文摘

近年来,高精密医疗设备,尤其是大型医疗成像设备,通常是由电路、水、光、和其他结构。其结构繁琐和复杂,因此很难检测和诊断医学成像设备的健康状况。基于机械设备的振动信号,对健康PLSR-DNN混合网络模型预测提出了医疗设备通过使用偏最小二乘回归(PLSR)算法和深层神经网络(款)。同时,在医学成像设备的故障诊断,提出了利用粗糙集屏幕故障因素,然后用BP神经网络进行分类和识别故障,分析这两种技术的实际应用效果。PLSR-DNN混合网络模型的结果表明,健康医学成像设备的预测基本上是符合实际的健康医疗设备的价值;医学成像设备故障诊断技术是基于粗糙集和BP神经网络。测试集,灵敏度、特异性和准确性的医疗成像设备故障识别是75.0%,83.3%,85.0%。上述结果表明,该健康预测方法和医学成像设备的故障诊断方法具有良好的卫生性能预测和故障诊断的医疗设备。

1。介绍

随着科学的发展,现代机械设备已经进入了一个新的阶段,越来越多的机械设备已经进入人们的日常生活1]。随着新技术的发展,医疗设备,大量的高精度和高机械化医学成像设备已进入各种医院(2]。涌入的范围广泛的医疗成像设备进入医院,如何进行科学有效的管理这些医疗成像设备迫在眉睫3]。医学影像设备管理的基本环节是医学成像设备的评估健康和医学成像设备故障的诊断(4]。在这个阶段,医疗技术人员的技术水平在专业医学成像设备的维护和测试仍然需要改进,这是难以实现的同步改善医学影像设备技术(5,6]。换句话说,失败的医疗成像设备库存已成为医学影像设备管理的难度。针对这一点,本文提出了我的医学成像设备故障的影响因素通过粗糙集,描述宇宙医学成像设备的数据集的信息表,并找出条件属性和决策属性在不同的医疗设备。在保持粗糙集的主要类别,我们减少了冗余数据在粗糙集,也就是说,我们保留真正有用的数据通过减少维度。然后,BP神经网络用于识别和分类故障因素完成医学成像设备故障诊断。健康评估方面的医疗设备、医疗成像设备的与健康相关的参数作为输入的特征提取健康预测模型。偏最小二乘回归(PLSR)神经网络算法和深层神经网络(款)PLSR-DNN混合神经网络模型的构造。

孟等人提出了一个multifeature融合的故障诊断方法的基础上,结合二次过滤和QPSO-KELM算法。它在齿轮箱故障诊断取得了良好的诊断结果。郭等人的信念网络参数优化用于诊断轴承故障。诊断结果表明,该方法可以正确地识别轴承的故障在不同的条件下,大大提高故障分类的情报,并减少深度学习模型的参数选择的时间(7]。原始声发射信号的二维可视化已经被学者如伊斯兰教和金姆提供轴承健康信息(8]。汉等人认为,深入学习已经成为一个新的研究方向的智能监测和故障诊断领域的工业设备(9]。为了提高诊断精度的机械设备故障诊断模型,唐和其他学者提出了机械设备的故障诊断模型与特征选择反馈网络(10]。小王和其他学者提出了机械设备的故障诊断模型基于噪声辅助信号增强和随机共振和优化粒子群优化的参数。马等人提出滚动轴承是机械设备的重要组成部分,它起着重要的作用在机械设备的故障检测。

里德等人认为,有必要注意灭菌吊舱的故障诊断,尤其是在非洲(11]。Bebronne和其他学者用人工神经网络(ANN)和偏最小二乘回归(PLSR)估计感染进程曲线下的面积在冬小麦真菌感染的研究(12]。perinatal等人使用偏最小二乘回归(PLSR)和分光光度法结合彩色图像和分光光度法评估的抗氧化活性云杉(13]。Kristoffersen和其他学者建立了偏最小二乘回归(PLSR)模型来预测DH %通过分子量分布预测牛奶蛋白水解物的水解度(14]。沈等人认为,近红外和中红外反射光谱结合偏最小二乘回归方法是一种有效的方法来确定土壤属性(15]。盾和其他学者改进的多元线性回归模型的剩余部分最小二乘回归和支持向量回归(16]。默等人认为,偏最小二乘回归(PLSR)可以预测电化学漂移的贡献后续完整伏安扫描(17]。太阳等人及其他研究人员提出了一个电力系统资产故障预测计划结合无监督和监督学习,和实验结果表明,它具有良好的性能18]。

