生命体征监测及医学预警技术综述

王振铎 曹强 王英强 边倩

摘要：该文对生命体征监测及医学预警的发展情况进行了综述。首先，对生命体征数据采集方式、设备进行了比较。然后，结合机器学习和计算思维在该领域的研究进行了介绍。最后，总结了该技术的发展方向，提出将用户、医疗机构实现系统融合，利用机器学习、计算思维对人们的身体健康进行主动干预和诊断，为从事相关研究工作提供了思路。

关键词：生命体征监测;医学预警;机器学习;计算思维

中图分类号：R472.4   文献标识码：A

文章编号：1009-3044（2022）15-0007-03

1引言

随着市场经济的高速发展，生活节奏的加快，人们常常处于各种工作、应酬中，导致精神压力过大、生活方式缺乏规律，进而造成亚健康状态，各种慢性疾病也随之产生。为了更好工作和生活，人们对健康的需求日益增加。生命体征作为身体是否健康的常规指标，对其日常监测逐渐受到人们的重视。生命体征监测技术的研究经历了从最开始的摸索到如今逐渐深入。例如杨桂方等人设计了旨在提取被监测人的生命体征的“生命体征数据采集系统”。该系统能够自动采集“体温、脉搏、呼吸、血压”四大生理参数，实现了生命体征数据的信息化采集，减少了护理人员的工作，但系统缺乏预警机制，还无法满足人们对健康预防的更高要求[1]。机器学习作为推动人工智能技术发展的核心动力，在医学领域已逐步应用，并在疾病防治方面表现出显著的作用[2]。机器学习结合生命体征的医学预警及早期医疗干预逐渐成为医疗健康领域的主要研究方向。

本文主要从生命体征的监测方式、机器学习在疾病预测及诊断、计算思维在医学中的作用三方面对生命体征监测及医学预警技术进行介绍。

2生命体征监测的主要方式

2.1 人工监测方式

在医疗机构，生命体征数据的采集是护士的日常基础工作。在电子监测设备广泛应用前，大都使用机械设备、人工测量，手工记录。测量后，为了及时掌握患者的康复状况，还需手工绘制各种生命体征数据的变化曲线，进行分析。显然医院应用信息管理系统，但是护理人员还需将手工记录的数据全部录入到护理系统中，以便利用计算机进行快速地检索和统计。目前，虽然数据采集设备已经更新成电子设备，但是病人的各种生命体征数据的记录和录入工作并没有减少，数据采集工作给护理人员带来了很大的工作量，而且人为记录和录入容易出现错误，数据的真实性和实效性不够理想，易造成治疗的安全隐患[3-5]。人工监测方式也适用于购买电子监测设备居家自己监测生命体征。但是，此种方式，需要人工操作设备，不够自动和智能，也不便记录和分析。

2.2 非人工监测方式

研究人员经过多年的研究，结合多种技术和设备实现了生命体征的非人工监测。主要有以下几种：无线技术结合传感器、生物雷达、智能穿戴。早在2005年，Edward Teaw、Gao等人提出了利用无线技术结合各种生命体征传感器，监视用户的行为生命体征，并通知亲属和医务人员在危及生命的情况下他们的位置，但无线技术在目前已被其他技术所替代[6-7]。近年来，生物雷达技术在非人工监测方面应用较为广泛，例如利用脉冲无线电UWB雷达从记录波形的频谱中估计生命体征，尤其是呼吸频率和心跳频率[8]。为了获得更好的监测效果，Seet等人优化了多普勒雷达系统中天线的设计，以便可以安装在任何形状的表面上[9]。随着新技术、新型材料和新型生物传感器的产生，可穿戴健康设备已进入生命体征监测的领域，其具有体积小、可穿戴、低功耗、结构功能多样灵活、工作过程可持续、可在移动中使用的优点。最重要的是把被监测者双手解放出来，使人仍能处理其他事情，且能真实反映个人健康状况[10-12]。高端的安全型智能健康设备可以实现监测、诊断、治疗和辅助生活等作用。随着技术的发展，可穿戴设备在医疗监测和预警中的作用越来愈突出[13]。

