CN108172288A - 医疗设备智能监控方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种医疗设备智能监控方法，包括采集医疗设备的运行数据；根据预设的神经网络模型确定所述运行数据对应故障输出数据；判断所述故障输出数据是否在预设的故障输出数据范围；在所述故障输出数据在预设的故障输出数据范围内时，输出故障告警信息。本发明还公开了一种医疗设备智能监控装置和计算机可读存储介质。本发明通过建立神经网络模型确定运行数据与故障数据数据的对应关系，在采集到医疗设备的运行数据时，根据所述神经网络模型确定所述运行数据对应的故障输出数据，设置在所述故障输出数据在预设的故障数据数据范围时，输出故障告警信息以提前预警故障，实现智能监控故障状态，在故障发生前提前发现潜在的安全隐患。

Description

医疗设备智能监控方法、装置及计算机可读存储介质

技术领域

本发明涉及智能控制技术领域，尤其涉及一种医疗设备智能监控方法、装置及极端及可读存储介质。

背景技术

医疗设备的监控和预警是医疗设备管理过程中一个重要的环节，目前已出现了各种形式的关于智能化监控系统的研究。如基于物联网采集医疗设备数据，对医疗设备的运行状态进行检测，数据采集端由液位、压力、温度、湿度等传感器构成，采集得到的数据经由终端装置收集后通过局域网汇总到服务器中，进而将监控信息下发到相关管理人员手中，以提示相关管理人员进行相关处理。如更智能的系统还引入了射频技术，采用RFID标签对医疗设备进行标识身份，主要研究了用交流电电流测量作为前端数据采集传感器的情形，该方式通过引入射频技术能够更好的追踪定位到具体的设备，然后依据收到的零线电流数据，按以下条件判断设备的工作状态：①当待机电流阈值＜零线电流＜工作电流阈值时，模块判断设备处于待机状态；②当零线电流＞工作电流阈值时，模块判断设备处于工作状态；③当零线电流＜待机电流阈值的30％时，或者服务器累计1h未收到客户端的数据时，系统判断设备处于离线状态，即设备未接通电源。从而起到监控设备工作状态的作用。

然而上述监控方法只能监测到故障状态，便于维护人员在第一时间知悉进行处理，不能起到在故障发生前发现潜在隐患，采取措施避免故障发生从而挽回损失的作用。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种医疗设备智能监控方法、装置以及计算机可读存储介质，旨在解决现有的医疗监控系统智能检测故障状态，便于维护人员第一时间知悉进行故障处理，不能起到在故障发生前发现潜在隐患的技术问题。

