CN105530858A

CN105530858A - 用于估计人员的心血管健康的系统和方法

Info

Publication number: CN105530858A
Application number: CN201480051058.7A
Authority: CN
Inventors: F.萨托尔; A.G.博诺米
Original assignee: Koninklijke Philips Electronics NV
Current assignee: Koninklijke Philips NV
Priority date: 2013-09-16
Filing date: 2014-09-03
Publication date: 2016-04-27
Anticipated expiration: 2034-09-03
Also published as: JP2016533846A; EP3046462A1; WO2015036289A1; US20200069249A1; CN105530858B; US20160206248A1; JP6502361B2; EP3046462B1; US11596350B2; US10470704B2

Abstract

本发明涉及一种用于估计人员的心血管健康的系统（1），包括用于获取包括关于人员的心率的信息的心率信号的心率监视器（10），用于获取指示人员的身体活动的活动信号的活动监视器（20），用于基于所获取的活动信号对人员的活动进行分类的分类器（30），用于基于所获取的心率信号和活动的分类而选择从所获取的心率信号获得的一个或多个心率特征以用于使用在人员的心血管健康的估计中的选择器（40），以及用于基于一个或多个所选心率特征估计人员的心血管健康的估计器（50）。

Description

用于估计人员的心血管健康的系统和方法

技术领域

本发明涉及用于估计人员的心血管健康的系统、方法、处理器和处理方法。另外，本发明涉及用于实现所述处理方法的计算机程序。

背景技术

心血管健康在若干领域是重要的，诸如体育、健康产业、临床诊断、预后和康复以及无症状个体中的自监视。健康的直接测量要求最大生理努力，其与心血管事件的较大风险、昂贵设备和专门人才相关联。健康的间接估计克服这些限制中的一些，但是仍旧要求严格经受特定协议，花费时间并且通常涉及特定装备（诸如实验室自行车、台阶等）的使用。

US 6,241,684公开了一种设备，其能够确定最大氧气摄取数量而没有大型设备的约束或要求实施麻烦的操作。设备显示针对对应于适当锻炼强度的脉搏率的上限值和下限值，并且以无线方式借助于光通信实现诸如脉搏波信号之类的信息去往和来自处理脉搏波信息的信息处理设备的发送和接收。设备提供有用于检测测试对象的脉搏波形的脉搏波检测器；用于从脉搏波形确定测试对象的心跳率的FFT处理器；用于在测试对象跑步时检测身体运动的身体运动检测器；用于从测试对象在跑步期间的身体运动确定基音的FFT处理器；用于从跑步期间的身体运动确定基音、测试对象的步幅和锻炼强度的锻炼强度计算器；以及用于记录由Astrand-Ryhming诺模图指示的关系并且从心率和锻炼强度确定最大氧气摄取数量的诺模图记录器。所获取的最大氧气摄取数量除以测试对象的体重，以计算每单位体重的最大氧气摄取数量。接着，根据性别确定最大氧气摄取数量和脉搏，并且脉搏率与上限和下限值系数相乘，以确定针对该脉搏率的上限值和下限值。

WO 2012/057852 A1公开了用于检测局部缺血并且对局部缺血的类型进行分类的技术。生成和评估心脏活动的电描记图。检测局部缺血并且基于在电描记图中是否检测到或者首次检测到电描记图度量的改变而将其分类为良性或恶性。还可以考虑电描记图度量中的改变和心率或患者活动中的改变的相对时序。系统可以通过指令患者锻炼或增加心脏起搏率来创建用于检测局部缺血的压力测试。

EP 2 524 647 A1公开了用于确定人员的睡眠阶段的系统和方法。检测心率和身体移动并且对其进行分类。标识心率类别和身体移动类别的组合并且基于此确定人员的睡眠阶段和/或睡眠事件。

EP 2 335 563 A1公开了一种包括心脏活动传感器和另外的运动传感器的用于处理锻炼相关数据的系统。用户希望实施的锻炼类型由用户通过用户接口输入。可以基于此计算与锻炼相关信息。

