“IoT+數(shù)據(jù)挖掘”下醫(yī)院智慧醫(yī)療健康管理系統(tǒng)設(shè)計(jì)

摘 要：為更好地實(shí)現(xiàn)信息采集及患者監(jiān)控，本文基于IoT（物聯(lián)網(wǎng)）和數(shù)據(jù)挖掘技術(shù)，設(shè)計(jì)了一種醫(yī)院智慧醫(yī)療健康管理系統(tǒng)。該系統(tǒng)旨在通過實(shí)時(shí)監(jiān)測和分析患者的生理參數(shù)和醫(yī)療數(shù)據(jù)，提供個(gè)性化的醫(yī)療服務(wù)和健康管理，以改善醫(yī)療質(zhì)量和患者的生活質(zhì)量。系統(tǒng)結(jié)合可穿戴傳感器，基于MYC-CZU3EG（ARM Cortex-A53+FPGA邏輯單元）運(yùn)行AI算法GA-BP 精確測量血壓、血氧、心率、呼吸、身體姿態(tài)等生理信息，從中提取有價(jià)值的信息。基于這些信息，系統(tǒng)為醫(yī)生提供個(gè)性化的診斷和治療建議，同時(shí)也為患者提供健康管理和預(yù)防措施。

關(guān)鍵詞：智慧醫(yī)療；IoT；數(shù)據(jù)挖掘

中圖分類號：R 19" 文獻(xiàn)標(biāo)志碼：A

隨著人口老齡化和慢性疾病增加，對醫(yī)療服務(wù)和健康管理的需求也越來越大[1]。傳統(tǒng)的醫(yī)療模式已經(jīng)無法滿足這種需求，因此智慧醫(yī)療健康管理系統(tǒng)逐漸發(fā)展起來[2]。本文旨在利用IoT和數(shù)據(jù)挖掘技術(shù)，設(shè)計(jì)一種創(chuàng)新的醫(yī)院智慧醫(yī)療健康管理系統(tǒng)，以提高醫(yī)療服務(wù)的效率和質(zhì)量，同時(shí)改善患者的生活質(zhì)量。

1 系統(tǒng)整體架構(gòu)設(shè)計(jì)

系統(tǒng)整體架構(gòu)模式都是基于“IoT 大數(shù)據(jù)挖掘”醫(yī)院智慧醫(yī)療健康管理系統(tǒng)的核心部分。本系統(tǒng)的整體架構(gòu)包括數(shù)據(jù)采集與存儲(chǔ)層、分析層和應(yīng)用服務(wù)提供層。

1.1 數(shù)據(jù)采集與存儲(chǔ)層設(shè)計(jì)

數(shù)據(jù)收集是系統(tǒng)的第一步，通過傳感器及設(shè)備獲得人的生命臨床癥狀和醫(yī)藥信息數(shù)據(jù)信息，并把它傳輸至系統(tǒng)內(nèi)進(jìn)行存儲(chǔ)與分析。在系統(tǒng)中使用了各種傳感器機(jī)器設(shè)備，例如溫度感應(yīng)器、血壓儀和血氧儀等，及時(shí)收集人的生命體征數(shù)據(jù)。與此同時(shí)，設(shè)置醫(yī)藥信息存儲(chǔ)芯片，將患者的病史、檢驗(yàn)結(jié)果、治療方式等醫(yī)藥信息進(jìn)行存儲(chǔ)，便于后面用戶數(shù)據(jù)分析與應(yīng)用。

1.2 分析層設(shè)計(jì)

分析層是系統(tǒng)的核心部分，主要對收集到的信息進(jìn)行解決與分析，給予決策分析和臨床診斷等服務(wù)。制定分析層的架構(gòu)，包括數(shù)據(jù)的預(yù)處理控制模塊、svm算法模塊模型推理控制模塊。根據(jù)數(shù)據(jù)的預(yù)處理和svm算法，能夠把原始記錄轉(zhuǎn)換成可剖析的方式，并提取出病人身體狀況特點(diǎn)。選用大數(shù)據(jù)挖掘和人工智能的方式，對特點(diǎn)進(jìn)行分析和建立模型，并進(jìn)行病人疾病風(fēng)險(xiǎn)評估、疾病預(yù)測等服務(wù)。除此之外，配備數(shù)據(jù)統(tǒng)計(jì)控制模塊，便于醫(yī)護(hù)人員和科研人員查詢與分析保存的醫(yī)藥信息。

