CN114271804A - 基于消费级设备的心率状态辅助检测系统、心脏状态监控系统、方法、存储介质及终端 - Google Patents
基于消费级设备的心率状态辅助检测系统、心脏状态监控系统、方法、存储介质及终端 Download PDFInfo
- Publication number
- CN114271804A CN114271804A CN202111548078.3A CN202111548078A CN114271804A CN 114271804 A CN114271804 A CN 114271804A CN 202111548078 A CN202111548078 A CN 202111548078A CN 114271804 A CN114271804 A CN 114271804A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- data
- sequence
- analysis
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 121
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims description 89
- 238000003860 storage Methods 0.000 title claims description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 166
- 238000009499 grossing Methods 0.000 claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 238000007405 data analysis Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims description 78
- 238000005070 sampling Methods 0.000 claims description 58
- 230000007774 longterm Effects 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 39
- 238000010219 correlation analysis Methods 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 15
- 230000000747 cardiac effect Effects 0.000 claims description 11
- 238000013499 data model Methods 0.000 claims description 7
- 238000005266 casting Methods 0.000 claims description 5
- 239000000178 monomer Substances 0.000 claims description 5
- 101001068052 Homo sapiens Lysine-specific demethylase hairless Proteins 0.000 claims description 3
- 102000053615 human HR Human genes 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 14
- 238000003066 decision tree Methods 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 238000013500 data storage Methods 0.000 description 9
- 238000013186 photoplethysmography Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 230000006793 arrhythmia Effects 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004217 heart function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000001507 sample dispersion Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请涉及一种基于消费级设备的心率状态辅助检测系统、心脏状态监控系统、方法、存储介质及终端，解决消费者无法直观的了解自己的心率状态，包括心率数据采集模块、心率数据分析模块以及心率状态输出模块，通过采集待检测者的连续心率数据；对每一个心率数据进行平滑处理并将平滑处理后的数据进行取整处理以形成预处理数据；在预处理数据中选取数据以形成至少两个心率序列数据；依次选定两个心率序列数据计算两者的相关性形成相关系数序列；通过分布分析模型进行分布分析形成心率分析结果；最后将心率分析结果进行输出。本申请在保证数据分析精确度的情况下，针对不同的数据进行分析并将分析结果呈现给消费者，便于消费者理解自己的心率状态。
Description
技术领域
本申请涉及数据处理的技术领域，尤其是涉及一种基于消费级设备的心率状态辅助检测系统、心脏状态监控系统、方法、存储介质及终端。
背景技术
生命体征包括四个医学体征，具体为体温、血压、心率和呼吸频率，表示机体维持生命功能的状态。监测心脏相关体征可以用于心脏状态的诊断。心脏相关体征包括心音、心率(脉搏)和血压以及心电信号。这些指征彼此相关并且可以通过多种设备进行测量；但是。生命体征的指标会受到年龄、性别、种族、健康状况、情绪状态和活动状态的影响。但是在健康机体内，它们都维持在一个正常范围里。
心率可以通过多种传感技术进行测量，包括声学传感器、电传感器、光学传感器、摄像头以及雷达。使用这些传感器的测量方法分别是：机械脉冲传感(MPS)、声心动描记法(ACG)、心电图(ECG)、光电容积脉搏波(PPG)、图像光电容积脉搏波(IPPG)以及各种无线电信号或微波处理方法(RMM)。
其中，根据心电图捕捉的电信号计算心率值，是一种现在被广泛使用的方法。使用放置在身体不同位置的多个电极来记录心脏电信号的多导心电图被广泛用于临床监测。目前涉及心电图的应用场景，具有以下特点：1)、心电图测量需要在经过医学培训的专家指导下进行；2)、高分辨率(超过128Hz的信号采样)、高精度的心电数据需要专业人员根据知识和经验进行解读；3)、长期测量，例如ECG Holter(用于24-48小时心脏监测的便携式设备)仅允许在完成佩戴后，在医院分析数据。
对于消费者来说，由于其本身不具备专业知识以及解读心电数据的经验，所以市面上消费级的心率检测装置所以虽然检测了心率情况，但是无法直观的了解自己的心率状态，导致整个过程较为繁琐。
发明内容
为了便于使用者更加直观了解心率状态情况，本申请提供一种基于消费级设备的心率状态辅助检测系统、方法及终端。
第一方面，本申请提供一种基于消费级设备的心率状态辅助检测系统采用如下的技术方案：
一种基于消费级设备的心率状态辅助检测系统，包括：
心率数据采集模块，用于采集待检测者的连续心率数据；所述连续心率数据表征为根据所预设的采样频率所采集到的心率数据；
心率数据分析模块，包括：
心率取整平滑单元，用于对每一个心率数据根据所预设的平滑函数进行平滑处理并将平滑处理后的数据进行取整处理以形成预处理数据；
选取单元，在预处理数据中选取数据以形成至少两个心率序列数据；每个所述心率序列数据包括根据所预设的采样周期选取至少两个预处理数据；
相关性分析单元，依次选定两个心率序列数据并计算两者之间的相关性以形成相关系数序列；
分布分析单元，通过所预设的分布分析模型以对预处理数据或相关系数序列进行分布分析以形成心率分析结果；以及
心率状态输出模块，用于将心率分析结果进行输出。
