手术室麻醉设备监控系统发明专利

专利名称：手术室麻醉设备监控系统

专利类型：发明专利

专利申请号：CN202410955722.6

专利申请（专利权）人：西南医科大学附属医院
权利人地址：四川省泸州市太平街25号

专利发明（设计）人：曾维君,赵加全

专利摘要：本发明涉及设备监控技术领域，具体为手术室麻醉设备监控系统，手术室麻醉设备监控系统包括声音分析模块、路径比对模块、异常行为分析模块和监控记录模块。本发明中，通过分析手术室麻醉设备运行时的声音数据，并计算频率分布，有效地实现了对设备异常的早期识别，通过识别出关键频率变化，及时发现可能预示性能问题的频率特征，早期的故障识别和预警机制不仅提升了设备的维护效率，也显著降低了因设备故障导致的手术风险，确保手术过程的安全与顺利，通过实时监控操作者的操作路径并与标准路径对比，能够精确识别操作中的偏差，偏差监控有助于及时纠正小的偏离，防止操作错误导致的风险，从而提升手术的整体安全性和效率。

主权利要求：
1.手术室麻醉设备监控系统，其特征在于，所述系统包括：声音分析模块收集麻醉设备运行期间的声音数据，执行频率分布计算，识别关键频率变化，筛选指示设备性能问题的频率特征，生成声音特征识别结果；
路径比对模块收集操作者的实时操作路径数据，进行时间序列分析，与麻醉设备标准操作路径进行比较，计算路径偏差，结合所述声音特征识别结果细化偏差分析，生成操作路径偏差分析结果；
异常行为分析模块根据所述操作路径偏差分析结果，进行异常行为筛选，通过阈值分析识别和标记超出正常操作范围的行为，并对数据进行聚合和汇总，得到异常行为识别结果；
监控记录模块基于所述异常行为识别结果，进行异常行为的分类和归档，并与麻醉设备的历史使用记录进行对比，分析事件识别重复或单一故障模式，生成设备监控记录；
所述频率分布的计算步骤为：
启动麻醉设备并自动记录所有运行时的声波频率，收集原始的声音波形数据，其中为时间点， 为声波频率， 为声波强度，保存为声音数据集 ；
对声音数据集 中的 、 、 进行初步筛选，保留人耳可听范围的数据，利用条件及声波强度阈值 过滤出 ，，
其中， 为过滤后的声音数据；
使用过滤后的声音数据 ，计算每个声波频率 在数据中的出现次数，统计频率分布，对每个频率的出现次数进行归一化处理，计算归一化频率分布，得到每个频率的相对出现概率，，
其中， 是频率f的相对出现概率，n是频率f出现的次数，N是声音数据总点数，f是频率， 是强度加权系数， 是平滑因子，用于调整分母，K是调整常数；
所述声音特征识别结果的获取步骤为：
输入所述 ，计算频率出现概率的平均值 和标准偏差 ，设定动态阈值，，其中 和 是调整因子， 用于识别异常频率， 结合偏度提高阈值设置的灵活性；
对每个频率f，通过公式，
，
判断是否为关键频率，其中 是关键频率变化的指示函数，标记出现概率异常的频率，1表示关键频率，0表示非关键频率；
使用标记为关键频率 的数据，结合所述过滤后的声音数据 ，提取声音特征，特征由频率f，声波强度 和时间点 组成；
构建声音特征的综合评估模型，通过计算，
，
生成声音特征识别结果，其中，R是声音特征识别结果的数值， 是关键频率变化的指示函数， 是频率f的权重， 是频率f对应的声波强度， 是权重调整系数，用于加权非关键频率对总结果的贡献；
所述路径偏差的计算步骤为：
收集操作者的实时操作路径数据，同时获取麻醉设备的标准操作路径，将两者输入作为基础数据，进行初始化；
计算实时操作路径与标准操作路径之间的差异，采用向量差法计算路径偏差值，，其中， 表示路径偏差值，t表示时间点，i表示路径上的位置指标， 表示实时路径向量， 表示标准路径向量，E是路径数据点的数量， 是数据点的权重， 表示环境稳定性因子，参照差异环境对操作精度的影响， 是时间动态权重，用于调整差异时间点的数据重要性；
判断路径偏差值 是否为异常，设置阈值 ，若 则认为路径偏差值大于正常范围，并输出路径偏差值；
所述操作路径偏差分析结果的获取步骤为：
结合所述路径偏差值和声音特征识别结果，作为输入数据，同步进行分析，同步阶段使用时间戳对齐；
