于大海 姜丹 李楠

摘  要： 針对当前医疗电子设备故障智能辨识方法存在精度低、效率低等局限性，设计基于模式识别技术的医疗电子设备故障智能辨识方法。首先，对国内外医疗电子设备故障智能辨识的研究现状进行分析，找到引起医疗电子设备故障智能辨识局限的原因;然后，提取医疗电子设备故障智能辨识特征，并采用模式识别技术建立医疗电子设备故障智能辨识模型;最后，采用具体实例对医疗电子设备故障智能辨识结果进行分析。基于模式识别技术的医疗电子设备故障智能辨识正确率高，医疗电子设备故障智能误识率极低，而且医疗电子设备故障智能辨识效率优于传统辨识方法，对比结果验证了基于模式识别技术的医疗电子设备故障智能辨识的优越性。

关键词： 模式识别技术; 医疗电子设备; 故障智能辨识; 故障分类器; 信号采集; 辨识效率

中图分类号： TN99?34; TP391                     文献标识码： A                     文章编号： 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

近年来，随着电子技术和集成电路的不断发展和成熟，其与许多领域中的技术进行了有效融合，其中，医疗电子设备是一种重要融合成果。医疗电子设备在实际应用过程中，由于设备的老化、工作环境影响以及其他原因干扰，难免会出现一定的故障，当医疗电子设备出现小的故障时，不能正常工作，影响医院的业务，严重时，直接导致医疗电子设备报废[1?3]。医疗电子设备故障辨识可以帮助设备管理人员了解医疗电子设备变化特点，可以给医疗设备提前进行维护，延长医疗电子设备使用寿命，并且有利于医疗电子设备故障的定位和排除，因此医疗电子设备故障辨识成为当前研究的重点[4?5]。

长期以来，一些专家对医疗电子设备故障辨识问题进行了研究，医疗电子设备故障辨识研究可以分为两个阶段：传统阶段和现代阶段[6]。传统阶段包括人工方式和专家系统，人工方式的医疗电子设备故障辨识耗时长，辨识结果出现错误概率大[7];专家系统方式的医疗电子设备故障辨识结果有一定的盲目性，医疗电子设备故障辨识结果可信度比较低[8]。现代阶段主要为医疗电子设备故障智能辨识技术，引入了神经网络、聚类分析、遗传算法等构建医疗电子设备故障辨识模型，获得了比传统医疗电子设备故障辨识方法更好的效果[9?11]。在实际应用中，医疗电子设备故障种类多，产生故障原因多，使得医疗电子设备故障辨识是一个复杂的过程，聚类分析、遗传算法的医疗电子设备故障辨识精度低，而神经网络的学习时间长，医疗电子设备故障辨识效率低[9，12]。

为了解决当前医疗电子设备故障智能辨识精度低、效率低等难题，设计了基于模式识别技术的医疗电子设备故障智能辨识方法，并与其他医疗电子设备故障智能辨识方法进行对比测试，结果表明，基于模式识别技术的医疗电子设备故障智能辨识正确率高，辨识效率优于传统辨识方法，验证了本文方法的优越性。

1  医疗电子设备故障智能辨识方法设计

1.1  模式识别的医疗电子设备故障智能辨识思想

基于模式识别的医疗电子设备故障智能辨识思想为：采集电子设备故障的表征信号，并对信号的噪声进行消除操作;提取医疗电子设备故障智能辨识特征，组成医疗电子设备故障智能辨识输入;将医疗电子设备故障类型作为输出，采用模式识别技术建立医疗电子设备故障辨识模型。

1.2  医疗电子设备状态信号采集以及处理

首先采用传感器对医疗电子设备状态信号进行采集，收集到描述医疗电子设备工作状态的原始信号，由于采集过程中可能存在一定的干扰，同时将一些无用信号当作有用信号进行收集，即包含了一定的噪声。本文引入曲波变换对医疗电子设备工作状态的原始信号进行去除噪声操作，得到干净、质量高的医疗电子设备工作状态信号，为后续的医疗电子设备工作状态特征提取打下良好的基础。

