基于人工智能與5G通信的醫療檢測設備管理系統設計

張宏慶，賈利

（濰坊市益都中心醫院設備科，山東青州 262500）

人工智能(Artificial Intelligence)算法[1-6]和5G(5th-Generation)通信[7-10]技術是目前發展最快也是最具研究和應用價值的技術，它們的有效應用可以提高人類的生活質量和減少損耗。文中針對現在醫療設備存在的通信延遲率高、處理數據慢、嚴重影響到了醫生對患者病因的診斷效率和準確性等問題，將人工智能算法和5G 通信技術應用到醫療設備領域，設計了一套基于人工智能[11-13]與5G 通信的醫療檢測設備管理系統。

設計的系統采用各類傳感器采集病患身體各類生理數據，例如心跳、體溫等，通過5G 通信技術將傳感器采集的數據發送到分析平臺，平臺采用人工智能算法快速地對數據進行分析和處理，將分析出來的數據使用5G 通信技術傳輸到臨床醫生處或者醫院管理層處，為各種治療和決策提供有效的數據支撐[14-16]。經過試驗證明，設計的基于人工智能與5G通信的醫療檢測設備管理系統有助于縮短醫療設備之間通信延遲、提高數據處理能力，有效提高了醫生的診斷效率和準確性。

1 物聯網系統

構建完備的設備間的物聯網系統是5G 通信環境中物聯網技術應用的關鍵。在5G 應用環境中，繞過基站或通信接入點，通過蜂窩資源、Wi-Fi 或藍牙技術建立設備之間的直接連接，實現中繼通訊。

醫用物聯網在5G 網絡場景中的應用仍然需要面對許多嚴峻的挑戰，例如異構環境中的有效設備發現與使用、針對高度動態的多用戶網絡的優化鏈路選擇、網絡安全問題等。

考慮到醫用物聯網的應用場景，文中首先設計了基于溫度傳感器、心跳心率傳感器、重力測步傳感器的醫療數據采集終端網絡。通過監測模塊、各種傳感器、STM32 單片機、5G 無線通信、分析平臺、控制模塊等設備，應用模塊化的設計思想構建基于人工智能與5G 通信的醫療檢測設備管理系統，系統的架構如圖1 所示。設計的系統采用溫度測控模塊、心率測控模塊、重力測控模塊、物聯網分析平臺、電腦或手機等終端設備，實時監測病患的生理特征情況。測量數據通過5G 通信技術實時上傳并保存在分析平臺上，平臺分析得出的結論，同時將其分享給病患和醫療人員。當病患出現異常情況時，醫療人員可以第一時間獲取病患的各種病情數據，便于醫療人員制定合適有效的治療方案。

圖1 智能醫療檢測設備管理系統

1.1 物聯網分析平臺

物聯網分析平臺是在中國移動物聯網公司研發的開放平臺的基礎上進行自我所需的開發，采用這個開放平臺的原因是該平臺可以為醫療檢測設備管理系統提供良好的物聯網領域的技術支持，確保病患的各項生理特征數據的存儲、分析、數據和信息傳輸的低成本高效運行。數據處理部分采用自主研發的人工智能算法進行快速的處理數據，便于節省時間。

1.2 溫度傳感器

體溫是衡量人體健康的重要指標，設計的系統中采用進口的DS18B20 高精度溫度傳感器，可以直接將溫度模擬信號轉換成數字信號，只需要用數據線就可以直接連接在單片機上，耗費的資源少，這款溫度傳感器的測量范圍在-55～+125 ℃之間，在人體正常溫度范圍內的測量精度可以達到±0.5 ℃，完全滿足體溫測量的需要，電路原理如圖2 所示。

圖2 溫度傳感器電路圖

1.3 心跳心率傳感器

為準確檢測出心臟類疾病，文中設計了一款基于電容式傳感器的心跳心率傳感器，其由兩個絕緣的內電極和外電極組成，兩電極之間填充介電常數為ε的電解質，傳感器之間的電容量為：

心率數據采集傳感器原理如圖3 所示。

圖3 心率采集傳感器電路圖

1.4 重力測步傳感器

重力測步傳感器采用廣泛應用于電子設備的重力感應器對病患的行走步數進行計數，以達到動態檢測病患身體是否健康的目的，采用彈性敏感元件和彈簧來驅動電觸點，完成重力變化到電信號的轉換，其電路如圖4 所示。

圖4 重力感應器原理圖

1.5 電源電路模塊

為保證硬件網絡的穩定運行，文中使用ASM1117-3.3 穩壓芯片設計硬件設備電源，該型號的芯片具有眾多優勢，其輸出的電壓相對穩定，可以對系統的正常工作提供保障。穩壓電路原理如圖5 所示。

