CN116269291B - 基于人工智能的智能手表监测系统及方法 - Google Patents

Abstract

本发明涉及用于数据处理技术领域，具体涉及基于人工智能的智能手表监测系统及方法，包括：根据原始心率数据得到异常表现；根据异常表现，得到第一趋势表现程度；根据前后相邻原始心率数据计算趋势项的互相影响关系得到原始心率数据序列的第二趋势表现程度；根据第一趋势表现程度、第二趋势表现程度得到异常表现程度；根据原始心率数据的异常表现程度以及残差项序列，得到异常程度；根据异常程度进行筛选，得到原始心率数据序列中的异常心率数据；根据原始心率数据序列的异常程度进行剔除处理，得到剔除后的原始心率数据序列，并对剔除后的原始心率数据序列进行心率监测。本发明提高了残差项对原始心率数据序列异常表现的准确性。

Description

基于人工智能的智能手表监测系统及方法

技术领域

本发明涉及数据处理技术领域，具体涉及基于人工智能的智能手表监测系统及方法。

背景技术

一般所监测主要是反应身体状态检测的体征信号，比如常见的心率数据。此时所获得的原始心率数据序列的准确性直接影响着身体状态监测的准确性，但是智能手表在采集过程中可能采集到异常的原始心率数据序列，所以需要对所采集的监测数据进行采集异常筛选，保证所获得监测数据的准确性。而在采集原始心率数据序列过程的异常数据主要表现在对原始心率数据序列变数趋势的破坏，一般常利用STL对原始心率数据序列进行分解，然后利用残差项反映所对应的原始心率数据序列的变化趋势异常，即原始心率数据的异常程度。但在实际操作的过程中，残差项对原始心率数据序列的异常表现受对应趋势项的影响，导致残差项不能直接表示原始心率数据序列的异常程度。同时由于人体心率采集过程中受环境光照的影响，同样也会使原始心率数据序列具有异常变化，而这些异常变化的数据会对其前后相邻数据的趋势项计算产生异常影响，从而进一步影响趋势项对原始心率数据序列变化趋势的表现程度，导致残差项不能直接表示原始心率数据序列的异常程度。

发明内容

本发明提供基于人工智能的智能手表监测系统及方法，以解决现有的问题。

本发明的基于人工智能的智能手表监测系统及方法采用如下技术方案：

本发明一个实施例提供了基于人工智能的智能手表监测方法，该方法包括以下步骤：

获取智能手表的原始心率数据序列以及对应的光照强度；

结合人体心率变化特征，得到原始心率数据序列中每个原始心率数据的异常表现；根据原始心率数据的异常表现，通过结合前后相邻原始心率数据的互相影响关系，得到每个原始心率数据的第一趋势表现程度；

根据前后相邻原始心率数据的互相影响关系、时间间隔以及对应光照强度的变化量，得到每个原始心率数据的第二趋势表现程度；根据原始心率数据的第一趋势表现程度和第二趋势表现程度，得到每个残差项对原始心率数据序列的异常表现程度；根据每个原始心率数据对应的残差项对原始心率数据序列的异常表现程度以及残差项，得到每个原始心率数据的异常程度；根据每个原始心率数据的异常程度进行筛选，得到原始心率数据序列中所有的异常心率数据；

根据原始心率数据序列中的异常心率数据进行剔除处理，得到剔除后的原始心率数据序列，并对剔除后的原始心率数据序列进行心率监测。

优选的，所述原始心率数据的异常表现的获取方法如下：

将原始心率数据序列每个原始心率数据与前一个原始心率数据相减，相减结果记为第一差值；若第一差值大于0，则将第一差值进行归一化处理，并将处理结果记为对应的原始心率数据的异常表现；若第一差值小于或等于0，则对应的原始心率数据的异常表现则为1；另外，第一个原始心率数据异常表示默认为1。

优选的，所述STL分解过程中前后相邻原始心率数据的获取方法如下：

预设一个第i个原始心率数据前后相邻数据个数N0；获取第i个原始心率数据之前的N0/2个原始心率数据，获取第i个原始心率数据之后的N0/2个原始心率数据，这些N0个原始心率数据记为第i个原始心率数据的所有前后相邻的原始心率数据，并且这些N0个原始心率数据依自身数据对应时序上的前后顺序进行排序；另外，当第i个原始心率数据之前的数据或第i个原始心率数据之后的数据不足N0/2个时，那么将第i个原始心率数据之前的数据或第i个数据之后的原始心率数据全都作为第i个数据的前后相邻的原始心率数据，直至满足N0个原始心率数据。

