CN103598873A - 一种基于自适应无线传感器网络的生理信号智能监测系统 - Google Patents

Abstract

本发明提供一种基于自适应无线传感器网络的生理信号智能监测系统，所述系统包括无线传感器网络单元、数据传输和预处理单元以及生理信号综合分析预警单元；所述无线传感器网络单元实时采集生理信号，并将所述生理信号传输给所述数据传输和预处理单元进行预处理，所述数据传输和预处理单元将得到的生理信息传输给所述生理信号综合分析预警单元进行综合分析。本发明提供一种基于自适应无线传感器网络的生理信号智能监测系统，将极大地便利生理指标监测过程并提供个性化的健康监护服务，进一步促进“家庭医疗”的发展。

Description

一种基于自适应无线传感器网络的生理信号智能监测系统

技术领域

本发明属于医疗器械系统，具体涉及一种基于自适应无线传感器网络的生理信号智能监测系统。

背景技术

无线传感器技术的人体生理信号监测系统发展较快，但一般只能监测固定的生理信号（如：心率、脉搏等单一参数），而且没有形成对生理信号进行监控的网络，无法对人体是否处在正常生理状态做出综合判断、给出准确结论；而且一旦改变监测方案，则需要重新设计或者购买，从而造成设备的闲置以及资源的浪费。因此无法满足家庭、医院、社区等不同环境下对被试进行个性化生理状况监控的需求。

《电气电子教学学报》2009年第5期中公开了用于情绪识别的无线生理信号采集传输系统，其中采用了在节点嵌入了蓝牙技术以适应高采样速率和高带宽的传输要求，增加了系统的复杂度，不利于系统的通用化。《科技信息》2010年09期中公开的医用电子体温监测系统研究和《信息化研究》2009年05期中公开的一种基于无线传感器网络技术的医疗监测终端设计，均采用了较为普遍的无线传输技术，但系统灵活性差，只能进行对特定生理信号的采集和处理，不利于系统的通用化。《技术与市场》2009年04期中公开的家用无创伤心血管健康综合监测仪可检测出包括人体心脏、血管、血液、微循环在内的30多项血流动力学和流变学参数，没有采用无线传感技术，不能进行连续的、长期的生理信号的监测，給使用带来了很大的不便。

现有的监护数据分析方法均采用基于预置阈值方法，该法主要适用于重症监护病房(ICUs)；当测量值超出预设的门限值后，发出报警信息。这种方法存在有一定的局限性，如：易造成大量的误报警信息。而该法对于监护系统，在线定性地识别出监护信息中的各种特征模式如：异常值、状态变化以及趋势变化，对于评估监护对象的状况非常重要。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于自适应无线传感器网络的生理信号智能监测系统，极大地便利生理指标监测过程并提供个性化的健康监护服务，进一步促进“家庭医疗”的发展。

为了实现上述发明目的，本发明采取如下技术方案：

本发明提供一种基于自适应无线传感器网络的生理信号智能监测系统，所述系统包括无线传感器网络单元、数据传输和预处理单元以及生理信号综合分析预警单元；所述无线传感器网络单元实时采集生理信号，并将所述生理信号传输给所述数据传输和预处理单元进行预处理，所述数据传输和预处理单元将得到的生理信息传输给所述生理信号综合分析预警单元进行综合分析。

所述无线传感器网络单元包括无线传感器采集单元和无线数据接收单元；所述无线传感器单元将采集的生理信号通过ZigBee协议发送给所述无线数据接收单元，所述无线数据接收单元将接收的生理数据传输给所述数据传输和预处理单元。

所述无线传感器采集单元包括脑电波传感器、温度传感器、血压传感器、上肢传感器、下肢传感器和预留传感器；所述预留传感器包括血糖传感器、血氧血糖传感器、肌电血糖传感器、眼电血糖传感器、关节运动血糖传感器、呼气通量传感器和呼吸二氧化碳检测血糖传感器。

所述数据传输和预处理单元包括生理状态判定单元、数据预处理单元、伪信息分析单元和无线数据发送单元；所述生理状态判定单元对无线传感器网络单元传送的生理数据进行判定，根据监护对象不同的生理状态设置无线传感器采集单元中各传感器单元的优先权；所述数据预处理单元接收生理状态判定单元的生理数据，并对生理数据进行预处理；所述伪信号分析单元对预处理得到的生理信息进行分析，并将经过分析的生理数据通过所述无线数据发送单元发送给所述生理信号综合分析预警单元。

