CN116070150B - 基于呼吸机运行参数的异常监测方法 - Google Patents
基于呼吸机运行参数的异常监测方法 Download PDFInfo
- Publication number
- CN116070150B CN116070150B CN202310201712.9A CN202310201712A CN116070150B CN 116070150 B CN116070150 B CN 116070150B CN 202310201712 A CN202310201712 A CN 202310201712A CN 116070150 B CN116070150 B CN 116070150B
- Authority
- CN
- China
- Prior art keywords
- data
- operation parameter
- abnormal
- degree
- segment
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Health & Medical Sciences (AREA)
- Emergency Medicine (AREA)
- Pulmonology (AREA)
- Engineering & Computer Science (AREA)
- Anesthesiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Hematology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及电数字数据处理技术领域,具体涉及一种基于呼吸机运行参数的异常监测方法,该方法是一种利用计算机辅助设计的数字数据处理方法,具体是对呼吸机运行参数进行数据处理,实现异常监测,包括:利用不同分段长度对运行参数序列进行分段处理,得到各组分段数据,对各组分段数据的相对异常和局部异常进行分析,确定不同分段长度对应的数据异常突出程度,基于数据异常突出程度确定每个运行参数的异常程度,基于每个运行参数的异常程度判断运行参数序列中是否存在异常运行参数。本发明通过确定每个运行参数的异常程度,实现了呼吸机运行参数的异常监测,有效提高了异常监测的准确率和效率。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种基于呼吸机运行参数的异常监测方法。
背景技术
呼吸机是能够预防和治疗呼吸衰竭,减少并发症,挽救及延长患者生命的一种医疗设备,其广泛应用于医疗机构。呼吸机是辅助人体进行呼吸的设备,所以呼吸机运行的稳定性对患者的影响至关重要,在呼吸机运行过程中,需要对呼吸机的运行参数进行监测,以便于及时发现呼吸机的异常运行状态,防止呼吸机异常运行对人体造成伤害。对于呼吸机运行参数的异常监测,主要是针对运行参数在时序上的大小分布情况进行识别,现有的时序数据异常分析方法通常是利用数据统计分析实现异常监测,如利用数据偏差大小进行异常分析,该方法无法分析当前数据的相关特征,且整体数据偏差的计算量过大,容易导致呼吸机运行参数异常监测的准确率和效率过低。
随着数据处理技术的发展,现有提出了分段线性表示方法,该方法对时间序列数据进行分段时,分段数过大或过小都会导致无法获取准确的变化趋势,造成数据异常分析结果不准确,无法准确判断是否存在异常运行情况。目前提出了公开号为CN110298767A,一种火力发电厂时间序列变量异常监测方法及系统,该方法基于时间序列数据,通过计算不同数据段的决定系数,利用决定系数阈值获得分段数,对不同数据段进行线性拟合,以实现判断监测变量是否异常的目的。由于不同类型的时间序列数据的数值大小差异很大,该方法通过阈值确定分段数,鲁棒性会比较差,通过比对各个分段对应的拟合结果实现异常数据监测,无法准确预估出不同分段的异常程度,仅从监测变量的局部异常角度分析是否异常,分段数的精确度仍然较低,造成异常数据的识别准确性低。
发明内容
为了解决上述现有异常监测方法的异常数据识别准确性低的技术问题,本发明的目的在于提供一种基于呼吸机运行参数的异常监测方法。
本发明提供了一种基于呼吸机运行参数的异常监测方法,包括以下步骤:
采集待监测呼吸机对应的当前设定时段的运行参数序列,利用预设分段长度数值范围内的不同分段长度对运行参数序列进行分段处理,得到不同分段长度对应的各组分段数据;
对不同分段长度对应的各组分段数据内的运行参数进行聚类处理,根据不同分段长度对应的各组分段数据的各聚簇内每个运行参数,确定每个运行参数的相对异常程度;
根据不同分段长度对应的各组分段数据的各聚簇内的每个运行参数、不同分段长度对应的分段数目以及各组分段数据对应的运行参数个数,确定各组分段数据的局部异常程度;
根据各组分段数据对应的运行参数个数、每个运行参数的相对异常程度和各组分段数据的局部异常程度,确定不同分段长度对应的数据异常突出程度;
根据不同分段长度对应的数据异常突出程度,获得运行参数序列中每个运行参数的最佳相对异常程度和每个运行参数所在的分段数据的最佳局部异常程度,根据最佳相对异常程度和最佳局部异常程度,确定运行参数序列中每个运行参数的异常程度;
根据每个运行参数的异常程度,判断运行参数序列中是否存在异常运行参数。
进一步的,根据不同分段长度对应的各组分段数据的各聚簇内每个运行参数,确定每个运行参数的相对异常程度,包括:
根据不同分段长度对应的各组分段数据的各聚簇内每个运行参数,计算各聚簇内的每个运行参数与对应聚簇的聚簇中心之间的距离,将该距离作为对应运行参数的中心距离指标;
根据每个运行参数的中心距离指标,计算每个运行参数的中心距离指标与对应分段数据对应的最大中心距离指标的比值,将该比值作为对应运行参数的离群程度指标;
根据每个运行参数的中心距离指标,计算各聚簇的中心距离指标方差,并计算去除不同分段长度对应的各组分段数据内每个运行参数本身后的各聚簇对应的中心距离指标方差;
计算各聚簇的中心距离指标方差与去除不同分段长度对应的各组分段数据内每个运行参数本身后的各聚簇对应的中心距离指标方差的差值,对该差值进行正相关映射,将正相关映射后的差值作为对应运行参数的方差偏差指标;
根据不同分段长度对应的各组分段数据对应的各聚簇内每个运行参数的离群程度指标和方差偏差指标,计算离群程度指标和方差偏差指标的乘积,将该乘积作为对应运行参数的相对异常程度。
进一步的,根据不同分段长度对应的各组分段数据的各聚簇内的每个运行参数、不同分段长度对应的分段数目以及各组分段数据对应的运行参数个数,确定各组分段数据的局部异常程度,包括:
