物联网技术应用于医学领域的研究进展

韦浩然，赵思萌，罗 旭

（遵义医科大学 医学信息工程学院，贵州 遵义 563000）

0 引 言

物联网（IOT）是在计算机网络技术的基础上构造的一个万物互联的感知网络，其主要支撑技术是传感器网络技术和互联网技术，分别属于物联网络架构的下层和上层。传感器网络技术中最主要的是无线传感器网络技术，该技术涵盖射频识别（RFID）技术、传感器检测技术、无线传输技术等，主要任务是感知信息并将信息通过网内节点路由后发往汇聚节点，网络内部以无线的方式组网，无线通信协议可以是ZigBee、WiFi、蓝牙、LoRa等。当然传感器网络也可以是有线网络。互联网技术是传感器网络技术的外延与衔接，该网络中一般以传感器网络中的汇聚节点为始端，将节点的感知信息通过Internet送到数据处理终端进行分析。物联网用途广泛，遍及智能交通、环境保护、政府工作、公共安全、平安家居、智能消防、工业监测、健康护理、智能农业、水利监测、食品溯源等多个领域。

随着时代的发展，现代医学已离不开信息技术，逐步从信息互动、存储、传输等基础功能走向深度融合，在临床护理、疾病诊断、智能手术等领域发挥越来越多的作用。物联网技术作为信息技术的一项前沿技术，将其融入医学，可以实现远程体检、远程医疗医护、医院智能管理等多项功能，尤其可以促进“4P”医学，即预防性、预测性、个体化和参与性医学的发展。

对于如何将物联网技术与医学更好地结合起来，国内外一直在从事相关研究，并取得了一些成果，涉及到智能可穿戴设备、人体传感器网络、远程医疗监护以及医院管理多个方面。本文从医疗物联网的架构、涉及到的医学信号处理技术以及应用领域方面梳理了当前物联网技术在医学领域的研究进展以及面临的问题。

1 医疗物联网架构

可穿戴传感器设备是人体物联网的基础，其实际上是一类便携式传感器节点，基本组件包括传感器、微处理器（MCU）、外围电路、通信模块以及电源模块。传感器节点组件结构如图1所示，传感器节点通过传感器采集信息，获取信息后将信息送往微处理器，处理后的信息经由无线通信模块发送到外延数据终端进行处理，其中最关键的即为传感器部分。目前的传感器节点可以监测脑电、心电、呼吸频率、姿态、体温以及运动加速度等，文献[3]中综述了目前应用的可穿戴传感器节点。在已有研究中还融入了泛在物联网的概念，除可穿戴微机电节点外，把一些较为复杂的医疗仪器设备，例如超声检查仪、核磁共振仪也作为医疗物联网的节点端。

图1 传感器节点组件结构

将分散的可穿戴设备自组成网，即构成了人体传感器网络，也称为人体物联网，这些设备节点常通过星型拓扑联系在一起。图2给出了人体物联网的工作方式，各感知节点将信息发送给汇聚节点，然后由汇聚节点将信息发送给云端处理系统。

图2 人体物联网

人体物联网是医疗物联网的下层网络，汇聚节点相当于一个中继路由节点，作为互联网的终端机可以将人体物联网监测到的数据传送到远程终端。当然，人体物联网是一个微机电系统，对于非微机电系统，例如一些大中型医疗设备可以直接接入互联网传送数据。

2 医疗物联网中的信息处理技术

2.1 医学信号处理技术

体征信号类型不同，其处理方法也不尽相同。按照信号的周期变化和组分复杂度，可以分为复杂成分信号、节律平稳信号和稳态信号。典型的复杂成分信号有脑电信号、心电信号，典型的节律平稳信号有呼吸运动和气流信号、脉动信号，典型的稳态信号有血压、血糖信号。

2.1.1 复杂成分信号监测与处理

脑电波是一种复杂成分信号，指示一些自发的、有节律的神经电活动，其频率变动范围在1～30次/s之间，划分为δ波、θ波、α波、β波、λ波、μ波、σ波等多个波段。与脑电类似，心电成分也较为复杂，有P波、PR间期、QRS波、ST段、T波、U波等多个波段。

