一种基于大数据的医疗设备管理方法和系统技术方案

本发明专利技术公开了一种基于大数据的医疗设备管理方法和系统，获取初始医疗设备维护记录；每条维护记录构成一个三元组存储，建立神经网络预测模型；预测目标医疗设备的目标维护内容的维护时间点；获取最近所述预测得到的维护时间点的医疗设备状态，若状态正常，形成新维护记录三元组进行存储；若状态为临近状态，则对预测得到的维护时间点进行提前修正，形成新维护记录三元组进行存储；若状态为设备故障的问题状态，重设维护时间点，形成新维护记录三元组进行存储；最后基于新维护记录三元组中医疗设备维护，基于历史记录以及新维护记录三元组进行下一次维护时间点预测。本发明专利技术方案精确预测及调整医疗设备管理时间点，解决现有技术问题所存在的问题。题所存在的问题。题所存在的问题。

【技术实现步骤摘要】
一种基于大数据的医疗设备管理方法和系统


[0001]本申请属于大数据处理领域，特别涉及一种基于大数据的医疗设备管理方法和系统。

技术介绍

[0002]医疗设备是医疗机构的基础设施，在诊断、治疗、保健、康复、科研、临床试验等的方面应用广泛。在大型医疗机构中，其医疗设备种类、数量繁多，医疗设备的管理是一项重要工作，良好的医疗设备管理可以保持乃至提升医疗设备本身价值，降低医疗机构成本、提升医疗效率，从而在根本上提高医疗机构的医疗服务能力。现有技术中，对于医疗设备的管理方式包括检视、维修、维护、保养、记录、测试、参数修正等操作，执行管理操作时，通常是对于相同类型的医疗设备进行(1)基于周期性的特定时间对医疗设备进行管理操作，(2)当设备出现错误警报、设备不能正常运转、用户发现设备存在运行问题时，专业人员对设备进行管理操作。对于方法(1)而言，虽然可以完成医疗设备管理，使医疗设备尽可能地正常运转，然而医疗设备的种类、数量烦多，不同类型医疗设备或者同种类型医疗设备中的不同医疗设备个体的的管理周期、需求均参差不齐，固定周期性的管理操作容易导致医疗设备的过度操作，降低使用寿命，增加人工成本；对于方法(2)而言，基于问题驱动的医疗设备管理操作，虽然在一定程度上降低了医疗设备的管理频率，减少了人工成本，但是医疗设备的正常运行并不能够得到保证，虽然医疗设备能够通过多台并行备份地运行以解决小部分设备非正常运行的问题，但对于高精高价值或者高负荷设备而言，即使少数医疗设备的非正常运作也是不能忍受的，容易导致出现不利后果。

