CN117690572B - 一种基于多元回归的ct使用时间风险预测方法、装置、设备及介质 - Google Patents
一种基于多元回归的ct使用时间风险预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117690572B CN117690572B CN202311809533.XA CN202311809533A CN117690572B CN 117690572 B CN117690572 B CN 117690572B CN 202311809533 A CN202311809533 A CN 202311809533A CN 117690572 B CN117690572 B CN 117690572B
- Authority
- CN
- China
- Prior art keywords
- multiple regression
- bulb
- bulb tube
- time
- standard error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000002591 computed tomography Methods 0.000 title abstract description 123
- 230000001419 dependent effect Effects 0.000 claims description 38
- 238000012795 verification Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010998 test method Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010304 firing Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000007619 statistical method Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000001134 F-test Methods 0.000 description 1
- 206010066901 Treatment failure Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多元回归的CT使用时间风险预测方法、装置、设备及介质，涉及医疗设备技术领域。本发明首先分析影像球管使用时长的关键因素，分析使用时间与关键因素之间的相关性，构建CT球管使用时间预测模型，通过该CT球管使用时间预测模型，预测当前CT球管的预测使用时间，与CT球管的实际使用时间作对比，进而评估CT球管使用风险。本发明相较于传统的基于单一因素预测模型来说，考虑了多个影响因素，结合统计分析、数学算法等，建立更准确的预测模型，提高预测精度和可靠性。
Description
技术领域
本发明涉及医疗设备技术领域，更具体地说涉及一种基于多元回归的CT使用时间风险预测方法、装置、设备及介质。
背景技术
CT设备属于复杂、精密的大型医疗设备,在医疗诊断和治疗中起着关键作用，但由于CT本身的复杂性和使用中的潜在风险，设备的异常状态可能导致诊断错误、治疗失败或患者安全风险。
CT设备的维护和维修成本较高，设备的故障和停机可能导致医疗服务的中断和延误，增加医疗成本；且设备原厂只对故障进行维护，不作预测性维护。
CT核心零部件球管的单价高、损耗快，实际使用寿命和推荐使用寿命可能相差很远，需要在保障设备正常使用的情况下有效提高球管的实际使用寿命、减少更换频次，降低设备成本。
作为CT设备的信号源，球管是CT设备中最值钱的核心部件之一，它的性能直接影响了CT的图像质量及使用寿命。CT球管突然发生故障会导致CT设备突然停机，进行紧急维修会产生高昂的维修费用，影响医疗服务的连续性和效率。
如公开号为CN110530904A，名称为“故障电弧检测方法及装置、CT球管寿命预测方法及装置”的发明专利申请公布文本，其对CT球管使用过程中产生故障电弧进行检测，并记录故障电弧发生次数，根据故障电弧发生次数对CT球管寿命进行预测。该现有技术需要额外检测故障电弧，增加了预测成本。
又如公开号为CN114027860A，名称为“一种CT球管智能更换预判系统”的发明专利申请公布文本，其针对在使用的CT球管构建了预判数据，并对比预判数据与CT球管的实际数据，当实际数据达到预判数据时，需要专业人员介入检查，并根据检查结果更新预判数据。该现有技术根据预设的预判数据进行判定，若预判数据存在较大误差时，则严重影响到CT球管更换预判的准确度，需要专业人员介入，且CT球管在实际使用过程中面临的工况是复杂的，无法单一的通过预判数据对CT球管是否更换进行预判。
