导航：X技术最新专利医药医疗技术的改进;医疗器械制造及应用技术
本专利针对智能穿戴设备无法及时发现心率异常导致突发疾病的问题，提出动态心率监测方法。通过采集人体静息与运动心率数据，结合预设峰谷值判断与预测模型，实现对第二心率数据的预测及健康指标分析，提前预警心率异常，有效预防疾病发生。
1.本发明涉及数据监测领域，特别涉及为基于智能穿戴设备的动态心率监测方法及系统。
2.在现有技术中，智能穿戴设备的芯片中通常设置有mdsp(modem digital signalprocessor，调制解调数字信号处理器)。智能穿戴设备(例如智能手表)中的心率监测装置在采集到用户的心率信息之后，会将采集到的原始数据发送至mdsp，然后由mdsp对接收到的数据进行处理，再由mdsp将处理后得到的用户心率数据发送至智能穿戴设备的cpu。
3.但是这种智能穿戴设备的心率监测装置无法连续不断地采集人体24小时连续心率hrv心率异常指标，致使人体可能在某个时间段出现心率指标异常，而智能穿戴设备却未及时发现的问题。
4.本发明旨在解决人体可能在某个时间段出现心率指标异常，而智能穿戴设备却未及时发现的问题，提供基于智能穿戴设备的动态心率监测方法及系统。
5.本发明为解决技术问题采用如下技术手段：本发明提供基于智能穿戴设备的动态心率监测方法，包括以下步骤：采用预置的连续心率传感器，采集人体的第一心率数据，其中，所述第一心率数据包括静息心率数据和运动心率数据；判断所述第一心率数据是否达到预置的数据峰谷值，其中，所述数据峰谷值包括数据波峰值和数据波谷值；若达到，则将所述第一心率数据输入至预置的预测模型进行预测，得到对应预测时间段的第二心率数据；获取所述第二心率数据的预测峰谷值；判断所述预测峰谷值是否达到所述数据峰谷值；若达到，则采集基于所述第二心率数据对应的人体健康指标数据信息；将所述人体健康指标数据信息输入至所述预测模型中，得到所述人体的数据分析结果，其中，所述数据分析结果包括人体心率波形数据和健康指标报告。
6.进一步地，所述采用预置的连续心率传感器，采集人体的第一心率数据的步骤前，包括：捕捉预置的传感器产生的效能，其中，所述效能包括温度数据和触感数据；判断所述效能是否符合预设的启用条件；若是，则采集所述人体的身体数据，其中，所述身体数据包括心电数据、血压数据和血氧数据。
7.进一步地，所述采用预置的连续心率传感器，采集人体的第一心率数据的步骤中，包括：获取所述人体的静息时间段和运动时间段；基于所述静息时间段和所述运动时间段，对应归类所述第一心率数据中的静息心率数据和运动心率数据；采集所述静息心率数据的心率峰谷值和所述运动心率数据的心率峰谷值。
8.进一步地，所述则将所述第一心率数据输入至预置的预测模型进行预测，得到对应预测时间段的第二心率数据的步骤前，包括：采集心率的健康数据和健康指标数据，其中，所述健康数据包括心率区间数据和心率变异性区间数据，所述健康指标数据包括氧耐力、摄氧量和氧耗量；将所述健康数据和所述健康指标数据作为训练样本，输入至训练模型中进行训练，得到训练完成的预测模型。
9.进一步地，所述则将所述第一心率数据输入至预置的预测模型进行预测，得到对应预测时间段的第二心率数据的步骤中，包括：获取预置时间段的部分第一心率数据；采集所述部分第一心率数据对应的健康数值，其中，所述健康数值包括心率区间数值和心率变异性区间数值；基于所述预置时间段和所述健康数值进行预测，得到与所述预置时间段相同时刻的人体预测心率数据。
10.进一步地，所述获取所述第二心率数据的预测峰谷值的步骤中，包括：获取所述预测峰谷值的持续时间；判断所述持续时间是否小于预设的时间段；若是，则基于所述预测峰谷值对所述第二心率数据进行归类，得到所述第二心率数据对应的静息心率数据和运动心率数据。