根据不同分段长度对应的各组分段数据的各聚簇内每个运行参数以及各组分段数据对应的运行参数个数,确定各组分段数据对应的离群程度指标均值;
根据不同分段长度对应的各组分段数据的各聚簇内的每个运行参数以及各组分段数据对应的运行参数个数,确定各组分段数据对应的运行参数方差、运行参数均值以及不同分段长度对应的所有分段数据对应的运行参数均值;
计算各组分段数据与所述所有分段数据对应的运行参数均值的差值平方,将运行参数方差作为该差值平方的权值,根据不同分段长度对应的分段数目和所述运行参数均值的差值平方,计算各组分段数据与所有分段数据对应的运行参数均值的差值平方的平均值;
计算各组分段数据与所有分段数据对应的运行参数均值的差值平方的平均值与各组分段数据本身以外的其他分段数据对应的运行参数均值方差之间的差值,将该差值的正相关映射作为对应分段数据对应的整体数据差异指标;
计算不同分段长度对应的各组分段数据对应的离群程度指标均值与整体数据差异指标的乘积,将该乘积作为对应分段数据的局部异常程度。
进一步的,根据各组分段数据对应的运行参数个数、每个运行参数的相对异常程度和各组分段数据的局部异常程度,确定不同分段长度对应的数据异常突出程度,包括:
根据不同分段长度对应的各组分段数据的局部异常程度,计算最大局部异常程度与最小局部异常程度的差值,将该差值作为对应分段长度的第一局部异常差异指标;
利用预设聚簇个数对不同分段长度对应的各组分段数据的局部异常程度进行聚类处理,得到不同分段长度对应的第一聚簇和第二聚簇,计算第一聚簇内每组分段数据的局部异常程度与第二聚簇对应的聚簇中心的局部异常程度的差值绝对值的平均值,将该平均值作为对应分段长度的第二局部异常差异指标,所述第一聚簇为与第二聚簇相比聚簇内局部异常程度个数较少的聚簇,所述第二聚簇为与第一聚簇相比聚簇内局部异常程度个数较多的聚簇;
计算第一局部异常差异指标和第二局部异常差异指标的乘积,将该乘积作为对应分段长度的局部异常突出指标;
根据不同分段长度对应的各组分段数据内每个运行参数的相对异常程度和各组分段数据对应的运行参数个数,计算各组分段数据内两两相邻的运行参数的相对异常程度之间的差值绝对值的平均值,将该平均值作为分段数据的相对异常差异指标;
根据不同分段长度对应的各组分段数据的相对异常差异指标和各组分段数据的局部异常程度,计算相对异常差异指标与局部异常程度的乘积,计算乘积的累加值,将该累加值作为对应分段长度的相对异常突出指标;
根据每个分段程度的局部异常突出指标和相对异常突出指标,计算局部异常突出指标和相对异常突出指标之和,得到不同分段长度对应的数据异常突出程度。
进一步的,根据不同分段长度对应的数据异常突出程度,获得运行参数序列中每个运行参数的最佳相对异常程度和每个运行参数所在的分段数据的最佳局部异常程度,包括:
根据不同分段长度对应的数据异常突出程度,从不同分段长度对应的数据异常突出程度中筛选出最大数据异常突出程度,将最大数据异常突出程度对应的分段长度作为最佳分段长度;
根据最佳分段长度,确定最佳分段长度对应的每个运行参数的相对异常程度和各组分段数据的局部异常程度,将最佳分段长度对应的每个运行参数的相对异常程度作为最佳相对异常程度,将最佳分段长度对应的各组分段数据的局部异常程度作为最佳局部异常程度,获得运行参数序列中每个运行参数的最佳相对异常程度和每个运行参数所在的分段数据的最佳局部异常程度。
进一步的,根据最佳相对异常程度和最佳局部异常程度,确定运行参数序列中每个运行参数的异常程度,包括:
根据运行参数序列中每个运行参数的最佳相对异常程度和每个运行参数所在的分段数据的最佳局部异常程度,计算每个运行参数的最佳相对异常程度与每个运行参数所在的分段数据的最佳局部异常程度的乘积,将该乘积作为对应运行参数的异常程度。
进一步的,根据每个运行参数的异常程度,判断运行参数序列中是否存在异常运行参数,包括:
根据各组分段数据内每个运行参数的异常程度,利用三西格玛准则,计算运行参数异常阈值,若运行参数序列中任意一个运行参数的异常程度大于运行参数异常阈值,则判定运行参数序列中存在异常运行参数,否则,判定运行参数序列中不存在异常运行参数。
本发明具有如下有益效果:
本发明提供了一种基于呼吸机运行参数的异常监测方法,该方法是一种利用计算机辅助设计的数字数据处理方法,具体是对呼吸机运行参数进行数据处理,实现了呼吸机运行参数的异常监测,有效提高了异常监测的准确性;利用预设分段长度数值范围内的不同分段长度对运行参数序列进行分段处理,对运行参数序列进行分段处理可以有效避免数据异常分析过程中对整体数据进行偏差计算,减少了偏差的计算量,有效提高运行参数异常监测的效率;基于各组分段数据内部的数据特征,获得每个运行参数的相对异常程度,在计算相对异常程度时,考虑到分段数据的聚簇状态,其可以有效表征出单个运行参数与对应分段数据整体的差异程度,有助于获得更加准确的相对异常程度;基于各组分段数据之间的数据特征,确定各组分段数据的局部异常程度,确定局部异常程度可以克服常规数据偏差分析过程中遗漏运行参数序列局部异常的缺陷,有助于后续获得更加可靠的数据异常突出程度和异常程度;从两个角度分析运行参数序列的数据异常突出程度,两个角度分别为相对异常和局部异常,有助于从不同分段长度对应的相对异常程度和局部异常程度中筛选出最佳相对异常程度和最佳局部异常程度,进而有利于增强每个运行参数的异常程度的参考价值,提高呼吸机运行参数异常监测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明基于呼吸机运行参数的异常监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例的应用场景:呼吸机的运行参数在时序上具有较强的局部相关性,局部相关性可以使运行参数发生局部异常,此时的运行参数在时序上的局部特征仅受局部相关数据的影响。为了提高异常数据识别的准确性,本实施例提出了一种基于呼吸机运行参数的异常监测方法,该方法通过分析不同分段长度,以改变局部相关数据,获得可靠的数据异常程度,实现对呼吸机的运行参数的异常识别,该方法的流程图如图1所示,包括以下步骤:
(1)采集待监测呼吸机对应的当前设定时段的运行参数序列,利用预设分段长度数值范围内的不同分段长度对运行参数序列进行分段处理,得到不同分段长度对应的各组分段数据。
(1-1)采集待监测呼吸机对应的当前设定时段的运行参数序列。
需要说明的是,待监测呼吸机对应的运行参数主要包括待监测呼吸机开始运行之前人为输入的已知参数和待监测呼吸机运行过程中的运行状态参数,人为输入的已知参数和运行状态参数均可以为待监测呼吸机对应的运行参数,可以由实施者根据具体实际情况自行设定运行参数的类型。
