基于连续心率监测的直立性心动过速综合征居家筛查方法与流程

摘要: 本发明涉及医疗健康监测,尤其涉及一种基于连续心率监测的直立性心动过速综合征居家筛查方法。背景技术:1、直立性心动过速综合征是一种以直立不耐受为主要表现的自主神经...
基于连续心率监测的直立性心动过速综合征居家筛查方法与流程

本发明涉及医疗健康监测,尤其涉及一种基于连续心率监测的直立性心动过速综合征居家筛查方法。

背景技术:

1、直立性心动过速综合征是一种以直立不耐受为主要表现的自主神经功能障碍性疾病,其临床诊断金标准为直立倾斜试验,要求患者在严格受控的医疗环境中完成由卧位向直立位的主动转换,并在规定时间内持续监测心率与血压变化。然而,直立倾斜试验对设备条件与操作规范要求较高,患者需专程前往医疗机构,难以用于大规模早期筛查。近年来,基于可穿戴设备的居家筛查方案逐渐受到关注,其基本思路是引导用户在家中主动执行仰卧至站立的体位变换动作,利用光电心率传感器记录站起前后的心率增量,将心率增幅超过预设诊断阈值作为阳性判定依据。

2、此类方案在实际应用中面临多重局限。其一,仅依赖心率增幅作为单一判据无法区分心率升高的驱动机制,因为紧张情绪或动作急促导致的生理性心动过速与因病理性静脉回流不足导致的心率代偿性飙升在数值上可能完全相同,导致假阳性率偏高。其二,预设固定阈值未考虑个体的基础心率、血容量状态及自主神经调节能力的差异性,对早期或代偿期患者容易漏检。其三,主动测试本身构成心理应激源,用户知晓自己正在执行筛查任务时产生的白大褂效应会进一步放大心率波动,干扰判定结果的可靠性。因此,亟需一种能够深入反演直立性心率升高血流动力学本质、捕捉自主神经调节早期隐匿性异常、并有效规避主动测试干扰的居家筛查方法。

技术实现思路

1、本发明克服了现有技术的缺陷,提供了一种基于连续心率监测的直立性心动过速综合征居家筛查方法,其重要目的在于为直立性头晕、心悸人群提供低成本、高频次的居家自主筛查方法,提高pots的早期预警能力。

2、为实现上述目的本发明第一方面提供了一种基于连续心率监测的直立性心动过速综合征居家筛查方法,包括:

3、s102,通过可穿戴设备引导用户执行标准化的卧姿转坐姿再转站姿的三段式体位变换,采集逐搏心率序列、从光电容积脉搏波信号中提取的脉搏波特征时间序列及加速度计记录的体位转换冲击特征,经滤波与时间对齐形成校准基准数据集;

4、s104,基于所述校准基准数据集,计算由坐到站后脉搏波特征时间相对于坐姿静息基线的最大延长率,结合站起后心率最大增幅进行每搏量趋势反演与血流动力学驱动分析,得到血流动力学驱动指数;

5、s106,对卧姿静息阶段与站立稳定阶段的心率序列分别进行庞加莱图分析,获取长轴与短轴比值在体位变换前后的变化率作为庞加莱形态指数,计算去趋势波动分析标度指数在站立前后的偏移量,生成自主神经僵硬度评分;

6、s108,通过碎片化姿态转换事件建立自然姿态转换图谱,利用所述自然姿态转换图谱进行虚拟直立倾斜试验重建获取虚拟等效心率增幅,并由多次姿态转换事件构建个体特征云,采用局部离群因子算法进行日常离群事件分析,得到日常离群事件分析信息;

7、s110,将所述血流动力学驱动指数、自主神经僵硬度评分、虚拟等效心率增幅以及日常离群事件分析信息输入至预构建的贝叶斯信度网络进行多维度病理亚型倾向推理,最终生成综合风险图谱进行推送提示。

8、本方案中,所述s102,具体包括:

9、利用可穿戴设备内置的三轴加速度计持续监测躯干倾角与运动强度,当检测到用户维持躯干倾角低于预设卧姿阈值且运动强度低于静止阈值的稳定卧姿状态达到预设时长后,发出第一次动作引导指令,指示用户在设定的第一转换时限内由卧姿转为坐姿;

10、在用户执行卧姿转坐姿过程中,实时记录躯干倾角从卧姿阈值以下跨越至坐姿阈值区间的角度变化轨迹,并提取三轴加速度合量的瞬时峰值作为卧转坐冲击特征;

