CN115544115A - 一种呼吸机故障预测方法和呼吸机 - Google Patents

一种呼吸机故障预测方法和呼吸机 Download PDF

Info

Publication number
CN115544115A
CN115544115A CN202211168542.0A CN202211168542A CN115544115A CN 115544115 A CN115544115 A CN 115544115A CN 202211168542 A CN202211168542 A CN 202211168542A CN 115544115 A CN115544115 A CN 115544115A
Authority
CN
China
Prior art keywords
value
data
algorithm
sensor
honey source
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211168542.0A
Other languages
English (en)
Inventor
刘哲
唐聪能
袁再鑫
田华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Ventmed Medical Technology Co Ltd
Original Assignee
Hunan Ventmed Medical Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan Ventmed Medical Technology Co Ltd filed Critical Hunan Ventmed Medical Technology Co Ltd
Priority to CN202211168542.0A priority Critical patent/CN115544115A/zh
Publication of CN115544115A publication Critical patent/CN115544115A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
    • A61M16/0003—Accessories therefor, e.g. sensors, vibrators, negative pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
    • A61M16/021—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes operated by electrical means
    • A61M16/022—Control means therefor
    • A61M16/024—Control means therefor including calculation means, e.g. using a processor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
    • A61M16/20—Valves specially adapted to medical respiratory devices
    • A61M16/201—Controlled valves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
    • A61M16/0003—Accessories therefor, e.g. sensors, vibrators, negative pressure
    • A61M2016/0027—Accessories therefor, e.g. sensors, vibrators, negative pressure pressure meter
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
    • A61M16/0003—Accessories therefor, e.g. sensors, vibrators, negative pressure
    • A61M2016/003—Accessories therefor, e.g. sensors, vibrators, negative pressure with a flowmeter

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Hematology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Emergency Medicine (AREA)
  • Pulmonology (AREA)
  • Anesthesiology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明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。本发明还提供了一种呼吸机。

