一种心律失常风险预测方法及相关电子设备与流程

本技术实施例涉及终端技术，尤其涉及一种心律失常风险预测方法及相关电子设备。

背景技术：

1、心律失常指心脏冲动的频率、节律、起源部位、传导速度、激动次序及房室传导途径等任何一方面的异常，心律失常事件对人们的生活健康有着极大的影响。但由于心律失常事件发生前无明显症状、发作时无规律，导致人们对其知晓率低且难以准确预测，若长期佩戴动态呼吸监测holter或长期进行心电监测，会极大的影响人们的日常生活且成本较高。

2、因此，如何满足用户的心律失常事件管理需求，提高用户体验，是当前及未来的研究方向。

技术实现思路

1、本技术提供了一种心律失常风险预测方法及相关电子设备，在该心律失常风险预测方法中，可以基于用户数据和睡眠呼吸暂停osas数据预测心律失常风险，满足用户需求，提高用户体验。

2、第一方面，本技术实施例提供了一种心律失常风险预测方法，应用于电子设备，该方法包括：

3、获取目标用户在第一时间段内的用户数据和睡眠呼吸暂停osas数据，所述用户数据包括睡眠数据、运动数据以及用户输入数据的至少一种；

4、基于所述第一时间段内的所述用户数据和所述osas数据，通过风险预测模型对所述目标用户在第二时间段内的心律失常风险进行预测，获得第一预测结果，所述第一预测结果包括所述目标用户在所述第二时间段内对应的心律失常风险等级；

5、显示所述第一预测结果。

6、本技术实施例中，电子设备可以获取第一时间段内的目标用户的用户数据(目标用户的生活方式的相关数据)和睡眠呼吸暂停(obstructive sleep apnoea syndrome，osas)数据(针对心律失常影响较大的历史数据)，进而，基于用户数据和osas数据，预测目标用户在第二时间段内的心律失常风险，得到第一预测结果，该预测结果包括心律失常风险等级；最后显示该第一预测结果。其中，为了保证预测结果的准确性，该第一时间段对应的时长与第二时间段对应的时长相等或相近。例如：获取目标用户在一个月内的用户数据和osas数据，预测该目标用户在下一个月或者未来二十天内的心律失常风险。而且，在osas数据的基础上，参考目标用户本身的用户数据(如：睡眠数据、运动数据以及用户输入数据等等)，基于上述多个维度的数据可以从多方面评价，使得可以更为精准预测目标用户的心律状态，满足用户的心律失常事件管理需求。另外，该显示预测结果可以直观的提醒目标用户当前状态下的心律失常风险等级，有利于满足目标用户对个人健康状态的认知，提高目标用户对自身心律失常知晓率，也可以促使目标用户尽早维护自身的身体健康，达到改善心律失常情况的需求。

7、结合第一方面，在一种可能的实现方式中，所述获取目标用户在第一时间段内的用户数据和睡眠呼吸暂停osas数据，包括：

8、通过穿戴设备采集所述目标用户在所述第一时间段内的光体积变化描记图法ppg信号和加速度传感器acc信号；

9、基于所述ppg信号和所述acc信号，获取所述目标用户在所述第一时间段内的所述用户数据和所述osas数据。

10、在本技术实施例中，通过穿戴设备采集目标用户在第一时间段内的光体积变化描记图法(photoplethysmogram，ppg)信号和加速度传感器(accelerometer，acc)信号，可以自动获取用户数据，无需用户输入。而且穿戴设备相较于holter或长期进行心电监测，不会极大的影响人们的日常生活且成本较低。例如：穿戴设备可以将采集后的信号直接发送至电子设备，电子设备基于采集后的信号获取用户数据和所述osas数据；或者，穿戴设备可以将采集后的信号进行处理后获取用户数据和所述osas数据，并将处理好的用户数据和所述osas数据发送至电子设备。

11、结合第一方面，在一种可能的实现方式中，所述基于所述用户数据和所述osas数据，通过风险预测模型对所述目标用户在第二时间段内的心律失常风险进行预测，获得第一预测结果，包括：

