[0022]另外，在针对更进一步增加精确性的实施例中，所述估计器配置成特别地通过使用均方根估计来评估基于不同所选心率特征估计的心血管健康之间的一致性。
[0023]在更加实际的实施例中，所述心率监视器包括光学体积描记术或光学传感器(如例如WO 2013/076656 Al中所描述的那样)，和/或所述心率监视器和所述活动监视器集成到可以由人员穿戴的常见可穿戴设备(特别地腕部穿戴设备)中(如例如WO 2013/038296Al中所描述的那样)。
【附图说明】
[0024]本发明的这些和其它方面将从以下描述的(多个)实施例显而易见，并且将参照以下描述的(多个)实施例加以阐述。在以下附图中
图1示出根据本发明的系统的实施例的示意图，
图2示出根据本发明的系统的实际实现的实施例，
图3示出分类器的实施例的示意图，
图4示出图示了在步行和跑步期间VO2Hiax与HR/计数之间的相关性的图，以及图5示出根据本发明的方法的实施例的流程图。
【具体实施方式】
[0025]心血管系统的功能容量的评价在运动医学中是至关重要的。心血管功能可归因于最大心脏输出，其经由Fick原理涉及最大氧气摄取(V02max)。在运动员中，V02max提供关于他们的需氧代谢能力的有价值的信息。需氧代谢能力是耐久运动性能的基本决定因素和训练效能的指示符。在临床设置中，VO2Hiax提供若干临床人群中的关键诊断和预后信息，诸如具有冠状动脉疾病或心脏衰竭的患者。同样地，心血管功能评价对于评估无症状成人中的健康可以是非常重要的。尽管VO2Hiax的直接确定是最精确的方法，但是其要求对象的最大水平的努力，这带来个体中的不良事件的较高风险从而带来心血管问题的高风险。而且，需要呼吸气体分析系统，其要求专业人员并且涉及附加费用。在次优锻炼测试期间的VO2Hiax的估计可以提供宝贵的替换方案。在过去几十年间已经开发了许多协议以用于该目的。然而，次优协议要求用户遵循标准化锻炼协议。在许多情况中这些锻炼协议要求时间(3至6min)和特殊的装备件(台阶、跑步机、测力计)，并且最重要的是，用户必须正确地遵循指令以便具有其心血管功能的良好估计。
[0026]最后，心血管健康固有地链接到心脏大小。大心脏具有较大心搏量(L/跳)。心搏量是每心搏周期(跳)栗送的血液体积。由于身体要求适宜的血液供给，大约5L/min(在静息的标准对象中)，因此心率根据心搏量来适配。如果心搏量是大的，例如125mL/跳，则40跳/min的心率(HR)将足以递送5L/min输出。相反，如果在相同标准对象中心脏较小，因而心搏量较少，例如56mL，则要求90 (跳/min)的较高HR以供给相同的5L/min心脏输出。这对于锻炼条件和恢复条件也将是适用的。这就是为何HR通常用于评价心血管健康。
[0027]尽管静息HR本身非常代表个体的健康水平，但是这同样受外部或内部压力源影响，诸如情绪、温度、消化、药物(咖啡因)等。当人员(以下还称为用户)参与身体活动时，HR变得不太受这些因素影响而是直接涉及活动自身的代谢需要(VO2)。然而，同样锻炼HR可以受一些健康无关因素影响，诸如疲劳、温度和锻炼强度。另外，如果峰值锻炼HR接近于可实现的最大HR，则这将主要受年龄影响而与个体的健康无关。HR的跳到跳变异性(HRV)也可以用于预测健康。然而，其与健康的关系不及仅利用HR的那个直观。该关系看起来起到自主神经系统在调整心脏的心律调整器中所起的作用，如刚才描述的，其受心脏大小强烈影响。HRV还具有一些限制;事实上，其受呼吸、移动和许多其它因素影响。
[0028]基于从以上导出的认识，发明人已经得出使用集成方案的基本原理，其中在其预测能力处于其最高程度时使用这些HR导出参数。而且，加速度测量术(或更一般地，人员的身体活动的检测)用于对身体活动的类型进行分类，以特别地估计身体活动的工作负载(速度)。已经发现这是有价值的信息，因为每一个工作负载(即跑步速度)健康/不健康人员一一给定诸如体重、年龄和性别之类的一些个人数据一一应当呈现相当已知的锻炼HR和恢复HR。因此，通过比较每个该估计工作负载的所测量的HR与参考HR，可以预测用户的实际健康。暗示精确身体活动开始和结束识别以及准确活动分类的该附加特征大幅改进健康预测的精确性。现在将更加详细地解释细节。
