8. HAHMONTUNNISTUS
8.1 Matemaattisesta hahmontunnistuksesta
Kehittynyt matemaattinen hahmontunnistussysteemi ei vaadi käyttäjältä valmiita luokittelukriteerejä, vaan laatii ne itse saamansa opetusaineiston perusteella. Oppiminen on ohjattua, mikäli hahmonäytteet on valmiiksi luokiteltu.
Ns. itseoppiva systeemi joutuu ensimmäiseksi ryhmittele—
mään aineiston.
Kukin tunnettu tai tunnistettava hahmo voidaan ajatella R- dimensioisen hahmoa va r uuden pisteeksi, jonka koordinaattei
na ovat hahmoa kuvaavat mittausarvot, esimerkiksi R peräk
käistä aikasarjan alkiota /4/. Jos mukana on erilaatuisia muuttujia, koordinaatit täytyy normeerata esimerkiksi jaka
malla muuttujien alkuperäiset arvot hahmonäytteiden yli lasketulla keskihajonnalla. Piirteitä valittaessa suorite
taan oleellisesti koordinaatistomuunnos ja jätetään sitten osa koordinaateista pois, jolloin päädytään N-dimensioiseen (N<R) piirreavaruuteen. Muunnetussa opetusaineistossa luok
kien välisten erojen tulisi korostua ja luokkien sisäisen hajonnan pienentyä niiden akseleiden suunnassa, jotka ote
taan piirreavaruuden kannaksi. Luokittelualgoritmin tehtävä on jakaa piirreavaruus osiin siten, että uusi hahmonäyte voidaan yksikäsitteisesti sijoittaa johonkin K:sta luokasta
(kuva 28).
X.
Kuva 28. Piirreavaruuden ositus /4/. Piirteiden määrä N = 2, luokkien määrä K = 3. Kukin neliö tai ympyrä vastaa yhtä oppimisaineiston hahmonäytettä.
Tunnetuimpia piirteiden valintaan käytetyistä koordinaatti- muunnoksista on Karhunen - Loève-muunnos /4/. Se hakee kierretyn koordinaatiston, jossa oppimisaineiston R-dimen- sioiset vektorit voidaan esittää N:llä koordinaatilla si
ten, että virheiden neliösumma minimoituu. Hahmonäytteen koordinaatteja tässä kannassa nimitetään pääkomponenteiksi (principal components). Piirteiden valintaan käytettyjä rotaatiomuunnoksia ovat myös Fourier- ja Walsh-muunnokset, joiden etuna ovat nopeat laskenta-algoritmit. Yleensä
sopi-va epälineaarinen muunnos parantaisi luokkien erottuvuutta paremmin kuin lineaariset muunnokset, mutta epälineaariset operaatiot ovat laskennallisesti raskaita.
Piirteet, jotka kuvaavat alkuperäisiä hahmoja mahdollisim
man uskollisesti, eivät aina ole luokittelun kannalta par
haita. Sitä paitsi alkuperäisiä mittaussuureitä tai intui
tiivisesti valittuja parametreja halutaan usein karsia ilman, että niitä sekoitetaan koordinaattimuunnoksin keske
nään. Valintaa varten on kehitetty erilaisia informaatio- mittoja, joilla kuvataan tiettyyn piirrekombinaatioon liit
tyvää väärän luokituksen riskiä /25/.
Hahmojen luokittelusäännöt muodostetaan esimerkiksi hake
malla yhtälöt niille piirreavaruuden pinnoille, jotka erot
tavat opetusaineiston luokat parhaiten toisistaan. Kuvassa 29 erottava pinta on oletettu suoraksi. SWDA-aIgoritmi (Stepwise Discriminant Analysis) on ollut suosittu lääke
tieteellisissä hahmontunnistussovellutuksissa, koska se sisältyy laajalle levinneeseen aiiohjelmapakettiin /8/.
Algoritmi valitsee mukaan otettavat piirteet yksitellen ja päivittää sitä mukaa luokkien rajapintoja kuvaavien diskriminanttifunktioiden kertoimia.
Kuva 29. Sydänleikkauksen aikana mitattujen "normaalien"
(+) ja "epänormaalien" (-) EEG-jaksojen jakauma sekä esti
moitu erotussuora. Jaksoja on luonnehdittu kahdella signaa
lin ja sen derivaattojen jakaumasta johdetulla suureella:
MOB = mobility, COM = complexity. /76/
Pienimmän etäisyyden luokittelumenetelmässä piirreavaruuden piste sijoitetaan siihen luokkaan, jonka keskipiste on lähimpänä, lähinaapurimenetelmässä taas luokkaan, johon kuuluu enemmistö lähimmistä opetusaineiston pisteistä.