发明内容
为了克服上述现有技术中存在的缺陷和不足，本发明提供了一种基于多元回归的CT使用时间风险预测方法、装置、设备及介质，本发明的发明目的在于考虑多个影响因素，结合统计分析、数学算法等，建立更准确的预测模型，提高预测精度和可靠性。本发明首先分析影像球管使用时长的关键因素，分析使用时间与关键因素之间的相关性，构建CT球管使用时间预测模型，通过该CT球管使用时间预测模型，预测当前CT球管的预测使用时间，与CT球管的实际使用时间作对比，进而评估CT球管使用风险。本发明相较于传统的基于单一因素预测模型来说，考虑了多个影响因素，结合统计分析、数学算法等，建立更准确的预测模型，提高预测精度和可靠性。
为了解决上述现有技术中存在的问题，本发明是通过下述技术方案实现的。
本发明第一方面提供了一种基于多元回归的CT使用时间风险预测方法，该预测方法包括以下步骤：
S1、对CT设备中的球管参数进行监测，获取球管的运行日志，并上传至医疗设备管理平台，分析球管故障时相关运行参数；
S2、根据S1步骤获取到的相关运行参数，分析影响球管使用时长的关键因素；并获取关键因素数据作为样本数据，并将样本数据按比例分为训练集样本数据和校验集样本数据；
S3、以球管预设使用时间为因变量，影响球管使用时长的关键因素作为自变量，建立多元回归方程；
S4、将训练集样本数据带入到多元回归方程中，求出回归系数；
S5、将S4步骤求出的回归系数代入到S3步骤的多元回归方程中；
结合校验集样本数据，对代入回归系数的多元回归方程进行拟合度验证；拟合度验证通过则进行S6步骤，若拟合度验证不通过，则重复S2-S5步骤；
S6、计算各自变量的估计标准误差，即因变量的实际值与通过拟合度验证的多元回归方程求出的估计值之间的标准误差；将计算得到的估计标准误差与预设标准误差阈值进行对比，若计算得到的估计标准误差小于等于预设标准误差阈值，则进行S7步骤；否则，重复上述S2-S6步骤；
S7、对估计标准误差满足预设标准误差阈值的多元回归方程进行显著性校验；显著性校验通过则将该多元回归方程作为CT球管使用时间的预测模型；若显著性校验不通过，则重复上述S2-S7步骤；
S8、将预测目标CT球管的参数代入到CT球管使用时间的预测模型中，计算出预测使用时间；将预测使用时间与预测目标CT球管的实际使用时间进行对比，评估预测目标CT球管的风险。
进一步优选的，S2步骤中，使用主成分分析法，分析CT球管使用时间与关键因素之间的相关性；使用VIF检验法分析各关键因素间的相关性，取出VIF值大于设定VIF阈值的关键因素，将剩余的关键因素用于S3步骤建立多元回归方程。
更进一步优选的，所述设定VIF阈值为10。
进一步优选的，所述关键因素包括CT球管曝光秒次、使用频率和打火次数。
进一步优选的，S3步骤中，预设使用时间为因变量y，自变量为x1、x2、…、xk；k为自变量的个数；建立的多元回归方程为y＝b0+b1x1+b2x2+…+bkxk；其中，b0、b1、b2、…、bk为回归系数。
更进一步优选的，将样本数据中的训练级样本数据代入到多元回归方程中，利用矩阵和最小二乘法求取回归系数：
式中，n表示样本数，k表示自变量个数。
进一步优选的，S5步骤中，对代入回归系数的多元回归方程进行拟合度验证，具体是指，利用复相关系数R2表示全部自变量与因变量y的相关程度，0≤R2≤1，R2越接近1，回归度越好，拟合度越强；计算公式如下所示：
其中， 式中，/>表示通过多元回归方程得到的因变量的估计值，/>表示样本中因变量的平均值，k为自变量个数，n为样本数。
进一步优选的，S6步骤中，估计标准误差的计算公式为式中，n为样本数，k为自变量个数，vk表示第k个自变量的标准误差。
更进一步优选的，所述预设标准误差阈值为根据估计标准误差求取得到的自变量标准误差阈值；该标准误差阈值设置为≤0.5。
进一步优选的，S7步骤中，对估计标准误差满足预设标准误差阈值的多元回归方程进行显著性校验，具体是指，利用F检验法对多元回归方程进行检验，检验自变量与因变量的关系是否密切；依据球管使用时间影响参数的大量数据，给定显著水平α＝0.05，依据自由度(k,n-k-1)查F分布表，得到相应的临界值Fa，若F＞Fa，则多元回归方程具有显著意义，回归效果显著；若F＜Fa，则多元回归方程无显著意义，回归效果不显著。
更进一步优选的，F检验法的计算公式为
其中n为样本数量，k为自变量个数；R2表示复相关系数。
进一步优选的，S8步骤中，将目标CT球管到目前为止的使用时间记为m，使用CT球管使用时间的预测模型计算得到的预测使用时间记为s；
若m大于s，则说明实际使用时间已超过预测使用时间，该CT球管处于高风险；
若m/s×100％＞80％，则说明该CT球管处于中风险；
若m/s×100％≤80％，则说明该CT球管处于低风险。
更进一步优选的，S8步骤中，不同的风险等级对应不同的维保策略；