Description

一种呼吸机故障预测方法和呼吸机
技术领域
本发明涉及医疗器械领域，尤其是一种呼吸机故障预测方法和呼吸机。
背景技术
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。
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。
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。
发明内容
(一)解决的技术问题
为了解决上述技术问题，本发明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。
(二)技术方案
为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：
一种呼吸机故障预测方法，包括以下步骤：
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；
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。
进一步地，步骤S1还包括：
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。
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。
具体为：设对于传感器A获得的历史时间序列数据为a＝(a1，…，ai，…，an)，an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：ai-k，…，ai，…，ai+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，xi′＝med(ai-k，…，ai，…，ai+k),其中，med为中值函数。xi′为ai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。
对滤波后的数据进行归一化处理，具体处理方式如下：
Figure BDA0003862517720000021
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。
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。
S13：构建输入矩阵
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。本发明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
Figure BDA0003862517720000022
进行滑窗操作，m表示特征变量数量，n表示时间序列个数，
Figure BDA0003862517720000023
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
Figure BDA0003862517720000024
进一步地，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。
进一步地，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)，有：
H′(x)＝arctanmieEy,x(L(y,H(x)))
＝arctanminEx(Ey(L(y,H(x))|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,,…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。
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：
Figure BDA0003862517720000025
其中，n为某个固定叶子节点的训练集样本数，
Figure BDA0003862517720000031
为第j个特征中值小于等于d的样本数，
Figure BDA0003862517720000032
为第j个特征中值大于d的样本数,gi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＝arctanmaxVj(d),计算最大增益，根据分裂点分为左右子节点。
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，并记下其中适应度最大的那个解；
初始化公式为：
xij＝xminj+rand[0,1](xmaxj-xminj)
其中，xij表示第i个蜜源的排序为j的值，1≤i≤SN，且为自然数，1≤j≤D,且为自然数，D为待求数列的数量，xmaxj、xminj为j维的所有解的最大值和最小值。随机在极值之间选择蜜源的赋值，再计算出蜜源的适应度。
其中适应度计算公式为：
Figure BDA0003862517720000033
其中，f(x)是算法的目标函数，fi(xi)是蜜源i的D维值带入函数f(x)后的相应值。
S222：雇佣蜂按照位置更新公式在蜜源初始值的基础上，模拟出原有蜜源一定范围内的新解Vi，按适应度计算公式求出对应适应度值，与原有蜜源Xi使用贪婪算法比优，并记下其中适应度最大的那个解；
其中，位置更新公式为：
vij＝xij+ε(xij-xkj)；
其中，xk为不为i的其他蜜源，k≠i，ε为一个任意的小数，其为与原值差异大小的系数，范围为[-1,1]，采用贪心算法选择计算出价值更大的值。
S223：按照跟随概率计算公式得出每个解会被选中跟随的概率；
其中，跟随概率计算公式为：
Figure BDA0003862517720000034
其中SN为蜂群的种群数。
S224：跟随蜂部分为跟随蜂按照轮盘赌算法进行一个筛选，被选到的蜜源会被作为参考值，在它周围选出新解进行开采，同步骤S222，按公式出对应适应度值，与原有蜜源Xi使用贪婪算法比优，并记下其中适应度最大的那个解；
S225：侦察蜂部分，为了自组织的波动而设立的，主要作用是跳出局部，开采新的蜜源，并判定原有蜜源是否需要被取代。由于蜜源经跟随蜂开采后，其价值会降低或适应度没有明显的改观，这时就需要侦查蜂通过初始化公式进行初始化，也就是开头的蜜源初始化，随机进行新蜜源的寻找，实现原有蜜源的优胜劣汰。
S226：对整个循环中出现的最优解进行记忆，并跳到下一个循环中，也就是第三步，如若达到了最大循环次数maxcycle，则终止循环并得出函数值。
通过ABC算法的迭代获得LightGBM模型最佳参数。
本发明还提供一种呼吸机，其具体包括：
历史数据获取模块，其用于获取并处理历史数据，包括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；采用中值滤波的方法对特征变量进行异常值剔除。
故障预测模型建立模块，其用于基于采用蜂群算法计算获得最优超参数的改进的LightGBM算法建立故障预测模型。
实时数据测量模块，其用于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。