在本实施例中,待监测呼吸机存在运行状态记载模块,运行状态记载模块可以记录待监测呼吸机的运行参数,可以实现实时采集当前设定时段内每个时刻的运行参数的目的,获得待监测呼吸机对应的当前设定时段的运行参数序列,运行参数序列的运行参数类型可以为多种运行参数类型中的任意一种,本实施例的运行参数序列类型可以为呼吸机的电机输出功率,也就是采集设定时段内每个时刻的电机输出功率,运行参数序列是后续识别异常运行参数的基准数据。设定时段的数值大小可由实施者根据具体实情况自行设定,本实施例将设定时段设置为10分钟。
(1-2)利用预设分段长度数值范围内的不同分段长度对运行参数序列进行分段处理,得到不同分段长度对应的各组分段数据。
首先,需要说明的是,运行待监测呼吸机可以辅助人体呼吸,因此,不同时刻的运行参数之间具有相关性。同时,待监测呼吸机对应的当前设定时段的运行参数序列的数据量较大,运行参数序列也可以是具有时序相关性的数据链,基于对待监测呼吸机功能和呼吸机运行参数的数据特征的分析,为了便于后续对待监测呼吸机的运行参数进行异常分析,需要对运行参数序列进行分段处理。
在本实施例中,利用预设分段长度数值范围内的不同分段长度,将按照时间顺序分布的运行参数序列进行分段处理,运行参数序列可以划分为不同分段长度的数据段,以便于后续基于分段数据内部的数据分布特征以及分段数据之间的数据分布特征,进行运行参数的异常分析。预设分段长度数值范围可以设置为10到100,实施者可根据具体时序数据情况自行设置,这里不做具体限定。分段处理的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
需要说明的是,呼吸机的运行参数具有时序分布特征,运行参数中的异常数据可以具有相对异常状态或者局部异常状态,为了提高异常识别监测的准确性,本实施例基于运行参数序列的相对异常和局部异常,对不同分段长度对应的各组分段数据进行分析,以便于后续可以精准获得每个运行参数的异常程度。
(2)对不同分段长度对应的各组分段数据内的运行参数进行聚类处理,根据不同分段长度对应的各组分段数据的各聚簇内每个运行参数,确定每个运行参数的相对异常程度。
不同分段长度对应的各组分段数据可以反映运行参数的局部分布信息,这里的局部分布信息是指各组分段数据内不同运行参数之间的大小差异,故为了便于确定每个运行参数的相对异常程度,首先,本实施例采用K-means聚类方法,对不同分段长度对应的各组分段数据内的运行参数进行聚类处理,获得不同分段长度对应的各组分段数据的各聚簇,K-means聚类方法中聚簇个数可由实施者根据运行参数的数据量大小自行设置,本实施例中聚簇个数可以设置为3,K-means聚类方法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。然后,根据各组分段数据内每个运行参数与对应聚簇的聚集特征,评估每个运行参数相对于各聚簇的异常程度,也就是确定每个运行参数的相对异常程度,其步骤包括:
(2-1)根据不同分段长度对应的各组分段数据的各聚簇内每个运行参数,计算各聚簇内的每个运行参数与对应聚簇的聚簇中心之间的距离,将该距离作为对应运行参数的中心距离指标。
在本实施例中,基于各组分段数据的各聚簇内每个运行参数和各聚簇中心对应的运行参数,计算每个运行参数与对应聚簇的聚簇中心的运行参数之间的差值绝对值,该差值绝对值即为每个运行参数与对应聚簇的聚簇中心之间的距离,为了便于后续描述,将每个运行参数与对应聚簇的聚簇中心之间的距离称为中心距离指标,可以将每个运行参数的中心距离指标记为d。
(2-2)根据每个运行参数的中心距离指标,计算每个运行参数的中心距离指标与对应分段数据对应的最大中心距离指标的比值,将该比值作为对应运行参数的离群程度指标。
需要说明的是,离群程度指标是指每个运行参数偏离对应聚簇的程度,某个运行参数的离群程度指标越大,说明该运行参数越偏离其对应的聚簇,也就是说明该运行参数的相对异常程度会越大。
(2-3)根据每个运行参数的中心距离指标,计算各聚簇的中心距离指标方差,并计算去除不同分段长度对应的各组分段数据内每个运行参数本身后的各聚簇对应的中心距离指标方差。
对于去除不同分段长度对应的各组分段数据内每个运行参数本身后的各聚簇对应的中心距离指标方差,也就是去除不同分段长度对应的各组分段数据内第m个运行参数后的各聚簇对应的中心距离指标方差,其中,第m个运行参数为不同分段长度对应的各分段数据的各聚簇内的任意一个运行参数。需要说明的是,不同分段长度对应的各组分段数据的每个聚簇均有其对应的中心距离指标方差,将中心距离指标方差记为D,计算去除不同分段长度对应的各组分段数据内每个运行参数本身后的各聚簇对应的中心距离指标方差,是为了便于后续计算运行参数的方差偏差指标。中心距离指标方差的计算过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(2-4)计算各聚簇的中心距离指标方差与去除不同分段长度对应的各组分段数据内每个运行参数本身后的各聚簇对应的中心距离指标方差的差值,对该差值进行正相关映射,将正相关映射后的差值作为对应运行参数的方差偏差指标。
需要说明的是,各聚簇的中心距离指标方差与去除不同分段长度对应的各组分段数据内每个运行参数本身后的各聚簇对应的中心距离指标方差的差值可能会存在负值,该中心距离指标方差之间的差值与相对异常程度为正相关,故将进行正相关映射,并将正相关映射后的差值作为运行参数的方差偏差指标,这里的正相关映射可以通过以自然常数为底的指数函数实现。
(2-5)根据不同分段长度对应的各组分段数据对应的各聚簇内每个运行参数的离群程度指标和方差偏差指标,计算离群程度指标和方差偏差指标的乘积,将该乘积作为对应运行参数的相对异常程度。
这里的相对异常程度是指不同分段长度对应的各组分段数据内的每个运行参数相对于对应分段数据整体的异常程度,本实施例基于(2-1)和(2-5)对应的相对异常程度确定步骤,利用数学建模的相关知识,可以计算每个运行参数的相对异常程度,其计算公式可以为:
其中,为不同分段长度对应的各组分段数据内第m个运行参数的相对异常程度,为不同分段长度对应的各组分段数据内第m个运行参数的中心距离指标,为不同分
段长度对应的各组分段数据的最大中心距离指标,为不同分段长度对应的各组分段数
据内第m个运行参数的离群程度指标,e为自然常数,为不同分段长度对应的各组分段数
据的各聚簇的中心距离指标方差,为去除不同分段长度对应的各组分段数据内第m个运
行参数后的各聚簇对应的中心距离指标方差,为不同分段长度对应的各组分段数