技术实现思路
<br/>[0003]针对现有技术存在的问题，本专利技术提供了一种基于大数据的医疗设备管理方法和系统。
[0004]具体的，本申请所要求保护的一种基于大数据的医疗设备管理方法，包括：
[0005]S110，获取初始医疗设备维护记录；所述维护记录包括医疗设备标志，维护时间点，维护内容，每条维护记录构成一个三元组(ID，T，Content)存储；
[0006]S120，基于维护记录三元组建立神经网络预测模型；将存储空间中的三元组划分为训练集及测试集输入神经网络预测模型进行训练，基于训练后的模型预测目标医疗设备的目标维护内容的维护时间点；
[0007]S130，获取最近所述预测得到的维护时间点的医疗设备状态，若状态正常，则将目标医疗设备标志、目标维护内容、预测维护时间点形成新维护记录三元组进行存储；若状态为急需维护的临近状态，则对预测得到的维护时间点进行提前修正，得到修正后的维护时间点，结合目标医疗设备、目标维护内容形成新维护记录三元组进行存储；若状态为设备故障的问题状态，则基于故障内容重设维护时间点，得到重设维护时间点，结合目标医疗设备、目标维护内容形成新维护记录三元组进行存储；
[0008]S140，基于新维护记录三元组中的医疗设备标志、标维护内容、维护时间点进行医疗设备维护，基于历史记录以及新维护记录三元组进行下一次维护时间点预测。
[0009]所述S110中，在初始维护时间点呈周期性时间的情况下，进行维护时间点探测操作，所述维护时间点探测操作具体为：设置初始随机权重w，对周每个维护时间点基于权重进行修正探测；所述权重w取值范围优选为(
‑
0.1，0.1)；
[0010]在所述S110中，每个医疗设备对应维一医疗设备标志，每个医疗设备对应多个维护内容，一次维护操作对应维一维护时间点及维一维护内容；
[0011]所述S120中，所述神经网络预测模型优选为BP神经网络预测模型，所述步骤S120中，将存储空间中的三元组划分为训练集及测试集输入神经网络预测模型进行训练将存储空间中的三元组划分为训练集及测试集输入神经网络预测模型进行训练，具体为：(1)对三元组进行预处理及归一化处理，以8:2比例划分为训练集及测试集，设置回归长度为平均维护周期的整数倍，以所述回归长度将训练集数据输入BP神经网络；(2)初始化连接权值及移动阈值，计算输入层、隐含层神经元、输出层的输入输出值；(3)判断预测值与实际值误差是否满足预测精度以及是否达到训练次数，若满足其中任一条件，则结束训练；否则获取反馈误差并基于反馈误差修正连接权值和移动阈值；(5)重新计算隐含层和输出层输出，进入步骤(3)。
[0012]所述步骤S130中提前修正具体为：将预测得到的维护时间点与上次维护时间点进行求差，对差值按比例修正，得到修正后的维护时间点。所述步骤130中重新设定维护时间点具体为：基于故障内容，按照医疗设备产品要求对下次维护时间进行设定，该维护时间为出厂规定的初始定值。
[0013]本申请还请求保护的一种基于大数据的医疗设备管理系统，包括：
[0014]大数据预处理模块，用于获取初始医疗设备维护记录；所述维护记录包括医疗设备标志，维护时间点，维护内容，每条维护记录构成一个三元组(ID，T，Content)存储；
[0015]预测模型训练模块，用于基于维护记录三元组建立神经网络预测模型；将存储空间中的三元组划分为训练集及测试集输入神经网络预测模型进行训练，基于训练后的模型预测目标医疗设备的目标维护内容的维护时间点；
[0016]大数据修正模块，用于获取最近所述预测得到的维护时间点的医疗设备状态，若状态正常，则将目标医疗设备标志、目标维护内容、预测维护时间点形成新维护记录三元组进行存储；若状态为急需维护的临近状态，则对预测得到的维护时间点进行提前修正，得到修正后的维护时间点，结合目标医疗设备、目标维护内容形成新维护记录三元组进行存储；若状态为设备故障的问题状态，则基于故障内容重设维护时间点，得到重设维护时间点，结合目标医疗设备、目标维护内容形成新维护记录三元组进行存储；
[0017]大数据更新模块，用于基于新维护记录三元组中的医疗设备标志、标维护内容、维护时间点进行医疗设备维护，基于历史记录以及新维护记录三元组进行下一次维护时间点预测。
[0018]其中，还包括探测子模块，用于在初始维护时间点呈周期性时间的情况下，进行维护时间点探测操作，所述维护时间点探测操作具体为：设置初始随机权重w，对周每个维护时间点基于权重进行修正探测；所述权重w取值范围优选为(
‑
0.1，0.1)；
[0019]其中，每个医疗设备对应维一医疗设备标志，每个医疗设备对应多个维护内容，一
次维护操作对应维一维护时间点及维一维护内容；
[0020]其中，在所述预测模型训练模块中，所述神经网络预测模型优选为BP神经网络预测模型，在所述预测模型训练模块中，将存储空间中的三元组划分为训练集及测试集输入神经网络预测模型进行训练将存储空间中的三元组划分为训练集及测试集输入神经网络预测模型进行训练，具体为：(1)对三元组进行预处理及归一化处理，以8:2比例划分为训练集及测试集，设置回归长度为平均维护周期的整数倍，以所述回归长度将训练集数据输入BP神经网络；(2)初始化连接权值及移动阈值，计算输入层、隐含层神经元、输出层的输入输出值；(3)判断预测值与实际值误本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的医疗设备管理方法，包括：S110，获取初始医疗设备维护记录；所述维护记录包括医疗设备标志，维护时间点，维护内容，每条维护记录构成一个三元组(ID，T，Content)存储；S120，基于维护记录三元组建立神经网络预测模型；将存储空间中的三元组划分为训练集及测试集输入神经网络预测模型进行训练，基于训练后的模型预测目标医疗设备的目标维护内容的维护时间点；S130，获取最近所述预测得到的维护时间点的医疗设备状态，若状态正常，则将目标医疗设备标志、目标维护内容、预测维护时间点形成新维护记录三元组进行存储；若状态为急需维护的临近状态，则对预测得到的维护时间点进行提前修正，得到修正后的维护时间点，结合目标医疗设备、目标维护内容形成新维护记录三元组进行存储；若状态为设备故障的问题状态，则基于故障内容重设维护时间点，得到重设维护时间点，结合目标医疗设备、目标维护内容形成新维护记录三元组进行存储；S140，基于新维护记录三元组中的医疗设备标志、标维护内容、维护时间点进行医疗设备维护，基于历史记录以及新维护记录三元组进行下一次维护时间点预测。2.如权利要求1所述的一种基于大数据的医疗设备管理方法，在所述S110中，在初始维护时间点呈周期性时间的情况下，进行维护时间点探测操作，所述维护时间点探测操作具体为：设置初始随机权重w，对周每个维护时间点基于权重进行修正探测；所述权重w取值范围优选为(
‑
0.1，0.1)。3.如权利要求1所述的一种基于大数据的医疗设备管理方法，在所述S110中，每个医疗设备对应维一医疗设备标志，每个医疗设备对应多个维护内容，一次维护操作对应维一维护时间点及维一维护内容。4.如权利要求1所述的一种基于大数据的医疗设备管理方法，所述S120中，所述神经网络预测模型优选为BP神经网络预测模型，所述步骤S120中，将存储空间中的三元组划分为训练集及测试集输入神经网络预测模型进行训练将存储空间中的三元组划分为训练集及测试集输入神经网络预测模型进行训练，具体为：(1)对三元组进行预处理及归一化处理，以8:2比例划分为训练集及测试集，设置回归长度为平均维护周期的整数倍，以所述回归长度将训练集数据输入BP神经网络；(2)初始化连接权值及移动阈值，计算输入层、隐含层神经元、输出层的输入输出值；(3)判断预测值与实际值误差是否满足预测精度以及是否达到训练次数，若满足其中任一条件，则结束训练；否则获取反馈误差并基于反馈误差修正连接权值和移动阈值；(5)重新计算隐含层和输出层输出，进入步骤(3)。5.如权利要求1所述的一种基于大数据的医疗设备管理方法，所述步骤S130中提前修正具体为：将预测得到的维护时间点与上次维护时间点进行求差，对差值按比例修正，得到修正后的维护时间点。所述步骤130中重新设定维护时间点具体为：基于故障内容，按照医疗设备产品要求对下次维护时间进行设定，该维护时间为出厂规定的初始定值。6.一种基于大数据的医疗设备管理系统，包括：...

【专利技术属性】
技术研发人员：吴晓鹏，
申请(专利权)人：杭州电子科技大学信息工程学院，
类型：发明
国别省市：