优选的，所述原始心率数据的第一趋势表现程度的获取表达式如下：

其中表示第i个原始心率数据前后相邻的第v个原始心率数据的差异关系的 影响下第i个趋势项对应原始心率数据的趋势表现程度，记为第一趋势表现程度；表示第 i个原始心率数据；表示第i个原始心率数据前后相邻的第v个原始心率数据；表示 与前一个原始心率数据的差值的绝对值，记为第一绝对值；表示与之间的第u个原 始心率数据与第u-1个原始心率数据的差值的绝对值；表示与之间所有个原始心 率数据；表示第v个原始心率数据的异常表现。

优选的，所述原始心率数据的第二趋势表现程度的获取表达式如下：

其中表示第一绝对值；、分别表示第v个原始心率数据、第v-1个原始心 率数据对应的光照强度；表示第v个原始心率数据之前相邻的N1个原始心率数据中，与差异最大的光照强度；表示对应的原始心率数据；表示对应的原始心率数 据；表示与之间的时间间隔；表示线性归一化函数；表示第v个原始 心率数据光照强度变化影响下其心率数据异常变化程度，即第v个心率数据对应光照强度 的变化对第i个趋势项计算的异常影响，记为第二趋势表现程度。

优选的，所述残差项的获取方法如下：

利用现有的平均移动法获取趋势项数据序列，然后将原始心率数据序列减去对应趋势项数据序列后的心率数据序列记为对应时序上的残差项。

优选的，所述残差项序列对原始心率数据序列的异常表现程度的获取表达式如下：

其中表示第一趋势表现程度；表示第v个原始心率数据对应的光照强度；表示所有原始心率数据对应的光照强度的最大值；表示第v个原始心率数据光照 强度变化影响下其心率数据异常变化程度，即第v个心率数据对应光照强度的变化对第i个 趋势项计算的异常影响，记为第二趋势表现程度； N0表示第i个原始心率数据前后相邻的 NO个原始心率数据；表示第i个残差项对原始心率数据序列的异常表现程度。

优选的，所述原始心率数据的异常程度的获取方法如下：

将每个残差项的绝对值记为第二绝对值，将第二绝对值与异常表现程度相乘，相乘结果记为每个原始心率数据的异常程度。

优选的，所述原始心率数据序列的异常程度进行筛选的具体过程如下：

预设一个异常程度阈值，根据最大最小值归一化法，输入所有的原始心率数据 的异常程度，输出归一化后的所有异常程度，此时若当前原始心率数据的归一化后的异常 程度大于时，则将当前原始心率数据作为异常心率数据，反之则作为正常心率数据。

本发明的另一个实施例提供了基于人工智能的智能手表监测系统，该系统包括采集原始心率数据以及光照强度模块、第一趋势表现程度获取模块、异常程度获取模块以及心率数据监测模块，其中：

采集原始心率数据以及光照强度模块，获取智能手表的原始心率数据序列以及对应的光照强度；

第一趋势表现程度获取模块，结合人体心率变化特征，得到原始心率数据序列中每个原始心率数据的异常表现；根据原始心率数据的异常表现，通过结合前后相邻原始心率数据的互相影响关系，得到原始心率数据序列的第一趋势表现程度；

异常程度获取模块，根据前后相邻原始心率数据的互相影响关系、时间间隔以及对应光照强度的变化量，得到每个原始心率数据序列的第二趋势表现程度；根据原始心率数据的第一趋势表现程度和第二趋势表现程度，得到每个残差项对原始心率数据序列的异常表现程度；根据每个原始心率数据对应的残差项对原始心率数据序列的异常表现程度以及残差项，得到每个原始心率数据的异常程度；根据每个原始心率数据的异常程度进行筛选，得到原始心率数据序列中所有的异常心率数据；

心率数据监测模块，根据原始心率数据序列中的异常心率数据进行剔除处理，得到剔除后的原始心率数据序列，并对剔除后的原始心率数据序列进行心率监测。

本发明的技术方案的有益效果是：依据实际人体心率变化特征，判断原始心率数据序列的异常变化，原始心率数据序列的异常表现。同时根据STL分解过程中相邻原始心率数据序列在计算趋势项时的互相影响关系，利用数据异常变化关系反映对其前后相邻原始心率数据序列趋势项的计算异常影响，即第一趋势表现程度。然后根据第一趋势表现程度与环境光照对心率测量数据影响得到每个残差项对应原始心率数据的异常表现程度，根据异常表现程度得到原始心率数据序列的异常程度，提高残差项对原始心率数据序列异常表现的准确性，降低环境光照所引起的原始心率数据序列异常变化判断的影响。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于人工智能的智能手表监测方法的步骤流程图；

图2为本发明基于人工智能的智能手表监测系统的结构框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的智能手表监测系统及方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于人工智能的智能手表监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的智能手表监测方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集智能手表的原始心率数据序列以及对应的光照强度。

