CN115670419A - 基于智能手表预测运动信息的数据处理方法及系统 - Google Patents
基于智能手表预测运动信息的数据处理方法及系统 Download PDFInfo
- Publication number
- CN115670419A CN115670419A CN202310001226.2A CN202310001226A CN115670419A CN 115670419 A CN115670419 A CN 115670419A CN 202310001226 A CN202310001226 A CN 202310001226A CN 115670419 A CN115670419 A CN 115670419A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- heart rate
- exercise
- value
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 107
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 79
- 230000036541 health Effects 0.000 claims abstract description 74
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000036772 blood pressure Effects 0.000 claims description 73
- 230000017531 blood circulation Effects 0.000 claims description 63
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 230000009466 transformation Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 22
- 230000035487 diastolic blood pressure Effects 0.000 claims description 16
- 230000035488 systolic blood pressure Effects 0.000 claims description 16
- 210000004204 blood vessel Anatomy 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000013186 photoplethysmography Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 8
- 230000000541 pulsatile effect Effects 0.000 claims description 8
- 230000002861 ventricular Effects 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000003205 diastolic effect Effects 0.000 claims 1
- 230000000737 periodic effect Effects 0.000 description 8
- 210000004072 lung Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 230000008451 emotion Effects 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 230000037081 physical activity Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供了基于智能手表预测运动信息的数据处理方法及系统，运用于智能穿戴设备技术领域；接收用户的基础数据和用户的运动心率数据，基于基础数据和运动心率数据，采集用户的皮肤电阻数据，将基础数据、运动心率数据和皮肤电阻数据输入至预设的数据库中进行数据解析，获取用户的心率数据解析报告；判断心率数据解析报告是否达到预设的用户健康数据阈值；若否，则基于心率数据解析报告，生成用户对应的监测健康指标；将心率数据解析报告和监测健康指标进行数据融合，形成用户的数据报告，本发明使用户佩戴智能设备时能够呈现系统数据的分析报告，且该分析报告通过长时间的大数据统计分析后，人体指标更加精准。
Description
技术领域
本发明涉及智能穿戴设备技术领域，特别涉及为基于智能手表预测运动信息的数据处理方法及系统。
背景技术
智能可穿戴设备以运动监控、健康管理、社交娱乐、环境感知、实时记录等功能特点,在短时间内就闯进广大消费者视野,并备受年轻一代青睐。从目前智能可穿戴设备的消费人群分布情况来看,主要集中在体育锻炼人群。
由此可见,智能可穿戴设备在大学生体育锻炼人群中应用与推广具有可行性，大学生作为新时代青年的主要代表之一,对新鲜事物的接受程度较高,学习与应用能力较强,社交分享与健身娱乐需求旺盛,并且在大学生体育锻炼过程中也亟需一款能提供监测运动强度、反馈身体活动记录、增进健身娱乐等功能的智能可穿戴设备来促进更好的身体活动，但从目前的应用效果来看并不理想,那么如何使智能可穿戴设备为大学生生成健康指标，形成数据报告呈现给大学生或其他用户体验者，就是当前亟待解决的难题。
发明内容
本发明旨在解决智能穿戴设备只能观察心率数据或测量数据，无法向用户提供健康数据报告分析的问题，提供基于智能手表预测运动信息的数据处理方法及系统。
本发明为解决技术问题采用如下技术手段：
本发明提供基于智能手表预测运动信息的数据处理方法，包括以下步骤：
接收用户的基础数据和用户的运动心率数据，其中，所述基础数据包括用户体征信息和用户心率信息，所述运动心率数据包括运动时长、运动行为和运动特征；
基于所述基础数据和所述运动心率数据，采集所述用户的皮肤电阻数据，将所述基础数据、所述运动心率数据和所述皮肤电阻数据输入至预设的数据库中进行数据解析，获取所述用户的心率数据解析报告；
判断所述心率数据解析报告是否达到预设的用户健康数据阈值；
若否，则基于所述心率数据解析报告，生成所述用户对应的监测健康指标；
将所述心率数据解析报告和所述监测健康指标进行数据融合，形成所述用户的数据报告。
进一步地，所述接收用户的基础数据和用户的运动心率数据的步骤中，包括：
采用预设的acc加速度传感器采集用户的肺活量数据，基于所述肺活量数据，判断所述用户是否处于运动状态；
若是，则获取所述用户在运动状态下的第一血压信号和第一血流信号，基于所述第一血压信号和所述第一血流信号，采用预设的光电容积脉搏波描记法捕捉所述用户的心脏收缩压区间阈值和心脏舒张压区间阈值；
若否，则获取并存储所述用户在非运动状态下的第二血压信号和第二血流信号，当获取到所述第一血压信号和所述第一血流信号时，将所述第一血压信号和所述第一血流信号与所述第二血压信号和所述第二血流信号进行差异性比对，生成所述用户的心室搏动间距数据RRI。
进一步地，所述采用预设的acc加速度传感器采集用户的肺活量数据，基于所述肺活量数据，判断所述用户是否处于运动状态的步骤中，包括：
采用预设的gensor陀螺仪捕捉所述用户的水平动作数据；
