基于 SHM 技术和 ML 算法的医院  “新基建”探索与研究

摘要：医院是医疗体系中最重要的功能节点之一。随着 2020 年初新冠肺炎疫情的暴发，医疗卫生基础设施建设再次成为新基建中需要重点关注的一环。本文着眼于当下医院基础设施安全运行保障系统的不足，结合建筑结构健康监测（Structural HealthMonitoring，SHM）技术和机器学习（Machine Learning，ML）算法，探讨了多源数据一体化、智慧化监控平台的建设，以实现对医院基础设施进行状态监控、安全评价和预警、运行趋势预测等。文中探讨了基于 ML 算法的 SHM 应用于医院新基建的可行性，并提出一种基于 IoT 技术的智慧化监控平台搭设方案，为未来医院的智慧化信息监管平台建设提供了一条可行的解决办法。

关键词：医院监控系统；新基建；结构健康监测；机器学习算法；物联网技术

 

Abstract: Hospital serves as one of the most important nodes of the medical system.The medical system infrastructure construction has been drawing increasing attention since the COVID-19 outbreak in 2020. This study focused on the short board of the support system for the hospital infrastructure safety operation, discussed the hospital infrastructure multi-dimensional data monitoring platform based on SHM (Structure Health Monitoring)technology and ML (Machine Learning) algorithm, aiming to realize the conditionmonitoring, safety evaluation and behavior prediction of hospital infrastructures. Thefeasibility of the utilization of SHM technology and ML algorithm in the hospital "NewInfrastructure Construction" was discussed. A framework for intelligentized monitoringsystem based on IoT technology was proposed, serving as a feasible way to the futurehospital monitoring information platform construction.

Keywords: Hospital monitoring system; New infrastructure construction; Structurehealth monitoring; Machine learning algorithm; IoT technology

医院是医疗体系中最重要的功能节点之一。近年来，随着城市化进程的不断推进，各级医疗机构面临日趋加重的运营压力，加之建筑结构服役年龄的不断增长，以及设计、施工、改造、周边环境等诸多因素影响，医院院区建筑结构功能失效或功能故障导致的事故逐年增加。2014 年 8 月，山西省人民医院门诊楼发生侧塌，造成一定程度的人员恐慌，所幸楼体倒塌历时较长，并未造成人员伤亡；2020 年 11 月，安徽省宿州市立医院新区一处在建两栋楼之间的连廊发生坍塌，造成 3 名工人轻伤；2021 年 7 月，锦州医科大学附属第一医院住院部某病房墙体突然坍塌，将正在住院的病人砸伤。

国外同样存在医院基础设施结构性事故的影响，2021 年 3 月，因屋顶老化随时可能坍塌，英国诺福克郡的伊丽莎白女王医院重症监护室内所有人员被紧急撤离，监护室关闭 3 周，资料显示，这栋建筑最初设计的寿命是 25 年，但它至今已有 40 多年的历史。
 

医院是集患者、易感人群、陪同家属和医护人员一起的特殊场所，门诊量大、人员流动性强、功能分区多，管理复杂，能耗高，是医院有别于其他普通公建的鲜明特征之一。医院是较为特殊的功能性场所，保证医院基础设施安全、稳定、顺畅运行，是医院能够面对各种紧急事故并发挥作用的前提。按照 2019 年底的中央经济工作会议关于“基础设施短板”的提法，“新基建”除了包括 5G 基站、特高压、城际高速铁路以及城际轨道交通、充电桩、大数据中心、人工智能、工业互联网等七大领域以外，还包括城市的地下管廊系统建设、医疗卫生设施、养老设施等 [1]。随着 2020 年初新冠肺炎疫情的暴发，医疗卫生基础设施建设再次成为新基建 [2] 中需要重点关注的一环。
 

本文着眼于当下医院基础设施安全运行保障系统的不足，结合建筑结构健康监测（Structural Health Monitoring，SHM）技术和机器学习（Machine Learning，ML）算法，提出一种医院基础设施智慧化监控平台建设方案，用以对医院基础设施运行状态进行监控、安全评价和预警，将安全风险和隐患以可视化形式呈递相关负责人员，旨在提高医院建筑结构物的基础设施服务水平，杜绝可能发生的人身财产安全事故。

