买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国人民解放军总医院京南医疗区

摘要：本发明公开了一种基于大数据的运输血液异常预警方法及系统，属于数据处理技术领域，方法包括：获取血液运输设备中多个分布式温度传感器采集的温度数据、湿度传感器采集的湿度数据以及振动传感器采集的振动数据；对温度数据、湿度数据以及振动数据分别进行空间融合，得到温度融合序列、湿度融合序列以及振动融合序列；根据温度融合序列、湿度融合序列以及振动融合序列，基于双向长短时神经网络，对血液运输设备中的温度、湿度以及振动进行预测，得到温度预测值、湿度预测值以及振动预测值；对温度预测值、湿度预测值以及振动预测值进行特征融合，得到融合预测值；根据融合预测值，判断当前血液运输设备是否存在异常；若是，发出警报。

主权项：1.一种基于大数据的运输血液异常预警方法，其特征在于，包括：S1：获取血液运输设备中多个分布式温度传感器采集的温度数据、湿度传感器采集的湿度数据以及振动传感器采集的振动数据；S2：对多个分布式温度传感器采集的温度数据、湿度传感器采集的湿度数据以及振动传感器采集的振动数据分别进行空间融合，得到温度融合序列、湿度融合序列以及振动融合序列；具体为：将同一采集周期的温度数据作为一个温度数据簇；随机选取所述温度数据簇中的一个温度数据点作为中心温度数据点；逐一从非中心温度数据点中选取目标温度数据点；计算所述中心温度数据点与其余温度数据点之间的距离之和，以及所述目标温度数据点与其余温度数据点之间的距离之和；判断所述目标温度数据点与其余温度数据点之间的距离之和是否小于所述中心温度数据点与其余温度数据点之间的距离之和；若是，使用所述目标温度数据点作为新的中心温度数据点替换掉原先的中心温度数据点；否则，不更新中心温度数据点，继续迭代；直至完成所有温度数据点的迭代，输出最终的中心温度数据点，对多个分布式温度传感器采集的温度数据进行空间融合；将不同采集周期的中心温度数据点组成温度融合序列；S3：根据温度融合序列、湿度融合序列以及振动融合序列，基于双向长短时神经网络，对所述血液运输设备中的温度、湿度以及振动进行预测，得到温度预测值、湿度预测值以及振动预测值；其中，对于温度预测值的输出具体为：输入温度融合序列T＝[te1,te2,···,ten]，tet表示t时刻的中心温度数据点，t＝1,2,…,n，n表示总采集时长；在遗忘门中，确定需要遗忘的信息，通过以下公式，得到遗忘门的输出向量：Ft＝σWF·[Ht-1,Tt]+bF其中，Ft表示t时刻的遗忘门的输出向量，σ表示激活函数，WF表示遗忘门的权重矩阵，Ht-1表示前一时刻的隐状态，Tt表示t时刻输入的温度融合序列，bF表示遗忘门的偏置参数；在输入门中，确定存储到细胞存储单元的信息，通过以下公式，得到输入门的输出向量：It＝σWI·[Ht-1,Tt]+bI其中，It表示t时刻的输入门的输出向量，WI表示输入门的权重矩阵，bI表示输入门的偏置参数；在细胞存储单元中，通过以下公式，计算当前时刻的临时细胞状态： 其中，表示t时刻的临时细胞状态，tanh表示tanh激活函数，WC表示细胞存储单元的权重矩阵，bC表示细胞存储单元的偏置参数；在细胞存储单元中，通过以下公式，计算当前时刻的细胞状态： 其中，Ct表示t时刻的细胞状态，Ct-1表示前一时刻的细胞状态；在输出门中，通过以下公式，得到输出门的输出向量，并将输出门的输出向量存储为隐状态：Ot＝σWO·[Ht-1,Tt]+bOht＝Ot·tanhCt其中，Ot表示t时刻的输出门的输出向量，WO表示输出门的权重矩阵，bO表示输出门的偏置参数，ht表示t时刻的隐状态；当双向长短时神经网络向前进行学习时，输出的隐状态为前向隐状态，记为当双向长短时神经网络向后进行学习时，输出的隐状态为后向隐状态，记为对前向隐状态与后向隐状态进行融合，得到综合隐状态： 其中，Ht表示t时刻的综合隐状态，Wtf表示t时刻的前向权重矩阵，表示t时刻的前向隐状态，Wtb表示t时刻的后向权重矩阵，表示t时刻的后向隐状态；在输出层中，根据综合隐状态，输出温度预测值： 其中，tet+1表示t+1时刻的温度预测值，表示第n个细胞存储单元与输出层之间的权重矩阵，表示t时刻第n个细胞存储单元中存储的综合隐状态，bte表示输出层的偏置参数；S4：对所述温度预测值、所述湿度预测值以及所述振动预测值进行特征融合，得到融合预测值；具体为：根据以下公式，对所述温度预测值、所述湿度预测值以及所述振动预测值进行特征融合，得到融合预测值：y＝β1·te+β2·s+β3·z其中，y表示融合预测值，te表示温度预测值，β1表示温度预测值的权重系数，s表示湿度预测值，β2表示湿度预测值的权重系数，z表示振动预测值，β3表示振动预测值的权重系数；S5：根据所述融合预测值，判断当前所述血液运输设备是否存在异常；若是，发出警报；具体为：S501：计算历史融合预测值的均值μ以及标准差σ；S502：根据历史融合预测值的均值μ以及标准差σ，确定安全区间[μ-λσ,μ+λσ]，其中，λ表示安全系数；S503：判断当前融合预测值是否处于所述安全区间内；若是，当前所述血液运输设备正常；否则，当前所述血液运输设备存在异常，发出警报；温度预测值的权重系数β1、湿度预测值的权重系数β2、振动预测值的权重系数β3以及安全系数λ的确定方式为：将温度预测值的权重系数β1、湿度预测值的权重系数β2、振动预测值的权重系数β3以及安全系数λ组成参数集合；以异常检测准确率最高为目标，通过遗传算法，确定最优参数组合，得到最优的温度预测值的权重系数β1、湿度预测值的权重系数β2、振动预测值的权重系数β3以及安全系数λ。

全文数据：

权利要求：

百度查询： 中国人民解放军总医院京南医疗区 一种基于大数据的运输血液异常预警方法及系统