CN110322947B - 一种基于深度学习的高血压老年人运动处方推荐方法 - Google Patents
一种基于深度学习的高血压老年人运动处方推荐方法 Download PDFInfo
- Publication number
- CN110322947B CN110322947B CN201910518051.6A CN201910518051A CN110322947B CN 110322947 B CN110322947 B CN 110322947B CN 201910518051 A CN201910518051 A CN 201910518051A CN 110322947 B CN110322947 B CN 110322947B
- Authority
- CN
- China
- Prior art keywords
- exercise
- heart rate
- motion
- data
- blood pressure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 206010020772 Hypertension Diseases 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 230000033001 locomotion Effects 0.000 claims abstract description 103
- 210000002216 heart Anatomy 0.000 claims abstract description 71
- 230000036772 blood pressure Effects 0.000 claims abstract description 44
- 230000001631 hypertensive effect Effects 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000003759 clinical diagnosis Methods 0.000 claims abstract description 26
- 230000036541 health Effects 0.000 claims abstract description 19
- 239000008280 blood Substances 0.000 claims abstract description 17
- 230000004217 heart function Effects 0.000 claims abstract description 12
- 230000002612 cardiopulmonary effect Effects 0.000 claims abstract description 10
- 230000009471 action Effects 0.000 claims abstract description 8
- 238000005265 energy consumption Methods 0.000 claims abstract description 8
- 230000000284 resting effect Effects 0.000 claims abstract description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 22
- 229910052760 oxygen Inorganic materials 0.000 claims description 22
- 239000001301 oxygen Substances 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000013186 photoplethysmography Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 12
- 238000005065 mining Methods 0.000 claims description 11
- 210000004369 blood Anatomy 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 239000003814 drug Substances 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 6
- 208000011580 syndromic disease Diseases 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 4
- 230000037081 physical activity Effects 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 208000008589 Obesity Diseases 0.000 claims description 3
- 206010033307 Overweight Diseases 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000004199 lung function Effects 0.000 claims description 3
- 235000020824 obesity Nutrition 0.000 claims description 3
- 230000035807 sensation Effects 0.000 claims description 3
- 230000002802 cardiorespiratory effect Effects 0.000 claims 1
- GLCVZPNILYPNKB-UHFFFAOYSA-N dibutyl benzene-1,2-dicarboxylate;ethanol;ethyl 2-methylprop-2-enoate Chemical compound CCO.CCOC(=O)C(C)=C.CCCCOC(=O)C1=CC=CC=C1C(=O)OCCCC GLCVZPNILYPNKB-UHFFFAOYSA-N 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000002354 daily effect Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 208000017667 Chronic Disease Diseases 0.000 description 5
