一种基于物联网的医疗设备智能管理系统及方法与流程

1.本发明属于医学工程技术领域，具体涉及一种基于物联网的医疗设备管理系统及方法。


背景技术：

2.随着医疗服务需求的持续提升，各类高、精、尖的医疗设备已成为现代化医院不可或缺的重要手段。随着先进的医疗设备的使用，医疗设备全生命周期管理的需求越来越强，不仅提高了医院的整体水平，但同时对医疗设备的使用风险也非常高，报警和故障处理不当，将给病人造成严重甚至不可逆的伤害。
3.目前，在医疗设备精细化管理存在的不足主要表现在：
4.1、还未形成系统化的使用管理和后效评价指标体系；
5.2、还未建立统一的医疗设备使用管理和后效评价的数据基础；
6.3、使用管理和后效评价未充分利用设备本身实际运行的真实数据。
7.此外，还存在医疗设备管理粗放的其他问题，比如：一些流动设备位置不能实时跟踪，寻找设备费时费力；不能准确统计设备使用率、使用时间、使用状态等情况，这些问题都将直接影响到医疗机构服务能力的提升。


技术实现要素：

8.针对现有技术中的上述不足，本发明提供的基于物联网的医疗设备智能管理系统解决了上述背景技术中的问题。
9.为了达到上述发明目的，本发明采用的技术方案为：一种基于物联网的医疗设备智能管理系统，包括：
10.信息采集模块，搭载于所述医疗设备上，用于采集所述医疗设备的工作信息，并上传至智能分析模块；
11.智能分析模块，用于对采集的工作信息进行故障预警分析和寿命预测分析；
12.控制及展示模块，用于对智能分析模块的分析结果进行可视化。
13.进一步地，所述信息采集模块采集的工作信息包括医疗设备的实时位置信息、电气参数信息，以及运行状态信息；
14.所述智能分析模块包括故障预警分析单元和寿命预测分析单元；
15.所述故障分析单元用于根据医疗设备的电气参数信息和运行状态信息对医疗设备的故障进行诊断，确定故障类型，并预警；
16.所述寿命预测分析单元用于根据医疗设备的故障分析结果，定期对医疗设备的寿命进行预测；
17.一种基于物联网的医疗设备智能管理方法，包括以下步骤：
18.s1、通过信息采集模块对医疗设备的工作信息进行采集；
19.其中，工作信息包括实时位置信息、电气参数信息，以及运行状态信息；
20.s2、基于采集的电气参数信息和运行状态信息进行医疗设备的故障预警分析；
21.同时，根据当前故障预警分析结果定期进行医疗设备的寿命预测分析；
22.s3、将当前分析结果在控制及展示模块进行可视化；
23.其中，分析结果为故障预警分析结果和寿命预测分析结果中的至少一个。
24.进一步地，所述步骤s1中，根据医疗设备的类型采用对应的信息采集模块进行工作信息采集；
25.当医疗设备为生命支持类医疗设备时，通过与医疗设备连接的数据采集器采集工作信息；
26.当医疗设备为放射类医疗设备时，通过数据采集解析方法采集工作信息；
27.当医疗设备为生命监测类医疗设备时，通过在医疗设备上搭载对应的软件方法采集工作信息。
28.进一步地，所述步骤s2中，进行故障预警分析的方法具体为：
29.a1、对历史采集的电气参数信息和运行状态信息分别进行预处理；
30.其中，所述电气参数信息用于表征医疗设备的运行过程的设备本身的电气参数变化，所述运行状态信息用于表征医疗设备运行过程中采集的目标用户的体征数据变化；
31.a2、将预处理后的电气参数信息和运行状态信息划分出训练集和测试集；
32.其中，训练集和测试集中的电气参数信息和运行状态信息均包括正常数据和故障数据；
33.a3、利用训练集中的正常数据训练som模型；
34.a4、将训练集中的故障数据输入至som模型中，得到对应的mqe值；
35.a5、根据故障数据的mqe值，确定故障预警区间[β1,β2]；
[0036]
a6、利用测试集中的数据初始化并测试som模型，得到训练好的som模型；
[0037]
a7、将实时采集且预处理后的电气参数信息和运行状态信息输入至训练好的som模型，得到对应的实时mqe值；
[0038]
a8、根据实时mqe值与故障预警区间[β1,β2]的关系，得到故障预警分析结果。
[0039]
进一步地，所述步骤a1中的预处理包括数据清洗、降噪，以及主成分分析；
[0040]
所述步骤a3中，训练som模型过程中，当满足η《η
min
时，完成som模型的训练；
[0041]
其中，η为训练时间t和邻域内第l个神经元与获胜神经元l
*
之间的拓扑距离n的函数值，且η与t和n均为负相关关系；
[0042]
