馮世領(lǐng)

衛(wèi)生部北京醫(yī)院 醫(yī)學(xué)工程科， 北京100730

模式識別在醫(yī)學(xué)工程領(lǐng)域的應(yīng)用

馮世領(lǐng)

衛(wèi)生部北京醫(yī)院 醫(yī)學(xué)工程科， 北京100730

本文簡要介紹了模式識別的方法，包括決策理論、句法分析和人工神經(jīng)網(wǎng)絡(luò)，并指出了不同方法的特點和適用情況，進而介紹了模式識別方法在醫(yī)療器械采購風(fēng)險分析、故障間期分析和損失評估等方面的應(yīng)用，并提出了將模式識別技術(shù)應(yīng)用于輔助排錯方面的構(gòu)想，闡述了應(yīng)用方式、可能遇到的困難以及解決困難的思路和設(shè)想。

模式識別；貝葉斯決策理論；句法分析；醫(yī)療器械風(fēng)險評估；預(yù)防性維護

0 前言

認識世界是人類的一項基本智能。模式識別（Pattern Recognition）技術(shù)則是以計算機科學(xué)為基礎(chǔ)，對事物進行感知和區(qū)分的一種新興的、極具活力、具有廣泛應(yīng)用范圍和前景的人工智能技術(shù)[1-2]。在過去的幾十年中，模式識別技術(shù)在醫(yī)學(xué)信號分析、醫(yī)學(xué)影像處理和臨床輔助診斷等方面已有較為成熟的應(yīng)用，是現(xiàn)代醫(yī)學(xué)發(fā)展的重要助力。醫(yī)學(xué)工程（Medical Engineering）學(xué)科是應(yīng)用工程理論、技術(shù)來研究和解決與醫(yī)學(xué)有關(guān)的工程問題的新興交叉學(xué)科。這兩種新興學(xué)科的碰撞，必將迸發(fā)出絢麗的火花。

1 關(guān)于模式識別

1.1 模式識別定義和方法

1.1.1定義

模式識別或稱模式分類（Pattern Classification），是指對表征事物或現(xiàn)象的各種形式的（數(shù)值的、文字的和邏輯關(guān)系的）信息進行處理和分析,以對事物或現(xiàn)象進行描述、辨認、分類和解釋的過程[3]。這一過程主要包括：輸入原始數(shù)據(jù)（模式的數(shù)據(jù)采集）；確定并提取模式特征（基于先驗的特征選擇）；判別模式類別（基于先驗的類別選擇）；并根據(jù)其類別采取相應(yīng)行為等（訓(xùn)練、評價）[4]。

1.1.2 模式識別方法

（1）決策理論方法（Decision Theoretic Approach），又稱統(tǒng)計方法，是發(fā)展較早、比較成熟的一種方法，也是理論基礎(chǔ)最為扎實的一種方法。它通過特征提取，使得輸入模式從對象空間映射到特征空間，即通過多維特征空間中的一個點或一個特征向量表示輸入模式。特征的選取依賴于具體的識別對象，要盡量使得模式在特征空間中“抱團”，即所選取的特征對于某種分類應(yīng)用來說，能夠真正地表現(xiàn)出模式的“特點”。最后，再通過引入合適的判別函數(shù)對出入模式進行合理的分類。

（2）句法方法（Syntactic Approach），又稱結(jié)構(gòu)方法或語言學(xué)方法。其基本思想是通過選取合適的基元（底層的最簡單的子模式）和語法（轉(zhuǎn)化規(guī)則），把一個模式轉(zhuǎn)化為樹形結(jié)構(gòu)。所謂句法分析，即分析給定的模式語句是否符合指定的語法，滿足某類語法的即被分入該類。

（3）人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network Approach），是一個由大量簡單的處理單元組成的高度復(fù)雜的大規(guī)模非線性自適應(yīng)系統(tǒng)，是從生理的角度對人類大腦系統(tǒng)的一階特性的一種描述。它通過網(wǎng)絡(luò)權(quán)系數(shù)和激勵函數(shù)對輸入模式進行響應(yīng)，輸出分類結(jié)果；并通過訓(xùn)練，對權(quán)系數(shù)進行矯正，改善神經(jīng)網(wǎng)絡(luò)性能。