- 210000003205 muscle Anatomy 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 102100033620 Calponin-1 Human genes 0.000 description 3
- 208000007530 Essential hypertension Diseases 0.000 description 3
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 102100033591 Calponin-2 Human genes 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010061623 Adverse drug reaction Diseases 0.000 description 1
- 102100033592 Calponin-3 Human genes 0.000 description 1
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 description 1
- 206010014418 Electrolyte imbalance Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 101000945410 Homo sapiens Calponin-3 Proteins 0.000 description 1
- 208000019025 Hypokalemia Diseases 0.000 description 1
- 206010021027 Hypomagnesaemia Diseases 0.000 description 1
- 208000009525 Myocarditis Diseases 0.000 description 1
- 201000005180 acute myocarditis Diseases 0.000 description 1
- 239000002220 antihypertensive agent Substances 0.000 description 1
- 229940127088 antihypertensive drug Drugs 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000021196 dietary intervention Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008816 organ damage Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 208000008494 pericarditis Diseases 0.000 description 1
- 208000024896 potassium deficiency disease Diseases 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于深度学习的高血压老年人运动处方推荐方法，收集健康数据；测试高血压老年人安静状态下的心功能状态，评估心率、血压和心率变异性；识别高血压老年人的日常动作；根据运动‑血压风险等级与运动风险贡献度，结合由心率变异性、能量消耗、心率评估高血压老年人的心肺功能，以及BMI、年龄、临床诊断、运动喜好参照FITT规则制定个性化的老年人运动处方。本发明提出的深度学习方案，更好的提取了运动方式、强度等运动参数、心率、心电图、实时血压等时序数据的特征表示，结合人口信息学充分学习挖掘运动与高血压波动规律关系，生成个性化运动处方。
Description
技术领域
本发明涉及一种高血压老年人运动处方推荐方法，具体地说，涉及一种基于深度学习的高血压老年人运动处方推荐方法。
背景技术
原发性高血压是以血压升高为主要临床表现，伴或不伴有多种心血管危险因素的综合征，通常称为高血压。高血压是多种心、脑血管疾病的重要病因和危险因素，影响重要脏器，如心、脑、肾的结构和功能，最终导致这些器官的功能衰竭，迄今仍是心血管疾病死亡的主要原因之一。世界卫生组织在《预防慢性病是一项至关重要的投资》报告中明确指出，不健康的饮食、不锻炼身体、自我管理不当等是慢性疾病高发的重要原因。高血压等慢性病以老年人居多，对其进行“体医结合”的主动健康教育和干预，将对原发性高血压老年人的预防、治疗和康复起到极为重要的作用。
中国专利“CN108447540A一种采集运动健康数据生成运动处方的方法”提出使用机器学习方法adaboost或者xgboost树模型学习健康数据。而机器学习需要手动提取数据特征，并不能全面学习数据的特征表示。运动干预方式单一，仅仅在共享跑步机上进行。
中国专利“CN108364674A一种利用运动处方的智能健身指导方法和系统”提出智能云平台对移动终端上传的实时运动数据使用运动处方评估模型进行分析，匹配相应的健身指导建议。基于匹配现有的运动处方模型，并不能生成精准化、个性化运动处方。
发明内容
本发明的目的是提供了一种基于深度学习的高血压老年人运动处方推荐方法，以运动与高血压关系的挖掘为基础，分析不同运动参数对于高血压的风险贡献度，根据运动风险贡献度，由心率变异性、能量消耗、心率等评估患者自身的心肺功能，以及BMI、年龄、临床诊断、运动喜好等方面制定高血压老年人个性化运动处方。
为了解决上述技术问题，本发明公开了一种基于深度学习的高血压老年人运动处方推荐方法，具体步骤包括：
步骤1，收集人体运动、体征等可穿戴传感数据及其他人体健康数据；
步骤2，测试高血压老年人安静状态下的心功能状态，监测心率、血压、心率变异性和血压变异性等体征信息；实时识别高血压老年人的对应体征状态下的日常动作，获取高血压老年人日常活动信息；
步骤3，根据运动-血压风险评估等级、运动风险贡献度，结合由心率变异性、能量消耗、心率评估高血压老年人的心肺功能，以及BMI、年龄、临床诊断、运动喜好参照FITT规则制定个性化的老年人运动处方。
