一种基于大数据的呼吸机故障预测方法及系统与流程

1.本发明涉及到呼吸机故障分析技术领域，尤其涉及到一种基于大数据的呼吸机故障预测方法及系统。


背景技术：

2.随着现代医疗水平的提升，呼吸机逐渐被广泛应用在血氧不足、呼吸衰竭等呼吸系统的重症医疗救治中，在呼吸疾病治疗领域发挥着重要作用。作为重要的医疗急救设备，呼吸机的生产工序繁琐，技术门槛高，所需生产供应材料昂贵，制造企业通常耗费较长时间进行批量生产。由于生产过程中存在较高的技术壁垒，少数呼吸机在使用期间出现故障的频率逐渐升高，部分零件损坏风险增加，使得呼吸机的性能以及相关数据波动较大，这对患者的医救治疗造成负担，呼吸机故障已然成为现代医疗系统设备中的一个棘手问题。呼吸机故障目前采取的维修诊断一方面以人工方式为主，然而呼吸机故障的相关参考数据较少，人工维修通常需要使用图纸以及精密仪器进行分部诊断，存在较大难度；另一方面，随着近年来人工智能和大数据技术的飞速发展，采用人工智能模型进行预测的方法逐渐流行起来，但受限于故障样本的缺少，训练出的模型通常性能偏差较大，难以满足高效率的故障预测任务需求。


技术实现要素：

3.针对呼吸机故障难以人工预测，异常数据样本较少的问题，本发明提出了一种基于大数据的呼吸机故障预测方法。为解决以上技术问题，本发明所采用的技术方案如下：
4.一种基于大数据的呼吸机故障预测方法，包括如下步骤：
5.s1、基于大数据管理平台建立起呼吸机预测系统三级节点，分别为患者客户端、医院数据平台、呼吸机大数据管理平台，三级节点依次连接，数据在相邻级别节点间流通，所述患者客户端与医院数据平台数据相互流通，所述医院数据平台与呼吸机大数据管理平台数据相互流通；
6.s2、所述患者客户端的呼吸机分布有传感器件，用于采集实时数据，包含呼吸机电压、脉冲频率、流量氧浓度、血氧血压值，收集到的数据进行归一化处理，并对缺省值进行填充，保证数据的完整度；
7.s3、所述医院数据平台建立基于dnn网络的故障预测模型，模型训练使用已有标记的历史数据，过往历史数据由患者客户端发送至医院数据平台，并由医院数据平台发送至呼吸机大数据管理平台，训练样本采用smote方法进行正样本扩充，之后基于dnn模型训练，流程如下：
8.s31、设置初始迭代轮数t＝0、学习轮数t、全局聚合次数e，当前聚合次数e＝0，阶段判断值τ，dnn的初始模型参数医院数据平台负责故障预测模型训练，并将预测后的无故障数据存为历史数据供后续训练；
9.s32、判断t《t，如果是，执行步骤s33，否则模型训练阶段结束；
10.s33、执行t＝t+1，所述医院数据平台对模型进行训练，训练过程中采用随机梯度下降方法对模型进行参数优化，同时使用focal loss函数对交叉熵损失进行调整，修正由正负样本不均衡导致的性能偏差，训练好的模型被发送至大数据管理平台进行聚合，判断全局聚合次数e《e，如果是，执行步骤s34，否则模型训练阶段结束；
11.s34、所述大数据管理平台利用历史数据计算基于注意力机制的权重因子λ，之后根据权重因子对模型进行加权聚合；
12.s4，所述客户端传感器读取实时数据并进行归一化处理，之后医院数据平台对采集到的数据进行实时性模型推断，根据历史推断概率均值作为故障预测阈值，对高于阈值的呼吸机设备发出故障报警；
13.作为本发明的进一步改进方法：
14.在步骤s1中，所述呼吸机预测系统三级节点采用端-边-云大数据边缘计算架构进行通信，包括：
15.1)患者呼吸机作为端结构，利用自身传感器装置采集数据，但没有计算能力，只通过安装固定无线数据发送装置，每间隔单位时间发送数据至医院数据平台，发送数据格式为：
[0016][0017]
其中：
[0018]
protocol表示无线网络信号的通信协议；
[0019]
表示呼吸机的电压；
[0020]
表示呼吸机脉冲频率；
[0021]
表示呼吸机氧气流量；
[0022]
表示呼吸机检测到的血氧值；
[0023]
表示呼吸机检测到的血压值；
[0024]
2)医院数据平台作为边结构，保存来自呼吸机的历史数据且拥有计算能力，负责神经网络模型的本地训练和推理，并每间隔单位时间将训练好的模型参数和准确率发送至呼吸机数据平台，进行模型聚合迭代；
[0025]
3)呼吸机数据平台作为云结构，对医院的历史数据进行向量构建，并使用注意力机制网络得到模型聚合权重，完成对医院模型的个性化加权，之后把聚合后的模型返还给医院数据平台。
[0026]
在步骤s3中，所述有标记的历史数据，包括：
[0027]
1)过往历史中人工采集标注的数据，包括正常运行时呼吸机的各项数据，即负样本，以及有记录的呼吸机故障时刻的数据，即正样本；
[0028]
