基于數(shù)據(jù)挖掘技術(shù)的醫(yī)療設(shè)備故障監(jiān)測與識別方法的探討與研究

淮安市第二人民醫(yī)院 設(shè)備科，江蘇 淮安 223002

引言

隨著科學(xué)技術(shù)的發(fā)展，現(xiàn)代化機(jī)械設(shè)備不斷出現(xiàn)在人們的生活和工作中。近年來，醫(yī)療裝備新技術(shù)發(fā)展迅猛，大量智能化、高精度化、高速化的新型醫(yī)療裝備（如B超、CT、MRI等）涌入醫(yī)院，已成為二、三級醫(yī)院必備的產(chǎn)品[1-4]。醫(yī)療設(shè)備種類多、數(shù)量大，如何對龐雜的醫(yī)療設(shè)備進(jìn)行管理、維修已經(jīng)成為醫(yī)學(xué)技術(shù)人員研究的重點(diǎn)和難點(diǎn)[5-6]。一方面，醫(yī)療設(shè)備，特別是大型醫(yī)療設(shè)備，一般是由電子元件、電路、機(jī)械、水路以及光路組成，具有龐雜而繁瑣的結(jié)構(gòu)和功能，為醫(yī)療設(shè)備故障的監(jiān)測和排查提出了巨大的挑戰(zhàn)；另一方面，醫(yī)院制定的預(yù)防性維護(hù)、定期巡查等制度在龐大的醫(yī)療設(shè)備數(shù)字面前往往是有形無實，預(yù)防性維護(hù)難以起到預(yù)防的效果。此外，醫(yī)學(xué)技術(shù)人員技能水平難以實現(xiàn)對醫(yī)療裝備技術(shù)的同步提升，對于新型醫(yī)療設(shè)備的故障盤查，往往會使醫(yī)學(xué)技術(shù)人員捉襟見肘?；诖?，本文旨在提出一種基于數(shù)據(jù)挖掘技術(shù)的粗糙神經(jīng)網(wǎng)絡(luò)模型，為醫(yī)療設(shè)備故障監(jiān)測和識別提供一種參考方法。

1 數(shù)據(jù)挖掘技術(shù)原理

1.1 粗糙集理論

粗糙集理論是由波蘭科學(xué)家Z.Pawlak提出的，用于處理不完整的或者具有模糊關(guān)系的數(shù)據(jù)集，并可從已有的一系列數(shù)據(jù)中挖掘出各模糊數(shù)據(jù)集中的互作用，從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律[7-8]。粗糙集理論的核心是有關(guān)知識、集合的劃分、近似集合等概念，粗糙集理論作為一種處理不精確、不一致、不完整等各種不完備信息的有效工具，通過對發(fā)掘各類不一致、不精準(zhǔn)數(shù)據(jù)集進(jìn)行提取整理，通過運(yùn)算實現(xiàn)有用信息的提取，以及對未知事物的預(yù)測[9]。在自然界中，大部分事物呈現(xiàn)的信息都是不完整和模糊的，對于這些信息，無法用常規(guī)方法進(jìn)行描述其內(nèi)部邏輯，所以也就不能正確地處理[10]。在粗糙集中使用信息表來描述論域中的數(shù)據(jù)集合，例如呼吸機(jī)供氧濃度高低是否會影響呼吸治療，粗糙集使用信息表描述如表1所示。

表1 呼吸機(jī)粗糙集信息表

表1中，“供氧濃度”是該粗糙集的條件屬性（Condition Attribute），“是否影響呼吸治療”是粗糙集的決策屬性（Decision Attribute）。粗糙集理論其原則就是要使用隱含的條件屬性（供氧濃度），來尋找決策規(guī)律（是否影響呼吸治療）。

1.2 粗糙集約簡理論

粗糙集的約簡過程是保持粗糙集中初等范疇的情況下，消除粗糙集中的冗余數(shù)據(jù)。該過程為降維過程，僅保留真正有用的數(shù)據(jù)，即粗糙集的“核”。通常一個粗糙集的約簡集不是唯一的，因此，我們期望得到最小決策條件屬性的粗糙約簡集。然而，當(dāng)所研究的事物結(jié)構(gòu)增加時，最小粗糙約簡集的計算過程將急劇增加。目前，使用最多的方法是啟發(fā)式搜索法，主要包括基于屬性重要性的約簡算法、基于區(qū)分矩陣和邏輯運(yùn)算的約簡算法、基于屬性頻率函數(shù)啟發(fā)的約簡算法等[11-14]。由于醫(yī)療設(shè)備故障因素約簡過程受限于軟件、硬件、結(jié)構(gòu)、環(huán)境以及設(shè)備固有條件等知識庫，在實際操作中粗糙集約簡過程受經(jīng)驗、經(jīng)濟(jì)支出等主客觀因素影響，本文使用基于屬性重要性的約簡算法對粗糙集進(jìn)行簡約。

