医院专用图像信息采集系统开发

摘要

　　随着社会的发展，人们对自身健康状况的关注不断提高，实时监测相关用户的医用生理数据信息很有必要。传统智慧医疗方式大都通过无线的方式将采集到的数据发送到远程服务器，本文提出了一种新的智慧医疗方案，首先采集人体生理数据信息，然后将数据以七段码的形式显示在液晶屏终端，利用安卓智能终端进行拍照获取数据图像，结合图像识别的相关技术实现数据图像的识别，将识别结果保存在数据库并上传至服务器。

　　本文通过两种方式实现图像的识别：一种是 BP 神经网络的方法，此方法需要对图像进行预处理和特征提取，然后将特征经过分类器进行识别；另一种是利用深度学习中的卷积神经网络，将整个图像作为输入特征对图像进行识别。

　　本文的主要具体研究工作和创新点如下所述：

　　(1) 设计了一个医用采集系统，对人体的相关生理信息进行采集，设计和制作了数据采集模块和显示模块。数据采集模块以 MSP430 单片机为控制芯片，结合传感器芯片采集人体生理信息，将信息数据显示在液晶屏终端；(2) 分析 BP 神经网络的原理，并且针对其训练提出了一些改进方法，用安卓终端采集大量液晶屏七段码数字图像样本，在 VS2010 平台训练得到了液晶屏数字识别分类器，在测试集上检测显示识别率可以达到 98%；(3) 设计了安卓客户端应用程序，程序功能包括液晶屏图像采集、用户数据存储、图像识别和数据保存等。利用安卓的本地接口功能，实现图像的预处理和特征提取，结合训练成功的神经网络分类器实现液晶屏数字的识别，完成医用数据信息的采集，通过本地数据库保存并且上传至服务器，供用户和相关人员查看；(4) 结合深度学习的技术，对卷积神经网络的模型提出一定的改进，分别对手写数字库MNIST 和液晶屏七段码数字图像进行识别，实验结果表明可以达到比传统方法更高的识别效果。为了便于将深度学习网络移植，本文提出了一种权值减少的方法，实验结果表明采用本文提出的方法，可以将神经网络的参数权值减少 82%，并且保持较高的识别率。

　　关键词: 智慧医疗，图像识别，BP 神经网络，安卓，深度学习

Abstract

　　With the decelopment of the society, people pay more and more attention to their heathy condition, and it is necessary to monitor the medical physiological data of the user in the real time.Conventional wisdom medical approach collect data through wireless mode and send them to the remote server. In this paper, a new intelligent medical scheme is proposed. First, human physicolog- ical data can be collected, then display the data on the seven segment code Liquid Crystal Display screen terminal. Last, store the result in the database and upload to the server after identifing the recognition technology with the image which captured by Android smartphone.

　　In this paper, the image recognition achieved in two ways: one is the Back Propagation neural network method which needs for image pre-processing and feature extraction. Then the characteris- tics are identified by the classifier; The other is taking the whole graph as the input feature of image recognition with the convolutional neural network.

　　The main research work and innovation points of this paper are as follows:

　　(1) A medical physiological system is designed which include data acquisition module and displ- ay module. The system takes MSP430 microcomputer as the control chip and display the physiolo- gical data which are collected by sensor chip on the LCD screen;(2) After analysing the principle of BP neural network, some improved method is put forword. A large number of LCD seven segment code of digital image samples are collected and then the recognition classifier can be got after being trained with visual stdio 2010 platform. The test shows that the recognition rate can reach 98%.

　　(3) Android client application is Designed. Its features include image acquisition, user data stora- ge, image recognition and data storage, etc. The image preprocessing and feature extraction can be realized with the android native interface function. It recognizes the image with the trained neural network classifier. The physiological data can be saved in the database for checking.

　　(4) Combined with the deeplearning technology the handwritten digital library MNIST and the seven segment code of the LCD screen can be identified and the result shows its recognition rate is higher than that of BP neural network. A weight reduction method is proposed for facilitating the deep network. The experimental results shows that the parameter weights of network can be reduced by 82% and still keep a high recognition rate.

