基于混合深度学习的医疗设备故障不良事件自动识别方法技术

本发明专利技术公开了一种基于混合深度学习的医疗设备故障不良事件自动识别方法，涉及医疗设备故障技术领域，包括以下步骤：获取监测人员上报的设备故障描述信息，根据所述设备故障描述信息关联设备的基础属性信息；对所述设备故障描述信息的文本进行处理，并通过故障描述归一化模型得到所述设备故障描述信息的归一化标签；将所述设备的基础属性信息与归一化标签进行组合，生成标准化的特征向量集；通过不良事件识别模型对所述特征向量集进行处理，判别设备故障是否属于不良事件。本发明专利技术可以全自动判断医疗设备故障是否属于不良事件，降低对监测人员技术水平的依赖，提高识别准确度。提高识别准确度。提高识别准确度。

【技术实现步骤摘要】
基于混合深度学习的医疗设备故障不良事件自动识别方法


[0001]本专利技术涉及医疗设备故障
，更具体的说是涉及一种基于混合深度学习的医疗设备故障不良事件自动识别方法。

技术介绍

[0002]医疗器械不良事件是指获准注册或已备案、质量合格的医疗器械，在正常使用情况下发生的，导致或可能导致人体伤害的各种有害事件。医疗器械一般分为医疗设备和医用耗材，医疗设备不良事件通常表现为设备故障，需要不良事件监测人员结合故障表现和其他信息，才能区分普通设备故障与不良事件，这是一个相当困难的工作。由于缺乏强制性要求，监测人员普遍缺乏工作积极性，同时各级医疗机构监测人员技术水平的差异也制约着监测工作的顺利开展。
[0003]目前尚未有针对于医疗设备故障类不良事件的自动识别技术，与之类似的药品及医用耗材不良事件，一般是将事件描述信息与不良事件关键词汇进行匹配，根据匹配结果进行直接判断，该方法不能直接应用在医疗设备故障类不良事件识别领域。
[0004]因此，如何全自动判断医疗设备故障是否属于不良事件，降低对监测人员技术水平的依赖，提高识别准确度是本领域技术人员亟需解决的技术问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于混合深度学习的医疗设备故障不良事件自动识别方法，使用人工智能技术替代人工，识别医疗设备故障是否属于不良事件，降低对监测人员技术水平的依赖，提高不良事件的上报率及识别的准确率。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于混合深度学习的医疗设备故障不良事件自动识别方法，包括以下步骤：
[0008]获取监测人员上报的设备故障描述信息，根据所述设备故障描述信息关联设备的基础属性信息；
[0009]对所述设备故障描述信息的文本进行处理，并通过获取的故障描述归一化模型得到所述设备故障描述信息的归一化标签；
[0010]将所述设备的基础属性信息与归一化标签进行组合，生成标准化的特征向量集；
[0011]通过获取的不良事件识别模型对所述特征向量集进行处理，判别设备故障是否属于不良事件。
[0012]上述技术方案达到的技术效果为：使用人工智能技术替代人工，可根据医疗设备故障描述信息及设备信息全自动判断该故障是否属于不良事件，降低对监测人员技术水平的依赖，提高不良事件的上报率及识别的准确率。
[0013]可选的，所述设备的基础属性信息包括设备品牌、型号、产地、类型、注册年限、设备使用地点、使用年限、故障原因、故障类型、故障发生地点、故障表现、同故障发生次数、故障修复方法、故障分析等，这些属性能转换为连续的或者离散的数值型变量，最终形成一组
标准化的特征向量集。
[0014]可选的，对所述设备故障描述信息的文本进行处理，具体包括以下步骤：
[0015]将所述设备故障描述信息保存为一个TXT文件，每个故障描述文件对应一个故障归一化类别；
[0016]将TXT文件中的文本序列切分为单词，并对处理后的文本信息进行归一化，将归一化的故障标签转换为one
‑
hot表示向量，并将编码完成的数据划分为训练集和验证集；
[0017]将所述单词转化为向量表示，将每个词都映射到一个较短的词向量上，训练得到嵌入空间并存储到文件中；
[0018]对嵌入空间文件进行解析，构建将词语映射为所述向量表示的索引及可加载到嵌入层中的嵌入矩阵。
[0019]可选的，所述故障描述归一化模型的获取包括以下步骤：
[0020]配置深度学习分类模型，所述深度学习分类模型包括输入层、中间层和输出层；
[0021]将所述嵌入矩阵加载到嵌入层中，所述嵌入层中只有一个权重矩阵，是一个二维的浮点数矩阵，其中每个元素i是与索引i相关联的词向量；
[0022]对所述嵌入层进行冻结，在模型训练期间不更新所述嵌入层保存的信息，避免丢失；
[0023]将所述训练集和验证集输入深度学习分类模型中进行模型训练，直至损失函数不再下降或预设时间内精确度不再上升时停止训练，保存训练好的模型作为故障描述归一化模型。
[0024]可选的，在所述故障描述归一化模型中，隐藏层激活函数使用ReLU，输出层激活函数使用softmax，损失函数采用分类交叉熵categorical_crossentropy；激活函数用于将来自节点的加权输入转换为所述加权输入的节点或输出的激活；
