基于机器学习的在押人员生命体征监测系统设计

许文鹏，谭林，周千里，徐雪婧

（1.公安部第一研究所，北京100048；2.北京市公安局，北京100740）

0 引言

公安监管部门承担着在押人员的警戒看管和行政处罚的重要职责，同时也担负着保证在押人员羁押期间生命安全的责任和义务。《看守所执法细则》规定对患有严重疾病，可能有生命危险的认定为三级重大安全风险，在日常监管工作中，医生每天上、下午至少各巡诊一次，及时发现和处置在押人员病情[1]。

但诸如心脏病、脑中风等突发性疾病往往在常规检查中很难被发现，一旦发病则有较大概率造成在押人员的非正常死亡。看守所内羁押期间非正常死亡事件的频发，经失实舆论炒作所造成的社会影响恶劣，严重影响公安机关执法公信力，给公安监管民警带来了巨大的工作压力。

随着微机电技术、无线传感网技术和物联网技术的不断进步，人体生命体征监测技术也得到了迅速的发展。同时随着人工智能技术近几年来的快速发展，而机器学习作为推动人工智能技术发展的核动力，在各行各业也得到了广泛应用[3]，各类机器学习算法和模型越发成熟，研究具有智能化、网络化、便携式、可穿戴式的生命体征监测设备逐渐成为智能监管领域的主要研究方向。当前我国市面上出现了几款消费级可穿戴产品，如小米手环、美心血氧仪等，以上设备虽然做到了便携性与可穿戴，但是普遍存在数据采集方式单一、测量值误差大等问题，因而无法精确提取被监管人群的生命体征健康数据，这些问题直接导致了其很难在监管等领域进行拓展应用。

针对上述实战需求本文提出了一种基于机器学习的在押人员可穿戴多传感器融合的生命体征监测系统设计方案。在该系统中具体的产品形式包括智能指环、智能手环和智能胸带。其中嵌有血氧采集传感器、体温传感器、血压传感器、心率传感器等，可以实时监测被监管人员的生命体征数据。所采集的生命体征数据通过无线传感网络传输，可以使远程监控中心应用服务能够在快速的与生命体征监测设备进行数据交互，同时具有与PC、手机和PAD 等不同的终端进行交互数据的能力，进而能够将数据通过无线的方式传输至网络云端进行分析处理、可视化展示以及通过机器学习算法和模型对健康状况进行研判。

1 相关技术分析

1.1 机器学习概述

机器学习的基本思想是对海量数据进行算法设计，通过对历史数据的分析和学习，得到针对数据分类或回归的目标函数。因此机器学习是通过对海量数据的学习，获得经验，并通过经验来改善系统的性能。通常机器学习分为监督学习、无监督学习和半监督学习[4]。

在机器学习过程中，学习器从训练样本中学习出潜在的数据间的规律，可以得到一个复杂的曲线能够完美地拟合我们的训练集，即经验误差很小，但是这样的学习器对于未知数据表现出的效果却不理想[10]，会把训练样本数据的其他特点当作数据的一般性质，进而导致泛化性能降低，在机器学习中我们统称为过拟合[9]，与之相对的就是欠拟合。在本文系统设计中，我们选择k-折交叉验证使模型的泛化误差最小。k-折交叉验证就是将训练集的1/k 作为测试集，每个模型训练k 次，测试k 次，错误率为k 次的平均，最终选择平均率最小的模型。如图1 所示。

图1 交叉验证过程

1.2 光电容积脉搏波法原理描述

光电容积描记法是通过借助于光电技术在人体动脉血管中检测血管内液容积变化的重要手段和方法。一定波长的光束通过透射或者反射的方式照射到指端皮肤表现，由于人体体表内液和其他血液组织会对光束产生不同程度的吸收和折射，从而导致透射或反射光束能量衰减，经测定，皮肤、肌肉组织和内液等成分对光束的能量衰减是恒定的，而指端皮肤血液内容积会根据心脏的周期性活动呈现规律性的变化；当心脏收缩时，心脏内血液挤压流入血管中，此时血管内血量最多，对照射到皮肤光束的吸收量也最大，导致光接收器检测到的光能量最小；反之，心脏舒张血液回流，导致光接收器检测到的光能量最大[6]。光接收器将此光能量变化信号转换成弱电信号，便可获得容积脉搏血液的变化。光电容积描记法正是根据以上基本原理对人体的重要生理指标进行实时采集和监测，如图2所示。

