一种呼吸机故障预测方法和呼吸机技术

本发明专利技术公开了一种呼吸机故障预测方法，该方法包括：获取并处理历史数据，建立基于蜂群算法改进的LightGBM算法的故障预测模型，读取的传感器或部件的实时数据，计算呼吸机的故障预测结果，确定检修计划；通过基于LightGBM预测算法实现对呼吸机故障的预测，实现了在重大故障发生之前提前介入，对呼吸机进行维护，避免重大医疗事故的发生；采用蜂群算法改进LightGBM预测算法，避免了当数据量过大时由于参数空间大，仅靠人为选取参数导致优化过程耗时的问题，提高了参数优化的效率，提高了预测算法的预测准确度和时效性；根据呼吸机的检测参数，帮助技术人员确定呼吸机可能发生故障的位置和原因。本发明专利技术还提供了一种呼吸机。本发明专利技术还提供了一种呼吸机。本发明专利技术还提供了一种呼吸机。

【技术实现步骤摘要】
一种呼吸机故障预测方法和呼吸机


[0001]本专利技术涉及医疗器械领域，尤其是一种呼吸机故障预测方法和呼吸机。

技术介绍

[0002]在现代临床医学中，呼吸机作为一项能人工替代自主通气功能的有效手段，已普遍用于各种原因所致的呼吸衰竭、大手术期间的麻醉呼吸管理、呼吸支持治疗和急救复苏中，在现代医学领域内占有十分重要的位置。呼吸机是一种能够起到预防和治疗呼吸衰竭，减少并发症，挽救及延长病人生命的至关重要的医疗设备。
[0003]伴随呼吸机的广泛使用，故障接踵而来，如何将大量的故障进行总结处理，如何有效地分析故障原因，成为医院设备维护面临的重大问题。日常使用呼吸机的过程中也会出现一些故障，影响其功能的有效发挥，在临床治疗使用中带来了安全隐患。目前呼吸机故障一般是在使用过程中出现仪器自检故障报警或者停机等严重故障之后才能发现呼吸机仪器故障，而医疗设备的仪器故障在临床使用中发生，会威胁患者生命健康，带来不可估量的损失。
[0004]因此，现有技术中存在的问题是无法对呼吸机的故障实现事先的预测，从而导致严重故障的发生，威胁到患者的生命健康。

