基于模式識別技術(shù)的醫(yī)療電子設(shè)備故障智能辨識

于大海 姜丹 李楠

摘? 要： 針對當(dāng)前醫(yī)療電子設(shè)備故障智能辨識方法存在精度低、效率低等局限性，設(shè)計基于模式識別技術(shù)的醫(yī)療電子設(shè)備故障智能辨識方法。首先，對國內(nèi)外醫(yī)療電子設(shè)備故障智能辨識的研究現(xiàn)狀進行分析，找到引起醫(yī)療電子設(shè)備故障智能辨識局限的原因;然后，提取醫(yī)療電子設(shè)備故障智能辨識特征，并采用模式識別技術(shù)建立醫(yī)療電子設(shè)備故障智能辨識模型;最后，采用具體實例對醫(yī)療電子設(shè)備故障智能辨識結(jié)果進行分析。基于模式識別技術(shù)的醫(yī)療電子設(shè)備故障智能辨識正確率高，醫(yī)療電子設(shè)備故障智能誤識率極低，而且醫(yī)療電子設(shè)備故障智能辨識效率優(yōu)于傳統(tǒng)辨識方法，對比結(jié)果驗證了基于模式識別技術(shù)的醫(yī)療電子設(shè)備故障智能辨識的優(yōu)越性。

關(guān)鍵詞： 模式識別技術(shù); 醫(yī)療電子設(shè)備; 故障智能辨識; 故障分類器; 信號采集; 辨識效率

中圖分類號： TN99?34; TP391? ? ? ? ? ? ? ? ? ? ?文獻標(biāo)識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）03?0146?04

Intelligent fault identification of medical electronic equipment

based on pattern recognition technology

YU Dahai1， JIANG Dan2， LI Nan3

（1. School of Electrical Information， Changchun Guanghua University， Changchun 130033， China;

2. The Second Hospital of Jilin University， Changchun 130000， China;

3. Army Armored Military Academy Sergeant School， Changchun， 130000， China）

Abstract： An intelligent fault identification method for medical electronic equipment based on pattern recognition technology is designed to deal with the limitations of low accuracy and inefficiency of current intelligent fault identification of medical electronic equipment. Firstly， the research status of intelligent fault identification of medical electronic equipment at home and abroad is analyzed to find the reasons causing the limitation of intelligent fault identification of medical electronic equipment. Then， the intelligent fault identification features of medical electronic equipment are extracted， and the intelligent fault identification model of medical electronic equipment is created by pattern recognition technology. Finally， the results of intelligent fault identification of medical electronic equipment is analyzed with specific examples. The results are that the accuracy of intelligent fault identification of medical electronic equipment based on pattern recognition technology is high; the false recognition rate of intelligent fault identification of medical electronic equipment is extremely low， and the efficiency of intelligent fault identification of medical electronic equipment is higher than that of traditional methods. The comparison results have verified the superiority of intelligent fault identification of medical electronic equipment based on pattern recognition technology.

Keywords： pattern recognition technology; medical electronic equipment; intelligent fault identification; fault classifier; signal acquisition; identification efficiency

0? 引? 言

近年來，隨著電子技術(shù)和集成電路的不斷發(fā)展和成熟，其與許多領(lǐng)域中的技術(shù)進行了有效融合，其中，醫(yī)療電子設(shè)備是一種重要融合成果。醫(yī)療電子設(shè)備在實際應(yīng)用過程中，由于設(shè)備的老化、工作環(huán)境影響以及其他原因干擾，難免會出現(xiàn)一定的故障，當(dāng)醫(yī)療電子設(shè)備出現(xiàn)小的故障時，不能正常工作，影響醫(yī)院的業(yè)務(wù)，嚴(yán)重時，直接導(dǎo)致醫(yī)療電子設(shè)備報廢[1?3]。醫(yī)療電子設(shè)備故障辨識可以幫助設(shè)備管理人員了解醫(yī)療電子設(shè)備變化特點，可以給醫(yī)療設(shè)備提前進行維護，延長醫(yī)療電子設(shè)備使用壽命，并且有利于醫(yī)療電子設(shè)備故障的定位和排除，因此醫(yī)療電子設(shè)備故障辨識成為當(dāng)前研究的重點[4?5]。

