医疗垃圾中感染性废物的智能分类技术综述＊

钟颖斯，赵紫伟

（昆明医科大学海源学院，云南 昆明650101）

医疗废物（medical waste）指医疗卫生机构在医疗、预防、保健以及其他相关活动中产生的具有直接或者间接感染性、毒性以及其他危害性的废物[1]。然而，感染性废物是医疗废物中的一种，指能传播感染性疾病的废物。由于它具有极强的传染性，人工分类收集及处理的过程中极易对人体产生直接危害。因此，本文提出结合智能技术分类收集和处置感染性废物的方法，用智能机器人代替人工进行全过程的分类收集和处置。加强对感染性废物规范化的管理和无害化处理，无论是从保护环境还是从疾病预防和控制方面都具有极其重要的意义[2]。

1 智能垃圾分类技术比较

1.1 常用智能垃圾分类技术简介及比较

智能垃圾分类技术在中国还处于摸索阶段，优选方法仍不够成熟。目前多使用的是智能分类垃圾桶，遍布在上海、北京等发达城市，未来将扩展到其他城市和地区。目前相关的智能垃圾分类技术大体分为3类：探测和过滤[3]、深度学习和物联网[4]、成分分析[5]。它们的功能主要是使用智能技术进行垃圾分类，各种常用的智能垃圾分类技术优缺点比较如表1所示。

1.2 常用智能垃圾分类技术比较结果分析

由表1可以看出，探测和过滤、深度学习和物联网、成分分析这3种技术，几乎只对各种普通垃圾适用（目前普通垃圾分为4类：有害垃圾、可回收物、厨余垃圾，其他垃圾）。不论是从优点来看，还是从缺点来看，针对的都只是普通垃圾，范围较为局限性。

表1 各种常用的智能垃圾分类技术优缺点比较

然而，对于某些特殊的垃圾——医疗废物，以上3种智能技术，以及智能分类垃圾桶是无法安全、高效、精准分类收集的。医疗垃圾中感染性废物具有感染性、传染性，充斥在医院、诊所，乃至生活每一个角落，是人类看不到也摸不着，且容易被忽视的“隐形杀手”。同时，未经处理或处理不彻底的感染性废物容易污染水体、土壤和空气。加之，受2019年新冠肺炎疫情的影响，感染性废物的分类收集和处理已成为全世界关注的热点。

但是，在中国分类收集和处置感染性废物方面还存在很多不足，同世界发达国家相比，尚存在很大差距。由于中国主要由人工进行操作，因此受到伤害的案例比比皆是。对佛山市南海区第四人民医院的医务人员和后勤人员的职业、暴露过程、暴露物品、处理过程等进行追踪和调查并数据统计发现，2012—2015年血源性职业暴露人次达149例，平均每年受伤37.25例，其中锐器伤139例（93.29%）。暴露地点：病房占52.35%，门诊和急诊注射输液室占26.17%，手术室占10.74%，污物间占6.04%，其他占4.70%。暴露后处理：及时规范伤口处置占比75.84%，伤口处置不规范、不及时占比17.45%，未现场伤口处置占比6.71%[2]。由于分类和收集感染性废物而受到感染的工作人员占到多数，为了改变目前分类收集和处置技术及管理上的落后状况，应逐步完善感染性废物法规，尽快研究制定感染性废物安全化分类、收集、处理等步骤的方案。

通过大学生创新创业大赛，团队创造了一个项目——“基于BP神经网络智能技术的感染性废物机器人”，在神经网络智能技术的基础上，将该技术与感染性废物分类收集的环境科学领域相结合，人类通过利用BP神经网络让机器人进行深度学习和训练，智能识别和分类收集感染性废物的准确率达到95%。

人工神经网络有前馈神经网络，它包括BP神经网络和卷积神经网络。笔者选择BP神经网络，因为它相对其他网络来说，更适合对大量的感染性废物数据进行收集和分析，下面将以较大的篇幅介绍该法。

2 BP神经网络简介

2.1 BP网络结构

BP网络结构分为3部分，分别是输入层、隐含层（也叫中间层）和输出层，各层都是由许多简单的神经元通过并行运算组成，同一层内的神经元是互不相连的，而网络的层与层之间是全部互连相通的[6]。神经网络的特点比较突出，可以表现为信息的并行、协同处理和分布式存储，其网络结构如图1所示。

图1 BP神经网络结构

该神经网络的输入层有3个神经节点单元，隐含层有3个神经节点单元，输出层也有3个神经节点单元。其中外部环境所输入的数据信息是从输入层的节点进行传送，通过隐含层节点，再到达输出层，每层节点单元的输出信息只影响下一层节点单元的输出信息，每个相邻层的节点通过一定的网络权值来向前连接。因此，BP神经网络可以看成是一个由输入到输出的高度非线性网络映射[6]。在神经网络的拓扑结构中，输入层和输出层的节点数是可以根据所需解决问题的实际情况来确定的，隐含层的层数和它的节点数将会成为设置网络模型的关键环节。

隐含层作为信息的内部处理环节，处于输入层和输出层中间，它对所输入的信息进行特征抽象、提取、分析、处理，然后将处理以后的信息传送给网络的输出层。关于隐含层数的选择，现在有许多理论、定律可选择、参考。该论文依据Kolmogorov定律，它阐述了在隐含层节点数足够的情况下，一个隐含层的神经网络模型可以拟合任意一个非线性的函数[6]。因此，将技术运用结合到智能分类感染性废物的实验中采用的是一个隐含层的BP神经网络。

2.2 BP神经网络应用于智能分类感染性废物的识别和预测

神经网络的设计主要包括以下几个方面[6]：网络模型的建立，样本数据的收集以及样本数据的预处理，对输入模型的特征向量进行数据的预测，判断或检验模型的预测值是否符合实际问题的要求等。模型建立的是否合理、是否达标、是否能够成功转化是整个网络系统是否能成功的关键环节。为了将该项技术运用于智能分类感染性废物的识别和预测中，本文基于所选择的感染性废物样本数据真实、完整，所建模型的结构合理，输入、输出的特征向量选择准确的情况下，能够做出符合要求的模型。本文提出，针对医疗垃圾中感染性废物进行智能化分类的识别和预测，根据实际情况，将其模型的输入、输出向量根据一定的规则将样本数据的文字特征进行一定的数学变换，对于程序系统的输出值是否满足要求，可以将程序所计算出的预测值和实际期望值进行比较。其中设置一个比较值为05，如果预测输出值大于05[6]，就可以认为某种医疗废物具有感染性。经过大量训练样本对网络模型的训练，不断增加网络的训练精度，则可将该模型用于对未来的智能分类感染性废物的识别和预测中。

在网络模型的建立过程中，输入和输出样本的特征表述和数据转换将是重要的一个环节，因此，不得不对所收集的样本数据进行多角度、多方面考虑，不仅要考虑感染性废物的基本特征，还要考虑所选取的废物具有代表性。同时，保证实施过程的安全性。另外，收集大量的样本数据后需将其文字表述转换成数学抽象，这也是一个重要的环节，其中判断得出的模型是否可用的标准是经过多次实验后所转换的数学抽象可以被程序所接受、认可，并且所建立的网络模型较稳定。如果所得出的模型具有很好的效果，那么本系统将会被应用到实际的智能分类感染性废物的识别和预测中，会另外再按照合法的程序准备一组医疗废物，对它的感染性进行仿真和预测，并将该网络模型应用到对未来的智能分类感染性废物的识别和预测中。因此，将神经网络应用于智能分类感染性废物的识别和预测是可行的。

2.3 智能分类和收集感染性废物的超级分拣机器人模型的建立和训练

在模型建立的过程中，首先应该确定模型各层的节点数（也叫神经元数目）。输入层的作用是把输入的数据添加到网络模型上，它的结点数目取决于输入变量的个数，即每个输入节点可以代表一个输入变量[6]。

本文将感染性废物分为以下3个类别：一切具有感染性的医疗防护服、患者被服、被患者使用过的棉签棉球敷料等，患者一次性使用的卫生用品，被隔离的传染病病人或者疑似传染病病人产生的所有生活垃圾。一切具有感染性的针头、刀片、破碎玻璃器皿等。一切具有感染性的废弃标本、菌种毒种、血液血清等。

选取了20个感染性废物所具备的特征作为输入元素，因此，本文所建立的BP神经网络模型的输入层节点数是20个。网络输出层的节点数取决于研究问题所需要输出的表示方式和需要预测变量的个数。

针对感染性废物的特征，本文设定所需要测定和研究的感染性废物分为感染、非感染两项，因此输出层的节点数为2。由于单层BP神经网络的非线性拟合能力较好，并且在增加隐含层的层数时，一般不会对网络的表达能力和精度产生大的影响，因此，本文采用的是一个三层BP神经网络：输入层、一个隐含层、输出层。隐层节点数主要是凭经验和反复试验。

将训练样本的期望输出与实际输出值进行比较，如表2所示。

表2 预测期望值、实际值和拟合值

通过比较期望值和实际值可以看出，将输出层的期望输出值和程序中实际（即仿真）输出的比较值设定为05。将期望输出值和实际输出值进行比较发现，实际输出值大于05时，可认定拟合值为1；实际输出值小于05时，其拟合值认定为0。共拟合数值20个，其中1个错误，19个正确。其期望值和实际值比较如表3所示。

3 结束语

基于以上结果分析可知，BP神经网络可以运用于分类收集和处理医疗垃圾中的感染性废物过程中。另外，本文开发了一个智能机器人，命名其为智能分类和收集感染性废物的超级分拣机器人。它作为BP神经网络技术与感染性废物分类收集相结合的载体，人类可以让机器人进行深度学习和训练，带来以下效益：代替人工接触具有感染性的医疗废弃物，进行智能化分类、收集医疗中的感染性废物，从而大大降低医护人员和后勤人员在分类及收集处理感染性废物时被感染风险的概率。避免部分医护人员和后勤人员没有正确认识医疗垃圾的种类，而导致生活垃圾进入医疗垃圾的情况发生。大大提升医护人员和后勤人员的工作效率。减轻医院的人工劳力（医院分配人进行专门的医疗垃圾分类的时间和人数减少），可分配这一类工作人员进行其他任务，这样不仅可以提高整个医疗垃圾分类流程的运行效率，也可以为医疗机构降低雇佣工作人员的成本。

表3 预测值和实际值相比较