故障预测计算模块，其用于将实时数据测量模块中测量的实时数据输入故障预测模型建立模块的故障预测模型，获得呼吸机的故障预测结果。具体为：将实时数据测量模块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。
确定检修计划模块，其用于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。
此外，为实现上述目的，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呼吸机故障预测方法的程序指令，所述呼吸机故障预测方法的程序指令可被一个或多个处理器执行，以实现呼吸机故障预测方法的步骤。
(三)有益效果
与现有技术相比，本发明的有益效果为：
(1)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。
(2)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。
(3)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。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的故障预测方法的流程图。
图2是根据本申请实施例的改进LightGBM算法流程示意图。
图3是根据本申请实施例的人工蜂群算法获得最优超参数的流程示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
呼吸机故障预测方法如图1所示，首先对呼吸机历史数据做预处理，包括基于中值滤波的异常值处理和归一化；然后基于滑动窗口将时间信息融入输入数据中，构建具有时空特性的输入矩阵；并采用改进型的LightGBM算法建立呼吸机故障辨识模型，通过蜂群算法对LightGBM算法的最优参数进行获取；最后，在此基础之上，对实时数据进行故障预测，补充历史故障库，实现预测模型的实时优化与校正。
S1：获取并处理历史数据。具体包括：
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。
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。
具体为：设对于传感器A获得的历史时间序列数据为a＝(a1，…，ai，…，an)，an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：ai-k，…，ai，…，ai+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，xi′＝med(ak-k，…，ai，…，ai+k),其中，med为中值函数。xi′为ai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。
对滤波后的数据进行归一化处理，具体处理方式如下：
Figure BDA0003862517720000051
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。
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。
S13：构建输入矩阵
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。本发明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
Figure BDA0003862517720000052
进行滑窗操作，m表示特征变量数量，n表示时间序列个数，
Figure BDA0003862517720000053
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
Figure BDA0003862517720000054
S2：建立故障预测模型
LightGBM是Guolinke等人在2017年提出的一种高效的分布式梯度提升算法，与传统的梯度提升算法相比主要有两个方面的创新：基于梯度的单边采样和互斥特征捆绑。这使算法具有更快的速度和更高的精度。本发明采用基于改进的LightGBM算法，首先根据呼吸机的各个传感器以及电控模块的数据，发掘各类故障前期和各传感器物理量表现的内在关联性，对数据进行初步分析，将经过预处理后的数据采用边梯度采样算法去掉梯度较小的样本，降低数据分析量，采用互斥特征合并算法，对互斥的特征进行合并，减少数据维度；再用时间算法分析发电机历史数据，利用时间上下文关系建立时间序列特征值，建立改进Light GBM模型。
S21：建立Light GBM模型
本发明采用基于蜂群优化算法对参数进行优化的改进Light GBM模型，提高参数优化的效率，从而提高算法的预测能力。
LightGBM算法主要步骤：
LightGBM实际是基于梯度提升决策树(Gradient Boosting Decision Tree,GBDT)的集成回归树近似最终模型fT，将决策树作为基分类器，有：
Figure BDA0003862517720000061
其中，ft为第t棵决策树，A为所有树的集合空间。
LightGBM使用决策树来得到一个从输入空间Xs到梯度空间G的映射函数。假设有一个数据量为n的训练集{x1,,…xn}，其中，xi为空间xs中第i个维度为s的向量。
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：
H′(x)＝arctanminEy,x(L(y,H(x)))
＝arctanminEx(Ey(L(y,H(x))|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,,…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。
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：
Figure BDA0003862517720000062
其中，n为某个固定叶子节点的训练集样本数，
Figure BDA0003862517720000063
为第j个特征中值小于等于d的样本数，
Figure BDA0003862517720000064
为第j个特征中值大于d的样本数,gi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＝arctanmaxVj(d),计算最大增益，根据分裂点分为左右子节点。
由于LightGBM算法超参数众多，参数空间大，当数据量过大时，仅依靠经验人为选取会导致优化过程面临非常耗时和低效的问题。本文提出一种基于ABC-LightGBM的呼吸机故障预警模型，采用ABC算法对LightGBM算法参数进行优化，获得最优参数值，采用活动参数建模方法，不仅提高了参数优化的效率，而且提高了算法的预测能力。进行优化的参数包含：学习率、树的最大深度、叶子节点数、估计量。基于ABC算法改进LightGBM算法流程如图2所示。
包括如下步骤：
