CN117074627A - 基于人工智能的医疗实验室空气质量监测系统 - Google Patents

基于人工智能的医疗实验室空气质量监测系统 Download PDF

Info

Publication number
CN117074627A
CN117074627A CN202311335738.9A CN202311335738A CN117074627A CN 117074627 A CN117074627 A CN 117074627A CN 202311335738 A CN202311335738 A CN 202311335738A CN 117074627 A CN117074627 A CN 117074627A
Authority
CN
China
Prior art keywords
air quality
quality monitoring
time
node
data
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
Application number
CN202311335738.9A
Other languages
English (en)
Other versions
CN117074627B (zh
Inventor
朱雅琦
王超
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.)
Sanke Intelligent Shandong Group Co ltd
Original Assignee
Sanke Intelligent Shandong Group 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 Sanke Intelligent Shandong Group Co ltd filed Critical Sanke Intelligent Shandong Group Co ltd
Priority to CN202311335738.9A priority Critical patent/CN117074627B/zh
Publication of CN117074627A publication Critical patent/CN117074627A/zh
Application granted granted Critical
Publication of CN117074627B publication Critical patent/CN117074627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于人工智能的医疗实验室空气质量监测系统，系统包括：数据采集模块、数据预处理模块、构建时空图结构数据模块、构建空气质量监测模型模块和空气质量异常监测模块。本发明属于空气质量监测技术领域，具体是指基于人工智能的医疗实验室空气质量监测系统，将空间加权邻接矩阵和基于加权平均方法优化的时间加权邻接矩阵相结合，从而完成时空图结构数据的构建；采用编码‑解码的方式构建了空气质量监测模型，并且嵌入了时间上下文信息，通过计算节点嵌入和恢复连接权重，实现了对空气质量监测数据的重建和异常检测。

