李建均

廣州醫(yī)科大學(xué)附屬第一醫(yī)院 （廣東 廣州 510120）

隨著我國(guó)醫(yī)療器械行業(yè)的高速發(fā)展，越來(lái)越多先進(jìn)的醫(yī)療設(shè)備被投入臨床使用，并在患者治療中發(fā)揮著關(guān)鍵作用。然而，隨著醫(yī)療設(shè)備的不斷更新?lián)Q代，設(shè)備也越來(lái)越多樣化、復(fù)雜化。在醫(yī)療設(shè)備日常使用中，設(shè)備故障時(shí)有發(fā)生，不僅影響了醫(yī)療設(shè)備的使用壽命，甚至為患者的醫(yī)療安全帶來(lái)了嚴(yán)重隱患。因此，利用計(jì)算機(jī)技術(shù)精準(zhǔn)識(shí)別醫(yī)療設(shè)備異常運(yùn)行狀態(tài)，避免設(shè)備故障引發(fā)醫(yī)療事故，對(duì)保障我國(guó)醫(yī)療事業(yè)的穩(wěn)定發(fā)展具有重要的現(xiàn)實(shí)意義。目前，我國(guó)對(duì)于設(shè)備運(yùn)行狀態(tài)的檢測(cè)主要采用人工識(shí)別與粗糙網(wǎng)絡(luò)識(shí)別等方式。張翼英等[1]通過(guò)W-ReLU 量化評(píng)估設(shè)備的異常度，解決了多工況條件下設(shè)備運(yùn)行異常難以識(shí)別的問(wèn)題；張洋等[2]利用殘差網(wǎng)絡(luò)設(shè)計(jì)1 種識(shí)別方法，以期提升配電柜設(shè)備狀態(tài)識(shí)別的精準(zhǔn)度。基于此，本研究提出了一種基于機(jī)器學(xué)習(xí)的醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別方法，為提高醫(yī)院醫(yī)療設(shè)備管理的科學(xué)化提供參考。

1 基于機(jī)器學(xué)習(xí)的醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別方法的構(gòu)建

1.1 醫(yī)療設(shè)備異常特征數(shù)據(jù)的采集

醫(yī)療設(shè)備異常運(yùn)行狀態(tài)的識(shí)別過(guò)程中，需要對(duì)醫(yī)療設(shè)備的運(yùn)行參數(shù)及實(shí)際故障點(diǎn)進(jìn)行異常特征數(shù)據(jù)采集，并采用機(jī)器學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與測(cè)試[3]。一般來(lái)說(shuō)，醫(yī)療設(shè)備異常運(yùn)行狀態(tài)受多種不同因素影響，根據(jù)因素類(lèi)型可劃分為設(shè)備自身信號(hào)異常與設(shè)備運(yùn)行環(huán)境異常2 種。因此在進(jìn)行醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別時(shí)，也需從這2 個(gè)方面采集設(shè)備異常特征數(shù)據(jù)，包括輸入電壓及電流等設(shè)備自身信號(hào)異常特征數(shù)據(jù)、工作溫度與濕度等設(shè)備運(yùn)行環(huán)境異常特征數(shù)據(jù)。具體特征數(shù)據(jù)采集如圖1 所示。本研究主要采用傳感器采集醫(yī)療設(shè)備異常特征數(shù)據(jù)，針對(duì)不同數(shù)據(jù)采用的傳感器類(lèi)型各不相同[4]。在醫(yī)療設(shè)備穩(wěn)定運(yùn)行過(guò)程中，通過(guò)多個(gè)不同傳感器對(duì)異常特征數(shù)據(jù)進(jìn)行實(shí)時(shí)采樣。為及時(shí)感知醫(yī)療設(shè)備異常特征數(shù)據(jù)的變化情況，本研究將傳感器的測(cè)量采樣頻率設(shè)置為1 次/s，最后將采集到的完整醫(yī)療設(shè)備異常特征數(shù)據(jù)構(gòu)建成初期數(shù)據(jù)集。

圖1 傳感器采集醫(yī)療設(shè)備異常特征數(shù)據(jù)

