一種快速響應的紅外實時體溫監測系統

顧俊俊，陳向東，丁 星，馬 靜

（1.西南交通大學 信息科學與技術學院，四川 成都 611756；2.西南交通大學 設計藝術學院，四川 成都 611756）

0 引 言

在近年來嚴峻的疫情形勢下，體溫作為評判患者病情狀況的因素之一，可通過將可穿戴便攜式測溫終端設備置于患者的合適部位來形成穩定的測溫腔室進行實時監測。這樣不僅能夠降低醫療監護的成本，還能減少患者與醫護人員的直接接觸，大大降低交叉傳染的可能[1-2]。文獻[3]應用四片DS18B20組成的測溫陣列采集用戶腋下的體溫并實現實時的體溫檢測，但作為接觸式傳感器，它對溫度反應速度較為緩慢，如果要采集到較為穩定的體溫數據需要10 min左右。因此，本系統將MLX90614_DCC作為核心模塊設計了一種快速響應的體溫監測系統。

1 系統總體框架設計

本文設計出快速響應的紅外體溫實時監測系統，主要應用于術后病人或療養院老人這類行動不方便的人群，應用紅外傳感器對溫度做出快速響應，及時獲取病人體溫數據信息。系統的整體架構如圖1所示，總共分為四個模塊：溫度采集終端、網關、數據服務器和PC監控端。

圖1 系統整體架構

在溫度采集端應用了兩片MLX90614_DCC醫療級紅外溫度傳感器作為核心模塊，兩片傳感器之間相距3.2 cm，形成測溫陣列，達到兩點測溫的效果，使體溫數據更加精準，以其紅外溫度和內部包含的環境溫度作為參考可以更快達到穩定。此外，作為穿戴設備，為了穿戴舒適且防止佩戴時汗液浸濕終端，系統利用3Dmax技術設計出封裝外殼方便佩戴，如圖2所示。

圖2 紅外測溫終端設備

設備整體的大小為長6.12 cm，寬3.32 cm，高2.63 cm。整體封裝分為上下兩個部分，上層為傳感器層，下層為鋰電池層。為了不遮擋紅外傳感器接收信號，上層封裝進行了開孔處理，使紅外溫度讀數更加精準。

文獻[4]進行了腰腹部和腋下測溫效果的對比，實驗表明腋下和腰腹的溫度差異無統計學意義。考慮到穿戴舒適，將設備佩戴于腰腹部形成測溫腔室進行測溫，如圖3所示。數據采集后經ZigBee+GPRS網關模塊發送至數據服務器處理，應用服務器內嵌的KNN算法進行干擾數據濾除，運用ARIMA預測模型算法預測后續溫度變化趨勢并保存至數據庫，管理員可通過給定的網址查看用戶的實時體溫及變化趨勢。

圖3 測溫終端佩戴方式

2 整體系統的硬件模塊

2.1 紅外溫度監測終端設計

本系統設計的體溫監測終端需要滿足方便、快速、穩定、長時間的測量要求，因此采用了2片高精度、快響應的MLX90614紅外溫度傳感器[5-6]組成測溫陣列作為系統的核心測溫模塊，兩片傳感器互為參考，經后續算法處理，使溫度讀數更加精準。為滿足系統低功耗、高精度的要求，所以選擇該傳感器下的DCC系列，其工作環境溫度范圍為-40～125 ℃，被測物體溫度范圍為-70～380 ℃，精度能達到±0.1 ℃，擁有17位A/D轉換器和數字信號處理單元。

MLX90614_DCC紅外溫度傳感器反應速度極快，在正常測量溫度即測量端口距離被測物體2～5 cm時，測量反應時間可達到2 s。在本系統中，測量時要求貼緊皮膚表面，并需要一定的穩定時間。對此，系統進行可穿戴測溫設備反應時間測試，分別對電子體溫計、DS18B20和MLX90614測溫終端設備進行測試，待溫度穩定后記下所需要的時間。表1是10次的反應速度測試對比結果。從表中可以看出，MLX90614紅外式溫度傳感器相對于傳統的電子溫度計和接觸式溫度計反應速度快2～3倍，比較符合本系統快速響應的需求。

表1 反應速度測試對比

可穿戴式紅外測溫終端電路使用AD 18軟件進行電路原理圖和PCB的繪制。如圖4所示為測溫終端的整體構成和框架，共包含三個模塊：兩片MLX90614紅外溫度傳感器、3.0 V穩壓電路模塊和E18-MS1-IPX通信模塊。其中溫度傳感器模塊的溫度數組由傳感器的紅外讀數和環境讀數構成，一組數組有4個溫度數據。