11.进一步地，所述将所述人体健康指标数据信息输入至所述预测模型中，得到所述人体的数据分析结果的步骤中，包括：获取所述人体健康指标数据信息中的综合风险评估分数；判断所述综合风险评估分数是否大于预置的分数评判区间；若是，则基于所述人体健康指标数据信息设立对应的风险评估报告。
12.进一步地，所述将所述人体健康指标数据信息输入至所述预测模型中，得到所述人体的数据分析结果的步骤后，包括：获取所述第二心率数据对应的心率区间数据；判断所述心率区间数据是否符合预置的心率规律；若是，则将所述第二心率数据与所述第一心率数据进行比对，形成不同时间段的人体心率波形数据对比。
13.本发明还提供基于智能穿戴设备的动态心率监测系统，包括：第一采集模块，用于采用预置的连续心率传感器，采集人体的第一心率数据，其中，所述第一心率数据包括静息心率数据和运动心率数据；第一判断模块，用于判断所述第一心率数据是否达到预置的数据峰谷值，其中，所
述数据峰谷值包括数据波峰值和数据波谷值；第一执行模块，用于若达到，则将所述第一心率数据输入至预置的预测模型进行预测，得到对应预测时间段的第二心率数据；第一获取模块，用于获取所述第二心率数据的预测峰谷值；第二判断模块，用于判断所述预测峰谷值是否达到所述数据峰谷值；第二执行模块，用于若达到，则采集基于所述第二心率数据对应的人体健康指标数据信息；第一分析模块，用于将所述人体健康指标数据信息输入至所述预测模型中，得到所述人体的数据分析结果，其中，所述数据分析结果包括人体心率波形数据和健康指标报告。
14.进一步地，还包括：第一捕捉模块，用于捕捉预置的传感器产生的效能，其中，所述效能包括温度数据和触感数据；第三判断模块，用于判断所述效能是否符合预设的启用条件；第三执行模块，用于若是，则采集所述人体的身体数据，其中，所述身体数据包括心电数据、血压数据和血氧数据。
15.本发明提供了基于智能穿戴设备的动态心率监测方法及系统，具有以下有益效果：本发明通过采集到人体某个时间段的心率数据后，将该心率数据输入至预测模型中进行预测，得到对应时间段的另一心率数据，并将两种不同时间段的心率数据进行比对，以生成人体的心率波形数据和与人体对应的健康指标报告，有效降低了人体可能在某个时间段出现心率指标异常，而智能穿戴设备却未及时发现的几率，且通过预测人体的心率活动能够有效预防突发性疾病的发生。
16.图1为本发明基于智能穿戴设备的动态心率监测方法一个实施例的流程示意图；图2为本发明基于智能穿戴设备的动态心率监测系统一个实施例的结构框图。
17.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明，本发明为目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
18.下面将结合本发明的实施例中的附图，对本发明的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.参考附图1，为本发明一实施例中的基于智能穿戴设备的动态心率监测方法，包括：s1：采用预置的连续心率传感器，采集人体的第一心率数据，其中，所述第一心率数据包括静息心率数据和运动心率数据；
s2：判断所述第一心率数据是否达到预置的数据峰谷值，其中，所述数据峰谷值包括数据波峰值和数据波谷值；s3：若达到，则将所述第一心率数据输入至预置的预测模型进行预测，得到对应预测时间段的第二心率数据；s4：获取所述第二心率数据的预测峰谷值；s5：判断所述预测峰谷值是否达到所述数据峰谷值；s6：若达到，则采集基于所述第二心率数据对应的人体健康指标数据信息；s7：将所述人体健康指标数据信息输入至所述预测模型中，得到所述人体的数据分析结果，其中，所述数据分析结果包括人体心率波形数据和健康指标报告。
