CN116246786A - 一种基于lora自组网通信的健康数据监测系统及方法 - Google Patents
一种基于lora自组网通信的健康数据监测系统及方法 Download PDFInfo
- Publication number
- CN116246786A CN116246786A CN202310499820.9A CN202310499820A CN116246786A CN 116246786 A CN116246786 A CN 116246786A CN 202310499820 A CN202310499820 A CN 202310499820A CN 116246786 A CN116246786 A CN 116246786A
- Authority
- CN
- China
- Prior art keywords
- lora
- monitoring
- data
- microcontroller
- health data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 70
- 238000004891 communication Methods 0.000 title claims abstract description 51
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 title claims abstract description 45
- 230000036541 health Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 230000036772 blood pressure Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 14
- 239000008280 blood Substances 0.000 claims description 14
- 210000004369 blood Anatomy 0.000 claims description 14
- 229910052760 oxygen Inorganic materials 0.000 claims description 14
- 239000001301 oxygen Substances 0.000 claims description 14
- 230000036760 body temperature Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 102100030758 Sex hormone-binding globulin Human genes 0.000 claims description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 210000000707 wrist Anatomy 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000003381 stabilizer Substances 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000000474 nursing effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0024—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system for multiple sensor units attached to the patient, e.g. using a body or personal area network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Cardiology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Pulmonology (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Computational Linguistics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种基于LORA自组网通信的健康数据监测系统及方法,属于基于LORA自组网通信的健康数据监测技术领域;所要解决的技术问题为:提供一种基于LORA自组网通信的健康数据监测系统硬件结构及其监测方法的改进;解决该技术问题采用的技术方案为:包括采集终端、网关路由器和监测服务器,网关路由器通过导线与监测服务器连接后进行数据交互,采集终端包括手环壳体和采集指套,手环壳体的正面安装有显示屏和按键模块,手环壳体的内部封装有控制电路板,在控制电路板上集成有微控制器、通信模块和电源模块;采集指套的内部设置有脉搏波传感器和温度传感器,各传感器均通过总线与微控制器相连;本发明应用于易危人群的健康数据监测。