基于所述水平动作数据采集所述用户的姿态特征和姿态变换特征，识别所述姿态变换特征对应的时长数据；
基于所述姿态特征、所述姿态变换特征和所述时长数据，判断所述用户是否在预设的时间段内重复呈现所述姿态特征；
若是，则判定所述用户处于所述运动状态，并基于所述姿态特征的特征种类，获取所述用户的运动类别，其中，所述运动类别包括有氧运动与无氧运动。
进一步地，所述则获取所述用户在运动状态下的第一血压信号和第一血流信号，基于所述第一血压信号和所述第一血流信号，采用预设的光电容积脉搏波描记法捕捉所述用户的心脏收缩压区间阈值和心脏舒张压区间阈值的步骤中，包括：
将预设波长的光束输出至到所述用户的皮肤层面进行透射，接收所述透射的回返光强度并输入至光电接收终端；
判断所述光强度是否呈现脉动性变化；
若是，则将所述光强度对应的光信号转换为电信号，对所述电信号基于预设的电信号放大器，采集所述用户的容积脉搏血流数据及数据变化区间数值；
若否，则基于所述光强度的强度数值，识别所述用户的血管血容量，根据所述血管血容量采集所述用户的血压信号，当所述光强度的强度数值达到最低时，所述血压信号属于收缩压，当所述光强度的强度数值达到最高时，所述血压信号属于舒张压。
进一步地，所述基于所述基础数据和所述运动心率数据，采集所述用户的皮肤电阻数据的步骤中，包括：
根据预设的时间阈值，在电阻采样曲线上截取对应的时段区间，并采集所述时段区间内的最高电阻值和最低电阻值；
向所述时段区间的两端根据设定的步长增加选取，二次采集最高电阻值和最低电阻值，当最高电压值和最低电压值不变时，停止增加选取，确定所述时间阈值累积步长之后的终值；
根据所述电阻采样曲线上获得的最高电阻值和最低电阻值，确定为波峰电阻值和波谷电阻值；
将所述波峰电阻值和所述波谷电阻值进行差值比对，根据得到的差值数值生成电阻振幅，将所述电阻振幅作为所述皮肤电阻数据的数据基值。
进一步地，所述将所述基础数据、所述运动心率数据和所述皮肤电阻数据输入至预设的数据库中进行数据解析，获取所述用户的心率数据解析报告的步骤中，包括：
接收所述用户输入的特征基值，其中，所述特征基值包括用户年龄信息和用户性别信息；
将所述用户的运动心率数据和特征基值输入至所述数据库中，获得基于所述特征基值生成运动心率数据健康区间值和心率异常信息，其中，所述心率异常信息包括为运动心率超出常规次数或运动心率低于常规次数的建议信息；
判断所述运动心率数据是否处于异常区间值；
若是，则基于所述运动心率数据，生成所述用户的异常特征信息和异常时段信息。
进一步地，所述将所述心率数据解析报告和所述监测健康指标进行数据融合，形成所述用户的数据报告的步骤中，包括：
检测所述心率数据解析报告中是否存在至少一项心率数据具有周期性信息；
若是，则基于所述监测健康指标对所述至少一项心率数据进行差异性比对，生成所述至少一项心率数据与所述监测健康指标的差异性数值，构建所述差异性数值变换的时间阈值，直至不存在所述差异性数值；
将所述心率数据解析报告、所述监测健康指标和所述时间阈值整合，生成所述数据报告。
本发明还提供基于智能手表预测运动信息的数据处理系统，包括：
接收模块，用于接收用户的基础数据和用户的运动心率数据，其中，所述基础数据包括用户体征信息和用户心率信息，所述运动心率数据包括运动时长、运动行为和运动特征；
获取模块，用于基于所述基础数据和所述运动心率数据，采集所述用户的皮肤电阻数据，将所述基础数据、所述运动心率数据和所述皮肤电阻数据输入至预设的数据库中进行数据解析，获取所述用户的心率数据解析报告；
判断模块，用于判断所述心率数据解析报告是否达到预设的用户健康数据阈值；
执行模块，用于若否，则基于所述心率数据解析报告，生成所述用户对应的监测健康指标；
形成模块，用于将所述心率数据解析报告和所述监测健康指标进行数据融合，形成所述用户的数据报告。
进一步地，所述接收模块还包括：
第一判断单元，用于采用预设的acc加速度传感器采集用户的肺活量数据，基于所述肺活量数据，判断所述用户是否处于运动状态；
第一执行单元，用于若是，则获取所述用户在运动状态下的第一血压信号和第一血流信号，基于所述第一血压信号和所述第一血流信号，采用预设的光电容积脉搏波描记法捕捉所述用户的心脏收缩压区间阈值和心脏舒张压区间阈值；
第二执行单元，用于若否，则获取并存储所述用户在非运动状态下的第二血压信号和第二血流信号，当获取到所述第一血压信号和所述第一血流信号时，将所述第一血压信号和所述第一血流信号与所述第二血压信号和所述第二血流信号进行差异性比对，生成所述用户的心室搏动间距数据RRI。
进一步地，所述第一判断单元还包括：
捕捉子单元，用于采用预设的gensor陀螺仪捕捉所述用户的水平动作数据；
识别子单元，用于基于所述水平动作数据采集所述用户的姿态特征和姿态变换特征，识别所述姿态变换特征对应的时长数据；
判断子单元，用于基于所述姿态特征、所述姿态变换特征和所述时长数据，判断所述用户是否在预设的时间段内重复呈现所述姿态特征；
执行子单元，用于若是，则判定所述用户处于所述运动状态，并基于所述姿态特征的特征种类，获取所述用户的运动类别，其中，所述运动类别包括有氧运动与无氧运动。
本发明提供了基于智能手表预测运动信息的数据处理方法及系统，具有以下有益效果：
本发明基于用户的运动新路数据和皮肤电阻数据生成心率数据解析报告后，将心率数据解析报告、监测健康指标进行数据融合，形成用户的数据报告，使用户佩戴智能设备时能够呈现系统数据的分析报告，且该分析报告通过长时间的大数据统计分析后，人体指标更加精准。
附图说明
图1为本发明基于智能手表预测运动信息的数据处理方法一个实施例的流程示意图；
图2为本发明基于智能手表预测运动信息的数据处理系统一个实施例的结构框图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明，本发明为目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
下面将结合本发明的实施例中的附图，对本发明的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考附图1，为本发明一实施例中的基于智能手表预测运动信息的数据处理方法，包括：
S1：接收用户的基础数据和用户的运动心率数据，其中，所述基础数据包括用户体征信息和用户心率信息，所述运动心率数据包括运动时长、运动行为和运动特征；
S2：基于所述基础数据和所述运动心率数据，采集所述用户的皮肤电阻数据，将所述基础数据、所述运动心率数据和所述皮肤电阻数据输入至预设的数据库中进行数据解析，获取所述用户的心率数据解析报告；
S3：判断所述心率数据解析报告是否达到预设的用户健康数据阈值；
S4：若否，则基于所述心率数据解析报告，生成所述用户对应的监测健康指标；
S5：将所述心率数据解析报告和所述监测健康指标进行数据融合，形成所述用户的数据报告。