20.在本实施例中，系统通过采用预先设置在智能穿戴设备中的连续心率传感器，采集人体某一时间段的第一心率数据，包括（静息心率数据和运动心率数据），而后系统判断第一心率数据能否达到预先设置好的心率数据峰谷值，包括（心率数据波峰值和心率数据波谷值），以执行对应的不同步骤；例如，系统判断到第一心率数据并没有达到预先设置好的数据峰谷值，如第一心率数据中最高的心率为78次/分，最低的心率为65次/分，而预先设置好的数据峰谷值为80次/分，最低的心率为62次/分，则此时系统会直接生成与第一心率数据对应的人体健康指标数据信息，并将该人体健康指标数据信息输入至预测模型中，以得到与第一心率数据对应的人体心率波形数据和健康指标报告；例如，系统判断到第一心率数据达到了预先设置好的数据峰谷值，如第一心率数据中最高的心率为81次/分，最低的心率为60次/分，在已知预先设置好的数据峰谷值为80次/分，最低的心率为62次/分的情况下，则此时系统会将第一心率数据输入至预先设置好的预测模型中进行预测，以预测得到与第一心率数据相同时段却不同时刻的第二心率数据；系统通过获取第二心率数据的预测峰谷值，并判断预测峰谷值是否达到心率数据峰谷值，以执行对应的步骤；例如，系统判断到预测峰谷值达到了数据峰谷值，则此时系统会采集预测得到的第二心率数据对应的人体健康指标数据信息，包括（氧耐力、摄氧量和氧耗量），并将这些人体健康指标数据信息输入至预测模型中进行预测，以预测得到该人体的数据分析结果，包括（人体心率波形数据和健康指标报告），将第一心率数据的数据分析结果和第二心率数据的数据分析结果进行比对，可以有效降低了人体可能在某个时间段出现心率指标异常，而智能穿戴设备却未及时发现的几率，且通过预测人体的心率活动能够有效预防突发性疾病的发生。
21.在本实施例中，采用预置的连续心率传感器，采集人体的第一心率数据的步骤s1前，包括：s101：捕捉预置的传感器产生的效能，其中，所述效能包括温度数据和触感数据；s102：判断所述效能是否符合预设的启用条件；s103：若是，则采集所述人体的身体数据，其中，所述身体数据包括心电数据、血压数据和血氧数据。
22.在本实施例中，系统通过捕捉预先设置在智能穿戴设备中的效能，包括（温度数据和触感数据），判断这些效能能否符合预先设置的启用智能穿戴设备功能的条件，以执行对应的不同步骤；例如，系统判断到这些效能符合预先设置好的启用智能穿戴设备的条件，如穿戴智能穿戴设备时，人体温度需要达到30-40℃的区间值，智能穿戴设备的传感器获取到温度且达到这个区间值，即可使该智能穿戴设备启用心率监测的功能；如穿戴智能穿戴设
备时，智能穿戴设备的传感器设置的触感范围被人体触碰一段时间后（如智能穿戴戒指戴在人体手指上、智能穿戴手表戴在人体手腕上），此时智能穿戴设备便会启用心率监测的功能，同时还可以监测到人体的身体数据如（心电数据、血压数据和血氧数据），并收录在智能穿戴设备中；例如，系统判断到这些效能不符合预先设置好的启用智能穿戴设备的条件，即此时该智能穿戴设备不会进行工作，即无法对心率进行正常监测。
23.在本实施例中，采用预置的连续心率传感器，采集人体的第一心率数据的步骤s1中，包括：s11：获取所述人体的静息时间段和运动时间段；s12：基于所述静息时间段和所述运动时间段，对应归类所述第一心率数据中的静息心率数据和运动心率数据；s13：采集所述静息心率数据的心率峰谷值和所述运动心率数据的心率峰谷值。
