一种云辅助的移动心电监测系统
2016-11-10胡建强曾智勇朱顺痣吴克寿
胡建强，曾智勇，朱顺痣，吴克寿
(1.厦门理工学院计算机与信息工程学院，福建 厦门 361024;2.福建师范大学软件学报，福建 福州 350108)
一种云辅助的移动心电监测系统
胡建强1，曾智勇2，朱顺痣1，吴克寿1
(1.厦门理工学院计算机与信息工程学院，福建 厦门 361024;2.福建师范大学软件学报，福建 福州 350108)
连续监测心电对发现心血管疾病和判断人体健康状况具有重要意义.新一代心电监测系统能提高便携性、降低功耗和成本，但在心电数据提取、存储容量等方面还存在局限性.为此，提出一种云辅助的移动心电监测系统，利用智能手机接收心电数字信号，借助云平台(例如BAT云、厦门市健康云)实现ECG数据存储.该系统采用基于平均绝对差分阈值的心电波形提取算法、基于小波包分解的智能报警模型和基于HL7-aECG标准的数据交换模型，提升心电数据提取质量、报警能力和数据存储能力.系统原型能支持5种心电病变类型判别，智能报警以及心电数据云管理，从而有利于降低心血管疾病的潜在威胁.
移动心电监测;心电波形;提取算法；智能报警模型；HL7-aECG标准
随着社会经济发展，人口老龄化及城镇化进程的加速，心血管病患病率及死亡率呈现出上升趋势。目前，估计全国有心血管病患者2.9亿人，其中高血压患者2.7亿人，脑卒中患者700万人，心肌梗死患者250万人，心力衰竭患者450万人。心脑血管病住院费用逐年上升：次均住院费用急性心肌(AMI)为23 236元，颅内出血为15 172元，脑梗死为8 435元；年均增长速度分别为8.67%、6.50%和2.28%[1]。大量医学实践表明，心血管疾病哪怕是猝发性心脏疾病，如果事先能监测到细微征兆并采取有效措施，70%左右的患者是可以避免死亡的。心电图ECG(Electrocardiogram)是判断心血管疾病的重要依据之一，可以测量随时间变化的心肌电信号，但实际生活中患者在医院连续监测不方便且费用较高.
对于心电监测常规医院采用各种临床监护仪，例如多参数监护仪PM-900S、SNP9000N，主要采用12.1″TFT主监护界面直观显示波形和参数.新一代心电监测系统采用先进传感器、移动互联网等技术，主要工作有：欧盟移动健康照护计划[2]采用传感器测量血压和心电；文献[3]基于传感器采集人体的血压、心率和体温等生理数据；文献[4]采用传感器和多根心电导联不间断监测心脏活动变化数据，通过蓝牙将监测数据传送到Android系统移动智能终端，存储并动态显示ECG波形.新一代心电监测系统能提高设备的便携性，降低功耗和成本，特别是移动智能终端在计算能力和存储空间存在固有的局限性，在心电数据提取和数据存储方面还存在较大的提升空间.
针对上述问题，本文设计一种云辅助的移动心电监测系统，采用平均绝对差分阈值算法实现心电波形提取算法，提高R波的检测和判定的效率；采用基于小波包分解构建子带能量特征向量，加强心电异常报警处理，提高预警能力；基于云平台提供的存储空间、可靠服务实现ECG数据存储，克服智能手机存储空间的有限性.
1 系统总体框架
云辅助的移动心电监测系统的总体框架，主要包括：心电监测模块；“智能手机”；云平台(心电健康档案和电子病例)(如图1所示).具体如下：
1)心电监测模块：采用Neurosky公司芯片型号BMD101.BMD101前端可以外接导联线有效检测心电信号；中间(系统管理单元)负责A/D转换器算法计算、内外通讯、运行管理和电源管理；后端(固化DSP)加速各种数字滤波处理，基于蓝牙将数字化信号传送到“智能手机”.
2)“智能手机”：经蓝牙接收心电数字信号，采用平均绝对差分阈值算法检测和判定R波，提取QRS波形数据.如果数字信号含有突变信息，采用智能报警模型区分信号突变原因并报警.由于智能手机存储空间的局限性，采用HL7-aECG标准数据格式，通过SOAP协议将心电数据上传到云平台.“智能手机”通过与云平台数据交换，帮助个体全面认识健康状况和慢性病变趋势.根据情况可以与第三方机构联系，得到特约医生护理、紧急医疗小分队、健康膳食推荐等服务.