[0025]其中，ReLU是一个分段线性函数，若输入为正则直接输出，否则输出为0，激活函数公式表示为：
[0026][0027]softmax函数对输出值进行归一化操作，将所述输出值转化为概率，所有概率值的和为1；softmax激活函数公式表示为：
[0028][0029]损失函数用于估量模型的预测值与真实值之间的差距，它是一个非负实值函数，损失函数越小，模型的鲁棒性越好；交叉熵用于评估当前训练得到的概率分布与真实分布的差异情况，它刻画的是实际输出(概率)与期望输出(概率)的距离，也就是交叉熵的值越小，两个概率分布就越接近；categorical_crossentropy损失函数的公式表示为：
[0030][0031]式中，y
k
表示第k个神经元的输出，a
k
表示输入信号，exp表示指数函数，n表示输出
层神经元的个数，exp(a
k
)表示输入信号a
k
的指数函数，表示所有输入信号的指数函数的和；categorical_crossentropy损失函数通常搭配softmax函数一起应用，适用于本文所涉及的单标签多分类问题，y
i
表示第i个类别的真实值，取值为0或1；对应于softmax的输出y
k
，outputsize对应于softmax函数中的输出层神经元个数n。
[0032]可选的，所述不良事件识别模型的获取包括以下步骤：
[0033]通过所述标准化的特征向量集构建样本数据库，所述样本数据库中包含不良事件和非不良事件；
[0034]将所述样本数据库中的特征向量及与所述特征向量对应的是否属于不良事件进行组合，形成训练数据集并将所述训练数据集进行数据的标准化，避免有的数据特别大而有的数据特别小，降低计算难度；
[0035]选择支持向量机核函数，将数据映射到高维空间；支持向量机首先在低维空间中完成计算，然后通过核函数将输入空间映射到高维特征空间，最终在高维空间中构造出最优分离超平面；
[0036]采用交叉验证、网格遍历的方法获取最佳参数对，避免由于数据集划分不合理而导致的过拟合问题；
[0037]根据选定的核函数及获取的最佳参数对，对所述样本数据库中的特征向量进行计算，构造样本可分的特征空间，完成支持向量机的训练，得到最终模型并保存作为不良事件识别模型。
[0038]可选的，所述方法还包括：
[0039]当存在数据缺失情况时，从所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合深度学习的医疗设备故障不良事件自动识别方法，其特征在于，包括以下步骤：获取监测人员上报的设备故障描述信息，根据所述设备故障描述信息关联设备的基础属性信息；对所述设备故障描述信息的文本进行处理，并通过训练得到的故障描述归一化模型得到所述设备故障描述信息的归一化标签；将所述设备的基础属性信息与归一化标签进行组合，生成标准化的特征向量集；通过训练得到的不良事件识别模型对所述特征向量集进行处理，判别设备故障是否属于不良事件。2.根据权利要求1所述的一种基于混合深度学习的医疗设备故障不良事件自动识别方法，其特征在于，所述设备的基础属性信息包括设备品牌、型号、产地、类型、注册年限、设备使用地点、使用年限、故障原因、故障类型、故障发生地点、故障表现、同故障发生次数、故障修复方法、故障分析。3.根据权利要求1所述的一种基于混合深度学习的医疗设备故障不良事件自动识别方法，其特征在于，对所述设备故障描述信息的文本进行处理，具体包括以下步骤：将所述设备故障描述信息保存为一个TXT文件，每个故障描述文件对应一个故障归一化类别；将TXT文件中的文本序列切分为单词，并对处理后的文本信息进行归一化，将归一化的故障标签转换为one
‑
hot表示向量，并将编码完成的数据划分为训练集和验证集；将所述单词转化为向量表示，训练得到嵌入空间并存储到文件中；对嵌入空间文件进行解析，构建将词语映射为所述向量表示的索引及可加载到嵌入层中的嵌入矩阵。4.根据权利要求3所述的一种基于混合深度学习的医疗设备故障不良事件自动识别方法，其特征在于，所述故障描述归一化模型的获取包括以下步骤：配置深度学习分类模型，所述深度学习分类模型包括输入层、中间层和输出层；将所述嵌入矩阵加载到嵌入层中，所述嵌入层中只有一个权重矩阵；对所述嵌入层进行冻结，在模型训练期间不更新所述嵌入层保存的信息；将所述训练集和验证集输入深度学习分类模型中进行模型训练，直至损失函数不再下降或预设时间内精确度不再上升时停止训练，保存训练好的模型作为故障描述归一化模型。5.根据权利要求1所述的一种基于混合深度学习的医疗设备故障不良事件自动识别方法，其特征在于，在所述故障描述归一化模型中，隐藏层激活函数使用ReLU，输出层激活函数使用softmax，损失函数采用分类交叉熵categorical_crossen...

【专利技术属性】
技术研发人员：付延安，朱明贤，武永军，邓宝芸，王丰，
申请(专利权)人：山东大学齐鲁医院，
类型：发明
国别省市：