基于实时状态电流的数字诊疗设备运行状况监测系统及其应用研究

廖伟光，周凌宏，陈宏文

1. 南方医科大学 生物医学工程学院，广东 广州 510515；2. 南方医科大学南方医院 医学工程科，广东 广州 510515

引言

新型冠状病毒肺炎疫情暴发以来，受疫情限制，设备专业维护人员难以进行现场支援，特殊时期医院诊疗设备的正常运转保障受到影响，给医院医工科室的运维工作带来了很大的压力与挑战。环顾国内大多数医疗机构，医疗设备管理理念和方法仍存在不足，医疗设备管理信息化水平不高，医疗设备资源的闲置与不足现象往往同时出现[1-2]；其次，医疗设备存在“买而不用”现象，设备功能缺乏平衡的调配，无法实现同类设备的性能对比，这无形地阻碍着国产数字诊疗设备政策的推行；再者，无法保障用电安全问题一直存在于电子设备管理中，特别是医疗机构的电子产品用电安全方面，存在用电不规范、产品老化、产品质量不过关的问题，使其电路短路产生火警的情况时有发生，严重危害医院各方人员的生命财产安全[3-4]。而该领域的管理系统大都存在功能单一、监测的数据不稳定、需要投入的资金非常巨大、监测的数据单调、不能深入挖掘数据、数据不准确及丢失数据等问题；无法监测到设备的一些特殊而少用的功能，导致部分设备的资源严重浪费。本研究旨在设计一种数字化医疗设备的运行监测系统，适用于各医院各种医疗设备的运行状态监测，主要包括运行电流监测、运行电压监测、运行时间监测、环境监测[5]等，进而判断出设备的运行状态，并对设备的运行时间进行统计，分析设备的使用率，保证用电安全，为医务人员进行效益分析提供数据支持[6-8]，大大减轻医务人员相关工作量。

1 监管系统的原理与构建

1.1 系统的原理

系统利用物联网技术即通过传感器或按约定的协议，将医疗设备与网络连接，以实现智能化的监管、定位、跟踪、分析等功能[9]，本系统以分析日志方式或者通过电流传感器或者磁场传感器监控设备的电流大小或者磁场大小来分析电流[10]或者磁场波形。设备在待机和工作状态所产生的电流或磁场均不相同，设备各个部件所产生的磁场也不同，系统以此特征来识别设备的工作状态。所采集到的原始数据通过物联网系统上传到服务器进行模型匹配分析，从而得到管理数据。

1.2 系统的基本框架及功能

系统的基本框架及结构如图1所示，主要分为硬件的数据采集模块和软件的数据分析模块。为了数据安全，网络采用内网区域、DMZ区域及公网区域三层结构。

图1 系统框架及功能框图

1.3 硬件的构成

硬件部分由电流传感器、处理模块和通信模块组成。该系统是基于霍尔传感器监测设备的运行状态和定位的装置，包括壳体和设置在壳体内部的PCB板，所述PCB板上设有霍尔传感器模块、运放模块、A/D转换模块、处理器、无线传输/定位模块和电源模块。霍尔传感器感应到电流产生的磁场并将其转化为微小电流，通过电流传感器ACS712芯片转化为电压信号放大，经过A/D模块转换成数字信号输进STM32处理器进行计算处理，再经过Wi-Fi及定位模块上传数据至服务器[11-12]。

1.3.1 霍尔传感器与放大电路

霍尔器件是一种磁传感器，可以检测磁场及其变化，可用在各种与磁场有关的场合。电流芯片采用ACS712，经2701放大输出，部分电路如图2所示。

图2 电流采集电路

1.3.2 单片机及传输模块

系统采用ARM最先进的基于cortex-M3内核的处理器sTM32F103zET6芯片作为整体控制核心[13]，Wi-Fi传输模块使用RFX2401C解决方案，RFX2401C是集成电路RF单片机（射频前端集成电路），包含所有内部IEEE 802.15.4/ZIGBEE，提供服务所需的射频功能无线传感器网络和其他无线系统在2.4 GHz的ISM波段。RFX2401C架构集PA、LNA和收发开关电路，相关的匹配网络，以及谐波滤波器装置在CMOS单片机。典型的高功率应用包括住宅和工业自动化、智能电力和RF4CE等。RFX2401C具有性能优越、灵敏度与效率高、噪音低、外形小和成本低的优点，应用程序需要扩展范围和带宽。RFX2401C简单和低电压CMOS控制逻辑，需要最低限度的外部组件系统的实现，其部分电路如图3所示。

