羅亞蘭

（成都市第三人民醫(yī)院檢驗(yàn)科，成都 610014）

0 引言

全自動血凝分析儀具備檢測速度快、測量項(xiàng)目多的特點(diǎn)，能夠?qū)崿F(xiàn)復(fù)雜樣本的智能化檢測，可快速得出檢驗(yàn)樣本的檢驗(yàn)結(jié)果及報告[1]?？赏ㄟ^Sysmex CS5100 血凝分析儀檢驗(yàn)?zāi)蜃?，從而了解病患不同發(fā)病因素，及時診斷并治療疾病。由于該儀器使用頻率高，容易出現(xiàn)故障。為保證該儀器能夠正常穩(wěn)定運(yùn)行，亟須提升儀器管理水平[2-3]。眾多學(xué)者為此展開相關(guān)研究，劉香君等[4]提出基于長短時記憶網(wǎng)絡(luò)的醫(yī)療器械故障診斷管理，通過對設(shè)備特征編碼及預(yù)處理建立醫(yī)療器械異常診斷模型，經(jīng)數(shù)據(jù)融合實(shí)現(xiàn)醫(yī)療器械異常診斷。該方法能夠有效提高故障診斷準(zhǔn)確率，可行性高，但計算過程復(fù)雜，操作難度大。錢文靜等[5]通過調(diào)查方式實(shí)現(xiàn)醫(yī)療器械管理，但該方法過于簡單，針對設(shè)備管理只通過調(diào)查方式實(shí)現(xiàn)，結(jié)果單一且不明確。

為了快速診斷Sysmex CS5100 全自動血凝分析儀故障，本研究提出一種基于貝葉斯估計的Sysmex CS5100 全自動血凝分析儀故障診斷方法。

1 Sysmex CS5100 全自動血凝分析儀故障診斷方法

1.1 故障診斷架構(gòu)

Sysmex CS5100 全自動血凝分析儀故障診斷架構(gòu)由采集層、處理層、應(yīng)用層和顯示層構(gòu)成（如圖1所示），該架構(gòu)可將各層中的信息進(jìn)行共享和集中控制。

采集層主要通過傳感器來采集Sysmex CS5100全自動血凝分析儀數(shù)據(jù)。采用的傳感器包括紅外遮光式計數(shù)器、電阻溫度傳感器。其中，紅外遮光式計數(shù)器的工作原理是從紅外發(fā)光管發(fā)射出的紅外光線直射在光電元件（如光電管、光敏電阻等）上，每當(dāng)紅外光線被遮擋時，光電元件的工作狀態(tài)就會發(fā)生改變，通過放大器可使計數(shù)器記下被遮擋的次數(shù)。電阻溫度傳感器根據(jù)溫度變化與電阻值變化之間的相關(guān)性確定溫度測量結(jié)果。由此，可獲取.txt 和.jpg 等格式的數(shù)據(jù)。需要采集的數(shù)據(jù)包括毛細(xì)血管脆性試驗(yàn)、出血時間、血小板計數(shù)、血塊收縮試驗(yàn)、凝血時間、血漿凝血酶原時間和活化部分凝血活酶時間等多種。首先，將采集的血凝分析儀數(shù)據(jù)經(jīng)CAN 總線測試口傳輸?shù)教幚韺?；其次，采用貝葉斯估計算法將采集到的信號進(jìn)行融合，并采用幅值譜來實(shí)現(xiàn)數(shù)據(jù)信號的幅值特征提取，由此完成數(shù)據(jù)融合和特征提取操作；最后，通過應(yīng)用層實(shí)現(xiàn)該血凝分析儀的實(shí)時檢測和故障診斷。在應(yīng)用層中，故障診斷模塊通過引入k近鄰（k-nearest neighbors，KNN）算法完成血凝分析儀的故障診斷，并通過故障預(yù)警模塊發(fā)出預(yù)警信息，最后經(jīng)主界面顯示故障診斷結(jié)果[6]。

1.2 基于貝葉斯估計的多傳感器數(shù)據(jù)融合

該血凝分析儀的輸出信號數(shù)據(jù)通過多個傳感器采集，處理層的數(shù)據(jù)融合模塊通過貝葉斯估計算法實(shí)現(xiàn)多個傳感器采集數(shù)據(jù)的融合[7]。假設(shè)有n個傳感器測量血凝分析儀，則多傳感器測量數(shù)據(jù)的融合最佳參數(shù)個數(shù)為l（l≤n），傳感器測量數(shù)據(jù)集合為X={x1，x2，…，xn}。接著利用貝葉斯估計算法完成數(shù)據(jù)的融合處理，則有

