一种联接“健康云”的家庭健康监护系统设计

胡建强

(厦门理工学院计算机与信息工程学院，福建厦门361024)



一种联接“健康云”的家庭健康监护系统设计

胡建强

(厦门理工学院计算机与信息工程学院，福建厦门361024)

摘要:新一代家庭健康监护系统不仅要求具备低成本、低功耗和低体积等特点，还要求快速适应基于云计算的国家医疗信息化发展，为此，亟待设计一种联接“健康云”的家庭健康监护系统．在介绍“健康云”层次化架构的基础上，分析了家庭健康监护系统联接“健康云”的工作过程，并解决了该系统的四项关键技术，包括:基于生理参数传感器的家庭健康监测网络设计，基于HL7 RIM的数据交换机制、融合灰色模型和马尔科夫模型的健康风险评估模型，基于BPEL4WS的健康服务个性化组装．采用厦门市集美区案例数据验证原型系统的有效性，为“健康云”服务走入家庭健康监护奠定基础．

关键词:HL7 RIM数据转换框架;健康风险评估模型;健康云

当前我国正面临着人口老龄化、少子化、慢性病患者增多等趋势，大中型医院主要针对疾病的诊断和治疗，很难承担社区居民日常的医疗保健服务、健康咨询以及紧急情况下的医疗援助任务．医疗信息化被认为是大幅减少医疗和就医成本、缓解医疗资源紧缺现状和提高医疗整体水平的重要手段．目前医疗信息化呈现2种趋势:

1)基于云计算的医疗信息服务平台快速发展．美国在智慧医疗领域的总投资已超过440亿美元．IBM公司提出“数字化医院集成平台”［1］;美国HHS部电子健康档案系统、Microsoft Health Vault等在美国开始广泛应用并取得巨大的经济和社会效益．2013年1月日本富士通公司推出“高龄者护理云计算”，预计2015年可创造60亿日元市场［2］．南京2012年基于H3C云存储构建新一代的社区公共卫生服务系统，实现居民健康档案、社区卫生服务站桌面虚拟化、SaaS方式交付等新型医疗信息化应用．中国科学院实施“海云工程”，并推出低成本的健康服务［3］．2013年厦门市“健康云”采用云计算技术整合市民健康档案和预约系统，目前已接入市第三医院、仙岳医院等38家医院和63家社区康复中心．

2)低成本的家庭健康监护成为缓解医疗资源紧缺最重要的技术．美国霍尼韦尔公司实验室开发I．L．S．A系统，该系统基于多传感器互联，实现感知模型、定时响应、实时响应等功能，可监护心脑血管疾病［4］．日本提出全国性远距居家照护服务项目“Sukoyaka Family 21”远程生理检测和应急救护，采用物联网终端SUKOYAKA NET i的压迫带测量血压和电极测量心电，通过触摸屏式液晶显示器输入体质量等数值［5－6］．法国构建EMUTEM平台，采用可穿戴设备测试慢性病患者的脉搏、心率、血压和血糖等生理数据以及红外传感器检测坐卧姿势和移动状态［7］．中国科学院研制一种基于体域网的无线心电监护系统，实时接收心电信号并及时预警反馈［8］．这类家庭健康监护系统采用物联网技术，包括附着人体的指尖型血氧传感器、腕表型血糖传感器、腕表型睡眠品质测量器、睡眠生理检查器等，长期监视和记录各项生理数据，评估身体状况并预警生理病变．

新一代家庭健康监护系统不仅要具备低成本、低功耗和低体积等特点，还要求快速适应基于云计算的国家医疗信息化发展．为此，厦门理工学院和厦门优医信息服务有限公司联合研制一种联接“健康云”的家庭健康监护系统，支持家庭健康监护系统与“健康云”之间的数据交换，实现健康风险评估和个性化健康监护方案定制，为健康档案云端管理、健康咨询、健康膳食等服务走入家庭健康监护奠定基础．

