论文部分内容阅读
摘 要 目的：本文构思出了一种新的血液引流模型，此设计用于维护终末期肾功能衰竭患者血液透析并在透析过程中使血液流动保持动力学稳定状态并将血流量增加到约400毫升/分钟。基于神经网络专家系统的工作机理的解释。方法：首先，设计了一种新的结合血液引流机的透析壶；第二，根据血流动力学可操作条件的分析，建立了三层BP神经网络；第三，对神经网络专家系统的知识获取和表达进行了详细研究；最后，对神经网络专家系统进行训练和分析。结果：模拟结果和经验表明，该系统运行可靠，与预期的结果相一致。结论：从而保证血液透析患者在血液透析过程中血液流速保持持续稳定状态并且缓解疼痛的功效。
关键词 BP神经网络 故障诊断 神经网络专家系统 规则式专家系统
中图分类号：TP311 文献标识码：A
0引言
在医学上，血液透析是一种用来实现人体内废物产品如血肌酐和尿素与自由水在肾脏中的体外去除当肾功能处于衰竭状态时候的方法。血液透析是肾脏替代疗法的三种方法之一（其他两个是肾移植和腹膜透析）。针对血液透析过程，采用数据挖掘技术对大量数据进行分析，以透析前后各过程水资源分配为目标，研究水资源分配与再利用模型，建立水资源分配管理的知识库，从而能根据任务，纯度等要求自动分配水源管路。设计相关软硬件平台，为节约透析用水总量，降低水资源消耗提供保障，该研究有较高的理论价值和广阔的应用前景。
患者的血液通过血液透析机泵和透析液进行透析。医疗行为取决于医生的推理能力医疗决策依赖于潜在的不确定信息。此外，血流速度是保证处理效果和高通量血液透析可靠性的关键元件。因此，血液引流医院使用动静脉穿刺，血液的流动率（BFR）约为200毫升/分钟，但它对病人有一定伤害。
本文提出了一种改进的方法即使用血液引流透析壶，避免穿刺，使血流率（BFR）可以达到400毫升/分钟。有了这个动机，（研究拟解决的关键问题）本文提出了一种用于血液透析系统的基于模型的控制方法，设计为在血液透析的终末期肾功能衰竭患者维持血流动力学稳定。解决了传统的专家系统知识获取瓶颈等诸多问题，比如自学能力的效率低，推理单调，所以它有一定的局限性。而人工神经网络技术是一个数学模型，应用结构像下丘脑神经元的突触连接，具有学习能力强，能够从样本中学习，获取知识，它是以权值和阈值的形式存储在神经网络中。这很容易实现并行处理，具有联想记忆的特点，有较好的鲁棒性。当结合神经网络专家系统，他们可以协同工作，优势互补，它们的功能将更加强大。
因此，建立一个神经网络专家系统用来模拟训练透析壶中的透析液位置与透析情况，血泵的速度和总的安全状态估计，这可以为护士提供辅助决策参考。
图1：血液透析器的系统结构图
1便携式血透机结构设计
根据电路的特点，对血液透析器的系统架构分为一二回路系统：体外血液透析回路和血液输送系统。图1是血液透析器系统结构图。
我们将血液透析会话分为三个阶段。第一阶段是预冲透析器和导管，它们同时通过空气泡沫放电。第二阶段是状态图血液从动脉到透析壶循环血液透析，并保持液位稳定。第三阶段是体外循环后的回血状态。
图1是血液透析器系统结构图。A泵将血液从病人的动脉通过输液管A引流至透析壶。泵C使血液通过导管引流至透析器。当泵A抽血到体外电路，局部真空可能存在，将空气吸入管如果连接没有绝对的紧密。因此，除气室的功能是排出空气。经过过滤后，血液通过输液管B回到透析壶和患者静脉。A泵的旋转方向和B泵是相反的。超声波传感器为透析壶设置上限和下限液位。出于安全考虑，空气泡沫探测器是用来探测空气导管和防止气泡注入病人体内。导管中的压力控制用于避免管道破裂，病人凝血和血肿现象的出现。