图3 RFX2401C传输模块电路

1.3.3 数据融合及异常数据检测

本研究加入的创新性的多传感数据融合和异常数据检测算法，通过数据特征信息融合功能可以识别出设备的功能利用情况，计算设备功率利用率；通过异常数据检测功能识别监测数据的异常以给出警示。首先数据特征信息融合，即对来自传感器的原始数据信息进行特征提取，然后对提取信息进行综合分析和处理。为满足实际需求，建立“样本均值随机加权估计与智能特征提取模块”将特征信息对多传感器数据（如操作振动、温度、母线电压、开断电流、功率、振动噪声）与生产数据、环境温度、湿度数据进行分类、汇集和综合[14]，以建立该设备正常状态下的基本数据模型，然后根据异常数据检测算法检测出异常情况并智能报警。基于主成分的异常数据检测算法是通过检查一组对象的主要特征来识别异常数据的[15]，执行前必须先确定数据的主要特征，该特征可以在数据特征信息融合后获取。

2 结果

2.1 设备的运行信息

表1显示了我院1.5 T的核磁共振自2020年1月1日至2020年2月10日共40 d的实时监控数据。其开机率100%（开机率=累积开机天数/工作日天数×100%）；使用率高达83.87%（使用率=累积使用天数/工作日×100%，检查了1056项目，499人次，平均每人次2.1项目，人均扫描时间1.78 h；最后监控的液氦水平为83.56%，损耗0.03%，处于正常水平，提示当前液氦压力正常。设备的风险评估：设备故障的风险预警依据严重性分为三类[提示（Info）/风险（Risk）/故障（Error）]共5档，故障信息根据表2所示标准来划分，并根据响应情况进行累计。此划分标准是依据每个品类的品牌综合资深维修工程师的经验总结归纳所得。设备风险异常次数41次，磁体风险异常次数30次，射频系统风险异常次数4次，梯度系统风险异常次数0，设备综合评估的健康指数为85分（通过平台数据运算得到设备指标值，然后根据不同等级的风险故障预警、保养来加减分得出健康指数。将设备的健康状况量化，以衡量设备的健康度）。

表1 设备的基本及运行信息

表2 设备风险类型表

2.2 运营动态的分析

每天的检查人次-项数走势如图4所示，可见周六、周日的检查人次平均为18人/d，周五的检查人数平均为60人；春节假期间检查次数为零；2020年1月29日以后检查人数维持在10人/d以下，可能是受新型冠状病毒性肺炎疫情的影响。

图4 每天检查人次-项数走势

每天的扫描时间如图5所示，可见正常的工作时间基本在7:30～22:00，星期六、星期日为7:30～18:00；春节放假期间设备没有使用，1月29号（农历春节初五）以后只有上午开机扫描。正常工作日机器的使用率100%。

图5 每天首末扫描时间分布

设备2019年7月至2020年3月半年内的扫描人次走势和使用率如图6～7所示。2019年7月的最高峰位800人次，最低的是2019年10月为315人次，扫描人数比11月份低200多人次，可能是受国庆假期的影响。2020年1月受春节及疫情的影响仅有499人次。半年的数据来看，前三个月设备是满负荷运行的，设备使用率100%；2020年1月份的使用率仅有83.09%。

图6 设备2019年7月至2020年3月扫描人次走势图

图7 设备2019年7月至2020年3月设备使用率

2.3 设备的多传感器的数据融合及预警检测

以本院2020年10月22日超声监测数据为例，超声采用多传感器融合方式，使用时探头下的传感器感应到电流，在开机传感器的配合下，二者融合后算出超声的使用次数。如图8所示，蓝色为开机感应电流，在此区间出现腹部探头的感应电流，由此可以得出该日此台超声使用6次，其中最长时长18 min 57 s，最短的是3 s，根据时间规律可以判断出3 s时长是误操作引起的，最终得出该天的实际使用次数为5次。实际使用时间集中在上午，下午空闲。由此可见适当调整病人在下午检查，可以使设备得到充分利用。