2)呼吸机故障预测系统建立后统计收集到的数据，每隔单位时间模型进行训练，医院数据平台使用训练好的模型随时对呼吸机采集到的数据进行推理，推理后有故障的数据被标记为正样本，推理后显示无故障的数据被标记为负样本。
[0029]
在步骤s3中，所述采用smote方法进行正样本扩充，包括步骤：
[0030]
1)对历史数据进行0-1划分，故障样本标记为1，正常样本标记为0；
[0031]
2)对于故障样本中的任一样本xi，计算其与剩余每一故障样本的欧式距离，得到
最近邻的l个样本点；
[0032]
3)确定采样的倍率h，对于每一个故障样本点xi，从其l个近邻样本点中随机选择h个样本，计算公式为：
[0033][0034]
式中，xi为当前故障样本，xj为其余故障样本，argmin()
l
函数表示使欧氏距离最小的l个值时xj的取值，argmin()h函数表示使欧氏距离最小的h个值时xj的取值，ui为故障样本xi对应的h个最近邻点集合；
[0035]
4)对于当前样本xi对应的h个最近邻中的任一样本计算新样本，公式为：
[0036][0037]
式中，rand(0,1)为随机插值概率，x
new
表示新生成的样本，表示当前故障样本对应的h个近邻点数据样本；
[0038]
5)将生成的新样本添加至数据集中，产生新的训练集。
[0039]
在步骤s3中，所述神经网络模型结构如下：
[0040]
input-convolutional-res
×
2-polling-dense-output
[0041]
式中，input表示输入层，convolutional表示卷积层，res表示残差结构，其输出为当前输入经过两层卷积层后的数值与当前输入加和，polling表示池化层，dense表示全连接层，output表示输出层。
[0042]
在步骤s33中，所述利用随机梯度下降参数优化方法对模型参数进行迭代，计算公式为：
[0043][0044]
式中，δ为随机梯度下降过程中的学习率，表示t-1时刻第i个模型的参数，表示模型在参数为情况下的损失值，为当前损失值求导的梯度。
[0045]
在步骤s33中，所述利用focal loss函数对交叉熵函数进行调整，计算公式为：
[0046][0047]
式中，α表示由正负样本的损失权重因子，p为当前当本预测为故障的概率，log(p)和log(1-p)表示当前预测概率下的信息熵，y为样本的真实标签，其中y＝1表示样本为故障样本，y＝0表示样本为非故障样本。
[0048]
在步骤s34中，所述利用基于注意力机制的权重λ因子进行模型加权聚合，包括如下步骤：
[0049]
1)从医院平台的历史数据中，采用随机采样的方式，按照1:1的正负样本比例抽取各自全部数据的1/m，m表示医院平台的数量，组成共享样本；
[0050]
2)构建医院平台的目标关键向量和目标查询向量，之后送入注意力机制网络，根据网络输出概率作为聚合权重λ因子；
[0051]
3)医院平台的呼吸机故障诊断模型根据λ权重因子进行聚合，聚合计算基于共享样本上的损失值，之后迭代更新注意力机制网络，更新参数。
[0052]
所述构建医院平台的目标查询向量和目标查询向量计算公式为：
[0053][0054][0055]
式中，表示医院u的历史数据中呼吸机电压d的最小值，表示医院u的历史数据中呼吸机脉冲频率的最小值，表示历史数据中氧气流量的最大值，代表历史数据中患者血氧值的最大值，代表历史数据中患者血压的最大值，表示医院u的故障预测模型的最佳平均准确率。
[0056]
所述注意力机制网络权重因子λ的计算公式为：
[0057][0058]
式中，dense(q)表示目标查询向量q经过注意力机制神经网络后的输出，dense(k)表示目标关键向量k经过注意力机制神经网络后的输出，t为矩阵转置，dk表示关键向量的数据维度，softmax(
·
)函数为归一化指数函数，将数值转化为0-1之间的概率值。
[0059]
所述注意力机制模型迭代更新步骤，包括：
[0060]
注意力机制模型的损失计算，公式如下：
[0061][0062]
式中，βi为第i个医院的呼吸机历史数据中故障样本和非故障样本数据的比例，dnn(w
att
,xi)表示第i个医院故障预测模型在参数为w
att
的情况下输入数据样本xi时的输出，yi表示第i个医院的数据标签，|xi|表示第i个医院的呼吸机历史数据样本容量。
[0063]
注意力机制模型的参数更新，计算公式如下：
[0064][0065]
式中，为更新后的模型参数，为更新前的模型参数，参数更新采取随机梯度下降方法。
[0066]
所述医院平台的呼吸机故障预测模型根据λ权重因子进行聚合，计算公式如下：
[0067][0068]
式中，λ
ij
