一種基于音頻特征分析的醫療設備安全監測系統

王榮香，朱俊峰，陳儀生

江蘇省儀征市人民醫院（江蘇儀征 211400）

隨著現代醫院的發展，醫療設備種類和數量不斷增加。醫療設備安全是醫療安全的重要組成部分，是醫療服務體系安全運行的基礎，保證醫療設備安全尤為重要。當設備出現故障或處于非正常運行狀態時，可能進一步造成自身損壞或威脅人員安全，所以有必要及時發現并處理這些工況。采用人工方法統計設備運行的相關數據，難以全面地監測設備運行狀況，進而發現潛在的問題。因此，建立一套用于自動檢測醫療設備運行狀態的軟硬件系統，有利于醫療設備的高效管理，加強對醫療設備的使用管理和監測，提高設備管理的精益化水平，已成為醫院醫療設備管理的重要課題[1-2]。業界已對醫療設備狀態及環境監測系統進行相關研究，如李思華等[3]設計了一種大型醫療設備監測系統，監測指標包括機房溫濕度、機房電壓電流斷電、漏水積水、空調恒溫與送風。宋景國等[4]設計了大型醫療設備機房的溫濕度、灰塵、循環風量、三相電壓、水冷溫度及關鍵輔助設備運行狀態等參數的獲取。林海東、萬莉等[5-6]通過采集醫療設備的運行電流，判斷設備的運行狀況。薛山定[7]設計了醫療設備環境參數遠程監測系統，其中使用了多種環境參數傳感器。

本研究介紹了一種基于音頻分析的醫療設備狀態實時監測系統，使用音頻傳感器增加對機房醫療設備的感知能力。對某些設備故障及潛在危險做到及時發現和處理，以保障設備及人員安全。設計重點是通過醫療設備運行時的機械噪聲判斷醫療設備運行狀態，涉及音頻特征的分析及設備運行工況的判斷。繆吉昌等[8]設計的設備狀態監測系統能夠采集醫療設備的開關機狀態、運行聲音、環境溫度、環境濕度等數據，其中運行聲音是醫療設備本身的狀態，但未提及運行聲音的細節和具體方法。而音頻特征分析已經被用于工業領域的研究，如風電葉片損傷監測技術研究[9]、機械設備損傷研究[10]、交流接觸器電壽命預測研究[11]、電機軸承異音故障診斷研究[12]、混流式水輪發電機組頂蓋排水管振動音頻分析[13]、列車行駛安全檢測技術研究[14]、表征電力變壓器運行狀態研究[15]、工程車輛工況識別研究[16]等。這表明音頻特征分析具備獨特優勢，如非接觸式探測和低成本，更重要的是機械、電氣等故障與其音頻特征緊密相關，這也符合醫療設備復雜的結構和故障特征。

醫療設備運行時，其本身存在特征性聲譜，而設備發生故障時可能會產生額外的噪聲。與上述文獻中的思路相似，采用音頻分析方法可以為設備狀態增加一種檢出方法，關鍵在于分析音頻特征與設備狀態間的關聯。而上述文獻對音頻特征分析也提出了多種方法。其中，劉文才等[16]采用MFCC 音頻特征分析方法，用于工程車輛工況識別研究，取得了良好的識別效果。梅爾頻率倒譜系數（Mel Frequency Cepstral Coefficient，MFCC），最早由Davis 和Mermelstein 提出，用于語音識別領域，其特點是更符合人耳的聽覺特性，在信噪比較低的環境中仍具有較好的識別性能[17]。MFCC 方法也被用于機械故障監測領域的研究，如齒輪箱故障診斷[18]、軸承故障診斷[19]、螺線管泵故障檢測[20]等。醫療設備運行時，其機械結構會發出噪聲，本研究以2 臺瓦里安直線加速器和1 臺CT 掃描機為例，其機械結構在不同運行狀態下會發出不同的聲音，從MFCC 方法和音頻均值兩個方面對其特征進行研究。MFCC 具體實現方法和應用已經成熟，將MFCC 方法應用于醫療設備監測，有利于音頻特征的識別和工況的判斷。此外，還需滿足對醫療設備實時監控的需求，彌補無人值守狀態下醫療設備工況的監測，有必要研究完整的監測系統，保證狀態判斷的實時性和智能化。因此，本研究設計了完整的聲音采集和工況判斷系統，主要從4 個方面進行介紹，包括系統結構、音頻特征分析、工況判斷方法和實驗結果。