据内第m个运行参数的方差偏差指标,m为不同分段长度对应的各组分段数据内各运行参数
的序号。
在相对异常程度的计算公式中,采用不同分段长度对应的各组分段数据的最大中
心距离指标是为了让各组分段数据内的所有聚簇可以基于同一标准进行数据分析,不
同分段长度对应的各组分段数据内第m个运行参数的离群程度指标越大,表示第m个运
行参数在所在聚簇中越离群,第m个运行参数的相对异常程度越大;不同分段长度对应的各
组分段数据内第m个运行参数的方差偏差指标可以反映第m个运行参数的方差偏
差,越大,说明第m个运行参数对第m个运行参数所在的分段数据的影响越大,第m个
运行参数的相对异常程度就会越大。
需要说明的是,利用偏差法对不同分段长度对应的各组分段数据进行相对异常监测,可以减少计算量,提高异常识别的效率;将不同分段长度对应的各组分段数据划分为各聚簇,使数据偏差更能够反映每个运行参数与分段数据整体的差异,有助于获得更准确的相对异常程度。
(3)根据不同分段长度对应的各组分段数据的各聚簇内的每个运行参数、不同分段长度对应的分段数目以及各组分段数据对应的运行参数个数,确定各组分段数据的局部异常程度。
需要说明的是,由于待监测呼吸机的运行参数序列具备时序变化特征,运行参数序列可能存在局部异常现象,而每个运行参数的相对异常程度无法表征出运行参数在全局中的异常程度,故需要根据各组分段数据之间的差异,确定各组分段数据的局部异常程度。局部异常程度主要体现在分段数据相对于运行参数序列整体的差异程度,可以利用分段数据的偏差进行局部异常评估,其步骤包括:
(3-1)根据不同分段长度对应的各组分段数据的各聚簇内每个运行参数以及各组分段数据对应的运行参数个数,确定各组分段数据对应的离群程度指标均值。
在本实施例中,基于不同分段长度对应的各组分段数据的各聚簇内每个运行参数,参考步骤(2-1)至步骤(2-2)对应的每个运行参数的离群程度指标的确定步骤,可以获得不同分段长度对应的各组分段数据内每个运行参数的离群程度指标,基于各组分段数据对应的运行参数个数和各组分段数据内每个运行参数的离群程度指标,通过计算可以得到各组分段数据对应的离群程度指标均值。
(3-2)根据不同分段长度对应的各组分段数据的各聚簇内的每个运行参数以及各组分段数据对应的运行参数个数,确定各组分段数据对应的运行参数方差、运行参数均值以及不同分段长度对应的所有分段数据对应的运行参数均值。
在本实施例中,为了从运行参数方差和运行参数均值两个角度分析分段数据对应的整体数据差异指标,提高整体数据差异指标的参考价值,需要确定各组分段数据对应的运行参数方差、运行参数均值以及不同分段长度对应的所有分段数据对应的运行参数均值,将运行参数方差和运行参数均值作为整体数据差异指标的基准运算数据,计算运行参数方差和运行参数均值的过程为现有技术,此处不再进行详细阐述。
(3-3)计算各组分段数据与所述所有分段数据对应的运行参数均值的差值平方,将运行参数方差作为该差值平方的权值,根据不同分段长度对应的分段数目和运行参数均值的差值平方,计算各组分段数据与所有分段数据对应的运行参数均值的差值平方的平均值。
在本实施例中,使各组分段数据对应的运行参数均值与所有分段数据对应的运行参数均值进行相减处理,得到各组分段数据对应的运行参数均值的差值,再对该差值进行平方运算,可以得到各组分段数据对应的运行参数均值的差值的平方,即获得各组分段数据对应的运行参数均值与所有分段数据对应的运行参数均值的差值平方。由于分段数据对应的运行参数方差越大,该分段数据的稳定性就会越差,该分段数据内部存在异常运行参数的可能性就会越大,即该分段数据对运行参数序列正常分布的影响就会越小,故可以将运行参数方差作为对应分段数据对应的差值平方的权值。进而为了便于后续计算整体数据差异指标,基于不同分段长度对应的分段数目和运行参数均值的差值平方,计算各组分段数据与所有分段数据对应的运行参数均值的差值平方的平均值。
(3-4)计算各组分段数据与所有分段数据对应的运行参数均值的差值平方的平均值与各组分段数据本身以外的其他分段数据对应的运行参数均值方差之间的差值,将该差值的正相关映射作为对应分段数据对应的整体数据差异指标。
在本实施例中,各组分段数据本身以外的其他分段数据,也就是第n组分段数据以外的剩余分段数据对应的运行参数均值方差,第n组分段数据为不同分段长度对应的所有分段数据中的任意一组分段数据,这里的正相关映射可以通过以自然常数为底的指数函数实现,正相关映射后的数值可以大于零。
(3-5)计算不同分段长度对应的各组分段数据对应的离群程度指标均值与整体数据差异指标的乘积,将该乘积作为对应分段数据的局部异常程度。
本实施例基于步骤(3-1)至步骤(3-5)对应的局部异常程度确定步骤,利用数据建模的相关知识,计算各组分段数据的局部异常程度,其计算公式可以为:
其中,为不同分段长度对应的第n组分段数据的局部异常程度,M为不同分段长
度对应的第n组分段数据对应的运行参数个数,m为不同分段长度对应的第n组分段数据内
各运行参数的序号,为不同分段长度对应的第n组分段数据内第m个运行参数的中心距
离指标,为不同分段长度对应的第n组分段数据内的最大中心距离指标,为不同
分段长度对应的第n组分段数据内第m个运行参数的离群程度指标,为不同分
段长度对应的第n组分段数据对应的离群程度指标均值,e为自然常数,N为不同分段长度对
应的分段数目,n为不同分段长度对应的各组分段数据的序号,为不同分段长度对应的第
n组分段数据对应的运行参数方差,为不同分段长度对应的所有分段数据对应的运行参
数均值,为不同分段长度对应的第n组分段数据对应的运行参数均值,为不同分段长度
对应的第n组分段数据以外的其他分段数据对应的运行参数均值的方差,为不同分段长度对应的第n组分段数据对应的整体数据差异指标。
在局部异常程度的计算公式中,基于分段数据的分散性,将作为权
重,可以表征为第n组分段数据内的所有运行参数的偏离对应聚簇中心的程
度,每组分段数据均有其对应的权重;可以表征第n组分段数据与所有分段数据
整体之间的运行参数数值差异,将不同分段长度对应的第n组分段数据对应的运行参数方
差作为的权值,第n组分段数据对应的运行参数方差越大,第n组分段数据的稳
定性就会越差,存在异常数据的可能性就会越大,可以从运行
参数均值和运行参数方差之间的数据特征的角度,来评估第n组分段数据的局部差异状态。
需要说明的是,利用分数数据的偏差进行异常评估时,不仅通过分段数据的运行参数方差来考虑不同分段长度的各组分段数据对运行参数序列整体的影响,还通过分段数据的运行参数均值的方差来体现各组分段数据的局部分布特征。另外,将各组分段数据的分散程度作为运行参数数值差异的权值,其均有助于更准确地获取各组分段数据之间的局部差异程度,进而提高后续所确定的数据异常突出程度的准确率。