使用集合运算方法对两种数据进行综合分析，设路径偏差值为 ，声音特征为 ，，其中， 表示结合路径偏差值和声音特征识别结果后的偏差分析结果，a，b和c是权重参数，用于平衡差异数据源的贡献，是时间衰减系数，参照时间变量对偏差分析的影响，是声音特征向量的模长；
根据 ，设置判定阈值Y，若 ，则认定为操作偏差显著，输出操作路径偏差分析结果；
所述异常行为筛选步骤为：
根据所述操作路径偏差分析结果，得到偏差数据集 ，其中 代表第i次操作的偏差值，
对偏差数据集 中的每个元素进行评估，计算调整后的偏差值 ，若结果大于偏差阈值j，则标记为异常行为，得到异常操作标记集 ，其中是第i次操作的异常标记；
通过集合运算，
，
进行异常行为筛选，其中， 表示最终识别的异常行为集合， 表示第i次操作的偏差值，j是预设的偏差阈值，L表示操作次数，是权重系数，用于调整每个偏差值的影响力，z是灵敏度因子，用于调整偏差值的非线性影响。
2.根据权利要求1所述的手术室麻醉设备监控系统，其特征在于：所述异常行为识别结果的获取步骤为：根据所述异常操作标记集 ，对每个操作进行标记，标记包括Z1和Z0，其中，Z1表示异常，Z0表示正常；
对标记为异常的操作进行聚合，形成新数据集 ，包括所有被标记的异常操作数据；
通过计算新数据集 的聚合特性，包括异常操作频率和分布，确定频繁出现异常的操作模式，输出异常行为识别结果，，
其中，是异常操作结果总和， 是第i次操作的异常标记，代表第i次操作的特征值，代表第i次操作的其他相关参数，包括操作时间或操作强度， 、 和 是权重系数，调整异常标记、特征值及其平方项在总和中的影响力，Q表示异常标记总数。
3.根据权利要求1所述的手术室麻醉设备监控系统，其特征在于：所述设备监控记录的获取步骤为：对所述异常行为识别结果进行初步分类，通过示性函数标记为单一或重复故障模式，对比麻醉设备的历史使用记录，计算匹配函数，，
确定异常行为的类别，其中， 是当前考察的异常行为数据点， 是历史数据中的第j个数据点，G代表历史数据点总数， 是历史数据点 的权重，反映数据点的重要性或信任度， 是匹配函数，用于评估 与 的相似度；
根据每个异常行为类别，使用统计模型计算故障模式的出现概率，，
其中，是故障模式标签，提供关于故障发生频率及其环境条件的洞察， 是第k个环境参数的权重，m代表环境参数的总数， 是故障模式 下第k个环境参数的值；
将所有数据聚合，通过时间序列函数，
，
转化为设备监控记录，记录每种故障模式的时间分布和特征，其中， 是结合时间权重的累积故障数，是第i个时间戳，标识故障记录时间，是在时间 记录的故障数据，包括故障类型、严重程度信息，U是时间戳的总数。 说明书 : 手术室麻醉设备监控系统技术领域[0001] 本发明涉及设备监控技术领域，尤其涉及手术室麻醉设备监控系统。背景技术[0002] 设备监控技术领域主要关注于实时跟踪和评估各种机械和电子设备的运行状态，以确保设备的最佳性能和安全性，涉及使用传感器、控制系统和数据处理技术来检测设备的各种参数，如温度、压力、电流、电压等。通过对这些参数的持续监控，设备监控系统能够及时发现潜在的故障或性能下降，从而采取预防措施，避免设备损坏或事故发生，帮助操作人员和管理人员理解设备的工作状况，保证设备的稳定运行。[0003] 手术室麻醉设备监控系统是一种专门设计用来监控手术室内麻醉设备状态的系统，其主要用途是确保麻醉设备在手术过程中能够稳定、安全地运行，通过实时监控设备的关键性能指标和操作状况，及时识别和警告任何异常情况，保障患者安全。系统通常包括多种传感器，用于监测麻醉设备的工作压力、流量、药物浓度等重要参数，同时具备报警系统，一旦检测到设备运行异常，能迅速通知医护人员采取措施。[0004] 尽管现有设备监控技术可以监测温度、压力等物理参数，但通常在综合分析手术室特定环境下的非物理参数，如声音数据方面显示出明显不足，可能导致设备异常的识别不够及时或准确，尤其在手术室这种对设备性能要求极高的环境中，传统传感器的数据监控不能全面评估设备的实际运行状态。此外，现有监控系统在实时追踪操作偏差方面的能力也较为有限，无法提供即时的操作偏差反馈，导致操作人员难以在第一时间得到必要的修正指导，不仅增加手术风险，还可能影响手术成功率。