图2 光电容积描记法原理图

2 系统设计

2.1 系统总体架构

本文设计了一个基于机器学习模型和无线传感技术的高危人群在押人员生命体征监测系统，通过该监测系统可以连续采集在押人员的心率、心电、血压和血氧等多个生命体征参数，医护人员和值班民警可以通过监控中心远程实时监控在押人员的重要生命体征参数，当在押人员身体出现紧急情况或突发疾病时，系统能自动传输报警信息。同时基于机器学习算法搭建健康分析数据模型可以对在押人员的生理参数进行分析诊断，以此对在押人员进行疾病管控、健康干预和医护指导。该系统的总体设计架构如图3 所示。

图3 系统总体架构

（1）数据采集层

采集层负责收集物理环境下人体各类活动数据。采集层包括多个传感器节点，每个传感器节点由传感器、MCU、电源管理和网络组成；在本系统中主要采用心率传感器、心电电极贴、血氧采集传感器、血压传感器和红外体温传感器等，用来实时获取在押人员心率、心电、血氧和血压等重要生命体征参数。采集层节点通过各传感器感应被测人体参数和指标，并将数据上传至数据传输层。

（2）数据传输层

数据传输层通过与采集层和数据处理层的上下连接，通过通信网络进行信息传输，为系统提供基础设施服务。传输层由无线传感网、有线网、互联网及各种私有网络组成，在数据采集层各传感器和数据处理层之间起到纽带和桥梁作用，负责将获取的传感器感知信息，经过互联网或私有网络，安全可靠地传输到上层进行数据分析，然后根据不同的应用需求进行数据的交互与处理。该系统中主要采用蓝牙、3G/4G 移动网络和局域网络等进行数据的传输与通信。

（3）数据处理层

数据处理层的主要作用是将采集的生命体征数据进行压缩存储，将多维生命体征数据存储于远程数据库服务器中；同时通过建立索引和指针，将索引装进内存，可以极大地提高获取多维数据集的效率。

此外数据处理层还可以对多维数据集进行简单的数据处理，例如数据一致性检查、无效值的剔除和缺失值的填充等，将噪声数据进行简单的筛选和清洗，从而为机器学习建模提供高质量数据源。

（4）应用服务层

通过基于机器学习的数据处理模型，系统可以有效的对提取的生命体征数据进行分析和归类，本系统中主要提供以下应用服务：疾病分类、指标划分和监测评估；值班民警、驻所医护人员都可以通过该服务对在押人员的身体健康情况作进一步的预判和疾病分析。

（5）预测与分析层

根据应用服务层提供的应用接口，可以实现对在押人员身体状况的健康管理、病情研判，并使医护人员结合病情实施有效的疾病和治疗干预方案；同时对Web 平台用户和移动通讯终端（Android、iOS）提供了医疗健康信息以及数据分析和信息挖掘服务的接口，帮助用户更好的对生命体征数据进行预测和分析预判。

在本文中设计一款内置多种生命采集传感器和蓝牙传输模块的可穿戴式生命体征设备，可以随时随地获取在押人员的生命体征参数，并通过内嵌的蓝牙传输模块将数据发送到蓝牙路由器，蓝牙路由器可以将蓝牙信号进行扩展与延伸，进而实现多台蓝牙设备大范围的连接与组网，并将数据通过TCP 送至远程服务器和监控平台。

远程监控平台可以实时接收和查看采集到的在押人员生命体征数据，当生命体征参数出现异常时，监控平台会发出报警提示；同时针对海量的健康数据，选用合适的机器学习算法对数据反复进行训练，进而得到一个可以适应训练集的健康模型，将各种数据通过数据可视化技术进行绘图显示和诊断统计，交由专业医护人员和值班民警进行健康管理和预判。同时在押人员家属也可以通过Web 端访问远程服务器，实时、异地查看在押人员的健康生理信息。

