一種基于機器學習識別醫療設備異常運行狀態方法的建立

李建均

廣州醫科大學附屬第一醫院 （廣東 廣州 510120）

隨著我國醫療器械行業的高速發展，越來越多先進的醫療設備被投入臨床使用，并在患者治療中發揮著關鍵作用。然而，隨著醫療設備的不斷更新換代，設備也越來越多樣化、復雜化。在醫療設備日常使用中，設備故障時有發生，不僅影響了醫療設備的使用壽命，甚至為患者的醫療安全帶來了嚴重隱患。因此，利用計算機技術精準識別醫療設備異常運行狀態，避免設備故障引發醫療事故，對保障我國醫療事業的穩定發展具有重要的現實意義。目前，我國對于設備運行狀態的檢測主要采用人工識別與粗糙網絡識別等方式。張翼英等[1]通過W-ReLU 量化評估設備的異常度，解決了多工況條件下設備運行異常難以識別的問題；張洋等[2]利用殘差網絡設計1 種識別方法，以期提升配電柜設備狀態識別的精準度?；诖?，本研究提出了一種基于機器學習的醫療設備異常運行狀態識別方法，為提高醫院醫療設備管理的科學化提供參考。

1 基于機器學習的醫療設備異常運行狀態識別方法的構建

1.1 醫療設備異常特征數據的采集

醫療設備異常運行狀態的識別過程中，需要對醫療設備的運行參數及實際故障點進行異常特征數據采集，并采用機器學習網絡進行訓練與測試[3]。一般來說，醫療設備異常運行狀態受多種不同因素影響，根據因素類型可劃分為設備自身信號異常與設備運行環境異常2 種。因此在進行醫療設備異常運行狀態識別時，也需從這2 個方面采集設備異常特征數據，包括輸入電壓及電流等設備自身信號異常特征數據、工作溫度與濕度等設備運行環境異常特征數據。具體特征數據采集如圖1 所示。本研究主要采用傳感器采集醫療設備異常特征數據，針對不同數據采用的傳感器類型各不相同[4]。在醫療設備穩定運行過程中，通過多個不同傳感器對異常特征數據進行實時采樣。為及時感知醫療設備異常特征數據的變化情況，本研究將傳感器的測量采樣頻率設置為1 次/s，最后將采集到的完整醫療設備異常特征數據構建成初期數據集。

圖1 傳感器采集醫療設備異常特征數據

1.2 醫療設備異常特征數據的融合

本研究為提升設備特征數據的利用率、確保異常運行狀態識別效果，引入了數據融合算法，將多個傳感器測量的不同數據進行疊加融合，獲得更加趨向理想的醫療設備異常特征數據[5]。多傳感器數據融合算法與傳統數據處理方法存在一定差異，并非單純地監測多個傳感器測量數據，而是將類型不同且分布位置不同的傳感器所采集的關鍵特征數據進行融合。本研究以2 個傳感器的測量特征數據融合為例，一般情況下，在醫療設備異常運行狀態的識別中，這2 個傳感器采集的數據會存在矛盾。為提升醫療設備異常特征數據的融合精度，需先對采集數據進行歸一化處理，將所有醫療設備異常特征數據映射至[0，1]范圍內，如式（1）及（2）所示。

式中，X表示傳感器1、2 采集的醫療設備異常特征數據的融合值；f表示一元融合函數。本研究通過數據融合技術，實現了多傳感器測量的醫療設備異常特征數據的疊加融合。數據的融合方法為數據級融合處理，即無需了解傳感器采集數據的先驗值，僅需根據不同傳感器采集結果的差異，對各傳感器采集數據的分布區域進行調整，使各傳感器采集數據處于同一映射空間內，進而使醫療設備異常特征數據的融合結果誤差處于最小狀態，有利于后續識別應用[6]。

1.3 基于機器學習識別醫療設備異常運行狀態

相比其他類型的電子設備，醫療設備的結構與運行參數更加復雜，其異常運行狀態的識別難度更大。因此，本研究引入了機器學習算法，并設計醫療設備異常運行狀態識別方法。機器學習算法屬于無監督特征學習，可通過自身結構完成學習訓練，從而將不同的醫療設備異常特征數據進行精準分類[7]。機器學習的網絡結構眾多，但傳統循環神經網絡及支持向量機會受單向傳播影響的局限，導致針對不同類型醫療設備異常運行狀態的識別效果較差，所以本研究應用GRU 網絡設計了識別模型，其結構如圖2 所示。GRU 網絡識別模型主要由輸入、隱藏、輸出及決策4 個層次組成，其中第1 層是模型的輸入層，主要負責對輸入數據的預處理、標簽化處理等操作；第2 層為隱藏層，主要負責實現輸入數據的學習；第3 層為模型輸出層，主要負責將隱藏層輸出的數據傳輸至各分類中，進行最終的分類識別；第4 層為模型決策層，主要負責將輸出層輸出的分類數據按照相關規范進行結果決策，從而得到最終的分類識別結果。

