基于改进型交互式遗传算法的医疗机械优化设计

2022-12-06谢元媛王磊

微型电脑应用 2022年11期

谢元媛，王磊

(乌鲁木齐职业大学，1.应用工程学院，2.信息工程学院，新疆，乌鲁木齐 830023)

0 引言

在繁荣的经济时代，人类更加关注自身的身体健康，此种需求将推动医疗设施的发展与壮大。目前医疗机械的发展处于初始阶段，医疗机械作为医疗行业内的专用机械工具，能够帮助医护工作人员从事人为难以实现的手术操作。但在实际应用过程中，存在诸多操作不便利的地方，比如在现有机械设计中，临床使用时人性化及操作便利性存在着明显的缺陷，需进一步矫正此种缺陷，并通过升级机械的操作技术来调整现有医疗机械的状态，进而获取治疗效果良好的医疗机械设备。为此，不少研究学者针对医疗机械设计中的问题进行机械设计研究，不断推动医疗机械的发展进程。

文献[1]借助于SolidWorks软件，对机械的三维数字化进行了设计，并根据D-H方法对机械的姿态运动方程进行了构建，通过数学模型的方式得出机械臂的位姿，这种方式虽然为远程医疗服务提供理想的实验对象，但是在临床应用中，其舒适度欠佳。文献[2]通过提高老年人医疗器械产品设计体验进行的设计，该技术通过分析医疗器械存在的特点和老年人在医疗过程中的认知心理和行为特征等情况，进而设计出人性化设备。该设备虽然解决了文献[1]中存在的技术不足，但是该设备的人性化仅仅是针对老年人，不具有普遍适用性。

上述问题可以总结为

(1) 临床应用中，舒适度不高，不能满足患者需求;

(2) 人性化适用范围小，不能满足大部分患者的需求。

为此，针对上述问题，本文在情感化医疗机械设计的基础上提出一种新式基于人性化理念的医疗机械设计研究，并将改进型交互式遗传算法模型融合到架构设计中，提升了机械设计的精度标准安全性,更符合患者需求。

1 基于改进型交互式遗传算法的设计

人性化理念设计是出于对患者需求方面的考虑，在医疗机械的设计过程中，应始终围绕患者的需求进行设计操作与管理，在医疗设备设计的初期，需要不断地考虑设备内部和数据之间的矛盾，强化矛盾缓和机制，建立一个良好的设备需求数据竞争平台[3]。对设备进行容量限制分析，加大对患者安全防护措施的力度，研究不同区域患者与自身所在区域之间的关系，并建立关系桥梁，查询内部参照功能，检查与医疗设备有关的部件信息，及时转换部件信息，通过内部需求传递通道将收集到的医疗设备需求数据传送到分析空间[6-9]。然后通过分割各种族的数据信息，利用人体模型仿造医疗机械操作过程，调整操作步骤，减少冗余操作，查询患者的尺寸、视野和肢体参数，并将这些参数匹配到具有高度相关性的内部管理中心对机械操作数据进行标准化处理。本研究采用了改进型交互式遗传算法实现不同医疗器械数据信息的选择，设计方法如图1所示。

图1 基于改进型交互式遗传算法的设计架构示意图

在本研究的设计架构中，由于在设计医疗器械时，需要考虑多方面的因素，而这些因素容易受多种因素的影响，如何选择人性化的设计元素，需要在数据库中多种方面进行考虑，本研究采用改进型交互式遗传算法不断产生遗传操作，并对选择的个体进行评估，直到设计者选择出合适的个体为止，然后在对这些个体进行最佳适应度评价。通过改进型交互式遗传算法实现人性化设计元素的预测[4-5]、评估，最终实现医疗器械设计元素的应用。

通过上述设计模型，能够区分仪器所处的操作等级，根据等级信息对仪器信息进行划分。根据顾客信息内容收集顾客信息，并控制器械配置方向。通过对仪器与人体特征的匹配，对不同方位医疗仪器操作位置进行相关的理论研究，画出顾客需求信息单，并将信息单中的内容全部转存到需求分析系统中，等待系统的内部分析操作。对不同客户需求的关联进行持续的研究，将关联程度较高的数据放入同一个数据集。

然后检验医疗设备运行安全，避免医疗事故的发生。减慢设备安装速度，调配医院环境，及时处理各地区需求信息，调动信息库，直接收录各地区需求信息[6-7]。当进行交互设计时，应将设计中的过程参数反映到主控制系统中，并对操作保持高度警觉，建立主控制系统过程参数操作图,如图2所示。

图2 主控系统过程参数操作图

通过患者与器械间的接触行为判断需求参数对整体医疗器械操作的影响，为此，利用参数表信息对照内部系统信息，实现对医疗器械装置的初次需求分析。在实现储存需求分析后，对存储的数据进行合理模块划分，及时改造不同空间的医疗器械改造需求，将器械外观与客户需求相连接，构建较为良好的设计模型[8]，实现对医疗器械的需求分析操作。下面对本研究方法的关键技术进行研究。

2 改进型交互式遗传算法模型

在本研究的改进型交互式遗传算法模型中，改进型交互式遗传算法模型主要融合了极限学习机(ELM)算法，采用该算法的目的在于，能够充分利用前馈神经网络[9-10]结构，在多种医疗器械设计库中经过不断的迭代计算，最终输出最优解。

图3 改进型交互式遗传算法模型操作流程示意图

下面结合图3通过分步骤的方式对改进型交互式遗传算法模型操作流程进行以下说明。

(1) 用户根据人性化的设计需求，从数据库中选择需要的设计元素，然后对数据库中的设计元素进行编码和数据设置[1-2]。为了提出数据的计算精度，可对数据进行初始化设置。

