CN118236051A - 基于心率测定计算疾病风险的方法、装置及程序 - Google Patents

Abstract

本发明公开的基于心率测定计算疾病风险的方法包括：心率信息获取步骤，获取从一个以上心率传感器测定的心率信息；参数提取步骤，从上述心率信息提取一个以上参数；分析步骤，利用预学习的模型分析所提取的上述参数；以及疾病风险计算步骤，基于上述分析的结果计算一种以上疾病的风险。

Description

基于心率测定计算疾病风险的方法、装置及程序

技术领域

本发明涉及基于心率测定计算疾病风险的方法、装置及程序，具体涉及如下方法，即，利用所测定的用户心率信息判断用户患有的一种以上疾病。

背景技术

当前，为了判断用户患有的各种自主神经系统疾病，需要利用医院所具备的高价装置并经过复杂过程，因此，用户难以及时掌握自身疾病的信息。

对此，应用人工智能技术开发了基于用户的生物信息判断疾病的多种技术，但是，这种技术存在局限于特定疾病、准确度低以及获取用户生物信息的过程繁琐的问题。

因此，当前需要开发简便且能够准确判断用户各种疾病的技术。

发明内容

本发明的目的在于，提供基于心率测定计算疾病风险的方法、装置及程序。

本发明所要解决的目的并不局限于上述目的，本发明所属技术领域的普通技术人员可通过以下记载内容明确理解未提及的其他目的。

为了实现上述目的，本发明实施例的基于心率测定计算疾病风险的方法包括：心率信息获取步骤，获取从一个以上心率传感器测定的心率信息；参数提取步骤，从上述心率信息提取一个以上参数；参数分析步骤，利用预学习的模型分析所提取的上述参数；以及疾病风险计算步骤，基于上述分析的结果计算一种以上疾病的风险。

为了实现上述目的，本发明实施例的基于心率测定计算疾病风险的装置包括：存储器，用于存储一个以上指令；以及处理器，用于执行存储在上述存储器的上述一个以上指令，上述处理器可通过执行上述一个以上指令来执行基于心率测定计算疾病风险的方法。

为了实现上述目的，本发明一实施例的基于心率测定计算疾病风险的程序可与作为硬件的计算机相结合，存储于计算机可读记录介质，以能够实现基于心率测定计算疾病风险的方法。

为了实现上述目的，本发明一实施例的计算机可读记录介质可存储有计算机程序，上述计算机程序与作为硬件的计算机相结合，以能够实现基于心率测定计算疾病风险的方法。

以下，可参照具体实施方式及附图详细理解本发明的其他具体事项。

本发明可利用用户心率信息计算用户患有多种疾病的风险。

由此，用户可容易、准确地掌握自身患有的疾病或患有疾病的风险，因此，存在能够在初期发现或预防疾病的效果。

本发明的效果并不局限于以上提及的效果，本发明所属技术领域的普通技术人员可通过以下记载内容明确理解未提及的其他效果。

附图说明

图1为示出本发明实施例的基于心率测定计算疾病风险的系统的图。

图2为本发明实施例的基于心率测定计算疾病风险的装置的硬件结构图。

图3为示出本发明实施例的基于心率测定计算疾病风险的方法的图。

图4为示出本发明再一实施例的基于心率测定计算疾病风险的方法的图。

具体实施方式

本发明的优点、特征及其实现方法可参照结合附图详细说明的实施例变得明确。但是，本发明并不局限于以下公开的实施例，可通过多种实施方式实现，本实施例仅用于使本发明的公开变得完整，以便本发明所属技术领域的普通技术人员能够完全理解本发明的范畴，本发明仅限于发明要求保护范围的范畴。