若CT球管处于高风险，则由医疗设备管理平台生成工单，立即通知相关人员检查维修或更换；
若CT球管处于中风险，则由医疗设备管理平台进行告警提示，并安排相关人员定期检查；
若CT球管处于低风险，则正常使用，无需特别关注。
本发明第二方面提供了一种基于多元回归的CT使用时间预测装置，该预测装置包括
目标CT球管关键因素数据获取模块，用于获取影响球管使用时长的关键因素的数据和目标CT球管的实际使用时长；
CT球管使用时长预测模块，封装有上述第一方面所述方法得到的CT球管使用时间的预测模型，将目标CT球管关键因素数据获取模块获取到的关键因素的数据带入到CT球管使用时间的预测模型，计算得到CT球管预测使用时长；
CT球管风险预测模块，用于将预测使用时间与目标CT球管的实际使用时间进行对比，评估预测目标CT球管的风险。
本发明第三方面提供了一种计算机设备，包括处理器、输入设备、输出设备和存储器，处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本发明第一方面中所描述的部分或全部步骤。
本发明的第四方面提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储有用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本发明第一方面中所描述的部分或全部步骤。
与现有技术相比，本发明所带来的有益的技术效果表现在：
1、本发明的CT球管的使用时间预测模型相较于传统的基于单一因素预测模型来说，考虑了多个影响因素，结合统计分析、数学算法等，建立更准确的预测模型，提高预测精度和可靠性。
2、本发明利用大规模CT球管使用数据集，发现隐藏在数据中的模式和趋势，构建基于数据驱动的预测模型，以更精确地预测球管的使用时间，对CT球管的日常维护有很大的作用。
3、本发明通过对CT球管使用时间进行预测，使得医疗机构可以制定合理的维护计划，包括定期检查、保养和更换球管，以确保设备的正常运行和可靠性。以便在球管接近寿命结束时做好替换准备，避免设备因球管故障而停用，影响临床工作。通过预测球管使用时间并及时更换，可以减少设备故障的风险，提高设备的可用性和工作效率。
4、本发明采用主成分析法分析CT球管使用时间与关键因素之间的相关性，并使用VIF检验法分析各关键因素间的相关性，通过这两种方法的筛选，可以有效筛选出影响CT球管使用时间的关键因素。通过主成分析法分析出关键因素与CT球管使用时间之间存在一定的线性关系，通过VIF(方差膨胀因子)检验法可得出关键因素之间不存在多重共线性问题，确保了建立的多元回归方程的可靠性。
5、本发明进一步利用拟合度测定关键因素与CT球管使用时间之间的关联性，并进一步使用显著性检验，检验多元回归方程的显著性，确保建立的CT球管使用时间的预测模型的预测精准度。
附图说明
图1为本发明CT球管使用时间风险预测方程流程图。
具体实施方式
以下是结合附图的以帮助全面理解由权利要求及其等同物限定的本发明的示例性实施例，其中所述特定细节将仅被视为示例性的，而不限制本发明的范围。因此，本领域普通技术人员可在不脱离本发明的范围和精神的情况下，对实施例进行各种改变和修改。
实施例1
作为本发明一较佳实施例，本实施例公开了一种基于多元回归的CT使用时间风险预测方法，该预测方法包括以下步骤：
S1、对CT设备中的球管参数进行监测，获取球管的运行日志，并上传至医疗设备管理平台，分析球管故障时相关运行参数；
S2、根据S1步骤获取到的相关运行参数，分析影响球管使用时长的关键因素；并获取关键因素数据作为样本数据，并将样本数据按比例分为训练集样本数据和校验集样本数据；
S3、以球管预设使用时间为因变量，影响球管使用时长的关键因素作为自变量，建立多元回归方程；
S4、将训练集样本数据带入到多元回归方程中，求出回归系数；
S5、将S4步骤求出的回归系数代入到S3步骤的多元回归方程中；
结合校验集样本数据，对代入回归系数的多元回归方程进行拟合度验证；拟合度验证通过则进行S6步骤，若拟合度验证不通过，则重复S2-S5步骤；
S6、计算各自变量的估计标准误差，即因变量的实际值与通过拟合度验证的多元回归方程求出的估计值之间的标准误差；将计算得到的估计标准误差与预设标准误差阈值进行对比，若计算得到的估计标准误差小于等于预设标准误差阈值，则进行S7步骤；否则，重复上述S2-S6步骤；
S7、对估计标准误差满足预设标准误差阈值的多元回归方程进行显著性校验；显著性校验通过则将该多元回归方程作为CT球管使用时间的预测模型；若显著性校验不通过，则重复上述S2-S7步骤；
S8、将预测目标CT球管的参数代入到CT球管使用时间的预测模型中，计算出预测使用时间；将预测使用时间与预测目标CT球管的实际使用时间进行对比，评估预测目标CT球管的风险。
实施例2
