CN107644681A - 参赛者的体征预警方法及系统 - Google Patents

Abstract

本发明公开了参赛者的体征预警方法和系统，其中所述方法包括：云端服务器预先获取参赛者的体征参数历史数据和标识信息；云端服务器包括体征安全阈值算法模型；以过往获取的海量参赛者的体征参数历史数据为基础数据，通过大数据运算的模式，获取每个参赛者对应的动态体征数据的安全阈值；可穿戴设备获取参赛者参赛过程中的实时动态体征数据；并将包括实时动态体征数据的实时监测数据上传至云端服务器；云端服务器根据参赛者的动态体征数据的安全阈值和时动态体征数据，生成参赛者的猝死风险评判结果。

Description

参赛者的体征预警方法及系统

技术领域

本发明涉及计算机领域，特别是涉及一种参赛者的体征预警方法及系统。

背景技术

随着人们对于健康与运动之间的关系的认知程度越来越高，马拉松爱好者的规模也越来越庞大，由此，马拉松运动的举办频率和参与人数也都在不断的提高。

虽然马拉松运动总体上来说是一种风险很低的运动，但是还是经常会有马拉松爱好者在跑步过程中发生猝死的事件发生；由于马拉松赛事往往参与人数众多，且猝死的马拉松爱好者在运动前往往并没有相应的症状，所以无法提前进行有效的猝死隐患排查。

现有技术中，有一种利用移动终端和云端服务器的实时监控方式来对马拉松爱好者在参赛过程中的身体状态进行实施的监控；具体的包括：通过海量的历史马拉松赛事数据在云端服务器建立心率安全阈值算法模型，然后通过心率安全阈值算法模型，确定心率安全阈值；可穿戴设备可以采集参赛者的心率数据，移动设备中的预警APP通过蓝牙连接可穿戴设备来获取该心率数据；云端服务器再通过无线连接来通过移动终端获取该心率数据，从而可以根据参赛者的心率数据判断该参赛者是否有猝死危险。此外，移动终端中的预警APP还可可以获取参赛者的位置信息，从而实现对具有猝死风险的参赛者进行定位。

发明人经过研究发现，现有技术中的体征预警方式，至少还存在以下缺陷：

安全阈值算法模型所确定的心率安全域值来进行猝死预判时，由于误判率很高，经常会影响马拉松比赛的正常运作。

发明内容

本发明所要解决的技术问题是如何提高参赛者在运动过程中进行猝死预判时的准确率，具体的：

本发明实施例提供了一种参赛者的体征预警方法，包括：

云端服务器预先获取参赛者的体征参数历史数据和标识信息；所述体征参数历史数据包括所述参赛者的静态体征数据、所述参赛者过往的个人运动强度与动态体征数据对应关系，以及，所述参赛者的运动习惯；所述静态体征数据包括所述参赛者的年龄、体重、体脂含量和非运动状态时的心率、体温、血压和血氧值；所述动态体征数据包括所述参赛者的运动状态时的心率、体温、血压和血氧值；所述运动习惯包括所述参赛者过往的运动类型及其运动频率；所述标识信息包括所述参赛者的参赛编号；

所述云端服务器包括体征安全阈值算法模型；所述体征安全阈值算法模型包括：以过往获取的海量参赛者的体征参数历史数据为基础数据，通过大数据运算的模式，获取每个参赛者对应的动态体征数据的安全阈值；

可穿戴设备获取所述参赛者参赛过程中的实时动态体征数据；并将包括所述实时动态体征数据的实时监测数据上传至所述云端服务器；

所述云端服务器根据所述参赛者的动态体征数据的安全阈值和所述时动态体征数据，生成所述参赛者的猝死风险评判结果。

优选的，在本发明实施例中，还包括：

所述参赛者通过其可穿戴设备获取对应的猝死风险评判结果。

优选的，在本发明实施例中，所述实时监测数据还包括所述可穿戴设备的位置数据；

所述云端服务器还根据所述参赛者的猝死风险评判结果，生成包括所述参赛者参赛编号和/或实时位置数据的实时监测结果。

优选的，在本发明实施例中，所述猝死风险评判结果包括多个风险级别。

优选的，在本发明实施例中，还包括：

保障人员通过监测终端获取所述实时监测结果；以便根据所述实时监测结果采用对应的保障措施。

优选的，在本发明实施例中，还包括：

所述监测终端分别获取多个参赛者的实时监控结果，根据所述实时监测结果中每个参赛者的位置数据和猝死风险评判结果，构建预警热力图。

在本发明实施例的另一面，还提供了一种参赛者的体征预警系统，包括云端服务器和可穿戴设备；所述云端服务器包括信息采集模块、模型生成模块和结果生成模块；所述可穿戴设备包括采集模块和无线通信模块；

