基于Sugeno模型的監(jiān)護(hù)儀使用狀態(tài)評(píng)價(jià)研究

阮軼磊，李 剛，陳財(cái)森

（1.首都醫(yī)科大學(xué)附屬北京天壇醫(yī)院，北京 100050；2.陸軍裝甲兵學(xué)院，北京 100072）

0 引言

在患者健康狀況監(jiān)測(cè)，尤其是對(duì)重癥患者的監(jiān)護(hù)過(guò)程中，監(jiān)護(hù)儀發(fā)揮著重要作用，其可以對(duì)患者的血壓、心電、脈搏血氧飽和度等生命數(shù)據(jù)進(jìn)行監(jiān)測(cè)，從而反映患者的生命體征。這些數(shù)據(jù)關(guān)系到患者的健康乃至其生命的維系，因此，明確監(jiān)護(hù)儀的當(dāng)前使用狀態(tài)就顯得尤為重要[1-2]。目前，監(jiān)護(hù)儀的研究大多集中于質(zhì)控檢測(cè)、疲勞報(bào)警、故障原因分析、臨床應(yīng)用及維護(hù)保養(yǎng)等方面，這些研究多為預(yù)防性舉措或故障的事后分析處理，對(duì)監(jiān)護(hù)儀的當(dāng)前使用狀態(tài)研究較少，也有學(xué)者采用六西格瑪、拉普拉斯趨勢(shì)檢驗(yàn)、支持向量機(jī)等方法[3-5]對(duì)監(jiān)護(hù)儀進(jìn)行狀態(tài)預(yù)測(cè)和管理，但應(yīng)用性和精確程度仍有提升空間。由于監(jiān)護(hù)儀采用高敏感設(shè)計(jì)，電子元器件越來(lái)越呈現(xiàn)出精密化、復(fù)雜化的特點(diǎn)，導(dǎo)致影響監(jiān)護(hù)儀使用狀態(tài)的因素也越來(lái)越多，對(duì)監(jiān)護(hù)儀失效預(yù)測(cè)和維護(hù)保養(yǎng)也越來(lái)越難。當(dāng)前，對(duì)于監(jiān)護(hù)儀使用狀態(tài)的評(píng)價(jià)還沒(méi)有一種較為快速準(zhǔn)確的方法，大多是根據(jù)使用時(shí)間長(zhǎng)短判斷或出現(xiàn)故障后再行報(bào)廢。在監(jiān)測(cè)患者健康狀況方面，使用狀況較差的監(jiān)護(hù)儀具有一定的隱患。為實(shí)現(xiàn)快速準(zhǔn)確評(píng)價(jià)監(jiān)護(hù)儀當(dāng)前使用狀態(tài)的目標(biāo)，本文采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng)（adaptive network-based fuzzy inference system，ANFIS），通過(guò)MATLAB軟件工具箱中的Sugeno模型對(duì)監(jiān)護(hù)儀當(dāng)前的使用狀態(tài)進(jìn)行評(píng)價(jià)，對(duì)消除監(jiān)護(hù)儀故障發(fā)生率、降低設(shè)備安全隱患具有重要意義，同時(shí)可以為監(jiān)護(hù)儀的及時(shí)維護(hù)保養(yǎng)提供依據(jù)。

1 基于Sugeno模型的監(jiān)護(hù)儀使用狀態(tài)評(píng)價(jià)模型

1.1 輸入?yún)?shù)選擇

根據(jù)對(duì)我院的一批236臺(tái)監(jiān)護(hù)儀使用維護(hù)數(shù)據(jù)的統(tǒng)計(jì)發(fā)現(xiàn)，監(jiān)護(hù)儀出現(xiàn)故障除少部分（8.9%）是由于設(shè)計(jì)、電路等固有硬件和使用不當(dāng)導(dǎo)致的突發(fā)故障外，其余91.1%的故障大多為漸發(fā)性故障，與已使用時(shí)間、平均環(huán)境相對(duì)濕度、平均環(huán)境溫度、電源電壓和已發(fā)生故障次數(shù)等因素密切相關(guān)。此外，由于監(jiān)護(hù)儀的高敏感設(shè)計(jì)以及電磁兼容問(wèn)題，附近醫(yī)用電氣設(shè)備的復(fù)雜電磁環(huán)境也會(huì)對(duì)監(jiān)護(hù)儀的使用狀態(tài)產(chǎn)生干擾[6-7]。

