高鳳梅 吳攀

摘 ?要：健康管理作為新型的醫(yī)療模式，實現(xiàn)患者疾病的早發(fā)現(xiàn)、早治療，但是目前健康管理的生理參數(shù)只限于醫(yī)院體檢中心固定時間的體檢，不能實現(xiàn)連續(xù)、實時的監(jiān)測，不能及時的發(fā)現(xiàn)疾病。該系統(tǒng)基于嵌入式AI，采用可穿戴傳感器，運用TI公司ARM+DSP雙核的微處理器DM642運行AI算法SVM進行血壓、血氧、心率、呼吸、身體姿態(tài)等生理信息的較精確的測量，通過NB-IOT模塊上傳至云端對用戶進行健康管理。經(jīng)試驗，該系統(tǒng)可以用于以社區(qū)為單位的健康管理。

關(guān)鍵詞：嵌入式AI;支持向量機;可穿戴;健康管理

中圖分類號：TP368.3;TP311.5 ? ? 文獻標(biāo)識碼：A 文章編號：2096-4706（2020）15-0095-03

Abstract：As a new medical model，health management can make the disease early discovered and treated. However，at present，the physiological parameters of health management are only limited to the fixed time physical examination in the hospital physical examination center，which can not realize continuous real-time monitoring and timely detection of diseases. This system is based on embedded artificial intelligence，uses wearable sensor，uses TIs ARM + DSP dual core microprocessor DM642 to run AI algorithm SVM to measure physiological information such as blood pressure，blood oxygen，heart rate，respiration，body posture and so on. The system is uploaded to the cloud through NB-IOT module for health management of users. The system can be used for community-based health management.

Keywords：embedded AI;support vector machine;wearable;health management

0 ?引 ?言

隨著生活水平的提高，人們的自我健康意識增加。在“健康中國2030”背景下，健康管理這種新型的醫(yī)療模式應(yīng)運而生。健康管理是對身體進行健康監(jiān)測以及時發(fā)現(xiàn)異?；蚣膊。M早干預(yù)和治療。但是目前健康管理的健康監(jiān)測只限于醫(yī)院體檢中心固定時間的體檢，不能實現(xiàn)連續(xù)、實時的監(jiān)測，不能及時發(fā)現(xiàn)和盡早治療疾病。連續(xù)監(jiān)測血壓、血氧、體溫、呼吸數(shù)據(jù)對心腦血管等疾病的防治具有重要意義，而人體的姿態(tài)，比如跌倒的監(jiān)測對于老年人的健康管理尤為重要。所以本設(shè)計著重對血壓、血氧、體溫、呼吸、身體姿態(tài)生理參數(shù)的監(jiān)測。一些生理參數(shù)，比如血壓的連續(xù)無創(chuàng)測量精度不高，本設(shè)計采用人工智能（Artificial Intelligence，AI）算法提高測量準(zhǔn)確度。

重慶電子工程職業(yè)學(xué)院智慧健康學(xué)院致力于健康管理和“智慧醫(yī)療”的教學(xué)和科研，在重慶市教委科技項目“基于AI的可穿戴智能康復(fù)機器人研究”的支持下，作者設(shè)計了基于嵌入式AI的可穿戴健康管理系統(tǒng)，在本系統(tǒng)設(shè)計中選擇合適的嵌入式硬件、AI算法和可穿戴傳感器，實現(xiàn)對上述生理參數(shù)的監(jiān)測，同時使用NB-IOT模塊接入云端。

1 ?整體設(shè)計

每位用戶使用健康管理終端，采集血壓、血氧、呼吸率、心率、體溫、身體姿態(tài)等參數(shù)，為了提高采集部分的準(zhǔn)確度，使用了AI算法，采用能運行AI算法的嵌入式處理器。每位用戶的健康數(shù)據(jù)傳送至云端或社區(qū)的健康管理中心，云端或社區(qū)的健康管理中心對生理數(shù)據(jù)進行管理，分析和挖掘，定期給出健康評估報告和健康管理建議?？纱┐鹘】倒芾碚w系統(tǒng)框圖如圖1所示。