1.3 應(yīng)用服務(wù)提供層設(shè)計(jì)

應(yīng)用服務(wù)提供層是系統(tǒng)的最上層，主要用來向醫(yī)護(hù)人員與患者提供各種業(yè)務(wù)系統(tǒng)。其中，病人生命體征監(jiān)測控制模塊根據(jù)對人的生命體征數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)測與分析，協(xié)助醫(yī)護(hù)人員立即發(fā)現(xiàn)異常情況并采取有效措施。醫(yī)院門診決策控制模塊給予決策分析，協(xié)助醫(yī)院門診制定相應(yīng)的診療策略。臨床診斷控制模塊根據(jù)對人的生命體征數(shù)據(jù)和醫(yī)藥信息進(jìn)行分析和核對，為醫(yī)護(hù)人員給予輔助確診意見與建議。

2 醫(yī)院智慧醫(yī)療健康管理系統(tǒng)采集模塊

物聯(lián)網(wǎng)通過傳感器、設(shè)備及數(shù)據(jù)連接，完成醫(yī)療設(shè)備和系統(tǒng)之間的數(shù)據(jù)共享。搜集、傳輸和解決大量醫(yī)療數(shù)據(jù)，它是醫(yī)院智慧醫(yī)療健康管理系統(tǒng)給出的數(shù)據(jù)基礎(chǔ)。數(shù)據(jù)挖掘算法從大量醫(yī)療數(shù)據(jù)過程中發(fā)現(xiàn)掩藏的方式與知識(shí)。協(xié)助醫(yī)院智慧醫(yī)療健康管理系統(tǒng)分析和預(yù)測患者的健康情況，提供個(gè)性化的健康管理和防范措施。醫(yī)院智慧醫(yī)療健康管理系統(tǒng)運(yùn)用IoT 大數(shù)據(jù)挖掘可以以客戶市場需求為導(dǎo)向，提供便利、個(gè)性化的服務(wù)，系統(tǒng)整體框圖如圖1所示。感知部分主要用傳感器采集人體的生理參數(shù)。這些傳感器是心電圖傳感器、血壓傳感器、體溫傳感器等，可以實(shí)時(shí)監(jiān)測人體的生理狀態(tài)。信號傳輸是將采集并預(yù)處理后的數(shù)據(jù)通過NB-IoT（窄帶物聯(lián)網(wǎng)）模塊上傳至終端或者云端服務(wù)器。NB-IoT技術(shù)具有低功耗、廣覆蓋、大連接和可靠性高的特點(diǎn)，適用于遠(yuǎn)程數(shù)據(jù)傳輸和監(jiān)測。接下來用AI算法對接收到的信號進(jìn)行質(zhì)量評估、濾波、去噪、增強(qiáng)、特征提取、心拍分類等工作處理。AI算法通過分析信號數(shù)據(jù)，識(shí)別異常情況，提取有用的信息，并對心率、心律等進(jìn)行分類和分析。

3 醫(yī)院智慧醫(yī)療健康管理系統(tǒng)生理參數(shù)采集

3.1 血壓采集

利用XGZP6847模塊設(shè)計(jì)的電路，采集經(jīng)過校準(zhǔn)、溫度補(bǔ)償后的標(biāo)準(zhǔn)血壓信號和脈搏波信號[3]。對這些信號進(jìn)行計(jì)算，得到脈搏波傳導(dǎo)時(shí)間和脈搏波波形的特征量。脈搏波信號的傳播速度與血壓之間的關(guān)系用公式（1）表示。

傳播速度=ΔT/ΔP" " （1）

式中：ΔT為脈搏波傳導(dǎo)時(shí)間的變化值；ΔP為動(dòng)脈的血壓變化值。傳播速度用來評估動(dòng)脈的彈性和血管的健康狀況。當(dāng)動(dòng)脈血壓變化較大時(shí)，脈搏波傳導(dǎo)時(shí)間會(huì)有所變化，從而導(dǎo)致傳播速度的變化。

3.2 血氧采集

光電探測器是MAX30101芯片的核心組件之一，能夠通過感知光的吸收和散射來測量血氧飽和度[4]。PPG信號對不同波長信號吸收的過程如公式（2）所示。

SpO2=A×（R-B）/（C-R） " （2）

式中：SpO2為真實(shí)的血氧飽和度值；R為兩個(gè)不同波長光水平比率值；A、B、C為通過回歸分析方法得到的經(jīng)驗(yàn)數(shù)值，分別是公式的系數(shù)。