結(jié)合監(jiān)護(hù)儀以往的維修保養(yǎng)記錄，經(jīng)數(shù)據(jù)統(tǒng)計(jì)和分析發(fā)現(xiàn)，已使用時(shí)間決定監(jiān)護(hù)儀電子元器件的老化程度，平均環(huán)境相對(duì)濕度、平均環(huán)境溫度、電源電壓影響設(shè)備及元器件的質(zhì)量，已發(fā)生故障次數(shù)和電磁干擾程度與監(jiān)護(hù)儀的使用可靠性具有明顯的相關(guān)性[8]。因此，可以考慮將上述因素作為判斷監(jiān)護(hù)儀使用狀態(tài)的輸入?yún)?shù)集G，設(shè)評(píng)價(jià)結(jié)果集為H，建立監(jiān)護(hù)儀使用狀態(tài)評(píng)價(jià)G→H的函數(shù)[9]。

1.2 監(jiān)護(hù)儀使用狀態(tài)評(píng)價(jià)

我院所用監(jiān)護(hù)儀為多參數(shù)監(jiān)護(hù)儀，主要檢測(cè)的生理指標(biāo)有心電脈搏、呼吸、無(wú)創(chuàng)血壓、有創(chuàng)血壓、血氧飽和度等。本文將監(jiān)護(hù)儀的使用狀態(tài)劃分為4個(gè)等級(jí)：1級(jí)，狀態(tài)良好；2級(jí)，狀態(tài)較好；3級(jí)，狀態(tài)較差；4級(jí)，狀態(tài)極差。對(duì)于監(jiān)護(hù)儀當(dāng)前使用狀態(tài)的評(píng)價(jià)，可以根據(jù)監(jiān)測(cè)的患者生理指標(biāo)顯示值誤差進(jìn)行分級(jí)確定，從而實(shí)現(xiàn)從定性的語(yǔ)言描述到指標(biāo)數(shù)量化的約定表達(dá)[10]。

將心電脈搏、呼吸、無(wú)創(chuàng)血壓、有創(chuàng)血壓和血氧飽和度的示值誤差按照不同區(qū)間劃分為A、B、C、D 4個(gè)誤差集（見(jiàn)表1），誤差集A={（-1，1），（-1，1），（-2，2），（-2，2），（-0.6，0.6）}，誤差集B、C、D依次按照此方法確定。對(duì)誤差集A進(jìn)行歸一化處理，得到對(duì)誤差集B、C、D依次按照相同方法處理可得到B'={[1，3），[1，3），[1，3），[1，3），[1，3）}，C'={[3，5），[3，5），[3，5），[3，5），[3，5）}，D'={[5，+∞），[5，+∞），[5，+∞），[5，+∞），[5，+∞）}。

表1 監(jiān)護(hù)儀生理指標(biāo)誤差值數(shù)據(jù)集劃分

設(shè)定某監(jiān)護(hù)儀的生理指標(biāo)示值誤差數(shù)據(jù)集為P，P={心電脈搏誤差值，呼吸誤差值，無(wú)創(chuàng)血壓誤差值，有創(chuàng)血壓誤差值，血氧飽和度誤差值}，按照處理A、B、C、D 4個(gè)誤差集的方法對(duì)P進(jìn)行處理，得到P'={|心電脈搏誤差值|，|呼吸誤差值|，|無(wú)創(chuàng)血壓誤差值|/2，|有創(chuàng)血壓誤差值|/2，|血氧飽和度誤差值|/0.6}，則數(shù)據(jù)集P'包含的5個(gè)數(shù)據(jù)中，最大值落入哪個(gè)區(qū)間，即為哪種狀態(tài)。狀態(tài)良好：max P'∈（0，1）；狀態(tài)較好：max P'∈[1，3）；狀態(tài)較差：max P'∈[3，5）；狀態(tài)極差：max P'∈[5，+∞）。根據(jù)近1 a內(nèi)的使用維修記錄，我院該批236臺(tái)監(jiān)護(hù)儀都按照此標(biāo)準(zhǔn)劃分使用狀態(tài)。

1.3 一階Sugeno模型分析

Sugeno模型是ANFIS中的一種，它具有ANFIS的優(yōu)點(diǎn)。ANFIS是一種把模糊邏輯方法和神經(jīng)網(wǎng)絡(luò)方法結(jié)合在一起的新型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，既有神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自適應(yīng)的特點(diǎn)，也有模糊邏輯方法推理能力強(qiáng)的特點(diǎn)，可以有效建立起輸入變量與輸出變量之間的關(guān)系。ANFIS可以對(duì)廣泛選擇的訓(xùn)練樣本進(jìn)行學(xué)習(xí)后，優(yōu)化控制規(guī)則，實(shí)現(xiàn)快速準(zhǔn)確的模糊推理。

