基于模式識別技術的醫療電子設備故障智能辨識

于大海 姜丹 李楠

摘? 要： 針對當前醫療電子設備故障智能辨識方法存在精度低、效率低等局限性，設計基于模式識別技術的醫療電子設備故障智能辨識方法。首先，對國內外醫療電子設備故障智能辨識的研究現狀進行分析，找到引起醫療電子設備故障智能辨識局限的原因;然后，提取醫療電子設備故障智能辨識特征，并采用模式識別技術建立醫療電子設備故障智能辨識模型;最后，采用具體實例對醫療電子設備故障智能辨識結果進行分析。基于模式識別技術的醫療電子設備故障智能辨識正確率高，醫療電子設備故障智能誤識率極低，而且醫療電子設備故障智能辨識效率優于傳統辨識方法，對比結果驗證了基于模式識別技術的醫療電子設備故障智能辨識的優越性。

關鍵詞： 模式識別技術; 醫療電子設備; 故障智能辨識; 故障分類器; 信號采集; 辨識效率

中圖分類號： TN99?34; TP391? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）03?0146?04

Intelligent fault identification of medical electronic equipment

based on pattern recognition technology

YU Dahai1， JIANG Dan2， LI Nan3

（1. School of Electrical Information， Changchun Guanghua University， Changchun 130033， China;

2. The Second Hospital of Jilin University， Changchun 130000， China;

3. Army Armored Military Academy Sergeant School， Changchun， 130000， China）

Abstract： An intelligent fault identification method for medical electronic equipment based on pattern recognition technology is designed to deal with the limitations of low accuracy and inefficiency of current intelligent fault identification of medical electronic equipment. Firstly， the research status of intelligent fault identification of medical electronic equipment at home and abroad is analyzed to find the reasons causing the limitation of intelligent fault identification of medical electronic equipment. Then， the intelligent fault identification features of medical electronic equipment are extracted， and the intelligent fault identification model of medical electronic equipment is created by pattern recognition technology. Finally， the results of intelligent fault identification of medical electronic equipment is analyzed with specific examples. The results are that the accuracy of intelligent fault identification of medical electronic equipment based on pattern recognition technology is high; the false recognition rate of intelligent fault identification of medical electronic equipment is extremely low， and the efficiency of intelligent fault identification of medical electronic equipment is higher than that of traditional methods. The comparison results have verified the superiority of intelligent fault identification of medical electronic equipment based on pattern recognition technology.

Keywords： pattern recognition technology; medical electronic equipment; intelligent fault identification; fault classifier; signal acquisition; identification efficiency

0? 引? 言

近年來，隨著電子技術和集成電路的不斷發展和成熟，其與許多領域中的技術進行了有效融合，其中，醫療電子設備是一種重要融合成果。醫療電子設備在實際應用過程中，由于設備的老化、工作環境影響以及其他原因干擾，難免會出現一定的故障，當醫療電子設備出現小的故障時，不能正常工作，影響醫院的業務，嚴重時，直接導致醫療電子設備報廢[1?3]。醫療電子設備故障辨識可以幫助設備管理人員了解醫療電子設備變化特點，可以給醫療設備提前進行維護，延長醫療電子設備使用壽命，并且有利于醫療電子設備故障的定位和排除，因此醫療電子設備故障辨識成為當前研究的重點[4?5]。

長期以來，一些專家對醫療電子設備故障辨識問題進行了研究，醫療電子設備故障辨識研究可以分為兩個階段：傳統階段和現代階段[6]。傳統階段包括人工方式和專家系統，人工方式的醫療電子設備故障辨識耗時長，辨識結果出現錯誤概率大[7];專家系統方式的醫療電子設備故障辨識結果有一定的盲目性，醫療電子設備故障辨識結果可信度比較低[8]。現代階段主要為醫療電子設備故障智能辨識技術，引入了神經網絡、聚類分析、遺傳算法等構建醫療電子設備故障辨識模型，獲得了比傳統醫療電子設備故障辨識方法更好的效果[9?11]。在實際應用中，醫療電子設備故障種類多，產生故障原因多，使得醫療電子設備故障辨識是一個復雜的過程，聚類分析、遺傳算法的醫療電子設備故障辨識精度低，而神經網絡的學習時間長，醫療電子設備故障辨識效率低[9，12]。

為了解決當前醫療電子設備故障智能辨識精度低、效率低等難題，設計了基于模式識別技術的醫療電子設備故障智能辨識方法，并與其他醫療電子設備故障智能辨識方法進行對比測試，結果表明，基于模式識別技術的醫療電子設備故障智能辨識正確率高，辨識效率優于傳統辨識方法，驗證了本文方法的優越性。

