阅读说明：本技术 一种基于LoRa通信的智能输液系统 (Intelligent infusion system based on LoRa communication ) 是由 叶芝慧 张紫嫣 于 2019-06-29 设计创作，主要内容包括：本发明公开了一种基于LoRa通信的智能输液系统,包括输液监测单元、呼叫器、中继器、Lora通信模块和医护站上位机,所述输液监测单元、呼叫器通过Lora通信模块与中继器连接,所述医护站上位机通过网线与中继器连接。本发明通过LoRa无线通信技术,提高了信息传输的鲁棒性、安全性,通过设置称重校准模块,提高了数据测量的准确性。(The invention discloses an intelligent infusion system based on LoRa communication, which comprises an infusion monitoring unit, a pager, a repeater, a Lora communication module and a medical care station upper computer, wherein the infusion monitoring unit and the pager are connected with the repeater through the Lora communication module, and the medical care station upper computer is connected with the repeater through a network cable. According to the invention, the robustness and the safety of information transmission are improved through the LoRa wireless communication technology, and the accuracy of data measurement is improved through the weighing calibration module.)

一种基于LoRa通信的智能输液系统

技术领域

本发明涉及医疗信息领域，具体涉及一种基于Lora通信的智能输液系统。

背景技术

智能输液系统可自动判别输液剩余剂量，预估剩余时间，判别堵针、漏针、空瓶、滴停等情况，通过物联网络把每个床位的输液状态信息实时传送到医护站上位机，使护士在医护站内便可以看到病区中每个床位的输液进程并及时更换药液，是智慧医疗的一个重要研究方向。现有的智能输液系统多采取Wifi、ZigBee 进行无线通信，传输距离较小，且容易受到干扰影响。

发明内容

本发明的目的在于提供一种基于Lora通信的智能输液系统。

实现本发明目的的技术解决方案为：一种基于Lora通信的智能输液系统，包括输液监测单元、中继器、呼叫器、无线通信模块及医护站上位机，所述输液监测单元、呼叫器通过Lora通信模块与中继器连接，所述医护站上位机通过网线与中继器连接。输液监测单元负责监测药液的重量、输液进度等信息，并通过 LoRa无线通信技术传至中继器；呼叫器用于发出紧急呼叫信号，并通过LoRa 无线通信技术传至中继器；中继器从输液监测单元获取输液相关信息，从呼叫器获取呼叫信号，并通过网线传至医护站上位机；医护站上位机为中继器提供电源的同时，根据从中继器获得的信息发出输液结束提醒或呼叫提醒。

与现有技术相比，本发明的优点在于：1)本发明通过LoRa无线通信技术，提高了信息传输的鲁棒性、安全性；2)本发明通过设置称重校准模块，提高了数据测量的准确性。

附图说明

图1是基于LoRa通信的智能输液系统的结构图。

图2是轮询Lora网关的流程图。

图3是安全接入Lora网关的原理图。

图4是本发明实施例的场地示意图。

图5是小波神经网络与人工鱼群算法的具体流程图。

具体实施方式

下面结合附图和具体实施例，进一步说明本发明方案。

如图1所示，基于Lora通信的智能输液系统，包括输液监测单元、中继器、呼叫器、无线通信模块及医护站上位机，所述输液监测单元、呼叫器通过Lora 通信模块与中继器连接，所述医护站上位机通过网线与中继器连接。输液监测单元负责监测药液的重量、输液进度等信息，并通过LoRa无线通信技术传至中继器；呼叫器用于发出紧急呼叫信号，并通过LoRa无线通信技术传至中继器；中继器从输液监测单元获取输液相关信息，从呼叫器获取呼叫信号，并通过网线传至医护站上位机；医护站上位机为中继器提供电源的同时，根据从中继器获得的信息发出输液结束提醒或呼叫提醒。

一些实施例中，Lora通信模块采用星型网络结构。由于Lora网关在某一时刻只能同一个终端节点进行信息的交汇，所以在无线传输的过程中，Lora通信模块采用轮询方式让节点数据按一定的周期轮流访问Lora网关，轮询流程如图 2所示。