Mikäli kuhunkin luokkaan S¿ kuuluvien piirrevektorien x
ehdolliset todennäköisyysjakaumat p(x|) tunnetaan tai voidaan estimoida laajahkosta opetusaineistosta, voidaan soveltaa Bayesin luokittelusääntöä /4/. Tunnistettava piir- revektori liitetään tällöin siihen luokkaan, joka antaa pienimmän hukkafunktion
Ц x i S k ) = EC(Sk IS J ) р(эс IS i ) p(S j ) , (45) i— 1
missä K on luokkien määrä, p(SjJ luokan yleinen esiinty
mistodennäköisyys ja CMSklSjJ se menetys, joka aiheutuu luokkaan kuuluvan hahmon sijoittamisesta väärään luok
kaan Sfc. Kaikkia edellä kuvattuja ns. päätösteoreettisia luokittelumenetelmiä on käytetty fysiologisten signaalien - lähinnä EEG: n ja EKG : n - tutkimuksessa /26,65,76/.
Syntaktiset hahmontunnistusmenetelmät /25/ muistuttavat inhimillistä hahmontunnistusprosessia läheisemmin kuin päätösteoreettiset menetelmät, mutta ovat myös voimakkaam
min sidoksissa alkuperäisiin sovellutuskohteisiinsa. Hahmo
jen ajatellaan muodostuvan alkeellisista perushahmoista hahmokieliopin sääntöjen mukaisesti. Aikasarjojen perushah- moja ovat esimerkiksi tietynmuotoiset huiput ja reunat.
Luokittelu perustuu hahmojen rakenneanalyysiin. Menetelmiä on sovellettu ainakin EEG: n, EKG: n ja verenpainepulssien analysointiin /16,25,26/.
Luokittelematon opetusaineisto vaatii algoritmin, joka etsii aineistosta ns. klustereita eli toisiaan muistuttavi
en hahmonäytteiden ryppäitä /4/. Jos klustereita löytyy, näytteitä voidaan tämän jälkeen käsitellä kuten luokiteltua aineistoa. Luonnostaan erottuvien luokkien hakeminen ja niiden merkitysten pohtiminen saattaa olla hedelmällistä tutkimustyötä, mutta kliinisissä käytännön sovellutuksissa luokkien tulisi olla valmiiksi määriteltyjä.
8.2 Hahmontunnistus anestesiassa ja tehohoidossa
Tehohoidon ja anestesian potilasvalvonnasta voidaan löytää ne 1 j än tyyppi s iä kohteita automaa tt is il le hahmon tunn is tusme- netelmi1le :
1. Artefaktat
2. Potilaasta tulevat reaaliaikaiset käyränmuodot (sykli
set signaalit sekä ja EEG- ja EMG-jaksot) 3. Trendihahmot
4. Kokonaistilanne usean suureen ilmaisemana.
Osa nykyisistä poti lasmonitoreis ta pystyy havaitsemaan mit- tapään irtoamisen ja antamaan siitä erillisen hälytyksen.
Esimerkiksi potilaan liikkeiden aiheuttamat vääristymät, joiden tunnistaminen on monimutkaisempaa, jäävät edelleen henkilökunnan huoleksi. Mikäli artef akteista löydetään tunnusomaisia piirteitä, voitaisiin merkitä häiriöiset kohdat automaattisesti ja estää niiden mahdollinen jatko- prosessointi.
Syklisen signaalin muodon tunnistaminen, kuten EKG : n rytmi
tä iriöanalyy si tai epänormaalien verenpainepulssien detek- tointi , on tyypillinen potilasvalvonnan hahmontunnistus teh
tävä . Kapnogrämmin automaattisesta tulkinnasta, jota ei ilmeisesti ole vielä tutkittu, voisi olla hyötyä leikkauk
sen aikana (kuva 30) . Arytmiaohjelmistot perustuvat pää
asiassa asiantuntijoiden antamiin deterministisiin sääntöi
hin eivätkä niinkään tilastoaineiston analysoimiseen /42/.
Anestesian aikaiseen EEG-moniterointiin on jonkin verran sovellettu tilastollisia hahmon tunnistusmenetelmiä : tavoit
teena on ollut mm. anestesiasyvyyden määritys /26,65/ ja epänormaalin EEG-aktiviteetin havaitseminen sydänleikkauk
sen aikana /76/.
