首页 > 论文范文 > 医药卫生论文 > 医院管理论文 > 医疗设备管理论文 > 近红外高光谱成像的医疗设备状态自动检测研究

近红外高光谱成像的医疗设备状态自动检测研究

2025-07-09 59 上传者：管理员

摘要：为解决现有的检测方法缺乏有效的修正分析机制、漏检率较高的问题，提出了基于近红外高光谱成像的自动检测方法。根据机器视觉与近红外高光谱技术捕获设备光谱信息，采用中值滤波与光谱校正滤除图像噪声，对光谱图像进行裁剪，保留有效光谱数据；采用关键特征与实时监测的其他数据描述设备运行状态。将数据输入到自动检测矩阵中，并通过时间序列分析和预设的阈值判断设备是否处于正常运行状态，引入修正分析机制提高检测精度。实验结果表明，应用该方法后，实现了零漏检，检测IoU高达0.98，充分验证了近红外高光谱成像在医疗设备状态检测中的有效性，提升了医疗设备状态检测的精度。

关键词：
临床工作
修正分析机制
医疗设备状态
自动检测
近红外高光谱成像
加入收藏

医疗技术日新月异，各类医疗设备为临床工作提供了坚实保障。然而在实际应用中，环境因素、设备老化等都可能导致设备性能下滑甚至出现故障，这对医疗质量与患者安全构成威胁。因此，开展医疗设备状态自动检测研究极为关键，其目标在于实时监测设备运行、深入分析数据并及时预警故障，从而提升设备使用效率与安全性。目前，诸多学者投身该领域研究，部分方法存在明显短板[1-4]，如频谱分析结合数据挖掘易过度拟合；基于数据预处理构建评估模型的预设阈值难以契合变化等，其根源在于缺乏有效修正机制，致使检测准确性欠佳。鉴于此，该文提出基于近红外高光谱成像的自动检测方法。通过机器视觉与相关技术获取光谱信息，经提取数据特征，结合监测数据输入检测矩阵，利用时间序列分析和阈值判断，有效解决现存问题并提高检测精度。

1、近红外高光谱成像的医疗设备状态自动检测方法

1.1设备状态图像光谱信息精准捕获与预处理

机器视觉技术不受人类视觉的主观性和疲劳性限制，能够提供更精确、更客观的测量结果。近红外高光谱成像技术能够在更宽的光谱范围内进行检测，涵盖了人眼无法观测到的波段。该技术不仅能够实现非接触式检测，有效避免了对医疗设备的潜在损害，还能捕捉到设备在特定光谱下的细微特征信息，为全面评估医疗设备状态提供了可能。将机器视觉技术与近红外高光谱成像技术相结合，能够实现对医疗设备图像的精准捕获。在图像预处理阶段，首先采用中值滤波方法对捕获的图像进行噪声抑制，有效去除了图像中的随机干扰。随后，通过光谱校正技术，进一步提升数据的准确性和可靠性。最后，根据实际需求，对处理后的图像进行裁剪，仅保留医疗设备表面区域的有效光谱信息。分析医疗设备运行环境的光照条件、空间布局、振动源等，以设计合适的相机与光源配置。选择Python编程语言和OpenCV机器视觉库作为机器视觉系统的开发环境。基于机器视觉的设备状态图像捕获流程如图1所示。根据图1将相机、镜头、光源等硬件部件安装到医疗设备附近，调整至最佳位置与角度。使用适当的连接线将相机、光源等连接到工控机或图像采集卡[5]。

图1基于机器视觉的设备状态图像捕获流程

机器视觉系统搭建完毕后，进入图像感知与预处理阶段。首先，使用近红外高光谱成像仪对医疗设备进行扫描，设置扫描参数，其中曝光时间设置为100~200 ms，扫描速度为2~5 mm/s，步长为0.5~1 mm。

利用中值滤波方法对感知到的图像进行去噪处理[6]。设定医疗设备二维图像I的大小为M×N，对图像中的每一个像素I(x,y)应用中值滤波[7]。滤波后的图像记为I′。对于图像中的每一个像素I(x,y)，定义一个大小为(2k + 1)×(2k + 1)的窗口（其中k是窗口半径，窗口大小为奇数），该窗口以(x,y)为中心[8]。然后，计算窗口内所有像素值的中位数，并用这个中位数替换I(x,y)的值，具体如下：I′(x,y) = median{I(i,j)|i∈[x - k,x + k],j∈[y - k,y + k]}（1）其中，median表示取中位数操作；[x - k,x + k]、[y - k,y + k]分别表示窗口在水平和垂直方向上的范围。

通过中值滤波处理，消除医疗设备图像中的随机噪声。其次使用标准白板和黑板进行反射率校正，确保数据准确性[9]。在此基础上裁剪图像，去除无用区域，保留设备表面的有效光谱信息。

1.2基于关键特征提取的设备运行状态描述

设备的几何形状、颜色变化、纹理差异等与设备的运行状态紧密相关。通过提取这些特征，可以更加准确地判断设备的健康状况。将提取的关键特征与实时监测的其他数据（如温度、压力、振动等）进行融合，可以构建出多维度、全面的设备运行状态。这种多源信息融合方法能够更全面地反映设备的运行状况，为自动检测提供有力支持。首先将近红外高光谱成像的医疗设备图像归一化到特定范围内（0~1）[10]，具体如下：In = I - IminImax - Imin（2）其中，In表示归一化感知图像；I表示预处理后的原始感知图像数据；Imax、Imin分别表示图像数据中的最大值与最小值。

识别图像中的局部最大值（波峰）和局部最小值（波谷），这些数值可能对应于特定化学物质或材料的吸收峰，有助于识别设备运行状态中的特定变化[11]。计算近红外高光谱成像的医疗设备光谱带面积，具体如下：A =∫λ1λ2I(λ)dλ（3）式中，I(λ)表示关于波长λ的函数，代表在特定波长λ下的图像强度。

通过计算在特定波长范围[λ1,λ2]内图像的积分面积，反映近红外高光谱成像的医疗设备性能的变化[12-13]。在此基础上，计算近红外高光谱成像的医疗设备图像的一阶导数，以突出光谱中的细微变化或特征峰，具体如下：I′(λ)≈A(λ+Δλ) - I(λ)Δλ（4）式中，I′(λ)表示近红外高光谱成像的医疗设备图像强度I(λ)关于波长λ的一阶导数在λ处的近似值，描述了函数随其自变量的变化率，即图像强度随波长变化的快慢；I(λ+Δλ)表示波长λ增加了一个微小量Δλ之后的图像强度；Δλ表示一个微小的波长增量，在近似计算导数时作为步长。

通过图像导数分析，识别图像中的拐点，精确捕捉图像中的拐点特征，这些拐点被视为潜在的运行状态变化，能识别设备运行中可能出现的突然加速、减速或转向等状态变化迹象。将提取到的关键特征与医疗设备运行中的其他实时监测数据（如温度读数、压力水平、电流波动等）进行融合[14]。得到一个多维度、全面的医疗设备运行状态特定变化描述体系，能够更准确地理解设备的运行变化趋势，为后续状态自动检测提供有力的数据支持。

1.3医疗设备状态自动检测

在矩阵中输入医疗设备运行状态描述与采集到的近红外高光谱成像的医疗设备正常运行状态的观测向量[15-16]，设定向量对应于不同的时间状态用X(t)表示（其中t代表时间），这些向量包含了设备在该时间点的所有关键运行参数，可以构建一个关于时间的医疗设备状态自动检测矩阵K，如下：K =■■||||||||■■||||||||A11I′(λ11) A12 I′(λ12) … A1n I′(λ1n)A21I′(λ21) A22 I′(λ21) … A2n I′(λ2n)⋮Am1I′(λm1) Am2 I′(λm1)…Amn I′(λmn)（5）式中，每一行代表一个时间状态下的设备特征向量；n表示时间状态的总数。

这些向量共同构成了设备运行状态下的特征空间，在这个空间中，每个点（即每个特征向量）都代表了设备在某个特定时间点的运行状态。比较相邻时间点的特征向量，对矩阵K中的特征向量进行时间序列分析，识别出设备状态随时间的变化趋势。设定正常运行状态的阈值范围（温度为20~35℃，振动频率为50~70 Hz），将当前状态的特征向量与阈值范围进行比较。如果特征向量超出了正常范围，则表示设备可能存在异常或即将发生故障。

1.4自动检测结果

修正分析通过矩阵自动检测得出多个概率值的向量，每个概率值对应一个预设的医疗设备状态（如正常、轻微故障、严重故障、离线、待机、工作等）。为了确定最终的设备状态，需要为每个状态类别设定一个阈值。根据设定的阈值，检测并识别近红外高光谱成像的医疗设备状态，如表1所示。

表1近红外高光谱成像的医疗设备状态类型及阈值

为了进一步提升检测精度，减少漏检情况，引入了修正分析机制。设Ct表示某个状态（如正常、轻微故障等）的原始概率，t表示该状态的判定阈值，Ca表示基于修正分析的调整因子（可能是正值或负值，根据具体情况确定）。则修正后的状态判定条件可以表示为：Ps = Ct×(1 + Ca)（6）其中，修正因子Ca是根据历史数据和实时监测数据计算得出的，它能够反映出设备状态的动态变化和潜在风险。通过修正分析，能够更准确地捕捉到设备的细微变化，从而提高检测的准确性和可靠性。

2、仿真实验

2.1实验对象选

择某知名医疗设备制造商生产的NIRMedSpec-1024型号近红外高光谱成像的医疗设备作为实验的检测对象。该设备包含多个关键部件，如显示屏、传感器接口、电路板等，这些部件在长期使用过程中可能会出现老化、损坏或性能下降。

选取9台具有代表性的NIR-MedSpec-1024设备作为实验样本。将这些样本分为三组，每组包含3台设备，以模拟不同设备状态下的性能表现。第一组为“正常状态组”，其样本编号分别为1-1、1-2、1-3，这些设备均处于良好的工作状态，无明显故障迹象，用作基准线参考。第二组为“轻度故障状态组”，样本编号为2-1、2-2、2-3，这些设备在使用过程中已表现出轻微的性能下降或局部故障。第三组则为“重度故障状态组”，样本编号为3-1、3-2、3-3，这些设备已出现严重的故障症状。

2.2自动检测结果

采用该文方法对9台处于不同故障状态或正常状态的医疗设备进行了全面而细致的检测。为了深入验证检测修正分析机制的有效性，并进一步优化检测结果，对比了引入该机制前后的漏检情况。对比结果如表2所示。从表2检测结果中可以明显看出，在引入检测修正分析机制之前，尽管整体检测效果良好，但在轻度故障状态组的样本编号2-1中仍出现了一次漏检。而引入检测修正分析机制后，成功地纠正了这次漏检，使得所有样本在修正后的检测结果中均实现了零漏检。这一显著的变化不仅验证了检测修正分析机制的有效性，也进一步证明了该文方法采用该机制后，能够显著提升检测的准确性和可靠性。

表2医疗设备状态有效检测结果

2.3方法性能对比

在医疗设备启动并稳定运行后，每隔2 h进行一次自动状态检测，以确保能够捕捉到设备在不同运行阶段的详细状态变化。将采集医疗设备的高光谱图像作为测试样本，这些图像涵盖了设备可能遇到的各种运行状况。对每个样本中的故障区域进行人工标注，以准确界定样本中故障区域的位置和大小，并生成相应的真实框。分别应用三种不同的检测方法来检测这些测试样本。每种方法均基于输入样本生成了各自的预测框，预测框表示了不同方法所识别的潜在故障区域。将每种方法生成的预测框与对应的真实框进行比较，计算它们之间的交并比IoU，具体如下：IoU = A⋃BA⋂B（7）式中，A表示预测框；B表示真实框。

为了评估每种检测方法在不同样本状态类别下的整体性能，计算了每个状态类别的IoU平均值。IoU值越高，表明预测框与真实框的重合度越高，即检测结果更接近设备的真实状态。对比分析的结果如图2所示。从图2可以看出，该文提出的自动检测方法在IoU指标上显著优于其他两种方法，IoU值均稳定在0.98以上，这意味着预测框与真实框几乎完全重合。该文方法的优势主要通过集成机器视觉与近红外高光谱技术，能够深入医疗设备表面及内部，获取到详尽且精细的光谱信息，这些信息是后续故障检测与状态评估的基础。中值滤波去噪与光谱校正操作则有效消除了图像噪声及系统误差，确保了数据的高度准确性。引入检测修正分析机制，进一步提升了医疗设备状态检测的精度。该机制显著减少了因数据质量问题而引发的漏检情况，从而确保医疗设备状态检测的高精度与可靠性。

图2不同方法交并比对比结果

3、结束语

近红外高光谱成像的医疗设备状态自动检测方法在提升医疗设备维护与故障预警能力方面有巨大潜力。通过高光谱成像技术，能够捕捉到设备表面及内部结构的精细光谱信息，这些信息为设备的状态评估提供了有效的数据支持。该研究不仅验证了近红外高光谱成像在医疗设备状态检测中的高灵敏度和准确性，还展示了其在区分正常状态、轻度故障与重度故障方面的卓越能力。这不仅为医疗机构的设备维护人员提供了强有力的工具，也为患者安全提供了更加坚实的保障。

参考文献:

[1]刘海霞.基于数据挖掘的医疗设备状态检测研究[J].自动化技术与应用,2023,42(7):39-42.

[2]吴昊,林建阳.基于可视化和数据融合的医疗设备异常运行状态检测方法[J].科技通报,2022,38(11):37-40,45.

[3]邱筱岷,王志禹,王小花.大型医疗监护设备电池健康状态检测算法研究[J].中国医疗设备,2024,39(3):46-52.

[4]陈晓宇,郭海涛,王子洪,等.基于电性能特征的医疗设备故障识别方法研究[J].中国医学装备,2023,20(9):1-5.

[5]张悦,周骏辉,王思曼,等.基于可见光-近红外高光谱成像技术的陈皮陈化年份鉴别研究[J].光谱学与光谱分析,2023,43(10):3286-3292.

[6]马超,张云华.基于LSTM的医疗设备故障预警模型研究[J].智能计算机与应用,2022,12(9):72-75.

[7]胡锡敦,尹禄,杨钦晨,等.基于近红外高光谱成像技术的塑料分类(特邀)[J].激光与光电子学进展,2024,61(2):440-452.

[8]李毅,杨雅琪,李芳,等.基于随机博弈的医疗系统入侵检测优化配置[J].中国医疗设备,2023,38(6):55-60,67.

[9]罗旭.PSO优化BP神经网络模型在医疗设备故障识别中的应用[J].中国医疗设备,2022,37(12):49-52,57.

[10]陈晗,郑彩仙.基于改进卷积神经网络图像处理的医疗设备质量控制研究[J].现代科学仪器,2023,40(1):166-170.

[11]张迎春.基于机器视觉的医疗设备故障应急维修方法[J].设备管理与维修,2022(24):31-33.