基于贝叶斯估计的Sysmex CS5100 全自动血凝分析仪故障诊断方法研究

罗亚兰

（成都市第三人民医院检验科，成都 610014）

0 引言

全自动血凝分析仪具备检测速度快、测量项目多的特点，能够实现复杂样本的智能化检测，可快速得出检验样本的检验结果及报告[1]。可通过Sysmex CS5100 血凝分析仪检验凝血因子，从而了解病患不同发病因素，及时诊断并治疗疾病。由于该仪器使用频率高，容易出现故障。为保证该仪器能够正常稳定运行，亟须提升仪器管理水平[2-3]。众多学者为此展开相关研究，刘香君等[4]提出基于长短时记忆网络的医疗器械故障诊断管理，通过对设备特征编码及预处理建立医疗器械异常诊断模型，经数据融合实现医疗器械异常诊断。该方法能够有效提高故障诊断准确率，可行性高，但计算过程复杂，操作难度大。钱文静等[5]通过调查方式实现医疗器械管理，但该方法过于简单，针对设备管理只通过调查方式实现，结果单一且不明确。

为了快速诊断Sysmex CS5100 全自动血凝分析仪故障，本研究提出一种基于贝叶斯估计的Sysmex CS5100 全自动血凝分析仪故障诊断方法。

1 Sysmex CS5100 全自动血凝分析仪故障诊断方法

1.1 故障诊断架构

Sysmex CS5100 全自动血凝分析仪故障诊断架构由采集层、处理层、应用层和显示层构成（如图1所示），该架构可将各层中的信息进行共享和集中控制。

采集层主要通过传感器来采集Sysmex CS5100全自动血凝分析仪数据。采用的传感器包括红外遮光式计数器、电阻温度传感器。其中，红外遮光式计数器的工作原理是从红外发光管发射出的红外光线直射在光电元件（如光电管、光敏电阻等）上，每当红外光线被遮挡时，光电元件的工作状态就会发生改变，通过放大器可使计数器记下被遮挡的次数。电阻温度传感器根据温度变化与电阻值变化之间的相关性确定温度测量结果。由此，可获取.txt 和.jpg 等格式的数据。需要采集的数据包括毛细血管脆性试验、出血时间、血小板计数、血块收缩试验、凝血时间、血浆凝血酶原时间和活化部分凝血活酶时间等多种。首先，将采集的血凝分析仪数据经CAN 总线测试口传输到处理层；其次，采用贝叶斯估计算法将采集到的信号进行融合，并采用幅值谱来实现数据信号的幅值特征提取，由此完成数据融合和特征提取操作；最后，通过应用层实现该血凝分析仪的实时检测和故障诊断。在应用层中，故障诊断模块通过引入k近邻（k-nearest neighbors，KNN）算法完成血凝分析仪的故障诊断，并通过故障预警模块发出预警信息，最后经主界面显示故障诊断结果[6]。

1.2 基于贝叶斯估计的多传感器数据融合

该血凝分析仪的输出信号数据通过多个传感器采集，处理层的数据融合模块通过贝叶斯估计算法实现多个传感器采集数据的融合[7]。假设有n个传感器测量血凝分析仪，则多传感器测量数据的融合最佳参数个数为l（l≤n），传感器测量数据集合为X={x1，x2，…，xn}。接着利用贝叶斯估计算法完成数据的融合处理，则有

式中，P（μ|X）为传感器数据的概率密度函数；P（n|X）为似然度；P（n）表示先验概率；P（X）表示测量数据X 的边缘概率；μ 表示传感器数据均值。

设μ 遵循高斯分布，也就是正态分布，则μ~N（μ0，σ02），其中μ0和σ0为测量数据初始均值和初始方差，N表示正态分布。因此，假设第i个传感器的输出结果用xi表示，xi∈X，xi遵循高斯分布，而xi~N（μ，σi2），则有

