一種基于改進深度信念網絡的醫療設備故障預測模型

張 婧，孟令豪，武 偉

（臨沂市中心醫院，山東臨沂 276400）

醫療設備故障的發生與諸多因素相關，較大幅度增加了醫療的成本，降低了設備的工作效率，積極的醫療設備故障預測具有多方面的積極意義，能夠為醫療設備的維修策略制定提供數據支撐。領域內的專家積極開展醫療設備故障預測研究工作并取得了若干成果，火箭軍總醫院的侯羿[1]基于線性回歸模型開展醫療設備故障預測研究工作，研究成果為醫療設備維保部門制定維修策略提供了數據支撐；北京兒童醫院的趙盼[2]將故障預測與健康管理（PHM）理論應用到醫療設備故障預測領域，給出了切實可行的面向醫療設備故障預測的PHM 體系結構；華西醫院的王守鏡[3]通過調研若干單位醫療設備的維保數據，對維保數據進行多維度深度分析，得出了若干潛在規律。目前主流應用的醫療設備智能綜合管控系統需要設備管理員具備較好的數學基礎與機械故障診斷能力，并且不同的信號特征具有不同的表達含義，人工較難提取統一及適用不同模型的特征，現有的機器學習方法[4]在醫療設備故障預測中適用性較低。該研究根據現有研究情況，提出基于改進深度信念網絡的醫療設備故障預測模型研究及工程評估實踐[5]，以期為醫療設備故障的有效預測提供一些思路。該研究中所提出的模型完全是智能化操作，無需人工干預或監督，可以構造生成模型與其判別模型共享參數的模型，使得預測模型可以同時保持提取輸入特征和相關特征的能力[6]，進而保證數據預測的有效性和準確性，在醫療設備維護領域值得廣泛推廣與應用。

1 改進的深度信念網絡模型體系架構原理

改進的深度信念網絡主要是由多個受限玻爾茲曼機（Restricted Boltzmann Machines,RBMs）堆疊生成一種概率預測模型[7]，該研究中結合醫療設備的數據特征，提出改進深度信念網絡預測模型，受限玻爾茲曼機結構示意圖如圖1 所示。

圖1 受限玻爾茲曼機結構示意圖

利用醫療設備大量的數據無監督訓練RBM，進而找出最佳參數集，自動對醫療設備故障的信號提取深層的特征[8]，使似然函數最大化，為了解決這個問題，Hinton 根據CD 算法提出了一種訓練RBM 的多主算法：對比發散（CD）算法，最大似然函數可以得到最大似然參數，則給出基于RBM 訓練集的最優參數θ*，公式如下：

在對改進深度信念網絡的改進中，需要對RBM的訓練參數進行更新，具體來說，隨機梯度上升是用來求解最大值的。在CD 算法的過程中[9]，最關鍵的一步是求解對數P(v/θ)對參數的偏導數，Hinton 提出了Markov 鏈，它可以解決可見層和隱藏層的狀態。當可見層和隱藏層的分布趨于穩定時，P(v,h)達到最大值[10]，參數可以更新為：

其中，t和η分別是迭代次數和學習率，由上述推理，進一步得到醫療設備故障預測的深度體系架構示意圖，具體如圖2 所示，圖中實心球體表征醫療設備故障節點。

圖2 醫療設備故障預測的深度體系架構示意圖

改進的深度信念網絡在醫療設備故障預測時，可以較好地提取出產生醫療設備故障的特征向量，并輸入所提取的特征項預測層，從而為醫療設備故障的有效評估提供依據。該研究提出了改進深度信念網絡的醫療設備故障預測模型[11]，主要是通過對其中的神經層次疊加邏輯，再回歸神經層，從而對醫療設備故障進行有效預測，深度信念網絡可以通過回歸預測層，進一步搭建起醫療設備整體體系的預測架構，用來更好地評估醫療設備在實際運行期間產生的故障，為進一步的預防措施制定提供依據。

2 模型的生成及仿真驗證

2.1 模型生成

模型的生成需要進行預訓練，該研究采用的是對比散度算法。該方法可通過無監督前向堆疊的RBM 學習，從而在可視層生成向量V，再由可視層向隱藏層傳輸，整個傳輸數據的過程中，輸入至可視層的數據可隨機選擇，從而使得最真實的原始信號被輸入[12]，進而將所激活的神經元不斷地向前傳遞，隱藏層的神經元也由此被激活，從而得到h。這種操作步驟是重復進行的，即后退和前進，也可以稱之為Gibbs 采樣過程。可視層與隱藏層之間的信號相關性差別主要是在整體采樣過程中[13]，通過重構與更新權值得到。沒有層內連接，通常每層中的每個單元都連接到相鄰層中的每個單元。由多個RBM 按順序堆疊而成，第一個RBM 的可視層作為輸入層，其他層稱為隱藏層[14]。原始數據通過輸入層傳遞到隱藏層，并由隱藏層轉換為抽象表示。它被稱為編碼過程。根據具體任務，抽象表示從最后的隱藏層映射到輸出層，稱為解碼過程。這種訓練過程生成模型的步驟具體可歸納為如下幾點：

