一种运动呼吸智能预测方法及运动健康管理系统与流程

本技术涉及运动监测管理，更具体地说，本技术涉及一种运动呼吸智能预测方法及运动健康管理系统。

背景技术：

1、随着智能穿戴设备和运动健康管理技术的发展，可穿戴设备已广泛应用于运动监测、心率监测及血氧监测等领域。其中，呼吸状态对于运动安全评估以及运动强度调节具有重要意义。现有可穿戴设备通常通过光电容积脉搏波（ppg）传感器、血氧传感器、惯性传感器等智能传感器采集运动过程中的生理数据，并利用心率变化、血氧变化或运动强度等单一生理参数，或者采用简单的数据融合算法对呼吸频率、呼吸节律等呼吸状态进行估算或预测，以实现运动健康监测和健康管理。

2、然而，呼吸调节是一个由运动负荷、心血管循环、氧气运输以及自主神经调控共同参与的复杂动态过程，不同生理信号对同一次呼吸活动的响应时间和响应方式存在明显差异。例如，运动强度变化通常首先表现为惯性传感器采集到的运动状态变化，而心率、脉搏波及血氧饱和度等生理参数则由于生理传导过程存在不同程度的响应延迟，导致各模态时序数据在时间维度上存在异步性；同时，不同模态数据对于呼吸状态的敏感程度和表征能力存在差异，传统方法通常直接对原始多模态数据进行同步采样或简单拼接融合，未能建立不同模态关键运动呼吸事件之间的对应关系，也无法有效刻画不同生理模态之间随时间演化的关联特征，容易造成呼吸事件错配、跨模态特征融合不充分以及运动过程中呼吸状态预测准确性较低的问题。因此，如何针对多模态生理时序数据构建统一的关键运动呼吸事件关联机制，实现不同模态呼吸事件的精准时间对齐及跨模态深度融合，提高运动过程中的呼吸状态预测精度和稳定性是业界面临的难题。

技术实现思路

1、本技术提供一种运动呼吸智能预测方法及运动健康管理系统，可以针对多模态生理时序数据构建统一的关键运动呼吸事件关联机制，实现不同模态呼吸事件的精准时间对齐及跨模态深度融合，提高运动过程中的呼吸状态预测精度和稳定性。

2、第一方面，本技术提供一种运动呼吸智能预测方法，包括如下步骤：

3、通过部署于可穿戴设备内部的智能传感器，采集运动过程中与呼吸功能相关的多模态时序数据；

4、从各模态时序数据中分别检测其关键运动呼吸事件，并基于所有模态的关键运动呼吸事件的时序，对所述各模态时序数据进行时间对齐处理；

5、以时间对齐后的各模态在不同事件节点的特征向量为节点，以基于事件时间差、特征相似性及事件重要性计算的模糊关联度为边权，构建时空异质图；

6、基于所述时空异质图对各模态的呼吸事件特征进行跨模态特征融合，得到表征呼吸状态的多模态融合特征，根据所述多模态融合特征，预测运动过程中的呼吸状态。

7、在一些实施例中，所述多模态时序数据包括光电容积脉搏波时序数据、血氧饱和度时序数据、三轴运动惯性时序数据和皮肤温度时序数据。

8、在一些实施例中，从各模态时序数据中分别检测其关键运动呼吸事件具体包括：

9、针对每一模态，对模态时序数据执行去噪处理和平稳化处理，以消除高频干扰并抑制基线漂移，得到连续的模态信号序列；

10、在所述模态信号序列中提取用于刻画呼吸周期结构的基础时序特征；

11、基于所述基础时序特征识别模态信号的周期性波峰、波谷及幅值变化节点，生成候选呼吸事件集合；

12、对所述候选呼吸事件集合施加预设的时序规则和幅值规则约束，筛选得到对应模态的关键运动呼吸事件。

13、在一些实施例中，基于所有模态的关键运动呼吸事件的时序，对所述各模态时序数据进行时间对齐处理具体包括：

14、获取各模态检测得到的关键运动呼吸事件及其对应的事件时间标识；

15、将不同模态的关键运动呼吸事件依据所述事件时间标识进行时间排序；

16、对在预设时间邻域内且指向同一呼吸周期阶段的跨模态关键运动呼吸事件执行事件合并处理，生成统一事件节点；

17、按照统一事件节点的时间顺序组织事件节点序列，构建事件参考时间轴；

18、以所述事件参考时间轴为基准，对所述各模态时序数据进行时间对齐处理。

19、在一些实施例中，以所述事件参考时间轴为基准，对所述各模态时序数据进行时间对齐处理具体包括：

20、将各模态的关键运动呼吸事件映射至所述事件参考时间轴中对应的统一事件节点；

21、计算各模态关键运动呼吸事件相对于所述统一事件节点的时间偏移量；

22、基于所述时间偏移量对对应模态的时序数据进行时间平移处理，生成时间同步后的多模态时序数据。

23、在一些实施例中，以时间对齐后的各模态在不同事件节点的特征向量为节点，以基于事件时间差、特征相似性及事件重要性计算的模糊关联度为边权，构建时空异质图具体包括：

24、在时间对齐的多模态时序数据中，于各事件节点处提取对应模态的呼吸事件特征向量，并将所述呼吸事件特征向量作为异质图节点进行建模；

25、基于事件参考时间轴，确定事件节点之间的时间间隔参数，用于刻画节点间的时序邻接关系；

26、对不同模态事件节点的呼吸事件特征向量进行相似性分析，得到用于刻画跨模态关联程度的特征相似性参数，其中，所述特征相似性参数是用于表征不同模态事件节点在特征层面关联程度的参数；

27、基于事件节点在事件序列中的结构位置，为事件节点配置事件重要性参数；

28、将所述时间间隔参数、特征相似性参数及事件重要性参数输入模糊推理模型，依据预设模糊规则生成节点间的模糊关联度；

29、以所述模糊关联度作为边权，在事件节点之间建立连接关系，得到融合时序关联与跨模态关联的时空异质图。

30、在一些实施例中，根据所述多模态融合特征，预测运动过程中的呼吸状态具体包括：

31、对所述多模态融合特征执行特征尺度规范化处理；

32、将规范化后的多模态融合特征输入预设的预测网络；

33、基于所述预测网对多模态融合特征执行模式判别处理，生成对应的呼吸状态判定信息，进而输出运动过程中的呼吸状态。

34、第二方面，本技术提供一种运动健康管理系统，包括有运动呼吸预测单元，用于执行运动呼吸智能预测方法，所述运动呼吸预测单元包括：

35、数据采集模块，用于通过部署于可穿戴设备内部的智能传感器，采集运动过程中与呼吸功能相关的多模态时序数据；

36、时间对齐模块，用于从各模态时序数据中分别检测其关键运动呼吸事件，并基于所有模态的关键运动呼吸事件的时序，对所述各模态时序数据进行时间对齐处理；

37、异质图构建模块，用于以时间对齐后的各模态在不同事件节点的特征向量为节点，以基于事件时间差、特征相似性及事件重要性计算的模糊关联度为边权，构建时空异质图；

38、呼吸预测模块，用于基于所述时空异质图对各模态的呼吸事件特征进行跨模态特征融合，得到表征呼吸状态的多模态融合特征，根据所述多模态融合特征，预测运动过程中的呼吸状态。

39、第三方面，本技术提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有代码，所述处理器被配置为获取所述代码，并执行上述的运动呼吸智能预测方法。

40、第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的运动呼吸智能预测方法。

41、本技术公开的实施例提供的技术方案具有以下有益效果：

42、本技术提供的一种运动呼吸智能预测方法及运动健康管理系统中，通过部署于可穿戴设备内部的智能传感器，采集运动过程中与呼吸功能相关的多模态时序数据；从各模态时序数据中分别检测其关键运动呼吸事件，并基于所有模态的关键运动呼吸事件的时序，对所述各模态时序数据进行时间对齐处理；以时间对齐后的各模态在不同事件节点的特征向量为节点，以基于事件时间差、特征相似性及事件重要性计算的模糊关联度为边权，构建时空异质图；基于所述时空异质图对各模态的呼吸事件特征进行跨模态特征融合，得到表征呼吸状态的多模态融合特征，根据所述多模态融合特征，预测运动过程中的呼吸状态。

43、由此可见本技术中，首先，通过从各模态时序数据中分别检测关键运动呼吸事件，并基于所有模态关键运动呼吸事件的时序关系对各模态数据进行时间对齐处理，可以将原本由于传感器采样频率差异、生理响应传递延迟以及不同信号变化机制导致的异步生理数据转换为具有统一时间基准的关联数据；然后，以各模态在不同事件节点的特征向量作为节点，并构建时空异质图，能够将运动过程中原本相互独立的多模态生理数据转换为具有时间演化关系和跨模态关联关系的统一图结构，从而突破传统方法仅依赖时间顺序或简单特征拼接进行数据融合的局限；最后，基于时空异质图对各模态的呼吸事件特征进行跨模态特征融合，并利用融合后的多模态融合特征预测运动过程中的呼吸状态，能够充分利用不同生理模态之间在时间维度和生理功能维度上的互补信息，避免传统方法采用单一生理信号或简单特征拼接方式导致的信息割裂和关联缺失问题，并依托时空异质图实现不同模态呼吸事件的精准时间对齐和跨模态深度融合，能够提高运动过程中呼吸状态表征的完整性、一致性和判别能力，最终提升呼吸状态预测的精度和稳定性。

44、综上所述，本技术采用的技术方案可以针对多模态生理时序数据构建统一的关键运动呼吸事件关联机制，实现不同模态呼吸事件的精准时间对齐及跨模态深度融合，提高运动过程中的呼吸状态预测精度和稳定性。