大型醫療監護設備電池健康狀態檢測算法研究

邱筱岷，王志禹，王小花

無錫市婦幼保健院 醫學工程處，江蘇 無錫 214002

引言

隨著醫療監護設備技術的發展，人們對健康生活的要求有所提升，因此醫療監護設備的使用也隨之增加。由于大型醫療監護設備電池的內部結構復雜[1-3]，導致影響電池健康狀態的因素很多[4-5]。隨著大型醫療監護設備電池充電和放電次數的增多，電池的可用容量隨之減少[6]，使用壽命也隨之減少，不僅影響使用且容易引發醫療安全事故。因此，為了避免發生醫療事故，降低消極影響，對大型醫療監護設備電池的健康檢測研究具有重要意義。

針對大型醫療監護設備電池的健康檢測問題，一些學者和專家進行了相關研究，李強龍等[7]提出了一種基于改進的蟻獅算法和支持向量回歸（Improved ant-Lion Optimization and Support Vector Regression，IALO-SVR）的電池健康狀態檢測方法，即在電池充電時提取健康因子，并對健康因子與電池容量進行相關分析，再將健康因子中的數據輸入支持向量回歸（SVR）模型中，通過改進的蟻獅算法（IALO）對參數進行優化，從而構建電池檢測模型。王兵等[8]提出一種基于充電過程數據的電池健康狀態檢測方法，通過電池在充電和放電過程中獲取歷史數據，提取單體電池電壓差和電池容量等特征因子，將數據歸一化，再通過平均法及層次分析法檢測電池健康狀態。但這兩種方法忽略了大型醫療監護設備電池的內阻壓降，且在使用環境溫度比較高的時候，會造成較大的檢測誤差。

反向傳播（Back Propagation，BP）神經網絡具有較高的檢測能力[9-10]；粒子群（Particle Swarm Optimization，PSO）-BP 神經網絡模型是在BP 神經網絡的基礎上進行優化[11]，增強了BP 神經網絡的尋優能力；非線性自回歸模型（Nonlinear Autoregressive with Exogenous Inputs Model，NARX）神經網絡具有較高的非線性預測能力，可處理復雜大型醫療監護設備電池的非線性關系。因此，本文基于以上方法提出一種大型醫療監護設備電池健康狀態檢測算法，以提高大型醫療監護設備的安全性。

1 大型醫療監護設備電池健康狀態檢測

1.1 大型醫療監護設備電池健康因子的構建

當大型醫療監護設備電池在開始充電或放電即將完成時，大型醫療監護設備電池的電壓會發生較快且較大的變化，除此之外，大型醫療監護設備電池的電壓不會發生較大變化。本研究通過對大型醫療監護設備電池進行監測，獲取監測數據，從而提取影響大型醫療監護設備電池健康狀態的特征參量，并將其作為大型醫療監護設備電池的健康因子[12]。

（1）電池內阻：將大型醫療監護設備電池在較短時間內接入電壓較大的恒定直流電流，計算大型醫療監護設備電池的電壓情況。因為監測的勢場較短，導致大型醫療監護設備電池沒有發生電極極化效應，此時監測的大型醫療監護設備電池的內阻為歐姆內阻（R0），在極化電阻（Rp）的作用下，大型醫療監護設備電池發生變化，直至極化作用殆盡。

（2）等壓降放電時間：隨著大型醫療監護設備電池的循環次數不斷增加，大型醫療監護設備電池的等壓降放電時間會隨之減少，大型醫療監護設備電池的健康狀態與等壓降放電時間之間存在相互對應的關系[13]，可因此得出大型醫療監護設備電池狀態的健康因子。等壓降放電時間Δti的計算方式如公式（1）所示。

（3）等間隔放電時間序列：由于在大型醫療監護設備電池放電時[14]獲取的電壓曲線斜率變化不大且數據信息較少，導致放電電壓 ΔV的取值較小，將發生 Δt誤差較大的情況，因此，在Δ 壓降區域內，需設置等間隔的放電時間，放電電壓VH～VL依次對應放電時間t1～tn。