表示第i个医院平台的故障预测模型对第j个医院平台的故障预测模型融合比例，n表示本次参与训练的医院平台数量。
[0069]
所述s4步骤中利用呼吸机传感器采集数据进行模型推断，包括如下步骤：
[0070]
1)呼吸机发送实时数据至医院数据平台，并送入神经网络得到概率输出，计算公式为：
[0071]
prob
time
＝cnn(x
time
)
[0072]
式中，x
time
表示在time时刻接收到的实时数据，cnn(
·
)表示神经网络模型，prob
time
为得到的概率输出；
[0073]
2)如果则将该呼吸机的第i个器件标记为故障器件，否则为正常。
[0074]
3)对于标记为故障的呼吸机及其对应器件进行报警提醒，对于无故障的数据进行保存处理。
[0075]
为了解决上述问题，本发明提供一种基于大数据的呼吸机故障预测系统，其特征在于，所述系统包括：
[0076]
端-边-云大数据边缘计算架构三级节点装置，由患者客户端、医院数据平台、呼吸机数据平台三部分组成，用于呼吸机日常数据的采集、整理和存储，各个节点之间装有无线信号发射装置，保证数据的互相流通，患者客户端侧的传感器采集数据后，发送至医院数据平台进行数据处理和模型训练，之后医院数据平台发送模型和共享样本至呼吸机数据平台，由呼吸机数据平台完成模型聚合后将新模型返还给医院数据平台；
[0077]
数据处理模块，用于对采集到的数据进行缺失值填充和少数样本扩充，并按一定比例抽取随机正负样本组成共享样本，采用基于smote方法的过采样方式弥补正负样本不均衡的问题；
[0078]
故障预测模块，用于对患者客户端侧的实时采集数据进行神经网络模型推理预测，每隔单位时间使用呼吸机数据平台返还的个性化模型在医院数据平台进行模型部署，迭代更新模型，并针对推理后的预测情况进行分析，对于有故障风险的患者客户端进行报警。
[0079]
有益效果
[0080]
本方案提出一种基于注意力利用基于注意力机制的权重λ因子进行模型加权聚合方法，包括如下步骤：
[0081]
1)从医院平台的历史数据中，采用随机采样的方式，按照1:1的正负样本比例抽取各自全部数据的1/m，m表示医院平台的数量，组成共享样本；共享样本的组成分布上代表着该医院平台的数据特征，在训练注意力机制网络中能够使得该网络吸收数据平台的数据知识特点，得到稳定的聚合权重比例；此外，抽取1/m的数据能够避免冗余数据给模型训练带来的过拟合影响，也避免了过度训练带来的时间浪费。
[0082]
2)构建医院平台的目标关键向量和目标查询向量，之后送入注意力机制网络，根据网络输出概率作为聚合权重λ因子；
[0083]
3)医院平台的呼吸机故障预测模型根据λ权重因子进行聚合，聚合计算基于共享样本上的损失值，之后迭代更新注意力机制网络，更新参数。
[0084]
选取呼吸机常规的数据去构建注意力机制中的查询向量和目标向量，能够将呼吸机的基本变化和故障引入到模型聚合中，提高模型聚合的自适应个性化。此外，准确率的引入也将模型质量纳入到聚合衡量中，提升高准确率模型之间的聚合贡献，降低训练效果较差模型对于整体聚合过程带来的影响。
[0085]
注意力机制的损失计算采用了聚合模型的性能损失来代替，既成功将注意力机制融入到模型聚合中，又将聚合后的模型表现和注意力网络参数更新结合到一起。在模型的聚合阶段，权重λ并不是对称矩阵，在注意力计算中聚合权重可以根据模型自身的特点得到最适合自身的比例，比如λ
13
＝0.3时可能会有λ
31
＝0.5，这说明模型3对模型1的适用程度没有模型1对模型3高。
[0086]
整体来看，本发明采用三级节点联合训练模型的方式，在数据处理方面，融入smote算法，相较于传统的欠采样和过采样方法，该方法在保证数据量的情况下增加数据的
丰富度，避免同一数据重复使用，在模型损失方面，使用focalloss损失代替传统的交叉熵，增加少数样本的损失权重，解决了故障预测领域正负样本不均衡的问题，使得训练后的模型更加鲁棒；其次，使用神经网络模型代替传统的蚁群算法、机器学习算法，降低算法优化难度，提升预测效果，并且医院数据平台共同提供呼吸机数据完成模型的训练，缓解单个医院平台数据不足的状况，使用充足的数据训练保证了神经网络模型的泛化性能；另外，在呼吸机大数据平台进行的模型聚合阶段采用基于注意力机制加权方法，相较于欧式距离、余弦距离等低维度加权算法，注意力机制能够基于数据提供更加准确的权重比例，使得由相似样本训练的模型之间具有更高的聚合权重，降低医院平台数据样本方差过大造成的聚合差异，实现个性化的模型聚合，提高模型训练后的性能表现。
附图说明
[0087]
图1为本发明的流程示意图；
[0088]
图2为本发明系统的功能模块图。
[0089]
