CN111973151A - 一种基于可穿戴智能绷带的传染病监测***及方法 - Google Patents

Abstract

本发明公开了一种基于可穿戴智能绷带的传染病监测***及方法。所述方法包括如下步骤：可穿戴智能绷带收集人体多维体征数据；通过蓝牙通讯模块，将收集到的体征数据传输到配对的疫情监测终端；通过相应的检测算法对收集到的人体多维体征数据进行计算，以此检测人体的生理参数；疫情监测终端通过患者诊断模块，结合状态判断模块的输出，将体征数据与正常阈值进行比较、分析并判断个体的感染状态；如果各项体征数据在正常区间内，继续进行实时监控；当个体的体征数据超出正常范围时，则该穿戴者被判断为疑似感染者，并向个人监测终端发出提示。本发明能够及时地诊断新型冠状病毒感染者，对于患者的发现以及疫情的预防和控制至关重要。

Description

一种基于可穿戴智能绷带的传染病监测***及方法

技术领域

本发明涉及疫情监测领域，具体涉及一种基于可穿戴智能绷带的传染病监测***及方法。

背景技术

准确并及时诊断新型冠状病毒感染者，对患者的治疗以及疫情的防控至关重要。随着小型化设计的实现与广泛应用，便携式的医疗电子设备已成为新的焦点，移动医疗电子产品的研发也进入了一个新的阶段。监护设备能通过检测人体生理参数来反映人们的健康状况,逐渐成为一种需求量很大的医疗设备。基于可穿戴的多生理参数采集***可以实现人体生理参数的低生理、心理负荷采集的特点，不论患者是在舒适的家里，还是身处何处，便携式多生理参数采集***都能够实时、连续的监测穿戴者的生命体征参数，在实现人体生理数据的监控之后，使发现潜在的新型冠状病毒传播者成为了可能。

《基于可穿戴体温传感器的疫情监控方法和***》(CN110926655A)涉及一种基于可穿戴体温传感器的疫情监控方法，包括：通过可穿戴式体温传感器定时获取隔离点内的个体的体温数据和地理位置；逐个判断个体的体温数据是否超过37.3℃，是，则判为疑似人，隔离疑似人；然后，在每个隔离点内，监控疑似接触人的体温数据与正常值偏差是否达到0.3℃以上，是，则判为需迫切关注的疑似接触人，需要进行医学手段介入判断；同时，筛查隔离点内是否有超过5％的个体的体温数据与正常值偏差0.5℃以上，是，则判为待筛查疑似人，问询后确认是否需要医学手段介入；从而实现了疑似人的深入、分层次筛查；实现病毒隐藏传播者、患病人群的早发现、早隔离和早治疗。然而，该方法和***对疑似病人的监控仅仅依赖对人体的体温指标的检测，很难与普通的感冒和发烧做出区分，得出的结果也是不准确、不全面的。现有的研究指出：发热、咳嗽仍然是新型冠状病毒感染的典型症状，根据中医研究发现54％感染者有自汗的中医证侯，以及其他临床研究表明31％患者具有呼吸急促的体征。

基于病毒核酸检测是新型冠状病毒肺炎诊断的主要手段，《核酸检测技术在新型冠状病毒肺炎诊断中的应用分析》(韩雨桐，栾荣生；《中国测试》)使用基于实时荧光RT-PCR技术的病毒核酸检测并诊断新型冠状病毒肺炎，以及新型冠状病毒核酸检测技术的原理及流程，并从疾病特点、检测试剂盒的性能、临床采样过程、实验操作等方面分析可能影响检测结果准确性的因素。基于试剂的核酸检测以及其他生化检测，灵敏度和准确度都相对较高。然而，这些检测方式仅限于感染者在定点医院进行，受限于医院的吞吐量，容易造成医院爆满崩溃。

现有的检测原理是基于西医的，由于西医对汗液这一体征缺少考察，而实际上，汗液是人体的一大重要生理特征，汗液能够反映出人的病症，出汗率的测量与研究在生理学研究中具有举足经重的地位，最新研究《50例新型冠状病毒感染的肺炎患者中医临床特征分析》(陆云飞等；《上海中医药大学学报》)也指出半数以上患者伴有自汗(54％)症状，反映了自汗也是新冠患者的一个主要病症，但现有的检测技术并未考虑该病症。

发烧、呼吸急促、自汗是新冠肺炎患者的三大病症，但人体在处于运动状态时也可能会引起体温升高、呼吸急促和出汗，因此会产生误判的情况，降低了诊断的准确度，现有技术无法判断由运动引起的体温升高、呼吸急促和出汗的情况。《多功能监护仪的硬件***设计》(郑毅)能够通过同时检测血压、心电、血氧、脉搏、体温等多种生理参数，反映人们的健康状况，却缺乏对人体行为状态的判断。

基于可穿戴智能绷带的新型冠状病毒患者自我监控方法是一个理想的选择。如果能够持续地监测个体的体温、咳嗽、呼吸、自汗体征数据，实现实时、智能化、穿戴式的远程监测个体多体征状态，则为及时发现并隔离病患或疑似病患，降低个体被传染的风险，提供了一个较好的解决方案。

