手机使用者HRV 大数据的处理方法及预警系统

谢从晋，杨 柳，杜兵芳

（1.重庆外语外事学院，重庆；2.重庆财经学院，重庆）

引言

智能手机作为当前最主要的信息化工具，正在深刻影响和改变人们生产生活的各方面。据中国互联网络信息中心发布的第51 次《中国互联网络发展状况统计报告》显示：截至2022 年12 月，我国网民规模为10.67 亿；人均每周上网时长约为27 小时。

手机的使用行为对人们身心健康产生的影响，逐渐成为学者们的研究热点问题。新疆生产建设兵团的高伊雯和中南大学的刘晨卉等人（2023 年），使用自测健康评定量表和问卷，对780 多名大学生进行了调研，发现大学生日均手机使用时长对自测生心健康和自测社会健康均有显著影响，并提出了全社会应积极倡导健康使用手机，控制手机不良使用行为的建议[1]；高静和赵闯等人（2014 年），利用问卷调研了1000 余学生使用手机行为和身体症状，得出多数人认为手机的使用已经为自己带来了一定程度的身体机能损害甚至引发疾病的结论[2]；吉林大学柴晶鑫（2017 年），在大学生手机依赖行为意向及影响因素的研究中，发现近85%研究对象具有手机依赖症[3]；陶舒曼（2017 年），研究了医学生问题性手机使用行为与心理病理症状的关联等问题，认为问题性手机使用行为会增加学生心理病理症状的风险[4]。

学者们前期的研究成果颇丰，但主要集中在问卷调研和自测方面，缺乏利用人体生理指标数据做进一步的客观分析。本文从人体心率变异性指标着手，介绍HRV 大数据采集平台的搭建，以及数据的处理方法、指标的选择等，并开展了实测实验。

1 手机使用者HRV 大数据的采集与处理

1.1 HRV 大数据远程采集与处理系统

为了采集和监测用户使用智能手机时的HRV 指标，搭建了一套专用的HRV 大数据采集与处理系统，用以研究手机使用行为对人体身心健康产生的影响。该系统包含手机端数据采集APP、穿戴式心电采集装置和PC 电脑端数据处理与分析系统[5-6]，见图1。

图1 HRV 大数据采集与处理系统各模块示意

手机端数据采集APP 的操作页面包括账户管理页、功能选择页、信息填写页、传感器状态页、数据采集页、大数据分析页、预警信息查看页和文件管理页等。软件有账号注册、登录与注销、信息填写、传感器状态显示、蓝牙设备连接、心电数据采集、心电波形显示、去噪、HRV 数据记录、文件存储和远程传输、文件管理功能，以及接收远程分析文件并向用户展示分析结果等功能。其中，数据采集页是手机端软件最核心的功能页面，其界面如图2 所示。

图2 数据采集页效果

穿戴式心电采集装置是以BMD101 心电芯片为核心的采集仪器，其具备蓝牙连接功能，通过贴敷式电极片采集心电数据，并无线发送给手机端软件。

PC 电脑端软件供管理后台使用，其主要功能是处理用户HRV 数据，具体包括数据文档下载、数据批处理、预警信息和报告生成、处理结果上传，其界面如图3 所示。

图3 PC 电脑端软件界面效果

1.2 滤波与抗干扰性

心电信号（ECG）易受干扰而导致严重失真，为了提高系统采集HRV 数据的准确率，心电采集仪传送来的原始ECG 数据必须要经过滤波、识别R 波后才能存储、运用。

本文所述的采集平台用到了差分阈值法和模板匹配法[7]，对ECG 进行了滤波处理，同时用到奇异函数法、马尔可夫链预测法等[8-9]识别R 波，效果较理想。采集时滤波和识别的效果如图4 所示。

图4 心电图滤波前后对比

1.3 HRV 大数据文件的管理

为了便于后期的数据处理，每个用户每一次采集的HRV 数据文件单独保存为一个TXT 格式的文本文件，文件名采用“用户名+身体姿态+使用手机与否+数据类型+文档编号”的格式，从而便于后期的批量数据分析，文件里存储数据则按单行的方式保存。

2 手机使用者HRV 大数据的分析

2.1 HRV 分析工具

采用MATLAB 数学分析工具对滤波、R 波识别算法进行验证，并对部分HRV 指标进行分析；利用东芬兰大学研究团队开发的Kubios HRV 对HRV 其它指标进计算和分析。前者被广泛运用于数据分析、模型仿真、信号处理等领域，后者目前在全球多个国家被科研人员广泛使用。再者，利用Python、aardio 等语言设计计算机程序，利用PyCharm、aardio 等开发环境完成软件设计和数据自动化处理。

2.2 HRV 分析指标

将前述环节中采集到的HRV 大数据进行系统性研究，分析人体各类手机使用状态与心率变异性各项指标的相关关系，总结人体使用智能手机的各种动作行为特征对心率变异性各项指标所产生的影响。在整体分析和数据比较过程中，重点关注各项大数据集的统计学意义，以及各项指标的异常检出率。

以HRV 常用的时域指标、频域指标和非线性指标作为测试和分析指标。其中，时域指标代表正常心率R-R 间期的离散趋势变化情况；频域指标用于心电信号功率谱分析，从而观察交感神经与副交感神经活动的变化；非线性分析方法则分为图形法与非线性参数计算法。经过实测，本文选取共计21 项指标具体见表1。

表1 HRV 分析指标列表

2.3 大数据文件的批处理

利用Python 语言编写计算机程序，实现数据文件的批量处理，包括下载、分类管理、调用第三方软件分析、从大量的分析文件中提取结果数据，再将结果数据绘制成可视化图形，批量上传等。

将Python 程序嵌入至aardio 开发环境中，设计便于操作的Windows 桌面软件，从而使数据处理和分析的效率更高。

3 基于HRV 大数据的手机不良使用行为预警模型

3.1 预警模型设计

观测手机使用行为对人体HRV 产生的影响，分析不良使用行为带来的HRV 异常指标，构建手机不良使用行为的风险评估指标体系与预警系统，设定积极的干预措施，实现实时监测和自动预警提示。建立的模型如图5 所示。

图5 基于HRV 大数据的手机不良使用行为风险预警模型

利用该预警模型，当手机不良使用行为导致风险指标达到或超过阈值时，模型发出警示信息，以避免或降低危害发生风险。模型具有主动性、超前性、及时性和针对性等特点，用户可据此了解手机使用行为对自身HRV 的影响，能主动减少手机不良使用行为带来的人体生理负担。

3.2 风险等级划分

将表1 中的21 项HRV 指标设定不同的权重，建立风险指数计算式；计算时，以两组HRV 的指标数据进行对比，以其差值大小作为风险评估的参考值，当两者相差超过设定的风险阈值时，触发风险预警提示。用作对比的两组数据分别为基础数据和对比数据，基础数据可以是用户专门测得的正常状态下的HRV 数据，亦可以是群体大数据的均值，分别依据不同的使用情形进行选择；对比数据则是使用手机时测得的HRV 数据。

由于HRV 数据受影响因素较多[10]，例如年龄、身体姿态、心理状态、精神状态等，因此在最理想的情况下，基础数据要分门别类（不同性别、不同职业、不同的身体姿态、不同年龄段、不同时间、不同健康状况等）进行采集，从而提高分析结果的客观性。为了避免操作过于复杂，可按时间、年龄等进行阶段性划分；同时，在对比分析时，以用户自身的HRV 基础数据为分析重点，以群体数据作为参考。

4 监测实验及结论

4.1 实验人群

实验选择了40 名青年学生进行HRV 测试，其中男生15 人，女生25 人。测试对象无高血压、冠心病等心血管疾病，智力正常，亦无精神疾患、心理健康状况良好。

4.2 实验过程

测试前，测试人员佩戴穿戴式心电采集装置，调整电极片的贴敷位置，观察手机端数据采集APP 上的心电图波形，如图4 所示，当达到比较好的波形显示效果后，再进行正式地远程数据采集；测试时，每一位测试对象每一次采集两组不同身体姿态（含站立、行走、平躺等8 种典型姿态）下的HRV 数据，每组时长约10 分钟；其中在同一姿态下测的两组数据，一组是在使用手机时测的，另一组是不使用手机时测的，两组数据用以对比分析；测试结束后，测试人员可查看数据，如果数据质量不高（如含有大量误读数据），则可放弃此次采集，重新进行测试；最后将数据文档通过网络发送至PC 电脑端软件进行数据处理和分析。

4.3 实验数据分析及结果

将每一位测试对象的每一对数据的差值作为统计对象，每组数据以5 分钟时长进行统计，发现测试对象的21 项指标的波动性（标准偏差）差异较大，具体实验数据统计如表2 所示。

表2 各项指标实验统计

将实验数据各项指标的标准偏差进行排序，得知编号x1、x2、x3、x14、x17、x18、x19、x20、x21 对应指标波动很小（＜2），说明测试对象人群的整体表现倾向一致；编号x5、x6、x8、x9、x15、x16 对应指标波动较小（＞4 且＜14），说明测试对象人群的整体表现有一定差异；编号x4、x7、x10 对应指标波动较大（＞30 且＜100），说明测试对象人群的整体表现有差异较大；编号x11、x12、x13 对应指标波动特别大（＞1000），说明测试对象人群各自的差异非常大。

鉴于以上观测结论，在做不良行为风险等级划分和预警阈值设定时，不能一概而论，各项指标不能全部以相同权重计入风险指数计算式。差异较小的指标不仅可以以个体自身的基础数据为准进行对比分析，亦可进行个体与群体的对比分析；而差异较大的指标，则不宜将个体数据和群体进行对比分析，而是分析个体自身的数据对比结果更具有客观性。各指标的权重应利用大量实测数据进行验证，经过不断修正而确定。

选取群体性波动较小的指标（编号x1、x2、x3、x14、x17、x18、x19、x20、x21）计入风险指数计算式，再考虑到年龄、时间段、姿态等因素的影响，基于HRV大数据分析的不良手机使用行为风险系数计算原理和公式如下[6]：

式中，e∈[1，8]且为整数，i∈Z={1，2，3，14，17，18，19，20，21}；P1e为不同年龄段条件下的人群使用手机时产生不良反应的概率；P2e为人们在8 种不同身体姿态下使用手机时反应出受不良影响的概率；P3e为人们在不同时间段使用手机时产生不良反应的概率；P4e为人们使用手机不同时长条件下产生不良反应的概率，此四项参数经过统计而得；Si为第i 项心率变异性指标经归一化处理后纳入风险计算式的权值；xi，0为用户在未使用手机且身心充分放松的条件下测量所得的各项心电指标，即在静息状态下的无风险系数；xi，max和xi，min为各指标测量所得的最大值和最小值。

依据上式进行风险值测算，从而实现远程的风险预警目的。

结束语

本文介绍了基于HRV 大数据的手机不良使用行为远程监测与预警系统的设计和实现方案，通过实测数据计算出了21 项HRV 常用指标，并且依据其群体波动性选出了9 项指标作为风险值计算式的主要参数，从而实现不良行为的风险评估。本系统的应用，不仅可为手机用户提供网络化、大数据化的风险预警服务，也能为相应的医学研究（如疾病防控、运动处方、病人监控等）提供技术支持。