Description

基于人工智能的医疗实验室空气质量监测系统
技术领域
本发明属于空气质量监测技术领域，具体是指基于人工智能的医疗实验室空气质量监测系统。
背景技术
通过空气质量监测系统可以实时监测空气质量，提高实验室安全性，并确保医疗实验的质量和可靠性。但是传统的空气质量监测是基于单个空气质量监测站的时间相关性进行异常检测，存在忽略了空气质量监测站之间的空间相关性，降低空气质量监测的准确性的问题；传统的空气质量监测模型存在面对大量数据时无法准确检测异常，导致误报或漏报，并且无法充分利用时间和空间的上下文信息来优化检测的问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于人工智能的医疗实验室空气质量监测系统，针对传统的空气质量监测是基于单个空气质量监测站的时间相关性进行异常检测，存在忽略了空气质量监测站之间的空间相关性，降低空气质量监测的准确性的问题，本方案将空间加权邻接矩阵和时间加权邻接矩阵相结合，从而完成时空图结构数据的构建，将每个空气质量监测站作为一个节点，计算了节点间的连接权重，并且在时间加权邻接矩阵上综合考虑多个指标，使得空气质量监测模型能够更好地捕捉到空气质量监测数据在时空上的变化规律，提高了空气质量监测模型的准确性和可解释性；针对传统的空气质量监测模型存在面对大量数据时无法准确检测异常，导致误报或漏报，并且无法充分利用时间和空间的上下文信息来优化检测的问题，本方案采用编码-解码的方式构建了空气质量监测模型，并且嵌入了时间上下文信息，将一周内的每一天和一天内的每个小时作为时间上下文信息进行嵌入，更好的提取时间相关特征，通过计算节点嵌入和恢复连接权重，实现了对空气质量监测数据的重建和异常检测，能够准确地捕捉到异常状态，提高了空气质量异常监测的精确度和效率。
本发明提供的基于人工智能的医疗实验室空气质量监测系统，包括数据采集模块、数据预处理模块、构建时空图结构数据模块、构建空气质量监测模型模块和空气质量异常监测模块；
所述数据采集模块采集医疗实验室内的空气质量监测数据；
所述数据预处理模块删除历史空气质量监测数据集中存在的不正确、不相关和重复的空气质量监测数据，并进行缺失值处理和数据归一化处理；
所述构建时空图结构数据模块将空间加权邻接矩阵和基于加权平均方法优化的时间加权邻接矩阵相结合，从而完成时空图结构数据的构建；
所述构建空气质量监测模型模块采用编码-解码的方式构建了空气质量监测模型，并且嵌入了时间上下文信息，通过计算节点嵌入和恢复连接权重，实现了对空气质量监测数据的重建和异常检测；
所述空气质量异常监测模块基于预先设定的异常阈值判断医疗实验室内的空气质量是否为异常状态，完成空气质量异常监测。
进一步地，所述数据采集模块在医疗实验室内部署多个空气质量监测站，通过空气质量监测站采集医疗实验室内的空气质量监测数据，通过收集医疗实验室内的历史空气质量监测数据，构建历史空气质量监测数据集，并通过采集医疗实验室内的实时空气质量监测数据，构建实时空气质量监测数据集。
进一步地，所述数据预处理模块删除历史空气质量监测数据集中存在的不正确、不相关和重复的空气质量监测数据，并对历史空气质量监测数据集进行缺失值处理和数据归一化处理。
进一步地，所述构建时空图结构数据模块连接医疗实验室内的所有空气质量监测站，将每个空气质量监测站作为一个节点，并基于历史空气质量监测数据集构建时空图结构数据，具体包括以下内容：
空间相关数据的构建，通过构建空间相关数据来表示空气质量监测数据的空间相关性，内容如下：
计算节点间的连接权重，所用公式如下：
；
式中，z是连接权重，i和j是节点索引，exp（）是指数函数，dist（i，j）是节点i和节点j之间的距离，α是控制相邻节点宽度的参数；
建立空间加权邻接矩阵，所用公式如下：
；
式中，GZ是空间加权邻接矩阵，N1是节点数量；
时间相关数据的构建，通过构建时间相关数据来表示空气质量监测数据的时间相关性，内容如下：
计算相关系数，基于历史空气质量监测数据集分别计算任意两个节点间空气污染物监测值的皮尔逊积矩相关系数、斯皮尔曼秩序相关系数和肯德尔秩序相关系数，并使用加权平均方法进行优化得到最终的相关系数，所用公式如下：
；
；
；
；
；
式中，Bi和Bj分别是节点i和节点j的空气污染物监测值，和/>分别是节点i和节点j在特征e上的空气污染物监测值，I是空气质量监测数据的特征数量，/>和/>分别是节点i和节点j在特征f上的空气污染物监测值，e和f是空气质量监测数据的特征索引，/>和/>分别是Bi和Bj的算术平均值，de是节点i和节点j在特征e上的空气污染物监测差值，sgn（）是符号函数，ωp、ωs和ωk分别是皮尔逊积矩相关系数、斯皮尔曼秩序相关系数和肯德尔秩序相关系数的权重，/>、/>和/>分别是Bi和Bj的皮尔逊积矩相关系数、斯皮尔曼秩序相关系数和肯德尔秩序相关系数，/>是Bi和Bj的最终相关系数；
建立时间加权邻接矩阵，所用公式如下：
；
式中，HZ是时间加权邻接矩阵；
时空图结构数据的构建，基于空间加权邻接矩阵和时间加权邻接矩阵得到时空加权邻接矩阵，从而得到时空图结构数据，所用公式如下：
Z（t）=GzHz；
Q={q1，q2，…，qN1}；
A（t）=（Q，γ，Z（t））；
式中，Q是节点集合，q是节点，A（t）是在时刻t的时空图结构数据，γ是节点之间的连接集合，Z（t）是在时刻t的时空加权邻接矩阵。
