基于嵌入式AI的可穿戴健康管理系统设计

高凤梅 吴攀

摘  要：健康管理作为新型的医疗模式，实现患者疾病的早发现、早治疗，但是目前健康管理的生理参数只限于医院体检中心固定时间的体检，不能实现连续、实时的监测，不能及时的发现疾病。该系统基于嵌入式AI，采用可穿戴传感器，运用TI公司ARM+DSP双核的微处理器DM642运行AI算法SVM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。经试验，该系统可以用于以社区为单位的健康管理。

关键词：嵌入式AI;支持向量机;可穿戴;健康管理

中图分类号：TP368.3;TP311.5     文献标识码：A 文章编号：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

隨着生活水平的提高，人们的自我健康意识增加。在“健康中国2030”背景下，健康管理这种新型的医疗模式应运而生。健康管理是对身体进行健康监测以及时发现异常或疾病，尽早干预和治疗。但是目前健康管理的健康监测只限于医院体检中心固定时间的体检，不能实现连续、实时的监测，不能及时发现和尽早治疗疾病。连续监测血压、血氧、体温、呼吸数据对心脑血管等疾病的防治具有重要意义，而人体的姿态，比如跌倒的监测对于老年人的健康管理尤为重要。所以本设计着重对血压、血氧、体温、呼吸、身体姿态生理参数的监测。一些生理参数，比如血压的连续无创测量精度不高，本设计采用人工智能（Artificial Intelligence，AI）算法提高测量准确度。

重庆电子工程职业学院智慧健康学院致力于健康管理和“智慧医疗”的教学和科研，在重庆市教委科技项目“基于AI的可穿戴智能康复机器人研究”的支持下，作者设计了基于嵌入式AI的可穿戴健康管理系统，在本系统设计中选择合适的嵌入式硬件、AI算法和可穿戴传感器，实现对上述生理参数的监测，同时使用NB-IOT模块接入云端。

1  整体设计

每位用户使用健康管理终端，采集血压、血氧、呼吸率、心率、体温、身体姿态等参数，为了提高采集部分的准确度，使用了AI算法，采用能运行AI算法的嵌入式处理器。每位用户的健康数据传送至云端或社区的健康管理中心，云端或社区的健康管理中心对生理数据进行管理，分析和挖掘，定期给出健康评估报告和健康管理建议。可穿戴健康管理整体系统框图如图1所示。

AI使机器更加智能，视频和语音识别率更高。嵌入式AI是在嵌入式设备中运行AI算法，可以使设备更加智能，比如对健康的实时监测。AI算法由于数据量大，算法模型复杂，目前在PC端或数据中心运行的比较多，比如深度学习算法卷积神经网络（Convolution Neural Network，CNN），而在嵌入式系统中运行AI算法，对硬件计算速度要求比较高。虽然在大样本的深度学习算法中GPU比CPU速度快，但GPU功耗高、价格;也有在FPGA上实现AI算法运行的系统，但FPGA的综合调度能力差。TI公司的DSP+ARM的双核芯片DM642，既满足计算能力又满足调度功能，考虑到可穿戴健康管理系统的测控能力和计算能力，选用双核芯片DM642方案。

AI算法有支持向量机（Support Vector Machine，SVM）、神经网络、聚类算法、多元回归等，SVM与其他方法相比，能够有效地克服其他方法中出现的稳定网络结构难以确定和过学习等问题，能够减少训练次数和训练时间，大幅度提高训练效率，而且算法简单、实时性强、准确率高、泛化能力强，适合嵌入式应用[1，2]。SVM在解决小样本、非线性及高维模式识别中表现出许多特有的优势，适用于血压连续测量中的多个参数，所以本方案中选择SVM算法。

2  生理采集部分

本设计生理采集部分选用双核芯片DM642处理器，外围连接血压、血氧、呼吸率、心率、体温、身体姿态传感器，通过NB-IOT模块接入云端。考虑到可穿戴的特点，血压、血氧、呼吸率、心率采用一个光电传感器，体温采用红外测温，身体姿态采用9轴运动传感器。文章重点介绍血压测量、身体姿态和NB-IOT模块。

2.1  血压测量模块

已有的文献大多是利用脉搏波传输时间（Pulse Wave Trans-mission Time，PWTT）进行血压测量的[3]，但是血压还受血管阻力、血管壁弹性和血液黏性等的影响，所以考虑反映这些量的脉搏波形特征参数进行信息融合，以提高血压的精确度。

当光束透过人体外周血管，由于动脉搏动充血容积变化导致这束光的透光率发生改变，此时由光电变换器接收经人体组织透射的光线，转变为电信号并将其放大和输出。这个电信号就反映了血容积的变化，进而反映脉搏搏动变化，这种方法称为光电容积脉搏波描记法（Photoplethysmography，PPG）。

脉搏波形信息达到15个参数，这除了增加了传统的回归拟合方法拟合的复杂度[4]，还容易出现过拟合的问题，SVM算法在解决小样本、非线性及高维模式识别中表现出许多特有的优势。在本系统血压测量中采用PPG测量脉搏波波形，使用小波算法对波形进行特征提取，选取脉搏波波形中反映PWTT、动力因素、脉搏传输速度等因素的参数，用SVM算法建立模型，通过训练求出血压模型。

由于脉搏是随心脏的搏动而周期性变化的信号，动脉血管容积也具有周期性变化，因此光电变换器的电信号变化周期就是心率。因为含氧血红蛋白和脱氧血红蛋白对不同波长光的吸收系数不同，当我们选择两种光线的时候，可以测量血氧饱和度。呼吸率也可以通过脉搏波的特征参数、包络、间隔、幅度、面积来计算。