总之,近年来,有很多研究人工神经网络,偏最小二乘回归,机械设备故障,等等,但研究健康评估和故障诊断预测医疗成像设备通过神经网络相对缺乏。因此,医学成像设备健康评价技术基于PLSR-DNN混合神经网络和医学成像设备故障诊断技术提出了基于粗糙集和BP神经网络来帮助人们评价和诊断的医疗健康和断层成像设备。

2。的健康评估和故障诊断方法研究医学影像设备基于神经网络算法

2.1。健康评估技术的医疗成像设备基于神经网络算法

首先,医学成像设备的健康状态相关参数是通过计算提取振动信号的特征参数表征信号,可用于健康度预测模型的输入特性(19]。医疗机械时同样的健康状态,其振动信号属于稳定的信号(20.]。

表达式(1)和(2)表明 振动信号的采样点工作时间 医疗机械的健康程度 ,在哪里 的 和健康程度 。 表示振动信号,它是指振动信号的振幅对应于医疗成像设备 一次收集的健康程度。振动信号的平均值和标准偏差 时间是 和 ,分别。 是常量,他们两人只有受到健康程度 。医疗设备的使用,其健康逐渐退化,以及振动信号的非平稳信号的整体性能(21]。机械设备的不同部分的特征频率是不同的,和振动信号的幅频形式 可以通过时频转换工具。 在哪里 代表 频点和 代表 连续的频率间隔对应于第一个特征频率。 , , ,在这 主要负责信号异常值的检测, 指的是平均水平,这是用来确定连续频率间隔的大小, 是信号的平均值, 是指信号的标准偏差, 是负责确定积极的因素(平均22,23]。 在哪里 对应特征频率的振幅振动信号中提取出来的 频域。 ,在哪里 代表了 特征频率。所以,等效计算 不依赖于医疗设备的物理结构和失效机理,所以它可以分析不同类型的振动信号(24]。

介绍了偏最小二乘回归算法选择特性的线性水平(PLSR)和非线性回归之间的映射选择特性和建立健康程度的医疗成像设备通过深层神经网络(款),以构建PLSR-DNN混合神经网络健康度预测模型25]。

如图1,PLSR-DNN PLSR层和款层组成的模型。前者使用PLSR对输入进行线性回归映射特性,而后者使用款进行非线性回归映射输出的第一层,在那里 属于医疗成像设备通过振动信号采集 。每个特性的平均值为0,方差为1。 在哪里 代表输入数据矩阵 振动信号的特性和 代表了目标数据矩阵 健康的标签。输入样本向量 数据被表示为 。目标样本向量 数据被表示为 。根据数据矩阵,空间投影启动: 在哪里 表示输入样本向量的线性组合; 是目标样本向量的线性组合;的 单位向量的元素 是 ;的 单位向量的元素 是 ;的特征向量 是 ;的特征向量 是 。的空间相关性 和 投影后达到最大,有 。回归模型的 和 来 建立了: 在哪里 代表参数向量和 代表剩余矩阵。当有秩的矩阵 是 ,有如下: 在哪里 , 是参数向量( , ,和 )和 代表了最小残差矩阵。


图1
健康PLSR-DNN混合神经网络预测模型。

方程(12)是PLSR方程,负责处理输入变量的线性映射层时预测的健康医疗设备,可以有效地减少网络优化的难度。

图2显示了一个深层神经网络有两个隐藏层。相邻层的神经元彼此完全连接。 是输入医疗成像设备的振动信号的特征PLSR后加工; 表明医疗设备的健康预测输出;Relu选择隐藏层之间的激活函数;和线性输出选择隐藏层和输出层之间。 在哪里 是每一层的权重矩阵, 是偏差矩阵相应的层,均方误差被选中作为损失函数 ,和 代表了实际价值的数据组的目标 。与此同时,集团的预测价值 是由 。为了减少过度拟合,正则化项。 在哪里 代表了正则化参数和 代表样本集的数量。正规化之后,深入学习网络可以限制过大或过多的参数。处理后,每一层的重量设置为0。 在哪里 显示当前的健康医疗设备, 指出医学成像设备的总运行时间在失败之前,和 显示当前的医疗设备的运行时间。


图2
款模型。
2.2。医学成像设备的设计基于神经网络的故障诊断方法的算法

粗糙集理论可以挖掘不同的模糊数据集之间的相互作用已有数据和潜在的法律解释。其核心是分工的相关知识、相关集,近似集,等等22]。医疗设备,尤其是大型医疗设备,通常是由电子元件、电路、机械、光学路径,等等,结构复杂和繁琐,因此很难检测故障,并很难描述医学成像设备的内在逻辑与传统方法。在研究过程中,粗糙集的信息表是用来描述相关的数据集。我们以通风机为例(见表1)。

