一种基于可穿戴设备的血脂监测方法与流程

1.本发明涉及血脂监测技术领域，特别涉及一种基于可穿戴设备的血脂监测方法。


背景技术：

2.目前，现有技术中血脂监测方法为抽取静脉血，将血液放入生化检测仪中进行检测，存在以下技术问题：1)需要抽取血液，不方便测量。2)需要生化检测仪，设备昂贵。3)不能实时监测。


技术实现要素：

3.本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此，本发明的目的在于提出一种基于可穿戴设备的血脂监测方法，通过可穿戴设备进行血脂监测，设备简单、可操作性强，且成本低廉，携带方便，可实时检测。
4.为达到上述目的，本发明实施例提出了一种基于可穿戴设备的血脂监测方法，包括：
5.基于可穿戴设备检测穿戴者的状态，在确定穿戴者处于静止状态时，在每个预设时间段同步获取穿戴者的心电信号及脉搏波信号；
6.确定心电信号的第一多尺度特征及脉搏波信号的第二多尺度特征；
7.将所述第一多尺度特征及所述第二多尺度特征输入预先训练好的血脂深度学习模型，输出穿戴者的血脂信息。
8.根据本发明的一些实施例，在确定心电信号的第一多尺度特征及脉搏波信号的第二多尺度特征前，还包括：分别对所述心电信号及脉搏波信号进行滤波处理。
9.根据本发明的一些实施例，预设时间段为8分钟。
10.根据本发明的一些实施例，确定心电信号的第一多尺度特征及脉搏波信号的第二多尺度特征，包括：
11.对所述心电信号进行时域分析，确定第一频域特征，作为第一多尺度特征；所述第一多尺度特征包括：心跳间期、心率变异性及信号功率谱密度变化；
12.对所述脉搏波信号进行时域分析，确定第二频域特征，作为第二多尺度特征；所述第二多尺度特征包括：血液容积的变化、血液颜色的变化、挠动脉压力波的变化、信号功率谱密度的变化及重搏波波幅。
13.根据本发明的一些实施例，得到预先训练好的血脂深度学习模型的方法，包括：
14.获取用户的多组数据，每组数据包括样本心电信号及样本脉搏波信号；
15.对每组数据进行分析，确定每组数据对应的样本血脂信息；
16.输入一组数据对构建的神经网络深度学习模型进行训练，输出实际血脂信息；
17.将实际血脂信息与样本血脂信息进行比较，根据差异参数确定对神经网络深度学习模型的调整参数，并进行调整；
18.将下一组数据输入调整后的神经网络深度学习模型进行继续训练，直至确定差异
参数小于预设差异参数时，得到预先训练好的血脂深度学习模型。
19.根据本发明的一些实施例，还包括：可穿戴设备将所述血脂信息传输至服务器进行存储。
20.根据本发明的一些实施例，在可穿戴设备将所述血脂信息传输至服务器前，还包括：
21.所述可穿戴设备与所述服务器基于非对称加密算法相互验证对方的可靠性。
22.根据本发明的一些实施例，所述可穿戴设备与所述服务器基于非对称加密算法相互验证对方的可靠性，包括：
23.获取所述可穿戴设备的第一公钥及第一私钥；获取所述服务器的第二公钥及第二私钥；所述服务器持有所述第一公钥，所述可穿戴设备持有所述第二公钥；
24.所述可穿戴设备生成验证请求；
25.所述可穿戴设备计算所述验证请求的哈希值，得到第一哈希值；
26.所述可穿戴设备根据所述第一私钥对所述第一哈希值进行加密，获得数字签名；
27.所述可穿戴设备将所述数字签名与所述验证请求发送至所述服务器；
28.所述服务器计算所述验证请求的哈希值，得到第二哈希值；
29.所述服务器根据所述第一公钥对所述数字签名进行解密，获得解密哈希值；
30.所述服务器将所述第二哈希值与所述解密哈希值进行对比；
31.在所述服务器确定所述第二哈希值与所述解密哈希值相同时，所述可穿戴设备通过可靠性验证；反之，所述可穿戴设备未通过可靠性验证；同理，验证所述服务器的可靠性。
32.根据本发明的一些实施例，基于可穿戴设备检测穿戴者的状态，包括：
33.基于可穿戴设备包括的惯性测量模块，确定可穿戴设备的角速度和加速度；
34.确定所述角速度的第一反对称矩阵和所述加速度的第二反对称矩阵；
