基于貝葉斯估計的Sysmex CS5100 全自動血凝分析儀故障診斷方法研究

羅亞蘭

（成都市第三人民醫院檢驗科，成都 610014）

0 引言

全自動血凝分析儀具備檢測速度快、測量項目多的特點，能夠實現復雜樣本的智能化檢測，可快速得出檢驗樣本的檢驗結果及報告[1]?？赏ㄟ^Sysmex CS5100 血凝分析儀檢驗凝血因子，從而了解病患不同發病因素，及時診斷并治療疾病。由于該儀器使用頻率高，容易出現故障。為保證該儀器能夠正常穩定運行，亟須提升儀器管理水平[2-3]。眾多學者為此展開相關研究，劉香君等[4]提出基于長短時記憶網絡的醫療器械故障診斷管理，通過對設備特征編碼及預處理建立醫療器械異常診斷模型，經數據融合實現醫療器械異常診斷。該方法能夠有效提高故障診斷準確率，可行性高，但計算過程復雜，操作難度大。錢文靜等[5]通過調查方式實現醫療器械管理，但該方法過于簡單，針對設備管理只通過調查方式實現，結果單一且不明確。

為了快速診斷Sysmex CS5100 全自動血凝分析儀故障，本研究提出一種基于貝葉斯估計的Sysmex CS5100 全自動血凝分析儀故障診斷方法。

1 Sysmex CS5100 全自動血凝分析儀故障診斷方法

1.1 故障診斷架構

Sysmex CS5100 全自動血凝分析儀故障診斷架構由采集層、處理層、應用層和顯示層構成（如圖1所示），該架構可將各層中的信息進行共享和集中控制。

采集層主要通過傳感器來采集Sysmex CS5100全自動血凝分析儀數據。采用的傳感器包括紅外遮光式計數器、電阻溫度傳感器。其中，紅外遮光式計數器的工作原理是從紅外發光管發射出的紅外光線直射在光電元件（如光電管、光敏電阻等）上，每當紅外光線被遮擋時，光電元件的工作狀態就會發生改變，通過放大器可使計數器記下被遮擋的次數。電阻溫度傳感器根據溫度變化與電阻值變化之間的相關性確定溫度測量結果。由此，可獲取.txt 和.jpg 等格式的數據。需要采集的數據包括毛細血管脆性試驗、出血時間、血小板計數、血塊收縮試驗、凝血時間、血漿凝血酶原時間和活化部分凝血活酶時間等多種。首先，將采集的血凝分析儀數據經CAN 總線測試口傳輸到處理層；其次，采用貝葉斯估計算法將采集到的信號進行融合，并采用幅值譜來實現數據信號的幅值特征提取，由此完成數據融合和特征提取操作；最后，通過應用層實現該血凝分析儀的實時檢測和故障診斷。在應用層中，故障診斷模塊通過引入k近鄰（k-nearest neighbors，KNN）算法完成血凝分析儀的故障診斷，并通過故障預警模塊發出預警信息，最后經主界面顯示故障診斷結果[6]。

1.2 基于貝葉斯估計的多傳感器數據融合

該血凝分析儀的輸出信號數據通過多個傳感器采集，處理層的數據融合模塊通過貝葉斯估計算法實現多個傳感器采集數據的融合[7]。假設有n個傳感器測量血凝分析儀，則多傳感器測量數據的融合最佳參數個數為l（l≤n），傳感器測量數據集合為X={x1，x2，…，xn}。接著利用貝葉斯估計算法完成數據的融合處理，則有

式中，P（μ|X）為傳感器數據的概率密度函數；P（n|X）為似然度；P（n）表示先驗概率；P（X）表示測量數據X 的邊緣概率；μ 表示傳感器數據均值。

設μ 遵循高斯分布，也就是正態分布，則μ~N（μ0，σ02），其中μ0和σ0為測量數據初始均值和初始方差，N表示正態分布。因此，假設第i個傳感器的輸出結果用xi表示，xi∈X，xi遵循高斯分布，而xi~N（μ，σi2），則有