1）模型生成參數的初始化確定

第一步需要確定模型生成之前的參數，該研究中設定樣本數據為x，v則確定為可視層，隱藏層為h，可視層偏置為b，隱藏層偏置為c；另外，設置連接可視層與隱藏層二者的單元權重為w[15]，學習率為n，隱藏層節點數為m，函數sigmoid 寫為sigm，可視層節點數為n，令v′=x，并初始化w、b、c，隱藏層所有的單元j=1,2…,m，被激活的概率通過如下計算得到：

2）模型隱藏層激活函數確定

3）模型更新層策略函數確定

上述操作步驟是改進深度信念網絡的醫療設備故障預測模型的工作原理，主要是對可視層賦予原始數據向量，再按照公式計算獲得RBM 的隱藏層單元，從而開啟概率預測模型的全過程，反復操作下，會隨機選擇0、1 作為權值范圍的閾值，若超出閾值，則該神經網絡中單元間權重被激活，反之則無法激活。依據這一模型的構建，可以較好地反映可視層提供原始數據的特征，進而對數據進行有效編碼，實現醫療設備故障的有效預測。

2.2 仿真驗證

對臨沂市中心醫院設備科現役應用的一批醫療設備進行了故障預測模型仿真，以此為采購的醫療設備工程評估提供依據。原始數據提取了2019 年1月-2020 年1 月期間臨沂市中心醫院醫療設備故障數據集。對基于改進深度信念網絡的醫療設備故障預測模型進行仿真驗證，對比原始數據與預測醫療故障發生概率之間存在的誤差，基于改進深度信念網絡的醫療設備故障預測模型性能仿真圖如圖3 所示；模型重構有效率能夠更好地確定改進深度信念網絡模型的似然度情況，并作出準確的評估，從而為醫療設備工程評估提供一個參考指標，模型重構有效率與訓練迭代次數對應關系性能仿真圖如圖4 所示，迭代進入400 千次時，重構有效率處于穩定狀態，表明400 千次的迭代在模型架構下是合理的，隨著模型訓練迭代次數的遞增，模型的預測誤差損失函數性能逐漸優化，表明迭代次數在模型設計中是合理的。

圖3 醫療設備故障預測模型性能仿真圖

圖4 模型重構有效率與訓練迭代次數對應關系性能仿真圖

3 模型工程化應用評估實踐驗證

該研究所構建的基于改進深度信念網絡的醫療設備故障預測模型利用院內局域網絡進行數據交換，采用信號接收系統實現院內所有醫療設備故障數據的采集，并發送至計算機系統內，自動完成故障發生概率的測算[17]。醫療設備故障的預測，可以通過數據的反復采集，自動形成疊加與存儲，保證數據的準確性與可靠性，能夠隨時提供故障預測概率，保證醫療設備運行的穩定性[18]。利用局域網的分散發射，無論設備在哪一方位運行，均能夠保證醫療設備實時性的監測效果，快速反饋醫療設備的運行情況，對可能發生的預測故障下限進行自動分析，也可自動報警，給予設備維護人員提示，根據不同提示，制定有針對性的運維措施。該預測模型，可以通過現代化的預測手段，真正滿足當前醫療設備的運維，提升醫療領域的整體工作效率，該研究所構建的模型工程臨床應用實踐布置圖如圖5 所示。

基于改進深度信念網絡的醫療設備故障預測模型是否能應用至工程實踐，仍需要進行評估。選取2015 年以來院內設備故障數據為原始數據來源，進行故障預測能力工程評估實踐，對原始數據進行池化處理，生成醫療設備故障數據集（Mefds），選取Mefds 數據集中的5 000 例數據作為算法的前置訓練集，選取Mefds 數據集中的3 000 例數據作為算法的后置測試集，鑒于醫療設備故障預測問題屬于連續動作空間下的感知與決策問題，引入16 層改進深度信念網絡框架，并利用多層受限玻爾茲曼機機制改善框架的感知收斂遲滯問題。設置模型迭代次數為400 千次，基于PyCharm 集成開發環境，在Gym 0.9.2環境下進行圖形化數據交互，應該至少保證4G 運行內存及不少于80G 的內存余量。為了方便開展統計學分析，把醫療設備故障數據集按照時間走向劃分為12 個子集，把改進深度信念網絡的醫療設備故障預測模型與工程應用實踐的實測值進行多維對比，從醫療設備故障識別有效率、醫療設備故障預測精確率等層面進行定量分析，為了進一步保證結果的可靠性，將研究數據錄入Spss24.0 軟件中，進行統計學的差異性分析，最終得到的結果如表1 所示。

表1 模型工程化應用評估實踐驗證值對比

4 結論

基于改進深度信念網絡的醫療設備故障預測模型主要通過隨機變量特征的提取，從而激活神經元，進一步獲得醫療設備運行的情況，準確判斷故障發生的概率，進而提升了模型預測的智能性與準確性。改進深度信念網絡的醫療設備故障預測模型設置迭代次數為400 千次時，預測值與實際值結果之間符合統計學誤差范圍內的一致擬合，可以得到醫療設備故障準確的預測概率。基于改進深度信念網絡的醫療設備故障預測模型自身具備故障預測精準、工作效率高、全自動操作、無需人工配合等多重優勢，其在醫療設備維護領域應用前景非常廣闊，具有重要的臨床應用推廣價值。