System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医疗设备控制,特别是一种红外治疗仪智能控制方法及系统。
技术介绍
1、红外治疗仪是一类利用红外辐射技术进行治疗的医疗设备,它可以通过发射红外光线进入人体组织,产生热效应以促进血液循环、缓解疼痛、促进组织修复等治疗效果。随着科技的不断进步,红外治疗仪逐渐引入智能控制技术,以提供更加可靠和精准的治疗。现有的智能控制方法缺乏快速、自主调控能力,尽管其中一些系统可以根据设备的历史数据和反馈进行相应调控,但仍存在调控速度不够灵敏的缺陷,如当设备温度调控系统的运行状态发生异常时,温度调控反应不够迅速等,降低治疗效果与治疗效率;并且现有控制方法不能结合设备的实际运行参数对设备进行智能调控,难以实现精细化调控。
技术实现思路
1、本专利技术克服了现有技术的不足,提供了一种红外治疗仪智能控制方法及系统。
2、为达到上述目的本专利技术采用的技术方案为:
3、本专利技术第一方面公开了一种红外治疗仪智能控制方法,包括以下步骤:
4、获取目标红外治疗仪中各子设备的历史动态参数,根据所述历史动态参数构建lstm模型,并将目标红外治疗仪的预设治疗方案导入lstm模型中进行预测,得到各子设备在预设治疗时段内基于时序的预设动态参数集;
5、将预设治疗时段分为若干个预设子治疗时间段,在目标红外治疗仪工作时,获取各子设备在预设子治疗时间段的实际动态参数,构建若干个数据存储空间,并将在各预设子治疗时间段的所采集得到的实际动态参数导入相应的数据存储空间中;
>6、构建决策树模型,并将数据存储空间中实际动态参数导入所述决策树模型中进行分类,得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集;
7、引入pac算法与dunn指数,通过pac算法对各实际动态参数子集进行降维处理,并通过dunn指数对降维后的实际动态参数子集进行分类效果评估;对评估效果为分类异常的实际动态参数子集进行修正,得到分类正常的实际动态参数子集;将所有分类正常的实际动态参数子集转化为最终实际动态参数子集;
8、获取所述最终实际动态参数子集所属的预设子治疗时间段,根据所述所属的预设子治疗时间段对各子设备的预设动态参数集进行切分,得到各子设备在所属的预设子治疗时间段内的预设动态参数子集;
9、将各最终实际动态参数子集与相应的预设动态参数子集进行比较,以判断出各子设备的运行状态;根据各子设备的运行状态确定出相应的调控措施,并基于所述调控措施控制红外治疗仪运行。
10、进一步地,本专利技术的一个较佳实施例中,获取目标红外治疗仪中各子设备的历史动态参数,根据所述历史动态参数构建lstm模型,并将目标红外治疗仪的预设治疗方案导入lstm模型中进行预测,得到各子设备在预设治疗时段内基于时序的预设动态参数集,具体为:
11、获取目标红外治疗仪中各子设备的历史动态参数,分析各子设备的历史动态参数的数据特点,根据所述数据特点将各子设备的历史动态参数分为若干个离散区间,每个离散区间代表一个状态;
12、根据各个离散区间的历史动态参数,引入马尔科夫链,并结合最大似然法统计从一个状态转移到另一个状态的次数,得到各状态之间的转移概率,根据所述转移概率构建状态转移概率矩阵;
13、基于卷积神经网络构建lstm模型,将所述状态转移概率矩阵导入卷积层中进行卷积处理并提取状态转移概率矩阵的局部特征,根据所述局部特征生成lstm结构的序列关系和长期依赖关系,以确定lstm模型的层数和每个lstm层的隐藏状态的维度,输出初始模型参数;
14、通过前向传播和反向传播算法,调整初始模型参数,使得lstm模型能够学习序列的时序关系和长期依赖关系,将所述时序关系和长期依赖关系嵌入全连接层中,输出特征序列和目标序列,最后通过softmax进行分类,保存最终模型参数,得到训练好的lstm模型;
15、获取目标红外治疗仪的预设治疗方案,将所述预设治疗方案导入所述训练好的lstm模型中,以对目标红外治疗仪中各子设备的动态参数进行基于时序预测,得到预测结果;根据所述预测结果得到目标红外治疗仪中各子设备在预设治疗时段内基于时序的预设动态参数集。
16、进一步地,本专利技术的一个较佳实施例中,构建决策树模型,并将数据存储空间中实际动态参数导入所述决策树模型中进行分类,得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集,具体为:
17、构建决策树主干,并获取各子设备动态参数对应的划分属性,基于所述划分属性,获取决策树主干的划分节点,并根据所述划分节点对决策树主干进行分割,得到若干枝干;
18、引入jaccard相似性系数,并通过jaccard相似性系数计算各枝干之间的相似性系数,将相似性系数大于预设阈值的枝干标记为异常枝干;并基于遗传算法对异常枝干进行继续划分切割,更新决策树主干中各枝干的形态位置;
