CN118749932A - 一种血液透析过程中患者健康数据监测方法及系统 - Google Patents

Abstract

本发明公开一种血液透析过程中患者健康数据监测方法及系统，涉及数据监测领域。所述系统包括：数据获取模块、心率波动异常判别模块和异常处理模块。本发明通过实时监测患者的血压和心率数据，根据获取的心率数据计算出短期和长期的心率波动程度值，并基于长期心率波动程度计算出用于判断当前患者心率波动是否存在异常的调整阈值，根据短期心率波动程度值动态调整心率数据的分析频率；这种自适应的调整机制可以更精确地响应患者健康状况的变化，提高监测的时效性和连续性；与传统的固定频率相比，本发明能够更灵活地应对患者健康状况的波动，从而提供更为细致和个性化的监护。

Description

一种血液透析过程中患者健康数据监测方法及系统

技术领域

本发明涉及数据监测领域，具体涉及一种血液透析过程中患者健康数据监测方法及系统。

背景技术

血液透析是一种常见的治疗慢性肾功能衰竭的方法，它通过人工肾脏模拟正常肾脏的过滤功能，帮助清除血液中的废物和多余的水分；在血液透析过程中，患者的健康状况需要被密切监测，以确保透析过程的安全性和有效性；然而，传统的监测方法存在一些局限性。

首先，传统的监测方法通常依赖于固定的监测频率，如血压和心率的测量，这可能导致监测数据的不连续性和时效性问题；其次，当监测到异常数据时，现有的处理措施可能不够及时或不够精确，无法快速响应患者健康状况的突变；此外，长期监测数据的分析往往缺乏有效的预测模型，难以对患者的心率波动进行准确预测和调整监测频率。

尽管已有研究在提高监测效率和预测准确性方面取得了一定的进展，但仍然缺乏一种能够综合考虑血压和心率数据，实时调整监测频率的血液透析过程中患者健康数据监测方法。

发明内容

本发明的目的是克服现有技术的不足，提供一种血液透析过程中患者健康数据监测方法及系统。

一方面，本发明提供一种血液透析过程中患者健康数据监测方法，包括：

在第一监测时间点获取血压数据，血压数据包括收缩压和舒张压；同时判断获取的血压数据是否处于血压正常范围，若否，则发出警报，并执行血压异常处理措施；

在当前第二监测时间点获取心率数据；在预设的分析时间点判断在当前分析时间段内获取的心率数据是否均处于心率正常范围，若否，则发出警报，并执行心率异常处理措施；每两个分析时间点之间的时间即为一个分析时间段，一个分析时间段内包括若干个第二监测时间点；

针对任意一个分析时间点，获取当前短期时间窗口内的短期心率数据集，短期心率数据集包括在当前短期时间窗口内获取的心率数据，计算短期心率数据集的短期心率波动程度值；同时获取当前长期时间窗口内的长期心率数据集，长期心率数据集包括在当前长期时间窗口内获取的心率数据，计算长期心率数据集的长期心率波动程度值；基于当前获取的长期心率波动程度值设置第一调整阈值和第二调整阈值；

若短期心率波动程度值大于第一调整阈值且小于第二调整阈值，则执行频率调整措施，即同时将分析时间段的时长和每两个第一监测时间点的时间间隔减半；

若短期心率波动程度值大于第二调整阈值，则在执行频率调整措施的基础上，获取心率数据预测集，将心率数据预测集作为心率预测模型的输入，输出预测心率数据集；判断预测心率数据集是否均处于心率正常范围，若否，则发出警报，并执行心率异常预处理措施。

优选地，计算短期心率波动程度值和长期心率波动程度值的具体操作如下：

获取当前短期时间窗口内的短期心率数据集，i=1，2，…，n，n表示在当前短期时间窗口内获取的心率数据的数量；计算获取短期心率数据集的平均值，利用公式计算获取短期心率数据集的标准差A，即短期心率波动程度值；获取当前长期时间窗口内的长期心率数据集，j=1，2，…，m，m表示在当前长期时间窗口内获取的心率数据的数量；计算获取长期心率数据集的平均值，利用公式计算获取长期心率数据集的标准差B，即长期心率波动程度值。