发明内容

本发明的目的是提出一种基于可穿戴智能绷带的传染病监测***及方法，仅依赖于易测的人体生理体征数据，实现高准确度的传染病感染者的症状检测，以及传染病疫情的监控。

本发明的目的至少通过如下技术方案之一实现。

一种基于可穿戴智能绷带的传染病监测***，包括可穿戴智能绷带和疫情监测终端；

可穿戴智能绷带包括传感器采集模块和蓝牙通讯模块，用于实时采集人体的多维体征数据并发送至疫情监测终端；

疫情监测终端为安装在移动智能设备上的智能终端，属于主控模块，包括蓝牙通讯模块、数据存储模块、状态判断模块、患者诊断模块以及实时定位模块，用于接收多维体征数据进行状态判断，进而完成传染病患者的诊断。

进一步地，所述可穿戴智能绷带中的传感器采集模块集成了心电传感器、咳嗽传感器、温湿度传感器、加速度传感器和主板；所述人体的多维体征数据包括穿戴者的呼吸实时数据、咳嗽数据、体温实时数据、排汗实时数据和加速度；

所述心电传感器置于两侧胸肌下面部位，用于采集穿戴者的呼吸实时数据，反映人体的呼吸频率；

所述咳嗽传感器紧贴胸壁，用于采集穿戴者的咳嗽数据；

所述温湿度传感器设置在背部，用于采集穿戴者后背处的体温实时数据和排汗实时数据；

所述加速度传感器设置在背部，用来采集穿戴者的加速度；

所述主板设置于背部，分别与心电传感器、咳嗽传感器、温湿度传感器和加速度传感器连接，用于控制各个传感器工作和实现蓝牙通讯模块的功能；

可穿戴智能绷带使用魔术贴固定在胸部；穿戴者可根据自己的身材调整，满足了不同体型的差异化需求，具有较高的舒适性且稳定性。

进一步地，传感器采集模块采集人体的多维体征数据后，采用可穿戴智能绷带中的蓝牙通讯模块和疫情监测终端中的蓝牙通讯模块进行数据传输；当第一次进行可穿戴智能绷带和疫情监测终端配对时，需要进入相应疫情监测终端搜索附近的蓝牙设备，输入PIN码，之后便可以进行自动连接；建立连接后，可穿戴智能绷带中的传感器采集模块会周期性的向疫情监测终端发送数据包，直到关闭传感器采集模块或手动关闭安装疫情监测终端的移动智能设备的蓝牙，数据传输才会停止。

进一步地，所述疫情监测终端的蓝牙通讯模块与可穿戴智能绷带中的蓝牙通讯模块建立通讯连接，进行交互，将采集到的多维体征数据上传至疫情监测终端并存储在数据存储模块中，通过移动智能设备实时显示穿戴者的体征数据，使穿戴者通过移动智能设备能实时观察自身活动状态和多维体征数据。

进一步地，疫情监测终端接收可穿戴智能绷带收集的穿戴者的多维体征数据后，通过检测算法，得到穿戴者的体温、咳嗽、呼吸频率和排汗生理参数；状态判断模块判断穿戴者的运动状态并确定体温、咳嗽、呼吸频率和排汗生理参数的阈值；患者诊断模块将体温、咳嗽、呼吸频率和排汗生理参数和对应的阈值进行对比，判断穿戴者是否感染传染病，同时，将穿戴者日常多维体征数据的波形图和通过实时定位模块获取的地理位置信息储存至数据存储模块中，穿戴者可以在疫情监测终端内通过日期查找并显示波形图。

进一步地，采用双门限端点检测算法完成咳嗽音的检测，具体如下：

所述双门限端点检测算法是基于咳嗽音信号短时能量和短时过零率来实现端点检测目的；在咳嗽音比较微弱的信号段，咳嗽音和背景噪声的短时能量大小相差不大，在这种情况下，要想准确地检测出信号的起止点是比较困难的；但是，咳嗽音的过零率值和背景噪声的过零率有明显的区别，后者一般显著低于前者，所以，将短时能量和短时过零率有结合起来，就可以实现对咳嗽音主要成分的可靠检测；

咳嗽音的能量是随时间不断变化的，而短时能量分析可以恰当地反映和描述这些幅度的变化；短时能量定义为：

其中，x(m)为输入的咳嗽音信号，w(n)是哈明窗函数；短时过零率表示一帧信号时域波形穿过坐标轴横轴(零电平)的次数，在离散信号序列上表现为相邻2 个采样，具体如下：

其中，sgn[x]是取符号函数；

使用双门限端点检测算法对咳嗽音信号进行端点检测的原理如下：

1)为咳嗽音信号的短时能量和短时过零率分别确定高低2个门限，其中高门限数值较大，只有当信号达到一定的强度才能超过；低门限数值较小，对咳嗽音中强度较小的信号段比较敏感；

2)开始检测时，如果信号的短时能量和短时过零率超过了低门限，就认为信号进入了过渡段，但并不能判定是信号的起点，可能是由持续时间很短的噪音引起的；只有当高门限被超过时，才可以判定为信号的起点。信号终止点的检测与起始点的检测正好相反，当信号的短时能量和短时过零率都回落到低门限以下，认为是信号的终止点。