Kuva 30. Esimerkkejä eri tilanteiden näkymisestä kapnogram- missa (kaavakuva, huom. vaaka-akselin skaala vaihtelee) /73/. a) Normaali avustettu hengitys, b) sydänpysähdys, c) ilmatien tukos, d) takaisinhengitys.
Trendihahmojen automaattinen luokittelu vaikuttaisi mielek
käältä, jos voitaisiin sanoa, että esimerkiksi lämpötilan trendikäyrä1lä voi anestesian aikana olla normaali tai epä
normaali muoto. Jotta hahmon tunnistusmenetelmiä kannattaisi soveltaa trendikäyriin, käyrien tulkintaa täytyisi syventää ja systematisoida.
Useasta eri mittaussuureesta muodostuvia hahmoja olisi var
masti hyödyllistä analysoida automaattisesti, koska monen suureen yhtaikainen hallinta tuottaa ihmiselle vaikeuksia.
Tosin juuri tästä syystä päättelysääntöjen muotoilu tai luokitellun tilastomateriaalin kerääminen on melko han
kalaa, vaikka tutkittava hahmo sisältäisi vain hetkellisen tilanteen.
Tilastollisiin todennäköisyyksiin pohjautuvia metodeja käytetään paljon tietokoneavusteisessa diagnostiikassa /47/, mutta anestesian ja tehohoidon potilasvalvonnassa opetusaineistoa vaativat menetelmät tuskin yleistyvät.
Tilastoaineiston kerääminen ei ole mitenkään suoraviivais
ta, etsittyjä epänormaaleja tapauksia esiintyy suhteellisen harvoin, ja eri potilailta määritetyt hahmot on saatettava yhteismitallisiksi. Tosin jos opetusaineisto on kattava ja onnistunut, hahmontunnistussysteemi voi jatkossa käyttää kiinteitä luokittelusääntöjä. Tilastollisista hahmontun- nistusmenetelmistä koitunee kuitenkin suurin hyöty tutki
muskäytössä, kun etsitään potilaan fysiologista tilaa par
haiten kuvaavia mittaussuureitä ja johdettuja parametreja.
Rutiininomaisessa käytössä lisääntynevät lähinnä yksinker
taiset, kokemusperäisiin sääntöihin nojautuvat menetelmät.
Automaattisen hahmontunnistuksen edellytyksenä on aina eri
laisten kliinisesti merkityksellisten tilojen määrittely ja käsitys siitä, miten mittaustieto kuvastaa näitä tiloja.
Jollei ihminen pysty näkemään potilaan tilaa suoraan tut
kittavasta informaatiosta, on ainakin tunnettava joukko mittaustuloksia, joihin liittynyt tilanne - esimerkiksi anestesian syvyys tai happivajaus - tiedetään muulla perus
teella. Kliinisten tilojen ja mittaustiedon yhteyksissä on vielä paljon selvittämistä, ennen kuin automaattisia hahmontunnistusmenetelmiä päästään yleisesti soveltamaan potilasvaivontaan.
9. MONIMUUTTUJAISEN MITTAUSTIEDON HALLINTA
Kun valvontatiedon määrä kasvaa, potilaan tilasta saatava kokonaiskuva on vaarassa hämärtyä. Tietojen oikea ryhmitte
ly ja havainnollistaminen tulee yhä tärkeämmäksi, ja tieto
järjestelmän on jollain tavalla seurattava niitäkin suurei
ta, jotka eivät parhaillaan näy käyttäjälle. Laskennalli
sista suureista ja moni muuttuja-analyysin menetelmistä voi olla apua mittausparametrien hallinnassa. Perinteinen ohjelmointitekniikka ja tulevaisuudessa myös tekoäly tar
joavat mahdollisuuksia mm. kvantitatiivisen ja kvalitatii
visen informaation yhdistelemiseen sekä päätelmien tekoon.
Reaaliaikaisessa potilasvalvonnassa ollaan kiinnostuneita potilaan tilan akuuteista muutoksista ja uhkaavista krii
seistä. Halutaan tietää, mitä mittaussuureitä olisi syytä tarkastella ja vaatiiko tilanne välittömiä toimenpiteitä.
