一种智能穿戴设备的健康监测预警方法及系统与流程

本发明涉及健康监测，尤其涉及一种智能穿戴设备的健康监测预警方法及系统。

背景技术：

1、随着人们生活质量的不断提升，大家对自身健康状况的关注度也越来越高。智能穿戴设备，如智能手表、健康手环等，凭借其便携性和实时监测能力，已经成为广受欢迎的健康管理工具。这些设备能够实时采集用户的生理数据，如心率、血压、活动量等，为用户提供健康状况的实时反馈。

2、然而，传统的智能穿戴健康监测方法存在一些局限性。这些设备通常只能监测单一的生理指标，无法全面反映人体的健康状况。对于收集到的数据，大多仅仅进行简单的分析和展示，难以发现潜在的健康隐患。现有的健康预警功能过于简单，无法进行个性化的健康提示和指导，往往存在着健康预警不准确，不及时的问题，这些缺陷都阻碍智能穿戴设备在健康管理领域的进一步应用和推广，

3、因此，迫切需要一种全新的智能穿戴健康监测预警方法，能够克服上述问题，为用户提供更加智能、全面、个性化的健康管理服务。

技术实现思路

1、本发明为解决上述技术问题，提出了一种智能穿戴设备的健康监测预警方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，本发明提供一种智能穿戴设备的健康监测预警方法，包括以下步骤：

3、步骤s1：基于智能穿戴设备获取实时用户心率监测参数、历史心率监测数据及用户身体姿态数据；对历史心率监测数据进行插值过滤优化，并进行个性化用户特征挖掘，构建个性化用户标准图谱；

4、步骤s2：对实时用户心率监测参数进行多点间隔采样，并进行心率波形拟合，构建实时心率波形曲线；

5、步骤s3：对实时心率波形曲线进行心率变异度分析，并进行动态变异幅值计算，从而得到用户心率时序变化表征；

6、步骤s4：对用户心率时序变化表征进行心率变化趋势分析，再进行多时段态势演变预测，以生成多时段心率态势演变预测数据；

7、步骤s5：基于多时段心率态势演变预测数据对用户身体姿态数据进行阶段性活动模式推断，并进行异常阶段识别，标记用户异常心率态势预测数据；

8、步骤s6：基于个性化用户标准图谱对用户异常心率态势预测数据进行健康状态个性化评估，并进行心率调控决策，构建健康预警决策引擎，以执行用户的健康监测预警作业。

9、本发明通过构建个性化用户标准图谱更好地理解用户的心率数据，为后续分析提供个性化基础，通过插值过滤优化历史心率监测数据，填补数据缺失，提高数据完整性和准确性，挖掘个性化用户特征更好地理解用户的心率数据变化规律，为后续决策提供依据，构建实时心率波形曲线实时监测用户心率变化，及时发现异常情况，多点间隔采样提高数据采集效率同时保持数据精确性，分析心率变异度提供对心率变化的更深入理解，帮助评估用户的心率稳定性，计算动态变异幅值捕捉心率波动的趋势和幅度，为后续预测提供依据，生成多时段心率态势演变预测数据帮助预测用户的心率变化趋势，提前做好健康干预准备，多时段态势演变预测数据全面理解用户心率的发展趋势，为健康预警提供更全面的数据支持，对用户身体姿态数据进行阶段性活动模式推断帮助理解用户的日常活动情况，为异常识别提供上下文支持，标记异常心率态势预测数据及时发现用户异常情况，提高健康预警的准确性和及时性，基于个性化用户标准图谱进行健康状态个性化评估更准确地评估用户的健康状况，为健康调控提供依据，构建健康预警决策引擎自动化健康监测预警作业，提高预警的准确性和效率。

