CN110782991A - 一种辅助心脏病患者康复运动的实时评价方法 - Google Patents

Abstract

本发明公开了一种心脏康复运动实时评价、指导方法，该方法包括：确定患者运动中心率、血压的稳定阈值范围。患者选择运动种类开始运动；检测患者心率及血压，判断患者心率及血压是否小于所述阈值上限；若两者中的任一值不小于所述阈值上限，则预警；若两者值均小于所述阈值上限，对患者当前的运动契合度进行评价，得到运动契合度分值；若运动契合度分值与标准值相等，则重新检测患者心率及血压；若运动契合度分值与标准值不相等，则继续判断患者当前心率及血压是否小于所述阈值下限；若两者中的任一值不小于所述阈值下限，则提示患者小幅度增大运动强度；若患者当前心率及血压均小于所述阈值下限，则提示患者大幅度增大运动强度。

Description

一种辅助心脏病患者康复运动的实时评价方法

技术领域

本发明涉及康复医学、模式识别等领域，尤其涉及一种辅助心脏病患者康复运动的实时评价方法。

背景技术

心脏康复运动可降低术后患者复发率和再梗死率，有助于心脏病患者恢复健康。《心脏康复：心血管疾病二级预防的标准治疗》认为，心脏康复/二级预防(CR/SP)存在时间窗，不同时间窗内患者要进行不同强度的运动，运动强度过高，患者生命安全受到威胁；患者运动强度过低，影响患者康复效果。

运动处方是专业医疗团队根据患者的健康、体力以及心血管功能状况，结合个体条件等，规定适当的运动种类、时间及频率，并指出运动中注意事项，如血压、心率等指标要求，以便有计划地经常性锻炼、达到健身康复目的的心脏康复运动训练计划。

为把心脏康复运动风险降到最低，效率提到最高，患者应严格按照运动处方进行运动。因此，在患者康复运动期间实时监测患者心率及血压并且评价患者的运动契合度，保持患者运动强度在适合的范围内且运动效果最佳尤为重要。

发明内容

本发明提供了一种辅助心脏病患者康复运动的实时评价方法，在患者康复运动期间实时监测患者心率及血压并且评价患者的运动契合度，使患者运动强度保持在适合的范围内且运动效果最佳，心脏康复运动风险降到最低，效率提到最高。

本发明一种辅助心脏病患者康复运动的实时评价方法，步骤如下：

步骤1、专业医疗团队根据患者当前身体状况制定患者运动处方，以及患者运动中心率、血压的稳定阈值范围；患者按照运动处方要求，选择运动种类开始运动；

步骤2、实时检测患者心率及血压，待患者心率及血压稳定后，判断患者心率及血压是否小于所述阈值上限；

步骤3、若两者中的任一值不小于所述阈值上限，则预警；若两者值均小于所述阈值上限，对患者当前的运动契合度进行评价，得到运动契合度分值；

步骤4、若运动契合度为“优”，则回到步骤2，重新开始检测；若运动契合度不为“优”，则继续判断患者当前心率及血压是否小于所述阈值下限；

步骤5、若两者中的任一值不小于所述阈值下限，则提示患者小幅度增大运动强度；若患者当前心率及血压均小于所述阈值下限，则提示患者大幅度增大运动强度。

所述患者的运动契合度评价的具体实现步骤如下：

步骤1、通过足底压力传感器和惯性传感器以一定的采样频率实时采集心脏病患者的步态信息，并根据已经确定的最佳步态特征参数，提取得到患者当前的最佳步态特征参数值；

步骤2、根据患者选择的运动种类，在运动契合度评价模型库中寻找到对应的运动契合度评价模型；

步骤3、将患者当前的最佳步态特征参数值作为输入量，通过运动契合度评价模型，得到患者当前的运动契合度分值。

所述确定患者最佳步态特征参数的具体实现步骤如下：

步骤1、采集得到心脏病患者在同种运动种类下，运动效果不同时的多组步态参数，包括足底压力值、前项加速度值、纵向加速度值，以及通过简单计算得到的足底任意两个位置间的压力差值及时间差值、步态时间参数、步频、步速、步长、抬腿高度；