为实现上述目的，本发明提供一种医疗设备智能监控方法，所述医疗设备智能监控方法包括以下步骤：

采集医疗设备的运行数据，其中，所述运行数据包括运行参数和环境参数中的至少一种；

根据预设的神经网络模型确定所述运行数据对应故障输出数据；

判断所述故障输出数据是否在预设的故障输出数据范围；

在所述故障输出数据在预设的故障输出数据范围内时，输出故障告警信息。

优选地，所述医疗设备智能监控方法还包括：

在获取到故障告警信息时，记录所述故障告警信息对应的故障输出数据以及所述医疗设备当前的运行数据；

根据所述故障输出数据以及所述运行数据建立所述神经网络模型。

优选地，所述根据预设的神经网络模型确定所述运行数据对应故障输出数据的步骤还包括：

获取所述运行数据对应的故障系数；

根据预设的神经网络模型确定所述运行数据以及所述故障系数对应的故障输出数据。

优选地，所述医疗设备智能监控方法还包括：

在获取到故障告警信息时，记录所述故障告警信息对应的故障输出数据以及医疗设备当前的运行数据；

采用神经网络算法计算所述运行数据在对应故障输出数据下的故障系数；

根据所述运行数据、故障系数以及故障输出数据建立所述神经网络模型。

优选地，所述医疗设备智能监控方法还包括：

在采集到医疗设备的运行数据时，判断根据预设的神经网络模型是否确定有所述运行数据对应故障输出数据；

在确定有所述运行数据对应的故障输出数据时，执行所述根据预设的神经网络模型确定所述运行数据对应故障输出数据的步骤；

在确定没有所述运行数据对应的故障输出数据时，判断所述运行数据是否满足预设的故障告警条件；

在所运行数据满足所述预设的故障告警条件时，输出故障告警信息。

优选地，在所述运行数据在预设的故障运行数据范围内时，判定所述运行数据满足所述预设的故障告警条件。

优选地，所述医疗设备智能监控方法还包括：

在采集到医疗设备的运行数据时，获取第一预设时间间隔内所采集到的运行数据，并计算所述运行数据的分布函数；

比较第二预设时间间隔内所述第一预设时间间隔对应的运行数据的分布函数，确定所述分布函数的偏差值；

在所述偏差值大于或等于预设的偏差值时，确定第一预设时间间隔内的运行数据中的平均运行数据或偏差最大的运行数据为所述运行数据，以执行所述根据预设的神经网络模型确定所述运行数据对应故障输出数据的步骤。

优选地，所述运行参数包括医疗设备的液位、压力、工作电压、负载电流以及工作温度中的至少一种；所述环境参数包括医疗设备所在环境的环境湿度和环境温度中的至少一种。

此外，为实现上述目的，本发明还提供一种医疗设备智能监控装置，所述医疗设备智能监控装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述医疗设备智能监控方法的各个步骤。

为了实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有医疗设备智能监控程序，所述医疗设备智能监控程序被处理器执行时实现如上所述的医疗设备智能监控方法的各个步骤。

本发明实施例提出的一种医疗设备智能监控方法、装置以及计算机可读存储介质，通过建立神经网络模型确定运行数据与故障数据数据的对应关系，在采集到医疗设备的运行数据时，根据所述神经网络模型确定所述运行数据对应的故障输出数据，设置在所述故障输出数据在预设的故障数据数据范围时，判定所述运行数据可能存在故障风险，输出故障告警信息以提前预警故障，实现智能监控故障状态，在故障发生前提前发现潜在的安全隐患。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；

图2为本发明医疗设备监控方法第一实施例的流程示意图；

图3为本发明医疗设备监控方法第二实施例的流程示意图；

图4为本发明医疗设备监控方法的第三实施例的流程示意图；

图5为本发明医疗设备监控方法的第四实施例的流程示意图；

图6为本发明医疗设备监控方法的第五实施例的流程示意图；

图7为本发明医疗设备监控方法的第六实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：采集医疗设备的运行数据，其中，所述运行数据包括运行参数和环境参数中的至少一种；根据预设的神经网络模型确定所述运行数据对应故障输出数据；判断所述故障输出数据是否在预设的故障输出数据范围；在所述故障输出数据在预设的故障输出数据范围内时，输出故障告警信息。

由于现有技术中的监控方法只能监测到故障状态，便于维护人员在第一时间知悉进行处理，不能起到在故障发生前发现潜在隐患，采取措施避免故障发生从而挽回损失的作用。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。

本发明实施例终端可以是PC，也可以是智能手机、平板电脑、服务器等终端设备。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块、电流或电压检测电路等等。其中，传感器比如光传感器、温度传感器、湿度传感器、运动传感器等等。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及医疗设备智能监控程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的医疗设备智能监控程序，并执行以下操作：