圖5 穩壓電路原理圖

2 人工智能算法

在基于多種傳感器的物聯網硬件網絡上，正確、高效地識別大量數據中的有用信息，是醫療檢測系統正常工作的關鍵。文中基于神經網絡，建立了一套智能數據挖掘的算法體系。

數據挖掘是從大型數據集中提取隱藏信息的過程，存在許多不同的方法。數據挖掘技術不僅需要特定類型的數據結構，而且需要依據算法構造特定的處理流程。文中基于對醫療信息的考量，使用ANN 神經網絡，建立數據挖掘的流程。為實現對數據的準確處理，首先對傳感器系統的硬件進行特征提取，然后將處理后的標準化數據輸入神經網絡模型，最終實現對醫療數據的準確識別。

2.1 特征提取

傳感器采集數據之后，數據一般有包含以下幾個特征：微分熵(DE)、有理不對稱(RASM)、能譜(ES)和微分不對稱(DASM)。

微分熵的作用是量化變量的概率不確定性總量分布，某一頻率帶能譜的對數等于微分熵，ES 是信號 在Delta(2～3 Hz)、Theta(4～6 Hz)、Alpha(7～12 Hz)、Beta(13～29 Hz)、Gamma(32～49 Hz)（誤差±1）這5 個頻率帶上面的平均能量，因此文中以微分熵作為這5 個頻率帶的特征。

不對稱性(ASM)由有理不對稱和微分不對稱組成，DASM的定義為：

RASM的定義為：

式中，DASM和RASM分別代表28 對數據的微分熵的差和比的特征。

采用梯度下降法平滑上述特征，模型的計算公式如下：

式中，zn是電腦的原始特征觀測變量，xn為隱變量，B代表隱變量轉移矩陣；Γ、Σ 是神經網絡模型的參數，C是模型的發射矩陣。

2.2 人工智能算法模型

神經網絡模型(Adaptive Neural Network,ANN)是在BP(Back-Propagation)神經網絡的基礎上改進而來的。文中設計的神經網絡結構如圖6 所示。

圖6 自適應神經網絡結構圖

從圖6 可以得出，ANN 網絡在tn時，激勵輸出的加權和如下：

第j層第l節的激勵輸出為：

其中，f(x)是神經網絡中廣泛使用的激勵函數。

神經網絡在tn時刻全部的MSE為：

di(tn)是第i個神經節點在tn時刻時的期望輸出，采用大多數情況下的梯度下降算法來減小誤差E(tn)：

神經網絡中采用鏈式法進行權值參數的調整：

又因為：

定義：

則有：

采用相同的方法進行延遲參數的修正：

為減少神經網絡模型識別時存在的誤差，對權值和延遲進行了修正，從而可以獲得更準確的參數。

3 仿真實驗

文中設計了實驗驗證系統以測試所設計醫療檢測設備管理系統的性能。首先，比較所設計的人工智能算法和文獻方法的數據處理時間消耗情況，證明了所提人工智能算法的優越性。

從圖7 中可以看出，在處理數據量比較小時，設計的人工智能算法和其他文獻中提出的算法在數據處理的時間方面，其性能不相上下。但是當數據量達到一個閾值時，這幾種算法處理數據的耗時發生了明顯的改變，設計的人工智能算法耗時的增速變化比較緩慢，其他文獻中提出的幾種算法耗時量都出現了不同程度的急劇增加，特別是文獻[14]提出的算法耗時增加的最多。可以看出，設計的人工智能算法的優越性較為顯著，可以滿足系統實時性的要求。

圖7 數據處理算法效率圖

對系統綜合性能進行實驗成功率測試與分析，結果如表1 所示。

表1 系統實驗成功率

從表1可以看出，當實驗次數較少時，系統實驗成功率可以高達95%。隨著實驗次數的增加，成功率有所降低，總體性能可以滿足準確性要求。通過實時性和準確率這兩方面的實驗結果可以看出，設計的基于人工智能與5G 通信的醫療檢測設備管理系統的性能較為良好，能夠滿足醫療領域的用戶需求。

4 結束語

文中分別從人智能算法建模和物聯網系統兩個方面設計了基于人工智能與5G 通信的醫療檢測設備管理系統，系統采用分布在病患身上的各類傳感器采集病患生理特征數據，采用5G 高速通信技術將傳感器采集的數據發送到分析平臺，分析平臺采用人工智能算法快速地對數據進行分析和處理，將分析出來的數據使用5G 通信傳輸到臨床醫生或者醫院管理層，為各種治療和決策提供數據支撐。經過試驗證明，文中設計的基于人工智能與5G 通信的醫療檢測設備管理系統有助于解決醫療設備之間通信延遲，處理數據慢等問題，有效提高了醫生對患者病因的診斷效率和準確性。