S22：构建蜂群算法，获得LightGBM最优参数：
以均方差为目标函数，公式如下：
Figure BDA0003862517720000071
yi为一种数据变量的值。
蜂群算法由以下几个部分构成：
A.蜂群构建
初始化算法参数，其中参数包括种群规模SN，其中包括雇佣蜂和跟随蜂数量，算法运行频次runtime，最大迭代频次maxcycle，单个蜜源开采频次阈值limit，迭代次数变量cycle即现有蜜源已经被开采总次数。
蜜源的初始化。初始化方式如下：
xij＝xminj+rand[0,1](xmaxj-xminj)(2)
其中，xij表示第i个蜜源的排序为j的值，1≤i≤SN，且为自然数，1≤j≤D,且为自然数，D为待求数列的数量，xmaxj、xminj为j维的所有解的最大值和最小值。随机在极值之间选择蜜源的赋值，再计算出蜜源的适应度。
B.雇佣蜂部分,雇佣蜂在蜜源初始值的基础上，在初始值的周围用下式得到新解。
vij＝xij+ε(xij-xkj) (3)
其中，xk为不为i的其他蜜源，k≠i，ε为一个任意的小数，其为与原值差异大小的系数，范围为[-1,1]，采用贪心算法选择计算出价值更大的值。
C.跟随蜂部分
本阶段为跟随蜂根据轮盘赌算法进行一个筛选。具体为，当雇佣蜂回到蜂巢传递。具体的蜜源讯息后，跟随蜂随之会对这些讯息进行衡量，依照适应度计算对蜜源价值估算后进行筛选，以期收获较好的结果。跟随蜂依照雇佣蜂提供的位置讯息，在这个位置的一定范围内寻找相应的新蜜源，也是使用位置更新公式求出新解并按照优劣比对进行迭代，如若新解没有原有解好，则保留原有解，并在参数trial上加一，以此来记录原有解被开采次数，即未被替换的次数，若trial在数次计算中一直增高，说明原有解比较靠近该局部的最优解，在参数trial初始化时，设为0，若原有解被新解替换，则应该重新将trial归0。
其中，适应度计算如下式所示：
Figure BDA0003862517720000072
其中，f(x)是算法的目标函数，fi(xi)是蜜源i的D维值带入函数f(x)后的相应值。
D.探索蜂部分
本部分是为了自组织的波动而设立的，是为了增强群体的创新和适应环境能力，在跟随蜂部分当原有解一直没有被替换，而trail达到了设定的最大值(即limit)时，说明原有值很可能是本局部的最优解，这个时候，就要跳出局部，开采新的蜜源，并判定原有蜜源是否需要被取代。自此来到新阶段，在全局进行新蜜源的搜索。这里的蜜蜂虽然没有变，但其角色发生了转换，即由雇佣蜂变成了探索蜂，这就是人工蜂群算法里的负反馈和最大波动。本部分探索蜂通过位置更新公式在全局随机进行新蜜源的寻找，实现原有蜜源的优胜劣汰。
跟随蜂对蜜源进行跟随的概率如下：
Figure BDA0003862517720000081
即，适应度越大，则跟随蜂跟随的概率就越大。
人工蜂群算法获得最优超参数的主要步骤如下，流程如图3所示：
S:21：蜂群的构建，选择合适的参数。参数包括种群规模SN、运行频次、循环频次,开采频次阈值limit、开采频次trail和迭代频次变量cycle。
利用式(2)的蜜源的初始化及式(4)的对应适应度求值，并记下其中适应度最大的那个解；
S222：雇佣蜂按照式(3)在蜜源初始值的基础上，模拟出原有蜜源一定范围内的新解Vi，按式(4)求出对应适应度值，与原有蜜源iX使用贪婪算法比优，并记下其中适应度最大的那个解；
S223：按照式(5)得出每个解会被选中跟随的概率；
S224：跟随蜂部分为跟随蜂按照轮盘赌算法进行一个筛选，被选到的蜜源会被作为参考值，在它周围选出新解进行开采，同步骤S22，按式(5)求出对应适应度值，与原有蜜源Xi使用贪婪算法比优，并记下其中适应度最大的那个解；
S225：侦察蜂部分，为了自组织的波动而设立的，主要作用是跳出局部，开采新的蜜源，并判定原有蜜源是否需要被取代。由于蜜源经跟随蜂开采后，其价值会降低或适应度没有明显的改观，这时就需要侦查蜂通过式(2)，也就是开头的蜜源初始化，随机进行新蜜源的寻找，实现原有蜜源的优胜劣汰。
S226：对整个循环中出现的最优解进行记忆，并跳到下一个循环中，也就是第三步，如若达到了最大循环次数maxcycle，则终止循环并得出函数值。
通过ABC算法的迭代获得LightGBM模型最佳参数。
步骤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。
设置LightGBM中树的最大深度的范围，叶子节点的搜索范围，学习率的搜索范围，估计量的搜索范围。
进一步地，LightGBM中树的最大深度的范围设置为[3,10]，叶子节点的搜索范围为[5,1000]，学习率的搜索范围为[0.001,2]，估计量的搜索范围为[1,300]。
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。
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。
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。
根据呼吸机的常见故障事件以及可能的监测部位来判断呼吸机的可能故障部件。呼吸机常见故障与监测数据对应的关系如下表所示：
表1
Figure BDA0003862517720000082
Figure BDA0003862517720000091
技术人员根据故障预测结果确定故障可能的出现部位和原因，对呼吸机进行提前的维护检修。
例如，若监测数据中电源模块数据为异常数据，则重点检修电池和电源模块；若流量传感器、压力传感器、氧浓度传感器输出异常数据，则重点检修管路和气源，若仅流量传感器输出异常，则重点检修流量传感器，以此类推。
在本实施方式中，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。
本发明实施例还提出一种呼吸机，其包括：
历史数据获取模块，其用于获取并处理历史数据，包括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；采用中值滤波的方法对特征变量进行异常值剔除。
故障预测模型建立模块，其用于基于采用蜂群算法计算获得最优超参数的改进的LightGBM算法建立故障预测模型。
实时数据测量模块，其用于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。
故障预测计算模块，其用于将实时数据测量模块中测量的实时数据输入故障预测模型建立模块的故障预测模型，获得呼吸机的故障预测结果。具体为：将实时数据测量模块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。
确定检修计划模块，其用于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。
此外，为实现上述目的，本发明实施例还提出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呼吸机故障预测方法的程序指令，所述呼吸机故障预测方法的程序指令可被一个或多个处理器执行，以实现呼吸机故障预测方法的步骤。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

