【论文阅读】Smartphone Sensors for Health Monitoring and Diagnosis

论文阅读：Smartphone Sensors for Health Monitoring and Diagnosis

摘要
在过去的几十年中，由于医学科学技术，医学的显着进步以及人们对营养，教育以及环境和个人卫生的认识不断提高，我们已经看到了预期寿命的显着提高。因此，预计未来几年许多国家的老年人口将迅速增加。预计老年人口的迅速增长将在许多国家与其医疗保健相关的费用方面给社会经济系统带来不利影响。此外，与心血管系统，眼睛，呼吸系统，皮肤和精神健康有关的疾病在全球范围内也很普遍。但是，可以通过持续监控来避免和/或适当控制这些疾病中的大多数。为了能够进行持续的健康监测并满足不断增长的医疗保健需求；负担得起，无创且易于使用的医疗保健解决方案至关重要。智能手机的不断普及，再加上嵌入式传感器和现代通信技术，使其成为一项有吸引力的技术，能够以很少的额外费用对个人的健康进行连续和远程监控。在本文中，我们对基于智能手机传感器的医疗技术的最新研究与发展进行了全面回顾。提出了有关医疗设备监管政策及其在基于智能手机的医疗保健系统中的含义的讨论。最后，描述了有关基于智能手机的医疗系统的一些未来研究观点和关注点。

1.介绍

在过去几十年里，许多国家的预期寿命急剧增加。这一大幅增长主要归因于医疗保健和医疗技术的显著进步，以及人们对健康、营养、卫生和教育的日益关注[1-4]。然而，预期寿命的延长，加上全球人口出生率的下降，预计将在不久的将来导致大量人口老龄化。事实上，到2050年，65岁以上的老年人口预计将超过14岁以下的儿童。此外，约15%的世界人口有某些形式的残疾，1.1亿至1.9亿成年人患有严重的功能障碍[5]。人的任何形式的残疾都会限制行动能力和独立性，从而阻止或推迟他们及时获得必要的保健支助。此外，全球有相当多的人患有慢性疾病和其他疾病，如心血管疾病、肺病、不同形式的癌症、糖尿病和与糖尿病有关的并发症。据报道，每10个美国成年人(18岁>)中有6个患有至少一种慢性疾病，每10人中有4个患有多种[6]慢性疾病。此外，慢性疾病占总死亡率的45 ~ 65-70%[7]的10个主要死亡原因。事实上，心脏病和癌症加起来占所有死亡人数的48%，因此成为死亡的主要原因[7,8]。
此外，不受控制的血糖，即糖尿病，很可能是第七大死亡原因，到2030年[9]。糖尿病增加了长期并发症的风险，如肾衰竭、截肢和糖尿病性视网膜病变(DR)。糖尿病视网膜病变是一种由于血液中长期存在过量葡萄糖而导致视网膜血管损伤的眼病。如果不及时治疗，可能会导致失明。事实上，据估计，在2002年的[10]中，DR造成了全球500万人失明。其他常见的眼部疾病包括白内障、青光眼和老年性黄斑变性(AMD)，这些疾病与DR一起造成了2010年全球所有失明的65%，仅白内障就占到了51%。此外，许多大城市糟糕的空气质量威胁着城市居民的疾病，如哮喘和肺病。据估计，全球目前有2.35亿人患有哮喘，2015年，哮喘导致38.3万人死亡。因此，对医疗保健服务的需求正以前所未有的速度增长，这是可以理解的。与提供适当保健服务有关的一个重要问题是，药品、现代医疗诊断程序和设施内护理服务的费用不断增加，这使现有的保健服务负担不起。例如，在加拿大安大略省2017年预算中，为未来三年的[13]卫生保健部门额外拨款115亿美元。此外，预计2018年每个加拿大人的医疗总支出为6839美元，占加拿大GDP的11%以上，这些数字与大多数其他经济合作与发展组织(OECD)国家[14]类似。因此，当今的医疗保健服务可能会对许多国家造成巨大的社会经济负担，特别是发展中国家和最不发达国家[15-19]。此外，很大一部分老年人的日常生活和医疗需求依赖于家人、朋友、志愿者等他人，或者昂贵的正规护理服务，如照护者、老年护理中心等[20-22]。因此，迫切需要以负担得起的价格提供优质的保健和监测服务，特别是对利用保健设施有限的人或生活在受限制或固定预算条件下的人而言。然而，通过长期持续监测老年人的关键生理参数和活动，可以避免或妥善处理许多医疗并发症[22-25]。对健康状况的长期监测有助于早期诊断正在发生的疾病。然而，目前的做法要求经常到昂贵的医疗机构就诊或长期住院。此外，缺乏熟练的医疗保健人员，财政能力有限，加上医疗保健费用不断增加[26]，是实现长期健康监测的瓶颈。另一方面，基于智能手机的医疗系统有可能成为长期健康监测的低成本替代方案，并允许医疗人员在不干扰患者日常活动的情况下远程监测和评估患者[22,27]。