Description
技术领域
本发明提供一种基于LORA自组网通信的健康数据监测系统及方法,属于基于LORA自组网通信的健康数据监测技术领域。
背景技术
随着社会经济的不断发展,人们对健康生活的要求也在不断提高,健康监测手环是近年来出现的一种佩戴在手腕上的智能穿戴设备,能够通过实时收集人体的生理信息并进行监测、分析和记录,同时为用户提供健康和运动相关的信息和建议,这些信息包括步数、睡眠质量、心率、血压、血氧含量等。
监测手环在养老院等需要监测的护理机构应用广泛,需要在较为密集的场所内实现大规模的集中监测,其数据不仅需要进行实时显示,而且需要将其上传至云端进行预警监测,同时该类产品有长时间监测的需求,使得其需要具备相应的便携性,并以更为舒适的方式来达到监测的效果,同时在该类场所监测的人群属于易危人群,对系统采集、传输数据的可靠性、精确性提出了更高要求。
然而,目前市面上提供的手环健康监测系统无法独立提供大规模自组网,需要依赖Wi-Fi、GPRS等技术进行数据上传,增加了技术的使用成本,无法适应在养老院、医院等一定区域内多节点使用环境中的需求;同时相应的数据采集设备存在便携性差、佩戴舒适性差、测试参数少、测试环境复杂等问题,一般只能提供心率、血氧监测,无法监测体温、血压等参数,可以检测上述参数的设备一般体积较为庞大,佩戴舒适性差,且无法实现单个机器进行多参数监测;此外,目前使用的无气泵无创血压监测设备精准性较差,设备对不同人群的泛化性较差,针对易危人群的监测,目前技术提供的解算方案多为嵌入式系统本地解算,其精确性无法满足场景需要。
发明内容
本发明为了克服现有技术中存在的不足,所要解决的技术问题为:提供一种基于LORA自组网通信的健康数据监测系统硬件结构及其监测方法的改进。
为了解决上述技术问题,本发明采用的技术方案为:一种基于LORA自组网通信的健康数据监测系统,包括采集终端、网关路由器和监测服务器,所述网关路由器通过导线与监测服务器连接后进行数据交互,所述采集终端包括手环壳体和采集指套,使用时将手环壳体通过皮带固定在人的手腕上,将采集指套通过指夹固定在人的指尖;
所述手环壳体的正面安装有显示屏和按键模块,所述手环壳体的内部封装有控制电路板,在控制电路板上集成有微控制器、LORA通信模块和电源模块,所述微控制器通过导线分别与显示屏、按键模块、LORA通信模块相连,所述微控制器的电源输入端与电源模块相连;
所述采集指套的内部设置有脉搏波传感器和温度传感器,所述脉搏波传感器和温度传感器分别通过IIC总线与微控制器相连;
所述LORA通信模块具体通过无线网络与网关路由器无线连接后进行数据交互。
所述LORA通信模块内部使用的通信芯片具体为WB25节点的LORA射频芯片和DM34网关的基带芯片。
所述控制电路板上还设置有USB调试模块,所述USB调试模块通过导线与微控制器相连。
所述脉搏波传感器内部使用的芯片具体为MAX30102控制芯片;
所述温度传感器内部使用的芯片具体为MLX90615控制芯片;
所述MAX30102控制芯片和MLX90615控制芯片具体通过电平转换芯片MS4553S与微控制器相连;
所述MAX30102控制芯片和MLX90615控制芯片的输入电源具体由稳压器SSP6206提供。
所述电源模块内部使用的芯片具体为TP4057充电控制芯片;
所述TP4057充电控制芯片的电源输入端具体为type-c接口。
所述微控制器内部使用的芯片具体为STC8H8K64U控制芯片。
一种基于LORA自组网通信的健康数据监测方法,包括如下监测步骤:
步骤一:操作采集终端进行数据初始化,启动微控制器中操作系统预设的测量任务和通信任务;
步骤二:操作采集终端进行网络连接初始化,控制LORA通信模块配置相应的MAC、IP、频段参数,使其入网;
步骤三:将采集终端穿戴在待监测健康数据的人员身上,控制脉搏波传感器和温度传感器分别读取采集脉搏波、体温、环境温度数据,并通过IIC总线与微控制器进行信息交互;