1.3 BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無須事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。BP網(wǎng)絡(luò)的學(xué)習(xí)過程由信息正向傳播和誤差逆向傳播兩個過程組成，輸入層神經(jīng)元負(fù)責(zé)接受外界輸入信息并傳遞給中間層神經(jīng)元，中間層神經(jīng)元是內(nèi)部信息處理層，負(fù)責(zé)信息變換和計算，可設(shè)計成單隱藏層或多隱藏層結(jié)構(gòu)，最后一層隱藏層將信息傳遞給網(wǎng)絡(luò)輸出層，完成一次信息正向傳遞，即完成一次網(wǎng)絡(luò)學(xué)習(xí)。當(dāng)實際輸出和期望輸出不符時，進(jìn)入誤差反向傳遞階段，周而復(fù)始的信息正向傳遞和誤差逆向傳遞最終形成一個穩(wěn)定的、可移植的、具有一定魯棒性的自主學(xué)習(xí)網(wǎng)絡(luò)[15]。目前，BP網(wǎng)絡(luò)已經(jīng)被廣泛應(yīng)用于信號處理、模式識別及人工智能等領(lǐng)域。

1.4 粗糙神經(jīng)網(wǎng)絡(luò)

粗糙集理論一般用來處理量化數(shù)據(jù)、模糊關(guān)系等問題，但粗糙集理論在推廣能力和容錯能力方面卻略顯不足。而無監(jiān)督BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的容錯能力和推廣能力，以及較強(qiáng)的自組織能力，但卻不能擇優(yōu)選擇模型輸入組合等特點(diǎn)[16]。將粗糙集理論結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型，將具有一定的理論性和實用性。目前，有兩種利用粗糙集約簡簡化神經(jīng)網(wǎng)絡(luò)的方法。

（1）利用粗糙集約簡簡化神經(jīng)網(wǎng)絡(luò)輸入維數(shù)。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)受輸入網(wǎng)絡(luò)的數(shù)據(jù)維數(shù)影響很大，同時數(shù)據(jù)的維數(shù)也影響到?jīng)Q策規(guī)則的數(shù)目及網(wǎng)絡(luò)的計算量，甚至影響到神經(jīng)網(wǎng)絡(luò)的收斂。因此，適當(dāng)?shù)乩么植诩s簡集降低作為輸入神經(jīng)網(wǎng)絡(luò)系統(tǒng)的數(shù)據(jù)維數(shù)可以更好地實現(xiàn)網(wǎng)絡(luò)系統(tǒng)。

（2）利用粗糙約簡簡化神經(jīng)網(wǎng)絡(luò)規(guī)則數(shù)。在實際應(yīng)用中，規(guī)則數(shù)過多會導(dǎo)致系統(tǒng)不能收斂、網(wǎng)絡(luò)的訓(xùn)練時間長或訓(xùn)練誤差大等缺點(diǎn)，因此利用粗糙集約簡神經(jīng)網(wǎng)絡(luò)的決策規(guī)則數(shù)，可以減小網(wǎng)絡(luò)的計算量，加快網(wǎng)絡(luò)的收斂速度[17]。本文使用前者搭建粗糙神經(jīng)網(wǎng)絡(luò)模型，粗糙神經(jīng)網(wǎng)絡(luò)方法流程圖如圖1所示。

圖1 粗糙神經(jīng)網(wǎng)絡(luò)方法流程圖

2 模型的搭建與結(jié)果分析

呼吸機(jī)是臨床治療中必不可少的生命支持類設(shè)備，使用過程中呼吸機(jī)故障可能會對患者造成不可挽回的后果，因此本文使用呼吸機(jī)為研究對象進(jìn)行實驗平臺的搭建，對其進(jìn)行數(shù)據(jù)采集、故障分析、模型搭建，最終實現(xiàn)呼吸機(jī)故障智能預(yù)警功能。

2.1 數(shù)據(jù)采集

選取我院2017年10月至2019年5月的呼吸機(jī)故障報警，進(jìn)行分類、整合后，采集故障呼吸機(jī)環(huán)境因素數(shù)據(jù)、電氣因素數(shù)據(jù)以及氣路數(shù)據(jù)因素。