在本说明书中，所使用的术语仅用于说明实施例，并不限制本发明。在本说明书中，除非另有定义，否则单数的表达包括复数的表达。在说明书中，“包括(comprises)”和/或“包含(comprising)”等术语是指包括所提及的结构要素，并不排除一个以上其他结构要素的存在或附加可能性。在本说明书的全文内容中，相同的附图标记表示相同的结构要素，“和/或”是指分别包括所提及的结构要素及一种以上的所有组合。“第一”、“第二”等术语用于说明多种结构要素，但是，这种术语并不限定结构要素。上述术语仅用于对一个结构要素和其他结构要素进行区分。因此，以下提及的第一结构要素也可在本发明的技术思想内表示为第二结构要素。

除非另有定义，否则在本说明书中所使用的所有术语(包括技术术语及科学术语)与本发明所属技术领域的普通技术人员通常理解的含义相同。并且，除非在本说明书中明确定义通常使用的词典中定义的术语，否则不应解释为理想化或过于形式化的含义。

在本说明书中，所使用的“部”或“模块”等术语是指软件、现场可编程逻辑门阵列(FPGA)或专用集成电路(ASIC)等硬件结构要素，“部”或“模块”执行某种作用。但是，“部”或“模块”并不限定于软件或硬件。“部”或“模块”可存在于能够访问的存储介质，或者，也可处理一个或多个处理器。因此，作为一例，“部”或“模块”包括软件结构要素、对象指向软件结构要素、类结构要素及任务组件等结构要素、进程、函数、属性、过程、子程序、程序代码段、驱动程序、固件、微码、电路、数据、数据库、数据结构、表、阵列及变量。结构要素与“部”或“模块”内所提供的功能可由更小的结构要素及“部”或“模块”结合而成，或者，可进一步分离为额外的结构要素和“部”或“模块”。

在本说明书中，计算机是指包括至少一个处理器的所有类型的硬件装置，根据实施例，应理解为包括相应硬件装置执行的软件结构。例如，计算机包括智能手机、平板电脑、台式电脑、笔记本电脑及各个装置驱动的用户客户端及应用程序，但并不局限于此。

以下，参照附图详细说明本发明实施例。

在本说明书中，所说明的各个步骤由计算机执行，但是，各个步骤的主体并不局限于此，根据实施例，各个步骤的至少一部分也可由不同装置执行。

图1为示出本发明实施例的基于心率测定计算疾病风险的系统的图。

参照图1，本发明实施例的基于心率测定计算疾病风险的系统可包括判断装置100、用户终端200及外部服务器300。

其中，图1所示的基于心率测定计算疾病风险的系统仅为一实施例，其结构要素并不限定于图1所示的实施例，可根据需求添加、变更或省略结构要素。

判断装置100获取从一个以上心率传感器测定的心率信息，从上述心率信息提取一个以上参数，利用预学习的模型分析所提取的上述参数，基于上述分析的结果计算一种以上疾病的风险。

用户终端200可通过网络访问网站，可从判断装置100接收基于心率测定计算疾病风险的服务。

用户终端200可包括在用户终端200的至少一部分设置有显示器的智能手机、平板电脑、台式电脑及笔记本电脑中的至少一个，在运行浏览器的过程中，可从判断装置100接收基于心率测定计算疾病风险的服务，但并不限定于此。

外部服务器300可通过网络与判断装置100相连接，判断装置100可存储并管理各种信息，以便执行基于心率测定计算疾病风险的方法。

并且，外部服务器300可接收并存储判断装置100执行基于心率测定计算疾病风险的方法生成的各种信息及数据。例如，外部服务器300可以为单独设置在判断装置100外部的存储服务器。以下，参照图2说明判断装置100的硬件结构。

图2为本发明实施例的判断装置的硬件结构图。

参照图2，本发明实施例的判断装置100(以下，称为计算装置)可包括：一个以上处理器110；存储器120，加载(Load)由处理器110执行的计算机程序151；总线130；通信接口140；以及辅助存储器150(storage)。其中，图2仅示出了有关本发明实施例的结构要素。因此，本发明所属技术领域的普通技术人员应当理解的是，除图2所示的结构要素外，还可包括其他通用结构要素。

