[發明專利]一種基于深度學習的高血壓老年人運動處方推薦方法

有效

• 申請號: 201910518051.6
• 申請日: 2019-06-14
• 公開（公告）號: CN110322947B
• 公開（公告）日: 2022-07-19
• 發明（設計）人: 李巧勤;王志華;陶文元;姜珊;劉勇國;楊尚明
• 申請（專利權）人: 電子科技大學
• 主分類號: G16H20/30
• 分類號: G16H20/30;G16H50/20
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 馬超前

1.一種基于深度學習的高血壓老年人運動處方推薦方法，其特征在于，具體步驟包括：

步驟1，收集可穿戴傳感數據及其他人體健康數據，具體為：

第一步，通過光電容積描記（Photoplethysmograph，PPG）脈搏波傳感器，測量脈搏波傳感數據；心電圖（Electrocardiogram，ECG）傳感器測量心率變異性數據；

第二步，分別捕捉ECG、PPG傳感數據的心電波形R峰、心率波形斜率起點，獲取脈搏波傳導時間，基于Moens-Korteweg方法估計血壓，基于Pan-Tompkins方法監測脈搏波延遲時間，計算脈搏波傳導速度；

第三步，采用加速度傳感器、陀螺儀傳感器和地磁傳感器獲得人體運動傳感數據，結合心率和心電傳感數據基于深度學習方法識別高血壓老年人的日常運動方式以及獲取對應的強度、頻率和時間；

第四步，通過智能健康傳感設備采集人體體征數據，屬顯性信息，直接反映生理指標，包括血壓、心率和心電圖；

第五步，通過健康數據記錄采集間接數據，屬隱性信息，從人口信息學、診斷和治療角度反映患者身體狀態，包括診斷記錄和用藥記錄；

步驟2，測試高血壓老年人安靜狀態下的心功能狀態，監測體征信息包括心率、血壓、心率變異性和血壓變異性；實時識別高血壓老年人的對應體征狀態下的日常動作，獲取高血壓老年人日常活動信息，具體為：

第一步，靜態指標測試，測試高血壓老年人安靜狀態下的心功能狀態，包括心率、血壓和ECG，以及常見血液指標血糖和血脂；心肺適能測試與評價包括運動中的心率、血壓、ECG、Brog主觀疲勞感覺量表和在遞增運動負荷試驗GET中直接或間接測量的最大攝氧量，所述最大攝氧量VO_2max是心肺耐力的標準測量指標，臨床上用這一變量的相對值[ml/(kg ·min)]表示，計算VO_2max的最全面的方程：

（1）男性：

VO_2max(males) = ((0.072*Ht)-0.052)*(44.220-(0.390*Age))+(0.006*Wt)

（2）女性：

VO_2max(females) = ((0.063*Ht)-0.045)*(37.030-(0.370*Age))+(0.006*Wt)

其中Ht表示以米為單位的人的身高，Wt為以公斤為單位的體重，Age表示年齡；

第二步，日常運動和體征信息測試與評價，對于BMI≥24 的高血壓老年人進行日常運動和體征信息關聯評估，以挖掘運動方式、運動強度、超重和肥胖程度與相關疾病的關系；

步驟3，根據運動-血壓風險評估等級、運動風險貢獻度，結合由心率變異性、能量消耗和心率評估高血壓老年人的心肺功能，以及BMI、年齡、臨床診斷、運動喜好參照FITT規則制定個性化的老年人運動處方，具體為：

第一步：根據血壓變異性評估運動風險等級，基于深度學習與邏輯回歸組合模型，分析各運動參數的風險貢獻度；

基于運動風險等級確定運動類型，包括有氧運動和阻抗運動；根據各運動參數的風險貢獻度，確定用戶首要干預目標，組成候選干預目標的集合；

第二步：根據首要干預目標，臨床診斷、身體運動情況、BMI、年齡、最大攝氧量VO₂max、心率變異性確定高血壓老年人主要的運動參數；

第三步：根據運動參數與綜合征的關系挖掘，對生成的運動參數進行調整；

第四步：根據首要干預目標生成的運動參數，依次確定次要干預目標，結合臨床診斷、身體運動情況、BMI、年齡、最大攝氧量VO₂max和心率變異性確定高血壓老年人次要運動干預參數；

第五步：根據運動參數與血壓變化規律的關系挖掘，對上述步驟生成的運動參數進行反饋調整；

其中對于有氧運動，運動參數包括：方式、強度、時間和頻率，拼接四種運動參數作為輸入向量x_t，以二進制編碼表示；人口統計信息向量d_t，其表示血壓、臨床診斷、身體運動情況、BMI和年齡；

根據風險貢獻度最大的運動參數作為首要干預目標，結合人口統計信息作為模型的輸入，以學習生成個性化運動處方；

基于CNN的決策級融合集成模型，根據FITT規則，集成模型需要4個CNN模型；首先將采集到的數據標準化，并完成格式的轉換，輸入到模型中；每個子模型輸入FITT中的一種運動參數，其余數據為臨床診斷、個人喜好、BMI、年齡、性別、近期身體活動情況、最大攝氧量VO₂max和心率變異性；輸出數據為適合患者的運動方式；每個CNN模型分別計算出適合患者的運動方式、強度、頻率和時間，結合不同運動參數與綜合征的關系挖掘進行微調，最后執行決策級的數據融合。