基于主成分分析模型的医疗设备温度监测模型及其应用

吴蕴蕴，郑彩仙浙江大学医学院附属儿童医院，浙江杭州 310003

基于主成分分析模型的医疗设备温度监测模型及其应用

吴蕴蕴，郑彩仙
浙江大学医学院附属儿童医院，浙江杭州 310003

0 前言

新生儿产热能力低且容易失热，其体温容易随着外界环境温度的变化而变化，从而导致体温异常。尤其是早产儿，因其体温调节中枢发育不成熟，体温受环境温度的影响更明显[1]。当环境温度过低时，婴儿自身产热不足，可能导致体温下降、外周小血管收缩、皮肤血流量减少、肢端发冷及微循环障碍等问题；当环境温度过高时，婴儿自然出汗散热不足，可能导致体温上升、脱水、高血钠症、甚至出现高胆红素血症等问题。

医院通常采用蓝光箱、婴儿保温箱、辐射床等医疗设备，将婴儿的体温控制在合适的范围内。以蓝光箱为例，在一般的临床治疗过程中，医务人员往往通过观察蓝光箱的温度数值来检验蓝光箱的温度是否正常。然而，人为观察不仅会带来一定的误差，而且把单一指数作为衡量标准也存在一定的风险。一旦温度传感器出现故障，而医护人员仍然根据其输出值来判断蓝光箱温度是否正常，往往难以及时发现灯箱故障甚至造成严重的医疗事故。因此，上述医疗设备温度控制的准确性显得尤为关键，需要定期对其进

VOL.30 No.04行规范性温度监测。

多数医院采用INCU婴儿培养箱分析仪（以下简称INCU分析仪），对蓝光箱等医疗设备进行温度监测，即通过INCU分析仪记录一段时间内的温度值，然后通过人工目测分析（主要观察温度的均值和波动范围），来判断该医疗设备的温度控制是否可靠。这种方法具有较强的主观性，较多地依赖观察者的经验；而且INCU分析仪可以同时记录4个不同空间位置的温度值，记录的是多变量数据，数据变化多样，仅仅依靠人工目测分析有时难以得出明确的结论。因此，本研究尝试构建一种新的多变量监测模型，实现对医疗设备温度数据的自动分析。

1 方法

1.1 数据来源

用于治疗新生儿黄疸的蓝光箱，在儿童医院内的应用尤为广泛。黄疸是一种因人体血液中的胆红素浓度增高所引起的皮肤、黏膜和眼球巩膜等部分发黄的症状[2]。在临床中，蓝光照射已经逐渐成为治疗新生儿黄疸的首选方案[3-4]。在实施蓝光照射治疗时，蓝光箱内需保持一定的温度，并通过箱温控制系统进行温度监测与控制。保持箱温在设定值附近不仅对于蓝光照射的治疗效果尤为重要，也是一项重要的安全指标。蓝光箱温度过低或过高，会给新生儿造成不适甚至威胁其生命安全。本研究以蓝光箱的温度监测数据作为基于主成分分析（Principal Component Analysis，PCA）模型的医疗设备温度监测模型的建模数据。

1.2 温度监测仪器

采用美国Fluke公司生产的INCU分析仪，将其自带的4个独立的温度探头（传感器T1～T4）安置在蓝光箱内的4个定点位置，实现这4个记录点温度的实时监测。具体操作步骤：将INCU分析仪平放在蓝光箱内的中心位置，将传感器T1和T3垂直固定在仪器两端，将传感器T2固定在仪器上方的中心位置，将传感器T4固定在仪器下方，与蓝光箱床板直接接触。

INCU分析仪及其4个温度传感器的分布图，见图1。每个记录点的记录频率是1次/min。利用INCU分析仪，可以同时监测蓝光箱内4个不同空间位置上的温度，为检测蓝光箱内温度的可靠性提供有效的分析数据。

图1 INCU分析仪及其4个温度传感器T1～T4的分布图

1.3 温度监测数据的分析方法

很多医院都在用INCU分析仪监测具有保温功能的医疗设备的温度，但是对于监测到的数据，往往只依靠人为目测的方法进行分析，一般仅涉及温度的均值和波动范围。这种方法很大程度上依赖于分析者的主观经验，尤其是当4个温度传感器记录到的数据较复杂时，无法确定这些数据所对应的温度值是否可靠。因此，本研究考虑构建一种新的多变量监测模型，对这些数据进行自动分析。

解决多变量监测问题的方法通常有两类：基于模型的方法和基于数据的方法[5]。采用基于模型的方法时，研究者要根据守恒定律和平衡方程对过程或者系统进行建模，需要深入了解系统完整的技术参数，时间和经济成本较高，一般不被采纳。而随着计算机与通信技术的迅速发展，过程数据采集较为容易，因此基于数据的多变量统计过程建模与监控技术已经逐渐成为近年来的研究热点。其中，PCA及其扩展方法作为代表性的技术，已经被广泛应用于模式识别、机器学习和故障诊断等各个领域[6-10]。本研究提出了基于PCA模型的温度监测模型，并将其应用于INCU分析仪记录的温度数据中，实现对蓝光箱温度的自动监测与控制。