長期以來，一些專家對醫(yī)療電子設(shè)備故障辨識問題進行了研究，醫(yī)療電子設(shè)備故障辨識研究可以分為兩個階段：傳統(tǒng)階段和現(xiàn)代階段[6]。傳統(tǒng)階段包括人工方式和專家系統(tǒng)，人工方式的醫(yī)療電子設(shè)備故障辨識耗時長，辨識結(jié)果出現(xiàn)錯誤概率大[7];專家系統(tǒng)方式的醫(yī)療電子設(shè)備故障辨識結(jié)果有一定的盲目性，醫(yī)療電子設(shè)備故障辨識結(jié)果可信度比較低[8]?，F(xiàn)代階段主要為醫(yī)療電子設(shè)備故障智能辨識技術(shù)，引入了神經(jīng)網(wǎng)絡(luò)、聚類分析、遺傳算法等構(gòu)建醫(yī)療電子設(shè)備故障辨識模型，獲得了比傳統(tǒng)醫(yī)療電子設(shè)備故障辨識方法更好的效果[9?11]。在實際應(yīng)用中，醫(yī)療電子設(shè)備故障種類多，產(chǎn)生故障原因多，使得醫(yī)療電子設(shè)備故障辨識是一個復(fù)雜的過程，聚類分析、遺傳算法的醫(yī)療電子設(shè)備故障辨識精度低，而神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時間長，醫(yī)療電子設(shè)備故障辨識效率低[9，12]。

為了解決當(dāng)前醫(yī)療電子設(shè)備故障智能辨識精度低、效率低等難題，設(shè)計了基于模式識別技術(shù)的醫(yī)療電子設(shè)備故障智能辨識方法，并與其他醫(yī)療電子設(shè)備故障智能辨識方法進行對比測試，結(jié)果表明，基于模式識別技術(shù)的醫(yī)療電子設(shè)備故障智能辨識正確率高，辨識效率優(yōu)于傳統(tǒng)辨識方法，驗證了本文方法的優(yōu)越性。

1? 醫(yī)療電子設(shè)備故障智能辨識方法設(shè)計

1.1? 模式識別的醫(yī)療電子設(shè)備故障智能辨識思想

基于模式識別的醫(yī)療電子設(shè)備故障智能辨識思想為：采集電子設(shè)備故障的表征信號，并對信號的噪聲進行消除操作;提取醫(yī)療電子設(shè)備故障智能辨識特征，組成醫(yī)療電子設(shè)備故障智能辨識輸入;將醫(yī)療電子設(shè)備故障類型作為輸出，采用模式識別技術(shù)建立醫(yī)療電子設(shè)備故障辨識模型。

1.2? 醫(yī)療電子設(shè)備狀態(tài)信號采集以及處理

首先采用傳感器對醫(yī)療電子設(shè)備狀態(tài)信號進行采集，收集到描述醫(yī)療電子設(shè)備工作狀態(tài)的原始信號，由于采集過程中可能存在一定的干擾，同時將一些無用信號當(dāng)作有用信號進行收集，即包含了一定的噪聲。本文引入曲波變換對醫(yī)療電子設(shè)備工作狀態(tài)的原始信號進行去除噪聲操作，得到干凈、質(zhì)量高的醫(yī)療電子設(shè)備工作狀態(tài)信號，為后續(xù)的醫(yī)療電子設(shè)備工作狀態(tài)特征提取打下良好的基礎(chǔ)。

1.3? 醫(yī)療電子設(shè)備狀態(tài)信號的特征提取

醫(yī)療電子設(shè)備工作狀態(tài)發(fā)生變化時，信號的能量值會發(fā)生相應(yīng)改變，因此可以采用能量值表述醫(yī)療電子設(shè)備工作狀態(tài)的類型。設(shè)醫(yī)療電子設(shè)備工作狀態(tài)信號被進行多層分解后，第[i]層的分解子信號為[Sij]（[j=]0，1，2，…，[2i-1]），醫(yī)療設(shè)備工作狀態(tài)信號在[j]個尺度上的能量信號為[E1，E2，…，Ej]，那么該尺度內(nèi)醫(yī)療電子設(shè)備工作狀態(tài)信號的總功率[E]等于各點功率[Ek]（[k=1，2，…，j]）之和。設(shè)[εij（k）]=[EkE]，第[i]層第[j]個尺度上信號的能量熵計算如下：

式中[N]為醫(yī)療電子設(shè)備工作狀態(tài)信號的長度。

設(shè)對醫(yī)療電子設(shè)備工作狀態(tài)信號進行3層分解，共有8個子信號，那么有8個能量熵，用它們構(gòu)造醫(yī)療電子設(shè)備工作狀態(tài)信號的一個特征向量，具體為：

由于醫(yī)療電子設(shè)備工作狀態(tài)信號的原始能量熵相差較大，影響醫(yī)療電子設(shè)備故障智能辨識結(jié)果，為此對其進行如下處理：

醫(yī)療電子設(shè)備狀態(tài)信號特征歸一化后為：

1.4? 醫(yī)療電子設(shè)備故障智能辨識的分類器

1.4.1? 模式識別技術(shù)

