一種基于WSN和深度學習的醫療設備定位管理方法

陳娜群

寧波市婦女兒童醫院 設備科，浙江 寧波 315000

引言

醫療設備是醫院正常運行的必備條件，它在醫院的醫療、科研、教學中發揮著重要的作用[1-2]。隨著醫療行業的迅速發展，醫療設備的種類、數量不斷增多，做好醫療設備的科學化管理，充分發揮醫療設備最大的利用價值是醫院長遠健康發展的重要條件。智慧醫療的迅速發展，對醫院醫療設備的精細化管理提出了新的要求。及時對醫療設備進行定位，快速獲取醫療設備的位置，對保障臨床用械安全具有舉足輕重的作用[3-4]。

目前，對于醫療設備的定位已經取得了一定的研究成果。邵文歡等[5]、梁冰[6]使用條形碼技術對醫療設備進行管理，但該方法無法對設備進行盤點以及實現流失設備的尋找；吳菊等[7]提出了一種利用射頻識別技術（Radio Frequency Identification，RFID）對醫療器械進行定位，基于此設計了智能動態定位管理系統，該系統對設備進行定位并實時顯示設備的使用狀況。

目前，國內外大量學者研究了基于無線傳感器網絡（Wireless Sensor Networks，WSN）的醫療器械室內定位系統，但大多數是絕對定位，即需要精確定位出醫療器械的坐標位置。這類定位方法一般受障礙物的干擾嚴重，導致定位誤差較大，而且定位的代價偏高，不利于大規模部署。而實際應用中無需定位到醫療器械的實際坐標，僅需要知道醫療器械所屬房間編號即可，因此本文研究了一種醫療器械相對定位方法，定位醫療器械所屬的房間編號。

1 定位方法

本文提出一種基于WSN的醫療設備定位方法，采用LoRa傳感器節點構建WSN。該方法利用Krigring插值算法對定位區域內的信號強度（Received Signal Strength Indicator，RSSI）指紋進行預測，然后將預測的RSSI指紋與對應的病房號作為訓練數據，利用深度信念網絡（Deep Belief Nets，DBN）進行數據的訓練，最后將安裝在醫療設備上的傳感器節點接收到的RSSI信號作為輸入數據，最終獲得醫療設備所在的具體的病房號，實現醫療設備的相對定位。

1.1 指紋定位方法

WSN指紋定位方法是一種基于RSSI的定位方法，WSN指紋定位方法通過在定位區域內部署一定數量的且位置已知的傳感器節點（Micaz節點、LoRa節點等），傳感器節點向外發射出電磁波信號，電磁波信號將整個定位區域進行覆蓋，由于電磁波信號存在路徑損耗，一定程度上表現出距離發射節點越遠信號強度越弱的現象，因此定位區域中的每個位置的信號強度都是不同的[8-11]。WSN指紋定位方法利用信號強度差異性進行定位區域RSSI指紋數據庫的構建，從而實現指紋定位（圖1），其中Beacon節點作為位置已知的錨節點，Node節點是用于輔助建立指紋的節點，當目標節點進入特定的定位區域時，可以通過目標節點所接收到的RSSI值與定位指紋庫進行對比匹配而實現定位[12]。

圖1 WSN指紋定位方法建模圖

1.2 Krigring插值算法

Krigring插值算法由南非的一位采礦工程師于1951提出，該算法是一種求最優、線性和無偏的空間內插法[13-16]。Krigring插值算法可對周圍的測量值進行加權以得到未測量位置的值[17]。該算法與反距離權重法相類似，常用的Krigring插值算法計算公式由數據的加權總和組成，其公式如式(1)所示。

式中，N表示測量值的數量；λi表示第i個位置處測量值的權重，該值由測量點與預測位置的距離以及預測位置周圍的測量值決定；Z(Si)表示第i個位置處的實際測量值。

1.3 深度信念網絡

DBN是在2006年由Hinton提出，它是一種生成模型，網絡訓練是對神經元間的權重做訓練，使得整個網絡能夠以最大概率對用于訓練的樣本數據進行生成，DBN常用于數據的分類以及數據的生成[18-21]。DBN由多層網絡構成，每層網絡中包含神經元可以分為顯性神經元和隱性神經元，一般顯性神經元用來輸入數據，隱性神經元用來提取特征。DBN的頂層網絡，理論上是可以選擇很多算法，如SVM、Softmax、HMM、Logistic、Linear等。在本文的定位應用中，選擇Softmax作為頂層網絡[22],見圖2。