表1
通风机的粗糙集信息。

在表1,“供氧浓度”选为粗糙集的条件属性,选择“影响呼吸疗法”因素作为决策属性的粗糙集,决策规则是发现通过隐含条件属性,也就是说,找到影响呼吸疗法通过供氧的浓度。粗糙集的还原过程是减少到的过程,和只保留了粗糙集的核心。然而,减少的粗糙集不是一个独特。因为医疗成像设备故障因素的还原过程是直接受限于软件,硬件和内在条件的设备,和其他因素,属性重要性降低算法完成减少粗糙集。此外,泛化能力和容错能力,粗糙集理论有一些缺点,所以无人监督的BP神经网络与粗糙集理论相结合使用。神经网络的输入维数降低由粗糙集简化,如图3。


图3
款模型。

如图3训练样本的输入后,条件属性量化。删除冗余项根据量化结果,决策树是由使用剩余的样品。等价的条件属性和决策属性计算。计算属性的重要性。重要性是0时,删除并观察是否一致决策表。如果是一致的,简化属性。所有的属性都被计算后,得到简化的决策表。简化规则收购后,规则,和培训计划,选择条件属性,最终分类结果输出通过BP神经网络分类模型。此外,在测试集样本输入,条件属性量化,条件属性选择和BP神经网络用于分类。通风机是一种重要的生命支持设备在临床治疗,所以我们选择通风机作为代表医疗成像设备构建的实验模型。

如表所示2,它主要是收集环境数据因素,电气因素,和天然气路径导致通风机故障的因素,其中环境因素指通风机故障造成的内部和外部环境在使用呼吸机;电气因素指呼吸和失败造成的电力供应的变化的关键部分通风机在呼吸机的使用。空气路径系数是指通风机本身为用户提供氧气和空气负反馈气体监测模式。同时保持稳定的天然气供应函数的通风筒,气体问题有一定概率造成通风机故障。

表2
通风机故障数据收集。

图4显示了通风机的实验模型。可以看出,电源模块的湿度,空气的温度模块、空气的压力源、空气源的温度,电池都是因素的总负载获得减少粗糙集。这些因素作为输入值为输入层。选择的失败因素模型(潮汐异常体积,大偏差的氧浓度,密封性的失败,等等)比较与传统的失败因素。 在哪里 分别表示敏感性、特异性和准确性; 故障模式分类的总数( 在研究); 是真正的比率; 是一种假阳性的情况; 是一个假阴性的情况;和 意味着真正的负面。


图4
实验模型建立。

3所示。分析医学成像设备健康的影响评估和故障诊断

3.1。健康影响分析评价医学成像设备基于神经网络

我们选择96组抽样数据,选择其中的75%作为训练集,25%作为测试集;对应的特征的三个轴向振动信号作为网络输入,和健康的医疗成像设备用作预测网络的输出。在频域 ,作为输入参数是结合基于网络款单层网络模型,模型1,选择范围的功能 。作为输入参数是结合基于网络款单层网络模型,模型2,选择范围的功能 。作为输入参数是结合基于网络款单层网络模型,模型3,模型提出了基于振幅范围的特点 。作为输入参数结合基于PLSR-DNN混合网络模型,四个模型的预测值的健康程度的医疗成像设备在图所示5。


图5
比较实际的健康程度四个模型的预测结果。

如图5,而实际的健康医疗成像设备对应不同的采样点,医学成像设备的健康价值预测的模型基本上是符合实际的健康价值。预测值和实际值之差的健康程度的医疗成像设备模型1中是最大的。模型2预测健康程度的医疗设备,还不到实际的健康程度的医疗设备。医学成像设备模型的预报值3基本上是符合实际的预测价值的医疗设备,但是预测健康程度的一些医学成像设备的价值高于实际的健康医疗设备的价值。上述结果表明,该方法的特点是振幅范围 。作为输入参数,结合基于PLSR-DNN混合网络模型,它可以取得良好应用效果的医学成像设备健康度预测,和健康程度的预报值与实际值基本上是一致的医学成像设备的健康程度。

为了进一步探索四个模型的预测效果,四个模型的预测误差进行了研究和分析。预测误差E之间的区别是实际的健康程度和预测的健康程度。当E> 0,模型的预测健康程度判断为时过早预测;当E< 0,认为健康度预测的模型已经太晚了。四个模型的预测误差图所示6。