所述伪信号分析单元通过建立智能报警算法时序模型对生理信息进行分析，识别由于传感器误差和监护对象移动产生的不应报警的异常值，进而减少误报警，同时判断出是由于监护对象生理异常而产生的异常信息；所述智能报警算法时序模型包括基于伯格算法的参数辨识模型和预报误差准则定阶模型。

所述生理状态包括睡眠状态、行走状态、运动状态和自定义状态；所述自定义状态包括癫痫病状态、高血压状态、感冒状态和其他疾病状态；在癫痫病状态下，设置优先采集脑电波传感器的数据；在高血压状态下，设置优先采集血压传感器的数据；在感冒状态下，设置优先采集温度传感器的数据，其他疾病状态下，根据生理信号综合分析预警单元中的知识库优先设置各个传感器。

所述生理信号综合分析预警单元包括存储单元、分析单元和生理信号综合分析单元；所述存储单元设有知识库，将各个传感器采集的生理信号名称、数据以及时间信息分块存储到知识库中；所述分析单元基于知识库中的经验模型对单个生理信息进行分析，当生理信息超过健康正常值范围时，所述分析单元发出报警信号。

所述生理信号综合分析单元包括信息整合查询单元和多个通道，所述信息整合查询单元与知识库连接，对知识库中的生理信息进行整合、查询和判断；各个通道分别所述信息整合查询单元连接，同时分别接收各个传感器的数据；通道的个数与传感器个数相等。

所述脑电波传感器包括并列设置的前脑传感器、中脑传感器和后脑传感器；所述温度无线传感器包括并列设置的口腔传感器、腋窝传感器和体表传感器；所述血压传感器包括并列设置的脉搏传感器和颈动脉传感器；所述上肢传感器包括并列设置的手部传感器、肘部传感器和肩部传感器；所述下肢无线传感器包括并列设置的踝关节传感器、膝关节传感器和胯关节传感器。

与现有技术相比，本发明的有益效果在于：

1.由于采用基于ZigBee协议栈的无线传感器网络，因此解决了现有人体生理信号检测仪器只能检测单一生理信号、无法长时间实时监测的缺陷，实现对多种生理信号长时间、连续的监测。

2.按照模块化的设计思想，首先将监测系统划分为无线传感器网络单元、数据传输和预处理单元以及生理信号综合分析预警单元，很大的提高了监测系统的灵活性。

3.由于无线传感器网络单元中的各种传感器标准化程度较高，使用时可以根据需要选用各种传感器，自动识别传感器的类型并对数据进行归类、整理，如果监测方案改变，数据传输和预处理单元以及生理信号综合分析预警单元可以继续使用，只需更换无线传感器即可；这将极大地便利生理指标监测过程并大幅降低相应监测设备的成本，进一步促进“家庭医疗”的发展。

附图说明

图1是基于自适应无线传感器网络的生理信号智能监测系统的结构示意图；

图2无线传感器网络单元与数据传输和预处理单元结构示意图；

图3是是伪信息分析单元分析流程图；

图4是生理信号综合分析单元结构图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1，本发明提供一种基于自适应无线传感器网络的生理信号智能监测系统，所述系统包括无线传感器网络单元、数据传输和预处理单元以及生理信号综合分析预警单元；所述无线传感器网络单元实时采集生理信号，并将所述生理信号传输给所述数据传输和预处理单元进行预处理，所述数据传输和预处理单元将得到的生理信息传输给所述生理信号综合分析预警单元进行综合分析。

如图2，所述无线传感器网络单元包括无线传感器采集单元和无线数据接收单元；所述无线传感器单元将采集的生理信号通过ZigBee协议发送给所述无线数据接收单元，所述无线数据接收单元将接收的生理数据传输给所述数据传输和预处理单元。