1.2 醫(yī)療設(shè)備異常特征數(shù)據(jù)的融合

本研究為提升設(shè)備特征數(shù)據(jù)的利用率、確保異常運(yùn)行狀態(tài)識(shí)別效果，引入了數(shù)據(jù)融合算法，將多個(gè)傳感器測(cè)量的不同數(shù)據(jù)進(jìn)行疊加融合，獲得更加趨向理想的醫(yī)療設(shè)備異常特征數(shù)據(jù)[5]。多傳感器數(shù)據(jù)融合算法與傳統(tǒng)數(shù)據(jù)處理方法存在一定差異，并非單純地監(jiān)測(cè)多個(gè)傳感器測(cè)量數(shù)據(jù)，而是將類(lèi)型不同且分布位置不同的傳感器所采集的關(guān)鍵特征數(shù)據(jù)進(jìn)行融合。本研究以2 個(gè)傳感器的測(cè)量特征數(shù)據(jù)融合為例，一般情況下，在醫(yī)療設(shè)備異常運(yùn)行狀態(tài)的識(shí)別中，這2 個(gè)傳感器采集的數(shù)據(jù)會(huì)存在矛盾。為提升醫(yī)療設(shè)備異常特征數(shù)據(jù)的融合精度，需先對(duì)采集數(shù)據(jù)進(jìn)行歸一化處理，將所有醫(yī)療設(shè)備異常特征數(shù)據(jù)映射至[0，1]范圍內(nèi)，如式（1）及（2）所示。

式中，X表示傳感器1、2 采集的醫(yī)療設(shè)備異常特征數(shù)據(jù)的融合值；f表示一元融合函數(shù)。本研究通過(guò)數(shù)據(jù)融合技術(shù)，實(shí)現(xiàn)了多傳感器測(cè)量的醫(yī)療設(shè)備異常特征數(shù)據(jù)的疊加融合。數(shù)據(jù)的融合方法為數(shù)據(jù)級(jí)融合處理，即無(wú)需了解傳感器采集數(shù)據(jù)的先驗(yàn)值，僅需根據(jù)不同傳感器采集結(jié)果的差異，對(duì)各傳感器采集數(shù)據(jù)的分布區(qū)域進(jìn)行調(diào)整，使各傳感器采集數(shù)據(jù)處于同一映射空間內(nèi)，進(jìn)而使醫(yī)療設(shè)備異常特征數(shù)據(jù)的融合結(jié)果誤差處于最小狀態(tài)，有利于后續(xù)識(shí)別應(yīng)用[6]。

1.3 基于機(jī)器學(xué)習(xí)識(shí)別醫(yī)療設(shè)備異常運(yùn)行狀態(tài)

相比其他類(lèi)型的電子設(shè)備，醫(yī)療設(shè)備的結(jié)構(gòu)與運(yùn)行參數(shù)更加復(fù)雜，其異常運(yùn)行狀態(tài)的識(shí)別難度更大。因此，本研究引入了機(jī)器學(xué)習(xí)算法，并設(shè)計(jì)醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別方法。機(jī)器學(xué)習(xí)算法屬于無(wú)監(jiān)督特征學(xué)習(xí)，可通過(guò)自身結(jié)構(gòu)完成學(xué)習(xí)訓(xùn)練，從而將不同的醫(yī)療設(shè)備異常特征數(shù)據(jù)進(jìn)行精準(zhǔn)分類(lèi)[7]。機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)眾多，但傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)會(huì)受單向傳播影響的局限，導(dǎo)致針對(duì)不同類(lèi)型醫(yī)療設(shè)備異常運(yùn)行狀態(tài)的識(shí)別效果較差，所以本研究應(yīng)用GRU 網(wǎng)絡(luò)設(shè)計(jì)了識(shí)別模型，其結(jié)構(gòu)如圖2 所示。GRU 網(wǎng)絡(luò)識(shí)別模型主要由輸入、隱藏、輸出及決策4 個(gè)層次組成，其中第1 層是模型的輸入層，主要負(fù)責(zé)對(duì)輸入數(shù)據(jù)的預(yù)處理、標(biāo)簽化處理等操作；第2 層為隱藏層，主要負(fù)責(zé)實(shí)現(xiàn)輸入數(shù)據(jù)的學(xué)習(xí)；第3 層為模型輸出層，主要負(fù)責(zé)將隱藏層輸出的數(shù)據(jù)傳輸至各分類(lèi)中，進(jìn)行最終的分類(lèi)識(shí)別；第4 層為模型決策層，主要負(fù)責(zé)將輸出層輸出的分類(lèi)數(shù)據(jù)按照相關(guān)規(guī)范進(jìn)行結(jié)果決策，從而得到最終的分類(lèi)識(shí)別結(jié)果。