2.2 系统组成

本系统集多生命体征采集传感技术、无线传感技术、MCU、数字信号处理技术、远程Web 监护平台开发、包括生理数据的采集与传输、服务器搭建、数据库的建立以及基于机器学习的数据建模与数据分析可视化的效果展示等组成，其中系统组成图如图4 所示。

图4 系统组成图

基于机器学习的生命体征监测系统可以分为四大模块[2]：数据采集模块、数据管理模块、网络通信模块、预测与分析模块。

（1）数据采集模块设计

在生命体征监测系统中，数据采集模块采用插件式模块单元设计，心电监测单元、血压监测单元、血氧监测单元、心率监测单元和体表温度监测单元共同组成了插件式数据采集模块。数据采集模块单元可根据需求进行模块的增加和删减，同时插件式的设计可以使生命体征监测设备集成度高、功耗降低、体积变小、进而使MCU 的电路设计更加简单。

采用的传感器如表1所示。

表1 采集单元传感器

本文选用ST 公司出品的低功耗微处理器STM32F103ZET6 控制系统和各类生命体征传感器。

（2）数据管理模块设计

数据管理模块为系统提供数据采集、读取、存储和简单处理的功能，通过提供data_read()接口[8]，可以读取传感器数据，包括心率、心电、血压、血氧和体温等生理体征参数；数据管理模块通过data_collect()接口调用数据采集器，获取生命体征数据，并为系统指定存储目标数据服务器，该过程对用户是透明的。在data_read()接口函数中，需要设置以下三个参数：①数据路径：通过设置路径，可以为系统快速找到数据存放服务器地址；②样本数：机器学习算法中每次训练需要的样本数，通过接口可以返回训练样本集；③数据类型：读取数据时，根据数据不同的用途，有三种数据用于训练模型，一种数据用于预测模型，接口必须按照数据类型返回不同的标志位。

（3）通信模块设计

在蓝牙通信模块中采用HC-05-D。将单片机的串口和蓝牙模块相连，蓝牙的TXD 和RXD 引脚分别与单片机的TXD 和RXD 引脚连接，即交叉直接连接。生命体征监测设备的蓝牙通信模块通过蓝牙AP可以将带有蓝牙模块的生命监测设备组网，并将数据通过TCP 协议传输至服务器端。在蓝牙路由器中可以嵌入蓝牙模块，从而可以实现接收多个蓝牙终端的数据；此外蓝牙路由器利用蓝牙SPP 协议，与蓝牙终端建立连接，通过SPP 通道进行数据传送。

生命体征采集设备的蓝牙模块与蓝牙AP 通信模块的通信流程如图5 所示。

生命体征监测设备通过调用Bluetooth 接口，获取自带的蓝牙适配器，并开启蓝牙功能。通过调用蓝牙设备搜索接口函数，对周边的蓝牙设备终端进行扫描，当搜索到匹配的蓝牙适配器时，则进行设备注册、建立连接并停止扫描，至此蓝牙扫描工作完成。扫描并匹配成功的设备名称和设备MAC 地址将分别储存在蓝牙搜索的公有成员变量中，当扫描结束后，会向生命体征监测设备蓝牙适配器发送一个类型为0x01 的句柄消息。同时handleMessage 接口函数也会收到类型为0x01 的消息，扫描程序通过设备遍历对周边的设备进行逐个匹配直到找到符合要求的蓝牙终端设备。

当设备连接上以后，每个设备都拥有各自的BluetoothSocket，就可以实现设备之间数据的共享了。蓝牙AP 则可通过BluetoothSocket 的getOutStream()向数据采集层各采集模块发送传输控制指令，对获取到的生命体征数据则通过TCP/IP 协议发送到数据库服务器中，进而可以对收集到的生理参数通过机器学习预测和分析模块进行列表显示和图表显示，并综合判断当前数据，给出疾病预警提示和初步诊断预案。

图5 通信流程设计

（4）预测与分析模块设计

在该模块中，将使用TensorFlow 框架对采集到的生理体征数据进行学习和训练，并建立机器学习模型，再使用训练后的神经网络模型对最新采集的数据进行分析和预测，并将分析结果返回给值班民警和驻所医护人员[7]。