采集医疗设备的运行数据，其中，所述运行数据包括运行参数和环境参数中的至少一种；

根据预设的神经网络模型确定所述运行数据对应故障输出数据；

判断所述故障输出数据是否在预设的故障输出数据范围；

在所述故障输出数据在预设的故障输出数据范围内时，输出故障告警信息。

进一步地，处理器1001可以调用存储器1005中存储的医疗设备智能监控程序，还执行以下操作：

在获取到故障告警信息时，记录所述故障告警信息对应的故障输出数据以及所述医疗设备当前的运行数据；

根据所述故障输出数据以及所述运行数据建立所述神经网络模型。

进一步地，处理器1001可以调用存储器1005中存储的医疗设备智能监控程序，还执行以下操作：

获取所述运行数据对应的故障系数；

根据预设的神经网络模型确定所述运行数据以及所述故障系数对应的故障输出数据。

进一步地，处理器1001可以调用存储器1005中存储的医疗设备智能监控程序，还执行以下操作：

在获取到故障告警信息时，记录所述故障告警信息对应的故障输出数据以及医疗设备当前的运行数据；

采用神经网络算法计算所述运行数据在对应故障输出数据下的故障系数；

根据所述运行数据、故障系数以及故障输出数据建立所述神经网络模型。

进一步地，处理器1001可以调用存储器1005中存储的医疗设备智能监控程序，还执行以下操作：

在采集到医疗设备的运行数据时，判断根据预设的神经网络模型是否确定有所述运行数据对应故障输出数据；

在确定有所述运行数据对应的故障输出数据时，执行所述根据预设的神经网络模型确定所述运行数据对应故障输出数据的步骤；

在确定没有所述运行数据对应的故障输出数据时，判断所述运行数据是否满足预设的故障告警条件；

在所运行数据满足所述预设的故障告警条件时，输出故障告警信息。

进一步地，处理器1001可以调用存储器1005中存储的医疗设备智能监控程序，还执行以下操作：

在采集到医疗设备的运行数据时，获取第一预设时间间隔内所采集到的运行数据，并计算所述运行数据的分布函数；

比较第二预设时间间隔内所述第一预设时间间隔对应的运行数据的分布函数，确定所述分布函数的偏差值；

在所述偏差值大于或等于预设的偏差值时，确定第一预设时间间隔内的运行数据中的平均运行数据或偏差最大的运行数据为所述运行数据，以执行所述根据预设的神经网络模型确定所述运行数据对应故障输出数据的步骤。

参照图2，本发明提供一种医疗设备智能监控方法的第一实施例，所述医疗设备智能监控方法包括以下步骤：

步骤S10，采集医疗设备的运行数据，其中，所述运行数据包括运行参数和环境参数中的至少一种，所述运行参数包括医疗设备的液位、压力、工作电压、负载电流以及工作温度中的至少一种；所述环境参数包括医疗设备所在环境的环境湿度和环境温度中的至少一种。

在医疗设备监控系统中，通过温度传感器、湿度传感器等感应装置检测所述医疗设备所在环境的环境参数，如温度、湿度等；或者，通过电压检测仪、电流检测仪等检测装置检测医疗设备的运行数据，如工作电压、负载电流等。可以理解的是，还可以通过在医疗设备上设置摄像头等图像采集装置，采集所述医疗设备所在环境的环境状态，通过图像分析判断所述医疗设备所在环境是否处于安全状态，如是否出现火灾等现象。

步骤S20，根据预设的神经网络模型确定所述运行数据对应故障输出数据；

神经网络(Artificial Neural Network，ANN)是一类从微观结构与功能上对人脑神经系统进行模拟的模型，他拥有模拟人的部分形象思维的能力，具备非线性映射，联想记忆、自学习和自适应等特性，是人工智能的一个重要分支。

输入生物信号经过一定处理转化为输出生物信号，神经网络算计即模拟了这个过程：

z＝a1w1+···+akwk+b；

其中X＝(a1,a2,a3,···an)T∈Rn代表神经元的输入向量，wk代表神经元的连接强度——权值，b表示改神经元偏移量，经激励函数的转换，得到最终输出a。

由大量神经元组成神经网络，而由大量人工神经元连接成了人工神经网络。

神经网络的作用以最简单的方式可以表述为f(x)＝y,即输入x通过一定的映射关系得到输出y，本实施例中的神经网络模型即模拟这个函数映射，输入设备的工作电流、电压、温度、湿度、气压等参数后输出f(x)，其中f(x)表示设备的工作状态，如是否异常，是否会导致某故障等。

步骤S30，判断所述故障输出数据是否在预设的故障输出数据范围；其中，所述故障输出数据范围指的是故障易于发生的输出值范围。

步骤S40，在所述故障输出数据在预设的故障输出数据范围，输出故障告警信息。

在本实施例中，所述故障输出数据即为神经网络模型中的f(x)，其中所述故障输出数据包括0至1的数值，设定在所述故障输出数据大于或等于0.9时，判定所述故障输出数据在预设的故障输出数据范围，此时设备工作状态异常的概率较大，若设备继续处于该工作状态下工作，或将导致某故障，如此，起到提前预警的作用，提前预知安全隐患。

可以理解的是，所述故障输出数据还可以为故障概率值，设定故障概率值大于预定值时，所述故障数据数据在预设的故障输出数据范围，此时设备工作状态异常的概率较大，若设备继续处于该工作状态下工作，或将导致某故障，如此，起到提前预警的作用，提前预知安全隐患。