附图标记：100、基于大数据的呼吸机故障预测系统；101、端-边-云三级节点装置；102、数据处理模块；103、故障预测模块。
具体实施方式
[0090]
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。
[0091]
实施例1：
[0092]
一种基于大数据的呼吸机故障预测方法，如图1所示，包括如下步骤：
[0093]
s1、基于大数据管理平台建立起呼吸机预测系统三级节点，分别为患者客户端、医院数据平台、呼吸机大数据管理平台，三级节点依次连接，数据在相邻级别节点间流通，即患者客户端与医院数据平台数据相互流通，医院数据平台与呼吸机大数据管理平台数据相互流通。
[0094]
所述s1步骤中呼吸机预测系统三级节点采用端-边-云大数据边缘计算架构进行通信，包括：
[0095]
1)所述患者呼吸机作为端结构，设备集合采用n＝{1,2,
…
,n,
…
n}，利用自身传感器装置采集数据，但没有计算能力，只通过安装固定无线数据发送装置，每间隔单位时间发送数据至医院数据平台，发送数据格式为：
[0096][0097]
其中：
[0098]
protocol表示无线网络信号的通信协议；
[0099]
表示呼吸机的电压；
[0100]
表示呼吸机脉冲频率；
[0101]
表示呼吸机氧气流量；
[0102]
表示呼吸机检测到的血氧值；
[0103]
表示呼吸机检测到的血压值；
[0104]
2)所述医院数据平台作为边结构，平台集合采用m＝{1,2,
…
,m,
…
m}保存来自呼吸机的历史数据且拥有计算能力，负责神经网络模型的本地训练和推理，并每单位时间将训练好的模型参数和准确率发送至呼吸机数据平台，进行模型聚合迭代；
[0105]
3)呼吸机数据平台作为云结构，对医院的历史数据进行向量构建，并使用注意力机制网络得到模型聚合权重，完成对医院模型的个性化加权，之后把聚合后的模型返还给医院数据平台。
[0106]
呼吸机数据平台作为整个呼吸机预测系统的核心，控制整个模型训练过程的频率，与医院数据平台、患者呼吸机共同组成1-m-n的映射关系，在本实施例中m＝3，n＝15，即一个呼吸机数据平台对应3个医院数据平台，对应15个患者呼吸机。
[0107]
s2、所述患者客户端的呼吸机分布有传感器件，用于采集实时数据，包含呼吸机电压、脉冲频率、流量氧浓度、血氧血压值，收集到的数据进行归一化处理，并对缺省值进行填充，保证数据的完整度。
[0108]
所述s2步骤中数据归一化方法如下：
[0109][0110]
式中x
min
表示当前特征值的最小值，x
max
表示当前特征值ide最大值，x
scale
表示归一化映射后的0-1之间的数值，归一化后的数据后续作为训练集服务于dnn模型，在模型训练中归一化的数据能够帮助神经网络在训练前期快速进入梯度下降最快的阶段，加快模型训练且保证收敛稳定。
[0111]
s3、所述医院数据平台建立基于dnn网络的故障预测模型，模型训练使用已有标记的历史数据，过往历史数据由患者客户端发送至医院数据平台，并由医院数据平台发送至呼吸机大数据管理平台，训练样本采用smote方法进行正样本扩充，之后基于dnn模型训练。
[0112]
所述有标记的历史数据，包括：
[0113]
1)过往历史中人工采集标注的数据，包括正常运行时呼吸机的各项数据，即负样本，以及有记录的呼吸机故障时刻的数据，即正样本；
[0114]
2)所述呼吸机故障预测系统建立后统计收集到的数据，每隔单位时间模型进行训练，医院数据平台使用训练好的模型随时对呼吸机采集到的数据进行推理，推理后有故障的数据被标记为正样本，推理后显示无故障的数据被标记为负样本。
[0115]
所述采用smote方法进行正样本扩充，包括步骤：
[0116]
1)对历史数据进行0-1划分，故障样本标记为1，正常样本标记为0；
[0117]
2)对于故障样本中的任一样本xi，计算其与剩余每一故障样本的欧式距离，得到最近邻的6个样本点；
[0118]
3)确定采样的倍率3，对于每一个故障样本点xi，从其6个近邻样本点中随机选择3个样本，计算公式为：
[0119][0120]
式中，xi为当前故障样本，xj为其余故障样本，argmin()6函数表示使欧氏距离最小的6个值时xj的取值，argmin()3函数表示使欧氏距离最小的3个值时xj的取值，ui为故障样本xi对应的3个最近邻点集合；
[0121]
4)对于当前样本xi对应的h个最近邻中的任一样本计算新样本，公式为：
[0122][0123]
式中，rand(0,1)为随机插值概率，x
new
表示新生成的样本，表示当前故障样本对应的h个近邻点数据样本；
[0124]
