[0001] 本发明涉及智能穿戴设备技术领域，尤其涉及一种提升心率采集准确度的方法、系统、设备及介质。

[0002] 心率可作为反映人体健康状况的一项重要指标。在过去，由于技术限制，只能通过专业的心电采集设备来获取心率数据。随着技术进步，如智能手环、智能手表等可穿戴设备，因其具有监测心率的功能和良好的用户体验成为主流电子产品。如今市面上销售的智能手表、手环产品，多数均具有ECG心电传感器和PPG光电传感器，通过不同的理论基础测量心率，其分别是基于心电传感器测量ECG心率和基于光电体积描记测量PPG心率。但是这两者的准确度很大程度上受到个体心率、运动强度和心率变异性等多重因素的影响，使得相同仪器对于不同个体，或在不同场景下采集的心率数据差别很大。因此，如何全面利用数据并提高心率数据的可靠性，提升算法模型是关键之一。

[0003] 目前，在心率采集准确性方面已经积累了相关研究成果。如基于ECG与PPG联合处理的算法，在ECG和PPG的协同下，能够有效改善心率的检测结果，如提高抗噪能力和心率检测范围。然而，现有技术没有考虑个体之间心率差异和情境因素对心率采集准确度造成的影响，且心率估计中没有考虑心率变异性(Autonomic Nervous System，ANS)这一生理参数的影响。且其对于个体差异所引起的心率估计偏差效果欠佳，对于运动或不同强度动作产生的心率影响，并无充分考虑，造成心率采集的准确度偏低。

[0057] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0058] 心率可作为反映人体健康状况的一项重要指标。在过去，由于技术限制，只能通过专业的心电采集设备来获取

[0059] 心率数据。随着技术进步，如智能手环、智能手表等可穿戴设备，因其具有监测心率的功能和良好的用户体验成为主流电子产品。如今市面上销售的智能手表、手环产品，多数均具有ECG心电传感器和PPG光电传感器，通过不同的理论基础测量心率，其分别是基于心电传感器测量ECG心率和基于光电体积描记测量PPG心率。但是这两者的准确度很大程度上受到个体心率、运动强度和心率变异性等多重因素的影响，使得相同仪器对于不同个体，或在不同场景下采集的心率数据差别很大。因此，如何全面利用数据并提高心率数据的可靠性，提升算法模型是关键之一。

[0060] 目前，在心率采集准确性方面已经积累了相关研究成果。如基于ECG与PPG联合处理的算法，在ECG和PPG的协同下，能够有效改善心率的检测结果，如提高抗噪能力和心率检测范围。然而，现有技术没有考虑个体之间心率差异和情境因素对心率采集准确度造成的影响，且心率估计中没有考虑心率变异性(Autonomic Nervous System，ANS)这一生理参数的影响。且其对于个体差异所引起的心率估计偏差效果欠佳，对于运动或不同强度动作产生的心率影响，并无充分考虑，造成心率采集的准确度偏低。

[0061] 参照图1，本发明第一实施例提供了一种提升心率采集准确度的方法，包括以下步骤：

[0062] S11，获取心电图信号和光电容积脉搏波信号；

[0063] S12，根据所述光电容积脉搏波信号计算得到脉率，并通过心率变异性分析，得到心率变异性参数；

[0064] S13，根据所述心电图信号，计算得到心率；

[0065] S14，根据所述心率变异性参数，通过线性判别分析算法，得到心率类别分类；

[0066] S15，根据所述心率，通过心率模型，得到心率预测值；

[0067] S16，根据所述心率预测值、所述心率类别分类、所述光电容积脉搏波信号和所述心率，通过误差反向传播神经网络，得到最终心率输出值。

[0068] 在步骤S11中，获取心电图信号和光电容积脉搏波信号。

[0069] 在一种实施方式中，使用智能穿戴设备如智能手环、智能手表或专业的心电图机来获取心电图信号。将一个或多个心电电极放置在用户的胸部，通常在胸骨旁或左胸位置；将参考电极贴在远离心脏的位置，例如手臂或腿部；将地电极放置在腹部或其他适当位置，以提供电路接地。通过电极采集心脏的电信号，并进行数字化采样。采样频率为250Hz，以确保捕获到足够详细的心电信息。进一步地，使用智能穿戴设备如智能手环、智能手表来获取光电容积脉搏波信号，其传感器为发光二极管传感器或光电二极管。将智能穿戴设备佩戴在用户的手臂上，通常是手腕处，确保设备佩戴稳固，避免手背或手环对光照的吸收影响，同时发光二极管发射的光强为60mW左右。发光二极管向皮肤下某一固定位置点发射光信号。部分光信号被皮肤内的血管吸收，导致光通量减少。光电二极管接收透过皮肤的光信号，并将其转换为电信号。对光电二极管接收到的信号进行数字化采样，常见的采样频率为
100Hz。

