CN113425272B - 一种通过穿戴设备采集数据分析房颤、室颤的方法 - Google Patents
一种通过穿戴设备采集数据分析房颤、室颤的方法 Download PDFInfo
- Publication number
- CN113425272B CN113425272B CN202110880868.5A CN202110880868A CN113425272B CN 113425272 B CN113425272 B CN 113425272B CN 202110880868 A CN202110880868 A CN 202110880868A CN 113425272 B CN113425272 B CN 113425272B
- Authority
- CN
- China
- Prior art keywords
- data
- actual
- sign data
- sign
- organ health
- 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
Links
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000036541 health Effects 0.000 claims abstract description 118
- 210000000056 organ Anatomy 0.000 claims abstract description 102
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 42
- 239000008280 blood Substances 0.000 claims abstract description 42
- 210000004369 blood Anatomy 0.000 claims abstract description 42
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 42
- 239000001301 oxygen Substances 0.000 claims abstract description 42
- 230000036772 blood pressure Effects 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000003862 health status Effects 0.000 claims description 24
- 230000000386 athletic effect Effects 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 208000003663 ventricular fibrillation Diseases 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 6
- 239000000835 fiber Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000001746 atrial effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000002330 Congenital Heart Defects Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005831 heart abnormality Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/363—Detecting tachycardia or bradycardia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/02—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
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种通过穿戴设备采集数据分析房颤、室颤的方法;该方法包括获取穿戴设备内置脉搏波传感器采集的原始脉搏波信号;对原始脉搏波信号进行预处理,得到重构脉搏波特征点;对重构脉搏波特征点进行解析计算,得到第一体征数据;第一体征数据包括:实时心率、实时血压和实时血氧饱和度;对第一体征数据进行分析处理,确定第二体征数据;根据第二体征数据,确定穿戴设备当前佩戴者的器官健康状态;将实时心率和器官健康状态输入至预先建立的房颤室颤分析模型中,输出房颤室颤的分析结果。