Altini等人公开了使用心率归一化因子个性化能量消耗估计以便降低能量估计误差和个体间变异性（“Personalizing energy expenditure estimation using acardiorespiratory fitness predicate”，7th International Conference onPervasive Computing Technologies for Healthcare (PervasiveHealth)，第65-72页，2013年5月5日-8日）。所述归一化因子的估计是基于包括对象在躺下休息时和在以不同速度步行时的心率连同人体测量特性的固定参数集合。

发明内容

本发明的目的是提供用于估计人员的心血管健康的系统、方法、处理器和处理方法，其不要求用户严格遵循预确定的协议和/或使用比如跑步机或测力计之类的某个装备，但是允许用户在日常生活情形中可靠地评价他的心血管健康。

在本发明的第一方面中呈现了一种用于估计人员的心血管健康的系统，包括

– 用于获取包括关于人员的心率的信息的心率信号的心率监视器，

– 用于获取指示人员的身体活动的活动信号的活动监视器，

– 用于基于所获取的活动信号对人员的活动进行分类的分类器，

– 用于基于所获取的心率信号和活动的分类而选择从所获取的心率信号获得的一个或多个心率特征以用于使用在人员的心血管健康的估计中的选择器，以及

– 用于基于一个或多个所选心率特征估计人员的心血管健康的估计器。

在本发明另外的方面中呈现了一种用于估计人员的心血管健康的处理器，包括处理构件，其配置成

– 基于指示人员的身体活动的所获取的活动信号而对人员的活动进行分类，

- 基于所获取的心率信号和活动的分类而选择从包括关于人员的心率的信息的所获取的心率信号获得的一个或多个心率特征以用于使用在人员的心血管健康的估计中，并且

- 基于一个或多个所选心率特征估计人员的心血管健康。

在本发明再另外的方面中，提供了对应方法、包括程序代码构件的计算机程序，所述程序代码构件用于当所述计算机程序在计算机以及在其中存储计算机程序产品的非暂时性计算机可读记录介质上实施时使计算机执行本文所公开的处理方法的步骤，所述计算机程序产品在由处理器执行时导致执行本文所公开的处理方法。

本发明的优选实施例在从属权利要求中限定。应当理解的是，所要求保护的方法、处理器、计算机程序和介质具有与所要求保护的系统类似和/或等同的优选实施例并且如从属权利要求中所限定的那样。

本发明是基于以下想法：评价（“估计”）人员（用户）的心血管健康而不让人员经受任何特定协议。通过监视用户的心率（HR）和身体活动，识别由人员执行的活动类型（“对其进行分类”），并且主要基于该识别决定使用哪些HR特征以便评价人员的健康。另外，关于哪个HR阶段当前可得到的信息用于选择用于估计人员的健康的最适当的HR特征。因此，人员需要严格遵循耗时并且在若干情况中要求特定装备（诸如台阶机、跑步机或测力计）的预确定协议的问题得以克服。本发明允许人员的心血管健康在日常生活情形中的精确估计。

一般地，各种种类的活动监视器可以用于获取指示人员的身体活动的活动信号。优选地，获得包括例如活动计数（每单位时间的移动数目）、活动强度、移动身体部分的加速度等的活动模式。在优选实施例中所述活动监视器包括用于获取作为活动信号的指示人员身体的至少部分的加速度的加速度信号的加速度计。这样的加速度计是广泛已知的、廉价的并且可以由人员容易地穿戴而不阻碍人员的移动性。

根据另一实施例，所述分类器配置成至少将人员的活动分类成活动和无活动，特别地分类成骑行、步行、跑步、上升、稳定恢复和无活动。活动类型可以分类得越好，可以用于健康评价的HR特征就选择得越适当。优选地，应用一个或多个回归模型并且从活动信号获得的各种参数用于该分类。

在实施例中，所述选择器配置成从包括心率恢复、峰值心率、心率变异性、心率上升、静息心率的心率特征组选择一个或多个心率特征。

优选地，所述选择器配置成基于当前存在哪个心率阶段而选择一个或多个心率特征。例如，在上升HR的情况中优选地使用与在HR恢复的情况中（则所使用的HR特征例如是前10秒内的时间常数、线性截距）的不同的HR特征（例如斜率、线性截距）。

