CN117323578A - 一种红外治疗仪智能控制方法及系统 - Google Patents
一种红外治疗仪智能控制方法及系统 Download PDFInfo
- Publication number
- CN117323578A CN117323578A CN202311628967.XA CN202311628967A CN117323578A CN 117323578 A CN117323578 A CN 117323578A CN 202311628967 A CN202311628967 A CN 202311628967A CN 117323578 A CN117323578 A CN 117323578A
- Authority
- CN
- China
- Prior art keywords
- dynamic parameter
- preset
- actual dynamic
- sub
- equipment
- 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
- 230000001225 therapeutic effect Effects 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 112
- 238000003066 decision tree Methods 0.000 claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 230000000694 effects Effects 0.000 claims abstract description 33
- 238000013500 data storage Methods 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 230000001105 regulatory effect Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 30
- 230000007704 transition Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000005192 partition Methods 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 claims description 11
- 230000007774 longterm Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017423 tissue regeneration Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/06—Radiation therapy using light
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/06—Radiation therapy using light
- A61N2005/0626—Monitoring, verifying, controlling systems and methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/06—Radiation therapy using light
- A61N2005/0658—Radiation therapy using light characterised by the wavelength of light used
- A61N2005/0659—Radiation therapy using light characterised by the wavelength of light used infrared
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明涉及医疗设备控制技术领域，特别是一种红外治疗仪智能控制方法及系统，获取各子设备在预设子治疗时间段的实际动态参数，构建决策树模型，并将数据存储空间中实际动态参数导入所述决策树模型中进行分类，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集；通过PAC算法对各实际动态参数子集进行降维处理，并通过Dunn指数对降维后的实际动态参数子集进行分类效果评估；对评估效果为分类异常的实际动态参数子集进行修正，得到分类正常的实际动态参数子集；根据各子设备的运行状态确定出相应的调控措施，能够根据红外治疗仪的实时运行状态对相应子设备进行调控，响应速度快，能够有效提高治疗效率与治疗效果。
Description
技术领域
本发明涉及医疗设备控制技术领域，特别是一种红外治疗仪智能控制方法及系统。
背景技术
红外治疗仪是一类利用红外辐射技术进行治疗的医疗设备，它可以通过发射红外光线进入人体组织，产生热效应以促进血液循环、缓解疼痛、促进组织修复等治疗效果。随着科技的不断进步，红外治疗仪逐渐引入智能控制技术，以提供更加可靠和精准的治疗。现有的智能控制方法缺乏快速、自主调控能力，尽管其中一些系统可以根据设备的历史数据和反馈进行相应调控，但仍存在调控速度不够灵敏的缺陷，如当设备温度调控系统的运行状态发生异常时，温度调控反应不够迅速等，降低治疗效果与治疗效率；并且现有控制方法不能结合设备的实际运行参数对设备进行智能调控，难以实现精细化调控。
发明内容
本发明克服了现有技术的不足，提供了一种红外治疗仪智能控制方法及系统。
为达到上述目的本发明采用的技术方案为：
本发明第一方面公开了一种红外治疗仪智能控制方法，包括以下步骤：
获取目标红外治疗仪中各子设备的历史动态参数，根据所述历史动态参数构建LSTM模型，并将目标红外治疗仪的预设治疗方案导入LSTM模型中进行预测，得到各子设备在预设治疗时段内基于时序的预设动态参数集；
将预设治疗时段分为若干个预设子治疗时间段，在目标红外治疗仪工作时，获取各子设备在预设子治疗时间段的实际动态参数，构建若干个数据存储空间，并将在各预设子治疗时间段的所采集得到的实际动态参数导入相应的数据存储空间中；
构建决策树模型，并将数据存储空间中实际动态参数导入所述决策树模型中进行分类，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集；
引入PAC算法与Dunn指数，通过PAC算法对各实际动态参数子集进行降维处理，并通过Dunn指数对降维后的实际动态参数子集进行分类效果评估；对评估效果为分类异常的实际动态参数子集进行修正，得到分类正常的实际动态参数子集；将所有分类正常的实际动态参数子集转化为最终实际动态参数子集；
获取所述最终实际动态参数子集所属的预设子治疗时间段，根据所述所属的预设子治疗时间段对各子设备的预设动态参数集进行切分，得到各子设备在所属的预设子治疗时间段内的预设动态参数子集；
将各最终实际动态参数子集与相应的预设动态参数子集进行比较，以判断出各子设备的运行状态；根据各子设备的运行状态确定出相应的调控措施，并基于所述调控措施控制红外治疗仪运行。