进一步地，步骤1，收集健康数据具体为：
第一步，通过光电容积描记(Photoplethysmograph，PPG)脉搏波传感器，测量脉搏波传感数据；心电图(Electrocardiogram，ECG)传感器测量心率变异性数据；
第二步，分别捕捉ECG、PPG传感数据的心电波形R峰、心率波形斜率起点，获取脉搏波传导时间，基于Moens-Korteweg方法估计血压，基于Pan-Tompkins方法监测脉搏波延迟时间，计算脉搏波传导速度；
第三步，采用加速度传感器、陀螺仪传感器、地磁传感器等人体运动传感数据，结合心率、心电等传感数据基于深度学习方法识别高血压老年人的日常运动方式以及获取对应的强度、频率、时间；
第四步，通过智能健康传感设备采集人体体征数据，属显性信息，直接反映生理指标，包括血压、心率、心电图；
第五步，通过健康数据记录采集间接数据，属隐性信息，从人口信息学、诊断和治疗角度反映患者身体状态，包括诊断记录、用药记录。
进一步地，步骤2，测试高血压老年人安静状态下的心功能状态，监测心率、血压、心率变异性及血压变异性；实时识别高血压老年人的对应体征状态下的日常动作，具体为：
第一步，静态指标测试，测试高血压老年人安静状态下的心功能状态，包括心率、血压和ECG，以及常见血液指标血糖、血脂；心肺适能测试与评价包括运动中的心率、血压、ECG、Brog主观疲劳感觉量表和在递增运动负荷试验GET中直接或间接测量的最大摄氧量；
第二步，日常运动和体征信息测试与评价，对于BMI≥24的高血压老年人进行日常运动和体征信息关联评估，以挖掘运动方式、运动强度、超重和肥胖程度与相关疾病的关系。
进一步地，最大摄氧量VO2max是心肺耐力的标准测量指标，临床上用这一变量的相对值[ml/(kg·min)]表示，同时VO2是衡量运动强度的金标准，计算VO2max的最全面的方程：
(1)(男性)
VO2max(males)＝((0.072*Ht)-0.052)*(44.220-(0.390*Age))+(0.006*Wt)
(2)(女性)
VO2max(females)＝((0.063*Ht)-0.045)*(37.030-(0.370*Age))+(0.006*Wt)
其中Ht表示以米为单位的人的身高，Wt为以公斤为单位的体重，Age表示年龄。
当前的摄氧量：
表示当前心率，HRmax表示最大心率，VO2max表示最大摄氧量。
进一步地，步骤3，根据运动风险贡献度，结合由心率变异性、能量消耗、心率评估高血压老年人的心肺功能，以及BMI、年龄、临床诊断、运动喜好参照FITT规则制定个性化的老年人运动处方，具体为：
第一步：根据血压变异性评估运动风险等级，基于深度学习与逻辑回归组合模型，分析各运动参数的风险贡献度；
基于运动风险等级确定运动类型，包括有氧运动和阻抗运动；根据各运动参数的风险贡献度，确定用户首要干预目标，组成候选干预目标的集合；
第二步：根据首要干预目标，临床诊断、身体运动情况、BMI、年龄、最大摄氧量VO2max、心率变异性确定高血压老年人主要的运动参数；
第三步：根据运动参数与综合征的关系挖掘，对生成的运动参数进行调整；
第四步：根据首要干预目标生成的运动参数，依次确定次要干预目标，结合临床诊断、身体运动情况、BMI、年龄、最大摄氧量VO2max、心率变异性确定高血压老年人次要运动干预参数；
第五步：根据运动参数与血压变化规律的关系挖掘，对上述步骤生成的运动参数进行反馈调整。
6、根据权利要求5所述的基于深度学习的高血压老年人运动处方推荐方法，其特征在于，对于有氧运动，运动参数包括：方式、强度、时间和频率，拼接四种运动参数作为输入向量xt，以二进制编码表示；人口统计信息向量dt，其表示血压、临床诊断、身体运动情况、BMI、年龄等患者人口信息学情况；
根据风险贡献度最大的运动参数作为首要干预目标，结合人口统计信息作为模型的输入，以学习生成个性化运动处方；
基于CNN的决策级融合集成模型，根据FITT规则，集成模型需要4个CNN模型；首先将采集到的数据标准化，并完成格式的转换，输入到模型中；每个子模型输入FITT中的一种运动参数，其余数据为临床诊断、个人喜好、BMI等数据。例如模型的输入数据为运动参数如运动方式，其余输入数据为临床诊断、个人喜好、BMI、年龄、性别、近期身体活动情况、最大摄氧量(VO2max)、心率变异性；输出数据为适合患者的运动方式；每个CNN模型分别计算出适合患者的运动方式、强度、频率、时间，结合不同运动参数与综合征的关系挖掘进行微调，最后执行决策级的数据融合。
与现有技术相比，本发明可以获得包括以下技术效果：
本发明提出的深度学习方案，更好的提取了运动方式、强度等运动参数、心率、心电图、实时血压等时序数据的特征表示，结合人口信息学充分学习挖掘运动与高血压波动规律关系，生成个性化运动处方。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例中基于深度学习的运动处方生成过程图；
图2是本发明实施例中基于深度学习的运动处方动态反馈流程图。
具体实施方式
以下将配合实施例来详细说明本发明的实施方式，藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
传统运动处方干预方法主要依赖于医生的临床经验，不仅加重了医生的工作量，而且难以根据个体健康指标差异提供个性化运动处方，处方的执行管理也是一个难点。近年来，伴随着信息技术的革新，针对运动方案的制定、运动干预效果的评估，从人工提供处方逐步转移到借助健康大数据实现处方的自动生成，智能化运动处方干预有望释放有限的医师专家资源，特别适用于像中国等发展中国家，医患比例严重失衡，运动处方的智能生成意义重大。
本发明公开了一种基于深度学习的高血压老年人运动处方推荐方法，具体步骤包括：
步骤1，收集人体运动、体征等可穿戴传感数据及其他人体健康数据，具体为：
第一步，通过光电容积描记(Photoplethysmograph，PPG)脉搏波传感器，测量脉搏波传感数据；心电图(Electrocardiogram，ECG)传感器测量心率变异性数据；
第二步，分别捕捉ECG、PPG传感数据的心电波形R峰、心率波形斜率起点，获取脉搏波传导时间，基于Moens-Korteweg方法估计血压，基于Pan-Tompkins方法监测脉搏波延迟时间，计算脉搏波传导速度；
第三步，采用加速度传感器、陀螺仪传感器、地磁传感器等人体运动传感数据，结合心率、心电等传感数据基于深度学习方法识别高血压老年人的日常运动方式以及获取对应的强度、频率、时间；
