《电子技术应用》

基于MSP430的便携式哮喘智能监测系统

2017年电子技术应用第9期
赵明剑,郭珊山
(华南理工大学 电子与信息学院,广东 广州510640)
摘要: 为了满足哮喘病患者日常家用监测需求,以及将来为智慧、远程监护哮喘病患者提供关键节点监测技术,提出了一种小型化、便携式、智能哮喘监测系统。该系统设计了Big-Little双传感器前置放大结构结合分量程16 bit采样技术,实现宽范围、高精度监测目的;基于Mallat以及神经网络算法完成信号去噪,并构建电压与气流标定曲线,最终通过生理指标处理算法得到呼气峰值流速(PEF)、一秒钟用力呼气量(FEV1)以及FEV1与用力肺活量比值(FEV1%)关键生理指标。测试结果表明,系统稳定性好,PEF最大相对级差低于5%,PEF最大相对示指误差低于10%。该监测系统具有移动便携、智能、低功耗等应用优势,特别适用于哮喘病患者日常家用监测,对哮喘病患者病情管控与监护具有重要价值。
中图分类号: TN79;TH776
文献标识码: A
DOI:10.16157/j.issn.0258-7998.171773
中文引用格式: 赵明剑,郭珊山. 基于MSP430的便携式哮喘智能监测系统[J].电子技术应用,2017,43(9):68-71,75.
英文引用格式: Zhao Mingjian,Guo Shanshan. Portable asthma monitoring system based on MSP430[J].Application of Electronic Technique,2017,43(9):68-71,75.

Portable asthma monitoring system based on MSP430

Zhao Mingjian,Guo Shanshan
(School of Electronic and Information Engineering,South China University of Technology,GuangZhou 510640,China)
Abstract: A portable asthma surveillance system is proposed,for asthma patients′ daily household monitoring and providing key node monitoring technologies in future telemedicine. The system achieved a wide range of high-precision monitoring through the Big-Little dual sensor preamplifier structure and the sub-range 16 bit sampling technology. It completed the signal denoising and built voltage and air flow calibration curve based on Mallat and neural network algorithm. The peak expiratory flow(PEF), forced expiratory volume in one second(FEV1), forced expiratory volume in one second to forced vital capacity ratio(FEV1%) were measured by physiological index processing algorithm. The results show that the system works stably, PEF maximum relative difference is less than 5%, PEF maximum relative indication error is less than 10%. The system is especially suitable for daily household monitoring and is of great value in the control and monitoring of asthma patients with advantages of portable, intelligence, and low power consumption.

0 引言

    目前全球哮喘患者高达3亿,并呈逐年上升趋势,给社会和家庭带来了沉重的压力与负担。对哮喘病患的日常实时监测,将为此项疾病的防治提供重要支撑。《全球哮喘防治创议》和我国的《支气管哮喘防治指南》均将呼气峰值流速(PEF)或一秒钟用力呼气量(FEV1)作为哮喘急性与非急性发作期病情诊断的一项重要指标。这些指标为调整药物剂量、判断药物疗效、监测病情变化等操作提供重要依据[1-2]

    目前对于哮喘病监测手段主要依靠医用肺功能监测设备以及欧美等国生产的便携式肺功能仪等。医用设备体积大、操作难,适用于医疗场合,不利于家用,尤其是难于获得患者在日常无束缚情况下的实时生理数据;而进口便携式仪器价格昂贵,且监测数据依赖于手动记录,不具备哮喘健康智能管理体系。针对上述问题,本文提出了一种便携式监测仪,实时获取患者日常关键生理指标PEF、FEV1以及FEV1%等,融合了监测、无线传输、云端处理等技术,可构建医患之间的可靠桥梁,为未来智慧医疗提供关键技术支撑。

1 系统方案设计

    监测系统组成如图1所示。以TI公司的低功耗MSP430单片机(MCU)作为中央处理控制单元;以大、小量程两个差压传感电路、信号调理及模数转换电路构成采集前端,并结合文丘里呼气流量测量管完成对用户生理指标信息的采集。

ck1-t1.gif

    生理数据一方面通过仪器本地显示,一方面通过蓝牙无线技术实现与移动客户端的数据传输。移动客户端将用户相关生理指标同步上传致云端,完成对用户生理数据的归档与分析处理。

