本发明属于医疗空气管理应用，涉及手术间空气洁净指标监测与管理，尤其涉及一种手术室洁净指标实时监测及控制系统和方法。
背景技术：
1、手术间作为医生开展医疗手段，挽救病人生病的重要场所，对洁净指标有较高的要求。其中环境温湿度、颗粒物，以及空气中的微生物等都对洁净程度有较大影响。
2、目前，业内普遍采用的洁净度监测系统，例如中国专利申请cn112363557 a、中国实用新型专利cn218511009u和cn207300311u等，一般采用简单温湿度、颗粒物等传感器连接硬件，并对监测数据进行均值等简单处理后进行显示。本发明通过利用火烈鸟搜索算法与bp神经网络对多传感器汇集的数据进行算法融合，该方式可改进现有专利中只有简单的数据监测及数据处理的现状，将同样具有快速收敛特性的神经网络算法与火烈鸟算法相结合，并将其引入手术空气洁净指标监测与管理系统，使多传感器数据快速有效融合成预测数据，达到快速预测的目的。
技术实现思路
1、为解决上述技术问题，针对现有系统中仅有简单数据监测功能，本发明利用火烈鸟搜索算法与bp神经网络，提供一种手术室洁净指标实时监测及控制系统和方法，包括温湿度传感器、颗粒物传感器、微生物检测模块、数据处理模块、数据传输模块、可视化监测模块、报警模块等，所述湿度传感器、颗粒物传感器及微生物检测模块均与信号转处理模块相连，模块对数据进行收集判断后，通过数据传输与可视化监测模块及报警模块将信息进行发布，实时保证手术间内洁净程度。
2、为达到上述目的，本发明采用如下的技术方案：
3、一种手术室洁净指标实施监测及控制系统，包括环境监测单元、数据传输及控制单元、显示及报警单元；
4、所述环境监测单元包括传感器单元，所述传感器单元包括温湿度传感器、颗粒物传感器以及微生物检测模块；3个温湿度传感器及3个颗粒物传感器安装于手术间对角线上，用于检测手术间中环境温湿度及颗粒物浓度变化；所述微生物检测模块单元包括气泵、浮游菌采样器，用于检测沉降到地面附近的微生物菌落；
5、所述数据处理及传输单元包括数据收集及处理部分和数据传输部分；所述数据收集及处理部分基于火烈鸟搜索算法及bp神经网络，将传感器数据以及监测到微生物数据进行收集分析，并与阈值进行对比，将对比结果经由数据传输部分输出；所述数据传输部分包括数据rs485通讯模块和wifi通讯模块，所述据数据收集及处理部分输出数据通过rs485通讯模块与监控屏幕相连，同时通过无线wifi通讯模块与显示及报警模块相连；
6、所述显示及报警单元包括显示模块和报警模块；所述显示模块用于显示手术室各传感器及微生物检测模块融合数据的实时更新画面，所述报警模块用于在实时洁净参数大于阈值时候进行报警提示。
7、进一步地，微生物检测模块安装于手术间内靠近手术台对角线地板下，同一手术间内安装2个微生物检测模块，使用气泵抽取附近空气中沉降到附近的微生物，使用浮游菌采样器读取采集到的微生物数量。
8、进一步地，所述数据处理及传输单元收集传感器及微生物检测模块的数据，通过火烈鸟搜索算法对收集的数据进行处理，火烈鸟搜索算法模型在搜索的过程中加入 bp神经网络的梯度下降法。
9、本发明还提供一种手术室洁净指标实施监测及控制方法，收集手术间中的传感器及微生物检测模块的数据，通过火烈鸟搜索算法对收集的数据进行处理，在火烈鸟搜索算法模型在的搜索过程中，加入 bp神经网络的梯度下降法，包括如下步骤：
10、步骤1、构建bp神经网络：设置bp网络的输入层节点数为 4，根据隐含层节点选择参考公式，确定最佳隐含层节点数为 8个，公式为：
11、；
12、其中， i 表示隐含层节点数；m 表示输入层节点数；j 表示输出层节点数；表示0至10之间的常数；
13、步骤2、利用融合算法确立 bp 神经网络最优的权值和阈值，包括：首先，对神经网络随机产生的权值和阈值进行编码，把编码后的权值和阈值作为火烈鸟算法的初始化参数通过火烈鸟算法最优值，并对其进行反编码得出最优的 bp 神经网络的权值和阈值；
14、步骤3、将最优的权值和阈值返回 bp 神经网络进行预测评价，将最优的权值和阈值返回 bp 神经网络，然后利用梯度下降法进行训练，最终得到基于火烈鸟的手术间洁净度评价预测结果k；
15、步骤4、利用显示及报警单元对监测数据进行显示及预警，若经判断后，室内洁净度超过设定阈值，通过无线通讯模块与报警模块相连，报警模块发出红色警告信息，若室内洁净度未超过设定阈值，但手术间洁净度评价预测结果k超过阈值，则报警模块发出橙色预警信息，其余时间报警模块显示绿色；同时数据传输部分通过rs485通讯模块与显示模块相连，将实时监测数据与预测数据显示在显示器屏幕上，便于查看。
