CN105286853B

CN105286853B - 基于可穿戴设备的疾病检测方法及装置、可穿戴设备

Info

Publication number: CN105286853B
Application number: CN201510795936.2A
Authority: CN
Inventors: 赵亚军; 苏吉祥; 王飞; 陈婷; 毛红达
Original assignee: Anhui Huami Information Technology Co Ltd
Current assignee: Anhui Huami Information Technology Co Ltd
Priority date: 2015-11-17
Filing date: 2015-11-17
Publication date: 2019-03-15
Anticipated expiration: 2035-11-17
Also published as: CN105286853A

Abstract

本申请提供一种基于可穿戴设备的疾病检测方法及装置、可穿戴设备，该方法包括：通过心电传感器采集用户的原始心电信号；确定所述原始心电信号对应的特征向量，所述特征向量包括所述原始心电信号的时域特征数据和所述原始心电信号的频域特征数据；通过所述特征向量与所述原始心电信号对应的已训练的大距离最近邻算法确定所述原始心电信号对应的疾病类型。在本申请的技术方案可以大大提高用户对自身疾病检测的准确度，通过可穿戴设备使用户能够及早识别和预测健康风险。

Description

基于可穿戴设备的疾病检测方法及装置、可穿戴设备

技术领域

本申请涉及可穿戴设备技术领域，尤其涉及一种基于可穿戴设备的疾病检测方法及装置、可穿戴设备。

背景技术

随着我国正面临着成为世界上最大的老年社会，由心血管疾病引起的死亡所占总死亡构成比越来越高，心血管疾病对人们的健康造成了极大的威胁。而随着可穿戴设备的广泛应用，可以通过可穿戴设备对用户的运动状态以及睡眠的进行密切跟踪，发明人发现，现有技术中的可穿戴设备尚不能帮助用户识别和预测健康风险。

发明内容

有鉴于此，本申请提供一种新的技术方案，可以解决上述现有技术中存在的技术问题。

为实现上述目的，本申请提供技术方案如下：

根据本申请的第一方面，提出了一种基于可穿戴设备的疾病检测方法，应用在可穿戴设备上，包括：

通过心电传感器采集用户的原始心电信号；

确定所述原始心电信号的特征向量，所述特征向量包括所述原始心电信号对应的时域特征数据和所述原始心电信号的频域特征数据；

通过所述特征向量与所述原始心电信号对应的已训练的大距离最近邻算法确定所述原始心电信号对应的疾病类型。

根据本申请的第二方面，提出了一种基于可穿戴设备的疾病检测装置，应用在可穿戴设备上，包括：

信号采集模块，用于通过心电传感器采集用户的原始心电信号；

第一确定模块，用于确定所述信号采集模块采集的所述原始心电信号对应的特征向量，所述特征向量包括所述原始心电信号的时域特征数据和所述原始心电信号的频域特征数据；

第二确定模块，用通过所述第一确定模块确定的所述特征向量与所述原始心电信号对应的已训练的大距离最近邻算法确定所述原始心电信号对应的疾病类型。

根据本申请的第三方面，提出了一种可穿戴设备，所述可穿戴设备包括：

处理器；用于存储所述处理器可执行指令的存储器；

其中，所述处理器，用于通过心电传感器采集用户的原始心电信号；

确定所述原始心电信号对应的特征向量，所述特征向量包括所述原始心电信号的时域特征数据和所述原始心电信号的频域特征数据；

由以上技术方案可见，本申请通过心电传感器采集用户的原始心电信号，确定原始心电信号的特征向量，通过特征向量与原始心电信号对应的已训练的大距离最近邻算法确定原始心电信号对应的疾病类型，由于特征向量包括原始心电信号的时域特征数据和频域特征数据，已训练的大距离最近邻算法中所使用的矩阵模型可以通过机器学习的方法得到，机器学习的目标以通过大间隔最近距离所定义的分类算法的准确率尽量高为准，因此通过ECG对用户进行疾病检测，可以大大提高用户对自身疾病检测的准确度。

