医疗设备故障预测系统及相关方法、装置及设备制造方法及图纸

本申请公开了医疗设备故障预测系统及相关方法、装置及设备，该方法包括：采集医疗设备的实时状态数据、实时故障状态数据与指标数据；根据所述实时状态数据、实时故障状态数据与指标数据，获取当前特征向量集Sn；将所述当前特征向量集Sn输入最新的医疗设备故障预测网络，输出第一故障预测概率Pn；通过蒙特卡洛树搜索，输出第二故障预测概率Nn；以所述第一故障预测概率Pn与第二故障预测概率Nn的匹配度达到第一预设值，及所述第一故障预测概率Pn与输入的下一特征向量集Sn+1中实时故障状态数据的匹配度达到第二预设值为训练目标。以解决由于异常样本数量有限，导致有监督学习的方式训练得到的医疗设备故障预测网络的预测准确率并不理想的技术问题。

【技术实现步骤摘要】
医疗设备故障预测系统及相关方法、装置及设备
本申请涉及医疗设备故障预测领域，特别涉及医疗设备故障预测系统及相关方法、装置及设备。
技术介绍
医疗设备是医疗、科研、机构及临床学科工作中的最基本要素，例如正电子发射断层显像/X线计算机体层成像仪(positronemissiontomography/computedtomography，PET/CT)设备。但是医疗设备一旦故障，会导致整个依赖医疗设备的工作流程终止，造成严重的经济损失，更重要的是可能会对患者的安全构成威胁，因此，对医疗设备的故障预测至关重要。目前，主要利用有监督学习的方式训练医疗设备故障预测网络，再使用上述训练得到的医疗设备故障预测网络进行医疗设备的故障预测。但是，有监督学习需要在训练阶段输入足够多的被标记的异常样本，我们知道，医疗设备的异常样本的数量非常有限，因此，使用有监督学习的方式训练得到的医疗设备故障预测网络的预测准确率并不理想。
技术实现思路
有鉴于此，本申请提出医疗设备故障预测系统及相关方法、装置及设备，以解决现有技术中由于异常样本数量有限，导致有监督学习的方式训练得到的医疗设备故障预测网络的预测准确率并不理想的技本文档来自技高网...

【技术保护点】
1.一种训练医疗设备故障预测系统的方法，其特征在于，所述方法包括步骤：采集医疗设备的实时状态数据、实时故障状态数据与指标数据；通过对所述实时状态数据、实时故障状态数据与指标数据进行特征提取，获取当前特征向量集Sn；对所述当前特征向量集Sn训练所述医疗设备故障预测网络，其中，将所述当前特征向量集Sn输入最新的医疗设备故障预测网络，输出第一故障预测概率Pn；通过蒙特卡洛树搜索，输出第二故障预测概率Nn；以所述第一故障预测概率Pn与第二故障预测概率Nn的匹配度达到第一预设值，以及所述第一故障预测概率Pn与输入的下一特征向量集Sn+1中实时故障状态数据的匹配度达到第二预设值为训练目标，训练所述医疗设备...

【技术特征摘要】
1.一种训练医疗设备故障预测系统的方法，其特征在于，所述方法包括步骤：采集医疗设备的实时状态数据、实时故障状态数据与指标数据；通过对所述实时状态数据、实时故障状态数据与指标数据进行特征提取，获取当前特征向量集Sn；对所述当前特征向量集Sn训练所述医疗设备故障预测网络，其中，将所述当前特征向量集Sn输入最新的医疗设备故障预测网络，输出第一故障预测概率Pn；通过蒙特卡洛树搜索，输出第二故障预测概率Nn；以所述第一故障预测概率Pn与第二故障预测概率Nn的匹配度达到第一预设值，以及所述第一故障预测概率Pn与输入的下一特征向量集Sn+1中实时故障状态数据的匹配度达到第二预设值为训练目标，训练所述医疗设备故障预测网络。2.根据权利要求1所述的方法，其特征在于，所述医疗设备故障预测网络为深度神经网络；所述深度神经网络包括：基于卷积神经网络的残差模块。3.根据权利要求1所述的方法，其特征在于，所述医疗设备故障预测网络，还根据其他医疗设备的训练结果进行训练。4.根据权利要求1所述的方法，其特征在于，所述方法还包括步骤：将训练结果上传至云端，以供其他设备使用。5.根据权利要求1所述的方法，其特征在于，所述实时状态数据包括以下至少任一：医疗设备各电子部件运行状态数据；医疗设备的运行环境数据；医疗设备的校正日志、维护日志及运行日志。6.一种医疗设备故障预测系统，其特征在于，所述系统包括：数据采集模块，用于采集医疗设备的实时状态数据、实时故障状态数据与指标数据；特征提取模块，用于通过对所述实时状态数据、实时故障状态数据与指标数据进行特征提取，获取当前特征向量集Sn；机器学习模块，用于对所述当前特征向量集Sn训练所述医疗设备故障预测网络，其中，将所述当前特征向量集Sn输入最新的医疗设备故障预测网络，...

【专利技术属性】
技术研发人员：孙健，赵玉秋，杨龙，梁国栋，张振国，
申请(专利权)人：沈阳东软医疗系统有限公司，
类型：发明
国别省市：辽宁,21