通常，输液监测单元通过称重传感器测量药液的重量，进而确定输液进度。但是称重传感器容易受温度影响产生零点漂移现象，导致称重信息不准确，造成输液结束报警的提前或滞后。为应对称重传感器受温度影响产生的零点漂移现象，本发明在输液监测单元内设置称重校准模块，采用小波神经网络与人工鱼群算法对称重传感器进行零点温度漂移的补偿。

在进行温度补偿前，首先通过固定药液重量、改变温度以及固定温度、改变药液重量两种方式，采集不同条件下称重传感器输出的电压数据；然后利用小波神经网络对数据样本进行学习，通过对自身的训练使神经网络输出与期望的输出值逐步逼近；因为小波神经网络容易陷入局部最优，所以引入人工鱼群算法对其进行检验，以便得出全局最优解。

小波神经网络与人工鱼群算法的具体过程描述如下：

(1)初始化参数：对输入层节点个数m、隐含层节点个数n、输出层节点个数l、小波的伸缩因子a_j、平移因子b_j、输入层与隐含层之间的连接权值v_ji、隐含层到输出层的连接权值w_kj赋予初始值，选取隐含层神经元函数及误差函数E；

(2)开始小波神经网络搜索：输入学习样本(称重传感器在不同温度条件下称量的重力)及相应的期望输出(称重传感器输出的电压)，利用公式(1) 计算输出层的输出，利用公式(2)计算误差；

其中，M为输入样本的模式个数，和分别为第i(i＝1,2,…,M)个模式的第j(j＝1,2,…,N)个期望输出和实际输出；

(3)判断是否结束神经网络算法：当误差小于预先设定的某个阈值，停止神经网络的学习，转入人工鱼群算法，否则输入下一样本，回到步骤2，继续神经网络学习；

(4)鱼群初始化：利用小波神经网络输出层的输出结果，对N条人工鱼进行初始化，小波神经网络的输出结果为第i条人工鱼的状态，步骤2中的误差函数为人工鱼的适应值函数，此时人工鱼群聚集在同一处，公告板上的最优解是小波神经网络的输出结果；

(5)进行最优解的验证：鱼群执行觅食行为，按照一定的步长(Step)，搜寻视野范围内(Visual)食物浓度更高的地方(即适应值更小、误差更小的地方)，如果搜寻不到则随机前进一步，此时人工鱼的适应值改变但公告板上的最优解并不更新，当迭代一定次数，公告板的最优解始终未变，则可以判定小波神经网络的输出结果为全局最佳结果；如果鱼群在觅食过程中找到食物浓度更高的地方，则公告板上的最优解改变，并将该结果反馈给小波神经网络使其继续进行训练，如此循环直至找到全局最优解。

一些实施例中，所述Lora通信模块设置安全验证接入模块，利用芯片的物理不可克隆函数性质，实现Lora通信模块与输液监测单元及呼叫器的安全验证接入，安全验证接入的流程如图3所示，具体内容如下：

由于每一个输液监测模块、呼叫器内的芯片制造工艺存在差异，Lora网关向不同的输液监测单元和呼叫器分别发送激励信号，会获得不同的响应信号，这些响应是独特且不可复制的，可作为每个输液监测单元或呼叫器的ID，即身份“验证码”；Lora网关将这些身份“验证码”放入存储模块，用于输液监测器及呼叫器轮询时，进行ID接入验证。

如图4所示，一些实施例中，输液监测单元及呼叫器设置在病床附近，中继器和Lora通信模块设置在医院走廊。由于病床与输液监测单元及呼叫器距离较近，采用无线射频识别技术将每一张病床分别与一个输液监测单元及一个呼叫器绑定。在输液区的病床上分别设置RFID标签，对每一个输液监测器、呼叫器与病床上的标签绑定，绑定之后，医护站主机就可以区分来自不同床位的输液监测单元、呼叫器发送的信息。

为了验证本发明方案的有效性，进行如下仿真实验。

一、Lora通信测试

本实施例中，Lora通信模块采用成都亿百特公司的产品E32-433T20DC，它是一款基于SEMTECH公司SX1278射频芯片的无线串口模块(UART)，该模块采用TTL电平。保持E32-433T20DC产品的默认设置不变，即空中传输速率为2.4kbps、发射功率为20dBm，在存在墙壁、电子设备、光学设备等阻挡，包含4G、WiFi、微波、毫米波等干扰的环境中，进行平面穿墙测试、跨楼层测试。

