T-CCSCIOT 0007-2023 学生心理健康监测智能物联网系统技术要求

ICS35.110CCSCIOT无锡“感知中国”物联网商会团体标准TechnicalRequirementsofIntelligentInternetofThingsSystemforStudentMentalIT/CCSCIOT0007—2023 2规范性引用文件 3术语和定义 4符号和缩略语 5系统结构 5.1结构概述 5.2信息采集 5.3信息处理 5.4无线通信 5.5数据存储 5.6样本集 5.7机器学习 5.8信息展示 6工作流程 6.1流程概述 6.2传统座椅容器工作流 6.3数据分析平台工作流 6.4心理健康评估报告 T/CCSCIOT0007—2023本文件按照GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。本文件由无锡“感知中国”物联网商会提出并归口。本文件起草单位：中物云信息科技（无锡）有限公司、无锡益拓信息科技合伙企业（有限合伙）、匀熵智能科技（无锡）有限公司、无锡市新吴区中医医院、徐州医科大学、无锡职业技术学院、熙羽智能科技（无锡）有限公司。本文件主要起草人：丁盛、姜华、沈兰、李书艳、夏有兵、李书元、彭永强、杨红磊、张莹莹、张雪洋、任单会。1T/CCSCIOT0007—2023学生心理健康监测智能物联网系统技术要求本文件规定了用于结合传统座椅应用场景下的学生心理健康监测智能物联网系统的系统结构和工作流程。本文件适用于结合传统座椅应用场景下的学生心理健康监测智能物联网系统的设计、开发和运维。2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T29433–2012学生心理健康教育指南GB/T33745–2017物联网术语3术语和定义GB/T29433-2012和GB/T33745–2017界定的以及下列术语和定义适用于本文件。3.1心理健康mentalhealth针对人的思维、情感、行为等方面的一种综合评估。3.2光纤传感器opticalfibersensor一种将被测对象的状态转变为可测的光信号的传感器。3.3机器学习machinelearning一种计算机从数据中自动学习规律和模式,并进行预测和决策的技术。3.4心冲击图ballistocardiography借助灵敏的仪器把心脏搏动所引起人体的一系列相应周期性运动/震动记录并描记成一种波形图。3.5心率变异性heartratevariability连续心跳间瞬时心率的微小涨落或逐拍心跳间的微小差异，即心跳快慢的变化情况。3.6时域timedomain信号在时间轴随时间变化的总体概括。3.7频域frequencydomain信号在频率方面特性时用到的一种坐标系。2T/CCSCIOT0007—20234符号和缩略语下列缩略语适用于本文件。BCG：心冲击图（BallistoCardioGraphy）WiFi：无线网络（WirelessFidelity）4G：第四代移动通信技术（FourthGenerationwirelesstechnology）5G：第五代移动通信技术（FifthGenerationwirelesstechnology）HRV：心率变异性（HeartRateVariability）LF：低频段（LowFrequency）HF：高频段（HighFrequency）C/S：客户端和服务器（Client/Server）B/S：浏览器和服务器（Browser/Server）SDNN：窦性心搏间标准差（StandardDiviationofNNintervals）RMSSD：相邻周期差值均方根（RootMeanSquareofSuccessiveDifferences）PNN50：相邻NN之差>50ms的个数占总窦性心搏个数的百分比（PercentofNN50inthetotalnumberofRRintervals）5系统结构5.1结构概述从系统构成角度，学生心理健康监测智能物联网系统应分为传统座椅容器和数据分析平台两部分，以及两者之间的无线通信接口，其中，传统座椅容器应包含信息采集和信息处理的功能模块，数据分析平台应包含数据存储、样本集、机器学习、信息展示的功能模块。