本公开涉及一种医疗设备全生命周期的质量控制系统及方法。该方法包括：将获取的被监控医疗设备的运行参数的时间序列排列为运行参数时序关联矩阵；通过基于深度神经网络模型的运行参数间时序关联模式特征提取器对运行参数时序关联矩阵进行特征提取以得到运行参数时序关联特征图；将其输入基于三重交互注意模块的多维度特征交互器以得到多维度交互强化运行参数时序关联特征图作为多维度交互强化运行参数时序关联特征，以确定被监控医疗设备的工作状态是否存在异常。这样，能够实现对呼吸机医疗设备的运行状态进行全生命周期的监测和质量控制，避免了传统监测方案的主观性和不及时性，进而能够更为准确地进行医疗设备的异常和故障检测。
【技术实现步骤摘要】
本公开涉及医疗设备，具体地，涉及一种医疗设备全生命周期的质量控制系统及方法。
技术介绍
1、呼吸机是重症监护室中至关重要的医疗设备，用于为呼吸困难的患者提供呼吸支持。然而，呼吸机在使用的过程中可能会发生泄漏、管道堵塞、阀门故障和泵故障等问题，这些问题和故障可能会对患者的安全构成严重威胁。因此，为了确保呼吸机的正常工作，需要对呼吸机的运行状态进行实时监测和质量控制。
2、传统的呼吸机故障监测方法主要基于阈值法，即将呼吸机的运行参数与预设的阈值进行比较，如果运行参数超出阈值，则认为呼吸机发生故障。然而，阈值法存在两个主要问题：一是阈值的选择具有主观性，不同型号和类型的呼吸机设备的阈值选择不同，同时不同的专家也可能会选择不同的阈值作为参考，导致监测结果的不一致性；二是阈值法无法检测出缓慢变化的故障问题，因为这些故障可能不会导致运行参数超出阈值，这就导致难以及时发现呼吸机的早期问题和缺陷，延误对呼吸机的维护时机，从而造成医疗设备的损坏和质量问题。
3、因此，期望一种医疗设备全生命周期的质量控制系统。
>技术实现思路本文档来自技高网...
【技术保护点】
1.一种医疗设备全生命周期的质量控制方法，其特征在于，包括：
2.根据权利要求1所述的医疗设备全生命周期的质量控制方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的医疗设备全生命周期的质量控制方法，其特征在于，将所述运行参数时序关联特征图输入基于三重交互注意模块的多维度特征交互器以得到多维度交互强化运行参数时序关联特征图作为多维度交互强化运行参数时序关联特征，包括：将所述运行参数时序关联特征图输入所述基于三重交互注意模块的多维度特征交互器以如下三重交互注意力交互公式进行处理以得到所述多维度交互强化运行参数时序关联特征图；其中，所述...
【技术特征摘要】
1.一种医疗设备全生命周期的质量控制方法，其特征在于，包括：
2.根据权利要求1所述的医疗设备全生命周期的质量控制方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的医疗设备全生命周期的质量控制方法，其特征在于，将所述运行参数时序关联特征图输入基于三重交互注意模块的多维度特征交互器以得到多维度交互强化运行参数时序关联特征图作为多维度交互强化运行参数时序关联特征，包括：将所述运行参数时序关联特征图输入所述基于三重交互注意模块的多维度特征交互器以如下三重交互注意力交互公式进行处理以得到所述多维度交互强化运行参数时序关联特征图；其中，所述三重交互注意力交互公式为：；其中，为所述运行参数时序关联特征图中沿通道维度的各个特征矩阵，表示1×1的卷积，表示7×7的卷积，表示卷积操作，表示函数，表示函数，为第一权重矩阵，表示哈达玛积，为第一注意力特征图，为所述运行参数时序关联特征图中沿高度维度的各个特征矩阵，为第二权重矩阵，表示转置变换，为第二注意力特征图，为所述运行参数时序关联特征图中沿宽度维度的各个特征矩阵，为第三权重矩阵，表示转置变换，为第三注意力特征图，表示加和平均函数，为所述多维度交互强化运行参数时序关联特征图。
4.根据权利要求3所述的医疗设备全生命周期的质量控制方法，其特征在于，基于所述多维度交互强化运...
【专利技术属性】
技术研发人员：朱江，
申请(专利权)人：东北石油大学，
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。