[0029]图1示出根据本发明的用于估计人员的心血管健康的系统I的实施例的示意图。系统I包括用于获取包括关于人员的心率的信息的心率信号的心率监视器10以及用于获取指示人员的身体活动的活动信号的活动监视器20。提供分类器30以用于基于所获取的活动信号而对人员的活动进行分类。提供选择器40以用于基于所获取的心率信号和活动的分类而选择从所获取的心率信号获得的一个或多个心率特征以用于使用在人员的心血管健康的估计中。提供估计器50以用于基于一个或多个所选心率特征而估计人员的心血管健康。
[0030]在实施例中，分类器30、选择器40和估计器50实现在处理器2上，但是其它实现(例如通过分离处理器、软件元件、专用硬件元件)也是可能的。
[0031]可选地，附加地提供用于接收包括人员的年龄、性别、重量、高度、体质指数中的一个或多个的关于人员的用户信息的接口 60。所述信息可以由人员输入，或者可以存储在存储元件(未示出)中。利用该选项，估计器50配置成基于一个或多个所选心率特征和用户信息而估计人员的心血管健康。示例估计可以是:
V02max = a0 X年龄+ al x性别(男性为I，女性为O) + a3 x重量+ a4 x高度+ a5 X BMI + a6 HR特征
其中aO至a6是用于向关于人员的各种信息片段分配权重的预确定的加权系数，从而指示在估计中相应信息片段应当考虑得多重要的。
[0032]用户需要遵循耗时并且在若干情况中要求特定装备(诸如台阶、跑步机、测力计)的确定协议并且必须严格遵循锻炼协议以便允许VO2Hiad^精确估计的心血管功能(V02max)中的问题由所提出的系统所克服。本发明根据用户的情境和行为来组合一个或多个不同HR特征，诸如HR恢复(在锻炼时段之后心率返回到基线的速率)、峰值HR (最大HR;人员在身体活动期间实现的最高心率)、HR变异性(HRV;心跳之间的时间间隔中的变化)、HR静息(静息时的心率)。系统决定何时使用哪个HR特征(例如，如果用户坐着或躺着，优选地使用HRV;如果用户正在从锻炼中恢复，优选地使用HR恢复)以可靠地评价独立生存条件中的健康。
[0033]—般地，任何HR监视器可以与活动监视器(例如加速度计)组合地使用。可以用于该目的的集成设备的示例是包含光学体积描记术传感器(用于HR检测)和3轴加速度计(用于活动检测)的光学HR传感器，如例如在WO 2013/038296 Al中描述的那样。这样的集成设备可以实现为腕部穿戴设备3，如图2中示例性所示，其可以由用户4穿戴在他的手臂5处。该技术允许在身体上的任何位置处(例如在腕部处)不显眼地且舒适地监视HR。该实施例是理想的，因为用户将仅通过贯穿白天和可能地夜晚佩戴手表或手镯来完成其健康评估。
[0034]—般地，其它种类的HR监视器和身体活动监视器也可以使用在根据本发明的系统中。例如，可以使用作为HR监视器的ECG传感器或常规HR传感器，并且可以使用作为身体活动监视器的一个或多个运动传感器。心率监视器的其它示例是PPG传感器，并且相机PPG传感器和GPS也可以用作活动监视器。
[0035]在图3中描绘分类器30的实施例的示意图。在最简单的实施例中，分类器30将识别活动是否由用户执行，即将确定对应指示符，诸如静息(无活动)和活动。
[0036]利用身体活动监视器20记录的信号还可以用于导出关于移动速率、强度、速度、能量或信号熵的信息。这些特性对于开发能够对诸如静息和活动之类的活动状态进行分类的机器学习算法是有用的。从身体穿戴传感器数据标识和分类不同活动的不同技术的回顾可以在Preece SJ, Goulermas JY, Kenney LP, Howard D, Meijer K, Crompton R.Activity identificat1n using body-mounted sensors--a review ofclassificat1n techniques.Phys1l Meas.2009年4月；30(4):R1_33.do1:10.1088/0967-3334/30/4/R01.Epub 2009年4月 2 日中找到。
[0037]再次参照图3中的分类器30的示例性实施例，分类器30接收利用