圖4 測溫終端整體框架

2.2 ZigBee+GPRS網關模塊

如圖5所示是網關連接的整體框架。本系統主要應用于醫院、療養院這類患者用戶小范圍活動的場合，為了降低功耗和成本，網關模塊選用了由ZigBee協調器和GPRS無線通信模塊[7-8]組成的異構網絡，兩個網絡模塊通過電源線和RX、TX信號線進行連接，給GPRS模塊插入有效的移動SIM卡。接入電源模塊給整個網關模塊進行供電，ZigBee協調器進行初始化設置并且和測溫終端模塊組建網絡，同時向GPRS發送AT指令初始化GPRS網絡[9]。

圖5 網關連接整體框架

3 后臺服務器設計

本系統的后臺服務器[10]主要分成兩個部分：數據服務器和Web客戶端，它們為數據的處理和體溫查詢提供了平臺。

3.1 數據服務器

數據服務器應用了TCP Socket協議，接收SIM900A傳輸的數據并實時處理。一方面，由于接收到的數據會受到測溫終端本身或傳輸的影響產生一些干擾項，通常對干擾數據利用卡爾曼濾波、最小二乘法等方式濾除，針對體溫數據隨機且平穩的特點，利用服務器內嵌的KNN算法濾除干擾數據。另一方面，考慮到人體溫度在時間上具有連續特點，應用時間序列預測模型ARIMA算法進行訓練學習，從而對人體溫度進行變化趨勢預測。

3.2 Web客戶端設計

本系統的后臺管理系統為Web客戶端，它主要以Tomcat服務器作為容器，運行于設計開發的平臺。將后臺應用管理系統部署到Tomcat上，通過花生殼進行內網穿透至外網，管理員通過任意外網瀏覽器登錄固定網址查看監測平臺。

4 算法模型設計與實現

4.1 算法實現的整體框架

本系統首先對采集到的數據進行判別和預處理，如圖6所示，對采集的受測量誤差或傳輸干擾的數據進行算法修正，并為后續的體溫預測算法提供數據；應用時間序列預測模型ARIMA算法對人體溫度變化趨勢進行預測，可為患者病情判斷提供參考[11]。

圖6 算法實現整體框架

4.2 KNN分類算法濾除干擾數據

本系統中溫度采集終端采集到的數據是一組由兩個紅外溫度和兩個環境溫度構成的數組，但如果存在某個時刻體溫發生異常的波動，則需要對干擾數據進行濾除，所以系統在數據服務器端內嵌KNN濾除算法，對接收到的數據進行干擾判別并濾除；如果發現數組中存在嚴重偏差，就濾除當前的數組中偏差大的數據，并用其余溫度進行算法補全，之后再把得到的數據保存到數據庫中。圖7是KNN算法上位機實時處理界面。

圖7 KNN上位機實時處理

4.3 時間序列預測模型

4.3.1 ARIMA模型介紹

文獻[12]應用時間序列ARIMA模型對奶牛溫度數據進行訓練分析，由此可以預測奶牛生理健康狀況。ARIMA模型[13-14]全稱為差分整合滑動平均自回歸模型，由三個部分組成：AR(p)自回歸模型，I(d)差分，MA(q)滑動平均模型。整體的模型公式為：

在此模型中，需要確定的三個參數分別是p、q、d。p和q指的是ARIMA模型自回歸和滑動的階數，d是時間序列的差分階數。

4.3.2 ARIMA模型建立步驟

（1）時間序列的平穩性判斷

本系統的溫度序列滿足時間序列平穩性的特點，可用ADF的方法檢驗序列平穩性，在MATLAB中調用adftest（data）可以查看序列是否平穩。若結果返回1，表明序列平穩，可進行后面的步驟；若返回的結果是0，表明序列不平穩，需要進行差分處理，差分的階數需要根據返回的結果確定，保證方差較小。

平穩性的最終目標是更準確地預測體溫的趨勢變化。非平穩時間序列太過雜亂無章，有的甚至完全無規律可循，而平穩時間序列本身存在某種分布規律，前后具有一定自相關性且能夠延續下去，進而可以利用這些信息幫助預測體溫變化。

通過序列平穩性特點，鄰近時間序列分布存在數據關聯，可以緩解由于樣本容量少導致的估計精度低的問題。如果連單個隨機變量的分布都難以求出，就更不用說求解由一堆隨機變量組成的多維隨機向量的聯合分布有多困難了。嚴平穩過于理想化，實際上很難檢驗一個時間序列的嚴平穩性。因此就放松部分條件限制，不局限于嚴平穩，主要著眼于寬平穩，條件為：①均值E(Xt)=μ是與時間t無關的常數；②方差Var(Xt)=σ2是與時間無關的常數；③協方差Cov（Xt,Xt+k)=γk是與時間間隔k有關、與當下時刻t無關的常數。

