支持向量機在監護儀無創血壓質量控制中的應用研究

徐佳佳

泰興市人民醫院 醫械科，江蘇 泰興225400

支持向量機在監護儀無創血壓質量控制中的應用研究

徐佳佳

泰興市人民醫院 醫械科，江蘇 泰興225400

目的 利用支持向量機建立監護儀無創血壓質控模型，用于對監護儀進行質量評估。方法隨機抽取我院80臺邁瑞監護儀，通過福祿克生命體征模擬儀測得80臺監護儀在5組給定參數下的血壓值，即80×5的矩陣向量作為輸入，若5組測量值與給定值的最大誤差在±10 mmHg范圍內，則認為監護儀合格，用“1”表示；反之，用“0”表示監護儀不合格，即80×1的矩陣向量作為輸出。選擇60組數據作為訓練集，利用支持向量機建立一個多輸入單輸出的分類模型；剩余的20個樣本作為測試集，通過分類準確率來驗證該方法是否具有可行性。結果 模型評估準確率達到93.3%。結論 該方法具有可行性，即支持向量機可應用于監護儀無創血壓的質量控制；該方法具有新穎、快捷方便的優點。

監護儀；無創血壓；支持向量機；生命體征模擬儀

引言

監護儀是醫院各臨床科室必不可少的醫療設備，它的作用是為醫護人員提供危重病人生命體征參數，如病人的心率、血壓、體溫和血氧飽和度等，這些參數為臨床提供診斷依據。監護儀在工作狀態中出現故障或者監測數據不準都會嚴重影響臨床工作，因此，監護儀的定期檢測是至關重要的。我院主要通過檢驗無創血壓、血氧飽和度及心電參數來判斷監護儀是否合格，本文重點介紹基于支持向量機（Support Vector Machine，SVM）建立無創血壓質控模型的一種新方法。

支持向量機是統計學習理論的一種學習方法[1-3]。它基于函數集VC維理論和結構風險最小化原理，即根據有限的樣本信息在模型的復雜性（對特定訓練樣本的學習精度）和學習能力（無錯誤地識別任意樣本的能力）之間尋求最佳折衷，以期獲得最好的推廣能力[4]。該算法可用于分類和回歸，本文主要采取其分類算法。

表1 5組參數下的無創血壓測量值

1 方法

1.1 研究數據的獲取

隨機挑選泰興市人民醫院監護儀80臺，型號有：深圳邁瑞PM9000、IPM10、BeneView T5等監護儀。利用福祿克FLUKE ProSim8生命體征模擬儀檢測監護儀獲得研究數據[5]。具體步驟：

（1）選取手術間13床的監護儀作示例，型號：PM9000監護儀。

（2）將監護儀最右邊的NIBP通道的袖帶一端拔出連接至生命體征模擬儀的NIBP通道。

（3）設定模擬儀的心電脈搏為80次/min，血氧飽和度為98%，測出無創血壓在120/800（90）mmHg參數下的血壓值，見圖1。本文研究在5組給定的參數下測量出相應的血壓值，要求測量值與給定值的最大允許誤差為±10 mmHg（1 mmHg=133.322 Pa），則認定監護儀合格（表1）。

圖1 模擬儀上顯示結果

1.2 基于支持向量機模型的建立

2 結果與討論

將X2進行歸一化處理后得到的輸入至上述分類模型中，得到的預測值，通過相對誤差來驗證該方法的可行性（a=1,…20），結果顯示最大誤差Pmax=93.3%，說明支持向量機在監護儀無創血壓中進行質量控制是可行的。

本文研究的創新之處在于采用支持向量機分類算法建立監護儀無創血壓質控模型，通過生命體征模擬儀得到的模擬數據（血壓值作為輸入，輸出直接是合格“1”和不合格“0”），一部分數據作為訓練集用于模型的建立；另一部分數據作為測試集，將血壓值輸入至模型直接進行監護儀分類，本文分類準確率達到93.3%，說明此方法可行，且說明支持向量機算法支持小樣本建立模型，相比以往的統計學方法更有優勢，譬如神經網絡建立模型，需要建立在大量數據基礎上才可進行下一步研究。

本文采用的檢測對象是針對同一品牌建立的分類模型，后續將探討多品牌建立的分類模型，若分類準確率在誤差范圍內，則可以通過該方法對全院監護儀形成質控系統，直接通過監護儀測量的患者血壓值，判斷監護儀測量的數值是否準確，該方法方便快捷。監護儀質控系統建立后可以考慮注射泵等其他醫療設備的質控系統的形成[7-9]。

[1] Vapnik VN.The Nature of Statistical Learning Theory [M].New York:Springer-Verlag,1995.

[2] Vapnik VN.The nature of statistical learning theory[M].New York:Springer,1999.

[3] 莊楚強,何春雄.應用數理統計基礎[M].廣州:華南理工大學出版社,2009:15-19.

[4] Cortes C,Vapnik.V. Support vector networks[J].Mach Learn,1995, 20:273-297.

[5] 湯黎明,周耀平,胡新勇.衛生裝備質量控制與計量管理技術規范[M].南京:南京大學出版社,2010:61-65.

[6] 楊高波,元波.精通MATLAB7.0混合編程[M].北京:電子工業出版社,2006.

[7] 戴捷,馮璐瓊.醫療設備質量安全和維護管理[J].中國醫學裝備,2011,8(9):80-83.

[8] 張志清.多參數監護儀檢測指標的分析[J].中國醫療器械信息,2008,14(8):57-60.

[9] 郭亮梅,王錦玲,田黎,等.不同方法測量血壓的對照研究[J].護理研究,2009,23(9):2478-2479.

Study on the Application of Support Vector Machine in Quality Control of Non-invasive Blood Pressure

XU Jia-jia
Department of Equipment, Taixing People's Hospital, Taixing Jiangsu 225400, China

Objective To use the support vector machine (SVM) to establish a quality control (QC) model for QC evaluation of noninvasive blood pressure (NIBP). Methods Eighty Mindray monitors were randomly selected from our hospital. And the blood pressure values under five groups of given parameters were measured by using Fluke simulator, and 80 x 5 matrix vector was set as input. If the maximum error between measured values and given values was within the range of 10mmHg, the monitors were thought as qualified and marked as 1; otherwise, 0 indicated the monitor was unqualified. The 80 x 1 matrix vector was set as output. 60 sets of data were selected as a training set and a multiinput single-output classification model was established by using SVM. The remaining twenty samples was set as a test set to verify whether the method was feasible according to the classification accuracy. Results The classification accuracy rate of the model was 93.3%. Conclusion The method was feasible with novel, fast and convenient advantages. SVM could be used in the quality control of NIBP.

monitors; noninvasive blood pressure; support vector machines; vital signs simulator

TH772+.2

B

10.3969/j.issn.1674-1633.2016.11.037

1674-1633(2016)11-0127-02

2016-05-17

2016-06-27

作者郵箱：xujiajia139@126.com