1.2 大型醫療監護設備電池容量的估計

1.2.1 建立NARX神經網絡

NARX 神經網絡利用其較好的保存性能將大型醫療監護設備電池的信息數據進行完整的儲存，同時進行下一步計算，其模型如圖1 所示。u(t)為在t時輸入的時間序列；ny為輸入的緩慢序列；y(t)為輸出；nu為輸出的緩慢序列。在t- 1時，u(t- 1)為輸入的時間序列；y(t- 1)為輸出的時間序列；y(t-ny)為歷史的輸入時間序列；u(t-nu)為歷史的輸出時間序列；w為權重；f為非線性函數；fh為隱含層；fo為輸出層；b為偏置。

圖1 NARX神經網絡模型

將NARX 神經網絡的輸出反饋給輸入，其計算方式如公式（2）所示。

將NARX 神經網絡理想的輸出反饋給輸入層，可增強大型醫療監護設備電池容量的估計效果，其計算方式如公式（3）所示。

式中，為輸出結果；? (1) 為大型醫療監護設備電池的初始估計容量；? (n) 為第n周期估計的電池容量。

1.2.2 基于NARX估計大型醫療監護設備電池容量

基于NARX 神經網絡將大型醫療監護設備電池的3 個健康因子數據進行訓練，進一步對大型醫療監護設備電池的容量進行估計（圖2），具體步驟為：① 提取與電池狀態有關的特征量和相應電池容量值的健康因子作為NARX 神經網絡的輸入樣本數據；② 將電池健康因子的樣本數據分為訓練集和測試集，通過NARX 神經網絡對訓練集進行訓練，并將訓練后的電池容量估計值與真實值進行比較，當比較后的差值達到設定值時，則不再進行訓練；③ 將電池健康因子樣本數據中的測試集輸入到NARX 神經網絡模型中，進而估計大型醫療監護設備電池的容量。通過得到的電池容量估計值，為檢測大型醫療監護設備電池的健康狀態提供依據。

圖2 基于NARX神經網絡估計電池容量

1.3 基于PSO-BP檢測大型醫療監護設備電池健康狀態

大型醫療監護設備電池的健康狀態一般由電池健康程度中的容量比作為衡量標準[15]。容量比表示電池當前的容量與出廠容量的百分比，通過電池的估計容量作為電池健康狀態的檢測依據，同時結合健康因子，利用PSO-BP 神經網絡完成電池健康狀態檢測。第z周期時，容量比soh值的計算方式如公式（4）所示。

式中， ?(1) 為大型醫療監護設備電池的初始估計容量；? (z) 為第z周期的估計電池容量。

由于大型醫療監護設備電池的性能狀態與其健康程度有直接關系，而大型醫療監護設備電池的容量可以反映電池的性能狀態，因此電池的健康程度與容量之間具有一定關系，可依據電池容量檢測其健康狀態。

1.3.1 BP神經網絡

BP 神經網絡的各層均存在大量神經元[16]，其工作原理是將輸入層的輸入數據傳到隱含層，再傳給輸出層。BP 神經網絡模型結構如圖3 所示。

圖3 BP神經網絡結構

BP 神經網絡的正向傳播是將樣本數據輸入到網絡中，從而得出輸出結果；反向傳播是通過輸出層求出權值和閾值，再對其進行調整進而得出理想的結果。BP神經網絡最終輸出值的計算過程如下：

（1）正向傳播：輸入數據通過輸入層傳遞給隱含層，每個隱含層節點接收來自輸入層節點的加權輸入，經過激活函數處理后得到輸出。

（2）誤差計算：計算輸出層的實際輸出與理想輸出之間的誤差。

（3）反向傳播：網絡根據誤差信號通過反向傳播調整權重和閾值。對于輸出層，權重的調整量與誤差和前一層的輸出有關；對于隱含層，權重的調整量還與誤差的導數有關。

（4）迭代更新：重復正向傳播、誤差計算和反向傳播的過程，直到網絡的輸出誤差達到預設的容忍范圍或達到預設的迭代次數。

BP 神經網絡的最終計算方式如公式（5）所示。

式中，E為誤差函數；P為樣本數；dp為樣本p的期望輸出；yp為樣本p的實際輸出；η為學習率，且0＜η＜1；為誤差函數對權重的偏導數。通過迭代更新權重和閾值，網絡的性能逐漸提高，最終接近理想的結果。