进一步地，本发明的一个较佳实施例中，获取目标红外治疗仪中各子设备的历史动态参数，根据所述历史动态参数构建LSTM模型，并将目标红外治疗仪的预设治疗方案导入LSTM模型中进行预测，得到各子设备在预设治疗时段内基于时序的预设动态参数集，具体为：
获取目标红外治疗仪中各子设备的历史动态参数，分析各子设备的历史动态参数的数据特点，根据所述数据特点将各子设备的历史动态参数分为若干个离散区间，每个离散区间代表一个状态；
根据各个离散区间的历史动态参数，引入马尔科夫链，并结合最大似然法统计从一个状态转移到另一个状态的次数，得到各状态之间的转移概率，根据所述转移概率构建状态转移概率矩阵；
基于卷积神经网络构建LSTM模型，将所述状态转移概率矩阵导入卷积层中进行卷积处理并提取状态转移概率矩阵的局部特征，根据所述局部特征生成LSTM结构的序列关系和长期依赖关系，以确定LSTM模型的层数和每个LSTM层的隐藏状态的维度，输出初始模型参数；
通过前向传播和反向传播算法，调整初始模型参数，使得LSTM模型能够学习序列的时序关系和长期依赖关系，将所述时序关系和长期依赖关系嵌入全连接层中，输出特征序列和目标序列，最后通过Softmax进行分类，保存最终模型参数，得到训练好的LSTM模型；
获取目标红外治疗仪的预设治疗方案，将所述预设治疗方案导入所述训练好的LSTM模型中，以对目标红外治疗仪中各子设备的动态参数进行基于时序预测，得到预测结果；根据所述预测结果得到目标红外治疗仪中各子设备在预设治疗时段内基于时序的预设动态参数集。
进一步地，本发明的一个较佳实施例中，构建决策树模型，并将数据存储空间中实际动态参数导入所述决策树模型中进行分类，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集，具体为：
构建决策树主干，并获取各子设备动态参数对应的划分属性，基于所述划分属性，获取决策树主干的划分节点，并根据所述划分节点对决策树主干进行分割，得到若干枝干；
引入Jaccard相似性系数，并通过Jaccard相似性系数计算各枝干之间的相似性系数，将相似性系数大于预设阈值的枝干标记为异常枝干；并基于遗传算法对异常枝干进行继续划分切割，更新决策树主干中各枝干的形态位置；
重复以上步骤，直至各枝干之间的相似性系数均不大于预设阈值，停止迭代划分，得到决策树模型；计算决策树模型准确率、召回率以及F1值，当准确率、召回率以及F1值均满足预设要求后，输出决策树模型；
将相应数据存储空间中的实际动态参数导入所述决策树模型中，并计算各实际动态参数与各枝干之间的马氏距离，将马氏距离小于预设马氏距离的实际动态参数划分至相应的枝干上；
划分完毕后，对决策树模型的各枝干进行切分，得到若干单独枝干，并获取单独枝干，其中每个单独枝干中附着有相应子设备在相应预设子治疗时间段内实际动态参数；提取各单独枝干上的实际动态参数，并所提取到的实际动态参数进行基于时序排序，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集。
进一步地，本发明的一个较佳实施例中，引入PAC算法与Dunn指数，通过PAC算法对各实际动态参数子集进行降维处理，并通过Dunn指数对降维后的实际动态参数子集进行分类效果评估，具体为：
获取各实际动态参数子集中实际动态参数，并基于高斯核函数度量各实际动态参数子集中实际动态参数之间的相似度，根据所述相似度构建相似度矩阵；
获取各实际动态参数在高维空间中的高维位置分布，根据所述相似度矩阵与高维位置分布计算出高维概率分布；
将实际动态参数子集中实际动态参数随机分布在低维空间中，并获取各实际动态参数在低维空间中的初始位置分布，根据所述相似度矩阵与初始位置分布计算出低维概率分布；
利用梯度下降优化法，最小化高维概率分布与低维概率分布之间的KL散度，并根据最小化的KL散度更新各实际动态参数在低维空间中的位置分布；重复以上步骤，直至迭代次数达到预设次数后，确定各实际动态参数在低维空间中的最终位置分布；
在所述低维空间中获取各实际动态参数子集中各实际动态参数的位置坐标，根据所述位置坐标计算同一实际动态参数子集中所有实际动态参数之间的最小欧式距离；以及根据所述位置坐标计算不同实际动态参数子集中所有实际动态参数之间的最大欧式距离；
根据所述最小欧式距离与最大欧式距离计算出各实际动态参数子集的Dunn指数；将各实际动态参数子集的Dunn指数与预设值进行比较；
将Dunn指数大于预设值的实际动态参数子集标记为分类正常的实际动态参数子集；将Dunn指数不大于预设值的实际动态参数子集标记为分类异常的实际动态参数子集。
进一步地，本发明的一个较佳实施例中，对评估效果为分类异常的实际动态参数子集进行修正，得到分类正常的实际动态参数子集，具体为：
获取评估效果为分类异常的所有实际动态参数子集，通过局部异常因子算法计算各分类异常实际动态参数子集中各实际动态参数的局部异常因子值；并将各分类异常实际动态参数子集中各实际动态参数的局部异常因子值逐一与预设局部异常因子值进行比较；
将局部异常因子值大于预设局部异常因子值的实际动态参数标记为可疑动态参数，并将该可疑动态参数在相应的实际动态参数子集中剔除；
将可疑动态参数分类至其余分类异常实际动态参数子集内，并重新计算各分类异常实际动态参数子集的Dunn指数；若各分类异常实际动态参数子集的Dunn指数均不大于预设值，则将该可疑动态参数标记为无效动态参数，并将其彻底筛除；
若存在至少一个分类异常实际动态参数子集的Dunn指数均大于预设值的情况，则将分类异常实际动态参数子集的Dunn指数进行大小排序，以排序出最大Dunn指数，将该可疑动态参数转化为正常动态参数并分配至与最大Dunn指数相应的分类异常实际动态参数子集中；
重复以上步骤，直至对所有评估效果为分类异常的所有实际动态参数子集均进行离群筛选后，将各分类异常的实际动态参数子集转化为分类正常的实际动态参数子集。
进一步地，本发明的一个较佳实施例中，将各最终实际动态参数子集与相应的预设动态参数子集进行比较，以判断出各子设备的运行状态，具体为：
根据所述最终实际动态参数子集构建实际动态参数曲线图，以及根据预设动态参数子集构建预设动态参数曲线图；
构建平面坐标系，将各子设备的实际动态参数曲线图与预设动态参数曲线图导入所述平面坐标系中；
通过欧几里得距离算法计算各子设备的实际动态参数曲线图与预设动态参数曲线图之间的重叠度；并将实际动态参数曲线图与预设动态参数曲线图之间重叠度与预设重叠度进行比较；
将实际动态参数曲线图与预设动态参数曲线图之间重叠度不大于预设重叠度对应的子设备标记为运行状态异常子设备；将实际动态参数曲线图与预设动态参数曲线图之间重叠度大于预设重叠度对应的子设备标记为运行状态正常子设备。
进一步地，本发明的一个较佳实施例中，根据各子设备的运行状态确定出相应的调控措施，并基于所述调控措施控制红外治疗仪运行，具体为：
通过大数据网各子设备发生各种异常运行状态所对应的调控措施，以及获取各子设备发生各种异常运行状态所对应的异常动态参数集；
构建数据库，将各子设备发生各种异常运行状态所对应的调控措施及其对应的异常动态参数集导入所述数据库中；
获取红外治疗仪中运行状态异常子设备，并获取运行状态异常子设备对应的最终实际动态参数子集，将所述最终实际动态参数子集导入所述数据库中与各异常动态参数集进行匹配，并获取匹配度最高的异常动态参数集；