[0070] 在步骤S12中，根据所述光电容积脉搏波信号计算得到脉率，并通过心率变异性分析，得到心率变异性参数。

[0071] 一种实施方式中，对所述光电容积脉搏波信号进行频域滤波处理，得到滤波光电容积脉搏波信号；

[0072] 通过以下公式计算得到脉率：

[0073]

[0074] 其中，Rbpm为脉率，Trp为根据所述滤波光电容积脉搏波信号中相邻的两个峰值的时间间隔；

[0075] 根据所述滤波光电容积脉搏波信号，提取每个心跳周期的心跳波峰间隔；

[0076] 所述心率变异性参数包括呼吸窦性心律不齐、相邻心跳波峰间隔差值的均方根和正常心跳波峰间隔的标准差；

[0077] 通过以下公式计算呼吸窦性心律不齐：

[0078]

[0079] 其中，RSA为呼吸窦性心律不齐，FH为所述滤波光电容积脉搏波信号的高频占比，FL为所述滤波光电容积脉搏波信号的低频占比；

[0080] 通过均方根公式计算相邻心跳波峰间隔差值的均方根；

[0081] 通过标准差公式计算正常心跳波峰间隔的标准差。

[0082] 值得说明的是，所述频域滤波处理采用快速傅里叶变换方法，以去除基线漂移、肌电干扰、运动伪迹和工频干扰等噪声。呼吸窦性心律不齐，反映呼吸对心率的影响。对滤波后的光电容积脉搏波信号根据标准频段划分，确定高频和低频部分，其中高频部分对应于呼吸频率，低频部分对应于交感神经和副交感神经活动。正常心跳波峰间隔的标准差，反映整体的心率波动程度。相邻心跳波峰间隔差值的均方根，反映短时的心率波动特性。这些参数能够全面反映用户的心率状况和自主神经系统的调节能力，从而提高心率监测的准确性和可靠性。

[0083] 在步骤S13中，根据所述心电图信号，计算得到心率。

[0084] 在一种实施方式中，对所述心电图信号进行频域滤波处理，得到滤波心电图信号；

[0085] 通过以下公式计算得到心率：

[0086]

[0087] 其中，Hr为心率，Tr根据所述滤波心电图信号中相邻的两个峰值的时间间隔。

[0088] 值得说明的是，使用带通滤波器对心电图信号在0.5Hz‑40Hz范围内作滤波处理，以去除基线漂移、肌电干扰、运动伪迹和工频干扰等噪声。同时可以使用阈值法、导数法、自适应阈值法或模板匹配法来确定心电图信号的峰值。

[0089] 在步骤S14中，根据所述心率变异性参数，通过线性判别分析算法，得到心率类别分类。

[0090] 一种实施方式中，所述心率类别分类包括：安静心率、活动心率和运动心率；

[0091] 当所述心率变异性参数中的呼吸窦性心律不齐的值以及相邻心跳波峰间隔差值的均方根高于预设阈值，且正常心跳波峰间隔的标准差小于预设阈值时，判定为运动心率；当所述心率变异性参数中的呼吸窦性心律不齐的值以及相邻心跳波峰间隔差值的均方根低于预设阈值，且正常心跳波峰间隔的标准差大于预设阈值时，判定为安静心率。

[0092] 值得说明的是，呼吸窦性心律不齐反映了呼吸对心率的影响，通常在呼吸过程中，心率会随着呼吸的变化而变化。高呼吸窦性心律不齐值通常表示心脏受到呼吸的强烈影响，常见于运动状态；低呼吸窦性心律不齐值则表示心脏受到呼吸的影响较小，常见于安静状态。相邻心跳波峰间隔差值的均方根反映短时的心率波动特性。高相邻心跳波峰间隔差值的均方根值通常表示心率波动较大，常见于运动状态；低相邻心跳波峰间隔差值的均方根值则表示心率波动较小，常见于安静状态。正常心跳波峰间隔的标准差反映整体的心率波动程度。高正常心跳波峰间隔的标准差值通常表示心率波动较大，常见于安静状态；低正常心跳波峰间隔的标准差值则表示心率波动较小，常见于运动状态。