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：
Figure FDA0003862517710000011
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,,…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；
此节点j处特征在分割点d的方差增益定义为：
Figure FDA0003862517710000012
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，
Figure FDA0003862517710000013
为第j个特征中值小于等于d的样本数，
Figure FDA0003862517710000014
为第j个特征中值大于d的样本数,gi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＝arctanmaxVj(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 Ey,x(L(y,H(x)))
＝arctanmin Ex(Ey(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，并记下其中适应度最大的那个解；
初始化公式为：
xij＝xminj+rand[0,1](xmaxj-xminj)
其中，xij表示第i个蜜源的排序为j的值，1≤i≤SN，且为自然数，1≤j≤D,且为自然数，D为待求数列的数量，xmaxj、xminj为j维的所有解的最大值和最小值；随机在极值之间选择蜜源的赋值，再计算出蜜源的适应度；
S222：雇佣蜂按照位置更新公式在蜜源初始值的基础上，模拟出原有蜜源一定范围内的新解Vi，按适应度计算公式求出对应适应度值，与原有蜜源Xi使用贪婪算法比优，并记下其中适应度最大的那个解；
其中，位置更新公式为：
vij＝xij+ε(xij-xkj)；
其中，xk为不为i的其他蜜源，k≠i，ε为一个任意的小数，其为与原值差异大小的系数，范围为[-1,1]，采用贪心算法选择计算出价值更大的值；
S223：按照跟随概率计算公式得出每个解会被选中跟随的概率；
其中，跟随概率计算公式为：
Figure FDA0003862517710000021
其中SN为蜂群的种群数；
S224：跟随蜂部分为跟随蜂按照轮盘赌算法进行一个筛选，被选到的蜜源会被作为参考值，在它周围选出新解进行开采，同步骤S222，按公式出对应适应度值，与原有蜜源Xi使用贪婪算法比优，并记下其中适应度最大的那个解；
S225：侦察蜂部分，为了自组织的波动而设立的，主要作用是跳出局部，开采新的蜜源，并判定原有蜜源是否需要被取代；由于蜜源经跟随蜂开采后，其价值会降低或适应度没有明显的改观，这时就需要侦查蜂通过初始化公式进行初始化，也就是开头的蜜源初始化，随机进行新蜜源的寻找，实现原有蜜源的优胜劣汰；
S226：对整个循环中出现的最优解进行记忆，并跳到下一个循环中，也就是第三步，如若达到了最大循环次数maxcycle，则终止循环并得出函数值。
8.根据权利要求4所述的呼吸机故障预测方法，其特征在于，所述适应度计算公式为：
Figure FDA0003862517710000031
其中，f(x)是算法的目标函数，fi(xi)是蜜源i的D维值带入函数f(x)后的相应值。
9.一种采用如权利要求1-8任意项所述的呼吸机故障预测方法的呼吸机，其特征在于，所述呼吸机包括：
历史数据获取模块，其用于获取并处理历史数据，包括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；采用中值滤波的方法对特征变量进行异常值剔除；
故障预测模型建立模块，其用于基于采用蜂群算法计算获得最优超参数的改进的LightGBM算法建立故障预测模型；
实时数据测量模块，其用于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；
故障预测计算模块，其用于将实时数据测量模块中测量的实时数据输入故障预测模型建立模块的故障预测模型，获得呼吸机的故障预测结果；具体为：将实时数据测量模块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；
确定检修计划模块，其用于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。
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呼吸机故障预测方法的程序指令，所述呼吸机故障预测方法的程序指令可被一个或多个处理器执行，以实现如权利要求1-8之一所述的呼吸机故障预测方法的步骤。
CN202211168542.0A 2022-09-24 2022-09-24 一种呼吸机故障预测方法和呼吸机 Pending CN115544115A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211168542.0A CN115544115A (zh) 2022-09-24 2022-09-24 一种呼吸机故障预测方法和呼吸机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211168542.0A CN115544115A (zh) 2022-09-24 2022-09-24 一种呼吸机故障预测方法和呼吸机