在本实施例中，系统通过接收佩戴用户的基础数据（包括用户体征信息-生命体征：呼吸数据和体温数据）和用户的运动心率数据（确认用户处于运动状态时，关于用户的运动时长、用户的运动行为和用户的运动特征）后，基于这些基础数据和运动心率数据，采用预先设定好的光电接收终端采集用户的皮肤电阻数据，并将皮肤电阻数据、基础数据和运动心率数据一同输入至系统中，系统将这些数据录入至预先设有的数据库中进行数据解析（通过录入用户的年龄信息和用户的性别信息后，基于用户的基础数据对用户进行分析，得到用户在性别信息和年龄信息的基础上对应的健康运动心率数据，将该健康运动心率数据与用于的运动心率数据进行差异性比对），即可生成该用户的心率数据解析报告（具体报告用户在当前年龄段应该保持的心率数据区间，而当前用户却保持在健康或不健康的心率数据区间，当用户处于健康心率数据区间时，解析报告会呼吁用户保持下去，当用户处于不健康的心率数据区间时，解析报告会告警用户通过调整生活状态，保证睡眠状态充足或运动状态充足，使得用户的运动心率数据慢慢从不健康的心率数据区间转移至健康的心率数据区间）；而后系统通过判断用户的心率数据解析报告能否达到数据库预先设定的用户健康数据阈值，以执行对应的不同步骤；例如，系统获取到用户的心率数据解析报告中，用户的心率数据为65次/分，而数据库根据用户数据设定的用户健康数据阈值为60次/分-100次/分，则此时系统会判定用户的心率数据解析报告能够达到数据库预先设定的用户健康数据阈值，系统会对应生成用户的健康生活数据报告，报告内指出用户日常生活中的运动状态、运动时长和运动类型等，并呼吁用户保持健康生活习惯和运动习惯；例如，系统获取到用户的心率数据解析报告中，用户的心率数据为50次/分，而数据库根据用户数据设定的用户健康数据阈值为60次/分-100次/分，则此时系统会判定用户的心率数据解析报告无法达到数据库预先设定的用户健康数据阈值，系统会基于该心率数据解析报告，对应生成用于监视该用户的监测健康指标，监督该用户每天需要达到的运动量或睡眠量，以保证心率正常恢复；最后系统会将该用户的心率数据解析报告和监测健康指标进行数据融合（检测心率数据解析报告中存在的至少一项心率数据的周期性信息，基于监测健康指标对至少一项心率数据进行差异性比对，生成至少一项心率数据与监测健康指标的差异性数值，构建差异性数值变换的时间阈值，直至不存在差异性数值后，将心率数据解析报告、监测健康指标和时间阈值整合），生成用户的数据报告，该数据报告用以统计用户从不健康的心率数据恢复到健康的心率数据全过程，且收录有全过程的数据包括运动数据、睡眠数据和身体数据。
在本实施例中，接收用户的基础数据和用户的运动心率数据的步骤中，包括：
采用预设的acc加速度传感器采集用户的肺活量数据，基于所述肺活量数据，判断所述用户是否处于运动状态；
若是，则获取所述用户在运动状态下的第一血压信号和第一血流信号，基于所述第一血压信号和所述第一血流信号，采用预设的光电容积脉搏波描记法捕捉所述用户的心脏收缩压区间阈值和心脏舒张压区间阈值；
若否，则获取并存储所述用户在非运动状态下的第二血压信号和第二血流信号，当获取到所述第一血压信号和所述第一血流信号时，将所述第一血压信号和所述第一血流信号与所述第二血压信号和所述第二血流信号进行差异性比对，生成所述用户的心室搏动间距数据RRI。
在本实施例中，系统通过采用预先设置在智能手表上的acc加速度传感器采集到用户的肺活量数据后，基于该肺活量数据对用户进行判断，该用户是否处于运动状态，以执行对应的不同步骤；例如，系统采集到用户的肺活量数据处于3500ml，而常规的运动状态下肺活量数据应处于7000ml-10000ml，即此时系统会判定该用户并不处于运动状态，此时系统会获取并存储该用户在非运动状态下的第二血压信号和第二血流信号，作为尚未获取的运动状态下的第一血压信号和第一血流信号的待比对数据（第二血压信号和第二血流信号），当获取到用户的第一血压信号和第一血流信号时，将第一血压信号和第一血流信号和第二血压信号和第二血流信号进行差异性比对，即可生成用户的心室搏动间距数据RRI，该数据用于：在心律规则时估算心率、在心律不规则时估算心率心律不规则时RR间期；例如，系统采集到用户的肺活量数据处于7800ml，在已知常规的运动状态下肺活量数据应处于7000ml-10000ml的情况下，此时系统会判定该用户处于运动状态，系统会获取到该用户在运动状态下的第一血压信号和血流信号，并采用预先设有的光电容积脉搏波描记法，用以捕捉用户的心脏收缩压区间阈值和心脏舒张压区间阈值（两个阈值的区间值用以判断用户是否存在高血压等疾病）。
在本实施例中，采用预设的acc加速度传感器采集用户的肺活量数据，基于所述肺活量数据，判断所述用户是否处于运动状态的步骤中，包括：
采用预设的gensor陀螺仪捕捉所述用户的水平动作数据；
基于所述水平动作数据采集所述用户的姿态特征和姿态变换特征，识别所述姿态变换特征对应的时长数据；
基于所述姿态特征、所述姿态变换特征和所述时长数据，判断所述用户是否在预设的时间段内重复呈现所述姿态特征；
若是，则判定所述用户处于所述运动状态，并基于所述姿态特征的特征种类，获取所述用户的运动类别，其中，所述运动类别包括有氧运动与无氧运动。
在本实施例中，系统通过采用预先设有的gensor陀螺仪实时捕捉用户当前的水平动作数据，根据该水平动作数据即可采集到用户当前的姿态特征和姿态变换特征，以识别到该用户更换姿态时对应的时长数据，而后系统基于姿态特征、姿态变换特征和时长数据对用户进行判断，判断用户是否在预先设定的时间段内出现重复的姿态特征，以执行对应的不同步骤；例如，系统捕捉到用户的姿态特征为持续5min以上保持同步挥舞手脚的姿态，且姿态时长已持续有30min，而系统预先设定的时间段为15min，即此时系统能够判定用户处于运动状态，系统会基于该用户当前同步挥舞手脚的姿态，判定用户的运动状态属于跑步，跑步的运动类别为有氧运动；例如，系统捕捉到用户的姿态特征为持续10min以上的平躺姿态，且姿态时长持续有60min，此时系统能够判定用户不处于运动状态（系统会基于该用户当前平躺姿态，判定用户为非运动状态）。
在本实施例中，则获取所述用户在运动状态下的第一血压信号和第一血流信号，基于所述第一血压信号和所述第一血流信号，采用预设的光电容积脉搏波描记法捕捉所述用户的心脏收缩压区间阈值和心脏舒张压区间阈值的步骤中，包括：
将预设波长的光束输出至到所述用户的皮肤层面进行透射，接收所述透射的回返光强度并输入至光电接收终端；
判断所述光强度是否呈现脉动性变化；
若是，则将所述光强度对应的光信号转换为电信号，对所述电信号基于预设的电信号放大器，采集所述用户的容积脉搏血流数据及数据变化区间数值；
若否，则基于所述光强度的强度数值，识别所述用户的血管血容量，根据所述血管血容量采集所述用户的血压信号，当所述光强度的强度数值达到最低时，所述血压信号属于收缩压，当所述光强度的强度数值达到最高时，所述血压信号属于舒张压。
在本实施例中，系统通过设置在智能手表背部的光束照射器，将预先设置好长度的光束输出照射在用户的手臂皮肤层面进行透射，并接收透射光回返的光强度至光电接收终端中，判断光强度是否呈现出脉动性变化（即显而易见的波动性变化；脉搏可随年龄、性别、情绪、运动等因素而变动，一般同年龄女性脉搏比男性稍快；幼儿比成人快；老人稍慢；运动、情绪变化时可暂时增快；休息、睡眠时较慢），以执行对应的不同步骤；例如，系统接收到用户皮肤层回返的光强度呈现了脉动性变化，则此时系统会将光强度对应的光信号转换为电信号，将这些电信号基于预先设定有的电信号放大器进行识别采集，采集该用户的容积脉搏血流数据及容积脉搏血流的波动数值区间；例如，系统接收到用户皮肤层回返的光强度并未呈现有脉动性变化，则此时系统会基于光强度的具体强度数值，识别用户当前的血管血容量，基于血管血容量采集用户的血压信号，当光强度的强度数值达到强度具体数值中最低值时，用户的血压信号属于收缩压，当光强度的强度数值达到强度具体数值中最高值时，用户的血压信号属于舒张压。
在本实施例中，基于所述基础数据和所述运动心率数据，采集所述用户的皮肤电阻数据的步骤中，包括：
根据预设的时间阈值，在电阻采样曲线上截取对应的时段区间，并采集所述时段区间内的最高电阻值和最低电阻值；