1.3.1 PCA模型

假设N个观测数据｛X1，X2,...,XN｝，其中XN∈RM代表由m个变量（传感器）组成的一个样本向量。一般情况下，需要对该数据矩阵进行归一化处理，即减去每个变量的均值和除以各自的均方差。PCA模型的目标为将原始数据投影到一个较低的D维的线性空间，D＜M，并使得投影后的数据方差最大化。利用PCA方法建立的统计分析模型[11-12]可以表示为：

上式中，T∈RN×D为主元得分，P∈RM×D是载荷矩阵，E∈RN×M为PCA残差矩阵，它代表模型的非系统信息。D为选取的主元个数，即低维空间的维度，可采用交叉检验法或累积方差贡献率（CPV）方法来选取主元个数。主元和残差的得分和载荷矩阵可以通过对X的协方差矩阵S=XTX/(n-1)进行奇异值分解得到，即：

其中Λ=diag{λ1,λ2,...,λM}中的对角线上的元素代表主成分的方差。通常情况下，前几维主成分已经包含了原始数据的大部分信息。因此，经过PCA分解后，原来的M维变量空间就由主成分空间Sp=span{P}和残差空间Sp=span{P～}所代替。一个新的向量X*可以被分别投影到主成分空间和残差空间上：

由于Sp和Sr正交，即X^*TX～*=0，因此：

1.3.2 基于PCA的温度监测模型

通过PCA模型，可以实现对原始高维数据的特征提取，并将原始空间分解为相互正交的主元空间和残差空间，同时提取了原始数据的相关关系。以蓝光箱为例，在温度监测模型中，对于采集的一组温度数据X∈RN×M，其中N为采样个数，M为温度传感器个数。对X做PCA分解后，可以得到主元得分T∈RN×D和残差E，基于此我们可以建立相应的统计监测模型。根据主元得分T，可以构造相应的T2统计量[13]：

假设蓝光箱各个测点的温度服从多元高斯分布，则T2统计量服从近似的F分布（均值和方差由数据估计）[14]：

此外，根据模型残差E，可以构造SPE统计量：

SPE统计量则服从近似的χ2分布：SPE～g·χ2h，其中g和h是χ2分布的参数，他们可通过样本的均值和方差进行估计[14]：

综上所述，基于PCA的蓝光箱温度监测步骤可总结为：① 利用正常条件下采集的样本X∈RN×M，根据公式(1)，构造PCA模型得出主元得分T∈RN×D和残差E；② 根据公式(6)和(9)构造T2和SPE统计量；③ 根据公式(8)和(10)构造T2和SPE统计量的控制限；④ 当测量出新样本时，根据公式(3)和(4)计算出测试样本的主元得分tnew和残差enew；⑤ 根据公式(6)和(9)构造新样本的统计量和SPEnew；如果T2或SPEnew高于相应的控制限，则说明温度异常，反之，则说明温度在正常范围内。

2 结果

将基于PCA的温度监测模型应用在临床使用的蓝光箱上，来评估模型的有效性。本研究用于测试的蓝光箱共有4个温度测点，在正常状态下，收集了250个采样点作为训练数据，即Xtrain∈R250×4。同时，为了验证算法的有效性，本研究对蓝光箱进行了故障模拟实验，采集到了测试数据Xtest∈R171×4，其中，在第15个采样点之后将蓝光箱的温度设定值提高了2 ℃，以此来检验模型是否能检测出温度异常。基于PCA的蓝光箱温度监测结果，见图2～3。

图2 正常条件下的温度监测结果。

图3 异常条件下的温度监测结果。

由图2(a)可知，对于正常条件下的数据，T2统计量全部在控制限以下；由图2(b)可知，SPE统计量有3个采样点不在控制限以下，但因为控制限的置信度为99%，所以这属于正常范围。因此，对于正常数据，T2和SPE统计量均在控制限以下。

