CN116934354A - 一种药品计量称的监管方法、装置、电子设备及介质 - Google Patents
一种药品计量称的监管方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116934354A CN116934354A CN202310902278.7A CN202310902278A CN116934354A CN 116934354 A CN116934354 A CN 116934354A CN 202310902278 A CN202310902278 A CN 202310902278A CN 116934354 A CN116934354 A CN 116934354A
- Authority
- CN
- China
- Prior art keywords
- metering
- medicine
- information
- data
- calibration value
- 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.)
- Granted
Links
- 239000003814 drug Substances 0.000 title claims abstract description 375
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005303 weighing Methods 0.000 claims abstract description 110
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims description 77
- 239000011159 matrix material Substances 0.000 claims description 53
- 229940079593 drug Drugs 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000002441 reversible effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000825 pharmaceutical preparation Substances 0.000 claims 2
- 229940127557 pharmaceutical product Drugs 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012864 cross contamination Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G23/00—Auxiliary devices for weighing apparatus
- G01G23/01—Testing or calibrating of weighing apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及药品计量称管控的领域，尤其是涉及一种药品计量称的监管方法、装置、电子设备及介质。方法包括：获取历史计量信息以及计量监管信息，对历史计量信息以及计量监管信息进行数据分析，得到计量节点信息以及与计量节点信息对应的计量校准值，基于计量节点信息以及计量校准值对称重标准进行更新，得到节点称重标准，然后基于节点称重标准中的计量节点对计量数据进行校正，得到实际计量数据，本申请具有提高药品计量称计量精度的效果。
Description
技术领域
本申请涉及药品计量监管的领域，尤其是涉及一种药品计量称的监管方法、装置、电子设备及介质。
背景技术
药品计量称是指一种专门用于测量和称量药品剂量的设备。它通常是具有高精度和稳定性的电子称，用于准确地测量药品的重量。药品计量称在医疗机构、药房、药企以及其他涉及药品制备和配药的场所中广泛使用。它的主要作用是确保药品的准确剂量，以达到正确的治疗效果，并确保患者用药安全。
目前，药品计量称通常具有灵敏的传感器、数字显示屏和可存储数据的功能，以便记录和监测药品使用情况。此外，一些药品计量称还配备了特殊的功能和安全保护措施，以防止误操作和药品交叉污染。但在药品计量称的实际使用过程中，其自身具备的灵敏传感器易随着使用的时长，计量监测精度逐渐下降，而此时药物管理人员若未及时发现并校准计量误差，则易导致药品计量称的计量精度降低。
发明内容
为了提高药品计量称的计量精度，本申请提供了一种药品计量称的监管方法、装置、电子设备及介质。
第一方面，本申请提供一种药品计量称的监管方法，采用如下的技术方案：
一种药品计量称的监管方法，包括：
获取历史计量信息以及计量监管信息；
其中，所述历史计量信息用于表示在历史时间段内药品计量称的计量药品种类以及与所述计量药品种类对应的计量药品含量，所述计量监管信息用于表示药品计量称在所述历史时间段内重量传感器的称重标准以及计量数据，所述重量传感器用于计量所述药品计量称所盛放药品的重量；
对所述历史计量信息以及所述计量监管信息进行数据分析，得到计量节点信息以及与所述计量节点信息对应的计量校准值，所述计量节点信息用于表示每次使用所述药品计量称进行药物计量时的计量节点信息；
基于所述计量节点信息以及所述计量校准值对所述称重标准进行更新，得到节点称重标准；
基于所述节点称重标准中的计量节点对所述计量数据进行校正，得到实际计量数据。
在另一种可能实现的方式中，所述对所述历史计量信息以及所述计量监管信息进行数据分析，得到计量节点信息以及与所述计量节点信息对应的计量校准值，包括：
调取所述历史计量信息中的第一计量信息以及第二计量信息；
其中，所述第一计量信息包括：第一计量药品种类以及与所述第一计量药品种类相对应的第一计量药品含量，所述第一计量药品种类用于表示所述药品计量称首次计量不同计量药品种类，所述第一计量药品含量用于表示所述药品计量称首次计量不同计量药品种类对应的计量药品含量；
所述第二计量信息包括：第二计量药品种类以及与所述第二计量药品种类相对应的第二计量药品含量，所述第二计量药品种类用于表示所述药品计量称非首次计量不同计量药品种类，所述第二计量药品含量用于表示所述药品计量称非首次计量不同计量药品种类对应的计量药品含量；
基于所述计量数据确定与所述第一计量药品种类相对应的第一称量数据，并将所述第一计量药品种类、第一计量药品含量以及所述第一称量数据按照计量时间点进行数据规划，得到第一计量数据；
基于所述计量数据确定与所述第二计量药品种类相对应的第二称量数据，并将所述第二计量药品种类、第二计量药品含量以及所述第二称量数据按照所述计量时间点进行数据规划，得到第二计量数据；
将所述第一计量数据以及所述第二计量数据按照单位时间进行整合均差计算，得到计量节点信息以及与所述计量节点信息对应的计量校准值。
在另一种可能实现的方式中，所述基于所述计量节点信息以及所述计量校准值对所述称重标准进行更新，得到节点称重标准，包括：
