本发明专利属于智慧医疗领域，是一种结合云计算技术、物联网技术以及大数据分析等技术，以智能移动医疗网络系统作为平台，设计出基于物联网的智慧云心电监护系统。
背景技术：
随着社会的发展和生活水平的日渐改善，健康问题也越来越得到人们的关注。心脏病及心血管疾病作为威胁人类生命安全的主要疾病之一，已得到医学学术界和工业界的广泛关注，但对心脏病及心血管疾病的自动监控与预防等问题仍未得到有效解决。
作为人类健康主要威胁疾病，心脏病以及各种心脑血管疾病发病情况呈现出逐年增长且越来越年轻化的趋势。目前大城市、大医院、医疗机构针对心脑血管类疾病，通常采用患者入院后于临床环境下采用精确治疗的手段或方式，但这种方式普遍成本较高，且缺少日常必要的有效地监控与随时诊疗等措施，这就使得心脏病以及各种心脑血管疾病得不到有效的预防与治疗。随着信息技术的方法，智慧医疗技术正由传统的医疗监护产品过渡到利用物联网进行辅助医疗的阶段，以传感网为基础的医疗终端中，产生了大量的数据，我们对这些数据进行监控之外，还需要进行有效的，智能的云端数据分析，才能有针对性的进行辅助治疗并对日常健康进行监控与反馈。
但目前传统常见的心电远程监护即为远程监控系统的应用，传统的心电监护平台网站，所用的终端部件包括心电holter和心脏bp机，前者只能记录心电信号却不能远程传输，更不能对采集心电信号进行实时分析，患者使用后，需要送到医院由医院专用设备对该心电信号读取、回放和分析，所以现在均用具有存储功能的flash卡替代心电holter。而对于现在的心电bp机虽然能够记录数分钟患者的心电数据信号，但它并不能保证患者能在发病时及时完成一系列的救护操作。
与此同时，由于大数据需要对大量电脑的工作进行分配，它必需达到如map-reduce一样的框架才能实现此功能，为了解决这些问题，我们借助云计算并采用便携式心电信号监护马甲设计出了新系统。
技术实现要素：
根据上述背景技术中存在的缺陷和不足，为了实现上述目的，本发明所采用的技术方案是：一种使用物联网智慧云心电智能监控与数据处理系统的监控方法，所述物联网智慧云心电智能监控与数据处理系统包括心电马甲硬件、智能移动终端、云端服务器，心电马甲用于测定心电数据以及将心电数据发送到智能移动终端；
监控方法如下：
s1.心电马甲硬件作为采集设备对心电数据进行采集；
s2.承载网络层中的移动通信模块利用传输技术将采集的心电数据传输到分监护中心，同时对信息放大、初处理及传送到分监护中心的服务器终端主机；经过无线基站的心电数据被缓存在本地，并定期自动同步到云端服务网络，使心电数据保存在相应的云端服务器上；
s3.云端服务器中根据心电数据中的心电情况数据和心电指标，按照已有专家数据库和用户历史病志数据进行自动监控与大数据分析，分析结果异常则自动预警；云端服务器中的自动监控与大数据分析而形成的数据供医生使用，医生对其进行参考并决策以提供给患者远程诊疗；
s4.应用层软件平台一方面将心电数据可视化转换成云端图表数据，另一方面进行大数据计算结果反馈工作。
进一步对，智能移动终端用于接收心电马甲发送的心电数据，心电数据经本地缓存，若满足预设的时间窗口和存储空间大小阈值条件以及网络连通状态允许，工作站网关通过无线通讯接口对心电数据转存，云端服务器对总体宏观数据同步；
所述对自动监控与大数据分析：云端服务器的云端数据处理系统使用分布式的多因素skyline过滤算法、knn异常匹配算法对同步的心电数据进行多因素过滤及异常匹配处理，并反馈匹配信息；
所述分布式的多因素skyline过滤算法具体步骤如下：
数据分区：对云端服务器上传的异常心电数据，形成报警数据，根据查询报警数据的点所在位置，从而自动定位其所在的医疗区域；
局部剪枝：使用基于spark的skyline查询算法skygrid，通过合理的局部分区，先把一部分数据任务分解到监护站进行子任务计算，再把汇总后的任务在云端进行多因素过滤与合并预处理，调用该区域的已预算的倒排区域索引进行局部skyline查询，并利用频率skyline格技术对局部被剪枝区域进行快速标记；
全局汇总：利用局部skyline的网格标记直接进行剪枝，并得到最终的skyline结果集，其为满足心电异常监控查询条件的数据集。
进一步的，分布式knn异常匹配算法具体步骤如下：