[0093] 在一种实施方式中，分别计算出呼吸窦性心律、相邻心跳波峰间隔差值的均方根和正常心跳波峰间隔的标准差，通过和预设阈值进行比较，这些阈值可以根据实验数据来确定。由于不同个体具有不同的体质，阈值的设定与群体、年龄、人种相关，可以随着产品使用时间增长，用户实际使用的数据量增大，阶段性的调整阈值，以达到阈值设定的高准确度目标。当所述心率变异性参数中的呼吸窦性心律不齐的值以及相邻心跳波峰间隔差值的均方根高于预设阈值，且正常心跳波峰间隔的标准差小于预设阈值时，判定为运动心率；当所述心率变异性参数中的呼吸窦性心律不齐的值以及相邻心跳波峰间隔差值的均方根低于预设阈值，且正常心跳波峰间隔的标准差大于预设阈值时，判定为安静心率。当不符合上述两种条件时，判定为活动心率。

[0094] 在步骤S15中，根据所述心率，通过心率模型，得到心率预测值。

[0095] 一种实施方式中，所述心率模型公式为：

[0096] PPG＝c1·HR+c2·HR2‑c3·HR3+c4·HR4‑c5·HR5

[0097] 其中HR为所述心率，PPG为预测心率，c1、c2、c3、c4和c5是设定系数；

[0098] 其中，所述心率模型通过历史大数据训练得到，所述心率模型能够根据输入的心率得到心率预测值。该模型基于Kubicek模型构建，使用心电图信号计算均值心率，计算HR的平均值作为输入，并计算心率方差，作为心率预测值的影响因子。均值心率反映了用户在一段时间内心率的平均水平。心率方差反映了心率波动的程度，较大的方差表示心率变化较大，受到活动状态、情绪等因素的影响。将均值心率和心率方差作为输入特征，用于训练心率预测模型。使用机器学习算法来构建预测模型。

[0099] 在一种实施方式中，c1＝1.41、c2＝0.013、c3＝0.007、c4＝0.0001和c5＝0.000001。所述参数通过收集大量的实验数据，包括实际测量的心率和相应的光电容积脉搏波信号。
这些数据涵盖不同的心率范围和不同的活动状态包括安静、活动、运动。通过收集更多的数据来提高模型的鲁棒性，进一步的，使用正则化技术防止过拟合，最后使用交叉验证来选择最佳的模型参数。

[0100] 在步骤S16中，根据所述心率预测值、所述心率类别分类、所述光电容积脉搏波信号和所述心率，通过误差反向传播神经网络，得到最终心率输出值。

[0101] 一种实施方式中，将所述心率预测值、所述心率类别分类、所述光电容积脉搏波信号和所述心率作为所述误差反向传播神经网络的输入层的神经元；通过所述误差反向传播神经网络，得到神经网络预测心率；当所述心率类别分类为活动心率时，以所述神经网络预测心率为最终心率输出值。

[0102] 一种实施方式中，构建BP神经网络模型，包括输入层，隐含层和输出层，其中输入层神经元个数为3，输出层神经元个数为1，其中激活函数选择Sigmoid；将数据按3:1的比例划分为训练集和测试集，训练BP神经网络；利用训练好的BP神经网络模型输出最终心率预测值，该步骤中仅当心率数据为安静值时，才取心率计算值作为输出值。

