神經(jīng)網(wǎng)絡在腎透機系統(tǒng)故障診斷中的應用研究*

徐江濤

(西安工業(yè)大學計算機學院　西安　710032)

?

神經(jīng)網(wǎng)絡在腎透機系統(tǒng)故障診斷中的應用研究*

徐江濤

(西安工業(yè)大學計算機學院西安710032)

摘要對于慢性腎衰竭患者，腹膜透析治療是常用的治療手段。長期治療時，由于部分患者殘余腎功能喪失及透析不充分，導致較高的發(fā)病率和死亡率。在我國腹膜透析設備及相關耗材成本高昂，對患者透析是否充分的評估，主要基于臨床醫(yī)生的主觀判斷，患者由于透析不充分而退出腹膜透析治療的情況時有發(fā)生，從而影響患者的治療，造成資源的浪費。腹膜透析充分性的評估是一項涉及多學科的系統(tǒng)工程，僅靠醫(yī)生主觀評估難以滿足臨床要求的高效性、客觀性及可靠性。用智能技術有效降低評估的主觀性及提高評估效率具有重要意義。

關鍵詞腹膜透析; 評估; 模糊層次分析法; 模糊熵; ART2神經(jīng)網(wǎng)絡

Application of Neural Network in the Kidney Through Machine System Fault Diagnosis Research

XU Jiangtao

(Department of Computer, Xi’an Technological University, Xi’an710032)

AbstractFor patients with chronic renal failure, peritoneal dialysis is a common treatment method. In the long term, the loss of residual renal function in some patients and dialysis is not sufficient, leading to higher morbidity and mortality. The high cost of our peritoneal dialysis equipment and related supplies, assessment of the adequacy of dialysis patients, mainly based on subjective judgment of the clinicians, patients due to inadequate dialysis and exit of peritoneal dialysis treatment have occurred, thus affecting the patient treatment, resulting in the waste of resources. The evaluation of the adequacy of peritoneal dialysis is a systematic project involving many subjects. It is difficult to meet the needs of the clinical requirements. It is very important to reduce the subjectivity of the evaluation and improve the evaluation efficiency.

Key Wordsperitoneal dialysis, assessment, fuzzy analytic hierarchy process, fuzzy entropy, ART2 neural network

Class NumberTP183

1引言

血液透析，也稱之為人工腎、洗腎，是血液凈化技術的一種。其利用半透膜原理，通過擴散、對人體內(nèi)各種有害以及多余的代謝廢物和過多的電解質(zhì)移出體外，達到凈化血液的目的以及糾正水電解質(zhì)及酸堿平衡的目的?，F(xiàn)有的透析機直接抽取血液透析器，血流量(BFR)約為200毫升/分鐘。在醫(yī)學上，血液透析是一種用來實現(xiàn)廢物產(chǎn)品如血肌酐，尿素與自由水的體外去除在腎臟中的腎功能衰竭狀態(tài)方法。由于透析是一項長期治療過程，患者對透析效果和治療的安全可靠性都有著非常高的要求。由于醫(yī)療設備運行很難長期穩(wěn)定運行在一種工況下，所以透析過程中漏血、凝血、失血、血流欠佳、透析液不適合、設備意外故障及外界環(huán)境變化等多種問題經(jīng)常發(fā)生，如果處理不及時則會直接危害到患者的人身安全。研究緩沖式血液透析技術及其過程監(jiān)控技術，是實現(xiàn)提高透析效果及質(zhì)量、增加透析安全性的重要基礎，對于當前的血液透析診療有著十分重要和迫切的需求。

2主要研究內(nèi)容

1) 人工神經(jīng)元模型

常用的人工神經(jīng)元模型主要是基于模擬生物神經(jīng)元信息的傳遞特性，即輸入、輸出關系。若將生物神經(jīng)元輸入、輸出脈沖的密度用模擬電壓來表示，則可用如圖1所示的模型模擬生物神經(jīng)元信息BP網(wǎng)絡(Back-Propagation)，即著名的BP算法[1]。

