0 引言

    目前全球哮喘患者高達3億，并呈逐年上升趨勢，給社會和家庭帶來了沉重的壓力與負擔。對哮喘病患的日常實時監測，將為此項疾病的防治提供重要支撐。《全球哮喘防治創議》和我國的《支氣管哮喘防治指南》均將呼氣峰值流速（PEF）或一秒鐘用力呼氣量（FEV1）作為哮喘急性與非急性發作期病情診斷的一項重要指標。這些指標為調整藥物劑量、判斷藥物療效、監測病情變化等操作提供重要依據^[1-2]。

    目前對于哮喘病監測手段主要依靠醫用肺功能監測設備以及歐美等國生產的便攜式肺功能儀等。醫用設備體積大、操作難，適用于醫療場合，不利于家用，尤其是難于獲得患者在日常無束縛情況下的實時生理數據；而進口便攜式儀器價格昂貴，且監測數據依賴于手動記錄，不具備哮喘健康智能管理體系。針對上述問題，本文提出了一種便攜式監測儀，實時獲取患者日常關鍵生理指標PEF、FEV1以及FEV1%等，融合了監測、無線傳輸、云端處理等技術，可構建醫患之間的可靠橋梁，為未來智慧醫療提供關鍵技術支撐。

1 系統方案設計

    監測系統組成如圖1所示。以TI公司的低功耗MSP430單片機（MCU）作為中央處理控制單元；以大、小量程兩個差壓傳感電路、信號調理及模數轉換電路構成采集前端，并結合文丘里呼氣流量測量管完成對用戶生理指標信息的采集。

    生理數據一方面通過儀器本地顯示，一方面通過藍牙無線技術實現與移動客戶端的數據傳輸。移動客戶端將用戶相關生理指標同步上傳致云端，完成對用戶生理數據的歸檔與分析處理。

    醫生可以遠程登錄云端，實現對病患的診斷；患者則可在手機客戶端上查看歷史的生理指標數據以及醫生推送的病情分析報告和醫療建議。

2 硬件設計

2.1 文丘里氣體流量測量

    呼吸氣體流量計大多基于差壓氣流測量法^[3]，有Fleisch氣體流量計測量^[4]和文丘里管測量兩種典型方式，如圖2所示。Fleisch氣體流量計方式容易使氣流在腔內冷凝，需要額外加熱裝置，同時容易附著臟物，難以清洗，制約測量準確性；文丘里管氣體測量結構基于貝努利定理^[5]，流經氣體在節流件前后兩端產生壓力差，氣體的流速與此氣壓降的平方根成正比。該方法易實現，無額外裝置，壓力損失小，因此本文基于該方法進行設計。

    為適應儀器機械外形結構，本文對傳統文丘里管結構進行了改動，如圖3。該文丘里管為植入整個機殼的一部分，并通過大量實驗，將傳感器入口直徑設計為20 mm，收縮處直徑為12 mm。

2.2 基于Big-Little結構的數據采集前端

    本文采用Freescale公司的集成硅壓力傳感器MPX-5010DP和MPXV5004DP，該傳感器具有片上信號調整與溫度壓力補償功能。本文采用MPX5010DP監測大氣流信號（壓力范圍0~10 kPa），采用MPXV5004DP監測小氣流信號（壓力范圍0~3.92 kPa），傳感器功耗僅25 mW；傳感器輸出信號經由軌對軌運放MAX4402構成巴特沃茲二階有源濾波器。呼吸信號頻率集中于30 Hz內^[6]，因此截止頻率設計為30 Hz，取C5=C6=C12=C13=0.1 μF，R1=R2=R7=R8=51 kΩ。最終信號經過ADS1114 16 bit量化后變成數字信號供MCU處理。具體電路實現如圖4所示。

