醫療CPS協作網絡控制策略優化淺析

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了醫療CPS協作網絡控制策略優化淺析范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要:醫院的信息化建設已經進入了智能化時代，越來越多的醫療cps（CyberPhysicalSystems）在醫院實踐并應用。然而，醫學學科的細化和醫院知識庫的缺乏，會導致醫療CPS在多并發癥疾病治療應用上的可靠性不足。文中提出了一種醫療CPS協作架構，以提高醫療CPS的決策可靠性。CPS通過協作平臺向網絡上的智能單元發送協作任務，響應的智能單元共同輔助CPS進行醫療決策。由于患者的生理數據是連續動態的，且醫療CPS對響應的及時性要求較高，文中進一步優化了協作網絡的控制策略來提高網絡通信效率，分別提出了CCD算法和HCD算法用于高級控制器和低級控制器的部署。最后，實驗模擬兩種算法并與K－means算法進行了指標對比，結果表明HCD算法在犧牲較少平均通信時延的情況下，大幅度提升了低級控制器的負載均衡。CCD算法更適合聚類節點少的高級控制器部署，對目標函數的優化效果明顯優于HCD算法和K－means算法。

關鍵詞：信息物理系統；醫療；網絡控制；聚類；協作；

1背景

醫療CPS是信息物理系統在醫學上的應用延伸［1－2］。復雜的生命系統與信息系統緊密交互的同時，使醫療CPS面臨更多的挑戰［3］。可靠性是其中一項重要挑戰，一方面，大多數醫院的知識庫建設不足［4］；另一方面，醫學學科的細化導致各類專科、亞專科的醫生僅熟悉自己領域的專業知識，而無法應對多并發癥疾病的治療。因此，醫療CPS的可靠性不足，存在醫療安全隱患。在自然界中，協作使弱勢物種能夠在不同物種爭奪有限資源的環境中生存，協作也可以讓具有不同優勢的物種交換資源得以協同進化。受大自然的啟發，醫療CPS通過網絡協作將優勢資源進行最大化整合是提高決策可靠性的有效方法，但需要平臺作為應用支撐。此外，醫療CPS對醫療決策的及時性要求較高，因此，提高協作網絡的通信效率也是醫療CPS協作平臺有效應用的重要保障之一。

2相關研究

人體是復雜的物理系統，醫療CPS按照醫學的規律將計算、控制、交互有機結合，實現信息與人體的深度交互。在過去的十年里，越來越多的研究人員、工程師和醫務人員參與了醫療CPS的研究工作。這些研究涉及智能醫療設備［5］、生理數據識別［6］、嵌入式醫用軟件設計［7－8］、網絡服務［9－11］、異構系統交互［12］、患者隱私保護等諸多方面。其中，文獻［13］開發了用于監測心率的醫療CPS平臺。文獻［14］設計了一個用于檢測早期陣發性交感神經多動癥的醫療CPS診斷平臺。文獻［15］開發了一個開源的醫療CPS平臺，該平臺包括用于醫療設備（包括麻醉機、呼吸機和患者監護儀）的軟件設備適配器、標準中間件和構建在該平臺上的應用程序，可實現智能報警、生理閉環控制算法、數據可視化和臨床研究數據采集等功能。文獻［16］提出了一種用于CPS與醫療設備通信的實時大數據計算平臺。文獻［17］強調了醫療CPS在機器人手術環境中的重要性，提出了一種用于機器人協作手術的CPS設計方法，旨在降低機器人手術系統的脆弱性。文獻［18］提出了一個由集中式醫療CPS架構開發的數據分析模塊，有助于最終實現患者健康監測和遠程治療自動化。文獻［19］對醫學領域中人類交互假設中的約束類別進行了分類，并開發了一個數學假設模型，使用醫療呼吸機作為案例研究，以顯示數學假設模型提高呼吸機和醫療CPS安全性的原理。文獻［20］研究了電子病歷系統與CPS系統的接口設計。該接口主要用于生理數據的自動讀取，避免了人為的錯誤，提高了系統CPS的安全性。文獻［21］針對惡意入侵醫療CPS的行為會影響患者數據和系統可用性的問題，提出將法醫學原理和概念集成到醫療CPS的設計和開發中，以增強組織的調查態勢，并為進一步完善醫療CPS調查的具體解決方案奠定了基礎。文獻［22］討論了遠程調整醫療CPS醫療設備輸出和驅動所必須解決的一些問題，例如驗證問題。文獻［23］繪制了醫療CPS的抽象體系結構，以演示各種威脅建模選項；還討論了可能的安全技術及其在安全醫療CPS設計中的適用性和實用性。以上研究多從醫療CPS內部出發，通過優化醫療設備、系統交互接口、模型設計等方面提高醫療CPS的可靠性和安全性，并未考慮醫療CPS的網絡化發展。內部的優化無法打破本地資源的局限性，只有開放、共享、協作才能更大限度地提高醫療CPS的可靠性。

3醫療CPS協作平臺

在傳統醫療模式下，醫生面對多并發癥疾病時，通常開展線上或線下的多學科聯合會診［24－25］。傳統模式通過靜態數據分享和語言溝通完成醫療決策，但人體是一個復雜的生理系統，靜態數據的全面性不足，連續動態的生理數據才更有臨床決策價值。醫療CPS的優勢是對連續動態數據的采集和分析，因此，需要構建一個協作平臺以支持醫療CPS的深度協作與共享，從而彌補本地知識庫和專科醫生知識的局限性，進一步提升醫療CPS的可靠性。

3．1平臺架構設計

在醫療CPS內部，患者的生理數據通過傳感設備實時采集，并存儲在臨床信息系統中。輔助決策系統讀取并判斷是否需要進行多學科聯合治療。需要聯合治療的醫療CPS向協作平臺發送協作申請，并通過平臺與1個或多個目標醫療CPS開展網絡協作。如圖1所示，平臺提供異構系統對接、生理數據識別、網絡控制、消息管理和存儲等服務。醫療CPS通過平臺協作將網絡優質醫療資源加入到疾病的治療閉環中，提高了決策單元的可靠性。

3．2網絡架構設計

醫療CPS協作是為完成多學科聯合治療任務而在網絡上進行分布式計算的過程。網絡架構設計與協作效率密切相關。平臺網絡中存在大量的異構醫療CPS，且分布不均。新接入網絡的醫療CPS通常與擁有優質醫療資源的醫療CPS建立連接。隨著時間的推移，平臺網絡的拓撲結構與無標度網絡的拓撲結構一致。這樣大規模的復雜系統需要合理的網絡架構來優化網絡資源管理。軟件定義網絡（SoftwareDefinedNetwork，SDN）架構具有控制靈活、資源分配靈活的優點，但無法滿足大規模網絡控制需求。協作平臺網絡架構在SDN三層網絡架構的基礎上，將控制層進行分級處理，如圖2所示，控制層分為低級控制區和高級控制區。低級控制區的控制器控制聚類內的連續動態數據傳輸。高級控制區的控制器控制跨聚類連續動態數據傳輸。應用層是用戶需求和協作平臺之間的交互。物理層由支撐平臺運行的硬件設備組成。

4網絡控制策略優化

網絡控制指標通常包括控制器負載、平均通信時延和孤立節點數。控制器負載是控制器控制范圍內的節點數量，優化的目標是使控制器之間的負載差異最小化，避免資源浪費。平均通信時延是節點和控制器之間的平均通信時間，孤立節點數是需要跨聚類通信的節點數量，兩者值越小，通信的代價越小。

4．1低級控制器部署

4．1．1問題模型。假設網絡拓撲建模為關系圖Gswitch＝〈S，E〉，S是網絡內醫療CPS的集合，E是醫療CPS間鏈路的集合。如果網絡被劃分為k個聚類，每個聚類由一個低級控制器控制，則低級控制器的數量為k。假設網絡內包含n個醫療CPS，則醫療CPS的集合表示為S＝｛s1，s2，…，sn}，低級控制器的集合表示C＝｛c1，c2，…，ck}，低級控制器與醫療CPS之間的通信時延表示為τ，τ＝1v∑ni＝1d（C（si），si），其中d（C（si），si）表示第i個醫療CPS與聚類內低級控制器的通信距離，v是速度參數，i＝1，2，…，n。低級控制器j的負載表示為Γj，是其控制聚類內醫療CPS的數量之和，所有低級控制器的平均負載表示為Γaverage。孤立節點的數量為m，σ表示低級控制器負載的均衡度。低級控制器部署是一個多目標優化問題，目標函數表示為：Fmin＝（τ，σ，m）＝P＋Q＋min（m）（1）P＝min∑ki＝11v×ni∑nij＝1d（C（si），si）（）（）（2）Q＝min1k∑kj＝1（∑Γj－Γaverage）2（）（3）4．1．2HCD算法。網絡具有無標度網絡特性，醫療CPS分布符合冪律分布，即醫療CPS越密集，需要部署的低級控制器數量越多。HCD（HoneyCombDerivation）算法是在網絡拓撲上進行蜂窩衍生。蜂窩衍生的方法是采用正六邊形的蜂窩網格作為衍生單位。網絡內選擇一個醫療CPS節點，并以該節點為初始點，邊長為r的正六邊形作為初始蜂窩網格，以初始蜂窩網格為中心，向6個方向分別衍生6個蜂窩網格，直到所有的醫療CPS被蜂窩網格覆蓋。蜂窩網絡被廣泛采用源于一個數學結論，即以相同半徑的圓形覆蓋平面，當圓心處于蜂窩網格的格點時所用圓的數量最少，即使用最少的控制器可以覆蓋最大面積的圖形。雖然在通信中使用圓形來表述實踐要求通常是合理的，但出于節約設備構建成本的考慮，蜂窩網格是最好的選擇。蜂窩衍生完成后，記錄每個蜂窩網格內醫療CPS的總數并將其記為該蜂窩網格的度數，再根據度數進行優化組合，形成醫療CPS聚類。每個醫療CPS聚類的中心網格部署低級控制器。圖3顯示了HCD算法的4個主要步驟，分別為蜂窩衍生、蜂窩標記、節點聚類和聚類優化。

4．2高級控制器部署

4．2．1問題模型。高級控制器部署在低級控制器部署完成的基礎上進行。低級控制器部署為高級控制器部署提供了基礎的網格分布圖，但CCD算法重新進行網格度數計算，僅考慮低級控制器數量及其負載。假設蜂窩的度數表示為L＝｛l1，l2，…，ln}，如果一個蜂窩網格僅包含醫療CPS，則l1＝0，否則l1＝Γj＝∑Lj，Lj是低級控制器j所在聚類內醫療CPS數量。σ是高級控制器負載的均衡度，σ＝1k∑kj＝1，Γaverage是高級控制器的平均負載，m是孤立節點的數量，τ是各高級控制器與其聚類內低級控制器的通信時延總和，τ＝1v∑ki＝1d（C（ci），ci）。高級控制器部署的目標函數表示為：Fmin（τ，σ，m）＝A＋B＋min（m）（4）A＝min∑ki＝11v×ni∑nij＝1d（C（sj），sj）（）（）（5）B＝min1k∑ki＝1（∑Γj－Γaverage）2（）（6）4．2．2CCD算法。CCD（CooperativeControllerDeployment）算法根據蜂窩距離來對低級控制器進行聚類，由于低級控制器較醫療CPS數量少，位置更為分散，過多強調負載的優化會導致平均通信時延的增加。因此，CCD算法在優化平均通信時延的基礎上兼顧負載均衡。算法首先根據低級控制器的部署對蜂窩網格進行重新標記。如果蜂窩網格中沒有部署低級控制器，則li＝0，否則li不為0。選取k個距離分散的網格作為初始中心網格，計算每個網格與k個中心網格的距離，并與距離最近的中心網格聚為一類。所有網格完成聚類后，計算每個聚類負載，將大于負載閾值的網格重新分配至與負載聚類中最近的聚類，直到所有聚類負載均小于負載閾值。各聚類中心點所在的網格部署高級控制器。

5仿真實驗

5．1HCD算法仿真

實驗旨在對比K－means算法和HCD算法在低級控制器部署過程中對平均通信時延、控制器負載和孤立節點數量3個指標的優化情況。假設實驗拓撲是一個由20個節點組成的BA網絡。采用Python工具進行仿真，仿真結果如圖4和圖5所示。以k＝3為例，HCD算法將節點2，6，8，10，13聚為一類；節點1，3，4，5，7，9，11聚為一類；節點12，14，15，16，17，18，19，20聚為一類。K－means算法將節點1，2，3，4，5，6，7，8，9，10，13聚為一類；節點11為一類；節點12，14，15，16，17，18，19，20聚為一類。根據HCD算法的聚類結果，低級控制器分別部署在節點6，7，15。根據K－means算法的聚類結果，低級控制器分別部署在節點2，11，15。表1分別對比了k＝3和k＝4時低級控制器部署的各類指標，結果顯示K－means算法作為經典的聚類算法，局限于優化平均通信時延和孤立節點兩個指標，忽略了控制器負載均衡問題；HCD算法在犧牲較少平均通信時延的情況下，大幅度提升了低級控制器的負載均衡，且通過聚類的優化剔除了孤立通信節點。在低級控制器部署（k＝3）完成基礎上，均采用K－means算法對低級控制器進行聚類，如圖6所示。表2列出了部署2臺高級控制器的指標對比情況，顯然HCD算法也間接優化了高級控制器部署的指標。

5．2CCD算法仿真

實驗旨在對比K－means算法、HCD算法和CCD算法在高級控制器部署過程中對平均通信時延、控制器負載和孤立節點數量3個指標的優化情況。假設實驗拓撲是一個由20個節點組成的BA網絡，低級控制器數量k＝8，分別部署在HCD算法的聚類結果顯示，部署在節點5，6，8的低級控制器聚為一類，部署在節點11，12，14的低級控制器聚為一類，部署在節點15，16的低級控制器聚為一類。CCD算法的聚類結果顯示，部署在節點5，6，8的低級控制器聚為一類，部署在節點11，14的低級控制器聚為一類，部署在節點12，15，16的低級控制器聚為一類。K－means算法的聚類結果中，部署在節點5，6，8的低級控制器聚為一類，部署在節點11的低級控制器聚為一類，部署在節點12，14，15，16的低級控制器聚為一類。根據3種算法的聚類結果，高級控制器分別部署在節點2，9，17。CCD算法在聚類節點較少的情況下，較HCD算法和K－means算法在指標的優化上效果最好，具體指標對比見表3。6結束語醫療CPS是醫院應用的重要系統之一。但醫學學科的細化和知識庫的局限性，使醫療CPS應對多并發癥疾病治療存在可靠性不足問題。文中提出了醫療CPS協作架構設計，并考慮到生理數據的連續動態性和醫療CPS對決策及時性要求較高，設計了協作網絡的控制架構，提出了HCD算法和CCD算法對網絡節點進行聚類以輔助兩級控制器的部署，從而提升協作效率。實驗對比了HCD算法、CCD算法和K－means算法對目標函數的優化情況，結果表明HCD算法和CCD算法對兩級控制器的部署均優于K－means算法。醫療CPS網絡化、協同化發展是大數據時代醫院信息化發展的趨勢，提高醫療決策可靠性也契合了國家精準醫療戰略的需求。醫療CPS協作平臺設計和協作網絡控制策略優化，為醫療CPS整合優質醫療資源，提升決策可靠性提供了實踐方案。異構系統之間的協同問題與協作同步問題，將是后續的研究工作。

作者:劉麗 李仁發 單位:中南大學湘雅三醫院 湖南大學信息科學與工程學院