步骤四:微控制器对接收到的采集数据进行分析处理,基于预设的数据处理算法分别得到脉搏波、心率、血氧、体温参数并显示在显示屏上;
步骤五:微控制器通过LORA通信模块将处理得到的数据进行打包发送至网关路由器,并经由网关路由器上传至监测服务器;
步骤六:监测服务器收到打包数据后,基于预设的神经网络模型算法对打包数据进行解算,得到相应的血压参数后进行保存,并将其通过网关路由器发送回采集终端进行显示,完成单次监测。
所述步骤四中测量心率参数的具体方法为:
通过监测脉搏波的周期得到心率数据,采取计算信号达到动态阈值的时间节点的差值以获取周期,动态阈值采用短时间内信号的极值,采取均值滤波与平滑滤波结合的方法稳定信号,取100-200个计算周期为一个输出周期后,得到稳定的心率取周期后取倒数即得到稳定的心率数据。
所述步骤四中测量血氧参数的具体方法为:
使用发光二极管发出红光或红外线照射被测部位,使用光电二极管接收反射的光线,将光信号转换为电信号,然后通过ADC芯片测量反射回的电流大小,计算血液中的含氧量。
所述步骤六中解算血压参数的方法为:
具体采用深度CNN-LSTM网络多任务学习架构的无创血压监测算法:
步骤6.1:以PPG波形中提取的特征输入网络,分别提取特征:峰值时间、谷值时间、峰值高度、谷值高度;
步骤6.2:对提取的特征向量进行预处理,对提取的零值或无意义值信号去除运动伪影并解决基线徘徊问题,对PPG信号采用0.5 Hz-20 Hz带通滤波器,使用MinMax Scaling算法对生成的PPG特征向量序列进行转换,采用的MinMaxScaling算法的计算公式为:
使最大值和最小值分别为+1和-1,作为输入到基于深度CNN-LSTM架构的模型中,提取ABP序列后,计算各峰的平均值作为SBP和DBP的目标值;
步骤6.3:算法模型的网络结构由1个用于表示形态学特征的CNN层和3个用于表示时序特征的LSTM层组成,并通过归一化层连接;
采用的CNN层由56个大小为10 的核组成,使用ReLU作为激活函数,ReLU函数的表达公式为:
同时使用L2正则化提高所提出模型的泛化性能,L2正则化的计算公式为:
3个LSTM层包括1个双向LSTM和2个单向LSTM,双向LSTM由28个神经元组成,单向LSTM通过全局平均池化层与特定层连接;
每个特定的SBP和DBP层由两个完全连接的层和一个输出层组成;
全连接层神经元数量分别为28个和16个,激活函数均为ReLU;
步骤6.4:使用线性函数作为SBP和DBP输出层的激活函数,输入层形状为(None,250,1),SBP和DBP的输出形状为(None, 1)。
本发明相对于现有技术具备以下的有益效果:
一、针对目前通信方案无法提供较为完善的特定区域内大规模自组网健康监测数据上传的问题,本发明使用LoRa自组网技术实现一对多人体健康状况监测上传,满足养老院等场景大规模监测的需求;
二、本发明采用便携设备对多个人体生理参数进行监测,包括心率、血氧、体温、血压等,解决目前人体健康设备便携性差、测试参数少、测试环境复杂等问题;
三、针对由PPG波形提取参数得出血压的模型在精确程度上存在的不足,本发明使用在服务器部署的特定结构神经网络进行数据计算后将数据发回健康监测节点并显示的方式,同时做到了提升精确性与减少佩戴负担。
附图说明
下面结合附图对本发明做进一步说明:
图1为本发明的结构示意图;
图2为本发明采集终端的结构示意图;
图3为本发明采集终端的电路结构示意图;
图4为本发明微控制器的电路图;
图5为本发明LORA通信模块的电路图;
图6为本发明电源模块的电路图;
图7为本发明脉搏波传感器的电路图;
图8为本发明温度传感器的电路图;
图9为本发明USB调试模块的电路图;
图10为本发明进行健康数据监测的步骤流程图;
图11为本发明血压监测的算法模型网络结构图;
图中:1为采集终端、2为网关路由器、3为监测服务器、10为手环壳体、11为采集指套、12为显示屏、13为按键模块、14为微控制器、15为LORA通信模块、16为电源模块、17为脉搏波传感器、18为温度传感器、19为USB调试模块。
具体实施方式
如图1至图3所示,本发明具体提供一种基于自组网网络的健康数据监测系统及相应的监测方法,监测系统设置的数据采集模块主要包括手环内设置的传感器,数据通过传感器被采集至手环,并在手环内置的控制器中进行基本的滤波处理,将数据进行封装,准备进行发送;监测系统采用的网络传输层能够进行全双工通信,各传感器节点将数据传输层中打包的数据发送至网关,网关依据节点的MAC地址、IP地址等对数据进行区分,并将报文通发送至数据处理模块,进行下一步处理;在系统的数据处理模块中,经过传输网络上传的数据由控制器中的神经网络进行处理,可以从采集到的脉搏波中提取特征,用于测算血压,同心率、血氧、体温等数据,并将计算处理得到的数据发送至应用模块,可以做出进一步的健康分析和异常报警等。
