CN114469041A - 一种运动过程中心率变化数据特征分析方法 - Google Patents
一种运动过程中心率变化数据特征分析方法 Download PDFInfo
- Publication number
- CN114469041A CN114469041A CN202210114478.1A CN202210114478A CN114469041A CN 114469041 A CN114469041 A CN 114469041A CN 202210114478 A CN202210114478 A CN 202210114478A CN 114469041 A CN114469041 A CN 114469041A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- data
- sequence
- characteristic
- exercise
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 108
- 230000008569 process Effects 0.000 title claims abstract description 73
- 230000008859 change Effects 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 230000033001 locomotion Effects 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 4
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000009532 heart rate measurement Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- 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
- A61B5/02—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
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- 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
-
- 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
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/6802—Sensor mounted on worn items
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- 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
本发明公开了一种运动过程中心率变化数据特征分析方法,针对运动过程中可穿戴设备的心率变化数据的健康特征分析方法,根据采集的心电图数据,以心率时间序列的角度获取运动过程中的心率变化特征,并计算数据集的特征均值中心点与聚类中心点,再根据心率变化特征与个人数据集中心点的组合距离来对运动过程进行健康特征分析。移动装置采集到的心率数据,属于离散的时间序列,特点是数据规模大、维度高、持续更新;本发明可适用于实时采集的心率数据,可以主动适应不同用户,自动识别运动过程中的异常情况,算法计算复杂度低,操作简单方便,易于大规模应用,对全民运动健身过程中的心率健康特征分析具有重要意义。
Description
技术领域
本发明属于心率变化数据分析的技术领域,具体涉及一种运动过程中心率变化数据特征分析方法。
背景技术
心率作为一项反映心脏跳动频率的生理指标,对其变化进行分析是最为直接有效地衡量心血管健康状况的手段。心率的测量方式根据传感器是否需要与皮肤接触主要分为俩种,即接触式心率测量和非接触式心率测量方法,基于运动过程的心率测量主要依靠的是便携式的可穿戴接触式心率测量设备。在运动的状态下,心率不再如静态下那般平稳,心率的变化更为多端且复杂,与运动的种类、人体的身体状况也息息相关。随着全民健身等概念的兴起,对运动状况下的心率数据监测不仅能预防心血管疾病的侵害,也对运动健身训练过程有重要的辅助指导作用。
运动过程的心率数据主要通过穿戴式设备采集,而采集的数据在一定程度上受运动影响,现有研究有的着眼于降噪处理诸如自适应滤波、小波变换等的算法,有的提出了一些从一维心电信号提取二维特征、通过深度学习自动提取特征进行训练学习的方法,能够实现运动状况下的心率准确测量。此外,也有一些关于心率健康智能预警系统的技术,能够常规状况下便携式的心率指标监控评估、异常处理和预警。