1体系架构

1. 1“健康云”的层次化架构

“健康云”建设的主要目标是实现集中统一的区域医疗信息共享和提高医疗资源的利用率，即虚拟化医疗软硬件资源，实现软硬件资源按需分配、医疗数据安全和绿色利用．典型层次化架构包括(见图1) :基础设施(医院、疾病控制中心、社区健康服务中心等，采集医疗卫生数据)、数据的整合交换共享云端服务(整合医院信息系统( HIS)、电子病历( EMR)、医学影像存档与通讯系统( PACS)、实验室信息管理系统( LIS)等)、云基础设施(基于虚拟化、网络安全、运行监管和维护等技术，实现基础设施即服务IaaS整合)、云数据中心(健康档案数据库、电子病历数据库、公共卫生数据库，实现平台即服务PaaS能力)、云端服务(以软件即服务SaaS提供服务，包括健康档案云端管理、远程视频诊疗、健康咨询、消息服务、运动服务和健康膳食)、服务对象(市民、医生、第三方机构)．

图1“健康云”的层次化架构Fig．1 Hierarchy architecture for healthcare cloud

1. 2联接“健康云”的家庭健康监护系统

联接“健康云”的家庭健康监护系统包括家庭健康监测网络、家庭健康监护系统和“健康云”．

家庭健康监测网络本质上是物联网，它由一系列智能生理参数传感器节点构成(包括血氧传感器、腕表型血糖传感器和加速度器等)，连续监视生理信号和记录人体健康信号(包括心电、血氧饱和度、脉搏等参数)节点都具有独立数据存储、运算、电源管理和无线通信等功能．融合先进网络协议(如Bluetooth、WIFI 或Zigbee)，可实现生理检测数据实时上传到家庭健康管理系统．

家庭健康监护系统的工作过程(见图2) : 1)基于家庭健康监测网络动态，实时获取生理测量数据; 2)基于HL7 RIM数据交换机制实现与“健康云”数据交换，上传各项生理监测数据实现个人健康档案管理; 3)在“健康云”数据中心支持下，基于健康风险评估模型实现个体健康状况评估并制定个性化的健康干预措施; 4)得到“健康云”后台特约医生、功能医疗小队和营养师等提供的医疗、预防、保健等服务．由于“健康云”以SaaS方式提供云端服务，为保证家庭健康监护系统的通用性、灵活性和可扩展性，家庭健康监护系统支持按需动态、松耦合、有序组装健康服务，可实现健康服务个性化组装，克服传统家庭健康监护系统统一且固定不变的服务流程模式．

2关键技术

2. 1家庭健康监测网络设计

家庭健康监测网络是实现人体生理长时间地连接监测的硬件设施．Paradiso等开发的无线心电检测系统采用GPRS协议，存在功耗大(平均电流100 mA，电压12 V左右)、电磁辐射过高和体积较大(因配备大功率的太阳能电池板或大容量的蓄电池)等缺陷［9］;天津大学开发基于ZigBee技术的老年人家庭健康监护系统，采用CC2430芯片，工作电流25～27 mA，每块芯片大约12元，最大数据传输率为250 kbit/s［10］．

本系统家庭健康监测网络由一系列智能生理参数传感器节点构成，需要综合考虑能耗、成本、体积和数据传输率等因素．以心电采集为例，基于Neurosky公司BMD 101控制芯片(如图3所示)，从微伏到毫伏范围内生物信号检测的高性能模拟前端实时接收并循环读取心电数据，经芯片内部放大、滤波、计算等处理输出心电数字信号并通过串口接口发送．BMD101具备系统整体配置、模拟信号和数字信号处理、内外通信和电源管理控制等功能，带有高精度分辨率的16位ADC，VDD引脚3．3 V供电，尺寸为3 mm×3 mm，价格约3美元．生理监测数字信号由蓝牙发送到家庭健康监护系统，最大数据传输率为720 kbit/s．心电的各模块在不同工作状态的功耗情况见表1．

图2联接“健康云”的家庭健康监护系统Fig．2 Healthcare cloud－connected home healthcare monitoring system

图3 BMD 101芯片结构Fig．3 Architecture of BMD 101 chip

具体过程:上层应用程序将数据通过链路管理和I/O传送到链路控制单元，进行载波调制，而后进行数据封装，发送数据暂存在缓冲区，通过2．4 GHz射频发送接收端(协议HCI) ;家庭健康监护系统接收端进行逆向解调，得到源数据再通过链路管理和I/O传送到上层执行模块进行数据处理．

表1各模块的工作状态与总功耗Tab．1 Working state of each module and its power consumption

2. 2基于HL7 RIM的数据交换机制设计

由于监测数据模型不统一，“健康云”普遍采用SaaS方式．只有采用统一标准才能解决无障碍传输且能够被两方接收者无歧义地解释，从而实现家庭健康监护系统与“健康云”数据交换．