　　Key words: Medical wisdom, Image recognition, Back Propagation neural network, Android, Deep learning

　　随着我国经济的不断发展，人们的健康水平和生活水平不断提高，对自身的健康关注程度也不断增加。但在我国，重大传染性疾病带来的压力仍然没有减轻，如流行性感冒等严重影响了国民的生理健康。因此，对相关病人或者需要监护的人群进行实时的健康生理参数监控很有必要，便于人们实时了解自身身体状况，同时方便医护人员对病人的实时指导、跟踪调查等。因此，对于医用采集系统的研究就很有必要。

　　医用信息的采集，是智慧医疗[1]和远程医疗的一个重要组成部分。在 1993 年，Mora 等人提出了一种远程医疗监控方案，包括信号采集、生理信息传输、生理信息分析诊断和医疗干预四个部分[2]。此后，关于医疗监护方面的研究就大体按照这个方向发展。随着科研机构、个人以及政府的努力，近些年来，远程医疗和智慧医疗已经越来越多的出现在我们的视野当中，比如医院、居家诊所等实现对病人生理信息的实时监控[3]。

　　在我国现代化和信息化的发展过程中，自动识别技术越来越多的应用在各个领域，利用图像识别技术加快自动化、智能化的进程。液晶屏作为信息采集设备的重要载体，对其图像的识别已经是图像识别领域研究的热门，常用的医疗设备，其数据也大都以液晶屏的形式显示给用户。

　　自动识别依靠图像识别技术做支撑。图像识别技术的研究已经进行了很多年，图像识别技术是利用计算机视觉采集物理对象，以图像数据为基础，让机器模仿人类视觉，自动完成某些信息的处理功能，达到人类所具有的对视觉采集图像进行识别的能力，以代替人去完成图像分类及识别的任务[4]。图像识别其目的是将研究客体的特征类别映射成“类别号”，进而进行识别。

　　近年来，随着 4G 网络和智能终端的普及，将移动设备与智慧医疗结合起来的应用越来越多。例如，可穿戴设备在实时检测方面性能显着[5]，利用可穿戴设备对高血压患者进行实时检测，可大大延长其就医间隔时间。智能终端设备与智慧医疗的结合是建立在信息获取、信息传输和信息分析之上的，而智能医用采集系统设备、移动智能终端和云计算平台可以为其提供基础的平台。

　　移动通信时代，智能终端设备已经走进我们每个人的生活，如安卓设备和苹果设备，这些设备的应用极大的改变了我们的生活。安卓设备采用安卓系统，安卓系统是在 2007 年由谷歌公司推出的基于 Linux 内核的智能操作系统。安卓的诞生伴随着移动互联网的高速发展，在智能手机、智能平板和智能电视等领域得到广泛应用。目前国内和国际上大部分的智能终端制造厂商，都是使用的安卓系统或者定制的安卓系统。另外，安卓提供完整的、免费的开发平台，开发者可以自由的开发应用软件，这些优势吸引了大量的开发人员和厂商加入到安卓阵营当中。

　　基于社会的发展和人们对自身生理信息关注的需求，现有的智慧医疗均通过无线方式实现医疗监控[6]，存在很多弊端，传输数据方式也比较耗电，随着安卓智能终端的发展和普及，利用安卓终端实现图像信息的识别，进而结合安卓终端采集用户医用生理信息实现远程医疗和智慧医疗，有非常广阔的应用前景和潜在价值。

　　智慧医疗最早是 2009 年的时候由 IBM 公司提出的，智慧医疗是智慧地球的一部分[7]。智慧医疗是以最新的物联网技术为基础，涉及人们生活的各方面，结合最新的医学成果为人们提供更好的医疗服务[8]。智慧医疗主要通过三个步骤实现，包括用户生理信息采集、信息远程处理与服务和智能认知发现[9]。其中，智能终端扮演着重要的角色，可以对用户生理信息采集，并且实现信息远程处理的任务。

　　除了 IBM 之外，其他许多国家和公司也对智慧医疗的发展非常重视。苏黎世 ETH 大学的研究成果-AMON[10]，为患有心脏病和呼吸疾病的病人设计了可穿戴医疗监控报警系统，可对病人的血压、脉搏、体温等进行监控。我国也非常重视医疗领域的信息化建设，在 2009 年颁布了《中共中央国务院关于深化医药卫生体制改革的意见》，为推动我国医疗卫生领域信息化建设提供了保障。

