本發(fā)明涉及心率異常監(jiān)測方法，具體涉及一種基于lstm的個性化心率異常監(jiān)測方法。

背景技術(shù)：

1、隨著人們對健康監(jiān)測需求的不斷增加，心率監(jiān)測技術(shù)作為健康管理和疾病預(yù)防的重要手段之一，受到了廣泛關(guān)注。傳統(tǒng)的心率監(jiān)測方法大多依賴于固定閾值的監(jiān)測設(shè)備或簡單的數(shù)據(jù)分析算法，無法提供個性化、動態(tài)的心率異常監(jiān)測服務(wù)。同時，不同人群的心率變化模式存在差異，傳統(tǒng)方法難以準(zhǔn)確捕捉并預(yù)測個體的心率變化趨勢，導(dǎo)致心率異常監(jiān)測的準(zhǔn)確性和實時性不足。

2、近年來，隨著機器學(xué)習(xí)技術(shù)的快速發(fā)展，特別是長短期記憶網(wǎng)絡(luò)(lstm)等深度學(xué)習(xí)模型的應(yīng)用，為心率異常監(jiān)測提供了新的解決方案。lstm模型具有處理時間序列數(shù)據(jù)的能力，能夠捕捉心率數(shù)據(jù)中的時間依賴性和變化趨勢，從而更準(zhǔn)確地預(yù)測心率數(shù)據(jù)。然而，現(xiàn)有的基于lstm的心率監(jiān)測方法大多側(cè)重于通用的心率預(yù)測模型，未能充分考慮個體的心率變化特性，導(dǎo)致預(yù)測精度和個性化程度有待提高。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是解決現(xiàn)有心率預(yù)測模型未能充分考慮個體的心率變化特性的技術(shù)問題，而提供一種基于lstm的個性化心率異常監(jiān)測方法。

2、為解決上述技術(shù)問題，本發(fā)明提供的技術(shù)解決方案如下：

3、一種基于lstm的個性化心率異常監(jiān)測方法，應(yīng)用于心率監(jiān)測儀器，包括如下步驟：

4、s1、通過數(shù)據(jù)采集模塊采集用戶一段時間的心率數(shù)據(jù)，并通過數(shù)據(jù)預(yù)處理模塊將其轉(zhuǎn)換為歷史時間序列心率數(shù)據(jù)；

5、s2、lstm模型識別歷史時間序列心率數(shù)據(jù)的心率變化特征和心率變化的趨勢，并基于此訓(xùn)練，獲取初始個性化預(yù)測模型；

6、s3、通過數(shù)據(jù)采集模塊采集用戶的當(dāng)前心率數(shù)據(jù)，并通過數(shù)據(jù)預(yù)處理模塊將其轉(zhuǎn)換為當(dāng)前時間序列心率數(shù)據(jù)，lstm模型識別當(dāng)前時間序列心率數(shù)據(jù)心率變化特征和心率變化的趨勢，并以此訓(xùn)練初始個性化預(yù)測模型，使初始個性化預(yù)測模型進化并獲得個性化預(yù)測模型；

7、同時，由初始個性化預(yù)測模型依據(jù)當(dāng)前時間序列心率數(shù)據(jù)，輸出與當(dāng)前時間對應(yīng)的預(yù)測心率數(shù)據(jù)；

8、s4、閾值動態(tài)調(diào)整模塊調(diào)取連續(xù)多天同一時刻的歷史心率數(shù)據(jù)，對連續(xù)多天同一時刻的歷史心率數(shù)據(jù)進行由小到大排列；

9、基于該排列取中位數(shù)，并將該中位數(shù)與其余心率數(shù)據(jù)求差值，將差值的眾數(shù)作為實時閾值；

10、s5、由實時監(jiān)測模塊計算用戶當(dāng)前心率數(shù)據(jù)與預(yù)測心率數(shù)據(jù)的誤差，判斷誤差是否在超出實時閾值；若誤差位于實時閾值內(nèi)，由實時監(jiān)測模塊判定當(dāng)前心率數(shù)據(jù)正常；

11、否則，由實時監(jiān)測模塊判定當(dāng)前心率數(shù)據(jù)異常，并由異常報警模塊報警。

12、進一步地，步驟s1具體為：

13、s1.1、通過數(shù)據(jù)采集模塊采集用戶一段時間的心率數(shù)據(jù)，并將心率數(shù)據(jù)傳輸至數(shù)據(jù)預(yù)處理模塊；

14、s1.2、通過數(shù)據(jù)預(yù)處理模塊對一段時間的心率數(shù)據(jù)進行濾波和歸一化處理，生成歷史時間序列心率數(shù)據(jù)。

