一种基于LSTM的个性化心率异常监测方法与流程

本发明涉及心率异常监测方法，具体涉及一种基于lstm的个性化心率异常监测方法。

背景技术：

1、随着人们对健康监测需求的不断增加，心率监测技术作为健康管理和疾病预防的重要手段之一，受到了广泛关注。传统的心率监测方法大多依赖于固定阈值的监测设备或简单的数据分析算法，无法提供个性化、动态的心率异常监测服务。同时，不同人群的心率变化模式存在差异，传统方法难以准确捕捉并预测个体的心率变化趋势，导致心率异常监测的准确性和实时性不足。

2、近年来，随着机器学习技术的快速发展，特别是长短期记忆网络(lstm)等深度学习模型的应用，为心率异常监测提供了新的解决方案。lstm模型具有处理时间序列数据的能力，能够捕捉心率数据中的时间依赖性和变化趋势，从而更准确地预测心率数据。然而，现有的基于lstm的心率监测方法大多侧重于通用的心率预测模型，未能充分考虑个体的心率变化特性，导致预测精度和个性化程度有待提高。

技术实现思路

1、本发明的目的是解决现有心率预测模型未能充分考虑个体的心率变化特性的技术问题，而提供一种基于lstm的个性化心率异常监测方法。

2、为解决上述技术问题，本发明提供的技术解决方案如下：

3、一种基于lstm的个性化心率异常监测方法，应用于心率监测仪器，包括如下步骤：

4、s1、通过数据采集模块采集用户一段时间的心率数据，并通过数据预处理模块将其转换为历史时间序列心率数据；

5、s2、lstm模型识别历史时间序列心率数据的心率变化特征和心率变化的趋势，并基于此训练，获取初始个性化预测模型；

6、s3、通过数据采集模块采集用户的当前心率数据，并通过数据预处理模块将其转换为当前时间序列心率数据，lstm模型识别当前时间序列心率数据心率变化特征和心率变化的趋势，并以此训练初始个性化预测模型，使初始个性化预测模型进化并获得个性化预测模型；

7、同时，由初始个性化预测模型依据当前时间序列心率数据，输出与当前时间对应的预测心率数据；

8、s4、阈值动态调整模块调取连续多天同一时刻的历史心率数据，对连续多天同一时刻的历史心率数据进行由小到大排列；

9、基于该排列取中位数，并将该中位数与其余心率数据求差值，将差值的众数作为实时阈值；

10、s5、由实时监测模块计算用户当前心率数据与预测心率数据的误差，判断误差是否在超出实时阈值；若误差位于实时阈值内，由实时监测模块判定当前心率数据正常；

11、否则，由实时监测模块判定当前心率数据异常，并由异常报警模块报警。

12、进一步地，步骤s1具体为：

13、s1.1、通过数据采集模块采集用户一段时间的心率数据，并将心率数据传输至数据预处理模块；

14、s1.2、通过数据预处理模块对一段时间的心率数据进行滤波和归一化处理，生成历史时间序列心率数据。

15、进一步地，步骤s2具体为：

16、s2.1、将历史时间序列心率数据按时间段分割为多段历史时间序列心率数据；

17、s2.2、将分割后的多段历史时间序列心率数据输入lstm模型；

18、s2.3、lstm模型识别各个时间段的历史时间序列心率数据的心率变化特征，并捕捉心率变化的趋势；

19、s2.4、根据各个时间段的心率变化趋势和心率变化特征建立各个时间段对应的初始个性化预测模型；

20、s2.5、将各个时间段对应的初始个性化预测模型进行组合可获得初始个性化预测模型；

21、s2.6、重复步骤s2.1至步骤s2.5多次，利用梯度下降法优化初始个性化预测模型，并获得最终的初始个性化预测模型。

22、进一步地，步骤s3具体为：

23、s3.1、通过数据采集模块采集用户的当前心率数据，并将当前心率数据传输至数据预处理模块；

24、s3.2、数据预处理模块对当前心率数据进行滤波和归一化处理，生成当前时间序列心率数据；

25、s3.3、lstm模型识别当前时间序列心率数据的心率变化特征，并捕捉心率变化的趋势；

26、s3.4、lstm模型根据当前时间序列心率数据的心率变化特征和心率变化的趋势训练初始个性化预测模型，实现初始个性化预测模型的进化并获得个性化预测模型；

27、同时，由初始个性化预测模型依据当前时间序列心率数据，输出与当前时间对应的预测心率数据。

28、进一步地，步骤s1和s3中，所述数据采集模块包括ppg传感器和数据传输单元；

29、所述ppg传感器采集用户一段时间的心率数据或当前心率数据，并通过数据传输单元将一段时间的心率数据或当前心率数据传输至数据预处理模块。

30、进一步地，步骤s1和s3中，数据预处理模块包括低通滤波器和归一化处理模块；

31、低通滤波器对一段时间的心率数据或当前心率数据进行滤波；滤波后的一段时间的心率数据或当前心率数据由归一化处理模块进行归一化处理，即可获得历史时间序列心率数据或当前时间序列心率数据。

32、进一步地，步骤s2中，所述时间段包括凌晨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、晚间18:00-20:00、夜晚20:00-22:00和深夜22:00-24:00。

33、与现有技术相比，本发明的有益效果：

34、本发明提供的基于lstm的个性化心率异常监测方法，通过采集用户的历史心率数据，并利用lstm模型进行训练，构建个性化的心率预测模型，该模型能够充分考虑个体的心率变化特性，提高心率预测的准确性和个性化程度；而且也能够通过持续采集用户的当前心率数据，并利用这些数据对个性化预测模型进行实时训练和优化，实现模型的进化，这种机制使得模型能够随着用户心率变化模式的变化而动态调整，保持预测性能的稳定性；采用动态阈值调整模块，根据用户连续多天同一时刻的历史心率数据，计算并调整实时阈值；这种动态调整机制能够更好地适应个体心率变化的不确定性，提高心率异常监测的灵敏度和准确性；通过实时监测模块计算用户当前心率数据与预测心率数据的误差，并基于动态阈值判断心率数据是否异常，一旦检测到异常心率数据，立即触发报警机制，及时提醒用户或医疗人员关注心率变化，避免潜在的健康风险。

技术特征：

1.一种基于lstm的个性化心率异常监测方法，应用于心率监测仪器，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于lstm的个性化心率异常监测方法，其特征在于，步骤s1具体为：

3.根据权利要求1所述的基于lstm的个性化心率异常监测方法，其特征在于，步骤s2具体为：

4.根据权利要求1所述的基于lstm的个性化心率异常监测方法，其特征在于，步骤s3具体为：

5.根据权利要求1所述的基于lstm的个性化心率异常监测方法，其特征在于，步骤s1和s3中，所述数据采集模块包括ppg传感器和数据传输单元；

6.根据权利要求5所述的基于lstm的个性化心率异常监测方法，其特征在于，步骤s1和s3中，数据预处理模块包括低通滤波器和归一化处理模块；

7.根据权利要求3所述的基于lstm的个性化心率异常监测方法，其特征在于，步骤s2中，所述时间段包括凌晨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、晚间18:00-20:00、夜晚20:00-22:00和深夜22:00-24:00。

技术总结本发明涉及心率异常监测方法，具体涉及一种基于LSTM的个性化心率异常监测方法,包括：采集用户一段时间的心率数据，并将其转换为历史时间序列心率数据；以历史时间序列心率数据训练LSTM模型，获取初始个性化预测模型；采集用户的当前心率数据，并将其转换为当前时间序列心率数据，以当前时间序列心率数据训练初始个性化预测模型；同时，由初始个性化预测模型依据时间输出与时间相应的预测心率数据；阈值动态调整模块获取实时阈值；由实时监测模块判断误差是否在超出实时阈值；若误差超出实时阈值，由实时监测模块判定当前心率数据异常，并由异常报警模块报警。本发明能够充分考虑个体的心率变化特性，提高心率预测的准确性和个性化程度。技术研发人员：崔强,戴威,陈嘉屹,李洪吉,魏雯婷受保护的技术使用者：西安云脉智能技术有限公司技术研发日：技术公布日：2024/11/14