3.3 姿態(tài)采集

MPU6050模塊是一種先進(jìn)的傳感器模塊，集成了3軸陀螺儀和3軸加速度儀，同時(shí)測量人體運(yùn)動(dòng)的加速度和角速度，姿態(tài)角解算圖如圖2所示。

3.4 NB-IoT

NB-IoT（Narrowband Internet of Things）是一種低功耗、寬區(qū)域覆蓋的物聯(lián)網(wǎng)（IoT）通信技術(shù)，基于蜂窩網(wǎng)絡(luò)，通過窄帶信道傳輸數(shù)據(jù)。M5310-A模塊具有廣泛的兼容性和支持性[5]。支持M2M芯片和OneNET云平臺(tái)協(xié)議，使其能夠與其他物聯(lián)網(wǎng)設(shè)備和云平臺(tái)進(jìn)行無縫連接和通信。同時(shí)，還支持最新的Release14標(biāo)準(zhǔn)，提供更高的通信速率和更穩(wěn)定的連接。將采集的數(shù)據(jù)進(jìn)行預(yù)處理，M5310-A模塊將數(shù)據(jù)上傳至嵌入式AI設(shè)備中。這樣的設(shè)計(jì)可以處理和分析實(shí)時(shí)數(shù)據(jù)，為終端設(shè)備提供更智能、更高效的功能。

4 醫(yī)院智慧醫(yī)療健康管理系統(tǒng)算法及AI設(shè)計(jì)

4.1 GA-BP算法

GA-BP網(wǎng)絡(luò)算法是一種結(jié)合了遺傳算法（Genetic Algorithm，GA）和反向傳播算法（Backpropagation Algorithm）的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。GA-BP網(wǎng)絡(luò)算法將遺傳算法和反向傳播算法相結(jié)合，利用遺傳算法的全局搜索能力和反向傳播算法的局部優(yōu)化能力，來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。具體步驟如下。1）初始化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)。2）使用遺傳算法生成初始種群，并根據(jù)適應(yīng)度函數(shù)評估每個(gè)個(gè)體的適應(yīng)度。3）選擇適應(yīng)度較高的個(gè)體作為父代，進(jìn)行遺傳操作（交叉、變異）生成新的個(gè)體。4）使用反向傳播算法對新生成的個(gè)體進(jìn)行局部優(yōu)化，計(jì)算其適應(yīng)度。5）重復(fù)步驟3和步驟4，直到達(dá)到停止條件（達(dá)到最大迭代次數(shù)或達(dá)到預(yù)設(shè)的適應(yīng)度閾值）。6）返回適應(yīng)度最高的個(gè)體作為訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型。7）通過將遺傳算法和反向傳播算法結(jié)合起來，使GA-BP網(wǎng)絡(luò)算法能夠在全局搜索和局部優(yōu)化之間找到一個(gè)平衡點(diǎn)，從而提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果和泛化能力。

初始權(quán)重（Wi，j）使用隨機(jī)數(shù)生成，一般在[-1，1]取值，表示輸入層到隱含層之間的權(quán)重。這樣的隨機(jī)數(shù)生成幫助神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中更好地探索不同的權(quán)重組合，從而提高網(wǎng)絡(luò)的學(xué)習(xí)能力和適應(yīng)性。通過使用隨機(jī)數(shù)生成的初始權(quán)重，神經(jīng)網(wǎng)絡(luò)避免陷入局部最優(yōu)解，有助于網(wǎng)絡(luò)在訓(xùn)練過程中尋找更優(yōu)的權(quán)重組合，從而提高其性能和準(zhǔn)確性。在[-1，1]取值的隨機(jī)數(shù)生成提供一定的權(quán)重變化范圍，使神經(jīng)網(wǎng)絡(luò)能夠充分探索不同的權(quán)重組合，從而增加網(wǎng)絡(luò)的靈活性和適應(yīng)性。具體計(jì)算過程如公式（3）所示。

Wi，j=random（-1，1）" （3）

式中：i為輸入層第i個(gè)指標(biāo)；j為隱含層第j個(gè)節(jié)點(diǎn)。

初始閾值（Tj）使用隨機(jī)數(shù)生成，一般在[-1，1]內(nèi)取值，表示隱含層節(jié)點(diǎn)的閾值。具體計(jì)算過程如公式（4）所示。

