一种基于心率数据的高血压风险评估方法和系统与流程

1.本发明涉及健康数据分析技术领域，特别是一种基于心率数据的高血压风险评估方法和系统。


背景技术：

2.高血压是当今世界上流行最广泛的慢性疾病，被人们称之为“无声杀手”。据调查，目前全国高血压患者已逾1亿，并有继续增加的趋势。我国高血压具有患病率高、致残性高、死亡率高的“三高”特点，同时又存在着知晓率低、服药率低、控制率低的“三低”现象。因此，提高我国人民对高血压的知晓率，进而提高服药率和控制率，对提高我国人民的生命健康和生活质量具有重要的研究意义。
3.高血压是指以体循环动脉血压增高为主要特征（收缩压≥140毫米汞柱，舒张压≥90毫米汞柱），可伴有心、脑、肾等器官的功能或器质性损害的临床综合征。高血压是最常见的慢性病，也是心脑血管病最主要的危险因素。目前高血压风险评估主要通过袖带血压计的充放气功能实现高血压的检测。此外，在医院也可以通过检测血常规、尿常规、肾功能、血糖、血脂、血钾、超声心动图、心电图、胸部x线、眼底图像等对高血压风险进行评估。然而，袖带血压计价格较为昂贵，且袖带佩戴不便，不适合日常生活中高血压风险的评估。基于血常规、尿常规等检测方法需要由医院专业人员进行，且该方法存在疼痛、感染等风险，限制了高血压检测的积极性。
4.中国专利cn114206209a，公开了使用基于心率的机器学习算法的直立性低血压检测系统和方法及可穿戴测量设备，通过获取用户的年龄、血压、心率，采用机器学习算法确定患者是否患有直立性低血压。其需要将血压作为一个输入，然而血压获取比较困难。
5.中国专利cn 114708225a，公开了一种血压测量方法、装置、电子设备及存储介质，对多帧脸部图像进行时域处理和频域处理，得到用户的心率估计值；基于身体档案数据以及心率估计值，对目标对象的血压值进行估计，得到血压测量结果。然而其需要用户脸部实时对准摄像头，不能实现连续的心率获取，可能导致对血压值测量准确度比较低。
6.中国专利cn114021076a，公开了基于ecg和ppg信号的血压计算模型生成方法及血压测量系统，通过综合分析ecg和ppg信号的特点计算出脉搏波到达人体不同位置处的时间和心率，建立人体血压计算模型。该方法需要获取多路ecg和ppg信号，导致用户佩戴不便，且成本较大。


技术实现要素：

7.针对目前高血压风险评估的难点，本发明提出了一种基于心率数据的高血压风险评估方法和系统，其通过可穿戴设备方便、快捷、舒适地获取用户的连续心率、运动状态以及饮食状态，对数据进行分析，计算用户每天的高血压风险值，提高用户对高血压的知晓率和控制率，实现高血压风险动态评估。是通过如下技术方案实现的。
8.一种基于心率数据的高血压风险评估方法，包括如下步骤：
9.步骤1、可穿戴设备获取连续的心率信号、运动信号；
10.步骤2、信号预处理模块对心率信号预处理，识别心率异常值并矫正；
11.步骤3、心率特征挖掘模块划分心率值，分成若干组，并对每组的心率信号进行特征挖掘；
12.步骤4、心率特征选择模块选取与高血压密切相关的特征并提取；
13.步骤5、多模融合模块将心率、运动进行融合，再结合饮食信息，输出高血压风险值。
14.一种基于心率数据的高血压风险评估系统，用于实施高血压风险评估方法，其包括：信息获取模块，信号预处理模块，心率特征挖掘模块，心率特征选择模块，多模融合模块，其中：
15.信息获取模块，获取用户连续的心率信号、运动信号；
16.信号预处理模块，对心率信号预处理，识别心率异常值并矫正；
17.心率特征挖掘模块，对预处理后的心率信号划分心率值，分成若干组，并对每组的心率信号进行特征挖掘；
18.心率特征选择模块，在心率信号中选取并提取与高血压密切相关的特征；
19.多模融合模块，将心率、运动进行融合，再结合饮食信息，输出高血压风险值。
20.本发明的有益效果是：通过可穿戴设备获取用户的连续心率、运动状态以及饮食状态，对数据进行分析，计算用户每天的高血压风险值，提高用户对高血压的知晓率和控制率，实现高血压风险动态评估。
附图说明
21.图1是本发明实施例的高血压风险评估方法流程图。