[0103] 一种实施方式中，当所述心率类

[0104] 别分类为安静心率时，以所述心率预测值为最终心率输出值；当所述心率类别分类为活动心率时，以所述神经网络预测心率为最终心率输出值。在安静状态下，心率相对稳定，心率变异性参数能够较好地反映心脏的状态。因此，使用基于这些参数计算出的心率预测值可以提供较高的准确性。直接使用公式计算心率预测值，避免了复杂的机器学习模型推理过程，提高了系统的实时性和效率。在活动状态下，心率变化较大，受多种因素影响。神经网络模型能够捕捉到这些复杂的变化模式，提供更准确的心率预测。神经网络模型经过大量数据训练，具有较强的学习能力和泛化能力，能够在不同的活动状态下提供高精度的心率预测。在活动状态下，用户的心率变化较大，受到多种因素的影响，如运动强度、情绪波动等。在这种情况下，仅依靠心率变异性参数无法准确反映当前的心率状态。因此，引入神经网络模型进行心率预测，可以更好地捕捉心率的动态变化。进一步的，在运动心率下，同样选择最终心率输出值时，使用神经网络模型的预测心率作为最终输出。在运动状态下，心率变化非常大且频繁，受到多种因素的影响，如运动强度、呼吸频率、体位变化等，具有高变异性，同时心率与这些因素之间的关系往往是非线性的，传统的线性模型难以准确捕捉这种复杂的关系。运动状态下的心率监测需要较高的实时性，以便及时反馈用户的心脏状况。神经网络(尤其是深度学习模型)能够处理高度非线性的数据，并从中学习到复杂的模式，也可以同时考虑多个输入特征(如ECG信号、PPG信号、加速度计数据等)，并自动提取出最相关的特征组合，从而提高预测精度。

[0105] 综上所述，本发明旨在解决心率采集准确度低的问题，通过融合心电图(ECG)与光电容积脉搏波(PPG)技术、引入机器学习模型、对测量值进行活动状态识别以及实现不同情境下的心率预测与获取，从而使得心率值更加精确。该系统包括三个主要模块：ECG和PPG信号采集模块、数据处理模块以及机器学习模型训练与实施模块。在面对心率变化较大的情况时，例如运动、突发状况或情绪波动等，传统的生理模型计算出的心率误差往往较大。为了解决这一问题，本方法创新性地引入了机器学

[0106] 习，并结合物理模型，通过机器学习算法对活动状态进行精准识别，从而有效提升了心率数据的准确性。

[0107] 具体而言，本发明通过在智能穿戴设备上同步采集ECG和PPG信号，增强了心率数据采集的全面性和实时性。这两种信号分别反映了心脏电信号的变化和血容量的变化，它们的结合能够提供更丰富的生理信息。此外，引入机器学习模型，特别是BP神经网络模型，不仅能够对数据进行深度处理与分析，还能提高心率计算的准确性。BP神经网络作为一种强大的非线性模型，能够在复杂的数据中找到隐藏的模式，从而更好地预测心率。

[0108] 为了进一步提升心率数据的情境化解读能力，本发明还利用线性判别分析(LDA)算法对心率变异性参数进行分类。LDA算法能够根据心率变异性参数的不同特征，将用户的状态分为安静、活动和运动三种类别。这种分类方法有助于理解用户在不同活动状态下心率的变化规律，进而提供更为个性化的健康建议。

[0109] 通过融合ECG与PPG技术，本发明实现了心率数据采集的全面性和实时性；通过引入机器学习模型，特别是BP神经网络模型，提高了心率计算的准确性；通过LDA算法对心率变异性参数进行分类，实现了心率数据的情境化解读。这些技术的结合，不仅解决了传统心率监测中存在的不准确问题，还为用户提供了一个更加可靠和智能化的心率监测解决方案。此外，本发明还特别关注了心率变异性的参数分析，通过对RR间期、呼吸窦性心律不齐(RSA)、相邻心跳波峰间隔差值的均方根(RMSSD)和正常心跳波峰间隔的标准差(SDNN)等参数的综合分析，可以更全面地评估用户的心脏健康状况。这些参数不仅反映了心脏的即时状态，还揭示了自主神经系统对心脏的调节作用，从而为医疗诊断和健康管理提供了重要的参考依据。

[0110] 总之，本发明通过多模态信号融合、机器学习模型的应用以及情境化的数据分析，显著提升了心率监测的准确性和可靠性。这种方法不仅适用于日常健康监测，还能在临床环境中发挥重要作用，为心脏病患者提供更加精细化的管理和治疗方案。未来，随着技术的不断进步和应用场景的拓展，这种基于ECG与PPG融合的心率监测方法有望成为心率监测领域的标准之一，为人们的健康保驾护航。