AI使機器更加智能，視頻和語音識別率更高。嵌入式AI是在嵌入式設(shè)備中運行AI算法，可以使設(shè)備更加智能，比如對健康的實時監(jiān)測。AI算法由于數(shù)據(jù)量大，算法模型復(fù)雜，目前在PC端或數(shù)據(jù)中心運行的比較多，比如深度學(xué)習(xí)算法卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN），而在嵌入式系統(tǒng)中運行AI算法，對硬件計算速度要求比較高。雖然在大樣本的深度學(xué)習(xí)算法中GPU比CPU速度快，但GPU功耗高、價格;也有在FPGA上實現(xiàn)AI算法運行的系統(tǒng)，但FPGA的綜合調(diào)度能力差。TI公司的DSP+ARM的雙核芯片DM642，既滿足計算能力又滿足調(diào)度功能，考慮到可穿戴健康管理系統(tǒng)的測控能力和計算能力，選用雙核芯片DM642方案。

AI算法有支持向量機（Support Vector Machine，SVM）、神經(jīng)網(wǎng)絡(luò)、聚類算法、多元回歸等，SVM與其他方法相比，能夠有效地克服其他方法中出現(xiàn)的穩(wěn)定網(wǎng)絡(luò)結(jié)構(gòu)難以確定和過學(xué)習(xí)等問題，能夠減少訓(xùn)練次數(shù)和訓(xùn)練時間，大幅度提高訓(xùn)練效率，而且算法簡單、實時性強、準(zhǔn)確率高、泛化能力強，適合嵌入式應(yīng)用[1，2]。SVM在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，適用于血壓連續(xù)測量中的多個參數(shù)，所以本方案中選擇SVM算法。

2 ?生理采集部分

本設(shè)計生理采集部分選用雙核芯片DM642處理器，外圍連接血壓、血氧、呼吸率、心率、體溫、身體姿態(tài)傳感器，通過NB-IOT模塊接入云端?？紤]到可穿戴的特點，血壓、血氧、呼吸率、心率采用一個光電傳感器，體溫采用紅外測溫，身體姿態(tài)采用9軸運動傳感器。文章重點介紹血壓測量、身體姿態(tài)和NB-IOT模塊。

2.1 ?血壓測量模塊

已有的文獻大多是利用脈搏波傳輸時間（Pulse Wave Trans-mission Time，PWTT）進行血壓測量的[3]，但是血壓還受血管阻力、血管壁彈性和血液黏性等的影響，所以考慮反映這些量的脈搏波形特征參數(shù)進行信息融合，以提高血壓的精確度。

當(dāng)光束透過人體外周血管，由于動脈搏動充血容積變化導(dǎo)致這束光的透光率發(fā)生改變，此時由光電變換器接收經(jīng)人體組織透射的光線，轉(zhuǎn)變?yōu)殡娦盘柌⑵浞糯蠛洼敵?。這個電信號就反映了血容積的變化，進而反映脈搏搏動變化，這種方法稱為光電容積脈搏波描記法（Photoplethysmography，PPG）。

脈搏波形信息達(dá)到15個參數(shù)，這除了增加了傳統(tǒng)的回歸擬合方法擬合的復(fù)雜度[4]，還容易出現(xiàn)過擬合的問題，SVM算法在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢。在本系統(tǒng)血壓測量中采用PPG測量脈搏波波形，使用小波算法對波形進行特征提取，選取脈搏波波形中反映PWTT、動力因素、脈搏傳輸速度等因素的參數(shù)，用SVM算法建立模型，通過訓(xùn)練求出血壓模型。

由于脈搏是隨心臟的搏動而周期性變化的信號，動脈血管容積也具有周期性變化，因此光電變換器的電信號變化周期就是心率。因為含氧血紅蛋白和脫氧血紅蛋白對不同波長光的吸收系數(shù)不同，當(dāng)我們選擇兩種光線的時候，可以測量血氧飽和度。呼吸率也可以通過脈搏波的特征參數(shù)、包絡(luò)、間隔、幅度、面積來計算。