所述信息采集模块用于预先获取参赛者的体征参数历史数据和标识信息；所述体征参数历史数据包括所述参赛者的静态体征数据、所述参赛者过往的个人运动强度与动态体征数据对应关系，以及，所述参赛者的运动习惯；所述静态体征数据包括所述参赛者的年龄、体重、体脂含量和非运动状态时的心率、体温、血压和血氧值；所述动态体征数据包括所述参赛者的运动状态时的心率、体温、血压和血氧值；所述运动习惯包括所述参赛者过往的运动类型及其运动频率；所述标识信息包括所述参赛者的参赛编号；

所述模型生成模块包括体征安全阈值算法模型；所述体征安全阈值算法模型包括：以过往获取的海量参赛者的体征参数历史数据为基础数据，通过大数据运算的模式，获取每个参赛者对应的动态体征数据的安全阈值；

所述采集模块用于获取所述参赛者参赛过程中的实时动态体征数据；

所述无线通讯模块将包括所述实时动态体征数据的实时监测数据上传至所述云端服务器；

所述结果生成模块用于根据所述参赛者的动态体征数据的安全阈值和所述时动态体征数据，生成所述参赛者的猝死风险评判结果。

优选的，在本发明实施例中，所述可穿戴设备还包括GPS定位模块：

所述实时监测数据还包括所述可穿戴设备的位置数据。

优选的，在本发明实施例中，还包括警报模块：

所述警报模块用于当所述猝死风险评判结果大于预设值时生成警报，所述警报包括触发所述可穿戴设备的震动模块、声音报警或是向预设设备发送警报信息中的一种及其任意组合。

优选的，在本发明实施例中，还包括监测终端；

所述监测终端用于获取所述实时监测结果；以便根据所述实时监测结果采用对应的保障措施。

本发明实施例中，通过云端服务器的大数据平台，以及，参赛者的个人体征参数历史数据，可以为每个参赛者生成动态体征数据的安全阈值；由于在生成动态体征数据的安全阈值，参考了参赛者的静态体征数据、所述参赛者过往的个人运动强度与动态体征数据对应关系，以及，所述参赛者的运动习惯，所以可以更加精确的确定参赛者的心率耐受度，以及，参赛者可以接受的血压、血糖和体温的阈值和变化值。从而能够得到更加个性化和更为准确的猝死风险评判结果，进而也就可以有效的提高参赛者在运动过程中进行猝死预判时的准确率，提高了参赛者的安全保障的可靠性，减少了对于整场比赛的影响和干扰。

此外，在本发明实施例中，还可以包括有监测终端，保障人员可以通过监测终端实时的监控参赛者的体征，从而可以及时的发现体征出现异常的参赛者，进而可以及时的采取应对措施，有效的降低参赛者发生猝死的几率。

进一步的，本发明实施例中的监测终端还可以以预警热力图的方式来实时的显示多个参赛者的当前位置数据和猝死风险评判结果，从而可以为有可能发生的紧急事件的应对进行提前的人员调度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请中所述参赛者的体征预警方法的步骤示意图；

图2为本申请中所述参赛者的体征预警系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了提高参赛者在运动过程中进行猝死预判时的准确率，本发明实施例所提供一种参赛者的体征预警方法，如图1所示，包括：

S11、云端服务器预先获取参赛者的体征参数历史数据和标识信息；体征参数历史数据包括所述参赛者的静态体征数据、参赛者过往的个人运动强度与动态体征数据对应关系，以及，参赛者的运动习惯；静态体征数据包括参赛者的年龄、体重、体脂含量和非运动状态时的心率、体温、血压和血氧值；动态体征数据包括参赛者的运动状态时的心率、体温、血压和血氧值；运动习惯包括参赛者过往的运动类型及其运动频率；标识信息包括参赛者的参赛编号；