當(dāng)前模式識別技術(shù)很多，如支持向量機、深度學(xué)習(xí)算法等。其中，深度學(xué)習(xí)算法的實際應(yīng)用范圍更廣、性能更優(yōu)，因此本文選擇深度學(xué)習(xí)算法設(shè)計醫(yī)療電子設(shè)備故障智能辨識分類器。深度學(xué)習(xí)算法由輸入層、輸出層、隱藏層組成，[wi（i=1，2，…，k）]為隱藏層的權(quán)值，其中，[k]表示隱藏層的節(jié)點數(shù)，[wo]為輸出層的權(quán)值。輸入層是醫(yī)療電子設(shè)備狀態(tài)信號特征向量;輸出層是醫(yī)療電子設(shè)備狀態(tài)的類型。深度學(xué)習(xí)算法的工作思路為：利用醫(yī)療電子設(shè)備故障辨識樣本對深度學(xué)習(xí)算法的輸入層、隱藏層進行訓(xùn)練，然后對深度學(xué)習(xí)算法的輸出層進行訓(xùn)練，最后引入反向傳播算法對深度學(xué)習(xí)算法的參數(shù)進行調(diào)整。

1.4.2? 醫(yī)療電子設(shè)備故障智能辨識分類器構(gòu)建過程

1） 訓(xùn)練是一種非監(jiān)督學(xué)習(xí)過程，主要確定深度學(xué)習(xí)算法的相關(guān)參數(shù)，采用逐層貪婪優(yōu)化訓(xùn)練機制對輸入層和隱藏層進行訓(xùn)練，采用能量和概率分布函數(shù)進行表示，計算公式具體為：

式中：[vi]，[hi]為輸入層和隱藏層節(jié)點的狀態(tài);[ai]，[bi]為偏置向量。

[Z]為歸一化系數(shù)，具體為：

根據(jù)貝葉斯公式計算出邊緣和條件概率，即有：

深度學(xué)習(xí)算法訓(xùn)練就是為了有效擬合醫(yī)療電子設(shè)備故障智能辨識的輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的關(guān)系，根據(jù)極大似然學(xué)習(xí)法則，要對全部醫(yī)療電子設(shè)備故障智能辨識輸入數(shù)據(jù)進行極大化[P（v，θ）]操作，采用快速近似算法計算梯度。首先根據(jù)醫(yī)療電子設(shè)備故障智能辨識訓(xùn)練樣本對輸入層進行初始化，根據(jù)醫(yī)療電子設(shè)備故障智能辨識輸入數(shù)據(jù)和[P（hv）]計算[h]，然后根據(jù)[h]和[P（vh）]計算[v]，[v]是對輸入數(shù)據(jù)個重構(gòu)，相關(guān)參數(shù)更新方式具體為：

式中：[ε]為學(xué)習(xí)率;[<*>data]和[<*>rcon]分別表示醫(yī)療電子設(shè)備故障智能辨識的原始數(shù)據(jù)和重構(gòu)之后的期望。

通過一段時間的訓(xùn)練后，深度學(xué)習(xí)算法得到了一組參數(shù)值，以此為基礎(chǔ)，采用反向傳播算法調(diào)整相應(yīng)參數(shù)，調(diào)整過程中選擇的目標(biāo)函數(shù)為：

式中：[θ]表示要調(diào)整參數(shù);[y′i]表示輸出數(shù)據(jù)的醫(yī)療電子設(shè)備故障智能辨識結(jié)果。

通過以上訓(xùn)練過程可以建立醫(yī)療電子設(shè)備故障智能辨識的分類器。

2? 仿真測試

2.1? 樣本數(shù)據(jù)

為了分析基于模式識別技術(shù)的醫(yī)療電子設(shè)備故障智能辨識的性能，首先將醫(yī)療電子設(shè)備故障劃分為兩類：硬件故障和軟件故障。其中，硬件故障劃分為電路故障、機械故障;軟件故障又分為系統(tǒng)軟件故障和應(yīng)用軟件故障，它們的樣本分布如表1所示。

2.2? 結(jié)果與分析

采用選擇專家系統(tǒng)、BP神經(jīng)網(wǎng)絡(luò)的醫(yī)療電子設(shè)備故障辨識方法進行對比測試，測試樣本的醫(yī)療電子設(shè)備故障辨識結(jié)果如圖1所示。

對醫(yī)療電子設(shè)備故障辨識結(jié)果進行分析可知：

1） 專家系統(tǒng)的醫(yī)療電子設(shè)備故障辨識錯誤數(shù)量大，說明醫(yī)療電子設(shè)備故障辨識正確率低，這是因為其識別結(jié)果與專家知識庫的規(guī)則豐富度密切相關(guān)，使得醫(yī)療電子設(shè)備故障辨識結(jié)果具有主觀性，醫(yī)療電子設(shè)備故障辨識結(jié)果的可靠性差。