但基于运动过程中的心率变化研究,现有技术仍存在一些缺点,如缺少针对一段时间内非平稳心率数据的整体对比、分类能力,而且需要实现采集、对比高精度数据,成本高,不易在可穿戴设备领域大规模推广应用。对于动过程中的心率变化数据,亟需一种针对个人的、整体性的健康特征分析方法。
发明内容
有鉴于此,本发明提供了一种运动过程中心率变化数据特征分析方法,能够通过穿戴设备对运动人员进行心率数据的特征提取和分类。
实现本发明的技术方案如下:
一种运动过程中心率变化数据特征分析方法,包括以下步骤:
步骤1:在开始运动前,在可穿戴设备上设定运动种类,并启动心电图记录功能,以固定时间长度记录每次运动过程的心电图数据;
步骤2:对心电图数据中的R波进行定位,并计算心电单拍长度;对心电单拍长度序列做移动平均处理;计算心率值得到该次运动过程的心率时间序列;
步骤3:根据步骤2计算所有运动过程的心率时间序列,构成个人心率时间序列数据集;根据心率时间序列数据的取值、变化幅度、变化速率方面的时序特点计算该次运动过程的心率时序特征序列;计算所有运动过程的特征,得到多个心率时序特征序列;
步骤4:根据步骤3得到的心率时序特征序列计算心率时间序列数据集的特征均值中心点;对心率时序特征序列进行聚类分析,计算心率时间序列数据集的特征聚类中心点;
步骤5:对于新的运动过程,重复上述步骤1-3得到心率时序特征序列;计算其与特征均值中心点的距离以及特征聚类中心点的距离,对该两个距离加权得到组合距离。
步骤6:计算心率时间序列数据集内数据到特征均值中心点及特征聚类中心点的组合距离;计算当前序列与心率时间序列数据集的距离异常百分比,根据该值判定当前运动过程的心率变化数据异常。
进一步地,步骤2具体为:
首先,对心电图数据中的R波进行定位,得到整个运动过程心电图的R波所在时间点,以两个R波的间距为一个心电单拍的时间长度,计算运动过程中每一个心电单拍的时间长度,得到一个心电单拍长度序列L(l1,l2,…,lm+u);
其次,对该序列做移动平均处理得到L′(l1′,l2′,…,lm′),其中l1′=(l1+…+lu)/u,lm′=(lm+1+…+lm+u)/u,u为移动平均处理的项数;
最后,以t1、t2、…、tm分别对应心电单拍时间长度序列L′(l1′,l2′,…,lm′)的时间,再计算一分钟内存在的心跳单拍个数作为tj的心率值xj(j=1,2,…,m),分别计算时间段t1、t2、…、tm的心率得到该次运动过程的心率时间序列X(x1,x2,…,xm)。
进一步地,步骤3具体为:
首先,根据步骤2,T1、T2、…、Tn共n次运动过程可得到n个时间序列X1、X2、…、Xn,其中运动过程Ti的心率时间序列Xi为(xi1,xi2,…,xim),i=1,2,…,n;
其次,计算Xi的平均心率、最大心率、最小心率差值均值(前后时间节点对应心率值的差值的均值)、差值最大值、百分比变化均值(前后时间节点对应心率值的差值/前一时间节点对应的心率值的商的均值)、百分比变化最大值共p个指标,得到运动过程Ti的心率时序特征序列Hi(yi1,yi2,…,yip);
最后分别计算n次运动过程的特征可得到n个心率时序特征序列H1、H2、…、Hn。
进一步地,步骤5中,组合距离Dcombine的公式为:
Dcombine=λ1Dave+λ2Dcluster
其中,Dave为新的运动过程的心率时序特征序列与特征均值中心点的距离,Dcluster为新的运动过程的心率时序特征序列与特征聚类中心点的距离,λ1和λ2分别为加权系数。
其中k=[1,n],Dk为数据集内数据到特征中心点的距离,Di *为新的运动过程的心率时序特征序列与已有数据集的组合距离,如果P超过设定标准,则判定当前运动过程的心率变化数据异常。
有益效果:
相对现有技术,本发明方法具有以下优点:
本发明方法是针对运动过程中可穿戴设备的心率变化数据的健康特征分析方法,通过采集的心电数据计算心率变化特征与数据集特征中心点的距离,来对运动过程做健康特征分析,不需要收集高精度数据,适用于实时采集的心电图信号数据全自动化流程,根据个人心率数据集可对当前运动过程心率变化数据的异常情况发出警示,对全民运动健身过程中的心率健康特征分析具有重要意义。
附图说明
图1为本发明的技术方案流程图;
图2为本发明在数据处理与计算过程中的数据流示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
基于运动过程中心率变化数据的健康特征分析方法,如图1和图2所示,包括以下步骤:
步骤1:心电图数据采集。
由可穿戴设备采集运动过程中的心电图数据。
步骤1.1:在开始运动前,在可穿戴设备上设定运动种类,并启动心电图记录功能,以固定时间长度记录每次运动过程的心电图数据。
具体地:
人员在开始运动前,在可穿戴设备上设定运动种类,并启动心电图记录功能,使得每次记录的心电图数据都基本处于同一运动时间窗口内。再根据心电图的波形变化来确定每次运动开始、结束时间,选取中间数据作为一次运动过程的心电图数据。