在本发明实施例中，体征参数历史数据的收集者可以是可穿戴设备，即，通过其可穿戴设备，可以不断地为参赛者生成包括有个人运动强度与动态体征数据对应关系，以及，参赛者的运动习惯等相关数据；这些数据通过存储，可以作为参赛者的体征参数历史数据。

在实际应用中，参赛者可以是在云端服务器的注册用户，参赛者的可穿戴设备可以与云端服务器进行实时的数据通信。

通过可穿戴设备，一方面，可以将参赛者的静态体征数据发送至云端服务器；另一方面，还可以实时的获取参赛者的个人运动强度与动态体征数据对应关系，以及，参赛者的运动习惯，然后上传至云端服务器，这样随着时间的积累，云端服务器可以存储该参赛者越来越多的体征参数历史数据。

通过上述设置，云端服务器可以为参赛者存储包括很长一段时间的体征参数历史数据

本发明实施例中，为参赛者存储体征参数历史数据的目的是用于估算参赛者的体征状态，其中包括：

参赛者的静态体征数据是指像年龄、体重、体脂含量和非运动状态时的心率、体温、血压和血氧值等这样的生理参数；通过这些生理参数一方面可以直接用于体现参赛者的当前体质状态；另一方面，还可以利用运动状态中的生理参数（动态体征数据）在某些情况下的变化曲线来深度的体现参赛者对于运动强度的接受能力；比如，可以获得跑步时的速度和心率的对应关系；或是，跑步的时间长度与血氧量的对应关系，或是，跑步距离与体温的对应关系等；本发明实施例中，参赛者过往的个人运动强度与动态体征数据对应关系可以包括有多种，本领域技术人员可以根据安全阈值算法模型的需要，进行相应的设定，在此并不做具体的限定。

此外，在本发明实施例中，还将参赛者的运动习惯作为了重要的参数之一，因为不同的运动类型，对于运动者的体征影响还是有所不同的，如长跑和器械运动就是两种完全不同的运动方式。参赛者日常的运动频率也是用于表征参赛者对于运动的适应性的重要依据，总体来说，日常运动频繁的参赛者其身体的耐受度相对也会比较强。

S12、云端服务器包括体征安全阈值算法模型；体征安全阈值算法模型包括：以过往获取的海量参赛者的体征参数历史数据为基础数据，通过大数据运算的模式构建学习模型，以获取每个参赛者对应的动态体征数据的安全阈值；

本发明实施例的核心技术方案是利用具有深度学习能力的学习模型，一方面，通过海量的参赛者的体征参数历史数据为基础数据，通过大数据运算，获得体征安全阈值算法模型；本发明实施例中的算法模型中，关注了个人运动强度与动态体征数据的对应关系，以及运动习惯对于体征安全的影响；具体来说，每个人对于运动强度的耐受程度都是不同的，而耐受程度的高低与运动者的动态体征数据有着关联关系；耐受程度较高的运动者随着运动强度的增加，其脉搏、呼吸频率，以及，血压等体征数据的增加程度一般都较低；而运动强度耐受程度较低的运动者，随着运动强度的增加，其心率和呼吸频率一般都会快速的增加；基于以上考虑，在本发明实施例中，将运动强度与动态体征数据的对应关系作为了学习模型的学习参数，得到该对应关系与运动者的猝死可能性的联系。

另一方面，运动者运动强度的耐受强度还与该运动者日常的运动频率和运动习惯有着关联，比如，运动者是每周都行多次运动，还是每隔好几周才运动一次；以及，运动者以往的运动是习惯高强度的运动还是低强度的运动等等。这些历史运动数据也可以用来预判运动者的运动前度耐受程度，因此，在本发明实施例中，将运动强度与动态体征数据的对应关系作为了学习模型的学习参数，得到该对应关系与运动者的猝死可能性的联系。

获取每个参赛者对应的动态体征数据的安全阈值，具体来说，体征安全阈值算法模型设于云端服务器中；云端服务器通过日常的数据收集，可以获取海量的参赛者的体征参数历史数据；由于这些体征参数历史数据采样量巨大，具有很好的代表性，所以可以根据个人运动强度与动态体征数据对应关系、运动习惯，以及静态体征数据所生成的体征安全阈值算法模型，可以分别推算出每个参赛者在运动时动态体征数据的安全阈值。

