目的提出一種基于數(shù)據(jù)挖掘技術的粗糙神經(jīng)網(wǎng)絡模型,為醫(yī)療設備故障監(jiān)測與識別提供一種參考方法。方法收集我院2017年10月至2019年5月的呼吸機故障報警事件為研究對象,制定了故障因素采集方法,分別從設備使用環(huán)境因素、電氣因素及氣路因素數(shù)據(jù)進行采集,同時搭建了8輸入3輸出的粗糙神經(jīng)網(wǎng)絡模型,并使用訓練集和測試集分別對粗糙神經(jīng)網(wǎng)絡模型進行訓練和測試。結果經(jīng)訓練集學習后,訓練集呼吸機故障模式靈敏度、特異性及準確率分別為87.8%、85.6%、91.1%,測試集呼吸機故障模式準確率達85.0%。結論通過挖掘故障模式與故障因素的潛在關系,設備故障模式能夠得到較好識別,粗糙神經(jīng)網(wǎng)絡模型可為醫(yī)療設備故障監(jiān)測與識別提供一種參考方法。

【文章頁數(shù)】：4 頁

【部分圖文】：

圖1 粗糙神經(jīng)網(wǎng)絡方法流程圖

(2）利用粗糙約簡簡化神經(jīng)網(wǎng)絡規(guī)則數(shù)。在實際應用中，規(guī)則數(shù)過多會導致系統(tǒng)不能收斂、網(wǎng)絡的訓練時間長或訓練誤差大等缺點，因此利用粗糙集約簡神經(jīng)網(wǎng)絡的決策規(guī)則數(shù)，可以減小網(wǎng)絡的計算量，加快網(wǎng)絡的收斂速度[17]。本文使用前者搭建粗糙神經(jīng)網(wǎng)絡模型，粗糙神經(jīng)網(wǎng)絡方法流程圖如圖1所示。2....

圖2 實驗模型搭建

隨機使用90臺次呼吸機故障作為訓練集對神經(jīng)網(wǎng)絡進行訓練，其中訓練集包含潮氣量異常41臺次，氧濃度異常22臺次，氣密性異常27臺次。神經(jīng)網(wǎng)絡訓練迭代次數(shù)選擇1000次，經(jīng)訓練后，BP神經(jīng)網(wǎng)絡識別故障模式靈敏度、特異性以及準確率分別為87.8%、85.6%、91.1%。使用訓練后的B....

本文編號：4029745