CN110432882B - 基于代谢当量及生理参数的最大心率预测方法和装置 - Google Patents

基于代谢当量及生理参数的最大心率预测方法和装置 Download PDF

Info

Publication number
CN110432882B
CN110432882B CN201811046087.0A CN201811046087A CN110432882B CN 110432882 B CN110432882 B CN 110432882B CN 201811046087 A CN201811046087 A CN 201811046087A CN 110432882 B CN110432882 B CN 110432882B
Authority
CN
China
Prior art keywords
heart rate
maximum heart
user
rate value
value
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.)
Active
Application number
CN201811046087.0A
Other languages
English (en)
Other versions
CN110432882A (zh
Inventor
李道清
张启莲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dongliang Health Technology Co ltd
Original Assignee
Beijing Dongliang Health Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dongliang Health Technology Co ltd filed Critical Beijing Dongliang Health Technology Co ltd
Priority to CN201811046087.0A priority Critical patent/CN110432882B/zh
Publication of CN110432882A publication Critical patent/CN110432882A/zh
Application granted granted Critical
Publication of CN110432882B publication Critical patent/CN110432882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Signal Processing (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本申请公开了一种基于代谢当量及生理参数的最大心率预测方法和装置。其中方法包括：基于用户的身体特征参数，利用回归模型得到所述用户的最大心率值，其中，所述回归模型是通过对多个受试者的最大心率值和身体特征参数进行统计得到的线性多项回归公式模型；根据所述用户的代谢当量，对所述最大心率值进行校正。该方法能够根据用户的身体特征参数快速得到最大心率值。回归模型采用统计学的方法得到，因此模型更加符合人体的生理规律。通过采集代谢当量对最大心率值进行校正，比直接测量心率更加简单，设备要求也降低，而且能够根据用户的运动状态的变化，实时估计和更新最大心率值，能够满足用户的需求。