根据所述匹配度最高的异常动态参数集生成检索标签，基于所述检索标签对所述数据库进行检索，以检索得到对该运行状态异常子设备进行调控的调控措施；
将检索得到的调控措施传送至红外治疗仪的控制终端，以对相应的运行状态异常子设备进行调控。
本发明第二方面公开了一种红外治疗仪智能控制系统，所述智能控制系统包括存储器与处理器，所述存储器中存储有智能控制方法程序，当所述智能控制方法程序被所述处理器执行时，实现如下步骤：
获取目标红外治疗仪中各子设备的历史动态参数，根据所述历史动态参数构建LSTM模型，并将目标红外治疗仪的预设治疗方案导入LSTM模型中进行预测，得到各子设备在预设治疗时段内基于时序的预设动态参数集；
将预设治疗时段分为若干个预设子治疗时间段，在目标红外治疗仪工作时，获取各子设备在预设子治疗时间段的实际动态参数，构建若干个数据存储空间，并将在各预设子治疗时间段的所采集得到的实际动态参数导入相应的数据存储空间中；
构建决策树模型，并将数据存储空间中实际动态参数导入所述决策树模型中进行分类，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集；
引入PAC算法与Dunn指数，通过PAC算法对各实际动态参数子集进行降维处理，并通过Dunn指数对降维后的实际动态参数子集进行分类效果评估；对评估效果为分类异常的实际动态参数子集进行修正，得到分类正常的实际动态参数子集；将所有分类正常的实际动态参数子集转化为最终实际动态参数子集；
获取所述最终实际动态参数子集所属的预设子治疗时间段，根据所述所属的预设子治疗时间段对各子设备的预设动态参数集进行切分，得到各子设备在所属的预设子治疗时间段内的预设动态参数子集；
将各最终实际动态参数子集与相应的预设动态参数子集进行比较，以判断出各子设备的运行状态；根据各子设备的运行状态确定出相应的调控措施，并基于所述调控措施控制红外治疗仪运行。
本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：获取各子设备在预设子治疗时间段的实际动态参数，构建决策树模型，并将数据存储空间中实际动态参数导入所述决策树模型中进行分类，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集；通过PAC算法对各实际动态参数子集进行降维处理，并通过Dunn指数对降维后的实际动态参数子集进行分类效果评估；对评估效果为分类异常的实际动态参数子集进行修正，得到分类正常的实际动态参数子集；获取所述最终实际动态参数子集所属的预设子治疗时间段，根据所述所属的预设子治疗时间段对各子设备的预设动态参数集进行切分，得到各子设备在所属的预设子治疗时间段内的预设动态参数子集；将各最终实际动态参数子集与相应的预设动态参数子集进行比较，以判断出各子设备的运行状态，根据各子设备的运行状态确定出相应的调控措施。通过本方法能够根据红外治疗仪的实时运行状态对相应子设备进行快速、自主调控，响应速度快，能够有效提高治疗效率与治疗效果。
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，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地介绍，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他实施例的附图。
图1为一种红外治疗仪智能控制方法的第一方法流程图；
图2为一种红外治疗仪智能控制方法的第二方法流程图；
图3为一种红外治疗仪智能控制方法的第三方法流程图；
图4为一种红外治疗仪智能控制系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面公开了一种红外治疗仪智能控制方法，包括以下步骤：
S102：获取目标红外治疗仪中各子设备的历史动态参数，根据所述历史动态参数构建LSTM模型，并将目标红外治疗仪的预设治疗方案导入LSTM模型中进行预测，得到各子设备在预设治疗时段内基于时序的预设动态参数集；
S104：将预设治疗时段分为若干个预设子治疗时间段，在目标红外治疗仪工作时，获取各子设备在预设子治疗时间段的实际动态参数，构建若干个数据存储空间，并将在各预设子治疗时间段的所采集得到的实际动态参数导入相应的数据存储空间中；
S106：构建决策树模型，并将数据存储空间中实际动态参数导入所述决策树模型中进行分类，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集；
S108：引入PAC算法与Dunn指数，通过PAC算法对各实际动态参数子集进行降维处理，并通过Dunn指数对降维后的实际动态参数子集进行分类效果评估；对评估效果为分类异常的实际动态参数子集进行修正，得到分类正常的实际动态参数子集；将所有分类正常的实际动态参数子集转化为最终实际动态参数子集；
S110：获取所述最终实际动态参数子集所属的预设子治疗时间段，根据所述所属的预设子治疗时间段对各子设备的预设动态参数集进行切分，得到各子设备在所属的预设子治疗时间段内的预设动态参数子集；
S112：将各最终实际动态参数子集与相应的预设动态参数子集进行比较，以判断出各子设备的运行状态；根据各子设备的运行状态确定出相应的调控措施，并基于所述调控措施控制红外治疗仪运行。
具体地，获取目标红外治疗仪中各子设备的历史动态参数，根据所述历史动态参数构建LSTM模型，并将目标红外治疗仪的预设治疗方案导入LSTM模型中进行预测，得到各子设备在预设治疗时段内基于时序的预设动态参数集，具体为：
获取目标红外治疗仪中各子设备的历史动态参数，分析各子设备的历史动态参数的数据特点，根据所述数据特点将各子设备的历史动态参数分为若干个离散区间，每个离散区间代表一个状态；
根据各个离散区间的历史动态参数，引入马尔科夫链，并结合最大似然法统计从一个状态转移到另一个状态的次数，得到各状态之间的转移概率，根据所述转移概率构建状态转移概率矩阵；
基于卷积神经网络构建LSTM模型，将所述状态转移概率矩阵导入卷积层中进行卷积处理并提取状态转移概率矩阵的局部特征，根据所述局部特征生成LSTM结构的序列关系和长期依赖关系，以确定LSTM模型的层数和每个LSTM层的隐藏状态的维度，输出初始模型参数；
通过前向传播和反向传播算法，调整初始模型参数，使得LSTM模型能够学习序列的时序关系和长期依赖关系，将所述时序关系和长期依赖关系嵌入全连接层中，输出特征序列和目标序列，最后通过Softmax进行分类，保存最终模型参数，得到训练好的LSTM模型；
获取目标红外治疗仪的预设治疗方案，将所述预设治疗方案导入所述训练好的LSTM模型中，以对目标红外治疗仪中各子设备的动态参数进行基于时序预测，得到预测结果；根据所述预测结果得到目标红外治疗仪中各子设备在预设治疗时段内基于时序的预设动态参数集。