式中，P（μ|X）為傳感器數(shù)據(jù)的概率密度函數(shù)；P（n|X）為似然度；P（n）表示先驗(yàn)概率；P（X）表示測量數(shù)據(jù)X 的邊緣概率；μ 表示傳感器數(shù)據(jù)均值。

設(shè)μ 遵循高斯分布，也就是正態(tài)分布，則μ~N（μ0，σ02），其中μ0和σ0為測量數(shù)據(jù)初始均值和初始方差，N表示正態(tài)分布。因此，假設(shè)第i個傳感器的輸出結(jié)果用xi表示，xi∈X，xi遵循高斯分布，而xi~N（μ，σi2），則有

式中，Pi（μ|X）表示第i個傳感器的輸出結(jié)果xi的概率密度函數(shù)；μN(yùn)與σi分別表示測量數(shù)據(jù)均值和第i個傳感器的輸出結(jié)果方差。由于xi∈X，P（μ|X）呈正態(tài)分布，則Pi（μ|X）遵循N（μN(yùn)，σN2）分布，因此可將公式（2）改進(jìn)為

接著，對公式（1）與（3）進(jìn)行加權(quán)平均處理，在高斯分布的情況下可獲得測量數(shù)據(jù)均值μN(yùn)，則有

式中，xn、σn分別表示第n個傳感器的輸出數(shù)據(jù)及其方差。

因此，基于上述內(nèi)容，可利用貝葉斯估計算法得到關(guān)于μ 的貝葉斯估計數(shù)據(jù)融合結(jié)果，其表示為

1.3 提取特征參數(shù)

數(shù)據(jù)處理層通過幅值譜提取全自動血凝分析儀多傳感器信號數(shù)據(jù)融合后的信號特征。由于血凝分析儀的切光片輸出波動忽高忽低會產(chǎn)生計算誤差，因此無需測量切光片的輸出信號，只需提取血凝分析儀傳感器的輸出信號即可。而非全周期采集信號融合會產(chǎn)生分析誤差，因此為了有效解決這一問題，對頻譜進(jìn)行改正以實(shí)現(xiàn)對該非全周期采集信號特征的有效提取[8]。具體改正步驟如圖2 所示。

圖2 頻譜改正流程

分析圖2 可知，首先將非全周期采集的全自動血凝分析儀信號進(jìn)行融合后，輸入到矩形窗對其進(jìn)行截短處理。然后采用快速傅里葉變換（fast fourier transform，F(xiàn)FT）算法運(yùn)算截短的數(shù)據(jù)并得出其幅值譜。最后，為提高非全周期采集信號的幅值求解結(jié)果的準(zhǔn)確性，對頻譜分辨力進(jìn)行優(yōu)化，最終輸出得到精準(zhǔn)的幅值結(jié)果。具體實(shí)現(xiàn)過程如下：

首先，通過改進(jìn)頻譜方法處理非全周期采集融合后的信號，降低其分析誤差。其中頻譜方法中的矩形譜內(nèi)模函數(shù)表達(dá)式為

式中，W（m）表示矩形譜內(nèi)模函數(shù)，其中m表示非全周期采集融合后數(shù)據(jù)；M為實(shí)數(shù)。若M遠(yuǎn)大于1，則sin（πm/M）≈mπ/M，那么公式（7）可以轉(zhuǎn)化為

其次，通過公式（8）完成對融合后信號的截短處理。接下來基于FFT 算法對處理后數(shù)據(jù)進(jìn)行運(yùn)算，獲取的幅值譜表達(dá)式為

式中，C（θ）為幅值譜；X（θ）為截短處理后的第θ 個全自動血凝分析儀信號；f表示頻譜分辨力。

最后，為提高非全周期采集信號的幅值求解結(jié)果的準(zhǔn)確性，對頻譜分辨力進(jìn)行優(yōu)化。

設(shè)信號主瓣內(nèi)2 條幅值譜線存在2 種情況，其中一條幅值譜線是v，另一條幅值譜線是v+1，則信號主瓣中心坐標(biāo)表達(dá)式為

假設(shè)幅值譜主峰峰值用B表示，則可得到頻譜位置，其表達(dá)式為

由此，進(jìn)行頻譜分辨力的優(yōu)化，則優(yōu)化后頻譜分辨力表達(dá)式為

式中，fτ表示τ 譜線的采樣頻率。

將公式（12）代入公式（9）中，實(shí)現(xiàn)對幅值的獲取。同理，若另一條幅值譜線為v-1 時，則信號主瓣中心坐標(biāo)同公式（10）。優(yōu)化后頻譜分辨力為f=（v-Δv）fτM-1，然后代入公式（9）得出幅值結(jié)果。

