基于AI的社区居民健康监护系统的设计

徐现通 张志威 杨微

（广州软件学院软件工程系 广东省广州市 510990）

智慧医疗技术是以云计算、大数据、人工智能、物联网等核心支撑技术为基础，融合真实世界丰富的医疗场景，形成能力增强、效率提升、体验优化和服务延展的服务效应，是未来健康医疗的核心，智慧医疗[1]是信息技术结合医院各种医疗资源，进行精准医疗的创新实践。随着“十四五”规划实施，“健康中国”正式升级为国家战略，以医联体、分级诊疗、互联网+医疗为核心的平台架构和体系建设，将成为深化医疗改革的关键。

开发智慧医疗基础平台，AI人工智能[1]技术必不可少。智慧医疗是生命科学和信息技术融合的产物，AI技术等新一代信息技术是智慧医疗实施过程中必不可少的共性基础技术和基本保障。人体生命体征参数是健康大数据的主题和医学判断疾病的依据，依靠大数据分析和专家的经验，人工智能特别适合快速高效处理海量数据，可以分析出人类无法察觉的数据异常，而这点异常可能就决定了对疾病的判断；且通过机器学习，人工智能可将专家经验进行复制，大量的基层医疗机构可更方便地使用人工智能专家进行诊断。

目前医疗资源稀缺，建设区县、乡镇、社区家庭三级医疗数据节点，分设三层体系架构的区域化智慧医疗平台，汇聚辖区医院、医生、医疗设施等资源，实现医疗资源共享，通过智慧医疗平台，实现分级诊疗，可有效解决当前看病难、看病贵的医改痛点，也是实现全民健康监测和管理的有效途径。依托人工智能等新一代信息技术，建立辖区中心医院为主体的智慧医疗与健康养老相结合的智慧医疗平台，是实现全民健康管理的有效途径，应积极推进试点。

1 总体方案

本项目基于AI技术，采用开源硬件设计了一款社区居民健康网络监护系统，我们尝试选择开源硬件来创新设计智慧医疗平台[2]，以便高效地将我们的创新思想付诸于实施。本系统采用智能硬件搭载各种传感器构成生命体征智能检测模块，包括体温、脉搏、呼吸、血压等传感器模块，采用迷你PC构建MySQL服务器，用以存储海量的存储数据，是我们构建人工智能大数据云平台的基石。

本监护系统采用自主研发的智能系统应用实践平台[3-4]而设计，以开源硬件树莓派4B为控制核心，由智能检测、智能控制、语音识别、智能图像、智能交互、专家系统等模块构成。通过温度传感器、脉搏传感器、呼吸传感器以及血压传感器采集病人的各项生理信息，然后经Wi-Fi无线模块传送给上位机，上位机可以实时显示并存储病人的体温、脉搏、呼吸、血压等信息，当体温和脉搏不在正常范围内时，上位机可以自动报警，实现本系统的无线监护功能。系统框图如图1所示。

社区居民通过可穿带设备，医用家庭智能终端产品，智能服务型机器人，可与监控中心进行交互，在人工智能技术融入下，社区居民可享受人工智能+家庭医生/全科医生/专科医生的精准医疗服务，了解自己的生理状况，通过语音视频，还可得到家人、医生的人文关怀，通过定位系统，监控中心可获知被监测对象所在的位置，以便身体出现状况，病人可得到及时救助，通过防摔、避障进行自救，医生不在线，也可通过提供生理参数信息，获得专家系统的个性化附诊及专家经验和技能服务。

监控中心是本系统的核心组成，是系统的数据集中和处理中心，系统中的所有的监测对象的实时数据都将被传送到这里，监控中心提供全记录，全存储，和分析每个病人的数据，出现异常提供报警功能，同时能对多个病人实时监控。值班医生可以对监测数据进行分析，并对病人提供治疗信息及预警报告，并制定分级诊疗报告。

2 硬件设计

本系统以开源硬件树莓派4B为控制核心，由智能检测、智能控制、语音识别、智能图像、智能交互、专家系统等模块构成。

2.1 智能检测[3-4]

