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）

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。

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。

图2 GRU 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。

式中，ε表示GRU 模型的激活函数（本研究采用sigmoid 函数）；ωG、ωC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）。

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 3.6GHz×16，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6—12 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）

2.2 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。

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%，较基于深度学习的识别方法降低了2.11%，识别效果较好。

图3 3 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3 3 种识别方法的医疗设备异常运行状态识别准确率（%）

3 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。