（1）環(huán)境數(shù)據(jù)采集。呼吸機(jī)使用過程中內(nèi)外環(huán)境因素可能是導(dǎo)致呼吸機(jī)故障的間接原因，環(huán)境因素數(shù)據(jù)采集主要針對呼吸機(jī)關(guān)鍵部件，包括電源模塊、空氧混合模塊（電子閥式及寶石閥式）、機(jī)箱內(nèi)部溫濕度數(shù)據(jù)的采集。溫濕度采集采用YC1001溫濕度采集模塊進(jìn)行采集，該模塊可同時采集32路獨(dú)立溫度和濕度。

（2）電氣因素采集。呼吸機(jī)使用過程中關(guān)鍵部件的供電情況的變化是呼吸機(jī)故障反應(yīng)的最直接因素，電氣因素采集主要針對呼吸機(jī)總負(fù)載電壓、負(fù)載電流、渦輪/壓縮機(jī)輸入電壓和電流、空氧混合模塊電壓/電流及呼出/吸入閥輸入電壓/電流等。電氣因素使用16路JY-DAM1600AC模塊進(jìn)行采集。

（3）氣路因素采集。呼吸機(jī)氣體供應(yīng)包括氧氣和空氣，負(fù)反饋式氣體監(jiān)測方式可使得呼吸機(jī)供氣功能處于穩(wěn)定狀態(tài)，氣體問題是導(dǎo)致呼吸機(jī)故障的間接因素。氣體因素采集主要針對呼吸機(jī)輸入氣體的壓力、濃度以及濕度，空氧混合氣輸入端氣體壓力，內(nèi)部流量監(jiān)測模塊氣體壓力，吸入、呼出閥氣體壓力等。氣體因素使用LORA、YC1001模塊進(jìn)行采集。

2.2 模型的搭建

實驗?zāi)Ｐ偷拇罱ò〝?shù)據(jù)的約簡過程、神經(jīng)網(wǎng)絡(luò)模型的搭建、輸出模式的設(shè)計等。對2017年10月至2019年5月期間我院呼吸機(jī)故障模式進(jìn)行分析，選取故障頻次較高的3種故障模式為研究對象，總故障數(shù)150臺次，其中呼吸機(jī)潮氣量異常68臺次，氧濃度異常34臺次，氣密性異常48臺次。隨機(jī)將總故障數(shù)按6:4分為網(wǎng)絡(luò)訓(xùn)練集和網(wǎng)絡(luò)測試集。對每次故障分別進(jìn)行故障因素采集，通過粗糙集約簡過程，將粗糙集降維至8因素，分別為電源模塊濕度、總負(fù)載電流、渦輪/壓縮機(jī)輸入電流、空氧模塊溫度、閥電壓、氣源壓力、氣源濕度、氣源濃度。

本文使用采集的數(shù)據(jù)搭建8輸入3輸出的四層BP網(wǎng)絡(luò)，實驗?zāi)Ｐ痛罱ㄈ鐖D2所示。對降維后的8種故障因素進(jìn)行量化，并作為BP網(wǎng)絡(luò)輸入層；各層神經(jīng)元之間是全連接的，層內(nèi)無連接，隱藏層各神經(jīng)元節(jié)點(diǎn)采用Sigmoid函數(shù)作為激勵函數(shù)；將3種故障模式作為輸出層。利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱可以方便地完成BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建工作，具體步驟為：① 使用net=feedforwardnet(hidden Sizes,train Fcn)創(chuàng)建向前神經(jīng)網(wǎng)絡(luò)，使用LM（Levenberg-Marquadt）算法作為訓(xùn)練權(quán)值的算法；② 設(shè)置網(wǎng)絡(luò)參數(shù)，網(wǎng)絡(luò)最大迭代次數(shù)設(shè)置為1000次，訓(xùn)練最大失敗次數(shù)設(shè)置為5，目標(biāo)誤差設(shè)置為0.001；③ 訓(xùn)練BP網(wǎng)絡(luò)，使用90臺次故障模式作為訓(xùn)練集對BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練過程使用[net,TR]=train(net, INPUT, OUTPUT)完成；④ 測試BP網(wǎng)絡(luò)，使用60臺次“已知”故障模式作為測試集對BP網(wǎng)絡(luò)進(jìn)行測試，網(wǎng)絡(luò)測試過程使用T=net(Test)完成。

2.3 評價指標(biāo)

本文使用靈敏度（Sensitivity，Se）、特異性（Specificity，Sp）、準(zhǔn)確率（Accuracy，Acc）作為評價指標(biāo)，不同于二分類評價指標(biāo)，定義靈敏度、特異性、準(zhǔn)確率如式(1)：

