基于ANN的变电站虚拟急救操作有效性预测方法

潘巍巍，卢正通，王根成，吴易科，唐 越，潘万彬

(1.国网浙江省电力有限公司舟山供电公司，浙江 舟山 316021;2.杭州电子科技大学人文艺术与数字媒体学院，浙江 杭州 310018)

0 引 言

人们遭遇突发意外，出现晕厥或心脏、呼吸、脉搏骤停等现象，需要及时展开施救。急救的黄金时间是意外发生后的4～6 min，患者的生还率与采取的急救措施密不可分[1]。为了使急救人员掌握规范的急救措施，通常需要专业人员进行一对一示范和指导培训。急救培训通常是短时间内集中开展，受训学员缺乏情景带入感。为此，将虚拟现实技术引入急救培训，虚拟急救培训无需大量专业急救设备和设施，训练灵活自由，不限训练次数和培训时间。在真实急救操作过程中，医护人员通常会根据患者的身体状态变化来评估急救操作的有效性，及时调整急救措施，但虚拟急救培训无法获得这些信息。随着人工神经网络(Artificial Neural Network，ANN)技术的不断发展，ANN在医疗领域的应用也不断成熟，在预测不确定性方面取得不少成功案例[2-7]。例如，Sherbet等[3]提出一种基于神经网络确定肿瘤传播和转移性疾病发展的方法，为预测癌症进展和疾病预后提供了分析支持。吴庆洲[5]基于ANN，提出一种临床医疗预测模型，对病情恶化、住院死亡率、住院时长和病症分类等进行预测，取得良好的预测效果。

变电站往往远离人群聚集区域，拥有大量高压高危设备设施。一旦遭遇突发事件，很难在第一时间得到专业的医疗救助，错过急救的黄金时间。同时，变电站工作环境特殊，不宜采用人工现场演练的方法进行急救培训。为此，本文提出一种基于ANN的变电站虚拟急救操作有效性预测方法，将虚拟现实技术引入变电站的急救培训中，运用ANN建立急救操作与患者身体状态之间的关联，判断急救操作的有效性，及时调整施救措施，为施救者提供更准确的急救操作。

1 基于ANN的变电站虚拟急救操作有效性预测方法

本文采用Scikit-learn机器学习库[8]，构造了基于ANN的变电站虚拟急救操作有效性预测模型，使用Unity 3D软件开发了多维度急救数据可视化系统，基本框架如图1所示。

图1 基于ANN的变电站虚拟急救操作有效性预测方法基本框架

首先，收集急救真实数据，并根据变电站急救环境的特殊性，添加变电站急救的相关指标；其次，采用蒙特卡洛方法对样本进行扩充；然后，构造并训练ANN模型，得到急救操作和患者身体状态变化之间潜在的关联；最后，构建多维度急救数据可视化系统，通过对比人体模型身体状态的变化数据来判断急救操作的有效性，帮助施救人员及时调整急救操作。

1.1 数据样本采集及扩充

变电站事故大多因高压所致，高压触电患者一般表现为瞳孔放大、局部电流烧伤、局部肌肉收缩、关节脱位等，重症患者出现昏迷、休克或者心脏骤停等危重症情况，采用最多的急救措施是心肺复苏。以心肺复苏为例，获取的数据主要包括4个急救操作参数和3个患者身体状态指标参数。急救操作参数为胸外按压深度、胸外按压频率、人工呼吸吹气量和人工呼吸频率，患者身体状态指标参数为脉搏频率、呼吸频率和瞳孔直径。

虽然，急救案例数量大，但公开的有效急救数据不多，为小样本数据，需要进行合理扩充。本文对正常人实施100次心肺复苏急救操作，其中包括60次标准操作和40次非标准操作[9]，收集急救操作数据和急救操作前后的身体状态指标数据，并通过最大似然估计对获得的数据进行分析，得到患者身体状态各维参数的概率密度如图2所示。

图2 患者身体状态各维参数的概率密度

从图2可以看出，脉搏频率呈均值为35、方差为10的高斯分布；呼吸频率呈均值为7、方差为3的高斯分布；瞳孔直径呈均值为4.8、方差为0.8的高斯分布，每维参数均呈现高斯分布。参考2020年美国心脏学会心肺复苏与心血管急救指南急救操作规范[10]和人体正常状态数据[11]，采用蒙特卡洛方法对急救小样本数据和补充的数据进行扩展，扩充后的数据样本为13 500例。

1.2 构造与训练ANN模型

根据通用近似定理[12]，在神经元个数足够的情况下，通过单层前馈人工神经网络能够近似逼近任意预定的连续函数。因此，本文采用单隐藏层人工神经网络结构，构造了基于ANN的变电站虚拟急救操作有效性预测模型，其结构如图3所示。

图3 基于ANN的变电站虚拟急救操作有效性预测模型结构

在扩充数据集中，随机挑选70%的数据用于训练，15%的数据用于验证，15%的数据用于测试。在统一评价方式下，为了使训练网络模型对所有参数进行综合性误差估计，根据参数的均值和标准差，采用Z-Score方法进行归一化处理。训练采用留一法进行交叉验证。每对预测值和观测值之间的误差E计算如下：

(1)

式中，患者身体状态指标参数数量为3，s，b和p分别表示施救后患者身体状态的脉搏频率、呼吸频率和瞳孔直径，ANN模型预测值分别为s′，b′和p′。训练过程中，当总体平均误差小于等于0.20时，ANN模型达到预期标准，结束训练。