进一步地，所述构建空气质量监测模型模块基于历史空气质量监测数据集的时空结构图数据A（t）构建空气质量监测模型，具体包括以下内容：
编码，执行编码获得低维的图嵌入，内容如下：
计算节点嵌入，基于GraphSAGE算法计算节点嵌入，所用公式如下：
；
；
式中，是节点i在时刻t的嵌入，qj是节点j，Ni（t）是在时刻t与节点i相邻的节点集合，Nj（t）是在时刻t时与节点j相邻的节点集合，zij（t）是节点i和节点j在时刻t的连接权重，/>是节点j在时刻t的第l层的嵌入，dl是层l的嵌入尺寸；
更新下一层的节点嵌入，所用公式如下：
；
；
式中，Zl是层l的连接权重矩阵，Concat是聚合运算符，ReLU是非线性函数，是节点i在时刻t的第l+1层的嵌入的估计值，/>是节点i在时刻t的第l+1层的嵌入，是/>的L2范数；
嵌入时间上下文信息，空气质量监测数据在u周v天内是周期性的，嵌入u周中相应的一天对应的信息hweek和嵌入v天中相应的小时对应的信息hhour；
计算图嵌入，所用公式如下：
；
；
式中，hA（t）是在时刻t通过ReLU函数将转换为低维的图嵌入，/>是在时刻t合并的最终图嵌入，ZA是时空结构图数据A（t）的权重矩阵，/>是节点i在时刻t的第1层到第L层的嵌入，L是嵌入的层数；
解码，内容如下：
恢复节点嵌入，所用公式如下：
；
式中，是恢复的节点嵌入，/>是需要训练的权重矩阵；
恢复单个节点嵌入，所用公式如下：
；
式中，hi（t）是节点i在时刻t的嵌入，Unstack是取消堆栈函数；
恢复连接权重，所用公式如下：
；
；
；
；
式中，do是连接权重的维度，dL是节点嵌入的层数，和/>是权重矩阵，hj（t）是节点j在时刻t的嵌入，/>是节点i和节点j在时刻t的连接权重的估计值，zij（t）是节点i和节点j在时刻t的连接权重，σ是Sigmoid函数；
计算重建误差，使用MSE损失函数计算重建误差，所用公式如下：
；
式中，K（t）是在时刻t的重建误差，γ是在时刻t的连接集合，eij是连接关系的索引。
进一步地，所述空气质量异常监测模块预先设定异常阈值δ，将实时空气质量监测数据集输入到空气质量监测模型中，当重建误差K（t）≥δ时，则医疗实验室内的空气质量为异常状态，系统发出报警信号。
采用上述方案本发明取得的有益效果如下：
（1）针对传统的空气质量监测是基于单个空气质量监测站的时间相关性进行异常检测，存在忽略了空气质量监测站之间的空间相关性，降低空气质量监测的准确性的问题，本方案将空间加权邻接矩阵和时间加权邻接矩阵相结合，从而完成时空图结构数据的构建，将每个空气质量监测站作为一个节点，计算了节点间的连接权重，并且在时间加权邻接矩阵上综合考虑多个指标，使得空气质量监测模型能够更好地捕捉到空气质量监测数据在时空上的变化规律，提高了空气质量监测模型的准确性和可解释性。
（2）针对传统的空气质量监测模型存在面对大量数据时无法准确检测异常，导致误报或漏报，并且无法充分利用时间和空间的上下文信息来优化检测的问题，本方案采用编码-解码的方式构建了空气质量监测模型，并且嵌入了时间上下文信息，将一周内的每一天和一天内的每个小时作为时间上下文信息进行嵌入，更好的提取时间相关特征，通过计算节点嵌入和恢复连接权重，实现了对空气质量监测数据的重建和异常检测，能够准确地捕捉到异常状态，提高了空气质量异常监测的精确度和效率。
附图说明
图1为本发明提供的基于人工智能的医疗实验室空气质量监测系统的示意图；
图2为数据预处理模块的示意图；
图3为构建时空图结构数据模块的示意图；
图4为构建空气质量监测模型模块的示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的基于人工智能的医疗实验室空气质量监测系统，包括数据采集模块、数据预处理模块、构建时空图结构数据模块、构建空气质量监测模型模块和空气质量异常监测模块；
所述数据采集模块采集医疗实验室内的空气质量监测数据；
所述数据预处理模块删除历史空气质量监测数据集中存在的不正确、不相关和重复的空气质量监测数据，并进行缺失值处理和数据归一化处理；
所述构建时空图结构数据模块将空间加权邻接矩阵和基于加权平均方法优化的时间加权邻接矩阵相结合，从而完成时空图结构数据的构建；
所述构建空气质量监测模型模块采用编码-解码的方式构建了空气质量监测模型，并且嵌入了时间上下文信息，通过计算节点嵌入和恢复连接权重，实现了对空气质量监测数据的重建和异常检测；
所述空气质量异常监测模块基于预先设定的异常阈值判断医疗实验室内的空气质量是否为异常状态，完成空气质量异常监测。
实施例二，参阅图1，该实施例基于上述实施例，数据采集模块在医疗实验室内部署多个空气质量监测站，通过空气质量监测站采集医疗实验室内的空气质量监测数据，通过收集医疗实验室内的历史空气质量监测数据，构建历史空气质量监测数据集，并通过采集医疗实验室内的实时空气质量监测数据，构建实时空气质量监测数据集。
实施例三，参阅图1和图2，该实施例基于上述实施例，数据预处理模块删除历史空气质量监测数据集中存在的不正确、不相关和重复的空气质量监测数据，并对历史空气质量监测数据集进行缺失值处理和数据归一化处理。
实施例四，参阅图1和图3，该实施例基于上述实施例，构建时空图结构数据模块连接医疗实验室内的所有空气质量监测站，将每个空气质量监测站作为一个节点，并基于历史空气质量监测数据集构建时空图结构数据，具体包括以下内容：
空间相关数据的构建，通过构建空间相关数据来表示空气质量监测数据的空间相关性，内容如下：