发明内容[0005] 本发明的目的是解决现有技术中存在的缺点，而提出的手术室麻醉设备监控系统。[0006] 为了实现上述目的，本发明采用了如下技术方案：手术室麻醉设备监控系统包括：[0007] 声音分析模块收集麻醉设备运行期间的声音数据，执行频率分布计算，识别关键频率变化，筛选指示设备性能问题的频率特征，生成声音特征识别结果；[0008] 路径比对模块收集操作者的实时操作路径数据，进行时间序列分析，与麻醉设备标准操作路径进行比较，计算路径偏差，结合所述声音特征识别结果细化偏差分析，生成操作路径偏差分析结果；[0009] 异常行为分析模块根据所述操作路径偏差分析结果，进行异常行为筛选，通过阈值分析识别和标记超出正常操作范围的行为，并对数据进行聚合和汇总，得到异常行为识别结果；[0010] 监控记录模块基于所述异常行为识别结果，进行异常行为的分类和归档，并与麻醉设备的历史使用记录进行对比，分析事件识别重复或单一故障模式，生成设备监控记录。[0011] 作为本发明的进一步方案，所述频率分布的计算步骤为：[0012] 启动麻醉设备并自动记录所有运行时的声波频率，收集原始的声音波形数据，其中 为时间点， 为声波频率， 为声波强度，保存为声音数据集 ；[0013] 对声音数据集 中的 、 、 进行初步筛选，保留人耳可听范围的数据，利用条件及声波强度阈值 过滤出 ，[0014] ，[0015] 其中， 为过滤后的声音数据；[0016] 使用过滤后的声音数据 ，计算每个声波频率 在数据中的出现次数，统计频率分布，对每个频率的出现次数进行归一化处理，计算归一化频率分布，得到每个频率的相对出现概率，[0017] ，[0018] 其中， 是频率f的相对出现概率，n是频率f出现的次数，N是声音数据总点数，f是频率， 是强度加权系数， 是平滑因子，用于调整分母，K是调整常数。[0019] 作为本发明的进一步方案，所述声音特征识别结果的获取步骤为：[0020] 输入所述 ，计算频率出现概率的平均值 和标准偏差 ，设定动态阈值，[0021] ，[0022] 其中 和 是调整因子， 用于识别异常频率， 结合偏度提高阈值设置的灵活性；[0023] 对每个频率f，通过公式，[0024] ，[0025] 判断是否为关键频率，其中 是关键频率变化的指示函数，标记出现概率异常的频率，1表示关键频率，0表示非关键频率；[0026] 使用标记为关键频率 的数据，结合所述过滤后的声音数据 ，提取声音特征，特征由频率f，声波强度 和时间点 组成；[0027] 构建声音特征的综合评估模型，通过计算，[0028] ，[0029] 生成声音特征识别结果，其中，R是声音特征识别结果的数值， 是关键频率变化的指示函数， 是频率f的权重， 是频率f对应的声波强度， 是权重调整系数，用于加权非关键频率对总结果的贡献。[0030] 作为本发明的进一步方案，所述路径偏差的计算步骤为：[0031] 收集操作者的实时操作路径数据，同时获取麻醉设备的标准操作路径，将两者输入作为基础数据，进行初始化；[0032] 计算实时操作路径与标准操作路径之间的差异，采用向量差法计算路径偏差值，[0033] ，[0034] 其中， 表示路径偏差值，t表示时间点，i表示路径上的位置指标， 表示实时路径向量， 表示标准路径向量，E是路径数据点的数量， 是数据点的权重， 表示环境稳定性因子，参照差异环境对操作精度的影响， 是时间动态权重，用于调整差异时间点的数据重要性；[0035] 判断路径偏差值 是否为异常，设置阈值 ，若 则认为路径偏差值大于正常范围，并输出路径偏差。[0036] 作为本发明的进一步方案，所述操作路径偏差分析结果的获取步骤为：[0037] 结合所述路径偏差值和声音特征识别结果，作为输入数据，同步进行分析，同步阶段使用时间戳对齐；[0038] 使用集合运算方法对两种数据进行综合分析，设路径偏差值为 ，声音特征为，[0039] ，[0040] 其中， 表示结合路径偏差值和声音特征识别结果后的偏差分析结果，a，b和c是权重参数，用于平衡差异数据源的贡献，是时间衰减系数，参照时间变量对偏差分析的影响， 是声音特征向量的模长；[0041] 根据 的结果，设置判定阈值Y，若 ，则认定为操作偏差显著，输出操作路径偏差分析结果。