本文介紹了一種基于移動醫療的孕產婦健康監護系統。系統利用可穿戴設備檢測用戶的心電和血氧飽和度信號，在智能終端完成量表篩查和孕產婦臨床信息的錄入。上述結果及醫院生化分析結果通過移動互聯網上傳到云服務器端，利用機器學習算法進行數據挖掘，能夠實現孕產婦身體及精神健康狀態的評估與監護，最終結果與保健指導可以發送到用戶的智能終端進行顯示及存儲。
引用本文： 杜欣, 曾偉杰, 李承煒, 薛俊偉, 吳秀勇, 劉寅佳, 萬宇欣, 張憶茹, 冀俞容, 吳磊, 楊勇哲, 張越, 朱濱, 黃岳山, 吳凱. 基于移動醫療的孕產婦健康監護系統*. 生物醫學工程學雜志, 2016, 33(1): 2-7. doi: 10.7507/1001-5515.20160002 復制
版權信息： ?四川大學華西醫院華西期刊社《生物醫學工程學雜志》版權所有，未經授權不得轉載、改編
0 引言
近幾年，可穿戴醫療產品層出不窮，相對于傳統的監測設備，可穿戴式監測可以實現一種低生理、心理負荷甚至無負荷狀態下生理參數的獲取，且可穿戴式監測系統具有體積小、成本低、功耗小、攜帶方便等突出特點[1-2]。與此同時移動醫療產業正蓬勃發展，移動醫療改變了過去人們只能前往醫院“看病”的傳統方式，將大眾引導進入一種更為先進、輕松和便捷的就診模式中[3]。本文利用移動醫療的優勢構建了一種基于移動互聯網的孕產婦健康監護系統。該系統不僅可以實時檢測孕產婦的心電信號和血氧飽和度信號，更可以進一步綜合生理健康信息、量表篩查結果和醫院生化分析結果，通過數據挖掘，對孕產婦的精神壓力進行客觀的評估和監護。
1 系統總體組成
本系統包括智能終端、云服務器、心電檢測裝置以及血氧飽和度檢測裝置。系統整體框圖如圖 1所示，心電檢測裝置和血氧飽和度檢測裝置分別通過藍牙模塊與智能終端連接，智能終端通過移動互聯網與云服務器連接。其中，家庭中孕產婦的健康信息利用心電檢測裝置和血氧飽和度檢測裝置進行實時獲取，心電檢測裝置用于采集孕產婦的心電信號，并將心電信號發送到智能終端；血氧飽和度檢測裝置用于采集孕產婦的血氧飽和度信號，并將其發送到智能終端；智能終端用于接收孕產婦的心電信號和血氧飽和度信號，完成孕產婦的量表篩查以及輸入孕產婦的臨床信息，并將心電信號、血氧飽和度信號、量表篩查的測評結果以及臨床信息上傳到云服務器；云服務器用于接收醫院上傳的孕產婦生化分析信息和智能終端上傳的信息，從而完成對孕產婦健康現狀的自動分析，并生成相應的護理和保健指導，隨后將健康現狀分析以及護理和保健指導反饋給智能終端。
圖1
系統總體組成
Figure1.
System structure
2 系統硬件組成
系統硬件包括心電檢測裝置、血氧飽和度檢測裝置、智能終端和云服務器四大部分。
2.1 心電檢測裝置
心電檢測裝置結構組成如圖 2所示，包括背心、心電檢測電極、集成模擬前端、混合信號微控制器、藍牙模塊、充電管理模塊以及充電電池；心電檢測電極有四個，均置于背心胸前位置，并與孕產婦的皮膚接觸，本裝置采用三導聯心電檢測方案；心電檢測電極與集成模擬前端連接，集成模擬前端再與混合信號微控制器和藍牙模塊依次連接。
圖2
心電檢測裝置結構
Figure2.
