CN108922626B - 一种体征参数评价方法 - Google Patents

Abstract

本发明涉及一种体征参数评价方法，其包括如下步骤：获取参与测试者连续的多维度体征参数；建立多维度体征参数对应于参与测试者对身体状况指标的反馈结果的分布函数；对上述分布函数求偏导，建立每一维度体征参数对应于反馈结果的概率密度函数；所述概率密度函数包括每一维度体征参数对应于反馈结果为身体状况指标高于预期值的第一概率密度函数，和低于预期值的第二概率密度函数；求取第一概率密度函数和第二概率密度函数的交点并划分体征参数分布区间；建立体征参数分布区间与反馈结果为身体状况指标高于预期值和低于预期值的概率的对应关系。本发明所述的体征参数评价方法具有连续监测多维度体征参数，全面精度高的优点。

Description

一种体征参数评价方法

技术领域

本发明涉及医疗电子数据处理技术领域，特别是涉及一种体征参数评价方法。

背景技术

随着社会信息化的迅猛发展，移动健康及医疗电子技术前景广阔。而移动互联和大数据的高速发展又为移动医疗的发展提供了必要条件。

现代社会之中，涉及心脑血管、神经系统的疾病及一些慢性疾病通常在患者的日常生活的体征参数即已表现出一定的规律性，然而现有对体征参数的数据处理方法只是对单个维度的体征参数进行处理，不够全面；被处理的体征参数是离散的，不是连续的，导致处理准确率不高。

发明内容

基于此，本发明的目的在于，提供一种体征参数评价方法，其具有连续监测多维度体征参数，全面，精度高的优点。

一种体征参数评价方法，包括如下步骤：

获取用户连续的多维度体征参数；

调用根据体征参数模型构建方法构建的体征参数模型，根据获取到的用户连续的每一维度体征参数所处的体征参数分布区间，确定体征参数分布区间内用户身体状况指标高于预期值的概率Pr obG_i和用户身体状况指标低于预期值的概率Pr obB_i；其中，i取值为1,2,3……n，n为维度数；

对所有维度的体征参数分布区间内用户身体状况指标高于预期值的概率Pr obG_i和用户身体状况指标低于预期值的概率Pr obB_i基于信息熵的加权平均后进行评价，获得评价结果；具体包括如下步骤：

根据

和

将每一维度的体征参数分布区间内用户身体状况指标高于预期值的概率Pr obG_i和用户身体状况指标低于预期值的概率Pr obB_i归一化处理；

根据sigma_i＝-probg_i*log₂ probg_i-probb_i*log₂ probb_i求出每一维度体征参数对应的信息熵sigma_i；

根据

计算每一维度体征参数对评价结果的贡献Prob_i；

将多维度体征参数对应的信息熵sigma_i进行归一化处理，也即令sigmA_i＝sigma_i/(sigma₁+sigma₂+sigma₃+...+sigma_n)；

以每一维度体征参数对评价结果的贡献乘以归一化后的熵

进行评价；

当

结果为正，输出“good”的评价结果；当

结果为负，输出“bad”的评价结果；

其中，所述体征参数模型构建方法包括：

获取参与测试者连续的多维度体征参数；其中，获取的多维度体征参数包括：包括心脏总能量指数TP、胃肠功能指数HF、神经兴奋指数LF、神经系统指数LF/HF、心脑血管事件指数SDNN、心率减速力DC、内分泌指数ULF、体温及血管舒缩指数VLF的体征参数；

获取参与测试者对身体状况指标的反馈结果；建立多维度体征参数对应于参与测试者对身体状况指标的反馈结果的分布函数；所述反馈结果分为身体状况指标高于预期值和低于预期值；

对上述分布函数求偏导，建立每一维度体征参数对应于反馈结果的概率密度函数；所述概率密度函数包括每一维度体征参数对应于反馈结果为身体状况指标高于预期值的第一概率密度函数，和每一维度体征参数对应于反馈结果为身体状况指标低于预期值的第二概率密度函数；

