张 婧,孟令豪,武 伟
(临沂市中心医院,山东临沂 276400)
医疗设备故障的发生与诸多因素相关,较大幅度增加了医疗的成本,降低了设备的工作效率,积极的医疗设备故障预测具有多方面的积极意义,能够为医疗设备的维修策略制定提供数据支撑。领域内的专家积极开展医疗设备故障预测研究工作并取得了若干成果,火箭军总医院的侯羿[1]基于线性回归模型开展医疗设备故障预测研究工作,研究成果为医疗设备维保部门制定维修策略提供了数据支撑;北京儿童医院的赵盼[2]将故障预测与健康管理(PHM)理论应用到医疗设备故障预测领域,给出了切实可行的面向医疗设备故障预测的PHM 体系结构;华西医院的王守镜[3]通过调研若干单位医疗设备的维保数据,对维保数据进行多维度深度分析,得出了若干潜在规律。目前主流应用的医疗设备智能综合管控系统需要设备管理员具备较好的数学基础与机械故障诊断能力,并且不同的信号特征具有不同的表达含义,人工较难提取统一及适用不同模型的特征,现有的机器学习方法[4]在医疗设备故障预测中适用性较低。该研究根据现有研究情况,提出基于改进深度信念网络的医疗设备故障预测模型研究及工程评估实践[5],以期为医疗设备故障的有效预测提供一些思路。该研究中所提出的模型完全是智能化操作,无需人工干预或监督,可以构造生成模型与其判别模型共享参数的模型,使得预测模型可以同时保持提取输入特征和相关特征的能力[6],进而保证数据预测的有效性和准确性,在医疗设备维护领域值得广泛推广与应用。
改进的深度信念网络主要是由多个受限玻尔兹曼机(Restricted Boltzmann Machines,RBMs)堆叠生成一种概率预测模型[7],该研究中结合医疗设备的数据特征,提出改进深度信念网络预测模型,受限玻尔兹曼机结构示意图如图1 所示。
图1 受限玻尔兹曼机结构示意图
利用医疗设备大量的数据无监督训练RBM,进而找出最佳参数集,自动对医疗设备故障的信号提取深层的特征[8],使似然函数最大化,为了解决这个问题,Hinton 根据CD 算法提出了一种训练RBM 的多主算法:对比发散(CD)算法,最大似然函数可以得到最大似然参数,则给出基于RBM 训练集的最优参数θ*,公式如下:
在对改进深度信念网络的改进中,需要对RBM的训练参数进行更新,具体来说,随机梯度上升是用来求解最大值的。在CD 算法的过程中[9],最关键的一步是求解对数P(v/θ)对参数的偏导数,Hinton 提出了Markov 链,它可以解决可见层和隐藏层的状态。当可见层和隐藏层的分布趋于稳定时,P(v,h)达到最大值[10],参数可以更新为:
其中,t和η分别是迭代次数和学习率,由上述推理,进一步得到医疗设备故障预测的深度体系架构示意图,具体如图2 所示,图中实心球体表征医疗设备故障节点。
图2 医疗设备故障预测的深度体系架构示意图
改进的深度信念网络在医疗设备故障预测时,可以较好地提取出产生医疗设备故障的特征向量,并输入所提取的特征项预测层,从而为医疗设备故障的有效评估提供依据。该研究提出了改进深度信念网络的医疗设备故障预测模型[11],主要是通过对其中的神经层次叠加逻辑,再回归神经层,从而对医疗设备故障进行有效预测,深度信念网络可以通过回归预测层,进一步搭建起医疗设备整体体系的预测架构,用来更好地评估医疗设备在实际运行期间产生的故障,为进一步的预防措施制定提供依据。
模型的生成需要进行预训练,该研究采用的是对比散度算法。该方法可通过无监督前向堆叠的RBM 学习,从而在可视层生成向量V,再由可视层向隐藏层传输,整个传输数据的过程中,输入至可视层的数据可随机选择,从而使得最真实的原始信号被输入[12],进而将所激活的神经元不断地向前传递,隐藏层的神经元也由此被激活,从而得到h。这种操作步骤是重复进行的,即后退和前进,也可以称之为Gibbs 采样过程。可视层与隐藏层之间的信号相关性差别主要是在整体采样过程中[13],通过重构与更新权值得到。没有层内连接,通常每层中的每个单元都连接到相邻层中的每个单元。由多个RBM 按顺序堆叠而成,第一个RBM 的可视层作为输入层,其他层称为隐藏层[14]。原始数据通过输入层传递到隐藏层,并由隐藏层转换为抽象表示。它被称为编码过程。根据具体任务,抽象表示从最后的隐藏层映射到输出层,称为解码过程。这种训练过程生成模型的步骤具体可归纳为如下几点:
1)模型生成参数的初始化确定