22.图2是本发明第一实施例的系统结构示意图。
23.图3是本发明第二实施例的系统结构示意图。
24.图4是本发明实施例的特征选择算法示意图。
具体实施方式
25.以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
26.图2-3是两种实施例的基于连续的心率数据的高血压风险评估系统结构图，其主要包括五个模块，分别为信息获取模块，信号预处理模块，心率特征挖掘模块，心率特征选择模块，多模融合模块。
27.信息获取模块，获取用户连续的心率信号、运动信号。
28.信号预处理模块，对心率信号预处理，识别心率异常值并矫正。
29.心率特征挖掘模块，对预处理后的心率信号划分心率值，分成若干组，并对每组的心率信号进行特征挖掘。
30.心率特征选择模块，在心率信号中选取并提取与高血压密切相关的特征。
31.多模融合模块，将心率、运动进行融合，再结合饮食信息，输出高血压风险值。
32.如图2所示，是本发明的高血压评估系统的第一种实施例，将高血压风险评估系统
的5个模块，配置在可穿戴设备内，可穿戴设备配备有处理器、传感器、储存器和摄像头。通过智能设备的传感器收集信号，再通过处理器对信号进行处理、特征挖掘、选取心率特征，最后进行特征融合，执行本发明实施例的高血压风险评估方法。
33.或者是，将分别为信息获取模块，信号预处理模块，心率特征挖掘模块，心率特征选择模块，多模融合模块配置在可穿戴设备内，需要可穿戴设备配置处理器和存储器，也可以执行本发明实施例的执行高血压风险评估方法。
34.如图3所示，是本发明的高血压评估系统的第二种实施例，可以通过可穿戴设备和智能终端（手机）结合的方式，如将信息预处理模块、心率特征挖掘模块，心率特征选择模块，多模融合模块配置在手机内，通过智能终端的app来执行，而可穿戴设备用于获取心率信号和运行信号。智能终端与可穿戴设备通过通信模块传输信号。智能终端（手机）的处理器用于对信号进行处理、特征挖掘、选取心率特征，最后进行特征融合。
35.如图1所示，本发明的实施例中，涉及一种基于连续心率的高血压风险评估方法，包括如下步骤：
36.s1、通过可穿戴设备获取连续的心率信号、运动信号；
37.s2、对心率信号预处理，识别心率异常值并矫正；
38.s3、划分心率值，分成若干组，并对每组的心率信号进行特征挖掘；
39.s4、选取与高血压密切相关的特征并提取；
40.s5、将心率、运动进行融合，再结合饮食信息，输出高血压风险值。
41.本发明的实施例中，结合各模块的主要功能及实现方案，对上述方法进一步描述如下。
42.s1中，通过可穿戴设备的信息获取模块获取连续的心率信号、运动信号。信息获取模块主要实现的功能是：通过利用可穿戴设备（如智能手机、智能手表、智能手环、智能项链等）获取心率、运动、饮食等信息。具体来说，心率信息的获取可通过脉搏波传感器以及/或者心电传感器，获取每一个心跳周期的持续时间，当持续1分钟内无法检测到心跳周期时，则自动向用户发送提醒信息，确定传感器是否脱落或者佩戴不规范。
43.运动信息的获取可通过可穿戴设备中的三轴运动传感器，利用运动传感器同时获取在x，y，z平面的速度、倾斜、冲击、振动、旋转等不同类型的传感信号，综合考虑x，y，z平面传感信号的变化特征，识别出用户当前的状态（运动、静坐、睡眠）。当识别为运动状态时，对运动状态进一步识别，判断当前的运动类型（如跑步、游泳、打篮球等）以及当前的运动强度（从1到10共10种，分别对应于从弱到强的不同强度）。
44.饮食信息的获取可利用可穿戴设备的摄像头获取饮食时的图片，通过对图像进行分割、特征提取等，利用图像识别算法识别图像中的食物，分析其中的食品种类，计算卡路里总量。上述的心率、运动、饮食信息采集完毕后，将其发送至信号预处理模块。
45.s2中，信号预处理模块对心率信号预处理，识别心率异常值并矫正。信号预处理模块，主要实现的功能包括：心率异常值识别及矫正以及心率的划分。具体实现如下：
46.由于传感器佩戴不规范、运动干扰等因素影响，部分采集的心率值为异常值，需要对其进行识别并矫正。在本发明中，采用基于密度的局部离群因子模型对心率进行预处理。基于密度的局部离群因子模型是通过观测心率数据分布的密度给出数据点得分，作为判断该点是否为异常值的依据。
47.假设为心率点的第距离邻域，即为点的第距离以内的所有点，包括第距离点。对于，其局部可达密度表示为公式（1）：
48.ꢀꢀꢀꢀ
（1）
49.公式中()为点第距离邻域点的个数；为点到点的可达距离，取点的第距离和点到点的实际距离中的最大值。通过局部可达密度计算点的局部离群因子，表示为公式 (2)：
50.ꢀꢀꢀꢀꢀꢀꢀ
(2)
51.表示点第距离邻域所有点的局部可达密度与点局部可达密度的比的平均数。大于1时，越大则说明心率点的密度相对其邻域点越小，则该心率点越有可能是异常值。当基于密度的局部离群因子模型确定某一心率值为异常值时，通过采用其相邻的两个非异常心率的平均值代替该异常值，实现心率异常值的矫正。
52.当完成心率异常值的识别及矫正后，对一天内所采集的心率值进行划分。在本发明中，采用两种划分方法：
53.1）组：根据三轴运动传感器识别的用户状态（运动、静坐、睡眠），将心率按上述三种状态进行划分，即将一天内所有运动时的心率归为一类（即子组1），静坐时的心率归为一类（即子组2），睡眠时的心率归为一类（即子组3）。
54.2）组：根据可穿戴设备的摄像头所获取的图像及用户提供的信息，将心率按照空腹、餐前1小时、餐后2小时进行划分，分别对应为子组1，子组2，子组3。
55.s3、通过上述分组将矫正后的心率值，分成若干子组，心率特征挖掘模块并对每组的心率信号进行特征挖掘。心率特征挖掘模块，主要的功能是对各个子组（即子组1，子组2，子组3，子组1，子组2，子组3）的心率信号进行特征挖掘，包括形态特征、时域特征、频域特征。具体如下：
56.1）形态特征：包括基于统计分析计算得到的心率信号的偏度、峰度；以及基于卷积神经网络提取的、表征不同精细度的形态特征。
57.2）时域-频域特征：包括信号迁移率、信号复杂度、分形维数以及心率变异标准偏差（sdnn）、连续rr间期差值均方根（rmssd）、相邻rr间期之差的标准差（sdsd）、低频/高频比率（lf/hf）等时域和频域特征。
58.3）熵特征：功率谱熵、柯尔莫戈洛夫熵、香农熵等。
59.s4、心率特征选择模块选取与高血压密切相关的特征并提取。考虑到所提取的心率特征维度过长，为了实现快速的计算，采用希尔伯特-施密特独立性准则特征选择、独立成分分析特征选择、基于邻域互信息特征选择等三种算法分别对心电特征、脑电特征数据进行处理，选择出与高血压密切相关的特征。具体如下：
60.1）基于希尔伯特-施密特独立性准则的特征选择
61.希尔伯特-施密特独立性准则的特征选择是一种基于核的独立性度量方法，该方法原理是在高维再生核希尔伯特穸间上定义互协方差算子，再从这些算子中推导出合适度量独立性的统计量来计算独立性的大小，通过对算子范数的经验估计得到独立性判断。假
设表示心率特征挖掘模块中所挖掘的特征集，其可表示为公式（3）：
62.ꢀꢀꢀꢀ
(3)
63.其中：表示从子组挖掘的特征，表示从子组挖掘的特征，表示从子组挖掘的特征，表示从子组挖掘的特征，表示从子组挖掘的特征，表示从子组挖掘的特征。
64.根据所获取的特征，可表示如公式（4）所示：
65.ꢀꢀꢀ
(4)
66.本发明实施例，以=15为例，其中表示子组1心率信号的偏度，表示子组1心率信号的峰度，至表示在子组1中，基于卷积神经网络提取的、表征不同精细度的特征，表示子组1心率信号迁移率，表示子组1心率信号复杂度。以此类推，根据需要确定的值。
67.假设经过基于希尔伯特-施密特独立性准则选择后的特征集可表示为公式（5）
68.ꢀꢀꢀ
(5)
69.基于希尔伯特-施密特独立性准则选择过程可以视为凸优化的求解过程,如公式（6）所示，即
70.ꢀꢀꢀ
(6)
71.其中为代价函数，为待求解的相关矩阵，和分别为公式（4）和公式（5）中矩阵的第个元素。通过利用含有范数的希尔伯特-施密特函数求解方法，解析出矩阵的大小，则可以得到函数的表达式。
72.2）基于独立成分分析的特征选择
73.同样的，假设表示心率特征挖掘模块中所挖掘的特征集，其中：
74.， 75.经过独立成分分析选择后的特征集可表示为公式（7）
76.ꢀꢀꢀꢀꢀ
(7)
77.其中，是子组1经过独立成分分析选择后的特征，表示子组经过独立成分分析选择后的特征，表示子组经过独立成分分析选择后的特征，表示子组经过独立成分分析选择后的特征，表示子组经过独立成分分析选择后的特征，表示子组经过独立成分分析选择后的特征。
78.根据独立成分分析，则有:
79.令，那么
[0080][0081]
上述公式中：代表映射关系，,代表是的逆矩阵；代表特征集中第个元素集合中的第i个值；代表特征集中第个元素集合中的第个值。
[0082]
其中，，为比例系数，其值大小采用极大似然法确定。当确定矩阵的值后，则可计算出矩阵的值，该值即为经过独立成分分析选择后的特征集。
[0083]
3）基于邻域互信息特征选择
[0084]
同样的，假设表示心率特征挖掘模块中所挖掘的特征集 ,其中，。经过基于邻域互信息特征选择后的特征集可表示为式（8）：
[0085]
ꢀꢀ
（8）
[0086]
根据邻域互信息定义，输入特征集与经过基于邻域互信息特征选择后的特征集的关系可表示为公式（9）所示：
[0087][0088]
ꢀꢀ
(9)
[0089]
其中：表示映射关系，为输入特征集中第个元素的信息熵，为基于邻域互信息特征选择后的特征集中第个元素的信息熵。为同时考虑特征集和特征集的信息熵。通过对公式（9）进行求解，即可得到经邻域互信息特征选择后的特征。
[0090]
如图4所示，通过利用希尔伯特-施密特独立性准则特征选择算法得到新的特征集，利用独立成分分析特征选择算法得到新的特征集，以及利用基于邻域互信息特征选择算法得到新的特征集，利用pearson相关分析方法分别分析上述3新的特征集（即特征集，特征集，特征集）与高血压风险的相关性，如果满足相关系数k＞0.5且p值（双尾）≤0.05，则认为该特征与高血压风险具有较强的相关性，则该特征暂时保留。相关分析完成后，通过选取在希尔伯特-施密特独立性准则特征选择算法、独立成分分析特征选择算法、基于邻域互信息特征选择算法等三种算法中均满足相关性（k＞0.5，p值（双尾）≤0.05）那些特征，将这些特征作为有效的特征，如图2所示, 有效特征集可表示为。
[0091]
s5、多模融合模块将心率、运动进行融合，再结合饮食信息，输出高血压风险值。主要实现的功能是：通过采用梯度提升回归机器学习算法，将心率、运动、饮食等信息进行融合，为用户提供每天的高血压风险值。具体实现过程如下：将经过特征选择算法选择后的子
组1的特征以及对应的运动、饮食信息作为梯度提升回归算法的输入，得到高血压风险评估模型1。
[0092]
相似的，将经过特征选择算法选择后的子组2的特征以及对应的运动、饮食信息作为梯度提升回归算法的输入，得到高血压风险评估模型2。依次类推，一共可获得6个不同的高血压风险评估模型。
[0093]
根据前一天每个高血压风险评估模型的预测值与实际人体高血压风险测量值差异，计算每个高血压风险评估模型的预测误差，根据预测误差的大小自动确定每个高血压风险评估模型的权重，如公式（10）所示：
[0094]
ꢀꢀꢀꢀ
（10）
[0095]
其中为第i个高血压风险评估模型的权重，为第i个高血压风险评估模型的预测误差，为6个不同高血压风险评估模型的预测误差总和。
[0096]
根据所获取的每个高血压风险评估模型的权重，对每个高血压风险评估模型的输出值进行融合，最终得到当天的高血压风险评估值，如下列公式所示：
[0097][0098]
其中，为融合不同高血压风险评估模型的高血压风险评估值，为第i个高血压风险评估模型的权重，为第i个高血压风险评估模型基于当天的数据的预测结果。
[0099]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。

技术特征：
1.一种基于心率数据的高血压风险评估方法，其特征在于，包括如下步骤：步骤1、可穿戴设备获取连续的心率信号、运动信号；步骤2、信号预处理模块对心率信号预处理，识别心率异常值并矫正；步骤3、心率特征挖掘模块划分心率值，分成若干组，并对每组的心率信号进行特征挖掘；步骤4、心率特征选择模块选取与高血压密切相关的特征并提取；步骤5、多模融合模块将心率、运动进行融合，再结合饮食信息，输出高血压风险值。2.根据权利要求1所述的高血压风险评估方法，其特征在于，所述运动信号的获取通过可穿戴设备中的三轴运动传感器，利用运动传感器同时获取在x，y，z平面的速度、倾斜、冲击、振动、旋转的传感信号，结合x，y，z平面传感信号的变化特征，识别出用户当前的运动状态。3.根据权利要求1所述的高血压风险评估方法，其特征在于，所述信号预处理模块采用基于密度的局部离群因子模型对心率进行预处理。4.根据权利要求1所述的高血压风险评估方法，其特征在于，所述心率特征挖掘模块根据三轴运动传感器识别的用户状态或者摄像头所获取的图像及用户提供的信息对心率值分组，分为多个子组，并对各子组的心率信号进行特征挖掘。5.根据权利要求4所述的高血压风险评估方法，其特征在于，所述特征挖掘包括形态特征、时域特征、频域特征，通过多种算法分别对心电特征、脑电特征数据进行处理，选择出与高血压密切相关的特征。6.根据权利要求5所述的高血压风险评估方法，其特征在于，所述特征挖掘是通过利用希尔伯特-施密特独立性准则特征选择算法得到新的特征集，利用独立成分分析特征选择算法得到新的特征集，以及利用基于邻域互信息特征选择算法得到新的特征集，分别分析特征集、特征集及特征集与高血压风险的相关性，如相关性满足系数k＞0.5且p值≤0.05，则认为特征集、特征集及特征集与高血压风险具有相关性，作为有效特征集暂时保留，有效特征集表示为:。7.根据权利要求1所述的高血压风险评估方法，其特征在于，将经过特征选择算法选择后的每个子组的特征以及对应的运动、饮食信息作为梯度提升回归算法的输入，得到每个子组的高血压风险评估模型。8.根据权利要求7所述的高血压风险评估方法，其特征在于，根据前一天每个高血压风险评估模型的预测值与实际人体高血压风险测量值差异，计算每个高血压风险评估模型的预测误差，根据预测误差的大小自动确定每个高血压风险评估模型的权重，计算公式是：9.其中：为第i个高血压风险评估模型的权重，为第i个高血压风险评估模型的预测误差，为多个不同高血压风险评估模型的预测误差总和。10.根据权利要求8所述的高血压风险评估方法，其特征在于，所述高血压风险评估模
型的权重，对每个高血压风险评估模型的输出值进行融合，最终得到当天的高血压风险评估值，计算公式如下：11.其中：为融合不同高血压风险评估模型的高血压风险评估值，为第个高血压风险评估模型的权重，为第个高血压风险评估模型基于当天的数据的预测结果。12.一种基于心率数据的高血压风险评估系统，其特征在于，用于实施如权利要求1-9任意一项所述的高血压风险评估方法，其包括：信息获取模块，信号预处理模块，心率特征挖掘模块，心率特征选择模块及多模融合模块，其中：所述信息获取模块，获取用户连续的心率信号、运动信号；所述信号预处理模块，对心率信号预处理，识别心率异常值并矫正；所述心率特征挖掘模块，对预处理后的心率信号划分心率值，分成若干组，并对每组的心率信号进行特征挖掘；所述心率特征选择模块，在心率信号中选取并提取与高血压密切相关的特征；所述多模融合模块，将心率、运动进行融合，再结合饮食信息，输出高血压风险值。

技术总结
本发明提供一种基于心率数据的高血压风险评估方法和系统，其中，高血压风险评估方法包括如下步骤：步骤1、通过可穿戴设备获取心率信号、运动信号；步骤2、对心率信号预处理，识别心率异常值并矫正；步骤3、划分心率值，分成若干组，并对每组的心率信号进行特征挖掘；步骤4、选取与高血压密切相关的特征并提取；步骤5、将心率、运动进行融合，再结合饮食信息，输出高血压风险值。本发明的有益效果是：通过可穿戴设备获取用户的连续心率、运动状态以及饮食状态，对数据进行分析，计算用户每天的高血压风险值，提高用户对高血压的知晓率和控制率，实现高血压风险动态评估。现高血压风险动态评估。现高血压风险动态评估。


技术研发人员：聂泽丰 李景振
受保护的技术使用者：深圳启脉科技有限公司
技术研发日：2023.03.18
技术公布日：2023/7/22