步骤2、采用相关性分析方法，比较运动效果与所述步态参数的关联性，提取相关性较大的步态参数，降维，得到最佳步态特征参数；

所述患者的运动契合度评价模型库的具体建立步骤如下：

步骤1、将患者在康复运动时同种运动种类下的步态信息作为一类数据，采集得到患者在多个不同运动种类下的步态信息；

步骤2、根据所述确定最佳步态特征参数方法，分别提取得到各组的患者最佳步态特征参数值；

步骤3、将同种运动种类的患者最佳步态特征参数值与对应的专家医疗团队对运动契合度的主观评分作为一类样本，多个不同运动种类的所述样本构成样本库。

步骤4、将一类样本作为训练集，应用BP神经网络算法进行学习，得到运动契合度评价模型，多个不同运动种类的运动契合度评价模型构成运动契合度评价模型库；

所述专家医疗团队对运动契合度的主观评分的要求如下：

专家医疗团队对患者在康复运动过程中的康复运动效果进一步细化，根据患者的身体状况、主观感受以及各种生理指标进行综合性的评估，以分值的形式体现，将评估结果称作患者的运动契合度；运动契合度分值范围为0-100分，其中，0-30分为“差”，30-60分为“中”，60-80分为“良”，80-100分为“优”。

所述采用BP神经网络算法学习的具体实现步骤如下：

步骤1、将所述样本库中一组样本的部分样本作为训练集；

步骤2、建立神经网络模型，输入量为患者的最佳步态特征参数值，输出量为运动契合度分值，确定网络层数、每层神经元个数及激活函数，定义网络起始学习速率、训练次数；

步骤3、经过多次训练，得到训练好的神经网络模型；

步骤4、将所述样本中未被训练的患者最佳步态特征参数值作为测试样本，采用训练好的神经网络模型进行学习，比较输出的结果与实际的运动契合度分值，确认BP神经网络模型的准确性。

有益效果：与目前现有方法相比，本发明的有益效果体现在：

(1)无需医生实时监管，节约了人力资源，同时通过智能监测，保证了患者运动强度保持在适合的范围内且运动效果最佳；

(2)提取的患者最佳步态特征参数，维数低，计算简单，实现对患者运动契合度的快速评价；

(3)构建了运动契合度评价模型库，能够评价患者康复运动中多种运动种类的运动契合度；

(4)采用了BP神经网络算法对患者运动契合度进行评分，。评分结果准确。

附图说明

图1为本发明的一种心脏康复运动实时评价、指导方法的流程图；

图2为BP神经网络算法流程图；

图3为运动契合度评价模型库结构及运动契合度评价流程图。

具体实施方式

下面结合附图及实施例对本发明作进一步的说明。

如图1所示，本发明实施例提供了一种辅助心脏病患者康复运动的实时评价方法，包括以下步骤：

步骤1.专业医疗团队根据患者当前身体状况制定患者运动处方，以及患者运动中心率、血压的稳定阈值范围。患者按照运动处方要求，选择运动种类开始运动；

根据我国最新心脏康复/二级预防规范，心脏康复/二级预防(CR/SP)存在四个时间窗，并以此为据，将康复治疗分为四个阶段，每个阶段都有对应的心脏康复训练计划。专业医疗团队根据患者的健康、体力以及心血管功能状况，判断患者所在康复治疗阶段，并结合个体条件等，给出适当的运动种类、时间及频率等，并规定运动康复期间注意事项，即患者运动中心率、血压的稳定阈值范围。

例如，患者处于Ⅱ期康复计划，给定的运动处方为：

第一步：室内行走。步速控制在70～90步/分。时间为15分钟，每天3次；运动强度控制在5METs。

第二步：上下楼梯3层。运动强度控制在6METs

第三步：室外行走。步速控制在70～90步/分。时间为15～20分钟。每天2～3次。运动强度控制在7METs。

运动康复注意事项：(1)活动时出现明显疲劳、心前区疼痛、大汗、心悸、气短等症状；(2)心率>110～120次/min或增加20％；(3)活动后收缩压下降10mmHg或上升20～40mmHg；(4)心电图示ST段缺血型下移≥0.1mV，上抬≥0.2mV；(5)出现严重心律失常。

若患者静息心率为60-80BPM，静息血压为80-120mmHg，则患者运动中心率的稳定阈值范围为72-96BPM，血压的稳定阈值范围为100-140mmHg，运动种类为室内行走、上下楼梯3层、室外行走。

步骤2.实时检测患者心率及血压，患者刚开始运动时，心率及血压值会有一个明显的上升变化，此时为患者运动初期，待检测到患者心率及血压趋于稳定后，开始判断患者心率及血压是否小于所述阈值上限；

步骤3.若两者中的任一值不小于所述阈值上限，预警；

举例而言，满足此条件的患者心率及血压有如下三种情况：

第一种：患者的心率大于所述阈值上限，血压小于所述阈值上限；

第二种：患者的心率大于所述阈值上限，血压大于所述阈值上限；

第三种：患者的心率小于所述阈值上限，血压大于所述阈值上限；

若两者值均小于所述阈值上限，根据患者运动中的步态特征参数，通过运动契合度评价模型，得到患者当前的运动契合度分值：

(1)通过足底压力传感器和惯性传感器采集心血管疾病患者在康复运动过程中的步态信息，采样频率均为0.1s。足底压力传感器采集左右脚各8个对称位置的足底压力值，通过MATLAB将每一个传感器的压力值绘制成曲线，提取患者足底任意两个位置间的压力差值及时间差值，以及患者的步态时间参数，包括步行周期、摆动相时间、支撑相时间、步态时相；惯型传感器采用三维加速度计，三轴加速度数据用于检测脚着地事件，准确计算步频，根据前项加速度分量得到步速与步长，根据纵向加速度得到抬腿幅度。

令患者进行同种运动种类的测试，例如室内步行，患者进行多次行走，每次行走时间为10分钟，每次行走需改变行走速度、步频、步幅、抬腿高度中至少一项步态特征，通过足底压力传感器和惯性传感器采集患者多次行走中的所述步态参数。

同时，对于患者的每一次行走，专家医疗团队根据患者的身体状况、主观感受以及各种生理指标进行综合性的评估，给出一个分数，评估结果为患者的运动契合度分值(S)。运动契合度分值范围为0-100分，其中，0-30分为“差”，30-60分为“中”，60-80分为“良”，80-100分为“优”，运动效果越好，分值越高。

采用相关性分析方法，比较运动效果与所述步态参数的关联性，提取相关性较大的步态参数，即为最佳步态特征参数，包括脚尖与脚跟位置的足底压力差值及时间差值、步速、步频、步幅、抬腿幅度。

将患者一次行走中的所述最佳步态特征参数值与对应的运动契合度分值作为一个样本，多次行走的数据构成一组样本，同种运动种类的样本为一类样本，不同种运动种类的样本分开存放，构成样本库。

(2)如图2所示，采用BP神经网络算法建立运动契合度评价模型。将患者的一类样本作为训练集。每个样本的输入量为一组所述最佳步态特征参数值，输出量为对应的运动契合度分值S，将量纲不一致的所述特征参数进行归一化处理。根据min-max标准化方法进行归一化处理，其具体公式如下：

其中，x为样本某一特征参数，x^*为归一化后的样本特征参数，x_max、x_min为所有样本中该特征参数的最大值和最小值。

设置输入矢量X_L，输出矢量Y_L＝S_L，L＝1，2，3...，L为样本数量；

输入层节点数M为所述最佳步态特征参数个数，输出层节点数为N＝1，隐含层节点数H根据经验公式得到，其具体公式如下：

a为1-10之间的常数；

利用BP神经网络建立最佳步态特征参数值与运动契合度分值之间的关系，其步骤包括：

S1，初始化，确定M、N、H值，定义网络起始学习速率、训练次数；

S2，输入数据样本X_L、Y_L；

S3，对输入样本X_L，计算所述神经网络各层节点的输出；

隐含层的第i个神经元在某一个样本p的作用下的输入为

其中，

和

分别为输入节点j在样本p作用时的输入和输出，对输入节点而言两者相当；w_ij为输入层神经元j与隐含层神经元i之间的连接权值；θ为隐含层神经元i的阈值；M为输入层节点数，即输入的个数。