计算节点间的连接权重，所用公式如下：
；
式中，z是连接权重，i和j是节点索引，exp（）是指数函数，dist（i，j）是节点i和节点j之间的距离，α是控制相邻节点宽度的参数；
建立空间加权邻接矩阵，所用公式如下：
；
式中，GZ是空间加权邻接矩阵，N1是节点数量；
时间相关数据的构建，通过构建时间相关数据来表示空气质量监测数据的时间相关性，内容如下：
计算相关系数，基于历史空气质量监测数据集分别计算任意两个节点间空气污染物监测值的皮尔逊积矩相关系数、斯皮尔曼秩序相关系数和肯德尔秩序相关系数，并使用加权平均方法进行优化得到最终的相关系数，所用公式如下：
；
；
；
；
；
式中，Bi和Bj分别是节点i和节点j的空气污染物监测值，和/>分别是节点i和节点j在特征e上的空气污染物监测值，I是空气质量监测数据的特征数量，/>和/>分别是节点i和节点j在特征f上的空气污染物监测值，e和f是空气质量监测数据的特征索引，/>和/>分别是Bi和Bj的算术平均值，de是节点i和节点j在特征e上的空气污染物监测差值，sgn（）是符号函数，ωp、ωs和ωk分别是皮尔逊积矩相关系数、斯皮尔曼秩序相关系数和肯德尔秩序相关系数的权重，/>、/>和/>分别是Bi和Bj的皮尔逊积矩相关系数、斯皮尔曼秩序相关系数和肯德尔秩序相关系数，/>是Bi和Bj的最终相关系数；
建立时间加权邻接矩阵，所用公式如下：
；
式中，HZ是时间加权邻接矩阵；
时空图结构数据的构建，基于空间加权邻接矩阵和时间加权邻接矩阵得到时空加权邻接矩阵，从而得到时空图结构数据，所用公式如下：
Z（t）=GzHz；
Q={q1，q2，…，qN1}；
A（t）=（Q，γ，Z（t））；
式中，Q是节点集合，q是节点，A（t）是在时刻t的时空图结构数据，γ是节点之间的连接集合，Z（t）是在时刻t的时空加权邻接矩阵。
通过执行上述操作，针对传统的空气质量监测是基于单个空气质量监测站的时间相关性进行异常检测，存在忽略了空气质量监测站之间的空间相关性，降低空气质量监测的准确性的问题，本方案将空间加权邻接矩阵和时间加权邻接矩阵相结合，从而完成时空图结构数据的构建，将每个空气质量监测站作为一个节点，计算了节点间的连接权重，并且在时间加权邻接矩阵上综合考虑多个指标，使得空气质量监测模型能够更好地捕捉到空气质量监测数据在时空上的变化规律，提高了空气质量监测模型的准确性和可解释性。
实施例五，参阅图1和图4，该实施例基于上述实施例，构建空气质量监测模型模块基于历史空气质量监测数据集的时空结构图数据A（t）构建空气质量监测模型，具体包括以下内容：
编码，执行编码获得低维的图嵌入，内容如下：
计算节点嵌入，基于GraphSAGE算法计算节点嵌入，所用公式如下：
；
；
式中，是节点i在时刻t的嵌入，qj是节点j，Ni（t）是在时刻t与节点i相邻的节点集合，Nj（t）是在时刻t时与节点j相邻的节点集合，zij（t）是节点i和节点j在时刻t的连接权重，/>是节点j在时刻t的第l层的嵌入，dl是层l的嵌入尺寸；
更新下一层的节点嵌入，所用公式如下：
；
；
式中，Zl是层l的连接权重矩阵，Concat是聚合运算符，ReLU是非线性函数，是节点i在时刻t的第l+1层的嵌入的估计值，/>是节点i在时刻t的第l+1层的嵌入，是/>的L2范数；
嵌入时间上下文信息，空气质量监测数据在u周v天内是周期性的，嵌入u周中相应的一天对应的信息hweek和嵌入v天中相应的小时对应的信息hhour；
计算图嵌入，所用公式如下：
；
；
式中，hA（t）是在时刻t通过ReLU函数将转换为低维的图嵌入，/>是在时刻t合并的最终图嵌入，ZA是时空结构图数据A（t）的权重矩阵，/>是节点i在时刻t的第1层到第L层的嵌入，L是嵌入的层数；
解码，内容如下：
恢复节点嵌入，所用公式如下：
；
式中，是恢复的节点嵌入，/>是需要训练的权重矩阵；
恢复单个节点嵌入，所用公式如下：
；
式中，hi（t）是节点i在时刻t的嵌入，Unstack是取消堆栈函数；
恢复连接权重，所用公式如下：
；
；
；
；
式中，do是连接权重的维度，dL是节点嵌入的层数，和/>是权重矩阵，hj（t）是节点j在时刻t的嵌入，/>是节点i和节点j在时刻t的连接权重的估计值，zij（t）是节点i和节点j在时刻t的连接权重，σ是Sigmoid函数；
计算重建误差，使用MSE损失函数计算重建误差，所用公式如下：
；
式中，K（t）是在时刻t的重建误差，γ是在时刻t的连接集合，eij是连接关系的索引。
通过执行上述操作，针对传统的空气质量监测模型存在面对大量数据时无法准确检测异常，导致误报或漏报，并且无法充分利用时间和空间的上下文信息来优化检测的问题，本方案采用编码-解码的方式构建了空气质量监测模型，并且嵌入了时间上下文信息，将一周内的每一天和一天内的每个小时作为时间上下文信息进行嵌入，更好的提取时间相关特征，通过计算节点嵌入和恢复连接权重，实现了对空气质量监测数据的重建和异常检测，能够准确地捕捉到异常状态，提高了空气质量异常监测的精确度和效率。
实施例六，参阅图1，该实施例基于上述实施例，空气质量异常监测模块预先设定异常阈值δ，将实时空气质量监测数据集输入到空气质量监测模型中，当重建误差K（t）≥δ时，则医疗实验室内的空气质量为异常状态，系统发出报警信号。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (6)

