粗糙神经网络数据挖掘技术在大型医疗设备故障预警中的应用研究

发布时间：2021-01-07 07:48

　　目的:探讨粗糙神经网络的数据挖掘技术故障预警方法,为大型医疗设备智能预警提供参考。方法:采用数据挖掘技术基本原理、粗糙集理论及其约简方法,建立粗糙神经网络,收集2017年10月至2019年5月医院呼吸机使用中的267次故障报警事件资料,制定故障因素采集方法,从设备使用环境因素、电气因素和气路因素进行数据采集,搭建粗糙神经网络,并使用训练后的粗糙神经网络搭建设备故障预警平台。结果:使用训练后的反向传播（BP）神经网络对测试集进行测试,测试集潮气量异常、空压机故障、自检报警、氧浓度偏差过大、无法送气、低压报警和密闭性无法通过识别率分别为81.7%、76.2%、89.6%、90.2%、83.6%、93.2%和82.1%,故障总识别率为85.2%;使用训练后的粗糙神经网络搭建预警平台,当预警值取0.41时医疗设备故障预警准确率为91.0%。结论:通过挖掘故障模式与故障因素的潜在关系,设备故障模式能较好的得到识别,同时可准确对各故障进行预警,为医疗设备故障监测与智能预警提供参考。 

【文章来源】：中国医学装备. 2020,17(09)

【文章页数】：5 页

【部分图文】：

图中SGF为属性重要度图1粗糙神经网络方法流程2数据挖掘技术在大型医疗设备故障预警中的应用2.1粗糙神经网络搭建注：

?ΣΣSpecificity(Sp)=Accuracy(Acc)=maxmaxmaxTPi+FNiTNi+FPiTPi+FNi+TNi+FPi111TPiTNiTPi+TNi式中max为故障模式总数，TP为训练集和(或)测试集各故障模式判断结果为真阳性的个数，FP为假阳性个数，FN为假阴性个数，TN为真阴性个数。当max取1时，Se、Sp和Acc对应各故障模式灵敏度、特异性及准确率。2.6应用结果(1)灵敏度、特异性及准确率结果。将采集的267次呼吸机故障报警数据按6∶4取整原则分为训练集和图2粗糙神经网络搭建流程中国医学装备2020年9月第17卷第9期粗糙神经网络数据挖掘技术在大型医疗设备故障预警中的应用研究-陈艳等

预警输出结果3讨论

【参考文献】：
期刊论文
[1]医院医疗设备维修精细化管理分析[J]. 蒋雪峰.  中国医疗器械信息. 2019(18)
[2]基于JCI标准的医疗设备预防性维护[J]. 陈璟,陈立峰,包涛,黄亨杰.  医疗装备. 2018(05)
[3]医疗设备交叉巡检模式探讨[J]. 孙荣江,章煜.  医疗装备. 2015(03)
[4]加强医学装备安全管理降低医疗风险[J]. 董明军,苏丽君,白轩辉.  新疆医学. 2014(07)
[5]我院医疗设备质量控制制度建设实践[J]. 孟保文,曲岳,宋天一.  中国医疗设备. 2014(01)
[6]医疗器械使用安全风险控制与管理探讨[J]. 印春光,孙国君,左婷.  中国医疗设备. 2013(12)
[7]RS-BP神经网络在C2C电子商务顾客满意度评价中的应用[J]. 邵为爽,李晓红.  科技通报. 2013(05)
[8]我国医疗安全不良事件报告运行情况分析[J]. 孙纽云,姚树坤,周军,陈校云,张宗久,梁铭会,高光明,余中光,林琳.  中华医院管理杂志. 2011 (05)

博士论文
[1]基于粗糙集理论的动态数据挖掘关键技术研究[D]. 王永生.北京科技大学 2016

硕士论文
[1]基于BP神经网络的时间序列预测研究[D]. 李景阳.河南科技大学 2017
[2]医疗设备质量控制体系的构建[D]. 卢爱国.第三军医大学 2012
[3]在用医疗器械风险管理问题及对策研究[D]. 欧阳昭连.中国协和医科大学 2007
[4]基于神经网络的医疗数据挖掘研究[D]. 蒋良孝.中国地质大学 2004



本文编号：2962190