在这个系统中，当血液透析的状态是安全的，A泵的转速为一个固定值为了保持恒定的量的血液从病人的动脉流经血液透析机。B泵的转速应按在透析壶的血容量和系统状态决定。此外，气泡和导管的压力也应分别控制A泵和B泵的速度。血液排水的主要困难是血泵的转速调节，以确保适当的运行状态。
以下变量与泵的速度相关：泵的旋转速度（NA）：血液透析器系统无故障时那是一个不随时间变化而变化的参数。旋转泵B速度（NB）：随血液透析的状态变化而变化。泵A和泵B被分别设置在透析过程的开始和结束。透析壶的液位（h）：h的变化趋势反应了系统的运行状态透析壶液位状态（hs）：hs的值随液位的上升和下降而变化，控制泵A和B的速度。导管中的气泡（U）：如果导管中有空气气泡，这会造成对病人危险的空气栓塞。一旦气泡被检测到，AB两泵应停下来，剩下的血液应该在排除气泡后返回到患者体内。导管的压力（P1，P2，P3）：导管中的压力值能够反映血液透析过程的状态。压力的采集数据应实时获取以便调整AB泵的速度。
2实验理论基础
2.1专家系统综述
随着科学技术的发展，一系列高新技术与复杂系统出现。专家系统是人工智能中最活跃、最广泛的应用领域之一。第一个专家系统在1965年的美国被制造。目前，专家系统已被应用于许多领域，如农业生产，医疗诊断，智能决策，实时监测，地质勘探，教学和军事等，促进了国民经济的发展带来了巨大的经济效益。
2.2神经网络概述
1943年，一个数学模型（MP模型）在神经科学的理论研究时代正式提出了神经元，从而开创了神经科学理论的研究时代。从那时起，大量的突破性的研究促进了神经网络模型及其学习算法，特别是在1982年，一个神经网络模型的创建，介绍了计算能量函数的概念，给出基于神经网络的稳定性判据，有力地推动了神经网络的研究与开发。一个三层神经网络可以逼近任意非线性函数这个结论是在1989年被提出的 。在人工神经网络在实际应用中，80%到90%的人工神经网络模型，采用BP网络或由其变异的网络模型。 2.3神经网络专家系统的基本原理
神经网络使用了大量的神经连接，每个连接的权重表示特定的概念或知识的分布。在获取知识的过程中，它需要有专家提出的例子和相关的解决方案，然后可以通过某个具体的学习算法从样本中学习到。自适应算法可以不断修改网络的连接权值。[7]神经网络可以输入异常样本，如果输入的模式是接近某个学习样本，输出也会接近该学习样本的模式，从而使神经网络专家系统具有联想记忆的能力。适当的由专家提供的解决方案通过输入和输出系统存储在知识库。
3神经网络专家系统的结构
一个神经网络专家系统的结构，表示在图2。该系统主要由知识库，数据文件，并行推理机，信息获取模块，解释系统和人机界面等构成。
图2：人工神经网络专家系统的结构
3.1知识获取
3.1.1bp神经网络
根据结构，神经网络可以分为两类，一个是前馈网络，另一个是反馈网络。从目前的研究来看，前馈网络是一种更完善的网络。而BP网络是最常见的一种。
标准BP神经网络由三个神经层构成，即，输入层，中间隐含层和输出层。各层的神经元相互连接形成整个互连，但同一层的神经元不连接。对于多层网络的训练，首先是提供一组训练样本，其中包括输入样本与理想输出样本。当所有的网络的实际输出与理想输出一致，培训结束。否则，它需要修改权值，根据理想的输出使实际输出。在本文的三层BP网络和图3显示了网络的三层结构。
图3：网络的三层结构
3.1.2专家系统规则
泵的转速调整应根据目前的透析壶中血容量的观测，以及系统的运行状态决定。监测血容量的目标是为了保持透析壶中的液位在很窄的范围内变化。这样的血液量跟踪系统是减少在透析过程中与过程后低血糖发作的频率。