HL7( Health Level 7)［11］标准是由美国国家标准局( ANSI)授权的标准开发机构Health Level Seven公司研究开发的一个专门用于医疗卫生机构及医用仪器、设备数据信息传输的国际标准，其中健康档案的内部结构采用HL7制定CDA( clinical document architecture)标准．HL7 RIM( reference information model)数据模型能清楚表达时序性、层次性和逻辑性，目的是解决不同开发商开发和制定的信息标准不一致问题，为标准开发和制定者提供一个最高层次的参考模型．

图4所示为基于HL7 RIM的数据统一转换框架:生理监测数据以数据元素形式封装，每个数据元素由简单属性复合成复合数据，或者数据元素清单，即每一个都是复合数据类型属性;多个次序的多数据元素组成消息段，而多个有次序的消息段构成具体消息; HL7 RIM使用到HL7字典的任何元素、数据类型、词汇都衍生自RIM规范要求，从而保证其一致性; HL7 XML模式生成器将生理监测数据转换成符合HL7标准的XML统一数据格式．

图4基于HL7 RIM数据转换框架Fig．4 HL7 RIM－based data conversion framework

基于HL7 RIM的数据交换机制，可以实现家庭健康监护系统和健康云端主机之间的数据交换，进而为实现个人健康档案管理和健康风险评估提供支持．数据交换过程如下(见图5) :

1)发送过程:接收方以家庭健康监护系统为例，基于生理监测数据，构建HL7 RIM逻辑结构的对象图，采用XML构建符合HL7消息的数据格式，通过简单对象传输协议( SOAP)发送XML消息．

2)接收过程:接收方侦听到目标网络是自己的消息时，根据HL7协议标准提取XML域目录，进一步解析消息文档对象，还原HL7 RIM格式对象图，以HL7 CDA标准保存到云端主机．

综上所述，首先按照HL7的语法标准将数据转换成XML SOAP消息格式，然后按照底层网络传输协议封装并传输，接收系统在应用层进行应答和相应的控制，再按照HL7标准语法进行解析，最终将消息转换成应用程序数据格式．

2. 3健康风险评估模型

健康风险评估用于描述和估计某一个体未来发生某种特定疾病或因为某种特定疾病导致死亡的可能性．通过收集个体健康信息(包括家庭健康监测获得的各项生理信息和家庭病史、饮食习惯和生活方式)，结合“健康云”提供的健康档案和EMR数据，用数字模型进行量化评估，帮助个体全面认识健康状况和病变风险，为制订个性化的健康干预措施提供支持．

美国Framingham危险评估模型是经典健康风险评估模型，主要预测个体在未来10年发生心血管疾病的危险率．由于不同国家、地区，人们的文化背景和生活习惯存在差异，不同人群实际筛选的准确性有较大出入．针对Framingham模型存在的局限性，选取中国医学界公认因素，包括年龄、体质量、血压、血脂、血糖和体质指数( BMI)［12－13］，展开相对危险性预测和绝对危险性预测．相对危险性是指与同年龄段、同性别人群平均水平相比患某些慢性疾病可能性;绝对危险性是指个体在未来几年内患某些慢性疾病可能性［14］．

图5基于HL7 RIM的数据交换过程Fig．5 HL7 RIM－based data exchange process

1)相对危险性预测

参照文献［14］的方法，应用Logistic模型计算某慢性疾病的危险分数，得出危险因素评价模型，评价各种危险因素不同暴露水平对疾病发生的影响．

定义2危险度=基准发病率×相对危险度．对于多项危险因素疾病，记P为组合相对危险度(相对危险性)，P=( P1－1) +( P2－1) +…+( Pn－1) +Q1×Q2×…× Qm，其中: P为组合危险度; Pi为大于等于1的各项危险度; Qi为小于1的各项危险度［15］．