处理器110用于控制计算装置100的各个结构的整体工作。处理器110可包括中央处理器(CPU，Central Processing Unit)、微处理器(MPU，Micro Processor Unit)、微控制单元(MCU，Micro Controller Unit)、图形处理器(GPU，Graphic Processing Unit)或本发明所属技术领域中已知的任意处理器。

并且，为了执行本发明实施例的方法，处理器110可执行至少一个应用程序或程序的相关运算，计算装置100可包括一个以上处理器。

在多个实施例中，处理器110还可包括随机存取存储器(RAM，Random AccessMemory；未图示)及只读存储器(ROM，Read-Only Memory；未图示)，用于临时和/或永久存储在处理器110内部处理的信号(或数据)。并且，处理器110可以为系统级芯片(SoC，systemon chip)，包括图形处理部、随机存取存储器及只读存储器中的至少一个。

存储器120用于存储各种数据、指令和/或信息。存储器120可从辅助存储器150加载计算机程序151，以便执行本发明多个实施例的方法/工作。若计算机程序151加载到存储器120，则处理器110可通过执行构建计算机程序151的一个以上指令来执行上述方法/工作。存储器120可以为随机存取存储器等易失性存储器，但是，本发明的技术范围并不限定于此。

总线130用于在计算装置100的结构要素之间提供通信功能。总线130可以为地址总线(address Bus)、数据总线(Data Bus)及控制总线(Control Bus)等多种形态的总线。

通信接口140用于支持计算装置100的有线/无线网络通信。并且，除网络通信外，通信接口140也可支持多种通信方式。为此，通信接口140可包括本发明所属技术领域中已知的通信模块。在多个实施例中，通信接口140也可被省略。

辅助存储器150可非临时地存储计算机程序151。当通过计算装置100执行基于心率信息计算疾病风险的方法时，辅助存储器150可存储为了提供基于心率信息计算疾病风险的方法所需的各种信息。

辅助存储器150可包括只读存储器(ROM，Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable ROM)、带电可擦可编程只读存储器(EEPROM，Electrically Erasable Programmable ROM)、闪存等非易失性存储器、硬盘、可移动磁盘或本发明所属技术领域中已知的任意计算机可读记录介质。

计算机程序151可包括一个以上指令，当加载到存储器120时，可使得处理器110执行本发明多个实施例的方法/工作。即，处理器110可通过执行上述一个以上指令来执行本发明多个实施例的上述方法/工作。

在本发明一实施例中，计算机程序151可包括一个以上指令，上述一个以上指令用于执行基于心率测定计算疾病风险的方法，上述基于心率测定计算疾病风险的方法包括如下步骤：获取从一个以上心率传感器测定的心率信息；从上述心率信息提取一个以上参数；利用预学习的模型分析所提取的上述参数；以及基于上述分析的结果计算一种以上疾病的风险。

本发明实施例的相关方法或算法的步骤由硬件直接实现，或者，通过由硬件执行的软件模块实现，或者，可通过二者的结合实现。软件模块也可存在于随机存取存储器(RAM，Random Access Memory)、只读存储器(ROM，Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable ROM)、带电可擦可编程只读存储器(EEPROM，Electrically Erasable Programmable ROM)、闪存(Flash Memory)、硬盘、可移动磁盘、光盘只读存储器(CD-ROM)或本发明所属技术领域中已知的任意计算机可读记录介质。

本发明的结构要素可以为程序(或应用程序)，与作为硬件的计算机相结合并存储于介质，以执行上述方法。本发明的结构要素可由软件编程或软件组件执行，与此详细地，实施例包括由数据结构、进程、例程或其他编程结构的组合实现的多种算法，例如，可由C语言、C++、Java、汇编语言(assembler)等编程语言或脚本语言实现。在功能层面上，可通过由一个以上处理器执行的算法实现。以下，参照图3详细说明计算装置100提供的基于心率测定计算疾病风险的方法。