16、进一步地，所述步骤1中，输入层由4个神经元组成，即温度均值、湿度均值、颗粒物浓度均值、微生物浓度均值，表示其输入亦该层的输出，；隐层由8个神经元组成，表示隐层的输出，，表示隐层的阈值；输出层由１个神经元组成，用ｙ表示输出层的输出，即bp神经网络洁净度评价结果的预测值，用表示输出层的阈值；用，表示从输入层到隐层的连接权值；用表示从隐层到输出层的连接权值；隐层采用logsig函数为激活函数，输出层采用purelin函数 激活函数，性能函数采用均方误差性能函数。
17、进一步地，所述步骤2包括：
18、步骤2.1初始化，火烈鸟种群设置个数设置为 p，定义最大迭代次数 itermax，火烈鸟种群中第一部分用来迁徙的火烈鸟比例为 mpb，定义目标函数；
19、步骤2.2随机初始化p个火烈鸟的粒子的空间位置，并通过目标函数计算出这p个粒子的适应度函数值，对这p个粒子依据适应度函数值进行排序。
20、步骤2.3在每次更新迭代过程中，将种群中mpb 比例的火烈鸟用于迁徙行为之后，对剩下的火烈鸟随机选择一部分 mpr 同样进行迁徙操作；除了两次迁徙行为用到的火烈鸟，火烈鸟种群中最终剩下的火烈鸟为mpt，mpt 这部分火烈鸟进行觅食行为；火烈鸟种群具体位置更新过程是对经过适应度值排序后的粒子前mpb 比例的火烈鸟进行迁徙行为，然后对于适应度值靠后的后mpr 的粒子同样用于迁徙行为，最终中间部分适应度值的粒子即mpt 那部分粒子用于觅食行为；
21、步骤2.4检查位置更新后的火烈鸟种群有没有越界的部分，越界的部分则以边界值位置代替；
22、步骤2.5再次计算位置更新之后的火烈鸟粒子的适应度值，然后按适应度值对粒子进行排序；
23、步骤2.6判断是否达到最大迭代次数，若达到，则当前最优解为全局最优解；若未达到，则继续进行步骤2.3的操作。
24、进一步地，所述步骤3中，bp神经网络的训练方法包括：
25、步骤3.1设置初始参数：假设初始迭代次数t=0，bp神经网络初始权值和阈值为[-1,1]内 的随机数，即<msub><mi>v</mi><mi>ik</mi></msub><mi>t</mi></mfenced><mi>∈[-1,1]</mi>，<msub><mi>w</mi><mi>k</mi></msub><mi>t</mi></mfenced><mi>∈[-1,1]</mi>，<msub><mi>θ</mi><mi>ik</mi></msub><mi>t</mi></mfenced><mi>∈[-1,1]</mi>，<msub><mi>φ</mi><mi>ik</mi></msub><mi>t</mi></mfenced><mi>∈[-1,1]</mi>；
26、步骤3.2进行信号正向传播：输入一个样本，其中，，ｍ为样本数，<mi>x=</mi><msup><mi>[1,v,t,t,c]</mi><mi>t</mi></msup><mi>∈</mi><msup><mi>r</mi><mi>4×m</mi></msup>，y表示洁净度指标预测值；
27、步骤3.3计算隐层的输入与输出：
28、；
29、= ；
30、步骤3.4计算输出层的输入与输出：
31、；
32、；
33、步骤3.5进行误差逆向传播：计算输出层各节点误差：
34、；
35、步骤3.6计算隐层各节点误差：
36、；
37、步骤3.7进行权值、阈值更新：
38、；
39、；
40、；
41、；
42、其中，为学习率，为学习速率；
43、步骤3.8输入下一个样本进行训练，重新回到步骤3.2开始执行，直到训练集中的所有样本都被训练完；
44、步骤3.9对于每一个输入的样本计算输出层的误差函数em：
45、；
46、对所有的样本的均方误差进行累计求和，得到基于bp神经网络的手术间洁净度估计的目标函数：
47、；
48、其中，为计算得到的误差值总和；为每一个输入样本计算得到输出层误差值；m为输入样本数量；k为索引值；
49、比较e与规定的误差的大小，如果小于误差精度要求或者学习次数达到规定次数，则算法结束；否则更新学习次数，并重新回到步骤3.2，继续执行。
50、有益效果：
51、与现有专利相比，本发明可全面监测手术间使用过程中温湿度及颗粒物以及室内微生物的菌落数量的变化，通过利用火烈鸟搜索算法与bp神经网络对多传感器汇集的数据进行算法融合，不同于现有技术中只有简单的数据监测及数据处理的现状，将同样具有快速收敛特性的神经网络算法与火烈鸟算法相结合，并将其引入手术空气洁净指标监测与管理系统，使多传感器数据快速有效融合成预测数据，达到快速预测的目的。