作为本发明又一较佳实施例，参照说明书附图1所示，本实施例是在上述实施例1的基础上，对本发明的技术方案做出的进一步详细地补充和阐述。在本实施例中，该预测方法包括以下步骤：
S1、对CT设备中的球管参数进行监测，获取球管的运行日志，并上传至医疗设备管理平台，分析球管故障时相关运行参数。
S2、根据S1步骤获取到的相关运行参数，分析影响球管使用时长的关键因素；并获取关键因素数据作为样本数据，并将样本数据按比例分为训练集样本数据和校验集样本数据；
具体的，使用主成分分析法，分析CT球管使用时间与关键因素之间的相关性；使用VIF检验法分析各关键因素间的相关性，取出VIF值大于设定VIF阈值的关键因素，将剩余的关键因素用于S3步骤建立多元回归方程。
作为一个示例，设定VIF阈值为10。通过上述主成分析法和VIF检验法，可以得到关键因素包括CT球管曝光秒次、使用频率和打火次数。
S3、以球管预设使用时间为因变量，影响球管使用时长的关键因素作为自变量，建立多元回归方程；
S4、将训练集样本数据带入到多元回归方程中，求出回归系数；
S5、将S4步骤求出的回归系数代入到S3步骤的多元回归方程中；
结合校验集样本数据，对代入回归系数的多元回归方程进行拟合度验证；利用复相关系数R2表示全部自变量与因变量y的相关程度，0≤R2≤1，R2越接近1，回归度越好，拟合度越强；拟合度验证通过则进行S6步骤，若拟合度验证不通过，则重复S2-S5步骤。
S6、计算各自变量的估计标准误差，即因变量的实际值与通过拟合度验证的多元回归方程求出的估计值之间的标准误差；将计算得到的估计标准误差与预设标准误差阈值进行对比，若计算得到的估计标准误差小于等于预设标准误差阈值，则进行S7步骤；否则，重复上述S2-S6步骤；
S7、对估计标准误差满足预设标准误差阈值的多元回归方程进行显著性校验；显著性校验通过则将该多元回归方程作为CT球管使用时间的预测模型；若显著性校验不通过，则重复上述S2-S7步骤；具体的，利用F检验法对多元回归方程进行检验，检验自变量与因变量的关系是否密切；依据球管使用时间影响参数的大量数据，给定显著水平α＝0.05，依据自由度(k,n-k-1)查F分布表，得到相应的临界值Fa，若F＞Fa，则多元回归方程具有显著意义，回归效果显著；若F＜Fa，则多元回归方程无显著意义，回归效果不显著。
S8、将预测目标CT球管的参数代入到CT球管使用时间的预测模型中，计算出预测使用时间；将预测使用时间与预测目标CT球管的实际使用时间进行对比，评估预测目标CT球管的风险；
将目标CT球管到目前为止的使用时间记为m，使用CT球管使用时间的预测模型计算得到的预测使用时间记为s；
若m大于s，则说明实际使用时间已超过预测使用时间，该CT球管处于高风险，需进行检查、维修或更换；
若m/s×100％＞80％，则说明该CT球管处于中风险，需进行告警提示，并安排定期检查；
若m/s×100％≤80％，则说明该CT球管处于低风险，可正常使用，无需特别关注。
实施例3
作为本发明又一较佳实施例，本实施例是在上述实施例1或实施例2的基础上，对本发明的技术方案做出的进一步详细地补充和阐述。在本实施例中，S3步骤中，预设使用时间为因变量y，自变量为x1、x2、…、xk；k为自变量的个数；建立的多元回归方程为y＝b0+b1x1+b2x2+…+bkxk；其中，b0、b1、b2、…、bk为回归系数。
将样本数据中的训练级样本数据代入到多元回归方程中，利用矩阵和最小二乘法求取回归系数：
式中，n表示样本数，k表示自变量个数。
进一步的，S5步骤中，对代入回归系数的多元回归方程进行拟合度验证，具体是指，利用复相关系数R2表示全部自变量与因变量y的相关程度，0≤R2≤1，R2越接近1，回归度越好，拟合度越强；计算公式如下所示：
其中， 式中，/>表示通过多元回归方程得到的因变量的估计值，y表示样本中因变量的平均值，k为自变量个数，n为样本数。
进一步优选的，S6步骤中，估计标准误差的计算公式为式中，n为样本数，k为自变量个数，vk表示第k个自变量的标准误差。
更进一步优选的，所述预设标准误差阈值为根据估计标准误差求取得到的自变量标准误差阈值；该标准误差阈值设置为≤0.5。
作为本实施例的一种实施方式，上述实施例1或2中，，F检验法的计算公式为
其中，/>表示通过多元回归方程得到的因变量的估计值，y表示样本中因变量的平均值，n为样本数量，k为自变量个数；R2表示复相关系数。
实施例4
作为本发明又一较佳实施例，本实施例是在上述实施例1、实施例2或实施例3的基础上，对本发明的技术方案做出的进一步详细地补充和阐述。通过物联网技术，对CT设备中的球管参数进行检测，获取球管故障时相关运行参数，如使用频率、曝光秒次、打火次数、使用时间、预热扫描时间、温度、电压、电流等数据。
创建CT球管使用时间预测模型，包括以下步骤：
数学化因变量与自变量的关系：预设使用时间为因变量y，自变量为x1、x2、…、xk；k为自变量的个数；建立的多元回归方程为y＝b0+b1x1+b2x2+…+bkxk；其中，b0、b1、b2、…、bk为回归系数。利用矩阵和最小二乘法求回归系数：