隐含层第i个神经元的输出为

式中，g(·)为隐含层的激活函数。

例如，选用Sigmoid型激活函数，对应的输出层第k个神经元的总输入为

式中，w_ki为隐含层神经元i与输出层神经元k之间的连接权值；θ_k为输出层神经元k的阈值；H为隐含层节点数。

输出层的第k个神经元的实际输出为

S4，根据各层节点的输出值，计算误差；

每一样本p的输入模式对的二次型误差函数为

则系统对所有L个训练样本的总误差函数为

式中，L为模式样本数；N为网络输出节点数。

S5，按照J_p函数梯度变化的反方向，修正各层之间的连接权值，包括输出层加权系数w_ki以及隐含层加权系数w_ij，使网络逐渐收敛；

S6，判断误差是否小于预设的误差值，如果大于或者等于，进入步骤S7，如果小于，则进入步骤S8；

S7，判断训练次数是否大于预设训练次数，如果大于，进入步骤S8，否则，进入步骤S3；

S8，判断是否完成所有样本的训练；如果是，完成学习，进入步骤S9；如果否，跳转至步骤S3；

S9，结束训练，完成最佳步态特征参数值与运动契合度分值的学习。

(3)如图3所示，根据所述方法，分别将多个不同运动种类的所述最佳步态特征参数值与对应的专家医疗团队对运动契合度的主观评分作为训练样本，得到多个运动契合度评价模型，构成运动契合度评价模型库。

例如，患者处于Ⅱ期康复计划，给定运动处方中的运动种类为室内行走、上下楼梯3层、室外行走，患者在室内行走运动中的运动契合度分值与最佳步态特征参数构成一类样本，通过BP神经网络训练得到一种运动契合度评价模型，同理，可以得到上下楼梯3层及室外行走的运动契合度评价模型，所述三种运动契合度评价模型共同构成患者的运动契合度评价模型库。

(4)实时采集心血管疾病患者在康复运动过程中的步态信息，采样频率为0.1s。根据上述方法，提取得到患者当前运动的最佳步态特征参数值，将其作为输入量，归一化后，根据患者选择的运动种类的运动契合度评价模型进行学习，得到归一化后的运动契合度分值，将输出结果反归一化，得到当前患者运动契合度分值，反归一化具体公式如下：

x＝x^*×(x_max-x_min)+x_min

其中，x为实际特征参数值，x^*为神经网络模型输出的特征参数值，x_max、x_min为所有样本中该特征参数的最大值和最小值。

步骤4.若运动契合度为“优”，例如患者当前的运动契合度分值大于或者等于80分，则重新检测患者心率及血压，循环评价患者康复运动效果；若运动契合度不为“优”，例如患者当前的运动契合度分值小于80分，则继续判断患者当前心率及血压是否小于所述阈值下限；

步骤5.若两者中的任一值不小于所述阈值下限，则提示患者小幅度增大运动强度；

举例而言，满足此条件的患者心率及血压有如下三种情况：

第一种：患者的心率大于所述阈值下限，血压小于所述阈值下限；

第二种：患者的心率大于所述阈值下限，血压大于所述阈值下限；

第三种：患者的心率小于所述阈值下限，血压大于所述阈值下限；

若患者当前心率及血压均小于所述阈值下限，则提示患者大幅度增大运动强度。MATLAB是美国MathWorks公司出品的商业数学软件。

Claims (6)