求取所述第一概率密度函数和第二概率密度函数的交点，以相邻的两个交点划分体征参数分布区间；从而建立各个维度体征参数分布区间与体征参数分布区间内反馈结果为身体状况指标高于预期值和低于预期值的概率的对应关系。

相较于现有技术，本发明的体征参数模型构建方法基于大数据统计，通过获取参与测试者对身体状况指标的反馈结果；检测连续的参与测试者的多维度体征参数，通过建立概率密度函数体征参数分布区间与体征参数分布区间内反馈结果为身体状况指标高于预期值和低于预期值的概率的对应关系，其具有连续监测多维度体征参数，全面，精度高的优点，可以作为体征参数评价的基础。本发明体征参数评价方法依靠大数据技术建立的体征参数模型，通过收集用户的体征参数数据，以大数据获得的体征参数所处分布区间对应的概率经过评价算法的运算，获得评价体征参数的评价函数，以评价结果提醒或警示人们，当体征参数出现异常的时候，个体健康可能也会出现问题，有利于人们进行精准健康管理。

进一步地，所述多维度体征参数包括基准心率、入睡时间、体动、平均心率HR、心脏总能量指数TP、胃肠功能指数HF、神经兴奋指数LF、神经系统指数LF/HF、心脑血管事件指数SDNN、心率减速力DC、内分泌指数ULF、体温及血管舒缩指数VLF在内的12维体征参数。

由上述技术方案可得，由于所述多维度体征参数包括上述12维体征参数，涉及到肠胃、心血管和神经功能，因此本发明的体征参数模型能够针对个体肠胃、心血管、神经功能状况的体征参数进行建模，更加全面，满足用户个体健康管理多样化的需求，克服现有技术中健康系统只是针对单个生理指标的缺陷。

进一步地，所述获取参与测试者连续的多维度体征参数，具体包括如下步骤：

通过置于床垫或枕下的压电传感器或加速度传感器，收集体震信号；

将所述体震信号转换为模拟电信号；

对所述模拟电信号进行采样；

通过AD转换和信号处理分离呼吸、体动及BCG信号；

识别BCG信号J-J周期获取HRV体征参数；

通过对HRV参数进行时频域分析，获得包括心脏总能量指数TP、胃肠功能指数HF、神经兴奋指数LF、神经系统指数LF/HF、心脑血管事件指数SDNN、心率减速力DC、内分泌指数ULF、体温及血管舒缩指数VLF的体征参数。

对于信号获取方面，目前现有技术中存在3中信号获取的方式和缺陷：1、去医院，由专业人员实施，但去医院昂贵、采集过程繁琐，不适用日常生活生命体征参数的采集；2、通过穿戴式的生物传感器进行数据的采集，其采样率低，检测精准度低，功率受限，无数据分析意义；3、通过使用非接触式传感器采集信号，无法获取长期系统的生命体征信号。

由上述技术方案可得，所述获取用户的多维度体征参数是通过在枕下放置压电传感器或加速度传感器，适用于日常生活，在用户睡觉的时候即可采集，采集过程简单不繁琐，并且获取的是夜间用户睡觉时的体征参数，可以连续采集，获得连续的体征参数，方便下一步对体征参数进行分析，克服了上述3种信号获取方式的不足。

进一步地，所述获取参与测试者连续的多维度体征参数的步骤和获取参与测试者对身体状况指标的反馈结果；建立多维度体征参数对应于参与测试者对身体状况指标的反馈结果的分布函数的步骤之间，还包括如下步骤：

对多维度体征参数分别进行去均值后除均方差的归一化处理。

由上述技术方案可得，归一化的作用包括：去除不同参与测试者之间的个体差异和提升模型收敛速度和精度。

进一步地，所述身体状况指标包括睡眠质量、情绪、肠胃、疲倦和压力。

进一步地，所述对所有维度的体征参数分布区间内用户身体状况指标高于预期值的概率Pr obG_i和用户身体状况指标低于预期值的概率Pr obB_i基于信息熵的加权平均后进行评价，获得评价结果，具体包括如下步骤：