采用恒流源法检测呼吸阻抗，具体如下：

恒流源法由流源输出的高频电流通过一对测量电极直接加到被试者的胸壁，由于呼吸阻抗的周期性变化，使测量电极两端的电压幅度随之发生变化，这个变化着的高频电压信号经高频调谐放大，由检波器检出直流信号，再经直流放大和低通滤波器，输出直接反映呼吸阻抗变化的直流信号；该信号也可经功率放大后推动记录仪描记出呼吸曲线；

对于呼吸频率的计算，利用动态差分阈值法检测呼吸波的峰值位置，进而可以根据检测出的波峰数据计算呼吸频率，具体检测过程如下：

A1、开始测量前，先取一定长度的数据，对其进行分析，获取初始差分阈值th₁，以及初始幅度阈值上下限值th₂和th₃；

A2、利用初始阈值开始查询第一个呼吸波的峰值点，设点n_i，n_i+1，n_i+2的幅值分别为A_i，A_i+1，A_i+2，如果满足：

则点n_i+1，应为呼吸信号上升段的一点；从点n_i+1后开始寻找差分过零的点，即可能为对应呼吸信号的一个峰值点，设点n_i+1后任意相邻的4个点为n_k，n_k+1， n_k+2，n_k+3，幅值分别为A_k，A_k+1，A_k+2，A_k+3，如果满足：

则n_k+2可能为一个呼吸波的波峰，其幅度记为A_new，若A_new满足：

th₃<A_new<th₂， (5)

则确定n_k+2为一个峰值点；否则，继续检测；

A3、在呼吸信号时间序列中检测到新的峰值点后开始更新阈值，并依据过程A2中的算法检测下个新的呼吸波信号峰值点；

A4、最后，依据一定时间内检测出的峰值点的个数计算呼吸率。

进一步地，状态判断模块根据加速度传感器采集的穿戴者的加速度进行穿戴者状态的判断，具体如下：

由于每个方向上加速度均为按照不同趋势变化的矢量，为了简化计算，采用加速度信号幅值a_SVM(Signal Magnitude Vector)这个标量来描述人体运动的加速度，设任意时刻t时，a_SVM的计算公式如下：

其中，a_xt、a_yt和a_zt分别为t时刻X轴、Y轴和Z轴上的加速度；

利用一阶自回归模型AR(1)确定人体运动状态特征量之间的转换关系，自回归模型(Autoregressive Model)是用自身做回归变量的过程，即利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型；为了消除噪声干扰，更加准确的拟合人体运动状态变化的趋势，将δa_SVM的函数作为状态量X(t)，对其进行卡尔曼滤波；

利用一阶自回归模型AR(1)模型确定X(t1)和X(t-1)，建立随机离散***状态方程，具体如下：

其中，ρ(t-1,t)为t-1时刻向t时刻的状态转换系数，ζ(t-1)为均值为0、方差为Q的离散白噪声，H(t)为测量***参数，V(t)为均值为0、方差为R的测量噪声；根据卡尔曼滤波递推公式可得：

P′(t)＝ρ(t-1,t)P(t-1)P′(t-1)+Q(t-1) (9)

P(t)＝[I-K(t)H]P′(t) (10)

K(t)＝P′(t)H^T[HP′(t)H^T-R(t)]^-1 (11)

其中，

为t时刻后验估计，反映了人体运动加速度的变化趋势；P(t)为后验方差；X'(t)为先验估计；在多模型***中I为单位矩阵，单模型单测量时I＝1，本发明取I＝1；P'(t)为先验方差；K(t)为t时刻的增益。

进一步地，体温(Temperature)的阈值如下：

人体正常体温平均在36～37℃之间，超出37.1℃就是发热，37.3-38℃是低烧，38.1-40℃是高烧，40℃以上随时有生命危险；据此，低烧和高烧的温度阈值Tthreshold可以确定；

加速度的阈值如下：

有研究指出，当δa_SVM＜0.2g时，并且该信号持续0.5s以上，则认为人体处于静止状态，g＝9.8m/s²；当

时，表示人体当前处于稳定状态，即持续重复某一个动作(如走路或跑步等)，认为此时人体处于运动状态；当

时，表示人体当前处于不稳定状态，即处于当前状态向另一个状态转变的过程；针对人体加速度，将加速度变化量δ1设置为非运动与运动的临界值，变化量δ2设置为状态稳定与改变的临界值；

呼吸频率的阈值如下：

研究表明，成人平静时的呼吸频率约为每分钟12-20次；儿童约为每分钟 20次；一般女性比男性快1-2次；呼吸急促(Tachypnea)是一种浅而速的呼吸，即平静时呼吸频率超过24次/分钟，运动状态呼吸频率超过40次/分钟；所以，将人体处于平静状态时的呼吸频率阈值Rthreshold设置为R1次/分，将处在运动状态时的阈值R’threshold设置为R2次/分；