2)绝对危险性预测

目前常用的预测模型包括回归模型、ARIMA模型、马尔科夫模型和灰色模型．回归模型要求数据总体服从多元正态分布且协方差相同; ARIMA模型要求非平衡数据转变为零均值平衡随机序列，适用于短期预测;马尔科夫强调状态转移概率预测内部变化;灰色模型GM( 1，1)是灰色模型中应用最广泛的预测模型，不需明确数据指标关系，适用于小样本和不确定系统预测．由于高血压、糖尿病属慢性病具有长期化趋化、容易呈现某种变化趋势等非平衡特点，因此采用灰色模型和马尔科夫模型相结合的预测模型．灰色模型只考虑综合灰色量对某种疾病的作用，而马尔科夫适用于随机过程的状态转移行为，可弥补灰色预测对随机波动大时间序列预测不好的缺陷．

主要步骤包括:

( i)灰度模型GM( 1，1)

原始数据序列X( 0)= { x( 0)( 1)，x( 0)( 2)，…，x( 0)( n) }，增强规律性累加处理，得到X( 1)= { x( 1)( 1)，x( 1)( 2)，…，x( 1)( n) }，对x( 1)( t)建立GM( 1，1)，得到

其中a，u可由最小二乘法求解得到，求解方程为

得到一次累加生成量x( 1)( t)的模型预测值，表示为(

ii)残差序列的GM( 1，1)模型

经过类似求解，得到

其中sgn( t)值由原残差的符号确定．

( iii)马尔科夫模型转移概率矩阵

马尔科夫模型关注状态和状态转移概率，设预测对象有n种状态E1，E2，…，En，从某种状态Ei向这n种状态转移概率分别为Pi1，Pi2，…，Pin，且满足0≤Pij≤1，Pi1+Pi2+…+Pin= 1．以血压值为例，涵盖理想血压、正常血压、临界高血压、高血压、超高血压．根据马尔科夫模型求解残差转移的概率，确定残差sgn ( t)值．

综上，采用灰色模型和马尔科夫模型结合得到预测值，结合其组合相对危险度与总发病率相乘，就得到绝对危险性．相对危险性和绝对危险性度量出危险因素和慢性发病之间数量依存关系及其规律性，为制订个性化的健康干预措施提供参考和依据．

2. 4健康服务个性化组装

家庭健康监护系统的灵活性、可维护性和可定制性是影响健康监护效能的重要因素．针对家庭用户需求特点，健康服务流程需要个性化定制．根据病人的实际情况制订个性化健康监测和“健康云”服务需求，包括定期的(血压、心电和加速度)监测、信息提醒、健康膳食、运动服务．为此，针对不同居民健康监护需求，以一种可扩展、灵活的方式来实现健康服务的动态重组，满足不同居民的需要．

“健康云”以SaaS方式提供健康服务，而且基于HL7 RIM的数据交换机制采用SOAP传输总线，因此家庭健康监护业务方案采用网络服务业务流程执行语言BPEL4WS描述．SOAP控制引擎通过统一请求接口接收来自远程网络的SOAP请求消息，并以SOAP消息队列机制标识请求消息的优先级．SOAP控制引擎解析BPEL4WS( business process execution language for web services)文件，按顺序调用健康服务序列并保证整个组装顺利完成．

针对不同家庭监测对象(如糖尿病、高血压病人等)的不同需求，只需要动态修改家庭健康监护方案相应的BPEL4WS文件，从而保证家庭健康监测系统的灵活性和适用性．

3实验

基于WinCE 6．0嵌入式操作系统环境，使用Visual Studio 2010 C#研发家庭健康监测系统，主要技术指标: 1)支持蓝牙传输; 2)支持与“健康云”数据交换; 3)支持个性化健康监护; 4)支持个人健康档案管理; 5)健康数据分析结果．图6展示正常状态下系统监测界面和异常状态下心电生理监测数据界面．

图6家庭健康监护系统Fig．6 Home healthcare monitoring system

具体情况如下:

1)与厦门市心脏中心合作，结合厦门市“健康云”电子档案和EMR数据(厦门市集美区55～65岁(男性)研究对象和比对病例数)，选择指标包括文化程度、吸烟、锻炼、心率、BMI、血压、脑卒中史、血脂，采用Logistic模型，得到暴露不同危险因素水平的基准发病率和危险分数(如表2所示)．根据健康档案和家庭健康监护系统获取1位61岁老人的健康数据为小学文化、不吸烟、不喜欢锻炼、腹部较肥胖、血压240/ 209 mmHg，心率92、有脑卒中家史、血脂超高，则个人患病相对危险度为15．666．厦门市集美区糖尿病总发病率接近5%，当前绝对危险度为78．78%，采用马尔科夫模型和灰色预测相结合，可以预测5年内绝对危险性．