Description
技术领域
本发明涉及心房颤动和心室颤动技术领域,特别涉及一种通过穿戴设备采集数据分析房颤、室颤的方法。
背景技术
一般医学上房颤室颤的监测是通过心电图测出,但做心电图时如用户此时心率平稳或间歇性房颤室颤,则无法得出准确结论,不利于医学诊断,且单独通过心电图监测不能根据身体健康状态、器官状态,来综合分析用户房颤室颤情况,因此,亟需一种通过穿戴设备采集数据分析房颤、室颤的方法,用以解决心电图监测无法长期不间断监测心率情况,且单独通过心电图监测不能根据身体健康状态、器官状态,来综合分析用户房颤室颤情况的问题。
发明内容
本发明提供一种通过穿戴设备采集数据分析房颤、室颤的方法,用以解决心电图监测无法长期不间断监测心率情况,且单独通过心电图监测不能根据身体健康状态、器官状态,来综合分析用户房颤室颤情况的问题。
一种通过穿戴设备采集数据分析房颤、室颤的方法,包括:
获取穿戴设备内置脉搏波传感器采集的原始脉搏波信号;
对原始脉搏波信号进行预处理,得到重构脉搏波特征点;
对重构脉搏波特征点进行解析计算,得到第一体征数据,
其中,第一体征数据包括:实时心率、实时血压和实时血氧饱和度;
对第一体征数据进行分析处理,确定第二体征数据;
根据第二体征数据,确定穿戴设备当前佩戴者的器官健康状态;
将实时心率和器官健康状态输入至预先建立的房颤室颤分析模型中,输出房颤室颤的分析结果。
作为本发明的一种实施例,预处理包括:降噪处理、去基线处理和小波分解处理。
作为本发明的一种实施例,对第一体征数据进行分析处理,确定第二体征数据,包括:
获取预设时间内的第一体征数据,构建体征数据集,体征数据集中包括三个不同的体征数据分集;
分别获取三个不同体征数据分集中的众值,确定第二体征数据;
其中,三个不同的体征数据分集包括:心率体征数据分集、血压体征数据分集和血氧饱和度体征数据分集;
第二体征数据包括:预设时间内心率数据众值、预设时间内血压数据众值和预设时间内血氧饱和度众值。
作为本发明的一种实施例,根据第二体征数据,确定穿戴设备当前佩戴者的器官健康状态,包括:
构建体征数据-器官健康状态模型;
将第二体征数据输入至体征数据-器官健康状态模型;
若第二体征数据符合体征数据-器官健康状态模型中任一体征数据范围,将体征数据-器官健康状态模型中与第二体征数据符合的体征数据范围所对应的器官健康状态输出,确定穿戴设备当前佩戴者的器官健康状况。
作为本发明的一种实施例,构建体征数据-器官健康状态模型,包括:
通过在线数据调研和实验获取若干用户的实际体征数据和实际器官健康状态;
获取若干用户中实际器官健康状态相同的所有实际体征数据,创建实际体征数据集xn,其中,实际体征数据集xn中包括实际心率数据集x′n,实际血压数据集x″n和实际血氧饱和度数据集x″′n;
基于实际体征数据集xn和与实际体征数据集xn一一对应的实际器官健康状态y,创建实际体征数据-实际器官健康状态集(xn|y);
基于实际体征数据-实际器官健康状态集(xn|y)计算实际器官健康状态y所对应的实际体征数据范围,计算公式如下:
其中,实际体征数据范围包括实际心率数据范围、实际血压数据范围和实际血氧饱和度数据范围,P′y为实际器官健康状态y所对应实际心率数据范围,x′m为实际心率数据集x′n中第m个实际心率数据,n为实际心率数据集x′n中实际心率数据的总数目,P″y为实际器官健康状态y所对应实际血压数据范围,x″m为实际血压数据集x″n中第m个实际血压数据,P″′y为实际器官健康状态y所对应实际血氧饱和度数据范围,x″′m为实际血氧饱和度数据集x″′n中第m个实际血氧饱和度数据,实际心率数据集x′n中实际心率数据的总数目等于实际血氧数据集x″n中实际血压数据的总数目等于实际血氧饱和度数据集x″′n中实际血氧饱和度数据的总数目;
基于实际器官健康状态y和实际器官健康状态y所对应的实际体征数据范围生成体征数据-器官健康状态模型。
作为本发明的一种实施例,房颤室颤分析模型的生成步骤包括:
步骤1:获取若干数量的原始脉搏波样本信号和对应器官健康状态下的标识信息;
其中,标识信息包括健康信号和房颤室颤信号的标识信息;
步骤2:根据健康信号的数量,基于SMOTE算法对房颤室颤信号进行均衡处理;
步骤3:建立多路卷积神经网络的网络结构;
其中,多路卷积神经网络的网络结构中的每路卷积神经网络均设置有特定的感受野,用于识别相应粒度的房颤室颤信号;
步骤4:将健康信号和均衡处理后的房颤室颤信号输入至网络结构中进行训练,生成房颤室颤分析模型。
作为本发明的一种实施例,一种通过穿戴设备采集数据分析房颤、室颤的方法还包括,通过预设第二获取路径获取合理运动数据,合理运动数据包括:通过在线数据调研和实验获取的不同器官健康状态所对应的第一合理运动方式;
根据穿戴设备当前佩戴者的器官健康状态和合理运动数据确定穿戴设备当前佩戴者的器官健康状态所对应的第二合理运动方式;