一般所监测主要是反应身体状态检测的体征信号，比如常见的心率数据。此时所获得的原始心率数据序列的准确性直接影响着身体状态监测的准确性，但是智能手表在采集过程中可能采集到异常的原始心率数据序列，所以需要对所采集的监测数据进行采集异常筛选，保证所获得监测数据的准确性。而在采集原始心率数据序列过程的异常数据主要表现在对原始心率数据变数趋势的破坏，一般常利用STL对原始心率数据序列进行分解，然后利用残差项反映所对应的原始心率数据的变化趋势异常，即原始心率数据序列的异常程度。但在实际操作的过程中，残差项对应原始心率数据序列的异常表现受对应趋势项的影响，导致残差项不能直接表示原始心率数据序列的异常程度。同时由于人体心率采集过程中受环境光照的影响，同样也会使原始心率数据序列具有异常变化，而这些异常变化的数据会对其前后相邻数据的趋势项计算产生异常影响，从而进一步影响趋势项对原始心率数据序列变化趋势的表现程度，导致残差项不能直接表示原始心率数据序列的异常程度。

智能手表的心率监测过程中首先需要进行心率测量获取原始心率数据序列，这些原始心率数据序列的获取方法为：

让大量的实验人员佩戴同款内置红外线光源的智能手表，然后同步开启智能手表的心率监测功能，此时通过手表内置的传感器将红外线照射在实验人员的皮肤上，每隔1秒采集一次经过血液穿过皮肤的反射回来的红外光线，并同时采集一次当前环境下的光照强度，然后将接收到的光信号转换为数值信号，总共采集时长60秒的数值信号，其中，将每一次采集得到的数值信号记为一个原始心率数据序列，通过采集过程可以获得原始心率数据序列。

需要说明的是，在本实施例中一位实验人员原始心率数据序列的长度为60/1=60。

依据实际人体心率变化特征，判断原始心率数据序列的异常变化，原始心率数据序列的异常表现。同时根据STL分解过程中相邻原始心率数据序列在计算趋势项时的互相影响关系，利用数据异常变化关系反映对其前后相邻原始心率数据序列趋势项的计算异常影响，即第一趋势表现程度。然后根据第一趋势表现程度与环境光照对心率测量数据影响得到每个残差项对应原始心率数据的异常表现程度，根据异常表现程度得到原始心率数据序列的异常程度，经过筛选剔除，最终得到剔除后的原始心率数据序列进行心率监测。

至此，根据采集得到的原始心率数据序列得到原始心率数据序列的异常表现，根据异常表现得到第一趋势表现程度，根据第一趋势表现程度得到残差项对原始心率数据序列的异常表现程度，根据异常表现程度得到原始心率数据序列的异常程度，经过筛选剔除得到剔除后的原始心率数据序列进行心率监测。

步骤S002：依据实际人体心率变化特征，判断原始心率数据序列的异常变化，原始心率数据序列的异常表现。同时根据STL分解过程中相邻原始心率数据序列在计算趋势项时的互相影响关系，得到对应的第一趋势表现程度。

需要说明的是，由于心率监测的采集过程是一段时序连续的过程，所以过程中采集的时序监测心率数据为时间序列上连续的原始心率数据序列。而在采集过程中，原始心率数据序列异常主要是破坏了单个原始心率数据所在的局部原始心率数据的趋势分布。而时序监测心率数据序列中依据趋势分布关系所表现的原始心率数据序列异常一般采用STL分解出的残差项反映对应原始心率数据的异常。而由于智能手表所监测的原始心率数据序列，其在时间序列上不具有周期关系，所以本实施例首先利用现有的平均移动法获取趋势项数据序列，然后将原始心率数据序列减去对应趋势项数据序列后的心率数据序列记为对应时序上的残差项序列，其中，由于趋势项反映其对应原始心率数据对局部心率数据序列分布趋势的破坏程度，所以残差项可以反映所监测的原始心率数据采集异常。

上述分析表明原始心率数据序列经过STL分解后得到的残差项序列，其中残差项反映所对应原始心率数据的异常程度，其中主要依据是单个原始心率数据在时间序列上对局部心率数据序列趋势分布造成了破坏。但对于人体心率而言，在实际监测过程中可能还会受到其他因素影响，使单个原始心率数据同样可能存在突变，例如打颤时心率突然变高，所以无法直接利用原始心率数据序列趋势变化确定所采集原始心率数据序列的准确性，即残差项无法直接判断对应原始心率数据的异常。

