基于树莓派的智能健康监测体域网

摘要

在当今世界，由于卧床病人未能及时得到治疗，导致更多的死亡情况发生，同时也需要大量的人力资源。本文介绍了用于患者健康监测系统的硬件和软件平台的模型、安装及外观设计。该系统的主要目的是建立一个能够监控卧床病人健康的系统。该项目依赖于硬件和软件两方面，采用连接到树莓派微控制器的血氧饱和度、温度和心率传感器，获取传感器数据，并通过机器学习过程进行处理，实现剂量预测。系统还会通过触发自动邮件通知医生。此外，用户可以通过与之关联的移动应用程序随时随地查看患者的记录和剂量预测结果。

关键词 ：医疗系统，树莓派，机器学习，支持向量机，MQTT

1. 引言

在我们的日常生活中，医疗保健非常重要。通过适当的治疗，可以及早发现并预防健康问题。许多医疗设备，如CT、MRI、PET等，能够轻松诊断出人体内部或皮肤下的疾病。此外，一些罕见疾病，如心脏病，在婴儿时期也可以轻松预防 [1]。

退行性疾病在大规模人群中不可预测的传播，已在现代医疗保健系统中引发危机，对病床、医生和护士等各项资源的资金需求非常高。有必要减轻医疗保健系统的负担，以维持最高水平和质量的护理 [2]。

物联网（IoT）将有助于缓解医疗护理系统中的一些困难。在此之前，已对糖尿病患者以及患有特定感染的患者（如帕金森病）进行了检测。由于当今世界信息量巨大，数据处理、存储和分析都应被考虑在内，但在所提出的结构中却很少提及如何实现可靠的数据传输。数据安全和物联网工具一直困扰着医疗和IT管理经理，引起了管理人员的关注 [3]。

人工智能应被视为一小群人工思维（AI）。通过采用人造概念，我们将构建一个更美好、更繁荣的未来。无需刻意修改，人工智能便能成为捕捉可信且专业观点的专家。与传统编码不同，数据在传统普查中得以整合，并提供基于数据的校正。网络浏览、垃圾邮件过滤、广告投放、股票交易等活动均由人工智能进行训练完成。除了有望通过发现这些丰富知识推动科学以及自然界的规划设计取得巨大进步外，它同时也带来了极为丰富的体验。根据麦肯锡全球研究院的一份报告，人工智能将成为推动显著增长的主要驱动力。物联网（IoT）着眼于远程交互能力，并利用互联网验证真实信息（物体）。目前，人工智能已广泛应用于各种商业应用中，包括基于网络的业务及其他 [4]。

从大量数据中提取数据收集的行为被称为数据修改。我们的主题是利用患者数据库和患者信息进行疾病预测，以判断是否存在患病的可能性。图1显示了框图。

2. 模块和方法

该智能健康监测系统由三个部分组成：

• 健康监测模块
• 健康状态预测系统
• 紧急警报模块

2.1 健康监测模块

本节中的模块完全由硬件组件构成。连接到微控制器的传感器将连续监测健康参数。此处使用的微控制器是树莓派3。

树莓派是一种信用卡大小的开源基于Linux的微控制器。通过连接到电视或显示器以及标准键盘，并配合正确的编程，该微控制器可以完成许多台式计算机能做的事情，例如浏览互联网和播放视频。这款树莓派也非常适合想要尝试新项目的人；由于其处理能力，较新的版本非常适合物联网项目。带有内置WiFi的树莓派3比第一代快10倍。VNC查看器被用作两台计算机之间通信的媒介，如图2所示。

此模块中使用了以下三种传感器：

TEMPERATURE SENSOR

该传感器用于测量人体温度。正常体温范围为36.5–37.5°C（97.7‐99.5°F）。

HEART BEAT SENSOR

心率是心脏泵血的速率。心率可以反映一个人的健康状况。正常人的心率范围为每分钟60到100次。

SPO2 SENSOR

它也被称为脉搏血氧仪。该传感器用于测量血液中的血氧水平百分比。正常的血氧水平范围为95%至100%。如果血氧水平低于85%，大脑将受到影响。

这些传感器会感知数值并输出模拟值。由于树莓派只有数字引脚，因此需要使用ADC（模数转换器）。这些数值将由树莓派进行协调处理。

2.2 健康状态预测系统

尽管采集了数值，但这些数值仅通过软件部分（编程）进行处理。我们使用一种名为RAHI的、与树莓派兼容的操作系统，传感器工作的编程代码全部输入并存储在其中。

这部分完全由软件组成，机器学习在此开始进行。

2.3 紧急警报模块

本节内容虽小，但在该系统中起着重要作用。该模块主要关注在患者健康状况被识别为异常后所采取的步骤，例如通知其家属及医院。在我们的程序中，我们设置了一些阈值，一旦超过这些阈值，将向患者的家属和医生发送电子邮件。