[0111] 参照图2，本发明第二实施例提供了一种提升心率采集准确度的系统，包括：

[0112] 数据获取模块，用于获取心电图信号和光电容积脉搏波信号；

[0113] 心率参数模块，用于根据所述光电容积脉搏波信号计算得到脉率，并通过心率变异性分析，得到心率变异性参数；

[0114] 心率计算模块，用于根据所述心电图信号，计算得到心率；

[0115] 心率分类模块，用于根据所述心率变异性参数，通过线性判别分析算法，得到心率类别分类；

[0116] 心率预测模块，用于根据所述心率，通过心率模型，得到心率预测值；

[0117] 心率输出模块，用于根据所述心率预测值、所述心率类别分类、所述光电容积脉搏波信号和所述心率，通过误差反向传播神经网络，得到最终心率输出值。

[0118] 优选地，所述数据获取模块，用于：

[0119] 获取心电图信号和光电容积脉搏波信号。

[0120] 一种实施方式中，在一种实施方式中，使用智能穿戴设备如智能手环、智能手表或专业的心电图机来获取心电图(ECG)信号。具体操作如下：将一个或多个心电电极放置在用户的胸部，通常选择胸骨旁或左胸位置，以捕捉心脏的电信号；同时，将参考电极贴在远离心脏的位置，例如手臂或腿部，以提供稳定的参考点；地电极则放置在腹部或其他适当位置，用以提供电路接地。通过这些电极，可以采集到心脏的电信号，并进行数字化采样。为了确保捕获到足够详细的心电信息，采样频率设定为250Hz。

[0121] 一种实施方式中，利用智能穿戴设备如智能手环或智能手表来获取光电容积脉搏波(PPG)信号。这些设备通常配备有发光二极管传感器和光电二极管。用户需要将智能穿戴设备佩戴在手臂上，通常是手腕处，确保设备稳固且不会因手背或手环对光照的吸收而影响测量结果。发光二极管发射光信号，其强度约为60mW，向皮肤下的固定位置点照射。部分光信号会被皮肤内的血管吸收，导致光通量减少。光电二极管接收透过皮肤的光信号，并将其转换为电信号。随后，对光电二极管接收到的信号进行数字化采样，常见的采样频率为100Hz。这种双模态信号采集方法结合了ECG和PPG的优势，能够提供更全面和准确的心率监测数据。ECG信号提供了心脏电信号的详细信息，可以精确检测R波，从而计算出心率。而PPG信号则反映了血容量的变化，能够在长时间内持续监测心率变化，并且适用于非侵入式的日常佩戴。通过这两种信号的融合，不仅可以提高心率监测的准确性，还能更好地理解心脏在不同活动状态下的表现。在实际应用中，这些信号经过预处理(如滤波和平滑)后，可以进一步用于心率变异性分析、活动状态识别以及心率预测。通过对心率变异性参数(如RSA、RMSSD和SDNN)的计算和分析，可以更深入地了解用户的心脏健康状况

[0122] 值得说明的是，结合机器学习模型，如神经网络，可以在复杂情况下提供更加精准的心率预测，从而实现个性化的健康管理。总之，这种实施方式不仅提高了心率监测的准确性和可靠性，还增强了系统的实用性和用户体验，适用于从日常健康监测到临床诊断的各种应用场景。

[0123] 优选地，所述心率参数模块，用于：

[0124] 根据所述光电容积脉搏波信号计算得到脉率，并通过心率变异性分析，得到心率变异性参数，包括：

[0125] 对所述光电容积脉搏波信号进行频域滤波处理，得到滤波光电容积脉搏波信号；

[0126] 通过以下公式计算得到脉率：

[0127]

[0128] 其中，Rbpm为脉率，Trp根据所述滤波光电容积脉搏波信号中相邻的两个峰值的时间间隔；

[0129] 根据所述滤波光电容积脉搏波信号，提取每个心跳周期的心跳波峰间隔；

[0130] 所述心率变异性参数包括呼吸窦性心律不齐、相邻心跳波峰间隔差值的均方根和正常心跳波峰间隔的标准差；

[0131] 通过以下公式计算呼吸窦性心律不齐：

[0132]