至此可以使用差分法，一方面可以讓ARIMA模型里面的μ=0，另一方面確定合適階數的差分可以增強序列的平穩度。

（2）確定p、q的值

根據本系統時間序列只有體溫數據這一變量的特點選用了自相關函數和偏相關函數聯合確定p、q值的方法。其中偏相關函數公式如下：

其中ρ(k)的取值范圍是[-1，1]。

值得注意的是ACF并不是絕對的兩個變量之間的相關性，在實際的序列中，yt還會受到中間k-1個隨機變量yt-1,yt-2,...,yt-k+1的影響，然而這k-1個隨機變量和yt-k具有相關關系，所以對于這種情況，需要引入PACF的概念。如圖8和圖9所示為經過一階差分數據處理后的序列自相關和偏自相關情況。

圖8 平穩信號自相關情況

圖9 平穩信號偏自相關情況

在得到數據自相關函數和偏相關函數后，根據表2可預估模型的類型并確定相應p、q的值。

表2 ACF、PACF對照表

（3）數據訓練

在本次數據序列訓練中，共導入了243個數據序列進行訓練，同時設置了模型的參數范圍、模型置信區間和預測數據所占比例。本次訓練中，訓練數據占70%，預測數據占30%。如圖10所示，灰色曲線為訓練數據，黑色曲線為實際溫度變化曲線，深灰色曲線為體溫預測曲線，黑色和深灰色在整體變化上相差不大，表明在一定程度上可以應用該算法對溫度變化進行預測。

圖10 模型訓練預測

（4）ARIMA模型預測

重復步驟（2）和（3）訓練得到合適的預測之后，最終確定的模型是 ARIMA（2，1，3），對應的 ARMA（p，q）模型函數為：

上式僅適用于當前訓練的數據，實時數據變化時，參數和模型也會相應地變化。

在確定使用該函數模型后，可對體溫進行預測分析，同時加入了需要預測的時間步長和置信區間。如圖11所示，可直觀看到在已設步長內的溫度預測及溫度變化置信區間。本系統預測設置的步長是30，置信區間為95%。

圖11 ARIMA（2，1，3）模型預測

（5）Durbin-Watson檢驗

通過Durbin-Watson統計量檢驗殘差分布是否為正態分布。如果殘差不服從正態分布，那么模型是偏移的，對序列模型的預測解釋能力欠缺。同時Durbin-Watson統計量在2左右說明殘差服從正態分布，如果偏離太遠還需要重新選擇模型。本系統中訓練Durbin-Watson結果為1.943 8，符合要求。

5 系統測試

本文對整體系統進行測試，主要包括：測溫終端反應速度、后臺服務平臺體溫監測效果及預測溫度展示。

（1）在用戶穿戴上紅外體溫監測終端設備前，用酒精對腰腹部進行消毒擦拭，測溫終端封裝用棉絮填充防止汗液滲入。綁緊設備于腰腹部，使設備與皮膚形成穩定的測溫腔室。

（2）打開網關和服務器設備，對傳感器采得的體溫數據先經過初步的篩選處理并打包，通過網關傳送到服務器上。

（3）服務器端進行KNN干擾數據濾除和ARIMA體溫預測模型處理，再把數據保存到數據庫。

（4）打開Web服務端，登錄管理員賬號，對用戶進行實時體溫、歷史溫度、預測溫度、人員信息等查詢。

如圖12所示為紅外溫度傳感器反應速度測試，測試時間從14點56分開始到14點57分39秒結束，反應時間為1分40秒左右，滿足快速反應要求。

圖12 終端設備反應速度測試

如圖13所示，在后臺實時監控界面上可以實時查看用戶的體溫變化和預測體溫，實時監測曲線的更新周期為5 s，預測溫度是對體溫的趨勢進行預測，預測溫度更新時間為5 min，經實驗證明誤差不超過0.4 ℃。

圖13 溫度實時監測界面

6 結 語

本文設計了一種快速響應的體溫實時監測系統，利用紅外溫度傳感器佩戴至腰腹位置實現了連續溫度監測的快速響應，一定程度上減少了醫生獲取病人體溫數據的時間。在數據服務器內嵌套KNN干擾數據濾除算法和ARIMA預測模型算法，在一定程度上實現了體溫的精準測量和體溫趨勢變化預測。