血容量调整的估计是通过以下隐藏变量表示：A泵的旋转速度（nA）：A泵控制着血液流进透析器的流动量。nA是一个时不变参数。B泵的旋转速度（nB）：B泵控制着血液流出透析器的流动量。泵A和泵B分别被设置在透析器的开始端和结束端。透析壶液位（h）：透析壶液位在预定的安全范围内，它根据透析过程中不同的人在不同的阶段中的不同操作而变化。
透析壶的液位状态（hS）：透析壶的液位状态指示液位的变化过程。
血液引流的主要困难是对血液流经透析器时的理想血容量的估计。
该系统采用专家系统的推理机制的基础知识和神经网络的推理机制来处理血液透析过程中可能出现的不同状况，整个系统处于并行工作的方式。在我们的例子中，BP神经网络的液位有五种状态：非常低，低，正常，高，非常高。相应的似然性（nA和nB）也模糊：低，正常，高。透析壶的液位状态有四种状态：正常，小，大和多（具体参数是根据控制对象的不同而调整）。模糊变量的使用，有效防止了门限效应与阈值影响。一些在专家系统的显式知识库的规则如下：
如果透析壶液位低（h低）和透析壶液位状态小（hs小）；
然后B泵的旋转速度低（nB低）和透析壶液位状态小（hs小）和A泵的旋转速度正常（正常）；
如果透析壶液位高（h高）和（透析壶液位状态小（小）或透析壶液位状态大（hs大）或透析壶液位状态正常（hs正常））；
然后B泵的旋转速度正常（nB正常）和透析壶液位状态多（hs多）；
如果透析壶液位很高（h很高）或（透析壶液位状态多（hs多）和透析壶液位高（h高）和透析壶液位状态不大（hs不大））；
然后B泵的旋转速度高（nB高）和透析壶液位多（nB多）；
如果透析壶液位正常（h正常）和（透析壶液位状态多（hs多）或透析壶液位高（h高））；
然后B泵的旋转速度低（nB低）和透析壶液位状态大（hs大）；
除了这些，空气泡沫和输液管压力与血液透析的稳定性和安全性密切相关。如果变量是不正常的，它可能会发生紧急事件如管，栓塞的断裂，凝血等等，因此A泵与B泵的转速应该根据相应情况的变化而改变。因此需要对BP网络的知识，大容量的学习，自适应，并行推理，联想记忆，与专家系统的结合，优势互补，构建神经网络专家系统，实现血液透析的快速调整。
3.2神经网络的训练
基于网络的结构和学习样本，训练方法可以被描述为四个步骤：
（1）给出的阈值€%＼j、€%aj，链接的权重Vhi、Wij在[-1， 1]之间随机变化。
（2）为每个模型（AK，YK）（A为输入层的节点，Y是隐层节点，K=1，2，……）。
①发送到输入层，通过连接权重矩阵向隐层发送激活值，然后隐层的激活值产生。
②bi=f（vhi€讇%Zh+€%ai） （1）
③计算误差LC：dj=（yjk-cj）cj（1-cj） j=1，2 （2）
（3）为每一个dj计算错误LB：ei=bj（1-bj）（djwj） （3）
（4）调整连接权值和阈值：€%=wij=€%Z€譩i€譫j （4）
（7）
其中€%Z（0<€%Z<1）是学习因子。重复步骤（2）直到错误dj是足够小的或0。
4系统仿真与实现