由于残差项的大小受趋势项的影响，所以残差项对应原始心率数据异常的表现程度受趋势项的影响，趋势项对应原始心率数据的趋势分布表现程度越高，对应的残差项对原始心率数据异常表现程度越高。但由于趋势项受局部分布的原始心率数据序列影响，趋势项越小，则对应原始心率数据在采集过程中受其他因素的影响越小，原始心率数据序列采集异常程度越大。

而人体心率发生突变一般表现为心率升高，比如受到惊吓导致心率急速升高，但是心率从较高回归正常时，受人体机能的影响总是缓慢变化的，所以可以根据原始心率数据序列本身的变化分析对应残差项的异常表现。其中，由于趋势项受对应原始心率数据前后相邻多个原始心率数据的影响，所以对应残差项同样受多个原始心率数据的影响，从而使得残差项对原始心率数据的异常表现具有差异。

而原始心率数据序列在进行STL分解时，单个原始心率数据具有异常表现时，会影响前后相邻的原始心率数据序列的趋势项计算，所以可根据原始心率数据减少特征，判断其异常表现，从而对前后相邻原始心率数据序列趋势项的影响。其中，原始心率数据会因惊吓等因素干扰存在数据突然增大的情况，由于上述的干扰因素并不是疾病因素，所以本实施例认为原始心率数据增大不具有异常表现。

具体的，此时获得第i个原始心率数据的变化方向所反映的异常表现表示为：

其中表示第i个原始心率数据的异常表现；、分别表示第i个、第i-1个原 始心率数据，时，第i个心率数据变化不具有异常表现，即；时，表示第i个原始心率数据相对减少量，相对减少量越大，则第i个 原始心率数据的异常表现越大；表示线性归一化函数。

进一步需要说明的是，若i取1时，则。

至此，通过上述公式可以获得所有原始心率数据的异常表现。

具体的，基于上述第i个原始心率数据的变化方向所反映的异常表现，可以判断第i个原始心率数据的变化关系对前后相邻原始心率数据序列趋势项计算的影响，具体表示为：

其中表示第i个原始心率数据前后相邻的第v个原始心率数据的差异关系的 影响下第i个趋势项对应原始心率数据的趋势表现程度，记为第一趋势表现程度；表示第 i个原始心率数据；表示第i个原始心率数据前后相邻的第v个原始心率数据；表 示第v个原始心率数据与当前第i个原始心率数据的差值的绝对值，绝对值越大，对趋 势项计算的影响越大，第i个原始心率数据对应趋势项对第i个原始心率数据的趋势的表现 程度越小。表示与前一个原始心率数据的差值的绝对值，记为第一绝对值，即的变 化趋势，；表示与之间的第u个原始心率数据与第u-1个原始心率数据的差值 的绝对值，其中包括，但不包括；表示二者的差异；表示与之 间所有个原始心率数据；此时表示与之间所有个原始心率数 据的差值绝对值的整体差异，即所表示的原始心率数据变化相对于的突出程度， 即变化的突出程度，突出程度越大，对第i个原始心率数据的趋势项计算的异常影响 越大，第i个原始心率数据对应趋势项对原始心率数据的趋势的表现程度越小。表示对趋势项计算的影响下所反映第i个趋势项对应原始心 率数据的表现程度，表现程度越大，则第i个趋势项对应的第i个残差项对原始心率数据异 常表现程度越高。表示第v个原始心率数据的异常表现，异常表现越大，第v个原始心率 数据对第i个原始心率数据的趋势项影响越大。

更进一步需要说明的是，第i个原始心率数据前后相邻数据的获取方法为：预设一个第i个原始心率数据前后相邻数据个数N0，其中本实施例以N0=6为例进行叙述，本实施例不进行具体限定，其中N0可根据具体实施情况而定。获取第i个数据之前的N0/2个数据，获取第i个数据之后的N0/2个数据，这些N0个数据记为第i个数据的所有前后相邻数据，并且这些N0个数据依自身数据对应时序上的前后顺序进行排序；另外，当第i个数据之前的数据或第i个数据之后的数据不足N0/2个时，那么将第i个数据之前的数据或第i个数据之后的数据全都作为第i个数据的前后相邻数据，直至满足N0个数据。

另外需要说明的是，与之间的第u个原始心率数据是根据依自身数据对应 时序上的前后顺序进行排序。

至此通过上述第一趋势表现程度公式可以获得所有原始心率数据序列对前后相邻原始心率数据序列趋势项计算影响的第一趋势表现程度。

需要补充说明的是，利用上述获取的所有原始心率数据序列的第一趋势表现程度，依据实际人体心率变化特征，判断原始心率数据序列的异常变化，避免正常心率变化对原始心率数据序列异常变化的判断的影响，提高原始心率数据序列异常判断的准确性。同时根据STL分解过程中相邻原始心率数据序列在计算趋势项时的互相影响关系，利用原始心率数据序列异常变化关系反应对其前后相邻原始心率数据序列趋势项的计算异常影响，有利于判断趋势项对原始心率数据的表现关系。

步骤S003：根据第一趋势表现程度与环境光照对心率测量数据影响得到每个残差项对应原始心率数据的异常表现程度，根据异常表现程度得到原始心率数据序列的异常程度。

需要说明的是，在通过STL分解出的残差项来表示原始心率数据序列异常时，残差项的值越大，则对应的原始心率数据序列的异常程度越大；同时，残差项在表示对应的原始心率数据序列的异常程度时，还会受趋势项与原始心率数据序列的表现关系的影响。本实施例根据相邻原始心率数据序列变化关系得到趋势项与原始心率数据序列的表现关系，从而获得原始心率数据序列的异常表现程度。

进一步需要说明的是，根据上述步骤可分析获得残差项对原始心率数据异常的表现程度，主要依据相邻原始心率数据序列之间的差异关系及其变化关系，但是对于原始心率数据采集过程中同样受外部环境的影响，常见环境光照越强，对原始心率数据采集的影响越大，同时环境光照变化时，对原始心率数据的影响也会随着改变，从而影响原始心率数据变化关系，影响趋势项与原始心率数据之间的关系，最终影响残差项对应原始心率数据的异常表现程度。

由于一般环境光强度越大，心率测量越不准确，而在心率测量的过程中无法完全避免环境光强度的影响，所以原始心率数据会具有采集异常，并且在环境光照发生变化时，原始心率数据异常也会发生变化，光照变化越大，所测量心率数据的差异受光照变化的影响程度越大，且光照强度越大，则原始心率数据异常变化的可能性越大。此时原始心率数据序列的异常变化导致原始心率数据与其趋势项之间的对应关系发生异常，反映在残差项上，则是残差项对原始心率数据异常表现。

具体的，此时光照变化对其原始心率数据序列变化异常表现的影响。具体表示为：

其中表示第i个原始心率数据前后相邻的第v个原始心率数据与前一个原始 心率数据的差值的绝对值；、分别表示第v个原始心率数据、第v-1个原始心率数据对 应的光照强度；表示第v个原始心率数据对应光照强度相对于前一个原始心率数 据对应光照强度的减少量，其值越大，第v个原始心率数据变化异常的可能性越小，；表示光照强度影响下，所反映的异常变化，其值越大，异常变化程度越大， 对第i个原始心率数据前后相邻的原始心率数据趋势项计算的异常影响越大。表示第v 个原始心率数据之前相邻的N1个原始心率数据中，与差异最大的光照强度；表 示相对前后相邻原始心率数据光照强度的最大减少量；表示对应的原始心率数 据；表示对应的原始心率数据；表示相对于前后相邻最大光强变化的影响 下，的异常变化程度；表示与之间的时间间隔，即二者之间存在的原始心率数 据个数，个数越少，与的光照变化越剧烈，对异常表现程度越高。 表示线性归一化函数；表示第v个原始心率数据光照强度变化影响下其心率数据异常 变化程度，即第v个心率数据对应光照强度的变化对第i个趋势项计算的异常影响，记为第 二趋势表现程度。

更进一步需要说明的是，第v个原始心率数据之前相邻数据的获取方法为：预设一个第i个原始心率数据前后相邻的第v个原始心率数据之前相邻数据个数N1，其中本实施例以N1=4为例进行叙述，本实施例不进行具体限定，其中N1可根据具体实施情况而定。若第v个原始心率数据之前数据个数少于4时，则直接取第v个原始心率数据之前实际存在的个数。

至此，通过上述公式可以获得所有原始心率数据对应的光照强度与对所有趋势项计算的异常影响，即所有原始心率数据序列的第二趋势表现程度。

另外，具体的，根据上述获得的所有原始心率数据序列的第二趋势表现程度，得到每一个残差项对原始心率数据序列异常表现程度具体表示为：

其中表示第i个原始心率数据前后相邻的第v个原始心率数据的差异关系的 影响下第i个趋势项对应原始心率数据的趋势表现程度，记为第一趋势表现程度，其值越 大，则对应的第i个残差项对第i个原始心率数据异常表现程度越大；表示第v个原始心率 数据对应的光照强度；表示所有原始心率数据中对应的光照强度的最大值；表示趋近于最大光照强度的程度，其值越大，第v个原始心率数据存在采集异常的可能性越 大，对第i个原始心率数据趋势项的影响越大，即第i个残差项对应原始心率数据序列的异 常表现程度越小，所以越大，第i个残差项对应原始心率数据序列的异常表现程度 越大。表示第v个原始心率数据对应光照强度的变化对第i个趋势项计算的异常影响， 记为第二趋势表现程度，其值越大，对第i个原始心率数据趋势项计算的异常影响越大。N0 表示第i个原始心率数据前后相邻的NO个原始心率数据序列；表示第i个残差项对原始心 率数据序列的异常表现程度。

至此，通过上述异常表现程度公式可以获得所有残差项对原始心率数据序列的异常表现程度。

需要补充说明的是，根据趋势项计算中多个前后相邻原始心率数据的异常变化关系，获得趋势项对原始心率数据变化趋势的表现程度，从而确定残差项对原始心率数据异常表现程度，避免单个心率数据趋势项受前后相邻原始心率数据序列的影响，从而确定更加符合原始心率数据变化的趋势项，提高残差项对原始心率数据序列异常表现的准确性。同时利用环境光照对心率测量心率数据影响，避免环境光照所引起的原始心率数据的变化对心率数据异常变化判断的影响，获得更加准确的心率数据变化关系，从而提高相邻原始心率数据在趋势项计算的影响关系的准确性。

具体的，根据上述步骤获得第i个残差项对原始心率数据序列的异常表现程度， 将第i个残差项表示为，此时获得原始心率数据异常程度为：

其中表示第i个原始心率数据所对应的第i个残差项对原始心率数据序列的异 常表现程度；表示第i个残差项；表示第i个原始心率数据的异常程度。

至此，通过上述公式获得所有的原始心率数据的异常程度。

预设一个异常程度阈值，其中本实施例以为例进行叙述，本实施例 不进行具体限定，其中可根据具体实施情况而定。对所有的原始心率数据的异常程度进 行归一化处理，其中采用最大最小值归一化法，输入所有的原始心率数据的异常程度，输出 归一化结果得到归一化后的所有异常程度，此时若当前原始心率数据的归一化后的异常程 度大于时，则将当前原始心率数据作为异常心率数据，反之则作为正常心率数据。

至此通过上述异常程度的筛选，获得所有原始心率数据序列中的异常心率数据。

步骤S004：将得到的异常心率数据进行剔除得到剔除后的原始心率数据序列，根据剔除后的原始心率数据序列进行心率检测。

根据上述步骤S003确定原始心率数据中的异常心率数据，即采集过程中的异常心率数据，将所获得采集异常心率数据剔除，得到剔除后的原始心率数据序列，利用剔除后的原始心率数据序列进行心率监测。

通过以上步骤，完成智能手表的监测。

请参阅图2，其示出了本发明一个实施例提供的基于人工智能的智能手表监测系统的结构框图，该系统包括以下模块：

采集原始心率数据以及光照强度模块S101，获取智能手表的原始心率数据序列以及对应的光照强度；

第一趋势表现程度获取模块S102，结合人体心率变化特征，得到原始心率数据序列中每个原始心率数据的异常表现；根据原始心率数据的异常表现，通过结合前后相邻原始心率数据的互相影响关系，得到原始心率数据序列的第一趋势表现程度；

异常程度获取模块S103，根据前后相邻原始心率数据的互相影响关系、时间间隔以及对应光照强度的变化量，得到每个原始心率数据序列的第二趋势表现程度；根据原始心率数据的第一趋势表现程度和第二趋势表现程度，得到每个残差项对原始心率数据序列的异常表现程度；根据每个原始心率数据对应的残差项对原始心率数据序列的异常表现程度以及残差项，得到每个原始心率数据的异常程度；根据每个原始心率数据的异常程度进行筛选，得到原始心率数据序列中所有的异常心率数据；

心率数据监测模块S104，根据原始心率数据序列中的异常心率数据进行剔除处理，得到剔除后的原始心率数据序列，并对剔除后的原始心率数据序列进行心率监测。

本实施例依据实际人体心率变化特征，判断原始心率数据序列的异常变化，原始心率数据序列的异常表现。同时根据STL分解过程中相邻原始心率数据序列在计算趋势项时的互相影响关系，利用数据异常变化关系反映对其前后相邻原始心率数据序列趋势项的计算异常影响，即第一趋势表现程度。然后根据第一趋势表现程度与环境光照对心率测量数据影响得到每个残差项对应原始心率数据的异常表现程度，根据异常表现程度得到原始心率数据序列的异常程度，提高残差项对原始心率数据序列异常表现的准确性，降低环境光照所引起的原始心率数据序列异常变化判断的影响。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (2)

1.基于人工智能的智能手表监测方法，其特征在于，该方法包括以下步骤：

获取智能手表的原始心率数据序列以及对应的光照强度；

结合人体心率变化特征，得到原始心率数据序列中每个原始心率数据的异常表现；根据原始心率数据的异常表现，通过结合前后相邻原始心率数据的互相影响关系，得到每个原始心率数据的第一趋势表现程度；

根据前后相邻原始心率数据的互相影响关系、时间间隔以及对应光照强度的变化量，得到每个原始心率数据的第二趋势表现程度；根据原始心率数据的第一趋势表现程度和第二趋势表现程度，得到每个残差项对原始心率数据序列的异常表现程度；根据每个原始心率数据对应的残差项对原始心率数据序列的异常表现程度以及残差项，得到每个原始心率数据的异常程度；根据每个原始心率数据的异常程度进行筛选，得到原始心率数据序列中所有的异常心率数据；

根据原始心率数据序列中的异常心率数据进行剔除处理，得到剔除后的原始心率数据序列，并对剔除后的原始心率数据序列进行心率监测；

所述原始心率数据的异常表现的获取方法如下：

将原始心率数据序列每个原始心率数据与前一个原始心率数据相减，相减结果记为第一差值；若第一差值大于0，则将第一差值进行归一化处理，并将处理结果记为对应的原始心率数据的异常表现；若第一差值小于或等于0，则对应的原始心率数据的异常表现则为1；另外，第一个原始心率数据异常表示默认为1；

所述前后相邻原始心率数据的获取方法如下：

预设一个第i个原始心率数据前后相邻数据个数N0；获取第i个原始心率数据之前的N0/2个原始心率数据，获取第i个原始心率数据之后的N0/2个原始心率数据，这些N0个原始心率数据记为第i个原始心率数据的所有前后相邻的原始心率数据，并且这些N0个原始心率数据依自身数据对应时序上的前后顺序进行排序；另外，当第i个原始心率数据之前的数据或第i个原始心率数据之后的数据不足N0/2个时，那么将第i个原始心率数据之前的数据或第i个数据之后的原始心率数据全都作为第i个数据的前后相邻的原始心率数据，直至满足N0个原始心率数据；

所述原始心率数据的第一趋势表现程度的获取表达式如下：

其中表示第i个原始心率数据前后相邻的第v个原始心率数据的差异关系的影响下第i个趋势项对应原始心率数据的趋势表现程度，记为第一趋势表现程度；/>表示第i个原始心率数据；/>表示第i个原始心率数据前后相邻的第v个原始心率数据；/>表示/>与前一个原始心率数据的差值的绝对值，记为第一绝对值；/>表示/>与/>之间的第u个原始心率数据与第u-1个原始心率数据的差值的绝对值；/>表示/>与/>之间所有/>个原始心率数据；/>表示第v个原始心率数据的异常表现；

所述原始心率数据的第二趋势表现程度的获取表达式如下：

其中表示第一绝对值；/>、/>分别表示第v个原始心率数据、第v-1个原始心率数据对应的光照强度；/>表示第v个原始心率数据之前相邻的N1个原始心率数据中，与/>差异最大的光照强度；/>表示/>对应的原始心率数据；/>表示/>对应的原始心率数据；表示/>与/>之间的时间间隔；/>表示线性归一化函数；/>表示第v个原始心率数据光照强度变化影响下其心率数据异常变化程度，即第v个心率数据对应光照强度的变化对第i个趋势项计算的异常影响，记为第二趋势表现程度；

所述残差项的获取方法如下：

利用现有的平均移动法获取趋势项数据序列，然后将原始心率数据序列减去对应趋势项数据序列后的心率数据序列记为对应时序上的残差项；

所述残差项对原始心率数据序列的异常表现程度的获取表达式如下：

其中表示第一趋势表现程度；/>表示第v个原始心率数据对应的光照强度；/>表示所有原始心率数据对应的光照强度的最大值；/>表示第v个原始心率数据光照强度变化影响下其心率数据异常变化程度，即第v个心率数据对应光照强度的变化对第i个趋势项计算的异常影响，记为第二趋势表现程度； N0表示第i个原始心率数据前后相邻的NO个原始心率数据；/>表示第i个残差项对原始心率数据序列的异常表现程度；

所述原始心率数据的异常程度的获取方法如下：

将每个残差项的绝对值记为第二绝对值，将第二绝对值与异常表现程度相乘，相乘结果记为每个原始心率数据的异常程度；

所述原始心率数据的异常程度进行筛选的具体过程如下：

预设一个异常程度阈值，根据最大最小值归一化法，输入所有的原始心率数据的异常程度，输出归一化后的所有异常程度，此时若当前原始心率数据的归一化后的异常程度大于/>时，则将当前原始心率数据作为异常心率数据，反之则作为正常心率数据。

2.基于人工智能的智能手表监测系统，其特征在于，该系统包括以下模块：

采集原始心率数据以及光照强度模块，获取智能手表的原始心率数据序列以及对应的光照强度；

第一趋势表现程度获取模块，结合人体心率变化特征，得到原始心率数据序列中每个原始心率数据的异常表现；根据原始心率数据的异常表现，通过结合前后相邻原始心率数据的互相影响关系，得到每个原始心率数据的第一趋势表现程度；

异常程度获取模块，根据前后相邻原始心率数据的互相影响关系、时间间隔以及对应光照强度的变化量，得到每个原始心率数据的第二趋势表现程度；根据原始心率数据的第一趋势表现程度和第二趋势表现程度，得到每个残差项对原始心率数据序列的异常表现程度；根据每个原始心率数据对应的残差项对原始心率数据序列的异常表现程度以及残差项，得到每个原始心率数据的异常程度；根据每个原始心率数据的异常程度进行筛选，得到原始心率数据序列中所有的异常心率数据；

心率数据监测模块，根据原始心率数据序列中的异常心率数据进行剔除处理，得到剔除后的原始心率数据序列，并对剔除后的原始心率数据序列进行心率监测；

心率数据的异常表现的获取方法如下：

将原始心率数据序列每个原始心率数据与前一个原始心率数据相减，相减结果记为第一差值；若第一差值大于0，则将第一差值进行归一化处理，并将处理结果记为对应的原始心率数据的异常表现；若第一差值小于或等于0，则对应的原始心率数据的异常表现则为1；另外，第一个原始心率数据异常表示默认为1；

所述前后相邻原始心率数据的获取方法如下：

预设一个第i个原始心率数据前后相邻数据个数N0；获取第i个原始心率数据之前的N0/2个原始心率数据，获取第i个原始心率数据之后的N0/2个原始心率数据，这些N0个原始心率数据记为第i个原始心率数据的所有前后相邻的原始心率数据，并且这些N0个原始心率数据依自身数据对应时序上的前后顺序进行排序；另外，当第i个原始心率数据之前的数据或第i个原始心率数据之后的数据不足N0/2个时，那么将第i个原始心率数据之前的数据或第i个数据之后的原始心率数据全都作为第i个数据的前后相邻的原始心率数据，直至满足N0个原始心率数据；

所述原始心率数据的第一趋势表现程度的获取表达式如下：

其中表示第i个原始心率数据前后相邻的第v个原始心率数据的差异关系的影响下第i个趋势项对应原始心率数据的趋势表现程度，记为第一趋势表现程度；/>表示第i个原始心率数据；/>表示第i个原始心率数据前后相邻的第v个原始心率数据；/>表示/>与前一个原始心率数据的差值的绝对值，记为第一绝对值；/>表示/>与/>之间的第u个原始心率数据与第u-1个原始心率数据的差值的绝对值；/>表示/>与/>之间所有/>个原始心率数据；/>表示第v个原始心率数据的异常表现；

所述原始心率数据的第二趋势表现程度的获取表达式如下：

其中表示第一绝对值；/>、/>分别表示第v个原始心率数据、第v-1个原始心率数据对应的光照强度；/>表示第v个原始心率数据之前相邻的N1个原始心率数据中，与/>差异最大的光照强度；/>表示/>对应的原始心率数据；/>表示/>对应的原始心率数据；表示/>与/>之间的时间间隔；/>表示线性归一化函数；/>表示第v个原始心率数据光照强度变化影响下其心率数据异常变化程度，即第v个心率数据对应光照强度的变化对第i个趋势项计算的异常影响，记为第二趋势表现程度；

所述残差项的获取方法如下：

利用现有的平均移动法获取趋势项数据序列，然后将原始心率数据序列减去对应趋势项数据序列后的心率数据序列记为对应时序上的残差项；

所述残差项对原始心率数据序列的异常表现程度的获取表达式如下：

其中表示第一趋势表现程度；/>表示第v个原始心率数据对应的光照强度；/>表示所有原始心率数据对应的光照强度的最大值；/>表示第v个原始心率数据光照强度变化影响下其心率数据异常变化程度，即第v个心率数据对应光照强度的变化对第i个趋势项计算的异常影响，记为第二趋势表现程度； N0表示第i个原始心率数据前后相邻的NO个原始心率数据；/>表示第i个残差项对原始心率数据序列的异常表现程度；

所述原始心率数据的异常程度的获取方法如下：

将每个残差项的绝对值记为第二绝对值，将第二绝对值与异常表现程度相乘，相乘结果记为每个原始心率数据的异常程度；

所述原始心率数据的异常程度进行筛选的具体过程如下：

预设一个异常程度阈值，根据最大最小值归一化法，输入所有的原始心率数据的异常程度，输出归一化后的所有异常程度，此时若当前原始心率数据的归一化后的异常程度大于/>时，则将当前原始心率数据作为异常心率数据，反之则作为正常心率数据。