通过采用上述技术方案，通过对心率数据进行连续采集，便于后续的数据平滑处理以及选取，避免出现由于间断式采集而造成数据的缺失，影响后续的分析过程，无法得到准确的分析结果；本申请在选取过程中，至少选取两个心率序列数据，选取的是区间数据，现有的心率分析均是针对某一个区间数据内依次对单个数据的分析，本申请在选取了对应的区间数据尽可能的避免单个数据异常而造成的干扰，大大提高数据分析的精确度；从数据选取这一步即保证了相关的精确度，通过选定两个区间数据进行相关性的分析，即多个区间数据经过处理之后得到相关系数序列，即是对多个区间数据的处理后而得到的相关性关系，进一步保证后续在分布分析过程中的准确度，最终将心率分析结果输出；以便于消费者能够直观且准确的了解到当前的心率情况，便捷的同时更加准确。
优选的，所述选取单元在选取数据过程中，在预处理数据中根据采样时间轴依次选取数据以形成至少两个心率序列数据；相邻两个心率序列数据所对应的采样时间分别定义为第一时间序列以及第二时间序列；所述第二时间序列在时间轴上滞后于第一时间序列。
优选的，所述第一时间序列与第二时间序列相互重叠。
优选的，所述第一时间序列与第二时间序列不重叠。
优选的，第一时间序列与第二时间序列相互不重叠且两者之间还具有第三时间序列，所述第三时间序列表征为未进行采样的采样时间。
通过采用上述技术方案，在选取心率序列数据的过程中，可以根据实际情况选定不同的数据。
在第一时间序列与第二时间序列相互重叠的情况下，能够提高相邻两个心率序列数据的相关性，同时也能够避免数据的遗失等等情况，则可以采用第一时间序列与第二时间序列相互重叠的情况，由于两者存在相互重叠的数据，所以两者的相关性分析过程中关联度会更高，同时也能大大降低数据缺失而造成的误差风险。
在第一时间序列与第二时间序列不重叠的情况下，能够将所有的数据进行检测，即保证整体数据完整性又能提高整体数据处理的效率，因为没有重叠的数据，所以在数据选取过程中能够尽可能的减少序列数量，从而提高数据处理效率。
在第一时间序列以及第二时间序列之间还具有第三时间序列，且该第三时间序列为未进行采样的采样时间，所以能够实现针对不同时间段之间的数据分析，便于后续做针对性分析，仅仅只需要选取想要的采样时间的数据即可，提高整体数据处理的可操作性。
优选的，所述心率取整平滑单元在平滑处理与取整处理过程中，具体处理的公式如下：
其中，RSHRT，L为时间T时刻的预处理数据，T为对应采样周期中的采样时间点，L为平滑窗口的长度；HRi为第i个的预处理数据，符号
表示取整到最接近的整数。
通过采用上述技术方案，因为需要形成适合后续相关性分析的数据，所以在相关性分析之前需要对数据进行预处理，而一些预处理过程是通过删除一些不适合的数据；但是本申请的方案对于数据的完整性要求较高，因为需要将整个时间区间内的所有数据作为分析样本进行处理；所以对数据取整平滑处理，即保证数据的完整性的同时也能够便于所采集的数据进行后续的相关性分析；保证整个方法实现的稳定性。
优选的，所述相关性分析单元对选定的两个心率序列数据进行相关性分析的具体公式如下：
WTLM＝{RSHRT，L…RSHRT+M-1，L}；
WTLD＝{RSHRT+D，L…RSHRT+D+M-1，L}；
MCWTLM，D＝corr({WTLM，WTLD})；
其中，WTLM和WTLD为两个被选定的心率序列数据；RSHRT，L为时间T时刻的预处理数据； RSHRT+M-1，L为时间T+M-1时刻的预处理数据；RSHRT+D+M-1，L为时间T+D时刻的预处理数据；为时间T+D+M-1时刻的预处理数据；M为采样的时间序列的长度；D为相邻两个心率序列数据所对应两个时间序列之间的间隔长度；MCWTLM,D为两个心率序列数据之间的的皮尔森相关系数；MCLMD为N秒内的相关系数序列；N为时间序列中对应的最后一个采样时间点。
通过采用上述技术方案，相关性分析过程中采用了皮尔森相关系数的分析，能够衡量两个数据集合是否在一条线上面，进而衡量定距变量间的线性关系，提高整体的相关性分析的准确性。
优选的，所述分布分析单元在分析过程中所预设的分布分析模型包括递归散点模型、移动相关模型、百分位模型、CoV模型中的一种或多种。
通过采用上述技术方案，可以根据实际的需求来选择不同的分布分析模型，从而以适应不同的应用场景，使得完成相关性分析的数据能够形成更多的不同的结果呈现。
第二方面，本申请提供一种基于消费级设备的心脏状态监控系统采用如下的技术方案：
一种基于消费级设备的心脏状态监控系统，包括：
触发采集模块，用于获取触发信息；
监控模块，用于通过基于消费级设备的心率状态辅助检测系统以得到心率分析结果并进行输出；以及
处理模块，根据触发信息以启动监控模块。
优选的，所述触发信息包括短期触发信息，所述监控模块包括短期监控模块，所述处理模块根据短期触发信息以启动短期监控模块；
所述短期监控模块包括：
短期心率数据采集模块，根据所预设的短时间周期以采集待检测者该短时间周期内的短期连续心率数据；所述短期连续心率数据表征为根据所预设的采样频率所采集到的心率数据；以及
第一心率监控分析模块，通过基于消费级设备的心率状态辅助检测系统以对短期连续心率数据进行分析以得到并输出第一心率分析结果。
优选的，所述触发信息包括长期触发信息，所述监控模块包括长期监控模块，所述处理模块根据长期触发信息以启动长期监控模块；
所述长期监控模块包括：
长期心率数据采集模块，根据所预设的长时间周期以采集待检测者该长时间周期内的长期连续心率数据；所述长期连续心率数据表征为根据所预设的采样频率所采集到的心率数据；
第二心率监控分析模块，通过基于消费级设备的心率状态辅助检测系统以对长期连续心率数据进行处理分析以得到长期心率分析数据；
模型比对模块，将长期心率分析数据通过所预设的历史数据模型进行比对分析以形成心脏状态分析结果；以及
心脏状态显示模块，用于将心脏状态分析结果进行展示
通过采用上述技术方案，能够针对某个短期时间段进行实时监测，在对短期时间内的心率数据进行实时采集之后，并进行相关的分析输出对应的分析结果，从而形成一个实时的当前短期时间段内的心率数据情况的分析结果；通过长期监控模块，能够对消费者较长时间周期的心脏状态与历史数据库中的历史心率分析结果进行分析，进而得出心脏状态分析结果，并呈现给消费者。
第三方面，本申请提供一种基于消费级设备的心率状态辅助检测方法采用如下的技术方案：
一种基于消费级设备的心率状态辅助检测方法，包括：
采集待检测者的连续心率数据；所述连续心率数据表征为根据所预设的采样频率所采集到的心率数据；
对每一个心率数据根据所预设的平滑函数进行平滑处理并将平滑处理后的数据进行取整处理以形成预处理数据；
在预处理数据中选取数据以形成至少两个心率序列数据；每个所述心率序列数据包括根据所预设的采样周期选取至少两个预处理数据；
依次选定两个心率序列数据并计算两者之间的相关性以形成相关系数序列；
通过所预设的分布分析模型以对预处理数据或相关系数序列进行分布分析以形成心率分析结果；
将心率分析结果进行输出。
通过采用上述技术方案，通过对心率数据进行连续采集，便于后续的数据平滑处理以及选取，避免出现由于间断式采集而造成数据的缺失，影响后续的分析过程，无法得到准确的分析结果；本申请在选取过程中，至少选取两个心率序列数据，选取的是区间数据，现有的心率分析均是针对某一个区间数据内依次对单个数据的分析，本申请在选取了对应的区间数据尽可能的避免单个数据异常而造成的干扰，大大提高数据分析的精确度；从数据选取这一步即保证了相关的精确度，通过选定两个区间数据进行相关性的分析，即多个区间数据经过处理之后得到相关系数序列，即是对多个区间数据的处理后而得到的相关性关系，进一步保证后续在分布分析过程中的准确度，最终将心率分析结果输出；以便于消费者能够直观且准确的了解到当前的心率情况，便捷的同时更加准确。
第四方面，本申请提供一种基于消费级设备的心脏状态监控方法采用如下的技术方案：
一种基于消费级设备的心脏状态监控方法，包括：
获取触发信息；
根据触发信息以通过基于消费级设备的心率状态辅助检测系统以得到心率分析结果并进行展示。
通过采用上述技术方案，能够针对某个时间段进行监测，在对心率数据进行实时采集之后，并进行相关的分析输出对应的分析结果，从而形成一个心率数据情况的分析结果或者心脏状态的分析结果。
第五方面，本申请提供一种计算机可读存储介质，能够存储相应的程序，便于使用者更加直观了解心率状态情况。采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载执行时实现上述的基于消费级设备的心率状态辅助检测方法的程序或存储有能够被处理器加载执行时实现上述的基于消费级设备的心脏状态监控方法的程序。
第六方面，本申请提供一种智能终端采用如下的技术方案：