1.3  医疗电子设备状态信号的特征提取

医疗电子设备工作状态发生变化时，信号的能量值会发生相应改变，因此可以采用能量值表述医疗电子设备工作状态的类型。设医疗电子设备工作状态信号被进行多层分解后，第[i]层的分解子信号为[Sij]（[j=]0，1，2，…，[2i-1]），医疗设备工作状态信号在[j]个尺度上的能量信号为[E1，E2，…，Ej]，那么该尺度内医疗电子设备工作状态信号的总功率[E]等于各点功率[Ek]（[k=1，2，…，j]）之和。设[εij（k）]=[EkE]，第[i]层第[j]个尺度上信号的能量熵计算如下：

式中[N]为医疗电子设备工作状态信号的长度。

设对医疗电子设备工作状态信号进行3层分解，共有8个子信号，那么有8个能量熵，用它们构造医疗电子设备工作状态信号的一个特征向量，具体为：

由于医疗电子设备工作状态信号的原始能量熵相差较大，影响医疗电子设备故障智能辨识结果，为此对其进行如下处理：

医疗电子设备状态信号特征归一化后为：

1.4  医疗电子设备故障智能辨识的分类器

1.4.1  模式识别技术

当前模式识别技术很多，如支持向量机、深度学习算法等。其中，深度学习算法的实际应用范围更广、性能更优，因此本文选择深度学习算法设计医疗电子设备故障智能辨识分类器。深度学习算法由输入层、输出层、隐藏层组成，[wi（i=1，2，…，k）]为隐藏层的权值，其中，[k]表示隐藏层的节点数，[wo]为输出层的权值。输入层是医疗电子设备状态信号特征向量;输出层是医疗电子设备状态的类型。深度学习算法的工作思路為：利用医疗电子设备故障辨识样本对深度学习算法的输入层、隐藏层进行训练，然后对深度学习算法的输出层进行训练，最后引入反向传播算法对深度学习算法的参数进行调整。

1.4.2  医疗电子设备故障智能辨识分类器构建过程

1） 训练是一种非监督学习过程，主要确定深度学习算法的相关参数，采用逐层贪婪优化训练机制对输入层和隐藏层进行训练，采用能量和概率分布函数进行表示，计算公式具体为：

式中：[vi]，[hi]为输入层和隐藏层节点的状态;[ai]，[bi]为偏置向量。

[Z]为归一化系数，具体为：

根据贝叶斯公式计算出边缘和条件概率，即有：

深度学习算法训练就是为了有效拟合医疗电子设备故障智能辨识的输入数据和输出数据之间的关系，根据极大似然学习法则，要对全部医疗电子设备故障智能辨识输入数据进行极大化[P（v，θ）]操作，采用快速近似算法计算梯度。首先根据医疗电子设备故障智能辨识训练样本对输入层进行初始化，根据医疗电子设备故障智能辨识输入数据和[P（hv）]计算[h]，然后根据[h]和[P（vh）]计算[v]，[v]是对输入数据个重构，相关参数更新方式具体为：

式中：[ε]为学习率;[<*>data]和[<*>rcon]分别表示医疗电子设备故障智能辨识的原始数据和重构之后的期望。

通过一段时间的训练后，深度学习算法得到了一组参数值，以此为基础，采用反向传播算法调整相应参数，调整过程中选择的目标函数为：

式中：[θ]表示要调整参数;[y′i]表示输出数据的医疗电子设备故障智能辨识结果。

通过以上训练过程可以建立医疗电子设备故障智能辨识的分类器。

2  仿真测试

2.1  样本数据

为了分析基于模式识别技术的医疗电子设备故障智能辨識的性能，首先将医疗电子设备故障划分为两类：硬件故障和软件故障。其中，硬件故障划分为电路故障、机械故障;软件故障又分为系统软件故障和应用软件故障，它们的样本分布如表1所示。