3医学预警技术的发展

生命体征数据的采集是进行医学预警的基础。如何根据采集到数据进行疾病分析和自动呼救，才是最终的目标。为了防止服刑人员在看守所内羁押期间非正常死亡事件的发生，避免社会影响，保持公安机关执法公信力。这是介绍了一种基于机器学习模型和无线传感技术的高危人群在押人员生命体征监测系统，该系统可以实时采集在押人员的生命体征数据，值班民警、医护人员能够通过远程实时监控在押人员的身体状况，当在押人员身体出现紧急情况或突发疾病时，系统能自动传输报警信息[14]。万军等学者发明了一種基于人工智能的主动120呼救系统，通过智能健康穿戴设备采集用户的日常健康数据，并关联用户的体检数据和诊疗过程中的医疗数据;并将上述用户数据上传至云端进行分析，若是重症则主动进行120呼叫主动干预[15]。Khalaf等人通过对4089个医疗急救电话记录的审计、对住院病人病情恶化预警评分与单一触发预警系统进行了比较。统计数据显示，及时的干预会减少风险不良事件发生率[16]。这些文献表明，医学预警技术正逐步成熟，在不远的将来，居家体征监测和医学预警技术会普及和应用。现在，医疗领域正全面贯彻国家“互联网+”发展思维，促进国家养老相关产业的发展，以老人数据库、呼叫中心及智能终端产品为基础，构建紧急救援、生活帮助、主动关怀三大服务方式，实现居家养老照护服务网络，逐步推进养老服务行业发展。在此基础上，全民健康保障体系也将有序推进和开展。

4机器学习在疾病风险预测中的应用研究

机器学习作为人工智能的主要分支，在疾病风险预测领域发挥着越来越重要的作用。其与医学的融合为疾病的预防和治疗带来了诸多便利，如China-PAR 模型可以评估心血管疾病的十年风险和终生风险，为中国心血管疾病的一级预防提供了实用性评估工具，但该模型尚未在其他疾病领域推广。为了使机器学习方法具有更广泛的应用，研究人员运用多种机器学习算法对不同疾病风险进行了预测，例如使用支持向量机算法检测糖尿病前期和糖尿病患者，利用多种深度神经网络模型预测宫内生长发育迟缓，应用随机森林算法对体格检查人群的糖尿病患病风险进行预测。但是，对于不同类型的机器学习算法如何在疾病风险预测中精确应用，不同算法的适用条件如何，不同算法的精准度如何，尚缺乏客观的数据说明。8DBE87C7-AEA5-4339-8853-1204E0F0B2FB

可喜的是在2019年，佛罗里达大西洋大学和耶鲁大学医学院发表的两项独立研究表明，机器学习算法在改善慢性病风险评估和护理方面发挥了关键作用，尤其对阿尔茨海默病（俗称老年痴呆症）患者和心脏病患者，机器学习可准确地预测发病风险。来自耶鲁大学的研究人员发表的另一项研究发现。将病人的64个冠状CT成像特征输入到机器学习模型中。该模型通过提取分析数据中的形态模式，可预测具有特定模式的患者比具有其他模式的患者更可能发生心脏病等不良事件。与传统方法相比，机器学习方法的预测结果更加准确。研究人员表示，如果增加人体的详细数据，如年龄、吸烟、糖尿病和高血压等，会进一步提高该方法的预测效果。

机器学习方还能够基于计算机系统对数据自我学习，在最小化人为干预的情况下，做出高精度的预测和决策，较传统的统计学方法有着巨大的优势和良好的发展前景。在疾病风险预测领域，机器学习方法既可以针对特定疾病进行预测，也可以对群发性、突发性的流行疾病进行监测预警。只有基于不同机器学习算法的特征和适用条件对这些算法更精准地运用，才能通过方法技术的发展，为疾病风险预测领域带来变革。

5计算思维与医学的结合与发展

5.1计算思维

计算思维起源于计算机科学家在研究和利用计算机进行问题求解过程中常用的思考问题的方法。它的成果体现为在过去半个多世纪以来行之有效的若干分析问题与解决问题的典型手段与途径。计算机科学问题求解的基本形式和活动包括算法、程序、执行、基本机器构建、系统构建、模型计算、类计算、形式化证明、处理过程中各类工具与（各层次）系统的利用。同时，在其设计与实现中，包括工程设计与实现过程沉淀出一系列优秀的思想和方法，而且工具性特色逐渐明显化，甚至趋于更重要的地位。

5.2 计算思维与医学的结合

在医学领域，计算机思维已从初步在生理系统仿真建模、医院信息管理系统，逐步发展到电子健康档案、移动医疗、计算生物学、生物信息学、健康物联网等新型交叉学科以及更广泛深入的应用，并在医学发展和研究中发挥越来越重要的作用。因此，医学技术是否应用计算思维，解决医学相关的问题，包括医学研究、临床决策、指导临床应用等，成为衡量医学诊疗能力的关键。

在这个领域Yaakov Benenson等人描述的可编程的有穷自动机是最著名，他们利用一种特殊的酶，实现了两个状态的非确定性自动机，并将该自动机应用到一个医学模型，开创了DNA 医学计算进行医学的疾病诊断与治疗的发展方向。为了提高医学图像质量，Rammurthy等人采用细胞自動机和粗糙集理论，增加图像预处理步骤，为肿瘤患者区域图像改进了分割结果。Kevin Viard等人提出了一种基于概率有限状态自动机的方法来检测正在执行的活动。该方法可以监测独自在家生活的虚弱人群健康。通过在线识别一个人的日常生活活动，以便检测危险或异常行为。计算思维还可以解决许多医学上的问题，这里就不再一一赘述。