根据TensorFlow 的设计模式，设计人工神经网络模型，可以得到TensorFlow 的数据流图如图6 所示。

将获取到的生命体征数据按照格式要求填充至输入张量（tensor）中，将输入数据与权值相乘，再与偏移值相加，经过两个隐藏层后，再通过ReLU 变换和Softmax 层得到最终输出变量，在进行梯度下降函数求解过程中，将会采用神经网络模型的输出结果作为其输入，保证梯度下降函数的最优。

图6 TensorFlow数据流图

在上述公式中，a 表示为(1,10)之间任意常数；n 表示为输出；m 表示为输入；l 表示为节点。在预测和分析模块中，输入层的节点包括ID、数值、类型、人员性质、现状、有无疾病史等8 个属性。所以网络的输入层m=8；根据预测和分析要求，将分析结果作为网络输出结果，因此输出层节点n=1；由于三层BP 神经网络可接近任意连续的函数，故选择BP 三层网络。同时根据输入层、输出层和隐藏层的个数，经试验，可以得到每个隐藏层节点个数为5。

BP 网络学习过程设计如下：

首先确定每个单元的偏置为(-2/m,2/m)间的随机数，即为(-1/4,1/4)，确定学习率为1，目标误差率为0.001。

然后确定输出层和隐藏层每个单元的输入输出，利用如下线性公式：

将Logistic 函数作用于上面公式，可以得到：

Oj=1/(1+e-Ij)

由于该模块需要经常对数据进行分析并且对实时性要求较高，在数据源发生改变后需要重新进行机器学习过程，因此神经网络模型不宜过于复杂。为保证数据预测和分析更加精准和实时，在本文中机器学习模型将采用BP 神经网络对生命体征数据进行分析学习和预测。

在BP 神经网络进行机器学习过程中将使用如下公式进行节点数计算：

其中，Wij是上层输入层单元i 和j 的权值，Oi是上一层i 的输出，Bj是j 的偏置，Oj是j 的输出。

通过更新W 和B 可以计算向后传播的误差，利用如下公式：

其中，Oj(1-Oj)为对Logistic 函数进行求导计算得到。

同时将下一层j 单元的误差进行加权求和，可计算隐藏层j 的误差。

如此对数据进行反复训练，直到达到最小误差允许范围，则BP 神经网络建立。

（5）远程监控平台设计

远程监控平台设计如图7 所示。平台设计采用B/S 架构，可以实现值班民警和驻所医生远程访问监控平台的数据，同时在押人员生命体征监测设备终端采集的各类生命体征参数，例如心率、心电、血氧等数据，也会实时存储到远程数据库服务器中。

图7 远程监控平台设计

在监控平台中，通过机器学习模型对在押人员生命体征数据进行数据分析与处理，可以将被测试在押人员的身体健康状况分为Ⅰ、Ⅱ、Ⅲ和Ⅳ四个危险等级。其中Ⅰ表示健康、Ⅱ表示良好、Ⅲ表示患有慢性疾病、Ⅳ表示患有高危疾病，需要紧急救治，稍有疏忽可能会危及在押人员的生命危险。经数据分析和机器学习模型处理后的在押人员生命体征数据将会以可视化图表的形式进行展示，方便值班民警对数据进一步挖掘和进行动态交互。远程医护人员也可以对此监控平台进行访问，通过采集到的在押人员生理数据，医护人员结合自己临床经验，对在押人员身体状况进一步分析，针对高危人员，并及时给出健康治疗方案。

3 结语

本文综合利用单片机、各生命数据采集传感器、无线通信和移动网络等技术，并结合机器学习算法和模型，给出了监管场所在押人员生命体征监测系统的整体设计方案，实现了基于心率、血压、心电等传感器的生理数据采集、传输和远程实时监控平台软件的开发。本系统通过蓝牙路由器作为生命体征数据的采集和中转平台，通过与生理数据采集设备的蓝牙模块进行适配，可以实现把在押人员的生命体征数据经由TCP 通信协议传输至远程服务器端数据库中，同时远程监控平台的指令和操作也可以经由蓝牙路由器下发给生理数据采集设备。此外通过基于机器学习的神经网络算法，可以实现对在押人员身体状态给出健康评估模型，当身体出现异样时，能快速发现并能作出反应，并能结合健康数据库，给予健康建议，推动了移动医疗的发展，保障了在押人员的生命健康和安全，具有重要的社会意义和价值。