(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211026295.0 (22)申请日 2022.08.25 (71)申请人 山东大学齐鲁医院 地址 250012 山东省济南市文化西路107号 (72)发明人 付延安　朱明贤　武永军　邓宝芸　 王丰　 (74)专利代理 机构 北京睿智保诚专利代理事务 所(普通合伙) 11732 专利代理师 杜娟 (51)Int.Cl. G06F 40/289(2020.01) G06F 16/35(2019.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 基于混合深度学习的医疗设备故障不良事 件自动识别方法 (57)摘要 本发明公开了一种基于混合深度学习的医 疗设备故障不良事件自动识别方法， 涉及医疗设 备故障技术领域， 包括以下步骤： 获取监测人员 上报的设备故障描述信息， 根据所述设备故障描 述信息关联设备的基础属性信息； 对 所述设备故 障描述信息的文本进行处理， 并通过故障描述归 一化模型得到所述设备故障描述信息的归一化 标签； 将所述设备的基础属性信息与归一化标签 进行组合， 生成标准化的特征向量集； 通过不良 事件识别模 型对所述特征向量集进行处理， 判别 设备故障是否属于不良事件。 本发 明可以全自动 判断医疗设备 故障是否属于不良事件， 降低对监 测人员技 术水平的依赖， 提高识别准确度。 权利要求书2页 说明书8页 附图2页 CN 115470784 A 2022.12.13 CN 115470784 A 1.一种基于混合深度学习的医疗设备故障不良事件自动识别方法， 其特征在于， 包括 以下步骤： 获取监测人员上报的设备故障描述信 息， 根据所述设备故障描述信 息关联设备的基础 属性信息； 对所述设备故障描述信 息的文本进行处理， 并通过训练得到的故障描述归一化模型得 到所述设备故障描述信息的归一 化标签； 将所述设备的基础属性信息与归一 化标签进行组合， 生成标准 化的特征向量集； 通过训练得到的不良事件识别模型对所述特征向量集进行处理， 判别设备故障是否属 于不良事 件。 2.根据权利要求1所述的一种基于混合深度 学习的医疗设备故障不良事件自动识别方 法， 其特征在于， 所述设备的基础属性信息包括设备品牌、 型号、 产地、 类型、 注册 年限、 设备 使用地点、 使用年限、 故障原因、 故障类型、 故障发生地点、 故障表现、 同故障发生次数、 故障 修复方法、 故障分析。 3.根据权利要求1所述的一种基于混合深度 学习的医疗设备故障不良事件自动识别方 法， 其特征在于， 对所述设备故障描述信息的文本进行处 理， 具体包括以下步骤： 将所述设备故障描述信息保存为一个TXT文件， 每个故障描述文件对应一个故障归一 化类别； 将TXT文件中的文本序列切分为单词， 并对处理后的文本信 息进行归一化， 将归一化的 故障标签转换为 one‑hot表示向量， 并将编码完成的数据划分为训练集和验证集； 将所述单词转 化为向量表示， 训练得到嵌入空间 并存储到文件中； 对嵌入空间文件进行解析， 构建将词语映射为所述向量表示的索引及可加载到嵌入层 中的嵌入矩阵。 4.根据权利要求3所述的一种基于混合深度 学习的医疗设备故障不良事件自动识别方 法， 其特征在于， 所述故障描述归一 化模型的获取包括以下步骤： 配置深度学习分类模型， 所述深度学习分类模型包括输入层、 中间层和输出层； 将所述嵌入矩阵加载到嵌入层中， 所述嵌入层中只有一个权 重矩阵； 对所述嵌入层进行冻结， 在模型训练期间不更新所述嵌入层保存的信息； 将所述训练集和验证集输入深度学习分类模型中进行模型训练， 直至损失函数不再下 降或预设时间内精确度不再上升时停止训练， 保存训练好的模型作为故障描述归一化模 型。 5.根据权利要求1所述的一种基于混合深度 学习的医疗设备故障不良事件自动识别方 法， 其特征在于， 在所述故障描述归一化模型中， 隐藏层激活函数使用ReLU， 输出层激活函 数使用softmax， 损失函数采用分类交叉熵categorical_crossentropy； 激活函数用于将来 自节点的加权 输入转换为所述加权 输入的节点或输出的激活； 其中， ReLU激活函数公式表示 为： softmax函数对输出值进行归一化操作， 将所述输出值转化为概率， 所有概率值的和为权　利　要　求　书 1/2 页 2 CN 115470784 A 21； softmax激活函数公式表示 为： 损失函数用于估量模型的预测值与真实值之间的差距， 交叉熵用于评估当前训练得到 的概率分布与真实分布的差异情况； categorical_cros sentropy损失函数的公式表示 为： 式中， yk表示第k个神经元 的输出， ak表示输入信号， exp表示指数函数， n表示输出层神 经元的个数， exp(ak)表示输入信号ak的指数函数， 表示所有输入信号的指数函 数的和； yi表示第i个类别的真实值， 取值为0或1； 对应于softmax的输出yk， outputsize 对应于softmax函数中的输出层神经 元个数n。 6.根据权利要求1所述的一种基于混合深度 学习的医疗设备故障不良事件自动识别方 法， 其特征在于， 所述 不良事件识别模型的获取包括以下步骤： 通过所述标准化的特征向量集构建样本数据库， 所述样本数据库中包含不良事件和非 不良事件； 将所述样本数据库中的特征向量及与所述特征向量对应的是否属于不良事件进行组 合， 形成训练数据集并将所述训练数据集进行 数据的标准 化； 选择支持向量机核函数， 将数据映射到高维空间； 采用交叉验证、 网格遍历的方法获取最佳参数对； 根据选定的核函数及获取的最佳参数对， 对所述样本数据库中的特征向量进行计算， 构造样本可分的特征空间， 完成支持向量机的训练， 得到最终模型并保存作为不良事件识 别模型。 7.根据权利要求6所述的一种基于混合深度 学习的医疗设备故障不良事件自动识别方 法， 其特征在于， 所述方法还 包括： 当存在数据缺失情况时， 从所述样本数据库中提取既往故障信 息直接进行缺失项填充 或通过包括 粗糙集理论、 对抗神经网络在内的智能数据补全方法进行智能填充。 8.根据权利要求6所述的一种基于混合深度 学习的医疗设备故障不良事件自动识别方 法， 其特征在于， 所述方法还 包括： 若判别结果不存在于所述样本数据库中， 则对所述不良事件识别模型进行更新， 并将 最新的不良事 件特征添加到所述样本数据库中。权　利　要　求　书 2/2 页 3 CN 115470784 A 3