基于嵌入式AI的可穿戴健康管理系統設計

高鳳梅 吳攀

摘 ?要：健康管理作為新型的醫療模式，實現患者疾病的早發現、早治療，但是目前健康管理的生理參數只限于醫院體檢中心固定時間的體檢，不能實現連續、實時的監測，不能及時的發現疾病。該系統基于嵌入式AI，采用可穿戴傳感器，運用TI公司ARM+DSP雙核的微處理器DM642運行AI算法SVM進行血壓、血氧、心率、呼吸、身體姿態等生理信息的較精確的測量，通過NB-IOT模塊上傳至云端對用戶進行健康管理。經試驗，該系統可以用于以社區為單位的健康管理。

關鍵詞：嵌入式AI;支持向量機;可穿戴;健康管理

中圖分類號：TP368.3;TP311.5 ? ? 文獻標識碼：A 文章編號：2096-4706（2020）15-0095-03

Abstract：As a new medical model，health management can make the disease early discovered and treated. However，at present，the physiological parameters of health management are only limited to the fixed time physical examination in the hospital physical examination center，which can not realize continuous real-time monitoring and timely detection of diseases. This system is based on embedded artificial intelligence，uses wearable sensor，uses TIs ARM + DSP dual core microprocessor DM642 to run AI algorithm SVM to measure physiological information such as blood pressure，blood oxygen，heart rate，respiration，body posture and so on. The system is uploaded to the cloud through NB-IOT module for health management of users. The system can be used for community-based health management.

Keywords：embedded AI;support vector machine;wearable;health management

0 ?引 ?言

隨著生活水平的提高，人們的自我健康意識增加。在“健康中國2030”背景下，健康管理這種新型的醫療模式應運而生。健康管理是對身體進行健康監測以及時發現異常或疾病，盡早干預和治療。但是目前健康管理的健康監測只限于醫院體檢中心固定時間的體檢，不能實現連續、實時的監測，不能及時發現和盡早治療疾病。連續監測血壓、血氧、體溫、呼吸數據對心腦血管等疾病的防治具有重要意義，而人體的姿態，比如跌倒的監測對于老年人的健康管理尤為重要。所以本設計著重對血壓、血氧、體溫、呼吸、身體姿態生理參數的監測。一些生理參數，比如血壓的連續無創測量精度不高，本設計采用人工智能（Artificial Intelligence，AI）算法提高測量準確度。

重慶電子工程職業學院智慧健康學院致力于健康管理和“智慧醫療”的教學和科研，在重慶市教委科技項目“基于AI的可穿戴智能康復機器人研究”的支持下，作者設計了基于嵌入式AI的可穿戴健康管理系統，在本系統設計中選擇合適的嵌入式硬件、AI算法和可穿戴傳感器，實現對上述生理參數的監測，同時使用NB-IOT模塊接入云端。

1 ?整體設計

每位用戶使用健康管理終端，采集血壓、血氧、呼吸率、心率、體溫、身體姿態等參數，為了提高采集部分的準確度，使用了AI算法，采用能運行AI算法的嵌入式處理器。每位用戶的健康數據傳送至云端或社區的健康管理中心，云端或社區的健康管理中心對生理數據進行管理，分析和挖掘，定期給出健康評估報告和健康管理建議。可穿戴健康管理整體系統框圖如圖1所示。

AI使機器更加智能，視頻和語音識別率更高。嵌入式AI是在嵌入式設備中運行AI算法，可以使設備更加智能，比如對健康的實時監測。AI算法由于數據量大，算法模型復雜，目前在PC端或數據中心運行的比較多，比如深度學習算法卷積神經網絡（Convolution Neural Network，CNN），而在嵌入式系統中運行AI算法，對硬件計算速度要求比較高。雖然在大樣本的深度學習算法中GPU比CPU速度快，但GPU功耗高、價格;也有在FPGA上實現AI算法運行的系統，但FPGA的綜合調度能力差。TI公司的DSP+ARM的雙核芯片DM642，既滿足計算能力又滿足調度功能，考慮到可穿戴健康管理系統的測控能力和計算能力，選用雙核芯片DM642方案。