需要说明的是，收集红外治疗设备的历史动态参数，这些动态参数包括不同时间点下的设备状态或观测结果，例如，可以记录设备的工作状态、温度、功率等参数。然后历史动态参数的数据特点，根据数据特点将各子设备的历史动态参数分为若干个离散区间，每个离散区间代表一个状态，例如，可以根据温度范围将温度分成几个离散的区间，每个区间表示一个状态。然后计算状态转移的概率，从而得到状态转移概率矩阵，例如，对于两个相邻的时间点，统计从一个状态转移到另一个状态的次数。通过LSTM模型，结合状态转移概率矩阵，以对目标红外治疗仪中各子设备的动态参数进行基于时序预测，从而预测得到目标红外治疗仪中各子设备在预设治疗时段内基于时序的预设动态参数集。其中，预设治疗方案包括预设治疗时间、预设治疗光照强度、预设治疗温度、预设治疗区域等。通过本步骤能够根据结合红外治疗仪的历史动态数据，预测出红外治疗仪在未来治疗时段内的预设动态参数，以将预设动态参数作为后续调控基准使用。
具体地，构建决策树模型，并将数据存储空间中实际动态参数导入所述决策树模型中进行分类，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集，具体为：
构建决策树主干，并获取各子设备动态参数对应的划分属性，基于所述划分属性，获取决策树主干的划分节点，并根据所述划分节点对决策树主干进行分割，得到若干枝干；
引入Jaccard相似性系数，并通过Jaccard相似性系数计算各枝干之间的相似性系数，将相似性系数大于预设阈值的枝干标记为异常枝干；并基于遗传算法对异常枝干进行继续划分切割，更新决策树主干中各枝干的形态位置；
重复以上步骤，直至各枝干之间的相似性系数均不大于预设阈值，停止迭代划分，得到决策树模型；计算决策树模型准确率、召回率以及F1值，当准确率、召回率以及F1值均满足预设要求后，输出决策树模型；
将相应数据存储空间中的实际动态参数导入所述决策树模型中，并计算各实际动态参数与各枝干之间的马氏距离，将马氏距离小于预设马氏距离的实际动态参数划分至相应的枝干上；
划分完毕后，对决策树模型的各枝干进行切分，得到若干单独枝干，并获取单独枝干，其中每个单独枝干中附着有相应子设备在相应预设子治疗时间段内实际动态参数；提取各单独枝干上的实际动态参数，并所提取到的实际动态参数进行基于时序排序，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集。
需要说明的是，Jaccard相似性系数通过计算两个枝干中的交集与并集的比例来衡量相似度，相似性系数越大，表示两个枝干越相似。将相似性系数大于预设阈值的枝干标记为异常枝干，对树进行分枝操作，以避免过拟合，从而优化决策树结构，提高后续分类结果的可靠性。在本步骤中，通过递归地选择划分属性对动态参数进行划分的方式来进行分类，从而将数据存储空间中不同子设备对应的动态参数进行筛分，如筛分出哪些是温度参数、哪些是电压参数等，以快速对海量的动态参数进行归类处理，能够提高系统响应速度，提高系统鲁棒性。
具体地，引入PAC算法与Dunn指数，通过PAC算法对各实际动态参数子集进行降维处理，并通过Dunn指数对降维后的实际动态参数子集进行分类效果评估，具体为：
获取各实际动态参数子集中实际动态参数，并基于高斯核函数度量各实际动态参数子集中实际动态参数之间的相似度，根据所述相似度构建相似度矩阵；
获取各实际动态参数在高维空间中的高维位置分布，根据所述相似度矩阵与高维位置分布计算出高维概率分布；
将实际动态参数子集中实际动态参数随机分布在低维空间中，并获取各实际动态参数在低维空间中的初始位置分布，根据所述相似度矩阵与初始位置分布计算出低维概率分布；
利用梯度下降优化法，最小化高维概率分布与低维概率分布之间的KL散度，并根据最小化的KL散度更新各实际动态参数在低维空间中的位置分布；重复以上步骤，直至迭代次数达到预设次数后，确定各实际动态参数在低维空间中的最终位置分布；
在所述低维空间中获取各实际动态参数子集中各实际动态参数的位置坐标，根据所述位置坐标计算同一实际动态参数子集中所有实际动态参数之间的最小欧式距离；以及根据所述位置坐标计算不同实际动态参数子集中所有实际动态参数之间的最大欧式距离；
根据所述最小欧式距离与最大欧式距离计算出各实际动态参数子集的Dunn指数；将各实际动态参数子集的Dunn指数与预设值进行比较；
将Dunn指数大于预设值的实际动态参数子集标记为分类正常的实际动态参数子集；将Dunn指数不大于预设值的实际动态参数子集标记为分类异常的实际动态参数子集。
需要说明的是，在通过决策树模型对海量动态参数进行分类后，由于算法精度问题，会存在分类错误现象，如将电压数据分类至电流数据子集上，因此需要进一步修正这些分类错误现象，以提高数据可靠性。
需要说明的是，Dunn指数是一种分类效果评估指标，用于衡量分类结果的紧密度和分离度，Dunn指数越大，表示分类结果的紧密度越高且聚集之间的分离度越好，分类效果越好。通过PAC算法将各实际动态参数子集中高维的实际动态参数进行降维处理，从而获取得到在低维空间中各实际动态参数的位置坐标，然后通过计算同一实际动态参数子集中所有实际动态参数之间的最小欧式距离（即类内最小距离），以及计算不同实际动态参数子集中所有实际动态参数之间的最大欧式距离（即类间最大距离），从而计算出各实际动态参数子集的Dunn指数，从而判断出各实际动态参数子集是否为分类异常子集。通过本步骤能够对各实际动态参数子集进行验证，以筛选出分类异常的参数子集。
如图2所示，具体地，对评估效果为分类异常的实际动态参数子集进行修正，得到分类正常的实际动态参数子集，具体为：
S202：获取评估效果为分类异常的所有实际动态参数子集，通过局部异常因子算法计算各分类异常实际动态参数子集中各实际动态参数的局部异常因子值；并将各分类异常实际动态参数子集中各实际动态参数的局部异常因子值逐一与预设局部异常因子值进行比较；
S204：将局部异常因子值大于预设局部异常因子值的实际动态参数标记为可疑动态参数，并将该可疑动态参数在相应的实际动态参数子集中剔除；
S206：将可疑动态参数分类至其余分类异常实际动态参数子集内，并重新计算各分类异常实际动态参数子集的Dunn指数；若各分类异常实际动态参数子集的Dunn指数均不大于预设值，则将该可疑动态参数标记为无效动态参数，并将其彻底筛除；
S208：若存在至少一个分类异常实际动态参数子集的Dunn指数均大于预设值的情况，则将分类异常实际动态参数子集的Dunn指数进行大小排序，以排序出最大Dunn指数，将该可疑动态参数转化为正常动态参数并分配至与最大Dunn指数相应的分类异常实际动态参数子集中；
S210：重复以上步骤，直至对所有评估效果为分类异常的所有实际动态参数子集均进行离群筛选后，将各分类异常的实际动态参数子集转化为分类正常的实际动态参数子集。
需要说明的是，通过获取评估效果为分类异常的所有实际动态参数子集，并且结合局部异常因子算法筛选出各分类异常实际动态参数子集的可疑动态参数，如可能是被分类至电压数据子集中的电流数据；并且将可疑动态参数分类至其余分类异常实际动态参数子集内，然后重新计算各分类异常实际动态参数子集的Dunn指数，若可疑动态参数在各分类异常实际动态参数子集的Dunn指数均不大于预设值，说明该可疑动态参数并不是目标参数，有可能是其他噪声干扰数据，此时则将该可疑动态参数标记为无效动态参数，并将其彻底筛除；若存在至少一个分类异常实际动态参数子集的Dunn指数均大于预设值的情况，则将分类异常实际动态参数子集的Dunn指数进行大小排序，以排序出最大Dunn指数，将该可疑动态参数转化为正常动态参数并分配至与最大Dunn指数相应的分类异常实际动态参数子集中。通过本步骤能够对分类错误的动态参数进行修正，提高数据的可靠度与准确性，能够更加精准的分析出各子设备的运行状态，提高控制精度。
