嵌入式人工智能健康管理系统设计

前言：想要写出一篇引人入胜的文章？我们特意为您整理了嵌入式人工智能健康管理系统设计范文，希望能给你带来灵感和参考，敬请阅读。

摘要：智慧医疗已成为一种融合IOT和数据挖掘等技术的一种新型医疗系统模式，智慧医疗重要组成之一智慧健康管理其核心在于患者就诊的信息数据和电子健康档案。但是当下健康管理的不足之处就是患者的重要生理参数不能实现实时、连续的监测，主要受只能在固定时间去就诊或者参加体检的局限；耽误发现疾病的时间，影响最佳治疗时机。因此，设计一种基于嵌入式人工智能技术，结合可穿戴传感器，基于米尔科技公司核心平台MYC－CZU3EG（ARMCortex－A53＋FPGA逻辑单元）运行AI算法GA－BP进行血压、血氧、心率、呼吸、身体姿态等生理信息的较精确的测量，通过NB－IOT模块上传至云端对用户进行健康管理。以疲劳实验为例，实验结果能够证明设计的系统可以用于今后以家庭、社区为单位的健康管理。

关键词：智慧医疗；IOT；嵌入式人工智能；MYC－CZU3EG；GA－BP；健康管理

随着大数据、互联网＋、5G等技术的飞速发展，智慧医疗、“大健康”、医疗大数据等概念频频出现，并得到国内外智慧医疗［1］领域的高度关注。智慧医疗重要组成内容之一的智慧健康管理，其核心在于患者就诊的信息数据和电子健康档案。但是当下健康管理的不足之处受到传统医疗手段限制，只能在固定时间去就诊或者参加体检，因此患者的重要生理参数不能实现实时、连续的被监测，导致耽误发现潜在疾病的时间，影响最佳治疗时机。尤其是到2035年，我国人口老龄化愈加严重，进入高峰期，并且在2050年进入深度老龄化社会，面临的人口健康压力空前巨大［2］。此外，我国依然存在很多人对类似于心血管等基础性慢性疾病自身知晓率不高，治疗率更低，几乎一半以上人群未实施有效防治［3］。而基础性慢性疾病通常血压、血氧、体温、呼吸等生理参数紧密相关，为预防以及治疗慢性疾病，连续测量此类生理参数十分有意义。同时人体姿态［4］的监测，也可以对老年人的健康管理显得尤为重要。因此，实现对一些重要生理参数的早期筛查与诊断，提高健康保障水平，已成为我国社会和国民经济发展的重大战略课题。近年来，基于人工智能的医疗技术［5－6］取得丰富的研究成果，在智慧医疗发展进程中也已占据相当重要的地位与角色，并且进一步正在开启智慧医疗的新纪元。相比较与传统医疗管理手段落后和生理参数测量精度不高的缺点，本文设计一种基于嵌入式AI技术的系统［7］，选择米尔科技公司的核心硬件平台MYC－CZU3EG，利用AI算法［8－9］对接收到的信号进行质量评估、滤波、去噪、增强、特征提取、心拍分类等工作处理，通过NB－IOT模块［10］上传至云端对用户进行健康管理。该系统可以完成用户与医生的交互，并可进一步建立个体化生理参数数据库，从而实现疾病的动态跟踪管理和疾病预防。

1系统采集模块设计

本文设计的系统采集模块如图1所示。主要包含信息感知、信息传输、信号处理、信号反馈四个部分。感知部分主要有传感器采集人体的生理参数；信号传输是主要将采集并进行预处理后的数据通过NB－IOT模块上传至终端或者云端服务器；接下来还需要进行AI算法对接收到的信号进行质量评估、滤波、去噪、增强、特征提取、心拍分类等工作处理；最终，经过AI算法处理后的信息传至用户和医生、心电数据库以及健康管理中心，可以进行连续跟踪。

2生理参数采集部分

图1中的信号感知部分是通过人体可穿戴［11］设备实现，利用融入穿戴设备的各类传感器采集血压、血氧、心率、温度、姿态等人体重要生理参数。

2．1血压采集模块

血压采集模块所选的敏感元件为XGZP6847气体压力传感器模块。XGZP6847模块内部集成了可配置的数字芯片，并且PCB板的两面分别安装有小外形封装的信号处理电路芯片和压力传感器，对传感器由偏移、温漂以及自身灵敏度和非线性产生的误差进行补偿和校准。利用XGZP6847模块设计的电路采集经过校准、温度补偿后的标血压信号和脉搏波信号，再通过计算得到脉搏波传导时间和脉搏波波形特征量α。根据经验公式，脉搏波信号的传播速度与血压之间的关系：△P＝2αT△T（1）其中，α脉搏波的特征量；△T表示脉搏波传导时间的变化值；△P动脉的血压变化值。

2．2血氧采集模块

检测血氧饱和度生理参数可以清晰反映出人体关于呼吸循环的状态指标。通常也被认为人体第五生命重要特征。可以管理和了解患者呼吸循环的重要生理参数。此系统中，选择MAX30101芯片不仅可以用来对血氧参数的监测，还集成心率监测的功能。通常MAX30101芯片内部主要有光电探测器、光学元件、低噪声电子与环境光抑制、LED几个重要硬件组件。输出信号为脉搏波光电容积（PPG）信号，再由固件中的PID控制调节LED不同的亮度。由于LED亮度发生不同，则波长也会不同，PPG信号对不同波长信号吸收也会不同。根据经验公式：SpO2＝λ1R2＋λ2R＋λ3（2）其中，SpO2表示真实的血氧饱和度值，R表示两个不同波长光水平比率值，λ1、λ2、λ3是可以通过回归分析方法得到的经验数值。SpO2计算算法步骤如图2：

