医疗设备运行质量的高效预测模型基于改进的子搜索算法-时间卷积网络-BiLSTM
1College of Engineering Science and Technology, Shanghai Ocean University, Shanghai 201306, China.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
这项研究引入了一个AI模型 (ISSA-TCN-BiLSTM) 来预测医疗设备的功率质量,提高MRI和CT扫描的准确性并防止损伤. 该模型提高了设备维护和诊断效率.
科学领域:
- 医疗工程 医学工程
- 人工智能的人工智能
- 医疗事物的互联网 (IoMT)
背景情况:
- 医疗设备智能对于先进的诊断和运营效率至关重要.
- 电源质量的波动会降低医疗成像效果,损坏敏感设备.
- 整合AI和IoMT为实时设备监控和预测性维护提供了解决方案.
研究的目的:
- 开发和验证医疗设备功率质量的预测模型.
- 提高MRI和CT设备的稳定性和可靠性.
- 提高医疗保健机构的诊断准确性和运营效率.
主要方法:
- 采用当前的指纹技术,在六个月内从MRI和CT设备收集电源质量数据.
- 采用皮尔森系数来确定影响主动功率的关键因素.
- 开发了ISSA-TCN-BiLSTM模型,将时间卷积网络 (TCN) 和双向长期短期存储器 (BiLSTM) 集成到一个改进的子搜索算法 (ISSA) 中,用于超参数优化.
主要成果:
- 与其他模型相比,ISSA-TCN-BiLSTM模型表现出卓越的性能.
- 达到较低的RMSE (0.1143为MRI,0.0873为CT) 和MSE (0.1157为MRI,0.0817为CT) 值.
- 获得高R2分数 (MRI为0.95,CT为0.96),表明精确的功率预测.
结论:
- ISSA-TCN-BiLSTM模型为预测医疗设备功率质量提供了强大而准确的解决方案.
- 该模型的速度和准确性为主动设备维护提供了宝贵的见解.
- 这种方法提高了诊断效率,并确保了关键医学成像设备的寿命.