所述无线传感器采集单元包括脑电波传感器、温度传感器、血压传感器、上肢传感器、下肢传感器和预留传感器；所述预留传感器包括血糖传感器、血氧血糖传感器、肌电血糖传感器、眼电血糖传感器、关节运动血糖传感器、呼气通量传感器和呼吸二氧化碳检测血糖传感器等。

无线传感器采集单元完成信号的采集和传输，有电池供电，可以做的小型化、通用化，方便实现在更多活动场合的信号采集。

各个传感器采集完成数据采集后，由汇聚节点发送采集命令，逐个对传感器模块采集的信息进行读取，为了更好的管理传感器数据采用无线操作系统TinyOS操作系统，TinyOS系统能够突破传感器存储资源少的限制，这使得操作系统可以有效地运行在无线传感器网络节点上，并负责执行相应的管理工作，可以更方便的完成传感器数据采集。

所述脑电波传感器包括并列设置的前脑传感器、中脑传感器和后脑传感器；所述温度无线传感器包括并列设置的口腔传感器、腋窝传感器和体表传感器；所述血压传感器包括并列设置的脉搏传感器和颈动脉传感器；所述上肢传感器包括并列设置的手部传感器、肘部传感器和肩部传感器；所述下肢无线传感器包括并列设置的踝关节传感器、膝关节传感器和胯关节传感器。

得到人体各部的信号后，我们采用DSP或者嵌入式系统，对复杂繁多的数据依据医学算法处理，对处理结果进行显示，使个人能够方便的对自身的健康状况进行自我检测和分析，实时了解自己的身体各类信息。同时把采集到的数据信息存储起来，方便以后的数据分析，还可以通过网络技术把数据传送到医疗服务站，与专家系统相连，患者可以随时随地得到最及时有效的诊断治疗。

所述数据传输和预处理单元包括生理状态判定单元、数据预处理单元（采用型号为TMS320VC5402的DSP处理器）、伪信息分析单元和无线数据发送单元（采用型号为JN5148的zigbee模块）；所述生理状态判定单元对无线传感器网络单元传送的生理数据进行判定，根据监护对象不同的生理状态设置无线传感器采集单元中各传感器单元的优先权；所述数据预处理单元接收生理状态判定单元的生理数据，并对生理数据进行预处理；所述伪信号分析单元对预处理得到的生理信息进行分析，并将经过分析的生理数据通过所述无线数据发送单元发送给所述生理信号综合分析预警单元。

如图3，所述伪信号分析单元通过建立智能报警算法时序模型对生理信息进行分析，识别由于传感器误差和监护对象移动产生的不应报警的异常值，进而减少误报警，同时判断出是由于监护对象生理异常而产生的异常信息；所述智能报警算法时序模型包括基于伯格算法的参数辨识模型和预报误差准则定阶模型。

基于伯格算法的参数辨识模型具体为：

基于伯格算法的（Burg）的AR（р）模型参数辨识可表示为：

Z_t＝φ₁Z_t-1+φ₂Z_t-2+…+φ_pZ_t-p+n_t（1）

参数辨识可归结为利用样本数据集{Z₁,Z₂,…Z_n}，n为样本长度，确定模型参数{φ₁,φ₂,…φ_p}，P为自回归阶数；

从预测应用上来看，平稳序列的AR（p）模型在已估计其AR参数

后，可用其既往值Z_t-1,Z_t-2,…,Z_t-p来预测其现实值Z_t，即其预测误差为：

$e_t=Z_t-{\hat{Z}}_t=\underset{t=0}{\overset{p}{\mathrm{\Σ}}}{\widehat{\mathrm{\φ}}}_i{Z}_{t-i}({\mathrm{\φ}}_0\≡1)---\left(2\right)$

由莱文森-徳宾（L-D）算法导出过程，有

φ_k,i＝φ_k-1,i+φ_kkφ_k-1,k-i i＝1,2,…,k-1（3）

将式(3)代入k阶前向预侧误差式(2)(式中p=k)，}经整理后，可得前向预侧误差的递推关

系，即

$f_{k,t}=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\φ}}_{k,i}{Z}_{t-i}^{^}=f_{k-1,t}+{\mathrm{\φ}}_{\mathrm{kk}}{b}_{k-1,t-1}^{^}---\left(4\right)$

