CN114469034A - 基于自适应混合滤波的异常心率监测方法 - Google Patents
基于自适应混合滤波的异常心率监测方法 Download PDFInfo
- Publication number
- CN114469034A CN114469034A CN202111545959.XA CN202111545959A CN114469034A CN 114469034 A CN114469034 A CN 114469034A CN 202111545959 A CN202111545959 A CN 202111545959A CN 114469034 A CN114469034 A CN 114469034A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- population
- age
- value
- group
- 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
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
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Abstract
本发明公开了一种基于自适应混合滤波的异常心率监测方法,主要解决现有心率监测仪缺乏对特定群体有效监护的问题。其方案是:设置静息、运动、睡眠三种状态下的一般、心脏病史、三高、高强度工作者、运动人口这五种群体;采集其在三种状态下的心率值样本,建立五种群体在三种状态下的危险心率信号特征模型;根据这些模型计算出对应群体的心率阈值;录入用户基本健康信息,结合该群体的心率阈值得到其个性化心率阈值;通过蓝牙连接实时获取用户的心率值和状态,该心率值与其个性化心率阈值通过比较,输出是否心率异常结果反馈给用户并及时预警。本发明减少了急性脑血管疾病的发生,增加了现有心率监测设备的功能,可用于对五种特定群体的无创监测。
Description
技术领域
本发明属于人体生理参数监测技术领域,特别涉及一种异常心率监测方法,可用于对心脏病史群体、三高群体、高强度工作群体及运动人口群体的无创监测。
背景技术
心律失常,即心脏搏动的节律异常,是心血管疾病中的一组重要疾病,其是由于窦房结激动异常或激动产生于窦房结以外,激动的传导缓慢、阻滞或经异常通道传导,即心脏活动的起源或传导障碍导致心脏搏动的频率或节律异常。出现严重的心律失常时,心脏无法完成泵血功能,会造成全身重要器官的缺血缺氧,这是心源性猝死的主要原因,被称为“致死性心律失常”。该疾病严重威胁人类的生命健康,其发病率和死亡率均在各类疾病之首,且加大了心脏病的突发性和治疗难度。研究发现,这种恶性心律失常绝不是无缘无故发生的,大多是内外因素共同作用的结果,其由体内潜在的心脏疾病即“定时炸弹”与诱发因素即“引爆操作”共同造成的。突发心脏性猝死病例中,近1/3的患者在日常生活中没有明显的症状反应,或者仅有轻微的不适感,未能引起人们足够的重视。因此,在日常生活中防治心律失常引起的心源性疾病越来越受到大家的重视。
目前,心律失常的监测主要基于物联网体系结构来实现。基于物联网体系结构的心律失常监测系统主要由三层功能结构组成,即传感层、网络层及应用层。其中,传感层主要负责心率数据采集,网络层负责将采集到的心率数据传送到数据中心,而应用层负责完成心率数据的分析计算和问题预警。在采集心电图数据时,可以采用不同类型的穿戴医疗设备在传感层通过无线数据通信技术连接起来,形成一个无线传感器网络。网络层由互联网或骨干通信网络来承担。应用层则是通过应用各种算法来检测并分析心律失常。显然,对于心律失常的监测和分析是整个监测系统的核心功能。
心律失常的分析诊断是一种典型的分类应用,已有的心律失常分类方法主要包括频率分析、支持向量机、小波变换以及专家混合法。但是这些方法大都依赖于从心电信号波形中提取某些关键的特征,由于不同数据集的特征阈值不同,导致这些方法的性能不仅会受到各种噪声的干扰而下降,还会受到数据集变化的影响而不稳定。
研究表明,心电监测系统能够降低心脏病死亡率的根本原因是它能够长期动态地记录心电信号。随着心电信号分类研究的不断推进,心电信号数据采集技术的灵敏度也随之提高。在这种情况下,即使是突发性的瞬间心律失常现象也能被及时捕捉,从而能够及时治疗,挽救病患。但是,心电信号记录不可避免地会受到由于人体肌肉运动产生的运动伪迹的影响,导致分类准确度下降。尽管现有技术已经提出了一些抑制运动伪迹的方法,如自适应滤波方法和盲源分离方法,但是这些方法仍然不能完全去除运动伪迹且便捷性差,而且经常用于健康体检以及发病后的病理诊断。
现代医疗电子仪器己经打破传统意义上单纯医学电子测量仪器系统的壁垒,形成了基于计算机技术、电子技术和数字信号处理技术的一整套完整的生理监测分析系统。随着可穿戴医疗类设备的兴起,市面上用于实时监测人体心率的便携设备百花齐放,且体积和重量均越来越小,基本能够满足人们随时随地进行心率监测的要求。目前被广泛用来计算人体最佳运动心率的计算方法如下表1:
表1现有心率监测仪器计算最佳运动心率的方法
方法 | 公式 |
年龄减算法 | 180或170-年龄 |
心率百分比法 | 最大心率×70~85% |
Cooper最佳心率法 | (最大心率-安静时心率)×70%+安静时心率 |
卡沃南计算运动心率法 | (最大心率-静息时心率)×60%+静息时心率 |
Karlson心率测定法 | (最大心率-安静心率)/2+安静心率 |
储备心率法 | 最大心率-安静心率 |
靶心率测定法 | (220-年龄-安静心率)×最大心率%+安静心率 |
芬兰J Karvonen心率储备法 | 安静心率+(最高心率-安静心率)×60% |
表1中,最大心率=220-年龄,安静心率和静息心率为实际测量值。
上述这些方法均有不同的缺陷,其中:年龄减算法只参考年龄因素;心率百分比算法只参考了最大心率;储备心率法、Cooper最佳心率法、卡沃南计算运动心率法、芬兰JKarvonen心率储备法,均将最大心率作为参考因素。这些缺陷造成了测算的心率指标之间存在较大差异,使得监测系统的分析结果误差基本都在10%以上。而这些误差一方面会引起使用者的慌乱,另一方面也会造成医学工作者的误诊。此外,这些算法对于心脏病史群体、三高群体、高强工作群体及运动人口群体等特殊群体在运动状态的心率监测不具备针对性,参考价值较低。
发明内容
本发明目的在于克服上述现有技术的不足,提出一种基于自适应混合滤波的异常心率监测方法,以通过对现有算法的优化减小监测系统的分析结果误差;通过针对有潜在危险的心脏病史群体、三高群体、高强工作群体及运动人口群体建立不同的个体危险心率信号特征模型,用户的心率实时进行有效监测,对异常心率及时预警,减少了脑卒中的“中风”、“脑血管意外”等急性脑血管疾病的发生。
为实现上述目的,本发明的技术方案如下:
1.一种基于自适应混合滤波的异常心率监测方法,其特征在于,包括:
(1)设置静息、运动、睡眠三种状态下的五种群体,即一般群体、心脏病史群体、“三高”群体、高强度工作者群体、运动人口群体;
(2)采集五种群体在三种状态下的心率值样本,并使用自适应混合滤波算法对其进行数值滤波;
(3)按照年龄的不同,对五种群体滤波后的心率值样本分别取平均值,并以年龄为自变量、心率平均值为因变量拟合出线性回归方程,得到五种群体在三种状态下的危险心率信号特征模型:
静息状态下:
一般群体的心率值:(200-年龄)×(40%~57%),
心脏病史群体的心率值:(200-年龄)×(39%~60%),
“三高”群体的心率值:(200-年龄)×(39%~60%),
高强度工作者群体的心率值:(200-年龄)×(40%~65%),
运动人口群体的心率值:50~80;
运动状态下:
一般群体的心率值:(220-年龄)×Q×(50%~100%),Q为运动强度参数,心脏病史群体的心率值:(220-年龄)×Q×(60%~85%),
“三高”群体的心率值:(220-年龄)×Q×(55%~85%),
高强度工作者群体的心率值:(220-年龄)×Q×(50%~97%),
运动人口群体的心率值:50~(220-年龄)×Q×95%;
睡眠状态下:
一般群体的心率值:(200-年龄)×(35%~45%),
心脏病史群体的心率值:(200-年龄)×(33%~47%),
“三高”群体的心率值:(200-年龄)×(33%~47%),
高强度工作者群体的心率值:(200-年龄)×(35%~49%),
运动人口群体的心率值:45~75;
(4)结合五种群体在三种状态下的危险心率信号特征模型,用百分比算法计算出静息状态下五种群体的心率阈值T1j,用靶心率测定法及百分比算法计算出运动状态下五种群体的心率阈值T2j,用百分比算法计算出睡眠状态下五种群体的心率阈值T3j,其中,j表示五种特殊群体,j=1时,表示一般群体,j=2时,表示心脏病史群体,j=3时,表示“三高”群体,j=4时,表示高强度工作者群体,j=5,表示运动人口群体;
(5)录入用户基本健康信息,包括:年龄,身高,体重,运动习惯,是否存在心血管病史信息;
(6)与用户建立蓝牙连接,实时采集用户当前心率,并识别用户的三种状态,包括静息状态,睡眠状态,运动状态;
(7)用自适应混合滤波算法对用户当前心率进行处理得到准确的心率值t,将t与其对应群体的阈值Tij进行实时比较,其中,i表示不同状态,i=1时,表示静息状态;i=2时,表示运动状态;i=3时,表示睡眠状态:
当t∈Tij时,在用户界面显示t;
本发明与现有技术相比,具有如下优点:
1)本发明由于设置了静息、运动、睡眠三种状态下的五种群体,解决了现有设备对于有潜在危险的特殊群体缺乏针对性的问题。
2)本发明由于使用自适应混合滤波算法对采集到的心率值样本进行数值滤波,能够抑制偶然因素和周期性因素造成的干扰,降低现有心率测量设备误差,得到较为准确的心率采样值。
3)本发明由于建立了不同的群体在不同状态下的危险心率信号特征模型,解决现有设备采用的心率算法计算特殊群体的心率值误差较大的问题。
4)本发明根据五种群体在三种状态下的危险心率信号特征模型,设定对应群体的心率阈值,当经过自适应混合滤波算法处理后的心率测量值不在设定的阈值范围时,连续震动三次对用户发出提醒,并触发危险预警弹窗显示异常心率的具体信息,对用户的心率实时进行有效监测,对异常心率及时预警,不仅减少了脑卒中的“中风”、“脑血管意外”等急性脑血管疾病的发生,而且增加了现有心率监测设备的功能。
附图说明
图1是本发明的实现总流程图;
图2是本发明中建立静息状态下的五种群体的危险心率信号特征模型图;
图3是本发明中建立运动状态下的五种群体的危险心率信号特征模型图;
图4是本发明中建立睡眠状态下的五种群体的危险心率信号特征模型图;
图5是本发明中对采集到的心率值样本进行自适应混合滤波的子流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细描述。
参照图1,本实例的实现步骤如下:
步骤1,设置静息、运动、睡眠三种状体下的五种群体。
现有心率监测设备仅设置了静息、运动、睡眠三种状态,并未对不同的用户群体进行细分,不满足现有特殊群体对于心率监测的要求,因此,本实例在三种状态下,根据不同群体的心率异常潜在风险等级,划分出五类群体,即一般群体、心脏病史群体、“三高”群体、高强度工作者群体、运动人口群体。
步骤2,采集五种群体在三种状态下的心率值样本,通过数值滤波,获得准确的心率样本值。
2.1)对五种人群分别采集其在三种状态下的心率值,并组成15种心率样本数据队列;
2.2)使用自适应混合滤波算法对每种数据队列分别进行一次自适应混合滤波,去除受到偶然因素和周期性因素干扰的无效数据,得到静息、运动、睡眠三种状态下的15种准确的心率样本值:
参照图5,本步骤的具体实现如下:
2.2.1)设第n次采样队列窗口大小为Wn,根据n和系统设定的调整步长m,判断是否需要对Wn进行调整,当满足n%m=0时,则需要对Wn进行一次调整;
2.2.2)计算样本队列中两两相邻数值差的绝对值D,将D与系统设定的最大采样偏差值SA进行比较:
若D小于等于系统设定的最大采样偏差值SA时,保持当前采样队列窗口大小Wn;
若D大于系统设定的最大采样偏差值SA时,说明心率采集时产生了一次异常波动,则根据采样值队列中的异常波动次数En,自适应调整Wn的大小:
其中,P1,P2,P3为采样值窗口大小,且P1<P2<P3;λ为权重,且0<λ<1;
2.2.3)采用国际通用的人体最大心率值Hmax与系统设定的最小心率Hmin对心率采样值进行限幅滤波:
如果第n次心率采样值Fn大于等于Hmin且小于等于Hmax,则本次采样值有效,得到限幅滤波后得到第n次心率采样值Sn:
如果Fn大于Hmax或小于Hmin,则本次采样值无效,判读连续无效的次数是否超过3次:
若连续3次采样值无效,则初始化所有操作,重新开始采样;
若非连续3次采样值无效,则使用历史采样平均值Fc作为此次的采样值;
2.2.4)对经过限幅滤波处理后的心率采样值Sn进行一次递推中位值平均滤波处理:
先去掉队首的数据,将Sn加入到队尾,得到窗口大小为Wn的样本值队列Y;
再去掉Y中的全局最大值S(n-i)max和全局最小值S(n-i)min,
再计算剩余的Wn-2个采样值的算术平均值,得到经过一次递推中位值平均滤波后的心率采样值Tn:
其中,S(n-i)为经过限幅滤波的第n-i次心率采样值;
2.2.5)对经过一次递推中位值平均滤波后的心率采样值Tn进行二次递推中位值平均滤波处理,得到本次的最终心率测量值Hn:
其中,T(n-i)表示经过一次递推中位值平均滤波处理后的第n-i次心率采样值。
步骤3,创建五种群体在三种状态下的危险心率信号特征模型。
3.1)按照年龄的不同,对五种群体在三种状态下滤波后的15种准确的心率样本值分别取平均值,如图2、图3、图4的点分布;
3.2)以年龄为自变量、心率平均值为因变量,使用MATLAB编程软件拟合线性回归方程,得到五种群体在三种状态下的危险心率信号特征模型,如图2、图3、图4中的直线;
其中:图2(a)中的点为静息状态下一般群体在不同年龄下的准确心率样本值的平均值,两条直线为静息状态下一般群体的危险心率信号特征:(200-年龄)×(40%~57%);
图2(b)中的点为静息状态下心脏病史群体在不同年龄下的准确心率样本值的平均值,两条直线为静息状态下心脏病史群体的危险心率信号特征:(200-年龄)×(39%~60%);
图2(c)中的点为静息状态下“三高”群体在不同年龄下的准确心率样本值的平均值,两条直线为静息状态下“三高”群体的危险心率信号特征:(200-年龄)×(39%~60%);
图2(d)中的点为静息状态下高强度工作者群体在不同年龄下的准确心率样本值的平均值,两条直线为静息状态下高强度工作者群体的危险心率信号特征:(200-年龄)×(40%~65%);
图2(e)中的点为静息状态下运动人口群体在不同年龄下的准确心率样本值的平均值,两条直线为静息状态下运动人口群体的危险心率信号特征:50~80;
图3(a)中的点为运动状态下一般群体在不同年龄下的准确心率样本值的平均值,两条直线为运动状态下一般群体的危险心率信号特征:(220-年龄)×Q×(50%~100%),Q为运动强度参数;
图3(b)中的点为运动状态下心脏病史群体在不同年龄下的准确心率样本值的平均值,两条直线为运动状态下心脏病史群体的危险心率信号特征:(220-年龄)×Q×(60%~85%);
图3(c)中的点为运动状态下“三高”群体在不同年龄下的准确心率样本值的平均值,两条直线为运动状态下“三高”群体的危险心率信号特征:(220-年龄)×Q×(55%~85%);
图3(d)中的点为运动状态下高强度工作者群体在不同年龄下的准确心率样本值的平均值,两条直线为运动状态下高强度工作者群体的危险心率信号特征:(220-年龄)×Q×(50%~97%);
图3(e)中的点为运动状态下运动人口群体在不同年龄下的准确心率样本值的平均值,两条直线为运动状态下运动人口群体的危险心率信号特征:50~(220-年龄)×Q×95%;
其中,运动强度参数Q,由运动强度区间决定,其取值如下:
图4(a)中的点为睡眠状态下一般群体在不同年龄下的准确心率样本值的平均值,两条直线为睡眠状态下一般群体的危险心率信号特征:(200-年龄)×(35%~45%);
图4(b)中的点为睡眠状态下心脏病史群体在不同年龄下的准确心率样本值的平均值,两条直线为睡眠状态下心脏病史群体的危险心率信号特征:(200-年龄)×(33%~47%);
图4(c)中的点为睡眠状态下“三高”群体在不同年龄下的准确心率样本值的平均值,两条直线为睡眠状态下“三高”群体的危险心率信号特征:(200-年龄)×(33%~47%);
图4(d)中的点为睡眠状态下高强度工作者群体在不同年龄下的准确心率样本值的平均值,两条直线为睡眠状态下高强度工作者群体的危险心率信号特征:(200-年龄)×(35%~49%);
图4(e)中的点为睡眠状态下运动人口群体在不同年龄下的准确心率样本值的平均值,两条直线为睡眠状态下运动人口群体的危险心率信号特征:45~75。
步骤4,计算五种群体在三种状态下的心率阈值。
4.1)用百分比算法计算出静息状态下五种群体的心率阈值:
4.1.1)按照年龄的不同,分别从一般群体、心脏病史群体、“三高”群体、高强度工作者群体滤波后的个体心率值样本中取出其静息状态下心率的最大值和最小值,并分别求其平均值,对每个平均值计算其与200-年龄的百分比,对四种群体的最大值的百分比和最小值的百分比分别取其平均值,分别与200-年龄相乘,得到一般群体、心脏病史群体、“三高”群体、高强度工作者群体在静息状态下的心率阈值T1j:
其中,age表示年龄,∑r1j_min是每个年龄组下个体样本在静息状态下的最小心率与基准心率L1的百分比之和,∑r1j_max是每个年龄组下个体样本在静息状态下的最大心率与基准心率L1的百分比之和,n是年龄组个数,j表示四种特殊群体,j=1时,表示一般群体,j=2时,表示心脏病史群体,j=3时,表示“三高”群体,j=4时,表示高强度工作者群体,L1=200-age;
4.1.2)从运动人口群体滤波后的个体样本取出其静息状态下心率的最大值和最小值,并分别求其平均值,由危险心率信号特征模型可知,运动人口群体的静息状态下的心率值与年龄相关性较小,故求得的最大值与最小值的平均值即为运动人口群体在静息状态下的心率阈值T15:
T15=[v15_min,v15_max],
其中,v15_min是运动人口群体滤波后的个体样本在静息状态下心率的最小值的平均值,v15_max是运动人口群体滤波后的个体样本在静息状态下心率的最大值的平均值;
4.2)用靶心率测定法和百分比算法计算出运动状态下五种群体的心率阈值:
4.2.1)按照年龄的不同,分别从这一般群体、心脏病史群体、“三高”群体、高强度工作者群体滤波后的个体样本取出其运动状态下靶心率的最大值和最小值,并分别求其平均值,对每个平均值计算其与(220-年龄)×一般有氧运动区间强度参数的百分比,对四种群体最大值的百分比和最小值的百分比分别取其平均值,分别与(220-年龄)×运动区间强度参数相乘,得到一般群体、心脏病史群体、“三高”群体、高强度工作者群体在运动状态下的心率阈值T2j:
T2j=[(220-age)×Q×r'2j_min,(220-age)×Q×r’2j_max],
其中,age表示年龄,Q为运动强度参数,∑r2j_min是每个年龄组下个体样本在运动状态下的最小心率与基准心率L2的百分比之和,∑r2j_max是每个年龄组下个体样本在运动状态下的最大心率与基准心率L2的百分比之和,n是年龄组个数,j表示四种特殊群体,j=1时,表示一般群体,j=2时,表示心脏病史群体,j=3时,表示“三高”群体,j=4时,表示高强度工作者群体,L2=(220-age);
4.2.2)从运动人口群体滤波后的个体样本取出其运动状态下心率的最小值,求其平均值,得到运动人口群体在运动状态下的心率最小阈值;按照年龄的不同,从运动人口群体滤波后的个体样本取出其运动状态下靶心率的最大值,并分别求其平均值,对每个平均值计算其与(220-年龄)×一般有氧运动区间强度参数的百分比,对得到的百分比取其平均值,与(220-年龄)×运动区间强度参数相乘,得到运动人口在运动状态下的最大心率阈值T25:
其中,v25_min表示运动人口滤波后的个体样本在运动状态下心率最小值的均值,age表示年龄,Q为运动强度参数,∑r25_max表示运动人口群体在运动状态下的最大心率与基准心率L2的百分比之和,n是个体样本中年龄组的数量,L2=(220-age);
4.3)用百分比算法计算出睡眠状态下五种群体的心率阈值:
4.3.1)按照年龄的不同,分别从一般群体、心脏病史群体、“三高”群体、高强度工作者群体滤波后的个体心率值样本中取出其睡眠状态下心率的最大值和最小值,并分别求其平均值,对每个平均值计算其与200-年龄的百分比,对四种群体的最大值的百分比和最小值的百分比分别取其平均值,分别与200-年龄相乘,得到一般群体、心脏病史群体、“三高”群体、高强度工作者群体在睡眠状态下的心率阈值T3j:
其中,age表示年龄,∑r3j_min是每个年龄组下个体样本在睡眠状态下的最小心率与基准心率L3的百分比之和,∑r3j_max是每个年龄组下个体样本在睡眠状态下的最大心率与基准心率L3的百分比之和,n是年龄组个数,j表示四种特殊群体,j=1时,表示一般群体,j=2时,表示心脏病史群体,j=3时,表示“三高”群体,j=4时,表示高强度工作者群体,L3=200-age;
4.3.2)从运动人口群体滤波后的个体样本取出其运动状态下心率的最大值和最小值,并分别求其平均值,由危险心率信号特征模型可知,运动人口群体的睡眠心率值与年龄相关性较小,故求得的最大值与最小值的平均值即为运动人口群体在睡眠状态下的心率阈值T35:
T35=[v35_min,v35_max],
其中,v35_min是运动人口群体滤波后的个体样本在睡眠状态下心率的最小值的平均值,v35_max是运动人口群体滤波后的个体样本在睡眠状态下心率的最大值的平均值。
步骤5,录入用户基本健康信息。
用户基本健康信息包括:年龄,身高,体重,运动习惯,是否存在心血管病史信息;
根据录入用户的这些基本信息,定位其所处的群体,结合系统中该群体三种状态下的心率阈值,计算得出该用户在三种状态下的个性化的心率阈值。
步骤6,与用户建立蓝牙连接,实时采集用户当前心率,并识别用户的三种状态。
6.1)系统创建中心设备,寻找并连接外围设备,中心设备使用CoreBluetooth蓝牙协议与外围设备进行蓝牙连接;本实例中的中心设备为用户手机,外围设备为用户手环,即用户手机与用户手环进行蓝牙连接;
6.2)用户手环自动采集用户的心率值数据样本,并通过用户的动作幅度定位用户的当前状态,再将心率值数据和用户状态通过蓝牙传入用户手机。
步骤7,对蓝牙传输来的心率值数据样本进行数值滤波处理,得到准确的心率值t。
7.1)将前n次蓝牙传输来的心率值数据样本组成心率值样本队列;
7.2)设第n次采样时,样本队列的窗口大小为Wn,根据n和系统设定的调整步长m,判断是否需要对Wn进行调整,当满足n%m=0时,则需要对Wn进行一次调整;
7.3)计算样本队列中两两相邻数值差的绝对值D,并将D与系统设定的最大采样偏差值SA进行比较:
若D小于等于系统设定的最大采样偏差值SA时,则保持当前采样队列窗口大小Wn;
若D大于系统设定的最大采样偏差值SA时,说明心率采集时产生了一次异常波动,则根据采样值队列中的异常波动次数En,自适应调整Wn的大小:
其中,P1,P2,P3为采样值窗口大小,且P1<P2<P3;λ为权重,且0<λ<1;
7.4)采用国际通用的人体最大心率值Hmax与系统设定的最小心率Hmin对心率采样值进行限幅滤波:
如果第n次心率采样值Fn大于等于Hmin且小于等于Hmax,则本次采样值有效,得到限幅滤波后第n次心率采样值Sn:
如果Fn大于Hmax或小于Hmin,则本次采样值无效,判读连续无效的次数是否超过3次:
若连续3次采样值无效,则初始化所有操作,重新开始采样;
若非连续3次采样值无效,则计算前n次采样的平均值Fc,将Fc作为此次的采样值;
7.5)对经过限幅滤波处理后的心率采样值Sn进行一次递推中位值平均滤波处理:
7.5.1)先去掉队首的数据,将Sn加入到队尾,得到窗口大小为Wn的样本值队列Y;再去掉Y中的全局最大值S(n-i)max和全局最小值S(n-i)min;
7.5.2)计算剩余的Wn-2个采样值的算术平均值,得到经过一次递推中位值平均滤波后的心率采样值Tn:
其中,S(n-i)为经过限幅滤波的第n-i次心率采样值;
7.6)对经过一次递推中位值平均滤波后的心率采样值Tn进行二次递推中位值平均滤波处理,得到本次的最终的准确心率测量值t:
其中,T(n-i)表示经过一次递推中位值平均滤波处理后的第n-i次心率采样值。
步骤8,根据用户手环采集到的心率值数据对不同群体的心率进行实时监测,对异常心率及时预警。
监测系统通过蓝牙不断获取用户手环采集到的心率值数据,并对其进行数值滤波,得到准确的确心率值t,实时将t与用户当前状态下的对应群体的心率阈值Tij进行比较:
当t∈Tij时,监测系统在用户界面显示t;
其中,i表示不同状态,i=1时,表示静息状态;i=2时,表示运动状态;i=3时,表示睡眠状态,j表示五种群体,j=1时,表示一般群体,j=2时,表示心脏病史群体,j=3时,表示“三高”群体,j=4时,表示高强度工作者,j=5时,表示运动人口群体。
Claims (7)
1.一种基于自适应混合滤波的异常心率监测方法,其特征在于,包括:
(1)设置静息、运动、睡眠三种状态下的五种群体,即一般群体、心脏病史群体、“三高”群体、高强度工作者群体、运动人口群体;
(2)采集五种群体在三种状态下的心率值样本,并使用自适应混合滤波算法对其进行数值滤波;
(3)按照年龄的不同,对五种群体滤波后的心率值样本分别取平均值,并以年龄为自变量、心率平均值为因变量拟合出线性回归方程,得到五种群体在三种状态下的危险心率信号特征模型:
静息状态下:
一般群体的心率值:(200-年龄)×(40%~57%),
心脏病史群体的心率值:(200-年龄)×(39%~60%),
“三高”群体的心率值:(200-年龄)×(39%~60%),
高强度工作者群体的心率值:(200-年龄)×(40%~65%),
运动人口群体的心率值:50~80;
运动状态下:
一般群体的心率值:(220-年龄)×Q×(50%~100%),Q为运动强度参数,
心脏病史群体的心率值:(220-年龄)×Q×(60%~85%),
“三高”群体的心率值:(220-年龄)×Q×(55%~85%),
高强度工作者群体的心率值:(220-年龄)×Q×(50%~97%),
运动人口群体的心率值:50~(220-年龄)×Q×95%;
睡眠状态下:
一般群体的心率值:(200-年龄)×(35%~45%),
心脏病史群体的心率值:(200-年龄)×(33%~47%),
“三高”群体的心率值:(200-年龄)×(33%~47%),
高强度工作者群体的心率值:(200-年龄)×(35%~49%),
运动人口群体的心率值:45~75;
(4)结合五种群体在三种状态下的危险心率信号特征模型,用百分比算法计算出静息状态下五种群体的心率阈值T1j,用靶心率测定法及百分比算法计算出运动状态下五种群体的心率阈值T2j,用百分比算法计算出睡眠状态下五种群体的心率阈值T3j,其中,j表示五种特殊群体,j=1时,表示一般群体,j=2时,表示心脏病史群体,j=3时,表示“三高”群体,j=4时,表示高强度工作者群体,j=5,表示运动人口群体;
(5)录入用户基本健康信息,包括:年龄,身高,体重,运动习惯,是否存在心血管病史信息;
(6)与用户建立蓝牙连接,实时采集用户当前心率,并识别用户的三种状态,包括静息状态,睡眠状态,运动状态;
(7)用自适应混合滤波算法对用户当前心率进行处理得到准确的心率值t,将t与其对应群体的阈值Tij进行实时比较,其中,i表示不同状态,i=1时,表示静息状态;i=2时,表示运动状态;i=3时,表示睡眠状态:
当t∈Tij时,在用户界面显示t;
2.根据权利要求1所述的方法,其特征在于,(2)中使用自适应混合滤波算法对采集不同群体在不同状态下的心率值样本进行数值滤波,实现如下:
(2a)设第n次采样队列窗口大小为Wn,根据n和系统设定的调整步长m,判断是否需要对Wn进行调整,当满足n%m=0时,则需要对Wn进行一次调整;
(2b)计算样本队列中两两相邻数值差的绝对值D,将D与系统设定的最大采样偏差值SA进行比较:
若D小于等于系统设定的最大采样偏差值SA时,保持当前采样队列窗口大小Wn;
若D大于系统设定的最大采样偏差值SA时,说明心率采集时产生了一次异常波动,则根据采样值队列中的异常波动次数En,自适应调整Wn的大小:
(2c)采用国际通用的人体最大心率值Hmax与系统设定的最小心率Hmin对心率采样值进行限幅滤波:
如果Fn大于Hmax或小于Hmin,则本次采样值无效,判读连续无效的次数是否超过3次:
若连续3次采样值无效,则初始化所有操作,重新开始采样;
若非连续3次采样值无效,则计算前n次采样的平均值Fc,将Fc作为此次的采样值;
(2d)对经过限幅滤波处理后的心率采样值Sn进行一次递推中位值平均滤波处理:
先去掉队首的数据,将Sn加入到队尾,得到窗口大小为Wn的样本值队列Y;
再去掉Y中的全局最大值S(n-i)max和全局最小值S(n-i)min,
再计算剩余的Wn-2个采样值的算术平均值,得到经过一次递推中位值平均滤波后的心率采样值Tn:
其中,S(n-i)为经过限幅滤波的第n-i次心率采样值;
(2e)对经过一次递推中位值平均滤波后的心率采样值Tn进行二次递推中位值平均滤波处理,得到本次的最终心率测量值Hn:
其中,T(n-i)表示经过一次递推中位值平均滤波处理后的第n-i次心率采样值。
3.根据权利要求1所述的方法,其特征在于,(3)中拟合不同的线性回归方程,是通过MATLAB编程软件实现。
5.根据权利要求1所述的方法,其特征在于,(4)中用百分比算法计算出静息状态下五种群体的心率阈值T1j,实现如下:
(4a)计算一般群体、心脏病史群体、“三高”群体、高强度工作者群体的阈值T1j:
其中,age表示年龄,∑r1j_min是每个年龄组下个体样本在静息状态下的最小心率与基准心率L1的百分比之和,∑r1j_max是每个年龄组下个体样本在静息状态下的最大心率与基准心率L1的百分比之和,n是年龄组个数,j表示四种特殊群体,j=1时,表示一般群体,j=2时,表示心脏病史群体,j=3时,表示“三高”群体,j=4时,表示高强度工作者群体,L1=200-age;
(4b)计算运动人口群体的阈值T15:
T15=[v15_min,v15_max],
其中,v15_min是运动人口群体滤波后的个体样本在静息状态下心率的最小值的平均值,v15_max是运动人口群体滤波后的个体样本在静息状态下心率的最大值的平均值。
6.根据权利要求1所述的方法,其特征在于,(4)中用靶心率测定法和百分比算法计算出运动状态下五种群体的心率阈值T2j,实现如下:
(4c)计算一般群体、心脏病史群体、“三高”群体、高强工作者群体的心率阈值T2j:
T2j=[(220-age)×Q×r′2j_min,(220-age)×Q×r′2j_max],
其中,age表示年龄,Q为运动强度参数,∑r2j_min是每个年龄组下个体样本在运动状态下的最小心率与基准心率L2的百分比之和,∑r2j_max是每个年龄组下个体样本在运动状态下的最大心率与基准心率L2的百分比之和,n是年龄组个数,j表示四种特殊群体,j=1时,表示一般群体,j=2时,表示心脏病史群体,j=3时,表示“三高”群体,j=4时,表示高强度工作者群体,L2=(220-age);
(4d)计算运动人口群体心率阈值T25:
其中,v25_min表示运动人口群体滤波后的个体样本在运动状态下心率最小值的均值,age表示年龄,Q为运动强度参数,∑r25_max表示运动人口群体在运动状态下的最大心率与基准心率L2的百分比之和,n是个体样本中年龄组的数量,L2=(220-age)。
7.根据权利要求1所述的方法,其特征在于,(4)中用百分比算法计算出睡眠状态下五种群体的心率阈值T3j,实现如下:
(4e)计算一般群体、心脏病史群体、“三高”群体、高强工作者群体的心率阈值T3j:
其中,age表示年龄,∑r3j_min是每个年龄组下个体样本在睡眠状态下的最小心率与基准心率L3的百分比之和,∑r3j_max是每个年龄组下个体样本在睡眠状态下的最大心率与基准心率L3的百分比之和,n是年龄组个数,j表示四种特殊群体,j=1时,表示一般群体,j=2时,表示心脏病史群体,j=3时,表示“三高”群体,j=4时,表示高强度工作者群体,L3=200-age;
(4f)计算运动人口群体的阈值T35:
T35=[v35_min,v35_max],
其中,v35_min是运动人口群体滤波后的个体样本在睡眠状态下心率的最小值的平均值,v35_max是运动人口群体滤波后的个体样本在睡眠状态下心率的最大值的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111545959.XA CN114469034B (zh) | 2021-12-16 | 2021-12-16 | 基于自适应混合滤波的异常心率监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111545959.XA CN114469034B (zh) | 2021-12-16 | 2021-12-16 | 基于自适应混合滤波的异常心率监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114469034A true CN114469034A (zh) | 2022-05-13 |
CN114469034B CN114469034B (zh) | 2023-06-30 |
Family
ID=81493648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111545959.XA Active CN114469034B (zh) | 2021-12-16 | 2021-12-16 | 基于自适应混合滤波的异常心率监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114469034B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116509350A (zh) * | 2023-07-03 | 2023-08-01 | 云天智能信息(深圳)有限公司 | 一种基于智能手环的医疗监控系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105708426A (zh) * | 2016-04-15 | 2016-06-29 | 北京工业大学 | 健康孕妇中等强度运动心脏储备功能的动态评估方法 |
WO2020239745A1 (en) * | 2019-05-27 | 2020-12-03 | Evonik Operations Gmbh | System for monitoring physiological parameters |
-
2021
- 2021-12-16 CN CN202111545959.XA patent/CN114469034B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105708426A (zh) * | 2016-04-15 | 2016-06-29 | 北京工业大学 | 健康孕妇中等强度运动心脏储备功能的动态评估方法 |
WO2020239745A1 (en) * | 2019-05-27 | 2020-12-03 | Evonik Operations Gmbh | System for monitoring physiological parameters |
Non-Patent Citations (1)
Title |
---|
田万芹,侯素芳,刘艳香,王凤莉: "安阳钢铁公司健康体检人群静息态正常心率范围", 中国临床康复, no. 31 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116509350A (zh) * | 2023-07-03 | 2023-08-01 | 云天智能信息(深圳)有限公司 | 一种基于智能手环的医疗监控系统 |