5)将生成的新样本添加至数据集中，产生新的训练集。
[0125]
将生成好的新数据集送入模型进行训练，流程如下：
[0126]
1)设置初始迭代轮数t＝0、学习轮数t、全局聚合次数e，当前聚合次数e＝0，阶段判断值τ，dnn的初始模型参数医院数据平台负责故障预测模型训练，并将预测后的优秀数据存为历史数据供后续训练；
[0127]
所述神经网络模型结构如下：
[0128]
input-convolutional-res
×
2-polling-dense-output
[0129]
式中，input表示输入层，convolutional表示卷积层，res表示残差结构，其输出为当前输入经过两层卷积层后的数值与当前输入加和，polling表示池化层，dense表示全连接层，output表示输出层。
[0130]
神经网络输入层的神经元数量为5，与医院平台对应的呼吸机数量一致，卷积层神经元参数采用1
×1×
32的卷积参数，res中的神经元参数分别为1
×1×
16和1
×1×
8，全连接层的神经元参数为2，即最终的结果输出为故障和非故障的预测概率值。
[0131]
2)判断t《t，如果是，执行步骤3)，否则模型训练阶段结束；
[0132]
3)执行t＝t+1，医院数据平台利用历史标记数据对模型进行训练，训练过程中采用随机梯度下降方法对模型进行参数优化，同时使用focal loss函数对交叉熵损失进行调整，修正由正负样本不均衡导致的性能偏差。训练好的模型被发送至大数据管理平台进行聚合，判断全局聚合次数e《e，如果是，执行步骤4)，否则模型训练阶段结束；
[0133]
所述利用随机梯度下降参数优化方法对模型参数进行迭代，计算公式为：
[0134][0135]
式中，δ为随机梯度下降过程中的学习率，表示模型在参数为情况下的损失值，为当前损失值求导的梯度。
[0136]
所述利用focal loss函数对交叉熵函数进行调整，计算公式为：
[0137][0138]
式中，α表示由正负样本数量相除的损失权重因子，p为当前当本预测为故障的概率，log(p)和log(1-p)表示当前预测概率下的信息熵，y为样本的真实标签，其中y＝1表示样本为故障样本，y＝0表示样本为非故障样本；故障数据相较于非故障数据数量较少，focal loss中提升了故障数据的损失权重，进而在模型训练阶段加大故障数据对于模型训练的影响，使得训练后的模型对于故障情况更加敏感。
[0139]
4)所述大数据管理平台利用历史数据计算基于注意力机制的权重因子λ，之后根据权重公因子对模型进行加权聚合；
[0140]
所述利用基于注意力机制的权重λ因子进行模型加权聚合，包括如下步骤：
[0141]
1)从医院平台的历史数据中，采用随机采样的方式，按照1:1的正负样本比例抽取
各自全部数据的1/3，3表示医院平台的数量，组成共享样本；
[0142]
2)构建医院平台的目标关键向量和目标查询向量，之后送入注意力机制网络，根据网络输出概率作为聚合权重λ因子；
[0143]
3)医院平台的呼吸机故障预测模型根据λ权重因子进行聚合，聚合计算基于共享样本上的损失值，之后迭代更新注意力机制网络，更新参数。
[0144]
所述构建医院平台的目标查询向量和目标查询向量计算公式为：
[0145][0146][0147]
式中，表示医院u的历史数据中呼吸机电压d的最小值，表示医院u的历史数据中呼吸机脉冲频率的最小值，表示历史数据中氧气流量的最大值，代表历史数据中患者血氧值的最大值，代表历史数据中患者血压的最大值,表示医院u的故障预测模型的最佳平均准确率。
[0148]
所述注意力机制网络权重因子λ的计算公式为：
[0149][0150]
式中，dense(q)表示目标查询向量q经过注意力机制神经网络后的输出，dense(k)表示目标关键向量k经过注意力机制神经网络后的输出，注意力机制神经网络中的神经元数量均为7，t为矩阵转置，dk表示关键向量的数据维度，softmax(
·
)函数为归一化指数函数，将数值转化为0-1之间的概率值。
[0151]
所述注意力机制模型迭代更新步骤，包括：
[0152]
注意力机制模型的损失计算，公式如下：
[0153][0154]
式中，αi为第i个医院的呼吸机历史数据中故障样本和非故障样本数据的比例，dnn(w
att
,xi)表示第i个医院故障预测模型在参数为w
att
的情况下输入数据样本xi时的输出，yi表示第i个医院的数据标签，|xi|表示第i个医院的呼吸机历史数据样本容量。
[0155]
注意力机制模型的参数更新，计算公式如下：
[0156][0157]
式中，为更新后的模型参数，为更新前的模型参数，参数更新采取随机梯度下降方法。
[0158]