中，n表示样本数，k表示自变量个数。
拟合度测定：由复相关系数R2决定，R2表示全部自变量与因变量y的相关程度，0≤R2≤1，R2越接近1，回归度越好，拟合度越强；回归模型越可靠。计算公式如下所示：
其中， 式中，/>表示通过多元回归方程得到的因变量的估计值，y表示样本中因变量的平均值，k为自变量个数，n为样本数。
计算估计标准误差:估计标准误差，即因变量y的实际值与回归方程求出的估计值之间的标准误差，估计标准误差越小，回归方程拟合程度越程。一般估计标准误差≤0.5。计算公式如下：
式中，n为样本数，k为自变量个数，vk表示第k个自变量的标准误差。
回归方程的显著性检验:利用以下公式进行F检验法，可检验自变量与因变量的关系是否密切，依据球管使用时间影响参数的大量数据，给定显著水平α＝0.05，依据自由度(k,n-k-1)查F分布表，得到相应的临界值Fa，若F＞Fa，则回归方程具有显著意义，回归效果显著；F＜Fa，则回归方程无显著意义，回归效果不显著。
F检验法的计算公式为
其中n为样本数量，k为自变量个数；R2表示复相关系数。
上面检验均通过，说明使用时间与曝光秒次、使用频率、打火次数存在显著的线性关系，利用此关系可以对正常运行的CT球管进行使用时间的风险预测。随着检测数据的不断增多，可继续优化此线性关系，使回归系数更加准确，检测结果更加准确。
预测结果分析：将目标CT球管到目前为止的使用时间记为m，使用CT球管使用时间的预测模型计算得到的预测使用时间记为s；
若m大于s，则说明实际使用时间已超过预测使用时间，该CT球管处于高风险，需进行检查、维修或更换；
若m/s×100％＞80％，则说明该CT球管处于中风险，需进行告警提示，并安排定期检查；
若m/s×100％≤80％，则说明该CT球管处于低风险，可正常使用，无需特别关注。
实施例5
作为本发明又一较佳实施例，本实施例是基于上述实施例1、实施例2、实施例3或实施例4的内容，取某类CT球管10条故障记录相关的参数作为样本，提供的一个实例。
取某类CT球管10条故障记录相关的参数作为样本，如表1数据所示：
表1某类CT球管10条故障记录数据表
将上述表1样本数据带入多元回归方程
解得/>
拟合度测定：复相关系数0<R2<1,且R2的值比较接近1，说明拟合度较好，因变量使用时间与自变量曝光秒次、使用频率、打火次数关联性较强。
计算估计标准误差：由公式求得各自变量的估计标准误差
均小于0.5，说明各自变量与因变量使用时间拟合度较好。
步骤四，回归方程的显著性检验：＝342.3,取检验水平α＝0.05,则查F分布表可得：Fα(3,6)＝12.92<F,可知，回归方程具有显著意义。
综上：球管的使用时间(y)与使用频率(x1)、曝光秒次(x2)、打火次数(x3)的线性关系为:
y＝3.26+0.109x1+0.279x2+0.215x3。
步骤五，预测结果分析：记球管到目前为止使用时间为m,使用模型预测的时间为s：
若m＞s,则说明实际使用时间已超过预测能使用的时间，该球管处于高风险，需立即通知相关人员进行检查维修或更换；
若m/s×100％＞80％,说明该球管处于中风险，需进行告警提示，并安排相关人员定期检查；
若m/s×100％≤80％,说明该球管处于低风险，可正常使用，无需特别关注。
通过主成分分析法分析出使用时间与使用频率、曝光秒次、打火次数存在一定的线性关系。
通过VIF(方差膨胀因子)检验法可得出使用频率、曝光秒次、打火次数的VIF值均小于5，说明使用频率、曝光秒次、打火次数之间不存在多重共线性问题。
实施例6
作为本发明又一较佳实施例，本实施例公开了一种基于多元回归的CT使用时间风险预测装置，该预测装置包括
目标CT球管关键因素数据获取模块，用于获取影响球管使用时长的关键因素的数据和目标CT球管的实际使用时长；
CT球管使用时长预测模块，封装有上述实施例1至实施例5所述方法得到的CT球管使用时间的预测模型，将目标CT球管关键因素数据获取模块获取到的关键因素的数据带入到CT球管使用时间的预测模型，计算得到CT球管预测使用时长；
CT球管风险预测模块，用于将预测使用时间与目标CT球管的实际使用时间进行对比，评估预测目标CT球管的风险。
作为本实施例的一个具体实例，将上述实施例1至实施例5中得到的CT球管使用时间的预测模型利用编程语言编程到智能设备中，然后输入目标CT球管的关键因素数据和实际使用时长，得到预测使用时长，并评估得到该目标CT球管的使用时间风险。
作为一个示例，上述的智能设备可以是笔记本电脑、台式电脑、手机、平板等。
实施例7
作为本发明又一较佳实施例，为了实现上述目的，根据本申请的另一方面，还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例1至实施例5所述的一种CT使用时间风险预测方法中的S8步骤。