圖2 GRU 網絡識別模型結構示意圖

如圖2所示，GRU網絡識別模型中有且僅有2個門結構：更新門G與重置門C。更新門G取值越小，構建的GRU 識別模型中神經元保留的數據越少；重置門C為0 時，構建的GRU 識別模型中神經元傳輸的數據為不可用。因此，為保證醫療設備異常運行狀態識別效果，需要根據式（4）（5）確定GRU 識別模型中更新門G與重置門C的取值。

式中，ε表示GRU 模型的激活函數（本研究采用sigmoid 函數）；ωG、ωC分別表示GRU 模型結構中更新門G與重置門C的權重；yi-1表示GRU模型中上一個神經元的輸出值；xi表示GRU 模型中第i個神經元的輸入值。根據式（4）與（5）即可建立GRU 網絡識別模型中神經元輸出計算公式（6）與（7）。

式中，y表示GRU 模型中待定神經元的輸出結果；yi表示GRU 模型中第i個神經元的輸出結果。在利用GRU 網絡建立識別模型時，不僅可以分析當前神經元的輸入與輸出情況，同時可以根據當前神經元的前一個神經元狀態進行深入分析。因此，利用GRU 網絡識別模型檢測醫療設備異常運行狀態時，無需局限在GRU 網絡的某個神經元節點上，可利用網絡整體結構進行異常識別，從而保障識別效果?；跈C器學習的醫療設備異常運行狀態識別方法的具體過程為：將傳感器采集并融合的醫療設備異常特征數據由GRU網絡識別模型輸入層輸入，經過模型的學習與訓練即可輸出分類識別結果，以此完成醫療設備異常運行狀態的識別。

2 應用效果

2.1 實驗方法

對基于機器學習的醫療設備異常運行狀態識別方法進行評估，需基于Python 語言搭建1 個仿真實驗環境（內存64 GB，硬盤1 TB，CPU 為Intel i9-9900K 3.6GHz×16，集成開發環境為Pycharm，深度學習框架為TensorFlow）。為了提升傳感器采集數據的準確度，本研究在使用傳感器前進行了校準，并盡量消除或降低溫度、濕度、振動、電磁干擾等外部因素對傳感器的影響。同時，傳感器采集到的原始數據可能會存在噪聲或不穩定性。通過濾波算法去除噪聲、平滑數據，提高數據準確度和穩定性。以某三甲醫院內的TE-135 輸液泵設備為例獲取仿真實驗數據。采集2022 年6—12 月TE-135 輸液泵設備的電壓、電流、工作溫度、工作濕度4 項特征數據，共采集424 210 個樣本。經過預處理后，匯總得到TE-135 輸液泵設備的6 種異常運行狀態，分別取20%的樣本數據作為訓練集與測試集，具體樣本分布情況如表2 所示?；谏鲜鰧嶒灁祿?，分別使用基于深度學習的識別方法、基于神經網絡的識別方法，與本研究設計基于機器學習的識別方法進行比較。

表2 實驗數據集的樣本數量分布（個）

2.2 評估指標

（1）為了評估3 種方法的識別效果，本研究根據醫療設備運行日志中的記錄對采集的異常特征數據樣本打標簽，并采用式（8）計算誤報率，以此衡量不同識別方法的精準度。

式中，FPR表示醫療設備異常運行狀態識別結果的誤報率；FP表示誤報的樣本數據數量；TN表示正常的樣本數量。（2）為驗證醫療設備異常運行狀態識別方法的實際應用效果，將3 種識別方法應用于S 市第一醫院中的醫療設備管理中，在實際臨床環境中進行測試和驗證，比較3 種識別方法的醫療設備異常運行狀態識別準確率。

2.3 結果

2.3.1 3 種識別方法的誤報率比較

依次對3 種識別方法進行訓練與測試，所得實驗結果如圖3 所示。3 種識別方法的誤報率存在較大差異，其中基于機器學習的識別方法平均誤報率為4.43%，較基于神經網絡的識別方法降低了3.04%，較基于深度學習的識別方法降低了2.11%，識別效果較好。

圖3 3 種醫療設備異常運行狀態識別結果

2.3.2 3 種識別方法醫療設備異常運行狀態識別準確率比較

基于機器學習的醫療設備異常運行狀態識別方法的準確率高于基于深度學習的識別方法、基于神經網絡的識別方法，能夠有效提高醫療設備異常運行狀態識別效果，見表3。

表3 3 種識別方法的醫療設備異常運行狀態識別準確率（%）

3 總結與討論

針對傳統醫療設備異常運行狀態識別方法精度不足的問題，本研究設計了基于機器學習的醫療設備異常運行狀態識別方法。該方法的優勢是進行了醫療設備多種異常特征數據的采集與融合，并基于GRU 網絡對不同異常模式的標簽進行分類決策，避免出現識別結果局部最優。因此，基于機器學習的醫療設備異常運行狀態識別方法不僅可以識別醫療設備的多種異常運行狀態，且識別的準確度更高。本研究結果顯示，基于機器學習的醫療設備異常運行狀態識別方法誤報率較低，識別準確率較高，表明基于機器學習的醫療設備異常運行狀態識別方法識別效果較好。本研究尚存在不足之處：由于不同醫療設備的市場占有率不同，一些小眾醫療設備的特征數據與本研究設備存在一定差距，而機器學習的識別性能對數據質量具有較強依賴性，所以未來需將未知且小眾的醫療設備納入研究。