估计器有利地配置成估计指示人员的身体健康的最大氧气摄取。心血管功能可归因于最大心脏输出，其经由一般已知的Fick原理而涉及最大氧气摄取（VO₂max），如例如在Bassett DR, Jr., Howley ET的Limiting factors for maximum oxygen uptake anddeterminants of endurance performance, Med Sci Sports Exerc. 2000年1月；32(1):70-84中描述的那样。

在再一实施例中，系统还包括用于接收包括人员的年龄、性别、重量、高度、体质指数中的一个或多个的关于人员的用户信息的接口。另外，在该实施例中，所述估计器配置成基于一个或多个所选心率特征和用户信息而估计人员的心血管健康。这进一步增加健康估计的精确性。优选地在考虑针对实验室中评价的相对误差加权的每一个心率特征来估计的平均VO₂max的情况下优选地计算心血管健康。

优选地，所述选择器配置成将以下选择作为心率特征

– 如果检测到人员的身体活动则从峰值心率导出的一个或多个心率特征，

– 如果没有检测到人员的身体活动则一个或多个心率恢复参数，和/或

– 如果没有检测到人员的身体活动并且如果人员的心率处于静息状态则一个或多个心率统计测量。

该实施例已经显示出提供健康估计的可靠且精确的结果。

另外，在针对更进一步增加精确性的实施例中，所述估计器配置成特别地通过使用均方根估计来评估基于不同所选心率特征估计的心血管健康之间的一致性。

在更加实际的实施例中，所述心率监视器包括光学体积描记术或光学传感器（如例如WO 2013/076656 A1中所描述的那样），和/或所述心率监视器和所述活动监视器集成到可以由人员穿戴的常见可穿戴设备（特别地腕部穿戴设备）中（如例如WO 2013/038296A1中所描述的那样）。

附图说明

本发明的这些和其它方面将从以下描述的（多个）实施例显而易见，并且将参照以下描述的（多个）实施例加以阐述。在以下附图中

图1示出根据本发明的系统的实施例的示意图，

图2示出根据本发明的系统的实际实现的实施例，

图3示出分类器的实施例的示意图，

图4示出图示了在步行和跑步期间VO₂max与HR/计数之间的相关性的图，以及

图5示出根据本发明的方法的实施例的流程图。

具体实施方式

心血管系统的功能容量的评价在运动医学中是至关重要的。心血管功能可归因于最大心脏输出，其经由Fick原理涉及最大氧气摄取（VO₂max）。在运动员中，VO₂max提供关于他们的需氧代谢能力的有价值的信息。需氧代谢能力是耐久运动性能的基本决定因素和训练效能的指示符。在临床设置中，VO₂max提供若干临床人群中的关键诊断和预后信息，诸如具有冠状动脉疾病或心脏衰竭的患者。同样地，心血管功能评价对于评估无症状成人中的健康可以是非常重要的。尽管VO₂max的直接确定是最精确的方法，但是其要求对象的最大水平的努力，这带来个体中的不良事件的较高风险从而带来心血管问题的高风险。而且，需要呼吸气体分析系统，其要求专业人员并且涉及附加费用。在次优锻炼测试期间的VO₂max的估计可以提供宝贵的替换方案。在过去几十年间已经开发了许多协议以用于该目的。然而，次优协议要求用户遵循标准化锻炼协议。在许多情况中这些锻炼协议要求时间（3至6min）和特殊的装备件（台阶、跑步机、测力计），并且最重要的是，用户必须正确地遵循指令以便具有其心血管功能的良好估计。

最后，心血管健康固有地链接到心脏大小。大心脏具有较大心搏量（L/跳）。心搏量是每心搏周期（跳）泵送的血液体积。由于身体要求适宜的血液供给，大约5L/min（在静息的标准对象中），因此心率根据心搏量来适配。如果心搏量是大的，例如125mL/跳，则40跳/min的心率（HR）将足以递送5L/min输出。相反，如果在相同标准对象中心脏较小，因而心搏量较少，例如56mL，则要求90（跳/min）的较高HR以供给相同的5L/min心脏输出。这对于锻炼条件和恢复条件也将是适用的。这就是为何HR通常用于评价心血管健康。