技术实现思路

[0005](一)解决的技术问题
[0006]为了解决上述技术问题，本专利技术提供一种呼吸机故障预测方法以及呼吸机，该方法通过改进的LightGBM算法实现对呼吸机故障的预测，通过呼吸机故障相关的多个传感器和电控系统的参量，预测呼吸机故障的发生，从而实现了在重大故障发生之前提前介入，对呼吸机进行维护，避免重大医疗事故的发生。
[0007](二)技术方案
[0008]为了解决上述存在的技术问题，实现专利技术目的，本专利技术是通过以下技术方案实现的：
[0009]一种呼吸机故障预测方法，包括以下步骤：
[0010]步骤S1：获取并处理历史数据，从对应的存储器中读取各个传感器或部件的历史数据，历史数据追溯时间长度根据经验获得，采用中值滤波的方法对特征变量进行异常值剔除进行数据处理；
[0011]步骤S2:建立基于改进的LightGBM算法的故障预测模型；
[0012]步骤S3：测量实时数据，读取的传感器或部件的实时数据，包括：流量传感器、压力传感器、氧浓度传感器、电控系统电源模块和阀门控制模块的输出电压。并将数据进行归一化处理。
[0013]步骤S4：故障预测计算将步骤S3中测量的实时数据输入步骤S2的故障预测模型，获得呼吸机的故障预测结果。具体为：将步骤S3测量得到的实时数据经过归一化处理后，将
各个传感器和电控系统的数据作为输入参数输入到预测模型中。
[0014]步骤S5：确定检修计划，通过上述步骤对故障的预测判断，根据故障预测结果确定是否需要检修以及检修的部件。
[0015]进一步地，步骤S1还包括：
[0016]S11:获取历史数据，具体为从对应的存储器中读取各个传感器或部件的历史数据，历史数据追溯时间长度根据经验获得；读取的传感器或部件包括：流量传感器、压力传感器、氧浓度传感器、电控系统电源模块和阀门控制模块的输出电压。
[0017]S12：对历史数据进行预处理。考虑到采集数据中异常值的存在会对模型精度造成影响，因此采用中值滤波的方法对特征变量进行异常值剔除。
[0018]具体为：设对于传感器A获得的历史时间序列数据为a＝(a1，
…
，a
i
，
…
，a
n
)，a
n
表示第n时刻该变量的值。设窗口长度为2K+1，K为整数。那么对ai进行中值滤波就是从变量a中抽取出2K+1个数，表示为：a
i
‑
k
，
…
，a
i
，
…
，a
i+k
，其中，i为窗口的中心位置；再将抽出的2K+1个数按照数值大小进行排列，选取中间位置的数据，x
i
′
＝med(a
i
‑
k
，
…
，a
i
，
…
，a
i+k
),其中，med为中值函数。x
i
′
为a
i
经过窗口长度为2k+1的中值滤波器滤波后的结果。由于异常值较少，因此采用删除的方式进行滤波。
[0019]对滤波后的数据进行归一化处理，具体处理方式如下：
[0020][0021]其中，x为经过归一化处理后的数据，x
′
min
为变量x
′
的最小值，x
′
max
为变量x
′
的最大值。
[0022]归一化处理将各个传感器或部件获得的数据归一化到相同量级的数据，便于后续的数据处理和建模。
[0023]S13：构建输入矩阵
[0024]现有故障预测研究往往忽略特征变量的时间特性，时间序列数据可以包含更多的有效信息，提高故障预测的实时性和准确性。本专利技术采用滑动窗口的方法对每个特征变量的时间信息进行选择，获得输入矩阵，为了捕捉数据的时间信息，对预处理后的数据进行滑窗操作，m表示特征变量数量，n表示时间序列个数，运行一个长度为k的重叠滑动窗口，对于第j个特征变量，可以得到重叠的窗口子集序列
[0025]进一步地，步骤S2还包括：
[0026]S21：建立Light GBM模型；
[0027]S22：构建蜂群算法，获得LightGBM最优参数；
[0028]S23：把ABC优化的最佳参数学习率、树的最大深度、叶子节点数和估计量赋给LightGBM算法，建立ABC
‑
LightGBM的预测模型，对呼吸机进行监测和预测。
[0029]进一步地，步骤S21还包括：
[0030]构造损失函数L(y,H(x))，其中，y为输出，H(x)为估计函数。找到使得损失函数期望最小的函数H
′
(x)，有：
[0031]H
′
(x)＝arctanmieE
y,x
(L(y,H(x)))
[0032]＝arctanminE
x
(E
y
(L(y,H(x))|x))
[0033]每次梯度提升迭代中，当前模型损失函数负梯度输出值为{g1,,
…
gn}，其中，gi为xi对应的损失函数负梯度在当前模型输出的值。弱学习器在信息增益最大的特征分裂点处进行分割，而信息增益通过分裂后方差度量。
[0034]设O为基模型一个固定节点内的数据集。此节点j处特征在分割点d的方差增益定义为：
[0035][0036]其中，n为某个固定叶子节点的训练集样本数，为第j个特征中值小于等于d的样本数，为第j个特征中值大于d的样本数,g
i
为损失函数负梯度输出值。
[0037]遍历每个特征的每个分裂点，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种呼吸机故障预测方法，其特征在于，其包括下述步骤：步骤S1：获取并处理历史数据，从对应的存储器中读取各个传感器或部件的历史数据，历史数据追溯时间长度根据经验获得，采用中值滤波的方法对特征变量进行异常值剔除进行数据处理；采用滑动窗口的方法对每个特征变量的时间信息进行选择；步骤S2:建立基于改进的LightGBM算法的故障预测模型；步骤S3：测量实时数据，读取的传感器或部件的实时数据，包括：流量传感器、压力传感器、氧浓度传感器、电控系统电源模块和阀门控制模块的输出电压；并将数据进行归一化处理；步骤S4：故障预测计算将步骤S3中测量的实时数据输入步骤S2的故障预测模型，获得呼吸机的故障预测结果；具体为：将步骤S3测量得到的实时数据经过归一化处理后，将各个传感器和电控系统的数据作为输入参数输入到预测模型中；步骤S5：确定检修计划，通过上述步骤对故障的预测判断，根据故障预测结果确定是否需要检修以及检修的部件。2.根据权利要求1所述的呼吸机故障预测方法，其特征在于，所述步骤S1中传感器或部件的历史数据包括：流量传感器、压力传感器、氧浓度传感器、电控系统电源模块和阀门控制模块的输出电压。3.根据权利要求2所述的呼吸机故障预测方法，其特征在于，所述步骤S1还包括：对历史数据进行预处理；采用中值滤波的方法对特征变量进行异常值剔除；以及对滤波后的数据进行归一化处理，具体处理方式如下：其中，x为经过归一化处理后的数据，x
′
min
为变量x
′
的最小值，x
′
max
为变量x
′
的最大值。4.根据权利要求1所述的呼吸机故障预测方法，其特征在于，所述步骤S2还包括：S21：建立Light GBM模型；S22：构建蜂群算法，获得LightGBM最优参数；S23：把ABC优化的最佳参数学习率、树的最大深度、叶子节点数和估计量赋给LightGBM算法，建立ABC
‑
LightGBM的预测模型，对呼吸机进行监测和预测。5.根据权利要求4所述的呼吸机故障预测方法，其特征在于，所述步骤S21还包括：构造损失函数L(y,H(x))，其中，y为输出，H(x)为估计函数；找到使得损失函数期望最小的函数H
′
(x)；每次梯度提升迭代中，当前模型损失函数负梯度输出值为{g1,,
…
g
n
}，其中，g
i
为x
i
对应的损失函数负梯度在当前模型输出的值；弱学习器在信息增益最大的特征分裂点处进行分割，而信息增益通过分裂后方差度量；此节点j处特征在分割点d的方差增益定义为：其中，O为基模型一个固定节点内的数据集,n为某个固定叶子节点的训练集样本数，为第j个特征中值小于等于d的样本数，为第j个特征中值大于d的样本数,g
i
为
损失函数负梯度输出值；遍历每个特征的每个分裂点，找到d
′
j
＝arctanmaxV
j
(d),计算最大增益，根据分裂点分为左右子节点。6.根据权利要求5所述的呼吸机故障预测方法，其特征在于，所述损失函数期望最小的函数H
′
(x)计算方式如下：H
′
(x)＝arctanmin E
y,x
(L(y,H(x)))＝arctanmin E
x
(E
y
(L(y,H(x))|x))。7.根据权利要求4所述的呼吸机故障预测方法，其特征在于，所述步骤S22还包括：S221：蜂群的构建，选择合适的参数；参数包括种群规模、运行频次、循环频次,开采频次阈值、开采频次和迭代频次变量；利用初始化公式的蜜源的初始化及适应度计算公式对应适应度求值，并...

【专利技术属性】
技术研发人员：刘哲，唐聪能，袁再鑫，田华，
申请(专利权)人：湖南万脉医疗科技有限公司，
类型：发明
国别省市：