CN110223788A - 基于可携带设备的用户健康管理系统 - Google Patents

Abstract

基于可携带设备的用户健康管理系统。当前，个人健康是一个热门话题。本项目拟建立个人健康管理系统对个人的健康危险因素进行全面的管理。所述系统包括数据收集层、数据传输层和数据处理层。通过搭建基于Arduino UNO开发板实现健康信息(每天的步数、心率、血压等)的收集，从而提取用户健康数据。通过决策树得到用户的连续时间下的健康状况评分，实现个人健康状况的追踪与评价。通过微控制器，整合各个健康信息测量模块，搭建硬件平台从而实现硬件部分的健康信息采集。当收集到相应的数据之后，整合用户的个人信息，例如年龄等，建立决策树模型。通过算法对用户的健康状况进行判断，可视化呈现给用户并给出相应的建议与提示。

Description

基于可携带设备的用户健康管理系统

技术领域

本发明属于嵌入式开发和机器学习技术领域。涉及个人健康管理系统的研究与实现。该系统可以在用户处在不同的情境环境中为用户个性化的提供健康信息指导。实现用户个人体征数据的实时收集与在线规范化处理。

背景技术

个人健康问题已经成为一个被广泛关注的问题，个人健康预防与健康保健信息、知识普及手段落后，造成了个人健康的管理缺乏科学性、专业性和系统性。

CN201410162035.5号公开了一种名称为《智慧健康管理系统》的中国专利。该专利由智慧医院系统、区域卫生系统以及家庭健康系统构成。该专利通过家庭健康系统中的便携式多参数测量装置监测家庭健康系统使用者的多种生理参数信息，并将结果传输到智能终端，再由智能终端将测量结果发送给智慧医院系统和/或区域卫生系统，智慧医院系统和/或区域卫生系统将接受到的测量结果进行存储、分析和评估，并将评估结果传输给家庭健康系统。而该专利所述的家庭健康系统中涉及的测量装置包括：视讯医疗装置、远程照护装置、健康监测装置以及智能服药装置等。

上述专利涉及的测量装置和设备较多，价格昂贵、普及率低，不适合普通大众使用。因此，对于普通大众仍然无法得到准确全面的个人生命体征信息并获得专业的健康指导。

发明内容

本发明目的是克服现有技术的上述不足，提供一种基于可携带设备的用户健康管理系统。

由于用户数据量巨大，用户个人体征信息数据不断产生，本发明将用户个人体征信息与情境信息融合，提出的用户健康管理系统可以在用户处在不同的情境环境中为用户个性化的提供健康信息指导。

本发明基于Arduino UNO开发板，通过MAX30102(脉搏血氧仪和心率检测模块)、蜂鸣器、GPS传感器、DHT11温湿度传感器、红外传感器等获取用户体征信息、情境信息等数据；将收集到的用户、情境、体征信息等数据实现标准化，并为用户提供个性化健康指导意见。亦即将上述用户的体征信息数据与建立好的标准健康状况的决策树进行匹配，若该用户在某情境下的体征信息不符合健康标准，则为用户提供个性化的健康服务指导。

本发明的技术方案：

本发明提供的基于可携带设备(“数字化信息采集器”)的用户健康管理系统包括：数据收集层、数据传输层和数据处理层。本发明系统的处理流程如图1所示。

1)数据收集层。

通过“数字化信息采集器”收集获取用户的体征信息和情境信息，图2展示了数字化信息采集器构成示意图。所述的数字化信息采集器包括一个Arduino UNO开发板，该开发板是硬件核心，用于将实现信息采集的模块(如DHT11、MAX30102)沟通连接为一个整体；所述开发板的输入端分别连接MAX30102(脉搏血氧仪和心率检测模块)、陀螺仪、DHT11温湿度传感器、计步传感器、GPS传感器和红外传感器，分别用于获取用户信息、体征信息和用户情境信息，并由所述开发板将收集到的用户信息、情境信息和体征信息进行标准化；所述开发板同时双向连接OLED显示屏和蓝牙模块；

2)数据传输层。

数据传输层通过蓝牙模块实现，蓝牙模块将数据收集层中获取到的标准化以后的用户信息-情境信息-体征信息打包后传送给数据处理层；

3)数据处理层。

数据处理层通过32KB的FLASH实现对数据的处理。

所述的数据处理是指对用户信息-情境信息-体征信息进行进一步分析和评估，具体包括：

(1)基于用户体征信息建立标准决策树模型，通过匹配用户同步得到的体征信息，得到用户的健康状况，将数据通过OLED显示屏可视化后展现给用户再根据用户的健康状况提出相应的建议；