[0042] 作为本发明的进一步方案，所述异常行为筛选步骤为：[0043] 根据所述操作路径偏差分析结果，得到偏差数据集，其中 代表第i次操作的偏差值，[0044] 对偏差数据集 中的每个元素进行评估，计算调整后的偏差值 ，若结果大于偏差阈值j，则标记为异常行为，得到异常操作标记集 ，其中 是第i次操作的异常标记；[0045] 通过集合运算，[0046] ，[0047] 进行异常行为筛选，其中，表示最终识别的异常行为集合， 表示第i次操作的偏差值，j是预设的偏差阈值，L表示操作次数，是权重系数，用于调整每个偏差值的影响力，z是灵敏度因子，用于调整偏差值的非线性影响。[0048] 作为本发明的进一步方案，所述异常行为识别结果的获取步骤为：[0049] 根据所述异常操作标记集 ，对每个操作进行标记，标记包括Z1和Z0，其中，Z1表示异常，Z0表示正常；[0050] 对标记为异常的操作进行聚合，形成新数据集 ，包括所有被标记的异常操作数据；[0051] 通过计算新数据集 的聚合特性，包括异常操作频率和分布，确定频繁出现异常的操作模式，输出异常行为识别结果，[0052] ，[0053] 其中，是异常操作结果总和， 是第i次操作的异常标记， 代表第i次操作的特征值， 代表第i次操作的其他相关参数，包括操作时间或操作强度， 、 和 是权重系数，调整异常标记、特征值及其平方项在总和中的影响力，Q表示异常标记总数。[0054] 作为本发明的进一步方案，所述设备监控记录的获取步骤为：[0055] 对所述异常行为识别结果进行初步分类，通过示性函数标记为单一或重复故障模式，对比麻醉设备的历史使用记录，计算匹配函数，[0056] ，[0057] 确定异常行为的类别，其中， 是当前考察的异常行为数据点， 是历史数据中的第j个数据点，G代表历史数据点总数， 是历史数据点 的权重，反映数据点的重要性或信任度， 是匹配函数，用于评估 与 的相似度；[0058] 根据每个异常行为类别，使用统计模型计算故障模式的出现概率，[0059] ，[0060] 其中，是故障模式标签，提供关于故障发生频率及其环境条件的洞察， 是第k个环境参数的权重，m代表环境参数的总数， 是故障模式 下第k个环境参数的值；[0061] 将所有数据聚合，通过时间序列函数，[0062] ，[0063] 转化为设备监控记录，记录每种故障模式的时间分布和特征，其中， 是结合时间权重的累积故障数，是第i个时间戳，标识故障记录时间，是在时间 记录的故障数据，包括故障类型、严重程度信息，U是时间戳的总数。[0064] 与现有技术相比，本发明的优点和积极效果在于：[0065] 本发明中，通过分析手术室麻醉设备运行时的声音数据，并计算频率分布，有效地实现了对设备异常的早期识别，通过识别出关键频率变化，及时发现可能预示性能问题的频率特征，早期的故障识别和预警机制不仅提升了设备的维护效率，也显著降低了因设备故障导致的手术风险，确保手术过程的安全与顺利，通过实时监控操作者的操作路径并与标准路径对比，能够精确识别操作中的偏差，偏差监控有助于及时纠正小的偏离，防止操作错误导致的风险，从而提升手术的整体安全性和效率。附图说明[0066] 图1为本发明的系统流程图；[0067] 图2为本发明频率分布的计算流程图；[0068] 图3为本发明声音特征识别结果的获取流程图；[0069] 图4为本发明路径偏差的计算流程图；[0070] 图5为本发明操作路径偏差分析结果的获取流程图；[0071] 图6为本发明异常行为的筛选流程图；[0072] 图7为本发明异常行为识别结果的获取流程图；[0073] 图8为本发明设备监控记录的获取流程图。具体实施方式[0074] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。[0075] 在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。