所述步骤a4中，mqe值的计算公式为：
[0043]mmqe
＝||d-m
bmu
||
[0044]
式中，m
mqe
为mqe值的最小量化误差，d为输入矢量，m
bmu
为最佳匹配单元的权值矢量；
[0045]
所述步骤a8中，当mqe值的最小量化误差处于故障预警区间[β1,β2]时，进行故障预警，其对应的电气参数信息和/或运行状态信息为故障信息。
[0046]
进一步地，所述步骤s2中，进行寿命预测分析的方法具体为：
[0047]
b1、提取医疗设备全寿命中历史故障信息的特征向量，建立dd-hsmm模型；
[0048]
b2、运行dd-hsmm模型，确定当前医疗设备所处的运行状态，及其在该运行状态停留时间的期望，进而计算出对应医疗设备在未来各运行状态的停留时间；
[0049]
b3、根据医疗设备在未来各运行状态的停留时间，计算当前运行状态下医疗设备的寿命，实现寿命预测分析。
[0050]
进一步地，所述步骤b3中，医疗设备在运行状态z停留时长为d时的剩余寿命为：
[0051][0052]
式中，为当前运行状态z已经停留时间d的条件下，医疗设备在运行状态z的有效停留时间，为医疗设备在z+1,
…
,n的未来运行状态的停留时间。
[0053]
进一步地，所述步骤s5具体为：
[0054]
采用三维gis可视化技术，建立医疗设备所在区域的三维布局图，根据所在企业的wifi布局位置以及数据采集模块获取的医疗设备位置信息，在三维布局图中实时显示医疗设备的位置，并将故障预警分析结果和寿命预测分析结果以不同的标记在三维布局图中的各医疗设备中进行标注。
[0055]
本发明的有益效果为：
[0056]
(1)本发明实现临床设备接入相应临床系统，自动采集存储，减轻手工抄写的工作量；数据精准化，避免人为录入错误；把医护还给患者，提供更好地服务。
[0057]
(2)本发明采用连续准确的、全口径的数据对临床意义重大，并提供标准化与安全化的数据服务，将患者全生命体征数据在各临床场景无缝衔接，可辅助医护有效评估诊疗效果以及为科研提供临床研究支持。
[0058]
(3)本发明实现了医疗设备精细化管理，实时了解这些设备使用状态，有效统计设备使用率、能耗，提供保养、检查等自动提醒等，可有效减少因设备安全隐患可能带来的医疗事故。
附图说明
[0059]
图1为本发明提供的基于物联网的医疗设备智能管理系统结构框图。
[0060]
图2为本发明提供的基于物联网的医疗设备智能管理方法流程图。
[0061]
图3为本发明提供的医疗设备调度可视化示意图。
具体实施方式
[0062]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0063]
实施例1：
[0064]
本发明实施例提供了一种基于物联网的医疗设备智能管理系统，如图1所示，包括：
[0065]
信息采集模块，搭载于所述医疗设备上，用于采集所述医疗设备的工作信息，并上
传至智能分析模块；
[0066]
智能分析模块，用于对采集的工作信息进行故障预警分析和寿命预测信息；
[0067]
控制及展示模块，用于对智能分析模块的分析结果进行可视化。
[0068]
本实施例中的信息采集模块采集的工作信息包括医疗设备的实时位置信息、电气参数信息，以及运行状态信息；
[0069]
智能分析模块包括故障预警分析单元和寿命预测分析单元故障分析单元用于根据医疗设备的电气参数信息和运行状态信息对医疗设备的故障进行诊断，确定故障类型，并预警；寿命预测分析单元用于根据医疗设备的故障分析结果，并综合电气参数信息，对医疗设备的寿命进行预测。
[0070]
本实施例中的智能分析模块还包括智能调度分析单元，控制及展示模块能够根据各医疗设备的定位信息进行医疗设备的调度，并将调度结果进行可视化；本实施例中的智能调度分析单元用于根据医疗设备调度需求，根据医疗设备的实时位置信息，对医疗设备调度需求对应的区域进行医疗设备的调度分析及控制。
[0071]
本实施例提供的医疗设备智能管理系统属于交叉学科，结合医疗设备运行大数据，在智能分析模块中利用深度循环神经网络、机器学习等方法，构建医疗设备故障预警、以及智能预防维护人工智能模型，创新了医疗设备智能化管理模式，实现了医疗设备精准化管理与辅助决策。
[0072]
本实施例中的医疗设备智能管理系统，通过大数据分析，开创了医疗设备精准化管理，通过实时了解医疗设备使用状态，有效统计了设备使用率、能耗、提高保养、检查等自动提醒，可有效减少因设备安全隐患可能带来的医疗事故。