假设经过分布式的多因素skyline过滤算法过滤后得到的异常心电数据点集为s，一数据库中已有的心电异常数据点集为r，如果在r和s数据中如果找到最相近的一组数据点集，即为疑似异常数据，其查找方法如下：
根据倒排索引放置包含r和s的分区值的文件；
主机将文件进行分布式缓存,同时监控工作站从分布式缓存中读取ri∈r和si∈s每个分区的分区值，并产生键值对；
全局knn接收到的一对ri和si之间的所有点，逐步读取，在vcm的相同键值对的一组对上执行ivknn算法，然后进行knn查询：假设经过skyline过滤后得到心电数据点集s，医学专家库中已有的心电异常数据点集r，如果在r和s数据中找到最相近的一组数据点集，即疑似异常数据，在基于倒排索引对点集r和s进行分区，根据分区将任务分配给监控工作站分解运算，然后在云端进行汇总合并计算出全局knn值，在检查si的所有分区后，全局knn将输出knn(r,s)，从分布式缓存中读取ri∈r和si∈s的每个分区的分区值，产生键值对，r中的对象及其可能的k个最近邻都进入到局部计算结果，以期获得knn查询的结果，如果knn查询结果不为空，表明有异常的心跳数据，系统则把该数据反馈给患者与医生。
有益效果：本发明专利通过设计具有监控系统及采集系统的便捷式心电信号设备、结合云端服务器和工作站网关的智能移动终端以及由监控数据处理系统及云端详细数据分析系统三大核心技术，从而不仅能够及时捕捉与传送异常心电信号，而且能够利用大数据技术提高心脏病及心血管疾病患者的救治时效性和成功率。
附图说明
图1本发明层次关系图；
图2心电云监控系统图；
图3云端服务器及工作站网关图；
图4大数据处理方式图；
图5分布式skyline多因素过滤算法流程图；
图6分布式knn异常匹配算法流程图；
图7skygrid算法代码图；
图8ivknn算法代码图；
图9心电马甲结构示意图
具体实施方式
如图1，一种基于物联网的智慧云心电智能监控与数据处理系统设计，主要是由心电马甲硬件、智能移动终端以及云端数据处理系统三大部分组成。其中心电马甲产品采用结合监控系统及采集系统的便捷式心电信号马甲，智能移动终端则用以电子云为技术核心的云端服务器和工作站网关，而对于云端数据处理由监控数据处理及云端详细数据分析系统构成，在监控数据处理系统中采用分布式skyline多因素过滤算法和分布式knn异常匹配算法。
一种基于物联网的智慧云心电智能监控与数据处理系统设计，具体实施包括如下步骤：
s1.测定心电数据以及将异常心电数据发送到移动端。该阶段主要由便捷式心电信号监护马甲的监控系统及采集系统完成。如图2，其中监控系统主要由物联网采集设备层、承载网络层、云处理系统和数据服务系统与应用层软件平台五部分组成，对于我们设计的便携式心电信号监护马甲，利用的3g/4g无线通信技术与分监护中心(比如家庭数据中心与社区监控中心)进行数据通讯，并且数据会定期地采用云同步技术转储到医疗云数据中心进行云存储与历史数据分析。
在此过程中，具体步骤如下：
s1.1.物联网采集设备对数据进行精确采集；
s1.2.承载网络层中的移动通信模块利用传输技术将采集的数据传输到分监护中心，同时对信息放大、初处理及传送到分监护中心的服务器终端主机；
经过无线基站的数据会缓存在本地，并定期自动同步到云端服务网络，这些数据会在相应的云端服务器上。
s1.3.云端服务器中的智能心电数据分析系统主要是根据心电情况数据和心电指标按照已有专家数据库和用户历史病志数据进行自动监控与大数据分析。如果出现问题会自动预警；而云端服务器中的心电医学健康服务系统主要是供心电医学诊疗专家使用，监床医生或医学专家可以根据数据分析系统的数据进行参考决策并提供给患者远程诊疗。
s1.4.应用层软件平台一方面将心电数据可视化转换成云端图表数据，另一方面进行大数据计算结果反馈工作。
在此过程中便捷式心电信号监护马甲中的采集设备是利用了开源的keyes心电测量模块ad8232。ad8232是一款集成前端，适用于对心脏生物电信号进行信号调理来进行心率监护。这是一款针对各类生命体征监护应用推出的低功耗、单导联，心率监护仪模拟前端。系统采用开源的arduino开发，其本质是一套集成了放大电路和噪声消除电路的光学心率传感器，我们把它放置在心电马甲的导联模块中。
