本发明涉及生物信号处理，尤其涉及基于人工智能的心率检测系统。
背景技术：
1、生物信号处理是一门应用数学、物理和计算技术来分析由人体或其他生物体生成的信号的科学。这些信号通常包括心电图(ecg)、脑电图(eeg)、肌电图(emg)等，均能提供关于生物体健康和功能状态的关键信息。生物信号处理的主要目的是从这些复杂的信号中提取有用的生理和健康信息，以便进行临床诊断和生物医学研究。这一技术领域涉及信号采集、去噪、特征提取、数据解释等多个步骤，对提高疾病诊断的准确性和早期预警系统的建立具有重要作用。
2、其中，心率检测系统是一个专门用于实时监测和分析心脏节律和速率的设备或软件，广泛应用于医疗监测、运动训练、健康管理等领域。这种系统通过检测心电信号或使用光学传感技术来测量心脏每分钟的跳动次数，从而帮助用户监控心脏健康状态或评估体育活动的强度。心率检测系统的用途包括但不限于提供心脏健康的即时反馈、帮助医生进行心脏疾病的诊断、辅助运动员调整训练计划等。
3、现有技术在心率数据的处理中常面临数据同步和一致性的挑战，这影响了数据分析的准确性。传统心率监测系统常依赖预设阈值或简化模型，限制了它们适应个体差异和复杂环境的能力。在数据处理和异常检测方面，这些限制可能导致对细微异常的忽视或误判，影响诊断和治疗的及时性与效果。例如，未能有效同步和一致性检验的系统可能无法准确反映实际的心率异常，导致健康风险评估不准确，这在需要精确医疗的场景中尤为关键，可能引发患者管理不当和治疗方案选择错误。
技术实现思路
1、本发明的目的是解决现有技术中存在的缺点，而提出的基于人工智能的心率检测系统。
2、为了实现上述目的，本发明采用了如下技术方案：基于人工智能的心率检测系统包括：
3、数据采集与同步模块基于多源传感器收集心电数据、环境数据、生理数据，执行数据整合，运行同步算法校正时间偏差，验证数据一致性，得到同步心率数据集；
4、心率模拟与优化模块基于所述同步心率数据集，输入同步数据至生成模型，前向运行模型，得到模拟心率序列，结合传递函数调整序列匹配生理特征，调整参数优化结果，得到优化后心率序列；
5、心率结构映射与异常识别模块基于所述优化后心率序列，配置映射网络，载入心率序列，执行网络自组织，创建数据的结构映射，得到映射心率结构，基于映射心率结构识别异常模式，应用异常检测逻辑，识别并标记异常状态，得到心率异常模式；
6、异常分析与处理模块基于所述心率异常模式，记录异常心率的出现频率和分类，对每种异常心率的出现频率进行排序，识别出现频率最高的异常类型，分析关联的生理数据和环境因素，得到异常原因分析结果。
7、作为本发明的进一步方案，所述同步心率数据集的步骤具体为：
8、收集心电数据、环境数据、生理数据，为每个数据源分配一个权重，采用公式：
9、
10、进行加权平均，得到加权时间同步点；
11、其中，ti表示每个数据源的时间戳，wi表示对应的数据源权重，n表示数据源数量，tavg为加权后的时间同步点；
12、基于所述加权时间同步点，计算多数据源与同步点的时间偏差，采用公式：
13、
14、评估时间偏差的标准差，得到时间偏差调整值；
15、其中，ti为多数据源时间戳，tavg为同步时间点，si为多数据源的时间误差标准，δt为时间偏差调整值；
16、对所述时间偏差调整值，应用一致性检验，采用公式：
17、
18、检验数据一致性，得到一致性分数；
19、其中，xi为数据点的一致性指标，xavg为一致性指标的平均值，xmax为一致性指标的最大值，n表示数据点总数，c表示数据的总体一致性；
20、根据所述一致性分数c，过滤掉分数低于设定阈值θ的不一致数据，采用公式：
21、dfinal＝dsync-{d∈dsync∣cd<θ}
22、生成同步心率数据集；
23、其中，dsync为经过时间同步和一致性检验后的数据集，cd为数据点的一致性分数，θ为设定的一致性阈值，dfinal代表同步心率数据集。
24、作为本发明的进一步方案，所述优化后心率序列的获取步骤具体为：
25、基于所述同步心率数据集，输入同步心率数据至生成模型，执行心率序列的初始生成，采用公式：
26、
27、生成初始心率序列；
28、其中，hri是单个心率数据点，wi是数据点的重要性权重，n是数据点总数，hrinit是初始生成的心率序列；
29、对所述初始心率序列运行模型，进行序列匹配和调整，采用公式：
30、
31、生成模拟心率序列；
32、其中，hrinit是输入的初始心率序列，δhrj是心率变化量，vj是变化量的调整权重，α、β是调节模型输出的系数，m是变化点总数，hrsim是经过模型生成的模拟心率序列；
