CN117481628A - 一种可穿戴式多参数无创血流动力学监测方法及系统 - Google Patents
一种可穿戴式多参数无创血流动力学监测方法及系统 Download PDFInfo
- Publication number
- CN117481628A CN117481628A CN202311843795.8A CN202311843795A CN117481628A CN 117481628 A CN117481628 A CN 117481628A CN 202311843795 A CN202311843795 A CN 202311843795A CN 117481628 A CN117481628 A CN 117481628A
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- segment
- target
- heart rate
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000000004 hemodynamic effect Effects 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 238000007906 compression Methods 0.000 claims description 33
- 230000006835 compression Effects 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000006837 decompression Effects 0.000 description 4
- 230000017531 blood circulation Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013144 data compression Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000005166 vasculature Anatomy 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- A61B5/026—Measuring blood flow
-
- 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
- A61B5/68—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Hematology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种可穿戴式多参数无创血流动力学监测方法及系统，包括：获取心率时序数据序列，将其分割为若干个序列段，获取每个序列段的数据变化特征，从而得到所有序列段之间的聚类距离，由此使用K均值聚类算法，将所有序列段划分的若干个聚类簇，使用哈夫曼编码算法，得到每个聚类簇的压缩数据和哈夫曼编码表，从而得到使用者的检测结果。本发明通过时序数据序列的自适应分段，对各段数据分别进行压缩存储，并根据前一天采集数据的哈夫曼编码表对后一天采集的数据进行压缩编码，用以提高可穿戴式设备的数据存储效率和血流动力学监测分析的效率。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种可穿戴式多参数无创血流动力学监测方法及系统。
背景技术
一种可穿戴式多参数无创血流动力学监测是指通过可穿戴设备对多个生理参数进行监测，以获取有关心血管系统、血流动力学和其他相关生理参数的信息。并通过对这些数据进行采集存储，以记录使用者的健康信息，其中，心率数据是用于测量人体皮肤表面血流变化的主要参数。
现有的问题：长时间采集的数据对于穿戴设备的存储空间具有一定的挑战，当前常使用哈夫曼编码对心率数据进行压缩存储，但当构建的哈夫曼树的高度较高时，会减小数据压缩和解码的效率，使得数据分析时需要较长时间进行数据解码，从而降低了可穿戴式设备的数据存储效率和血流动力学监测分析的效率。
发明内容
本发明提供一种可穿戴式多参数无创血流动力学监测方法及系统，以解决现有的问题。
本发明的一种可穿戴式多参数无创血流动力学监测方法及系统采用如下技术方案：
本发明一个实施例提供了一种可穿戴式多参数无创血流动力学监测方法，该方法包括以下步骤：
在一位使用者的可穿戴式多参数无创血流动力学监测设备中，采集任意一天的心率数据，得到心率时序数据序列；根据心率时序数据序列中局部极大值点之间的数据值、序数值的差异，得到心率时序数据序列中的若干个分割点；使用心率时序数据序列中的所有分割点，将心率时序数据序列分割为若干个序列段；
根据每个序列段内数据之间的数据值差异，得到每个序列段的数据变化特征；