优选地，基于长期心率波动程度值设置第一调整阈值和第二调整阈值的具体操作如下：

利用公式计算获取第一调整阈值，利用公式计算获取第二调整阈值，其中k为调整系数，且在(0，1)之间，k的值通过遗传算法选择获取。

优选地，在执行频率调整措施后，针对任意一个分析时间点，继续获取短期时间窗口内的短期心率数据集，并计算短期心率数据集的短期心率波动程度值；判断是否存在连续三个分析时间点获取的短期心率波动程度值均低于第一调整阈值，若是，则停止执行频率调整措施，即同时恢复分析时间段的时长和每两个第一监测时间点的时间间隔；若否，则继续执行频率调整措施。

优选地，使用遗传算法选择获取k的值的具体操作如下：

步骤一：设置种群大小，在(0，1)的范围内随机生成x个候选k值，将随机生成的候选k值组成初始种群，设置最大迭代次数；

步骤二：针对任意一个候选k值，利用公式计算获取该候选k值的适应度D，其中F表示应用该候选k值进行心率异常监测的误报率，U表示应用该候选k值进行心率异常监测的漏报率，和分别为误报率F和漏报率U的权重系数；计算获取的适应度越低，则说明候选k值的表现越好；

步骤三：应用轮盘赌选择方法，以预设的选择比例选择适应度表现最好的相应数量的候选k值，将选择出的候选k值组成选择个体集；

步骤四：应用预设的交叉概率对选择个体集中的候选k值进行交叉操作，产生相应数量的新候选k值，将获取的新候选k值组成交叉个体集；在交叉个体集中随机选择候选k值，按照预设的变异概率对候选k值进行小范围调整，获取变异个体集；

步骤五：将选择个体集和变异个体集进行合并，获取合并个体集，计算合并个体集中所有候选k值的适应度，将适应度表现最好的x个候选k值作为新一代种群；

步骤六：重复执行步骤三-步骤五，对种群进行迭代更新，直至达到最大迭代次数，最后一代种群中适应度表现最好的即为最优k值。

优选地，将心率数据预测集作为心率预测模型的输入，输出预测心率数据集的具体操作如下：

获取心率数据预测集，心率数据预测集包括最近获取的Q个按照时间排序的心率数据；设置滑动时间窗口，滑动时间窗口的窗口长度为Q个数据点；使用心率数据预测集的Q个心率数据作为滑动时间窗口的数据序列；将数据序列作为心率预测模型的输入，输出后一个第二监测时间点的预测心率数据；随后将滑动时间窗口的第一个心率数据移出，使用后一个第二监测时间点的预测心率数据作为滑动时间窗口的最后一个数据，获取新的数据序列，将新的数据序列作为心率预测模型的输入，继续输出后一个第二监测时间点的预测心率数据，以此类推，获取包含若干个预测心率数据的预测心率数据集。

优选地，心率预测模型基于LSTM模型建立，包括Q个心率预测LSTM单元、1个全连接层和1个输出层，其中心率预测LSTM单元用于提取滑动时间窗口中心率数据的时序性特征；全连接层用于对所有心率预测LSTM单元的输出进行特征提取；输出层用于输出心率预测数据；

针对心率预测模型的训练，具体操作如下：

获取若干份训练样本，每一个训练样本内存储着按照时间排序的Q+1份心率数据，以训练样本内的前Q份心率数据作为心率预测模型的输入，以训练样本内的最后1份心率数据作为心率预测模型的输出；将所有训练样本划分为训练集和测试集，将训练集送入参数初始化的心率预测模型进行训练，再将测试集输入至心率预测模型，获取测试结果；设置训练条件，判断测试结果是否满足训练条件，若满足训练条件，则输出训练好的心率预测模型；否则，继续通过训练集对心率预测模型进行训练。