这表明泵A与泵B振动速度的变更与液位高度h变化的比较。当液位低，B泵将减速从而降低血液流出透析器的流量，从而在透析壶的血液量将增加。泵B一直保持低速度而不是停止以避免血液滞留在透析壶中或者发生凝管状况。实验对所提出的方法进行了验证。规则是被集成在专家系统中。神经网络是由医务人员使用的训练样本作为准备。然后神经网络和以规则为基础的专家系统进行融合。根据透析壶内的液位数据，空气泡沫探测器的输出和导管所收集的压力，泵A和泵B的速度变化。速度的变化会反过来作用于液位的变化。如果液位低并且没有下降，泵A开始运行。当液位是正常的，上升的，B泵开始以正常速度运行。当A泵顺时针旋转时B泵逆时针旋转。当液位低，B泵的旋转速度低于A泵。在这种方式中液位上升。如果液位高，泵B的旋转速度超过泵A. 因此，液位将下降到达下限值。一旦液位低于下限，B泵旋转速度将放缓。如果导管中有空气泡沫，泵A和泵B应立即停止转动并且外围管路中的血液应该被尽快返回到患者体内直到导管中的空气泡沫被排除。如果压力异常，可能会发生血肿和空气泄漏，两泵应减速。
在上述分析的基础上，实验有效的验证了所设计的神经网络专家系统控制血液透析系统，图4显示了在透析单元进行建模的结果。
图4：在实际透析会话层进行的模拟结果
5结论
本文阐述了神经网络专家系统在控制血液透析过程中所起到的稳定性和安全性应用。这个系统的目的是帮助维持血液透析过程中的稳定性与帮助血液透析患者缓解疼痛。
在这项研究中促进了仿真系统的开发，极大程度的实现了血液透析系统的安全性与稳定性并且降低针头的尺寸大小。经验的结果表明，该神经网络专家系统具有学习样本的能力，对网络的输出与预期的结果相一致，并且当神经网络完成学习过程的时候，它可以对外界刺激存储在记忆中的信息实现转换或关联，从而对系统的输入产生回应。
参考文献
[1] Rose C， Smaili C， Charpillet F.动态贝叶斯网络在适用于监测患者血液透析治疗的处理决策支持系统中的不确定因素[ C ] 人工智能工具治疗病人的监测处理不确定性，2005。ICTAI 05.第十七届IEEE国际会议。IEEE，2005：5-598.
[2] Fueda Y，Hattori T，Minato K，等。一种基于复杂医学工程的血流量变化与评估[C]//，2012 ICME国际会议奖，IEEE， 2012： 581-583.
[3] Zixing C， Durkin J， Tao G.先进的专家系统原理设计与应用，设计和应用[J].。科学出版社，北京，2005.
[4] L N，张S。美国专家系统研究现状及展望[ J ]。计算机应用研究，2007，24（12）：1-5.
关键词 BP神经网络 故障诊断 神经网络专家系统 规则式专家系统
中图分类号：TP311 文献标识码：A
0引言
在医学上，血液透析是一种用来实现人体内废物产品如血肌酐和尿素与自由水在肾脏中的体外去除当肾功能处于衰竭状态时候的方法。血液透析是肾脏替代疗法的三种方法之一（其他两个是肾移植和腹膜透析）。针对血液透析过程，采用数据挖掘技术对大量数据进行分析，以透析前后各过程水资源分配为目标，研究水资源分配与再利用模型，建立水资源分配管理的知识库，从而能根据任务，纯度等要求自动分配水源管路。设计相关软硬件平台，为节约透析用水总量，降低水资源消耗提供保障，该研究有较高的理论价值和广阔的应用前景。
患者的血液通过血液透析机泵和透析液进行透析。医疗行为取决于医生的推理能力医疗决策依赖于潜在的不确定信息。此外，血流速度是保证处理效果和高通量血液透析可靠性的关键元件。因此，血液引流医院使用动静脉穿刺，血液的流动率（BFR）约为200毫升/分钟，但它对病人有一定伤害。
本文提出了一种改进的方法即使用血液引流透析壶，避免穿刺，使血流率（BFR）可以达到400毫升/分钟。有了这个动机，（研究拟解决的关键问题）本文提出了一种用于血液透析系统的基于模型的控制方法，设计为在血液透析的终末期肾功能衰竭患者维持血流动力学稳定。解决了传统的专家系统知识获取瓶颈等诸多问题，比如自学能力的效率低，推理单调，所以它有一定的局限性。而人工神经网络技术是一个数学模型，应用结构像下丘脑神经元的突触连接，具有学习能力强，能够从样本中学习，获取知识，它是以权值和阈值的形式存储在神经网络中。这很容易实现并行处理，具有联想记忆的特点，有较好的鲁棒性。当结合神经网络专家系统，他们可以协同工作，优势互补，它们的功能将更加强大。