根据

和

将每一维度的体征参数分布区间内用户身体状况指标高于预期值的概率Pr obG_i和用户身体状况指标低于预期值的概率Pr obB_i归一化处理；

根据sigma_i＝-probg_i*log₂ probg_i-probb_i*log₂ probb_i求出每一维度体征参数对应的信息熵sigma_i；

根据

计算每一维度体征参数对评价结果的贡献Prob_i；

将多维度体征参数对应的信息熵sigma_i进行归一化处理，也即令sigmA_i＝sigma_i/(sigma₁+sigma₂+sigma₃+...+sigma_n)；

以每一维度体征参数对评价结果的贡献乘以归一化后的熵

进行评价；

当

结果为正，输出“good”的评价结果；当

结果为负，输出“bad”的评价结果。

进一步地，还包括如下步骤：当用户使用根据上述体征参数模型构建方法构建的体征参数模型一段时间后，以人机交互的方式实现对模型的反馈修正。

为了更好地理解和实施，下面结合附图详细说明本发明。

附图说明

图1为本发明的体征参数模型构建方法的流程图；

图2为步骤S110的子步骤流程图；

图3为本发明的步骤S110的硬件设备连接方框图；

图4为本发明的步骤S110的硬件实现示意图；

图5为步骤S110和S120之间进行信号预处理的流程图；

图6是TP关于疲倦的概率密度分布图；

图7为本发明的体征参数评价方法的流程图；

图8为步骤S230的子步骤流程图。

具体实施方式

为了解决现有技术的不足，本发明提供一种体征参数模型构建方法，通过大数据统计的方法能够综合全面地分析多维度体征参数，高精度地揭示体征参数分布区间与参与测试者对身体状况指标反馈高于预期值和低于预期值的概率的对应关系，可用于对体征参数的评价。

请参阅图1，本发明的个体健康预测模型的建立方法，包括如下步骤：

S110获取参与测试者连续的多维度体征参数；

S120获取参与测试者对身体状况指标的反馈结果；建立多维度体征参数对应于参与测试者对身体状况指标的反馈结果的分布函数；其中，所述反馈结果分为身体状况指标高于预期值和低于预期值；

S130对上述分布函数求偏导，建立每一维度体征参数对应于反馈结果的概率密度函数；所述概率密度函数包括每一维度体征参数对应于反馈结果为身体状况指标高于预期值的第一概率密度函数，和每一维度体征参数对应于反馈结果为身体状况指标低于预期值的第二概率密度函数；

S140求取所述第一概率密度函数和第二概率密度函数的交点，以相邻的两个交点划分体征参数分布区间；从而建立体征参数分布区间与体征参数分布区间内反馈结果为身体状况指标高于预期值和低于预期值的概率的对应关系。

本发明的体征参数模型构建方法是通过邀请参与测试者进行测试，参与测试者的数量不低于1000，以获取足够多的样本，通过在夜间连续获取参与测试者的多维度体征参数，再在每日清晨通过人机交互，获取参与测试者对睡眠质量、情绪、疲惫、压力和肠胃五个独立事件的身体状况指标的反馈结果，反馈结果分为身体状况指标高于预期值和低于预期值。在这里所指的反馈结果符合两点分布，非“0”即“1”，“1”为身体状况指标高于预期值，也即身体状况指标正常；“0”为身体状况指标低于预期值，也即身体状况指标异常。正常和异常依参与测试者个人感受而定，参与测试者自我感觉身体状况良好，则反馈结果为身体状况指标正常；参与测试者自我感觉身体状况不好，则反馈结果为身体状况指标异常。

其中，在步骤S110中，所述多维度体征参数包括基准心率、入睡时间、体动、平均心率HR、心脏总能量指数TP、胃肠功能指数HF、神经兴奋指数LF、神经系统指数LF/HF、心脑血管事件指数SDNN、心率减速力DC、内分泌指数ULF、体温及血管舒缩指数VLF在内的12维体征参数。由于所述多维度体征参数包括上述12维体征参数，涉及到肠胃、心血管和神经功能，因此本发明的个体健康预测模型能够针对个体心血管、神经功能状况的体征参数进行建模，更加全面，满足用户个体健康管理多样化的需求，克服现有技术中健康系统只是针对单个生理指标的缺陷。

在一个实施例中，请参阅图2，步骤S110具体通过如下步骤实现：

S111通过置于床垫或枕下的压电传感器或加速度传感器，收集体震信号；

S112将所述体震信号转换为模拟电信号；

S113对所述模拟电信号进行采样；

S114通过AD转换和信号处理分离呼吸、体动及BCG信号；

S115识别BCG信号J-J周期获取HRV体征参数；

S116通过对HRV参数进行时频域分析，获得包括心脏总能量指数TP、胃肠功能指数HF、神经兴奋指数LF、神经系统指数LF/HF、心脑血管事件指数SDNN、心率减速力DC、内分泌指数ULF、体温及血管舒缩指数VLF的体征参数。

对于信号获取方面，目前现有技术中存在3中信号获取的方式和缺陷：1、去医院，由专业人员实施，但去医院昂贵、采集过程繁琐，不适用日常生活生命体征的采集；2、通过穿戴式的生物传感器进行数据的采集，其采样率低，检测精准度低，功率受限，无数据分析意义；3、通过使用非接触式传感器采集信号，无法获取长期系统的生命体征信号。

而在本发明中，由上述技术方案可得，所述获取用户的多维度体征参数是通过在枕下放置压电传感器或加速度传感器，适用于日常生活，在用户睡觉的时候即可采集，采集过程简单不繁琐，并且获取的是夜间用户睡觉时的体征参数，可以连续采集，获得连续的体征参数，方便下一步对体征参数进行分析，克服了上述3种信号获取方式的不足。获取到的信号是连续的，从而可以更好地分析个体健康趋势和监控慢性疾病，当个体体征参数与慢性疾病所表现的体征参数一致时，能够及时预警用户，起到预防慢性疾病的作用。

具体而言，为了获取参与测试者连续的多维度体征参数，请参阅图3和图4，本发明采用包括采集设备、中心处理器、无线传输模块和终端设备的硬件设备。所述采集设备包括放置在床垫下或置于枕下的压电传感器或加速度传感器，采集卡；所述压电传感器或加速度传感器，采集卡和中心处理器依次电连接，所述中心处理器通过无线传输模块与终端设备进行数据交互；为了避免电磁辐射干扰，所述采集设备与中心处理器之间通过连接线拉远至超过枕头30cm处。

所述压电传感器或加速度传感器用于收集体震信号；所述采集卡包括AD转换模块和采样模块，所述AD转换模块用于将所述体震信号转换为模拟电信号；所述采样模块用于对所述模拟电信号进行采样，采样频率为1700Hz。

所述中心处理器用于对采集卡的信号进行信号处理。中心处理器包含STM32最小系统，其对采集卡的信号的处理过程为：首先，将采样后信号离散数据为每秒1700点；其次，考虑到信号的实时检测与纠错回溯，设计缓存时间窗为6s，以堆栈形式保存，读取与存储间隔为1s(1700点)；接着，考虑到离散数据为包含有BCG、呼吸、体动及噪声的混叠信号，预处理为常规二阶IIR低通滤波处理，BCG信号选择低通截至频率为1Hz，呼吸信号选择低通截至频率为0.2Hz。

此外，请参阅图5，所述获取参与测试者连续的多维度体征参数的步骤S110和获取参与测试者对身体状况指标的反馈结果；建立多维度体征参数对应于参与测试者对身体状况指标的反馈结果的分布函数的步骤S120之间，还包括如下步骤：