1.基于人工智能的医疗实验室空气质量监测系统，其特征在于：包括数据采集模块、数据预处理模块、构建时空图结构数据模块、构建空气质量监测模型模块和空气质量异常监测模块；
所述数据采集模块采集医疗实验室内的空气质量监测数据；
所述数据预处理模块删除历史空气质量监测数据集中存在的不正确、不相关和重复的空气质量监测数据，并进行缺失值处理和数据归一化处理；
所述构建时空图结构数据模块将空间加权邻接矩阵和基于加权平均方法优化的时间加权邻接矩阵相结合，从而完成时空图结构数据的构建；
所述构建空气质量监测模型模块采用编码-解码的方式构建了空气质量监测模型，并且嵌入了时间上下文信息，通过计算节点嵌入和恢复连接权重，实现了对空气质量监测数据的重建和异常检测；
所述空气质量异常监测模块基于预先设定的异常阈值判断医疗实验室内的空气质量是否为异常状态，完成空气质量异常监测。
2.根据权利要求1所述的基于人工智能的医疗实验室空气质量监测系统，其特征在于：所述构建时空图结构数据模块连接医疗实验室内的所有空气质量监测站，将每个空气质量监测站作为一个节点，并基于历史空气质量监测数据集构建时空图结构数据，具体包括以下内容：
空间相关数据的构建，通过构建空间相关数据来表示空气质量监测数据的空间相关性，内容如下：
计算节点间的连接权重，所用公式如下：
；
式中，z是连接权重，i和j是节点索引，exp（）是指数函数，dist（i，j）是节点i和节点j之间的距离，α是控制相邻节点宽度的参数；
建立空间加权邻接矩阵，所用公式如下：
；
式中，GZ是空间加权邻接矩阵，N1是节点数量；
时间相关数据的构建，通过构建时间相关数据来表示空气质量监测数据的时间相关性，内容如下：
计算相关系数，基于历史空气质量监测数据集分别计算任意两个节点间空气污染物监测值的皮尔逊积矩相关系数、斯皮尔曼秩序相关系数和肯德尔秩序相关系数，并使用加权平均方法进行优化得到最终的相关系数，所用公式如下：
；
；
；
；
；
式中，Bi和Bj分别是节点i和节点j的空气污染物监测值，和/>分别是节点i和节点j在特征e上的空气污染物监测值，I是空气质量监测数据的特征数量，/>和/>分别是节点i和节点j在特征f上的空气污染物监测值，e和f是空气质量监测数据的特征索引，/>和/>分别是Bi和Bj的算术平均值，de是节点i和节点j在特征e上的空气污染物监测差值，sgn（）是符号函数，ωp、ωs和ωk分别是皮尔逊积矩相关系数、斯皮尔曼秩序相关系数和肯德尔秩序相关系数的权重，/>、/>和/>分别是Bi和Bj的皮尔逊积矩相关系数、斯皮尔曼秩序相关系数和肯德尔秩序相关系数，/>是Bi和Bj的最终相关系数；
建立时间加权邻接矩阵，所用公式如下：
；
式中，HZ是时间加权邻接矩阵；
时空图结构数据的构建，基于空间加权邻接矩阵和时间加权邻接矩阵得到时空加权邻接矩阵，从而得到时空图结构数据，所用公式如下：
Z（t）=GzHz；
Q={q1，q2，…，qN1}；
A（t）=（Q，γ，Z（t））；
式中，Q是节点集合，q是节点，A（t）是在时刻t的时空图结构数据，γ是节点之间的连接集合，Z（t）是在时刻t的时空加权邻接矩阵。
3.根据权利要求1所述的基于人工智能的医疗实验室空气质量监测系统，其特征在于：所述构建空气质量监测模型模块基于历史空气质量监测数据集的时空结构图数据A（t）构建空气质量监测模型，具体包括以下内容：
编码，执行编码获得低维的图嵌入，内容如下：
计算节点嵌入，基于GraphSAGE算法计算节点嵌入，所用公式如下：
；
；
式中，是节点i在时刻t的嵌入，qj是节点j，Ni（t）是在时刻t与节点i相邻的节点集合，Nj（t）是在时刻t时与节点j相邻的节点集合，zij（t）是节点i和节点j在时刻t的连接权重，/>是节点j在时刻t的第l层的嵌入，dl是层l的嵌入尺寸；
更新下一层的节点嵌入，所用公式如下：
；
；
式中，Zl是层l的连接权重矩阵，Concat是聚合运算符，ReLU是非线性函数，是节点i在时刻t的第l+1层的嵌入的估计值，/>是节点i在时刻t的第l+1层的嵌入，是/>的L2范数；
嵌入时间上下文信息，空气质量监测数据在u周v天内是周期性的，嵌入u周中相应的一天对应的信息hweek和嵌入v天中相应的小时对应的信息hhour；
计算图嵌入，所用公式如下：
；
；
式中，hA（t）是在时刻t通过ReLU函数将转换为低维的图嵌入，/>是在时刻t合并的最终图嵌入，ZA是时空结构图数据A（t）的权重矩阵，/>是节点i在时刻t的第1层到第L层的嵌入，L是嵌入的层数；
解码，内容如下：
恢复节点嵌入，所用公式如下：
；
式中，是恢复的节点嵌入，/>是需要训练的权重矩阵；
恢复单个节点嵌入，所用公式如下：
；
式中，hi（t）是节点i在时刻t的嵌入，Unstack是取消堆栈函数；
恢复连接权重，所用公式如下：
；
；
；
；
式中，do是连接权重的维度，dL是节点嵌入的层数，和/>是权重矩阵，hj（t）是节点j在时刻t的嵌入，/>是节点i和节点j在时刻t的连接权重的估计值，zij（t）是节点i和节点j在时刻t的连接权重，σ是Sigmoid函数；
计算重建误差，使用MSE损失函数计算重建误差，所用公式如下：
；
式中，K（t）是在时刻t的重建误差，γ是在时刻t的连接集合，eij是连接关系的索引。
4.根据权利要求1所述的基于人工智能的医疗实验室空气质量监测系统，其特征在于：所述数据预处理模块删除历史空气质量监测数据集中存在的不正确、不相关和重复的空气质量监测数据，并进行缺失值处理和数据归一化处理。
5.根据权利要求1所述的基于人工智能的医疗实验室空气质量监测系统，其特征在于：所述数据采集模块在医疗实验室内部署多个空气质量监测站，通过空气质量监测站采集医疗实验室内的空气质量监测数据，通过收集医疗实验室内的历史空气质量监测数据，构建历史空气质量监测数据集，并通过采集医疗实验室内的实时空气质量监测数据，构建实时空气质量监测数据集。
6.根据权利要求1所述的基于人工智能的医疗实验室空气质量监测系统，其特征在于：所述空气质量异常监测模块预先设定异常阈值δ，将实时空气质量监测数据集输入到空气质量监测模型中，当重建误差K（t）≥δ时，则医疗实验室内的空气质量为异常状态，系统发出报警信号。
CN202311335738.9A 2023-10-16 2023-10-16 基于人工智能的医疗实验室空气质量监测系统 Active CN117074627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311335738.9A CN117074627B (zh) 2023-10-16 2023-10-16 基于人工智能的医疗实验室空气质量监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311335738.9A CN117074627B (zh) 2023-10-16 2023-10-16 基于人工智能的医疗实验室空气质量监测系统

