基于機器學習的心律異常智能可穿戴預警系統

陳小杰+曹國華

摘要：當今社會個人健康保健需求日益增長，而心律狀況則是反映人身體健康狀況的主要指標，為此設計開發出一款新穎實用便攜的心律異常智能預警可穿戴系統。該系統提供了從硬件到軟件APP的整套解決方案，可以充當用戶的“私人小醫生”。該作品基于機器學習算法對光電反射傳感器采集的心率大數據，針對于該用戶進行自適應的個性化心律曲線分析，并針對該用戶建立相匹配的心律狀況評價函數，同時根據采集到的數據進行實時修正和反饋。而且該機器學習算法具有一定的容錯性以及剔除外界干擾因素的能力，從而能夠實時分析出用戶心律狀況，并進行心律異常狀況預測和預警。硬件電路采用綠光動態心率傳感器進行心率數據實時采集，通過ARM核的藍牙發射芯片與上位機Android APP進行實時數據交互。通過APP進行實時的機器學習以分析用戶的心律狀況從而達到心律異常預警機的作用。同時基于Android開發平臺將機器學習算法內嵌于APP中。該APP可完成實時數據交互，以及基于機器學習對該用戶心律數據建立心律狀況評價函數，并根據采集到的數據進行不斷修正反饋。該產品的獨創性在于將機器學習用于心率數據挖掘，根據長時間采集的心率大數據建立該用戶的心律狀況評價函數，同時實時進行動態反饋和修正，解決了從采集到的心率大數據中到心律狀況動態函數這一復雜多變量、強耦合、動態實時變化的偽隨機擬合問題。

【關鍵詞】心率信號處理 機器學習 可穿戴預警系統

1 前言

該作品主要是實現對用戶的心律狀況進行實時監護，當心律有異常的征兆時便對用戶發出警告，并給出相應的異常信息，從而起到實時預警的作用。該作品難點之一就是如何從采集到的心率大數據中，得到該用戶的心律狀況動態函數，從數值分析的角度看顯然這是一個非線性、多因素、強耦合的擬合問題。而從統計的角度分析，這是一個復雜多變量、強耦合、動態實時變化的偽隨機事件。人的心律狀況是由多種身體內部、外部因素共同決定，同時也在動態實時變化，表而上可以理解為隨機事件，可由于長期的進化，人體己經發展成為一個高度協調的有機體，當內部、外部因素發生變化時，人的身體狀況并不會發生瞬問變化、而是一個動態緩慢漸變的過程，并在一定程度上具有自平衡性。人體這一固有生理特性便論證了人的心律狀況并非隨機事件，而是偽隨機事件。稱為偽隨機事件的原因在于人體的高度復雜性和外部環境的復雜性，正因于此導致了心律狀況動態函數的復雜性、非線性、強耦合性以及實時性。綜上所述人體心律狀況本質上是可以進行預測和預警的。難點之二是用戶作為一個動態有機體，其身體性能指標實時在變化，如何根據用戶身體當前狀況實現對該心律狀況動態函數的實時修正，以確保該算法的有效性和實時性。難點二便在于如何對心律狀況這一復雜多變量函數進行實時修正和反饋。

難點分析：首先分析難點一：從采集到的用戶心率數據得到該用戶心律狀況動態函數，這本質上是一個非線性、動態、強耦合的偽隨機擬合問題，或者稱為動態非線性映射。該問題從算法上分析，傳統的經典算法對該類問題已經無能為力。而目前基于數據學習的機器學習算法可以有效的解決這一問題。機器學習算法是一類從數據中自動分析獲得規律，并利用規律對未知數據進行預測的算法。另一個難點是該心律狀況動態函數的實時性與自修正反饋性，通過當前數據覆蓋掉設定時問段之問的數據，便可以實時更新該用戶的心律狀況函數從而達到實時預警的目的。

傳統的醫學產品診斷過程由于各種技術經濟原因本質上是一維靜態的，從輸入流人體到輸出流診斷結果，這一過程只是一對一的單數據單結果分析，診斷結果體現的是人體前段時問的一個累計結果。這其實與人體高度復雜性動態實時性這一本質相違背，所以時常會出現誤診和錯診的情況。而本產品創新性的提出動態實時診斷這一思路，并將機器學習算法用于從采集到的心率數據到心律狀況函數這一非線性、強耦合、動態的偽隨機擬合問題。從而達到了實時預警的作用。并且該產品易于攜帶同時成本經濟。

2 總體方案論證與設計

本產品的主要功能是實現對心率數據的實時采集并結合機器學習算法進行實時后處理得到心律健康狀態評價函數并進行實時反饋。并在必要時能夠給出預警提醒功能。

產品采取模塊化設計的思路，將產品分為硬件、軟件系統兩部分。硬件主要完成物理采集過程，軟件主要完成基于機器學習算法的后續運算處理過程。在進行方案設計時，對于運算處理模塊通常有兩種思路，一種是將其嵌入MC，U中即依賴于MCU自帶的運算處理功能；一種是設計單獨運算處理模塊進行運算，這在圖像、視頻中處理中是一種常見的解決方案。考慮到本文需滿足便攜性，而運算能力與體積本身便是一對矛盾，所以本產品將機器學習后處理算法移至APP中，硬件部分只需完成相應的采集、驅動、傳輸功能即可。本產品的總體架構圖如圖1所示。

如圖1所示，首先由心率傳感器將心率數據采集并通過自帶的濾波模塊進行濾波，然后將數據傳輸給藍牙發射模塊。藍牙發射模塊與Andriod APP進行實時通信，藍牙發射模塊將心率數據傳給APP，而APP則將一些輔助信息傳回給可穿戴預警系統完成相應的功能。對于APP而言，主要完成心率數據的后處理即基于機器學習的數據分析從而得到該用戶的心律狀況動態函數，并根據傳輸的數據和設定的閩值完成實時反饋修正。當心律出現異常的征兆時，從而能夠起到預警的作用。endprint