圖2 DBN+Softmax的網絡結構

1.4 醫療設備定位的數據準備

本研究在醫療設備定位實驗中每層樓布置10個LoRa節點，共3層，一共30個節點，每層共有10個房間，共30個房間。將每個LoRa節點接收到的信號都作為特征輸入DBN神經網絡中用來定位設備的精確位置，30個LoRa節點，那么每一個醫療設備都可以獲得一個30維的特征向量。為了將DBN輸出的值和醫療器械所對應的房間相對應，需要對房間和DBN輸出值做映射。假設一共有1～30號30個房間，那么DBN的輸出則是一個30維向量，每一個值代表醫療設備在該房間的概率。為了訓練DBN，首先需要準備訓練樣本，在一個房間內的多個位置測試該位置的LoRa信號，然后通過Krigring插值法近似獲得該房間各個位置的信號強度。

2 結果

2.1 Krigring插值法

為了驗證Krigring插值方法的有效性，本研究設計了多個方法來采集數據。首先將一個房間網格化，一個房間變成一個3×5的網格，采集其中某些網格的傳感器數據，插值余下網格的傳感器數據就可以得到整個房間的傳感器數據。

插值得到的數據和采集得到的真實數據的誤差采用均方根誤差（Root Mean Squared Error，RMSE）衡量，RMSE的定義如公式(2)所示。

式中，Z(xi)表示插值所得值，yi表示實際測量值。

圖3 數據采集點和插值點位置示意圖

采集點過少會使插值點誤差過大，從而導致RMSE過大，方法1得到的RMSE值為0.524，方法2得到的RMSE值為0.377，方法3和方法4都取得幾乎一致的RMSE，RMSE值分別為0.235和0.234，本文采用方法3來采集數據。

對每個房間采集5個位置，插值10個位置，共15個位置。在采集數據時每個位置相對于30個LoRa節點的信號都一起采集，每一層采集10個房間。

2.2 DBN定位結果

本研究設計了4種DBN網絡結構來進行醫療器械設備的定位，結構如表2所示。

表2 4種DBN網絡結構的設計

在訓練之前將訓練數據按照1：1的比例隨機分成兩份，其中一份作為訓練集，一份作為測試集。

4個神經網絡模型的訓練結果如圖4所示，可以看出DBN_4訓練收斂慢于其他幾個網絡，并且在訓練過程中DBN_4的訓練集準確率抖動較明顯，測試集的準確率也不高。4種模型的訓練和測試準確率如表3所示，DBN_6和DBN_10在測試集和訓練集準確率上的差別不是很大；DBN_18雖然在取得了99.38%的訓練集準確率，但是測試集準確率只有93.89%，說明網絡出現了過擬合的現象；綜合來看，DBN_10取得了最佳的結果。上述現象的出現可能是因為較小的網絡模型擬合能力不夠強，導致訓練集準確率不高，較大的網絡模型太復雜，容易出現過擬合現象。

圖4 4種DBN網絡模型的訓練結果

表3 4種DBN網絡模型在測試集和訓練集上的準確率（%）

2.3 不同數量的傳感器對定位結果的影響

在上文的結果中每一層樓道都布置了10個傳感器，為了探究傳感器的數量對實驗結果的影響，本研究做了以下試驗，具體如圖5所示。對于10個傳感器，每一組分為激活傳感器和凍結傳感器，激活傳感器的數據拿來做訓練識別，而凍結傳感器的數據不予使用。

圖5 傳感器數據的選取

由表4可知當傳感器數量為8時，DBN_10在測試集上取得了最佳的97.45%的準確率，在訓練集上取得了最佳的98.98%準確率；當傳感器數量為5時，DBN_6在測試集上取得了最佳的96.83%的準確率，DBN_10在訓練集上取得了最佳的98.20%的準確率；當傳感器數量為4時，DBN_6在測試集上取得了最佳的95.68%的準確率，DBN_6在訓練集上取得了最佳的96.37%的準確率；當傳感器數量為2時，DBN_10在測試集上取得了最佳的84.74%的準確率，DBN_10在訓練集上取得了最佳的86.35%的準確率。