2.2  结果与分析

采用选择专家系统、BP神经网络的医疗电子设备故障辨识方法进行对比测试，测试样本的医疗电子设备故障辨识结果如图1所示。

对医疗电子设备故障辨识结果进行分析可知：

1） 专家系统的医疗电子设备故障辨识错误数量大，说明医疗电子设备故障辨识正确率低，这是因为其识别结果与专家知识库的规则丰富度密切相关，使得医疗电子设备故障辨识结果具有主观性，医疗电子设备故障辨识结果的可靠性差。

2） 相对于专家系统的医疗电子设备故障辨识方法，BP神经网络的医疗电子设备故障辨识效果有所改善，降低了医疗电子设备故障辨识错误的概率，建立更优的医疗电子设备故障辨识分类器，但是医疗电子设备故障辨识正确率有待进一步提高，尤其是个别类型的医疗电子设备故障辨识效果差。

3） 相对于对比医疗电子设备故障辨识方法，模式识别技术的医疗电子设备故障辨识正确率最高，主要是因为通过引入深度学习算法对医疗电子设备故障辨识分类器进行构建，可以更好地拟合特征与医疗电子设备工作状态之间的变化关系，减少了医疗电子设备故障的错误识别率，医疗电子设备故障辨识更加可靠。

对所有方法的医疗电子设备故障辨识时间进行对比和分析，结果如表2所示。从表2可知，基于模式识别的医疗电子设备故障辨识时间得到了明显的缩短，加快了医疗电子设备故障辨识速度。

3  结  语

针对当前医疗电子设备故障智能辨识精度低、效率低等局限性，设计了基于模式识别技术的医疗电子设备故障智能辨识方法，并且通过仿真对比测试，验证了本文医疗电子设备故障智能辨识方法的优越性，同时为其他领域的故障诊断提供了一种研究思路。

参考文献

[1] 肖平.医疗电子设备故障诊断技术的应用探讨[J].中国医学装备，2012，9（6）：55?57.

[2] 林玉汉.医疗电子设备的故障诊断技术与维护管理[J].心电图杂志（电子版），2018，7（3）：199?200.

[3] 胡江春.医疗电子设备故障诊断技术及其应用[J].医疗装备，2018，31（6）：134?135.

[4] 李怀俊，谢小鹏.基于核特征模糊聚类及模糊关联熵的齿轮故障模式识别[J].仪器仪表学报，2015，36（4）：848?855.

[5] 王保华，佟庆彬，胡海，等.基于RSGWPT?LCD的轴承信号故障特征提取及模式识别[J].振动·测试与诊断，2018，38（4）：719?726.

[6] 裴峻峰，孙建华，宋传智，等.基于EEMD消噪和相关系数识别的滚动轴承故障诊断方法[J].机械传动，2018，42（4）：150?155.

[7] 左红艳，刘晓波，洪连环.双阶自适应小波聚类的航空发动机故障分类与识别[J].振动工程学报，2018，31（1）：165?175.

[8] 夏玉剑，李敏，陈果，等.基于振动分析法的变压器故障分类和识别[J].电测与仪表，2017，54（17）：7?10.

[9] 公茂法，魏景禹，姜文，等.基于HHT和概率神经网络的变压器局部放电故障识别[J].现代电子技术，2018，41（9）：152?156.

[10] 夏琳琳，文磊，刘惠敏，等.改进PSO?BPNN的电力变压器故障诊断与模式识别[J].沈阳工业大学学报，2016，38（6）：606?611.

[11] 高伟，陈伟凡，杨耿杰，等.基于奇异值分解和多级支持向量机的配电网故障类型识别[J].电子测量与仪器学报，2018，32（2）：62?71.

[12] 陈晓芳，李丽芬，白彦霞，等.基于模式识别的精密光电检测电路故障识别[J].激光杂志，2018，39（10）：53?56.

[13] 杜党党，贾晓亮，王卓.基于故障彩色图谱的航空发动机故障模式识别[J].计算机集成制造系统，2018，24（9）：2297?2305.