[发明专利]医疗设备故障预测方法、装置、介质及电子设备

说明书

本公开涉及一种医疗设备故障预测方法、装置、介质及电子设备。方法包括：获取医疗设备在当前时刻的状态信息；根据状态信息，通过目标故障预测模型确定医疗设备中至少一部件在当前时刻的下一时刻发生故障的概率，模型是通过对深度神经网络模型进行训练和降维处理后得到的。由于目标故障预测模型是通过对深度神经网络模型进行训练和降维处理后得到的，因此，模型的规模相对较小。由此，模型可在嵌入式平台上直接运行，可降低存储代价和计算代价，提升内存访问速率和故障预测效率。基于故障预测结果，用户可合理安排医疗资源并采取相应维护措施，以有效避免医疗设备工作过程中发生故障导致的整个依赖该医疗设备的工作流程终止，提升被检患者的安全。

技术领域

本公开涉及故障预测领域，具体地，涉及一种医疗设备故障预测方法、装置、介质及电子设备。

背景技术

医疗设备是医疗、科研机构及临床学科工作中的最基本要素，例如，正电子发射断层扫描-电子计算机断层扫描设备(PET-CT)。其中，医疗设备一旦故障，将会导致整个依赖该医疗设备的工作流程终止，可能会对被检患者的安全构成威胁，因此，医疗设备的故障预测至关重要。

近年来，深度神经网络已经广泛应用于对医疗设备的故障预测。随着深度神经网络的发展，用于医疗设备故障预测的深度神经网络模型的性能不断提升，相应地，模型的网络参数量愈发庞大，存储代价和计算代价也不断提高。因此，内存访问速率慢、故障预测效率不高，并且，模型难以部署在资源受限的嵌入式平台(例如，医疗设备)上。

发明内容

本公开的目的是提供一种医疗设备故障预测方法、装置、介质及电子设备，以提升内存访问速率和故障预测效率。

为了实现上述目的，第一方面，本公开提供一种医疗设备故障预测方法，包括：获取医疗设备在当前时刻的状态信息；根据所述当前时刻的状态信息，通过目标故障预测模型确定所述医疗设备中至少一部件在所述当前时刻的下一时刻发生故障的概率，其中，所述目标故障预测模型是通过对深度神经网络模型进行训练和降维处理后得到的。

可选地，所述方法应用于所述医疗设备，且所述目标故障预测模型被部署在所述医疗设备中。

可选地，所述状态信息包括运行状态信息、运行环境数据、校正日志、维护日志、运行日志中的至少一者。

可选地，所述目标故障预测模型通过以下方式获得：获取多个训练样本，每一所述训练样本分别包括所述医疗设备在一历史时刻的状态信息以及该历史时刻的下一时刻的实际故障信息；根据所述多个训练样本，对深度神经网络模型进行预训练，得到初始故障预测模型；对所述初始故障预测模型进行降维处理，得到所述目标故障预测模型。

可选地，所述对所述初始故障预测模型进行降维处理，得到所述目标故障预测模型，包括：获取待剪枝的故障预测模型的部分模型参数，所述待剪枝的故障预测模型初始为所述初始故障预测模型；根据所述部分模型参数的参数值，对所述待剪枝的故障预测模型进行剪枝，以对所述待剪枝的故障预测模型进行降维；根据所述多个训练样本，对剪枝后所得的模型重新进行训练；确定重新训练后得到的模型是否满足剪枝停止条件；在所述重新训练后得到的模型不满足所述剪枝停止条件的情况下，将所述重新训练后得到的模型确定为新的待剪枝的故障预测模型，并重复执行所述获取待剪枝的故障预测模型的部分模型参数的步骤至所述确定重新训练后得到的模型是否满足剪枝停止条件的步骤；在所述重新训练后得到的模型满足所述剪枝停止条件的情况下，将所述重新训练后得到的模型确定为所述目标故障预测模型。

可选地，在所述待剪枝的故障预测模型中、所述部分模型参数对应的边形成为多个卷积核；所述根据所述部分模型参数的参数值，对所述待剪枝的故障预测模型进行剪枝，包括：根据所述部分模型参数的参数值，从所述多个卷积核中确定冗余结构，其中，所述冗余结构包括卷积核和/或卷积核通道；从所述待剪枝的故障预测模型中剪除所述冗余结构。