如图3所示，具体地，将各最终实际动态参数子集与相应的预设动态参数子集进行比较，以判断出各子设备的运行状态，具体为：
S302：根据所述最终实际动态参数子集构建实际动态参数曲线图，以及根据预设动态参数子集构建预设动态参数曲线图；
S304：构建平面坐标系，将各子设备的实际动态参数曲线图与预设动态参数曲线图导入所述平面坐标系中；
S306：通过欧几里得距离算法计算各子设备的实际动态参数曲线图与预设动态参数曲线图之间的重叠度；并将实际动态参数曲线图与预设动态参数曲线图之间重叠度与预设重叠度进行比较；
S308：将实际动态参数曲线图与预设动态参数曲线图之间重叠度不大于预设重叠度对应的子设备标记为运行状态异常子设备；将实际动态参数曲线图与预设动态参数曲线图之间重叠度大于预设重叠度对应的子设备标记为运行状态正常子设备。
需要说明的是，以时刻点作为坐标横轴，以动态参数作为坐标纵轴，根据所述最终实际动态参数子集构建实际动态参数曲线图，以及根据预设动态参数子集构建预设动态参数曲线图，从而将基于时序的动态参数转化为图表形式，利于比较分析；然后将各子设备的实际动态参数曲线图与预设动态参数曲线图导入所述平面坐标系中进行对齐，即将两曲线的坐标系进行对齐，然后通过欧几里得距离算法计算两曲线之间的重叠度，依次类推，直至将所有子设备的实际动态参数曲线图与预设动态参数曲线图进行比较完毕，从而进一步分析出各子设备的运行状态。通过本方法能够快速判断出红外治疗仪中各子设备的运行状是否正常，从而判断出是否需要对相应的子设备进行调控，以确保治疗效果与治疗效率。
具体地，根据各子设备的运行状态确定出相应的调控措施，并基于所述调控措施控制红外治疗仪运行，具体为：
通过大数据网各子设备发生各种异常运行状态所对应的调控措施，以及获取各子设备发生各种异常运行状态所对应的异常动态参数集；
构建数据库，将各子设备发生各种异常运行状态所对应的调控措施及其对应的异常动态参数集导入所述数据库中；
获取红外治疗仪中运行状态异常子设备，并获取运行状态异常子设备对应的最终实际动态参数子集，将所述最终实际动态参数子集导入所述数据库中与各异常动态参数集进行匹配，并获取匹配度最高的异常动态参数集；
根据所述匹配度最高的异常动态参数集生成检索标签，基于所述检索标签对所述数据库进行检索，以检索得到对该运行状态异常子设备进行调控的调控措施；
将检索得到的调控措施传送至红外治疗仪的控制终端，以对相应的运行状态异常子设备进行调控。
需要说明的是，首先，通过在大数据网络中提前获取各子设备发生各种异常运行状态所对应的调控措施，如当温度大于某范围时，采取适当调低功率或能量的调控措施等。并且，构建数据库，将各子设备发生各种异常运行状态所对应的调控措施及其对应的异常动态参数集导入所述数据库中，使得设备无需联网也能够正常使用。当子设备发生运行状态异常后，通过本方法能够根据红外治疗仪的实时运行状态对相应子设备进行快速、自主调控，响应速度快，能够有效提高治疗效率与治疗效果。
此外，本控制方法还包括以下步骤：
通过大数据网络获取红外治疗仪在各种预设工作环境因子组合之下的折光指数，构建知识图谱，并将取红外治疗仪在各种预设工作环境因子组合之下的折光指数导入所述知识图谱中；
获取红外治疗仪在工作治疗过程中的实时环境因子，并将所述实时环境因子导入所述知识图谱中，通过灰色关联分析法计算所述实时环境因子与各种预设工作环境因子组合之间的关联度，得到多个关联度；
在多个所述关联度中提取出最大关联度，并获取与最大关联度对应的预设工作环境因子组合，根据与最大关联度对应的预设工作环境因子组合确定出红外治疗仪在当前工作治疗过程中的实际折光指数；
根据所述实际折光指数确定出红外治疗仪在工作过程中的红外光偏移量；将所述红外光偏移量与预设偏移量进行比较；
若所述红外光偏移量大于预设偏移量，则获取红外光的预设照射位置信息，根据所述红外光偏移量与预设照射位置信息对红外治疗仪所发射出的红外光进行修正。
需要说明的是，红外治疗仪的红外光在照射过程中，会受到不同环境因素的影响，从而导致红外光的折射率发生变化，例如，环境温度对空气的密度产生影响，密度变化会影响光线的传播速度和折射率。温度越高，空气的密度越小，红外光的折射率就会越小。因此通过本方法能结合实际实际折光指数对红外治疗仪的红外光进行修正，以确保红外光能够始终照射在准确的位置上，提高治疗效果，提高设备精度。
此外，本控制方法还包括以下步骤：
基于所述调控措施对红外治疗仪进行调控后，在下一预设子治疗时间段获取各子设备的最终实际动态参数子集；并将各最终实际动态参数子集与相应的预设动态参数子集进行比较，再次判断出各子设备的运行状态；
若相应的子设备依旧处于异常运行状态，则构建贝叶斯网络模型，并异常运行状态子设备的最终实际动态参数子集导入所述贝叶斯网络模型中进行预测，得到该子设备的故障概率值；
若该子设备的故障概率值大于预设阈值，则获取该子设备的检修报告信息，并根据所述检修报告信息构建评估体系，并将子设备的故障概率值与最终实际动态参数子集导入所述评估体系中；
在所述评估体系中将各个因素和权重进行计算和比较，得到该子设备的故障权重值，若该子设备的故障权重值大于预设权重值，则控制红外治疗仪停止工作，并生成设备故障信息。
需要说明的是，结合贝叶斯网络与层次评估体系对调控后依旧处于异常状态的子设备进行评估，从而判断出子设备是否发生了故障，以及时停止治疗，避免发生安全事故，提高可靠性。
如图4所示，本发明第二方面公开了一种红外治疗仪智能控制系统，所述智能控制系统包括存储器11与处理器20，所述存储器11中存储有智能控制方法程序，当所述智能控制方法程序被所述处理器20执行时，实现如下步骤：
获取目标红外治疗仪中各子设备的历史动态参数，根据所述历史动态参数构建LSTM模型，并将目标红外治疗仪的预设治疗方案导入LSTM模型中进行预测，得到各子设备在预设治疗时段内基于时序的预设动态参数集；
将预设治疗时段分为若干个预设子治疗时间段，在目标红外治疗仪工作时，获取各子设备在预设子治疗时间段的实际动态参数，构建若干个数据存储空间，并将在各预设子治疗时间段的所采集得到的实际动态参数导入相应的数据存储空间中；
构建决策树模型，并将数据存储空间中实际动态参数导入所述决策树模型中进行分类，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集；
引入PAC算法与Dunn指数，通过PAC算法对各实际动态参数子集进行降维处理，并通过Dunn指数对降维后的实际动态参数子集进行分类效果评估；对评估效果为分类异常的实际动态参数子集进行修正，得到分类正常的实际动态参数子集；将所有分类正常的实际动态参数子集转化为最终实际动态参数子集；
获取所述最终实际动态参数子集所属的预设子治疗时间段，根据所述所属的预设子治疗时间段对各子设备的预设动态参数集进行切分，得到各子设备在所属的预设子治疗时间段内的预设动态参数子集；
将各最终实际动态参数子集与相应的预设动态参数子集进行比较，以判断出各子设备的运行状态；根据各子设备的运行状态确定出相应的调控措施，并基于所述调控措施控制红外治疗仪运行。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种红外治疗仪智能控制方法，其特征在于，包括以下步骤：