Kehittyneessä valvontasysteemissä hälytysten käsittely voisi koostua seuraavista tehtävistä :
MITTAUSTIEDON LAADUNTARKKAILU
järjestelmän on tunnistettava katkos mittaussysteemissä (esim. irronnut letku tai elektrodi)
artefaktat on jätettävä huomiotta
huomautettava huonolaatuisesta mittaustiedosta
YHDEN MUUTTUJAN HÄLYTYKSET
rajanylitykset ja ennakoivat hälytykset
ennakoivat hälytykset voivat perustua mm. luvussa 6 esitettyihin menetelmiin
USEAN MUUTTUJAN HÄLYTYKSET
otetaan huomioon useiden mittausparametrien arvot esimerkiksi tietty mittaustulosten kombinaatio tai usean suureen lievä huononeminen aiheuttaa hälytyksen
HÄLYTYSJÄRJESTELMÄN ULOSTULO
hälytyksen asteet esimerkiksi kriittinen, toimenpiteitä vaativa, varoitus ja huomautus
- samanaikaisten hälytysten priorisointi
valomerkkiä pidetään yleensä parempana kuin äänimerkkiä
hälytyksen syy on aina selvitettävä (esimerkiksi näy
tettävä hälytyksen aiheuttaneiden suureiden trendikäy- rät) .
Mittaustuloksia tarkastellaan myös arvioitaessa hoitovas
tetta sekä laadittaessa prognoosia ja hoitosuunnitelmia.
Kierroksella tai kansliassa oleva lääkäri ei niinkään ajat- tele akuutteja tilanteita ja potilaan tilan suhteellisia muutoksia kuin pitkän aikavälin kehitystä ja suureiden absoluuttisia arvoja. Hitaastikin muuttuvilla ja harvoin määritettävillä suureilla on tällöin merkitystä.
Anestesiassa valvontasuureiden hallinta ei ole niin kriit
tinen kysymys kuin tehohoidossa, koska tietoa kertyy har
vemmista suureista ja korkeintaan muutamien tuntien ajalta ja potilaan luona on koko ajan useita henkilöitä. Automaat
tisia hälytyksiä kuitenkin tarvitaan, jotta odottamatto
mat käänteet eivät jäisi huomaamatta. Anestesian aikana fysiologiset muutokset tapahtuvat nopeasti ja poikkeamat normaalista pyritään myös välittömästi korjaamaan. Tehohoi- topotilaiden elintoiminnoissa on puolestaan aina jotain vikaa, joten valvontasuureen arvo voi pysyä huonona kauan
kin aikaa. Tästä seuraa mm., ettei tunnetusta oireesta pidä hälyttää jatkuvasti.
9.1 Potilaan tilaa kuvaavat indeksit
Tehohoitoa varten on kehitetty erilaisia prognostisia in
deksejä, jotka kuvaavat sairauden vakavuutta ja potilaan selviytymismahdol 1 i suuksi aan. TISS-indeksi (Therapeutic Intervention Scoring System) /50/ pohjautuu hoitotoimen
piteiden määrään ja raskauteen, APS-j är j es te 1 mä (Acute Physiology Score) /90/ taas vaivontasuureiden arvoihin, havaintoihin ja diagnooseihin. Ottamalla APS - indeks iin mukaan vain automaattisesti mitattavat kvantitatiiviset suureet voitaisiin ehkä luoda reaaliaikainen va1vontain- deksi, joka ilmoittaisi karkeasti potilaan tilan. Tällöin muuttujille annettaisiin 0-4 pistettä sen mukaan, miten normaalilla tai epänormaalilla alueella niiden arvot si
jaitsevat ja pisteet laskettaisiin painotettuina yhteen.
Yksinkertaisia tunnuslukuja voidaan koota, paitsi muuttu
jien absoluuttisista arvoista, myös arvojen muutoksista, suhteellisista muutoksista, etäisyyksistä ihannearvoon tai kriittisen alueen rajaan jne. Jos esimerkiksi kohdassa 6.1 esitetty PCF-tekijä määritettäisiin useille eri sig
naaleille, näiden lukujen yhdistelmä kuvaisi potilaan tilan keskimääräistä muutossuuntaa. Mukaan otettavien suureiden
tulee periaatteessa olla kliinisesti riippumattomia, toi
sin sanoen ne eivät saisi sisältää päällekkäistä informaa
tiota. APS-indeksissä käytetty pisteytys on yksi tapa hä
vittää suureiden yksikköerot. Muuttujat voidaan myös nor- meerata vaikkapa hajontansa tai normaalialueensa leveyden suhteen.
