支持向量機(jī)在監(jiān)護(hù)儀無創(chuàng)血壓質(zhì)量控制中的應(yīng)用研究

徐佳佳

泰興市人民醫(yī)院 醫(yī)械科，江蘇 泰興225400

支持向量機(jī)在監(jiān)護(hù)儀無創(chuàng)血壓質(zhì)量控制中的應(yīng)用研究

徐佳佳

泰興市人民醫(yī)院 醫(yī)械科，江蘇 泰興225400

目的 利用支持向量機(jī)建立監(jiān)護(hù)儀無創(chuàng)血壓質(zhì)控模型，用于對(duì)監(jiān)護(hù)儀進(jìn)行質(zhì)量評(píng)估。方法隨機(jī)抽取我院80臺(tái)邁瑞監(jiān)護(hù)儀，通過福祿克生命體征模擬儀測(cè)得80臺(tái)監(jiān)護(hù)儀在5組給定參數(shù)下的血壓值，即80×5的矩陣向量作為輸入，若5組測(cè)量值與給定值的最大誤差在±10 mmHg范圍內(nèi)，則認(rèn)為監(jiān)護(hù)儀合格，用“1”表示；反之，用“0”表示監(jiān)護(hù)儀不合格，即80×1的矩陣向量作為輸出。選擇60組數(shù)據(jù)作為訓(xùn)練集，利用支持向量機(jī)建立一個(gè)多輸入單輸出的分類模型；剩余的20個(gè)樣本作為測(cè)試集，通過分類準(zhǔn)確率來驗(yàn)證該方法是否具有可行性。結(jié)果 模型評(píng)估準(zhǔn)確率達(dá)到93.3%。結(jié)論 該方法具有可行性，即支持向量機(jī)可應(yīng)用于監(jiān)護(hù)儀無創(chuàng)血壓的質(zhì)量控制；該方法具有新穎、快捷方便的優(yōu)點(diǎn)。

監(jiān)護(hù)儀；無創(chuàng)血壓；支持向量機(jī)；生命體征模擬儀

引言

監(jiān)護(hù)儀是醫(yī)院各臨床科室必不可少的醫(yī)療設(shè)備，它的作用是為醫(yī)護(hù)人員提供危重病人生命體征參數(shù)，如病人的心率、血壓、體溫和血氧飽和度等，這些參數(shù)為臨床提供診斷依據(jù)。監(jiān)護(hù)儀在工作狀態(tài)中出現(xiàn)故障或者監(jiān)測(cè)數(shù)據(jù)不準(zhǔn)都會(huì)嚴(yán)重影響臨床工作，因此，監(jiān)護(hù)儀的定期檢測(cè)是至關(guān)重要的。我院主要通過檢驗(yàn)無創(chuàng)血壓、血氧飽和度及心電參數(shù)來判斷監(jiān)護(hù)儀是否合格，本文重點(diǎn)介紹基于支持向量機(jī)（Support Vector Machine，SVM）建立無創(chuàng)血壓質(zhì)控模型的一種新方法。

支持向量機(jī)是統(tǒng)計(jì)學(xué)習(xí)理論的一種學(xué)習(xí)方法[1-3]。它基于函數(shù)集VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，即根據(jù)有限的樣本信息在模型的復(fù)雜性（對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度）和學(xué)習(xí)能力（無錯(cuò)誤地識(shí)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(shù)下的無創(chuàng)血壓測(cè)量值

1 方法

1.1 研究數(shù)據(jù)的獲取

隨機(jī)挑選泰興市人民醫(yī)院監(jiān)護(hù)儀80臺(tái)，型號(hào)有：深圳邁瑞PM9000、IPM10、BeneView T5等監(jiān)護(hù)儀。利用福祿克FLUKE ProSim8生命體征模擬儀檢測(cè)監(jiān)護(hù)儀獲得研究數(shù)據(jù)[5]。具體步驟：

（1）選取手術(shù)間13床的監(jiān)護(hù)儀作示例，型號(hào)：PM9000監(jiān)護(hù)儀。

（2）將監(jiān)護(hù)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(shè)定模擬儀的心電脈搏為80次/min，血氧飽和度為98%，測(cè)出無創(chuàng)血壓在120/800（90）mmHg參數(shù)下的血壓值，見圖1。本文研究在5組給定的參數(shù)下測(cè)量出相應(yīng)的血壓值，要求測(cè)量值與給定值的最大允許誤差為±10 mmHg（1 mmHg=133.322 Pa），則認(rèn)定監(jiān)護(hù)儀合格（表1）。

圖1 模擬儀上顯示結(jié)果

1.2 基于支持向量機(jī)模型的建立

2 結(jié)果與討論

將X2進(jìn)行歸一化處理后得到的輸入至上述分類模型中，得到的預(yù)測(cè)值，通過相對(duì)誤差來驗(yàn)證該方法的可行性（a=1,…20），結(jié)果顯示最大誤差Pmax=93.3%，說明支持向量機(jī)在監(jiān)護(hù)儀無創(chuàng)血壓中進(jìn)行質(zhì)量控制是可行的。

本文研究的創(chuàng)新之處在于采用支持向量機(jī)分類算法建立監(jiān)護(hù)儀無創(chuàng)血壓質(zhì)控模型，通過生命體征模擬儀得到的模擬數(shù)據(jù)（血壓值作為輸入，輸出直接是合格“1”和不合格“0”），一部分?jǐn)?shù)據(jù)作為訓(xùn)練集用于模型的建立；另一部分?jǐn)?shù)據(jù)作為測(cè)試集，將血壓值輸入至模型直接進(jìn)行監(jiān)護(hù)儀分類，本文分類準(zhǔn)確率達(dá)到93.3%，說明此方法可行，且說明支持向量機(jī)算法支持小樣本建立模型，相比以往的統(tǒng)計(jì)學(xué)方法更有優(yōu)勢(shì)，譬如神經(jīng)網(wǎng)絡(luò)建立模型，需要建立在大量數(shù)據(jù)基礎(chǔ)上才可進(jìn)行下一步研究。

本文采用的檢測(cè)對(duì)象是針對(duì)同一品牌建立的分類模型，后續(xù)將探討多品牌建立的分類模型，若分類準(zhǔn)確率在誤差范圍內(nèi)，則可以通過該方法對(duì)全院監(jiān)護(hù)儀形成質(zhì)控系統(tǒng)，直接通過監(jiān)護(hù)儀測(cè)量的患者血壓值，判斷監(jiān)護(hù)儀測(cè)量的數(shù)值是否準(zhǔn)確，該方法方便快捷。監(jiān)護(hù)儀質(zhì)控系統(tǒng)建立后可以考慮注射泵等其他醫(yī)療設(shè)備的質(zhì)控系統(tǒng)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(qiáng),何春雄.應(yīng)用數(shù)理統(tǒng)計(jì)基礎(chǔ)[M].廣州:華南理工大學(xué)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(wèi)生裝備質(zhì)量控制與計(jì)量管理技術(shù)規(guī)范[M].南京:南京大學(xué)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(yè)出版社,2006.

[7] 戴捷,馮璐瓊.醫(yī)療設(shè)備質(zhì)量安全和維護(hù)管理[J].中國醫(yī)學(xué)裝備,2011,8(9):80-83.

[8] 張志清.多參數(shù)監(jiān)護(hù)儀檢測(cè)指標(biāo)的分析[J].中國醫(yī)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(cè)量血壓的對(duì)照研究[J].護(hù)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