其中，max為故障模式分類總數(shù)，本文max=3；TP（True Positive）為真比例，真實類別為正例，預(yù)測類別為正例；FP（False Positive）為假正例，真實類別為負(fù)例，預(yù)測類別為正例；FN（False Negative）為假負(fù)例，真實類別為正例，預(yù)測類別為負(fù)例；TN（True Negative）為真負(fù)例，真實類別為負(fù)例，預(yù)測類別為負(fù)例。

2.4 實驗結(jié)果

隨機(jī)使用90臺次呼吸機(jī)故障作為訓(xùn)練集對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中訓(xùn)練集包含潮氣量異常41臺次，氧濃度異常22臺次，氣密性異常27臺次。神經(jīng)網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)選擇1000次，經(jīng)訓(xùn)練后，BP神經(jīng)網(wǎng)絡(luò)識別故障模式靈敏度、特異性以及準(zhǔn)確率分別為87.8%、85.6%、91.1%。使用訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)對60臺次呼吸機(jī)故障進(jìn)行測試，測試集包含潮氣量異常27臺次，氧濃度異常12臺次，氣密性異常21臺次。測試結(jié)果顯示，呼吸機(jī)故障模式靈敏度、特異性以及準(zhǔn)確率分別為75.0%、83.3%、85.0%。呼吸機(jī)故障模式識別結(jié)果，見表2。

圖2 實驗?zāi)Ｐ痛罱?/p>

表2 呼吸機(jī)故障模式識別結(jié)果[n (%)]

3 討論

2011年，衛(wèi)生部關(guān)于印發(fā)《三級綜合醫(yī)院評審標(biāo)準(zhǔn)（2011年版）》以來，各級醫(yī)院嚴(yán)格根據(jù)《標(biāo)準(zhǔn)》制定和開展了醫(yī)療器械臨床使用安全控制與風(fēng)險管理工作，建立醫(yī)療器械臨床使用安全事件監(jiān)測與報告制度，定期對醫(yī)療器械使用安全情況進(jìn)行巡查和考核[18]。然而由于人員配備不足、設(shè)備分散、設(shè)備種類雜、數(shù)量多等特點(diǎn)，在實際工作中，醫(yī)學(xué)技術(shù)人員很難對各類設(shè)備使用情況進(jìn)行詳盡把控。

數(shù)據(jù)挖掘技術(shù)是從龐雜無需的數(shù)據(jù)中挖掘出數(shù)據(jù)之間的特殊關(guān)系，粗糙神經(jīng)網(wǎng)絡(luò)模型是數(shù)據(jù)挖掘技術(shù)的主要算法，它既保留了粗糙集理論量處理數(shù)據(jù)的優(yōu)點(diǎn)，同時還保留了神經(jīng)網(wǎng)絡(luò)算法的魯棒性、自適應(yīng)性以及高容錯率，兩者的完美結(jié)合，可以提高數(shù)據(jù)挖掘的準(zhǔn)確率[19]。本文使用粗糙神經(jīng)網(wǎng)絡(luò)算法對醫(yī)療設(shè)備故障模式與其對應(yīng)的故障因素進(jìn)行分析，本文采集故障呼吸機(jī)的環(huán)境因素數(shù)據(jù)、電氣因素數(shù)據(jù)及氣路數(shù)據(jù)因素，并使用粗糙約簡理論對各因素進(jìn)行降維處理，最終建立8輸入3輸出的粗糙神經(jīng)網(wǎng)絡(luò)模型。結(jié)果顯示，粗糙神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練具有較高的靈敏度、特異性和準(zhǔn)確率，使用訓(xùn)練后的粗糙神經(jīng)網(wǎng)絡(luò)對測試集進(jìn)行預(yù)測，呼吸機(jī)故障模式靈敏度、特異性以及準(zhǔn)確率分別為75.0%、83.3%、85.0%。

綜上所述，本文使用數(shù)據(jù)挖掘技術(shù)探討醫(yī)療設(shè)備故障模式與設(shè)備使用環(huán)境因素、電氣因素及氣路因素的潛在關(guān)系，建立粗糙神經(jīng)網(wǎng)絡(luò)模型對采集的故障因素數(shù)據(jù)進(jìn)行訓(xùn)練和測試。通過挖掘故障模式與故障因素的潛在關(guān)系，設(shè)備故障模式能夠較好地識別，可為醫(yī)療設(shè)備故障監(jiān)測與識別提供一種參考方法。