1? 醫療電子設備故障智能辨識方法設計

1.1? 模式識別的醫療電子設備故障智能辨識思想

基于模式識別的醫療電子設備故障智能辨識思想為：采集電子設備故障的表征信號，并對信號的噪聲進行消除操作;提取醫療電子設備故障智能辨識特征，組成醫療電子設備故障智能辨識輸入;將醫療電子設備故障類型作為輸出，采用模式識別技術建立醫療電子設備故障辨識模型。

1.2? 醫療電子設備狀態信號采集以及處理

首先采用傳感器對醫療電子設備狀態信號進行采集，收集到描述醫療電子設備工作狀態的原始信號，由于采集過程中可能存在一定的干擾，同時將一些無用信號當作有用信號進行收集，即包含了一定的噪聲。本文引入曲波變換對醫療電子設備工作狀態的原始信號進行去除噪聲操作，得到干凈、質量高的醫療電子設備工作狀態信號，為后續的醫療電子設備工作狀態特征提取打下良好的基礎。

1.3? 醫療電子設備狀態信號的特征提取

醫療電子設備工作狀態發生變化時，信號的能量值會發生相應改變，因此可以采用能量值表述醫療電子設備工作狀態的類型。設醫療電子設備工作狀態信號被進行多層分解后，第[i]層的分解子信號為[Sij]（[j=]0，1，2，…，[2i-1]），醫療設備工作狀態信號在[j]個尺度上的能量信號為[E1，E2，…，Ej]，那么該尺度內醫療電子設備工作狀態信號的總功率[E]等于各點功率[Ek]（[k=1，2，…，j]）之和。設[εij（k）]=[EkE]，第[i]層第[j]個尺度上信號的能量熵計算如下：

式中[N]為醫療電子設備工作狀態信號的長度。

設對醫療電子設備工作狀態信號進行3層分解，共有8個子信號，那么有8個能量熵，用它們構造醫療電子設備工作狀態信號的一個特征向量，具體為：

由于醫療電子設備工作狀態信號的原始能量熵相差較大，影響醫療電子設備故障智能辨識結果，為此對其進行如下處理：

醫療電子設備狀態信號特征歸一化后為：

1.4? 醫療電子設備故障智能辨識的分類器

1.4.1? 模式識別技術

當前模式識別技術很多，如支持向量機、深度學習算法等。其中，深度學習算法的實際應用范圍更廣、性能更優，因此本文選擇深度學習算法設計醫療電子設備故障智能辨識分類器。深度學習算法由輸入層、輸出層、隱藏層組成，[wi（i=1，2，…，k）]為隱藏層的權值，其中，[k]表示隱藏層的節點數，[wo]為輸出層的權值。輸入層是醫療電子設備狀態信號特征向量;輸出層是醫療電子設備狀態的類型。深度學習算法的工作思路為：利用醫療電子設備故障辨識樣本對深度學習算法的輸入層、隱藏層進行訓練，然后對深度學習算法的輸出層進行訓練，最后引入反向傳播算法對深度學習算法的參數進行調整。

1.4.2? 醫療電子設備故障智能辨識分類器構建過程

1） 訓練是一種非監督學習過程，主要確定深度學習算法的相關參數，采用逐層貪婪優化訓練機制對輸入層和隱藏層進行訓練，采用能量和概率分布函數進行表示，計算公式具體為：

式中：[vi]，[hi]為輸入層和隱藏層節點的狀態;[ai]，[bi]為偏置向量。

[Z]為歸一化系數，具體為：

根據貝葉斯公式計算出邊緣和條件概率，即有：

深度學習算法訓練就是為了有效擬合醫療電子設備故障智能辨識的輸入數據和輸出數據之間的關系，根據極大似然學習法則，要對全部醫療電子設備故障智能辨識輸入數據進行極大化[P（v，θ）]操作，采用快速近似算法計算梯度。首先根據醫療電子設備故障智能辨識訓練樣本對輸入層進行初始化，根據醫療電子設備故障智能辨識輸入數據和[P（hv）]計算[h]，然后根據[h]和[P（vh）]計算[v]，[v]是對輸入數據個重構，相關參數更新方式具體為：

