王荣香，朱俊峰，陈仪生

江苏省仪征市人民医院（江苏仪征 211400）

随着现代医院的发展，医疗设备种类和数量不断增加。医疗设备安全是医疗安全的重要组成部分，是医疗服务体系安全运行的基础，保证医疗设备安全尤为重要。当设备出现故障或处于非正常运行状态时，可能进一步造成自身损坏或威胁人员安全，所以有必要及时发现并处理这些工况。采用人工方法统计设备运行的相关数据，难以全面地监测设备运行状况，进而发现潜在的问题。因此，建立一套用于自动检测医疗设备运行状态的软硬件系统，有利于医疗设备的高效管理，加强对医疗设备的使用管理和监测，提高设备管理的精益化水平，已成为医院医疗设备管理的重要课题[1-2]。业界已对医疗设备状态及环境监测系统进行相关研究，如李思华等[3]设计了一种大型医疗设备监测系统，监测指标包括机房温湿度、机房电压电流断电、漏水积水、空调恒温与送风。宋景国等[4]设计了大型医疗设备机房的温湿度、灰尘、循环风量、三相电压、水冷温度及关键辅助设备运行状态等参数的获取。林海东、万莉等[5-6]通过采集医疗设备的运行电流，判断设备的运行状况。薛山定[7]设计了医疗设备环境参数远程监测系统，其中使用了多种环境参数传感器。

本研究介绍了一种基于音频分析的医疗设备状态实时监测系统，使用音频传感器增加对机房医疗设备的感知能力。对某些设备故障及潜在危险做到及时发现和处理，以保障设备及人员安全。设计重点是通过医疗设备运行时的机械噪声判断医疗设备运行状态，涉及音频特征的分析及设备运行工况的判断。缪吉昌等[8]设计的设备状态监测系统能够采集医疗设备的开关机状态、运行声音、环境温度、环境湿度等数据，其中运行声音是医疗设备本身的状态，但未提及运行声音的细节和具体方法。而音频特征分析已经被用于工业领域的研究，如风电叶片损伤监测技术研究[9]、机械设备损伤研究[10]、交流接触器电寿命预测研究[11]、电机轴承异音故障诊断研究[12]、混流式水轮发电机组顶盖排水管振动音频分析[13]、列车行驶安全检测技术研究[14]、表征电力变压器运行状态研究[15]、工程车辆工况识别研究[16]等。这表明音频特征分析具备独特优势，如非接触式探测和低成本，更重要的是机械、电气等故障与其音频特征紧密相关，这也符合医疗设备复杂的结构和故障特征。

医疗设备运行时，其本身存在特征性声谱，而设备发生故障时可能会产生额外的噪声。与上述文献中的思路相似，采用音频分析方法可以为设备状态增加一种检出方法，关键在于分析音频特征与设备状态间的关联。而上述文献对音频特征分析也提出了多种方法。其中，刘文才等[16]采用MFCC 音频特征分析方法，用于工程车辆工况识别研究，取得了良好的识别效果。梅尔频率倒谱系数（Mel Frequency Cepstral Coefficient，MFCC），最早由Davis 和Mermelstein 提出，用于语音识别领域，其特点是更符合人耳的听觉特性，在信噪比较低的环境中仍具有较好的识别性能[17]。MFCC 方法也被用于机械故障监测领域的研究，如齿轮箱故障诊断[18]、轴承故障诊断[19]、螺线管泵故障检测[20]等。医疗设备运行时，其机械结构会发出噪声，本研究以2 台瓦里安直线加速器和1 台CT 扫描机为例，其机械结构在不同运行状态下会发出不同的声音，从MFCC 方法和音频均值两个方面对其特征进行研究。MFCC 具体实现方法和应用已经成熟，将MFCC 方法应用于医疗设备监测，有利于音频特征的识别和工况的判断。此外，还需满足对医疗设备实时监控的需求，弥补无人值守状态下医疗设备工况的监测，有必要研究完整的监测系统，保证状态判断的实时性和智能化。因此，本研究设计了完整的声音采集和工况判断系统，主要从4 个方面进行介绍，包括系统结构、音频特征分析、工况判断方法和实验结果。