图3为示出本发明实施例的基于心率测定计算疾病风险的方法的图。

参照图3，计算装置100可获取从一个以上心率传感器测定的心率信息(步骤S110)。

在多个实施例中，计算装置100可从附着在用户身体的传感器或按照非接触方式在与用户隔开的位置测定用户心率信息的设备收集用于检测用户心率信息的数据。例如，用户可在手或头部等佩戴可穿戴设备，或者，可在用户身体单独附着用于测定心率信息的传感器，与用户身体相接触的传感器可周期性地测定用户心率信息并将其传输至计算装置100。

在本发明多个实施例中，设置有传感器的装置可以为自助服务器，用于收集用户的心率信息。例如，自助服务器可配置在公共设施等，用户可通过自助服务器测定心率信息，由此，可接收疾病风险分析结果。

作为另一例，基于摄像机在与用户隔开的位置所拍摄的用户的影像来分析用户的心率信息，基于麦克风在与用户隔开的位置所获取的用户声音来分析用户的心率信息，可基于超声波设备在与用户隔开的位置向用户释放后被反射回来的超声波来分析用户的心率信息。

上述通过摄像机、麦克风、超声波设备分析心率信息的过程可由至少一个设备执行。另一方面，各个摄像机、麦克风、超声波设备可利用所获取的数据来分析用户的心率信息，所获取的数据可传输到单独的外部服务器，也可利用从外部服务器获取的数据来分析用户的心率信息。其中，心率信息可包括心率数、心跳时间、心率间隔等，但并不限定于此。

在本发明多个实施例中，计算装置100可额外获取用于分析的用户基本信息。

用户的基本信息可包括性别、年龄、身高、体重、血压等身体信息、用户患有的疾病信息等疾病信息。计算装置100向用户的用户终端200提供用于输入基本信息的指令，由此，可获取通过用户终端200输入的用户基本信息。

另一方面，计算装置100可向用于管理用户疾病风险计算过程的管理人员的用户终端200提供用于输入基本信息的指令，由此，可获取管理人员通过用户终端200输入的用户基本信息。另一方面，管理人员可以为能够判断用户疾病风险的医生等专业人员，但并不限定于此。

计算装置100可从心率信息提取一个以上参数(步骤S120)。

例如，一个以上参数可包括心率数、心率变异性、心电图及从心电图导出的一个以上参数中的至少一个，但并不局限于此。

在本发明多个实施例中，计算装置100可从心率信息提取时域中的平均值、最大值、最小值、全部NN区间的标准差(SDNN，Standard deviation of all NN intervals)、相邻NN区间的差异的标准偏差(SDSD，Standard deviation of differences betweenadjacent NN intervals)、相邻NN区间差的平方和的均值的平方根(RMSSD，The squareroot of the mean of the sum of the squares of differences between adjacent NNintervals)、nn50除以心电图中所有正常心跳间隔总数(PNN50，count divided by thetotal number of all NN intervals)、心电图中所有每对相邻正常心跳时间间隔差距超过50毫秒的数目(NN50，count Number of pairs of adjacent NN intervals differingby more than 50ms in the entire recording)、nn20除以心电图中所有正常心跳间隔总数(PNN20，count divided by the total number of all NN intervals)、心电图中所有每对相邻正常心跳时间间隔差距超过20毫秒的数目(NN20，count Number of pairs ofadjacent NN intervals differing by more than 20ms in the entire recording)或特定标准的百分位数值等。

并且，计算装置100可从心率信息提取频域中的总功率(total powe)、极低频段功率(VLF，Very low frequency bands power)、低频段功率(LF，Low frequency bandspower)、高频段功率(HF，High frequency bands power)、LF/HF、正规化低频功率比(NLF，normalized lf power)、正规化高频功率比(NHF，normalized hf power)等，并且，可提取包括HRV三角形指数(C.HRV triangular index)、样本熵(sampen)、心脏交感指数(CSI，Cardiac Sympathetic Index)、心脏迷走神经指数(CVI，Cadiac Vagal Index)、调整心脏交感指数(Modified CSI)在内的多种值，但并不局限于此。