为了使ANN模型有较好的回归预测效果，并减少过拟合和欠拟合现象，本文通过实验对网络中隐藏层的神经元个数进行测定，依据训练集、验证集和测试集上的回归拟合程度进行优劣判断，ANN模型的灵敏度分析结果如图4所示。

图4 ANN灵敏度分析

从图4可以看出，当隐藏层含有2个及以上神经元时，3个数据集产生的回归拟合程度差异不明显，避免了过拟合；当隐藏层神经元个数大于等于10时，3个数据集的回归拟合程度都在0.980以上，说明ANN模型的预测准确性较高，特别是神经元个数等于10时，3个数据集的回归拟合程度大于等于0.985。综合考虑计算效率等因素，本文网络的隐藏层选用10个神经元。

1.3 多维度急救数据可视化系统

图5 多维度急救数据可视化系统展示界面

为了直观展示急救操作和患者身体状态变化之间的关联，本文开发了一套多维度急救数据可视化系统，展示界面如图5所示。图5(a)和图5(b)中，2条虚线之间表示的是急救操作的标准范围。在虚拟培训中，操作人员在医用人体模型上进行急救操作，通过传感器实时获取4个急救操作数据。当胸外按压深度或人工呼吸吹气量不在虚线范围内时，说明当前操作不规范，需要调整。操作人员完成一轮急救操作后，ANN模型预测出一组患者身体状态指标，即呼吸频率、脉搏频率和瞳孔直径。图5(c)和图5(d)中，2条虚线之间表示呼吸频率和脉搏频率的标准范围。图5(e)展示了患者身体的综合状态，图中的圆点表示瞳孔直径，颜色越深，瞳孔直径越接近标准值；圆环表示偏离标准范围的程度，半径越大，表示偏离越严重。

2 实验结果与分析

实验包括2部分。首先，构造2个实验数据集，用ANN模型进行预测，分析ANN模型的预测效果；然后，通过多维度急救数据可视化系统来展示急救操作的有效性。

2.1 ANN模型的预测效果

根据2020年美国心脏学会心肺复苏与心血管急救指南急救操作规范[10]和人体正常状态数据[11]，随机生成测试样本1 000例。在1 000例样本的基础上，根据任意2次相邻急救操作所产生的、累积的患者身体状态变化，再生成1 000例样本。即共生成2 000例样本组成实验数据集1。每例样本由10个参数组成，包括输入参数：脉搏频率、呼吸频率、瞳孔直径、胸外按压深度、胸外按压频率、吹气量、吹气频率，以及输出参数：预期脉搏频率、预期呼吸频率和预期瞳孔直径。

采用Z-Score方法对实验数据集1的每维数据进行归一化处理。通过计算得到每个初始值的均值和标准差，根据相应的均值和标准差进行归一化，即(初始值-均值)/标准差，结果如表1所示。初始脉搏频率、初始呼吸频率、初始瞳孔直径、初始胸外按压深度、初始胸外按压频率、初始吹气量以及初始吹气频率的均值和标准差分别为(45.109，22.702)，(10.437，5.010)，(4.265，0.831)，(4.931，0.728)，(100.738，12.216)，(429.852，91.643)和(7.957，1.454)。

表1 实验数据集1的归一化结果

将表1中的数据随机分成10组，每组有200个样本，分别输入到本文构造的ANN模型，将ANN模型预测得到的患者身体状态指标与测试样本指标进行误差计算，得到患者身体状态指标预测值的平均误差和总体平均误差如图6所示。

图6 实验数据集1中预测的平均误差

从图6可以看出，10组数据的预测值和样本值之间的平均误差均小于0.20。

依照1.1节方法采集100例正常人的心肺复苏数据，并扩充生成2 000例测试样本，组成实验数据集2。进行同样实验，得到患者身体状态指标预测值的平均误差和总体平均误差如图7所示。

图7 实验数据集2中预测的平均误差

从图7可以看出，10组数据的预测值和样本值之间的平均误差均小于0.15，最高平均误差仅为0.13，说明本文构造的ANN模型具有较高的预测准确度，能准确将操作人员的急救操作映射为患者的身体状态指标。

2.2 虚拟场景培训应用

实验中，计算机配置为Intel(R) Core(TM) i7-8750H CPU和16GB内存，数据采集设备为带有传感器的医用人体模型和HTC虚拟现实套件，备有数据手套、跟踪器、头盔式立体眼镜等。虚拟场景培训流程如图8所示。

图8 虚拟场景培训流程图

操作人员佩戴好虚拟现实套件后，对虚拟现实场景中的虚拟人体开展多轮急救操作，每轮包括30次胸外按压和2次人工呼吸。医用人体模型上的传感器将获取的数据发送到虚拟现实系统。急救操作数据实时传递给ANN模型，虚拟现实系统将ANN模型预测得到的患者身体状态指标进行同步展示。急救操作人员通过观察图8(c)了解患者身体的综合状态，判断急救操作是否有效，及时调整急救操作。

3 结束语

现有的虚拟急救培训方法无法直观得到急救效果的反馈，本文结合变电站环境的特殊性，提出一种基于ANN的变电站虚拟急救操作有效性预测方法，通过挖掘急救操作与患者身体状态变化之间的关联，预测急救操作的有效性，并开发了一套多维度急救数据可视化系统，用于展示培训效果。本文方法不仅降低了虚拟急救培训对师资力量和培训环境的要求，而且增强了培训有效性评价的自主性、直观性、客观性。目前，针对心肺复苏急救的相关培训已得到初期应用。但是，本文方法还需要不断优化和完善，继续挖掘其他急救操作与患者身体状态变化之间的关联，模拟更多的急救场景，为受训学员提供更真实的沉浸感。