一種基于改進(jìn)深度信念網(wǎng)絡(luò)的醫(yī)療設(shè)備故障預(yù)測模型

張 婧，孟令豪，武 偉

（臨沂市中心醫(yī)院，山東臨沂 276400）

醫(yī)療設(shè)備故障的發(fā)生與諸多因素相關(guān)，較大幅度增加了醫(yī)療的成本，降低了設(shè)備的工作效率，積極的醫(yī)療設(shè)備故障預(yù)測具有多方面的積極意義，能夠為醫(yī)療設(shè)備的維修策略制定提供數(shù)據(jù)支撐。領(lǐng)域內(nèi)的專家積極開展醫(yī)療設(shè)備故障預(yù)測研究工作并取得了若干成果，火箭軍總醫(yī)院的侯羿[1]基于線性回歸模型開展醫(yī)療設(shè)備故障預(yù)測研究工作，研究成果為醫(yī)療設(shè)備維保部門制定維修策略提供了數(shù)據(jù)支撐；北京兒童醫(yī)院的趙盼[2]將故障預(yù)測與健康管理（PHM）理論應(yīng)用到醫(yī)療設(shè)備故障預(yù)測領(lǐng)域，給出了切實(shí)可行的面向醫(yī)療設(shè)備故障預(yù)測的PHM 體系結(jié)構(gòu)；華西醫(yī)院的王守鏡[3]通過調(diào)研若干單位醫(yī)療設(shè)備的維保數(shù)據(jù)，對維保數(shù)據(jù)進(jìn)行多維度深度分析，得出了若干潛在規(guī)律。目前主流應(yīng)用的醫(yī)療設(shè)備智能綜合管控系統(tǒng)需要設(shè)備管理員具備較好的數(shù)學(xué)基礎(chǔ)與機(jī)械故障診斷能力，并且不同的信號特征具有不同的表達(dá)含義，人工較難提取統(tǒng)一及適用不同模型的特征，現(xiàn)有的機(jī)器學(xué)習(xí)方法[4]在醫(yī)療設(shè)備故障預(yù)測中適用性較低。該研究根據(jù)現(xiàn)有研究情況，提出基于改進(jìn)深度信念網(wǎng)絡(luò)的醫(yī)療設(shè)備故障預(yù)測模型研究及工程評估實(shí)踐[5]，以期為醫(yī)療設(shè)備故障的有效預(yù)測提供一些思路。該研究中所提出的模型完全是智能化操作，無需人工干預(yù)或監(jiān)督，可以構(gòu)造生成模型與其判別模型共享參數(shù)的模型，使得預(yù)測模型可以同時保持提取輸入特征和相關(guān)特征的能力[6]，進(jìn)而保證數(shù)據(jù)預(yù)測的有效性和準(zhǔn)確性，在醫(yī)療設(shè)備維護(hù)領(lǐng)域值得廣泛推廣與應(yīng)用。

1 改進(jìn)的深度信念網(wǎng)絡(luò)模型體系架構(gòu)原理

改進(jìn)的深度信念網(wǎng)絡(luò)主要是由多個受限玻爾茲曼機(jī)（Restricted Boltzmann Machines,RBMs）堆疊生成一種概率預(yù)測模型[7]，該研究中結(jié)合醫(yī)療設(shè)備的數(shù)據(jù)特征，提出改進(jìn)深度信念網(wǎng)絡(luò)預(yù)測模型，受限玻爾茲曼機(jī)結(jié)構(gòu)示意圖如圖1 所示。

圖1 受限玻爾茲曼機(jī)結(jié)構(gòu)示意圖

利用醫(yī)療設(shè)備大量的數(shù)據(jù)無監(jiān)督訓(xùn)練RBM，進(jìn)而找出最佳參數(shù)集，自動對醫(yī)療設(shè)備故障的信號提取深層的特征[8]，使似然函數(shù)最大化，為了解決這個問題，Hinton 根據(jù)CD 算法提出了一種訓(xùn)練RBM 的多主算法：對比發(fā)散（CD）算法，最大似然函數(shù)可以得到最大似然參數(shù)，則給出基于RBM 訓(xùn)練集的最優(yōu)參數(shù)θ*，公式如下：

