一种联接健康云的家庭健康监护系统设计Word下载.docx
《一种联接健康云的家庭健康监护系统设计Word下载.docx》由会员分享,可在线阅读,更多相关《一种联接健康云的家庭健康监护系统设计Word下载.docx(18页珍藏版)》请在冰点文库上搜索。
云基础设施(基于虚拟化、网络安全、运行监管和维护等技术,实现基础设施即服务IaaS整合);
云数据中心(健康档案数据库EMR、电子病历数据库EHR、公共卫生数据库,实现平台即服务PaaS能力)、云端服务(以软件即服务SaaS提供服务,包括健康档案云端管理、远程视频诊疗、健康咨询、消息服务、运动服务和健康膳食)、服务对象(市民、医生、第三方机构).
图1“健康云”的层次化架构
Fig.1AHierarchyArchitectureforHealthcareCloud
1.2联接“健康云”的家庭健康监护系统
联接“健康云”的家庭健康监护系统包括家庭健康监测网络、家庭健康监护系统和“健康云”.
家庭健康监测网络本质上是物联网,由一系列智能生理参数传感器节点构成,包括血氧传感器、腕表型血糖传感器和加速度器等,连续监视生理信号和记录人体健康信号,包括心电ECG、血氧饱和度SPO2、脉搏等参数.节点都具有独立数据存储、运算、电源管理和无线通信等功能.融合先进网络协议(如Bluetooth、WIFI或Zigbee),实现生理检测数据实时上传到家庭健康管理系统.
家庭健康监护系统的工作过程:
(1)基于家庭健康监测网络动态,实时获取生理测量数据;
(2)基于HL7RIM数据交换机制实现与“健康云”数据交换,上传各项生理监测数据实现个人健康档案管理;
(3)在“健康云”数据中心支持下,基于健康风险评估模型实现个体健康状况评估并制定个性化的健康干预措施;
(4)得到“健康云”后台特约医生、功能医疗小队和营养师等提供的医疗、预防、保健等服务.由于“健康云”以SaaS方式提供云端服务,为保证家庭健康监护系统的通用性、灵活性和可扩展性,家庭健康监护系统支持按需动态、松耦合、有序组装健康服务,实现健康服务个性化组装,克服传统家庭健康监护系统统一且固定不变的服务流程模式.
图2联接“健康云”的家庭健康监护系统
Fig.2HealthcareCloud-ConnectedHomeHealthcareMonitoringSystem
2关键技术
2.1家庭健康监测网络设计
家庭健康监测网络是实现人体生理长时间、连接监测的硬件设施.ParadisoR.等人开发的无线心电检测系统采用GPRS协议,存在功耗大(平均电流100mA/12V左右)、电磁辐射过高和体积较大(因配备大功率的太阳能电池板或大容量的蓄电池)等缺陷[9];
天津大学开发基于ZigBee技术的老年人家庭健康监护系统,采用CC2430芯片,工作电流25-27mA,每块芯片大约2美元,最大数据传输率为250Kbps[10].
图3BMD101芯片结构
Fig.3BMD101ChipArchitecture
本系统家庭健康监测网络一系列智能生理参数传感器节点构成,需要综合考虑能耗、成本、体积和数据传输率等因素.以心电ECG采集为例,基于Neurosky公司BMD101控制芯片(如图3所示),从uV到mV范围内生物信号检测的高性能模拟前端实时接收并循环读取心电数据,经芯片内部放大、滤波、计算等处理输出心电数字信号并通过串口接口发送.BMD101具备系统整体配置、模拟信号和数字信号处理、控制内外通信和电源管理等功能,带有高精度分辨率的16位ADC,VDD引脚3.3V供电,3*3毫米,价格3美元左右.生理监测数字信号由蓝牙Bluethooth发送到家庭健康监护系统,最大数据传输率为720Kbps.表1统计心电ECG的各模块在不同工作状态的功耗情况.
表1各模块的工作状态与总功耗
Tab.1WorkingStateofEachModuleanditsPowerConsumption
工作状态
总功耗
微控制器
蓝牙模块
模拟信号处理模块
数字信号处理模块
待机
蓝牙搜索
正常工作
63.1µ
低功耗
关闭
31.4mA
工作
开启
14.6mA
具体过程:
上层应用程序将数据通过链路管理和I/O传送到链路控制单元,进行载波调制,而后进行数据封装,发送数据暂存在缓冲区,通过2.4GHz射频发送接收端(协议HCI);
家庭健康监护系统接收端进行逆向解调,得到源数据再通过链路管理和I/O传送到上层执行模块进行数据处理.
