基于主动学习的医疗设备性能指标检测方法和装置制造方法及图纸

本申请提出了一种基于主动学习的医疗设备性能指标检测方法和装置，该方法包括：S1：通过训练数据集中的异常标注数据和未标注数据训练第一分类器，通过第一分类器从未标注数据中标记正常数据；S2：通过异常标注数据和正常数据训练第二分类器；S3：通过第二分类器对每个未标注数据进行预测，根据预测分数确定候选异常数据；S4：人工判断候选异常数据是否为异常数据，若是，则标记候选异常数据为异常标注数据；S5：判断异常标注数据和正常数据的数量是否达到预设值，若否，则重复执行S3和S4直至达到预设值；S6：根据获取的标记数据对医疗设备的关键性能指标KPI流进行检测。该方法可避免正常样本被误标注为异常样本，提高了异常检测的准确性。测的准确性。测的准确性。

【技术实现步骤摘要】
基于主动学习的医疗设备性能指标检测方法和装置


[0001]本申请涉及数据检测
，尤其涉及一种基于主动学习的医疗设备性能指标检测方法和装置。

技术介绍

[0002]目前，在医学领域中，医疗设备在工作的过程中往往会产生大量的监控数据，即KPI流，而专业的工作人员也正是实时观测这些数据以监控设备是否出现异常的，这些数据一般是时间序列，如果人为检测数据以判断设备是否出现异常需要耗费极大的人力和成本，所以在医学领域中通常会采用一些算法辅助进行医疗设备KPI流的异常检测。
[0003]然而，相关技术中的辅助算法需要对监控数据进行大量的标注以完成检测，但标注这些数据的成本较高，且相关技术中的的数据标注方法容易将正常样本错误地标记为异常样本，导致检测的准确性较低。因此，目前亟需一种能够提高样本标注的正确性并且利用较少的标记量完成异常检测的方法。