向所述时段区间的两端根据设定的步长增加选取，二次采集最高电阻值和最低电阻值，当最高电压值和最低电压值不变时，停止增加选取，确定所述时间阈值累积步长之后的终值；
根据所述电阻采样曲线上获得的最高电阻值和最低电阻值，确定为波峰电阻值和波谷电阻值；
将所述波峰电阻值和所述波谷电阻值进行差值比对，根据得到的差值数值生成电阻振幅，将所述电阻振幅作为所述皮肤电阻数据的数据基值。
在本实施例中，系统根据预先设置好的时间段阈值，在采集好用户的皮肤电阻数据中，截取电阻采样曲线上的两个时段区间，一个为最高电阻值时段区间，另一个为最低电阻值时段区间，而后系统向两个时段区间的两端根据设定好的步长进行选取（即在两个时段区间内重新选取最高电阻值和最低电阻值），再次采集最高电阻值和最低电阻值，直至最高电阻值和最低电阻值不再变化时段区间时，停止增加选取，确定累计步长的终值，根据电阻采样曲线上获得的最高电阻值和最低电阻值，将该最高电阻值和最低电阻值确定为波峰电阻值和波谷电阻值，并将波峰电阻值和波谷电阻值进行差值比对，比对生成的差值数值即为用户皮肤电阻数据的电阻振幅，将电阻振幅作为皮肤电阻数据的数据基值（用以判断用户当前的皮肤处于干燥状态或潮湿状态）。
在本实施例中，将所述基础数据、所述运动心率数据和所述皮肤电阻数据输入至预设的数据库中进行数据解析，获取所述用户的心率数据解析报告的步骤中，包括：
接收所述用户输入的特征基值，其中，所述特征基值包括用户年龄信息和用户性别信息；
将所述用户的运动心率数据和特征基值输入至所述数据库中，获得基于所述特征基值生成运动心率数据健康区间值和心率异常信息，其中，所述心率异常信息包括为运动心率超出常规次数或运动心率低于常规次数的建议信息；
判断所述运动心率数据是否处于异常区间值；
若是，则基于所述运动心率数据，生成所述用户的异常特征信息和异常时段信息。
在本实施例中，系统通过录入用户的特征基值（包括用户的年龄信息和用户性别信息），将这些特征基值输入至预先设置有的数据库中，获取数据库整合得到的用户当前运动心率数据健康区间值和心率异常信息（包括用户运动心率超出常规次数或运动心率低于常规次数的建议信息），此时系统会判断用户的运动心率数据是否处于异常区间值，以执行对应的不同步骤；例如，系统获取到用户的运动心率数据为80次/分，而常规的运动心率区间在75次/分-120次/分，则此时系统会判定用户的运动心率数据并未处于异常区间值，并将用户健康的运动心率数据生成在用户的数据报告中；例如，系统获取到用户的运动心率数据为130次/分，常规的运动心率区间在75次/分-120次/分，即此时系统会判定用户的运动心率数据处于异常区间值，系统会基于用户的异常运动心率数据，生成该用户的异常特征信息和异常时段信息（具体为用户运动时异常的时段、高于常规心率数据具体数值或低于常规心率数据具体数值）。
在本实施例中，将所述心率数据解析报告和所述监测健康指标进行数据融合，形成所述用户的数据报告的步骤中，包括：
检测所述心率数据解析报告中是否存在至少一项心率数据具有周期性信息；
若是，则基于所述监测健康指标对所述至少一项心率数据进行差异性比对，生成所述至少一项心率数据与所述监测健康指标的差异性数值，构建所述差异性数值变换的时间阈值，直至不存在所述差异性数值；
将所述心率数据解析报告、所述监测健康指标和所述时间阈值整合，生成所述数据报告。
在本实施例中，系统通过选取用户心率数据解析报告（存在有用户的心率数据和用户的脉率数据）中的至少一项心率数据，并对该至少一项心率数据进行检测，判断该至少一项心率数据是否存在周期性信息（数据周期性变化生成的对应信息）；例如，系统检测到至少一项心率数据存在周期性信息时，此时系统会基于用户的监测健康指标对至少一项心率数据进行差异性比对，生成至少一项心率数据与监测健康指标的差异性数值，通过构建该差异性数值的变换时间阈值，记录差异性数值变化的时段，直至差异性数值不存在，即可生成完整的数据报告并输出给用户（记录用户从异常心率数据信息慢慢调整，每天的心率数据变化对应的时段，最后回归到常规心率数据的完整数据报告）。
参考附图2，为本发明一实施例中基于智能手表预测运动信息的数据处理系统，包括：
接收模块10，用于接收用户的基础数据和用户的运动心率数据，其中，所述基础数据包括用户体征信息和用户心率信息，所述运动心率数据包括运动时长、运动行为和运动特征；
获取模块20，用于基于所述基础数据和所述运动心率数据，采集所述用户的皮肤电阻数据，将所述基础数据、所述运动心率数据和所述皮肤电阻数据输入至预设的数据库中进行数据解析，获取所述用户的心率数据解析报告；
判断模块30，用于判断所述心率数据解析报告是否达到预设的用户健康数据阈值；
执行模块40，用于若否，则基于所述心率数据解析报告，生成所述用户对应的监测健康指标；
形成模块50，用于将所述心率数据解析报告和所述监测健康指标进行数据融合，形成所述用户的数据报告。
在本实施例中，接收模块10通过接收佩戴用户的基础数据（包括用户体征信息-生命体征：呼吸数据和体温数据）和用户的运动心率数据（确认用户处于运动状态时，关于用户的运动时长、用户的运动行为和用户的运动特征）后，基于这些基础数据和运动心率数据，采用预先设定好的光电接收终端采集用户的皮肤电阻数据，并将皮肤电阻数据、基础数据和运动心率数据一同输入至系统中，获取模块20将这些数据录入至预先设有的数据库中进行数据解析（通过录入用户的年龄信息和用户的性别信息后，基于用户的基础数据对用户进行分析，得到用户在性别信息和年龄信息的基础上对应的健康运动心率数据，将该健康运动心率数据与用于的运动心率数据进行差异性比对），即可生成该用户的心率数据解析报告（具体报告用户在当前年龄段应该保持的心率数据区间，而当前用户却保持在健康或不健康的心率数据区间，当用户处于健康心率数据区间时，解析报告会呼吁用户保持下去，当用户处于不健康的心率数据区间时，解析报告会告警用户通过调整生活状态，保证睡眠状态充足或运动状态充足，使得用户的运动心率数据慢慢从不健康的心率数据区间转移至健康的心率数据区间）；而后判断模块30通过判断用户的心率数据解析报告能否达到数据库预先设定的用户健康数据阈值，以执行对应的不同步骤；例如，系统获取到用户的心率数据解析报告中，用户的心率数据为65次/分，而数据库根据用户数据设定的用户健康数据阈值为60次/分-100次/分，则此时系统会判定用户的心率数据解析报告能够达到数据库预先设定的用户健康数据阈值，系统会对应生成用户的健康生活数据报告，报告内指出用户日常生活中的运动状态、运动时长和运动类型等，并呼吁用户保持健康生活习惯和运动习惯；例如，系统获取到用户的心率数据解析报告中，用户的心率数据为50次/分，而数据库根据用户数据设定的用户健康数据阈值为60次/分-100次/分，则此时执行模块40会判定用户的心率数据解析报告无法达到数据库预先设定的用户健康数据阈值，系统会基于该心率数据解析报告，对应生成用于监视该用户的监测健康指标，监督该用户每天需要达到的运动量或睡眠量，以保证心率正常恢复；最后形成模块50会将该用户的心率数据解析报告和监测健康指标进行数据融合（检测心率数据解析报告中存在的至少一项心率数据的周期性信息，基于监测健康指标对至少一项心率数据进行差异性比对，生成至少一项心率数据与监测健康指标的差异性数值，构建差异性数值变换的时间阈值，直至不存在差异性数值后，将心率数据解析报告、监测健康指标和时间阈值整合），生成用户的数据报告，该数据报告用以统计用户从不健康的心率数据恢复到健康的心率数据全过程，且收录有全过程的数据包括运动数据、睡眠数据和身体数据。
在本实施例中，接收模块还包括：
