一种基于机器学习识别医疗设备异常运行状态方法的建立.pdf

27医疗装备 2024 年 2 月第 37 卷第 4 期 Medical Equipment,February.2024,Vol.37,No.4随着我国医疗器械行业的高速发展，越来越多先进的医疗设备被投入临床使用，并在患者治疗中发挥着关键作用。然而，随着医疗设备的不断更新换代，设备也越来越多样化、复杂化。在医疗设备日常使用中，设备故障时有发生，不仅影响了医疗设备的使用寿命，甚至为患者的医疗安全带来了严重隐患。因此，利用计算机技术精准识别医疗设备异常运行状态，避免设备故障引发医疗事故，对保障我国医疗事业的稳定发展具有重要的现实意义。目前，我国对于设备运行状态的检测主要采用人工识别与粗糙网络识别等方式。张翼英等1通过W-ReLU 量化评估设备的异常度，解决了多工况条一种基于机器学习识别医疗设备异常运行状态方法的建立李建均广州医科大学附属第一医院（广东广州510120）摘要由于传统识别医疗设备异常运行状态方法是通过手工预定义的关键字与设备响应数据的字段相匹配完成设备异常识别，易导致医疗设备识别结果不精确。基于此，本研究提出基于机器学习的医疗设备异常运行状态识别方法。基于机器学习的医疗设备异常运行状态识别方法通过传感器采集医疗设备的电压、电流、工作温度等异常特征数据，对多特征数据进行叠加融合，引入 GRU 网络构建机器学习识别模型，输入数据训练模型完成医疗设备异常运行状态识别。实验结果表明，基于机器学习的医疗设备异常运行状态识别方法可识别医疗设备不同类型的异常运行状态，误报率为4.43%，识别异常运行状态时间较短，准确度更高。关键词机器学习；医疗设备；异常运行状态；识别方法中图分类号TN919 文献标识码A 文章编号1002-2376（2024）04-0027-04DOI10.3969/j.issn.1002-2376.2024.04.008收稿日期：2023-06-07医学工程A Method for Identifying Abnormal Operating States of Medical Equipment Based on Machine LearningLi Jianjun.The First Affiliated Hospital of Guangzhou Medical University,Guangzhou Guangdong 510120,China【Abstract】The anomaly recognition of the device is completed by manually matching predefined keywords with the fields of the device response data,which can easily lead to inaccurate medical device recognition results in traditional recognition methods.Based on this,a medical device abnormal operating state recognition method based on machine learning was proposed in this study.With the collection of abnormal characteristic data such as voltage,current,and working temperature of medical equipment through sensors,the recognition method for abnormal operation status of medical equipment based on machine learning overlaid and fused multiple feature data,introduced GRU network to construct a machine learning recognition model,and trained the model with input data to complete the recognition of abnormal operating states of medical equipment.The experimental results indicated that the recognition method for abnormal operation status of medical equipment based on machine learning can identify abnormal operating states of medical equipment with different types,with a false alarm rate of 4.43%,a shorter recognition time for abnormal operating states and more accurate granularity.