第四步，通过智能健康传感设备采集人体体征数据，属显性信息，直接反映血压、心率、心电图等人体生理指标；
第五步，通过健康数据记录采集间接数据，属隐性信息，从人口信息学、诊断和治疗角度反映患者身体状态，包括诊断记录、用药记录。
步骤2，测试高血压老年人安静状态下的心功能状态，监测心率、血压、心率变异性及血压变异性；实时识别高血压老年人的对应体征状态下的日常动作，具体为：
第一步，静态指标测试，测试高血压老年人安静状态下的心功能状态，包括心率、血压和ECG，以及常见血液指标血糖、血脂；心肺适能测试与评价包括运动中的心率、血压、ECG、Brog主观疲劳感觉量表和在递增运动负荷试验GET中直接或间接测量的最大摄氧量；
第二步，日常运动和体征信息测试与评价，对于BMI≥24的高血压老年人进行日常运动和体征信息关联评估，以挖掘运动方式、运动强度、超重和肥胖程度与相关疾病的关系。
本发明根据实际实验器材，参考相关文献，静态指标测试锻炼者安静状态下的心功能状态，使用PPG(光电描记术)和ECG(心电图传感器)评估心率、血压和心率变异性。日常动作和体征信息测试与评价参考医院记录以及患者自我填报。对于肌肉和柔韧适能的测试与评价，由于本发明研究的高血压老年人，考虑老年人在肌肉耐力、力量、柔韧性方面的不宜进行抗阻运动，运动方式建议采用低、中强度走路、慢跑、楼梯运动等有氧运动方式，因此暂不需要进行肌肉和柔韧适能的测试与评价。有氧运动更多的取决于心肺适应性，因此我们更多的关注测试锻炼者安静状态下的心功能状态。
运动测试禁忌症，包括绝对禁忌症和相对禁忌症。绝对禁忌症包括急性心肌炎或心包炎、未控制有症状的心力衰竭等(可以再加)。相对禁忌症包括严重高血压(如收缩压>200mmHg和或舒张压>110mmHg,电解质紊乱(如：低钾血症、低镁血症)等等(可以再加)。
心肺耐力与大肌肉群参与的，动力性中等到较大强度的较长时间的运动能力有关。传统的人体心肺功能评价主要是基于最大心输出量(COmax)、最大吸氧量(VO2max)等。
最大摄氧量VO2max是心肺耐力的标准测量指标，临床上用这一变量的相对值[ml/(kg·min)]表示，同时VO2是衡量运动强度的金标准，计算VO2max的最全面的方程：
(1)(男性)
VO2max(males)＝((0.072*Ht)-0.052)*(44.220-(0.390*Age))+(0.006*Wt)
(2)(女性)
VO2max(females)＝((0.063*Ht)-0.045)*(37.030-(0.370*Age))+(0.006*Wt)
其中Ht表示以米为单位的人的身高，Wt为以公斤为单位的体重，Age表示年龄。
当前的摄氧量：
currentHR表示当前心率，HRmax表示最大心率，VO2max表示最大摄氧量。
步骤3，根据运动风险贡献度，结合由心率变异性、能量消耗、心率评估高血压老年人的心肺功能，以及BMI、年龄、临床诊断、运动喜好参照FITT规则制定个性化的老年人运动处方。具体为：
第一步：根据血压变异性评估运动风险等级，基于深度学习与逻辑回归组合模型，分析各运动参数的风险贡献度；
基于运动风险等级确定运动类型，包括有氧运动和阻抗运动；根据各运动参数的风险贡献度，确定用户首要干预目标，组成候选干预目标的集合；
第二步：根据首要干预目标，临床诊断、身体运动情况、BMI、年龄、最大摄氧量VO2max、心率变异性确定高血压老年人主要的运动参数(运动方式、强度、频率、时间)；
第三步：根据运动参数与高血压关系挖掘，对生成的运动参数进行调整；
第四步：根据首要干预目标生成的运动参数，依次确定次要干预目标，结合临床诊断、身体运动情况、BMI、年龄、最大摄氧量VO2max、心率变异性确定高血压老年人的运动参数(运动方式、强度、频率、时间)；
第五步：根据运动干预执行反馈，对上述步骤生成的运动参数进行实时动态调整。
对于有氧运动(阻抗运动不予考虑)：
1)运动方式：坐、站、躺，上楼梯、下楼梯、跑步按是否发生，分别置为0和1，1表示发生，0表示未发生，如000100表示上楼梯。
2)运动强度：低、较低，中、较高、高，按是否表示当前运动强度进行二值化，如低强度：10000；较低强度：01000；中等强度：00100；较高强度：00010；高强度：00001。其中运动强度根据储备心率(HRR)的百分比计算，获得每个个体的相对运动强度。HRR＝HRmax-HRrest，HRmax表示最大心率，HRmax＝220-年龄被普遍应用，HRrest表示静息心率。根据美国运动医学会(ACSM)对于运动强度的规定，HRR的百分比来衡量运动强度，低于30％为低强度，30％-40％之间为较低强度，40％-60％之间为中等强度，60％-90％之间为较大强度，大于90％为大到最大强度。
3)运动时间：无，0～30分钟，30～60分钟，60～90分钟，90～120分钟，按运动时间进行二值化表示。如无：00000；0～30分钟：01000；30～60分钟：00100；60～90分钟：00010；90～120分钟：00001
4)运动频率：一周无运动，一周1～3次，一周3～5次，一周6-7次，分别为000，001，010，100
拼接四种运动参数作为输入向量xt，以二进制编码表示；人口统计信息向量dt，其表示血压、临床诊断、身体运动情况、BMI、年龄等患者人口信息学情况(依据美国运动医学会运动测试)；
根据风险贡献度最大的运动参数作为首要干预目标，结合人口统计信息作为模型的输入，以此来学习干预生成个性化运动处方；
基于CNN的决策级融合集成模型，根据FITT规则，集成模型需要4个CNN模型；首先将采集到的数据标准化，并完成格式的转换，输入到模型中；每个子模型输入FITT中的一种运动参数，其余数据为临床诊断、个人喜好、BMI等数据。例如模型的输入数据为运动参数如运动方式，其余输入数据为临床诊断、个人喜好、BMI、年龄、性别、近期身体活动情况、最大摄氧量(VO2max)、心率变异性；输出数据为适合患者的运动方式；每个CNN模型分别计算出适合患者的运动方式、强度、频率、时间，结合不同运动参数与综合征的关系挖掘进行微调，最后执行决策级的数据融合。其模型如图1所示。
处方的执行过程是一个动态调整和反馈的过程。其过程数据包括用户干预执行终端上的传感数据，以及用户的自我反馈信息等，都会对后续的处方产生动态影响。例如，用户反馈力竭无法完成，或认为运动项目执行过于轻松，运动的强度会相应进行调整；对于持续无法完成的能耗目标或强度目标，会适量调整相应参数，并考察用户的完成进度，构建的基本模型如图2所示。