排汗率的阈值如下：

对人体各部位出汗率进行定量研究发现，上背出汗率为(0.59±0.11)

mg/(cm²·min)；随着运动强度的增加，出汗量显著增加，高强度运动下，研究显示的男子出汗率是(657±119)g/(m²·h)，女子出汗率为(410±144)g/(m2·h)；排汗率的阈值Sthreshold在非运动状态时取S1 mg/(cm²·min)，在运动状态时 S’threshold取S2 g/(m²·h)。

进一步地，患者诊断模块中，首先进行穿戴者加速度阈值比较，判断并输出此时穿戴者处于运动状态或者非运动状态，若属于运动状态，则将此刻个体的多维体征数据与运动条件下的诊断阈值进行比较；否则属于非运动状态，则与静止条件下的诊断阈值作比较；

如果人体的各项体征数据在正常区间内，将继续进行实时、连续的采集与监控；当个体的体征数据超出正常范围时，表示个体出现感染症状，则该穿戴者被认定为疑似感染者，此时个人监测终端会发出提示。

一种基于可穿戴智能绷带的传染病监测方法，包括以下步骤：

S1、可穿戴智能绷带收集人体多维体征数据，使用心电传感器、咳嗽传感器、温湿度传感器以及加速度传感器收集人体的多维体征数据；

S2、可穿戴智能绷带通过蓝牙通讯模块，将收集到的人体的体温、咳嗽、呼吸、排汗的体征数据传输到配对的疫情监测终端；

S3、通过相应的检测算法对收集到的人体多维体征数据进行计算，以此检测人体的体温、咳嗽、呼吸、排汗生理参数；

S4、疫情监测终端通过患者诊断模块，结合状态判断模块的输出，将体征数据与正常阈值进行比较、分析并判断个体的感染状态；如果各项体征数据在正常区间内，继续进行实时监控；当个体的体征数据超出正常范围时，表示个体出现感染症状，则该穿戴者被判断为疑似感染者，并向个人监测终端发出提示。

相比与现有技术，本发明的优点在于：

1、实现了大范围的实施，扩大了使用区域，分散了医院的人群，进而降低了医院的负荷。

2、基于轻便式、可携带的智能可穿戴绷带设备，不需要额外连线，不需要连接服务器，具有高便携性的优点。

3、通过对人体多体征数据的检测和对运动状态的区分，实现了发热、咳嗽、呼吸急促和自汗病症的精确检测。

4、检测算法整合在手机等移动监测终端，用户仅需佩戴一个轻便的绷带，移动设备上下载相应的客户端，即可实现对传染病感染者的鲁棒检测。

5、实现了个体的自我监测，针对隔离患者需要高频度地进行检测，实现了体征数据的自动收集和实时监测，有效地缓解自我隔离者的焦虑情绪。

附图说明

图1是本发明一种基于可穿戴智能绷带的传染病监测***的***构架图。

图2是本发明一种基于可穿戴智能绷带的传染病监测***的设计框图。

图3是本发明实施例中的可穿戴绷带示意图。

图4是本发明一种基于可穿戴智能绷带的传染病监测方法的实施步骤流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图并举实施例，对本发明的具体实施进行详细说明。

实施例：

一种基于可穿戴智能绷带的传染病监测***，如图1所示，包括可穿戴智能绷带和疫情监测终端；

可穿戴智能绷带包括传感器采集模块和蓝牙通讯模块，用于实时采集人体的多维体征数据并发送至疫情监测终端；

如图2所示，疫情监测终端属于主控模块，是实时监测装置的数据处理核心和控制核心，用于处理实时监测装置中模块协调运行。疫情监测终端为安装在移动智能设备上的智能终端，包括蓝牙通讯模块、数据存储模块、状态判断模块、患者诊断模块以及实时定位模块，用于接收多维体征数据进行状态判断，进而完成传染病患者的诊断。

如图3所示，所述可穿戴智能绷带中的传感器采集模块集成了心电传感器、咳嗽传感器、温湿度传感器和加速度传感器；所述人体的多维体征数据包括穿戴者的呼吸实时数据、咳嗽数据、体温实时数据、排汗实时数据和加速度；

所述心电传感器置于两侧胸肌下面部位，用于采集穿戴者的呼吸实时数据，反映人体的呼吸频率；

所述咳嗽传感器紧贴胸壁，用于采集穿戴者的咳嗽数据；

所述温湿度传感器设置在背部，用于采集穿戴者后背处的体温实时数据和排汗实时数据；

所述加速度传感器也设置在背部，用来采集穿戴者的加速度；

所述主板也置于背部，与各个传感器连接，且具有蓝牙通讯功能。

可穿戴智能绷带使用魔术贴固定在胸部；穿戴者可根据自己的身材调整，满足了不同体型的差异化需求，具有较高的舒适性且稳定性。

传感器采集模块采集人体的多维体征数据后，采用可穿戴智能绷带中的蓝牙通讯模块和疫情监测终端中的蓝牙通讯模块进行数据传输；当第一次进行可穿戴智能绷带和疫情监测终端配对时，需要进入相应疫情监测终端搜索附近的蓝牙设备，输入PIN码，之后便可以进行自动连接；建立连接后，可穿戴智能绷带中的传感器采集模块会周期性的向疫情监测终端发送数据包，直到关闭传感器采集模块或手动关闭安装疫情监测终端的移动智能设备的蓝牙，数据传输才会停止。