根据第一体征数据确定穿戴设备当前佩戴者的运动疲劳数据,运动疲劳数据包括:穿戴设备当前佩戴者从开始运动至运动疲劳状态的第一运动疲劳时间;
基于运动疲劳数据计算运动疲劳时间阈值,计算公式如下:
其中,P为运动疲劳时间阈值,N为运动疲劳数据中第一运动疲劳时间的总数目,xn为运动疲劳数据中第n次穿戴设备当前佩戴者从开始运动至处于运动疲劳状态的第一运动疲劳时间;
基于运动疲劳时间阈值和第二合理运动方式生成用户个人运动模型。
作为本发明的一种实施例,一种通过穿戴设备采集数据分析房颤、室颤的方法还包括:
获取穿戴设备当前佩戴者的单次运动时长;
将单次运动时长输入至用户个人运动模型中,输出单次运动时长的分析结果。
本发明有益效果为:本发明提出了一种通过穿戴设备采集数据分析房颤、室颤的方法,通过对人体脉搏波数据的采集及分析,得出实时心率情况及器官的健康状态,结合房颤室颤分析模型比对,对用户发生的房颤室颤实时预警,并及时给与用户提示及救助,避免意外发生,守护用户健康。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种通过穿戴设备采集数据分析房颤、室颤的方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
请参阅图1,本发明实施例提供了一种通过穿戴设备采集数据分析房颤、室颤的方法,包括:
获取穿戴设备内置脉搏波传感器采集的原始脉搏波信号;
对原始脉搏波信号进行预处理,得到重构脉搏波特征点;
对重构脉搏波特征点进行解析计算,得到第一体征数据,
其中,第一体征数据包括:实时心率、实时血压和实时血氧饱和度;
对第一体征数据进行分析处理,确定第二体征数据;
根据第二体征数据,确定穿戴设备当前佩戴者的器官健康状态;
将实时心率和器官健康状态输入至预先建立的房颤室颤分析模型中,输出房颤室颤的分析结果;
上述技术方案的工作原理为:当穿戴设备被用户佩戴后,该穿戴设备内置的脉搏波传感器开始采集用户的脉搏波信号,获取该穿戴设备内置的脉搏波传感器采集到的原始脉搏波信号,并对该原始脉搏波信号进行预处理,即对该原始脉搏波信号进行降噪、去基线、小波分解等处理,等到重构脉搏波特征点,然后对重构脉搏波特征点进行解析计算,得到第一体征数据,该第一体征数据为实时数据,即第一体征数据是会随着采集的原始脉搏波信号的不同而改变,其中,第一体征数据包括:实时心率、实时血压和实时血氧饱和度,对第一体征数据进行分析处理,确定第二体征数据,该第二体征数据为对预设时间内的第一体征数据进行分析处理得到的,得到第二体征数据后,根据第二体征数据对当前穿戴设备佩戴者的器官健康状态进行确定,该器官健康状态涉及的器官优选为12种脏器器官,该器官健康状态的状态优选为虚弱状态、亚健康状态和健康状态,当确定了当前穿戴设备佩戴者的器官健康状态后,将测得的实时心率和该器官健康状态输入至预先建立的房颤室颤分析模型中,最后输出穿戴设备佩戴者房颤室颤的分析结果,通常选用的实时心率优选为预设时间内的实时心率,心房颤动和心室颤动与卒中、心力衰竭、冠心病和血栓等多种疾病密切相关,早期的房颤室颤识别分析可以帮助患者及时发现心脏异常,降低心脏疾病引发的致残率和致死率,进一步地,获取若干患者的体征数据,基于中医的脉诊和西医的临床得到若干体征数据矩阵,任一体征数据矩阵中均包括心率、血压、血氧等数据,获取佩戴者的性别年龄以及佩戴者的个人行为特征,该个人行为特征包括但不限于运动行为特征,睡眠行为特征等,以佩戴者的性别年龄和个人行为特征作为基本参数建立佩戴者的个人基础模型,更进一步地,将若干体征数据矩阵和个人基础模型揉合成一个集合,通过正态分布算法、动态分布算法和线性回归算法对该集合进行回归计算,最终得到该佩戴者的房颤室颤分析结果;
上述技术方案的有益效果为:通过穿戴设备长期不间断的监测穿戴设备佩戴者的体征情况,并结合佩戴者器官健康状态对佩戴者的房颤室颤情况进行分析,有益于实时分析用户房颤室颤情况,并及时给予用户提示,避免意外发生。
在一个实施例中,预处理包括:降噪处理、去基线处理和小波分解处理。
在一个实施例中,对第一体征数据进行分析处理,确定第二体征数据,包括:
获取预设时间内的第一体征数据,构建体征数据集,体征数据集中包括三个不同的体征数据分集;
分别获取三个不同体征数据分集中的众值,确定第二体征数据;
其中,三个不同的体征数据分集包括:心率体征数据分集、血压体征数据分集和血氧饱和度体征数据分集;
第二体征数据包括:预设时间内心率数据众值、预设时间内血压数据众值和预设时间内血氧饱和度众值;
