[发明专利]一种基于深度学习的高血压老年人运动处方推荐方法

权利要求书

1.一种基于深度学习的高血压老年人运动处方推荐方法，其特征在于，具体步骤包括：

步骤1，收集可穿戴传感数据及其他人体健康数据，具体为：

第一步，通过光电容积描记（Photoplethysmograph，PPG）脉搏波传感器，测量脉搏波传感数据；心电图（Electrocardiogram，ECG）传感器测量心率变异性数据；

第二步，分别捕捉ECG、PPG传感数据的心电波形R峰、心率波形斜率起点，获取脉搏波传导时间，基于Moens-Korteweg方法估计血压，基于Pan-Tompkins方法监测脉搏波延迟时间，计算脉搏波传导速度；

第三步，采用加速度传感器、陀螺仪传感器和地磁传感器获得人体运动传感数据，结合心率和心电传感数据基于深度学习方法识别高血压老年人的日常运动方式以及获取对应的强度、频率和时间；

第四步，通过智能健康传感设备采集人体体征数据，属显性信息，直接反映生理指标，包括血压、心率和心电图；

第五步，通过健康数据记录采集间接数据，属隐性信息，从人口信息学、诊断和治疗角度反映患者身体状态，包括诊断记录和用药记录；

步骤2，测试高血压老年人安静状态下的心功能状态，监测体征信息包括心率、血压、心率变异性和血压变异性；实时识别高血压老年人的对应体征状态下的日常动作，获取高血压老年人日常活动信息，具体为：

第一步，静态指标测试，测试高血压老年人安静状态下的心功能状态，包括心率、血压和ECG，以及常见血液指标血糖和血脂；心肺适能测试与评价包括运动中的心率、血压、ECG、Brog主观疲劳感觉量表和在递增运动负荷试验GET中直接或间接测量的最大摄氧量，所述最大摄氧量VO_2max是心肺耐力的标准测量指标，临床上用这一变量的相对值[ml/(kg ·min)]表示，计算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表示以米为单位的人的身高，Wt为以公斤为单位的体重，Age表示年龄；

第二步，日常运动和体征信息测试与评价，对于BMI≥24 的高血压老年人进行日常运动和体征信息关联评估，以挖掘运动方式、运动强度、超重和肥胖程度与相关疾病的关系；

步骤3，根据运动-血压风险评估等级、运动风险贡献度，结合由心率变异性、能量消耗和心率评估高血压老年人的心肺功能，以及BMI、年龄、临床诊断、运动喜好参照FITT规则制定个性化的老年人运动处方，具体为：

第一步：根据血压变异性评估运动风险等级，基于深度学习与逻辑回归组合模型，分析各运动参数的风险贡献度；

基于运动风险等级确定运动类型，包括有氧运动和阻抗运动；根据各运动参数的风险贡献度，确定用户首要干预目标，组成候选干预目标的集合；

第二步：根据首要干预目标，临床诊断、身体运动情况、BMI、年龄、最大摄氧量VO₂max、心率变异性确定高血压老年人主要的运动参数；

第三步：根据运动参数与综合征的关系挖掘，对生成的运动参数进行调整；

第四步：根据首要干预目标生成的运动参数，依次确定次要干预目标，结合临床诊断、身体运动情况、BMI、年龄、最大摄氧量VO₂max和心率变异性确定高血压老年人次要运动干预参数；

第五步：根据运动参数与血压变化规律的关系挖掘，对上述步骤生成的运动参数进行反馈调整；

其中对于有氧运动，运动参数包括：方式、强度、时间和频率，拼接四种运动参数作为输入向量x_t，以二进制编码表示；人口统计信息向量d_t，其表示血压、临床诊断、身体运动情况、BMI和年龄；

根据风险贡献度最大的运动参数作为首要干预目标，结合人口统计信息作为模型的输入，以学习生成个性化运动处方；

基于CNN的决策级融合集成模型，根据FITT规则，集成模型需要4个CNN模型；首先将采集到的数据标准化，并完成格式的转换，输入到模型中；每个子模型输入FITT中的一种运动参数，其余数据为临床诊断、个人喜好、BMI、年龄、性别、近期身体活动情况、最大摄氧量VO₂max和心率变异性；输出数据为适合患者的运动方式；每个CNN模型分别计算出适合患者的运动方式、强度、频率和时间，结合不同运动参数与综合征的关系挖掘进行微调，最后执行决策级的数据融合。