在干预周期完成后，会对运动处方的干预效果进行评估，并分析记录未完成的运动目标(能耗目标、时间目标等)及其原因，保留干预完成的运动参数，作为下个处方干预周期的初始参考值，同时将用户改善情况与干预过程数据进行关联分析，即不同运动参数与血压关系，同时提取其量效关系保存，作为后续进行处方生成的参考数据。
本发明是基于CNN等深度学习模型学习生成老年人慢性疾病如高血压等运动处方。美国心脏病学会(American College ofCardiology，ACC)和美国心脏协会(AmericanHeart Association，AHA)发布的《2017年高血压临床实践指南》认为有氧等运动干预以及饮食干预是预防和治疗高血压的最佳非药物干预措施。长期科学的运动干预对于老年高血压患者具有降压稳压的作用。根据美国运动医学会(American College ofSportsMedicine，ACSM)提出的老年人高血压运动处方规则FITT，本发明在运动方式如坐、站、躺，上楼梯、下楼梯、慢跑等，运动强度如低、较低，中、较高、高等，运动时间如无，0～30分钟，30～60分钟，60～90分钟，90～120分钟等，运动频率如一周0次，1～3次，4～6次等，学习运动方式、强度等参数与高血压波动规律关系挖掘，基于老年人高血压的运动风险评估，以及临床诊断、BMI等生成个性化老年人运动处方。基于可穿戴设备，收集高血压老年人运动数据，建立处方反馈机制，根据老年人处方适应度、执行进展，合理预测，及时调整运动处方，实现运动处方的动态化、精准化。
运动处方生成模型是基于CNN的决策级数据融合集成模型，主要涉及以下三个环节：输入数据的标准化，模型的验证与评估，运动处方干预结果反馈。输入数据的标准化即完成不同参数数据的格式转换。不同运动参数的风险贡献度包括不同运动方式、运动强度、持续时间、运动频率等，体征参数包括最大摄氧量、当前摄氧量、心率变异性、血压变异性、心率、BMI、年龄等，身体其他信息包括临床诊断、近期身体活动状况等数据的标准化处理。
深度学习方法可以实现端到端的学习方式，可以更好地学习数据的特征表示，实现运动处方的精细化生成。基于CNN决策级融合集成深度学习模型结合了Adaboost集成学习思想，在之前学习决策的基础上，生成当前模型决策。本发明首先根据运动-血压风险评估，排序运动方式、强度等不同运动参数的风险贡献度，首先学习决策风险贡献度最大的运动参数，生成相应的运动参数处方，并作为输入，共同学习决策次要运动参数，依此类推每次在基于先前决策的基础上生成当前决策输出，这样的深度学习模型架构符合运动处方的生成逻辑。卷积神经网络是前馈神经网络，在许多计算机视觉、信号问题上取得了成功。卷积神经网络实现不同运动参数的个性化学习，包括卷积和池化的层数，卷积核、池化核尺寸以及全连接层的隐含节点数等。输入层输入经过标准化处理的多维运动健康数据，根据风险评估，CNN1处理首要的运动参数，CNN1的结果输入CNN2，CNN1和CNN2的结果输入到CNN3，以此类推。最后一层Softmax层输出表示不同运动参数属性的标签，CNN在输出每个标签对应的运动参数属性值后，参考不同运动参数与血压之间的规律，对输出结果进行微调。在决策层进行数据融合，生成根据FITT规则的运动处方，再根据历史运动处方对生成的运动处方进行微调。数据分为两部分：训练集和测试集，通过交叉验证方式完成模型学习与验证，设置准确率、召回率、精确度等评价指标评价实验结果。
运动处方干预结果反馈是基于运动处方过程数据的记录，主要是记录执行运动处方过程中血压、心率、心率变异性、血压变异性、Brog主观疲劳感觉量表(RPE)等，结合每天或每周运动处方的完成程度，运动时、运动后血压的波动范围，风险评估等级以及各运动参数的风险贡献度，决策判断当前的运动处方是否符合该使用者。基于CNN决策级融合集成模型动态及时调整运动处方，实现全人全程精准化运动处方生成。
与现有方案相比，本发明提出的深度学习方案，更好的提取了运动方式、强度等运动参数、心率、心电图、实时血压等时序数据的特征表示，结合人口信息学充分学习挖掘运动与高血压波动规律关系，生成个性化运动处方。
基于IMU传感器如ACC与生理传感器如PPG、ECG等数据，通过卷积神经网络与长短期记忆神经网络组合模型，分析老年人日常活动。基于PPG计算相应活动方式下运动强度。由此可根据可穿戴传感器获取老年人不同的运动方式，以及相应运动方式下的运动强度、时间、频率。基于ECG与PPG传感器根据脉搏波传导时间计算24小时动态血压。计算对应运动方式与强度下的血压变异性，分析运动-高血压风险等级。
基于运动风险等级、风险因素贡献度、临床诊断，BMI、年龄、性别、心率变异性以及海拔、天气等外部环境条件，编码运动-血压风险等级、临床诊断、BMI等离散属性值作为模型特征向量。基于各风险因素贡献度确定干预次序，通过CNN决策级融合集成模型分析各学习特征向量的隐含表示，在前次干预结果的共同作用下，依次生成各运动参数的干预结果，并融合输出。本方案生成的一个运动处方案例如下：
收集成都第八人民医院老年人群样本数据，某男性老年人年龄63，临床诊断为高血压2级，伴有冠心病。基于加速度、脉搏波、心电等可穿戴设备，获取老人日常活动以及对应的24小时血压估计。以本专利提出的深度学习方法，综合该老人运动-血压风险等级、临床诊断，以及个人喜好等生成个性化运动处方，精准干预运动-血压关系变化。
高血压运动处方(根据美国运动医学会(ACSM)FITT(Frequency,Intensity,Time,Type)规则生成)
运动方式：步行、慢跑等有氧运动
频率：一周几乎每天进行有氧运动，每周进行2～3天阻抗运动。
强度：中等强度的有氧运动(即：40％～60的储备心率(HRR)，主观疲劳感觉11～13)
时间：每天持续30～60分钟的持续性或间歇性有氧运动。如果选择间歇运动，每次至少10分钟，累计每天30～60分钟。
方式：有氧运动是重点，如步行、慢跑、上下楼梯等大肌肉群共同参与、协调的训练动作组成。
注意事项：健康成年人的运动处方原则也适用于高血压病人，但应根据高血压病人的血压控制情况、抗高血压药物治疗情况、药物副作用、有无器官损坏及其他并发症进行相应调整。任何运动处方的运动进度都是循序渐进的，尤其是高血压病人更应注意。
上述说明示出并描述了发明的若干优选实施例，但如前所述，应当理解发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围，则都应在发明所附权利要求的保护范围内。
Claims (1)
1.一种基于深度学习的高血压老年人运动处方推荐方法，其特征在于，具体步骤包括：