所述故障告警信息可以通过网络发送到对应维修工程师移动终端设备上提示告警；或者还可以通过网关上传至服务器中，以通过服务器存储和分析处理采集到的运行数据以及故障告警信息；或者还可以同网络发送到各个控制PC上，通过PC存储和分析处理采集到的运行数据以及故障告警信息，实时监控医疗设备的状态。

在本实施例中，通过建立神经网络模型确定运行数据与故障数据数据的对应关系，在采集到医疗设备的运行数据时，根据所述神经网络模型确定所述运行数据对应的故障输出数据，设置在所述故障输出数据在预设的故障数据数据范围时，判定所述运行数据可能存在故障风险，输出故障告警信息以提前预警故障，实现智能监控故障状态，在故障发生前提前发现潜在的安全隐患。

进一步的，参照图3，本发明提供一种医疗设备智能监控方法的第二实施例，基于上述图2所示的实施例，所述医疗设备智能监控方法还包括：

步骤S50，在获取到故障告警信息时，记录所述故障告警信息对应的故障输出数据以及所述医疗设备当前的运行数据；

步骤S60，根据所述故障数据数据以及所述运行数据建立所述神经网络模型。

在终端未存储有医疗设备的运行数据以及故障告警信息时，也即所述终端为新系统时，通过在监控医疗设备的过程中学习建模，根据运行数据对应发生故障的概率预测该运行数据下对应的故障情形，形成运行数据与故障输出数据的神经网络模型，如此，在学习期结束后，可通过输入采集到的运行数据，即可输出与所述运行数据对应的故障输出数据，进而判断所述故障数据数据是否为预测的故障信息。

新系统实行智能监控医疗设备过程具体如下:

预设故障告警条件，在采集到医疗设备的运行数据时，判断所述运行数据是否满足预设的故障告警条件，若所述运行数据满足预设的故障告警条件，发送故障告警信息，同时记录所述故障告警信息对应的故障输出数据以及所述运行数据。记录多次所述运行数据与所述故障输出数据，采用神经网络算法建立所述运行数据与所述故障输出数据的关系，形成神经网络模型；或者设定一定时间间隔为学习时间，在所述学习时间期间，记录运行参数以及对于的故障输出数据，进而采用神经网络算法计算所述运行数据与所述故障输出数据的关系，形成所述神经网络模型。

其中，在所述运行数据达到预设的运行数据阈值时，判定所述运行数据满足所述预设的故障告警条件，如医疗设备需保证在一定的负载电流内工作，设定所述负载电流的上下阈值，在所采集到的负载电流小于所述下阈值或大于所述上阈值时，均判定所述负载电流满足故障告警条件，此时输出故障告警信息。

在本实施例中，在系统无运行数据以及对于的故障输出数据时，采用网络神经算法在实际监控过程中，通过记录的运行数据以及故障告警信息，建立所述神经网络模型，实现在学习期结束后，根据输入的运行数据即可输出故障输出数据，以判断所述运行数据的故障状态。

参照图4，本发明提供一种医疗设备智能监控方法的第三实施例，基于上述图2所示的实施例，所述根据预设的神经网络模型确定所述运行数据对应故障输出数据的步骤还包括：

步骤S21，获取所述运行数据对应的故障系数；

所述故障系数为预测运行数据下发生故障时的概率系数，所述运行数据在所述故障系数下输出的故障输出数据在预设的故障输出数据范围时，当前运行数据并未发生故障，但其或将发生故障，故可提前预测故障的发生。

可以理解的是，所述故障系数可以根据医疗设备的故障经验设定，直接建立所述运行数据与所述故障系数的映射关系，在获取到所述运行数据时，根据所述运行数据与所述故障系数的映射关系，直接获取所述故障系数；或者，所述故障系数还可以根据神经网络算法，在学习建立神经网络模型的过程中，通过反向推算的方式，计算运行数据对应故障发生时的故障系数，进而在获取到所述运行数据时，根据在所述故障系数下的故障输出数据判断所述运行数据是否存在故障风险。

步骤S22，根据预设的神经网络模型确定所述运行数据以及所述故障系数对应的故障输出数据。

在本实施例中，为了进一步提高神经网络模型输出的故障输出数据的准确性，在所述神经网络模型上设置运行数据的故障系数，通过所述故障系数确定所述运行数据对应的故障输出数据(故障概率)，根据故障概率推断所述运行数据对应的故障状态，提高推断故障状态的准确性。