进一步的,如图10所示,本发明提供的健康数据监测方法主要包括以下步骤:
步骤一:对数据采集层进行系统初始化,包括对手环的MCU控制系统初始化,操作系统初始化,操作系统中测量任务以及通信任务初始化;
步骤二:针对网络传输层中LoRa自组网控制芯片进行初始化设置,需配置参数为MAC、IP、频段,使其入网;
步骤三:控制传感器读取采集脉搏波、体温、环境温度等参数,并通过IIC总线与MCU进行信息交互;
步骤四:由数据采集层的主控MCU收集相应数据后,采用相应的数据处理算法,得到脉搏波、心率、血氧、体温等人体体征参数;
步骤五:数据采集层主控MCU对收到的人体健康数据进行处理打包,发送至自组网节点模块,通过网络传输层进行数据发送;
步骤六:数据处理层的服务器收到脉搏波等数据后基于内部预设的神经网络对数据进行解算,得出相应的血压参数后将其保存并回传至节点,完成单次监测。
上述步骤一中的系统初始化主要包含MCU时钟的初始化、串口与IIC总线的初始化、操作系统的时钟配置、操作系统的任务配置、操作系统的启动部分,后进行传感器初始化,通过IIC总线发送初始化指令。在进行初始化后,内部的操作系统通过时间片调用的方式按设定顺序执行任务。
上述步骤二中通过串口向LoRa节点芯片发送网络参数,包含MAC地址、IP地址、通信频段、端口号等参数,参数需要与网关一致,在配置完成后,节点向网关发送入网请求,网关接收到请求后向节点发送入网成功指令,网关接收到指令后确认入网成功,进入低功耗待机状态,等待网关发送进一步命令。
上述步骤三中的MCU通过IIC总线的方式向温度传感器及MAX30102发送指令,通过发送不同地址的方式分别控制两个传感器,通过发送不同命令帧分别接收传感器收到的数据帧,经过位移后分别存入变量,获得传感器采集的原始数据。
上述步骤四中针对心率的计算,具体采用时域法:心率在脉搏波上的体现为周期性的波动,故通过监测脉搏波的周期即可得出心率,因接收到的脉搏波信号直流分量较为不稳定,故需要采取计算信号达到动态阈值的时间节点的差值以获取周期,动态阈值采用短时间内信号的极值以达到精确确定周期效果,因直接取得的信号较为不稳定,采取均值滤波与平滑滤波结合的方法稳定信号,取200个计算周期为一个输出周期后,得到了较为稳定的心率取周期后取倒数后即可得到较为稳定的心率数据。
上述步骤四中针对血氧的计算,采用了反射式血氧计算,使用发光二极管(红光RED,红外IR)照射被测部位,然后使用一个光电二极管接收反射的光线,将光信号转换为电信号。然后通过高精度的ADC测量反射回的电流大小,评估血液中的含氧量。
上述步骤六中针对血压的计算,采取使用一种结合了深度CNN-LSTM网络多任务学习架构的无创血压监测算法,该算法以PPG波形中提取的特征输入网络,提取的特征为峰值时间、谷值时间、峰值高度、谷值高度。提取的特征向量需进行预处理:一些提取的信号有零值或无意义值,如-24,975,832与0。这些信号根据相邻的数据点被移除或插值,为去除运动伪影并解决基线徘徊问题,对PPG信号采用0.5 Hz-20 Hz带通滤波器。后使用MinMaxScaling算法对生成的PPG特征向量序列进行转换,MinMaxScaling算法公式如下:
使最大值和最小值分别为+ 1和-1,作为输入到基于深度CNN-LSTM架构的模型中。提取ABP序列后,计算各峰的平均值作为SBP和DBP的目标值。
算法模型的网络结构由1个CNN层和3个LSTM层组成,其中CNN层用于表示形态学特征,而 LSTM层用于表示时序特征。它们通过归一化层连接起来,以防止过拟合。CNN层由56个大小为10 的核组成。使用ReLU为激活函数。ReLU函数公式如下:
此外,使用L2正则化来提高所提出模型的泛化性能,L2正则化公式如下:
其中,3个LSTM层具体包括1个双向LSTM和2个单向LSTM,双向LSTM由28个神经元组成,单向LSTM通过全局平均池化层与特定层连接。每个特定的SBP和DBP层由两个完全连接的层和一个输出层组成。全连接层神经元数量分别为28个和16个,激活函数均为ReLU。最后使用线性函数作为 SBP和DBP输出层的激活函数。输入层形状为(None, 250,1),SBP和DBP输出形状为(None, 1),其网络结构如图11所示,相应的网络结构参数如下表1所示:
表1