在本实施例中处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及作品数据处理，即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中，当被所述处理器执行时，执行上述实施例1-5中的S8步骤。
实施例8
作为本发明又一较佳实施例，本实施例公开了一种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上述实施例1至实施例5中所述方法的S8步骤。
尽管已经参照本发明的示例性实施例具体显示和描述了本发明构思，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。
Claims (14)
1.一种基于多元回归的CT使用时间风险预测方法，其特征在于：该预测方法包括以下步骤，
S1、对CT设备中的球管参数进行检测，获取球管故障时相关运行参数；
S2、根据S1步骤获取到的相关运行参数，分析影响球管使用时长的关键因素；并获取关键因素数据作为样本数据，并将样本数据按比例分为训练集样本数据和校验集样本数据；
S3、以球管预设使用时间为因变量，影响球管使用时长的关键因素作为自变量，建立多元回归方程；
S4、将训练集样本数据带入到多元回归方程中，求出回归系数；
S5、将S4步骤求出的回归系数代入到S3步骤的多元回归方程中；
结合校验集样本数据，对代入回归系数的多元回归方程进行拟合度验证；拟合度验证通过则进行S6步骤，若拟合度验证不通过，则重复S2-S5步骤；
S6、计算各自变量的估计标准误差，即因变量的实际值与通过拟合度验证的多元回归方程求出的估计值之间的标准误差；将计算得到的估计标准误差与预设标准误差阈值进行对比，若计算得到的估计标准误差小于等于预设标准误差阈值，则进行S7步骤；否则，重复上述S2-S6步骤；
S7、对估计标准误差满足预设标准误差阈值的多元回归方程进行显著性校验；显著性校验通过则将该多元回归方程作为CT球管使用时间的预测模型；若显著性校验不通过，则重复上述S2-S7步骤；
对估计标准误差满足预设标准误差阈值的多元回归方程进行显著性校验，具体是指，利用F检验法对多元回归方程进行检验，检验自变量与因变量的关系是否密切；依据球管使用时间影响参数的大量数据，给定显著水平α=0.05，依据自由度(k,n-k-1)查F分布表，得到相应的临界值Fa，若F＞Fa，则多元回归方程具有显著意义，回归效果显著；若F＜Fa，则多元回归方程无显著意义，回归效果不显著；
F检验法的计算公式为
；其中n为样本数量，k为自变量个数；/>表示复相关系数，/>其中，；/>，/>表示通过多元回归方程得到的因变量的估计值，/>表示样本中因变量的平均值；
S8、将预测目标CT球管的参数代入到CT球管使用时间的预测模型中，计算出预测使用时间；将预测使用时间与预测目标CT球管的实际使用时间进行对比，评估预测目标CT球管的风险。
2.如权利要求1所述的一种基于多元回归的CT使用时间风险预测方法，其特征在于：S2步骤中，使用主成分分析法，分析CT球管使用时间与关键因素之间的相关性；使用VIF检验法分析各关键因素间的相关性，取出VIF值大于设定VIF阈值的关键因素，将剩余的关键因素用于S3步骤建立多元回归方程。
3.如权利要求2所述的一种基于多元回归的CT使用时间风险预测方法，其特征在于：所述设定VIF阈值为10。
4.如权利要求1-3任意一项所述的一种基于多元回归的CT使用时间风险预测方法，其特征在于：所述关键因素包括CT球管曝光秒次、使用频率和打火次数。
5.如权利要求1-3任意一项所述的一种基于多元回归的CT使用时间风险预测方法，其特征在于：S3步骤中，预设使用时间为因变量y，自变量为x1、x2、…、xk；k为自变量的个数；建立的多元回归方程为y=b0+b1x1+b2x2+…+bkxk；其中，b0、b1、b2、…、bk为回归系数。
6.如权利要求5所述的一种基于多元回归的CT使用时间风险预测方法，其特征在于：将样本数据中的训练级样本数据代入到多元回归方程中，利用矩阵和最小二乘法求取回归系数：
，式中，n表示样本数，k表示自变量个数。
7.如权利要求1-3任意一项所述的一种基于多元回归的CT使用时间风险预测方法，其特征在于：S5步骤中，对代入回归系数的多元回归方程进行拟合度验证，具体是指，利用复相关系数表示全部自变量与因变量y的相关程度，/>，/>越接近1，回归度越好，拟合度越强；计算公式如下所示：
；
其中，；；式中，/>表示通过多元回归方程得到的因变量的估计值，/>表示样本中因变量的平均值，k为自变量个数，n为样本数。
8.如权利要求1-3任意一项所述的一种基于多元回归的CT使用时间风险预测方法，其特征在于：S6步骤中，估计标准误差的计算公式为，式中，/>表示通过多元回归方程得到的因变量的估计值，n为样本数，k为自变量个数，/>表示第k个自变量的标准误差。
