Design of Oxygen Concentration Detection Based on WiFi and Cloud Intelligent*

ZHAI Yongqian，XI Ji，ZHAO Li*

(1.Nanjing Institute of Railway Technology，Nanjing 210076，China; 2.School of Information Science and Engineering of Southeast University，Nanjing 210096，China)

Design of Oxygen Concentration Detection Based on WiFi and Cloud Intelligent*

ZHAI Yongqian1，XI Ji2，ZHAO Li2*

(1.Nanjing Institute of Railway Technology，Nanjing 210076，China; 2.School of Information Science and Engineering of Southeast University，Nanjing 210096，China)

Combined with the latest developments in communications technology，this paper presented a detection system of oxygen concentration based on WiFi and intelligent cloud．The system utilizes cloud computing to fulfill fuzzy neural，and network to achieve the ant colony optimization algorithm，which not only reduces the complexity of the perceived end hardware and software design，and effectively improves the oxygen detection accuracy，real-time tracking and more conducive to long-term maintenance of health data oxygen．Experimental Results shows the design is safe and reliable，consistent with the development of intelligent health care，so it has good application and promotional value．

WiFi;cloud computing;data processing;Oxygen concentration detection

现在常用的动脉血氧仪是一种能够提供无创、连续、实时的血氧饱和度数据的医学仪器。这已在手术室、监护室、急救病房、患者的术后恢复和呼吸睡眠的研究以及社区医疗监护等方面得到广泛的应用［1－3］。

随着市场的推动，人们对生活的需求日益提高，尤其对于一些病情严重的病人，需要提高智能化监测系统，这就需要基于WiFi的云智能系统来实现监测计算任务［4－5］。本设计研究了一种基于WiFi的云智能血氧仪监测系统，即基于云计算的无线局域网检测控制系统，它将原来端点处的复杂设计通过云计算进行简化，数据处理与传输是基于“云”端的数据流技术，研究的关键技术是信息的传递要求、接口技术、协议标准、通信程序编制、软件支持等，这些技术的研究有助于云端数据流处理的无缝对接，基于无线局域网的控制方式能够方便地把单一血氧仪端点扩展为血氧仪群，同时保证数据传输的及时性和稳定性。

1　云智能血氧仪监测系统

云智能血氧仪是一种新型的血氧仪监测系统，它充分利用云计算的优势来提高血氧仪系统的效能并将各个血氧仪监测点连接成网络，并引入基于模糊神经网络的蚁群优化算法，利用神经网络和模糊理论进行学习，以实现数据的共享与高效处理。近年来，云计算和WiFi技术发展迅速。云计算，即一种计算模式，利用虚拟化技术，通过Internet向人们提供即时所需的各类资源［8］，如云计算、云存储以及各种服务，凭借其强大的整合能力、动态扩展能力等特点，受到了各界的关注。WiFi(Wireless Fidelity)是一种短距离无线技术，只要通过无线路由器即可把有线信号转换为WiFi无线信号，方便、快捷，较之ZigBee、蓝牙等无线技术，WiFi技术不仅传送速率快，传输距离也远，因此应用范围不断扩大，同时也为血氧仪的实时监测数据传输提供了可能。本系统总体结构如下图1所示，将这两类新型技术结合，既提高效能简化设计，又有较广泛的应用环境。

图1　系统总体结构

本文提出的基于WiFi的云智能血氧仪监测系统由3大部分组成:血氧仪监测器、云平台与主控端(如图2)。通过使用基于模糊神经网络的蚁群优化算法，利用WiFi无线技术，可以访问云平台的计算、存储等资源，将感知数据存放在云端。

图2　云智能血氧仪系统

2　基于WiFi的云智能血氧仪系统的硬件设计

本系统的血氧仪监测的硬件模块选择了高性能、微型化、低功耗、低成本的MSP430系列单片机作为主控芯片，降低了成本，也简化了电路设计，在不降低测量结果准确度的情况下进一步降低了功耗。

血氧饱和度监测仪通过MSP430系统实现，并通过无线模块将采集到的血氧饱和度发送到云端，进行后期的计算，同时将各个血氧仪联系起来。图3为血氧仪监测系统原理框图，图4为动脉血氧仪硬件总体结构。图3中血氧仪通过WiFi信号接收来自主控端的指令，通过终端软件将采集到的数据上传到云端，云则是充当了数据库和计算中心，同时可将采集到的数据提供给其他血氧仪使用，实现共享。本文主要基于SAAS模式来进行设计。

图3　血氧仪监测系统原理框图

图4　动脉血氧仪硬件总体结构

图5　硬件模块原理图

其中硬件系统框图如图5所示。系统探头中的两个LED灯:RedLED(红光)与Infra-Red LED(红外光)是分时工作的，以500次/s的工作频率触发接收二极管PlN Diode。PIN Diode接收后的信号经MSP430FG437微控制器内置的运算放大器OAO与OA1组成的调理与放大电路后再输入到AD12进行模数转换。AD12本身只对信号进行顺序采集，无法区分是何种光谱，本文通过软件进行区分可见红光和红外光信号。SaO2含量与心率参数可以在LCD上显示，实时采集的数据也可以通过WiFi传输在上位机上通过配套的软件进行显示。除MCU与4个三极管之外，本方案外围器件仅含有无源分立元器件，基本上即可构成单芯片血氧仪解决方案。