因此，建立一个神经网络专家系统用来模拟训练透析壶中的透析液位置与透析情况，血泵的速度和总的安全状态估计，这可以为护士提供辅助决策参考。
图1：血液透析器的系统结构图
1便携式血透机结构设计
根据电路的特点，对血液透析器的系统架构分为一二回路系统：体外血液透析回路和血液输送系统。图1是血液透析器系统结构图。
我们将血液透析会话分为三个阶段。第一阶段是预冲透析器和导管，它们同时通过空气泡沫放电。第二阶段是状态图血液从动脉到透析壶循环血液透析，并保持液位稳定。第三阶段是体外循环后的回血状态。
图1是血液透析器系统结构图。A泵将血液从病人的动脉通过输液管A引流至透析壶。泵C使血液通过导管引流至透析器。当泵A抽血到体外电路，局部真空可能存在，将空气吸入管如果连接没有绝对的紧密。因此，除气室的功能是排出空气。经过过滤后，血液通过输液管B回到透析壶和患者静脉。A泵的旋转方向和B泵是相反的。超声波传感器为透析壶设置上限和下限液位。出于安全考虑，空气泡沫探测器是用来探测空气导管和防止气泡注入病人体内。导管中的压力控制用于避免管道破裂，病人凝血和血肿现象的出现。
在这个系统中，当血液透析的状态是安全的，A泵的转速为一个固定值为了保持恒定的量的血液从病人的动脉流经血液透析机。B泵的转速应按在透析壶的血容量和系统状态决定。此外，气泡和导管的压力也应分别控制A泵和B泵的速度。血液排水的主要困难是血泵的转速调节，以确保适当的运行状态。
以下变量与泵的速度相关：泵的旋转速度（NA）：血液透析器系统无故障时那是一个不随时间变化而变化的参数。旋转泵B速度（NB）：随血液透析的状态变化而变化。泵A和泵B被分别设置在透析过程的开始和结束。透析壶的液位（h）：h的变化趋势反应了系统的运行状态透析壶液位状态（hs）：hs的值随液位的上升和下降而变化，控制泵A和B的速度。导管中的气泡（U）：如果导管中有空气气泡，这会造成对病人危险的空气栓塞。一旦气泡被检测到，AB两泵应停下来，剩下的血液应该在排除气泡后返回到患者体内。导管的压力（P1，P2，P3）：导管中的压力值能够反映血液透析过程的状态。压力的采集数据应实时获取以便调整AB泵的速度。
2实验理论基础
2.1专家系统综述
随着科学技术的发展，一系列高新技术与复杂系统出现。专家系统是人工智能中最活跃、最广泛的应用领域之一。第一个专家系统在1965年的美国被制造。目前，专家系统已被应用于许多领域，如农业生产，医疗诊断，智能决策，实时监测，地质勘探，教学和军事等，促进了国民经济的发展带来了巨大的经济效益。
2.2神经网络概述
1943年，一个数学模型（MP模型）在神经科学的理论研究时代正式提出了神经元，从而开创了神经科学理论的研究时代。从那时起，大量的突破性的研究促进了神经网络模型及其学习算法，特别是在1982年，一个神经网络模型的创建，介绍了计算能量函数的概念，给出基于神经网络的稳定性判据，有力地推动了神经网络的研究与开发。一个三层神经网络可以逼近任意非线性函数这个结论是在1989年被提出的 。在人工神经网络在实际应用中，80%到90%的人工神经网络模型，采用BP网络或由其变异的网络模型。 2.3神经网络专家系统的基本原理