步骤1，收集可穿戴传感数据及其他人体健康数据，具体为：
第一步，通过光电容积描记（Photoplethysmograph，PPG）脉搏波传感器，测量脉搏波传感数据；心电图（Electrocardiogram，ECG）传感器测量心率变异性数据；
第二步，分别捕捉ECG、PPG传感数据的心电波形R峰、心率波形斜率起点，获取脉搏波传导时间，基于Moens-Korteweg方法估计血压，基于Pan-Tompkins方法监测脉搏波延迟时间，计算脉搏波传导速度；
第三步，采用加速度传感器、陀螺仪传感器和地磁传感器获得人体运动传感数据，结合心率和心电传感数据基于深度学习方法识别高血压老年人的日常运动方式以及获取对应的强度、频率和时间；
第四步，通过智能健康传感设备采集人体体征数据，属显性信息，直接反映生理指标，包括血压、心率和心电图；
第五步，通过健康数据记录采集间接数据，属隐性信息，从人口信息学、诊断和治疗角度反映患者身体状态，包括诊断记录和用药记录；
步骤2，测试高血压老年人安静状态下的心功能状态，监测体征信息包括心率、血压、心率变异性和血压变异性；实时识别高血压老年人的对应体征状态下的日常动作，获取高血压老年人日常活动信息，具体为：
第一步，静态指标测试，测试高血压老年人安静状态下的心功能状态，包括心率、血压和ECG，以及常见血液指标血糖和血脂；心肺适能测试与评价包括运动中的心率、血压、ECG、Brog主观疲劳感觉量表和在递增运动负荷试验GET中直接或间接测量的最大摄氧量，所述最大摄氧量VO2max是心肺耐力的标准测量指标，临床上用这一变量的相对值[ml/(kg ·min)]表示，计算VO2max的最全面的方程：
（1）男性：
VO2max(males) = ((0.072*Ht)-0.052)*(44.220-(0.390*Age))+(0.006*Wt)
（2）女性：
VO2max(females) = ((0.063*Ht)-0.045)*(37.030-(0.370*Age))+(0.006*Wt)
其中Ht表示以米为单位的人的身高，Wt为以公斤为单位的体重，Age表示年龄；
第二步，日常运动和体征信息测试与评价，对于BMI≥24 的高血压老年人进行日常运动和体征信息关联评估，以挖掘运动方式、运动强度、超重和肥胖程度与相关疾病的关系；
步骤3，根据运动-血压风险评估等级、运动风险贡献度，结合由心率变异性、能量消耗和心率评估高血压老年人的心肺功能，以及BMI、年龄、临床诊断、运动喜好参照FITT规则制定个性化的老年人运动处方，具体为：
第一步：根据血压变异性评估运动风险等级，基于深度学习与逻辑回归组合模型，分析各运动参数的风险贡献度；
基于运动风险等级确定运动类型，包括有氧运动和阻抗运动；根据各运动参数的风险贡献度，确定用户首要干预目标，组成候选干预目标的集合；
第二步：根据首要干预目标，临床诊断、身体运动情况、BMI、年龄、最大摄氧量VO2max、心率变异性确定高血压老年人主要的运动参数；
第三步：根据运动参数与综合征的关系挖掘，对生成的运动参数进行调整；
第四步：根据首要干预目标生成的运动参数，依次确定次要干预目标，结合临床诊断、身体运动情况、BMI、年龄、最大摄氧量VO2max和心率变异性确定高血压老年人次要运动干预参数；
第五步：根据运动参数与血压变化规律的关系挖掘，对上述步骤生成的运动参数进行反馈调整；
其中对于有氧运动，运动参数包括：方式、强度、时间和频率，拼接四种运动参数作为输入向量x t ，以二进制编码表示；人口统计信息向量d t ，其表示血压、临床诊断、身体运动情况、BMI和年龄；
根据风险贡献度最大的运动参数作为首要干预目标，结合人口统计信息作为模型的输入，以学习生成个性化运动处方；
基于CNN的决策级融合集成模型，根据FITT规则，集成模型需要4个CNN模型；首先将采集到的数据标准化，并完成格式的转换，输入到模型中；每个子模型输入FITT中的一种运动参数，其余数据为临床诊断、个人喜好、BMI、年龄、性别、近期身体活动情况、最大摄氧量VO2max和心率变异性；输出数据为适合患者的运动方式；每个CNN模型分别计算出适合患者的运动方式、强度、频率和时间，结合不同运动参数与综合征的关系挖掘进行微调，最后执行决策级的数据融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910518051.6A CN110322947B (zh) | 2019-06-14 | 2019-06-14 | 一种基于深度学习的高血压老年人运动处方推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910518051.6A CN110322947B (zh) | 2019-06-14 | 2019-06-14 | 一种基于深度学习的高血压老年人运动处方推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110322947A CN110322947A (zh) | 2019-10-11 |
| CN110322947B true CN110322947B (zh) | 2022-07-19 |
Family
ID=68120020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910518051.6A Expired - Fee Related CN110322947B (zh) | 2019-06-14 | 2019-06-14 | 一种基于深度学习的高血压老年人运动处方推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110322947B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111000541A (zh) * | 2019-12-25 | 2020-04-14 | 南京宁康中科医疗技术有限公司 | 个性化深呼吸训练处方的制定和实施方法、系统及装置 |
| CN111248879B (zh) * | 2020-02-20 | 2021-12-07 | 电子科技大学 | 一种基于多模态注意力融合的高血压老年人活动分析方法 |
| CN111370090B (zh) * | 2020-03-05 | 2021-11-09 | 北京动亮健康科技有限公司 | 匹配运动效果案例的方法和系统 |