系统结构如图1所示。图1学生心理健康监测智能物联网系统结构5.2信息采集包括光纤传感器、压力薄膜、加速度传感器等应力感知装置，应采集学生平静状态时坐在传统座椅上胸腔内心脏跳动所导致股动脉收缩，以及呼吸动作所导致臀部细微变化的压力值。5.3信息处理应通过数字信号处理算法将传感器采集的原始应力信号分解为体动、呼吸和BCG信号。对分解后的BCG信号应通过心率变异性HRV运算得到心理健康特征参数。BCG信号即心动信号，正常的BCG与心跳同步，具有重复性，主要包含H、I、J、K、M和N波。J波是BCG周期中幅值最大点，I波和K波是J波前后时间幅值最小点，估计相邻周期的I波、J波或K波间隔，即为心动周期；确定同周期IJ幅值和JK幅度，即为心脏泵血的收缩力大小，信号分析见图2。3T/CCSCIOT0007—2023图2标准BCG信号图5.4无线通信包括WiFi、蓝牙、4G/5G等无线通信手段,应将信息处理的结果传输到网络上的数据分析平台。5.5数据存储可采用非结构化数据库存储传统座椅容器上传的实时状态特征参数，可采用结构化数据库存储机器学习计算过程中的特征值和信息展示最终呈现的心理健康指标。5.6样本集可预先收集大量带标签的样本集合供机器学习比对使用。注：样本是不同学生通过智能物联网采集的心理健康参数，标签是通过专业医疗检验方式确认的心理健康指标。5.7机器学习应建立机器学习模型，基于样本集的先验知识，对上传平台的学生状态特征参数进行分析计算，得到最终呈现给用户的心理健康状态指标。5.8信息展示可基于C/S或B/S架构，通过手机/平板/电脑和大屏等媒质，以文字和报表形式展示心理健康信息。6工作流程6.1流程概述学生心理健康监测智能物联网系统进行工作的流程如图3所示。4T/CCSCIOT0007—2023图3学生心理健康监测智能物联网系统工作流程图6.2传统座椅容器工作流在系统结构中的传统座椅容器中进行的工作流程有：a)座椅的传感器需要放置在学生坐下时臀部的正下方位置，可紧密耦合安装在座椅底部背面，也可放置在柔软的坐垫下，更好的采集躯体垂直方向及股动脉幅度大的振动信号;b)用户坐在座椅上放松听讲，传感器采集人体微弱体动信号；c)可将幅度突变的信号滤出为体动信号，计算单位时间内的体动次数；d)应通过频域滤波从振动信号中滤出BCG信号，匹配BCG信号中的IJK波群信号标定IJK位置，每个5分钟时间窗口内组建II、JJ、KK点时间间隔序列TII、TJJ、TKK，以及IJ、JK相邻幅度差值序列SIJ、SJK，具体方法可参考附录A；e)应通过TJJ序列，两个J点时间间隔即为一次心跳的时间，计算时间窗内心跳相关参数，具体方法可参考附录A；f)应通过频域滤波从振动信号中滤出呼吸信号，可采用峰值查找算法标定呼吸信号周期峰值，组建峰值点时间间隔序列，两个峰值点时间间隔即为一次呼吸的时间，计算时间窗内呼吸相关参数，具体方法可参考附录A。6.3数据分析平台工作流在系统结构中的数据分析平台中进行的工作流程有：a）应将传统座椅容器传输过来的数据保存，有呼吸相关参数，包括但不限于平均呼吸率、基准呼吸率、最高呼吸率，最低呼吸率；有心跳相关参数，包括但不限于平均心率，基准心率、最高心率，最低心率；有BCG信号形态相关参数，包括但不限于5分钟时间窗口内的TII、TJJ、TKK、SIJ、SJK序列；5T/CCSCIOT0007—2023b）应将所有无线接收数据作为特征值，输入已训练好的机器学习模型进行持续学习，输出实时的计算结果存储在数据库中；c）机器学习模型需要预先进行监督训练，输入不低于1000条不同心理健康状态的特征值样本集，心理健康状态由具备医疗器械资质的精神压力分析仪器给出；d）学生课程结束离开座椅，传感器监测不到压力信号，一个周期的心理健康监测结束；e）应在30秒内结束机器学习过程，输出最终参数保存在数据库中，形成心理健康评估报告，通过多种人机交互模式展示给用户。