基于所述称重标准确定与所述计量节点信息具有对照关系的计量称初始值；
根据所述计量校准值对所述计量称初始值进行更新，得到节点称重标准。
在另一种可能实现的方式中，所述将所述第一计量数据以及所述第二计量数据按照单位时间进行整合均差计算，得到计量节点信息以及与所述计量节点信息对应的计量校准值，之后还包括：
判断所述计量校准值是否符合预设计量校准值，若不符合，则生成计量异常信息，所述预设计量校准值为所述药品计量称的计量误差极限值；
若所述计量校准值符合预设计量校准值，则获取未来计量信息，所述未来计量信息用于表示在未来周期时间段内药品计量称的计量药品种类以及与所述计量药品种类对应的计量药品含量；
根据所述未来计量信息、所述历史计量信息以及所述计量节点信息对计量校准值进行预测，得到所述未来周期时间段内的未来计量校准值；
检测所述未来计量校准值不符合所述预设计量校准值的初始节点数据，并根据所述初始节点数据生成计量截止信息。
在另一种可能实现的方式中，所述根据所述未来计量信息、所述历史计量信息以及所述计量节点信息对计量校准值进行预测，得到所述未来周期时间段内的未来计量校准值,包括：
对所述历史计量信息以及所述计量节点信息进行分析，确定所述历史计量信息中不同计量药品种类的计量节点以及所述计量节点对应的计量校准值，并基于所述计量节点以及所述计量校准值对所述历史计量信息进行无监督时间序列数据整理，得到历史计量矩阵数据；
将所述历史计量矩阵数据输入至训练好的计量模型进行向量特征提取，得到计量特征维度数量，并将得到的所述计量特征维度数量与所述历史计量矩阵数据进行数据结合处理，生成计量维度矩阵数据；
对所述计量维度矩阵数据中所包含的数据进行数据处理，得到计量综合数据，并将得到的所述计量综合数据输入至预设算法模型中进行数据推算，生成所述计量药品种类的计量节点在所述未来周期时间段内的计量校准值；
按照所述未来计量信息中的药品计量次序对应的计量药品种类与所述历史计量信息中的计量药品种类进行匹配，得到未来计量校准值。
在另一种可能实现的方式中，所述按照所述未来计量信息中的药品计量次序对应的计量药品种类与所述历史计量信息中的计量药品种类进行匹配，得到未来计量校准值，之后还包括：
获取所述计量药品种类中每种计量药品在未来预设时间段内的实际校准值；
基于所述实际校准值对所述未来计量校准值进行反归一处理，将所述未来计量校准值恢复到所述实际实际校准值。
在另一种可能实现的方式中，所述方法还包括：
基于所述实际校准值以及所述未来计量校准值确定校准值均方根误差；
根据所述校准值均方根误差对所述计量模型中的epoch训练模型的参数进行设置，并对设置后的epoch训练模型进行反向迭代，得到所述计量模型中每一轮的验证集；
对所述验证集进行计算评估，生成所述验证集的损失值以及评价指标。
第二方面，本申请提供一种药品计量称的监管装置，采用如下的技术方案：
一种药品计量称的监管装置，包括：
信息获取模块，用于获取历史计量信息以及计量监管信息；
其中，所述历史计量信息用于表示在历史时间段内药品计量称的计量药品种类以及与所述计量药品种类对应的计量药品含量，所述计量监管信息用于表示药品计量称在所述历史时间段内重量传感器的称重标准以及计量数据，所述重量传感器用于计量所述药品计量称所盛放药品的重量；
计量分析模块，用于对所述历史计量信息以及所述计量监管信息进行数据分析，得到计量节点信息以及与所述计量节点信息对应的计量校准值，所述计量节点信息用于表示每次使用所述药品计量称进行药物计量时的计量节点信息；
计量更新模块，用于基于所述计量节点信息以及所述计量校准值对所述称重标准进行更新，得到节点称重标准；
计量校正模块，用于基于所述节点称重标准中的计量节点对所述计量数据进行校正，得到实际计量数据。
在一种可能的实现方式中，所述计量分析模块在对所述历史计量信息以及所述计量监管信息进行数据分析，得到计量节点信息以及与所述计量节点信息对应的计量校准值时，具体用于：
调取所述历史计量信息中的第一计量信息以及第二计量信息；
其中，所述第一计量信息包括：第一计量药品种类以及与所述第一计量药品种类相对应的第一计量药品含量，所述第一计量药品种类用于表示所述药品计量称首次计量不同计量药品种类，所述第一计量药品含量用于表示所述药品计量称首次计量不同计量药品种类对应的计量药品含量；
所述第二计量信息包括：第二计量药品种类以及与所述第二计量药品种类相对应的第二计量药品含量，所述第二计量药品种类用于表示所述药品计量称非首次计量不同计量药品种类，所述第二计量药品含量用于表示所述药品计量称非首次计量不同计量药品种类对应的计量药品含量；
基于所述计量数据确定与所述第一计量药品种类相对应的第一称量数据，并将所述第一计量药品种类、第一计量药品含量以及所述第一称量数据按照计量时间点进行数据规划，得到第一计量数据；
基于所述计量数据确定与所述第二计量药品种类相对应的第二称量数据，并将所述第二计量药品种类、第二计量药品含量以及所述第二称量数据按照所述计量时间点进行数据规划，得到第二计量数据；
将所述第一计量数据以及所述第二计量数据按照单位时间进行整合均差计算，得到计量节点信息以及与所述计量节点信息对应的计量校准值。
在另一种可能的实现方式中，所述计量更新模块在基于所述计量节点信息以及所述计量校准值对所述称重标准进行更新，得到节点称重标准时，具体用于：
基于所述称重标准确定与所述计量节点信息具有对照关系的计量称初始值；
根据所述计量校准值对所述计量称初始值进行更新，得到节点称重标准。
在另一种可能的实现方式中，所述装置还包括：计量判断模块、未来获取模块、校准预测模块以及计量截止模块，其中，
所述计量判断模块，用于判断所述计量校准值是否符合预设计量校准值，若不符合，则生成计量异常信息，所述预设计量校准值为所述药品计量称的计量误差极限值；
所述未来获取模块，用于若所述计量校准值符合预设计量校准值，则获取未来计量信息，所述未来计量信息用于表示在未来周期时间段内药品计量称的计量药品种类以及与所述计量药品种类对应的计量药品含量；
所述校准预测模块，用于根据所述未来计量信息、所述历史计量信息以及所述计量节点信息对计量校准值进行预测，得到所述未来周期时间段内的未来计量校准值；
所述计量截止模块，用于检测所述未来计量校准值不符合所述预设计量校准值的初始节点数据，并根据所述初始节点数据生成计量截止信息。
在另一种可能的实现方式中,所述校准预测模块在根据所述未来计量信息、所述历史计量信息以及所述计量节点信息对计量校准值进行预测，得到所述未来周期时间段内的未来计量校准值时,具体用于：
对所述历史计量信息以及所述计量节点信息进行分析，确定所述历史计量信息中不同计量药品种类的计量节点以及所述计量节点对应的计量校准值，并基于所述计量节点以及所述计量校准值对所述历史计量信息进行无监督时间序列数据整理，得到历史计量矩阵数据；
将所述历史计量矩阵数据输入至训练好的计量模型进行向量特征提取，得到计量特征维度数量，并将得到的所述计量特征维度数量与所述历史计量矩阵数据进行数据结合处理，生成计量维度矩阵数据；
对所述计量维度矩阵数据中所包含的数据进行数据处理，得到计量综合数据，并将得到的所述计量综合数据输入至预设算法模型中进行数据推算，生成所述计量药品种类的计量节点在所述未来周期时间段内的计量校准值；
