可穿戴隨行監護系統在軍事作業醫學中的應用

趙 靜，王 釗，張 健，范 勇，梁 洪，張政波

1 解放軍總醫院 衛勤部科研處，北京 100853；2 解放軍醫學院，北京 100853；3 解放軍總醫院 醫學創新研究部醫學人工智能研究中心，北京 100853

軍事作業醫學是在各種環境下保護軍人健康，提高體能、技能和作業效能的軍事醫學分支學科[1-4]。在現代軍事作業環境中，存在許多復雜因素，可引起士兵嚴重的生理和心理應激反應，從而導致軍人的作業能力降低[5]。對單兵生理狀態連續實時監測與分析，可以客觀地評估作業能力，從而指導科學訓練并減少訓練傷發生[6-7]。一些發達國家研制出了多種軍用的可穿戴監測設備，如美軍的Smart T-Shirt[8]、Life Guard[9]、C-WHMS[10]、Zephyr 系 統[11]和 英 國Equivital 公 司 的“Black Ghost”軍事監測系統[12]，實現心電、呼吸、體溫、體位/體動的生理參數遠程監測和狀態預警，同時基于系統可以深入研究軍人訓練過程中的生理參數變化、效能評估方法等。相較而言，我軍在該領域的研究相對薄弱，起步相對較晚。在穿戴式生理信號檢測技術方面，很多高校、研究機構以及企業都在開展研究工作[13-16]，但缺少能夠真正用于軍事作業醫學研究的設備，對連續生理數據在軍事醫學應用研究中的可行性、應用模式和價值研究不足。可穿戴設備在軍事作業醫學中具有極其重要的應用前景，但目前尚未大規模應用到軍事訓練中，收集的連續生理數據未被充分挖掘、分析、利用。為解決此問題，本文提出了用于軍事作業醫學研究可穿戴設備中的隨行監護系統(SensEcho)[17]，分析了該系統在真實軍事作業訓練中采集生理數據的效果，為軍事作業醫學研究提供新的技術方法和手段。

對象和方法

1 研究對象 系統自2018 年在某新兵訓練基地部署，每年收集9 - 12 月新兵訓練3 個月的軍事訓練數據，進行軍事作業醫學研究。隨機選取2019年度新兵40 人，均為男性，年齡(20.35±1.70)歲，身高(175.13±5.12) cm，體質量(69.75±7.95) kg，按照3 km 越野考核成績進行排序，排名前20 名和后20 名的新兵，分為成績高(組1)和成績低(組2)兩組進行各參數比較分析。

2 隨行監護系統 SensEcho 系統由監測終端、無線組網和數據傳輸以及中央監測系統三部分組成。系統終端為柔性背心，內嵌有心電、呼吸、體位/體動傳感器(圖1)，實現生理信號長時、連續、低負荷的獲取。信號采集存儲、無線傳輸電路在可拆卸記錄盒內，該盒內集成有采樣頻率25 Hz 三軸加速度傳感器，用于記錄體位和體動信息，并可以實現身體姿勢和活動信息的捕捉和記錄。該系統采用的是導電性能良好的織物電極，可以獲取頻率為200 Hz 單導聯心電信號；呼吸信號檢測采用呼吸感應體積描記技術，頻率為25 Hz；設備信號記錄盒(設備主機)可以通過藍牙與第三方傳感器連接，采集其他生理信號。無線生理信號傳輸單元為基于Wi-Fi 技術的組網系統，包括超低功耗Wi-Fi 模塊和WLAN 系統，采用多個路由器，能夠實現區域內多個士兵的移動監護、無線組網和漫游數據傳輸。

圖 1 SensEcho監測系統Fig. 1 SensEcho monitoring system

3 中央監測系統 中央監測系統實現所有隨行生理參數監測終端數據的顯示和士兵集中管理，能夠實時地顯示每一名士兵的心電、呼吸、體位、體動生理波形，歷史趨勢，活動狀態(臥床/活動)以及是否在線。中央監測系統設計有后臺數據服務器和算法服務器，與傳統的中央監測系統不同，所有監測終端的數據都先發送到數據和算法服務器，在算法服務器經過分析處理后將結果推送到中央監測系統。算法服務器能夠對連續生理數據進行深度的分析處理，如心率變異性(heart rate variability，HRV)分析、活動量分析、多尺度熵(multiscale entropy，MSE)分析[18-19]、睡眠質量分析、應激-響應分析等，通過士兵當前的精神-心理狀態、睡眠情況、運動-恢復水平，綜合分析士兵的作業能力。見圖2。