將大型醫療監護設備電池的健康因子數據及估計的大型醫療監護設備電池容量作為BP 神經網絡模型的輸入，檢測大型醫療監護設備電池的健康狀態。

1.3.2 PSO-BP算法

由于BP 神經網絡的收斂速度較慢，因此將BP 神經網絡通過PSO 算法進行優化[17]，該方法被稱為PSOBP 算法。在PSO 算法中，將粒子的坐標向量表示為ei=(ei1,ei2,… ,ein)；變化快慢向量為vi=(vi1,vi2,… ,vin)；粒子的尋優解向量為li=(li1,li2,… ,lin)；全部粒子的尋優向量為lq=(lq1,lq2, …,lqn)，PSO-BP 算法中粒子的速度更新和位置更新的計算方式如公式（6）～（7）所示。

式中，w為權重；u為空間維度，且u=1,2,…,n；h為更新次數，且h=1,2,…,s，其中，s為PSO 算法中種群的樣本數量；k1和k2為常數；p1和p2在[0,1]之間隨機選擇。一般情況下，viu∈[-vmax,vmax]，eiu∈[-emax,emax]。

1.3.3 基于PSO-BP檢測大型醫療監護設備電池健康狀態

根據PSO-BP 神經網絡模型對BP 神經網絡模型進行優化后，將獲取到的最優值輸入到BP神經網絡模型中[18-20]，得出大型醫療監護設備電池的健康狀態檢測結果。

建立電池健康狀態檢測的訓練集和測試集分別為{XSOH,CSOH}和，其中，前k周期的健康因子數據和估計的電池容量CSOH構成了大型醫療監護設備電池健康狀態檢測的訓練集XSOH；在k周期之后的健康因子和估計出的電池容量測試集構成了大型醫療監護設備電池健康狀態檢測測試集。將電池健康狀態檢測的訓練集輸入到PSO-BP 神經網絡中，再將輸入到PSO-BP 神經網絡中進行檢測，得到的全部檢測值形成檢測集，從而完成大型醫療監護設備電池的健康狀態檢測。

2 實驗分析

為驗證本方法對大型醫療監護設備電池健康狀態檢測的有效性，以心電監護儀為實驗對象，根據該醫療監護設備電池的歷史數據集，選取電池的前65 周期和前79 周期作為訓練數據進行訓練。通過選取較長時間范圍內的數據來覆蓋不同工況、使用環境和電池狀態的變化，以增加訓練數據的多樣性，并以第66 周期和第80 周期為起點作為測試數據檢測電池的健康狀態，檢測結果如圖4 所示。

圖4 大型醫療監護設備電池的健康狀態檢測結果

由圖4a 和圖4b 可知，當大型醫療監護設備電池放電的循環周期不斷增加時，電池的健康狀態明顯退化；在大型醫療監護設備電池放電循環周期起點分別為第66周期和第80 周期時，本方法檢測出的大型醫療監護設備電池康健狀態曲線與實際健康狀態曲線均較接近，驗證了本方法檢測大型醫療監護設備電池健康狀態的有效性。

同時，比較大型醫療監護設備電池放電循環周期起點為第66 周期和第80 周期時的電池健康狀態曲線與實際健康曲線，可以看出，在電池放電循環周期起點為第80 周期時檢測出的電池健康狀態曲線比起點為第66 周期時檢測出的電池健康狀態曲線更接近實際曲線，說明通過本方法進行訓練的數據越多，起點周期越晚，檢測大型醫療監護設備電池健康狀態的效果越好。

為了進一步驗證大型醫療監護設備電池健康狀態檢測的應用性能，將平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）、 平均絕對誤差（Mean Absolute Error，MAE） 和均方根誤差（Root Mean Square Error，RMSE）作為本研究方法的評價指標，并將基于IALO-SVR 的鋰電池健康狀態預測方法[7]和基于充電過程中電池健康狀態的評估方法[8]作為本文的對比方法，以驗證不同方法檢測大型醫療監護設備電池健康狀態的能力，驗證結果如表1 所示。