按照所述未来计量信息中的药品计量次序对应的计量药品种类与所述历史计量信息中的计量药品种类进行匹配，得到未来计量校准值。
在另一种可能的实现方式中，所述装置还包括：实际值获取模块以及归一处理模块，其中，
所述实际值获取模块，用于获取所述计量药品种类中每种计量药品在未来预设时间段内的实际校准值；
所述归一处理模块，用于基于所述实际校准值对所述未来计量校准值进行反归一处理，将所述未来计量校准值恢复到所述实际实际校准值。
在另一种可能的实现方式中，所述装置还包括：误差确定模块、反向迭代模块以及计算评估模块，其中，
所述误差确定模块，用于基于所述实际校准值以及所述未来计量校准值确定校准值均方根误差；
所述反向迭代模块，用于根据所述校准值均方根误差对所述计量模型中的epoch训练模型的参数进行设置，并对设置后的epoch训练模型进行反向迭代，得到所述计量模型中每一轮的验证集；
所述计算评估模块，用于对所述验证集进行计算评估，生成所述验证集的损失值以及评价指标。
第三方面，本申请提供一种电子设备，采用如下的技术方案：
一种电子设备，该电子设备包括：
至少一个处理器；
存储器；
至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行第一方面任一项所述的药品计量称的监管方法。
第四方面，提供了一种计算机可读存储介质，存储介质存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如第一方面中任一可能的实现方式所示的药品计量称的监管方法。
综上所述，本申请包括以下至少一种有益技术效果：
本申请提供了一种药品计量称的监管方法、装置、电子设备及介质，与相关技术相比，在本申请中，在对药品计量称的计量数据进行校验时，通过获取历史计量信息以及计量监管信息，其中，历史计量信息用于表示在历史时间段内药品计量称的计量药品种类以及与计量药品种类对应的计量药品含量，计量监管信息用于表示药品计量称在历史时间段内重量传感器的称重标准以及计量数据，重量传感器用于计量药品计量称所盛放药品的重量，然后对历史计量信息以及计量监管信息进行数据分析，得到计量节点信息以及与计量节点信息对应的计量校准值，计量节点信息用于表示每次使用药品计量称进行药物计量时的计量节点信息，基于计量节点信息以及计量校准值对称重标准进行更新，得到节点称重标准，然后基于节点称重标准中的计量节点对计量数据进行校正，得到实际计量数据，从而达到了提高药品计量称计量精度的效果。
附图说明
图1是本申请实施例一种药品计量称的监管方法的流程示意图；
图2是本申请实施例一种药品计量称的监管装置的方框示意图；
图3是本申请实施例电子设备的示意图。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，一种药品计量称的监管方法、装置、电子设备及介质和/或B，可以表示：单独存在一种药品计量称的监管方法、装置、电子设备及介质，同时存在一种药品计量称的监管方法、装置、电子设备及介质和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供了一种药品计量称的监管方法，由电子设备执行，该电子设备可以为服务器也可以为终端设备，其中，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此，该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例在此不做限制，如图1所示，该方法包括：
步骤S10，获取历史计量信息以及计量监管信息。
其中，历史计量信息用于表示在历史时间段内药品计量称的计量药品种类以及与计量药品种类对应的计量药品含量，计量监管信息用于表示药品计量称在历史时间段内重量传感器的称重标准以及计量数据，重量传感器用于计量药品计量称所盛放药品的重量。
在本申请实施例中，历史时间段内是工作人员通过电子设备设置的时间周期，例如：历史时间段内为一个月时间。
在本申请实施例中，药品计量称在每次进行作业时，会对计量药品的计量药品种类以及计量药品含量进行绑定，然后将绑定后的数据按照计量时间点存储至数据表中，每隔一个月获取一次药品计量称在这一个月内的计量信息进行计量校准值监测，例如：对药品进行计量时，首先将药品计量称摆放至指定水平位置，然后将计量药品种类对应的药品导入指定的药品盛放器中，在导入完成后，记录药品容量与药品盛放器容量占比值，并将占比值作为计量药品含量与计量药品种类进行绑定保存。
在本申请实施例中，重量传感器的称重标准即为重力传感器的初始重力检测值归零，检测到对应药品的重量时，重力检测值发生对应的变化。
步骤S11，对历史计量信息以及计量监管信息进行数据分析，得到计量节点信息以及与计量节点信息对应的计量校准值。
其中，计量节点信息用于表示每次使用药品计量称进行药物计量时的计量节点信息。
具体地，根据历史计量信息可以确定每次药品计量称的计量药品种类以及对应的计量药品含量，根据计量监管信息可以确定每次药品计量称的计量值，在本申请实施例中，将药品计量称每次的计量作为一个计量节点，同时将每次的计量药品种类、计量值以及计量药品含量以信息的形式保存至该节点。
步骤S12，基于计量节点信息以及计量校准值对称重标准进行更新，得到节点称重标准。
具体地，将步骤S11中得到的计量校准值与称重标准中初始重力检测值进行累加，得到药品计量称每个计量节点的节点称重标准，例如：初始重力检测值为0，即在使用药品计量称对药品进行计量时，药品计量称计量得到的重量计量值为2mg，若计量校准值为3mg，那么更新后的节点称重标准即为5mg，即在药品计量称检测到的重量计量值基础上在加3mg。
步骤S13，基于节点称重标准中的计量节点对计量数据进行校正，得到实际计量数据。
具体地，在节点称重标准的背景下，对计量数据进行校正，得到实际计量数据，例如：在称重标准下监测得到的计量数据为5mg，那么在对称重标准更新后，节点称重标准为3mg，实际计量数据即为8mg。
本申请实施例提供了一种药品计量称的监管方法，在本申请中，在对药品计量称的计量数据进行校验时，通过获取历史计量信息以及计量监管信息，其中，历史计量信息用于表示在历史时间段内药品计量称的计量药品种类以及与计量药品种类对应的计量药品含量，计量监管信息用于表示药品计量称在历史时间段内重量传感器的称重标准以及计量数据，重量传感器用于计量药品计量称所盛放药品的重量，然后对历史计量信息以及称重标准进行数据分析，得到计量节点信息以及与计量节点信息对应的计量校准值，计量节点信息用于表示每次使用药品计量称进行药物计量时的计量节点信息，基于计量节点信息以及计量校准值对称重标准进行更新，得到节点称重标准，然后基于节点称重标准中的计量节点对计量数据进行校正，得到实际计量数据，从而达到了提高药品计量称计量精度的效果。
本申请实施例的一种可能的实现方式，步骤S11具体包括步骤S111、步骤S112、步骤S113以及步骤S114，其中，
步骤S111，调取历史计量信息中的第一计量信息以及第二计量信息。