在對改進(jìn)深度信念網(wǎng)絡(luò)的改進(jìn)中，需要對RBM的訓(xùn)練參數(shù)進(jìn)行更新，具體來說，隨機(jī)梯度上升是用來求解最大值的。在CD 算法的過程中[9]，最關(guān)鍵的一步是求解對數(shù)P(v/θ)對參數(shù)的偏導(dǎo)數(shù)，Hinton 提出了Markov 鏈，它可以解決可見層和隱藏層的狀態(tài)。當(dāng)可見層和隱藏層的分布趨于穩(wěn)定時，P(v,h)達(dá)到最大值[10]，參數(shù)可以更新為：

其中，t和η分別是迭代次數(shù)和學(xué)習(xí)率，由上述推理，進(jìn)一步得到醫(yī)療設(shè)備故障預(yù)測的深度體系架構(gòu)示意圖，具體如圖2 所示，圖中實(shí)心球體表征醫(yī)療設(shè)備故障節(jié)點(diǎn)。

圖2 醫(yī)療設(shè)備故障預(yù)測的深度體系架構(gòu)示意圖

改進(jìn)的深度信念網(wǎng)絡(luò)在醫(yī)療設(shè)備故障預(yù)測時，可以較好地提取出產(chǎn)生醫(yī)療設(shè)備故障的特征向量，并輸入所提取的特征項預(yù)測層，從而為醫(yī)療設(shè)備故障的有效評估提供依據(jù)。該研究提出了改進(jìn)深度信念網(wǎng)絡(luò)的醫(yī)療設(shè)備故障預(yù)測模型[11]，主要是通過對其中的神經(jīng)層次疊加邏輯，再回歸神經(jīng)層，從而對醫(yī)療設(shè)備故障進(jìn)行有效預(yù)測，深度信念網(wǎng)絡(luò)可以通過回歸預(yù)測層，進(jìn)一步搭建起醫(yī)療設(shè)備整體體系的預(yù)測架構(gòu)，用來更好地評估醫(yī)療設(shè)備在實(shí)際運(yùn)行期間產(chǎn)生的故障，為進(jìn)一步的預(yù)防措施制定提供依據(jù)。

2 模型的生成及仿真驗證

2.1 模型生成

模型的生成需要進(jìn)行預(yù)訓(xùn)練，該研究采用的是對比散度算法。該方法可通過無監(jiān)督前向堆疊的RBM 學(xué)習(xí)，從而在可視層生成向量V，再由可視層向隱藏層傳輸，整個傳輸數(shù)據(jù)的過程中，輸入至可視層的數(shù)據(jù)可隨機(jī)選擇，從而使得最真實(shí)的原始信號被輸入[12]，進(jìn)而將所激活的神經(jīng)元不斷地向前傳遞，隱藏層的神經(jīng)元也由此被激活，從而得到h。這種操作步驟是重復(fù)進(jìn)行的，即后退和前進(jìn)，也可以稱之為Gibbs 采樣過程。可視層與隱藏層之間的信號相關(guān)性差別主要是在整體采樣過程中[13]，通過重構(gòu)與更新權(quán)值得到。沒有層內(nèi)連接，通常每層中的每個單元都連接到相鄰層中的每個單元。由多個RBM 按順序堆疊而成，第一個RBM 的可視層作為輸入層，其他層稱為隱藏層[14]。原始數(shù)據(jù)通過輸入層傳遞到隱藏層，并由隱藏層轉(zhuǎn)換為抽象表示。它被稱為編碼過程。根據(jù)具體任務(wù)，抽象表示從最后的隱藏層映射到輸出層，稱為解碼過程。這種訓(xùn)練過程生成模型的步驟具體可歸納為如下幾點(diǎn)：

1）模型生成參數(shù)的初始化確定

第一步需要確定模型生成之前的參數(shù)，該研究中設(shè)定樣本數(shù)據(jù)為x，v則確定為可視層，隱藏層為h，可視層偏置為b，隱藏層偏置為c；另外，設(shè)置連接可視層與隱藏層二者的單元權(quán)重為w[15]，學(xué)習(xí)率為n，隱藏層節(jié)點(diǎn)數(shù)為m，函數(shù)sigmoid 寫為sigm，可視層節(jié)點(diǎn)數(shù)為n，令v′=x，并初始化w、b、c，隱藏層所有的單元j=1,2…,m，被激活的概率通過如下計算得到：