[0076] 实施例一：[0077] 请参阅图1，手术室麻醉设备监控系统包括：[0078] 声音分析模块收集麻醉设备运行期间的声音数据，执行频率分布计算，识别关键频率变化，筛选指示设备性能问题的频率特征，生成声音特征识别结果；[0079] 路径比对模块收集操作者的实时操作路径数据，进行时间序列分析，与麻醉设备标准操作路径进行比较，计算路径偏差，结合声音特征识别结果细化偏差分析，生成操作路径偏差分析结果；[0080] 异常行为分析模块根据操作路径偏差分析结果，进行异常行为筛选，通过阈值分析识别和标记超出正常操作范围的行为，并对数据进行聚合和汇总，得到异常行为识别结果；[0081] 监控记录模块基于异常行为识别结果，进行异常行为的分类和归档，并与麻醉设备的历史使用情况进行对比，分析事件识别重复或单一故障模式，生成设备监控记录。[0082] 声音特征识别结果包括关键频率特征、波形异常情况和设备性能指标，操作路径偏差分析结果包括偏差值和路径差异分析结果，异常行为识别结果包括异常行为类型、严重性等级和事件发生频率，设备监控记录包括故障模式、操作历史和设备安全评估结果。[0083] 请参阅图2，频率分布的计算步骤为：[0084] 启动麻醉设备并自动记录所有运行时的声波频率，收集原始的声音波形数据，其中 为时间点， 为声波频率， 为声波强度，保存为声音数据集 ；[0085] 对声音数据集 中的 、 、 进行初步筛选，保留人耳可听范围的数据，利用条件及声波强度阈值 过滤出 ，[0086] ，[0087] 其中， 为过滤后的声音数据；[0088] 使用过滤后的声音数据 ，计算每个声波频率 在数据中的出现次数，统计频率分布，对每个频率的出现次数进行归一化处理，计算归一化频率分布，得到每个频率的相对出现概率，[0089] ，[0090] 其中， 是频率f的相对出现概率，n是频率f出现的次数，N是声音数据总点数，f是频率， 是强度加权系数， 是平滑因子，用于调整分母，K是调整常数。[0091] 参数解释：[0092] 为时间点；[0093] 为声波频率，以赫兹（Hz）表示；[0094] 为声波强度；[0095] 为声波强度阈值，用于筛选有效声音数据；[0096] n是频率f出现的次数；[0097] N是声音数据总点数，用于计算频率出现的概率；[0098] f是频率值；[0099] 是强度加权系数，增强声波强度对频率出现概率的影响；[0100] 是平滑因子，用于调整分母，避免小样本误差；[0101] K是调整常数，增加计算的稳定性。[0102] 数据收集与预处理流程：[0103] 声音数据收集：麻醉设备启动并运行，自动记录声音数据，包括每一个时间点 、对应的声波频率 （以赫兹计量），以及声波的强度 。[0104] 假设：在某一特定时刻 ，记录到的频率为500Hz，强度为30dB。[0105] 声音数据过滤：从收集的数据中筛选出人耳可听范围内（20Hz至20kHz）且声波强度高于设定的声波强度阈值T的声音数据。[0106] 假设：设定声波强度阈值T为25dB，那么，500Hz和30dB的数据点均被保留。[0107] 频率分布计算：[0108] 频率数据统计：对过滤后的声音数据 ，统计每个频率 的出现次数n。[0109] 假设：在一个小时的记录中，500Hz频率出现了100次。[0110] 频率分布归一化：将频率的出现次数n进行归一化，计算每个频率的出现概率 。归一化的目的是将频率出现的绝对次数转换为相对概率，更便于进行分析和比较。[0111] 假设总数据点数N为1000，强度加权系数 为1.2，平滑因子 为0.05，调整常数K为10。[0112] 则对于500Hz：[0113] ，[0114] 进而得出具体频率值f的相对概率。