其中，第一计量信息包括：第一计量药品种类以及与第一计量药品种类相对应的第一计量药品含量，第一计量药品种类用于表示药品计量称首次计量不同计量药品种类，第一计量药品含量用于表示药品计量称首次计量不同计量药品种类对应的计量药品含量；
第二计量信息包括：第二计量药品种类以及与第二计量药品种类相对应的第二计量药品含量，第二计量药品种类用于表示药品计量称非首次计量不同计量药品种类，第二计量药品含量用于表示药品计量称非首次计量不同计量药品种类对应的计量药品含量；
步骤S112，基于计量数据确定与第一计量药品种类相对应的第一称量数据，并将第一计量药品种类、第一计量药品含量以及第一称量数据按照计量时间点进行数据规划，得到第一计量数据。
在本申请实施例中，为了准确得知不同药品计量称在对药物进行计量时的计量精准度，采用第一计量药品种类测试，即在药品计量称没有使用过的前提下，放入不同计量药品种类的药物进行不同计量药品含量的测试，准确的测定出每一种计量药品种类在不同计量药品含量下药品计量称的计量值。
具体地，建立第一数据坐标系，其中X轴为时间线，Y轴为时间线对应的不同计量药品种类与对应的计量药品含量的计量值，时间线的单位时间是以每时为单位进行划分，在药品计量称没有使用的前提下，首次对计量药品种类、计量药品含量以及药品计量称的计量值进行检测记录，然后计量值与Y轴的数值进行对应标记，再将每个标记按照时间线规律进行连接，得到第一计量信息。
步骤S113，基于计量数据确定与第二计量药品种类相对应的第二称量数据，并将第二计量药品种类、第二计量药品含量以及第二称量数据按照计量时间点进行数据规划，得到第二计量数据。
具体地，建立第二数据坐标系，其中X轴为第一数据坐标系中X轴所对应的时间线的时间线，Y轴为时间线对应的不同计量药品种类与对应的计量药品含量的计量值，按照步骤S112中的标记连接的方式进行连接，得到第二计量信息。
步骤S114，将第一计量数据以及第二计量数据按照单位时间进行整合均差计算，得到计量节点信息以及与计量节点信息对应的计量校准值。
具体地，分别计算第一计量信息以及第二计量信息中的计量值按照计量药品含量进行均值计算，即计量均值=计量值/计量药品含量，然后将第一计量信息与第二计量信息中具有相同计量药品种类的计量均值进行差值计算，得到计量校准均值，然后将计量校准均值与计量药品含量进行乘法运算，得到计量校准值。
本申请实施例的一种可能的实现方式，步骤S12具体包括：基于称重标准确定与计量节点信息具有对照关系的计量称初始值，根据计量校准值对计量称初始值进行更新，得到节点称重标准。
本申请实施例的一种可能的实现方式，步骤S13之后还包括步骤S131、步骤S132以及步骤S133，其中，
步骤S131，判断计量校准值是否符合预设计量校准值，若不符合，则生成计量异常信息。
其中，预设计量校准值为药品计量称的计量误差极限值。
在本申请实施例中，一旦药品计量称的计量校准值超过计量误差极限值时，即表示需要对药品计量称进行更换。计量误差极限值是根据药品计量称的最大秤量以及药品计量值得到的。即：
当药品计量称的最大秤量为3g时：
药品计量值大于20mg且小于等于0.5g时，计量误差极限值为0.5mg；
药品计量值大于0.5g且小于等于2g时，计量误差极限值为1mg；
药品计量值大于2g时，计量误差极限值为1.5mg。
当药品计量称的最大秤量为6g时：
药品计量值大于40mg且小于等于1g时，计量误差极限值为1mg；
药品计量值大于1g且小于等于4g时，计量误差极限值为2mg；
药品计量值大于4g时，计量误差极限值为3mg。
步骤S131，若计量校准值符合预设计量校准值，则获取未来计量信息。
其中，未来计量信息用于表示在未来周期时间段内药品计量称的计量药品种类以及与计量药品种类对应的计量药品含量。
具体地，未来周期时间段为未来一天内的时间段，根据药品计量称未来一天的工作登记表，得知在未来时间段内的计量药品种类以及计量药品含量。
步骤S132，根据未来计量信息、历史计量信息以及计量节点信息对计量校准值进行预测，得到未来周期时间段内的未来计量校准值。
具体地，通过得知历史计量信息中不同计量药品种类对应不同计量药品含量的计量校准值后，将未来计量信息与历史计量信息的计量药品种类进行匹配预测，从而得到未来周期时间段内的未来计量校准值。
步骤S133，检测未来计量校准值不符合预设计量校准值的初始节点数据，并根据初始节点数据生成计量截止信息。
本申请实施例的一种可能的实现方式，步骤S132具体包括：步骤S321、步骤S322、步骤S323以及步骤S324，其中，
步骤S321，对历史计量信息以及计量节点信息进行分析，确定历史计量信息中不同计量药品种类的计量节点以及计量节点对应的计量校准值，并基于计量节点以及计量校准值对历史计量信息进行无监督时间序列数据整理，得到历史计量矩阵数据。
具体地，计量节点为步骤S13中所阐述的节点，节点中包含计量药品种类、计量药品含量以及计量值。
根据计量节点以及计量校准值对历史计量信息进行无监督时间序列数据整理，得到以下历史计量矩阵数据：
其中，m为计量药品种类种类，n为节点所对应的时间序列长度。
步骤S322，将历史计量矩阵数据输入至训练好的计量模型进行向量特征提取，得到计量特征维度数量，并将得到的计量特征维度数量与历史计量矩阵数据进行数据结合处理，生成计量维度矩阵数据。
具体地，在将历史计量矩阵数据输入至计量模型中进行向量特征提取，需要预先获取矩阵数据样本，矩阵数据样本包括历史计量信息所形成的第一默算矩阵数据以及历史计量矩阵数据中的向量特征，然后创建计量模型，并基于历史计量矩阵数据以及历史计量矩阵数据中的向量特征对计量模型进行训练，得到训练好的计量模型。
具体地，计量模型为预先训练好的神经网络模型，神经网络（Neural Networks,NN）是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关。
具体地，将历史计量矩阵数据输入至计量模型中进行向量特征提取，并将提取到的向量特征进行统计，得到特征维度数量，其中，向量特征包括历史计量信息中的材质向量特征、时长向量特征以及计量值特征等，然后将特征维度数量与历史计量矩阵数据进行数据结合，得到计量维度矩阵数据。
步骤S323，对计量维度矩阵数据中所包含的数据进行数据处理，得到计量综合数据，并将得到的计量综合数据输入至预设算法模型中进行数据推算，生成计量药品种类的计量节点在未来周期时间段内的计量校准值；
对于本申请实施例来说，采用双向LSTM模型为预设算法模型进行举例说明，包括但不仅限于双向LSTM模型。
具体地，预设算法模型构建，模型主体采用双向LSTM作为趋势预测模型，LSTM主要有遗忘门，输入门，输出门构成；
遗忘门：；
输入门：
经过遗忘门和输入门的信息过滤后，将历史的记忆和当前阶段的记忆内容合并，生成的值为：
输出门：
在上面描述的LSTM之后，在反向接入一层LSTM网络层，通过该过程可以得到BI-LSTM层，由于是若干组微生物物种组合共同训练；添加物种空间特征联合学习层，初始化关联向量矩阵大小为M*V*K，取LSTM最后一层的输出向量，转置乘关联向量参数矩阵，最终连接回归损失函数，完成预设算法模型的构建。