圖1　BP神經(jīng)元模型圖

圖中xi(i=1，2,…，n)為加于輸入端(突觸)上的輸入信號；ωi為相應的突觸連接權系數(shù)，它是模擬突觸傳遞強度的一個比例系數(shù)；Σ表示突觸后信號的空間累加；θ表示神經(jīng)元的閾值；σ表示神經(jīng)元的響應函數(shù)。該模型的數(shù)學表達式為BP神經(jīng)元模型的處理輸出：

(1)

2) BP網(wǎng)絡模型

在人工神經(jīng)網(wǎng)絡中，多層前向網(wǎng)絡也稱之為BP網(wǎng)絡(Back-Propagation)，即著名的BP算法[2]。

BP網(wǎng)絡是經(jīng)典的前向網(wǎng)絡，主要由輸入層、隱含層(可有若干層)和輸出層組成，其結(jié)構如圖2所示。一個具有任意的壓縮型激活函數(shù)(如sig-moid函數(shù))的單隱含層前向網(wǎng)絡，只要有充分多的隱含層單元，就能夠以任意的精度逼近任意一個有限維的布雷爾可測函數(shù)(Bore measurable function)，從而表明BP網(wǎng)絡的泛函逼近能力。逼近故障的分類邊界，從而可完成特征空間到故障空間的非線性映射。

圖2為BP神經(jīng)網(wǎng)絡三層結(jié)構圖：

圖2　BP神經(jīng)網(wǎng)絡三層結(jié)構圖

3腎透析機故障診斷神經(jīng)網(wǎng)絡模型的實現(xiàn)

1) 腎透析機故障診斷神經(jīng)網(wǎng)絡模型的建立

通過對腎透析機的故障征兆和故障原因的分析可以看出，腎透析機故障模式多種多樣。在選擇神經(jīng)網(wǎng)絡模型時采用的是前向多層神經(jīng)網(wǎng)絡模型，即BP模型。理論上現(xiàn)已證實，在網(wǎng)絡隱含層結(jié)點根據(jù)需要設定的前提下，三層前向神經(jīng)網(wǎng)絡具有任意逼近任意連續(xù)函數(shù)的功能，因此，采用三層網(wǎng)絡的拓撲結(jié)構形式，由輸入層、隱含層和輸出層組成?？紤]到若輸入層神經(jīng)元數(shù)目太大，會影響到整個網(wǎng)絡的學習速度和訓練質(zhì)量，應用模塊分解技術，將腎透析機的各種故障類型分為若干個學習模塊，每個學習模塊對應一種故障類型，并將每個學習模塊(每種故障類型)作為一個學習樣本網(wǎng)絡訓練。因而，可以采用多個神經(jīng)網(wǎng)絡學習訓練模塊構成一個神經(jīng)網(wǎng)絡系統(tǒng)來實現(xiàn)對腎透析機的故障診斷[3,7,9]。腎透析機神經(jīng)網(wǎng)絡故障診斷系統(tǒng)結(jié)構圖如圖3。

圖3　神經(jīng)網(wǎng)絡專家系統(tǒng)結(jié)構圖

2) 腎透析機故障診斷系統(tǒng)神經(jīng)網(wǎng)絡設計與訓練

因為腎透析機故障診斷系統(tǒng)的神經(jīng)網(wǎng)絡學習訓練模塊較多，在此僅選擇其中的一種故障類型進行設計與訓練，其余模塊采用同樣的方法即可達到目的[4]。

在實際的神經(jīng)網(wǎng)絡訓練中，原始的BP算法很難勝任，在這里采用自適應學習算法，選取期望誤差的最小值為1×10-6，學習速率為0.1，隱含層神經(jīng)元個數(shù)為18，訓練后發(fā)現(xiàn)只需416個周期就可以收斂，大大縮短了訓練時間，且精度很高。