tructure of electrocardiogram detection device
在心電檢測裝置中，集成模擬前端采用德州儀器(Texas Instruments，TI)公司的ADS1293芯片，該芯片集成了數據處理、模數轉化等一系列功能；集成模擬前端用于對心電檢測電極采集到的心電信號進行放大、濾波和模數轉換。
混合信號微控制器采用TI公司的MSP430G2303處理器，該處理器為低電壓和超低功耗系列處理器，主頻最高可達16 MHz，混合信號微控制器用于對集成模擬前端處理后的心電信號進行接收和存儲，并控制該心電信號通過串口方式傳輸給藍牙模塊。
藍牙模塊主芯片是TI公司的CC2540F256，主芯片工作時最大電流為20 mA，掉電時電流小于1 μA，藍牙模塊用于接收由混合信號微控制器傳輸來的心電信號，并將該心電信號發送到智能終端。
充電電池最大工作電壓為3.7 V，最大放電電流為600 mAh，為集成模擬前端、混合信號微控制器和藍牙模塊供電。
2.2 血氧飽和度檢測裝置
血氧飽和度檢測裝置如圖 3所示，包括手環(圖中未顯示)、血氧飽和度檢測指套、集成模擬前端、混合信號微控制器、藍牙模塊、充電管理模塊以及充電電池。血氧飽和度檢測指套置于手環外部，并與手環相連，該指套可以套在孕產婦的手指上。本裝置采用透射法獲得血氧飽和度信號，包括血氧飽和度數值和血氧脈搏波。血氧飽和度檢測指套與集成模擬前端連接，集成模擬前端再與混合信號微控制器和藍牙模塊依次連接。
圖3
血氧飽和度檢測裝置結構
Figure3.
Structure of SpO2 detection device
在血氧飽和度檢測裝置中，集成模擬前端采用TI公司的AFE4400芯片，包括一個具有集成模數變換器的低噪聲接收器通道和一個發光二極管傳輸部件；集成模擬前端用于對血氧飽和度檢測指套采集的血氧飽和度信號進行放大、濾波、光路分離和模數轉換。
混合信號微控制器采用TI公司的MSP430G 2333處理器，用于對集成模擬前端處理的血氧飽和度信號進行接收和存儲，并控制該血氧飽和度信號通過串口方式傳輸給藍牙模塊。
藍牙模塊與心電檢測裝置的藍牙模塊相同，其主芯片是CC2540F256，用于接收由混合信號微控制器傳輸來的血氧飽和度信號，并將該血氧飽和度信號發送到智能終端。充電電池與心電檢測裝置的充電電池相同，為集成模擬前端、混合信號微控制器和藍牙模塊供電。
2.3 智能終端
智能終端用于接收孕產婦的心電信號和血氧飽和度信號，完成孕產婦的量表篩查以及輸入孕產婦的臨床信息，并將心電信號、血氧飽和度信號、量表篩查的測評結果以及臨床信息上傳到云服務器。其中的心電信號通過家庭中孕產婦穿戴上述心電檢測裝置進行獲取，血氧飽和度信號通過家庭中孕產婦佩戴上述血氧飽和度檢測裝置進行獲取；量表篩查包括社會-人口統計學特征調查表、健康狀況調查問卷、焦慮自評量表、抑郁自評量表、愛丁堡產后抑郁量表、壓力感受量表、多維度社會支持感知量表和匹茲堡睡眠質量指數量表，量表篩查步驟由孕產婦在智能終端的用戶界面上完成；臨床信息同樣是在智能終端的用戶界面上輸入，包括身高、體重、年齡、懷孕時長、病史、家族史等基本信息和體溫、血壓生理參數檢測數據。
2.4 云服務器
云服務器可以接收醫院上傳的孕產婦生化分析信息以及智能終端上傳的信息。生化分析是指孕產婦在醫院通過采集血清，進行以下生化指標的檢測：5-羥色胺，血清游離三碘甲腺原氨酸，血清游離甲狀腺素，促甲狀腺激素，雌二醇，孕酮和催乳素；由于孕產婦在孕期及產后體內激素水平發生急劇變化，通過檢測上述具有精神活性的激素含量的變化，可以為精神壓力異常及焦慮、抑郁等疾病的發生提供生物學證據，客觀地反映孕產婦的健康現狀。