尽管静息HR本身非常代表个体的健康水平，但是这同样受外部或内部压力源影响，诸如情绪、温度、消化、药物（咖啡因）等。当人员（以下还称为用户）参与身体活动时，HR变得不太受这些因素影响而是直接涉及活动自身的代谢需要（VO₂）。然而，同样锻炼HR可以受一些健康无关因素影响，诸如疲劳、温度和锻炼强度。另外，如果峰值锻炼HR接近于可实现的最大HR，则这将主要受年龄影响而与个体的健康无关。HR的跳到跳变异性（HRV）也可以用于预测健康。然而，其与健康的关系不及仅利用HR的那个直观。该关系看起来起到自主神经系统在调整心脏的心律调整器中所起的作用，如刚才描述的，其受心脏大小强烈影响。HRV还具有一些限制；事实上，其受呼吸、移动和许多其它因素影响。

基于从以上导出的认识，发明人已经得出使用集成方案的基本原理，其中在其预测能力处于其最高程度时使用这些HR导出参数。而且，加速度测量术（或更一般地，人员的身体活动的检测）用于对身体活动的类型进行分类，以特别地估计身体活动的工作负载（速度）。已经发现这是有价值的信息，因为每一个工作负载（即跑步速度）健康/不健康人员——给定诸如体重、年龄和性别之类的一些个人数据——应当呈现相当已知的锻炼HR和恢复HR。因此，通过比较每个该估计工作负载的所测量的HR与参考HR，可以预测用户的实际健康。暗示精确身体活动开始和结束识别以及准确活动分类的该附加特征大幅改进健康预测的精确性。现在将更加详细地解释细节。

图1示出根据本发明的用于估计人员的心血管健康的系统1的实施例的示意图。系统1包括用于获取包括关于人员的心率的信息的心率信号的心率监视器10以及用于获取指示人员的身体活动的活动信号的活动监视器20。提供分类器30以用于基于所获取的活动信号而对人员的活动进行分类。提供选择器40以用于基于所获取的心率信号和活动的分类而选择从所获取的心率信号获得的一个或多个心率特征以用于使用在人员的心血管健康的估计中。提供估计器50以用于基于一个或多个所选心率特征而估计人员的心血管健康。

在实施例中，分类器30、选择器40和估计器50实现在处理器2上，但是其它实现（例如通过分离处理器、软件元件、专用硬件元件）也是可能的。

可选地，附加地提供用于接收包括人员的年龄、性别、重量、高度、体质指数中的一个或多个的关于人员的用户信息的接口60。所述信息可以由人员输入，或者可以存储在存储元件（未示出）中。利用该选项，估计器50配置成基于一个或多个所选心率特征和用户信息而估计人员的心血管健康。示例估计可以是：

VO₂max = a0 x 年龄 + a1 x 性别（男性为1，女性为0) + a3 x 重量 + a4 x 高度+ a5 x BMI + a6 HR特征

其中a0至a6是用于向关于人员的各种信息片段分配权重的预确定的加权系数，从而指示在估计中相应信息片段应当考虑得多重要的。

用户需要遵循耗时并且在若干情况中要求特定装备（诸如台阶、跑步机、测力计）的确定协议并且必须严格遵循锻炼协议以便允许VO₂max的精确估计的心血管功能（VO₂max）中的问题由所提出的系统所克服。本发明根据用户的情境和行为来组合一个或多个不同HR特征，诸如HR恢复（在锻炼时段之后心率返回到基线的速率）、峰值HR（最大HR；人员在身体活动期间实现的最高心率）、HR变异性（HRV；心跳之间的时间间隔中的变化）、HR静息（静息时的心率）。系统决定何时使用哪个HR特征（例如，如果用户坐着或躺着，优选地使用HRV；如果用户正在从锻炼中恢复，优选地使用HR恢复）以可靠地评价独立生存条件中的健康。