通过不同的体征参数历史数据，可以得到不同的动态体征数据的安全阈值，这样就可以为每个参赛者预先设置对应的动态体征数据的安全阈值，这样就可以根据参赛者实时的动态体征数据来判断参赛者

S13、可穿戴设备获取参赛者参赛过程中的实时动态体征数据；并将包括实时动态体征数据的实时监测数据上传至云端服务器；

参赛者在运动过程中，可穿戴设备获取会实时的获取参赛者的动态体征数据，并将实时动态体征数据发送至云端服务器；具体来说，可以是每隔一个固定的时间周期，就采集一次参赛者的心率、体温、血压、呼吸、血氧值等体征数据中的一种或多种，并将这些体征数据发送到云端服务器中。

S14、云端服务器根据参赛者的动态体征数据的安全阈值和时动态体征数据，生成参赛者的猝死风险评判结果。

体征安全阈值算法模型设于云端服务器，可以以参赛者的实时动态体征数据为参数，来计算出参赛者发生猝死的几率和可能性。

由于是实时的采集的运动者的体征参数，所以云端服务器中的体征安全阈值算法模型可以通过不同时间的体征数据变化来个性化的推算参赛者是否处于常规的运动强度的耐受范围内，比如，相对于运动强度的加强程度来说，心率的加快速度是否过快、血压变化是否正常、呼吸频率是否异常。此外，还可以将参赛者的运动习惯、和包括所述参赛者的年龄、体重、体脂含量和非运动状态时的心率、体温、血压和血氧值等静态体征数据作为参数，来综合评估参赛者的体征出现异常的可能性。

虽然体征安全阈值算法模型是统一的，但是，在分别对每个参赛者进行猝死风险评估时，由于使用的是每个参赛者自己的历史数据通过体征安全阈值算法模型生成的专属的动态体征数据的安全阈值；这样就可以为每个参赛者预先设置对应的动态体征数据的安全阈值，这样就可以根据参赛者实时的动态体征数据来判断参赛者诸如心率与运动强度的匹配是否正常、血压是否处于正常范围、呼吸频率和心率是否匹配等；并根据上述判断结果生成对应的猝死风险评判结果。

由上可以看出，本发明实施例中，通过云端服务器的大数据平台，以及，参赛者的个人体征参数历史数据，可以为每个参赛者生成对应的动态体征数据的安全阈值；由于在生成动态体征数据的安全阈值，参考了参赛者的静态体征数据、所述参赛者过往的个人运动强度与动态体征数据对应关系，以及，所述参赛者的运动习惯，所以可以更加精确的确定参赛者的心率耐受度，以及，参赛者可以接受的血压、血糖和体温的阈值和变化值。从而能够得到更加个性化和更为准确的猝死风险评判结果，进而也就可以有效的提高参赛者在运动过程中进行猝死预判时的准确率，提高了参赛者的安全保障的可靠性，减少了对于整场比赛的影响和干扰。

此外，在本发明实施例中，还可以包括有监测终端，保障人员可以通过监测终端实时的监控参赛者的体征，从而可以及时的发现体征出现异常的参赛者，进而可以及时的采取应对措施，有效的降低参赛者发生猝死的几率。

进一步的，本发明实施例中的监测终端还可以以预警热力图的方式来实时的显示多个参赛者的当前位置数据和猝死风险评判结果，从而可以为有可能发生的紧急事件的应对进行提前的人员调度。

进一步的，在本发明实施例中，还可以包括步骤：

S15、参赛者通过其可穿戴设备获取对应的猝死风险评判结果；可穿戴设备根据猝死风险评判结果输出对应的提示信息。

在云端服务器生成每个参赛者的猝死风险评判结果后，可以已无线通信的方式下发到每个对应的可穿戴设备上；这样每个参赛者就可以在参赛的过程中实时的获取到猝死风险评判结果，从而可以当自己风险较高的时候可以通过降低运动强度或是退出比赛等应对方式来避免猝死事件的发生，进而减少猝死的发生。