2  技术简介
 

SHM（Structural Health Monitoring）技术 [3] 是指通过对某系统（通常为具体工程结构）定期的运行响应数据进行采集，监控该系统材料、几何状态等信息的变化行为，从而实现对系统运行状态的观察和分析。从长期监控角度，SHM技术目标是评估结构物考虑各种因素影响而出现的，不可避免的老化和退化行为后，依然能够发挥其应用功能的可靠性和能力；对于地震、恐怖袭击等极端事件，SHM 技术则能够在事件发生后，快速反馈结构安全性、完整性和可靠性数据，以供相关人员进行部署决策。
 

SHM 技术的具体实施过程包括激发方法选择、传感器选择、传感器数量及布设位置确定、数据采集 / 存储 / 传输硬件系统架设。典型的 SHM 系统信息处理架构如图 1 所示。
 

▲图 1 典型的 SHM 系统信息处理架构
 

数据采集层具体的量测方式有两种形式：第一种为直接监测结构物的损伤破坏情况；第二种为间接监测，亦即通过测量结构物的变形、应变等响应指标，基于理论模型处理反馈结构物的运行性状。SHM 系统的关键单元一般包括：

·结构物；

·传感器；

·数据采集系统；

·数据传输和存储系统；

·数据管理；

·数据分析和诊断（包括系统识别、结构模型改进、结构状态评估、运营寿命预测等）。

具体监测效应量的选择将对 SHM 系统的输出产生显著影响，应视不同的系统形式和系统理论模型合理选择。对于医院基础设施 SHM 系统建设，除应考虑医院建筑 & 构筑物结构可靠性之外，还须考虑建筑物的给排水系统、通风系统、采暖系统以及采光系统，将以上各个系统纳入一体化 SHM 系统进行管理、状态监控和安全评价后，才能保证医院基础设施的稳定性和有效性，为医疗体系管理者、医生和就医人员提供舒适、安全且节能高效的活动环境。

ML（Machine Learning）算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA 序列测序、语音和手写识别、战略游戏和机器人等领域。机器学习算法大致可以分为三类：监督学习算法（Supervised Algorithms）、无 监 督 学 习 算 法（Unsupervised Algorithms）、 强 化 学 习 算 法（ReinforcementAlgorithms）。基本的机器学习算法包括 [4]：

·Adaboost 算法

·神经网络算法（Neural Networks）

·马尔科夫链算法（Markov Chain，MC）

·支持向量机算法（Support Vector Machine，SVM）

·K- 近邻算法（K-Nearest Neighbors，KNN）

·逻辑回归算法（Logistic Regression）

·决策树算法（Decision Tree）

·K- 平均算法（K-Means）

·随机森林算法（Random Forest）

·朴素贝叶斯算法（Naive Bayes）

传统的 SHM 系统用模型多停留在数据处理和数据可视化层面，后续的结构状态判断、未来走势预测与相应决策行为分析等工作，大多依赖于有经验的专业人员加以管理和判断，且对于某些子系统运行状态的优化等工作，常常依赖于专业管理人员本身的主观认知和能力，因此难以达到最优状态。对于部分采用理论模型进行状态判断和损伤识别的 SHM 系统，其实现手段也主要依赖基于模型（Model-Based）的算法，具体实施思路之一便是基于监测数据，结合数值模型进行反演分析，该类算法受限于数值模型建模参数的准确性和有限的因素覆盖能力，因此难以有效处理复杂的实际工程问题。
 

ML 算法则为系统产出更好的决策方案提供了可能性 [5]。其本质变化为从先前的基于模型（Model-Based）的算法数据驱动（Data-Driven）算法，或二者结合的算法，实现的核心在于能够尽量最大化地利用既有监测数据，最大化地从数据中提取有用信息，用以实现系统运行状态的判断和未来走势的预测。国内已有部分学者开始研究 ML 算法应用于各种不同类型工程结构的健康监测系统中 [6-8]，传统的 SHM 终端模型大都没有充分利用历史数据进行建模，对数据的利用率较为有限，且在多数情况下，难以处理多因素作用下的系统响应判别问题，将 ML算法集成在模型中后，能够提高监测数据利用率，且能够实现多因素影响模型的建模分析，因此可以更好地实现医院基础设施各个子系统的状态识别、预测和运营优化。

 

