物联网环境下的血压监护系统研究

　　摘 要：目前，物联网技术的飞速发展已经冲击了社会的方方面面，人们的生活方式也在随之改变，很多传统的方法和技术都需要引入物联网等新科技来提升其存在的价值，从而实现行业的整体进步。研究就传统血压监护系统的诸多弊端，提出利用基于KEIB-Stack协议栈的通信技术实现数据传递，并提出一种基于具有量子行为的粒子群优化算法的血压数据分析技术，解决了基于传统血压监护设备的数据传递和处理的问题，大大提高了健康护理的实时性和准确性，可以实际应用于个人健康监护、个人健康预警、医院临床诊断等领域。

　　0 引 言

　　人体血压是一个动态的生理指标，为了得到较为准确的血压测量结果并及时进行健康预警，需要对血压数据进行实时监控，尤其是对于血压不够稳定的特殊人群。传统的血压监护主要有两种方式，一种是仅测定一次，即在一次测量结束后直接显示出测量结果，此时得到较准确测量结果的概率很低 ；另一种方式是预先设定某个大于1的数值为本次测量的测量次数，并按设定的次数进行测量，所有测量都结束后再按预先设定的算法（如求平均值等简单算法）计算出测量结果，由于这种测量方法的测量次数已预先设定，浪费了血压较为稳定的测量者的测量时间，同时血压波动大的测量者又可能需要在预设值的基础上再增加相应的测量次数，从而找到更准确的测量结果，而且血压仪本身的数据处理能力受限，无法进行大规模数据的分析，在结果处理上也存在不完善之处。因此，为了得到更全面准确的血压分析处理数据以提供临床诊断，本研究在传统的血压监护系统中引入物联网技术，采用无线通信技术将数据传输到后台进行大规模分析处理。

　　本研究的内容主要涉及两个方面，即血压数据的传输和处理。在数据传输方面，采用了具有自主知识产权的 KEIB-Stack 协议栈为无线通信协议，实现血压数据从血压采集设备到系统后台的实时传输；在数据处理方面，采用了具有量子行为的粒子群优化算法（QPSO），对大量连续的血压数据进行大规模分析，实时输出处理结果，给予个人健康预警和医生临床诊断参考。

　　1 基于 KEIB-Stack 协议栈的数据通信

　　KEIB-Stack 协议栈是无线通信领域的一种创新性开发，在 KEIB-Stack 系统中，总线接法是区域总线下接主干线，主干线下接总线，系统允许有 15 个区域，即有 15 条区域总线，每条区域总线或者主干线允许连接多达15 条总线，而每条总线最多允许连接 64台设备，这主要取决于电源供应和设备功耗。每一条区域总线、主干线或总线，都需要一个变压器来供电，每一条总线之间通过隔离器来区分。在整个系统中，所有的传感器都通过数据线与制动器连接，而制动器则通过控制电源电路来控制电器。所有器件都通过同一条总线进行数据通信，传感器发送命令数据，相应地址上的制动器就执行相应的功能。此外，整个系统还可以通过预先设置控制参数来实现相应的系统功能，如组命令，逻辑顺序，控制的调节任务等。同时所有的信号在总线上都是以串行异步传输（广播）的形式进行传播，也就是说在任何时候，所有的总线设备总是同时接收到总线上的信息，只要总线上不再传输信息时，总线设备即可独立决定将报文发送到总线上。KEIB-Stack 电缆由一对双绞线组成，其中一条双绞线用于数据传输（红色为 CE+ 黑色为 CE-），另一条双绞线给电子器件提供电源。KEIB-Stack 协议栈有三种结构 ：线形、树形和星形。

　　本研究涉及的基于 KEIB-Stack 协议栈的设备支持该传输介质使用无线电信号来传输数据和控制信号。信号传输频宽为 868 MHz（短波设备），最大发射能量为 25 mW，比特率为16.384 KB/s。KEIB-Stack RF 介质可以离开机架组件进行开发，它允许单向和双向工作，特点是低耗能和小型及中型装置仅需要在特殊情况时重传，大大提高了数据传输效率。

　　2 基于具有量子行为的粒子群优化算法（QPSO）的数据处理模型

　　基于具有量子行为的粒子群优化算法（Quantum Particle Swarm Optimization）是近年来 Jun Sun 等人把量子理论应用于PSO 算法而提出的改进的粒子群优化算法，较 PSO 算法更加简单，易实现，且求解速度更优。QPSO 算法不仅参数个数少，随机性强，并且能覆盖所有解空间，保证算法的全局收敛性。