1 系统结构

监测系统由音频采集卡、ZYNQ 信号处理系统和PC 终端3 部分组成，如图1 所示。音频传感器获取机房环境噪声模拟信号，先由音频采样器进行数字化，之后传入ZYNQ-7010 芯片进行处理，最后网络打包发送至PC 终端，进行分析。

图1 监测系统的结构

1.1 音频采集卡

音频采集卡采用高灵敏度的驻极体音频传感器，负责接收设备机房的环境噪声。因传感器信号微弱，故先经放大器电路进一步放大信号。放大器电路使用运放，采用电压放大结构，其带宽高于采样要求。经过放大后可提高信噪比，有利于获取更多的声音特征及后续分析。音频采样器将放大的音频模拟信号转化为数字信号，其采样率为44.1 kHz，并将采样值提供给后续数字化信号处理和分析系统。

1.2 ZYNQ

ZYNQ-7010 芯片集成了FPGA 逻辑模块和ARM双核处理器，称为硬核PL 端和软核PS 端，两端可通过配置内部AXI 接口实现通信[21]。ZYNQ PS 端集成了以太网外设，且SDK 开发环境包含以太网驱动函数库，相较于单用FPGA，实现以太网设计更为简单、高效[22]。ARM 上运行的Linux 系统提供了网络传输数据接口，便于音频数据的处理和传输。FPGA 连续接收音频采样器数据，通过FIFO 结构完成缓存[23]。Linux 端控制读取信号，通过FPGA数据接口模块将音频数据写入内存单元，再根据PC 终端的指令，由Linux 通过网络向终端传输。

1.3 PC 终端

PC 终端即可视化平台，PC 终端软件通过以太网数据接口向Linux 发送命令并接收音频数据，完成数据存储，并实现状态判断算法，提供人机交互界面。

2 音频特征分析

医疗设备机房环境噪声的来源主要为医疗设备本身、空调和通风系统等，人为噪声包括说话声、脚步声和其他操作产生的噪声，因此要进行有人和无人条件下的区别分析，本研究主要讨论无人条件下的医疗设备安全监测问题。MFCC 方法接近人耳对声音的感知，在语音识别领域应用广泛。根据医疗机房环境噪声的特点和识别目的，不同于多阶MFCC 特征识别，本研究直接以二阶MFCC 系数为特征进行判断，将功率分析方法与MFCC 方法联合作为识别指标，以增强识别能力。不同医疗设备的声学环境有差异，以瓦里安治疗机房和CT 扫描机房为例，首先分析声谱并提取特征，再进行设备工况的判断。

2.1 瓦里安一号机机房

瓦里安直线加速器为大型医疗设备，一号机静态时的音频和MFCC 二阶系数如图2 所示，音频与对应的MFCC 系数均平稳。当机架旋转时，如图3 所示，音频曲线明显存在附加噪声，高出部分经分析为刹车片噪声，而刹车片噪声消失后的噪声也明显大于静态时，主要为机械摩擦和电机工作的声音。机架旋转时刹车片产生的音频二阶MFCC 系数出现向下突变，明显区别于静态时的曲线。如产生这种异常噪声，可认为机器处于运转、静态或故障等状态。

图2 瓦里安一号机静态时的音频和MFCC 系数

图3 瓦里安一号机机架运转时的音频和MFCC 系数

2.2 瓦里安三号机房

三号机房静态时的音频和二阶MFCC 系数如图4 所示，与一号机类似，音频响应平缓，二阶MFCC 系数出现缓慢波动，未出现明显波动。机架旋转时的音频和二阶MFCC 系数如图5 所示，音频噪声存在额外高出部分，也是由刹车片引起，且明显大于一号机，表明其刹车片磨损情况比一号机严重。因为两台瓦里安加速器运行时间均超10 年，机械部件出现磨损，刹车片噪声尤为明显。三号机机架旋转时对应二阶MFCC 响应出现向下突变，偏离值也明显大于一号机，达到-1 左右。由此可知，设备产生的异常声音可能由机械故障引起，而这些噪声监测可以作为判断指标，有利于及时发现设备运行的异常状态。