33、将所述模拟心率序列结合传递函数进行调整，匹配生理特征，采用公式：
34、hradjusted＝hrsim·(1+k·e-λ·t)
35、进行调整，调整序列以符合生理特性，生成调整后心率序列；
36、其中，hrsim是模拟心率序列，k、λ是调整系数，控制心率变化的适应性，t是时间变量，hradjusted是调整后的心率序列；
37、优化所述调整后心率序列，采用优化算法，最小化目标函数：
38、min(f(|hradjusted-hrtarget|))
39、捕捉最优参数配置，得到优化后的心率序列hroptimized；
40、其中，hrtarget是目标心率序列，f是损失函数。
41、作为本发明的进一步方案，所述映射心率结构的获取步骤具体为：
42、配置映射网络，匹配所述优化后心率序列，初始化采用公式：
43、
44、得到初始网络权重；
45、其中，hroptimized,i是优化后心率序列中的第i个元素，n是数据点总数，winit是初始化权重；
46、将所述优化后心率序列载入配置好的映射网络，执行自组织映射算法，采用公式：
47、
48、得到自组织映射结果；
49、其中，winit是映射网络的权重,τ为调节数据影响速度的时间常数，so是自组织映射结果；
50、基于所述自组织映射结果，进行数据结构化映射，采用公式：
51、
52、得到映射心率结构；
53、其中，soi是自组织映射的结果，ω是周期性变化的角频率，ti是映射时的时间点，sm是映射后得到的心率结构。
54、作为本发明的进一步方案，所述心率异常模式的获取步骤具体为：
55、从所述映射心率结构中提取特征，采用公式：
56、
57、进行异常模式分析，生成初步异常模式；
58、其中，smi是映射心率结构中的元素，μ是sm的均值用于基准比较，σ是sm的标准差，用于标准化变异大小，ap是初步异常模式；
59、应用检测逻辑，分析所述初步异常模式，采用公式：
60、
61、进行分析，评估后标记超过设定阈值δ的异常心率模式，参照公式如下：
62、hm＝{x∈ep∣x>δ}
63、得到心率异常模式；
64、其中，api是初步异常模式的多元素，k调整曲线响应斜率，τ是判定异常的阈值，δ用于判定异常状态的阈值，ep是进行逻辑检测后的评估结果，hm是心率异常模式。
65、作为本发明的进一步方案，所述异常原因分析结果的获取步骤具体为：
66、从所述心率异常模式中提取每种异常的出现次数，采用计数公式：
67、
68、计算得到每种异常心率的出现频率；
69、其中，hmi表示一种目标的异常类型，count(hmi)为类型在总监控期内的出现次数，t表示总监控时间，∈是微小常数，fi表示异常心率的出现频率；
70、对所述异常心率的出现频率进行降序排序，采用排序公式：
71、
72、将频率从高到低排列，参照频率的指数衰减，确定出现频率最高的异常类型；
73、其中，β是衰减系数，sort是排序函数，s1是排序后的最高频率异常类型；
74、针对所述频率最高的异常类型，分析关联的生理和环境因素，采用多变量关联分析公式：
75、
76、得到异常原因分析结果；
77、其中，xj代表关联的生理或环境因素，αj为多因素的影响权重，γ、δ是模型中用于调整多变量贡献的参数，r是异常原因分析结果。
78、与现有技术相比，本发明的优点和积极效果在于：
79、本发明中，通过同步数据集，心率监测的准确性得到显著提高，减少了数据处理中的误差。采用生成模型模拟心率序列并调整以符合生理特征，使得模拟的心率更符合实际情况，从而增强了模型的实用性和可靠性。利用映射网络对心率数据进行结构化处理，并基于此结构识别异常模式，提高了对心率异常的检测灵敏度和准确性。这些创新手段使异常心率的分类和原因分析更为精准，极大地优化了心率监测系统的性能，对疾病预防和健康管理起到了积极作用。
1.基于人工智能的心率检测系统，其特征在于，所述系统包括：
2.根据权利要求1所述的基于人工智能的心率检测系统，其特征在于，所述同步心率数据集的步骤具体为：
3.根据权利要求1所述的基于人工智能的心率检测系统，其特征在于，所述优化后心率序列的获取步骤具体为：
4.根据权利要求1所述的基于人工智能的心率检测系统，其特征在于，所述映射心率结构的获取步骤具体为：
5.根据权利要求1所述的基于人工智能的心率检测系统，其特征在于，所述心率异常模式的获取步骤具体为：
6.根据权利要求1所述的基于人工智能的心率检测系统，其特征在于，所述异常原因分析结果的获取步骤具体为：