Publications (1)

Publication Number Publication Date
CN115544115A true CN115544115A (zh) 2022-12-30

Family

ID=84730340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211168542.0A Pending CN115544115A (zh) 2022-09-24 2022-09-24 一种呼吸机故障预测方法和呼吸机

Country Status (1)

Country Link
CN (1) CN115544115A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110338765A (zh) * 2019-07-18 2019-10-18 中原工学院 基于lightGBM和蜂群算法的儿童睡眠监测系统及监测方法
CN110413494A (zh) * 2019-06-19 2019-11-05 浙江工业大学 一种改进贝叶斯优化的LightGBM故障诊断方法
CN111414717A (zh) * 2020-03-02 2020-07-14 浙江大学 一种基于XGBoost-LightGBM的机组功率预测方法
CN111967506A (zh) * 2020-07-31 2020-11-20 西安工程大学 一种人工蜂群优化bp神经网络的脑电信号分类方法
CN112748372A (zh) * 2020-12-21 2021-05-04 湘潭大学 一种人工蜂群优化极限学习机的变压器故障诊断方法
CN113792762A (zh) * 2021-08-24 2021-12-14 华南理工大学 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110413494A (zh) * 2019-06-19 2019-11-05 浙江工业大学 一种改进贝叶斯优化的LightGBM故障诊断方法
CN110338765A (zh) * 2019-07-18 2019-10-18 中原工学院 基于lightGBM和蜂群算法的儿童睡眠监测系统及监测方法
CN111414717A (zh) * 2020-03-02 2020-07-14 浙江大学 一种基于XGBoost-LightGBM的机组功率预测方法
CN111967506A (zh) * 2020-07-31 2020-11-20 西安工程大学 一种人工蜂群优化bp神经网络的脑电信号分类方法
CN112748372A (zh) * 2020-12-21 2021-05-04 湘潭大学 一种人工蜂群优化极限学习机的变压器故障诊断方法
CN113792762A (zh) * 2021-08-24 2021-12-14 华南理工大学 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质

Similar Documents

Publication Publication Date Title
CN109659033B (zh) 一种基于循环神经网络的慢性疾病病情变化事件预测装置
Johnson et al. Patient specific predictions in the intensive care unit using a Bayesian ensemble
CN110680326A (zh) 基于深度卷积神经网络的尘肺病鉴别及分级判定方法
CN106934235A (zh) 一种基于迁移学习的疾病领域间病人相似性度量迁移系统
CN114580291B (zh) 一种基于lstm-vae的动设备健康状况评估方法
CN110179465A (zh) 机械通气脱机量化评估方法、装置、设备和存储介质
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及系统
CN113392894A (zh) 一种多组学数据的聚类分析方法和系统
Raju et al. Optimized building of machine learning technique for thyroid monitoring and analysis
CN112382355A (zh) 一种智慧医疗数据管理方法、存储介质及系统
CN115240803A (zh) 模型训练方法、并发症预测方法及系统、设备和介质
CN114927230A (zh) 基于机器学习的重症心衰患者预后决策支持系统及方法
CN117831701A (zh) 一种基于规则引擎的电子病例质控方法
CN118016279A (zh) 基于人工智能的多模态技术在乳腺癌领域的分析诊疗平台
CN114191665A (zh) 机械通气过程中人机异步现象的分类方法和分类装置
Wieneke et al. Principles of artificial intelligence and its application in cardiovascular medicine
CN113360643A (zh) 一种基于短文本分类的电子病历数据质量评价方法
CN115544115A (zh) 一种呼吸机故障预测方法和呼吸机
CN113642669B (zh) 基于特征分析的防欺诈检测方法、装置、设备及存储介质
KR20210091591A (ko) 원천 기술의 평가 방법을 포함하는 전자 장치
CN115935183A (zh) 失眠辨证分类模型的训练、分类方法、系统、设备及介质
Oliveira et al. Predicting plateau pressure in intensive medicine for ventilated patients
Zhao et al. Health evaluation and fault diagnosis of medical imaging equipment based on neural network algorithm
Dydyk et al. Feature Selection for predicting the patient state in distant postoperative period
CN117423475B (zh) 应用于医院场景的科室感染风险识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination