醫(yī)療CPS協(xié)作網(wǎng)絡(luò)控制策略優(yōu)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(yī)療CPS協(xié)作網(wǎng)絡(luò)控制策略優(yōu)化淺析范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要:醫(yī)院的信息化建設(shè)已經(jīng)進(jìn)入了智能化時代，越來越多的醫(yī)療cps（CyberPhysicalSystems）在醫(yī)院實(shí)踐并應(yīng)用。然而，醫(yī)學(xué)學(xué)科的細(xì)化和醫(yī)院知識庫的缺乏，會導(dǎo)致醫(yī)療CPS在多并發(fā)癥疾病治療應(yīng)用上的可靠性不足。文中提出了一種醫(yī)療CPS協(xié)作架構(gòu)，以提高醫(yī)療CPS的決策可靠性。CPS通過協(xié)作平臺向網(wǎng)絡(luò)上的智能單元發(fā)送協(xié)作任務(wù)，響應(yīng)的智能單元共同輔助CPS進(jìn)行醫(yī)療決策。由于患者的生理數(shù)據(jù)是連續(xù)動態(tài)的，且醫(yī)療CPS對響應(yīng)的及時性要求較高，文中進(jìn)一步優(yōu)化了協(xié)作網(wǎng)絡(luò)的控制策略來提高網(wǎng)絡(luò)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(shí)驗(yàn)?zāi)M兩種算法并與K－means算法進(jìn)行了指標(biāo)對比，結(jié)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(fù)載均衡。CCD算法更適合聚類節(jié)點(diǎn)少的高級控制器部署，對目標(biāo)函數(shù)的優(yōu)化效果明顯優(yōu)于HCD算法和K－means算法。

關(guān)鍵詞：信息物理系統(tǒng)；醫(yī)療；網(wǎng)絡(luò)控制；聚類；協(xié)作；

1背景

醫(yī)療CPS是信息物理系統(tǒng)在醫(yī)學(xué)上的應(yīng)用延伸［1－2］。復(fù)雜的生命系統(tǒng)與信息系統(tǒng)緊密交互的同時，使醫(yī)療CPS面臨更多的挑戰(zhàn)［3］。可靠性是其中一項(xiàng)重要挑戰(zhàn)，一方面，大多數(shù)醫(yī)院的知識庫建設(shè)不足［4］；另一方面，醫(yī)學(xué)學(xué)科的細(xì)化導(dǎo)致各類?？?、亞?？频尼t(yī)生僅熟悉自己領(lǐng)域的專業(yè)知識，而無法應(yīng)對多并發(fā)癥疾病的治療。因此，醫(yī)療CPS的可靠性不足，存在醫(yī)療安全隱患。在自然界中，協(xié)作使弱勢物種能夠在不同物種爭奪有限資源的環(huán)境中生存，協(xié)作也可以讓具有不同優(yōu)勢的物種交換資源得以協(xié)同進(jìn)化。受大自然的啟發(fā)，醫(yī)療CPS通過網(wǎng)絡(luò)協(xié)作將優(yōu)勢資源進(jìn)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(yīng)用支撐。此外，醫(yī)療CPS對醫(yī)療決策的及時性要求較高，因此，提高協(xié)作網(wǎng)絡(luò)的通信效率也是醫(yī)療CPS協(xié)作平臺有效應(yīng)用的重要保障之一。

2相關(guān)研究

人體是復(fù)雜的物理系統(tǒng)，醫(yī)療CPS按照醫(yī)學(xué)的規(guī)律將計算、控制、交互有機(jī)結(jié)合，實(shí)現(xiàn)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(yī)務(wù)人員參與了醫(yī)療CPS的研究工作。這些研究涉及智能醫(yī)療設(shè)備［5］、生理數(shù)據(jù)識別［6］、嵌入式醫(yī)用軟件設(shè)計［7－8］、網(wǎng)絡(luò)服務(wù)［9－11］、異構(gòu)系統(tǒng)交互［12］、患者隱私保護(hù)等諸多方面。其中，文獻(xiàn)［13］開發(fā)了用于監(jiān)測心率的醫(yī)療CPS平臺。文獻(xiàn)［14］設(shè)計了一個用于檢測早期陣發(fā)性交感神經(jīng)多動癥的醫(yī)療CPS診斷平臺。文獻(xiàn)［15］開發(fā)了一個開源的醫(yī)療CPS平臺，該平臺包括用于醫(yī)療設(shè)備（包括麻醉機(jī)、呼吸機(jī)和患者監(jiān)護(hù)儀）的軟件設(shè)備適配器、標(biāo)準(zhǔn)中間件和構(gòu)建在該平臺上的應(yīng)用程序，可實(shí)現(xiàn)智能報警、生理閉環(huán)控制算法、數(shù)據(jù)可視化和臨床研究數(shù)據(jù)采集等功能。文獻(xiàn)［16］提出了一種用于CPS與醫(yī)療設(shè)備通信的實(shí)時大數(shù)據(jù)計算平臺。文獻(xiàn)［17］強(qiáng)調(diào)了醫(yī)療CPS在機(jī)器人手術(shù)環(huán)境中的重要性，提出了一種用于機(jī)器人協(xié)作手術(shù)的CPS設(shè)計方法，旨在降低機(jī)器人手術(shù)系統(tǒng)的脆弱性。文獻(xiàn)［18］提出了一個由集中式醫(yī)療CPS架構(gòu)開發(fā)的數(shù)據(jù)分析模塊，有助于最終實(shí)現(xiàn)患者健康監(jiān)測和遠(yuǎn)程治療自動化。文獻(xiàn)［19］對醫(yī)學(xué)領(lǐng)域中人類交互假設(shè)中的約束類別進(jìn)行了分類，并開發(fā)了一個數(shù)學(xué)假設(shè)模型，使用醫(yī)療呼吸機(jī)作為案例研究，以顯示數(shù)學(xué)假設(shè)模型提高呼吸機(jī)和醫(yī)療CPS安全性的原理。文獻(xiàn)［20］研究了電子病歷系統(tǒng)與CPS系統(tǒng)的接口設(shè)計。該接口主要用于生理數(shù)據(jù)的自動讀取，避免了人為的錯誤，提高了系統(tǒng)CPS的安全性。文獻(xiàn)［21］針對惡意入侵醫(yī)療CPS的行為會影響患者數(shù)據(jù)和系統(tǒng)可用性的問題，提出將法醫(yī)學(xué)原理和概念集成到醫(yī)療CPS的設(shè)計和開發(fā)中，以增強(qiáng)組織的調(diào)查態(tài)勢，并為進(jìn)一步完善醫(yī)療CPS調(diào)查的具體解決方案奠定了基礎(chǔ)。文獻(xiàn)［22］討論了遠(yuǎn)程調(diào)整醫(yī)療CPS醫(yī)療設(shè)備輸出和驅(qū)動所必須解決的一些問題，例如驗(yàn)證問題。文獻(xiàn)［23］繪制了醫(yī)療CPS的抽象體系結(jié)構(gòu)，以演示各種威脅建模選項(xiàng)；還討論了可能的安全技術(shù)及其在安全醫(yī)療CPS設(shè)計中的適用性和實(shí)用性。以上研究多從醫(yī)療CPS內(nèi)部出發(fā)，通過優(yōu)化醫(yī)療設(shè)備、系統(tǒng)交互接口、模型設(shè)計等方面提高醫(yī)療CPS的可靠性和安全性，并未考慮醫(yī)療CPS的網(wǎng)絡(luò)化發(fā)展。內(nèi)部的優(yōu)化無法打破本地資源的局限性，只有開放、共享、協(xié)作才能更大限度地提高醫(yī)療CPS的可靠性。

3醫(yī)療CPS協(xié)作平臺

在傳統(tǒng)醫(yī)療模式下，醫(yī)生面對多并發(fā)癥疾病時，通常開展線上或線下的多學(xué)科聯(lián)合會診［24－25］。傳統(tǒng)模式通過靜態(tài)數(shù)據(jù)分享和語言溝通完成醫(yī)療決策，但人體是一個復(fù)雜的生理系統(tǒng)，靜態(tài)數(shù)據(jù)的全面性不足，連續(xù)動態(tài)的生理數(shù)據(jù)才更有臨床決策價值。醫(yī)療CPS的優(yōu)勢是對連續(xù)動態(tài)數(shù)據(jù)的采集和分析，因此，需要構(gòu)建一個協(xié)作平臺以支持醫(yī)療CPS的深度協(xié)作與共享，從而彌補(bǔ)本地知識庫和?？漆t(yī)生知識的局限性，進(jìn)一步提升醫(yī)療CPS的可靠性。

3．1平臺架構(gòu)設(shè)計

在醫(yī)療CPS內(nèi)部，患者的生理數(shù)據(jù)通過傳感設(shè)備實(shí)時采集，并存儲在臨床信息系統(tǒng)中。輔助決策系統(tǒng)讀取并判斷是否需要進(jìn)行多學(xué)科聯(lián)合治療。需要聯(lián)合治療的醫(yī)療CPS向協(xié)作平臺發(fā)送協(xié)作申請，并通過平臺與1個或多個目標(biāo)醫(yī)療CPS開展網(wǎng)絡(luò)協(xié)作。如圖1所示，平臺提供異構(gòu)系統(tǒng)對接、生理數(shù)據(jù)識別、網(wǎng)絡(luò)控制、消息管理和存儲等服務(wù)。醫(yī)療CPS通過平臺協(xié)作將網(wǎng)絡(luò)優(yōu)質(zhì)醫(yī)療資源加入到疾病的治療閉環(huán)中，提高了決策單元的可靠性。

3．2網(wǎng)絡(luò)架構(gòu)設(shè)計

醫(yī)療CPS協(xié)作是為完成多學(xué)科聯(lián)合治療任務(wù)而在網(wǎng)絡(luò)上進(jìn)行分布式計算的過程。網(wǎng)絡(luò)架構(gòu)設(shè)計與協(xié)作效率密切相關(guān)。平臺網(wǎng)絡(luò)中存在大量的異構(gòu)醫(yī)療CPS，且分布不均。新接入網(wǎng)絡(luò)的醫(yī)療CPS通常與擁有優(yōu)質(zhì)醫(yī)療資源的醫(yī)療CPS建立連接。隨著時間的推移，平臺網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)與無標(biāo)度網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)一致。這樣大規(guī)模的復(fù)雜系統(tǒng)需要合理的網(wǎng)絡(luò)架構(gòu)來優(yōu)化網(wǎng)絡(luò)資源管理。軟件定義網(wǎng)絡(luò)（SoftwareDefinedNetwork，SDN）架構(gòu)具有控制靈活、資源分配靈活的優(yōu)點(diǎn)，但無法滿足大規(guī)模網(wǎng)絡(luò)控制需求。協(xié)作平臺網(wǎng)絡(luò)架構(gòu)在SDN三層網(wǎng)絡(luò)架構(gòu)的基礎(chǔ)上，將控制層進(jìn)行分級處理，如圖2所示，控制層分為低級控制區(qū)和高級控制區(qū)。低級控制區(qū)的控制器控制聚類內(nèi)的連續(xù)動態(tài)數(shù)據(jù)傳輸。高級控制區(qū)的控制器控制跨聚類連續(xù)動態(tài)數(shù)據(jù)傳輸。應(yīng)用層是用戶需求和協(xié)作平臺之間的交互。物理層由支撐平臺運(yùn)行的硬件設(shè)備組成。

4網(wǎng)絡(luò)控制策略優(yōu)化

網(wǎng)絡(luò)控制指標(biāo)通常包括控制器負(fù)載、平均通信時延和孤立節(jié)點(diǎn)數(shù)?？刂破髫?fù)載是控制器控制范圍內(nèi)的節(jié)點(diǎn)數(shù)量，優(yōu)化的目標(biāo)是使控制器之間的負(fù)載差異最小化，避免資源浪費(fèi)。平均通信時延是節(jié)點(diǎn)和控制器之間的平均通信時間，孤立節(jié)點(diǎn)數(shù)是需要跨聚類通信的節(jié)點(diǎn)數(shù)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(shè)網(wǎng)絡(luò)拓?fù)浣殛P(guān)系圖Gswitch＝〈S，E〉，S是網(wǎng)絡(luò)內(nèi)醫(yī)療CPS的集合，E是醫(yī)療CPS間鏈路的集合。如果網(wǎng)絡(luò)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(shù)量為k。假設(shè)網(wǎng)絡(luò)內(nèi)包含n個醫(yī)療CPS，則醫(yī)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(yī)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(yī)療CPS與聚類內(nèi)低級控制器的通信距離，v是速度參數(shù)，i＝1，2，…，n。低級控制器j的負(fù)載表示為Γj，是其控制聚類內(nèi)醫(yī)療CPS的數(shù)量之和，所有低級控制器的平均負(fù)載表示為Γaverage。孤立節(jié)點(diǎn)的數(shù)量為m，σ表示低級控制器負(fù)載的均衡度。低級控制器部署是一個多目標(biāo)優(yōu)化問題，目標(biāo)函數(shù)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(wǎng)絡(luò)具有無標(biāo)度網(wǎng)絡(luò)特性，醫(yī)療CPS分布符合冪律分布，即醫(yī)療CPS越密集，需要部署的低級控制器數(shù)量越多。HCD（HoneyCombDerivation）算法是在網(wǎng)絡(luò)拓?fù)渖线M(jìn)行蜂窩衍生。蜂窩衍生的方法是采用正六邊形的蜂窩網(wǎng)格作為衍生單位。網(wǎng)絡(luò)內(nèi)選擇一個醫(yī)療CPS節(jié)點(diǎn)，并以該節(jié)點(diǎn)為初始點(diǎn)，邊長為r的正六邊形作為初始蜂窩網(wǎng)格，以初始蜂窩網(wǎng)格為中心，向6個方向分別衍生6個蜂窩網(wǎng)格，直到所有的醫(yī)療CPS被蜂窩網(wǎng)格覆蓋。蜂窩網(wǎng)絡(luò)被廣泛采用源于一個數(shù)學(xué)結(jié)論，即以相同半徑的圓形覆蓋平面，當(dāng)圓心處于蜂窩網(wǎng)格的格點(diǎn)時所用圓的數(shù)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(shí)踐要求通常是合理的，但出于節(jié)約設(shè)備構(gòu)建成本的考慮，蜂窩網(wǎng)格是最好的選擇。蜂窩衍生完成后，記錄每個蜂窩網(wǎng)格內(nèi)醫(yī)療CPS的總數(shù)并將其記為該蜂窩網(wǎng)格的度數(shù)，再根據(jù)度數(shù)進(jìn)行優(yōu)化組合，形成醫(yī)療CPS聚類。每個醫(yī)療CPS聚類的中心網(wǎng)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(biāo)記、節(jié)點(diǎn)聚類和聚類優(yōu)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(chǔ)上進(jìn)行。低級控制器部署為高級控制器部署提供了基礎(chǔ)的網(wǎng)格分布圖，但CCD算法重新進(jìn)行網(wǎng)格度數(shù)計算，僅考慮低級控制器數(shù)量及其負(fù)載。假設(shè)蜂窩的度數(shù)表示為L＝｛l1，l2，…，ln}，如果一個蜂窩網(wǎng)格僅包含醫(yī)療CPS，則l1＝0，否則l1＝Γj＝∑Lj，Lj是低級控制器j所在聚類內(nèi)醫(yī)療CPS數(shù)量。σ是高級控制器負(fù)載的均衡度，σ＝1k∑kj＝1，Γaverage是高級控制器的平均負(fù)載，m是孤立節(jié)點(diǎn)的數(shù)量，τ是各高級控制器與其聚類內(nèi)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(biāo)函數(shù)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(jù)蜂窩距離來對低級控制器進(jìn)行聚類，由于低級控制器較醫(yī)療CPS數(shù)量少，位置更為分散，過多強(qiáng)調(diào)負(fù)載的優(yōu)化會導(dǎo)致平均通信時延的增加。因此，CCD算法在優(yōu)化平均通信時延的基礎(chǔ)上兼顧負(fù)載均衡。算法首先根據(jù)低級控制器的部署對蜂窩網(wǎng)格進(jìn)行重新標(biāo)記。如果蜂窩網(wǎng)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(wǎng)格作為初始中心網(wǎng)格，計算每個網(wǎng)格與k個中心網(wǎng)格的距離，并與距離最近的中心網(wǎng)格聚為一類。所有網(wǎng)格完成聚類后，計算每個聚類負(fù)載，將大于負(fù)載閾值的網(wǎng)格重新分配至與負(fù)載聚類中最近的聚類，直到所有聚類負(fù)載均小于負(fù)載閾值。各聚類中心點(diǎn)所在的網(wǎng)格部署高級控制器。

5仿真實(shí)驗(yàn)

5．1HCD算法仿真

實(shí)驗(yàn)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(fù)載和孤立節(jié)點(diǎn)數(shù)量3個指標(biāo)的優(yōu)化情況。假設(shè)實(shí)驗(yàn)拓?fù)涫且粋€由20個節(jié)點(diǎn)組成的BA網(wǎng)絡(luò)。采用Python工具進(jìn)行仿真，仿真結(jié)果如圖4和圖5所示。以k＝3為例，HCD算法將節(jié)點(diǎn)2，6，8，10，13聚為一類；節(jié)點(diǎn)1，3，4，5，7，9，11聚為一類；節(jié)點(diǎn)12，14，15，16，17，18，19，20聚為一類。K－means算法將節(jié)點(diǎn)1，2，3，4，5，6，7，8，9，10，13聚為一類；節(jié)點(diǎn)11為一類；節(jié)點(diǎn)12，14，15，16，17，18，19，20聚為一類。根據(jù)HCD算法的聚類結(jié)果，低級控制器分別部署在節(jié)點(diǎn)6，7，15。根據(jù)K－means算法的聚類結(jié)果，低級控制器分別部署在節(jié)點(diǎn)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(biāo)，結(jié)果顯示K－means算法作為經(jīng)典的聚類算法，局限于優(yōu)化平均通信時延和孤立節(jié)點(diǎn)兩個指標(biāo)，忽略了控制器負(fù)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(fù)載均衡，且通過聚類的優(yōu)化剔除了孤立通信節(jié)點(diǎn)。在低級控制器部署（k＝3）完成基礎(chǔ)上，均采用K－means算法對低級控制器進(jìn)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(biāo)對比情況，顯然HCD算法也間接優(yōu)化了高級控制器部署的指標(biāo)。

5．2CCD算法仿真

實(shí)驗(yàn)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(fù)載和孤立節(jié)點(diǎn)數(shù)量3個指標(biāo)的優(yōu)化情況。假設(shè)實(shí)驗(yàn)拓?fù)涫且粋€由20個節(jié)點(diǎn)組成的BA網(wǎng)絡(luò)，低級控制器數(shù)量k＝8，分別部署在HCD算法的聚類結(jié)果顯示，部署在節(jié)點(diǎn)5，6，8的低級控制器聚為一類，部署在節(jié)點(diǎn)11，12，14的低級控制器聚為一類，部署在節(jié)點(diǎn)15，16的低級控制器聚為一類。CCD算法的聚類結(jié)果顯示，部署在節(jié)點(diǎn)5，6，8的低級控制器聚為一類，部署在節(jié)點(diǎn)11，14的低級控制器聚為一類，部署在節(jié)點(diǎn)12，15，16的低級控制器聚為一類。K－means算法的聚類結(jié)果中，部署在節(jié)點(diǎn)5，6，8的低級控制器聚為一類，部署在節(jié)點(diǎn)11的低級控制器聚為一類，部署在節(jié)點(diǎn)12，14，15，16的低級控制器聚為一類。根據(jù)3種算法的聚類結(jié)果，高級控制器分別部署在節(jié)點(diǎn)2，9，17。CCD算法在聚類節(jié)點(diǎn)較少的情況下，較HCD算法和K－means算法在指標(biāo)的優(yōu)化上效果最好，具體指標(biāo)對比見表3。6結(jié)束語醫(yī)療CPS是醫(yī)院應(yīng)用的重要系統(tǒng)之一。但醫(yī)學(xué)學(xué)科的細(xì)化和知識庫的局限性，使醫(yī)療CPS應(yīng)對多并發(fā)癥疾病治療存在可靠性不足問題。文中提出了醫(yī)療CPS協(xié)作架構(gòu)設(shè)計，并考慮到生理數(shù)據(jù)的連續(xù)動態(tài)性和醫(yī)療CPS對決策及時性要求較高，設(shè)計了協(xié)作網(wǎng)絡(luò)的控制架構(gòu)，提出了HCD算法和CCD算法對網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行聚類以輔助兩級控制器的部署，從而提升協(xié)作效率。實(shí)驗(yàn)對比了HCD算法、CCD算法和K－means算法對目標(biāo)函數(shù)的優(yōu)化情況，結(jié)果表明HCD算法和CCD算法對兩級控制器的部署均優(yōu)于K－means算法。醫(yī)療CPS網(wǎng)絡(luò)化、協(xié)同化發(fā)展是大數(shù)據(jù)時代醫(yī)院信息化發(fā)展的趨勢，提高醫(yī)療決策可靠性也契合了國家精準(zhǔn)醫(yī)療戰(zhàn)略的需求。醫(yī)療CPS協(xié)作平臺設(shè)計和協(xié)作網(wǎng)絡(luò)控制策略優(yōu)化，為醫(yī)療CPS整合優(yōu)質(zhì)醫(yī)療資源，提升決策可靠性提供了實(shí)踐方案。異構(gòu)系統(tǒng)之間的協(xié)同問題與協(xié)作同步問題，將是后續(xù)的研究工作。

作者:劉麗 李仁發(fā) 單位:中南大學(xué)湘雅三醫(yī)院 湖南大學(xué)信息科學(xué)與工程學(xué)院