脑电监测：主要依托导电电极获取脑部的自发性生物电，而后放大以监测多个电位，因此脑电传感器有多个电极。心电监测：若仅监测心率，即心脏每分钟跳动的次数，采用压电传感器即可；若要获得心电图以及监测心率和心律的具体变化，则要依托生物电极采用心电导联法进行测量。

复杂信号分析中常要求对信号的多个成分进行析取，涉及到波谱分析或特征分量分析。例如，正常的脑心电信号各频率组分都在一个给定的频率范围（频域）内。若析取的频率组分不在频域内，则判定当前监测到的信号可能有异常现象；同样，若电波信号可以分解为多个特征分量的和，当某个特征分量的系数超过额定值时，也可判定为可能有异常情况。这里简介三种信号分析方法：

（1）小波分析

小波分析是常用的复杂信号分析方法，其基本思想与傅里叶变换类似，将随时间变化的时域信号映射到频域进行观察，基本原理如下。

设()表示采集到的脑电或心电离散信号，则()的离散序列小波变换定义为：

其中：()为小波基函数，数学形式已知，ψ()为小波基函数经伸缩和位移变换后得到的函数簇；、分别代表频率分辨率和时间平移量。调整分辨率即尺度值，可以观察到不同成分的频率信号，即不同的C序列值。

（2）稀疏分析

在调和分析中，信号()可分解为一组基函数的线性组合，即：

其中：(φ())是用于分解信号的基函数；={φ(),∈}即字典，是基函数的集合。

φ()可以认为是信号()的特征分量；α即是特征分量上的系数。稀疏分析即是构造字典，根据字典中的特征分量分解信号，并观察特征分量对应的特征系数是否超过经验阈值。

对于稀疏分解，选取字典是关键步骤，字典不唯一。在当前的信号处理应用中，所用的字典都是过完备的，即字典中有冗余原子，原子之间并不是线性无关的。将上式转化为矩阵形式，稀疏表示可以转化为求解如下优化问题：

其中 ||||={,α≠ 0} 为的范数。

（3）时间序列分析

若信号()是平稳的，按照平稳信号分析方法，第个点的值()可用该点前面的序列值即(1),(2),(3), ...,(-1)来预测，自适应自回归模型（AAR）常用来作平稳序列预测，具体有：

2.1.2 节律平稳信号监测与处理

节律平稳体征信号也是时变信号，在正常的情况下有典型的周期性，波形变化平稳。对此类信号的监测一般有固定的采样频率，且采样频率满足奈奎斯特采样定律。相比于心脑电信号，此类信号的波谱成分较为单一，信号分析采用傅里叶频域分析方法即可。

若信号()的周期为，即()=()，则该信号的离散傅里叶变换为：

这样，就可以把时间序列信号()映射为频域信号()进行观察。()的离散傅里叶逆变换为：

当然，若身体机能出现某些异常，例如呼吸节律不一，则会影响信号的周期性，这时仅通过观察序列信号的时间域变化即可。

2.1.3 稳态信号监测与处理

部分体征信号在相当长的一个时段数值稳定，例如一天、一个上午，甚至是一个小时。常测的此类体征信号有：血氧饱和度、血压、血糖、血脂。血氧饱和度一般采用光电传感器测量；血压一般采用压电传感器测量；血糖和血脂传感器需要微创采血，然后利用电化学法或光化学法测量。相比于复杂成分和平稳节律信号，此类信号的变化相对缓慢，变化周期和采样间隔也相对较长。对此类信号，进行长间隔采样序列的时间域观测即可。

2.2 远程信息处理

2.2.1 数据通信

数据通信主要是网络通信通用技术和数据压缩通用技术。在当前第五代通信技术（5G）逐步成熟的背景下，通信速率大大增强，可以将云端信息实时发往远程后台，实现医生的实时监护。例如在慢阻肺诊治应用中，整套系统由患者的手机端、便携式远程监测肺功能仪、云端智能信息分析系统以及医疗服务端构成；由便携式远程监测肺功能仪采集受测客户肺功能生理参数，所采集的数据被传输至云计算框架下的智能信息分析系统；该系统分析客户数据，并传输至医疗服务端，医务人员根据需要给出建议，通过软件传回受测客户的手机端。

