神经网络在肾透机系统故障诊断中的应用研究*

徐江涛

(西安工业大学计算机学院　西安　710032)



神经网络在肾透机系统故障诊断中的应用研究*

徐江涛

(西安工业大学计算机学院西安710032)

摘要对于慢性肾衰竭患者，腹膜透析治疗是常用的治疗手段。长期治疗时，由于部分患者残余肾功能丧失及透析不充分，导致较高的发病率和死亡率。在我国腹膜透析设备及相关耗材成本高昂，对患者透析是否充分的评估，主要基于临床医生的主观判断，患者由于透析不充分而退出腹膜透析治疗的情况时有发生，从而影响患者的治疗，造成资源的浪费。腹膜透析充分性的评估是一项涉及多学科的系统工程，仅靠医生主观评估难以满足临床要求的高效性、客观性及可靠性。用智能技术有效降低评估的主观性及提高评估效率具有重要意义。

关键词腹膜透析; 评估; 模糊层次分析法; 模糊熵; ART2神经网络

Application of Neural Network in the Kidney Through Machine System Fault Diagnosis Research

XU Jiangtao

(Department of Computer, Xi’an Technological University, Xi’an710032)

AbstractFor patients with chronic renal failure, peritoneal dialysis is a common treatment method. In the long term, the loss of residual renal function in some patients and dialysis is not sufficient, leading to higher morbidity and mortality. The high cost of our peritoneal dialysis equipment and related supplies, assessment of the adequacy of dialysis patients, mainly based on subjective judgment of the clinicians, patients due to inadequate dialysis and exit of peritoneal dialysis treatment have occurred, thus affecting the patient treatment, resulting in the waste of resources. The evaluation of the adequacy of peritoneal dialysis is a systematic project involving many subjects. It is difficult to meet the needs of the clinical requirements. It is very important to reduce the subjectivity of the evaluation and improve the evaluation efficiency.

Key Wordsperitoneal dialysis, assessment, fuzzy analytic hierarchy process, fuzzy entropy, ART2 neural network

Class NumberTP183

1引言

血液透析，也称之为人工肾、洗肾，是血液净化技术的一种。其利用半透膜原理，通过扩散、对人体内各种有害以及多余的代谢废物和过多的电解质移出体外，达到净化血液的目的以及纠正水电解质及酸碱平衡的目的。现有的透析机直接抽取血液透析器，血流量(BFR)约为200毫升/分钟。在医学上，血液透析是一种用来实现废物产品如血肌酐，尿素与自由水的体外去除在肾脏中的肾功能衰竭状态方法。由于透析是一项长期治疗过程，患者对透析效果和治疗的安全可靠性都有着非常高的要求。由于医疗设备运行很难长期稳定运行在一种工况下，所以透析过程中漏血、凝血、失血、血流欠佳、透析液不适合、设备意外故障及外界环境变化等多种问题经常发生，如果处理不及时则会直接危害到患者的人身安全。研究缓冲式血液透析技术及其过程监控技术，是实现提高透析效果及质量、增加透析安全性的重要基础，对于当前的血液透析诊疗有着十分重要和迫切的需求。

2主要研究内容

1) 人工神经元模型

常用的人工神经元模型主要是基于模拟生物神经元信息的传递特性，即输入、输出关系。若将生物神经元输入、输出脉冲的密度用模拟电压来表示，则可用如图1所示的模型模拟生物神经元信息BP网络(Back-Propagation)，即著名的BP算法[1]。

图1　BP神经元模型图

图中xi(i=1，2,…，n)为加于输入端(突触)上的输入信号；ωi为相应的突触连接权系数，它是模拟突触传递强度的一个比例系数；Σ表示突触后信号的空间累加；θ表示神经元的阈值；σ表示神经元的响应函数。该模型的数学表达式为BP神经元模型的处理输出：

(1)

2) BP网络模型

在人工神经网络中，多层前向网络也称之为BP网络(Back-Propagation)，即著名的BP算法[2]。

BP网络是经典的前向网络，主要由输入层、隐含层(可有若干层)和输出层组成，其结构如图2所示。一个具有任意的压缩型激活函数(如sig-moid函数)的单隐含层前向网络，只要有充分多的隐含层单元，就能够以任意的精度逼近任意一个有限维的布雷尔可测函数(Bore measurable function)，从而表明BP网络的泛函逼近能力。逼近故障的分类边界，从而可完成特征空间到故障空间的非线性映射。

图2为BP神经网络三层结构图：

图2　BP神经网络三层结构图

3肾透析机故障诊断神经网络模型的实现

1) 肾透析机故障诊断神经网络模型的建立

通过对肾透析机的故障征兆和故障原因的分析可以看出，肾透析机故障模式多种多样。在选择神经网络模型时采用的是前向多层神经网络模型，即BP模型。理论上现已证实，在网络隐含层结点根据需要设定的前提下，三层前向神经网络具有任意逼近任意连续函数的功能，因此，采用三层网络的拓扑结构形式，由输入层、隐含层和输出层组成。考虑到若输入层神经元数目太大，会影响到整个网络的学习速度和训练质量，应用模块分解技术，将肾透析机的各种故障类型分为若干个学习模块，每个学习模块对应一种故障类型，并将每个学习模块(每种故障类型)作为一个学习样本网络训练。因而，可以采用多个神经网络学习训练模块构成一个神经网络系统来实现对肾透析机的故障诊断[3,7,9]。肾透析机神经网络故障诊断系统结构图如图3。

图3　神经网络专家系统结构图

2) 肾透析机故障诊断系统神经网络设计与训练

因为肾透析机故障诊断系统的神经网络学习训练模块较多，在此仅选择其中的一种故障类型进行设计与训练，其余模块采用同样的方法即可达到目的[4]。

在实际的神经网络训练中，原始的BP算法很难胜任，在这里采用自适应学习算法，选取期望误差的最小值为1×10-6，学习速率为0.1，隐含层神经元个数为18，训练后发现只需416个周期就可以收敛，大大缩短了训练时间，且精度很高。

将训练后的网络冻结，以测试编码为输入，使网络处于回想状态，得到故障诊断结果。结果表明，训练后的神经网络能很好地对肾透析机已知故障模式进行识别。因而利用神经网络技术可以实现对肾透析机的故障诊断。

通过学习，了解到神经网络的知识也存在一些不足，在某种意义上神经网络仅是一个数值计算的“黑箱”，人们不知道网络究竟学习了什么，也不知道以怎样的传输途径来达到一个输出结果，因而也就对结果的解释发生了困难。从这个角度来说，神经网络与传统的专家系统用于故障诊断各有所长，应当互为补充而不是简单取代。因此，对基于神经网络的专家系统(集成式专家系统)的肾透析机故障诊断技术有待于进一步研究，以期将神经网络故障诊断技术与专家系统相结合，并与肾透析机的自动检测设备相配合，实现对肾透析机故障诊断的快速检测与定位[6]。

4系统仿真与实现

本实验的系统仿真主要在Matlab中实现；A泵的振动速度是一个常量值20，B泵的振动速度在10与40这两个值之间来回变动；而液位的高度在60~100之间不断变化，60为液位下限100为液位上限。在透析单位进行的实验结果图中显示的是A、B两个水泵震动速率以及上下液位高度随时间变化的波形曲线图。A泵控制系统进水速率被设定为一恒定值20，相当于BP神经网络的一个阈值；B泵控制系统出水速率；当通过PLC编程降低B泵的转速到小于A泵的转速阈值出水速率值小于进水速率阈值时，透析壶内液位将达到上限值。这时血液中的杂质容易沉淀到液位下限处从而不纯净的血液从b口进入透析器进行杂质过滤；这时通过PLC编程调高B泵的转速到大于A泵的转速阈值使得系统出水速率大于进水速率，透析壶内液位将达到下限值。这时透析壶内干净的血液因为没有杂质浓度低密度小集中在液位的上部通过d管返回人体[5]。为了验证所设计的神经网络专家系统的血液透析系统，进行了计算机模拟。图4显示了在透析单位进行的实验结果。

图4　在透析单位进行的实验结果

这表明改变B泵转速比液面是会变化的。当液位低，B泵将减速；当液位高，B泵将加速[8,10]。在上述分析的基础上，实验验证了所设计的神经网络专家系统控制血液透析系统，和性能在实际的透析会话描述图显示。图5显示了在透析单元在Matlab中进行建模的结果返回到试验设备液晶屏上的结果。

图5　Matlab模拟结果

5系统仿真数据

rr=18将其整理为表格形式如下(表2)：

表2　网络在不同训练次数下得分类结果

如表所示，当训练步数为10时，故障原因1、3为一类，2、4、6为一类，5、7、8单独为一类。

此时，网络已经对样本进行了初步的分类，这种分类有可能是不够精确的。当训练步数为100时，每个样本都被分为一类，这种分类结果已经细化了。这事在增加训练步数就是没有意义的了。

再次测试位置样本T时，rr为18，即将该位置故障样本分到了第一类故障中。Matlab实现结果如图6所示。

SOM神经网络训练血液透析机故障样本过程如图7所示。

图6　基于SOM神经网络的血液透析机故障诊断实验结果

图7　SOM神经网络训练血液透析机故障样本

6结语

1) 建立了系统的腹膜透析充分性指标体系,并对患者对于各指标的临床表现,制定了详细的模糊量化标准；

2) 从多属性群决策的角度,基于fAHP和群决策的充分性评估方法，在评估过程中将指标分层,分别计算各层指标的指标权重,并集结多个专家的意见,得出最后的评估结果。和现有的评估方法相比,该方法有效地避免了主观因素对评估结果的干扰,并在评估结论的稳定性上具有重要优势。

参 考 文 献

[1] 田景文,梅胡安高.人工神经网络算法及其应用[M].北京：科学技术出版社,2006:87-91.

TIAN Jingwen, MEIHU Angao. Artificial neural network algorithm and its application[M]. Beijing: Science and Technology Press,2006:87-91.

[2] 王颖,常米.在故障诊断专家系统融合神经网络知识[C]//智能人机系统与控制论研究,2011:196-200.

WANG Ying, CHANG Mi. Knowledge of neural network in fault diagnosis expert system[C]//Research on intelligent man-machine system and control theory,2011:196-200.

[3] Rose C. Application of dynamic Bayesian network in the decision support system for hemodialysis[C]//Monitoring and treatment of patients with artificial intelligence tools,2005:581-598.

[4] 贾韦德.血液透析期间血流动力学参数自动调节的识别和控制[J].生物医学工程,2011,58(6):1686-1697.

JIA Weide. Identification and control of the automatic regulation of the hemodynamic parameters during hemodialysis[J]. 2011,58(6):1686-1697.

[5] 资兴,德金道.先进的专家系统原理设计和应用[J].北京科学出版社,2005:78-79.

ZI Xing, DE Jindao. Principle design and application of advanced expert system[J]. Beijing Science Press,2005:78-79.

[6] 张美国.专家系统研究现状及展望[J].计算机应用研究,2007,24(12):1-5.

ZHANG Meiguo. Present situation and Prospect of expert system[J]. Computer Application Research,2007,24(12).1-5.

[7] Fueda Y, Hattori T, Minato K, et al. Assessment of a change of blood volume during hemodialysis[C]//Complex Medical Engineering(CME),2012:581-583.

[8] Wang Y, Chang M, Chen H, et al. Research on Fault Diagnosis Expert System Fusing the Neural Network Knowledge[C]//Intelligent Human-Machine Systems and Cybernetics(IHMSC),2011:196-200.

[9] Rose C, Smaili C, Charpillet F. A dynamic Bayesian network for handling uncertainty in a decision support system adapted to the monitoring of patients treated by hemodialysis[C]//Tools with Artificial Intelligence,2005:101-109.

[10] Javed F, Savkin A V, Chan G S H, et al. Identification and control for automated regulation of hemodynamic variables during hemodialysis[J]. Biomedical Engineering,2011,58(6):1686-1697.

中图分类号TP183

DOI:10.3969/j.issn.1672-9722.2016.02.022

作者简介:徐江涛，男，硕士，讲师，研究方向：计算机及应用。

*收稿日期:2015年8月11日,修回日期:2015年9月26日