[0073]
本发明实施例中的医疗设备包括呼吸机、ct、mri、监护仪及超声设备等生命支持、监测与放射性医疗设备。
[0074]
实施例2：
[0075]
本实施例提供了一种医疗设备智能管理系统的管理方法，如图2所示，包括以下步骤：
[0076]
s1、通过信息采集模块对医疗设备的工作信息进行采集；
[0077]
其中，工作信息包括实时位置信息、电气参数信息，以及运行状态信息；
[0078]
s2、基于采集的电气参数信息和运行状态信息进行医疗设备的故障预警分析；
[0079]
同时，根据当前故障预警分析结果定期进行医疗设备的寿命预测分析；
[0080]
s3、将当前分析结果在控制及展示模块进行可视化；
[0081]
其中，分析结果为故障预警分析结果和寿命预测分析结果中的至少一个。
[0082]
本实施例的步骤s1中，根据医疗设备的类型采用对应的信息采集模块进行工作信息采集；
[0083]
在本实施例中，当医疗设备为生命支持类医疗设备时，通过与医疗设备连接的数据采集器采集工作信息；如呼吸机，其需要采集的工作信息包括呼气潮气量、分钟呼气量、呼吸频率、呼吸末正压、气道压力过高报价、呼吸暂停报价以及电池电压报警等参数，其采用专门的数据采集器，实现数据采集与定位，主要包括控制器、wifi模块、以太网模块、存储模块以及电源模块等。
[0084]
在本实施例中，当医疗设备为放射类医疗设备时，通过数据采集解析方法采集工
作信息；例如ct、mri设备，对于ct设备其需要采集的工作信息包括检查部门名称、数量、曝光条件(kv、mas、剂量)、部位检查时长和球管评价等；对于mri设备，其需要采集的工作信息包括检查部位名称、序列名称、数量、线圈名称及使用数量，以及部位检查时长等。对于这类书设备，通过图像采集技术、以及日志解析技术对各类品牌的ct、mri设备进行数据解析，提取各项运行参数。
[0085]
在本实施例中，当医疗设备为生命监测类医疗设备时，通过在医疗设备上搭载对应的软件方法采集工作信息；例如监护仪，其需要采集的工作信息包括血压、血氧饱和度、心率、血氧浓度、血氧浓度过低过高报价、心率过高过低报警、舒张压报警、设备使用效率等。
[0086]
本发明实施例的步骤s2中，进行故障预警分析的方法具体为：
[0087]
a1、对历史采集的电气参数信息和运行状态信息分别进行预处理；
[0088]
其中，电气参数信息用于表征医疗设备的运行过程的设备本身的电气参数变化，运行状态信息用于表征医疗设备运行过程中采集的目标用户的体征数据变化；
[0089]
a2、将预处理后的电气参数信息和运行状态信息划分出训练集和测试集；
[0090]
其中，训练集和测试集中的电气参数信息和运行状态信息均包括正常数据和故障数据，且将正常数据的标签设置为0，异常数据的标签设置为1；
[0091]
a3、利用训练集中的正常数据训练som模型；
[0092]
a4、将训练集中的故障数据输入至som模型中，得到对应的mqe值；
[0093]
a5、根据故障数据的mqe值，确定故障预警区间[β1,β2]；
[0094]
a6、利用测试集中的数据初始化并测试som模型，得到训练好的som模型；
[0095]
a7、将实时采集且预处理后的电气参数信息和运行状态信息输入至训练好的som模型，得到对应的实时mqe值；
[0096]
a8、根据实时mqe值与故障预警区间[β1,β2]的关系，得到故障预警分析结果。
[0097]
本实施例步骤a1中的预处理包括数据清洗、降噪，以及主成分分析；通过对采集数据进行预处理，提高后续数据处理效率及结果的准确性。
[0098]
本实施例步骤a3-a8中，采用som模型进行故障诊断，大多数情况下，故障数据非常难以准确采集，而正常状态下数据往往可以方便且准确获取，所以故障预警可以基于偏离正常特征空间的量化误差来进行。首先，用正常状态数据训练som模型，然后将特征矢量与所有图元中的权值矢量作比较，若mqe超过了预设临界点，则表示可能已需要预警。本实施例中，可以借助当前偏离正常运行基准模型的距离，可以设计新的故障预警指标，其做法是通过将新获取的工作信息输入到正常状态数据训练过的som网络中，计算其mqe，并将该误差作为一种新的故障预警评估指标。在本实施例中，训练som模型过程中，当满足η《η
min
时，完成som模型的训练；
[0099]
其中，η为训练时间t和邻域内第l个神经元与获胜神经元l
*