图8 多传感器数据融合

根据系统的异常数据检测算法可以发现超声刀在该天14:07时有一次断电的异常数据（图9），系统根据机制给出一次异常的报警。工程师可以根据此报警调查此次断电的原因，避免由于断电引起的故障或者数据丢失等情况，从而进一步降低此台超声刀的故障率。

图9 预测数据分析

通过以上手段进行数据分析，可以得出设备的使用率、设备的开机时间、检查人数、部件的实时状况、经济效益、功能利用率、风险评估等参考指标，指标效果如表3所示。

表3 指标效果表

通过统计一个时间段内的扫描人数或者设备使用率，得到设备在时间轴上的使用分布情况，可以有效调整设备的使用，使设备的使用保持在正常的频率范围内；通过故障监测与预警分析，评估出某些故障的风险次数，可提前预防故障的发生；通过分析设备的使用情况，可以进一步调配设备的使用时间，使设备得到充分的利用；通过监测设备的功能利用率可以指导日常设备的正常使用，延长使用寿命，例如超声，利用融合多传感器技术可以准确采集每个探头的使用情况，从而分析出该机器腹部探头的使用次数远远大于其他探头，这个对比数据可以作为采购医用超声时的依据：可以通过适当增加腹部探头配置数量来减少探头的损耗，延长探头使用寿命。总之，获取的数据以设备运行参数为基础，从运行与使用状况、故障报错、维修保养等方面来评价设备状态，可为医疗设备提供一个更加先进的维修管理模式，如可为设备科评判设备安全性和有效性提供参考指标，为医院应对疫情与调整业务提供参照与数据支持，也可为医院设备的采购提供强有力的数据支持。

3 讨论

现阶段针对医疗设备运营状态的监控措施和手段基本是全人工或者半软件、半人工的数据统计，其数据的收集过程相当烦琐，手段滞后，以致所分析出来的数据结果缺乏参考价值。本研究的创新性在于采用多传感器融合系统，结合多种方式采集设备数据，创新性引入数据融合建模技术、数据异常分析算法、数据挖掘等手段对所获取的底层数据进行处理分析，多角度、多维度评估设备的实时风险并分析使用效率；从数据结果来看，该系统可以实时监控设备的运行状态和设备的运行参数，其后续的数据分析统计也对设备的运维管理有巨大的参考价值，比如故障的实时报警可以降低故障的严重化[16]，风险的评估可以让设备管理人员提前做好针对性、预防性维护，把故障消灭在萌芽状态[17]。其自动统计设备显示的功能利用率数据可为设备的采购提供决策依据，监控设备提供的设备使用率数据和闲置时间可以有效实现设备的资源调配问题，从而提高设备的使用效率。综合来看，采用物联网技术评价数字诊疗设备状态，能为设备科评判设备的安全性和有效性提供参考指标，提升了医院设备监测的信息化、智能化、自动化水平[18]，为医院应对突发状况及提升设备使用效率提供有效参考与支持。

4 结论

基于实时状态电流的数字诊疗设备运行状况监测系统，集数据实时传输网络技术以及多传感器数据融合、异常数据智能监测技术于一体，可实现基于状态的医疗设备的监管，提升医院设备监测的信息化、智能化、自动化水平，在一定程度上解决该研究领域数据不准确、多维数据获取困难的问题，推动了该研究领域在医疗设备管理中的应用。从管理学角度来看，系统所带来的附加收益是可观的，但系统的推广存在一定局限性，铺设的成本还比较高，即时报警方面还欠佳。展望该研究的未来发展空间，系统可通过扩展外部传感器，监测设备环境，比如辐射剂量监测，实现对病人及工作人员辐射剂量的进一步管理，进而有效降低个人辐射照射量。由此可见系统的可扩展性及实用性的潜力巨大，可进一步挖掘并完善。