对多维度体征参数分别进行去均值后除均方差的归一化处理。

该步骤是对获取到的多维度体征参数进行预处理，归一化的作用包括：去除不同参与测试者之间的个体差异和提升模型收敛速度和精度。

在步骤120中，所述身体状况指标包括睡眠质量、情绪、肠胃、疲倦和压力。每日清晨参与测试者通过人机交互对这五个独立事件进行反馈，反馈结果为：身体状况指标高于预期值和低于预期值。对于每个独立事件分别建立身体状况指标高于预期值的参与测试者的连续的多维度体征参数的分布函数和身体状况指标低于预期值的参与测试者的连续的多维度体征参数的分布函数。其在大数据统计上反映了多维度体征参数与参与测试者对身体状况指标的反馈结果之间的对应关系。例如，在夜晚获取到参与测试者的连续的多维度体征参数(包括上述12维体征参数)，在第二天清晨的时候参与测试者反馈昨晚的睡眠质量高于预期值，则可以建立参与测试者睡眠质量高于预期值的多维度体征参数的分布函数。

在步骤S130中，对上述分布函数求偏导，建立每一维度体征参数对应于反馈结果的概率密度函数；所述概率密度函数包括每一维度体征参数对应于反馈结果为身体状况指标高于预期值的第一概率密度函数，和每一维度体征参数对应于反馈结果为身体状况指标低于预期值的第二概率密度函数。

具体而言，概率密度函数的建立是通过求上述步骤S120中的分布函数对每一维度体征参数的偏导，可得每一维度体征参数对应于反馈结果为身体状况指标高于预期值的第一概率密度函数，和每一维度体征参数对应于反馈结果为身体状况指标低于预期值的第二概率密度函数，并可画出对应概率密度分布图。如图6所示，即为心脏总能量指数TP关于疲惫的概率密度分布图，其中health-TP指第一概率密度函数，TP指第二概率密度函数。

步骤140求取所述第一概率密度函数和第二概率密度函数的交点，以相邻的两个交点划分体征参数分布区间；从而建立体征参数分布区间与体征参数分布区间内反馈结果为身体状况指标高于预期值和低于预期值的概率的对应关系，具体而言：

以图6为例，根据概率密度分布图可以清晰地观测到第一概率密度函数与第二概率密度函数的交点，以相邻的两个交点划分体征参数分布区间，通过分析两个相邻交点内的分布区间，即可明确位于该TP分布区间内的tp取值点X导致参与测试者对身体状况指标的反馈结果为身体状况指标高于预期值和低于预期值的概率，如tp取值点X导致参与测试者对身体状况指标的反馈结果为身体状况指标高于预期值的概率由第一概率密度函数health-TP，交点A、tp取值点X垂直于水平轴的两直线和水平轴围成的面积所确定。由此，类似地建立各个维度的体征参数分布区间与体征参数分布区间内反馈结果为身体状况指标高于预期值和低于预期值的概率的对应关系

此外，还可以分析哪种分布占优，也即哪种概率密度曲线处于上方，判定在体征参数分布区间内出现占优概率密度对应的后验事件为大概率事件。在图4中，在交点A和B之间的TP区间第一概率密度函数处于第二概率密度函数上方，也即在交点A和B之间的TP区间内导致参与测试者参与测试者对身体状况指标的反馈结果为身体状况指标高于预期值的概率占优，从而判定该TP区间参与测试者对身体状况指标的反馈结果为身体状况指标高于预期值为大概率事件。

请参阅图7，本发明还提供一种体征参数评价方法，包括如下步骤：

S210获取用户连续的多维度体征参数；

S220调用根据所述体征参数模型构建方法构建的的体征参数模型，根据获取到的用户连续的每一维度体征参数所处的体征参数分布区间，确定体征参数分布区间内用户身体状况指标高于预期值的概率Pr obG_i和用户身体状况指标低于预期值的概率Pr obB_i；其中，i取值为1,2,3……n，n为维度数；

S230对所有维度的体征参数分布区间内用户身体状况指标高于预期值的概率ProbG_i和用户身体状况指标低于预期值的概率Pr obB_i基于信息熵的加权平均后进行评价，获得评价结果。

本发明的体征参数评价方法是对体征参数模型的应用，体征参数模型是在大数据统计基础上建立了体征参数分布区间与体征参数分布区间内反馈结果为身体状况指标高于预期值和低于预期值的概率的对应关系，而本发明是应用这种对应关系，评价获取到的用户的体征参数，以评价结果的方式输出评价结果，供人们根据评价结果进行精准的健康管理。

其中，请参阅图8，步骤S230具体包括如下步骤：

S231根据

和

将每一维度的体征参数分布区间内体征参数分布区间内用户身体状况指标高于预期值的概率Pr obG_i和用户身体状况指标低于预期值的概率Pr obB_i归一化处理；

S232根据sigma_i＝-probg_i*log₂ probg_i-probb_i*log₂ probb_i求出每一维度体征参数对应的信息熵sigma_i；

S233根据

计算每一维度体征参数对评价结果的贡献Prob_i；

S234将多维度体征参数对应的信息熵sigma_i进行归一化处理，也即令sigmA_i＝sigma_i/(sigma₁+sigma₂+sigma₃+...+sigma_n)；

S235以每一维度体征参数对评价结果的贡献乘以归一化后的熵

进行评价；

S236当

结果为正，输出“good”的评价结果；当

结果为负，输出“bad”的评价结果。

其中，在步骤S233中，可以根据Prob_i的正负，判定在体征参数分布区间内出现占优概率密度对应的后验事件为大概率事件。当Prob_i结果为正，当前体征参数针对用户身体状况指标高于预期值的概率密度占优，判定在当前体征参数分布区间内出现用户身体状况指标高于预期值为大概率事件；当Prob_i结果为负，当前体征参数针对用户身体状况指标低于预期值的概率密度占优，判定在当前体征参数分布区间内出现用户身体状况指标低于预期值为大概率事件。该步骤可以起到与步骤S140同样的作用。针对不同维度的体征参数的概率密度分布，可以分析出个体健康的哪方面存在出现问题的风险，当步骤S233中Prob_i小于0，则体征参数指示的肠胃或心脑血管或神经功能存在风险。

通过上述技术方案比较第一概率密度函数和第二概率密度函数在分布区间内哪个占优，确定该分布区间内占优的概率密度对应的后验事件为大概率事件，作为体征参数评价的基础，但该步骤获得的是单维度生命特征参数对评价结果的贡献，要综合分析所有维度生命特征参数对评价结果的影响还需进一步作基于信息熵的加权平均。信息熵反映的是信息量，通过上述步骤将每一生命特征参数维度分布区间内的ProbG和ProbB的占比进行量化归一，加权平均再与0比较，即可获得所有维度体征参数对评价结果的最终判决。

步骤S234～S236获得评价函数

当

结果为正，所有维度体征参数对评价结果的判决为好，输出“good”的评价结果；当

结果为负，所有维度体征参数对评价结果的判决为差，输出“bad”的评价结果，对用户起到警示作用，提醒用户当前的体征参数出现异常，可能存在个体健康出现问题的风险。

当用户使用本发明建立的体征参数模型一段时间之后，可能出现评价结果与用户反馈结果不一致的情况，预测精确度不够高，需要修正标准的体征参数分布区间，调整模型，继续训练，以致训练准确率达到一定阈值。

作为本发明的进一步改进，本发明的体征参数评价方法，还包括如下步骤：当用户使用根据上述体征参数模型构建方法构建的体征参数模型一段时间后，以人机交互的方式实现对模型的反馈修正。

具体而言，在建立模型之后，根据用户长期使用后数据量的不断增加，以提问方式进行人机交互，通过人工判断，调整tracking factor，进而实现模型的反馈修正，当收集到用户一周的新的反馈数据后将其加入训练数据库，重新训练模型，当训练正确率达到一定阈值后停止训练。此后根据用户反馈情况决定是否继续训练过程。在训练过程中逐渐修正各参数的区间，实现随时调整模型，保证体征参数评价的准确性，从而使模型更加适配个人用户的长期体征参数走势，并提供预警以及个性化改善方案。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (5)