云服務器通過對接收到的生化分析、心電信號、血氧飽和度信號、量表篩查的測評結果和臨床信息進行如下所述的系統算法處理后，自動完成輔助診斷，實現連續的孕產婦生理健康狀況和精神壓力動態跟蹤記錄，使孕產婦在醫院內進行定期檢查時能夠提供給醫生更加全面、真實的健康信息。同時，孕產婦可以直接在智能終端的用戶界面查看自己的健康現狀，打消顧慮，并在危急情況發生前及時就醫，獲取最佳救治時機。
3 系統算法實現
3.1 心電信號處理算法
在云服務器端，對心電信號進行平滑濾波以消除工頻干擾，采用擬合糾正法以消除基線漂移和采用小波變換法消除肌電干擾；對處理后的心電信號，進一步采用峰值檢測法和可變斜率閾值法進行QRS波群實時檢測，采用小波分解與自適應濾波相結合的方法進行QRS波群的模型檢測，采用雙基準導聯及多基線體系方法進行QRS波群的數學形態學檢測。
隨后，對處理后的心電信號進行心率變異性分析，具體包括：①時域分析：通過計算一系列有關RR間期的數理統計指標的統計學分析方法，得到短時程心電信號來獲取心率變異性信息；②頻域分析：應用基于快速傅里葉變換(fast Fourier transform，FFT)的經典譜估計法和基于自回歸(auto regressive,AR)模型的現代譜估計法對RR間期序列進行譜估計；③非線性分析：采用混沌理論和分形理論的非線性動力學理論，將非線性分析方法(包括關聯維數、李雅普諾夫指數、散點圖、功率譜指數、復雜度、熵分析、非穩定周期軌道等)用于分析心率變異性信號的復雜性。
3.2 血氧飽和度信號處理算法
在云服務器端，對血氧飽和度信號采用中值濾波運算以消除孤立的噪聲點，采用滑動平均運算進行低通濾波，采用最小均方算法(least mean square，LMS)進行自適應濾波，并進一步采用運動補償算法去除運動過程中產生的運動偽差，得到血氧飽和度數值和血氧脈搏波。
對得到的血氧脈搏波進一步進行時域分析和頻域分析。時域分析方法是在小波變換的基礎上，通過對處理后的血氧脈搏波信號進行多層分解，依據血氧脈搏波信號的頻率分布特點，重構特定的細節分量信號，進而采用閉值法在重構信號的能量值曲線上完成主波P波波峰點的位置的檢測，然后根據P波波峰與其它特征點的位置關系，提取切跡V波波谷點、重搏前波T波波峰點、重搏波D波波峰點、脈搏初始點A等脈象波形的主要特征點。頻域分析方法是采用小波包分解技術將信號正交地、獨立地分解到各個頻帶內，用能量比例棒圖直觀地反映出脈搏信號在各頻帶內的能量大小。
3.3 基于機器學習的數據挖掘算法
基于機器學習的模式識別算法限制較少，并且產生的模式很容易理解。因此在數據挖掘領域，機器學習方法以其強大的處理不同類型數據的能力和商業應用的巨大潛力日益受到該領域學術界和商業界的重視[4]。由于本系統中在云服務器端接收到的數據量過于龐大，云服務器對處理后的心電信號和血氧飽和度信號，以及接收到的生化分析信息、量表篩查的測評結果和臨床信息進行基于大樣本數據信息的機器學習，以實現數據挖掘。包括如下步驟：①采用數據分治與并行處理策略對大樣本數據信息進行基本處理；②采用張量分解進行大樣本數據信息的特征選擇：利用MET(Memory-Efficient Tucker Decomposition)這一內存使用更高效的Tucker分解方法進行數據分解，以及利用快速自組織映射(fast self-organizing map,FSOM)算法進行特征提取；③采用半監督的學習算法對大樣本數據信息進行分類；④采用模糊c均值(fuzzy c-means,FCM)聚類算法對大樣本數據信息進行聚類，并運用MapReduce模型進行數據的大規模并行處理；⑤采用Apriori算法對大樣本數據信息進行關聯分析。
4 測試結果
本系統的穿戴效果如圖 4所示，圖中黑色背心即為系統中的可穿戴心電檢測裝置，背心內部與人體前胸接觸部位的四個電極可以隨時隨地實現心電信號的檢測。圖中人體右手食指所夾的裝置為系統中可穿戴血氧飽和度檢測裝置的探頭，與之連接的主體部分固定在背心內部。
圖4
穿戴效果展示
Figure4.