將訓練后的網(wǎng)絡凍結(jié)，以測試編碼為輸入，使網(wǎng)絡處于回想狀態(tài)，得到故障診斷結(jié)果。結(jié)果表明，訓練后的神經(jīng)網(wǎng)絡能很好地對腎透析機已知故障模式進行識別。因而利用神經(jīng)網(wǎng)絡技術可以實現(xiàn)對腎透析機的故障診斷。

通過學習，了解到神經(jīng)網(wǎng)絡的知識也存在一些不足，在某種意義上神經(jīng)網(wǎng)絡僅是一個數(shù)值計算的“黑箱”，人們不知道網(wǎng)絡究竟學習了什么，也不知道以怎樣的傳輸途徑來達到一個輸出結(jié)果，因而也就對結(jié)果的解釋發(fā)生了困難。從這個角度來說，神經(jīng)網(wǎng)絡與傳統(tǒng)的專家系統(tǒng)用于故障診斷各有所長，應當互為補充而不是簡單取代。因此，對基于神經(jīng)網(wǎng)絡的專家系統(tǒng)(集成式專家系統(tǒng))的腎透析機故障診斷技術有待于進一步研究，以期將神經(jīng)網(wǎng)絡故障診斷技術與專家系統(tǒng)相結(jié)合，并與腎透析機的自動檢測設備相配合，實現(xiàn)對腎透析機故障診斷的快速檢測與定位[6]。

4系統(tǒng)仿真與實現(xiàn)

本實驗的系統(tǒng)仿真主要在Matlab中實現(xiàn)；A泵的振動速度是一個常量值20，B泵的振動速度在10與40這兩個值之間來回變動；而液位的高度在60~100之間不斷變化，60為液位下限100為液位上限。在透析單位進行的實驗結(jié)果圖中顯示的是A、B兩個水泵震動速率以及上下液位高度隨時間變化的波形曲線圖。A泵控制系統(tǒng)進水速率被設定為一恒定值20，相當于BP神經(jīng)網(wǎng)絡的一個閾值；B泵控制系統(tǒng)出水速率；當通過PLC編程降低B泵的轉(zhuǎn)速到小于A泵的轉(zhuǎn)速閾值出水速率值小于進水速率閾值時，透析壺內(nèi)液位將達到上限值。這時血液中的雜質(zhì)容易沉淀到液位下限處從而不純凈的血液從b口進入透析器進行雜質(zhì)過濾；這時通過PLC編程調(diào)高B泵的轉(zhuǎn)速到大于A泵的轉(zhuǎn)速閾值使得系統(tǒng)出水速率大于進水速率，透析壺內(nèi)液位將達到下限值。這時透析壺內(nèi)干凈的血液因為沒有雜質(zhì)濃度低密度小集中在液位的上部通過d管返回人體[5]。為了驗證所設計的神經(jīng)網(wǎng)絡專家系統(tǒng)的血液透析系統(tǒng)，進行了計算機模擬。圖4顯示了在透析單位進行的實驗結(jié)果。

圖4　在透析單位進行的實驗結(jié)果

這表明改變B泵轉(zhuǎn)速比液面是會變化的。當液位低，B泵將減速；當液位高，B泵將加速[8,10]。在上述分析的基礎上，實驗驗證了所設計的神經(jīng)網(wǎng)絡專家系統(tǒng)控制血液透析系統(tǒng)，和性能在實際的透析會話描述圖顯示。圖5顯示了在透析單元在Matlab中進行建模的結(jié)果返回到試驗設備液晶屏上的結(jié)果。

圖5　Matlab模擬結(jié)果

5系統(tǒng)仿真數(shù)據(jù)

rr=18將其整理為表格形式如下(表2)：

表2　網(wǎng)絡在不同訓練次數(shù)下得分類結(jié)果

如表所示，當訓練步數(shù)為10時，故障原因1、3為一類，2、4、6為一類，5、7、8單獨為一類。

此時，網(wǎng)絡已經(jīng)對樣本進行了初步的分類，這種分類有可能是不夠精確的。當訓練步數(shù)為100時，每個樣本都被分為一類，這種分類結(jié)果已經(jīng)細化了。這事在增加訓練步數(shù)就是沒有意義的了。