Suureille löydetään sopivat painokertoimet lähinnä intui
tiivisesti ja kokemuksen perusteella. Indeksin laskukaava on parasta pitää mahdollisimman yksinkertaisena, ellei monimutkaisemmalle rakenteelle ole lääketieteellisiä tai tilastomatemaattisia perusteita. Jos indeksi muodostetaan erotuksista, eri muuttujien kontribuutiot voidaan laskea yhteen myös neliöityinä, jolloin tunnusluku vastaa kahden pisteen geometristä etäisyyttä. Yleisindeksi ei korvaa yhden muuttujan hälytyksiä, sillä muiden suureiden parantu
minen voi kompensoida jonkin suureen kielteisen kehityksen.
Sen sijaan usean suureen pieni yhtaikainen muutos huonom
paan tai parempaan päin näkyy tunnusluvusta hyvin.
Tehohoidossa saattaisi olla tarvetta kahdesta erityyppises
tä indeksistä. "Reaaliaikainen" indeksi sisältäisi keskei
simpien vaivontasuureiden lyhytaikaisen vaihtelun. Harvem
min päivitettävä indeksi olisi luonteeltaan enemmän prog- nostinen ja lääketieteellinen ja jakautuisi eri elinjär
jestelmiä kuvaaviin osiin. Siinä voitaisiin esimerkiksi ottaa huomioon vain ne suureet, joiden arvot poikkeavat jatkuvasti normaalista.
9.2 Automaattinen hahmontunnistus monesta signaalista
Edellisessä kohdassa kuvattujen yksinkertaisten indeksien laskeminen ja tulkinta on jo eräänlaista hahmontunnistusta.
Seuraavassa tarkastellaan jonkin verran monimutkaisempia menetelmiä, joilla voidaan matemaattisesti johtaa esimer
kiksi hälytystä koskeva päätös monimuuttujäisestä mittaus- tiedosta .
Binääristä moniva1vontamenetelmää /77/ on sovellettu pro
ses s iva lvonnas sa hälytysten muodostamiseen. Menetelmässä kuvataan prosessin tilaa mittausarvojen muodostamalla vek
torilla. Tila-avaruuden akselit on jaettu osiin, joita vastaavat binäärimuuttujat saavat arvon 1, kun mittaussuu- reen arvo osuu kyseiselle välille. Kuvassa 31 tilamuuttujat ovat lämmityskattilan pinnankorkeus, lämpötila ja lämmitii
nne n käyttö (ei lämmitystä/lämmitin päällä). Hälytysehdot määritellään binäärimuuttujien loogisina kombinaatioina.
Kuvan järjestelmässä annetaan kriittisin hälytys A^, jos
täyttä, kuumaa kattilaa edelleen lämmitetään: IF b2 AND b4 AND b5.
Temperature
b-а *1 brd
b 4 * 1
Level
Kuva 31. Prosessin valvonta binäärimuuttujien avulla /77/.
Binäärinen menetelmä käy kankeaksi , jos mittaussuureitä ja erilaisia hälytyksiä on paljon. Menetelmä ei sinänsä ota huomioon systeemin dynamiikkaa, mutta tilamuuttujien jouk
koon voidaan tietenkin lisätä signaalien muutosnopeuksia.
Kohdassa 6.4 kuvattu PAWS-monitori, joka tarkkailee kahta fysiologista suuretta ja niiden trendejä, toimii oleelli
sesti binäärisen monivalvonnan periaatteella.
Ajatusta moniulotteisesta vektoriavaruudesta voidaan kehi
tellä eteenpäin esimerkiksi siten, että mittaussuureiden normaalialueena saa olla minkämuotoinen tila-avaruuden osa tahansa eli kunkin suureen hälytysrajät riippuvat kaik
kien muiden suureiden arvoista. Sallittu aluehan on n-ulot- teinen suorakulmainen särmiö, jos suureille asetetaan kiin
teät ala- ja ylärajat. Moniulotteista trendiä kuvaisi tila- vektorin aikaderivaatta, ja tämän trendivektorin projektio sallitun alueen rajapinnan normaalille ilmaisisi yleisti
lanteen kehityssuunnan /67/. Moniulotteisten pintojen kä
sittely on kuitenkin hankalaa, ja sallittua aluetta tus
kin pystytään tekemään niin monimutkaiseksi, että avaruus- geometrisesta lähestymistavasta olisi hyötyä. Joidenkin kahden tai kolmen eri suureen väliltä voitaisiin ehkä löy
tää sellaisia hä lytysrajojen riippuvuuksia, jotka ovat formuloitavissa matemaattisesti.
Tehohoidossa on kokeiltu potilaan tilan ja sen muutosten arvioimiseen tilastomatemaattista menetelmää /1/, joka ottaa huomioon muuttujien keskinäiset tilastolliset
riippu-vuudet. Siinä kokonaistilanteen luokittelun ratkaisee ns.