另一方面，本发明还提供一种血液透析过程中患者健康数据监测系统，所述系统应用于如上所述的血液透析过程中患者健康数据监测方法，所述系统包括：

数据获取模块，用于在第一监测时间点获取血压数据，在当前第二监测时间点获取心率数据；

心率波动异常判别模块，用于计算短期心率波动程度值和长期心率波动程度值，并基于当前长期心率波动程度值设置第一调整阈值和第二调整阈值；若短期心率波动程度值大于第一调整阈值且小于第二调整阈值，则执行频率调整措施；若短期心率波动程度值大于第二调整阈值，则在执行频率调整措施的基础上，将获取的心率数据预测集作为心率预测模型的输入，输出预测心率数据集；

异常处理模块，用于在第一检测时间点判断获取的血压数据是否处于血压正常范围，若否，则发出警报，并执行血压异常处理措施；在预设的分析时间点判断在当前分析时间段内获取的心率数据是否均处于心率正常范围，若否，则发出警报，并执行心率异常处理措施；判断预测心率数据集是否均处于心率正常范围，若否，则发出警报，并执行心率异常预处理措施。

本发明具有以下优点：

本发明通过实时监测患者的血压和心率数据，根据获取的心率数据计算出短期和长期的心率波动程度值，并基于长期心率波动程度计算出用于判断当前患者心率波动是否存在异常的调整阈值，根据短期心率波动程度值动态调整心率数据的分析频率；这种自适应的调整机制可以更精确地响应患者健康状况的变化，同时更加注重当前患者的生理特征，而非通过固定的阈值进行判断，提高监测的时效性和连续性；与传统的固定频率相比，本发明能够更灵活地应对患者健康状况的波动，从而提供更为细致和个性化的监护。

本发明采用了基于LSTM模型的心率预测技术，结合遗传算法优化的调整系数，当短期心率波动程度值超出预设的阈值时，系统不仅会执行频率调整措施，还会利用心率预测模型对未来的心率数据进行预测，进一步判断是否存在异常风险，提高了心率异常预测的准确性；这种结合实时监测与预测分析的方法，能够有效地提前预警潜在的健康风险，为临床决策提供更全面的数据支持。

附图说明

图1为本发明实施例采用的血液透析过程中患者健康数据监测系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，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。

本发明的实施例1，一种血液透析过程中患者健康数据监测方法，包括：

在第一监测时间点获取血压数据，血压是血液对血管壁的压力，通常由两个数值表示：收缩压和舒张压；收缩压是心脏收缩时血液对血管壁的压力，而舒张压是心脏舒张时的压力；血压的正常范围因个体差异而异，但通常收缩压在90-120毫米汞柱(mmHg)、舒张压在60-80毫米汞柱(mmHg)被认为是正常的，正常范围一般会由专业医护人员进行设定；判断获取的血压数据是否处于血压正常范围，若否，则发出警报，这个警报可以是声音信号、视觉指示或通过其他方式通知医护人员，确保他们能够及时注意到患者的血压异常情况，并执行血压异常处理措施，这包括调整透析机的参数、给予患者药物治疗、或者采取其他必要的医疗干预措施，以稳定患者的血压并防止潜在的并发症；

在当前第二监测时间点获取心率数据，心率是每分钟心跳的次数，通常用于评估心脏功能和整体健康状况；在预设的分析时间点判断在当前分析时间段内获取的心率数据是否均处于心率正常范围，正常心率通常在60-100次/分钟之间，但这个范围可以由专业医护人员根据患者的年龄、健康状况和个体差异进行调整，若否，则发出警报，并执行心率异常处理措施，这包括调整透析参数、给予药物治疗、改变患者体位或其他适当的医疗干预，以恢复正常心率并防止潜在的心脏问题；每两个分析时间点之间的时间即为一个分析时间段，一个分析时间段内包括若干个第二监测时间点；由于心率数据获取的方式大多数为心电图监测，获取数据的频率是接近实时的，分析时间点的设定是为了避免每一次获取数据都要进行判断，给系统造成过多压力；而血压的监测方式通常为间歇性监测，即可以使用袖带式血压计每隔半个小时到一个小时进行一次监测，所以针对血压监测不需要设定分析时间点，获取血压数据后即可立即判断血压是否异常；

