分级诊疗中患者健康监测物联网系统的设计与实现

分级诊疗中患者健康监测物联网系统的设计与实现

终端中的健康数据采集、物联网系统和云架构之间的连接。个人健康数据采集终端是具有内置GPS模块、蓝牙模块和SQLite数据库等功能的嵌入式智能终端设备，如平板电脑或智能电话1.2访问数据的管理数据中心作为医疗私有云平台，通过执行需要存储、处理和分析来自IoT子系统的收集的患者健康数据的繁重功能来减轻IoT子系统(1)患者健康数据存储健康数据云存储资源用于长期存储患者的医疗信息(电子病历)和来自物联网子系统的数据(传感数据)。电子病历(E-Health)包含常规临床数据(例如，临床观察和实验室化验结果)，而传感数据包含由BSN提供的纵向患者数据。基于访问控制配置，医疗保健从业者或急救中心可以访问存储的信息而无需访问患者。能够访问感官数据以及决策支持系统支持的电子健康数据的医生可以通过更好，更快地预测、干预和治疗建议来改善偏远地区患者的健康质量。(2)健康数据共享策略医疗保健服务提供商收集患者临床数据的目的之一是与授权的医疗保健专业人员共享。由于数据安全和隐私是医疗保健系统中的重要问题，本研究使用签名和证书的访问控制机制确保只有合法的最终用户才能访问云中的数据。本研究还使用一定策略来管理授权实体之间共享的患者数据，并用于验证具有访问权限的用户的身份。例如，策略可以定义对传感器数据存储中的传感器读取的访问以及相应的分析结果只能由神经病学部门的医生访问。健康数据共享策略还确保在与其他实体(如研究中心)共享数据之前，应对患者的独特身份和相关配置文件进行匿名处理。在提议的框架中，数据监测单元负责建立健康数据共享策略，同时考虑到遵从法规要求和共享的需要，以便为患者提供最安全的医疗护理。(3)虚拟机层虚拟机层包括虚拟机(VM)管理器和服务调度程序等(4)医疗应用层该层提供各种服务，处理从物联网子系统收集的临床数据，用于临床观察和干预，以及派遣救护车或通知患者家属。分析引擎(AE)从收集的数据中提取特征并对数据进行分类，以帮助医疗保健专业人员促进良好的患者护理。为了使医疗保健专业人员能够使用AE的结果来获得准确和适当的响应和动作，可视化引擎将使用AE的输出来使医疗保健专业人员以易于消化的格式访问数据。当观察到需要紧急干预的事件时，警报系统会发出警报信号。如果感测的生理参数值超过预定阈值，则警报功能生成警报。例如，当检测到诸如心律失常或低血压的异常时，产生警报信号。该功能可以在不去看医生的情况下检测患者的健康问题，通知医疗服务提供者是否需要检查，并为急救中心生成紧急警报。1.3观察站点观察站点是进行数据驱动的临床观察和干预的地方。该层包括医疗专业人员、紧急响应医疗服务、医学监测中心和患者等实体。医学监测中心涉及许多医疗保健行为者，包括医生、患者和护理人员、临床观察、患者诊断和干预过程。因此，所有对患者数据的访问请求都由医学监测中心管理。任何想要访问传感器数据的授权用户都可以通过医学监测中心向云发出数据请求。如果请求的数据在传感器数据存储器中可用，则数据将返回给用户。因此，医疗专业人员必须具有适当的身份验证和授权凭据才能访问数据。该框架还允许授权用户或应用程序从个人健康数据采集终端按需请求数据。个人健康数据采集终端将从其内存或传感器节点检索数据，并将其发送给最终用户或应用程序。当观察到特定数据或模式时，此级别的实体可订阅数据服务以自动通知。例如，患者可以订阅接收数据以进行自我健康监测;当系统向用户提供医疗建议时，这可能发生在数据分析和健康指示之后。在这种情况下，数据在可用时立即自动发布给医护人员。在异常检测的情况下，患者可以使用诸如血糖水平的数据来采取适当的行动。这种基于知识的决策可能会减少对医生检查和住院治疗的请求次数。该框架还可以通过短信通知护理人员和急救中心可能存在的医疗急救服务。2试验与研究2.1监测结果的描述一般认为患有充血性心力衰竭(CHF)的患者可以在就近的社区诊所进行护理。但是一旦患者出现心脏血液泵血能力快速减弱的症状，就需要到中心医院急诊。本研究试图通过所提出的PPHM框架在社区医院采用检测EGG方法监测患者的心脏活动，一旦出现需要急诊的症状就自动向急救中心发出警报，并及时联系社区诊所根据情况采取就地急诊或转院等措施。图2说明了用于远程患者监测的建议框架。如图2所示，医生启动数据分析过程实现对患者心脏活动的监视和分析。医生可以定义监测期的开始和结束时间。医学监测中心完成建立连接过程，包括确认请求代理是授权个人以及与个人监测设备连接建立。个人健康数据采集终端能够通过物联网设备收集患者心电图数据，并通过互联网把汇总的患者数据发生给数据中心。在建立连接的过程中还需要完成个人监测设备的注册、检查警报启动的阈值以及数据中心和个人健康数据采集终端之间的加密密钥的交换。此外，医生需要选择监测服务的类型是连续的或是阶段性的。在建立连接步骤完成之后，物联网传感系统开始收集关键生理参数并将数据转发到个人健康数据采集终端。采集终端聚合传感数据并将其中继到数据中心的云存储系统中，作为患者电子健康记录被实时存储。一般来说，医生需要通过视觉检查ECG记录的重要特征。然而这样手动检查可能导致不准确的医疗诊断，因此ECG信号的自动分类对于各种心脏病的临床诊断非常重要。然而，ECG数据集具有多维度、海量以及伴随随机噪声的。为了解决这个问题，本研究使用了一种结合了减少ECG数据特征维度的一致性聚类的分类算法。多级EGG分类算法如图3所示。首先使用维度降低算法对ECG数据集进行处理。该算法主要通过秩相关系数(RCC)算法有效捕获ECG信号行为的最简特征。来自RCC的输出被馈送到一组无监督的聚类算法(即，期望最大化、最远优先和简单K均值)算法。该步骤生成一组n个独立的簇C={C2.2chfd数据集的研究本试验对来自西安交大一附院充血性心力衰竭数据库(CHFD)的真实ECG信号进行仿真分析以验证所提出的远程监控框架。该数据集包含来自15名患有严重充血性心力衰竭的受试者的ECG记录。各个EGG的持续时间约为20小时。每个患者的监测数据包含两个主要的ECG信号，每个信号以250个样本/秒进行采样，在±10mV的范围内具有12位分辨率。试验使用在MATLAB中实现的ECG传感器仿真器，通过将CHFD数据集中的每个ECG样本转换为一系列16位帧对，并通过蓝牙将它们传输到个人监测设备，生成ECG数据流。(1)EGG分类试验使用加权平均F值研究了所提出的分类方案的有效性。试验使用了10倍交叉验证，并将基于SMO的分类算法与贝叶斯网络学习(BayesNet)和经典朴素贝叶斯(NaiveBayes)算法进行了比较。图4采用加权平均F值评估三种分类算法的性能，它们是在初始共识聚类数据训练之后作为聚类数量的函数。在聚类试验中，基于SMO的分类算法在20个聚类的中实现了89.7%的分类准确性，在2个聚类中则实现了98.9%的分类准确性。这些准确性都高于其他两种分类算法。结果表明，本文提出的分类算法再试验具有最佳的分类精度。试验结果还表明，随着聚类数量的增加，基于SMO的分类算法仍然具有较高的分类准确性，因此可以较好地适应于大规模地数据集的分类。试验表明，该算法可用于分析高维度、随机噪声和规模大的ECG数据集。(2)系统可扩展性能分析为了研究系统的可扩展性，试验模拟了一组客户端，这些客户端同时传输传感器数据流。试验将请求到达间隔时间建模为泊松过程，而客户端对服务需求在1到5毫秒之间随机选择。重复实验1000次，取平均值。同时请求数量变化所对应的平均响应时间如图5所示。由图5可知，随着请求数量的增加，响应时间呈线性增长。3患者远程监控系统本文开发了一种廉价、灵活且可扩展的远程健康状态监测系统，该系统集成了物联网和云技术的功能，可远程监控患者的健康状况。实验分析已经表明，所提出的框架具有可扩展性，具有很高的分类精度。相信本文提议的技术框架可以通过大幅改善低效率和浪费以及使患者留在社区医院获得相同或更好的医疗护理，来解决大中型医院所面临的医疗资源严重匮乏的挑战。0医院和基层医院的医联体通过分级诊疗的落地解决我国医疗成本正以不可持续的速度增长的痼疾是医疗机构的迫切希望。但是基层医疗机构存在医疗资源薄弱、专业医生匮乏的问题，因此需要建立中心医院和基层医院的医联体，并使得中心医院的高水平医生能够不受时