(2) 启动ELM模型，ELM模型的结构架构示意图如图4所示。

图4 ELM模型示意图

在图4的结构设计中，其数据结构上包含有数据输入层、隐藏层和输出层，在设置不同层的节点时，该数据模型在改进型交互式遗传算法模型中能够快速进行数据分类。下面通过公式表达的方式实现数据分类描述。

首先在ELM模型[11-12]输入层中输入医疗器械设计元素的不同数据信息，然后在隐藏层设置其与输出层输出节点之间的连接权值wj，wj介于0.2～3.7的常数。输出层输出权值向量为βj，再设置隐藏层中第j个隐层节点的偏置数据量bj，在医疗器械数据元素库中的数据样本中，设置样本集合为{xi,yi,i=1,2,…,n}，医疗器械数据元素库中的数据被分类为m种数据类型，则存在ys∈{1,-1}(1

(1)

式中，i=1,…,n,h(wj·xi+bj)表示为激活函数，简称为h(·)，能够实现函数的启动与计算，其中隐含层输出矩阵可表示为

(2)

隐含层输出权重可以通过以下公式表示

WO=M+Y

(3)

输出层实现的医疗器械数据元素库数据输出函数可以记作为

(4)

为了进一步地提高医疗器械数据元素库数据选择的训练精度，在必要时，再计算出ELM模型的特征向量[14-15]，通过以下公式表示:

(In+λLHβ)×v=γHTHv

(5)

式中，v=v2,v3,…,vn0+1，其中的β可以为

β= v2, v3,…, vno+1

(6)

通过上述计算，能够在用户选择的医疗器械数据元素库众多数据信息中根据颜色[16-17]、光泽或者结构形态等输出适合人性化设计的数据信息。

(3) 然后判断输出的数据信息是否满足要求，当满足要求时，则数据训练结束，当不满足要求时，则再次输入适应度值。该步骤是通过人性化感受来界定。当用户能够根据人性化标准进行输出数据信息时，则表示该选择满足要求，否则表示不满足要求。适应度值可以为介于0.4～0.9之间的数值。

(4) 然后对医疗器械数据元素库数据进行遗传操作，通过对医疗器械数据元素库数据进行选择、交叉、变异[18]，假设通过8次迭代计算，则根据以下公式输出相识度。

(7)

(5) 判断数据迭代情况，当实际的迭代数据等于设置迭代值时，则产生新一代群体，当实际的迭代数据不等于设置迭代值时，则输入适应度值，重新进行判断。

通过上述计算，最终实现了医疗器械数据元素库数据的选择。

3 实验结果与分析

经过以上医疗机械设计研究，匹配相关的实验研究操作研究本文设计的操作性能，并构建相应的实验参数与操作对比本文研究效果。采用的软硬件环境如表1所示。

表1 硬件参数数据表

通过上述硬件设置，下面将本研究的方法与k-means算法模型进行对比。

试验时采用的参数信息为公用数据库，从已知数据库中输出多种数据参数，以在检索精度和误差计算上进行分析。设置实验操作步骤如下。

(1) 匹配相关的患者信息，将患者信息录入医疗机械系统中，并转化信息数据为操作信息字码，同时调配与患者操作相关程度较高的内部机械空间，利用机械治疗空间参数集中机械管理，不断提升参数的操作需求，降低管理等级，减少不必要的操作浪费，获取所需的机械治疗信息，设置机械治疗信息获取框图如图5所示。

图5 机械治疗信息获取框图

(2) 在实现机械治疗信息收集后，按照机械的功能界面划分不同的性能检测模块，将属于同一检验模块的数据收录至机械空间中，并及时检验此刻的机械状态，不断整合状态信息，简化操作流程，追踪不同的设备信息，并调整机械的装置角度，将机械的角度调到合理的操作范围内，并记录不同时刻的操作参数。

(3) 将记录的数据全部整理至中心控制系统中，不断获取内部研究数据与机械调节范围角度数据，掌控医疗机械的操作程度以及操作范围，并配置基础研究装置，强化内部管理系统，加强对医疗机械的管控力度，由此调配合理的操作信息装置，实现整体实验操作研究。

将实验后的数据集中收录于实验信息管理空间中，并构建实验操作参数表如表2所示。

表2 实验参数

下面将本研究的方法与k-means算法模型在平均相对误差(MRE)和最小误差平方和(LSE)上进行对比分析，特定数学计算公式为

(8)

(9)

式中，D为用于验证医疗器械数据库中设计元素数据的总样本，Ae表示通过算法模型输出的e个检索设计信息，AMe表示为第e个数据库中输出的医疗器械数据信息。这2种方法的误差对比如表3所示。

表3 误差对比示意图

通过表3的数据可以看到，本研究方法MRE为0.101 3，常规技术的k-means算法的MRE为0.179 5，因此本研究方法的算法误差较小。然后再对比2种方法的LSE，本研究方法MRE为0.145 8，常规技术的k-means算法的MRE为0.247 5，因此，本研究的方法就有明显的技术进步性。

为了持续性分析本研究的技术效果，通过60个小时的计算，机械操作精准度对比图如图6所示。

图6 机械操作精准度对比图

从图6可以分析出，本文研究的基于人性化理念的医疗机械操作精准度可以达到80%以上，而文献[1]的医疗机械仅能达到60%。由此可见，本文研究的医疗机械有较高的操作精准度，文献[1]研究的医疗机械操作精准度较低。且本文研究的操作精准度随时间的增加而不断上升，上升幅度较大，文献[1]研究的操作精准度随也随着时间增加而不断上升，但上升的幅度小于本文研究。

综上所述，本文基于人性化理念的医疗机械设计研究具有良好的机械操作性，同时能够在较高程度上保障患者的安全性，其人性化设计能够时刻满足患者需求，具有较高的发展价值。