附图说明

图1A示出了根据本发明的一示例性实施例的基于可穿戴设备的疾病检测方法的流程示意图；

图1B示出了根据本发明的一示例性实施例的原始心电信号的示意图；

图2A示出了根据本发明的一示例性实施例的确定原始心电信号的频谱特征数据的流程示意图；

图2B示出了根据本发明的一示例性实施例的通过小波变换滤除噪声后的心电信号的示意图；

图3A示出了根据本发明的一示例性实施例的确定原始心电信号的时域特征数据的流程示意图；

图3B示出了心电信号的时序和幅值特征的示意图；

图3C示出了图3A所采用的硬件电路检测R波的示意图；

图3D示出了图3C中的用于检测动态阈值的电路图；

图4示出了根据本发明的又一示例性实施例的基于可穿戴设备的疾病检测方法的流程示意图；

图5示出了根据本发明的一示例性实施例的可穿戴设备的结构示意图；

图6示出了根据本发明的一示例性实施例的基于可穿戴设备的疾病检测装置的结构示意图；

图7示出了根据本发明的又一示例性实施例的基于可穿戴设备的疾病检测装置的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

与现有技术中的生物特征相比，人体的心电信号(ECG)由每个个体的心脏结构决定，其具有普适性、唯一性、易采集、永久性等特点，并且，ECG还具有只存在于活体，不易被仿制，不易丢失等优势。因此，通过ECG对用户的心血管疾病进行检测能够使用户第一时间发现身体出现异常，确保用户能够及时就医治疗。

本申请通过心电传感器采集用户的原始心电信号，确定原始心电信号对应的特征向量，通过特征向量与原始心电信号对应的已训练的大距离最近邻算法模型确定原始心电信号对应的疾病类型，由于特征向量包括原始心电信号的时域特征数据和频域特征数据，因此通过ECG的特征向量对用户进行疾病检测，可以大大提高用户疾病检测的准确度，从而通过可穿戴设备使用户能够及早识别和预测健康风险。

为对本申请进行进一步说明，提供下列实施例：

图1A示出了根据本发明的一示例性实施例的基于可穿戴设备的疾病检测方法的流程示意图，图1B示出了根据本发明的一示例性实施例的原始心电信号的示意图；本实施例可以应用到可穿戴设备上，例如，智能手环等设备上，智能手环上可以设置有心电传感器，如图1A所示，包括如下步骤：

步骤101，通过心电传感器采集用户的原始心电信号。

步骤102，确定原始心电信号对应的特征向量，特征向量包括原始心电信号的时域特征数据和原始心电信号的频域特征数据。

步骤103，通过特征向量与原始心电信号对应的已训练的大距离最近邻算法确定原始心电信号对应的疾病类型。

在步骤101中，如图1B所示，原始心电信号有较强的噪声，并且会随着时间的推移而变化，但是同一个用户不同时刻采集的心电信号的QRS波群、P波、T波基本相同。

在步骤102中，在一实施例中，原始心电信号的频域特征数据可以包括原始心电信号对应的小波变换系数、自相关和离散余弦变换系数、傅立叶变换系数、HHT(Hilbert-Hwang)变换系数等，本申请对具体的频域变换不做限制。

在步骤103中，在一实施例中，可以通过对已有用户的心电数据进行训练获得已训练的大距离最近邻算法模型。在一实施例中，对大距离最近邻算法的训练可以线下完成，在需要通过本申请实现疾病检测时直接使用训练得到的模型参数即可。已训练的大距离最近邻算法模型中所使用的矩阵模型可以通过机器学习的方法得到，机器学习的目标以通过大间隔最近距离所定义的分类算法的准确率尽量高为准，从而可以确保疾病检测的准确度。

由上述描述可知，本发明实施例通过心电传感器采集用户的原始心电信号，确定原始心电信号对应的特征向量，通过特征向量与原始心电信号对应的已训练的大距离最近邻算法确定原始心电信号对应的疾病类型，由于特征向量包括原始心电信号的时域特征数据和频域特征数据，已训练的大距离最近邻算法中所使用的矩阵模型可以通过机器学习的方法得到，机器学习的目标以通过大间隔最近距离所定义的分类算法的准确率尽量高为准，因此通过ECG对用户进行疾病检测，可以大大提高用户对自身疾病检测的准确度，从而通过可穿戴设备使用户能够及早识别和预测健康风险。

图2A示出了根据本发明的一示例性实施例的确定原始心电信号的频谱特征数据的流程示意图，图2B示出了根据本发明的一示例性实施例的通过小波变换滤除噪声后的心电信号的示意图；如图2A所，包括如下步骤：