Wearing effect
通過本系統檢測的原始血氧信號和去除基線漂移和噪聲后的血氧信號對比結果如圖 5所示。原始心電信號和去除基線漂移和噪聲后并對P波和QRS波進行識別的心電信號對比結果如圖 6所示。圖 5和圖 6中橫坐標均代表采樣點，縱坐標均對應當前采樣點的信號幅值。由于本系統是為滿足可穿戴條件下的健康狀態實時檢測需求所設計和實現的，因此系統檢測所得到的原始信號都帶有不同程度的干擾。一方面，人體無時無刻不在進行呼吸運動，另一方面，人體所做運動因種類、持續時間等不同而千變萬化，這些無疑都給原始信號的檢測增加了很多不確定性。但從結果來看，系統通過采用性能優良的硬件配合高效算法，可以取得不錯的信號處理效果。
圖5
原始血氧信號和處理后的血氧信號對比結果
Figure5.
Original SpO2 signal vs. SpO2 signal after processing
圖6
原始心電信號和處理后的心電信號對比結果
Figure6.
Original electrocardiogram signal vs. electrocardiogram signal after processing
5 結束語
本文設計了一種基于移動醫療的孕產婦健康監護系統，該系統利用可穿戴裝置實時檢測到的生理參數信息，結合智能終端上完成的量表評估結果與用戶輸入的基本信息，連同醫院生化檢查結果上傳到云服務器端，通過基于機器學習的數據挖掘運算，可實現對孕產婦健康現狀的自動分析，在顯示生理健康狀況的同時，更為孕產婦精神壓力和心理狀況診察提供了數據和生理參數基礎。本系統的意義在于：避免了現有產前、產后抑郁癥診斷方法過于依賴醫生自身水平和經驗而導致的主觀、不一致的診斷結果，提高了診斷的準確性、客觀性。并且，孕產婦通過穿戴心電檢測裝置和佩戴血氧飽和度檢測裝置，可實現孕產婦的心電信號和血氧飽和度信息的實時監測，能夠盡早監測到孕產婦精神壓力和心理狀況的異常，以便在出現疾病癥狀前，通過積極的心理調節，最大程度地避免孕產婦出現產前、產后抑郁癥和其他一些由于孕產婦精神壓力過大導致的疾病，從而保障孕產婦的身體和心理健康以及胎兒的健康發育。同時，通過將量表篩查環節移植到智能終端的用戶界面上，可以極大地提高量表篩查操作的便捷性，方便孕產婦隨時隨地進行量表篩查，不必受限于醫院門診業務的排期限制。此外，本系統在實現隨時、隨地、隨身監護孕產婦的生理及心理健康狀況基礎上，更可以把云服務器自動生成的孕產婦健康現狀分析以及相應的家庭護理和保健指導發回智能終端進行顯示，從而為孕產婦及其家人提供科學合理的指導，以保障孕產婦的生活質量，進而使其擁有良好的心理、生理狀態。
本系統已初步完成測試，由測試結果可知，系統能滿足設計需求，實現相應功能。下一步的目標是將系統運用到臨床，從而完成臨床數據的處理和有效性分析。
0 引言
近幾年，可穿戴醫療產品層出不窮，相對于傳統的監測設備，可穿戴式監測可以實現一種低生理、心理負荷甚至無負荷狀態下生理參數的獲取，且可穿戴式監測系統具有體積小、成本低、功耗小、攜帶方便等突出特點[1-2]。與此同時移動醫療產業正蓬勃發展，移動醫療改變了過去人們只能前往醫院“看病”的傳統方式，將大眾引導進入一種更為先進、輕松和便捷的就診模式中[3]。本文利用移動醫療的優勢構建了一種基于移動互聯網的孕產婦健康監護系統。該系統不僅可以實時檢測孕產婦的心電信號和血氧飽和度信號，更可以進一步綜合生理健康信息、量表篩查結果和醫院生化分析結果，通過數據挖掘，對孕產婦的精神壓力進行客觀的評估和監護。
1 系統總體組成
本系統包括智能終端、云服務器、心電檢測裝置以及血氧飽和度檢測裝置。系統整體框圖如圖 1所示，心電檢測裝置和血氧飽和度檢測裝置分別通過藍牙模塊與智能終端連接，智能終端通過移動互聯網與云服務器連接。其中，家庭中孕產婦的健康信息利用心電檢測裝置和血氧飽和度檢測裝置進行實時獲取，心電檢測裝置用于采集孕產婦的心電信號，并將心電信號發送到智能終端；血氧飽和度檢測裝置用于采集孕產婦的血氧飽和度信號，并將其發送到智能終端；智能終端用于接收孕產婦的心電信號和血氧飽和度信號，完成孕產婦的量表篩查以及輸入孕產婦的臨床信息，并將心電信號、血氧飽和度信號、量表篩查的測評結果以及臨床信息上傳到云服務器；云服務器用于接收醫院上傳的孕產婦生化分析信息和智能終端上傳的信息，從而完成對孕產婦健康現狀的自動分析，并生成相應的護理和保健指導，隨后將健康現狀分析以及護理和保健指導反饋給智能終端。
圖1
系統總體組成
Figure1.