神经网络使用了大量的神经连接，每个连接的权重表示特定的概念或知识的分布。在获取知识的过程中，它需要有专家提出的例子和相关的解决方案，然后可以通过某个具体的学习算法从样本中学习到。自适应算法可以不断修改网络的连接权值。[7]神经网络可以输入异常样本，如果输入的模式是接近某个学习样本，输出也会接近该学习样本的模式，从而使神经网络专家系统具有联想记忆的能力。适当的由专家提供的解决方案通过输入和输出系统存储在知识库。
3神经网络专家系统的结构
一个神经网络专家系统的结构，表示在图2。该系统主要由知识库，数据文件，并行推理机，信息获取模块，解释系统和人机界面等构成。
图2：人工神经网络专家系统的结构
3.1知识获取
3.1.1bp神经网络
根据结构，神经网络可以分为两类，一个是前馈网络，另一个是反馈网络。从目前的研究来看，前馈网络是一种更完善的网络。而BP网络是最常见的一种。
标准BP神经网络由三个神经层构成，即，输入层，中间隐含层和输出层。各层的神经元相互连接形成整个互连，但同一层的神经元不连接。对于多层网络的训练，首先是提供一组训练样本，其中包括输入样本与理想输出样本。当所有的网络的实际输出与理想输出一致，培训结束。否则，它需要修改权值，根据理想的输出使实际输出。在本文的三层BP网络和图3显示了网络的三层结构。
图3：网络的三层结构
3.1.2专家系统规则
泵的转速调整应根据目前的透析壶中血容量的观测，以及系统的运行状态决定。监测血容量的目标是为了保持透析壶中的液位在很窄的范围内变化。这样的血液量跟踪系统是减少在透析过程中与过程后低血糖发作的频率。
血容量调整的估计是通过以下隐藏变量表示：A泵的旋转速度（nA）：A泵控制着血液流进透析器的流动量。nA是一个时不变参数。B泵的旋转速度（nB）：B泵控制着血液流出透析器的流动量。泵A和泵B分别被设置在透析器的开始端和结束端。透析壶液位（h）：透析壶液位在预定的安全范围内，它根据透析过程中不同的人在不同的阶段中的不同操作而变化。
透析壶的液位状态（hS）：透析壶的液位状态指示液位的变化过程。
血液引流的主要困难是对血液流经透析器时的理想血容量的估计。
该系统采用专家系统的推理机制的基础知识和神经网络的推理机制来处理血液透析过程中可能出现的不同状况，整个系统处于并行工作的方式。在我们的例子中，BP神经网络的液位有五种状态：非常低，低，正常，高，非常高。相应的似然性（nA和nB）也模糊：低，正常，高。透析壶的液位状态有四种状态：正常，小，大和多（具体参数是根据控制对象的不同而调整）。模糊变量的使用，有效防止了门限效应与阈值影响。一些在专家系统的显式知识库的规则如下：
如果透析壶液位低（h低）和透析壶液位状态小（hs小）；
然后B泵的旋转速度低（nB低）和透析壶液位状态小（hs小）和A泵的旋转速度正常（正常）；
如果透析壶液位高（h高）和（透析壶液位状态小（小）或透析壶液位状态大（hs大）或透析壶液位状态正常（hs正常））；
然后B泵的旋转速度正常（nB正常）和透析壶液位状态多（hs多）；
如果透析壶液位很高（h很高）或（透析壶液位状态多（hs多）和透析壶液位高（h高）和透析壶液位状态不大（hs不大））；
然后B泵的旋转速度高（nB高）和透析壶液位多（nB多）；
如果透析壶液位正常（h正常）和（透析壶液位状态多（hs多）或透析壶液位高（h高））；
然后B泵的旋转速度低（nB低）和透析壶液位状态大（hs大）；
除了这些，空气泡沫和输液管压力与血液透析的稳定性和安全性密切相关。如果变量是不正常的，它可能会发生紧急事件如管，栓塞的断裂，凝血等等，因此A泵与B泵的转速应该根据相应情况的变化而改变。因此需要对BP网络的知识，大容量的学习，自适应，并行推理，联想记忆，与专家系统的结合，优势互补，构建神经网络专家系统，实现血液透析的快速调整。