在实际应用中，可穿戴设备可以通过其显示器显示风险值，或是，当风险值达到一个预设值的时候以震动的方式或是声音报警的方式来主动的提醒参赛者，以使参赛者能够及时的得到提醒，避免漏看。

在实际应用中，实时监测数据还可以包括有可穿戴设备的位置数据；此时，云端服务器还根据参赛者的猝死风险评判结果，生成包括参赛者参赛编号和/或实时位置数据的实时监测结果。

实时监测结果最典型的应用是发送给监测终端，监测终端的使用者可以是保障人员，用来对赛事的参赛者的猝死风险进行监控；在实际应用中，当某一参赛者的猝死风险超过一定的阈值的时候，云端服务器就可以将该参赛者的实时监测结果发送至监测终端，这样，保障人员就可以对赛事的全体参赛者的猝死风险有一个全面的监测；由于实时监测结果中包括了具有一定猝死风险的参赛者的参赛编号和/或实时位置数据，所以可以快速的对参赛者进行辨识，进而也就可以提高猝死事件的应对效率，提高救护的效果。

保障人员通过监测终端获取实时监测结果；以便根据实时监测结果采用对应的保障措施。具体来说，在实际应用中，猝死风险评判结果还可以包括多个风险级别，可以将风险级别较低的参赛者加为关注对象，随着风险级别的提高，可以分别对参赛者进行语音提示、医护调配或是强制医治等应对措施。

本发明实施例中，还可以还包括：监测终端分别获取多个参赛者的实时监控结果，根据实时监测结果中每个参赛者的位置数据和猝死风险评判结果，构建预警热力图。

预警热力图的目的是为医护人员的调配提供依据，优先将医护人员调配出现了高猝死风险的参赛者的周边，用以提高保障效率；构建预警热力图的具体方式可以是，根据参赛者的位置数据，在地图上将具有高风险的参赛者的当前位置进行实时的标识，从而使保障人员可以直观根据预警热力图进行医护人员的调配。

在本发明实施例的另一面，还提供了一种参赛者的体征预警系统，如图2所示，包括云端服务器01和可穿戴设备02；云端服务器01包括信息采集模块11、模型生成模块12和结果生成模块13；可穿戴设备02包括采集模块21和无线通信模块22；

信息采集模块11用于预先获取参赛者的体征参数历史数据和标识信息；体征参数历史数据包括参赛者的静态体征数据、参赛者过往的个人运动强度与动态体征数据对应关系，以及，参赛者的运动习惯；静态体征数据包括参赛者的年龄、体重、体脂含量和非运动状态时的心率、体温、血压和血氧值；动态体征数据包括所述参赛者的运动状态时的心率、体温、血压和血氧值；运动习惯包括参赛者过往的运动类型及其运动频率；标识信息包括参赛者的参赛编号；

模型生成模块12包括体征安全阈值算法模型；体征安全阈值算法模型包括：以过往获取的海量参赛者的体征参数历史数据为基础数据，通过大数据运算的模式，获取每个参赛者对应的动态体征数据的安全阈值；

采集模块21用于获取参赛者参赛过程中的实时动态体征数据；

无线通讯模块22将包括实时动态体征数据的实时监测数据上传至云端服务器；

结果生成模块13用于根据参赛者的动态体征数据的安全阈值和时动态体征数据，生成参赛者的猝死风险评判结果。

本发明实施例的工作原理包括，参赛者随身佩戴可穿戴设备02，云端服务器01可以与可穿戴设备02进行实时的数据通讯；云端服务器01中包括有体征安全阈值算法模型。

通过可穿戴设备02，一方面，可以将参赛者的静态体征数据发送至云端服务器01；另一方面，参赛者在日常参加运动时，可穿戴设备02还可以实时的获取参赛者的个人运动强度与动态体征数据对应关系，以及，参赛者的运动习惯，然后通过无线通讯模块22上传至云端服务器01的信息采集模块11，这样随着时间的积累，云端服务器01可以存储该参赛者越来越多的体征参数历史数据。

体征安全阈值算法模型是由模型生成模块12根据海量的参赛者的体征参数历史数据通过大数据运算的模式构建的学习模型，可以用于获取每个参赛者对应的动态体征数据的安全阈值。

参赛者在运动过程中，采集模块21用获取会实时的获取参赛者的动态体征数据，并将实时动态体征数据通过无线通讯模块22发送至云端服务器01；具体来说，可以是每隔一个固定的时间周期，就采集一次参赛者的心率、体温、血压、呼吸、血氧值等体征数据中的一种或多种，并通过无线通讯模块22将这些体征数据发送到云端服务器中。

结果生成模块13根据参赛者的动态体征数据的安全阈值和时动态体征数据，生成参赛者的猝死风险评判结果。虽然体征安全阈值算法模型是统一的，但是，在分别对每个参赛者进行猝死风险评估时，由于使用的是每个参赛者自己的历史数据通过体征安全阈值算法模型生成的专属的动态体征数据的安全阈值；这样结果生成模块13就可以为每个参赛者预先生成对应的动态体征数据的安全阈值，这样就可以根据参赛者实时的动态体征数据来判断参赛者诸如心率与运动强度的匹配是否正常、血压是否处于正常范围、呼吸频率和心率是否匹配等；并根据上述判断结果生成对应的猝死风险评判结果。

由上可以看出，本发明实施例中，通过云端服务器的大数据平台，以及，参赛者的个人体征参数历史数据，可以为每个参赛者生成对应的动态体征数据的安全阈值；由于在生成动态体征数据的安全阈值，参考了参赛者的静态体征数据、所述参赛者过往的个人运动强度与动态体征数据对应关系，以及，所述参赛者的运动习惯，所以可以更加精确的确定参赛者的心率耐受度，以及，参赛者可以接受的血压、血糖和体温的阈值和变化值。从而能够得到更加个性化和更为准确的猝死风险评判结果，进而也就可以有效的提高参赛者在运动过程中进行猝死预判时的准确率，提高了参赛者的安全保障的可靠性，减少了对于整场比赛的影响和干扰。

此外，在本发明实施例中，还可以包括有监测终端，保障人员可以通过监测终端实时的监控参赛者的体征，从而可以及时的发现体征出现异常的参赛者，进而可以及时的采取应对措施，有效的降低参赛者发生猝死的几率。

进一步的，本发明实施例中的监测终端还可以以预警热力图的方式来实时的显示多个参赛者的当前位置数据和猝死风险评判结果，从而可以为有可能发生的紧急事件的应对进行提前的人员调度。

在本发明实施例中，还包括监测终端（图中未示出），可穿戴设备还包括GPS定位模块（图中未示出）和，实时监测数据还包括可穿戴设备的位置数据。监测终端用于获取实时监测结果；以便根据实时监测结果采用对应的保障措施。

实时监测结果最典型的应用是发送给监测终端，监测终端的使用者可以是保障人员，用来对赛事的参赛者的猝死风险进行监控；在实际应用中，当某一参赛者的猝死风险超过一定的阈值的时候，云端服务器就可以将该参赛者的实时监测结果发送至监测终端，这样，保障人员就可以对赛事的全体参赛者的猝死风险有一个全面的监测；由于实时监测结果中包括了具有一定猝死风险的参赛者的参赛编号和/或实时位置数据，所以可以快速的对参赛者进行辨识，进而也就可以提高猝死事件的应对效率，提高救护的效果。

保障人员通过监测终端获取实时监测结果；以便根据实时监测结果采用对应的保障措施。具体来说，在实际应用中，猝死风险评判结果还可以包括多个风险级别，这样就可以可以将风险级别较低的参赛者加为关注对象，随着风险级别的提高，可以分别对参赛者进行语音提示、医护调配或是强制医治等应对措施。

在本发明实施例中，还可以包括警报模块，警报模块用于当猝死风险评判结果大于预设值时生成警报，警报包括触发可穿戴设备的震动模块、声音报警或是向预设设备发送警报信息中的一种及其任意组合。

本发明实施例中的技术方案、工作原理和能达到的有益效果的详细分析和推导过程，在图1所对应的参赛者的体征预警方法的实施例中已经进行了记载和描述，在此就不再赘述。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、ReRAM、MRAM、PCM、NAND Flash，NOR Flash， Memristor、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种参赛者的体征预警方法，其特征在于，包括：