根据所有序列段之间的数据变化特征、数据数量、数据的数据值的差异，得到所有序列段之间的聚类距离；根据所有序列段之间的聚类距离，使用K均值聚类算法，将所有序列段划分的若干个聚类簇；
使用哈夫曼编码算法，对每个聚类簇中所有序列段中的所有数据进行压缩编码，得到每个聚类簇的压缩数据和哈夫曼编码表；根据所有聚类簇的压缩数据和哈夫曼编码表，得到使用者的检测结果。
进一步地，所述根据心率时序数据序列中局部极大值点之间的数据值、序数值的差异，得到心率时序数据序列中的若干个分割点，包括的具体步骤如下：
使用峰值检测算法，得到心率时序数据序列中的若干个局部极大值点；
将任意一个局部极大值点，记为目标点；
在心率时序数据序列中，从目标点开始，向数据的序数值减小的方向，将依次统计的s个局部极大值点，记为参考点；所述s为预设的数量阈值；
在所有局部极大值点中，将与目标点相邻的前一个局部极大值点，记为主参考点；
根据目标点、主参考点、所有参考点的序数值和数据值，得到目标点的分割可能性；
将分割可能性大于预设的判断阈值的局部极大值点，记为心率时序数据序列中的分割点。
进一步地，所述根据目标点、主参考点、所有参考点的序数值和数据值，得到目标点的分割可能性对应的具体计算公式为：
其中P为目标点的分割可能性，为目标点的序数值，/>为主参考点的序数值，n为参考点的数量，/>为第i个参考点的序数值，/>为第i+1个参考点的序数值，/>为目标点的数据值，/>为第i个参考点的数据值，| |为绝对值函数，/>为以自然常数为底的指数函数，k为预设的指数函数调整值。
进一步地，所述根据每个序列段内数据之间的数据值差异，得到每个序列段的数据变化特征对应的具体计算公式为：
其中为第j个序列段的数据变化特征，/>和/>分别为第j个序列段中所有数据的数据值中的最大值和最小值，/>和/>分别为第j个序列段中第x个和第x+1个数据的数据值，/>为第j个序列段中所有数据的数据值的均值，/>为第j个序列段中所有数据的数量，||为绝对值函数。
进一步地，所述根据所有序列段之间的数据变化特征、数据数量、数据的数据值的差异，得到所有序列段之间的聚类距离，包括的具体步骤如下：
将任意两个序列段，分别记为目标段和参考段；
使用DTW算法，得到目标段和参考段之间的DTW距离；
根据目标段和参考段的数据变化特征、数据数量、目标段和参考段之间的DTW距离，得到目标段和参考段之间的聚类距离。
进一步地，所述根据目标段和参考段的数据变化特征、数据数量、目标段和参考段之间的DTW距离，得到目标段和参考段之间的聚类距离对应的具体计算公式为：
其中Q为目标段和参考段之间的聚类距离，为目标段的数据变化特征，/>为参考段的数据变化特征，/>为目标段中所有数据的数量，/>为参考段中所有数据的数量，H为目标段和参考段之间的DTW距离，/>为线性归一化函数，| |为绝对值函数。
进一步地，所述根据所有聚类簇的压缩数据和哈夫曼编码表，得到使用者的检测结果，包括的具体步骤如下：
将所有聚类簇的压缩数据构成的数据集，记为心率时序数据序列的压缩数据集；
在所述一位使用者的可穿戴式多参数无创血流动力学监测设备中，采集所述任意一天之后一天的心率数据，得到新心率时序数据序列；
根据所述将心率时序数据序列分割为若干个序列段的分割方式，得到新心率时序数据序列分割的若干个新序列段；
将任意一个新序列段，记为新目标段；
根据所述所有序列段之间的聚类距离的获取方式，得到新目标段与每个序列段之间的聚类距离；
根据新目标段与所有序列段之间的聚类距离，得到新目标段的距离值，并在所有聚类簇中筛选出一个目标簇；
根据新目标段的距离值、目标簇中所有序列段之间的聚类距离、目标簇的哈夫曼编码表，得到新目标段的压缩数据；
根据所有新序列段的压缩数据构成的数据集，记为新心率时序数据序列的压缩数据集；
将心率时序数据序列的压缩数据集上传到可穿戴式设备的检测软件中，得到所述任意一天的使用者的检测结果；
将新心率时序数据序列的压缩数据集上传到可穿戴式设备的检测软件中，得到所述任意一天之后一天的使用者的检测结果；所述可穿戴式设备为可穿戴式多参数无创血流动力学监测设备。
进一步地，所述根据新目标段与所有序列段之间的聚类距离，得到新目标段的距离值，并在所有聚类簇中筛选出一个目标簇，包括的具体步骤如下：
统计新目标段与所有序列段之间的聚类距离中的最小值，将所述最小值，记为新目标段的距离值；将所述最小值对应的序列段对应的聚类簇，记为目标簇。
进一步地，所述根据新目标段的距离值、目标簇中所有序列段之间的聚类距离、目标簇的哈夫曼编码表，得到新目标段的压缩数据，包括的具体步骤如下：
将目标簇中所有序列段之间的聚类距离的均值，记为判断距离；
当新目标段的距离值小于判断距离时，使用目标簇的哈夫曼编码表，对新目标段中的数据进行压缩编码，得到新目标段的压缩数据；
当新目标段的距离值大于等于判断距离时，使用哈夫曼编码算法，对新目标段中的数据进行压缩编码，得到新目标段的压缩数据。
本发明还提出了一种可穿戴式多参数无创血流动力学监测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述存储器存储的计算机程序，以实现前述所述的一种可穿戴式多参数无创血流动力学监测方法的步骤。