Publications (2)

Publication Number Publication Date
CN117074627A true CN117074627A (zh) 2023-11-17
CN117074627B CN117074627B (zh) 2024-01-09

Family

ID=88704653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311335738.9A Active CN117074627B (zh) 2023-10-16 2023-10-16 基于人工智能的医疗实验室空气质量监测系统

Country Status (1)

Country Link
CN (1) CN117074627B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117350175A (zh) * 2023-12-04 2024-01-05 河北东医生物科技有限公司 人工智能生态因子空气环境质量监测方法及系统

Citations (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423414A (zh) * 2017-07-28 2017-12-01 西安交通大学 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法
WO2018214060A1 (zh) * 2017-05-24 2018-11-29 北京质享科技有限公司 一种城市小尺度空气质量指数预测方法与系统
CN111738054A (zh) * 2020-04-17 2020-10-02 北京理工大学 一种基于时空自编码器网络和时空cnn的行为异常检测方法
CN111831870A (zh) * 2020-06-12 2020-10-27 北京百度网讯科技有限公司 时空数据的异常检测方法、装置、电子设备和存储介质
CN111949749A (zh) * 2020-07-30 2020-11-17 中国科学技术大学 基于高阶图卷积网络的空气质量监测站点位置推荐方法
CN112036075A (zh) * 2020-08-11 2020-12-04 中国环境监测总站 一种基于环境监测数据关联关系的异常数据判定方法
CN113326981A (zh) * 2021-05-26 2021-08-31 北京交通大学 基于动态时空注意力机制的大气环境污染物预测模型
CN113516304A (zh) * 2021-06-29 2021-10-19 上海师范大学 基于时空图网络的区域污染物时空联合预测方法及装置
US20210342722A1 (en) * 2020-12-23 2021-11-04 Beijing Baidu Netcom Science And Technology Co., Ltd. Air quality prediction model training method, air quality prediction method, electronic device and storage medium
CN113744541A (zh) * 2021-05-17 2021-12-03 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 对抗图卷积网络的路网排放缺失时空分布重构方法及系统
US20210389290A1 (en) * 2020-06-12 2021-12-16 Chinese Research Academy Of Environmental Sciences Intelligent Monitoring and Analysis Method for Air Pollution and Device Thereof
CN113919231A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN114240000A (zh) * 2021-12-31 2022-03-25 北京工业大学 一种基于时空图卷积网络的空气质量预测方法
CN114648095A (zh) * 2022-02-28 2022-06-21 南京邮电大学 一种基于深度学习的空气质量浓度反演方法
CN114676121A (zh) * 2022-03-30 2022-06-28 重庆大学 基于多尺度时空记忆共享网络的缺失监测数据填补方法
CN114694767A (zh) * 2022-05-31 2022-07-01 山东科技大学 基于时空图常微分方程网络的pm2.5浓度预测方法
CN114841400A (zh) * 2022-03-25 2022-08-02 哈尔滨工程大学 基于多任务时空图卷积的空气质量预测方法
WO2022160902A1 (zh) * 2021-01-28 2022-08-04 广西大学 面向云环境下大规模多元时间序列数据异常检测方法
CN114968997A (zh) * 2022-05-11 2022-08-30 浙江大学 一种基于时空特征提取的烧结终点预报方法
KR102440752B1 (ko) * 2022-04-08 2022-09-07 주식회사 알고리고 다중 샘플링 센서 융합을 통한 생체 시그널 정보 이상 모니터링 장치 및 방법
CN115200850A (zh) * 2022-07-19 2022-10-18 西安交通大学 多测点样本结构信息显式表征下的机械设备异常检测方法
WO2022217839A1 (zh) * 2021-04-14 2022-10-20 江南大学 一种基于深度时空相似性的空气质量预测方法
CN115293280A (zh) * 2022-08-17 2022-11-04 西安交通大学 基于时空特征分割重构的动力装备系统异常检测方法
CN115310367A (zh) * 2022-09-01 2022-11-08 康志文 一种基于lstm神经网络的矿井空气质量监测系统
CN115345279A (zh) * 2022-08-10 2022-11-15 中国电信股份有限公司 多指标异常检测方法、装置、电子设备及存储介质
CN115629160A (zh) * 2022-10-21 2023-01-20 重庆邮电大学 一种基于时空图的空气污染物浓度预测方法及系统
CN115796359A (zh) * 2022-11-28 2023-03-14 浙江大学 基于深度Koopman算符的PM2.5时空预测方法
CN115795996A (zh) * 2022-09-30 2023-03-14 合肥泰瑞数创科技有限公司 一种基于现实网络图的图神经网络的城市数据实时管理方法及其系统
CN116090333A (zh) * 2022-12-14 2023-05-09 东南大学 基于感知盲区估计的城市公共空间灾害建模与预防系统
CN116187555A (zh) * 2023-02-16 2023-05-30 华中科技大学 基于自适应动态图的交通流预测模型构建方法及预测方法
CN116229036A (zh) * 2023-05-06 2023-06-06 山东国研自动化有限公司 数据采集系统、方法、计算机设备及存储介质
CN116665130A (zh) * 2023-06-07 2023-08-29 河海大学 基于时空图的大坝安全监测多元时间序列异常检测方法
CN116760742A (zh) * 2023-06-21 2023-09-15 南京南瑞信息通信科技有限公司 基于多阶段混合时空融合的网络流量异常检测方法及系统
CN116881671A (zh) * 2023-09-04 2023-10-13 山东智明环保工程有限公司 基于神经网络的大气污染溯源方法及系统