步骤S324，按照未来计量信息中的药品计量次序对应的计量药品种类与历史计量信息中的计量药品种类进行匹配，得到未来计量校准值。
具体地，将计量特征维度数量与历史计量矩阵数据进行整合，生成维度矩阵数据。
本申请实施例采用pytorch技术进行举例说明，包括但不局限于pytorch技术一种可实现方式。
通过pytorch中的指令“out.unsqueeze(-1)”将计量特征维度数量以维度的方式添加到历史计量矩阵数据中，实现维度整合。
具体地，PyTorch是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序。它主要由Facebookd的人工智能小组开发，不仅能够实现强大的GPU加速，同时还支持动态神经网络，这一点是现在很多主流框架如TensorFlow都不支持的。PyTorch提供了两个高级功能：1.具有强大的GPU加速的张量计算（如Numpy）；2.包含自动求导系统的深度神经网络除了Facebook之外，Twitter、GMU和Salesforce等机构都采用了PyTorch。
将计量特征维度数量与历史计量矩阵数据进行整合完毕后，得到以下维度矩阵数据：
其中，v表示计量特征维度数量。
对维度矩阵数据进行基本数据分布探查，获取历史计量信息中不同类别的计量药品种类在不同计量药品含量下的计量校准值的相对周期性规律，并基于相对周期性规律确定时间周期长度。
具体地，将维度矩阵数据导入到Excel表格中，并且配置Python集成jupyter环境，针对维度矩阵数据中n时间序列做基本数据分布探查，主要目的在于找到对应序列的的相对周期性规律，然后根据相周期性规律确定时间周期长度。
基于时间周期长度对维度矩阵数据进行有监督时间序列数据整理，得到预测矩阵数据。用t来代替时间周期性长度，并将维度矩阵数据中的n替换为t，得到预测矩阵数据：
。
基于预测矩阵数据对未来周期时间段内的计量药品种类的变化趋势进行预测，生成计量维度矩阵数据。假设预设未来周期时间段为k，即移动步长为k步预测，得到计量维度矩阵数据：
。
本申请实施例的一种可能的实现方式，按照未来计量信息中的药品计量次序对应的计量药品种类与历史计量信息中的计量药品种类进行匹配，得到未来计量校准值，之后还包括：
获取计量药品种类中每种计量药品在未来预设时间段内的实际校准值；
基于实际校准值对未来计量校准值进行反归一处理，将未来计量校准值恢复到实际实际校准值。
具体地，将未来计量校准值进行反归一处理，使得未来计量校准值恢复到归一化处理之前的数据，然后将实际校准值对未来计量校准值进行覆盖。
本申请实施例的一种可能的实现方式，方法还包括：
基于实际校准值以及未来计量校准值确定校准值均方根误差；
根据校准值均方根误差对计量模型中的epoch训练模型的参数进行设置，并对设置后的epoch训练模型进行反向迭代，得到计量模型中每一轮的验证集；
对验证集进行计算评估，生成验证集的损失值以及评价指标。
具体地，均方根误差,它是观测值与真值偏差的平方和观测次数n比值的平方根,均方根误差计算公式：Re＝√[∑di^2/n]，式中n为测量次数，di为一组实际校准值以及未来计量校准值的偏差。
具体地，当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一次epoch训练模型。一个epoch指代所有的数据送入网络中完成一次前向计算及反向传播的过程。由于一个epoch常常太大，计算机无法负荷，我们会将它分成几个较小的batches。在训练时，将所有数据迭代训练一次是不够的，需要反复多次才能拟合收敛。在实际训练时，我们将所有数据分成几个batch，每次送入一部分数据，梯度下降本身就是一个迭代过程。根据校准值均方根误差对epoch训练模型中的参数进行设置，已得到计量模型中每一轮的验证集，即验证集。
具体地，对验证集的计算评估包括一下步骤：
将验证集与计量模型的训练集进行百分比计算，得到损失值；
将损失值与标准损失值表进行对照，得到评价指标。
例如：当前损失值为50%，标准损失值表对应的50%为2级指标。
上述实施例从方法流程的角度介绍一种药品计量称的监管方法，下述实施例从虚拟模块或者虚拟单元的角度介绍了一种药品计量称的监管装置，具体详见下述实施例。
本申请实施例提供一种药品计量称的监管装置，如图2所示，该用于药品计量称的监管装置20具体可以包括：信息获取模块21、计量分析模块22、计量更新模块23以及计量校正模块24，其中，
信息获取模块21，用于获取历史计量信息以及计量监管信息；
其中，历史计量信息用于表示在历史时间段内药品计量称的计量药品种类以及与计量药品种类对应的计量药品含量，计量监管信息用于表示药品计量称在历史时间段内重量传感器的称重标准以及计量数据，重量传感器用于计量药品计量称所盛放药品的重量；
计量分析模块22，用于对历史计量信息以及称重标准进行数据分析，得到计量节点信息以及与计量节点信息对应的计量校准值，计量节点信息用于表示每次使用药品计量称进行药物计量时的计量节点信息；
计量更新模块23，用于基于计量节点信息以及计量校准值对称重标准进行更新，得到节点称重标准；
计量校正模块24，用于基于节点称重标准中的计量节点对计量数据进行校正，得到实际计量数据。
本申请实施例的一种可能的实现方式，计量分析模块22在对历史计量信息以及称重标准进行数据分析，得到计量节点信息以及与计量节点信息对应的计量校准值时，具体用于：
调取历史计量信息中的第一计量信息以及第二计量信息；
其中，第一计量信息包括：第一计量药品种类以及与第一计量药品种类相对应的第一计量药品含量，第一计量药品种类用于表示药品计量称首次计量不同计量药品种类，第一计量药品含量用于表示药品计量称首次计量不同计量药品种类对应的计量药品含量；
第二计量信息包括：第二计量药品种类以及与第二计量药品种类相对应的第二计量药品含量，第二计量药品种类用于表示药品计量称非首次计量不同计量药品种类，第二计量药品含量用于表示药品计量称非首次计量不同计量药品种类对应的计量药品含量；
基于计量数据确定与第一计量药品种类相对应的第一称量数据，并将第一计量药品种类、第一计量药品含量以及第一称量数据按照计量时间点进行数据规划，得到第一计量数据；
基于计量数据确定与第二计量药品种类相对应的第二称量数据，并将第二计量药品种类、第二计量药品含量以及第二称量数据按照计量时间点进行数据规划，得到第二计量数据；
将第一计量数据以及第二计量数据按照单位时间进行整合均差计算，得到计量节点信息以及与计量节点信息对应的计量校准值。
本申请实施例的另一种可能的实现方式，计量更新模块23在基于计量节点信息以及计量校准值对称重标准进行更新，得到节点称重标准时，具体用于：
基于称重标准确定与计量节点信息具有对照关系的计量称初始值；
根据计量校准值对计量称初始值进行更新，得到节点称重标准。
本申请实施例的另一种可能的实现方式，装置20还包括：计量判断模块、未来获取模块、校准预测模块以及计量截止模块，其中，
计量判断模块，用于判断计量校准值是否符合预设计量校准值，若不符合，则生成计量异常信息，预设计量校准值为药品计量称的计量误差极限值；
未来获取模块，用于若计量校准值符合预设计量校准值，则获取未来计量信息，未来计量信息用于表示在未来周期时间段内药品计量称的计量药品种类以及与计量药品种类对应的计量药品含量；