9.如权利要求8所述的一种基于多元回归的CT使用时间风险预测方法，其特征在于：所述预设标准误差阈值为根据估计标准误差求取得到的自变量标准误差阈值；该标准误差阈值设置为≤0.5。
10.如权利要求1-3任意一项所述的一种基于多元回归的CT使用时间风险预测方法，其特征在于：S8步骤中，将目标CT球管到目前为止的使用时间记为m，使用CT球管使用时间的预测模型计算得到的预测使用时间记为s；
若m大于s，则说明实际使用时间已超过预测使用时间，该CT球管处于高风险；
若m/s×100%＞80%，则说明该CT球管处于中风险；
若m/s×100%≤80%，则说明该CT球管处于低风险。
11.如权利要求10所述的一种基于多元回归的CT使用时间风险预测方法，其特征在于：S8步骤中，不同的风险等级对应不同的维保策略；
若CT球管处于高风险，则由医疗设备管理平台生成工单，立即通知相关人员检查维修或更换；
若CT球管处于中风险，则由医疗设备管理平台进行告警提示，并安排相关人员定期检查；
若CT球管处于低风险，则正常使用，无需特别关注。
12.一种基于多元回归的CT使用时间风险预测装置，其特征在于，该预测装置包括
目标CT球管关键因素数据获取模块，用于获取影响球管使用时长的关键因素的数据和目标CT球管的实际使用时长；
CT球管使用时长预测模块，封装有通过如权利要求1-11任意一项所述的一种CT球管使用时间风险预测方法得到的CT球管使用时间的预测模型，将目标CT球管关键因素数据获取模块获取到的关键因素的数据带入到CT球管使用时间的预测模型，计算得到CT球管预测使用时长；
CT球管风险预测模块，用于将预测使用时间与目标CT球管的实际使用时间进行对比，评估预测目标CT球管的风险。
13.一种计算机设备，其特征在于：包括处理器、输入设备、输出设备和存储器，处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-11任意一项所述的一种基于多元回归的CT使用时间风险预测方法的S8步骤。
14.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-11任意一项所述的一种基于多元回归的CT使用时间风险预测方法的S8步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311809533.XA CN117690572B (zh) | 2023-12-25 | 2023-12-25 | 一种基于多元回归的ct使用时间风险预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311809533.XA CN117690572B (zh) | 2023-12-25 | 2023-12-25 | 一种基于多元回归的ct使用时间风险预测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117690572A CN117690572A (zh) | 2024-03-12 |
| CN117690572B true CN117690572B (zh) | 2024-06-14 |
Family
ID=90135260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311809533.XA Active CN117690572B (zh) | 2023-12-25 | 2023-12-25 | 一种基于多元回归的ct使用时间风险预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117690572B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472003A (zh) * | 2018-10-24 | 2019-03-15 | 江苏税软软件科技有限公司 | 一种应用于成本分析的多元线性回归算法 |
| CN112115602A (zh) * | 2020-09-14 | 2020-12-22 | 北京博望华科科技有限公司 | 磨煤机管路堵塞状态确定方法、装置、存储介质及计算设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820873B (zh) * | 2015-05-13 | 2017-12-26 | 中国环境科学研究院 | 一种基于金属定量构效关系的淡水急性基准预测方法 |
| CN109766517B (zh) * | 2018-11-29 | 2022-08-19 | 国网江苏省电力有限公司盐城供电分公司 | 一种用于变电站能效评估的能耗基准修正方法 |