一般地，任何HR监视器可以与活动监视器（例如加速度计）组合地使用。可以用于该目的的集成设备的示例是包含光学体积描记术传感器（用于HR检测）和3轴加速度计（用于活动检测）的光学HR传感器，如例如在WO 2013/038296 A1中描述的那样。这样的集成设备可以实现为腕部穿戴设备3，如图2中示例性所示，其可以由用户4穿戴在他的手臂5处。该技术允许在身体上的任何位置处（例如在腕部处）不显眼地且舒适地监视HR。该实施例是理想的，因为用户将仅通过贯穿白天和可能地夜晚佩戴手表或手镯来完成其健康评估。

一般地，其它种类的HR监视器和身体活动监视器也可以使用在根据本发明的系统中。例如，可以使用作为HR监视器的ECG传感器或常规HR传感器，并且可以使用作为身体活动监视器的一个或多个运动传感器。心率监视器的其它示例是PPG传感器，并且相机PPG传感器和GPS也可以用作活动监视器。

在图3中描绘分类器30的实施例的示意图。在最简单的实施例中，分类器30将识别活动是否由用户执行，即将确定对应指示符，诸如静息（无活动）和活动。

利用身体活动监视器20记录的信号还可以用于导出关于移动速率、强度、速度、能量或信号熵的信息。这些特性对于开发能够对诸如静息和活动之类的活动状态进行分类的机器学习算法是有用的。从身体穿戴传感器数据标识和分类不同活动的不同技术的回顾可以在Preece SJ, Goulermas JY, Kenney LP, Howard D, Meijer K, Crompton R.Activity identification using body-mounted sensors--a review ofclassification techniques. Physiol Meas. 2009年4月; 30(4):R1-33. doi:10.1088/0967-3334/30/4/R01. Epub 2009年4月2日中找到。

再次参照图3中的分类器30的示例性实施例，分类器30接收利用身体活动监视器20记录的活动信号21。分类器包括特征提取器31，其从活动信号21计算移动特征，诸如按分钟测量的活动计数（AC）；运动水平，即曲线下信号面积的幅度（ML）；运动速率（MR，bpm）；运动频率；运动速度；投影在加速度计的三个感测轴（Cx，Cy，Cz）上的沿竖直方向的单位矢量的分量（重力矢量）；信号熵（J）；以及运动质量，例如信号熵的倒数（MRQuality，例如表示为从0到1的范围中的值）。

移动特征表示对第一分类器级32（称为静息/活动分类器）的输入，所述第一分类器级32确定用户是在执行身体活动还是在久坐。以下算法可以用于确定静息/活动分类器的输出。

ModelOutput = ϴ₀+ ϴ₁* AC + ϴ₂* ML + ϴ₃* Cz + ϴ₄ * MR + ϴ₅ *MRQuality

Probability = 1 / (1 + e^(- ModelOutput))

If Probability < ProbTh₁

Output <= C_REST

Else

Output <=C_ACTIVE

利用以下参数：

ϴ1…5 = [0.6044, –2.4805, 2.9425, 1.2822, 1.1371, 4.1358];

ProbTh₁, decision boundary = 0.50;

分类器30可以利用多参数模型，其提供两级分类以决定活动属于静息（C_REST）还是活动（C_ACTIVE）类，其中C_REST和C_ACTIVE表示指示静息或活动的条件的分类器的类输出。在第一分类器单元32检测到活动的情况下，称为活动类型分类器的第二分类器单元33用于区分身体活动的类型。步行、走台阶、跑步和骑行之间的区分可以通过评估涉及移动速度和海拔中的改变以检测向上走和向下走台阶的移动特征来做出。关于可以如何构建该第二分类器单元33的另一示例是作为NaiveBayes分类器，其描述在给定活动信号的特征列表（如以上所列）的情况下活动类型的概率。当从所测量的活动信号计算的特征在数值上类似于数据库中的针对特定活动的预记录的特征，则活动监视器20所测量的活动对应于数据库中所标识的活动的概率是大的。由此，活动类型可以由第二分类器单元33分类。分类器30的输出C_ACTIVE然后指代活动的类型。