1 系統結構

監測系統由音頻采集卡、ZYNQ 信號處理系統和PC 終端3 部分組成，如圖1 所示。音頻傳感器獲取機房環境噪聲模擬信號，先由音頻采樣器進行數字化，之后傳入ZYNQ-7010 芯片進行處理，最后網絡打包發送至PC 終端，進行分析。

圖1 監測系統的結構

1.1 音頻采集卡

音頻采集卡采用高靈敏度的駐極體音頻傳感器，負責接收設備機房的環境噪聲。因傳感器信號微弱，故先經放大器電路進一步放大信號。放大器電路使用運放，采用電壓放大結構，其帶寬高于采樣要求。經過放大后可提高信噪比，有利于獲取更多的聲音特征及后續分析。音頻采樣器將放大的音頻模擬信號轉化為數字信號，其采樣率為44.1 kHz，并將采樣值提供給后續數字化信號處理和分析系統。

1.2 ZYNQ

ZYNQ-7010 芯片集成了FPGA 邏輯模塊和ARM雙核處理器，稱為硬核PL 端和軟核PS 端，兩端可通過配置內部AXI 接口實現通信[21]。ZYNQ PS 端集成了以太網外設，且SDK 開發環境包含以太網驅動函數庫，相較于單用FPGA，實現以太網設計更為簡單、高效[22]。ARM 上運行的Linux 系統提供了網絡傳輸數據接口，便于音頻數據的處理和傳輸。FPGA 連續接收音頻采樣器數據，通過FIFO 結構完成緩存[23]。Linux 端控制讀取信號，通過FPGA數據接口模塊將音頻數據寫入內存單元，再根據PC 終端的指令，由Linux 通過網絡向終端傳輸。

1.3 PC 終端

PC 終端即可視化平臺，PC 終端軟件通過以太網數據接口向Linux 發送命令并接收音頻數據，完成數據存儲，并實現狀態判斷算法，提供人機交互界面。

2 音頻特征分析

醫療設備機房環境噪聲的來源主要為醫療設備本身、空調和通風系統等，人為噪聲包括說話聲、腳步聲和其他操作產生的噪聲，因此要進行有人和無人條件下的區別分析，本研究主要討論無人條件下的醫療設備安全監測問題。MFCC 方法接近人耳對聲音的感知，在語音識別領域應用廣泛。根據醫療機房環境噪聲的特點和識別目的，不同于多階MFCC 特征識別，本研究直接以二階MFCC 系數為特征進行判斷，將功率分析方法與MFCC 方法聯合作為識別指標，以增強識別能力。不同醫療設備的聲學環境有差異，以瓦里安治療機房和CT 掃描機房為例，首先分析聲譜并提取特征，再進行設備工況的判斷。

2.1 瓦里安一號機機房

瓦里安直線加速器為大型醫療設備，一號機靜態時的音頻和MFCC 二階系數如圖2 所示，音頻與對應的MFCC 系數均平穩。當機架旋轉時，如圖3 所示，音頻曲線明顯存在附加噪聲，高出部分經分析為剎車片噪聲，而剎車片噪聲消失后的噪聲也明顯大于靜態時，主要為機械摩擦和電機工作的聲音。機架旋轉時剎車片產生的音頻二階MFCC 系數出現向下突變，明顯區別于靜態時的曲線。如產生這種異常噪聲，可認為機器處于運轉、靜態或故障等狀態。

圖2 瓦里安一號機靜態時的音頻和MFCC 系數

圖3 瓦里安一號機機架運轉時的音頻和MFCC 系數

2.2 瓦里安三號機房

三號機房靜態時的音頻和二階MFCC 系數如圖4 所示，與一號機類似，音頻響應平緩，二階MFCC 系數出現緩慢波動，未出現明顯波動。機架旋轉時的音頻和二階MFCC 系數如圖5 所示，音頻噪聲存在額外高出部分，也是由剎車片引起，且明顯大于一號機，表明其剎車片磨損情況比一號機嚴重。因為兩臺瓦里安加速器運行時間均超10 年，機械部件出現磨損，剎車片噪聲尤為明顯。三號機機架旋轉時對應二階MFCC 響應出現向下突變，偏離值也明顯大于一號機，達到-1 左右。由此可知，設備產生的異常聲音可能由機械故障引起，而這些噪聲監測可以作為判斷指標，有利于及時發現設備運行的異常狀態。