【Key words】Machine learning;Medical equipment;Abnormal operation status;Recognition methods28医疗装备 2024 年 2 月第 37 卷第 4 期 Medical Equipment,February.2024,Vol.37,No.4件下设备运行异常难以识别的问题；张洋等2利用残差网络设计 1 种识别方法，以期提升配电柜设备状态识别的精准度。基于此，本研究提出了一种基于机器学习的医疗设备异常运行状态识别方法，为提高医院医疗设备管理的科学化提供参考。1 基于机器学习的医疗设备异常运行状态识别方法的构建1.1 医疗设备异常特征数据的采集医疗设备异常运行状态的识别过程中，需要对医疗设备的运行参数及实际故障点进行异常特征数据采集，并采用机器学习网络进行训练与测试3。一般来说，医疗设备异常运行状态受多种不同因素影响，根据因素类型可划分为设备自身信号异常与设备运行环境异常 2 种。因此在进行医疗设备异常运行状态识别时，也需从这 2 个方面采集设备异常特征数据，包括输入电压及电流等设备自身信号异常特征数据、工作温度与湿度等设备运行环境异常特征数据。具体特征数据采集如图 1 所示。本研究主要采用传感器采集医疗设备异常特征数据，针对不同数据采用的传感器类型各不相同4。在医疗设备稳定运行过程中，通过多个不同传感器对异常特征数据进行实时采样。为及时感知医疗设备异常特征数据的变化情况，本研究将传感器的测量采样频率设置为 1 次/s，最后将采集到的完整医疗设备异常特征数据构建成初期数据集。图 1传感器采集医疗设备异常特征数据1.2 医疗设备异常特征数据的融合本研究为提升设备特征数据的利用率、确保异常运行状态识别效果，引入了数据融合算法，将多个传感器测量的不同数据进行叠加融合，获得更加趋向理想的医疗设备异常特征数据5。多传感器数据融合算法与传统数据处理方法存在一定差异，并非单纯地监测多个传感器测量数据，而是将类型不同且分布位置不同的传感器所采集的关键特征数据进行融合。本研究以 2 个传感器的测量特征数据融合为例，一般情况下，在医疗设备异常运行状态的识别中，这 2 个传感器采集的数据会存在矛盾。为提升医疗设备异常特征数据的融合精度，需先对采集数据进行归一化处理，将所有医疗设备异常特征数据映射至 0，1 范围内，如式（1）及（2）所示。x1=x1-x1 minx1 max-x1 min（1）x2=x2-x2 minx2 max-x2 min（2）式中，x1、x2分别表示传感器 1、2 采集医疗设备异常特征数据的归一化结果；x1、x2分别表示传感器 1、2 采集的原始数据；x1 min、x2 min分别表示传感器 1、2 采集原始数据的最小值；x1 max、x2 max分别表示传感器 1、2 采集原始数据的最大值。在式（1）与（2）的基础上，可以通过式（3）进行传感器 1、2 采集数据的融合。X=f（x1，x2）（3）式中，X 表示传感器 1、2 采集的医疗设备异常特征数据的融合值；f 表示一元融合函数。本研究通过数据融合技术，实现了多传感器测量的医疗设备异常特征数据的叠加融合。数据的融合方法为数据级融合处理，即无需了解传感器采集数据的先验值，仅需根据不同传感器采集结果的差异，对各传感器采集数据的分布区域进行调整，使各传感器采集数据处于同一映射空间内，进而使医疗设备异常特征数据的融合结果误差处于最小状态，有利于后续识别应用6。1.3 基于机器学习识别医疗设备异常运行状态相比其他类型的电子设备，医疗设备的结构与运行参数更加复杂，其异常运行状态的识别难度更大。因此，本研究引入了机器学习算法，并设计医疗设备异常运行状态识别方法。机器学习算法属于无监督特征学习，可通过自身结构完成学习训练，从而将不同的医疗设备异常特征数据进行精准分类7。机器学习的网络结构众多，但传统循环神经网络及支持向量机会受单向传播影响的局限，导致针对不同类型医疗设备异常运行状态的识别效果较差，所以本研究应用 GRU 网络设计了识别模型，其结构如图 2 所示。GRU 网络识别模型主要由输入、隐藏、输出及决策 4 个层次组成，其中第 1 层是模型的输入层，主要负责对输入数据的预处理、标签化处理等操作；第 2 层为隐藏层，主要负责实现输入数据的学习；第 3 层为模型输出层，主要负责将隐藏层输出的数据传输至各分类中，进行最终的分类识别；第 4 层为模型决策层，主要负责将输出层输出的分类数据按照相关规范进行结果决策，从而得到最终的分类识别结果。29医疗装备 2024 年 2 月第 37 卷第 4 期 Medical Equipment,February.2024,Vol.37,No.4图 2GRU 网络识别模型结构示意图如图2所示，GRU网络识别模型中有且仅有2个门结构：更新门 G 与重置门 C。