4 軍事作業過程中監測與評估指標 1)睡眠質量分析：通過基于心電和呼吸信號的睡眠分期算法[20]，分析士兵夜間睡眠情況和整體睡眠質量，包括睡眠總時間、睡眠分期情況、睡眠呼吸事件發生時間和頻率等。2)HRV 分析：通過HRV 時域指標、頻域指標和非線性指標對士兵全天的HRV分析并總結。3)整體健康度分析：通過心率的MSE 分析量化時間序列復雜度，反映人體系統的整體功能狀態，監護軍事作業中士兵的生命體征。4)活動量分析：通過三軸加速度傳感器判斷士兵當前的活動狀態，統計每天各種活動類型的占比。5)短時應激響應：對跑步過程中的心率和呼吸頻率時序信號進行分析，如運動過程中最大心率、最大呼吸率、運動后心率恢復(30 s，1 min，2 min)情況[21]。6)長時應激響應：對每日的心率、三軸加速度時序信號進行分析，通過三軸加速度選擇靜止狀態，計算靜息心率、靜息心率變異性，代表士兵整天的身體基線水平。

5 信號質量評估 由于采集的心電和呼吸信號來自于真實世界，存在著噪聲的干擾，故信號是否可以用于下一步的數據分析需要提前進行判斷[22]，對軍事訓練中采集的數據集進行信號質量的標注，得到人工標注有標簽的數據集；其次，心電(呼吸)信號通過30 s(10 s)時間窗提取特征，采用孤立森林模型，獲得該時間段信號的評分；最后，將模型得到的評分映射到三分類的信號質量評估結果中，得到信號質量好、中、差的結果，分別標記為1、2、3。

6 試驗方法 受試士兵選擇日常訓練的1 ～ 2 d，穿戴隨行監護系統，受制于士兵的實際意愿和部隊訓練任務，實驗中士兵每周佩戴1 次設備，每次采集的總時間24 ～ 48 h。實驗中記錄的士兵基本信息通過環境監測設備測量環境的溫度、濕度、光照強度、風速、噪聲等。

7 分析指標 1)對采集的心電和呼吸信號的質量進行分析，統計信號質量好、中、差所占的比例。2)通過采集新兵的3 km 測試成績，選取成績好與差的兩組士兵各20 名，計算兩組的睡眠質量(睡眠效率、睡眠總時間、睡眠潛伏期、每個睡眠分期占比)、3 km 測試過程中和運動后恢復指標(最大心率，最大呼吸率，心率恢復時間)。

8 統計學方法 采用Python3.6 軟件進行統計分析，數據均為計量資料，符合正態分布，以表示，兩組對比采用獨立樣本t 檢驗，不符合正態分布，以Md(IQR)表示，兩組對比采用Kruskal-Wallis 秩和檢驗，P ＜0.05 為差異有統計學意義。

結 果

圖 2 生理狀態監測示意圖Fig. 2 Schematic diagram of physiological state monitoring method

1 信號質量評估 如表1 所示，心電信號質量好和中所占比例分別為72.52%±6.38%和9.99%±1.16%，呼吸信號質量好和中所占比例為52.26%±2.48%和32.36%±1.79%，系統采集的心電與呼吸信號質量好和中所占比例均在80%以上，表明系統可高質量采集新兵軍事訓練過程中的數據。圖3 分別展示了心電信號和呼吸信號質量好、中、差的示例。對于心電信號，在信號質量好時，算法可以準確地檢測出波峰的位置；而信號質量差時，由于運動偽跡對R 波檢測會造成影響，部分波峰位置難以判斷。呼吸信號在夜間質量好時波形很平穩，沒有基線的漂移(圖3D)，但由于其自主性較強，個人的呼吸模式對呼吸信號的波動產生較大影響(圖3E)。圖3F 是在低強度活動中的呼吸信號，由于信號中存在運動偽跡，對質量算法判斷的準確率影響較大。

表1 心電和呼吸信號質量統計Tab. 1 ECG and respiratory signal quality evaluation

2 軍事作業中實時生理狀態監測 應用SensEcho監測系統共采集了連續生理數據810 人次(2018年210 人次，2019 年600 人次)，采集的數據平均時長為(36.24±12.01) h。一個中央臺系統可同時監測64 名士兵，一個界面可以同時顯示16 名士兵的生理信號。圖4 中展示的是在安靜狀態和運動狀態下中央臺實時監測的界面。可以看出，在安靜狀態下，采集的信號較穩定，無運動偽跡的干擾；在運動狀態下，雖然存在著運動偽跡干擾，即使是在心率達到160/min 的高強度運動狀態下，系統也能準確地監測士兵的生理數據。圖5 顯示的是真實3 km 運動過程中一名士兵的生理參數變化，圖中信號自上而下分別為體位體動、心率、呼吸率在3 km 測試前中后的變化趨勢。