Patent Citations (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018214060A1 (zh) * 2017-05-24 2018-11-29 北京质享科技有限公司 一种城市小尺度空气质量指数预测方法与系统
CN107423414A (zh) * 2017-07-28 2017-12-01 西安交通大学 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法
CN111738054A (zh) * 2020-04-17 2020-10-02 北京理工大学 一种基于时空自编码器网络和时空cnn的行为异常检测方法
CN111831870A (zh) * 2020-06-12 2020-10-27 北京百度网讯科技有限公司 时空数据的异常检测方法、装置、电子设备和存储介质
US20210389290A1 (en) * 2020-06-12 2021-12-16 Chinese Research Academy Of Environmental Sciences Intelligent Monitoring and Analysis Method for Air Pollution and Device Thereof
CN111949749A (zh) * 2020-07-30 2020-11-17 中国科学技术大学 基于高阶图卷积网络的空气质量监测站点位置推荐方法
CN112036075A (zh) * 2020-08-11 2020-12-04 中国环境监测总站 一种基于环境监测数据关联关系的异常数据判定方法
US20210342722A1 (en) * 2020-12-23 2021-11-04 Beijing Baidu Netcom Science And Technology Co., Ltd. Air quality prediction model training method, air quality prediction method, electronic device and storage medium
WO2022160902A1 (zh) * 2021-01-28 2022-08-04 广西大学 面向云环境下大规模多元时间序列数据异常检测方法
WO2022217839A1 (zh) * 2021-04-14 2022-10-20 江南大学 一种基于深度时空相似性的空气质量预测方法
CN113744541A (zh) * 2021-05-17 2021-12-03 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 对抗图卷积网络的路网排放缺失时空分布重构方法及系统
CN113326981A (zh) * 2021-05-26 2021-08-31 北京交通大学 基于动态时空注意力机制的大气环境污染物预测模型
CN113516304A (zh) * 2021-06-29 2021-10-19 上海师范大学 基于时空图网络的区域污染物时空联合预测方法及装置
CN113919231A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN114240000A (zh) * 2021-12-31 2022-03-25 北京工业大学 一种基于时空图卷积网络的空气质量预测方法
CN114648095A (zh) * 2022-02-28 2022-06-21 南京邮电大学 一种基于深度学习的空气质量浓度反演方法
CN114841400A (zh) * 2022-03-25 2022-08-02 哈尔滨工程大学 基于多任务时空图卷积的空气质量预测方法
CN114676121A (zh) * 2022-03-30 2022-06-28 重庆大学 基于多尺度时空记忆共享网络的缺失监测数据填补方法
KR102440752B1 (ko) * 2022-04-08 2022-09-07 주식회사 알고리고 다중 샘플링 센서 융합을 통한 생체 시그널 정보 이상 모니터링 장치 및 방법
CN114968997A (zh) * 2022-05-11 2022-08-30 浙江大学 一种基于时空特征提取的烧结终点预报方法
CN114694767A (zh) * 2022-05-31 2022-07-01 山东科技大学 基于时空图常微分方程网络的pm2.5浓度预测方法
CN115200850A (zh) * 2022-07-19 2022-10-18 西安交通大学 多测点样本结构信息显式表征下的机械设备异常检测方法
CN115345279A (zh) * 2022-08-10 2022-11-15 中国电信股份有限公司 多指标异常检测方法、装置、电子设备及存储介质
CN115293280A (zh) * 2022-08-17 2022-11-04 西安交通大学 基于时空特征分割重构的动力装备系统异常检测方法
CN115310367A (zh) * 2022-09-01 2022-11-08 康志文 一种基于lstm神经网络的矿井空气质量监测系统
CN115795996A (zh) * 2022-09-30 2023-03-14 合肥泰瑞数创科技有限公司 一种基于现实网络图的图神经网络的城市数据实时管理方法及其系统
CN115629160A (zh) * 2022-10-21 2023-01-20 重庆邮电大学 一种基于时空图的空气污染物浓度预测方法及系统
CN115796359A (zh) * 2022-11-28 2023-03-14 浙江大学 基于深度Koopman算符的PM2.5时空预测方法
CN116090333A (zh) * 2022-12-14 2023-05-09 东南大学 基于感知盲区估计的城市公共空间灾害建模与预防系统
CN116187555A (zh) * 2023-02-16 2023-05-30 华中科技大学 基于自适应动态图的交通流预测模型构建方法及预测方法
CN116229036A (zh) * 2023-05-06 2023-06-06 山东国研自动化有限公司 数据采集系统、方法、计算机设备及存储介质
CN116665130A (zh) * 2023-06-07 2023-08-29 河海大学 基于时空图的大坝安全监测多元时间序列异常检测方法
CN116760742A (zh) * 2023-06-21 2023-09-15 南京南瑞信息通信科技有限公司 基于多阶段混合时空融合的网络流量异常检测方法及系统
CN116881671A (zh) * 2023-09-04 2023-10-13 山东智明环保工程有限公司 基于神经网络的大气污染溯源方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
凌启东;袁冠;王敏;王鸿磊;: "基于信息融合的开放式空气质量监测系统的研究", 电子测量与仪器学报, no. 05 *
周志光;胡迪欣;刘亚楠;陈伟锋;陶煜波;林海;苏为华;: "面向空气质量监测数据时空多维属性的可视分析方法", 计算机辅助设计与图形学学报, no. 08 *
李艳萍;赵晓宇;: "基于LSTM的空气质量预测方法", 科技与创新, no. 07 *
聂斌;胡雪;王曦;: "基于最近邻分析的空气质量时空数据异常点识别", 统计研究, no. 08 *
董婷;赵俭辉;胡勇;: "基于时空优化深度神经网络的AQI等级预测", 计算机工程与应用, no. 21 *
邓雨荣;张炜;梁俊斌;邬蓉蓉;: "基于时间序列分析的油中产气数据趋势测度", 智能电网, no. 08 *
郝舒欣;吕然;刘婕;刘悦;徐东群;: "空气污染对人群就诊影响时间序列分析的数据前处理方法", 环境与健康杂志, no. 05 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117350175A (zh) * 2023-12-04 2024-01-05 河北东医生物科技有限公司 人工智能生态因子空气环境质量监测方法及系统
CN117350175B (zh) * 2023-12-04 2024-03-12 河北东医生物科技有限公司 人工智能生态因子空气环境质量监测方法及系统

