文献类型：期刊文章

作　　者：王玲玲[1] 李昕[2] 邢鲁民[3] 韦韧[3]

WANG Ling-ling;LI Xin;XING Lu-min(Assets and Equipment Section,Shandong Academy of Chinese Medicine,Jinan 250014,China;不详)

机构地区：[1]山东省中医药研究院资产设备科,山东济南250014 [2]山东政法学院网络空间安全学院,山东济南250014 [3]山东第一医科大学第一附属医院(山东省千佛山医院)信息中心,山东济南250014

出　　处：《中国医学装备》

基　　金：山东省科技厅发展计划(2010GSF10816)“医院数字信息体系构建与优化应用研究”;山东省研究型医院协会基金(2022020)“医学图像诊断模型Backbone性能提升关键技术研究”;山东第一医科大学(山东省医学科学院)2022年青年科学基金培育资助计划(202201-095)“基于深度学习的肿瘤数字病理图像的术后预测算法研究”。

年　　份：2023

卷　　号：20

期　　号：4

起止页码：134-138

语　　种：中文

收录情况：IC、JST、ZGKJHX、普通刊

摘　　要：目的:构建基于数据融合长短期记忆(DF-LSTM)的大型医疗设备异常检测模型,用以发掘设备异常,减少设备宕机概率。方法:借助医疗设备日志信息,从医疗设备厂家获取异常标注规则,提取医院计算机断层扫描(CT)设备的传感器日志数据16 643 688条,使用滑动窗口方法对其分割生成日志序列,最终获得53 114个日志序列,以按照时间窗口分割的日志序列为输入,以异常与否为输出,构建基于DF-LSTM的大型医疗设备异常检测模型,并进行训练和验证,对比使用交叉熵损失函数的DF-LSTM异常检测模型与本研究使用焦点损失(focalloss)函数的DF-LSTM异常检测模型的精确率、召回率以及F1分数(F1-score)。结果:基于DF-LSTM大型医疗设备异常检测模型的精确率、召回率及F1-score分别达到99.615%、98.969%和0.993分,较使用交叉熵损失函数的DF-LSTM异常检测模型均有约1%的提升。结论:基于DFLSTM的大型医疗设备异常检测模型具有较好的表现,能够极好地提取日志序列信息,有效识别异常日志序列,减少误判和错判情况,提高大型医疗设备运维人员工作效率,减少因大型医疗设备宕机而造成的损失。

关 键 词：异常检测 深度学习  数据融合长短期记忆(DF-LSTM)  大数据

分 类 号：R197.39]