融合模糊神经网络和规则型专家系统的血透在线监测方法

技术领域

本发明涉及一种血透过程的在线监测方法，具体涉及一种融合模糊神经网络和规则型专家系统的血透在线监测方法。

背景技术

血透是肾功能衰竭安全有效的替代疗法之一，已广泛应用于临床。由于血透是一项长期治疗过程，所以对安全可靠性要求较高。然而，目前血透过程中漏血、凝血、失血及血流欠佳等并发症时有发生，如果判断不及时则会直接危害到患者的人身安全。

目前国内外在对血透监控方面，主要还是采用人工方式，这就要求医护人员既要有娴熟的操作技术和丰富的临床工作经验，又要具备一定的技术管理能力，才能维持治疗过程安全有效，但是人工监控存在一定的随机性、局限性和主观性。尤其是在高通量血透模式下，由于血液流速的提高，系统状态随时可能发生变化，医护人员在繁忙的工作中，难免出现对状态的错误估计，从而影响应急处理的及时性，为患者带来不必要的痛苦。随着计算机和自动控制技术在现代医学领域的应用与发展，血透机也实现了一定程度上的在线监测，但其应用不仅十分有限，而且其简单的状态判断以及单一的应急处理也可能出现一些临床问题。例如：目前体外循环与引流血管内循环处于一体化状态，引流血管或体外循环处一旦发生不完全阻塞引起血液流不畅时，血透机会根据判断并做相应的动作，即暂停整个血透循环，但如果暂停时间稍长，就会引起血透器或灌流器堵塞，进而导致治疗过程被迫停止。尤其是对于血管条件不好的患者，这种情况就会使其治疗效果变得很差。

在多学科一体化医疗技术发展的今天，血透在线监测技术也正在向自动化和智能化方向发展。神经网络具有获取知识、并行处理、存储知识和自学习的能力，但其不仅无法解释自己的推理过程，而且由于血透过程比较复杂，相关变量众多且信息不完全度较高，从而限制了其在血透在线监测中的应用。专家系统含有大量的某个领域专家水平的知识与经验，可利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，因此可用于血透在线监测，但是其搜索策略的工作效率较低，且存在大量的穷举搜索。此外，专家系统不具备从经验中学习的能力，不能自动修改知识库，也无法在血透在线监测中很好的实现与运用。

发明内容

为了解决上述问题，本发明的目的在于提供一种融合模糊神经网络和规则型专家系统的血透在线监测方法，利用模糊逻辑和专家系统的相关技术完成初始知识库的建立，结合血透过程实际情况，通过对相关过程信号的分析，建立相应的并发症在血透阶段的知识库，利用知识库训练构建的神经网络，从而自动判定系统所处状态并输出相关信息，还可及时按照病人的情况更新知识库，实现紧急情况下准确预判的目的。

为了达到上述目的，本发明所采用的技术方案是：

一种融合模糊神经网络和规则型专家系统的血透在线监测方法，利用模糊逻辑，以神经网络为核心，采用专家系统结合血透过程的实际情况，对出现的并发症进行预判，步骤如下：

步骤1：首先对过程变量：血压、心率、血透机输入输出口的动静脉压、跨膜压、体温、血糖、血色采样进行模糊处理，根据专家经验将过程变量划分为不同的模糊集合并赋予相应的隶属度进行区分，具体过程变量的模糊隶属度确立方法如下：

①血透过程中患者血压值x₁：{血压值x₁低于90mmHg定为1；血压值x₁高于160mmHg定为0.7；血压值x₁在140-160mmHg定为0.3；血压值x₁在90-140mmHg定为0}

②血透过程中患者心率值x₂：{心率x₂高于130次/分定为1；心率x₂在100-130次/分定为0.8；心率x₂在60-100次/分定为0；心率x₂在60次/分以下定为0.4}

③血透过程中血透机入口的动脉压测量值x₃：{动脉压x₃在0.5-3.0psi定为0.5；动脉压x₃在0-0.5psi定为0.9；动脉压x₃小于0psi定为1；动脉压x₃在3.0-5.0psi定为0}

④血透过程中血透机入口的静脉压测量值x₄：{静脉压x₄在2.5-3.5psi定为0.8；静脉压x₄在1.0-2.5psi定为0.5；静脉压x₄大于3.5psi定为1；静脉压x₄在-0.5-1.0psi定为0}

⑤血透过程中血色采样x₅：{血色采样呈红色定为0；葡萄酒色定为0.9；淡红发黄定为1}

⑥血透器跨膜压测量值x₆：{跨膜压x₆小于0psi定为0.7；跨膜压x₆在0-0.3psi之间定为0.4；跨膜压x₆在0.1-1psi之间定为0；跨膜压x₆在其他范围定为1}

⑦血透过程中体温测量值x₇：{体温x₇在37.5℃以下定为0；体温x₇在37.5-38℃定为0.6；体温x₇在38℃以上定为1}

⑧血透过程中患者血糖含量测量值x₈：{患者血糖含量x₈在3.9-6.1mmol/L定为0；血糖含量x₈在2.8-3.9mmol/L定为0.3；血糖含量x₈低于2.8mmol/L定为0.8；血糖含量x₈高于6.1mmol/L定为1}