本发明的技术方案的有益效果是：
本发明实施例中，获取心率时序数据序列，将心率时序数据序列分割为若干个序列段，获取每个序列段的数据变化特征，从而得到所有序列段之间的聚类距离，由此使用K均值聚类算法，将所有序列段划分的若干个聚类簇。使用哈夫曼编码算法，对每个聚类簇中所有序列段中的所有数据进行压缩编码，得到每个聚类簇的压缩数据和哈夫曼编码表。其通过对各聚类簇分别进行压缩存储，提高压缩效率，解压时可只对需要的数据所处的聚类簇进行解压，提高解压效率。根据所有聚类簇的压缩数据和哈夫曼编码表，得到使用者的检测结果。其根据当前的哈夫曼编码表，对采集的正常的新数据进行有损的压缩编码，提高压缩效率，当异常的新数据重新进行哈夫曼编码，由此保护重要的异常数据。至此本发明通过时序数据序列的自适应分段，对各段数据分别进行压缩存储，并根据前一天采集数据的哈夫曼编码表对后一天采集的数据进行压缩编码，用以提高了压缩和解码的效率，使得数据分析时可以快速的进行数据解码，从而提高了可穿戴式设备的数据存储效率和血流动力学监测分析的效率。
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为本发明一种可穿戴式多参数无创血流动力学监测方法的步骤流程图。
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可穿戴式多参数无创血流动力学监测方法及系统，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可穿戴式多参数无创血流动力学监测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种可穿戴式多参数无创血流动力学监测方法的步骤流程图，该方法包括以下步骤：
步骤S001：在一位使用者的可穿戴式多参数无创血流动力学监测设备中，采集任意一天的心率数据，得到心率时序数据序列；根据心率时序数据序列中局部极大值点之间的数据值、序数值的差异，得到心率时序数据序列中的若干个分割点；使用心率时序数据序列中的所有分割点，将心率时序数据序列分割为若干个序列段。
已知长时间的数据采集会得到海量的数据，故需要大量的存储空间，并且之间使用哈夫曼编码对海量数据进行压缩存储时，可能会构建出较高的哈夫曼树，会减小数据压缩和解码的效率。因此本实施例通过将采集的数据分段，分别对每段数据进行哈夫曼编码压缩存储，以降低构建出的哈夫曼树，提高数据压缩和解码的效率，从而提高穿戴设备的存储效率和血流动力学监测分析的效率。
在一位使用者的可穿戴式多参数无创血流动力学监测设备中，采集任意一天的心率数据，得到心率时序数据序列。
所需说明的是：血流动力学监测是指通过对血液循环系统的监测，来评估人体的循环功能和疾病状态。主要监测的数据包括血压、心率、血流量、氧合指数、血容量等，这些类型的数据都可使用本实施例提供的方式进行压缩存储。其中，心率数据是用于测量人体皮肤表面血流变化的主要参数，因此本实施例以此为例进行叙述。人体的健康检测需要一段较长时间的数据，例如每天、每周或每月进行一次检测，本实施例设定每天进行一次检测，其它实施方式中可设置为其它时长，本实施例不进行限定。并且本实施例此时采集的心率数据为正常人的正常数据。
由于人体在不同时间段的心率数据波动情况可能是不一样的，比如受穿戴者的情绪、运动状态以及天气变化等影响，不同时间段的数据则可能是不一样的。而在对采集的大量心率数据通过哈夫曼编码进行压缩的过程中，由于不同时刻数据出现频次的差异，会造成对采集的数据在进行压缩时，所构建的哈夫曼树的高度比较高，这样导致了对数据压缩和解压缩过程中的时间复杂度变高，从而增加了压缩和解压缩所需的时间，同时也增加了穿戴设备系统运算时所占用的资源和功耗。并且采集到新的数据时，需要重新构建哈夫曼树，导致了之前数据建立的哈夫曼树复用性较低，进而增加了压缩存储过程的计算量。
因此，本实施例通过先将采集的数据进行分段，对分段处理后的数据分别构建哈夫曼树，完成对采集数据的存储，提高压缩效率。在对采集的数据进行分段时，通常是根据数据的局部极大值点进行分段的，而分段的数据则可能代表心率数据中的一个周期数据。而在分段过程中，由于穿戴设备采集数据时的局部移动等不可避免的外界因素，会造成在局部数据段内可能出现多个局部极大值点，这有可能将原本属于同一个周期的数据段被分为多段，导致分段结果不准确。因此，需要对能够进行作为分割点的局部极大值点进行分析和筛选，从而将数据进行更好的分段。
使用峰值检测算法，得到心率时序数据序列中的若干个局部极大值点。其中，峰值检测算法为公知技术，具体方法在此不做介绍。
将任意一个局部极大值点，记为目标点。
本实施例预设的数量阈值s为5，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