除了邮件外，还可以通过名为MQTT的移动应用程序随时随地查看患者健康参数和预测。MQTT 是一种可用于在两个人工智能设备之间发送消息或数据的开源应用程序。

在此应用程序中，如果知道代理URL和端口号，就可以检查患者健康状况。

3. 机器学习

机器学习是人工智能（AI）旨在通过为机器提供数据使其能够自主学习并进行探究。它致力于从大型数据集中发现模式，无需专门编程，机器学习使机器能够从数据中学习，通过经验提高性能并进行预测。机器学习正变得越来越重要。之所以需要机器学习，是因为它能够执行人类难以直接完成的任务。借助机器学习，我们将节省时间和成本。机器学习的重要性通常通过其应用最能体现出来。例如，目前机器学习已应用于自动驾驶汽车、网络欺诈检测、人脸识别和Facebook好友推荐等领域。Netflix和亚马逊等多家大型公司已开发出机器学习模型，利用大量数据来分析用户兴趣，并据此推荐产品 [6-8]。

有各种类型的机器学习算法可供选择。在本模块中，我们使用了支持向量机（SVM）算法。

SVM

支持向量机类型经常与神经网络结合使用。事实上，S形核支持向量机模型在两层感知器神经网络中的工作方式类似。支持向量机（SVM）模型与传统的多层感知器神经支持向量机网络关系密切，它们通过核函数来测量其他多项式训练、径向基函数以及多种感知器分类分类器。网络权重是通过求解具有特定问题的二次系统问题获得的，而不是像传统神经网络训练中那样在降维问题中处理非凸问题。

我们将向一个在药物剂量上妥协的系统添加数据集。支持向量机是用于解决编辑问题的人工智能场景数量。由于支持向量机在规划中的高成功率，它被广泛应用于各种程序中。

事件通过超平面 $ w^T x + b = 0 $ 进行分类，其中 $ w $ 和 $ b $ 是标准维度向量的系数，$ b $ 是从最初起点阶段调整的偏置项，$ x $ 是二维分割问题中的输入特征集合。

利用历史数据集和当前传感器数据系统，系统将预测患者健康状况是否正常或不。使用数据集预测体积。

4. 结果

将此硬件部分连接到软件后，我们可以运行系统并查看如图3所示的结果。

图4显示了一些数据集，我们已输入到我们的原型中。其中 temp = 温度，hb = 心率，bp = 血氧水平，Target = 为采取行动分配特定数值。这些数据集将决定最终的预测和剂量。

运行程序后，我们可以得到如图5所示的健康状况和剂量预测输出。它将触发邮件发送给相关人员或医生。

图6展示了系统触发的邮件，也可自定义添加更多信息。

如前所述，如果知道凭据，可以从任何地方访问这些信息。图7显示了MQTT应用程序中的输出，其中包括传感器值以及后续的预测。如果需要，我们还可以在应用程序中发送更多数据。

5. 结论

本项目基于树莓派3开发，用于跟踪患者的健康参数。该设计旨在为患者提供一个安全系统。我们提出利用物联网概念对患者状况进行持续监控，并将患者数据保存至云中。

心跳传感器和温度传感器与树莓派3相连。MQTT持续显示患者的心率和体温。设备内置无线网络，可通过无线网络将传感器数据存储到云中的网页服务器，用户可在世界任何地方通过手机或笔记本电脑打开网页服务器进行访问。

状态将在液晶显示屏上显示。该智能过程可通过使用嵌入式LINUX编程语言实现。未来，我们还可以连接其他多种健康传感器，如心电图传感器和肌电图传感器。同时，我们还可以使用触摸传感器，在患者处于恐慌状态时获取其信息。

触摸板的使用方式是，患者可以通过触摸触摸板，以音频形式向他人告知自己的需求。