    医生可以远程登录云端,实现对病患的诊断;患者则可在手机客户端上查看历史的生理指标数据以及医生推送的病情分析报告和医疗建议。

2 硬件设计

2.1 文丘里气体流量测量

    呼吸气体流量计大多基于差压气流测量法[3],有Fleisch气体流量计测量[4]和文丘里管测量两种典型方式,如图2所示。Fleisch气体流量计方式容易使气流在腔内冷凝,需要额外加热装置,同时容易附着脏物,难以清洗,制约测量准确性;文丘里管气体测量结构基于贝努利定理[5],流经气体在节流件前后两端产生压力差,气体的流速与此气压降的平方根成正比。该方法易实现,无额外装置,压力损失小,因此本文基于该方法进行设计。

ck1-t2.gif

    为适应仪器机械外形结构,本文对传统文丘里管结构进行了改动,如图3。该文丘里管为植入整个机壳的一部分,并通过大量实验,将传感器入口直径设计为20 mm,收缩处直径为12 mm。

ck1-t3.gif

2.2 基于Big-Little结构的数据采集前端

    本文采用Freescale公司的集成硅压力传感器MPX-5010DP和MPXV5004DP,该传感器具有片上信号调整与温度压力补偿功能。本文采用MPX5010DP监测大气流信号(压力范围0~10 kPa),采用MPXV5004DP监测小气流信号(压力范围0~3.92 kPa),传感器功耗仅25 mW;传感器输出信号经由轨对轨运放MAX4402构成巴特沃兹二阶有源滤波器。呼吸信号频率集中于30 Hz内[6],因此截止频率设计为30 Hz,取C5=C6=C12=C13=0.1 μF,R1=R2=R7=R8=51 kΩ。最终信号经过ADS1114 16 bit量化后变成数字信号供MCU处理。具体电路实现如图4所示。

ck1-t4.gif

2.3 基于MSP430 MCU的运算与控制

    该处理器适合于手持式设备应用,实现对各种外围硬件电路的控制,对采集后数据进行校准与运算,并结合TI公司的CC2541蓝牙4.0低功耗芯片实现与手机移动客户端的无线互联[7],最终完成各项生理数据的上传以及监测仪各项运行参数的下载获取。

    系统提供人机本地操作功能,可实现开始监测、数据上传、显示器背光等操作。此外,当被测指标PEF或者FEV1低于本人预设安全值60%时,系统还提供本地告警,方便用户及时就诊。

3 软件设计

3.1 软件系统架构

    软件部分包括监测仪本地软件系统、移动客户端上位机软件及云端管理平台软件三部分。

    本地软件系统主要功能是控制硬件各单元运行及参数配置,完成采集数据的生理指标运算及校准;移动客户端上位机软件主要完成监测仪工作参数配置、数据接收、历史数据查看、医疗建议查看、数据上传云端等功能;云端管理平台软件作为海量数据管理与分析中心,提供医生访问接口,构建智慧远程医疗体系。

    整机运行总体流程如图5所示。为了提高抗干扰性能,设计了基于Mallat算法的小波滤波方法,平滑处理采样信号,随后通过校准算法获取准确的气流信号数值,最后根据生理指标运算算法得出PEF、FEV1、FEV1%。图6为本地软件系统控制流程图。由于FEV1和FEV1%与时间有关,对数据采集的起始点和结束点判断极为关键,本设计中采用电压阈值法来避免外界干扰误启动,即电压超过设置的阈值后启动采集程序同时开始计时,当时间计满1 s时,采集的数据保存用于计算FEV1,系统继续采集,直到电压值低于阈值时结束采集,全部数据用于计算FEV1%。

ck1-t5.gif

ck1-t6.gif

3.2 基于Mallat和神经网络的标定与指标获取算法

    监测仪所采集的原始数据必须转换成能被人们理解的哮喘生理指标,这需要标准的源头数据来进行标定,而标定数据存在大量的高频噪声。针对这一问题,采用了基于Mallat算法的多分辨率分析去噪方法[8]。基本思路是将原始信号进行多分辨率分析,将低频信号和高频信号进行分解,采用阈值去噪的方法对信号进行处理,最后将去掉噪声的细节信号和平滑信号重构获取系统需要的标定样本。设第j级的平滑信号为cj(n),第j+1级平滑信号为cj+1(n),细节信号为dj+1(n),具体分解与重构公式如下:

     ck1-gs1-2.gif

式(1)中,hd(n)和gd(n)为由小波函数和尺度函数确定的分解低通和高通滤波系数。式(2)中hr(n)和gr(n)为由小波函数和尺度函数确定的重构低通和高通滤波系数。

    重构后的标定数据将用于标定曲线的拟合。对比分析了基于BP神经网络和多项式两种拟合方法。实验结果表明,基于神经网络拟合方法在精准度上具有优势,由此本系统采用此方法进行标定曲线的拟合,通过MATLAB学习训练,获取训练参数,并按照式(3)实现。

     ck1-gs3.gif

式中,xi为神经网络输入层输入信号,aj为网络隐含层输出信号,bi为神经网络输出层输出信号,w1j为神经网络隐含层神经元权重,w2j为神经网络输出层神经元权重,b1j为神经网络隐含层神经元阈值,b2j为神经网络输出层神经元阈值。f1( )为隐含层激活函数,f2( )为输出层激活函数。f1( )、f2( )表达式详见文献[9]。