3  监控项目
 

监测数据是支撑后续模型建立和决策产出的基础，对医院这一特殊功能类别结构物，须关注的数据包括但不限于结构自身响应数据、送排风系统数据、给排水系统数据和温度数据。
 

医院院区建筑结构本身的可靠性，是医院正常发挥医疗功能的基础。偶然发生的地震、洪灾、泥石流，以及极端天气等灾害可能会对结构安全造成严重影响，如遇此类自然灾害，院区管理人员须对受影响的结构物运行性态做出快速的判别，以避免结构障碍或破坏导致的人身安全事故，同时最大化输出医疗功能；长期动、静荷载作用下，医院结构物的各个构件以及材料均会发生一定程度的老化、疲劳损伤和功能退化，这些服役构件是否能够持续保证结构物的整体可靠性，有待通过测量数据进行量化评估；运营期的结构物功能化改造，新进大型医疗设备安装，以及机房泵体引发的振动等均会影响结构物自振特性，一方面，自振特性改变影响某些医疗设备（如 CT 扫描设备等）的正常使用，另一方面，这些设备作为激励源 [9] 引发的振动可能会影响楼内人员的工作、医疗体验，甚至影响结构安全。为识别院区结构物本身的运行状态，可选的结构效应量包括加速度、变形（水平变形、竖向沉降、倾角等）、应变等，以上效应量的识别可采用对应的加速度传感器、变形传感器以及应变传感器实现，传感器类型包括电信号传感、磁信号传感以及光信号传感等，具体类型的选择可根据具体工程特点针对性分析。加速度传感器一般布置于偏高层部位关键结构梁、板、柱体的跨中位置，对于某些大型医疗设备室，设备振动效应较为显著的结构板位置也是加速度传感器重点布置区域；水平变形、竖向沉降及倾角传感器一般布置于结构外墙墙角位置，且水平变形传感器应采用双向正交布置，以捕捉楼体各个方向的变形响应；应变传感器可布置于关键构件的跨中位置。
 

各传感器宜采用相同的信号属性，以便使用统一的数据采集单元和传输单元进行数据的一体化采集传输，数据采集频率宜采用弹性制，正常运行状态下数据采集量应不低于 1 次 / 日，如遇突发事件、突发极端天气以及其他自然灾害影响，应相应提高数据采集频率。
 

医院建筑结构物属于特殊功能结构物，由于其日常运营状态下，须接待大量病患，极易造成细菌及病毒的聚集滋生。结构物内不同的功能单元，比如大厅、诊疗室、病房等对送排风系统的作业要求也完全不同。对于有负压要求的病区，应按照清洁区、半污染区、污染区划分区域，并针对性设计送排风系统，避免交叉感染事故。污染区与半污染区、半污染区与清洁区之间的过渡区也应该严格控制压力梯度，使得气流由清洁区流向半污染区，再流向污染区，不能出现反向气流。为监控送排风系统是否处于设计工作状态，可监控的效应量包括风压、风速、风量、湿度等，传感器应设置在排风管道末段，但不宜紧邻出口位置，以免出现测量数据离散性过大的问题。传感器的选型和数据一体化采集设计同主体结构传感器设计思想类似，同样地，可根据不同工况针对性设置采集频率。以某负压病房结构为例 [10]，其传感器设置如图 2 所示，其中风量数据可由风速传感器数据计算得出。

给排水系统是保障医院稳定运营的重要建筑组成部分。医院建筑结构物各划区功能复杂，专业性强，由于给排水点位众多且分散，不同功能房间对给水水质要求不同，排水水质也各不相同，这使得医院给排水系统设计结构较为复杂，因此应格外注意对给排水系统的运行状态监控，以保证各功能性用水的差异性和独立性，避免水质水量问题导致医疗事故和二次传染事故。

可监控的效应量包括水压、水量、水温等，传感器布置位置应根据具体监控需求和主管、支管布设难度综合考虑，部分对水质敏感、要求较高的位置，如供应室、手术室等，则可考虑安装水质监测传感器。数据采集频率可参考送排风系统。

医院结构物功能区划较为复杂，各个功能区对于温度及湿度的要求标准不尽相同，如婴儿室、手术室及产房等部位的温度要稍高于其他位置。严格的温湿度控制系统能够使医生和患者拥有更舒适的诊疗体验，也是某些样本、试剂存放和科研实验实施的必要条件。
 

温度、湿度的监控可通过温度、湿度传感器实现，在手术室、实验室等温度要求较高的位置，可加密温湿度传感器的布置。数据采集频率同样可根据不同位置的不同作业周期做针对性调整和设计。

IoT（物联网）技术的兴起，对于结构健康监测系统的发展起到了强心剂的作用，随着技术进步和制造管理水平提高，各类传感器成本已有较为大幅的下降，同时，集成无线传输模块的传感器的生产和使用，使得传感器布设摆脱了布线走线的影响，极大拓宽了数据采集范围，使得大数量、多源化数据采集传输成为可能。传统的结构健康监控系统，一大弊病在于多源测量效应量之间数据采集硬件系统、数据格式、传输形式等存在壁垒，现有的基于 IoT 框架的 SHM 系统，则可实现多源数据的统一采集、传输和存储、管理，在源头层面打通了数据之间的壁垒，因而能够支持多源模型的建模开发，以及各种机器学习算法的应用。典型的一体化监管平台结构框架如图 3 所示。