2)糖尿病和高血压等患者和健康促进者，可以根据医生的建议制订个性化健康管理方案，测量心电、血氧饱和度、脉搏、体温，并向健康云端上传生理监测数据．

3)采用健康服务组合成功率度量家庭健康监测系统与“健康云”的联接效果．健康服务组合成功率定义为基于BPEL4WS指定的序列组装健康服务成功的次数与总的组装次数的比率．经1 000次测试数据计算得到健康服务组合成功率为89%，这表明家庭健康监测系统能有效联接“健康云”．厦门市“健康云”目前尚处于建设过程，上述指标尚在合理范围内．

需要说明的是，不同国家、地区的糖尿病风险评估模型存在较大差异．基准发病率和危险分数度量模型不同，例如德国和阿曼分别采用Cox回归模型和Logistic回归模型;引入危险因素不同，例如德国强调包括尽可能多的可变危险因素，阿曼强调BMI、糖尿病家族史、高血压情况［16］．因此，本文建立的健康风险评估模型和表2中的危险分数虽然对糖尿病风险评估操作简单、快速和廉价，但只适用于厦门市部分人群而不是福建省整体人群．

4结论

新一代家庭健康监护系统在要求其具备低成本、低功耗和低体积的同时，亟需适应基于云计算的国家医疗信息化发展．本文设计并实现一种联接“健康云”的家庭健康监护系统，利用附着在人体的智能生理参数传感器连接监测和记录生理数据，实现健康风险评估和个性化家庭健康监护方案定制，保证家庭健康监测的灵活性和有效性，为“健康云”提供的健康档案云端管理、健康咨询、健康膳食等服务走入家庭健康监护奠定基础．下一步将建立适合本地化健康风险评估模型，提高相对危险性和绝对危险性预测的准确性;解决家庭健康监测对象的隐私保护问题;完善家庭健康系统，展开示范性应用和推广．

表2厦门市集美区糖尿病因素及危险分数( 55～65岁，男性)Tab．2　 Risk factors and risk score of diabetic inpatients in Jimei，Xiamen ( 55～65 years old，male)

文化程度　　小学及以下　0．952　0．952中学　0．901　0．754大专以上　1．105　0．524吸烟　　不吸烟　1．658　1．658吸烟　0．680　2．572锻炼　　否　0．926　0．926 是0．926　0．784心率　　＜90正常　0．658　0．765 ＞90非正常　1．043　2．873 BMI　　正常　1．265　1．625超重　0．961　1．307肥胖　0．984　2．885血压　　理想(＜120 mmHg)　 0．123　0．223正常( 120～140 mmHg)　 0．771　0．771临界( 140～160 mmHg)　 0．976　2．521高血压( 160～180 mmHg)　 1．383　4．654超高(＞180 mmHg)　 1．573　6．543脑卒中史　　无　0．978　0．978 有0．978　1．778血脂　　正常　0．926　0．926偏高　0．978　4．152 _________________超高　1．548　5．325

参考文献:

［1］IBM国际商业机器全球服务(中国)有限公司．IBM智慧医疗:数字化医院集成平台解决方案［EB/OL］．( 2010－03－29)［2014－09－15］．http:∥www－31．ibm．com/solutions/ cn/healthcare/digitalization/platform．shtml．

［2］孔建会．日本的云计算政策及其应用［EB/OL］．( 2013－04－16)［2014－09－15］．http:∥www．cssn．cn/sf/bwsf _ zhlwz/ 201310/t20131022_447324．shtml．

［3］樊建平，张元亭，王磊．实施海云工程实现低成本健康［J］．高科技与产业化，2012 ( 7) : 46－49．

［4］CALVO－ALCALDE A I，ANDRÉS－GUTIÉRREZ J J，VEGAS J，et al．Semantic and implicit hci: a step forward ami delivery at home for patient experience［M］．Berlin: Springer－Verlag Berlin Heidelberg，2010: 139－147．

［5］FUJISAKI K．Measures taken by the government forimproving mental health of children－through promotion of Sukoyaka family 21［J］．Journal of Japan Medical Association，2001，126( 4) : 553－558．