能源效率和高速计算和通信技术的巨大进步已经彻底改变了全球电信行业。此外，显示器、传感器和电池技术的显著进步为智能手机和平板电脑等现代移动设备铺平了道路，使无缝互联网连接、娱乐、健康和健身监测，以及传统的语音和文本通信成为可能。在过去的十年里，智能手机越来越受欢迎，到2021年，智能手机的全球渗透率预计将超过38亿[28]。现代智能手机都有很多嵌入传感器，比如高分辨率互补金属氧化物半导体(CMOS)图像传感器、全球定位系统(GPS)传感器、加速计、陀螺仪、磁力计、环境光传感器和麦克风。**这些传感器可用于测量心率(HR)、心率变异性(HRV)、呼吸频率(RR)等健康参数，以及皮肤病、眼病等健康状况，使通信设备成为持续、长期的健康监测系统。**表1给出了可以使用智能手机当前嵌入式传感器监控的健康参数和条件。传感器所测量的数据可以分析传感器2019年显示在手机和/或传输到一个遥远的医疗设备或医疗人员对无线移动通信平台进一步调查,如3 g高速分组接入(HSPA)和长期演进(LTE)。这些现有的平台提供了高速和无缝的互联网连接，甚至在旅途中，因此允许人们与他们的医疗保健提供商保持联系[7,22]。

在本文中，我们对智能手机中基于嵌入式传感器的健康监测系统的研究和发展现状进行了详细的综述。在第二节中，我们将讨论智能手机的发展。第3节介绍了最近一些关于不同健康监测系统的重要工作，随后讨论(第4节)与基于智能手机的医疗设备相关的监管政策。最后，本文在第5节中总结，讨论了未来的研究前景和实现基于智能手机的医疗设备的一些关键挑战。

2.智能手机发展

讲解了智能手机的发展过程，十年后,现代智能手机出现大量的传感器,如高分辨率和高速CMOS图像传感器、GPS传感器、加速度计、陀螺仪、磁强计、环境光传感器、麦克风,和指纹传感器(图1)。此外,当前智能手机的处理和数据的存储功能有明显改善。图2显示了大多数现代智能手机的内置传感器。

3.用于健康监测的智能手机传感器

如前所述，现代的智能手机都装有许多传感器。这些传感器允许主动和/或被动感知几个健康参数和健康条件。因此，智能手机传感器测量的数据，有时结合与设备使用相关的信息，如通话记录、应用程序使用情况和短消息服务(SMS)模式，可以提供有价值的个人在很长一段时间内的身心健康信息。这样一来，智能手机就有可能成为一种可行的、具有成本效益的持续健康监测设备。在下面的章节中(章节3.1-3.7)，我们将分别讨论智能手机如何用于心脏、眼睛、皮肤、心理健康和活动监测。
3.1 心血管健康监测
心率(HR)或脉搏率是医生诊断心脏相关疾病(如不同类型的心律失常)时经常监测的四个“生命体征”之一[22,33]。HR和HR变异性(HRV)通常从心电图(ECG)中提取(图3a)。然而，这些系统，特别是传统的12导联心电图系统都很昂贵，限制了使用者的行动，并且需要训练有素的医疗专业人员在临床环境中操作。HR和HRV也可以使用便携式和手持式单导联心电图设备进行测量[22.2,34]。此外，随着可穿戴传感器技术的进步，HR和HRV现在可以使用商业健身追踪器，如Fitbit®(旧金山，加州，美国)，Jawbone®(旧金山，加州，美国)，Striiv®(红木城，加州，美国)，和Garmin®，(Olathe, KS，美国)[22]获得。

然而，这些便携式和可穿戴系统需要额外的附件，可以通过利用智能手机中的摄像头和麦克风等嵌入式传感器来监控HR和HRV来避免。使用智能手机摄像头传感器，可以通过光容积描画(PPG)信号从裸露皮肤(如指尖(图3b)或面部)的视频中提取信号来估计HR和HRV。血液中血红蛋白的光吸收特性不同于周围的身体组织，如肌肉和骨骼。PPG通过使用动脉脉动传感器检测光的透射率和/或反射率的波动来估计血液的容量变化(图4)[22,35]。虽然近红外(NIR)、红光光源在大多数商业系统中都被使用[22,35]，但一些研究人员[36-40]利用智能手机内置的白色手电筒照亮组织来测量PPG。