15、進一步地，步驟s2具體為：

16、s2.1、將歷史時間序列心率數(shù)據(jù)按時間段分割為多段歷史時間序列心率數(shù)據(jù)；

17、s2.2、將分割后的多段歷史時間序列心率數(shù)據(jù)輸入lstm模型；

18、s2.3、lstm模型識別各個時間段的歷史時間序列心率數(shù)據(jù)的心率變化特征，并捕捉心率變化的趨勢；

19、s2.4、根據(jù)各個時間段的心率變化趨勢和心率變化特征建立各個時間段對應(yīng)的初始個性化預(yù)測模型；

20、s2.5、將各個時間段對應(yīng)的初始個性化預(yù)測模型進行組合可獲得初始個性化預(yù)測模型；

21、s2.6、重復(fù)步驟s2.1至步驟s2.5多次，利用梯度下降法優(yōu)化初始個性化預(yù)測模型，并獲得最終的初始個性化預(yù)測模型。

22、進一步地，步驟s3具體為：

23、s3.1、通過數(shù)據(jù)采集模塊采集用戶的當(dāng)前心率數(shù)據(jù)，并將當(dāng)前心率數(shù)據(jù)傳輸至數(shù)據(jù)預(yù)處理模塊；

24、s3.2、數(shù)據(jù)預(yù)處理模塊對當(dāng)前心率數(shù)據(jù)進行濾波和歸一化處理，生成當(dāng)前時間序列心率數(shù)據(jù)；

25、s3.3、lstm模型識別當(dāng)前時間序列心率數(shù)據(jù)的心率變化特征，并捕捉心率變化的趨勢；

26、s3.4、lstm模型根據(jù)當(dāng)前時間序列心率數(shù)據(jù)的心率變化特征和心率變化的趨勢訓(xùn)練初始個性化預(yù)測模型，實現(xiàn)初始個性化預(yù)測模型的進化并獲得個性化預(yù)測模型；

27、同時，由初始個性化預(yù)測模型依據(jù)當(dāng)前時間序列心率數(shù)據(jù)，輸出與當(dāng)前時間對應(yīng)的預(yù)測心率數(shù)據(jù)。

28、進一步地，步驟s1和s3中，所述數(shù)據(jù)采集模塊包括ppg傳感器和數(shù)據(jù)傳輸單元；

29、所述ppg傳感器采集用戶一段時間的心率數(shù)據(jù)或當(dāng)前心率數(shù)據(jù)，并通過數(shù)據(jù)傳輸單元將一段時間的心率數(shù)據(jù)或當(dāng)前心率數(shù)據(jù)傳輸至數(shù)據(jù)預(yù)處理模塊。

30、進一步地，步驟s1和s3中，數(shù)據(jù)預(yù)處理模塊包括低通濾波器和歸一化處理模塊；

31、低通濾波器對一段時間的心率數(shù)據(jù)或當(dāng)前心率數(shù)據(jù)進行濾波；濾波后的一段時間的心率數(shù)據(jù)或當(dāng)前心率數(shù)據(jù)由歸一化處理模塊進行歸一化處理，即可獲得歷史時間序列心率數(shù)據(jù)或當(dāng)前時間序列心率數(shù)據(jù)。

32、進一步地，步驟s2中，所述時間段包括凌晨0:00-3:00、黎明3:00-6:00、清晨6:00-8:00、早上8:00-10:00、上午10:00-12:00、中午12:00-14:00、下午14:00-16:00、傍晚16:00-18:00、晚間18:00-20:00、夜晚20:00-22:00和深夜22:00-24:00。

33、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

34、本發(fā)明提供的基于lstm的個性化心率異常監(jiān)測方法，通過采集用戶的歷史心率數(shù)據(jù)，并利用lstm模型進行訓(xùn)練，構(gòu)建個性化的心率預(yù)測模型，該模型能夠充分考慮個體的心率變化特性，提高心率預(yù)測的準(zhǔn)確性和個性化程度；而且也能夠通過持續(xù)采集用戶的當(dāng)前心率數(shù)據(jù)，并利用這些數(shù)據(jù)對個性化預(yù)測模型進行實時訓(xùn)練和優(yōu)化，實現(xiàn)模型的進化，這種機制使得模型能夠隨著用戶心率變化模式的變化而動態(tài)調(diào)整，保持預(yù)測性能的穩(wěn)定性；采用動態(tài)閾值調(diào)整模塊，根據(jù)用戶連續(xù)多天同一時刻的歷史心率數(shù)據(jù)，計算并調(diào)整實時閾值；這種動態(tài)調(diào)整機制能夠更好地適應(yīng)個體心率變化的不確定性，提高心率異常監(jiān)測的靈敏度和準(zhǔn)確性；通過實時監(jiān)測模塊計算用戶當(dāng)前心率數(shù)據(jù)與預(yù)測心率數(shù)據(jù)的誤差，并基于動態(tài)閾值判斷心率數(shù)據(jù)是否異常，一旦檢測到異常心率數(shù)據(jù)，立即觸發(fā)報警機制，及時提醒用戶或醫(yī)療人員關(guān)注心率變化，避免潛在的健康風(fēng)險。

技術(shù)特征：

1.一種基于lstm的個性化心率異常監(jiān)測方法，應(yīng)用于心率監(jiān)測儀器，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的基于lstm的個性化心率異常監(jiān)測方法，其特征在于，步驟s1具體為：

3.根據(jù)權(quán)利要求1所述的基于lstm的個性化心率異常監(jiān)測方法，其特征在于，步驟s2具體為：

4.根據(jù)權(quán)利要求1所述的基于lstm的個性化心率異常監(jiān)測方法，其特征在于，步驟s3具體為：

5.根據(jù)權(quán)利要求1所述的基于lstm的個性化心率異常監(jiān)測方法，其特征在于，步驟s1和s3中，所述數(shù)據(jù)采集模塊包括ppg傳感器和數(shù)據(jù)傳輸單元；

6.根據(jù)權(quán)利要求5所述的基于lstm的個性化心率異常監(jiān)測方法，其特征在于，步驟s1和s3中，數(shù)據(jù)預(yù)處理模塊包括低通濾波器和歸一化處理模塊；

7.根據(jù)權(quán)利要求3所述的基于lstm的個性化心率異常監(jiān)測方法，其特征在于，步驟s2中，所述時間段包括凌晨0:00-3:00、黎明3:00-6:00、清晨6:00-8:00、早上8:00-10:00、上午10:00-12:00、中午12:00-14:00、下午14:00-16:00、傍晚16:00-18:00、晚間18:00-20:00、夜晚20:00-22:00和深夜22:00-24:00。

技術(shù)總結(jié)
本發(fā)明涉及心率異常監(jiān)測方法，具體涉及一種基于LSTM的個性化心率異常監(jiān)測方法,包括：采集用戶一段時間的心率數(shù)據(jù)，并將其轉(zhuǎn)換為歷史時間序列心率數(shù)據(jù)；以歷史時間序列心率數(shù)據(jù)訓(xùn)練LSTM模型，獲取初始個性化預(yù)測模型；采集用戶的當(dāng)前心率數(shù)據(jù)，并將其轉(zhuǎn)換為當(dāng)前時間序列心率數(shù)據(jù)，以當(dāng)前時間序列心率數(shù)據(jù)訓(xùn)練初始個性化預(yù)測模型；同時，由初始個性化預(yù)測模型依據(jù)時間輸出與時間相應(yīng)的預(yù)測心率數(shù)據(jù)；閾值動態(tài)調(diào)整模塊獲取實時閾值；由實時監(jiān)測模塊判斷誤差是否在超出實時閾值；若誤差超出實時閾值，由實時監(jiān)測模塊判定當(dāng)前心率數(shù)據(jù)異常，并由異常報警模塊報警。本發(fā)明能夠充分考慮個體的心率變化特性，提高心率預(yù)測的準(zhǔn)確性和個性化程度。

技術(shù)研發(fā)人員：崔強,戴威,陳嘉屹,李洪吉,魏雯婷
受保護的技術(shù)使用者：西安云脈智能技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/14

相關(guān)知識

基于混合尺度健康因子的LSTM
【循環(huán)監(jiān)測】心率與心律失常：一種整合心電圖和血流動力學(xué)的監(jiān)測方法（一）
一種基于健康監(jiān)測的跳繩計數(shù)方法
一種睡眠貼生產(chǎn)加工工藝智能優(yōu)化方法與流程
一種健康監(jiān)測系統(tǒng)及方法與流程
一種基于分布式光纖振動傳感系統(tǒng)的鐵路健康監(jiān)測方法與流程
基于車載裝備的駕駛員健康監(jiān)測方法及監(jiān)測設(shè)備與流程
一種新型智能化體重監(jiān)測裝置及肥胖評估方法與流程
一種無人機電池健康管理預(yù)測方法與系統(tǒng)
基于SCADA數(shù)據(jù)的大型直驅(qū)式風(fēng)力機主軸承運行狀態(tài)智能監(jiān)測方法研究

網(wǎng)址: 一種基于LSTM的個性化心率異常監(jiān)測方法與流程 http://www.u1s5d6.cn/newsview1507220.html