接下來，為實(shí)現(xiàn)有效的全自動血凝分析儀故障診斷，將獲取的幅值作為血凝分析儀特征參數(shù)，以為故障診斷提供重要依據(jù)[9]。

1.4 全自動血凝分析儀故障快速診斷

1.4.1 故障數(shù)據(jù)依附率

依據(jù)提取到的Sysmex CS5100 全自動血凝分析儀信號幅值特征，計算血凝分析儀故障數(shù)據(jù)間的依附率，之后結(jié)合KNN 算法完成血凝分析儀故障檢測。

數(shù)據(jù)依附是一個關(guān)系內(nèi)部屬性與屬性之間的一種約束關(guān)系，這種約束關(guān)系是通過判斷屬性間值是否相同來確定數(shù)據(jù)間的聯(lián)系。而故障數(shù)據(jù)依附率可以看作故障數(shù)據(jù)之間存在關(guān)聯(lián)性的概率，可以通過分析數(shù)據(jù)關(guān)聯(lián)性判斷是否發(fā)生了故障，保證故障診斷的精度與效率。通常，可采用模糊決策法求解故障數(shù)據(jù)依附率。在模糊決策法中，故障數(shù)據(jù)簇中心是一個重要的計算條件，而為了確定故障數(shù)據(jù)簇的初始狀態(tài)，可以使用提取的幅值特征參數(shù)作為初始的簇中心，以更準(zhǔn)確地計算故障數(shù)據(jù)依附率，實(shí)現(xiàn)可靠的故障診斷[10]。

設(shè)多傳感器采集的血凝分析儀數(shù)據(jù)信號數(shù)據(jù)集X 內(nèi)有Z個血凝分析儀故障數(shù)據(jù)，則其集合Y={y1，y2，…，yZ}。針對Y 內(nèi)故障數(shù)據(jù)樣本，假設(shè)初始簇中心數(shù)量為w，將提取的幅值特征參數(shù)作為初始的簇中心。對于剩余的故障數(shù)據(jù)點(diǎn)，計算其與每個簇中心之間的距離，將故障數(shù)據(jù)點(diǎn)分配給距離最近的簇中心所屬的簇，其距離計算公式表示如下：

式中，（xyi，yyi）、（xTa，yTa）分別表示某一故障數(shù)據(jù)點(diǎn)yi和簇中心Ta的坐標(biāo)。

對于每個簇，計算該簇中所有數(shù)據(jù)點(diǎn)的平均值，將這些計算得到的新的簇中心作為更新后的簇中心，其計算公式表示如下：

式中，r1，r2，…，rn表示該簇中每個數(shù)據(jù)點(diǎn)的取值；n表示簇中數(shù)據(jù)點(diǎn)的總數(shù)。

然后根據(jù)更新后的簇中心重新計算每個數(shù)據(jù)點(diǎn)與各個簇中心的距離，并重新分配數(shù)據(jù)點(diǎn)到距離最近的簇[11]。由此循環(huán)，直至簇中心的變化非常小停止迭代，從而確定得到故障數(shù)據(jù)簇中心。

接著從信號數(shù)據(jù)集中隨機(jī)獲取某個練習(xí)樣本yh∈X，則yh與yi是同類數(shù)據(jù)概率，即故障數(shù)據(jù)依附率為

式中，η 表示血凝分析儀平衡因子；S表示故障數(shù)據(jù)樣本；S（xg，yg）η表示同類數(shù)據(jù)之和；S（xq，yg）表示不屬于同類數(shù)據(jù)之和；k表示練習(xí)樣本數(shù)量φi表示血凝分析儀故障點(diǎn)yi的協(xié)方差矩陣；O表示血凝分析儀信號幅值特征向量矩陣。由此，獲得數(shù)據(jù)集中故障數(shù)據(jù)依附率，以為后續(xù)診斷提供可靠的數(shù)據(jù)支撐。

1.4.2 基于KNN 算法的血凝分析儀故障診斷實(shí)現(xiàn)

根據(jù)運(yùn)算的故障數(shù)據(jù)依附率，引入KNN 算法完成血凝分析儀故障診斷。正常數(shù)據(jù)樣本和練習(xí)數(shù)據(jù)樣本的分布相同，故障數(shù)據(jù)樣本和練習(xí)數(shù)據(jù)樣本分布不同[12]，也就是說正常數(shù)據(jù)樣本對應(yīng)的距離平方之和小于故障樣本和練習(xí)樣本集合內(nèi)KNN 的距離平方和[13]。