6总结与展望

综上所述，“生命体征监测与医疗预警”方面的研究历久弥新。相关专家和学者主要从设备、方法等方面进行了研究和实践。主要观点如下：

1）数据采集的设备包括各种传感器（心率传感器、心电电极贴、血氧采集传感器、血压传感器和红外体温传感器等）、生物雷达、智能健康穿戴产品等。

2）数据传输方式主要采用ZigBee、蓝牙、3G/4G 移动网络、UWB（Ultra Wideband）、Wi-Fi等。

3）机器学习在“疾病检测和医疗预警”方面会发挥越来越重要的作用。

4）各种自动机理论在疾病诊断中得到实践，将为实现精准医疗提供良好的理论支持。

以上研究的观点与所处的时间、环境、技术关系密切。随着信息技术和通信技术的快速发展，“生命体征监测与医疗预警”采用的设备和技术必将与时俱进。届时会将物联网技术、机器学习、计算思维等计算机科学融合起来，形成用户、医疗机构、医生一体化快速、便捷、安全的生命健康保障体系。利用计算思维细化监测的各种体征状态（正常、轻微症状、急症等），结合先验数据，准确分析，并及时与医生、医院、急救中心等协同工作，实现疾病预警的自动化和智能化，该方面的研究也必将成为新的研究热点。

参考文献：

[1] 杨桂方，徐卫清，宋林玲，等.生命体征数据采集系统的设计与实现[J].中国医疗设备，2021，36（6）：102-106.

[2] Shamout F E，Zhu T T，Pulkit S，et al.Deep interpretable early warning system for the detection of clinical deterioration[J].IEEE Journal of Biomedical and Health Informatics，2020，24（2）：437-446.

[3] 徐执印，刘晓荣，陈国良，等.生命体征监测系统数据传输技术研究现状[J].医疗卫生装备，2013，34（11）：87-90.

[4] 王春雷，柴守霞，袁杰，等.基于Android智能手机的移动护士工作站[J].中国数字医学，2013，8（5）：85-87.

[5] 夏新，刘博，陈彦东.智能体征检测终端在护理信息系统的研究与设计[J].医疗卫生装备，2013，34（11）：46-48.

[6] Gao T A，Dan G，Matt W，et al.Vital signs monitoring and patient tracking over a wireless network[J].Conference Proceedings：Annual International Conference of the IEEE Engineering in Medicine and Biology Society IEEE Engineering in Medicine and Biology Society Annual Conference，2005，2006：102-5.8DBE87C7-AEA5-4339-8853-1204E0F0B2FB

[7] Wang P F，Zhang Y，Ma Y Y，et al.Method for distinguishing humans and animals in vital signs monitoring using IR-UWB radar[J].International Journal of Environmental Research and Public Health，2019，16（22）：4462.

[8] Nitin K，BoonChong S.24 GHz flexible antenna for Doppler radar-based human vital signs monitoring[J].Sensors （Basel，Switzerland），2021，21（11）：3737.

[9] Ajami S，Teimouri F.Features and application of wearable biosensors in medical care[J].Journal of Research in Medical Sciences，2015，20（12）：1208-1215.

[10] 廖华龙，曾小茜，李华凤，等.机器学习在疾病预测中的应用[J].生物医学工程研究，2021，40（2）：203-209.

[11] 许文鹏，谭林，周千里，等.基于机器学习的在押人员生命体征监测系统设计[J].现代计算机（专业版），2018（34）：68-73.

[12] 万军，孫璇，刘娟，等.基于人工智能的主动120系统：CN111128381A[P].20200508.

[13] Khalaf A，Kecskes Z，Georgousopoulou E N，et al.Comparison of an early warning score to single-triggering warning system for inpatient deterioration：an audit of 4089 medical emergency calls[J].Resuscitation，2020，154（prepublish）：7-9.

[14] 李明颖，刘录.北京甘棠社区≥55岁居民动脉粥样硬化性心血管疾病调查与预测[J].社区医学杂志，2021，19（14）：853-856，860.

[15] 张占林，孙勇，妥小青，等.随机森林算法对体检人群糖尿病患病风险的预测价值研究[J].中国全科医学，2019，22（9）：1021-1026.

[16] Yaakov B，Binyamin G，Uri B D，et al.An autonomous molecular computer for logical control of gene expression[J].Nature，2004，429（6990）：423-9.

【通联编辑：朱宝贵】8DBE87C7-AEA5-4339-8853-1204E0F0B2FB