6.4心理健康评估报告最终呈现给用户的心理健康评估报告的内容应根据监测要求制定，至少包括以下要素，通过信息展示模块进行交互。a）学生基本信息（姓名，性别、年龄、身高、体重、班级、既往病史）；b）时间段内体动总次数，每分钟体动次数；c）时间段内心率实时数据图，平均心率，基准心率、最高心率，最低心率；d）时间段内呼吸率实时数据图，平均呼吸率，基准呼吸率、最高呼吸率，最低呼吸率；e）心率功率谱密度图；f）心率散点图；g）SDNN值，RMSSD值，PNN50值，LF值，HF值，LF/HF值；h）精神压力水平，心脏健康水平。6T/CCSCIOT0007—2023传统座椅容器里的传感器采集到学生平稳坐姿下的时域压力波形如图A.1所示，其中大幅度跳变的信号为人体在座椅上大幅度挪动身体造成的。图A.1原始信号波形图去除掉体动干扰信号数据点，根据周围正常信号拟合出体动干扰时间段的替代信号，取其中6秒钟信号放大后如图A.2(a)所示：图A.2去除体动干扰信号波形图图A.2(a)形是由呼吸时胸腔起伏和心动股动脉舒张收缩同时造成，由于正常人的呼吸率正常范围是每分钟1230次，心率正常范围是每分钟60100次，两者不在同一范围，通过信息处理模块进行频域滤波处理，分离出两种时域信号，分别为图A.2(b)的呼吸信号，图A.2(c)的心动信号。呼吸信号呈现周期的波峰波谷形态，可以采用自动多尺度峰值查找算法确定信号峰值位置，如图A.3所示，从而计算出时间窗内呼吸相关参数。7T/CCSCIOT0007—2023图A.3呼吸信号波峰标定实际的心跳信号呈现周期性的BCG信号形态，可以采用IJK波群标定算法确定IJK三个点位置，如图A.5所示，从而计算出TII、TJJ、TKK、SIJ、SJK序列。图A.5心跳信号IJK点标定应根据心率变异性理论，将TJJ序列截取成多段5分钟序列，可得到下述的特征值序列，作为特征值供机器学习模块使用。SDNN是心跳间期标准差，RMSSD是相邻两个心跳间期的平方差值的平方根，PNN50是相邻两个心跳间期的差值＞50ms的比例，三个时域指标都反映了心脏自主性调节的能力；频域的指标LF是由迷走神经介导，HF是由交感和迷走神经共同介导的，LF/HF表示交感迷走神经的均衡性。移动滑动窗口，再次计算下一个5分钟时间窗的SDNN、RMSSD、PNN50、LFN、HF、LF/HF数值组成序列，作为特征值输入已训练好机器学习模型。上述所有的特征值均需要存入数据库。8T/CCSCIOT0007—2023参考文献[1]GB40165-2021固定式电子设备用锂离子电池和电池组安全技术规范[2]GB/T13869-2017用电安全导则[3]GB/T33213-2016无损检测基于光纤传感技术的应力监测方法[4]GB/T37733.1-2019传感器网络个人健康状态远程监测第1部分：总体技术要求[5]GB/T33750-2017物联网标准化工作指南[6]GB/T39223.4-2020健康家居的人类工效学要求第4部分：儿童桌椅[7]GB/T42574-2023信息安全技术个人信息处理中告知和同意的实施指南[8]Scholkmann,F.;Boss,J.;Wolf,M.AnEfficientAlgorithmforAutomaticPeakDetectioninNoisyPeriodicandQuasi-PeriodicSignals.Algorithms2012,5,588-603./10.3390/a5040588[9]A.Suliman,C.Carlson