模式識別方法的選擇取決于問題的性質(zhì)。如果先驗類的概率和類的條件概率密度或分布是清晰的，則最好采用決策理論方法，因為這種方法的理論基礎(chǔ)最為扎實，能夠給出最優(yōu)化的結(jié)果；如果被識別的對象極為復(fù)雜，但包含豐富的結(jié)構(gòu)信息，一般采用句法方法，這樣可以充分利用上下文關(guān)系解決問題；如果待解決問題需要突出系統(tǒng)的學(xué)習(xí)能力，則人工神經(jīng)網(wǎng)絡(luò)的方法更為合適，這種方法便于通過訓(xùn)練（學(xué)習(xí)）來調(diào)整網(wǎng)絡(luò)權(quán)系數(shù)，進而改善系統(tǒng)性能。在實際應(yīng)用中，將各種方法結(jié)合起來能夠更好地解決問題。

1.2 模式識別的應(yīng)用范圍

模式識別可用于文字、語音、遙感、工程和醫(yī)學(xué)等各個領(lǐng)域。在醫(yī)學(xué)領(lǐng)域中，尤其是臨床醫(yī)學(xué)中，模式識別在臨床自動檢驗和分析、心電和腦電信號提取分析、醫(yī)學(xué)影像處理和分析、自動治療計劃和輔助診斷等方面，已取得了成效，這些在傅京孫教授[2]的著作中已有闡述。近年來，模式識別技術(shù)在醫(yī)學(xué)領(lǐng)域中的應(yīng)用發(fā)展迅速，如石宏理、羅述謙等人[5]在磁共振圖像降噪方面取得的成果。另外，模式識別在腦-機接口[6]（Brain-Computer Interface, BCI）和臨床專家系統(tǒng)（輔助診療）等方面的應(yīng)用也發(fā)展極快。

在工程領(lǐng)域中，模式識別在工程可靠性分析、機械部件識別、故障檢查和判斷、設(shè)備風(fēng)險評估等方面應(yīng)用廣泛。

2 模式識別在醫(yī)學(xué)工程中的應(yīng)用

醫(yī)學(xué)工程學(xué)是醫(yī)學(xué)與工程學(xué)相融合的一門交叉學(xué)科，以醫(yī)學(xué)需求引導(dǎo)工程發(fā)展，以工程發(fā)展推動醫(yī)學(xué)進步[7]。近年來，由于醫(yī)學(xué)和工程學(xué)的飛速發(fā)展，以及兩者愈發(fā)緊密地結(jié)合，使得醫(yī)學(xué)工程學(xué)這一年輕的學(xué)科發(fā)展迅猛，其應(yīng)用范圍不斷擴展，這就需要有更多的理論和技術(shù)支持，以滿足多方面的應(yīng)用需求。模式識別就是其中重要的一員。目前，模式識別在醫(yī)學(xué)工程學(xué)中的應(yīng)用主要體現(xiàn)在風(fēng)險評估（Risk Estimation）與輔助決策等方面。

2.1 模式識別在風(fēng)險評估方面的應(yīng)用

風(fēng)險評估主要是針對醫(yī)療器械而言。醫(yī)療器械直接作用于人體，它的安全性和有效性直接關(guān)系到醫(yī)療機構(gòu)的社會和經(jīng)濟效益，其全生命周期管理包括設(shè)計、制造、市場、使用、質(zhì)控、維修、處置等眾多環(huán)節(jié)，每個環(huán)節(jié)都可以通過風(fēng)險評估來提高效益。

2.1.1 采購環(huán)節(jié)

針對醫(yī)療器械的價值、技術(shù)、環(huán)境等風(fēng)險因素隨時間變化快的情況，張洪鵬等人[8]提出采用便于將定性的描述進行量化比較的模糊綜合評價法來進行風(fēng)險評估。該方法一般分為6步：① 收集風(fēng)險因素，構(gòu)建因素集；② 對因素集劃分等級，建立備擇集；③ 對風(fēng)險因素進行獨立評價，建立判斷矩陣；④ 根據(jù)各風(fēng)險因素的影響程度確定其權(quán)重；⑤ 利用模糊數(shù)學(xué)方法，計算綜合評價結(jié)果；⑥ 根據(jù)結(jié)果給出風(fēng)險評價意見。由此，可得出對簡單采購方案風(fēng)險的量化比較結(jié)果。