一种智能终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，该程序能够被处理器加载执行时实现上述的基于消费级设备的心率状态辅助检测方法的程序或存储有能够被处理器加载执行时实现上述的基于消费级设备的心脏状态监控方法的程序。
综上所述，本申请包括以下有益技术效果：在保证数据分析的精确度的情况下，能够针对不同的数据进行分析并将分析结果呈现给消费者，便于消费者理解自己的心率状态。。
附图说明
图1是本申请其中一实施例的基于消费级设备的心率状态辅助检测系统的系统结构框图。
图2是本申请其中一实施例的采用递归散点模型进行分析的图示。
图3是本申请其中一实施例的采用移动相关模型进行分析的示意图。
图4是本申请其中一实施例的采用百分位模型进行分析的示意图。
图5是本申请其中一实施例的采用CoV模型进行分析的示意图一。
图6是本申请其中一实施例的采用CoV模型进行分析进行分析的示意图二。
图7是本申请其中一实施例的基于消费级设备的心脏状态监控系统的系统结构框图。
图8是本申请其中一实施例的分类和回归决策树模型的可视化示例图。
图9是本申请其中一实施例的基于消费级设备的心率状态辅助检测方法的流程框图。
图10是本申请其中一实施例的基于消费级设备的心脏状态监控方法的流程框图。
图11是本申请其中一实施例的于短期监控模块实现短期监控的方法的流程框图。
图12是本申请其中一实施例的于长期监控模块实现长期监控的方法的流程框图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
本申请实施例提供一种基于消费级设备的心率状态辅助检测系统，本申请的方案是基于消费级设备进行设计，如图1所示，具体包括心率数据采集模块、心率数据分析模块、心率状态输出模块、通讯模块以及数据存储模块；通过心率数据采集模块对连续心率进行采集；在将该连续心率的数据输入至心率数据分析模块进行处理分析，进而得到心率分析结果，在通过心率状态输出模块进行输出；各个模块之间通过通讯模块进行数据传输。
通信模块将各个模块之间的数据进行传输，具体包括但不限于蓝牙、Wi-Fi、Zigbee、ANT+和有线连接均可用于数据传输。
数据存储模块存储相关的数据，包括但不限于不同医疗状况、不同年龄条件、不同活动条件下的海量心率模式，例如，不同活动条件包括躺下或者运动，不同年龄条件包括20岁、30岁或者年龄区间等等。在通过心率数据分析模块进行分析过程中，可以调用数据存储模块中存储的相关数据。其中，数据存储模块可以通过任何存储技术来实现。在一种可能的实施例中，数据存储模块可以是用户本地终端上带的个人资料数据库。在另一种可能的实施例中，数据存储模块可以是云端数据库。
心率数据采集模块包括传感器；其中，传感器可使用任何一种可以测量一段时间(例如超过5分钟)的连续心率的技术来收集和记录心脏信号，例如心电图(ECG)、光电容积脉搏波(PPG)、基于摄像头的远程心脏速率测量、基于压力的测量、无线或基于雷达的测量或其他传感技术。根据不同测量技术，传感器可以与皮肤接触或非接触；本系统中的传感器可以是能够获得高精度心脏信号的一种或多种技术的组合。在一种可能的实施例中，心电图(ECG)和光电容积脉搏波(PPG)均可用于数据采集模块，同时捕获心电信号和光学心脏信号；后续输入至心率数据分析模块的信号可以是其中一种具有精确测量的信号，或者是比单一信号更精确的融合信号。
心率数据分析模块接收来自传感器的信号并将信号处理为心率序列数据。心率序列数据对应于时间序列，时间序列可以使用预定义的频率(例如0.5Hz、1Hz或2Hz或其他合适频率)来构成；再通过对心率序列数据进行分析处理以得到具体的心率分析结果。心率数据分析模块可以在任何计算设备(移动电话、智能健康设备、物联网或其他)上运行。心率数据分析模块可与心率数据采集模块部署在同一台设备上，也可在不同的设备上。
在一种可能的实施例中，心率数据可以通过部署在智能手环或电脑或智能手机等终端上的心率数据采集模块获得，并通过部署在同一终端上的心率数据分析模块对数据进行分析。
在另一种可能的实施例中，心率数据可以通过电脑内置的上的心率数据采集模块(例如摄像头)获得，通过Wi-Fi或其他数据传输的方式将心率数据传输给智能手机，并通过部署在手机的心率数据分析模块对数据进行分析；本实施例中通过电脑采集数据，智能手机进行数据分析仅仅是示例性说明，也可以是智能手机采集数据，而电脑进行数据分析；也可以采用其他的能够进行数据采集或数据分析的终端设备。
心率状态输出模块包括显示模块，通过显示模块能够更加直观易懂的形式向用户展示分析结果。显示的内容包括但不限于本申请中任意的数据、任意数据图示以及分析结果的总结。其中，心率状态输出模块可以安装在任何电子设备中，例如智能手环、智能手表、手机、计算机和物联网设备。
系统中的所有模块可以通过任何通信技术位于同一设备或不同设备上。此实施例可以通过心率胸带进行数据采集，并通过低功耗蓝牙将心率数据发送到智能手机。在智能手机上进行心率数据分析和心率状态输出；智能手机可以通过互联网与云端通讯。
为了便于理解，下面结合具体的实现方式以及场景对本申请实施例提供的一种基于消费级设备的心率状态辅助检测系统进行具体介绍。详细内容如下：
其中，心率数据采集模块用于采集待检测者的连续心率数据；连续心率数据表征为根据所预设的采样频率所采集到的心率数据；所预设的采样频率可以根据实际情况进行设置，而本实施例中以1Hz频率为例进行示例性说明，即每一秒间隔获取对应的心率值，以1Hz频率对所需周期内心率值进行采样，从而形成连续心率数据；该所需周期可以为一个时间段，也可以是从启动检测开始始终保持采样，具体根据实际情况设置。通过对心率数据进行连续采集，便于后续的数据平滑处理以及选取，避免出现由于间断式采集而造成数据的缺失，影响后续的分析过程，无法得到准确的分析结果。
其中，心率数据分析模块，包括心率取整平滑单元、选取单元、相关性分析单元以及分布分析单元；将心率数据采集模块所采集到的连续心率数据输入至心率取整平滑单元，通过心率取整平滑单元对连续心率数据所包含的心率数据进行平滑取整处理形成预处理数据；再将预处理数据输入至选取单元以选取数据，将所需选取的数据完成选取后再输入至相关性分析单元进行选定数据的相关性分析，得到相关系数序列；最后，再将预处理数据或相关系数序列输入至分布分析单元进行分析得到心率分析结果。
在一种可能的实施例中，心率取整平滑单元用于对每一个心率数据根据所预设的平滑函数进行平滑处理并将平滑处理后的数据进行取整处理以形成预处理数据。通过数据取整平滑处理，即保证数据的完整性的同时也能够便于所采集的数据进行后续的相关性分析；保证整个方法实现的稳定性。
具体心率取整平滑单元在平滑处理与取整处理过程中，示例性的相关公式如下：
其中，RSHRT，L为时间T时刻的预处理数据，T为对应采样周期中的采样时间点，L为平滑窗口的长度；HRi为第i个的心率数据，符号
表示取整到最接近的整数。
平滑取整的过程是对心率数据的预处理过程。为了便于理解，以下进行示例性说明：在进行平滑处理过程中，平滑窗口的长度的范围可以从30秒到500秒之间，当然也可以是其他的长度范围，根据实际情况设置，这里的范围仅仅是示例性说明；选定平滑窗口的长度后，根据所需的采样时间点来进行计算移动窗口中的平均值，例如，采样时间点为a，则计算a所对应移动窗口的心率的平均值。在进行取整过程中，心率值可以四舍五入为整数值(以每分钟心跳次数为单位)。
平滑函数计算固定大小的移动窗口的心率的平均值，并将平均值值取整。心率变化中微小的波动会被平滑，而心率变化趋势和剧烈的变化仍然存在，例如心律失常时间。人体活动状态转换可能会导致心率趋势的变化，因此必须仔细设计平滑函数，以确保由活动的引起的变化不会被误认为是心率不齐。例如，人从坐的状态到站的状态过程中，可能会导致心率的突变，突变的过程可能是其中几个心率值，通过平滑函数的设计，即把这个突变的因素平均到整个窗口的数据中，降低这几个突变值带来的影响；进一步降低人体活动状态转变而产生的心率趋势变化的影响。
在一种可能的实施例中，选取单元在预处理数据中选取数据以形成至少两个心率序列数据；每个心率序列数据包括根据所预设的采样周期选取至少两个预处理数据。通过选取对应的区间数据尽可能的降低单个数据异常而形成干扰的风险，大大提高数据分析的精确度；从数据选取这一步即保证了相关的精确度，通过选定两个区间数据进行相关性的分析。