校准预测模块，用于根据未来计量信息、历史计量信息以及计量节点信息对计量校准值进行预测，得到未来周期时间段内的未来计量校准值；
计量截止模块，用于检测未来计量校准值不符合预设计量校准值的初始节点数据，并根据初始节点数据生成计量截止信息。
本申请实施例的另一种可能的实现方式,校准预测模块在根据未来计量信息、历史计量信息以及计量节点信息对计量校准值进行预测，得到未来周期时间段内的未来计量校准值时,具体用于：
对历史计量信息以及计量节点信息进行分析，确定历史计量信息中不同计量药品种类的计量节点以及计量节点对应的计量校准值，并基于计量节点以及计量校准值对历史计量信息进行无监督时间序列数据整理，得到历史计量矩阵数据；
将历史计量矩阵数据输入至训练好的计量模型进行向量特征提取，得到计量特征维度数量，并将得到的计量特征维度数量与历史计量矩阵数据进行数据结合处理，生成计量维度矩阵数据；
对计量维度矩阵数据中所包含的数据进行数据处理，得到计量综合数据，并将得到的计量综合数据输入至预设算法模型中进行数据推算，生成计量药品种类的计量节点在未来周期时间段内的计量校准值；
按照未来计量信息中的药品计量次序对应的计量药品种类与历史计量信息中的计量药品种类进行匹配，得到未来计量校准值。
本申请实施例的另一种可能的实现方式，装置20还包括：实际值获取模块以及归一处理模块，其中，
实际值获取模块，用于获取计量药品种类中每种计量药品在未来预设时间段内的实际校准值；
归一处理模块，用于基于实际校准值对未来计量校准值进行反归一处理，将未来计量校准值恢复到实际实际校准值。
本申请实施例的另一种可能的实现方式，装置20还包括：误差确定模块、反向迭代模块以及计算评估模块，其中，
误差确定模块，用于基于实际校准值以及未来计量校准值确定校准值均方根误差；
反向迭代模块，用于根据校准值均方根误差对计量模型中的epoch训练模型的参数进行设置，并对设置后的epoch训练模型进行反向迭代，得到计量模型中每一轮的验证集；
计算评估模块，用于对验证集进行计算评估，生成验证集的损失值以及评价指标。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还从实体装置的角度介绍了一种电子设备，如图3所示，图3所示的电子设备30除常规配置装置外包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。可选地，电子设备30还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备30的结构并不构成对本申请实施例的限定。
处理器301可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线302可包括一通路，在上述组件之间传送信息。总线302可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器303用于存储执行本申请方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种药品计量称的监管方法，其特征在于，包括：
获取历史计量信息以及计量监管信息；
其中，所述历史计量信息用于表示在历史时间段内药品计量称的计量药品种类以及与所述计量药品种类对应的计量药品含量，所述计量监管信息用于表示药品计量称在所述历史时间段内重量传感器的称重标准以及计量数据，所述重量传感器用于计量所述药品计量称所盛放药品的重量；
对所述历史计量信息以及所述计量监管信息进行数据分析，得到计量节点信息以及与所述计量节点信息对应的计量校准值，所述计量节点信息用于表示每次使用所述药品计量称进行药物计量时的计量节点信息；
基于所述计量节点信息以及所述计量校准值对所述称重标准进行更新，得到节点称重标准；
基于所述节点称重标准中的计量节点对所述计量数据进行校正，得到实际计量数据。
2.根据权利要求1所述的一种药品计量称的监管方法，其特征在于，所述对所述历史计量信息以及所述计量监管信息进行数据分析，得到计量节点信息以及与所述计量节点信息对应的计量校准值，包括：
调取所述历史计量信息中的第一计量信息以及第二计量信息；
其中，所述第一计量信息包括：第一计量药品种类以及与所述第一计量药品种类相对应的第一计量药品含量，所述第一计量药品种类用于表示所述药品计量称首次计量不同计量药品种类，所述第一计量药品含量用于表示所述药品计量称首次计量不同计量药品种类对应的计量药品含量；
所述第二计量信息包括：第二计量药品种类以及与所述第二计量药品种类相对应的第二计量药品含量，所述第二计量药品种类用于表示所述药品计量称非首次计量不同计量药品种类，所述第二计量药品含量用于表示所述药品计量称非首次计量不同计量药品种类对应的计量药品含量；
基于所述计量数据确定与所述第一计量药品种类相对应的第一称量数据，并将所述第一计量药品种类、第一计量药品含量以及所述第一称量数据按照计量时间点进行数据规划，得到第一计量数据；
基于所述计量数据确定与所述第二计量药品种类相对应的第二称量数据，并将所述第二计量药品种类、第二计量药品含量以及所述第二称量数据按照所述计量时间点进行数据规划，得到第二计量数据；
将所述第一计量数据以及所述第二计量数据按照单位时间进行整合均差计算，得到计量节点信息以及与所述计量节点信息对应的计量校准值。
3.根据权利要求2所述的一种药品计量称的监管方法，其特征在于，所述基于所述计量节点信息以及所述计量校准值对所述称重标准进行更新，得到节点称重标准，包括：
基于所述称重标准确定与所述计量节点信息具有对照关系的计量称初始值；
根据所述计量校准值对所述计量称初始值进行更新，得到节点称重标准。
4.根据权利要求1所述的一种药品计量称的监管方法，其特征在于，所述将所述第一计量数据以及所述第二计量数据按照单位时间进行整合均差计算，得到计量节点信息以及与所述计量节点信息对应的计量校准值，之后还包括：
判断所述计量校准值是否符合预设计量校准值，若不符合，则生成计量异常信息，所述预设计量校准值为所述药品计量称的计量误差极限值；
若所述计量校准值符合预设计量校准值，则获取未来计量信息，所述未来计量信息用于表示在未来周期时间段内药品计量称的计量药品种类以及与所述计量药品种类对应的计量药品含量；
根据所述未来计量信息、所述历史计量信息以及所述计量节点信息对计量校准值进行预测，得到所述未来周期时间段内的未来计量校准值；
检测所述未来计量校准值不符合所述预设计量校准值的初始节点数据，并根据所述初始节点数据生成计量截止信息。
5.根据权利要求4所述的一种药品计量称的监管方法，其特征在于,所述根据所述未来计量信息、所述历史计量信息以及所述计量节点信息对计量校准值进行预测，得到所述未来周期时间段内的未来计量校准值,包括：
对所述历史计量信息以及所述计量节点信息进行分析，确定所述历史计量信息中不同计量药品种类的计量节点以及所述计量节点对应的计量校准值，并基于所述计量节点以及所述计量校准值对所述历史计量信息进行无监督时间序列数据整理，得到历史计量矩阵数据；