式中，Pi（μ|X）表示第i个传感器的输出结果xi的概率密度函数；μN与σi分别表示测量数据均值和第i个传感器的输出结果方差。由于xi∈X，P（μ|X）呈正态分布，则Pi（μ|X）遵循N（μN，σN2）分布，因此可将公式（2）改进为

接着，对公式（1）与（3）进行加权平均处理，在高斯分布的情况下可获得测量数据均值μN，则有

式中，xn、σn分别表示第n个传感器的输出数据及其方差。

因此，基于上述内容，可利用贝叶斯估计算法得到关于μ 的贝叶斯估计数据融合结果，其表示为

1.3 提取特征参数

数据处理层通过幅值谱提取全自动血凝分析仪多传感器信号数据融合后的信号特征。由于血凝分析仪的切光片输出波动忽高忽低会产生计算误差，因此无需测量切光片的输出信号，只需提取血凝分析仪传感器的输出信号即可。而非全周期采集信号融合会产生分析误差，因此为了有效解决这一问题，对频谱进行改正以实现对该非全周期采集信号特征的有效提取[8]。具体改正步骤如图2 所示。

图2 频谱改正流程

分析图2 可知，首先将非全周期采集的全自动血凝分析仪信号进行融合后，输入到矩形窗对其进行截短处理。然后采用快速傅里叶变换（fast fourier transform，FFT）算法运算截短的数据并得出其幅值谱。最后，为提高非全周期采集信号的幅值求解结果的准确性，对频谱分辨力进行优化，最终输出得到精准的幅值结果。具体实现过程如下：

首先，通过改进频谱方法处理非全周期采集融合后的信号，降低其分析误差。其中频谱方法中的矩形谱内模函数表达式为

式中，W（m）表示矩形谱内模函数，其中m表示非全周期采集融合后数据；M为实数。若M远大于1，则sin（πm/M）≈mπ/M，那么公式（7）可以转化为

其次，通过公式（8）完成对融合后信号的截短处理。接下来基于FFT 算法对处理后数据进行运算，获取的幅值谱表达式为

式中，C（θ）为幅值谱；X（θ）为截短处理后的第θ 个全自动血凝分析仪信号；f表示频谱分辨力。

最后，为提高非全周期采集信号的幅值求解结果的准确性，对频谱分辨力进行优化。

设信号主瓣内2 条幅值谱线存在2 种情况，其中一条幅值谱线是v，另一条幅值谱线是v+1，则信号主瓣中心坐标表达式为

假设幅值谱主峰峰值用B表示，则可得到频谱位置，其表达式为

由此，进行频谱分辨力的优化，则优化后频谱分辨力表达式为

式中，fτ表示τ 谱线的采样频率。

将公式（12）代入公式（9）中，实现对幅值的获取。同理，若另一条幅值谱线为v-1 时，则信号主瓣中心坐标同公式（10）。优化后频谱分辨力为f=（v-Δv）fτM-1，然后代入公式（9）得出幅值结果。

接下来，为实现有效的全自动血凝分析仪故障诊断，将获取的幅值作为血凝分析仪特征参数，以为故障诊断提供重要依据[9]。

1.4 全自动血凝分析仪故障快速诊断

1.4.1 故障数据依附率

依据提取到的Sysmex CS5100 全自动血凝分析仪信号幅值特征，计算血凝分析仪故障数据间的依附率，之后结合KNN 算法完成血凝分析仪故障检测。

数据依附是一个关系内部属性与属性之间的一种约束关系，这种约束关系是通过判断属性间值是否相同来确定数据间的联系。而故障数据依附率可以看作故障数据之间存在关联性的概率，可以通过分析数据关联性判断是否发生了故障，保证故障诊断的精度与效率。通常，可采用模糊决策法求解故障数据依附率。在模糊决策法中，故障数据簇中心是一个重要的计算条件，而为了确定故障数据簇的初始状态，可以使用提取的幅值特征参数作为初始的簇中心，以更准确地计算故障数据依附率，实现可靠的故障诊断[10]。