Sugeno模型是一種在給定的輸入和輸出數(shù)據(jù)集之間建立模糊規(guī)則的模型。一階Sugeno模型表述如下[11-15]：

其模型推理結(jié)構(gòu)如圖1所示。

圖1 基于Sugeno模型的ANFIS推理系統(tǒng)結(jié)構(gòu)圖

第一層為輸入層，將輸入的外部信號(hào)傳輸給下一層。可用公式（2）表示：

第二層為模糊化層。神經(jīng)元通過(guò)鐘形隸屬度函數(shù)（gbellmf）進(jìn)行模糊化操作。該鐘形隸屬度函數(shù)定義為

第三層為模糊化層。規(guī)則神經(jīng)元從各自的模糊化神經(jīng)元接收輸入，并計(jì)算其所表示的規(guī)則激發(fā)強(qiáng)度。在ANFIS中，規(guī)則前項(xiàng)的鏈接由“乘積”操作評(píng)估。該層神經(jīng)元輸出可表示為

式中，x3ji和y3i分別為第三層神經(jīng)元的輸入和輸出，其中，i=1，2，…，n，j=1，2，…，k。

第四層為歸一化層。該層接收并計(jì)算給定規(guī)則的歸一化激發(fā)強(qiáng)度。歸一化激發(fā)強(qiáng)度是給定規(guī)則的激發(fā)強(qiáng)度和所有規(guī)則激發(fā)強(qiáng)度的總和的比值，它表示給定規(guī)則對(duì)最終結(jié)果的貢獻(xiàn)。該層神經(jīng)元輸出可表示為

式中，μ為激發(fā)強(qiáng)度；μi為給定規(guī)則的激發(fā)強(qiáng)度；為所有規(guī)則激發(fā)強(qiáng)度的總和；為計(jì)算得到的歸一化激發(fā)強(qiáng)度；x4ii為第四層神經(jīng)元i從上一層神經(jīng)元i處接收的輸入為第四層神經(jīng)元i從上一層神經(jīng)元j處接收的輸入；n為規(guī)則神經(jīng)元的總數(shù)量。

第五層為去模糊化層。該層中的每個(gè)神經(jīng)元均連接到各自的歸一化神經(jīng)元上，同時(shí)接收初始輸入x1，x2，…，xn。去模糊化神經(jīng)元計(jì)算給定規(guī)則的帶權(quán)重后項(xiàng)值：

式中，x5i和y5i分別為第五層去模糊化神經(jīng)元（ii=1，2，…，n）的輸入和輸出，ki0，ki1，…，kin是規(guī)則i的后項(xiàng)參數(shù)。

第六層為總和神經(jīng)元，作用是計(jì)算所有去模糊化神經(jīng)元輸出的總和，產(chǎn)生ANFIS總輸出y：

式中，x6i為去模糊化神經(jīng)元（ii=1，2，…，n）的輸出。

2 數(shù)據(jù)分析及模型訓(xùn)練

基于上述理論分析，依托MATLAB軟件中的Sugeno模型對(duì)監(jiān)護(hù)儀當(dāng)前使用狀態(tài)進(jìn)行評(píng)價(jià)。選取本院2013—2014年期間采購(gòu)的80臺(tái)同一型號(hào)監(jiān)護(hù)儀（邁瑞PM-8000E）使用維修數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，通過(guò)訓(xùn)練、測(cè)試，不斷優(yōu)化模型參數(shù)，使之滿足誤差要求。根據(jù)1.1節(jié)的分析，監(jiān)護(hù)儀的使用狀態(tài)與平均環(huán)境溫度、平均環(huán)境相對(duì)濕度、已使用時(shí)間、電源電壓、已發(fā)生故障次數(shù)和電磁干擾等因素相關(guān)。對(duì)于平均環(huán)境溫度、平均環(huán)境相對(duì)濕度、已使用時(shí)間、已發(fā)生故障次數(shù)，可以通過(guò)簡(jiǎn)單的儀器設(shè)備測(cè)得或維修數(shù)據(jù)查得，電源電壓和電磁干擾的測(cè)量則相對(duì)較為復(fù)雜。