获取目标红外治疗仪中各子设备的历史动态参数，根据所述历史动态参数构建LSTM模型，并将目标红外治疗仪的预设治疗方案导入LSTM模型中进行预测，得到各子设备在预设治疗时段内基于时序的预设动态参数集；
将预设治疗时段分为若干个预设子治疗时间段，在目标红外治疗仪工作时，获取各子设备在预设子治疗时间段的实际动态参数，构建若干个数据存储空间，并将在各预设子治疗时间段的所采集得到的实际动态参数导入相应的数据存储空间中；
构建决策树模型，并将数据存储空间中实际动态参数导入所述决策树模型中进行分类，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集；
引入PAC算法与Dunn指数，通过PAC算法对各实际动态参数子集进行降维处理，并通过Dunn指数对降维后的实际动态参数子集进行分类效果评估；对评估效果为分类异常的实际动态参数子集进行修正，得到分类正常的实际动态参数子集；将所有分类正常的实际动态参数子集转化为最终实际动态参数子集；
获取所述最终实际动态参数子集所属的预设子治疗时间段，根据所述所属的预设子治疗时间段对各子设备的预设动态参数集进行切分，得到各子设备在所属的预设子治疗时间段内的预设动态参数子集；
将各最终实际动态参数子集与相应的预设动态参数子集进行比较，以判断出各子设备的运行状态；根据各子设备的运行状态确定出相应的调控措施，并基于所述调控措施控制红外治疗仪运行。
2.根据权利要求1所述的一种红外治疗仪智能控制方法，其特征在于，获取目标红外治疗仪中各子设备的历史动态参数，根据所述历史动态参数构建LSTM模型，并将目标红外治疗仪的预设治疗方案导入LSTM模型中进行预测，得到各子设备在预设治疗时段内基于时序的预设动态参数集，具体为：
获取目标红外治疗仪中各子设备的历史动态参数，分析各子设备的历史动态参数的数据特点，根据所述数据特点将各子设备的历史动态参数分为若干个离散区间，每个离散区间代表一个状态；
根据各个离散区间的历史动态参数，引入马尔科夫链，并结合最大似然法统计从一个状态转移到另一个状态的次数，得到各状态之间的转移概率，根据所述转移概率构建状态转移概率矩阵；
基于卷积神经网络构建LSTM模型，将所述状态转移概率矩阵导入卷积层中进行卷积处理并提取状态转移概率矩阵的局部特征，根据所述局部特征生成LSTM结构的序列关系和长期依赖关系，以确定LSTM模型的层数和每个LSTM层的隐藏状态的维度，输出初始模型参数；
通过前向传播和反向传播算法，调整初始模型参数，使得LSTM模型能够学习序列的时序关系和长期依赖关系，将所述时序关系和长期依赖关系嵌入全连接层中，输出特征序列和目标序列，最后通过Softmax进行分类，保存最终模型参数，得到训练好的LSTM模型；
获取目标红外治疗仪的预设治疗方案，将所述预设治疗方案导入所述训练好的LSTM模型中，以对目标红外治疗仪中各子设备的动态参数进行基于时序预测，得到预测结果；根据所述预测结果得到目标红外治疗仪中各子设备在预设治疗时段内基于时序的预设动态参数集。
3.根据权利要求1所述的一种红外治疗仪智能控制方法，其特征在于，构建决策树模型，并将数据存储空间中实际动态参数导入所述决策树模型中进行分类，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集，具体为：
构建决策树主干，并获取各子设备动态参数对应的划分属性，基于所述划分属性，获取决策树主干的划分节点，并根据所述划分节点对决策树主干进行分割，得到若干枝干；
引入Jaccard相似性系数，并通过Jaccard相似性系数计算各枝干之间的相似性系数，将相似性系数大于预设阈值的枝干标记为异常枝干；并基于遗传算法对异常枝干进行继续划分切割，更新决策树主干中各枝干的形态位置；
重复以上步骤，直至各枝干之间的相似性系数均不大于预设阈值，停止迭代划分，得到决策树模型；计算决策树模型准确率、召回率以及F1值，当准确率、召回率以及F1值均满足预设要求后，输出决策树模型；
将相应数据存储空间中的实际动态参数导入所述决策树模型中，并计算各实际动态参数与各枝干之间的马氏距离，将马氏距离小于预设马氏距离的实际动态参数划分至相应的枝干上；
划分完毕后，对决策树模型的各枝干进行切分，得到若干单独枝干，并获取单独枝干，其中每个单独枝干中附着有相应子设备在相应预设子治疗时间段内实际动态参数；提取各单独枝干上的实际动态参数，并所提取到的实际动态参数进行基于时序排序，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集。
4.根据权利要求1所述的一种红外治疗仪智能控制方法，其特征在于，引入PAC算法与Dunn指数，通过PAC算法对各实际动态参数子集进行降维处理，并通过Dunn指数对降维后的实际动态参数子集进行分类效果评估，具体为：
获取各实际动态参数子集中实际动态参数，并基于高斯核函数度量各实际动态参数子集中实际动态参数之间的相似度，根据所述相似度构建相似度矩阵；
获取各实际动态参数在高维空间中的高维位置分布，根据所述相似度矩阵与高维位置分布计算出高维概率分布；
将实际动态参数子集中实际动态参数随机分布在低维空间中，并获取各实际动态参数在低维空间中的初始位置分布，根据所述相似度矩阵与初始位置分布计算出低维概率分布；
利用梯度下降优化法，最小化高维概率分布与低维概率分布之间的KL散度，并根据最小化的KL散度更新各实际动态参数在低维空间中的位置分布；重复以上步骤，直至迭代次数达到预设次数后，确定各实际动态参数在低维空间中的最终位置分布；
在所述低维空间中获取各实际动态参数子集中各实际动态参数的位置坐标，根据所述位置坐标计算同一实际动态参数子集中所有实际动态参数之间的最小欧式距离；以及根据所述位置坐标计算不同实际动态参数子集中所有实际动态参数之间的最大欧式距离；
根据所述最小欧式距离与最大欧式距离计算出各实际动态参数子集的Dunn指数；将各实际动态参数子集的Dunn指数与预设值进行比较；
将Dunn指数大于预设值的实际动态参数子集标记为分类正常的实际动态参数子集；将Dunn指数不大于预设值的实际动态参数子集标记为分类异常的实际动态参数子集。
5.根据权利要求1所述的一种红外治疗仪智能控制方法，其特征在于，对评估效果为分类异常的实际动态参数子集进行修正，得到分类正常的实际动态参数子集，具体为：
获取评估效果为分类异常的所有实际动态参数子集，通过局部异常因子算法计算各分类异常实际动态参数子集中各实际动态参数的局部异常因子值；并将各分类异常实际动态参数子集中各实际动态参数的局部异常因子值逐一与预设局部异常因子值进行比较；
将局部异常因子值大于预设局部异常因子值的实际动态参数标记为可疑动态参数，并将该可疑动态参数在相应的实际动态参数子集中剔除；
将可疑动态参数分类至其余分类异常实际动态参数子集内，并重新计算各分类异常实际动态参数子集的Dunn指数；若各分类异常实际动态参数子集的Dunn指数均不大于预设值，则将该可疑动态参数标记为无效动态参数，并将其彻底筛除；
若存在至少一个分类异常实际动态参数子集的Dunn指数均大于预设值的情况，则将分类异常实际动态参数子集的Dunn指数进行大小排序，以排序出最大Dunn指数，将该可疑动态参数转化为正常动态参数并分配至与最大Dunn指数相应的分类异常实际动态参数子集中；