进一步的,如图5所示,针对步骤二和步骤五中进行数据交互时,本发明采用LoRa自组网络系统,可以实现在广域范围内自组网传输数据的目的,具体采用DM34-7T与WB25-7T节点模组作为网关控制器,具体将其焊接继承在控制电路板的背面,并预留天线收发信号,该节点模组具备低功耗、高并发、快速响应等优点,可为物联网应用场景应用提供网络支持,整套网络采用星型拓扑结构。
上述节点模组使用的集中器模组芯片DM34具体为高性能网关基带芯片,支持8个信道的并行数据解调,节点模组芯片WB25采用新一代LoRa射频芯片,支持CAD机制,能够极大降低网络节点的待机功耗,实现设备组网状态的超低功耗运行,同时,相较于需要通过运营商基站上传数据的方法,本发明采用的通信方式无需支付使用网络所产生的费用,同时由于其网络拓扑结构更为高效,其数据传输的延迟也更短。
如图7和图8所示,步骤三中使用的传感器具体采用MAX30102脉搏波传感器,其内置于采集指套内部,主要功能为采集人体脉搏波,该传感器发射的光线经人体反射后读取数据为红光与红外光两路信号,并通过两处IIC总线进行发送。为使测量结果更加精确,本发明采取手环及指夹结合的结构设计,同时指夹内部集成了MLX90615芯片,设置于指套的内部,其主要功能为测量环境温度与人体温度,并通过IIC总线进行发送;上述MAX30102与MLX90615芯片通过电平转换芯片MS4553S与主控MCU连接,使得MCU可以通过IIC总线对不同芯片进行控制,同时采用SSP6206线性稳压芯片对传感器供电提供保障。
如图4所示,针对步骤四和步骤五中系统采用STC8H8K64U为核心板的主控MCU,其位于主控电路板的正面,经过其驱动传感器,对读入的数据进行分析处理,最后将数据封装完成后显示在屏幕上,同时通过串口向LoRa通信模块发送对应指令,可以将相应数据发送至网关;该主控MCU通过外接OLED屏幕及控制按键模块能够实现人机交互功能,使用屏幕配合按键实现显示内容的切换;另外如图9所示,主控MCU可直接通过USB接口进行程序下载,省去CH340芯片,相较于传统设计可进一步降低成本。
如图6所示,本发明提供的电源管理模块采用TP4057芯片作为充电管理芯片,其同样集成在控制电路板的正面,可实现对供电的管理与对锂电池的保护,同时,电源模块可以通过设置的type-c接口进行充电,提高了使用便捷性。
进一步的,本发明采用的LORA组网方案在特定场景下具有明显优势,本发明提供的单个网络最大支持2000个节点接入,而蓝牙技术与2.4G通信技术最高只能支持较小数量级的通信,且其在高并发时丢包现象较为严重;同时,本发明所使用的自组网技术通讯距离可达2km (空旷环境),相较于通过Wi-Fi技术上传数据的方法可提供更大的自组织范围同时降低使用场景下的Wi-Fi负载,不存在干扰其他设备正常使用的情况,可较好的完成设计对于自组网的需求;在养老院、医院等小范围内多节点监测的场景下,本发明可根据场景下射频情况,调整通信波段以提供更加稳定的数据上传,同时由于不需要借助运营商现有网络,通信时不产生额外费用,可进一步降低设备使用成本;综上所述,该种方法在需要大规模应用的场景相交现有技术存在优势。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于LORA自组网通信的健康数据监测系统,包括采集终端(1)、网关路由器(2)和监测服务器(3),所述网关路由器(2)通过导线与监测服务器(3)连接后进行数据交互,其特征在于:所述采集终端(1)包括手环壳体(10)和采集指套(11),使用时将手环壳体(10)通过皮带固定在人的手腕上,将采集指套(11)通过指夹固定在人的指尖;
所述手环壳体(10)的正面安装有显示屏(12)和按键模块(13),所述手环壳体(10)的内部封装有控制电路板,在控制电路板上集成有微控制器(14)、LORA通信模块(15)和电源模块(16),所述微控制器(14)通过导线分别与显示屏(12)、按键模块(13)、LORA通信模块(15)相连,所述微控制器(14)的电源输入端与电源模块(16)相连;
所述采集指套(11)的内部设置有脉搏波传感器(17)和温度传感器(18),所述脉搏波传感器(17)和温度传感器(18)分别通过IIC总线与微控制器(14)相连;
所述LORA通信模块(15)具体通过无线网络与网关路由器(2)无线连接后进行数据交互。
2.根据权利要求1所述的一种基于LORA自组网通信的健康数据监测系统,其特征在于:所述LORA通信模块(15)内部使用的通信芯片具体为WB25节点的LORA射频芯片和DM34网关的基带芯片。
3.根据权利要求2所述的一种基于LORA自组网通信的健康数据监测系统,其特征在于:所述控制电路板上还设置有USB调试模块(19),所述USB调试模块(19)通过导线与微控制器(14)相连。