Mahalanobis-etäisyys
D2 = (Y- Y)T S-1 (Y- Ÿ), (46)
missä Y on tietyllä hetkellä mitattujen arvojen muodostama vektori, Ÿ on tavoitearvovektori ja S on suureiden välinen kovarianssimatriisi. Tavoitelukemiksi otetaan esimerkiksi sopivalta terveeltä ihmisryhmältä mitattujen arvojen tilas
tolliset keskiarvot. Suureiden välisiä riippuvuuksia ku
vaava matriisi S estimoidaan tehohoitopotilailta mitatus
ta havaintoaineistosta. Jos muuttujat olisivat tilastolli
sesti täysin riippumattomia, S olisi diagonaalinen ja Maha- lanobis-etäisyydeksi saataisiin keskihajonnoilla skaalattu
jen poikkeamien (Y, - Yt )/<r, neliösumma.
D^-arvon jakauma tehohoitopotilai1 ta mitatussa havaintoai
neistossa määrää mittausarvovektorien luokittelun kuvan 32 mukaisesti. Jotta puutteellisiakin mittausarvovektoreita voitaisiin luokitella, vastaavat rajat määritetään tarvit
taessa suppeammalle muuttujajoukolle käyttäen hyväksi D^:n empiirisen jakauman ja x2-jakauman samankaltaisuutta. Kun Y-vektoriin sijoitetaan mittausarvojen sijasta suureiden absoluuttiset tai suhteelliset muutokset, voidaan moni
toroida tilan muutosten voimakkuutta.
Kuva 32. Potilaan tilan luokittelu Mahalanobis-etäisyyden empiirisen jakauman perusteella /1/. D-luokka vastaa vaka
vinta tilaa tai voimakkainta tilan muutosta. Py on raja, jonka vasemmalle puolelle sijoittuu y% tehohoitopotilailta kerätyn vertailuaineiston näytteistä.
Kuten yhden muuttujan trendianalyysissa, tässäkin menetel
mässä törmätään oikean referens si arvon määrittelyongelmaan.
Lisäksi etäisyysfunktion asteikolla ei ole selviä klii
nisiä kiinnepisteitä, vaan funktiota joudutaan tulkitsemaan sormituntumalla - sama koskee tietysti myös muita yleisti
laa kuvaavia indeksejä.
Koska usean valvontasuureen yhtaikainen tulkinta perustuu vielä selvemmin intuitioon kuin yhden signaalin tulkinta, tilastollisille hahmontunnistusalgoritmeille tarkoitettua opetusaineistoa on vaikea luokitella. Helpoimmin päästäneen liikkeelle konkreettisesta tilanteesta, joka on liittynyt tiettyyn mittausarvojen kombinaatioon. Esimerkiksi tietyn
tyyppisestä shokkitilasta selviytyneiden ja siihen menehty
neiden potilaiden välille on etsitty diskriminanttifunkti- oita, jotka perustuvat shokin alkuvaiheessa mitattuihin va1vontaparametreihin /21/. Tosin yksinkertaiset lineaari
set erotusfunktiot eivät ota huomioon sitä, että fysiologi
set parametrit voivat muuttua monella eri tavalla siirryt
täessä normaalista tilasta kriittiseen tilaan /82/. Joka tapauksessa tarvitaan vielä paljon tutkimustyötä, ennen kuin tilastollisia hahmo n tunnistusmenetelmiä kannattaa soveltaa useaan valvontasignaaliin.
9.3 Teollisuuden mallipohjaiset víanselvitysmenetelmät Prosessi- ja voimalavalvonnassa on perinteisesti käytetty yksinkertaisia tunnuslukuja, jotka kuvaavat osajärjestel
mien toimintaa ja ei-mitattavia prosessisuureitä. Potilas- valvonnassa lasketaan vastaavasti johdettuja suureita ja eri elinsysteemejä kuvaavia indeksejä. Teollisuuden kun
nonvalvontaan ja vikadiagnoosiin on viime aikoina kehitetty matemaattisiin malleihin pohjautuvia menetelmiä, joiden periaatteet saattavat olla osittain sovellettavissa poti
las va Ivon taan .