2.2.2 数据融合

在一些应用中，物联网不仅作为信息采集的工具，而且还对监测到的多个节点或终端的信息作综合分析，主要采用的是数据融合技术，具体如下：

（1）数据层面上的数据融合，即对数据进行去噪、滤波、压缩和特征提取等较低层面的处理操作。

对于离散信号()，其实际表达为：

对于离散信号()，可以映射到频率域，如式（5）所示的周期信号离散傅里叶变换表达中的2π/，∈{0, 1, 2, ...,-1}即频域范围。滤波即让信号通过一个选择滤波器，仅仅关注某一频域(2π/)，∈[,]内的信号信息。

压缩处理即减小信号在通信过程中的数据量。在压缩处理中可以用一组基来分解原信号（包括图像），突出系数较大时对应的分量，而忽略系数较小时对应的分量，采用2.1.1节提到的稀疏分解或小波分解可实现。

特征提取即提取信号的主体特征，可以通过2.1.1节提到的小波分解、稀疏分解实现。若用一组信号基来分解信号，那么各信号基分量的系数即为信号的特征。当某监测信号来源于多个信号源的信号混叠时，例如在脑电监测中脑电信号除脑电本身外还含有肌电成分，特征提取常基于独立分量分析的方法实现，目的是提取不同的信号源信息。独立分量分析方法亦可用于来源于多个信号源的信号去噪处理中，即去除多源信号中噪声源的影响。

（2）特征层面上的数据融合：对数据进行更进一步的模式识别，即对表征事物或现象中蕴含的各种形式的（数值的、文字的和逻辑关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，其中又以特征分类最为典型。常采用支持向量机、随机森林、神经网络或目前惯用的深度学习等机器学习方法实现。

（3）决策层面上的数据融合：即对数据所反映的信息作最终判断，例如所患何种疾病、病人健康状态或病情发展趋势预测。决策层的数据融合方法多样，结合具体的应用有不同的方法，惯用的方法如下：有时间序列分析方法，即已知某个传感器随时间变化的多个监测数据(1),(2), ...,()来推测即将发生的第+1个值(+1)；证据理论方法，即通过已知的不同监测对象的多个传感器监测数据(),(), ...,s()，推测患病、发病或恶化等事件发生(()=1)还是没有发生(()=0)。

2.3 RFID辅助管理技术

无线射频识别即射频识别技术（Radio Frequency Identification, RFID）是自动识别技术的一种。通过无线射频方式进行非接触双向数据通信，对记录媒体（电子标签或射频卡）进行读写，从而达到识别目标和数据交换的目的。RFID系统由读写器、电子标签和数据管理系统三部分组成。

在RFID辅助管理中，事先将病人或设备信息写入标签；在巡查过程中，由手持RFID读写器读出标签中的信息，以达到获取初始输入信息、定位病人或设备对象的目的。例如：通过给新生儿佩戴一个代表身份的RFID电子标签，对新生儿进行区域定位以及身份识别管理；给特殊病人佩戴RFID电子标签，有针对性地设定病人的各个权限以及活动范围；给医生和医护人员的工作卡加装远距离的RFID电子标签，可以获取位置信息以便更好地提供服务；在每个需要进行资产管理的房间及走廊安装RFID识别器，一旦带有RFID标签的移动设备进入某一房间或区域，立即被房间或区域内的RFID识别器识别以实现自动跟踪每一台设备。

3 医疗物联网的相关应用

3.1 体联网技术案例

目前的可穿戴传感器设备有呼吸气流传感器、脑电传感器、心电传感器、血氧饱和度传感器、呼吸运动传感器、血压计、血糖仪、血脂仪等方面的可穿戴节点。文献[3，18-31]中研究了一些目前的可穿戴节点类型和技术。多个可穿戴节点监测不同的体征信息，这些节点便构成了体联网，并且可以集成在一套智慧衣上。体联网的主要目的是实现体征信号的远程监测，以用于对病人远程随访观察、看护和辅助诊疗。