4.根据权利要求3所述的一种基于LORA自组网通信的健康数据监测系统,其特征在于:所述脉搏波传感器(17)内部使用的芯片具体为MAX30102控制芯片;
所述温度传感器(18)内部使用的芯片具体为MLX90615控制芯片;
所述MAX30102控制芯片和MLX90615控制芯片具体通过电平转换芯片MS4553S与微控制器(14)相连;
所述MAX30102控制芯片和MLX90615控制芯片的输入电源具体由稳压器SSP6206提供。
5.根据权利要求4所述的一种基于LORA自组网通信的健康数据监测系统,其特征在于:所述电源模块(16)内部使用的芯片具体为TP4057充电控制芯片;
所述TP4057充电控制芯片的电源输入端具体为type-c接口。
6.根据权利要求5所述的一种基于LORA自组网通信的健康数据监测系统,其特征在于:所述微控制器内部使用的芯片具体为STC8H8K64U控制芯片。
7.一种基于LORA自组网通信的健康数据监测方法,其特征在于:包括如下监测步骤:
步骤一:操作采集终端(1)进行数据初始化,启动微控制器(14)中操作系统预设的测量任务和通信任务;
步骤二:操作采集终端(1)进行网络连接初始化,控制LORA通信模块(15)配置相应的MAC、IP、频段参数,使其入网;
步骤三:将采集终端(1)穿戴在待监测健康数据的人员身上,控制脉搏波传感器(17)和温度传感器(18)分别读取采集脉搏波、体温、环境温度数据,并通过IIC总线与微控制器(14)进行信息交互;
步骤四:微控制器(14)对接收到的采集数据进行分析处理,基于预设的数据处理算法分别得到脉搏波、心率、血氧、体温参数并显示在显示屏(12)上;
步骤五:微控制器(14)通过LORA通信模块(15)将处理得到的数据进行打包发送至网关路由器(2),并经由网关路由器(2)上传至监测服务器(3);
步骤六:监测服务器(3)收到打包数据后,基于预设的神经网络模型算法对打包数据进行解算,得到相应的血压参数后进行保存,并将其通过网关路由器(2)发送回采集终端(1)进行显示,完成单次监测。
8.根据权利要求7所述的一种基于LORA自组网通信的健康数据监测方法,其特征在于:所述步骤四中测量心率参数的具体方法为:
通过监测脉搏波的周期得到心率数据,采取计算信号达到动态阈值的时间节点的差值以获取周期,动态阈值采用短时间内信号的极值,采取均值滤波与平滑滤波结合的方法稳定信号,取100-200个计算周期为一个输出周期后,得到稳定的心率取周期后取倒数即得到稳定的心率数据。
9.根据权利要求7所述的一种基于LORA自组网通信的健康数据监测方法,其特征在于:所述步骤四中测量血氧参数的具体方法为:
使用发光二极管发出红光或红外线照射被测部位,使用光电二极管接收反射的光线,将光信号转换为电信号,然后通过ADC芯片测量反射回的电流大小,计算血液中的含氧量。
10.根据权利要求7所述的一种基于LORA自组网通信的健康数据监测方法,其特征在于:所述步骤六中解算血压参数的方法为:
具体采用深度CNN-LSTM网络多任务学习架构的无创血压监测算法:
步骤6.1:以PPG波形中提取的特征输入网络,分别提取特征:峰值时间、谷值时间、峰值高度、谷值高度;
步骤6.2:对提取的特征向量进行预处理,对提取的零值或无意义值信号去除运动伪影并解决基线徘徊问题,对PPG信号采用0.5 Hz-20 Hz带通滤波器,使用MinMax Scaling算法对生成的PPG特征向量序列进行转换,采用的MinMax Scaling算法的计算公式为:
使最大值和最小值分别为+1和-1,作为输入到基于深度CNN-LSTM架构的模型中,提取ABP序列后,计算各峰的平均值作为SBP和DBP的目标值;
步骤6.3:算法模型的网络结构由1个用于表示形态学特征的CNN层和3个用于表示时序特征的LSTM层组成,并通过归一化层连接;
采用的CNN层由56个大小为10 的核组成,使用ReLU作为激活函数,ReLU函数的表达公式为:
同时使用L2正则化提高所提出模型的泛化性能,L2正则化的计算公式为:
3个LSTM层包括1个双向LSTM和2个单向LSTM,双向LSTM由28个神经元组成,单向LSTM通过全局平均池化层与特定层连接;
每个特定的SBP和DBP层由两个完全连接的层和一个输出层组成;
全连接层神经元数量分别为28个和16个,激活函数均为ReLU;