Häiriösignaalien lähteitä etsitään teollisuudessa yleisesti korrelaatioanalyysin avulla. Uudet monikanavaiset menetel
mät mahdollistavat useamman kuin kahden signaalin samanai
kaisen tarkastelun. Suomessa on kehitetty interaktiiviset signaalianalyysiohjelmistot FAMS ja SIAMS, joita on sovel
lettu paperikoneen häiriötutkimukseen ja ydinvoimalan diag
nostiikkaan /6,52/. Nopeaan Fourier-muunnokseen perustuval
la FAMS-ohjelmistolla voidaan mm. estimoida spektrejä ja koherenssitunktioita sekä suodattaa signaaleja digitaali
sesti. SIAMS sovittaa mitattuihin signaaleihin monimuut- tujäisen ARMA-mal1 in , jonka avulla voidaan esimerkiksi selvittää signaalien keskinäisiä selitysosuuksia ja siten paikallistaa vaikkapa paperin laatuun vaikuttavia häiriöte
kijöitä (kuva 33).
a)
Kuva 33. Häiriölähteiden jäljitys SIAMS-analyysi1 la /52/.
a) Paperimassan sakeusvaihtelun spektri ja mitattujen häi- riösuureiden osuus siitä, b) Eri häiriölähteiden suhteelli
set osuudet sisäänmenosuureiden spektristä : 0,015 ja 0,08 Hz : n häiriöpiikeille löydetään nyt pääasialliset aiheutta
jat.
SIAMS ja FAMS käsittelevät tutkittavaa systeemiä mustana laatikkona - esimerkiksi paperinvalmistusprosessille onkin vaikea muodostaa fysikaalista mallia. Kunnonvalvontaan ja vikadiagnoosiin sovelletaan nykyään myös staattisia ja dynaamisia prosessimalleja /20,68,79,80/, joilla pyritään kuvaamaan fysikaalista todellisuutta. Malleja voidaan käyt
tää hyväksi kahdella tavalla. Ensimmäinen tapa on verrata normaalitoimintaa kuvaavan mallin ulostuloa ja vastaavaa mitattua prosessisuuretta. Jos erosignaali on nollakeskiar- voista valkoista kohinaa, malli kuvaa prosessia hyvin ja tilannetta voidaan pitää normaalina. Erilaisille vikata
pauksillekin saatetaan rakentaa omat mallit. Toinen mahdol
lisuus on estimoida jatkuvasti mallin parametreja ja seura
ta niiden muutoksia. Jos parametreillä on fysikaalinen merkitys, vika pystytään lisäksi paikallistamaan. Paikal
listamista voidaan helpottaa myös käyttämällä rinnakkaisia malleja prosessin eri lohkoille.
Vikapuut ja syy - seurauspuut ovat loogisia malleja, joiden avulla voidaan selvittää hälytystilanteen aiheuttajia ja ennakoida sen seurauksia. Vikapuu esittää tiettyyn kriitti
seen tapahtumaan johtavat tapahtumaketjut ja syy - seuraus- puu kartoittaa tietyn tapahtuman mahdollisia seurauksia.
Loogisia puita käytetään mm. ydinvoimaloiden hälytysten- käsittelyjärjestelmissä /48/.
Maliipohjäiset seurantamenetelmät soveltuvat potilasvalvon
taan niiltä osin, kuin kohtuullisen hyvän mallin rakentami
nen on mahdollista. Esimerkiksi yksimuuttujäisiä AR-malleja on jo käytetty EEG-monitorointiin. Monimuuttujaiset fysio
logiset mallit olisivat periaatteessa oiva apuväline mit
taustiedon hallintaan, mutta tähän mennessä tehohoitoa ja anestesiaa varten on kehitetty varsin niukasti käyttökel
poisia malleja. Vikapuita, syy - seurauspuita ja mallipoh
jaisia vianpaikannusmenetelmiä voitaisiin ehkä käyttää hyväksi kriisitilanteiden ennakoinnissa ja tietokoneavus
teiseen diagnostiikassa.
Prosessi- ja signaalimallit lienevät helpommin sovelletta
vissa mittaussysteemin kuin varsinaisen fysiologisen sys
teemin valvontaan. Jos tunnetaan suurin piirtein mittauspa
rametrien väliset riippuvuudet, anturivika voidaan paljas
taa vertaamalla mittaustulosta muiden mittaus suure iden perusteella laadittuun arvioon /80/. Älykkäät anturit val
vovat tuottamansa tiedon mielekkyyttä. Signaalianalyysime- netelmistä saattaisi olla apua selvitettäessä sitä, missä vaiheessa häiriöt kytkeytyvät systeemiin. Tärkeintä on tietää, onko "häiriö" peräisin potilaasta vai mittausjär
jestelmästä, ja lisäksi olisi hyvä erottaa mittalaittei
den vikaantumiset ohimenevistä ulkoisista häiriöistä.