(4)根据各组分段数据对应的运行参数个数、每个运行参数的相对异常程度和各组分段数据的局部异常程度,确定不同分段长度对应的数据异常突出程度。
首先,需要说明的是,各组分段数据内部的相对关系和各组分段数据之间的相对关系均可以反映运行参数的异常状态,而分段长度的数值大小可以使分段数据的内部分布和分段数据之间的分布情况存在不同程度的差异,进而影响分段数据内每个运行参数的相对异常和分段数据的局部异常,因此,本实施例为了实现更准确的异常识别监测,需要基于不同分段长度对应的各组分段数据的相对异常和局部异常,确定不同分段长度对应的数据异常突出程度,以便于从不同分段长度中筛选出最佳分段长度,其步骤包括:
(4-1)根据不同分段长度对应的各组分段数据的局部异常程度,计算最大局部异常程度与最小局部异常程度的差值,将该差值作为对应分段长度的第一局部异常差异指标。
(4-2)利用预设聚簇个数对不同分段长度对应的各组分段数据的局部异常程度进行聚类处理,得到不同分段长度对应的第一聚簇和第二聚簇,计算第一聚簇内每组分段数据的局部异常程度与第二聚簇对应的聚簇中心的局部异常程度的差值绝对值的平均值,将该平均值作为对应分段长度的第二局部异常差异指标,第一聚簇为与第二聚簇相比聚簇内局部异常程度个数较少的聚簇,第二聚簇为与第一聚簇相比聚簇内局部异常程度个数较多的聚簇。
在本实施例中,为了初步区分正常分段数据和异常分段数据,利用预设聚簇个数对不同分段长度对应的各组分段数据的局部异常程度进行聚类处理,得到不同分段长度对应的第一聚簇和第二聚簇,预设聚簇个数可以设置为2,聚类处理方法可以为K-means聚类方法,聚类处理的实现过程为现有技术,此处不再进行详细阐述。进而计算第一聚簇内每组分段数据的局部异常程度与第二聚簇对应的聚簇中心的局部异常程度的差值绝对值的平均值,将该平均值作为对应分段长度的第二局部异常差异指标,其中,第一聚簇可以为局部异常程度的个数较少的聚簇,第一聚簇内局部异常程度个数越少,该第一聚簇越有可能存在异常分段数据,即第一聚簇内的分段数据有很大可能为异常分段数据,第二聚簇可以为局部异常程度的个数较多的聚簇,第二聚簇内局部异常程度个数越多,该第二聚簇越有可能存在正常分段数据,即第二聚簇内的分段数据有很大可能为正常分段数据。
(4-3)基于不同分段长度对应的第一局部异常差异指标和第二局部异常差异指标,计算第一局部异常差异指标和第二局部异常差异指标的乘积,将该乘积作为对应分段长度的局部异常突出指标。
需要说明的是,局部异常突出指标结合第一局部异常差异指标和第二局部异常差异指标的数据特征,可以有效提高局部异常突出指标的准确度。
(4-4)根据不同分段长度对应的各组分段数据内每个运行参数的相对异常程度和各组分段数据对应的运行参数个数,计算各组分段数据内两两相邻的运行参数的相对异常程度之间的差值绝对值的平均值,将该平均值作为分段数据的相对异常差异指标。
需要说明的是,通过分析各组分段数据内两两相邻的运行参数之间的差异,进而利用差异的平均值来表征每个分段数据的相对异常差异,其有助于后续得到更准确的相对异常突出指标。
(4-5)根据不同分段长度对应的各组分段数据的相对异常差异指标和各组分段数据的局部异常程度,计算相对异常差异指标与局部异常程度的乘积,计算乘积的累加值,将该累加值作为对应分段长度的相对异常突出指标。
需要说明的是,将分段数据的局部异常程度作为相对异常差异指标的权值,可以实现对相对异常差异指标进行校正处理,有助于得到更准确的相对异常突出指标。
(4-6)根据每个分段程度的局部异常突出指标和相对异常突出指标,计算局部异常突出指标和相对异常突出指标之和,得到不同分段长度对应的数据异常突出程度。
本实施例基于步骤(4-1)至步骤(4-6)对应的数据异常突出程度确定步骤,利用数据建模的相关知识,计算不同分段长度对应的数据异常突出程度,其计算公式可以为:
其中,为第l个分段长度对应的数据异常突出程度,l为不同分段长度的序号,为第l个分段长度对应的各组分段数据的最大局部异常程度,为第l个分段长度
对应的各组分段数据的最小局部异常程度,为第l个分段长度的第一局部
异常差异指标,为第l个分段长度的第二局部异常差异指标,为
第l个分段长度的局部异常突出指标,为第l个分段长度对应的分段数目,n为第l个分段
长度对应的各组分段数据的序号,为第l个分段长度对应的第n组分段数据的局部异常程
度,M为第l个分段长度对应的第n组分段数据对应的运行参数的个数,m为第l个分段长度对
应的第n组分段数据内各运行参数的序号,为第l个分段长度对应的第n组分段数据内
第m个运行参数的相对异常程度,为第l个分段长度对应的第n组分段数据内第(m+
1)个运行参数的相对异常程度,为第l个分段长度对应的第n
组分段数据的相对异常差异指标,为第l个分段
长度的相对异常突出指标。
在数据异常突出程度的公式中,第l个分段长度的第一局部异常差异指标可以表征第l个分段长度下的分段数据的局部异常程度的最大差异,也就
是异常分段数据与正常分段数据之间的差异,第一局部异常差异指标越大,说明分段数据
的局部异常越突出,越容易获得异常分段数据;第l个分段长度的第二局部异常差异指标可以表征第l个分段长度对应的各组分段数据的突出程度,第二局部异常差异指标越
大,分段数据的局部异常越突出,也就是分段效果越好;可以表示分
段长度为第l个分段长度时,各组分段数据的局部异常突出程度;可以表
征相邻运行参数的相对异常程度差异,越大,第l个分段长度对应的第n
组分段数据在时序上的相对异常度程度越大;可以表征第l
个分段长度对应的第n组分段数据对应的相对异常数据差异的均值,越大,第l个分段长度对应的第n组分段数据的相对异常越突
出;可以表征第l个分段长度对应的所有分段数
据的相对异常差异,越大,第l个分段长度对应的第n组分段数据的局部异常差异在所有
分段数据中越明显,将作为第l个分段长度对应的第n组分段数据的相对异常差异的权
值。在局部异常程度的计算分析和相对异常程度的计算分析的共同影响下,可以得到第l个分段
长度对应的数据异常突出程度。
需要说明的是,考虑到分段数据的相对异常差异和局部异常差异,可以提高数据异常突出程度的准确性,评估不同分段长度的分段效果,也就是能够反映出不同分段长度对数据异常度识别的影响,便于后续获取分段效果最好的分段长度对应的最佳相对异常程度和最佳局部异常程度。
(5)根据不同分段长度对应的数据异常突出程度,获得运行参数序列中每个运行参数的最佳相对异常程度和每个运行参数所在的分段数据的最佳局部异常程度,根据最佳相对异常程度和最佳局部异常程度,确定运行参数序列中每个运行参数的异常程度。