更新门 G 取值越小，构建的 GRU 识别模型中神经元保留的数据越少；重置门 C 为 0 时，构建的 GRU 识别模型中神经元传输的数据为不可用。因此，为保证医疗设备异常运行状态识别效果，需要根据式（4）（5）确定 GRU 识别模型中更新门 G 与重置门 C 的取值。G=（Gyi-1，xi）（4）C=（Cyi-1，xi）（5）式中，表示 GRU 模型的激活函数（本研究采用 sigmoid 函数）；G、C分别表示 GRU 模型结构中更新门 G 与重置门 C 的权重；yi-1表示 GRU模型中上一个神经元的输出值；xi表示 GRU 模型中第 i 个神经元的输入值。根据式（4）与（5）即可建立 GRU 网络识别模型中神经元输出计算公式（6）与（7）。y=tany（CCiyi-1，xi）（6）y=（1-Gi）yi-1+Giy（7）式中，y 表示 GRU 模型中待定神经元的输出结果；yi表示GRU模型中第i个神经元的输出结果。在利用 GRU 网络建立识别模型时，不仅可以分析当前神经元的输入与输出情况，同时可以根据当前神经元的前一个神经元状态进行深入分析。因此，利用 GRU 网络识别模型检测医疗设备异常运行状态时，无需局限在GRU网络的某个神经元节点上，可利用网络整体结构进行异常识别，从而保障识别效果。基于机器学习的医疗设备异常运行状态识别方法的具体过程为：将传感器采集并融合的医疗设备异常特征数据由GRU网络识别模型输入层输入，经过模型的学习与训练即可输出分类识别结果，以此完成医疗设备异常运行状态的识别。2 应用效果2.1 实验方法对基于机器学习的医疗设备异常运行状态识别方法进行评估，需基于 Python 语言搭建 1 个仿真实验环境（内存 64 GB，硬盘 1 TB，CPU 为 Intel i9-9900K 3.6GHz16，集成开发环境为 Pycharm，深度学习框架为 TensorFlow）。为了提升传感器采集数据的准确度，本研究在使用传感器前进行了校准，并尽量消除或降低温度、湿度、振动、电磁干扰等外部因素对传感器的影响。同时，传感器采集到的原始数据可能会存在噪声或不稳定性。通过滤波算法去除噪声、平滑数据，提高数据准确度和稳定性。以某三甲医院内的 TE-135 输液泵设备为例获取仿真实验数据。采集 2022 年 612 月 TE-135 输液泵设备的电压、电流、工作温度、工作湿度 4 项特征数据，共采集 424 210 个样本。经过预处理后，汇总得到 TE-135 输液泵设备的 6 种异常运行状态，分别取 20%的样本数据作为训练集与测试集，具体样本分布情况如表 2 所示。基于上述实验数据，分别使用基于深度学习的识别方法、基于神经网络的识别方法，与本研究设计基于机器学习的识别方法进行比较。表 2实验数据集的样本数量分布（个）编码异常类型训练集测试集Y1正常状态12 8005 400Y2机械部件异常10 6504 950Y3操作系统异常11 0085 156Y4工作温度异常 8 6652 831Y5元器件老化异常 9 0923 673Y6电源供电异常 8 0582 5592.2 评估指标（1）为了评估 3 种方法的识别效果，本研究根据医疗设备运行日志中的记录对采集的异常特征数据样本打标签，并采用式（8）计算误报率，以此衡量不同识别方法的精准度。FPR=FPFP+TN100%（8）式中，FPR 表示医疗设备异常运行状态识别结果的误报率；FP 表示误报的样本数据数量；TN 表示正常的样本数量。（2）为验证医疗设备异常运行状态识别方法的实际应用效果，将 3 种识别方法应用于 S 市第一医院中的医疗设备管理中，在实际临床环境中进行测试和验证，比较 3 种识别方法的医疗设备异常运行状态识别准确率。2.3 结果2.3.1 3 种识别方法的误报率比较依次对 3 种识别方法进行训练与测试，所得实验结果如图 3 所示。3 种识别方法的误报率存在较大差异，其中基于机器学习的识别方法平均误报率为4.43%，较基于神经网络的识别方法降低了3.04%，30医疗装备 2024 年 2 月第 37 卷第 4 期 Medical Equipment,February.2024,Vol.37,No.4较基于深度学习的识别方法降低了 2.11%，识别效果较好。图 33 种医疗设备异常运行状态识别结果2.3.2 3 种识别方法医疗设备异常运行状态识别准确率比较基于机器学习的医疗设备异常运行状态识别方法的准确率高于基于深度学习的识别方法、基于神经网络的识别方法，能够有效提高医疗设备异常运行状态识别效果，见表 3。表 33 种识别方法的医疗设备异常运行状态识别准确率（%）实验次数（次）基于神经网络的识别方法基于深度学习的识别方法基于机器学习的识别方法1 00068.266.399.22 00070.669.298.53 00075.970.199.93 总结与讨论针对传统医疗设备异常运行状态识别方法精度不足的问题，本研究设计了基于机器学习的医疗设备异常运行状态识别方法。