重复以上步骤，直至对所有评估效果为分类异常的所有实际动态参数子集均进行离群筛选后，将各分类异常的实际动态参数子集转化为分类正常的实际动态参数子集。
6.根据权利要求1所述的一种红外治疗仪智能控制方法，其特征在于，将各最终实际动态参数子集与相应的预设动态参数子集进行比较，以判断出各子设备的运行状态，具体为：
根据所述最终实际动态参数子集构建实际动态参数曲线图，以及根据预设动态参数子集构建预设动态参数曲线图；
构建平面坐标系，将各子设备的实际动态参数曲线图与预设动态参数曲线图导入所述平面坐标系中；
通过欧几里得距离算法计算各子设备的实际动态参数曲线图与预设动态参数曲线图之间的重叠度；并将实际动态参数曲线图与预设动态参数曲线图之间重叠度与预设重叠度进行比较；
将实际动态参数曲线图与预设动态参数曲线图之间重叠度不大于预设重叠度对应的子设备标记为运行状态异常子设备；将实际动态参数曲线图与预设动态参数曲线图之间重叠度大于预设重叠度对应的子设备标记为运行状态正常子设备。
7.根据权利要求1所述的一种红外治疗仪智能控制方法，其特征在于，根据各子设备的运行状态确定出相应的调控措施，并基于所述调控措施控制红外治疗仪运行，具体为：
通过大数据网各子设备发生各种异常运行状态所对应的调控措施，以及获取各子设备发生各种异常运行状态所对应的异常动态参数集；
构建数据库，将各子设备发生各种异常运行状态所对应的调控措施及其对应的异常动态参数集导入所述数据库中；
获取红外治疗仪中运行状态异常子设备，并获取运行状态异常子设备对应的最终实际动态参数子集，将所述最终实际动态参数子集导入所述数据库中与各异常动态参数集进行匹配，并获取匹配度最高的异常动态参数集；
根据所述匹配度最高的异常动态参数集生成检索标签，基于所述检索标签对所述数据库进行检索，以检索得到对该运行状态异常子设备进行调控的调控措施；
将检索得到的调控措施传送至红外治疗仪的控制终端，以对相应的运行状态异常子设备进行调控。
8.一种红外治疗仪智能控制系统，其特征在于，所述智能控制系统包括存储器与处理器，所述存储器中存储有智能控制方法程序，当所述智能控制方法程序被所述处理器执行时，实现如下步骤：
获取目标红外治疗仪中各子设备的历史动态参数，根据所述历史动态参数构建LSTM模型，并将目标红外治疗仪的预设治疗方案导入LSTM模型中进行预测，得到各子设备在预设治疗时段内基于时序的预设动态参数集；
将预设治疗时段分为若干个预设子治疗时间段，在目标红外治疗仪工作时，获取各子设备在预设子治疗时间段的实际动态参数，构建若干个数据存储空间，并将在各预设子治疗时间段的所采集得到的实际动态参数导入相应的数据存储空间中；
构建决策树模型，并将数据存储空间中实际动态参数导入所述决策树模型中进行分类，得到各子设备在相应预设子治疗时间段内基于时序的实际动态参数子集；
引入PAC算法与Dunn指数，通过PAC算法对各实际动态参数子集进行降维处理，并通过Dunn指数对降维后的实际动态参数子集进行分类效果评估；对评估效果为分类异常的实际动态参数子集进行修正，得到分类正常的实际动态参数子集；将所有分类正常的实际动态参数子集转化为最终实际动态参数子集；
获取所述最终实际动态参数子集所属的预设子治疗时间段，根据所述所属的预设子治疗时间段对各子设备的预设动态参数集进行切分，得到各子设备在所属的预设子治疗时间段内的预设动态参数子集；
将各最终实际动态参数子集与相应的预设动态参数子集进行比较，以判断出各子设备的运行状态；根据各子设备的运行状态确定出相应的调控措施，并基于所述调控措施控制红外治疗仪运行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311628967.XA CN117323578B (zh) | 2023-12-01 | 2023-12-01 | 一种红外治疗仪智能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311628967.XA CN117323578B (zh) | 2023-12-01 | 2023-12-01 | 一种红外治疗仪智能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117323578A true CN117323578A (zh) | 2024-01-02 |
| CN117323578B CN117323578B (zh) | 2024-01-30 |
Family
ID=89279681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311628967.XA Active CN117323578B (zh) | 2023-12-01 | 2023-12-01 | 一种红外治疗仪智能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117323578B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117608259A (zh) * | 2024-01-24 | 2024-02-27 | 深圳市富温传感技术有限公司 | 一种储存芯片生产设备的控制方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6011563A (en) * | 1995-04-24 | 2000-01-04 | The University Of Toledo | Computer controlled photoirradiation during photodynamic therapy |
| US20080058782A1 (en) * | 2006-08-29 | 2008-03-06 | Reliant Technologies, Inc. | Method and apparatus for monitoring and controlling density of fractional tissue treatments |
| CN112955066A (zh) * | 2018-09-06 | 2021-06-11 | 阿尔法欧米伽神经科技有限公司 | 治疗空间评估 |
| CN114668663A (zh) * | 2022-03-23 | 2022-06-28 | 李尧旭 | 一种智能声波热灸治疗仪的控制装置及方法 |
| CN115376656A (zh) * | 2022-08-10 | 2022-11-22 | 重庆医科大学 | 一种儿童青少年心理咨询智能交互系统 |
| CN115553737A (zh) * | 2022-10-13 | 2023-01-03 | 昆明同心医联科技有限公司 | 动脉瘤破裂状态识别系统以及医疗辅助系统 |
| CN116440425A (zh) * | 2023-06-19 | 2023-07-18 | 深圳市科医仁科技发展有限公司 | 一种led光动力治疗仪的智能调节方法及系统 |
| CN116738865A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市金威源科技股份有限公司 | 一种基于物联网的储能电源评估方法及系统 |