Tj=random（-1，1）" " （4）

輸出層權(quán)重（Wj，k）使用隨機(jī)數(shù)生成，一般在[-1，1]取值，表示隱含層到輸出層之間的權(quán)重。具體計(jì)算過程如公式（5）所示。

Wj，k=random（-1，1）" （5）

式中：k為輸出層第k個(gè)節(jié)點(diǎn)。

4.2 MYC-CZU3EG硬件平臺(tái)

XCZU3EG的嵌入式AI硬件開發(fā)平臺(tái)是為了滿足當(dāng)今快速發(fā)展的人工智能領(lǐng)域的需求而設(shè)計(jì)的，其主要資源見表1。

在這個(gè)平臺(tái)上，用戶利用FPGA處理單元開發(fā)和優(yōu)化各種AI算法，從而達(dá)到更高的計(jì)算性能和更低的功耗。同時(shí)，四核Cortex-A53處理器和雙核Cortex-R5實(shí)時(shí)處理單元的結(jié)合，提供了強(qiáng)大的處理能力，使該硬件平臺(tái)能夠在處理復(fù)雜的AI任務(wù)過程中保證高效、準(zhǔn)確和穩(wěn)定。采用16nm工藝的FPGA處理單元是該硬件平臺(tái)的一大亮點(diǎn)。應(yīng)用這種工藝使FPGA處理單元具備了更高的集成度和更低的功耗，能夠在相對較小的體積內(nèi)實(shí)現(xiàn)更多的計(jì)算資源。這不僅使XCZU3EG硬件平臺(tái)更緊湊和高效，還有助于減少整個(gè)系統(tǒng)的能耗，提高了系統(tǒng)的可靠性和穩(wěn)定性。

5 系統(tǒng)測試

5.1 系統(tǒng)搭建

為了能評定醫(yī)院智慧醫(yī)療健康管理系統(tǒng)在MYC-CZU3EG硬件系統(tǒng)里的特性，本文進(jìn)行了一系列的功能測試。構(gòu)建了根據(jù)MYC-CZU3EG硬件系統(tǒng)的系統(tǒng)環(huán)境。該環(huán)境是指將多臺(tái)計(jì)算機(jī)作為MYC-CZU3EG硬件系統(tǒng)集群，用來處理大規(guī)模醫(yī)療數(shù)據(jù)。采用MYC-CZU3EG硬件系統(tǒng)，并進(jìn)行了相關(guān)配置改進(jìn)，以保證系統(tǒng)能夠高效投入工作。選擇幾個(gè)最典型的醫(yī)療數(shù)據(jù)集，包括患者生命體征數(shù)據(jù)、診療視覺圖像和病史信息等。這種數(shù)據(jù)具備不同的特點(diǎn)，有利于評價(jià)體系在對待不同種類和大小的信息的整體性能。根據(jù)不同的測試要求，制定了一系列特性功能測試。主要包括檢測數(shù)據(jù)導(dǎo)入和導(dǎo)出、檢測文件存儲(chǔ)和查詢以及其數(shù)據(jù)處理方法與分析檢測。采用了一些常見的性能參數(shù)，例如數(shù)據(jù)處理方法速率、存儲(chǔ)量利用率和系統(tǒng)響應(yīng)時(shí)間等，來評價(jià)體系在不同場景下的整體性能。

5.2 測試結(jié)果

在試驗(yàn)中，要求參與者執(zhí)行一系列任務(wù)或活動(dòng)，這些任務(wù)會(huì)引起精神疲勞。通過監(jiān)測參與者的心腦電數(shù)據(jù)，系統(tǒng)可以收集到他們的生理反應(yīng)的信息。通過分析這些心腦電數(shù)據(jù)，研究人員評估參與者在不同任務(wù)或活動(dòng)中的精神疲勞程度。他們可以觀察參與者的生理變化，例如注意力水平、認(rèn)知負(fù)荷、情緒狀態(tài)等，從而推斷系統(tǒng)設(shè)計(jì)在減輕精神疲勞方面的可行性。腦電信號節(jié)律特性見表2。

在試驗(yàn)過程中，選擇了100個(gè)學(xué)生作為受試者，并將試驗(yàn)地點(diǎn)設(shè)置在通風(fēng)不暢且燈光昏暗的實(shí)驗(yàn)室倉庫。

