本发明涉及生物医学监控，尤其涉及基于云计算的心率监控系统。
背景技术：
1、生物医学监控技术领域涉及使用各种传感器、设备和系统来追踪和分析个体的生理参数，以提供实时的健康状态信息，领域的核心在于通过高级数据分析技术，如机器学习和模式识别，来解读从生物医学传感器收集的数据。数据包括心率、血压、血氧水平等，用于监控个体的健康状况和生理反应，该领域的技术不仅支持医疗专业人员在诊断、治疗决策和患者监护中的应用，实现远程医疗和家庭健康管理，为公众提供了更好的健康管理工具。
2、其中，基于云计算的心率监控系统是一种利用云技术来实现心率数据的实时收集、存储和分析的系统，此系统主要通过在个体身上配置的心率传感器收集数据，然后将数据传输到云平台。在云平台上，数据不仅被安全地存储，还可以通过先进的数据分析工具进行处理和分析，从而为用户或医疗专业人员提供实时的健康状况反馈。该系统的主要用途包括实时健康监控、疾病预防、医疗干预以及健康数据的长期跟踪，特别适用于心脏病患者的持续监测或运动员的性能评估。
3、现有的心率监控系统主要不足在于依靠较为传统的数据处理和分析技术，这限制了在复杂生理数据中进行深层次分析的能力。尽管现有技术支持基本的生理参数监测和简单的模式识别，但无法有效处理大规模数据或实时识别更复杂的心律不齐类型。例如，在处理高度不规则的心率数据时，传统技术无法准确区分心律失常的具体类型，导致预警和干预措施的延误，现有系统在个性化健康管理和长期病症监控方面的功能也相对有限，难以为患者提供持续、个性化的健康状态反馈，导致患者管理计划的效果不佳，增加误诊和漏诊的风险，以及在慢性病管理和预防性医疗中的应用局限。
技术实现思路
1、本技术通过提供了基于云计算的心率监控系统，现有的心率监控系统主要不足在于依靠较为传统的数据处理和分析技术，这限制了在复杂生理数据中进行深层次分析的能力。尽管现有技术支持基本的生理参数监测和简单的模式识别，但无法有效处理大规模数据或实时识别更复杂的心律不齐类型。例如，在处理高度不规则的心率数据时，传统技术无法准确区分心律失常的具体类型，导致预警和干预措施的延误，现有系统在个性化健康管理和长期病症监控方面的功能也相对有限，难以为患者提供持续、个性化的健康状态反馈，导致患者管理计划的效果不佳，增加误诊和漏诊的风险，以及在慢性病管理和预防性医疗中应用局限的问题。
2、鉴于上述问题，本技术提供了基于云计算的心率监控系统。
3、本技术提供了基于云计算的心率监控系统，其中，所述系统包括：
4、心率数据解析模块基于云平台上的光电容积脉搏波传感器，收集的心率数据，进行时间序列构建，分析每次心跳的时间点，得到心率时间序列，将所述心率时间序列输入处理环节，对心跳模式进行初步归类，得到扩展分类输出结果；
5、心跳异常识别模块接收所述扩展分类输出结果，通过对心率的局部波动和频域特性分析，识别心跳异常，评估心率的不规则性，生成异常诊断结果，基于所述异常诊断结果类型和频率进行心律失常的分级，得到心律失常级别输出结果；
6、心脏病风险评估模块利用所述心律失常级别输出结果，结合历史健康数据和心率模式并进行分析，评估心脏病预测风险，得到风险评估结果，将风险评估结果用于优化患者的监护计划，得到优化患者监护建议；
7、患者状态监控模块基于所述优化患者监护建议，更新患者的心率状态记录，记录每次心脏活动，分析心率的频率和稳定性，识别偏离正常范围的异常心率，对异常心率进行标记，汇总异常数据，编制心率监控结果。
8、优选的，所述心率时间序列的获取步骤具体为：
9、基于云平台，使用光电容积脉搏波传感器收集心率数据，采集原始心率数据，生成原始心率数据集，
10、分析所述原始心率数据集中每次心跳的时间点，计算相邻两次心跳之间的时间间隔，采用公式：
11、
12、得到心跳时间间隔数组，其中，δti为心跳时间间隔数组，ti代表第i次心跳的时间点，ti+1代表第i+1次心跳的时间点，α为线性调整系数，β为根号内非线性调整系数，δtmax代表最大时间间隔，θ为最小时间间隔比例调整系数，δtmin代表最小时间间隔；
13、利用所述心跳时间间隔数组构建心率时间序列，采用公式：
14、
15、计算每分钟心跳次数，生成心率时间序列，其中，hr(t)代表每分钟的心跳次数，δt代表心跳时间间隔数组，γ为线性校正系数，κ为逆比例调节因子，∈为小量正数。
16、优选的，所述扩展分类输出结果的获取步骤具体为：
17、将所述心率时间序列输入到数据处理环节，使用心跳间隔特征进行分类，采用公式：
18、
19、得到心跳模式特征分数，其中，si代表心跳模式特征分数，xj是心率时间序列中的第j个特征，wj是第j个特征的权重，λ是调整非线性影响的参数，μ是特征加权的调整参数，n是特征数量；
20、对每个样本所述心跳模式特征分数进行阈值判断，使用判断公式：
21、
22、对心跳模式进行初步分类，得到初步分类结果，其中，ci代表初步分类结果，s是心跳模式特征分数，θ是分类阈值，σ是标准偏差，ρ是偏移参数，1表示心跳模式异常，0表示正常；
23、根据所述初步分类结果，进行分类细化，应用公式：
24、
25、生成扩展分类输出结果，其中，d代表扩展分类输出结果，ck是初步分类结果，vk是对应分类标签的权重，m是分类标签数量，δ是逻辑回归截距调整参数。
26、优选的，所述异常诊断结果的获取步骤具体为：
27、基于所述扩展分类输出结果，分析心率时间序列中的局部波动，采用公式：
28、
29、生成波动度结果，其中，v为波动度结果，hrj是在第j个时间点的心率，是心率的平均值，σj是第j个时间点的标准偏差，∈是规避除零的小正数；
30、基于所述波动度结果，对心率序列的频域特性进行分析，采用傅里叶变换和频域加权公式：
31、
32、生成频域分析结果，其中，f是频域分析结果，fft(hrk)是傅里叶变换结果，wk是频率k的权重，δk是频域衰减因子；
33、结合所述波动度结果和频域分析结果，采用加权和的方法，使用非线性组合公式：
34、
35、生成异常诊断结果，其中，a代表异常诊断结果，v是波动度结果，f是频域分析结果，α和β是调整系数。
36、优选的，所述心律失常级别输出结果的获取步骤具体为：
37、基于所述异常诊断结果，分析异常类型的分布和频率，采用公式：
38、
39、计算生成异常类型分布得分，其中，t代表异常类型分布得分，fi是异常发生频率，ti是异常类型的严重程度指数，k是用于调整每种异常严重度影响的参数，gi是每种异常的严重度等级，h是判定阈值；
40、根据所述异常类型分布得分和异常的临床关联性进行加权评分，采用公式：
41、
42、计算生成心律失常严重度得分，其中，sa是心律失常严重度得分，tj是异常类型分布得分，cj是临床相关性权重，δ是全局调整系数，rj是每种异常类型的响应系数；
43、基于所述心律失常严重度得分，采用分级标准对心律失常进行分级，使用公式：
44、
45、得到心律失常级别输出结果，其中，l代表心律失常级别输出结果，sa是心律失常严重度得分，α是调整增幅系数，{thresholds}是分级阈值，classify是分级函数。
46、优选的，所述风险评估结果的获取步骤具体为：
47、整合所述心律失常级别输出结果和患者历史健康数据，通过加权方式为风险因素分配影响力，应用公式：
48、
49、计算得到风险评估值，其中，fa表示风险评估值，wi是第i个风险因素的权重，hi是历史健康数据对应的风险值，ki是增益系数，li是心律失常级别对应的风险系数；
50、基于所述风险评估值，利用心率模式数据进行心率变异性分析，使用公式：
51、
52、整合心率数据贡献，计算得到心率模式风险得分，其中，r为心率模式风险得分，pj是心率模式的参数，vj是心率变异性分析得分，λj是归一化系数；
53、将所述风险评估值和心率模式风险得分融合，采用加权方式进行整合，应用公式：
54、
55、计算心脏病预测风险，生成风险评估结果，其中，q表示风险评估结果，fa为风险评估值，r为心率模式风险得分，γ和δ是用于平衡fa和r的调整系数。
56、优选的，所述优化患者监护建议的获取步骤具体为：
57、分析所述风险评估结果，计算生成风险加权总和，采用公式：
58、
59、其中，p代表风险加权总和，ui是风险指标的重要性系数，vi是风险指标的值，si是稳定性调节因子，∈是小常数；
60、基于所述风险加权总和，根据风险等级调整治疗计划，同步信息至医疗团队，确定监护级别，应用公式：
61、
62、其中，q代表监护级别，p是风险加权总和，γ是响应敏感性参数，δ是响应阈值；
63、基于所述监护级别，设计个性化的监护计划，采用公式：
64、n＝∫q(t)·dt
65、采用时间加权方法计算持续时间内的监护需求，得到优化患者监护建议，其中，n代表个性化的监护计划，q(t)是监护级别的时间函数，t是时间变量。
66、优选的，所述编制心率监控结果的获取步骤具体为：
67、基于所述优化患者监护建议，更新患者的心率状态记录，采用公式：
68、
69、计算得到更新后的心率状态得分，其中，u代表更新后的心率状态得分，ri是第i次心脏活动记录的心率值，si是对应心率状态的稳定性评分，δ是调整心率偏差影响的系数，μ是心率的平均值；
70、基于所述更新后的心率状态得分，标记偏离正常范围的异常心率，使用公式：
71、
72、生成异常心率得分，其中，vi为异常心率得分，fj是第j次心脏活动的心率值，ν是正常心率的平均值，σ是正常心率的标准偏差，∈是调整参数，dj是第i次记录的持续时间；
73、基于所述异常心率得分，汇总异常数据，生成编制心率监控结果，采用公式：
74、
75、其中，si代表编制心率监控结果，κj是第j次异常心率的严重性权重，vi是异常心率得分。
76、本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：
77、通过综合时间序列分析和心率模式的深入研究，实现更精确的心律异常识别和心脏病风险评估，通过对心率时间序列的详细解析，结合心率的局部波动和频域特性分析，能够更细致地识别心跳异常和心律不齐的种类，这种细致的识别过程不仅提高心律失常的诊断准确性，还为心脏病的风险评估提供更为丰富的数据支持，通过将心律失常级别与历史健康数据结合，评估得出的风险结果更具前瞻性和个性化，使得医疗干预可以更加针对性和时效性，连续监控患者状态，并对偏离正常范围的心率进行实时标记，进一步增强患者监护的连续性和系统的应急响应能力。
78、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
1.基于云计算的心率监控系统，其特征在于，所述系统包括：
2.根据权利要求1所述的基于云计算的心率监控系统，其特征在于，所述心率时间序列的获取步骤具体为：
3.根据权利要求2所述的基于云计算的心率监控系统，其特征在于，所述扩展分类输出结果的获取步骤具体为：
4.根据权利要求3所述的基于云计算的心率监控系统，其特征在于，所述异常诊断结果的获取步骤具体为：
5.根据权利要求4所述的基于云计算的心率监控系统，其特征在于，所述心律失常级别输出结果的获取步骤具体为：
6.根据权利要求5所述的基于云计算的心率监控系统，其特征在于，所述风险评估结果的获取步骤具体为：
7.根据权利要求6所述的基于云计算的心率监控系统，其特征在于，所述优化患者监护建议的获取步骤具体为：
8.根据权利要求7所述的基于云计算的心率监控系统，其特征在于，所述编制心率监控结果的获取步骤具体为：
