一种基于物联网数据的CT设备异常预测方法和系统

本发明属于医疗设备维护，具体涉及一种基于物联网数据的ct设备异常预测方法和系统。

背景技术：

1、目前，各种医疗设备已广泛应用于医疗服务的各个环节，包括疾病诊断、患者状态监测和康复治疗。特别是大型数字放射设备，如计算机断层扫描(ct)，可通过x射线获得清晰的内部器官横截面图像，这对于医疗机构治疗患者至关重要。然而，嵌入复杂操作系统的ct设备在运行过程中容易受到各种类型的损坏。设备运行过程中意外发生的部件故障、系统中断等异常现象，长期以来一直困扰着医院。设备异常可能会导致低质量的放射图像、患者护理的意外延误、昂贵的维护服务，甚至严重的患者事故。据联合委员会(tjc)调查，过早死亡、重伤和残疾事故等安全事故与医疗设备故障密切相关。据报道，2004至2011年期间，美国共有176起与医疗设备相关的事件，占从8家医院收集的6093起事件总数的2.9％。因此，医院和医疗机构等必须确保医疗设备的高度可靠性，以避免操作中断并保证患者的安全。

2、ct设备的工作原理为：在扫描过程中，从ct管发出的扇形x射线束穿过患者到达多个数字探测器，这些探测器接收到x射线并将其转换为医学图像。工作在高电压下的x射线管需要管内的高真空环境。当所需的真空环境被破坏并在阴极和杂质之间形成导电桥时，就会发生打火放电。打火不仅会导致低质量的射线图像，而且与ct性能不稳定或管子破裂密切相关。打火可导致伪影，在图像中表现为近似平行和等距的条纹图案或“水平”低密度条带，这会降低图像质量并影响临床诊断。此外，尽管文献中讨论了x射线管的各种异常，但管内打火通常被认为是ct设备故障的最典型和最危险的早期征兆。因此，打火因为它与图像质量和ct故障密切相关而值得关注。

3、迄今为止，包括纠正性维护、预防性维护和预测性维护等维护策略已广泛应用于机械工程、核工程、管理科学等各个领域，大大提高了这些系统的管理水平。然而，维修模型在ct设备等医疗设备上的应用并没有得到彻底解决。通常，大多数医疗机构都会按照制造商的建议进行设备维护。制造商会制定维护计划并为设备提供维护指导。这种例行维护调度确实在一定程度上提高了医疗设备的可靠性并降低了故障风险，但未能预测和避免异常或突发故障。

4、随着过去几十年来各种监测工具和技术的发展，人们发现将预防性维护与监测数据以及数据分析技术相结合将是预测设备异常的适当方法。物联网(iot)通过互联网整合机器部件的状态信息，已逐渐成为监控目标设备实时状态的关键技术。值得一提的是，从可穿戴设备和传感器获取实时医疗保健数据的医疗物联网(iomt)受到了广泛关注。目前，物联网的发展仍处于早期阶段，现有的物联网系统大多专注于提高与人体相关的诊断水平，而不是医疗设备。

5、目前，将医疗物联网的监测数据用于医疗设备异常预测目前尚未得到实现。其困难主要在于医疗物联网能够获得大量的医疗设备运行相关数据，人们尚不清楚具体应当使用何种数据实现对医疗设备异常的预测。此外，机器学习模型的发展也使得目前可选择的预测模型多种多样，然而，不同的模型对具体预测任务的适用性也需要进一步的研究，人们尚不知晓什么样的模型适合用于医疗设备异常的预测。

技术实现思路

1、基于现有技术的问题，本发明提供一种基于物联网数据的ct设备异常预测方法和系统，目的在于实现利用医疗物联网的监测数据结合机器学习方法进行ct设备的异常预测。

2、一种基于物联网数据的ct设备异常预测方法，包括如下步骤：

3、步骤1，输入医疗物联网采集的ct设备运行数据；

4、步骤2，对所述ct设备运行数据进行数据预处理，采用滑动窗算法构建特征；

5、步骤3，将所述特征输入机器学习模型，得到ct设备发生异常的预测结果；

6、其中，所述机器学习模型选自朴素贝叶斯模型、k-近邻模型或决策树模型。

7、优选的，步骤1中，所述ct设备运行数据每日采集若干次，每次采集如下数据：油温、阳极电压、累计管扫描时间、累计电能消耗和每日打火次数。

8、优选的，步骤2得到的特征包括如下参数中的至少一种：aotmax、aavmax、imax、idle、aotdmax、aavdmax、idmax、arcingw；