步骤2:心率时间序列计算。
根据得到的心电图数据计算每次运动过程的心率值并做移动平均处理得到心率时间序列。
步骤2.1:对心电图数据中的R波进行定位,并计算心电单拍长度。
具体地:
首先,对心电图数据中的R波进行定位,得到整个运动过程心电图的R波所在时间点,以两个R波的间距为一个心电单拍的时间长度,计算运动过程中每一个心电单拍的时间长度,得到一个心电单拍长度序列L(l1,l2,…,lm+u)。
步骤2.2.:对心电单拍长度序列做移动平均处理。
具体地:
其次,对该序列做移动平均处理得到L′(l1′,l2′,…,lm′),其中l1′=(l1+…+lu)/u,lm′=(lm+1+…+lm+u)/u,u为移动平均处理的项数。
步骤2.3:计算心率值得到该次运动过程的心率时间序列。
具体地:
然后,以t1、t2、…、tm分别对应心电单拍时间长度序列L′(l1′,l2′,…,lm′)的时间,再计算一分钟内存在的心跳单拍个数作为tj的心率值xj(即60/lj′),
(j=1,2,…,m),分别计算时间段t1、t2、…、tm的心率得到该次运动过程的心率时间序列X(x1,x2,…,xm)。
步骤3:提取心率时间序列特征。
对每一次运动过程的心率时间序列,根据统计学描述性指标、心率变化速率与幅度方面提取相应的特征。
步骤3.1:根据步骤2计算所有运动过程的心率时间序列。
具体地:
首先,由步骤2,T1、T2、…、Tn共n次运动过程可得到n个时间序列X1、X2、…、Xn,其中运动过程Ti的心率时间序列Xi为(xi1,xi2,…,xim),i=1,2,…,n。
步骤3.2:根据心率时间序列数据的取值、变化幅度、变化速率方面的时序特点计算该次运动过程的心率时序特征序列。
具体地:
其次,计算Xi的平均心率、最大心率、最小心率差值均值(前后时间节点对应心率值的差值的均值)、差值最大值、百分比变化均值(前后时间节点对应心率值的差值/前一时间节点对应的心率值的商的均值)、百分比变化最大值共p个指标,得到运动过程Ti的心率时序特征序列Hi(yi1,yi2,…,yip)。
步骤3.3:计算所有运动过程的特征,得到多个心率时序特征序列。
具体地:
然后分别计算n次运动过程的特征可得到n个心率时序特征序列H1、H2、…、Hn。
步骤4:计算心率时间序列的特征中心点。
通过取数据特征均值和特征聚类分析两种方式分别计算心率时间序列数据集的特征均值中心点和聚类中心点。
步骤4.1:根据步骤3得到的心率时序特征序列计算心率时间序列数据集的特征均值中心点。
具体地:
首先,通过取数据特征均值计算特征均值中心点,由步骤3,对p维特征中的每一维特征,n次运动过程都能计算出对应的特征值y1k、y2k、…、ynk,取它们的均值为这一维特征的特征中心点,对每一维特征都计算相应的则可得到心率时间序列数据集的特征均值中心点
步骤4.2:对心率时序特征序列进行聚类分析,计算心率时间序列数据集的特征聚类中心点。
具体地:
然后通过特征聚类分析计算特征聚类中心点,以n次运动过程为n个样本,样本值即为对应的n个心率时序特征序列H1、H2、…、Hn,对样本进行聚类分析,取它们的聚类中心即可得到心率时间序列数据集的特征聚类中心点其中,聚类方法可采用基于距离k-means聚类,聚类数目为特征的维度为p,得到共p个聚类中心,取其均值即为特征聚类中心点。对于新的心率数据样本,由于人员运动心率特征会随着运动的长期持续而发生改变,因此在加入心率时间序列数据集后,需要重新计算新的特征中心点。
步骤5:计算心率时间序列的特征与特征中心点的组合距离。
在人员运动过程中,对于新的心率数据样本,分别计算该序列特征与心率时间序列数据集的特征均值中心点的距离和特征聚类中心点的距离,将两种距离以对应的权重合在一起,构成当前序列与数据集的组合距离。
步骤5.1:对于新的运动过程,重复上述步骤123得到心率时序特征序列。
具体地:
对于新的运动过程Ti *,根据步骤1采集相应的心电图数据,由步骤2得到心率时间序列Xi *(xi1 *,xi2 *,…,xim *),由步骤3得到心率时序特征序列Hi *(yi1 *,yi2 *,…,yip *)。
步骤5.2:计算其与特征均值中心点的距离以及特征聚类中心点的距离。
具体地:
其与个人心率时间序列数据集的特征均值中心点的距离和特征聚类中心点的距离分别为Dave=d(Hi *,Have)和Dcluster=d(Hi *,Hcluster),其中距离计算采用多维空间的欧氏距离,即
步骤5.3:计算组合距离。
具体地:
再根据Dcombine=λ1Dave+λ2Dcluster可计算得到心率时间序列与已有数据集的组合距离Di *。
步骤6:判断当前序列是否异常。
通过比较心率时间序列与已有数据集的组合距离和数据集内数据到特征中心点的距离、计算当前序列与数据集的距离异常百分比等方式,判断当前运动过程的心率变化数据的异常是否以及异常的百分比程度。