Description

基于代谢当量及生理参数的最大心率预测方法和装置
技术领域
本申请涉及数据处理技术领域，特别是涉及一种最大心率预测方法和装置，更具体地，涉及一种基于代谢当量及生理参数的最大心率预测方法和装置。
背景技术
对于大多数人来说，心率是衡量一个人身体健康的重要指标。其中最大心率反映了一个人所能承受的最大运动强度。传统的最大心率计算方法包括直接测试法和间接预测法。直接测试法通过对受试者进行极量负荷测试获得，该方法虽然能获得准确值，但是由于运动强度大，且对于运动风险高危人群，存在安全隐患。间接预测法主要采用经验公式进行预测，目前国际公认的预测公式包括220-年龄以及208-0.7*年龄等等，这些公式以年龄作为变量，对受试者的最大心率进行预测，但是有研究表示，这些公式预测误差比较大。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的一个方面，提供了一种最大心率预测方法，包括：
最大心率值计算步骤：基于用户的身体特征参数，利用回归模型得到所述用户的最大心率值，其中，所述回归模型是通过对多个受试者的最大心率值和身体特征参数进行统计得到的线性多项回归公式模型；和
校正步骤：根据所述用户的代谢当量，对所述最大心率值进行校正。
该方法能够根据用户的身体特征参数快速得到最大心率值。回归模型采用统计学的方法得到，因此模型更加符合人体的生理规律。通过采集代谢当量对最大心率值进行校正，比直接测量心率更加简单，设备要求也降低，而且能够根据用户的运动状态的变化，实时估计和更新最大心率值，能够满足用户的需求。
可选地，在所述最大心率值计算步骤之前，该方法还包括：参数接收步骤：接收所述用户输入的身体特征参数。
可选地，所述身体特征参数包括：年龄、性别、体重、体力活动水平。
可选地，在所述最大心率值计算步骤中，所述回归模型为：
HRmax＝a0*age+a1*sex+a2*activitylevel+a3*weight+a4
其中，HRmax为最大心率值，age表示所述用户的年龄，sex表示所述用户的性别，activitylevel表示所述用户的体力活动水平，weight表示所述用户的体重，a0、a1、a2、a3、a4为待定参数。
该方法能够根据用户的身体特征参数通过回归模型快速计算出用户的最大心率值，仅需输入基本信息而无需做复杂的测试，操作简单，结果准确，并且能够为后续的最大心率值校正和更新提供初始值。
可选地，所述受试者的数量大于或者等于100。
可选地，所述校正步骤包括：
代谢当量获得步骤：获得所述用户当前的代谢当量；
最大心率值校正步骤：基于代谢当量差值与最大心率值差值之间的线性模型，得到最大心率值的校正值，从而对所述最大心率值进行校正。
该方法能够根据代谢当量差值与最大心率值差值之间的关系，通过代谢当量确定最大心率值的变化，在原始的或者上一次得到的最大心率值的基础上，计算最新的最大心率值，计算方便快捷、简单高效。
可选地，所述线性模型为：ΔHRmax＝b0+b1*ΔMET，其中，ΔHRmax表示最大心率值差值，ΔMET表示代谢当量差值，b0、b1为通过对多个受试者的最大心率值差值和代谢当量差值的线性拟合得到的系数。
根据本申请的另一个方面，还提供了一种最大心率预测装置，包括：
最大心率值计算模块，其配置成用于基于用户的身体特征参数，利用回归模型得到所述用户的最大心率值，其中，所述回归模型是通过对多个受试者的最大心率值和身体特征参数进行统计得到的线性多项回归公式模型；和
校正模块，其配置成用于根据所述用户的代谢当量，对所述最大心率值进行校正。
该装置能够根据用户的身体特征参数快速得到最大心率值。回归模型采用统计学的方法得到，因此模型更加符合人体的生理规律。通过采集代谢当量对最大心率值进行校正，比直接测量心率更加简单，设备要求也降低，而且能够根据用户的运动状态的变化，实时估计和更新最大心率值，能够满足用户的需求。
根据本申请的另一个方面，还提供了一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述的方法。
根据本申请的另一个方面，还提供了一种计算机可读存储介质，优选为非易失性可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如上所述的方法。
根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是根据本申请的一个实施例的用于执行最大心率预测方法的机器机装置的示意性框图；
图2是根据本申请的一个实施例的最大心率预测方法的示意性流程图；
图3是根据本申请的另一个实施例的最大心率预测方法的示意性流程图；
图4是根据本申请的一个实施例的最大心率预测装置的示意性框图；
图5是根据本申请的另一个实施例的最大心率预测装置的示意性框图；
图6是本申请的计算设备的一个实施例的框图；
图7是本申请的计算机可读存储介质的一个实施例的框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例，还提供了一种最大心率预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于本申请方法的计算机装置(或移动设备)的硬件结构框图。如图1所示，计算机装置10(或移动设备10)可以包括一个或多个处理器(图中采用102a、102b，……，102n来示出，处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机装置10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机装置10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中最大心率预测方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机装置10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机装置10的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器(Network Interface Controller,NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机装置10(或移动设备)的用户界面进行交互。