以Z_t-1,…,Z_t-k+1的k-1个时序样本来后向预测Z_t-k误差；同理可得

$b_{k,t}=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\φ}}_{k,i}^{^}{Z}_{t-k+i}=b_{k-1,t-1}+{\widehat{\mathrm{\φ}}}_{\mathrm{kk}}{f}_{k-1,t}---\left(5\right)$

伯格算法是按照预侧误差的前向和后向预侧误差平均功率为最小的准则来估计反射系数φ_kk取

有

${\stackrel{-}{p}}_k=\left(E\right[f_{k,t}^2]+E[b_{k,t}^2\left]\right)/2---\left(6\right)$

使

为最小，将（4和5）代入上式，再将该式对φ_kk求偏导数，并令其为零，即可求的使

为最小的反射系数最佳估计通常取按时间平均的样本均值近似代替总体均值，可得

${\widehat{\mathrm{\φ}}}_{\mathrm{kk}}=\frac{{2f}_{k-1,t}{b}_{k-1,t-1}}{{\stackrel{-}{f}}_{k-1,t}^2+{\stackrel{-}{b}}_{k-1,t-1}^2}=\frac{2\underset{i=k+1}{\overset{N}{\mathrm{\Σ}}}{f}_{k-i,t}{b}_{k-i,t-1}}{\underset{i=k+1}{\overset{N}{\mathrm{\Σ}}}(f_{k-i,t}^2+b_{k-i,t-1}^2)}k=\mathrm{1,2}...,p---\left(7\right)$

最终预报误差准则定阶。

最终预报误差（FPE）的基本设想是按AR（p）的模型的一步预测误差为最小的准则来选定其最佳阶数。

最终预报误差计算描述如下：

设{Z₁,Z₂,…,Z_N}的真实模型AR（p）：

Z_t＝φ₁Z_t-1+φ₂Z_t-2+…+φ_pZ_t-p+n_t    （8）

由莱文森-徳宾（L-D）算法导出过程，有AR（k）模型的残差方差σ_t,k可表示成

${\mathrm{\σ}}_{t,k}^2={\mathrm{\σ}}_{t,k-1}^2(1-{\mathrm{\φ}}_{\mathrm{kk}}^2)---\left(9\right)$

其算法步骤如下：

1）给定初值：φ_0,0＝1;φ_0,t＝b_0,t＝Z_t,t＝1,2,…,N及

2）按式（7）计算k阶反射系数即k阶第k个AR参数

k=1,2,......；

3）按式（3和9）计算K阶参数和AR模型残差方差σ_t,k；

4）定阶：若经定阶检验为最佳，则停止递推计算，并令合适阶数p=k，即拟合的模型为AR（p）；若该项判定不适用，则继续下一步计算；

5）按式（4）和（5）计算k阶前向和后向预测误差f_k,t和b_k,t,t＝k+1,k+2,…,N。然后返回二步继续递增1阶的计算。

所述生理状态包括睡眠状态、行走状态、运动状态和自定义状态；所述自定义状态包括癫痫病状态、高血压状态、感冒状态和其他疾病状态；在癫痫病状态下，设置优先采集脑电波传感器的数据；在高血压状态下，设置优先采集血压传感器的数据；在感冒状态下，设置优先采集温度传感器的数据，其他疾病状态下，根据生理信号综合分析预警单元中的知识库优先设置各个传感器。

所述生理信号综合分析预警单元（采用型号为LPC2103的ARM7处理器）包括存储单元、分析单元和生理信号综合分析单元；所述存储单元设有知识库，将各个传感器采集的生理信号名称、数据以及时间信息分块存储到知识库中；所述分析单元基于知识库中的经验模型对单个生理信息进行分析，当生理信息超过健康正常值范围时，所述分析单元发出报警信号。

如图4，所述生理信号综合分析单元包括信息整合查询单元和多个通道（1，2，…，n），所述信息整合查询单元与知识库连接，对知识库中的生理信息进行整合、查询和判断；各个通道分别所述信息整合查询单元连接，同时分别接收各个传感器的数据；通道（1，2，…，n）与各个传感器一一对应。