上述技术方案的工作原理和有益效果为:获取预设时间内的第一体征数据,构建体征数据集,其中,第一体征数据优选为实时心率数据,实时血压数据和实时血氧饱和度数据,则构建的体征数据集中便包含三个不同的体征数据分集,该三个不同的体征数据分集即心率体征数据分集,血压体征数据分集和血氧饱和度体征数据分集,得到三个不同体征数据分集后,分别获取三个不同体征数据分集中体征数据的众值,如获取心率体征数据分集中的众值,获取血压体征数据分集中的众值,获取血氧饱和度体征数据分集中的众值,得到第二体征数据,该第二体征数据中则包括上述的三个众值,即预设时间内心率数据众值、预设时间内血压数据众值和预设时间内血氧饱和度众值,获取预设时间内第一体征数据的众值,有利于提高对用户器官健康检测的精确度。
在一个实施例中,根据第二体征数据,确定穿戴设备当前佩戴者的器官健康状态,包括:
构建体征数据-器官健康状态模型;
将第二体征数据输入至体征数据一器官健康状态模型;
若第二体征数据符合体征数据-器官健康状态模型中任一体征数据范围,将体征数据-器官健康状态模型中与第二体征数据符合的体征数据范围所对应的器官健康状态输出,确定穿戴设备当前佩戴者的器官健康状况;
上述技术方案的工作原理和有益效果为:构建体征数据-器官健康状态模型,该模型中体征数据范围与器官健康状态一一对应,将第二体征数据输入至该模型中,若输入的第二体征数据符合该模型中任意一个体征数据的范围,则该体征数据范围所对应的器官健康状态便为该第二体征数据所对应的器官健康状态,例如若第二体征数据中的心率、血压、血氧分别为80、100/70mmhg、95mmhg,将该第二体征数据输入至该模型中,得到的器官健康状态便为健康状态,建立体征数据-器官健康状态模型有益于快速准确判断用户器官健康状态。
在一个实施例中,构建体征数据-器官健康状态模型,包括:
通过在线数据调研和实验获取若干用户的实际体征数据和实际器官健康状态;
获取若干用户中实际器官健康状态相同的所有实际体征数据,创建实际体征数据集xn,其中,实际体征数据集xn中包括实际心率数据集x′n,实际血压数据集x″n和实际血氧饱和度数据集x″′n;
基于实际体征数据集xn和与实际体征数据集xn一一对应的实际器官健康状态y,创建实际体征数据-实际器官健康状态集(xn|y);
基于实际体征数据-实际器官健康状态集(xn|y)计算实际器官健康状态y所对应的实际体征数据范围,计算公式如下:
其中,实际体征数据范围包括实际心率数据范围、实际血压数据范围和实际血氧饱和度数据范围,P′y为实际器官健康状态y所对应实际心率数据范围,x′m为实际心率数据集x′n中第m个实际心率数据,n为实际心率数据集x′n中实际心率数据的总数目,P″y为实际器官健康状态y所对应实际血压数据范围,x″m为实际血压数据集x″n中第m个实际血压数据,P″′y为实际器官健康状态y所对应实际血氧饱和度数据范围,x″′m为实际血氧饱和度数据集x″′n中第m个实际血氧饱和度数据,实际心率数据集x′n中实际心率数据的总数目等于实际血氧数据集x″n中实际血压数据的总数目等于实际血氧饱和度数据集x″′n中实际血氧饱和度数据的总数目;
基于实际器官健康状态y和实际器官健康状态y所对应的实际体征数据范围生成体征数据-器官健康状态模型;
上述技术方案的工作原理和有益效果为:通过对若干用户的实际体征数据和实际器官健康状态进行收集,获取若干用户中实际器官健康状态相同的所有实际体征数据,创建实际体征数据集xn,其中,实际体征数据集xn中包括实际心率数据集x′n,实际血压数据集x″n和实际血氧饱和度数据集x″′n,并基于实际体征数据集xn和与实际体征数据集xn一一对应的实际器官健康状态y,创建实际体征数据-实际器官健康状态集(xn|y),然后基于实际体征数据集xn计算实际器官健康状态y所对应的实际体征数据范围,最后基于实际器官健康状态y和实际器官健康状态y所对应的实际体征数据范围构建体征数据-器官健康状态模型,其中,P′y的范围为
P″y的范围为
P″′y的范围为
该体征数据-器官健康状态模型优选为通过自建模型自我对比解决测量误差,通过获取若干用户的实际体征数据和实际器官健康状态构建体征数据-器官健康状态模型,提高了检测器官健康状态的精准度。
在一个实施例中,房颤室颤分析模型的生成步骤包括:
步骤1:获取若干数量的原始脉搏波样本信号和对应器官健康状态下的标识信息;
其中,标识信息包括健康信号和房颤室颤信号的标识信息;
步骤2:根据健康信号的数量,基于SMOTE算法对房颤室颤信号进行均衡处理;
步骤3:建立多路卷积神经网络的网络结构;
其中,多路卷积神经网络的网络结构中的每路卷积神经网络均设置有特定的感受野,用于识别相应粒度的房颤室颤信号;
步骤4:将健康信号和均衡处理后的房颤室颤信号输入至网络结构中进行训练,生成房颤室颤分析模型;