3)云平台：借助第三方云平台或构建私有云，如BAT云、“厦门市健康医疗云”等，实现ECG数据云存储.例如，阿里云海量存储服务OSS；“厦门市健康医疗云”提供60T影像存储和32.7T存储资源池.ECG数据存储在健康云平台，可以作为电子病历、健康档案的一部分，能有效克服“智能手机”存储能力不足的问题，并为实现医疗大数据挖掘奠定数据基础.
2 关键技术
2.1心电波形提取算法
心电图的基本原理是提取人体心脏搏动过程中产生的微弱信号.BMD 101硬件滤波放大并通过A/D转换器得到数字信号并进行必要的预处理，包括：低频基线漂移、肌电噪声和运动伪迹等.心电信号分析的基础就是检测和确定QRS波群，而R波的检测和判定是确定QRS波群位置和心电波形提取的关键.差分阈值法算法的核心是根据R波与P波、T波的变化斜率，具有简单实现、效率高等优点.如果采用固定差分阈值，阈值设定过大容易导致QRS波漏检现象；阈值设定过小容易引发QRS波误检.
3)R波判定：求取ECG信号线yi0点左右邻域内的极值点，其中最大值点判定为R波峰.
2.2智能报警模型
实时、连续心电监测的目标之一是希望发现心电信号异常时能及时报警.当心电监测信号含有突变信息，“智能手机”需要有效区分和查找信号突变原因，尽可能提醒设备偏差型故障并避免错误报警.突变信号在心电波形图上表现为尖锐的 “山脊”，小波包分解对高频信号、低频信号具有较高的频率分辨力、时间分辨力.因此，基于小波包分解构建子带能量特征向量，并计算空间余弦相似度来加强心电异常报警处理，具体步骤：
1)正交小波包分解ECG信号序列，其展开高频、低频系数分别为：
(1)
(2)
其中，正交尺度函数φ(t),小波函数φ(x)∈L2(R).
2)提取高频序列和低频序列的子带能量：
(3)
分别表示第j层高频小波序列和低频小波序列子带能量.
3)根据高频、低频子带能量构建特征向量[λN,λN-1,…,λ1,λ0]，其中：
(4)
4)计算ECG信号特征向量[λN,λN-1,…,λ1,λ0]与常见设备偏差型故障特征向量(由经验获得)，并结合计算两者的空间余弦相似度，根据空间余弦相似度区分“突变”信号由常见设备故障或心电病变原因引起.
2.3基于HL7-aECG标准实现云端心电数据存储
由于“智能手机”接收心电数据属于MIT-BIH格式，信息完全被封装在数据文件中，只能依靠人工一条条打开查阅，很难用于大规模心电数据共享和基于内容的语义信息检索.HL7(Health Level 7)[5]是医疗领域不同应用、仪器和设备之间数据信息传输的国际标准.HL7-aECG(HL7 Annotation ECG)[6]标准是心电数据信息子标准.HL7-aECG标准定义完整的XML Schema，提供包括心电图波形和注释信息在内的心电信息表达和存储标准.只有完全使用HL7-aECG标准定义的数据类型、元素和词汇，才能充分保证心电数据语义的一致性.图3展示完整的发送方和接收方基于HL7-aECG标准的数据交换过程，具体包括：
“发送方”：(1)实时采集的心电数据(MIT-BIH格式)；(2)构建HL7-aECG RIM逻辑结构对象图；(3)构造HL7-aECG的对象模型树DOM；(4)基于对象模型树DOM构建XML SOAP消息.
“接收方”：(1)通过Restful API接收XML SOAP消息；(2)由XML SOAP解析XML HL7-aECG域目录；(3)解析文档对象模型树DOM，还原HL7-aECG对象图；(4)以XML自描述数据或关系型数据形式写入数据库.
3 实验分析
系统原型实现硬件部分：Neurosky BMD 101、3根心电导联线、Android真机；软件部分：阿里云SDK、Android SDK等.原型系统实现以下功能：
1)个人信息注册包括：年龄、性别、年龄、民族、婚姻、学历、生活偏好(抽烟、喝酒、锻炼、睡眠时间等)、常规体检数据(身高、体重、腰围、臀围)、亲友号码.
2)心电监测界面展示：实时、不间断展示心电波形、脉搏、体温等，图4展示心电生理监测界面，其中心电ECG和脉搏80次·min-1(血压115/79 mmHg，血氧饱和度97%，体温36.5 ℃，室温17 ℃等).