针对任意一个分析时间点，获取当前短期时间窗口内的短期心率数据集，短期心率数据集包括在当前短期时间窗口内获取的心率数据，短期时间窗口是指在当前分析时间点之前的一个较短时间段，例如五分钟或十分钟，这些数据反映了患者在较短时间内的心率变化，计算短期心率数据集的短期心率波动程度值，波动程度值越大，表示心率波动越剧烈，可能指示患者存在心脏问题或对透析过程的反应；同时获取当前长期时间窗口内的长期心率数据集，长期心率数据集包括在当前长期时间窗口内获取的心率数据，长期时间窗口是指在当前分析时间点之前的一个较长时间段，例如1到2个小时，这些数据反映了患者在较长时间内的心率波动特性，计算长期心率数据集的长期心率波动程度值，这个值有助于评估患者在透析过程中心率变化的整体稳定性；基于当前获取的长期心率波动程度值设置第一调整阈值和第二调整阈值，这两个阈值用于判断短期心率波动是否在可接受的范围内；

若短期心率波动程度值大于第一调整阈值且小于第二调整阈值，这表明患者的心率变化超出了正常范围的下限，则执行频率调整措施，即同时将分析时间段的时长和每两个第一监测时间点的时间间隔减半，这样能够在心率和血压超出正常值时及时发现，防止患者发生危险；之所以在心率存在异常波动时增加对血压的监测频率，是因为心率和血压存在一定关联，心率和血压共同决定了心输出量（每分钟心脏泵出的血液量），这是通过心脏每次跳动时的射血量（每搏输出量）乘以心率来计算的，心率的变化会影响血压；例如，心率增快通常会导致收缩压升高，而舒张压可能不会有太大变化或略有下降；心率的异常往往也伴随着血压的异常；

若短期心率波动程度值大于第二调整阈值，这可能指示患者存在较高的健康风险，则在执行频率调整措施的基础上，获取心率数据预测集，将心率数据预测集作为心率预测模型的输入，输出预测心率数据集；判断预测心率数据集是否均处于心率正常范围，若否，则发出警报，并执行心率异常预处理措施，这包括调整透析机的设置、给予患者适当的医疗干预，或其他预防措施。

计算短期心率波动程度值和长期心率波动程度值的具体操作如下：

获取当前短期时间窗口内的短期心率数据集，i=1，2，…，n，n表示在当前短期时间窗口内获取的心率数据的数量；计算获取短期心率数据集的平均值，利用公式计算获取短期心率数据集的标准差A，即短期心率波动程度值；获取当前长期时间窗口内的长期心率数据集，j=1，2，…，m，m表示在当前长期时间窗口内获取的心率数据的数量；计算获取长期心率数据集的平均值，利用公式计算获取长期心率数据集的标准差B，即长期心率波动程度值。

基于长期心率波动程度值设置第一调整阈值和第二调整阈值的具体操作如下：

利用公式计算获取第一调整阈值，利用公式计算获取第二调整阈值，其中k为调整系数，且在(0，1)之间，k的值通过遗传算法选择获取，遗传算法通过模拟自然选择和遗传机制，算法能够在解空间中进行全局搜索，寻找最优或近似最优解，算法自动调整k值，无需人为干预，减少了参数调整的工作量和主观性。

在执行频率调整措施后，针对任意一个分析时间点，继续获取短期时间窗口内的短期心率数据集，并计算短期心率数据集的短期心率波动程度值；判断是否存在连续三个分析时间点获取的短期心率波动程度值均低于第一调整阈值，这个判断是为了确定心率是否已经稳定在正常范围内一段时间，若是，这表明患者的心率已经稳定，不需要再进行更密集的监测，则停止执行频率调整措施，即同时恢复分析时间段的时长和每两个第一监测时间点的时间间隔；若否，这意味着患者的心率可能仍然存在不稳定因素，则继续执行频率调整措施。