表1 不同方法檢測大型醫療監護設備電池健康狀態結果

如表2 所示，當大型醫療監護設備電池放電循環周期起點為第66 周期和第80 周期時，3 種方法的評價指標都隨著周期的增加而減小。但通過基于充電過程中電池健康狀態的評估方法[8]方法對大型醫療監護設備電池的健康狀態進行檢測時，3 個指標的誤差均最大，當大型醫療監護設備電池放電循環周期起點為第66 周期時，RMSE 指標已達到2.94%，說明基于充電過程中電池健康狀態的評估方法[8]方法的檢測效果并不理想；基于IALO-SVR 的鋰電池健康狀態預測方法[7]方法雖然比基于充電過程中電池健康狀態的評估方法[8]方法對大型醫療監護設備電池健康狀態的檢測效果相對較好，但相較于本文方法，采用基于IALOSVR 的鋰電池健康狀態預測方法[7]方法檢測電池健康狀態的3 個指標仍偏高，檢測效果較差；而本文方法在對大型醫療監護設備電池的健康狀態進行檢測時，MAPE、MAE 和RMSE 均是3 種方法中的最低值，當電池放電循環周期起點為第80 周期時，MAE 值為0.31%，誤差最小，說明本文方法可對大型醫療監護設備電池的健康狀態進行較為準確的檢測。

表2 健康因子對檢測電池健康狀態的相關性

為驗證3 種健康因子對于大型醫療監護設備電池的容量估計具有相關性，將相關系數作為評價標準，得出由健康因子估計出的設備電池容量，結果見表2 和圖5。

圖5 健康因子估計的電池容量與實際容量對比

由表2 可以看出，3 種健康因子與估計大型醫療監護設備電池的容量之間具有較高的相關性，相關系數均在0.95 以上。其中，等間隔放電時間序列的相關系數最高，為0.99，說明等間隔放電時間序列可直接影響大型醫療監護設備電池的健康狀態。

由圖5 可以看出，大型醫療監護設備電池的真實容量與通過3種健康因子數據估計出的電池容量幾乎相似，說明依據大型醫療監護設備電池的3 種健康因子數據，可準確估計電池的容量，從而檢測大型醫療監護設備電池的健康狀態。

3 討論

本研究通過等壓降放電時間、電池內阻和等間隔放電時間序列3 種健康因子來評估大型醫療監護設備電池的健康狀態，綜合考慮設備電池在充放電過程中的電壓變化情況，以更全面地反映電池容量和健康程度。研究應用NARX 神經網絡進行非線性回歸建模，通過訓練該模型，估計大型醫療監護設備電池的容量。同時，引入PSO 算法作為改進的BP 算法，提高了神經網絡模型的訓練精度和收斂速度，使電池容量估計更加準確和可靠。通過對比基于IALO-SVR 的鋰電池健康狀態預測方法和基于充電過程中電池的健康狀態評估方法，證明該方法的檢測誤差較小，可有效地用于電池容量的估計。

盡管該研究具有創新性和實驗結果的有效性，但仍然存在一些不足之處。本研究使用IALO 算法改進了基于BP 神經網絡的訓練過程，以提高神經網絡模型的性能。然而，BP 算法在處理深層網絡時容易陷入局部最優解的問題中，從而影響模型的收斂速度和泛化能力。未來可進一步探索更先進的優化算法，以改進算法的性能。

4 結論

針對大型醫療監護設備電池的健康狀態問題，本文提出一種大型醫療監護設備電池健康狀態檢測算法，將與電池容量退化相關的3 種健康因子輸入到NARX神經網絡中進行電池容量的估計，同時結合PSO-BP神經網絡模型輸出電池的健康狀態檢測結果，并通過實驗證明了本文方法可用于對大型醫療監護設備電池健康狀態的檢測。本文利用3 種評價指標將本文方法對電池健康狀態的檢測結果與不同方法進行對比，得出本文方法的檢測誤差最小，從而驗證了本文方法依據電池內阻、等壓降放電時間和等間隔放電時間序列3種健康因子數據對于估計大型醫療監護設備電池容量的準確性和有效性。