步骤6.1:计算心率时间序列数据集的数据特征到特征中心点的组合距离。
具体地:
首先,计算数据集内数据的数据特征到特征中心点的距离,对于数据集内的T1、T2、…、Tn共n次运动过程,计算相应的特征序列,并由步骤5中的组合距离计算公式可得到相应的组合距离D1、D2、…、Dn。
步骤6.2:计算当前序列与时间序列数据集的距离异常百分比,根据该值判定当前运动过程的心率变化数据异常。
具体地:
其中k=[1,n],Dk为数据集内数据到特征中心点的距离,即步骤6.1中所得的组合距离。如果P超过设定标准,则判定当前运动过程的心率变化数据异常。
本发明针对运动过程中可穿戴设备的心率变化数据的健康特征分析方法,根据采集的心电图数据,以心率时间序列的角度获取运动过程中的心率变化特征,并计算数据集的特征均值中心点与聚类中心点,再根据心率变化特征与个人数据集中心点的组合距离来对运动过程进行健康特征分析。
移动装置采集到的心率数据,属于离散的时间序列,特点是数据规模大、维度高、持续更新。传统分析技术主要考虑个别指标的平均值,缺少对长时间区间内的数据进行分类识别能力,无法对整个体育运动过程中的心率变化进行对比识别和诊断。随着时间序列特征提取和分类技术的不断进步,实现基于运动过程中心率变化数据的健康特征分析已经有了成熟的算法条件。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种运动过程中心率变化数据特征分析方法,其特征在于,包括以下步骤:
步骤1:在开始运动前,在可穿戴设备上设定运动种类,并启动心电图记录功能,以固定时间长度记录每次运动过程的心电图数据;
步骤2:对心电图数据中的R波进行定位,并计算心电单拍长度;对心电单拍长度序列做移动平均处理;计算心率值得到该次运动过程的心率时间序列;
步骤3:根据步骤2计算所有运动过程的心率时间序列,构成个人心率时间序列数据集;根据心率时间序列数据的取值、变化幅度、变化速率方面的时序特点计算该次运动过程的心率时序特征序列;计算所有运动过程的特征,得到多个心率时序特征序列;
步骤4:根据步骤3得到的心率时序特征序列计算心率时间序列数据集的特征均值中心点;对心率时序特征序列进行聚类分析,计算心率时间序列数据集的特征聚类中心点;
步骤5:对于新的运动过程,重复上述步骤1-3得到心率时序特征序列;计算其与特征均值中心点的距离以及特征聚类中心点的距离,对该两个距离加权得到组合距离;
步骤6:计算心率时间序列数据集内数据到特征均值中心点及特征聚类中心点的组合距离;计算当前序列与心率时间序列数据集的距离异常百分比,根据该值判定当前运动过程的心率变化数据异常。
2.如权利要求1所述的运动过程中心率变化数据特征分析方法,其特征在于,步骤2具体为:
首先,对心电图数据中的R波进行定位,得到整个运动过程心电图的R波所在时间点,以两个R波的间距为一个心电单拍的时间长度,计算运动过程中每一个心电单拍的时间长度,得到一个心电单拍长度序列L(l1,l2,…,lm+u);
其次,对该序列做移动平均处理得到L′(l1′,l2′,…,lm′),其中l1′=(l1+…+lu)/u,lm′=(lm+1+…+lm+u)/u,u为移动平均处理的项数;
最后,以t1、t2、…、tm分别对应心电单拍时间长度序列L′(l1′,l2′,…,lm′)的时间,再计算一分钟内存在的心跳单拍个数作为tj的心率值xj(j=1,2,…,m),分别计算时间段t1、t2、…、tm的心率得到该次运动过程的心率时间序列X(x1,x2,…,xm)。
3.如权利要求2所述的运动过程中心率变化数据特征分析方法,其特征在于,步骤3具体为:
首先,根据步骤2,T1、T2、…、Tn共n次运动过程可得到n个时间序列X1、X2、…、Xn,其中运动过程Ti的心率时间序列Xi为(xi1,xi2,…,xim),i=1,2,…,n;
其次,计算Xi的平均心率、最大心率、最小心率差值均值、差值最大值、百分比变化均值、百分比变化最大值共p个指标,得到运动过程Ti的心率时序特征序列Hi(yi1,yi2,…,yip);
最后分别计算n次运动过程的特征可得到n个心率时序特征序列H1、H2、…、Hn。
4.如权利要求1所述的运动过程中心率变化数据特征分析方法,其特征在于,步骤5中,组合距离Dcombine的公式为:
Dcombine=λ1Dave+λ2Dcluster
其中,Dave为新的运动过程的心率时序特征序列与特征均值中心点的距离,Dcluster为新的运动过程的心率时序特征序列与特征聚类中心点的距离,λ1和λ2分别为加权系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210114478.1A CN114469041A (zh) | 2022-01-30 | 2022-01-30 | 一种运动过程中心率变化数据特征分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210114478.1A CN114469041A (zh) | 2022-01-30 | 2022-01-30 | 一种运动过程中心率变化数据特征分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114469041A true CN114469041A (zh) | 2022-05-13 |