另外，还可以从分类器输出推导涉及身体活动的持续时间、开始和终止的时间信息。该信息还可以用于表征HR动态特性，诸如在活动开始时HR上升期间的趋势、HR峰值的活动终止之后而同时活动正在进行时的HR恢复中的趋势。这些特征然后与VO₂max预测算法组合使用以估计心肺健康。

根据是否执行活动和根据哪个HR阶段可得到（例如上升HR、稳定状态锻炼HR、HR恢复），选择器40将选择最适当的（多个）HR特征以估计针对该活动的VO₂max。最适当的VO₂max估计优选地为已经显示出验证测试（优选地提前在实验室中完成一次）中的最低平方根误差（RMSE）的那个。

根据实施例，从较大数目的基于HR特征的模型之中选择VO₂max估计模型。例如，如果活动计数在1000以下，HR静息（例如HR静息中值）或HRV（例如SDNN；NN间隔的标准偏差）回归模型用于估计VO₂max。如果在至少1min或更长时间内活动计数在1000与5000之间，使用基于锻炼HR（例如HR/计数）的回归模型；如果分类器识别到至少30s的活动恢复，使用HR恢复（例如斜率或增量）等等。

在下文中示出基于若干不同HR特征的回归模型的示例：

i) VO₂max [L/kg/min] = 69.9243 - 0.40637 x HR静息中值

**训练**

bias = -9.77e-015

rmse = 5.8772

%std = 0.1428

%mean = -0.022043

%see = 0.035767

**验证**

bias = 1.6395

rmse = 7.5044

%std = 0.17599

%mean = 0.020929

%see = 0.040603

ii) VO₂max [L/kg/min] = 50.1855 - 1.3398 x 在静息期间的STD HR (SDNN)

**训练**

bias = -6.2172e-015

rmse = 5.9303

%std = 0.14409

%mean = -0.021243

%see = 0.034673

**验证**

bias = 1.5481

rmse = 6.2864

%std = 0.14643

%mean = 0.018633

%see = 0.032297

iii) VO₂max [L//kg/min] = 43.4858 - 0.0090276 x 上升Tau指数拟合

**训练**

bias = -7.6383e-015

rmse = 6.2464

%std = 0.15176

%mean = -0.02538

%see = 0.03968

**验证**

bias = 0.27444

rmse = 7.0794

%std = 0.16974

%mean = -0.015193

%see = 0.04097

iv) VO₂max [L/kg/min] = 29.958 + 0.4424 x 30sec内的恢复增量HR

**训练**

bias = -3.7303e-015

rmse = 5.9601

%std = 0.14481

%mean = -0.022976

%see = 0.037613

**验证**

bias = 1.8209

rmse = 7.2645

%std = 0.16901

%mean = 0.021432

%see = 0.040426

v) VO₂max [L//kg/min] = 34.0319 -11.718 x 恢复斜率

**训练**

bias = 5.862e-015

rmse = 5.9956

%std = 0.14567

%mean = -0.023327

%see = 0.037605

**验证**

bias = 1.5238

rmse = 7.7082

%std = 0.18159

%mean = 0.012476

%see = 0.044786

vi) VO₂max[L//kg/min] = 66.8135 -6.0392 x 性别 -3684.1417 x FitnessIX ->针对步行/跑步的HR/计数之比（如果步行和跑步HR和活动计数可得到的话）

**步进式MLR训练**

bias = 1.7764e-016

rmse = 4.8545

%std = 0.11795

%mean = -0.015754

%see = 0.031514

**步进式MLR验证**

bias = 1.9627

rmse = 5.5032

%std = 0.12336

%mean = 0.038283

%see = 0.02918

这些数字报告模型的性能。

图4描绘图示了在步行和跑步期间VO₂max与HR/计数之间的相关性的图。其图示了模型HR/计数在估计VO₂max中如何执行。

图5示出根据本发明的方法的实施例的流程图。该算法基于可得到的数据而选择由具有最低验证RMSE的预测模型生成的VO₂max估计。预测模型是基于可得到的所有HR特征比较模型的实验误差的算法。例如，如果已经检测到三个特征

