗口的概率；

11、

12、上述兩個式中，xt表示在t時間的傳感器測量序列，x表示序列，n表示序列的長度；

13、s4.通過調(diào)整時間窗口得到lstm網(wǎng)絡模型；

14、輸入層將數(shù)據(jù)帶入到lstm網(wǎng)絡層，輸入數(shù)據(jù)格式為三維格式，即：樣本、時間步長、特征數(shù)量；

15、s5.依據(jù)lstm網(wǎng)絡模型預測呼吸機在時間窗口中的故障概率，以此來輔助決策呼吸機維修。

16、進一步的：所述呼吸機的歷史數(shù)據(jù)包括呼吸機各傳感器(空氣流量傳感器、氧氣流量傳感器壓力傳感器、氧傳感器、大氣壓力傳感器、流量傳感器、電壓和電流采集等)的相關數(shù)據(jù)及通過傳感器計算的相關參數(shù)、故障/報警數(shù)據(jù)和歷史維修數(shù)據(jù)，歷史維修數(shù)據(jù)為運動部件(如peep閥、流量控制閥等)、傳感器/電路板的維修數(shù)據(jù)。

17、進一步的：數(shù)據(jù)的預處理流程是：

18、(1)原數(shù)據(jù)解壓；對原始數(shù)據(jù)的壓縮文件進行解壓；

19、(2)對數(shù)據(jù)進行歸一化；輸入數(shù)據(jù)是從多個設備、多個傳感器源獲得的；需要對這些數(shù)據(jù)進行歸一化；采用min-max方法對訓練集與測試集數(shù)據(jù)進行歸一化，歸一化的數(shù)據(jù)將在[0,1]之間；

20、(3)故障類型劃分；按照傳感器的類型進行故障數(shù)據(jù)分類，現(xiàn)有的傳感器類故障主要包括：流量傳感器故障、氧傳感器故障、壓力傳感器控制板故障、空氣流量傳感器故障、氧氣流量傳感器故障以及氣體混合壓力傳感器故障；

21、(4)時間窗處理；采用滑動時間窗口獲得特征向量，以此來定義數(shù)據(jù)標簽，滑動時間窗口能獲取更多的有用的時間信息；利用先前的時間步長預測下一個時間步長，窗口沿時間方向滑動一個時間單位，便構造出單個訓練樣本，最后一個時間節(jié)點對應的呼吸機傳感器rul作為該訓練樣本的標簽；

22、(5)存入數(shù)據(jù)庫；將結果分類存入數(shù)據(jù)庫。

23、進一步的：lstm單元結構中，

24、遺忘門ft控制lstm哪些長期記憶能被遺忘；

25、ft＝σ(wfht-1+ufxt+bf)；

26、輸入門gt、it則是計算從輸入中獲取的信息，并了解應存儲到單元狀態(tài)ct中的部分；

27、gt＝tanh(wght-1+ugxt+bg)；

28、it＝σ(wiht-1+uixt+bi)it＝σ(wiht-1+uixt+bi)；

29、更新單元狀態(tài)中的長期記憶；

30、

31、使用輸出門ot根據(jù)輸入門、單元狀態(tài)和先前隱藏狀態(tài)更新當前隱藏層的狀態(tài)ht；

32、ot＝σ(woht-1+uoxt+bo)；

33、

34、式中，σ是sigmoid函數(shù)，tanh是激活函數(shù)；wi，wf，wg，wo是當前隱藏層和先前隱藏層之間的隱藏層權重值；ui，uf，ug，uo是當前輸入層和當前隱藏層之間的權重值；bi，bf，bg，bo是偏差向量；是逐元素乘法運算符。

35、進一步的：所述時間步長指的是每個特征信息能夠傳遞給下一個特征的長度。

36、再進一步的：在訓練lstm分類器時，采用二元交叉熵函數(shù)作為目標函數(shù)的損失函數(shù)。

37、本發(fā)明具有如下優(yōu)點：基于lstm模型，對呼吸機的各個傳感器的歷史數(shù)據(jù)進行處理，以此來對呼吸機的故障概率進行預測；能夠?qū)崿F(xiàn)呼吸機重大故障提前介入，進一步的避免重大醫(yī)療事故的發(fā)生。

技術特征：

1.一種基于lstm分類器的呼吸機故障預測方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種基于lstm分類器的呼吸機故障預測方法，其特征在于，所述呼吸機的歷史數(shù)據(jù)包括呼吸機各傳感器的相關數(shù)據(jù)及通過傳感器計算的相關參數(shù)、故障/報警數(shù)據(jù)和歷史維修數(shù)據(jù)，歷史維修數(shù)據(jù)包括運動部件、傳感器/電路板的維修數(shù)據(jù)。

3.根據(jù)權利要求1所述的一種基于lstm分類器的呼吸機故障預測方法，其特征在于，t時間的lstm層結構，通過單元狀態(tài)ct、隱藏狀態(tài)ht和輸入門、輸出門來提供更豐富的內(nèi)部狀態(tài)；假定有n個相同品牌型號的呼吸機在使用期間，總計有m個傳感器在監(jiān)測呼吸機的運行狀態(tài)；以矩陣的形式表示每個呼吸機i(i＝1,2，...，n)在其生命周期內(nèi)獲得的傳感器數(shù)據(jù)xi；

4.根據(jù)權利要求1所述的一種基于lstm分類器的呼吸機故障預測方法，其特征在于，數(shù)據(jù)的預處理流程是：

5.根據(jù)權利要求1所述的一種基于lstm分類器的呼吸機故障預測方法，其特征在于，lstm單元結構中，

6.根據(jù)權利要求1所述的一種基于lstm分類器的呼吸機故障預測方法，其特征在于，所述時間步長指的是每個特征信息能夠傳遞給下一個特征的長度。

7.根據(jù)權利要求1所述的一種基于lstm分類器的呼吸機故障預測方法，其特征在于，在訓練lstm分類器時，采用二元交叉熵函數(shù)作為目標函數(shù)的損失函數(shù)。

技術總結
本發(fā)明公開了一種基于LSTM分類器的呼吸機故障預測方法，包括以下步驟：采集同類型呼吸機的歷史數(shù)據(jù)，建立數(shù)據(jù)集；對數(shù)據(jù)集的數(shù)據(jù)進行預處理，并將處理后的數(shù)據(jù)集分為訓練集和測試集；將訓練集和測試集的數(shù)據(jù)輸入到LSTM分類器中進行訓練；通過調(diào)整時間窗口得到LSTM網(wǎng)絡模型；依據(jù)LSTM網(wǎng)絡模型預測呼吸機在特定時間窗口的故障概率，以此來輔助決策呼吸機維修。本發(fā)明屬于呼吸機故障醫(yī)學技術領域。本發(fā)明基于LSTM模型，對呼吸機的各個傳感器的歷史數(shù)據(jù)進行處理，以此來對呼吸機的故障概率進行預測；能夠?qū)崿F(xiàn)呼吸機重大故障提前介入，進一步的避免重大醫(yī)療事故的發(fā)生。

技術研發(fā)人員：黃昌凱,臺沖沖
受保護的技術使用者：北京思瑞德醫(yī)療器械有限公司
技術研發(fā)日：
技術公布日：2024/12/19