表1 “突变”信号子带能量特征Table1 Sub-bandsenergycharacteristicsofmutationsignal“突变”信号原因子带能量特征经验高频信号/%低频信号/%人体病变0～199～100传感器周期故障98.1～99.80.2～1.9传感器堵塞故障00传感器偏差型故障3.1～7.292.3～96.9
当判定“突变”信号属于人体病变原因时，原型系统根据平均绝对差分阈值算法检测和判定两相邻R波时间tRRi，做进一步5种人体心电病变类型区分：(1)tRRi<500 ms(心率过速)，心电监测界面显示标志“1”；(2)tRRi>1 500 ms(心率过缓)，心电监测界面显示标志“2”；(3)一个完整的QRS波时间大于120 ms(室性早博) ，心电监测界面显示标志“3”；(4)tRRi>3 000 ms (停博)，心电监测界面显示标志“4”；(5)2.6tRR>tRRi>2.3tRR(漏博)，心电监测界面显示标志“5”.绿色标志符“0”表示正常(图4).一般情况下，连续3次符合上述特征会发出报警，并短信通知亲人.当判定“突变”信号属于偏差型设备故障时，原型系统提示人体应采取正确姿态避免设备晃动(图5).
4)心电数据云存储管理：阿里云OSS提供SDK和RESTful API，实现心电数据云存储.MIT-BIH数据格式—文件.hea，数据文件.dat和注释文件.atr.按照基于HL7-aECG标准的数据交换与存储模型，“智能手机”与阿里云OOS交互的消息形式中，HL7-aECG数据分别以时间序列和波形序列分别存储.其中，
4 结语
目前传感器网络、云计算和大数据技术正逐步应用到智慧医疗领域.利用附着人体的生理传感器采集多参数生理数据并上传到云端管理，是智慧医疗领域未来发展方向之一.本文设计一种云辅助的移动心电监测系统，采用平均绝对差分阈值算法实现心电波形提取算法，基于小波包分解的智能报警模型和基于云端实现ECG数据存储，提升心电数据提取质量、报警能力和数据存储能力.该系统可应用于家庭慢性疾病监护领域，有利于帮助个体认识心电健康状况和病变类型，也有利于缓解目前医疗资源紧缺现状.
[1]中国循环杂志.2014年中国心血管病报告[EB/OL].Http://news.medlive.cn/heart/info-progress/show-82032_129.html，2015-08-06/2016-03-23.
[2]欧盟.欧盟健康计划确定2013年工作计划[J].中国医药技术经济与管理，2013(1):12-13.
[3]QUWAIDER M，JARARWEH Y.A Cloud supported model for efficient community health awareness[J].Pervasive and Mobile Computing，2016，6(28)：35-50.
[4]徐勇.基于Android智能手机的动态心电监测系统设计[D].南京:南京邮电大学，2013.
[5]Health Level Seven Committee.HL7 Clinical Document Architecture，Release 2.0[EB/OL].(2003-12-08)[2015-12-30].http://www.hl7.org /Library/Committees/structure/CDA.ReleaseTwo.CommitteeBallot02.Dec 2003 zip，2003-12-08.[6]BROWN B，KOHLS M，STOCKBRIDGE N.FDA XML data format design specification[EB/OL].(2004-08-02)[2016-01-10].http://xml.coverpages.org/FDA-EGC-XMLDataFormat-C.pdf，2004-08-02.
(责任编辑宋静)
Research on Cloud-Assisted Mobile ECG Monitoring System
HU Jianqiang1，ZENG Zhiyong2，ZHU Shunzhi1，WU Keshou1
(1.School of Computer & Information Engineering，Xiamen University of Technology，Xiamen 361024，China; 2.Faculty of Software，Fujian Normal University，Fuzhou 350108，China)
Continuous monitoring of ECG signals is of great significance for detection of chronic cardiovascular disease and assessment of health status.The new generation ECG monitoring system has good portability，low-power consumption and low-cost，but its data extraction and storage capacity has room to improve.A cloud-assisted mobile ECG monitoring system is therefore designed using smart phones to receive ECG signals and cloud platforms (such as BAT Cloud platform，Xiamen Municipal Health Cloud) to store ECG data.It adopts ECG extraction algorithm based on average-absolute difference threshold，intelligent alarm model based on wavelet packet decomposition and ECG data exchange model based on HL7-aECG standard，to enhance quality of ECG data extraction，alarm accuracy and data storage capacity.Finally，a prototype system is implemented that supports the identification of five types of lesions，intelligent alarm and cloud ECG data management，which helps reduce the potential threat of cardiovascular diseases.
mobile ECG monitoring；ECG data;extraction algorithm；intelligent alarm model;HL7-aECG standard
2016-04-27
2016-06-05
国家自然科学基金项目(61373147，61502405)；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)
胡建强(1971-)，男，副教授，博士，研究方向为智慧医疗.E-mail：jqhucn@xmut.edu.cn
TP311.5
A
1673-4432(2016)03-0061-05