[0133] 其中，RSA为呼吸窦性心律不齐，FH为所述滤波光电容积脉搏波信号的高频占比，FL为所述滤波光电容积脉搏波信号的低频占比；

[0134] 通过均方根公式计算相邻心跳波峰间隔差值的均方根；

[0135] 通过标准差公式计算正常心跳波峰间隔的标准差。

[0136] 值得说明的是，呼吸窦性心律不齐(RSA)能够反映呼吸对心率的影响。在呼吸过程中，心率往往会随着呼吸的节奏而变化。具体来说，较高的RSA值通常意味着心脏受到呼吸的强烈影响，这种情况常见于运动状态；相反，较低的RSA值则表明心脏受呼吸影响较小，这通常是安静状态下的特征。相邻心跳波峰间隔差值的均方根(RMSSD)是衡量短时心率波动特性的重要指标。高RMSSD值通常表示心率波动较大，这在运动状态下尤为明显；而低RMSSD值则表明心率波动较小，常见于安静状态。正常心跳波峰间隔的标准差(SDNN)则反映了整体的心率波动程度。高SDNN值通常表示心率波动较大，这在安静状态下较为常见；而低SDNN值则表明心率波动较小，常见于运动状态。通过这些参数的综合分析，可以更全面地了解不同活动状态下心率的变化特点，从而为健康监测和医学诊断提供重要的参考依据。无论是安静状态下的平稳心率，还是运动状态下的剧烈波动，这些参数都能为揭示出心脏在不同情境下的动态表现。

[0137] 优选地，所述心率计算模块，用于：

[0138] 根据所述心电图信号，计算得到心率，包括：

[0139] 对所述心电图信号进行频域滤波处理，得到滤波心电图信号；

[0140] 通过以下公式计算得到心率：

[0141]

[0142] 其中，Hr为心率，Tr根据所述滤波心电图信号中相邻的两个峰值的时间间隔。

[0143] 优选地，所述心率分类模块，用于：

[0144] 根据所述心率变异性参数，通过线性判别分析算法，得到心率类别分类，包括：

[0145] 所述心率类别分类包括：安静心率、活动心率和运动心率；

[0146] 当所述心率变异性参数中的呼吸窦性心律不齐的值以及相邻心跳波峰间隔差值的均方根高于预设阈值，且正常心跳波峰间隔的标准差小于预设阈值时，判定为运动心率；

[0147] 当所述心率变异性参数中的呼吸窦性心律不齐的值以及相邻心跳波峰间隔差值的均方根低于预设阈值，且正常心跳波峰间隔的标准差大于预设阈值时，判定为安静心率。

[0148] 优选地，所述心率预测模块，用于：

[0149] 根据所述心率，通过心率模型，得到心率预测值，包括：

[0150] 所述心率模型公式为：

[0151] PPG＝c1·HR+c2·HR2‑c3·HR3+c4·HR4‑c5·HR5

[0152] 其中HR为所述心率，PPG为预测心率，c1、c2、c3、c4和c5是设定系数；

[0153] 其中，所述心率模型通过历史大数据训练得到，所述心率模型能够根据输入的心率得到心率预测值。

[0154] 优选地，所述心率输出模块，用于：

[0155] 根据所述心率预测值、所述心率类别分类、所述光电容积脉搏波信号和所述心率，通过误差反向传播神经网络，得到最终心率输出值，包括：

[0156] 将所述心率预测值、所述心率类别分类、所述光电容积脉搏波信号和所述心率作为所述误差反向传播神经网络的输入层的神经元；

[0157] 通过所述误差反向传播神经网络，得到神经网络预测心率；

[0158] 当所述心率类别分类为活动心率时，以所述神经网络预测心率为最终心率输出值。

[0159] 优选地，当所述心率类别分类为安静心率时，以所述心率预测值为最终心率输出值；当所述心率类别分类为活动心率时，以所述神经网络预测心率为最终心率输出值。

[0160] 值得说明的是，心率作为一项重要的健康指标，其准确测量对于健康管理至关重要。虽然现有的智能穿戴设备在心率监测方面取得了显著进展，但在面对个体差异、情境因素和心率变异性时仍存在挑战。通过引入个性化校准、考虑情境因素、心率变异性分析、改进算法模型以及数据增强与预处理等方法，可以显著提高心率数据的可靠性和准确性。这些技术的发展不仅有助于提升个人健康管理的水平，还为临床诊断和医学研究提供了有力的支持。

[0161] 需要说明的是，本发明实施例提供的一种提升心率采集准确度的系统用于执行上述实施例的一种提升心率采集准确度的方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。

[0162] 本发明实施例还提供了一种电子设备。该电子设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如心率预测程序。所述处理器执行所述计算机程序时实现上述各个提升心率采集准确度的方法实施例中的步骤，例如图1所示的步骤S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如数据获取模块。

[0163] 示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备中的执行过程。

[0164] 所述电子设备可以是桌上型计算

[0165] 机、笔记本、掌上电脑及智能平板等计算设备。所述电子设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述部件仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。

[0166] 所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。

[0167] 所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述电子设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

[0168] 其中，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

[0169] 需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

[0170] 以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。