Family
ID=81478436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210114478.1A Pending CN114469041A (zh) | 2022-01-30 | 2022-01-30 | 一种运动过程中心率变化数据特征分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114469041A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115590505A (zh) * | 2022-12-15 | 2023-01-13 | 楠楠聚智信息科技有限责任公司(Cn) | 一种智能运动监测装置数据异常分析方法 |
CN118039052A (zh) * | 2024-03-29 | 2024-05-14 | 顺通信息技术科技(大连)有限公司 | 一种用户医疗健康智能化管理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102138789A (zh) * | 2011-01-24 | 2011-08-03 | 无锡微感科技有限公司 | 一种动态心电和运动记录与分析系统 |
CN103110417A (zh) * | 2013-02-28 | 2013-05-22 | 华东师范大学 | 一种心电图自动识别系统 |
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 |
CN109350020A (zh) * | 2018-11-21 | 2019-02-19 | 新绎健康科技有限公司 | 身心健康状况分析装置及方法 |
CN109350022A (zh) * | 2018-11-28 | 2019-02-19 | 中山大学附属第医院 | 用于预测复极个体发生心律失常风险体表心电图处理系统 |
KR20200058255A (ko) * | 2018-11-19 | 2020-05-27 | 광운대학교 산학협력단 | 멀티스케일 진폭 인식 치환 엔트로피를 사용한 심박변이율 분석 방법 |
CN112836645A (zh) * | 2021-02-04 | 2021-05-25 | 浙江工业大学 | 面向大规模运动心率序列的代跑检测方法 |
CN113876335A (zh) * | 2020-06-17 | 2022-01-04 | 深圳邦健生物医疗设备股份有限公司 | 心电图心搏分类方法、装置、电子设备和介质 |
-
2022
- 2022-01-30 CN CN202210114478.1A patent/CN114469041A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102138789A (zh) * | 2011-01-24 | 2011-08-03 | 无锡微感科技有限公司 | 一种动态心电和运动记录与分析系统 |
CN103110417A (zh) * | 2013-02-28 | 2013-05-22 | 华东师范大学 | 一种心电图自动识别系统 |
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 |
KR20200058255A (ko) * | 2018-11-19 | 2020-05-27 | 광운대학교 산학협력단 | 멀티스케일 진폭 인식 치환 엔트로피를 사용한 심박변이율 분석 방법 |
CN109350020A (zh) * | 2018-11-21 | 2019-02-19 | 新绎健康科技有限公司 | 身心健康状况分析装置及方法 |
CN109350022A (zh) * | 2018-11-28 | 2019-02-19 | 中山大学附属第医院 | 用于预测复极个体发生心律失常风险体表心电图处理系统 |
CN113876335A (zh) * | 2020-06-17 | 2022-01-04 | 深圳邦健生物医疗设备股份有限公司 | 心电图心搏分类方法、装置、电子设备和介质 |
CN112836645A (zh) * | 2021-02-04 | 2021-05-25 | 浙江工业大学 | 面向大规模运动心率序列的代跑检测方法 |
Non-Patent Citations (1)