[0115] 请参阅图3，声音特征识别结果的获取步骤为：[0116] 输入 ，计算频率出现概率的平均值 和标准偏差 ，设定动态阈值，[0117] ，[0118] 其中 和 是调整因子， 用于识别异常频率， 结合偏度，以提高阈值设置的灵活性；[0119] 对每个频率f，通过公式，[0120] ，[0121] 判断是否为关键频率，其中 是关键频率变化的指示函数，标记出现概率异常的频率，1表示关键频率，0表示非关键频率；[0122] 使用标记为关键频率 的数据，结合过滤后的声音数据 ，提取具体的声音特征，如频率的峰值、波形的形态，特征由频率f，声波强度 ，和时间点 组成；[0123] 构建声音特征的综合评估模型，通过计算，[0124] ，[0125] 生成声音特征识别结果，其中，R是声音特征识别结果的数值， 是关键频率变化的指示函数， 是频率f的权重， 是频率f对应的声波强度， 是权重调整系数，用于加权非关键频率对总结果的贡献。[0126] 参数说明：[0127] ：频率出现概率的平均值；[0128] ：频率出现概率的标准偏差；[0129] ：调整因子，用于识别异常频率；[0130] ：调整因子，结合偏度提高阈值设置的灵活性；[0131] f：频率；[0132] 是频率f的相对出现概率；[0133] 是关键频率变化的指示函数，1表示关键频率，0表示非关键频率；[0134] 为时间点；[0135] 是频率f对应的声波强度；[0136] 是频率f的权重，根据频率的重要性和与设备性能问题的相关性确定；[0137] 是权重调整系数，用于评估非关键频率的声波强度对总评估结果的影响；[0138] R是声音特征识别结果的数值，表示通过加权处理关键频率和非关键频率的声波强度的综合评估。[0139] 计算频率出现概率的平均值 和标准偏差 ：[0140] 假设参数：[0141] 过滤后的声音数据 包含的频率数据点数N=1000，某频率f出现的次数 ，这些次数为随机抽样数据如[10，20，30，…]；[0142] 用频率出现概率 计算公式为每个频率出现的次数除以总数据点数：[0143] ，[0144] 计算所有频率的出现概率，比如 ，[0145] 平均值 计算为所有 的平均值：[0146] ，[0147] 假设共有100个不同的频率，那么 的计算为所有 加总后除以100。[0148] 标准偏差 根据频率出现概率计算：[0149] ，[0150] 设定动态阈值 ：[0151] 调整因子：[0152] ，[0153] 计算过程：[0154] 若 且 ，则，[0155] ，[0156] 判断关键频率并计算声音特征识别结果R：[0157] 假设参数：[0158] 对所有f均相同， ，[0159] 计算过程：[0160] 标记关键频率 ：[0161] ，[0162] 计算关键频率的声音特征识别结果R：[0163] ，[0164] 假设有10个关键频率且每个 平均为50dB，则：[0165] ，[0166] 包括所有频率贡献的加权声波强度。[0167] 请参阅图4，路径偏差的计算步骤为：[0168] 收集操作者的实时操作路径数据，同时获取麻醉设备的标准操作路径，将两者输入作为基础数据，进行初始化；[0169] 计算实时操作路径与标准操作路径之间的差异，采用向量差法计算路径偏差值，[0170] ，[0171] 其中， 表示路径偏差值，t表示时间点，i表示路径上的位置指标， 表示实时路径向量， 表示标准路径向量，E是路径数据点的数量， 是数据点的权重， 表示环境稳定性因子，参照差异环境对操作精度的影响， 是时间动态权重，用于调整不同时间点的数据重要性；[0172] 判断路径偏差值 是否为异常，设置阈值 ，若 则认为路径偏差值大于正常范围，并输出路径偏差值。[0173] 数据收集和初始化：[0174] 收集操作者的实时操作路径数据，表达为时间序列向量，[0175] ，[0176] 同时收集麻醉设备的标准操作路径数据，表达为时间序列向量，[0177] ，[0178] 数据是通过传感器在连续时间点采集得到的，其中t代表具体的时间点，n是路径上的数据点总数。[0179] 参数定义和权重设置：[0180] 设定环境稳定性因子，假设为，[0181] ，[0182] 反映当前操作环境对操作精度的影响；[0183] 时间动态权重 根据操作进行的时间变化而设定，假设在操作开始阶段，[0184] ，[0185] 以增加初期操作的权重；[0186] 各数据点的权重 按照其在路径中的重要性分配，对于关键转折点更高的权重，假设，[0187] ，[0188] 路径偏差的计算：[0189] 使用向量差法计算实时路径与标准路径之间的偏差：[0190] 先计算每个时间点的加权路径差：[0191] ，[0192] 累加所有数据点的加权路径差：[0193] ，[0194] 将累加结果乘以环境因子和时间权重，再开平方得到总偏差：[0195] ，[0196] 假设在某个特定时间点t：[0197] ，[0198] 则，[0199] ，[0200] 则，[0201] ，[0202] 设置阈值 为0.01，比较 与 ，0.088＞0.01，则表明实时操作路径偏差超出正常范围，标记为异常，并输出操作偏差值。