電源電壓可以通過(guò)監(jiān)測(cè)不同時(shí)刻監(jiān)護(hù)儀的輸入電壓并求平均值得到。由于電磁干擾強(qiáng)度準(zhǔn)確數(shù)據(jù)的測(cè)量方法較為復(fù)雜，且并無(wú)獲得精確數(shù)據(jù)的必要，只需要知道不同監(jiān)護(hù)儀所處環(huán)境的電磁干擾強(qiáng)弱程度即可。電磁干擾程度與電壓、電流的變化率密切相關(guān)，因此可以通過(guò)測(cè)量電壓、電流的變化率來(lái)描述電磁干擾程度。具體方法：以工作日8：00—12：00、14：00—18：00共8 h為時(shí)間區(qū)間，每一整點(diǎn)記錄監(jiān)護(hù)儀所處房間的所有醫(yī)療設(shè)備運(yùn)行的總電壓、電流數(shù)據(jù)，并以電壓值與電流值的比值為該時(shí)刻特征值，共10個(gè)特征值，計(jì)算該10個(gè)特征值的方差以反映數(shù)據(jù)波動(dòng)情況，數(shù)據(jù)波動(dòng)越大，電壓、電流的變化率越大，從而可以描述電磁干擾的程度，二者之間的關(guān)系可表示為如下函數(shù)[16-17]：

式中，E為電磁干擾程度；σ為特征值數(shù)據(jù)集的方差。

根據(jù)以上方法，可得到監(jiān)護(hù)儀使用狀態(tài)數(shù)據(jù)，詳見(jiàn)表2。

表2 部分監(jiān)護(hù)儀使用狀態(tài)數(shù)據(jù)

平均環(huán)境溫度和平均環(huán)境相對(duì)濕度以每日記錄數(shù)據(jù)為準(zhǔn)計(jì)算得出。我院地處北方，平均環(huán)境溫度和平均環(huán)境相對(duì)濕度相對(duì)較低，因該80臺(tái)監(jiān)護(hù)儀分2個(gè)批次采購(gòu)，按照實(shí)際使用時(shí)間計(jì)算，已使用時(shí)間分別為6、7.5 a。已發(fā)生故障次數(shù)是對(duì)監(jiān)護(hù)儀漸發(fā)性故障的統(tǒng)計(jì)。由于突發(fā)性故障與使用習(xí)慣、意外情況、設(shè)備固有硬件性能等因素相關(guān)，不具有可預(yù)測(cè)性，未統(tǒng)計(jì)在內(nèi)[18]。

將數(shù)據(jù)加載到已經(jīng)調(diào)整好參數(shù)的Sugeno模型中（如圖2所示），經(jīng)過(guò)30次訓(xùn)練后，得到的誤差值為0.000 120 24，獲得了很好的預(yù)測(cè)效果，可知該Sugeno模型具有很強(qiáng)的非線性映射能力。訓(xùn)練誤差是指模型在訓(xùn)練集上的錯(cuò)分樣本比率，對(duì)于該分類學(xué)習(xí)算法（訓(xùn)練誤差小于1即可）而言，0.000 120 24的訓(xùn)練誤差足以滿足模型推理要求，訓(xùn)練過(guò)程如圖3所示。

圖2 Sugeno模型（6輸入、1輸出）設(shè)計(jì)

圖3 基于ANFIS的監(jiān)護(hù)儀使用狀態(tài)評(píng)價(jià)模型訓(xùn)練

3 模型驗(yàn)證及結(jié)果分析

模型訓(xùn)練完成后，以目前正在使用的12臺(tái)監(jiān)護(hù)儀數(shù)據(jù)作為輸入?yún)?shù)，通過(guò)Sugeno模型模糊推理后，得到推理評(píng)價(jià)結(jié)果，與實(shí)際狀態(tài)（按照1.2節(jié)進(jìn)行判定）比對(duì)，確定模型的可靠性和準(zhǔn)確性。通過(guò)測(cè)量及查閱維修保養(yǎng)記錄，可得到12臺(tái)監(jiān)護(hù)儀使用狀態(tài)數(shù)據(jù)，詳見(jiàn)表3。

表3 12臺(tái)監(jiān)護(hù)儀使用狀態(tài)數(shù)據(jù)