圖4 瓦里安三號機靜態時的音頻和MFCC 系數

圖5 瓦里安三號機機架運轉時的音頻和MFCC 系數

2.3 CT 掃描機房

CT 掃描機房靜態時的音頻和對應二階MFCC系數如圖6 所示，靜態即CT 處于待機狀態，噪聲主要來自散熱風扇，音頻與對應的MFCC 系數均平穩。CT 運轉時如圖7 所示，音頻曲線平穩，噪聲水平比靜態時明顯提高，對應的二階MFCC 曲線平穩，但水平高于靜態時。為增強對靜態和運行狀態的識別能力，增加噪聲均值統計。計算方法為：取0.2 s 內音頻幅度絕對值的均值，連續計算得到其隨時間的變化。如圖8 所示，CT 運轉時的均值超過靜態時的5 倍，也表明噪聲水平高于靜態時。CT運轉時噪聲主要來自掃描機架旋轉和散熱風扇，且掃描機架旋轉噪聲高于散熱風扇。若CT 機或機房內其他設備產生額外噪聲，則對應的二階MFCC系數也會發生變化，對應均值會升高，兩者均可作為工況判斷的依據。

圖6 CT 掃描機房靜態時的音頻和MFCC 系數

圖7 CT 掃描機房CT 運轉時的音頻和MFCC 系數

圖8 CT 掃描機房靜態和運轉時的噪聲均值

3 工況識別邏輯

瓦里安加速器和CT 掃描機房的測試結果表明，噪聲增大時，設備可能處于非靜態工況，即可能為正常工作狀態或異常狀態，根據音頻的特點可進行區別。在無人值守的條件下，異常噪聲也可能是機房內其他設備產生的，因為設備所處的環境也會影響設備安全，所以也應考慮這種因素。工況識別邏輯如圖9 所示，靜態工況的判斷標準為二階MFCC系數平穩在基準值，且音頻幅度均值小于2 倍靜態值。運行工況的判斷標準為二階MFCC 系數平穩，且音頻幅度均值大于2 倍靜態值。在醫療設備正常工作狀態下，二階MFCC 系數也可能突變，這種短時噪聲來自啟停機固有噪聲、電力設備工作等，考慮到醫療設備正常工作為有人值守條件，而本研究討論的是無人值守模式下的設備安全監測任務，故將這種情況歸為異常工況。因此，異常工況的判斷標準為二階MFCC 系數產生突變，且音頻均值高于靜態值2 倍。因此為保證設備安全，在無人值守條件下產生運行工況或異常狀態，都要引起重視。PC終端監控人員確定各機房的待機時間段，并切換至無人值守模式，期間產生運行工況或異常工況的提醒，以采取現場巡查等應對措施。

圖9 工況識別邏輯

4 實驗結果

在PC 終端實現上述算法和識別邏輯后，對3 個機房進行實際測試，結果如圖10 所示。瓦里安一號機未工作，處于靜態模式，無其他噪聲。連續采集音頻數據并上傳，終端顯示靜態工況。瓦里安三號機首先處于靜態，后轉動機架，有額外噪聲產生。終端顯示先為靜態工況，后為異常工況，與實際狀況一致。CT 掃描機房先處于待機狀態，后處于掃描狀態，對應終端顯示先為靜態工況，掃描啟動后為運行工況。測試結果顯示，監測系統的數據采集和算法順利運行，工況判斷結果與實際一致。

圖10 工況識別結果

5 結語

本研究介紹了一種基于音頻分析的醫療設備安全監測系統，適用于機房無人值守模式，可將監測信息集成到統一的終端，以實時掌握設備所處的狀態，對潛在的安全風險進行早識別、早處理，進而減少損失。音頻分析從MFCC 方法和音頻均值兩個方面對其特征進行研究，以判斷設備所處的工況，進而分析其安全狀態。測試結果顯示，工況判斷與實際一致。后續工作包括4 個方面：第一，后續可增加對磁共振機房、PETCT 機房等區域音頻數據的采集和標定，增強對上述區域的安全監測功能；第二，本設計還可與其他傳感器集成，組合為多維感知設備監測系統，FPGA 信號處理單元功能強大，可處理多種傳感器數據，而Linux 系統可獨立于PC終端，實現工況判斷功能，Linux 獲取系統多種醫療設備的傳感器數據或工況判斷數據，通過網絡發送至統一平臺，實現監測系統的組網運行；第三，本研究直接采用二階MFCC 系數，根據其特征進行簡單的工況判斷，后續將研究MFCC 與人工神經網絡相結合[24]，以識別異常工況下的具體故障，進一步增強醫療設備安全監測能力；第四，本研究中的聲音傳感器置于醫療設備旁，下一步可研究將聲音傳感器置于醫療設備（如呼吸機和超聲設備）內部，以獲取更多的音頻細節，提升故障診斷能力。