2．3姿态采集模块

系统选择全球首例9轴传感器MPU6050模块采集人体的姿态信息。该模块集合了3轴陀螺仪和3轴加速度仪构成9轴运动传感器，较MPU6000测量结果更加精确。评估人体运动的加速度和角速度参数，通过I2C总线与模块MCU通讯，解算得到人体姿态角参数。目前解算姿态一般用欧拉角法、方向余弦法以及四元数法。其中，四元数法具有无奇点、计算量小的优点，运用更广泛。本系统通过采集IMU的原始数据，利用重力场和地磁场在地理坐标系与载体坐标系之间的方向余弦转换，解算出航向角（Yaw）、俯仰角（Pitch）以及横滚角（Roll）。解算流程如图3。

2．4NB－IOT模块

窄带物联网(NB－IoT)是一种针对mMTC场景设计的低功耗广域网技术，最大优点可以处理大规模低功耗连接，并且可覆盖的范围很大，穿透性能强。本系统选用中国移动M5310－A模块，模块封装为LCC封装。该模块特色之一就是其尺寸小，仅仅只有19mm×18．4mm×2．2mm，最大程度地满足终端设备对小尺寸模块产品的需求，有效地帮助客户减小产品尺寸。M5310－A支持M2M芯片和OneNET云平台协议，同样支持最新Re-lease14标准，支持更高通信速率，支持基站定位。通过NB－IOT模块将采集到的数据经过预处理后，上传至嵌入式AI设备中，完成后续数据处理。

3系统算法及AI设备设计

3．1GA－BP网络算法

系统采集到的生理参数在经过MCU进行处理之后，通过NB－IOT模块上传至算力足够的AI设备进一步数据分析，实现对某种潜在疾病的预测。选择人工智能神经网络（BP）作为识别工具，依据多次模拟预测均方误差（MSE）以及对BP网络的参数进行优化；遗传算法（GA）是一种基于自然选择和群体遗传机理的搜索算法，遵循“适者生存”进化的基本原理。遗传算法模拟一个初始种群在它遗传过程中根据适应度择优、杂交、突变后遗传得到下一代种群，会一直重复进化过程，直到出现最优适应度的个体，并且满足要求。GA－BP网络算法最重要就是根据均方误差构造出适应度最优的初始权重和阈值。GA－BP算法的主要步骤如图4：计算初始权重和阈值由公式：Hj＝logsigni＝1Σw1ij·Xi＋bij()，j＝1，2，3…5（3）Yk＝logsigni＝1Σw2jk·Hj＋b2k()，k＝1，2，3（4）式中，Xi为输人样本的第i个指标；Hj为隐含层第j个节点输出；Yk为输出层第k个节点输出。算法进化代数如图5。

3．2MYC－CZU3EG硬件平台

XCZU3EG是米尔科技有限公司推出的一款嵌入式AI硬件开发平台。内部集成了四核Cortex－A53处理器，双核Cortex－R5实时处理单元以及16nm工艺的FPGA处理单元。板载硬件主要资源如表1：该硬件平台的计算能力完全满足一些AI算法需求，通过实测算力能够高达1．2TOPS。AI计算硬件平台如图6：

4实验设计及测试结果

实验将以精神疲劳实验（采集人体的心脑电数据）来验证系统设计的可行性。医学上神经科表明，人体精神疲劳的识别与量化主要通过分析人体生物电信号的变化。心电信号能够直观准确地反映人体的生理状态，并间接地反映人体的精神状态。实验中关于心脑电信号重要的指标参考如表2：实验过程选择100个学生作为受试者，并将实验地点设置在通风不畅且灯光昏暗的实验室仓库，这种条件会使产生疲劳感觉的速度加快；同时定义基准无疲劳状态为学生午休后所产生的。实验实施过程如表3：最后，根据设计的系统所采集的数据并经过分析处理的结果结合当前主观检测的结果综合分析，确定疲劳程度的真实值。主观检测采用问卷调查的方式进行，并将结果一起比较分析。同时也加入没有基于GA的BP算法的测试结果，三者测试的结果如表4：从实验结果看，在AI设备上基于GA－BP算法对生理参数进行分析，具有一定的识别能力，比BP算法处理的识别更接近于主观检测的数据。

5结束语

本文从智慧医疗健康管理角度出发设计一种基于嵌入式人工智能技术，结合可穿戴传感器，基于米尔科技有限公司核心平台MYC－CZU3EG运行GA－BP算法进行血压、血氧、心率、呼吸、身体姿态等生理信息的较精确的测量，通过NB－IOT模块上传至云端对用户进行健康管理。通过精神疲劳实验来验证系统设计的可行性，经数据试验，该系统可以用于今后以家庭、社区为单位的健康管理，为智慧医疗健康管理提供新的可行解决方案基础。

作者:张晨 梁昕 卢克 单位:南京机电职业技术学院