第一步需要确定模型生成之前的参数,该研究中设定样本数据为x,v则确定为可视层,隐藏层为h,可视层偏置为b,隐藏层偏置为c;另外,设置连接可视层与隐藏层二者的单元权重为w[15],学习率为n,隐藏层节点数为m,函数sigmoid 写为sigm,可视层节点数为n,令v′=x,并初始化w、b、c,隐藏层所有的单元j=1,2…,m,被激活的概率通过如下计算得到:
2)模型隐藏层激活函数确定
3)模型更新层策略函数确定
上述操作步骤是改进深度信念网络的医疗设备故障预测模型的工作原理,主要是对可视层赋予原始数据向量,再按照公式计算获得RBM 的隐藏层单元,从而开启概率预测模型的全过程,反复操作下,会随机选择0、1 作为权值范围的阈值,若超出阈值,则该神经网络中单元间权重被激活,反之则无法激活。依据这一模型的构建,可以较好地反映可视层提供原始数据的特征,进而对数据进行有效编码,实现医疗设备故障的有效预测。
对临沂市中心医院设备科现役应用的一批医疗设备进行了故障预测模型仿真,以此为采购的医疗设备工程评估提供依据。原始数据提取了2019 年1月-2020 年1 月期间临沂市中心医院医疗设备故障数据集。对基于改进深度信念网络的医疗设备故障预测模型进行仿真验证,对比原始数据与预测医疗故障发生概率之间存在的误差,基于改进深度信念网络的医疗设备故障预测模型性能仿真图如图3 所示;模型重构有效率能够更好地确定改进深度信念网络模型的似然度情况,并作出准确的评估,从而为医疗设备工程评估提供一个参考指标,模型重构有效率与训练迭代次数对应关系性能仿真图如图4 所示,迭代进入400 千次时,重构有效率处于稳定状态,表明400 千次的迭代在模型架构下是合理的,随着模型训练迭代次数的递增,模型的预测误差损失函数性能逐渐优化,表明迭代次数在模型设计中是合理的。
图3 医疗设备故障预测模型性能仿真图
图4 模型重构有效率与训练迭代次数对应关系性能仿真图
该研究所构建的基于改进深度信念网络的医疗设备故障预测模型利用院内局域网络进行数据交换,采用信号接收系统实现院内所有医疗设备故障数据的采集,并发送至计算机系统内,自动完成故障发生概率的测算[17]。医疗设备故障的预测,可以通过数据的反复采集,自动形成叠加与存储,保证数据的准确性与可靠性,能够随时提供故障预测概率,保证医疗设备运行的稳定性[18]。利用局域网的分散发射,无论设备在哪一方位运行,均能够保证医疗设备实时性的监测效果,快速反馈医疗设备的运行情况,对可能发生的预测故障下限进行自动分析,也可自动报警,给予设备维护人员提示,根据不同提示,制定有针对性的运维措施。该预测模型,可以通过现代化的预测手段,真正满足当前医疗设备的运维,提升医疗领域的整体工作效率,该研究所构建的模型工程临床应用实践布置图如图5 所示。
基于改进深度信念网络的医疗设备故障预测模型是否能应用至工程实践,仍需要进行评估。选取2015 年以来院内设备故障数据为原始数据来源,进行故障预测能力工程评估实践,对原始数据进行池化处理,生成医疗设备故障数据集(Mefds),选取Mefds 数据集中的5 000 例数据作为算法的前置训练集,选取Mefds 数据集中的3 000 例数据作为算法的后置测试集,鉴于医疗设备故障预测问题属于连续动作空间下的感知与决策问题,引入16 层改进深度信念网络框架,并利用多层受限玻尔兹曼机机制改善框架的感知收敛迟滞问题。设置模型迭代次数为400 千次,基于PyCharm 集成开发环境,在Gym 0.9.2环境下进行图形化数据交互,应该至少保证4G 运行内存及不少于80G 的内存余量。为了方便开展统计学分析,把医疗设备故障数据集按照时间走向划分为12 个子集,把改进深度信念网络的医疗设备故障预测模型与工程应用实践的实测值进行多维对比,从医疗设备故障识别有效率、医疗设备故障预测精确率等层面进行定量分析,为了进一步保证结果的可靠性,将研究数据录入Spss24.0 软件中,进行统计学的差异性分析,最终得到的结果如表1 所示。
表1 模型工程化应用评估实践验证值对比
基于改进深度信念网络的医疗设备故障预测模型主要通过随机变量特征的提取,从而激活神经元,进一步获得医疗设备运行的情况,准确判断故障发生的概率,进而提升了模型预测的智能性与准确性。改进深度信念网络的医疗设备故障预测模型设置迭代次数为400 千次时,预测值与实际值结果之间符合统计学误差范围内的一致拟合,可以得到医疗设备故障准确的预测概率。基于改进深度信念网络的医疗设备故障预测模型自身具备故障预测精准、工作效率高、全自动操作、无需人工配合等多重优势,其在医疗设备维护领域应用前景非常广阔,具有重要的临床应用推广价值。