AI算法有支持向量機（Support Vector Machine，SVM）、神經網絡、聚類算法、多元回歸等，SVM與其他方法相比，能夠有效地克服其他方法中出現的穩定網絡結構難以確定和過學習等問題，能夠減少訓練次數和訓練時間，大幅度提高訓練效率，而且算法簡單、實時性強、準確率高、泛化能力強，適合嵌入式應用[1，2]。SVM在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，適用于血壓連續測量中的多個參數，所以本方案中選擇SVM算法。

2 ?生理采集部分

本設計生理采集部分選用雙核芯片DM642處理器，外圍連接血壓、血氧、呼吸率、心率、體溫、身體姿態傳感器，通過NB-IOT模塊接入云端。考慮到可穿戴的特點，血壓、血氧、呼吸率、心率采用一個光電傳感器，體溫采用紅外測溫，身體姿態采用9軸運動傳感器。文章重點介紹血壓測量、身體姿態和NB-IOT模塊。

2.1 ?血壓測量模塊

已有的文獻大多是利用脈搏波傳輸時間（Pulse Wave Trans-mission Time，PWTT）進行血壓測量的[3]，但是血壓還受血管阻力、血管壁彈性和血液黏性等的影響，所以考慮反映這些量的脈搏波形特征參數進行信息融合，以提高血壓的精確度。

當光束透過人體外周血管，由于動脈搏動充血容積變化導致這束光的透光率發生改變，此時由光電變換器接收經人體組織透射的光線，轉變為電信號并將其放大和輸出。這個電信號就反映了血容積的變化，進而反映脈搏搏動變化，這種方法稱為光電容積脈搏波描記法（Photoplethysmography，PPG）。

脈搏波形信息達到15個參數，這除了增加了傳統的回歸擬合方法擬合的復雜度[4]，還容易出現過擬合的問題，SVM算法在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢。在本系統血壓測量中采用PPG測量脈搏波波形，使用小波算法對波形進行特征提取，選取脈搏波波形中反映PWTT、動力因素、脈搏傳輸速度等因素的參數，用SVM算法建立模型，通過訓練求出血壓模型。

由于脈搏是隨心臟的搏動而周期性變化的信號，動脈血管容積也具有周期性變化，因此光電變換器的電信號變化周期就是心率。因為含氧血紅蛋白和脫氧血紅蛋白對不同波長光的吸收系數不同，當我們選擇兩種光線的時候，可以測量血氧飽和度。呼吸率也可以通過脈搏波的特征參數、包絡、間隔、幅度、面積來計算。

2.2 ?身體姿態模塊

本設計中人體姿態傳感器選用MPU-6050模塊，該模塊集合了MEMS陀螺儀和MEMS加速度儀構成9軸運動傳感器，傳統的3軸運動傳感器更精確，可以對人身體傾斜導致角度變化和加速度變化進行測量[5]。把x、y、z軸加速度幅值和角度作為評估量，當加速度幅值超過閾值時，角度超過閾值時，認為是劇烈活動，不是跌倒，可以減少誤判。基于一線臨床調研情況和醫學量表，認為跌倒主要是在身體發生移位的情況下發生，跌倒后由于人的應激性反應會導致人心率上升，因此，本算法采用先判斷跌倒物理姿態，再進行心率檢測的級聯檢測方法，提高跌倒檢測準確率。

2.3 ?NB-IOT模塊

NB-IOT模塊采用中國移動M5311模塊，采用基于NB-IOT的CoAP協議、5LwM2M協議。基于協議規范對生理信息進行對象、實例的添加及相應資源屬性的配置，添加完畢，模塊即可發起OneNET平臺登錄。

3 ?軟件設計

SVM以統計學習理論的VC維理論和結構風險最小化原則為基礎，來研究小樣本的估計和預測，使之最終轉化為一個凸二次優化問題，從理論上講得到的將是全局最優解。SVM利用核函數方法將輸入空間的樣本點，映射成為高維Hilbert空間中的訓練點，然后在Hilbert空間中構造線性判別函數，實現對映射后的訓練集進行回歸。這種特性保證了回歸后逆模型的推廣能力，并避免了維數問題，使其算法復雜度與樣本維數無關。