技术实现思路

[0004]本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，本申请的第一个目的在于提出一种基于主动学习的医疗设备性能指标检测方法，该方法针对时间序列的异常样本和正常样本的特性对主动学习的标注过程进行了优化，在主动学习阶段确保尽可能少的正常样本被标注为异常，极大减少了误报的概率，完善了PU学习医学领域进行异常检测的应用，可以获得更多的标记样本，提高了对医疗设备的性能指标进行异常检测的准确性。
[0006]本专利技术的第二个目的在于提出一种基于主动学习的医疗设备性能指标检测装置。
[0007]本专利技术的第三个目的在于提出一种非临时性计算机可读存储介质。
[0008]为达上述目的，本专利技术第一方面实施例提出了一种基于主动学习的医疗设备性能指标检测方法，包括以下步骤：
[0009]S1：获取训练数据集，通过所述训练数据集中的异常标注数据和未标注数据训练第一分类器，并通过所述第一分类器从所述未标注数据中标记正常标注数据；
[0010]S2：通过所述异常标注数据和所述正常标注数据训练第二分类器；
[0011]S3：通过所述第二分类器对每个未标注数据进行预测，并根据预测分数确定候选异常数据；
[0012]S4：人工判断所述候选异常数据是否为异常数据，若所述候选异常数据为异常数据，则标记所述候选异常数据为异常标注数据，并更新异常标注数据、正常标注数据和未标注数据；
[0013]S5：判断异常标注数据和正常标注数据的数量是否达到预设数量，若否，则重复执行S3和S4直至异常标注数据和正常标注数据的数量达到预设数量；
[0014]S6：根据获取的标记数据对医疗设备的关键性能指标KPI流进行异常检测。
[0015]可选地，在本申请的一个实施例中，第一分类器为线性模型分类器，所述第二分类器为随机森林模型分类器。
[0016]可选地，在本申请的一个实施例中，根据预测分数确定候选异常数据，包括:确定每个未标注数据的预测分数，并根据分数值的大小对所有未标注数据的预测分数进行排序；选取分数最高的未标注数据为所述候选异常数据。
[0017]可选地，在本申请的一个实施例中，在所述标记所述候选异常数据为异常标注数据之后，还包括：获取预测分数最低的未标注数据，自动标注所述预测分数最低的未标注数据为正常标注数据。
[0018]可选地，在本申请的一个实施例中，根据获取的标记数据对医疗设备的关键性能指标KPI流进行异常检测，包括：根据所述获取的标记数据训练有监督异常检测模型，通过所述有监督异常检测模型对待检测的KPI流进行异常检测。
[0019]为达上述目的，本申请第二方面实施例提出一种基于主动学习的医疗设备性能指标检测装置，包括以下模块：
[0020]第一标记模块，用于获取训练数据集，通过所述训练数据集中的异常标注数据和未标注数据训练第一分类器，并通过所述第一分类器从所述未标注数据中标记正常标注数据；
[0021]训练模块，用于通过所述异常标注数据和所述正常标注数据训练第二分类器；
[0022]预测模块，用于通过所述第二分类器对每个未标注数据进行预测，并根据预测分数确定候选异常数据；
[0023]第二标记模块，用于基于人工判断所述候选异常数据是否为异常数据，若所述候选异常数据为异常数据，则标记所述候选异常数据为异常标注数据，并更新异常标注数据、正常标注数据和未标注数据；
[0024]迭代模块，用于判断异常标注数据和正常标注数据的数量是否达到预设数量，若否，则控制所述预测模块和所述第二标记模块重复运行，直至异常标注数据和正常标注数据的数量达到预设数量；
[0025]检测模块，用于根据获取的标记数据对医疗设备的关键性能指标KPI流进行异常检测。
[0026]可选地，在本申请的一个实施例中，第一分类器为线性模型分类器，所述第二分类器为随机森林模型分类器。
[0027]可选地，在本申请的一个实施例中，预测模块，具体用于：确定每个未标注数据的预测分数，并根据分数值的大小对所有未标注数据的预测分数进行排序；选取分数最高的未标注数据为所述候选异常数据。
[0028]可选地，在本申请的一个实施例中，第二标记模块，还用于：获取预测分数最低的未标注数据，自动标注所述预测分数最低的未标注数据为正常标注数据。
[0029]可选地，在本申请的一个实施例中，检测模块，具体用于：根据所述获取的标记数据训练有监督异常检测模型，通过所述有监督异常检测模型对待检测的KPI流进行异常检测。
[0030]本申请具有以下技术效果：本申请获取训练数据集，通过训练数据集中的异常标注数据和未标注数据训练第一分类器，并通过第一分类器从所述未标注数据中标记正常标
注数据；通过异常标注数据和正常标注数据训练第二分类器；通过第二分类器对每个未标注数据进行预测，并根据预测分数确定候选异常数据；人工判断候选异常数据是否为异常数据，若候选异常数据为异常数据，则标记候选异常数据为异常标注数据，并更新异常标注数据、正常标注数据和未标注数据；判断异常标注数据和正常标注数据的数量是否达到预设数量，若否，则重复执行迭代标记的步骤，直至异常标注数据和正常标注数据的数量达到预设数量；根据获取的标记数据对医疗设备的关键性能指标KPI流进行异常检测。本申请针对时间序列的异常样本和正常样本的特性对主动学习的标注过程进行了优化，在每次数据标记的迭代中选择最有可能为异常的样本标记为异常标注数据，而不是那些接近分类边界的样本，从而在主动学习阶段确保尽可能少的正常样本被标注为异常，极大减少了误报的概率，并且可以获得更多的标记样本，完善了PU学习医学领域进行异常检测的应用，提高了对医疗设备的性能指标进行异常检测的准确性。
[0031]为达上述目的，本申请第三方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请第一方面实施例所述的基于主动学习的医疗设备性能指标检测方法。
[0032]本专利技术附加的方面和优点将在下面的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于主动学习的医疗设备性能指标检测方法，其特征在于，包括以下步骤：S1：获取训练数据集，通过所述训练数据集中的异常标注数据和未标注数据训练第一分类器，并通过所述第一分类器从所述未标注数据中标记正常标注数据；S2：通过所述异常标注数据和所述正常标注数据训练第二分类器；S3：通过所述第二分类器对每个未标注数据进行预测，并根据预测分数确定候选异常数据；S4：人工判断所述候选异常数据是否为异常数据，若所述候选异常数据为异常数据，则标记所述候选异常数据为异常标注数据，并更新异常标注数据、正常标注数据和未标注数据；S5：判断异常标注数据和正常标注数据的数量是否达到预设数量，若否，则重复执行S3和S4直至异常标注数据和正常标注数据的数量达到预设数量；S6：根据获取的标记数据对医疗设备的关键性能指标KPI流进行异常检测。2.根据权利要求1所述的方法，其特征在于，所述第一分类器为线性模型分类器，所述第二分类器为随机森林模型分类器。3.根据权利要求1或2所述的方法，其特征在于，所述根据预测分数确定候选异常数据，包括:确定每个未标注数据的预测分数，并根据分数值的大小对所有未标注数据的预测分数进行排序；选取分数最高的未标注数据为所述候选异常数据。4.根据权利要求3所述的方法，其特征在于，在所述标记所述候选异常数据为异常标注数据之后，还包括：获取预测分数最低的未标注数据，自动标注所述预测分数最低的未标注数据为正常标注数据。5.根据权利要求1所述的方法，其特征在于，所述根据获取的标记数据对医疗设备的关键性能指标KPI流进行异常检测，包括：根据所述获取的标记数据训练有监督异常检测模型，通过所述有监督异常检测模型对待检测的KPI流进行异常检测。6.一种基于主动学习...

【专利技术属性】
技术研发人员：李姗姗，张禄，赵晨宇，张圣林，
申请(专利权)人：南开大学，
类型：发明
国别省市：