步骤201，对原始心电信号进行小波变换，得到原始心电信号的小波系数。

步骤202，将小波系数确定为原始心电信号的频域特征数据。

步骤203，对小波变换后的心电信号进行自相关和离散余弦变换，得到自相关和离散余弦变换后的自相关和离散余弦变换系数。

步骤204，将自相关和离散余弦变换系数确定为原始心电信号的频域特征数据。

在步骤201和步骤202中，可以通过小波变换可以将原始心电信号中不同频率的信号分解出来，由于在低尺度上主要反映原始心电信号的高频噪声，在高尺度上主要反映原始心电信号的低频噪声，因此本申请采用小波变换后的中间尺度对原始心电信号进行分析，从而可以有效地将有用信号和干扰信号区分开。在一实施例中，可以通过一组系数待定的高通和低通滤波器对原始心电信号进行小波分解，从而得到原始心电信号对应的小波系数，小波系数可以包括一级尺度系数和小波系数。在一实施例中，可以通过FPGA的硬件平台进行移位和加法的方式实现对原始心电信号的小波变换，而移位和加法运算的逻辑简单，易于实现。如图2B所示，通过小波变换对原始心电信号滤除噪声后，原始心电信号的噪声得到有效去除，心电信号更加有规律。

在步骤204中，在一实施例中，可以对滤波后的心电信号进行自相关运算，通过自相关运算可以消除心电信号中对识别无关的信号部分，再将自相关运算之后的信号进行离散余弦变换，进而得到自相关和离散余弦变换系数。在另一实施例中，还可以对滤波后的心电信号进行傅里叶变换或者HHT(Hilbert-Hwang)变换等，将变换后的系数作为心电信号的频域特征数据。

本实施例通过小波变换对原始心电信号滤除噪声，可以使原始心电信号的噪声得到有效去除，使得心电信号更加有规律，从而确保原始心电信号在各尺度上的小波系数和自相关和离散余弦变换系数作为频域特征数据更能够准确地表示原始心电信号在频域的特征。

图3A示出了根据本发明的一示例性实施例的确定原始心电信号的时域特征数据的流程示意图，图3B示出了心电信号的时序和幅值特征的示意图，图3C示出了图3A所采用的硬件电路检测R波的示意图，图3D示出了图3C中的用于检测动态阈值的电路图；如图3A所示，包括如下步骤：

步骤301，将各尺度上的小波系数与预设阈值通过第一比较器逐点比较。

步骤302，在第一比较器检测到小于预设阈值的小波系数时，将计数器记到的数值存储到寄存器中。

步骤303，在计数器在时钟信号的作用下继续计数得到的数值在距离检测到原始心电信号的极小值的数值相差QRS波对应的时间段之内，检测到寄存器中得到的小波系数达到极大值，确定检测到原始心电信号中的R波峰。

步骤304，根据R波峰的中心位置提取原始心电信号中的P波和T波。

步骤305，根据R波峰、P波、T波确定原始心电信号的时域特征数据，时域特征数据包括：R波的波峰位置、P波的波峰位置、T波的波峰位置、P波的幅度值、R波、T波的幅度值，P波与R波峰的间隔、T波与R波峰的间隔、PR段、ST段。

由图3B所示的心电信号可知，通过对原始心电信号进行基于二次样条的离散小波变换，经Mallat等人关于小波变换的研究可知，原始心电信号的奇异点如果是一对上升沿和下降沿的交点，则该交点对应的信号经小波变换后成为一个负极大值和正极大值的零点。而本申请中的心电信号的R波发生的位置正好是各尺度极值对的过零点位置，因此本申请只需要检测出原始心电信号在各尺度上的小波变换上的极值对的过零点就即可检测出R波的波峰位置。P波和T波也可以通过相同的方法提取，心电信号在的时域特征数据可以参考图3B所示。在一实施例中，可以结合前一个R波的检测结果来检测P波和T波，由于很多低频噪声和基漂与P波的波形完全一样，本实施例通过结合R波的检测结果来检测P波和T波，例如，在确定R波的波峰位置后，在以该R波的波峰位置为中心的前后一段时间范围内，往前找到P波的位置(例如，R的波峰位置-250ms至R的波峰位置-150ms的时间段内)，而在[R的波峰位置+170ms，R的波峰位置+400ms]的时间段内检测T波，由于PQRST波是连续的，以R波的位置为参考向前后分别检测Q、S波，再以Q为基准检测P波，以S波为基准检测T波，从而可以提高检测的速度，并降低检测的错误率。在一实施例中，还可以将Q波和S波在时域上的特征数据作为本申请中需要的时域特征数据，从而可以进一步提高心电信号在时域中的特征表示。