两路LED发光驱动电路如图6所示。图中的发射可见红光和红外光的两个LED灯，两路LED驱动电路分时工作，通过P2．2、P2．3驱动发光二极管，通过DAC0控制流经LED的电流，从而控制LED亮度。

低通滤波采用典型的二阶有源滤波器，电路如图7所示。其品质因数ξ为0．75，转折频率为12．65 Hz。由于脉搏血氧信号的高频成份在基频的5倍频处，幅值已是很小，所以该滤波器能使脉搏光电信号无阻碍地通过，对50 Hz的工频也有较强地抑制。

图6　LED驱动电路

电源电路图如图7所示，9 V的电池提供的电压，经过J7和AS1117变压、稳压后，提供低功耗MSP430核心的电压3．3 V，以及电路各部分所需的电压，保证血氧仪正常工作。

图7　电源电路

经低通滤波后送至MSP430处理器进行A/D变换，数字滤波，判断各色光的交直流成份和调制比。根据预先计算出的拟合曲线系数，计算出血氧饱和度。该值、波形数据以及其他数据直接以并行形式送至扩展液晶显示板显示，以作为一个便携式血氧饱和度仪，同时通过WiFi送至云端进行处理，并在控制端显示相关数据和波形。

3　软件设计

本设计中的血氧仪主要功能是监测人体血液饱和度，并通过WiFi将监测到的数据发送到云端进行计算处理，使系统真正达到了智能化，我们根据其功能，在嵌入式平台设计了下位机软件，在上位机中设计了控制软件，通过WiFi无线信号对血氧仪数据进行分析、绘制。

其中嵌入式部分的软件结构见图8，调用ADC采集模块对采样时间及定时进行相关设置。当手指放入光传感器，即可利用的信号被ADC转换模块进行转换处理后，在经过抗干扰模块过滤干扰及噪声，并对所需要的交流信息进行调理和放大。将处理后得到的信息，调用计算血氧浓度及心率模块。经计算后的结果，调用LCD显示模块及无线通讯模块显示血氧浓度及心率，并将信号送至上位机。

图8　嵌入式软件整体设计流程图

上位机设计采用模块程序设计法，使用．NET语言实现，完整的程序结构包含．NET框架所提供的支持，在程序执行阶段，．NET提供了一个程序运行时的环境，这个运行时环境提供管理内存、实时编译程序、进行安全检查、执行垃圾回收等。图9即为上位机软件设计图。

具体程序设计采用的是限幅滤波法，可以有效克服因偶然因素引起的脉冲干扰，确定两次采样允许的最大偏差值(设为Δ)，每次检测到新值时判断，如果本次值与上次值之差＜=Δ，则本次值有效;如果本次值与上次值之差＞Δ，则本次值无效，放弃本次值，用上次值代替本次值。

图9　上位机软件系统功能结构框图

具体算法使用函数Amplitude Limiter Filter()，即限幅滤波法，调用函数Get AD()，用来取得当前值。全局变量Value表示最近一次有效采样的值，在主程序里赋值;New Value表示当前采样的值，Return Value为返回值，是本次滤波结果。常量Δ为两次采样的最大误差值，该值需要根据实际情况设置。

4　模糊神经网络的蚁群优化算法设计

本设计中的血氧仪是要能在多用户间，达到多数据量综合处理等功能，因此本设计中使用基于模糊神经网络的蚁群优化算法，利用神经网络和模糊理论进行学习，蚁群优化算法ACO是分布式智能模拟仿生类算法，它模拟蚂蚁根据信息素来寻找选择避障的最短路径，减少计算量，其算法具有很好的效果和鲁棒性。把模糊神经网络与蚁群优化算法结合应用于血氧仪，以适应不同血氧仪监测之间的联系。其中用神经网络主要实现隶属关系，函数式为:

wc和wg分别确定Sigmoid函数的中心和宽度。

模糊神经网络在环境控制中要注意的参数有:

对于蚁群优化算法在本设计中的分析，假设任一蚂蚁走到某个地方，下面接下去会选择的路径集合为N，集合中任一条路径n∈N上的信息素浓度为τn，走某条路的代价为ηn，那么选择某条路径v∈N的几率为

式中，参数α和β分别表示控制信息素和路径长度的相对重要程度。当这只蚂蚁在所有路径走过一遍后，路径上的信息素浓度将变为:

模糊神经网络和蚁群优化算法部分放置在云端，通过云数据库中调取并计算分析，为血氧仪的监测以及数据处理提供最佳的方案，综合运用于本设计中，提高血氧仪的智能化程度和处理速度。