10、优选地，步骤s1包括以下步骤：

11、步骤s11：基于智能穿戴设备获取实时用户心率监测参数及历史心率监测数据；

12、步骤s12：对历史心率监测数据进行插值过滤优化，以得到历史优化心率监测数据；

13、步骤s13：对历史优化心率监测数据进行时间粒度分割，得到多个时序心率监测序列；

14、步骤s14：对多个时序心率监测序列进行用户周期行为分析，得到每一个序列的用户行为特征；

15、步骤s15：对多个时序心率监测序列进行周期性变化分析，生成用户周期变化规律；

16、步骤s16：基于用户周期变化规律对每一个序列的用户行为特征进行个性化用户特征挖掘，构建个性化用户标准图谱。

17、本发明通过获取实时用户心率监测参数和历史心率监测数据为后续分析提供数据基础，实现全面的心率监测，实时与历史数据的获取实现对用户心率数据的持续监测和跟踪，发现潜在的健康问题，通过插值过滤优化历史心率监测数据，提高数据的完整性和准确性，为后续分析提供更可靠的基础，将历史优化心率监测数据进行时间粒度分割，更细致地观察用户心率数据的变化趋势，为后续分析提供更多维度的数据支持，通过用户周期行为分析，揭示用户在不同时间段的心率行为特征，帮助理解用户的生理活动规律，分析每个序列的用户行为特征个性化用户特征挖掘，更好地理解每个用户的心率数据背后的含义，生成用户周期变化规律揭示用户心率数据中的周期性变化趋势，帮助预测未来的心率变化趋势，通过周期性变化分析，更好地识别用户的行为规律，为健康预警提供更深入的数据支持，构建个性化用户标准图谱更全面地展现每个用户的心率数据特征，为健康状态评估和健康预警提供个性化依据，基于用户周期变化规律进行个性化用户特征挖掘实现个性化的健康管理，提高预警的准确性和有效性。

18、优选地，步骤s12具体步骤为：

19、对历史心率监测数据进行缺失值检测，识别缺失值；

20、对缺失值进行频率分布统计，以得到缺失值频率分布数据；

21、基于缺失值频率分布数据对缺失值进行周边数据变化分析，提取每一个缺失值的周边数据点变化数据；

22、对每一个缺失值的周边数据点变化数据进行均值计算，从而得到周边数据均值；

23、基于周边数据均值对历史心率监测数据进行线性插值填充，以生成插值填充心率监测数据；

24、对插值填充心率监测数据进行异常值识别，标记异常数据点；

25、根据异常数据点进行离群过滤，以得到历史优化心率监测数据。

26、本发明通过检测和识别历史心率监测数据中的缺失值确保数据的完整性和准确性，为后续分析提供可靠的数据基础，通过缺失值的频率分布统计，分析缺失值出现的模式和趋势，帮助理解数据缺失的原因和影响程度，分析缺失值周边数据的变化理解缺失值与周围数据点之间的关联关系，为后续插值填充提供依据，通过计算周边数据均值，更准确地估计缺失值的取值，提高填充数据的准确性和可靠性，通过线性插值填充缺失值，恢复历史心率监测数据的完整性，使数据集更加完备，为后续分析提供完整数据支持，标记异常数据点识别潜在的数据质量问题或异常情况，为数据清洗和分析提供更准确的数据集，通过离群过滤，提升历史心率监测数据的质量，去除异常数据点的干扰，使数据更加可靠和准确，为后续健康预警方法提供更可靠的基础。

27、优选地，步骤s2具体步骤为：

28、步骤s21：定义时间间隔，基于所述时间间隔对实时用户心率监测参数进行多点间隔采样，提取多个心率监测采样点；

29、步骤s22：对多个心率采样点进行时间坐标计算，以提取每一个采样点的时间坐标；

30、步骤s23：对多个心率采样点进行心率波动特征分析，以生成心率波动特征；

31、步骤s24：基于每一个采样点的时间坐标对心率波动特征进行心率波形拟合，构建实时心率波形曲线。

32、本发明通过多点间隔采样实时用户心率监测参数，提高数据的丰富性和密度，更全面地反映用户的心率变化，定义合适的时间间隔进行多点采样提高时间分辨率，捕获心率波动的细微变化，提取每个采样点的时间坐标准确记录每次心率采样的时间点，为后续时间序列分析提供时间信息支持，通过对多个心率采样点进行波动特征分析，提取心率波动的关键特征，如振幅、频率等，帮助了解心率变化规律，心率波动特征分析评估用户的心率变化情况，发现异常波动，为健康预警提供依据，通过心率波形拟合构建实时心率波形曲线，更好地模拟和理解心率变化的趋势和规律，实时心率波形曲线的构建直观地展示心率变化趋势，为用户提供直观的健康监测信息。