在一实施例中，可以通过硬件电路的方式实现心电信号的时域特征数据的检测，如图3C所示，以通过硬件电路检测R波的波峰位置为例进行示例性说明，将小波变换后的各尺度上的小波系数h与存储在第一寄存器31中的阈值通过第一比较器32进行逐点比较，第一比较器32根据各尺度上的小波系数h与阈值的比较结果为第二寄存器33提供逻辑信号，以使第二寄存器33存储计数器34得到的计数值，第一计数器34在时钟clk1的作用下继续计数，当第一计数器34的数值在距离检测到小波系数的极小值的数值相差一个R波宽度的时间(例如，0.1s)内又检测到一个极大值，此时第一比较器32以及第二比较器35均会向与门36提供逻辑1的信号，从而确定检测到一次R波峰，记录检测到的R波峰的中心位置以及R波的宽度。

在一实施例中，可以基于R波峰的中心位置采用与上述相似的方法提取原始心电信号中的P波和T波，进而得到上述步骤305中所述的时域特征数据。

由于心电信号的波动、基漂等因素使QRS波在不同时刻的幅度也会不同，进而使同一时刻不同尺度上和同一尺度不同时刻的极大值和极小值都不相同，因此本申请可以采用动态的方法检测时域特征数据所使用的阈值，通过动态阈值可以提高提取时域特征数据的准确性。如图3D所示，第三寄存器38中的值可以预置为0，第三比较器37将各尺度上的小波系数h逐点与寄存在第三寄存器38中的值进行比较，若第三比较器37发现较大的小波系数，则向第三寄存器38发送一个逻辑控制信号，使第三寄存器38根据该逻辑控制信号根据该较大的幅度值按照如下方法计算得到的阈值：

对于正极大值时对应的阈值：MAX＝＝p(a*max1+b*max2)；

对于负极小值时对应的阈值：MIN＝＝q(a*min1+b*min2)。

其中，max1为在第一个动态阈值的检测周期内检测到的小波系数的最大值，min1为在第一个动态阈值的检测周期内检测到的小波系数最小值，max2为在第二个动态阈值的检测周期内检测到的小波系数的最大值，min2为在第二个动态阈值的检测周期内检测到的小波系数的最小值，a+b＝1，表示各自对应的权重，p和q为小于1的正数。

将上述计算得到的阈值存储在第一寄存器31中，第二计数器34控制当前计数达到一个动态阈值的检测周期时，对第一寄存器33中的阈值清零，从而准备下一个动态阈值的检测周期内的阈值的更新。

本实施例中，通过寄存器、比较器等硬件方式实现了时域特征数据的检测，提高了检测时域特征数据的实时性，阈值随着心电信号的不同而不同，从而可以提高时域特征数据的精度；此外，通过结合R波的检测结果来检测P波和T波可以提高检测的速度，并降低检测的错误率。

图4示出了根据本发明的又一示例性实施例的基于可穿戴设备的疾病检测方法的流程示意图；如图4所示，包括如下步骤：

步骤401，通过心电传感器采集用户的原始心电信号。

步骤402，确定原始心电信号对应的特征向量，特征向量包括原始心电信号的时域特征数据和原始心电信号的频域特征数据。

步骤403，根据已训练的大距离最近邻算法计算特征向量与已存储的至少一个参考特征向量之间的至少一个相似度值。

步骤404，确定至少一个相似度值中的最大的相似度值对应的疾病类型。

步骤405，将最大的相似度值对应的疾病类型识别为原始心电信号对应的疾病类型。

步骤401和步骤402的描述可以参见上述图1A所示的相关描述，在此不再详述。

在步骤403中，在通过上述步骤得到特征向量后，可以通过如下公式计算得到相似度值：

其中，表示原始心电信号的用户的特征向量，为已存储的第r个参考特征向量，r为正整数，M为通过机器学习的方法得到的矩阵模型，T表示向量的转置，所述矩阵模型中的元素表示所述特征向量对应的权重系数。