    本系统需要完成对患者的PEF、FEV1以及FEV1%生理指标的监测。PEF是指用力肺活量测定过程中,呼气流量峰值瞬间最大流速,该指标在反映气道不稳定性、判断哮喘病情轻重、长期监测评估治疗疗效等方面具有重要价值[2];FEV1指尽力最快将气体呼出时第一秒呼出的气体容量,反应肺功能受损程度;FEV1%则可反映气道通气障碍的类型和程度,通过式(4)可分别获得PEF、FEV1、FEV1%指标。

     ck1-gs4.gif

式中,N为有效采样次数,fl(N)为第N次气体流量数据,Δt为采样间隔,M为计时满一秒的有效采样次数。根据FEV1的医学定义,可知Δt=1/M。

    本文基于C语言完成上述所有算法设计,并最终嵌入MSP430F149单片机中实现。

4 系统测试与结果分析

    监测仪样机外形尺寸为12 cm×5 cm×2 cm,符合人体工程学设计,整机功耗137 mW,按正常每天使用3次计算,监测仪具备满电后持续使用30天的性能。

    本文按照JJF1213-2008《肺功能仪标定规范》要求进行仪器的各项测试[10],主要包括:监测系统精准度检验、系统稳定性测试、系统重复性测试以及一致性检验。

    测试结果表明,监测结果相对示值误差低于10%,符合规范规定的精准度要求。经过长时间连续不断测试,未出现故障。早、中、晚多次测试,PEF指标相对极差最大为+3.6%,优于上述规范提出的±5%,符合稳定性要求。最后,将该系统与美国PDS公司生产的Piko-1肺功能测定仪进行一致性分析,本文采用了被国际广泛认可的Bland-Altman一致性分析方法[11]。通过计算两种测量结果的一致性界限,采用散点图的方法直观呈现这个一致性界限(limits of agreement,LoA)。本文将置信度设为95%,绘制一致性分析散点图Bland-Altman(如图7所示),对于PEF指标,设两种监测方法的差值平均值为ck1-t7-s1.gif,差值的标准差为Sd,则PEF的一致性界限范围为(ck1-t7-s1.gif±1.96×Sd),即为(-14.32,13.28);FEV1的一致性界限范围为(-0.2326,0.2076)。

ck1-t7.gif

    两个测量指标的点绝大部分都在95%一致性界面以内,表明两种监测仪器一致性良好。本设计功能正确,运行可靠,并且在实现成本、小型化、功耗及移动便携性方面更具应用优势。

5 结论

    本文在硬件方面以MSP430为主控,设计了基于Big-Little双差压传感器组合的数据采集前端、人机接口、显示告警以及蓝牙无线通信电路;在软件方面设计了手机客户端软件、云端管理平台软件,构建起了便携式哮喘监测系统。该系统具有移动便携、智能、低功耗、高精度等特点。通过各项测试以及与国外进口产品进行Bland-Altman一致性分析,表明功能正确、运行可靠,可广泛应用于哮喘病患日常监测、智慧远程医疗领域,具有广阔的市场价值与社会价值。

参考文献

[1] World Health Organization.Global initiative for asthma: global strategy for asthma management and prevention[R].GINA Executive Committee,2010:69-72.

[2] 黄玉民,陶玉坚,胡涛,等.哮喘控制测试与呼气峰流速在哮喘管理中的相关性研究[J].实用临床医药杂志,2016,20(9):37-40.

[3] 张占峰. 流量计的研究和开发[D].北京:清华大学,2004.

[4] MANDAL N G.Respirometers including spirometer,pneumotachograph and peak flow meter[J].Anaesthesia & Intensive Care Medicine,2006,7(1):1-5.

[5] SUZUKI H.Sleeping condition monitoring apparatus, monitoring system,and computer program:WO,WO/2009/150765[P].2009.

[6] 苌飞霸,尹军,颜乐先,等.可穿戴式人体呼吸状态监测系统的设计[J].电子技术应用,2014,40(1):79-81.

[7] 周建,任红艳,王彦斌.MSP430的低功耗特性在蓝牙产品中的应用[J].电子技术应用,2003(12):13-15.

[8] 王江云,曾琼,王会霞.基于小波分析的地形多分辨率建模方法[J].北京航空航天大学学报,2014,40(8):1121-1126.

[9] 周金海,申刚磊,丁小丽,等.BP神经网络在疾病分析影响因素中的作用[J].中国组织工程研究,2011,15(9):1702-1705.

[10] 王怀玲,李春瑛,张从华,等.肺功能仪校准规范的编制说明[J].计量与测试技术,2008,35(9):86-88.

[11] BLAND J M,ALTMAN D G.Statistical methods for assessing agreement between two methods of clinical measurement[J].Lancet,1986,1(8476):931-936.



作者信息:

赵明剑,郭珊山

(华南理工大学 电子与信息学院,广东 广州510640)

继续阅读>>