所述医院平台的呼吸机故障预测模型根据λ权重因子进行聚合，计算公式如下：
[0159][0160]
式中，λ
ij
表示第i个医院平台的故障预测模型对第j个医院平台的故障预测模型融合比例，n表示本次参与训练的医院平台数量，此处n为3。
[0161]
根据这种计算方式得到的聚合权重比例能够自适应的调整不同模型之间的最佳
聚合比例，以降低数据样本差异带来的影响。比如第一个医院平台的呼吸机通常因为电压异常而出现故障，第二个医院平台的呼吸机通常因为氧气流量异常而出现故障，第三个医院平台也大部分是电压异常的故障数据，那么在模型聚合权重计算时，第一个医院平台的模型和第三个医院平台的模型之间的聚合值会比较大，即λ
13
和λ
31
较大，而第二个医院平台的模型则和另外两个聚合较少。
[0162]
s4、客户端传感器读取实时数据并进行归一化处理，之后医院数据平台对采集到的数据进行实时性模型推断，根据历史推断概率均值作为故障预测阈值，对高于阈值的呼吸机设备发出故障报警并进行检查修理；
[0163]
所述利用呼吸机传感器采集数据进行模型推断，包括如下步骤：
[0164]
1)呼吸机发送实时数据至医院数据平台，并送入神经网络得到概率输出，计算公式为：
[0165]
prob
time
＝cnn(x
time
)
[0166]
式中，x
time
表示在time时刻接收到的实时数据，cnn(
·
)表示神经网络模型，prob
time
为得到的概率输出；
[0167]
2)如果则将该呼吸机的第i个器件标记为故障器件，否则为正常，表示故障阈值，由医院数据平台过往预测概率加和计算均值得到；
[0168]
3)对于标记为故障的呼吸机及其对应器件进行报警提醒，对于无故障的数据进行保存处理。
[0169]
为了保证整个模型训练以及模型预测过程的有效性，模型的预测过程与模型的训练过程不同时进行，每次模型的预测时间尽量和上一次模型的训练时间保持一致，以此保证当前模型能够在此时间段内推测出更多的故障数据，并通过这些故障数据来判断当前模型的可靠性，并在基于注意力机制权重的聚合阶段的能够充分发挥“准确率”向量的作用，提升数据的共享使用性，促进模型的聚合效果。
[0170]
实施例2：
[0171]
如图2所示，是本发明一实施例提供的基于大数据的呼吸机故障预测系统的功能模块图，其可以实现实施例1中的基于大数据的呼吸机故障预测方法。
[0172]
本发明所述基于大数据的呼吸机故障预测系统100可以安装于电子设备中。根据实现的功能，所述基于大数据的呼吸机故障预测系统可以包括端-边-云三级节点装置101、数据处理模块102及故障预测模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0173]
端-边-云三级节点装置101，由患者客户端、医院数据平台、呼吸机数据平台三部分组成，用于呼吸机日常数据的采集、整理和存储，各个节点之间装有无线信号发射装置，保证数据的互相流通，患者客户端侧的传感器采集数据后，发送至医院数据平台进行数据处理和模型训练，之后医院数据平台发送模型和共享样本至呼吸机数据平台，由呼吸机数据平台完成模型聚合后将新模型返还给医院数据平台；
[0174]
数据处理模块102，用于对采集到的数据进行缺失值填充和少数样本扩充，并按一定比例抽取随机正负样本组成共享样本，采用基于smote方法的过采样方式弥补正负样本不均衡的问题；
[0175]
故障预测模块103，用于对患者客户端侧的实时采集数据进行神经网络模型推理预测，每隔单位时间使用呼吸机数据平台返还的个性化模型在医院数据平台进行模型部署，迭代更新模型，并针对推理后的预测情况进行分析，对于有故障风险的患者客户端进行报警。。
[0176]
详细地，本发明实施例中所述基于大数据的呼吸机故障预测系统100中的所述各模块在使用时采用与上述的图1中所述的基于大数据的呼吸机故障预测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0177]