在心率时序数据序列中，从目标点开始，向数据的序数值减小的方向，将依次统计的s个局部极大值点，记为参考点。
在所有局部极大值点中，将与目标点相邻的前一个局部极大值点，记为主参考点。
所需说明的是：若目标点之前不满足s个局部极大值点，则将存在的那几个局部极大值点，记为参考点，若目标点为首个局部极大值点，则令目标点的分割可能性等于第二个局部极大值点的分割可能性。
由此可知目标点的分割可能性P的计算公式为：
其中P为目标点的分割可能性，为目标点的序数值，/>为主参考点的序数值，n为参考点的数量，/>为第i个参考点的序数值，/>为第i+1个参考点的序数值，/>为目标点的数据值，/>为第i个参考点的数据值，| |为绝对值函数，/>为以自然常数为底的指数函数，本实施例以/>来呈现反比例关系及归一化处理，实施者可根据实际情况设置反比例函数及归一化函数，k为预设的指数函数调整值，避免指数函数衰减过快。本实施例设定/>，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
所需说明的是：因为穿戴设备采集数据的某段数据出现多个局部极大值点时，其多数情况是穿戴设备发生偏移，即穿戴者运动时候所产生的，而出现这种现象之前，则认为采集数据过程中极大值的选取时比较准确的，和/>表示相邻两个局部极大值点的时间间隔，因此当/>越小时，说明心率时序数据序列中的局部极大值点存在周期性特征，目标点作为分割点的可能性越大，/>越小，说明各局部极大值点之间的数据值差异越小，则说明数据波动大小越相似，目标点作为分割点的可能性越大，因此用/>和/>的乘积的反比例的归一化值，表示目标点的分割可能性，P越大，目标点作为分割点的可能性越大。
按照上述方式，得到每个局部极大值点的分割可能性。
本实施例预设的判断阈值为0.8，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
将分割可能性大于预设的判断阈值的局部极大值点，记为心率时序数据序列中的分割点。
使用心率时序数据序列中的所有分割点，将心率时序数据序列分割为若干个序列段。
步骤S002：根据每个序列段内数据之间的数据值差异，得到每个序列段的数据变化特征。
已知每个序列段中的数据表示着人体在不同时间段内心跳的变化情况，当各序列段中的数据相似时，说明这些序列段对应时间中人体的状态相同，可记为一类数据进行压缩存储。因此需要先计算每个时间段内的数据值特征。
由此可知每个序列段的数据变化特征的计算公式为：
其中为第j个序列段的数据变化特征，m为序列段的数量，/>和/>分别为第j个序列段中所有数据的数据值中的最大值和最小值，/>和/>分别为第j个序列段中第x个和第x+1个数据的数据值，/>为第j个序列段中所有数据的数据值的均值，/>为第j个序列段中所有数据的数量，| |为绝对值函数。
所需说明的是：表示第j个序列段中的数据波动范围，/>越大，说明数据波动越大，/>表示第j个序列段中所有相邻数据的差异的均值，体现了序列段中的数据波动程度，/>表示第j个序列段中所有数据与数据均值的差异的均值，体现了序列段中每个数据相对于整体数据幅值的波动程度的总体水平，由此用三者的乘积，表示第j个序列段的数据变化特征。
步骤S003：根据所有序列段之间的数据变化特征、数据数量、数据的数据值的差异，得到所有序列段之间的聚类距离；根据所有序列段之间的聚类距离，使用K均值聚类算法，将所有序列段划分的若干个聚类簇。
由此可根据每个序列段的数据变化特征，使用聚类算法，对序列段进行分类，将相似的序列段聚为一类。而使用聚类算法需要得到各序列段之间的距离。
将任意两个序列段，分别记为目标段和参考段。
使用DTW算法，得到目标段和参考段之间的DTW距离。
所需说明的是：DTW算法的中文名称是动态时间规整算法，DTW算法为公知技术，具体方法在此不做介绍，两个数据序列之间的DTW距离越小，说明两个数据序列越相似。
由此可知目标段和参考段之间的聚类距离Q的计算公式为：
其中Q为目标段和参考段之间的聚类距离，为目标段的数据变化特征，/>为参考段的数据变化特征，/>为目标段中所有数据的数量，/>为参考段中所有数据的数量，H为目标段和参考段之间的DTW距离。/>为线性归一化函数，将数据值归一化至[0,1]区间内。| |为绝对值函数。
所需说明的是：越小，说明目标段和参考段的数据变化特征越相似，因此目标段和参考段在进行聚类时，作为度量的距离应越小。/>越小，说明目标段和参考段的变化周期越相似，因此目标段和参考段在进行聚类时，作为度量的距离应越小。而H越小，说明目标段和参考段的数据变化程度越相似，聚类距离应越小，因此用三者乘积的归一化值，表示目标段和参考段之间的聚类距离。
按照上述方式，得到所有任意两个序列段之间的聚类距离。
根据所有序列段之间的聚类距离，使用K均值聚类算法，将所有序列段划分为若干个聚类簇。
所需说明的是：K均值聚类算法为公知技术，具体方法在此不做介绍。本实施例将该算法中的聚类中心个数设定为10，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。即将所有序列段划分为10个聚类簇。