上述技术方案的工作原理和有益效果为:获取若干数量的原始脉搏波样本信号,提取该原始脉搏波样本信号中的心电样本信号,获取该心电样本信号对应的器官健康状态下的标识信息,其中,该标识信息包括健康信号和房颤室颤信号的标识信息,该健康信号的标识信息指的是符合当前器官健康状态下对应的健康信号范围的心电样本信号的标识信息,该房颤室颤的标识信息指的是符合当前器官健康状态下对应的房颤室颤信号范围的心电样本信号的标识信息,该健康信号范围和房颤室颤信号范围优选为结合若干用户的心率波形图、器官健康状态以及中医脉论计算得到,对于一段心电样本信号来讲,通常仅存在少量房颤室颤信号,即健康信号的数量远远大于房颤室颤信号的数量,如果使用这样不均衡的数据对多路卷积神经网络的网络结构进行训练,可能会影响后续生成模型的分析效果,所以选择根据健康信号的数量,采用SMOTE算法对房颤室颤信号进行均衡处理,使得健康信号的数量与房颤室颤的信号相对均衡,有益于提高后续模型的分析效果,建立多路卷积神经网络的网络结构,其中,多路卷积神经网络的网络结构中的每路卷积神经网络均设置有特定的感受野,用于识别相应粒度的房颤室颤信号,最后将健康信号和均衡处理后的房颤室颤信号输入至网络结构中进行训练,生成房颤室颤分析模型,因为房颤室颤均源于无序的心房活动和不规则的心房压缩,即心电信号反映出的房颤室颤通常具有多种形态,因此在多路卷积神经网络的网络结构中的每路卷积神经网络均设置有特定的感受野,用于识别相应粒度的房颤室颤信号,有益于全面精准的识别分析出房颤室颤信号,提高了房颤室颤分析结果的可靠性和准确性。
在一个实施例中,一种通过穿戴设备采集数据分析房颤、室颤的方法还包括:
通过预设第二获取路径获取合理运动数据,合理运动数据包括:通过在线数据调研和实验获取的不同器官健康状态所对应的第一合理运动方式;
根据穿戴设备当前佩戴者的器官健康状态和合理运动数据确定穿戴设备当前佩戴者的器官健康状态所对应的第二合理运动方式;
根据第一体征数据确定穿戴设备当前佩戴者的运动疲劳数据,运动疲劳数据包括:穿戴设备当前佩戴者从开始运动至运动疲劳状态的第一运动疲劳时间;
基于运动疲劳数据计算运动疲劳时间阈值,计算公式如下:
其中,P为运动疲劳时间阈值,N为运动疲劳数据中第一运动疲劳时间的总数目,xn为运动疲劳数据中第n次穿戴设备当前佩戴者从开始运动至处于运动疲劳状态的第一运动疲劳时间;
基于运动疲劳时间阈值和第二合理运动方式生成用户个人运动模型;
获取穿戴设备当前佩戴者的单次运动时长;
将单次运动时长输入至用户个人运动模型中,输出单次运动时长的分析结果;
上述技术方案的工作原理和有益效果为:获取穿戴设备佩戴者在佩戴该穿戴设备后的运动疲劳数据,其中包括该佩戴者每天开始运动至运动疲劳状态的第一运动疲劳时间,检测开始运动至运动疲劳状态的方法优选为通过对该佩戴者心率的变化进行分析得到,该运动疲劳状态指的是该佩戴者的心率即将超过该佩戴者器官健康状态所对应的房颤室颤心率范围的最低值的心率状态,基于获取到的运动疲劳数据计算运动疲劳时间阈值,该运动疲劳时间阈值是随着该佩戴者开始运动至运动疲劳状态次数N的增加而发生变化的,先通过预设的第一获取路径获取合理运动数据,该合理运动数据包括:通过在线数据调研和实验获取的不同器官健康状态所对应的第一合理运动方式,获取该佩戴者的器官健康状态,根据该佩戴者的器官健康状态和合理运动数据向该佩戴者推荐该器官健康状态最合适且合理的第二合理运动方式,即将该佩戴者的器官健康状态作为一个基本参数输入至合理运动数据中找到与该佩戴者健康状态相对应的第一合理运动方式作为第二合理运动方式,最后将求得的运动疲劳时间阈值和第二合理运动方式作为基本参数建立用户个人运动模型,获取穿戴设备当前佩戴者的单次运动时长;将单次运动时长输入至用户个人运动模型中,输出单次运动时长的分析结果;若穿戴设备当前佩戴者的单次运动时长大于用户个人运动模型中的运动疲劳时间阈值时,通过穿戴设备中预设的运动过量报警装置对穿戴设备当前佩戴者报警,该用户个人运动模型存在于该佩戴者的穿戴设备中,该佩戴者可以通过其佩戴的穿戴设备调出该用户个人运动模型进行查看,从用户个人运动模型中该佩戴者可以看到自己的专属第二合理运动方式及自己运动疲劳时间阈值的变化,有益于用户根据自身器官健康状态合理安排运动时间且能够通过运动疲劳时间阈值的变化清楚的观察到自己身体素质的增强,防止因过激运动导致用户发生房颤或室颤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种通过穿戴设备采集数据分析房颤、室颤的方法,其特征在于,包括:
获取穿戴设备内置脉搏波传感器采集的原始脉搏波信号;
对所述原始脉搏波信号进行预处理,得到重构脉搏波特征点;
对所述重构脉搏波特征点进行解析计算,得到第一体征数据,
其中,所述第一体征数据包括:实时心率、实时血压和实时血氧饱和度;
对所述第一体征数据进行分析处理,确定第二体征数据,包括:
获取预设时间内的第一体征数据,构建体征数据集,所述体征数据集中包括三个不同的体征数据分集;
分别获取所述三个不同体征数据分集中的众值,确定第二体征数据;
其中,三个不同的体征数据分集包括:心率体征数据分集、血压体征数据分集和血氧饱和度体征数据分集;
所述第二体征数据包括:预设时间内心率数据众值、预设时间内血压数据众值和预设时间内血氧饱和度众值;
根据所述第二体征数据,确定穿戴设备当前佩戴者的器官健康状态,包括:
构建体征数据-器官健康状态模型;
将所述第二体征数据输入至所述体征数据-器官健康状态模型;
若所述第二体征数据符合所述体征数据-器官健康状态模型中任一体征数据范围,将所述体征数据-器官健康状态模型中与所述第二体征数据符合的体征数据范围所对应的器官健康状态输出,确定穿戴设备当前佩戴者的器官健康状况;
将所述实时心率和所述器官健康状态输入至预先建立的房颤室颤分析模型中,输出房颤室颤的分析结果。
2.根据权利要求1所述的一种通过穿戴设备采集数据分析房颤、室颤的方法,其特征在于,所述预处理包括:降噪处理、去基线处理和小波分解处理。
3.根据权利要求1所述的一种通过穿戴设备采集数据分析房颤、室颤的方法,其特征在于,所述构建体征数据-器官健康状态模型,包括:
通过在线数据调研和实验获取若干用户的实际体征数据和实际器官健康状态;
获取若干用户中实际器官健康状态相同的所有实际体征数据,创建实际体征数据集xn,其中,所述实际体征数据集xn中包括实际心率数据集x′n,实际血压数据集x″n和实际血氧饱和度数据集x″′n;
基于所述实际体征数据集xn和与所述实际体征数据集xn一一对应的实际器官健康状态y,创建实际体征数据-实际器官健康状态集(xn|y);
基于所述实际体征数据-实际器官健康状态集(xn|y)计算实际器官健康状态y所对应的实际体征数据范围,计算公式如下:
其中,实际体征数据范围包括实际心率数据范围、实际血压数据范围和实际血氧饱和度数据范围,P′y为实际器官健康状态y所对应实际心率数据范围,x′m为实际心率数据集x′n中第m个实际心率数据,n为实际心率数据集x′n中实际心率数据的总数目,P″y为实际器官健康状态y所对应实际血压数据范围,x″m为实际血压数据集x″n中第m个实际血压数据,P″′y为实际器官健康状态y所对应实际血氧饱和度数据范围,x″′m为实际血氧饱和度数据集x″′n中第m个实际血氧饱和度数据,实际心率数据集x′n中实际心率数据的总数目等于实际血氧数据集x″n中实际血压数据的总数目等于实际血氧饱和度数据集x″′n中实际血氧饱和度数据的总数目;
基于所述实际器官健康状态y和所述实际器官健康状态y所对应的实际体征数据范围生成体征数据-器官健康状态模型。
4.根据权利要求1所述的一种通过穿戴设备采集数据分析房颤、室颤的方法,其特征在于,所述房颤室颤分析模型的生成步骤包括:
步骤1:获取若干数量的原始脉搏波样本信号和对应器官健康状态下的标识信息;
其中,所述标识信息包括健康信号和房颤室颤信号的标识信息;
步骤2:根据所述健康信号的数量,基于SMOTE算法对所述房颤室颤信号进行均衡处理;
步骤3:建立多路卷积神经网络的网络结构;
其中,所述多路卷积神经网络的网络结构中的每路卷积神经网络均设置有特定的感受野,用于识别相应粒度的房颤室颤信号;
步骤4:将所述健康信号和均衡处理后的房颤室颤信号输入至所述网络结构中进行训练,生成房颤室颤分析模型。
5.根据权利要求1所述的一种通过穿戴设备采集数据分析房颤、室颤的方法,其特征在于,还包括:
通过预设第二获取路径获取合理运动数据,所述合理运动数据包括:通过在线数据调研和实验获取的不同器官健康状态所对应的第一合理运动方式;
根据所述穿戴设备当前佩戴者的器官健康状态和所述合理运动数据确定穿戴设备当前佩戴者的器官健康状态所对应的第二合理运动方式;
根据所述第一体征数据确定穿戴设备当前佩戴者的运动疲劳数据,所述运动疲劳数据包括:穿戴设备当前佩戴者从开始运动至运动疲劳状态的第一运动疲劳时间;
基于所述运动疲劳数据计算运动疲劳时间阈值,计算公式如下:
其中,P为运动疲劳时间阈值,N为运动疲劳数据中第一运动疲劳时间的总数目,xn为运动疲劳数据中第n次穿戴设备当前佩戴者从开始运动至处于运动疲劳状态的第一运动疲劳时间;
基于所述运动疲劳时间阈值和所述第二合理运动方式生成用户个人运动模型。
6.根据权利要求5所述的一种通过穿戴设备采集数据分析房颤、室颤的方法,其特征在于,还包括:
获取穿戴设备当前佩戴者的单次运动时长;
将所述单次运动时长输入至所述用户个人运动模型中,输出单次运动时长的分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110880868.5A CN113425272B (zh) | 2021-08-02 | 2021-08-02 | 一种通过穿戴设备采集数据分析房颤、室颤的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110880868.5A CN113425272B (zh) | 2021-08-02 | 2021-08-02 | 一种通过穿戴设备采集数据分析房颤、室颤的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113425272A CN113425272A (zh) | 2021-09-24 |
CN113425272B true CN113425272B (zh) | 2024-02-20 |
Family
ID=77762514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110880868.5A Active CN113425272B (zh) | 2021-08-02 | 2021-08-02 | 一种通过穿戴设备采集数据分析房颤、室颤的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113425272B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114224308A (zh) * | 2021-12-14 | 2022-03-25 | 上海掌门科技有限公司 | 腕带诊脉装置和脉搏波采集方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101297752A (zh) * | 2007-04-30 | 2008-11-05 | 通用电气公司 | 使用平均心率和nibp减少spo2心房颤动探测中的假阳性警报 |
CN108113666A (zh) * | 2017-12-19 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 房颤信号的识别方法、装置和设备 |
WO2018218310A1 (en) * | 2017-06-01 | 2018-12-06 | Alerte Digital Health Pte. Ltd. | Digital health monitoring system |
CN109846476A (zh) * | 2019-03-19 | 2019-06-07 | 苏州哈特智能医疗科技有限公司 | 一种基于机器学习技术的室颤识别方法 |
CN111839505A (zh) * | 2020-07-02 | 2020-10-30 | 复旦大学 | 一种基于心血管系统电-机械活动信息的房颤分级方法 |
-
2021
- 2021-08-02 CN CN202110880868.5A patent/CN113425272B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101297752A (zh) * | 2007-04-30 | 2008-11-05 | 通用电气公司 | 使用平均心率和nibp减少spo2心房颤动探测中的假阳性警报 |
WO2018218310A1 (en) * | 2017-06-01 | 2018-12-06 | Alerte Digital Health Pte. Ltd. | Digital health monitoring system |
CN108113666A (zh) * | 2017-12-19 | 2018-06-05 | 中国科学院深圳先进技术研究院 | 房颤信号的识别方法、装置和设备 |
CN109846476A (zh) * | 2019-03-19 | 2019-06-07 | 苏州哈特智能医疗科技有限公司 | 一种基于机器学习技术的室颤识别方法 |
CN111839505A (zh) * | 2020-07-02 | 2020-10-30 | 复旦大学 | 一种基于心血管系统电-机械活动信息的房颤分级方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113425272A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190133468A1 (en) | Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device | |
CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
CN108478209A (zh) | 心电信息动态监护方法和动态监护系统 | |
Maqsood et al. | A benchmark study of machine learning for analysis of signal feature extraction techniques for blood pressure estimation using photoplethysmography (PPG) | |
