Page 90 - 《中国医疗器械杂志》2026年第2期

Chinese Journal of Medical Instrumentation 2026年 第50卷 第2期

临 床 医 学 工 程

不发生改变，A、Ea、R不发生改变，因此将其视为 度。简化的Arrhenius方程为特征工程提供了物理理
常数项。 T = T 0 +β·WorkLoad， T 0 为基础工作温度， 论指导，证明工作负荷和热量指标是影响球管退化
即实际采集数据中的扫描前比热容， β为负荷−温度 的关键。从多个维度捕捉的工作负荷特征指标如
转换系数，设定为常数， WorkLoad为工作负荷强 表1所示。

表1 15个工作负荷特征
Tab.1 Fifteen workload features
特征类别 特征名称 计算方法 特征意义
每日扫描次数 COUNT（每日扫描记录） 设备使用频率
使用强度与频率 日均扫描强度 累计扫描次数/累计使用天数 设备平均每日工作负荷
近期扫描次数 ROLLING_MEAN（每日扫描次数，window=7） 短期使用趋势
累计使用天数 RANGE（1到当前天数） 设备使用时长指标
累计能量消耗 CUMSUM（每日平均功率×每日总曝光时间） 设备总体负荷和运行成本指标
累计负荷与老化
累计扫描次数 CUMSUM（每日扫描次数） 设备机械磨损指标
累计曝光时间 CUMSUM（每日总曝光时间） 球管寿命消耗指标
使用强度变化率 PCT_CHANGE（日均扫描强度） 使用模式动态变化
每日平均曝光时间 SUM（每日曝光秒数）/每日扫描次数 反应扫描复杂度和设备效率
负荷严重性与热应力 近期热变化 ROLLING_MEAN（每日热容量变化，window=7） 短期热稳定性
近期功率 ROLLING_MEAN（每日平均功率，window=7） 短期功率使用稳定性
日均能耗强度 累计能量消耗/累计使用天数 设备平均每日能耗水平
时间老化指标 累计使用天数/MAX（累计使用天数） 基于时间的相对老化程度
归一化老化指标 能耗老化指标 累计能量消耗/MAX（累计能量消耗） 基于能耗的相对老化程度
扫描老化指标 累计扫描次数/MAX（累计扫描次数） 基于使用量的老化程度

TP
表1中所有大写公式为Python 3.10统计算法， Precision = (6)
TP+FP
SUM为求和函数，COUNT为计数函数，ROLLING_ 采用召回率（Recall）评价实际为正类的样本
MEAN为滑窗平均函数，CUMSUM为累加函数。 中被正确预测的比例，召回率计算式为：
1.5 模型选择与评价
TP
在构建了特征集和标签后，依据机器学习流程 Recall = (7)
TP+FN
进行分类任务。研究选用梯度提升（GradientBoost） 采用F 得分（F Score）评价精准率与召回率
1
1
模型、随机森林（RandomForest）模型、支持向量 的调和平均数，F 得分计算式为：
机（support vector machine，SVM）模型、K近邻 1
Precision×Recall
算法（KNN）模型、岭回归分类器（RidgeClassifier） F 1 = 2× (8)
Precision+Recall
模型、逻辑回归分类器（LogisticRegression）模
在评价指标计算式中， TP表示预测真阳性，
型 [16-22] 6种模型进行生命周期分类，这些模型对 TN表示预测真阴性， FP表示预测假阳性， FN表示
特征缩放不敏感，能够有效处理特征间的非线性
预测假阴性。为了提高模型泛化性能，本研究采用
关系和交互作用。考虑到研究的样本量较小，为
五折交叉验证（cross validation，CV）进行模型训
提高模型泛化性，研究采用五折交叉验证策略进行
练与评估，对交叉验证结果同样计算模型评价指标。
训练。
在评价指标方面，研究采用准确率（Accuracy） 2 结果与分析
评价模型正确预测的样本比例，准确率计算式为：
2.1 机器学习模型性能
TP+TN
Accuracy = (5) 将表1中提取的15个工作负荷特征作为输入，
TP+TN+FP+FN
采用精确率（Precision）评价预测为正类的样 对6种机器学习模型进行了训练和五折交叉验证，
本中实际为正类的比例，精确率计算式为： 模型性能对比如表2所示。

204