通过可移动智能终端和Web远程访问的方式向用户和医护人员提供生理数据访问。还可以通过现有通信网络收集病人的心率、血压、呼吸、体温、行动模式等各种数据，把不同地区的病人数据传输到各种医疗机构，对病人病情进行检测，随时调整用药或提醒病人入院进一步检查。

2.2 智能控制[5]

人体防摔检测及跌倒预警模块采用三轴加速度计进行检测，需要对多个姿态传感器进行数据采集，并通过组合测量的方式来对人体姿态进行识别。

超声波测距模块采用超声波传感器测量传感器与被测物体的距离，碰到障碍物可自动避障。

GPS定位模块是基于定位和无线通信技术实现对监护终端佩戴者的位置信号进行实时监测，并对发生异常的情况做出应急响应。

2.3 语音识别[6]

语音识别模块的设计目的是用于与医务人员进行语音交互。语音识别芯片的工作原理是对MIC输入的声音进行频谱分析，然后提取语音特征，将提取的语音特征和关键词语列表中的数据特征进行对比，找出得分最高的关键词语，并作为识别结果进行输出。

语音识别通常需要两个阶段来完成。第一阶段是训练，主要是提取语音特征参数。第二阶段是识别，识别过程就是将输入的语音特征参数和模型库中的参数进行相似性比较，最后输出匹配度最高的特征参数完成识别过程。

2.4 智能图像[7-8]

智能图像模块主要完成图像采集、存储、传输和一些简单的分析识别任务。主要硬件由树莓派4B核心板和数字摄像头组成，系统平台为Linux，编程环境python，使用较为成熟的OpenCV视觉库。机器视觉模块能够进行图像采集、存储、传输和一些简单的分析识别。

2.5 智能交互[9]

图1：系统框图

主要为医生提供智慧医疗门诊、网络诊疗、患者信息、诊疗建议、异常预警和回复咨询意见等。系统在云端建立大规模数据分析中心，将患者病理电子档案和数字化手术信息通过密钥加密后上传，建立患者的电子档案，并与医院和HIS系统进行对接，保持与医院HIS的数据同步。

除支持传统电脑查询外，还可支持手机终端查询，病人可通过移动终端随时查看自己相关就诊档案和医嘱信息。诊疗医生也可通过移动终端，远程查看到病人的历史档案信息、相关的检验化验以及CT影像等信息，方便医生诊疗，降低患者医疗费用。

2.6 专家系统[10]

该系统主要为患者提供智慧医疗服务，包括专家服务预约，如网络诊疗、查询记录、视频会话、生理数据采集等。

结合移动5G无线高速网络技术，在移动终端上进行高清图像的展示，会诊专家即使不在场，也可随时随地参与治疗方案讨论和远程指导。

3 软件开发

基于AI的社区居民健康监护系统的软件开发：

3.1 前端机设计[4-5]

传感器模块测量心率、血压、呼吸、体温等生理参数，Arduino对数据进行初步的加工并打包通过蓝牙模块发送至 Raspberry Pi.Raspberry Pi在接收数据后，软件对数据进行最终的处理，在 Raspberry Pi中以图表的形式把心率、血压、呼吸、体温展现给用户，同时将数据存储在以该用户注册时产生的ID为文件名的数据库中，GPS模块接受空间位置数据发送给服务器，服务器将数据存储在云端。

3.2 客户端设计[2]

非联网情况下，可通过手机查看结果，主要包括血压分析、心率分析、呼吸数据分析和疾病分类模块，得到脉搏、呼吸和血压与多种疾病的分析结果。由于Android手机直接与MySQL数据库连接会比较费时和消耗资源，选取一个PHP页面作为手机和数据库连接的途径。当进行Wi-Fi联网时，允许用户通过手机客户端向服务器传输数据。

3.3 智能网关[10]

智能网关包括接入模块、数据处理模块、决策控制模块、知识存储模块，主要功能接收各个传感器节点的数据和向终端发送控制指令，接入网络，可将传感器模块处理后的数据传送至服务器端以及Web端。