2.2基于HL7RIM的数据交换机制设计
由于监测数据模型不统一,“健康云”普遍采用SaaS方式.只有采用统一标准才能解决无障碍传输且能够被两方接收者无歧义地解释,从而实现家庭健康监护系统与“健康云”数据交换.
HL7(HealthLevel7)[11]标准是由美国国家标准局(ANSI)授权的标准开发机构HealthLevelSevenInc.研究开发的一个专门用于医疗卫生机构及医用仪器、设备数据信息传输的国际标准,其中健康档案的内部结构采用HL7制定CDA(ClinicalDocumentArchitecture)标准.HL7RIM数据模型能清楚表达时序性、层次性和逻辑性,目的是解决不同开发商开发和制定的信息标准不一致问题,为标准开发和制定者提供一个最高层次的参考模型.
图4基于HL7RIM数据转换框架
Fig.4HL7RIM-basedDataConversionFramework
图4给出基于HL7RIM的数据统一转换框架,包括HL7字典、HL7XML模式生成器和HL7RIM模型等.生理监测数据以数据元素形式封装,每个数据元素或由简单属性复合成复合数据,或者数据元素清单,即每一个都是复合数据类型属性.多个次序的多数据元素组成消息段,而多个有次序的消息段构成具体消息.HL7RIM使用到HL7字典任何元素、数据类型、词汇都衍生自RIM规范要求,从而保证其一致性.HL7XML模式生成器将生理监测数据转换成符合HL7标准的XML统一数据格式.
基于HL7RIM的数据交换机制,可以实现家庭健康监护系统和健康云端主机之间的数据交换,进而实现个人健康档案管理和健康风险评估提供支持.数据交换过程如下:
(1)发送过程:
接收方以家庭健康监护系统为例,基于生理监测数据,构建HL7RIM逻辑结构的对象图,采用XML构建符合HL7消息的数据格式,通过简单对象传输协议(SOAP)发送XML消息.
(2)接收过程:
接收方侦听到目标网络是自己的消息时,根据HL7协议标准提取XML域目录,进一步解析消息文档对象,还原HL7RIM格式对象图,以HL7CDA标准保存到云端主机.
综上所述,首先按照HL7的语法标准将数据转换成XMLSOAP消息格式,然后按照底层网络传输协议封装并传输,接收系统在应用层进行应答和相应的控制,再按照HL7标准语法进行解析,最终将消息转换成应用程序数据格式.
图5基于HL7RIM的数据交换过程
Fig.5HL7RIM-basedDataExchangeProcess
2.3健康风险评估模型
健康风险评估(HealthRiskAppraisal,HRA)用于描述和估计某一个体未来发生某种特定疾病或因为某种特定疾病导致死亡的可能性.通过收集个体健康信息,包括家庭健康监测获得的各项生理信息和家庭病史、饮食习惯和生活方式.结合“健康云”提供的健康档案和电子病历数据,用数字模型进行量化评估,帮助个体全面认识健康状况和病变风险,为制订个性化的健康干预措施提供支持.
美国Framingham危险评估模型FRS是经典健康风险评估模型,主要预测个体在未来10年发生心血管疾病的危险率.由于不同国家、地区,人们文化背景和生活习惯存在差异,不同人群实际筛选准确性有较大出入.针对Framingham模型存在的局限性,选取国人医学界公认因素,包括年龄、体重、血压、血脂、血糖和体质指数BMI[12,13],展开“相对危险性”预测和“绝对危险性”预测.“相对危险性”是指与同年龄段、同性别人群平均水平相比患某些慢性疾病可能性;
“绝对危险性”是指个体在未来几年内患某些慢性疾病可能性[14].
(1)相对危险性预测
参照文献[14]的方法应用Logistic模型,计算某慢性疾病的危险分数,得出危险因素评价模型,评价各种危险因素不同暴露水平对疾病发生的影响.
定义1记
为暴露某一水平因素的相对危险度,
为暴露某一水平因素的个体占全人群的比例,则基准发病率=
.
定义2危险度=基准发病率×
相对危险度.对于多项危险因素疾病,记
组合相对危险度(相对危险性),
=(
-1)+(
-1)+…+(
-1)+
×
…×
,其中
为组合危险度;
大于等于1的各项危险度;
小于1的各项危险度[15].
(2)绝对危险性预测
目前常用的预测模型包括回归模型、ARIMA模型[16]、马尔科夫模型和灰色模型.回归模型要求数据总体服从多元正态分布且协方差相同;
ARIMA模型要求非平衡数据转变为零均值平衡随机序列,适用于短期预测;
马尔科夫强调状态转移概率预测内部变化[17];
灰色模型GM(1,1)是灰色模型中应用最广泛的预测模型,不需明确数据指标关系,适用于小样本和不确定系统预测[18].由于高血压、糖尿病属慢性病具有长期化趋化、容易呈现某种变化趋势等非平衡特点,因此采用灰色模型和马尔科夫模型相结合的预测模型.灰色模型只考虑综合灰色量对某种疾病的作用,而马尔科夫适用于随机过程的状态转移行为,可弥补灰色预测对随机波动大时间序列预测不好的缺陷.
主要步骤包括:
灰度模型GM(1,1)
原始数据序列
,增强规律性累加处理,得到
,对
建立GM(1,1),得到
(1)
其中
可由最小二乘法求解得到,求解方程:
(2)
得到一次累加生成量
的模型预测值,表示:
t=1,2,..,n(3)
残差序列的GM(1,1)模型
(4)
经过类似求解,得到
(5)
其中sgn(t)值由原残差的符号确定.
马尔科夫模型转移概率矩阵
马尔科夫模型关注状态和状态转移概率,设预测对象有n种状态
…,
,从某种状态
向这n种状态转移概率分别为
且满足
.以血压值为例,涵盖理想血压、正常血压、临界高血压、高血压、超高血压.根据马尔科夫模型求解残差转移的概率,确定残差sgn(t)值.
采用灰色模型和马尔科夫模型结合得到预测值,结合其组合相对危险度与总发病率相乘,就得到绝对危险性.相对危险性和绝对危险性度量出危险因素和慢性发病之间数量依存关系及其规律性,为制订个性化的健康干预措施提供参考和依据.
2.4健康服务个性化组装
家庭健康监护系统灵活性、可维护性和可定制性是影响健康监护效能的重要因素.针对家庭用户需求特点,健康服务流程需要个性化定制。
根据病人的实际情况制订个性化健康监测和“健康云”服务需求,包括定期的(血压、心电和加速度)监测、信息提醒、健康膳食、运动服务。
为此,针对不同居民健康监护需求,以一种可扩展、灵活的方式来实现健康服务的动态重组,满足不同居民的需要.
“健康云”以SaaS方式提供健康服务,而且基于HL7RIM的数据交换机制采用SOAP传输总线.因此,家庭健康监护业务方案采用网络服务业务流程执行语言BPEL4WS描述.SOAP控制引擎通过统一请求接口接收来自远程网络的SOAP请求消息,并以SOAP消息队列机制标识请求消息的优先级.SOAP控制引擎解析BPEL4WS(BusinessProcessExecutionLanguageforWebServices)文件,按顺序调用健康服务序列并保证整个组装顺利完成.
不同家庭监测对象(如糖尿病人、高血压等)的不同需求,只需要动态修改家庭健康监护方案相应的BPEL4WS文件,从而保证家庭健康监测系统的灵活性和适用性.
图6基于BPEL4WS的健康服务个性化组装
Fig.6PersonalizedCompositionofBPEL4WS-basedHealthcareService
3实验
基于WinCE6.0嵌入式操作系统环境,使用VisualStudio2010C#研发家庭健康监测系统,主要技术指标:
支持Bluethooth传输;
支持与“健康云”数据交换;
支持个性化健康监护;
支持个人健康档案管理;
健康数据分析结果.图7展示正常状态下系统监测界面和异常状态下心电生理监测数据界面:
图7家庭健康监护系统
Fig.7HomeHealthcareMonitoringSystem
具体情况如下:
(1)与厦门市心脏中心合作,结合厦门市“健康云”电子档案和电子病历数据,对厦门市集美区55-65岁(男性)研究对象和比对病例数,选择指标包括:
文化程度、吸烟、锻炼、心率、BMI、血压、脑卒中史、血脂,采用Logistic模型,得到暴露不同危险因素水平的基准发病率和危险分数(如表1所示).根据健康档案和家庭健康监护系统获取1位61岁老人的健康数据:
小学文化,不吸烟,不喜欢锻炼,腹部较肥胖,血压240/209,心率92,有脑卒中家史,血脂超高,则个人患病相对危险度(1.658+2.873+2.885+6.543+1.778+5.325-6)+0.952*0.926=15.666。
厦门市集美区糖尿病总发病率接近5%,当前绝对危险性15.666*5%=78.78%,采用马尔科夫模型和灰色预测相结合,可以预测5年内绝对危险性.
(2)糖尿病和高血压等患者和健康促进者,可以根据医生的建议制订个性化健康管理方案,测量心电ECG、血氧饱和度SPO2、脉搏、体温,并向健康云端上传生理监测数据.
(3)采用“健康服务组合成功率”度量家庭健康监测系统与“健康云”的联接效果.“健康服务组合成功率”定义为基于BPEL4WS指定的序列组装健康服务成功的次数与总的组装次数的比率,即
*100%,其中
表示成功组装次数,
表示失败组装次数.经1000次测试数据计算得到健康服务组合成功率为89%,这表明家庭健康监测系统能有效联接“健康云”.厦门市“健康云”目前尚处于建设过程,上述指标尚在合理范围内.
需要说明的是,不同国家、地区的糖尿病风险评估模型存在较大差异.对于基准发病率和危险分数度量模型不同,例如德国和阿曼分别采用Cox回归模型和Logistic回归模型;
引入危险因素不同,例如德国强调包括尽可能多的可变危险因素,阿曼强调体质指数(BMI)、糖尿病家族史、高血压情况[19].建立模型并计算风险分值后,一般通过比较总的风险分值与判断点的大小,筛选高危个体/人群.本文建立的健康风险评估模型和表1危险分数,对糖尿病风险评估操作简单、快速和廉价,但只适用于厦门市部分人群而不是福建省整体人群.
表2厦门集美糖尿病因素及危险分数(55-65岁)
Tab.2RiskFactorsandRiskScoreofDiabeticInpatientsinXiamen(55-65yearsold)
因素
因素值
基准发病率
危险分值
文化程度
小学及以下
0.952
中学
0.901
0.754
大专以上
1.105
0.524
吸烟
不吸烟
1.658
0.680
2.572
锻炼
否
0.926
是
0.784
心率
<
90正常
0.658
0.765
>
90非正常
1.043
2.873
BMI
正常
1.265
1.625
超重
0.961
1.307
肥胖
0.984
2.885
血压
120理想
0.123
0.223
120-140正常
0.771
140-160临界
0.976
2.521
160-180高血压
1.383
4.654
180超高
1.573
6.543
脑卒中史
无
0.978
有
1.778
血脂
偏高
4.152
超高
1.548
5.325
4结论
新一代家庭健康监护系统要求具备低成本、低功耗和低体积的同时,亟需适应基于云计算的国家医疗信息化发展.本文设计并实现一种联接“健康云”的家庭健康监护系统,利用附着人体的智能生理参数传感器连接监测和记录人体生理数据,实现健康风险评估和个性化家庭健康监护方案定制,保证家庭健康监测的灵活性和有效性,为“健康云”提供的健康档案云端管理、健康咨询、健康膳食等服务走入家庭健康监护奠定基础.
下一步工作包括:
本地化健康风险评估模型,提高相对危险性和绝对危险性预测的准确性;
解决家庭健康监测对象的隐私保护问题;
完善家庭健康系统,展开示范性应用和推广.
致谢
感谢台湾朝阳科技大学资讯管理系陈怜秀教授的指导和帮助!
参考文献
[1]IBM国际商业机器全球服务(中国)有限公司.IBM智慧医疗-数字化医院集成平台解决方案.IBM-中国[2010-3-29].
[2]孔建会.日本的云计算政策及其应用.中国社会科学网[2013-4-16].bwsf_zhlwz/201310/t20131022_447324.shtml
[3]樊建平,张元亭,王磊.实施海云工程实现低成本健康[J].计算机科学,2012,1
(2):
4-9.
[4]AnaIsabelCalvo-Alcalde,JuanJosé
André
s-Gutié
rrez,Jesú
sVegas,etal.SemanticandImplicitHCI:
AStepForwardAmIDeliveryatHomeforPatientExperience[C].AmbientIntelligenceandFutureTrends-InternationalSymposiumonAmbientIntelligence(ISAmI2010).Springer-VerlagBerlinHeidelberg,2010:
139-147.
[5]KiyomichiFUJISAKI.MeasuresTakenbytheGovernmentforImprovingMentalHealthofChildren-ThroughpromotionofSukoyakaFamily21[J].JournalofJapanMedicalAssociation,2001,126(4):
553-558.
[6]沈燕士.台湾远距医疗照护产业营运与技术.五鼎生技[2010-12-29].http:
//aic.nctu.edu.tw/do