2.2  身体姿态模块

本设计中人体姿态传感器选用MPU-6050模块，该模块集合了MEMS陀螺仪和MEMS加速度仪构成9轴运动传感器，传统的3轴运动传感器更精确，可以对人身体倾斜导致角度变化和加速度变化进行测量[5]。把x、y、z轴加速度幅值和角度作为评估量，当加速度幅值超过阈值时，角度超过阈值时，认为是剧烈活动，不是跌倒，可以减少误判。基于一线临床调研情况和医学量表，认为跌倒主要是在身体发生移位的情况下发生，跌倒后由于人的应激性反应会导致人心率上升，因此，本算法采用先判断跌倒物理姿态，再进行心率检测的级联检测方法，提高跌倒检测准确率。

2.3  NB-IOT模块

NB-IOT模块采用中国移动M5311模块，采用基于NB-IOT的CoAP协议、5LwM2M协议。基于协议规范对生理信息进行对象、实例的添加及相应资源属性的配置，添加完毕，模块即可发起OneNET平台登录。

3  软件设计

SVM以统计学习理论的VC维理论和结构风险最小化原则为基础，来研究小样本的估计和预测，使之最终转化为一个凸二次优化问题，从理论上讲得到的将是全局最优解。SVM利用核函数方法将输入空间的样本点，映射成为高维Hilbert空间中的训练点，然后在Hilbert空间中构造线性判别函数，实现对映射后的训练集进行回归。这种特性保证了回归后逆模型的推广能力，并避免了维数问题，使其算法复杂度与样本维数无关。

基于SVM进行数据融合的目的是拟合输入x与输出y之间的关系：

y（x）=ωTx+b=αi K（x，xi）+b

式中，xi为支持向量;s为支持向量的个数;x为被测输入量;b为SVM偏移量;T为矩阵的转置运算;αi为Largran-ge乘子;K（x，xi）为核函数;ω为SVM的权值系数，数量与支持向量一致。这里核函数选用满足Mercer条件的Gaussian型径向基核函数：

K（x，xi）=exp

式中，σ是核函数参数，调整σ可以改善SVM的预测准确性。对于实际问题，核函数参数的选择直接影响核函数进而影响SVM的推广能力，所以若核函数参数取值不合适，将不能保证SVM具有良好的性能。

GA（Genetic Algorithm）作为一种进化算法，仿效生物界的演化法则，把待解决问题的参数编码为染色体，再进行选择、交叉和变异等运算来交换群中的染色体信息，根据优化目标，最终迭代出全局最优的染色体。

本设计选用GA作为优化SVM核函数参数的方法，并选取检验样本输出预测值与其期望值计算出均方误差的标准差（MESETD）最小值的倒数作为个体的适应度值。对于训练样本训练后的SVM，用检验样本检验输出预测值与其血压标定值之间的MESETD为衡量标准来进行试验。GA优化SVM核函数参数σ流程图如图2所示。

首先，选择100名年龄在18～30岁的志愿者对模型进行训练，80名为训练集，20名为测试集;接着，选取SVM核函数的学习参数拉格朗日乘子的界C，凸二次优化方法的条件参数λ，所求解周围的ε-邻域参数（也称试管）ε;接着，设置种群规设模为40，编码变量的二进制位数设20;然后算出检验样本输出预测值与其期望值MESETD，并把MESETD最小值的倒数作为个体的适应度值。适应度函数值越大，个体越优。然后选择基于适应度比例的选择策略，交叉概率設为0.7，变异概率设为0.01，最大进化代数设为40;然后对产生的新的种群是否满足终止条件，如果不满足终止条件则继续，满足则解码，输出最优的核函数参数。

把用GA优化核函数的SVM算法移植到嵌入式平台，采用minicom通信终端程序开发板，宿主机系统为Ubuntu version 2.6.27，运行交叉编译工具链arm-linux-gcc version 3.4.1，根据GA操作结果，核函数参数σ等于0.951 87时，检验样本输出预测值与其期望值计算出MESETD等于0.163 21。此时血压测量的结果符和我国家医疗器械标准和美国医疗仪器促进协会（Association for the Advancement of Medical Instrumen-tation，AAMI）要求。

4  结  论

本文为了实现健康数据的实时采集，采用嵌入式AI技术，在ARM+DSP的DM642平台设计了血压、血氧、心率、呼吸率、身体姿态多参数的测量和传输方法。重点阐述了在血压连续测量中基于SVM算法对脉搏波特征值和血压建立模型，实现较精确测量的方法。能送至云平台进行健康管理。为社区的健康管理尤其是老年人的健康管理提供了新的解决方案。

参考文献：

[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] 王静，李得天，王长胜，等.基于支持向量机的人脸识别系统在ARM11上的实现 [C]//2012年互联网技术与应用国际学术会议.2012年互联网技术与应用国际学术会议论文集.武汉：美国科研出版社（Scientific Research Publishing，USA），2012：39-44.

[3] 李章俊，王成，朱浩，等.基于光电容积脉搏波描记法的无创连续血压测量 [J].中国生物医学工程学报，2012，31（4）：607-614.

[4] 徐志红，方震，陈贤祥，等.一种基于多参数融合的无袖带式连续血压测量方法的研究 [J].电子与信息学报，2018，40（2）：353-362.

[5] 郭元新，叶玮琼.基于MPU6050传感器的跌倒检测算法 [J].湖南工业大学学报，2018，32（3）：76-80.

作者简介：高凤梅（1979.02—），女，汉族，河南扶沟人，讲师，硕士，研究方向：智能医疗器械。