　　自从 2007 年谷歌推出安卓系统之后，安卓得到了爆发式的发展。安卓从最初的 1.0 版本，到后来的经典版本如 1.5、2.1、4.0 和 4.4 等版本，现在已经发展到了安卓 5.0 版本。安卓版本更新较快，每隔一段时间就会有新版本出现。随着版本的升级，其提供的应用程序接口也就越多，从安卓 2.3 版本开始，安卓提供了 JNI 技术，通过 Java 本地接口可以满足安卓开发人员使用 C++进行应用程序的开发，意味着开发人员可以通过调用计算机视觉库进行图像处理和图像识别相关的开发，这极大的扩大了安卓的应用范围。

　　医院专用图像信息采集系统功能演示：

安卓系统架构

用户登录界面

用户注册界面

主界面

个人基本信息

个人信息数据

图像识别

识别成功

识别失败

目录

　　专用术语注释表
　　第一章 绪论
　　　　1.1 研究背景及意义
　　　　1.2 国内外研究现状
　　　　　　1.2.1 智慧医疗发展现状
　　　　　　1.2.2 安卓发展现状
　　　　　　1.2.3 图像识别技术研究现状
　　　　1.3 本文主要研究内容及结构安排
　　　　　　1.3.1 本文主要研究内容
　　　　　　1.3.2 本文结构安排
　　第二章 图像识别问题理论分析
　　　　2.1 图像识别系统
　　　　2.2 BP 神经网络
　　　　　　2.2.1 人工神经网络
　　　　　　2.2.2 BP 神经网络模型及应用
　　　　　　2.2.3 BP 神经网络原理
　　　　　　2.2.4 BP 神经网络的改进
　　　　2.3 图像预处理技术
　　　　　　2.3.1 图像灰度化
　　　　　　2.3.2 图像二值化
　　　　　　2.3.3 图像形态学处理
　　　　　　2.3.4 图像倾斜矫正
　　　　2.4 本章小结
　　第三章 医用信息采集系统搭建
　　　　3.1 体温生理信息采集
　　　　　　3.1.1 TMP112 传感器
　　　　　　3.1.2 接口电路设计
　　　　　　3.1.3 软件设计
　　　　3.2 液晶模块设计
　　　　　　3.2.1 液晶显示器介绍
　　　　　　3.2.2 液晶驱动模块功能
　　　　3.3 整体硬件设计
　　　　　　3.3.1 单片机设计
　　　　　　3.3.2 传感器模块设计
　　　　　　3.3.3 液晶显示模块设计
　　　　3.4 其他生理信息采集
　　　　3.5 本章小结
　　第四章 基于安卓终端的图像识别实现
　　　　4.1 安卓系统开发平台
　　　　　　4.1.1 安卓系统架构
　　　　　　4.1.2 开发环境配置
　　　　4.2 安卓客户端设计相关技术
　　　　　　4.2.1 安卓摄像功能
　　　　　　4.2.2 安卓 SQLite 数据库存储
　　　　　　4.2.3 JNI 原理及应用
　　　　　　4.2.4 计算机视觉库
　　　　4.3 液晶屏图像识别的实现
　　　　　　4.3.1 图像预处理
　　　　　　4.3.2 字符分割及归一化
　　　　　　4.3.3 图像特征提取
　　　　4.4 主要功能模块设计
　　　　　　4.4.1 客户端功能分析及开发界面分析
　　　　　　4.4.2 用户个人信息模块设计
　　　　　　4.4.3 数据采集模块
　　　　　　4.4.4 数据存储模块
　　　　4.5 本章小结
　　第五章 基于深度学习的图像识别研究
　　　　5.1 常用深度学习网络
　　　　5.2 卷积神经网络
　　　　　　5.2.1 卷积神经网络结构
　　　　　　5.2.2 卷积神经网络特点
　　　　5.3 卷积神经网络实现手写数字识别
　　　　　　5.3.1 MNIST 数据库
　　　　　　5.3.2 卷积神经网络实现手写数字识别
　　　　　　5.3.3 本节实验结果
　　　　5.4 基于卷积神经网络的液晶屏七段码识别
　　　　　　5.4.1 液晶屏数字图片
　　　　　　5.4.2 卷积神经网络实现液晶屏数字图像的识别
　　　　　　5.4.3 本节实验结果
　　　　5.5 权值减少
　　　　　　5.5.1 参数减少原理
　　　　　　5.5.2 实验结果
　　　　5.6 本章小结
　　第六章 总结与展望
　　参考文献
　　附录 1 攻读硕士学位期间撰写的论文
　　附录 2 攻读硕士学位期间申请的专利
　　致谢

（如您需要查看本篇毕业设计全文，请您联系客服索取）