1.一种体征参数评价方法，其特征在于，包括如下步骤：

获取用户连续的多维度体征参数；

调用根据体征参数模型构建方法构建的体征参数模型，根据获取到的用户连续的每一维度体征参数所处的体征参数分布区间，确定体征参数分布区间内用户身体状况指标高于预期值的概率ProbG_i和用户身体状况指标低于预期值的概率ProbB_i；其中，i取值为1,2,3……n，n为维度数；

对所有维度的体征参数分布区间内用户身体状况指标高于预期值的概率ProbG_i和用户身体状况指标低于预期值的概率ProbB_i基于信息熵的加权平均后进行评价，获得评价结果；具体包括如下步骤：

根据

和

将每一维度的体征参数分布区间内用户身体状况指标高于预期值的概率ProbG_i和用户身体状况指标低于预期值的概率ProbB_i归一化处理；

根据sigma_i＝-probg_i*log₂probg_i-probb_i*log₂probb_i求出每一维度体征参数对应的信息熵sigma_i；

根据

计算每一维度体征参数对评价结果的贡献Prob_i；

将多维度体征参数对应的信息熵sigma_i进行归一化处理，也即令sigmA_i＝sigma_i/(sigma₁+sigma₂+sigma₃+...+sigma_n)；

以每一维度体征参数对评价结果的贡献乘以归一化后的熵

进行评价；

当

结果为正，输出“good”的评价结果；当

结果为负，输出“bad”的评价结果；

其中，所述体征参数模型构建方法包括：

获取参与测试者连续的多维度体征参数；其中，获取的多维度体征参数包括：包括心脏总能量指数TP、胃肠功能指数HF、神经兴奋指数LF、神经系统指数LF/HF、心脑血管事件指数SDNN、心率减速力DC、内分泌指数ULF、体温及血管舒缩指数VLF的体征参数；

获取参与测试者对身体状况指标的反馈结果；建立多维度体征参数对应于参与测试者对身体状况指标的反馈结果的分布函数；所述反馈结果分为身体状况指标高于预期值和低于预期值；

对上述分布函数求偏导，建立每一维度体征参数对应于反馈结果的概率密度函数；所述概率密度函数包括每一维度体征参数对应于反馈结果为身体状况指标高于预期值的第一概率密度函数，和每一维度体征参数对应于反馈结果为身体状况指标低于预期值的第二概率密度函数；

求取所述第一概率密度函数和第二概率密度函数的交点，以相邻的两个交点划分体征参数分布区间；从而建立各个维度体征参数分布区间与体征参数分布区间内反馈结果为身体状况指标高于预期值和低于预期值的概率的对应关系。

2.根据权利要求1所述的体征参数评价方法，其特征在于：所述多维度体征参数还包括基准心率、入睡时间、体动和平均心率HR。

3.根据权利要求1所述的体征参数评价方法，其特征在于：所述获取参与测试者连续的多维度体征参数，具体包括如下步骤：

通过压电传感器或加速度传感器收集体震信号；

将所述体震信号转换为模拟电信号；

对所述模拟电信号进行采样；

通过AD转换和信号处理分离呼吸、体动及BCG信号；

识别BCG信号J-J周期获取HRV体征参数；

通过对HRV参数进行时频域分析，获得包括心脏总能量指数TP、胃肠功能指数HF、神经兴奋指数LF、神经系统指数LF/HF、心脑血管事件指数SDNN、心率减速力DC、内分泌指数ULF、体温及血管舒缩指数VLF的体征参数。

4.根据权利要求1所述的体征参数评价方法，其特征在于：所述获取参与测试者连续的多维度体征参数的步骤，与所述获取参与测试者对身体状况指标的反馈结果；建立多维度体征参数对应于参与测试者对身体状况指标的反馈结果的分布函数的步骤之间，还包括如下步骤：

对多维度体征参数分别进行去均值后除均方差的归一化处理。

5.根据权利要求1所述的体征参数评价方法，其特征在于：所述身体状况指标包括睡眠质量、情绪、肠胃、疲倦和压力。

Images