(5-1)根据不同分段长度对应的数据异常突出程度,获得运行参数序列中每个运行参数的最佳相对异常程度和每个运行参数所在的分段数据的最佳局部异常程度,其步骤包括:
在本实施例中,根据不同分段长度对应的数据异常突出程度,从不同分段长度对应的数据异常突出程度中筛选出最大数据异常突出程度,将最大数据异常突出程度对应的分段长度作为最佳分段长度。为了便于后续计算每个运行参数的异常程度,根据最佳分段长度,获得最佳分段长度对应的各组分段数据内每个运行参数的相对异常程度和各组分段数据的局部异常程度,并将最佳分段长度对应的每个运行参数的相对异常程度作为最佳相对异常程度,将最佳分段长度对应的各组分段数据的局部异常程度作为最佳局部异常程度,也就是可以获得运行参数序列中每个运行参数的最佳相对异常程度和每个运行参数所在的分段数据的最佳局部异常程度。
可选地,运行参数序列中每个运行参数的最佳相对异常程度和每个运行参数所在的分段数据的最佳局部异常程度的确定步骤可以包括:
首先,设置分段长度的初始值,可以将分段长度的初始值设置为30,分段长度的初始值可由实施者根据实际场景自行调整,然后,基于分段长度的初始值对应的数据异常突出程度的实现过程,在预设分段长度数值范围[10,100]内,利用模拟退火算法,输入分段长度的初始值,通过改变分段长度的数值大小,获得数据异常突出程度的最大值,将数据异常突出程度的最大值对应的分段长度作为最佳分段长度,并获取最佳分段长度对应的各组分段数据内每个运行参数的相对异常程度和各组分段数据的局部异常程度,并将最佳分段长度对应的每个运行参数的相对异常程度作为最佳相对异常程度,将最佳分段长度对应的各组分段数据的局部异常程度作为最佳局部异常程度。
需要说明的是,当某个分段长度对应的数据异常突出程度最大时,说明该分段长度的分段效果越好,能够更准确将分段数据的相对异常和局部异常突显出来,其有助于获得更准确的异常程度,实现对待监测呼吸机的运行参数序列的准确异常识别。
(5-2)根据最佳相对异常程度和最佳局部异常程度,确定运行参数序列中每个运行参数的异常程度。
根据运行参数序列中每个运行参数的最佳相对异常程度和每个运行参数所在的分段数据的最佳局部异常程度,计算每个运行参数的最佳相对异常程度与每个运行参数所在的分段数据的最佳局部异常程度的乘积,将该乘积作为对应运行参数的异常程度。
在本实施例中,运行参数序列中每个运行参数的异常程度的计算公式可以为:
其中,为运行参数序列中第t个运行参数的异常程度,t为运行参数序列中各运
行参数的序号,为运行参数序列中第t个运行参数所在的分段数据的最佳局部异常程度,为运行参数序列中第t个运行参数的最佳相对异常程度。
需要说明的是,运行参数序列中第t个运行参数所在的分段数据的最佳局部异常
程度越大,第t个运行参数的最佳相对异常程度越大,运行参数序列中第t个运行参数
的异常程度就会越大。从两个角度分析运行参数序列中每个运行参数的异常程度,有助
于提高运行参数异常识别的准确度。
(6)根据每个运行参数的异常程度,判断运行参数序列中是否存在异常运行参数。
在本实施例中,根据各组分段数据内每个运行参数的异常程度,利用三西格玛准则,计算运行参数异常阈值,若任意一组分段数据内任意一个运行参数的异常程度大于运行参数异常阈值,则判定运行参数序列中存在异常运行参数,且将该运行参数识别为异常运行参数,此时通过报警来提示医务人员及时对待监测呼吸机进行检查和调整,否则,判定运行参数序列中不存在异常运行参数。
需要说明的是,若运行参数序列中存在多个异常运行参数,本实施例也可以将其筛选出来。计算运行参数异常阈值的过程可以为:计算每个运行参数的异常程度的均值和方差,并将均值加上三倍方差的异常程度作为运行参数异常阈值。三西格玛准则的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。利用每个运行参数的异常程度计算所得的运行参数异常阈值,相比依据经验所设置的阈值,更有利于提高运行参数异常判断结果的准确度,鲁棒性会更强。
本实施例提供了一种基于呼吸机运行参数的异常监测方法,该异常监测方法的主要目的是利用运行参数的相对异常和局部异常,分析不同分段长度对应的各组分段数据的数据特征,获得最佳分段长度对应的数据异常程度,进行实现运行参数的异常识别监测。该异常监测方法在提高呼吸机运行参数识别的同时,还可以将每个运行参数的异常程度进行量化处理,有助于后续医护人员基于不同时刻的运行参数的实际异常程度进行调整,为后续医护人员调整呼吸机提供了极大的便利。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于呼吸机运行参数的异常监测方法,其特征在于,包括以下步骤:
采集待监测呼吸机对应的当前设定时段的运行参数序列,利用预设分段长度数值范围内的不同分段长度对运行参数序列进行分段处理,得到不同分段长度对应的各组分段数据;
对不同分段长度对应的各组分段数据内的运行参数进行聚类处理,根据不同分段长度对应的各组分段数据的各聚簇内每个运行参数,确定每个运行参数的相对异常程度;
根据不同分段长度对应的各组分段数据的各聚簇内的每个运行参数、不同分段长度对应的分段数目以及各组分段数据对应的运行参数个数,确定各组分段数据的局部异常程度;
根据各组分段数据对应的运行参数个数、每个运行参数的相对异常程度和各组分段数据的局部异常程度,确定不同分段长度对应的数据异常突出程度;
根据不同分段长度对应的数据异常突出程度,获得运行参数序列中每个运行参数的最佳相对异常程度和每个运行参数所在的分段数据的最佳局部异常程度,根据最佳相对异常程度和最佳局部异常程度,确定运行参数序列中每个运行参数的异常程度;
根据每个运行参数的异常程度,判断运行参数序列中是否存在异常运行参数。
2.根据权利要求1所述的一种基于呼吸机运行参数的异常监测方法,其特征在于,根据不同分段长度对应的各组分段数据的各聚簇内每个运行参数,确定每个运行参数的相对异常程度,包括:
根据不同分段长度对应的各组分段数据的各聚簇内每个运行参数,计算各聚簇内的每个运行参数与对应聚簇的聚簇中心之间的距离,将该距离作为对应运行参数的中心距离指标;
根据每个运行参数的中心距离指标,计算每个运行参数的中心距离指标与对应分段数据对应的最大中心距离指标的比值,将该比值作为对应运行参数的离群程度指标;
根据每个运行参数的中心距离指标,计算各聚簇的中心距离指标方差,并计算去除不同分段长度对应的各组分段数据内每个运行参数本身后的各聚簇对应的中心距离指标方差;