System structure
2 系統硬件組成
系統硬件包括心電檢測裝置、血氧飽和度檢測裝置、智能終端和云服務器四大部分。
2.1 心電檢測裝置
心電檢測裝置結構組成如圖 2所示，包括背心、心電檢測電極、集成模擬前端、混合信號微控制器、藍牙模塊、充電管理模塊以及充電電池；心電檢測電極有四個，均置于背心胸前位置，并與孕產婦的皮膚接觸，本裝置采用三導聯心電檢測方案；心電檢測電極與集成模擬前端連接，集成模擬前端再與混合信號微控制器和藍牙模塊依次連接。
圖2
心電檢測裝置結構
Figure2.
tructure of electrocardiogram detection device
在心電檢測裝置中，集成模擬前端采用德州儀器(Texas Instruments，TI)公司的ADS1293芯片，該芯片集成了數據處理、模數轉化等一系列功能；集成模擬前端用于對心電檢測電極采集到的心電信號進行放大、濾波和模數轉換。
混合信號微控制器采用TI公司的MSP430G2303處理器，該處理器為低電壓和超低功耗系列處理器，主頻最高可達16 MHz，混合信號微控制器用于對集成模擬前端處理后的心電信號進行接收和存儲，并控制該心電信號通過串口方式傳輸給藍牙模塊。
藍牙模塊主芯片是TI公司的CC2540F256，主芯片工作時最大電流為20 mA，掉電時電流小于1 μA，藍牙模塊用于接收由混合信號微控制器傳輸來的心電信號，并將該心電信號發送到智能終端。
充電電池最大工作電壓為3.7 V，最大放電電流為600 mAh，為集成模擬前端、混合信號微控制器和藍牙模塊供電。
2.2 血氧飽和度檢測裝置
血氧飽和度檢測裝置如圖 3所示，包括手環(圖中未顯示)、血氧飽和度檢測指套、集成模擬前端、混合信號微控制器、藍牙模塊、充電管理模塊以及充電電池。血氧飽和度檢測指套置于手環外部，并與手環相連，該指套可以套在孕產婦的手指上。本裝置采用透射法獲得血氧飽和度信號，包括血氧飽和度數值和血氧脈搏波。血氧飽和度檢測指套與集成模擬前端連接，集成模擬前端再與混合信號微控制器和藍牙模塊依次連接。
圖3
血氧飽和度檢測裝置結構
Figure3.
Structure of SpO2 detection device
在血氧飽和度檢測裝置中，集成模擬前端采用TI公司的AFE4400芯片，包括一個具有集成模數變換器的低噪聲接收器通道和一個發光二極管傳輸部件；集成模擬前端用于對血氧飽和度檢測指套采集的血氧飽和度信號進行放大、濾波、光路分離和模數轉換。
混合信號微控制器采用TI公司的MSP430G 2333處理器，用于對集成模擬前端處理的血氧飽和度信號進行接收和存儲，并控制該血氧飽和度信號通過串口方式傳輸給藍牙模塊。
藍牙模塊與心電檢測裝置的藍牙模塊相同，其主芯片是CC2540F256，用于接收由混合信號微控制器傳輸來的血氧飽和度信號，并將該血氧飽和度信號發送到智能終端。充電電池與心電檢測裝置的充電電池相同，為集成模擬前端、混合信號微控制器和藍牙模塊供電。
2.3 智能終端
智能終端用于接收孕產婦的心電信號和血氧飽和度信號，完成孕產婦的量表篩查以及輸入孕產婦的臨床信息，并將心電信號、血氧飽和度信號、量表篩查的測評結果以及臨床信息上傳到云服務器。其中的心電信號通過家庭中孕產婦穿戴上述心電檢測裝置進行獲取，血氧飽和度信號通過家庭中孕產婦佩戴上述血氧飽和度檢測裝置進行獲取；量表篩查包括社會-人口統計學特征調查表、健康狀況調查問卷、焦慮自評量表、抑郁自評量表、愛丁堡產后抑郁量表、壓力感受量表、多維度社會支持感知量表和匹茲堡睡眠質量指數量表，量表篩查步驟由孕產婦在智能終端的用戶界面上完成；臨床信息同樣是在智能終端的用戶界面上輸入，包括身高、體重、年齡、懷孕時長、病史、家族史等基本信息和體溫、血壓生理參數檢測數據。
2.4 云服務器
云服務器可以接收醫院上傳的孕產婦生化分析信息以及智能終端上傳的信息。生化分析是指孕產婦在醫院通過采集血清，進行以下生化指標的檢測：5-羥色胺，血清游離三碘甲腺原氨酸，血清游離甲狀腺素，促甲狀腺激素，雌二醇，孕酮和催乳素；由于孕產婦在孕期及產后體內激素水平發生急劇變化，通過檢測上述具有精神活性的激素含量的變化，可以為精神壓力異常及焦慮、抑郁等疾病的發生提供生物學證據，客觀地反映孕產婦的健康現狀。
云服務器通過對接收到的生化分析、心電信號、血氧飽和度信號、量表篩查的測評結果和臨床信息進行如下所述的系統算法處理后，自動完成輔助診斷，實現連續的孕產婦生理健康狀況和精神壓力動態跟蹤記錄，使孕產婦在醫院內進行定期檢查時能夠提供給醫生更加全面、真實的健康信息。同時，孕產婦可以直接在智能終端的用戶界面查看自己的健康現狀，打消顧慮，并在危急情況發生前及時就醫，獲取最佳救治時機。
3 系統算法實現
3.1 心電信號處理算法
在云服務器端，對心電信號進行平滑濾波以消除工頻干擾，采用擬合糾正法以消除基線漂移和采用小波變換法消除肌電干擾；對處理后的心電信號，進一步采用峰值檢測法和可變斜率閾值法進行QRS波群實時檢測，采用小波分解與自適應濾波相結合的方法進行QRS波群的模型檢測，采用雙基準導聯及多基線體系方法進行QRS波群的數學形態學檢測。
隨后，對處理后的心電信號進行心率變異性分析，具體包括：①時域分析：通過計算一系列有關RR間期的數理統計指標的統計學分析方法，得到短時程心電信號來獲取心率變異性信息；②頻域分析：應用基于快速傅里葉變換(fast Fourier transform，FFT)的經典譜估計法和基于自回歸(auto regressive,AR)模型的現代譜估計法對RR間期序列進行譜估計；③非線性分析：采用混沌理論和分形理論的非線性動力學理論，將非線性分析方法(包括關聯維數、李雅普諾夫指數、散點圖、功率譜指數、復雜度、熵分析、非穩定周期軌道等)用于分析心率變異性信號的復雜性。
3.2 血氧飽和度信號處理算法
在云服務器端，對血氧飽和度信號采用中值濾波運算以消除孤立的噪聲點，采用滑動平均運算進行低通濾波，采用最小均方算法(least mean square，LMS)進行自適應濾波，并進一步采用運動補償算法去除運動過程中產生的運動偽差，得到血氧飽和度數值和血氧脈搏波。
對得到的血氧脈搏波進一步進行時域分析和頻域分析。時域分析方法是在小波變換的基礎上，通過對處理后的血氧脈搏波信號進行多層分解，依據血氧脈搏波信號的頻率分布特點，重構特定的細節分量信號，進而采用閉值法在重構信號的能量值曲線上完成主波P波波峰點的位置的檢測，然后根據P波波峰與其它特征點的位置關系，提取切跡V波波谷點、重搏前波T波波峰點、重搏波D波波峰點、脈搏初始點A等脈象波形的主要特征點。頻域分析方法是采用小波包分解技術將信號正交地、獨立地分解到各個頻帶內，用能量比例棒圖直觀地反映出脈搏信號在各頻帶內的能量大小。
3.3 基于機器學習的數據挖掘算法
基于機器學習的模式識別算法限制較少，并且產生的模式很容易理解。因此在數據挖掘領域，機器學習方法以其強大的處理不同類型數據的能力和商業應用的巨大潛力日益受到該領域學術界和商業界的重視[4]。由于本系統中在云服務器端接收到的數據量過于龐大，云服務器對處理后的心電信號和血氧飽和度信號，以及接收到的生化分析信息、量表篩查的測評結果和臨床信息進行基于大樣本數據信息的機器學習，以實現數據挖掘。包括如下步驟：①采用數據分治與并行處理策略對大樣本數據信息進行基本處理；②采用張量分解進行大樣本數據信息的特征選擇：利用MET(Memory-Efficient Tucker Decomposition)這一內存使用更高效的Tucker分解方法進行數據分解，以及利用快速自組織映射(fast self-organizing map,FSOM)算法進行特征提取；③采用半監督的學習算法對大樣本數據信息進行分類；④采用模糊c均值(fuzzy c-means,FCM)聚類算法對大樣本數據信息進行聚類，并運用MapReduce模型進行數據的大規模并行處理；⑤采用Apriori算法對大樣本數據信息進行關聯分析。
4 測試結果
本系統的穿戴效果如圖 4所示，圖中黑色背心即為系統中的可穿戴心電檢測裝置，背心內部與人體前胸接觸部位的四個電極可以隨時隨地實現心電信號的檢測。圖中人體右手食指所夾的裝置為系統中可穿戴血氧飽和度檢測裝置的探頭，與之連接的主體部分固定在背心內部。
圖4
穿戴效果展示
Figure4.
Wearing effect
通過本系統檢測的原始血氧信號和去除基線漂移和噪聲后的血氧信號對比結果如圖 5所示。原始心電信號和去除基線漂移和噪聲后并對P波和QRS波進行識別的心電信號對比結果如圖 6所示。圖 5和圖 6中橫坐標均代表采樣點，縱坐標均對應當前采樣點的信號幅值。由于本系統是為滿足可穿戴條件下的健康狀態實時檢測需求所設計和實現的，因此系統檢測所得到的原始信號都帶有不同程度的干擾。一方面，人體無時無刻不在進行呼吸運動，另一方面，人體所做運動因種類、持續時間等不同而千變萬化，這些無疑都給原始信號的檢測增加了很多不確定性。但從結果來看，系統通過采用性能優良的硬件配合高效算法，可以取得不錯的信號處理效果。
圖5
原始血氧信號和處理后的血氧信號對比結果
Figure5.
Original SpO2 signal vs. SpO2 signal after processing
圖6
原始心電信號和處理后的心電信號對比結果
Figure6.
Original electrocardiogram signal vs. electrocardiogram signal after processing
5 結束語
本文設計了一種基于移動醫療的孕產婦健康監護系統，該系統利用可穿戴裝置實時檢測到的生理參數信息，結合智能終端上完成的量表評估結果與用戶輸入的基本信息，連同醫院生化檢查結果上傳到云服務器端，通過基于機器學習的數據挖掘運算，可實現對孕產婦健康現狀的自動分析，在顯示生理健康狀況的同時，更為孕產婦精神壓力和心理狀況診察提供了數據和生理參數基礎。本系統的意義在于：避免了現有產前、產后抑郁癥診斷方法過于依賴醫生自身水平和經驗而導致的主觀、不一致的診斷結果，提高了診斷的準確性、客觀性。并且，孕產婦通過穿戴心電檢測裝置和佩戴血氧飽和度檢測裝置，可實現孕產婦的心電信號和血氧飽和度信息的實時監測，能夠盡早監測到孕產婦精神壓力和心理狀況的異常，以便在出現疾病癥狀前，通過積極的心理調節，最大程度地避免孕產婦出現產前、產后抑郁癥和其他一些由于孕產婦精神壓力過大導致的疾病，從而保障孕產婦的身體和心理健康以及胎兒的健康發育。同時，通過將量表篩查環節移植到智能終端的用戶界面上，可以極大地提高量表篩查操作的便捷性，方便孕產婦隨時隨地進行量表篩查，不必受限于醫院門診業務的排期限制。此外，本系統在實現隨時、隨地、隨身監護孕產婦的生理及心理健康狀況基礎上，更可以把云服務器自動生成的孕產婦健康現狀分析以及相應的家庭護理和保健指導發回智能終端進行顯示，從而為孕產婦及其家人提供科學合理的指導，以保障孕產婦的生活質量，進而使其擁有良好的心理、生理狀態。
本系統已初步完成測試，由測試結果可知，系統能滿足設計需求，實現相應功能。下一步的目標是將系統運用到臨床，從而完成臨床數據的處理和有效性分析。