步骤S004：使用哈夫曼编码算法，对每个聚类簇中所有序列段中的所有数据进行压缩编码，得到每个聚类簇的压缩数据和哈夫曼编码表；根据所有聚类簇的压缩数据和哈夫曼编码表，得到使用者的检测结果。
至此使用哈夫曼编码算法，对每个聚类簇中所有序列段中的所有数据进行压缩编码，得到每个聚类簇的压缩数据和哈夫曼编码表。其中，哈夫曼编码算法为公知技术，具体方法在此不做介绍。
将所有聚类簇的压缩数据构成的数据集，记为心率时序数据序列的压缩数据集。
所需说明的是：当前压缩编码打乱了序列段的顺序，为了后续的解码，本实施例将每个序列段中第一个数据对应的时间戳作为标识符，添加在每个序列段的压缩编码之前，由此使用每个聚类簇的哈夫曼编码表对每个聚类簇进行数据解码后，可根据时间戳，将所有序列段进行恢复排序。
仍然在所述一位使用者穿戴的多参数无创血流动力学监测设备中，采集所述任意一天之后一天的心率数据，得到新心率时序数据序列。
已知传统的哈夫曼编码对于新数据，其会结合旧数据重新构建哈夫曼树，这需要进行大量的计算。因此本实施例利用现有的哈夫曼编码表，进行压缩编码，提高压缩时的运算效率。
根据心率时序数据序列分割为若干个序列段的分割方式，将新心率时序数据序列分割为若干个序列段，记为新序列段，即得到新心率时序数据序列分割的若干个新序列段。
将任意一个新序列段，记为新目标段。
根据心率时序数据序列中任意两个序列段之间的聚类距离的获取方式，得到新目标段与每个序列段之间的聚类距离。
统计新目标段与所有序列段之间的聚类距离中的最小值，将所述最小值，记为新目标段的距离值。将所述最小值对应的序列段对应的聚类簇，记为目标簇。
所需说明的是：若存在多个最小值时，即存在多个对应的序列段，根据数据采集时间，取与新目标段时间最接近的对应的序列段，由于新目标段是后一天的采集数据，因此在时间上最接近的对应的序列段只有一个，由此令目标簇唯一。
将目标簇中所有序列段之间的聚类距离的均值，记为判断距离。
当新目标段的距离值小于判断距离时，使用目标簇的哈夫曼编码表，对新目标段中的数据进行压缩编码，得到新目标段的压缩数据。
当新目标段的距离值大于等于判断距离时，使用哈夫曼编码算法，对新目标段中的数据进行压缩编码，得到新目标段的压缩数据和哈夫曼编码表。
按照上述方式，得到每个新序列段的压缩数据。
根据所有新序列段的压缩数据构成的数据集，记为新心率时序数据序列的压缩数据集。
所需说明的是：正常情况下，同一个人的每天健康检测数据往往相似，并且数据往往处于一个正常范围内，而当前的心率时序数据序列为正常人一天的正常心率数据，因此当新目标段与现有的序列段相似时，说明新目标段对应的数据正常，故直接使用现有的哈夫曼编码表进行压缩编码，已知哈夫曼编码表为每种数据对应一个哈夫曼编码，由此可根据对应的现有的哈夫曼编码表，得到新目标段中每种数据对应的哈夫曼编码，若新目标段中某种数据在对应的现有的哈夫曼编码表中，没有对应的哈夫曼编码，则舍弃此种数据，这是因为使用现有的哈夫曼编码表的前提是，新目标段与现有的序列段相似，因此舍弃的数据，往往是少量且不重要的数据，由此提高压缩效率。当新目标段与现有的序列段不相似时，说明新目标段大概率为异常数据，则重新使用哈夫曼编码算法进行压缩编码，令异常数据无损压缩，并且后续分析时，可以单独对异常数据进行解码，不需要对全部数据解码，提高解码效率。
将心率时序数据序列的压缩数据集上传到可穿戴式设备的检测软件中，得到所述任意一天的使用者的检测结果。所述可穿戴式设备为可穿戴式多参数无创血流动力学监测设备。
所需说明的是：当前的大多数可穿戴式多参数无创血流动力学监测设备，都存在相应的在线平台或应用程序来获取使用者的检测结果，以此判断使用者是否健康。
将新心率时序数据序列的压缩数据集上传到可穿戴式设备的检测软件中，得到所述任意一天之后一天的使用者的检测结果。
所需说明的是：往后每一天的使用者的检测结果，其与所述任意一天之后一天的使用者的检测结果的获取方式同理，对于往后每一天的使用者的检测结果的具体获取过程为：
将所述任意一天之后一天的再之后一天，记为新一天，采集新一天的心率数据，得到更新心率时序数据序列。
根据心率时序数据序列分割为若干个序列段的分割方式，将更新心率时序数据序列分割为若干个序列段，记为更新序列段，即得到更新心率时序数据序列分割的若干个更新序列段。
将任意一个更新序列段，记为更新目标段。
根据心率时序数据序列中任意两个序列段之间的聚类距离的获取方式，得到更新目标段与每个序列段之间的聚类距离。
统计更新目标段与所有序列段之间的聚类距离中的最小值，将所述最小值，记为更新目标段的距离值。将所述最小值对应的序列段对应的聚类簇，记为更新目标簇。
将更新目标簇中所有序列段之间的聚类距离的均值，记为更新判断距离。
当更新目标段的距离值小于更新判断距离时，使用更新目标簇的哈夫曼编码表，对更新目标段中的数据进行压缩编码，得到更新目标段的压缩数据。