参照图5，本发明提供一种医疗设备智能监控方法的第四实施例，基于上述图3所述的实施例，本实施例提出故障系数的确定方法，具体的，所述医疗设备智能监控方法还包括：

步骤S70，在获取到故障告警信息时，记录所述故障告警信息对应的故障输出数据以及医疗设备当前的运行数据；

在终端未存储有医疗设备的运行数据以及故障告警信息时，也即所述终端为新系统时，通过在监控医疗设备的过程中学习建模，根据运行数据对应发生故障的概率预测该运行数据下对应的故障情形，形成运行数据与故障输出数据的神经网络模型，如此，在学习期结束后，可通过输入采集到的运行数据，即可输出与所述运行数据对应的故障输出数据，进而判断所述故障数据数据是否为预测的故障信息。

具体地，可设置在记录预设次数后，学习期结束，根据记录的多次所述运行数据与所述故障输出数据建立神经网络模型；或者，还可以设定一定时间间隔为学习期，根据所述学习期内所记录的运行数据与所述故障输出数据建立神经网络模型。

步骤S80，采用神经网络算法计算所述运行数据在对应故障输出数据下的故障系数；

步骤S90，根据所述运行数据、故障系数以及故障输出数据建立所述神经网络模型。

所采用的神经网络算法为BP神经网络算法，BP神经网络是一种根据误差的反向传播算法训练的多层次网络，通常有三层及以上的神经元分布构成，基本分为输入层，隐藏层和输出层。理论研究证明，一个三层结构的BP神经网络可以以任意精度逼近任意连续函数。本实施例中采用标准的三层结构的BP神经网络算法来构建所述神经网络模型。

具体的学习训练过程为算法依据实际输出与期望输出的比较持续进行连接权值和偏移量的调整，使得实际输出与期望输出的误差逐渐缩小，直到得到目标精度。BP神经网络算法的学习过程一般分为正向和反向两个过程，在正向阶段，BP神经网络输入层接收输入信息，然后从隐藏层到输出层逐层计算每个单元的输出值，如果网络的输出与期望值不一致或者还未达到终止条件，网络进入反向学习阶段。在反向阶段，BP神经网络利用最速下降法将输出误差经过隐藏层逐层反向传递，并根据每层计算得到的误差调整对应神经元的权值和阈值。BP神经网络会在此算法下重复以上两个过程，知道网络输出值域与期望值域之间的误差处于误差允许范围内或者达到最大终止条件时停止学习，确定网络输出值域与期望值域之间的误差处于误差允许范围内或达到最大终止条件时对应的故障系数为所述运行参数对应的故障系数，进而根据所述运行数据、所述故障系数以及故障输出数据建立所述神经网络模型，在此采集所述医疗设备的运行数据时，输入所述运行数据，所述神经网络模型输出的故障输出数据在所述故障输出数据范围内时，可预测所述运行数据将或产生的故障状态，故提前预警故障信息，防止故障带来的损失。

在本实施例中，采用BP神经网络算法训练所述神经网络模型，实现根据所述网络神经模型，输入医疗设备的运行数据时，提前预警故障信息；采用BP神经网络算法计算运行数据对应的故障系数，通过所述运行数据以及所述故障系数确定故障输出数据，提高提前预警判断的准确性。

参照图6，本发明提供一种医疗设备智能监控方法的第五实施例，基于上述所有实施例，所述医疗设备智能监控方法还包括：

步骤S100，在采集到医疗设备的运行数据时，判断根据预设的神经网络模型是否确定有所述运行数据对应故障输出数据；

在确定有所述运行数据对应的故障输出数据时，执行步骤S20根据预设的神经网络模型确定所述运行数据对应故障输出数据；

步骤S110，在确定没有所述运行数据对应的故障输出数据时，判断所述运行数据是否满足预设的故障告警条件；其中，在所述运行数据在预设的故障运行数据范围内时，判定所述运行数据满足所述预设的故障告警条件。