33、优选地，步骤s3具体步骤为：

34、步骤s31：对实时心率波形曲线进行全局心率变化度计算，以生成全局心率平均变化度；

35、步骤s32：对实时心率波形曲线进行阶段性划分，得到多个阶段波形曲线；

36、步骤s33：基于全局心率平均变化度对多个阶段波形曲线进行心率变异度分析，以生成阶段间的心率变异度；

37、步骤s34：对阶段间的心率变异度进行动态变异幅值计算，识别动态心率变异幅值；

38、步骤s35：对动态心率变异幅值进行时序变化挖掘，从而得到用户心率时序变化表征。

39、本发明通过计算全局心率变化度，了解整体心率的平均变化趋势，为整体心率状态提供概括性认识，生成全局心率平均变化度可作为基准，用于后续对比分析和健康状态评估，将实时心率波形曲线进行阶段性划分细化对心率变化的分析，发现不同阶段的心率特征和变化规律，多个阶段波形曲线的划分为实现对不同时间段心率变化的动态监测提供了基础，通过心率变异度分析评估不同阶段心率的变化幅度和规律，帮助发现心率变异性的特征，生成阶段间的心率变异度比较不同阶段心率变化的差异，为健康状态的动态监测提供依据，识别动态心率变异幅值发现异常心率波动，指示潜在的健康问题或疾病风险，动态变异幅值的计算可用于实时调整监测策略或提醒用户注意心率波动异常情况，通过挖掘动态心率变异幅值的时序变化，提取用户心率的时序特征，了解心率变化的规律和趋势，时序变化表征个性化监测用户的心率状态变化，为用户提供更加贴近个体需求的健康预警和建议。

40、优选地，步骤s4的具体步骤为：

41、步骤s41：对用户心率时序变化表征进行多尺度时频分解，以得到多个频率的心率变化频域；

42、步骤s42：对多个频率的心率变化频域进行频率分量分布分析，以生成频域频率分量分布数据；

43、步骤s43：基于频域频率分量分布数据进行心率变化趋势分析，提取心率变化趋势特征；

44、步骤s44：对心率变化趋势特征进行多时段态势演变预测，以生成多时段心率态势演变预测数据。

45、本发明通过多尺度时频分解将用户心率时序变化表征转换到频域，得到不同频率下的心率变化特征，获得多个频率的心率变化频域深入了解心率变化的频率成分，为后续分析提供基础，通过频率分量分布分析评估不同频率下心率变化的分布情况，揭示心率变化的频率特征，生成频域频率分量分布数据提取心率变化的频域特征，为后续趋势分析提供数据支持，基于频域频率分量分布数据进行心率变化趋势分析提取心率变化的趋势特征，揭示心率变化的规律，分析心率变化趋势帮助评估心率的变化趋势，发现潜在的异常或健康风险，对心率变化趋势特征进行多时段态势演变预测预测未来心率的变化走势，帮助用户了解心率的发展趋势，生成多时段心率态势演变预测数据提前发现心率变化的趋势，为用户提供健康预警和建议。

46、优选地，步骤s5的具体步骤为：

47、步骤s51：对用户身体姿态数据进行抖动频率统计，得到用户抖动频率参数；

48、步骤s52：对用户抖动频率参数进行深度学习分类，以生成用户活动模式；

49、步骤s53：基于实时心率波形曲线对用户活动模式进行阶段性活动模式推断，得到每一个阶段的用户活动模式；

50、步骤s54：基于每一个阶段的用户活动模式对多时段心率态势演变预测数据进行异常阶段识别，标记用户异常心率态势预测数据。

51、本发明通过对用户身体姿态数据进行抖动频率统计，获取用户的抖动频率参数，反映用户的身体运动和活动状态。抖动频率参数是用户活动特征的一种表征，后续的活动模式分类和心率态势分析。对用户抖动频率参数进行深度学习分类生成用户的活动模式，帮助理解用户的不同活动状态和模式。深度学习分类根据用户的抖动频率参数个性化生成活动模式，提高活动模式识别的准确性。基于实时心率波形曲线推断用户活动模式在不同阶段识别用户的活动状态，结合心率数据更全面地理解用户行为。通过对每个阶段的用户活动模式进行推断，更准确地分析用户在不同时间段的活动行为。基于每个阶段的用户活动模式对多时段心率态势演变预测数据进行异常阶段识别，标记用户异常心率态势预测数据。识别异常阶段标记存在健康问题或异常状态的用户数据，提高健康预警的准确性和及时性。

52、优选地，步骤s6的具体步骤为：

53、步骤s61：基于个性化用户标准图谱对用户异常心率态势预测数据进行健康状态个性化评估，以生成异常心率健康状态评估值；

54、步骤s62：基于预设的标准心率健康评估阈值对异常心率健康状态评估值进行比较，当预设的标准心率健康评估阈值高于异常心率健康状态评估值，生成用户健康预警信号；

55、步骤s63：基于用户健康预警信号进行心率调控决策，构建健康预警决策引擎，以执行用户的健康监测预警作业。

56、本发明通过基于个性化用户标准图谱对异常心率态势预测数据进行评估，针对每位用户的特点和历史数据生成个性化的健康状态评估值，生成异常心率健康状态评估值了解用户当前的健康状况，提供个性化的健康评估依据，通过与预设的标准心率健康评估阈值比较异常心率健康状态评估值，判断用户当前健康状态是否存在异常，当预设的健康评估阈值高于异常心率健康状态评估值时，生成用户健康预警信号，提醒用户存在的健康风险，基于用户健康预警信号构建健康预警决策引擎实现自动化的健康监测预警作业，提高响应速度和准确性，执行健康预警决策引擎根据预警信号对用户的心率进行调控决策，帮助用户及时调整活动或就医，保障健康状况。

57、在本说明书中，提供一种智能穿戴设备的健康监测预警系统，用于执行如上所述的智能穿戴设备的健康监测预警方法，包括：

58、个性化特征模块，用于基于智能穿戴设备获取实时用户心率监测参数、历史心率监测数据及用户身体姿态数据；对历史心率监测数据进行插值过滤优化，并进行个性化用户特征挖掘，构建个性化用户标准图谱；

59、心率波形模块，用于对实时用户心率监测参数进行多点间隔采样，并进行心率波形拟合，构建实时心率波形曲线；

60、心率时序变化模块，用于对实时心率波形曲线进行心率变异度分析，并进行动态变异幅值计算，从而得到用户心率时序变化表征；

61、心率态势预测模块，用于对用户心率时序变化表征进行心率变化趋势分析，再进行多时段态势演变预测，以生成多时段心率态势演变预测数据；

62、异常心率识别模块，用于基于多时段心率态势演变预测数据对用户身体姿态数据进行阶段性活动模式推断，并进行异常阶段识别，标记用户异常心率态势预测数据；

63、健康预警模块，用于基于个性化用户标准图谱对用户异常心率态势预测数据进行健康状态个性化评估，并进行心率调控决策，构建健康预警决策引擎，以执行用户的健康监测预警作业。

64、本发明通过获取实时用户心率监测参数和历史数据，以及用户身体姿态数据全面了解用户的生理状况，插值过滤优化历史心率监测数据并进行个性化用户特征挖掘可建立个性化用户标准图谱，为后续分析提供基础，通过多点间隔采样和心率波形拟合，构建实时心率波形曲线，提供了实时的心率数据可视化，用户直观地了解其心率变化趋势和波动情况，分析心率变异度和计算动态变异幅值深入了解用户的心率时序变化特征，这些表征能够为后续的态势预测和健康评估提供重要参考，通过分析心率变化趋势和进行多时段态势演变预测，提前发现的心率变化模式，用户了解未来心率的变化情况，并做出相应的调整和预防措施，基于多时段心率态势演变预测数据进行异常心率识别和活动模式推断，及时标记并识别用户的异常心率情况，用户关注健康异常，并及时采取必要的措施，基于个性化用户标准图谱对异常心率态势预测数据进行健康状态评估，为用户提供个性化的健康预警，构建的健康预警决策引擎用户根据个人情况进行心率调控决策，提升健康管理和监测效果。