选取单元在选取数据过程中，在预处理数据中根据采样时间轴依次选取数据以形成至少两个心率序列数据；该采样时间轴即为在采样过程中的时间流，例如采样的时间周期为 100秒，而沿着采样的时间流来选取对应的心率序列数据，可以选取1-10秒、2-11秒、3-12 秒、……、91-100秒的心率值作为心率序列数据；而在采样过程中，具体将几秒至几秒的窗口区间内的心率值作为心率序列数据，可以根据实际情况进行设置。
为了便于理解，将相邻两个心率序列数据所对应的采样时间分别定义为第一时间序列以及第二时间序列；第二时间序列在时间轴上滞后于第一时间序列。
在预处理数据中根据采样时间轴依次选取数据以形成至少两个心率序列数据的过程中，具体根据所需心率序列数据的窗口大小以及选取的步幅大小来选取对应的心率序列数据。
在一种具体实施方式中，第一时间序列与第二时间序列相互重叠；即在第一时间序列中所采集形成的心率序列数据与在第二时间序列中所采集形成的心率序列数据之间存在相互重叠的部分，具体重叠的量可以根据实际情况进行设置。
为了便于理解进行示例性的说明，心率序列数据的窗口大小可以定义为20秒，选取的步幅可以定义为1秒，一个心率序列数据的窗口显示在20秒内心率值的情况；例如，在选取过程中，可以选取1-20秒、2-21秒、3-22秒、……的心率值作为心率序列数据。以上的心率序列数据的窗口大小以及选取的步幅的大小均是示例性说明，也可以是其他的大小。
在第一时间序列与第二时间序列相互重叠的情况下，能够提高相邻两个心率序列数据的相关性，同时也能够避免数据的遗失等等情况，则可以采用第一时间序列与第二时间序列相互重叠的情况，由于两者存在相互重叠的数据，所以两者的相关性分析过程中关联度会更高，同时也能大大降低数据缺失而造成的误差风险。
在一种具体实施方式中，第一时间序列与第二时间序列不重叠。即在第一时间序列中所采集形成的心率序列数据与在第二时间序列中所采集形成的心率序列数据之间不存在相互重叠的部分，且第一时间序列与第二时间序列之间不存在其余的采样的时间节点。
为了便于理解进行示例性的说明，心率序列数据的窗口大小可以定义为20秒，选取的步幅可以定义为20秒，一个心率序列数据的窗口显示在20秒内心率值的情况；例如，在选取过程中，可以选取1-20秒、21-40秒、41-60秒、……的心率值作为心率序列数据。以上的心率序列数据的窗口大小以及选取的步幅的大小均是示例性说明，也可以是其他的大小。
在第一时间序列与第二时间序列不重叠的情况下，能够将所有的数据进行检测，即保证整体数据完整性又能提高整体数据处理的效率，因为没有重叠的数据，所以在数据选取过程中能够尽可能的减少序列数量，从而提高数据处理效率。
在一种具体实施方式中，第一时间序列与第二时间序列相互不重叠且两者之间还具有第三时间序列，第三时间序列表征为未进行采样的采样时间；即在第一时间序列中所采集形成的心率序列数据与在第二时间序列中所采集形成的心率序列数据之间不存在相互重叠的部分，而第一时间序列与第二时间序列之间存在其余的采样的时间节点，即其余的所有的采样的时间节点即为上述定义的第三时间序列。
为了便于理解进行示例性的说明，心率序列数据的窗口大小可以定义为20秒，选取的步幅可以定义为30秒，一个心率序列数据的窗口显示在20秒内心率值的情况；相邻两个心率序列数据之间存在的第三时间序列可以定义为10秒；例如，在选取过程中，可以选取1-20秒、31-50秒、61-80秒、……的心率值作为心率序列数据。以上的心率序列数据的窗口大小以及选取的步幅的大小均是示例性说明，也可以是其他的大小；第三时间序列的大小也是示例性说明，也可以是其他的大小。
在第一时间序列以及第二时间序列之间还具有第三时间序列，且该第三时间序列为未进行采样的采样时间，所以能够实现针对不同时间段之间的数据分析，便于后续做针对性分析，仅仅只需要选取想要的采样时间的数据即可，提高整体数据处理的可操作性。
在一种可能的实施例中，相关性分析单元依次选定两个心率序列数据并计算两者之间的相关性以形成相关系数序列。
具体相关性分析单元对选定的两个心率序列数据进行相关性分析过程中，示例性的相关公式如下：
WTLM＝{RSHRT，L…RSHRT+M-1，L}；
WTLD＝{RSHRT+D，L…RSHRT+D+M-1，L}；
MCWTLM，D＝corr({WTLM，WTLD})；
其中，WTLM和WTLD为两个被选定的心率序列数据；RSHRT，L为时间T时刻的预处理数据； RSHRT+M-1，L为时间T+M-1时刻的预处理数据；RSHRT+D，L为时间T+D时刻的预处理数据；RSHRT+D+M-1，L为时间T+D+M-1时刻的预处理数据；M为被选定的心率序列数据的长度； D为相邻两个心率序列数据所对应两个时间序列之间的步幅长度；MCWTLM,D为两个心率序列数据之间的的皮尔森相关系数；MCLMD为N秒内的相关系数序列；N为时间序列中对应的最后一个采样时间点。
相关性分析过程中采用了皮尔森相关系数的分析，能够衡量两个数据集合是否在一条线上面，进而衡量定距变量间的线性关系，提高整体的相关性分析的准确性。
在一种可能的实施例中，分布分析单元通过所预设的分布分析模型以对预处理数据或相关系数序列进行分布分析以形成心率分析结果。分布分析单元在分析过程中所预设的分布分析模型包括但不限于递归散点模型、移动相关模型、百分位模型、CoV模型中的一种或多种。可以根据实际的需求来选择不同的分布分析模型，从而以适应不同的应用场景，使得完成相关性分析的数据能够形成更多的不同的结果呈现。
在一种具体实施方式中，若采用递归散点模型进行分析，则输入的数据对应为预处理数据，递归散点模型的分析过程包括数据处理过程以及判断过程。递归散点模型用于评估心脏年龄，具体通过递归散点模型对输入的预处理数据进行分析的过程如下：
关于数据处理过程，对于RSHR(预处理数据)中的每一个数值，构建(RSHRn,RSHRn+q)的二维坐标图，构建二维坐标图过程中可以将对应的数值输入至相关的软件中，即可得到二维坐标图。n的范围为1到RSHR长度减q，其中q可以为10-120秒区间中的任意值，本实施例中以q为60秒为例进行叙述。例如，对于长度为1800的RSHR序列，可以产生1740个坐标点。
关于判断过程，对于同一健康主体在同一种活动状态，可以使用核密度估计方法计算其中心点作为当前活动的心率基准，然后再计算当前活动下所有点到中心点的平均距离以评估当前活动的心脏活跃程度，具体可以调用数据存储模块中所存储的相关数据模式，进行比对并最终形成评估结果，即心率分析结果。例如，在休息状态下，20岁健康主体所有点到中心点的平均距离为10，20岁健康主体所有点到中心点的平均距离为5；距离远表示心脏活动更活跃，心脏功能更年轻。
对于同一健康主体在不同的活动状态，可以对不同的活动状态下使用核密度估计方法计算对应的中心点；再计算对应中心点之间的距离，根据距离的大小以反应心脏对于不同活动的变化尺度，具体可以调用数据存储模块中所存储的相关数据模式，进行比对并最终形成评估结果，即心率分析结果。例如，20岁健康主体从休息状态到行走状态，中心点变化距离为52，50岁健康主体从休息状态到行走状态，中心点变化距离为15。变化距离大表示心脏可以良好适应不同的运动状态，心脏功能更年轻，进而评估对应健康主体的心脏年龄。
在一种具体实施方式中，若采用移动相关模型进行分析，则输入的数据对应为相关系数序列，移动相关模型的分析过程包括数据处理过程以及判断过程；移动相关模型用于直观显示心率变化并判断心率是否存在异常，具体通过移动相关模型对输入的相关系数序列进行分析的过程如下：
关于数据处理过程，对于MCLMD(相关系数序列)中的每一个数值，构建相关序列图；构建相关序列图过程中可以将对应的数值输入至相关的软件中，即可得到对应相关序列图。
关于判断过程，通过调取数据存储模块中所存储的相关数据模式，进行比对并最终形成评估结果，比对的过程可以是在MCLMD(相关系数序列)中的部分数值超过所预设的相关系数阈值，则给出心率存在异常的结果；反之，则心率正常。其中，部分数值的数量可以根据实际情况设定，而相关系数阈值也可以根据实际情况进行设定。
上述比对的过程仅仅为示例性的说明，其他相关常见比对方法均可以适用，只要能够用于对心率进行分析，最终得到对应结果，该结果即为：相关系数序列相对平稳并有一定程度的波动为心率正常的结果；而相关系数序列存在明显的波动且相关系数总体较低为心率异常的结果。
在一种具体实施方式中，若采用百分位模型进行分析，则输入的数据对应为相关系数序列，百分位模型的分析过程包括数据处理过程以及判断过程。
关于数据处理过程，具体百分位模型对相关系数序列进行分析过程中，示例性的相关公式如下：
IPVMC＝<IPVMC，0…IPVMC，100>；
其中，IPVMC,i为第i个百分位值，i为整数，且具体范围为0到100之间；percentile函数为计算相关系数序列中的第i个百分位值；MCLMD为相关系数序列；IPVMC为i＝0至i＝100的百分位序列。
percentile函数在计算相关百分位值的时候，第五个百分位值表示序列中有5％的值小于此值，95％的值大于此值。所以，当i＝0时，IPVMC,0是MCLMD的最小值，当i＝100时，IPVMC,100是IPVMC的最大值，其他值根据合适的i计算，在计算过程中，i值的选取可以根据实际情况选择，例如：可以选择10-100或者20-100等等。
关于判断过程，在根据相关公式得到IPVMC,i(第i个百分位值)后，根据所预设的百分位阈值，将IPVMC,i与该百分位阈值进行比较，若低于或低于等于该百分位阈值，则说明存在心率异常情况；例如，如果IPVMC，1小于或小于等于0.6(百分位阈值)，则心率分析结果为心率异常；反之，则心率分析结果为心率正常。
在一种具体实施方式中，若采用CoV模型进行分析，则输入的数据对应为预处理数据或相关系数序列，CoV模型的分析过程包括数据处理过程以及判断过程。
对应于预处理数据：
关于数据处理过程，具体CoV模型对相关系数序列进行分析过程中，示例性的相关公式如下：
其中，HRIMC为整个相关系数序列的平均值；N为所需相关系数序列的序列长度；N的长度可以涵盖全部相关系数序列的数据，也可以取相关系数序列中的一部分，根据实际情况选择；MCLMD,i为相关系数序列第i个相关系数，i为0-N中的任意值，且为整数；STDMC是MCLMD的标准差，CoVMC是MCLMD的变异系数。
关于判断过程，在根据相关公式得到CoVMC(MCLMD的变异系数)，根据所预设的第一变异系数阈值，将CoVMC与该第一变异系数阈值进行比较，若大于或大于等于该第一变异系数阈值，则说明存在心率异常情况；例如，如果CoVMC大于或者大于等于0.03(第一变异系数阈值)，则心率分析结果为心率异常；反之，则心率分析结果为心率正常。
在将预处理数据输入CoV模型进行分析过程中，能够针对所需比较的时间长度保持相同的情况，例如比较某一时间长度的相关数据的分析，即时间长度为10分钟、60分钟、90分钟等等。
对应于相关系数序列：
关于数据处理过程，具体CoV模型对相关系数序列进行分析过程中，示例性的相关公式如下：
其中，HRIIPV为整个百分位序列的平均值；IPVMC,i为百分位序列第i个百分位值，i为0-N 中的任意值，且为整数；STDIPV是IPVMC的标准差，CoVIPV是IPVMC的变异系数。
关于判断过程，在根据相关公式得到CoVMC(IPVMC的变异系数)，根据所预设的百分位序列平均值阈值以及第二变异系数阈值，将HRIIPV与百分位序列平均值阈值进行比较，将CoVMC与该第二变异系数阈值进行比较，若CoVMC大于或大于等于该第二变异系数阈值，且HRIIPV小于或者小于等于该百分位序列平均值阈值，则说明存在心率异常情况；例如，如果CoVIPV大于或者大于等于0.05(第二变异系数阈值),且HRIIPV小于或者小于等于0.96(百分位序列平均值阈值)，则心率分析结果为心率异常；反之，则心率分析结果为心率正常。
在将相关系数序列输入CoV模型进行分析过程中，IPVMC可以将不同时间长度的心率特征转化为同样尺度的101个特征点，使不同时间长度的心率特征具有可比较性。
在一种可能的实施例中，心率状态输出模块用于将心率分析结果进行输出。心率状态输出模块以直观易懂的形式向用户展示心率分析结果。显示的内容包括但不限于连续心率数据、预处理数据、相关系数序列、分布分析模型、心率分析结果以及相关的所有图示与结果；心率状态输出模块可以安装在任何电子设备中，例如智能手环、智能手表、手机、计算机和物联网设备等等。
基于消费级设备的心率状态辅助检测系统本申请实施例还提供一种基于消费级设备的心脏状态监控系统；具体包括：触发采集模块、监控模块以及处理模块。处理模块根据触发采集模块所采集到的触发信息，来启动监控模块以对消费者在一定时间周期内的心率数据进行采集分析，并输出对应的分析结果。
触发采集模块用于获取触发信息，触发信息的获取可以通过机械按键触发的方式获取，也可以通过虚拟按键触发的方式获取；机械按键触发的方式，可以通过按动开机键，开机之后自动获取，也可以通过开机之后再次按动对应的触发按键以获取触发信息；虚拟按键触发的方式，可以通过在对应软件的界面中按动相关的虚拟触发按键以实现获取。触发采集模块可以安装在任何电子设备中，例如智能手环、智能手表、手机、计算机和物联网设备。
监控模块用于通过基于消费级设备的心率状态辅助检测系统以得到心率分析结果并进行输出。
处理模块根据触发信息以启动监控模块。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
其中，触发信息包括短期触发信息；监控模块包括短期监控模块，处理模块根据短期触发信息以启动短期监控模块。
短期监控模块包括短期心率数据采集模块以及第一心率监控分析模块。
短期心率数据采集模块根据所预设的短时间周期以采集待检测者该短时间周期内的短期连续心率数据；短期连续心率数据表征为根据所预设的采样频率所采集到的心率数据；该短时间周期为一个连续的时间区间，可以为1分钟、3分钟、10分钟、20分钟、30分钟、60分钟、90分钟等等，根据实际情况进行设定。
第一心率监控分析模块通过基于消费级设备的心率状态辅助检测系统以对短期连续心率数据进行分析以得到并输出第一心率分析结果。第一心率分析结果包括通过基于消费级设备的心率状态辅助检测系统进行采集分析的所有的数据以及结果。
在短期监控模块实现某个短期时间段的实时监测过程中，采集到短期连续心率数据之后，将该短期连续心率数据输入至基于消费级设备的心率状态辅助检测系统进行处理，即将短期连续心率数据作为基于消费级设备的心率状态辅助检测系统中心率数据采集模块所需采集的连续心率数据；在对短期时间内的心率数据进行实时采集之后，并进行相关的分析输出对应的分析结果，从而形成一个实时的当前短期时间段内的心率数据情况的分析结果，形成第一心率分析结果。
其中，触发信息包括长期触发信息，监控模块包括长期监控模块，处理模块根据长期触发信息以启动长期监控模块。
长期监控模块包括长期心率数据采集模块、第二心率监控分析模块、模型比对模块以及心脏状态显示模块。
长期心率数据采集模块根据所预设的长时间周期以采集待检测者该长时间周期内的长期连续心率数据；长期连续心率数据表征为根据所预设的采样频率所采集到的心率数据；其中，长期心率数据采集模块所采集的长期连续心率数据可以为一个，也可以为多个，根据实际情况采集；上述的长时间周期为一个连续的时间区间，可以为1天、3天、10天、30 天、60天等等，根据实际情行设定。
第二心率监控分析模块通过基于消费级设备的心率状态辅助检测系统以对长期连续心率数据进行处理分析以得到长期心率分析数据。长期心率分析数据包括但不限于通过对每一个心率数据取整平滑后得到的数据、通过根据选定的两个心率序列数据并计算两者之间的相关性后得到的数据以及通过所预设的分布分析模型在经过数据处理过程后得到的相关数据等等，具体可以为预处理数据RSHR、相关系数序列MC、百分位序列IPV、相关系数序列 MC的标准差STD、相关系数序列MC的变异系数CoV等等。
模型比对模块将长期心率分析数据通过所预设的历史数据模型进行比对分析以形成心脏状态分析结果。在将长期心率分析数据通过历史数据模型进行分析比对过程中，可以将长期心率分析数据中的一个或多个参数通过对应的模型进行分析比对。例如：单独对预处理数据RSHR进行分析或对HRIMC(相关系数序列的平均值)以及STDMC(相关系数序列MC 的标准差)进行分析。
为了便于理解，以下所涉及的公式、字母等均与基于消费级设备的心率状态辅助检测系统中的公式、字母等进行相互统一。
RSHRTL表示心率变化的趋势。MCLMD体现心率在一段时间内的变化程度，IPVMC、HRIMC、STDMC、HRIIPV、STDIPV、CoVIPV、用不同的统计学手段描述了MCLMD的模式。根据消费者情况的不同，可以选择不同的组合建立针对不同时间长度的模型比对模块。
模型比对模块可以是由统计学方式或机器学习算法生成的模型，统计学方式包括但不限于回归模型(包括线性，非线性规模模型)、分类模型等，机器学习算法包括但不限于人工神经网络(ANN)、支持向量机(SVM)、决策树(DT)、深度学习等方法。
在一种实施例中，以采用回归模型为例进行叙述。可以使用长时间周期内的连续HRIMC、STDMC作为特征建立回归模型。
历史数据模型先对当前的实际采集的数据进行处理分析以得到比对数据，再将比对数据与基于所预设的历史数据库中存储的历史心率分析数据所构建的模型进行比对以得到心脏状态分析结果。
将获取到的对应长时间周期内的连续HRIMC、STDMC作为特征，设置参数L＝600(L为平滑窗口的长度)。例如，可以以连续HRIMC作为因变量，连续STDMC作为自变量，使用最小二乘法计算其相关性关系。最小二乘法具体如下：假设STDMC和HRIMC符合线性分布，定义x＝STDMC,y＝HRIMC，其中x的长度为N，即表征为连续STDMC的个数，y的长度也为N，即表征为连续HRIMC的个数。
HRIMC＝mSTDMC+b；
其中，m和b为线性回归函数参数。
将通过最小二乘法计算连续HRIMC与连续STDMC的相关性所得到的数据构建比对二维坐标图。
基于所预设的历史数据库中存储的历史心率分析数据，也通过最小二乘法计算对应数据的相关性并构建历史二维坐标图。通过距离分析方法以比对二维坐标图最接近的历史二维坐标图；其中，历史二维坐标图与所预设的评估分数一一对应，进而通过对比对二维坐标图比对最接近的历史二维坐标图，在确定最接近的历史二维坐标图后，即可得到与之对应的评估分数，即得到比对二维坐标图所对应的评估分数。该评估分数即为心脏状态分析结果。其中，距离分析方法可以使用欧式距离分析方法、曼哈顿距离分析方法、汉明距离分析方法等。评估分数由比对二维坐标图和历史二维坐标图的距离决定，距离历史二维坐标图越远，则评估分数越低。例如，80-100分表示心脏状况良好，没有发现明显异常。50-80分表示发现异常但不需要立即处理，需要到医院进行专业医疗检查，50分以下表示严重异常，建议立马停止当前活动前往医院。
在一种实施例中，采用机器学习算法中的人工神经网络或者深度学习建立对应的回归模型、分类模型；可以使用连续HRIMC与连续STDMC作为特征进行构建，具体人工神经网络或者深度学习为现有技术，故不在此赘述。
在一种实施例中，以采用回归模型为例进行叙述。可以使用IPVMC作为特征建立回归模型。IPVMC可以将不同时间长度的心率数据转化为同样尺度的101个特征点，使不同时间长度的心率数据具有可比较性。例如，在某个活动状态下的IPVMC样本，该某个活动状态下可以为跑步、打羽毛球、工作等，活动状态可由用户输入或由某终端的活动状态监测模块提供。
历史数据模型采用分类和回归决策树模型，具体使用分类和回归决策树算法(CART)生成对应活动下IPVMC的分类和回归决策树模型；即对IPVMC输入建立的分类和回归决策树模型后形成当前状态下的心脏状态分析结果。
在构建分类和回归决策树模型过程中，对每个消费者建立个人历史数据库，在个人历史数据哭中所存储有心率数据以及与心率数据相关的其他数据，例如预处理数据RSHR、相关系数序列MC、百分位序列IPV、相关系数序列MC的标准差STD、相关系数序列MC 的变异系数CoV等等。本实施例中，利用个人历史数据库中的百分位序列IPV，进行构建分类和回归决策树模型，即每一条个人历史数据库中的百分位序列IPV对应一个评估分数。在通过百分位序列IPV构建分类和回归决策树模型的过程中，参数N＝1800(N为时间序列中对应的最后一个采样时间点)，使用百分位序列IPV的101个值，加上百分位序列IPV对应的活动类型作为特征，使用均方差(MSE)作为特征选取方法用于选出最优节点，最大深度为100作为参数，构建分类和回归决策树模型。
具体构建方法如下：
输入对应活动的百分位序列IPV的每一个数据，并依次遍历所有可能的划分点。在依次遍历所有可能的划分点的过程中，选择划分点两边的数据集标签值均方差最小且划分点两边的标签值均方差的和最小的划分点，则将该划分点定义为最优点。执行上述方法直到分类和回归决策树模型达到最大深度100或标签值均方差为0。
分类和回归决策树模型可视化示例如图8所示，以此为例，第一个节点IPVMC,0>0.8表示在选择特征IPVMC,0；以0.8作为划分点时，所有IPVMC,0>＝0.8的数据集为最为相似，所有IPVMC,0<0.8的数据集最为相似；同一边的样本离散程度比较小。以此类推以得到所有划分点。
长期监控模块还包括个人历史数据库更新模块；可以将长期心率数据采集模块、第二心率监控分析模块、模型比对模块等等所得到的数据更新到个人历史数据库中，更新过程可以由消费者手动输入，也可以由专业医护人员输入。通过正确且及时的更新能够有利于提高此长期监控模块监控的准确性。
心脏状态显示模块，用于将心脏状态分析结果进行展示。心脏状态显示模块以直观易懂的形式向用户展示心率分析结果。显示的内容包括但不限于连续心率数据、预处理数据、相关系数序列、分布分析模型、心率分析结果、心脏状态分析结果以及相关的所有图示与结果；心脏状态显示模块可以安装在任何电子设备中，例如智能手环、智能手表、手机、计算机和物联网设备等等。
下面结合说明书附图本申请实施例还提供一种基于消费级设备的心率状态辅助检测方法，对本申请实施例作进一步详细描述。
方法的主要流程描述如下。
如图9所示：
步骤1100：采集待检测者的连续心率数据；连续心率数据表征为根据所预设的采样频率所采集到的心率数据。
步骤1200：对每一个心率数据根据所预设的平滑函数进行平滑处理并将平滑处理后的数据进行取整处理以形成预处理数据。
步骤1300：在预处理数据中选取数据以形成至少两个心率序列数据；每个心率序列数据包括根据所预设的采样周期选取至少两个预处理数据。
步骤1400：依次选定两个心率序列数据并计算两者之间的相关性以形成相关系数序列。
步骤1500：通过所预设的分布分析模型以对相关系数序列进行分布分析以形成心率分析结果。
步骤1600：将心率分析结果进行输出。
下面结合说明书附图本申请实施例还提供一种基于消费级设备的心脏状态监控方法，对本申请实施例作进一步详细描述。
如图10所示，方法的主要流程描述如下。
步骤2100：获取触发信息。
步骤2200：根据触发信息以通过基于消费级设备的心率状态辅助检测系统以得到心率分析结果并进行展示。。
其中，触发信息包括短期触发信息以及长期触发信息，监控模块包括短期监控模块以及长期监控模块。
如图11所示，关于短期监控模块实现短期监控的方法如下：
步骤2311：处理模块根据短期触发信息以启动短期监控模块。
步骤2312：根据所预设的短时间周期以采集待检测者该短时间周期内的短期连续心率数据；短期连续心率数据表征为根据所预设的采样频率所采集到的心率数据。
步骤2313：通过基于消费级设备的心率状态辅助检测系统以对短期连续心率数据进行分析以得到并输出第一心率分析结果。
关于长期监控模块实现长期监控的方法如下：
步骤2321：处理模块根据长期触发信息以启动长期监控模块。
步骤2322：根据所预设的长时间周期以采集待检测者该长时间周期内的长期连续心率数据；长期连续心率数据表征为根据所预设的采样频率所采集到的心率数据。
步骤2323：通过基于消费级设备的心率状态辅助检测系统以对长期连续心率数据进行处理分析以得到长期心率分析数据。
步骤2324：将长期心率分析数据通过所预设的历史数据模型进行比对分析以形成心脏状态分析结果。
步骤2325：将心脏状态分析结果进行展示。
本申请实施例提供一种计算机可读存储介质，存储有能够被处理器加载执行时实现上述的基于消费级设备的心率状态辅助检测方法的程序或存储有能够被处理器加载执行时实现上述的基于消费级设备的心脏状态监控方法的程序。即为实现如图8或图9。流程中的各个步骤。
所述计算机可读存储介质例如包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
基于同一发明构思，本申请实施例提供一种智能终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，该程序能够被处理器加载执行时实现上述的基于消费级设备的心率状态辅助检测方法的程序或存储有能够被处理器加载执行时实现上述的基于消费级设备的心脏状态监控方法的程序。即为实现如图8或图9。流程中的各个步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。
以上所述，以上实施例仅用以对本申请的技术方案进行了详细介绍，但以上实施例的说明只是用于帮助理解本申请的方法及其核心思想，不应理解为对本申请的限制。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。
Claims (15)
1.一种基于消费级设备的心率状态辅助检测系统，其特征是，包括：
心率数据采集模块，用于采集待检测者的连续心率数据；所述连续心率数据表征为根据所预设的采样频率所采集到的心率数据；
心率数据分析模块，包括：
心率取整平滑单元，用于对每一个心率数据根据所预设的平滑函数进行平滑处理并将平滑处理后的数据进行取整处理以形成预处理数据；
选取单元，在预处理数据中选取数据以形成至少两个心率序列数据；每个所述心率序列数据包括根据所预设的采样周期选取至少两个预处理数据；
相关性分析单元，依次选定两个心率序列数据并计算两者之间的相关性以形成相关系数序列；
分布分析单元，通过所预设的分布分析模型以对预处理数据或相关系数序列进行分布分析以形成心率分析结果；以及
心率状态输出模块，用于将心率分析结果进行输出。
2.根据权利要求1所述的基于消费级设备的心率状态辅助检测系统，其特征是：所述选取单元在选取数据过程中，在预处理数据中根据采样时间轴依次选取数据以形成至少两个心率序列数据；相邻两个心率序列数据所对应的采样时间分别定义为第一时间序列以及第二时间序列；所述第二时间序列在时间轴上滞后于第一时间序列。
3.根据权利要求2所述的基于消费级设备的心率状态辅助检测系统，其特征是：所述第一时间序列与第二时间序列相互重叠。
4.根据权利要求2所述的基于消费级设备的心率状态辅助检测系统，其特征是：所述第一时间序列与第二时间序列不重叠。
5.根据权利要求2所述的基于消费级设备的心率状态辅助检测系统，其特征是：第一时间序列与第二时间序列相互不重叠且两者之间还具有第三时间序列，所述第三时间序列表征为未进行采样的采样时间。
6.根据权利要求1或2或3所述的基于消费级设备的心率状态辅助检测系统，其特征是：所述心率取整平滑单元在平滑处理与取整处理过程中，具体处理的公式如下：
其中，RSHRT，L为时间T时刻的预处理数据，T为对应采样周期中的采样时间点，L为平滑窗口的长度；HRi为第i个的预处理数据，符号
表示取整到最接近的整数。
7.根据权利要求6所述的基于消费级设备的心率状态辅助检测系统，其特征是：所述相关性分析单元对选定的两个心率序列数据进行相关性分析的具体公式如下：
WTLM＝{RSHRT，L…RSHRT+M-1，L}；
WTLD＝{RSHRT+D，L…RSHRT+D+M-1，L}；
MCWTLM，D＝corr({WTLM，WTLD})；
其中，WTLM和WTLD为两个被选定的心率序列数据；RSHRT，L为时间T时刻的预处理数据；RSHRT+M-1，L为时间T+M-1时刻的预处理数据；RSHRT+D，L为时间T+D时刻的预处理数据；RSHRT+D+M-1，L为时间T+D+M-1时刻的预处理数据；M为采样的时间序列的长度；D为相邻两个心率序列数据所对应两个时间序列之间的间隔长度；MCWTLM,D为两个心率序列数据之间的的皮尔森相关系数；MCLMD为N秒内的相关系数序列；N为时间序列中对应的最后一个采样时间点。
8.根据权利要求1所述的基于消费级设备的心率状态辅助检测系统，其特征是：所述分布分析单元在分析过程中所预设的分布分析模型包括递归散点模型、移动相关模型、百分位模型、CoV模型中的一种或多种。
9.一种基于消费级设备的心脏状态监控系统，其特征是，包括：
触发采集模块，用于获取触发信息；
监控模块，用于通过基于消费级设备的心率状态辅助检测系统以得到心率分析结果并进行输出；以及
处理模块，根据触发信息以启动监控模块。
10.根据权利要求9所述的基于消费级设备的心脏状态监控系统，其特征是：所述触发信息包括短期触发信息，所述监控模块包括短期监控模块，所述处理模块根据短期触发信息以启动短期监控模块；
所述短期监控模块包括：
短期心率数据采集模块，根据所预设的短时间周期以采集待检测者该短时间周期内的短期连续心率数据；所述短期连续心率数据表征为根据所预设的采样频率所采集到的心率数据；以及
第一心率监控分析模块，通过基于消费级设备的心率状态辅助检测系统以对短期连续心率数据进行分析以得到并输出第一心率分析结果。
11.根据权利要求9或10所述的基于消费级设备的心脏状态监控系统，其特征是：所述触发信息包括长期触发信息，所述监控模块包括长期监控模块，所述处理模块根据长期触发信息以启动长期监控模块；
所述长期监控模块包括：
长期心率数据采集模块，根据所预设的长时间周期以采集待检测者该长时间周期内的长期连续心率数据；所述长期连续心率数据表征为根据所预设的采样频率所采集到的心率数据；
第二心率监控分析模块，通过基于消费级设备的心率状态辅助检测系统以对长期连续心率数据进行处理分析以得到长期心率分析数据；
模型比对模块，将长期心率分析数据通过所预设的历史数据模型进行比对分析以形成心脏状态分析结果；以及
心脏状态显示模块，用于将心脏状态分析结果进行展示。
12.一种基于消费级设备的心率状态辅助检测方法，其特征是，包括：
采集待检测者的连续心率数据；所述连续心率数据表征为根据所预设的采样频率所采集到的心率数据；
对每一个心率数据根据所预设的平滑函数进行平滑处理并将平滑处理后的数据进行取整处理以形成预处理数据；
在预处理数据中选取数据以形成至少两个心率序列数据；每个所述心率序列数据包括根据所预设的采样周期选取至少两个预处理数据；
依次选定两个心率序列数据并计算两者之间的相关性以形成相关系数序列；
通过所预设的分布分析模型以对预处理数据或相关系数序列进行分布分析以形成心率分析结果；
将心率分析结果进行输出。
13.一种基于消费级设备的心脏状态监控方法，其特征是，包括：
获取触发信息；
根据触发信息以通过基于消费级设备的心率状态辅助检测系统以得到心率分析结果并进行展示。
14.一种计算机可读存储介质，其特征是，存储有能够被处理器加载执行时实现如权利要求12所述的基于消费级设备的心率状态辅助检测方法的程序或存储有能够被处理器加载执行时实现如权利要求13所述的基于消费级设备的心脏状态监控方法的程序。
15.一种智能终端，其特征是，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，该程序能够被处理器加载执行时实现如权利要求12所述的基于消费级设备的心率状态辅助检测方法的程序或存储有能够被处理器加载执行时实现如权利要求13所述的基于消费级设备的心脏状态监控方法的程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111548078.3A CN114271804B (zh) | 2021-12-16 | 2021-12-16 | 基于消费级设备的心率状态辅助检测系统、心脏状态监控系统、方法、存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111548078.3A CN114271804B (zh) | 2021-12-16 | 2021-12-16 | 基于消费级设备的心率状态辅助检测系统、心脏状态监控系统、方法、存储介质及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114271804A true CN114271804A (zh) | 2022-04-05 |
| CN114271804B CN114271804B (zh) | 2024-08-27 |
Family
ID=80872799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111548078.3A Active CN114271804B (zh) | 2021-12-16 | 2021-12-16 | 基于消费级设备的心率状态辅助检测系统、心脏状态监控系统、方法、存储介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114271804B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107233092A (zh) * | 2017-05-22 | 2017-10-10 | 陕西师范大学 | 一种用于心脏生理电信号的处理方法 |
| CN109363659A (zh) * | 2018-09-30 | 2019-02-22 | 平安科技（深圳）有限公司 | 基于深度学习的心率监控方法、装置及存储介质 |