將12臺(tái)監(jiān)護(hù)儀相關(guān)參數(shù)數(shù)據(jù)處理后加載到已經(jīng)訓(xùn)練好的模型中，模型模糊推理規(guī)則庫(kù)如圖4所示，Sugeno模型推理評(píng)價(jià)結(jié)果如圖5所示。圖5中，每一個(gè)紅色“*”代表1臺(tái)監(jiān)護(hù)儀經(jīng)Sugeno模型推理得到的狀態(tài)數(shù)據(jù)，每一個(gè)藍(lán)色“+”代表1臺(tái)監(jiān)護(hù)儀的實(shí)際使用狀態(tài)數(shù)據(jù)（按照1.2節(jié)的方法進(jìn)行判定得出）；縱軸數(shù)據(jù)代表監(jiān)護(hù)儀使用狀態(tài)評(píng)價(jià)結(jié)果。結(jié)合12臺(tái)監(jiān)護(hù)儀實(shí)際使用維修數(shù)據(jù)，按照1.2節(jié)中的方法對(duì)其進(jìn)行評(píng)價(jià)后，與模型推理結(jié)果進(jìn)行對(duì)比，見(jiàn)表4。

表4 12臺(tái)監(jiān)護(hù)儀實(shí)際使用狀態(tài)與模型推理狀態(tài)對(duì)比

圖4 Sugeno模型模糊推理規(guī)則庫(kù)

圖5 Sugeno模型對(duì)12臺(tái)監(jiān)護(hù)儀使用狀態(tài)的推理評(píng)價(jià)結(jié)果

由表4可知，通過(guò)Sugeno模型推理得到的監(jiān)護(hù)儀使用狀態(tài)和實(shí)際使用狀態(tài)基本一致，因此該Sugeno模型應(yīng)用在監(jiān)護(hù)儀使用狀態(tài)評(píng)價(jià)中具有較好的預(yù)測(cè)效果。其中，4號(hào)監(jiān)護(hù)儀實(shí)際使用狀態(tài)為極差，模型推理狀態(tài)為較差，分析原因：（1）在80組訓(xùn)練數(shù)據(jù)中，狀態(tài)較差的樣本相對(duì)比較少，因此，雖然經(jīng)過(guò)訓(xùn)練后，模型的分類精度得到提升，但對(duì)較差這一狀態(tài)的預(yù)測(cè)，訓(xùn)練后得到的參數(shù)并非最優(yōu)參數(shù)。這一問(wèn)題可通過(guò)積累更多監(jiān)護(hù)儀使用維修數(shù)據(jù)、增加訓(xùn)練樣本來(lái)解決。（2）導(dǎo)致監(jiān)護(hù)儀使用狀態(tài)較差的因素有很多，但這些因素與狀態(tài)較差之間的相關(guān)性不如與狀態(tài)良好、狀態(tài)極差等情況之間的相關(guān)性明顯，致使模型推理過(guò)程中出現(xiàn)偏差。這一問(wèn)題同樣可以通過(guò)增加樣本量，使模型對(duì)監(jiān)護(hù)儀使用狀態(tài)參數(shù)與評(píng)價(jià)結(jié)果之間的相關(guān)性更敏感[19]。

4 討論

4.1 監(jiān)護(hù)儀使用狀態(tài)評(píng)價(jià)中存在的問(wèn)題及Sugeno模型的優(yōu)點(diǎn)

本研究的目的是通過(guò)測(cè)量監(jiān)護(hù)儀所處環(huán)境參數(shù)和監(jiān)護(hù)儀自身參數(shù)，實(shí)現(xiàn)對(duì)監(jiān)護(hù)儀當(dāng)前使用狀態(tài)的準(zhǔn)確快速評(píng)價(jià)判斷。雖然按照1.2節(jié)的監(jiān)護(hù)儀使用狀態(tài)等級(jí)劃分標(biāo)準(zhǔn)對(duì)監(jiān)護(hù)儀使用狀態(tài)評(píng)價(jià)更加準(zhǔn)確，但該方法有2個(gè)問(wèn)題難以解決：一是需要在監(jiān)護(hù)儀實(shí)際使用中觀察并計(jì)算指標(biāo)顯示值誤差，而使用狀態(tài)較差的監(jiān)護(hù)儀會(huì)給患者帶來(lái)安全隱患；二是按照1.2節(jié)對(duì)監(jiān)護(hù)儀使用狀態(tài)評(píng)價(jià)需要較為長(zhǎng)期的維修保養(yǎng)數(shù)據(jù)，同時(shí)需要耗時(shí)耗力進(jìn)行數(shù)據(jù)比對(duì)。這2個(gè)問(wèn)題導(dǎo)致按照1.2節(jié)所述方法評(píng)價(jià)監(jiān)護(hù)儀使用狀態(tài)在實(shí)際操作上比較困難。因此，本文提出了一種基于Sugeno模型的監(jiān)護(hù)儀使用狀態(tài)評(píng)價(jià)模型，該模型以監(jiān)護(hù)儀所處環(huán)境參數(shù)和監(jiān)護(hù)儀自身參數(shù)作為輸入變量，通過(guò)Sugeno模型模糊推理得到監(jiān)護(hù)儀使用狀態(tài)，并與按照1.2節(jié)評(píng)價(jià)得到的監(jiān)護(hù)儀實(shí)際使用狀態(tài)相對(duì)比，結(jié)果發(fā)現(xiàn)，通過(guò)Sugeno模型模糊推理得到的監(jiān)護(hù)儀使用狀態(tài)與實(shí)際使用狀態(tài)基本一致。