所述疫情监测终端的蓝牙通讯模块与可穿戴智能绷带中的蓝牙通讯模块建立通讯连接，进行交互，将采集到的多维体征数据上传至疫情监测终端并存储在数据存储模块中，通过移动智能设备实时显示穿戴者的体征数据，使穿戴者通过移动智能设备能实时观察自身活动状态和多维体征数据。

疫情监测终端接收可穿戴智能绷带收集的穿戴者的多维体征数据后，通过检测算法，得到穿戴者的体温、咳嗽、呼吸频率和排汗生理参数；状态判断模块判断穿戴者的运动状态并确定体温、咳嗽、呼吸频率和排汗生理参数的阈值；患者诊断模块将体温、咳嗽、呼吸频率和排汗生理参数和对应的阈值进行对比，判断穿戴者是否感染传染病，同时，将穿戴者日常多维体征数据的波形图和通过实时定位模块获取的地理位置信息储存至数据存储模块中，穿戴者可以在疫情监测终端内通过日期查找并显示波形图。

采用双门限端点检测算法完成咳嗽音的检测，具体如下：

所述双门限端点检测算法是基于咳嗽音信号短时能量和短时过零率来实现端点检测目的；在咳嗽音比较微弱的信号段，咳嗽音和背景噪声的短时能量大小相差不大，在这种情况下，要想准确地检测出信号的起止点是比较困难的；但是，咳嗽音的过零率值和背景噪声的过零率有明显的区别，后者一般显著低于前者，所以，将短时能量和短时过零率有结合起来，就可以实现对咳嗽音主要成分的可靠检测；

咳嗽音的能量是随时间不断变化的，而短时能量分析可以恰当地反映和描述这些幅度的变化；短时能量定义为：

其中，x(m)为输入的咳嗽音信号，w(n)是哈明窗函数；短时过零率表示一帧信号时域波形穿过坐标轴横轴(零电平)的次数，在离散信号序列上表现为相邻2 个采样，具体如下：

其中，sgn[x]是取符号函数；

使用双门限端点检测算法对咳嗽音信号进行端点检测的原理如下：

1)为咳嗽音信号的短时能量和短时过零率分别确定高低2个门限，其中高门限数值较大，只有当信号达到一定的强度才能超过；低门限数值较小，对咳嗽音中强度较小的信号段比较敏感；

2)开始检测时，如果信号的短时能量和短时过零率超过了低门限，就认为信号进入了过渡段，但并不能判定是信号的起点，可能是由持续时间很短的噪音引起的；只有当高门限被超过时，才可以判定为信号的起点。信号终止点的检测与起始点的检测正好相反，当信号的短时能量和短时过零率都回落到低门限以下，认为是信号的终止点。

采用恒流源法检测呼吸阻抗，具体如下：

恒流源法由流源输出的高频电流通过一对测量电极直接加到被试者的胸壁，由于呼吸阻抗的周期性变化，使测量电极两端的电压幅度随之发生变化，这个变化着的高频电压信号经高频调谐放大，由检波器检出直流信号，再经直流放大和低通滤波器，输出直接反映呼吸阻抗变化的直流信号；该信号也可经功率放大后推动记录仪描记出呼吸曲线；

对于呼吸频率的计算，利用动态差分阈值法检测呼吸波的峰值位置，进而可以根据检测出的波峰数据计算呼吸频率，具体检测过程如下：

A1、开始测量前，先取一定长度的数据，对其进行分析，获取初始差分阈值th₁，以及初始幅度阈值上下限值th₂和th₃；

A2、利用初始阈值开始查询第一个呼吸波的峰值点，设点n_i，n_i+1，n_i+2的幅值分别为A_i，A_i+1，A_i+2，如果满足：

则点n_i+1，应为呼吸信号上升段的一点；从点n_i+1后开始寻找差分过零的点，即可能为对应呼吸信号的一个峰值点，设点n_i+1后任意相邻的4个点为n_k，n_k+1， n_k+2，n_k+3，幅值分别为A_k，A_k+1，A_k+2，A_k+3，如果满足：

则n_k+2可能为一个呼吸波的波峰，其幅度记为A_new，若A_new满足：

th₃<A_new<th₂， (5)

则确定n_k+2为一个峰值点；否则，继续检测；

A3、在呼吸信号时间序列中检测到新的峰值点后开始更新阈值，并依据过程A2中的算法检测下个新的呼吸波信号峰值点；

A4、最后，依据一定时间内检测出的峰值点的个数计算呼吸率。

状态判断模块根据加速度传感器采集的穿戴者的加速度进行穿戴者状态的判断，具体如下：

由于每个方向上加速度均为按照不同趋势变化的矢量，为了简化计算，采用加速度信号幅值a_SVM(Signal Magnitude Vector)这个标量来描述人体运动的加速度，设任意时刻t时，a_SVM的计算公式如下：

其中，a_xt、a_yt和a_zt分别为t时刻X轴、Y轴和Z轴上的加速度；

利用一阶自回归模型AR(1)确定人体运动状态特征量之间的转换关系，自回归模型(Autoregressive Model)是用自身做回归变量的过程，即利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型；为了消除噪声干扰，更加准确的拟合人体运动状态变化的趋势，将δa_SVM的函数作为状态量X(t)，对其进行卡尔曼滤波；