本设计中对云控制部分有相应的程序设计，下面仅将云控制语句列举出。

ROUTES=cell(K，M);%用云存储每一次血氧仪上传的数据

PL=zeros(K，M);%用云存储每一次血氧仪用户的数据，以及存储的大小

利用云记下每一次上传数据

程序设计中涉及的参数有k为迭代次数(指血氧仪数据存储在云端的次数);m为系统内血氧仪的个数(存储在云端);E为终止点(最后上传的数据)。

该算法运行在云端，作为服务为血氧仪提供数据计算以及查询的功能。血氧仪获取用户的血氧饱和度信息，上传回云端，云端将计算结果返回血氧仪。

5　实验结果

本项目的实验测试重点是监测血液饱和度，经过仔细检查后，硬件和软件得以结合，联合调试，动脉血氧仪可以正常工作，图10为最终上位机显示图，显示了经过调制的光电容积脉搏波信号，红色和蓝色分别表示红光和红外光的投射信号。横坐标表示时间，纵坐标表示振幅。脉搏次数RP可按下式计算:，采样率为500次/s。

图10　血氧监测波形图

在接收时，需先在IP地址中输入云端预先设置的IP地址端口号，以实现与无线模块的连接，然后上位机程序就可以将接收到的血氧饱和度信息定时显示出来，并根据中心线数各监控参数的实时/历史曲线，使用户更加方便地了解血氧饱和度的变化情况。

6　结束语

本文从人体血氧饱和度的检测的意义以及其研究制作的可行性入手，从理论上求证，推导出适合于人体检测的方便可行的血氧饱和度计算公式，为人体血氧饱和度的计算提供了理论依据。另一方面，设计良好的血氧仪监测系统，加入WiFi的云计算处理平台，使用基于模糊神经网络的蚁群优化算法，利用神经网络和模糊理论进行学习进行数据处理，通过人机操作界面，使工作高效、操作简单、使用方便。

本设计中将血氧仪与云计算、WiFi相结合，硬件设计进行了无线传输、血氧饱和度监测等关键模块的设计。基于云平台的数据库与强大的计算功能，为血氧仪监测系统提供智能处理及存储功能。通过理论分析和实验仿真验证，此设计安全可靠，具有实时监控、操作灵活简便、价格低廉等特点，符合智能化血氧仪的发展方向，具有较好的应用及推广价值。

［1］陈亚明，谭小丹，邓亲恺．监护用脉搏式血氧饱和度测试方法的研究［J］中国医疗器械杂志，1999，23(3):99－103．

［2］王峰，李炜，林方，等．用近红外光谱技术实现生物组织含氧量的无损检测［J］．清华大学学报(自然科学版)，1999，39(7): 80－85．

［3］Bonner R，Nossal R，Havlin S，et al．Model for Photon Migration in Turbid Biological Media［J］．J Opt Soc Amer A，1987(4):423－432．

［4］Schmitt J．Simple Photon Diffusion Analysis of the Effects of Multiple Scattering on Pulse Oximetry［J］．IEEE Trans Biomed Eng，1991，38(12):1194－1203．

［5］张虹，孙卫新．金捷脉搏血氧饱和度检测系统设计中干扰信号的处理方法［J］．国外医学生物医学工程分册，2000，23(2): 90－95．

［6］Tien，Jonathan，Redmond．Enhancement of Physiological Signal Susing Fractal Analysis［P］．USPatent:5588427，1997．

［7］张虹，孙卫新，金捷．脉搏血氧饱和度检测中自适应滤波消除运动伪差的方法研究［J］．生物医学工程与临床，2001，5(1): 6－8，11．

［8］张虹，孙卫新，金捷．脉搏血氧仪中光电容积脉搏波的软件检出方法［J］．第四军医大学学报，2001，22(1):16－20．

［9］何鹏举．基于Web服务的无线网络节点传感器研究［J］．传感技术学报，2009，22(11):65－69．

翟永前(1956)，男，江苏东台人，1982年东南大学无线电系无线电技术专业毕业，现为南京铁道职业技术学院教师，高级工程师。研究领域为通信与信号处理等;

奚吉(1977－)，男，东南大学无线电系博士。研究方向为信号与信息处理;

赵力(1958－)，男，东南大学无线电系教授，博士生导师。研究方向为信号与信息处理。

EEACC:254010．3969/j．issn．1005－9490．2015．01．040

基于WiFi的云智能血氧仪设计研究*

翟永前1，奚吉2，赵力2*
(1.南京铁道职业技术学院，南京210015;2.东南大学信息科学与工程学院，南京210096)

结合通信技术最新发展，本文通过引入云智能，提出了一种基于WiFi的云智能血氧浓度检测系统。该系统利用云计算实现了模糊神经网络的蚁群优化算法，不仅降低了感知端的软硬件设计的复杂度，而且有效提高了血氧检测精度，更有利于血氧健康数据的实时跟踪和长期维护。实验结果表明，本文提出的设计安全可靠，符合智能医疗的发展方向，因此具有较好的应用及推广价值。

WiFi;云计算;数据处理;血氧检测

TN925．93;TP242;TP393

A文献标识码:1005－9490(2015)01－0189－05

2013－12－27修改日期:2014－03－05

项目来源:国家自然科学基金项目(60975017);教育部博士点专项基金项目(20110092130004)