通过以下实施例对基于自适应无线传感器网络的生理信号智能监测系统做进一步描述。

该监测系统从人体生理信号的组成出发，将测控定义为：头部（电）信号、心脏/呼吸信号，躯干（四肢）信号等；针对人体不同类别生理信号监测原理及方法选用（或开发）合适的传感器，结合无线传感器网络协议-ZigBee对传感器进行组网，信号接收端利用DSP高速数字信号处理技术以及嵌入式技术，能够很好地解决多路无线信息的并发传输并实时的对信号进行分析处理，同时可根据需要扩展各种传感器，从而能够满足更多样的监测方案。

整个监测系统由三个单元组成，一个单元为无线传感器网络单元，完成生理信号的实时采集；第二个单元为数据传输和预处理单元，结合无线传感器网络协议传送采集到的数据；另外一个单元为生理信号综合分析预警单元，接收采集到的数据，依据一定的算法对数据进行分析评估人体的健康状况。

无线传感器网络单元通过各个传感器、网络协议和组网方式构成，组网方式基于令牌优先队列，采取轮询的方式获取信息进入等待队列，在等待队列中按令牌进行信息发送，基于网络节点的多元结构考虑使用无线操作系统TinyOS操作系统，TinyOS系统的核心代码和数据大概在400字节左右，能够突破传感器存储资源少的限制，这使得操作系统可以有效地运行在无线传感器网络节点上，并负责执行相应的管理工作。

在该监测系统中，数据传输和预处理单元将分时接收多路传感器的信号，并根据传感器在人体的位置将数据送入头部-DSP、胸部-DSP、上肢-DSP或是下肢-DSP中进行预处理。之后，再由终端MCU分别读取各DSP中数据，将一个扫描循环中的传感器数据结合其所代表的生理信息以及时间信息分块存储，同时还要实现维护网络拓扑结构、对节点进行冗余，初步处理传感器网络传回的信息等多项功能。

根据无线通信协议编写数据接收程序，利用无线传感器网络操作系统以及通信器材检验程序的可行性。根据各种指标的采集时间长度以及数据处理方案分别配置不同区域DSP的数据处理方案并编程验证。设计协同控制MCU的外围电路，同时编写协处理器控制程序、数据处理及存储程序以及相应的系统维护程序。最终我们将所有部分连接起来，在有效地无线信号的激励下，对整个系统进行调试。

1）如图1所示，首先，为了确定人体的健康状况，选取一些主要生理指标作为监测对象，例如在头部可以通过无创的脑电波检测技术，将检测大脑神经信号的传感器安装前额FP1处，采集信号并放大让原始脑波信号更加的清晰，同时将脑电的测量也列出了不同的部位，如：前脑、中脑和后脑。传感器可过滤噪音去除掉肌肉、脉搏和电气设备发出的噪音。最后把电生理学活动或有机器官的神经系统的代谢速率转化为机械装置可以识别的信号；在胸部可以通过心电电极检测人体心电信号，输出同步于心脏搏动的脉冲信号。电极片的选用也符合人性化的设计和安全的考虑，选用金属材料或导电硅胶等；在四肢上可采用手腕式电子血压计测量血压等。除了上述例子外，还将进一步研究与健康有关的其它人体生理指标的监测方法，并且伴随着科技的发展，各种传感器都在向着更为微型化、人性化的方向发展，总可以找到合适的无线传感器加入无线传感器网络中来。而我们在传感器组中，主要是在于实现自适应的传感器组网，设置了不同的生理状态，如：睡眠状态、运动状态以及自定义状态，根据不同的生理状态，我们选择不同的传感器，比如睡眠状态选择的传感器为常规的几类：比如温度传感器腋窝、平静状态时的心率传感器状态、脑电传感器的状态，而再运动生理状态就不同于睡眠模式的是在心率传感器侧重于运动时候的心率，通过不同的生理状态来对应不同的传感器组测量不同的生理指标。在传感器组网模块中要实现优先权，即当一个自定义模式定义为高血压时，要在众多的生理指标中优先将血压这个指标测出来，而如果是感冒，则要优先将温度这项生理指标测出来。

在数据接收端，在近距离方面可以在无线单片机内部安装有Zigbee无线网络软件协议栈来实现。远程方面我们可以通过GMS模块来实现到PC机的无线通信是无线的数据接收并实现对生理信号的实时监控，并且用VB对其编程以完成无线通信的功能。

