基于混合贝叶斯和深度学习的医学成像设备退化建模方法，适用于多条件下的医疗物联网数据流

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Hybrid Bayesian and deep learning-based degradation modeling for medical imaging equipment under multi-condition Internet of Medical Things data streams

　　

赵宇希|李汉宇|李振林|李康|王长曦

• •
  一种结合多条件贝叶斯建模和在线条件注意力双向长短期记忆网络（BiLSTM）的混合变化点检测框架，用于CT X射线管。
• •
  利用IoMT平台提供的全生命周期灯丝电流数据，开发了一种多条件贝叶斯高斯过程模型，用于估计变化点的后验分布。
• •
  引入了一种基于条件注意力的双向LSTM，用于在线变化点检测，并利用离线贝叶斯后验信息来适应不同的工作条件。
• •
  在来自不同型号CT X射线管的真实世界IoMT运行数据上进行了验证，证明了该模型在多种工作条件下的在线检测具有准确性和稳定性。