由图3(a)、(b)可知，对于异常条件下的数据，在15个采样点后，T2和SPE统计量都远远跳到控制限以上。

因此，基于PCA的温度监测模型可以有效地监控蓝光箱的箱温，当箱温出现异常时，T2和SPE统计量会及时地发出故障警报，使得异常状况在最短的时间被发现和处理。

3 结论

随着基于数据驱动的智能医疗系统的发展，基于数据模型的医疗器械监测与控制将成为未来的一个研究热点。

具有保温功能的医疗设备，如保温箱、蓝光箱等，在医疗机构（尤其是儿童医院）里应用广泛。新生儿对于环境温度尤其敏感，传统的人为观察温度的方法容易导致误差或误判等。随着大数据时代的到来，计算机数据分析技术将取代传统的人工粗略分析，逐渐被广泛应用于各个领域。本研究提出了一种基于PCA模型的医疗设备温度监测模型，即利用数据分析领域被广泛应用的PCA模型，构造了多个温度传感器监测数据之间的相关关系，进而构造了T2和SPE统计量，以此来监测医疗设备的温度是否正常。将该模型应用在蓝光箱的箱温数据分析中，结果表明，该模型可以有效地监测蓝光箱的箱温，当箱温出现异常时，T2和SPE统计量能够及时地发出故障警报，使得异常状况在最短的时间内被发现和处理。

[1] 林峰,黄小飞,饶高峰,等．新生儿体温及其变异因素的临床研究[J]．临床儿科杂志,2006,23(9):635-637．

[2] Click R,Dahl-Smith J,Fowler L,et al．An osteopathic approach to reduction of readmissions for neonatal jaundice[J]．Osteopathic Family Physician,2013,5(1):17-23．

[3] 张智荣．蓝光治疗新生儿黄疸的护理[J]．临床医学,2011,31(4):124-125．

[4] 何丽丽．蓝光治疗新生儿黄疸的护理体会[J]．中外健康文摘, 2014,(21):292．

[5] Murphy KP．Machine learning: a probabilistic perspective[M]．MIT Press,2012．

[6] Bishop CM．Pattern recognition and machine learning[M]．New York:Springer,2006．

[7] Jolliffe I．Principal component analysis[M]．John Wiley & Sons,Ltd,2005．

[8] Qin SJ．Survey on data-driven industrial process monitoring and diagnosis[J]．Amw Rev Control,2012,36(2):220-234．

[9] Ku W,Storer RH,Georgakis C．Disturbance detection and isolation by dynamic principal component analysis[J]．Chemometr Intell Lab Syst,1995,30(1):179-196．

[10] Tipping ME,Bishop CM．Probabilistic principal component analysis[J]．J R Stat Soc B,1999,61(3):611-622．

[11] Jackson JE．A user's guide to principal components[M]．New York: John Wiley & Sons,Inc,1991．

[12] Joe Qin S．Statistical process monitoring: basics and beyond[J]．J Chemometr,2003,17(8-9):480-502．

[13] Tracy N,Young J,Mason R．Multivariate control charts for individual observations[J]．J Qual Technot,1992,24(2):88-95．

[14] Russell EL,Chiang LH,Braatz RD．Fault detection in industrial processes using canonical variate analysis and dynamic principal component analysis[J]．Chemometr Intell Lab Syst,2000,51(1):81-93．

APCA-Based Medical Equipment Temperature Monitoring Model and its Application

WU Yun-yun, ZHEN Cai-xian
The Children’s Hospital of Zhejiang University School of Medicine, Hangzhou Zhejiang 310003, China

将具有保温功能的医疗设备的温度控制在设定值的合适范围内具有重要意义。传统的温度监测方法主要是人工判断，对主观经验依赖性较大，而且过于简单，遇到复杂情况将无法判断温度的可靠性。本文基于主成分分析（PCA）模型，提出了一种新的医疗设备温度监测模型，即基于PCA模型构造多个温度传感器监测数据之间的相关关系，进而构造了相关统计量来监测医疗设备的温度是否正常。将该模型应用于蓝光箱的箱温数据分析，结果表明，该模型可以有效地监测蓝光箱的箱温，当箱温出现异常时，能够及时地发出故障警报，使得异常状况在最短的时间内被发现和处理。该模型可运用到各类温度数据需要进行监测的医疗设备中，具有较强的实用性。

医疗设备；主成分分析模型；温度监测模型；数据挖掘；主元空间

It was important to ensure the temperature control of medical equipment with the heat preservation function within an acceptable range of the setting value. The temperature monitoring was traditionally carried out by artificial judgment, which mainly depended on subjective experiences. Also, it was not easy to make an accurate decision in case of complex situations. In this paper, a PCA-based (Principal-Component-Analysis-Based) multivariate statistical model was proposed and applied for temperature monitoring of the medical equipment. In the new model, connections between the monitoring data of temperature sensors was constructed on the basis of PCA model so as to monitor the status of the temperature of medical equipment through use of corresponding statistical data. After application of the new model to analysis of the temperature of the blue light box, it demonstrated its effectiveness, quick responses and alert to the abnormal conditions, which could ensure the abnormalities are found and processed in the shortest time. In practice, the proposed model had strong practicality and could also be used in various medical equipment that needed to monitor the temperature data.

medical equipment; principal component analysis; temperature monitoring model; data mining; principal component space

R197.39

A

10.3969/j.issn.1674-1633.2015.04.004

1674-1633(2015)04-0015-03

2015-01-06

作者邮箱：wuyy0323@163．com