該模型具有以下優(yōu)點(diǎn)：（1）在監(jiān)護(hù)儀離線狀態(tài)下即可獲得輸入變量，參數(shù)易獲得或測(cè)得；（2）對(duì)監(jiān)護(hù)儀狀態(tài)的評(píng)價(jià)較為快速準(zhǔn)確；（3）可以對(duì)監(jiān)護(hù)儀的實(shí)時(shí)狀態(tài)進(jìn)行準(zhǔn)確評(píng)估；（4）使用的Sugeno模型操作簡(jiǎn)便，對(duì)使用者技術(shù)水平要求不高；（5）根據(jù)評(píng)價(jià)結(jié)果可以分析各因素對(duì)監(jiān)護(hù)儀使用狀態(tài)的影響，從而為其繼續(xù)使用和維護(hù)保養(yǎng)提供依據(jù)。

4.2 存在的問(wèn)題及深化研究的方向

Sugeno模型可用少量的模糊規(guī)則生成較復(fù)雜的非線性函數(shù)，這在處理多變量系統(tǒng)時(shí)能有效地減少模糊規(guī)則個(gè)數(shù)，因此，Sugeno模型在監(jiān)護(hù)儀使用狀態(tài)評(píng)價(jià)中有諸多優(yōu)點(diǎn)。但是，由于Sugeno模型結(jié)論參數(shù)是線性函數(shù)而非模糊數(shù)，其結(jié)論部分不能依靠專家經(jīng)驗(yàn)和操作數(shù)據(jù)直接推理得到，必須通過(guò)一定的算法進(jìn)行訓(xùn)練，因而其推理的準(zhǔn)確度比較依賴訓(xùn)練樣本的數(shù)量，樣本量越大，訓(xùn)練越充分，獲得的模糊推理結(jié)果也越準(zhǔn)確。對(duì)于醫(yī)療設(shè)備管理者而言，應(yīng)用Sugeno模型實(shí)現(xiàn)對(duì)監(jiān)護(hù)儀使用狀態(tài)的準(zhǔn)確掌握，需要建立系統(tǒng)、完善、智能的監(jiān)護(hù)儀維修保養(yǎng)數(shù)據(jù)庫(kù)[20]，從而可以實(shí)時(shí)調(diào)用數(shù)據(jù)，這亦是需要深化研究的方向。同時(shí)，本文探討的模型輸入變量有6個(gè)，在一定程度上增大了數(shù)據(jù)統(tǒng)計(jì)和測(cè)量的工作量，下一步可通過(guò)研究單個(gè)變量與監(jiān)護(hù)儀使用狀態(tài)的關(guān)系，進(jìn)一步優(yōu)化輸入變量數(shù)目，提升模型效率。

5 結(jié)語(yǔ)

本文提出了基于Sugeno模型的監(jiān)護(hù)儀使用狀態(tài)評(píng)價(jià)模型，以實(shí)現(xiàn)對(duì)監(jiān)護(hù)儀使用狀態(tài)快速準(zhǔn)確的分析和評(píng)價(jià)，提升監(jiān)護(hù)儀在醫(yī)療過(guò)程中的可靠性。經(jīng)過(guò)驗(yàn)證，該模型既具有模糊系統(tǒng)可以較好地對(duì)復(fù)雜函數(shù)建立相關(guān)性的優(yōu)點(diǎn)，又具有神經(jīng)網(wǎng)絡(luò)自我學(xué)習(xí)、自我適應(yīng)的特點(diǎn)，為多影響因素下復(fù)雜系統(tǒng)的建模、評(píng)價(jià)提供了很好的方法。