| CN111445978B (zh) * | 2020-03-26 | 2021-12-07 | 北京动亮健康科技有限公司 | 运动方案反应性预测模型及建模方法、电子设备 |
| CN112973092B (zh) * | 2021-02-02 | 2022-03-25 | 随机漫步(上海)体育科技有限公司 | 辅助训练的方法及装置、存储介质、电子设备和单车 |
| CN111530037B (zh) * | 2020-05-13 | 2021-10-01 | 广东高驰运动科技有限公司 | 用于评估跑步运动中身体机能反应状态的方法及设备 |
| CN111914655B (zh) * | 2020-07-06 | 2022-07-12 | 电子科技大学 | 一种基于显著信号子段提取的脉象分类方法 |
| CN112509666B (zh) * | 2020-11-16 | 2022-11-25 | 东南大学 | 一种慢性病运动处方生成的方法和装置 |
| US20230415000A1 (en) * | 2020-12-09 | 2023-12-28 | Susmed, Inc. | Exercise habituation assisting system and exercise habituation assisting program |
| CN113133762B (zh) * | 2021-03-03 | 2022-09-30 | 刘欣刚 | 一种无创血糖预测方法及装置 |
| CN114081462B (zh) * | 2021-11-19 | 2023-06-09 | 齐齐哈尔大学 | 一种基于多维度生理信息的心脏健康监护系统 |
| CN114373549B (zh) * | 2022-03-22 | 2022-06-10 | 北京大学 | 一种面向老年人的自适应运动处方健康干预方法及系统 |
| CN114903308A (zh) * | 2022-05-20 | 2022-08-16 | 哈尔滨理工大学 | 一种基于人工智能的椅子 |
| CN115137322B (zh) * | 2022-09-05 | 2022-12-06 | 深圳市景新浩科技有限公司 | 一种动态血压连续监测系统 |
| CN115440381B (zh) * | 2022-11-09 | 2023-02-07 | 中山大学附属第一医院 | 一种基于运动方案的心脏风险等级评估方法、设备及介质 |
| CN116030937B (zh) * | 2023-02-01 | 2023-06-02 | 中国民用航空飞行学院 | 一种生成跑步运动处方的方法 |
| CN116417146A (zh) * | 2023-04-24 | 2023-07-11 | 南京理工大学 | 基于cnn的个体心肺功能评估系统及其处理方法 |
| CN116798659B (zh) * | 2023-08-23 | 2023-11-21 | 北京慧兰医疗科技有限公司 | 一种基于冠心病监测的综合档案管理平台 |
| CN116994711B (zh) * | 2023-09-27 | 2024-01-05 | 华南理工大学 | 一种面向运动健康的个性化运动处方的生成方法和系统 |
| CN117271607B (zh) * | 2023-10-10 | 2024-06-04 | 西南交通大学 | 一种生成运动处方的方法 |
| CN117352165B (zh) * | 2023-12-06 | 2024-02-20 | 深圳市健怡康医疗器械科技有限公司 | 一种老年人术后康复护理方法及系统 |
| CN117457147B (zh) * | 2023-12-25 | 2024-03-19 | 深圳市尼罗河移动互联科技有限公司 | 康复患者个性化护理计划方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080040151A1 (en) * | 2005-02-01 | 2008-02-14 | Moore James F | Uses of managed health care data |
| WO2011025075A1 (ko) * | 2009-08-28 | 2011-03-03 | (주)누가의료기 | 운동 처방 시스템 |
| CN103996155A (zh) * | 2014-04-16 | 2014-08-20 | 深圳市易特科信息技术有限公司 | 智能交互及心理慰藉机器人服务系统 |
| CN107291656A (zh) * | 2016-04-06 | 2017-10-24 | 奥美之路(北京)健康科技股份有限公司 | 一种心肺功能的运动测试方案和计算方法 |
| CN106295805A (zh) * | 2016-08-16 | 2017-01-04 | 王伟 | 基于bp神经网络的人体最大摄氧量评价方法及其应用 |
| CN107103174A (zh) * | 2016-11-25 | 2017-08-29 | 北京动亮健康科技有限公司 | 基于运动干预、饮食干预和心理干预的慢病管理系统 |
-
2019
- 2019-06-14 CN CN201910518051.6A patent/CN110322947B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN110322947A (zh) | 2019-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110322947B (zh) | 一种基于深度学习的高血压老年人运动处方推荐方法 | |
| AU2013220945B2 (en) | Exercise system and method | |
| Crouter et al. | A novel method for using accelerometer data to predict energy expenditure | |
| Ludwig et al. | Measurement, prediction, and control of individual heart rate responses to exercise—Basics and options for wearable devices | |
| US20010016689A1 (en) | Measurement relating to human body | |