当更新目标段的距离值大于等于更新判断距离时，使用哈夫曼编码算法，对更新目标段中的数据进行压缩编码，得到更新目标段的压缩数据和哈夫曼编码表。
按照上述方式，得到每个更新序列段的压缩数据。
根据所有更新序列段的压缩数据构成的数据集，记为更新心率时序数据序列的压缩数据集。
由此按照上述方式，根据更新心率时序数据序列的压缩数据集，得到新一天的使用者的检测结果。以此类推得到往后每一天的使用者的检测结果。
至此，本发明完成。
综上所述，在本发明实施例中，获取心率时序数据序列，将心率时序数据序列分割为若干个序列段，获取每个序列段的数据变化特征。根据所有序列段之间的数据变化特征、数据数量、数据的数据值的差异，得到所有序列段之间的聚类距离，由此使用K均值聚类算法，将所有序列段划分的若干个聚类簇。使用哈夫曼编码算法，对每个聚类簇中所有序列段中的所有数据进行压缩编码，得到每个聚类簇的压缩数据和哈夫曼编码表。根据所有聚类簇的压缩数据和哈夫曼编码表，得到使用者的检测结果。本发明通过时序数据序列的自适应分段，对各段数据分别进行压缩存储，并根据前一天采集数据的哈夫曼编码表对后一天采集的数据进行压缩编码，由此提高了压缩和解码的效率，使得数据分析时可以快速的进行数据解码，从而提高了可穿戴式设备的数据存储效率和血流动力学监测分析的效率。
本发明还提供了一种可穿戴式多参数无创血流动力学监测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述存储器存储的计算机程序，以实现前述所述的一种可穿戴式多参数无创血流动力学监测方法的步骤。
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 (10)
1.一种可穿戴式多参数无创血流动力学监测方法，其特征在于，该方法包括以下步骤：
在一位使用者的可穿戴式多参数无创血流动力学监测设备中，采集任意一天的心率数据，得到心率时序数据序列；根据心率时序数据序列中局部极大值点之间的数据值、序数值的差异，得到心率时序数据序列中的若干个分割点；使用心率时序数据序列中的所有分割点，将心率时序数据序列分割为若干个序列段；
根据每个序列段内数据之间的数据值差异，得到每个序列段的数据变化特征；
根据所有序列段之间的数据变化特征、数据数量、数据的数据值的差异，得到所有序列段之间的聚类距离；根据所有序列段之间的聚类距离，使用K均值聚类算法，将所有序列段划分的若干个聚类簇；
使用哈夫曼编码算法，对每个聚类簇中所有序列段中的所有数据进行压缩编码，得到每个聚类簇的压缩数据和哈夫曼编码表；根据所有聚类簇的压缩数据和哈夫曼编码表，得到使用者的检测结果。
2.根据权利要求1所述一种可穿戴式多参数无创血流动力学监测方法，其特征在于，所述根据心率时序数据序列中局部极大值点之间的数据值、序数值的差异，得到心率时序数据序列中的若干个分割点，包括的具体步骤如下：
使用峰值检测算法，得到心率时序数据序列中的若干个局部极大值点；
将任意一个局部极大值点，记为目标点；
在心率时序数据序列中，从目标点开始，向数据的序数值减小的方向，将依次统计的s个局部极大值点，记为参考点；所述s为预设的数量阈值；
在所有局部极大值点中，将与目标点相邻的前一个局部极大值点，记为主参考点；
根据目标点、主参考点、所有参考点的序数值和数据值，得到目标点的分割可能性；
将分割可能性大于预设的判断阈值的局部极大值点，记为心率时序数据序列中的分割点。
3.根据权利要求2所述一种可穿戴式多参数无创血流动力学监测方法，其特征在于，所述根据目标点、主参考点、所有参考点的序数值和数据值，得到目标点的分割可能性对应的具体计算公式为：
其中P为目标点的分割可能性，为目标点的序数值，/>为主参考点的序数值，n为参考点的数量，/>为第i个参考点的序数值，/>为第i+1个参考点的序数值，/>为目标点的数据值，/>为第i个参考点的数据值，| |为绝对值函数，/>为以自然常数为底的指数函数，k为预设的指数函数调整值。
4.根据权利要求1所述一种可穿戴式多参数无创血流动力学监测方法，其特征在于，所述根据每个序列段内数据之间的数据值差异，得到每个序列段的数据变化特征对应的具体计算公式为：
其中为第j个序列段的数据变化特征，/>和/>分别为第j个序列段中所有数据的数据值中的最大值和最小值，/>和/>分别为第j个序列段中第x个和第x+1个数据的数据值，为第j个序列段中所有数据的数据值的均值，/>为第j个序列段中所有数据的数量，| |为绝对值函数。
5.根据权利要求1所述一种可穿戴式多参数无创血流动力学监测方法，其特征在于，所述根据所有序列段之间的数据变化特征、数据数量、数据的数据值的差异，得到所有序列段之间的聚类距离，包括的具体步骤如下：
将任意两个序列段，分别记为目标段和参考段；
使用DTW算法，得到目标段和参考段之间的DTW距离；
根据目标段和参考段的数据变化特征、数据数量、目标段和参考段之间的DTW距离，得到目标段和参考段之间的聚类距离。
6.根据权利要求5所述一种可穿戴式多参数无创血流动力学监测方法，其特征在于，所述根据目标段和参考段的数据变化特征、数据数量、目标段和参考段之间的DTW距离，得到目标段和参考段之间的聚类距离对应的具体计算公式为：