该方法的优势是进行了医疗设备多种异常特征数据的采集与融合，并基于GRU 网络对不同异常模式的标签进行分类决策，避免出现识别结果局部最优。因此，基于机器学习的医疗设备异常运行状态识别方法不仅可以识别医疗设备的多种异常运行状态，且识别的准确度更高。本研究结果显示，基于机器学习的医疗设备异常运行状态识别方法误报率较低，识别准确率较高，表明基于机器学习的医疗设备异常运行状态识别方法识别效果较好。本研究尚存在不足之处：由于不同医疗设备的市场占有率不同，一些小众医疗设备的特征数据与本研究设备存在一定差距，而机器学习的识别性能对数据质量具有较强依赖性，所以未来需将未知且小众的医疗设备纳入研究。参考文献1 张翼英，王鹏凯，柳依阳，等.基于 W-ReLU 的设备多工况状态异常检测方法 J.天津科技大学学报，2022，37（5）：63-70.2 张洋，赖叶静，黄定江.基于残差网络的配电柜设备元件状态识别 J.华东师范大学学报（自然科学版），2023（2）：132-142.3 王艳，李煜，赵洪山，等.配电设备监测信号的压缩感知与设备异常识别J.高电压技术，2022，48（1）：11-19.4 胡杰，唐静，谢仕义.基于实时动态基线的运行设备多元状态估计方法 J.热力发电，2021，50（2）：125-131.5 周璇，王馨瑶，闫军威，等.基于机器学习的建筑复杂用能系统运行状态异常检测 J.华南理工大学学报（自然科学版），2022，50（7）：144-154.6 吴昊，林建阳.基于可视化和数据融合的医疗设备异常运行状态检测方法 J.科技通报，2022，38（11）：37-40，45.7 孟令雯，张锐锋，李鑫卓，等.基于机器学习的变电站设备异常状态数据清洗 J.电力系统及其自动化学报，2021，33（12）：79-86.24-26，56.9 Chen H,Bao XY,Wan L.Application of contrast-enhanced ultrasound combined with elastic imaging technology in differential diagnosis of salivary gland tumorsJ.J Healthc Eng,2022,202(2):4600751.10 Welkoborsky HJ,Albers M,Kustermeyer J.Perfusion analysis of benign parotid gland tumors by contrast-enhanced ultrasonography（CEUS）J.Eur Arch Otorhinolaryngol,2022,279(8):4137-4146.11 Ooi CC,Malliaras P,Schneider ME,et al.Soft,hard,or just right?Applications and limitations of axial-strain sonoelastography and shear-wave elastography in the assessment of tendon injuriesJ.Skeletal Radiol,2014,43(1):1-12.12 Sigrist RMS,Liau J,Kaffas AE,et al.Ultrasound Elastography:Review of Techniques and Clinical ApplicationsJ.Theranostics,2017,7(5):1303-1329.13 Matsuda E,Fukuhara T,Donishi R,et al.Clinical utility of qualitative elastography using acoustic radiation force impulse for differentiating benign from malignant salivary gland yumorsJ.Ultrasound Med Biol,2021,47(2):279-287.14 Zhang YF,Li H,Wang XM,et al.Sonoelastography for differential diagnosis between malignant and benign parotid lesions:a meta-analysisJ.Eur Radiol,2019,29(2):725-735.15 Mansour N,Bas M,Stock K,et al.Multimodal ultrasonographic pathway of parotid gland lesionsJ.Ultraschall Med,2017,38(2):66-173.（上接第 26 页）