圖2 GRU 網(wǎng)絡(luò)識(shí)別模型結(jié)構(gòu)示意圖

如圖2所示，GRU網(wǎng)絡(luò)識(shí)別模型中有且僅有2個(gè)門(mén)結(jié)構(gòu)：更新門(mén)G與重置門(mén)C。更新門(mén)G取值越小，構(gòu)建的GRU 識(shí)別模型中神經(jīng)元保留的數(shù)據(jù)越少；重置門(mén)C為0 時(shí)，構(gòu)建的GRU 識(shí)別模型中神經(jīng)元傳輸?shù)臄?shù)據(jù)為不可用。因此，為保證醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別效果，需要根據(jù)式（4）（5）確定GRU 識(shí)別模型中更新門(mén)G與重置門(mén)C的取值。

式中，ε表示GRU 模型的激活函數(shù)（本研究采用sigmoid 函數(shù)）；ωG、ωC分別表示GRU 模型結(jié)構(gòu)中更新門(mén)G與重置門(mén)C的權(quán)重；yi-1表示GRU模型中上一個(gè)神經(jīng)元的輸出值；xi表示GRU 模型中第i個(gè)神經(jīng)元的輸入值。根據(jù)式（4）與（5）即可建立GRU 網(wǎng)絡(luò)識(shí)別模型中神經(jīng)元輸出計(jì)算公式（6）與（7）。

式中，y表示GRU 模型中待定神經(jīng)元的輸出結(jié)果；yi表示GRU 模型中第i個(gè)神經(jīng)元的輸出結(jié)果。在利用GRU 網(wǎng)絡(luò)建立識(shí)別模型時(shí)，不僅可以分析當(dāng)前神經(jīng)元的輸入與輸出情況，同時(shí)可以根據(jù)當(dāng)前神經(jīng)元的前一個(gè)神經(jīng)元狀態(tài)進(jìn)行深入分析。因此，利用GRU 網(wǎng)絡(luò)識(shí)別模型檢測(cè)醫(yī)療設(shè)備異常運(yùn)行狀態(tài)時(shí)，無(wú)需局限在GRU 網(wǎng)絡(luò)的某個(gè)神經(jīng)元節(jié)點(diǎn)上，可利用網(wǎng)絡(luò)整體結(jié)構(gòu)進(jìn)行異常識(shí)別，從而保障識(shí)別效果。基于機(jī)器學(xué)習(xí)的醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別方法的具體過(guò)程為：將傳感器采集并融合的醫(yī)療設(shè)備異常特征數(shù)據(jù)由GRU網(wǎng)絡(luò)識(shí)別模型輸入層輸入，經(jīng)過(guò)模型的學(xué)習(xí)與訓(xùn)練即可輸出分類(lèi)識(shí)別結(jié)果，以此完成醫(yī)療設(shè)備異常運(yùn)行狀態(tài)的識(shí)別。

2 應(yīng)用效果

2.1 實(shí)驗(yàn)方法

對(duì)基于機(jī)器學(xué)習(xí)的醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別方法進(jìn)行評(píng)估，需基于Python 語(yǔ)言搭建1 個(gè)仿真實(shí)驗(yàn)環(huán)境（內(nèi)存64 GB，硬盤(pán)1 TB，CPU 為Intel i9-9900K 3.6GHz×16，集成開(kāi)發(fā)環(huán)境為Pycharm，深度學(xué)習(xí)框架為T(mén)ensorFlow）。為了提升傳感器采集數(shù)據(jù)的準(zhǔn)確度，本研究在使用傳感器前進(jìn)行了校準(zhǔn)，并盡量消除或降低溫度、濕度、振動(dòng)、電磁干擾等外部因素對(duì)傳感器的影響。同時(shí)，傳感器采集到的原始數(shù)據(jù)可能會(huì)存在噪聲或不穩(wěn)定性。通過(guò)濾波算法去除噪聲、平滑數(shù)據(jù)，提高數(shù)據(jù)準(zhǔn)確度和穩(wěn)定性。以某三甲醫(yī)院內(nèi)的TE-135 輸液泵設(shè)備為例獲取仿真實(shí)驗(yàn)數(shù)據(jù)。采集2022 年6—12 月TE-135 輸液泵設(shè)備的電壓、電流、工作溫度、工作濕度4 項(xiàng)特征數(shù)據(jù)，共采集424 210 個(gè)樣本。經(jīng)過(guò)預(yù)處理后，匯總得到TE-135 輸液泵設(shè)備的6 種異常運(yùn)行狀態(tài)，分別取20%的樣本數(shù)據(jù)作為訓(xùn)練集與測(cè)試集，具體樣本分布情況如表2 所示?；谏鲜鰧?shí)驗(yàn)數(shù)據(jù)，分別使用基于深度學(xué)習(xí)的識(shí)別方法、基于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法，與本研究設(shè)計(jì)基于機(jī)器學(xué)習(xí)的識(shí)別方法進(jìn)行比較。