再次測試位置樣本T時，rr為18，即將該位置故障樣本分到了第一類故障中。Matlab實現(xiàn)結(jié)果如圖6所示。

SOM神經(jīng)網(wǎng)絡訓練血液透析機故障樣本過程如圖7所示。

圖6　基于SOM神經(jīng)網(wǎng)絡的血液透析機故障診斷實驗結(jié)果

圖7　SOM神經(jīng)網(wǎng)絡訓練血液透析機故障樣本

6結(jié)語

1) 建立了系統(tǒng)的腹膜透析充分性指標體系,并對患者對于各指標的臨床表現(xiàn),制定了詳細的模糊量化標準；

2) 從多屬性群決策的角度,基于fAHP和群決策的充分性評估方法，在評估過程中將指標分層,分別計算各層指標的指標權重,并集結(jié)多個專家的意見,得出最后的評估結(jié)果。和現(xiàn)有的評估方法相比,該方法有效地避免了主觀因素對評估結(jié)果的干擾,并在評估結(jié)論的穩(wěn)定性上具有重要優(yōu)勢。

參 考 文 獻

[1] 田景文,梅胡安高.人工神經(jīng)網(wǎng)絡算法及其應用[M].北京：科學技術出版社,2006:87-91.

TIAN Jingwen, MEIHU Angao. Artificial neural network algorithm and its application[M]. Beijing: Science and Technology Press,2006:87-91.

[2] 王穎,常米.在故障診斷專家系統(tǒng)融合神經(jīng)網(wǎng)絡知識[C]//智能人機系統(tǒng)與控制論研究,2011:196-200.

WANG Ying, CHANG Mi. Knowledge of neural network in fault diagnosis expert system[C]//Research on intelligent man-machine system and control theory,2011:196-200.

[3] Rose C. Application of dynamic Bayesian network in the decision support system for hemodialysis[C]//Monitoring and treatment of patients with artificial intelligence tools,2005:581-598.

[4] 賈韋德.血液透析期間血流動力學參數(shù)自動調(diào)節(jié)的識別和控制[J].生物醫(yī)學工程,2011,58(6):1686-1697.

JIA Weide. Identification and control of the automatic regulation of the hemodynamic parameters during hemodialysis[J]. 2011,58(6):1686-1697.

[5] 資興,德金道.先進的專家系統(tǒng)原理設計和應用[J].北京科學出版社,2005:78-79.

ZI Xing, DE Jindao. Principle design and application of advanced expert system[J]. Beijing Science Press,2005:78-79.

[6] 張美國.專家系統(tǒng)研究現(xiàn)狀及展望[J].計算機應用研究,2007,24(12):1-5.

ZHANG Meiguo. Present situation and Prospect of expert system[J]. Computer Application Research,2007,24(12).1-5.

[7] Fueda Y, Hattori T, Minato K, et al. Assessment of a change of blood volume during hemodialysis[C]//Complex Medical Engineering(CME),2012:581-583.

[8] Wang Y, Chang M, Chen H, et al. Research on Fault Diagnosis Expert System Fusing the Neural Network Knowledge[C]//Intelligent Human-Machine Systems and Cybernetics(IHMSC),2011:196-200.

[9] Rose C, Smaili C, Charpillet F. A dynamic Bayesian network for handling uncertainty in a decision support system adapted to the monitoring of patients treated by hemodialysis[C]//Tools with Artificial Intelligence,2005:101-109.

[10] Javed F, Savkin A V, Chan G S H, et al. Identification and control for automated regulation of hemodynamic variables during hemodialysis[J]. Biomedical Engineering,2011,58(6):1686-1697.

中圖分類號TP183

DOI:10.3969/j.issn.1672-9722.2016.02.022

作者簡介:徐江濤，男，碩士，講師，研究方向：計算機及應用。

*收稿日期:2015年8月11日,修回日期:2015年9月26日