以可穿戴设备为智能手环为例进行示例性说明，如果智能手环中已经存储了关于心电信号出现异常时对应的参考特征向量和其中，可以通过对相关医疗机构提供的病例数据库管理系统中记录的出现异常的心电信号进行线下训练得到本申请中的参考特征向量和参考特征向量和对应不同的疾病类型。本实施例可以通过大距离最近邻算法计算特征向量分别与参考特征向量和间的相似度值为d₁和d₂，通过从d₁和d₂找到较大值，并且该较大值大于预设阈值的情形下，将该较大值对应的疾病类型作为智能手环通过心电传感器采集到的用户所患的疾病类型，例如，d₁大于d₂，并且d₁大于预设阈值，则可以将特征向量识别为参考特征向量对应的疾病类型，其中，预设阈值可以通过海量的试验来得到。在一实施例中，还可以根据当前检测到的疾病类型生成该用户最新的病例报告，以供用户参考。在一实施例中，如果较大值的相似度值仍小于预设阈值，说明心电传感器检测到的原始心电信号为正常的心电信号，可以生成一个无疾病的检测报告供用户参考。

在一实施例中，为了确保智能手环被非法用户窃取以及合法用户的隐私信息被泄露，可以通过原始心电信号对应的特征向量对用户的身份信息进行认证，在认证通过后，再通过步骤403和步骤404对用户的心电信号进行疾病检测，其中，通过特征向量对用户进行身份认证的过程可以为：将特征向量与用于进行身份认证的数学模型(例如，已训练的用于身份认证的大距离最近邻算法模型)计算特征向量与已存储的用于表示身份信息的至少一个参考特征向量之间的至少一个相似度值；确定至少一个相似度值中的最大的相似度值对应的用户标识；将最大的相似度值对应的用户标识识别为原始心电信号对应的用户。

以可穿戴设备为智能手环为例进行示例性说明，如果智能手环中已经存储了表示用户A和用户B身份信息的关于各自心电信号对应的参考特征向量和用户A和用户B的心电信号在时域的形状并不相同，因此各自的参考特征向量也不会相同，本实施例可以通过大距离最近邻算法计算特征向量分别与参考特征向量和间的相似度值为d₁和d₂，通过从d₁和d₂找到较大值作为智能手环通过心电传感器采集到的用户的身份标识，例如，d₁大于d₂，则可以将特征向量识别为用户A。

在一实施例中，同一个用户可以对应多个参考特征向量，多个参考特征向量可以将用户在运动以及静止时的参考特征向量，例如，将上述通过采集到的心电信号得到的特征向量与同一个用户对应的多个特征参考向量采用上述方法计算得到多个相似度值，找到多个相似度值中较大的相似度值，即可能识别出该用户是处于与该较大的相似度值对应的状态，例如，运动状态或者静止状态等。

本领域技术人员可以理解的是，上述用于进行疾病检测的大距离最近邻算法以及用于进行身份认证的大距离最近邻算法的训练参数不同，因此相应的矩阵模型也不同，不同的矩阵模型中具有不同物理意义表示的权重参数。

本实施例中，由于可以通过距离度量学习(metric learning)的方法在线下对大距离最近邻算法进行训练得到矩阵模型，矩阵模型中的元素表示所述特征向量对应的权重系数，因此本发明更有利于通过硬件的方式实现，从而能够解决软件算法在实现过程中耗时较长和精确度不足的问题；此外，结合机器学习的方法得到矩阵模型可以提高心电信号的识别率，进而可以确保疾病类型检测的准确度。

图5示出了根据本发明的一示例性实施例的可穿戴设备的结构示意图；如图5所示，心电传感器51采集得到原始心电信号，信号与处理模块521对原始心电信号进行小波变换进而对原始心电信号进行滤波处理，得到小波变换的系数，特征向量提取模块522根据上述方法实施例得到时域特征数据和频域特征数据，模型523通过采用大距离最近邻算法计算特征向量与存储模块53存储的参考特征向量的相似度值，结果判别模块524得到疾病检测结果。其中，信号与处理模块521、特征向量提取模块522、模型523、结果判别模块524均包括在FPGA系统52中。存储模块53还存储有大距离最近邻算法所使用的矩阵模型，通过线下对不同类型的心血管疾病对应的心电信号进行训练得到该矩阵模型，从而降低了FPGA系统52的计算复杂度，缩短心电信号识别的时间，提高了疾病检测的效率。