圖 3 心電信號質量好(A)、中(B)、差(C)，呼吸信號質量好(D)、中(E)、差(F)示例Fig. 3 Examples of good (A), moderate (B), and poor (C) quality ECG signals, and examples of good (D), moderate (E), and poor (F) quality respiratory signals

3 兩組生理參數比較 如表2 所示，兩組士兵的年齡、身高、體質量等基本信息無統計學差異(P ＞0.05)。從睡眠指標可以看出兩組的睡眠效率均較高，睡眠質量好，各睡眠分期占比在正常范圍內。組1 的深睡比例高于組2(16.24%±5.62% vs 12.19%±4.95%，P ＜0.05)，提示睡眠指標中深睡時間與第2 天運動表現相關。組1 運動后心率恢復差值(1 min、2 min) 下降快于組2[(37.89±5.53)/min vs(31.97±6.20)/min，P ＜0.001、(60.89±6.61)/min vs(49.30±4.76)/min，P ＜0.001]，反映出運動表現與運動后的心率恢復之間有較強的相關性。

討 論

本文介紹了隨行生理參數監測系統在軍事作業醫學中的應用模式，對采集的連續生理數據可用性進行了分析，并基于連續生理數據對軍事作業醫學研究方法進行了探索，總結了連續生理數據客觀評估作業效能的方法，在新兵軍事訓練數據中進行了初步驗證。該系統不僅可以實現實時、長程、低負荷的生理狀態監測，實現在不影響士兵訓練的同時監測生理信號，并通過信號質量評估、信號處理、數據挖掘、數據分析的方法發現軍事訓練過程中的連續生理數據隱含的有價值的信息。進一步，通過機器學習、深度學習的方法基于大樣本軍事訓練數據建立軍事作業效能的評估方法，對我軍軍事作業醫學中生理狀態監測、軍事作業能力評估具有重要的意義。

圖 4 中央監測系統的實時生命體征和信號波形圖Fig. 4 Real-time vital signs and signal waveforms in the central monitoring system

我們的研究中亦存在著一些不足。首先，現階段的研究是基于單一群體，不能完全滿足針對不同軍事作業群體、類型、強度、環境下作業的能力評估，由于作業環境的差異，對士兵的生理-心理、睡眠情況、運動能力等會產生不同的影響，故需進一步探索其他場景下方法的適用性。其次，在高強度運動過程中，運動偽跡較難去除，心電信號檢波、信號質量評估需繼續優化。最后，本文對基于連續生理數據軍事作業效能的評估方法進行了初步探索，重點針對運動和睡眠中的指標進行分析，下一步我們將繼續探索表征士兵作業效能的其他生理參數，并將方法應用于大樣本軍事訓練數據集中以驗證其有效性和準確性。

圖 5 一名士兵在3 km越野前、中、后中心率、呼吸頻率、三軸加速度信號趨勢的變化Fig. 5 Changes in heart rate, respiratory rate, and triaxial acceleration signal trends of a soldier before, during and after 3km run.

表2 兩組士兵各生理指標對比Tab. 2 Comparison of physiological indexes between the two groups

在后續研究中，我們將首先致力于基于可穿戴設備采集的生理數據作業效能評估方法的有效性和進一步驗證的研究，將根據軍事作業過程中指戰員指出的亟待解決的問題，探索如何科學訓練，防止過度疲勞、訓練傷等不良事件的發生。探索運動過程中疲勞程度的閾值報警、預警模型。同時，我們將考慮個體間的差異性，基于大樣本的軍事應激訓練數據庫挖掘重要的參數，尋找建立個體化預測模型的方法。其次我們將繼續采集多種軍事任務、不同軍兵種、極端作業環境下軍事作業過程中的數據，進一步擴大樣本量，驗證作業效能評估方法和智能隨行系統的有效性、實用性。

綜上，本文對SensEcho 系統在軍事作業醫學中采集數據的有效性進行了分析，探索了基于該系統采集的連續生理數據軍事作業效能評估的方法，并基于該方法對士兵運動表現與生理指標之間的關系進行了研究。在未來工作中，我們將繼續深入探索可穿戴設備在軍事作業醫學中的應用價值，挖掘連續生理數據中隱含的信息。相信以智能隨行系統為代表的可穿戴設備將在軍事醫學中發揮重要作用，該系統不僅可以應用于平時的新兵訓練、新兵選拔、科學訓練，減少訓練傷的發生，也可以用于戰時戰場實時監測、危機值報警、檢傷分類等，為指揮員/戰地醫生提供更多基于數據驅動的信息。