为了保证检测的有效性，我们在对该硬件进行了改造心电信号的强度要比干扰信号的强度要小很多，而且干扰心电的传输信号和输入的心电信号来处于共模状态，要求有很好的共模抑制比。所以我们的前置放大器选用了美国analogdevices。同时通过采用漏电很小的金属膜电阻能够限制放大器工作点漂移、双电源供电来保证副半周信号不被干扰，通过以上改进q值可调且有源双t。
s2.接收心电马甲发送的异常心电数据。该阶段主要由云端服务器及工作站网关构成，如图3，心电马甲采集的异常数据经本地缓存后，若满足预设的时间窗口和存储空间大小阈值条件以及网络连通状态允许，工作站网关将通过无线通讯接口对数据进行转存，鉴于监护站的计算和存储能力有限，云端服务器会利用云同步技术把总体宏观数据进行同步。云端系统一方面定期汇总数据，自动形成可视化报表(包括心电数据与图像等)反馈给用户，另外一方面利用spark实时数据分析系统，利用分布式skyline算法，先把一部分数据任务分解到监护站进行子任务计算，再把汇总后的任务在云端进行多因素过滤与合并预处理，同样原理我们也同时利用分布式knn查询算法与医学专家库中的心电异常数据进行近似查询。如果有异常情况，将以实时的方式通过移动终端软件或移动呼叫服务系统，反馈给患者与责任医生进行提前预警提醒。这时会把得到的心电图像供用户以及医生同时使用，并决定是否进一步就医。
s3.数据利用skyline,knn算法协同进行智能处理以及报警反馈。该阶段主要由监控数据处理系统和云端数据分析系统构成。
其中监控数据分析系统进行两种算法包括：分布式skyline多因素过滤算法和分布式skyline多因素过滤算法。
分布式skyline多因素过滤算法包括三个过程，如图4：数据分区、局部剪枝、全局汇总。在数据分区阶段，根据查询点所在的位置，我们定位其所在的医疗区域，然后调用该区域的已预计算好的倒排区域索引进行局部skyline查询，在局部skyline查询中，我们利用频率skyline格技术对局部被剪枝区域进行快速标记。在全局汇总阶段，不再计算全局skyline，利用局部skyline的网格标记直接进行剪枝得到最终的skyline结果集。具体算法参见图7。
分布式skyline多因素过滤算法算法具体步骤：
s1.根据倒排索引放置包含r和s的分区值的文件；
s2.然后主机将文件进行分布式缓存。
s3.监控工作站从分布式缓存中读取ri∈r和si∈s每个分区的分区值，产生键值对。以这种方式，r中的对象及其可能是k个最近邻都进入到局部计算结果。
s4.全局knn接收到的一对ri和si之间的所有点，会逐步读取，在vcm的相同键值对的一组对上执行特定任务，然后进行knn查询。
s5.最后，在检查si的所有分区后，全局knn将输出knn(r,s)(第14行)。该算法输出键值对＜r,knn(r,s)＞以获得knn查询的结果。具体参见图8
其中云端详细数据分析系统以云计算为核心。云计算的基本原理便是用本地或远程数据中心来服务互联网，从而达到资源的优化分配。其处理流程：
s1.数据采集；
s2.数据的预处理；
s3.数据存储；
s4.数据分析与挖掘；
s5.结果展现。
详细见图5。
在另一种实施例中：一种基于物联网的智慧云心电智能监控与数据处理系统设计，主要是由心电马甲硬件、智能移动终端以及云端数据处理系统三大部分组成。
该发明中的心电马甲硬件的主要功能是测定心电数据以及将异常心电数据发送到移动端。其核心是基于移动端的无线传输与数据同步技术之上，心电数据采集系统和监护系统。
进一步的，心电马甲中的采集和监护系统特征在于，组成部门包括：
s1.物联网采集设备层；
s2.承载网络层；
s3.云处理系统；
s4.数据服务系统；
s5.应用层软件平台。
进一步的，步骤s1.物联网采集设备包括有源电极、心率传感器、其他微型元器件(电源稳压芯片、电平转换器等)，环境监控芯片，定位传感器，警报系统等，其中心率传感器用于实时监控用户的心脏状况，环境监控芯片用于实时监控周边环境变化，定位传感器定位用户所在的位置，警报系统及时对心率传感器检测的数据进行过滤处理。
进一步的，该心率传感器检测的数据异常有两种级别：
1.心率在50-60bpm或者100-120bpm，这时候终端主动告警，提醒用户注意。
2.当心率低于40bpm或者高于120bpm或者出现相邻心跳间隔大于或者等于1.5s时。
进一步的，步骤s2.出现进一步的，步骤s3.和s4.云端服务器主要由智能心电数据分析系统和心电医学健康服务系统组成。
进一步的，步骤s5.应用层软件平台一方面将心电数据可视化转换成云端图表数据，一方面可以进行大数据计算结果反馈工作。
进一步的，心电马甲硬件的采集系统特征在于：其本质是一套采用开源的arduino开发并集成了放大电路和噪声的消除电路的光学心率传感器。该设备装置主要特征包括：前置采用美国analogdevices版的放大器、金属膜电阻、双电源供电。
该发明中的智能移动终端的主要功能是接收心电马甲通过基于移动端的无线传输与数据同步技术之上发送的告警异常心电数据，其核心是云端服务器及工作站网关。
进一步的，客户端将心电马甲采集的心电异常数据经本地缓存后，若满足预设的时间窗口和存储空间大小阈值条件以及网络连通状态允许，工作站网关将通过无线通讯接口对数据进行转存，鉴于监护站的计算和存储能力有限，云端服务器会利用云同步技术把总体宏观数据进行同步。
该发明中的云端数据处理系统负责对数据利用skyline,knn算法进行智能处理以及报警反馈。其核心包括：
s1.监控数据云端处理系统；
进一步的，步骤s1.该监护系统主要任务是将大数据技术、云计算技术与智能心电系统相结合。首先将大的异常心电数据计算任务进行分解，利用数量众多的监控数据处理系统进行子任务计算，再通过云端进行汇总局部计算结果，得到最终的全局计算结果。值得注意的是我们数据处理流程是先进行skyline多因素过滤，再进行knn查询匹配，但实际上任务分解归并的计算是可以以分布式的方式同时进行的。
其中上述算法包括：
s1.1分布式skyline多因素过滤算法；
s1.2分布式knn异常匹配算法。
进一步的，步骤s1.1分布式skyline多因素过滤算法具体步骤如下：
s1.1.1数据分区：对云端服务器上传的异常心电数据，根据查询这些报警数据点所在的位置，从而自动定位其所在的医疗区域；
s1.1.2局部剪枝：调用该区域的已预算的倒排区域索引进行局部skyline查询，并利用频率skyline格技术对局部被剪枝区域进行快速标记；
s1.1.3.全局汇总：利用局部skyline的网格标记直接进行剪枝得到最终的skyline结果集。
进一步的，经过skyline查询后，我们将会得到一个满足心电异常监控查询条件的数据集，接着利用分布式knn查询算法与医学专家库中的已有的心电异常数据进行近似查询。如果出现与心电异常数据有相似的查询点，即意味着可能出现心跳病症，需要及时医疗服务介入，为了使用spark进行knn查询，假设我们经过skyline过滤后得到异常心电数据点集s，医学专家库中已有的心电异常数据点集r，那么根据knn查询的定义，如果在r和s数据中如果找到最相近的一组数据点集，即为疑似异常数据。skyline多因素过滤算法的结果集作为knn查询算法的输入集,可以有效的排除多因素的干扰,提高大数据分析结果的精确度,因为skyline和knn都是将大数据过滤成相对小的数据的算法(输入数据量大于输出数据量),所以两者协同的算法的执行,同时也提高了分布式计算速度.
下面我们详细介绍分布式knn查询算法过程。
步骤s1.2分布式knn异常匹配算法具体步骤如下：
s1.2.1根据倒排索引放置包含r和s的分区值的文件；
s1.2.1主机将文件进行分布式缓存,同时监控工作站从分布式缓存中读取ri∈r和si∈s每个分区的分区值，并产生键值对；
s1.2.3全局knn接收到的一对ri和si之间的所有点，会逐步读取，在vcm的相同键值对的一组对上执行特定任务，然后进行knn查询；
s1.2.4在检查si的所有分区后，全局knn将输出knn(r,s)(第14行)。该算法输出键值对＜r,knn(r,s)＞以获得knn查询的结果。
进一步的，如果knn查询结果不为空，即意味着有异常的心跳数据，我们的系统把该数据以可视化的方式通过移动端手机软件或移动医疗呼叫系统反馈给患者与医生。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。