计算各聚簇的中心距离指标方差与去除不同分段长度对应的各组分段数据内每个运行参数本身后的各聚簇对应的中心距离指标方差的差值,对该差值进行正相关映射,将正相关映射后的差值作为对应运行参数的方差偏差指标;
根据不同分段长度对应的各组分段数据对应的各聚簇内每个运行参数的离群程度指标和方差偏差指标,计算离群程度指标和方差偏差指标的乘积,将该乘积作为对应运行参数的相对异常程度。
3.根据权利要求1所述的一种基于呼吸机运行参数的异常监测方法,其特征在于,根据不同分段长度对应的各组分段数据的各聚簇内的每个运行参数、不同分段长度对应的分段数目以及各组分段数据对应的运行参数个数,确定各组分段数据的局部异常程度,包括:
根据不同分段长度对应的各组分段数据的各聚簇内每个运行参数以及各组分段数据对应的运行参数个数,确定各组分段数据对应的离群程度指标均值;
根据不同分段长度对应的各组分段数据的各聚簇内的每个运行参数以及各组分段数据对应的运行参数个数,确定各组分段数据对应的运行参数方差、运行参数均值以及不同分段长度对应的所有分段数据对应的运行参数均值;
计算各组分段数据与所述所有分段数据对应的运行参数均值的差值平方,将运行参数方差作为该差值平方的权值,根据不同分段长度对应的分段数目和所述运行参数均值的差值平方,计算各组分段数据与所有分段数据对应的运行参数均值的差值平方的平均值;
计算各组分段数据与所有分段数据对应的运行参数均值的差值平方的平均值与各组分段数据本身以外的其他分段数据对应的运行参数均值方差之间的差值,将该差值的正相关映射作为对应分段数据对应的整体数据差异指标;
计算不同分段长度对应的各组分段数据对应的离群程度指标均值与整体数据差异指标的乘积,将该乘积作为对应分段数据的局部异常程度。
4.根据权利要求1所述的一种基于呼吸机运行参数的异常监测方法,其特征在于,根据各组分段数据对应的运行参数个数、每个运行参数的相对异常程度和各组分段数据的局部异常程度,确定不同分段长度对应的数据异常突出程度,包括:
根据不同分段长度对应的各组分段数据的局部异常程度,计算最大局部异常程度与最小局部异常程度的差值,将该差值作为对应分段长度的第一局部异常差异指标;
利用预设聚簇个数对不同分段长度对应的各组分段数据的局部异常程度进行聚类处理,得到不同分段长度对应的第一聚簇和第二聚簇,计算第一聚簇内每组分段数据的局部异常程度与第二聚簇对应的聚簇中心的局部异常程度的差值绝对值的平均值,将该平均值作为对应分段长度的第二局部异常差异指标,所述第一聚簇为与第二聚簇相比聚簇内局部异常程度个数较少的聚簇,所述第二聚簇为与第一聚簇相比聚簇内局部异常程度个数较多的聚簇;
计算第一局部异常差异指标和第二局部异常差异指标的乘积,将该乘积作为对应分段长度的局部异常突出指标;
根据不同分段长度对应的各组分段数据内每个运行参数的相对异常程度和各组分段数据对应的运行参数个数,计算各组分段数据内两两相邻的运行参数的相对异常程度之间的差值绝对值的平均值,将该平均值作为分段数据的相对异常差异指标;
根据不同分段长度对应的各组分段数据的相对异常差异指标和各组分段数据的局部异常程度,计算相对异常差异指标与局部异常程度的乘积,计算乘积的累加值,将该累加值作为对应分段长度的相对异常突出指标;
根据每个分段程度的局部异常突出指标和相对异常突出指标,计算局部异常突出指标和相对异常突出指标之和,得到不同分段长度对应的数据异常突出程度。
5.根据权利要求1所述的一种基于呼吸机运行参数的异常监测方法,其特征在于,根据不同分段长度对应的数据异常突出程度,获得运行参数序列中每个运行参数的最佳相对异常程度和每个运行参数所在的分段数据的最佳局部异常程度,包括:
根据不同分段长度对应的数据异常突出程度,从不同分段长度对应的数据异常突出程度中筛选出最大数据异常突出程度,将最大数据异常突出程度对应的分段长度作为最佳分段长度;
根据最佳分段长度,确定最佳分段长度对应的每个运行参数的相对异常程度和各组分段数据的局部异常程度,将最佳分段长度对应的每个运行参数的相对异常程度作为最佳相对异常程度,将最佳分段长度对应的各组分段数据的局部异常程度作为最佳局部异常程度,获得运行参数序列中每个运行参数的最佳相对异常程度和每个运行参数所在的分段数据的最佳局部异常程度。
6.根据权利要求5所述的一种基于呼吸机运行参数的异常监测方法,其特征在于,根据最佳相对异常程度和最佳局部异常程度,确定运行参数序列中每个运行参数的异常程度,包括:
根据运行参数序列中每个运行参数的最佳相对异常程度和每个运行参数所在的分段数据的最佳局部异常程度,计算每个运行参数的最佳相对异常程度与每个运行参数所在的分段数据的最佳局部异常程度的乘积,将该乘积作为对应运行参数的异常程度。
7.根据权利要求1所述的一种基于呼吸机运行参数的异常监测方法,其特征在于,根据每个运行参数的异常程度,判断运行参数序列中是否存在异常运行参数,包括:
根据各组分段数据内每个运行参数的异常程度,利用三西格玛准则,计算运行参数异常阈值,若运行参数序列中任意一个运行参数的异常程度大于运行参数异常阈值,则判定运行参数序列中存在异常运行参数,否则,判定运行参数序列中不存在异常运行参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310201712.9A CN116070150B (zh) | 2023-03-06 | 2023-03-06 | 基于呼吸机运行参数的异常监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310201712.9A CN116070150B (zh) | 2023-03-06 | 2023-03-06 | 基于呼吸机运行参数的异常监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116070150A CN116070150A (zh) | 2023-05-05 |
CN116070150B true CN116070150B (zh) | 2023-06-09 |
Family
ID=86176884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310201712.9A Active CN116070150B (zh) | 2023-03-06 | 2023-03-06 | 基于呼吸机运行参数的异常监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070150B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013210945A (ja) * | 2012-03-30 | 2013-10-10 | Toshiba Corp | 波形分析装置および波形分析方法 |