大多数发布的基于智能手机的HR和HRV监测应用[36 - 40]都采用了类似的方法，即通过在时域[39]中测量脉冲到脉冲的时差，或通过在频域中找到主导频率，从PPG信号中提取这些参数[36,38]。在参考文献[39]中，HR和HRV是通过手电筒和智能手机摄像头从指尖获得的PPG信号来估计的。视频数据的绿色通道经过低频带通滤波得到脉冲信号。作者没有使用传统的峰谷检测方法，而是检测每个脉搏波的最陡斜率，并评估PPG信号与脉搏波模式的相关性，以确定心动周期。计算的心率和HRV与商用心电监护仪测量的心率高度相关，尽管没有报道提出的算法在测量精度上比传统方法的改善程度。此外，作者没有评估提出的算法在有任何身体运动时的性能。参考文献[36]中使用了先前报道的[41,42]运动检测技术来识别和丢弃高度受运动伪影影响的损坏视频数据。PPG信号来自于使用智能手机摄像头所有三个频道(红、蓝、绿)记录的食指视频。他们根据最大和最小强度的差值计算出一个阈值，并对每一帧的强度大于阈值的像素值进行求和，从而获得PPG信号。与其他两个通道相比，通过红色通道获得的PPG信号反映了心动周期内血流量的周期性变化。通过对通过红色通道获得的PPG进行简单快速傅里叶变换(FFT)分析，最终提取出脉冲率，平均精度高达98%，与实际脉冲相比最大误差为3 bpm。然而，该算法不能纠正视频中的运动伪影。相反，它依赖于当移动超过预定义级别时重新启动录像。
在文献[38]中，使用智能手机的前后摄像头同时监测心率(HR)和呼吸率(RR)。HR像往常一样从放置在后置摄像头顶部的指尖PPG信号中获得。前置摄像头通过检测胸部和腹部的运动来估计RR值。HR和RR是通过在频域识别图像的主导频率(Welch’s功率谱密度)得到的。作者报告称，与使用标准心电图(心率变化范围为−5.6 - 5.5次/分钟)的11名健康受试者相比，测量的心率一致性高(95%)。从胸壁和腹壁估算的RR的平均中位数误差分别为1.4%和1.6%。为了实现6-60次呼吸每分钟的广泛动态范围，使用了自动感兴趣区域(ROI)选择协议。根据这个方案，一个信号从腹部或胸部基于平均值自相关的绝对值被选择。然而，这种监测RR的方法在视频录制过程中限制了身体的运动，以避免运动伪影(motion artifacts, MA)。通过在系统中加入MA传感器的45种估计算法[41-43]，可以消除或减少MA。此外，在有彩色和图案的布料的情况下估计RR时，需要格外小心，因为这会影响视频记录的保真度，从而影响RR的估计精度。
以上讨论的所有HR监控系统都是基于合同的，要求用户使用足够的力度将指尖与智能手机摄像头镜头保持密切接触。手指位置和光照条件的任何改变都可能导致对HR[44]的错误估计。另一方面，非接触式监控系统则根据人脸视频中获得的PPG信号来估算HR。这种非接触式心脏脉搏监测应用程序FaceBeat在文献[45]中给出。该应用基于一种算法，类似于参考文献[46]中提出的首款基于视频的人力资源监控系统，该系统利用笔记本电脑的摄像头进行视频记录。FaceBeat从使用智能手机前置摄像头记录的用户面部视频中提取心跳脉搏并测量心率。相机传感器的光电探测器阵列检测面部特定感兴趣区域(ROI)的反射光随面部血管中血量的变化而变化。作者利用了录制视频的绿色通道数据，文献[40,44,47,48]中报道的绿色通道数据最适合评估心率，特别是在存在运动伪影的情况下。作者使用独立分量分析(ICA)从ROI的视频数据中去除噪声和运动伪影，并对原始信号和分解信号进行频域分析，以提取HR和HRV。因此测量的心率显示，相对于从商用心电图监测器获得的参考心电图信号，最大平均误差为1.5%。然而，应用程序所需的复杂计算过程增加了处理器负载和计算时间，从而增加了功耗，降低了电池寿命。传统的方法是通过特定颜色通道(R, G, B)的反射光的波动来估计HR，而参考文献[49]中的研究人员提出了一种方法，通过检测人脸反射光的色调变化来估计HR和RR。研究人员录下了受试者20年代的面部视频。然而，在频域上仅对人脸的前额区域进行分析，以确定平均色调随时间变化的主导频率。作者报告说，与绿色通道PPG相比，使用标准仪器进行的HR和RR测量结果具有更高的相关性。然而，如果前额皮肤被任何物体覆盖，如头发、发带或帽子，或有疤痕组织，这种方法可能不起作用。尽管基于面部的非接触式HR监测比基于接触的系统提供了更方便的替代方案，但其性能会随着光照、皮肤颜色、面部毛发、疤痕和面部运动的变化而变化。表2给出了文献中一些基于智能手机传感器的心血管监测系统。