| KR102379472B1 (ko) * | 2021-12-10 | 2022-03-29 | 대한민국 | 시공간 피해특성을 고려한 다종 데이터 융합 분석방법 |
-
2023
- 2023-12-25 CN CN202311809533.XA patent/CN117690572B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472003A (zh) * | 2018-10-24 | 2019-03-15 | 江苏税软软件科技有限公司 | 一种应用于成本分析的多元线性回归算法 |
| CN112115602A (zh) * | 2020-09-14 | 2020-12-22 | 北京博望华科科技有限公司 | 磨煤机管路堵塞状态确定方法、装置、存储介质及计算设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117690572A (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
| US20090070734A1 (en) | Systems and methods for monitoring software application quality | |
| JP6062933B2 (ja) | 即時提出結果の最適ｑｃ法を決定するためのシステムと方法 | |
| CN107992410B (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
| CN110600098A (zh) | 一种临床化学自动审核方法、系统、装置和存储介质 | |
| Hu et al. | Enhancing software reliability estimates using modified adaptive testing | |
| US20210374634A1 (en) | Work efficiency evaluation method, work efficiency evaluation apparatus, and program | |
| CN110083514B (zh) | 软件测试缺陷评估方法、装置、计算机设备及存储介质 | |
| CN111624986A (zh) | 基于案例库的故障诊断方法和系统 | |
| CN110211343B (zh) | 实验室管理方法、系统、计算机设备和存储介质 | |
| CN111143101B (zh) | 用于确定故障根源的方法、装置、存储介质及电子设备 | |
| CN116880398B (zh) | 仪控设备的故障分析方法、系统、电子设备及存储介质 | |
| CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
| López-Martín et al. | Upsilon-SVR polynomial kernel for predicting the defect density in new software projects | |
| KR100987124B1 (ko) | 메트릭을 이용한 소프트웨어 결함 예측 계산 장치 및 계산 방법 | |
| CN117690572B (zh) | 一种基于多元回归的ct使用时间风险预测方法、装置、设备及介质 | |
| CN116802471A (zh) | 综合诊断旋转机械的缺陷的方法及系统 | |
| CN112749909A (zh) | 一种面向主动维护的电力设备健康状态评估方法 | |
| Stringfellow et al. | Estimating the number of components with defects post‐release that showed no defects in testing | |
| KR101405627B1 (ko) | 그림자 효과 방지를 위한 원자력 발전소 기기의 상태 감시 시스템 및 방법 | |
| CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| CN106528397B (zh) | 一种软件测试方法及其装置 | |
| CN114493120A (zh) | 一种电压的数据质量评估方法、系统及计算机存储介质 | |
| CN115169438A (zh) | 一种基于gru网络油中溶解气体分析的变压器故障诊断方法 | |
| CN114443398B (zh) | 内存故障预测模型的生成方法、检测方法、装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |