手機使用者HRV 大數據的處理方法及預警系統

謝從晉，楊 柳，杜兵芳

（1.重慶外語外事學院，重慶；2.重慶財經學院，重慶）

引言

智能手機作為當前最主要的信息化工具，正在深刻影響和改變人們生產生活的各方面。據中國互聯網絡信息中心發布的第51 次《中國互聯網絡發展狀況統計報告》顯示：截至2022 年12 月，我國網民規模為10.67 億；人均每周上網時長約為27 小時。

手機的使用行為對人們身心健康產生的影響，逐漸成為學者們的研究熱點問題。新疆生產建設兵團的高伊雯和中南大學的劉晨卉等人（2023 年），使用自測健康評定量表和問卷，對780 多名大學生進行了調研，發現大學生日均手機使用時長對自測生心健康和自測社會健康均有顯著影響，并提出了全社會應積極倡導健康使用手機，控制手機不良使用行為的建議[1]；高靜和趙闖等人（2014 年），利用問卷調研了1000 余學生使用手機行為和身體癥狀，得出多數人認為手機的使用已經為自己帶來了一定程度的身體機能損害甚至引發疾病的結論[2]；吉林大學柴晶鑫（2017 年），在大學生手機依賴行為意向及影響因素的研究中，發現近85%研究對象具有手機依賴癥[3]；陶舒曼（2017 年），研究了醫學生問題性手機使用行為與心理病理癥狀的關聯等問題，認為問題性手機使用行為會增加學生心理病理癥狀的風險[4]。

學者們前期的研究成果頗豐，但主要集中在問卷調研和自測方面，缺乏利用人體生理指標數據做進一步的客觀分析。本文從人體心率變異性指標著手，介紹HRV 大數據采集平臺的搭建，以及數據的處理方法、指標的選擇等，并開展了實測實驗。

1 手機使用者HRV 大數據的采集與處理

1.1 HRV 大數據遠程采集與處理系統

為了采集和監測用戶使用智能手機時的HRV 指標，搭建了一套專用的HRV 大數據采集與處理系統，用以研究手機使用行為對人體身心健康產生的影響。該系統包含手機端數據采集APP、穿戴式心電采集裝置和PC 電腦端數據處理與分析系統[5-6]，見圖1。

圖1 HRV 大數據采集與處理系統各模塊示意

手機端數據采集APP 的操作頁面包括賬戶管理頁、功能選擇頁、信息填寫頁、傳感器狀態頁、數據采集頁、大數據分析頁、預警信息查看頁和文件管理頁等。軟件有賬號注冊、登錄與注銷、信息填寫、傳感器狀態顯示、藍牙設備連接、心電數據采集、心電波形顯示、去噪、HRV 數據記錄、文件存儲和遠程傳輸、文件管理功能，以及接收遠程分析文件并向用戶展示分析結果等功能。其中，數據采集頁是手機端軟件最核心的功能頁面，其界面如圖2 所示。

圖2 數據采集頁效果

穿戴式心電采集裝置是以BMD101 心電芯片為核心的采集儀器，其具備藍牙連接功能，通過貼敷式電極片采集心電數據，并無線發送給手機端軟件。

PC 電腦端軟件供管理后臺使用，其主要功能是處理用戶HRV 數據，具體包括數據文檔下載、數據批處理、預警信息和報告生成、處理結果上傳，其界面如圖3 所示。

圖3 PC 電腦端軟件界面效果

1.2 濾波與抗干擾性

心電信號（ECG）易受干擾而導致嚴重失真，為了提高系統采集HRV 數據的準確率，心電采集儀傳送來的原始ECG 數據必須要經過濾波、識別R 波后才能存儲、運用。

本文所述的采集平臺用到了差分閾值法和模板匹配法[7]，對ECG 進行了濾波處理，同時用到奇異函數法、馬爾可夫鏈預測法等[8-9]識別R 波，效果較理想。采集時濾波和識別的效果如圖4 所示。

圖4 心電圖濾波前后對比

1.3 HRV 大數據文件的管理

為了便于后期的數據處理，每個用戶每一次采集的HRV 數據文件單獨保存為一個TXT 格式的文本文件，文件名采用“用戶名+身體姿態+使用手機與否+數據類型+文檔編號”的格式，從而便于后期的批量數據分析，文件里存儲數據則按單行的方式保存。

2 手機使用者HRV 大數據的分析

2.1 HRV 分析工具

采用MATLAB 數學分析工具對濾波、R 波識別算法進行驗證，并對部分HRV 指標進行分析；利用東芬蘭大學研究團隊開發的Kubios HRV 對HRV 其它指標進計算和分析。前者被廣泛運用于數據分析、模型仿真、信號處理等領域，后者目前在全球多個國家被科研人員廣泛使用。再者，利用Python、aardio 等語言設計計算機程序，利用PyCharm、aardio 等開發環境完成軟件設計和數據自動化處理。

2.2 HRV 分析指標

將前述環節中采集到的HRV 大數據進行系統性研究，分析人體各類手機使用狀態與心率變異性各項指標的相關關系，總結人體使用智能手機的各種動作行為特征對心率變異性各項指標所產生的影響。在整體分析和數據比較過程中，重點關注各項大數據集的統計學意義，以及各項指標的異常檢出率。

以HRV 常用的時域指標、頻域指標和非線性指標作為測試和分析指標。其中，時域指標代表正常心率R-R 間期的離散趨勢變化情況；頻域指標用于心電信號功率譜分析，從而觀察交感神經與副交感神經活動的變化；非線性分析方法則分為圖形法與非線性參數計算法。經過實測，本文選取共計21 項指標具體見表1。

表1 HRV 分析指標列表

2.3 大數據文件的批處理

利用Python 語言編寫計算機程序，實現數據文件的批量處理，包括下載、分類管理、調用第三方軟件分析、從大量的分析文件中提取結果數據，再將結果數據繪制成可視化圖形，批量上傳等。

將Python 程序嵌入至aardio 開發環境中，設計便于操作的Windows 桌面軟件，從而使數據處理和分析的效率更高。

3 基于HRV 大數據的手機不良使用行為預警模型

3.1 預警模型設計

觀測手機使用行為對人體HRV 產生的影響，分析不良使用行為帶來的HRV 異常指標，構建手機不良使用行為的風險評估指標體系與預警系統，設定積極的干預措施，實現實時監測和自動預警提示。建立的模型如圖5 所示。

圖5 基于HRV 大數據的手機不良使用行為風險預警模型

利用該預警模型，當手機不良使用行為導致風險指標達到或超過閾值時，模型發出警示信息，以避免或降低危害發生風險。模型具有主動性、超前性、及時性和針對性等特點，用戶可據此了解手機使用行為對自身HRV 的影響，能主動減少手機不良使用行為帶來的人體生理負擔。

3.2 風險等級劃分

將表1 中的21 項HRV 指標設定不同的權重，建立風險指數計算式；計算時，以兩組HRV 的指標數據進行對比，以其差值大小作為風險評估的參考值，當兩者相差超過設定的風險閾值時，觸發風險預警提示。用作對比的兩組數據分別為基礎數據和對比數據，基礎數據可以是用戶專門測得的正常狀態下的HRV 數據，亦可以是群體大數據的均值，分別依據不同的使用情形進行選擇；對比數據則是使用手機時測得的HRV 數據。

由于HRV 數據受影響因素較多[10]，例如年齡、身體姿態、心理狀態、精神狀態等，因此在最理想的情況下，基礎數據要分門別類（不同性別、不同職業、不同的身體姿態、不同年齡段、不同時間、不同健康狀況等）進行采集，從而提高分析結果的客觀性。為了避免操作過于復雜，可按時間、年齡等進行階段性劃分；同時，在對比分析時，以用戶自身的HRV 基礎數據為分析重點，以群體數據作為參考。

4 監測實驗及結論

4.1 實驗人群

實驗選擇了40 名青年學生進行HRV 測試，其中男生15 人，女生25 人。測試對象無高血壓、冠心病等心血管疾病，智力正常，亦無精神疾患、心理健康狀況良好。

4.2 實驗過程

測試前，測試人員佩戴穿戴式心電采集裝置，調整電極片的貼敷位置，觀察手機端數據采集APP 上的心電圖波形，如圖4 所示，當達到比較好的波形顯示效果后，再進行正式地遠程數據采集；測試時，每一位測試對象每一次采集兩組不同身體姿態（含站立、行走、平躺等8 種典型姿態）下的HRV 數據，每組時長約10 分鐘；其中在同一姿態下測的兩組數據，一組是在使用手機時測的，另一組是不使用手機時測的，兩組數據用以對比分析；測試結束后，測試人員可查看數據，如果數據質量不高（如含有大量誤讀數據），則可放棄此次采集，重新進行測試；最后將數據文檔通過網絡發送至PC 電腦端軟件進行數據處理和分析。

4.3 實驗數據分析及結果

將每一位測試對象的每一對數據的差值作為統計對象，每組數據以5 分鐘時長進行統計，發現測試對象的21 項指標的波動性（標準偏差）差異較大，具體實驗數據統計如表2 所示。

表2 各項指標實驗統計

將實驗數據各項指標的標準偏差進行排序，得知編號x1、x2、x3、x14、x17、x18、x19、x20、x21 對應指標波動很小（＜2），說明測試對象人群的整體表現傾向一致；編號x5、x6、x8、x9、x15、x16 對應指標波動較小（＞4 且＜14），說明測試對象人群的整體表現有一定差異；編號x4、x7、x10 對應指標波動較大（＞30 且＜100），說明測試對象人群的整體表現有差異較大；編號x11、x12、x13 對應指標波動特別大（＞1000），說明測試對象人群各自的差異非常大。

鑒于以上觀測結論，在做不良行為風險等級劃分和預警閾值設定時，不能一概而論，各項指標不能全部以相同權重計入風險指數計算式。差異較小的指標不僅可以以個體自身的基礎數據為準進行對比分析，亦可進行個體與群體的對比分析；而差異較大的指標，則不宜將個體數據和群體進行對比分析，而是分析個體自身的數據對比結果更具有客觀性。各指標的權重應利用大量實測數據進行驗證，經過不斷修正而確定。

選取群體性波動較小的指標（編號x1、x2、x3、x14、x17、x18、x19、x20、x21）計入風險指數計算式，再考慮到年齡、時間段、姿態等因素的影響，基于HRV大數據分析的不良手機使用行為風險系數計算原理和公式如下[6]：

式中，e∈[1，8]且為整數，i∈Z={1，2，3，14，17，18，19，20，21}；P1e為不同年齡段條件下的人群使用手機時產生不良反應的概率；P2e為人們在8 種不同身體姿態下使用手機時反應出受不良影響的概率；P3e為人們在不同時間段使用手機時產生不良反應的概率；P4e為人們使用手機不同時長條件下產生不良反應的概率，此四項參數經過統計而得；Si為第i 項心率變異性指標經歸一化處理后納入風險計算式的權值；xi，0為用戶在未使用手機且身心充分放松的條件下測量所得的各項心電指標，即在靜息狀態下的無風險系數；xi，max和xi，min為各指標測量所得的最大值和最小值。

依據上式進行風險值測算，從而實現遠程的風險預警目的。

結束語

本文介紹了基于HRV 大數據的手機不良使用行為遠程監測與預警系統的設計和實現方案，通過實測數據計算出了21 項HRV 常用指標，并且依據其群體波動性選出了9 項指標作為風險值計算式的主要參數，從而實現不良行為的風險評估。本系統的應用，不僅可為手機用戶提供網絡化、大數據化的風險預警服務，也能為相應的醫學研究（如疾病防控、運動處方、病人監控等）提供技術支持。