24.在本实施例中，系统通过获取到该人体的静息时间段和运动时间段后，根据两个不同时间段所产生的不同心率，对应将第一心率数据中的不同心率归类至静息时间段和运动时间段，以得到静息心率数据和运动心率数据，同时系统会对两个心率数据的峰谷值进行采集，以便与预先设置好的数据峰谷值进行比对。
25.在本实施例中，则将所述第一心率数据输入至预置的预测模型进行预测，得到对应预测时间段的第二心率数据的步骤s3前，包括：s301：采集心率的健康数据和健康指标数据，其中，所述健康数据包括心率区间数据和心率变异性区间数据，所述健康指标数据包括氧耐力、摄氧量和氧耗量；s302：将所述健康数据和所述健康指标数据作为训练样本，输入至训练模型中进行训练，得到训练完成的预测模型。
26.在本实施例中，系统通过在互联网上采集最佳心率的健康数据和健康指标数据，包括（心率区间数据和心率变异性区间数据），并将这些数据输入至空白的训练模型中进行训练，即可得到一个以最佳心率数据作为中心值，能够对下一时间段的心率规律进行预测的预测模型，只需要将某个时间段的心率数据输入至预测模型中，即可通过预测模型得到连接该时间段的下个时间段的心率数据，例如采集到的第一心率数据属于一周内的心率规律数据，而输入至预测模型中进行预测的心率规律数据则属于下一周的心率规律数据；例如采集到的第一心率数据属于三天内的心率规律数据，则输入至预测模型中进行预测的心率规律数据也属于三天后的心率规律数据，即代表预测的心率数据与输入的心率数据时间段成正比。
27.在本实施例中，则将所述第一心率数据输入至预置的预测模型进行预测，得到对应预测时间段的第二心率数据的步骤s3中，包括：s31：获取预置时间段的部分第一心率数据；s32：采集所述部分第一心率数据对应的健康数值，其中，所述健康数值包括心率区间数值和心率变异性区间数值；s33：基于所述预置时间段和所述健康数值进行预测，得到与所述预置时间段相同时刻的人体预测心率数据。
28.在本实施例中，系统通过获取到预先设置好时间段对应的部分第一心率数据，并采集到部分第一心率数据中对应的健康数值，包括（心率区间数值和心率变异性区间数
值），即可通过预先训练好的预测模型对预先设置的时间段和健康数值进行预测，以得到与预先设置好时间段相同时段却不同时刻的人体预测心率数据；例如，采集到的部分第一心率数据属于一周内的心率规律数据，而输入至预测模型中进行预测的心率规律数据则属于下一周的心率规律数据；例如，采集到的部分第一心率数据属于三天内的心率规律数据，则输入至预测模型中进行预测的心率规律数据也属于三天后的心率规律数据，即代表预测的心率数据与输入的心率数据时间段成正比。
29.在本实施例中，获取所述第二心率数据的预测峰谷值的步骤s4中，包括：s41：获取所述预测峰谷值的持续时间；s42：判断所述持续时间是否小于预设的时间段；s43：若是，则基于所述预测峰谷值对所述第二心率数据进行归类，得到所述第二心率数据对应的静息心率数据和运动心率数据。
30.在本实施例中，系统通过获取第二心率数据对应的预测峰谷值持续时间，判断持续时间是否小于预先设置好的时间段，以执行对应的不同步骤；例如，系统判断到预测峰谷值的持续时间小于预先设置好的时间段，则此时系统会基于预测峰谷值对第二心率数据进行归类统一，以分类得到第二心率数据中的静息心率数据和运动心率数据，即可得知预测峰谷值时静息时的谷值与运动时的峰值；例如，系统判断到预测峰谷值的持续时间并未小于预先设置好的时间段，则此时系统可以得知第二心率数据与第一心率数据具备一样的峰谷值，则代表人体可能会在下一个预测时间段内出现同样的症状，可以给人体提前做好预防措施，如多做有氧运动、保持充足睡眠。