2）模型隱藏層激活函數(shù)確定

3）模型更新層策略函數(shù)確定

上述操作步驟是改進(jìn)深度信念網(wǎng)絡(luò)的醫(yī)療設(shè)備故障預(yù)測模型的工作原理，主要是對可視層賦予原始數(shù)據(jù)向量，再按照公式計算獲得RBM 的隱藏層單元，從而開啟概率預(yù)測模型的全過程，反復(fù)操作下，會隨機(jī)選擇0、1 作為權(quán)值范圍的閾值，若超出閾值，則該神經(jīng)網(wǎng)絡(luò)中單元間權(quán)重被激活，反之則無法激活。依據(jù)這一模型的構(gòu)建，可以較好地反映可視層提供原始數(shù)據(jù)的特征，進(jìn)而對數(shù)據(jù)進(jìn)行有效編碼，實(shí)現(xiàn)醫(yī)療設(shè)備故障的有效預(yù)測。

2.2 仿真驗證

對臨沂市中心醫(yī)院設(shè)備科現(xiàn)役應(yīng)用的一批醫(yī)療設(shè)備進(jìn)行了故障預(yù)測模型仿真，以此為采購的醫(yī)療設(shè)備工程評估提供依據(jù)。原始數(shù)據(jù)提取了2019 年1月-2020 年1 月期間臨沂市中心醫(yī)院醫(yī)療設(shè)備故障數(shù)據(jù)集。對基于改進(jìn)深度信念網(wǎng)絡(luò)的醫(yī)療設(shè)備故障預(yù)測模型進(jìn)行仿真驗證，對比原始數(shù)據(jù)與預(yù)測醫(yī)療故障發(fā)生概率之間存在的誤差，基于改進(jìn)深度信念網(wǎng)絡(luò)的醫(yī)療設(shè)備故障預(yù)測模型性能仿真圖如圖3 所示；模型重構(gòu)有效率能夠更好地確定改進(jìn)深度信念網(wǎng)絡(luò)模型的似然度情況，并作出準(zhǔn)確的評估，從而為醫(yī)療設(shè)備工程評估提供一個參考指標(biāo)，模型重構(gòu)有效率與訓(xùn)練迭代次數(shù)對應(yīng)關(guān)系性能仿真圖如圖4 所示，迭代進(jìn)入400 千次時，重構(gòu)有效率處于穩(wěn)定狀態(tài)，表明400 千次的迭代在模型架構(gòu)下是合理的，隨著模型訓(xùn)練迭代次數(shù)的遞增，模型的預(yù)測誤差損失函數(shù)性能逐漸優(yōu)化，表明迭代次數(shù)在模型設(shè)計中是合理的。

圖3 醫(yī)療設(shè)備故障預(yù)測模型性能仿真圖

圖4 模型重構(gòu)有效率與訓(xùn)練迭代次數(shù)對應(yīng)關(guān)系性能仿真圖

3 模型工程化應(yīng)用評估實(shí)踐驗證

該研究所構(gòu)建的基于改進(jìn)深度信念網(wǎng)絡(luò)的醫(yī)療設(shè)備故障預(yù)測模型利用院內(nèi)局域網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交換，采用信號接收系統(tǒng)實(shí)現(xiàn)院內(nèi)所有醫(yī)療設(shè)備故障數(shù)據(jù)的采集，并發(fā)送至計算機(jī)系統(tǒng)內(nèi)，自動完成故障發(fā)生概率的測算[17]。醫(yī)療設(shè)備故障的預(yù)測，可以通過數(shù)據(jù)的反復(fù)采集，自動形成疊加與存儲，保證數(shù)據(jù)的準(zhǔn)確性與可靠性，能夠隨時提供故障預(yù)測概率，保證醫(yī)療設(shè)備運(yùn)行的穩(wěn)定性[18]。利用局域網(wǎng)的分散發(fā)射，無論設(shè)備在哪一方位運(yùn)行，均能夠保證醫(yī)療設(shè)備實(shí)時性的監(jiān)測效果，快速反饋醫(yī)療設(shè)備的運(yùn)行情況，對可能發(fā)生的預(yù)測故障下限進(jìn)行自動分析，也可自動報警，給予設(shè)備維護(hù)人員提示，根據(jù)不同提示，制定有針對性的運(yùn)維措施。該預(yù)測模型，可以通過現(xiàn)代化的預(yù)測手段，真正滿足當(dāng)前醫(yī)療設(shè)備的運(yùn)維，提升醫(yī)療領(lǐng)域的整體工作效率，該研究所構(gòu)建的模型工程臨床應(yīng)用實(shí)踐布置圖如圖5 所示。