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0178]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0179]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种基于大数据的呼吸机故障预测方法，其特征在于，包括如下步骤：s1、基于大数据管理平台建立起呼吸机预测系统三级节点，分别为患者客户端、医院数据平台、呼吸机大数据管理平台，三级节点依次连接，数据在相邻级别节点间流通，所述患者客户端与医院数据平台数据相互流通，所述医院数据平台与呼吸机大数据管理平台数据相互流通；s2、所述患者客户端的呼吸机分布有传感器件，用于采集实时数据，包含呼吸机电压、脉冲频率、流量氧浓度、血氧血压值，收集到的数据进行归一化处理，并对缺省值进行填充，保证数据的完整度；s3、所述医院数据平台建立基于dnn网络的故障预测模型，模型训练使用已有标记的历史数据，过往历史数据由患者客户端发送至医院数据平台，并由医院数据平台发送至呼吸机大数据管理平台，训练样本采用smote方法进行正样本扩充，之后基于dnn模型训练，流程如下：s31、设置初始迭代轮数t＝0、学习轮数t、全局聚合次数e，当前聚合次数e＝0，阶段判断值τ，dnn的初始模型参数医院数据平台负责故障预测模型训练，并将预测后的无故障数据存为历史数据供后续训练；s32、判断t<t，如果是，执行步骤s33，否则模型训练阶段结束；s33、执行t＝t+1，所述医院数据平台对模型进行训练，训练过程中采用随机梯度下降方法对模型进行参数优化，同时使用focal loss函数对交叉熵损失进行调整，修正由正负样本不均衡导致的性能偏差，训练好的模型被发送至大数据管理平台进行聚合，判断全局聚合次数e<e，如果是，执行步骤s34，否则模型训练阶段结束；s34、所述大数据管理平台利用历史数据计算基于注意力机制的权重因子λ，之后根据权重因子对模型进行加权聚合；s4，所述客户端传感器读取实时数据并进行归一化处理，之后医院数据平台对采集到的数据进行实时性模型推断，根据历史推断概率均值作为故障预测阈值，对高于阈值的呼吸机设备发出故障报警。2.根据权利要求1所述的基于大数据的呼吸机故障预测方法，其特征在于，在步骤s3中，所述采用smote方法进行正样本扩充，包括步骤：1)对历史数据进行0-1划分，故障样本标记为1，正常样本标记为0；2)对于故障样本中的任一样本x
i
，计算其与剩余每一故障样本的欧式距离，得到最近邻的l个样本点；3)确定采样的倍率h，对于每一个故障样本点x
i
，从其l个近邻样本点中随机选择h个样本，计算公式为：式中，x
i
为当前故障样本，x
j
为其余故障样本，argmin()
l
函数表示使欧氏距离最小的l个值时x
j
的取值，argmin()
h
函数表示使欧氏距离最小的h个值时x
j
的取值，u
i
为故障样本x
i
对应的h个最近邻点集合；4)对于当前样本x
i
对应的h个最近邻中的任一样本计算新样本，公式为：
式中，rand(0,1)为随机插值概率，x
new
表示新生成的样本，表示当前故障样本对应的h个近邻点数据样本；5)将生成的新样本添加至数据集中，产生新的训练集。3.根据权利要求1所述的基于大数据的呼吸机故障预测方法，其特征在于，在步骤s33中，所述利用随机梯度下降参数优化方法对模型参数进行迭代，计算公式为：式中，δ为随机梯度下降过程中的学习率，表示t-1时刻第i个模型的参数，表示模型在参数为情况下的损失值，为当前损失值求导的梯度。4.根据权利要求1所述的基于大数据的呼吸机故障预测方法，其特征在于，在步骤s33中，所述利用focal loss函数对交叉熵函数进行调整，计算公式为：式中，α表示由正负样本的损失权重因子，p为当前当本预测为故障的概率，log(p)和log(1-p)表示当前预测概率下的信息熵，y为样本的真实标签，其中y＝1表示样本为故障样本，y＝0表示样本为非故障样本。5.根据权利要求1所述的基于大数据的呼吸机故障预测方法，其特征在于，在步骤s3中，所述利用基于注意力机制的权重λ因子进行模型加权聚合，包括如下步骤：1)从医院平台的历史数据中，采用随机采样的方式，按照1:1的正负样本比例抽取自身全部数据的1/m，m表示医院平台的数量，组成共享样本；2)构建医院平台的目标关键向量和目标查询向量，之后送入注意力机制网络，根据网络输出概率作为聚合权重λ因子；3)医院平台的呼吸机故障预测模型根据λ权重因子进行聚合，聚合计算基于共享样本上的损失值，之后迭代更新注意力机制网络，更新参数。6.根据权利要求4所述的基于大数据的呼吸机故障预测方法，其特征在于，所述构建医院平台的目标查询向量和目标查询向量计算公式为：院平台的目标查询向量和目标查询向量计算公式为：式中，表示医院u的历史数据中呼吸机电压d的最小值，表示医院u的历史数据中呼吸机脉冲频率的最小值，表示历史数据中氧气流量的最大值，代表历史数据中患者血氧值的最大值，代表历史数据中患者血压的最大值，表示医院u的故障预测模型的最佳平均准确率；所述注意力机制网络权重因子λ的计算公式为：式中，dense(q)表示目标查询向量q经过注意力机制神经网络后的输出，dense(k)表示目标关键向量k经过注意力机制神经网络后的输出，t为矩阵转置，d
k