设多传感器采集的血凝分析仪数据信号数据集X 内有Z个血凝分析仪故障数据，则其集合Y={y1，y2，…，yZ}。针对Y 内故障数据样本，假设初始簇中心数量为w，将提取的幅值特征参数作为初始的簇中心。对于剩余的故障数据点，计算其与每个簇中心之间的距离，将故障数据点分配给距离最近的簇中心所属的簇，其距离计算公式表示如下：

式中，（xyi，yyi）、（xTa，yTa）分别表示某一故障数据点yi和簇中心Ta的坐标。

对于每个簇，计算该簇中所有数据点的平均值，将这些计算得到的新的簇中心作为更新后的簇中心，其计算公式表示如下：

式中，r1，r2，…，rn表示该簇中每个数据点的取值；n表示簇中数据点的总数。

然后根据更新后的簇中心重新计算每个数据点与各个簇中心的距离，并重新分配数据点到距离最近的簇[11]。由此循环，直至簇中心的变化非常小停止迭代，从而确定得到故障数据簇中心。

接着从信号数据集中随机获取某个练习样本yh∈X，则yh与yi是同类数据概率，即故障数据依附率为

式中，η 表示血凝分析仪平衡因子；S表示故障数据样本；S（xg，yg）η表示同类数据之和；S（xq，yg）表示不属于同类数据之和；k表示练习样本数量φi表示血凝分析仪故障点yi的协方差矩阵；O表示血凝分析仪信号幅值特征向量矩阵。由此，获得数据集中故障数据依附率，以为后续诊断提供可靠的数据支撑。

1.4.2 基于KNN 算法的血凝分析仪故障诊断实现

根据运算的故障数据依附率，引入KNN 算法完成血凝分析仪故障诊断。正常数据样本和练习数据样本的分布相同，故障数据样本和练习数据样本分布不同[12]，也就是说正常数据样本对应的距离平方之和小于故障样本和练习样本集合内KNN 的距离平方和[13]。

将由血凝分析仪数据信号融合结果组成的故障数据集作为练习集，依据数理统计内的优越性标准和血凝分析仪故障数据依附率R（yh，yi）设置控制限（control line，CL）。若CL 大于无分类数据和练习集内KNN 的距离平方和，则说明血凝分析仪处于正常状态；反之，血凝分析仪为故障状态。其中，设置CL与故障诊断的具体实现过程如下。

首先，实现对CL 的设置，步骤如下：

第一步，找到练习集内各个样本xi，xi∈R1×n，并找出与其相关的k个最相邻距离2，…，∞），练习集样本容积和变量数目分别为∞、N。

第三步，求解CL，从而检测血凝分析仪故障。由于D2i分散情况近似于χ2分布[14]，因此数理统计内的优越性标准a和血凝分析仪故障数据依附率决定CL 的控制性，即

其次，假设未被分类新样本是x*，基于上述内容展开故障诊断，其具体的实现过程描述如下：

第一步，找出与其相关的k个最相邻距离

第二步，运算练习集内各样本k个相邻间距平方和[15]。

第三步，比较和CL，若CL≥，则该样本为正常状态；反之，该样本为故障状态[16]。

最后，经故障预警模块发出预警信息后，在显示层主界面可视化呈现Sysmex CS5100 全自动血凝分析仪故障诊断结果。

2 实验分析

为了验证基于贝叶斯估计的Sysmex CS5100 全自动血凝分析仪故障诊断方法的有效性，将某医院Sysmex CS5100 全自动血凝分析仪作为实验对象进行相关实验。利用多个传感器进行血凝分析仪数据采集，结果见表1。

表1 血凝分析仪采集数据

采用本文方法对血凝分析仪7 个传感器进行数据融合处理，若1 个传感器数据能够被除该传感器之外的6 个传感器读出，则说明此传感器输出数据有效，可以进行融合。不同数据格式的数据融合结果是不一致的，例如.txt 和.txt 格式数据融合处理之后产生的数据也为.txt 格式，.jpg 和.txt 格式数据不能融合，因此在数据融合时需要对数据进行分类，以此保证数据融合结果的精度。随机选取该医院7 个传感器采集的数据进行分析，设被测仪器运动速度遵循高斯分布，其结果见表2。