其中Q为目标段和参考段之间的聚类距离，为目标段的数据变化特征，/>为参考段的数据变化特征，/>为目标段中所有数据的数量，/>为参考段中所有数据的数量，H为目标段和参考段之间的DTW距离，/>为线性归一化函数，| |为绝对值函数。
7.根据权利要求1所述一种可穿戴式多参数无创血流动力学监测方法，其特征在于，所述根据所有聚类簇的压缩数据和哈夫曼编码表，得到使用者的检测结果，包括的具体步骤如下：
将所有聚类簇的压缩数据构成的数据集，记为心率时序数据序列的压缩数据集；
在所述一位使用者的可穿戴式多参数无创血流动力学监测设备中，采集所述任意一天之后一天的心率数据，得到新心率时序数据序列；
根据所述将心率时序数据序列分割为若干个序列段的分割方式，得到新心率时序数据序列分割的若干个新序列段；
将任意一个新序列段，记为新目标段；
根据所述所有序列段之间的聚类距离的获取方式，得到新目标段与每个序列段之间的聚类距离；
根据新目标段与所有序列段之间的聚类距离，得到新目标段的距离值，并在所有聚类簇中筛选出一个目标簇；
根据新目标段的距离值、目标簇中所有序列段之间的聚类距离、目标簇的哈夫曼编码表，得到新目标段的压缩数据；
根据所有新序列段的压缩数据构成的数据集，记为新心率时序数据序列的压缩数据集；
将心率时序数据序列的压缩数据集上传到可穿戴式设备的检测软件中，得到所述任意一天的使用者的检测结果；
将新心率时序数据序列的压缩数据集上传到可穿戴式设备的检测软件中，得到所述任意一天之后一天的使用者的检测结果；所述可穿戴式设备为可穿戴式多参数无创血流动力学监测设备。
8.根据权利要求7所述一种可穿戴式多参数无创血流动力学监测方法，其特征在于，所述根据新目标段与所有序列段之间的聚类距离，得到新目标段的距离值，并在所有聚类簇中筛选出一个目标簇，包括的具体步骤如下：
统计新目标段与所有序列段之间的聚类距离中的最小值，将所述最小值，记为新目标段的距离值；将所述最小值对应的序列段对应的聚类簇，记为目标簇。
9.根据权利要求7所述一种可穿戴式多参数无创血流动力学监测方法，其特征在于，所述根据新目标段的距离值、目标簇中所有序列段之间的聚类距离、目标簇的哈夫曼编码表，得到新目标段的压缩数据，包括的具体步骤如下：
将目标簇中所有序列段之间的聚类距离的均值，记为判断距离；
当新目标段的距离值小于判断距离时，使用目标簇的哈夫曼编码表，对新目标段中的数据进行压缩编码，得到新目标段的压缩数据；
当新目标段的距离值大于等于判断距离时，使用哈夫曼编码算法，对新目标段中的数据进行压缩编码，得到新目标段的压缩数据。
10.一种可穿戴式多参数无创血流动力学监测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一项所述的一种可穿戴式多参数无创血流动力学监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311843795.8A CN117481628A (zh) | 2023-12-29 | 2023-12-29 | 一种可穿戴式多参数无创血流动力学监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311843795.8A CN117481628A (zh) | 2023-12-29 | 2023-12-29 | 一种可穿戴式多参数无创血流动力学监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117481628A true CN117481628A (zh) | 2024-02-02 |
Family
ID=89680393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311843795.8A Withdrawn CN117481628A (zh) | 2023-12-29 | 2023-12-29 | 一种可穿戴式多参数无创血流动力学监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117481628A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743870A (zh) * | 2024-02-20 | 2024-03-22 | 山东齐鸿工程建设有限公司 | 一种基于大数据的水利数据管理系统 |
-
2023
- 2023-12-29 CN CN202311843795.8A patent/CN117481628A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743870A (zh) * | 2024-02-20 | 2024-03-22 | 山东齐鸿工程建设有限公司 | 一种基于大数据的水利数据管理系统 |
| CN117743870B (zh) * | 2024-02-20 | 2024-05-10 | 山东齐鸿工程建设有限公司 | 一种基于大数据的水利数据管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117481628A (zh) | 一种可穿戴式多参数无创血流动力学监测方法及系统 | |
| Pandey et al. | Quality controlled ECG data compression based on 2D discrete cosine coefficient filtering and iterative JPEG2000 encoding | |
| CN110623658A (zh) | 信号处理方法、信号处理装置、医学设备、存储介质 | |
| CN116602642B (zh) | 心率监测方法、装置、设备 | |
| Roy et al. | Photoplethysmogram signal quality evaluation by unsupervised learning approach | |
| CN116153453A (zh) | 基于云边协同的智能戒指信息管理方法及系统 | |
| CN115868941B (zh) | 用于智能戒指的信息管理方法 | |
| Alam et al. | On-board signal quality assessment guided compression of photoplethysmogram for personal health monitoring | |
| Lee et al. | A new approach to compressing ECG signals with trained overcomplete dictionary | |
| Jha et al. | Electrocardiogram data compression techniques for cardiac healthcare systems: A methodological review | |
| Gupta et al. | Higher order derivative-based integrated model for cuff-less blood pressure estimation and stratification using PPG signals | |
| KR20140104143A (ko) | 템플릿 기반 심전도 신호 압축 및 복원 방법 | |
| US11445927B2 (en) | Baseline correction and extraction of heartbeat profiles | |
| CN115363586A (zh) | 一种基于脉搏波信号的心理压力等级评估系统及方法 | |
| CN114366060A (zh) | 一种基于心率变异性的健康预警方法、装置及电子设备 | |
| Laudato et al. | Morphological Classification of Heartbeats in Compressed ECG. | |
| CN117579080A (zh) | 基于5g通讯的医疗护理远程监控系统 | |
| Lei et al. | AFC-ECG: An adaptive fuzzy ECG classifier | |
| CN117017297A (zh) | 驾驶员疲劳的预测和识别模型建立方法及其应用 | |
| CN106491118A (zh) | 基于安卓系统的心电图机的实时心率计算系统及其方法 | |
| Alam et al. | On-device multi-level signal quality aware compression for energy-efficient wearable PPG sensing | |
| CN113693610B (zh) | 少导联心电数据处理方法、装置、存储介质及计算机设备 | |
| CN113679369B (zh) | 一种心率变异性的评估方法、智能穿戴设备及存储介质 | |
| US20220061771A1 (en) | Method and apparatus for processing physiological signals and non-transitory computer-readable medium | |
| US11436205B2 (en) | Method and apparatus for predicting parameter values of data entries in data set |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240202 |