图4 瓦里安三号机静态时的音频和MFCC 系数

图5 瓦里安三号机机架运转时的音频和MFCC 系数

2.3 CT 扫描机房

CT 扫描机房静态时的音频和对应二阶MFCC系数如图6 所示，静态即CT 处于待机状态，噪声主要来自散热风扇，音频与对应的MFCC 系数均平稳。CT 运转时如图7 所示，音频曲线平稳，噪声水平比静态时明显提高，对应的二阶MFCC 曲线平稳，但水平高于静态时。为增强对静态和运行状态的识别能力，增加噪声均值统计。计算方法为：取0.2 s 内音频幅度绝对值的均值，连续计算得到其随时间的变化。如图8 所示，CT 运转时的均值超过静态时的5 倍，也表明噪声水平高于静态时。CT运转时噪声主要来自扫描机架旋转和散热风扇，且扫描机架旋转噪声高于散热风扇。若CT 机或机房内其他设备产生额外噪声，则对应的二阶MFCC系数也会发生变化，对应均值会升高，两者均可作为工况判断的依据。

图6 CT 扫描机房静态时的音频和MFCC 系数

图7 CT 扫描机房CT 运转时的音频和MFCC 系数

图8 CT 扫描机房静态和运转时的噪声均值

3 工况识别逻辑

瓦里安加速器和CT 扫描机房的测试结果表明，噪声增大时，设备可能处于非静态工况，即可能为正常工作状态或异常状态，根据音频的特点可进行区别。在无人值守的条件下，异常噪声也可能是机房内其他设备产生的，因为设备所处的环境也会影响设备安全，所以也应考虑这种因素。工况识别逻辑如图9 所示，静态工况的判断标准为二阶MFCC系数平稳在基准值，且音频幅度均值小于2 倍静态值。运行工况的判断标准为二阶MFCC 系数平稳，且音频幅度均值大于2 倍静态值。在医疗设备正常工作状态下，二阶MFCC 系数也可能突变，这种短时噪声来自启停机固有噪声、电力设备工作等，考虑到医疗设备正常工作为有人值守条件，而本研究讨论的是无人值守模式下的设备安全监测任务，故将这种情况归为异常工况。因此，异常工况的判断标准为二阶MFCC 系数产生突变，且音频均值高于静态值2 倍。因此为保证设备安全，在无人值守条件下产生运行工况或异常状态，都要引起重视。PC终端监控人员确定各机房的待机时间段，并切换至无人值守模式，期间产生运行工况或异常工况的提醒，以采取现场巡查等应对措施。

图9 工况识别逻辑

4 实验结果

在PC 终端实现上述算法和识别逻辑后，对3 个机房进行实际测试，结果如图10 所示。瓦里安一号机未工作，处于静态模式，无其他噪声。连续采集音频数据并上传，终端显示静态工况。瓦里安三号机首先处于静态，后转动机架，有额外噪声产生。终端显示先为静态工况，后为异常工况，与实际状况一致。CT 扫描机房先处于待机状态，后处于扫描状态，对应终端显示先为静态工况，扫描启动后为运行工况。测试结果显示，监测系统的数据采集和算法顺利运行，工况判断结果与实际一致。

图10 工况识别结果

5 结语

本研究介绍了一种基于音频分析的医疗设备安全监测系统，适用于机房无人值守模式，可将监测信息集成到统一的终端，以实时掌握设备所处的状态，对潜在的安全风险进行早识别、早处理，进而减少损失。音频分析从MFCC 方法和音频均值两个方面对其特征进行研究，以判断设备所处的工况，进而分析其安全状态。测试结果显示，工况判断与实际一致。后续工作包括4 个方面：第一，后续可增加对磁共振机房、PETCT 机房等区域音频数据的采集和标定，增强对上述区域的安全监测功能；第二，本设计还可与其他传感器集成，组合为多维感知设备监测系统，FPGA 信号处理单元功能强大，可处理多种传感器数据，而Linux 系统可独立于PC终端，实现工况判断功能，Linux 获取系统多种医疗设备的传感器数据或工况判断数据，通过网络发送至统一平台，实现监测系统的组网运行；第三，本研究直接采用二阶MFCC 系数，根据其特征进行简单的工况判断，后续将研究MFCC 与人工神经网络相结合[24]，以识别异常工况下的具体故障，进一步增强医疗设备安全监测能力；第四，本研究中的声音传感器置于医疗设备旁，下一步可研究将声音传感器置于医疗设备（如呼吸机和超声设备）内部，以获取更多的音频细节，提升故障诊断能力。