Also Published As

Publication number Publication date
CN117074627B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
CN117074627B (zh) 基于人工智能的医疗实验室空气质量监测系统
CN112987675B (zh) 一种异常检测的方法、装置、计算机设备和介质
CN113723010B (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN102313577A (zh) 基于多路传感信号的设备健康状态评估与衰退预测方法
CN115169479A (zh) 污水处理过程远程监控方法、系统及存储介质
CN112367303B (zh) 分布式自学习异常流量协同检测方法及系统
CN114626890A (zh) 一种基于图结构学习的异常用户检测方法
CN111881413B (zh) 基于矩阵分解的多源时间序列缺失数据恢复方法
CN114265913A (zh) 工业物联网边缘设备上基于联邦学习的空时预测算法
Anirudh et al. Influential sample selection: A graph signal processing approach
CN115935147A (zh) 低秩和稀疏张量表示的交通数据恢复和异常值检测方法
CN114266301A (zh) 基于图卷积神经网络的电力设备故障智能预测方法
CN112163020A (zh) 一种多维时间序列异常检测方法及检测系统
CN116663613A (zh) 一种面向智能物联系统的多元时序异常检测方法
CN116520799A (zh) 基于时空变分图注意力自编码器的复杂工业过程故障检测方法
CN117272196A (zh) 一种基于时空图注意力网络的工业时序数据异常检测方法
Kaur et al. Missing traffic data imputation using a dual-stage error-corrected boosting regressor with uncertainty estimation
CN114048546A (zh) 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法
CN115330362A (zh) 一种工程进度数据处理方法及系统
CN114689351A (zh) 一种设备故障预测性诊断系统及方法
CN112633607A (zh) 一种动态时空事件预测方法及系统
CN114863356B (zh) 一种基于残差聚合图网络的群体活动识别方法及系统
CN117688464B (zh) 一种基于多源传感器数据的隐患分析方法及系统
CN117724452A (zh) 一种基于图神经网络的工业过程异常检测方法
CN113469228A (zh) 一种基于数据流时空特征的电力负荷异常值辨识方法

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