表示关键向量的数据
维度，softmax(
·
)表示归一化指数函数，将数值转化为0-1之间的概率值；所述注意力机制模型迭代更新步骤，包括：注意力机制模型的损失计算，公式如下：式中，α
i
为第i个医院的呼吸机历史数据中故障样本和非故障样本数据的比例，dnn(w
att
,x
i
)表示第i个医院故障预测模型在参数为w
att
的情况下输入数据样本x
i
时的输出，y
i
表示第i个医院的数据标签，|x
i
|表示第i个医院的呼吸机历史数据样本容量；注意力机制模型的参数更新，计算公式如下：式中，为更新后的模型参数，为更新前的模型参数，参数更新采取随机梯度下降方法；所述医院平台的呼吸机故障预测模型根据λ权重因子进行聚合，计算公式如下：式中，λ
ij
表示第i个医院平台的故障预测模型对第j个医院平台的故障预测模型融合比例，n表示本次参与训练的医院平台数量。7.根据权利要求1所述的基于大数据的呼吸机故障预测方法，其特征在于，所述神经网络模型结构如下：input-convolutional-res
×
2-polling-dense-output式中，input表示输入层，convolutional表示卷积层，res表示残差结构，其输出为当前输入经过两层卷积层后的数值与当前输入加和，polling表示池化层，dense表示全连接层，output表示输出层。8.根据权利要求1所述的基于大数据的呼吸机故障预测方法，其特征在于，在步骤s1中，所述呼吸机预测系统三级节点采用端-边-云大数据边缘计算架构进行通信，包括：1)患者呼吸机作为端结构，只采集数据且没有计算能力，每间隔单位时间发送数据至医院数据平台；2)医院数据平台作为边结构，保存来自呼吸机的历史数据且拥有计算能力，负责神经网络模型的本地训练和推理，并将训练好的模型和准确率发送至呼吸机数据平台；3)呼吸机数据平台作为云结构，对医院的历史数据进行向量构建，并使用注意力机制网络得到模型聚合权重，完成对医院模型的个性化加权，之后把聚合后的模型返还给医院数据平台。9.根据权利要求1所述的基于大数据的呼吸机故障预测方法，其特征在于，在步骤s4中，所述利用呼吸机传感器采集数据进行模型推断，包括如下步骤：1)呼吸机发送实时数据至医院数据平台，并送入神经网络得到概率输出，计算公式为：prob
time
＝cnn(x
time
)式中，x
time
表示在time时刻接收到的实时数据，cnn(
·
)表示神经网络模型，prob
time
为
得到的概率输出；2)如果则将该呼吸机的第i个器件标记为故障器件，否则为正常；3)对于标记为故障的呼吸机及其对应器件进行报警提醒，对于无故障的数据进行保存处理。10.一种基于大数据的呼吸机故障预测系统，其特征在于，所述系统包括：1)端-边-云大数据边缘计算架构三级节点装置，由患者客户端、医院数据平台、呼吸机数据平台三部分组成，用于呼吸机日常数据的采集、整理和存储；节点之间采用数据接口进行数据收发，保证数据的互相流通；患者客户端侧的传感器采集数据后，发送至医院数据平台进行数据处理和模型训练，之后医院数据平台发送模型和共享样本至呼吸机数据平台，由呼吸机数据平台完成模型聚合后将新模型返还给医院数据平台；2)数据处理模块，用于对采集到的数据进行缺失值填充和少数样本扩充，并按一定比例抽取随机正负样本组成共享样本，采用基于smote方法的过采样方式弥补正负样本不均衡的问题；3)故障预测模块，用于对患者客户端侧的实时采集数据进行神经网络模型推理预测，每单位时间内使用呼吸机数据平台返还的个性化模型在医院数据平台进行模型部署，迭代更新模型，并针对推理后的预测情况进行分析，对于有故障风险的患者客户端进行报警，以实现如权利要求1-9任意项所述的一种基于大数据呼吸机故障预测方法。

技术总结
本发明涉及到呼吸机故障分析技术领域，公开了一种基于大数据的呼吸机故障预测方法及系统，包括：S1、建立呼吸机预测系统三级节点，分别为患者客户端、医院数据平台、呼吸机大数据管理平台，三级节点依次连接，数据相互流通；S2、患者客户端的呼吸机分布有传感器件，用于采集实时数据，并进行归一化处理；S3、医院数据平台对训练样本采用Smote方法进行扩充，之后基于DNN模型训练；S4，客户端传感器读取实时数据并进行归一化处理，之后医院数据平台进行实时性模型推断，对高于预测阈值的呼吸机设备发出故障报警。本发明降低了故障预测中数据不均衡对模型的性能影响，增加数据之间的共享性，提高故障预测的稳定性。提高故障预测的稳定性。提高故障预测的稳定性。


技术研发人员：陈贤祥 唐聪能 袁再鑫 杜春玲
受保护的技术使用者：湖南万脉医疗科技有限公司
技术研发日：2023.04.07
技术公布日：2023/7/12