基于SVM進行數據融合的目的是擬合輸入x與輸出y之間的關系：

y（x）=ωTx+b=αi K（x，xi）+b

式中，xi為支持向量;s為支持向量的個數;x為被測輸入量;b為SVM偏移量;T為矩陣的轉置運算;αi為Largran-ge乘子;K（x，xi）為核函數;ω為SVM的權值系數，數量與支持向量一致。這里核函數選用滿足Mercer條件的Gaussian型徑向基核函數：

K（x，xi）=exp

式中，σ是核函數參數，調整σ可以改善SVM的預測準確性。對于實際問題，核函數參數的選擇直接影響核函數進而影響SVM的推廣能力，所以若核函數參數取值不合適，將不能保證SVM具有良好的性能。

GA（Genetic Algorithm）作為一種進化算法，仿效生物界的演化法則，把待解決問題的參數編碼為染色體，再進行選擇、交叉和變異等運算來交換群中的染色體信息，根據優化目標，最終迭代出全局最優的染色體。

本設計選用GA作為優化SVM核函數參數的方法，并選取檢驗樣本輸出預測值與其期望值計算出均方誤差的標準差（MESETD）最小值的倒數作為個體的適應度值。對于訓練樣本訓練后的SVM，用檢驗樣本檢驗輸出預測值與其血壓標定值之間的MESETD為衡量標準來進行試驗。GA優化SVM核函數參數σ流程圖如圖2所示。

首先，選擇100名年齡在18～30歲的志愿者對模型進行訓練，80名為訓練集，20名為測試集;接著，選取SVM核函數的學習參數拉格朗日乘子的界C，凸二次優化方法的條件參數λ，所求解周圍的ε-鄰域參數（也稱試管）ε;接著，設置種群規設模為40，編碼變量的二進制位數設20;然后算出檢驗樣本輸出預測值與其期望值MESETD，并把MESETD最小值的倒數作為個體的適應度值。適應度函數值越大，個體越優。然后選擇基于適應度比例的選擇策略，交叉概率設為0.7，變異概率設為0.01，最大進化代數設為40;然后對產生的新的種群是否滿足終止條件，如果不滿足終止條件則繼續，滿足則解碼，輸出最優的核函數參數。

把用GA優化核函數的SVM算法移植到嵌入式平臺，采用minicom通信終端程序開發板，宿主機系統為Ubuntu version 2.6.27，運行交叉編譯工具鏈arm-linux-gcc version 3.4.1，根據GA操作結果，核函數參數σ等于0.951 87時，檢驗樣本輸出預測值與其期望值計算出MESETD等于0.163 21。此時血壓測量的結果符和我國家醫療器械標準和美國醫療儀器促進協會（Association for the Advancement of Medical Instrumen-tation，AAMI）要求。

4 ?結 ?論

本文為了實現健康數據的實時采集，采用嵌入式AI技術，在ARM+DSP的DM642平臺設計了血壓、血氧、心率、呼吸率、身體姿態多參數的測量和傳輸方法。重點闡述了在血壓連續測量中基于SVM算法對脈搏波特征值和血壓建立模型，實現較精確測量的方法。能送至云平臺進行健康管理。為社區的健康管理尤其是老年人的健康管理提供了新的解決方案。

參考文獻：

[1] BROWN M P S，GRUNDY W N，Lin D，et al. Knowledge-Based Analysis of Microarray Gene Expression Data by Using Support Vector Machines [J].Proceedings of the National Academy of Sciences of the United States of America，2000，97（1）：262-267.

[2] 王靜，李得天，王長勝，等.基于支持向量機的人臉識別系統在ARM11上的實現 [C]//2012年互聯網技術與應用國際學術會議.2012年互聯網技術與應用國際學術會議論文集.武漢：美國科研出版社（Scientific Research Publishing，USA），2012：39-44.

[3] 李章俊，王成，朱浩，等.基于光電容積脈搏波描記法的無創連續血壓測量 [J].中國生物醫學工程學報，2012，31（4）：607-614.

[4] 徐志紅，方震，陳賢祥，等.一種基于多參數融合的無袖帶式連續血壓測量方法的研究 [J].電子與信息學報，2018，40（2）：353-362.

[5] 郭元新，葉瑋瓊.基于MPU6050傳感器的跌倒檢測算法 [J].湖南工業大學學報，2018，32（3）：76-80.

作者簡介：高鳳梅（1979.02—），女，漢族，河南扶溝人，講師，碩士，研究方向：智能醫療器械。