运动过程中的心电数据分类与健康特征识别方法

1.本发明属于运动健康特征识别的技术领域，具体涉及一种运动过程中的心电数据分类与健康特征识别方法。


背景技术：

2.随着国民经济水平的大大提高，全面提高国民体质和健康水平的建设也愈发重要，而运动作为一种全民健身的普遍行为，对运动过程中人的生理健康监测是及其有必要的。心电图可以记录人类心脏的生物信号活动，反映心脏状态在不同时刻的变化，依据心电图诊断心血管疾病也是目前强有效的诊疗手段之一。对运动过程中的心电数据加以监测与分析，是运动健康特征识别的重要组成部分，也是医学诊断测量技术领域的一项重点研究内容。
3.心电信号是一种非平稳的生理性电信号，通过电极从胸腔肢体等人体表皮采集，不可避免地在采集过程中会有许多干扰与噪声，如工频干扰、基线漂移、肌电干扰等。而在运动过程中，心电信号的采集更加困难，也包含了更多的噪声与干扰，此外，处于运动过程的心脏电信号的传导规律和变化幅度也与静态下的大有不同。目前运动过程中的心电信号研究主要集中在便携式心电信号检测系统装置、基于运动心电数据的健康特征分析、心电数据的分类以及心电数据的训练与识别效果等方面。这些研究成果极大地丰富了运动心电方面的研究内容，也给运动健康监测、心血管疾病诊断、心电信号特征分析带来了众多新的灵感与方法。
4.然而现有技术仍存在一些不足之处，部分研究考虑了人体静态情况下的心电数据，但缺少针对运动状态下心电数据的判断标准及分析方法；而有些技术考虑了短时间，乃至单个心拍的数据分析，但缺少对长时间心电数据的分类和特征识别方法；少数技术研究考虑了运动状态下的心电数据分析方法，主要在滤波方面做了改进，但对整个运动周期内的心电数据特征分类和识别技术缺少针对性的考虑。针对运动过程中的心电数据，本发明提出了相应的分类与健康特征识别方法。


技术实现要素：

5.有鉴于此，本发明提供了一种运动过程中的心电数据分类与健康特征识别方法，能够解决人体在运动状态下，长时间运动过程下整个运动周期心电数据的采样策略，以及数据的分类、特征识别。
6.实现本发明的技术方案如下：
7.一种运动过程中的心电数据分类与健康特征识别方法，包括以下步骤：
8.步骤1：对长时间的运动过程采取短停的心电数据采集策略；
9.步骤2：根据rr间期计算每个单拍的时长，并划分得到心电单拍；计算单拍中的特征参数；计算一个短停时段内多个心拍的上述特征，得到一次运动过程的心电参数向量序列；
10.步骤3：计算多次运动过程的心电参数向量序列；得到该种运动形式下的个人基准线；
11.步骤4：将新样本的心电参数向量序列与基准线一起归一化，计算新样本的心电参数向量序列与个人基准线的欧式距离；
12.步骤5：对当前运动过程即新样本的心电参数向量序列的距离序列中的每一个距离计算距离异常百分比p，根据p的取值判断当前序列是否异常。
13.进一步地，步骤1具体为：采取短停的方式，即将运动的整个周期分成若干时段，每运动若干分钟就停止活动，采集若干秒的心电数据，得到一次运动过程的多个短停时间段内的心电数据。
14.进一步地，步骤2具体为：
15.对一次运动过程的多个短停时间段，采集时间段内心电单拍的多种波形与间期的特征；首先，采集若干秒心电数据后，根据rr间期计算每个单拍的时长，并划分得到心电单拍；计算p波时长、p波振幅、pr间期时长、q波振幅、r波振幅、s波振幅、qrs波群间期时长、st间期时长、st间期极差、t波时长、t波振幅和qt间期时长；获得上述每个单拍的共13个参数后，对一个短停时段内多个心拍求上述特征的平均值，从而得到一个短停时间段内的心电参数向量；对运动过程中的多个短停时段计算心电参数向量，从而得到一次运动过程的心电参数向量序列。
16.进一步地，步骤3具体为：
17.计算多次运动过程的心电参数向量序列的中心点来确定基准线；由步骤1将一次运动过程分成n个时间段，由步骤2计算每个时间段内的13个参数，此时心电参数向量序列为13
×
n维，再计算m次运动过程的多个心电参数向量序列(13
×n×
m维)；
18.将多个心电参数向量序列按照运动过程中的时间节点对齐后取平均值，以此作为运动者的基准线，即可得到与参数数目相同的基准线(13
×
n维)。
19.进一步地，步骤4具体为：
20.在人员运动过程中，对每一维参数，先将新样本的心电参数向量序列与基准线一起归一化，视它们为高斯分布，使用归一化的公式表示为z＝(x-μ)/σ，其中μ和σ分别表示所有参与归一化数据的均值和方差；再计算新样本的心电参数向量序列与个人基准线的欧式距离，得到新样本的心电参数向量序列与基准线的距离序列。
21.进一步地，步骤5具体为：
22.计算当前运动过程心电参数向量序列与基准线距离异常百分比p，其中p＝已有数据集中与基准线距离小于当前序列的序列数量/已有数据集中的序列总数；p越接近于1，当前运动过程的心电参数向量序列越符合个人数据库，反之p越接近于0，心电参数向量序列异常可能性越高；当前如果p超过设定标准，则判定异常，提出告警；如果未超出标准，则判定正常，将当前运动过程的相关数据添加到数据集中，并重新计算基准线。
23.有益效果：
24.相对现有技术，本发明方法具有以下优点：
25.本发明方法主要针对的是人体在运动状态下，长时间运动过程的整个运动周期的心电数据，采用的策略可以有效避开运动状态下心电数据易受干扰的问题，实现对整个运动周期的心电数据分析，可适应不同用户的身体差异计算得到心电数据特征参数的基准
线，自动识别运动状态下的异常情况，操作简单，应用人群广，对全民运动健身过程中的心电数据分类与健康特征识别具有重要意义。
附图说明
26.图1为本发明的技术方案流程图；
27.图2为本发明步骤2内心电单拍划分图；
28.图3为本发明步骤2内心电参数向量序列示意图；
29.图4为本发明在步骤3中的基准线示意图。
具体实施方式
30.下面结合附图并举实施例，对本发明进行详细描述。
31.运动过程中的心电数据分类与健康特征识别方法，如图1所示，包括以下步骤：
32.步骤1：数据采集策略。
33.步骤1.1：对长时间的运动过程采取短停的心电数据采集策略。
34.具体地：
35.由于心电信号反映的是心肌细胞之间的电刺激信号，在数据采集时容易受肌肉细胞收缩扩张产生的电位干扰，以及电极与心脏距离变化造成的阻抗变化干扰，而运动过程中的干扰更加剧烈且无规则，这就导致采用常规的心电信号采集、滤波方法都非常困难，更加不适用于结构简单的智能手环、手表等可穿戴设备。本发明采取短停的方式，即将一次运动的整个周期分成若干时段，每运动若干分钟就停止活动，采集若干秒的心电数据，得到一次运动过程的多个短停时间段内的心电数据。
36.步骤2：数据采集内容。
37.步骤2.1：根据rr间期计算每个单拍的时长，并划分得到心电单拍。
38.具体地：
39.对一次运动过程的多个短停时间段，采集时间段内心电单拍的多种波形与间期的特征。首先，采集若干秒心电数据后，根据rr间期计算每个单拍的时长，并划分得到心电单拍。
40.步骤2.2.：计算单拍中的特征参数。
41.具体地：
42.计算p波时长、p波振幅，pr间期时长，q波振幅、r波振幅、s波振幅、qrs波群间期时长，st间期时长、st间期极差，t波时长、t波振幅，qt间期时长，具体含义如图2。
43.步骤2.3：计算一个短停时段内多个心拍的上述特征，得到一次运动过程的心电参数向量序列。
44.具体地：
45.获得上述每个单拍的共13个参数后，对一个短停时段内多个心拍求上述特征的平均值，从而得到一个短停时间段内的心电参数向量。对运动过程中的多个短停时段计算心电参数向量，从而得到一次运动过程的心电参数向量序列。在计算的过程中，为了计算方便可将该心电参数向量序列表示成矩阵的形式，其示意图如图3。
46.步骤3：基准线计算。
47.步骤3.1：计算多次运动过程的心电参数向量序列。
48.具体地：
49.计算多次运动过程的心电参数向量序列的中心点来确定基准线。由步骤1将一次运动过程分成n个时间段，由步骤2计算每个时间段内的13个参数，此时心电参数向量序列为13
×
n维，再计算m次运动过程的多个心电参数向量序列(13
×n×
m维)。
50.步骤3.2：计算该种运动形式下的个人基准线。
51.具体地：
52.将多个心电参数向量序列按照运动过程中的时间节点对齐后取平均值，以此作为运动者的基准线，即可得到与参数数目相同的基准线(13
×
n维)，其示意图如图4。不同的运动形式，比如慢跑、兵乓球、篮球等，由于运动强度和时间各不相同，应单独确定基准线。
53.步骤4：与基准线的距离计算。
54.步骤4.1：将新样本的心电参数序列与基准线一起归一化。
55.具体地：
56.用距离来表示心电数据向量序列与基准线的差异。在人员运动过程中，对每一维参数，先将新样本的心电参数向量序列与基准线一起归一化，视它们为高斯分布，使用归一化的公式表示为z＝(x-μ)/σ，其中μ和σ分别表示所有参与归一化数据的均值和方差。
57.步骤4.2：计算新样本的心电参数序列与个人基准线的欧式距离，得到距离向量。
58.具体地：
59.再计算新样本的心电参数向量序列与个人基准线的欧式距离，用d表示序列x＝(x1,x2,
…
,xn)和y＝(y1,y2,
…
,yn)之间的距离，其中)之间的距离，其中可以得到与参数数目相同的距离向量，即新样本的心电参数向量序列与基准线的距离向量。
60.步骤5：判断当前运动过程是否异常。
61.步骤5.1：对当前运动过程即新样本的心电参数向量序列的距离向量中的每一个距离计算距离异常百分比p。
62.具体地：
63.计算当前运动过程心电参数向量序列与基准线距离异常百分比p，其中p＝已有数据集中与基准线距离小于当前序列的序列数量/已有数据集中的序列总数。首先计算已有数据中每一个运动过程的心电参数向量序列与基准线的距离，再对当前运动过程心电参数向量序列的距离序列中的每一个距离，都计算一个p值。
64.步骤5.2：根据p的取值判断当前序列是否异常。
65.具体地：
66.p越接近于1，当前运动过程的心电参数向量序列越符合个人数据库，反之p越接近于0，心电参数向量序列异常可能性越高。当前如果p超过设定标准，则判定异常，提出告警；如果未超出标准，则判定正常，将当前运动过程的相关数据添加到数据集中，并重新计算基准线。
67.综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的
保护范围之内。