| Vakulenko | Comparative analysis of the reaction vessels of the left and right shoulder to increasing compression during blood pressure measurement according to the morphological analysis of arterial pulsations using the Oranta-AO information system In: DV Vakulenko, LO Vakulenko (eds.) Arterial oscillography: New capabilities of the blood pressure monitor with the Oranta-AO information system | |
| Vakulenko et al. | Evaluation of the Level of Interaction of Regulatory Mechanisms of the Cardiovascular System and Their Correlation Portrait Based on the Results of the Analysis of Arterial Pulsations Recorded during Blood Pressure Measurement Using the Oranta-AO Information System | |
| Vakulenko | Effectiveness of the Use of Information system Oranta-AO for Telemetry Remote Study of Adaptive Capabilities of the Cardiovascular System In: DV Vakulenko, LO Vakulenko (eds.) Arterial oscillography: New capabilities of the blood pressure monitor with the Oranta-AO information system | |
| CN117116490A (zh) | 心血管病评估模型构建方法、膳食食疗及健康管理系统 | |
| Alvarez-Garcia et al. | A survey on energy expenditure estimation using wearable devices | |
| AU2014214174A1 (en) | Assessment and advice on nutrition, endurance, and strength | |
| CN112309575A (zh) | 身形变化预测系统 | |
| US20230191195A1 (en) | Computer implemented method and wearable electronic system for predicting the oxygen uptake during an exercise, and, non-transitory computer readable storage medium | |
| JP7033362B1 (ja) | 情報処理システム、サーバ、情報処理方法及びプログラム | |
| CN114724678A (zh) | 一种运动处方动态设计系统、方法、存储介质和电子设备 | |
| Raja et al. | A review of applications of artificial intelligence in cardiorespiratory rehabilitation | |
| Roy et al. | In-silico cardiovascular hemodynamic model to simulate the effect of physical exercise | |
| JP7065550B1 (ja) | 情報処理システム、サーバ、情報処理方法及びプログラム | |
| Miguel-Ruiz et al. | Measurement of Physical Activity Energy Expenditure Using Inertial Sensors | |
| Lu et al. | A motion-sensing enabled personalized exercise system for cardiac rehabilitation | |
| Borror | A Mathematical Model for Predicting Maximal Heart Rate, Maximal Oxygen Uptake, and Oxygen Uptake Kinetics During Walking and Running at Varied Intensities | |
| Chase | Cadence as an Indicator of the Walk-to-Run Transition | |
| Longmuir et al. | Reliability and validity of a modified Canadian Aerobic Fitness Test for individuals with mobility impairments | |
| Pollicini | Why should 3D Gait Analysis be included in the Walking Pattern Assessment of individuals with Spinal Cord Injury?: Biomechanical analysis of gait and gait patterns in individuals with spinal cord injury | |
| Asghari | A Novel Sensor-Based Approach to Predict Adverse Outcomes in Chronic Obstructive Pulmonary Disease |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220719 |