计算装置100可利用预学习的模型对在步骤S120中提取的参数进行分析(步骤S130)。

并且，计算装置100可基于步骤S130的分析结果计算一种以上疾病的风险(步骤S140)。

在本发明多个实施例中，预学习的模型可以为包括一种以上网络函数的人工智能模型，但并不局限于此。

在本发明一实施例中，计算装置100可利用所提取的参数生成输入数据。输入数据可包括从参数导出的一个以上特征值。从参数导出特定值的具体方法没有限制，可利用通常已知的技术执行。

在本发明一实施例中，计算装置100可向预学习的人工智能模型输入所生成的输入数据。计算装置100可获取人工智能模型的输出，并基于上述输出判断上述用户的一种以上疾病的风险。

在本发明多个实施例中，一种以上疾病是指用户的自主神经系统疾病。例如，自主神经系统疾病可包括心律失常、癫痫症、抽搐、急性心肌梗塞、急性肺炎中的至少一种，但并不局限于此。

在本发明多个实施例中，人工智能模型可输出表示一种以上疾病风险的值。例如，人工智能模型输出与判断对象疾病数相同的数值，各个值可表示判断对象疾病的风险。例如，可输出风险为0至1的值，但并不局限于此。

为了学习这种人工智能模型，计算装置100可获取患者的多种医疗信息。各种医疗信息可包含患者的心率信息、相应患者患有的疾病或各疾病的诊断历史信息。

计算装置100可从各个患者的心率信息提取学习用输入数据，与各个输入数据相对应的学习用输出数据可包含相应患者患有的疾病等信息。例如，当学习能够判断心率失常、癫痫症、心肌梗塞的人工智能模型时，若相应患者存在心律失常和心肌梗塞的病历，则输出数据可生成为(1，0，1)，但并不局限于此。

在本发明多个实施例中，若相应患者虽未获得癫痫症诊断而存在用于诊断癫痫症的诊疗记录，则可基于诊疗次数或诊疗结果、诊疗时间等进一步计算风险。例如，在获得疑似癫痫症的诊疗意见但未确诊为癫痫症的情况下，输出数据可生成为(1，0.5，1)，但并不局限于此。

计算装置100可基于学习用输入数据和输出数据学习人工智能模型。

在本发明多个实施例中，人工智能模型可通过一个模型计算多种疾病风险，但是，也可利用多个模型。例如，可利用应用相同输入数据计算各个疾病风险的多个模型。

计算装置100可综合多个模型输出的结果值来分析相应用户的疾病风险。

在本发明多个实施例中，计算装置100可集成(ensemble)多个模型输出的结果值。例如，可分析用于计算相同疾病风险的多个模型的结果值来导出平均值，或者，可利用多个模型计算的结果值判断患者的疾病风险。

在本发明多个实施例中，可利用能够计算多种疾病风险的多个模型。例如，可利用用于预测心律失常和癫痫症相关风险的第一模型、用于预测癫痫症和心肌梗塞相关风险的第二模型、用于预测心肌梗塞和心律失常相关风险的第三模型计算各个疾病的风险，并按照疾病整合相应结果来判断患者的疾病风险。例如，对于特定疾病，可通过对从不同模型导出的风险进行平均来判断风险性，或者，作为另一例，在两个模型均预测到风险性(例如，所计算的风险为预设基准值以上)的情况下，判断为存在风险，在仅有一个模型预测到风险性的情况下，判断为存在可疑性，在两个模型均判断为没有风险的情况下，判断为风险性低或不存在风险。由此，可获取综合反映不同疾病相关关系的判断结果。