(2)基于用户一段时间的体征信息数据，构建用户体征信息的灰色预测模型，再对用户进行预测，预测用户下一个时间段的可能体征值，通过OLED显示屏可视化呈现给用户，并对用户给出相应的建议与提示。

图3是标准化储存用户健康数据的信息收集图。

利用收集到的不同体征信息，计算其不同体征的信息增益比筛选出特征的优先级，再根据阈值进行划分下一个结点。最终建立的模型如图4所示，在特定情境下，对某用户进行体征信息-健康标准匹配，体征信息具体包括由数据收集层收集到的心率，体温等体征，再结合用户录入的身高体重等信息，通过对比我们所建的模型，匹配模型中的各类情况；若匹配状况为不健康，则对用户进行个性化的健康服务指导。同时，一段时间后，我们将收集到的用户某一体征数据提取出来，利用我们的灰色预测算法可以预测出用户接下来的体征变化。

本发明的优点和有益效果：

本发明建立个人健康管理系统对个人的健康危险因素进行全面的管理。通过搭建基于ARM Cortex M3的微控制器实现健康信息(每天的步数、心率、血压等)的收集，从而标准化收集到的信息。此外，本发明加入了时间因素。根据标准健康状况建立决策树模型，对用户的当前时间的健康状况进行匹配，并作出评分，实现个人健康状况的追踪与评价。有效地解决了连续时间下对健康状况的监测问题。相对于市场上已有的健康检测产品，本发明具有以下优点：

1、加入了时间因素，将获取到的用户信息-情境信息-体征信息标准化，同时存储以往时间的个人健康状况信息，以时间为横轴，体征信息为纵轴，绘制为折线图，用户可以随时调看，追踪自己的健康情况。

2、采集数据量大、开发周期短。基于ARM的硬件平台应用Arduino进行开发，外接GPS模块、通信模块、蓝牙模块、温度传感器、心率传感器、红外传感器等，可以随时获取用户的位置信息、心率、体温等身体健康参数，并通过蓝牙传输到数据处理层进行数据的进一步加工。

3、基于对采集到的数据进行学习后给出科学化合理建议。采用分类算法与决策树算法对采集的大量数据进行简单、高效率的学习，建立向量组，分析并记录数据，依据回归对用户的健康状况作出评价。

附图说明

图1：系统处理流程图。

图2：硬件系统结构框架图。

图3是用户-体征-时间模型的概念图。

图4是决策树模型图。

图5是心率、BPM电路板图。

图6是温度采集电路原理图。

具体实施方式

实施例1：基于可携带设备的用户健康管理系统

数据收集层，通过“数字化信息采集器”收集获取用户的体征信息和情境信息；该数字化信息采集器包括一个Arduino UNO开发板，所述开发板的输入端分别连接MAX30102(脉搏血氧仪和心率检测模块)、陀螺仪、DHT11温湿度传感器、计步传感器、GPS传感器和红外传感器，用于分别获取用户信息、体征信息和用户情境信息；并由所述开发板将收集到的用户信息、情境信息和体征信息进行标准化。由上述模块构成的硬件系统结构框架如图2所示。

硬件平台——“数字化信息采集器”的搭建

一、所用开发板为Arduino。Arduino是一款便捷灵活、方便上手的开源硬件产品，具有丰富的接口，有数字I/O口，模拟I/O口，同时支持SPI,IIC,UART串口通信。能通过各种各样的传感器来感知环境，通过控制灯光、马达和其他装置来反馈、影响环境。它没有复杂的单片机底层代码，没有难懂的汇编，只是简单而实用的函数。而且具有简便的编程环境IDE，极大的自由度，可拓展性能非常高。

二、所用脉搏血氧仪和心率检测模块为MAX30102，使用开发板Arduino UNO连接MAX30102模块，结合OLED屏和蜂鸣器完成测量BPM的目的。

BPM“是每分钟节拍”，该数值在人们正常休息时约为65-75，运动时该值会偏低。

OLED屏用来显示BPM值，蜂鸣器的“Beeps”会与OLED屏同步。

三、使用DHT11温湿度传感器采集温度信息。DHT11是一款有已校准数字信号输出的温湿度传感器。其精度湿度+-5％RH，温度+-2℃，量程湿度20-90％RH，温度0～50℃。它应用专用的数字模块采集技术和温湿度传感技术，确保产品具有极高的可靠性和卓越的长期稳定性。温湿度传感器包括一个电阻式感湿元件和一个NTC测温元件。4针单排引脚封装，连接方便，引脚说明见表1。