第一判断单元，用于采用预设的acc加速度传感器采集用户的肺活量数据，基于所述肺活量数据，判断所述用户是否处于运动状态；
第一执行单元，用于若是，则获取所述用户在运动状态下的第一血压信号和第一血流信号，基于所述第一血压信号和所述第一血流信号，采用预设的光电容积脉搏波描记法捕捉所述用户的心脏收缩压区间阈值和心脏舒张压区间阈值；
第二执行单元，用于若否，则获取并存储所述用户在非运动状态下的第二血压信号和第二血流信号，当获取到所述第一血压信号和所述第一血流信号时，将所述第一血压信号和所述第一血流信号与所述第二血压信号和所述第二血流信号进行差异性比对，生成所述用户的心室搏动间距数据RRI。
在本实施例中，系统通过采用预先设置在智能手表上的acc加速度传感器采集到用户的肺活量数据后，基于该肺活量数据对用户进行判断，该用户是否处于运动状态，以执行对应的不同步骤；例如，系统采集到用户的肺活量数据处于3500ml，而常规的运动状态下肺活量数据应处于7000ml-10000ml，即此时系统会判定该用户并不处于运动状态，此时系统会获取并存储该用户在非运动状态下的第二血压信号和第二血流信号，作为尚未获取的运动状态下的第一血压信号和第一血流信号的待比对数据（第二血压信号和第二血流信号），当获取到用户的第一血压信号和第一血流信号时，将第一血压信号和第一血流信号和第二血压信号和第二血流信号进行差异性比对，即可生成用户的心室搏动间距数据RRI，该数据用于：在心律规则时估算心率、在心律不规则时估算心率心律不规则时RR间期；例如，系统采集到用户的肺活量数据处于7800ml，在已知常规的运动状态下肺活量数据应处于7000ml-10000ml的情况下，此时系统会判定该用户处于运动状态，系统会获取到该用户在运动状态下的第一血压信号和血流信号，并采用预先设有的光电容积脉搏波描记法，用以捕捉用户的心脏收缩压区间阈值和心脏舒张压区间阈值（两个阈值的区间值用以判断用户是否存在高血压等疾病）。
在本实施例中，第一判断单元还包括：
捕捉子单元，用于采用预设的gensor陀螺仪捕捉所述用户的水平动作数据；
识别子单元，用于基于所述水平动作数据采集所述用户的姿态特征和姿态变换特征，识别所述姿态变换特征对应的时长数据；
判断子单元，用于基于所述姿态特征、所述姿态变换特征和所述时长数据，判断所述用户是否在预设的时间段内重复呈现所述姿态特征；
执行子单元，用于若是，则判定所述用户处于所述运动状态，并基于所述姿态特征的特征种类，获取所述用户的运动类别，其中，所述运动类别包括有氧运动与无氧运动。
在本实施例中，系统通过采用预先设有的gensor陀螺仪实时捕捉用户当前的水平动作数据，根据该水平动作数据即可采集到用户当前的姿态特征和姿态变换特征，以识别到该用户更换姿态时对应的时长数据，而后系统基于姿态特征、姿态变换特征和时长数据对用户进行判断，判断用户是否在预先设定的时间段内出现重复的姿态特征，以执行对应的不同步骤；例如，系统捕捉到用户的姿态特征为持续5min以上保持同步挥舞手脚的姿态，且姿态时长已持续有30min，而系统预先设定的时间段为15min，即此时系统能够判定用户处于运动状态，系统会基于该用户当前同步挥舞手脚的姿态，判定用户的运动状态属于跑步，跑步的运动类别为有氧运动；例如，系统捕捉到用户的姿态特征为持续10min以上的平躺姿态，且姿态时长持续有60min，此时系统能够判定用户不处于运动状态（系统会基于该用户当前平躺姿态，判定用户为非运动状态）。
在本实施例中，第二执行单元还包括：
接收子单元，用于将预设波长的光束输出至到所述用户的皮肤层面进行透射，接收所述透射的回返光强度并输入至光电接收终端；
第二判断子单元，用于判断所述光强度是否呈现脉动性变化；
第二执行子单元，用于若是，则将所述光强度对应的光信号转换为电信号，对所述电信号基于预设的电信号放大器，采集所述用户的容积脉搏血流数据及数据变化区间数值；
第三执行子单元，用于若否，则基于所述光强度的强度数值，识别所述用户的血管血容量，根据所述血管血容量采集所述用户的血压信号，当所述光强度的强度数值达到最低时，所述血压信号属于收缩压，当所述光强度的强度数值达到最高时，所述血压信号属于舒张压。
在本实施例中，系统通过设置在智能手表背部的光束照射器，将预先设置好长度的光束输出照射在用户的手臂皮肤层面进行透射，并接收透射光回返的光强度至光电接收终端中，判断光强度是否呈现出脉动性变化（即显而易见的波动性变化；脉搏可随年龄、性别、情绪、运动等因素而变动，一般同年龄女性脉搏比男性稍快；幼儿比成人快；老人稍慢；运动、情绪变化时可暂时增快；休息、睡眠时较慢），以执行对应的不同步骤；例如，系统接收到用户皮肤层回返的光强度呈现了脉动性变化，则此时系统会将光强度对应的光信号转换为电信号，将这些电信号基于预先设定有的电信号放大器进行识别采集，采集该用户的容积脉搏血流数据及容积脉搏血流的波动数值区间；例如，系统接收到用户皮肤层回返的光强度并未呈现有脉动性变化，则此时系统会基于光强度的具体强度数值，识别用户当前的血管血容量，基于血管血容量采集用户的血压信号，当光强度的强度数值达到强度具体数值中最低值时，用户的血压信号属于收缩压，当光强度的强度数值达到强度具体数值中最高值时，用户的血压信号属于舒张压。
在本实施例中，获取模块还包括：
采集单元，用于根据预设的时间阈值，在电阻采样曲线上截取对应的时段区间，并采集所述时段区间内的最高电阻值和最低电阻值；
选取单元，用于向所述时段区间的两端根据设定的步长增加选取，二次采集最高电阻值和最低电阻值，当最高电压值和最低电压值不变时，停止增加选取，确定所述时间阈值累积步长之后的终值；
确定单元，用于根据所述电阻采样曲线上获得的最高电阻值和最低电阻值，确定为波峰电阻值和波谷电阻值；
比对单元，用于将所述波峰电阻值和所述波谷电阻值进行差值比对，根据得到的差值数值生成电阻振幅，将所述电阻振幅作为所述皮肤电阻数据的数据基值。
在本实施例中，系统根据预先设置好的时间段阈值，在采集好用户的皮肤电阻数据中，截取电阻采样曲线上的两个时段区间，一个为最高电阻值时段区间，另一个为最低电阻值时段区间，而后系统向两个时段区间的两端根据设定好的步长进行选取（即在两个时段区间内重新选取最高电阻值和最低电阻值），再次采集最高电阻值和最低电阻值，直至最高电阻值和最低电阻值不再变化时段区间时，停止增加选取，确定累计步长的终值，根据电阻采样曲线上获得的最高电阻值和最低电阻值，将该最高电阻值和最低电阻值确定为波峰电阻值和波谷电阻值，并将波峰电阻值和波谷电阻值进行差值比对，比对生成的差值数值即为用户皮肤电阻数据的电阻振幅，将电阻振幅作为皮肤电阻数据的数据基值（用以判断用户当前的皮肤处于干燥状态或潮湿状态）。
在本实施例中，获取模块还包括：
接收单元，用于接收所述用户输入的特征基值，其中，所述特征基值包括用户年龄信息和用户性别信息；
输入单元，用于将所述用户的运动心率数据和特征基值输入至所述数据库中，获得基于所述特征基值生成运动心率数据健康区间值和心率异常信息，其中，所述心率异常信息包括为运动心率超出常规次数或运动心率低于常规次数的建议信息；
第二判断单元，用于判断所述运动心率数据是否处于异常区间值；
第三执行单元，用于若是，则基于所述运动心率数据，生成所述用户的异常特征信息和异常时段信息。