之间的拓扑距离n的函数值，且η与t和n均为负相关关系；
[0100]
本实施例步骤a4中，mqe值的计算公式为：
[0101]mmqe
＝||d-m
bmu
||
[0102]
式中，m
mqe
为mqe值的最小量化误差，d为输入矢量，m
bmu
为最佳匹配单元的权值矢量；
[0103]
本实施例步骤a5中，故障预警区间下限β1为故障预警数据mqe平均值的80％，β2为故障预警数据mqe平均值的120％。
[0104]
本实施例步骤a8中，当mqe值的最小量化误差处于故障预警区间[β1,β2]时，进行故障预警，其对应的电气参数信息和/或运行状态信息为故障信息。
[0105]
在本发明实施例中，通过追踪mqe值，可以定量预测设备的健康状态。
[0106]
在本发明实施例的步骤s2中，进行寿命预测分析的方法具体为：
[0107]
b1、提取医疗设备全寿命中历史故障信息的特征向量，建立dd-hsmm模型；
[0108]
b2、运行dd-hsmm模型，确定当前医疗设备所处的运行状态，及其在该运行状态停留时间的期望，进而计算出对应医疗设备在未来各运行状态的停留时间；
[0109]
b3、根据医疗设备在未来各运行状态的停留时间，计算当前运行状态下医疗设备的寿命，实现寿命预测分析。
[0110]
在本实施例的步骤b3中，医疗设备在运行状态z停留时长为d时的剩余寿命为：
[0111][0112]
式中，为当前运行状态z已经停留时间d的条件下，医疗设备在运行状态z的有效停留时间，为医疗设备在z+1,
…
,n的未来运行状态的停留时间。若设备在进入当前运行状态i的时间为ti，在时间区间(ti+d,ti+(d+δt))内的故障条件概率则可以用未来时间δt内设备状态转移到其他状态的概率与设备在未来时刻ti+(d+δt)仍驻留在状态i的概率来描述，可以表示为：
[0113][0114]
进而得到：
[0115][0116]
在本发明实施例中，还能够实现医疗设备的调度分析，实现方法具体为：
[0117]
在医疗设备工作过程中，实时检测是否收到医疗设备调度请求，若是，则通过对应的智能调度分析单元，根据各医疗设备的定位信息进行调度；此时，控制及展示模块可视化的分析结果为故障预警分析结果、寿命预测分析结果和智能调度分析结果中的至少一个。
[0118]
在本发明实施例，进行医疗设备调度分析时，以医疗设备使用结束时间最早和医疗设备调度成本最低构建双目标优化模型确定调度区域需要调度至目标区域的医疗设备，其中，调度区域为能够进行医疗设备调度的区域，目标区域为发送医疗设备调度需求对应的区域；
[0119]
双目标优化模型为：
[0120]
minz1＝t
[0121][0122]
式中，t为医疗设备使用结束最早时间，x
ij
为调度区域ri的j类医疗设备的数量，b
ij
为调度区域ri中j类医疗设备的单位运输费用，c
ij
为调度区域ri中j类医疗设备单位时间的使用费用，ti为调度区域ri发送调度需求的时间；其中，0≤x
ij
≤q
ij
，q
ij
为调度区域ri所能提供的j类医疗设备的最大数量，p
ij
为调度区域ri的j类医疗设备单位时间内能够参与的工作量，dj为目标区域发送调度需求时对j类设备的工作量需求。
[0123]
在本实施例中，在构建双目标优化模型时，进行如下假设：
[0124]
(1)所需的各类医疗设备的工作能力为定值，不随涉及推移而发生变化；
[0125]
(2)各类医疗设备在工作中的使用相对独立；
[0126]
医疗设备工作可以划分为若干个时间段，其工作能力在每一时段结束时得以体现。
[0127]
本实施例中的目标函数minz1＝t表示最小化医疗设备使用时间，目标函数表示在医疗设备结束工作时间已定的前提下，最小化医疗设备调度的总费用。
[0128]
本发明实施例的步骤s3具体为：
[0129]
如图3所示，采用三维gis可视化技术，建立医疗设备所在区域的三维布局图，根据所在企业的wifi布局位置以及数据采集模块获取的医疗设备位置信息，在三维布局图中实时显示医疗设备的位置，并将故障预警分析结果、寿命预测分析结果以及调度分析结果以不同的标记在三维布局图中的各医疗设备中进行标注。
[0130]
在本发明的描述中，需要理解的是，术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此，限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。