图4为示出本发明再一实施例的基于心率测定计算疾病风险的方法的图。

在步骤S210中，计算装置100可确定用于获取心率信息的事件，并请求用户执行与事件相对应的行动。

计算装置100可获取分析对象疾病的相关信息，获取分析相应疾病所需的用户行动信息。随后，计算装置100可输出请求用户执行相应行动的信息。

例如，计算装置100可请求多种行动，例如，请求用户进行深呼吸或瓦式呼吸或蹲起。

在步骤S220中，计算装置100可获取与在测定用户心率信息期间发生的事件相关的信息。

在本发明多个实施例中，计算装置100可向用户终端200提供用于输入用户所执行的活动的相关活动信息的指令，可通过用户终端200获取活动信息。活动信息可包括睡觉、吃饭、行走、起立等，也可包括放松呼吸、急促呼吸、瓦式呼吸等呼吸状态。并且，计算装置100也可利用可穿戴设备的传感器获取用户的活动信息。

并且，计算装置100可从拍摄用户的摄像机或检测用户动作的传感器获取用户的活动信息，可利用所拍摄或检测到的与测定用户心率信息的时间点相对应的用户动作的数据来获取测定心率信息时间点的用户活动信息。

在本发明多个实施例中，也可利用用户在日常生活过程中收集的信息来随时执行本发明的疾病风险计算方法。

例如，可在使得用户在能够按照接触或非接触方式测定心率信息的环境(例如，用户佩戴可穿戴设备或设置非接触心率信息测定装置的环境)中过着自然的日常生活后，在特定时间点通过提问来获取用户在相应时间期间进行的活动的信息。或者，可利用用户佩戴的可穿戴设备获取与心率信息相对应的用户行动信息。

计算装置100可获取与收集的心率信息、各个时间点相对应的用户行动信息。由此，计算装置100可获取用户在日常生活过程中进行的行动相对应的心率信息，对其进行加工来获取能够输入到人工智能模型的输入数据，或者，获取用于统计分析的基础数据。

计算装置100可向人工智能模型输入所获取的数据来获取输出，或者通过预设的统计分析方法或与现有数据库进行比较来计算用户的多种疾病风险。

并且，计算装置100可引导用户要执行的活动，在用户执行相应活动期间收集用户的心率信息，在收集心率信息的过程中，获取用户的活动信息。

在本发明多个实施例中，计算装置100可通过分析用户的基本信息、心率信息及活动信息来判断用户的多种疾病风险。

在本发明多个实施例中，计算装置100可利用与用户执行的行动相对应的事件信息来校正从用户的心率信息提取的至少一部分参数。例如，由于用户在处于静态或动态时的基本心率数互不相同，因此，计算装置100可考虑到这一点来执行校正。

在本发明多个实施例中，计算装置100基于与用户执行的行动相对应的事件信息生成参数值，也可生成包含相应参数值的输入数据。

具体地，计算装置100可从基本信息、心率信息及活动信息提取输入数据，可向预学习的人工智能模型输入输入数据。计算装置100可为了向预学习的人工智能模型输入基本信息、心率信息及活动信息而改变输入数据的格式，可将改变的输入数据输入到人工智能模型。

计算装置100可获取人工智能模型的输出，并基于输出判断用户的多种疾病风险。人工智能模型可根据学习结果输出输入数据的输出值，计算装置100可基于输出值判断用户的多种疾病风险。

计算装置100可从基本信息、心率信息及活动信息提取人工智能模型的输入数据。输入数据可以为向量形态，包含基于基本信息、心率信息及活动信息中的至少一部分提取的值，但并不局限于此。

并且，用户的基本信息和活动信息可根据预设基准变换为特定值。

计算装置100可利用包括提取值的输入数据和标记有是否存在与输入数据相对应的多种疾病的学习数据来学习人工智能模型。

学习的人工智能模型可输出与从用户信息提取的输入数据相对应的多种疾病风险。

在本发明多个实施例中，计算装置100可按照用户动作生成多个输入数据。例如，用户可在测定期间进行站立、躺卧、坐下、站起、瓦式呼吸等。在此情况下，计算装置100可按照用户的动作时间点生成基于心率信息的输入数据。

并且，当用户的动作变化时，计算装置100可定义与动作变化相对应的额外动作。例如，当用户坐下起身时，可定义“坐下后站起来”的额外动作，并且，可生成在相应动作变化之后的预设时间内的基于心率信息的另一输入数据。

计算装置100可从各个输入数据获取通过人工智能模型获取的输出数据。计算装置100可对各个输出数据赋予基于与各个输出数据相对应的输入数据的动作的加权值。例如，相对于容易检测心律失常的动作，可赋予高加权值。计算装置100可基于赋予加权值的输出数据(例如，导出平均值或计算大于预设基准值的输出数据的数量与判断心律失常的基准值进行比较等)来判断用户是否心律失常。

在本发明多个实施例中，计算装置100可基于从与静态动作相对应的输入数据获取的输出数据计算用户的第一心律失常分数，并基于从与动作变化时间点相对应的输入数据获取的输出数据计算用户的第二心律失常分数。

若第一心律失常分数和第二心律失常分数均为预设基准值以上，则计算装置100可判断为用户心律失常，若第二心律失常分数为预设基准值以上而第一心律失常分数小于预设基准值，则判断为心律失常风险组，若两个分数均小于预设基准值，则判断为正常。并且，当第一心律失常分数大于第二心律失常分数时，可请求再次测定。

以上，虽然参照附图说明了本发明实施例，但应当理解的是，在不改变技术思想或基本特征的情况下，本发明所属技术领域的普通技术人员可按照其他具体实施方式实现本发明。因此，如上所述的实施例在所有层面上仅为示例，不应理解为限定含义。

Claims (11)

1.一种基于心率测定计算疾病风险的方法，其特征在于，包括：

心率信息获取步骤，获取从一个以上心率传感器测定的心率信息；

参数提取步骤，从上述心率信息提取一个以上参数；

参数分析步骤，利用预学习的模型分析所提取的上述参数；以及

疾病风险计算步骤，基于上述分析的结果计算一种以上疾病的风险。

2.根据权利要求1所述的基于心率测定计算疾病风险的方法，其特征在于，上述疾病风险计算步骤包括如下步骤：

利用所提取的上述参数生成输入数据；

向预学习的人工智能模型输入上述输入数据；以及

获取上述人工智能模型的输出，基于上述输出判断用户患有上述一种以上疾病的风险。

3.根据权利要求2所述的基于心率测定计算疾病风险的方法，其特征在于，上述心率信息获取步骤包括如下步骤：获取与在测定上述心率信息期间发生的事件相关的信息。

4.根据权利要求3所述的基于心率测定计算疾病风险的方法，其特征在于，上述心率信息获取步骤包括如下步骤：

确定用于获取上述心率信息的事件；以及

请求上述用户执行与上述事件相对应的行动。

5.根据权利要求3所述的基于心率测定计算疾病风险的方法，其特征在于，在生成上述输入数据的步骤中，所生成的上述输入数据包含与上述事件相关的参数。

6.根据权利要求3所述的基于心率测定计算疾病风险的方法，其特征在于，上述参数提取步骤包括如下步骤：基于上述事件的相关信息校正至少一部分上述参数。

7.根据权利要求1所述的基于心率测定计算疾病风险的方法，其特征在于，在计算上述一种以上疾病的风险的步骤中，所计算的风险与上述用户的一种以上自主神经系统相关疾病有关。

8.根据权利要求7所述的基于心率测定计算疾病风险的方法，其特征在于，上述自主神经系统相关疾病包括心律失常、癫痫、抽搐、急性心肌梗塞及急性肺炎中的至少一种。

9.根据权利要求1所述的基于心率测定计算疾病风险的方法，其特征在于，上述一个以上参数包括心率数、心率变异性、心电图及从心电图导出的一个以上参数中的至少一个。

10.一种基于心率测定计算疾病风险的装置，其特征在于，

包括：

存储器，用于存储一个以上指令；以及

处理器，用于执行存储在上述存储器的上述一个以上指令，

上述处理器通过执行上述一个以上指令来执行根据权利要求1所述的方法。

11.一种计算机可读记录介质，其特征在于，存储有计算机程序，上述计算机程序与作为硬件的计算机相结合，以能够实现根据权利要求1所述的方法。