9.4 Asiantuntijajärjestelmä monimuuttujäisen systeemin hallinnassa
Asiantuntijajärjestelmä on tietojärjestelmä, joka perustuu jonkin erikoisalan asiantuntemukseen ja pystyy ratkaisemaan ongelmia, joiden katsotaan vaativan inhimillistä osaamis
ta /54/. Tällaisen järjestelmän keskeiset osat ovat tietä
myskanta, päättelymekanismi ja käyttäjäliitäntä (kuva 34).
Uuden tietämyksen omaksumiskyky ja kyky perustella toimin
tansa ovat asiantuntijajärjestelmälle ominaisia. Asiantun
tijajärjestelmät ohjelmoidaan useimmiten erityisellä teko
älykielellä, esimerkiksi Lispillä tai Prologilla. Tietämyk
sen esittämiseen käytetään perinteisestä ohjelmoinnista
poikkeavia tietorakenteita, kuten ehto - toimintasääntöjä
Asiantuntija ja/tai t
tietämysinsinööri
Kuva 34. Tietämysjärjestelmän perusarkkitehtuuri /60/.
Potilasvalvonnassa asiantuntijajärjestelmä voisi muodostaa automaattisen valvontasysteemin ylimmän tason, jolle syö
tettävää tietoa jalostettaisiin esimerkiksi tässä työssä kuvatuilla matemaattisilla menetelmillä. Tällöin asiantun
tijajärjestelmän tehtäviä olisivat mm.
eri lähteistä tulevan valvontatiedon yhdistäminen, ver
tailu ja tulkinta
- tietojenkäsittelymenetelmien valinta toimintojen priorisointi ja
taustatietojen (henkilötiedot, diagnoosi, hoitotoimen
piteet jne.) ottaminen huomioon.
Asiantuntijajärjestelmää nimitetään sulautetuksi, kun se saa osan tiedoistaan automaattisesti muulta järjestelmältä.
Tehohoidon ja anestesian välittömästä potilasvalvonnasta huolehtivan asiantuntijajärjestelmän tulee olla varsin pitkälle sulautettu, sillä päättely perustuu suurimmaksi osaksi mittaustietoon ja käyttäjän kanssa kommunikoidaan lähinnä hälytysten syitä selvitettäessä. Asiantuntijajär
jestelmä voidaan viedä jopa kokonaan mittalaitteen sisäl
le, jolloin tietämystekniikan käyttö näkyy ulospäin vain mittaustiedon parantuneena laatuna.
Eri laitteilta asynkronisesti kerättävä mittaustieto aset
taa erityisiä vaatimuksia asiantuntijajärjestelmän suori
tuskyvylle: päätelmien on synnyttävä nopeasti ja niitä on
voitava muuttaa, kun saadaan uutta tietoa. Reaaliaikaisen tiedonhallintaan on mahdollista päästä esimerkiksi black
board -järjestelmärakenteella. Asiantuntijajärjestelmä koostuu tällöin tiettyihin osaongelmiin erikoistuneista tietämyslähteistä, kommunikaatiovälineenä toimivasta liitu- taulusta (blackboard) ja ohjaussysteemistä. Tietämys lähteet voivat olla tekoälyrakenteita tai perinteisiä tietokoneoh
jelmia. Liitutaulu sisältää aina uusimmat syöttötiedot ja eri tietämyslähteiden antamat tulokset. Blackboard-tekniik- kaa aiotaan soveltaa VTT : n sairaalatekniikan laboratorion projektissa, jonka tavoitteena on älykkään hälytysjärjes
telmän kehittäminen tehohoitoa varten /16/.
Tehohoidosta ja anestesiasta löytyy asiantuntijajärjestel
mille myös sellaisia sovellutuskohteita, joissa reaaliai
kainen päättely ei ole välttämätöntä: esimerkiksi nestehoi
don, lääkityksen ja ravitsemuksen suunnittelussa tarvitta
vat mittausarvot muuttuvat hitaasti. Päätöksentekoa tukeva interaktiivinen järjestelmä voi olla luonteeltaan konsul
toiva tai kritisoiva. Kritisoiva asiantuntijajärjestelmä, joka arvostelee lääkärin tekemää hoitosuunnitelmaa ja ver
taa sitä muihin mahdollisiin ratkaisuihin, on havaittu paremmaksi vaihtoehdoksi kuin konsultoiva järjestelmä.
taa sitä muihin mahdollisiin ratkaisuihin, on havaittu paremmaksi vaihtoehdoksi kuin konsultoiva järjestelmä.