3.2 物联网辅助远程医疗应用

医疗物联网在临床中的一个重要目标是实现远程诊断、远程处方、远程治疗等远程医疗。物联网远程医疗建立在体联网的基础之上，利用物联网中的传感器节点实时采集医疗现场数据，并通过互联网络将信息远程送往医联体远端，进行远程疾病诊疗和医护指导。但在此应用领域中，涉及到的物联网概念通常为泛在物联网，末端端点既可以是微机电传感器节点，也包括计算机，亦可以为核磁共振仪、超声或B型超声波诊断仪等大中型医疗信息采集设备。文献[36]探讨了如何利用医疗物联网服务于脑卒中的远程诊疗；文献[37]讨论了如何将医疗物联网用于睡眠呼吸疾病的辅助诊疗，开发了一套物联网系统以观察帕金森症；文献[38]介绍了如何将医疗物联网用于呼吸系统疾病的诊治和管理；文献[39-40]针对心血管疾病的监护设计了基于物联网的远程监护系统；文献[41-43]针对心脏疾病的监测设计了基于物联网的远程监测系统；文献[44]探讨了基于物联网的慢性病监护和管理；文献[45]介绍了如何利用物联网监护手术病人；文献[46-47]针对帕金森病的监测设计了物联网监护系统；文献[48]讨论了如何利用物联网的监测信息来判断用户是否患有阿尔兹海默病。在文献[49]中综述了基于物联网的远程医疗研究现状和相关技术，提出了新的研究方向、建议和挑战。

3.3 医院物联网应用

医院物联网是指运用物联网技术解决医院管理问题，例如：通过RFID设备保存用户的医疗档案和个人信息，并由医院服务器处理、存储这些医疗数据；医护人员在对病人做医护处理前，可通过PDA读取患者RFID医疗卡上的信息，了解患者的病史和血型等；利用物联网系统实现环境监测功能，通过传感器节点上装备的湿度、温度、空气质量、光电、图像等传感器监测房间湿度、温度、空气质量、消防情况，并且能够获得医院环境的监控视频。医院物联网主要是借助了物联网中感知节点的信息采集、信息转发功能。

国内外在医院物联网方面展开了一些研究。文献[51]结合物联网和移动互联网实现了后勤智能化管理与综合运维管理的全方位整合，将医院后勤保障与服务有机结合成一个整体，有效提升了医院后勤管理效能。文献[52]中为了提高资产管理的效率、保护资产的安全与完整以防止资产流失，提出了一个在医院资产管理中采用物联网技术的解决方案。文献[53]结合医疗物联网集成平台系统，讨论了病患服务、物品管理以及业务流程管理在内的医院管理模式的创新。文献[54]提出了一类基于物联网环境和云网的医疗设备信息物理系统（medical cyber-physical system），以便于远程与设备穿戴或使用者之间实现直接和实时的交互。为了应对新冠疫情，文献[55]提出借助于物联网技术辅助实现及时发现、隔离、管理新冠肺炎确诊、疑似、可疑患者或潜在传染源。国外的一些研究提出了智慧医院（Smart Hospital）的概念，讨论了如何将物联网技术用于包括病人、病房、各类设施在内的医学综合管理。

4 问题与挑战

医疗物联网的研究和应用中遇到的问题和挑战主要体现在物联网用于临床医学，即物联网与医学的深度融合中。虽然目前已有物联网用于临床医学的案例，但较成熟的还是在体征监测方面，针对具体病型的辅助观测和诊疗的研究还在初级阶段，且存在如下问题：①受传感技术的制约，部分体征信号缺乏便携式传感器设备；②由于传感器节点的处理能力有限，大多数情形下数据还是要返回给云终端进行处理，大规模分布式数据处理和分析技术还有待提升；③目前虽然报道的技术很多，但大多是在实验室中实现的，离成熟的市场应用还有一定的距离；④针对具体病型的物联网监测通常是在已知患病病型的情况下进行的，根据监测数据进行较为深入的健康评估或疾病预测的应用还亟待拓展研究。

但总的来说，随着技术的不断进步，尤其是微机电芯片技术的发展，物联网中传感器节点的数据处理能力越来越强，通信速度和可靠性越来越强，后续医疗物联网依然是信息技术与医学结合的一个研究热点。

5 结 语

本文综述了物联网技术应用于医学领域的当前研究进展。首先介绍了医疗物联网的架构；然后根据物联网应用于医学中的三种用途类型，即体联网、远程医疗和医院管理三方面阐述了医疗物联网中的信息处理技术，结合相关文献介绍了上述三个方面的技术应用现状；最后在现有研究进展之上提出了物联网技术应用于医学，尤其是与医学深度融合中面临的一些问题和挑战。