9、其中，各参数的定义为：

10、定义一个时间周期t，其含义是以时长t作为一个时间周期，若干个连续的时间周期t构成了滑动窗算法的时间窗口；

11、aotmax为时间窗口的若干个连续的时间周期t中，t内平均油温的最大值，所述t内平均油温是将时间周期t内的油温求平均得到的结果；

12、aavmax为时间窗口的若干个连续的时间周期t中，t内平均阳极电压的最大值，所述t内平均阳极电压是将时间周期t内的阳极电压求平均得到的结果；

13、imax为时间窗口的若干个连续的时间周期t中，t内平均电流的最大值，所述t内平均电流通过所述t内平均阳极电压、时间周期t内的总扫描时间和时间周期t内的总消耗电能进行计算；

14、idle的定义为：时间窗口的若干个连续的时间周期t中，若至少有一个时间周期t未采集到ct设备运行数据时，标记为0，否则为1；

15、aotdmax的定义为：对所述t内平均油温进行一阶差分得到t内平均油温斜率，取时间窗口的若干个连续的时间周期t中t内平均油温斜率的最大值，若所述t内平均油温斜率的最大值超过预设的阈值则aotdmax取值为1，否则为0；

16、aavdmax的定义为：对所述t内平均阳极电压进行一阶差分得到t内平均阳极电压斜率，取时间窗口的若干个连续的时间周期t中t内平均阳极电压斜率的最大值，若所述t内平均阳极电压斜率的最大值超过预设的阈值则aavdmax取值为1，否则为0；

17、idmax的定义为：对所述t内平均电流进行一阶差分得到t内平均电流斜率，取时间窗口的若干个连续的时间周期t中t内平均电流斜率的最大值，若所述t内平均电流斜率的最大值超过预设的阈值则idmax取值为1，否则为0；

18、arcingw的定义为：当时间窗口的若干个连续的时间周期t中，至少有一个时间周期t从ct设备中观察到管内打火时取值为1，否则为0；

19、所述预处理包括按照如下步骤计算所述设备电流i：

20、步骤a，对医疗物联网采集的数据累计管扫描时间和累计电能消耗量进行一阶差分，得到每个时间周期t内管扫描时间dtst和每个时间周期t内电能消耗dce；

21、步骤b，采用如下公式计算设备电流

22、

23、其中，aav为t内平均阳极电压。

24、优选的，所述时长t的取值为1小时至1天。

25、优选的，步骤2得到的特征包括aotmax、aavmax、imax、idle、aotdmax、aavdmax、idmax和arcingw。

26、优选的，所述机器学习模型选自朴素贝叶斯模型，所述特征包括idmax和aotmax；

27、或，所述机器学习模型选自k-近邻模型，所述特征包括aotmax和aavmax；

28、或，所述机器学习模型选自决策树模型，所述特征包括aotmax和aavmax。

29、优选的，所述机器学习模型选自朴素贝叶斯模型。

30、优选的，步骤3中，所述异常是管内打火。

31、本发明还提供一种基于物联网数据的ct设备异常预测系统，包括：

32、输入模块，用于输入医疗物联网采集的ct设备运行数据；

33、特征构建模块，用于对所述ct设备运行数据进行数据预处理，采用滑动窗算法构建特征；

34、预测模块，用于将所述特征输入机器学习模型，得到ct设备发生异常的预测结果，所述机器学习模型选自朴素贝叶斯模型、k-近邻模型或决策树模型；

35、输出模块，用于输出所述预测结果。

36、本发明还提供一种计算机可读存储介质，其上存储有用于实现上述基于物联网数据的ct设备异常预测方法的计算机程序。

37、本发明对特征的构建方法和模型种类的选取进行了优化，实现了利用医疗物联网的监测数据结合机器学习方法对ct设备的异常进行准确预测的方法和系统。实验结果表明，本发明的方法和系统对ct设备的异常预测的准确性高于现有的其他时间序列分类模型，具有很好的应用前景。

38、显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。

39、以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。