2.1.2 質(zhì)控環(huán)節(jié)

對于醫(yī)療器械來講，其主要工作內(nèi)容之一就是建立并執(zhí)行預(yù)防性維護計劃（Preventive Maintenance, PM），即在獲知設(shè)備發(fā)生故障或性能下降隨時間的概率分布后，有針對性地提前對其進行維護，以降低實際的故障發(fā)生概率。周丹等人[9]對基于風(fēng)險評估的設(shè)備管理進行了闡述，認為物理、臨床、技術(shù)等醫(yī)療風(fēng)險在醫(yī)學(xué)工程中都表現(xiàn)為故障信息，對其進行風(fēng)險評估主要包括基于報告、經(jīng)驗和先驗知識的風(fēng)險分析，基于以專家評分來確定權(quán)重的風(fēng)險評估，基于技術(shù)水平和監(jiān)控能力的風(fēng)險控制等內(nèi)容，其核心工作就是確定PM時間間隔。

在此基礎(chǔ)上，劉延武等人[10]利用基于Weibull分布的故障間期分布函數(shù)，對醫(yī)療器械故障進行可靠性和風(fēng)險率分析。他們認為，在醫(yī)療設(shè)備的質(zhì)量控制中, 故障間期（Failure Interval）是醫(yī)療設(shè)備的壽命數(shù)據(jù),其特點是：① 故障間期始終是正值,單位是時間單位；② 故障間期數(shù)據(jù)不可能精確地被觀察到,因此，只知道它們之中一些高于某個定量。這一數(shù)據(jù)由以往的維修記錄和先驗知識而來，通過如醫(yī)學(xué)工程保障信息系統(tǒng)等方式獲取，得到各種類型醫(yī)學(xué)工程質(zhì)量控制所需的相應(yīng)類型的故障間期。其方法簡述如下：

假設(shè)醫(yī)療設(shè)備故障間期分布函數(shù)為F(t)（不可直接估算） ,則醫(yī)療設(shè)備故障間期分布密度函數(shù)f (t) = F′(t) ,以及醫(yī)療設(shè)備故障風(fēng)險率函數(shù)λ( t) = f (t) / [ 1- F (t) ]。設(shè)Ti ( i = 1, 2, …, n)表示醫(yī)療設(shè)備故障間期,它們是非負獨立同分布的隨機變量。針對這類隨機數(shù)據(jù),得到醫(yī)療設(shè)備故障間期分布函數(shù)F(t)的經(jīng)驗估計。同時大量實驗表明故障間期的分布遵循著韋伯（Weibull）分布，因此采用Weibull分布函數(shù)擬合醫(yī)療設(shè)備故障間期的經(jīng)驗分布函數(shù)，并據(jù)此計算出醫(yī)療設(shè)備故障風(fēng)險率函數(shù)：

其工程意義在于可以根據(jù)故障風(fēng)險高低來制定、實施不同的應(yīng)對措施，有針對性地降低損失。對于這類壽命數(shù)據(jù)分析的問題，目前已有較為成熟的商業(yè)軟件，如ReliaSoft的Weibull++等。