表1、DHT11引脚说明：

四、使用蓝牙模块进行数据的传输。

电路介绍：

(一)心率、BPM电路分析

心率、BPM电路板如图5所示，显示屏采用了128X32I2C OLED，使用3.3V电压供电，MAX30102(脉搏血氧仪和心率检测模块)、蜂鸣器接5.5V电压引脚，各个部件均采用I2C方式(串行数据(SDA)和串行时钟(SCL)线在连接到总线的器件间传递信息)与开发板进行连接。当用户接触到MAX30102模块时，该模块会采集心率及血氧信息反馈至MCU(微控制单元)，MCU(微控制单元)将接收到的信息作简单处理后送至显示屏显示。

(二)温度采集电路分析

本项目使用DHT11实现温度信息的采集，电路原理图如图6所示：

DHT11是单总线输出数据，连接方便，电路易于理解与实现。

实施例2：

一、基于用户的信息对用户健康信息进行分类

决策树(decision tree)是一种基本的分类与回归方法。在分类问题中，基于特征对实例进行分类的过程。它可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。其主要优点是模型具有可读性，分类速度快。学习时，利用训练数据，根据损失函数最小化的原则建立决策树模型。利用网上公开的数据集，可构建一个可靠、实用的决策树模型。决策树模型图如图4所示，具体的构建如下：

1)基于用户-情境-体征等信息(用户-体征-时间模型的概念图如图3所示)，将用户的身高、体重、年龄以及基本体重信息可以组成一个n维的特征向量，将这n维的特征向量的数据作为模型训练的训练集。其中将数据集中性别为男的用0代替，女用数字1代替，健康状况用0,1代替，0代表健康，1表示不健康。对于数据集缺失值的处理视情况进行填充。如性别缺失均填充0，对于年龄、身高等连续属性的缺失值填充整个数据集的均值。数据结构如表2所示。

表2.基于网络公开数据对数据进行基本处理

2)当数据集处理完毕后,分析数据集中的数据，几乎所有的特征都是连续值，对此，我们需要每一个特征S的值连续属性转换为离散属性再进行处理。虽然本质上属性的取值是连续的，但对于有限的采样数据它是离散的，如果特征S有N条不同的样本，那么我们有N-1种离散化的方法：数据<v的分到左子树，数据＝>v的分到右子树，其中v为分裂点，即参数v表示一个阈值，于是将特征S划分为两个子集D¹ _v，D² _v，|Dⁱ _v|为Dⁱ _v的样本个数。然后比较这N-1种情况下最大的信息增益率。

设训练数据集为D，|D|表示其样本的容量，既样本个数。设有k个类C_k，k＝1,2,…,K,|C_k|为属于类C_k的样本个数，假定当前样本集合D中第k类样本所占比列为pk(k＝1,2，…,K)

则数据集D的经验熵:

则属性h在分裂点v下对样本集进行划分所获得的信息增益为:

Gain(D,a)＝max(Gain(D,a，v_i)),v_i∈{v₁，v₂，…,v_N-1} 式(2-3)

则属性h对样本集进行划分所获得的信息增益率为

Gain_ratio(D,a)＝Gain(D,a)/IV(a) 式(2-4)

另外，对于连续属性先进行排序(升序)，只有在决策属性(即分类发生了变化)发生改变的地方才需要切开，这可以显著减少运算量。

而经过用我们大量实验得到的结果来看，在决定连续特征的分界点时采用增益这个指标(因为若采用增益率，将会影响分裂点信息度量准确性，若某分界点恰好将连续特征分成数目相等的两部分时其抑制作用最大)，而选择属性的时候才使用增益率这个指标能选择出最佳分类特征。得到最优切分点的步骤如下：

1.对特征的取值进行升序排序，筛去相同的数据

2.将相邻两个不同特征的均值作为可能的分裂点，保存下来，每一个分裂点v_i把数据D分为两部分，再迭代计算在不同分类情况下的信息增益

3.选择使信息增益最大的分裂点作为该特征的最大分裂点

C4.5的生成算法具体如下：

在上述算法实现后，将数据集随机分为两部分(train_data,test_data)，一部分用于训练，一部分用于测试训练效果。将训练的数据集(train_data)使用该算法，生成一个决策树之后，再用测试集测试该决策树，测试算法如下：