在所述运行数据满足所述预设的故障告警条件时，执行步骤S40输出故障告警信息。

由于医疗设备的运行数据可根据使用时间的长短不断的在改变，或者根据季节、天气等原因每次检测的都不同，在所述运行数据对应没有建立有所述神经网络模型时，在采集到所述运行数据后，无法根据预设的神经网络模型确定所述运行数据对应的故障输出数据，因此在采集到运行数据时，先判断根据预设的神经网络模型是否能够确定所述运行数据都要的故障输出数据。在根据预设的神经网络模型能够确定有所述运行数据对应的故障输出数据时，则根据所述神经网络模型确定所述运行数据对应的故障输出数据；在根据预设的神经网络模型确定没有所述运行数据对应的故障输出数据时，则根据预设的故障告警条件，确定是否输出故障告警信息。

其中，所述故障运行数据范围为产生故障的运行数据范围，在所述运行数据在所述运行数据范围内时，医疗设备处于故障状态，具体所述故障运行数据范围为预设的运行数据阈值，如医疗设备需保证在一定的负载电流内工作，设定所述负载电流的上下阈值，在所采集到的负载电流小于所述下阈值或大于所述上阈值时，均判定所述负载电流满足故障告警条件，此时输出故障告警信息。

可以理解的是，在确定没有所述运行数据对应的故障输出数据时，判断所述运行数据是否满足预设的故障告警条件；在所述运行数据满足所述预设的故障告警条件时，输出故障告警信息，同时记录所述运行数据以及所述故障告警信息对应的故障输出数据，以建立所述运行数据以及所述故障输出数据对应的神经网络模型。

本实施例实现在监控医疗设备故障信息的同时，采用神经网络算法不断学习运行数据以及故障输出数据，建立所述运行数据与所述故障输出数据对应的神经网络模块，使得监控系统能够监测各种运行数据对应的欲故障状态。

参照图7，本发明提供一种医疗设备智能监控方法的第六实施例，基于上述所有实施例，所述医疗设备智能监控方法还包括：

步骤S120，在采集到医疗设备的运行数据时，获取第一预设时间间隔内所采集到的运行数据，并计算所述运行数据的分布函数；

所述第一预设时间间隔可以为设备正常工作24小时的时间间隔，也可以为24小时或一个星期等时间间隔。为了防止根据采集的瞬间运行数据预警故障时出现误预警的情况，预设一定时间间隔内的运行数据的故障概率均异常时，在预警故障，提高预警的准确性。

可实时或定时采集医疗设备的运行数据，在第一预设时间间隔结束后，获取所采集的所有的运行数据，根据所述运行数据的变化规律计算其分别函数。

步骤S130，比较第二预设时间间隔内所述第一预设时间间隔对应的运行数据的分布函数，确定所述分布函数的偏差值；其中第二预设时间间隔大于所第一预设时间间隔，如所述第一时间间隔为24小时时，所述第二预设时间间隔可以为一个星期、一个月或者三个月等，比较第二预设时间间隔内所述第一预设时间间隔对应的运行数据的分数函数，确定分数函数的偏差值，也即比较一个星期或一个月或三个月内，与其他24小时对应的运行数据的分数函数，确定与其他24小时对应的运行数据的分布函数的偏差值。

具体的，本实施例采用对两个随机抽样的变量分布进行比较的方法比较所述分布函数，由于温度等环境因素变化属于未知分布，所以采用非参检验，常用的非参检验方法有：卡方检验、二项分布检验、K-S检验。其中K-S检验方法是一种假设检验，可以用来检测两个随机样本集是否服从相同的分布，实际应用过程如下:

以一个设备正常工作24小时内的感应数据作为样本1，计算其经验分布函数；

以同样的方法计算需要进行比较的样本2的经验分布函数；

计算出两个函数之间的最大距离，作为比较的结果。

我们将比较得出的结果称为所述偏差值，也就是说所述偏差值表达了第一预设时间间隔内运行数据比之正常运行数据有多大差异。可根据所述偏差值确定医疗设备在第一预设时间间隔内运行数据是否均处于异常状态。

步骤S140，在所述偏差值大于或等于预设的偏差值时，确定第一预设时间间隔内的运行数据中的平均运行数据或偏差最大的运行数据为所述运行数据，以执行所述根据预设的神经网络模型确定所述运行数据对应故障输出数据的步骤。