將由血凝分析儀數(shù)據(jù)信號融合結(jié)果組成的故障數(shù)據(jù)集作為練習(xí)集，依據(jù)數(shù)理統(tǒng)計內(nèi)的優(yōu)越性標(biāo)準(zhǔn)和血凝分析儀故障數(shù)據(jù)依附率R（yh，yi）設(shè)置控制限（control line，CL）。若CL 大于無分類數(shù)據(jù)和練習(xí)集內(nèi)KNN 的距離平方和，則說明血凝分析儀處于正常狀態(tài)；反之，血凝分析儀為故障狀態(tài)。其中，設(shè)置CL與故障診斷的具體實(shí)現(xiàn)過程如下。

首先，實(shí)現(xiàn)對CL 的設(shè)置，步驟如下：

第一步，找到練習(xí)集內(nèi)各個樣本xi，xi∈R1×n，并找出與其相關(guān)的k個最相鄰距離2，…，∞），練習(xí)集樣本容積和變量數(shù)目分別為∞、N。

第三步，求解CL，從而檢測血凝分析儀故障。由于D2i分散情況近似于χ2分布[14]，因此數(shù)理統(tǒng)計內(nèi)的優(yōu)越性標(biāo)準(zhǔn)a和血凝分析儀故障數(shù)據(jù)依附率決定CL 的控制性，即

其次，假設(shè)未被分類新樣本是x*，基于上述內(nèi)容展開故障診斷，其具體的實(shí)現(xiàn)過程描述如下：

第一步，找出與其相關(guān)的k個最相鄰距離

第二步，運(yùn)算練習(xí)集內(nèi)各樣本k個相鄰間距平方和[15]。

第三步，比較和CL，若CL≥，則該樣本為正常狀態(tài)；反之，該樣本為故障狀態(tài)[16]。

最后，經(jīng)故障預(yù)警模塊發(fā)出預(yù)警信息后，在顯示層主界面可視化呈現(xiàn)Sysmex CS5100 全自動血凝分析儀故障診斷結(jié)果。

2 實(shí)驗(yàn)分析

為了驗(yàn)證基于貝葉斯估計的Sysmex CS5100 全自動血凝分析儀故障診斷方法的有效性，將某醫(yī)院Sysmex CS5100 全自動血凝分析儀作為實(shí)驗(yàn)對象進(jìn)行相關(guān)實(shí)驗(yàn)。利用多個傳感器進(jìn)行血凝分析儀數(shù)據(jù)采集，結(jié)果見表1。

表1 血凝分析儀采集數(shù)據(jù)

采用本文方法對血凝分析儀7 個傳感器進(jìn)行數(shù)據(jù)融合處理，若1 個傳感器數(shù)據(jù)能夠被除該傳感器之外的6 個傳感器讀出，則說明此傳感器輸出數(shù)據(jù)有效，可以進(jìn)行融合。不同數(shù)據(jù)格式的數(shù)據(jù)融合結(jié)果是不一致的，例如.txt 和.txt 格式數(shù)據(jù)融合處理之后產(chǎn)生的數(shù)據(jù)也為.txt 格式，.jpg 和.txt 格式數(shù)據(jù)不能融合，因此在數(shù)據(jù)融合時需要對數(shù)據(jù)進(jìn)行分類，以此保證數(shù)據(jù)融合結(jié)果的精度。隨機(jī)選取該醫(yī)院7 個傳感器采集的數(shù)據(jù)進(jìn)行分析，設(shè)被測儀器運(yùn)動速度遵循高斯分布，其結(jié)果見表2。

表2 多傳感器融合數(shù)據(jù)

由表2 可知，1、2、4 和5 號傳感器輸出值分別為361.77、367.19、365.82、352.58 dB，其最小方差為9.71%，最大方差為36.54%，且讀出上述數(shù)據(jù)的傳感器個數(shù)均低于6 個，說明1、2、4、5 號傳感器輸出數(shù)據(jù)結(jié)果不是最佳且有效的；3、6、7 號傳感器輸出值分別為357.38、350.56、359.43，最大方差為1.01%，最小方差為0.76%，且讀出上述數(shù)據(jù)的傳感器個數(shù)均為6 個，說明這3 個傳感器輸出數(shù)據(jù)屬于有效數(shù)據(jù)，可將這3 個傳感器進(jìn)行融合。