11、在用户保持静止坐姿期间,持续验证躯干倾角稳定在坐姿区间且运动强度未超限,当达到坐姿静息时长要求后发出第二次动作引导指令,指示用户在设定的第二转换时限内由坐姿转为站姿;

12、在用户执行坐姿转站姿过程中,记录坐转站的角度变化轨迹并提取三轴加速度合量的瞬时峰值作为坐转站冲击特征,站姿建立后持续验证躯干倾角稳定在站姿区间且运动强度未超限,当确认站姿稳定后结束本次标准化测试流程;

13、在测试过程中,通过脉搏波传感器采集原始脉搏波信号,进行滤波平滑处理后定位收缩期峰值点,根据相邻峰值点间隔计算逐搏心率序列,同步对每个心动周期波形进行微分运算获取加速度脉搏波信号并分析脉搏波特征时间,生成脉搏波特征时间序列;

14、将逐搏心率序列与脉搏波特征时间序列按时间戳对齐形成双通道生理参数序列,将卧转坐冲击特征与坐转站冲击特征及对应时间戳与双通道生理参数序列进行同步对齐,结合经滤波处理的加速度数据与姿态判定标记,形成校准基准数据集。

15、本方案中,所述s104,具体包括:

16、从所述校准基准数据集中提取坐姿静息阶段最后一分钟的脉搏波特征时间序列,对该时段内的全部脉搏波特征时间值取中位数,作为坐姿静息基线;

17、同步提取坐转站冲击特征时间戳之后的站立阶段脉搏波特征时间序列,以预设滑动窗口遍历站立后前3分钟数据,计算每个窗口内脉搏波特征时间的中位数并与坐姿静息基线比较,取最大偏离值作为由坐到站后脉搏波特征时间最大延长率;

18、从所述校准基准数据集的逐搏心率序列中提取坐姿静息阶段最后一分钟的心率中位数作为静息基线心率,在坐转站冲击特征时间戳之后的站立阶段心率序列上进行移动中值滤波,扫描站起后指定区间内的最大心率值;

19、将最大心率值与所述静息基线心率之差作为站起后心率最大增幅,将所述站起后心率最大增幅除以所述脉搏波特征时间最大延长率,构建表征单位每搏量下降所诱发的心率代偿强度的初始血流动力学驱动指数;

20、从校准基准数据集中调取坐转站冲击特征所含的三轴加速度合量瞬时峰值,结合预设非线性补偿函数获取归一化补偿系数,将所述初始血流动力学驱动指数乘以所述归一化补偿系数,得到校正后血流动力学驱动指数。

21、本方案中,所述s106,具体包括:

22、从校准基准数据集的逐搏心率序列中,截取第一次动作引导指令发出前最后三分钟长度的心率序列作为卧姿静息心率序列,以坐转站冲击特征时间戳为起点向后偏移预设适应时间后截取三分钟长度的心率序列作为站立阶段心率序列;

23、对每段心率序列分别构建庞加莱图,以前一心搏间期值为横坐标、后一心搏间期值为纵坐标,在二维平面上逐一绘制所有相邻心搏间期对的数据点形成庞加莱散点分布,并对庞加莱散点分布进行椭圆拟合,最终得到卧姿长轴短轴比和站立长轴短轴比;

24、将站立长轴短轴比与卧姿长轴短轴比的差值除以卧姿长轴短轴比,得到长轴与短轴比值在体位变换前后的变化率,作为庞加莱形态指数;

25、对卧姿静息心率序列与站立阶段心率序列分别进行去趋势波动分析,对于任意一段心率序列,通过均值计算获取对应的去均值序列后进行累加以构建累积和序列,将累积和序列按预设窗口尺度范围划分为若干等长区间;

26、对每个区间内的累积和数据进行线性去趋势后计算均方根波动值,遍历所有窗口尺度后,在对数坐标系中拟合均方根波动值与窗口尺度的关系曲线,提取关系曲线的斜率作为对应类别心率序列的标度指数,最终生成卧姿标度指数与站立标度指数;

27、计算卧姿标度指数与站立标度指数的差值的绝对值,作为去趋势波动分析标度指数在站立前后的偏移量,与所述庞加莱形态指数一并输入预设的双参数融合函数进行加权融合,生成自主神经僵硬度评分。

28、本方案中,所述s108,具体包括:

29、在日常佩戴场景中,通过可穿戴设备对非引导的自然姿态转换事件进行持续监测,当检测到用户由低姿态向站立姿态转换,且转换后躯干倾角稳定在直立阈值以上、运动强度持续低于静止阈值的自然站立事件时;

30、自动标记当前自然站立事件的转换起点时间戳,并记录当前自然站立事件的初始姿态类型、转换前低姿态的持续静息时长以及转换过程中三轴加速度合量的峰值作为自然事件冲击特征;

31、对于每次自然站立事件,从连续记录的心率序列和脉搏波特征时间序列中提取低姿态静息阶段的静息基线、站立阶段脉搏波特征时间最大延长率及站起后心率最大增幅,并进行血流动力学驱动指数计算获得当前自然站立事件的血流动力学驱动指数;

32、分别获取低姿态静息阶段和站立稳定阶段的庞加莱形态指数和标度指数偏移量,并进行自主神经僵硬度计算获得当前自然站立事件的自主神经僵硬度评分,根据初始姿态类型、持续静息时长、血流动力学驱动指数及自主神经僵硬度评分构建自然姿态转换图谱。

33、本方案中,所述s108,还包括:

34、当自然姿态转换图谱中事件记录数量达到预设最小样本量后, 以每次事件的初始姿态类型和持续静息时长作为输入特征,以对应事件的血流动力学驱动指数和自主神经僵硬度评分作为目标变量,构建非线性混合效应模型进行映射关系学习和训练;

35、在完成训练后,将标准直立倾斜试验条件对应的卧姿与预设静息时长输入训练好的非线性混合效应模型进行虚拟直立倾斜试验重建,得到虚拟等效心率增幅;

36、将每次自然站立事件的血流动力学驱动指数与自主神经僵硬度评分构成二维特征向量,整合所有自然站立事件的二维特征向量生成个体特征云,所述个体特征云表征用户在真实生活环境中无主动测试压力下的直立性心血管反应分布形态;

37、采用局部离群因子算法对所述个体特征云进行日常离群事件分析,将每一次新发生的自然姿态转换事件投射至个体特征云中,计算当前自然姿态转换事件与个体特征云中其余事件之间的局部可达密度比值,得到当前自然姿态转换事件的局部离群因子值;

38、当某次自然姿态转换事件对应的局部离群因子值超过预设离群阈值时,将目标自然姿态转换事件标记为离群事件;

39、统计预设观察周期内离群事件数量占该周期内全部自然姿态转换事件总数的比例,同时计算所有事件的局部离群因子平均值作为平均离群度,生成日常离群事件分析信息。

40、本方案中,所述s110,具体包括:

41、对血流动力学驱动指数、自主神经僵硬度评分、虚拟等效心率增幅以及日常离群事件分析信息按照对应的预设离散状态划分阈值生成若干离散状态变量并进行等级标注,并输入预构建的贝叶斯信度网络,所述贝叶斯信度网络为有向无环图结构;

42、其中,节点类型包括血流动力学驱动指数、自主神经僵硬度评分、虚拟等效心率增幅、日常离群事件占比、平均离群度、pots综合风险概率以及病理亚型倾向,节点间的条件概率表基于临床样本数据通过最大似然估计预先学习得到;

43、以血流动力学驱动指数节点与自主神经僵硬度评分节点作为病理亚型倾向节点的父节点,依据两父节点的离散状态组合及条件概率表计算病理亚型倾向各状态的后验概率,其中病理亚型倾向的状态空间包括血流动力学主导型、神经源性调节障碍型及混合型;

44、以血流动力学驱动指数、自主神经僵硬度评分、虚拟等效心率增幅、日常离群事件占比及平均离群度五类节点作为pots综合风险概率节点的父节点,依据各父节点的离散状态组合及联合条件概率表计算pots综合风险概率的后验估计值;

45、同步,以标准化三段式测试获得的血流动力学驱动指数与自主神经僵硬度评分生成测试证据子集,以虚拟等效心率增幅与离群事件分析信息生成日常证据子集,分别进行pots风险倾向推断后进行倾向结果一致性程度比对,生成可信度评分;

46、将pots综合风险概率的后验估计值、病理亚型倾向各状态的后验概率分布、各离散状态变量的等级标注和可信度评分进行整合生成综合风险图谱并向用户进行推送提示。