[0203] 表示实时操作路径与标准操作路径之间存在0.088的路径偏差。[0204] 请参阅图5，操作路径偏差分析结果的获取步骤为：[0205] 结合路径偏差值和声音特征识别结果，作为输入数据，同步进行分析，同步阶段使用时间戳对齐，确保路径数据和声音数据对应同一操作时刻；[0206] 使用集合运算方法对两种数据进行综合分析，设路径偏差值为 ，声音特征为，[0207] ，[0208] 其中， 表示综合路径偏差值和声音特征识别结果后的偏差分析结果，a，b和c是权重系数，用于平衡差异数据源的贡献，是时间衰减系数，参照时间变量对偏差分析的影响， 是声音特征向量的模长；[0209] 根据 的结果，设置判定阈值Y，若 ，则认定为操作偏差显著，输出操作路径偏差分析结果。[0210] 若：[0211] 在某一特定时刻t=5秒，[0212] 路径偏差 单位，[0213] 声音特征向量的模长 单位，[0214] 权重参数设定为a=0.5，b=0.3，c=0.2，[0215] 时间衰减系数 ；[0216] 计算流程：[0217] 计算路径偏差的平方：[0218] 使用路径偏差 的值计算其平方，[0219] ，[0220] 计算声音特征的加权值：[0221] 将声音特征向量的模长 乘以其权重b，[0222] ，[0223] 计算时间衰减的影响：[0224] 使用 和t计算时间衰减的指数部分，[0225] ，[0226] 则加权时间衰减，[0227] ，[0228] 综合以上计算结果：[0229] 将所有计算的结果按照公式结合起来，[0230] ，[0231] 表明在给定的时刻t=5，综合偏差分析的结果 为54.6212。[0232] 设定一个阈值Y来评估操作是否存在显著偏差，若Y=10，那么 ，表明在此时刻操作确实存在显著偏差。[0233] 请参阅图6，所述异常行为筛选步骤为：[0234] 根据所述操作路径偏差分析结果，得到偏差数据集，其中 代表第i次操作的偏差值，[0235] 对偏差数据集 中的每个元素进行评估，计算调整后的偏差值 ，若结果大于偏差阈值j，则标记为异常行为，得到异常操作标记集 ，其中 是第i次操作的异常标记；[0236] 通过集合运算，[0237] ，[0238] 进行异常行为筛选，其中，表示最终识别的异常行为集合， 表示第i次操作的偏差值，j是预设的偏差阈值，L表示操作次数，是权重系数，用于调整每个偏差值的影响力，z是灵敏度因子，用于调整偏差值的非线性影响。[0239] 通过计算偏差数据集中超过阈值的最大偏差，来确定是否有异常行为的发生，合理性输出异常操作集合 。[0240] 假设预设的偏差阈值 ；[0241] 假设权重系数 ；[0242] 假设灵敏度因子 。[0243] 若有四次操作的数据：[0244] ，[0245] 计算加权调整后的偏差：[0246] 根据公式 计算得到：[0247] 对于 ，调整后偏差，[0248] ，[0249] 对于 ，调整后偏差，[0250] ，[0251] 对于 ，调整后偏差，[0252] ，[0253] 对于 ，调整后偏差，[0254] ，[0255] 根据上述计算结果，找出最大的调整后偏差：[0256] ，[0257] 意味着第四次操作相比标准路径有最显著的异常偏差，则标记这次操作为异常操作，定义为异常行为。