Title |
---|
吕太之;: "基于滑动窗口Hurst指数的心电分析研究", 计算机科学, no. 02 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115590505A (zh) * | 2022-12-15 | 2023-01-13 | 楠楠聚智信息科技有限责任公司(Cn) | 一种智能运动监测装置数据异常分析方法 |
CN115590505B (zh) * | 2022-12-15 | 2023-03-14 | 楠楠聚智信息科技有限责任公司 | 一种智能运动监测装置数据异常分析方法 |
CN118039052A (zh) * | 2024-03-29 | 2024-05-14 | 顺通信息技术科技(大连)有限公司 | 一种用户医疗健康智能化管理方法及系统 |
CN118039052B (zh) * | 2024-03-29 | 2024-06-04 | 顺通信息技术科技(大连)有限公司 | 一种用户医疗健康智能化管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416367B (zh) | 基于多传感器数据决策级融合的睡眠分期方法 | |
Zhang et al. | Heartbeats classification using hybrid time-frequency analysis and transfer learning based on ResNet | |
CN108392211B (zh) | 一种基于多信息融合的疲劳检测方法 | |
Belgacem et al. | ECG based human authentication using wavelets and random forests | |
CN105147248A (zh) | 基于生理信息的抑郁症评估系统及其评估方法 | |
CN204931634U (zh) | 基于生理信息的抑郁症评估系统 | |
CN108095708A (zh) | 一种基于混合传感的生理监测及分析方法、系统 | |
WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
CN114010171B (zh) | 一种基于心跳数据的分类器设置方法 | |
CN114469041A (zh) | 一种运动过程中心率变化数据特征分析方法 | |
Jiao et al. | Multiple instance dictionary learning for beat-to-beat heart rate monitoring from ballistocardiograms | |
CN111887858B (zh) | 基于跨模态映射的心冲击图信号心率估计方法 | |
CN114052744B (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
Fang et al. | Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave | |
CN112971795B (zh) | 心电信号质量评估方法 | |
CN110638430A (zh) | 多任务级联神经网络ecg信号心律失常疾病分类模型和方法 | |
CN110123304A (zh) | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 | |
CN110751131A (zh) | 一种心律失常检测装置 | |
CN111783715A (zh) | 基于脉搏信号特征提取的身份识别方法 | |
Liu et al. | Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest | |
Zhang et al. | Method of diagnosing heart disease based on deep learning ECG signal | |
Erin et al. | Spectral Analysis of Cardiogenic Vibrations to Distinguish Between Valvular Heart Diseases. | |
Fan et al. | An electrocardiogram acquisition and analysis system for detection of human stress | |
Dubey et al. | A neural network approach for ECG classification |
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 |