步骤2：血透过程中可能出现的并发症为：y₁：血透患者脱水过量；y₂：血透管路凝血；y₃：血栓；y₄：溶血；y₅：热源反应；y₆：低血糖；y₇：失衡综合症。根据专家经验知识，建立步骤1中的过程变量与血透患者脱水过量、血透管路凝血、血栓、溶血、热源反应、低血糖和失衡综合症等并发症在血透阶段的专家知识库。得到表1所示的过程变量与血透并发症之间的对应关系及模糊规则库。其中，过程变量为规则前件，并发症为规则后件。

表1血透过程中过程变量与血透并发症之间的对应关系

步骤3：构建神经网络模型，包括对网络各种参数的选取与确立、模型的建立，并对网络模型进行训练。本发明采用按误差逆传播算法训练的多层前馈神经网络，以下简称BP神经网络，使用的BP神经网络具有三层网络结构，将步骤2中的规则前件作为BP神经网络的输入层，输入层有8个过程变量，对应8个节点；步骤2中的规则后件作为BP神经网络的输出层，输出层有7个并发症，对应7个节点；隐含层神经元个数的确立采用式(1)和式(2)：

$>n_{\mathrm{implicit}}=\sqrt{n_{\mathrm{input}}+n_{\mathrm{output}}}+a---\left(1\right)$>

$>\frac{n_{\mathrm{input}}+n_{\mathrm{output}}}{2}<n_{\mathrm{implicit}}<n_{\mathrm{input}}+n_{\mathrm{output}}---\left(2\right)$>

其中，n_implicit为隐层神经元个数；n_input为输入层神经元个数；n_output为输出层神经元个数，a的取值为1～10。此处，确定隐含层节点数为14。所述隐含层中网络权值根据误差反向传播原理进行动态误差修正确定，神经网络的训练采用快速自适应算法，采用带有附加动量法和自适应学习速率的梯度下降法traingdx函数作为网络的训练函数，网络学习函数为带有动量项的梯度下降法函数(Learngdm)，性能函数采用误差平方和函数(SSE)并设定为0，初始学习速率为0.01，动量常数为0.95，最大循环次数为2000次，各层转换函数均为取对数的S型函数(log-Sigmoid)。

将专家系统知识库中的规则(表1)作为网络的输入和输出，完成对神经网络的训练。

步骤4：在血透在线监测中将过程变量的实际监测值输入训练好的模型，查看模型的输出结果。本监测方法对应的血透并发症输出结果在0-1范围内，由0到1之间的隶属度确立并发症出现的可能性大小，并发症出现可能性隶属度的表征意义如表3。

表3：并发症出现可能性的隶属度

采用模糊逻辑实现对过程变量的精确刻画和对同一过程变量引起的不同并发症的深刻辨析。

利用专家经验知识来确立模糊隶属度函数，实现对输入BP神经网络的过程变量值的模糊化处理，能够满足BP神经网络输入数据的需要，无需再对输入数据进行预处理；此外，神经网络的自学习能力使得知识库的更新和增加，提高了系统的拓展性，从而实现对更多更大范围的并发症诊断。

采用的血透系统是由PLC和计算机组成的小型DDC系统，PLC对采集的数据进行预处理，并交由计算机分析输出结果。

本发明通过专家经验分别进行上述8个过程变量的模糊隶属度函数的确立，以及血透过程变量－血透并发症样本集的设计，构建初始知识库；并确定神经网络拓扑结构和网络参数，融合模糊神经网络与规则型专家系统。在具体应用中，神经网络专家系统的数据处理模块将实时检测到的数据送入专家系统，专家系统调用知识库中的数据与实时检测的数据进行比较，通过神经网络推理机的推测和分析最终判断系统是否存在血透并发症以及存在的可能性大小；以达到血透过程安全稳定的效果同时保证血透效率。训练好的网络能够对并发症做出快速、准确地判断，便于医护人员采取措施或者作为恢复的依据。在解决血透过程中漏血、凝血、失血等多种问题时，人工经验不可避免的存在随机性、局限性和主观性，通过对并发症出现的在线监测增加了血透安全性。

附图说明

附图是一种融合模糊神经网络和规则型专家系统的血透在线监测方法的结构框图。

具体实施方式

下面结合实例对本发明作更详细的说明。

如附图所示，本发明一种融合模糊神经网络和规则型专家系统的血透在线监测方法。利用模糊逻辑和专家系统的相关技术完成初始知识库的建立，使用知识库训练构建的神经网络，可自动判定系统所处状态并输出相应的信息，还可及时按照病人的情况自行或在人工干预下更新知识库，使之达到紧急情况下的准确预判的目的。步骤如下：

步骤1：首先对过程变量：血压、心率、血透机输入输出口的动静脉压、跨膜压、体温、血糖、血色采样进行模糊处理，根据专家经验将过程变量划分为不同的模糊集合并赋予相应的隶属度进行区分，具体过程变量的模糊隶属度确立方法如下：

①血透过程中患者血压值x₁：{血压值x₁低于90mmHg定为1；血压值x₁高于160mmHg定为0.7；血压值x₁在140-160mmHg定为0.3；血压值x₁在90-140mmHg定为0}

②血透过程中患者心率值x₂：{心率x₂高于130次/分定为1；心率x₂在100-130次/分定为0.8；心率x₂在60-100次/分定为0；心率x₂在60次/分以下定为0.4}

③血透过程中血透机入口的动脉压测量值x₃：{动脉压x₃在0.5-3.0psi定为0.5；动脉压x₃在0-0.5psi定为0.9；动脉压x₃小于0psi定为1；动脉压x₃在3.0-5.0psi定为0}

④血透过程中血透机入口的静脉压测量值x₄：{静脉压x₄在2.5-3.5psi定为0.8；静脉压x₄在1.0-2.5psi定为0.5；静脉压x₄大于3.5psi定为1；静脉压x₄在-0.5-1.0psi定为0}

⑤血透过程中血色采样x₅：{血色采样呈红色定为0；葡萄酒色定为0.9；淡红发黄定为1}

⑥血透器跨膜压测量值x₆：{跨膜压x₆小于0psi定为0.7；跨膜压x₆在0-0.3psi之间定为0.4；跨膜压x₆在0.1-1psi之间定为0；跨膜压x₆在其他范围定为1}

⑦血透过程中体温测量值x₇：{体温x₇在37.5℃以下定为0；体温x₇在37.5-38℃定为0.6；体温x₇在38℃以上定为1}

⑧血透过程中患者血糖含量测量值x₈：{患者血糖含量x₈在3.9-6.1mmol/L定为0；血糖含量x₈在2.8-3.9mmol/L定为0.3；血糖含量x₈低于2.8mmol/L定为0.8；血糖含量x₈高于6.1mmol/L定为1}

步骤2：血透过程中可能出现的并发症为：y₁：血透患者脱水过量；_y2：血透管路凝血；y₃：血栓；y₄：溶血；y₅：热源反应；y₆：低血糖；y₇：失衡综合症。根据专家经验知识，建立步骤1中的过程变量与血透患者脱水过量、血透管路凝血、血栓、溶血、热源反应、低血糖、失衡综合症等并发症在血透阶段的专家知识库。得到表1所示的过程变量与血透并发症之间的对应关系及模糊规则库。其中，过程变量为规则前件，并发症为规则后件。

表1血透过程中过程变量与血透并发症之间的对应关系

步骤3：构建神经网络模型，包括对网络各种参数的选取与确立、模型的建立，并对网络模型进行训练。本发明采用按误差逆传播算法训练的多层前馈神经网络(简称BP神经网络)，使用的BP神经网络具有三层网络结构，将步骤2中的规则前件作为神经网络的输入层，输入层有8个过程变量，对应8个节点；步骤2中的规则后件作为神经网络的输出层，输出层有7个并发症，对应7个节点；隐含层神经元个数的确立采用式(1)和式(2)：

$>n_{\mathrm{implicit}}=\sqrt{n_{\mathrm{input}}+n_{\mathrm{output}}}+a---\left(1\right)$>

$>\frac{n_{\mathrm{input}}+n_{\mathrm{output}}}{2}<n_{\mathrm{implicit}}<n_{\mathrm{input}}+n_{\mathrm{output}}---\left(2\right)$>

其中，n_implicit为隐层神经元个数；n_input为输入层神经元个数；n_output为输出层神经元个数，a的取值为1～10。此处，确定隐层节点数为14。所述隐含层中网络权值根据误差反向传播原理进行动态误差修正确定，神经网络的训练采用快速自适应算法，采用带有附加动量法和自适应学习速率的梯度下降法traingdx函数作为网络的训练函数，网络学习函数为带有动量项的梯度下降法函数(Learngdm)，性能函数采用误差平方和函数(SSE)并设定为0，初始学习速率为0.01，动量常数为0.95，最大循环次数为2000次，各层转换函数均为取对数的S型函数(log-Sigmoid)。

将专家系统知识库中的规则(表1)作为网络的输入和输出，完成对神经网络的训练。

步骤4：在实际应用中将过程变量采样值输入训练好的网络，查看网络输出结果。表2为医院血透现场采集数据，根据步骤1中模糊隶属度确立方法确定以下8个过程变量的隶属度。

表2实际采样样本值

使用上述融合模糊神经网络和规则型专家系统的血透在线监测方法判断现场采集的过程变量对应出现的并发症及其隶属度，其输出结果见表4。

表4输出结果

本模型中血透并发症对应的输出结果在0-1范围内，由0到1之间的隶属度确立并发症出现的可能性大小，并发症存在可能性的隶属度的表征意义如表3：

表3：并发症出现可能性的隶属度

由表3中隶属度定义知，本次数据取样的并发症诊断结果为：

因此，使用融合模糊神经网络和规则型专家系统的血透在线监测方法对现场采集数据的并发症诊断结果为：血透过程中出现溶血。