云端服务器预先获取参赛者的体征参数历史数据和标识信息；所述体征参数历史数据包括所述参赛者的静态体征数据、所述参赛者过往的个人运动强度与动态体征数据的对应关系，以及，所述参赛者的运动习惯；所述静态体征数据包括所述参赛者的年龄、体重、体脂含量，以及，非运动状态时的心率、体温、血压和血氧值中的一种及其任意组合；所述动态体征数据包括所述参赛者的运动状态时的心率、呼吸频率、体温、血压和血氧值中的一种及其任意组合；所述运动习惯包括所述参赛者过往的运动类型及其运动频率；所述标识信息包括所述参赛者的参赛编号；

所述云端服务器包括体征安全阈值算法模型；所述体征安全阈值算法模型包括：以过往获取的海量参赛者的体征参数历史数据为基础数据，通过大数据运算的模式，获取每个参赛者对应的动态体征数据的安全阈值；

可穿戴设备获取所述参赛者参赛过程中的实时动态体征数据；并将包括所述实时动态体征数据的实时监测数据上传至所述云端服务器；

所述云端服务器根据所述参赛者的动态体征数据的安全阈值和所述时动态体征数据，生成所述参赛者的猝死风险评判结果。

2.根据权利要求1所述参赛者的体征预警方法，其特征在于，还包括：

所述可穿戴设备获取对应的猝死风险评判结果；

所述可穿戴设备根据所述猝死风险评判结果输出对应的提示信息。

3.根据权利要求1所述参赛者的体征预警方法，其特征在于，所述实时监测数据还包括所述可穿戴设备的位置数据；

所述云端服务器还根据所述参赛者的猝死风险评判结果，生成包括所述参赛者参赛编号和/或实时位置数据的实时监测结果。

4.根据权利要求3所述参赛者的体征预警方法，其特征在于，所述猝死风险评判结果包括多个风险级别。

5.根据权利要求4所述参赛者的体征预警方法，其特征在于，还包括：

保障人员通过监测终端获取所述实时监测结果；以便根据所述实时监测结果采用对应的保障措施。

6.根据权利要求5所述参赛者的体征预警方法，其特征在于，还包括：

所述监测终端分别获取多个参赛者的实时监控结果，根据所述实时监测结果中每个参赛者的位置数据和猝死风险评判结果，构建预警热力图。

7.一种参赛者的体征预警系统，其特征在于，包括云端服务器和可穿戴设备；所述云端服务器包括信息采集模块、模型生成模块和结果生成模块；所述可穿戴设备包括采集模块和无线通信模块；

所述信息采集模块用于预先获取参赛者的体征参数历史数据和标识信息；所述体征参数历史数据包括所述参赛者的静态体征数据、所述参赛者过往的个人运动强度与动态体征数据对应关系，以及，所述参赛者的运动习惯；所述静态体征数据包括所述参赛者的年龄、体重、体脂含量和非运动状态时的心率、体温、血压和血氧值；所述动态体征数据包括所述参赛者的运动状态时的心率、体温、血压和血氧值；所述运动习惯包括所述参赛者过往的运动类型及其运动频率；所述标识信息包括所述参赛者的参赛编号；

所述模型生成模块包括体征安全阈值算法模型；所述体征安全阈值算法模型包括：以过往获取的海量参赛者的体征参数历史数据为基础数据，通过大数据运算的模式，获取每个参赛者对应的动态体征数据的安全阈值；

所述采集模块用于获取所述参赛者参赛过程中的实时动态体征数据；

所述无线通讯模块将包括所述实时动态体征数据的实时监测数据上传至所述云端服务器；

所述结果生成模块用于根据所述参赛者的动态体征数据的安全阈值和所述时动态体征数据，生成所述参赛者的猝死风险评判结果。

8.根据权利要求6所述参赛者的体征预警系统，其特征在于，所述可穿戴设备还包括GPS定位模块：

所述实时监测数据还包括所述可穿戴设备的位置数据。

9.根据权利要求8所述参赛者的体征预警系统，其特征在于，还包括警报模块：

所述警报模块用于当所述猝死风险评判结果大于预设值时生成警报，所述警报包括触发所述可穿戴设备的震动模块、声音报警或是向预设设备发送警报信息中的一种及其任意组合。

10.根据权利要求7所述参赛者的体征预警系统，其特征在于，还包括监测终端；

所述监测终端用于获取所述实时监测结果；以便根据所述实时监测结果采用对应的保障措施。