3.4 服务器设计[10]

服务器主要负责与网关、路由器、终端等设备通信，用于采集和存储信息并进行分析处理、实现功能控制、结果展示。

4 系统集成

4.1 系统方案

社区医院监护系统由有线网络（局域网）和无线网络两部分组成。患者身上佩戴的智能终端与邻近的Wi-Fi接入点建立无线链路和逻辑连接，将采集到的生理信息数据（体温、脉搏、呼吸、血压等）发送到AP (Access Point )。AP通过局域网，将数据转发到监护服务器上，由服务器端的软件对数据进行分析和处理。

4.2 技术算法

本项目运用Python函数库搭建决策系统，重点是贝叶斯算法模型和模糊逻辑模型，运用深度学习搭建面向自动诊断的医疗数据处理系统。

4.2.1 朴素贝叶斯算法及其改进算法

朴素贝叶斯分类算法在实践中应用性能较好，基于朴素贝叶斯的分区域异常数据挖掘方法，可提升分区域异常数据挖掘效率，提高算法精度。

为了提高朴素贝叶斯分类器算法的分类效果，扩大其适用领域，可根据各个属性对类别影响程度的不同，分别对属性进行加权。一种基于特征选择与约简的高维数据加权朴素贝叶斯算法，可提升算法分类效果。

针对已有算法中特征构建效果不佳以及泛化能力不足的问题，基于集成学习框架的用户画像方法将整体架构分为集成学习模块与语义编码模块，并在决策时加入了投票机制。与单模型相比，提升了分类准确率。

目前最适合应用于疾病风险预测的4种机器学习经典算法，即支持向量机、BP（back propagation）神经网络、随机森林和朴素贝叶斯，对其在疾病风险预测中的前沿应用、方法学特征、优势、缺陷和适用条件进行研究，机器学习作为人工智能方法的分支，能够基于计算机系统对数据的自我学习，在最小化人为干预的情况下，作出高精度的预测和决策。在疾病风险预测领域，机器学习方法既可以针对特定疾病进行预测，也可以对群发性、突发性的流行疾病进行监测预警。只有基于不同机器学习算法的特征和适用条件对这些算法更精准地运用，才能通过方法技术的发展，为疾病风险预测领域带来变革。

4.2.2 面向自动诊断的医疗数据处理方法

本项目研究了一种面向自动诊断的医疗数据处理方法和系统，系统包括生理数据采集设备和数据服务器；生理数据采集设备用于获取覆盖带确诊患者身体各部分的第一体检数据，并将第一体检数据发送给数据服务器；数据服务器用于利用深度学习神经网络对第一体检数据进行运算，得到第一体检数据对应的确诊结果。深度学习神经网络是根据覆盖已确诊患者身体各部分的第二体检数据和第二体检数据对应的确诊数据训练得到的。本项目提供的医疗数据处理方法和系统，在确诊结果的生成过程中，无需耗费过多时间进行各项身体检查，也无需医生对各项检查结果进行详细研究，只需在接收到体检数据采集设备发送的第一体检数据后，利用深度学习神经网络进行运算，即可得到确诊结果，提高了确诊结果的生成效率，进而辅助医生更加快速、准确、合理地做出诊断。

5 结论

本文基于自主研发的智能应用实践平台研究和探讨了将无线传感器网络运用到智慧医疗领域的背景和可行性，重点介绍了监护传感器节点的硬件设计及底层代码的编制，并对整体设计进行了实验调试，得到不错的效果和数据。

当无线远程医疗系统发展成为一个成熟的医疗产品时，传统的医疗模式将被打破，一种全新的基于互联网的智慧医疗体系将会形成——它以医院为核心，面向社区、家庭与个人，通过互联网联系组成一个有机整体，保证人们无论在医院内、院外甚至偏远地区均能得到及时、有效、专业的医疗诊断和治疗，从而大大提高医疗水平，使人们的生活质量越来越好。