| CN109394188A (zh) * | 2018-11-27 | 2019-03-01 | 中山大学 | 一种基于心率变异性的呼吸异常检测方法、装置及设备 |
| US10582862B1 (en) * | 2015-04-22 | 2020-03-10 | Vital Connect, Inc. | Determination and monitoring of basal heart rate |
| WO2021098461A1 (zh) * | 2019-11-22 | 2021-05-27 | 华为技术有限公司 | 一种心脏状态评估方法、装置、终端设备及存储介质 |
-
2021
- 2021-12-16 CN CN202111548078.3A patent/CN114271804B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10582862B1 (en) * | 2015-04-22 | 2020-03-10 | Vital Connect, Inc. | Determination and monitoring of basal heart rate |
| CN107233092A (zh) * | 2017-05-22 | 2017-10-10 | 陕西师范大学 | 一种用于心脏生理电信号的处理方法 |
| CN109363659A (zh) * | 2018-09-30 | 2019-02-22 | 平安科技（深圳）有限公司 | 基于深度学习的心率监控方法、装置及存储介质 |
| CN109394188A (zh) * | 2018-11-27 | 2019-03-01 | 中山大学 | 一种基于心率变异性的呼吸异常检测方法、装置及设备 |
| WO2021098461A1 (zh) * | 2019-11-22 | 2021-05-27 | 华为技术有限公司 | 一种心脏状态评估方法、装置、终端设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114271804B (zh) | 2024-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11877830B2 (en) | Machine learning health analysis with a mobile device | |
| US10561321B2 (en) | Continuous monitoring of a user's health with a mobile device | |
| US20240221948A1 (en) | Systems and methods of analyte measurement analysis | |
| US20190076031A1 (en) | Continuous monitoring of a user's health with a mobile device | |
| WO2019071201A1 (en) | CONTINUOUS MONITORING OF THE HEALTH OF A USER WITH A MOBILE DEVICE | |
| EP3106084B1 (en) | Method and apparatus for evaluating physiological aging level | |
| JP2004130142A (ja) | 生体信号に基づいた健康管理機能を有するモバイル機器及びこれを用いた健康管理方法 | |
| WO2016061545A1 (en) | Assessing effectiveness of cpr | |
| US12097049B2 (en) | Methods, apparatus and systems for adaptable presentation of sensor data | |
| CN109564586A (zh) | 系统监测器及系统监测方法 | |
| EP3942567A1 (en) | Population-level gaussian processes for clinical time series forecasting | |
| US20200375491A1 (en) | Heartbeat analyzing method and heartbeat analyzing method | |
| EP3376947A1 (en) | Systems and methods for adaptable presentation of sensor data | |
| WO2020073012A1 (en) | Continuous monitoring of a user's health with a mobile device | |
| JP2008253727A (ja) | モニタ装置、モニタシステム及びモニタ方法 | |
| US20240099593A1 (en) | Machine learning health analysis with a mobile device | |
| CN112786185B (zh) | 血压健康状态获取方法、装置和系统 | |
| CN111643056B (zh) | 数据处理方法及系统 | |
| CN114271804B (zh) | 基于消费级设备的心率状态辅助检测系统、心脏状态监控系统、方法、存储介质及终端 | |
| CN116327133A (zh) | 一种多生理指标检测方法、装置及相关设备 | |
| WO2020073013A1 (en) | Machine learning health analysis with a mobile device | |
| CN113194811A (zh) | 院内病人恢复状态的评估方法、装置、系统及存储介质 | |
| Dakhia et al. | Precision Unleashed: Enhancing Vital Sign Predictions Using Long-Short-Term Memory Networks | |
| CN117423457B (zh) | 远程健康监测方法及其系统 | |
| CN118078226A (zh) | 社区居民健康状况的集中监测方法及系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230824 Address after: 315000 No.199 Taikang East Road, Ningbo, Zhejiang Province Applicant after: THE University OF NOTTINGHAM NINGBO CHINA Applicant after: Shandong Lengyan Medical Technology Co.,Ltd. Address before: 315000 No.199 Taikang East Road, Ningbo, Zhejiang Province Applicant before: THE University OF NOTTINGHAM NINGBO CHINA |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240726 Address after: 315000 No.199 Taikang East Road, Ningbo, Zhejiang Province Applicant after: THE University OF NOTTINGHAM NINGBO CHINA Country or region after: China Address before: 315000 No.199 Taikang East Road, Ningbo, Zhejiang Province Applicant before: THE University OF NOTTINGHAM NINGBO CHINA Country or region before: China Applicant before: Shandong Lengyan Medical Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |