CN116701886B - 一种运动肺测试数据智能分析管理系统 - Google Patents
一种运动肺测试数据智能分析管理系统 Download PDFInfo
- Publication number
- CN116701886B CN116701886B CN202310981071.3A CN202310981071A CN116701886B CN 116701886 B CN116701886 B CN 116701886B CN 202310981071 A CN202310981071 A CN 202310981071A CN 116701886 B CN116701886 B CN 116701886B
- Authority
- CN
- China
- Prior art keywords
- data
- type
- degree
- exercise
- point
- 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.)
- Active
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 36
- 238000012360 testing method Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 230000005856 abnormality Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 89
- 230000002612 cardiopulmonary effect Effects 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000036387 respiratory rate Effects 0.000 claims description 18
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 239000004973 liquid crystal related substance Substances 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000241 respiratory effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000004217 heart function Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004199 lung function Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000036391 respiratory frequency Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 238000013123 lung function test Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种运动肺测试数据智能分析管理系统，包括：通过仪器采集被测试者的各项数据，然后对获得的数据进行预处理；通过对多种数据进行分析，建立数据分析模型，然后根据不同负荷强度下的数据变化来判断数据点的异常概率；根据数据点的异常概率来获得异常数据点。本发明通过对多种数据进行综合分析，来判断可能出现的数据点的异常概率，然后对数据点进行标记，再由专业人员来进行二次判断，使运动肺测试数据结果更加准确。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种运动肺测试数据智能分析管理系统。
背景技术
运动肺测试是一种用于评估人体运动耐受性和呼吸功能的检测方法。其主要原理是通过逐步增加运动负荷，测量被试者在不同负荷下的呼吸频率、潮气量、吸氧量和CO2排出量等指标，以评估其心肺功能和运动耐受性。在进行测量时，一般采用阶段式耐力测试，该方法是一种逐步增加工作负荷的运动肺功能测试方法，通常采用跑步机做固定时间的运动，每隔一段时间增加负荷强度，在测试过程中，被试者需要尽可能完成预设的工作负荷，并记录呼吸频率、潮气量等指标。在对心肺功能进行评估时，需要通过仪器来采集被测试者的呼吸数据，然后对数据进行分析来监测被测试者的心肺功能情况，但是因为会出现因为不同数据的变化程度不同导致判断结果不准确的情况。
发明内容
本发明提供一种运动肺测试数据智能分析管理系统，以解决现有的问题。
本发明的一种运动肺测试数据智能分析管理系统采用如下技术方案：
本发明一个实施例提供了一种运动肺测试数据智能分析管理系统，该系统包括：
数据采集模块，用于采集被测试者的包含多种数据类型的各项初始数据，并获得被测试者运动后的包含多种数据类型的心肺数据；
数据处理模块，用于根据被测试者运动后的心肺数据和各项初始数据得到每种运动情况下每种数据类型的每个数据点的数据变化后程度，根据数据变化后程度拟合数据变化曲线；根据数据变化曲线和每种运动情况下每种数据类型的每个数据点的数据变化后程度得到每种运动情况下每种数据类型的每个数据点的异常程度，并根据异常程度得到每种数据类型的每个数据点的修正异常值；根据每种数据类型的每个数据点的修正异常值和每种运动情况下每种数据类型的每个数据点的异常程度得到每种数据类型的每个数据点的异常概率；
智能判断模块，用于根据每种数据类型的每个数据点的异常概率与正常异常水平阈值进行比较，然后对数据点进行判断，若数据点的异常概率超出阈值，则对其进行标记，进而对所有的心肺数据进行判断并标记，获得被测试者在不同的运动情况下心肺数据可能出现的异常情况，完成对运动肺测试数据的智能分析。
优选的，所述被测试者的包含多种数据类型的各项初始数据包括的具体内容如下：
被测试者在正常无运动情况下的各项包含呼吸频率、心率、潮气量数据在内的心肺数据。
优选的，所述被测试者运动后的包含多种数据类型的心肺数据包括的具体内容如下：
采集被测试者在跑步机上匀速运动一定时间的心肺数据，并对获得的数据进行记录；分别等到被测试者充分休息后，各项心肺数据与无运动情况下的心肺数据近似相等时，再分别采集被测试者在跑步机上匀速运动各自一定时间的心肺数据，并分别对获得的数据进行记录。
优选的，所述根据被测试者运动后的心肺数据和各项初始数据得到每种运动情况下每种数据类型的每个数据点的数据变化后程度，包括的具体步骤如下：
获得潮气量、呼吸频率和心率共三种类型的数据，计算各类型数据的基底数据，基底数据中包含平均潮气量、平均呼吸频率和平均心率；
进一步，用每种运动情况下每种数据类型的每个数据点的数据值减去对应类型数据的基底数据得到每种运动情况下每种数据类型的每个数据点的数据变化后程度。
优选的，所述各类型数据的基底数据的具体计算公式如下：
其中，表示正常无运动情况下的平均潮气量，/>表示在潮气量数据中第/>个极大值点的幅值，/>表示在潮气量数据中第/>个极小值点的幅值，/>表示潮气量数据包含的极大值点的个数，/>表示正常无运动情况下的呼吸频率，/>表示当潮气量数据取得极小值时的第/>个时间点，/>表示当潮气量数据取得极小值时的第/>个时间点，/>表示潮气量数据取得极小值时的时间点的总数目，且有/>，/>表示每种类型数据从极大值到极小值再到另一个极大值所占用的时间，/>表示正常无运动情况下的平均心率，/>表示在心率数据中第/>个极大值点的幅值，/>表示在心率数据中第/>个极小值点的幅值，/>表示潮气量数据包含的极大值点的个数。
优选的，所述拟合数据变化曲线，包括的具体步骤如下：
根据所有种运动情况下所有种数据类型中每个数据点的数据变化后程度，统计数据变化后程度在时序中每一个呼吸周期上数据随时间的变化走向，然后对每种类型的数据的变化走向进行拟合，获得每种运动情况下每种类型的数据变化曲线。
优选的，所述根据数据变化曲线和每种运动情况下每种数据类型的每个数据点的数据变化后程度得到每种运动情况下每种数据类型的每个数据点的异常程度，包括的具体步骤如下：
在每种运动情况下每种类型的数据变化曲线中，计算每种运动情况下每种数据类型的每个数据点处的斜率，并统计每种运动情况下每种数据类型的所有数据点的算术均值，将算术均值记为每种运动情况下每种数据类型的平均斜率；
计算每种运动情况下每种数据类型的每个数据点的异常程度，其计算公式如下：
其中，表示第/>种运动情况下第/>种数据类型的第/>个数据点的异常程度，/>表示第/>种运动情况下第/>种数据类型的平均斜率，/>表示第/>个数据点的斜率，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点在时序上前后邻域中数据的变化程度的/>个数据值，/>表示第/>个数据点在时序上一侧邻域数据点的数量。
优选的，所述根据异常程度得到每种数据类型的每个数据点的修正异常值，包括的具体步骤如下：
获取其他所有运动情况中与每种运动情况共有的时序片段数；
计算每种运动情况下每种数据类型的每个数据点的修正异常值，其计算公式如下：
其中，表示第/>种运动情况下第/>种数据类型的第/>个数据点的修正异常值，表示第/>种运动情况下第/>种数据类型的第/>个数据点的异常程度，/>表示除第/>种运动情况外第/>种运动情况下第/>种数据类型的第/>个数据点的异常程度，/>表示所有运动情况与第/>种运动情况共有的时序片段数，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点与其他所有种运动情况下第/>中运动情况下第/>种数据类型的第/>个数据点的差值的绝对值的集合，/>表示取括号内集合中的最大值，/>表示所有运动情况中除了第/>种运动情况的剩余运动情况的集合。
优选的，所述每个数据点的异常概率的具体计算公式如下：
其中，表示第/>种运动情况下第/>种数据类型的第/>个数据点的异常概率，表示第/>种运动情况下第/>种数据类型的第/>个数据点的修正异常值，/>表示所有数据类型中除了第/>种数据类型的剩余数据类型的集合， />表示第/>种运动情况下中除了第/>种数据类型外的第/>种数据类型的第/>个数据点的修正异常值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>个数据点在时序上一侧邻域数据点的数量， />表示对括号里的数值进行线性归一化。
本发明的技术方案的有益效果是：在对运动肺检测数据进行智能分析时，本发明首先根据被测试者在正常情况下的数据将其作为基底数据，然后根据在不同运动负荷强度在的心肺监测数据与基底数据进行比较，获得数据变化趋势模型；进而再分析单个数据变化可能产生的异常数据点，然后再根据不同运动强度下数据的变化来判断当前数据点异常程度是否存在异常，进而对异常程度进行修正，然后再根据不同类型数据的变化来获得当前数据类型中数据点的异常概率；本发明通过综合分析各数据之间的变化，来确定不同监测数据中可能出现的异常数据点的概率，使其在对心肺数据监测过程中更加的准确，避免因为其他因素的干扰导致的数据结果不准确的可能，使其在对被测试者心肺数据进行分析时能够准确的反映被测试者的心肺功能变化。
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为本发明一种运动肺测试数据智能分析管理系统的系统结构图。
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一种运动肺测试数据智能分析管理系统，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一种运动肺测试数据智能分析管理系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种运动肺测试数据智能分析管理系统的系统结构图，该系统包括：
数据采集模块，用于采集被测试者的各项初始数据，并获得被测试者运动后的心肺数据。
需要说明的是，为了对运动肺测试数据进行异常分析，因此首先需要采集获得被测试者的呼吸数据，本实施例使用CPX-2000心肺功能测试仪来采集被测试者的心肺数据，其中包含呼吸频率、心率、潮气量等数据，然后对获得的数据进行去噪处理，本实施例使用小波变换算法对获得的各种数据进行去噪处理，该算法为现有公知技术，在此不再进行赘述。在采集数据时，因为需要对被测试者运动过程中的心肺数据进行分析，因此在采集数据时，需要采集各个过程中的数据，然后对获得的数据进行分析，来监测被测试者在运动情况下的心肺数据中是否存在异常。
具体的，使用心肺功能测试仪采集被测试者在正常无运动情况下的各项包含呼吸频率、心率、潮气量等数据在内的心肺数据，对获得的数据使用小波变换算法进行去噪处理，对数据进行记录，记为被测试者的各项初始数据，该数据包含时序上的正常无运动情况下的潮气量数据的第个极值点的幅值/>、当潮气量数据取得极小值时的第/>个时间点/>以及第/>个时间点/>、时序上的正常无运动情况下的心率数据的第/>个极值点的幅值/>；
将被测试者心肺数据中第个时序上的心肺数据点表示为/>，其中，/>表示运动情况，/>表示数据的种类，在本实施例中，有/>和/>，其中1表示运动1min情况下的心肺数据、2表示运动2min情况下的心肺数据、3表示运动3min情况下的心肺数据、5表示运动5min情况下的心肺数据，/>表示潮气量类型的心肺数据、表示呼吸频率类型的心肺数据、/>表示心率类型的心肺数据。
采集被测试者在跑步机上匀速运动1分钟的心肺数据，并对获得的数据进行记录，用表示该情况，则有对应的/>；
等到被测试者充分休息后，各项心肺数据与无运动情况下的心肺数据近似相等时，再采集被测试者在跑步机上匀速运动2分钟的心肺数据，并对获得的数据进行记录，得到对应的；
分别等到被测试者充分休息后，各项心肺数据与无运动情况下的心肺数据近似相等时，再分别采集被测试者在跑步机上匀速运动3分钟和5分钟的心肺数据，并分别对获得的数据进行记录，得到对应的和/>；
至此，得到了被测试者的各项初始数据和被测试者运动后的心肺数据。
为方便说明，本实施例将数据处理模块划分为数据变化曲线拟合模块、异常程度修正模块和异常概率拟合模块进行细致说明。
数据变化曲线拟合模块，用于根据被测试者运动后的心肺数据和各项初始数据得到每种运动情况下每种数据类型的每个数据点的数据变化后程度，并拟合数据变化曲线。
需要说明的是，因为在对运动过程中被测试者的心肺功能进行评估时，需要根据监测到的心肺数据的变化来判断在运动过程中可能存在的异常情况，其主要是数据趋势的变化，并且在本发明中采集获得的数据是多种类型的数据，其中包含呼吸频率、心率和潮气量等数据，因此首先需要根据各数据的之间的变化来对数据心肺的变化过程进行表示。并且在采集数据时，是在不同的运动负荷强度下获得的不同心肺变化数据，因此需要对多种负荷强度下的数据进行分析，来判断在不同的运动负荷强度下心率数据的异常情况。根据先验知识，当健康状况良好的人在运动的过程中会出现呼吸频率加快、心率增大、潮气量增大等现象，其中潮气量等于吸气时间乘以供气流速，其表示的是单位时间内的吸气量。并且每个类型的数据的变化量是呈现一定线性关系的，因此在对各类型数据进行分析时，需要根据其线性变化关系来获得被测试者心肺数据的异常情况。则首先计算获得在正常无运动情况下的各心肺数据的参考值，然后将该数据值作为基底数据，然后计算在不同运动负荷强度下相较于基底数据的偏移值。因为基底数据的变化是非常平稳的，而在不同的运动负荷强度下其各项数据的变化程度是不相同的，因此计算其他数据相较于基底数据的偏移程度就表示的是在不同运行负荷强度下心肺数据的变化程度。
具体的，根据采集获得的被测试者在正常无运动情况下的心肺数据进行分析，获得各项数据的基底数据，其中包含平均潮气量、平均呼吸频率和平均心率，其计算公式如下：
其中，表示正常无运动情况下的平均潮气量，/>表示在潮气量数据中第/>个极大值点的幅值，/>表示在潮气量数据中第/>个极小值点的幅值，表示进行一次呼吸的潮气量数据的变化，/>表示潮气量数据包含的极大值点的个数，/>表示在整个无运动情况下潮气量数据序列中的平均幅值变化。/>表示正常无运动情况下的呼吸频率，/>表示当潮气量取得极小值时的第/>个时间点，/>表示当潮气量取得极小值时的第/>个时间点，/>表示潮气量取得极小值时的时间点的总数目，且有/>，/>表示在一次完整的呼吸过程中所用的时间，/>是呼吸周期，是各种数据从极大值到极小值再到另一个极大值所占用的时间，则/>表示在一个呼吸周期/>内的呼吸频率。/>表示正常无运动情况下的平均心率，/>表示在心率数据中第/>个极大值点的幅值，表示在心率数据中第/>个极小值点的幅值。其公式逻辑与获取/>的公式逻辑一样，本实施例不在此进行赘述。
进一步，每种运动情况下每种数据类型的每个数据点的数据变化后程度的计算公式如下：
其中，表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化后程度，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据值，/>表示第/>种数据类型的基底数据。/>表示不同类型的数据，且/>。通过该差值计算，可以得到每种运动情况下数据点与基底数据的差异量，反映了数据的变化情况。
需要说明的是，在进行计算时，都是按照被测试者在一次完整的呼吸过程中产生的数据进行计算的，与基底数据的计算方法相同，计算呼吸频率是就是按照一次完整的呼吸所消耗的时间，/>是呼吸周期，是各种数据从极大值到极小值再到另一个极大值所占用的时间。其他参量的计算方法相同，在这里不再进行赘述。
需要进一步说明的是，因为在运动情况下心肺数据都是类周期变化的，并不是真正的周期变化，因此在计算不同运动强度下心肺数据的偏移程度时，通过比较每一个类周期数据段中每个类型的数据与其对应的基底数据的之间的差异来获得数据的偏移量，然后以偏移量在时序上的推移为基础对数据曲线进行拟合，获得各类数据相较于基底数据的数据变化曲线。因为计算得到了在每一次呼吸周期内各个数据点的数据变化后程度，因此在进行数据拟合时直接根据计算获得的数据点来拟合曲线，然后根据拟合获得的在不同运动负荷强度下不同类型数据的变化来监测被测试者的心肺数据变化。
具体的，根据所有种运动情况下所有种数据类型中每个数据点的数据变化后程度，统计数据变化后程度在时序中每一个呼吸周期上数据随时间的变化走向，然后对每种类型的数据的变化走向进行拟合，获得每种运动情况下每种类型的数据变化曲线。
至此，得到了每种运动情况下每种数据类型的每个数据点的数据变化后程度和数据变化曲线。
异常程度修正模块，用于根据数据变化曲线和每种运动情况下每种数据类型的每个数据点的数据变化程度得到每种运动情况下每种数据类型的每个数据点的异常程度，并根据异常程度得到每种数据类型的每个数据点的修正异常值。
需要说明的是，在对不同运动负荷强度数据进行分析时，需要根据不同负荷强度下数据的变化来判断有可能出现异常的数据点，因为在运动过程中，一个人的呼吸频率的变化是呈现线性变化的，当在不同的运动强度下心肺数据的变化也是呈现一定相关关系的，因此在对每次的运动监测数据进行分析时，应当以前一种运动监测数据为对比数据来进行比，例如：在计算三分钟的运动监测数据时，应该以一分钟、两分钟的数据为对比数据，然后数据的趋势变化来判断当前运动强度下可能出现的异常数据点。因此首先对一分钟运动强度监测数据进行分析，因为心率数据、呼吸频率数据以及潮气量数据是呈现相同变化趋势的，但是若一个人的心脏功能有问题，在运动过程中，心率出现了一定的失常的情况，其监测数据会出现变化
具体的，在每种运动情况下每种类型的数据变化曲线中，计算第种运动情况下第种数据类型的第/>个数据点处的斜率/>，并统计每种运动情况下每种数据类型的所有数据点的算术均值，将算术均值记为第/>种运动情况下第/>种数据类型的平均斜率/>，则每种运动情况下每种数据类型的每个数据点的异常程度的计算公式如下：
其中，表示第/>种运动情况下第/>种数据类型的第/>个数据点的异常程度，/>表示第/>种运动情况下第/>种数据类型的平均斜率，/>表示第/>个数据点的斜率，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化后程度的数值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点在时序上前后邻域中数据的变化程度的/>个数据值，/>表示第/>个数据点在时序上一侧邻域数据点的数量，本实施例中/>。表示当前数据点的斜率与整体数据变化趋势的差异，其差异越大，说明当前数据相较于基底数据的变化是呈现非线性关系的，那么说明此时被测试者在进行运动监测时监测数据出现了可能的异常情况即此时的数据点异常程度越大，而因为在运动过程中不同的运动时间段上，心肺监测数据的变化程度是不相同的，因此需要比较邻域数据的变化来判断当前数据点的异常。
需要进一步说明的是，根据上述计算获得的数据点的异常程度，然后对不同运动强度下的数据进行比较，若当前数据的异常程度较大，但是在其他运动强度下的数据异常程度小，说明当前数据的实际异常程度是较小的，相当于是对数据点的异常程度进行修正。
具体的，获取其他所有运动情况中与第种运动情况共有的时序片段数/>，例如，本实施例中所有4种运动中，除了第/>种运动情况的另外3种运动情况中的时序都具有前1min的时序片段，则/>，同理本实施例中的/>，则每种运动情况下每种数据类型的每个数据点的修正异常值的计算公式如下：
其中，表示第/>种运动情况下第/>种数据类型的第/>个数据点的修正异常值，表示第/>种运动情况下第/>种数据类型的第/>个数据点的异常程度，/>表示除第/>种运动情况外第/>种运动情况下第/>种数据类型的第/>个数据点的异常程度，/>表示所有运动情况与第/>种运动情况共有的时序片段数，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点与其他所有种运动情况下第/>中运动情况下第/>种数据类型的第/>个数据点的差值的绝对值的集合，/>表示取括号内集合中的最大值。表示当前数据的与其他数据的差异，差异越大，说明当前运动情况下的数据点的异常程度可能是异常的，因此其异常程度越大。/>表示所有运动情况中除了第/>种运动情况的剩余运动情况的集合，在本实施例中为/>的子集，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点与其他运动情况下数据点异常值的均值。根据上述计算获得的当前数据的修正异常值，最后再计算每种运动情况下的数据点的修正异常值。需要说明的是，在计算/>时，/>为0，无需计算/>。
至此，得到了每种数据类型的每个数据点的修正异常值。
异常概率拟合模块，用于根据每种数据类型的每个数据点的修正异常值和每种运动情况下每种数据类型的每个数据点的异常程度得到每种数据类型的每个数据点的异常概率。
需要说明的是，根据计算获得的数据点的异常值，然后根据多种类型的数据进行比较，来判断当前数据的异常。因为人在进行运动时，机体的反应是相互关联的，例如呼吸频率和潮气量时呈现正相关关系的，因此需要根据不同类型数据的变化来确定异常数据点。
具体的，每种运动情况下每种数据类型的每个数据点的异常概率的计算公式如下：
其中，表示第/>种运动情况下第/>种数据类型的第/>个数据点的异常概率，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的修正异常值，/>表示所有数据类型中除了第/>种数据类型的剩余数据类型的集合，在本实施例中为/>的子集，/>表示第/>种运动情况下/>中除了第/>种数据类型外的第/>种数据类型的第/>个数据点的修正异常值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>个数据点在时序上一侧邻域数据点的数量，本实施例中/>，表示对括号里的数值进行线性归一化。/>两种数据类型下第/>个数据点的异常程度的差表示当前时刻被测试者在同一运动时间上心肺数据的变化情况，若差值较大，说明当前时刻该数据的异常程度较大。/>表示第/>种数据类型中邻域数据的变化程度，/>表示第/>种数据类型邻域数据中的变化程度，两者相减表示在邻域数据的变化中的差异，差异越大，说明当前数据在此处的数据点的异常程度较大。
至此，得到了每个数据点的异常概率。
智能判断模块，用于判定每种数据类型的每个数据点的异常概率是否超出一定界限，并将判定结果生成报告。
需要说明的是，根据每种数据类型的每个数据点的异常概率与正常异常水平阈值进行比较，然后对数据点进行判断，若数据点的异常概率超出阈值，则表示该数据点存在异常，需要被标记处理。
设置正常异常水平阈值，本实施例以/>为例进行叙述，本实施例不进行具体限定，该值可根据具体实施情况而定。
具体的，比较所有的与/>的大小，若/>，则对该数据点即第/>种运动情况下第/>种数据类型的第/>个数据点对应的心肺数据进行标记，若/>，则不做任何处理，以此类推，对所有的心肺数据进行判断并标记，获得被测试者在不同的运动情况下心肺数据可能出现的异常情况，然后生成监测报告，交给专业人员进行判断心肺数据情况，完成了对运动肺测试数据的智能分析，并通过操作系统交由专业人员进行进一步判定心肺数据情况。
至此，本实施例完成了一种运动肺测试数据的智能分析管理。
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 (4)
1.一种运动肺测试数据智能分析管理系统，其特征在于，该系统包括：
数据采集模块，用于采集被测试者的包含多种数据类型的各项初始数据，并获得被测试者运动后的包含多种数据类型的心肺数据；
数据处理模块，用于根据被测试者运动后的心肺数据和各项初始数据得到每种运动情况下每种数据类型的每个数据点的数据变化后程度，根据数据变化后程度拟合数据变化曲线；其中，每种运动情况指的是不同运动时长情况；根据数据变化曲线和每种运动情况下每种数据类型的每个数据点的数据变化后程度得到每种运动情况下每种数据类型的每个数据点的异常程度，并根据异常程度得到每种数据类型的每个数据点的修正异常值；根据每种数据类型的每个数据点的修正异常值和每种运动情况下每种数据类型的每个数据点的异常程度得到每种数据类型的每个数据点的异常概率；
智能判断模块，用于根据每种数据类型的每个数据点的异常概率与正常异常水平阈值进行比较，然后对数据点进行判断，若数据点的异常概率超出阈值，则对其进行标记，进而对所有的心肺数据进行判断并标记，获得被测试者在不同的运动情况下心肺数据可能出现的异常情况，完成对运动肺测试数据的智能分析；
所述被测试者的包含多种数据类型的各项初始数据包括的具体内容如下：
被测试者在正常无运动情况下的各项包含呼吸频率、心率、潮气量数据在内的心肺数据；
所述根据被测试者运动后的心肺数据和各项初始数据得到每种运动情况下每种数据类型的每个数据点的数据变化后程度，包括的具体步骤如下：
获得潮气量、呼吸频率和心率共三种类型的数据，计算各类型数据的基底数据，基底数据中包含平均潮气量、平均呼吸频率和平均心率；
进一步，用每种运动情况下每种数据类型的每个数据点的数据值减去对应类型数据的基底数据得到每种运动情况下每种数据类型的每个数据点的数据变化后程度；
所述根据数据变化曲线和每种运动情况下每种数据类型的每个数据点的数据变化后程度得到每种运动情况下每种数据类型的每个数据点的异常程度，包括的具体步骤如下：
在每种运动情况下每种类型的数据变化曲线中，计算每种运动情况下每种数据类型的每个数据点处的斜率，并统计每种运动情况下每种数据类型的所有数据点的算术均值，将算术均值记为每种运动情况下每种数据类型的平均斜率；
计算每种运动情况下每种数据类型的每个数据点的异常程度，其计算公式如下：
其中，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的异常程度，/>表示第/>种运动情况下第/>种数据类型的平均斜率，/>表示第/>个数据点的斜率，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点在时序上前后邻域中数据的变化程度的/>个数据值，/>表示第/>个数据点在时序上一侧邻域数据点的数量；
所述根据异常程度得到每种数据类型的每个数据点的修正异常值，包括的具体步骤如下：
获取其他所有运动情况中与每种运动情况共有的时序片段数；
计算每种运动情况下每种数据类型的每个数据点的修正异常值，其计算公式如下：
其中，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的修正异常值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的异常程度，/>表示除第/>种运动情况外第/>种运动情况下第/>种数据类型的第/>个数据点的异常程度，/>表示所有运动情况与第/>种运动情况共有的时序片段数，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点与其他所有种运动情况下第/>中运动情况下第/>种数据类型的第/>个数据点的差值的绝对值的集合，/>表示取括号内集合中的最大值，/>表示所有运动情况中除了第/>种运动情况的剩余运动情况的集合；
每个数据点的异常概率的具体计算公式如下：
其中，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的异常概率，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的修正异常值，/>表示所有数据类型中除了第/>种数据类型的剩余数据类型的集合，/>表示第/>种运动情况下/>中除了第/>种数据类型外的第/>种数据类型的第/>个数据点的修正异常值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>种运动情况下第/>种数据类型的第/>个数据点的数据变化程度的数值，/>表示第/>个数据点在时序上一侧邻域数据点的数量， />表示对括号里的数值进行线性归一化。
2.根据权利要求1所述一种运动肺测试数据智能分析管理系统，其特征在于，所述被测试者运动后的包含多种数据类型的心肺数据包括的具体内容如下：
采集被测试者在跑步机上匀速运动一定时间的心肺数据，并对获得的数据进行记录；分别等到被测试者充分休息后，各项心肺数据与无运动情况下的心肺数据近似相等时，再分别采集被测试者在跑步机上匀速运动各自一定时间的心肺数据，并分别对获得的数据进行记录。
3.根据权利要求1所述一种运动肺测试数据智能分析管理系统，其特征在于，所述各类型数据的基底数据的具体计算公式如下：
其中，/>表示正常无运动情况下的平均潮气量，表示在潮气量数据中第/>个极大值点的幅值，/>表示在潮气量数据中第/>个极小值点的幅值，/>表示潮气量数据包含的极大值点的个数，/>表示正常无运动情况下的呼吸频率，/>表示当潮气量数据取得极小值时的第/>个时间点，/>表示当潮气量数据取得极小值时的第/>个时间点，/>表示潮气量数据取得极小值时的时间点的总数目，且有/>，/>表示每种类型数据从极大值到极小值再到另一个极大值所占用的时间，/>表示正常无运动情况下的平均心率，/>表示在心率数据中第/>个极大值点的幅值，/>表示在心率数据中第/>个极小值点的幅值，/>表示潮气量数据包含的极大值点的个数。
4.根据权利要求1所述一种运动肺测试数据智能分析管理系统，其特征在于，所述拟合数据变化曲线，包括的具体步骤如下：
根据所有种运动情况下所有种数据类型中每个数据点的数据变化后程度，统计数据变化后程度在时序中每一个呼吸周期上数据随时间的变化走向，然后对每种类型的数据的变化走向进行拟合，获得每种运动情况下每种类型的数据变化曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310981071.3A CN116701886B (zh) | 2023-08-07 | 2023-08-07 | 一种运动肺测试数据智能分析管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310981071.3A CN116701886B (zh) | 2023-08-07 | 2023-08-07 | 一种运动肺测试数据智能分析管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116701886A CN116701886A (zh) | 2023-09-05 |
| CN116701886B true CN116701886B (zh) | 2023-10-27 |
Family
ID=87832590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310981071.3A Active CN116701886B (zh) | 2023-08-07 | 2023-08-07 | 一种运动肺测试数据智能分析管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116701886B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117877748B (zh) * | 2024-03-11 | 2024-05-14 | 深圳市艾利特医疗科技有限公司 | 一种多参数心肺功能测试设备及其数据处理方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101420904A (zh) * | 2006-03-03 | 2009-04-29 | 心脏科学公司 | 使用运动诱导的心率变异性指标量化心脏死亡风险的方法 |
| CN101474066A (zh) * | 2009-01-07 | 2009-07-08 | 上海大学 | 带有加速度传感器的血压实时监测远程适时服务的方法与系统 |
| CN106683340A (zh) * | 2016-12-15 | 2017-05-17 | 歌尔股份有限公司 | 一种用户行为监测方法和可穿戴设备 |
| CN109529304A (zh) * | 2018-11-09 | 2019-03-29 | 深圳市量子智能科技有限公司 | 一种智能训练方法和系统 |
| JP2021040882A (ja) * | 2019-09-10 | 2021-03-18 | 旭化成株式会社 | 心肺機能状態変化推定システム、心肺機能状態変化推定装置、心肺機能状態変化推定方法及び心肺機能状態変化推定プログラム |
| CN113241199A (zh) * | 2021-06-17 | 2021-08-10 | 立信(重庆)数据科技股份有限公司 | 一种智慧居家养老健康管理系统 |
| CN114154913A (zh) * | 2021-12-14 | 2022-03-08 | 上海启泷通教育科技有限公司 | 一种幼儿运动大数据的采集和精细化分析健康数据的方法 |
| CN114258877A (zh) * | 2022-03-01 | 2022-04-01 | 华南农业大学 | 一种基于群体运动量统计特征的家禽健康评估方法及系统 |
| CN114762594A (zh) * | 2021-01-08 | 2022-07-19 | 安徽华米健康科技有限公司 | 心率异常的识别方法、装置和终端设备 |
| CN115414022A (zh) * | 2022-09-06 | 2022-12-02 | 维沃移动通信有限公司 | 数据的处理方法、处理装置、电子设备和存储介质 |
| 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 |
| CN115670419A (zh) * | 2023-01-03 | 2023-02-03 | 深圳市微克科技有限公司 | 基于智能手表预测运动信息的数据处理方法及系统 |
| CN115860590A (zh) * | 2023-03-02 | 2023-03-28 | 广东慧航天唯科技有限公司 | 一种企业排放污染数据的智能分析预警方法及系统 |
| CN116504398A (zh) * | 2022-01-25 | 2023-07-28 | 通用电气精准医疗有限责任公司 | 用于使用基于变换器的神经网络来进行心律失常预测的方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2851820B1 (en) * | 2013-09-20 | 2020-09-02 | Fujitsu Limited | Measurement data processing method and apparatus |
| US9940822B2 (en) * | 2013-11-26 | 2018-04-10 | Kytera Technologies Ltd. | Systems and methods for analysis of subject activity |
-
2023
- 2023-08-07 CN CN202310981071.3A patent/CN116701886B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101420904A (zh) * | 2006-03-03 | 2009-04-29 | 心脏科学公司 | 使用运动诱导的心率变异性指标量化心脏死亡风险的方法 |
| CN101474066A (zh) * | 2009-01-07 | 2009-07-08 | 上海大学 | 带有加速度传感器的血压实时监测远程适时服务的方法与系统 |
| CN106683340A (zh) * | 2016-12-15 | 2017-05-17 | 歌尔股份有限公司 | 一种用户行为监测方法和可穿戴设备 |
| CN109529304A (zh) * | 2018-11-09 | 2019-03-29 | 深圳市量子智能科技有限公司 | 一种智能训练方法和系统 |
| JP2021040882A (ja) * | 2019-09-10 | 2021-03-18 | 旭化成株式会社 | 心肺機能状態変化推定システム、心肺機能状態変化推定装置、心肺機能状態変化推定方法及び心肺機能状態変化推定プログラム |
| CN114762594A (zh) * | 2021-01-08 | 2022-07-19 | 安徽华米健康科技有限公司 | 心率异常的识别方法、装置和终端设备 |
| CN113241199A (zh) * | 2021-06-17 | 2021-08-10 | 立信(重庆)数据科技股份有限公司 | 一种智慧居家养老健康管理系统 |
| CN114154913A (zh) * | 2021-12-14 | 2022-03-08 | 上海启泷通教育科技有限公司 | 一种幼儿运动大数据的采集和精细化分析健康数据的方法 |
| CN116504398A (zh) * | 2022-01-25 | 2023-07-28 | 通用电气精准医疗有限责任公司 | 用于使用基于变换器的神经网络来进行心律失常预测的方法和系统 |
| CN114258877A (zh) * | 2022-03-01 | 2022-04-01 | 华南农业大学 | 一种基于群体运动量统计特征的家禽健康评估方法及系统 |
| CN115414022A (zh) * | 2022-09-06 | 2022-12-02 | 维沃移动通信有限公司 | 数据的处理方法、处理装置、电子设备和存储介质 |
| 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 |
| CN115670419A (zh) * | 2023-01-03 | 2023-02-03 | 深圳市微克科技有限公司 | 基于智能手表预测运动信息的数据处理方法及系统 |
| CN115860590A (zh) * | 2023-03-02 | 2023-03-28 | 广东慧航天唯科技有限公司 | 一种企业排放污染数据的智能分析预警方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Abnormal pulmonary hemodynamics during exercise is associated with exercise capacity in COPD;Teresa Sassmann等;《Resoiratory Research》;第23卷(第331期);第1-10页 * |
| 基于人群运动变化规律的异常行为检测算法;方凯等;《计算机应用》;第30卷(第7期);第39-43页 * |
| 基于呼吸运动检测的肺藏司呼吸功能异常的客观测评研究;徐杨;《中国博士学位论文全文数据库 医药卫生科技辑》(第2期);第E056-10页 * |
| 运动生理指标和自主神经活动风险预警研究;曾健;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》(第2期);第E055-113页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116701886A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3351170B1 (en) | Detection of asynchrony | |
| EP3485806A1 (en) | Wearable device capable of detecting sleep apnea event and detection method thereof | |
| CN116701886B (zh) | 一种运动肺测试数据智能分析管理系统 | |
| WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
| AU2011213041B2 (en) | System and method for diagnosing sleep apnea based on results of multiple approaches to sleep apnea identification | |
| CN108095708A (zh) | 一种基于混合传感的生理监测及分析方法、系统 | |
| CN108143419A (zh) | 一种基于滑动窗心率信号分析的静息代谢率快速获取方法 | |
| CN107510449B (zh) | 心率分析方法及智能穿戴设备 | |
| US20200138381A1 (en) | Methods and systems for adaptable presentation of sensor data | |
| WO2017100519A1 (en) | Systems and methods for adaptable presentation of sensor data | |
| US20110265026A1 (en) | Novelty detection with missing parameters | |
| CN116327188B (zh) | 一种基于指夹式血氧仪的血氧分析方法 | |
| CN111973188A (zh) | 一种基于神经网络估算呼吸力学参数的方法 | |
| CN106504235B (zh) | 基于图像处理的心率监测方法 | |
| KR20120049076A (ko) | 3차원 가속도 센서를 이용한 실시간 칼로리 계산방법 | |
| CN109077711A (zh) | 动态心率数据获取方法、装置、穿戴设备及可读存储介质 | |
| CN109316189A (zh) | 一种非接触性呼吸动态检测方法和装置 | |
| CN117612687B (zh) | 一种基于人工智能的医疗设备监测分析系统 | |
| EP3960078A1 (en) | Respiration monitoring | |
| Chen et al. | Modeling and Alignment Algorithms of Multiple Sensors for the Wearable Human Respiration Monitoring System | |
| CN118078215A (zh) | 一种生命体征监测方法及系统 | |
| CN115644834A (zh) | 一种血压动脉波形图信号伪差识别及信号质量评估方法 | |
| WO2021141572A1 (en) | Methods and systems for adaptable presentation of sensor data | |
| Geiger | Application of Computer Systems in Critical Care | |
| WO2023089615A1 (en) | Capnography-based evaluation of respiratory obstruction level |
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 |