在上述运行环境下，本申请提供了一种最大心率预测方法。图2是根据本申请的一个实施例的最大心率预测方法的示意性流程图。该方法可以包括：
S300最大心率值计算步骤：基于用户的身体特征参数，利用回归模型得到所述用户的最大心率值，其中，所述回归模型是通过对多个受试者的最大心率值和身体特征参数进行统计得到的线性多项回归公式模型。
S500校正步骤：根据所述用户的代谢当量，对所述最大心率值进行校正。
该方法能够根据用户的身体特征参数快速得到最大心率值。回归模型采用统计学的方法得到，因此模型更加符合人体的生理规律。通过采集代谢当量对最大心率值进行校正，比直接测量心率更加简单，设备要求也降低，而且能够根据用户的运动状态的变化，实时估计和更新最大心率值，能够满足用户的需求。
图3是根据本申请的另一个实施例的最大心率预测方法的示意性流程图。可选地，该方法在所述S300最大心率值计算步骤之前，该方法还可以包括：
S100参数接收步骤：接收所述用户输入的身体特征参数。所述身体特征参数可以包括：年龄、性别、体重、体力活动水平。
参见图3，可选地，该方法在所述S500校正步骤之后，该方法还可以包括：
S700代谢当量检测步骤：检测所述代谢当量的变化，重复所述S500校正步骤。
该方法能够实时检测用户的代谢当量的变化，并且更新最大心率值。该最大心率值能够随着用户的运动状态的变化而变化，不用专门测量心率，因此更加人性化。
可选地，在所述最大心率值计算步骤中，所述回归模型为：
HRmax＝a0*age+a1*sex+a2*activitylevel+a3*weight+a4
其中，HRmax为最大心率值，age表示所述用户的年龄，sex表示所述用户的性别，activitylevel表示所述用户的体力活动水平，weight表示所述用户的体重，a0、a1、a2、a3、a4为待定参数。
可选地，所述受试者的数量大于或者等于100。采集这些受试者的身体特征参数，通过上述回归模型，通过拟合算法得到待定参数a0、a1、a2、a3、a4，从而确定该所述回归模型。在统计时，sex参数，男性用参数1表示，女性用参数0表示，进而区分不同性别的受试者。
对于体力活动水平activitylevel，根据国际体力活动量表(IPAQ)短卷判断用户当前体力活动强度，体力活动水平可以分为低等强度、中等强度和高等强度。其中低等强度可以表示为3，中等强度可以表示为2，高等强度可以表示为1。
该方法能够根据用户的身体特征参数通过回归模型快速计算出用户的最大心率值，仅需输入基本信息而无需做复杂的测试，操作简单，结果准确，并且能够为后续的最大心率值校正和更新提供初始值。
可选地，所述S500校正步骤可以包括：
代谢当量获得步骤：获得所述用户当前的代谢当量。
最大心率值校正步骤：基于代谢当量差值与最大心率值差值之间的线性模型，得到最大心率值的校正值，从而对所述最大心率值进行校正。
该方法能够根据代谢当量差值与最大心率值差值之间的关系，通过代谢当量确定最大心率值的变化，在原始的或者上一次得到的最大心率值的基础上，计算最新的最大心率值，计算方便快捷、简单高效。
可选地，所述线性模型为：
ΔHRmax＝b0+b1*ΔMET
其中，ΔHRmax表示最大心率值差值，ΔMET表示代谢当量差值，b0、b1为通过对多个受试者的最大心率值差值和代谢当量差值的线性拟合得到的系数。
在一个可选实施方案中，选择N位(N≥100)中国人作为受试者。当这些受试者运动状态发生变化时，采集或者测量受试者在运动状态变化前的代谢当量值MET1和最大心率值HRmax1，以及变化后的代谢当量MET2和最大心率值HRmax2，建立代谢当量差值与最大心率差值的线性公式ΔHRmax＝b0+b1*ΔMET，其中，ΔMET＝MET1-MET2，ΔHRmax＝HRmax1-HRmax2。通过统计学原理和线性拟合，得到待定系数b0、b1，从而得到线性模型。
可选地，在所述S500校正步骤中，用户在安静状态下的代谢当量初始值为MET1，例如，MET1可以为1。在安静状态下，可以通过回归模型计算得到最大心率值HRmax1。当用户运动状态变化时，代谢当量发生变化，根据MET1和MET2得到ΔMET，根据上面得到的线性模型得到ΔHRmax，根据HRmax1得到HRmax2，从而实现了对最大心率值的校正。
在以后的时间，当用户的运动状态发生变化时，检测代谢当量的变化，并且以MET2、HRmax2为基础，利用用户当前的代谢当量MET3计算最大心率值HRmax3。
代谢当量可以通过用户的其他运动参数获得，例如，通过其他传感器判断用户的运动状态，通过用户运动状态和代谢当量的对照表可以查到在相应运动状态下该用户的代谢当量。
本申请的实施方案还提供了一种最大心率预测装置。图4是根据本申请的一个实施例的最大心率预测装置的示意性框图。该装置可以包括：
最大心率值计算模块300，其配置成用于基于用户的身体特征参数，利用回归模型得到所述用户的最大心率值，其中，所述回归模型是通过对多个受试者的最大心率值和身体特征参数进行统计得到的线性多项回归公式模型。
校正模块500，其配置成用于根据所述用户的代谢当量，对所述最大心率值进行校正。
该装置能够根据用户的身体特征参数快速得到最大心率值。回归模型采用统计学的方法得到，因此模型更加符合人体的生理规律。通过采集代谢当量对最大心率值进行校正，比直接测量心率更加简单，设备要求也降低，而且能够根据用户的运动状态的变化，实时估计和更新最大心率值，能够满足用户的需求。