2） 相對于專家系統(tǒng)的醫(yī)療電子設(shè)備故障辨識方法，BP神經(jīng)網(wǎng)絡(luò)的醫(yī)療電子設(shè)備故障辨識效果有所改善，降低了醫(yī)療電子設(shè)備故障辨識錯誤的概率，建立更優(yōu)的醫(yī)療電子設(shè)備故障辨識分類器，但是醫(yī)療電子設(shè)備故障辨識正確率有待進一步提高，尤其是個別類型的醫(yī)療電子設(shè)備故障辨識效果差。

3） 相對于對比醫(yī)療電子設(shè)備故障辨識方法，模式識別技術(shù)的醫(yī)療電子設(shè)備故障辨識正確率最高，主要是因為通過引入深度學(xué)習(xí)算法對醫(yī)療電子設(shè)備故障辨識分類器進行構(gòu)建，可以更好地擬合特征與醫(yī)療電子設(shè)備工作狀態(tài)之間的變化關(guān)系，減少了醫(yī)療電子設(shè)備故障的錯誤識別率，醫(yī)療電子設(shè)備故障辨識更加可靠。

對所有方法的醫(yī)療電子設(shè)備故障辨識時間進行對比和分析，結(jié)果如表2所示。從表2可知，基于模式識別的醫(yī)療電子設(shè)備故障辨識時間得到了明顯的縮短，加快了醫(yī)療電子設(shè)備故障辨識速度。

3? 結(jié)? 語

針對當(dāng)前醫(yī)療電子設(shè)備故障智能辨識精度低、效率低等局限性，設(shè)計了基于模式識別技術(shù)的醫(yī)療電子設(shè)備故障智能辨識方法，并且通過仿真對比測試，驗證了本文醫(yī)療電子設(shè)備故障智能辨識方法的優(yōu)越性，同時為其他領(lǐng)域的故障診斷提供了一種研究思路。

參考文獻

[1] 肖平.醫(yī)療電子設(shè)備故障診斷技術(shù)的應(yīng)用探討[J].中國醫(yī)學(xué)裝備，2012，9（6）：55?57.

[2] 林玉漢.醫(yī)療電子設(shè)備的故障診斷技術(shù)與維護管理[J].心電圖雜志（電子版），2018，7（3）：199?200.

[3] 胡江春.醫(yī)療電子設(shè)備故障診斷技術(shù)及其應(yīng)用[J].醫(yī)療裝備，2018，31（6）：134?135.

[4] 李懷俊，謝小鵬.基于核特征模糊聚類及模糊關(guān)聯(lián)熵的齒輪故障模式識別[J].儀器儀表學(xué)報，2015，36（4）：848?855.

[5] 王保華，佟慶彬，胡海，等.基于RSGWPT?LCD的軸承信號故障特征提取及模式識別[J].振動·測試與診斷，2018，38（4）：719?726.

[6] 裴峻峰，孫建華，宋傳智，等.基于EEMD消噪和相關(guān)系數(shù)識別的滾動軸承故障診斷方法[J].機械傳動，2018，42（4）：150?155.

[7] 左紅艷，劉曉波，洪連環(huán).雙階自適應(yīng)小波聚類的航空發(fā)動機故障分類與識別[J].振動工程學(xué)報，2018，31（1）：165?175.

[8] 夏玉劍，李敏，陳果，等.基于振動分析法的變壓器故障分類和識別[J].電測與儀表，2017，54（17）：7?10.

[9] 公茂法，魏景禹，姜文，等.基于HHT和概率神經(jīng)網(wǎng)絡(luò)的變壓器局部放電故障識別[J].現(xiàn)代電子技術(shù)，2018，41（9）：152?156.

[10] 夏琳琳，文磊，劉惠敏，等.改進PSO?BPNN的電力變壓器故障診斷與模式識別[J].沈陽工業(yè)大學(xué)學(xué)報，2016，38（6）：606?611.

[11] 高偉，陳偉凡，楊耿杰，等.基于奇異值分解和多級支持向量機的配電網(wǎng)故障類型識別[J].電子測量與儀器學(xué)報，2018，32（2）：62?71.

[12] 陳曉芳，李麗芬，白彥霞，等.基于模式識別的精密光電檢測電路故障識別[J].激光雜志，2018，39（10）：53?56.

[13] 杜黨黨，賈曉亮，王卓.基于故障彩色圖譜的航空發(fā)動機故障模式識別[J].計算機集成制造系統(tǒng)，2018，24（9）：2297?2305.