基于数据融合长短期记忆的大型医疗设备异常检测模型研究

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。