2.2 ?身體姿態(tài)模塊

本設(shè)計中人體姿態(tài)傳感器選用MPU-6050模塊，該模塊集合了MEMS陀螺儀和MEMS加速度儀構(gòu)成9軸運動傳感器，傳統(tǒng)的3軸運動傳感器更精確，可以對人身體傾斜導(dǎo)致角度變化和加速度變化進行測量[5]。把x、y、z軸加速度幅值和角度作為評估量，當(dāng)加速度幅值超過閾值時，角度超過閾值時，認(rèn)為是劇烈活動，不是跌倒，可以減少誤判。基于一線臨床調(diào)研情況和醫(yī)學(xué)量表，認(rèn)為跌倒主要是在身體發(fā)生移位的情況下發(fā)生，跌倒后由于人的應(yīng)激性反應(yīng)會導(dǎo)致人心率上升，因此，本算法采用先判斷跌倒物理姿態(tài)，再進行心率檢測的級聯(lián)檢測方法，提高跌倒檢測準(zhǔn)確率。

2.3 ?NB-IOT模塊

NB-IOT模塊采用中國移動M5311模塊，采用基于NB-IOT的CoAP協(xié)議、5LwM2M協(xié)議?；趨f(xié)議規(guī)范對生理信息進行對象、實例的添加及相應(yīng)資源屬性的配置，添加完畢，模塊即可發(fā)起OneNET平臺登錄。

3 ?軟件設(shè)計

SVM以統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小化原則為基礎(chǔ)，來研究小樣本的估計和預(yù)測，使之最終轉(zhuǎn)化為一個凸二次優(yōu)化問題，從理論上講得到的將是全局最優(yōu)解。SVM利用核函數(shù)方法將輸入空間的樣本點，映射成為高維Hilbert空間中的訓(xùn)練點，然后在Hilbert空間中構(gòu)造線性判別函數(shù)，實現(xiàn)對映射后的訓(xùn)練集進行回歸。這種特性保證了回歸后逆模型的推廣能力，并避免了維數(shù)問題，使其算法復(fù)雜度與樣本維數(shù)無關(guān)。

基于SVM進行數(shù)據(jù)融合的目的是擬合輸入x與輸出y之間的關(guān)系：

y（x）=ωTx+b=αi K（x，xi）+b

式中，xi為支持向量;s為支持向量的個數(shù);x為被測輸入量;b為SVM偏移量;T為矩陣的轉(zhuǎn)置運算;αi為Largran-ge乘子;K（x，xi）為核函數(shù);ω為SVM的權(quán)值系數(shù)，數(shù)量與支持向量一致。這里核函數(shù)選用滿足Mercer條件的Gaussian型徑向基核函數(shù)：

K（x，xi）=exp

式中，σ是核函數(shù)參數(shù)，調(diào)整σ可以改善SVM的預(yù)測準(zhǔn)確性。對于實際問題，核函數(shù)參數(shù)的選擇直接影響核函數(shù)進而影響SVM的推廣能力，所以若核函數(shù)參數(shù)取值不合適，將不能保證SVM具有良好的性能。

GA（Genetic Algorithm）作為一種進化算法，仿效生物界的演化法則，把待解決問題的參數(shù)編碼為染色體，再進行選擇、交叉和變異等運算來交換群中的染色體信息，根據(jù)優(yōu)化目標(biāo)，最終迭代出全局最優(yōu)的染色體。

本設(shè)計選用GA作為優(yōu)化SVM核函數(shù)參數(shù)的方法，并選取檢驗樣本輸出預(yù)測值與其期望值計算出均方誤差的標(biāo)準(zhǔn)差（MESETD）最小值的倒數(shù)作為個體的適應(yīng)度值。對于訓(xùn)練樣本訓(xùn)練后的SVM，用檢驗樣本檢驗輸出預(yù)測值與其血壓標(biāo)定值之間的MESETD為衡量標(biāo)準(zhǔn)來進行試驗。GA優(yōu)化SVM核函數(shù)參數(shù)σ流程圖如圖2所示。