在所述偏差值大于或等于预设的偏差值时，确定所述运行数据在第一预设时间间隔内为异常数据，根据预设的神经网络模型确定所述运行数据对应的故障输出数据，以确定故障概率。

在所述偏差值大于或等于预设的偏差值时，获取第一预设时间间隔内的所有运行数据中的平均运行数据，以所述平均运行数据作为所述神经网络模型的输入数据，获取所述平均运行数据对应的故障输出数据确定所述平均运行数据的故障概率；或者，在所述偏差值大于或等于预设的偏差值时，获取第一预设时间间隔内的所有运行数据中偏差最大的运行数据，以所述偏差最大的运行数据作为所述神经网络模型的输入数据，获取所述偏差最大的运行数据对应的故障输出数据确定所述运行数据的故障概率。

本实施例，防止了根据采集的瞬间运行数据预警故障时误预警的情况出现，进一步提高了故障监控的准确性。

为实现上述目的，本发明还提供一种医疗设备智能监控装置，所述医疗设备智能监控装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述医疗设备智能监控方法的各个步骤。

此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有医疗设备智能监控程序，所述医疗设备智能监控程序被处理器执行时实现如上所述的医疗设备智能监控方法的各个步骤。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种医疗设备智能监控方法，其特征在于，所述医疗设备智能监控方法包括以下步骤：

采集医疗设备的运行数据，其中，所述运行数据包括运行参数和环境参数中的至少一种；

根据预设的神经网络模型确定所述运行数据对应故障输出数据；

判断所述故障输出数据是否在预设的故障输出数据范围；

在所述故障输出数据在预设的故障输出数据范围内时，输出故障告警信息。

2.如权利要求1所述的医疗设备智能监控方法，其特征在于，所述医疗设备智能监控方法还包括：

在获取到故障告警信息时，记录所述故障告警信息对应的故障输出数据以及所述医疗设备当前的运行数据；

根据所述故障输出数据以及所述运行数据建立所述神经网络模型。

3.如权利要求1所述的医疗设备智能监控方法，其特征在于，所述根据预设的神经网络模型确定所述运行数据对应故障输出数据的步骤还包括：

获取所述运行数据对应的故障系数；

根据预设的神经网络模型确定所述运行数据以及所述故障系数对应的故障输出数据。

4.如权利要求3所述的医疗设备智能监控方法，其特征在于，所述医疗设备智能监控方法还包括：

在获取到故障告警信息时，记录所述故障告警信息对应的故障输出数据以及医疗设备当前的运行数据；

采用神经网络算法计算所述运行数据在对应故障输出数据下的故障系数；

根据所述运行数据、故障系数以及故障输出数据建立所述神经网络模型。

5.如权利要求1至4任意一项所述的医疗设备智能监控方法，其特征在于，所述医疗设备智能监控方法还包括：

在采集到医疗设备的运行数据时，判断根据预设的神经网络模型是否确定有所述运行数据对应故障输出数据；

在确定有所述运行数据对应的故障输出数据时，执行所述根据预设的神经网络模型确定所述运行数据对应故障输出数据的步骤；

在确定没有所述运行数据对应的故障输出数据时，判断所述运行数据是否满足预设的故障告警条件；

在所运行数据满足所述预设的故障告警条件时，输出故障告警信息。

6.如权利要求5所述的医疗设备智能监控方法，其特征在于，在所述运行数据在预设的故障运行数据范围内时，判定所述运行数据满足所述预设的故障告警条件。

7.如权利要求1所述的医疗设备智能监控方法，其特征在于，所述医疗设备智能监控方法还包括：

在采集到医疗设备的运行数据时，获取第一预设时间间隔内所采集到的运行数据，并计算所述运行数据的分布函数；

比较第二预设时间间隔内所述第一预设时间间隔对应的运行数据的分布函数，确定所述分布函数的偏差值；

在所述偏差值大于或等于预设的偏差值时，确定第一预设时间间隔内的运行数据中的平均运行数据或偏差最大的运行数据为所述运行数据，以执行所述根据预设的神经网络模型确定所述运行数据对应故障输出数据的步骤。

8.如权利要求1所述的医疗设备智能监控方法，其特征在于，所述运行参数包括医疗设备的液位、压力、工作电压、负载电流以及工作温度中的至少一种；所述环境参数包括医疗设备所在环境的环境湿度和环境温度中的至少一种。

9.一种医疗设备智能监控装置，其特征在于，所述医疗设备智能监控装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述医疗设备智能监控方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有医疗设备智能监控程序，所述医疗设备智能监控程序被处理器执行时实现如权利要求1至8中任一项所述的医疗设备智能监控方法的步骤。