3.2神经网络的训练
基于网络的结构和学习样本，训练方法可以被描述为四个步骤：
（1）给出的阈值€%＼j、€%aj，链接的权重Vhi、Wij在[-1， 1]之间随机变化。
（2）为每个模型（AK，YK）（A为输入层的节点，Y是隐层节点，K=1，2，……）。
①发送到输入层，通过连接权重矩阵向隐层发送激活值，然后隐层的激活值产生。
②bi=f（vhi€讇%Zh+€%ai） （1）
③计算误差LC：dj=（yjk-cj）cj（1-cj） j=1，2 （2）
（3）为每一个dj计算错误LB：ei=bj（1-bj）（djwj） （3）
（4）调整连接权值和阈值：€%=wij=€%Z€譩i€譫j （4）
（7）
其中€%Z（0<€%Z<1）是学习因子。重复步骤（2）直到错误dj是足够小的或0。
4系统仿真与实现
这表明泵A与泵B振动速度的变更与液位高度h变化的比较。当液位低，B泵将减速从而降低血液流出透析器的流量，从而在透析壶的血液量将增加。泵B一直保持低速度而不是停止以避免血液滞留在透析壶中或者发生凝管状况。实验对所提出的方法进行了验证。规则是被集成在专家系统中。神经网络是由医务人员使用的训练样本作为准备。然后神经网络和以规则为基础的专家系统进行融合。根据透析壶内的液位数据，空气泡沫探测器的输出和导管所收集的压力，泵A和泵B的速度变化。速度的变化会反过来作用于液位的变化。如果液位低并且没有下降，泵A开始运行。当液位是正常的，上升的，B泵开始以正常速度运行。当A泵顺时针旋转时B泵逆时针旋转。当液位低，B泵的旋转速度低于A泵。在这种方式中液位上升。如果液位高，泵B的旋转速度超过泵A. 因此，液位将下降到达下限值。一旦液位低于下限，B泵旋转速度将放缓。如果导管中有空气泡沫，泵A和泵B应立即停止转动并且外围管路中的血液应该被尽快返回到患者体内直到导管中的空气泡沫被排除。如果压力异常，可能会发生血肿和空气泄漏，两泵应减速。
在上述分析的基础上，实验有效的验证了所设计的神经网络专家系统控制血液透析系统，图4显示了在透析单元进行建模的结果。
图4：在实际透析会话层进行的模拟结果
5结论
本文阐述了神经网络专家系统在控制血液透析过程中所起到的稳定性和安全性应用。这个系统的目的是帮助维持血液透析过程中的稳定性与帮助血液透析患者缓解疼痛。
在这项研究中促进了仿真系统的开发，极大程度的实现了血液透析系统的安全性与稳定性并且降低针头的尺寸大小。经验的结果表明，该神经网络专家系统具有学习样本的能力，对网络的输出与预期的结果相一致，并且当神经网络完成学习过程的时候，它可以对外界刺激存储在记忆中的信息实现转换或关联，从而对系统的输入产生回应。
参考文献
[1] Rose C， Smaili C， Charpillet F.动态贝叶斯网络在适用于监测患者血液透析治疗的处理决策支持系统中的不确定因素[ C ] 人工智能工具治疗病人的监测处理不确定性，2005。ICTAI 05.第十七届IEEE国际会议。IEEE，2005：5-598.
[2] Fueda Y，Hattori T，Minato K，等。一种基于复杂医学工程的血流量变化与评估[C]//，2012 ICME国际会议奖，IEEE， 2012： 581-583.
[3] Zixing C， Durkin J， Tao G.先进的专家系统原理设计与应用，设计和应用[J].。科学出版社，北京，2005.
[4] L N，张S。美国专家系统研究现状及展望[ J ]。计算机应用研究，2007，24（12）：1-5.