利用一阶自回归模型AR(1)模型确定X(t1)和X(t-1)，建立随机离散***状态方程，具体如下：

其中，ρ(t-1,t)为t-1时刻向t时刻的状态转换系数，ζ(t-1)为均值为0、方差为Q的离散白噪声，H(t)为测量***参数，V(t)为均值为0、方差为R的测量噪声；根据卡尔曼滤波递推公式可得：

P′(t)＝ρ(t-1,t)P(t-1)P′(t-1)+Q(t-1) (9)

P(t)＝[I-K(t)H]P′(t) (10)

K(t)＝P′(t)H^T[HP′(t)H^T-R(t)]^-1 (11)

其中，

为t时刻后验估计，反映了人体运动加速度的变化趋势；P(t)为后验方差；X'(t)为先验估计；在多模型***中I为单位矩阵，单模型单测量时I＝1，本发明取I＝1；P'(t)为先验方差；K(t)为t时刻的增益。

体温(Temperature)的阈值如下：

人体正常体温平均在36～37℃之间，超出37.1℃就是发热，37.3-38℃是低烧，38.1-40℃是高烧，40℃以上随时有生命危险；据此，低烧和高烧的温度阈值Tthreshold可以确定；

加速度的阈值如下：

有研究指出，当δa_SVM＜0.2g时，并且该信号持续0.5s以上，则认为人体处于静止状态，g＝9.8m/s²；当

时，表示人体当前处于稳定状态，即持续重复某一个动作(如走路或跑步等)，认为此时人体处于运动状态；当

时，表示人体当前处于不稳定状态，即处于当前状态向另一个状态转变的过程；针对人体加速度，将加速度变化量δ1设置为非运动与运动的临界值，变化量δ2设置为状态稳定与改变的临界值；

呼吸频率的阈值如下：

研究表明，成人平静时的呼吸频率约为每分钟12-20次；儿童约为每分钟 20次；一般女性比男性快1-2次；呼吸急促(Tachypnea)是一种浅而速的呼吸，即平静时呼吸频率超过24次/分钟，运动状态呼吸频率超过40次/分钟；所以，将人体处于平静状态时的呼吸频率阈值Rthreshold设置为R1次/分，将处在运动状态时的阈值R’threshold设置为R2次/分；

排汗率的阈值如下：

对人体各部位出汗率进行定量研究发现，上背出汗率为(0.59±0.11)

mg/(cm²·min)；随着运动强度的增加，出汗量显著增加，高强度运动下，研究显示的男子出汗率是(657±119)g/(m²·h)，女子出汗率为(410±144)g/(m2·h)；排汗率的阈值Sthreshold在非运动状态时取S1 mg/(cm²·min)，在运动状态时 S’threshold取S2 g/(m²·h)。

患者诊断模块中，首先进行穿戴者加速度阈值比较，判断并输出此时穿戴者处于运动状态或者非运动状态，若属于运动状态，则将此刻个体的多维体征数据与运动条件下的诊断阈值进行比较；否则属于非运动状态，则与静止条件下的诊断阈值作比较；

如果人体的各项体征数据在正常区间内，将继续进行实时、连续的采集与监控；当个体的体征数据超出正常范围时，表示个体出现感染症状，则该穿戴者被认定为疑似感染者，此时个人监测终端会发出提示。

一种基于可穿戴智能绷带的传染病监测方法，如图4所示，包括以下步骤：

S1、可穿戴智能绷带收集人体多维体征数据，使用心电传感器、咳嗽传感器、温湿度传感器以及加速度传感器收集人体的多维体征数据；

S2、可穿戴智能绷带通过蓝牙通讯模块，将收集到的人体的体温、咳嗽、呼吸、排汗的体征数据传输到配对的疫情监测终端；

S3、通过相应的检测算法对收集到的人体多维体征数据进行计算，以此检测人体的体温、咳嗽、呼吸、排汗生理参数；

S4、疫情监测终端通过患者诊断模块，结合状态判断模块的输出，将体征数据与正常阈值进行比较、分析并判断个体的感染状态；如果各项体征数据在正常区间内，继续进行实时监控；当个体的体征数据超出正常范围时，表示个体出现感染症状，则该穿戴者被判断为疑似感染者，并向个人监测终端发出提示。

Claims (10)

1.一种基于可穿戴智能绷带的传染病监测***，其特征在于，包括可穿戴智能绷带和疫情监测终端；

可穿戴智能绷带包括传感器采集模块和蓝牙通讯模块，用于实时采集人体的多维体征数据并发送至疫情监测终端；

疫情监测终端为安装在移动智能设备上的智能终端，属于主控模块，包括蓝牙通讯模块、数据存储模块、状态判断模块、患者诊断模块以及实时定位模块，用于接收多维体征数据进行状态判断，进而完成传染病患者的诊断。

2.根据权利要求1所述的一种基于可穿戴智能绷带的传染病监测***，其特征在于，所述可穿戴智能绷带使用魔术贴固定在胸部，可穿戴智能绷带中的传感器采集模块集成了心电传感器、咳嗽传感器、温湿度传感器、加速度传感器和主板；所述人体的多维体征数据包括穿戴者的呼吸实时数据、咳嗽数据、体温实时数据、排汗实时数据和加速度；

所述心电传感器置于两侧胸肌下面部位，用于采集穿戴者的呼吸实时数据，反映人体的呼吸频率；

所述咳嗽传感器紧贴胸壁，用于采集穿戴者的咳嗽数据；

所述温湿度传感器设置在背部，用于采集穿戴者后背处的体温实时数据和排汗实时数据；

所述加速度传感器设置在背部，用来采集穿戴者的加速度；

所述主板设置于背部，分别与心电传感器、咳嗽传感器、温湿度传感器和加速度传感器连接，用于控制各个传感器工作和实现蓝牙通讯模块的功能。

3.根据权利要求1所述的一种基于可穿戴智能绷带的传染病监测***，其特征在于，传感器采集模块采集人体的多维体征数据后，采用可穿戴智能绷带中的蓝牙通讯模块和疫情监测终端中的蓝牙通讯模块进行数据传输；当第一次进行可穿戴智能绷带和疫情监测终端配对时，需要进入相应疫情监测终端搜索附近的蓝牙设备，输入PIN码，之后便可以进行自动连接；建立连接后，可穿戴智能绷带中的传感器采集模块会周期性的向疫情监测终端发送数据包，直到关闭传感器采集模块或手动关闭安装疫情监测终端的移动智能设备的蓝牙，数据传输才会停止。

4.根据权利要求1所述的一种基于可穿戴智能绷带的传染病监测***，其特征在于，所述疫情监测终端的蓝牙通讯模块与可穿戴智能绷带中的蓝牙通讯模块建立通讯连接，进行交互，将采集到的多维体征数据上传至疫情监测终端并存储在数据存储模块中，通过移动智能设备实时显示穿戴者的体征数据，使穿戴者通过移动智能设备能实时观察自身活动状态和多维体征数据。

5.根据权利要求1所述的一种基于可穿戴智能绷带的传染病监测***，其特征在于，疫情监测终端接收可穿戴智能绷带收集的穿戴者的多维体征数据后，通过检测算法，得到穿戴者的体温、咳嗽、呼吸频率和排汗生理参数；状态判断模块判断穿戴者的运动状态并确定体温、咳嗽、呼吸频率和排汗生理参数的阈值；患者诊断模块将体温、咳嗽、呼吸频率和排汗生理参数和对应的阈值进行对比，判断穿戴者是否感染传染病，同时，将穿戴者日常多维体征数据的波形图和通过实时定位模块获取的地理位置信息储存至数据存储模块中，穿戴者可以在疫情监测终端内通过日期查找并显示波形图。

6.根据权利要求5所述的一种基于可穿戴智能绷带的传染病监测***，其特征在于，采用双门限端点检测算法完成咳嗽音的检测，具体如下：

所述双门限端点检测算法是基于咳嗽音信号短时能量和短时过零率来实现端点检测目的；在咳嗽音比较微弱的信号段，咳嗽音和背景噪声的短时能量大小相差不大，但是，咳嗽音的过零率值和背景噪声的过零率有明显的区别，后者一般显著低于前者，将短时能量和短时过零率有结合起来，实现对咳嗽音主要成分的可靠检测；

咳嗽音的能量是随时间不断变化的，而短时能量分析可以恰当地反映和描述这些幅度的变化；短时能量定义为：

其中，x(m)为输入的咳嗽音信号，w(n)是哈明窗函数；短时过零率表示一帧信号时域波形穿过坐标轴横轴(零电平)的次数，在离散信号序列上表现为相邻2个采样，具体如下：

其中，sgn[x]是取符号函数；

采用恒流源法检测呼吸阻抗，具体如下：

恒流源法由流源输出的高频电流通过一对测量电极直接加到被试者的胸壁，由于呼吸阻抗的周期性变化，使测量电极两端的电压幅度随之发生变化，这个变化着的高频电压信号经高频调谐放大，由检波器检出直流信号，再经直流放大和低通滤波器，输出直接反映呼吸阻抗变化的直流信号；该信号也可经功率放大后推动记录仪描记出呼吸曲线；

对于呼吸频率的计算，利用动态差分阈值法检测呼吸波的峰值位置，进而可以根据检测出的波峰数据计算呼吸频率，具体检测过程如下：

A1、开始测量前，先取一定长度的数据，对其进行分析，获取初始差分阈值th₁，以及初始幅度阈值上下限值th₂和th₃；

A2、利用初始阈值开始查询第一个呼吸波的峰值点，设点n_i，n_i+1，n_i+2的幅值分别为A_i，A_i+1，A_i+2，如果满足：

则点n_i+1，应为呼吸信号上升段的一点；从点n_i+1后开始寻找差分过零的点，即可能为对应呼吸信号的一个峰值点，设点n_i+1后任意相邻的4个点为n_k，n_k+1，n_k+2，n_k+3，幅值分别为A_k，A_k+1，A_k+2，A_k+3，如果满足：

则n_k+2可能为一个呼吸波的波峰，其幅度记为A_new，若A_new满足：

th₃<A_new<th₂， (5)

则确定n_k+2为一个峰值点；否则，继续检测；

A3、在呼吸信号时间序列中检测到新的峰值点后开始更新阈值，并依据过程A2中的算法检测下个新的呼吸波信号峰值点；

A4、最后，依据一定时间内检测出的峰值点的个数计算呼吸率。

7.根据权利要求5所述的一种基于可穿戴智能绷带的传染病监测***，其特征在于，状态判断模块根据加速度传感器采集的穿戴者的加速度进行穿戴者状态的判断，具体如下：

由于每个方向上加速度均为按照不同趋势变化的矢量，采用加速度信号幅值a_SVM(Signal Magnitude Vector)这个标量来描述人体运动的加速度，设任意时刻t时，a_SVM的计算公式如下：

其中，a_xt、a_yt和a_zt分别为t时刻X轴、Y轴和Z轴上的加速度；

利用一阶自回归模型AR(1)确定人体运动状态特征量之间的转换关系，自回归模型(Autoregressive Model)是用自身做回归变量的过程，即利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型；为了消除噪声干扰，更加准确的拟合人体运动状态变化的趋势，将δa_SVM的函数作为状态量X(t)，对其进行卡尔曼滤波；

利用一阶自回归模型AR(1)模型确定X(t1)和X(t-1)，建立随机离散***状态方程，具体如下：

其中，ρ(t-1,t)为t-1时刻向t时刻的状态转换系数，ζ(t-1)为均值为0、方差为Q的离散白噪声，H(t)为测量***参数，V(t)为均值为0、方差为R的测量噪声；根据卡尔曼滤波递推公式可得：

P′(t)＝ρ(t-1，t)P(t-1)P′(t-1)+Q(t-1) (9)

P(t)＝[I-K(t)HIP′(t) (10)

K(t)＝P′(t)H^T[HP′(t)H^T-R(t)I^-1 (11)

其中，

为t时刻后验估计，反映了人体运动加速度的变化趋势；P(t)为后验方差；X'(t)为先验估计；在多模型***中I为单位矩阵，单模型单测量时I＝1；P'(t)为先验方差；K(t)为t时刻的增益。

8.根据权利要求5所述的一种基于可穿戴智能绷带的传染病监测***，其特征在于，体温(Temperature)的阈值如下：

人体正常体温平均在36～37℃之间，超出37.1℃就是发热，37.3-38℃是低烧，38.1-40℃是高烧，40℃以上随时有生命危险；据此，低烧和高烧的温度阈值Tthreshold可以确定；

加速度的阈值如下：

当δa_SVM＜0.2g时，并且该信号持续0.5s以上，则认为人体处于静止状态，g＝9.8m/s²；当

时，表示人体当前处于稳定状态，即持续重复某一个动作，认为此时人体处于运动状态；当

时，表示人体当前处于不稳定状态，即处于当前状态向另一个状态转变的过程；针对人体加速度，将加速度变化量δ1设置为非运动与运动的临界值，变化量δ2设置为状态稳定与改变的临界值；

呼吸频率的阈值如下：

将人体处于平静状态时的呼吸频率阈值Rthreshold设置为R1次/分，将处在运动状态时的阈值R’threshold设置为R2次/分；

排汗率的阈值如下：

排汗率的阈值Sthreshold在非运动状态时取S1 mg/(cm²·min)，在运动状态时S’threshold取S2 g/(m²·h)。

9.根据权利要求5所述的一种基于可穿戴智能绷带的传染病监测***，其特征在于，患者诊断模块中，首先进行穿戴者加速度阈值比较，判断并输出此时穿戴者处于运动状态或者非运动状态，若属于运动状态，则将此刻个体的多维体征数据与运动条件下的诊断阈值进行比较；否则属于非运动状态，则与静止条件下的诊断阈值作比较；

如果人体的各项体征数据在正常区间内，将继续进行实时、连续的采集与监控；当个体的体征数据超出正常范围时，表示个体出现感染症状，则该穿戴者被认定为疑似感染者，此时个人监测终端会发出提示。

10.一种基于可穿戴智能绷带的传染病监测方法，其特征在于，包括以下步骤：

S1、可穿戴智能绷带收集人体多维体征数据，使用心电传感器、咳嗽传感器、温湿度传感器以及加速度传感器收集人体的多维体征数据；

S2、可穿戴智能绷带通过蓝牙通讯模块，将收集到的人体的体温、咳嗽、呼吸、排汗的体征数据传输到配对的疫情监测终端；

S3、通过相应的检测算法对收集到的人体多维体征数据进行计算，以此检测人体的体温、咳嗽、呼吸、排汗生理参数；

S4、疫情监测终端通过患者诊断模块，结合状态判断模块的输出，将体征数据与正常阈值进行比较、分析并判断个体的感染状态；如果各项体征数据在正常区间内，继续进行实时监控；当个体的体征数据超出正常范围时，表示个体出现感染症状，则该穿戴者被判断为疑似感染者，并向个人监测终端发出提示。

Images