使用遗传算法选择获取k的值的具体操作如下：

步骤一：设置种群大小，在(0，1)的范围内随机生成x个候选k值，将随机生成的候选k值组成初始种群，设置最大迭代次数；

步骤二：针对任意一个候选k值，利用公式计算获取该候选k值的适应度D，其中F表示应用该候选k值进行心率异常监测的误报率，U表示应用该候选k值进行心率异常监测的漏报率，和分别为误报率F和漏报率U的权重系数；计算获取的适应度越低，则说明候选k值的表现越好；

步骤三：应用轮盘赌选择方法，以预设的选择比例选择适应度表现最好的相应数量的候选k值，将选择出的候选k值组成选择个体集；这一步模仿自然选择过程，保留适应度较高的个体，以便在下一代中继续优化；

步骤四：应用预设的交叉概率对选择个体集中的候选k值进行交叉操作，产生相应数量的新候选k值，将获取的新候选k值组成交叉个体集，通过交叉产生新的遗传特征组合，增加种群多样性，提高找到全局最优解的可能性；在交叉个体集中随机选择候选k值，按照预设的变异概率对候选k值进行小范围调整，获取变异个体集，变异是为了模仿基因突变，为算法提供新的遗传信息，防止算法过早收敛到局部最优解；

步骤五：将选择个体集和变异个体集进行合并，获取合并个体集，计算合并个体集中所有候选k值的适应度，将适应度表现最好的x个候选k值作为新一代种群；

步骤六：重复执行步骤三-步骤五，对种群进行迭代更新，直至达到最大迭代次数，最后一代种群中适应度表现最好的即为最优k值。

将心率数据预测集作为心率预测模型的输入，输出预测心率数据集的具体操作如下：

获取心率数据预测集，心率数据预测集包括最近获取的Q个按照时间排序的心率数据；设置滑动时间窗口，滑动时间窗口的窗口长度为Q个数据点；使用心率数据预测集的Q个心率数据作为滑动时间窗口的数据序列；将数据序列作为心率预测模型的输入，输出后一个第二监测时间点的预测心率数据；随后将滑动时间窗口的第一个心率数据移出，使用后一个第二监测时间点的预测心率数据作为滑动时间窗口的最后一个数据，获取新的数据序列，将新的数据序列作为心率预测模型的输入，继续输出后一个第二监测时间点的预测心率数据，以此类推，获取包含若干个预测心率数据的预测心率数据集。

心率预测模型基于LSTM模型建立，包括Q个心率预测LSTM单元、1个全连接层和1个输出层，其中心率预测LSTM单元用于提取滑动时间窗口中心率数据的时序性特征；全连接层用于对所有心率预测LSTM单元的输出进行特征提取；输出层用于输出心率预测数据；

针对心率预测模型的训练，具体操作如下：

获取若干份训练样本，每一个训练样本内存储着按照时间排序的Q+1份心率数据，以训练样本内的前Q份心率数据作为心率预测模型的输入，以训练样本内的最后1份心率数据作为心率预测模型的输出；将所有训练样本划分为训练集和测试集，将训练集送入参数初始化的心率预测模型进行训练，再将测试集输入至心率预测模型，获取测试结果；设置训练条件，判断测试结果是否满足训练条件，若满足训练条件，则输出训练好的心率预测模型；否则，继续通过训练集对心率预测模型进行训练。

本发明的实施例2，一种血液透析过程中患者健康数据监测系统，如图1所示，包括：

数据获取模块，用于在第一监测时间点获取血压数据，在当前第二监测时间点获取心率数据；

心率波动异常判别模块，用于计算短期心率波动程度值和长期心率波动程度值，并基于当前长期心率波动程度值设置第一调整阈值和第二调整阈值；若短期心率波动程度值大于第一调整阈值且小于第二调整阈值，则执行频率调整措施；若短期心率波动程度值大于第二调整阈值，则在执行频率调整措施的基础上，将获取的心率数据预测集作为心率预测模型的输入，输出预测心率数据集；