［6］沈燕士．台湾远距医疗照护产业营运与技术［EB/OL］．( 2010－12－29)［2014－09－20］．http:∥aic．nctu．edu．tw/download．php? file=0101229122719_54782．pdf．

［7］MEDJAHED H，ISTRATE D，BOUDY J，et al．A pervasive multi－sensor data fusion for smart home healthcare monitoring ［J］．IEEE International Conference on Fuzzy Systems，2011，6493( 9) : 1466－1473．

［8］张洹千，杜晓薇，杨坚，等．一种体域网无线心电监护系统的研制与测试［J］．现代电子技术，2014，37( 4) : 37－41．

［9］PARADISO R，LORIGA G，TACCINI N．A wearable health care system based on knitted integrated sensors［J］．IEEE Transactions on Information Technology in Biomedicine，2005，9( 3) : 337－344．

［10］蔡伟超．基于ZigBee技术的老年人家庭健康监护设计［D］．天津:天津大学，2009: 14．

［11］Health Level Seven Committee．HL7 clinical document architecture，release 2．0［EB/OL］．( 2003－12－08)［2014－09－ 20］．http:∥www．hl7．org/Library/Committees/structure/ CDA．ReleaseTwo．CommitteeBallot02．Dec．2003．zip．

［12］汪俊军．关注心血管疾病的预防与个性化危险评估［J］．临床检验杂志，2012，30( 10) : 817－820．

［13］DANIEL B S，Z'OCALO Y A，IGNACIO F V，et al．Health informatics design for assisted diagnosis of subclinical atherosclerosis，structural，and functional arterial age calculus and patient－specific cardiovascular risk evaluation［J］．IEEE Transactions on Information Technology in Biomedicine，2012，16( 5) : 943－950．

［14］张玲．重庆社区居民糖尿病、脑卒中相关危险因素分析及个人健康危险模型的研究［D］．重庆:第三军医大学，2009: 38－39．

［15］李运明．国人健康风险模型及风险评估方法研究［D］．西安:第四军医大学，2011．

［16］SCHULZE M B，HOFFMANN K，BOEING H，et al．An accurate risk score based on anthropometric，dietary，and lifestyle factors to predict the development of type 2 diabetes ［J］．Diabetes Care，2007，30: 510－515: 54－55．

Design of Healthcare Cloud-connected Home Healthcare Monitoring Systems

HU Jianqiang

( School of Computer and Information Engineering，Xiamen University of Technology，Xiamen 361024，China)

Abstract:A new generation of home healthcare monitoring systems strives to possess such characteristics as low－cost，low－power and lowvolume etc．，and furthermore，it needs to quickly adapt to the development of national medical information based Cloud computing．In response to this trend，a home healthcare monitoring system that connects with Healthcare Cloud was designed．First of all，this paper introduces the hierarchy architecture for Healthcare Cloud and analyzes home healthcare monitoring system's work process with the Healthcare Cloud．Then，it addresses the following key technical issues: constructing home healthcare monitoring network on intelligent physiological sensors，connecting with Healthcare Cloud based HL7 RIM data conversion framework，establishing health risk appraisal model on Grey－Markov model，and composing individual healthcare services based on BPEL4WS．Finally，clinical application of the system shows that it has positive significance for patients with hypertension and diabetes who can enjoy the services of Healthcare Cloud at home．

Key words:HL7 RIM－based data conversion framework; health risk appraisal( HRA) ; Healthcare Cloud

基金项目:国家自然科学基金( 61373147，61502405) ;国家计生委联合攻关项目( WKJ－FJ－35) ;厦门市高校科技创新项目( 3502Z20143031，3502Z20133033) ;厦门理工学院人才引进项目( YKJ13004R)

收稿日期:2014－10－07录用日期: 2015－01－20

doi:10．6043/j．issn．0438－0479．2016．01．022

中图分类号:TP 393

文献标志码:A

文章编号:0438－0479( 2016) 01－0114－07

Email: jqhucn@ xmut．edu．cn

引文格式:胡建强．一种联接“健康云”的家庭健康监护系统设计［J］．厦门大学学报(自然科学版)，2016，55( 1) : 114－120．

Citation: HU J Q．Design of healthcare cloud－connected home healthcare monitoring system［J］．Journal of Xiamen University( Natural Science)，2016，55( 1) : 114－120．( in Chinese)