将所述历史计量矩阵数据输入至训练好的计量模型进行向量特征提取，得到计量特征维度数量，并将得到的所述计量特征维度数量与所述历史计量矩阵数据进行数据结合处理，生成计量维度矩阵数据；
对所述计量维度矩阵数据中所包含的数据进行数据处理，得到计量综合数据，并将得到的所述计量综合数据输入至预设算法模型中进行数据推算，生成所述计量药品种类的计量节点在所述未来周期时间段内的计量校准值；
按照所述未来计量信息中的药品计量次序对应的计量药品种类与所述历史计量信息中的计量药品种类进行匹配，得到未来计量校准值。
6.根据权利要求5所述的一种药品计量称的监管方法，其特征在于，所述按照所述未来计量信息中的药品计量次序对应的计量药品种类与所述历史计量信息中的计量药品种类进行匹配，得到未来计量校准值，之后还包括：
获取所述计量药品种类中每种计量药品在未来预设时间段内的实际校准值；
基于所述实际校准值对所述未来计量校准值进行反归一处理，将所述未来计量校准值恢复到所述实际实际校准值。
7.根据权利要求6所述的一种药品计量称的监管方法，其特征在于，所述方法还包括：
基于所述实际校准值以及所述未来计量校准值确定校准值均方根误差；
根据所述校准值均方根误差对所述计量模型中的epoch训练模型的参数进行设置，并对设置后的epoch训练模型进行反向迭代，得到所述计量模型中每一轮的验证集；
对所述验证集进行计算评估，生成所述验证集的损失值以及评价指标。
8.一种药品计量称的监管装置，其特征在于，包括：
信息获取模块，用于获取历史计量信息以及计量监管信息；
其中，所述历史计量信息用于表示在历史时间段内药品计量称的计量药品种类以及与所述计量药品种类对应的计量药品含量，所述计量监管信息用于表示药品计量称在所述历史时间段内重量传感器的称重标准以及计量数据，所述重量传感器用于计量所述药品计量称所盛放药品的重量；
计量分析模块，用于对所述历史计量信息以及所述计量监管信息进行数据分析，得到计量节点信息以及与所述计量节点信息对应的计量校准值，所述计量节点信息用于表示每次使用所述药品计量称进行药物计量时的计量节点信息；
计量更新模块，用于基于所述计量节点信息以及所述计量校准值对所述称重标准进行更新，得到节点称重标准；
计量校正模块，用于基于所述节点称重标准中的计量节点对所述计量数据进行校正，得到实际计量数据。
9.一种电子设备，其特征在于，该电子设备包括：
至少一个处理器；
存储器；
至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行权利要求1～7任一项所述的药品计量称的监管方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机中执行时，令所述计算机执行权利要求1～7任一项所述的药品计量称的监管方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310902278.7A CN116934354B (zh) | 2023-07-21 | 2023-07-21 | 一种药品计量称的监管方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310902278.7A CN116934354B (zh) | 2023-07-21 | 2023-07-21 | 一种药品计量称的监管方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116934354A true CN116934354A (zh) | 2023-10-24 |
| CN116934354B CN116934354B (zh) | 2024-04-05 |
Family
ID=88375093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310902278.7A Active CN116934354B (zh) | 2023-07-21 | 2023-07-21 | 一种药品计量称的监管方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116934354B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113670427A (zh) * | 2021-08-26 | 2021-11-19 | 深圳诺博医疗科技有限公司 | 称重自校正方法、处理模块、称重装置及存储介质 |
| WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
| CN114565196A (zh) * | 2022-04-28 | 2022-05-31 | 北京零点远景网络科技有限公司 | 基于政务热线的多事件趋势预判方法、装置、设备及介质 |
| CN115097376A (zh) * | 2022-08-24 | 2022-09-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计量设备的校验数据的处理方法、装置和计算机设备 |
| CN115238969A (zh) * | 2022-06-30 | 2022-10-25 | 杭州卫康有害生物防治有限公司 | 一种白蚁预防的趋势预测方法、装置、电子设备及介质 |
| CN115728445A (zh) * | 2022-10-15 | 2023-03-03 | 北京中立格林传感科技股份有限公司 | 传感器校准方法、装置、设备及计算机可读存储介质 |
| CN115796434A (zh) * | 2023-01-29 | 2023-03-14 | 北京飞利信信息安全技术有限公司 | 一种用于配电网的管控方法、装置、电子设备及存储介质 |
| CN115964668A (zh) * | 2022-11-26 | 2023-04-14 | 青岛益堃达热能设备有限公司 | 一种基于大数据的供热监控分析方法、装置、设备及介质 |
| CN116091103A (zh) * | 2023-03-06 | 2023-05-09 | 北京佰信蓝图科技股份有限公司 | 一种周期环境整治测算方法、装置、电子设备及介质 |
| CN116090710A (zh) * | 2023-04-11 | 2023-05-09 | 湖北君邦环境技术有限责任公司 | 一种企业排污许可的管理方法、系统、电子设备及介质 |
-
2023
- 2023-07-21 CN CN202310902278.7A patent/CN116934354B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
| CN113670427A (zh) * | 2021-08-26 | 2021-11-19 | 深圳诺博医疗科技有限公司 | 称重自校正方法、处理模块、称重装置及存储介质 |
| CN114565196A (zh) * | 2022-04-28 | 2022-05-31 | 北京零点远景网络科技有限公司 | 基于政务热线的多事件趋势预判方法、装置、设备及介质 |