异常处理模块，用于在第一检测时间点判断获取的血压数据是否处于血压正常范围，若否，则发出警报，并执行血压异常处理措施；在预设的分析时间点判断在当前分析时间段内获取的心率数据是否均处于心率正常范围，若否，则发出警报，并执行心率异常处理措施；判断预测心率数据集是否均处于心率正常范围，若否，则发出警报，并执行心率异常预处理措施。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种血液透析过程中患者健康数据监测方法，其特征在于，包括：

在第一监测时间点获取血压数据，血压数据包括收缩压和舒张压；同时判断获取的血压数据是否处于血压正常范围，若否，则发出警报，并执行血压异常处理措施；

在当前第二监测时间点获取心率数据；在预设的分析时间点判断在当前分析时间段内获取的心率数据是否均处于心率正常范围，若否，则发出警报，并执行心率异常处理措施；每两个分析时间点之间的时间即为一个分析时间段，一个分析时间段内包括若干个第二监测时间点；

针对任意一个分析时间点，获取当前短期时间窗口内的短期心率数据集，短期心率数据集包括在当前短期时间窗口内获取的心率数据，计算短期心率数据集的短期心率波动程度值；同时获取当前长期时间窗口内的长期心率数据集，长期心率数据集包括在当前长期时间窗口内获取的心率数据，计算长期心率数据集的长期心率波动程度值；基于当前获取的长期心率波动程度值设置第一调整阈值和第二调整阈值；

若短期心率波动程度值大于第一调整阈值且小于第二调整阈值，则执行频率调整措施，即同时将分析时间段的时长和每两个第一监测时间点的时间间隔减半；

若短期心率波动程度值大于第二调整阈值，则在执行频率调整措施的基础上，获取心率数据预测集，将心率数据预测集作为心率预测模型的输入，输出预测心率数据集；判断预测心率数据集是否均处于心率正常范围，若否，则发出警报，并执行心率异常预处理措施。

2.根据权利要求1所述的血液透析过程中患者健康数据监测方法，其特征在于，计算短期心率波动程度值和长期心率波动程度值的具体操作如下：

获取当前短期时间窗口内的短期心率数据集，i=1，2，…，n，n表示在当前短期时间窗口内获取的心率数据的数量；计算获取短期心率数据集的平均值，利用公式计算获取短期心率数据集的标准差A，即短期心率波动程度值；获取当前长期时间窗口内的长期心率数据集，j=1，2，…，m，m表示在当前长期时间窗口内获取的心率数据的数量；计算获取长期心率数据集的平均值，利用公式计算获取长期心率数据集的标准差B，即长期心率波动程度值。

3.根据权利要求2所述的血液透析过程中患者健康数据监测方法，其特征在于，基于长期心率波动程度值设置第一调整阈值和第二调整阈值的具体操作如下：

利用公式计算获取第一调整阈值，利用公式计算获取第二调整阈值，其中k为调整系数，且在(0，1)之间，k的值通过遗传算法选择获取。

4.根据权利要求3所述的血液透析过程中患者健康数据监测方法，其特征在于，在执行频率调整措施后，针对任意一个分析时间点，继续获取短期时间窗口内的短期心率数据集，并计算短期心率数据集的短期心率波动程度值；判断是否存在连续三个分析时间点获取的短期心率波动程度值均低于第一调整阈值，若是，则停止执行频率调整措施，即同时恢复分析时间段的时长和每两个第一监测时间点的时间间隔；若否，则继续执行频率调整措施。

5.根据权利要求4所述的血液透析过程中患者健康数据监测方法，其特征在于，使用遗传算法选择获取k的值的具体操作如下：

步骤一：设置种群大小，在(0，1)的范围内随机生成x个候选k值，将随机生成的候选k值组成初始种群，设置最大迭代次数；

步骤二：针对任意一个候选k值，利用公式计算获取该候选k值的适应度D，其中F表示应用该候选k值进行心率异常监测的误报率，U表示应用该候选k值进行心率异常监测的漏报率，和分别为误报率F和漏报率U的权重系数；计算获取的适应度越低，则说明候选k值的表现越好；