表2 實(shí)驗(yàn)數(shù)據(jù)集的樣本數(shù)量分布（個(gè)）

2.2 評(píng)估指標(biāo)

（1）為了評(píng)估3 種方法的識(shí)別效果，本研究根據(jù)醫(yī)療設(shè)備運(yùn)行日志中的記錄對(duì)采集的異常特征數(shù)據(jù)樣本打標(biāo)簽，并采用式（8）計(jì)算誤報(bào)率，以此衡量不同識(shí)別方法的精準(zhǔn)度。

式中，F(xiàn)PR表示醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別結(jié)果的誤報(bào)率；FP表示誤報(bào)的樣本數(shù)據(jù)數(shù)量；TN表示正常的樣本數(shù)量。（2）為驗(yàn)證醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別方法的實(shí)際應(yīng)用效果，將3 種識(shí)別方法應(yīng)用于S 市第一醫(yī)院中的醫(yī)療設(shè)備管理中，在實(shí)際臨床環(huán)境中進(jìn)行測(cè)試和驗(yàn)證，比較3 種識(shí)別方法的醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別準(zhǔn)確率。

2.3 結(jié)果

2.3.1 3 種識(shí)別方法的誤報(bào)率比較

依次對(duì)3 種識(shí)別方法進(jìn)行訓(xùn)練與測(cè)試，所得實(shí)驗(yàn)結(jié)果如圖3 所示。3 種識(shí)別方法的誤報(bào)率存在較大差異，其中基于機(jī)器學(xué)習(xí)的識(shí)別方法平均誤報(bào)率為4.43%，較基于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法降低了3.04%，較基于深度學(xué)習(xí)的識(shí)別方法降低了2.11%，識(shí)別效果較好。

圖3 3 種醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別結(jié)果

2.3.2 3 種識(shí)別方法醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別準(zhǔn)確率比較

基于機(jī)器學(xué)習(xí)的醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別方法的準(zhǔn)確率高于基于深度學(xué)習(xí)的識(shí)別方法、基于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法，能夠有效提高醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別效果，見(jiàn)表3。

表3 3 種識(shí)別方法的醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別準(zhǔn)確率（%）

3 總結(jié)與討論

針對(duì)傳統(tǒng)醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別方法精度不足的問(wèn)題，本研究設(shè)計(jì)了基于機(jī)器學(xué)習(xí)的醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別方法。該方法的優(yōu)勢(shì)是進(jìn)行了醫(yī)療設(shè)備多種異常特征數(shù)據(jù)的采集與融合，并基于GRU 網(wǎng)絡(luò)對(duì)不同異常模式的標(biāo)簽進(jìn)行分類(lèi)決策，避免出現(xiàn)識(shí)別結(jié)果局部最優(yōu)。因此，基于機(jī)器學(xué)習(xí)的醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別方法不僅可以識(shí)別醫(yī)療設(shè)備的多種異常運(yùn)行狀態(tài)，且識(shí)別的準(zhǔn)確度更高。本研究結(jié)果顯示，基于機(jī)器學(xué)習(xí)的醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別方法誤報(bào)率較低，識(shí)別準(zhǔn)確率較高，表明基于機(jī)器學(xué)習(xí)的醫(yī)療設(shè)備異常運(yùn)行狀態(tài)識(shí)別方法識(shí)別效果較好。本研究尚存在不足之處：由于不同醫(yī)療設(shè)備的市場(chǎng)占有率不同，一些小眾醫(yī)療設(shè)備的特征數(shù)據(jù)與本研究設(shè)備存在一定差距，而機(jī)器學(xué)習(xí)的識(shí)別性能對(duì)數(shù)據(jù)質(zhì)量具有較強(qiáng)依賴(lài)性，所以未來(lái)需將未知且小眾的醫(yī)療設(shè)備納入研究。