图5是根据本申请的另一个实施例的最大心率预测装置的示意性框图。可选地，该装置在最大心率值计算模块300之前，该装置还可以包括：
参数接收模块100，用于接收所述用户输入的身体特征参数。所述身体特征参数可以包括：年龄、性别、体重、体力活动水平。
参见图5，可选地，该方法在所述校正模块500之后，该装置还可以包括：
代谢当量检测模块700，用于检测所述代谢当量的变化，重复执行所述校正模块500。
可选地，所述校正模块500可以包括：
代谢当量获得模块，用于获得所述用户当前的代谢当量。
最大心率值校正模块，用于基于代谢当量差值与最大心率值差值之间的线性模型，得到最大心率值的校正值，从而对所述最大心率值进行校正。
本申请的实施方案还提供了一种计算设备，参照图6，该计算设备包括存储器1120、处理器1110和存储在所述存储器1120内并能由所述处理器1110运行的计算机程序，该计算机程序存储于存储器1120中的用于程序代码的空间1130，该计算机程序在由处理器1110执行时实现用于执行任一项根据本发明的方法步骤1131。
本申请的实施方案还提供了一种计算机可读存储介质。参照图7，该计算机可读存储介质包括用于程序代码的存储单元，该存储单元设置有用于执行根据本发明的方法步骤的程序1131’，该程序被处理器执行。
本申请实施方案还提供了一种包含指令的计算机程序产品，包括计算机可读代码，当所述计算机可读代码由计算设备执行时，导致所述计算设备执行如上所述的方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(英文：non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(英文：magnetic tape)，软盘(英文：floppy disk)，光盘(英文：optical disc)及其任意组合。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种最大心率预测方法，包括：
最大心率值计算步骤：基于用户的身体特征参数，利用回归模型得到所述用户的最大心率值，其中，所述回归模型是通过对多个受试者的最大心率值和身体特征参数进行统计得到的线性多项回归公式模型；和
校正步骤：根据所述用户的代谢当量，对所述最大心率值进行校正，所述校正步骤包括：
代谢当量获得步骤：获得所述用户当前的代谢当量；和
最大心率值校正步骤：基于代谢当量差值与最大心率值差值之间的线性模型，得到最大心率值的校正值，从而对所述最大心率值进行校正；
所述线性模型为：
ΔHRmax＝b0+b1*ΔMET
ΔMET＝MET1-MET2，ΔHRmax＝HRmax1-HRmax2
其中，ΔHRmax表示最大心率值差值，ΔMET表示代谢当量差值，b0、b1为通过对多个受试者的最大心率值差值和代谢当量差值的线性拟合得到的系数，MET1和HRmax1为采集或者测量受试者在运动状态变化前的代谢当量值和最大心率值，MET2和HRmax2为采集或者测量受试者在运动状态变化后的代谢当量最大心率值。
2.根据权利要求1所述的方法，其特征在于，在所述最大心率值计算步骤之前，该方法还包括：
参数接收步骤：接收所述用户输入的身体特征参数。
3.根据权利要求1所述的方法，其特征在于，所述身体特征参数包括：年龄、性别、体重、体力活动水平。
4.根据权利要求1所述的方法，其特征在于，在所述最大心率值计算步骤中，所述回归模型为：
HRmax＝a0*age+a1*sex+a2*activitylevel+a3*weight+a4
其中，HRmax为最大心率值，age表示所述用户的年龄，sex表示所述用户的性别，activitylevel表示所述用户的体力活动水平，weight表示所述用户的体重，a0、a1、a2、a3、a4为待定参数。
5.根据权利要求1所述的方法，其特征在于，所述受试者的数量大于或者等于100。
6.一种最大心率预测装置，包括：
最大心率值计算模块，其配置成用于基于用户的身体特征参数，利用回归模型得到所述用户的最大心率值，其中，所述回归模型是通过对多个受试者的最大心率值和身体特征参数进行统计得到的线性多项回归公式模型；和
校正模块，其配置成用于根据所述用户的代谢当量，对所述最大心率值进行校正，所述校正模块包括：
代谢当量获得模块，用于获得所述用户当前的代谢当量，
最大心率值校正模块，用于基于代谢当量差值与最大心率值差值之间的线性模型，得到最大心率值的校正值，从而对所述最大心率值进行校正；
所述线性模型为：
ΔHRmax＝b0+b1*ΔMET
ΔMET＝MET1-MET2，ΔHRmax＝HRmax1-HRmax2
其中，ΔHRmax表示最大心率值差值，ΔMET表示代谢当量差值，b0、b1为通过对多个受试者的最大心率值差值和代谢当量差值的线性拟合得到的系数，MET1和HRmax1为采集或者测量受试者在运动状态变化前的代谢当量值和最大心率值，MET2和HRmax2为采集或者测量受试者在运动状态变化后的代谢当量最大心率值。
7.一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如权利要求1至5中任一项所述的方法。
CN201811046087.0A 2018-09-07 2018-09-07 基于代谢当量及生理参数的最大心率预测方法和装置 Active CN110432882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811046087.0A CN110432882B (zh) 2018-09-07 2018-09-07 基于代谢当量及生理参数的最大心率预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811046087.0A CN110432882B (zh) 2018-09-07 2018-09-07 基于代谢当量及生理参数的最大心率预测方法和装置