步骤6.4:使用线性函数作为SBP和DBP输出层的激活函数,输入层形状为(None, 250,1),SBP和DBP的输出形状为(None, 1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310499820.9A CN116246786A (zh) | 2023-05-06 | 2023-05-06 | 一种基于lora自组网通信的健康数据监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310499820.9A CN116246786A (zh) | 2023-05-06 | 2023-05-06 | 一种基于lora自组网通信的健康数据监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116246786A true CN116246786A (zh) | 2023-06-09 |
Family
ID=86624567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310499820.9A Pending CN116246786A (zh) | 2023-05-06 | 2023-05-06 | 一种基于lora自组网通信的健康数据监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246786A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202395815U (zh) * | 2011-11-16 | 2012-08-22 | 乌维磊 | 无线WiFi医疗监护管理系统 |
CN107481159A (zh) * | 2017-09-30 | 2017-12-15 | 江苏农林职业技术学院 | 基于LoRaWAN的家畜生物特征实时在线监测系统 |
CN207149266U (zh) * | 2017-09-08 | 2018-03-27 | 天津奇点传奇科技有限公司 | 一种物联网个人询诊机装置 |
CN108023993A (zh) * | 2017-12-04 | 2018-05-11 | 昆山沃德诺利信息技术有限公司 | 一种便于吸附在手机上的移动健康测试仪 |
CN108852405A (zh) * | 2018-06-15 | 2018-11-23 | 彭荣超 | 门控装置、医疗设备及其控制方法、设备和介质 |
CN208176849U (zh) * | 2018-04-12 | 2018-12-04 | 南京城市职业学院 | 一种多功能手环 |
CN111772602A (zh) * | 2020-07-10 | 2020-10-16 | 四川普思科创信息技术有限公司 | 一种智能养老系统及其方法 |
CN115770027A (zh) * | 2022-12-13 | 2023-03-10 | 桂林电子科技大学 | 一种基于人工智能的血压检测方法及装置 |
-
2023
- 2023-05-06 CN CN202310499820.9A patent/CN116246786A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202395815U (zh) * | 2011-11-16 | 2012-08-22 | 乌维磊 | 无线WiFi医疗监护管理系统 |
CN207149266U (zh) * | 2017-09-08 | 2018-03-27 | 天津奇点传奇科技有限公司 | 一种物联网个人询诊机装置 |
CN107481159A (zh) * | 2017-09-30 | 2017-12-15 | 江苏农林职业技术学院 | 基于LoRaWAN的家畜生物特征实时在线监测系统 |
CN108023993A (zh) * | 2017-12-04 | 2018-05-11 | 昆山沃德诺利信息技术有限公司 | 一种便于吸附在手机上的移动健康测试仪 |
CN208176849U (zh) * | 2018-04-12 | 2018-12-04 | 南京城市职业学院 | 一种多功能手环 |
CN108852405A (zh) * | 2018-06-15 | 2018-11-23 | 彭荣超 | 门控装置、医疗设备及其控制方法、设备和介质 |
CN111772602A (zh) * | 2020-07-10 | 2020-10-16 | 四川普思科创信息技术有限公司 | 一种智能养老系统及其方法 |
CN115770027A (zh) * | 2022-12-13 | 2023-03-10 | 桂林电子科技大学 | 一种基于人工智能的血压检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