图6
比较健康的四个模型的预测误差。

如图6,该方法的预测误差基于PLSR-DNN混合网络模型基本上是直线的预测误差= 0,也就是说,该方法的预测误差基于PLSR-DNN混合网络模型基本上是0无论采样点的具体位置。采样点20时,模型1的预测误差是150,当采样点是24,模型的预测误差1−80。模型2的预测误差波动很大,健康程度的医疗成像设备的预测价值很少采样点获得符合实际的预测价值的健康程度的医疗设备。模型3的预测误差波动略有误差为0,和整体的预测误差模型3是比模型1和模型2,但整体效果不如医学成像设备的健康评价方法提出基于PLSR-DNN混合网络模型。

3.2。应用效果分析的故障诊断方法,基于神经网络的医学成像设备

在这项研究中,90通风机故障被选为训练集,并通过训练集训练神经网络。有41潮汐卷故障、异常22氧浓度异常故障、异常和27气密性在训练集失败。同时,将神经网络训练迭代1000次。神经网络训练完成后,BP神经网络的具体情况确定医学成像设备的故障模式进行比较。

从图可以看出7在训练集,通风设备故障的检测结果在训练集训练集提出医学成像设备故障检测技术基于粗糙集和BP神经网络算法表明,检测灵敏度,特异性,和准确性的潮汐卷故障异常87.7%,75.6%,和92.7%,分别。敏感性、特异性和准确性分别为90.9%,95.5%,和86.4%,分别。该方法的灵敏度、特异性和准确性是85.2%,85.6%,和92.6%,分别。综上所述,可以看出,当医学成像设备故障检测技术基于粗糙集和BP神经网络算法研究中检测到训练集,对应的通风机故障检测的总灵敏度为87.8%,相应的特异性为85.6%,准确率为91.1%。


图7
通风机故障模式的识别结果比较基于粗糙集和BP神经网络在训练集。

训练后,60通风测试通过使用粗糙集BP混合神经网络。测试集是由27个通风异常潮汐卷,12个呼吸器时氧浓度异常,和21通风与异常的气密性。的应用效果,提出了混合基于粗糙集和BP神经网络训练后进行比较。

如图8培训后,提出医学成像设备故障识别技术基于粗糙集和BP混合神经网络识别的敏感性70.4%,相应的特异性为85.2%通风机与潮汐异常体积,和一个通风机与潮汐异常的准确性为77.8%体积。故障数量的通风与氧浓度异常,识别的敏感性,特异性,和准确性的医学成像设备故障识别技术基于粗糙集神经网络BP混合66.7%,75.0%,和83.3%,分别。通风机的气密性异常时,识别的敏感性,特异性,和准确性的医学成像设备故障识别技术基于粗糙集神经网络BP混合85.7%,85.7%,和95.2%,分别。从整体分析,培训后,整体识别的敏感性,特异性,和准确性的医学成像设备故障识别技术基于粗糙集和BP神经网络混合是75.0%,83.3%,和85.0%,分别。


图8
比较的结果通风机故障模式识别基于粗糙集和BP神经网络在测试集。

4所示。结论

医学影像设备管理的必要环节卫生检测和故障检测。针对医疗设备的卫生管理,健康度预测技术提出了基于PLSR-DNN混合网络模型。同时,故障诊断技术基于粗糙集和BP神经网络,提出了这两种技术的实际应用效果进行了分析。结果表明,不同采样点的预测健康价值的医疗成像设备基本上是符合实际的健康价值的医疗成像设备基于PLSR-DNN混合网络模型,即预测误差之间的基本预测健康价值和实际的健康技术获得的值是0。训练集的整体识别的敏感性,特异性,和准确性提出了故障诊断技术的医学成像设备提出的粗糙集和BP神经网络分别为87.8%,85.6%,和91.1%,分别。测试集的整体识别的敏感性,特异性,和准确性提出了故障诊断技术的医学成像设备提出的粗糙集和BP神经网络分别为75.0%,83.3%,和85.0%,分别。卫生预测结果表明,该技术基于PLSR-DNN混合网络模型和医学成像设备的故障诊断技术基于粗糙集和BP神经网络有良好的健康检查中的应用效果和医疗设备的故障诊断。虽然取得了一些成绩在这项研究中,只选择通风机医疗成像设备故障诊断技术的应用程序测试。测试结果不够全面。其他医学成像设备应该被包括在后续的分析范围的研究。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国国家重点项目研发计划下批准号2020 yfc2003303。