　　应用基于具有量子行为的粒子群优化算法进行数据分析的具体实现过程如下：

　　（1）研究分析对象，确定适应值函数，对分析对象进行插装 ；

　　（2）设定粒子数 M，维数 Dimension，最大允许迭代次数 MAXTIER，φ1，φ1和 β，初始化种群中每个粒子的位置向量；

　　（3）设定循环处理最大迭代次数 ；

　　（4）使用量子粒子群中的每个粒子来执行对象插装后的程序，根据粒子运行结果评定粒子的适应度 ：

　　If（ F（xi） < F（pi） ） then pi = xi

　　pg = min（ pi ）

　　（5）for i=1 to 种群规模 M，计算 mbest 的值 ；

　　（6）for d=1 to 种群维数 D，按照（4）计算 P；

　　其中 pi为第 i 个粒子的最优适应值，pg为量子粒子群的

　　最优适应值。x=（ x1，x2，&hellip;，xn），xi是第 i 个粒子的位置向量，QPSO 算法中唯一的参数 &beta;随迭代次数线性递减。

　　QPSO 算法能提供大量数据的快速收敛，在得到数据最优值的同时保证数据处理结果输出的实时性。

　　3 一种物联网环境下的血压监护系统的具体实施

　　本研究设计了一种基于物联网环境的血压监护系统，其工作原理为：利用传统的血压采集装置（如水银血压计、电子血压仪等）对人体血压数据进行实时的连续采集，通过在采集装置中植入 ARM 芯片使之具备获取血压值及无线通信的功能，并利用自主开发的 KEIB-STACK 协议将采集的数据实时传输至系统后台，在服务器上采用 QPSO（量子行为的粒子群优化算法）进行数据监控、分析和处理，及时给出分析结果及健康预警。系统模型如图1所示（图中的编号为模块编号）。

　　图1中，基于 KEIB-Stack 协议栈的血压监护系统由 3 个部分组成，分别为传统血压采集装置1、ARM 芯片 2及后台数据处理模块 3。其中ARM 芯片 2 由中央处理器 5、传感器数据获取接口4、ROM 存储器 6及无线通信接口7 组成。传统血压采集装置1的作用是采集人体血压数据 ；ARM芯片 2 的作用是获取血压数据信息并进行简单处理后传输给后台数据处理模块 3 ；其中中央处理器 5 负责向传统血压采集装置1发送血压采集指令，判断丢弃采集的数据信息中的异常数据，并控制数据向后台数据处理模块 3 的传输；传感器数据获取接口 4 负责从传统血压采集装置1中实时获取血压数据并传送给中央处理器 5 ；ROM 存储器 6 负责暂时存储从传感器数据获取接口 4 获取到的数据 ；无线通信接口 7 负责将经中央处理器 5 处理后的数据使用 Keib-Stack 协议传输至后台数据处理模块 3 ；后台数据处理模块 3 的作用是使用 QPSO算法分析传输来的数据信息，并给出处理结果或健康预警信息。系统具体实施过程如下：

　　（1）在传统的血压采集装置（如电子血压仪等）中植入ARM 芯片，该芯片具有中央处理器模块，用于发送信号给传统血压采集装置，控制其采集数据，并判断获取的数据是否为异常数据（如与相邻次测量的值相差超过 10 的数据采取丢弃策略）；具有传感器模块，用于获取传统血压采集装置采集的数据 ；具有 ROM，用于暂时存储采集的数据，用于中央处理器的简单分析；具有无线通信模块，提供基于 Keib-Stack协议栈的无线通信接口，用于将数据传输至后台处理设备。

　　（2）测量开始后，传统血压采集装置根据 ARM 芯片的指令采集人体血压，并把采集的数据通过传感器接口传递给ARM 芯片，ARM 芯片对获取的数据暂存在 ROM 模块中。

　　（3）ARM 芯片把多次测量后的数据中异常数据进行丢弃，其余数据通过无线通信模块使用 Keib-Stack 协议传输给后台处理设备。

　　（4）后台处理设备对收到的数据采用 QPSO 算法进行数据分析和处理，得到一组当前状态下的连续的最佳血压值参数，与系统数据库中的值进行比较分析，给出临床诊断的参考意见（如健康状态、冠心病倾向等）。