设test_data的样本总数为N，用测试集检测得到的决策树，得到决策树的在测试集上分类正确的样本数n，则该决策树分类的准确率为n/N；

在阈值不变的情况下，随机从总数据集中选择两次训练集，得到两个决策树，取这两个决策树的准确率的均值作为当前阈值决策树的准确率，减少因为数据集的偶然性带来的影响。

取适当的з范围，以一定的步长遍历范围内的з值，取得使决策树分类准确率最好的з范围，缩小з的范围，减小з的步长，直到产生最高准确率的决策树，将此决策树保存下来，记录此时的з值

在我们的实验中我们取了1000份数据，随机选择600份作为训练集，400份作为测试集，在з为0.08的情况下取得决策树最好的准确率为92％

二、基于用户历史数据对用户某类体征数据的预测

用灰色时间序列预测算法来预测用户未来某一项体征的可能值：用等时距观测到的反映用户体征的一系列数量来构造灰色预测模型，预测未来某一时刻的特征量，或者达到某特征量的时间。而灰色预测是用灰色模型GM(1,1)来进行定量分析的

GM(1,1)模型理论：

若用户的原始数据序列如下：

X⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…，x⁽⁰⁾(n)) 式(2-7)

将数据做一次累加生成(1-AGO)序列：

X⁽¹⁾＝(x⁽¹⁾(1)，x⁽¹⁾(2)，…，x⁽¹⁾(n)) 式(2-8)

其中：

令Z⁽¹⁾为X⁽¹⁾的紧邻均值生成序列：

Z⁽¹⁾＝(z⁽¹⁾(1)，z⁽¹⁾(2)，…，z⁽¹⁾(n)) 式(2-10)

其中：

x⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1) 式(2-11)

x⁽⁰⁾(k)+a*z⁽¹⁾(k)＝b 式(2-12)

其中，a为发展系数，b为灰色作用量。设为待估参数向量，即则灰微分方程的最小二乘估计参数列满足

其中

再建立灰色微分方程的白化方程(也叫影子方程)：

白化方程的解(也叫时间响应函数)为：

将t＝1,2,3…带入最后可以得到预测方程

实现步骤：

1.现有用户的体重时间序列：

Y⁽⁰⁾＝(41.1，41.3，42.7，43.5，44.3，44.8，45.6，46.7，47.2，48.3)

将序列前八个作为原始数据进行训练，后两个用于检验，则n＝8。为了保证灰色预测的可行性，需要对原始序列数据进行级比检验：

对原始序列Y⁽⁰⁾计算Y⁽⁰⁾的序列级比：需要使所有的级比都落在Ф＝(e^-2/(n+1)，e^2/(n+2))中，则Y⁽⁰⁾的级比序列

λ＝(0.99515738,0.96721311,0.9816092,0.98194131,0.98883929,0.98245614,0.9764454)均落在Ф＝((0.8007374029168081,1.2214027581601699)范围内，满足条件。若不满足条件，则需要对序列进行平移变换，直到满足条件。

2.建立好GM模型，得到发展系数a＝-0.018820865286180703

灰色作用量b＝40.51079781631133带入模型可得到预测的体重序列

可以看出后两个体重预测值与实际值相差不大，可以将该模型实现对用户的某一项体征进行预测。

Claims (2)

1.一种基于可携带设备的用户健康管理系统，其特征在于，所述系统包括：数据收集层、数据传输层和数据处理层；

数据收集层，通过“数字化信息采集器”收集获取用户的体征信息和情境信息；该数字化信息采集器包括一个Arduino UNO开发板，用于将实现信息采集的模块沟通连接为一个整体；所述开发板的输入端分别连接MAX30102、陀螺仪、DHT11温湿度传感器、计步传感器、GPS传感器和红外传感器，用于分别获取用户信息、体征信息和用户情境信息；并由所述开发板将收集到的用户信息、情境信息和体征信息进行标准化；所述开发板同时双向连接OLED显示屏和蓝牙模块；

数据传输层，数据传输层通过蓝牙模块实现，蓝牙模块将数据收集层中获取到的标准化以后的用户信息-情境信息-体征信息打包后传送给数据处理层；

数据处理层，通过32KB的FLASH实现对数据的处理。

2.根据权利要求1所述的基于可携带设备的用户健康管理系统，其特征在于，所述的数据处理是指对用户信息-情境信息-体征信息进行进一步分析和评估，具体包括：

(1)基于用户体征信息建立标准决策树模型，通过匹配用户同步得到的体征信息，得到用户的健康状况，将数据通过OLED显示屏展现给用户再根据用户的健康状况提出相应的建议；

(2)基于用户一段时间的体征信息数据，构建用户体征信息的灰色预测模型，再对用户进行预测，预测用户下一个时间段的可能体征值，通过OLED显示屏呈现给用户，并对用户给出相应的建议与提示。