CN116509350B (zh) * | 2023-07-03 | 2023-09-29 | 云天智能信息(深圳)有限公司 | 一种基于智能手环的医疗监控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114469034B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sopic et al. | e-glass: A wearable system for real-time detection of epileptic seizures | |
US10028706B2 (en) | System for processing physiological data | |
US7025729B2 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
US10849531B2 (en) | Systematic apparatus for motion sensor and optical sensor based cardiac arrhythmia triage | |
JP5466351B2 (ja) | 移動式生理学的モニタリングからのデータを処理する方法及びシステム | |
EP2688468B1 (en) | Apparatus and method for measuring physiological signal quality | |
KR101084554B1 (ko) | 심장 관련 파라미터를 측정하기 위한 방법 및 장치 | |
US8478389B1 (en) | System for processing physiological data | |
US9760536B2 (en) | Method and apparatus for low complexity spectral analysis of bio-signals | |
EP2375973A2 (en) | Method and apparatus for determining heart rate variability using wavelet transformation | |
EP4154805A1 (en) | Apparatus for monitoring heart rate and respiration | |
US10966662B2 (en) | Motion-dependent averaging for physiological metric estimating systems and methods | |
Zhang et al. | Sound based heart rate monitoring for wearable systems | |
US11103145B1 (en) | Physiological signal monitoring and apparatus therefor | |
KR20160107390A (ko) | 심전도 신호 측정장치 | |
CN114469034B (zh) | 基于自适应混合滤波的异常心率监测方法 | |
EP3764896B1 (en) | Method and apparatus for monitoring a human or animal subject | |
CN105266764B (zh) | 一种中医宗气测评装置 | |
Gong et al. | Design and implementation of wearable dynamic electrocardiograph real-time monitoring terminal | |
US20200375524A1 (en) | A wearable system for real-time detection of epileptic seizures | |
Fariborzi et al. | Design of a low-power microcontroller-based wireless ECG monitoring system | |
RU2624809C1 (ru) | Способ обработки электрокардиосигнала для персональных носимых кардиомониторов | |
CN113951826B (zh) | 一种用于评估睡眠状况的方法、系统及设备 | |
Pulavskyi et al. | The use of lossless compression in the process of post-filtration smoothing of an ECG distorted by high muscle noise | |
Roberto | Automatic heartbeat monitoring system |
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 |