步骤三：应用轮盘赌选择方法，以预设的选择比例选择适应度表现最好的相应数量的候选k值，将选择出的候选k值组成选择个体集；

步骤四：应用预设的交叉概率对选择个体集中的候选k值进行交叉操作，产生相应数量的新候选k值，将获取的新候选k值组成交叉个体集；在交叉个体集中随机选择候选k值，按照预设的变异概率对候选k值进行小范围调整，获取变异个体集；

步骤五：将选择个体集和变异个体集进行合并，获取合并个体集，计算合并个体集中所有候选k值的适应度，将适应度表现最好的x个候选k值作为新一代种群；

步骤六：重复执行步骤三-步骤五，对种群进行迭代更新，直至达到最大迭代次数，最后一代种群中适应度表现最好的即为最优k值。

6.根据权利要求5所述的血液透析过程中患者健康数据监测方法，其特征在于，将心率数据预测集作为心率预测模型的输入，输出预测心率数据集的具体操作如下：

获取心率数据预测集，心率数据预测集包括最近获取的Q个按照时间排序的心率数据；设置滑动时间窗口，滑动时间窗口的窗口长度为Q个数据点；使用心率数据预测集的Q个心率数据作为滑动时间窗口的数据序列；将数据序列作为心率预测模型的输入，输出后一个第二监测时间点的预测心率数据；随后将滑动时间窗口的第一个心率数据移出，使用后一个第二监测时间点的预测心率数据作为滑动时间窗口的最后一个数据，获取新的数据序列，将新的数据序列作为心率预测模型的输入，继续输出后一个第二监测时间点的预测心率数据，以此类推，获取包含若干个预测心率数据的预测心率数据集。

7.根据权利要求6所述的血液透析过程中患者健康数据监测方法，其特征在于，心率预测模型基于LSTM模型建立，包括Q个心率预测LSTM单元、1个全连接层和1个输出层，其中心率预测LSTM单元用于提取滑动时间窗口中心率数据的时序性特征；全连接层用于对所有心率预测LSTM单元的输出进行特征提取；输出层用于输出心率预测数据；

针对心率预测模型的训练，具体操作如下：

获取若干份训练样本，每一个训练样本内存储着按照时间排序的Q+1份心率数据，以训练样本内的前Q份心率数据作为心率预测模型的输入，以训练样本内的最后1份心率数据作为心率预测模型的输出；将所有训练样本划分为训练集和测试集，将训练集送入参数初始化的心率预测模型进行训练，再将测试集输入至心率预测模型，获取测试结果；设置训练条件，判断测试结果是否满足训练条件，若满足训练条件，则输出训练好的心率预测模型；否则，继续通过训练集对心率预测模型进行训练。

8.一种血液透析过程中患者健康数据监测系统，其特征在于，所述系统应用于上述权利要求1-7任一项所述的血液透析过程中患者健康数据监测方法，所述系统包括：

数据获取模块，用于在第一监测时间点获取血压数据，在当前第二监测时间点获取心率数据；

心率波动异常判别模块，用于计算短期心率波动程度值和长期心率波动程度值，并基于当前长期心率波动程度值设置第一调整阈值和第二调整阈值；若短期心率波动程度值大于第一调整阈值且小于第二调整阈值，则执行频率调整措施；若短期心率波动程度值大于第二调整阈值，则在执行频率调整措施的基础上，将获取的心率数据预测集作为心率预测模型的输入，输出预测心率数据集；

异常处理模块，用于在第一检测时间点判断获取的血压数据是否处于血压正常范围，若否，则发出警报，并执行血压异常处理措施；在预设的分析时间点判断在当前分析时间段内获取的心率数据是否均处于心率正常范围，若否，则发出警报，并执行心率异常处理措施；判断预测心率数据集是否均处于心率正常范围，若否，则发出警报，并执行心率异常预处理措施。