 

 

一体化监管平台由传感器层、数据采集层、云端计算层和客户端层组成，传感器层主要由各种不同的传感器组成；数据采集层则包括数据采集仪、能源系统和数据传输单元，负责从传感器采集数据，并将数据传输至云端；云端计算层则实现数据的存储、管理，并借助 ML 算法模型进行分析，用以完成状态识别、走势预测、优化等功能应用需求；客户端层则负责状态数据和输出结果的可视化、可达化，将信息流反馈至相应负责人员进行决策和处理。

ML 算法的实现主要在云端计算层。以往基于模型的算法受限于数值模型的计算时长和考虑因素情况，难以对建筑结构物给出快速实时的状态评估和损伤识别，也难以实现对多因素影响下结构物的运行性态进行趋势预测。基于监测数据驱动的 ML 算法则可实现性态快速识别、多因素拟合和趋势预测。
 

以建筑结构物地震损伤评定为例，Maria 等 [11] 基于神经网络算法（NeuralNetworks Algorithm），对某五层建筑结构物进行建模，分别采用两个神经网络模型，描述正常运营状态以及地震破坏后的结构物自振特性（振动模态、自振频率）同结构质量、刚度矩阵的关系，从而对结构物损伤状态进行评定。
 

对于医院结构物的 SHM 系统监测数据，则可根据上面所述监测项目进行模块划分，分为结构模块、送排风模块、给排水模块及室内环境模块，对每个模块分别采用数据驱动的 ML 模型进行建模分析，监测数据的不断积累将逐步优化各模块模型参数，旨在更好地协助相关管理人员把握各基础设施系统的运行状态、识别问题并实时合理决策。期望可解决的问题视具体项目需求而定，包括但不限于：

·医院建筑结构物损伤实时识别

·医院建筑结构物灾后性态评价

·医院建筑结构基础设施状态监控及预警

·医院建筑结构基础设施运营状态优化

·医院建筑结构节能减排方案优化

5  结论
 

本文对现有 SHM 技术的现状应用做简单介绍，分析了基于 ML 算法的 SHM系统相较于传统 SHM 系统的优势，并结合医院建筑结构物这一特殊结构物的具体应用需求，探讨了基于 ML 算法的 SHM 应用于医院新基建的可行性，并提出一种基于 IoT 技术的智慧化监控平台搭设方案，为未来医院的智慧化信息监管平台建设提供了一种可行的解决办法。

[1] 付兵涛 .“新基建”升温背后的逻辑与机遇 [N]. 2020-03-23.

[2] 庞玉成，李宝山，曹高芳，等 .“新基建”背景下我国医院基础设施建设发展及对策 [J].建筑经济，2020，41(10): 24-29.

[3] 谢强，薛松涛 . 土木工程结构健康监测的研究状况与进展 [J]. 中国科学基金，2001，15 (5): 285-288.

[4] 周昀锴 . 机器学习及其相关算法简介 [J]. 科技传播，2019，11(6): 153-154，165.

[5] MALEKLOO A, OZER E, ALHAMAYDEH M, et al. Machine learning and structural healthmonitoring overview with emerging technology and high-dimensional data source highlights[J]. Structural Health Monitoring, 2021: 14759217211036880.

[6] 高东岳 . 基于机器学习方法的超声导波结构健康监测研究 [J]. 纤维复合材料，2020，37(3):3-8.

[7] 孙利民，尚志强，夏烨 . 大数据背景下的桥梁结构健康监测研究现状与展望 [J]. 中国公路学报，2019，32(11): 1-20.

[8] 鲍跃全，陈智成，魏世银，等 . 结构健康监测数据科学与工程研究进展 [J]. Engineering，2019，5(02): 234-242，261-270.

[9] 徐晨曦，张华栋，杨彪 . CT 扫描室楼板动力特性测试及分析 [J]. 施工技术，2015，(S2):581-583.

[10] 张年洋 . 某负压病房气流组织模拟 [J]. 中国医院建筑与装备，2021，22(7): 37-39.

[11]GONZáLEZ M P，ZAPICO J L. Seismic damage identification in buildings using neuralnetworks and modal data [J]. Computers & Structures，2008，86(3-5): 416-426.