12、提取所述用户数据和所述osas数据对应的多个特性值集合，每个所述特征值集合对应一种数据，且每个所述特征值集合包括对应数据的多种特征的特征值；

13、基于所述多个特征值集合，通过所述风险预测模型获得所述第一预测结果。

14、在本技术实施例中，用户数据可以对应一个或多个特性值集合，osas数据可以对应一个或多个特性值集合。其中，在用户数据包括睡眠数据、运动数据以及用户输入数据中的多种时，该用户数据可以对应多个特征值集合，每个特征值集合均对应一种数据。电子设备可以基于多个特征值集合，通过风险预测模型确定第一预测结果(如：心律失常风险等级)。该方法可以针对影响目标用户的数据特征，准确的预测出目标用户的心律失常风险等级，提高目标用户针对心律失常的知晓率，满足用户需求。

15、结合第一方面，在一种可能的实现方式中，所述基于所述多个特征值集合，通过所述风险预测模型获得所述第一预测结果，包括：

16、基于所述多个特征值集合，通过多元线性算法模型获得每个所述特征值集合对应的特征权重和评分；

17、基于每个所述特征值集合对应的特征权重和评分，通过所述风险预测模型获得所述第一预测结果。

18、在本技术实施例中，考虑到不同的因素对心律失常的影响不同。例如：在某些情况下，osas对目标用户心律失常的影响较大，睡眠对目标用户心律失常的影响较小，因此，电子设备基于多元线性算法模型获得每个所述特征值集合对应的特征权重和评分，有区别的预测目标用户在所述第二时间段内对应的心律失常风险等级，使得预测结果更加准确。

19、结合第一方面，在一种可能的实现方式中，所述睡眠数据包括入睡时间、出睡时间、睡眠时长、深度睡眠时长、浅度睡眠时长、醒来次数以及睡眠评分中的至少一种特征；

20、所述运动数据包括：每次运动的运动强度、运动距离、卡路里以及步数中的至少一种特征；

21、所述用户输入数据包括：压力值、饮食习惯、病史、生活习惯中的至少一种特征；

22、所述osas数据包括：平均血氧、最大血氧、最小血氧、osas事件的发生时间、osas事件的发生时长、osas事件的发生频次中的至少一种特征。

23、在本技术实施例中，每个特征值集合均对应一种数据，而且每种数据都可以对应一种或多种特征。例如：osas数据包括平均血氧、最大血氧、最小血氧、osas事件的发生时间、osas事件的发生时长、osas事件的发生频次中的至少一种特征。电子设备基于多种特征确定第一预测结果，可以提高预测结果的准确性，满足目标用户对心律失常事件的管理需求。

24、结合第一方面，在一种可能的实现方式中，所述第一预测结果还包括所述目标用户对应的一种或多种心律失常风险因子，以及所述一种或多种心律失常风险因子分别对应的因子权重；其中，每种所述心律失常风险因子对应一种所述特征；

25、所述方法还包括：

26、确定所述一种或多种心律失常风险因子分别对应的诱因分析信息；

27、响应于所述目标用户的第一用户操作，显示所述目标用户对应的目标心律失常风险因子以及对应的所述诱因分析信息，所述目标心律失常风险因子为所述一种或多种心律失常风险因子中的一种。

28、在本技术实施例中，电子设备在确定心律失常风险等级后，还可以进一步的确定导致目标用户心律失常风险的各项风险因子及其权重，并可以基于不同风险等级和风险点给出相应的诱因分析信息，进而可以提示目标用户的当前生活习惯或身体状况对心律失常的影响，使得目标用户可以针对性的调整。

29、结合第一方面，在一种可能的实现方式中，所述方法还包括：

30、基于所述第一预测结果，确定针对所述目标用户的健康管理建议；

31、响应于所述目标用户的第二用户操作，显示所述健康管理建议。

32、在本技术实施例中，该方法可以直观的显示针对目标用户的健康管理建议，个性化健康提示，精准提供主动干预方案，该方法可以提高健康管理建议的有效程度，有效改善目标用户的心律失常。

33、结合第一方面，在一种可能的实现方式中，所述第一预测结果还包括所述目标用户对应的心律失常风险类型，其中，所述心律失常风险类型包括房颤、早搏、心律不齐中的一种；

34、所述方法还包括：

35、基于所述目标用户在所述第一时间段内的ppg信号，确定所述目标用户在所述第二时间段内的所述心律失常风险类型；或者，

36、基于所述目标用户输入的病史数据，确定所述目标用户在所述第二时间段内的所述心律失常风险类型。

37、在本技术实施例中，不同类型的心律失常其对应的心律失常风险等级不同。例如：单位时间，房颤次数4次以下、早搏次数8次以下或不规则心律13次以下分别对应该类心律失常风险等级中的低风险。因此，电子设备可以基于第一时间段内的ppg信号或者目标用户输入的病史数据中，确定心律失常风险类型，进而更加准确的预测该目标用户的心律失常风险等级。

38、结合第一方面，在一种可能的实现方式中，所述基于所述目标用户在所述第一时间段内的ppg信号，确定所述目标用户在所述第二时间段内的所述心律失常风险类型包括：

39、基于所述目标用户在所述第一时间段内的ppg信号，确定所述目标用户在所述第二时间段内所述心律失常风险类型中每类心律失常对应的事件信息，所述事件信息包括出现频率、出现次数、间隔时长以及权重的中的至少一种；

40、基于所述心律失常风险类型中每类心律失常对应的事件信息，确定所述目标用户在所述第二时间段内的所述心律失常风险类型。

41、在本技术实施例中，基于第一时间段内的ppg信号确定心律失常风险类型时，是基于失常事件发生的频率、出现次数、间隔时长以及权重，其中该权重是指风险事件类型的权值，含义为房颤、早搏等不同类型的事件对于心律失常整体风险的贡献。从多方面确定律失常风险类型，可以使得预测结果更加准确。

42、结合第一方面，在一种可能的实现方式中，所述方法还包括：

43、获取所述目标用户在所述第二时间段内的所述用户数据和所述osas数据；

44、基于所述第二时间段内的所述用户数据和所述osas数据，通过所述风险预测模型对所述目标用户在第三时间段内的心律失常风险进行预测，获得第二预测结果，所述第二预测结果包括所述目标用户在所述第三时间段内对应的心律失常风险等级；

45、显示所述第二预测结果，以及所述第二预测结果相对于所述第一预测结果的变化趋势。

46、在本技术实施例中，电子设备可以持续性监测目标用户的用户数据和osas数据，并显示当前的预测结果与之前的预测结果的变化趋势，可以有利于用户直观的认知健康管理带来的改善效果或者不进行改善时的身体的变化情况，提高用户体验。

47、第二方面，本技术实施例提供了一种电子设备，包括一个或多个功能模块，该一个或多个功能模块可用于执行如上述任一方面中或任一方面中任一可能的实现方式中的心律失常风险预测方法。

48、第三方面，本技术实施例提供了一种穿戴设备，包括一个或多个功能模块，该一个或多个功能模块可用于执行如上述任一方面中或任一方面中任一可能的实现方式中的心律失常风险预测方法。

49、第四方面，本技术提供了一种计算机存储介质，包括计算机指令，当计算机指令在电子设备上运行时，使得通信装置执行上述任一方面中或任一方面中任一可能的实现方式中的心律失常风险预测方法。

50、第五方面，本技术提供了一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行上述任一方面中或任一方面中任一可能的实现方式中的心律失常风险预测方法。

51、第六方面，本技术提供了一种芯片，包括：处理器和接口，所述处理器和接口相互配合，使得所述芯片执行上述任一方面中或任一方面中任一可能的实现方式中的心律失常风险预测方法。

52、可以理解地，上述第二方面提供的电子设备、第三方面提供的穿戴设备、第四方面提供的计算机可读存储介质、第五方面提供的计算机程序产品、第六方面提供的芯片均用于执行本技术实施例所提供的方法。因此，其所能达到的有益效果可参考对应方法中的有益效果，此处不再赘述。