通風(fēng)不暢和昏暗的燈光環(huán)境可以提高產(chǎn)生疲勞感覺的速度，因此選擇這種特定條件。這樣的環(huán)境條件模擬了日常生活中一些會(huì)導(dǎo)致精神疲勞的情景，例如長時(shí)間在密閉空間中工作或在昏暗的環(huán)境中進(jìn)行任務(wù)。在試驗(yàn)中，研究人員定義了基準(zhǔn)無疲勞狀態(tài)為學(xué)生午休后所產(chǎn)生的狀態(tài)。午休后的學(xué)生通常在休息和恢復(fù)之后會(huì)感到精力充沛和無疲勞感。將這種狀態(tài)定義為基準(zhǔn)，研究人員在試驗(yàn)中對比受試者在通風(fēng)不暢且燈光昏暗的環(huán)境下所產(chǎn)生的疲勞感覺與基準(zhǔn)狀態(tài)之間的差異。測試結(jié)果見表3和表4。

根據(jù)這個(gè)表格的數(shù)據(jù)分析，主觀檢測在疲勞程度評估中正確率最高（90%）。主觀檢測是通過人工觀察和判斷的方式進(jìn)行疲勞程度評估，結(jié)果表明，當(dāng)人判斷疲勞程度時(shí)具有較高的敏感性和準(zhǔn)確性。其次是GA-BP算法，其正確率為89%。GA-BP算法是一種基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合的算法，通過優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，提高了BP算法的準(zhǔn)確性。GA-BP算法在疲勞程度評估中能夠較好地貼合主觀檢測結(jié)果，表明該算法能夠有效地捕捉到疲勞的特征，并對其進(jìn)行準(zhǔn)確的評估。而BP算法在該試驗(yàn)中的正確率最低，為82%。BP算法是一種基于反向傳播的神經(jīng)網(wǎng)絡(luò)算法，其準(zhǔn)確性可能受到訓(xùn)練數(shù)據(jù)的限制和網(wǎng)絡(luò)結(jié)構(gòu)的選擇等因素的影響。在疲勞程度評估中，BP算法可能沒有很好地捕捉到疲勞的特征，導(dǎo)致其準(zhǔn)確率較低。表明GA-BP算法能夠貼合主觀檢測，具有一定的準(zhǔn)確性，但仍有進(jìn)一步改進(jìn)的空間。在實(shí)際應(yīng)用中，結(jié)合主觀檢測和GA-BP算法的結(jié)果，以提高疲勞程度評估的準(zhǔn)確性和可靠性。

6 結(jié)語

本文設(shè)計(jì)的醫(yī)院智慧醫(yī)療健康管理系統(tǒng)根據(jù)IOT和數(shù)據(jù)挖掘算法，實(shí)時(shí)檢測與分析病人的生理相關(guān)參數(shù)醫(yī)療數(shù)據(jù)，提供個(gè)性化的數(shù)據(jù)采集和健康服務(wù)。該系統(tǒng)具有很多優(yōu)點(diǎn)，例如提高醫(yī)療服務(wù)效率和效果，提高患者的生活質(zhì)量，完成個(gè)性化診斷治療，并提供健康管理和防范措施等。

參考文獻(xiàn)

[1] 楊善林，范先群，丁帥，等.醫(yī)聯(lián)網(wǎng)與智慧醫(yī)療健康管理[J].管理科學(xué)，2021，34（6）：5.

[2] 魏云菲，沈世君.”互聯(lián)網(wǎng)+醫(yī)療健康”視域下智慧醫(yī)院診療管理的機(jī)制與策略[J].重慶醫(yī)學(xué)，2022，51（增刊2）：189-191.

[3] 張?zhí)燔玻愐梨?社區(qū)智慧醫(yī)療驅(qū)動(dòng)健康管理的功能作用與優(yōu)化路徑[J].秘書，2023（1）：49-60.

[4] 梁少慶.通過醫(yī)院醫(yī)保管理提升醫(yī)療質(zhì)量的策略分析[J].智慧健康，2022，8（36）：9-11.

[5] 孫希奕.智慧醫(yī)療背景下的我國健康醫(yī)療數(shù)據(jù)的管理與保護(hù)分析[J].中國衛(wèi)生產(chǎn)業(yè)，2022，19（16）：151-154.