在本实施例中，系统通过录入用户的特征基值（包括用户的年龄信息和用户性别信息），将这些特征基值输入至预先设置有的数据库中，获取数据库整合得到的用户当前运动心率数据健康区间值和心率异常信息（包括用户运动心率超出常规次数或运动心率低于常规次数的建议信息），此时系统会判断用户的运动心率数据是否处于异常区间值，以执行对应的不同步骤；例如，系统获取到用户的运动心率数据为80次/分，而常规的运动心率区间在75次/分-120次/分，则此时系统会判定用户的运动心率数据并未处于异常区间值，并将用户健康的运动心率数据生成在用户的数据报告中；例如，系统获取到用户的运动心率数据为130次/分，常规的运动心率区间在75次/分-120次/分，即此时系统会判定用户的运动心率数据处于异常区间值，系统会基于用户的异常运动心率数据，生成该用户的异常特征信息和异常时段信息（具体为用户运动时异常的时段、高于常规心率数据具体数值或低于常规心率数据具体数值）。
在本实施例中，形成模块还包括：
第三判断单元，用于检测所述心率数据解析报告中是否存在至少一项心率数据具有周期性信息；
第四执行单元，用于若是，则基于所述监测健康指标对所述至少一项心率数据进行差异性比对，生成所述至少一项心率数据与所述监测健康指标的差异性数值，构建所述差异性数值变换的时间阈值，直至不存在所述差异性数值；
生成单元，用于将所述心率数据解析报告、所述监测健康指标和所述时间阈值整合，生成所述数据报告。
在本实施例中，系统通过选取用户心率数据解析报告（存在有用户的心率数据和用户的脉率数据）中的至少一项心率数据，并对该至少一项心率数据进行检测，判断该至少一项心率数据是否存在周期性信息（数据周期性变化生成的对应信息）；例如，系统检测到至少一项心率数据存在周期性信息时，此时系统会基于用户的监测健康指标对至少一项心率数据进行差异性比对，生成至少一项心率数据与监测健康指标的差异性数值，通过构建该差异性数值的变换时间阈值，记录差异性数值变化的时段，直至差异性数值不存在，即可生成完整的数据报告并输出给用户（记录用户从异常心率数据信息慢慢调整，每天的心率数据变化对应的时段，最后回归到常规心率数据的完整数据报告）。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.基于智能手表预测运动信息的数据处理方法，其特征在于，包括以下步骤：
接收用户的基础数据和用户的运动心率数据，其中，所述基础数据包括用户体征信息和用户心率信息，所述运动心率数据包括运动时长、运动行为和运动特征；
基于所述基础数据和所述运动心率数据，采集所述用户的皮肤电阻数据，将所述基础数据、所述运动心率数据和所述皮肤电阻数据输入至预设的数据库中进行数据解析，获取所述用户的心率数据解析报告；
判断所述心率数据解析报告是否达到预设的用户健康数据阈值；
若否，则基于所述心率数据解析报告，生成所述用户对应的监测健康指标；
将所述心率数据解析报告和所述监测健康指标进行数据融合，形成所述用户的数据报告。
2.根据权利要求1所述的基于智能手表预测运动信息的数据处理方法，其特征在于，所述接收用户的基础数据和用户的运动心率数据的步骤中，包括：
采用预设的acc加速度传感器采集用户的肺活量数据，基于所述肺活量数据，判断所述用户是否处于运动状态；
若是，则获取所述用户在运动状态下的第一血压信号和第一血流信号，基于所述第一血压信号和所述第一血流信号，采用预设的光电容积脉搏波描记法捕捉所述用户的心脏收缩压区间阈值和心脏舒张压区间阈值；
若否，则获取并存储所述用户在非运动状态下的第二血压信号和第二血流信号，当获取到所述第一血压信号和所述第一血流信号时，将所述第一血压信号和所述第一血流信号与所述第二血压信号和所述第二血流信号进行差异性比对，生成所述用户的心室搏动间距数据RRI。
3.根据权利要求2所述的基于智能手表预测运动信息的数据处理方法，其特征在于，所述采用预设的acc加速度传感器采集用户的肺活量数据，基于所述肺活量数据，判断所述用户是否处于运动状态的步骤中，包括：
采用预设的gensor陀螺仪捕捉所述用户的水平动作数据；
基于所述水平动作数据采集所述用户的姿态特征和姿态变换特征，识别所述姿态变换特征对应的时长数据；
基于所述姿态特征、所述姿态变换特征和所述时长数据，判断所述用户是否在预设的时间段内重复呈现所述姿态特征；
若是，则判定所述用户处于所述运动状态，并基于所述姿态特征的特征种类，获取所述用户的运动类别，其中，所述运动类别包括有氧运动与无氧运动。
4.根据权利要求2所述的基于智能手表预测运动信息的数据处理方法，其特征在于，所述则获取所述用户在运动状态下的第一血压信号和第一血流信号，基于所述第一血压信号和所述第一血流信号，采用预设的光电容积脉搏波描记法捕捉所述用户的心脏收缩压区间阈值和心脏舒张压区间阈值的步骤中，包括：
将预设波长的光束输出至到所述用户的皮肤层面进行透射，接收所述透射的回返光强度并输入至光电接收终端；
判断所述光强度是否呈现脉动性变化；
若是，则将所述光强度对应的光信号转换为电信号，对所述电信号基于预设的电信号放大器，采集所述用户的容积脉搏血流数据及数据变化区间数值；
若否，则基于所述光强度的强度数值，识别所述用户的血管血容量，根据所述血管血容量采集所述用户的血压信号，当所述光强度的强度数值达到最低时，所述血压信号属于收缩压，当所述光强度的强度数值达到最高时，所述血压信号属于舒张压。
5.根据权利要求1所述的基于智能手表预测运动信息的数据处理方法，其特征在于，所述基于所述基础数据和所述运动心率数据，采集所述用户的皮肤电阻数据的步骤中，包括：
根据预设的时间阈值，在电阻采样曲线上截取对应的时段区间，并采集所述时段区间内的最高电阻值和最低电阻值；
向所述时段区间的两端根据设定的步长增加选取，二次采集最高电阻值和最低电阻值，当最高电压值和最低电压值不变时，停止增加选取，确定所述时间阈值累积步长之后的终值；
根据所述电阻采样曲线上获得的最高电阻值和最低电阻值，确定为波峰电阻值和波谷电阻值；
将所述波峰电阻值和所述波谷电阻值进行差值比对，根据得到的差值数值生成电阻振幅，将所述电阻振幅作为所述皮肤电阻数据的数据基值。
6.根据权利要求1所述的基于智能手表预测运动信息的数据处理方法，其特征在于，所述将所述基础数据、所述运动心率数据和所述皮肤电阻数据输入至预设的数据库中进行数据解析，获取所述用户的心率数据解析报告的步骤中，包括：
接收所述用户输入的特征基值，其中，所述特征基值包括用户年龄信息和用户性别信息；
将所述用户的运动心率数据和特征基值输入至所述数据库中，获得基于所述特征基值生成运动心率数据健康区间值和心率异常信息，其中，所述心率异常信息包括为运动心率超出常规次数或运动心率低于常规次数的建议信息；
判断所述运动心率数据是否处于异常区间值；
若是，则基于所述运动心率数据，生成所述用户的异常特征信息和异常时段信息。
7.根据权利要求1所述的基于智能手表预测运动信息的数据处理方法，其特征在于，所述将所述心率数据解析报告和所述监测健康指标进行数据融合，形成所述用户的数据报告的步骤中，包括：
检测所述心率数据解析报告中是否存在至少一项心率数据具有周期性信息；
若是，则基于所述监测健康指标对所述至少一项心率数据进行差异性比对，生成所述至少一项心率数据与所述监测健康指标的差异性数值，构建所述差异性数值变换的时间阈值，直至不存在所述差异性数值；
将所述心率数据解析报告、所述监测健康指标和所述时间阈值整合，生成所述数据报告。
8.基于智能手表预测运动信息的数据处理系统，其特征在于，包括：
接收模块，用于接收用户的基础数据和用户的运动心率数据，其中，所述基础数据包括用户体征信息和用户心率信息，所述运动心率数据包括运动时长、运动行为和运动特征；
获取模块，用于基于所述基础数据和所述运动心率数据，采集所述用户的皮肤电阻数据，将所述基础数据、所述运动心率数据和所述皮肤电阻数据输入至预设的数据库中进行数据解析，获取所述用户的心率数据解析报告；
判断模块，用于判断所述心率数据解析报告是否达到预设的用户健康数据阈值；
执行模块，用于若否，则基于所述心率数据解析报告，生成所述用户对应的监测健康指标；
形成模块，用于将所述心率数据解析报告和所述监测健康指标进行数据融合，形成所述用户的数据报告。
9.根据权利要求8所述的基于智能手表预测运动信息的数据处理系统，其特征在于，所述接收模块还包括：
第一判断单元，用于采用预设的acc加速度传感器采集用户的肺活量数据，基于所述肺活量数据，判断所述用户是否处于运动状态；
第一执行单元，用于若是，则获取所述用户在运动状态下的第一血压信号和第一血流信号，基于所述第一血压信号和所述第一血流信号，采用预设的光电容积脉搏波描记法捕捉所述用户的心脏收缩压区间阈值和心脏舒张压区间阈值；
第二执行单元，用于若否，则获取并存储所述用户在非运动状态下的第二血压信号和第二血流信号，当获取到所述第一血压信号和所述第一血流信号时，将所述第一血压信号和所述第一血流信号与所述第二血压信号和所述第二血流信号进行差异性比对，生成所述用户的心室搏动间距数据RRI。
10.根据权利要求9所述的基于智能手表预测运动信息的数据处理系统，其特征在于，所述第一判断单元还包括：
捕捉子单元，用于采用预设的gensor陀螺仪捕捉所述用户的水平动作数据；
识别子单元，用于基于所述水平动作数据采集所述用户的姿态特征和姿态变换特征，识别所述姿态变换特征对应的时长数据；
判断子单元，用于基于所述姿态特征、所述姿态变换特征和所述时长数据，判断所述用户是否在预设的时间段内重复呈现所述姿态特征；
执行子单元，用于若是，则判定所述用户处于所述运动状态，并基于所述姿态特征的特征种类，获取所述用户的运动类别，其中，所述运动类别包括有氧运动与无氧运动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310001226.2A CN115670419A (zh) | 2023-01-03 | 2023-01-03 | 基于智能手表预测运动信息的数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310001226.2A CN115670419A (zh) | 2023-01-03 | 2023-01-03 | 基于智能手表预测运动信息的数据处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115670419A true CN115670419A (zh) | 2023-02-03 |
Family
ID=85057103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310001226.2A Pending CN115670419A (zh) | 2023-01-03 | 2023-01-03 | 基于智能手表预测运动信息的数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115670419A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116439675A (zh) * | 2023-03-28 | 2023-07-18 | 深圳市莱康宁医用科技股份有限公司 | 一种应用于人体循环系统的测量方法、设备以及系统 |
| CN116491935A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市微克科技有限公司 | 一种智能穿戴设备的运动健康监测方法、系统及介质 |
| CN116701886A (zh) * | 2023-08-07 | 2023-09-05 | 知心健(南京)科技有限公司 | 一种运动肺测试数据智能分析管理系统 |
| CN117084646A (zh) * | 2023-07-02 | 2023-11-21 | 中国消防救援学院 | 一种基于电子传感的训练伤监测预警方法及系统 |
| CN117504142A (zh) * | 2024-01-05 | 2024-02-06 | 深圳市光速时代科技有限公司 | 智能手表进行磁灸辅助减脂的提示方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080294060A1 (en) * | 2007-05-21 | 2008-11-27 | Cardiac Pacemakers, Inc. | Devices and methods for disease detection, monitoring and/or management |
| WO2017166074A1 (zh) * | 2016-03-29 | 2017-10-05 | 深圳前海合泰生命健康技术有限公司 | 一种数据处理的方法及装置 |
| CN109446388A (zh) * | 2018-10-12 | 2019-03-08 | 广东原动力信息科技有限责任公司 | 一种运动手环数据分析方法 |
| WO2020013895A1 (en) * | 2018-07-13 | 2020-01-16 | Livmor, Inc. | Health monitoring and guidance |
| CN112043251A (zh) * | 2020-09-30 | 2020-12-08 | 深圳市艾利特医疗科技有限公司 | 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统 |
| US20220273872A1 (en) * | 2021-02-26 | 2022-09-01 | Insulet Corporation | Integration of sensors for drug delivery compensation in automated medication delivery (amd) systems |
| CN115089152A (zh) * | 2022-06-10 | 2022-09-23 | 维沃移动通信有限公司 | 心率检测方法、装置、可穿戴式设备及介质 |
-
2023
- 2023-01-03 CN CN202310001226.2A patent/CN115670419A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080294060A1 (en) * | 2007-05-21 | 2008-11-27 | Cardiac Pacemakers, Inc. | Devices and methods for disease detection, monitoring and/or management |
| WO2017166074A1 (zh) * | 2016-03-29 | 2017-10-05 | 深圳前海合泰生命健康技术有限公司 | 一种数据处理的方法及装置 |
| WO2020013895A1 (en) * | 2018-07-13 | 2020-01-16 | Livmor, Inc. | Health monitoring and guidance |
| CN109446388A (zh) * | 2018-10-12 | 2019-03-08 | 广东原动力信息科技有限责任公司 | 一种运动手环数据分析方法 |
| CN112043251A (zh) * | 2020-09-30 | 2020-12-08 | 深圳市艾利特医疗科技有限公司 | 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统 |
| US20220273872A1 (en) * | 2021-02-26 | 2022-09-01 | Insulet Corporation | Integration of sensors for drug delivery compensation in automated medication delivery (amd) systems |
| CN115089152A (zh) * | 2022-06-10 | 2022-09-23 | 维沃移动通信有限公司 | 心率检测方法、装置、可穿戴式设备及介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116439675A (zh) * | 2023-03-28 | 2023-07-18 | 深圳市莱康宁医用科技股份有限公司 | 一种应用于人体循环系统的测量方法、设备以及系统 |
| CN116491935A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市微克科技有限公司 | 一种智能穿戴设备的运动健康监测方法、系统及介质 |
| CN116491935B (zh) * | 2023-06-29 | 2023-08-29 | 深圳市微克科技有限公司 | 一种智能穿戴设备的运动健康监测方法、系统及介质 |
| CN117084646A (zh) * | 2023-07-02 | 2023-11-21 | 中国消防救援学院 | 一种基于电子传感的训练伤监测预警方法及系统 |
| CN116701886A (zh) * | 2023-08-07 | 2023-09-05 | 知心健(南京)科技有限公司 | 一种运动肺测试数据智能分析管理系统 |
| CN116701886B (zh) * | 2023-08-07 | 2023-10-27 | 知心健(南京)科技有限公司 | 一种运动肺测试数据智能分析管理系统 |
| CN117504142A (zh) * | 2024-01-05 | 2024-02-06 | 深圳市光速时代科技有限公司 | 智能手表进行磁灸辅助减脂的提示方法及系统 |
| CN117504142B (zh) * | 2024-01-05 | 2024-03-22 | 深圳市光速时代科技有限公司 | 智能手表进行磁灸辅助减脂的提示方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115670419A (zh) | 基于智能手表预测运动信息的数据处理方法及系统 | |
| WO2017179701A1 (ja) | 生体情報分析装置、システム、及び、プログラム | |
| Andreotti et al. | Non-invasive fetal ECG signal quality assessment for multichannel heart rate estimation | |
| CN108478209A (zh) | 心电信息动态监护方法和动态监护系统 | |
| 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 | |
| CN105051799A (zh) | 用于检测跌倒的方法和跌倒检测器 | |
| CN115120236B (zh) | 情绪识别方法、装置、可穿戴设备及存储介质 | |
| Rosales et al. | Physiological-based smart stress detector using machine learning algorithms | |
| US20220031181A1 (en) | Pulse shape analysis | |
| Zhu et al. | ArvaNet: Deep recurrent architecture for PPG-based negative mental-state monitoring | |
| Gan et al. | Human-computer interaction based interface design of intelligent health detection using PCANet and multi-sensor information fusion | |
| Wang et al. | Emotionsense: An adaptive emotion recognition system based on wearable smart devices | |
| CN117158938A (zh) | 一种应用于智能手表的健康监测方法、装置及电子设备 | |
| Alam et al. | Autocognisys: Iot assisted context-aware automatic cognitive health assessment | |
| CN117877734A (zh) | 一种精神障碍患者危险级别判断系统 | |
| CN118203314A (zh) | 用于体质改善的智能健康状态监测管理系统及方法 | |
| Surapaneni et al. | Graph Signal Processing Based Classification of Noisy and Clean PPG Signals Using Machine Learning Classifiers for Intelligent Health Monitor | |
| CN117653053A (zh) | 一种通过智能手表预测健康风险的方法 | |
| CN113081656B (zh) | 智能按摩椅及其控制方法 | |
| Narasimhan et al. | Early Detection of Mild Cognitive Impairment Progression Using Non-Wearable Sensor Data–a Deep Learning Approach | |
| CN118312883B (zh) | 模型的构建方法、警觉度评估方法、装置、设备及产品 | |
| US20220151531A1 (en) | Heart failure predictor and heart failure predicting method | |
| CN108175405A (zh) | 一种用于计算心脏稳定度的系统及其设备 | |
| US20230282352A1 (en) | Heart condition detection sensor device and system for providing complex life support solution using same | |
| Vaidya et al. | MENTAL STRESS CLASSIFICATION USING IMPORVED RANDOM FOREST WITH THRESHOLD FEATURE EXTRACTION ON REAL TIME DATASET |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230203 |