2.2 模式識別在輔助排錯（Assisted Troubleshooting）方面的應(yīng)用

一般的故障排錯工作包括故障檢出、原因分析、故障定位、性能監(jiān)測等環(huán)節(jié)，最核心的工作就是通過對故障現(xiàn)象、使用環(huán)境等影響因素的檢測和分析，判斷出故障部位并做出相應(yīng)的處理。為方便進行此項工作，很多設(shè)備廠家在產(chǎn)品設(shè)計和制造時就有所考慮，采取了很多措施，如內(nèi)置錯誤代碼或是連接外置的故障診斷程序等。但限于技術(shù)能力，以及實際工作的困難程度，這些措施的適用性小、成本高，而且只能給出一個較大的故障參考范圍，準確程度也不能令人滿意，對于工程師的幫助力度有限[11]。目前進行故障排錯，主要還是依靠工程師的知識和經(jīng)驗。由于這些知識和經(jīng)驗是專屬于個人的資源，不是標準化的數(shù)據(jù)，所以很難復(fù)制（一致性）、傳輸（傳授他人）、存儲（知識和經(jīng)驗的積累）和查詢（參考、借用他人知識和經(jīng)驗）；而資源的總量不大（技術(shù)好的工程師總是少數(shù)），且不易增長（教和學(xué)都不是容易的事）[12]。這些原因就成為了限制故障排錯總體水平提高的瓶頸。能不能充分利用這些資源為所有的工程師提供幫助，從而突破技術(shù)瓶頸呢？輔助決策系統(tǒng)應(yīng)該是一個行之有效的方法。

在很多領(lǐng)域中都運用了模式識別中的統(tǒng)計決策理論方法進行輔助決策，并進展迅速，如疾病輔助診斷系統(tǒng)等。本文所提出的輔助排錯（也可稱為故障判別）系統(tǒng)，也是這種方法在工程維修（Service）方面的一種運用，即在已知故障模式類的概率和類的故障現(xiàn)象條件概率密度或分布的基礎(chǔ)上，將故障現(xiàn)象等影響因素作為故障模式的輸入向量，通過決策理論方法對故障模式進行分類。由于故障現(xiàn)象、操作方式、使用環(huán)境等影響因素相對穩(wěn)定，所以很適于用經(jīng)典的決策理論（Bayes決策理論）的方法來處理。故障模式分類應(yīng)是已知的，該故障模式的各種信息也是已知的，這樣就可以為維修工程師排除故障提供極大的幫助。

建立并完善輔助排錯系統(tǒng)，包括以下一些工作：

（1）術(shù)語。建立術(shù)語表，并進行編碼，以便于計算機自動進行統(tǒng)計分析；同時，通過術(shù)語編碼來進行標準化的定義和描述，可以極大地減少故障模式和分類數(shù)量，使得應(yīng)用模式識別方法進行輔助排錯具有可行性。

（2）分類。根據(jù)故障（或性能下降）的影響因素，確定故障模式，并以多維向量（E0～Ek）的方式表示。k（0，1，…k）為故障模式數(shù)量，E0表示正常模式。故障模式可以修改和擴展。

（3）先驗概率。應(yīng)用Bayes決策理論的前提，是故障模式類的概率和類的條件概率已知，即得出它們的概率密度或分布函數(shù)。

（4）權(quán)重系數(shù)?？紤]系統(tǒng)的“學(xué)習(xí)”能力，包括故障處理對排錯的反饋，需要確定并不斷修正相應(yīng)的權(quán)重系數(shù)。

（5）系統(tǒng)性能評價。通常以正確率、誤判率（第一類錯誤）、漏判率（第二類錯誤）、拒判率來評價系統(tǒng)性能。由于故障是已發(fā)生的，所以沒有漏判，只用其他3個指標進行評價。

輔助排錯系統(tǒng)，可以充分利用先驗知識和經(jīng)驗，降低工作復(fù)雜度，極大地提高維修的整體技術(shù)水平（因為任何人都可能借助該系統(tǒng)而成為高水平的工程師）。這將為建立并實施預(yù)防性維護計劃，確保醫(yī)療器械處于完好、待用狀態(tài)，保證其安全性和有效性提供極大的助力；同時，通過反饋，對設(shè)備生產(chǎn)廠家改進設(shè)計，提高生產(chǎn)工藝水平也具有極大的促進作用。

3 有關(guān)輔助排錯系統(tǒng)的一些問題

3.1 關(guān)于參數(shù)的選擇、確定和調(diào)整

（1）模式識別方法包括對輸入模式的處理（特征提?。┖蜎Q策（分類）。對于故障模式輸入向量來說，包括了在定量/可測量的、定性（二值）的、可視化的或文字的描述等多種測量值并存的情況下，如何進行多元統(tǒng)計分析？可將該問題最大程度地化簡，如都先簡單地轉(zhuǎn)成“二值”量，以減少系統(tǒng)的復(fù)雜程度。

（2）關(guān)于權(quán)重系數(shù)的確定、調(diào)整以及激勵函數(shù)的作用和選取?？捎脦Х答伒娜斯ど窠?jīng)網(wǎng)絡(luò)來調(diào)整權(quán)系數(shù)，但要注意隱含節(jié)點不可太多，否則可能造成對訓(xùn)練樣本的“過擬合”。選擇合適的激勵函數(shù)和算法，以便加快神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的收斂速度[13]。如能在此基礎(chǔ)上將激勵函數(shù)與工程實際相結(jié)合，并給出其工程定義，則更有利于故障分析和對系統(tǒng)性能進行評測。

3.2 關(guān)于系統(tǒng)的學(xué)習(xí)和完善

（1）系統(tǒng)的“學(xué)習(xí)”即是系統(tǒng)隨著經(jīng)驗的積累自動提高性能，實現(xiàn)自我改進的過程，但對于故障模式而言存在一些困難：訓(xùn)練（故障）數(shù)據(jù)集只能來自設(shè)備自身或同類設(shè)備以往的故障模式，與正常模式相比，應(yīng)該屬于小樣本（即便故障模式種類k（j=0，1，…j…k）很小，也有Nj<

（2）很難確保故障模式向量觀察是完善的，原因有諸多故障現(xiàn)象或變化或條件的不可觀測性，物理退化機制的變異性，傳感器的不準確等。同時，還有故障多為非正態(tài)分布，設(shè)備磨損穩(wěn)定期等因素，在應(yīng)用時需加注意。

3.3 先驗類概率和先驗類的條件概率如何建立并完善

實現(xiàn)輔助排錯的前提，就是故障模式類的概率和類的條件概率已知，但目前尚未有可靠的數(shù)據(jù)支持。因此，要建立計算機輔助排錯系統(tǒng)，需要做的一項重要工作就是獲取可靠的統(tǒng)計數(shù)據(jù)。其獲取途徑主要包括：

（1）廠家維修手冊（已經(jīng)對故障類進行了編碼，但只限于個別設(shè)備或廠家）。

（2）個人維修經(jīng)驗（人工故障排錯過程是模式分類的現(xiàn)實基礎(chǔ)；但個人的知識和經(jīng)驗難以復(fù)制、傳輸、存儲和查詢）。

（3） 維修記錄（設(shè)備檔案）和技術(shù)論壇網(wǎng)站。雖然數(shù)量大、范圍廣、技術(shù)高深，但都是非標準化的數(shù)據(jù)，需要對其進行數(shù)據(jù)挖掘，以提取有用信息。這可以說是當前獲取先驗概率的主要手段。

（4）利用維修管理軟件（電子化、標準化（小范圍）的維修記錄）。建立關(guān)于設(shè)備故障的術(shù)語字典，包括：設(shè)備及各部件定義、使用環(huán)境和方式、故障現(xiàn)象描述、原因分析、故障定位、故障處理、故障模式分類等。盡可能地將以上內(nèi)容標準化（至少就本系統(tǒng)而言），以減少數(shù)據(jù)量（減少了故障模式輸入向量），降低復(fù)雜度。

（5）期望在政府部門和學(xué)會的帶領(lǐng)和支持下，仿照如國際代碼標識符 （International Code of Diseases，ICD） 等系統(tǒng)，建立故障模式分類編碼系統(tǒng)，形成統(tǒng)一標準，規(guī)范工作流程。例如以故障現(xiàn)象為軸，對動力源（電能、氣體動力等，包括輔助動力源（如UPS）等）；保護系統(tǒng)（熔斷保險、限位開關(guān)等）；人-機接口（包括控制臺、圖形顯示等I/O模塊）；能量通路（X線管球、超聲探頭等能量發(fā)射模塊和X線探測器、超聲探頭等能量接收模塊）；數(shù)據(jù)通道（醫(yī)學(xué)信息采集、轉(zhuǎn)換、傳輸和存儲等模塊）；計算單元（嵌入式系統(tǒng)或后處理工作站等數(shù)據(jù)處理、計算、分析模塊）等不同故障現(xiàn)象部位進行分級編碼。以此類推，分別以使用環(huán)境、故障判別、故障處理等為軸建立分級編碼，并將各類編碼匯總，最終形成故障模式分類的多軸分級編碼，并不斷對其進行動態(tài)維護。這是一個龐大而復(fù)雜的任務(wù)，如能完成，則是為醫(yī)療設(shè)備維修的自動化、智能化打下了堅實的基礎(chǔ)。我們可以依托于標準編碼，記錄維修檔案，統(tǒng)計先驗概率，發(fā)展專家系統(tǒng)，這就相當于用一個廣泛的數(shù)據(jù)庫來補充工程師個人的維修經(jīng)驗，協(xié)助、指導(dǎo)其工作，并能方便地估算出維修成本和給出處置建議，從而節(jié)省出大量的時間和人力資源，提高故障排錯準確率，使得醫(yī)學(xué)工程的整體工作水平實現(xiàn)一個質(zhì)的飛躍。

[1] Richard O.Duda(美).模式分類[M].2版.北京:機械工業(yè)出版社,2004.

[2] 傅京孫.模式識別應(yīng)用[M].北京:北京大學(xué)出版社,1990.

[3] Sergios Theodoridis（希臘）.模式識別[M].4版,北京:電子工業(yè)出版社,2010.

[4] Tom M.Mitchell（美）.機器學(xué)習(xí)[M].北京:機械工業(yè)出版社,2008.

[5] 石宏理,羅述謙.基于非冗余平移不變小波變換的磁共振圖像降噪[J].中國組織工程研究與臨床康復(fù),2010,14(52):9739-9743.

[6] 任亞莉.基于腦電的腦-機接口系統(tǒng)[J].中國組織工程研究與臨床康復(fù),2011,15(4):749-752.

[7] 姜遠海,彭明辰.臨床醫(yī)學(xué)工程技術(shù)[M].2版.北京:科學(xué)出版社,2009.

[8] 張洪鵬,周丹,賀密會.衛(wèi)生裝備采購風(fēng)險的評估[J].醫(yī)療設(shè)備信息,2007,22(5):58-62.

[9] 周丹,David,Yadin,等.基于風(fēng)險評估的設(shè)備管理[J].中國醫(yī)院管理,2000,20(9):42-43.

[10] 劉延武,呂鵬,王衛(wèi)東,等.醫(yī)學(xué)工程質(zhì)量控制風(fēng)險評估方法[J].北京生物醫(yī)學(xué)工程,2008,20(2):169-172.

[11] 程江波,等.數(shù)字化醫(yī)學(xué)工程保障體系及其信息系統(tǒng)設(shè)計[J].醫(yī)療衛(wèi)生裝備,2007,(6):33-34,43.

[12] 王衛(wèi)東,曹德森,吳昊,等.醫(yī)學(xué)工程保障中的質(zhì)量控制的研究[J].醫(yī)療設(shè)備信息,2007,22(3):5-8.

[13] 肖俊芳,王耀青.一種激勵函數(shù)可調(diào)的快速BP算法[J].自動化技術(shù)與應(yīng)用,2002,21(6):26-29.

Pattern Recognition in Medical Engineering

FENG Shi-ling
Department of Medical Engineering, Beijing Hospital of Ministry of Health, Beijing 100730, China

R197.39；TP18

B

10.3969/j.issn.1674-1633.2012.06.029

1674-1633(2012)06-0080-04

2011-12-27

2012-05-07

作者郵箱：wymuforever@yahoo.com.cn

Abstract:This paper gives a concise introduction of pattern recognition, including decision theory, syntactic analysis and artificial neural networks, and briefly discusses the characteristics and applicabilities of different approaches. The applications of pattern recognition in medicine, especially in the f eld of medical engineering are described. It is currently mainly used in risk estimation of medical devices, which involves the purchase risk analysis, failure interval analysis, loss estimation and so on. An idea is proposed that it can assist engineers in troubleshooting by pattern recognition. The methods, potential diff culties and solutions are also described.

Key words:pattern recognition; Bayes’decision theory; syntactic analysis; medical devices risk estimation; preventive maintenance