[发明专利]一种非接触式的心血管健康评估方法

说明书

本发明提出一种非接触式的心血管健康评估方法，包括以下步骤：S101：数据获取及预处理；S102：提取HRV特征；S103：设计迁移学习分类器对数据进行测试。对已有的BCG、ECG信号分别提取HRV特征，再通过迁移学习分类器建立模型，待测病人的BCG、ECG信号输入到迁移学习分类器中，经过迁移学习分类器产生健康判别结果，检测方便、结果准确度较高。

技术领域

本发明涉及医学领域，具体涉及一种非接触式的心血管健康评估方法。

背景技术

心血管疾病已经严重影响到人们的生命健康，截至到2018年，中国有2.9亿心血管疾病患者，且患病率处于持续上升阶段。因此心血管健康的日常监测、评价和疾病诊断有十分重要的意义。

目前常规的心血管健康状况监测方式包括心电图(Electrocardiograph,即ECG)，心阻抗图、超声心动图、心音图等，都需要使用电极等与皮肤接触来进行监测，并且对监测环境、条件以及操作人员都有一定的要求。这些限制都会给使用者造成身体上的不适和生活上的不便，不适用于长期的日常监测。

心冲击信号(Ballistocardiogram，即BCG)是一种无创、无接触式的心血管功能监测手段。它主要是由血液循环过程中造成的人体重力的变化引起的。与其他心血管检测技术相比，它具有无创、无直接接触和检测方便等优势，特别适合进行长期监测。

使用BCG信号计算心率变异性(HeartRateVariability，即HRV)进而去评估用户健康状况是一种可行的方案。心率变异性产生于自主神经系统对心脏窦房结的调节，反映了心脏本身窦性心律不齐的程度以及神经体液因素与窦房结之间相互作用的平衡关系。

想要正确地使用通过BCG所计算的HRV进行心脏健康状况的判别，需要大量的数据支持。但目前BCG信号缺少较为完善的大型数据库且采集带有用户心脏健康状况标签的BCG数据较为繁琐。

目前网络上存在较多ECG的带有标签的高质量的数据库，而ECG与BCG具有同源性，因此两者所计算的HRV具有很大的相关性，但同时由于BCG的产生滞后于ECG，两者计算所得HRV又有一定的差别，故ECG不能直接用于BCG的分析。

综上，需要一种可靠的适用于BCG信号的用户心脏健康状况辅助诊断方法，用于非接触式对用户尤其是心血管疾病高风险人群的心脏健康状况日常监测。

发明内容

为了克服现有技术中的不足，本发明提供一种非接触式的心血管健康评估方法，用于非接触式地对用户心脏状况健康与否的辅助诊断。

为了实现上述目的，本发明的一种非接触式的心血管健康评估方法，包括以下步骤：S101：数据获取及预处理；S102：提取HRV特征；S103：设计迁移学习分类器对数据进行测试。

进一步的，所述S101中包括以下步骤：S1011：采集用户的BCG数据，从数据库下载ECG数据；S1012：将BCG数据进行信号解混，将ECG进行噪音去除；S1013：计算BCG数据逐拍心动周期，计算ECG数据逐拍心动周期；S1014：去除BCG数据逐拍心动周期和ECG数据逐拍心动周期的异常值。

进一步的，所述S102中包括以下步骤：S1021：从BCG数据逐拍心动周期、ECG数据逐拍心动周期提取HRV时域特征；S1022：从BCG数据逐拍心动周期、ECG数据逐拍心动周期提取HRV频域特征；S1023：从BCG数据逐拍心动周期、ECG数据逐拍心动周期提取HRV非线性特征；S1024：对HRV的时域特征、频域特征和非线性特征进行归一化和筛选。

进一步的，所述S103中包括以下步骤：S1031：设置分类器的参数；S1032：将BCG的时域特征、频域特征和非线性特征分为训练集和测试集；将ECG的时域特征、频域特征和非线性特征传入迁移学习模型；S1033：使用BCG的时域特征、频域特征和非线性特征的测试集进行测试；对分类器参数二次调参。