2）状态自适应的节点优先权设定

每当系统加入传感器或者因为生理状态变化造成优先权改变时，优先权Builder利用最少的计算资源，产生新的最佳数据交换架构。这种数据交换架构支持多种系统体系结构，如单主机／多主机系统，可实现数据在传感器与嵌入式主机数据通道之间的无缝传输。嵌入式主机对应的交换式总线结构支持数据总线的复用、等待周期的产生、外设的地址对齐以及高级的交换式总线传输，这样从传感器管理和数据接收两端同时支持优先权的动态变化从而实现对于不同采集模式和新增/减传感器节点的自适应模式(传感器节点)优先权设定。

比如从行走状态进入睡眠状态时，系统将自行关闭上肢和下肢传感器，并根据需要开启相应的传感器，并设置其优先级(如增加脑电传感器优先级)。

我们针对优先权Builder的设计提出了中断优先权循环浮动的新概念，通过分析了不同状态的传感器节点配置，设计了采用嵌入式处理器实现的中断优先权循环浮动数据采集既模式自适应的优先权设定的方法。

众所周知，中断优先权是指同时出现几个中断的情况下,微处理器对中断响应的次序，优先权高的先被响应。本实施例提出的中断优先权浮动的概念是指微处理器按循环规律响应中断的一种模式。

定义如下：

设有N个中断源，记为IS_i(i=1…N)它们中请中断的次序按周期变化,在一个周期(N)内，中断优先权IP_j(j=1…N)满足IP_j十l>IP_j，在周期的交界处满足IP₁>IP_N，则称IS_i申请中断方式为中断优先权循环浮动申请方式。

提出基于自回归模型的多通道生理信号综合分析方法。它有3个部分内容，包括模型辨识、模型动态调整以及基于知识库的预报。

在模型辨识过程中，基于最终预报误差准则来确定模型阶数，从而使得模型能更好地符合观察数据。同时应用自适应滤波器算法对模型参数进行动态更新，使得模型能反映监护信息系统的动态特性，（具体方法为将超出预报上下限的值以预报值代替），连续5个值超出预报区间则进行报警。

由于监护数据是一个缓时变系统，因此需要对自回归模型的估计参数进行在线动态更新。采用递归最小二乘算法对模型估计参数进行动态更新。

针对基于知识库的生理信号预警，首先需要确定的是健康正常的生理信号值范围，采集的生理信号包括心率、血氧以及动脉压在内的等多种生理参数数据集合。其中心率数据集合来自于Santa Fe Time Series Competition数据库,血氧饱和度数据集合来自于MIT-BIH Polysomnographic数据库，动脉压数据集合来自于MGH/MF Waveform数据库（Boston Beth Israelhospital）。针对上述数据集合，根据数据复杂度采用两种方法进行建模。一是采用基于最终预报误差准则确定自回归模型的阶数，并用自适应滤波器算法进行模型更新；第二，采用M.Imhoff的方法，即采用2阶时序模型，并通过移动时间窗对模型进行动态更新。

4）无线数据发送单元

在通过传感器采集到的数据进行智能分析处理之后，需要开始进行数据发送，为实现远程数据发送，无线数据发送单元选用GPRS模块。

GPRS是通用分组无线服务技术（General Packet Radio Service)的简称，GPRS的传输速率可提升至56甚至114Kbps。

GPRS分组交换的通信方式在分组交换的通信方式中，数据被分成一定长度的包（分组），每个包的前面有一个分组头（其中的地址标志指明该分组发往何处）。数据传送之前并不需要预先分配信道，建立连接。而是在每一个数据包到达时，根据数据报头中的信息（如目的地址），临时寻找一个可用的信道资源将该数据报发送出去。在这种传送方式中，数据的发送和接收方同信道之间没有固定的占用关系，信道资源可以看作是由所有的用户共享使用。

鉴于其较大的数据容量以及较快的传输速度，利用GPRS模块将数据传输至远端的计算机，现今的GPRS模块都已较为成熟，例如CM3150P GPRS模块。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于自适应无线传感器网络的生理信号智能监测系统，其特征在于：所述系统包括无线传感器网络单元、数据传输和预处理单元以及生理信号综合分析预警单元；所述无线传感器网络单元实时采集生理信号，并将所述生理信号传输给所述数据传输和预处理单元进行预处理，所述数据传输和预处理单元将得到的生理信息传输给所述生理信号综合分析预警单元进行综合分析。