Publications (2)

Publication Number Publication Date
CN110432882A CN110432882A (zh) 2019-11-12
CN110432882B true CN110432882B (zh) 2021-05-18

Family

ID=68427565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811046087.0A Active CN110432882B (zh) 2018-09-07 2018-09-07 基于代谢当量及生理参数的最大心率预测方法和装置

Country Status (1)

Country Link
CN (1) CN110432882B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110935159B (zh) * 2019-12-25 2021-08-03 青岛英派斯健康科技股份有限公司 一种健身器材心率显示方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104323759A (zh) * 2014-11-05 2015-02-04 中国科学院合肥物质科学研究院 基于运动心率和跑步机的心肺耐力测试方法
CN104840191A (zh) * 2015-04-30 2015-08-19 吴健康 测试心脏运动功能的设备、系统和方法
CN105671136A (zh) * 2014-11-17 2016-06-15 武汉白原科技有限公司 评估人体最大心跳、目标心跳的检测试剂盒和计算方法
WO2017117183A1 (en) * 2015-12-28 2017-07-06 The University Of North Carolina At Chapel Hill Methods, systems, and non-transitory computer readable media for estimating maximum heart rate and maximal oxygen uptake form submaximal exercise intensities
CN107292069A (zh) * 2016-03-30 2017-10-24 虹映科技股份有限公司 具有即时心率预测功能的运算系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104323759A (zh) * 2014-11-05 2015-02-04 中国科学院合肥物质科学研究院 基于运动心率和跑步机的心肺耐力测试方法
CN105671136A (zh) * 2014-11-17 2016-06-15 武汉白原科技有限公司 评估人体最大心跳、目标心跳的检测试剂盒和计算方法
CN104840191A (zh) * 2015-04-30 2015-08-19 吴健康 测试心脏运动功能的设备、系统和方法
WO2017117183A1 (en) * 2015-12-28 2017-07-06 The University Of North Carolina At Chapel Hill Methods, systems, and non-transitory computer readable media for estimating maximum heart rate and maximal oxygen uptake form submaximal exercise intensities
CN107292069A (zh) * 2016-03-30 2017-10-24 虹映科技股份有限公司 具有即时心率预测功能的运算系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Miri Gelbart MD等.Prediction of maximal heart rate in children and adolescents.《Clinical Journal of sport medicine》.2017,第27卷(第2期), *
Prediction of maximal heart rate in children and adolescents;Miri Gelbart MD等;《Clinical Journal of sport medicine》;20170301;第27卷(第2期);摘要，正文第6-16页 *
Validation of Maximal Heart Rate Prediction Equations Based on Sex and Physical Activity Status;STEPHEN ROY等;《International Journal of Exercise Science》;20151231;第8卷(第4期);表2-3 *

Also Published As

Publication number Publication date
CN110432882A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
EP2992820A2 (en) Measuring blood pressure
CN109918291A (zh) 软件界面检测方法、装置、计算机设备及存储介质
CN106659404B (zh) 连续血压测量方法、装置和设备
CN109872820B (zh) 一种无袖带血压测量方法、装置、设备及存储介质
CN108601527A (zh) 血压测量设备的校准方法及血压测量设备
KR20120131898A (ko) Ｈｒｖ로부터 획득한 스트레스 지수를 이용한 건강관리 시스템 및 방법
CN113951879B (zh) 血糖预测方法和装置、监测血糖水平的系统
US20170079572A1 (en) Method and apparatus for evaluating exercise capacity
US20170340239A1 (en) Systems and methods for high frequency impedance spectroscopy detection of daily changes of dielectric properties of the human body to measure body composition and hydration status
CN110432882B (zh) 基于代谢当量及生理参数的最大心率预测方法和装置
JP6854747B2 (ja) 計算機システム、認知機能の評価方法、及びプログラム
CN105488331B (zh) 数据处理方法及装置
CN104887215A (zh) 一种心率测量中的信号处理方法
CN107432745A (zh) 一种人体阻抗测量中判断错误站姿的方法
CN110325111A (zh) 心率测量方法、装置及计算机可读存储介质
CN108670231A (zh) 血压测量方法、终端和计算机可读存储介质
CN112168155A (zh) 一种血压检测方法、可穿戴设备以及计算机可读存储介质
CN111526787B (zh) 状况评价装置、状况评价方法以及存储介质
CN112786185B (zh) 血压健康状态获取方法、装置和系统
CN202995735U (zh) 智能型测量系统
CN112754457B (zh) 体脂健康状态获取方法、装置和系统
CN114557691A (zh) 基于多波长的ppg信号的无创血脂检测方法及系统
CN108693164B (zh) 基于光纤拉曼散射信号的温度解调方法、装置及系统
CN111859300A (zh) 提升额温枪温度精度的方法、装置、计算机设备及存储介质
CN106474717B (zh) 基于用户运动状态的数据处理方法

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