DA UN JEONG 等: "Combined deep CNN–LSTM network-based multitasking learning architecture for noninvasive continuous blood pressure estimation using difference in ECG-PPG features", 《SCIENTIFIC REPORTS》, vol. 11, no. 1, pages 1 - 8 * |
佚名: "PulseSensor开发文档(二)动态阈值算法获取心率值", 《HTTPS://BLOG.CSDN.NET/WEIXIN_48206270/ARTICLE/DETAILS/124470369》, pages 1 - 4 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105078445B (zh) | 基于健康服务机器人的老年人健康服务系统 | |
CN105078450B (zh) | 一种可实现脑电检测的健康服务机器人 | |
CN104622445B (zh) | 一种无线智能的多生理参数健康监护腕式设备 | |
CN107788976A (zh) | 基于振幅整合脑电图的睡眠监测系统 | |
He | The zigbee wireless sensor network in medical care applications | |
CN105310686B (zh) | 一种可实现心电检测的健康服务机器人 | |
CN105007636A (zh) | 一种面向运动康复的可穿戴式无线传感网节点装置 | |
Baba et al. | A health remote monitoring application based on wireless body area networks | |
CN202950649U (zh) | 一种便携式电子健康监护仪器 | |
CN112472042A (zh) | 可穿戴人体特征采集装置、检测装置、检测内衣 | |
CN107066956A (zh) | 一种基于体域网的多源情感识别机器人 | |
CN202681924U (zh) | 基于ZigBee和GSM技术的人体多生理参数远程监护系统 | |
CN106175729A (zh) | 基于物联网的智能孕妇健康监测系统 | |
CN115040095A (zh) | 适老化多功能自主非侵入式动态生理信号监测分析系统 | |
CN205029824U (zh) | 一种基于蓝牙耳机的心电监护器 | |
CN204971271U (zh) | 基于健康服务机器人的老年人健康服务系统 | |
CN116246786A (zh) | 一种基于lora自组网通信的健康数据监测系统及方法 | |
CN209932728U (zh) | 一种便携式心电监测衣 | |
CN205019033U (zh) | 一种分布式远程监护装置 | |
Zou et al. | Multi-physiological parameters integrated medical system for home healthcare application | |
CN111406672A (zh) | 一种生猪健康状况监测方法与系统 | |
CN218500702U (zh) | 一种用于智能设备的屏下血压测量系统 | |
Shaji et al. | A health care monitoring system with wireless body area network using IoT | |
Lu et al. | Physiological index monitoring of wearable sports training based on a wireless sensor network | |
Liu et al. | Distributed computing system based on microprocessor cluster for wearable devices |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230609 |
|
RJ01 | Rejection of invention patent application after publication |