| US11786730B1 (en) * | 2008-10-14 | 2023-10-17 | Great Lakes Neurotechnologies Inc. | Method and system for tuning of movement disorder therapy devices |
| CN116999711A (zh) * | 2022-04-29 | 2023-11-07 | 中国人民解放军总医院第一医学中心 | 一种护膝式led光疗仪及工作方法 |
-
2023
- 2023-12-01 CN CN202311628967.XA patent/CN117323578B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6011563A (en) * | 1995-04-24 | 2000-01-04 | The University Of Toledo | Computer controlled photoirradiation during photodynamic therapy |
| US20080058782A1 (en) * | 2006-08-29 | 2008-03-06 | Reliant Technologies, Inc. | Method and apparatus for monitoring and controlling density of fractional tissue treatments |
| US11786730B1 (en) * | 2008-10-14 | 2023-10-17 | Great Lakes Neurotechnologies Inc. | Method and system for tuning of movement disorder therapy devices |
| CN112955066A (zh) * | 2018-09-06 | 2021-06-11 | 阿尔法欧米伽神经科技有限公司 | 治疗空间评估 |
| CN114668663A (zh) * | 2022-03-23 | 2022-06-28 | 李尧旭 | 一种智能声波热灸治疗仪的控制装置及方法 |
| CN116999711A (zh) * | 2022-04-29 | 2023-11-07 | 中国人民解放军总医院第一医学中心 | 一种护膝式led光疗仪及工作方法 |
| CN115376656A (zh) * | 2022-08-10 | 2022-11-22 | 重庆医科大学 | 一种儿童青少年心理咨询智能交互系统 |
| CN115553737A (zh) * | 2022-10-13 | 2023-01-03 | 昆明同心医联科技有限公司 | 动脉瘤破裂状态识别系统以及医疗辅助系统 |
| CN116440425A (zh) * | 2023-06-19 | 2023-07-18 | 深圳市科医仁科技发展有限公司 | 一种led光动力治疗仪的智能调节方法及系统 |
| CN116738865A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市金威源科技股份有限公司 | 一种基于物联网的储能电源评估方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117608259A (zh) * | 2024-01-24 | 2024-02-27 | 深圳市富温传感技术有限公司 | 一种储存芯片生产设备的控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117323578B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117323578B (zh) | 一种红外治疗仪智能控制方法及系统 | |
| Cho | Incorporating soft computing techniques into a probabilistic intrusion detection system | |
| CN115578015A (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
| CN111126820B (zh) | 反窃电方法及系统 | |
| CN116485280B (zh) | 基于人工智能的uvc-led生产质量评价方法及系统 | |
| CN117390499A (zh) | 一种应用于食品农药残留检测的多样品检测系统 | |
| CN117438029A (zh) | 一种骨科创伤患者创伤严重程度智能评估系统 | |
| CN113052271A (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
| CN113839926A (zh) | 一种基于灰狼算法特征选择的入侵检测系统建模方法、系统及装置 | |
| CN116881749A (zh) | 一种污染场地施工监测方法及系统 | |
| CN117648643A (zh) | 基于人工智能的索具预测性诊断方法及装置 | |
| CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
| CN117094535B (zh) | 基于人工智能的能源补给管理方法及系统 | |
| CN117077870B (zh) | 一种基于人工智能的水资源数字化管理方法 | |
| CN117095247A (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
| CN116702090A (zh) | 一种多模态数据融合与不确定估计的水位预测方法及系统 | |
| CN115033893B (zh) | 一种改进型聚类算法的信息漏洞数据分析方法 | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
| Yeng et al. | The saturation of population fitness as a stopping criterion in genetic algorithm. | |
| CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
| Kaczmarek-Majer et al. | Fuzzy linguistic summaries for explaining online semi-supervised learning | |
| CN116993165B (zh) | 一种儿童果蔬汁的安全性评价与风险预测方法及系统 | |
| CN117708602B (zh) | 基于物联网的楼宇安全监控方法及系统 | |
| CN115831339B (zh) | 基于深度学习的医疗系统风险管控事前预测方法、系统 | |
| CN116703470B (zh) | 供应信息的预测方法、装置、设备及存储介质 |
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 |