CN111831704A (zh) * | 2020-05-21 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 异常数据的确定方法、装置、存储介质和电子设备 |
CN112084237A (zh) * | 2020-09-09 | 2020-12-15 | 广东电网有限责任公司中山供电局 | 一种基于机器学习和大数据分析的电力系统异常预测方法 |
CN114298245A (zh) * | 2021-12-31 | 2022-04-08 | 上海观安信息技术股份有限公司 | 异常检测方法、装置、存储介质和计算机设备 |
CN115496644A (zh) * | 2022-11-18 | 2022-12-20 | 山东超华环保智能装备有限公司 | 基于数据识别的固体废弃物处理设备监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201012519D0 (en) * | 2010-07-26 | 2010-09-08 | Ucl Business Plc | Method and system for anomaly detection in data sets |
US11157346B2 (en) * | 2018-09-26 | 2021-10-26 | Palo Alto Rsearch Center Incorporated | System and method for binned inter-quartile range analysis in anomaly detection of a data series |
-
2023
- 2023-03-06 CN CN202310201712.9A patent/CN116070150B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013210945A (ja) * | 2012-03-30 | 2013-10-10 | Toshiba Corp | 波形分析装置および波形分析方法 |
CN111831704A (zh) * | 2020-05-21 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 异常数据的确定方法、装置、存储介质和电子设备 |
CN112084237A (zh) * | 2020-09-09 | 2020-12-15 | 广东电网有限责任公司中山供电局 | 一种基于机器学习和大数据分析的电力系统异常预测方法 |
CN114298245A (zh) * | 2021-12-31 | 2022-04-08 | 上海观安信息技术股份有限公司 | 异常检测方法、装置、存储介质和计算机设备 |
CN115496644A (zh) * | 2022-11-18 | 2022-12-20 | 山东超华环保智能装备有限公司 | 基于数据识别的固体废弃物处理设备监测方法 |
Non-Patent Citations (1)
Title |
---|
《一种基于滑动窗口的时间序列异常检测算法》;裴丽鹊;《巢湖学院学报》;第13卷(第3期);第28-31页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116070150A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117057517B (zh) | 基于数字孪生的电力数据高效处理方法及系统 | |
CN116304766B (zh) | 基于多传感器的开关柜状态快速评估方法 | |
CN117312997B (zh) | 一种电力管理系统智能诊断方法及系统 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN110175353B (zh) | 电梯运行指标趋势分析方法 | |
CN117349596B (zh) | 基于多传感器的电池异常状态监测预警系统 | |
CN112837799B (zh) | 基于区块链的远程互联网大数据智慧医疗系统 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN116992322B (zh) | 一种智慧城市数据中心管理系统 | |
CN117078026B (zh) | 一种基于数据血缘的风控指标管理方法及系统 | |
CN111369555A (zh) | 一种基于深度学习的视频质量诊断方法 | |
CN114580572B (zh) | 一种异常值的识别方法、装置、电子设备及存储介质 | |
CN117786429B (zh) | 基于可穿戴设备的老人健康监测数据处理方法 | |
CN117633697A (zh) | 基于物联网的生猪智能监测方法及系统 | |
CN117540325B (zh) | 基于数据变化量捕获的业务数据库异常检测方法及系统 | |
CN111128327A (zh) | 一种低血糖预警方法和装置 | |
CN116070150B (zh) | 基于呼吸机运行参数的异常监测方法 | |
CN114020598A (zh) | 一种时间序列数据的异常检测方法、装置及设备 | |
US20030191732A1 (en) | Online learning method in a decision system | |
CN115099291B (zh) | 一种建筑节能监测方法 | |
CN116229438A (zh) | 一种纺纱质量视觉识别系统 | |
CN110837953A (zh) | 一种自动化异常实体定位分析方法 | |
CN112699609B (zh) | 一种基于振动数据的柴油机可靠性模型构建方法 | |
CN110647870A (zh) | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 | |
CN113592307B (zh) | 企业收益风控检测方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |