心律失常的识别方法和可穿戴设备与流程

文档序号:35467335发布日期:2023-09-16 09:07阅读:44来源:国知局
心律失常的识别方法和可穿戴设备与流程

本技术涉及终端,尤其涉及一种心律失常的识别方法和可穿戴设备。


背景技术:

1、随着可穿戴设备的发展,可穿戴设备可支持的功能越来越多。目前,可穿戴设备可以对用户的心律进行检测,判断用户的心律正常还是失常。

2、目前,可穿戴设备可以基于光电容积脉搏波描记法(photo plethysmo graphy,ppg)信号计算用户的平均心率,并基于平均心率识别用户的心律为正常还是失常。

3、但是,可穿戴设备经常会出现误识别的现象,从而导致识别准确率较低。例如,可穿戴设备将正常心律误识别为心律失常(例如早搏),或者,可穿戴设备将心律失常(例如房颤)误识别为正常心律等等。


技术实现思路

1、本技术提供一种心律失常的识别方法和可穿戴设备,应用于终端技术领域,有利于提高心律失常的识别准确率。

2、第一方面,本技术提供一种心律失常的识别方法,该方法包括:获取用户的心率数据;根据心率数据和庞卡莱图,确定心率数据的目标特征,目标特征包括第一特征和第二特征,第一特征为庞卡莱图的原点到第一直线的距离的标准差,第一直线为在庞卡莱图中位于2区域的第一心率数据和在庞卡莱图中位于4区域的第二心率数据构成的直线,第一心率数据的获取时间早于第二心率数据的获取时间、且第一心率数据的获取时间与第二心率数据的获取时间相邻,第二特征为庞卡莱图的原点到第二直线的距离的标准差,第二直线为在庞卡莱图中位于4区域的第三心率数据和在庞卡莱图中位于2区域的第四心率数据构成的直线,第三心率数据的获取时间早于第四心率数据的获取时间、且第三心率数据的获取时间与第四心率数据的获取时间相邻;将目标特征输入至识别模型,得到识别结果,识别模型用于基于输入识别心律是否失常。

3、用户的心率数据是用户在连续的一段时长内的心率数据,心率数据可以以集合或者数组的形式表示,本技术对此不作限定。用户的心率数据可以基于用户的ppg信号得到,但本技术并不限于此。若用户的心率数据基于用户的ppg信号得到,具体的实现方式可以是可穿戴设备基于用户的ppg信号获取峰值数据,再基于峰值数据获取心博间期(inter-beatinterval,ibi)数据,然后基于ibi数据得到心率数据。具体的计算方法可以参考实施例中图5所示的s209~s211。

4、若用户的心率数据以集合的形式表示,心率数据可以称为心率集合,可以用符号hr表示。若心率集合中包括q-1个元素,则hr=[hr1,hr2,…,hrq-1]。庞卡莱图以原点(0,0)为中心,上下左右以心率差值的最大值为界,或者,以原点为中心,上下左右不设界限。

5、可穿戴设备可以基于心率数据,计算相邻心率数据的差值,并基于差值数据确定在庞卡莱图中的区域,提取目标特征。

6、示例性地,心率集合hr=[hr1,hr2,…,hrq-1],则心率差值也可以用差值集合表示。差值集合可以用δhr表示,δhr=[δhr1,δhr2,…,δhrq-2],其中,δhr1=hr2-hr1,δhr2=hr3-hr2,……,δhrq-2=hrq-1-hrq-2。庞卡莱图的横坐标可以用δhri+1表示,纵坐标可以用δhri表示。可穿戴设备可以根据差值集合δhr中各个相邻元素(例如δhr1和δhr2,、δhrq-3和δhrq-2等等)构建坐标,得到坐标集合。坐标集合可以用w表示,则w=[w1,w2,…,wq-3]。其中,w1=(δhr2,δhr1),w2=(δhr3,δhr2),……,wq-3=(δhrq-2,δhrq-3)。庞卡莱图可以包括9个区域,这9个区域分别为0区域、1区域、2区域、3区域、4区域、5区域、6区域、7区域以及8区域。0区域的范围可以为(-5≤hri+1≤5,-5≤hri≤5),1区域的范围可以为(5<hri+1,-5≤hri≤5),2区域的范围可以为(hri+1<-5,5<hri),3区域的范围可以为(-5≤hri+1≤5,hri<-5),4区域的范围可以为(5<hri+1,hri<-5),5区域的范围可以为(-5≤hri+1≤5,5<hri),6区域的范围可以为(hri+1<-5,-5≤hri≤5),7区域的范围可以为(5<hri+1,5<hri),8区域的范围可以为(hri+1<-5,hri<-5)。可穿戴设备可以根据坐标集合w中的坐标点和这9个区域的范围确定坐标点在庞卡莱图中的区域,提取目标特征。

7、差值数据中相邻差值组成的坐标点可以通过坐标集合w表示,则第一心率数据、第二心率数据、第三心率数据以及第四心率数据均是坐标集合w中元素。第一心率数据和第四心率数据在庞卡莱图中位于2区域,则第一心率数据和第四心率数据均可以称为坐标集合w中位于2区域的元素。第二心率数据和第三心率数据在庞卡莱图中位于4区域,则第二心率数据和第三心率数据均可以称为坐标集合w中位于4区域的元素。

8、第一心率数据的获取时间早于第二心率数据的获取时间、且第一心率数据的获取时间与第二心率数据的获取时间相邻,换句话说,第一心率数据在坐标集合w的位置在第二心率数据在坐标集合w的位置之前、且第一心率数据在坐标集合w的位置与第二心率数据在坐标集合w的位置相邻。第三心率数据的获取时间早于第四心率数据的获取时间、且第三心率数据的获取时间与第二心率数据的获取时间相邻,换句话说,第一心率数据在坐标集合w的位置在第二心率数据在坐标集合w的位置之前、且第一心率数据在坐标集合w的位置与第二心率数据在坐标集合w的位置相邻。

9、第一特征为庞卡莱图的原点(0,0)到第一直线的距离的标准差,第二特征为庞卡莱图的原点到第二直线的距离的标准差,第一特征在实施例中为特征6(sd_d24),第二特征在实施例中为特征9(sd_d42)。

10、终端设备可以将第一特征和第二特征输入至识别模型,得到识别结果,识别模型用于基于输入识别心律是否失常。

11、识别模型也可以称为机器学习模型,本技术实施例对此不作限定。识别结果有多种实现方式。在一种可能的实现方式中,该识别结果可以为心律正常或者心律失常。在另一种可能的实现方式中,该识别结果可以为心律正常或者心律失常的类型。

12、本技术提供的心律失常的识别方法,基于心率数据在庞卡莱图的分布,提取目标特征,并将目标特征输入至机器学习模型,得到识别结果,使用目标特征表征心律失常,相比使用平均心率表征心律失常,有利于提高心律失常的识别准确率,使用机器学习模型识别心律失常,相比基于阈值判断的方法,有利于提高识别的准确性和灵活性。

13、结合第一方面,在第一方面的某些实现方式中,目标特征还包括第三特征和第四特征,第三特征为第一直线对应的角度的模,第四特征为第二直线对应的角度的模。

14、第一直线为在庞卡莱图中位于2区域的第一心率数据和在庞卡莱图中位于4区域的第二心率数据构成的直线,可穿戴设备可以基于第一心率数据和第二心率数据计算第一直线的斜率,再基于第一直线的斜率确定第一直线对应的角度,最终得到第三特征。同理,第二直线为在庞卡莱图中位于4区域的第三心率数据和在庞卡莱图中位于2区域的第四心率数据构成的直线,可穿戴设备可以基于第三心率数据和第四心率数据计算第二直线的斜率,再基于第二直线的斜率确定第二直线对应的角度,最终得到第四特征。

15、第三特征在实施例中为特征4(θ24),第四特征在实施例中为特征7(θ42)。

16、本技术提供的心律失常的识别方法,基于第一直线和第二直线提取更多的特征,得到第三特征和第四特征,使用第一特征、第二特征、第三特征以及第四特征更能表征心率数据的分布特点,有利于提高心律失常的识别准确率。

17、结合第一方面,在第一方面的某些实现方式中,目标特征还包括第五特征和第六特征,第五特征为第一直线对应的角度的标准差,第六特征为第二直线对应的角度的标准差。

18、心率数据中可以包括多个满足条件的第一心率数据和第二心率数据,可穿戴设备可以基于这多个满足条件的第一心率数据和第二心率数据计算多个第一直线的斜率,再基于这多个第一直线的斜率确定多个第一直线对应的角度,然后基于这多个角度计算标准差,得到第五特征。同理,心率数据中可以包括多个满足条件的第三心率数据和第四心率数据,可穿戴设备可以基于这多个满足条件的第三心率数据和第四心率数据计算多个第二直线的斜率,再基于这多个第二直线的斜率确定多个第二直线对应的角度,然后基于这多个角度计算标准差,得到第六特征。

19、第五特征在实施例中为特征5(sd24),第六特征在实施例中为特征8(sd42)。

20、本技术提供的心律失常的识别方法,基于第一直线和第二直线提取更多的特征,得到第五特征和第六特征,使用第一特征、第二特征、第五特征以及第六特征(或者第一特征、第二特征、第三特征、第四特征、第五特征以及第六特征)更能表征心率数据的分布特点,有利于提高心律失常的识别准确率。

21、结合第一方面,在第一方面的某些实现方式中,目标特征还包括第七特征、第八特征以及第九特征,第七特征为心率数据在庞卡莱图中位于0区域的数据个数与心率数据的总个数的比值,第八特征为心率数据在庞卡莱图中分别位于1区域、2区域以及3区域的相邻三个心率数据中以位于2区域的心率数据为顶点的角度的标准差,第九特征为心率数据在庞卡莱图中分别位于6区域、4区域以及5区域的相邻三个心率数据中以位于4区域的心率数据为顶点的角度的标准差。

22、第七特征为心率数据在庞卡莱图中位于0区域的数据个数与心率数据的总个数的比值,也就是坐标集合w中位于0区域的元素个数占总元素个数的比值。第七特征在实施例中称为特征1(rzero)。

23、第八特征为心率数据在庞卡莱图中分别位于1区域、2区域以及3区域的相邻三个心率数据中以位于2区域的心率数据为顶点的角度的标准差,具体地,可穿戴设备可以将坐标集合w中分别位于1区域、2区域以及3区域的相邻三个元素构建三角形,并基于余弦定理计算以位于2区域的元素为顶点的角度,若坐标集合w中存在多个这样的角度,可穿戴设备可以计算这些角度的标准差,得到第八特征。第七特征在实施例中称为特征2(sd123)。

24、第九特征为心率数据在庞卡莱图中分别位于6区域、4区域以及5区域的相邻三个心率数据中以位于4区域的心率数据为顶点的角度的标准差,具体地,可穿戴设备可以将坐标集合w中分别位于6区域、4区域以及5区域的相邻三个元素构建三角形,并基于余弦定理计算以位于4区域的元素为顶点的角度,若坐标集合w中存在多个这样的角度,可穿戴设备可以计算这些角度的标准差,得到第九特征。第九特征在实施例中称为特征3(sd645)。

25、本技术提供的心律失常的识别方法,基于心率数据在庞卡莱图的分布,提取更多的特征,得到第七特征、第八特征以及第九特征,更有利于表征心率数据的分布特点,有利于提高心律失常的识别准确率。

26、结合第一方面,在第一方面的某些实现方式中,心率数据基于光电容积脉搏波描记法ppg信号的心博间期ibi数据得到,目标特征还包括以下中的至少一个:ibi数据中各个相邻数据的差值中大于50毫秒的个数与ibi数据中总个数的比值,ibi数据的均值,ibi数据的中位数,ibi数据的标准差,ibi数据中各个相邻数据的差值的均方根,或者,ibi数据中各个相邻数据的差值的标准差。

27、ibi数据可以以集合或者数值的形式表示,本技术实施例对此不作限定。若ibi数据以集合的形式表示,ibi数据可以称为ibi集合。ibi集合可以记为tp=[tp1,tp2,…,tpq-1]。可穿戴设备可以在时域维度基于ibi集合(即tp=[tp1,tp2,…,tpq-1])中的各个元素提取时域特征,并将时域特征确定为目标特征。

28、时域特征可以包括ibi数据中各个相邻数据的差值中大于50毫秒的个数与ibi数据中总个数的比值(可以用符号pnn50表示),ibi数据的均值(可以用符号ibi_mean表示),ibi数据的中位数(可以用符号ibi_median表示),ibi数据的标准差(可以用符号sdnn表示),ibi数据中各个相邻数据的差值的均方根(可以用符号rmssd表示),或者,ibi数据中各个相邻数据的差值的标准差(可以用符号sdsd表示)。

29、在一种示例中,时域特征可以包括ibi_mean、sdnn以及sdsd。

30、在另一种示例中,时域特征可以包括ibi_mean、ibi_median、sdnn、rmssd、sdsd以及pnn50。

31、本技术提供的心律失常的识别方法,目标特征包括时域特征和心率数据在庞卡莱图的分布特征,在多个维度提取特征,更有利于表征心率数据的分布特点,有利于提高心律失常的识别准确率。

32、结合第一方面,在第一方面的某些实现方式中,心率数据基于ppg信号的ibi数据得到;方法还包括:基于ibi数据,生成功率谱图;将功率谱图中低频段功率与高频段功率的比值,极低频段功率,低频段功率,或者高频段功率中的至少一个确定为目标特征。

33、可穿戴设备可以对ibi数据进行快速傅立叶变换(fast fourier transform,fft)或自回归(autoregressive,ar)参数模型法运算,得到以频率(单位可以是赫兹)为横坐标,功率谱密度为纵坐标的功率谱图,并基于该功率谱图,提取频域特征,并将频域特征确定为目标特征。

34、频域特征包括极低频段(very low frequency,ulf)功率、低频段(lowfrequency,lf)功率、高频段(high frequency,hf)功率、或者、低频段功率与高频段功率的比值(lf/hf)中的至少一个。其中,vlf为极低频功率在0.003~0.04赫兹频段的功率,lf为低频功率在0.04~0.15赫兹频段的功率,hf为高频功率在0.15~0.4赫兹频段的功率,lf/hf为低频功率和高频功率的比值。

35、在一种示例中,频域特征可以包括ulf功率、hf功率以及lf功率。

36、在另一种示例中,频域特征可以包括ulf功率和lf/hf。

37、在又一种示例中,频域特征可以包括ulf功率、hf功率、lf功率以及lf/hf。

38、本技术提供的心律失常的识别方法,目标特征包括频域特征和心率数据在庞卡莱图的分布特征,在多个维度提取特征,更有利于表征心率数据的分布特点,有利于提高心律失常的识别准确率。

39、结合第一方面,在第一方面的某些实现方式中,心率数据基于ppg信号的ibi数据得到;方法还包括:基于ibi数据,确定样本熵和/或香农熵;将样本熵和/或香农熵确定为目标特征。

40、可穿戴设备可以在非线性维度基于ibi数据提取非线性特征,并将非线性特征确定为目标特征。非线性特征可以包括样本熵和/或香农熵。

41、本技术提供的心律失常的识别方法,目标特征包括非线性特征和心率数据在庞卡莱图的分布特征,在多个维度提取特征,更有利于表征心率数据的分布特点,有利于提高心律失常的识别准确率。

42、结合第一方面,在第一方面的某些实现方式中,获取用户的心率数据,包括:采集用户的ppg信号;判断采集ppg信号时用户是否处于静止状态;若采集ppg信号时用户处于静止状态,基于ppg信号中的ibi数据确定心率数据。

43、可穿戴设备可以在采集用户的ppg信号的同时通过加速度传感器采集加速度数据,基于加速度数据判断用户可穿戴设备是否处于静止状态,进而判断用户是否处于静止状态。若采集ppg信号时用户处于静止状态,可以说明此时的ppg信号是相对较准确地、是可用的,可以基于ppg信号中的ibi数据确定心率数据。

44、本技术提供的心律失常的识别方法,采集ppg信号时,判断用户是否处于静止状态,有利于保证后续使用的ppg信号均是在用户处于静止状态下时采集的,有利于保证ppg信号的质量,基于质量较好的ppg信号提取的特征更能准确地进行识别,有利于提高后续的识别准确度。

45、结合第一方面,在第一方面的某些实现方式中,方法还包括:若采集ppg信号时用户未处于静止状态,判断用户未处于静止状态的时长是否超过第一时长;若用户未处于静止状态的时长未超过第一时长,则基于ppg信号中的ibi数据确定心率数据。

46、用户未处于静止状态的时长可以称为非静止时长。第一时长在实施例中为预设时长a。

47、若采集ppg信号时用户未处于静止状态,判断非静止时长是否超过预设时长a,若非静止时长超过预设时长a,可以说明可穿戴设备在预设时长a内均处于非静止状态,不适合检测心律。若非静止时长未超过预设时长a,可穿戴设备可以基于ppg信号中的ibi数据确定心率数据。

48、本技术提供的心律失常的识别方法,在采集ppg信号时,若用户未处于静止状态的时长未超过第一时长,这段时长内采集的ppg信号是可用的,若用户未处于静止状态的时长超过第一时长,这段时长内采集的ppg信号是不可用的,并不是只要处于非静止状态的ppg信号均舍弃,可以通过第一时长提供采集ppg信号的容错率,有利于较快速地采集完成ppg信号以进行后续过程,有利于提高心律失常的识别效率。

49、结合第一方面,在第一方面的某些实现方式中,获取用户的心率数据,包括:采集用户的ppg信号;若ppg信号的峰值大于或等于预设峰值,则基于ppg信号中的ibi数据确定心率数据。

50、ppg信号是周期性地,可穿戴设备可以判断ppg信号的每个周期的峰值数据是否均超过预设峰值。若每个周期的峰值数据均超过预设峰值,可以说明每个周期的信号质量良好,若峰值数据中存在一个或多个周期的峰值数据未超过预设峰值,可以说明信号质量不稳定,可以舍弃。

51、本技术提供的心律失常的识别方法,在ppg信号的峰值大于或等于预设峰值时,基于ppg信号中的ibi数据确定心率数据,有利于保证ppg信号的质量,基于质量较好的ppg信号提取的特征更能准确地进行识别,有利于提高后续的识别准确度。

52、结合第一方面,在第一方面的某些实现方式中,采集用户的ppg信号,包括:若在第二时长内用户均处于静止状态,采集用户的ppg信号。

53、第二时长可以为实施例中预设时长c。可穿戴设备通过加速度传感器获取预设时长c内的加速度数据,并根据预设时长c内的加速度数据,判断预设时长c内可穿戴设备是否均处于静止状态,若在预设时长c内可穿戴设备均处于静止状态,可穿戴设备可以采集用户的ppg信号。若在预设时长c内可穿戴设备未均处于静止状态,或者说,在预设时长c内存在一个或多个时刻可穿戴设备未处于静止状态,可穿戴设备可以删除采集的ppg信号。

54、本技术提供的心律失常的识别方法,在采集ppg信号之前,可以先判断用户是否在第二时长内一直处于静止状态,若用户在第二时长内一直处于静止状态,可以表示满足心律失常识别条件,可以进行心律失常识别,若用户在第二时长内未一直处于静止状态,可以表示不满足心律失常识别条件,可以不进行心律失常识别。这种方式,在满足心律失常识别条件的情况下,进行心律失常识别,有利于保证心律失常识别的准确度。

55、结合第一方面,在第一方面的某些实现方式中,识别模型为随机森林、梯度下降树、极端梯度提升或者支持向量机。

56、结合第一方面,在第一方面的某些实现方式中,识别结果为窦性心律、早搏或者房颤。

57、第二方面,本技术提供一种可穿戴设备,可穿戴设备包括:获取模块和处理模块。其中,获取模块用于:获取用户的心率数据;处理模块用于:根据心率数据和庞卡莱图,确定心率数据的目标特征,目标特征包括第一特征和第二特征,第一特征为庞卡莱图的原点到第一直线的距离的标准差,第一直线为在庞卡莱图中位于2区域的第一心率数据和在庞卡莱图中位于4区域的第二心率数据构成的直线,第一心率数据的获取时间早于第二心率数据的获取时间、且第一心率数据的获取时间与第二心率数据的获取时间相邻,第二特征为庞卡莱图的原点到第二直线的距离的标准差,第二直线为在庞卡莱图中位于4区域的第三心率数据和在庞卡莱图中位于2区域的第四心率数据构成的直线,第三心率数据的获取时间早于第四心率数据的获取时间、且第三心率数据的获取时间与第四心率数据的获取时间相邻;将目标特征输入至识别模型,得到识别结果,识别模型用于基于输入识别心律是否失常。

58、结合第二方面,在第二方面的某些实现方式中,目标特征还包括第三特征和第四特征,第三特征为第一直线对应的角度的模,第四特征为第二直线对应的角度的模。

59、结合第二方面,在第二方面的某些实现方式中,目标特征还包括第五特征和第六特征,第五特征为第一直线对应的角度的标准差,第六特征为第二直线对应的角度的标准差。

60、结合第二方面,在第二方面的某些实现方式中,目标特征还包括第七特征、第八特征以及第九特征,第七特征为心率数据在庞卡莱图中位于0区域的数据个数与心率数据的总个数的比值,第八特征为心率数据在庞卡莱图中分别位于1区域、2区域以及3区域的相邻三个心率数据中以位于2区域的心率数据为顶点的角度的标准差,第九特征为心率数据在庞卡莱图中分别位于6区域、4区域以及5区域的相邻三个心率数据中以位于4区域的心率数据为顶点的角度的标准差。

61、结合第二方面,在第二方面的某些实现方式中,心率数据基于光电容积脉搏波描记法ppg信号的心博间期ibi数据得到,目标特征还包括以下中的至少一个:ibi数据中各个相邻数据的差值中大于50毫秒的个数与ibi数据中总个数的比值,ibi数据的均值,ibi数据的中位数,ibi数据的标准差,ibi数据中各个相邻数据的差值的均方根,或者,ibi数据中各个相邻数据的差值的标准差。

62、结合第二方面,在第二方面的某些实现方式中,心率数据基于ppg信号的ibi数据得到;上述处理模块还用于:基于ibi数据,生成功率谱图;将功率谱图中低频段功率与高频段功率的比值,极低频段功率,低频段功率,或者高频段功率中的至少一个确定为目标特征。

63、结合第二方面,在第二方面的某些实现方式中,心率数据基于ppg信号的ibi数据得到;上述处理模块还用于:基于ibi数据,确定样本熵和/或香农熵;将样本熵和/或香农熵确定为目标特征。

64、结合第二方面,在第二方面的某些实现方式中,上述获取模块还用于:采集用户的ppg信号;上述处理模块还用于:判断采集ppg信号时用户是否处于静止状态;若采集ppg信号时用户处于静止状态,基于ppg信号中的ibi数据确定心率数据。

65、结合第二方面,在第二方面的某些实现方式中,上述处理模块还用于若采集ppg信号时用户未处于静止状态,判断用户未处于静止状态的时长是否超过第一时长;若用户未处于静止状态的时长未超过第一时长,则基于ppg信号中的ibi数据确定心率数据。

66、结合第二方面,在第二方面的某些实现方式中,上述获取模块还用于:采集用户的ppg信号;上述处理模块还用于:若ppg信号的峰值大于或等于预设峰值,则基于ppg信号中的ibi数据确定心率数据。

67、结合第二方面,在第二方面的某些实现方式中,上述获取模块还用于:若在第二时长内用户均处于静止状态,采集用户的ppg信号。

68、结合第二方面,在第二方面的某些实现方式中,识别模型为随机森林、梯度下降树、极端梯度提升或者支持向量机。

69、结合第二方面,在第二方面的某些实现方式中,识别结果为窦性心律、早搏或者房颤。

70、第三方面,本技术提供一种可穿戴设备,可穿戴设备包括:处理器和存储器;存储器存储计算机执行指令;处理器执行存储器存储的计算机执行指令,使得可穿戴设备执行如第一方面的方法。

71、第四方面,本技术提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序。计算机程序被处理器执行时实现如第一方面的方法。

72、第五方面,本技术提供一种计算机程序产品,计算机程序产品包括计算机程序,当计算机程序被运行时,使得计算机执行如第一方面的方法。

73、第六方面,本技术提供了一种芯片,芯片包括处理器,处理器用于调用存储器中的计算机程序,以执行如第一方面所述的方法。

74、应当理解的是,本技术的第三方面至第六方面与本技术的第一方面的技术方案相对应,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1