隨機(jī)選取表1 中傳感器6 采集的血凝分析儀數(shù)據(jù)，模擬該血凝分析儀運(yùn)行20~40 ms 和50~60 ms時壓力泵產(chǎn)生的故障情況，利用本文方法提取該時間段內(nèi)血凝分析儀故障狀態(tài)特征幅值，結(jié)果如圖3 所示。

圖3 血凝分析儀特征分布圖

由圖3 可知，在0~20 ms 時間段內(nèi)，壓力泵特征幅值曲線保持平穩(wěn)，呈規(guī)律性波動，說明此時血凝分析儀狀態(tài)正常；在20~40 ms 時間段內(nèi)，壓力泵特征幅值曲線波動劇烈，說明此時段血凝分析儀處于故障狀態(tài)，40 ms 及之后的曲線波動恢復(fù)平穩(wěn)。在50~60 ms時間段內(nèi)，壓力泵特征幅值曲線又處于劇烈波動狀態(tài)，說明血凝分析儀處于故障狀態(tài)，60 ms 后又恢復(fù)正常。

綜上，故障特征幅值提取結(jié)果與實(shí)際模擬情況一致，說明本文方法提取到的血凝分析儀故障信號特征準(zhǔn)確，并且本文方法檢測到該血凝分析儀發(fā)生了2 次故障，利用該故障特征可準(zhǔn)確獲取儀器故障情況，為后續(xù)的故障診斷奠定堅實(shí)的基礎(chǔ)。

隨機(jī)選取1 臺血凝分析儀，利用本文方法對該血凝分析儀進(jìn)行故障診斷處理，故障診斷結(jié)果如圖4 所示。

圖4 血凝分析儀故障診斷界面

由圖4 可知，本文方法檢測到該血凝分析儀比色杯、傳感器、標(biāo)本以及廢液瓶處于正常運(yùn)行狀態(tài)，預(yù)警燈呈綠色，此時無需進(jìn)行任何操作；另外，還檢測到血凝分析儀探針、電纜和壓力泵運(yùn)動狀態(tài)顯示異常，預(yù)警界面顯示探針碰撞、電纜接頭斷開和壓力泵錯誤，預(yù)警燈亮紅燈，說明該位置出現(xiàn)故障，需要后臺人員找到故障原因，恢復(fù)其正常操作。由此表明本文方法可判斷儀器故障狀態(tài)并進(jìn)行預(yù)警處理，能夠輔助后臺人員快速處理故障，保證血凝分析儀的正常運(yùn)行。

綜上所述，本文所提方法可通過多傳感器采集血凝分析儀數(shù)據(jù)并進(jìn)行數(shù)據(jù)融合處理，提取到的幅值特征可精準(zhǔn)判斷血凝分析儀的故障狀態(tài)，可有效診斷血凝分析儀故障并及時發(fā)出預(yù)警信息，計算過程簡單、操作難度低，且血凝分析儀故障診斷結(jié)果非常明確，有效地解決了文獻(xiàn)[4]方法和文獻(xiàn)[5]方法存在的問題，實(shí)際應(yīng)用效果較好。

3 結(jié)語

為提高Sysmex CS5100 全自動血凝分析儀故障診斷的可靠性，本文提出基于貝葉斯估計的血凝分析儀故障快速診斷方法。首先通過多個傳感器進(jìn)行數(shù)據(jù)采集，并經(jīng)貝葉斯估計算法進(jìn)行數(shù)據(jù)融合處理。然后提取融合后數(shù)據(jù)的幅值作為血凝分析儀特征參數(shù)。最后，通過幅值特征參數(shù)計算故障數(shù)據(jù)之間的依附率，并根據(jù)故障數(shù)據(jù)依附率采用KNN 算法實(shí)現(xiàn)血凝分析儀故障診斷。實(shí)驗(yàn)結(jié)果表明，本文方法滿足血凝分析儀故障診斷要求，可有效診斷故障，幫助后臺工作人員及時發(fā)現(xiàn)儀器故障，具有較高的實(shí)用性。但是該方法在實(shí)驗(yàn)驗(yàn)證中并未設(shè)置對比實(shí)驗(yàn)，無法全方面驗(yàn)證該方法的綜合性能，因此下一步需要利用更多的數(shù)據(jù)進(jìn)行相關(guān)對比實(shí)驗(yàn)，以進(jìn)一步驗(yàn)證該方法的應(yīng)用效果，促進(jìn)該方法在血凝分析儀故障診斷領(lǐng)域的進(jìn)一步應(yīng)用。