技术摘要：
本公开涉及一种医疗设备故障预测方法、装置、介质及电子设备。方法包括：获取医疗设备在当前时刻的状态信息；根据状态信息，通过目标故障预测模型确定医疗设备中至少一部件在当前时刻的下一时刻发生故障的概率，模型是通过对深度神经网络模型进行训练和降维处理后得到  全部
背景技术：
医疗设备是医疗、科研机构及临床学科工作中的最基本要素，例如，正电子发射断 层扫描-电子计算机断层扫描设备(PET-CT)。其中，医疗设备一旦故障，将会导致整个依赖 该医疗设备的工作流程终止，可能会对被检患者的安全构成威胁，因此，医疗设备的故障预 测至关重要。 近年来，深度神经网络已经广泛应用于对医疗设备的故障预测。随着深度神经网 络的发展，用于医疗设备故障预测的深度神经网络模型的性能不断提升，相应地，模型的网 络参数量愈发庞大，存储代价和计算代价也不断提高。因此，内存访问速率慢、故障预测效 率不高，并且，模型难以部署在资源受限的嵌入式平台(例如，医疗设备)上。
技术实现要素：
本公开的目的是提供一种医疗设备故障预测方法、装置、介质及电子设备，以提升 内存访问速率和故障预测效率。 为了实现上述目的，第一方面，本公开提供一种医疗设备故障预测方法，包括：获 取医疗设备在当前时刻的状态信息；根据所述当前时刻的状态信息，通过目标故障预测模 型确定所述医疗设备中至少一部件在所述当前时刻的下一时刻发生故障的概率，其中，所 述目标故障预测模型是通过对深度神经网络模型进行训练和降维处理后得到的。 可选地，所述方法应用于所述医疗设备，且所述目标故障预测模型被部署在所述 医疗设备中。 可选地，所述状态信息包括运行状态信息、运行环境数据、校正日志、维护日志、运 行日志中的至少一者。 可选地，所述目标故障预测模型通过以下方式获得：获取多个训练样本，每一所述 训练样本分别包括所述医疗设备在一历史时刻的状态信息以及该历史时刻的下一时刻的 实际故障信息；根据所述多个训练样本，对深度神经网络模型进行预训练，得到初始故障预 测模型；对所述初始故障预测模型进行降维处理，得到所述目标故障预测模型。 可选地，所述对所述初始故障预测模型进行降维处理，得到所述目标故障预测模 型，包括：获取待剪枝的故障预测模型的部分模型参数，所述待剪枝的故障预测模型初始为 所述初始故障预测模型；根据所述部分模型参数的参数值，对所述待剪枝的故障预测模型 进行剪枝，以对所述待剪枝的故障预测模型进行降维；根据所述多个训练样本，对剪枝后所 得的模型重新进行训练；确定重新训练后得到的模型是否满足剪枝停止条件；在所述重新 训练后得到的模型不满足所述剪枝停止条件的情况下，将所述重新训练后得到的模型确定 为新的待剪枝的故障预测模型，并重复执行所述获取待剪枝的故障预测模型的部分模型参 4 CN 111598322 A 说　明　书 2/10 页 数的步骤至所述确定重新训练后得到的模型是否满足剪枝停止条件的步骤；在所述重新训 练后得到的模型满足所述剪枝停止条件的情况下，将所述重新训练后得到的模型确定为所 述目标故障预测模型。 可选地，在所述待剪枝的故障预测模型中、所述部分模型参数对应的边形成为多 个卷积核；所述根据所述部分模型参数的参数值，对所述待剪枝的故障预测模型进行剪枝， 包括：根据所述部分模型参数的参数值，从所述多个卷积核中确定冗余结构，其中，所述冗 余结构包括卷积核和/或卷积核通道；从所述待剪枝的故障预测模型中剪除所述冗余结构。 可选地，所述根据所述部分模型参数的参数值，对所述待剪枝的故障预测模型进 行剪枝，还包括：在从所述待剪枝的故障预测模型剪除所述冗余结构之后，从剩余边中删除 权重值小于预设权重阈值的边，其中，所述剩余边包括所述多个卷积核中、除所述冗余结构 外的边。 第二方面，本公开提供一种医疗设备故障预测装置，包括：第一获取模块，被配置 为获取医疗设备在当前时刻的状态信息；确定模块，被配置为根据所述第一获取模块获取 到的所述当前时刻的状态信息，通过目标故障预测模型确定所述医疗设备中至少一部件在 所述当前时刻的下一时刻发生故障的概率，其中，所述目标故障预测模型是通过对深度神 经网络模型进行训练和降维处理后得到的。 第三方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，该程序 被处理器执行时实现本公开第一方面提供的所述方法的步骤。 第四方面，本公开提供一种电子设备，包括：存储器，其上存储有计算机程序；处理 器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面提供的所述方法的 步骤。 在上述技术方案中，由于用于医疗设备故障预测的目标故障预测模型是通过对深 度神经网络模型进行训练和降维处理后得到的，因此，目标故障预测模型的规模相对较小。 由此，可以降低存储代价和计算代价，从而提升内存访问速率和故障预测效率。并且，基于 故障预测结果，用户可以对医疗资源进行合理安排并采取相应的维护措施，以有效避免医 疗设备工作过程中发生故障导致的整个依赖该医疗设备的工作流程终止，从而提升了被检 患者的安全。另外，目标故障预测模型的规模相对较小，能够满足在嵌入式平台(例如医疗 设备)上直接运行该模型的需求，并且能够保证故障预测的实时性。 本公开的其他特征和优点将在随后的