| CN115238969A (zh) * | 2022-06-30 | 2022-10-25 | 杭州卫康有害生物防治有限公司 | 一种白蚁预防的趋势预测方法、装置、电子设备及介质 |
| CN115097376A (zh) * | 2022-08-24 | 2022-09-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计量设备的校验数据的处理方法、装置和计算机设备 |
| CN115728445A (zh) * | 2022-10-15 | 2023-03-03 | 北京中立格林传感科技股份有限公司 | 传感器校准方法、装置、设备及计算机可读存储介质 |
| CN115964668A (zh) * | 2022-11-26 | 2023-04-14 | 青岛益堃达热能设备有限公司 | 一种基于大数据的供热监控分析方法、装置、设备及介质 |
| CN115796434A (zh) * | 2023-01-29 | 2023-03-14 | 北京飞利信信息安全技术有限公司 | 一种用于配电网的管控方法、装置、电子设备及存储介质 |
| CN116091103A (zh) * | 2023-03-06 | 2023-05-09 | 北京佰信蓝图科技股份有限公司 | 一种周期环境整治测算方法、装置、电子设备及介质 |
| CN116090710A (zh) * | 2023-04-11 | 2023-05-09 | 湖北君邦环境技术有限责任公司 | 一种企业排污许可的管理方法、系统、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116934354B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Eses: Software for e ulerian solvent excluded surface | |
| Viechtbauer | Model checking in meta-analysis | |
| Kowalski et al. | Efficient screening of covariates in population models using Wald's approximation to the likelihood ratio test | |
| CN111242793B (zh) | 医保数据异常的检测方法和装置 | |
| Guo et al. | SOC estimation with an adaptive unscented Kalman filter based on model parameter optimization | |
| CN115728445B (zh) | 传感器校准方法、装置、设备及计算机可读存储介质 | |
| EP4021285A1 (en) | Method and apparatus for individualized administration of medicaments for enhanced safe delivery within a therapeutic range | |
| CN114565196B (zh) | 基于政务热线的多事件趋势预判方法、装置、设备及介质 | |
| CN112233200A (zh) | 剂量确定方法及装置 | |
| Köhler et al. | Nonlinear association structures in flexible Bayesian additive joint models | |
| Brembeck | A physical model-based observer framework for nonlinear constrained state estimation applied to battery state estimation | |
| US20220036966A1 (en) | Machine learning for protein binding sites | |
| CN115238969A (zh) | 一种白蚁预防的趋势预测方法、装置、电子设备及介质 | |
| CN116934354B (zh) | 一种药品计量称的监管方法、装置、电子设备及介质 | |
| Dash et al. | Gradient gravitational search: an efficient metaheuristic algorithm for global optimization | |
| CN115839344B (zh) | 一种用于渣浆泵的磨损监管方法、装置、设备及存储介质 | |
| US20210174229A1 (en) | Device for ensembling data received from prediction devices and operating method thereof | |
| US11651289B2 (en) | System to identify and explore relevant predictive analytics tasks of clinical value and calibrate predictive model outputs to a prescribed minimum level of predictive accuracy | |
| Amo-Salas et al. | Optimal designs for two nested pharmacokinetic models with correlated observations | |
| CN116587062A (zh) | 一种数控锯床的监管方法、装置、电子设备及存储介质 | |
| US20210035672A1 (en) | Method and apparatus for individualized administration of medicaments for delivery within a therapeutic range | |
| Kakhi et al. | Modeling of pharmacokinetic systems using stochastic deconvolution | |
| Ngo et al. | Bayesian credible subgroup identification for treatment effectiveness in time-to-event data | |
| CN115452101A (zh) | 一种仪表检定方法、装置、设备及介质 | |
| CN114490412A (zh) | 基于自减逆向云发生器的三维cad软件性能度量方法及装置 |
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 |