[0258] 请参阅图7，异常行为识别结果的获取步骤为：[0259] 根据异常操作标记集 ，对每个操作进行标记，标记包括Z1和Z0，其中，Z1表示异常，Z0表示正常；[0260] 对标记为异常的操作进行聚合，形成新数据集 ，包括所有被标记的异常操作数据；[0261] 通过计算新数据集 的聚合特性，包括异常操作频率和分布，确定频繁出现异常的操作模式，输出异常行为识别结果，[0262] ，[0263] 其中，是异常操作结果总和， 是第i次操作的异常标记， 代表第i次操作的特征值， 代表第i次操作的其他相关参数，包括操作时间或操作强度， 、 和 是权重系数，调整异常标记、特征值及其平方项在总和中的影响力，Q表示异常标记总数。[0264] 假设有3次操作数据，则，[0265] Q=3，[0266] 异常标记集，[0267] ，[0268] 表示第1次和第3次操作是异常的；[0269] 特征值集，[0270] ，[0271] 表示每次操作的特征值；[0272] 其他相关参数集，[0273] ，[0274] 代表操作的时间或强度；[0275] 权重系数：[0276] ，[0277] 初始化总和：[0278] 设 ，最终的异常操作结果总和，[0279] 对每次操作进行计算：[0280] 对于每个i从1到Q（在此例中为3），执行以下步骤：[0281] 计算每个项的贡献：[0282] 第1次操作（i=1）：[0283][0284] 第2次操作（i=2）：[0285][0286] 第3次操作（i=3）：[0287][0288] 求和：[0289] ，[0290] 表明异常操作结果总和为6.57。[0291] 请参阅图8，设备监控记录的获取步骤为：[0292] 对异常行为识别结果进行初步分类，通过示性函数标记为单一或重复故障模式，对比麻醉设备的历史使用记录，计算匹配函数，[0293] ，[0294] 确定异常行为的类别，其中， 是当前考察的异常行为数据点， 是历史数据中的第j个数据点，G代表历史数据点总数， 是历史数据点 的权重，反映数据点的重要性或信任度， 是匹配函数，用于评估 与 的相似度；通常通过计算两者之间的某种距离或相似性得分；[0295] 根据每个异常行为类别，使用统计模型计算故障模式的出现概率，[0296] ，[0297] 其中，是故障模式标签，提供关于故障发生频率及其环境条件的洞察， 是第k个环境参数的权重，m代表环境参数的总数， 是故障模式 下第k个环境参数的值；[0298] 将所有数据聚合，通过时间序列函数，[0299] ，[0300] 转化为设备监控记录，记录每种故障模式的时间分布和特征，其中， 是结合时间权重的累积故障数，是第i个时间戳，标识故障记录时间，是在时间 记录的故障数据，包括故障类型、严重程度信息，U是时间戳的总数。[0301] 假设有3个历史数据点 、 和 和对应的权重：[0302] =0.5；[0303] =0.3；[0304] =0.2；[0305] 假设 与 、 和 的相似度评分 分别为0.8、0.6和0.9。[0306] 对于每个 ：[0307] ，[0308] 求和：[0309] ，[0310] 假设有2个环境参数，权重，[0311] ，[0312] 故障模式 下参数值，[0313] ，[0314] 对于每个参数k，计算 ：[0315] ，[0316] 求和：[0317] ，[0318] 借助计算器直接计算，[0319] ，[0320] 则，[0321] ，[0322] 意味着给定的故障模式 有大约90.9%的概率属于一个常见的故障模式，根据设定的参数和故障特征。[0323] 假设有3个时间点和相应的故障记录：[0324] ：在时间1有5个故障事件；[0325] ：在时间2有3个故障事件[0326] ：在时间3有8个故障事件。[0327] 对于每个时间点i，计算 ：[0328] 对于 和 ：1×5=5；[0329] 对于 和 ：2×3=6；[0330] 对于 和 ：3×8=24；[0331] 求和：[0332] ，[0333] 表示在参照的时间周期内，结合到时间权重的累积故障数为35，有效地汇总在不同时间点的故障信息，可以动态的查看麻醉设备状况。[0334] 以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

专利地区：四川

专利申请日期：2024-07-17

专利公开日期：2024-09-17

专利公告号：2024-09-17