式中：[ε]為學習率;[<*>data]和[<*>rcon]分別表示醫療電子設備故障智能辨識的原始數據和重構之后的期望。

通過一段時間的訓練后，深度學習算法得到了一組參數值，以此為基礎，采用反向傳播算法調整相應參數，調整過程中選擇的目標函數為：

式中：[θ]表示要調整參數;[y′i]表示輸出數據的醫療電子設備故障智能辨識結果。

通過以上訓練過程可以建立醫療電子設備故障智能辨識的分類器。

2? 仿真測試

2.1? 樣本數據

為了分析基于模式識別技術的醫療電子設備故障智能辨識的性能，首先將醫療電子設備故障劃分為兩類：硬件故障和軟件故障。其中，硬件故障劃分為電路故障、機械故障;軟件故障又分為系統軟件故障和應用軟件故障，它們的樣本分布如表1所示。

2.2? 結果與分析

采用選擇專家系統、BP神經網絡的醫療電子設備故障辨識方法進行對比測試，測試樣本的醫療電子設備故障辨識結果如圖1所示。

對醫療電子設備故障辨識結果進行分析可知：

1） 專家系統的醫療電子設備故障辨識錯誤數量大，說明醫療電子設備故障辨識正確率低，這是因為其識別結果與專家知識庫的規則豐富度密切相關，使得醫療電子設備故障辨識結果具有主觀性，醫療電子設備故障辨識結果的可靠性差。

2） 相對于專家系統的醫療電子設備故障辨識方法，BP神經網絡的醫療電子設備故障辨識效果有所改善，降低了醫療電子設備故障辨識錯誤的概率，建立更優的醫療電子設備故障辨識分類器，但是醫療電子設備故障辨識正確率有待進一步提高，尤其是個別類型的醫療電子設備故障辨識效果差。

3） 相對于對比醫療電子設備故障辨識方法，模式識別技術的醫療電子設備故障辨識正確率最高，主要是因為通過引入深度學習算法對醫療電子設備故障辨識分類器進行構建，可以更好地擬合特征與醫療電子設備工作狀態之間的變化關系，減少了醫療電子設備故障的錯誤識別率，醫療電子設備故障辨識更加可靠。

對所有方法的醫療電子設備故障辨識時間進行對比和分析，結果如表2所示。從表2可知，基于模式識別的醫療電子設備故障辨識時間得到了明顯的縮短，加快了醫療電子設備故障辨識速度。

3? 結? 語

針對當前醫療電子設備故障智能辨識精度低、效率低等局限性，設計了基于模式識別技術的醫療電子設備故障智能辨識方法，并且通過仿真對比測試，驗證了本文醫療電子設備故障智能辨識方法的優越性，同時為其他領域的故障診斷提供了一種研究思路。

參考文獻

[1] 肖平.醫療電子設備故障診斷技術的應用探討[J].中國醫學裝備，2012，9（6）：55?57.

[2] 林玉漢.醫療電子設備的故障診斷技術與維護管理[J].心電圖雜志（電子版），2018，7（3）：199?200.

[3] 胡江春.醫療電子設備故障診斷技術及其應用[J].醫療裝備，2018，31（6）：134?135.

[4] 李懷俊，謝小鵬.基于核特征模糊聚類及模糊關聯熵的齒輪故障模式識別[J].儀器儀表學報，2015，36（4）：848?855.

[5] 王保華，佟慶彬，胡海，等.基于RSGWPT?LCD的軸承信號故障特征提取及模式識別[J].振動·測試與診斷，2018，38（4）：719?726.

[6] 裴峻峰，孫建華，宋傳智，等.基于EEMD消噪和相關系數識別的滾動軸承故障診斷方法[J].機械傳動，2018，42（4）：150?155.

[7] 左紅艷，劉曉波，洪連環.雙階自適應小波聚類的航空發動機故障分類與識別[J].振動工程學報，2018，31（1）：165?175.

[8] 夏玉劍，李敏，陳果，等.基于振動分析法的變壓器故障分類和識別[J].電測與儀表，2017，54（17）：7?10.

[9] 公茂法，魏景禹，姜文，等.基于HHT和概率神經網絡的變壓器局部放電故障識別[J].現代電子技術，2018，41（9）：152?156.

[10] 夏琳琳，文磊，劉惠敏，等.改進PSO?BPNN的電力變壓器故障診斷與模式識別[J].沈陽工業大學學報，2016，38（6）：606?611.

[11] 高偉，陳偉凡，楊耿杰，等.基于奇異值分解和多級支持向量機的配電網故障類型識別[J].電子測量與儀器學報，2018，32（2）：62?71.

[12] 陳曉芳，李麗芬，白彥霞，等.基于模式識別的精密光電檢測電路故障識別[J].激光雜志，2018，39（10）：53?56.

[13] 杜黨黨，賈曉亮，王卓.基于故障彩色圖譜的航空發動機故障模式識別[J].計算機集成制造系統，2018，24（9）：2297?2305.