式中，Pi（μ|X）表示第i個傳感器的輸出結果xi的概率密度函數；μN與σi分別表示測量數據均值和第i個傳感器的輸出結果方差。由于xi∈X，P（μ|X）呈正態分布，則Pi（μ|X）遵循N（μN，σN2）分布，因此可將公式（2）改進為

接著，對公式（1）與（3）進行加權平均處理，在高斯分布的情況下可獲得測量數據均值μN，則有

式中，xn、σn分別表示第n個傳感器的輸出數據及其方差。

因此，基于上述內容，可利用貝葉斯估計算法得到關于μ 的貝葉斯估計數據融合結果，其表示為

1.3 提取特征參數

數據處理層通過幅值譜提取全自動血凝分析儀多傳感器信號數據融合后的信號特征。由于血凝分析儀的切光片輸出波動忽高忽低會產生計算誤差，因此無需測量切光片的輸出信號，只需提取血凝分析儀傳感器的輸出信號即可。而非全周期采集信號融合會產生分析誤差，因此為了有效解決這一問題，對頻譜進行改正以實現對該非全周期采集信號特征的有效提取[8]。具體改正步驟如圖2 所示。

圖2 頻譜改正流程

分析圖2 可知，首先將非全周期采集的全自動血凝分析儀信號進行融合后，輸入到矩形窗對其進行截短處理。然后采用快速傅里葉變換（fast fourier transform，FFT）算法運算截短的數據并得出其幅值譜。最后，為提高非全周期采集信號的幅值求解結果的準確性，對頻譜分辨力進行優化，最終輸出得到精準的幅值結果。具體實現過程如下：

首先，通過改進頻譜方法處理非全周期采集融合后的信號，降低其分析誤差。其中頻譜方法中的矩形譜內模函數表達式為

式中，W（m）表示矩形譜內模函數，其中m表示非全周期采集融合后數據；M為實數。若M遠大于1，則sin（πm/M）≈mπ/M，那么公式（7）可以轉化為

其次，通過公式（8）完成對融合后信號的截短處理。接下來基于FFT 算法對處理后數據進行運算，獲取的幅值譜表達式為

式中，C（θ）為幅值譜；X（θ）為截短處理后的第θ 個全自動血凝分析儀信號；f表示頻譜分辨力。

最后，為提高非全周期采集信號的幅值求解結果的準確性，對頻譜分辨力進行優化。

設信號主瓣內2 條幅值譜線存在2 種情況，其中一條幅值譜線是v，另一條幅值譜線是v+1，則信號主瓣中心坐標表達式為

假設幅值譜主峰峰值用B表示，則可得到頻譜位置，其表達式為

由此，進行頻譜分辨力的優化，則優化后頻譜分辨力表達式為

式中，fτ表示τ 譜線的采樣頻率。

將公式（12）代入公式（9）中，實現對幅值的獲取。同理，若另一條幅值譜線為v-1 時，則信號主瓣中心坐標同公式（10）。優化后頻譜分辨力為f=（v-Δv）fτM-1，然后代入公式（9）得出幅值結果。

接下來，為實現有效的全自動血凝分析儀故障診斷，將獲取的幅值作為血凝分析儀特征參數，以為故障診斷提供重要依據[9]。

1.4 全自動血凝分析儀故障快速診斷

1.4.1 故障數據依附率

依據提取到的Sysmex CS5100 全自動血凝分析儀信號幅值特征，計算血凝分析儀故障數據間的依附率，之后結合KNN 算法完成血凝分析儀故障檢測。

數據依附是一個關系內部屬性與屬性之間的一種約束關系，這種約束關系是通過判斷屬性間值是否相同來確定數據間的聯系。而故障數據依附率可以看作故障數據之間存在關聯性的概率，可以通過分析數據關聯性判斷是否發生了故障，保證故障診斷的精度與效率。通常，可采用模糊決策法求解故障數據依附率。在模糊決策法中，故障數據簇中心是一個重要的計算條件，而為了確定故障數據簇的初始狀態，可以使用提取的幅值特征參數作為初始的簇中心，以更準確地計算故障數據依附率，實現可靠的故障診斷[10]。

設多傳感器采集的血凝分析儀數據信號數據集X 內有Z個血凝分析儀故障數據，則其集合Y={y1，y2，…，yZ}。針對Y 內故障數據樣本，假設初始簇中心數量為w，將提取的幅值特征參數作為初始的簇中心。對于剩余的故障數據點，計算其與每個簇中心之間的距離，將故障數據點分配給距離最近的簇中心所屬的簇，其距離計算公式表示如下：

式中，（xyi，yyi）、（xTa，yTa）分別表示某一故障數據點yi和簇中心Ta的坐標。

對于每個簇，計算該簇中所有數據點的平均值，將這些計算得到的新的簇中心作為更新后的簇中心，其計算公式表示如下：

式中，r1，r2，…，rn表示該簇中每個數據點的取值；n表示簇中數據點的總數。

然后根據更新后的簇中心重新計算每個數據點與各個簇中心的距離，并重新分配數據點到距離最近的簇[11]。由此循環，直至簇中心的變化非常小停止迭代，從而確定得到故障數據簇中心。

接著從信號數據集中隨機獲取某個練習樣本yh∈X，則yh與yi是同類數據概率，即故障數據依附率為

式中，η 表示血凝分析儀平衡因子；S表示故障數據樣本；S（xg，yg）η表示同類數據之和；S（xq，yg）表示不屬于同類數據之和；k表示練習樣本數量φi表示血凝分析儀故障點yi的協方差矩陣；O表示血凝分析儀信號幅值特征向量矩陣。由此，獲得數據集中故障數據依附率，以為后續診斷提供可靠的數據支撐。

1.4.2 基于KNN 算法的血凝分析儀故障診斷實現

根據運算的故障數據依附率，引入KNN 算法完成血凝分析儀故障診斷。正常數據樣本和練習數據樣本的分布相同，故障數據樣本和練習數據樣本分布不同[12]，也就是說正常數據樣本對應的距離平方之和小于故障樣本和練習樣本集合內KNN 的距離平方和[13]。

將由血凝分析儀數據信號融合結果組成的故障數據集作為練習集，依據數理統計內的優越性標準和血凝分析儀故障數據依附率R（yh，yi）設置控制限（control line，CL）。若CL 大于無分類數據和練習集內KNN 的距離平方和，則說明血凝分析儀處于正常狀態；反之，血凝分析儀為故障狀態。其中，設置CL與故障診斷的具體實現過程如下。

首先，實現對CL 的設置，步驟如下：

第一步，找到練習集內各個樣本xi，xi∈R1×n，并找出與其相關的k個最相鄰距離2，…，∞），練習集樣本容積和變量數目分別為∞、N。

第三步，求解CL，從而檢測血凝分析儀故障。由于D2i分散情況近似于χ2分布[14]，因此數理統計內的優越性標準a和血凝分析儀故障數據依附率決定CL 的控制性，即

其次，假設未被分類新樣本是x*，基于上述內容展開故障診斷，其具體的實現過程描述如下：

第一步，找出與其相關的k個最相鄰距離

第二步，運算練習集內各樣本k個相鄰間距平方和[15]。

第三步，比較和CL，若CL≥，則該樣本為正常狀態；反之，該樣本為故障狀態[16]。

最后，經故障預警模塊發出預警信息后，在顯示層主界面可視化呈現Sysmex CS5100 全自動血凝分析儀故障診斷結果。

2 實驗分析

為了驗證基于貝葉斯估計的Sysmex CS5100 全自動血凝分析儀故障診斷方法的有效性，將某醫院Sysmex CS5100 全自動血凝分析儀作為實驗對象進行相關實驗。利用多個傳感器進行血凝分析儀數據采集，結果見表1。

表1 血凝分析儀采集數據

采用本文方法對血凝分析儀7 個傳感器進行數據融合處理，若1 個傳感器數據能夠被除該傳感器之外的6 個傳感器讀出，則說明此傳感器輸出數據有效，可以進行融合。不同數據格式的數據融合結果是不一致的，例如.txt 和.txt 格式數據融合處理之后產生的數據也為.txt 格式，.jpg 和.txt 格式數據不能融合，因此在數據融合時需要對數據進行分類，以此保證數據融合結果的精度。隨機選取該醫院7 個傳感器采集的數據進行分析，設被測儀器運動速度遵循高斯分布，其結果見表2。

表2 多傳感器融合數據

由表2 可知，1、2、4 和5 號傳感器輸出值分別為361.77、367.19、365.82、352.58 dB，其最小方差為9.71%，最大方差為36.54%，且讀出上述數據的傳感器個數均低于6 個，說明1、2、4、5 號傳感器輸出數據結果不是最佳且有效的；3、6、7 號傳感器輸出值分別為357.38、350.56、359.43，最大方差為1.01%，最小方差為0.76%，且讀出上述數據的傳感器個數均為6 個，說明這3 個傳感器輸出數據屬于有效數據，可將這3 個傳感器進行融合。

隨機選取表1 中傳感器6 采集的血凝分析儀數據，模擬該血凝分析儀運行20~40 ms 和50~60 ms時壓力泵產生的故障情況，利用本文方法提取該時間段內血凝分析儀故障狀態特征幅值，結果如圖3 所示。

圖3 血凝分析儀特征分布圖

由圖3 可知，在0~20 ms 時間段內，壓力泵特征幅值曲線保持平穩，呈規律性波動，說明此時血凝分析儀狀態正常；在20~40 ms 時間段內，壓力泵特征幅值曲線波動劇烈，說明此時段血凝分析儀處于故障狀態，40 ms 及之后的曲線波動恢復平穩。在50~60 ms時間段內，壓力泵特征幅值曲線又處于劇烈波動狀態，說明血凝分析儀處于故障狀態，60 ms 后又恢復正常。

綜上，故障特征幅值提取結果與實際模擬情況一致，說明本文方法提取到的血凝分析儀故障信號特征準確，并且本文方法檢測到該血凝分析儀發生了2 次故障，利用該故障特征可準確獲取儀器故障情況，為后續的故障診斷奠定堅實的基礎。

隨機選取1 臺血凝分析儀，利用本文方法對該血凝分析儀進行故障診斷處理，故障診斷結果如圖4 所示。

圖4 血凝分析儀故障診斷界面

由圖4 可知，本文方法檢測到該血凝分析儀比色杯、傳感器、標本以及廢液瓶處于正常運行狀態，預警燈呈綠色，此時無需進行任何操作；另外，還檢測到血凝分析儀探針、電纜和壓力泵運動狀態顯示異常，預警界面顯示探針碰撞、電纜接頭斷開和壓力泵錯誤，預警燈亮紅燈，說明該位置出現故障，需要后臺人員找到故障原因，恢復其正常操作。由此表明本文方法可判斷儀器故障狀態并進行預警處理，能夠輔助后臺人員快速處理故障，保證血凝分析儀的正常運行。

綜上所述，本文所提方法可通過多傳感器采集血凝分析儀數據并進行數據融合處理，提取到的幅值特征可精準判斷血凝分析儀的故障狀態，可有效診斷血凝分析儀故障并及時發出預警信息，計算過程簡單、操作難度低，且血凝分析儀故障診斷結果非常明確，有效地解決了文獻[4]方法和文獻[5]方法存在的問題，實際應用效果較好。

3 結語

為提高Sysmex CS5100 全自動血凝分析儀故障診斷的可靠性，本文提出基于貝葉斯估計的血凝分析儀故障快速診斷方法。首先通過多個傳感器進行數據采集，并經貝葉斯估計算法進行數據融合處理。然后提取融合后數據的幅值作為血凝分析儀特征參數。最后，通過幅值特征參數計算故障數據之間的依附率，并根據故障數據依附率采用KNN 算法實現血凝分析儀故障診斷。實驗結果表明，本文方法滿足血凝分析儀故障診斷要求，可有效診斷故障，幫助后臺工作人員及時發現儀器故障，具有較高的實用性。但是該方法在實驗驗證中并未設置對比實驗，無法全方面驗證該方法的綜合性能，因此下一步需要利用更多的數據進行相關對比實驗，以進一步驗證該方法的應用效果，促進該方法在血凝分析儀故障診斷領域的進一步應用。