图6示出了根据本发明的一示例性实施例的基于可穿戴设备的疾病检测装置的结构示意图；如图6所示，该基于可穿戴设备的疾病检测装置可以包括：信号采集模块61、第一确定模块62、第二确定模块63。其中：

信号采集模块61，用于通过心电传感器采集用户的原始心电信号；

第一确定模块62，用于确定信号采集模块61采集的原始心电信号对应的特征向量，特征向量包括原始心电信号的时域特征数据和原始心电信号的频域特征数据；

第二确定模块63，用通过第一确定模块62确定的特征向量与原始心电信号对应的已训练的大距离最近邻算法确定原始心电信号对应的疾病类型。

图7示出了根据本发明的又一示例性实施例的基于可穿戴设备的疾病检测装置的结构示意图；如图7所示，在上述图6所示实施例的基础上，在一实施例中，第一确定模块62可包括：

小波变换单元621，用于对原始心电信号进行小波变换，得到原始心电信号在各尺度上的小波系数；

第一确定单元622，用于将小波变换单元621得到的小波系数确定为原始心电信号的频域特征数据。

在一实施例中，第一确定模块62可包括：

第一运算单元623，用于对小波变换滤波后的心电信号进行自相关运算以及离散余弦变换，得到自相关和离散余弦变换后的自相关和离散余弦变换系数；

第二确定单元624，用于将第一运算单元623运算得到的自相关和离散余弦变换系数确定为原始心电信号的频域特征数据。

在一实施例中，第一确定模块62可包括：

比较单元625，用于将小波变换单元得到的各尺度上的小波系数与预设阈值通过第一比较器逐点比较；

存储单元626，用于在比较单元625表示第一比较器检测到的小波系数小于预设阈值时，将计数器记到的数值存储到寄存器中；

第三确定单元627，用于在计数器在时钟信号的作用下继续计数得到的数值在距离检测到原始心电信号的极小值的数值相差QRS波对应的时间段之内，检测到寄存器中得到的幅度值达到极大值，确定检测到原始心电信号中的R波峰；

特征提取单元628，用于根据第三确定单元627确定的R波峰的中心位置提取原始心电信号中的P波和T波；

第四确定单元629，用于根据第三确定单元627确定的所述R波峰、特征提取单元提取到的P波、T波确定原始心电信号的时域特征数据，时域特征数据包括：R波的波峰位置、P波的波峰位置、T波的波峰位置、P波的幅度值、R波的幅度值、T波的幅度值，P的波峰位置与R波的波峰位置的间隔、T波的波峰位置与R波的波峰位置的间隔、PR段、ST段。

在一实施例中，第二确定模块63可包括：

计算单元631，用于根据已训练的大距离最近邻算法计算第一确定模块确定的特征向量与已存储的至少一个参考特征向量之间的至少一个相似度值；

第五确定单元632，用于确定计算单元631计算得到的至少一个相似度值中的最大的相似度值对应的疾病类型；

识别单元633，用于将第五确定单元632得到中的最大的相似度值对应的用户标识识别为原始心电信号对应的疾病类型。

在一实施例中，计算单元631通过如下公式计算至少一个相似度值：

其中，表示原始心电信号的用户的特征向量，为已存储的第r个参考特征向量，r为正整数，M为通过机器学习的装置得到的矩阵模型，矩阵模型中的元素表示特征向量对应的权重系数。

上述实施例可见，本申请通过心电传感器采集用户的原始心电信号，确定原始心电信号对应的特征向量，通过特征向量与原始心电信号对应的已训练的大距离最近邻算法模型确定原始心电信号对应的疾病类型，由于特征向量包括原始心电信号的时域特征数据和频域特征数据，因此通过ECG对用户进行疾病检测，可以大大提高用户疾病检测的准确度。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims

1.一种基于可穿戴设备的疾病检测装置，其特征在于，应用在可穿戴设备上，所述装置包括：

第二确定模块，用通过所述第一确定模块确定的所述特征向量与所述原始心电信号对应的已训练的大距离最近邻算法确定所述原始心电信号对应的疾病类型；

所述第一确定模块包括：

小波变换单元，用于对所述原始心电信号进行小波变换，得到所述原始心电信号在各尺度上的小波系数；

第一确定单元，用于将所述小波变换单元得到的所述小波系数确定为所述原始心电信号的频域特征数据；

所述第一确定模块包括：

比较单元，用于将所述小波变换单元得到的所述各尺度上的小波系数与预设阈值通过第一比较器逐点比较；

存储单元，用于在所述比较单元表示所述第一比较器检测到小于所述预设阈值的小波系数时，将计数器记到的数值存储到寄存器中；

第三确定单元，用于在所述计数器在时钟信号的作用下继续计数得到的数值在距离检测到所述原始心电信号的极小值的数值相差QRS波对应的时间段之内，检测到所述寄存器中得到的幅度值达到极大值，确定检测到所述原始心电信号中的R波峰；

特征提取单元，用于根据所述第三确定单元确定的所述R波峰的中心位置提取所述原始心电信号中的P波和T波；

第四确定单元，用于根据所述第三确定单元确定的所述R波峰、所述特征提取单元提取到的所述P波、所述T波确定所述原始心电信号的时域特征数据，所述时域特征数据包括：所述R波的波峰位置、所述P波的波峰位置、所述T波的波峰位置、所述P波的幅度值、所述R波的幅度值、所述T波的幅度值，所述P波的波峰位置与所述R波的波峰位置的间隔、所述T波的波峰位置与所述R波的波峰位置的间隔、PR段、ST段。

2.根据权利要求1所述的装置，其特征在于，所述第一确定模块包括：

第一运算单元，用于对所述小波变换滤波后的心电信号进行自相关运算以及离散余弦变换，得到所述自相关和离散余弦变换后的自相关和离散余弦变换系数；

第二确定单元，用于将所述第一运算单元运算得到的所述自相关和离散余弦变换系数确定为所述原始心电信号的频域特征数据。

3.根据权利要求2所述的装置，其特征在于，所述第二确定模块包括：

计算单元，用于根据已训练的大距离最近邻算法计算所述第一确定模块确定的所述特征向量与已存储的至少一个参考特征向量之间的至少一个相似度值；

第五确定单元，用于确定所述计算单元计算得到的所述至少一个相似度值中的最大的相似度值对应的疾病类型；

识别单元，用于将所述第五确定单元得到中的最大的相似度值对应的用户标识识别为所述原始心电信号对应的疾病类型。

4.根据权利要求3所述的装置，其特征在于，所述计算单元通过如下公式计算所述至少一个相似度值：

其中，表示原始心电信号的用户的特征向量，为已存储的第r个参考特征向量，r为正整数，M为通过机器学习的装置得到的矩阵模型，所述矩阵模型中的元素表示所述特征向量对应的权重系数。

5.一种可穿戴设备，其特征在于，所述可穿戴设备包括：

处理器；用于存储所述处理器可执行指令的存储器；

确定所述原始心电信号对应的特征向量，所述特征向量包括所述原始心电信号对应的时域特征数据和所述原始心电信号的频域特征数据；

通过所述特征向量与所述原始心电信号对应的已训练的大距离最近邻算法确定所述原始心电信号对应的疾病类型；

所述确定所述原始心电信号的特征向量，包括：

对所述原始心电信号进行小波变换，得到所述原始心电信号在各尺度上的小波系数；

将所述小波系数确定为所述原始心电信号的频域特征数据；

确定所述原始心电信号的特征向量，包括：

将所述各尺度上的小波系数与预设阈值通过第一比较器逐点比较；

在所述第一比较器检测到小于所述预设阈值的小波系数时，将计数器记到的数值存储到寄存器中；

在所述计数器在时钟信号的作用下继续计数得到的数值在距离检测到所述原始心电信号的极小值的数值相差QRS波对应的时间段之内，检测到所述寄存器中得到的幅度值达到极大值，确定检测到所述原始心电信号中的R波峰；

根据所述R波峰的中心位置提取所述原始心电信号中的P波和T波；

根据所述R波峰、所述P波、所述T波确定所述原始心电信号的时域特征数据，所述时域特征数据包括：所述R波的波峰位置、所述P波的波峰位置、所述T波的波峰位置、所述P波的幅度值、所述R波的幅度值、所述T波的幅度值，所述P波的波峰位置与所述R波的波峰位置的间隔、所述T波的波峰位置与所述R波的波峰位置的间隔、PR段、ST段。