　　4 实验过程与结果讨论

　　为了证明本系统在数据传输的实时性和数据处理的准确性方面的优势，本研究选取了目前市面上认为比较成熟两款血压监护设备进行了对比实验，实验随机选取了 30 名人员做为被测对象。

　　（1）被测对象基本情况

　　被测的 30 名人员按性别、年龄和血压情况分成 3 组（命名为组1、组 2 和组 3），分别佩戴三种血压监护设备（对应命名为设备1、设备 2 和设备 3），每组的 10 名人员基本情况大体相同：男女性别比为 1：1；年龄分布为 18-20 岁 2 名，20-30 岁 4 名，31-40 岁 2 名，60 岁以上 2 名 ；平时血压情况为 6 名正常，2 名高血压，2 名低血压 ；

　　（2）参与测试的血压监护设备基本情况

　　参与测试的设备1为国内某知名品牌的血压测试仪，腕表形式，需手动操作进行血压测量，测量数据存储在血压仪内；设备 2 为血压监护仪，腕表形式，可以间隔固定时间自动测量血压，并通过移动数据网络将测试数据发送到指定服务器 ；设备 3为本研究设计的血压监护系统，也为腕表形式，可以自动测量连续血压，在被测者血压不稳定的情况下系统会自动缩短测量间隔时间，每次测量的数据通过 KEIB-Stack 协议传输到服务器进行处理。

　　（3）实验过程

　　早上8 时左右，被测人员佩戴好血压测试腕表并测试到第 1次血压数据时实验开始，共持续16 小时。在此期间，被测人员分别进行了吃饭、慢走、快走、慢跑、快跑、看书、看体育比赛、交谈、睡觉等活动。使用系统 1的组1被测人员在从事每项活动时手动进行血压测量，组 2 和组 3 被测人员无需对血压仪进行任何操作。实验结束后，组1的测试数据通过血压仪逐条读取，组 2 和组 3 的数据通过后台服务器直接读取。

　　（4）实验结果分析

　　设备1由于不具备网络数据传输的功能，其无论在数据传输的实时性还是数据处理的准确性方面都没有任何优势，限于篇幅，本文不再讨论其数据结果（引入设备1的主要目的是对数据的准确性进行比较），下面将重点对比分析设备 2 和设备 3 在实验过程中的各项指标，如表 1所示（本表中的数据为1 组10人的平均值）。

　　从表 1可以看出，本研究设计的设备 3 能根据使用人员的具体情况动态调整血压测试频率，并在 KEIB-Stack 信号覆盖区域内以几乎可以忽略的延时将数据传输到服务器，其无论在数据传输的实时性方面，还是在数据采集、处理的准确性方面，相比目前市面上流行的设备 2 都有较大优势。另外，尽管设备 3 的测量次数更多、算法也更复杂，但其 ARM芯片在耗电量上的表现却毫不逊色，这主要得益于 KEIB-Stack 协议的低耗能性，另一项耗电性实验表明，同样容量的电池在设备 2 和设备 3上的使用时间几乎没有区别。

　　从实验数据及现实情况来看，目前本研究设计的系统的最大缺点在于 KEIB-Stack 信号覆盖范围较小，在无 KEIB-Stack 信号覆盖的区域仍只能通过移动数据网络等其它方式进行数据传输，对于实时性方面的影响较大。当然，随着KEIB-Stack 协议的普及，这个问题就迎刃而解了。

　　5 结 语

　　综上所述，本研究设计了一种人体血压监护的软硬件系统，主要涉及物联网及计算机应用领域，所述系统在测量连续稳定血压的基础上，提出了一种基于 KEIB-STACK 协议栈的数据传输方法和一种使用量子行为的粒子群优化算法（QPSO）的数据处理方法，体现了血压监护的实时性，并能对连续多个血压值进行详细分析，对于与人体血压值相关的疾病的提前预判有一定参考价值。当然，由于本系统尚未得到广泛推广应用，数据传输使用的 KEIB-Stack 信号的覆盖范围十分有限，且后台数据库可用的数据量不大，因此还需要在推广过程中结合临床诊断的数据不断建设和完善。今后，本研究将在此基础上展开进一步实验，针对人体血氧、血糖、心率等健康指标设计一系列模块，并最终整合为基于物联网的健康监护系统。