31.在本实施例中，将所述人体健康指标数据信息输入至所述预测模型中，得到所述人体的数据分析结果的步骤s7中，包括：s71：获取所述人体健康指标数据信息中的综合风险评估分数；s72：判断所述综合风险评估分数是否大于预置的分数评判区间；s73：若是，则基于所述人体健康指标数据信息设立对应的风险评估报告。
32.在本实施例中，系统基于预先设置好的分数评判表，获取到人体健康指标数据信息中对应的综合风险评估分数，并判断该综合风险评估分数是否大于预先设置的分数评判区间，以执行对应的不同步骤；例如，系统判断到综合风险评估分数为66分，而预先设置好的分数评判区间设定为60分，此时系统会判断到综合风险评估分数大于预先设置的分数评判区间，则会基于人体健康指标数据信息设立对应的风险评估报告，风险评估报告的内容包括提醒人体需要保持心率规律平衡，因为综合风险评估分数在分数评判区间的边缘，需要做好预防措施，如多做有氧运动、保持充足睡眠等；例如，系统判断到综合风险评估分数为45分，在已知预先设置好的分数评判区间设定为60分的情况下，此时系统会判断到综合风险评估分数小于预先设置的分数评判区间，则会基于人体健康指标数据信息设立对应的警告报告，提醒用户某个时间段的心率不正常，以警示用户需要改变自己的心率规律，注意自己的饮食习惯和生活习惯。
33.在本实施例中，将所述人体健康指标数据信息输入至所述预测模型中，得到所述人体的数据分析结果的步骤s7后，包括：s701：获取所述第二心率数据对应的心率区间数据；s702：判断所述心率区间数据是否符合预置的心率规律；
s703：若是，则将所述第二心率数据与所述第一心率数据进行比对，形成不同时间段的人体心率波形数据对比。
34.在本实施例中，系统通过获取到第二心率数据对应的心率区间数据后，判断心率区间数据能否符合预先设置好的心率规律，以执行对应的不同步骤；例如，系统获取到心率区间数据为68-76次/分，而预先设置好的心率规律为65-78次/分，则此时系统会判断到心率区间数据能够符合预先设置好的心率规律，即系统会将预测模型预测得到的第二心率数据与刚开始监测得到的第一心率数据进行比对，形成不同时间段但却属于相同时刻的人体心率波形数据对比，即可得知人体在下一时间段会不会出现异常心率状况，有效预防人体心率疾病的发生；例如，系统获取到心率区间数据为65-80次/分，在已知预先设置好的心率规律为65-78次/分的情况下，即此时系统会判断到心率区间数据无法符合预先设置好的心率规律，即系统会基于人体健康指标数据信息设立对应的警告报告，提醒用户某个时间段的心率不正常，以警示用户需要改变自己的心率规律，注意自己的饮食习惯和生活习惯。
35.参考附图2，为本发明一实施例中基于智能穿戴设备的动态心率监测系统，包括：第一采集模块10，用于采用预置的连续心率传感器，采集人体的第一心率数据，其中，所述第一心率数据包括静息心率数据和运动心率数据；第一判断模块20，用于判断所述第一心率数据是否达到预置的数据峰谷值，其中，所述数据峰谷值包括数据波峰值和数据波谷值；第一执行模块30，用于若达到，则将所述第一心率数据输入至预置的预测模型进行预测，得到对应预测时间段的第二心率数据；第一获取模块40，用于获取所述第二心率数据的预测峰谷值；第二判断模块50，用于判断所述预测峰谷值是否达到所述数据峰谷值；第二执行模块60，用于若达到，则采集基于所述第二心率数据对应的人体健康指标数据信息；第一分析模块70，用于将所述人体健康指标数据信息输入至所述预测模型中，得到所述人体的数据分析结果，其中，所述数据分析结果包括人体心率波形数据和健康指标报告。
36.在本实施例中，第一采集模块10通过采用预先设置在智能穿戴设备中的连续心率传感器，采集人体某一时间段的第一心率数据，包括（静息心率数据和运动心率数据），而后第一判断模块20判断第一心率数据能否达到预先设置好的心率数据峰谷值，包括（心率数据波峰值和心率数据波谷值），以执行对应的不同步骤；例如，系统判断到第一心率数据并没有达到预先设置好的数据峰谷值，如第一心率数据中最高的心率为78次/分，最低的心率为65次/分，而预先设置好的数据峰谷值为80次/分，最低的心率为62次/分，则此时系统会直接生成与第一心率数据对应的人体健康指标数据信息，并将该人体健康指标数据信息输入至预测模型中，以得到与第一心率数据对应的人体心率波形数据和健康指标报告；例如，系统判断到第一心率数据达到了预先设置好的数据峰谷值，如第一心率数据中最高的心率为81次/分，最低的心率为60次/分，在已知预先设置好的数据峰谷值为80次/分，最低的心率为62次/分的情况下，则此时第一执行模块30会将第一心率数据输入至预先设置好的预测模型中进行预测，以预测得到与第一心率数据相同时段却不同时刻的第二心率数据；第一获取模块40通过获取第二心率数据的预测峰谷值，第二判断模块50判断预测峰谷值是否
达到心率数据峰谷值，以执行对应的步骤；例如，系统判断到预测峰谷值达到了数据峰谷值，则此时第二执行模块60会采集预测得到的第二心率数据对应的人体健康指标数据信息，包括（氧耐力、摄氧量和氧耗量），第一分析模块70将这些人体健康指标数据信息输入至预测模型中进行预测，以预测得到该人体的数据分析结果，包括（人体心率波形数据和健康指标报告），将第一心率数据的数据分析结果和第二心率数据的数据分析结果进行比对，可以有效降低了人体可能在某个时间段出现心率指标异常，而智能穿戴设备却未及时发现的几率，且通过预测人体的心率活动能够有效预防突发性疾病的发生。
37.在本实施例中，还包括：第一捕捉模块，用于捕捉预置的传感器产生的效能，其中，所述效能包括温度数据和触感数据；第三判断模块，用于判断所述效能是否符合预设的启用条件；第三执行模块，用于若是，则采集所述人体的身体数据，其中，所述身体数据包括心电数据、血压数据和血氧数据。
38.在本实施例中，系统通过捕捉预先设置在智能穿戴设备中的效能，包括（温度数据和触感数据），判断这些效能能否符合预先设置的启用智能穿戴设备功能的条件，以执行对应的不同步骤；例如，系统判断到这些效能符合预先设置好的启用智能穿戴设备的条件，如穿戴智能穿戴设备时，人体温度需要达到30-40℃的区间值，智能穿戴设备的传感器获取到温度且达到这个区间值，即可使该智能穿戴设备启用心率监测的功能；如穿戴智能穿戴设备时，智能穿戴设备的传感器设置的触感范围被人体触碰一段时间后（如智能穿戴戒指戴在人体手指上、智能穿戴手表戴在人体手腕上），此时智能穿戴设备便会启用心率监测的功能，同时还可以监测到人体的身体数据如（心电数据、血压数据和血氧数据），并收录在智能穿戴设备中；例如，系统判断到这些效能不符合预先设置好的启用智能穿戴设备的条件，即此时该智能穿戴设备不会进行工作，即无法对心率进行正常监测。
39.在本实施例中，第一采集模块还包括：第一获取单元，用于获取所述人体的静息时间段和运动时间段；第一归类单元，用于基于所述静息时间段和所述运动时间段，对应归类所述第一心率数据中的静息心率数据和运动心率数据；第一采集单元，用于采集所述静息心率数据的心率峰谷值和所述运动心率数据的心率峰谷值。
40.在本实施例中，系统通过获取到该人体的静息时间段和运动时间段后，根据两个不同时间段所产生的不同心率，对应将第一心率数据中的不同心率归类至静息时间段和运动时间段，以得到静息心率数据和运动心率数据，同时系统会对两个心率数据的峰谷值进行采集，以便与预先设置好的数据峰谷值进行比对。
41.在本实施例中，还包括：第二采集模块，用于采集心率的健康数据和健康指标数据，其中，所述健康数据包括心率区间数据和心率变异性区间数据，所述健康指标数据包括氧耐力、摄氧量和氧耗量；第一训练模块，用于将所述健康数据和所述健康指标数据作为训练样本，输入至训练模型中进行训练，得到训练完成的预测模型。
42.在本实施例中，系统通过在互联网上采集最佳心率的健康数据和健康指标数据，
包括（心率区间数据和心率变异性区间数据），并将这些数据输入至空白的训练模型中进行训练，即可得到一个以最佳心率数据作为中心值，能够对下一时间段的心率规律进行预测的预测模型，只需要将某个时间段的心率数据输入至预测模型中，即可通过预测模型得到连接该时间段的下个时间段的心率数据，例如采集到的第一心率数据属于一周内的心率规律数据，而输入至预测模型中进行预测的心率规律数据则属于下一周的心率规律数据；例如采集到的第一心率数据属于三天内的心率规律数据，则输入至预测模型中进行预测的心率规律数据也属于三天后的心率规律数据，即代表预测的心率数据与输入的心率数据时间段成正比。
43.在本实施例中，第一执行模块还包括：第二获取单元，用于获取预置时间段的部分第一心率数据；第二采集单元，用于采集所述部分第一心率数据对应的健康数值，其中，所述健康数值包括心率区间数值和心率变异性区间数值；第一预测单元，用于基于所述预置时间段和所述健康数值进行预测，得到与所述预置时间段相同时刻的人体预测心率数据。
44.在本实施例中，系统通过获取到预先设置好时间段对应的部分第一心率数据，并采集到部分第一心率数据中对应的健康数值，包括（心率区间数值和心率变异性区间数值），即可通过预先训练好的预测模型对预先设置的时间段和健康数值进行预测，以得到与预先设置好时间段相同时段却不同时刻的人体预测心率数据；例如，采集到的部分第一心率数据属于一周内的心率规律数据，而输入至预测模型中进行预测的心率规律数据则属于下一周的心率规律数据；例如，采集到的部分第一心率数据属于三天内的心率规律数据，则输入至预测模型中进行预测的心率规律数据也属于三天后的心率规律数据，即代表预测的心率数据与输入的心率数据时间段成正比。
45.在本实施例中，第一获取模块还包括：第三获取单元，用于获取所述预测峰谷值的持续时间；第一判断单元，用于判断所述持续时间是否小于预设的时间段；第一执行单元，用于若是，则基于所述预测峰谷值对所述第二心率数据进行归类，得到所述第二心率数据对应的静息心率数据和运动心率数据。
46.在本实施例中，系统通过获取第二心率数据对应的预测峰谷值持续时间，判断持续时间是否小于预先设置好的时间段，以执行对应的不同步骤；例如，系统判断到预测峰谷值的持续时间小于预先设置好的时间段，则此时系统会基于预测峰谷值对第二心率数据进行归类统一，以分类得到第二心率数据中的静息心率数据和运动心率数据，即可得知预测峰谷值时静息时的谷值与运动时的峰值；例如，系统判断到预测峰谷值的持续时间并未小于预先设置好的时间段，则此时系统可以得知第二心率数据与第一心率数据具备一样的峰谷值，则代表人体可能会在下一个预测时间段内出现同样的症状，可以给人体提前做好预防措施，如多做有氧运动、保持充足睡眠。
47.在本实施例中，第一分析模块还包括：第四获取单元，用于获取所述人体健康指标数据信息中的综合风险评估分数；第二判断单元，用于判断所述综合风险评估分数是否大于预置的分数评判区间；第二执行单元，用于若是，则基于所述人体健康指标数据信息设立对应的风险评
48.在本实施例中，系统基于预先设置好的分数评判表，获取到人体健康指标数据信息中对应的综合风险评估分数，并判断该综合风险评估分数是否大于预先设置的分数评判区间，以执行对应的不同步骤；例如，系统判断到综合风险评估分数为66分，而预先设置好的分数评判区间设定为60分，此时系统会判断到综合风险评估分数大于预先设置的分数评判区间，则会基于人体健康指标数据信息设立对应的风险评估报告，风险评估报告的内容包括提醒人体需要保持心率规律平衡，因为综合风险评估分数在分数评判区间的边缘，需要做好预防措施，如多做有氧运动、保持充足睡眠等；例如，系统判断到综合风险评估分数为45分，在已知预先设置好的分数评判区间设定为60分的情况下，此时系统会判断到综合风险评估分数小于预先设置的分数评判区间，则会基于人体健康指标数据信息设立对应的警告报告，提醒用户某个时间段的心率不正常，以警示用户需要改变自己的心率规律，注意自己的饮食习惯和生活习惯。
49.在本实施例中，还包括：第二获取模块，用于获取所述第二心率数据对应的心率区间数据；第四判断模块，用于判断所述心率区间数据是否符合预置的心率规律；第四执行模块，用于若是，则将所述第二心率数据与所述第一心率数据进行比对，形成不同时间段的人体心率波形数据对比。
50.在本实施例中，系统通过获取到第二心率数据对应的心率区间数据后，判断心率区间数据能否符合预先设置好的心率规律，以执行对应的不同步骤；例如，系统获取到心率区间数据为68-76次/分，而预先设置好的心率规律为65-78次/分，则此时系统会判断到心率区间数据能够符合预先设置好的心率规律，即系统会将预测模型预测得到的第二心率数据与刚开始监测得到的第一心率数据进行比对，形成不同时间段但却属于相同时刻的人体心率波形数据对比，即可得知人体在下一时间段会不会出现异常心率状况，有效预防人体心率疾病的发生；例如，系统获取到心率区间数据为65-80次/分，在已知预先设置好的心率规律为65-78次/分的情况下，即此时系统会判断到心率区间数据无法符合预先设置好的心率规律，即系统会基于人体健康指标数据信息设立对应的警告报告，提醒用户某个时间段的心率不正常，以警示用户需要改变自己的心率规律，注意自己的饮食习惯和生活习惯。
51.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
针对传统运动监测技术存在的个体差异适应性差、运动伪影干扰大、缺乏多模态融合分析及反馈机制粗糙等问题，提出基于多模态心率指标（心率、HRV、HRR）的动态调节方案。通过预处理数据、计算质量评分、...
针对现有智能手表心率监测精度不足、缺乏动态分析与预测的问题，提出通过多步骤信号处理提升监测精度。方法包括噪声过滤、分段分ued体育官网析提取时间/频率域特征，结合波动幅度系数与瞬时变化速率异常系数评估异常程...
针对现有心率检测仪功能单一、线束繁杂且监测不稳的问题，提出一种集成血压、心率、体温多参数监测的远程心率检测仪。通过血压袖带与吸盘式心率传感器协同固定，双传感器冗余设计提升稳定性，配合控制器、通...
针对现有动态心率监测算法复杂度高、硬件成本高、资源消耗大的问题，提出一种基于频域分析的实时监测方法。通过基线漂移消除、带通滤波和高精度频域分析模块，灵活选择关注频段，提升频域精度，减少计算与存...
针对传统心率监测易受人体运动和肌肉活动干扰导致基线漂移的问题，提出包含基线漂移消除模块、带通滤波模块、频域分析模块和心率频点选择模块的装置。通过消除基线漂移、精准滤波、局部频域高精度分析及动态...
1.制浆造纸 2.植物资源精细化工与化学 3.生物质精炼 4.天然产物化学
1.CRISPR-Cas系统 2.基因编辑 3.基因修复 4.天然产物合成 5.单分子技术开发与应用
1. 基于糖类的抗肿瘤药物的合成和活性评价及糖类疫苗的研制 2.功能糖类的化学酶法合成及构效关系研究 3.多糖及仿生材料功能的开发及应用
1.天然产品的提取分离与活性研究 2.天然产物活性与安全性评价 3.中药组方配伍机制研究