基于改進(jìn)深度信念網(wǎng)絡(luò)的醫(yī)療設(shè)備故障預(yù)測模型是否能應(yīng)用至工程實(shí)踐，仍需要進(jìn)行評估。選取2015 年以來院內(nèi)設(shè)備故障數(shù)據(jù)為原始數(shù)據(jù)來源，進(jìn)行故障預(yù)測能力工程評估實(shí)踐，對原始數(shù)據(jù)進(jìn)行池化處理，生成醫(yī)療設(shè)備故障數(shù)據(jù)集（Mefds），選取Mefds 數(shù)據(jù)集中的5 000 例數(shù)據(jù)作為算法的前置訓(xùn)練集，選取Mefds 數(shù)據(jù)集中的3 000 例數(shù)據(jù)作為算法的后置測試集，鑒于醫(yī)療設(shè)備故障預(yù)測問題屬于連續(xù)動作空間下的感知與決策問題，引入16 層改進(jìn)深度信念網(wǎng)絡(luò)框架，并利用多層受限玻爾茲曼機(jī)機(jī)制改善框架的感知收斂遲滯問題。設(shè)置模型迭代次數(shù)為400 千次，基于PyCharm 集成開發(fā)環(huán)境，在Gym 0.9.2環(huán)境下進(jìn)行圖形化數(shù)據(jù)交互，應(yīng)該至少保證4G 運(yùn)行內(nèi)存及不少于80G 的內(nèi)存余量。為了方便開展統(tǒng)計學(xué)分析，把醫(yī)療設(shè)備故障數(shù)據(jù)集按照時間走向劃分為12 個子集，把改進(jìn)深度信念網(wǎng)絡(luò)的醫(yī)療設(shè)備故障預(yù)測模型與工程應(yīng)用實(shí)踐的實(shí)測值進(jìn)行多維對比，從醫(yī)療設(shè)備故障識別有效率、醫(yī)療設(shè)備故障預(yù)測精確率等層面進(jìn)行定量分析，為了進(jìn)一步保證結(jié)果的可靠性，將研究數(shù)據(jù)錄入Spss24.0 軟件中，進(jìn)行統(tǒng)計學(xué)的差異性分析，最終得到的結(jié)果如表1 所示。

表1 模型工程化應(yīng)用評估實(shí)踐驗證值對比

4 結(jié)論

基于改進(jìn)深度信念網(wǎng)絡(luò)的醫(yī)療設(shè)備故障預(yù)測模型主要通過隨機(jī)變量特征的提取，從而激活神經(jīng)元，進(jìn)一步獲得醫(yī)療設(shè)備運(yùn)行的情況，準(zhǔn)確判斷故障發(fā)生的概率，進(jìn)而提升了模型預(yù)測的智能性與準(zhǔn)確性。改進(jìn)深度信念網(wǎng)絡(luò)的醫(yī)療設(shè)備故障預(yù)測模型設(shè)置迭代次數(shù)為400 千次時，預(yù)測值與實(shí)際值結(jié)果之間符合統(tǒng)計學(xué)誤差范圍內(nèi)的一致擬合，可以得到醫(yī)療設(shè)備故障準(zhǔn)確的預(yù)測概率。基于改進(jìn)深度信念網(wǎng)絡(luò)的醫(yī)療設(shè)備故障預(yù)測模型自身具備故障預(yù)測精準(zhǔn)、工作效率高、全自動操作、無需人工配合等多重優(yōu)勢，其在醫(yī)療設(shè)備維護(hù)領(lǐng)域應(yīng)用前景非常廣闊，具有重要的臨床應(yīng)用推廣價值。