表2 多传感器融合数据

由表2 可知，1、2、4 和5 号传感器输出值分别为361.77、367.19、365.82、352.58 dB，其最小方差为9.71%，最大方差为36.54%，且读出上述数据的传感器个数均低于6 个，说明1、2、4、5 号传感器输出数据结果不是最佳且有效的；3、6、7 号传感器输出值分别为357.38、350.56、359.43，最大方差为1.01%，最小方差为0.76%，且读出上述数据的传感器个数均为6 个，说明这3 个传感器输出数据属于有效数据，可将这3 个传感器进行融合。

随机选取表1 中传感器6 采集的血凝分析仪数据，模拟该血凝分析仪运行20~40 ms 和50~60 ms时压力泵产生的故障情况，利用本文方法提取该时间段内血凝分析仪故障状态特征幅值，结果如图3 所示。

图3 血凝分析仪特征分布图

由图3 可知，在0~20 ms 时间段内，压力泵特征幅值曲线保持平稳，呈规律性波动，说明此时血凝分析仪状态正常；在20~40 ms 时间段内，压力泵特征幅值曲线波动剧烈，说明此时段血凝分析仪处于故障状态，40 ms 及之后的曲线波动恢复平稳。在50~60 ms时间段内，压力泵特征幅值曲线又处于剧烈波动状态，说明血凝分析仪处于故障状态，60 ms 后又恢复正常。

综上，故障特征幅值提取结果与实际模拟情况一致，说明本文方法提取到的血凝分析仪故障信号特征准确，并且本文方法检测到该血凝分析仪发生了2 次故障，利用该故障特征可准确获取仪器故障情况，为后续的故障诊断奠定坚实的基础。

随机选取1 台血凝分析仪，利用本文方法对该血凝分析仪进行故障诊断处理，故障诊断结果如图4 所示。

图4 血凝分析仪故障诊断界面

由图4 可知，本文方法检测到该血凝分析仪比色杯、传感器、标本以及废液瓶处于正常运行状态，预警灯呈绿色，此时无需进行任何操作；另外，还检测到血凝分析仪探针、电缆和压力泵运动状态显示异常，预警界面显示探针碰撞、电缆接头断开和压力泵错误，预警灯亮红灯，说明该位置出现故障，需要后台人员找到故障原因，恢复其正常操作。由此表明本文方法可判断仪器故障状态并进行预警处理，能够辅助后台人员快速处理故障，保证血凝分析仪的正常运行。

综上所述，本文所提方法可通过多传感器采集血凝分析仪数据并进行数据融合处理，提取到的幅值特征可精准判断血凝分析仪的故障状态，可有效诊断血凝分析仪故障并及时发出预警信息，计算过程简单、操作难度低，且血凝分析仪故障诊断结果非常明确，有效地解决了文献[4]方法和文献[5]方法存在的问题，实际应用效果较好。

3 结语

为提高Sysmex CS5100 全自动血凝分析仪故障诊断的可靠性，本文提出基于贝叶斯估计的血凝分析仪故障快速诊断方法。首先通过多个传感器进行数据采集，并经贝叶斯估计算法进行数据融合处理。然后提取融合后数据的幅值作为血凝分析仪特征参数。最后，通过幅值特征参数计算故障数据之间的依附率，并根据故障数据依附率采用KNN 算法实现血凝分析仪故障诊断。实验结果表明，本文方法满足血凝分析仪故障诊断要求，可有效诊断故障，帮助后台工作人员及时发现仪器故障，具有较高的实用性。但是该方法在实验验证中并未设置对比实验，无法全方面验证该方法的综合性能，因此下一步需要利用更多的数据进行相关对比实验，以进一步验证该方法的应用效果，促进该方法在血凝分析仪故障诊断领域的进一步应用。