2.根据权利要求1所述的基于自适应无线传感器网络的生理信号智能监测系统，其特征在于：所述无线传感器网络单元包括无线传感器采集单元和无线数据接收单元；所述无线传感器单元将采集的生理信号通过ZigBee协议发送给所述无线数据接收单元，所述无线数据接收单元将接收的生理数据传输给所述数据传输和预处理单元。

3.根据权利要求2所述的基于自适应无线传感器网络的生理信号智能监测系统，其特征在于：所述无线传感器采集单元包括脑电波传感器、温度传感器、血压传感器、上肢传感器、下肢传感器和预留传感器；所述预留传感器包括血糖传感器、血氧血糖传感器、肌电血糖传感器、眼电血糖传感器、关节运动血糖传感器、呼气通量传感器和呼吸二氧化碳检测血糖传感器。

4.根据权利要求1所述的基于自适应无线传感器网络的生理信号智能监测系统，其特征在于：所述数据传输和预处理单元包括生理状态判定单元、数据预处理单元、伪信息分析单元和无线数据发送单元；所述生理状态判定单元对无线传感器网络单元传送的生理数据进行判定，根据监护对象不同的生理状态设置无线传感器采集单元中各传感器单元的优先权；所述数据预处理单元接收生理状态判定单元的生理数据，并对生理数据进行预处理；所述伪信号分析单元对预处理得到的生理信息进行分析，并将经过分析的生理数据通过所述无线数据发送单元发送给所述生理信号综合分析预警单元。

5.根据权利要求4所述的基于自适应无线传感器网络的生理信号智能监测系统，其特征在于：所述伪信号分析单元通过建立智能报警算法时序模型对生理信息进行分析，识别由于传感器误差和监护对象移动产生的不应报警的异常值，进而减少误报警，同时判断出是由于监护对象生理异常而产生的异常信息；所述智能报警算法时序模型包括基于伯格算法的参数辨识模型和预报误差准则定阶模型。

6.根据权利要求4所述的基于自适应无线传感器网络的生理信号智能监测系统，其特征在于：所述生理状态包括睡眠状态、行走状态、运动状态和自定义状态；所述自定义状态包括癫痫病状态、高血压状态、感冒状态和其他疾病状态；在癫痫病状态下，设置优先采集脑电波传感器的数据；在高血压状态下，设置优先采集血压传感器的数据；在感冒状态下，设置优先采集温度传感器的数据，其他疾病状态下，根据生理信号综合分析预警单元中的知识库优先设置各个传感器。

7.根据权利要求1所述的基于自适应无线传感器网络的生理信号智能监测系统，其特征在于：所述生理信号综合分析预警单元包括存储单元、分析单元和生理信号综合分析单元；所述存储单元设有知识库，将各个传感器采集的生理信号名称、数据以及时间信息分块存储到知识库中；所述分析单元基于知识库中的经验模型对单个生理信息进行分析，当生理信息超过健康正常值范围时，所述分析单元发出报警信号。

8.根据权利要求7所述的基于自适应无线传感器网络的生理信号智能监测系统，其特征在于：所述生理信号综合分析单元包括信息整合查询单元和多个通道，所述信息整合查询单元与知识库连接，对知识库中的生理信息进行整合、查询和判断；各个通道分别所述信息整合查询单元连接，同时分别接收各个传感器的数据；通道的个数与传感器个数相等。

9.根据权利要求3所述的基于自适应无线传感器网络的生理信号智能监测系统，其特征在于：所述脑电波传感器包括并列设置的前脑传感器、中脑传感器和后脑传感器；所述温度无线传感器包括并列设置的口腔传感器、腋窝传感器和体表传感器；所述血压传感器包括并列设置的脉搏传感器和颈动脉传感器；所述上肢传感器包括并列设置的手部传感器、肘部传感器和肩部传感器；所述下肢无线传感器包括并列设置的踝关节传感器、膝关节传感器和胯关节传感器。

Images