首先，選擇100名年齡在18～30歲的志愿者對模型進行訓(xùn)練，80名為訓(xùn)練集，20名為測試集;接著，選取SVM核函數(shù)的學(xué)習(xí)參數(shù)拉格朗日乘子的界C，凸二次優(yōu)化方法的條件參數(shù)λ，所求解周圍的ε-鄰域參數(shù)（也稱試管）ε;接著，設(shè)置種群規(guī)設(shè)模為40，編碼變量的二進制位數(shù)設(shè)20;然后算出檢驗樣本輸出預(yù)測值與其期望值MESETD，并把MESETD最小值的倒數(shù)作為個體的適應(yīng)度值。適應(yīng)度函數(shù)值越大，個體越優(yōu)。然后選擇基于適應(yīng)度比例的選擇策略，交叉概率設(shè)為0.7，變異概率設(shè)為0.01，最大進化代數(shù)設(shè)為40;然后對產(chǎn)生的新的種群是否滿足終止條件，如果不滿足終止條件則繼續(xù)，滿足則解碼，輸出最優(yōu)的核函數(shù)參數(shù)。

把用GA優(yōu)化核函數(shù)的SVM算法移植到嵌入式平臺，采用minicom通信終端程序開發(fā)板，宿主機系統(tǒng)為Ubuntu version 2.6.27，運行交叉編譯工具鏈arm-linux-gcc version 3.4.1，根據(jù)GA操作結(jié)果，核函數(shù)參數(shù)σ等于0.951 87時，檢驗樣本輸出預(yù)測值與其期望值計算出MESETD等于0.163 21。此時血壓測量的結(jié)果符和我國家醫(yī)療器械標(biāo)準(zhǔn)和美國醫(yī)療儀器促進協(xié)會（Association for the Advancement of Medical Instrumen-tation，AAMI）要求。

4 ?結(jié) ?論

本文為了實現(xiàn)健康數(shù)據(jù)的實時采集，采用嵌入式AI技術(shù)，在ARM+DSP的DM642平臺設(shè)計了血壓、血氧、心率、呼吸率、身體姿態(tài)多參數(shù)的測量和傳輸方法。重點闡述了在血壓連續(xù)測量中基于SVM算法對脈搏波特征值和血壓建立模型，實現(xiàn)較精確測量的方法。能送至云平臺進行健康管理。為社區(qū)的健康管理尤其是老年人的健康管理提供了新的解決方案。

參考文獻：

[1] BROWN M P S，GRUNDY W N，Lin D，et al. Knowledge-Based Analysis of Microarray Gene Expression Data by Using Support Vector Machines [J].Proceedings of the National Academy of Sciences of the United States of America，2000，97（1）：262-267.

[2] 王靜，李得天，王長勝，等.基于支持向量機的人臉識別系統(tǒng)在ARM11上的實現(xiàn) [C]//2012年互聯(lián)網(wǎng)技術(shù)與應(yīng)用國際學(xué)術(shù)會議.2012年互聯(lián)網(wǎng)技術(shù)與應(yīng)用國際學(xué)術(shù)會議論文集.武漢：美國科研出版社（Scientific Research Publishing，USA），2012：39-44.

[3] 李章俊，王成，朱浩，等.基于光電容積脈搏波描記法的無創(chuàng)連續(xù)血壓測量 [J].中國生物醫(yī)學(xué)工程學(xué)報，2012，31（4）：607-614.

[4] 徐志紅，方震，陳賢祥，等.一種基于多參數(shù)融合的無袖帶式連續(xù)血壓測量方法的研究 [J].電子與信息學(xué)報，2018，40（2）：353-362.

[5] 郭元新，葉瑋瓊.基于MPU6050傳感器的跌倒檢測算法 [J].湖南工業(yè)大學(xué)學(xué)報，2018，32（3）：76-80.

作者簡介：高鳳梅（1979.02—），女，漢族，河南扶溝人，講師，碩士，研究方向：智能醫(yī)療器械。