19、重复以上步骤,直至各枝干之间的相似性系数均不大于预设阈值,停止迭代划分,得到决策树模型;计算决策树模型准确率、召回率以及f1值,当准确率、召回率以及f1值均满足预设要求后,输出决策树模型;
20、将相应数据存储空间中的实际动态参数导入所述决策树模型中,并计算各实际动态参数与各枝干之间的马氏距离,将马氏距离小于预设马氏距离的实际动态参数划分至相应的枝干上;
21、划分完毕后,对决策树模型的各枝干进行切分,得到若干单独枝干,并获取单独枝干,其中每个单独枝干中附着有相应子设备在相应预设子治疗时间段内实际动态参数;提取各单独枝干上的实际动态参数,并所提取到的实际动态参数进行基于时序排序,得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集。
22、进一步地,本专利技术的一个较佳实施例中,引入pac算法与dunn指数,通过pac算法对各实际动态参数子集进行降维处理,并通过dunn指数对降维后的实际动态参数子集进行分类效果评估,具体为:
23、获取各实际动态参数子集中实际动态参数,并基于高斯核函数度量各实际动态参数子集中实际动态参数之间的相似度,根据所述相似度构建相似度矩阵;
24、获取各实际动态参数在高维空间中的高维位置分布,根据所述相似度矩阵与高维位置分布计算出高维概率分布;
25、将实际动态参数子集中实际动态参数随机分布在低维空间中,并获取各实际动态参数在低维空间中的初始位置分布,根据所述相似度矩阵与初始位置分布计算出低维概率分布;
26、利用梯度下降优化法,最小化高维概率分布与低维概率分布之间的kl散度,并根据最小化的kl散度更新各实际动态参数在低维空间中的位置分布;重复以上步骤,直至迭代次数达到预设次数后,确定各实际动态参数在低维空间中的最终位置分布;
27、在所述低维空间中获取各实际动态参数子集中各实际动态参数的位置坐标,根据所述位置坐标计算同一实际动态参数子集中所有实际动态参数之间的最小欧式距离;以及根据所述位置坐标计算本文档来自技高网...
【技术保护点】
1.一种红外治疗仪智能控制方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种红外治疗仪智能控制方法,其特征在于,获取目标红外治疗仪中各子设备的历史动态参数,根据所述历史动态参数构建LSTM模型,并将目标红外治疗仪的预设治疗方案导入LSTM模型中进行预测,得到各子设备在预设治疗时段内基于时序的预设动态参数集,具体为:
3.根据权利要求1所述的一种红外治疗仪智能控制方法,其特征在于,构建决策树模型,并将数据存储空间中实际动态参数导入所述决策树模型中进行分类,得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集,具体为:
4.根据权利要求1所述的一种红外治疗仪智能控制方法,其特征在于,引入PAC算法与Dunn指数,通过PAC算法对各实际动态参数子集进行降维处理,并通过Dunn指数对降维后的实际动态参数子集进行分类效果评估,具体为:
5.根据权利要求1所述的一种红外治疗仪智能控制方法,其特征在于,对评估效果为分类异常的实际动态参数子集进行修正,得到分类正常的实际动态参数子集,具体为:
6.根据权利要求1所述
7.根据权利要求1所述的一种红外治疗仪智能控制方法,其特征在于,根据各子设备的运行状态确定出相应的调控措施,并基于所述调控措施控制红外治疗仪运行,具体为:
8.一种红外治疗仪智能控制系统,其特征在于,所述智能控制系统包括存储器与处理器,所述存储器中存储有智能控制方法程序,当所述智能控制方法程序被所述处理器执行时,实现如下步骤:
...【技术特征摘要】
1.一种红外治疗仪智能控制方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种红外治疗仪智能控制方法,其特征在于,获取目标红外治疗仪中各子设备的历史动态参数,根据所述历史动态参数构建lstm模型,并将目标红外治疗仪的预设治疗方案导入lstm模型中进行预测,得到各子设备在预设治疗时段内基于时序的预设动态参数集,具体为:
3.根据权利要求1所述的一种红外治疗仪智能控制方法,其特征在于,构建决策树模型,并将数据存储空间中实际动态参数导入所述决策树模型中进行分类,得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集,具体为:
4.根据权利要求1所述的一种红外治疗仪智能控制方法,其特征在于,引入pac算法与dunn指数,通过pac算法对各实际动态参数子集进行降维处理,并通过dunn指数对...
【专利技术属性】
技术研发人员:游建锋,
申请(专利权)人:深圳恩多克医疗有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。