模型1→HR特征1 误差 = 3

模型2→HR特征2 误差 = 3.5

模型3→HR特征3 误差 = 1

则系统选择由模型3估计的VO₂max。

例如，可能发生的是仅部分的HR恢复数据可得到使得心率特征“恢复斜率”可得到。则，VO₂max估计是基于HR恢复斜率模型（RMSE=7.7）。但是在静息数据同样可得到的情况中，可以使用静息期间的STD HR（SDNN）。这将是所显示的VO₂max预测，因为其RMSE是6.3并且因此低于HR恢复模型。

在第一步骤S10中基于加速度信号100做出移动存在的评价。如果移动存在，如在步骤S12中检查的，在步骤S14中做出活动和心率阶段的分类，即检测活动类型（诸如步行、跑步、上升、稳定状态、恢复、骑行等）。如果没有识别到某种类型的活动，如在步骤S16中利用活动模板400检查的，算法返回到步骤S10。

在处理的并行路径中，在步骤S20中基于心率信号200评价静息HR式变化。如果不存在检测到的移动，如在步骤S12中检查的并且如果已经过去5min，如在步骤S22中检查的，检测静息HR 250。否则，算法返回到步骤S20。在步骤S24中然后做出HRV特征的导出（在时域和/或频域中；非线性）。

如果识别到某种类型的活动，如在步骤S16中检查的，在步骤S26中将当前HR 200与静息HR 250比较。随后，在步骤S28中检查当前HR是否高于静息HR。如果情况不是这样，算法返回到步骤S16。否则，在步骤S30中做出工作负载（例如速度）的评价和/或在步骤S32中做出锻炼HR特征（HRf）的评价。用于步骤S30的示例算法S34在上文指示为示例vi），步骤S30此外使用用户信息300（例如用户的年龄、性别、重量）。用于步骤S32的示例算法S36在上文指示为示例iii），步骤S32还使用用户信息300。用于步骤S24的示例算法S38在上文指示为示例i）和ii），步骤S24还使用用户信息300。

最后，在步骤S40中，优选地基于最低RMSE做出步骤S34、S36、S38中的各种估计的一致性，并且在步骤S42中输出最一致的估计结果。

一般地，任何HR监视器可以与任何活动监视器组合使用。有用实施例包括由用户穿戴在他的身体上（例如在腕部或胸部周围）的光学HR传感器。加速度计也由用户穿戴在他的身体上（这可以在相同位置或不同位置处）。

在实施例中，当加速度计检测到加速度（以及因而移动）时，来自HR传感器的信息由分类器用于辨别哪个类型的活动由用户执行。一旦识别到对健康估计有用的活动类型（诸如步行、跑步、骑行等），从加速度数据估计该活动的工作负载（例如速度或速度和倾斜等）。同时来自峰值HR的HR导出参数与用户的特性一起用于估计用户的VO₂max。一旦加速度计不再检测到移动，提取HR恢复参数以做出用户的VO₂max的进一步估计。在加速度计未检测到任何移动并且用户的HR处于静息状态的情况中，HRV统计测量连同用户信息一起用于估计用户的VO₂max。

在实施例中评估这些VO₂max估计之间的一致性（例如基于最低RMSE），其将选择最一致的估计，从而增加估计的精确性。

本发明可以使用在各种应用中。第一应用领域是在运动中，其中VO₂max估计对于评价运动员改进的能力和追踪有氧训练的效果是重要的。第二应用领域是健康产业，诸如健身房、健康中心等。第三应用领域是临床，因为在若干临床人群中心肺和心血管功能是非常重要的诊断和预后信息。而且，心血管健康监视非常重要以便评价患者从心脏事件（诸如心脏病）恢复的改进。最后，VO₂max的自监视是重要的，因为其给出心血管健康的信息，其在无症状成人中是有价值的信息。

虽然已经在附图和前述描述中详细图示和描述了本发明，但是这样的图示和描述要被视为是说明性或示例性而非限制性的；本发明不限于所公开的实施例。本领域技术人员在实践所要求保护的发明时，通过研究附图、公开内容和随附权利要求，可以理解和实现对所公开的实施例的其它变型。