(1)平面穿墙测试

首先在同一层楼的不同房间进行数据包的收发测试，在发送包为150000个的情况下，测试结果如表1。可以看出，传输路径长达60米(间隔六面墙壁) 时，丢包率仅1.187％，比Wifi、ZigBee等方式的通信质量更高。

表1平面穿墙测试结果表

间隔墙面数	发送包个数	丢失包个数	丢包率
				1(10m)	150000	416	0.277％
2(20m)	150000	425	0.283％
				3(30m)	150000	478	0.319％
4(40m)	150000	579	0.386％
				5(50m)	150000	1216	0.811％
6(60m)	150000	1780	1.187％

(2)跨楼层测试

以三楼为基准，分别向其他楼层发送数据包，测试结果如表2。可以看出，当信号传输至六楼时，丢包率仅为1.271％，比Wifi、ZigBee等方式的通信质量更高。

表2跨楼层测试结果表

间隔楼层	发送包个数	丢失包个数	丢包率
				1(至四楼)	120000	355	0.296％
2(至五楼)	120000	390	0.325％
				3(至六楼)	120000	1525	1.271％

二、称重校准测试

在称重校准模块中，可选用的称重传感器较多，不同的称重传感器由于制造工艺存在差异而具有不同的零点温度漂移规律，因此温度补偿要依据称重传感器的自身规律而进行。这里以PT14型压力传感器为例，测量了它在不同情况下的输出电压数据，如表3。

表3 PT14型压力传感器的测量数据表

t(℃)	P(KPa)	100	101	102	103	104	105	106	107	108
											23.4	U<sub>P</sub>(mV)	21.6	43.0	61.8	81.0	99.1	118.9	139.2	153.4	183.5
30	U<sub>P</sub>(mV)	20.0	39.6	58.4	78.9	98.7	120.2	137.0	150.2	179.9
											37	U<sub>P</sub>(mV)	18.8	39.4	58.9	77.9	95.4	113.9	133.3	152.8	173.9
44	U<sub>P</sub>(mV)	5.5	27.9	45.6	63.1	83.0	101.4	120.0	139.5	157.7
											54	U<sub>P</sub>(mV)	7.9	27.2	46.4	63.5	84.5	102.4	120.0	139.4	158.3
60	U<sub>P</sub>(mV)	4.6	21.2	37.6	54.1	73.1	95.4	103.8	126.9	148.7
											70	U<sub>P</sub>(mV)	4.9	18.5	31.3	49.6	67.4	86.9	96.8	118.9	137.3

在表3中，t为压力传感器所处的环境温度，P是压力传感器承载的压力， U_P是压力传感器的输出电压。

完成数据采集之后，按照图5执行小波神经网络与人工鱼群算法。参数初始化包括：根据压力P的9个取值(100-108)设置小波神经网络的输入层节点为9个，根据温度t的7个取值确定输入样本的模式数为7，设置输出节点为1个用于输出结果；按照已有研究的经验，设置隐含层的节点数为16、网络的最大训练次数为500、学***方和为 0.0001；隐含层神经元函数选用Morlet小波函数，其函数表达式为：

此外，设置鱼群的规模N＝20，视野Visual＝0.7，步长Step＝0.5，最大迭代次数为400。以上参数并不用于限定本发明，在实施例中可根据具体情况作出改进和优化。

接下来进行小波神经网络的训练，将称重传感器在不同温度条件下称量的重力及输出的电压作为学习样本，利用公式(1)计算输出结果，利用公式(2)计算误差；直到计算所得的误差小于设置的阈值，转入人工鱼群算法，以小波神经网络的输出结果作为鱼群的初始状态。

通过让人工鱼群执行觅食行为验证该输出是否为全局最优。设第i条人工鱼的当前状态为X_i，对应的适应值为Y_i(由公式(2)计算所得)，在其Visual范围内随机选择一个状态X_v，如公式(4)，若对应的适应值Y_v<Y_i，则公告板上的最优解更新为X_v，并向小波神经网络进行反馈，使其继续训练以改善结果；否则，人工鱼随机前进一步，变为状态X_inext，如公式(5)，而公告板无需更新。

X_v＝X_i+Rand()*Visual (4)

X_inext＝X_i+Rand()*Step (5)

重复以上步骤，直到小波神经网络输出最佳结果，即温度补偿达到规定误差下的最佳效果。