2.3 基于MSP430 MCU的運算與控制

    該處理器適合于手持式設備應用，實現對各種外圍硬件電路的控制，對采集后數據進行校準與運算，并結合TI公司的CC2541藍牙4.0低功耗芯片實現與手機移動客戶端的無線互聯^[7]，最終完成各項生理數據的上傳以及監測儀各項運行參數的下載獲取。

    系統提供人機本地操作功能，可實現開始監測、數據上傳、顯示器背光等操作。此外，當被測指標PEF或者FEV1低于本人預設安全值60%時，系統還提供本地告警，方便用戶及時就診。

3 軟件設計

3.1 軟件系統架構

    軟件部分包括監測儀本地軟件系統、移動客戶端上位機軟件及云端管理平臺軟件三部分。

    本地軟件系統主要功能是控制硬件各單元運行及參數配置，完成采集數據的生理指標運算及校準；移動客戶端上位機軟件主要完成監測儀工作參數配置、數據接收、歷史數據查看、醫療建議查看、數據上傳云端等功能；云端管理平臺軟件作為海量數據管理與分析中心，提供醫生訪問接口，構建智慧遠程醫療體系。

    整機運行總體流程如圖5所示。為了提高抗干擾性能，設計了基于Mallat算法的小波濾波方法，平滑處理采樣信號，隨后通過校準算法獲取準確的氣流信號數值，最后根據生理指標運算算法得出PEF、FEV1、FEV1%。圖6為本地軟件系統控制流程圖。由于FEV1和FEV1%與時間有關，對數據采集的起始點和結束點判斷極為關鍵，本設計中采用電壓閾值法來避免外界干擾誤啟動，即電壓超過設置的閾值后啟動采集程序同時開始計時，當時間計滿1 s時，采集的數據保存用于計算FEV1，系統繼續采集，直到電壓值低于閾值時結束采集，全部數據用于計算FEV1%。

3.2 基于Mallat和神經網絡的標定與指標獲取算法

    監測儀所采集的原始數據必須轉換成能被人們理解的哮喘生理指標，這需要標準的源頭數據來進行標定，而標定數據存在大量的高頻噪聲。針對這一問題，采用了基于Mallat算法的多分辨率分析去噪方法^[8]。基本思路是將原始信號進行多分辨率分析，將低頻信號和高頻信號進行分解，采用閾值去噪的方法對信號進行處理，最后將去掉噪聲的細節信號和平滑信號重構獲取系統需要的標定樣本。設第j級的平滑信號為c_j(n)，第j+1級平滑信號為c_j+1(n)，細節信號為d_j+1(n)，具體分解與重構公式如下：

式(1)中，h_d(n)和g_d(n)為由小波函數和尺度函數確定的分解低通和高通濾波系數。式(2)中h_r(n)和g_r(n)為由小波函數和尺度函數確定的重構低通和高通濾波系數。

    重構后的標定數據將用于標定曲線的擬合。對比分析了基于BP神經網絡和多項式兩種擬合方法。實驗結果表明，基于神經網絡擬合方法在精準度上具有優勢，由此本系統采用此方法進行標定曲線的擬合，通過MATLAB學習訓練，獲取訓練參數，并按照式（3）實現。

式中，x_i為神經網絡輸入層輸入信號，a_j為網絡隱含層輸出信號，b_i為神經網絡輸出層輸出信號，w_1j為神經網絡隱含層神經元權重，w_2j為神經網絡輸出層神經元權重，b_1j為神經網絡隱含層神經元閾值，b_2j為神經網絡輸出層神經元閾值。f₁( )為隱含層激活函數，f₂( )為輸出層激活函數。f₁( )、f₂( )表達式詳見文獻[9]。

    本系統需要完成對患者的PEF、FEV1以及FEV1%生理指標的監測。PEF是指用力肺活量測定過程中，呼氣流量峰值瞬間最大流速，該指標在反映氣道不穩定性、判斷哮喘病情輕重、長期監測評估治療療效等方面具有重要價值^[2]；FEV1指盡力最快將氣體呼出時第一秒呼出的氣體容量，反應肺功能受損程度；FEV1%則可反映氣道通氣障礙的類型和程度，通過式(4)可分別獲得PEF、FEV1、FEV1%指標。

式中，N為有效采樣次數，fl(N)為第N次氣體流量數據，Δt為采樣間隔，M為計時滿一秒的有效采樣次數。根據FEV1的醫學定義，可知Δt=1/M。

    本文基于C語言完成上述所有算法設計，并最終嵌入MSP430F149單片機中實現。

4 系統測試與結果分析

    監測儀樣機外形尺寸為12 cm×5 cm×2 cm，符合人體工程學設計，整機功耗137 mW，按正常每天使用3次計算，監測儀具備滿電后持續使用30天的性能。

    本文按照JJF1213-2008《肺功能儀標定規范》要求進行儀器的各項測試^[10]，主要包括：監測系統精準度檢驗、系統穩定性測試、系統重復性測試以及一致性檢驗。

    測試結果表明，監測結果相對示值誤差低于10%，符合規范規定的精準度要求。經過長時間連續不斷測試，未出現故障。早、中、晚多次測試，PEF指標相對極差最大為+3.6%，優于上述規范提出的±5%，符合穩定性要求。最后，將該系統與美國PDS公司生產的Piko-1肺功能測定儀進行一致性分析，本文采用了被國際廣泛認可的Bland-Altman一致性分析方法^[11]。通過計算兩種測量結果的一致性界限，采用散點圖的方法直觀呈現這個一致性界限（limits of agreement，LoA）。本文將置信度設為95%，繪制一致性分析散點圖Bland-Altman（如圖7所示），對于PEF指標，設兩種監測方法的差值平均值為，差值的標準差為S_d，則PEF的一致性界限范圍為（±1.96×S_d），即為（-14.32，13.28）；FEV1的一致性界限范圍為（-0.2326，0.2076）。

    兩個測量指標的點絕大部分都在95%一致性界面以內，表明兩種監測儀器一致性良好。本設計功能正確，運行可靠，并且在實現成本、小型化、功耗及移動便攜性方面更具應用優勢。

5 結論

    本文在硬件方面以MSP430為主控，設計了基于Big-Little雙差壓傳感器組合的數據采集前端、人機接口、顯示告警以及藍牙無線通信電路；在軟件方面設計了手機客戶端軟件、云端管理平臺軟件，構建起了便攜式哮喘監測系統。該系統具有移動便攜、智能、低功耗、高精度等特點。通過各項測試以及與國外進口產品進行Bland-Altman一致性分析，表明功能正確、運行可靠，可廣泛應用于哮喘病患日常監測、智慧遠程醫療領域，具有廣闊的市場價值與社會價值。

參考文獻

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

[2] 黃玉民，陶玉堅，胡濤，等.哮喘控制測試與呼氣峰流速在哮喘管理中的相關性研究[J].實用臨床醫藥雜志，2016，20(9)：37-40.

[3] 張占峰. 流量計的研究和開發[D].北京：清華大學，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] 萇飛霸，尹軍，顏樂先，等.可穿戴式人體呼吸狀態監測系統的設計[J].電子技術應用，2014，40(1)：79-81.

[7] 周建，任紅艷，王彥斌.MSP430的低功耗特性在藍牙產品中的應用[J].電子技術應用，2003(12)：13-15.

[8] 王江云，曾瓊，王會霞.基于小波分析的地形多分辨率建模方法[J].北京航空航天大學學報，2014，40(8)：1121-1126.

[9] 周金海，申剛磊，丁小麗，等.BP神經網絡在疾病分析影響因素中的作用[J].中國組織工程研究，2011，15(9)：1702-1705.

[10] 王懷玲，李春瑛，張從華，等.肺功能儀校準規范的編制說明[J].計量與測試技術，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：

趙明劍，郭珊山

（華南理工大學 電子與信息學院，廣東 廣州510640）