KR20200100131A (ko) | 혼합 센싱에 기반한 생체 모니터링 및 분석 방법, 시스템 | |
CN108577830A (zh) | 一种面向用户的体征信息动态监护方法和动态监护系统 | |
Ashouri et al. | Universal pre-ejection period estimation using seismocardiography: Quantifying the effects of sensor placement and regression algorithms | |
CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
CN116602642B (zh) | 心率监测方法、装置、设备 | |
Alivar et al. | Motion artifact detection and reduction in bed-based ballistocardiogram | |
CN116782829A (zh) | 用于将生物电信号数据转换为数值向量的方法和装置及利用其分析疾病的方法和装置 | |
DE102019104798A1 (de) | Vorrichtung und verfahren zur passiven arrhythmiedetektion auf der basis von photoplethysmogramm (ppg)-intervallen zwischen den schlägen und morphologie | |
CN113425272B (zh) | 一种通过穿戴设备采集数据分析房颤、室颤的方法 | |
Iranfar et al. | Relearn: A robust machine learning framework in presence of missing data for multimodal stress detection from physiological signals | |
Mathur et al. | Analysis of CNN and feed-forward ANN model for the evaluation of ECG signal | |
Chan et al. | Estimating heart rate from seismocardiogram signal using a novel deep dominant frequency regressor and domain adversarial training | |
Li et al. | Noninvasive blood glucose monitoring using spatiotemporal ECG and PPG feature fusion and weight-based choquet integral multimodel approach | |
DE102009033829A1 (de) | Verfahren und Vorrichtung zum berührungslosen Herz-, Kreislauf- und Atmungsmonitoring | |
Alemán-Soler et al. | Biometric approach based on physiological human signals | |
Sadek et al. | Sensor data quality processing for vital signs with opportunistic ambient sensing | |
Wang et al. | Rec-AUNet: Attentive unet for reconstruction of ECG from BCG | |
Srivastava et al. | ECG Pattern Analysis using Artificial Neural Network | |
Nawaz et al. | Anomaly detection and classification of physiological signals in IoT-based healthcare framework | |
Kakar et al. | Systematic analysis and classification of cardiac rate variability using artificial neural network |
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 |