在权利要求中，词语“包括”不排除其它元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个元件或其它单元可以履行权利要求中所叙述的若干项的功能。在相互不同的从属权利要求中记载某些措施的仅有事实不指示这些措施的组合不能用于获益。

计算机程序可以存储/分布在合适的非暂时介质上，诸如光学存储介质或固态介质，其与其它硬件一起供应或者作为其部分，但是还可以以其它形式分布，诸如经由因特网或其它有线或无线电信系统。

权利要求中的任何参考标记不应当解释为限制范围。

Claims

1.一种用于估计人员的心血管健康的系统（1），包括：

– 用于获取包括关于人员的心率的信息的心率信号的心率监视器（10），

– 用于获取指示人员的身体活动的活动信号的活动监视器（20），

– 用于基于所获取的活动信号对人员的活动进行分类的分类器（30），

– 用于基于所获取的心率信号和活动的分类而选择从所获取的心率信号获得的一个或多个心率特征以用于使用在人员的心血管健康的估计中的选择器（40），以及

– 用于基于一个或多个所选心率特征估计人员的心血管健康的估计器（50）。

2.如权利要求1中所要求保护的系统，

其中所述活动监视器（20）包括用于获取作为活动信号的指示人员身体的至少部分的加速度的加速度信号的加速度计。

3.如权利要求1中所要求保护的系统，

其中所述分类器（30）配置成至少将人员的活动分类成活动和无活动，特别地分类成骑行、步行、跑步、上升、稳定恢复和无活动。

4.如权利要求1中所要求保护的系统，

其中所述选择器（40）配置成从包括心率恢复、峰值心率、心率变异性、心率上升、静息心率的心率特征组选择一个或多个心率特征。

5.如权利要求1中所要求保护的系统，

其中所述选择器（40）配置成基于当前存在哪个心率阶段而选择一个或多个心率特征。

6.如权利要求1中所要求保护的系统，

其中所述估计器（50）配置成估计指示人员的身体健康的最大氧气摄取。

7.如权利要求1中所要求保护的系统，

还包括用于接收包括人员的年龄、性别、重量、高度、体质指数中的一个或多个的关于人员的用户信息的接口（60），

其中所述估计器（50）配置成基于一个或多个所选心率特征和用户信息而估计人员的心血管健康。

8. 如权利要求1中所要求保护的系统，

其中所述选择器（40）配置成将以下选择作为心率特征

9.如权利要求8中所要求保护的系统，

其中所述估计器（50）配置成特别地通过使用均方根估计来评估基于不同所选心率特征估计的心血管健康之间的一致性。

10.如权利要求1中所要求保护的系统，

其中所述心率监视器（10）包括光学体积描记术或光学传感器。

11.如权利要求1中所要求保护的系统，

其中所述心率监视器（10）和所述活动监视器（20）集成到可以由人员穿戴的常见可穿戴设备中，特别地腕部穿戴设备。

12.一种用于估计人员的心血管健康的方法，包括：

- 获取包括关于人员的心率的信息的心率信号，

- 获取指示人员的身体活动的活动信号，

- 基于所获取的活动信号对人员的活动进行分类，

- 基于所获取的心率信号和活动的分类而选择从所获取的心率信号获得的一个或多个心率特征以用于使用在人员的心血管健康的估计中，以及

- 基于一个或多个所选心率特征估计人员的心血管健康。

13.一种用于估计人员的心血管健康的处理器，包括处理构件，其配置成

- 基于指示人员的身体活动的所获取的活动信号而对人员的活动进行分类，

– 基于一个或多个所选心率特征估计人员的心血管健康。

14.一种用于估计人员的心血管健康的处理方法，包括：

- 基于所获取的心率信号和活动的分类而选择从包括关于人员的心率的信息的所获取的心率信号获得的一个或多个心率特征以用于使用在人员的心血管健康的估计中，以及

– 基于一个或多个所选心率特征估计人员的心血管健康。

15.一种包括程序代码构件的计算机程序，所述程序代码构件用于在所述计算机程序在计算机上实施时使计算机实施如权利要求14中所要求保护的方法的步骤。