CN114469041A - 一种运动过程中心率变化数据特征分析方法 - Google Patents

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

一种运动过程中心率变化数据特征分析方法

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,…,l_m+u)；

其次，对该序列做移动平均处理得到L′(l₁′,l₂′,…,l_m′)，其中l₁′＝(l₁+…+l_u)/u，l_m′＝(l_m+1+…+l_m+u)/u，u为移动平均处理的项数；

最后，以t₁、t₂、…、t_m分别对应心电单拍时间长度序列L′(l₁′,l₂′,…,l_m′)的时间，再计算一分钟内存在的心跳单拍个数作为t_j的心率值x_j(j＝1,2,…,m)，分别计算时间段t₁、t₂、…、t_m的心率得到该次运动过程的心率时间序列X(x₁,x₂,…,x_m)。

进一步地，步骤3具体为：

首先，根据步骤2，T₁、T₂、…、T_n共n次运动过程可得到n个时间序列X₁、X₂、…、X_n，其中运动过程T_i的心率时间序列X_i为(x_i1,x_i2,…,x_im)，i＝1,2,…,n；

其次，计算X_i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T_i的心率时序特征序列H_i(y_i1,y_i2,…,y_ip)；

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、…、H_n。

进一步地，步骤5中，组合距离D_combine的公式为：

D_combine＝λ₁D_ave+λ₂D_cluster

其中，D_ave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，D_cluster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。

进一步地，步骤6中，令P表示数据集内数据到特征中心点的距离小于当前序列与已有数据集组合距离的序列数量/数据集中的序列总数，即

其中

其中k＝[1,n]，D_k为数据集内数据到特征中心点的距离，D_i ^*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,…,l_m+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′,…,l_m′)，其中l₁′＝(l₁+…+l_u)/u，l_m′＝(l_m+1+…+l_m+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、…、t_m分别对应心电单拍时间长度序列L′(l₁′,l₂′,…,l_m′)的时间，再计算一分钟内存在的心跳单拍个数作为t_j的心率值x_j(即60/l_j′)，

(j＝1,2,…,m)，分别计算时间段t₁、t₂、…、t_m的心率得到该次运动过程的心率时间序列X(x₁,x₂,…,x_m)。

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、…、T_n共n次运动过程可得到n个时间序列X₁、X₂、…、X_n，其中运动过程T_i的心率时间序列X_i为(x_i1,x_i2,…,x_im)，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X_i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T_i的心率时序特征序列H_i(y_i1,y_i2,…,y_ip)。

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、…、H_n。

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y_1k、y_2k、…、y_nk，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、…、H_n，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T_i ^*，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X_i ^*(x_i1 ^*,x_i2 ^*,…,x_im ^*)，由步骤3得到心率时序特征序列H_i ^*(y_i1 ^*,y_i2 ^*,…,y_ip ^*)。

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D_ave＝d(H_i ^*,H_ave)和D_cluster＝d(H_i ^*,H_cluster)，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D_combine＝λ₁D_ave+λ₂D_cluster可计算得到心率时间序列与已有数据集的组合距离D_i ^*。

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、…、T_n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、…、D_n。

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：

然后计算当前序列与时间序列数据集的距离异常百分比等，令P表示数据集内数据到特征中心点的距离小于当前序列与已有数据集组合距离的序列数量/数据集中的序列总数，即

其中

其中k＝[1,n]，D_k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,…,l_m+u)；

其次，对该序列做移动平均处理得到L′(l₁′,l₂′,…,l_m′)，其中l₁′＝(l₁+…+l_u)/u，l_m′＝(l_m+1+…+l_m+u)/u，u为移动平均处理的项数；

最后，以t₁、t₂、…、t_m分别对应心电单拍时间长度序列L′(l₁′,l₂′,…,l_m′)的时间，再计算一分钟内存在的心跳单拍个数作为t_j的心率值x_j(j＝1,2,…,m)，分别计算时间段t₁、t₂、…、t_m的心率得到该次运动过程的心率时间序列X(x₁,x₂,…,x_m)。

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、…、T_n共n次运动过程可得到n个时间序列X₁、X₂、…、X_n，其中运动过程T_i的心率时间序列X_i为(x_i1,x_i2,…,x_im)，i＝1,2,…,n；

其次，计算X_i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T_i的心率时序特征序列H_i(y_i1,y_i2,…,y_ip)；

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、…、H_n。

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D_combine的公式为：

D_combine＝λ₁D_ave+λ₂D_cluster

其中，D_ave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，D_cluster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。

5.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6中，令P表示数据集内数据到特征中心点的距离小于当前序列与已有数据集组合距离的序列数量/数据集中的序列总数，即

其中

其中k＝[1,n]，D_k为数据集内数据到特征中心点的距离，D_i ^*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。

Images