35.确定穿戴者处于静止状态时，基于惯性测量模块测量的静止角速度及静止加速度；
36.确定所述静止角速度的第三反对称矩阵和所述静止加速度的第四反对称矩阵；
37.根据所述第一反对称矩阵及所述第三反对称矩阵进行相减运算，得到第五反对称矩阵，计算所述第五反对称矩阵的三个特征值，并选出最大的第一特征值，判断是否小于0；
38.根据所述第二反对称矩阵及所述第四反对称矩阵进行相减运算，得到第六反对称矩阵，计算所述第六反对称矩阵的三个特征值，并选出最大的第二特征值，判断是否小于0；
39.在确定所述第一特征值小于0且所述第二特征值小于0时，表示穿戴者处于静止状态；反之穿戴者处于运动状态。
40.根据本发明的一些实施例，在可穿戴设备将所述血脂信息传输至服务器前，还包括：
41.计算所述可穿戴设备与服务器在时间t内保持连接的概率，并判断是否大于预设概率，在确定所述概率大于预设概率时，生成传输指令。
42.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
43.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
44.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
45.图1是根据本发明一个实施例的一种基于可穿戴设备的血脂监测方法的流程图；
46.图2是根据本发明又一个实施例的一种基于可穿戴设备的血脂监测方法的流程图；
47.图3是根据本发明一个实施例的基于可穿戴设备检测穿戴者的状态的流程图。
具体实施方式
48.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
49.如图1所示，本发明实施例提出了一种基于可穿戴设备的血脂监测方法，包括步骤s1-s3：
50.s1、基于可穿戴设备检测穿戴者的状态，在确定穿戴者处于静止状态时，在每个预设时间段同步获取穿戴者的心电信号及脉搏波信号；
51.s2、确定心电信号的第一多尺度特征及脉搏波信号的第二多尺度特征；
52.s3、将所述第一多尺度特征及所述第二多尺度特征输入预先训练好的血脂深度学习模型，输出穿戴者的血脂信息。
53.上述技术方案的工作原理：同步获取是指在同一时段内，同时采集用户腕部的心电信号(ecg)及脉搏波信号(ppg)；脉搏波信号是指红光和红外光信号。首先判断基于可穿戴设备检测穿戴者的状态，在定穿戴者处于静止状态，进行穿戴者的心电信号及脉搏波信号的采集，便于实现血脂的准确检测。基于心电信号的第一多尺度特征及脉搏波信号的第二多尺度特征，输入预先训练好的血脂深度学习模型，输出穿戴者的血脂信息。
54.上述技术方案的有益效果：通过可穿戴设备进行血脂监测，设备简单、可操作性强，且成本低廉，携带方便，可实时检测。
55.根据本发明的一些实施例，在确定心电信号的第一多尺度特征及脉搏波信号的第二多尺度特征前，还包括：分别对所述心电信号及脉搏波信号进行滤波处理。
56.上述技术方案的有益效果：去除信号中的噪声和冗余成分。人体生理信号基本在1-5hz之间，该滤波不仅可以去除工频干扰、基线漂移等常规噪声，还增加了去除运动伪迹的方法。从而可有效剔除各种噪声和运动干扰。
57.根据本发明的一些实施例，预设时间段为8分钟。
58.根据本发明的一些实施例，确定心电信号的第一多尺度特征及脉搏波信号的第二多尺度特征，包括：
59.对所述心电信号进行时域分析，确定第一频域特征，作为第一多尺度特征；所述第一多尺度特征包括：心跳间期、心率变异性及信号功率谱密度变化；
60.对所述脉搏波信号进行时域分析，确定第二频域特征，作为第二多尺度特征；所述第二多尺度特征包括：血液容积的变化、血液颜色的变化、挠动脉压力波的变化、信号功率谱密度的变化及重搏波波幅。
61.上述技术方案的有益效果：便于准确的确定心电信号的第一多尺度特征及脉搏波
信号的第二多尺度特征。
62.根据本发明的一些实施例，得到预先训练好的血脂深度学习模型的方法，包括：
63.获取用户的多组数据，每组数据包括样本心电信号及样本脉搏波信号；
64.对每组数据进行分析，确定每组数据对应的样本血脂信息；
65.输入一组数据对构建的神经网络深度学习模型进行训练，输出实际血脂信息；
66.将实际血脂信息与样本血脂信息进行比较，根据差异参数确定对神经网络深度学习模型的调整参数，并进行调整；
67.将下一组数据输入调整后的神经网络深度学习模型进行继续训练，直至确定差异参数小于预设差异参数时，得到预先训练好的血脂深度学习模型。
68.上述技术方案的工作原理及有益效果：基于样本数据训练神经网络深度学习模型，在训练过程中，将实际血脂信息与样本血脂信息进行比较，根据差异参数确定对神经网络深度学习模型的调整参数，并进行调整；将下一组数据输入调整后的神经网络深度学习模型进行继续训练，直至确定差异参数小于预设差异参数时，得到预先训练好的血脂深度学习模型。提高了确定血脂深度学习模型的准确性。
69.如图2所示，根据本发明的一些实施例，还包括：可穿戴设备将所述血脂信息传输至服务器进行存储。
70.上述技术方案的有益效果：便于服务器对血脂信息进行显示及存储，提高数据的可追溯性，同时避免可穿戴设备存储过多数据，导致响应速度慢。
71.根据本发明的一些实施例，在可穿戴设备将所述血脂信息传输至服务器前，还包括：
72.所述可穿戴设备与所述服务器基于非对称加密算法相互验证对方的可靠性。
73.上述技术方案的有益效果：便于保证可穿戴设备与所述服务器的可靠性，提高了数据传输的安全性及可靠性。
74.根据本发明的一些实施例，所述可穿戴设备与所述服务器基于非对称加密算法相互验证对方的可靠性，包括：
75.获取所述可穿戴设备的第一公钥及第一私钥；获取所述服务器的第二公钥及第二私钥；所述服务器持有所述第一公钥，所述可穿戴设备持有所述第二公钥；
76.所述可穿戴设备生成验证请求；
77.所述可穿戴设备计算所述验证请求的哈希值，得到第一哈希值；
78.所述可穿戴设备根据所述第一私钥对所述第一哈希值进行加密，获得数字签名；
79.所述可穿戴设备将所述数字签名与所述验证请求发送至所述服务器；
80.所述服务器计算所述验证请求的哈希值，得到第二哈希值；
81.所述服务器根据所述第一公钥对所述数字签名进行解密，获得解密哈希值；
82.所述服务器将所述第二哈希值与所述解密哈希值进行对比；
83.在所述服务器确定所述第二哈希值与所述解密哈希值相同时，所述可穿戴设备通过可靠性验证；反之，所述可穿戴设备未通过可靠性验证；同理，验证所述服务器的可靠性。
84.上述技术方案的工作原理：获取所述可穿戴设备的第一公钥及第一私钥；获取所述服务器的第二公钥及第二私钥；所述服务器持有所述第一公钥，所述可穿戴设备持有所述第二公钥；所述可穿戴设备生成验证请求；所述可穿戴设备计算所述验证请求的哈希值，
得到第一哈希值；所述可穿戴设备根据所述第一私钥对所述第一哈希值进行加密，获得数字签名；所述可穿戴设备将所述数字签名与所述验证请求发送至所述服务器；所述服务器计算所述验证请求的哈希值，得到第二哈希值；所述服务器根据所述第一公钥对所述数字签名进行解密，获得解密哈希值；所述服务器将所述第二哈希值与所述解密哈希值进行对比；在所述服务器确定所述第二哈希值与所述解密哈希值相同时，所述可穿戴设备通过可靠性验证；反之，所述可穿戴设备未通过可靠性验证；同理，验证所述服务器的可靠性。
85.上述技术方案的有益效果：分别验证可穿戴设备的可靠性及服务器的可靠性，提高了验证准确性及验证速率，便于判断可穿戴设备与服务器是否为可靠连接，提高了数据传输的准确性。
86.如图3所示，根据本发明的一些实施例，基于可穿戴设备检测穿戴者的状态，包括步骤s11-s17：
87.s11、基于可穿戴设备包括的惯性测量模块，确定可穿戴设备的角速度和加速度；
88.s12、确定所述角速度的第一反对称矩阵和所述加速度的第二反对称矩阵；
89.s13、确定穿戴者处于静止状态时，基于惯性测量模块测量的静止角速度及静止加速度；
90.s14、确定所述静止角速度的第三反对称矩阵和所述静止加速度的第四反对称矩阵；
91.s15、根据所述第一反对称矩阵及所述第三反对称矩阵进行相减运算，得到第五反对称矩阵，计算所述第五反对称矩阵的三个特征值，并选出最大的第一特征值，判断是否小于0；
92.s16、根据所述第二反对称矩阵及所述第四反对称矩阵进行相减运算，得到第六反对称矩阵，计算所述第六反对称矩阵的三个特征值，并选出最大的第二特征值，判断是否小于0；
93.s17、在确定所述第一特征值小于0且所述第二特征值小于0时，表示穿戴者处于静止状态；反之穿戴者处于运动状态。
94.上述技术方案的工作原理：角速度为三轴角速度；加速度为三轴加速度。基于可穿戴设备包括的惯性测量模块，确定可穿戴设备的角速度和加速度；确定所述角速度的第一反对称矩阵和所述加速度的第二反对称矩阵；确定穿戴者处于静止状态时，基于惯性测量模块测量的静止角速度及静止加速度；静止角速度为三轴静止角速度；静止加速度为三轴静止加速度。确定所述静止角速度的第三反对称矩阵和所述静止加速度的第四反对称矩阵；根据所述第一反对称矩阵及所述第三反对称矩阵进行相减运算，得到第五反对称矩阵，计算所述第五反对称矩阵的三个特征值，并选出最大的第一特征值，判断是否小于0；因为三轴角速度及三轴静止角速度，因此所述第五反对称矩阵为三个特征值。由矩阵确定其特征值为常规技术手段，此处不再赘述。根据所述第二反对称矩阵及所述第四反对称矩阵进行相减运算，得到第六反对称矩阵，计算所述第六反对称矩阵的三个特征值，并选出最大的第二特征值，判断是否小于0；在确定所述第一特征值小于0且所述第二特征值小于0时，表示穿戴者处于静止状态；反之穿戴者处于运动状态。
95.上述技术方案的有益效果：不是将角速度和加速度与对应的静止角速度与静止加速度进行直接比较判断，而是通过其对应反对称矩阵的差异来求最大特征值，并与0进行比
较，可以滤除惯性测量模块测量加速度、角速度的零偏和偏移的影响，获取更加准确的数据，并且设定的阈值为0，不必每次调整阈值，通用性好，便于准确判断穿戴者的状态。
96.根据本发明的一些实施例，在可穿戴设备将所述血脂信息传输至服务器前，还包括：
97.计算所述可穿戴设备与服务器在时间t内保持连接的概率，并判断是否大于预设概率，在确定所述概率大于预设概率时，生成传输指令。
98.计算所述可穿戴设备与服务器在时间t内保持连接的概率，包括：
99.an＝2t(δ
2n
μ
2n
)/λn[0100][0101]
其中，p为可穿戴设备与服务器在时间t内保持连接的概率；an为可穿戴设备的运动向量近似服从的瑞利分布的参数；δ
2n
为方差，μ
2n
为均值，v为可穿戴设备的最大移动速度；λn为可穿戴设备的移动位置；e为自然常数；r为可穿戴设备的通信半径；d为可穿戴设备与服务器的距离；θ为可穿戴设备的运动方向，服从(0,2π)的均匀分布。
[0102]
上述技术方案的工作原理及有益效果：在可穿戴设备将所述血脂信息传输至服务器前，还包括：计算所述可穿戴设备与服务器在时间t内保持连接的概率，并判断是否大于预设概率，在确定所述概率大于预设概率时，生成传输指令。在概率小于预设概率时，表示可穿戴设备与服务器连接不稳定，停止使可穿戴设备将所述血脂信息传输至服务器。在概率大于预设概率，生成传输指令后，表示可穿戴设备与服务器的连接稳定，可以实现稳定的数据传输，提高了数据传输的准确性。将可穿戴设备的复杂运动，近似为一系列的匀速直线运动的叠加。在可穿戴设备的最大运动距离小于服务器的通信范围内时，可穿戴设备的运动向量近似服从的an的瑞利分布。基于上述公式，便于准确确定可穿戴设备与服务器在时间t内保持连接的概率，提高了判断概率与预设概率大小的准确性，进而可以准确判断是否进行可穿戴设备与服务器之间的数据传输。
[0103]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。