1.一种辅助心脏病患者康复运动的实时评价方法，其特征在于，包括：

步骤1、专业医疗团队根据患者当前身体状况制定患者运动处方，以及患者运动中心率、血压的稳定阈值范围；患者按照运动处方要求，选择运动种类开始运动；

步骤2、实时检测患者心率及血压，待患者心率及血压稳定后，判断患者心率及血压是否小于所述阈值上限；

步骤3、若两者中的任一值不小于所述阈值上限，则预警；若两者值均小于所述阈值上限，对患者当前的运动契合度进行评价，得到运动契合度分值；

步骤4、若运动契合度为“优”，则回到步骤2，重新开始检测；若运动契合度不为“优”，则继续判断患者当前心率及血压是否小于所述阈值下限；

步骤5、若两者中的任一值不小于所述阈值下限，则提示患者小幅度增大运动强度；若患者当前心率及血压均小于所述阈值下限，则提示患者大幅度增大运动强度。

2.根据权利要求1所述的一种辅助心脏病患者康复运动的实时评价方法，其特征在于，步骤3中，所述患者的运动契合度评价的具体实现步骤如下：

步骤1、通过足底压力传感器和惯性传感器以一定的采样频率实时采集心脏病患者的步态信息，并根据已经确定的最佳步态特征参数，提取得到患者当前的最佳步态特征参数值；

步骤2、根据患者选择的运动种类，在运动契合度评价模型库中寻找到对应的运动契合度评价模型；

步骤3、将患者当前的最佳步态特征参数值作为输入量，通过运动契合度评价模型，得到患者当前的运动契合度分值。

3.根据权利要求2所述的一种辅助心脏病患者康复运动的实时评价方法，其特征在于，步骤1中，所述确定患者最佳步态特征参数的具体实现步骤如下：

步骤1、采集得到心脏病患者在同种运动种类下，运动效果不同时的多组步态参数，包括足底压力值、前项加速度值、纵向加速度值，以及通过简单计算得到的足底任意两个位置间的压力差值及时间差值、步态时间参数、步频、步速、步长、抬腿高度；

步骤2、采用相关性分析方法，比较运动效果与所述步态参数的关联性，提取相关性较大的步态参数，降维，得到最佳步态特征参数。

4.根据权利要求2所述的一种辅助心脏病患者康复运动的实时评价方法，其特征在于，步骤2中，所述患者的运动契合度评价模型库的具体建立步骤如下：

步骤1、将患者在康复运动时同种运动种类下的步态信息作为一类数据，采集得到患者在多个不同运动种类下的步态信息；

步骤2、根据所述确定最佳步态特征参数方法，分别提取得到各组的患者最佳步态特征参数值；

步骤3、将同种运动种类的患者最佳步态特征参数值与对应的专家医疗团队对运动契合度的主观评分作为一类样本，多个不同运动种类的所述样本构成样本库；

步骤4、将一类样本作为训练集，应用BP神经网络算法进行学习，得到运动契合度评价模型，多个不同运动种类的运动契合度评价模型构成运动契合度评价模型库。

5.根据权利要求4所述的一种辅助心脏病患者康复运动的实时评价方法，其特征在于，步骤3中，所述专家医疗团队对运动契合度的主观评分的要求如下：

专家医疗团队对患者在康复运动过程中的康复运动效果进一步细化，根据患者的身体状况、主观感受以及各种生理指标进行综合性的评估，以分值的形式体现，将评估结果称作患者的运动契合度；运动契合度分值范围为0-100分，其中，0-30分为“差”，30-60分为“中”，60-80分为“良”，80-100分为“优”。

6.根据权利要求4所述的一种辅助心脏病患者康复运动的实时评价方法，其特征在于，步骤4中，所述采用BP神经网络算法学习的具体实现步骤如下：

步骤1、将所述样本库中一组样本的部分样本作为训练集；

步骤2、建立神经网络模型，输入量为患者的最佳步态特征参数值，输出量为运动契合度分值，确定网络层数、每层神经元个数及激活函数，定义网络起始学习速率、训练次数；

步骤3、经过多次训练，得到训练好的神经网络模型；

步骤4、将所述样本中未被训练的患者最佳步态特征参数值作为测试样本，采用训练好的神经网络模型进行学习，比较输出的结果与实际的运动契合度分值，确认BP神经网络模型的准确性。

Images