表4 4種DBN網絡模型在測試集和訓練集上的準確率（%）

在傳感器數量減少的過程中定位的精度緩慢下降，這說明隨著有效信息的減少，網絡模型的定位精度慢慢減小。

2.4 不同方法定位結果的分析

為了對比實驗結果，本研究還選取了SVM、Softmax和Decision Trees方法來對醫療器械設備進行定位。實驗結果如表5所示。

表5 3種不同方法在測試集和訓練集上的準確率（%）

從表5中的結果可以看出不論是測試集準確率還是訓練集準確率，SVM、Softmax和Decision Trees方法均出現了不同程度的下降。

從圖6中可以看出，不論是在測試集還是在訓練集上的定位精度，DBN_10都取得了最佳的檢測結果。隨著傳感器數量的減少，SVM、Softmax和Decision Trees方法不論在測試集還是在訓練集上的定位精度都出現了明顯的下降，并且下降的程度大于DBN_10方法，說明DBN_10方法魯棒性更強。

圖6 4種定位方法在多種傳感器數量下的定位精度

3 討論

本文研究了一種醫療器械相對定位方法，定位醫療器械所在的房間編號。該方法通過測試加Krigring插值法構建定位指紋，然后通過指紋匹配方法獲得定位結果。同時為提高定位精度、降低部署成本，本文提出了一種有效的WSN部署方法。實驗結果表明4種DBN模型中DBN_10取得了最佳的結果。較小的網絡模型擬合能力欠缺，較大的網絡模型會出現過擬合。在本文研究方法中傳感器數量減少的過程中定位的精度緩慢下降，這說明隨著有效信息的減少，網絡模型的定位精度慢慢減小。

國內外對于醫療設備定位系統的研究基本同步。Shirehjini等[23]提出了一種醫療設備定位系統，該系統利用RFID對設備進行定位，系統將RFID標簽安裝在醫療設備中，并在醫院關鍵區域安裝RFID閱讀器，閱讀器將獲得的動態數據實時發送至控制終端，控制終端進行醫療器械的位置計算。Ro等[24]利用RFID技術在醫院中安裝了實時定位系統，該系統能夠及時將病人在手術過程中的身體狀況上傳至系統，通過該系統對病人身體狀況進行數據的采集，以此改善手術中醫生的手術流程。

筆者發現，實際應用中無需定位到醫療器械的實際坐標，僅需要知道醫療器械所屬房間編號即可，因此本文研究了一種醫療器械相對定位方法，定位醫療器械所屬的房間編號。相較于絕對定位，本方法具有受障礙物干擾小、定位代價小、有利于大規模部署等優點。

本文通過設計一種基于WSN的醫療設備定位方法，利用Krigring插值算法對定位區域內的RSSI指紋進行預測，將預測的RSSI指紋與對應的病房號作為訓練數據，利用DBN進行數據的訓練，最后將安裝在醫療設備上的傳感器節點接收到的RSSI信號作為輸入數據，最終獲得醫療設備所在的具體的病房號，實現醫療設備的相對定位。

本文的研究方法雖然在定位精度上取得了較好的結果，但是用WSN對醫療設備進行定位時，需構建RSSI向量指紋，然而當醫院環境發生較大變化時，對醫療設備的定位精度具有一定的影響，因此下一步可以繼續完善RSSI向量指紋構建技術以提高系統的魯棒性。

4 結論

醫療設備是醫院進行正常醫療工作的必要條件，由于醫院和醫療器械產業的快速發展，醫療設備的種類、數量不斷增多，為解決醫療設備的科學化管理，快速定位預使用的醫療設備的相對位置，本文利用目前的電子信息技術開發并設計了一套醫療器械相對定位方法，實現對醫療設備的定位，快速獲取醫療設備的位置，有利于醫療設備的精細化管理，保障臨床用械安全。